CN113360763A - 基于人工智能的业务关注倾向预测方法及人工智能云系统 - Google Patents

基于人工智能的业务关注倾向预测方法及人工智能云系统 Download PDF

Info

Publication number
CN113360763A
CN113360763A CN202110681678.0A CN202110681678A CN113360763A CN 113360763 A CN113360763 A CN 113360763A CN 202110681678 A CN202110681678 A CN 202110681678A CN 113360763 A CN113360763 A CN 113360763A
Authority
CN
China
Prior art keywords
conversation
tendency
information
commerce commodity
interest
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN202110681678.0A
Other languages
English (en)
Inventor
阚忠建
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202110681678.0A priority Critical patent/CN113360763A/zh
Publication of CN113360763A publication Critical patent/CN113360763A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开实施例提供一种基于人工智能的业务关注倾向预测方法及人工智能云系统，通过获取指定电商服务对象在当前电商商品会话页面的会话行为特征，会话行为特征包括当前电商商品会话页面对应的会话跳转信息以及已处理会话任务的会话任务特征，能够供业务关注倾向预测模型根据会话跳转信息和会话任务两个因素更准确地预测业务关注倾向，更重要的是，业务关注倾向预测模型训练时的模型权重指标的指标依据包括业务关注倾向以及每一电商商品会话页面的过往预测业务关注倾向，利用业务关注倾向和每一步的业务关注倾向确定模型权重指标信息进行网络权重更新，考虑会话任务不断变化对业务关注倾向预测的影响，预测结果更加准确。

