CN114219516A - 基于大数据的信息流会话推荐方法及深度学习服务系统 - Google Patents

基于大数据的信息流会话推荐方法及深度学习服务系统 Download PDF

Info

Publication number
CN114219516A
CN114219516A CN202111316452.7A CN202111316452A CN114219516A CN 114219516 A CN114219516 A CN 114219516A CN 202111316452 A CN202111316452 A CN 202111316452A CN 114219516 A CN114219516 A CN 114219516A
Authority
CN
China
Prior art keywords
session
decision
demand
requirement
description component
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
CN202111316452.7A
Other languages
English (en)
Other versions
CN114219516B (zh
Inventor
梅瑞生
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.)
Beijing Star Cube Technology Development Co.,Ltd.
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202111316452.7A priority Critical patent/CN114219516B/zh
Publication of CN114219516A publication Critical patent/CN114219516A/zh
Application granted granted Critical
Publication of CN114219516B publication Critical patent/CN114219516B/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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • 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
    • H04L67/14—Session management
    • H04L67/141—Setup of application sessions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Accounting & Taxation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Telephonic Communication Services (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开实施例提供一种基于大数据的信息流会话推荐方法及深度学习服务系统，对各个第一会话描述分量进行需求决策，由此对预设会话需求进行初步优化后得到待定会话需求，通过融合不同描述分量可以得到特征准确度更高的第三参考描述分量，根据待定会话需求对第三参考描述分量进行需求决策，由此对待定会话需求进行进一步更新后得到目标会话需求，目标会话需求可以更准确地反映目标会话行为数据的实际需求，从而提高了目标会话行为数据的解析精度，从而提高对所述信息服务终端进行会话推荐的准确性，以使得推送内容能够更有效地符合用户的实际需求。

