CN114218363B - 基于大数据和ai的服务内容生成方法及人工智能云系统 - Google Patents

基于大数据和ai的服务内容生成方法及人工智能云系统 Download PDF

Info

Publication number
CN114218363B
CN114218363B CN202111396436.3A CN202111396436A CN114218363B CN 114218363 B CN114218363 B CN 114218363B CN 202111396436 A CN202111396436 A CN 202111396436A CN 114218363 B CN114218363 B CN 114218363B
Authority
CN
China
Prior art keywords
data
intention
conversation process
session
distribution
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.)
Active
Application number
CN202111396436.3A
Other languages
English (en)
Other versions
CN114218363A (zh
Inventor
赵运柱
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Lingshen Information Technology Co ltd
Original Assignee
Shenzhen Lingshen Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Lingshen Information Technology Co ltd filed Critical Shenzhen Lingshen Information Technology Co ltd
Priority to CN202111396436.3A priority Critical patent/CN114218363B/zh
Publication of CN114218363A publication Critical patent/CN114218363A/zh
Application granted granted Critical
Publication of CN114218363B publication Critical patent/CN114218363B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Abstract

本公开实施例提供一种基于大数据和AI的服务内容生成方法及人工智能云系统，通过将各个业务会话流程的会话流程意图数据及会话流程交互数据进行整合，得到每个业务会话流程的数据关联分布，两个业务会话流程之间的相关性参数可以用于衡量这两个业务会话流程的意图倾向参考情况，故而通过两个业务会话流程之间的相关性参数，可以获取到这两个业务会话流程之间的意图需求关系，从而提高了后续服务内容与实际用户意图的匹配精度。同时，基于业务会话流程的会话流程交互数据及会话流程意图数据，对不同业务会话流程间的意图需求关系进行智能识别，提高了内容推送过程中的准确性。