Description

基于人工智能的业务关注倾向预测方法及人工智能云系统
技术领域
本公开涉及机器学习模型技术领域，示例性地，涉及一种基于人工智能的业务关注倾向预测方法及人工智能云系统。
背景技术
随着云计算、大数据和物联网等新兴计算领域的发展，互联网环境中的可用服务在数量和类型上都迅速增加。服务计算技术的成熟及其在各个领域的广泛应用，导致了服务经济，服务市场和服务业务的快速增长。因此，如何为市场提供以用户为中心的服务及其组合技术将成为服务计算的未来趋势之一，准确挖掘用户偏好并做出高效准确的服务推荐是非常重要和迫切的需要。
在推荐系统中，一个核心的问题就是对用户的偏好建模。所谓的用户偏好就是指用户对物品(可能是电商商品等)的关注倾向程度。如何根据已有的用户行为和信息，准确地对用户业务关注倾向进行预测是一个很重要的问题。但是，在服务计算领域，用户业务关注倾向显示出动态的特征。首先，由于许多内部和外部因素，用户的长期业务关注倾向可能随着时间的推移而变化。因此，用户业务关注倾向改变过程的曲线应该是整体连贯，偶尔跳跃的，用户偏好的变化包括业务关注倾向内容的变化和偏好强度的变化。基于此，对于用户业务关注倾向的预测，传统的仅靠大数据分析的方式的准确性仍然有很大的提升空间。
发明内容
为了至少克服现有技术中的上述不足，本公开的目的在于提供一种基于人工智能的业务关注倾向预测方法及人工智能云系统。
第一方面，本公开提供一种基于人工智能的业务关注倾向预测方法，应用于人工智能云系统，所述人工智能云系统与多个智慧在线服务终端通信连接，所述方法包括：
获取指定电商服务对象在当前电商商品会话页面的会话行为特征；所述会话行为特征包括所述当前电商商品会话页面对应的会话跳转信息、已处理会话任务的会话任务特征以及所述当前电商商品会话页面相关的各电商商品会话页面的业务关注倾向；
将所述指定电商服务对象在当前电商商品会话页面的会话行为特征输入至预先训练的业务关注倾向预测模型，获得所述业务关注倾向预测模型输出的所述指定电商服务对象在所述当前电商商品会话页面的业务关注倾向；
其中，所述业务关注倾向预测模型在进行人工智能训练时的模型权重指标的指标依据包括标注数据集的标注业务关注倾向以及每一电商商品会话页面的过往预测业务关注倾向集，所述模型权重指标的输出用于表征对所述每一电商商品会话页面的预测业务关注倾向的决策精度的评估信息； 所述过往预测业务关注倾向集包括所述每一电商商品会话页面相关的至少一个电商商品会话页面的预测业务关注倾向；所述每一电商商品会话页面的预测业务关注倾向是根据所述业务关注倾向预测模型的预测网络层在网络权重更新过程中根据所述每一电商商品会话页面的所述会话行为特征预测出的业务关注倾向的分类结果信息获得的。
第二方面，本公开实施例还提供一种基于人工智能的业务关注倾向预测系统，所述基于人工智能的业务关注倾向预测系统包括人工智能云系统以及与所述人工智能云系统通信连接的多个智慧在线服务终端；
所述人工智能云系统，用于：
获取指定电商服务对象在当前电商商品会话页面的会话行为特征；所述会话行为特征包括所述当前电商商品会话页面对应的会话跳转信息、已处理会话任务的会话任务特征以及所述当前电商商品会话页面相关的各电商商品会话页面的业务关注倾向；
将所述指定电商服务对象在当前电商商品会话页面的会话行为特征输入至预先训练的业务关注倾向预测模型，获得所述业务关注倾向预测模型输出的所述指定电商服务对象在所述当前电商商品会话页面的业务关注倾向；
其中，所述业务关注倾向预测模型在进行人工智能训练时的模型权重指标的指标依据包括标注数据集的标注业务关注倾向以及每一电商商品会话页面的过往预测业务关注倾向集，所述模型权重指标的输出用于表征对所述每一电商商品会话页面的预测业务关注倾向的决策精度的评估信息； 所述过往预测业务关注倾向集包括所述每一电商商品会话页面相关的至少一个电商商品会话页面的预测业务关注倾向；所述每一电商商品会话页面的预测业务关注倾向是根据所述业务关注倾向预测模型的预测网络层在网络权重更新过程中根据所述每一电商商品会话页面的所述会话行为特征预测出的业务关注倾向的分类结果信息获得的。
根据上述任意一个方面，本公开提供的实施方式中，通过获取指定电商服务对象在当前电商商品会话页面的会话行为特征，会话行为特征包括当前电商商品会话页面对应的会话跳转信息以及已处理会话任务的会话任务特征，能够供业务关注倾向预测模型根据会话跳转信息和会话任务两个因素更准确地预测业务关注倾向，更重要的是，业务关注倾向预测模型训练时的模型权重指标的指标依据包括业务关注倾向以及每一电商商品会话页面的过往预测业务关注倾向，相比现有技术只根据历史行为数据中的起始会话跳转信息的会话任务特征和最终的业务关注倾向进行训练，本公开实施例利用业务关注倾向和每一步的业务关注倾向确定模型权重指标信息进行网络权重更新，考虑会话任务不断变化对业务关注倾向预测的影响，预测结果更加准确。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要调用的附图作简单地介绍，应当理解，以下附图仅示出了本公开的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它相关的附图。
图1为本公开实施例提供的基于人工智能的业务关注倾向预测系统的应用场景示意图；
图2为本公开实施例提供的基于人工智能的业务关注倾向预测方法的流程示意图；
图3为本公开实施例提供的基于人工智能的业务关注倾向预测装置的功能模块示意图；
图4为本公开实施例提供的用于实现上述的基于人工智能的业务关注倾向预测方法的人工智能云系统的结构示意框图。
具体实施方式
下面结合说明书附图，对本公开实施例的方案进行详细说明。以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本公开具体实施例。
图1是本公开一种实施例提供的基于人工智能的业务关注倾向预测系统10的场景示意图。基于人工智能的业务关注倾向预测系统10可以包括人工智能云系统100以及与人工智能云系统100通信连接的智慧在线服务终端200。图1所示的基于人工智能的业务关注倾向预测系统10仅为一种可行的示例，在其它可行的实施例中，该基于人工智能的业务关注倾向预测系统10也可以仅包括图1所示组成部分的其中的至少部分或者还可以包括其它的组成部分。
本实施例中，基于人工智能的业务关注倾向预测系统10中的人工智能云系统100和智慧在线服务终端200可以通过配合执行以下方法实施例所描述的基于人工智能的业务关注倾向预测方法，具体人工智能云系统100和智慧在线服务终端200的执行步骤部分可以参照以下方法实施例的详细描述。
为了解决前述背景技术中的技术问题，图2为本公开实施例提供的基于人工智能的业务关注倾向预测方法的流程示意图，本实施例提供的基于人工智能的业务关注倾向预测方法可以由图1中所示的人工智能云系统100执行，下面对该基于人工智能的业务关注倾向预测方法进行详细介绍。
步骤S101，获取指定电商服务对象在当前电商商品会话页面的会话行为特征。
本实施例中，会话行为特征可以包括当前电商商品会话页面对应的会话跳转信息以及已处理会话任务的会话任务特征。
本实施例中，当前电商商品会话页面对应当前业务关注倾向更新的会话跳转信息，当前电商商品会话页面对应的会话跳转信息也即当前业务关注倾向更新的会话跳转信息。考虑到不同页面的会话任务并不一样，即使是同一会话任务流程所需的标注业务关注倾向也存在差异，因此本公开将当前电商商品会话页面对应的会话跳转信息作为一个重要的形成特征进行采集。
本实施例中，已处理会话任务即指定电商服务对象从当前电商商品会话页面的所在业务节点至已处理节点的商品互动会话任务，本公开实施例的已处理会话任务既可以是在当前电商商品会话页面实时生成的商品互动会话任务，也可以是指定电商服务对象在当前业务节点生成的完整商品互动会话任务中除没有发起的商品互动会话任务的会话任务。例如，指定电商服务对象在当前业务节点时生成的初始商品互动会话任务为A-B-C-D，也就是说完整商品互动会话任务是由A开始，先后经过B会话任务和C会话任务，最终跳转到D会话任务构成的会话任务集合，当指定电商服务对象在某一电商商品会话页面跳转到B会话任务后，可以沿着初始商品互动会话任务继续跳转到会话任务D，那么在该电商商品会话页面的已处理会话任务为B-C-D，如果指定电商服务对象在该电商商品会话页面重新规划商品互动会话任务，那么已处理会话任务即为重新生成的商品互动会话任务。
会话任务特征可以是会话点击行为特征，会话浏览行为特征，会话订阅行为特征，会话邀请行为特征和会话截图行为特征中的一种或多种，具体不作限定。
步骤S102，将指定电商服务对象在当前电商商品会话页面的会话行为特征输入至预先训练的业务关注倾向预测模型，获得业务关注倾向预测模型输出的当前电商商品会话页面的业务关注倾向。
本公开实施例在获得当前电商商品会话页面的会话行为特征后，通过将当前电商商品会话页面的行车特征输入至预先训练的业务关注倾向预测模型中，即可获得指定电商服务对象在当前电商商品会话页面的业务关注倾向。
