CN114443970A - 基于人工智能和大数据的数字化内容推送方法及ai系统 - Google Patents
基于人工智能和大数据的数字化内容推送方法及ai系统 Download PDFInfo
- Publication number
- CN114443970A CN114443970A CN202111647827.8A CN202111647827A CN114443970A CN 114443970 A CN114443970 A CN 114443970A CN 202111647827 A CN202111647827 A CN 202111647827A CN 114443970 A CN114443970 A CN 114443970A
- Authority
- CN
- China
- Prior art keywords
- interest
- social
- data
- target
- artificial intelligence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 149
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000004088 simulation Methods 0.000 claims abstract description 278
- 230000006399 behavior Effects 0.000 claims description 320
- 238000004458 analytical method Methods 0.000 claims description 32
- 238000011156 evaluation Methods 0.000 claims description 30
- 238000000605 extraction Methods 0.000 claims description 22
- 238000007418 data mining Methods 0.000 claims description 18
- 238000007637 random forest analysis Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 14
- 238000013135 deep learning Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims 2
- 230000004044 response Effects 0.000 description 62
- 230000008569 process Effects 0.000 description 30
- 238000009826 distribution Methods 0.000 description 8
- 238000005065 mining Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 229940127554 medical product Drugs 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000001503 joint Anatomy 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000009133 cooperative interaction Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开实施例提供一种基于人工智能和大数据的数字化内容推送方法及AI系统,通过将预先获取的业务推送意图对应的当前业务迭代周期的模拟趋势状态输入至预先训练的推送属性决策网络中,获得业务推送意图的推送决策属性,并基于业务推送意图对应的不同推送对象的推送配置信息,生成每个推送对象对应的数字化内容,可以通过业务推送意图的预先模拟趋势状态来预测业务推送意图的推送决策属性进行数字化内容推送,从而提高数字化内容的推送效率和推送精准度。
Description
技术领域
本公开涉及数字化应用技术领域,示例性地,涉及一种基于人工智能和大数据的数字化内容推送方法及AI系统。
背景技术
随着越来越多的互联网服务商加入数字化转型队列,每个互联网服务商都在期待着数字化带来的业务创新及优化。从云平台的应用、大数据的决策分析,再到工作流程自动化,互联网服务商的IT部门不再仅仅是维护互联网服务商本身的业务运作以及数据处理,而是需要接入整个生态系统进行业务交互,效率变得尤为重要。基于此,如何有效提高数字化内容的推送效率和推送精准度,是本领域亟待解决的技术问题。
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人工智能和大数据的数字化内容推送方法及AI系统。
第一方面,本公开提供一种基于人工智能和大数据的数字化内容推送方法,应用于AI系统,所述AI系统与多个数字化业务终端通信连接,所述方法包括:
将预先获取的业务推送意图对应的当前业务迭代周期的模拟趋势状态输入至预先训练的推送属性决策网络中,获得所述业务推送意图的推送决策属性,其中,所述推送决策属性包括针对所述业务推送意图对应的不同推送对象的推送配置信息;
基于所述业务推送意图对应的不同推送对象的推送配置信息,生成每个推送对象对应的数字化内容。
第二方面,本公开实施例还提供一种基于人工智能和大数据的数字化内容推送系统,所述基于人工智能和大数据的数字化内容推送系统包括AI系统以及与所述AI系统通信连接的多个数字化业务终端;
所述AI系统,用于:
将预先获取的业务推送意图对应的当前业务迭代周期的模拟趋势状态输入至预先训练的推送属性决策网络中,获得所述业务推送意图的推送决策属性,其中,所述推送决策属性包括针对所述业务推送意图对应的不同推送对象的推送配置信息;
基于所述业务推送意图对应的不同推送对象的推送配置信息,生成每个推送对象对应的数字化内容。
根据上述任意一个方面,本公开提供的实施方式中,通过将预先获取的业务推送意图对应的当前业务迭代周期的模拟趋势状态输入至预先训练的推送属性决策网络中,获得业务推送意图的推送决策属性,并基于业务推送意图对应的不同推送对象的推送配置信息,生成每个推送对象对应的数字化内容,可以通过业务推送意图的预先模拟趋势状态来预测业务推送意图的推送决策属性进行数字化内容推送,从而提高数字化内容的推送效率和推送精准度。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要调用的附图作简单地介绍,应当理解,以下附图仅示出了本公开的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它相关的附图。
图1为本公开实施例提供的基于人工智能和大数据的数字化内容推送系统的挖掘环境示意图;
图2为本公开实施例提供的基于人工智能和大数据的数字化内容推送方法的流程示意图;
图3为本公开实施例提供的基于人工智能和大数据的数字化内容推送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人工智能和大数据的数字化内容推送方法的AI系统的结构示意框图。
具体实施方式
下面结合说明书附图对本公开进行具体说明,方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。
图1是本公开一种实施例提供的基于人工智能和大数据的数字化内容推送系统10的挖掘环境示意图。基于人工智能和大数据的数字化内容推送系统10可以包括AI系统100以及与AI系统100通信连接的数字化业务终端200。图1所示的基于人工智能和大数据的数字化内容推送系统10仅为一种可行的示例,在其它可行的实施例中,该基于人工智能和大数据的数字化内容推送系统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,基于人工智能和大数据的数字化内容推送系统10中的AI系统100和数字化业务终端200可以通过配合执行以下方法实施例所描述的基于人工智能和大数据的数字化内容推送方法,具体AI系统100和数字化业务终端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人工智能和大数据的数字化内容推送方法可以由图1中所示的AI系统100执行,下面对该基于人工智能和大数据的数字化内容推送方法进行详细介绍。
步骤S110,将预先获取的业务推送意图对应的当前业务迭代周期的模拟趋势状态输入至预先训练的推送属性决策网络中,获得业务推送意图的推送决策属性。
本实施例中,推送决策属性例如可以包括针对业务推送意图对应的不同推送对象的推送配置信息。例如,业务推送意图包括不同推送对象,如电商推送意图中的数码产品类推送对象、汽车推送意图中的中大型车类推送对象等。该推送属性决策网络可以通过预先收集业务推送意图对应的当前业务迭代周期的模拟趋势状态样本进行模型训练获得。