Description

基于大数据的信息流会话推荐方法及深度学习服务系统
技术领域
本公开涉及会话推荐技术领域，示例性地，涉及一种基于大数据的信息流会话推荐方法及深度学习服务系统。
背景技术
互联网服务提供商拥有大量的线上数据，而且数据量还在快速增长，除了利用大数据提升自己的业务之外，互联网服务提供商已经开始实现数据业务化，利用大数据发现新的商业价值。例如，会话指的是云服务器端用来跟踪记录用户的浏览点击行为，并据此识别用户的行为需求以便于进行会话推荐的一种机制。因为客户的所有行为都会在互联网平台上留下痕迹，所以互联网服务提供商可以方便地获取大量的客户行为信息。由互联网商务平台产生的信息一般具有真实性和确定性，通过运用大数据技术对这些数据进行分析，可以帮助互联网服务提供商制定出具有针对性的服务策略，从而获取更大的效益。基于此，如何有效提高信息流会话推荐的准确性，以使得推送内容能够更有效地符合用户的实际需求，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的信息流会话推荐方法及深度学习服务系统。
第一方面，本公开提供一种基于大数据的信息流会话推荐方法，应用于深度学习服务系统，所述深度学习服务系统与多个信息服务终端通信连接，所述方法包括：
获取所述信息服务终端的待挖掘的信息流会话大数据；
根据训练完成的会话需求决策学习网络对所述待挖掘的信息流会话大数据进行描述分量提取，得到多个互动维度的第一会话描述分量；各个第一会话描述分量中包括对应的预设会话需求；
对所述各个第一会话描述分量进行需求决策，得到所述待挖掘的信息流会话大数据上目标会话行为数据对应的待定会话需求；
根据第一会话描述分量得到第一会话描述分量对应的第二会话描述分量，将第一会话描述分量与对应的第二会话描述分量进行权重计算，得到对应的第三会话描述分量；
根据所述待定会话需求对所述第三会话描述分量进行需求决策，得到所述待挖掘的信息流会话大数据上目标会话行为数据对应的目标会话需求，并根据所述目标会话需求对所述信息服务终端进行会话推荐。
第二方面，本公开实施例还提供一种基于大数据的信息流会话推荐系统，所述基于大数据的信息流会话推荐系统包括深度学习服务系统以及与所述深度学习服务系统通信连接的多个信息服务终端；
所述深度学习服务系统，用于：
获取所述信息服务终端的待挖掘的信息流会话大数据；
根据训练完成的会话需求决策学习网络对所述待挖掘的信息流会话大数据进行描述分量提取，得到多个互动维度的第一会话描述分量；各个第一会话描述分量中包括对应的预设会话需求；
对所述各个第一会话描述分量进行需求决策，得到所述待挖掘的信息流会话大数据上目标会话行为数据对应的待定会话需求；
根据第一会话描述分量得到第一会话描述分量对应的第二会话描述分量，将第一会话描述分量与对应的第二会话描述分量进行权重计算，得到对应的第三会话描述分量；
根据所述待定会话需求对所述第三会话描述分量进行需求决策，得到所述待挖掘的信息流会话大数据上目标会话行为数据对应的目标会话需求，并根据所述目标会话需求对所述信息服务终端进行会话推荐。
根据上述任意一个方面，本公开提供的实施方式中，对各个第一会话描述分量进行需求决策，由此对预设会话需求进行初步优化后得到待定会话需求，通过融合不同描述分量可以得到特征准确度更高的第三参考描述分量，根据待定会话需求对第三参考描述分量进行需求决策，由此对待定会话需求进行进一步更新后得到目标会话需求，目标会话需求可以更准确地反映目标会话行为数据的实际需求，从而提高了目标会话行为数据的解析精度，从而提高对所述信息服务终端进行会话推荐的准确性，以使得推送内容能够更有效地符合用户的实际需求。
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的信息流会话推荐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的信息流会话推荐方法的流程示意图；
图3为本公开实施例提供的基于大数据的信息流会话推荐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的信息流会话推荐方法的深度学习服务系统的结构示意框图。
具体实施方式
下面结合说明书附图对本公开进行具体说明，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的信息流会话推荐系统10的应用场景示意图。基于大数据的信息流会话推荐系统10可以包括深度学习服务系统100以及与深度学习服务系统100通信连接的信息服务终端200。图1所示的基于大数据的信息流会话推荐系统10仅为一种可行的示例，在其它可行的实施例中，该基于大数据的信息流会话推荐系统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组成部分。
一种可独立实施的实施例中，基于大数据的信息流会话推荐系统10中的深度学习服务系统100和信息服务终端200可以通过配合执行以下方法实施例所描述的基于大数据的信息流会话推荐方法，具体深度学习服务系统100和信息服务终端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大数据的信息流会话推荐方法可以由图1中所示的深度学习服务系统100执行，下面对该基于大数据的信息流会话推荐方法进行详细介绍。
步骤S110，获取参考信息流会话大数据，将参考信息流会话大数据输入初始的会话需求决策学习网络，参考信息流会话大数据包括目标会话行为数据对应的参考会话需求。
其中，参考信息流会话大数据是指用于深度学习训练的信息流会话大数据，参考信息流会话大数据中可以包含目标会话行为数据。目标会话行为数据具体可以是独立的业务会话行为，比如医疗业务会话行为、学习业务会话行为、电商业务会话行为等，也可以是特定业务会话行为，比如电商直播过程中的投诉会话行为等。会话需求是指针对目标会话行为数据进行需求挖掘的需求标注信息。会话需求通常是用一个数据映射区来标注出目标会话行为数据对应的需求源节点信息。参考会话需求是指预先准确确定的会话需求，用于作为实际会话需求。参考信息流会话大数据中包括目标会话行为数据对应的参考会话需求，也就是，参考信息流会话大数据是预先准确确定出目标会话行为数据所处需求源节点信息的信息流会话大数据。会话需求决策学习网络是用于检测信息流会话大数据中的目标会话行为数据的深度学习网络。
一种可独立实施的实施例中，深度学习服务系统100可以在本地、或从其它终端、云端服务平台获取参考信息流会话大数据。深度学习服务系统100获取到参考信息流会话大数据后，将参考信息流会话大数据输入初始的会话需求决策学习网络，通过参考信息流会话大数据对会话需求决策学习网络进行深度学习训练，从而得到目标会话需求决策学习网络。
步骤S120，对参考信息流会话大数据进行描述分量提取，得到多个互动维度的第一参考描述分量，各个第一参考描述分量中包括对应的预设会话需求。
其中，描述分量提取是指将信息流会话大数据映射到预定描述分量空间，得到能够表征信息流会话大数据本质、具有一定区分度的信息流会话大数据特征。预设会话需求是指预先设置的、具有固定互动维度的会话需求。预设会话需求可以为多个不同互动维度的会话需求，具体不作特殊限定。
一种可独立实施的实施例中，深度学习服务系统100将参考信息流会话大数据输入会话需求决策学习网络后，可以通过会话需求决策学习网络对参考信息流会话大数据进行互动维度编码，从而对参考信息流会话大数据进行描述分量提取，得到多个互动维度的第一参考描述分量，并在各个第一参考描述分量上标注添加各种预设会话需求。
一种可独立实施的实施例中，深度学习服务系统100可以在描述分量上各个描述分量单元分别标注添加各种预设会话需求。深度学习服务系统100也可以从描述分量上选取部分描述分量单元作为目标描述分量单元，在目标描述分量单元上标注添加各种预设会话需求，其中，可以根据预设会话需求的需求映射信息确定目标描述分量单元，目标是让各个描述分量单元至少被一个预设会话需求映射。
一种可独立实施的实施例中，会话需求决策学习网络包括多个描述分量提取单元，各个描述分量提取单元级联，不同的描述分量提取单元用于进行不同互动维度的描述分量提取。对参考信息流会话大数据进行描述分量提取，得到多个互动维度的第一参考描述分量，包括：将当前描述分量提取单元输出的当前第一参考描述分量输入下一描述分量提取单元，得到与当前第一参考描述分量的互动维度相关联的第一参考描述分量。
一种可独立实施的实施例中，会话需求决策学习网络包括多个描述分量提取单元，各个描述分量提取单元级联，不同的描述分量提取单元用于进行不同互动维度的描述分量提取。深度学习服务系统100将参考信息流会话大数据输入会话需求决策学习网络后，可以通过第一描述分量提取单元对参考信息流会话大数据进行描述分量提取，得到第一参考描述分量1，将第一参考描述分量1输入第二描述分量提取单元得到第一参考描述分量2，将第一参考描述分量2输入第三描述分量提取单元得到第一参考描述分量3，以此类推，根据各个描述分量提取单元的输出数据得到各个第一参考描述分量。并且，相邻描述分量提取单元输出的第一参考描述分量的互动维度也是相关联的，也就是，将当前描述分量提取单元输出的当前第一参考描述分量输入下一描述分量提取单元，可以得到与当前第一参考描述分量的互动维度相关联的第一参考描述分量。
例如，会话需求决策学习网络包括六个描述分量提取单元，参考信息流会话大数据输入第一描述分量提取单元后，当前特征层输出的第一参考描述分量作为下一描述分量提取单元的会话数据，相邻描述分量提取单元输出的第一参考描述分量的互动维度也是相关联的。会话需求决策学习网络对参考信息流会话大数据进行由浅入深的描述分量提取，得到表征不同互动维度特征信息的第一参考描述分量。可以理解，互动维度数据量较小的描述分量上的一个描述分量单元对应参考信息流会话大数据上较大的数据单元，因此互动维度数据量较小的描述分量适合用于检测互动维度数据量较大的目标会话行为数据，互动维度数据量较大的描述分量上的一个描述分量单元对应参考信息流会话大数据上较小的数据单元，因此互动维度数据量较大的描述分量适合用于检测互动维度数据量较小的目标会话行为数据。
一种可独立实施的实施例中，描述分量提取单元用于对会话数据进行卷积特征提取。例如，描述分量提取单元可以包括特征提取结构、归一化结构和激活函数结构。特征提取结构用于对会话数据进行互动维度编码，提取相应互动维度的描述分量，归一化结构用于对描述分量进行归一化，从而对描述分量的分布进行额外约束，以增强网络泛化能力，激活函数结构用于对归一化后的描述分量进行非线性处理，从而增强网络的拟合能力。
步骤S130，对各个第一参考描述分量进行需求决策，得到各个预设会话需求对应的第一决策会话需求，根据各个预设会话需求和参考会话需求之间的需求区别信息，从各个第一决策会话需求中确定第二决策会话需求。
其中，需求决策是指对信息流会话大数据特征进行计算，得到会话需求区别数据。第一决策会话需求是指对预设会话需求进行调整得到的决策会话需求。
一种可独立实施的实施例中，在得到第一参考描述分量后，深度学习服务系统100可以对各个第一参考描述分量进行需求决策，根据预设会话需求所处需求源节点信息的信息流会话大数据特征得到预设会话需求对应的第一决策区别数据，根据第一决策区别数据调整对应的预设会话需求，得到对应的第一决策会话需求。通过需求决策后，各个第一参考描述分量上的各个预设会话需求都可以得到对应的第一决策会话需求。深度学习服务系统100可以计算各个预设会话需求和参考会话需求之间的需求区别信息，根据需求区别信息从各个预设会话需求中确定与参考会话需求最接近的至少一个预设会话需求作为参考会话需求，将参考预设会话需求对应的第一决策会话需求作为第二决策会话需求。
一种可独立实施的实施例中，参考信息流会话大数据中的参考会话需求可以有多个，也就是，参考信息流会话大数据中包括多个目标会话行为数据。那么，深度学习服务系统100可以从各个预设会话需求中确定分别与各个参考会话需求的源数据节点最接近的至少一个预设会话需求作为对应的参考会话需求，从而得到各个参考会话需求分别对应的至少一个参考会话需求。
步骤S140，根据第一参考描述分量得到第一参考描述分量对应的第二参考描述分量，将第一参考描述分量与对应的第二参考描述分量进行权重计算，得到对应的第三参考描述分量。
一种可独立实施的实施例中，深度学习服务系统100可以对第一参考描述分量进行特征扩展和关联处理，从而得到第一参考描述分量对应的第二参考描述分量。第一参考描述分量和对应的第二参考描述分量为互动维度相同的描述分量。深度学习服务系统100将第一参考描述分量和对应的第二参考描述分量进行权重计算，得到第一参考描述分量对应的第三参考描述分量。