Description

基于大数据和AI的服务内容生成方法及人工智能云系统
技术领域
本公开涉及互联网内容服务技术领域，示例性地，涉及一种基于大数据和AI的服务内容生成方法及人工智能云系统。
背景技术
随着大数据和人工智能技术的成熟，智能推荐在互联网各个领域已经有所应用，很多互联网服务商都会基于机器学习的思路在各自的产品形态下推出产品相关的内容智能推荐。在相关技术中，针对不同业务会话流程间的意图需求关系进行有效识别，是决定内容推荐是否能够法准确贴合用户需求的关键。基于此，在服务内容生成的过程中，如何有效基于不同业务会话流程间的意图需求关系进行相应的服务内容生成和推送，是本领域亟待研究的技术问题。
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和AI的服务内容生成方法及人工智能云系统。
第一方面，本公开提供一种基于大数据和AI的服务内容生成方法，应用于人工智能云系统，所述人工智能云系统与多个业务请求终端通信连接，所述方法包括：
获取所述业务请求终端的业务操作大数据中的至少两个业务会话流程的会话流程交互数据及会话流程意图数据；
根据每个业务会话流程的会话流程意图数据，确定每个业务会话流程对应的意图共享会话流程，将所述意图共享会话流程的会话流程交互数据，向对应的业务会话流程的会话流程交互数据进行数据关联，得到数据关联分布信息；所述数据关联分布信息包括每个业务会话流程的数据关联分布；
从所述数据关联分布信息中获取第一会话流程的第一数据关联分布，与第二会话流程的第二数据关联分布，获取所述第一数据关联分布与所述第二数据关联分布的相关性参数，基于所述相关性参数识别所述第一会话流程与所述第二会话流程之间的意图需求关系；所述第一会话流程与所述第二会话流程属于所述至少两个业务会话流程；
根据所述第一会话流程与所述第二会话流程之间的意图需求关系，生成向所述业务请求终端推送的个性化服务内容，以将所述个性化服务内容推送给所述业务请求终端。
一种可独立实施的实施例中，所述根据所述第一会话流程与所述第二会话流程之间的意图需求关系，生成向所述业务请求终端推送的个性化服务内容的步骤，包括：
当确定所述第一会话流程与所述第二会话流程之间的意图需求关系为意图兴趣关系时，获取所述第一会话流程与所述第二会话流程之间存在意图兴趣关系的目标会话流程兴趣数据，并将所述目标会话流程兴趣数据输入至会话流程画像预测网络中；
通过所述会话流程画像预测网络对所述目标会话流程兴趣数据进行会话流程画像预测，以获取与所述目标会话流程兴趣数据对应的会话流程画像；
根据所述会话流程画像从所述目标会话流程兴趣数据中获取对应的关键会话活动事件，并根据所述会话流程画像和所述关键会话活动事件生成关注主题分布信息，以根据所述关注主题分布信息确定所述业务请求终端的个性化服务内容。
譬如，一种可独立实施的实施例中，所述会话流程画像预测网络基于参考会话流程兴趣数据和参考收敛参数信息训练得到，所述参考会话流程兴趣数据为正向会话兴趣主题的数量和负向会话兴趣主题的数量不一致的会话流程兴趣数据序列；所述参考收敛参数信息根据会话流程画像分类信息和标的会话流程画像信息确定，其中，所述标的会话流程画像信息为所述参考会话流程兴趣数据中各参考会话流程兴趣数据分片对应的标的会话流程画像信息，所述会话流程画像分类信息为利用所述会话流程画像预测网络获取的所述参考会话流程兴趣数据分片对应的会话流程画像分类信息，所述参考收敛参数信息包括第一收敛参数信息、第二收敛参数信息和收敛参数优化节点信息，所述方法还包括：
获取所述参考会话流程兴趣数据以及与所述参考会话流程兴趣数据中各参考会话流程兴趣数据分片对应的标的会话流程画像信息；
根据所述参考会话流程兴趣数据和所述标的会话流程画像信息对参考会话流程画像预测网络进行训练，以获取所述会话流程画像预测网络。
譬如，一种可独立实施的实施例中，所述会话流程兴趣数据序列包括多个参考会话流程兴趣数据分片，所述参考会话流程画像预测网络包括参考特征提取结构和参考特征预测结构；所述根据所述会话流程兴趣数据序列和所述标的会话流程画像信息对参考会话流程画像预测网络进行训练，以获取所述会话流程画像预测网络，包括：
通过所述参考特征提取结构对各所述参考会话流程兴趣数据分片进行特征提取和画像分量输出，以获取与各所述参考会话流程兴趣数据分片对应的参考会话流程画像分量；
通过所述参考特征预测结构对所述参考会话流程画像分量进行会话流程画像预测，以获取会话流程画像分类信息；
根据各所述参考会话流程兴趣数据分片对应的会话流程画像分类信息和标的会话流程画像信息确定所述参考收敛参数信息，并根据所述参考收敛参数信息调整所述参考会话流程画像预测网络的网络收敛参考信息，直至所述参考收敛参数信息的浮动变化小于设定浮动变化或完成设定次数的训练。
譬如，一种可独立实施的实施例中，所述根据各所述参考会话流程兴趣数据分片对应的会话流程画像分类信息和标的会话流程画像信息确定所述参考收敛参数信息，包括：
根据各所述参考会话流程兴趣数据分片对应的会话流程画像分类信息、所述标的会话流程画像信息中的会话流程画像浮动数据和第二预设会话流程画像信息确定第一网络收敛参考信息；
根据所述第一网络收敛参考信息的延时会话流程画像确定第二网络收敛参考信息；
根据所述第二网络收敛参考信息、所述会话流程画像分类信息、所述会话流程画像浮动数据、正向会话兴趣主题的参考变化数据、参考固定数据和所述收敛参数优化节点信息生成所述参考收敛参数信息。
譬如，一种可独立实施的实施例中，所述根据所述第二网络收敛参考信息、所述会话流程画像分类信息、所述会话流程画像浮动数据、正向会话兴趣主题的参考变化数据、参考固定数据和所述收敛参数优化节点信息生成所述参考收敛参数信息，包括：
根据所述第二网络收敛参考信息、所述会话流程画像分类信息、所述会话流程画像浮动数据和所述正向会话兴趣主题的参考变化数据生成所述第一收敛参数信息；
根据所述第二网络收敛参考信息、所述会话流程画像分类信息、所述会话流程画像浮动数据、所述正向会话兴趣主题的参考变化数据和所述参考固定数据生成所述第二收敛参数信息；
根据所述第一收敛参数信息、所述第二收敛参数信息和所述收敛参数优化节点信息生成所述参考收敛参数信息。
譬如，一种可独立实施的实施例中，根据所述会话流程画像从所述目标会话流程兴趣数据中获取对应的关键会话活动事件，包括：
根据所述会话流程画像对应的画像匹配模板获取目标会话流程兴趣数据对应的第一会话活动事件和第二会话活动事件，所述第一会话活动事件包括所述目标会话流程兴趣数据中不携带会话权限属性的会话活动事件，所述第二会话活动事件包括所述目标会话流程兴趣数据中携带会话权限属性的会话活动事件；
对所述第一会话活动事件进行频繁项挖掘，得到所述第一会话活动事件对应的非动态频繁项特征；
对所述第二会话活动事件进行频繁项挖掘，得到所述第二会话活动事件对应的动态频繁项特征；
对所述动态频繁项特征和所述非动态频繁项特征进行基于频繁项分类概率的特征融合，得到所述目标会话流程兴趣数据对应的兴趣融合特征；
对所述兴趣融合特征进行兴趣点分簇，得到所述目标会话流程兴趣数据对应的分簇信息；
在所述分簇信息满足预设的分簇反馈条件时，通过所述分簇信息所指示的分簇类别属性从所述目标会话流程兴趣数据中获取与所述分簇类别属性匹配的会话活动事件作为所述关键会话活动事件；
其中，所述根据所述会话流程画像对应的画像匹配模板获取目标会话流程兴趣数据对应的第一会话活动事件和第二会话活动事件，包括：
根据所述会话流程画像对应的画像匹配模板，对所述目标会话流程兴趣数据进行会话活动事件切分，得到所述目标会话流程兴趣数据中不携带会话权限属性的第一会话活动事件，将所述目标会话流程兴趣数据中的所述第一会话活动事件进行针对会话业务标签的聚类，作为所述第一会话活动事件；根据所述第一会话活动事件，获取所述目标会话流程兴趣数据中携带会话权限属性的第二会话活动事件，将所述目标会话流程兴趣数据中的所述第二会话活动事件进行针对会话业务标签的聚类，作为所述第二会话活动事件；
其中，所述对所述第一会话活动事件进行频繁项挖掘，得到所述第一会话活动事件对应的非动态频繁项特征，包括：
调用预设频繁项挖掘模型中的第一频繁项特征提取层，对所述第一会话活动事件进行频繁项挖掘，得到所述第一会话活动事件对应的非动态频繁项特征；
其中，所述对所述第二会话活动事件进行频繁项挖掘，得到所述第二会话活动事件对应的动态频繁项特征，包括：
调用所述预设频繁项挖掘模型中的第二频繁项特征提取层，对所述第二会话活动事件进行频繁项挖掘，得到所述第二会话活动事件对应的动态频繁项特征；
其中，所述对所述动态频繁项特征和所述非动态频繁项特征进行基于频繁项分类概率的特征融合，得到所述目标会话流程兴趣数据对应的兴趣融合特征，包括：
调用所述预设频繁项挖掘模型中的特征融合层，对所述动态频繁项特征和所述非动态频繁项特征进行基于频繁项分类概率的特征融合，得到所述目标会话流程兴趣数据对应的兴趣融合特征；
其中，所述对所述兴趣融合特征进行兴趣点分簇，得到所述目标会话流程兴趣数据对应的分簇信息，包括：
调用所述预设频繁项挖掘模型中的分簇层，对所述兴趣融合特征进行兴趣点分簇，得到所述目标会话流程兴趣数据对应的分簇信息；
其中，在所述分簇信息满足预设的分簇反馈条件时，通过所述分簇信息所指示的分簇类别属性从所述目标会话流程兴趣数据中获取与所述分簇类别属性匹配的会话活动事件作为所述关键会话活动事件，包括：
获取所述分簇信息的关键会话活动行为数据；对所述关键会话活动行为数据中的多个会话活动行为数据的活动行为对象分别进行动态轨迹解析和静态轨迹解析，得到动态轨迹解析信息和静态轨迹解析信息；
通过预设的动态轨迹扩展方式，对所述动态轨迹解析信息进行动态轨迹扩展处理，得到包括有动态轨迹的动态会话活动行为数据集；通过预设的静态轨迹扩展方式，对所述静态轨迹解析信息进行静态轨迹扩展处理，得到包括有静态轨迹的静态会话活动行为数据集；
基于所述动态会话活动行为数据集和所述静态会话活动行为数据集进行会话响应频度分析，得到所述关键会话活动行为数据中与目标会话响应指标相匹配的会话活动行为对象；所述目标会话响应指标包括动态轨迹和静态轨迹中的至少一种；
根据所述会话活动行为对象对所述关键会话活动行为数据进行会话订阅量解析，得到会话订阅量解析结果，如果所述会话订阅量解析结果表征所述关键会话活动行为数据对应于订阅量增长趋势状态，则通过所述分簇信息所指示的分簇类别属性对应的从订阅量增长趋势状态的目标会话流程兴趣数据中获取与所述动态轨迹匹配的会话活动事件作为所述关键会话活动事件。
譬如，一种可独立实施的实施例中，根据所述会话流程画像和所述关键会话活动事件生成关注主题分布信息，以根据所述关注主题分布信息确定所述业务请求终端的个性化服务内容，包括：
根据所述会话流程画像对应的会话属性标签信息获取所述关键会话活动事件中的正倾向信息和负倾向信息；基于所述关键会话活动事件中的正倾向信息和负倾向信息之间的倾向比例变化，对所述关键会话活动事件中的正倾向信息和负倾向信息进行倾向对象挖掘，得到倾向对象挖掘信息；
