CN114155064A - 采用ai和大数据分析的电商内容推荐方法及大数据系统 - Google Patents

采用ai和大数据分析的电商内容推荐方法及大数据系统 Download PDF

Info

Publication number
CN114155064A
CN114155064A CN202111503592.5A CN202111503592A CN114155064A CN 114155064 A CN114155064 A CN 114155064A CN 202111503592 A CN202111503592 A CN 202111503592A CN 114155064 A CN114155064 A CN 114155064A
Authority
CN
China
Prior art keywords
content
push
commerce
target
knowledge point
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.)
Granted
Application number
CN202111503592.5A
Other languages
English (en)
Other versions
CN114155064B (zh
Inventor
林和音
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.)
Chinasoft Digital Intelligence Information Technology Wuhan Co ltd
Original Assignee
Handan Junyi Big Data Service 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 Handan Junyi Big Data Service Co ltd filed Critical Handan Junyi Big Data Service Co ltd
Priority to CN202111503592.5A priority Critical patent/CN114155064B/zh
Priority to CN202210831090.3A priority patent/CN115204977A/zh
Publication of CN114155064A publication Critical patent/CN114155064A/zh
Application granted granted Critical
Publication of CN114155064B publication Critical patent/CN114155064B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种采用AI和大数据分析的电商内容推荐方法及大数据系统，通过提取与热点电商板块关联的电商内容服务系统的电商行为事件大数据中的推送衔接数据和推送衔接数据对应的推送衔接属性，将推送衔接属性满足预设要求的推送衔接数据作为目标推送挖掘数据，基于预先训练的电商意图决策模型对目标推送挖掘数据进行电商意图决策，获得目标推送挖掘数据对应的电商意图热力图，基于目标推送挖掘数据对应的电商意图热力图对电商内容服务系统进行与热点电商板块对应的电商内容推荐，由此以电商内容推送过程中的推送衔接维度为关键维度确定出目标推送挖掘数据进行电商意图决策，进而进行电商内容推荐，可以提高电商内容推荐的准确性。