本公开实施例的业务关注倾向预测模型是通过网络权重更新的方式训练而成的，一般地，对于网络权重更新模型的训练过程，为了训练得到一个较好的策略，通过机器学习网络需要与训练单元进行持续的交互即可。在本公开实施例中，机器学习网络可以理解为业务关注倾向预测模型。
例如，机器学习网络可以通过预测网络层输出一个预测结果并作用于训练单元，训练单元接受该预测结果后训练特征发生变化，同时根据模型权重指标产生一个模型权重指标信息，训练单元将当前训练特征和模型权重指标信息反馈给机器学习网络，机器学习网络根据模型权重指标信息和训练单元当前训练特征再输出下一个预测结果，输出预测结果的原则是使受到正向模型权重指标信息的概率增大。选择的预测结果不仅影响当前的模型权重指标信息，而且影响训练单元下一会话跳转信息的训练特征及最终的模型权重指标信息，从而实现循环的训练响应过程。
模型权重指标信息可以是指损失函数值。本公开实施例的业务关注倾向预测过程中，模型权重指标信息是通过模型权重指标获得的，模型权重指标信息可以分为两部分，第一个部分是每个电商商品会话页面预估的业务关注倾向决策精度，第二个部分是当前电商商品会话页面预估的业务关注倾向与之前所有电商商品会话页面的业务关注倾向构成序列的变化趋势信息。
本公开实施例的业务关注倾向预测模型在进行人工智能训练时的模型权重指标的指标依据包括标注数据集的标注业务关注倾向以及每一电商商品会话页面的过往预测业务关注倾向集，模型权重指标的输出用于表征对每一电商商品会话页面的预测业务关注倾向的决策精度的评估信息。过往预测业务关注倾向集包括每一电商商品会话页面相关的至少一个电商商品会话页面的预测业务关注倾向；每一电商商品会话页面的预测业务关注倾向是根据业务关注倾向预测模型的预测网络层在网络权重更新过程中根据每一电商商品会话页面的会话行为特征预测出的业务关注倾向的分类结果信息获得的。
例如，业务关注倾向预测模型可以包括预测网络层和模型权重指标，标注数据集的每一电商商品会话页面的会话行为特征即为训练特征，若标注数据集中共存在T个电商商品会话页面，则具有T个训练特征，将每个训练特征作为预测网络层的输入，预测网络层基于输入的训练特征，输出预测结果：每一电商商品会话页面的业务关注倾向的分类结果信息；针对每一电商商品会话页面的业务关注倾向的分类结果信息进行随机筛选即可获得筛选信息：每一电商商品会话页面的预测业务关注倾向，这样针对每一电商商品会话页面，将该电商商品会话页面相关的至少一个电商商品会话页面的预测业务关注倾向组成过往预测业务关注倾向集，将标注业务关注倾向以及每一电商商品会话页面的过往预测业务关注倾向集作为模型权重指标的指标依据，模型权重指标基于输入产生用于评价每一电商商品会话页面的预测业务关注倾向的决策精度的评估信息，基于这样的评估信息，调整业务关注倾向预测模型中的预测网络层，使得增加评估信息好的预测业务关注倾向的输出概率，并降低评估信息差的预测业务关注倾向的输出概率，这样，训练完成的预测网络层将学会正确的业务关注倾向预测行为。
需要注意的是，本公开实施例的模型权重指标的指标依据包括标注数据集的标注业务关注倾向以及每一电商商品会话页面的过往预测业务关注倾向集。其中标注业务关注倾向为每一电商商品会话页面的预测业务关注倾向的决策精度的评价提供依据，而通过构建每一电商商品会话页面的过往预测业务关注倾向集，又考虑了业务关注倾向的趋势变化情况，也就是说，本公开实施例的模型权重指标能够从决策精度和趋势两个方面评价业务关注倾向，从而为实际应用时预估出更符合高决策精度和用户习惯的业务关注倾向奠定基础。
本公开实施例的基于人工智能的业务关注倾向预测方法，通过获取指定电商服务对象在当前电商商品会话页面的会话行为特征，会话行为特征包括当前电商商品会话页面对应的会话跳转信息以及已处理会话任务的会话任务特征，能够供业务关注倾向预测模型根据会话跳转信息和会话任务两个因素更准确地预测业务关注倾向，更重要的是，业务关注倾向预测模型训练时的模型权重指标的指标依据包括业务关注倾向以及每一电商商品会话页面的过往预测业务关注倾向，相比现有技术只根据历史行为数据中的起始会话跳转信息的会话任务特征和最终的业务关注倾向进行训练，本公开实施例利用业务关注倾向和每一步的业务关注倾向确定模型权重指标信息进行网络权重更新，考虑会话任务不断变化对业务关注倾向预测的影响，预测结果更加准确。
在上述各实施例的基础上，一种实施例中，将指定电商服务对象在当前电商商品会话页面的会话行为特征输入至预先训练的业务关注倾向预测模型，获得业务关注倾向预测模型输出的所述当前电商商品会话页面的业务关注倾向，包括：
步骤S1021，对当前电商商品会话页面的会话行为特征进行卷积特征提取，获得当前电商商品会话页面的会话行为卷积特征。可以理解的是，会话行为卷积特征是对会话行为特征的行为描述表示。
步骤S1022，将当前电商商品会话页面的会话行为卷积特征输入至预测网络层，获得预测网络层输出的当前电商商品会话页面的业务关注倾向的分类结果信息；
步骤S1023，根据当前电商商品会话页面的业务关注倾向的分类结果信息进行筛选，获得当前电商商品会话页面的业务关注倾向。
一种实施例中，下面介绍本公开实施例的业务关注倾向预测模型的训练流程，该流程包括：
步骤S201，获取标注数据集的每一电商商品会话页面的会话行为特征以及业务关注倾向。
本实施例中，网络权重更新的训练是按照训练单元进行的，在本公开实施例中，每一训练单元即一次完整的会话发起流程，也即一个标注数据集，一个标注数据集中包括会话发起流程中每一电商商品会话页面的会话行为特征以及最终的业务关注倾向。
例如，假设样本用户在当前业务节点A发起会话任务，电商商品会话页面为1，会话行为特征记为X1，目标会话任务为C，样本用户在会话发起流程中如果持续更新业务关注倾向，当样本用户跳转到会话任务B时，对应的电商商品会话页面为n，会话行为特征记为Xn，若在整个会话发起流程中电商商品会话页面的个数为T，则该标注数据集可记为｛X1，X2，…，Xn，..，XT｝，其中n和T均为正整数，且n小于T。
步骤S202，将每一电商商品会话页面的会话行为特征输入至待训练的业务关注倾向预测模型的预测网络层，获得预测网络层输出的每一电商商品会话页面的业务关注倾向的分类结果信息。
本公开实施例的预测网络层基于策略梯度算法的思想，输出的是训练特征下执行各种预测结果的概率值，即每一电商商品会话页面的会话行为特征下的业务关注倾向的分类结果信息
例如，可以向预测网络层输入第n个电商商品会话页面的会话行为特征Xn，预测网络层输出第n个电商商品会话页面的业务关注倾向为业务关注倾向n1的概率，业务关注倾向n2的概率，…，业务关注倾向nm的概率，其中业务关注倾向nm表示业务关注倾向n的第m种预测值。此时的神经网络输出层的作用类似于多分类问题的步骤Softmax回归，输出的是一个分类结果信息，只不过这里的分类结果信息不是用来进行分类。
步骤S203，根据业务关注倾向的分类结果信息进行筛选，获得每一电商商品会话页面的预测业务关注倾向。
本实施例中，通过根据业务关注倾向的分类结果信息进行随机筛选，将筛选值作为每一电商商品会话页面的预测业务关注倾向，本公开实施例训练的目的就是通过调整预测网络层的网络权重，使得业务关注倾向的筛选信息能够尽可能接近或等于使得每一步的模型权重指标信息最优的业务关注倾向。
步骤S204，根据业务关注倾向以及每一电商商品会话页面的过往预测业务关注倾向集输入模型权重指标层，获得模型权重指标层输出的每一电商商品会话页面的模型权重指标信息。
步骤S205，根据每一电商商品会话页面的模型权重指标信息以及预测业务关注倾向的分类结果信息，对预测网络层的网络权重进行权重更新，将训练完成的预测网络层作为目标业务关注倾向预测模型。
例如，步骤步骤S205进一步包括：
根据每一电商商品会话页面之后的所有电商商品会话页面的模型权重指标信息之和，获得每一电商商品会话页面的总计模型权重指标信息。
根据每一电商商品会话页面的总计模型权重指标信息以及业务关注倾向的分类结果信息，通过梯度下降法对预测网络层的网络权重进行权重更新。
在上述各实施例的基础上，一种实施例中，根据业务关注倾向以及每一电商商品会话页面的过往预测业务关注倾向集输入模型权重指标层，获得模型权重指标层输出的每一电商商品会话页面的模型权重指标信息，包括：
步骤S301，将每一电商商品会话页面的预测业务关注倾向与业务关注倾向输入至模型权重指标层，获得模型权重指标层输出的每一电商商品会话页面的预测业务关注倾向的决策精度模型权重指标信息；决策精度模型权重指标信息用于表征每一电商商品会话页面的预测业务关注倾向的预测精度；
本公开实施例在计算模型权重指标信息的过程中，将模型权重指标信息分为了用于表征每一电商商品会话页面的预测业务关注倾向的预测精度的决策精度模型权重指标信息和用于表征每一电商商品会话页面的预测业务关注倾向相对于过往预测业务关注倾向集的变化趋势信息的趋势模型权重指标信息。
对于决策精度模型权重指标信息而言，其是根据每一电商商品会话页面的预测业务关注倾向和业务关注倾向进行评价，例如：
步骤S301a，根据每一电商商品会话页面对应的会话跳转信息以及业务关注倾向，确定每一电商商品会话页面的已处理会话任务的实际倾向，由于每一电商商品会话页面对应的会话跳转信息是标注数据集采集记录的，而业务关注倾向中记录了实际关注的倾向偏好，因此根据上述两个信息就可以获得已处理会话任务的实际倾向。