将倾向对象挖掘存在异常的负倾向信息确定为参考负倾向信息，根据所述倾向对象挖掘信息中的负倾向信息与所述参考负倾向信息之间的相似度，确定与所述参考负倾向信息相匹配的个性化标签；对与所述参考负倾向信息相匹配的个性化标签和所述参考负倾向信息进行倾向对象挖掘，得到关键倾向对象信息；根据所述关键倾向对象信息和所述倾向对象挖掘信息，确定所述关键会话活动事件中的关注主题分布信息和所述关注主题分布信息对应的标签化特征；其中，所述标签化特征包括所述关注主题分布信息对应的不同的用户关注属性；
根据所述关注主题分布信息及其对应的标签化特征，采用预设的服务内容数据源对所述业务请求终端进行个性化服务内容推送，得到所述个性化服务内容。
第二方面，本公开实施例还提供一种基于大数据和AI的服务内容生成系统，所述基于大数据和AI的服务内容生成系统包括人工智能云系统以及与所述人工智能云系统通信连接的多个业务请求终端；
所述人工智能云系统，用于：
获取所述业务请求终端的业务操作大数据中的至少两个业务会话流程的会话流程交互数据及会话流程意图数据；
根据每个业务会话流程的会话流程意图数据，确定每个业务会话流程对应的意图共享会话流程，将所述意图共享会话流程的会话流程交互数据，向对应的业务会话流程的会话流程交互数据进行数据关联，得到数据关联分布信息；所述数据关联分布信息包括每个业务会话流程的数据关联分布；
从所述数据关联分布信息中获取第一会话流程的第一数据关联分布，与第二会话流程的第二数据关联分布，获取所述第一数据关联分布与所述第二数据关联分布的相关性参数，基于所述相关性参数识别所述第一会话流程与所述第二会话流程之间的意图需求关系；所述第一会话流程与所述第二会话流程属于所述至少两个业务会话流程；
根据所述第一会话流程与所述第二会话流程之间的意图需求关系，生成向所述业务请求终端推送的个性化服务内容，以将所述个性化服务内容推送给所述业务请求终端。
根据上述任意一个方面，本公开提供的实施方式中，通过将各个业务会话流程的会话流程意图数据及会话流程交互数据进行整合，得到每个业务会话流程的数据关联分布，其中，该数据关联分布是基于业务会话流程与业务会话流程之间联系的分布，对各个业务会话流程的会话流程交互数据进行数据关联，根据数据关联的结果所得到的。因此，两个业务会话流程之间的相关性参数可以用于衡量这两个业务会话流程的意图倾向参考情况，故而通过两个业务会话流程之间的相关性参数，可以获取到这两个业务会话流程之间的意图需求关系，从而提高了后续服务内容与实际用户意图的匹配精度。同时，基于业务会话流程的会话流程交互数据及会话流程意图数据，对不同业务会话流程间的意图需求关系进行智能识别，提高了内容推送过程中的准确性。
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和AI的服务内容生成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和AI的服务内容生成方法的流程示意图；
图3为本公开实施例提供的基于大数据和AI的服务内容生成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和AI的服务内容生成方法的人工智能云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大数据和AI的服务内容生成系统10的应用场景示意图。基于大数据和AI的服务内容生成系统10可以包括人工智能云系统100以及与人工智能云系统100通信连接的业务请求终端200。图1所示的基于大数据和AI的服务内容生成系统10仅为一种可行的示例，在其它可行的实施例中，该基于大数据和AI的服务内容生成系统10也可以仅包括图1所示组成部分的其中的至少部分或者还可以包括其它的组成部分。
一种可独立实施的实施例中，基于大数据和AI的服务内容生成系统10中的人工智能云系统100和业务请求终端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和AI的服务内容生成方法，具体人工智能云系统100和业务请求终端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大数据和AI的服务内容生成方法可以由图1中所示的人工智能云系统100执行，下面对该基于大数据和AI的服务内容生成方法进行详细介绍。
一种实施例中，本公开实施例适用于各个线上应用服务，该线上应用服务是指不同会话流程间可以存在意图关联关系的线上应用服务。
其中，人工智能云系统100可以获取到线上应用服务的至少两个业务会话流程，获取每个业务会话流程的会话流程意图数据及会话流程交互数据，其中，该会话流程意图数据是指根据该业务会话流程与其它业务会话流程之间的会话流程意图（如对某个对象持续关注或者对某个对象进行屏蔽）响应或者识别所得到的数据，会话流程交互数据是指针对该业务会话流程的交互活动（如办公协同交互、智慧医疗协同交互）所得到的数据。一种实施例中，人工智能云系统100可以从会话流程的服务进程(如会话流程的服务进程102a、会话流程的服务进程102b及会话流程的服务进程102c等)中，获取该会话流程的服务进程对应的业务会话流程的会话流程意图数据及会话流程交互数据是，根据获取到的会话流程意图数据生成该业务会话流程的会话流程意图数据，根据获取到的会话流程交互数据是生成该业务会话流程的会话流程交互数据。
人工智能云系统100将每个业务会话流程的会话流程意图数据及会话流程交互数据，输入完成训练的会话流程意图人工智能模型中，生成数据关联分布信息，该数据关联分布信息包括每个业务会话流程的数据关联分布，该数据关联分布是指既可以反应对应的业务会话流程的会话流程交互数据，又可以反应对应的业务会话流程的会话流程意图数据的特征。当人工智能云系统100获取到第一会话流程的会话流程响应请求(或者说会话流程优化请求)时，人工智能云系统100可以获取该第一会话流程的会话流程节点序列，从数据关联分布信息中获取该第一会话流程的第一数据关联分布，以及该会话流程节点序列中包括的第二会话流程的第二数据关联分布，其中，该第一会话流程可以是至少两个业务会话流程中的任意一个业务会话流程。
人工智能云系统100可以获取该第一数据关联分布及第二数据关联分布的相关性参数，当相关性参数大于预设相关性参数时，可以认为第一会话流程与第二会话流程之间的意图倾向值较大，该第二会话流程存在意图需求关系，则将该第二会话流程确定为需求会话流程；当相关性参数小于或等于预设相关性参数时，可以认为第一会话流程与第二会话流程之间的意图倾向值较低，该第二会话流程是第一会话流程不存在意图需求的会话流程。其中，该数据关联分布是对应的业务会话流程的会话流程交互数据与会话流程意图数据结合后的特征，因此，数据关联分布之间的相关性参数越大，对应的业务会话流程之间需要保留意图关联关系的可能性就越高，通过这种特征融合，提高了业务会话流程与业务会话流程之间的意图需求关系的识别的准确性。通过基于会话流程的特征对业务会话流程与业务会话流程之间的意图需求关系进行智能识别(相当于基于人工智能识别业务会话流程与业务会话流程之间的意图需求关系)，提高了内容推送过程中的准确性。
一种实施例中，假若存在业务会话流程2011、业务会话流程2012及业务会话流程2013等，人工智能云系统100获取该业务会话流程2011的会话流程交互数据及会话流程意图数据，获取该业务会话流程2012的会话流程交互数据及会话流程意图数据，获取该业务会话流程2013的会话流程交互数据及会话流程意图数据，基于各个业务会话流程的会话流程意图数据，将不同业务会话流程的会话流程交互数据进行传递融合，得到数据关联分布信息202，该数据关联分布信息202包括各个业务会话流程的数据关联分布，如业务会话流程2011的数据关联分布2021、业务会话流程2012的数据关联分布2022，以及业务会话流程2013的数据关联分布2023等。其中，该数据关联分布是根据对应业务会话流程的会话流程交互数据、会话流程意图数据及其它业务会话流程传递的会话流程交互数据融合得到的，使得该数据关联分布可以更为全面的表示对应业务会话流程的会话流程特征，可以提高意图需求关系识别的准确性。
人工智能云系统100获取到数据关联分布信息后，可以基于该数据关联分布信息识别任意两个业务会话流程间的意图需求关系。例如，人工智能云系统100从数据关联分布信息中，获取业务会话流程2011的数据关联分布2021及业务会话流程2012的数据关联分布2022，获取数据关联分布2021与数据关联分布2022的相关性参数，基于该相关性参数可以确定业务会话流程2011与业务会话流程2012之间的意图需求关系。通过特征识别，提高了内容推送过程中的准确性。
下面结合一种可能的实施例，对以上方法进行详细描述。
步骤S101，获取业务请求终端的业务操作大数据中的至少两个业务会话流程的会话流程交互数据及会话流程意图数据。
例如，人工智能云系统100获取至少两个业务会话流程的会话流程交互数据及会话流程意图数据。其中，该会话流程交互数据是指对应的业务会话流程的交互活动数据，包括点击活动数据、分享活动数据、协同活动数据或多媒体活动数据等。其中，会话流程意图数据是指根据该业务会话流程与其它业务会话流程之间的会话流程意图（如对某个对象持续关注或者对某个对象进行屏蔽）响应或者识别所得到的数据，如，会话关注对象数据、会话互动热度数据、会话分享数据及会话收藏数据等。
其中，人工智能云系统100可以获取各个业务会话流程的会话流程交互数据是及会话流程意图数据，对会话流程交互数据是及会话流程意图数据进行整理，以得到每个业务会话流程的会话流程交互数据及会话流程意图数据。例如，该会话流程交互数据是可以包括点击活动数据、分享活动数据、协同活动数据或多媒体活动数据等。
其中，会话流程意图数据可以是有向的意图数据，也可以是无向的意图数据。以会话关注对象数据为例，业务会话流程1与业务会话流程2之间产生的总意图对象数量包括业务会话流程1发送至业务会话流程2的意图对象数量，以及业务会话流程2发送至业务会话流程1的意图对象数量。当会话流程意图数据为有向的意图数据时，将业务会话流程1发送至业务会话流程2的意图对象数量作为业务会话流程1的会话关注对象数据，将业务会话流程2发送至业务会话流程1的意图对象数量作为业务会话流程2的会话关注对象数据；当会话流程意图数据为无向的意图数据时，业务会话流程1与业务会话流程2的会话关注对象数据均为业务会话流程1与业务会话流程2之间的总意图对象数量。例如，假若业务会话流程1向业务会话流程2发送的消息的意图对象数量为4，业务会话流程2向业务会话流程1发送的消息的意图对象数量为5，当会话流程意图数据为有向的意图数据时，业务会话流程1的会话关注对象数据为4，业务会话流程2的会话关注对象数据为5；当会话流程意图数据为无向的意图数据时，业务会话流程1的会话关注对象数据为9，业务会话流程2的会话关注对象数据为9。
其中，以会话互动热度数据为例，该会话互动热度数据可以是日热度，也可以是时热度等。以会话互动热度数据为日热度为例，假若业务会话流程1在7天内向业务会话流程2发送35条消息，业务会话流程2在7天内向业务会话流程1发送21条消息。当会话流程意图数据为有向的意图数据时，业务会话流程1的会话互动热度数据为(35/7＝5)，业务会话流程2的会话互动热度数据为(21/7＝3)；当会话流程意图数据为无向的意图数据时，业务会话流程1的会话互动热度数据为{(35+21)/7＝8}，业务会话流程2的会话互动热度数据为8。