步骤S120,基于业务推送意图对应的不同推送对象的推送配置信息,生成每个推送对象对应的数字化内容。
例如,可以获取业务推送意图对应的不同推送对象的推送配置信息相匹配的内容标签的数字化内容,作为每个推送对象对应的数字化内容进行内容推送。
基于以上步骤,本实施例通过将预先获取的业务推送意图对应的当前业务迭代周期的模拟趋势状态输入至预先训练的推送属性决策网络中,获得业务推送意图的推送决策属性,并基于业务推送意图对应的不同推送对象的推送配置信息,生成每个推送对象对应的数字化内容,可以通过业务推送意图的预先模拟趋势状态来预测业务推送意图的推送决策属性进行数字化内容推送,从而提高数字化内容的推送效率和推送精准度。
一种可独立实施的实施例中,本公开实施例还提供一种基于人工智能的大数据挖掘样本确定方法,包括以下步骤。
步骤A110,获取针对每个推送对象对应的数字化内容的包含目标社交观点发布数据的第一社交网络兴趣行为数据和第二社交网络兴趣行为数据。
一种可独立实施的实施例中,第一社交网络兴趣行为数据为标注有目标社交观点发布数据的目标社交兴趣主题标签和目标社交兴趣协同关系的社交网络兴趣行为数据。
例如,社交观点发布数据可以表征用户在社交观点发布过程中的一系列评论数据。第一社交网络兴趣行为数据与第二社交网络兴趣行为数据用于区分不同的社交网络兴趣行为数据。目标社交兴趣主题标签可以是具有社交兴趣的相关主题列表的类别标签等。目标社交兴趣协同关系可以用于表征相关的协同互动过程中形成的关系标签,如分享关系标签。
步骤A120,通过第一人工智能模型对所述第一社交网络兴趣行为数据中的所述目标社交观点发布数据进行社交兴趣主题标签和社交兴趣协同关系分析,得到第一预测社交兴趣主题标签和第一预测社交兴趣协同关系。
第一预测社交兴趣主题标签用于表征第一人工智能模型对第一社交网络兴趣行为数据中的目标社交观点发布数据进行社交兴趣主题标签解析之后得到的解析信息。第一预测社交兴趣协同关系用于表征第一人工智能模型对第一社交网络兴趣行为数据中的目标社交观点发布数据进行社交兴趣协同关系分析之后得到的解析信息。
在具体实施时,步骤A120所描述的通过第一人工智能模型对所述第一社交网络兴趣行为数据中的所述目标社交观点发布数据进行社交兴趣主题标签和社交兴趣协同关系分析,得到第一预测社交兴趣主题标签和第一预测社交兴趣协同关系,具体可以包括以下步骤A121和步骤A122所描述的内容。
步骤A121、通过所述第一人工智能模型对所述第一社交网络兴趣行为数据进行兴趣行为特征描述提取,得到所述第一社交网络兴趣行为数据对应的第一兴趣行为特征描述。
在本实施例中,第一兴趣行为特征描述用于表征与第一社交网络兴趣行为数据的相关特征描述。
一种可独立实施的实施例中,第一人工智能模型包括基准描述向量提取结构,所述基准描述向量提取结构包括由多个描述向量提取单元组成的卷积神经网络结构。进一步地,步骤A121所描述的通过所述第一人工智能模型对所述第一社交网络兴趣行为数据进行兴趣行为特征描述提取,得到所述第一社交网络兴趣行为数据对应的第一兴趣行为特征描述,具体包括:依次通过所述卷积神经网络结构的多个描述向量提取单元对所述第一社交网络兴趣行为数据进行特征提取处理,以提取所述第一社交网络兴趣行为数据对应的第一兴趣行为特征描述。
步骤A122、通过所述第一人工智能模型基于所述第一兴趣行为特征描述对所述第一社交网络兴趣行为数据中的所述目标社交观点发布数据进行社交兴趣主题标签和社交兴趣协同关系分析,得到第一预测社交兴趣主题标签和第一预测社交兴趣协同关系。
一种可独立实施的实施例中,第一人工智能模型包括决策结构,所述决策结构包括随机森林树分类单元、兴趣协同关系分类单元和社交兴趣主题标签分类单元。进一步地,步骤A122所描述的通过所述第一人工智能模型基于所述第一兴趣行为特征描述对所述第一社交网络兴趣行为数据中的所述目标社交观点发布数据进行社交兴趣主题标签和社交兴趣协同关系分析,得到第一预测社交兴趣主题标签和第一预测社交兴趣协同关系,具体可以包括步骤A1221-步骤A1223所描述的内容。
步骤A1221、通过所述随机森林树分类单元基于所述第一兴趣行为特征描述对所述第一社交网络兴趣行为数据中的所述目标社交观点发布数据进行随机森林树分类,得到随机森林树分类信息。
步骤A1222、通过所述兴趣协同关系分类单元基于所述第一兴趣行为特征描述和所述随机森林树分类信息,对所述第一社交网络兴趣行为数据中的所述目标社交观点发布数据的社交协同属性与所述目标社交观点发布数据的社交被协同属性的协同属性动态关系和协同属性静态关系进行解析,得到所述目标社交观点发布数据在所述第一社交网络兴趣行为数据中的第一预测社交兴趣协同关系。
步骤A1223、通过所述社交兴趣主题标签分类单元基于所述第一兴趣行为特征描述和所述随机森林树分类信息,对所述第一社交网络兴趣行为数据中的所述目标社交观点发布数据进行社交兴趣主题标签解析,得到所述目标社交观点发布数据的第一预测社交兴趣主题标签。
通过上述描述内容,通过第一人工智能模型对第一社交网络兴趣行为数据中的目标社交观点发布数据的社交协同属性与所述目标社交观点发布数据的社交被协同属性的协同属性动态关系和协同属性静态关系进行解析,能够有针对性确定出目标社交观点发布数据的第一预测社交兴趣主题标签。
步骤A130,将所述第一预测社交兴趣主题标签与所述目标社交兴趣主题标签进行优化,以及将所述第一预测社交兴趣协同关系与所述目标社交兴趣协同关系进行优化,以优化所述第一人工智能模型的第一模型权重信息,以及通过所述第一人工智能模型对所述第一社交网络兴趣行为数据和所述第二社交网络兴趣行为数据进行深度学习,以优化所述第一人工智能模型的第二模型权重信息,得到中间人工智能模型。
在本实施例中,模型权重信息表征第一人工智能模型的网络模型参数。深度学习可以为对抗学习或者深度学习。
一种可独立实施的实施例中,第一社交网络兴趣行为数据为社交网络兴趣历史信息,所述第二社交网络兴趣行为数据为社交网络兴趣关联信息,所述社交网络兴趣历史信息为标注有所述目标社交观点发布数据的目标社交兴趣主题标签和目标社交兴趣协同关系的社交网络兴趣行为数据,所述社交网络兴趣关联信息为未标注有所述目标社交观点发布数据的目标社交兴趣主题标签和目标社交兴趣协同关系的社交网络兴趣行为数据;所述第一人工智能模型包括模型更新结构,所述模型更新结构包括特征转换单元。
基于上述内容,将所述第一预测社交兴趣主题标签与所述目标社交兴趣主题标签进行优化,以及将所述第一预测社交兴趣协同关系与所述目标社交兴趣协同关系进行优化,以优化所述第一人工智能模型的第一模型权重信息,以及通过所述第一人工智能模型对所述第一社交网络兴趣行为数据和所述第二社交网络兴趣行为数据进行深度学习,以优化所述第一人工智能模型的第二模型权重信息,得到中间人工智能模型,具体可以包括以下技术方案:通过所述第一人工智能模型对所述第二社交网络兴趣行为数据进行兴趣行为特征描述提取,得到所述第二社交网络兴趣行为数据对应的第二兴趣行为特征描述;基于所述随机森林树分类信息、所述第一预测社交兴趣协同关系以及所述第一预测社交兴趣主题标签生成全局模型评估指标;通过所述全局模型评估指标将所述第一预测社交兴趣主题标签与所述目标社交兴趣主题标签进行优化,以及将所述第一预测社交兴趣协同关系与所述目标社交兴趣协同关系进行优化,以优化所述第一人工智能模型的第一模型权重信息;以及,通过所述模型更新结构分析所述第一兴趣行为特征描述和所述第二兴趣行为特征描述所属的所述社交网络兴趣历史信息或所述社交网络兴趣关联信息,得到参考信息,通过所述特征转换单元对所述参考信息进行特征转换,以学习具有特征收敛性的兴趣行为特征描述向量,基于所述具有特征收敛性的兴趣行为特征描述向量对所述第一社交网络兴趣行为数据和所述第二社交网络兴趣行为数据的类型进行深度学习,以优化所述第一人工智能模型的第二模型权重信息,得到中间人工智能模型。
如此设计,通过进行模型权重信息,能够实现第一人工智能模型的网络参数优化,从而得到具有迁移学习能力的中间人工智能模型。
步骤A140,通过所述中间人工智能模型获取所述第二社交网络兴趣行为数据中所述目标社交观点发布数据对应的发布影响力最高的社交兴趣主题标签和社交兴趣协同关系分别作为参考目标社交兴趣主题标签和参考目标社交兴趣协同关系;将所述第二社交网络兴趣行为数据输入所述中间人工智能模型进行社交兴趣主题标签和社交兴趣协同关系分析,得到第二预测社交兴趣主题标签和第二预测社交兴趣协同关系。
例如,发布影响力可以是社交观点发布热度的量化值,量化值的取值范围可以时0~1,量化值越高,表明对应的社交观点发布热度越强烈。参考目标社交兴趣主题标签和参考目标社交兴趣协同关系可以用于辅助进行社交兴趣主题标签和社交兴趣协同关系分析。
在一个可能的实施例中,步骤A140所描述的通过所述中间人工智能模型获取所述第二社交网络兴趣行为数据中所述目标社交观点发布数据对应的发布影响力最高的社交兴趣主题标签和社交兴趣协同关系分别作为参考目标社交兴趣主题标签和参考目标社交兴趣协同关系,可以包括以下步骤A141-步骤A143所描述的技术方案。
步骤A141、通过所述中间人工智能模型对所述第二社交网络兴趣行为数据进行兴趣行为特征描述提取,得到第三兴趣行为特征描述。
