CN113361793A - 应用于电子商务服务的大数据挖掘方法及人工智能分析系统 - Google Patents

应用于电子商务服务的大数据挖掘方法及人工智能分析系统 Download PDF

Info

Publication number
CN113361793A
CN113361793A CN202110687155.7A CN202110687155A CN113361793A CN 113361793 A CN113361793 A CN 113361793A CN 202110687155 A CN202110687155 A CN 202110687155A CN 113361793 A CN113361793 A CN 113361793A
Authority
CN
China
Prior art keywords
commerce
target
behavior data
mining
information
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Withdrawn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
CN202110687155.7A
Other languages
English (en)
Inventor
刘彩虹
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.)
Shenzhen Hongye Wire Co ltd
Original Assignee
Shenzhen Hongye Wire Co ltd
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 Shenzhen Hongye Wire Co ltd filed Critical Shenzhen Hongye Wire Co ltd
Priority to CN202110687155.7A priority Critical patent/CN113361793A/zh
Publication of CN113361793A publication Critical patent/CN113361793A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0277—Online advertisement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Accounting & Taxation (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Animal Behavior & Ethology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请实施例提供一种应用于电子商务服务的大数据挖掘方法及人工智能系统，可以通过初始训练后的第一向量挖掘单元基于标的电商行为数据对对照电商行为数据进行更新，得到标的电商行为数据对应的第一目标电商行为数据，再基于标的电商行为数据和第一目标电商行为数据对电商意图挖掘网络进行训练，以提取深度关联向量。深度关联向量的提取，有助于电商行为数据意图挖掘时根据多个深度关联向量对电商行为数据进行意图挖掘，避免只关注某个简单向量，而忽略其它深度关联向量的情况，提高了电商意图挖掘网络对电商行为数据挖掘的准确性。