一种可独立实施的实施例中，深度学习服务系统100可以通过特征扩展和关联处理得到各个第一参考描述分量分别对应的第二参考描述分量，然后将各个第一参考描述分量分别和对应的第二参考描述分量进行权重计算，得到各个第一参考描述分量分别对应的第三参考描述分量。为了减少计算量，深度学习服务系统100也可以从各个第一参考描述分量中选取部分第一参考描述分量计算对应的第二参考描述分量，将存在第二参考描述分量的第一参考描述分量和对应的第二参考描述分量进行权重计算，得到对应的第三参考描述分量。
一种可独立实施的实施例中，多个互动维度的第一参考描述分量为按互动维度优先级排列的第一参考描述分量。根据第一参考描述分量得到第一参考描述分量对应的第二参考描述分量，包括：将当前第一参考描述分量的互动维度扩展为当前第一参考描述分量对应的相邻优先级的互动维度，将扩展后的当前第一参考描述分量作为与扩展后的当前第一参考描述分量的互动维度相同的第一参考描述分量所对应的第二参考描述分量。
一种可独立实施的实施例中，深度学习服务系统100可以将当前第一参考描述分量的互动维度扩展为当前第一参考描述分量对应的相邻优先级的互动维度，进而将扩展后的当前第一参考描述分量作为与当前第一参考描述分量的互动维度相关联的第一参考描述分量相匹配的第二参考描述分量。后续，在将第一参考描述分量与对应的第二参考描述分量进行权重计算时，可以使得不同第一参考描述分量之间可以进行特征传递，浅层特征传递给深层，深层特征又传递给浅层，进而有助于提高需求决策的准确性。
例如，参考信息流会话大数据通过六个描述分量提取单元后得到六个第一参考描述分量，各个第一参考描述分量的互动维度依次递减。深度学习服务系统100可以将后一互动维度对应的第一参考描述分量的互动维度放大为当前互动维度，并将其作为与当前互动维度对应的第一参考描述分量所匹配的第二参考描述分量。例如，将第二互动维度对应的第一参考描述分量放大为第一互动维度，将放大后的第一参考描述分量作为与第一互动维度对应的第一参考描述分量所匹配的第二参考描述分量。将第三互动维度对应的第一参考描述分量放大为第二互动维度，将放大后的第一参考描述分量作为与第二互动维度对应的第一参考描述分量所匹配的第二参考描述分量。其中，可以将第六互动维度对应的第一参考描述分量直接作为第六互动维度对应的第一参考描述分量所匹配的第二参考描述分量。也可以将第五互动维度对应的第一参考描述分量编码为第六互动维度，将编码后的第一参考描述分量作为与第六互动维度对应的第一参考描述分量所匹配的第二参考描述分量。可以理解，深度学习服务系统100也可以将前一互动维度对应的第一参考描述分量的互动维度编码为当前互动维度，并将其作为与当前互动维度对应的第一参考描述分量所匹配的第二参考描述分量。
例如，当确定各个第一参考描述分量分别对应的第二参考描述分量后，深度学习服务系统100可以将第一参考描述分量和对应第二参考描述分量进行特征融合，得到各个第一参考描述分量分别对应的第三参考描述分量。
步骤S150，根据第二决策会话需求对第三参考描述分量进行需求决策，得到第二决策会话需求对应的第三决策会话需求。
其中，第三决策会话需求是指对第二决策会话需求进行调整得到的决策会话需求。
一种可独立实施的实施例中，深度学习服务系统100可以将第二决策会话需求作为第三参考描述分量中的预设会话需求，对第三参考描述分量进行需求决策，根据第二决策会话需求所处需求源节点信息的信息流会话大数据特征得到第二决策会话需求对应的第二决策区别数据，根据第二决策区别数据调整第二决策会话需求，得到对应的第三决策会话需求。从整体上看，深度学习服务系统100对第一参考描述分量进行需求决策，得到预设会话需求对应的第一决策区别数据，对第三参考描述分量进行需求决策，得到第二决策会话需求对应的第二决策区别数据，最后根据第二决策区别数据、对应的第一决策区别数据调整对应的预设会话需求得到第三决策会话需求。也就是，先进行第一次决策得到第一决策区别数据，从而得到第一决策会话需求，再进行二次决策得到第二决策区别数据，根据第二决策区别数据对对应的第一决策会话需求进行修正，从而得到准确的第三决策会话需求。
步骤S160，根据第一决策会话需求和参考会话需求的需求区别信息、第三决策会话需求和参考会话需求的需求区别信息生成网络评估指标，根据网络评估指标第二决策会话需求决策学习网络的网络权重信息，直至达到训练终止要求，得到目标会话需求决策学习网络。
一种可独立实施的实施例中，在确定第一决策会话需求和第三决策会话需求后，深度学习服务系统100可以计算第一决策会话需求和参考会话需求的需求区别信息、以及第三决策会话需求和参考会话需求的需求区别信息，根据计算得到的需求区别信息生成网络评估指标，根据网络评估指标进行反向传播更新，第二决策会话需求决策学习网络的网络权重信息，直至达到训练终止要求，得到目标会话需求决策学习网络。训练终止要求可以是网络评估指标小于预设指标、模型迭代次数达到迭代阈值等。
一种可独立实施的实施例中，为了进一步提高会话需求决策学习网络的准确性，深度学习服务系统100可以根据网络评估指标和决策差异指标第二决策会话需求决策学习网络的网络权重信息，直至达到训练终止要求，得到目标会话需求决策学习网络。此外，深度学习服务系统100也可以根据网络评估指标和标的差异指标第二决策会话需求决策学习网络的网络权重信息，直至达到训练终止要求，得到目标会话需求决策学习网络。当然，深度学习服务系统100还可以根据网络评估指标、决策差异指标和标的差异指标共同第二决策会话需求决策学习网络的网络权重信息，直至达到训练终止要求，得到目标会话需求决策学习网络。其中，决策差异指标和标的差异指标的计算过程可以参照后续实施例所述的基于大数据的信息流会话推荐方法。
上述基于大数据的信息流会话推荐方法中，对各个第一参考描述分量进行需求决策，由此对预设会话需求进行初步优化后得到第一决策会话需求，通过融合不同描述分量可以得到特征准确度更高的第三参考描述分量，根据第二决策会话需求对第三参考描述分量进行需求决策，由此对第二决策会话需求进行进一步更新后得到第三决策会话需求，使得第三决策会话需求更接近于实际会话需求，进而根据两次需求更新结果和实际会话需求计算网络评估指标来优化网络权重信息，可以获得需求预测性能更强的会话需求决策学习网络，从而根据目标会话需求决策学习网络进行会话需求决策可以提高业务推荐的准确性。
一种可独立实施的实施例中，对各个第一参考描述分量进行需求决策，得到各个预设会话需求对应的第一决策会话需求，根据各个预设会话需求和参考会话需求之间的需求区别信息，从各个第一决策会话需求中确定第二决策会话需求，包括：
分别对各个第一参考描述分量进行需求决策，得到各个第一参考描述分量分别对应的第一决策区别数据集；第一决策区别数据集包括第一参考描述分量上各个预设会话需求分别对应的第一决策区别数据；根据预设会话需求和对应的第一决策区别数据得到对应的第一决策会话需求；在当前第一参考描述分量中，根据各个预设会话需求和参考会话需求之间的需求相似值，从各个预设会话需求中确定参考预设会话需求，将参考预设会话需求对应的第一决策会话需求作为当前第一参考描述分量对应的候选决策会话需求；根据各个第一参考描述分量分别对应的候选决策会话需求得到第二决策会话需求。
一种可独立实施的实施例中，深度学习服务系统100可以分别对各个第一参考描述分量进行需求决策，得到各个第一参考描述分量分别对应的第一决策区别数据集，其中，第一决策区别数据集包括第一参考描述分量上各个预设会话需求分别对应的第一决策区别数据。一个预设会话需求对应的第一决策区别数据是根据对该预设会话需求所处位置的信息流会话大数据特征进行数据分析得到的。然后，深度学习服务系统100可以根据第一决策区别数据调整对应的预设会话需求，得到第一决策会话需求。
在得到各个第一参考描述分量中各个预设会话需求分别对应的第一决策会话需求后，深度学习服务系统100可以从各个第一参考描述分量中查找与参考会话需求最接近的预设会话需求作为参考会话需求，得到各个第一参考描述分量分别对应的参考会话需求。参考会话需求的确定方式具体可以是在当前第一参考描述分量中，计算各个预设会话需求分别和参考会话需求之间的需求相似值，根据需求相似值从各个预设会话需求中确定参考预设会话需求。具体可以是将需求相似值最高的预设会话需求作为参考会话需求，也可以是将需求相似值进行降序处理，将需求相似值排序靠前的多个预设会话需求作为参考会话需求。然后，深度学习服务系统100可以将第一参考描述分量中参考预设会话需求对应的第一决策会话需求作为第一参考描述分量对应的候选决策会话需求。最后，深度学习服务系统100根据各个第一参考描述分量分别对应的候选决策会话需求得到第二决策会话需求。也就是，深度学习服务系统100可以从各个参考预设会话需求对应的第一决策会话需求中确定第二决策会话需求。具体可以是将与参考会话需求需求相似值最大的候选决策会话需求作为第二决策会话需求，也可以是将与参考会话需求需求相似值较大的多个候选决策会话需求作为第二决策会话需求，还可以将各个候选决策会话需求都作为第二决策会话需求。
一种可独立实施的实施例中，根据各个预设会话需求和参考会话需求之间的需求相似值，从各个预设会话需求中确定参考预设会话需求，包括：
将最大需求相似值对应的预设会话需求作为参考会话需求。
一种可独立实施的实施例中，在当前第一参考描述分量中，深度学习服务系统100可以将最大需求相似值对应的预设会话需求作为参考会话需求。也就是，深度学习服务系统100可以剔除明显没有映射在目标会话行为数据上的预设会话需求，保留当前映射最精确的预设会话需求，将当前映射最精确的预设会话需求作为参考会话需求。可以理解，在计算预设会话需求和参考会话需求的需求相似值时，需要将预设会话需求和参考会话需求连通到同一互动维度上进行比较。
一种可独立实施的实施例中，根据各个第一参考描述分量分别对应的候选决策会话需求得到第二决策会话需求，包括：
在各个候选决策会话需求中，将与参考会话需求需求相似值最大的候选决策会话需求作为第二决策会话需求。
一种可独立实施的实施例中，在得到各个第一参考描述分量分别对应的候选决策会话需求后，深度学习服务系统100可以计算各个候选决策会话需求分别和参考会话需求之间的需求相似值，从中选取与参考会话需求需求相似值最大的候选决策会话需求作为第二决策会话需求。也就是，深度学习服务系统100进一步优中选优，从当前映射较精确的多个预设会话需求对应的候选决策会话需求中进一步选取最优的候选决策会话需求作为第二决策会话需求。可以理解，在计算候选决策会话需求和参考会话需求的需求相似值时，需要将候选决策会话需求和参考会话需求连通到同一互动维度上进行比较。
本实施例中，对各个第一参考描述分量进行需求决策，得到各个第一参考描述分量上各个预设会话需求分别对应的第一决策会话需求，对各个第一决策会话需求进行第一次筛选，从中筛选出各个第一参考描述分量对应的候选决策会话需求，对各个候选决策会话需求进行第二次筛选，从中筛选出第二决策会话需求。这样，经过两次筛选可以从各个互动维度的第一参考描述分量的需求决策结果中准确筛选出与参考会话需求最接近的会话需求。
一种可独立实施的实施例中，根据第二决策会话需求对第三参考描述分量进行需求决策，得到第二决策会话需求对应的第三决策会话需求，包括：
根据各个第一参考描述分量的互动维度优先级确定各个第一参考描述分量之间的会话连通信息；根据会话连通信息将第二决策会话需求连通到第一参考描述分量对应的第三参考描述分量上；对连通后的第三参考描述分量进行需求决策，得到第二决策会话需求对应的第三决策会话需求。
一种可独立实施的实施例中，深度学习服务系统100在对第三参考描述分量进行需求决策时，因为第二决策会话需求是特定第一参考描述分量上的第一决策会话需求，该第一参考描述分量和第三参考描述分量的互动维度不一定一致，所以深度学习服务系统100需要将第二决策会话需求同步连通到各个第三参考描述分量上。深度学习服务系统100可以先根据各个第一参考描述分量的互动维度优先级确定各个第一参考描述分量之间的会话连通信息。会话连通信息是指在各个第一参考描述分量之间，用于表示参考信息流会话大数据上同一原始描述分量单元的各个特征描述分量单元的对应关系。例如，第一参考描述分量1的互动维度小于第一参考描述分量2，第一参考描述分量1上的一个特征描述分量单元对应第一参考描述分量2上的一个数据单元，该特征描述分量单元和该数据单元都表示参考信息流会话大数据上同一区域对应的信息流会话大数据特征，该特征描述分量单元和该数据单元上的各个特征描述分量单元存在对应关系。然后，深度学习服务系统100根据会话连通信息将第二决策会话需求连通到第一参考描述分量对应的第三参考描述分量上，再对连通后的第三参考描述分量进行需求决策，得到第二决策会话需求对应的第三决策会话需求。在映射第二决策会话需求时，深度学习服务系统100需要先确定第二决策会话需求在第三参考描述分量上的映射位置，然后在该映射位置上生成固定互动维度的第二决策会话需求。也就是，各个第三参考描述分量上的第二决策会话需求的互动维度是相同的，互动节点是不同的。可以理解，各个第三参考描述分量的互动维度不同，同样范围太小的第二决策会话需求即使映射位置对应同一原始描述分量单元，各个第二决策会话需求也是对应参考信息流会话大数据上不同大小的数据单元。因此，对连通后的第三参考描述分量进行需求决策，进一步决策第二决策会话需求相对于目标会话行为数据的区别数据，可以更加精确地确定出目标会话行为数据。