Description

采用AI和大数据分析的电商内容推荐方法及大数据系统
技术领域
本公开涉及大数据技术领域，特别涉及采用AI和大数据分析的电商内容推荐方法及大数据系统。
背景技术
随着人工智能和大数据技术的发展，依托于人工智能和大数据技术建立起的电子商务平台系统，得到了极其快速的发展。消费者用户可以足不出户通过电子商务平台系统购买到心仪的各种实体商品和互联网服务商品，给消费者用户的生活带来了极大的便利。
相关技术中，通过挖掘相关用户的电商意图进行相应的电商内容推荐，可以为用户提供更好的内容服务体验，然而当前电商意图的挖掘方案缺少更精细化维度的考虑，例如缺乏推送衔接维度(也即电商内容推送与相关电商传递行为的衔接特征)作为关键维度的考虑，从而导致当前电商内容推荐的准确性仍旧有待提高。
发明内容
为改善相关技术中存在的上述背景技术存在的技术问题，本公开提供了采用AI和大数据分析的电商内容推荐方法及大数据系统。
第一方面，本公开提供一种采用AI和大数据分析的电商内容推荐方法，应用于大数据系统，所述大数据系统与多个电商内容服务系统通信连接，所述方法包括：
提取与热点电商板块关联的电商内容服务系统的电商行为事件大数据中的推送衔接数据和所述推送衔接数据对应的推送衔接属性，将推送衔接属性满足预设要求的推送衔接数据作为目标推送挖掘数据；
基于预先训练的电商意图决策模型对所述目标推送挖掘数据进行电商意图决策，获得所述目标推送挖掘数据对应的电商意图热力图；
基于所述目标推送挖掘数据对应的电商意图热力图对所述电商内容服务系统进行与所述热点电商板块对应的电商内容推荐。
譬如，在第一方面的一种基于独立构思的实施例中，基于所述目标推送挖掘数据对应的电商意图热力图对所述电商内容服务系统进行与所述热点电商板块对应的电商内容推荐的步骤，包括：
从所述电商意图热力图中获取满足预设条件的目标电商意图，其中，所述预设条件包括电商意图的置信度大于预设置信度，或者电商意图的置信度在预设时间范围的浮动变化率大于预设变化率；
基于所述目标电商意图从热点电商板块中获取对应的热点电商需求数据，并基于所述热点电商需求数据从所述热点电商板块绑定的热点电商内容数据源中获取对应的目标热点电商内容数据后，向所述电商内容服务系统进行内容推荐；
获取所述电商内容服务系统提交针对所述目标热点电商内容数据的情感倾向特征数据，并依据所述情感倾向特征数据生成对应的目标更新电商需求数据。
譬如，在第一方面的一种基于独立构思的实施例中，所述获取所述电商内容服务系统提交针对所述目标热点电商内容数据的情感倾向特征数据，并依据所述情感倾向特征数据生成对应的目标更新电商需求数据的步骤，包括：
获取所述电商内容服务系统发送的情感倾向特征数据，其中，所述情感倾向特征数据代表所述电商内容服务系统当前针对所述目标热点电商内容数据中每个浏览内容的情感倾向状态特征；
对所述情感倾向特征数据进行挖掘，获得所述情感倾向特征数据中携带的所述电商内容服务系统反馈当前针对所述目标热点电商内容数据中每个浏览内容的情感倾向状态特征的反馈业务节点；
依据预先存储的业务上线路径确定所述反馈业务节点对应的业务上线节点，其中，在所述业务上线路径下所述反馈业务节点与所述业务上线节点之间存在映射特征；
获取所述电商内容服务系统在所述业务上线节点对应的业务服务板块内反馈标的电商内容得到的标的电商内容数据；
对所述标的电商内容数据进行挖掘，并依据挖掘特征数据和所述情感倾向特征数据表征的所述电商内容服务系统当前针对所述目标热点电商内容数据中每个浏览内容的情感倾向状态特征，生成对应的目标更新电商需求数据；
将所述目标更新电商需求数据下发到所述电商内容服务系统，其中，所述电商内容服务系统用于依据所述目标更新电商需求数据进行订阅优化指引；
譬如，在第一方面的一种基于独立构思的实施例中，所述对所述标的电商内容数据进行挖掘，并依据挖掘特征数据和所述情感倾向特征数据表征的所述电商内容服务系统当前针对所述目标热点电商内容数据中每个浏览内容的情感倾向状态特征，生成对应的目标更新电商需求数据的步骤，包括：
对候选电商内容数据进行扩展，获得扩展电商内容数据，其中，所述候选电商内容数据为所述电商内容服务系统在所述业务上线节点对应的业务服务板块内反馈标的电商内容得到的所述标的电商内容数据，所述候选电商内容数据包括持续定点浏览的多个电商内容对象；
对所述扩展电商内容数据进行挖掘，获得电商内容特征数据；
分析所述情感倾向特征数据表征的所述电商内容服务系统当前针对所述目标热点电商内容数据中每个浏览内容的情感倾向状态特征是否与所述电商内容特征数据存在有效关联性；
若所述情感倾向特征数据表征的所述电商内容服务系统当前针对所述目标热点电商内容数据中每个浏览内容的情感倾向状态特征与所述电商内容特征数据存在有效关联性，则依据所述电商内容特征数据生成对应的目标更新电商需求数据。
譬如，在第一方面的一种基于独立构思的实施例中，所述对候选电商内容数据进行扩展，获得扩展电商内容数据的步骤，包括：
对应于候选电商内容数据包括的多个电商内容主题特征中的每个电商内容主题特征，确定该电商内容主题特征与每个其它电商内容主题特征之间的知识点关联度；
依据每两个所述电商内容主题特征之间的所述知识点关联度，对所述候选电商内容数据包括的多个电商内容主题特征进行聚类，以聚集所述多个电商内容主题特征中的关联电商内容主题特征，获得多个候选电商内容数据对象；
对应于每个所述候选电商内容数据对象，确定该候选电商内容数据对象与其它每个候选电商内容数据对象之间的知识点关联度的汇总关联度，获得该候选电商内容数据对象对应的参考关联度；
依据每个所述候选电商内容数据对象对应的参考关联度确定出多个目标候选电商内容数据对象，并依据所述多个目标候选电商内容数据对象中每个目标候选电商内容数据对象与所述多个目标候选电商内容数据对象之外的其它每个候选电商内容数据对象之间的知识点关联度，将所述多个候选电商内容数据对象进行聚团，获得多个候选电商内容数据对象团；
将预设的多个在先兴趣目标分别与每个所述候选电商内容数据对象团包括的候选电商内容数据对象进行关联分析，确定每个所述候选电商内容数据对象团中具有所述在先兴趣目标的候选电商内容数据对象的频度，获得每个所述候选电商内容数据对象团对应的第一频度；
对应于每个所述候选电商内容数据对象团，依据该候选电商内容数据对象团对应的第一频度和该候选电商内容数据对象团包括的候选电商内容数据对象的频度，获得该候选电商内容数据对象团对应的第一对比频度；
对应于每个所述候选电商内容数据对象团，依据该候选电商内容数据对象团对应的第一频度和所述多个在先兴趣目标的频度，获得该候选电商内容数据对象团对应的第二对比频度；
依据每个所述候选电商内容数据对象团对应的第一对比频度和第二对比频度，在多个所述候选电商内容数据对象团中确定出至少一个目标候选电商内容数据对象团，并在所述至少一个目标候选电商内容数据对象团包括的候选电商内容数据对象中，确定出多个扩展电商内容数据对象，并依据所述多个扩展电商内容数据对象构成扩展电商内容数据。
譬如，在第一方面的一种基于独立构思的实施例中，在执行所述将所述目标更新电商需求数据下发到所述电商内容服务系统的步骤之后，所述还包括：