步骤S102，根据每个业务会话流程的会话流程意图数据，确定每个业务会话流程对应的意图共享会话流程，将意图共享会话流程的会话流程交互数据，向对应的业务会话流程的会话流程交互数据进行数据关联，得到数据关联分布信息。
例如，人工智能云系统100可以根据至少两个业务会话流程的会话流程交互数据及会话流程意图数据，得到数据关联分布信息，该数据关联分布信息包括各个业务会话流程的数据关联分布。例如，根据至少两个业务会话流程的会话流程交互数据生成交互数据分布，根据至少两个业务会话流程的会话流程意图数据生成意图数据分布，基于意图数据分布，确定每个业务会话流程对应的意图共享会话流程；根据意图人工智能模型中的模型传递层、交互数据分布与意图数据分布，将意图共享会话流程的会话流程交互数据，传递至意图共享会话流程对应的业务会话流程的会话流程交互数据，得到数据关联分布信息。其中，假若至少两个业务会话流程的数量为N，则每个业务会话流程对应的会话流程意图数据的维度为N，根据至少两个业务会话流程的会话流程意图数据生成意图数据分布，该意图数据分布为N*N的分布，其中，将该意图数据分布记作A，则该意图数据分布A中有N*N个元素，其中，Ai为该意图数据分布A中第i行的元素，用于表示业务会话流程1i与其它业务会话流程之间的会话流程意图数据。其中，N与i为正整数，i小于或等于N。
例如，该意图数据分布的生成过程如下：
其中，当各个业务会话流程的会话流程意图数据为无向的意图数据时，根据至少两个业务会话流程的会话流程意图数据生成的意图数据分布为对称分布；当各个业务会话流程的会话流程意图数据为有向的意图数据时，根据至少两个业务会话流程的会话流程意图数据生成的意图数据分布为非对称分布。
一种实施例中，人工智能云系统100可以获取各个业务会话流程的会话流程意图数据，根据该会话流程意图数据生成意图分布，其中，该意图分布的每个分布单元对应一个业务会话流程，两个分布单元之间的连接属性用于表示这两个分布单元分别对应的参与会话流程的会话流程意图数据。根据该意图分布得到各个业务会话流程的会话流程意图数据，以根据该会话流程意图数据得到意图数据分布。
其中，在根据至少两个业务会话流程的会话流程意图数据生成意图数据分布时，人工智能云系统100可以根据至少两个业务会话流程的会话流程意图数据，生成初始意图数据分布；根据初始意图数据分布，生成至少两个业务会话流程的意图属性分布；在初始意图数据分布中共享配置意图反馈分布，基于意图属性分布对共享配置后的初始意图数据分布进行规则化，生成规则化意图数据分布；根据规则化意图数据分布，生成意图数据分布。其中，意图反馈分布为单位分布，该单位分布可以为方阵，是一个从左上角到右下角的对角线(即主对角线)上的元素均为1，其它位置上的元素均为0的一个分布，用于在初始意图数据分布中共享配置业务会话流程自身的会话流程意图数据。
进一步地，该会话流程意图数据包括至少两个意图单元数据，规则化意图数据分布包括至少两个意图单元数据分别对应的规则化意图数据子分布。在根据规则化意图数据分布，生成意图数据分布时，人工智能云系统100可以获取至少两个意图单元数据分别对应的意图行为影响参数，基于意图行为影响参数，对规则化意图数据子分布进行融合，生成意图数据分布。例如，至少两个意图单元数据的数量为会话流程意图数据包括的会话流程意图子数据的数量，即，该会话流程意图数据包括m个会话流程意图子数据，人工智能云系统100可以根据m个会话流程意图子数据生成m个对应的意图单元数据，每个意图单元数据对应一个意图数据子分布。其中，m为正整数。其中，将初始意图数据分布记作B，该初始意图数据分布B包括m个初始意图数据子分布，可以记作B＝{B1，B2，…，Bm}，其中，每个初始意图数据子分布都可以认为是一个N*N的分布，N为至少两个业务会话流程的数量。例如，会话流程意图数据包括会话关注对象数据、会话互动热度数据、会话分享数据及会话收藏数据等4个会话流程意图子数据，则可以生成4个意图单元数据，每个意图单元数据对应一个初始意图数据子分布，此时，m＝4，初始意图数据分布B＝{B1，B2，B3，B4}。
进一步地，假若该会话流程意图数据包括会话关注对象数据、会话互动热度数据、会话分享数据及会话收藏数据，提取该会话关注对象数据的特征，得到意图单元数据1，根据意图单元数据1生成初始意图数据子分布1。根据初始意图数据子分布1，生成子意图属性分布1。基于子意图属性分布1，对共享配置意图反馈分布的初始意图数据子分布1进行规则化，生成规则化意图数据子分布1。同理，提取会话互动热度数据的意图单元数据2，根据意图单元数据2得到初始意图数据子分布2，并得到子意图属性分布2，基于子意图属性分布2对初始意图数据子分布2进行规则化，得到规则化意图数据子分布2；提取会话分享数据的意图单元数据3，根据意图单元数据3得到初始意图数据子分布3，并得到子意图属性分布3，基于子意图属性分布3对初始意图数据子分布3进行规则化，得到规则化意图数据子分布3；提取会话收藏数据的意图单元数据4，根据意图单元数据4得到初始意图数据子分布4，并得到子意图属性分布4，基于子意图属性分布4对初始意图数据子分布4进行规则化，得到规则化意图数据子分布4。其中，对规则化意图数据子分布1共享配置意图行为影响参数W1，对规则化意图数据子分布2共享配置意图行为影响参数W2，对规则化意图数据子分布3共享配置意图行为影响参数W3，对规则化意图数据子分布4共享配置意图行为影响参数W4，经过融合后，得到意图数据分布。
再例如，假若会话流程意图数据包括会话关注对象数据，存在业务会话流程1、业务会话流程2、业务会话流程3及业务会话流程4。其中，业务会话流程1向业务会话流程2发送的意图对象数量为4，向业务会话流程4发送的意图对象数量为10；业务会话流程2向业务会话流程1发送的意图对象数量为5，向业务会话流程3发送的意图对象数量为4；业务会话流程3向业务会话流程2发送的意图对象数量为15；业务会话流程4向业务会话流程1发送的意图对象数量为5。提取获取到的会话流程意图数据的特征，得到初始意图数据分布。其中，若该初始意图数据分布为非对称分布，则确定该初始意图数据分布为根据该初始意图数据分布B得到意图属性分布基于意图属性分布D对初始意图数据分布B进行规则化，可以得到规则化意图数据分布；若该初始意图数据分布为对称分布，则确定该初始意图数据分布为根据该初始意图数据分布B得到意图属性分布基于意图属性分布D对初始意图数据分布B进行规则化，可以得到规则化意图数据分布。由于在本例中，假若的是会话流程意图数据包括会话关注对象数据这一个会话流程意图子数据，故可以将规则化意图数据分布作为意图数据分布A。
举例来说，人工智能云系统100可以获取到m种至少两个业务会话流程的会话流程意图子数据，相当于获取到m*N个数据(N为至少两个业务会话流程的数量)，对每个至少两个业务会话流程的会话流程意图子数据进行特征提取，得到规则化意图数据分布601，该规则化意图数据分布601包括m个规则化意图数据子分布，将m个规则化意图数据子分布输入意图人工智能模型中，基于意图人工智能模型对m个规则化意图数据子分布进行融合，得到意图数据分布，其中，m个规则化意图数据子分布分别对应意图行为影响参数W1、W2至Wm。人工智能云系统100对获取到的会话流程交互数据是进行特征提取，得到交互数据分布603，对意图数据分布602及交互数据分布603进行特征传播，得到数据关联分布信息604。
其中，基于意图数据分布及交互数据分布生成数据关联分布信息的过程如下所示：
将交互数据分布作为初始数据关联分布信息，获取意图人工智能模型的传递影响参数分布。将传递影响参数分布作为意图人工智能模型中的模型传递层的配置信息，基于具有配置信息的模型传递层和意图数据分布，对初始数据关联分布信息进行加权迭代，得到数据关联分布信息。
其中，可以将该交互数据分布记作X，该交互数据分布X是一个N*F的分布，N为至少两个业务会话流程的数量，F为会话流程交互数据的维度，即会话流程交互数据是包括的会话流程交互子数据的数量。例如，该会话流程交互数据是包括点击活动数据、分享活动数据、协同活动数据或多媒体活动数据等4个会话流程交互子数据，则F为4。基于意图人工智能模型的模型传递层，对各个业务会话流程的会话流程交互数据进行多次传播，以得到数据关联分布信息。
进一步地，可以根据意图数据分布及交互数据分布组成意图分布701，该意图分布701包括N个分布单元组成，每个分布单元对应一个业务会话流程，每个分布单元携带该节点对应的业务会话流程的会话流程交互数据，该意图分布701中的连接属性用于表征各个业务会话流程的会话流程意图数据。其中，该交互数据分布是由各个业务会话流程的会话流程交互数据组成的。将该交互数据分布作为初始数据关联分布信息，将初始数据关联分布信息记作H0，即H0＝X。
基于意图人工智能模型，确定每个业务会话流程对应的意图共享会话流程，将意图共享会话流程的会话流程交互数据，向对应的业务会话流程的会话流程交互数据进行数据关联。其中，意图分布701中，与各个业务会话流程之间存在边的其它业务会话流程，可以认为是该业务会话流程的意图共享会话流程。例如，以会话流程意图数据为无向的意图数据为例，若业务会话流程1对应的节点与业务会话流程2对应的节点之间存在边，则业务会话流程1为业务会话流程2的意图共享会话流程，业务会话流程2为业务会话流程1的意图共享会话流程；以会话流程意图数据为有向的意图数据为例，若业务会话流程1对应的节点存在指向业务会话流程2对应的节点的单向边，则业务会话流程2为业务会话流程1的意图共享会话流程。将意图分布701输入意图人工智能模型中的传播第一层，基于模型传递层，对意图分布701中的各个分布单元携带的会话流程交互数据进行数据关联，并基于该模型传递层中的激活函数702对数据关联后的会话流程交互数据进行处理，以得到传播第一层的输出，即第一层数据关联分布信息，记作H1。
在意图人工智能模型中，通过对各个业务会话流程的会话流程交互数据进行k次数据关联，输出数据关联分布图703，该数据关联分布图703中的各个分布单元携带对应的业务会话流程的数据关联分布，各个分布单元携带的对应业务会话流程的数据关联分布组成了数据关联分布信息。
步骤S103，从数据关联分布信息中获取第一会话流程的第一数据关联分布及第二会话流程的第二数据关联分布，基于第一数据关联分布与第二数据关联分布的相关性参数，识别第一会话流程与第二会话流程之间的意图需求关系。
例如，从数据关联分布信息中获取任意两个业务会话流程的数据关联分布，根据这两个业务会话流程的数据关联分布之间的相关性参数，根据该相关性参数，识别这两个业务会话流程之间的意图需求关系。
例如，人工智能云系统100可以获取第一会话流程的第一数据关联分布及第二会话流程的第二数据关联分布，获取第一数据关联分布与第二数据关联分布的特征意图倾向参考情况，获取第一数据关联分布与第二数据关联分布的共享特征信息，将特征意图倾向参考情况及共享特征信息进行融合，生成第一会话流程与第二会话流程之间的流程相关特征。基于流程相关特征，获取第一数据关联分布与第二数据关联分布的相关性参数。
