CN113420567A - 基于大数据的电商服务需求处理方法及电子商务ai系统 - Google Patents

基于大数据的电商服务需求处理方法及电子商务ai系统 Download PDF

Info

Publication number
CN113420567A
CN113420567A CN202110855285.7A CN202110855285A CN113420567A CN 113420567 A CN113420567 A CN 113420567A CN 202110855285 A CN202110855285 A CN 202110855285A CN 113420567 A CN113420567 A CN 113420567A
Authority
CN
China
Prior art keywords
demand
conversation
target
service
data
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Withdrawn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
CN202110855285.7A
Other languages
English (en)
Inventor
周全
庄钰
贾小奇
郭坤锦
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.)
Dongguan Changxuechangwan Education Technology Co ltd
Original Assignee
Dongguan Changxuechangwan Education Technology 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 Dongguan Changxuechangwan Education Technology Co ltd filed Critical Dongguan Changxuechangwan Education Technology Co ltd
Priority to CN202110855285.7A priority Critical patent/CN113420567A/zh
Publication of CN113420567A publication Critical patent/CN113420567A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G06F40/35—Discourse or dialogue representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供一种基于大数据的电商服务需求处理方法及电子商务AI系统，在生成目标对话服务页面的目标对话需求关注点网络时，采用了为每个对话关键需求数据创建对话需求关注点，且采用根据每个对话需求关注点中包含的对话关键需求数据的数量来确定关键对话需求关注点的方式，来创建每个对话关键需求数据的目标对话需求关注点网络，可提高对目标对话服务页面的目标对话需求关注点网络的实际业务匹配度，由此，当获得在线电商需求处理应用对应目标对话服务页面的电商服务需求处理指令时，能够有效实现该目标对话服务页面对应的待处理电商服务需求的处理，提高目标对话服务页面的电商服务需求处理的有效性。