获取所述电商内容服务系统基于所述目标更新电商需求数据的电商需求订阅数据，其中，所述电商需求订阅数据代表所述电商内容服务系统基于所述目标更新电商需求数据之后，是否已经依据所述目标更新电商需求数据进行订阅优化指引订阅的电商需求，所述电商内容服务系统依据订阅所述电商需求请求对应的特定电商内容；
依据所述电商需求订阅数据的订阅行为确定是否对所述电商内容服务系统执行内容推送更新，其中，若所述电商需求订阅数据表征所述电商内容服务系统基于所述目标更新电商需求数据之后，已经依据所述目标更新电商需求数据进行订阅优化指引订阅的电商需求，则确定对所述电商内容服务系统执行所述内容推送更新，若所述电商需求订阅数据表征所述电商内容服务系统基于所述目标更新电商需求数据之后，未依据所述目标更新电商需求数据进行订阅优化指引订阅的电商需求，则确定不对所述电商内容服务系统执行所述内容推送更新；
若确定对所述电商内容服务系统执行所述内容推送更新，则生成对所述电商内容服务系统进行内容推送更新的内容推送模板，并基于所述内容推送模板对所述电商内容服务系统执行所述内容推送更新。
第二方面，本公开实施例还提供一种采用AI和大数据分析的电商内容推荐系统，所述采用AI和大数据分析的电商内容推荐系统包括大数据系统以及与所述大数据系统通信连接的多个电商内容服务系统；
所述大数据系统，用于：
提取与热点电商板块关联的电商内容服务系统的电商行为事件大数据中的推送衔接数据和所述推送衔接数据对应的推送衔接属性，将推送衔接属性满足预设要求的推送衔接数据作为目标推送挖掘数据；
基于预先训练的电商意图决策模型对所述目标推送挖掘数据进行电商意图决策，获得所述目标推送挖掘数据对应的电商意图热力图；
基于所述目标推送挖掘数据对应的电商意图热力图对所述电商内容服务系统进行与所述热点电商板块对应的电商内容推荐。
基于以上任意一个方面，本申请通过提取与热点电商板块关联的电商内容服务系统的电商行为事件大数据中的推送衔接数据和推送衔接数据对应的推送衔接属性，将推送衔接属性满足预设要求的推送衔接数据作为目标推送挖掘数据，基于预先训练的电商意图决策模型对目标推送挖掘数据进行电商意图决策，获得目标推送挖掘数据对应的电商意图热力图，基于目标推送挖掘数据对应的电商意图热力图对电商内容服务系统进行与热点电商板块对应的电商内容推荐，由此以电商内容推送过程中的推送衔接维度为关键维度确定出目标推送挖掘数据进行电商意图决策，进而进行电商内容推荐，可以提高电商内容推荐的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并于说明书一起用于解释本申请的原理。
图1为本申请实施例所提供的采用AI和大数据分析的电商内容推荐系统的架构示意图；
图2为本申请实施例所提供的采用AI和大数据分析的电商内容推荐方法的流程图。
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采用AI和大数据分析的电商内容推荐系统10的交互示意图。采用AI和大数据分析的电商内容推荐系统10可以包括大数据系统100以及与大数据系统100通信连接的电商内容服务系统200。图1所示的采用AI和大数据分析的电商内容推荐系统10仅为一种可行的示例，在其它可行的实施例中，该采用AI和大数据分析的电商内容推荐系统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团成部分。
一种可独立实施的实施例中，采用AI和大数据分析的电商内容推荐系统10中的大数据系统100和电商内容服务系统200可以通过配合执行以下方法实施例所描述的采用AI和大数据分析的电商内容推荐方法，具体大数据系统100和电商内容服务系统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采用AI和大数据分析的电商内容推荐方法的流程示意图，本实施例提供的采用AI和大数据分析的电商内容推荐方法可以由图1中所示的大数据系统100执行，下面对该采用AI和大数据分析的电商内容推荐方法进行详细介绍。
步骤S110，提取与热点电商板块关联的电商内容服务系统的电商行为事件大数据中的推送衔接数据和所述推送衔接数据对应的推送衔接属性，将推送衔接属性满足预设要求的推送衔接数据作为目标推送挖掘数据。
本实施例中，该预设要求可以包括但不限于推送衔接属性所对应的推送衔接评价值大于预设评价值，推送衔接评价值可以代表电商行为事件大数据中相关的推送活动与传递活动衔接的评价度，评价度越高，表示推送活动与传递活动存在直接业务衔接关系的可能性越大，即表示推送活动与传递活动存在紧密关联，因此可以通过针对不同评价度范围确定对应的推送衔接属性。
步骤S120，基于预先训练的电商意图决策模型对所述目标推送挖掘数据进行电商意图决策，获得所述目标推送挖掘数据对应的电商意图热力图。
本实施例中，该电商意图决策模型可以用于对所述目标推送挖掘数据进行电商意图决策，进而确定电商内容服务系统的相关用户的各个不同电商意图在每个电商对象中的概率值分布，从而生成所述目标推送挖掘数据对应的电商意图热力图。
步骤S130，基于所述目标推送挖掘数据对应的电商意图热力图对所述电商内容服务系统进行与所述热点电商板块对应的电商内容推荐。
基于以上步骤，本实施例通过提取与热点电商板块关联的电商内容服务系统的电商行为事件大数据中的推送衔接数据和推送衔接数据对应的推送衔接属性，将推送衔接属性满足预设要求的推送衔接数据作为目标推送挖掘数据，基于预先训练的电商意图决策模型对目标推送挖掘数据进行电商意图决策，获得目标推送挖掘数据对应的电商意图热力图，基于目标推送挖掘数据对应的电商意图热力图对电商内容服务系统进行与热点电商板块对应的电商内容推荐，由此以电商内容推送过程中的推送衔接维度为关键维度确定出目标推送挖掘数据进行电商意图决策，进而进行电商内容推荐，可以提高电商内容推荐的准确性。
步骤S101，获取电商行为事件大数据中的内容传递活动向量和内容推送活动向量。
一种示例性的设计思路中，所述内容传递活动向量代表电商内容在进行传递活动(比如分享、转发、邀请等)过程中的特征向量，所述内容推送活动向量代表电商内容在进行推送活动(比如定向推送、兴趣推送、热点推送等)过程中的特征向量。为了提高内容传递活动向量和内容推送活动向量的进行关联解析的精度，在所述获取电商行为事件大数据中的内容传递活动向量和内容推送活动向量的步骤，还可以包括以下步骤S1011-步骤S1014的具体实施方式。
步骤S1011，获取所述电商行为事件大数据中的多个内容传递路径知识点和多个内容推送路径知识点。
步骤S1012，获取多个内容传递路径知识点之间的第一知识点关联度和第一知识点趋势信息，获取多个内容推送路径知识点之间的第二知识点关联度和第二知识点趋势信息。
例如，所述内容传递路径知识点代表内容传递路径过程中的每个路径节点，例如每个传递的页面用户对象、页面内容区域对象等。
步骤S1013，基于所述第一知识点关联度和所述第一知识点趋势信息，对多个内容传递路径知识点进行解析，获得所述电商行为事件大数据中的内容传递活动向量。