步骤A142、基于所述第三兴趣行为特征描述对所述第二社交网络兴趣行为数据中的所述目标社交观点发布数据进行社交兴趣主题标签和社交兴趣协同关系分析,得到至少一个中间预测社交兴趣主题标签及其对应的发布影响力和至少一个中间预测社交兴趣协同关系及其对应的发布影响力。
步骤A143、从所述中间预测社交兴趣主题标签中筛选出发布影响力最高的社交兴趣主题标签作为所述第二社交网络兴趣行为数据中所述目标社交观点发布数据对应的参考目标社交兴趣主题标签,以及从所述中间预测社交兴趣协同关系中筛选出发布影响力最高的社交兴趣协同关系作为所述第二社交网络兴趣行为数据中所述目标社交观点发布数据对应的参考目标社交兴趣协同关系。
如此设计,基于上述步骤A141-步骤A143,能够准确确定出参考目标社交兴趣主题标签和参考目标社交兴趣协同关系,避免参考目标社交兴趣主题标签和参考目标社交兴趣协同关系出现偏差。
在一个可能的实施例中,步骤A140所描述的将所述第二社交网络兴趣行为数据输入所述中间人工智能模型进行社交兴趣主题标签和社交兴趣协同关系分析,得到第二预测社交兴趣主题标签和第二预测社交兴趣协同关系,具体可以包括以下步骤A144和步骤A145所描述的技术方案。
步骤A144、通过所述中间人工智能模型对所述第二社交网络兴趣行为数据进行兴趣行为特征描述提取,得到所述第二社交网络兴趣行为数据对应的第四兴趣行为特征描述。
步骤A145、通过所述中间人工智能模型基于所述第四兴趣行为特征描述,对所述第二社交网络兴趣行为数据中的所述目标社交观点发布数据进行随机森林树分类、以及社交兴趣主题标签和社交兴趣协同关系分析,得到所述目标社交观点发布数据的第二预测社交兴趣主题标签和第二预测社交兴趣协同关系。
步骤A150,将所述第二预测社交兴趣主题标签与所述参考目标社交兴趣主题标签进行优化,以及将所述第二预测社交兴趣协同关系与所述参考目标社交兴趣协同关系进行优化,以对所述中间人工智能模型进行模型优化,得到优化后的人工智能模型,以通过所述优化后的人工智能模型对社交网络兴趣行为数据中目标社交观点发布数据的社交兴趣主题标签和社交兴趣协同关系进行分析得到参考信息。
在步骤A150中,所述参考信息用于验证社交网络兴趣行为数据中是否存在潜在兴趣路径。
例如,将所述第二预测社交兴趣主题标签与所述参考目标社交兴趣主题标签进行优化,以及将所述第二预测社交兴趣协同关系与所述参考目标社交兴趣协同关系进行优化可以理解为对所述第二预测社交兴趣主题标签与所述参考目标社交兴趣主题标签进行收敛操作,以及对所述第二预测社交兴趣协同关系与所述参考目标社交兴趣协同关系进行收敛操作。
在一种可选的实施例中,步骤A150所描述的将所述第二预测社交兴趣主题标签与所述参考目标社交兴趣主题标签进行优化,以及将所述第二预测社交兴趣协同关系与所述参考目标社交兴趣协同关系进行优化,以对所述中间人工智能模型进行模型优化,得到优化后的人工智能模型,可以包括以下步骤A151-步骤A153所描述的技术方案。
步骤A151、通过第一模型评估指标对所述第二预测社交兴趣主题标签与所述参考目标社交兴趣主题标签进行优化,得到第一模型评估指标。
步骤A152、通过第二模型评估指标对所述第二预测社交兴趣协同关系与所述参考目标社交兴趣协同关系进行优化,得到第二模型评估指标。
步骤A153、基于所述第一模型评估指标和所述第二模型评估指标生成目标全局模型评估指标,通过所述目标全局模型评估指标调整所述中间人工智能模型的模型权重信息,并将完成模型权重信息调整后的中间人工智能模型作为第一人工智能模型,返回执行通过第一人工智能模型对所述第一社交网络兴趣行为数据中的所述目标社交观点发布数据进行社交兴趣主题标签和社交兴趣协同关系分析,得到第一预测社交兴趣主题标签和第一预测社交兴趣协同关系的操作,直至所述目标全局模型评估指标的模型评估指标最小,得到优化后的人工智能模型。
例如,模型评估指标可以理解为损失函数的损失值,目标全局模型评估指标可以理解为总的损失函数。模型评估指标最小可以理解为损失函数处于收敛状态。如此设计,能够基于不同的模型评估指标进行模型权重信息的调整,并在调整过程中确保目标全局模型评估指标的模型评估指标处于收敛状态,这样可以确保优化后的人工智能模型的模型稳定性和泛化能力。
一种可独立实施的实施例中,本公开实施例还提供一种基于人工智能的信息识别方法,包括以下步骤。
步骤A110,获取包含目标社交观点发布数据的待处理社交网络兴趣行为数据。
步骤A120,通过优化后的人工智能模型对待处理社交网络兴趣行为数据进行兴趣行为特征描述提取,得到目标兴趣行为特征描述。
步骤A130,通过优化后的人工智能模型基于目标兴趣行为特征描述识别待处理社交网络兴趣行为数据中的目标社交观点发布数据的社交兴趣主题标签和社交兴趣协同关系。
可以理解,通过应用上述人工智能模型进行待处理社交网络兴趣行为数据处理,能够精准定位出目标社交观点发布数据的社交兴趣主题标签和社交兴趣协同关系,以为后续的评论数据分析提供准确可靠的分析依据。
综上,可以获取包含目标社交观点发布数据的第一社交网络兴趣行为数据和第二社交网络兴趣行为数据,第一社交网络兴趣行为数据为标注有目标社交观点发布数据的目标社交兴趣主题标签和目标社交兴趣协同关系的社交网络兴趣行为数据;然后可以通过第一人工智能模型对第一社交网络兴趣行为数据中的目标社交观点发布数据进行社交兴趣主题标签和社交兴趣协同关系分析,得到第一预测社交兴趣主题标签和第一预测社交兴趣协同关系;以及将第一预测社交兴趣主题标签与目标社交兴趣主题标签进行优化,以及将第一预测社交兴趣协同关系与目标社交兴趣协同关系进行优化,以优化第一人工智能模型的第一模型权重信息,以及通过第一人工智能模型对第一社交网络兴趣行为数据和第二社交网络兴趣行为数据进行深度学习,以优化第一人工智能模型的第二模型权重信息,得到中间人工智能模型。其次,可以通过中间人工智能模型获取第二社交网络兴趣行为数据中目标社交观点发布数据对应的发布影响力最高的社交兴趣主题标签和社交兴趣协同关系分别作为参考目标社交兴趣主题标签和参考目标社交兴趣协同关系;将第二社交网络兴趣行为数据输入中间人工智能模型进行社交兴趣主题标签和社交兴趣协同关系分析,得到第二预测社交兴趣主题标签和第二预测社交兴趣协同关系;此时可以将第二预测社交兴趣主题标签与参考目标社交兴趣主题标签进行优化,以及将第二预测社交兴趣协同关系与参考目标社交兴趣协同关系进行优化,以对中间人工智能模型进行模型优化,得到优化后的人工智能模型,以通过优化后的人工智能模型对社交网络兴趣行为数据中目标社交观点发布数据的社交兴趣主题标签和社交兴趣协同关系进行分析得到参考信息,其中,参考信息用于验证社交网络兴趣行为数据中是否存在潜在兴趣路径。
本公开的技术方案可以基于第一社交网络兴趣行为数据检测得到的第一预测社交兴趣主题标签和第一预测社交兴趣协同关系,以及基于第一社交网络兴趣行为数据和第二社交网络兴趣行为数据的深度学习,对第一人工智能模型进行模型优化,得到中间人工智能模型,以及基于第二社交网络兴趣行为数据检测得到的参考目标社交兴趣主题标签、参考目标社交兴趣协同关系、第二预测社交兴趣主题标签和第二预测社交兴趣协同关系对中间人工智能模型进行模型优化,得到优化后的人工智能模型,这样能够提高对人工智能模型训练的精准度和稳定性,从而能够提高优化后的人工智能模型对社交网络兴趣行为数据中的目标社交观点发布数据进行识别的可信度和准确度。实现了利用真实目标社交兴趣主题标签和目标社交兴趣协同关系的社交网络兴趣行为数据的第一社交网络兴趣行为数据(即携带携带有标签的社交网络兴趣行为数据),通过对数据进行优化,将人工智能模型在携带有标签的第一社交网络兴趣行为数据上训练学习得到的成果动态转用到未携带标签的第二社交网络兴趣行为数据对目标社交观点发布数据识别上,从而达到对包含目标社交观点发布数据的未携带标签的社交网络兴趣行为数据进行识别的技术效果,提高了对第二社交网络兴趣行为数据(即未携带标签的社交网络兴趣行为数据)且存在一定偏差的社交网络兴趣行为数据进行聚类划分的准确性和可靠性。此外,参考信息用于验证社交网络兴趣行为数据中是否存在潜在兴趣路径,通过上述方案,能够准确确定出参考信息,从而确保社交网络兴趣行为数据中潜在兴趣路径检测的准确性和可信度,避免漏检或者误检。
一种可独立实施的实施例中,针对步骤S110,业务推送意图对应的当前业务迭代周期的模拟趋势状态可以通过以下示例性的步骤实现。
步骤B110,获取当前业务迭代周期对应的目标会话大数据,目标会话大数据用于表示当前业务迭代周期的电商会话轨迹信息。
其中,当前业务迭代周期可以是包含当前业务周期点的一预设段周期,也可以是当前业务周期点之前的一预设段周期,也可以是当前业务周期点之后的一预设段周期。会话大数据是用于表示电商会话轨迹信息,电商会话轨迹信息是指数字化业务从会话触发节点运行至会话终止节点的过程中产生的会话过程信息。电商会话轨迹信息可以包括会话触发节点、会话终止节点、会话触发节点到会话终止节点的模拟会话行为、从会话触发节点到会话终止节点的会话状态数据、业务上线节点等信息。目标会话大数据是指当前业务迭代周期对应的会话大数据。
一种可独立实施的实施例中,AI系统100可以在本地、或从其它终端、云端服务平台获取当前业务迭代周期对应的目标会话大数据,进而来模拟当前业务迭代周期对应的业务运行趋势状态。