Description

应用于电子商务服务的大数据挖掘方法及人工智能分析系统
技术领域
本申请涉及电子商务技术领域，具体而言，涉及一种应用于电子商务服务的大数据挖掘方法及人工智能分析系统。
背景技术
Online-to-Offline(简称O2O)电子商务模式，是一个连接线上用户和线下商家的多边平台商业模式。O2O 商业模式将实体经济与线上资源融合在一起，使网络成为实体经济延伸到虚拟世界的渠道；线下商业可以到线上挖掘和吸引客源，而消费者可以在线上筛选商品和服务并完成支付，再到实体店完成余下消费。基于此，大数据挖掘成为O2O电商用户数据转化为具有价值知识的重要手段，是通过分析海量数据，从数据海洋中寻找其规律的技术。
相关技术中，针对电商行为数据挖掘的一个分支是挖掘出用户意图，进而进行相关的内容推送以旨在实现内容转化。然而，当前的电商行为数据的挖掘方案，只关注某个简单向量，而存在忽略其它深度关联向量的情况，导致电商行为数据的挖掘精度不高。
发明内容
为了至少克服现有技术中的上述不足，本申请的目的在于提供一种应用于电子商务服务的大数据挖掘方法及人工智能分析系统。
第一方面，本申请提供一种应用于电子商务服务的大数据挖掘方法，应用于人工智能分析系统，所述人工智能分析系统与多个电子商务使用终端通信连接，所述方法包括：
获取标的电商行为数据集和待收敛配置的电商意图挖掘网络，所述标的电商行为数据集包括标的电商行为数据、所述标的电商行为数据对应的标的电商意图信息以及对照电商行为数据，所述电商意图挖掘网络包括第一向量挖掘单元和第二向量挖掘单元、向量恢复单元，所述第一向量挖掘单元和所述第二向量挖掘单元共享配置向量压缩单元；
基于所述标的电商行为数据及其对应的标的电商意图信息，对所述第一向量挖掘单元进行初始训练，得到初始训练后的第一向量挖掘单元，所述第一向量挖掘单元包括向量压缩单元和第一向量挖掘子单元；
通过所述初始训练后的第一向量挖掘单元，对所述标的电商行为数据和所述对照电商行为数据进行向量挖掘，得到所述标的电商行为数据对应的标的行为向量序列和所述对照电商行为数据对应的对照行为向量序列；
基于所述标的行为向量序列和所述对照行为向量序列之间的训练收敛评估值，对所述对照电商行为数据进行更新，得到所述标的电商行为数据对应的第一目标电商行为数据；
根据所述标的电商行为数据和所述第一目标电商行为数据对电商意图挖掘网络进行训练，得到训练后的电商意图挖掘网络，所述训练后的电商意图挖掘网络用于对电商行为数据进行意图挖掘。
第二方面，本申请实施例还提供一种应用于电子商务服务的大数据挖掘系统，所述应用于电子商务服务的大数据挖掘系统包括人工智能分析系统以及与所述人工智能分析系统通信连接的多个电子商务使用终端；
所述人工智能分析系统，用于：
获取标的电商行为数据集和待收敛配置的电商意图挖掘网络，所述标的电商行为数据集包括标的电商行为数据、所述标的电商行为数据对应的标的电商意图信息以及对照电商行为数据，所述电商意图挖掘网络包括第一向量挖掘单元和第二向量挖掘单元、向量恢复单元，所述第一向量挖掘单元和所述第二向量挖掘单元共享配置向量压缩单元；
基于所述标的电商行为数据及其对应的标的电商意图信息，对所述第一向量挖掘单元进行初始训练，得到初始训练后的第一向量挖掘单元，所述第一向量挖掘单元包括向量压缩单元和第一向量挖掘子单元；
通过所述初始训练后的第一向量挖掘单元，对所述标的电商行为数据和所述对照电商行为数据进行向量挖掘，得到所述标的电商行为数据对应的标的行为向量序列和所述对照电商行为数据对应的对照行为向量序列；
基于所述标的行为向量序列和所述对照行为向量序列之间的训练收敛评估值，对所述对照电商行为数据进行更新，得到所述标的电商行为数据对应的第一目标电商行为数据；
根据所述标的电商行为数据和所述第一目标电商行为数据对电商意图挖掘网络进行训练，得到训练后的电商意图挖掘网络，所述训练后的电商意图挖掘网络用于对电商行为数据进行意图挖掘。
基于上述任意一个方面，本申请可以获取标的电商行为数据集和待收敛配置的电商意图挖掘网络，所述标的电商行为数据集包括标的电商行为数据、所述标的电商行为数据对应的标的电商意图信息以及对照电商行为数据，所述电商意图挖掘网络包括第一向量挖掘单元和第二向量挖掘单元、向量恢复单元，所述第一向量挖掘单元和所述第二向量挖掘单元共享配置向量压缩单元；基于所述标的电商行为数据及其对应的标的电商意图信息，对第一向量挖掘单元进行初始训练，得到初始训练后的第一向量挖掘单元，所述第一向量挖掘单元包括向量压缩单元和第一向量挖掘子单元；通过初始训练后的第一向量挖掘单元，对所述标的电商行为数据和所述对照电商行为数据进行向量挖掘，得到所述标的电商行为数据对应的标的行为向量序列和所述对照电商行为数据对应的对照行为向量序列；基于所述标的行为向量序列和所述对照行为向量序列之间的训练收敛评估值，对所述对照电商行为数据进行更新，得到所述标的电商行为数据对应的第一目标电商行为数据；根据所述标的电商行为数据和所述第一目标电商行为数据对电商意图挖掘网络进行训练，得到训练后的电商意图挖掘网络，所述训练后的电商意图挖掘网络用于对电商行为数据进行意图挖掘。本申请可以通过初始训练后的第一向量挖掘单元基于标的电商行为数据对对照电商行为数据进行更新，得到标的电商行为数据对应的第一目标电商行为数据，再基于标的电商行为数据和第一目标电商行为数据对电商意图挖掘网络进行训练，以提取深度关联向量。深度关联向量的提取，有助于电商行为数据意图挖掘时根据多个深度关联向量对电商行为数据进行意图挖掘，避免只关注某个简单向量，而忽略其它深度关联向量的情况，提高了电商意图挖掘网络对电商行为数据挖掘的准确性。
附图说明
图1为本申请实施例提供的应用于电子商务服务的大数据挖掘系统的应用场景示意图；
图2为本申请实施例提供的应用于电子商务服务的大数据挖掘方法的流程示意图；
图3为本申请实施例提供的用于实现上述的应用于电子商务服务的大数据挖掘方法的人工智能分析系统的结构组件示意框图。
具体实施方式
下面结合说明书附图对本申请进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。
图1是本申请一种实施例提供的应用于电子商务服务的大数据挖掘系统10的交互示意图。应用于电子商务服务的大数据挖掘系统10可以包括人工智能分析系统100以及与人工智能分析系统100通信连接的电子商务使用终端200。图1所示的应用于电子商务服务的大数据挖掘系统10仅为一种可行的示例，在其它可行的实施例中，该应用于电子商务服务的大数据挖掘系统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。
一种可独立实施的实施例中，应用于电子商务服务的大数据挖掘系统10中的人工智能分析系统100和电子商务使用终端200可以通过配合执行以下方法实施例所描述的应用于电子商务服务的大数据挖掘方法，具体人工智能分析系统100和电子商务使用终端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为本申请实施例提供的应用于电子商务服务的大数据挖掘方法的流程示意图，本实施例提供的应用于电子商务服务的大数据挖掘方法可以由图1中所示的人工智能分析系统100执行，下面对该应用于电子商务服务的大数据挖掘方法进行详细介绍。
步骤S110、获取标的电商行为数据集和待收敛配置的电商意图挖掘网络，所述标的电商行为数据集包括标的电商行为数据、所述标的电商行为数据对应的标的电商意图信息以及对照电商行为数据，所述电商意图挖掘网络包括第一向量挖掘单元和第二向量挖掘单元、向量恢复单元，所述第一向量挖掘单元和所述第二向量挖掘单元共享配置向量压缩单元。
其中，标的电商行为数据的具体类别不限，可以是电商直播行为数据，也可以是电商订单行为数据等等。一种可独立实施的实施例中，标的电商行为数据也可以是从电商行为大数据中截取部分得到的。标的电商行为数据对应的标的电商意图信息可以包含标的电商行为数据对应的目标挖掘意图序列，其具体可以是标的电商行为数据属于各个候选电商意图的预测置信度。
其中，在对照电商行为数据未更新前，对照电商行为数据可以是空白电商行为数据，也可以是随机噪声电商行为数据，具体不作特殊限制。空白电商行为数据即所有电商行为项目的内容数据都为空集的电商行为数据。
电商意图挖掘网络可以是一种利用反向传播算法使得输出特征等于输入特征的人工智能网络模型。向量压缩单元可以是编码器（encoder），向量恢复单元可以是解码器（decoder）。
其中，向量压缩单元可以将输入的行为向量序列压缩成潜在分布向量。向量恢复单元可以重构来自潜在分布向量的输入。
一种可独立实施的实施例中，该待收敛配置的电商意图挖掘网络可以是基于标的电商行为数据初步训练过的，具体通过第一向量挖掘单元和第二向量挖掘单元对标的电商行为数据进行向量挖掘，得到标的电商行为数据的第一行为向量序列和第二行为向量序列，再通过向量恢复单元基于第一行为向量序列和第二行为向量序列进行标的电商行为数据的重构，得到向量恢复后标的电商行为数据，基于向量恢复后标的电商行为数据和原来的标的电商行为数据之间的训练收敛评估值，调整电商意图挖掘网络的单元权重信息，得到初步训练后的电商意图挖掘网络，进而通过下述的实施例，对电商意图挖掘网络进一步进行训练。
例如，该电商意图挖掘网络由向量压缩单元、向量恢复单元、第一向量挖掘子单元以及第二向量挖掘子单元构成，其中，向量压缩单元和第一向量挖掘子单元组成第一向量挖掘单元，向量压缩单元和第二向量挖掘子单元组成第二向量挖掘单元，第一向量挖掘单元和第二向量挖掘单元共享配置一个向量压缩单元。一种可独立实施的实施例中，可以将第一向量挖掘子单元和第二向量挖掘子单元视为向量压缩单元的一部分，也就是说，第一向量挖掘单元和第二向量挖掘单元可以属于向量压缩单元。
基于相关方案，电商意图挖掘网络的训练方案包括两种。一种是直接利用电商行为数据对应的标的电商意图信息，使用有监督的方式来训练电商意图挖掘网络，电商意图挖掘网络学习到的是与标的电商意图信息强相关的向量序列；另一种是先初始训练一个电商意图挖掘网络，利用电商意图挖掘网络重建原始电商行为数据的性质来提取尽可能提取更丰富的向量序列，然后基于该向量序列，接上意图挖掘单元进行意图挖掘特征的学习和预测。但是，当标的电商行为数据集中存在深度关联向量时，第一种方法会导致这些深度关联向量被忽略掉，这样训练得到的电商意图挖掘网络的预测精度会较低，通过第二种方案来进行训练，也不能保证电商意图挖掘网络能够学习到深度关联向量。
其中，深度关联向量是指两个或者多个存在深度关联的向量序列，例如，假设存在一个标的电商行为数据集，可以将标的电商行为数据集分为A，B两个标的电商行为数据子集，并且整个标的电商行为数据集中的行为向量仅由4个行为向量构成，它们分别为行为向量1，行为向量2，行为向量3，行为向量4；A标的电商行为数据子集中每个的电商行为数据包含行为向量1和行为向量2，B标的电商行为数据子集中的每个的电商行为数据包含行为向量3和行为向量4，那么行为向量1和行为向量2是深度关联向量，行为向量3和行为向量4是深度关联向量。
步骤S120、基于所述标的电商行为数据及其对应的标的电商意图信息，对所述第一向量挖掘单元进行初始训练，得到初始训练后的第一向量挖掘单元，所述第一向量挖掘单元包括向量压缩单元和第一向量挖掘子单元。
一种可独立实施的实施例中，步骤“基于所述标的电商行为数据及其对应的标的电商意图信息，对所述第一向量挖掘单元进行初始训练，得到初始训练后的第一向量挖掘单元”，可以包括：
通过所述第一向量挖掘单元对所述标的电商行为数据进行向量挖掘，得到所述标的电商行为数据的第一行为向量序列；
基于所述标的电商行为数据的第一行为向量序列，对所述标的电商行为数据进行意图挖掘，得到所述标的电商行为数据属于候选电商意图的实际第一预测置信度；
基于所述实际第一预测置信度和所述标的电商意图信息，对所述第一向量挖掘单元的单元重要性系数信息进行优化，得到初始训练后的第一向量挖掘单元。