Description

基于大数据的电商服务需求处理方法及电子商务AI系统
技术领域
本申请涉及电子商务服务技术领域，具体而言，涉及一种基于大数据的电商服务需求处理方法及电子商务AI系统。
背景技术
移动互联网已经深入到用户生活的每一个角落。世界越来越小，信息的传播越来越快，内容也越来越丰富。现在，用户对于在网络上寻求信息和服务已经不再满足于简单的信息获取上，用户更多的是需要在网上实现方便的、便捷的、可交互式的网络服务，向互联网服务商发表自己的意见、服务需求及有关投诉，并且通过网站的交互式操作向互联网服务商进行产品的咨询、得到相应的回馈及技术支持。精明的互联网服务商绝不会错过这样庞大的市场，越来越多的互联网服务商已经开展了电子商务活动。
然而在相关技术中，存在电商需求响应效率低下的问题，如何很好地响应目标对话服务页面对应的待处理电商服务需求的处理，提高目标对话服务页面的电商服务需求处理的有效性，是当前重点值得研究的方向。
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基于大数据的电商服务需求处理方法及电子商务AI系统。
第一方面，本申请提供一种基于大数据的电商服务需求处理方法，应用于电子商务AI系统，所述电子商务AI系统与多个电商智慧终端通信连接，所述方法包括：
获取所述电商智慧终端对应的与在线电商需求处理应用相关的电商对话大数据，获取所述电商对话大数据中的目标对话服务页面对应的电商服务需求描述，根据所述电商服务需求描述获取所述目标对话服务页面的至少两个对话关键需求数据；
根据所述电商服务需求描述的需求描述覆盖信息确定所述至少两个对话关键需求数据分别在所述电商对话大数据中的对话需求关注点，得到一个或多个对话需求关注点；
根据所述一个或多个对话需求关注点中包含的对话关键需求数据的对话关键需求数量，在所述一个或多个对话需求关注点中选择预设数量个对话需求关注点，作为预设数量个关键对话需求关注点，将所述预设数量个关键对话需求关注点所共同构成的对话需求关注点网络确定为所述目标对话服务页面在所述电商对话大数据中的目标对话需求关注点网络；预设数量为小于或等于所述一个或多个对话需求关注点的总数量的正整数；
获取针对所述在线电商需求处理应用对应所述目标对话服务页面的电商服务需求处理指令，若所述电商服务需求处理指令所包含的待处理电商服务需求处于所述目标对话需求关注点网络，则根据所述目标对话需求关注点网络对所述待处理电商服务需求进行处理，获得电商服务需求对应的服务需求响应内容。
第二方面，本申请实施例还提供一种基于大数据的电商服务需求处理系统，所述基于大数据的电商服务需求处理系统包括电子商务AI系统以及与所述电子商务AI系统通信连接的多个电商智慧终端；
所述电子商务AI系统，用于：
获取所述电商智慧终端对应的与在线电商需求处理应用相关的电商对话大数据，获取所述电商对话大数据中的目标对话服务页面对应的电商服务需求描述，根据所述电商服务需求描述获取所述目标对话服务页面的至少两个对话关键需求数据；
根据所述电商服务需求描述的需求描述覆盖信息确定所述至少两个对话关键需求数据分别在所述电商对话大数据中的对话需求关注点，得到一个或多个对话需求关注点；
根据所述一个或多个对话需求关注点中包含的对话关键需求数据的对话关键需求数量，在所述一个或多个对话需求关注点中选择预设数量个对话需求关注点，作为预设数量个关键对话需求关注点，将所述预设数量个关键对话需求关注点所共同构成的对话需求关注点网络确定为所述目标对话服务页面在所述电商对话大数据中的目标对话需求关注点网络；预设数量为小于或等于所述一个或多个对话需求关注点的总数量的正整数；
获取针对所述在线电商需求处理应用对应所述目标对话服务页面的电商服务需求处理指令，若所述电商服务需求处理指令所包含的待处理电商服务需求处于所述目标对话需求关注点网络，则根据所述目标对话需求关注点网络对所述待处理电商服务需求进行处理，获得电商服务需求对应的服务需求响应内容。
根据上述任意一个方面，本申请提供的实施方式中，在生成目标对话服务页面的目标对话需求关注点网络时，采用了为每个对话关键需求数据创建对话需求关注点，且采用根据每个对话需求关注点中包含的对话关键需求数据的数量来确定关键对话需求关注点的方式，来创建每个对话关键需求数据的目标对话需求关注点网络，可提高对目标对话服务页面的目标对话需求关注点网络的实际业务匹配度，由此，当获得在线电商需求处理应用对应目标对话服务页面的电商服务需求处理指令时，可以实现对目标对话服务页面的有效需求处理，从而能够有效实现该目标对话服务页面对应的待处理电商服务需求的处理，提高目标对话服务页面的电商服务需求处理的有效性。
附图说明
图1为本申请实施例提供的基于大数据的电商服务需求处理系统的应用场景示意图；
图2为本申请实施例提供的基于大数据的电商服务需求处理方法的流程示意图；
图3为本申请实施例提供的用于实现上述的基于大数据的电商服务需求处理方法的电子商务AI系统的结构示意框图。
具体实施方式
下面结合说明书附图，对本申请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，以便透彻理解本申请具体实施例。
图1是本申请一种实施例提供的基于大数据的电商服务需求处理系统10的场景示意图。基于大数据的电商服务需求处理系统10可以包括电子商务AI系统100以及与电子商务AI系统100通信连接的电商智慧终端200。图1所示的基于大数据的电商服务需求处理系统10仅为一种可行的示例，在其它可行的实施例中，该基于大数据的电商服务需求处理系统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，基于大数据的电商服务需求处理系统10中的电子商务AI系统100和电商智慧终端200可以通过配合执行以下方法实施例所描述的基于大数据的电商服务需求处理方法，具体电子商务AI系统100和电商智慧终端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基于大数据的电商服务需求处理方法的流程示意图，本实施例提供的基于大数据的电商服务需求处理方法可以由图1中所示的电子商务AI系统100执行，下面对该基于大数据的电商服务需求处理方法进行详细介绍。
步骤S110，获取与在线电商需求处理应用相关的电商对话大数据，获取电商对话大数据中的目标对话服务页面对应的电商服务需求描述，根据电商服务需求描述获取目标对话服务页面的至少两个对话关键需求数据。
一种可独立实施的实施例中，在在线电商需求处理的过程中，在线电商需求处理应用是指当前纳入电商场景的与相应的电商订阅服务匹配的需求处理应用，在线电商需求可以是指用于电商实际产品或者电商虚拟产品推送的电商需求，以电商实际产品的电商需求为例，可以是指数码产品电商需求、百货产品电商需求、车载产品电商需求、办公产品电商需求等，但不限于此。
一种可独立实施的实施例中，每个目标对话服务页面均可以对应有一个电商服务需求描述，在获取到电商对话大数据后，可将该电商对话大数据中的任一对话服务页面作为目标对话服务页面，并将该目标对话服务页面与电商服务需求描述库（包括多个电商服务需求描述）进行匹配，从而可从该电商服务需求描述库中匹配得到该目标对话服务页面对应的电商服务需求描述。应当理解，为减少对电商服务需求描述的处理数据量，一种可独立实施的实施例中的电商服务需求描述库中所存储的每个对话服务页面对应的电商服务需求描述，可只存在一种参考业务维度，也即，针对每个对话服务页面只在一种参考业务维度下进行采样得到每个对话服务页面对应的电商服务需求描述，从而可以减少电商服务需求描述的数量，使电商服务需求描述更轻量化。
一种可独立实施的实施例中，值得说明的是，电商服务需求描述库中所存储的每个对话服务页面对应的电商服务需求描述，可存在多种参考业务维度，也即，针对每个对话服务页面可采用人工智能的策略，在多种参考业务维度下进行自动采样得到每个对话服务页面对应的不同参考业务维度的采样电商服务需求描述，并对这些采样电商服务需求描述进行特征训练，由此可得到每个对话服务页面对应的不同参考业务维度的电商服务需求描述，由此可适配多参考业务维度的电商对话大数据。其中，若每个对话服务页面（每个目标对话服务页面）对应有多种参考业务维度的电商服务需求描述，那么在将电商服务需求描述库与目标对话服务页面进行匹配后，会得到不同参考业务维度下的多个电商服务需求描述，则还需要从这多个电商服务需求描述中确定出最终的电商服务需求描述，可将目标对话服务页面的参考业务维度与这些电商服务需求描述的参考业务维度进行适配，最后确定出适配目标对话服务页面的参考业务维度的电商服务需求描述。示例性实施方式可为，可获取电商服务需求描述库；其中，电商服务需求描述库中包括M种需求维度的参考电商服务需求描述簇；每个参考电商服务需求描述簇中包括预设数量个不同参考业务维度的参考电商服务需求描述；M为正整数；预设数量为正整数；可将目标对话服务页面与电商服务需求描述库进行匹配，确定M种参考电商服务需求描述簇分别与目标对话服务页面之间的服务相关度；在M个服务相关度中，获取不小于目标相关度的服务相关度，作为基准服务相关度；随后，可获取基准服务相关度中的最大基准服务相关度，根据最大基准服务相关度确定目标对话服务页面对应的电商服务需求描述。