一种可独立实施的实施例中,可以基于当前业务迭代周期之前的在先会话大数据预测得到当前业务迭代周期对应的目标会话大数据,从而基于该目标会话大数据预测当前业务迭代周期的业务运行趋势状态。基于在先会话大数据预判未来即将发生的业务推送需求可以帮助数字化服务提供商构建信息推送规则。例如可以是基于在先会话大数据生成在先会话大数据,基于在先会话大数据预测当前业务迭代周期对应的目标会话大数据。也可以基于当前业务迭代周期的实际会话大数据生成当前业务迭代周期对应的目标会话大数据,基于当前业务迭代周期对应的目标会话大数据可以还原当前业务迭代周期的业务运行趋势状态。还可以是获取预设会话大数据,将预设会话大数据作为当前业务迭代周期对应的目标会话大数据,基于当前业务迭代周期对应的目标会话大数据预测该预设会话大数据所反映的业务运行趋势状态。预设会话大数据可以是人为配置的。并且,目标会话大数据可以是目标主题板块对应的会话大数据,基于目标主题板块对应的会话大数据生成目标主题板块在当前业务迭代周期对应的目标会话大数据。其中,基于在先会话大数据生成在先会话大数据例如可以是对在先会话大数据中的数字化业务请求数据进行会话分析,得到初始会话大数据,基于在先会话大数据中的数字化业务应答数据修正初始会话大数据得到在先会话大数据。基于当前会话大数据(当前业务迭代周期的实际会话大数据)生成目标会话大数据例如可以是对当前会话大数据中的数字化业务请求数据进行会话分析,得到第一会话大数据,基于当前会话大数据中的数字化业务应答数据修正第一会话大数据得到目标会话大数据。关于会话分析和大数据修正的具体方法可以参照后述相关实施例。
步骤B120,基于当前业务迭代周期对应的初始全局模拟趋势状态数据和业务推送意图对目标会话大数据对应的目标数字化业务进行全局趋势模拟,得到目标数字化业务在当前业务迭代周期的目标业务模拟行为数据,初始全局模拟趋势状态数据是根据当前业务迭代周期对应的上一个业务迭代周期的实时单元模拟趋势状态数据确定的,全局趋势模拟是以数字化业务的全局维度为模拟方案的趋势模拟,全局趋势模拟用于为目标数字化业务生成与业务推送意图对应的目标模拟会话行为。
其中,全局趋势模拟是以数字化业务的全局维度为模拟方案的趋势模拟,即是以数字化业务的全局维度为模拟目标的趋势模拟,主要关注数字化业务的全局维度对数字化运行过程的整体影响。
全局模拟趋势状态数据是基于全局趋势模拟生成的趋势状态数据。全局模拟趋势状态数据例如可以包括数字化业务的模拟会话行为、会话触发节点和会话终止节点等信息。初始全局模拟趋势状态数据是指当前业务迭代周期的初始业务周期点对应的全局模拟趋势状态数据。初始全局模拟趋势状态数据是根据当前业务迭代周期对应的上一个业务迭代周期的实时单元模拟趋势状态数据确定的。当前业务迭代周期和当前业务迭代周期对应的上一个业务迭代周期之间存在重叠的业务周期点,因此从当前业务迭代周期对应的上一个业务迭代周期的实时单元模拟趋势状态数据中可以确定当前业务迭代周期的初始业务周期点对应的单元模拟趋势状态数据,再基于当前业务迭代周期的初始业务周期点对应的单元模拟趋势状态数据确定当前业务迭代周期的初始业务周期点对应的全局模拟趋势状态数据。
单元模拟趋势状态数据是基于单元趋势模拟生成的趋势状态数据。单元趋势模拟是以数字化业务的单元维度为模拟方案的趋势模拟,即是以数字化业务的单元维度为模拟目标的趋势模拟,主要关注单个数字化业务对数字化运行过程的细节影响。单元模拟趋势状态数据例如可以包括数字化业务的模拟会话行为、会话触发节点、会话终止节点、数字化业务在各个业务周期点的业务点击对象、业务订阅对象等信息。可以理解,同一业务迭代周期的单元模拟趋势状态数据比全局模拟趋势状态数据的数据量大,单元模拟趋势状态数据包括更多的细节信息,单元模拟趋势状态数据更适合用于进行后续推送参考。实时单元模拟趋势状态数据包括一个业务迭代周期内各个业务周期点对应的单元模拟趋势状态数据。
业务推送意图是指业务推送配置的需求指标。业务推送意图例如可以包括内容投放、竞争产品比对、社交关系维护等等。可以理解,针对相同的目标会话大数据,基于不同的业务推送配置的需求指标可以模拟得到不同的业务运行趋势状态。业务推送意图可以根据实际需求进行设置。例如,AI系统100可以接收趋势模拟请求,该趋势模拟请求中携带业务推送意图,AI系统100响应于该趋势模拟请求,基于该业务推送意图进行趋势模拟。趋势模拟请求可以是在相关服务交互页面上触发生成的。
目标会话大数据用于表示当前业务迭代周期的电商会话轨迹信息,目标会话大数据包括当前业务迭代周期的目标会话状态数据,根据目标会话状态数据即可确定目标数字化业务。例如,目标会话状态数据中的数字化业务的激活数量为100,那么可以对应生成100个目标数字化业务。目标业务模拟行为数据包括目标数字化业务当前业务迭代周期在电商上线场景中的会话触发节点、会话终止节点、模拟会话行为等数据。
进而,AI系统100可以基于当前业务迭代周期对应的初始全局模拟趋势状态数据和业务推送意图对目标会话大数据对应的目标数字化业务进行全局趋势模拟,得到目标数字化业务在当前业务迭代周期的目标业务模拟行为数据。在进行全局趋势模拟时,AI系统100可以基于业务推送意图对目标数字化业务进行模拟会话行为分配,得到目标数字化业务在当前业务迭代周期的目标模拟会话行为,该目标模拟会话行为与业务推送意图相匹配,从而基于目标数字化业务在当前业务迭代周期的目标模拟会话行为得到目标数字化业务在当前业务迭代周期的目标业务模拟行为数据。AI系统100可以设置不同业务推送意图对应的参考业务模拟趋势数据,若目标数字化业务按照AI系统100分配的模拟会话行为在电商上线场景中模拟所产生的实际业务模拟趋势数据达到或接近于参考业务模拟趋势数据,AI系统100可以将该模拟会话行为作为目标数字化业务的目标模拟会话行为,若实际业务模拟趋势数据与参考业务模拟趋势数据差异较大时,AI系统100可以为目标数字化业务生成新的模拟会话行为。例如,当业务推送意图为内容投放时,AI系统100可以将参考业务模拟趋势数据设置为实际会话场景中的实际会话状态数据和实际业务会话状态,当电商上线场景中的模拟会话状态数据和趋势模拟状态与实际会话场景中的实际会话状态数据和实际业务会话状态差异较小时,可以认为当前电商上线场景还原了实际会话场景中的业务运行趋势状态。
一种可独立实施的实施例中,AI系统100基于当前业务迭代周期对应的初始全局模拟趋势状态数据和业务推送意图对目标会话大数据对应的目标数字化业务进行全局趋势模拟,可以得到目标数字化业务在包含当前业务迭代周期的目标业务迭代周期的参考业务模拟趋势数据,基于参考业务模拟趋势数据确定目标数字化业务在当前业务迭代周期的目标业务模拟行为数据。可以理解,全局趋势模拟是以数字化业务的全局维度为模拟方案,为了模拟与业务推送意图匹配的业务运行趋势状态,需要综合考虑所有目标数字化业务在电商上线场景中从会话触发节点到会话终止节点的全程业务模拟趋势数据,并且,不同目标数字化业务之间的业务上线节点也存在差异,因此,在进行全局趋势模拟时,先得到目标数字化业务在目标业务迭代周期的参考业务模拟趋势数据,再从目标业务迭代周期的参考业务模拟趋势数据获取目标数字化业务在当前业务迭代周期的目标业务模拟行为数据。目标业务迭代周期的周期持续时间大于或等于当前业务迭代周期的周期持续时间,目标业务迭代周期包含当前业务迭代周期。
步骤B130,基于目标业务模拟行为数据对初始全局模拟趋势状态数据对应的电商上线场景中的上线数字化业务进行单元趋势模拟,得到当前业务迭代周期对应的实时单元模拟趋势状态数据,实时单元模拟趋势状态数据用于得到与业务推送意图对应的当前业务迭代周期的模拟趋势状态,单元趋势模拟是以数字化业务的单元维度为模拟方案的趋势模拟。
其中,电商上线场景中的上线数字化业务是指当前业务迭代周期在电商上线场景中模拟的数字化业务,包括需要新加入电商上线场景的目标数字化业务和仍然在电商上线场景中模拟未进入会话终止节点的在先数字化业务。模拟趋势状态是指通过趋势模拟得到的状态信息。模拟趋势状态例如可以包括正反馈比例、负反馈比例、会话状态数据等信息。
一种可独立实施的实施例中,通过全局趋势模拟得到目标数字化业务在当前业务迭代周期的目标业务模拟行为数据后,AI系统100可以基于目标业务模拟行为数据对初始全局模拟趋势状态数据对应的电商上线场景中的上线数字化业务进行单元趋势模拟,将目标数字化业务按照目标业务模拟行为数据在电商上线场景中模拟,基于目标数字化业务和在先数字化业务之间的动态模拟影响,使得电商上线场景中的上线数字化业务稳步模拟到对应的会话终止节点,基于电商上线场景中各个上线数字化业务的模拟过程得到当前业务迭代周期对应的实时单元模拟趋势状态数据。实时单元模拟趋势状态数据用于得到与业务推送意图对应的当前业务迭代周期的模拟趋势状态,AI系统100可以对实时单元模拟趋势状态数据进行后续推送参考,从而通过可视化的方式展示与业务推送意图对应的当前业务迭代周期的模拟趋势状态。相关的数字化服务提供商可以基于可视化的模拟趋势状态可以进行数字化运行决策。
基于以上步骤,根据当前业务迭代周期对应的上一个业务迭代周期的实时单元模拟趋势状态数据确定当前业务迭代周期对应的初始全局模拟趋势状态数据,可以保证在两轮趋势模拟转换时能够无缝对接,避免出现数字化业务异常迁移的情况。此外,先进行全局趋势模拟,以数字化业务的全局维度为模拟方案快速得到目标数字化业务在当前业务迭代周期的目标业务模拟行为数据,再进行精度更高的单元趋势模拟,以数字化业务的单元维度为模拟方案得到当前业务迭代周期对应的实时单元模拟趋势状态数据,全局趋势模拟和单元趋势模拟的有效配合能够精确得到当前业务迭代周期的模拟趋势状态。