例如，一个内容传递活动向量包括一个或多个内容传递路径知识点。
步骤S1014，基于所述第二知识点关联度和所述第二知识点趋势信息，对多个内容推送路径知识点进行解析，获得所述电商行为事件大数据中的内容推送活动向量。
例如，一个内容推送活动向量包括一个或多个内容推送路径知识点。
值得说明的是，在执行上述步骤S1011-步骤S1014的具体实施方式时，从而提高了内容传递活动向量和内容推送活动向量的关联分析精度。
步骤S102，依据所述电商行为事件大数据中的内容传递活动向量和内容推送活动向量之间的联系向量，对所述电商行为事件大数据中的内容传递活动向量和内容推送活动向量进行知识点联系，获得第一知识点联系信息。
一种示例性的设计思路中，在所述依据所述电商行为事件大数据中的内容传递活动向量和内容推送活动向量之间的联系向量，对所述电商行为事件大数据中的内容传递活动向量和内容推送活动向量进行知识点联系，存在着知识点联系冲突的问题，步骤S102可以包括以下步骤S1021-步骤S1023的具体实施方式。
步骤S1021，将所述电商行为事件大数据中的内容推送活动向量确定为成员内容推送活动向量，将所述电商行为事件大数据中的内容传递活动向量确定为成员内容传递活动向量。
例如，所述成员内容推送活动向量中的内容推送路径知识点是从针对所述电商行为事件大数据的目标解析路径知识点中所获取的。
步骤S1022，获取所述目标解析路径知识点中的内容传递路径知识点；将所述目标解析路径知识点中的内容传递路径知识点与所述成员内容传递活动向量中的内容传递路径知识点之间的知识点关联度，确定为所述成员内容推送活动向量与所述成员内容传递活动向量之间的所述联系向量。
步骤S1023，在所述联系向量不小于预设联系度量值时，对所述成员内容推送活动向量和所述成员内容传递活动向量进行知识点联系，获得所述第一知识点联系信息。
例如，对所述成员内容推送活动向量和所述成员内容传递活动向量进行知识点联系，通过知识点联系的方式进一步地的对成员内容推送活动向量进行优化，可以准确得到所述第一知识点联系信息。
值得说明的是，在执行上述步骤S1021-步骤S1023的具体实施方式时，，在所述依据所述电商行为事件大数据中的内容传递活动向量和内容推送活动向量之间的联系向量，对所述电商行为事件大数据中的内容传递活动向量和内容推送活动向量进行知识点联系，避免了知识点联系冲突的问题。
步骤S103，将知识点联系成功的内容推送活动向量确定为标的内容推送活动向量，基于所述第一知识点联系信息中的内容推送活动向量与所述标的内容推送活动向量之间的联系度量值，确定与所述标的内容推送活动向量相对应的推送衔接属性。
一种示例性的设计思路中，所述标的内容推送活动向量包括所述电商行为事件大数据中的第一内容推送路径知识点；所述第一知识点联系信息的分布量为多个；各个第一知识点联系信息中的内容推送活动向量分别包括所述电商行为事件大数据中的第二内容推送路径知识点；所述基于所述第一知识点联系信息中的内容推送活动向量与所述标的内容推送活动向量之间的联系度量值，确定与所述标的内容推送活动向量相对应的推送衔接属性的步骤，包括以下步骤S1031-步骤S1034的具体实施方式。
步骤S1031，基于所述第一内容推送路径知识点，获取所述标的内容推送活动向量的第一操作意图表达信息。
例如，所述第一内容推送路径知识点，获取所述标的内容推送活动向量的第一操作意图表达信息的实施方式，可以包括以下步骤F1-步骤F3的具体实施方式。
步骤F1，获取多个第一内容推送路径知识点中的各个第一内容推送路径知识点各自对应的知识点意图变量。
步骤F2，基于所述各个第一内容推送路径知识点各自对应的知识点意图变量，获取多个第一内容推送路径知识点对应的第一融合意图变量。
步骤F3，将所述第一融合意图变量，确定为所述第一操作意图表达信息。
例如，所述第一操作意图表达信息代表各个第一内容推送路径知识点特征对应的平均操作意图表达信息。
步骤S1032，基于所述各个第一知识点联系信息包括的第二内容推送路径知识点，分别获取所述各个第一知识点联系信息中的内容推送活动向量的第二操作意图表达信息。
一种示例性的设计思路中，多个第一知识点联系信息包括第一知识点联系信息i，i为不大于多个第一知识点联系信息的全局分布量的正整数；所述第一知识点联系信息i包括的第二内容推送路径知识点的知识点分布量为多个；所述基于所述各个第一知识点联系信息包括的第二内容推送路径知识点，分别获取所述各个第一知识点联系信息中的内容推送活动向量的第二操作意图表达信息的步骤包括以下步骤U1-步骤U3的具体实施方式。
步骤U1，获取所述第一知识点联系信息i包括的多个第二内容推送路径知识点中的各个第二内容推送路径知识点各自对应的知识点意图变量。
步骤U2，基于所述各个第二内容推送路径知识点各自对应的知识点意图变量，获取多个第二内容推送路径知识点对应的第二融合意图变量。
步骤U3，将所述第二融合意图变量，确定为所述第一知识点联系信息i中的内容推送活动向量的第二操作意图表达信息。
步骤S1033，获取所述第一操作意图表达信息分别与所述各个第一知识点联系信息对应的第二操作意图表达信息之间的关联分析信息。
步骤S1034，基于所述各个第一知识点联系信息对应的关联分析信息，确定所述各个第一知识点联系信息中的内容推送活动向量分别与所述标的内容推送活动向量之间的联系度量值；当目标第一知识点联系信息的分布量大于第一预设分布量且不大于第二预设分布量时，将所述目标第一知识点联系信息中的内容传递活动向量所关联的推送衔接属性，确定为与所述标的内容推送活动向量相对应的推送衔接属性；所述目标第一知识点联系信息，指对应的联系度量值不小于预设联系度量值的第一知识点联系信息。
步骤S104，对与所述标的内容推送活动向量相对应的推送衔接属性和所述标的内容推送活动向量进行知识点联系，获得第二知识点联系信息。
一种示例性的设计思路中，所述推送衔接属性代表推送活动与传递活动衔接的评价度，评价度越高，表示推送活动与传递活动存在直接业务衔接关系的可能性越大，即表示推送活动与传递活动存在紧密关联，因此可以通过针对不同评价度范围确定对应的推送衔接属性。
步骤S105，基于所述第二知识点联系信息和所述第一知识点联系信息，确定所述电商行为事件大数据中的推送衔接数据和所述推送衔接数据对应的推送衔接属性。
本实施例中，通过确定电商行为事件大数据中的推送衔接数据和所述推送衔接数据对应的推送衔接属性，可以便于后续进行针对性的特定电商意图挖掘。
步骤S105所描述的基于所述第二知识点联系信息和所述第一知识点联系信息，确定所述电商行为事件大数据中的推送衔接数据和所述推送衔接数据对应的推送衔接属性的步骤，具体可以包括以下步骤S1051和步骤S1052的具体实施步骤。
步骤S1051，基于所述成员知识点联系信息中的内容推送活动向量，确定所述电商行为事件大数据中的所述推送衔接数据。
步骤S1052，基于所述成员知识点联系信息中的内容推送活动向量所对应的所述内容推送ID，从所述长短期记忆网络、所述门控制循环网络或所述生成对抗网络中，获取具有所述内容推送ID的所述目标推送衔接属性，将获取到的所述目标推送衔接属性确定为所述推送衔接数据对应的推送衔接属性。