其中，通过第一向量挖掘单元对所述标的电商行为数据进行向量挖掘，具体可以通过向量压缩单元先对标的电商行为数据进行向量压缩，再通过第一向量挖掘子单元对向量压缩后的标的电商行为数据进行向量挖掘，得到标的电商行为数据的第一行为向量序列。
其中，在通过第一向量挖掘单元提取到标的电商行为数据的第一行为向量序列后，可以在电商意图挖掘网络中添加第一意图挖掘单元，该第一意图挖掘单元作为第一向量挖掘单元的输出节点，第一意图挖掘单元以提取到的第一行为向量序列作为输入节点，基于第一行为向量序列，对标的电商行为数据进行意图挖掘，得到标的电商行为数据属于候选电商意图的实际第一预测置信度。其中，候选电商意图可以包括多个电商意图，对标的电商行为数据进行意图挖掘，具体可以得到标的电商行为数据属于各个候选电商意图的实际第一预测置信度。
其中，该第一意图挖掘单元例如可以是循环神经网络或者全连接深度神经网络等等，本实施例对此不做特殊限制。
其中，标的电商行为数据的标的电商意图信息具体是标的电商行为数据属于候选电商意图的预测置信度；步骤“基于所述实际第一预测置信度和所述标的电商意图信息，对所述第一向量挖掘单元的单元重要性系数信息进行优化，得到初始训练后的第一向量挖掘单元”，具体可以包括：
计算实际第一预测置信度和预测置信度之间的第二训练收敛评估值；
基于所述第二训练收敛评估值，对所述第一向量挖掘单元的单元重要性系数信息进行优化，以使得第二训练收敛评估值收敛，得到初始训练后的第一向量挖掘单元。
其中，该预设条件可以是第二训练收敛评估值小于预设评估值。
例如，可以通过反向传播算法对第一向量挖掘单元的单元重要性系数信息进行优化，基于第二训练收敛评估值，优化第一向量挖掘单元的单元权重信息，使标的电商行为数据属于候选电商意图的实际第一预测置信度趋近于预测置信度。
一种可独立实施的实施例中，也可以基于第二训练收敛评估值，对第一向量挖掘单元和第一意图挖掘单元中的单元重要性系数信息进行优化，得到初始训练后的第一向量挖掘单元和第一意图挖掘单元。
步骤S130、通过所述初始训练后的第一向量挖掘单元，对所述标的电商行为数据和所述对照电商行为数据进行向量挖掘，得到所述标的电商行为数据对应的标的行为向量序列和所述对照电商行为数据对应的对照行为向量序列。
在基于标的电商意图信息对第一向量挖掘单元进行初始训练后，初始训练后的第一向量挖掘单元可以提取到与标的电商意图信息强相关的行为向量序列。
其中，对照电商行为数据具体可以是空白电商行为数据或者随机噪声电商行为数据等。
步骤S140、基于所述标的行为向量序列和所述对照行为向量序列之间的训练收敛评估值，对所述对照电商行为数据进行更新，得到所述标的电商行为数据对应的第一目标电商行为数据。
其中，标的行为向量序列和对照行为向量序列之间的训练收敛评估值具体可以是标的行为向量序列和对照行为向量序列之间的损失函数值，损失函数值可以表征训练收敛评估值的大小。损失函数值越大，训练收敛评估值越大，损失函数值越小，训练收敛评估值越小。
例如，通过初始训练后的第一向量挖掘单元，分别对所述标的电商行为数据和所述对照电商行为数据进行向量挖掘，可以得到标的电商行为数据的标的行为向量序列ma1、以及对照电商行为数据的对照行为向量序列mab，标的行为向量序列和对照行为向量序列之间的训练收敛评估值可以用ma1和mab之间的距离来表示，该距离具体表示为d=||ma1-mab||；然后将该训练收敛评估值反向传播到对照电商行为数据，对对照电商行为数据进行更新，得到标的行为向量序列ma1对应的第一目标电商行为数据。因为训练收敛评估值相当于标的行为向量序列和对照行为向量序列的差值，其包含了对照电商行为数据相对于标的电商行为数据所没有的行为向量序列，由于是通过初始训练后的第一向量挖掘单元来提取向量的，因此训练收敛评估值包含的是第一向量挖掘单元学习到的向量，具体可以是与标的电商意图信息强相关的向量。通过训练收敛评估值对对照电商行为数据更新，可以使更新后的对照电商行为数据包含该向量。
一种可独立实施的实施例中，步骤“基于所述标的行为向量序列和所述对照行为向量序列之间的训练收敛评估值，对所述对照电商行为数据进行更新，得到所述标的电商行为数据对应的第一目标电商行为数据”，可以包括：
基于所述标的行为向量序列和所述对照行为向量序列之间的训练收敛评估值，对所述对照电商行为数据进行更新，得到待定第一目标电商行为数据；
将所述待定第一目标电商行为数据作为新的对照电商行为数据；
通过所述初始训练后的第一向量挖掘单元，对新的对照电商行为数据进行向量挖掘，得到所述新的对照电商行为数据对应的对照行为向量序列；
返回执行所述基于所述标的行为向量序列和所述对照行为向量序列之间的训练收敛评估值，对所述对照电商行为数据进行更新，得到待定第一目标电商行为数据的步骤，直到待定第一目标电商行为数据满足目标更新要求，将满足所述目标更新要求的待定第一目标电商行为数据作为所述标的电商行为数据对应的第一目标电商行为数据。
其中，该目标更新要求具体可以是迭代次数，也可以是待定第一目标电商行为数据与标的电商行为数据之间的损失函数值，还可以是标的行为向量序列和对照行为向量序列之间的训练收敛评估值小于预设评估值等等，目标更新要求可以根据实际业务需求进行设计，在此不作特殊限定。
其中，通过上述循环过程：对对照电商行为数据提取特征、计算训练收敛评估值、更新对照电商行为数据、计算训练收敛评估值、更新对照电商行为数据……，重复多次后，可以使得提取获得对照行为向量序列接近于标的行为向量序列，但得到的第一目标电商行为数据在表观上只包含第一向量挖掘单元学习到的向量序列。
一种可独立实施的实施例中，步骤“基于所述标的行为向量序列和所述对照行为向量序列之间的训练收敛评估值，对所述对照电商行为数据进行更新，得到所述标的电商行为数据对应的第一目标电商行为数据”，可以包括：
计算所述标的行为向量序列和所述对照行为向量序列之间的训练收敛评估值；
确定所述训练收敛评估值对所述对照电商行为数据的梯度；
基于所述梯度，对所述对照电商行为数据进行更新，得到所述标的电商行为数据对应的第一目标电商行为数据。
步骤S150、根据所述标的电商行为数据和所述第一目标电商行为数据对电商意图挖掘网络进行训练，得到训练后的电商意图挖掘网络，所述训练后的电商意图挖掘网络用于对电商行为数据进行意图挖掘。
一种可独立实施的实施例中，步骤“根据所述标的电商行为数据和所述第一目标电商行为数据对电商意图挖掘网络进行训练，得到训练后的电商意图挖掘网络”，可以包括：
将所述标的电商行为数据和所述第一目标电商行为数据分别确定为选定电商行为数据；
通过所述初始训练后的第一向量挖掘单元和所述第二向量挖掘单元，对所述选定电商行为数据进行向量挖掘，得到所述选定电商行为数据的行为向量序列；
通过所述向量恢复单元对所述选定电商行为数据的行为向量序列进行向量恢复处理，得到向量恢复后选定电商行为数据；
基于所述向量恢复后选定电商行为数据和所述选定电商行为数据之间的第一训练收敛评估值，对电商意图挖掘网络的第二向量挖掘单元中的单元重要性系数信息进行优化，得到训练后的电商意图挖掘网络。
其中，选定电商行为数据的行为向量序列可以包括第一行为向量序列和第二行为向量序列，例如，可以通过所述初始训练后的第一向量挖掘单元对所述选定电商行为数据进行向量挖掘，得到所述选定电商行为数据的第一行为向量序列；通过第二向量挖掘单元对所述选定电商行为数据进行向量挖掘，得到所述选定电商行为数据的第二行为向量序列。
其中，对选定电商行为数据的行为向量序列进行向量恢复处理，即通过向量恢复单元基于选定电商行为数据的行为向量序列，重新构建选定电商行为数据，以使重新构建得到的选定电商行为数据（向量恢复后选定电商行为数据）接近于原来的选定电商行为数据。
其中，基于第一训练收敛评估值对电商意图挖掘网络中第二向量挖掘单元中的单元重要性系数信息进行优化，具体可以是通过反向传播算法优化第二向量挖掘单元中的单元权重信息，以使第一训练收敛评估值小于预设训练收敛评估值，该预设训练收敛评估值可以根据实际情况进行设置，本实施例对此不作限制。
电商意图挖掘网络的训练过程可以是，将标的电商行为数据和第一目标电商行为数据作为选定电商行为数据，分别输入到电商意图挖掘网络中，先通过初始训练后的第一向量挖掘单元和第二向量挖掘单元提取得到选定电商行为数据对应的行为向量序列，再通过向量恢复单元基于行为向量序列进行向量恢复，重建选定电商行为数据，得到向量恢复后选定电商行为数据。
其中，将标的电商行为数据和第一目标电商行为数据同时用来训练电商意图挖掘网络，进行向量挖掘、向量恢复/重建，是为了使第二向量挖掘单元中的单元权重信息包含与标的电商意图信息相关的其它深度关联向量，在电商意图挖掘网络训练过程中，基于第一训练收敛评估值优化第二向量挖掘单元中的单元权重信息，使得标的电商行为数据和第一目标电商行为数据的向量区分，这样可以实现深度关联向量的提取，第二向量挖掘单元也就包含了其它深度关联向量。
一种可独立实施的实施例中，所述电商意图挖掘网络还可以包括第一意图挖掘单元和第二意图挖掘单元；所述选定电商行为数据的行为向量序列包括标的电商行为数据的第一行为向量序列和第二行为向量序列，第一行为向量序列是通过所述初始训练后的第一向量挖掘单元提取获得，第二行为向量序列是通过第二向量挖掘单元提取获得；所述标的电商意图信息为标的电商行为数据属于候选电商意图的预测置信度；
步骤“基于所述向量恢复后选定电商行为数据和所述选定电商行为数据之间的第一训练收敛评估值，对电商意图挖掘网络的第二向量挖掘单元中的单元重要性系数信息进行优化，得到训练后的电商意图挖掘网络”，可以包括：
通过所述第一意图挖掘单元，基于所述标的电商行为数据的第一行为向量序列对所述标的电商行为数据进行意图挖掘，得到所述标的电商行为数据属于候选电商意图的实际第一预测置信度；
基于所述实际第一预测置信度和所述预测置信度之间的第二训练收敛评估值，对所述初始训练后的第一向量挖掘单元和所述第一意图挖掘单元的单元重要性系数信息进行优化；
通过所述第二意图挖掘单元，基于所述标的电商行为数据的第二行为向量序列对所述标的电商行为数据进行意图挖掘，得到所述标的电商行为数据属于候选电商意图的实际第二预测置信度；
基于所述实际第二预测置信度和所述预测置信度之间的第三训练收敛评估值，对所述第二意图挖掘单元的单元重要性系数信息进行优化；
基于所述向量恢复后选定电商行为数据和所述选定电商行为数据之间的第一训练收敛评估值，对所述第二向量挖掘单元中的单元重要性系数信息进行优化；
当所述第一训练收敛评估值、所述第二训练收敛评估值和所述第三训练收敛评估值收敛时终止优化流程，得到训练后的电商意图挖掘网络。
其中，可以在电商意图挖掘网络中添加第二意图挖掘单元，第二意图挖掘单元作为第二向量挖掘单元的输出节点，以通过第二向量挖掘单元提取到的第二行为向量序列作为输入，基于第二行为向量序列对标的电商行为数据进行意图挖掘，得到标的电商行为数据属于候选电商意图的实际第二预测置信度。该第二意图挖掘单元具体可以是循环神经网络或者全连接深度神经网络等。
其中，基于第三训练收敛评估值对第二意图挖掘单元的单元重要性系数信息进行优化，具体可以是基于第三训练收敛评估值，通过反向传播算法优化第二意图挖掘单元的单元权重信息，使标的电商行为数据属于候选电商意图的实际第二预测置信度趋近于预测置信度。
其中，第一行为向量序列和第二行为向量序列为存在深度关联的向量序列，例如，第一行为向量序列和第二行为向量序列都是与标的电商行为数据的标的电商意图信息相关的向量序列，都可以用于对标的电商行为数据的意图挖掘中。例如，一种可独立实施的实施例中，第一行为向量序列可以是与标的电商行为数据的标的电商意图信息强相关的向量序列（即容易学习到的向量序列），第二行为向量序列可以是与标的电商行为数据的标的电商意图信息弱相关的向量序列。
其中，第一向量挖掘单元的单元权重信息可以记为ma，第一意图挖掘单元的单元权重信息可以记为wc，第二向量挖掘单元的单元权重信息可以记为fs，第二意图挖掘单元的单元权重信息可以记为ws。可以先通过向量压缩单元对标的电商行为数据进行处理，将向量压缩单元处理后的标的电商行为数据分别输入到第一向量挖掘子单元和第二向量挖掘子单元进行向量挖掘，得到第一行为向量序列和第二行为向量序列；通过第一分类模型对第一行为向量序列进行意图挖掘，通过第二意图挖掘单元对第二行为向量序列进行意图挖掘。