一种可独立实施的实施例中,获取当前业务迭代周期对应的目标会话大数据,包括:
步骤B210,获取当前业务迭代周期对应的在先业务迭代周期的在先数字化业务请求数据和在先数字化业务应答数据。
其中,当前业务迭代周期对应的在先业务迭代周期是指在当前业务迭代周期之前的任意业务迭代周期。当前业务迭代周期对应的在先业务迭代周期可以有多个。当前业务迭代周期和在先时间点的周期持续时间可以相同可以不同。在先数字化业务请求数据是指在在先业务迭代周期统计得到的数字化业务请求数据,在先数字化业务应答数据是指在在先业务迭代周期统计得到的数字化业务应答数据。例如,当前业务迭代周期为8:00:00至13:00:00,当前业务迭代周期对应的在先业务迭代周期可以是3:00:00至8:00:00,在先数字化业务请求数据可以是在3:00:00至8:00:00统计得到的数字化业务请求数据,在先数字化业务应答数据可以是在3:00:00至8:00:00统计得到的数字化业务应答数据。
步骤B220,从在先数字化业务请求数据中获取目标主题板块对应的数字化业务请求数据作为目标数字化业务请求数据,从在先数字化业务应答数据中获取目标主题板块对应的数字化业务应答数据作为目标数字化业务应答数据。
一种可独立实施的实施例中,AI系统100可以进一步对在先数字化业务请求数据和在先数字化业务应答数据进行筛选,从中获取目标主题板块内的数字化业务请求数据作为目标数字化业务请求数据,获取目标主题板块内的数字化业务应答数据作为目标数字化业务应答数据。也就是,AI系统100从在先数字化业务请求数据中获取目标主题板块对应的数字化业务请求数据作为目标数字化业务请求数据,从在先数字化业务应答数据中获取目标主题板块对应的数字化业务应答数据作为目标数字化业务应答数据。例如,从在先数字化业务请求数据中获取智慧医疗产品主题A对应的数字化业务请求数据作为目标数字化业务请求数据,从在先数字化业务应答数据中获取智慧医疗产品主题A对应的数字化业务应答数据作为目标数字化业务应答数据,基于目标数字化业务请求数据和目标数字化业务应答数据生成智慧医疗产品主题A在在先业务迭代周期对应的在先会话大数据,基于在先会话大数据生成智慧医疗产品主题A在当前业务迭代周期对应的目标会话大数据,从而基于目标会话大数据模拟智慧医疗产品主题A在当前业务迭代周期的业务运行趋势状态。
步骤B230,对目标数字化业务请求数据进行会话分析,得到在先业务迭代周期对应的初始会话大数据。
步骤B240,基于目标数字化业务应答数据修正初始会话大数据,得到在先业务迭代周期对应的在先会话大数据。
其中,会话分析是用于从数字化业务请求数据中挖掘电商会话轨迹信息。初始会话大数据用于表示局部的在先电商会话轨迹信息。在先会话大数据用于表示全量的在先电商会话轨迹信息。
一种可独立实施的实施例中,获取到目标数字化业务请求数据和目标数字化业务应答数据后,AI系统100可以对目标数字化业务请求数据进行会话分析,切分出数字化业务会话轨迹和会话触发节点、会话终止节点,得到初始会话大数据。由于难以获取到所有数字化业务的运行数据信息,目标数字化业务请求数据只能反映部分数字化业务的运行数据信息,因此初始会话大数据只是描述了局部的在先电商会话轨迹信息。为了提高在先会话大数据的准确性和可靠性,AI系统100可以基于目标数字化业务应答数据修正初始会话大数据,得到在先会话大数据。目标数字化业务应答数据是基于存在实质性应答的微服务等会话状态数据确定的,可以反映全量数字化业务的应答数据,因此基于目标数字化业务应答数据修正初始会话大数据得到的目标会话大数据可以描述全量的在先电商会话轨迹信息。
步骤B250,基于在先会话大数据得到目标会话大数据。
一种可独立实施的实施例中,AI系统100可以基于在先会话大数据得到目标会话大数据,也就是,根据在先会话大数据预测目标会话大数据。AI系统100可以将多个在先会话大数据进行融合,得到目标会话大数据。其中,将多个在先会话大数据进行融合例如可以是将在先会话大数据中的节点对作为目标会话大数据中的节点对,对各个在先会话大数据中同一节点对(即同一会话触发节点和会话终止节点)对应的优化会话状态数据进行融合得到目标会话大数据中该节点对所对应的目标会话状态数据。
本实施例中,通过获取当前业务迭代周期对应的在先业务迭代周期的在先数字化业务请求数据和在先数字化业务应答数据,从在先数字化业务请求数据中获取目标主题板块对应的数字化业务请求数据作为目标数字化业务请求数据,从在先数字化业务应答数据中获取目标主题板块对应的数字化业务应答数据作为目标数字化业务应答数据,对目标数字化业务请求数据进行会话分析,得到在先业务迭代周期对应的初始会话大数据,基于目标数字化业务应答数据修正初始会话大数据,得到在先业务迭代周期对应的在先会话大数据,能够得到与实际最接近的数字化运行过程的会话大数据。进一步的,基于在先会话大数据得到目标会话大数据,可以比较准确可靠地预测之后的数字化运行过程的会话大数据。
一种可独立实施的实施例中,对目标数字化业务请求数据进行会话分析,得到在先业务迭代周期对应的初始会话大数据,包括:
对目标数字化业务请求数据进行会话行为分析,得到多个参考数字化业务分别对应的参考会话行为;参考会话行为包括参考会话触发节点和参考会话终止节点;基于预设会话热点对各个参考会话行为进行会话触发节点分组和会话终止节点分组,得到各个参考会话行为对应的临时会话触发节点和临时会话终止节点;将同一临时会话触发节点和临时会话终止节点对应的参考会话行为进行分组,得到多个目标会话簇,统计同一目标会话簇对应的参考数字化业务的日志数据,得到各个目标会话簇对应的初始会话状态数据;目标会话簇包括同一临时会话触发节点和临时会话终止节点对应的至少一个参考会话行为;基于各个目标会话簇和对应的初始会话状态数据、参考会话行为生成初始会话大数据。
其中,预设会话热点是指实际会话场景中具有一定热度的会话针对对象,例如热搜的某个微服务等。
一种可独立实施的实施例中,AI系统100可以先对目标数字化业务请求数据进行会话行为分析,得到多个参考数字化业务分别对应的参考会话行为,各个参考会话行为分别包括参考会话触发节点和参考会话终止节点。例如,一条数字化业务运行数据对应一个参考数字化业务。若在先业务迭代周期包含一条数字化业务运行数据对应的模拟周期点,则将该数字化业务运行数据作为一条参考会话行为,该数字化业务运行数据的数据起始点作为参考会话触发节点,该数字化业务运行数据的数据终止点作为参考会话终止节点。若一条数字化业务运行数据对应的模拟周期点的周期持续时间大于在先业务迭代周期且触发节点业务周期点在在先业务迭代周期内,则将该数字化业务运行数据进行切分,舍弃超过在先业务迭代周期的运行数据,得到目标数字化业务运行数据,将该目标数字化业务运行数据作为一条参考会话行为,该目标数字化业务运行数据的数据起始点作为参考会话触发节点,该目标数字化业务运行数据的数据终止点作为参考会话终止节点。若一条数字化业务运行数据对应的模拟周期点的周期持续时间大于在先业务迭代周期且结束业务周期点在在先业务迭代周期内,则将该数字化业务运行数据进行切分,舍弃在先业务迭代周期之前的运行数据,得到目标数字化业务运行数据,将该目标数字化业务运行数据作为一条参考会话行为,该目标数字化业务运行数据的数据起始点作为参考会话触发节点,该目标数字化业务运行数据的数据终止点作为参考会话终止节点。
接着,AI系统100可以基于预设会话热点对各个参考会话行为进行会话触发节点分组和会话终止节点分组,得到各个参考会话行为对应的临时会话触发节点和临时会话终止节点。例如可以是将各个参考会话触发节点分别和各个预设会话热点进行特征匹配,将与预设会话热点的特征匹配度小于目标匹配度的参考会话终止节点分组到对应的预设会话热点上,将各个参考会话终止节点分别和各个预设会话热点进行特征匹配,将与预设会话热点的特征匹配度小于目标匹配度的参考会话终止节点分组到对应的预设会话热点上,保留与预设会话热点的特征匹配度小于目标匹配度的参考会话触发节点和会话终止节点,从而得到各个参考会话行为对应的临时会话触发节点和临时会话终止节点。例如,一条参考会话行为的参考会话触发节点为微服务A对应的服务项目,则可以将该参考会话触发节点分组到微服务A上,将微服务A作为该参考会话行为的临时会话触发节点。这样,基于预设会话热点对各个参考会话行为进行会话触发节点分组和会话终止节点分组可以规整会话触发节点和会话终止节点,从而有助于得到精炼的会话大数据。
进一步的,AI系统100可以将同一临时会话触发节点和临时会话终止节点对应的参考会话行为进行分组,得到多个目标会话簇,目标会话簇包括同一临时会话触发节点和临时会话终止节点对应的至少一个参考会话行为。也就是,对同一节点对所对应的参考会话行为进行分组,得到多个不同的节点对和各个节点对分别对应的至少一个参考会话行为。AI系统100可以统计同一目标会话簇对应的参考数字化业务的日志数据,得到各个目标会话簇对应的初始会话状态数据,进而基于各个目标会话簇和对应的初始会话状态数据、参考会话行为生成初始会话大数据。初始会话大数据包括多个节点对,各个节点对分别对应的初始会话状态数据,各个节点对分别对应的至少一个参考会话行为。