例如，在所述基于所述成员知识点联系信息中的内容推送活动向量所对应的所述内容推送ID，从所述长短期记忆网络、所述门控制循环网络或所述生成对抗网络中，以下步骤K1-步骤K3的具体实施方式包括：
步骤K1，基于所述成员知识点联系信息中的内容推送活动向量所对应的所述内容推送ID，生成用于在所述长短期记忆网络中获取所述目标推送衔接属性的第一衔接属性解析指令，当基于所述第一衔接属性解析指令未从所述长短期记忆网络中获取到所述目标推送衔接属性时，基于所述第一衔接属性解析指令，生成用于在所述门控制循环网络中获取所述目标推送衔接属性的第二衔接属性解析指令。
步骤K2，当基于所述第二衔接属性解析指令未从所述门控制循环网络中获取到所述目标推送衔接属性时，基于所述第二衔接属性解析指令，生成用于在所述生成对抗网络中获取所述目标推送衔接属性的第三衔接属性解析指令。
步骤K3，基于所述第三衔接属性解析指令，从所述生成对抗网络中获取所述目标推送衔接属性。
值得说明的是，在执行上述步骤K1-步骤K3的具体实施方式时，所述基于所述成员知识点联系信息中的内容推送活动向量所对应的所述内容推送ID，从所述长短期记忆网络、所述门控制循环网络或所述生成对抗网络中，提高计算效率。
基于以上步骤，所述标的内容推送活动向量的分布量为多个；所述方法还包括以下步骤H1-步骤H6的具体实施方式。
步骤H1，在所述目标第一知识点联系信息的分布量不大于所述第一预设分布量时，将与各个标的内容推送活动向量之间的联系度量值最大的内容推送活动向量所在的第一知识点联系信息，分别确定为所述各个标的内容推送活动向量对应的候选知识点联系信息。
步骤H2，将所述各个标的内容推送活动向量对应的候选知识点联系信息中的内容传递活动向量所关联的推送衔接属性，分别确定为所述各个标的内容推送活动向量对应的候选推送衔接属性。
例如，所述候选推送衔接属性代表内容传递活动向量所关联的推送衔接属性。
步骤H3，基于所述各个标的内容推送活动向量对应的候选推送衔接属性，确定待预测推送衔接属性对应的多个成员属性。
例如，多个成员属性代表各个标的内容推送活动向量对应的候选推送衔接属性。
步骤H4，获取多个成员属性在多个第一知识点联系信息的内容传递活动向量所关联的推送衔接属性中的第一分布权重信息。
例如，所述第一分布权重信息代表多个成员属性的计算结果进行确定的结果。
步骤H5，基于所述第一分布权重信息，确定所述各个标的内容推送活动向量针对所述待预测推送衔接属性的第一目标成员属性。
例如，所述第一目标成员属性代表第一分布权重信息的平均计算值。
步骤H6，将分别具有所述各个标的内容推送活动向量对应的第一目标成员属性的所述待预测推送衔接属性，确定为与所述各个标的内容推送活动向量相对应的推送衔接属性；多个成员属性在与所述各个标的内容推送活动向量相对应的推送衔接属性中的第二分布权重信息，等于所述第一分布权重信息。
基于以上步骤，所述方法还包括以下步骤Y1-步骤Y3的具体实施方式。
步骤Y1，在所述目标第一知识点联系信息的分布量大于所述第二预设分布量时，确定待预测推送衔接属性的多个成员属性在所述目标第一知识点联系信息的内容传递路径知识点所关联的推送衔接属性中的出现频率。
例如，多个成员属性，是基于所述目标第一知识点联系信息中的内容传递活动向量所关联的推送衔接属性进行确定的。
步骤Y2，基于所述标的内容推送活动向量与所述目标第一知识点联系信息之间的联系度量值、以及所述出现频率，从多个成员属性中，确定所述标的内容推送活动向量针对所述待预测推送衔接属性的第二目标成员属性。
步骤Y3，将具有所述第二目标成员属性的所述待预测推送衔接属性，确定为与所述标的内容推送活动向量相对应的推送衔接属性。
基于以上步骤，所述方法还包括以下步骤W1-步骤W9的具体实施方式。
步骤W1，将所述第一知识点联系信息中的内容传递活动向量所关联的推送衔接属性，确定为所述第一知识点联系信息所关联的推送衔接属性。
步骤W2，将所述第一知识点联系信息和所述第二知识点联系信息，确定为所述电商行为事件大数据中的成员知识点联系信息。
步骤W3，将所述成员知识点联系信息所关联的推送衔接属性，确定为目标推送衔接属性。
步骤W4，为所述目标推送衔接属性与所在的所述成员知识点联系信息中的内容推送活动向量配置相同的内容推送ID。
步骤W5，将具有所述内容推送ID的所述目标推送衔接属性，分别传递到长短期记忆网络、门控制循环网络以及生成对抗网络。
步骤W6，其中：
从所述长短期记忆网络中决策所述目标推送衔接属性的代价，大于从所述门控制循环网络中决策所述目标推送衔接属性的代价。
步骤W7，从所述门控制循环网络中决策所述目标推送衔接属性的代价，大于从所述生成对抗网络中决策所述目标推送衔接属性的代价。
步骤W8，所述长短期记忆网络针对所述目标推送衔接属性的损失，小于所述门控制循环网络针对所述目标推送衔接属性的损失。
步骤W9，所述门控制循环网络针对所述目标推送衔接属性的损失，小于所述生成对抗网络针对所述目标推送衔接属性的损失。
一种示例性的独立构思实施例中，本申请实施例还提供一种基于电商意图大数据挖掘的信息处理方法，可以包括以下步骤。
步骤A110，获取针对所述电商内容服务系统的相关用户对应的电商意图热力图。
本实施例中，电商意图热力图可以用于表达相关用户的电商意图的置信度分布，其具体获得方式可以参见前述实施例的细节描述。
步骤A120，所述电商意图热力图中获取满足预设条件的目标电商意图。
其中，所述预设条件包括电商意图的置信度大于预设置信度，或者电商意图的置信度在预设时间范围的浮动变化率大于预设变化率。
步骤A130，基于所述目标电商意图从热点电商板块中获取对应的热点电商需求数据，并基于所述热点电商需求数据从所述热点电商板块绑定的热点电商内容数据源中获取对应的目标热点电商内容数据后，向所述电商内容服务系统进行内容推荐。
本实施例中，每个热点电商板块都具有对应的与不同电商意图存在映射关系的热点电商需求数据，因此可以针对性地从热点电商板块中获取对应的热点电商需求数据，在确定热点电商需求数据后，可以从所述热点电商板块绑定的热点电商内容数据源(如各大电商平台)中获取对应的目标热点电商内容数据后，向所述电商内容服务系统进行内容推荐。
步骤A140，获取所述电商内容服务系统提交针对所述目标热点电商内容数据的情感倾向特征数据，并依据所述情感倾向特征数据生成对应的目标更新电商需求数据。
基于以上步骤，本实施例通过从电商意图热力图中获取满足预设条件的目标电商意图，基于目标电商意图从热点电商板块中获取对应的热点电商需求数据，并基于热点电商需求数据从热点电商板块绑定的热点电商内容数据源中获取对应的目标热点电商内容数据后，向电商内容服务系统进行内容推荐，获取电商内容服务系统提交针对目标热点电商内容数据的情感倾向特征数据，并依据情感倾向特征数据生成对应的目标更新电商需求数据，由此基于情感倾向特征维度进行电商需求的进一步更新，可以便于后续基于目标更新电商需求数据进行内容推荐优化，提高内容推荐与相关用户的匹配度。
