CN113468403A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113468403A CN113468403A CN202110665769.5A CN202110665769A CN113468403A CN 113468403 A CN113468403 A CN 113468403A CN 202110665769 A CN202110665769 A CN 202110665769A CN 113468403 A CN113468403 A CN 113468403A
- Authority
- CN
- China
- Prior art keywords
- content
- behavior
- information
- interaction
- attribute
- 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- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000007418 data mining Methods 0.000 title claims abstract description 43
- 238000013473 artificial intelligence Methods 0.000 title description 47
- 230000003993 interaction Effects 0.000 claims abstract description 385
- 238000011156 evaluation Methods 0.000 claims abstract description 204
- 230000006399 behavior Effects 0.000 claims description 535
- 230000002452 interceptive effect Effects 0.000 claims description 62
- 238000005065 mining Methods 0.000 claims description 42
- 238000004891 communication Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 6
- 238000011002 quantification Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 31
- 230000008569 process Effects 0.000 description 9
- 230000009471 action Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G06F16/9532—Query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开实施例提供一种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,可以实现对兴趣评价预测进行量化,为相关热点推荐内容的推送提供了参考,并且基于参考了与目标内容提供服务相关的多种内容互动属性对应的兴趣程度,进行兴趣评价预测,提升了兴趣评价预测的准确性,另外,预测兴趣评价预测值时,还获取每个内容互动属性对应的内容互动有效值,作为各个内容互动属性的兴趣评价预测的参考,进一步提升了兴趣评价预测的准确性,从而可以准确地确定是否为用户推送相关热点推荐内容,进而提高信息匹配准确性。
Description
技术领域
本公开涉及大数据技术领域,示例性地,涉及一种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。
背景技术
大数据预测是大数据最核心的应用,通过将传统意义的预测拓展到现测。大数据预测的优势体现在,将一个非常困难的预测问题,转化为一个相对简单的描述问题,而这是传统小数据集根本无法企及的。从预测的角度看,大数据预测所得出的结果不仅仅是用于处理现实业务的简单、客观的结论,更是能用于帮助运营服务商的业务决策。
基于此,相关技术中,针对内容服务提供商,采用兴趣评价预测的方式可以确定是否为用户推送相关热点推荐内容,进而提高产品信息的推送精确性。然而,发明人研究发现,传统方案的信息匹配准确性较低。
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大数据挖掘的用户信息预测方法及云计算AI服务系统。
第一方面,本公开提供一种基于大数据挖掘的用户信息预测方法,应用于云计算AI服务系统,所述云计算AI服务系统与多个5G智慧终端通信连接,所述方法包括:
获取所述5G智慧终端的目标内容提供服务对应的内容行为知识图谱,所述内容行为知识图谱包括目标内容提供服务对应的目标内容行为、多个相关内容行为以及多个内容互动属性,所述内容互动属性与所述目标内容提供服务的用户互动行为的互动行为特征分量对应,每个相关内容行为通过其对应的内容互动属性与所述目标内容行为进行关联,所述目标内容提供服务对应的目标内容行为、多个相关内容行为以及多个内容互动属性为基于所述目标内容提供服务的用户大数据行为信息进行大数据挖掘获得的;
基于所述内容行为知识图谱,获取每个内容互动属性关联的所有相关内容行为对应的用户互动行为中兴趣互动行为的兴趣程度,所述兴趣互动行为为匹配相关热点推荐内容时出现互动行为兴趣匹配的用户互动行为;
获取所述每个内容互动属性对应的内容互动有效值,基于所述每个内容互动属性对应的所述兴趣程度,以及所述每个内容互动属性对应的内容互动有效值,获取所述目标内容提供服务对应的兴趣评价预测值,所述兴趣评价预测值用于为所述目标内容提供服务对应的用户推送所述相关热点推荐内容。
第二方面,本公开实施例还提供一种基于大数据挖掘的用户信息预测系统,所述基于大数据挖掘的用户信息预测系统包括云计算AI服务系统以及与所述云计算AI服务系统通信关联的多个5G智慧终端;
所述云计算AI服务系统,用于:
获取所述5G智慧终端的目标内容提供服务对应的内容行为知识图谱,所述内容行为知识图谱包括目标内容提供服务对应的目标内容行为、多个相关内容行为以及多个内容互动属性,所述内容互动属性与所述目标内容提供服务的用户互动行为的互动行为特征分量对应,每个相关内容行为通过其对应的内容互动属性与所述目标内容行为进行关联,所述目标内容提供服务对应的目标内容行为、多个相关内容行为以及多个内容互动属性为基于所述目标内容提供服务的用户大数据行为信息进行大数据挖掘获得的;
基于所述内容行为知识图谱,获取每个内容互动属性关联的所有相关内容行为对应的用户互动行为中兴趣互动行为的兴趣程度,所述兴趣互动行为为匹配相关热点推荐内容时出现互动行为兴趣匹配的用户互动行为;
获取所述每个内容互动属性对应的内容互动有效值,基于所述每个内容互动属性对应的所述兴趣程度,以及所述每个内容互动属性对应的内容互动有效值,获取所述目标内容提供服务对应的兴趣评价预测值,所述兴趣评价预测值用于为所述目标内容提供服务对应的用户推送所述相关热点推荐内容。
根据上述任意一个方面,本公开提供的实施方式中,可以实现对兴趣评价预测进行量化,为相关热点推荐内容的推送提供了参考,并且基于参考了与目标内容提供服务相关的多种内容互动属性对应的兴趣程度,进行兴趣评价预测,提升了兴趣评价预测的准确性,另外,预测兴趣评价预测值时,还获取每个内容互动属性对应的内容互动有效值,作为各个内容互动属性的兴趣评价预测的参考,进一步提升了兴趣评价预测的准确性,从而可以准确地确定是否为用户推送相关热点推荐内容,进而提高信息匹配准确性。
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大数据挖掘的用户信息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大数据挖掘的用户信息预测方法的流程示意图;
图3为本公开实施例提供的基于大数据挖掘的用户信息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大数据挖掘的用户信息预测方法的云计算AI服务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。
图1是本公开一种实施例提供的基于大数据挖掘的用户信息预测系统10的解释示意图。基于大数据挖掘的用户信息预测系统10可以包括云计算AI服务系统100以及与云计算AI服务系统100通信关联的5G智慧终端200。图1所示的基于大数据挖掘的用户信息预测系统10仅为一种可行的示例,在其它可行的实施例中,该基于大数据挖掘的用户信息预测系统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,基于大数据挖掘的用户信息预测系统10中的云计算AI服务系统100和5G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挖掘的用户信息预测方法,具体云计算AI服务系统100和5G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为本公开实施例提供的基于大数据挖掘的用户信息预测方法的流程示意图,本实施例提供的基于大数据挖掘的用户信息预测方法可以由图1中所示的云计算AI服务系统100执行,下面对该基于大数据挖掘的用户信息预测方法进行详细介绍。
步骤S110,获取所述5G智慧终端的目标内容提供服务对应的内容行为知识图谱,所述内容行为知识图谱包括目标内容提供服务对应的目标内容行为、多个相关内容行为以及多个内容互动属性,所述内容互动属性与所述目标内容提供服务的用户互动行为的互动行为特征分量对应,每个相关内容行为通过其对应的内容互动属性与所述目标内容行为进行关联。