本实施例中,通过对目标数字化业务请求数据进行会话行为分析,得到多个参考数字化业务分别对应的参考会话行为,参考会话行为包括参考会话触发节点和参考会话终止节点,基于预设会话热点对各个参考会话行为进行会话触发节点分组和会话终止节点分组,得到各个参考会话行为对应的临时会话触发节点和临时会话终止节点。这样,可以将零散的会话触发节点和会话终止节点聚合到具有一定热度的会话热点上,得到可以更准确反映现实数字化运行过程需求的参考会话行为。然后,将同一临时会话触发节点和临时会话终止节点对应的参考会话行为进行分组,得到多个目标会话簇,统计同一目标会话簇对应的参考数字化业务的日志数据,得到各个目标会话簇对应的初始会话状态数据,目标会话簇包括同一临时会话触发节点和临时会话终止节点对应的至少一个参考会话行为,基于各个目标会话簇和对应的初始会话状态数据、参考会话行为可以快速生成初始会话大数据。
一种可独立实施的实施例中,初始会话大数据包括多个目标会话簇和各个目标会话簇分别对应的初始会话状态数据,基于目标数字化业务应答数据修正初始会话大数据,得到在先业务迭代周期对应的在先会话大数据,包括:
基于目标数字化业务应答数据对各个目标会话簇对应的初始会话状态数据进行数据扩样,得到各个目标会话簇对应的临时会话状态数据;基于目标数字化业务应答数据对各个临时会话状态数据进行校验处理,得到各个目标会话簇对应的优化会话状态数据;基于各个目标会话簇对应的优化会话状态数据修正对应的初始会话状态数据,得到在先会话大数据。
其中,数据扩样是指对初始会话状态数据进行一定比例的增加。数据扩样用于粗调初始会话状态数据,得到临时会话状态数据。校验处理是用于细调临时会话状态数据,得到优化会话状态数据,使得整体优化会话状态数据和在先会话状态数据接近或一致。在先会话状态数据是指在先业务迭代周期在实际业务场景统计到的会话状态数据。
一种可独立实施的实施例中,AI系统100基于目标数字化业务应答数据可以得到各个目标会话簇对应的在先会话状态数据和各个上线场景对应的在先会话状态数据。AI系统100可以基于目标数字化业务应答数据对各个目标会话簇对应的初始会话状态数据进行数据扩样,根据实际业务场景的在先会话状态数据粗略地对经过指定上线场景的节点对进行一定比例系数的增加,得到各个目标会话簇对应的临时会话状态数据。
进一步的,上线场景与上线场景之间是会相互影响的,进而也会影响会话行为与会话行为之间的会话状态数据。因此,只是将每个节点对所对应的初始会话状态数据都各自数据扩样后,会进一步导致一部分的节点对所对应的会话状态数据继续增加以至于超过在先会话状态数据。因此,AI系统100基于目标数字化业务应答数据对各个目标会话簇对应的初始会话状态数据进行数据扩样得到各个目标会话簇对应的临时会话状态数据后,还需要基于目标数字化业务应答数据对各个临时会话状态数据进行校验处理,进一步对各个临时会话状态数据进行调整,得到各个目标会话簇对应的优化会话状态数据,使得整体的优化会话状态数据和整体的在先会话状态数据接近。例如,不同的参考会话行为之间存在对应的权重。在得到各个目标会话簇对应的临时会话状态数据后,AI系统100可以基于权重调整各个临时会话状态数据,得到各个目标会话簇对应的参考会话状态数据,该参考会话状态数据是综合考虑了数据扩样以及不同会话行为之间的相互影响。接着,AI系统100基于各个目标会话簇对应的参考会话状态数据和在先会话状态数据之间的会话状态数据差异和权重进一步调整参考会话状态数据,直至参考会话状态数据和在先会话状态数据之间的会话状态数据差异小于预设差异,得到将最后一次调整得到的参考会话状态数据作为目标会话簇对应的优化会话状态数据。最后,AI系统100基于各个目标会话簇分别对应的优化会话状态数据修正对应的初始会话状态数据,得到在先会话大数据,也就是,将初始会话大数据中的初始会话状态数据替换为对应的优化会话状态数据。
一种可独立实施的实施例中,目标会话大数据包括多个目标会话簇和各个目标会话簇分别对应的目标会话状态数据、多个参考会话行为。基于当前业务迭代周期对应的初始全局模拟趋势状态数据和业务推送意图对目标会话大数据对应中的目标数字化业务进行全局趋势模拟,得到目标数字化业务在当前业务迭代周期的目标业务模拟行为数据,包括:
步骤B310,基于同一目标会话簇对应的各个参考会话行为,对与对应的目标会话状态数据相匹配的多个目标数字化业务进行模拟会话行为分配,得到各个目标数字化业务对应的初始模拟会话行为。
其中,目标会话大数据包括多个目标会话簇、各个目标会话簇分别对应的目标会话状态数据、各个目标会话簇分别对应的多个参考会话行为。
一种可独立实施的实施例中,AI系统100可以基于同一目标会话簇对应的各个参考会话行为,对与对应的目标会话状态数据相匹配的多个目标数字化业务进行模拟会话行为分配,得到各个目标数字化业务对应的初始模拟会话行为。
步骤B320,根据各个目标数字化业务对应的业务上线节点和初始模拟会话行为,将各个目标数字化业务加入电商上线场景。
步骤B330,在各个目标数字化业务的趋势模拟过程中,基于电商上线场景的初始全局模拟趋势状态数据适应性调整各个目标数字化业务的业务会话状态,直至各个目标数字化业务模拟结束。
一种可独立实施的实施例中,在确定各个目标数字化业务对应的初始模拟会话行为后,AI系统100可以按照各个目标数字化业务对应的业务上线节点和初始模拟会话行为,将各个目标数字化业务加入电商上线场景,让各个目标数字化业务在电商上线场景中模拟。在各个目标数字化业务的趋势模拟过程中,AI系统100可以基于电商上线场景中的初始全局模拟趋势状态数据适应性调整各个目标数字化业务的业务会话状态,直至各个目标数字化业务模拟至对应的会话终止节点,即各个目标数字化业务模拟结束。
步骤B340,基于业务推送意图确定各个目标数字化业务对应的参考业务模拟趋势数据,基于各个目标数字化业务在趋势模拟过程中产生的实际业务模拟趋势数据和对应的参考业务模拟趋势数据之间的差异生成模拟损失。
步骤B350,基于模拟损失调整各个目标数字化业务对应的初始模拟会话行为,直至模拟损失满足收敛条件,得到各个目标数字化业务对应的目标模拟会话行为。
其中,参考业务模拟趋势数据是指目标数字化业务基于业务推送意图模拟所预计产生的业务模拟趋势数据。参考业务模拟趋势数据可以包括所有目标数字化业务在完成一次模拟过程中所产生的业务模拟趋势数据,也可以包括所有目标数字化业务在完成多次模拟过程中所产生的业务模拟趋势数据。实际业务模拟趋势数据是指目标数字化业务基于初始模拟会话行为模拟所产生的业务模拟趋势数据。
一种可独立实施的实施例中,针对不同的业务推送意图,AI系统100最终可以为目标数字化业务生成不同的参考会话行为。因此,AI系统100需要先确定业务推送意图,再基于业务推送意图确定各个目标数字化业务对应的参考业务模拟趋势数据。在进行全局趋势模拟时,AI系统100会先为目标数字化业务生成初始模拟会话行为,目标数字化业务在电商上线场景中按照初始模拟会话行为模拟并产生实际业务模拟趋势数据。若实际业务模拟趋势数据和参考业务模拟趋势数据差异不大,则表明初始模拟会话行为分配合理,可以满足业务推送意图,AI系统100可以将初始模拟会话行为作为目标模拟会话行为。若实际业务模拟趋势数据和参考业务模拟趋势数据差异较大,则表明初始模拟会话行为分配不合理,无法满足业务推送意图,AI系统100需要重新为目标数字化业务生成新的初始模拟会话行为,直至实际业务模拟趋势数据和参考业务模拟趋势数据差异不大。因此,AI系统100可以基于各个目标数字化业务在趋势模拟过程中产生的实际业务模拟趋势数据和对应的参考业务模拟趋势数据之间的差异生成模拟损失,基于模拟损失调整各个目标数字化业务对应的初始模拟会话行为,直至模拟损失满足收敛条件,得到各个目标数字化业务对应的目标模拟会话行为。其中,收敛条件可以是模拟损失小于预设阈值、迭代次数达到预设阈值等。并且,不同的业务推送意图可以对应不同的预设阈值。
步骤B360,基于各个目标数字化业务对应的目标模拟会话行为和业务上线节点得到各个目标数字化业务在当前业务迭代周期的目标业务模拟行为数据。
一种可独立实施的实施例中,在确定各个目标数字化业务对应的目标模拟会话行为后,AI系统100可以基于各个目标数字化业务对应的目标模拟会话行为和业务上线节点得到各个目标数字化业务在当前业务迭代周期的目标业务模拟行为数据。
例如,全局趋势模拟的输入数据为通过数字化运行过程的挖掘得到的目标会话大数据。在进行全局趋势模拟时,AI系统100基于目标会话大数据中的参考会话行为为对应的目标数字化业务生成初始模拟会话行为,将携带初始模拟会话行为的目标数字化业务输入全局模拟模型,在全局模拟模型中进行上线场景为单位的数字化运行过程的模拟。AI系统100通过全局模拟模型在模拟过程中对模拟数据进行模拟统计得到目标数字化业务对应的实际业务模拟趋势数据,并基于业务推送意图确定目标数字化业务对应的参考业务模拟趋势数据。其中,实际业务模拟趋势数据包括正反馈比例、负反馈比例、会话状态数据等数据,业务推送意图包括内容投放、竞争产品比对、社交关系维护。AI系统100可以基于实际业务模拟趋势数据和参考业务模拟趋势数据之间的差异生成模拟损失,当模拟损失满足收敛条件时,将初始模拟会话行为作为目标模拟会话行为,生成目标业务模拟行为数据作为单元趋势模拟的输入数据。当模拟损失不满足收敛条件时,基于模拟损失重新动态为目标数字化业务生成初始模拟会话行为,直至新的模拟损失满足收敛条件,将对应的初始模拟会话行为作为目标模拟会话行为,生成目标业务模拟行为数据作为单元趋势模拟的输入数据。在进行单元趋势模拟时,AI系统100可以将全局模拟模型输出的目标业务模拟行为数据输入单元模拟模型,在单元模拟模型中进行数字化运行过程的模拟,得到单元模拟趋势状态数据,基于单元模拟趋势状态数据呈现出业务运行趋势状态。