其中，对于根据最大基准服务相关度确定目标对话服务页面对应的电商服务需求描述的示例性实施方式可为，可获取电商对话大数据的参考业务维度；在电商服务需求描述库中，可获取最大基准服务相关度对应的目标参考电商服务需求描述簇；随后，可获取目标参考电商服务需求描述簇中每个目标参考电商服务需求描述的目标业务维度，将每个目标参考电商服务需求描述的目标业务维度与参考业务维度进行匹配，将匹配成功的目标业务维度确定为目标目标业务维度；可将目标目标业务维度对应的目标参考电商服务需求描述确定为目标对话服务页面对应的电商服务需求描述。
进一步地，可根据该目标对话服务页面的电商服务需求描述在该电商对话大数据中获取该目标对话服务页面的对话关键需求数据，示例性实施方式可为：可获取电商对话大数据的多个基础对话关键需求数据，可获取多个基础对话关键需求数据分别对应的需求注意力特征；可获取电商服务需求描述的至少两个对照对话关键需求数据，并获取至少两个对照对话关键需求数据分别对应的对照需求注意力特征；根据多个基础对话关键需求数据分别对应的需求注意力特征，与至少两个对照对话关键需求数据分别对应的对照需求注意力特征，可确定目标对话服务页面的至少两个对话关键需求数据。其中，对话关键需求数据或对照对话关键需求数据可以指对话产生的需求节点，该对话产生的需求节点可以指数据信息（例如，电商对话大数据、电商服务需求描述）中突出且具有实际参考价值的节点。对于提取电商对话大数据中的对话关键需求数据、电商服务需求描述中的对照对话关键需求数据的方法，可采用现有技术中任意可实施的方法，此处不作限定。
以下将以多个基础对话关键需求数据包括对话关键需求数据REi；多个基础对话关键需求数据分别对应的需求注意力特征包括该对话关键需求数据REi对应的需求注意力特征Wa为例，来对根据多个基础对话关键需求数据分别对应的需求注意力特征，与至少两个对照对话关键需求数据分别对应的对照需求注意力特征，确定目标对话服务页面的至少两个对话关键需求数据的具体实现方式进行阐述；其中，i为正整数；a为正整数；对于根据多个基础对话关键需求数据分别对应的需求注意力特征，与至少两个对照对话关键需求数据分别对应的对照需求注意力特征，确定目标对话服务页面的至少两个对话关键需求数据的示例性实施方式可为：可确定至少两个对照对话关键需求数据分别对应的对照需求注意力特征，与需求注意力特征Wa之间的相关度量值；其中，每个相关度量值用于表征每个对照对话关键需求数据与对话关键需求数据REi之间的相似度；可在至少两个相关度量值中获取最小相关度量值，将最小相关度量值作为对话关键需求数据REi对应的目标相关度量值；将目标相关度量值与预设相关度量值进行匹配，若目标相关度量值不小于预设相关度量值，则可将对话关键需求数据REi确定为目标对话服务页面的对话关键需求数据。也即，可确定电商服务需求描述中的每个对照对话关键需求数据分别与该电商对话大数据中的每个对话关键需求数据中的相关度量值，并将最小的相关度量值作为电商对话大数据中的每个对话关键需求数据的目标相关度量值；随后，可将电商对话大数据中的每个对话关键需求数据的目标相关度量值与预设相关度量值进行匹配，根据匹配结果可确定出目标对话服务页面的对话关键需求数据。
例如，电商对话大数据的对话关键需求数据包括对话关键需求数据A与对话关键需求数据B，电商服务需求描述的对照对话关键需求数据包括对话关键需求数据A1与对话关键需求数据B2，则可确定对话关键需求数据A与对话关键需求数据A1之间的相关度量值C1、对话关键需求数据A与对话关键需求数据B2之间的相关度量值C2，随后，可将相关度量值C1与相关度量值C2进行比较，将相关度量值C1与相关度量值C2中的最小相关度量值作为对话关键需求数据A的目标相关度量值，若该目标相关度量值不小于预设相关度量值，则可将该对话关键需求数据A作为目标对话服务页面的对话关键需求数据；同理，可确定对话关键需求数据B与对话关键需求数据A1之间的相关度量值C3、对话关键需求数据B与对话关键需求数据B2之间的相关度量值C4，随后，可将相关度量值C3与相关度量值C4进行比较，将相关度量值C3与相关度量值C4中的最小相关度量值作为对话关键需求数据B的目标相关度量值，若该目标相关度量值不小于预设相关度量值，则可将该对话关键需求数据B作为目标对话服务页面的对话关键需求数据。其中，该预设相关度量值可是任意规定的数值。
步骤S120，根据电商服务需求描述的需求描述覆盖信息确定至少两个对话关键需求数据分别在电商对话大数据中的对话需求关注点，得到一个或多个对话需求关注点。
一种可独立实施的实施例中，以至少两个对话关键需求数据包括第一对话关键需求数据与第二对话关键需求数据、一个或多个对话需求关注点包括第一对话关键需求数据对应的第一对话需求关注点，以及第二对话关键需求数据对应的第二对话需求关注点为例，对确定目标对话服务页面的对话关键需求数据在电商对话大数据中的对话需求关注点进行说明。对于确定目标对话服务页面的对话关键需求数据在电商对话大数据中的对话需求关注点，得到一个或多个对话需求关注点的示例性实施方式可为，可获取第一对话关键需求数据对应的第一目标相关度量值，以及第二对话关键需求数据对应的第二目标相关度量值；可在第一目标相关度量值与第二目标相关度量值中，确定最小目标相关度量值；随后，可获取需求描述覆盖信息系数，按照需求描述覆盖信息系数可将电商服务需求描述的需求描述覆盖信息进行处理，得到目标需求描述覆盖信息；根据最小目标相关度量值以及目标需求描述覆盖信息，可确定第一对话关键需求数据对应的第一对话需求关注点与第二对话关键需求数据对应的第二对话需求关注点。
其中，对于根据最小目标相关度量值以及目标需求描述覆盖信息，确定第一对话关键需求数据对应的第一对话需求关注点与第二对话关键需求数据对应的第二对话需求关注点的示例性实施方式可为，可在第一对话关键需求数据与第二对话关键需求数据中，获取最小目标相关度量值对应的对话关键需求数据，作为目标对话关键需求数据；可获取目标对话关键需求数据在电商对话大数据中的第一需求引用内容，并将第一需求引用内容作为目标需求描述覆盖信息的第一重点需求引用内容，根据第一重点需求引用内容与目标需求描述覆盖信息，可确定目标对话关键需求数据对应的关键对话需求关注点；根据目标对话关键需求数据对应的关键对话需求关注点确定第一对话需求关注点与第二对话需求关注点。
以目标对话关键需求数据为第一对话关键需求数据、目标对话关键需求数据对应的关键对话需求关注点为第一对话关键需求数据对应的第一对话需求关注点为例，对于根据目标对话关键需求数据对应的关键对话需求关注点确定第一对话需求关注点与第二对话需求关注点的示例性实施方式可为，可获取第二对话关键需求数据在电商对话大数据中的第二需求引用内容；若第二需求引用内容处于第一对话需求关注点内，则将该关键对话需求关注点确定为第二对话关键需求数据对应的第二对话需求关注点；其中，该第一对话需求关注点与第二对话需求关注点均属于关键对话需求关注点，也即，该第一对话需求关注点与第二对话需求关注点为同一知识网络部分；而若第二需求引用内容未处于第一对话需求关注点内，则可将第二需求引用内容作为目标需求描述覆盖信息的第二重点需求引用内容，根据第二重点需求引用内容与目标需求描述覆盖信息，确定第二对话关键需求数据对应的第二对话需求关注点。
应当理解，可在目标对话服务页面的对话关键需求数据中，获取每个对话关键需求数据的目标相关度量值；随后，可优先确定最小的目标相关度量值，并将该最小的目标相关度量值对应的对话关键需求数据（需求引用内容）作为目标需求描述覆盖信息的关键覆盖节点，从而可确定出该对话关键需求数据在该电商对话大数据中的对话需求关注点。进一步地，可获取次小的目标相关度量值，可确定该次小的目标相关度量值对应的对话关键需求数据是否处于上述最小的目标相关度量值对应的对话关键需求数据的对话需求关注点中，若处于其中，则可将该最小的目标相关度量值对应的对话关键需求数据的对话需求关注点作为该次小的目标相关度量值的对话需求关注点；同理，可依次确定余下对话关键需求数据是否处于任一已创建的对话需求关注点中，若处于任一对话需求关注点中，则可将所处的对话需求关注点作为其对应的对话需求关注点，无需单独进行创建，而若未处于任一对话需求关注点中，则可以将其需求引用内容作为目标需求描述覆盖信息的关键覆盖节点，创建其对应的对话需求关注点。
步骤S130，根据一个或多个对话需求关注点中包含的对话关键需求数据，在一个或多个对话需求关注点中选择预设数量个对话需求关注点，作为预设数量个关键对话需求关注点，将预设数量个关键对话需求关注点所共同构成的对话需求关注点网络确定为目标对话服务页面在电商对话大数据中的目标对话需求关注点网络；预设数量为小于或等于所述一个或多个对话需求关注点的总数量的正整数。