一种可独立实施的实施例中，步骤“当所述第一训练收敛评估值、所述第二训练收敛评估值和所述第三训练收敛评估值收敛时终止优化流程，得到训练后的电商意图挖掘网络”，可以包括：
确定所述第一训练收敛评估值、所述第二训练收敛评估值和所述第三训练收敛评估值对应的重要性系数；
基于所述重要性系数，对所述第一训练收敛评估值、所述第二训练收敛评估值和所述第三训练收敛评估值进行重要性系数融合，得到所述电商意图挖掘网络的全局训练收敛评估值；
当所述全局训练收敛评估值收敛时终止优化流程，得到训练后的电商意图挖掘网络。
一种可独立实施的实施例中，第一训练收敛评估值可以记为Lr，第二训练收敛评估值记为Lc，第三训练收敛评估值记为Ls，将第一训练收敛评估值、第二训练收敛评估值和第三训练收敛评估值对应的重要性系数分别设置为p、1和1，则全局训练收敛评估值可以是L=Lc+Ls+p*Lr，其中p为一固定常量参数。该预设条件可以是全局训练收敛评估值小于预设值；当不收敛时，需要基于第一训练收敛评估值对第二向量挖掘单元的单元权重信息fs进行调整，基于第二训练收敛评估值对wc和ma进行调整，基于第三训练收敛评估值对ws进行调整。
在电商意图挖掘网络训练完后，可以将该电商意图挖掘网络应用到在线的电商行为数据意图挖掘中，如下所述。
一种可独立实施的实施例中，本公开实施例提供一种基于人工智能的电商行为数据意图挖掘方法，可以包括以下步骤：
获取待进行意图挖掘的目标电商行为数据；
通过所述训练后的电商意图挖掘网络中第一向量挖掘单元对所述目标电商行为数据进行向量挖掘，得到所述目标电商行为数据的第一行为向量序列，并基于所述目标电商行为数据的第一行为向量序列，对所述目标电商行为数据进行意图挖掘，得到所述目标电商行为数据属于候选电商意图的第一预测置信度；
通过所述训练后的电商意图挖掘网络中第二向量挖掘单元对所述目标电商行为数据进行向量挖掘，得到所述目标电商行为数据的第二行为向量序列，并基于所述目标电商行为数据的第二行为向量序列，对所述目标电商行为数据进行意图挖掘，得到所述目标电商行为数据属于候选电商意图的第二预测置信度；
基于所述第一预测置信度和所述第二预测置信度，确定所述目标电商行为数据的目标挖掘意图序列。
其中，可以通过训练后的第一意图挖掘单元基于目标电商行为数据的第一行为向量序列对目标电商行为数据进行意图挖掘，例如，通过第一向量挖掘单元得到第一行为向量序列，可以将第一行为向量序列与第一意图挖掘单元中的单元权重信息wc相乘表示意图挖掘信息。
其中，可以通过训练后的第二意图挖掘单元基于目标电商行为数据的第二行为向量序列对目标电商行为数据进行意图挖掘，例如，通过第二向量挖掘单元得到第二行为向量序列，可以将第二行为向量序列与第二意图挖掘单元中的单元权重信息ws相乘表示意图挖掘信息。
其中，可以计算第一预测置信度和第二预测置信度的均值置信度，基于均值置信度，确定目标电商行为数据的目标挖掘意图序列。
一种可独立实施的实施例中，步骤“基于所述第一预测置信度和所述第二预测置信度，确定所述目标电商行为数据的目标挖掘意图序列”，可以包括：
确定所述第一预测置信度和所述第二预测置信度对应的重要性系数；
基于所述重要性系数，对所述第一预测置信度和所述第二预测置信度进行重要性系数融合，得到所述目标电商行为数据的目标挖掘意图序列。
由上可知，本实施例可以获取标的电商行为数据集和待收敛配置的电商意图挖掘网络，所述标的电商行为数据集包括标的电商行为数据、所述标的电商行为数据对应的标的电商意图信息以及对照电商行为数据，所述电商意图挖掘网络包括第一向量挖掘单元和第二向量挖掘单元、向量恢复单元，所述第一向量挖掘单元和所述第二向量挖掘单元共享配置向量压缩单元；基于所述标的电商行为数据及其对应的标的电商意图信息，对第一向量挖掘单元进行初始训练，得到初始训练后的第一向量挖掘单元，所述第一向量挖掘单元包括向量压缩单元和第一向量挖掘子单元；通过初始训练后的第一向量挖掘单元，对所述标的电商行为数据和所述对照电商行为数据进行向量挖掘，得到所述标的电商行为数据对应的标的行为向量序列和所述对照电商行为数据对应的对照行为向量序列；基于所述标的行为向量序列和所述对照行为向量序列之间的训练收敛评估值，对所述对照电商行为数据进行更新，得到所述标的电商行为数据对应的第一目标电商行为数据；根据所述标的电商行为数据和所述第一目标电商行为数据对电商意图挖掘网络进行训练，得到训练后的电商意图挖掘网络，所述训练后的电商意图挖掘网络用于对电商行为数据进行意图挖掘。本申请可以通过初始训练后的第一向量挖掘单元基于标的电商行为数据对对照电商行为数据进行更新，得到标的电商行为数据对应的第一目标电商行为数据，再基于标的电商行为数据和第一目标电商行为数据对电商意图挖掘网络进行训练，以提取深度关联向量。深度关联向量的提取，有助于电商行为数据意图挖掘时根据多个深度关联向量对电商行为数据进行意图挖掘，避免只关注某个简单向量，而忽略其它深度关联向量的问题，提高网络对电商行为数据挖掘的准确性。
一种可独立实施的实施例中，本公开实施例还提供一种基于电商产品推送和大数据的信息展示方法，包括以下步骤：
步骤A110：基于所述目标电商行为数据的目标挖掘意图序列，获取对应的待推送电商产品信息，并获取待推送电商产品信息的内容推送决策信息，内容推送决策信息包括待推送电商产品信息的推送属性信息、待推送电商产品信息的相关用户画像或待推送电商产品信息的相关推送引用信息的一个或者多个组合。
一种可独立实施的实施例中，内容推送决策信息指的是与待推送电商产品信息的推送内容信息本身推送特点具有直接特征联系信息的信息，包括待推送电商产品信息的推送属性信息、待推送电商产品信息的相关用户画像或待推送电商产品信息的相关推送引用信息中的一个或者多个组合。
其中，一个推送内容中可同时具有一个或多个推送属性信息。推送属性信息可以表征推送内容的推送内容信息类型或者推送内容中的某些特定信息，比如，某个推送内容的推送属性信息为数码产品，则该推送内容属于数码产品类的推送内容信息。一种可能的设计思路中，推送属性信息可以是预先标注的或者通过推送内容自动识别的，譬如可以通过提取待推送电商产品信息中的重点信息，基于该重点信息自动为待推送电商产品信息添加推送属性信息，或者对待推送电商产品信息进行分类，基于分类确定推送内容的推送属性信息。
一种可独立实施的实施例中，推送属性信息可以以字母或者数字的形式显示在推送内容的主题中。
其中，相关用户画像指的是与待推送电商产品信息之间有关联的用户画像，比如，引用过该待推送电商产品信息的用户画像，引用该待推送电商产品信息的用户画像，分享过该待推送电商产品信息的用户画像等，通过相关用户画像可从另一方面反映待推送电商产品信息的推送内容信息特征。
一种可独立实施的实施例中，相关用户画像包括待推送电商产品信息的目标主动用户画像或待推送电商产品信息的被动用户画像中的一个或者多个组合；相关推送引用信息包括待推送电商产品信息的目标主动用户画像所引用的目标推送内容决策信息，目标推送内容决策信息为目标主动用户画像在引用待推送电商产品信息之前和/或之后的至少一个推送内容决策信息。
其中，相关推送引用信息为目标主动用户画像在引用待推送电商产品信息之前和/或之后所引用的至少一个推送内容决策信息，通过相关推送引用信息可反映出用户的推送内容信息偏好。
一种可独立实施的实施例中，获取待推送电商产品信息的目标主动用户画像，包括：
获取待推送电商产品信息的各初始主动用户画像，以及各初始主动用户画像对待推送电商产品信息的引用持续数据；
基于各主动用户画像对应的引用持续数据，将各初始主动用户画像的引用持续数据中覆盖于第一推送阶段的初始主动用户画像作为目标主动用户画像，或者，基于各主动用户画像对应的引用持续数据，将各初始主动用户画像中引用持续数据满足预设覆盖范围的初始主动用户画像作为目标主动用户画像。
其中，初始主动用户画像指的是所有引用过待推送电商产品信息的用户画像，引用持续数据指的是一次引用待推送电商产品信息对应的引用轨迹信息，引用持续数据不覆盖于与待推送电商产品信息的整体推送轨迹信息。引用待推送电商产品信息的引用持续数据的覆盖范围雨大，表明该主动用户画像对该待推送电商产品信息越存在偏好。则选择引用持续数据覆盖于第一推送阶段的主动用户画像，可以更加准确的反映引用该待推送电商产品信息的用户画像的特征。
一种可独立实施的实施例中，获取相关推送引用信息可通过以下至少一种方式：
将目标主动用户画像引用的推送内容信息按照引用持续数据进行排序，将排序后的各推送内容中，待推送电商产品信息之前的第一预设数量的推送内容信息或之后的第二预设数量的推送内容信息中的一个或者多个组合作为待推送电商产品信息的相关推送引用信息。
将目标主动用户画像引用的推送内容信息按照引用的先后顺序进行排序，将排序后的各推送内容中，待推送电商产品信息之前的第三预设数量的推送内容信息或之后的第四预设数量的推送内容信息中的一个或者多个组合作为待推送电商产品信息的相关推送引用信息。
将待推送电商产品信息的目标主动用户画像在第二推送阶段内引用的推送内容信息作为相关推送引用信息，第二推送阶段是指相对于待推送电商产品信息的引用持续数据的推送阶段。
步骤A120，获取待推送电商产品信息以及内容推送决策信息中各个决策信息的初始推送决策特征。
其中，待推送电商产品信息的初始推送决策特征可以反映待推送电商产品信息的特征，内容推送决策信息中各个决策信息的初始推送决策特征可以反映各个决策信息的特征。
一种可独立实施的实施例中，获取待推送电商产品信息以及内容推送决策信息中各个决策信息的初始推送决策特征，包括：
获取待推送电商产品信息的电商推送主题，提取电商推送主题对应的主题推送决策特征，将主题推送决策特征作为待推送电商产品信息的初始推送决策特征；
若内容推送决策信息包括相关用户画像，对于任一相关用户画像，获取相关用户画像对应的过往推送内容信息，基于过往推送内容信息确定相关用户画像的初始推送决策特征。
其中，电商推送主题可反映推送内容的相关主题特征，则可将电商推送主题的主题推送决策特征作为待推送电商产品信息对应知识实体的初始推送决策特征。
譬如，一种可独立实施的实施例中，提取电商推送主题对应的主题推送决策特征可通过以下方式实现：
对电商推送主题进行主题拆分，得到电商推送主题中包含的各拆分子主题；提取各拆分子主题的子推送决策特征；基于各拆分子主题的子推送决策特征，确定主题推送决策特征。一种可独立实施的实施例中，可对各拆分子主题的子推送决策特征加权融合，得到主题推送决策特征。
一种可独立实施的实施例中，可对各过往推送内容信息的目标推送决策特征进行加权平均，将该加权平均结果作为目标主动用户画像或被动用户画像对应知识实体的初始推送决策特征。
一种可独立实施的实施例中，相关用户画像包括待推送电商产品信息的目标主动用户画像或待推送电商产品信息的被动用户画像中的一个或者多个组合，若相关用户画像包括目标主动用户画像，过往推送内容信息为目标主动用户画像在当前推送节点之前的第一推送阶段内所引用的推送内容信息，若相关用户画像包括被动用户画像，过往推送内容信息为被动用户画像在当前推送节点之前的第二推送阶段内所引用的推送内容信息。
一种可独立实施的实施例中，若相关用户画像包括目标主动用户画像，可在当前推送节点之前的第一推送阶段内所引用的至少一个推送内容决策信息中选择近期（与引用待推送电商产品信息的引用时序间隔较小）引用的推送内容信息作为过往推送内容信息。近期引用的推送内容信息可以更加准确的反应用户的偏好变化，使得确定的目标主动用户画像对应知识实体的初始推送决策特征更加准确。
一种可独立实施的实施例中，若相关用户画像包括被动用户画像，可在当前推送节点之前的第二推送阶段内所引用的至少一个推送内容决策信息中选择近期(与引用待推送电商产品信息的时间间隔较小）引用的推送内容信息作为过往推送内容信息。近期引用的推送内容信息可以更加准确的反应用户的偏好变化，使得确定的被动用户画像对应知识实体的初始推送决策特征更加准确。