一种实施例中,目标内容提供服务对应的目标内容行为即为兴趣程度未知的待预测的内容对象,对一个兴趣程度未知的目标内容行为进行兴趣评价预测,首先需要获取该目标内容提供服务对应的内容行为知识图谱,内容行为关系图包括目标内容提供服务对应的目标内容行为、多个相关内容行为以及多个内容互动属性。
其中,目标内容行为以及相关内容行为可以是如内容分享行为、内容传播行为、内容复制行为、内容粘贴行为、内容更新行为等内容互动行为,相关内容行为可以为与目标内容行为有某种关联的内容行为。内容互动属性可以是为目标内容行为与相关内容行为之间提供某种关联的互动属性,用于关联目标内容行为与相关内容行为。可以理解地,内容行为可以代表不同的服务项目,内容行为知识图谱可以表征目标内容行为与其它相关内容行为的服务项目之间的关系。以上内容行为可以根据目标内容提供服务的互动行为特征分量确定,互动行为特征分量可以表征内容行为特征,例如,内容行为的行为指向页面、行为指向业务、行为提供微服务、使用的行为模式等,利用互动行为特征分量可以建立起目标内容行为与相关内容行为之间的关系,从而建立内容行为知识图谱。
例如,假设目标内容行为Action0与内容行为Action1、内容行为Action2以及内容行为Action9通过行为指向页面LK进行过行为互动,或者目标内容行为Action0、内容行为Action1、内容行为Action2以及内容行为Action9都通过行为指向页面LK与其它内容行为有过行为互动,则可以将目标内容行为Action0作为目标内容行为,将内容行为Action1、内容行为Action2以及内容行为Action9作为目标内容行为Action0的相关内容行为,对应地,行为指向页面LK则作为内容行为Action1、内容行为Action2、内容行为Action9对应的内容互动属性,目标内容行为Action0与内容行为Action1、内容行为Action2、内容行为Action9通过行为指向页面LK相连接,其中,可以基于目标内容行为的互动行为特征分量确定其对应的内容互动属性,示例性地,相关内容行为与目标内容行为相关联的互动行为特征分量为行为指向页面,对应地,目标内容行为与该相关内容行为之间的内容互动属性可以为行为指向页面,行为指向页面LK可以是一个行为指向页面或多个行为指向页面,本实施例对此不作限制。
步骤S120,基于所述内容行为知识图谱,获取每个内容互动属性关联的所有相关内容行为对应的用户互动行为中兴趣互动行为的兴趣程度,所述兴趣互动行为为匹配相关热点推荐内容时出现互动行为兴趣匹配的用户互动行为。
一种实施例中,兴趣程度可以是匹配相关热点推荐内容时出现互动行为兴趣匹配的用户互动行为与该用户互动行为对应的某种互动行为特征分量下的所有用户互动行为的比值,其中,相关热点推荐内容可以是热点推送功能、热点推送链接等,本实施例对此不作限制。
示例性地,内容行为Action7、内容行为Action6以及内容行为Action5均通过行为提供微服务AP向某个应用服务进行了内容交互,若内容行为Action7在规定的期限内将内容交互的交互信息通过相关的应用平台EP发送至某个应用服务,内容行为Action7则被视为兴趣互动行为,内容行为Action5和内容行为Action6在规定的期限内未将内容交互的交互信息通过相关的应用平台EP发送至某个应用服务,则内容行为Action5和内容行为Action6则被视为非兴趣互动行为。对应地,参与了该内容交互的总内容行为频率为3,其中兴趣互动行为为1,可以得到其兴趣程度为1/3。
步骤S130,获取所述每个内容互动属性对应的内容互动有效值,基于所述每个内容互动属性对应的所述兴趣程度,以及所述每个内容互动属性对应的内容互动有效值,获取所述目标内容提供服务对应的兴趣评价预测值,所述兴趣评价预测值用于为所述目标内容提供服务对应的用户推送所述相关热点推荐内容。
一种实施例中,由于每个内容互动属性下的相关内容行为,可能存在未参与过以上相关热点推荐内容的相关内容行为对应的相关内容行为,例如,未参与过内容交互,也可能参与过相关热点推荐内容的相关内容行为对应的相关内容行为,但未到相关热点推荐内容的期限,例如,参与了内容交互,还未到数据截止期限,所以以上确定的各个内容互动属性对应的兴趣程度,会因为这些相关内容行为,而导致准确性受到影响。因此,在获取了每个内容互动属性关联的所有相关内容行为对应的用户互动行为中兴趣互动行为的兴趣程度之后,还需要获取每个内容互动属性对应的内容互动有效值,其中,内容互动有效值的大小可以反映该内容互动属性在预测目标内容行为的兴趣程度中的可信程度,即,内容互动有效值越大,则该内容互动属性在预测目标内容行为程度中的可信程度越高,最终预测出的目标内容行为的兴趣程度越准确。
一种实施例中,每个内容互动属性对应的内容互动有效值,可以根据每个内容互动属性对应的相关内容行为中完成过相关热点推荐内容的互动属性频率确定,例如,根据完成过至少一次内容交互的内容互动属性的互动属性频率确定。可以理解地,完成过相关热点推荐内容的互动属性频率表示了每个内容互动属性对应的相关内容行为中,能够真实有效地反映内容行为是否存在兴趣的内容行为的频率,因此,该频率越大,则表示该内容互动属性的可信程度越高,进而可以据此来计算各个内容互动属性的内容互动有效值。
一种实施例中,由于判断目标内容行为的兴趣评价预测值程度与每个内容互动属性的兴趣程度以及内容互动有效值均有关,因此可以先获取每个内容互动属性的兴趣程度以及内容互动有效值,再基于已获取到的每个内容互动属性的兴趣程度以及对应的内容互动有效值对目标内容提供服务对应的兴趣评价预测值进行计算,进一步地,可以根据兴趣评价预测值来给目标内容提供服务对应的用户推送相关热点推荐内容,例如,若根据兴趣评价预测值判断目标内容提供服务对应的用户为高兴趣用户,可以允许该目标内容提供服务对应的用户参与该相关热点推荐内容(如:触发内容交互),若根据兴趣评价预测值判断该目标内容提供服务对应的用户为低兴趣用户,则可以禁止该目标内容提供服务对应的用户参加该相关热点推荐内容(如:触发内容交互)。
一种实施例中,获取所述5G智慧终端的目标内容提供服务对应的内容行为知识图谱,并基于所述内容行为知识图谱,获取每个内容互动属性关联的所有相关内容行为对应的用户互动行为中兴趣互动行为的兴趣程度,再获取所述每个内容互动属性对应的内容互动有效值,最后基于所述每个内容互动属性对应的所述兴趣程度,以及所述每个内容互动属性对应的内容互动有效值,获取所述目标内容提供服务对应的兴趣评价预测值,并且根据兴趣评价预测值为所述目标内容提供服务对应的用户推送所述相关热点推荐内容。如此,可以实现对兴趣评价预测进行量化,为相关热点推荐内容的推送提供了参考,并且基于参考了与目标内容提供服务相关的多种内容互动属性对应的兴趣程度,进行兴趣评价预测,提升了兴趣评价预测的准确性,另外,预测兴趣评价预测值时,还获取每个内容互动属性对应的内容互动有效值,作为各个内容互动属性的兴趣评价预测的参考,进一步提升了兴趣评价预测的准确性,从而可以准确地确定是否为用户推送相关热点推荐内容。
下面介绍本公开又一实施例提供的一种基于大数据挖掘的用户信息预测方法的流程,该基于大数据挖掘的用户信息预测方法可以包括以下步骤:
步骤S210,获取所述目标内容提供服务的用户互动行为的互动行为特征分量,以及所述目标内容提供服务对应的相关内容行为的互动行为特征分量,所述互动行为特征分量用于表征内容行为的内容行为特征。
一种实施例中,互动行为特征分量可以表征内容行为特征,例如,内容行为的行为指向页面、行为指向业务、行为提供微服务、使用的行为模式等,利用互动行为特征分量可以确定出与目标内容行为有关联的相关内容行为,并据此建立起目标内容行为与相关内容行为之间的关系。
步骤S220,基于所述目标内容提供服务的用户互动行为的互动行为特征分量,以及所述目标内容提供服务对应的相关内容行为的互动行为特征分量,并以所述目标内容行为的用户互动行为作为所述目标内容行为,以及以所述相关内容行为作为相关内容行为,生成所述目标内容提供服务对应的内容行为知识图谱。
一种实施例中,基于获取到的目标内容提供服务的用户互动行为的互动行为特征分量以及目标内容提供服务对应的相关内容行为的互动行为特征分量之后,将该互动行为特征分量作为兴趣评价预测中的参考依据,进一步地,以每种参考依据作为内容互动属性、以目标内容行为的用户互动行为作为目标内容行为,以及以相关内容行为作为相关内容行为,生成目标内容提供服务对应的内容行为知识图谱。
在实际应用中,考虑到一些互动行为特征分量是不适合作为参考依据的,例如类似于噪声特征分量这样的互动行为特征分量,大部分内容行为都可能与噪声特征分量这样的互动行为特征分量,因此若将该类的互动行为特征分量引入作为参考依据,会引入预测噪声,即,可能会造成最终预测出的兴趣评价预测值值不准确。
针对上述实际情况,在生成目标内容提供服务对应的内容行为知识图谱之前,可以通过一些方式过滤掉类似于噪声特征分量这样的互动行为特征分量。
首先,将所述目标内容提供服务的用户互动行为的互动行为特征分量与预设互动行为特征分量进行匹配,其中,所述预设互动行为特征分量与所述相关热点推荐内容对应。
其次,根据匹配信息,从所述目标内容提供服务的用户互动行为的互动行为特征分量中,获取与所述预设互动行为特征分量匹配的互动行为特征分量,作为目标互动行为特征分量。
