CN113628005A - 基于电商会话大数据的推送更新方法及大数据ai系统 - Google Patents
基于电商会话大数据的推送更新方法及大数据ai系统 Download PDFInfo
- Publication number
- CN113628005A CN113628005A CN202110877220.2A CN202110877220A CN113628005A CN 113628005 A CN113628005 A CN 113628005A CN 202110877220 A CN202110877220 A CN 202110877220A CN 113628005 A CN113628005 A CN 113628005A
- Authority
- CN
- China
- Prior art keywords
- target
- interaction
- session
- interest point
- intention
- 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- Withdrawn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 67
- 230000003993 interaction Effects 0.000 claims abstract description 344
- 230000006399 behavior Effects 0.000 claims abstract description 249
- 238000009826 distribution Methods 0.000 claims abstract description 113
- 238000012216 screening Methods 0.000 claims abstract description 46
- 230000002452 interceptive effect Effects 0.000 claims description 104
- 238000011156 evaluation Methods 0.000 claims description 68
- 238000005065 mining Methods 0.000 claims description 68
- 230000003068 static effect Effects 0.000 claims description 44
- 238000010977 unit operation Methods 0.000 claims description 30
- 238000007418 data mining Methods 0.000 claims description 16
- 230000009471 action Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 description 26
- 230000009467 reduction Effects 0.000 description 24
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013209 evaluation strategy Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开实施例提供一种基于电商会话大数据的推送更新方法及大数据AI系统,首先获取电子商务终端针对对应的匹配电商业务信息产生的与各个电子商务社交关系圈之间的会话互动大数据,获取会话互动大数据的目标会话互动兴趣点的多个目标潜在会话意图行为,分别确定每个目标潜在会话意图行为对应的参考会话互动兴趣点分布,确定所有参考会话互动兴趣点分布的筛选互动兴趣点序列中的目标互动兴趣点序列,根据获得的目标互动兴趣点序列,确定目标会话互动兴趣点的扩展会话互动兴趣点分布,并基于目标会话互动兴趣点的扩展会话互动兴趣点分对对应的匹配电商业务信息进行内容推送更新,进而能够提高匹配电商业务信息的内容推送的用户匹配度。
Description
技术领域
本公开涉及大数据技术领域,示例性地,涉及一种基于电商会话大数据的推送更新方法及大数据AI系统。
背景技术
随着互联网、云计算的迅速发展,无所不在的移动设备、RFID、无线传感器每分每秒都在产生数据,数以亿计的用户的互联网服务时时刻刻都在产生巨量的交互数据信息。而基于这些,电子商务产业所产生的大量结构化和半结构化的可视化数据,通过数据挖掘和数据分析等手段,经过过程性和综合性的考量,从而帮助电商企业做全局性、系统性的决策,寻找最优化的解决方案和运营决策,这被称为电商大数据。而与电子商务相关的大数据应用均归属于此概念范畴。
相关技术中,可以基于基于电商业务的业务服务属性向电子商务用户进行匹配的电商业务信息的业务推荐,以便于更有效地提高用户的电商体验,并且减少寻找所需商品服务的时间。然而,对于匹配电商业务信息而言,用户会与之产生与各个电子商务社交关系圈之间的会话互动大数据,这些会话互动大数据可以反映用户针对匹配电商业务信息的意图行为,因此如何进一步提高匹配电商业务信息的内容推送精度,是当前需要着重改进的思路。
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电商会话大数据的推送更新方法及大数据AI系统。
第一方面,本公开提供一种基于电商会话大数据的推送更新方法,应用于大数据AI系统,所述大数据AI系统与多个电子商务终端通信连接,所述方法包括:
获取所述电子商务终端针对对应的匹配电商业务信息产生的与各个电子商务社交关系圈之间的会话互动大数据;
获取所述会话互动大数据的目标会话互动兴趣点的多个目标潜在会话意图行为;其中,存在关联的两个所述目标潜在会话意图行为的意图衔接度大于或等于目标意图衔接度;
分别确定每个目标潜在会话意图行为对应的参考会话互动兴趣点分布;其中,每个目标潜在会话意图行为对应的参考会话互动兴趣点分布包括的会话互动兴趣点的潜在会话意图行为与该目标潜在会话意图行为的意图衔接度小于或等于目标意图衔接度;
确定所有所述参考会话互动兴趣点分布的筛选互动兴趣点序列中的目标互动兴趣点序列;其中,所述筛选互动兴趣点序列为所有所述参考会话互动兴趣点分布的所有互动兴趣点序列中,互动更新频率大于或等于预设更新频率的互动兴趣点互动兴趣点序列,所述目标互动兴趣点序列是任一所述筛选互动兴趣点序列的互动兴趣点序列;
根据获得的目标互动兴趣点序列,确定所述目标会话互动兴趣点的扩展会话互动兴趣点分布,并基于所述目标会话互动兴趣点的扩展会话互动兴趣点分对所述对应的匹配电商业务信息进行内容推送更新。
第二方面,本公开实施例还提供一种基于电商会话大数据的推送更新系统,所述基于电商会话大数据的推送更新系统包括大数据AI系统以及与所述大数据AI系统通信连接的多个电子商务终端;
所述大数据AI系统,用于:
获取所述电子商务终端针对对应的匹配电商业务信息产生的与各个电子商务社交关系圈之间的会话互动大数据;
获取所述会话互动大数据的目标会话互动兴趣点的多个目标潜在会话意图行为;其中,存在关联的两个所述目标潜在会话意图行为的意图衔接度大于或等于目标意图衔接度;
分别确定每个目标潜在会话意图行为对应的参考会话互动兴趣点分布;其中,每个目标潜在会话意图行为对应的参考会话互动兴趣点分布包括的会话互动兴趣点的潜在会话意图行为与该目标潜在会话意图行为的意图衔接度小于或等于目标意图衔接度;
确定所有所述参考会话互动兴趣点分布的筛选互动兴趣点序列中的目标互动兴趣点序列;其中,所述筛选互动兴趣点序列为所有所述参考会话互动兴趣点分布的所有互动兴趣点序列中,互动更新频率大于或等于预设更新频率的互动兴趣点互动兴趣点序列,所述目标互动兴趣点序列是任一所述筛选互动兴趣点序列的互动兴趣点序列;
根据获得的目标互动兴趣点序列,确定所述目标会话互动兴趣点的扩展会话互动兴趣点分布,并基于所述目标会话互动兴趣点的扩展会话互动兴趣点分对所述对应的匹配电商业务信息进行内容推送更新。
根据上述任意一个方面,本公开提供的实施方式中,首先获取电子商务终端针对对应的匹配电商业务信息产生的与各个电子商务社交关系圈之间的会话互动大数据,获取会话互动大数据的目标会话互动兴趣点的多个目标潜在会话意图行为,分别确定每个目标潜在会话意图行为对应的参考会话互动兴趣点分布,确定所有参考会话互动兴趣点分布的筛选互动兴趣点序列中的目标互动兴趣点序列,根据获得的目标互动兴趣点序列,确定目标会话互动兴趣点的扩展会话互动兴趣点分布,并基于目标会话互动兴趣点的扩展会话互动兴趣点分对对应的匹配电商业务信息进行内容推送更新,进而能够提高匹配电商业务信息的内容推送的用户匹配度。
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电商会话大数据的推送更新系统的应用场景示意图;
图2为本公开实施例提供的基于电商会话大数据的推送更新方法的流程示意图;
图3为本公开实施例提供的基于电商会话大数据的推送更新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电商会话大数据的推送更新方法的大数据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公开进行具体说明,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是本公开一种实施例提供的基于电商会话大数据的推送更新系统10的应用场景示意图。基于电商会话大数据的推送更新系统10可以包括大数据AI系统100以及与大数据AI系统100通信连接的电子商务终端200。图1所示的基于电商会话大数据的推送更新系统10仅为一种可行的示例,在其它可行的实施例中,该基于电商会话大数据的推送更新系统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。