步骤A130：确定待推送电商产品信息对应的特征联系信息，其中，特征联系信息为待推送电商产品信息和内容推送决策信息中各个决策信息之间的特征联系信息。
步骤A140：基于各初始推送决策特征以及特征联系信息，确定待推送电商产品信息的目标推送决策特征，以基于目标推送决策特征进行待推送电商产品信息的推送决策。
其中，由于特征联系信息可以反映待推送电商产品信息与内容推送决策信息中各个决策信息之间的特征联系信息，各初始推送决策特征可以反映待推送电商产品信息的推送内容信息本身特征，以及内容推送决策信息中各个决策信息的本身特征，因此，基于各初始推送决策特征以及特征联系信息确定的目标推送决策特征对于推送内容的推送决策处理更加精确。
基于以上步骤，在获取推送内容的推送决策特征时，除了考虑待推送电商产品信息本身之前，还考虑了该推送内容的内容推送决策信息，具体的，内容推送决策信息包括待推送电商产品信息的推送属性信息、待推送电商产品信息的相关用户画像或待推送电商产品信息的相关推送引用信息的一个或者多个组合，推送属性信息是能够反映推送内容本身类别的特征，相关推送引用信息可以反映主动用户画像的推送内容信息偏好，即相关推送引用信息能够从别的维度反映待推送电商产品信息的推送内容信息特征，而待推送电商产品信息通常也是与相关用户画像的匹配偏好相关，因此相关用户画像也是可以反映推送内容特征的相关信息，因此，以上确定出的目标推送决策特征中不仅包含了推送内容本身的信息，还包括与推送内容相关的多个不同维度的信息，从而使得该目标推送决策特征对于推送内容的推送决策处理更加精确。
一种可独立实施的实施例中，确定待推送电商产品信息对应的特征联系信息，包括：
基于内容推送决策信息以及待推送电商产品信息，构建待推送电商产品信息对应的知识网络，该知识网络表征了特征联系信息；
其中，知识网络中的知识实体包括待推送电商产品信息对应的知识实体、以及内容推送决策信息中各个决策信息各自对应的知识实体，知识网络中的连线包括待推送电商产品信息和内容推送决策信息中各个决策信息对应的知识实体之间的实体联系属性；
基于各初始推送决策特征以及特征联系信息，确定待推送电商产品信息的目标推送决策特征，包括：
基于各初始推送决策特征以及知识网络，确定待推送电商产品信息的目标推送决策特征。
其中，通过知识网络表征内容推送决策信息与待推送电商产品信息之间的特征联系信息。知识网络中不但包括各知识实体的信息，还包括知识网络中的各个连线的信息，即特征联系信息，则基于知识网络表征特征联系信息，可以更加准确反映待推送电商产品信息对应的特征。
一种可独立实施的实施例中，由于内容推送决策信息与待推送电商产品信息属于不同维度的信息，则可通过知识网络表征上述信息，知识网络为包含不同推送决策标签的知识实体的知识网络。其中，知识网络可表示为：G(V， E， T)，其中，V为所有知识实体的序列，E为所有实体连线的序列，T为知识实体的推送决策标签的序列。内容推送决策信息和关联信息中包含的每一种信息对应的知识实体属于一种推送决策标签的知识实体。比如，内容推送决策信息中包括推送属性信息和相关用户画像，每一个推送属性信息对应一个知识实体，每一个相关用户画像对应一个知识实体，所有推送属性信息对应的知识实体为一种推送决策标签的知识实体，所有相关用户画像对应的知识实体为另一种推送决策标签的知识实体。
例如，待推送电商产品信息A的内容推送决策信息中包括推送属性信息B1，相关用户画像，相关用户画像包括目标主动用户画像C1和目标主动用户画像C2，被动用户画像D1，相关推送引用信息E1和相关推送引用信息E2，则该待推送电商产品信息对应的知识网络中的知识实体包括A对应的知识实体a，推送属性信息B1对应的知识实体b1，目标主动用户画像C1对应的知识实体c1，目标主动用户画像C2对应的知识实体c2，被动用户画像D1对应的知识实体d1，相关推送引用信息E1对应的知识实体e1，相关推送引用信息E2对应的知识实体e2；该知识网络中的连线包括知识实体a分别与知识实体b1、知识实体c1、知识实体c2、知识实体d1、知识实体e1以及知识实体e2之间的实体联系属性。
一种可独立实施的实施例中，内容推送决策信息包括至少一个推送属性信息，知识网络中的连线还包括各推送属性信息所对应的知识实体之间的实体联系属性。
其中，如果内容推送决策信息中包括至少两个推送属性信息，即待推送电商产品信息具有至少两个推送类别时，由于多个推送属性信息均是该待推送电商产品信息的类别，是具有特征联系信息的，因此，知识网络中的连线还可以包括各推送属性信息所对应的知识实体之间的实体联系属性，以通过该实体联系属性来表示该实体联系属性所连接的知识实体对应的都是该处理推送内容的类别，从而通过该知识网络更准确、细化的表达了待推送电商产品信息和待推送电商产品信息的各推送属性信息之间的特征联系信息，基于该知识网络架构可以获取到更准确的待推送电商产品信息的特征表达即目标推送决策特征。
在上述推送内容中，若待推送电商产品信息A的推送属性信息还包括推送属性信息B2，则知识网络中的知识实体还包括推送属性信息B2对应的知识实体b2，知识网络中的连线还包括知识实体a与知识实体b2之间的实体联系属性，以及知识实体b2和知识实体b1之间的实体联系属性。
一种可独立实施的实施例中，基于各初始推送决策特征以及知识网络，确定待推送电商产品信息的目标推送决策特征，包括：
对于知识网络中目标知识实体，基于目标知识实体的每种推送决策标签的各联系知识实体对应的初始推送决策特征，提取得到每种推送决策标签的标签描述对应的第一推送决策特征，目标知识实体为待推送电商产品信息对应的知识实体，内容推送决策信息中的每一项推送决策信息对应的知识实体属于一种推送决策标签的知识实体；
基于目标知识实体所对应的各第一推送决策特征和目标知识实体的初始推送决策特征，提取待推送电商产品信息的目标推送决策特征。
其中，目标知识实体的联系知识实体指的是与目标知识实体有实体联系属性的知识实体，联系知识实体可以反映出目标知识实体的某些特征，为此，提取目标知识实体对应的目标推送决策特征时，会参考目标知识实体的各联系知识实体的推送决策特征。
不同推送决策标签的联系知识实体对应反映的知识实体特征不同，因此，在提取各联系知识实体的实体推送决策特征（第一推送决策特征）时，可以按照联系知识实体的推送决策标签进行提取。同一推送决策标签的标签描述对应一个第一推送决策特征。
需要说明的是，对于知识网络中的每个知识实体，均需要基于该知识实体的每种推送决策标签的标签描述对应的初始推送决策特征，提取得到该知识实体对应的每种推送决策标签的标签描述对应的第一推送决策特征。
一种可独立实施的实施例中，该方法还可以包括以下步骤：
对于知识网络中每一知识实体，通过执行至少一次以下流程提取该知识实体的实体推送决策特征：
基于该知识实体的每种推送决策标签的各联系知识实体的当前推送决策特征，提取得到该推送决策标签的标签描述对应的第二推送决策特征；基于该知识实体的当前推送决策特征和该知识实体对应的各第二推送决策特征，得到该知识实体的目标推送决策特征；其中，若流程为一次，当前推送决策特征为初始推送决策特征，目标推送决策特征为知识实体推送决策特征，若流程为至少两次，第一次流程对应的当前推送决策特征为初始推送决策特征，除第一次流程作之前对应的当前推送决策特征为上一次流程得到的目标推送决策特征，知识实体推送决策特征为最后一次流程得到的目标推送决策特征；
其中，基于知识网络中各知识实体的初始推送决策特征，对各知识实体进行进一步的特征提取，得到各知识实体的实体推送决策特征，通过知识实体推送决策特征更深层次的表征知识实体的特征。
其中，对于知识网络中的每一知识实体，在得到该知识实体的初始推送决策特征之后，可基于该知识实体的初始推送决策特征，对该知识实体进行至少一次的特征提取，得到该知识实体的实体推送决策特征，即一次流程对应一次特征提取。当前次流程得到的目标推送决策特征作为下一次流程的当前推送决策特征。
例如，k为流程次数，k为大于等于2的整数。如果k=1，即流程执行一次，当前推送决策特征为初始推送决策特征，目标推送决策特征为知识实体推送决策特征。如果k=2，即流程执行两次，当前推送决策特征为初始推送决策特征，第二推送决策特征为通过第1次流程所得到的目标推送决策特征，知识实体推送决策特征为第2次（最后一次流程）操作所得到的目标推送决策特征。
基于目标知识实体的每种推送决策标签的各联系知识实体对应的初始推送决策特征，提取得到每种该推送决策标签的标签描述对应的第一推送决策特征，包括：
对于每一种推送决策标签，将目标知识实体的该推送决策标签的各联系知识实体的实体推送决策特征进行融合，得到该推送决策标签的标签描述对应的第一推送决策特征。
基于目标知识实体对应的各第一推送决策特征和目标知识实体的初始推送决策特征，提取待推送电商产品信息的目标推送决策特征，包括：
将目标知识实体对应的各第一推送决策特征和目标知识实体的实体推送决策特征进行拼接；
基于拼接后的推送决策特征，提取待推送电商产品信息的目标推送决策特征。
其中，对应任一推送决策标签的各联系知识实体，不同联系知识实体的实体推送决策特征反映了不同的特征，将各联系知识实体的实体推送决策特征进行融合，将融合后的推送决策特征作为该推送决策标签的标签描述对应的第一推送决策特征。对于知识网络中的目标知识实体的每种推送决策标签的各联系知识实体均进行相同的推送决策，得到该目标知识实体的各推送决策标签的标签描述对应的第一推送决策特征。
其中，在得到各种推送决策标签的标签描述对应的第一推送决策特征之后，可对各种推送决策标签的标签描述对应的第一推送决策特征和目标知识实体的实体推送决策特征进行拼接，得到拼接后的推送决策特征，该拼接后的推送决策特征中包含了各联系知识实体的推送决策特征以及目标知识实体的推送决策特征，则对该拼接后的推送决策特征进行进一步的特征提取得到的待推送电商产品信息的目标推送决策特征更加准确。
一种可独立实施的实施例中，将各种推送决策标签的标签描述对应的第一推送决策特征和目标知识实体的实体推送决策特征进行拼接，包括：
获取各推送决策标签的标签描述对应的第一重要性系数，以及待推送电商产品信息对应的第二重要性系数；
基于各推送决策标签的标签描述对应的第一重要性系数，对各推送决策标签的标签描述对应的第一推送决策特征进行加权，得到各推送决策标签的标签描述对应的第二推送决策特征；
基于第二重要性系数，对目标知识实体的实体推送决策特征进行加权，得到第三推送决策特征；对各推送决策标签的标签描述对应的第二推送决策特征和第三推送决策特征进行拼接。
其中，由于不同维度的信息对于待推送电商产品信息的目标推送决策特征的重要程度不同，则可基于各推送决策标签的标签描述对应的第一重要性系数，以及待推送电商产品信息对应的第二重要性系数，对各种推送决策标签的标签描述对应的第一推送决策特征和目标知识实体的实体推送决策特征进行拼接，以使得到的拼接后的推送决策特征中充分考虑到了不同维度的信息对目标推送决策特征的影响，从而使得最终确定的目标推送决策特征更加准确。
一种可独立实施的实施例中，第一重要性系数可以为矩阵排列，对于目标知识实体，该目标知识实体对应的矩阵排列中的每个元素对应于该目标知识实体的每种推送决策标签的标签描述对应的第一推送决策特征。
一种可独立实施的实施例中，知识网络中的不同知识实体的各推送决策标签的标签描述对应的第一重要性系数可以不同。
在得到了待推送电商产品信息的目标推送决策特征之后，可基于该目标推送决策特征对待推送电商产品信息进行推送决策。
一种可独立实施的实施例中，待推送电商产品信息为用户引用的推送内容信息，基于目标推送决策特征进行待推送电商产品信息的推送决策，包括：
基于待推送电商产品信息的目标推送决策特征和第一推送内容源中各候选推送内容的目标推送决策特征的相关度量值，从第一推送内容源中确定出目标推送内容，将目标推送内容发送给所述电子商务使用终端，其中，待推送电商产品信息为所述电子商务使用终端引用过的推送内容信息；或者，
基于第二推送内容源中各推送内容的目标推送决策特征之间的特征距离，对第二推送内容源中的各推送内容进行聚类整理，其中，待推送电商产品信息为第二推送内容源中的每一推送内容。