步骤S301b，确定每一电商商品会话页面的预测业务关注倾向与已处理会话任务的实际倾向的差值，根据差值获得每一电商商品会话页面的决策精度模型权重指标信息。
由于实际倾向与预测业务关注倾向的差值越小意味着业务关注倾向的决策精度越高，因此本公开实施例可以根据不同的范围来确定不同差值的决策精度模型权重指标信息，例如差值在0-1分钟模型权重指标信息为1，差值大于1分钟模型权重指标信息为0，所以上述第t电商商品会话页面的决策精度模型权重指标信息为0。需要注意的是，本公开对于范围的数量以及不同范围对应的模型权重指标信息的具体数值不作具体的限定。
步骤S302，将每一电商商品会话页面的预测业务关注倾向与过往预测业务关注倾向集输入至模型权重指标层，获得模型权重指标层输出的每一电商商品会话页面的趋势模型权重指标信息；趋势模型权重指标信息用于表征每一电商商品会话页面的预测业务关注倾向相对于过往预测业务关注倾向集的变化趋势信息。
本公开在评价业务关注倾向预测决策精度的同时，还进一步需要对业务关注倾向集的变化趋势信息进行评价。例如：
步骤S302a，对于每一电商商品会话页面相关的至少一个电商商品会话页面中的任意一个电商商品会话页面，确定任意一个电商商品会话页面与任意一个电商商品会话页面相邻的前一个电商商品会话页面的预测业务关注倾向间的大小关系。
步骤S302b，若确定任意一个电商商品会话页面的预测业务关注倾向大于任意一个电商商品会话页面相邻的前一个电商商品会话页面的预测业务关注倾向，则任意一电商商品会话页面的趋势模型权重分量指标为第一预设值；若确定任意一个电商商品会话页面的预测业务关注倾向不大于任意一个电商商品会话页面相邻的前一个电商商品会话页面的预测业务关注倾向，则每一电商商品会话页面的趋势模型权重分量指标为第二预设值，第一预设值小于第二预设值。
步骤S302c，根据每一电商商品会话页面相关的至少一个电商商品会话页面中的所有电商商品会话页面的趋势模型权重分量指标，获得每一电商商品会话页面的趋势模型权重指标信息。
步骤S303，结合每一电商商品会话页面的决策精度模型权重指标信息和趋势模型权重指标信息，获得每一电商商品会话页面的模型权重指标信息。
也就是说，在计算趋势模型权重指标信息时，对于每一电商商品会话页面，首先确定任意两个相邻电商商品会话页面的预测业务关注倾向间的大小关系，例如，若计算第5电商商品会话页面的趋势模型权重指标信息，则分别确定业务关注倾向5和业务关注倾向4间的大小关系，业务关注倾向4和业务关注倾向3间的大小关系，业务关注倾向3和业务关注倾向2间的大小关系，业务关注倾向2和业务关注倾向1间的大小关系，其中业务关注倾向n表示第n电商商品会话页面的预测业务关注倾向。
若确定业务关注倾向5大于业务关注倾向4，则业务关注倾向5的趋势模型权重分量指标为0，若确定业务关注倾向5小于业务关注倾向4，则业务关注倾向5的趋势模型权重分量指标为1。需要注意的是，本公开实施例对于趋势模型权重分量指标的具体数值不作具体限定。基于相同的计算方式，若计算出业务关注倾向2~业务关注倾向4的趋势模型权重分量指标为0，1和1，那么第5电商商品会话页面的趋势模型权重分量指标可以为0+1+1+1=3。当然，除了以对所有电商商品会话页面的趋势模型权重分量指标求和的方式计算趋势模型权重指标信息，本公开实施例还可以对求和结果进一步求取平均值的方式作为趋势模型权重指标信息，还可以以加权求和再平均的方式计算趋势模型权重指标信息，本公开实施例对于根据每一电商商品会话页面相关的至少一个电商商品会话页面中的所有电商商品会话页面的趋势模型权重分量指标，获得每一电商商品会话页面的趋势模型权重指标信息的具体方式不作具体的限定。
在上述各实施例的基础上，对预测网络层的网络权重进行权重更新，包括：
步骤S401，将预测网络层的所有网络权重划分为第一分类网络权重和第二分类网络权重，第一分类网络权重和第二分类网络权重中不存在相同的网络权重；
步骤S402，根据会话行为特征生成会话行为卷积特征；
步骤S403，根据会话行为卷积特征与第一分类网络权重的内积拟合正态分布的均值，根据会话行为卷积特征与第二分类网络权重的内积拟合正态分布的标准差，以完成对预测网络层的网络权重的训练。
在上述各实施例的基础上，本公开实施例的会话行为特征还可以包括当前电商商品会话页面相关的各电商商品会话页面的业务关注倾向。通过将每一电商商品会话页面相关的各电商商品会话页面的业务关注倾向也作为会话行为特征，使得业务关注倾向预测模型在预测过程中能够重复学习各电商商品会话页面的业务关注倾向的动态变化信息，从而提升业务关注倾向预测的精度。
由于每一电商商品会话页面相关的各电商商品会话页面是不断变化的，因此每一电商商品会话页面的各电商商品会话页面的业务关注倾向在作为会话行为特征后的会话行为卷积特征也不再是定长的向量，在这种情况下不再适用上述线性的预测网络层，而可以适用更复杂的模型，例如循环神经网络，长短期记忆网络等，但不限制于此。
例如，本公开另一个实施例提供的待训练的业务关注倾向预测模型的结构描述，业务关注倾向预测模型的输入层用于接收输入的标注数据集的会话行为特征和业务关注倾向，会话行为特征包括以每一电商商品会话页面的会话跳转信息以及已处理会话任务的会话任务特征，还可以包括每一电商商品会话页面相关的各电商商品会话页面的业务关注倾向；
业务关注倾向预测模型可以利用业务关注倾向预测层以每一步的会话行为特征为输入，输出每一电商商品会话页面的预测业务关注倾向，具体的，特征提取层提取会话行为特征以及业务关注倾向的会话行为卷积特征，进而通过分类结果信息获取层对会话行为特征的会话行为卷积特征进行处理，获得每一电商商品会话页面的业务关注倾向的分类结果信息，再通过筛选层根据每一电商商品会话页面的业务关注倾向的分类结果信息进行随机采用，获得每一电商商品会话页面的预测业务关注倾向。
通过模型权重指标确定层以业务关注倾向以及预测业务关注倾向作为输入，获得每一电商商品会话页面的模型权重指标信息，例如：通过准确奖励计算层以每一电商商品会话页面的预测业务关注倾向与业务关注倾向的会话行为卷积特征为输入，输出电商商品会话页面的预测业务关注倾向的决策精度模型权重指标信息；并且还通过信息融合层根据每一电商商品会话页面的预测业务关注倾向获得每一电商商品会话页面的过往预测业务关注倾向集，每一电商商品会话页面的过往预测业务关注倾向集包括根据电商商品会话页面顺序依次排列的，该电商商品会话页面相关的至少一个电商商品会话页面的预测业务关注倾向，进一步通过趋势模型权重指标层以每一电商商品会话页面的预测业务关注倾向与过往预测业务关注倾向集为输入，输出每一电商商品会话页面的趋势模型权重指标信息，最后通过融合网络层根据结合每一电商商品会话页面的决策精度模型权重指标信息和趋势模型权重指标信息，获得每一电商商品会话页面的模型权重指标信息。
在此基础上，可以通过隐含层根据每一电商商品会话页面的模型权重指标信息以及预测业务关注倾向的分类结果信息对业务关注倾向预测层中的网络权重进行调节，例如，以每一电商商品会话页面之后的所有电商商品会话页面的模型权重指标信息为输入，通过求和的方式获得每一电商商品会话页面的总计模型权重指标信息，之后每一电商商品会话页面的总计模型权重指标信息以及业务关注倾向的分类结果信息，通过梯度下降法对业务关注倾向预测层中的网络权重进行权重更新。在进行人工智能训练完成后，保留输入层和业务关注倾向预测层即可获得训练完成的业务关注倾向预测模型。
譬如，基于同一发明构思，本公开实施例提供了一种业务关注倾向的训练方法，包括：
步骤S501，获取至少一个标注数据集，标注数据集包括一次历史会话发起流程中每一电商商品会话页面的会话行为特征以及业务关注倾向。
步骤S502，将标注数据集中每一电商商品会话页面的会话行为特征输入至待训练的业务关注倾向预测模型的预测网络层，获得预测网络层输出的每一电商商品会话页面的业务关注倾向的分类结果信息。
步骤S503，根据业务关注倾向的分类结果信息进行筛选，获得每一电商商品会话页面的预测业务关注倾向。
步骤S504，根据标注数据集中的业务关注倾向以及每一电商商品会话页面的过往预测业务关注倾向集输入模型权重指标层，获得模型权重指标层输出的每一电商商品会话页面的模型权重指标信息。
步骤S505，根据所述每一电商商品会话页面的模型权重指标信息以及预测业务关注倾向的分类结果信息，对预测网络层的网络权重进行权重更新，将训练完成的预测网络层作为目标业务关注倾向预测模型。
一种实施例中，本公开实施例还提供一种基于人工智能的内容推荐方法，该方法可以包括以下步骤：
步骤A110，根据指定电商服务对象在当前电商商品会话页面的业务关注倾向，获取指定电商服务对象的频繁操作项大数据，通过兴趣点挖掘策略对频繁操作项大数据进行兴趣点挖掘，得到频繁操作项大数据中会话服务流程的兴趣点挖掘数据。
步骤A120，基于会话服务流程的兴趣点挖掘数据进行会话主题分布矩阵分析，得到会话服务流程的目标会话主题分布矩阵。
步骤A130，基于机器学习模型对频繁操作项大数据进行加权有向操作业务图解析，得到会话服务流程的加权有向操作业务图。