一种实施例中,基于电商会话大数据的推送更新系统10中的大数据AI系统100和电子商务终端200可以通过配合执行以下方法实施例所描述的基于电商会话大数据的推送更新方法,具体大数据AI系统100和电子商务终端200的执行步骤部分可以参照以下方法实施例的详细描述。
为了解决前述背景技术中的技术问题,本实施例提供的基于电商会话大数据的推送更新方法可以由图1中所示的大数据AI系统100执行,下面对该基于电商会话大数据的推送更新方法进行详细介绍。
步骤S110,获取电子商务终端针对对应的匹配电商业务信息产生的与各个电子商务社交关系圈之间的会话互动大数据。
一种实施例中,一种实施例中,在接收到电子商务终端的电子商务用户的业务推荐请求后,获取业务推荐请求中对应的请求类别属性,然后获取与该请求类别属性匹配的第二业务服务属性的目标电商业务的匹配电商业务信息后,向电子商务终端推荐对应的匹配电商业务信息。在此基础上,电子商务终端会针对匹配电商业务信息发起各种互动操作,例如与各个电子商务社交关系圈之间的会话互动大数据,此时可以获取产生的与各个电子商务社交关系圈之间的会话互动大数据。
步骤S120,获取会话互动大数据的目标会话互动兴趣点的多个目标潜在会话意图行为。
一种实施例中,目标潜在会话意图行为用于表征目标会话互动兴趣点在被触发的流程中的意图行为,比如分享意图行为。
相关实施例中,电子商务系统获取目标会话互动兴趣点的目标潜在会话意图行为的方式可以是:通过对目标会话互动兴趣点的互动流程数据进行访问以获得对应的目标潜在会话意图行为;或者经目标会话互动兴趣点授权之后监测目标会话互动兴趣点的采集进程,通过该采集进程获取目标会话互动兴趣点的目标潜在会话意图行为。
可以理解的是,存在关联的两个所述目标潜在会话意图行为的意图衔接度大于或等于目标意图衔接度。意图衔接度可以理解为不同目标潜在会话意图行为的业务相似度,也可以理解为不同目标潜在会话意图行为的相同覆盖业务比例,设参考意图衔接度可以根据实际情况进行设置,本实施例不再进说明。
另一种实施例中,步骤S120所描述的获取所述会话互动大数据的目标会话互动兴趣点的多个目标潜在会话意图行为,可以通过以下实施例a1实现。
实施例a1,所述获取所述会话互动大数据的目标会话互动兴趣点的多个目标潜在会话意图行为的步骤,可以包括以下步骤所描述的内容:获取目标会话互动兴趣点的目标历史参考知识图谱信息;根据预先确定的历史参考知识图谱信息和历史参考知识图谱信息所表征会话互动兴趣点的潜在会话意图行为的对应关系序列,以及所述目标历史参考知识图谱信息,确定所述目标会话互动兴趣点的多个目标潜在会话意图行为。
例如,目标历史参考知识图谱信息用于对目标会话互动兴趣点进行区分,目标历史参考知识图谱信息可以的目标会话互动兴趣点的在历史互动过程中所生产的知识图谱,用于记录目标会话互动兴趣点的兴趣实体以及不同兴趣实体之间的流向属性关系。一种实施例中,预先确定的历史参考知识图谱信息和历史参考知识图谱信息所表征会话互动兴趣点的潜在会话意图行为的对应关系序列用于记录历史参考知识图谱信息和对应的会话互动兴趣点的潜在会话意图行为的对应关系,通过对应关系序列能够快速准确地获得目标会话互动兴趣点的多个目标潜在会话意图行为,避免得到的多个目标潜在会话意图行为不符合意图衔接度的有关条件。
一种实施例中,为了确保在获取目标历史参考知识图谱信息时不会因为会话互动兴趣点之间的更新关系而出现偏差,在上述实施例a1所描述的获取目标会话互动兴趣点的目标历史参考知识图谱信息的基础上,进一步可以包括以下步骤S121-步骤S123所描述的内容。
步骤S121、从预先确定的历史参考知识图谱信息和历史参考知识图谱信息所表征会话互动兴趣点的潜在会话意图行为的对应关系序列中,获取预设统计段内的潜在会话意图行为对应的历史参考知识图谱信息,作为候选历史参考知识图谱信息。
本公开实施例中,预设统计段可以是互动更新较为频繁的时间段。候选历史参考知识图谱信息可以理解为待定的历史参考知识图谱信息。
步骤S122、若未确定所述候选历史参考知识图谱信息所表征会话互动兴趣点的关联会话互动兴趣点,则确定所述候选历史参考知识图谱信息为目标历史参考知识图谱信息。
步骤S123、若已确定所述候选历史参考知识图谱信息所表征会话互动兴趣点的关联会话互动兴趣点,则返回执行所述从预先确定的历史参考知识图谱信息和历史参考知识图谱信息所表征会话互动兴趣点的潜在会话意图行为的对应关系序列中,获取预设统计段内的潜在会话意图行为对应的历史参考知识图谱信息,作为候选历史参考知识图谱信息的步骤。
如此设计,通过实施上述步骤S121-步骤S123,能够基于是否确定候选历史参考知识图谱信息所表征会话互动兴趣点的关联会话互动兴趣点来确定候选历史参考知识图谱信息是否为目标历史参考知识图谱信息,从而确保在获取目标历史参考知识图谱信息时不会因为会话互动兴趣点之间的更新关系而出现偏差。
在上述实施例a1的基础上,该方法还可以包括对互动更新业务场景的确定。关于确定互动更新业务场景的实施例可以参阅以下实施例a2。
实施例a2,根据预先确定的历史参考知识图谱信息、历史参考知识图谱信息所表征会话互动兴趣点的互动更新业务场景和历史参考知识图谱信息所表征会话互动兴趣点的潜在会话意图行为的对应关系序列,以及所述目标历史参考知识图谱信息,确定所述目标会话互动兴趣点的每个所述目标潜在会话意图行为对应的目标互动更新业务场景。
例如,预先确定的历史参考知识图谱信息、历史参考知识图谱信息所表征会话互动兴趣点的互动更新业务场景和历史参考知识图谱信息所表征会话互动兴趣点的潜在会话意图行为的对应关系序列记录了“历史参考知识图谱信息”、“互动更新业务场景”以及“潜在会话意图行为”三者的对应关系,通过预先确定的历史参考知识图谱信息、历史参考知识图谱信息所表征会话互动兴趣点的互动更新业务场景和历史参考知识图谱信息所表征会话互动兴趣点的潜在会话意图行为的对应关系序列,能够在知晓“历史参考知识图谱信息”、“互动更新业务场景”以及“潜在会话意图行为”中的其中两个对象的情况下准确定位出剩余的对象。
本公开实施例中,目标互动更新业务场景用于表征不同的业务业务类型,通过确定“历史参考知识图谱信息”、“互动更新业务场景”以及“潜在会话意图行为”,能够为后续的扩展会话互动兴趣点分布的确定提供判定依据,从而提高扩展会话互动兴趣点分布的分类准确性。
步骤S130,分别确定每个目标潜在会话意图行为对应的参考会话互动兴趣点分布。
本公开实施例中,参考会话互动兴趣点分布可以理解为待进行进一步分析和筛选的关联会话互动兴趣点的集合,比如参考会话互动兴趣点分布可以包括Q1、Q2和Q3。Q1、Q2和Q3中分别可以包括多个关联会话互动兴趣点。
一种实施例中,每个目标潜在会话意图行为对应的参考会话互动兴趣点分布包括的会话互动兴趣点的潜在会话意图行为与该目标潜在会话意图行为的意图衔接度小于或等于目标意图衔接度。一般而言,目标意图衔接度可以小于上述的目标意图衔接度,这样可以先进行大范围地筛选,从而得到尽可能多的参考会话互动兴趣点分布,避免对一些关联会话互动兴趣点的遗漏。
值得说明的是,参考会话互动兴趣点分布的确定可以通过实施例b1和实施例b2实现,实施例b1和实施例b2分别可以在上述实施例a1和实施例a2的基础上实施。
实施例b1,分别确定每个目标潜在会话意图行为对应的参考会话互动兴趣点分布,可以包括以下内容:根据预先确定的历史参考知识图谱信息和历史参考知识图谱信息所表征会话互动兴趣点的潜在会话意图行为的对应关系序列,分别确定每个目标潜在会话意图行为对应的参考会话互动兴趣点分布。
在实施例b1中,所述参考会话互动兴趣点分布包括历史参考知识图谱信息,每个目标潜在会话意图行为对应的参考潜在会话意图行为与该目标潜在会话意图行为的意图衔接度小于或等于目标意图衔接度,所述参考潜在会话意图行为为该目标潜在会话意图行为对应的参考会话互动兴趣点分布包括的历史参考知识图谱信息对应的潜在会话意图行为。
实施例b2,分别确定每个目标潜在会话意图行为对应的参考会话互动兴趣点分布,可以包括以下内容:根据预先确定的历史参考知识图谱信息、历史参考知识图谱信息所表征会话互动兴趣点的互动更新业务场景和历史参考知识图谱信息所表征会话互动兴趣点的潜在会话意图行为的对应关系序列,以及所述目标历史参考知识图谱信息,分别确定每个目标潜在会话意图行为对应的参考会话互动兴趣点分布。
在实施例b2中,所述参考会话互动兴趣点分布包括历史参考知识图谱信息,每个目标潜在会话意图行为对应的参考潜在会话意图行为与该目标潜在会话意图行为的意图衔接度小于或等于目标意图衔接度,且每个目标潜在会话意图行为对应的备选互动更新业务场景与该目标潜在会话意图行为对应的目标互动更新业务场景匹配,所述参考潜在会话意图行为为该目标潜在会话意图行为对应的参考会话互动兴趣点分布包括的历史参考知识图谱信息对应的潜在会话意图行为,所述备选互动更新业务场景为该目标潜在会话意图行为对应的参考会话互动兴趣点分布包括的历史参考知识图谱信息对应的互动更新业务场景。
可以理解,实施例b1和实施例b2在确定参考会话互动兴趣点分布所考量的维度分为是:(1)潜在会话意图行为+历史参考知识图谱信息;(2)潜在会话意图行为+历史参考知识图谱信息+互动更新业务场景。由此可见,实施例b1和实施例b2各自对应的参考会话互动兴趣点分布的确定方式的数据确定存在些许差异。通过实施例b1确定出的参考会话互动兴趣点分布可以包含较多的关联会话互动兴趣点,通过实施例b2确定出的参考会话互动兴趣点分布可以包含较少的关联会话互动兴趣点。值得说明的是,可以根据电子商务系统的实际业务运行情况灵活选取上述实施例b1和实施例b2进行实施。
步骤S140,确定所有所述参考会话互动兴趣点分布的筛选互动兴趣点序列中的目标互动兴趣点序列。