其中，基于待推送电商产品信息的目标推送决策特征，从第一推送内容源中确定与待推送电商产品信息相关联的候选推送内容的一种可实现方案为：基于确定待推送电商产品信息的目标推送决策特征相同的方法，确定第一推送内容源中的各候选推送内容的目标推送决策特征，然后基于待推送电商产品信息的目标推送决策特征和各候选推送内容的目标推送决策特征之间的特征距离，确定待推送电商产品信息相关联的目标推送内容，将所述目标推送内容发送给所述电子商务使用终端。
此外，一种可独立实施的实施例中，基于所述目标推送决策特征进行所述待推送电商产品信息的推送决策还可以通过以下步骤实现。
（1）获取对所述目标推送决策特征进行倾向解析后所得到的第一倾向知识图谱信息和第二倾向知识图谱信息，其中，所述第一倾向知识图谱信息为主动内容更新服务的动态倾向知识图谱信息，所述第二倾向知识图谱信息为包括被动内容更新服务的静态倾向知识图谱信息；
（2）确定所述第一倾向知识图谱信息和所述第二倾向知识图谱信息中对应知识图谱内容节点的相关信息，并基于所述对应知识图谱内容节点的相关信息确定出所述第一倾向知识图谱信息和所述第二倾向知识图谱信息之间对应的且满足预设订阅推送条件的目标知识图谱内容节点；
（3）基于所述第一倾向知识图谱信息中的所述目标知识图谱内容节点对所述第二倾向知识图谱信息中的所述目标知识图谱内容节点进行内容更新同步验证；
（4）对内容更新同步验证后的所述第二倾向知识图谱信息中的内容节点信息进行整合以得到目标倾向知识图谱信息，并根据所述第一倾向知识图谱信息和所述目标倾向知识图谱信息生成针对所述待推送电商产品信息的信息推送策略。
譬如，确定所述第一倾向知识图谱信息和所述第二倾向知识图谱信息中对应知识图谱内容节点的相关信息包括：确定所述第一倾向知识图谱信息中各知识图谱内容节点的内容源特征以及所述第二倾向知识图谱信息中各知识图谱内容节点的内容源特征；基于所述第一倾向知识图谱信息中各知识图谱内容节点的内容源特征以及所述第二倾向知识图谱信息中各知识图谱内容节点的内容源特征，确定所述第一倾向知识图谱信息和所述第二倾向知识图谱信息中对应知识图谱内容节点的相关分团数据，其中，所述相关信息包括所述相关分团数据； 其中，确定所述第一倾向知识图谱信息和所述第二倾向知识图谱信息中对应知识图谱内容节点的相关分团数据，包括以下至少之一：基于所述第一倾向知识图谱信息中各知识图谱内容节点的内容源特征以及所述第二倾向知识图谱信息中各知识图谱内容节点的内容源特征，确定所述第一倾向知识图谱信息和所述第二倾向知识图谱信息中所述对应知识图谱内容节点的内容区别信息以确定所述相关分团数据；基于所述第一倾向知识图谱信息中各知识图谱内容节点的内容源特征以及所述第二倾向知识图谱信息中各知识图谱内容节点的内容源特征，确定所述第一倾向知识图谱信息和所述第二倾向知识图谱信息中所述对应知识图谱内容节点的内容源特征对应的全局内容类别分布以确定所述相关分团数据；确定所述第一倾向知识图谱信息和所述第二倾向知识图谱信息中所述对应知识图谱内容节点的内容热点分布信息，基于确定出的内容热点分布信息以及所述第一倾向知识图谱信息和所述第二倾向知识图谱信息中所述对应知识图谱内容节点的内容源特征确定所述相关分团数据。
譬如，基于所述对应知识图谱内容节点的相关信息确定出所述第一倾向知识图谱信息和所述第二倾向知识图谱信息之间对应的且满足预设订阅推送条件的目标知识图谱内容节点包括：对所述第一倾向知识图谱信息和所述第二倾向知识图谱信息中所述对应知识图谱内容节点按照相关信息对应的历史频繁更新度进行降序排列；采用以下方式中的一种从排序后的所述对应知识图谱内容节点中确定出所述目标知识图谱内容节点：选择预设数量的所述对应知识图谱内容节点作为所述目标知识图谱内容节点；选择预设比例的所述对应知识图谱内容节点作为所述目标知识图谱内容节点； 将相关信息对应的历史频繁更新度大于第一频繁度阈值的所述对应知识图谱内容节点确定为所述目标知识图谱内容节点；按顺序将相关信息对应的历史频繁更新度小于第二频繁度阈值的所述对应知识图谱内容节点中包括的各对应知识图谱内容节点按照预设标注数量进行标注，基于标注结果确定所述目标知识图谱内容节点；基于所述对应知识图谱内容节点的共享内容区别信息的变化选取所述目标知识图谱内容节点；
其中，按顺序将相关信息对应的历史频繁更新度小于第二频繁度阈值的所述对应知识图谱内容节点中包括的各对应知识图谱内容节点按照预设标注数量进行标注，基于标注结果确定所述目标知识图谱内容节点包括：确定与相关信息对应的历史频繁更新度小于第二频繁度阈值的所述对应知识图谱内容节点中包括的各对应知识图谱内容节点的相关信息对应的标注数量，其中，相关信息的历史频繁更新度越小对应的标注数量越大；按照确定的标注数量对相关信息对应的历史频繁更新度小于第二频繁度阈值的所述对应知识图谱内容节点中包括的各对应知识图谱内容节点进行标记； 对标注后的所述对应知识图谱内容节点按照进行降序排列，以得到所述目标知识图谱内容节点；其中，基于所述对应知识图谱内容节点的共享内容区别信息的变化选取所述目标知识图谱内容节点包括：选取预设数量的所述对应知识图谱内容节点，并确定所述预设数量的所述对应知识图谱内容节点的第一内容区别信息，其中，所述预设数量为预设的最小数量；选取预设数量加一的所述对应知识图谱内容节点，并确定所述预设数量加一的所述对应知识图谱内容节点的第二内容区别信息；在确定所述第一内容区别信息和所述第二内容区别信息的匹配度大于或等于设定匹配度时，将所述预设数量的所述对应知识图谱内容节点确定为所述目标知识图谱内容节点；在确定所述第一内容区别信息和所述第二内容区别信息的匹配度小于所述设定匹配度时，重复执行选取比前一次选取数量多一个的所述对应知识图谱内容节点，直到后选取出的所述对应知识图谱内容节点的内容区别信息与前一次选取出的所述对应知识图谱内容节点的内容区别信息的匹配度大于或等于所述设定匹配度，并将前一次选取出的所述对应知识图谱内容节点确定为所述目标知识图谱内容节点。
譬如，基于所述第一倾向知识图谱信息中的所述目标知识图谱内容节点对所述第二倾向知识图谱信息中的所述目标知识图谱内容节点进行内容更新同步验证包括：使用分布网络表示所述第一倾向知识图谱信息中的所述目标倾向知识图谱信息中包括的每一个知识图谱内容节点，将分布网络表示的各知识图谱内容节点组成第一倾向知识图谱信息簇，对所述第一倾向知识图谱信息簇进行内容更新同步验证，以得到第一内容更新同步验证结果；使用分布网络表示所述第二倾向知识图谱信息中的所述目标倾向知识图谱信息中包括的每一个知识图谱内容节点，将分布网络表示的各知识图谱内容节点组成第二倾向知识图谱信息簇，对所述第二倾向知识图谱信息簇进行内容更新同步验证，以得到第二内容更新同步验证结果；基于所述第一内容更新同步验证结果对所述第一倾向知识图谱信息中的所述目标倾向知识图谱信息进行内容更新同步验证，以得到第一验证倾向知识图谱信息；基于所述第二内容更新同步验证结果以及所述第一验证倾向知识图谱信息对所述第二倾向知识图谱信息中的所述目标倾向知识图谱信息进行内容更新同步验证。
一种可独立实施的实施例中，基于各初始推送决策特征以及特征联系信息，确定待推送电商产品信息的目标推送决策特征是AI训练网络实现的，AI训练网络的训练步骤包括：
获取训练基础数据集，训练基础数据集中包括多个训练基础数据，每个训练基础数据包括一个参考推送内容对应的参考知识网络以及该参考知识网络中各知识实体的初始推送决策特征，其中，任一参考知识网络中的各知识实体包括参考推送内容对应的第一知识实体和各第一推送决策信息对应第二知识实体，第一推送决策信息为参考推送内容的内容推送决策信息中任一项推送决策信息，参考知识网络中的连线包括第一知识实体与各第二知识实体之间的实体联系属性；
将各训练基础数据输入至初始AI训练网络，得到每个训练基础数据对应的各知识实体的预测推送决策特征；
对于每个训练基础数据，基于该训练基础数据的参考知识网络中第一知识实体的预测推送决策特征和各第二知识实体的预测推送决策特征之间的特征距离，确定训练基础数据对应的第一收敛评估指标值；
基于各训练基础数据对应的第一收敛评估指标值，确定AI训练网络对应的总收敛评估指标值；
若总收敛评估指标值满足收敛要求，则终止训练流程，并将最终输出的目标网络作为AI训练网络，否则，调整AI训练网络的网络权重配置信息，并基于训练基础数据集对AI训练网络继续进行训练。
其中，参考知识网络指的是参考推送内容对应的知识网络，参考知识网络中各知识实体的初始推送决策特征可基于前述描述的待推送电商产品信息对应的知识网络中各知识实体的初始推送决策特征的方式确定。
一种可独立实施的实施例中，初始AI训练网络可以为图卷积神经网络。
其中，对于一个训练基础数据，通过初始AI训练网络得到该训练基础数据对应的参考推送内容对应的知识实体（第一知识实体）的预测推送决策特征的具体实施方式，可参照前述实施例的基于各初始推送决策特征以及特征联系信息，确定待推送电商产品信息的目标推送决策特征的方式确定。对于该训练基础数据对应的参考知识网络中的其它知识实体，可以采用前述实施例确定其它知识实体中各知识实体对应的预测推送决策特征，比如，对于将参考知识网络中除参考推送内容对应的知识实体之外其它知识实体中的任一知识实体，可基于该知识实体的实体推送决策特征以及该知识实体的联系知识实体对应的第一推送决策特征，确定该知识实体的预测推送决策特征。
对于每个训练基础数据，第一收敛评估指标值表征了该训练基础数据的参考知识网络中第一知识实体的预测推送决策特征和各第二知识实体的预测推送决策特征之间的差异。该收敛评估指标值越大，表明第一知识实体的预测推送决策特征和第二知识实体之间的差异越大。对于该初始AI训练网络，总收敛评估指标值越小，表示初始AI训练网络的性能越好，即基于初始AI训练网络确定出的目标推送决策特征越精确。
一种可独立实施的实施例中，对于每个参考知识网络，参考知识网络中还包括各第二推送决策信息对应的第三知识实体，第二推送决策信息包括与参考推送内容非相关且与第一推送决策信息中的一个或者多个组合信息相关的信息，对于每一第一推送决策信息，参考知识网络中的连线还包括该第一推送决策信息对应的第二知识实体与第二推送决策信息中与该第一推送决策信息相关的信息对应的第三知识实体之间的实体联系属性；
在此基础上，该方法还可以包括：
对于每个训练基础数据，基于各第三知识实体的预测推送决策特征和第一知识实体的预测推送决策特征之间的特征距离，确定训练基础数据对应的第二收敛评估指标值；
基于各训练基础数据对应的第一收敛评估指标值，确定AI训练网络对应的总收敛评估指标值，包括：
基于各训练基础数据对应的第一收敛评估指标值和第二收敛评估指标值，确定总收敛评估指标值。
其中，第二推送决策信息包括与参考推送内容非相关且与第一推送决策信息中的一个或者多个组合信息相关的信息，例如，比如，参考推送内容A的内容推送决策信息包括相关推送引用信息B，相关推送引用信息B的内容推送决策信息包括推送属性信息a，推送属性信息a是与参考推送内容A不相关（非相关），且与相关推送引用信息B相关的信息。参考知识网络中的知识实体还包括各第二推送决策信息各自对应的第三知识实体，该参考知识网络中的连线还包括推送属性信息a与相关推送引用信息B之间的实体联系属性。
通过第二收敛评估指标值对总收敛评估指标值进行约束，第二收敛评估指标值表征了各第二推送决策信息对应的第三知识实体的预测推送决策特征和第一知识实体的预测推送决策特征之间的差异。
图3示出了本申请实施例提供的用于实现上述的应用于电子商务服务的大数据挖掘方法的人工智能分析系统100的硬件结构示意图，如图3所示，人工智能分析系统100可包括处理芯片110、机器可读存储介质120；其中，机器可读存储介质120上存储有可执行代码，当可执行代码被处理芯片110执行时，使处理芯片110执行以上应用于电子商务服务的大数据挖掘方法的实施例的步骤。
实际上，该人工智能分析系统中还可以包括通信接口140，处理芯片110、机器可读存储介质120和通信接口140通过总线130连接，通信接口140用于与其它设备通信。