一种实施例中，第一数据关联分布为第一数据关联分布信息，第二数据关联分布为第二数据关联分布信息。人工智能云系统100在获取第一数据关联分布与第二数据关联分布的特征意图倾向参考情况，获取第一数据关联分布与第二数据关联分布的共享特征信息时，将第一数据关联分布信息与第二数据关联分布信息的重合比例，作为第一数据关联分布与第二数据关联分布的特征意图倾向参考情况；将第一数据关联分布信息与第二数据关联分布信息进行相同特征提取，得到第一数据关联分布与第二数据关联分布的共享特征信息。其中，若相关性参数大于预设相关性参数，则确定第一会话流程与第二会话流程之间的意图需求关系为意图兴趣关系；若相关性参数小于或等于预设相关性参数，则确定第一会话流程与第二会话流程之间的意图需求关系为意图分离关系。
其中，将第一数据关联分布信息记作Hi，将第二数据关联分布信息记作Hj，获取第一数据关联分布与第二数据关联分布的特征意图倾向参考情况，确定该特征意图倾向参考情况为|Hi-Hj|；获取第一数据关联分布与第二数据关联分布的共享特征信息，确定该共享特征信息为将该特征意图倾向参考情况与共享特征信息进行融合，生成第一会话流程与第二会话流程之间的流程相关特征。基于流程相关特征，获取第一数据关联分布与第二数据关联分布的相关性参数。
一种实施例中，人工智能云系统100获取到目标会话流程的会话流程优化请求，获取该目标会话流程的会话流程节点序列，该会话流程节点序列包括该目标会话流程的关联会话流程。从数据关联分布信息中获取目标会话流程的目标数据关联分布，获取该会话流程节点序列中的关联会话流程的关联数据关联分布，获取该目标数据关联分布与关联数据关联分布之间的相关性参数，将相关性参数大于预设相关性参数的关联会话流程，确定为该目标会话流程的需求会话流程。向目标会话流程发送需求会话流程，以使目标会话流程可以基于该需求会话流程，确定需求内容。
进一步地，一种可独立实施的实施例中，该意图人工智能模型的训练过程可以如下所示：
获取参考会话流程数据，获取参考会话流程数据的参考兴趣会话流程数据及参考分离会话流程数据。获取参考会话流程数据的参考会话流程意图数据及参考会话流程交互数据，获取参考兴趣会话流程数据的参考意图兴趣特征及参考交互兴趣特征，获取参考分离会话流程数据的参考意图分离特征及参考交互分离特征。将参考会话流程意图数据、参考会话流程交互数据、参考意图兴趣特征及参考交互兴趣特征作为参考正训练数据；将参考会话流程意图数据、参考会话流程交互数据、参考意图分离特征及参考交互分离特征作为参考负训练数据。基于参考正训练数据及参考负训练数据，对初始人工智能模型进行训练，生成意图人工智能模型。其中，该参考正训练数据与参考负训练数据可以称为参考训练数据。
其中，标注信息可以包括兴趣标注及分离标注，该参考正训练数据携带兴趣标注，参考负训练数据携带分离标注。在基于参考正训练数据及参考负训练数据，对初始人工智能模型进行训练，生成意图人工智能模型时，具体是将参考训练数据输入初始人工智能模型，获取该参考训练数据对应的样本相关性参数，获取样本相关性参数与标注信息之间的损失函数，基于损失函数优化初始人工智能模型，以得到意图人工智能模型。其中，若将参考正训练数据输入初始人工智能模型，则获取参考正训练数据对应的参考正训练数据相关性参数，获取参考正训练数据相关性参数与兴趣标注之间的正向损失函数，基于正向损失函数优化初始人工智能模型；若将参考负训练数据输入初始人工智能模型，则获取参考负训练数据对应的参考负训练数据相关性参数，获取参考负训练数据相关性参数与分离标注之间的负向损失函数，基于负向损失函数优化初始人工智能模型。将优化后的初始人工智能模型，确定为意图人工智能模型。
本公开实施例通过获取至少两个业务会话流程的会话流程交互数据及会话流程意图数据，根据每个业务会话流程的会话流程意图数据，确定每个业务会话流程对应的意图共享会话流程，将意图共享会话流程的会话流程交互数据，向对应的业务会话流程的会话流程交互数据进行数据关联，得到数据关联分布信息，该数据关联分布信息包括每个业务会话流程的数据关联分布；从数据关联分布信息中获取第一会话流程的第一数据关联分布，与第二会话流程的第二数据关联分布，获取第一数据关联分布与第二数据关联分布的相关性参数，基于该相关性参数识别第一会话流程与第二会话流程之间的意图需求关系，该第一会话流程与第二会话流程属于至少两个业务会话流程。通过该过程，将各个业务会话流程的会话流程意图数据及会话流程交互数据进行整合，得到每个业务会话流程的数据关联分布，其中，该数据关联分布是基于业务会话流程与业务会话流程之间联系的分布，对各个业务会话流程的会话流程交互数据进行数据关联，根据数据关联的结果所得到的，一个数据关联分布融合了对应业务会话流程的会话流程交互数据和会话流程意图数据，以及对应业务会话流程的意图共享会话流程的会话流程交互数据，使得在两个业务会话流程之间的相关性参数较大时，这两个业务会话流程之间的意图需求较为明显，且两个业务会话流程共同的特征或分别关联的会话流程的特征的差异较小，故而，这两个业务会话流程之间存在意图需求关系的可能性更大。因此，在本公开实施例中，两个业务会话流程之间的相关性参数可以用于衡量这两个业务会话流程的意图倾向参考情况，故而通过两个业务会话流程之间的相关性参数，可以获取到这两个业务会话流程之间的意图需求关系，从而提高了后续服务内容与实际用户意图的匹配精度。同时，基于业务会话流程的会话流程交互数据及会话流程意图数据，对不同业务会话流程间的意图需求关系进行智能识别，提高了内容推送过程中的准确性。
一种可独立实施的实施例中，在根据所述第一会话流程与所述第二会话流程之间的意图需求关系，生成向所述业务请求终端推送的个性化服务内容的过程中，可以通过以下示例性的步骤实现。
步骤A110，当确定所述第一会话流程与所述第二会话流程之间的意图需求关系为意图兴趣关系时，获取所述第一会话流程与所述第二会话流程之间存在意图兴趣关系的目标会话流程兴趣数据，并将所述目标会话流程兴趣数据输入至会话流程画像预测网络中。
一种可独立实施的实施例中，会话流程画像预测网络可以是预先训练完成的深度学习网络，会话流程画像预测网络用于对目标会话流程兴趣数据进行会话流程画像预测，以确保后续在进行倾向对象挖掘时的可靠性。
进一步地，本公开实施例还提供了针对会话流程画像预测网络的训练过程，其中，所述会话流程画像预测网络基于参考会话流程兴趣数据和参考收敛参数信息训练得到，所述参考会话流程兴趣数据为正向会话兴趣主题的数量和负向会话兴趣主题的数量不一致的会话流程兴趣数据序列；所述参考收敛参数信息根据会话流程画像分类信息和标的会话流程画像信息确定。
更进一步地，所述标的会话流程画像信息为所述参考会话流程兴趣数据中各参考会话流程兴趣数据分片对应的标的会话流程画像信息，所述会话流程画像分类信息为利用所述会话流程画像预测网络获取的所述参考会话流程兴趣数据分片对应的会话流程画像分类信息，所述参考收敛参数信息包括第一收敛参数信息、第二收敛参数信息和收敛参数优化节点信息。
基于上述内容，在步骤A110之前，还可以预先对会话流程画像预测网络进行训练，关于会话流程画像预测网络的训练过程以下步骤a和步骤b。
步骤a，获取所述参考会话流程兴趣数据以及与所述参考会话流程兴趣数据中各参考会话流程兴趣数据分片对应的标的会话流程画像信息。
步骤b，根据所述参考会话流程兴趣数据和所述标的会话流程画像信息对参考会话流程画像预测网络进行训练，以获取所述会话流程画像预测网络。
在上述内容的基础上，所述会话流程兴趣数据序列包括多个参考会话流程兴趣数据分片，所述参考会话流程画像预测网络包括参考特征提取结构和参考特征预测结构，步骤b还可以通过以下方式实现：通过所述参考特征提取结构对各所述参考会话流程兴趣数据分片进行特征提取和画像分量输出，以获取与各所述参考会话流程兴趣数据分片对应的参考会话流程画像分量；通过所述参考特征预测结构对所述参考会话流程画像分量进行会话流程画像预测，以获取会话流程画像分类信息；根据各所述参考会话流程兴趣数据分片对应的会话流程画像分类信息和标的会话流程画像信息确定所述参考收敛参数信息，并根据所述参考收敛参数信息调整所述参考会话流程画像预测网络的网络收敛参考信息，直至所述参考收敛参数信息的浮动变化小于设定浮动变化或完成设定次数的训练。
在上述内容的基础上，所述根据各所述参考会话流程兴趣数据分片对应的会话流程画像分类信息和标的会话流程画像信息确定所述参考收敛参数信息，包括：根据各所述参考会话流程兴趣数据分片对应的会话流程画像分类信息、所述标的会话流程画像信息中的会话流程画像浮动数据和第二预设会话流程画像信息确定第一网络收敛参考信息；根据所述第一网络收敛参考信息的延时会话流程画像确定第二网络收敛参考信息；根据所述第二网络收敛参考信息、所述会话流程画像分类信息、所述会话流程画像浮动数据、正向会话兴趣主题的参考变化数据、参考固定数据和所述收敛参数优化节点信息生成所述参考收敛参数信息。
一种可独立实施的实施例中，网络收敛参考信息可以理解为网络参数信息，参考变化数据可以是存在实时动态变化的权重信息，参考固定数据可以是不存在实时动态变化的权重信息，会话流程画像浮动数据可以用于表征不同会话流程画像对其它会话流程画像的影响信息。
进一步地，所述根据所述第二网络收敛参考信息、所述会话流程画像分类信息、所述会话流程画像浮动数据、正向会话兴趣主题的参考变化数据、参考固定数据和所述收敛参数优化节点信息生成所述参考收敛参数信息，包括：根据所述第二网络收敛参考信息、所述会话流程画像分类信息、所述会话流程画像浮动数据和所述正向会话兴趣主题的参考变化数据生成所述第一收敛参数信息；根据所述第二网络收敛参考信息、所述会话流程画像分类信息、所述会话流程画像浮动数据、所述正向会话兴趣主题的参考变化数据和所述参考固定数据生成所述第二收敛参数信息；根据所述第一收敛参数信息、所述第二收敛参数信息和所述收敛参数优化节点信息生成所述参考收敛参数信息。
如此，通过实施上述步骤a和步骤b所描述的内容，能够预先实现对会话流程画像预测网络的训练，从而确保会话流程画像预测网络的模型性能。
步骤A120，通过所述会话流程画像预测网络对所述目标会话流程兴趣数据进行会话流程画像预测，以获取与所述目标会话流程兴趣数据对应的会话流程画像。
一种可独立实施的实施例中，与目标会话流程兴趣数据对应的会话流程画像有多个，例如会话流程画像1、会话流程画像2或者会话流程画像3等，在此不作限定，可以理解，不同的会话流程画像下，关键会话活动事件可能不同，通过对目标会话流程兴趣数据进行不同会话流程画像的解析，能够尽可能将不同的关键会话活动事件区分开，从而全面地实现关注主题分布信息的分析和挖掘。
一种可独立实施的实施例中，所述会话流程画像预测网络包括特征提取结构和特征预测结构，特征提取结构和特征预测结构可以是会话流程画像预测网络中的功能性网络层，进一步地，步骤A120可以通过以下步骤实现：将所述目标会话流程兴趣数据输入至所述特征提取结构进行特征提取和画像分量输出，以获取与所述目标会话流程兴趣数据对应的会话流程画像分量；将所述会话流程画像分量输入至所述特征预测结构进行会话流程画像预测，以获取会话互动过程的会话流程画像信息；根据第一预设会话流程画像信息和所述会话互动过程的会话流程画像信息确定与所述目标会话流程兴趣数据对应的会话流程画像。