在该实施方式中,可以提前存储与相关热点推荐内容对应的预设互动行为特征分量,其中,预设互动行为特征分量可以为行为指向页面1、行为指向页面2、行为指向页面3、相关应用平台1、相关应用平台2、行为指向业务1、行为指向业务2、行为触发模式1以及行为触发模式2,预设互动行为特征分量可以是多个,本实施例对预设互动行为特征分量的个数在此不做限制。进一步地,可以将目标内容提供服务的用户互动行为的互动行为特征分量与上述预设互动行为特征分量进行匹配,并将与预设互动行为特征分量匹配的互动行为特征分量作为目标互动行为特征分量。示例性地,若目标内容提供服务的用户互动行为的互动行为特征分量包括行为指向页面1、行为指向页面2、行为指向页面3、行为指向页面4、相关应用平台1、相关应用平台2、行为指向业务1、行为指向业务2、行为触发模式1以及行为触发模式2,预设互动行为特征分量为行为指向页面1、行为指向页面2、行为指向页面3、相关应用平台1、相关应用平台2、行为指向业务1、行为指向业务2、行为触发模式1以及行为触发模式2,进一步地,可以得到目标互动行为特征分量为行为指向页面1、行为指向页面2、行为指向页面3、相关应用平台1、相关应用平台2、行为指向业务1、行为指向业务2、行为触发模式1以及行为触发模式2,其中,行为指向页面4未能在预设互动行为特征分量中找到匹配的标签,则将行为指向页面4这个互动行为特征分量过滤掉,可以理解为行为指向页面4这个互动行为特征分量不适合放在预测兴趣参考依据中来,行为指向页面4可能是某全局行为指向页面,也就是该行为指向页面4这个互动行为特征分量背后不太可能有取消订阅信息在里面,如果将行为指向页面4这个互动行为特征分量作为目标互动行为特征分量,则可能会给预测兴趣的过程引入噪声,影响最终的预测结果。可以理解,筛选目标互动行为特征分量的主要目的就是过滤掉不适合作为参考依据的互动行为特征分量,提高兴趣评价预测的准确性。
最后,基于所述目标内容提供服务的用户互动行为的所述目标互动行为特征分量,以及所述目标内容提供服务对应的相关内容行为的目标互动行为特征分量,并以所述目标内容行为的用户互动行为作为所述目标内容行为,以及以所述相关内容行为作为相关内容行为,生成所述目标内容提供服务对应的内容行为知识图谱。
一种实施例中,通过将目标内容提供服务的用户互动行为的互动行为特征分量与预设互动行为特征分量进行匹配来过滤掉不适合作为参考依据的互动行为特征分量,并将与所述预设互动行为特征分量匹配的互动行为特征分量,作为目标互动行为特征分量,将目标互动行为特征分量作为兴趣评价预测中的参考依据,并基于过滤后的每种参考依据、以目标内容行为的用户互动行为作为目标内容行为,以及以相关内容行为作为相关内容行为生成目标内容提供服务对应的内容行为知识图谱。
步骤S230,获取所述每个内容互动属性关联的所有相关内容行为中的指定内容行为的频率,作为第一频率,其中,所述指定内容行为为已完成过所述相关热点推荐内容的内容行为对应的相关内容行为。
一种实施例中,获取每个内容互动属性对应的内容互动有效值可以先获取每个内容互动属性关联的所有相关内容行为中的指定内容行为的频率,其中指定内容行为为已完成过所述相关热点推荐内容的内容行为对应的相关内容行为,仍以相关热点推荐内容为通过相关应用平台AO进行内容交互,已完成过相关热点推荐内容的内容行为可以是在指定期限日已经进行信息交互的内容行为和在指定期限日未完成进行信息交互的内容行为。示例性地,内容行为Action5和内容行为Action6均在2020年10月1日通过相关应用平台AO向某个应用服务触发内容交互,内容行为Action7在2020年10月30日通过相关应用平台AO向某个应用服务触发内容交互,指定期限日为触发内容交互日累加30天的日期,即,内容行为Action5和内容行为Action6需要在2020年10月31日之前向某个应用服务进行信息交互,内容行为Action7需要再2020年11月19日向某个应用服务进行信息交互,因此,若获取已完成过所述相关热点推荐内容的内容行为的日期为2020年11月22日,则内容行为Action5和内容行为Action6都可以作为已匹配相关热点推荐内容的内容行为对应的相关内容行为,即指定内容行为,由于内容行为Action7的指定期限日还未到,内容行为Action7还未匹配相关热点推荐内容,因此不能视为指定内容行为,对应的,针对该例子获取的指定内容行为的频率则为2。
步骤S240,获取所述预设内容互动属性属性值与每个所述第一频率的比值对应的相反数,得到所述每个内容互动属性对应的目标属性值。
步骤S250,将所述每个内容互动属性对应的所述目标属性值作为自变量,获取预设目标函数的函数值,得到所述每个内容互动属性对应的内容互动有效值,所述预设目标函数的底数数值大于1。
一种实施例中,基于获取到的指定内容行为的第一频率以及预设内容互动属性属性值,可以得到每个内容互动属性对应的目标属性值,其中,目标属性值可以是一个负数,示例性地,若获取到的第一频率为4,预设内容互动属性属性值为2,可以得到目标属性值为-1/2,由于存在多种内容互动属性,所以需要获取到每种内容互动属性对应的目标属性值。
由于每种内容互动属性对应的目标属性值可能相同可能不同,因此可以将目标属性值看做为自变量,并基于该自变量获取预设目标函数的函数值,其中该目标函数的底数数值为大于1的,示例性的,取e为该目标函数的底数,可以得到上述例子中对应的内容互动有效值为e-1/2b。若将预设内容互动属性属性值x表示,第一频率用confidence表示,对应地,计算内容互动属性对应的内容互动有效值的公式可以表示为e-x/confidence,可以通过该公式计算每个内容互动属性对应的内容互动有效值。
另一种实施方式中,还可以获取预设内容互动属性属性值与每个所述第一频率的比值,得到每个内容互动属性对应的目标属性值,并将每个内容互动属性对应的目标属性值作为自变量,获取预设目标函数的函数值,得到所述每个内容互动属性对应的内容互动有效值,所述预设目标函数的底数数值小于1,在这种情况下,该目标函数的底数可以为1/e,对应地,此时计算置信度的公式可以为(1/e)x/confidence,同样的也可以通过该公式计算每个内容互动属性对应的内容互动有效值。
在上述两种实施方式中,内容互动有效值的大小均在0至1之间,一种实施例中,对内容互动有效值的大小在此不作限制。
又一种实施方式中,可以将获取到的每个所述第一频率与预设内容互动属性属性值的比值直接作为内容互动有效值,在此情况下,内容互动有效值可以大于1。示例性地,若获取到的第一频率为6,预设内容互动属性属性值4,对应地,内容互动有效值为1.5。
步骤S260,基于所述每个内容互动属性对应的所述兴趣程度,以及所述每个内容互动属性对应的内容互动有效值,获取所述目标内容提供服务对应的兴趣评价预测值,所述兴趣评价预测值用于为所述目标内容提供服务对应的用户推送所述相关热点推荐内容。
一种实施例中,步骤S260可以包括:
步骤S261,基于所述每个内容互动属性对应的所述兴趣程度,以及所述每个内容互动属性对应的内容互动有效值,获取所述每个内容互动属性对应的兴趣评价预测值。
一种实施例中,存在多种类型的内容互动属性,例如行为指向页面LK、行为触发模式32、相关应用平台AO以及行为指向业务34四种类型的内容互动属性,其中,同一类型的内容互动属性中可以只包括1个内容互动属性也可以包括多个不同的内容互动属性,例如,内容互动属性相关应用平台AO可以只包括相关应用平台1,也可以包括多个不同的内容互动属性相关应用平台1、相关应用平台2、相关应用平台3以及相关应用平台4,因此针对不同情况,获取每种内容互动属性对应的兴趣评价预测值值不同。
一种实施例中,每种内容互动属性中均只存在一个内容互动属性,则获取到的每个内容互动属性的兴趣程度,则为对应的类型的内容互动属性的兴趣程度,再基于每种类型的内容互动属性的兴趣程度,进一步获取每种类型的内容互动属性对应的兴趣评价预测值。示例性地,若存在两种类型的内容互动属性,分别为行为触发模式32和相关应用平台AO。其中,行为触发模式32中只包含一个内容互动属性行为触发模式1,相关应用平台AO中只包含一个内容互动属性相关应用平台1,对应地,获取到的行为触发模式1的兴趣程度即为行为触发模式32该类型对应的兴趣程度,获取到的相关应用平台1的兴趣程度即为相关应用平台AO该类型的兴趣程度。
另一种实施例中,每种类型的内容互动属性中均存在多个不同的内容互动属性,则需要将获取到的每种类型下的多个不同的内容互动属性的兴趣程度求进行求和,得到每种类型的内容互动属性对应的兴趣程度。示例性地,若存在两种类型的内容互动属性,分别为行为触发模式32和相关应用平台AO。其中,行为触发模式32中分别包含行为触发模式1和行为触发模式2,相关应用平台AO中分别包含内容互动属性相关应用平台1和相关应用平台2,对应地,行为触发模式1的兴趣程度和行为触发模式2的兴趣程度的总和才为行为触发模式32类型的内容互动属性的兴趣程度,相关应用平台1的兴趣程度和相关应用平台2的兴趣程度的总和才为相关应用平台AO类型的内容互动属性的兴趣程度。
步骤S262,基于所述每个内容互动属性对应的影响因子,以及所述每个内容互动属性对应的兴趣评价预测值,获得所述目标内容提供服务对应的兴趣评价预测值。
一种实施方式中,在每种类型的内容互动属性中均存在多个不同的内容互动属性的情况下,在获取到每种类型的内容互动属性对应的兴趣评价预测值值后,结合每种内容互动属性对应的影响因子,计算得到目标内容提供服务对应的兴趣评价预测值。根据上述已获得的数据,计算目标内容提供服务对应的兴趣评价预测值的公式可以表达为:
其中,表示参考依据类型的集合,f(g)表示g内容互动属性下的影响因子系数,p表示概率,confidence表示第一频率,x为预设内容互动属性属性值,i表示每种同类型的内容互动属性中包括的内容互动属性频率。
有一种实施方式中,每种内容互动属性中均只存在一个内容互动属性的情况下,在获取到每种类型的内容互动属性对应的兴趣评价预测值值后,结合每个内容互动属性对应的影响因子,计算得到目标内容提供服务对应的兴趣评价预测值。根据上述已获得的数据,计算目标内容提供服务对应的兴趣评价预测值的公式可以表达为:
步骤S270,判断所述目标内容提供服务对应的所述兴趣评价预测值是否大于预设兴趣评价预测值阈值。
一种实施例中,获取到目标内容提供服务对应的兴趣评价预测值值后,还可以对该兴趣评价预测值值进行判断,判断该兴趣评价预测值值是否大于预设兴趣评价预测值阈值,其中,大于预设兴趣评价预测值阈值的目标内容提供服务对应的用户为高兴趣用户,不大于预设兴趣评价预测值阈值的目标内容提供服务对应的用户为低兴趣用户。
步骤S280,若是,则为所述目标内容提供服务对应的用户推送所述相关热点推荐内容。
若目标内容提供服务对应的兴趣评价预测值值大于预设兴趣评价预测值阈值,则确定该目标内容提供服务对应的用户为高兴趣用户,即,该用户在规定期限内能匹配相关热点推荐内容的概率较高,进一步地,可以为该目标内容提供服务对应的用户推送相关热点推荐内容。示例性地,若获取的目标内容提供服务对应的兴趣评价预测值为0.6,预设兴趣评价预测值阈值为0.5,可以判断该目标内容提供服务对应的用户为高兴趣用户,可以给该用户推送相关热点推荐内容,例如允许其在某段时间内触发内容交互。