另外，本申请实施例提供了一种非暂时性机器可读存储介质，非暂时性机器可读存储介质上存储有可执行代码，当可执行代码被人工智能分析系统100的处理芯片110执行时，使处理芯片至少可以实现如前述应用于电子商务服务的大数据挖掘方法的实施例的步骤。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种应用于电子商务服务的大数据挖掘方法，其特征在于，应用于人工智能分析系统，所述人工智能分析系统与多个电子商务使用终端通信连接，所述方法包括：
获取标的电商行为数据集和待收敛配置的电商意图挖掘网络，所述标的电商行为数据集包括标的电商行为数据、所述标的电商行为数据对应的标的电商意图信息以及对照电商行为数据，所述电商意图挖掘网络包括第一向量挖掘单元和第二向量挖掘单元、向量恢复单元，所述第一向量挖掘单元和所述第二向量挖掘单元共享配置向量压缩单元；
基于所述标的电商行为数据及其对应的标的电商意图信息，对所述第一向量挖掘单元进行初始训练，得到初始训练后的第一向量挖掘单元，所述第一向量挖掘单元包括向量压缩单元和第一向量挖掘子单元；
通过所述初始训练后的第一向量挖掘单元，对所述标的电商行为数据和所述对照电商行为数据进行向量挖掘，得到所述标的电商行为数据对应的标的行为向量序列和所述对照电商行为数据对应的对照行为向量序列；
基于所述标的行为向量序列和所述对照行为向量序列之间的训练收敛评估值，对所述对照电商行为数据进行更新，得到所述标的电商行为数据对应的第一目标电商行为数据；
根据所述标的电商行为数据和所述第一目标电商行为数据对电商意图挖掘网络进行训练，得到训练后的电商意图挖掘网络，所述训练后的电商意图挖掘网络用于对电商行为数据进行意图挖掘。
2.根据权利要求1所述的应用于电子商务服务的大数据挖掘方法，其特征在于，所述根据所述标的电商行为数据和所述第一目标电商行为数据对电商意图挖掘网络进行训练，得到训练后的电商意图挖掘网络，包括：
将所述标的电商行为数据和所述第一目标电商行为数据分别确定为选定电商行为数据；
通过所述初始训练后的第一向量挖掘单元和所述第二向量挖掘单元，对所述选定电商行为数据进行向量挖掘，得到所述选定电商行为数据的行为向量序列；
通过所述向量恢复单元对所述选定电商行为数据的行为向量序列进行向量恢复处理，得到向量恢复后选定电商行为数据；
基于所述向量恢复后选定电商行为数据和所述选定电商行为数据之间的第一训练收敛评估值，对电商意图挖掘网络的第二向量挖掘单元中的单元重要性系数信息进行优化，得到训练后的电商意图挖掘网络。
3.根据权利要求2所述的应用于电子商务服务的大数据挖掘方法，其特征在于，所述电商意图挖掘网络还包括第一意图挖掘单元和第二意图挖掘单元；
所述选定电商行为数据的行为向量序列包括所述标的电商行为数据的第一行为向量序列和第二行为向量序列，所述第一行为向量序列是通过所述初始训练后的第一向量挖掘单元提取获得，所述第二行为向量序列是通过所述第二向量挖掘单元提取获得；所述标的电商意图信息为所述标的电商行为数据属于候选电商意图的预测置信度；
所述基于所述向量恢复后选定电商行为数据和所述选定电商行为数据之间的第一训练收敛评估值，对电商意图挖掘网络的第二向量挖掘单元中的单元重要性系数信息进行优化，得到训练后的电商意图挖掘网络，包括：
通过所述第一意图挖掘单元，基于所述标的电商行为数据的第一行为向量序列对所述标的电商行为数据进行意图挖掘，得到所述标的电商行为数据属于候选电商意图的实际第一预测置信度；
基于所述实际第一预测置信度和所述预测置信度之间的第二训练收敛评估值，对所述初始训练后的第一向量挖掘单元和所述第一意图挖掘单元的单元重要性系数信息进行优化；
通过所述第二意图挖掘单元，基于所述标的电商行为数据的第二行为向量序列对所述标的电商行为数据进行意图挖掘，得到所述标的电商行为数据属于候选电商意图的实际第二预测置信度；
基于所述实际第二预测置信度和所述预测置信度之间的第三训练收敛评估值，对所述第二意图挖掘单元的单元重要性系数信息进行优化；
基于所述向量恢复后选定电商行为数据和所述选定电商行为数据之间的第一训练收敛评估值，对所述第二向量挖掘单元中的单元重要性系数信息进行优化；
当所述第一训练收敛评估值、所述第二训练收敛评估值和所述第三训练收敛评估值收敛时终止优化流程，得到训练后的电商意图挖掘网络。
4.根据权利要求3所述的应用于电子商务服务的大数据挖掘方法，其特征在于，所述当所述第一训练收敛评估值、所述第二训练收敛评估值和所述第三训练收敛评估值收敛时终止优化流程，得到训练后的电商意图挖掘网络，包括：
确定所述第一训练收敛评估值、所述第二训练收敛评估值和所述第三训练收敛评估值对应的重要性系数；
基于所述重要性系数，对所述第一训练收敛评估值、所述第二训练收敛评估值和所述第三训练收敛评估值进行重要性系数融合，得到所述电商意图挖掘网络的全局训练收敛评估值；
当所述全局训练收敛评估值收敛时终止优化流程，得到训练后的电商意图挖掘网络。
5.根据权利要求1所述的应用于电子商务服务的大数据挖掘方法，其特征在于，所述基于所述标的行为向量序列和所述对照行为向量序列之间的训练收敛评估值，对所述对照电商行为数据进行更新，得到所述标的电商行为数据对应的第一目标电商行为数据，包括：
基于所述标的行为向量序列和所述对照行为向量序列之间的训练收敛评估值，对所述对照电商行为数据进行更新，得到待定第一目标电商行为数据；
将所述待定第一目标电商行为数据作为新的对照电商行为数据；
通过所述初始训练后的第一向量挖掘单元，对新的对照电商行为数据进行向量挖掘，得到所述新的对照电商行为数据对应的对照行为向量序列；
返回执行所述基于所述标的行为向量序列和所述对照行为向量序列之间的训练收敛评估值，对所述对照电商行为数据进行更新，得到待定第一目标电商行为数据的步骤，直到待定第一目标电商行为数据满足目标更新要求，将满足所述目标更新要求的待定第一目标电商行为数据作为所述标的电商行为数据对应的第一目标电商行为数据。
6.根据权利要求1所述的应用于电子商务服务的大数据挖掘方法，其特征在于，所述基于所述标的行为向量序列和所述对照行为向量序列之间的训练收敛评估值，对所述对照电商行为数据进行更新，得到所述标的电商行为数据对应的第一目标电商行为数据，包括：
计算所述标的行为向量序列和所述对照行为向量序列之间的训练收敛评估值；
确定所述训练收敛评估值对所述对照电商行为数据的梯度；
基于所述梯度，对所述对照电商行为数据进行更新，得到所述标的电商行为数据对应的第一目标电商行为数据。
7.根据权利要求1-6中任意一项所述的应用于电子商务服务的大数据挖掘方法，其特征在于，所述基于所述标的电商行为数据及其对应的标的电商意图信息，对所述第一向量挖掘单元进行初始训练，得到初始训练后的第一向量挖掘单元，包括：
通过所述第一向量挖掘单元对所述标的电商行为数据进行向量挖掘，得到所述标的电商行为数据的第一行为向量序列；
基于所述标的电商行为数据的第一行为向量序列，对所述标的电商行为数据进行意图挖掘，得到所述标的电商行为数据属于候选电商意图的实际第一预测置信度；
基于所述实际第一预测置信度和所述标的电商意图信息，对所述第一向量挖掘单元的单元重要性系数信息进行优化，得到初始训练后的第一向量挖掘单元。
8.根据权利要求1-7中任意一项所述的应用于电子商务服务的大数据挖掘方法，其特征在于，所述方法还包括：
获取所述电子商务使用终端的待进行意图挖掘的目标电商行为数据；
通过所述训练后的电商意图挖掘网络中第一向量挖掘单元对所述目标电商行为数据进行向量挖掘，得到所述目标电商行为数据的第一行为向量序列，并基于所述目标电商行为数据的第一行为向量序列，对所述目标电商行为数据进行意图挖掘，得到所述目标电商行为数据属于候选电商意图的第一预测置信度；
通过所述训练后的电商意图挖掘网络中第二向量挖掘单元对所述目标电商行为数据进行向量挖掘，得到所述目标电商行为数据的第二行为向量序列，并基于所述目标电商行为数据的第二行为向量序列，对所述目标电商行为数据进行意图挖掘，得到所述目标电商行为数据属于候选电商意图的第二预测置信度；
基于所述第一预测置信度和所述第二预测置信度，确定所述目标电商行为数据的目标挖掘意图序列；
所述基于所述第一预测置信度和所述第二预测置信度，确定所述目标电商行为数据的目标挖掘意图序列，包括：
确定所述第一预测置信度和所述第二预测置信度对应的重要性系数；
基于所述重要性系数，对所述第一预测置信度和所述第二预测置信度进行重要性系数融合，得到所述目标电商行为数据的目标挖掘意图序列。
9.根据权利要求8所述的应用于电子商务服务的大数据挖掘方法，其特征在于，所述方法还包括：
基于所述目标电商行为数据的目标挖掘意图序列，获取对应的待推送电商产品信息，并获取所述待推送电商产品信息的内容推送决策信息，所述内容推送决策信息包括所述待推送电商产品信息的推送属性信息、所述待推送电商产品信息的相关用户画像或所述待推送电商产品信息的相关推送引用信息的一个或者多个组合；
获取所述待推送电商产品信息以及所述内容推送决策信息中各个决策信息的初始推送决策特征；
确定所述待推送电商产品信息对应的特征联系信息，其中，所述特征联系信息为所述待推送电商产品信息和所述内容推送决策信息中各个决策信息之间的特征联系信息；
基于各所述初始推送决策特征以及所述特征联系信息，确定所述待推送电商产品信息的目标推送决策特征，以基于所述目标推送决策特征进行所述待推送电商产品信息的推送决策后在所述电子商务使用终端上进行展示；
其中，基于所述目标推送决策特征进行所述待推送电商产品信息的推送决策，包括：
基于所述待推送电商产品信息的目标推送决策特征和第一推送内容源中各候选推送内容的目标推送决策特征的相关度量值，从第一推送内容源中确定出目标推送内容，将所述目标推送内容发送给所述电子商务使用终端；
或者，基于第二推送内容源中各推送内容的目标推送决策特征之间的特征距离，对所述第二推送内容源中的各推送内容进行聚类整理，其中，所述待推送电商产品信息为第二推送内容源中的每一推送内容；或者
获取对所述目标推送决策特征进行倾向解析后所得到的第一倾向知识图谱信息和第二倾向知识图谱信息，其中，所述第一倾向知识图谱信息为主动内容更新服务的动态倾向知识图谱信息，所述第二倾向知识图谱信息为包括被动内容更新服务的静态倾向知识图谱信息；
确定所述第一倾向知识图谱信息和所述第二倾向知识图谱信息中对应知识图谱内容节点的相关信息，并基于所述对应知识图谱内容节点的相关信息确定出所述第一倾向知识图谱信息和所述第二倾向知识图谱信息之间对应的且满足预设订阅推送条件的目标知识图谱内容节点；
基于所述第一倾向知识图谱信息中的所述目标知识图谱内容节点对所述第二倾向知识图谱信息中的所述目标知识图谱内容节点进行内容更新同步验证；
对内容更新同步验证后的所述第二倾向知识图谱信息中的内容节点信息进行整合以得到目标倾向知识图谱信息，并根据所述第一倾向知识图谱信息和所述目标倾向知识图谱信息生成针对所述待推送电商产品信息的信息推送策略。
10.一种人工智能分析系统，其特征在于，所述人工智能分析系统包括机器可读存储介质、处理芯片；其中，所述机器可读存储介质上存储有可执行代码，当所述可执行代码被所述处理芯片执行时，使所述处理芯片执行权利要求1-9中任意一项的应用于电子商务服务的大数据挖掘方法。
CN202110687155.7A 2021-06-21 2021-06-21 应用于电子商务服务的大数据挖掘方法及人工智能分析系统 Withdrawn CN113361793A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110687155.7A CN113361793A (zh) 2021-06-21 2021-06-21 应用于电子商务服务的大数据挖掘方法及人工智能分析系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110687155.7A CN113361793A (zh) 2021-06-21 2021-06-21 应用于电子商务服务的大数据挖掘方法及人工智能分析系统