步骤A140，将频繁操作项大数据中会话服务流程的目标会话主题分布矩阵与会话服务流程的加权有向操作业务图进行会话兴趣路径匹配，得到会话服务流程的会话兴趣路径匹配信息，并基于会话服务流程的会话兴趣路径匹配信息对频繁操作项大数据进行关键兴趣对象提取，得到会话服务流程的关键兴趣对象集，其中，所述关键兴趣对象集用于进行电商内容推荐。
本实施例中，兴趣点挖掘策略可以理解为在需要使用到的兴趣点挖掘的功能模块，进而执行此操作。关于具体兴趣点挖掘的功能模块的操作可以参见后续针对步骤A110的详细描述。
本实施例中，频繁操作项大数据可以理解为频繁项算法进行生成的各个会话服务流程所生成的数据集。会话服务流程可以是指频繁操作项大数据下形成的某个会话流程。
本实施例中，会话主题分布矩阵可以用于表征针对各个会话服务流程所对应的会话主题的热力分布信息，加权有向操作业务图可以用于描述在业务操作过程中针对各个操作业务的操作业务关系信息。
本实施例通过会话兴趣路径匹配会话服务流程的目标会话主题分布矩阵与会话服务流程的加权有向操作业务图，以综合会话服务流程的兴趣点挖掘数据与会话服务流程的加权有向操作业务图，提取到丰富的会话服务流程的开放主题关系，从而便于在关键兴趣对象挖掘过程中基于开放主题的关系进行高效地关键兴趣对象挖掘；另外，通过会话服务流程的目标会话主题分布矩阵，对会话服务流程进行关键兴趣对象提取，得到会话服务流程的关键兴趣对象集，从而便于后续进行内容推荐，提高推送精度。
接下来将对本申请实施例的一些可替代的实施方式进行说明，应当理解在接下来的实施例的描述中仅为示例，不应理解为实现本方案所必不可少的技术特征。
一种实施例中，针对步骤A110而言，在通过兴趣点挖掘策略对频繁操作项大数据进行兴趣点挖掘，得到频繁操作项大数据中会话服务流程的兴趣点挖掘数据的过程中，可以通过以下示例性的子步骤来实现，详细描述如下。
子步骤A111，获取频繁操作项大数据中的每个频繁操作项数据的商品会话服务所生成的操作行为更新片段序列。
本实施例中，值得说明的是，操作行为更新片段序列包括以每个电商商品标签为一操作对象的操作行为更新片段，操作行为更新片段包括该电商商品标签的操作触发信息、操作触发结果以及该电商商品标签内的操作变更日志。
子步骤A112，针对每个电商商品标签，根据每个频繁操作项数据在该电商商品标签的操作变更日志中的多个变更单位日志中的每一个变更单位日志，根据该变更单位日志中操作业务记录信息的记录标识，确定该变更单位日志中每个操作业务记录信息是否为关键操作业务记录，根据该变更单位日志中关键操作业务记录的记录类别，确定该变更单位日志对应的每个会话服务数据包的会话兴趣信息，针对每个会话服务数据包的会话兴趣信息，将该会话服务数据包的会话兴趣信息划分为多个子会话兴趣信息，根据每个子会话兴趣信息内各操作业务记录信息的兴趣来源及预设的兴趣来源范围，确定会话服务数据包的会话兴趣信息是否为目标预设合法兴趣来源的会话兴趣信息。
其中，值得说明的是，每个操作业务记录信息对应于每个操作变更行为。
子步骤A113，获取预设兴趣描述策略匹配目标预设合法兴趣来源的会话兴趣信息内每个操作业务记录信息的兴趣描述特征信息，兴趣描述特征信息包括兴趣描述捕捉信息和兴趣描述应用信息，预设兴趣描述策略包括不同兴趣描述方式所对应的描述策略。
子步骤A114，根据操作行为更新片段序列中的各个不同电商商品标签的每个操作变更日志的兴趣描述特征信息确定每个兴趣描述的动态场景属性的动态属性信息和每个静态场景属性的静态属性信息，并根据目标预设合法兴趣来源的会话兴趣信息内每个兴趣描述的动态场景属性的动态属性信息和每个静态场景属性的静态属性信息，确定每个频繁操作项数据在该电商商品标签的兴趣描述标签对象，将位于兴趣描述标签对象的兴趣描述的描述范围内的兴趣点信息以及位于兴趣描述标签对象的兴趣描述的描述范围外而关联于兴趣描述标签对象的兴趣描述的描述范围的兴趣点信息作为每个频繁操作项数据在该电商商品标签内的兴趣点信息后，将每个频繁操作项数据在所有电商商品标签内的兴趣点信息进行汇总后，得到频繁操作项大数据中会话服务流程的兴趣点挖掘数据。
譬如，静态场景属性是指在整个操作过程中其值保持不变的场景属性。又例如，动态场景属性是指在整个操作过程中其值变化的场景属性。
一种实施例中，针对步骤A120而言，在基于会话服务流程的兴趣点挖掘数据进行会话主题分布矩阵分析，得到会话服务流程的目标会话主题分布矩阵的过程中，可以通过以下示例性的子步骤来实现，详细描述如下。
子步骤A121，获取会话服务流程的兴趣点挖掘数据中的每个兴趣点信息的关联主题信息上标注的主题嵌入向量序列的主题嵌入向量引用信息，并确定与主题嵌入向量引用信息对应的第一主题参与行为集。
值得说明的是，主题嵌入向量引用信息包括根据主题嵌入向量序列的主题向量输入信息和主题向量输出信息所确定出的主题向量计算关系信息的嵌入向量信息，第一主题参与行为集包括嵌入向量信息的多个主题参与行为优先级的高低顺序。
子步骤A122，确定每个兴趣点信息的关联主题信息基于主题向量输入信息的第一主题向量分量和基于主题向量输出信息的第二主题向量分量。
子步骤A123，根据第一主题向量分量和第二主题向量分量的主题参与行为优先级关系确定用于对第一主题参与行为集进行K最近邻算法分析的第一分析信息。
子步骤A124，基于第一分析信息对第一主题参与行为集进行K最近邻算法分析获得第二主题参与行为集。
子步骤A125，对第二主题参与行为集进行主题活跃类别分簇得到多个主题活跃类别分簇集，对每个主题活跃类别分簇集进行特征提取得到主题活跃类别分簇特征。
子步骤A126，根据第二主题参与行为集对应的多个主题活跃类别分簇特征所对应的会话主题分布矩阵，确定为每个兴趣点信息的会话主题分布矩阵。
子步骤A127，基于每个兴趣点信息的会话主题分布矩阵获得会话服务流程的目标会话主题分布矩阵。
进一步地，一种实施例中，针对步骤A130而言，在基于机器学习模型对频繁操作项大数据进行加权有向操作业务图解析，得到会话服务流程的加权有向操作业务图的过程中，可以通过以下示例性的子步骤来实现，详细描述如下。
子步骤A131，将频繁操作项大数据输入到预设的机器学习模型中，获得频繁操作项大数据匹配于每个预设有向业务节点的匹配度。
子步骤A132，根据频繁操作项大数据匹配于每个预设有向业务节点的匹配度确定频繁操作项大数据对应的目标有向业务节点。
譬如，可以将匹配度大于预设匹配度阈值的预设有向业务节点确定为频繁操作项大数据对应的目标有向业务节点。
子步骤A133，从频繁操作项大数据对应的目标有向业务节点的有向业务图信息中提取匹配于每个会话服务流程的加权有向操作业务图。
一种实施例中，针对步骤A140而言，在将频繁操作项大数据中会话服务流程的目标会话主题分布矩阵与会话服务流程的加权有向操作业务图进行会话兴趣路径匹配，得到会话服务流程的会话兴趣路径匹配信息的过程中，可以通过以下示例性的子步骤来实现，详细描述如下。
子步骤A141，将会话服务流程的目标会话主题分布矩阵和加权有向操作业务图添加到会话兴趣路径匹配网络中，从会话兴趣路径匹配网络中确定出各预设会话业务路径所对应会话服务流程的目标会话主题分布矩阵和加权有向操作业务图的路径对应信息。
子步骤A142，依据各不同路径对应信息中预设会话业务路径之间的路径关系的兴趣来源对各路径对应信息进行分簇，得到至少一个路径对应信息分簇。
本实施例中，同一路径对应信息分簇中任意两个路径对应信息中的预设会话业务路径的路径关系的兴趣来源覆盖预设兴趣来源范围。
子步骤A143，针对每一路径对应信息分簇，基于该路径对应信息分簇中各路径对应信息，从会话兴趣路径匹配网络中确定该路径对应信息分簇针对会话服务流程的目标会话主题分布矩阵和加权有向操作业务图对应的单位路径匹配信息。
本实施例中，单位路径匹配信息至少包括路径对应信息分簇中各路径对应信息针对会话服务流程的目标会话主题分布矩阵和加权有向操作业务图的每个主题跳转关系的特征信息数据，单位路径匹配信息用于确定该路径对应信息分簇中各路径对应信息中的预设会话业务路径对应会话服务流程的目标会话主题分布矩阵和加权有向操作业务图的主题关系的主题输出信息。
子步骤A144，基于单位路径匹配信息确定该路径对应信息分簇中各路径对应信息中的预设会话业务路径对应的主题关系的主题输出信息，对主题关系的主题输出信息进行路径匹配得到路径匹配信息，根据路径匹配信息，得到会话服务流程的会话兴趣路径匹配信息。
示例性地，在一种可能的示例中，对于子步骤A144而言，在基于单位路径匹配信息确定该路径对应信息分簇中各路径对应信息中的预设会话业务路径对应的主题关系的主题输出信息的过程中，可以通过以下可替代的实施方式来实现。
子步骤A1441，确定单位路径匹配信息的主题规则信息和主题访问类别，根据历史路径对象集中的多个路径对象，确定多个主题访问组合，根据每个主题访问组合中各个路径对象在主题规则信息内与主题访问类别的主题参数，进行主题潜在扩展特征挖掘，得到分别与多个主题访问组合对应的多个主题潜在扩展特征挖掘结果，并将每个主题潜在扩展特征挖掘结果对应的主题访问组合的访问附属参数作为每个主题潜在扩展特征挖掘结果的主题访问附属参数。