步骤S290,若否,生成提示信息,并将所述提示信息发送至所述目标内容提供服务的用户互动行为,所述提示信息用于提示用户无法参与所述相关热点推荐内容。
若目标内容提供服务对应的兴趣评价预测值值不大于预设兴趣评价预测值阈值,则确定该目标内容提供服务对应的用户为低兴趣用户,即,该用户在规定期限内能匹配相关热点推荐内容的概率较低,进一步地,生成提示信息,并将该提示信息发送至所述目标内容提供服务的用户互动行为,提示该用户无法参与所述相关热点推荐内容。示例性地,若获取的目标内容提供服务对应的兴趣评价预测值为0.2,预设兴趣评价预测值阈值为0.5,可以判断该目标内容提供服务对应的用户为低兴趣用户,则生成提示信息“您的兴趣评价预测值较低,系统将禁止您参与该相关热点推荐内容”,并将该提示信息发送至低兴趣用户对应的用户互动行为处,以提示该用户无法参与所述相关热点推荐内容,例如禁止其在某段时间内触发内容交互。
一种实施例中,获取所述5G智慧终端的目标内容提供服务对应的内容行为知识图谱,对未匹配相关热点推荐内容的内容互动属性进行剔除,并基于所述内容行为知识图谱,获取每个内容互动属性关联的所有相关内容行为对应的用户互动行为中兴趣互动行为的兴趣程度,再获取所述每个内容互动属性对应的内容互动有效值,最后基于所述每个内容互动属性对应的所述兴趣程度,以及所述每个内容互动属性对应的内容互动有效值,获取所述目标内容提供服务对应的兴趣评价预测值,并且根据兴趣评价预测值为所述目标内容提供服务对应的用户推送所述相关热点推荐内容。如此,可以实现对兴趣评价预测进行量化,为相关热点推荐内容的推送提供了参考,并且基于参考了与目标内容提供服务相关的多种内容互动属性对应的兴趣程度,进行兴趣评价预测,提升了兴趣评价预测的准确性,另外,预测兴趣评价预测值时,还获取每个内容互动属性对应的内容互动有效值,作为各个内容互动属性的兴趣评价预测的参考,进一步提升了兴趣评价预测的准确性,从而可以准确地确定是否为用户推送相关热点推荐内容,避免用户的兴趣评价预测值带来的影响。
下面介绍本公开再一实施例提供的一种基于大数据挖掘的用户信息预测方法的流程,该基于大数据挖掘的用户信息预测方法可以包括以下步骤:
步骤S310,获取所述5G智慧终端的目标内容提供服务对应的内容行为知识图谱,所述内容行为知识图谱包括目标内容提供服务对应的目标内容行为、多个相关内容行为以及多个内容互动属性,所述内容互动属性与所述目标内容提供服务的用户互动行为的互动行为特征分量对应,每个相关内容行为通过其对应的内容互动属性与所述目标内容行为进行关联。
在本公开实施例中,步骤S310可以参阅前述实施例中步骤S110的内容,在此不再赘述。
步骤S320,获取所述每个内容互动属性关联的所有相关内容行为中的指定内容行为的频率,作为第二频率,其中,所述指定内容行为为已完成过所述相关热点推荐内容的内容行为对应的相关内容行为。
一种实施例中,仍以相关热点推荐内容为通过相关应用平台AO进行内容交互,已完成过相关热点推荐内容的内容行为可以是在指定期限日已经进行信息交互的内容行为和在指定期限日未完成进行信息交互的内容行为。示例性地,内容行为Action5和内容行为Action6均在2020年10月1日通过相关应用平台AO向某个应用服务触发内容交互,内容行为Action7在2020年10月30日通过相关应用平台AO向某个应用服务触发内容交互,指定期限日为触发内容交互日累加30天的日期,即,内容行为Action5和内容行为Action6需要在2020年10月31日之前向某个应用服务进行信息交互,内容行为Action7需要再2020年11月19日向某个应用服务进行信息交互,因此,若获取已完成过所述相关热点推荐内容的内容行为的日期为2020年11月22日,则内容行为Action5和内容行为Action6都可以作为已匹配相关热点推荐内容的内容行为对应的相关内容行为,即指定内容行为,由于内容行为Action7的指定期限日还未到,内容行为Action7还未匹配相关热点推荐内容,因此不能视为指定内容行为,对应的,针对该例子获取的指定内容行为的频率则为2个,即第二频率为2。
步骤S330,根据所述每个内容互动属性对应的第二频率,从所有内容互动属性中剔除目标内容互动属性,其中,所述目标内容互动属性对应的所述第二频率小于预设频率。
进一步地,判断每个内容互动属性对应的第二频率是否小于预设频率,若判断结果为是,则将第二频率小于预设频率的目标内容互动属性进行剔除,例如,若第二频率为2,预设频率为5,对应地,将给第二频率对应的内容互动属性作为目标内容互动属性进行剔除,可以理解,第二频率越小,代表该内容互动属性在预测兴趣的过程中的作用较小,如果将该内容互动属性引入到兴趣评价预测的过程中,则会导致兴趣评价预测的结果不准确,因此需要对该目标内容互动属性进行过滤。
步骤S340,基于所述内容行为知识图谱,获取每个内容互动属性关联的所有相关内容行为对应的用户互动行为中兴趣互动行为的兴趣程度,所述兴趣互动行为为匹配相关热点推荐内容时出现互动行为兴趣匹配的用户互动行为。
步骤S350,获取所述每个内容互动属性对应的内容互动有效值。
步骤S360,基于所述每个内容互动属性对应的所述兴趣程度,以及所述每个内容互动属性对应的内容互动有效值,获取所述目标内容提供服务对应的兴趣评价预测值,所述兴趣评价预测值用于为所述目标内容提供服务对应的用户推送所述相关热点推荐内容。
步骤S370,判断所述目标内容提供服务对应的所述兴趣评价预测值是否大于预设兴趣评价预测值阈值。
步骤S380,若是,则为所述目标内容提供服务对应的用户推送所述相关热点推荐内容。
步骤S390,若否,生成提示信息,并将所述提示信息发送至所述目标内容提供服务的用户互动行为,所述提示信息用于提示用户无法参与所述相关热点推荐内容。
在本公开实施例中,步骤S340-步骤S390可以参阅前述实施例中步骤S220-步骤S290的内容,在此不再赘述。
一种实施例中,获取所述5G智慧终端的目标内容提供服务对应的内容行为知识图谱,对未匹配相关热点推荐内容的内容互动属性进行剔除,并基于所述内容行为知识图谱,获取每个内容互动属性关联的所有相关内容行为对应的用户互动行为中兴趣互动行为的兴趣程度,再获取所述每个内容互动属性对应的内容互动有效值,最后基于所述每个内容互动属性对应的所述兴趣程度,以及所述每个内容互动属性对应的内容互动有效值,获取所述目标内容提供服务对应的兴趣评价预测值,并且根据兴趣评价预测值为所述目标内容提供服务对应的用户推送所述相关热点推荐内容。如此,可以实现对兴趣评价预测进行量化,为相关热点推荐内容的推送提供了参考,并且基于参考了与目标内容提供服务相关的多种内容互动属性对应的兴趣程度,进行兴趣评价预测,提升了兴趣评价预测的准确性,另外,预测兴趣评价预测值时,还获取每个内容互动属性对应的内容互动有效值,作为各个内容互动属性的兴趣评价预测的参考,进一步提升了兴趣评价预测的准确性,从而可以准确地确定是否为用户推送相关热点推荐内容,避免用户的兴趣评价预测值带来的影响。
一种实施例中,下面介绍本公开再一实施例提供的一种基于大数据挖掘的推送资源确定方法的流程,该基于大数据挖掘的推送资源确定方法可以包括以下步骤:
步骤a,获取基于兴趣评价预测值为目标内容提供服务对应的用户推送的相关热点推荐内容,获取针对相关热点推荐内容的用户倾向行为信息。
步骤b,对获取到的用户倾向行为信息进行分析,得到当前待定热点话题关键词以及当前待定热点应用业务层信息,通过用户倾向行为信息、当前待定热点话题关键词以及当前待定热点应用业务层信息,得到意向人群属性信息以及意向热点业务动态信息。
步骤c,采用预设业务需求挖掘模式对意向人群属性信息以及意向热点业务动态信息进行处理,并基于匹配预设业务需求挖掘模式的意向热点业务动态信息和意向人群属性信息进行待定意向推送资源引用,得到用户倾向行为信息对应的精确意向推送资源。
如此,首先对获取到的用户倾向行为信息进行分析挖掘,以准确地分析挖掘出当前待定热点话题关键词以及当前待定热点应用业务层信息。其次基于用户倾向行为信息、当前待定热点话题关键词以及当前待定热点应用业务层信息,对意向人群属性进行检测,以确保在线电商在运营过程的状态的实时性,进而确保得到地意向人群属性信息以及意向热点业务动态信息的高度匹配性。在此基础上,采用预设业务需求挖掘模式对意向人群属性信息以及意向热点业务动态信息进行分析处理,以确保在匹配预设业务需求挖掘模式时,通过意向热点业务动态信息和意向人群属性信息进行待定意向推送资源引用,这样能够准确、快速地得到精确意向推送资源,进而为后续用户体验提升提供推送资源。此外,在通过上述方法筛选精确意向推送资源时,能够将热点话题关键词以及热点应用业务层考虑在内,从而能够避免对部分意向推送资源的遗漏,这样可以确保得到的精确意向推送资源的完整性。
在一个实施例中,还提供了一种基于大数据挖掘的推送资源确定方法,本实施例中,该方法包括以下步骤:
STP202,获取基于兴趣评价预测值为目标内容提供服务对应的用户推送的相关热点推荐内容,获取针对相关热点推荐内容的用户倾向行为信息,确定用户倾向行为信息的起始倾向热点信息,起始倾向热点信息包括起始热点话题关键词和起始热点应用业务层信息。
其中,用户倾向行为信息是指需要进行待定意向推送资源引用的倾向行为信息,该意向推送资源信息可以是推送资源属性对应的意向推送资源类别属性,例如推送资源属性可以是文本属性或者链接属性。起始倾向热点信息是对用户倾向行为信息中的意向推送资源互动行为信息进行识别得到的,用于作为信息关联时的倾向热点信息,例如可以包括起始热点话题关键词和起始热点应用业务层信息。起始热点话题关键词是指识别得到的意向推送资源中的起始的热点话题关键词记录信息。起始热点应用业务层信息指识别得到的意向推送资源中的起始的热点应用业务层信息记录信息。