一种可独立实施的实施例中，对于确定预设数量个关键对话需求关注点的示例性实施方式可为：可获取一个或多个对话需求关注点中每个对话需求关注点所包含的对话关键需求数据，可确定每个对话需求关注点中所包含的对话关键需求数据的对话关键需求数量；可将包含的对话关键需求数据的对话关键需求数量最大的对话需求关注点作为初始关键对话需求关注点；随后，可在余下对话需求关注点中可获取频繁对话需求关注点，将初始关键对话需求关注点与频繁对话需求关注点确定为关键对话需求关注点；其中，余下对话需求关注点是指一个或多个对话需求关注点中，除初始关键对话需求关注点以外的对话需求关注点。
一种可独立实施的实施例中，值得说明的是，在选择初始关键对话需求关注点时，若在多个对话需求关注点中，存在两个对话需求关注点的所包含的对话关键需求数据的对话关键需求数量相同，且该对话关键需求数量为最大，则可将该两个对话需求关注点均作为初始关键对话需求关注点，也可在该两个对话需求关注点中任选一个作为初始关键对话需求关注点。例如，若对话需求关注点a1与对话需求关注点a2所包含的对话关键需求数据的对话关键需求数量相同，且该对话关键需求数量为最大，则可将该对话需求关注点a1与对话需求关注点a2均作为初始关键对话需求关注点，或在对话需求关注点a1与对话需求关注点a2中任选一个作为初始关键对话需求关注点。
以余下对话需求关注点包括余下对话需求关注点Mc（c为正整数）为例，对于在余下对话需求关注点中获取频繁对话需求关注点的示例性实施方式可为：可获取余下对话需求关注点Mc的第一关注业务范围，以及初始关键对话需求关注点的第二关注业务范围；可将第一关注业务范围与第二关注业务范围进行匹配，若第一关注业务范围与第二关注业务范围之间存在频繁关注业务范围，则将余下对话需求关注点Mc确定为频繁对话需求关注点。
一种可独立实施的实施例中，值得说明的是，对于在余下对话需求关注点中获取频繁对话需求关注点的示例性实施方式还可为：可根据两个对话需求关注点的关注点属性，确定这两个对话需求关注点是否是频繁项，而若两个对话需求关注点是频繁项，则其中一个对话需求关注点的关注点向量会处于另一对话需求关注点中。也即，若初始关键对话需求关注点与余下对话需求关注点Mc是频繁项，则初始关键对话需求关注点的关注点向量会处于余下对话需求关注点Mc内或余下对话需求关注点Mc的关注点向量会处于初始关键对话需求关注点内。
一种可独立实施的实施例中，可将上述关键对话需求关注点所组成的对话需求关注点网络，作为目标对话服务页面在电商对话大数据中的目标对话需求关注点网络。例如，关键对话需求关注点包括对话需求关注点2、对话需求关注点3以及对话需求关注点4，对话需求关注点2、对话需求关注点3以及对话需求关注点4共同组成知识网络P，则可将该知识网络P作为目标对话服务页面在电商对话大数据中的目标对话需求关注点网络。
步骤S140，获取针对所述在线电商需求处理应用对应所述目标对话服务页面的电商服务需求处理指令，若所述电商服务需求处理指令所包含的待处理电商服务需求处于所述目标对话需求关注点网络，则根据所述目标对话需求关注点网络对所述待处理电商服务需求进行处理，获得电商服务需求对应的服务需求响应内容。
在本申请实施例中，在识别与在线电商需求处理应用相关的电商对话大数据中的目标对话服务页面（例如，某电商直播对话页面）的目标对话需求关注点网络时，可通过目标对话服务页面对应的电商服务需求描述来确定目标对话服务页面的至少两个对话关键需求数据，并通过电商服务需求描述的需求描述覆盖信息来确定目标对话服务页面的对话关键需求数据在电商对话大数据中的对话需求关注点；随后，可根据这些对话需求关注点中所分别包含的对话关键需求数据的对话关键需求数量，在这些对话需求关注点中选择初始关键对话需求关注点，而根据是否与该初始关键对话需求关注点共享，在其他对话需求关注点中选择出频繁对话需求关注点，从而可由初始关键对话需求关注点与频繁对话需求关注点确定出关键对话需求关注点，该关键对话需求关注点所共同构成的对话需求关注点网络可构建为目标对话服务页面的目标对话需求关注点网络。应当理解，若包含的对话关键需求数据的数量越多，则其对话需求关注点也与该目标对话服务页面越匹配，包含的对话关键需求数据的数量最大的对话需求关注点，则可确定为是与目标对话服务页面最为匹配的对话需求关注点网络；而与该初始关键对话需求关注点不共享的对话需求关注点网络，可确定其是存在误差的且数量较少的对话关键需求数据所在的对话需求关注点网络，这些知识网络部分可被过滤掉，那么根据对话关键需求数据的数量所选择的关键对话需求关注点，也就是将噪声知识网络部分过滤掉的、与目标对话服务页面匹配的准确的对话需求关注点网络，则由关键对话需求关注点所组成的目标对话需求关注点网络也是与目标对话服务页面相匹配的准确的对话需求关注点网络。也即，本申请可通过目标对话服务页面的对话关键需求数据的对话关键需求数量以及电商服务需求描述的需求描述覆盖信息，来确定出目标对话服务页面在电商对话大数据中的目标对话需求关注点网络，可以提高目标对话服务页面的电商服务需求处理的有效性。
应当理解，本申请在生成目标对话服务页面的目标对话需求关注点网络时，考虑到对话产生的需求节点最多的对话需求关注点网络为最佳的匹配知识网络部分的特点，所以采用了为每个对话关键需求数据创建对话需求关注点，且采用根据每个对话需求关注点中包含的对话关键需求数据的数量来确定关键对话需求关注点的方式，来创建每个对话关键需求数据的目标对话需求关注点网络，可提高对目标对话服务页面的目标对话需求关注点网络的实际业务匹配度，由此，当获得在线电商需求处理应用对应目标对话服务页面的电商服务需求处理指令时，可以实现对目标对话服务页面的有效需求处理，从而能够有效实现该目标对话服务页面对应的待处理电商服务需求的处理，提高目标对话服务页面的电商服务需求处理的有效性。
一种可独立实施的实施例中，对于步骤S140，可以通过以下示例性的步骤实现。
步骤S141，获取针对所述在线电商需求处理应用对应所述目标对话服务页面的电商服务需求处理指令；
步骤S142，解析所述电商服务需求处理指令所包含的待处理电商服务需求，其中，所述待处理电商服务需求为一个或者多个；
步骤S143，判断所述目标对话需求关注点网络中的任意一个对话需求关注点是否具有匹配所述待处理电商服务需求的内容关注特征，当所述目标对话需求关注点网络中的任意一个对话需求关注点具有匹配所述待处理电商服务需求的内容关注特征时，确定所述电商服务需求处理指令所包含的待处理电商服务需求处于所述目标对话需求关注点网络，并获取对应的匹配对话需求关注点；
步骤S144，获取所述目标对话需求关注点网络中所述匹配对话需求关注点的n个关注内容标签信息簇，一个关注内容标签信息簇包括一种关注内容标签下的对话需求分布和电商服务需求描述信息，n为正整数；
步骤S145，基于所述目标对话需求关注点网络对应于所述待处理电商服务需求的服务需求关注区域在所述关注内容标签信息簇中的相关关注内容和需求关注类别，获取所述服务需求关注区域的关注特征地图；
步骤S146，将所述服务需求关注区域的关注特征地图与所述待处理电商服务需求的预设需求订阅日志中的预设关注特征地图进行融合，生成融合的目标关注特征地图；
步骤S147，从所述融合的目标关注特征地图的实时关注倾向链，采样获取关注节点特征；
步骤S148，获取所述关注节点特征在所述关注内容标签信息簇中映射的目标相关关注内容和目标需求关注类别；
步骤S149，基于所述关注节点特征在所述关注内容标签信息簇中映射的目标相关关注内容和目标需求关注类别，对所述待处理电商服务需求进行处理，获得电商服务需求对应的服务需求响应内容；
例如，一个关注内容标签信息簇包括一种关注内容标签下的对话需求分布和电商服务需求描述信息，n为正整数。
例如，相关关注内容和需求关注类别用于表征目标对话需求关注点网络对应知识网络具体信息，关注特征地图用于表征服务需求关注区域中的每个电商需求的关注特征之间的关系图。
一种可独立实施的实施例中，将所述服务需求关注区域的关注特征地图与预设需求订阅日志中的预设关注特征地图进行融合，生成融合的目标关注特征地图，包括：根据所述服务需求关注区域的关注特征地图，确定第一融合关注特征片段信息，所述第一融合关注特征片段信息用于指示所述融合的目标关注特征地图与所述目标对话需求关注点网络的关注内容标签信息簇之间的关注特征片段相关数据；基于所述第一融合关注特征片段信息，对所述预设需求订阅日志中的预设关注特征地图进行融合，生成所述融合的目标关注特征地图。
一种可独立实施的实施例中，以上方法还可以包括以下步骤。
步骤A110，从标定训练数据集中获取协同对话行为数据的标定训练数据，该标定训练数据包括标定协同对话行为路径网格数据、标定训练数据的实际偏好协同主题分布和实际协同对话主题。
其中，协同对话行为数据指所有产生协同互动事件的具体对话行为数据，例如可以包括，但不限于包括多媒体协同互动事件的具体对话行为数据，文本协同互动事件的具体对话行为数据等。