本公开实施例中,所述筛选互动兴趣点序列为所有所述参考会话互动兴趣点分布的所有互动兴趣点序列中,互动更新频率大于或等于预设更新频率的互动兴趣点互动兴趣点序列,所述目标互动兴趣点序列是任一所述筛选互动兴趣点序列的互动兴趣点序列。一种实施例中,可以根据筛选互动兴趣点序列对应的互动更新频率以及序列之间的包含关系准确筛分出目标互动兴趣点序列,可以有效规避掉在同一业务环境中不断检测到同一会话互动兴趣点的情况。
步骤S150,根据获得的目标互动兴趣点序列,确定所述目标会话互动兴趣点的扩展会话互动兴趣点分布。
本公开实施例中,扩展会话互动兴趣点分布中包括与目标会话互动兴趣点存在扩展关系的关联会话互动兴趣点。由于关联会话互动兴趣点和目标会话互动兴趣点之间存在扩展关系,因而可以将关联会话互动兴趣点和目标会话互动兴趣点进行聚类。
由此,首先获取电子商务终端针对对应的匹配电商业务信息产生的与各个电子商务社交关系圈之间的会话互动大数据,获取会话互动大数据的目标会话互动兴趣点的多个目标潜在会话意图行为,分别确定每个目标潜在会话意图行为对应的参考会话互动兴趣点分布,确定所有参考会话互动兴趣点分布的筛选互动兴趣点序列中的目标互动兴趣点序列,根据获得的目标互动兴趣点序列,确定目标会话互动兴趣点的扩展会话互动兴趣点分布,并基于目标会话互动兴趣点的扩展会话互动兴趣点分对对应的匹配电商业务信息进行内容推送更新,进而能够提高匹配电商业务信息的内容推送的用户匹配度。
一种实施例中,上述步骤S150所描述的根据获得的目标互动兴趣点序列,确定所述目标会话互动兴趣点的扩展会话互动兴趣点分布的步骤,可以通过以下步骤S1501和步骤S1502实现。
步骤S151、若获得的目标互动兴趣点序列的数量为一个,则将获得的目标互动兴趣点序列作为所述目标会话互动兴趣点的扩展会话互动兴趣点分布。
步骤S152、若获得的目标互动兴趣点序列的数量为多个,则将获得的目标互动兴趣点序列的共享兴趣点序列作为所述目标会话互动兴趣点的扩展会话互动兴趣点分布,或将获得的目标互动兴趣点序列分别作为所述目标会话互动兴趣点的扩展会话互动兴趣点分布,或将获得的目标互动兴趣点序列中包括会话互动兴趣点数量最多的目标互动兴趣点序列作为所述目标会话互动兴趣点的扩展会话互动兴趣点分布。
可以理解,当目标互动兴趣点序列的数量为多个时,确定扩展会话互动兴趣点分布的情况可以为三类。第一类情况可以是直接将获得的目标互动兴趣点序列的共享兴趣点序列作为所述目标会话互动兴趣点的扩展会话互动兴趣点分布。第二类情况可以是将获得的目标互动兴趣点序列分别作为所述目标会话互动兴趣点的扩展会话互动兴趣点分布。第三情况可以是将获得的目标互动兴趣点序列中包括会话互动兴趣点数量最多的目标互动兴趣点序列作为所述目标会话互动兴趣点的扩展会话互动兴趣点分布。
在上述实施例b1或实施例b2的基础上,该方法还可以包括以下步骤S160-步骤S190所描述的内容。
步骤S160,提取互动关系圈日志包含的第一会话互动兴趣点的第一互动关系圈特征。
本公开实施例中,互动关系圈日志可以是预先根据相应的选择规则获得的需要进行处理的日志数据,比如分享行为日志数据等。第一互动关系圈特征用于表征第一会话互动兴趣点对互动关系圈日志的数据关联时所表现出的互动特征等。
步骤S170,从预先确定的历史参考知识图谱信息、历史参考知识图谱信息所表征会话互动兴趣点的互动关系圈特征和历史参考知识图谱信息所表征会话互动兴趣点的潜在会话意图行为的对应关系序列中,查找包括第二互动关系圈特征的第一对应关系序列。
本公开实施例中,所述第二互动关系圈特征与所述第一互动关系圈特征的匹配度大于预设匹配度阈值。
步骤S180,若查找到所述第一对应关系序列,则将所述互动关系圈日志的会话意图行为作为所述第一会话互动兴趣点的第一潜在会话意图行为,将所述第一对应关系序列包括的历史参考知识图谱信息作为所述第一会话互动兴趣点的第一历史参考知识图谱信息,确定所述第一历史参考知识图谱信息、所述第一互动关系圈特征和第一潜在会话意图行为的第二对应关系序列。
例如,互动关系圈日志的会话意图行为可以是互动关系圈日志的当前会话意图行为。
步骤S190,若未查找到所述第一对应关系序列,则将所述互动关系圈日志的会话意图行为作为所述第一会话互动兴趣点的第一潜在会话意图行为,为所述第一会话互动兴趣点配置第二历史参考知识图谱信息,并确定所述第二历史参考知识图谱信息、所述第一互动关系圈特征和第一潜在会话意图行为的第三对应关系序列。
可以理解,上述步骤S160-步骤S190用于对对应关系序列进行建立,在建立相应的对应关系序列的过程中,通过考虑互动关系圈日志以及不同的互动关系圈特征,能够确保对应关系序列的完整性,从而保证后续在使用对应关系序列时不会出现偏差。
一种实施例中,若所有所述参考会话互动兴趣点分布中每个互动兴趣点序列的互动更新频率均小于所述预设更新频率,则该方法还可以包括以下步骤S210-步骤S230所描述的内容。
步骤S210,获取预先确定的所述目标会话互动兴趣点的原始参考会话互动兴趣点分布。
步骤S220,确定所有所述参考会话互动兴趣点分布和所述原始参考会话互动兴趣点分布的所有原始筛选互动兴趣点序列中的目标互动兴趣点序列。
本公开实施例中,所述原始筛选互动兴趣点序列为所有所述参考会话互动兴趣点分布和所述原始参考会话互动兴趣点分布的所有互动兴趣点序列中,互动更新频率大于或等于预设更新频率的互动兴趣点。一种实施例中,原始筛选互动兴趣点序列可以理解为历史筛选互动兴趣点序列或者在先的筛选互动兴趣点序列。
步骤S230,根据获得的目标互动兴趣点序列,确定所述目标会话互动兴趣点的扩展会话互动兴趣点分布。
如此设计,能够在所有所述参考会话互动兴趣点分布中每个互动兴趣点序列的互动更新频率均小于所述预设更新频率时,通过结合原始参考会话互动兴趣点分布以尽可能高效地确定出目标互动兴趣点序列,从而确保确定所述目标会话互动兴趣点的扩展会话互动兴趣点分布时的效率。
一种实施例中,该方法还可以包括以下步骤S310-步骤S330,所描述的内容。
步骤S310,针对所述扩展会话互动兴趣点分布中的每个会话互动兴趣点,获取该会话互动兴趣点的历史操作行为数据。
本公开实施例中,历史操作行为数据可以是会话互动兴趣点在触发过程中产生的预设时间段内的操作行为数据。
步骤S320,调用预设的大数据挖掘网络对所述历史操作行为数据进行大数据挖掘,得到该会话互动兴趣点对应的业务评价指标信息。
本公开实施例中,大数据挖掘网络可以是预先训练的AI网络模型。业务评价指标信息用于表征会话互动兴趣点在触发过程的评价指标,如投放效果指标。
步骤S330,通过所述业务评价指标信息生成所述扩展会话互动兴趣点分布的业务评价指标统计信息。
步骤S340,根据所述扩展会话互动兴趣点分布的业务评价指标统计信息对所述扩展会话互动兴趣点分布所对应的社交关系用户推送对应的广告数据。
值得说明的是,步骤S310-步骤S340可以作为单独实施例实施。换言之,可以通过其它方式获取扩展会话互动兴趣点分布,然后直接基于获取到的扩展会话互动兴趣点分布执行上述S310-步骤S340所描述的技术方案。
一种实施例中,上述步骤S320所描述的调用预设的大数据挖掘网络对所述历史操作行为数据进行大数据挖掘,得到该会话互动兴趣点对应的业务评价指标信息,可以包括以下步骤S321-步骤S326所描述的内容。
步骤S321,调用满足收敛条件的第一AI单元对所述历史操作行为数据进行数据筛选,得到所述历史操作行为数据中的筛选操作行为数据。
例如,数据筛选可以包括去噪等。
步骤S322,调用满足收敛条件的第二AI单元对所述筛选操作行为数据中的多个单元操作行为数据分别进行静态操作倾向挖掘和动态操作倾向挖掘,得到静态操作倾向挖掘信息和动态操作倾向挖掘信息。
例如,静态推广服务可以理解为推广过程中长期稳定的服务内容,动态推广服务可以理解为推广过程中短期实时变化的服务内容。静态操作倾向挖掘信息和动态操作倾向挖掘信息中分别包括对应的静态推广服务和动态推广服务的多个不同的挖掘信息。
步骤S323,调用第一预设大数据挖掘网络,对所述静态操作倾向挖掘信息进行第一业务评价指标挖掘,得到包括有静态操作属性的第一业务评价指标序列。
步骤S324,调用第二预设大数据挖掘网络,对所述动态操作倾向挖掘信息进行第二业务评价指标挖掘,得到包括有动态操作属性的第二业务评价指标序列。
步骤S325,基于所述第一业务评价指标序列和所述第二业务评价指标序列进行业务评价指标关联处理,得到所述筛选操作行为数据中与目标推广服务相匹配的目标推广服务评价指标序列。
本公开实施例中,所述目标推广服务包括静态推广服务和动态推广服务中的至少一种。业务评价指标关联处理可以理解为业务评价指标配对,从而确保目标推广服务评价指标序列的完整性。
步骤S326,通过所述目标推广服务评价指标序列对所述筛选操作行为数据进行画像整合,得到该会话互动兴趣点对应的业务评价指标信息。
可以理解,关于第二AI单元,第二AI单元以及大数据挖掘网络的训练过程可以参阅相关现有技术。
一种实施例中,步骤S322所描述的对所述筛选操作行为数据中的多个单元操作行为数据分别进行静态操作倾向挖掘和动态操作倾向挖掘,得到静态操作倾向挖掘信息和动态操作倾向挖掘信息,可以包括以下步骤S3221-步骤S3223所描述的内容。
步骤S3221,对所述筛选操作行为数据中的多个单元操作行为数据分别进行静态操作倾向挖掘,得到各个单元操作行为数据中的静态操作倾向挖掘事件,以及各静态操作倾向挖掘事件所对应的初始操作意图标签。
步骤S3222,基于各单元操作行为数据中的静态操作倾向挖掘事件和相应的初始操作意图标签,确定静态操作倾向挖掘信息。
步骤S3223,对所述筛选操作行为数据中的多个单元操作行为数据分别进行动态操作倾向挖掘,得到动态操作倾向挖掘信息。
如此,能够综合考虑静态操作倾向挖掘事件,以及各静态操作倾向挖掘事件所对应的初始操作意图标签,从而确保静态操作倾向挖掘信息的完整性。