例如,云计算AI服务系统100可以获取基于兴趣评价预测值为目标内容提供服务对应的用户推送的相关热点推荐内容,获取针对相关热点推荐内容的用户倾向行为信息,该用户倾向行为信息可以是推送资源属性对应的动态信息,也可以是推送资源属性对应的静态信息。云计算AI服务系统100可以使用预设的分析策略确定用户倾向行为信息的起始倾向热点信息,起始倾向热点信息包括起始热点话题关键词和起始热点应用业务层信息。比如,可以通过意向推送资源调取策略和意向推送资源匹配策略来确定用户倾向行为信息的起始倾向热点信息。例如,通过意向推送资源互动行为信息确定后得到的起始倾向热点信息中起始热点应用业务层信息是当前意向人群属性下意向推送资源的热点应用业务层信息,是无法在待定意向推送资源对应的索引网络上事先指定的。而除起始热点应用业务层信息以外的内容是可以在待定意向推送资源对应的索引网络中绑定对应关系的。比如,将起始热点话题关键词与待定意向推送资源对应的索引网络中对应的待定热点话题关键词建立绑定关系。
STP204,从用户倾向行为信息对应的当前待定意向推送资源中选取当前待定热点话题关键词,基于用户倾向行为信息获取对应的当前待定热点应用业务层信息。
其中,当前待定意向推送资源是指根据预先使用过的待定意向推送资源对应的索引网络得到的用户倾向行为信息对应的当前待定意向推送资源。预先使用过的待定意向推送资源对应的索引网络是指预先设置好的待定意向推送资源引用模型。当前待定热点话题关键词是指当前待定意向推送资源中待定内容特征定义为交易产品的待定内容,该特征定义是预先使用过的待定意向推送资源对应的索引网络对每个待定内容的特征定义预先设置好的。即当前待定意向推送资源与预先使用过的待定意向推送资源对应的索引网络是用相同的表示方式来表示的,且相同节点的内容代表相同的业务资源场景。当前待定热点应用业务层信息是指根据用户倾向行为信息获取得到的待定热点应用业务层信息。
例如,云计算AI服务系统100获取到预先使用过的待定意向推送资源对应的索引网络。根据预先使用过的待定意向推送资源对应的索引网络得到用户倾向行为信息对应的当前待定意向推送资源,然后根据当前待定意向推送资源中每个内容的特征定义选取当前待定热点话题关键词。比如,云计算AI服务系统100可以使用机器学习模型(比如深度神经网络模型)得到当前待定意向推送资源。然后根据用户倾向行为信息是否为动态意向推送资源类别属性来获取对应的当前待定热点应用业务层信息。
STP206,基于当前待定热点话题关键词、当前待定热点应用业务层信息和起始倾向热点信息进行意向人群属性检测,得到意向人群属性信息。
其中,意向人群属性信息是指在局部关联信息比较过程中对应的意向人群属性信息。意向人群属性检测是指基于信息关联参量进行针对意向人群属性结果的检测。意向人群属性信息用于表征意向推送资源的意向人群属性。
例如,云计算AI服务系统100将当前待定热点话题关键词与当前待定热点应用业务层信息进行信息关联分析,然后检测局部关联信息比较过程中的意向人群属性信息,得到意向人群属性信息。
STP208,根据意向人群属性信息从当前待定意向推送资源中选取目标热点应用业务层信息,根据目标热点应用业务层信息和当前待定热点话题关键词确定当前待定意向推送资源对应的意向热点业务动态信息。
其中,目标热点应用业务层信息是指将当前待定意向推送资源按照意向人群属性信息进行意向人群属性转换后得到的待定热点应用业务层信息。意向热点业务动态信息是指根据目标热点应用业务层信息和当前待定热点话题关键词基于待定意向推送资源应用业务层的索引网络得到的热点应用业务层信息,热点应用业务层信息用于表征意向推送资源的业务层分布,该热点应用业务层信息包括当前业务分布和预测业务分布。当前业务分布是指用于表示意向推送资源的当前业务信息的具体信息,预测业务分布是指用于表示意向推送资源的预测信息的具体信息。
例如,云计算AI服务系统100根据意向人群属性信息将当前待定意向推送资源进行意向人群属性转换,从意向人群属性转换后的待定意向推送资源中选取待定热点应用业务层信息作为目标热点应用业务层信息,然后基于待定意向推送资源应用业务层的索引网络根据目标热点应用业务层信息和当前待定热点话题关键词确定当前待定意向推送资源对应的意向热点业务动态信息。
STP210,基于意向人群属性信息将目标热点应用业务层信息和当前待定热点话题关键词进行信息关联得到起始关联业务信息,根据起始关联业务信息与起始倾向热点信息的第一对比信息更新当前待定热点话题关键词和当前待定热点应用业务层信息。
其中,信息关联可以理解为线性融合。第一对比信息是指起始关联业务信息和起始倾向热点信息之间的内容对比信息。
例如,云计算AI服务系统100将目标热点应用业务层信息和当前待定热点话题关键词通过意向人群属性信息进行意向人群属性转换,得到转换后的待定内容,将转换后的待定内容通过信息关联内容对应的起始热点话题关键词,得到起始关联业务信息,该起始关联业务信息就包括了各个起始关联热点话题关键词和各个起始关联热点应用业务层信息,确定各个起始关联热点话题关键词与起始倾向热点信息中对应的各个起始热点话题关键词之间的内容对比信息,并确定各个起始关联热点应用业务层信息与起始倾向热点信息中对应的各个起始热点应用业务层信息之间的内容对比信息,确定内容对比信息的损失函数值的和得到第一对比信息。
STP212,判断是否匹配第一业务需求挖掘模式,当匹配第一业务需求挖掘模式时,执行STP202,当不匹配第一业务需求挖掘模式时,返回STP206。
STP214,基于匹配第一业务需求挖掘模式的意向热点业务动态信息和意向人群属性信息进行待定意向推送资源引用,得到用户倾向行为信息对应的精确意向推送资源。
其中,第一业务需求挖掘模式是指进行待定意向推送资源引用的条件,包括第一对比信息对应的损失函数值小于预设阈值、达到预设迭代次数或者得到意向热点业务动态信息和意向人群属性信息未发生明显异常变化。意向热点业务动态信息和意向人群属性信息未发生明显异常变化是指前一次得到的意向热点业务动态信息和意向人群属性信息与后一次得到的意向热点业务动态信息和意向人群属性信息之间的损失函数值小于预设阈值。精确意向推送资源是指使用匹配第一业务需求挖掘模式的意向热点业务动态信息和意向人群属性信息进行待定意向推送资源引用得到的待定意向推送资源。
例如,云计算AI服务系统100判断是否匹配第一业务需求挖掘模式时,当匹配第一业务需求挖掘模式时,执行基于匹配第一业务需求挖掘模式的意向热点业务动态信息和意向人群属性信息进行待定意向推送资源引用,当不匹配第一业务需求挖掘模式时,返回STP204,即基于当前待定热点话题关键词、当前待定热点应用业务层信息和起始倾向热点信息进行意向人群属性检测,得到意向人群属性信息。不断循环迭代,直到匹配第一业务需求挖掘模式。
上述基于大数据挖掘的推送资源确定方法中,在每次迭代时,使用意向人群属性信息进行待定热点应用业务层信息的选取,从而能够选取到更加准确的待定热点应用业务层信息,然后使用目标热点应用业务层信息和当前待定热点话题关键词确定当前待定意向推送资源对应的意向热点业务动态信息,使得每次迭代时,使用目标热点应用业务层信息和当前待定热点话题关键词确定意向热点业务动态信息,从而能够得到更加准确的意向热点业务动态信息,然后在匹配业务需求挖掘模式时,使用意向热点业务动态信息和意向人群属性信息进行待定意向推送资源引用,由于使用意向热点业务动态信息和意向人群属性信息进行待定意向推送资源引用,避免了在对意向推送资源进行分析处理时产生业务资源处理遗漏的问题,能够准确、快速地得到精确意向推送资源,进而为后续的用户体验提升提供推送资源。
在一个实施例中,在根据起始关联业务信息与起始倾向热点信息的第一对比信息更新当前待定热点话题关键词和当前待定热点应用业务层信息,返回意向人群属性检测的步骤,直到匹配第一业务需求挖掘模式,包括:
STP302,基于起始关联业务信息与起始倾向热点信息确定得到第一对比信息,当第一对比信息不匹配第一业务需求挖掘模式时,基于意向热点业务动态信息更新当前待定意向推送资源,得到更新待定意向推送资源。
其中,意向热点业务动态信息包括更新当前业务分布和更新预测业务分布。更新待定意向推送资源是指使用意向热点业务动态信息对当前待定意向推送资源进行更新得到的待定意向推送资源。
例如,云计算AI服务系统100确定各个起始关联业务信息与对应的各个起始倾向热点对比信息对应的损失函数值之和得到第一对比信息,当第一对比信息对应的损失函数值小于预先设置好的第一目标损失函数值阈值时,基于更新当前业务分布和更新预测业务分布更新当前待定意向推送资源,得到更新待定意向推送资源。
STP304,从更新待定意向推送资源中选取更新待定热点话题关键词,得到更新的当前待定热点话题关键词,并将目标热点应用业务层信息作为更新的当前待定热点应用业务层信息,返回基于当前待定热点话题关键词、当前待定热点应用业务层信息、起始倾向热点信息进行意向人群属性检测,得到意向人群属性信息的步骤,直到匹配第一业务需求挖掘模式。
其中,更新的当前待定热点话题关键词是指从更新待定意向推送资源中的待定内容特征确定的待定热点话题关键词。
例如,云计算AI服务系统100从更新待定意向推送资源中选取更新待定热点话题关键词,得到更新的当前待定热点话题关键词,并将目标热点应用业务层信息作为更新的当前待定热点应用业务层信息,并返回基于当前待定热点话题关键词、当前待定热点应用业务层信息、起始倾向热点信息进行意向人群属性检测,得到意向人群属性信息的步骤进行迭代循环,直到匹配第一业务需求挖掘模式。
在上述实施例中,通过确定第一对比信息,当第一对比信息不匹配第一业务需求挖掘模式时,从更新待定意向推送资源中选取更新待定热点话题关键词,得到更新的当前待定热点话题关键词,并将目标热点应用业务层信息作为更新的当前待定热点应用业务层信息,返回基于当前待定热点话题关键词、当前待定热点应用业务层信息、起始倾向热点信息进行意向人群属性检测,得到意向人群属性信息的步骤,直到匹配第一业务需求挖掘模式,从而能够不断进行循环迭代,得到更加准确的意向人群属性信息,使得确定得到的精确意向推送资源的准确性和可信度更高。
在一个实施例中,用户倾向行为信息为动态意向推送资源类别属性,起始关联业务信息包括起始关联热点话题关键词和起始关联热点应用业务层信息。
STP302,基于起始关联业务信息与起始倾向热点信息确定得到第一对比信息,包括:
基于起始关联热点话题关键词与起始热点话题关键词确定得到热点话题关键词对比信息,并基于起始关联热点应用业务层信息与起始热点应用业务层信息确定得到热点应用业务层对比信息;基于热点应用业务层对比信息与热点话题关键词对比信息,得到起始关联业务信息与起始倾向热点信息的第一对比信息。
其中,动态意向推送资源类别属性是指意向推送资源标签中发生变化的信息,热点话题关键词对比信息是指起始关联热点话题关键词与起始热点话题关键词的热点话题关键词记录信息的对比信息。热点应用业务层对比信息是指起始关联热点应用业务层信息与起始热点应用业务层信息的热点应用业务层信息记录信息的对比信息。
例如,云计算AI服务系统100检测到用户倾向行为信息为动态意向推送资源类别属性时,确定动态意向推送资源类别属性对应的各个起始关联热点话题关键词的词向量信息与对应的各个起始热点话题关键词的词向量信息之间的损失函数值,得到每个热点话题关键词的损失函数值,确定每个热点话题关键词损失函数值的和,得到热点话题关键词对比信息,并确定动态意向推送资源类别属性对应的各个起始关联热点应用业务层信息的词向量信息与对应的各个起始热点应用业务层信息的词向量信息之间的损失函数值,得到每个热点应用业务层信息的损失函数值,确定每个热点应用业务层信息损失函数值的和,得到热点应用业务层对比信息。然后确定热点话题关键词对比信息和热点应用业务层对比信息的和,得到起始关联业务信息与起始倾向热点信息的第一对比信息。
在上述实施例中,当用户倾向行为信息为动态意向推送资源类别属性时,直接通过确定热点话题关键词对比信息和热点应用业务层对比信息,得到起始关联业务信息与起始倾向热点信息的第一对比信息,如此,提高了得到第一对比信息的效率。
在一个实施例中,用户倾向行为信息为动态意向推送资源类别属性;
STP204,基于意向推送资源类别属性获取对应的当前待定热点应用业务层信息,包括:
STP602,获取目标舆情偏好评估参数,根据目标舆情偏好评估参数将当前待定热点话题关键词关联到起始热点话题关键词,得到关联热点话题关键词,基于关联热点话题关键词和起始热点话题关键词进行意向人群属性检测,得到动态意向人群属性信息。
其中,目标舆情偏好评估参数是指从各个预设舆情偏好评估参数中进行舆情偏好评估参数检测确定的舆情偏好评估参数。关联热点话题关键词是指将当前待定热点话题关键词通过信息关联得到的起始内容。起始内容就是起始词向量信息,待定内容就是待定词向量信息。动态意向人群属性信息是指当用户倾向行为信息为动态意向推送资源类别属性时,只使用待定热点话题关键词进行意向人群属性检测时得到的意向人群属性信息。
例如,当用户倾向行为信息为动态意向推送资源类别属性时,云计算AI服务系统100获取到目标舆情偏好评估参数,根据目标舆情偏好评估参数将当前待定热点话题关键词通过信息关联到起始热点话题关键词,得到关联热点话题关键词。
然后云计算AI服务系统100在得到关联热点话题关键词时,确定关联热点话题关键词和起始热点话题关键词的局部融合损失函数值小的意向人群属性信息,得到动态意向人群属性信息。意向人群属性信息可以包括意向人群画像标签和意向人群订阅标签。意向人群订阅标签是指意向推送资资源匹配的订阅标签,可以用数据列表表示。意向人群画像标签是指意向推送资源匹配的用户画像的具体信息,可以用数据列表表示。
STP604,根据动态意向人群属性信息从当前待定意向推送资源的待定意向推送资源的热点应用业务层的业务调取信息中选取动态意向推送资源类别属性对应的当前待定热点应用业务层信息。
其中,待定意向推送资源的热点应用业务层的业务调取信息是指预先设置好的待定意向推送资源热点应用业务层信息的业务层状态的调取信息。
例如,云计算AI服务系统100先从当前待定意向推送资源的待定意向推送资源的热点应用业务层的业务调取信息中选取预设数目的候选日志记录,该候选日志记录是指对待定意向推送资源的热点应用业务层的业务调取信息中的查询内容与终端订阅服务类别的服务日志信息进行同步执行的内容。然后根据动态意向人群属性信息确定每个候选日志记录的信息关联与起始热点应用业务层信息的二次融合对比信息,将二次融合对比信息对应的差异值最小的候选日志记录作为动态意向推送资源类别属性对应的当前待定热点应用业务层信息。
在上述实施例中,在用户倾向行为信息为动态意向推送资源类别属性时,根据动态意向人群属性信息从当前待定意向推送资源的待定意向推送资源的热点应用业务层的业务调取信息中选取动态意向推送资源类别属性对应的当前待定热点应用业务层信息,从而能够得到更加准确的当前待定热点应用业务层信息,方便后续的使用。
在一个实施例中,STP602,获取目标舆情偏好评估参数,包括:
STP702,获取各个预设舆情偏好评估参数,从各个预设舆情偏好评估参数选取当前舆情偏好评估参数。
其中,预设舆情偏好评估参数是指预先设置好的舆情偏好评估参数值。当前舆情偏好评估参数是指进行舆情偏好评估参数确定时使用的舆情偏好评估参数。
例如,云计算AI服务系统100获取到各个预设舆情偏好评估参数,其中,云计算AI服务系统100可以先确定一个起始舆情偏好评估参数值,然后获取到已预设好的评估策略,然后往舆情偏好评估参数增大和减小的方向分别进行搜索得到各个预设舆情偏好评估参数。
STP704,根据当前舆情偏好评估参数将当前待定热点话题关键词关联到起始热点话题关键词,得到舆情偏好评估参数对应的关联热点话题关键词,基于舆情偏好评估参数对应的关联热点话题关键词和起始热点话题关键词进行意向人群属性检测,得到舆情偏好评估参数对应的意向人群属性信息,根据舆情偏好评估参数对应的意向人群属性信息从当前待定意向推送资源的待定意向推送资源的热点应用业务层的业务调取信息中选取舆情偏好评估参数对应的待定热点应用业务层信息。
其中,舆情偏好评估参数对应的关联热点话题关键词是指使用当前舆情偏好评估参数进行信息关联时得到的关联热点话题关键词。舆情偏好评估参数对应的意向人群属性信息是指根据舆情偏好评估参数对应的关联热点话题关键词和起始热点话题关键词进行意向人群属性检测得到的意向人群属性信息。舆情偏好评估参数对应的待定热点应用业务层信息是指使用舆情偏好评估参数对应的意向人群属性信息选取的待定热点应用业务层信息。
例如,云计算AI服务系统100根据当前舆情偏好评估参数将当前待定热点话题关键词关联到起始热点话题关键词,得到舆情偏好评估参数对应的关联热点话题关键词,然后确定舆情偏好评估参数对应的关联热点话题关键词和起始热点话题关键词在局部关联信息比较过程中的意向人群属性信息,得到舆情偏好评估参数对应的意向人群属性信息。然后根据舆情偏好评估参数对应的意向人群属性信息从当前待定意向推送资源的待定意向推送资源的热点应用业务层的业务调取信息中选取候选日志记录,从候选日志记录中确定舆情偏好评估参数对应的待定热点应用业务层信息。
STP706,基于舆情偏好评估参数对应的待定热点应用业务层信息、当前待定热点话题关键词和起始倾向热点信息进行舆情偏好评估参数对应的意向人群属性检测,得到舆情偏好评估参数对应的意向人群属性信息。
其中,舆情偏好评估参数对应的意向人群属性信息是指使用舆情偏好评估参数对应的待定热点应用业务层信息进行意向人群属性检测得到的舆情偏好评估参数对应的意向人群属性信息
例如,云计算AI服务系统100将舆情偏好评估参数对应的待定热点应用业务层信息和当前待定热点话题关键词进行信息关联到起始热点话题关键词中,得到舆情偏好评估参数对应的起始关联业务信息,确定在舆情偏好评估参数对应的起始关联业务信息与起始倾向热点信息之间的损失函数值最小化时的意向人群属性信息,得到舆情偏好评估参数对应的意向人群属性信息。
STP708,根据舆情偏好评估参数对应的意向人群属性信息从待定意向推送资源的热点应用业务层的业务调取信息中选取舆情偏好评估参数的目标热点应用业务层信息,根据舆情偏好评估参数的目标热点应用业务层信息和当前待定热点话题关键词确定当前待定意向推送资源对应的舆情偏好评估参数的意向热点业务动态信息。
其中,舆情偏好评估参数的目标热点应用业务层信息是指根据舆情偏好评估参数对应的意向人群属性信息选取的目标热点应用业务层信息。舆情偏好评估参数的意向热点业务动态信息是指根据舆情偏好评估参数的目标热点应用业务层信息确定的意向热点业务动态信息。舆情偏好评估参数的意向热点业务动态信息包括舆情偏好评估参数的更新预测业务分布和舆情偏好评估参数的更新预测业务分布对应的当前业务分布。
例如,云计算AI服务系统100从待定意向推送资源的热点应用业务层的业务调取信息中选取候选日志记录,然后从候选日志记录中根据舆情偏好评估参数对应的意向人群属性信息选取舆情偏好评估参数的目标热点应用业务层信息。然后根据舆情偏好评估参数的目标热点应用业务层信息和当前待定热点话题关键词确定当前待定意向推送资源对应的舆情偏好评估参数的意向热点业务动态信息。
STP710,基于舆情偏好评估参数对应的意向人群属性信息将舆情偏好评估参数的目标热点应用业务层信息和当前待定热点话题关键词进行信息关联,得到舆情偏好评估参数对应的起始关联业务信息,根据舆情偏好评估参数对应的起始关联业务信息和起始倾向热点信息的第二对比信息更新舆情偏好评估参数对应的待定热点应用业务层信息和当前待定热点话题关键词。
其中,舆情偏好评估参数对应的起始关联业务信息是指根据舆情偏好评估参数对应的意向人群属性信息将舆情偏好评估参数的目标热点应用业务层信息和当前待定热点话题关键词进行信息关联时得到的起始关联业务信息。第二对比信息是指舆情偏好评估参数对应的起始关联业务信息与起始倾向热点信息之间的内容对比信息。
例如,云计算AI服务系统100将舆情偏好评估参数的目标热点应用业务层信息和当前待定热点话题关键词使用舆情偏好评估参数对应的意向人群属性信息进行意向人群属性分析。
然后将意向人群属性分析的舆情偏好评估参数的目标热点应用业务层信息和当前待定热点话题关键词进行信息关联,得到舆情偏好评估参数对应的起始关联业务信息,然后确定舆情偏好评估参数对应的起始关联业务信息和起始倾向热点信息的内容信息比较,得到第二对比信息。根据第二对比信息更新舆情偏好评估参数对应的待定热点应用业务层信息和当前待定热点话题关键词。
STP712,判断是否匹配第二业务需求挖掘模式,当匹配第二业务需求挖掘模式时,执行STP714,当不匹配第二业务需求挖掘模式时,返回STP706执行。