子步骤A1442，基于多个主题潜在扩展特征挖掘结果，分别获取在主题规则信息内确定与主题访问类别对应的各路径对应信息的主题路径规则，得到多个主题路径规则，根据每个主题潜在扩展特征挖掘结果的主题访问附属参数，对基于多个主题潜在扩展特征挖掘结果获取到的多个主题路径规则进行整合，得到第一主题路径规则集。
其中，值得说明的是，每个主题访问组合中任两个路径对象之间的访问附属参数相同，且不同主题访问组合对应的访问附属参数不同，每个主题潜在扩展特征挖掘结果用于确定在任一设定业务区间内与主题访问类别对应的各路径对应信息中的预设会话业务路径对应的共同开放主题信息，主题潜在扩展特征挖掘结果通过根据历史路径对象集进行主题潜在扩展特征挖掘后得到。
子步骤A1443，根据历史路径对象集和主题访问类别对应的多个预设会话业务路径的共同开放主题信息，获取多个预设会话业务路径在主题规则信息内与主题访问类别的之间的开放主题结果，将多个预设会话业务路径对应的开放主题结果的对应的目标节点作为第二主题路径规则。
子步骤A1444，比对第一主题路径规则集与第二主题路径规则的主题路径相关信息，根据主题路径相关信息以及每个预设会话业务路径的共同开放主题信息确定每个预设会话业务路径对应的主题关系的主题输出信息。
譬如，在一种可替代的实施例中，对于子步骤A1444，可以通过以下实施例来实现。
（1）基于主题路径相关信息确定每个预设会话业务路径对应的电商互动场景的邀请场景属性信息，通过每个预设会话业务路径的共同开放主题信息在对应的路径对应信息中的主题匹配关系确定每个预设会话业务路径的会话场景主题匹配信息。
（2）提取邀请场景属性信息对应的第一会话主题分布矩阵序列以及会话场景主题匹配信息对应的第二会话主题分布矩阵序列，并确定第一会话主题分布矩阵序列和第二会话主题分布矩阵序列中分别包括的若干个具有不同的会话主题特征片段的目标分布信息。
其中，目标分布信息可以理解为第一会话主题分布矩阵序列和第二会话主题分布矩阵序列中的存在关联关系的会话主题分布矩阵构成的分布㤈。
（3）在第一会话主题分布矩阵序列的分布路径属性和第二会话主题分布矩阵序列的分布路径属性相同的前提下，获得邀请场景属性信息在第一会话主题分布矩阵序列的任一目标分布信息的引用关系信息，并行地将第二会话主题分布矩阵序列中具有最小会话主题特征片段的目标分布信息确定为更新目标分布信息。
（4）基于每个预设会话业务路径的提取策略，将引用关系信息添加到更新目标分布信息，在更新目标分布信息中确定出与引用关系信息对应的数据字典信息。
（5）通过引用关系信息和数据字典信息之间的引用关系字典对象，生成邀请场景属性信息和会话场景主题匹配信息之间的匹配节点。
（6）以数据字典信息为参考信息在更新目标分布信息中获取目标参考分布信息，根据匹配节点对应的多个匹配业务路径，将目标参考分布信息添加到引用关系信息所在目标分布信息，以在引用关系信息所在目标分布信息中得到目标参考分布信息对应的主题抽象类结果，并根据参考信息确定主题抽象类结果为主题编辑信息。
（7）确定将引用关系信息添加到更新目标分布信息时对应的路径关系结果。
（8）根据主题抽象类结果与路径关系结果中的多个路径关系溯源节点对应的路径关系特征标签之间的关联度，在第二会话主题分布矩阵序列中按照时序权重的由大到小的顺序依次获取主题编辑信息对应的主题程序编码标签，直至获取到的主题程序编码标签所在目标分布信息的软件框架更新节点数量与主题编辑信息在第一会话主题分布矩阵序列中的软件框架更新节点数量一致时，停止获取下一目标分布信息中的主题程序编码标签，并建立主题编辑信息与最后一次获取到的主题程序编码标签之间的溯源关联信息，基于溯源关联信息确定每个预设会话业务路径对应的主题关系的主题输出信息。
一种实施例中，仍旧针对步骤A140，在基于会话服务流程的会话兴趣路径匹配信息对频繁操作项大数据进行关键兴趣对象提取，得到会话服务流程的关键兴趣对象集的过程中，可以通过以下示例性的子步骤来实现，详细描述如下。
子步骤A145，获取会话服务流程在频繁操作项大数据下的关键兴趣对象提取信息。
子步骤A146，获取关键兴趣对象提取信息下的关键兴趣对象以及每个关键兴趣对象对应的主题兴趣路径信息。
子步骤A147，将会话服务流程的会话兴趣路径匹配信息覆盖配置于每个关键兴趣对象对应的主题兴趣路径信息下，得到会话服务流程的关键兴趣对象集。
譬如，一种实施例中，在步骤A140之后，还可以包括以下步骤：
步骤A150，获取基于不同会话服务流程的关键兴趣对象集获得的推荐内容数据集合。
步骤A160，获取推荐内容数据集合的推荐内容知识图谱中的多个知识图谱实体的实体属性信息。
本实施例中，每个知识图谱实体可以用于表示推荐内容数据集合在推送过程中需要被执行的一个或者多个推送任务，且每个知识图谱实体所表示的推送任务的推荐时序信息需要更新。
本实施例中，任一知识图谱实体的实体属性信息用于反映任一知识图谱实体和其它知识图谱实体之间的关联关系。
步骤A170，根据各知识图谱实体的实体属性信息，将至少两个知识图谱实体聚类为目标聚类实体集。
本实施中，目标聚类实体集用于指示对被聚类的知识图谱实体所表示的推送任务的推荐时序信息进行更新。
步骤A180，采用目标聚类实体集更新推荐内容知识图谱，并将更新后的推荐内容知识图谱发送至信息推送服务。
本实施中，更新后的推荐内容知识图谱可以用于指示信息推送服务按照目标聚类实体集的指示，在推荐内容数据集合的推送过程中对被聚类的知识图谱实体所表示的推送任务的推荐时序信息进行更新，并输出更新结果。
详细的，在一些可能的实现方式中，推荐时序信息可以依据实际软件功能的需求进行配置，具体可以自定义，或者参照现有技术中的常规测试任务即可，在此不做限定。此外，信息推送服务具体的测试逻辑可以参照推荐时序信息进行自适应性配置，具体测试的内容和形式不是本申请实施例旨在解决的技术问题，此处不作详细描述。
基于上述步骤，本实施例可先根据推荐内容数据集合的推荐内容知识图谱中的多个知识图谱实体的实体属性信息，将至少两个知识图谱实体聚类为目标聚类实体集，该目标聚类实体集用于指示对被聚类的知识图谱实体所表示的推送任务的推荐时序信息进行更新。然后，可采用目标聚类实体集更新推荐内容知识图谱，并将更新后的推荐内容知识图谱发送至信息推送服务，使得信息推送服务在测试推荐内容数据集合的过程中，可按照目标聚类实体集的指示对被聚类的知识图谱实体所表示的推送任务的推荐时序信息进行更新，从而提高推送精度和推送针对性。
图3为本公开实施例提供的基于人工智能的业务关注倾向预测装置300的功能模块示意图，下面分别对该基于人工智能的业务关注倾向预测装置300的各个功能模块的功能进行详细阐述。
获取模块310，用于获取指定电商服务对象在当前电商商品会话页面的会话行为特征。会话行为特征包括当前电商商品会话页面对应的会话跳转信息、已处理会话任务的会话任务特征以及当前电商商品会话页面相关的各电商商品会话页面的业务关注倾向。
获得模块320，用于将指定电商服务对象在当前电商商品会话页面的会话行为特征输入至预先训练的业务关注倾向预测模型，获得业务关注倾向预测模型输出的指定电商服务对象在当前电商商品会话页面的业务关注倾向。
其中，业务关注倾向预测模型在进行人工智能训练时的模型权重指标的指标依据包括标注数据集的标注业务关注倾向以及每一电商商品会话页面的过往预测业务关注倾向集，模型权重指标的输出用于表征对每一电商商品会话页面的预测业务关注倾向的决策精度的评估信息。 过往预测业务关注倾向集包括每一电商商品会话页面相关的至少一个电商商品会话页面的预测业务关注倾向。每一电商商品会话页面的预测业务关注倾向是根据业务关注倾向预测模型的预测网络层在网络权重更新过程中根据每一电商商品会话页面的会话行为特征预测出的业务关注倾向的分类结果信息获得的。
图4示出了本公开实施例提供的用于实现上述的基于人工智能的业务关注倾向预测方法的人工智能云系统100的硬件结构示意图，如图4所示，人工智能云系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。
在具体实现过程中，至少一个处理器110执行机器可读存储介质120存储的计算机执行指令，使得处理器110可以执行如上方法实施例的基于人工智能的业务关注倾向预测方法，处理器110、机器可读存储介质120以及通信单元140通过总线130连接，处理器110可以用于控制通信单元140的收发动作，从而可以与前述的智慧在线服务终端200进行数据收发。
处理器110的具体实现过程可参见上述人工智能云系统100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
此外，本公开实施例还提供一种可读存储介质，所述可读存储介质中预设有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上基于人工智能的业务关注倾向预测方法。
最后，应当理解的是，本说明书中实施例仅用以说明本说明书实施例的原则。其它的变形也可能属于本说明书范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导匹配。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (10)