譬如,一种实施例中,步骤S3223所描述的对所述筛选操作行为数据中的多个单元操作行为数据分别进行动态操作倾向挖掘,得到动态操作倾向挖掘信息,可以包括以下内容:对所述目标单元操作行为数据中的多个单元操作行为数据分别进行频繁项挖掘,得到各单元操作行为数据分别对应的频繁项挖掘结果;对所述目标单元操作行为数据中的多个单元操作行为数据分别进行循环业务项挖掘,得到各单元操作行为数据分别对应的循环业务项挖掘结果;将对应于相同目标会话互动兴趣点的频繁项挖掘结果和循环业务项挖掘结果进行关联;基于所述目标单元操作行为数据中与目标频繁项挖掘结果相关联的循环业务项挖掘结果进行动态操作倾向挖掘处理,得到动态操作倾向挖掘信息。
譬如,一种实施例中,步骤S323所描述的调用第一预设大数据挖掘网络,对所述静态操作倾向挖掘信息进行第一业务评价指标挖掘,得到包括有静态操作属性的第一业务评价指标序列,可以包括以下步骤S3231-步骤S3234所描述的内容。
步骤S3231,对所述静态操作倾向挖掘信息中的每个单元操作行为数据分别进行操作意图挖掘,得到每个单元操作行为数据各自对应的固定操作意图标签。
本公开实施例中,固定操作意图标签可以是不变的操作意图标签。
步骤S3232,基于每个单元操作行为数据中与相应固定操作意图标签对应的静态操作倾向挖掘事件的操作倾向关联信息,分别进行静态操作倾向挖掘,得到更新后的静态操作倾向挖掘信息。
步骤S3233,对所述更新后的静态操作倾向挖掘信息进行业务评价指标预测,得到多个包括有静态操作属性的第一候选业务评价指标序列。
步骤S3234,根据各所述第一候选业务评价指标序列分别所属的评价策略,对属于相同评价策略的第一候选业务评价指标序列进行更新,得到包括有静态操作属性的第一业务评价指标序列。
本公开实施例中,更新可以理解为对第一候选业务评价指标序列进行去噪过滤。
譬如,一种实施例中,步骤S3231所描述的对所述静态操作倾向挖掘信息中的每个单元操作行为数据分别进行操作意图挖掘,得到每个单元操作行为数据各自对应的固定操作意图标签,可以包括以下步骤S3231a-步骤S3231d所描述的内容。
步骤S3231a,针对所述静态操作倾向挖掘信息中的每个单元操作行为数据,当单元操作行为数据的初始操作意图标签的个数为多个时,获取每个初始操作意图标签的意图显著度。
步骤S3231b,当意图显著度最高的初始操作意图标签为一个时,将所述意图显著度最高的初始操作意图标签作为相应单元操作行为数据的固定操作意图标签。
步骤S3231c,当所述意图显著度最高的初始操作意图标签为多个时,针对每个意图显著度最高的初始操作意图标签,获取对应的静态操作倾向挖掘事件的事件显著度。
步骤S3231d,根据最高的事件显著度所对应的初始操作意图标签,确定相应单元操作行为数据所对应的固定操作意图标签。
如此设计,通过实施上述步骤S3231a-步骤S3231d,能够考虑初始操作意图标签的意图显著度,从而根据事件显著度所对应的初始操作意图标签,确定相应单元操作行为数据所对应的固定操作意图标签,这样可以保证固定操作意图标签的准确性。
一种实施例中,对于步骤S110中的匹配电商业务信息,可以通过以下步骤获得。
步骤A110,获取目标电商业务的第一业务服务属性,其中,第一业务服务属性包括订单行为信息、订阅人群信息以及业务关注信息中的一种或者多种,订单行为信息表示业务订单行为的倾向信息,订阅人群信息表示业务订阅人群的倾向信息,业务关注信息表示业务投放广告的关注倾向信息。
本实施例中,电子商务系统100获取目标电商业务的第一业务服务属性,该目标电商业务即待预测所属第二业务服务属性的电商业务。其中,第一业务服务属性包括订单行为信息、订阅人群信息以及业务关注信息中的一种或者多种,下面进行示例性介绍。
一种实施例中,订单行为信息表示业务订单行为的倾向信息,例如,业务订单行为的倾向下单商品信息、倾向下单人群信息、倾向下单活动信息等。订阅人群信息表示业务订阅人群的倾向信息,例如,订阅人群的人群类别、订阅人群的人群职业分布、订阅人群的人群位置分布、订阅人群的人群活跃度分布等。业务关注信息表示业务投放广告的关注倾向信息,例如,业务投放广告的关注时长信息等。
步骤A120,获取目标电商业务在预设统计段内的电子商务大数据,其中,电子商务大数据包括订单行为大数据、订阅人群大数据、业务投放大数据以及意向预测大数据中的一种或者多种,订阅人群大数据表示订阅人群的订阅行为大数据。
本实施例中,电子商务系统100获取目标电商业务在预设统计段内的电子商务大数据,预设统计段可指一个业务服务阶段。其中,电子商务大数据包括订单行为大数据、订阅人群大数据、业务投放大数据以及意向预测大数据中的一种或者多种,下面进行示例性介绍。
一种实施例中,订单行为信息表示与订单行为相关的信息,订单行为可指一些与订单生成相关的行为,例如订单分享行为,订单下单行为,订单收藏行为等,与订单行为相关的信息包含但不仅限于订单行为的类型和具体数据内容,以及对于订单行为的社交数据信息等。订阅人群大数据表示订阅人群的订阅行为大数据,例如,目标电商业务在预设统计段内受到订阅人群的业务订阅发起操作的记录大数据,如订阅方式数据、订阅内容数据、订阅来源数据等。业务投放大数据表示各业务投放对象的投放信息亏情况。
步骤A130,根据第一业务服务属性生成第一输入分量,根据电子商务大数据生成第二输入分量,对第一输入分量与第二输入分量进行融合,以得到目标输入分量;本实施例中,电子商务系统100根据第一业务服务属性;
本实施例中,电子商务系统100根据第一业务服务属性生成第一输入分量,电子商务系统100根据电子商务大数据生成第二输入分量,电子商务系统100将第一输入分量和第二输入分量进行融合处理,得到的输入分量即目标输入分量。
步骤A140,基于业务服务属性更新模型对目标输入分量进行业务服务属性更新,以获得目标电商业务所对应的第二业务服务属性。
本实施例中,电子商务系统100调用满足模型收敛条件的业务服务属性更新模型对目标输入分量进行分析处理,通过业务服务属性更新模型输出目标电商业务所对应的第二业务服务属性。
本公开实施例中,首先获取目标电商业务的第一业务服务属性,以及目标电商业务在预设统计段内的电子商务大数据,基于此,根据第一业务服务属性以及电子商务大数据,生成目标输入分量,由此,基于业务服务属性更新模型对目标输入分量进行业务服务属性更新,以获得目标电商业务所对应的第二业务服务属性。如此,结合第一业务服务属性以及目标电商业务在预设统计段内的电子商务大数据,能够考虑到初始的业务服务属性特征和电子商务大数据的特征,并以此进行业务服务属性更新,进而提高后续电商业务推荐的准确性。
一种实施例中,获取目标电商业务的第一业务服务属性之前,还可以包括:
获取业务服务属性的定期更新指令,其中,定期更新指令包括目标电商业务的电商业务识别信息;
获取目标电商业务的第一业务服务属性,具体可以包括:
根据定期更新指令,从服务属性库中获取目标电商业务的第一业务服务属性,其中,服务属性库用于配置至少一个电商业务所对应的第一业务服务属性;
获取目标电商业务在预设统计段内的电子商务大数据,具体可以包括:
根据定期更新指令,从大数据库中获取目标电商业务在预设统计段内的电子商务大数据,其中,大数据库用于配置至少一个电商业务在不同业务服务阶段内的电子商务大数据。
本实施例中,电子商务系统100可以获取业务服务属性的定期更新指令,该定期更新指令包含但不仅限于各种电商业务,且定期更新指令中包括目标电商业务的电商业务识别信息。基于此,电子商务系统100可以根据定期更新指令分别获取第一业务服务属性以及电子商务大数据。
一种实施例中,由于定期更新指令包括目标电商业务的电商业务识别信息,因此,基于目标电商业务的电商业务识别信息可从服务属性库中查找到相关的第一业务服务属性。在完成授权之后,电子商务系统100可调用服务属性库中的数据,服务属性库可以是存储大数据的服务属性库,服务属性库存储有至少一个电商业务的第一业务服务属性。
类似地,基于目标电商业务的电商业务识别信息可从大数据库中查找到目标电商业务在预设统计段内的电子商务大数据。在完成授权之后,服务器可调用大数据库中的数据,大数据库可以是存储大数据的数据库,大数据库存储有至少一个电商业务在不同业务服务阶段内的电子商务大数据。
基于此,根据第一业务服务属性生成第一输入分量,并且根据电子商务大数据生成第二输入分量,将第一输入分量与第二输入分量进行融合,得到目标输入分量。
一种实施例中,第一业务服务属性包括订单行为信息、订阅人群信息以及业务关注信息,订单行为信息包括多个订单行为倾向点,订阅人群信息包括多个订阅人群倾向点,业务关注信息包括多个业务关注倾向点;
根据第一业务服务属性生成第一输入分量,具体可以包括:
针对于第一业务服务属性中的每个订单行为倾向点,对每个订单行为倾向点所对应的倾向描述信息进行特征提取,以得到每个订单行为倾向点的特征提取信息,其中,每个订单行为倾向点的特征提取信息添加于第一输入分量;
针对于第一业务服务属性中的每个订阅人群倾向点,对每个订阅人群倾向点所对应的倾向描述信息进行特征提取,以得到每个订阅人群倾向点的特征提取信息,其中,每个订阅人群倾向点的特征提取信息添加于第一输入分量;
针对于第一业务服务属性中的每个业务关注倾向点,对每个业务关注倾向点所对应的倾向描述信息进行特征提取,以得到每个业务关注倾向点的特征提取信息,其中,每个业务关注倾向点的特征提取信息添加于第一输入分量。
本实施例中,第一业务服务属性包括订单行为信息、订阅人群信息以及业务关注信息中的一种或者多种,其中,订单行为信息包括订单行为倾向点,订阅人群信息包括订阅人群倾向点,业务关注信息包括业务关注倾向点。
需要说明的是,每个订单行为倾向点的特征提取信息,每个订阅人群倾向点的特征提取信息,以及每个业务关注倾向点的特征提取信息都属于第一输入分量。
一种实施例中,在上各个实施例的基础上,第一业务服务属性包括订阅人群信息,订阅人群信息包括订阅人群静态属性以及订阅人群动态属性;