一种可独立实施的实施例中，会话流程画像分量可以是按照时序筛选形成的画像分量。如此设计，通过特征提取结构和特征预测结构之间的互相配合，能够精准且完整地确定出目标会话流程兴趣数据对应的不同会话流程画像。
可以理解，所述特征提取结构还可以包括对应多个存在级联关系的功能层，例如，所述特征提取结构还可以包括第一特征提取结构、第二特征提取结构层和第三特征提取结构等，基于此，上述所描述的所述将所述目标会话流程兴趣数据输入至所述特征提取结构进行特征提取和画像分量输出，以获取与所述目标会话流程兴趣数据对应的会话流程画像分量，包括：通过所述第一特征提取结构将所述目标会话流程兴趣数据中的各个会话流程兴趣点特征识别为兴趣特征分量；通过所述第二特征提取结构层对所述目标会话流程兴趣数据进行兴趣趋势分量分析，并对获取的各个兴趣趋势分量分析对应的趋势属性特征进行趋势维度特征提取，以获取趋势维度特征；通过所述第三特征提取结构对各所述会话流程兴趣点特征对应的兴趣特征分量和趋势维度特征进行特征提取，以获取与各所述会话流程兴趣点特征对应的会话流程画像分量；根据所述目标会话流程兴趣数据中所有会话流程兴趣点特征对应的会话流程画像分量确定与所述目标会话流程兴趣数据对应的会话流程画像分量。
在上述内容中，会话流程画像标签用于区分不同的会话流程画像。在实际实施时，通过对会话流程兴趣点特征进行筛选，然后并行地进行目标会话流程兴趣数据的会话流程画像预测，进而获取对应的趋势维度特征，这样可以进一步确定出会话流程画像分量，其中，会话流程画像分量可以是基于Kmeans聚类算法实现的。如此设计，能够确保会话流程画像分量互相之间的独立性。
步骤A130，根据所述会话流程画像从所述目标会话流程兴趣数据中获取对应的关键会话活动事件，并根据所述会话流程画像和所述关键会话活动事件生成关注主题分布信息，以根据所述关注主题分布信息确定所述业务请求终端的个性化服务内容。
一种可独立实施的实施例中，根据所述会话流程画像从所述目标会话流程兴趣数据中获取对应的关键会话活动事件，可以包括以下步骤A131-步骤A133所描述的内容。
步骤A131，根据所述会话流程画像对应的画像匹配模板获取目标会话流程兴趣数据对应的第一会话活动事件和第二会话活动事件，所述第一会话活动事件包括所述目标会话流程兴趣数据中不携带会话权限属性的会话活动事件，所述第二会话活动事件包括所述目标会话流程兴趣数据中携带会话权限属性的会话活动事件。一种可独立实施的实施例中，会话权限属性可以用于对不同的会话活动事件进行区分，会话活动事件用于表征具体阐述会话行为的独立事件或者事件群。
一种可独立实施的实施例中，根据所述会话流程画像对应的画像匹配模板获取目标会话流程兴趣数据对应的第一会话活动事件和第二会话活动事件进一步包括：根据所述会话流程画像对应的画像匹配模板，对所述目标会话流程兴趣数据进行会话活动事件切分，得到所述目标会话流程兴趣数据中不携带会话权限属性的第一会话活动事件，将所述目标会话流程兴趣数据中的所述第一会话活动事件进行针对会话业务标签的聚类，作为所述第一会话活动事件；根据所述第一会话活动事件，获取所述目标会话流程兴趣数据中携带会话权限属性的第二会话活动事件，将所述目标会话流程兴趣数据中的所述第二会话活动事件进行针对会话业务标签的聚类，作为所述第二会话活动事件。
步骤A132，对所述第一会话活动事件进行频繁项挖掘，得到所述第一会话活动事件对应的非动态频繁项特征；对所述第二会话活动事件进行频繁项挖掘，得到所述第二会话活动事件对应的动态频繁项特征。
一种可独立实施的实施例中，所述对所述第一会话活动事件进行频繁项挖掘，得到所述第一会话活动事件对应的非动态频繁项特征，包括：调用预设频繁项挖掘模型中的第一频繁项特征提取层，对所述第一会话活动事件进行频繁项挖掘，得到所述第一会话活动事件对应的非动态频繁项特征。所述对所述第二会话活动事件进行频繁项挖掘，得到所述第二会话活动事件对应的动态频繁项特征，包括：调用所述预设频繁项挖掘模型中的第二频繁项特征提取层，对所述第二会话活动事件进行频繁项挖掘，得到所述第二会话活动事件对应的动态频繁项特征。
步骤A133，对所述动态频繁项特征和所述非动态频繁项特征进行基于频繁项分类概率的特征融合，得到所述目标会话流程兴趣数据对应的兴趣融合特征；对所述兴趣融合特征进行兴趣点分簇，得到所述目标会话流程兴趣数据对应的分簇信息；在所述分簇信息满足预设的分簇反馈条件时，通过所述分簇信息所指示的分簇类别属性从所述目标会话流程兴趣数据中获取与所述分簇类别属性匹配的会话活动事件作为所述关键会话活动事件。
一种可独立实施的实施例中，所述对所述动态频繁项特征和所述非动态频繁项特征进行基于频繁项分类概率的特征融合，得到所述目标会话流程兴趣数据对应的兴趣融合特征，包括：调用所述预设频繁项挖掘模型中的特征融合层，对所述动态频繁项特征和所述非动态频繁项特征进行基于频繁项分类概率的特征融合，得到所述目标会话流程兴趣数据对应的兴趣融合特征。
一种可独立实施的实施例中，步骤A133所描述的在所述分簇信息满足预设的分簇反馈条件时，通过所述分簇信息所指示的分簇类别属性从所述目标会话流程兴趣数据中获取与所述分簇类别属性匹配的会话活动事件作为所述关键会话活动事件，进一步地可以包括以下步骤A1331-步骤A1334所描述的内容。
步骤A1331，获取所述分簇信息的关键会话活动行为数据；对所述关键会话活动行为数据中的多个会话活动行为数据的活动行为对象分别进行动态轨迹解析和静态轨迹解析，得到动态轨迹解析信息和静态轨迹解析信息。
步骤A1332，通过预设的动态轨迹扩展方式，对所述动态轨迹解析信息进行动态轨迹扩展处理，得到包括有动态轨迹的动态会话活动行为数据集；通过预设的静态轨迹扩展方式，对所述静态轨迹解析信息进行静态轨迹扩展处理，得到包括有静态轨迹的静态会话活动行为数据集。
步骤A1333，基于所述动态会话活动行为数据集和所述静态会话活动行为数据集进行会话响应频度分析，得到所述关键会话活动行为数据中与目标会话响应指标相匹配的会话活动行为对象；所述目标会话响应指标包括动态轨迹和静态轨迹中的至少一种。
一种可独立实施的实施例中，会话活动行为对象用于对关键会话活动行为数据进行会话订阅量解析，从而实现对关键会话活动事件的精准获取。
步骤A1334，根据所述会话活动行为对象对所述关键会话活动行为数据进行会话订阅量解析，得到会话订阅量解析结果，如果所述会话订阅量解析结果表征所述关键会话活动行为数据对应于订阅量增长趋势状态，则通过所述分簇信息所指示的分簇类别属性对应的从订阅量增长趋势状态的目标会话流程兴趣数据中获取与所述动态轨迹匹配的会话活动事件作为所述关键会话活动事件。
进一步地，为了快速、灵活地生成业务请求终端的个性化服务内容，步骤A130中所描述的根据所述会话流程画像和所述关键会话活动事件生成关注主题分布信息，以根据所述关注主题分布信息确定所述业务请求终端的个性化服务内容，可以包括以下内容：根据所述会话流程画像对应的会话属性标签信息获取所述关键会话活动事件中的正倾向信息和负倾向信息；基于所述关键会话活动事件中的正倾向信息和负倾向信息之间的倾向比例变化，对所述关键会话活动事件中的正倾向信息和负倾向信息进行倾向对象挖掘，得到倾向对象挖掘信息；将倾向对象挖掘存在异常的负倾向信息确定为参考负倾向信息，根据所述倾向对象挖掘信息中的负倾向信息与所述参考负倾向信息之间的相似度，确定与所述参考负倾向信息相匹配的个性化标签；对与所述参考负倾向信息相匹配的个性化标签和所述参考负倾向信息进行倾向对象挖掘，得到关键倾向对象信息；根据所述关键倾向对象信息和所述倾向对象挖掘信息，确定所述关键会话活动事件中的关注主题分布信息和所述关注主题分布信息对应的标签化特征；其中，所述标签化特征包括所述关注主题分布信息对应的不同的用户关注属性；根据所述关注主题分布信息及其对应的标签化特征，采用预设的服务内容数据源对所述业务请求终端进行个性化服务内容推送，得到所述个性化服务内容。
进一步地，将获取到的目标会话流程兴趣数据输入至会话流程画像预测网络中得到对应的会话流程画像，根据所述会话流程画像实现对业务请求终端的个性化服务内容推送以得到个性化服务内容，可以包括：获取目标会话流程兴趣数据，并将所述目标会话流程兴趣数据输入至会话流程画像预测网络中；通过所述会话流程画像预测网络对所述目标会话流程兴趣数据进行会话流程画像预测，以获取与所述目标会话流程兴趣数据对应的会话流程画像；根据所述会话流程画像从所述目标会话流程兴趣数据中获取对应的关键会话活动事件，并根据所述会话流程画像和所述关键会话活动事件生成关注主题分布信息，以根据所述关注主题分布信息确定所述业务请求终端的个性化服务内容。
图3为本公开实施例提供的基于大数据和AI的服务内容生成装置300的功能模块示意图，下面分别对该基于大数据和AI的服务内容生成装置300的各个功能模块的功能进行详细阐述。
获取模块310，用于获取业务请求终端的业务操作大数据中的至少两个业务会话流程的会话流程交互数据及会话流程意图数据。
确定模块320，用于根据每个业务会话流程的会话流程意图数据，确定每个业务会话流程对应的意图共享会话流程，将意图共享会话流程的会话流程交互数据，向对应的业务会话流程的会话流程交互数据进行数据关联，得到数据关联分布信息。数据关联分布信息包括每个业务会话流程的数据关联分布。
识别模块330，用于从数据关联分布信息中获取第一会话流程的第一数据关联分布，与第二会话流程的第二数据关联分布，获取第一数据关联分布与第二数据关联分布的相关性参数，基于相关性参数识别第一会话流程与第二会话流程之间的意图需求关系。第一会话流程与第二会话流程属于至少两个业务会话流程。
推送模块340，用于根据第一会话流程与第二会话流程之间的意图需求关系，生成向业务请求终端推送的个性化服务内容，以将个性化服务内容推送给业务请求终端。
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和AI的服务内容生成方法的人工智能云系统100的硬件结构意图，如图4所示，人工智能云系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。
在具体实现过程中，至少一个处理器110执行机器可读存储介质120存储的计算机可执行指令，使得处理器110可以执行如上方法实施例的基于大数据和AI的服务内容生成方法，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，从而可以与前述的业务请求终端200进行数据收发。
处理器110的具体实现过程可参见上述人工智能云系统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，实现如上基于大数据和AI的服务内容生成方法。
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 (7)