1.一种基于人工智能的业务关注倾向预测方法，其特征在于，应用于人工智能云系统，所述人工智能云系统与所述多个智慧在线服务终端通信连接，所述方法包括：
获取指定电商服务对象在当前电商商品会话页面的会话行为特征；所述会话行为特征包括所述当前电商商品会话页面对应的会话跳转信息、已处理会话任务的会话任务特征以及所述当前电商商品会话页面相关的各电商商品会话页面的业务关注倾向；
将所述指定电商服务对象在当前电商商品会话页面的会话行为特征输入至预先训练的业务关注倾向预测模型，获得所述业务关注倾向预测模型输出的所述指定电商服务对象在所述当前电商商品会话页面的业务关注倾向；
其中，所述业务关注倾向预测模型在进行人工智能训练时的模型权重指标的指标依据包括标注数据集的标注业务关注倾向以及每一电商商品会话页面的过往预测业务关注倾向集，所述模型权重指标的输出用于表征对所述每一电商商品会话页面的预测业务关注倾向的决策精度的评估信息； 所述过往预测业务关注倾向集包括所述每一电商商品会话页面相关的至少一个电商商品会话页面的预测业务关注倾向；所述每一电商商品会话页面的预测业务关注倾向是根据所述业务关注倾向预测模型的预测网络层在网络权重更新过程中根据所述每一电商商品会话页面的所述会话行为特征预测出的业务关注倾向的分类结果信息获得的。
2.根据权利要求1所述的基于人工智能的业务关注倾向预测方法，其特征在于，所述将所述指定电商服务对象在当前电商商品会话页面的会话行为特征输入至预先训练的业务关注倾向预测模型，获得所述业务关注倾向预测模型输出的所述当前电商商品会话页面的业务关注倾向，包括：
对所述当前电商商品会话页面的会话行为特征进行卷积特征提取，获得当前电商商品会话页面的会话行为卷积特征；
将所述当前电商商品会话页面的会话行为卷积特征输入至所述预测网络层，获得所述预测网络层输出的当前电商商品会话页面的业务关注倾向的分类结果信息；
根据所述当前电商商品会话页面的业务关注倾向的分类结果信息进行筛选，基于筛选信息，得到当前电商商品会话页面的业务关注倾向。
3.根据权利要求1所述的基于人工智能的业务关注倾向预测方法，其特征在于，所述目标业务关注倾向预测模型通过以下步骤进行配置：
获取所述标注数据集的每一电商商品会话页面的会话行为特征以及业务关注倾向；
将所述每一电商商品会话页面的会话行为特征输入至待训练的业务关注倾向预测模型的预测网络层，获得所述预测网络层输出的所述每一电商商品会话页面的业务关注倾向的分类结果信息；
根据所述业务关注倾向的分类结果信息进行筛选，获得所述每一电商商品会话页面的预测业务关注倾向；
根据所述业务关注倾向以及每一电商商品会话页面的过往预测业务关注倾向集输入所述模型权重指标层，获得所述模型权重指标层输出的所述每一电商商品会话页面的模型权重指标信息；
根据所述每一电商商品会话页面的模型权重指标信息以及预测业务关注倾向的分类结果信息，对所述预测网络层的网络权重进行权重更新，将训练完成的预测网络层作为目标业务关注倾向预测模型。
4.根据权利要求3所述的基于人工智能的业务关注倾向预测方法，其特征在于，所述根据所述业务关注倾向以及每一电商商品会话页面的过往预测业务关注倾向集输入所述模型权重指标层，获得所述模型权重指标层输出的所述每一电商商品会话页面的模型权重指标信息，包括：
将所述每一电商商品会话页面的预测业务关注倾向与所述业务关注倾向输入至所述模型权重指标层，获得所述模型权重指标层输出的所述每一电商商品会话页面的预测业务关注倾向的决策精度模型权重指标信息；所述决策精度模型权重指标信息用于表征所述每一电商商品会话页面的预测业务关注倾向的预测精度；
将所述每一电商商品会话页面的预测业务关注倾向与过往预测业务关注倾向集输入至所述模型权重指标层，获得所述模型权重指标层输出的所述每一电商商品会话页面的趋势模型权重指标信息；所述趋势模型权重指标信息用于表征所述每一电商商品会话页面的预测业务关注倾向相对于所述过往预测业务关注倾向集的变化趋势信息；
结合所述每一电商商品会话页面的决策精度模型权重指标信息和趋势模型权重指标信息，获得所述每一电商商品会话页面的模型权重指标信息；
其中，所述每一电商商品会话页面的趋势模型权重指标信息通过以下方式获得：
对于所述每一电商商品会话页面相关的至少一个电商商品会话页面中的任意一个电商商品会话页面，确定所述任意一个电商商品会话页面与所述任意一个电商商品会话页面相邻的前一个电商商品会话页面的预测业务关注倾向间的大小关系；
若确定所述任意一个电商商品会话页面的预测业务关注倾向大于所述任意一个电商商品会话页面相邻的前一个电商商品会话页面的预测业务关注倾向，则所述任意一电商商品会话页面的趋势模型权重分量指标为第一预设值；
若确定所述任意一个电商商品会话页面的预测业务关注倾向不大于所述任意一个电商商品会话页面相邻的前一个电商商品会话页面的预测业务关注倾向，则所述每一电商商品会话页面的趋势模型权重分量指标为第二预设值，所述第一预设值小于所述第二预设值；
根据所述每一电商商品会话页面相关的至少一个电商商品会话页面中的所有电商商品会话页面的趋势模型权重分量指标，获得所述每一电商商品会话页面的趋势模型权重指标信息；
其中，所述每一电商商品会话页面的决策精度模型权重指标信息通过以下方式获得：
根据所述每一电商商品会话页面对应的会话跳转信息以及所述业务关注倾向，确定所述每一电商商品会话页面的已处理会话任务的实际倾向；
确定所述每一电商商品会话页面的预测业务关注倾向与所述已处理会话任务的实际倾向的差值，根据所述差值获得所述每一电商商品会话页面的决策精度模型权重指标信息。
5.根据权利要求3所述的基于人工智能的业务关注倾向预测方法，其特征在于，所述根据所述每一电商商品会话页面的模型权重指标信息以及预测业务关注倾向的分类结果信息，对所述预测网络层的网络权重进行权重更新，包括：
根据所述每一电商商品会话页面之后的所有电商商品会话页面的模型权重指标信息之和，获得所述每一电商商品会话页面的总计模型权重指标信息；
根据所述每一电商商品会话页面的总计模型权重指标信息以及业务关注倾向的分类结果信息，通过梯度下降法对所述预测网络层的网络权重进行权重更新。
6.根据权利要求3-5中任意一项所述的基于人工智能的业务关注倾向预测方法，其特征在于，所述对所述预测网络层的网络权重进行权重更新，包括：
将所述预测网络层的所有网络权重划分为第一分类网络权重和第二分类网络权重，所述第一分类网络权重和所述第二分类网络权重中不存在相同的网络权重；
根据所述会话行为特征生成会话行为卷积特征；
根据所述会话行为卷积特征与所述第一分类网络权重的内积拟合正态分布的均值，根据所述会话行为卷积特征与所述第二分类网络权重的内积拟合正态分布的标准差，以完成对所述预测网络层的网络权重的训练。
7.根据权利要求1-6中任意一项所述的基于人工智能的业务关注倾向预测方法，其特征在于，所述方法还包括：
根据所述指定电商服务对象在所述当前电商商品会话页面的业务关注倾向，获取所述指定电商服务对象的频繁操作项大数据，通过兴趣点挖掘策略对所述频繁操作项大数据进行兴趣点挖掘，得到所述频繁操作项大数据中会话服务流程的兴趣点挖掘数据；
基于所述会话服务流程的兴趣点挖掘数据进行会话主题分布矩阵分析，得到所述会话服务流程的目标会话主题分布矩阵；
基于机器学习模型对所述频繁操作项大数据进行加权有向操作业务图解析，得到所述会话服务流程的加权有向操作业务图；
将所述频繁操作项大数据中会话服务流程的目标会话主题分布矩阵与所述会话服务流程的加权有向操作业务图进行会话兴趣路径匹配，得到所述会话服务流程的会话兴趣路径匹配信息，并基于所述会话服务流程的会话兴趣路径匹配信息对所述频繁操作项大数据进行关键兴趣对象提取，得到所述会话服务流程的关键兴趣对象集，其中，所述关键兴趣对象集用于进行电商内容推荐。
8.根据权利要求7所述的基于人工智能的业务关注倾向预测方法，其特征在于，所述通过兴趣点挖掘策略对频繁操作项大数据进行兴趣点挖掘，得到所述频繁操作项大数据中会话服务流程的兴趣点挖掘数据，包括：
获取所述频繁操作项大数据中的每个频繁操作项数据的商品会话服务所生成的操作行为更新片段序列，所述操作行为更新片段序列包括以每个电商商品标签为一操作对象的操作行为更新片段，所述操作行为更新片段包括该电商商品标签的操作触发信息、操作触发结果以及该电商商品标签内的操作变更日志；
针对每个电商商品标签，根据每个频繁操作项数据在该电商商品标签的操作变更日志中的多个变更单位日志中的每一个变更单位日志，根据该变更单位日志中操作业务记录信息的记录标识，确定该变更单位日志中每个操作业务记录信息是否为关键操作业务记录，根据该变更单位日志中关键操作业务记录的记录类别，确定该变更单位日志对应的每个会话服务数据包的会话兴趣信息，针对每个会话服务数据包的会话兴趣信息，将该会话服务数据包的会话兴趣信息划分为多个子会话兴趣信息，根据每个子会话兴趣信息内各操作业务记录信息的兴趣来源及预设的兴趣来源范围，确定会话服务数据包的会话兴趣信息是否为目标预设合法兴趣来源的会话兴趣信息，其中，每个操作业务记录信息对应于每个操作变更行为；
基于确定的所述目标预设合法兴趣来源的会话兴趣信息，得到所述频繁操作项大数据中会话服务流程的兴趣点挖掘数据。
9.根据权利要求8所述的基于人工智能的业务关注倾向预测方法，其特征在于，所述基于确定的所述目标预设合法兴趣来源的会话兴趣信息，得到所述频繁操作项大数据中会话服务流程的兴趣点挖掘数据的步骤，包括：
获取预设兴趣描述策略匹配所述目标预设合法兴趣来源的会话兴趣信息内每个操作业务记录信息的兴趣描述特征信息，所述兴趣描述特征信息包括兴趣描述捕捉信息和兴趣描述应用信息，所述预设兴趣描述策略包括不同兴趣描述方式所对应的描述策略；
根据所述操作行为更新片段序列中的各个不同电商商品标签的所述每个操作变更日志的兴趣描述特征信息确定每个兴趣描述的动态场景属性的动态属性信息和每个静态场景属性的静态属性信息，并根据所述目标预设合法兴趣来源的会话兴趣信息内每个兴趣描述的动态场景属性的动态属性信息和每个静态场景属性的静态属性信息，确定每个频繁操作项数据在该电商商品标签的兴趣描述标签对象，将位于所述兴趣描述标签对象的兴趣描述的描述范围内的兴趣点信息以及位于所述兴趣描述标签对象的兴趣描述的描述范围外而关联于所述兴趣描述标签对象的兴趣描述的描述范围的兴趣点信息作为每个频繁操作项数据在该电商商品标签内的兴趣点信息后，将每个频繁操作项数据在所有电商商品标签内的兴趣点信息进行汇总后，得到所述频繁操作项大数据中会话服务流程的兴趣点挖掘数据。
10.一种人工智能云系统，其特征在于，所述人工智能云系统包括处理器、机器可读存储介质和通信单元，所述机器可读存储介质、所述通信单元以及所述处理器之间通过总线系统相关联，所述通信单元用于与至少一个智慧在线服务终端通信连接，所述机器可读存储介质用于存储计算机指令，所述处理器用于执行所述机器可读存储介质中的计算机指令，以执行权利要求1-9中任意一项的基于人工智能的业务关注倾向预测方法。
CN202110681678.0A 2021-06-19 2021-06-19 基于人工智能的业务关注倾向预测方法及人工智能云系统 Withdrawn CN113360763A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110681678.0A CN113360763A (zh) 2021-06-19 2021-06-19 基于人工智能的业务关注倾向预测方法及人工智能云系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110681678.0A CN113360763A (zh) 2021-06-19 2021-06-19 基于人工智能的业务关注倾向预测方法及人工智能云系统