一种可独立实施的实施例中，对连通后的第三参考描述分量进行需求决策，得到第二决策会话需求对应的第三决策会话需求，包括：
对连通后的第三参考描述分量进行需求决策，得到第二决策会话需求对应的第二决策区别数据；根据第二决策会话需求和对应的第二决策区别数据得到对应的第三决策会话需求。
一种可独立实施的实施例中，深度学习服务系统100可以对连通后的第三参考描述分量进行需求决策，根据第二决策会话需求在第三参考描述分量上所处位置的信息流会话大数据特征得到第二决策会话需求对应的第二决策区别数据，再根据第二决策区别数据调整第二决策会话需求得到对应的第三决策会话需求。
本实施例中，将第二决策会话需求连通到各个第三参考描述分量上，对连通后的第三参考描述分量进行需求决策，可以在第一次决策的基础上，综合各个互动维度进行第二次决策，根据第二次决策结果对第一次决策的会话需求进行修正，从而得到更准确的决策会话需求。
一种可独立实施的实施例中，根据网络评估指标第二决策会话需求决策学习网络的网络权重信息，直至达到训练终止要求，得到目标会话需求决策学习网络，包括：
步骤S210，将与参考会话需求的需求相似值大于目标相似值的预设会话需求和第二决策会话需求对应的参考决策概率确定为第一决策概率，将与参考会话需求的需求相似值小于或等于目标相似值的预设会话需求和第二决策会话需求对应的参考决策概率确定为第二决策概率。
其中，决策概率是用于确定会话需求所相关的需求标签的类别。当会话需求对应的决策概率为第一决策概率时，确定会话需求映射的是目标会话行为数据。当会话需求对应的决策概率为第二决策概率时，确定会话需求映射的不是目标会话行为数据。第一决策概率和第二决策概率可以根据需要进行设置，例如，将第一决策概率确定为1，第二决策概率确定为0。目标相似值也可以根据需要进行设置，例如，将目标相似值设置为0.5。
一种可独立实施的实施例中，为了进一步提高目标会话行为数据的解析精度，除了训练网络修正预设会话需求得到决策会话需求，还可以进一步训练网络输出决策会话需求的类别，从而综合决策会话需求的需求源节点数据和类别可以更准确地定位目标会话行为数据。深度学习服务系统100可以对第一参考描述分量上的预设会话需求进行分类，将与参考会话需求需求相似值大于目标相似值的预设会话需求作为前向原本，将与参考会话需求需求相似值小于或等于目标相似值的预设会话需求作为后向样本，同理，深度学习服务系统100也可以对第三参考描述分量上的第二决策会话需求进行分类，将与参考会话需求需求相似值大于目标相似值的第二决策会话需求作为前向原本，将与参考会话需求需求相似值小于或等于目标相似值的第二决策会话需求作为后向样本。深度学习服务系统100可以将前向原本对应的决策概率确定为第一决策概率，将后向样本对应的决策概率确定为第二决策概率。这样，深度学习服务系统100根据前向原本和后向样本可以对模型进行有监督训练，从而使网络准确决策会话需求对应的决策概率。
可以理解，在计算预设会话需求和参考会话需求之间的需求相似值，以及第二决策会话需求和参考会话需求之间的需求相似值时，需要将预设会话需求和参考会话需求连通到同一互动维度后再进行计算，将第二决策会话需求和参考会话需求连通到同一互动维度后再进行计算。
步骤S220，根据预设会话需求对应的预测概率和参考决策概率、第二决策会话需求对应的预测概率和参考决策概率生成决策差异指标；预设会话需求对应的预测概率是对第一参考描述分量进行需求决策得到的，第二决策会话需求对应的预测概率是对第三参考描述分量进行需求决策得到的。
步骤S230，根据网络评估指标和决策差异指标第二决策会话需求决策学习网络的网络权重信息，直至达到训练终止要求，得到目标会话需求决策学习网络。
一种可独立实施的实施例中，在对第一参考描述分量进行需求决策的时候，深度学习服务系统100不仅可以得到预设会话需求对应的第一决策区别数据，还可以得到预设会话需求对应的预测概率，同理，在对第三参考描述分量进行需求决策的时候，深度学习服务系统100不仅可以得到第二决策会话需求对应的第一决策区别数据，还可以得到第二决策会话需求对应的预测概率。因此，深度学习服务系统100可以根据预设会话需求对应的预测概率和参考决策概率之间的决策概率差异、第二决策会话需求对应的预测概率和参考决策概率之间的决策概率差异计算决策差异指标，结合网络评估指标和决策差异指标进行反向传播更新，第二决策会话需求决策学习网络的网络权重信息，直至达到训练终止要求，得到目标会话需求决策学习网络。这样，目标会话需求决策学习网络在应用时，结合会话需求的需求源节点数据和类别可以准确检测出目标会话行为数据。
本实施例中，根据网络评估指标和决策差异指标训练模型，能够让目标会话需求决策学习网络同时决策会话需求的需求源节点数据和类别，从而根据会话需求的需求源节点数据和类别准确定位目标会话行为数据。
一种可独立实施的实施例中，根据网络评估指标和决策差异指标第二决策会话需求决策学习网络的网络权重信息，直至达到训练终止要求，得到目标会话需求决策学习网络，包括：
步骤S310，将参考信息流会话大数据输入满足收敛条件的标的会话需求挖掘网络，得到各个第一参考描述分量对应的第一标的描述分量和各个第三参考描述分量对应的第二标的描述分量；标的会话需求挖掘网络的网络权重信息量大于会话需求决策学习网络的网络权重信息量，标的会话需求挖掘网络和会话需求决策学习网络的描述分量提取单元之间存在对应关系；
步骤S320，根据第一参考描述分量和对应的第一标的描述分量之间的第一重合度、第三参考描述分量和对应的第二标的描述分量之间的第二重合度生成标的差异指标；
步骤S330，根据网络评估指标、决策差异指标和标的差异指标第二决策会话需求决策学习网络的网络权重信息，直至达到训练终止要求，得到目标会话需求决策学习网络。
其中，标的会话需求挖掘网络为父会话需求挖掘网络，会话需求决策学习网络为子会话需求挖掘网络。父会话需求挖掘网络的网络权重信息量大于子会话需求挖掘网络的网络权重信息量，父会话需求挖掘网络的网络单元组成和子会话需求挖掘网络的网络单元组成可以相同可以不同。父会话需求挖掘网络通过对输入信息流会话大数据进行描述分量提取得到的描述分量的参数量比学习模型通过对输入信息流会话大数据进行描述分量提取得到的描述分量的参数量大，主要在于父会话需求挖掘网络提取得到的描述分量的核函数数量更多。父会话需求挖掘网络和子会话需求挖掘网络都包括描述分量提取单元，父会话需求挖掘网络的描述分量提取单元可以和学习模型的描述分量提取单元的层数相同，当然，父会话需求挖掘网络的描述分量提取单元也可以比子会话需求挖掘网络的描述分量提取单元多。
一种可独立实施的实施例中，会话需求决策学习网络在应用时对计算性能要求高，传统的会话需求决策学习网络往往计算量很大，导致学习和预测效率较低，因此，为了提高会话需求决策学习网络的检测效率，可以进一步对会话需求决策学习网络进行处理，得到轻量级的会话需求决策学习网络。深度学习服务系统100可以获取满足收敛条件的标的会话需求挖掘网络，将同一参考信息流会话大数据分别输入标的会话需求挖掘网络和会话需求决策学习网络。深度学习服务系统100通过会话需求决策学习网络对参考信息流会话大数据进行数据处理，可以得到第一参考描述分量和第三参考描述分量，通过标的会话需求挖掘网络对参考信息流会话大数据进行数据处理，可以得到第一标的描述分量和第二标的描述分量。学习网络通过描述分量提取单元对参考信息流会话大数据进行描述分量提取可以得到初始描述分量，由存在对应关系的描述分量提取单元输出的第一参考描述分量和第一标的描述分量也存在对应关系。模型对初始描述分量进行扩展和融合可以得到对应的目标描述分量，由存在对应关系的第一参考描述分量和第一标的描述分量通过融合得到的第三参考描述分量和第二标的描述分量也存在对应关系。
由于标的会话需求挖掘网络具有较强的特征表达能力，因此可以让第一参考描述分量向第一标的描述分量学习，让第一参考描述分量向第一标的描述分量靠近，让第三参考描述分量向第二标的描述分量学习，让第三参考描述分量向第二标的描述分量靠近。深度学习服务系统100可以计算第一参考描述分量和对应的第一标的描述分量之间的第一重合度，计算第三参考描述分量和对应的第二标的描述分量之间的第二重合度，根据第一重合度和第二重合度生成标的差异指标，结合网络评估指标、决策差异指标和标的差异指标共同进行反向传播更新，第二决策会话需求决策学习网络的网络权重信息，直至达到训练终止要求，得到目标会话需求决策学习网络。
一种可独立实施的实施例中，标的会话需求挖掘网络是预先训练好的，训练过程和会话需求决策学习网络相同，都是根据网络评估指标、或网络评估指标和决策差异指标训练得到的。
一种可独立实施的实施例中，标的会话需求挖掘网络和会话需求决策学习网络的描述分量提取单元的层数相同，并且排序相同的描述分量提取单元之前存在对应关系。例如，标的会话需求挖掘网络和会话需求决策学习网络均包括三个描述分量提取单元，标的会话需求挖掘网络的第一描述分量提取单元和会话需求决策学习网络的第一描述分量提取单元对应，标的会话需求挖掘网络的第二描述分量提取单元和会话需求决策学习网络的第二描述分量提取单元对应，标的会话需求挖掘网络的第三描述分量提取单元和会话需求决策学习网络的第三描述分量提取单元对应。
一种可独立实施的实施例中，标的会话需求挖掘网络的描述分量提取单元多于会话需求决策学习网络的描述分量提取单元。会话需求决策学习网络的第一个描述分量提取单元和标的会话需求挖掘网络的第一个描述分量提取单元对应，会话需求决策学习网络的最后一个描述分量提取单元和标的会话需求挖掘网络的最后一个描述分量提取单元对应，从而保障会话需求决策学习网络从信息流会话大数据中提取得到的浅层和深层特征接近于标的会话需求挖掘网络的能力。而会话需求决策学习网络的其它描述分量提取单元分别和标的会话需求挖掘网络的一个描述分量提取单元对应，但是需要注意的是，不可以交叉对应。例如，标的会话需求挖掘网络包括六个描述分量提取单元，会话需求决策学习网络包括四个描述分量提取单元，会话需求决策学习网络的第一描述分量提取单元和标的会话需求挖掘网络中的第一描述分量提取单元对应，会话需求决策学习网络的第四描述分量提取单元和标的会话需求挖掘网络中的第六描述分量提取单元对应，当会话需求决策学习网络的第二描述分量提取单元和标的会话需求挖掘网络中的第三描述分量提取单元对应时，会话需求决策学习网络的第三描述分量提取单元不能和标的会话需求挖掘网络中的第二描述分量提取单元对应，不能形成交叉对应，此时，会话需求决策学习网络的第三描述分量提取单元只能和标的会话需求挖掘网络中的第四描述分量提取单元或第五描述分量提取单元对应。
本实施例中，在深度学习训练时，进一步对会话需求决策学习网络进行知识蒸馏，可以得到轻量级的会话需求决策学习网络，从而目标会话需求决策学习网络在应用时，既可以保障解析精度，又可以保障检测速度快。
一种可独立实施的实施例中，根据第一参考描述分量和对应的第一标的描述分量之间的第一重合度、第三参考描述分量和对应的第二标的描述分量之间的第二重合度生成标的差异指标，包括：
对各个第一参考描述分量进行互动维度编码，以使各个互动维度编码后的第一参考描述分量和对应的第一标的描述分量的互动维度相同；计算互动维度编码后的第一参考描述分量和对应的第一标的描述分量之间的第一描述分量匹配度，根据各个第一描述分量匹配度得到第一重合度；对各个第三参考描述分量进行互动维度编码，以使各个互动维度编码后的第三参考描述分量和对应的第二标的描述分量的互动维度相同；计算互动维度编码后的第三参考描述分量和对应的第二标的描述分量之间的第二描述分量匹配度，根据各个第二描述分量匹配度得到第二重合度；根据第一重合度和第二重合度生成标的差异指标。