1.一种基于大数据和AI的服务内容生成方法，其特征在于，应用于人工智能云系统，所述人工智能云系统与多个业务请求终端通信连接，所述方法包括：
获取所述业务请求终端的业务操作大数据中的至少两个业务会话流程的会话流程交互数据及会话流程意图数据；
根据每个业务会话流程的会话流程意图数据，确定每个业务会话流程对应的意图共享会话流程，将所述意图共享会话流程的会话流程交互数据，向对应的业务会话流程的会话流程交互数据进行数据关联，得到数据关联分布信息；所述数据关联分布信息包括每个业务会话流程的数据关联分布；
从所述数据关联分布信息中获取第一会话流程的第一数据关联分布，与第二会话流程的第二数据关联分布，获取所述第一数据关联分布与所述第二数据关联分布的相关性参数，基于所述相关性参数识别所述第一会话流程与所述第二会话流程之间的意图需求关系；所述第一会话流程与所述第二会话流程属于所述至少两个业务会话流程；
根据所述第一会话流程与所述第二会话流程之间的意图需求关系，生成向所述业务请求终端推送的个性化服务内容，以将所述个性化服务内容推送给所述业务请求终端；
所述根据每个业务会话流程的会话流程意图数据，确定每个业务会话流程对应的意图共享会话流程，将所述意图共享会话流程的会话流程交互数据，向对应的业务会话流程的会话流程交互数据进行数据关联，得到数据关联分布信息，包括：
根据所述至少两个业务会话流程的会话流程交互数据生成交互数据分布，根据所述至少两个业务会话流程的会话流程意图数据生成意图数据分布，基于所述意图数据分布，确定每个业务会话流程对应的意图共享会话流程；
根据意图人工智能模型中的模型传递层、所述交互数据分布与所述意图数据分布，将所述意图共享会话流程的会话流程交互数据，传递至所述意图共享会话流程对应的业务会话流程的会话流程交互数据，得到数据关联分布信息；
所述获取所述第一数据关联分布与所述第二数据关联分布的相关性参数，包括：
获取所述第一数据关联分布与所述第二数据关联分布的特征意图倾向参考情况，获取所述第一数据关联分布与所述第二数据关联分布的共享特征信息；
将所述特征意图倾向参考情况及所述共享特征信息进行融合，生成所述第一会话流程与所述第二会话流程之间的流程相关特征；
基于所述流程相关特征，获取所述第一数据关联分布与所述第二数据关联分布的相关性参数；
其中，所述第一数据关联分布为第一数据关联分布信息，所述第二数据关联分布为第二数据关联分布信息；
所述获取所述第一数据关联分布与所述第二数据关联分布的特征意图倾向参考情况，获取所述第一数据关联分布与所述第二数据关联分布的共享特征信息，包括：
将所述第一数据关联分布信息与所述第二数据关联分布信息的重合比例，作为所述第一数据关联分布与所述第二数据关联分布的特征意图倾向参考情况；
将所述第一数据关联分布信息与所述第二数据关联分布信息进行相同特征提取，得到所述第一数据关联分布与所述第二数据关联分布的共享特征信息；
所述基于所述相关性参数识别所述第一会话流程与所述第二会话流程之间的意图需求关系，包括：
若所述相关性参数大于预设相关性参数，则确定所述第一会话流程与所述第二会话流程之间的意图需求关系为意图兴趣关系；
若所述相关性参数小于或等于所述预设相关性参数，则确定所述第一会话流程与所述第二会话流程之间的意图需求关系为意图分离关系。
2.根据权利要求1所述的基于大数据和AI的服务内容生成方法，其特征在于，所述根据所述至少两个业务会话流程的会话流程意图数据生成意图数据分布，包括：
根据所述至少两个业务会话流程的会话流程意图数据，生成初始意图数据分布；
根据所述初始意图数据分布，生成所述至少两个业务会话流程的意图属性分布；
在所述初始意图数据分布中共享配置意图反馈分布，基于所述意图属性分布对共享配置后的初始意图数据分布进行规则化，生成规则化意图数据分布；
根据所述规则化意图数据分布，生成意图数据分布；
其中，所述会话流程意图数据包括至少两个意图单元数据，所述规则化意图数据分布包括所述至少两个意图单元数据分别对应的规则化意图数据子分布；
所述根据所述规则化意图数据分布，生成意图数据分布，包括：
获取所述至少两个意图单元数据分别对应的意图行为影响参数，基于所述意图行为影响参数，对所述规则化意图数据子分布进行融合，生成意图数据分布。
3.根据权利要求1所述的基于大数据和AI的服务内容生成方法，其特征在于，所述根据意图人工智能模型中的模型传递层、所述交互数据分布与所述意图数据分布，将所述意图共享会话流程的会话流程交互数据，传递至所述意图共享会话流程对应的业务会话流程的会话流程交互数据，得到数据关联分布信息，包括：
将所述交互数据分布作为初始数据关联分布信息，获取意图人工智能模型的传递影响参数分布；
将所述传递影响参数分布作为所述意图人工智能模型中的模型传递层的配置信息，基于具有所述配置信息的模型传递层和所述意图数据分布，对所述初始数据关联分布信息进行加权迭代，得到数据关联分布信息。
4.根据权利要求1所述的基于大数据和AI的服务内容生成方法，其特征在于，所述方法还包括：
获取参考会话流程数据，获取所述参考会话流程数据的参考兴趣会话流程数据及参考分离会话流程数据；
获取所述参考会话流程数据的参考会话流程意图数据及参考会话流程交互数据，获取所述参考兴趣会话流程数据的参考意图兴趣特征及参考交互兴趣特征，获取参考分离会话流程数据的参考意图分离特征及参考交互分离特征；
将所述参考会话流程意图数据、所述参考会话流程交互数据、所述参考意图兴趣特征及所述参考交互兴趣特征作为参考正训练数据；
将所述参考会话流程意图数据、所述参考会话流程交互数据、所述参考意图分离特征及所述参考交互分离特征作为参考负训练数据；
基于所述参考正训练数据及所述参考负训练数据，对初始人工智能模型进行训练，生成所述意图人工智能模型；
所述参考正训练数据携带兴趣标注，所述参考负训练数据携带分离标注；
所述基于所述参考正训练数据及所述参考负训练数据，对初始人工智能模型进行训练，生成所述意图人工智能模型，包括：
若将所述参考正训练数据输入所述初始人工智能模型，则获取所述参考正训练数据对应的参考正训练数据相关性参数，获取所述参考正训练数据相关性参数与所述兴趣标注之间的正向损失函数，基于所述正向损失函数优化所述初始人工智能模型；
若将所述参考负训练数据输入所述初始人工智能模型，则获取所述参考负训练数据对应的参考负训练数据相关性参数，获取所述参考负训练数据相关性参数与所述分离标注之间的负向损失函数，基于所述负向损失函数优化所述初始人工智能模型；
将优化后的初始人工智能模型，确定为所述意图人工智能模型。
5.根据权利要求1-4中任意一项所述的基于大数据和AI的服务内容生成方法，其特征在于，所述根据所述第一会话流程与所述第二会话流程之间的意图需求关系，生成向所述业务请求终端推送的个性化服务内容的步骤，包括：
当确定所述第一会话流程与所述第二会话流程之间的意图需求关系为意图兴趣关系时，获取所述第一会话流程与所述第二会话流程之间存在意图兴趣关系的目标会话流程兴趣数据，并将所述目标会话流程兴趣数据输入至会话流程画像预测网络中；
通过所述会话流程画像预测网络对所述目标会话流程兴趣数据进行会话流程画像预测，以获取与所述目标会话流程兴趣数据对应的会话流程画像；
根据所述会话流程画像从所述目标会话流程兴趣数据中获取对应的关键会话活动事件，并根据所述会话流程画像和所述关键会话活动事件生成关注主题分布信息，以根据所述关注主题分布信息确定所述业务请求终端的个性化服务内容；
其中，所述会话流程画像预测网络包括特征提取结构和特征预测结构；所述通过所述会话流程画像预测网络对所述目标会话流程兴趣数据进行会话流程画像预测，以获取与所述目标会话流程兴趣数据对应的会话流程画像，包括：
将所述目标会话流程兴趣数据输入至所述特征提取结构进行特征提取和画像分量输出，以获取与所述目标会话流程兴趣数据对应的会话流程画像分量；
将所述会话流程画像分量输入至所述特征预测结构进行会话流程画像预测，以获取会话互动过程的会话流程画像信息；
根据第一预设会话流程画像信息和所述会话互动过程的会话流程画像信息确定与所述目标会话流程兴趣数据对应的会话流程画像。
6.根据权利要求5所述的基于大数据和AI的服务内容生成方法，其特征在于，所述特征提取结构包括第一特征提取结构、第二特征提取结构层和第三特征提取结构；所述将所述目标会话流程兴趣数据输入至所述特征提取结构进行特征提取和画像分量输出，以获取与所述目标会话流程兴趣数据对应的会话流程画像分量，包括：
通过所述第一特征提取结构将所述目标会话流程兴趣数据中的各个会话流程兴趣点特征识别为兴趣特征分量；
通过所述第二特征提取结构层对所述目标会话流程兴趣数据进行兴趣趋势分量分析，并对获取的各个兴趣趋势分量分析对应的趋势属性特征进行趋势维度特征提取，以获取趋势维度特征；
通过所述第三特征提取结构对各所述会话流程兴趣点特征对应的兴趣特征分量和趋势维度特征进行特征提取，以获取与各所述会话流程兴趣点特征对应的会话流程画像分量；
根据所述目标会话流程兴趣数据中所有会话流程兴趣点特征对应的会话流程画像分量确定与所述目标会话流程兴趣数据对应的会话流程画像分量。
7.一种人工智能云系统，其特征在于，所述人工智能云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1-6中任意一项的基于大数据和AI的服务内容生成方法。
CN202111396436.3A 2021-11-23 2021-11-23 基于大数据和ai的服务内容生成方法及人工智能云系统 Active CN114218363B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111396436.3A CN114218363B (zh) 2021-11-23 2021-11-23 基于大数据和ai的服务内容生成方法及人工智能云系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111396436.3A CN114218363B (zh) 2021-11-23 2021-11-23 基于大数据和ai的服务内容生成方法及人工智能云系统