一种可基于独立构思的实施例中，步骤A140可以通过以下示例性的步骤实现。
步骤A141，获取所述电商内容服务系统发送的情感倾向特征数据，其中，所述情感倾向特征数据代表所述电商内容服务系统当前针对所述目标热点电商内容数据中每个浏览内容的情感倾向状态特征。
步骤A142，对所述情感倾向特征数据进行挖掘，获得所述情感倾向特征数据中携带的所述电商内容服务系统反馈当前针对所述目标热点电商内容数据中每个浏览内容的情感倾向状态特征的反馈业务节点。
步骤A143，依据预先存储的业务上线路径确定所述反馈业务节点对应的业务上线节点，其中，在所述业务上线路径下所述反馈业务节点与所述业务上线节点之间存在映射特征。
步骤A144，获取所述电商内容服务系统在所述业务上线节点对应的业务服务板块内反馈标的电商内容得到的标的电商内容数据。
步骤A145，对所述标的电商内容数据进行挖掘，并依据挖掘特征数据和所述情感倾向特征数据表征的所述电商内容服务系统当前针对所述目标热点电商内容数据中每个浏览内容的情感倾向状态特征，生成对应的目标更新电商需求数据。
步骤A146，将所述目标更新电商需求数据下发到所述电商内容服务系统，其中，所述电商内容服务系统用于依据所述目标更新电商需求数据进行订阅优化指引。
一种可基于独立构思的实施例中，步骤A145可以通过以下示例性的步骤实现。
步骤A1451，对候选电商内容数据进行扩展，获得扩展电商内容数据，其中，所述候选电商内容数据为所述电商内容服务系统在所述业务上线节点对应的业务服务板块内反馈标的电商内容得到的所述标的电商内容数据，所述候选电商内容数据包括持续定点浏览的多个电商内容对象。
步骤A1452，对所述扩展电商内容数据进行挖掘，获得电商内容特征数据。
步骤A1453，分析所述情感倾向特征数据表征的所述电商内容服务系统当前针对所述目标热点电商内容数据中每个浏览内容的情感倾向状态特征是否与所述电商内容特征数据存在有效关联性。
步骤A1454，若所述情感倾向特征数据表征的所述电商内容服务系统当前针对所述目标热点电商内容数据中每个浏览内容的情感倾向状态特征与所述电商内容特征数据存在有效关联性，则依据所述电商内容特征数据生成对应的目标更新电商需求数据。
一种可基于独立构思的实施例中，步骤A1451中对候选电商内容数据进行扩展，获得扩展电商内容数据，具体可以包括：
(1)对应于候选电商内容数据包括的多个电商内容主题特征中的每个电商内容主题特征，确定该电商内容主题特征与每个其它电商内容主题特征之间的知识点关联度。
(2)依据每两个所述电商内容主题特征之间的所述知识点关联度，对所述候选电商内容数据包括的多个电商内容主题特征进行聚类，以聚集所述多个电商内容主题特征中的关联电商内容主题特征，获得多个候选电商内容数据对象。
(3)对应于每个所述候选电商内容数据对象，确定该候选电商内容数据对象与其它每个候选电商内容数据对象之间的知识点关联度的汇总关联度，获得该候选电商内容数据对象对应的参考关联度。
(4)依据每个所述候选电商内容数据对象对应的参考关联度确定出多个目标候选电商内容数据对象，并依据所述多个目标候选电商内容数据对象中每个目标候选电商内容数据对象与所述多个目标候选电商内容数据对象之外的其它每个候选电商内容数据对象之间的知识点关联度，将所述多个候选电商内容数据对象进行聚团，获得多个候选电商内容数据对象团。
(5)将预设的多个在先兴趣目标分别与每个所述候选电商内容数据对象团包括的候选电商内容数据对象进行关联分析，确定每个所述候选电商内容数据对象团中具有所述在先兴趣目标的候选电商内容数据对象的频度，获得每个所述候选电商内容数据对象团对应的第一频度。
(6)对应于每个所述候选电商内容数据对象团，依据该候选电商内容数据对象团对应的第一频度和该候选电商内容数据对象团包括的候选电商内容数据对象的频度，获得该候选电商内容数据对象团对应的第一对比频度。
(7)对应于每个所述候选电商内容数据对象团，依据该候选电商内容数据对象团对应的第一频度和所述多个在先兴趣目标的频度，获得该候选电商内容数据对象团对应的第二对比频度。
(8)依据每个所述候选电商内容数据对象团对应的第一对比频度和第二对比频度，在多个所述候选电商内容数据对象团中确定出至少一个目标候选电商内容数据对象团，并在所述至少一个目标候选电商内容数据对象团包括的候选电商内容数据对象中，确定出多个扩展电商内容数据对象，并依据所述多个扩展电商内容数据对象构成扩展电商内容数据。
一种可基于独立构思的实施例中，在执行所述将所述目标更新电商需求数据下发到所述电商内容服务系统的步骤之后，本申请实施例还提供一种基于电商需求大数据挖掘的内容推送更新方法，包括以下步骤。
步骤B110，获取所述电商内容服务系统基于所述目标更新电商需求数据的电商需求订阅数据，其中，所述电商需求订阅数据代表所述电商内容服务系统基于所述目标更新电商需求数据之后，是否已经依据所述目标更新电商需求数据进行订阅优化指引订阅的电商需求，所述电商内容服务系统依据订阅所述电商需求请求对应的特定电商内容。
步骤B120，依据所述电商需求订阅数据的订阅行为确定是否对所述电商内容服务系统执行内容推送更新，其中，若所述电商需求订阅数据表征所述电商内容服务系统基于所述目标更新电商需求数据之后，已经依据所述目标更新电商需求数据进行订阅优化指引订阅的电商需求，则确定对所述电商内容服务系统执行所述内容推送更新，若所述电商需求订阅数据表征所述电商内容服务系统基于所述目标更新电商需求数据之后，未依据所述目标更新电商需求数据进行订阅优化指引订阅的电商需求，则确定不对所述电商内容服务系统执行所述内容推送更新。
步骤B130，若确定对所述电商内容服务系统执行所述内容推送更新，则生成对所述电商内容服务系统进行内容推送更新的内容推送模板，并基于所述内容推送模板对所述电商内容服务系统执行所述内容推送更新。
下面介绍本公开实施例提供的用于实现上述的采用AI和大数据分析的电商内容推荐方法的大数据系统100的硬件结构，大数据系统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存储的计算机执行指令，使得处理器110可以执行如上方法实施例的采用AI和大数据分析的电商内容推荐方法，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商内容服务系统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系统100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
此外，本公开实施例还提供一种可读存储介质，所述可读存储介质中预设有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上采用AI和大数据分析的电商内容推荐方法。
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一致。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)