一种可独立实施的实施例中，由于标的会话需求挖掘网络的网络权重信息量大于目标会话行为数据模型的网络权重信息量，第一标的描述分量的互动维度比对应的第一参考描述分量大，第二标的描述分量的互动维度比对应的第三参考描述分量大。因此，在计算重合度时，需要将存在对应关系的描述分量转化为同一互动维度，通过互动维度相同的描述分量之间的欧式距离来衡量描述分量之间的分量相似度。深度学习服务系统100可以对各个第一参考描述分量进行互动维度编码，使得各个互动维度编码后的第一参考描述分量和对应的第一标的描述分量的互动维度相同，然后计算互动维度编码后的第一参考描述分量和对应的第一标的描述分量之间的第一描述分量匹配度，根据第一描述分量匹配度得到第一参考描述分量和对应的第一标的描述分量之间的第一重合度。例如，直接将第一描述分量匹配度作为第一重合度。同理，深度学习服务系统100可以对各个第三参考描述分量进行互动维度编码，使得各个互动维度编码后的第三参考描述分量和对应的第二标的描述分量的互动维度相同，然后计算互动维度编码后的第三参考描述分量和对应的第二标的描述分量之间的第二描述分量匹配度，根据第二描述分量匹配度得到第三参考描述分量和对应的第二标的描述分量之间的第二重合度。最后，深度学习服务系统100根据第一重合度和第二重合度生成标的差异指标，例如，将第一重合度和第二重合度的和作为标的差异指标。
以第一重合度为例说明重合度计算过程。假设会话需求决策学习网络和标的会话需求挖掘网络均包括六个描述分量提取单元，并且排序相同的描述分量提取单元之前存在对应关系。同一参考信息流会话大数据分别输入会话需求决策学习网络和标的会话需求挖掘网络后，可以得到六个第一参考描述分量和六个第一标的描述分量。存在对应关系的描述分量提取单元输出的第一参考描述分量和第一标的描述分量相互对应。深度学习服务系统100可以对第一参考描述分量进行互动维度编码，使第一参考描述分量和对应的第一标的描述分量的互动维度相同，进而计算互动维度相同的第一参考描述分量和对应的第一标的描述分量之间的欧式距离，得到六个欧式距离，然后根据六个欧式距离得到第一重合度。
本实施例中，将两个描述分量转化为同一互动维度后，再根据描述分量之间的欧式距离得到描述分量之间的重合度，能够准确衡量描述分量之间的分量相似度。
一种可独立实施的实施例中，参阅图2所示，提供了一种基于大数据的信息流会话推荐方法，基于大数据的信息流会话推荐方法包括以下步骤：
步骤S510，获取信息服务终端的待挖掘的信息流会话大数据。
步骤S520，根据训练完成的会话需求决策学习网络对待挖掘的信息流会话大数据进行描述分量提取，得到多个互动维度的第一会话描述分量；各个第一会话描述分量中包括对应的预设会话需求。
步骤S530，对各个第一会话描述分量进行需求决策，得到待挖掘的信息流会话大数据上目标会话行为数据对应的待定会话需求。
步骤S540，根据第一会话描述分量得到第一会话描述分量对应的第二会话描述分量，将第一会话描述分量与对应的第二会话描述分量进行权重计算，得到对应的第三会话描述分量。
步骤S550，根据待定会话需求对第三会话描述分量进行需求决策，得到待挖掘的信息流会话大数据上目标会话行为数据对应的目标会话需求，并根据目标会话需求对信息服务终端进行会话推荐。
一种可独立实施的实施例中，深度学习服务系统100可以在本地、或从其它终端、云端服务平台获取待挖掘的信息流会话大数据，例如，在在线医疗服务场景下，可以从在线医疗服务平台获取医疗服务流程的医疗会话数据，将医疗会话数据中的数据集作为待挖掘的信息流会话大数据，对待挖掘的信息流会话大数据进行在线医疗需求挖掘。深度学习服务系统100可以对待挖掘的信息流会话大数据进行描述分量提取，得到多个互动维度的第一会话描述分量，并在各个第一会话描述分量上标注添加至少一种预设会话需求。深度学习服务系统100对各个第一会话描述分量进行需求决策，得到各个预设会话需求对应的候选解析会话需求，从各个候选解析会话需求中确定待挖掘的信息流会话大数据上目标会话行为数据对应的待定会话需求。深度学习服务系统100具体可以是从各个候选解析会话需求中选择决策概率大于目标相似值的候选解析会话需求作为待定会话需求，其中，决策概率也是深度学习服务系统100对各个第一会话描述分量进行需求决策得到的，预设会话需求对应的候选解析会话需求是对第一会话描述分量进行需求决策得到各个预设会话需求对应的初始检测区别数据，根据预设会话需求和对应的初始检测区别数据得到的。接着，深度学习服务系统100对第一参考描述分量进行特征扩展和关联处理，得到第一参考描述分量对应的第二参考描述分量，将第一参考描述分量和对应的第二参考描述分量进行权重计算，得到对应的第三参考描述分量，其中，第一参考描述分量和对应的第二参考描述分量为互动维度相同的描述分量。深度学习服务系统100可以将待定会话需求作为第三会话描述分量上的预设会话需求，对第三会话描述分量进行需求决策，得到待定会话需求对应的中间解析会话需求，从各个中间解析会话需求中确定待挖掘的信息流会话大数据上目标会话行为数据对应的目标会话需求。深度学习服务系统100具体可以是从各个中间解析会话需求中选择决策概率大于目标相似值的中间解析会话需求作为目标会话需求，其中，决策概率也是深度学习服务系统100对第三会话描述分量进行需求决策得到的，待定会话需求对应的中间解析会话需求是对第三会话描述分量进行需求决策得到待定会话需求对应的目标检测区别数据，根据待定会话需求和对应的目标检测区别数据得到的。
可以理解，对信息流会话大数据进行描述分量提取、对描述分量进行需求决策、生成第三会话描述分量的具体过程都可以参照前述基于大数据的信息流会话推荐方法的各个相关实施例的基于大数据的信息流会话推荐方法，此处不再赘述。前述基于大数据的信息流会话推荐方法的各个相关实施例的基于大数据的信息流会话推荐方法不仅可以由模型实现，也可以设计相应算法或公式来实现。
一种可独立实施的实施例中，深度学习服务系统100可以借助深度学习网络对待挖掘的信息流会话大数据进行基于大数据的信息流会话推荐。深度学习服务系统100可以将待挖掘的信息流会话大数据输入目标会话需求决策学习网络，模型输出待挖掘的信息流会话大数据上目标会话行为数据对应的目标会话需求。其中，会话需求决策学习网络的训练过程可以参照前述基于大数据的信息流会话推荐方法的各个相关实施例的基于大数据的信息流会话推荐方法，此处不再赘述。
上述基于大数据的信息流会话推荐方法，对各个第一会话描述分量进行需求决策，由此对预设会话需求进行初步优化后得到待定会话需求，通过融合不同描述分量可以得到特征准确度更高的第三参考描述分量，根据待定会话需求对第三参考描述分量进行需求决策，由此对待定会话需求进行进一步更新后得到目标会话需求，目标会话需求可以更准确地反映目标会话行为数据的实际需求，从而提高了目标会话行为数据的解析精度，从而提高对信息服务终端进行会话推荐的准确性，以使得推送内容能够更有效地符合用户的实际需求。
一种可独立实施的实施例中，针对前述的步骤S550，可以通过以下步骤实现。
步骤A601，获取目标会话需求的在线数字化内容数据集。
例如，在线数字化内容数据集包括目标会话需求的一系列的在线数字化内容数据以及目标推送内容数据。
步骤A602，从在线数字化内容数据集中获取与预设用户画像特征匹配的数字化内容更新行为，得到数字化内容更新行为的更新行为数据；其中，数字化内容更新行为包括热点内容更新行为和订阅内容更新行为。
例如，数字化内容更新行为用于记录不同的在线数字化内容数据的内容更新信息，如内容更新的时序特征、数据源特征等。
步骤A603，从更新行为数据中提取用于确定目标会话需求的定制化推送内容的目标行为数据。
步骤A604，基于目标行为数据对目标会话需求进行定制化推送内容获取，得到目标会话需求的定制化推送内容的内容索引信息；通过内容索引信息从在线数字化内容数据集中确定目标推送内容数据，并对目标推送内容数据进行会话推荐。
例如，内容索引信息用于对在线数字化内容数据集进行不同内容数据的筛分。
如此，能够在获取得到的在线数字化内容数据集中获取与预设用户画像特征匹配的数字化内容更新行为，以得到更新行为数据，从而从更新行为数据中提取目标行为数据，这样可以基于目标行为数据对目标会话需求进行定制化推送内容获取得到内容索引信息。如此，可以通过内容索引信息从在线数字化内容数据集中筛选出目标推送内容数据并进行会话推荐。由于在确定目标推送内容数据时是考虑了目标会话需求的定制化推送内容的，因此能够在不影响目标会话需求的正常的会话推送信息的前提下从目标会话需求的在线数字化内容数据集中确定出由于定制化的目标推送内容数据，并对目标推送内容数据进行会话推荐。
一种可独立实施的实施例中，目标会话需求包括主动会话需求类型和被动会话需求类型，基于此，步骤A602所描述的从在线数字化内容数据集中获取与预设用户画像特征匹配的数字化内容更新行为，得到数字化内容更新行为的更新行为数据可以包括步骤A6021和步骤A6022。
步骤A6021，从在线数字化内容数据集中获取与主动会话需求类型对应的第一在线数字化内容数据集和与被动会话需求类型对应的第二在线数字化内容数据集。
步骤A6022，从第一在线数字化内容数据集的每个在线数字化内容数据和第二在线数字化内容数据集的每个在线数字化内容数据中分别获取与预设用户画像特征匹配的数字化内容更新行为，并确定从第一在线数字化内容数据集的每个在线数字化内容数据中获取与预设用户画像特征匹配的数字化内容更新行为为订阅内容更新行为，确定从第二在线数字化内容数据集的每个在线数字化内容数据中获取与预设用户画像特征匹配的到的数字化内容更新行为为热点内容更新行为。
在上述内容中，被动会话需求类型不包括非法会话需求类型。
另一种可独立实施的实施例中，更新行为数据包括行为更新趋势数据，行为更新趋势数据用于对更新行为数据的趋势情况进行总结，从而便于后续分析。在此基础上，步骤A603所描述的从更新行为数据中提取用于确定目标会话需求的定制化推送内容的目标行为数据，可以包括以下步骤A6031和步骤A6032。
步骤A6031，从更新行为数据中提取热点内容更新行为的更新行为数据。
例如，更新行为数据中包括热点内容更新行为的更新行为数据以及订阅内容更新行为的更新行为数据。
步骤A6032，根据热点内容更新行为的行为更新趋势数据生成热点内容更新行为的行为趋势知识图谱。其中，目标行为数据包括热点内容更新行为的行为趋势知识图谱。
例如，行为趋势知识图谱用于对热点内容更新行为的行为更新趋势数据进行知识图谱的特征表达，这样可以实现对大量的行为更新趋势数据的实体化处理，从而在不改变行为更新趋势数据的数据特征的前提下尽可能提高目标行为数据的准确性。
另一种可独立实施的实施例中，步骤A602所描述的从在线数字化内容数据集中获取与预设用户画像特征匹配的数字化内容更新行为，得到数字化内容更新行为的更新行为数据，以及步骤A603所描述的从更新行为数据中提取用于确定目标会话需求的定制化推送内容的目标行为数据，可以通过以下两种实施方式实现，当然，在实际实施时，并不限于以下两种实施方式。
第一种实施方式。
（11）对第一在线数字化内容数据集的每个在线数字化内容数据进行内容更新行为识别，生成数字化内容更新行为的更新行为数据，其中，更新行为数据包括：用于区分数字化内容更新行为的目标行为节点及行为类别属性。
（12）根据行为类别属性确定数字化内容更新行为中的热点内容更新行为，并将第一在线数字化内容数据集的每个在线数字化内容数据中与热点内容更新行为的目标行为节点对应的行为节点数据输入到更新行为识别模型中，得到热点内容更新行为是否对应预设更新状态的行为识别结果，其中，预设更新状态包括：动态更新状态和/或静态更新状态。
例如，更新行为识别模型可以是训练的卷积神经网络，其功能可以基于上述内容进行适应性调整，因此在此不作更多说明。
（13）在从第一在线数字化内容数据集中的多个连续的在线数字化内容数据中识别到热点内容更新行为均对应预设更新状态时，记录热点内容更新行为的动态更新行为，其中，目标行为数据包括热点内容更新行为的动态更新行为。
第二种实施方式。
（21）对第二在线数字化内容数据集的每个在线数字化内容数据进行内容更新行为识别，生成数字化内容更新行为的更新行为数据，其中，更新行为数据包括：用于区分数字化内容更新行为的目标行为节点及行为类别属性。
（22）根据行为类别属性确定数字化内容更新行为中的订阅内容更新行为，并将第二在线数字化内容数据集的每个在线数字化内容数据中与每个订阅内容更新行为的目标行为节点对应的行为节点数据分别输入到行为触发识别模型，得到每个在线数字化内容数据中每个订阅内容更新行为的行为触发识别信息。
同样地，行为触发识别模型可以是预先训练的卷积神经网络，其功能可以基于上述内容进行适应性调整，因此在此不作更多说明。
（23）在从第二在线数字化内容数据集中相关联的在线数字化内容数据中识别到订阅内容更新行为的行为触发识别信息的行为触发数量的变化率大于设定变化率时，记录订阅内容更新行为的频繁触发行为，其中，目标行为数据包括订阅内容更新行为的频繁触发行为。
在上述的实施方式中，订阅内容更新行为的目标行为节点包括用于区分订阅内容更新行为的主动更新属性和被动更新属性的第一目标行为节点和用于区分订阅内容更新行为的被动更新属性对应的被动更新方式的第二目标行为节点；其中，行为触发识别模型基于第一目标行为节点的行为触发请求数据计算订阅内容更新行为的行为触发识别信息。