本实施例中,通过基于业务推送意图确定各个目标数字化业务对应的参考业务模拟趋势数据,基于各个目标数字化业务在趋势模拟过程中产生的实际业务模拟趋势数据和对应的参考业务模拟趋势数据之间的差异生成模拟损失,基于模拟损失调整为各个目标数字化业务对应的初始模拟会话行为,直至模拟损失满足收敛条件,得到各个目标数字化业务对应的目标模拟会话行为。这样,通过模拟损失进行迭代收敛,可以精确为目标数字化业务规划与业务推送意图对应的目标模拟会话行为。
一种可独立实施的实施例中,基于同一目标会话簇对应的各个参考会话行为,对与对应的目标会话状态数据相匹配的多个目标数字化业务进行模拟会话行为分配,得到各个目标数字化业务对应的初始模拟会话行为,包括:
获取各个目标会话簇分别对应的在线会话状态数据的置信度分布;基于同一目标会话簇对应的在线会话状态数据的置信度分布,对对应的各个参考会话行为进行会话状态数据分配,得到各个参考会话行为分别对应的选定会话状态数据;基于各个参考会话行为和对应的选定会话状态数据得到各个目标数字化业务对应的初始模拟会话行为。
其中,在线会话状态数据的置信度分布是指数字化业务在同一节点对所对应的各个参考会话行为上的分布概率。不同的节点对可以对应不同的在线会话状态数据的置信度分布。
本实施例中,通过基于在线会话状态数据的置信度分布确定初次为目标数字化业务生成的初始模拟会话行为,能够提高初始模拟会话行为的可靠性,从而加快迭代收敛速度。
一种可独立实施的实施例中,在各个目标数字化业务的趋势模拟过程中,基于电商上线场景的初始全局模拟趋势状态数据适应性调整各个目标数字化业务的业务会话状态,直至各个目标数字化业务模拟结束,包括:
根据电商上线场景中各个上线数字化业务的当前业务运行节点和当前会话运行触发数据,统计当前数字化业务相关联的会话频繁度;基于会话状态预测模型和会话频繁度确定当前数字化业务在对应上线场景上的参考业务会话状态;基于电商上线场景中各个上线场景的实时上线场景状态和当前数字化业务的参考业务会话状态,对当前数字化业务的当前业务运行节点和当前会话运行触发数据进行更新,返回根据电商上线场景中各个上线数字化业务的当前业务运行节点和当前会话运行触发数据,统计当前数字化业务相关联的会话频繁度的步骤,直至各个目标数字化业务模拟结束。
一种可独立实施的实施例中,在目标数字化业务按照初始模拟会话行为在电商上线场景中模拟时,AI系统100可以根据电商上线场景中各个上线数字化业务的当前业务运行节点和当前会话运行触发数据,统计当前数字化业务相关联的会话频繁度,基于会话状态预测模型中密度-速度关系来判断和决定当前数字化业务在对应上线场景上的参考业务会话状态,基于该参考业务会话状态约束当前数字化业务的业务会话状态。AI系统100基于电商上线场景中各个上线场景的实时上线场景状态和当前数字化业务的参考业务会话状态,对当前数字化业务的当前业务运行节点和当前会话运行触发数据进行更新,返回根据电商上线场景中各个上线数字化业务的当前业务运行节点和当前会话运行触发数据,统计当前数字化业务相关联的会话频繁度的步骤,直至各个目标数字化业务模拟结束。可以理解,AI系统100可以得到各个上线数字化业务在各个上线场景上的参考业务会话状态。AI系统100可以定时对电商上线场景中所有数字化业务的状态信息进行更新,并计算各个上线数字化业务在对应上线场景上的参考业务会话状态,基于参考业务会话状态约束上线数字化业务的业务会话状态,直至各个目标数字化业务模拟结束。这样,在数字化业务模拟过程中,电商上线场景中的上线数字化业务能够彼此互相影响,从而能够有效保持数字化运行过程的稳定性。
本实施例中,通过基于会话状态预测模型和会话频繁度确定数字化业务在对应上线场景上的参考业务会话状态,能够得到比较准确可靠的参考业务会话状态,从而有效模拟模拟真实数字化业务的业务会话状态,进而提高模拟结果的准确性和可靠性。
一种可独立实施的实施例中,目标业务模拟行为数据包括目标模拟会话行为和业务上线节点。基于目标业务模拟行为数据对初始全局模拟趋势状态数据对应的电商上线场景中的上线数字化业务进行单元趋势模拟,得到当前业务迭代周期对应的实时单元模拟趋势状态数据,包括:
根据各个目标数字化业务对应的业务上线节点和目标模拟会话行为,将各个目标数字化业务加入电商上线场景中模拟,得到电商上线场景中上线数字化业务在当前业务迭代周期的实时单元实际业务模拟趋势数据;从当前业务迭代周期的实时单元模拟趋势状态数据中确定当前业务迭代周期对应的下一业务迭代周期的初始单元模拟趋势状态数据;将初始单元模拟趋势状态数据转换为下一业务迭代周期对应的初始全局模拟趋势状态数据。
一种可独立实施的实施例中,目标业务模拟行为数据包括目标模拟会话行为和业务上线节点。当全局趋势模拟结束后,AI系统100可以获得各个目标数字化业务在当前业务迭代周期的目标业务模拟行为数据,即各个目标数字化业务在当前业务迭代周期的目标模拟会话行为和业务上线节点。那么,AI系统100可以根据各个目标数字化业务对应的业务上线节点和目标模拟会话行为,将各个目标数字化业务加入电商上线场景中开始模拟,在各个上线数字化业务的趋势模拟过程中得到电商上线场景中上线数字化业务在当前业务迭代周期的实时单元实际业务模拟趋势数据。进而,AI系统100从当前业务迭代周期的实时单元模拟趋势状态数据中确定当前业务迭代周期对应的下一业务迭代周期的初始单元模拟趋势状态数据,将初始单元模拟趋势状态数据进行去噪,滤除初始单元模拟趋势状态数据中对于全局趋势模拟来说冗余的数据,得到下一业务迭代周期对应的初始全局模拟趋势状态数据。AI系统100也可以直接从下一业务迭代周期的初始单元模拟趋势状态数据中获取各个上线数字化业务对应的会话所在区域和会话运行触发数据,基于各个上线数字化业务对应的会话所在区域和会话运行触发数据生成下一业务迭代周期对应的初始全局模拟趋势状态数据。
本实施例中,通过单元趋势模拟可以精细刻画目标数字化业务在每个业务周期点的会话运行触发数据,从而得到准确的单元模拟趋势状态数据。并且,从当前业务迭代周期的实时单元模拟趋势状态数据中确定当前业务迭代周期对应的下一业务迭代周期的初始单元模拟趋势状态数据,将初始单元模拟趋势状态数据转换为下一业务迭代周期对应的初始全局模拟趋势状态数据,能够保障在当前业务迭代周期和下一业务迭代周期的趋势模拟无缝对接,避免出现数字化业务异常迁移的状况。
一种可独立实施的实施例中,本公开实施例还提供一种基于数字化云计算业务的业务协同处理方法,可以包括以下步骤。
步骤B410,获取当前业务迭代周期的模拟趋势状态;
步骤B420,基于当前业务迭代周期的模拟趋势状态生成业务协同辅助数据,将业务协同辅助数据发送至业务协同云端服务平台,以使业务协同云端服务平台根据业务协同辅助数据进行业务协同数据规划。
其中,业务协同辅助数据是用于辅助业务协同云端服务平台为终端进行业务协同数据规划的数据。业务协同辅助数据可以包括各个上线场景的数字化运行过程指数、会话状态数据和业务推送意图等信息。数字化运行过程指数。
一种可独立实施的实施例中,AI系统100可以基于当前业务迭代周期的模拟趋势状态生成业务协同辅助数据,并将业务协同辅助数据发送至业务协同云端服务平台。业务协同云端服务平台接收到业务协同辅助数据后,业务协同云端服务平台可以基于业务协同辅助数据获知与内容投放对应的当前业务迭代周期的业务运行趋势状态,进而为终端进行业务协同数据规划。例如,当前业务周期点为8:00:00,当前业务迭代周期为13:00:00至18:00:00,那么当前业务迭代周期的模拟趋势状态为预测的未来业务运行趋势状态。用户可以在数字化业务终端发起业务协同请求,数字化业务终端将携带业务协同触发节点和业务协同终止节点的业务协同请求发送至业务协同云端服务平台,业务协同云端服务平台基于业务协同辅助数据为数字化业务终端进行业务协同数据规划,规划较优的至少一个参考业务协同数据,并将参考业务协同数据发送至数字化业务终端。数字化业务终端接收到参考业务协同数据后,可以向用户进行展示。业务协同云端服务平台也可以基于业务协同辅助数据获知与各个业务推送意图分别对应的当前业务迭代周期的业务运行趋势状态,进而为数字化业务终端进行业务协同数据规划。例如,业务协同云端服务平台可以基于业务协同辅助数据获知内容投放和系统最优分别对应的业务运行趋势状态,进而基于内容投放和系统最优对应的业务运行趋势状态之间的差异进行业务协同数据规划。若同一上线场景在内容投放中对应的会话状态数据大于系统最优中对应的会话状态数据,则进行业务协同数据规划时,避开这个上线场景,从而在一定程度上降低该上线场景的会话状态数据,使得该上线场景的会话状态数据向系统最优靠近。