步骤A120，将标定协同对话行为路径网格数据输入特征学习层得到标定协同对话行为路径网格数据的对话偏好特征，并将对话偏好特征输入特征输出层获得标定协同对话行为路径网格数据的输出偏好协同主题分布。
其中，标定协同对话行为路径网格数据可为对话知识网络数据和协同对话快照信息之一的任意组合，因此，针对不同的标定协同对话行为路径网格数据其提取方式也会有所不同。
(1)当标定协同对话行为路径网格数据为协同对话行为数据的对话知识网络数据，特征学习层包括第一特征学习部分和第二特征学习部分。
首先，基于第一特征学习部分对对话知识网络数据进行对话知识成员特征提取，得到对应的对话知识成员特征簇，并对对话知识成员特征簇进行对话持续点提取，确定每一个对话知识成员特征对应的对话持续点提取信息，得到对话持续点特征。
具体地，可对对话知识成员特征进行清洗，对对话知识网络数据进行对话知识成员特征提取，然后输入到对话持续点提取模型等以得到最终对话持续点特征。
其次，基于第二特征学习部分对对话持续点特征进行对话偏好特征提取，得到对话知识成员特征簇。
本申请实施例的特征输出层是由全连接层和Softmax分类层连接组成。
(2)当标定协同对话行为路径网格数据为协同对话行为数据的协同对话快照信息，特征学习层包括残差模型节点层和第三特征学习部分。
首先，利用残差模型节点层对协同对话快照信息中的各个协同对话快照进行特征提取，确定每一个协同对话快照对应的协同对话快照特征，得到协同对话快照特征簇。
其次，基于第三特征学习部分对协同对话快照特征簇进行对话偏好点分析，得到对话偏好特征。
(3)当标定协同对话行为路径网格数据既包括协同对话行为数据的对话知识网络数据，又包括协同对话行为数据的协同对话快照信息时，将对话知识网络数据输入到第一特征学习部分中，转换得到对应的对话持续点提取信息矩阵，并将对话持续点特征输入到第二特征学习部分中进行对话偏好特征提取，得到对话偏好特征；同时将协同对话快照信息输入到残差学习子模块中，获得对应的协同对话快照特征簇，并将协同对话快照特征簇输入到第三特征学习部分中进行对话偏好点分析，得到对话偏好特征；将对话知识网络数据的对话偏好特征和协同对话快照信息的对话偏好特征进行融合，生成新的对话偏好特征。
步骤A130，将对话偏好特征输入DL训练模型，确定标定协同对话行为路径网格数据的输出协同对话主题。
在步骤A110中提及了标定协同对话行为路径网格数据可为对话知识网络数据和协同对话快照信息之一的任意组合，因此，针对不同的标定协同对话行为路径网格数据会使用不同的DL训练模型进行预测。
(1)当标定协同对话行为路径网格数据为协同对话行为数据的对话知识网络数据时，本申请实施例中的DL模型包括存在不同训练输出维度的第一DL训练模型和第二DL训练模型。将对话持续点特征输入第一DL训练模型获得第一输出协同对话主题，并将对话偏好特征输入第二DL训练模型获得第二输出协同对话主题。
第一DL训练模型是用来识别对话知识网络数据中可能影响偏好协同主题的静态协同对话主题，第二DL训练模型是用来识别对话知识网络数据中可能影响偏好协同主题的动态协同对话主题第一DL训练模型和第二DL训练模型的网络架构是一样的，均由全连接层和Softmax分类层连接组成。
(2)当标定协同对话行为路径网格数据为协同对话行为数据的协同对话快照信息时，本申请实施例中的DL模型包括存在不同训练输出维度的第三DL训练模型和第四DL训练模型。将协同对话快照特征簇输入第一DL训练模型获得第三输出协同对话主题，并将对话偏好特征输入第四DL训练模型获得第四输出协同对话主题。
同样地，第一DL训练模型是用来识别对话知识网络数据中可能影响偏好协同主题的静态协同对话快照信息，第二DL训练模型是用来识别对话知识网络数据中可能影响偏好协同主题的至少一组动态协同对话快照信息。第三DL训练模型和第四DL训练模型的网络架构也是由全连接层和Softmax分类层连接组成。
(3)当标定协同对话行为路径网格数据既包括协同对话行为数据的对话知识网络数据，又包括协同对话行为数据的协同对话快照信息时，使用存在不同训练输出维度的第一DL训练模型和第二DL训练模型对对话知识网络数据进行分类，以及使用第三DL训练模型和第四DL训练模型对协同对话快照信息进行分类。
步骤A140，基于输出偏好协同主题分布与实际偏好协同主题分布之间的第一分类风险评价函数值，以及输出协同对话主题与实际协同对话主题之间的第二分类风险评价函数值，确定全局分类风险评价函数值。
(1)当标定协同对话行为路径网格数据为协同对话行为数据的对话知识网络数据时。
使用DL训练模型的分类风险评价函数，确定输出偏好协同主题分布与实际偏好协同主题分布之间的第一分类风险评价函数值。使用第一DL训练模型的分类风险评价函数确定第一输出协同对话主题与实际协同对话主题之间的分类风险评价函数值，以及，使用第二DL训练模型的分类风险评价函数确定第二预测信息与实际协同对话主题之间的分类风险评价函数值，将上述两个DL训练模型的分类风险评价函数值总和确定为输出协同对话主题与实际协同对话主题之间的第二分类风险评价函数值。
(2)当标定协同对话行为路径网格数据为协同对话行为数据的协同对话快照信息时。
使用DL训练模型的分类风险评价函数，确定输出偏好协同主题分布与实际偏好协同主题分布之间的第一分类风险评价函数值。使用第三DL训练模型的分类风险评价函数确定第三输出协同对话主题与实际协同对话主题之间的分类风险评价函数值，以及使用第四DL训练模型的分类风险评价函数确定第四预测信息与实际协同对话主题之间的分类风险评价函数值，将上述两个DL训练模型的分类风险评价函数值总和确定为输出协同对话主题与实际协同对话主题之间的第二分类风险评价函数值。
(3)当标定协同对话行为路径网格数据既包括协同对话行为数据的对话知识网络数据，又包括协同对话行为数据的协同对话快照信息时，将两个DL训练模型的分类风险评价函数值总和确定为输出偏好协同主题分布与实际偏好协同主题分布之间的第一分类风险评价函数值，将上述四个DL训练模型的分类风险评价函数值总和确定为预测信息与实际协同对话主题之间的第二分类风险评价函数值。
步骤A150，基于全局分类风险评价函数值对特征学习层和特征输出层中至少一个模型层的模型配置参数进行收敛配置，直至全局分类风险评价函数值最小化，得到满足模型收敛条件的DL训练模型，并基于满足模型收敛条件的DL训练模型对协同对话行为数据的协同对话行为路径网格数据进行预测。
具体地，利用全局分类风险评价函数值，确定特征学习层中网络参数的第一网络参数更新维度，并按照第一网络参数更新维度的趋向对特征学习层的网络参数进行更新。或者
利用全局分类风险评价函数值，确定特征输出层的第二网络参数更新维度，并按照第二网络参数更新维度的趋向对特征输出层的网络参数进行更新。或者
利用全局分类风险评价函数值，确定特征学习层中网络参数的第一网络参数更新维度和DL训练模型的第二网络参数更新维度，按照第一网络参数更新维度的趋向对特征学习层的网络参数进行更新，并按照第二网络参数更新维度的趋向特征输出层的网络参数进行更新，直至全局分类风险评价函数值收敛至预设的期望值时，判定DL训练模型训练完毕。
其中，特征学习层中只需要对采用Bi_LSTM网络架构的第二特征提取网络和第四特征学习部分的权重信息进行更新，而特征输出层是需要对全连接层和Softmax分类层的网络参数都进行更新的。
为了便于理解，还提供了两个具体实施例描述训练DL训练模型的方法。
具体实施例一，以对话知识网络数据的订阅主题、对话知识网络数据类别为标定训练数据，对DL训练模型进行训练，下面介绍一种基于深度学习和大数据的页面生成方法，包括以下步骤。
步骤A201，从标定训练数据集中获取对话知识网络数据的标定训练数据，该标定训练数据包括对话知识网络数据的订阅主题、对话知识网络数据的实际偏好协同主题分布和对话知识网络数据的实际协同对话主题。
步骤A202，对对话知识网络数据的订阅主题进行对话知识成员特征提取，得到对应的对话知识成员特征簇，并对对话知识成员特征簇进行对话持续点提取，确定每一个对话知识成员特征对应的对话持续点提取信息，得到对话持续点特征。
步骤A203，将对话持续点特征输入Bi_LSTM获得对话知识网络数据的订阅主题的对话偏好特征。
步骤A204，将对话偏好特征输入特征输出层获得对话知识网络数据的输出偏好协同主题分布。
步骤A205，将对话持续点特征输入第一DL训练模型获得第一输出协同对话主题，将对话偏好特征输入第二DL训练模型获得第二输出协同对话主题。
步骤A206，基于输出偏好协同主题分布与实际偏好协同主题分布之间的第一分类风险评价函数值，以及输出协同对话主题与实际协同对话主题之间的第二分类风险评价函数值，确定全局分类风险评价函数值，其中第二分类风险评价函数值包括第一输出协同对话主题与实际协同对话主题之间的分类风险评价函数值，和第二输出协同对话主题与实际分类结果之间的分类风险评价函数值。
步骤A207，基于全局分类风险评价函数值对Bi_LSTM和特征输出层中至少一个模型层的模型配置参数进行收敛配置，直至全局分类风险评价函数值最小化，得到满足模型收敛条件的DL训练模型，基于满足模型收敛条件的DL训练模型对协同对话行为数据的协同对话行为路径网格数据进行预测。