Publications (1)

Publication Number Publication Date
CN113361793A true CN113361793A (zh) 2021-09-07

Family

ID=77535440

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110687155.7A Withdrawn CN113361793A (zh) 2021-06-21 2021-06-21 应用于电子商务服务的大数据挖掘方法及人工智能分析系统

Country Status (1)

Country Link
CN (1) CN113361793A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114155039A (zh) * 2021-12-10 2022-03-08 云南联达信息科技有限公司 基于电商意图大数据挖掘的信息处理方法及大数据系统
CN114155064A (zh) * 2021-12-09 2022-03-08 邯郸市钧逸大数据服务有限公司 采用ai和大数据分析的电商内容推荐方法及大数据系统
CN115712734A (zh) * 2022-11-21 2023-02-24 之江实验室 一种基于元学习的稀疏知识图谱嵌入方法和装置
CN116739641A (zh) * 2023-06-26 2023-09-12 广东粤贸全球科技有限公司 一种跨境电商知识图谱分析方法及系统
CN117876015A (zh) * 2024-03-11 2024-04-12 南京数策信息科技有限公司 一种用户行为数据分析方法、装置及相关设备

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114155064A (zh) * 2021-12-09 2022-03-08 邯郸市钧逸大数据服务有限公司 采用ai和大数据分析的电商内容推荐方法及大数据系统
CN114155039A (zh) * 2021-12-10 2022-03-08 云南联达信息科技有限公司 基于电商意图大数据挖掘的信息处理方法及大数据系统
CN115712734A (zh) * 2022-11-21 2023-02-24 之江实验室 一种基于元学习的稀疏知识图谱嵌入方法和装置
CN115712734B (zh) * 2022-11-21 2023-10-03 之江实验室 一种基于元学习的稀疏知识图谱嵌入方法和装置
CN116739641A (zh) * 2023-06-26 2023-09-12 广东粤贸全球科技有限公司 一种跨境电商知识图谱分析方法及系统
CN116739641B (zh) * 2023-06-26 2023-12-12 广东粤贸全球科技有限公司 一种跨境电商知识图谱分析方法及系统
CN117876015A (zh) * 2024-03-11 2024-04-12 南京数策信息科技有限公司 一种用户行为数据分析方法、装置及相关设备
CN117876015B (zh) * 2024-03-11 2024-05-07 南京数策信息科技有限公司 一种用户行为数据分析方法、装置及相关设备

Similar Documents

Publication Publication Date Title
CN113361793A (zh) 应用于电子商务服务的大数据挖掘方法及人工智能分析系统
CN113361794A (zh) 基于互联网电商大数据的信息推送方法及ai推送系统
CN108665064B (zh) 神经网络模型训练、对象推荐方法及装置
KR102234850B1 (ko) 릴레이션 네트워크에 기반한 지식 보완 방법 및 장치
CN111462282A (zh) 一种场景图生成方法
CN111339433A (zh) 基于人工智能的信息推荐方法、装置、电子设备
CN113361795A (zh) 基于电商产品推送和大数据的信息展示方法及云计算系统
CN112115377A (zh) 一种基于社交关系的图神经网络链路预测推荐方法
CN112989169B (zh) 目标对象识别方法、信息推荐方法、装置、设备及介质
CN114971784B (zh) 一种融合自注意力机制基于图神经网络的会话推荐方法与系统
CN111026852B (zh) 一种面向金融事件的混合型因果关系发现方法
CN114547439A (zh) 基于大数据和人工智能的业务优化方法及电子商务ai系统
CN110443574B (zh) 多项目卷积神经网络评审专家推荐方法
CN112102015B (zh) 物品推荐方法、元网络处理方法、装置、存储介质和设备
CN111460277B (zh) 一种基于移动社交网络树状传输路径的个性化推荐方法
CN112559877A (zh) 基于跨平台异构数据及行为上下文的ctr预估方法及系统
CN112541556A (zh) 模型构建优化方法、设备、介质及计算机程序产品
CN112989182A (zh) 信息处理方法、装置、信息处理设备及存储介质
CN114049161B (zh) 基于电商大数据反馈的推送优化方法及电商大数据系统
CN112927810B (zh) 基于大数据的智慧医疗响应方法及智慧医疗云计算系统
CN114547440A (zh) 基于互联网大数据的用户画像挖掘方法及人工智能云系统
CN114581139A (zh) 基于大数据意图挖掘的内容更新方法及深度学习服务系统
CN114579869A (zh) 模型训练方法以及相关产品
CN114638308A (zh) 一种获取对象关系的方法、装置、电子设备和存储介质
CN113468434A (zh) 资源推荐方法、装置、可读介质以及设备

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210907