1.一种采用AI和大数据分析的电商内容推荐方法，其特征在于，应用于与所述电商内容服务系统通信连接的大数据系统，所述方法包括：
提取与热点电商板块关联的电商内容服务系统的电商行为事件大数据中的推送衔接数据和所述推送衔接数据对应的推送衔接属性，将推送衔接属性满足预设要求的推送衔接数据作为目标推送挖掘数据；
基于预先训练的电商意图决策模型对所述目标推送挖掘数据进行电商意图决策，获得所述目标推送挖掘数据对应的电商意图热力图；
基于所述目标推送挖掘数据对应的电商意图热力图对所述电商内容服务系统进行与所述热点电商板块对应的电商内容推荐。
2.根据权利要求1所述的采用AI和大数据分析的电商内容推荐方法，其特征在于，所述提取与热点电商板块关联的电商内容服务系统的电商行为事件大数据中的推送衔接数据和所述推送衔接数据对应的推送衔接属性的步骤，包括：
获取电商行为事件大数据中的内容传递活动向量和内容推送活动向量；
依据所述电商行为事件大数据中的内容传递活动向量和内容推送活动向量之间的联系向量，对所述电商行为事件大数据中的内容传递活动向量和内容推送活动向量进行知识点联系，获得第一知识点联系信息；
将知识点联系成功的内容推送活动向量确定为标的内容推送活动向量，基于所述第一知识点联系信息中的内容推送活动向量与所述标的内容推送活动向量之间的联系度量值，确定与所述标的内容推送活动向量相对应的推送衔接属性；
对与所述标的内容推送活动向量相对应的推送衔接属性和所述标的内容推送活动向量进行知识点联系，获得第二知识点联系信息；
基于所述第二知识点联系信息和所述第一知识点联系信息，确定所述电商行为事件大数据中的推送衔接数据和所述推送衔接数据对应的推送衔接属性；
其中，所述获取电商行为事件大数据中的内容传递活动向量和内容推送活动向量，包括：
获取所述电商行为事件大数据中的多个内容传递路径知识点和多个内容推送路径知识点；
获取多个内容传递路径知识点之间的第一知识点关联度和第一知识点趋势信息，获取多个内容推送路径知识点之间的第二知识点关联度和第二知识点趋势信息；
基于所述第一知识点关联度和所述第一知识点趋势信息，对多个内容传递路径知识点进行解析，获得所述电商行为事件大数据中的内容传递活动向量；一个内容传递活动向量包括一个或多个内容传递路径知识点；
基于所述第二知识点关联度和所述第二知识点趋势信息，对多个内容推送路径知识点进行解析，获得所述电商行为事件大数据中的内容推送活动向量；一个内容推送活动向量包括一个或多个内容推送路径知识点。
3.根据权利要求2所述的采用AI和大数据分析的电商内容推荐方法，其特征在于，所述依据所述电商行为事件大数据中的内容传递活动向量和内容推送活动向量之间的联系向量，对所述电商行为事件大数据中的内容传递活动向量和内容推送活动向量进行知识点联系，获得第一知识点联系信息，包括：
将所述电商行为事件大数据中的内容推送活动向量确定为成员内容推送活动向量，将所述电商行为事件大数据中的内容传递活动向量确定为成员内容传递活动向量；所述成员内容推送活动向量中的内容推送路径知识点是从针对所述电商行为事件大数据的目标解析路径知识点中所获取的；
获取所述目标解析路径知识点中的内容传递路径知识点；将所述目标解析路径知识点中的内容传递路径知识点与所述成员内容传递活动向量中的内容传递路径知识点之间的知识点关联度，确定为所述成员内容推送活动向量与所述成员内容传递活动向量之间的所述联系向量；
在所述联系向量不小于预设联系度量值时，对所述成员内容推送活动向量和所述成员内容传递活动向量进行知识点联系，获得所述第一知识点联系信息。
4.根据权利要求2所述的采用AI和大数据分析的电商内容推荐方法，其特征在于，所述标的内容推送活动向量包括所述电商行为事件大数据中的第一内容推送路径知识点；所述第一知识点联系信息的分布量为多个；各个第一知识点联系信息中的内容推送活动向量分别包括所述电商行为事件大数据中的第二内容推送路径知识点；所述基于所述第一知识点联系信息中的内容推送活动向量与所述标的内容推送活动向量之间的联系度量值，确定与所述标的内容推送活动向量相对应的推送衔接属性，包括：
基于所述第一内容推送路径知识点，获取所述标的内容推送活动向量的第一操作意图表达信息；
基于所述各个第一知识点联系信息包括的第二内容推送路径知识点，分别获取所述各个第一知识点联系信息中的内容推送活动向量的第二操作意图表达信息；
获取所述第一操作意图表达信息分别与所述各个第一知识点联系信息对应的第二操作意图表达信息之间的关联分析信息；
基于所述各个第一知识点联系信息对应的关联分析信息，确定所述各个第一知识点联系信息中的内容推送活动向量分别与所述标的内容推送活动向量之间的联系度量值；在目标第一知识点联系信息的分布量大于第一预设分布量且不大于第二预设分布量时，将所述目标第一知识点联系信息中的内容传递活动向量所关联的推送衔接属性，确定为与所述标的内容推送活动向量相对应的推送衔接属性；所述目标第一知识点联系信息，指对应的联系度量值不小于预设联系度量值的第一知识点联系信息。
5.根据权利要求4所述的采用AI和大数据分析的电商内容推荐方法，其特征在于，所述第一内容推送路径知识点的知识点分布量为多个；所述基于所述第一内容推送路径知识点获取所述标的内容推送活动向量的第一操作意图表达信息，包括：
获取多个第一内容推送路径知识点中的各个第一内容推送路径知识点各自对应的知识点意图变量；
基于所述各个第一内容推送路径知识点各自对应的知识点意图变量，获取多个第一内容推送路径知识点对应的第一融合意图变量；
将所述第一融合意图变量，确定为所述第一操作意图表达信息。
6.根据权利要求4所述的采用AI和大数据分析的电商内容推荐方法，其特征在于，多个第一知识点联系信息包括第一知识点联系信息i，i为不大于多个第一知识点联系信息的全局分布量的正整数；所述第一知识点联系信息i包括的第二内容推送路径知识点的知识点分布量为多个；所述基于所述各个第一知识点联系信息包括的第二内容推送路径知识点，分别获取所述各个第一知识点联系信息中的内容推送活动向量的第二操作意图表达信息，包括：
获取所述第一知识点联系信息i包括的多个第二内容推送路径知识点中的各个第二内容推送路径知识点各自对应的知识点意图变量；
基于所述各个第二内容推送路径知识点各自对应的知识点意图变量，获取多个第二内容推送路径知识点对应的第二融合意图变量；
将所述第二融合意图变量，确定为所述第一知识点联系信息i中的内容推送活动向量的第二操作意图表达信息。
7.根据权利要求4所述的采用AI和大数据分析的电商内容推荐方法，其特征在于，所述标的内容推送活动向量的分布量为多个；所述方法还包括：
在所述目标第一知识点联系信息的分布量不大于所述第一预设分布量时，将与各个标的内容推送活动向量之间的联系度量值最大的内容推送活动向量所在的第一知识点联系信息，分别确定为所述各个标的内容推送活动向量对应的候选知识点联系信息；
将所述各个标的内容推送活动向量对应的候选知识点联系信息中的内容传递活动向量所关联的推送衔接属性，分别确定为所述各个标的内容推送活动向量对应的候选推送衔接属性；
基于所述各个标的内容推送活动向量对应的候选推送衔接属性，确定待预测推送衔接属性对应的多个成员属性；
获取多个成员属性在多个第一知识点联系信息的内容传递活动向量所关联的推送衔接属性中的第一分布权重信息；
基于所述第一分布权重信息，确定所述各个标的内容推送活动向量针对所述待预测推送衔接属性的第一目标成员属性；
将分别具有所述各个标的内容推送活动向量对应的第一目标成员属性的所述待预测推送衔接属性，确定为与所述各个标的内容推送活动向量相对应的推送衔接属性；多个成员属性在与所述各个标的内容推送活动向量相对应的推送衔接属性中的第二分布权重信息，等于所述第一分布权重信息。
8.根据权利要求4所述的采用AI和大数据分析的电商内容推荐方法，其特征在于，所述方法还包括：
在所述目标第一知识点联系信息的分布量大于所述第二预设分布量时，确定待预测推送衔接属性的多个成员属性在所述目标第一知识点联系信息的内容传递路径知识点所关联的推送衔接属性中的出现频率；多个成员属性，是基于所述目标第一知识点联系信息中的内容传递活动向量所关联的推送衔接属性进行确定的；
基于所述标的内容推送活动向量与所述目标第一知识点联系信息之间的联系度量值、以及所述出现频率，从多个成员属性中，确定所述标的内容推送活动向量针对所述待预测推送衔接属性的第二目标成员属性；
将具有所述第二目标成员属性的所述待预测推送衔接属性，确定为与所述标的内容推送活动向量相对应的推送衔接属性。
9.根据权利要求4所述的采用AI和大数据分析的电商内容推荐方法，其特征在于，所述方法还包括：
将所述第一知识点联系信息中的内容传递活动向量所关联的推送衔接属性，确定为所述第一知识点联系信息所关联的推送衔接属性；
将所述第一知识点联系信息和所述第二知识点联系信息，确定为所述电商行为事件大数据中的成员知识点联系信息；
将所述成员知识点联系信息所关联的推送衔接属性，确定为目标推送衔接属性；
为所述目标推送衔接属性与所在的所述成员知识点联系信息中的内容推送活动向量配置相同的内容推送ID；
将具有所述内容推送ID的所述目标推送衔接属性，分别传递到长短期记忆网络、门控制循环网络以及生成对抗网络；
其中：
从所述长短期记忆网络中决策所述目标推送衔接属性的代价，大于从所述门控制循环网络中决策所述目标推送衔接属性的代价；
从所述门控制循环网络中决策所述目标推送衔接属性的代价，大于从所述生成对抗网络中决策所述目标推送衔接属性的代价；
所述长短期记忆网络针对所述目标推送衔接属性的损失，小于所述门控制循环网络针对所述目标推送衔接属性的损失；
所述门控制循环网络针对所述目标推送衔接属性的损失，小于所述生成对抗网络针对所述目标推送衔接属性的损失；
所述基于所述第二知识点联系信息和所述第一知识点联系信息，确定所述电商行为事件大数据中的推送衔接数据和所述推送衔接数据对应的推送衔接属性，包括：
基于所述成员知识点联系信息中的内容推送活动向量，确定所述电商行为事件大数据中的所述推送衔接数据；
基于所述成员知识点联系信息中的内容推送活动向量所对应的所述内容推送ID，从所述长短期记忆网络、所述门控制循环网络或所述生成对抗网络中，获取具有所述内容推送ID的所述目标推送衔接属性，将所述目标推送衔接属性确定为所述推送衔接数据对应的推送衔接属性。
10.一种大数据系统，其特征在于，包括机器可读存储介质和处理器，所述机器可读存储介质存储有计算机程序，所述处理器执行所述计算机程序时以执行权利要求1-9中任意一项所述的采用AI和大数据分析的电商内容推荐方法。
CN202111503592.5A 2021-12-09 2021-12-09 采用ai和大数据分析的电商内容推荐方法及大数据系统 Active CN114155064B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111503592.5A CN114155064B (zh) 2021-12-09 2021-12-09 采用ai和大数据分析的电商内容推荐方法及大数据系统
CN202210831090.3A CN115204977A (zh) 2021-12-09 2021-12-09 采用ai和大数据分析的电商内容推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111503592.5A CN114155064B (zh) 2021-12-09 2021-12-09 采用ai和大数据分析的电商内容推荐方法及大数据系统