具体实施例二，以对话知识网络数据的协同对话快照信息、对话知识网络数据类别为标定训练数据，对DL训练模型进行训练，下面介绍一种基于深度学习和大数据的页面生成方法，包括以下步骤。
步骤A301，从标定训练数据集中获取对话知识网络数据的标定训练数据，该标定训练数据包括对话知识网络数据的协同对话快照序列、对话知识网络数据的实际偏好协同主题分布和对话知识网络数据的实际协同对话主题。
步骤A302，利用残差模型节点层对协同对话快照信息中的各个协同对话快照进行特征提取，确定每一个协同对话快照对应的协同对话快照特征，得到协同对话快照特征簇。
步骤A303，将协同对话快照特征簇输入Bi_LSTM获得协同对话快照信息的对话偏好特征。
步骤A304，将对话偏好特征输入特征输出层获得对话知识网络数据的输出偏好协同主题分布。
步骤A305，将协同对话快照特征簇输入第三DL训练模型获得第三输出协同对话主题，将对话偏好特征输入第四DL训练模型获得第四输出协同对话主题。
步骤A306，基于输出偏好协同主题分布与实际偏好协同主题分布之间的第一分类风险评价函数值，以及输出协同对话主题与实际协同对话主题之间的第二分类风险评价函数值，确定全局分类风险评价函数值，其中第二分类风险评价函数值包括第三输出协同对话主题与实际协同对话主题之间的分类风险评价函数值，和第四输出协同对话主题与实际分类结果之间的分类风险评价函数值。
步骤A307，基于全局分类风险评价函数值对Bi_LSTM和特征输出层中至少一个模型层的模型配置参数进行收敛配置，直至全局分类风险评价函数值最小化，得到满足模型收敛条件的DL训练模型，基于满足模型收敛条件的DL训练模型对协同对话行为数据的协同对话行为路径网格数据进行预测。
经过上述步骤A110-步骤A150完成了DL训练模型的训练，再使用满足模型收敛条件的DL训练模型对偏好协同主题进行决策。为本申请实施例提供的偏好协同主题预测的流程示意图。
步骤A301，获取电商智慧终端的电商用户群针对各个目标对话服务页面所对应的服务需求响应内容的协同对话行为数据，并获得协同对话行为数据的协同对话行为路径网格数据。
步骤A302，将协同对话行为路径网格数据输入满足模型收敛条件的DL训练模型中的特征学习层，得到协同对话行为路径网格数据对应协同对话主题对应的目标对话偏好特征。
步骤A303，将目标对话偏好特征输入DL训练模型的特征输出层，获得协同对话行为路径网格数据的目标输出偏好协同主题分布。
步骤A304，基于协同对话行为路径网格数据的目标输出偏好协同主题分布，为电商智慧终端的电商用户群生成对应的电商互动页面信息。
本实施例中，协同对话行为路径网格数据可以是指协同对话行为产生的轨迹数据，可以以网格形式记录多个轨迹节点数据。
其中，特征输出层和特征学习层之中的至少一个模型节点层，是基于DL训练模型对标定协同对话行为路径网格数据的输出协同对话主题和实际协同对话主题之间的分类风险评价函数值、以及基于DL训练模型对标定协同对话行为路径网格数据的输出偏好协同主题分布和实际偏好协同主题分布之间的分类风险评价函数值进行模型收敛配置获得的。
一种可独立实施的实施例中，步骤A304可以通过以下示例性的步骤实现。
步骤A401，获取目标输出偏好协同主题分布在第一电商页面更新计划内各个页面更新板块对应的页面待分发内容簇，第一电商页面更新计划包含至少两个页面更新板块，各个页面更新板块对应的页面待分发内容簇包含目标输出偏好协同主题分布对应的主题推广应用在对应的页面更新板块中生成的目标内容板块的页面待分发内容数据。
步骤A402，确定第一电商页面更新计划内各个页面更新板块对应的页面待分发内容簇之间的相关属性信息。
步骤A403，根据第一电商页面更新计划内各个页面更新板块对应的页面待分发内容簇之间的相关属性信息，确定目标输出偏好协同主题分布在第一电商页面更新计划内的页面更新属性信息。
步骤A404，根据页面更新属性信息确定目标输出偏好协同主题分布在第一电商页面更新计划内的电商互动页面信息。
值得说明的是，在实际实施时，目标输出偏好协同主题分布可以是前述获得的目标输出偏好协同主题分布，也可以是任意现有技术中生成的目标输出偏好协同主题分布，也即，以上步骤A401-步骤A404可以独立于前述实施例的步骤执行，具体不作特殊限定。
基于以上步骤A401-步骤A404，通过获取目标输出偏好协同主题分布在第一电商页面更新计划内各个页面更新板块对应的页面待分发内容簇，确定第一电商页面更新计划内各个页面更新板块对应的页面待分发内容簇之间的相关属性信息，根据第一电商页面更新计划内各个页面更新板块对应的页面待分发内容簇之间的相关属性信息，确定目标输出偏好协同主题分布在第一电商页面更新计划内的页面更新属性信息，根据页面更新属性信息确定目标输出偏好协同主题分布在第一电商页面更新计划内的电商互动页面信息，可以考虑到目标输出偏好协同主题分布与电商页面更新计划内各个页面更新板块之间的关联，进而提高内容更新准确性。
其中，获取目标输出偏好协同主题分布在第一电商页面更新计划内各个页面更新板块对应的页面待分发内容簇的步骤，包括：获取目标输出偏好协同主题分布对应的主题推广应用在第一页面更新板块开始后设定页面更新区间内生成的目标内容板块的页面待分发内容数据，并根据目标输出偏好协同主题分布对应的主题推广应用在第一页面更新板块开始后设定页面更新区间内生成的目标内容板块的页面待分发内容数据，确定第一页面更新板块对应的页面待分发内容簇，第一页面更新板块为第一电商页面更新计划内的任一页面更新板块。
在目标输出偏好协同主题分布对应的主题推广应用在第二页面更新板块开始后设定页面更新区间内未生成目标内容板块的情况下，根据目标输出偏好协同主题分布对应的主题推广应用接收的目标内容板块的页面待分发内容数据，确定针对第二页面更新板块对应的页面待分发内容簇，第二页面更新板块为第一电商页面更新计划内第一页面更新板块以外的任一页面更新板块。
譬如，本实施例中还可以在目标输出偏好协同主题分布对应的主题推广应用在第三页面更新板块开始后的设定页面更新区间内未生成目标内容板块，且第三页面更新板块之前连续的第一目标数量的页面更新板块对应的页面待分发内容簇均为根据主题推广应用接收的目标内容板块的页面待分发内容数据确定的情况下，向主题推广应用发送目标内容板块生成任务，以使主题推广应用响应目标内容板块生成任务生成目标内容板块，第三页面更新板块为第一电商页面更新计划内第一页面更新板块和第二页面更新板块以外的任一页面更新板块。
在此基础上，获取主题推广应用响应目标内容板块生成任务生成的目标内容板块的页面待分发内容数据，并根据主题推广应用响应目标内容板块生成任务生成的目标内容板块的页面待分发内容数据，确定第三页面更新板块对应的页面待分发内容簇。
譬如，确定第一电商页面更新计划内各个页面更新板块对应的页面待分发内容簇之间的相关属性信息的步骤，包括：从第一电商页面更新计划内的各个页面更新板块对应的页面待分发内容簇中，确定一个动态页面待分发内容数据簇。分别确定第一电商页面更新计划内各个页面更新板块对应的页面待分发内容簇中动态页面待分发内容数据簇以外的各个页面待分发内容簇，与动态页面待分发内容数据簇之间的相关属性信息。或分别确定第一电商页面更新计划内每相关联两个页面更新板块对应的页面待分发内容簇之间的相关属性信息。
其中，第一电商页面更新计划内各个页面更新板块对应的页面待分发内容簇包含可变化页面待分发内容簇和非变化页面待分发内容簇，页面更新属性信息包含根据第一电商页面更新计划内指定的各个页面更新板块的可变化页面待分发内容簇对应的相关属性信息确定的第一页面更新属性信息，以及根据第一电商页面更新计划内指定的各个页面更新板块的非变化页面待分发内容簇对应的相关属性信息确定的第二页面更新属性信息。
譬如，根据页面更新属性信息确定目标页面区域在第一电商页面更新计划内的电商互动页面信息的步骤，包括：根据第一页面更新属性信息和第二页面更新属性信息，确定目标页面区域在第一电商页面更新计划内的电商互动页面信息。
图3示出了本申请实施例提供的用于实现上述的基于大数据的电商服务需求处理方法的电子商务AI系统100的硬件结构示意图，如图3所示，电子商务AI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大数据的电商服务需求处理方法，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，从而可以与前述的电商智慧终端200进行数据收发。
处理器110的具体实现过程可参见上述电子商务AI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，本申请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，实现如上基于大数据的电商服务需求处理方法。
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)