根据第一业务服务属性生成第一输入分量,具体可以包括:
对订阅人群静态属性进行特征筛选提取,以得到筛选特征,其中,筛选特征添加于第一输入分量;
根据动态属性匹配策略确定订阅人群动态属性所对应的匹配动态特征,其中,匹配动态特征添加于第一输入分量。
需要说明的是,筛选特征和匹配动态特征都属于第一输入分量。
一种实施例中,在上各个实施例的基础上,电子商务大数据包括订单行为大数据,订单行为大数据包括订单行为初始大数据以及订单行为扩展大数据;
根据电子商务大数据生成第二输入分量,具体可以包括:
根据订单行为初始大数据确定第一订单行为特征,其中,第一订单行为特征添加于第二输入分量;
对订单行为扩展大数据进行特征提取,以得到第二订单行为特征;
基于第二订单行为特征,通过行为概率提取网络获取行为属性置信度信息特征,其中,行为属性置信度信息特征添加于第二输入分量。
一种实施例中,电子商务大数据包括订阅人群大数据;
根据电子商务大数据生成第二输入分量,具体可以包括:
根据订阅人群大数据生成订阅人群特征,其中,订阅人群大数据包括目标电商业务在多个订阅节点所产生订阅会话互动的会话触发标签;
基于订阅人群特征,通过订阅人群意图提取模型获取订阅人群意图分布特征,其中,订阅人群意图分布特征添加于第二输入分量。
本实施例中,介绍了一种采用降维法对订阅人群大数据进行编码的方式。由前述实施例可知,电子商务大数据包括订阅人群大数据,其中,订阅人群大数据包括目标电商业务在多个订阅节点所产生订阅会话互动的会话触发标签。
一种实施例中,电子商务大数据包括业务投放大数据;
根据电子商务大数据生成第二输入分量,具体可以包括:
按照预设业务投放对象的分布信息,对业务投放大数据所包括的业务投放行为对象进行排序,得到业务投放行为对象分布,其中,预设业务投放对象的分布信息为业务投放反馈率的顺序进行分布排列;
对业务投放行为对象分布进行特征提取,以得到业务投放行为特征;
基于业务投放行为特征,通过业务投放分布概率提取网络获取业务投放概率分布特征,其中,业务投放概率分布特征添加于第二输入分量。
需要说明的是,业务投放概率分布特征属于第二输入分量。
一种实施例中,电子商务大数据包括意向预测大数据;
根据电子商务大数据生成第二输入分量,具体可以包括:
按照预设意向预测对象的分布信息,对意向预测大数据所包括的意向预测对象进行排序,得到意向预测对象分布,其中,预设意向预测对象的分布信息为对象意向程度的顺序进行分布排列,或,对象意向程度从大到小的顺序;
对意向预测对象分布进行特征提取,以得到意向预测特征;
基于意向预测特征,通过意向预测概率提取网络获取意向预测概率特征分布,其中,意向预测概率特征分布添加于第二输入分量。
需要说明的是,意向预测概率特征分布属于第二输入分量。
一种实施例中,基于业务服务属性更新模型对目标输入分量进行业务服务属性更新,以获得目标电商业务所对应的第二业务服务属性,具体可以包括:
基于业务服务属性更新模型所包括的降维特征单元对目标输入分量进行降维输入分量提取,得到多个降维输入分量,其中,多个降维输入分量中的每个降维输入分量具有相同维度,M为大于1的整数;
基于业务服务属性更新模型所包括的注意力机制单元对多个降维输入分量进行注意力输入分量提取,得到多个注意力输入分量;
基于业务服务属性更新模型所包括的残差单元对多个注意力输入分量进行残差输入分量提取,得到多个残差输入分量;
基于业务服务属性更新模型所包括的更新单元对多个残差输入分量进行属性置信度信息计算,得到目标属性置信度信息;
根据目标属性置信度信息确定目标电商业务所对应的第二业务服务属性。
基于此,将处理好的目标输入分量输入至业务服务属性更新模型进行分析处理,目标输入分量可分为多个输入分量,即目标输入分量表示为x=[x1,x2,…,xM],其中,M表示特征的总数,xm表示第多个输入分量。将目标输入分量输入至业务服务属性更新模型所包括的降维特征单元,由此输出每个输入分量所对应的降维输入分量,即得到多个降维输入分量表示为e=[e1,e2,…,eM],每个降维输入分量具有相同维度。
降维特征单元将所有的离散以及存在关联的特征都映射成一个等长的降维向量(即降维输入分量),其中,离散特征是直接查找降维(lookup embedding)表,多值的离散特征使用平均池化(average pooling),存在关联的特征则相当于乘以一个不含偏离(bias)的稠密(Dense)层。
接下来,采用注意力机制单元对多个降维输入分量进行注意力计算,得到每个降维输入分量所对应的残差输入分量,即得到多个残差输入分量。
将多个残差输入分量输入至更新单元,通过softmax函数计算得到目标属性置信度信息。
一种实施例中,基于业务服务属性更新模型对目标输入分量进行业务服务属性更新,以获得目标电商业务所对应的第二业务服务属性之前,还可以包括:
获取第一参考数据序列,其中,第一参考数据序列包括多个参考数据,每个参考数据包括第一参考业务服务属性以及参考电子商务大数据,且每个参考数据对应于一个第二参考业务服务属性;
针对于第一参考数据序列中的每个参考数据,根据第一参考业务服务属性以及参考电子商务大数据,生成参考输入分量,其中,参考输入分量是由第一参考输入分量以及第二参考输入分量融合后得到的,第一参考输入分量为基于第一参考业务服务属性生成的,第二参考输入分量为基于参考电子商务大数据生成的;
调用参考业务服务属性更新模型对每个参考数据所对应的参考输入分量进行业务服务属性更新,以获得每个参考数据所对应的属性置信度信息;
根据每个参考数据所对应的属性置信度信息以及第二参考业务服务属性,对参考业务服务属性更新模型的权重信息进行调整,直至满足收敛条件,得到业务服务属性更新模型。
一种实施例中,每个参考数据包括第一参考业务服务属性以及参考电子商务大数据,可以理解的是,第一参考业务服务属性中的属性特征与上述示例中第一业务服务属性中的属性特征相似,而参考电子商务大数据中的属性特征与上述示例中电子商务大数据中的属性特征相似,故此处不做赘述。对每个参考数据的第一参考业务服务属性进行分类提取,得到对应的第一参考输入分量,对每个参考数据的参考电子商务大数据进行分类提取,得到第二参考输入分量,将第一参考输入分量和第二参考输入分量进行融合,得到参考数据的参考输入分量。
此外,还可以对每个参考数据进行标注,由此得到第二参考业务服务属性,例如,参考数据A的第二参考业务服务属性为“第一级别”,假设共有三个级别分类,则参考数据A的第二参考业务服务属性可表示为(1,0,0)。
将每个参考数据的参考输入分量输入至参考业务服务属性更新模型,通过参考业务服务属性更新模型输出属性置信度信息。
基于此,对第一参考数据序列中的各个参考数据均进行上述计算,直至满足收敛条件,则将最近一次更新的权重信息作为业务服务属性更新模型的权重信息。需要说明的是,满足收敛条件包括训练次数达到阈值门限,或者,损失值达到收敛,此处不做限定。
其次,本公开实施例中,提供了一种训练业务服务属性更新模型的方式,如此,基于机器学习算法,利用已标注的参考数据对业务服务属性更新模型进行训练,使得业务服务属性更新模型学习到特征之间的关系,从而提升第二业务服务属性预测的准确性。
一种实施例中,基于业务服务属性更新模型对目标输入分量进行业务服务属性更新,以获得目标电商业务所对应的第二业务服务属性之后,还可以包括:
获取目标推广业务信息的推广业务特征,其中,推广业务特征包括目标推广业务信息的推广业务识别信息、推广业务知识图谱以及推广业务应用环境信息中的一种或者多种;
调用推广业务评价网络对目标输入分量、目标推广业务信息的推广业务特征以及目标电商业务所对应的第二业务服务属性置信度预测,以获得目标电商业务针对于目标推广业务信息的推广置信度;
若目标推广业务信息的推广置信度大于或等于预设推广置信度,则向目标电商业务使用的电子商务终端推送目标推广业务信息。
一种实施例中,在得到第二业务服务属性之后,可将目标输入分量、目标推广业务信息的推广业务特征以及目标电商业务所对应的第二业务服务属性共同输入至推广业务评价网络。其中,目标推广业务信息包含但不仅限于推广广告等。推广业务特征包括目标推广业务信息的推广业务识别信息、推广业务知识图谱以及推广业务应用环境信息中的一种或者多种,以目标推广业务信息为广告作为示例,则推广业务特征包括广告的电商业务识别信息。
例如,推广业务评价网络可以是AutoInt模型。如将目标电商业务所对应的第二业务服务属性和目标推广业务信息的推广业务特征进行分类提取后,与目标输入分量进行融合,融合后的输入分量表示为x=[x1,x2,…,xN],其中,N表示特征的总数,xn表示第n个输入分量。将该输入分量输入至推广业务评价网络所包括的降维特征单元,由此输出每个输入分量所对应的降维输入分量,即得到N个降维输入分量表示为e=[e1,e2,…,eN],每个降维输入分量具有相同维度。
降维特征单元将所有的离散以及存在关联的特征都映射成一个等长的降维向量,接下来采用注意力机制单元对N个降维输入分量进行注意力计算,由此得到N个残差输入分量。最后,将N个残差输入分量输入至更新单元,通过sigmoid函数计算得到目标推广业务信息的推广置信度,其中,推广置信度可体现目标电商业务对目标推广业务信息的感兴趣程度,推广置信度越大,表示目标电商业务可能触发目标推广业务信息的可能性越高。因此,如果目标推广业务信息的推广置信度大于或等于预设推广置信度,则向目标电商业务使用的电子商务终端推送目标推广业务信息。
可以理解的是,推广业务评价网络的结构与业务服务属性更新模型的结构类似,且具有相似的特征处理方式,故此处不做赘述。
需要说明的是,本公开提供的推广业务评价网络也可以采用xDeepFM、PNN、FiBiNet或者FNN等结构,此处不做限定。
一种实施例中,调用推广业务评价网络对目标输入分量、目标推广业务信息的推广业务特征以及目标电商业务所对应的第二业务服务属性置信度预测,以获得目标电商业务针对于目标推广业务信息的推广置信度之前,方法还包括:
获取第二参考数据序列,其中,第二参考数据序列包括多个前向参考数据以及至少一个后向参考数据,每个前向参考数据包括第一参考业务服务属性、参考电子商务大数据、参考第二业务服务属性以及信息推广业务特征,且每个前向参考数据对应于一个第一参考标签信息,每个后向参考数据包括第一参考业务服务属性、参考电子商务大数据、参考第二业务服务属性以及信息推广业务特征,且每个后向参考数据对应于一个第二参考标签信息,第一参考标签信息用于指示已推广属性,第二参考标签信息用于指示未推广属性;
针对于第二参考数据序列中的每个前向参考数据,根据第一参考业务服务属性、参考电子商务大数据、参考第二业务服务属性以及信息推广业务特征,生成前向参考数据输入分量;
针对于第二参考数据序列中的每个后向参考数据,根据第一参考业务服务属性、参考电子商务大数据、参考第二业务服务属性以及信息推广业务特征,生成后向参考数据输入分量;
调用参考推广业务评价网络对每个前向参考数据输入分量以及每个后向参考数据输入分量置信度预测,以获得每个前向参考数据的推广置信度以及每个后向参考数据的推广置信度;
根据每个前向参考数据的推广置信度、每个前向参考数据的第一参考标签信息、每个后向参考数据的推广置信度以及每个后向参考数据的第二参考标签信息,对参考推广业务评价网络的权重信息进行调整,直至满足收敛条件,得到推广业务评价网络。
一种实施例中,每个前向参考数据和每个后向参考数据均包括第一参考业务服务属性、参考电子商务大数据、参考第二业务服务属性以及信息推广业务特征,可以理解的是,第一参考业务服务属性中的属性特征与上述示例中第一业务服务属性中的属性特征相似,而参考电子商务大数据中的属性特征与上述示例中电子商务大数据中的属性特征相似,故此处不做赘述。对每个前向参考数据的第一参考业务服务属性进行分类提取,得到对应的第一参考输入分量,对每个前向参考数据的参考电子商务大数据进行分类提取,得到第二参考输入分量,对每个前向参考数据的参考第二业务服务属性进行分类提取,得到第三参考输入分量,对每个前向参考数据的信息推广业务特征进行分类提取,得到第四参考输入分量,将第一参考输入分量、第二参考输入分量、第三参考输入分量和第四参考输入分量进行融合,得到相应的前向参考数据输入分量。其中,信息推广业务特征与上述示例中目标推广业务信息的推广业务特征类似,其中,即包括目标推广业务信息的推广业务识别信息、推广业务知识图谱以及推广业务应用环境信息中的一种或者多种。
对每个后向参考数据的第一参考业务服务属性进行分类提取,得到对应的第五参考输入分量,对每个后向参考数据的参考电子商务大数据进行分类提取,得到第六参考输入分量,对每个后向参考数据的参考第二业务服务属性进行分类提取,得到第七参考输入分量,对每个后向参考数据的信息推广业务特征进行分类提取,得到第八参考输入分量,将第五参考输入分量、第六参考输入分量、第七参考输入分量和第八参考输入分量进行融合,得到相应的后向参考数据输入分量。
此外,还需要对每个前向参考数据进行标注,由此得到第一参考标签信息,其中,第一参考标签信息为1,第一参考标签信息用于指示已推广属性,例如,已完成推广等。类似地,也需要对每个后向参考数据进行标注,由此得到第二参考标签信息,其中,第二参考标签信息为0,第二参考标签信息用于指示未推广属性,例如,未完成推广等。
将每个前向参考数据的前向参考数据输入分量和每个后向参考数据的后向参考数据输入分量输入至参考推广业务评价网络,通过参考推广业务评价网络输出每个参考数据对应的推广置信度。
基于此,对第二参考数据序列中的各个前向参考数据和后向参考数据均进行上述计算,直至满足收敛条件,则将最近一次更新的权重信息作为推广业务评价网络的权重信息。需要说明的是,满足收敛条件包括训练次数达到阈值门限,或者,损失值达到收敛,此处不做限定。当满足收敛条件时,还需要对推广业务评价网络进行线下评估和线上评估。
再次,本公开实施例中,提供了一种训练推广业务评价网络的方式,如此,基于机器学习算法,利用前向参考数据和后向参考数据共同对推广业务评价网络进行训练,使得推广业务评价网络学习到特征之间的关系,并且结合电商业务的第二业务服务属性能够加强预测结果的可靠性,从而提升信息推荐的效果。
例如,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信息推送方法,包括以下步骤。
在步骤A1中,获取第一参考数据序列,其中,第一参考数据序列包括多个参考数据,每个参考数据包括第一参考业务服务属性以及参考电子商务大数据,且每个参考数据对应于一个第二参考业务服务属性。
在步骤A2中,针对于第一参考数据序列中的每个参考数据,根据第一参考业务服务属性以及参考电子商务大数据,生成参考输入分量,其中,参考输入分量是由第一参考输入分量以及第二参考输入分量融合后得到的,第一参考输入分量为基于第一参考业务服务属性生成的,第二参考输入分量为基于参考电子商务大数据生成的。
在步骤A3中,调用参考业务服务属性更新模型对每个参考数据所对应的参考输入分量进行业务服务属性更新,以获得每个参考数据所对应的属性置信度信息。
在步骤A4中,根据每个参考数据所对应的属性置信度信息以及第二参考业务服务属性,对参考业务服务属性更新模型的权重信息进行调整,直至满足收敛条件,得到业务服务属性更新模型。
在步骤A5中,获取第二参考数据序列,其中,第二参考数据序列包括多个前向参考数据以及至少一个后向参考数据,每个前向参考数据包括第一参考业务服务属性、参考电子商务大数据、参考第二业务服务属性以及信息推广业务特征,且每个前向参考数据对应于一个第一参考标签信息,每个后向参考数据包括第一参考业务服务属性、参考电子商务大数据、参考第二业务服务属性以及信息推广业务特征,且每个后向参考数据对应于一个第二参考标签信息,第一参考标签信息用于指示已推广属性,第二参考标签信息用于指示未推广属性。
在步骤A6中,针对于第二参考数据序列中的每个前向参考数据,根据第一参考业务服务属性、参考电子商务大数据、参考第二业务服务属性以及信息推广业务特征,生成前向参考数据输入分量。
在步骤A7中,针对于第二参考数据序列中的每个后向参考数据,根据第一参考业务服务属性、参考电子商务大数据、参考第二业务服务属性以及信息推广业务特征,生成后向参考数据输入分量。
在步骤A8中,调用参考推广业务评价网络对每个前向参考数据输入分量以及每个后向参考数据输入分量置信度预测,以获得每个前向参考数据的推广置信度以及每个后向参考数据的推广置信度。
在步骤A9中,根据每个前向参考数据的推广置信度、每个前向参考数据的第一参考标签信息、每个后向参考数据的推广置信度以及每个后向参考数据的第二参考标签信息,对参考推广业务评价网络的权重信息进行调整,直至满足收敛条件,得到推广业务评价网络。
在步骤A10中,如果满足收敛条件,则得到业务服务属性更新模型和推广业务评价网络。
可以理解,以上S1到S10可以作为独立的一个实施例实施。
例如,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信息推送方法,包括以下步骤。
在步骤A15中,调用满足模型收敛条件的推广业务评价网络以及业务服务属性更新模型。获取目标电商业务的第一业务服务属性,其中,第一业务服务属性包括订单行为信息、订阅人群信息以及业务关注信息中的一种或者多种,订单行为信息表示业务订单行为的倾向信息,订阅人群信息表示业务订阅人群的倾向信息,业务关注信息表示业务投放广告的关注倾向信息。
在步骤A16中,获取目标电商业务在预设统计段内的电子商务大数据,其中,电子商务大数据包括订单行为大数据、订阅人群大数据、业务投放大数据以及意向预测大数据中的一种或者多种,订阅人群大数据表示订阅人群的订阅行为大数据。
在步骤A17中,根据第一业务服务属性生成第一输入分量,根据电子商务大数据生成第二输入分量,对第一输入分量与第二输入分量进行融合,以得到目标输入分量。
在步骤A18中,基于业务服务属性更新模型对目标输入分量进行业务服务属性更新,以获得目标电商业务所对应的第二业务服务属性。
在步骤A19中,获取目标推广业务信息的推广业务特征,其中,推广业务特征包括目标推广业务信息的推广业务识别信息、推广业务知识图谱以及推广业务应用环境信息中的一种或者多种。
在步骤A20中,调用推广业务评价网络对目标输入分量、目标推广业务信息的推广业务特征以及目标电商业务所对应的第二业务服务属性进行置信度预测,以获得目标电商业务针对于目标推广业务信息的推广置信度。
在步骤A21中,若目标推广业务信息的推广置信度大于或等于预设推广置信度,则向目标电商业务使用的电子商务终端推送目标推广业务信息。
值得说明的是,以上步骤A15到步骤A21可以作为独立的实施例实施。
图3为本公开实施例提供的基于电商会话大数据的推送更新装置300的功能模块示意图,下面分别对该基于电商会话大数据的推送更新装置300的各个功能模块的功能进行详细阐述。
第一获取模块310,用于获取电子商务终端针对对应的匹配电商业务信息产生的与各个电子商务社交关系圈之间的会话互动大数据;
第二获取模块320,用于获取会话互动大数据的目标会话互动兴趣点的多个目标潜在会话意图行为;其中,存在关联的两个目标潜在会话意图行为的意图衔接度大于或等于目标意图衔接度;
第一确定模块330,用于分别确定每个目标潜在会话意图行为对应的参考会话互动兴趣点分布;其中,每个目标潜在会话意图行为对应的参考会话互动兴趣点分布包括的会话互动兴趣点的潜在会话意图行为与该目标潜在会话意图行为的意图衔接度小于或等于目标意图衔接度;
第二确定模块340,用于确定所有参考会话互动兴趣点分布的筛选互动兴趣点序列中的目标互动兴趣点序列;其中,筛选互动兴趣点序列为所有参考会话互动兴趣点分布的所有互动兴趣点序列中,互动更新频率大于或等于预设更新频率的互动兴趣点互动兴趣点序列,目标互动兴趣点序列是任一筛选互动兴趣点序列的互动兴趣点序列;