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202210831090.3A Division CN115204977A (zh) 2021-12-09 2021-12-09 采用ai和大数据分析的电商内容推荐方法及系统

Publications (2)

Publication Number Publication Date
CN114155064A true CN114155064A (zh) 2022-03-08
CN114155064B CN114155064B (zh) 2022-08-16

Family

ID=80453951

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202210831090.3A Withdrawn CN115204977A (zh) 2021-12-09 2021-12-09 采用ai和大数据分析的电商内容推荐方法及系统
CN202111503592.5A Active CN114155064B (zh) 2021-12-09 2021-12-09 采用ai和大数据分析的电商内容推荐方法及大数据系统

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202210831090.3A Withdrawn CN115204977A (zh) 2021-12-09 2021-12-09 采用ai和大数据分析的电商内容推荐方法及系统

Country Status (1)

Country Link
CN (2) CN115204977A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114155039A (zh) * 2021-12-10 2022-03-08 云南联达信息科技有限公司 基于电商意图大数据挖掘的信息处理方法及大数据系统
CN114666532A (zh) * 2022-03-25 2022-06-24 王国政 一种在视频会议应用环境下的业务处理方法及系统
CN114781624A (zh) * 2022-05-23 2022-07-22 百色市恒赢电脑网络有限公司 基于大数据分析的用户行为意图挖掘方法及大数据系统
CN114896502A (zh) * 2022-05-23 2022-08-12 天津市邦泽科技有限公司 应用ai和大数据分析的用户需求决策方法及互联网系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160086250A1 (en) * 2014-09-24 2016-03-24 Wipro Limited Systems and methods for providing product recommendations
WO2020082800A1 (zh) * 2018-10-23 2020-04-30 平安医疗健康管理股份有限公司 信息推送方法、装置、服务器及计算机可读存储介质
CN112671886A (zh) * 2020-12-21 2021-04-16 刚倩 基于边缘计算和人工智能的信息推送方法及大数据服务器
CN113361793A (zh) * 2021-06-21 2021-09-07 深圳市鸿业电线有限公司 应用于电子商务服务的大数据挖掘方法及人工智能分析系统
CN113361795A (zh) * 2021-06-21 2021-09-07 深圳市鸿业电线有限公司 基于电商产品推送和大数据的信息展示方法及云计算系统
CN113592550A (zh) * 2021-07-31 2021-11-02 李德财 基于大数据的在线电子商务推荐方法及大数据ai系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160086250A1 (en) * 2014-09-24 2016-03-24 Wipro Limited Systems and methods for providing product recommendations
WO2020082800A1 (zh) * 2018-10-23 2020-04-30 平安医疗健康管理股份有限公司 信息推送方法、装置、服务器及计算机可读存储介质
CN112671886A (zh) * 2020-12-21 2021-04-16 刚倩 基于边缘计算和人工智能的信息推送方法及大数据服务器
CN113361793A (zh) * 2021-06-21 2021-09-07 深圳市鸿业电线有限公司 应用于电子商务服务的大数据挖掘方法及人工智能分析系统
CN113361795A (zh) * 2021-06-21 2021-09-07 深圳市鸿业电线有限公司 基于电商产品推送和大数据的信息展示方法及云计算系统
CN113592550A (zh) * 2021-07-31 2021-11-02 李德财 基于大数据的在线电子商务推荐方法及大数据ai系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114155039A (zh) * 2021-12-10 2022-03-08 云南联达信息科技有限公司 基于电商意图大数据挖掘的信息处理方法及大数据系统
CN114666532A (zh) * 2022-03-25 2022-06-24 王国政 一种在视频会议应用环境下的业务处理方法及系统
CN114781624A (zh) * 2022-05-23 2022-07-22 百色市恒赢电脑网络有限公司 基于大数据分析的用户行为意图挖掘方法及大数据系统
CN114896502A (zh) * 2022-05-23 2022-08-12 天津市邦泽科技有限公司 应用ai和大数据分析的用户需求决策方法及互联网系统
CN114781624B (zh) * 2022-05-23 2023-01-10 上海行蕴信息科技有限公司 基于大数据分析的用户行为意图挖掘方法及大数据系统
CN114896502B (zh) * 2022-05-23 2023-04-07 深圳市领深信息技术有限公司 应用ai和大数据分析的用户需求决策方法及互联网系统

Also Published As

Publication number Publication date
CN114155064B (zh) 2022-08-16
CN115204977A (zh) 2022-10-18

Similar Documents

Publication Publication Date Title
CN114155064B (zh) 采用ai和大数据分析的电商内容推荐方法及大数据系统
Ho et al. Joint server selection, cooperative offloading and handover in multi-access edge computing wireless network: A deep reinforcement learning approach
CN114155039A (zh) 基于电商意图大数据挖掘的信息处理方法及大数据系统
Gentile et al. On context-dependent clustering of bandits
JP7052037B2 (ja) 融合データ処理方法及び情報推薦システム
Gong et al. DE/BBO: a hybrid differential evolution with biogeography-based optimization for global numerical optimization
Han et al. Adaptive transfer learning on graph neural networks
Lee et al. Opportunistic federated learning: An exploration of egocentric collaboration for pervasive computing applications
KR20110002809A (ko) 신축적 컴퓨팅 시스템 및 환경을 포함하는 컴퓨팅 시스템 및 환경에 대한 실행 할당 비용 평가
Shahidinejad et al. Context-aware multi-user offloading in mobile edge computing: a federated learning-based approach
Feng et al. Atbrg: Adaptive target-behavior relational graph network for effective recommendation
CN115114531B (zh) 基于电商行为大数据的信息推送方法及人工智能预测系统
Karimi et al. Exploiting the characteristics of matrix factorization for active learning in recommender systems
CN103942197A (zh) 数据监控处理方法及设备
Li et al. An intelligent collaborative inference approach of service partitioning and task offloading for deep learning based service in mobile edge computing networks
Ni et al. MSCET: A multi-scenario offloading schedule for biomedical data processing and analysis in cloud-edge-terminal collaborative vehicular networks
Peddi Comparative study on cloud optimized resource and prediction using machine learning algorithm
CN111368060B (zh) 对话机器人的自学习方法、装置、系统、电子设备及介质
Mahfoudh et al. Coordination model with reinforcement learning for ensuring reliable on-demand services in collective adaptive systems
Laboudi et al. An adaptive context-aware optimization framework for multimedia adaptation service selection
Fu et al. Using NearestGraph QoS prediction method for service recommendation in the cloud
Abdechiri et al. Efficacy of utilizing a hybrid algorithmic method in enhancing the functionality of multi-instance multi-label radial basis function neural networks
CN105335362A (zh) 实时数据的处理方法及系统、即时处理系统
Shvedenko et al. A method for digital twin generation based on the aggregation of information objects
Hung et al. Map/reduce affinity propagation clustering algorithm

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220615

Address after: 515100 No. 15, Sizhi lane, Nanxing Road District, Houpu Town, Chaoyang District, Shantou City, Guangdong Province

Applicant after: Lin Heyin

Address before: 056000 33-2-12, XINKEYUAN West District, Handan City, Hebei Province

Applicant before: Handan Junyi Big Data Service Co.,Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220728

Address after: 430070 Room 501, 1-5 / F, building 3-13, optical valley core center, No. 303, optical valley Avenue, fozuling street, East Lake New Technology Development Zone, Wuhan, Hubei Province

Applicant after: ChinaSoft digital intelligence information technology (Wuhan) Co.,Ltd.

Address before: 515100 No. 15, Sizhi lane, Nanxing Road District, Houpu Town, Chaoyang District, Shantou City, Guangdong Province

Applicant before: Lin Heyin

GR01 Patent grant
GR01 Patent grant