1.一种基于大数据的电商服务需求处理方法，其特征在于，应用于电子商务AI系统，所述电子商务AI系统与多个电商智慧终端通信连接，所述方法包括：
获取所述电商智慧终端对应的与在线电商需求处理应用相关的电商对话大数据，获取所述电商对话大数据中的目标对话服务页面对应的电商服务需求描述，根据所述电商服务需求描述从所述电商对话大数据中获取所述目标对话服务页面的至少两个对话关键需求数据；
根据所述电商服务需求描述的需求描述覆盖信息确定所述至少两个对话关键需求数据分别在所述电商对话大数据中的对话需求关注点，得到一个或多个对话需求关注点；
根据所述一个或多个对话需求关注点中包含的对话关键需求数据的对话关键需求数量，在所述一个或多个对话需求关注点中选择预设数量个对话需求关注点，作为预设数量个关键对话需求关注点，将所述预设数量个关键对话需求关注点所共同构成的对话需求关注点网络确定为所述目标对话服务页面在所述电商对话大数据中的目标对话需求关注点网络；预设数量为小于或等于所述一个或多个对话需求关注点的总数量的正整数；
获取针对所述在线电商需求处理应用对应所述目标对话服务页面的电商服务需求处理指令，若所述电商服务需求处理指令所包含的待处理电商服务需求处于所述目标对话需求关注点网络，则根据所述目标对话需求关注点网络对所述待处理电商服务需求进行处理，获得电商服务需求对应的服务需求响应内容。
2.根据权利要求1所述的基于大数据的电商服务需求处理方法，其特征在于，所述根据所述电商服务需求描述获取所述目标对话服务页面的至少两个对话关键需求数据，包括：
获取所述电商对话大数据的多个基础对话关键需求数据，获取所述多个基础对话关键需求数据分别对应的需求注意力特征；
获取所述电商服务需求描述的至少两个对照对话关键需求数据，获取所述至少两个对照对话关键需求数据分别对应的对照需求注意力特征；
根据所述多个基础对话关键需求数据分别对应的需求注意力特征，与所述至少两个对照对话关键需求数据分别对应的对照需求注意力特征，确定所述目标对话服务页面的至少两个对话关键需求数据；
其中，所述多个基础对话关键需求数据包括对话关键需求数据REi；
所述多个基础对话关键需求数据分别对应的需求注意力特征包括所述对话关键需求数据REi对应的需求注意力特征Wa；i为正整数；a为正整数；
所述根据所述多个基础对话关键需求数据分别对应的需求注意力特征，与所述至少两个对照对话关键需求数据分别对应的对照需求注意力特征，确定所述目标对话服务页面的至少两个对话关键需求数据，包括：
确定所述至少两个对照对话关键需求数据分别对应的对照需求注意力特征，与所述需求注意力特征Wa之间的相关度量值；每个相关度量值用于表征每个对照对话关键需求数据与所述对话关键需求数据REi之间的相似度；
在至少两个相关度量值中获取最小相关度量值，将所述最小相关度量值作为所述对话关键需求数据REi对应的目标相关度量值；
将所述目标相关度量值与预设相关度量值进行匹配，若所述目标相关度量值不小于所述预设相关度量值，则将所述对话关键需求数据REi确定为所述目标对话服务页面的对话关键需求数据。
3.根据权利要求1所述的基于大数据的电商服务需求处理方法，其特征在于，所述目标对话服务页面的至少两个对话关键需求数据包括第一对话关键需求数据与第二对话关键需求数据；
所述一个或多个对话需求关注点包括所述第一对话关键需求数据对应的第一对话需求关注点，以及所述第二对话关键需求数据对应的第二对话需求关注点；
所述根据所述电商服务需求描述的需求描述覆盖信息确定所述至少两个对话关键需求数据分别在所述电商对话大数据中的对话需求关注点，得到一个或多个对话需求关注点，包括：
获取所述第一对话关键需求数据对应的第一目标相关度量值，以及所述第二对话关键需求数据对应的第二目标相关度量值；
在所述第一目标相关度量值与所述第二目标相关度量值中，确定最小目标相关度量值；
获取需求描述覆盖信息系数，按照所述需求描述覆盖信息系数将所述电商服务需求描述的需求描述覆盖信息进行处理，得到目标需求描述覆盖信息；
根据所述最小目标相关度量值以及所述目标需求描述覆盖信息，确定所述第一对话关键需求数据对应的第一对话需求关注点与所述第二对话关键需求数据对应的第二对话需求关注点。
4.根据权利要求3所述的基于大数据的电商服务需求处理方法，其特征在于，所述根据所述最小目标相关度量值以及所述目标需求描述覆盖信息，确定所述第一对话关键需求数据对应的第一对话需求关注点与所述第二对话关键需求数据对应的第二对话需求关注点，包括：
在所述第一对话关键需求数据与所述第二对话关键需求数据中，获取所述最小目标相关度量值对应的对话关键需求数据，作为目标对话关键需求数据；
获取所述目标对话关键需求数据在所述电商对话大数据中的第一需求引用内容，将所述第一需求引用内容作为所述目标需求描述覆盖信息的第一重点需求引用内容，根据所述第一重点需求引用内容与所述目标需求描述覆盖信息，确定所述目标对话关键需求数据对应的关键对话需求关注点；
根据所述目标对话关键需求数据对应的关键对话需求关注点确定所述第一对话需求关注点与所述第二对话需求关注点。
5.根据权利要求4所述的基于大数据的电商服务需求处理方法，其特征在于，所述目标对话关键需求数据为所述第一对话关键需求数据；所述目标对话关键需求数据对应的关键对话需求关注点为所述第一对话关键需求数据对应的所述第一对话需求关注点；
所述根据所述目标对话关键需求数据对应的关键对话需求关注点确定所述第一对话需求关注点与所述第二对话需求关注点，包括：
获取所述第二对话关键需求数据在所述电商对话大数据中的第二需求引用内容；
若所述第二需求引用内容处于所述第一对话需求关注点内，则将所述关键对话需求关注点确定为所述第二对话关键需求数据对应的所述第二对话需求关注点；所述第一对话需求关注点与所述第二对话需求关注点均属于所述关键对话需求关注点；
若所述第二需求引用内容未处于所述第一对话需求关注点内，则将所述第二需求引用内容作为所述目标需求描述覆盖信息的第二重点需求引用内容，根据所述第二重点需求引用内容与所述目标需求描述覆盖信息，确定所述第二对话关键需求数据对应的所述第二对话需求关注点。
6.根据权利要求1所述的基于大数据的电商服务需求处理方法，其特征在于，所述根据所述一个或多个对话需求关注点中包含的对话关键需求数据的对话关键需求数量，在所述一个或多个对话需求关注点中选择预设数量个对话需求关注点，作为预设数量个关键对话需求关注点，包括：
获取所述一个或多个对话需求关注点中每个对话需求关注点所包含的对话关键需求数据，确定所述每个对话需求关注点中所包含的对话关键需求数据的对话关键需求数量；
将包含的对话关键需求数据的对话关键需求数量最大的对话需求关注点作为初始关键对话需求关注点；
在余下对话需求关注点中获取频繁对话需求关注点，将所述初始关键对话需求关注点与所述频繁对话需求关注点确定为所述预设数量个关键对话需求关注点；所述余下对话需求关注点是指所述一个或多个对话需求关注点中，除所述初始关键对话需求关注点以外的对话需求关注点；
其中，所述余下对话需求关注点包括余下对话需求关注点Mc；c为正整数；所述在余下对话需求关注点中获取频繁对话需求关注点，包括：
获取所述余下对话需求关注点Mc的第一关注业务范围，以及所述初始关键对话需求关注点的第二关注业务范围；
将所述第一关注业务范围与所述第二关注业务范围进行匹配，若所述第一关注业务范围与所述第二关注业务范围之间存在频繁关注业务范围，则将所述余下对话需求关注点Mc确定为所述频繁对话需求关注点。
7.根据权利要求1所述的基于大数据的电商服务需求处理方法，其特征在于，所述获取所述电商对话大数据中的目标对话服务页面对应的电商服务需求描述，包括：
获取电商服务需求描述库；所述电商服务需求描述库中包括M种需求维度的参考电商服务需求描述簇；每个参考电商服务需求描述簇中包括预设数量个不同参考业务维度的参考电商服务需求描述；M为正整数；预设数量为正整数；
将所述目标对话服务页面与所述电商服务需求描述库进行匹配，确定M种参考电商服务需求描述簇分别与所述目标对话服务页面之间的服务相关度；
在M个服务相关度中，获取不小于目标相关度的服务相关度，作为基准服务相关度；
获取所述基准服务相关度中的最大基准服务相关度，根据所述最大基准服务相关度确定所述目标对话服务页面对应的电商服务需求描述；
其中，所述根据所述最大基准服务相关度确定所述目标对话服务页面对应的电商服务需求描述，包括：
获取所述电商对话大数据的参考业务维度；
在所述电商服务需求描述库中，获取所述最大基准服务相关度对应的目标参考电商服务需求描述簇；
获取所述目标参考电商服务需求描述簇中每个目标参考电商服务需求描述的目标业务维度，将所述每个目标参考电商服务需求描述的目标业务维度与所述参考业务维度进行匹配，将匹配成功的目标业务维度确定为目标目标业务维度；
将所述目标目标业务维度对应的目标参考电商服务需求描述确定为所述目标对话服务页面对应的电商服务需求描述。
8.根据权利要求1-7中任意一项所述的基于大数据的电商服务需求处理方法，其特征在于，所述获取针对所述在线电商需求处理应用对应所述目标对话服务页面的电商服务需求处理指令，若所述电商服务需求处理指令所包含的待处理电商服务需求处于所述目标对话需求关注点网络，则根据所述目标对话需求关注点网络对所述待处理电商服务需求进行处理，获得电商服务需求对应的服务需求响应内容的步骤，包括：
获取针对所述在线电商需求处理应用对应所述目标对话服务页面的电商服务需求处理指令；
解析所述电商服务需求处理指令所包含的待处理电商服务需求，其中，所述待处理电商服务需求为一个或者多个；
判断所述目标对话需求关注点网络中的任意一个对话需求关注点是否具有匹配所述待处理电商服务需求的内容关注特征，当所述目标对话需求关注点网络中的任意一个对话需求关注点具有匹配所述待处理电商服务需求的内容关注特征时，确定所述电商服务需求处理指令所包含的待处理电商服务需求处于所述目标对话需求关注点网络，并获取对应的匹配对话需求关注点；
获取所述目标对话需求关注点网络中所述匹配对话需求关注点的n个关注内容标签信息簇，一个关注内容标签信息簇包括一种关注内容标签下的对话需求分布和电商服务需求描述信息，n为正整数；
基于所述目标对话需求关注点网络对应于所述待处理电商服务需求的服务需求关注区域在所述关注内容标签信息簇中的相关关注内容和需求关注类别，获取所述服务需求关注区域的关注特征地图；
将所述服务需求关注区域的关注特征地图与所述待处理电商服务需求的预设需求订阅日志中的预设关注特征地图进行融合，生成融合的目标关注特征地图；
从所述融合的目标关注特征地图的实时关注倾向链，采样获取关注节点特征；
获取所述关注节点特征在所述关注内容标签信息簇中映射的目标相关关注内容和目标需求关注类别；
基于所述关注节点特征在所述关注内容标签信息簇中映射的目标相关关注内容和目标需求关注类别，对所述待处理电商服务需求进行处理，获得电商服务需求对应的服务需求响应内容；
其中，所述将所述服务需求关注区域的关注特征地图与预设需求订阅日志中的预设关注特征地图进行融合，生成融合的目标关注特征地图，包括：
根据所述服务需求关注区域的关注特征地图，确定第一融合关注特征片段信息，所述第一融合关注特征片段信息用于指示所述融合的目标关注特征地图与所述目标对话需求关注点网络的关注内容标签信息簇之间的关注特征片段相关数据；
基于所述第一融合关注特征片段信息，对所述预设需求订阅日志中的预设关注特征地图进行融合，生成所述融合的目标关注特征地图。
9.根据权利要求1-8中任意一项所述的基于大数据的电商服务需求处理方法，其特征在于，所述方法还包括：
获取所述电商智慧终端的电商用户群针对各个目标对话服务页面所对应的服务需求响应内容的协同对话行为数据，并获得所述协同对话行为数据的协同对话行为路径网格数据；
将所述协同对话行为路径网格数据输入满足模型收敛条件的DL训练模型中的特征学习层，得到所述协同对话行为路径网格数据对应协同对话主题对应的目标对话偏好特征；
将所述目标对话偏好特征输入所述DL训练模型的特征输出层，获得所述协同对话行为路径网格数据的目标输出偏好协同主题分布；
基于所述协同对话行为路径网格数据的目标输出偏好协同主题分布，为所述电商智慧终端的电商用户群生成对应的电商互动页面信息；
所述特征输出层和所述特征学习层之中的至少一个模型节点层，是基于DL训练模型对标定协同对话行为路径网格数据的输出协同对话主题和实际协同对话主题之间的分类风险评价函数值、以及基于所述DL训练模型对所述标定协同对话行为路径网格数据的输出偏好协同主题分布和实际偏好协同主题分布之间的分类风险评价函数值进行模型收敛配置获得的。
10.一种电子商务AI系统，其特征在于，所述电子商务AI系统包括至少一个存储介质和至少一个处理器，所述至少一个存储介质用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令以执行权利要求1-9中任意一项的基于大数据的电商服务需求处理方法。
CN202110855285.7A 2021-07-28 2021-07-28 基于大数据的电商服务需求处理方法及电子商务ai系统 Withdrawn CN113420567A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110855285.7A CN113420567A (zh) 2021-07-28 2021-07-28 基于大数据的电商服务需求处理方法及电子商务ai系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110855285.7A CN113420567A (zh) 2021-07-28 2021-07-28 基于大数据的电商服务需求处理方法及电子商务ai系统