Publications (2)

Publication Number Publication Date
CN114218363A CN114218363A (zh) 2022-03-22
CN114218363B true CN114218363B (zh) 2023-04-18

Family

ID=80697956

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111396436.3A Active CN114218363B (zh) 2021-11-23 2021-11-23 基于大数据和ai的服务内容生成方法及人工智能云系统

Country Status (1)

Country Link
CN (1) CN114218363B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102542003A (zh) * 2010-12-01 2012-07-04 微软公司 用于顾及当用户在搜索引擎中提出查询时的用户意图的点击模型
WO2021068321A1 (zh) * 2019-10-12 2021-04-15 平安科技（深圳）有限公司 基于人机交互的信息推送方法、装置和计算机设备

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9952738B1 (en) * 2012-05-30 2018-04-24 Callidus Software Inc. Creation and display of dynamic content component based on a target user accessing a website
CN107291867B (zh) * 2017-06-13 2021-07-20 北京百度网讯科技有限公司 基于人工智能的对话处理方法、装置、设备及计算机可读存储介质
US11061955B2 (en) * 2018-09-21 2021-07-13 Salesforce.Com, Inc. Intent classification system
CN112307066B (zh) * 2020-11-03 2023-04-07 平安普惠企业管理有限公司 分布式数据聚合方法、系统、设备及存储介质
CN112346567B (zh) * 2020-11-03 2022-12-06 平安科技（深圳）有限公司 基于ai的虚拟交互模型生成方法、装置及计算机设备
CN113628005A (zh) * 2021-07-31 2021-11-09 李德财 基于电商会话大数据的推送更新方法及大数据ai系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102542003A (zh) * 2010-12-01 2012-07-04 微软公司 用于顾及当用户在搜索引擎中提出查询时的用户意图的点击模型
WO2021068321A1 (zh) * 2019-10-12 2021-04-15 平安科技（深圳）有限公司 基于人机交互的信息推送方法、装置和计算机设备

Also Published As

Publication number Publication date
CN114218363A (zh) 2022-03-22

Similar Documents

Publication Publication Date Title
CN114048387B (zh) 基于大数据和ai预测的内容推荐方法及人工智能云系统
EP3971798A1 (en) Data processing method and apparatus, and computer readable storage medium
CN112199580B (zh) 面向云计算和大数据定位的业务处理方法及人工智能平台
CN112070416B (zh) 基于ai的rpa流程的生成方法、装置、设备及介质
CN112732949B (zh) 一种业务数据的标注方法、装置、计算机设备和存储介质
Elagib et al. Big data analysis solutions using MapReduce framework
Wang et al. Time-variant graph classification
WO2023231542A1 (zh) 表示信息的确定方法、装置、设备及存储介质
CN111339406A (zh) 个性化推荐方法、装置、设备及存储介质
CN115329131A (zh) 素材标签推荐方法、装置、电子设备及存储介质
US11436412B2 (en) Predictive event searching utilizing a machine learning model trained using dynamically-generated event tags
CN113220907A (zh) 业务知识图谱的构建方法及装置、介质、电子设备
CN114218363B (zh) 基于大数据和ai的服务内容生成方法及人工智能云系统
CN111444364A (zh) 一种图像检测方法和装置
CN114329127B (zh) 特征分箱方法、装置及存储介质
CN115562940A (zh) 负载能耗监控方法、装置、介质及电子设备
CN111444309A (zh) 用于对图进行学习的系统
CN111737371B (zh) 可动态预测的数据流量检测分类方法及装置
Zhou et al. Identification of encrypted and malicious network traffic based on one-dimensional convolutional neural network
CN111538859B (zh) 一种动态更新视频标签的方法、装置及电子设备
CN111935259B (zh) 目标帐号集合的确定方法和装置、存储介质及电子设备
CN117546160A (zh) 使用机器学习模型的自动化数据层次结构提取和预测
Kumaran et al. Topic adaptive sentiment classification based community detection for social influential gauging in online social networks
CN115114462A (zh) 模型训练方法、装置、多媒体推荐方法、设备及存储介质
CN114443970A (zh) 基于人工智能和大数据的数字化内容推送方法及ai系统

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: 20230317

Address after: 518000, No.7, No.8, Floor 8, Block B, Building 9, Shenzhen Bay Science and Technology Ecological Park, Yuehai Street, Nanshan District, Shenzhen City, Guangdong Province

Applicant after: Shenzhen Lingshen Information Technology Co.,Ltd.

Address before: 650506 No. 5216, building 6, Zone C, austi (Kunming) e-commerce trading industrial park, economic development zone, Kunming, Yunnan Province

Applicant before: Zhao Yunzhu

GR01 Patent grant
GR01 Patent grant