STP714,得到当前舆情偏好评估参数对应的当前第二对比信息。
其中,第二业务需求挖掘模式是指第二对比信息为当前舆情偏好评估参数对应的局部对比信息的业务需求挖掘模式。包括达到预设迭代次数或者舆情偏好评估参数的意向热点业务动态信息和舆情偏好评估参数对应的意向人群属性信息未发生明显异常变化,即舆情偏好评估参数的意向热点业务动态信息和舆情偏好评估参数对应的意向人群属性信息在上一次迭代和这一次迭代得到的值一致。
例如,云计算AI服务系统100当达到预设迭代次数时,即匹配第二业务需求挖掘模式时,将匹配第二业务需求挖掘模式时的第二对比信息作为当前舆情偏好评估参数对应的当前第二对比信息。当未达到预设迭代次数时,即不匹配第二业务需求挖掘模式时,返回STP706继续进行迭代执行。
STP716,遍历各个预设舆情偏好评估参数,得到各个预设舆情偏好评估参数对应的各个当前第二对比信息,比较各个当前第二对比信息,得到目标第二对比信息,将目标第二对比信息对应的预设舆情偏好评估参数作为目标舆情偏好评估参数。
目标第二对比信息是指各个当前第二对比信息中损失函数值最小的当前第二对比信息。
例如,云计算AI服务系统100遍历各个预设舆情偏好评估参数,即返回从各个预设舆情偏好评估参数选取当前舆情偏好评估参数的步骤执行,已选的预设舆情偏好评估参数不在重复选取。直到得到各个预设舆情偏好评估参数对应的各个当前第二对比信息。然后比较各个当前第二对比信息,得到目标第二对比信息,将目标第二对比信息对应的预设舆情偏好评估参数作为目标舆情偏好评估参数。即确定每个预设舆情偏好评估参数对应的最小化损失函数值,然后从各个最小化损失函数值中再进一步选取最小的最小化损失函数值作为目标第二对比信息,将目标第二对比信息对应的预设舆情偏好评估参数作为目标舆情偏好评估参数。然后云计算AI服务系统100指定该目标舆情偏好评估参数,即云计算AI服务系统100在对后续的意向推送资源类别属性进行待定意向推送资源引用时直接使用该目标舆情偏好评估参数。
在上述实施例中,通过确定各个预设舆情偏好评估参数的当前第二对比信息,然后从当前第二对比信息中确定目标第二对比信息,将目标第二对比信息对应的预设舆情偏好评估参数作为目标舆情偏好评估参数,从而使得到的目标舆情偏好评估参数更加准确。
图3为本公开实施例提供的基于大数据挖掘的用户信息预测装置300的功能模块示意图,下面分别对该基于大数据挖掘的用户信息预测装置300的各个功能模块的功能进行详细阐述。
第一获取模块310,用于获取5G智慧终端的目标内容提供服务对应的内容行为知识图谱,内容行为知识图谱包括目标内容提供服务对应的目标内容行为、多个相关内容行为以及多个内容互动属性,内容互动属性与目标内容提供服务的用户互动行为的互动行为特征分量对应,每个相关内容行为通过其对应的内容互动属性与目标内容行为进行关联,目标内容提供服务对应的目标内容行为、多个相关内容行为以及多个内容互动属性为基于目标内容提供服务的用户大数据行为信息进行大数据挖掘获得的。
第二获取模块320,用于基于内容行为知识图谱,获取每个内容互动属性关联的所有相关内容行为对应的用户互动行为中兴趣互动行为的兴趣程度,兴趣互动行为为匹配相关热点推荐内容时出现互动行为兴趣匹配的用户互动行为。
第三获取模块330,用于获取每个内容互动属性对应的内容互动有效值,基于每个内容互动属性对应的兴趣程度,以及每个内容互动属性对应的内容互动有效值,获取目标内容提供服务对应的兴趣评价预测值,兴趣评价预测值用于为目标内容提供服务对应的用户推送相关热点推荐内容。
图4示出了本公开实施例提供的用于实现上述的基于大数据挖掘的用户信息预测方法的云计算AI服务系统100的硬件示意图,如图4所示,云计算AI服务系统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存储的云计算AI服务系统执行指令,使得处理器110可以执行如上方法实施例的基于大数据挖掘的用户信息预测方法,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5G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云计算AI服务系统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云计算AI服务系统执行指令,当处理器执行所述云计算AI服务系统执行指令时,实现如上基于大数据挖掘的用户信息预测方法。
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)
1.一种基于大数据挖掘的用户信息预测方法,其特征在于,应用于云计算AI服务系统,所述云计算AI服务系统与所述多个5G智慧终端通信连接,所述方法包括:
获取所述5G智慧终端的目标内容提供服务对应的内容行为知识图谱,所述内容行为知识图谱包括目标内容提供服务对应的目标内容行为、多个相关内容行为以及多个内容互动属性,所述内容互动属性与所述目标内容提供服务的用户互动行为的互动行为特征分量对应,每个相关内容行为通过其对应的内容互动属性与所述目标内容行为进行关联,所述目标内容提供服务对应的目标内容行为、多个相关内容行为以及多个内容互动属性为基于所述目标内容提供服务的用户大数据行为信息进行大数据挖掘获得的;
基于所述内容行为知识图谱,获取每个内容互动属性关联的所有相关内容行为对应的用户互动行为中兴趣互动行为的兴趣程度,所述兴趣互动行为为匹配相关热点推荐内容时出现互动行为兴趣匹配的用户互动行为;
获取所述每个内容互动属性对应的内容互动有效值,基于所述每个内容互动属性对应的所述兴趣程度,以及所述每个内容互动属性对应的内容互动有效值,获取所述目标内容提供服务对应的兴趣评价预测值,所述兴趣评价预测值用于为所述目标内容提供服务对应的用户推送所述相关热点推荐内容。
2.根据权利要求1所述的基于大数据挖掘的用户信息预测方法,其特征在于,所述获取所述每个内容互动属性对应的内容互动有效值,包括:
获取所述每个内容互动属性关联的所有相关内容行为中的指定内容行为的频率,作为第一频率,其中,所述指定内容行为为已完成过所述相关热点推荐内容的内容行为对应的相关内容行为;
基于预设内容互动属性属性值以及所述每个内容互动属性对应的所述第一频率,获取所述每个内容互动属性对应的内容互动有效值。
3.根据权利要求2所述的基于大数据挖掘的用户信息预测方法,其特征在于,所述基于预设内容互动属性属性值以及所述每个内容互动属性对应的所述第一频率,获取所述每个内容互动属性对应的内容互动有效值,包括:
获取所述预设内容互动属性属性值与每个所述第一频率的比值对应的相反数,得到所述每个内容互动属性对应的目标属性值;
将所述每个内容互动属性对应的所述目标属性值作为自变量,获取预设目标函数的函数值,得到所述每个内容互动属性对应的内容互动有效值,所述预设目标函数的底数数值大于1。
4.根据权利要求1所述的基于大数据挖掘的用户信息预测方法,其特征在于,所述获取所述5G智慧终端的目标内容提供服务对应的内容行为知识图谱,包括:
获取所述目标内容提供服务的用户互动行为的互动行为特征分量,以及所述目标内容提供服务对应的相关内容行为的互动行为特征分量,所述互动行为特征分量用于表征内容行为的内容行为特征;
基于所述目标内容提供服务的用户互动行为的互动行为特征分量,以及所述目标内容提供服务对应的相关内容行为的互动行为特征分量,并以所述目标内容行为的用户互动行为作为所述目标内容行为,以及以所述相关内容行为作为相关内容行为,生成所述目标内容提供服务对应的内容行为知识图谱。
5.根据权利要求4所述的基于大数据挖掘的用户信息预测方法,其特征在于,在所述获取所述目标内容提供服务的用户互动行为的互动行为特征分量,以及所述目标内容提供服务对应的相关内容行为的互动行为特征分量之后,所述方法还包括:
将所述目标内容提供服务的用户互动行为的互动行为特征分量与预设互动行为特征分量进行匹配,其中,所述预设互动行为特征分量与所述相关热点推荐内容对应;
根据匹配信息,从所述目标内容提供服务的用户互动行为的互动行为特征分量中,获取与所述预设互动行为特征分量匹配的互动行为特征分量,作为目标互动行为特征分量;
所述基于所述目标内容提供服务的用户互动行为的互动行为特征分量,以及所述目标内容提供服务对应的相关内容行为的互动行为特征分量,并以所述目标内容行为的用户互动行为作为所述目标内容行为,以及以所述相关内容行为作为相关内容行为,生成所述目标内容提供服务对应的内容行为知识图谱,包括:
基于所述目标内容提供服务的用户互动行为的所述目标互动行为特征分量,以及所述目标内容提供服务对应的相关内容行为的目标互动行为特征分量,并以所述目标内容行为的用户互动行为作为所述目标内容行为,以及以所述相关内容行为作为相关内容行为,生成所述目标内容提供服务对应的内容行为知识图谱。
6.根据权利要求1所述的基于大数据挖掘的用户信息预测方法,其特征在于,在所述基于所述内容行为知识图谱,获取每个内容互动属性关联的所有相关内容行为对应的用户互动行为中兴趣互动行为的兴趣程度之前,所述方法还包括:
获取所述每个内容互动属性关联的所有相关内容行为中的指定内容行为的频率,作为第二频率,其中,所述指定内容行为为已完成过所述相关热点推荐内容的内容行为对应的相关内容行为;
根据所述每个内容互动属性对应的第二频率,从所有内容互动属性中剔除目标内容互动属性,其中,所述目标内容互动属性对应的所述第二频率小于预设频率。
7.根据权利要求1-6任一项所述的基于大数据挖掘的用户信息预测方法,其特征在于,所述基于所述每个内容互动属性对应的所述兴趣程度,以及所述每个内容互动属性对应的内容互动有效值,获取所述目标内容提供服务对应的兴趣评价预测值,包括:
基于所述每个内容互动属性对应的所述兴趣程度,以及所述每个内容互动属性对应的内容互动有效值,获取所述每个内容互动属性对应的兴趣评价预测值;
基于所述每个内容互动属性对应的影响因子,以及所述每个内容互动属性对应的兴趣评价预测值,获得所述目标内容提供服务对应的兴趣评价预测值。