Publications (1)

Publication Number Publication Date
CN113420567A true CN113420567A (zh) 2021-09-21

Family

ID=77718726

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110855285.7A Withdrawn CN113420567A (zh) 2021-07-28 2021-07-28 基于大数据的电商服务需求处理方法及电子商务ai系统

Country Status (1)

Country Link
CN (1) CN113420567A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114416049A (zh) * 2021-12-23 2022-04-29 北京来也网络科技有限公司 结合rpa和ai的服务接口的配置方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114416049A (zh) * 2021-12-23 2022-04-29 北京来也网络科技有限公司 结合rpa和ai的服务接口的配置方法及装置

Similar Documents

Publication Publication Date Title
Ragmani et al. An improved hybrid fuzzy-ant colony algorithm applied to load balancing in cloud computing environment
Al-Masri et al. Discovering the best web service: A neural network-based solution
CN111309983A (zh) 基于异构图进行业务处理的方法及装置
US20150254328A1 (en) Methods and systems that categorize and summarize instrumentation-generated events
US20110029657A1 (en) Tracking high-level network transactions
CN114048387B (zh) 基于大数据和ai预测的内容推荐方法及人工智能云系统
WO2022053163A1 (en) Distributed trace anomaly detection with self-attention based deep learning
CN115718846A (zh) 用于智能化交互网络的大数据挖掘方法及系统
Chen et al. Web service QoS prediction: when collaborative filtering meets data fluctuating in big-range
CN115168453A (zh) 关于电子商务数据推送的兴趣分析方法及系统
CN113468404A (zh) 基于大数据挖掘的推送资源确定方法及云计算ai服务系统
Rao et al. An optimal machine learning model based on selective reinforced Markov decision to predict web browsing patterns
CN113420567A (zh) 基于大数据的电商服务需求处理方法及电子商务ai系统
CN113468403A (zh) 基于大数据挖掘的用户信息预测方法及云计算ai服务系统
Xiong et al. A learning approach to QoS prediction via multi-dimensional context
CN114564648A (zh) 基于大数据的个性化服务内容优化方法及人工智能云系统
Soliman et al. Adagraph: adaptive graph-based algorithms for spam detection in social networks
Papageorgiou et al. Decision support for Web service adaptation
Xiong et al. Collaborative web service QoS prediction on unbalanced data distribution
CN114968750A (zh) 基于人工智能的测试用例生成方法、装置、设备和介质
CN114462707B (zh) 一种基于特征深度融合的Web服务多维QoS联合预测方法
Fu et al. Using NearestGraph QoS prediction method for service recommendation in the cloud
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
CN114443970A (zh) 基于人工智能和大数据的数字化内容推送方法及ai系统
CN114510627A (zh) 对象推送方法、装置、电子设备及存储介质

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: 20210921

WW01 Invention patent application withdrawn after publication