更新模块350,用于根据获得的目标互动兴趣点序列,确定目标会话互动兴趣点的扩展会话互动兴趣点分布,并基于目标会话互动兴趣点的扩展会话互动兴趣点分对对应的匹配电商业务信息进行内容推送更新。
图4示出了本公开实施例提供的用于实现上述的基于电商会话大数据的推送更新方法的大数据AI系统100的硬件结构意图,如图4所示,大数据AI系统100可包括处理器110、机器可读存储介质120、总线130以及收发器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存储的计算机可执行指令,使得处理器110可以执行如上方法实施例的基于电商会话大数据的推送更新方法,处理器110、机器可读存储介质120以及收发器140通过总线130连接,处理器110可以用于控制收发器140的收发动作,从而可以与前述的电子商务终端200进行数据收发。
处理器110的具体实现过程可参见上述大数据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,本公开实施例还提供一种可读存储介质,所述可读存储介质中预设有计算机可执行指令,当处理器执行所述计算机可执行指令时,实现如上基于电商会话大数据的推送更新方法。
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)
1.一种基于电商会话大数据的推送更新方法,其特征在于,应用于大数据AI系统,所述大数据AI系统与多个电子商务终端通信连接,所述方法包括:
获取所述电子商务终端针对对应的匹配电商业务信息产生的与各个电子商务社交关系圈之间的会话互动大数据;
获取所述会话互动大数据的目标会话互动兴趣点的多个目标潜在会话意图行为;其中,存在关联的两个所述目标潜在会话意图行为的意图衔接度大于或等于目标意图衔接度;
分别确定每个目标潜在会话意图行为对应的参考会话互动兴趣点分布;其中,每个目标潜在会话意图行为对应的参考会话互动兴趣点分布包括的会话互动兴趣点的潜在会话意图行为与该目标潜在会话意图行为的意图衔接度小于或等于目标意图衔接度;
确定所有所述参考会话互动兴趣点分布的筛选互动兴趣点序列中的目标互动兴趣点序列;其中,所述筛选互动兴趣点序列为所有所述参考会话互动兴趣点分布的所有互动兴趣点序列中,互动更新频率大于或等于预设更新频率的互动兴趣点互动兴趣点序列,所述目标互动兴趣点序列是任一所述筛选互动兴趣点序列的互动兴趣点序列;
根据获得的目标互动兴趣点序列,确定所述目标会话互动兴趣点的扩展会话互动兴趣点分布,并基于所述目标会话互动兴趣点的扩展会话互动兴趣点分对所述对应的匹配电商业务信息进行内容推送更新。
2.根据权利要求1所述的基于电商会话大数据的推送更新方法,其特征在于,所述获取所述会话互动大数据的目标会话互动兴趣点的多个目标潜在会话意图行为的步骤,包括:
获取目标会话互动兴趣点的目标历史参考知识图谱信息;
根据预先确定的历史参考知识图谱信息和历史参考知识图谱信息所表征会话互动兴趣点的潜在会话意图行为的对应关系序列,以及所述目标历史参考知识图谱信息,确定所述目标会话互动兴趣点的多个目标潜在会话意图行为;
所述分别确定每个目标潜在会话意图行为对应的参考会话互动兴趣点分布的步骤,包括:
根据预先确定的历史参考知识图谱信息和历史参考知识图谱信息所表征会话互动兴趣点的潜在会话意图行为的对应关系序列,分别确定每个目标潜在会话意图行为对应的参考会话互动兴趣点分布,所述参考会话互动兴趣点分布包括历史参考知识图谱信息,每个目标潜在会话意图行为对应的参考潜在会话意图行为与该目标潜在会话意图行为的意图衔接度小于或等于目标意图衔接度,所述参考潜在会话意图行为为该目标潜在会话意图行为对应的参考会话互动兴趣点分布包括的历史参考知识图谱信息对应的潜在会话意图行为。
3.根据权利要求1所述的基于电商会话大数据的推送更新方法,其特征在于,所述获取所述会话互动大数据的目标会话互动兴趣点的多个目标潜在会话意图行为的步骤,包括:
获取目标会话互动兴趣点的目标历史参考知识图谱信息;
根据预先确定的历史参考知识图谱信息和历史参考知识图谱信息所表征会话互动兴趣点的潜在会话意图行为的对应关系序列,以及所述目标历史参考知识图谱信息,确定所述目标会话互动兴趣点的多个目标潜在会话意图行为;
所述方法还包括:
根据预先确定的历史参考知识图谱信息、历史参考知识图谱信息所表征会话互动兴趣点的互动更新业务场景和历史参考知识图谱信息所表征会话互动兴趣点的潜在会话意图行为的对应关系序列,以及所述目标历史参考知识图谱信息,确定所述目标会话互动兴趣点的每个所述目标潜在会话意图行为对应的目标互动更新业务场景;
所述分别确定每个目标潜在会话意图行为对应的参考会话互动兴趣点分布的步骤,包括:
根据预先确定的历史参考知识图谱信息、历史参考知识图谱信息所表征会话互动兴趣点的互动更新业务场景和历史参考知识图谱信息所表征会话互动兴趣点的潜在会话意图行为的对应关系序列,以及所述目标历史参考知识图谱信息,分别确定每个目标潜在会话意图行为对应的参考会话互动兴趣点分布;其中,所述参考会话互动兴趣点分布包括历史参考知识图谱信息,每个目标潜在会话意图行为对应的参考潜在会话意图行为与该目标潜在会话意图行为的意图衔接度小于或等于目标意图衔接度,且每个目标潜在会话意图行为对应的备选互动更新业务场景与该目标潜在会话意图行为对应的目标互动更新业务场景匹配,所述参考潜在会话意图行为为该目标潜在会话意图行为对应的参考会话互动兴趣点分布包括的历史参考知识图谱信息对应的潜在会话意图行为,所述备选互动更新业务场景为该目标潜在会话意图行为对应的参考会话互动兴趣点分布包括的历史参考知识图谱信息对应的互动更新业务场景。
4.根据权利要求2或3所述的基于电商会话大数据的推送更新方法,其特征在于,所述获取目标会话互动兴趣点的目标历史参考知识图谱信息的步骤,包括:
从预先确定的历史参考知识图谱信息和历史参考知识图谱信息所表征会话互动兴趣点的潜在会话意图行为的对应关系序列中,获取预设统计段内的潜在会话意图行为对应的历史参考知识图谱信息,作为候选历史参考知识图谱信息;
若未确定所述候选历史参考知识图谱信息所表征会话互动兴趣点的关联会话互动兴趣点,则确定所述候选历史参考知识图谱信息为目标历史参考知识图谱信息;
若已确定所述候选历史参考知识图谱信息所表征会话互动兴趣点的关联会话互动兴趣点,则返回执行所述从预先确定的历史参考知识图谱信息和历史参考知识图谱信息所表征会话互动兴趣点的潜在会话意图行为的对应关系序列中,获取预设统计段内的潜在会话意图行为对应的历史参考知识图谱信息,作为候选历史参考知识图谱信息的步骤。
5.根据权利要求2或3所述的基于电商会话大数据的推送更新方法,其特征在于,所述方法还包括:
提取互动关系圈日志包含的第一会话互动兴趣点的第一互动关系圈特征;
从预先确定的历史参考知识图谱信息、历史参考知识图谱信息所表征会话互动兴趣点的互动关系圈特征和历史参考知识图谱信息所表征会话互动兴趣点的潜在会话意图行为的对应关系序列中,查找包括第二互动关系圈特征的第一对应关系序列;其中,所述第二互动关系圈特征与所述第一互动关系圈特征的匹配度大于预设匹配度阈值;
若查找到所述第一对应关系序列,则将所述互动关系圈日志的会话意图行为作为所述第一会话互动兴趣点的第一潜在会话意图行为,将所述第一对应关系序列包括的历史参考知识图谱信息作为所述第一会话互动兴趣点的第一历史参考知识图谱信息,确定所述第一历史参考知识图谱信息、所述第一互动关系圈特征和第一潜在会话意图行为的第二对应关系序列;
若未查找到所述第一对应关系序列,则将所述互动关系圈日志的会话意图行为作为所述第一会话互动兴趣点的第一潜在会话意图行为,为所述第一会话互动兴趣点配置第二历史参考知识图谱信息,并确定所述第二历史参考知识图谱信息、所述第一互动关系圈特征和第一潜在会话意图行为的第三对应关系序列。
6.根据权利要求1所述的基于电商会话大数据的推送更新方法,其特征在于,所述方法还包括:
若所有所述参考会话互动兴趣点分布中每个互动兴趣点序列的互动更新频率均小于所述预设更新频率,则获取预先确定的所述目标会话互动兴趣点的原始参考会话互动兴趣点分布;
确定所有所述参考会话互动兴趣点分布和所述原始参考会话互动兴趣点分布的所有原始筛选互动兴趣点序列中的目标互动兴趣点序列;其中,所述原始筛选互动兴趣点序列为所有所述参考会话互动兴趣点分布和所述原始参考会话互动兴趣点分布的所有互动兴趣点序列中,互动更新频率大于或等于预设更新频率的互动兴趣点;
根据获得的目标互动兴趣点序列,确定所述目标会话互动兴趣点的扩展会话互动兴趣点分布。
7.根据权利要求1所述的基于电商会话大数据的推送更新方法,其特征在于,所述根据获得的目标互动兴趣点序列,确定所述目标会话互动兴趣点的扩展会话互动兴趣点分布的步骤,包括:
若获得的目标互动兴趣点序列的数量为一个,则将获得的目标互动兴趣点序列作为所述目标会话互动兴趣点的扩展会话互动兴趣点分布;
若获得的目标互动兴趣点序列的数量为多个,则将获得的目标互动兴趣点序列的共享兴趣点序列作为所述目标会话互动兴趣点的扩展会话互动兴趣点分布,或将获得的目标互动兴趣点序列分别作为所述目标会话互动兴趣点的扩展会话互动兴趣点分布,或将获得的目标互动兴趣点序列中包括会话互动兴趣点数量最多的目标互动兴趣点序列作为所述目标会话互动兴趣点的扩展会话互动兴趣点分布。
8.根据权利要求1-7中任意一项所述的基于电商会话大数据的推送更新方法,其特征在于,所述方法还包括:
针对所述扩展会话互动兴趣点分布中的每个会话互动兴趣点,获取该会话互动兴趣点的历史操作行为数据;
调用预设的大数据挖掘网络对所述历史操作行为数据进行大数据挖掘,得到该会话互动兴趣点对应的业务评价指标信息;
通过所述业务评价指标信息生成所述扩展会话互动兴趣点分布的业务评价指标统计信息;