另一种可独立实施的实施例中，方法还可以包括以下步骤A21-步骤A23所描述的内容。
步骤A21，获取目标会话需求的第一会话需求内容数据集和第二会话需求内容数据集，其中，第一会话需求内容数据集中的第一会话需求内容数据和第二会话需求内容数据集中对应的第二会话需求内容数据是具有不相同的内容时序节点的。
步骤A22，根据第一会话需求内容数据和第二会话需求内容数据中相同订阅内容更新行为的更新行为记录，确定相应的订阅内容更新行为的更新可靠性数据。
步骤A23，将在线数字化内容数据集的每个在线数字化内容数据中与每个订阅内容更新行为的目标行为节点对应的行为节点数据分别输入到行为触发识别模型，得到每个在线数字化内容数据中每个订阅内容更新行为的行为触发识别信息包括：将在线数字化内容数据集的每个在线数字化内容数据中与每个订阅内容更新行为的目标行为节点对应的行为节点数据以及相应的已标记的订阅内容更新行为的更新可靠性数据输入到行为触发识别模型，得到每个在线数字化内容数据中每个订阅内容更新行为的真实行为触发识别信息。
如此，能够对不同互动属性的会话需求内容数据进行分析，从而确定订阅内容更新行为的更新可靠性数据，这样一来，能够基于更新可靠性数据确定每个在线数字化内容数据中每个订阅内容更新行为的真实行为触发识别信息，从而确保行为触发识别信息的精确性，进而保证目标行为数据是符合实际要求的。
一种可独立实施的实施例中，步骤A604所描述的基于目标行为数据对目标会话需求进行定制化推送内容获取，得到目标会话需求的定制化推送内容的内容索引信息，可以包括以下步骤A60411-步骤A60415。
步骤A60411，基于目标行为数据确定针对目标会话需求的多个定制推荐内容属性集。
例如，定制推荐内容属性集用于指示从不同角度和不同层面对目标会话需求进行定制化推送内容获取。
步骤A60412，针对不满足预设内容属性要求的每一定制推荐内容属性集，对该定制推荐内容属性集的内容属性分布进行处理，得到满足内容关联条件的第一内容属性簇，将第一内容属性簇添加至该定制推荐内容属性集所对应的内容关联单元对应的内容关联库中，其中，内容关联条件为：定制化推送内容的获取流程中该定制推荐内容属性集所对应内容关联单元的内容关联条件。
例如，内容关联单元可以是预先配置的算法模型，可以根据实际情况进行选取，在此不作限定。
步骤A60413，采用预先生成的第二内容属性簇替换与预设的有效内容服务场景集的服务场景数据对应的内容关联库中已配置的第一内容属性簇，其中，第二内容属性簇为：对目标定制推荐内容属性集对应的动态定制推荐内容属性进行处理得到的满足有效内容服务场景集的内容关联条件的内容属性簇，目标定制推荐内容属性集为满足预设内容属性要求的定制推荐内容属性集，有效内容服务场景集对应的内容关联库与任一内容关联单元对应的内容关联库存在共享内容关联库。
步骤A60414，确定内容关联库中的具有内容热度的候选内容属性簇。
例如，内容热度用于指示候选内容属性簇的内容操作次数的顺序，内容热度越高，使用内容属性簇的顺序越靠前。
步骤A60415，采用候选内容属性簇对目标会话需求进行定制化推送内容获取，得到目标会话需求的定制化推送内容的内容索引信息。
可以理解，基于上述步骤A60411-步骤A60415，能够首先确定多个定制推荐内容属性集，然后实现对具有内容热度的候选内容属性簇的确定，如此，可以采用候选内容属性簇对目标会话需求进行定制化推送内容获取，这样可以确保内容索引信息和当前的内容推送场景是匹配的，从而有利于更加准确地实现后续的目标推送内容数据的筛分。
一种可独立实施的实施例中，步骤A60412所描述的针对不满足预设内容属性要求的每一定制推荐内容属性集，对该定制推荐内容属性集的内容属性分布进行处理，得到满足内容关联条件的第一内容属性簇，将第一内容属性簇添加至该定制推荐内容属性集所对应的内容关联单元对应的内容关联库中的步骤，可以包括以下步骤A604121和步骤A604122。
步骤A604121，针对不满足预设内容属性要求的每一定制推荐内容属性集，按照定制化推送内容的获取流程中该定制推荐内容属性集对应的内容关联单元的内容关联记录，对该定制推荐内容属性集的内容属性分布进行分簇，得到第一内容属性簇。
步骤A604122，针对不满足预设内容属性要求的每一定制推荐内容属性集，将该定制推荐内容属性集对应的第一内容属性簇添加至内容关联库中与该定制推荐内容属性集对应的内容关联单元所对应的内容关联节点。
一种可独立实施的实施例中，步骤A60413所描述的第二内容属性簇的生成方式，可以包括以下步骤A604131和步骤A604132。
步骤A604131，获取预存的与目标定制推荐内容属性集所满足的预设内容属性要求对应的动态定制推荐内容属性；当动态定制推荐内容属性为多个时，针对每个动态定制推荐内容属性。
步骤A604132，按照有效内容服务场景集中该动态定制推荐内容属性对应的内容关联单元的内容关联记录，对该动态定制推荐内容属性进行分簇，得到第二内容属性簇。
可以理解，通过实施上述步骤A604131和步骤A604132，能够确保第二内容属性簇与实际内容场景的匹配度，从而提高第二内容属性簇的解析准确率。
另一种可独立实施的实施例中，步骤A60412所描述的针对不满足预设内容属性要求的每一定制推荐内容属性集，对该定制推荐内容属性集的内容属性分布进行处理的步骤，可以包括：当目标行为数据所表示的行为触发方式为复合行为触发方式时，针对不满足预设内容属性要求的每一定制推荐内容属性集，对该定制推荐内容属性集的内容属性分布进行处理。
一种可独立实施的实施例中，当目标行为数据所表示的行为触发方式为独立行为触发方式时，方法还包括以下步骤A11-步骤A13。
步骤A11，针对不满足预设内容属性要求的每一定制推荐内容属性集，按照定制化推送内容的获取流程中该定制推荐内容属性集对应的内容关联单元的内容关联记录，对该定制推荐内容属性集的内容属性分布进行分簇，得到第一内容属性簇。
步骤A12，针对不满足预设内容属性要求的每一定制推荐内容属性集，将该定制推荐内容属性集对应的第一内容属性簇添加至内容关联库中与该定制推荐内容属性集对应的内容关联单元所对应的内容关联节点。
步骤A13，确定内容关联库中的具有内容热度的候选内容属性簇，其中，内容关联库中的具有内容热度的候选内容属性簇还包括：预先添加至与目标定制推荐内容属性集对应的内容关联单元所对应的内容关联库中的参考内容关联数据，参考内容关联数据为：对目标定制推荐内容属性集所满足的预设内容属性要求对应的动态定制推荐内容属性进行处理，得到的满足目标定制推荐内容属性集对应的内容关联单元的内容关联条件的内容关联数据。
可以理解，通过实施上述步骤A11-步骤A13，能够通过不同方式对定制推荐内容属性集的候选内容属性簇进行确定，从而提高确定候选内容属性簇的灵活性，确保在不同的场景下能够择一选用不同的方式确定候选内容属性簇。
一种可独立实施的实施例中，在步骤A13中，参考内容关联数据的添加方式，可以包括以下步骤A131-步骤A133。
步骤A131，获取预存的与目标定制推荐内容属性集所满足的预设内容属性要求对应的动态定制推荐内容属性。
步骤A132，按照目标定制推荐内容属性集对应的内容关联单元的内容关联记录，对动态定制推荐内容属性进行分簇，得到参考内容关联数据。
步骤A133，将参考内容关联数据添加至内容关联库中与目标定制推荐内容属性集对应的内容关联单元所对应的内容关联节点。
一种可独立实施的实施例中，为了确保对目标推送内容数据的准确拆分，需要考虑不同的内容推送热度，从而避免目标推送内容数据和在线数字化内容数据的产生影响。步骤A604所描述的通过内容索引信息从在线数字化内容数据集中确定目标推送内容数据，并对目标推送内容数据进行会话推荐，可以包括步骤A60421-步骤A60416所描述的内容。
步骤A60421，基于内容索引信息中的内容推送热度的层级信息，获取在线数字化内容数据集的各第一推送内容关联数据，以及各第一社交关联推送数据集的各第二推送内容关联数据；其中，在线数字化内容数据集与各第一社交关联推送数据集为不同互动属性的数据集；各第一推送内容关联数据至少包括在线数字化内容数据集被生成时对应的内容反馈信息和内容纠正信息，任一第一社交关联推送数据集的各第二推送内容关联数据至少包括该第一社交关联推送数据集被生成时对应的内容反馈信息和内容纠正信息。
步骤A60422，针对每个第一推送内容关联数据，以及每个第一社交关联推送数据集，在该第一社交关联推送数据集的第二推送内容关联数据中，确定与该第一推送内容关联数据的互动属性匹配的至少一第三推送内容关联数据，并根据该第一推送内容关联数据中包括的内容反馈信息和内容纠正信息，以及各第三推送内容关联数据中包括的内容反馈信息和内容纠正信息，判断该第一推送内容关联数据和各第三推送内容关联数据是否满足预定推送内容审核要求。
步骤A60423，若是，根据该第一推送内容关联数据中包括的内容反馈信息和内容纠正信息，以及各第三推送内容关联数据中包括的内容反馈信息和内容纠正信息，计算各第三推送内容关联数据与该第一推送内容关联数据之间的匹配度。
步骤A60424，当各第一推送内容关联数据与一第一社交关联推送数据集的各第三推送内容关联数据均满足预定推送内容审核要求时，将该第一社交关联推送数据集确定为候选社交关联推送数据集。
步骤A60425，根据各候选社交关联推送数据集的各第三推送内容关联数据与各第一推送内容关联数据之间的匹配度，确定各候选社交关联推送数据集与在线数字化内容数据集的匹配度。
步骤A60426，在候选社交关联推送数据集中获取匹配度大于预设匹配度的目标社交关联推送数据集，并建立各目标社交关联推送数据集与在线数字化内容数据集的内容引用信息，通过内容引用信息所对应的内容引用强度，从在线数字化内容数据集中确定目标推送内容数据，并对目标推送内容数据进行会话推荐。
可以理解，通过执行上述步骤A60421-步骤A60426，能够基于内容索引信息中的内容推送热度的层级信息，获取在线数字化内容数据集的各第一推送内容关联数据，以及各第一社交关联推送数据集的各第二推送内容关联数据，从而实现对第一推送内容关联数据和第二推送内容关联数据的分析，进而确定出内容引用强度。如此，在确定目标推送内容数据时，能够考虑不同的内容推送热度以及内容引用强度，这样可以确保对目标推送内容数据的准确解析，从而避免目标推送内容数据和在线数字化内容数据之间产生影响。
图3为本公开实施例提供的基于大数据的信息流会话推荐装置300的功能模块示意图，下面分别对该基于大数据的信息流会话推荐装置300的各个功能模块的功能进行详细阐述。
获取模块310，用于获取信息服务终端的待挖掘的信息流会话大数据。
提取模块320，用于根据训练完成的会话需求决策学习网络对待挖掘的信息流会话大数据进行描述分量提取，得到多个互动维度的第一会话描述分量，各个第一会话描述分量中包括对应的预设会话需求。
决策模块330，用于对各个第一会话描述分量进行需求决策，得到待挖掘的信息流会话大数据上目标会话行为数据对应的待定会话需求。
计算模块340，用于根据第一会话描述分量得到第一会话描述分量对应的第二会话描述分量，将第一会话描述分量与对应的第二会话描述分量进行权重计算，得到对应的第三会话描述分量。
推荐模块350，用于根据待定会话需求对第三会话描述分量进行需求决策，得到待挖掘的信息流会话大数据上目标会话行为数据对应的目标会话需求，并根据目标会话需求对信息服务终端进行会话推荐。
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的信息流会话推荐方法的深度学习服务系统100的硬件结构意图，如图4所示，深度学习服务系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。
在具体实现过程中，至少一个处理器110执行机器可读存储介质120存储的计算机可执行指令，使得处理器110可以执行如上方法实施例的基于大数据的信息流会话推荐方法，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，从而可以与前述的信息服务终端200进行数据收发。
处理器110的具体实现过程可参见上述深度学习服务系统100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
此外，本公开实施例还提供一种可读存储介质，所述可读存储介质中预设有计算机可执行指令，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的信息流会话推荐方法。
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匹配。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (10)