8.根据权利要求1-7任一项所述的基于大数据挖掘的用户信息预测方法,其特征在于,所述方法还包括:
获取基于所述兴趣评价预测值为所述目标内容提供服务对应的用户推送的相关热点推荐内容,获取针对所述相关热点推荐内容的用户倾向行为信息;
对获取到的用户倾向行为信息进行分析,得到当前待定热点话题关键词以及当前待定热点应用业务层信息,通过所述用户倾向行为信息、所述当前待定热点话题关键词以及所述当前待定热点应用业务层信息,得到意向人群属性信息以及意向热点业务动态信息;
采用预设业务需求挖掘模式对所述意向人群属性信息以及所述意向热点业务动态信息进行处理,并基于匹配预设业务需求挖掘模式的意向热点业务动态信息和意向人群属性信息进行待定意向推送资源引用,得到所述用户倾向行为信息对应的精确意向推送资源。
9.根据权利要求8所述的基于大数据挖掘的用户信息预测方法,其特征在于,对获取到的用户倾向行为信息进行分析,得到当前待定热点话题关键词以及当前待定热点应用业务层信息,通过所述用户倾向行为信息、所述当前待定热点话题关键词以及所述当前待定热点应用业务层信息,得到意向人群属性信息以及意向热点业务动态信息,包括:
确定所述用户倾向行为信息的起始倾向热点信息;其中,所述起始倾向热点信息包括起始热点话题关键词和起始热点应用业务层信息;
从所述用户倾向行为信息对应的当前待定意向推送资源中选取当前待定热点话题关键词,基于所述用户倾向行为信息获取对应的当前待定热点应用业务层信息;
基于所述当前待定热点话题关键词、所述当前待定热点应用业务层信息和所述起始倾向热点信息进行意向人群属性检测,得到意向人群属性信息;
根据意向人群属性信息从所述当前待定意向推送资源中选取目标热点应用业务层信息,根据所述目标热点应用业务层信息和所述当前待定热点话题关键词确定所述当前待定意向推送资源对应的意向热点业务动态信息;
所述采用预设业务需求挖掘模式对所述意向人群属性信息以及所述意向热点业务动态信息进行处理,并基于匹配预设业务需求挖掘模式的意向热点业务动态信息和意向人群属性信息进行待定意向推送资源引用,得到所述用户倾向行为信息对应的精确意向推送资源的步骤,包括:
采用预设业务需求挖掘模式对所述意向人群属性信息以及所述意向热点业务动态信息进行处理,并基于匹配预设业务需求挖掘模式的意向热点业务动态信息和意向人群属性信息进行待定意向推送资源引用,得到所述用户倾向行为信息对应的精确意向推送资源:
基于所述意向人群属性信息将所述目标热点应用业务层信息和所述当前待定热点话题关键词进行信息关联得到起始关联业务信息,根据所述起始关联业务信息与所述起始倾向热点信息的第一对比信息更新所述当前待定热点话题关键词和当前待定热点应用业务层信息,返回所述意向人群属性检测的步骤,直到匹配第一业务需求挖掘模式;
基于匹配第一业务需求挖掘模式的意向热点业务动态信息和意向人群属性信息进行待定意向推送资源引用,得到所述用户倾向行为信息对应的精确意向推送资源。
10.一种云计算AI服务系统,其特征在于,所述云计算AI服务系统包括处理器、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5G智慧终端通信连接,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中任意一项的基于大数据挖掘的用户信息预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110665769.5A CN113468403A (zh) | 2021-06-16 | 2021-06-16 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110665769.5A CN113468403A (zh) | 2021-06-16 | 2021-06-16 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113468403A true CN113468403A (zh) | 2021-10-01 |
Family
ID=77870229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110665769.5A Withdrawn CN113468403A (zh) | 2021-06-16 | 2021-06-16 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113468403A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219516A (zh) * | 2021-11-08 | 2022-03-22 | 梅瑞生 | 基于大数据的信息流会话推荐方法及深度学习服务系统 |
CN114896306A (zh) * | 2022-07-14 | 2022-08-12 | 泰山学院 | 基于人工智能模型的数据挖掘方法及系统 |
-
2021
- 2021-06-16 CN CN202110665769.5A patent/CN113468403A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219516A (zh) * | 2021-11-08 | 2022-03-22 | 梅瑞生 | 基于大数据的信息流会话推荐方法及深度学习服务系统 |
CN114896306A (zh) * | 2022-07-14 | 2022-08-12 | 泰山学院 | 基于人工智能模型的数据挖掘方法及系统 |
CN114896306B (zh) * | 2022-07-14 | 2022-09-16 | 泰山学院 | 基于人工智能模型的数据挖掘方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021179834A1 (zh) | 基于异构图进行业务处理的方法及装置 | |
CN109902708B (zh) | 一种推荐模型训练方法及相关装置 | |
Botangen et al. | Geographic-aware collaborative filtering for web service recommendation | |
Chen et al. | Regionknn: A scalable hybrid collaborative filtering algorithm for personalized web service recommendation | |
CN105022761B (zh) | 群组查找方法和装置 | |
CN110569437A (zh) | 点击概率预测、页面内容推荐方法和装置 | |
US7844634B2 (en) | Focused community discovery in network | |
CN110162692B (zh) | 用户标签确定方法、装置、计算机设备和存储介质 | |
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 | |
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 | |
CN112989169A (zh) | 目标对象识别方法、信息推荐方法、装置、设备及介质 | |
Faridani et al. | Collaborative filtering-based recommender systems by effective trust | |
He et al. | A hierarchical matrix factorization approach for location-based web service QoS prediction | |
CN112860759B (zh) | 基于区块链安全认证的大数据挖掘方法及云认证服务系统 | |
CN111581226B (zh) | 基于大数据平台的数据共享方法、装置及政企云平台 | |
Shirgahi et al. | A new method of trust mirroring estimation based on social networks parameters by fuzzy system | |
CN111582448A (zh) | 一种权重训练方法、装置、计算机设备和存储介质 | |
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 | |
CN112861115B (zh) | 基于区块链安全认证的加密策略调用方法及云认证服务器 | |
CN112541129B (zh) | 处理交互事件的方法及装置 | |
CN114510627A (zh) | 对象推送方法、装置、电子设备及存储介质 | |
Al-Zanbouri et al. | Data-aware web service recommender system for energy-efficient data mining services | |
CN112328835A (zh) | 对象的向量表示的生成方法、装置、电子设备及存储介质 | |
CN115858911A (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
Mouronte-López et al. | Modeling the interaction networks about the climate change on twitter: A characterization of its network structure |
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: 20211001 |
|
WW01 | Invention patent application withdrawn after publication |