根据所述扩展会话互动兴趣点分布的业务评价指标统计信息对所述扩展会话互动兴趣点分布所对应的社交关系用户推送对应的广告数据。
9.根据权利要求1所述的基于电商会话大数据的推送更新方法,其特征在于,所述调用预设的大数据挖掘网络对所述历史操作行为数据进行大数据挖掘,得到该会话互动兴趣点对应的业务评价指标信息,包括:
调用满足收敛条件的第一AI单元对所述历史操作行为数据进行数据筛选,得到所述历史操作行为数据中的筛选操作行为数据;
调用满足收敛条件的第二AI单元对所述筛选操作行为数据中的多个单元操作行为数据分别进行静态操作倾向挖掘和动态操作倾向挖掘,得到静态操作倾向挖掘信息和动态操作倾向挖掘信息;
调用第一预设大数据挖掘网络,对所述静态操作倾向挖掘信息进行第一业务评价指标挖掘,得到包括有静态操作属性的第一业务评价指标序列;
调用第二预设大数据挖掘网络,对所述动态操作倾向挖掘信息进行第二业务评价指标挖掘,得到包括有动态操作属性的第二业务评价指标序列;
基于所述第一业务评价指标序列和所述第二业务评价指标序列进行业务评价指标关联处理,得到所述筛选操作行为数据中与目标推广服务相匹配的目标推广服务评价指标序列;所述目标推广服务包括静态推广服务和动态推广服务中的至少一种;
通过所述目标推广服务评价指标序列对所述筛选操作行为数据进行画像整合,得到该会话互动兴趣点对应的业务评价指标信息;
相应的,所述对所述筛选操作行为数据中的多个单元操作行为数据分别进行静态操作倾向挖掘和动态操作倾向挖掘,得到静态操作倾向挖掘信息和动态操作倾向挖掘信息,包括:
对所述筛选操作行为数据中的多个单元操作行为数据分别进行静态操作倾向挖掘,得到各个单元操作行为数据中的静态操作倾向挖掘事件、以及各静态操作倾向挖掘事件所对应的初始操作意图标签;
基于各单元操作行为数据中的静态操作倾向挖掘事件和相应的初始操作意图标签,确定静态操作倾向挖掘信息;
对所述筛选操作行为数据中的多个单元操作行为数据分别进行动态操作倾向挖掘,得到动态操作倾向挖掘信息。
10.一种大数据AI系统,其特征在于,所述大数据AI系统包括处理器和机器可读存储介质,所述机器可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现权利要求1-9中任意一项的基于电商会话大数据的推送更新方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110877220.2A CN113628005A (zh) | 2021-07-31 | 2021-07-31 | 基于电商会话大数据的推送更新方法及大数据ai系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110877220.2A CN113628005A (zh) | 2021-07-31 | 2021-07-31 | 基于电商会话大数据的推送更新方法及大数据ai系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113628005A true CN113628005A (zh) | 2021-11-09 |
Family
ID=78382066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110877220.2A Withdrawn CN113628005A (zh) | 2021-07-31 | 2021-07-31 | 基于电商会话大数据的推送更新方法及大数据ai系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113628005A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114049161A (zh) * | 2021-12-07 | 2022-02-15 | 哈尔滨连祥科技有限公司 | 基于电商大数据反馈的推送优化方法及电商大数据系统 |
CN114117240A (zh) * | 2021-12-09 | 2022-03-01 | 诸暨黑石大数据技术有限公司 | 基于大数据需求分析的互联网内容推送方法及ai系统 |
CN114218363A (zh) * | 2021-11-23 | 2022-03-22 | 赵运柱 | 基于大数据和ai的服务内容生成方法及人工智能云系统 |
CN114661658A (zh) * | 2022-03-23 | 2022-06-24 | 朱明芳 | 一种应用于远程视频会议的数据分析方法及系统 |
CN114817747A (zh) * | 2022-05-25 | 2022-07-29 | 铜仁市恒盛网络科技有限公司 | 基于互联网大数据的用户行为分析方法及云计算业务系统 |
-
2021
- 2021-07-31 CN CN202110877220.2A patent/CN113628005A/zh not_active Withdrawn
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114218363A (zh) * | 2021-11-23 | 2022-03-22 | 赵运柱 | 基于大数据和ai的服务内容生成方法及人工智能云系统 |
CN114049161A (zh) * | 2021-12-07 | 2022-02-15 | 哈尔滨连祥科技有限公司 | 基于电商大数据反馈的推送优化方法及电商大数据系统 |
CN114049161B (zh) * | 2021-12-07 | 2022-06-21 | 广州市贝法易信息科技有限公司 | 基于电商大数据反馈的推送优化方法及电商大数据系统 |
CN114117240A (zh) * | 2021-12-09 | 2022-03-01 | 诸暨黑石大数据技术有限公司 | 基于大数据需求分析的互联网内容推送方法及ai系统 |
CN114661658A (zh) * | 2022-03-23 | 2022-06-24 | 朱明芳 | 一种应用于远程视频会议的数据分析方法及系统 |
CN114661658B (zh) * | 2022-03-23 | 2023-01-06 | 爱恩希(上海)医院管理有限公司 | 一种应用于远程视频会议的数据分析方法及系统 |
CN114817747A (zh) * | 2022-05-25 | 2022-07-29 | 铜仁市恒盛网络科技有限公司 | 基于互联网大数据的用户行为分析方法及云计算业务系统 |
CN114817747B (zh) * | 2022-05-25 | 2022-11-15 | 逑美科技(上海)有限公司 | 基于互联网大数据的用户行为分析方法及云计算业务系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113628005A (zh) | 基于电商会话大数据的推送更新方法及大数据ai系统 | |
CN110598847B (zh) | 处理交互序列数据的方法及装置 | |
CN111210008B (zh) | 利用lstm神经网络模型处理交互数据的方法及装置 | |
CN108520470B (zh) | 用于生成用户属性信息的方法和装置 | |
US10970350B2 (en) | Method and apparatus for processing user interaction sequence data | |
CN110555172B (zh) | 用户关系挖掘方法及装置、电子设备和存储介质 | |
CN110555451A (zh) | 信息识别方法和装置 | |
CN113139052B (zh) | 基于图神经网络特征聚合的谣言检测方法及装置 | |
CN111405030A (zh) | 一种消息推送方法、装置、电子设备和存储介质 | |
CN113592550A (zh) | 基于大数据的在线电子商务推荐方法及大数据ai系统 | |
CN108512674B (zh) | 用于输出信息的方法、装置和设备 | |
CN113032676B (zh) | 基于微反馈的推荐方法和系统 | |
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 | |
CN111258469B (zh) | 处理交互序列数据的方法及装置 | |
CN112541556A (zh) | 模型构建优化方法、设备、介质及计算机程序产品 | |
CN117077018A (zh) | 基于机器学习的数据处理方法、装置及存储介质 | |
CN115329078B (zh) | 文本数据处理方法、装置、设备以及存储介质 | |
CN114896502B (zh) | 应用ai和大数据分析的用户需求决策方法及互联网系统 | |
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 | |
CN113516524B (zh) | 用于推送信息的方法和装置 | |
CN115858911A (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
CN113407837A (zh) | 基于人工智能的智慧医疗大数据处理方法及智慧医疗系统 | |
CN113850499B (zh) | 一种数据处理方法、装置、电子设备和存储介质 | |
CN116956030B (zh) | 基于人工智能的家政业务处理方法及系统 | |
CN115423565B (zh) | 应用于云端互联网交互流程的大数据分析方法及ai系统 |
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: 20211109 |