1.一种基于大数据的信息流会话推荐方法，其特征在于，应用于深度学习服务系统，所述深度学习服务系统与多个信息服务终端通信连接，所述方法包括：
获取所述信息服务终端的待挖掘的信息流会话大数据；
根据训练完成的会话需求决策学习网络对所述待挖掘的信息流会话大数据进行描述分量提取，得到多个互动维度的第一会话描述分量；各个第一会话描述分量中包括对应的预设会话需求；
对所述各个第一会话描述分量进行需求决策，得到所述待挖掘的信息流会话大数据上目标会话行为数据对应的待定会话需求；
根据第一会话描述分量得到第一会话描述分量对应的第二会话描述分量，将第一会话描述分量与对应的第二会话描述分量进行权重计算，得到对应的第三会话描述分量；
根据所述待定会话需求对所述第三会话描述分量进行需求决策，得到所述待挖掘的信息流会话大数据上目标会话行为数据对应的目标会话需求，并根据所述目标会话需求对所述信息服务终端进行会话推荐。
2.根据权利要求1所述的基于大数据的信息流会话推荐方法，其特征在于，所述方法还包括：
获取参考信息流会话大数据，将所述参考信息流会话大数据输入初始的会话需求决策学习网络，所述参考信息流会话大数据包括目标会话行为数据对应的参考会话需求；
对所述参考信息流会话大数据进行描述分量提取，得到多个互动维度的第一参考描述分量，各个第一参考描述分量中包括对应的预设会话需求；
对所述各个第一参考描述分量进行需求决策，得到各个预设会话需求对应的第一决策会话需求，根据各个预设会话需求和参考会话需求之间的需求区别信息，从各个第一决策会话需求中确定第二决策会话需求；
根据第一参考描述分量得到第一参考描述分量对应的第二参考描述分量，将第一参考描述分量与对应的第二参考描述分量进行权重计算，得到对应的第三参考描述分量；
根据所述第二决策会话需求对所述第三参考描述分量进行需求决策，得到第二决策会话需求对应的第三决策会话需求；
根据所述第一决策会话需求和所述参考会话需求的需求区别信息、所述第三决策会话需求和所述参考会话需求的需求区别信息生成网络评估指标，根据所述网络评估指标优化所述会话需求决策学习网络的网络权重信息，直至达到训练终止要求，得到目标会话需求决策学习网络。
3.根据权利要求2所述的基于大数据的信息流会话推荐方法，其特征在于，所述对所述各个第一参考描述分量进行需求决策，得到各个预设会话需求对应的第一决策会话需求，根据各个预设会话需求和参考会话需求之间的需求区别信息，从各个第一决策会话需求中确定第二决策会话需求，包括：
分别对各个第一参考描述分量进行需求决策，得到各个第一参考描述分量分别对应的第一决策区别数据集；所述第一决策区别数据集包括第一参考描述分量上各个预设会话需求分别对应的第一决策区别数据；
根据预设会话需求和对应的第一决策区别数据得到对应的第一决策会话需求；
在当前第一参考描述分量中，根据各个预设会话需求和参考会话需求之间的需求相似值，从各个预设会话需求中确定参考预设会话需求，将所述参考预设会话需求对应的第一决策会话需求作为所述当前第一参考描述分量对应的候选决策会话需求；
根据各个第一参考描述分量分别对应的候选决策会话需求得到所述第二决策会话需求。
4.根据权利要求2所述的基于大数据的信息流会话推荐方法，其特征在于，所述多个互动维度的第一参考描述分量为按互动维度优先级排列的第一参考描述分量；
所述根据第一参考描述分量得到第一参考描述分量对应的第二参考描述分量，包括：
将当前第一参考描述分量的互动维度扩展为所述当前第一参考描述分量对应的相邻优先级的互动维度，将扩展后的当前第一参考描述分量作为与所述扩展后的当前第一参考描述分量的互动维度相同的第一参考描述分量所对应的第二参考描述分量。
5.根据权利要求2所述的基于大数据的信息流会话推荐方法，其特征在于，所述根据所述第二决策会话需求对所述第三参考描述分量进行需求决策，得到第二决策会话需求对应的第三决策会话需求，包括：
根据各个第一参考描述分量的互动维度优先级确定各个第一参考描述分量之间的会话连通信息；
根据会话连通信息将所述第二决策会话需求连通到第一参考描述分量对应的第三参考描述分量上；
对连通后的第三参考描述分量进行需求决策，得到第二决策会话需求对应的第三决策会话需求。
6.根据权利要求5所述的基于大数据的信息流会话推荐方法，其特征在于，所述对连通后的第三参考描述分量进行需求决策，得到第二决策会话需求对应的第三决策会话需求，包括：
对连通后的第三参考描述分量进行需求决策，得到第二决策会话需求对应的第二决策区别数据；
根据第二决策会话需求和对应的第二决策区别数据得到对应的第三决策会话需求。
7.根据权利要求2所述的基于大数据的信息流会话推荐方法，其特征在于，所述根据所述网络评估指标优化所述会话需求决策学习网络的网络权重信息，直至达到训练终止要求，得到目标会话需求决策学习网络，包括：
将与参考会话需求的需求相似值大于目标相似值的预设会话需求和第二决策会话需求对应的参考决策概率确定为第一决策概率，将与参考会话需求的需求相似值小于或等于目标相似值的预设会话需求和第二决策会话需求对应的参考决策概率确定为第二决策概率；
根据预设会话需求对应的预测概率和参考决策概率、第二决策会话需求对应的预测概率和参考决策概率生成决策差异指标，所述预设会话需求对应的预测概率是对第一参考描述分量进行需求决策得到的，所述第二决策会话需求对应的预测概率是对第三参考描述分量进行需求决策得到的；
根据所述网络评估指标和所述决策差异指标优化所述会话需求决策学习网络的网络权重信息，直至达到训练终止要求，得到目标会话需求决策学习网络；
其中，所述根据所述网络评估指标和所述决策差异指标优化所述会话需求决策学习网络的网络权重信息，直至达到训练终止要求，得到目标会话需求决策学习网络，包括：
将所述参考信息流会话大数据输入满足收敛条件的标的会话需求挖掘网络，得到各个第一参考描述分量对应的第一标的描述分量和各个第三参考描述分量对应的第二标的描述分量；所述标的会话需求挖掘网络的网络权重信息量大于所述会话需求决策学习网络的网络权重信息量，所述标的会话需求挖掘网络和所述会话需求决策学习网络的描述分量提取单元之间存在对应关系；
根据第一参考描述分量和对应的第一标的描述分量之间的第一重合度、第三参考描述分量和对应的第二标的描述分量之间的第二重合度生成标的差异指标；
根据所述网络评估指标、所述决策差异指标和所述标的差异指标调整所述会话需求决策学习网络的网络权重信息，直至达到训练终止要求，得到目标会话需求决策学习网络；
其中，所述根据第一参考描述分量和对应的第一标的描述分量之间的第一重合度、第三参考描述分量和对应的第二标的描述分量之间的第二重合度生成标的差异指标，包括：
对各个第一参考描述分量进行互动维度编码，以使各个互动维度编码后的第一参考描述分量和对应的第一标的描述分量的互动维度相同；
计算互动维度编码后的第一参考描述分量和对应的第一标的描述分量之间的第一描述分量匹配度，根据各个第一描述分量匹配度得到所述第一重合度；
对各个第三参考描述分量进行互动维度编码，以使各个互动维度编码后的第三参考描述分量和对应的第二标的描述分量的互动维度相同；
计算互动维度编码后的第三参考描述分量和对应的第二标的描述分量之间的第二描述分量匹配度，根据各个第二描述分量匹配度得到所述第二重合度；
根据所述第一重合度和所述第二重合度生成标的差异指标。
8.根据权利要求1-7中任意一项所述的基于大数据的信息流会话推荐方法，其特征在于，所述根据所述目标会话需求对所述信息服务终端进行会话推荐的步骤，包括：
获取所述目标会话需求的在线数字化内容数据集；
从所述在线数字化内容数据集中获取与预设用户画像特征匹配的数字化内容更新行为，得到所述数字化内容更新行为的更新行为数据；其中，所述数字化内容更新行为包括热点内容更新行为和订阅内容更新行为；
从所述更新行为数据中提取用于确定目标会话需求的定制化推送内容的目标行为数据；
基于所述目标行为数据对所述目标会话需求进行定制化推送内容获取，得到所述目标会话需求的定制化推送内容的内容索引信息；
通过所述内容索引信息从所述在线数字化内容数据集中确定目标推送内容数据，并对所述目标推送内容数据进行会话推荐。
9.根据权利要求1所述的基于大数据的信息流会话推荐方法，其特征在于，所述基于所述目标行为数据对所述目标会话需求进行定制化推送内容获取，得到所述目标会话需求的定制化推送内容的内容索引信息，包括：
基于所述目标行为数据确定针对所述目标会话需求的多个定制推荐内容属性集；
针对不满足预设内容属性要求的每一定制推荐内容属性集，对该定制推荐内容属性集的内容属性分布进行处理，得到满足内容关联条件的第一内容属性簇，将所述第一内容属性簇添加至该定制推荐内容属性集所对应的内容关联单元对应的内容关联库中，其中，所述内容关联条件为：定制化推送内容的获取流程中该定制推荐内容属性集所对应内容关联单元的内容关联条件；
采用预先生成的第二内容属性簇替换与预设的有效内容服务场景集的服务场景数据对应的所述内容关联库中已配置的第一内容属性簇，其中，所述第二内容属性簇为：对目标定制推荐内容属性集对应的动态定制推荐内容属性进行处理得到的满足所述有效内容服务场景集的内容关联条件的内容属性簇，所述目标定制推荐内容属性集为满足所述预设内容属性要求的定制推荐内容属性集，所述有效内容服务场景集对应的内容关联库与任一内容关联单元对应的内容关联库存在共享内容关联库；
确定所述内容关联库中的具有内容热度的候选内容属性簇；
采用所述候选内容属性簇对所述目标会话需求进行定制化推送内容获取，得到所述目标会话需求的定制化推送内容的内容索引信息。
10.一种深度学习服务系统，其特征在于，所述深度学习服务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中任意一项的基于大数据的信息流会话推荐方法。
CN202111316452.7A 2021-11-08 2021-11-08 基于大数据的信息流会话推荐方法及深度学习服务系统 Active CN114219516B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111316452.7A CN114219516B (zh) 2021-11-08 2021-11-08 基于大数据的信息流会话推荐方法及深度学习服务系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111316452.7A CN114219516B (zh) 2021-11-08 2021-11-08 基于大数据的信息流会话推荐方法及深度学习服务系统