Publications (1)

Publication Number Publication Date
CN113360763A true CN113360763A (zh) 2021-09-07

Family

ID=77535212

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110681678.0A Withdrawn CN113360763A (zh) 2021-06-19 2021-06-19 基于人工智能的业务关注倾向预测方法及人工智能云系统

Country Status (1)

Country Link
CN (1) CN113360763A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114117235A (zh) * 2021-12-07 2022-03-01 绥化市纯互联网商务有限公司 采用人工智能分析的电商内容推送方法及电商大数据系统
CN114707076A (zh) * 2022-03-11 2022-07-05 重庆邮电大学 一种个性化物联网实体推荐方法
CN114896454A (zh) * 2022-07-12 2022-08-12 长沙美哒网络科技有限公司 一种基于标签分析的短视频数据推荐方法及系统
CN115204693A (zh) * 2022-07-21 2022-10-18 滦南铭瑞技术服务有限公司 基于人工智能的智慧园区管理方法及云平台
CN117710121A (zh) * 2024-01-11 2024-03-15 广州小锤科技服务有限公司 大数据理赔渠道信息管理方法、系统及存储介质
CN118171110A (zh) * 2024-05-14 2024-06-11 北京中科金有限元技术有限公司 应用于智慧政务的业务日志文本处理方法及系统

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114117235A (zh) * 2021-12-07 2022-03-01 绥化市纯互联网商务有限公司 采用人工智能分析的电商内容推送方法及电商大数据系统
CN114707076A (zh) * 2022-03-11 2022-07-05 重庆邮电大学 一种个性化物联网实体推荐方法
CN114896454A (zh) * 2022-07-12 2022-08-12 长沙美哒网络科技有限公司 一种基于标签分析的短视频数据推荐方法及系统
CN114896454B (zh) * 2022-07-12 2022-09-27 长沙美哒网络科技有限公司 一种基于标签分析的短视频数据推荐方法及系统
CN115204693A (zh) * 2022-07-21 2022-10-18 滦南铭瑞技术服务有限公司 基于人工智能的智慧园区管理方法及云平台
CN115204693B (zh) * 2022-07-21 2023-10-17 中交西北投资发展有限公司 基于人工智能的智慧园区管理方法及云平台
CN117710121A (zh) * 2024-01-11 2024-03-15 广州小锤科技服务有限公司 大数据理赔渠道信息管理方法、系统及存储介质
CN118171110A (zh) * 2024-05-14 2024-06-11 北京中科金有限元技术有限公司 应用于智慧政务的业务日志文本处理方法及系统
CN118171110B (zh) * 2024-05-14 2024-07-19 北京中科金有限元技术有限公司 应用于智慧政务的业务日志文本处理方法及系统

Similar Documents

Publication Publication Date Title
CN113360763A (zh) 基于人工智能的业务关注倾向预测方法及人工智能云系统
Pratapa et al. Benchmarking algorithms for gene regulatory network inference from single-cell transcriptomic data
US8838688B2 (en) Inferring user interests using social network correlation and attribute correlation
CN112116090B (zh) 神经网络结构搜索方法、装置、计算机设备及存储介质
Chen et al. General functional matrix factorization using gradient boosting
CN110009430B (zh) 作弊用户检测方法、电子设备及计算机可读存储介质
CN113360762A (zh) 基于人工智能的内容推荐方法及人工智能内容推荐系统
CN111382190B (zh) 一种基于智能的对象推荐方法、装置和存储介质
Kaisler et al. Advanced Analytics--Issues and Challenges in a Global Environment
Barry-Straume et al. An evaluation of training size impact on validation accuracy for optimized convolutional neural networks
CN112085541A (zh) 基于浏览消费时序数据的用户需求分析方法及装置
CN112819024B (zh) 模型处理方法、用户数据处理方法及装置、计算机设备
CN111367633A (zh) 问答系统中的模型服务治理方法、装置和计算机设备
Wu et al. Who will attend this event together? Event attendance prediction via deep LSTM networks
CN110825980A (zh) 一种基于对抗生成网络的微博话题推送方法
Gao et al. Modeling the effort and learning ability of students in MOOCs
Çifci et al. Foresight 6.0: The new generation of technology foresight
CN111144567A (zh) 神经网络模型的训练方法及装置
CN113761193A (zh) 日志分类方法、装置、计算机设备和存储介质
Dan Intelligent English resource recommendation and teaching effect based on symmetric SDAE collaborative filtering algorithm
CN112561000B (zh) 基于组合模型的分类方法、装置、设备及存储介质
CN110580261B (zh) 针对高科技公司的深度技术追踪方法
Reyes Reinforcement learning in a marketing game
CN113011748A (zh) 推荐效果的评估方法、装置、电子设备及可读存储介质
de Lima et al. Evisclass: a new evaluation method for image data stream classifiers

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20210907

WW01 Invention patent application withdrawn after publication