Publications (2)

Publication Number Publication Date
CN114219516A true CN114219516A (zh) 2022-03-22
CN114219516B CN114219516B (zh) 2023-06-30

Family

ID=80696690

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111316452.7A Active CN114219516B (zh) 2021-11-08 2021-11-08 基于大数据的信息流会话推荐方法及深度学习服务系统

Country Status (1)

Country Link
CN (1) CN114219516B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200034858A1 (en) * 2018-07-26 2020-01-30 EMC IP Holding Company LLC Dynamically Determining Customer Intent and Related Recommendations Using Deep Learning Techniques
CN110851699A (zh) * 2019-09-16 2020-02-28 中国平安人寿保险股份有限公司 基于深度强化学习的信息流推荐方法、装置、设备及介质
CN111046257A (zh) * 2019-12-09 2020-04-21 北京百度网讯科技有限公司 一种会话推荐方法、装置以及电子设备
CN111125530A (zh) * 2019-12-24 2020-05-08 中山大学 一种基于多类型特征深度学习的信息流推荐方法
KR20210042867A (ko) * 2020-09-01 2021-04-20 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. 콘텐츠 추천 방법, 장치, 기기 및 매체
CN112839104A (zh) * 2021-02-04 2021-05-25 葛天齐 应用于大数据推送服务的反馈处理方法及机器学习服务器
CN112967138A (zh) * 2020-09-24 2021-06-15 王海宏 基于区块链和云计算的信息推送方法及信息推送系统
CN113343093A (zh) * 2021-06-20 2021-09-03 曾新士 基于人工智能的智慧在线服务信息推荐方法及云计算系统
CN113343092A (zh) * 2021-06-20 2021-09-03 曾新士 基于大数据挖掘的内容源推荐更新方法及云计算服务系统
CN113360762A (zh) * 2021-06-19 2021-09-07 阚忠建 基于人工智能的内容推荐方法及人工智能内容推荐系统
CN113468404A (zh) * 2021-06-16 2021-10-01 何能江 基于大数据挖掘的推送资源确定方法及云计算ai服务系统
CN113468403A (zh) * 2021-06-16 2021-10-01 何能江 基于大数据挖掘的用户信息预测方法及云计算ai服务系统
CN113570439A (zh) * 2021-07-31 2021-10-29 王亮 基于人工智能的电子商务大数据挖掘方法及电子商务系统
CN113569139A (zh) * 2021-07-13 2021-10-29 华中科技大学 一种个性化会话推荐方法和系统
CN113570440A (zh) * 2021-07-31 2021-10-29 王亮 基于电子商务大数据的信息推送方法及电子商务系统

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200034858A1 (en) * 2018-07-26 2020-01-30 EMC IP Holding Company LLC Dynamically Determining Customer Intent and Related Recommendations Using Deep Learning Techniques
CN110851699A (zh) * 2019-09-16 2020-02-28 中国平安人寿保险股份有限公司 基于深度强化学习的信息流推荐方法、装置、设备及介质
CN111046257A (zh) * 2019-12-09 2020-04-21 北京百度网讯科技有限公司 一种会话推荐方法、装置以及电子设备
CN111125530A (zh) * 2019-12-24 2020-05-08 中山大学 一种基于多类型特征深度学习的信息流推荐方法
KR20210042867A (ko) * 2020-09-01 2021-04-20 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. 콘텐츠 추천 방법, 장치, 기기 및 매체
CN112967138A (zh) * 2020-09-24 2021-06-15 王海宏 基于区块链和云计算的信息推送方法及信息推送系统
CN112839104A (zh) * 2021-02-04 2021-05-25 葛天齐 应用于大数据推送服务的反馈处理方法及机器学习服务器
CN113468404A (zh) * 2021-06-16 2021-10-01 何能江 基于大数据挖掘的推送资源确定方法及云计算ai服务系统
CN113468403A (zh) * 2021-06-16 2021-10-01 何能江 基于大数据挖掘的用户信息预测方法及云计算ai服务系统
CN113360762A (zh) * 2021-06-19 2021-09-07 阚忠建 基于人工智能的内容推荐方法及人工智能内容推荐系统
CN113343093A (zh) * 2021-06-20 2021-09-03 曾新士 基于人工智能的智慧在线服务信息推荐方法及云计算系统
CN113343092A (zh) * 2021-06-20 2021-09-03 曾新士 基于大数据挖掘的内容源推荐更新方法及云计算服务系统
CN113569139A (zh) * 2021-07-13 2021-10-29 华中科技大学 一种个性化会话推荐方法和系统
CN113570439A (zh) * 2021-07-31 2021-10-29 王亮 基于人工智能的电子商务大数据挖掘方法及电子商务系统
CN113570440A (zh) * 2021-07-31 2021-10-29 王亮 基于电子商务大数据的信息推送方法及电子商务系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LIN LI等: "A Co-Attention Model with Sequential Behaviors and Side Information for Session- based Recommendation", 《2020 IEEE INTERNATIONAL CONFERENCE ON WEB SERVICES (ICWS)》 *
郭栋: "基于会话序列的推荐算法研究", 《中国优秀博硕士学位论文全文数据库（硕士）信息科技辑》 *
陈佳辉: "基于多任务学习的会话推荐系统研究", 《中国优秀博硕士学位论文全文数据库（硕士）信息科技辑》 *

Also Published As

Publication number Publication date
CN114219516B (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
CN110909182B (zh) 多媒体资源搜索方法、装置、计算机设备及存储介质
CN112100504B (zh) 内容推荐方法、装置、电子设备及存储介质
CN114221991A (zh) 基于大数据的会话推荐反馈处理方法及深度学习服务系统
CN113449011A (zh) 基于大数据预测的信息推送更新方法及大数据预测系统
CN113343073A (zh) 基于大数据和人工智能的信息欺诈识别方法及大数据系统
CN117216362A (zh) 内容推荐方法、装置、设备、介质和程序产品
CN113468404A (zh) 基于大数据挖掘的推送资源确定方法及云计算ai服务系统
CN110598126B (zh) 基于行为习惯的跨社交网络用户身份识别方法
CN105260458A (zh) 一种用于显示装置的视频推荐方法及显示装置
CN113468434B (zh) 资源推荐方法、装置、可读介质以及设备
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
Sinnott et al. Linking user accounts across social media platforms
CN114581139A (zh) 基于大数据意图挖掘的内容更新方法及深度学习服务系统
CN112860759B (zh) 基于区块链安全认证的大数据挖掘方法及云认证服务系统
CN114880572B (zh) 新闻客户端智能推荐系统
CN114757391B (zh) 一种面向服务质量预测的网络数据空间设计与应用方法
CN114219516A (zh) 基于大数据的信息流会话推荐方法及深度学习服务系统
CN115907829A (zh) 基于人工智能的用户账户分析方法及系统
CN112992367B (zh) 基于大数据的智慧医疗交互方法及智慧医疗云计算系统
CN112861115B (zh) 基于区块链安全认证的加密策略调用方法及云认证服务器
CN112749851B (zh) 基于人工智能的大数据需求预测方法及大数据云服务中心
CN111597444B (zh) 一种搜索方法、装置、服务器、存储介质
CN114912031A (zh) 基于聚类和协同过滤的混合推荐方法和系统
CN111460318B (zh) 基于显性和隐性信任的协同过滤推荐方法
CN114647787A (zh) 一种基于多模态数据的用户个性化推荐方法

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: 20230313

Address after: 100000 Unit 2001, 20th Floor, Building 20, East Third Ring Middle Road, Chaoyang District, Beijing

Applicant after: Promotion Technology (Beijing) Co.,Ltd.

Address before: Room 1206, building B, No. 188, Linxi Road, information industry base, Kunming Economic and Technological Development Zone, Yunnan 650501

Applicant before: Mei Ruisheng

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230627

Address after: 100000 Unit 2001, 20th Floor, Building 20, East Third Ring Middle Road, Chaoyang District, Beijing

Patentee after: Promotion Technology (Beijing) Co.,Ltd.

Address before: Room 1206, building B, No. 188, Linxi Road, information industry base, Kunming Economic and Technological Development Zone, Yunnan 650501

Patentee before: Mei Ruisheng

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230904

Address after: 100143 Commercial Floor 1, Building 1, Jianxiyuan Zhongli, Haidian District, Chaoyang District, Beijing

Patentee after: Beijing Zhongke Hui'an Technology Development Co.,Ltd.

Address before: 100000 Unit 2001, 20th Floor, Building 20, East Third Ring Middle Road, Chaoyang District, Beijing

Patentee before: Promotion Technology (Beijing) Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231219

Address after: Room 510, 5th Floor, No. 10 Shangdi Information Road, Haidian District, Beijing, 100085

Patentee after: Beijing Star Cube Technology Development Co.,Ltd.

Address before: 100143 Commercial Floor 1, Building 1, Jianxiyuan Zhongli, Haidian District, Chaoyang District, Beijing

Patentee before: Beijing Zhongke Hui'an Technology Development Co.,Ltd.