本实施例中,通过基于当前业务迭代周期的模拟趋势状态生成业务协同辅助数据,将业务协同辅助数据发送至业务协同云端服务平台,以使业务协同云端服务平台根据业务协同辅助数据进行业务协同数据规划,能够帮助业务协同云端服务平台为数字化业务终端规划更可靠的业务协同模拟会话行为,提高业务协同的有效性。
图3为本公开实施例提供的基于人工智能和大数据的数字化内容推送装置300的功能模块示意图,下面分别对该基于人工智能和大数据的数字化内容推送装置300的各个功能模块的功能进行详细阐述。
获取模块310,用于获取业务应答大数据序列和应答数据挖掘单元图谱,业务应答大数据序列包括参考应答大数据和测试应答大数据。
选取模块320,用于从应答数据挖掘单元图谱中选取参考图谱节点,基于参考图谱节点得到当前应答数据挖掘单元。
训练模块330,用于将参考应答大数据输入当前应答数据挖掘单元和满足收敛条件的基准应答数据挖掘单元中进行暗知识提取训练,得到当前应答数据挖掘单元对应的当前标的应答数据挖掘单元。
第一优化模块340,用于基于测试应答大数据对当前标的应答数据挖掘单元进行挖掘性能测试,得到挖掘性能测试信息,基于挖掘性能测试信息优化当前标的应答数据挖掘单元,得到目标标的应答数据挖掘单元。
第二优化模块350,用于基于目标标的应答数据挖掘单元优化应答数据挖掘单元图谱中的图谱节点,并返回从应答数据挖掘单元图谱中选取参考图谱节点,基于参考图谱节点得到当前应答数据挖掘单元的步骤执行,直到达到检索收敛要求,从达到检索收敛要求时的应答数据挖掘单元图谱中选取目标图谱节点,基于目标图谱节点得到目标应答数据挖掘单元。
图4示出了本公开实施例提供的用于实现上述的基于人工智能和大数据的数字化内容推送方法的AI系统100的硬件结构意图,如图4所示,AI系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元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人工智能和大数据的数字化内容推送方法,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,从而可以与前述的数字化业务终端200进行数据收发。
处理器110的具体实现过程可参见上述AI系统100执行的各个方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
此外,本公开实施例还提供一种可读存储介质,所述可读存储介质中预设有计算机可执行指令,当处理器执行所述计算机可执行指令时,实现如上基于人工智能和大数据的数字化内容推送方法。
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)
1.一种基于人工智能和大数据的数字化内容推送方法,其特征在于,应用于AI系统,所述AI系统与多个数字化业务终端通信连接,所述方法包括:
将预先获取的业务推送意图对应的当前业务迭代周期的模拟趋势状态输入至预先训练的推送属性决策网络中,获得所述业务推送意图的推送决策属性,其中,所述推送决策属性包括针对所述业务推送意图对应的不同推送对象的推送配置信息;
基于所述业务推送意图对应的不同推送对象的推送配置信息,生成每个推送对象对应的数字化内容。
2.根据权利要求1所述的基于人工智能和大数据的数字化内容推送方法,其特征在于,所述方法还包括:
获取针对所述每个推送对象对应的数字化内容的目标社交网络兴趣行为数据;
通过第一人工智能模型对所述目标社交网络兴趣行为数据进行社交兴趣主题标签和社交兴趣协同关系分析,得到第一预测社交兴趣主题标签和第一预测社交兴趣协同关系;
基于所述第一预测社交兴趣主题标签以及所述第一预测社交兴趣协同关系调整所述第一人工智能模型的模型权重信息,得到中间人工智能模型;
通过所述中间人工智能模型对所述目标社交网络兴趣行为数据进行社交兴趣主题标签和社交兴趣协同关系分析,得到第二预测社交兴趣主题标签和第二预测社交兴趣协同关系;
基于所述第二预测社交兴趣主题标签和所述第二预测社交兴趣协同关系对所述中间人工智能模型进行模型优化,得到优化后的人工智能模型,以通过所述优化后的人工智能模型对社交网络兴趣行为数据中目标社交观点发布数据的社交兴趣主题标签和社交兴趣协同关系进行分析得到参考信息,其中,所述参考信息用于验证社交网络兴趣行为数据中是否存在潜在兴趣路径;
当所述参考信息表征所述社交网络兴趣行为数据中存在潜在兴趣路径,将所述社交网络兴趣行为数据添加到大数据挖掘样本中。
3.根据权利要求2所述的基于人工智能和大数据的数字化内容推送方法,其特征在于,所述获取针对所述每个推送对象对应的数字化内容的目标社交网络兴趣行为数据,包括:
获取针对所述每个推送对象对应的数字化内容的包含目标社交观点发布数据的第一社交网络兴趣行为数据和第二社交网络兴趣行为数据,所述第一社交网络兴趣行为数据为标注有所述目标社交观点发布数据的目标社交兴趣主题标签和目标社交兴趣协同关系的社交网络兴趣行为数据;
所述通过第一人工智能模型对所述目标社交网络兴趣行为数据进行社交兴趣主题标签和社交兴趣协同关系分析,得到第一预测社交兴趣主题标签和第一预测社交兴趣协同关系,包括:
通过第一人工智能模型对所述第一社交网络兴趣行为数据中的所述目标社交观点发布数据进行社交兴趣主题标签和社交兴趣协同关系分析,得到第一预测社交兴趣主题标签和第一预测社交兴趣协同关系;
所述基于所述第一预测社交兴趣主题标签以及所述第一预测社交兴趣协同关系调整所述第一人工智能模型的模型权重信息,得到中间人工智能模型,包括:
将所述第一预测社交兴趣主题标签与所述目标社交兴趣主题标签进行优化,以及将所述第一预测社交兴趣协同关系与所述目标社交兴趣协同关系进行优化,以优化所述第一人工智能模型的第一模型权重信息,以及通过所述第一人工智能模型对所述第一社交网络兴趣行为数据和所述第二社交网络兴趣行为数据进行深度学习,以优化所述第一人工智能模型的第二模型权重信息,得到中间人工智能模型;
所述通过所述中间人工智能模型对所述目标社交网络兴趣行为数据进行社交兴趣主题标签和社交兴趣协同关系分析,得到第二预测社交兴趣主题标签和第二预测社交兴趣协同关系,包括:
通过所述中间人工智能模型获取所述第二社交网络兴趣行为数据中所述目标社交观点发布数据对应的发布影响力最高的社交兴趣主题标签和社交兴趣协同关系分别作为参考目标社交兴趣主题标签和参考目标社交兴趣协同关系;将所述第二社交网络兴趣行为数据输入所述中间人工智能模型进行社交兴趣主题标签和社交兴趣协同关系分析,得到第二预测社交兴趣主题标签和第二预测社交兴趣协同关系;
所述基于所述第二预测社交兴趣主题标签和所述第二预测社交兴趣协同关系对所述中间人工智能模型进行模型优化,得到优化后的人工智能模型,以通过所述优化后的人工智能模型对社交网络兴趣行为数据中目标社交观点发布数据的社交兴趣主题标签和社交兴趣协同关系进行分析得到参考信息,其中,所述参考信息用于验证社交网络兴趣行为数据中是否存在潜在兴趣路径,包括:
将所述第二预测社交兴趣主题标签与所述参考目标社交兴趣主题标签进行优化,以及将所述第二预测社交兴趣协同关系与所述参考目标社交兴趣协同关系进行优化,以对所述中间人工智能模型进行模型优化,得到优化后的人工智能模型,以通过所述优化后的人工智能模型对社交网络兴趣行为数据中目标社交观点发布数据的社交兴趣主题标签和社交兴趣协同关系进行分析得到参考信息,其中,所述参考信息用于验证社交网络兴趣行为数据中是否存在潜在兴趣路径。
4.根据权利要求3所述的基于人工智能和大数据的数字化内容推送方法,其特征在于,所述通过第一人工智能模型对所述第一社交网络兴趣行为数据中的所述目标社交观点发布数据进行社交兴趣主题标签和社交兴趣协同关系分析,得到第一预测社交兴趣主题标签和第一预测社交兴趣协同关系包括:
通过所述第一人工智能模型对所述第一社交网络兴趣行为数据进行兴趣行为特征描述提取,得到所述第一社交网络兴趣行为数据对应的第一兴趣行为特征描述;
通过所述第一人工智能模型基于所述第一兴趣行为特征描述对所述第一社交网络兴趣行为数据中的所述目标社交观点发布数据进行社交兴趣主题标签和社交兴趣协同关系分析,得到第一预测社交兴趣主题标签和第一预测社交兴趣协同关系。
5.根据权利要求4所述的基于人工智能和大数据的数字化内容推送方法,其特征在于,所述第一人工智能模型包括基准描述向量提取结构,所述基准描述向量提取结构包括由多个描述向量提取单元组成的卷积神经网络结构,所述通过所述第一人工智能模型对所述第一社交网络兴趣行为数据进行兴趣行为特征描述提取,得到所述第一社交网络兴趣行为数据对应的第一兴趣行为特征描述包括:
依次通过所述卷积神经网络结构的多个描述向量提取单元对所述第一社交网络兴趣行为数据进行特征提取处理,以提取所述第一社交网络兴趣行为数据对应的第一兴趣行为特征描述。
6.根据权利要求4所述的基于人工智能和大数据的数字化内容推送方法,其特征在于,所述第一人工智能模型包括决策结构,所述决策结构包括随机森林树分类单元、兴趣协同关系分类单元和社交兴趣主题标签分类单元,所述通过所述第一人工智能模型基于所述第一兴趣行为特征描述对所述第一社交网络兴趣行为数据中的所述目标社交观点发布数据进行社交兴趣主题标签和社交兴趣协同关系分析,得到第一预测社交兴趣主题标签和第一预测社交兴趣协同关系包括:
通过所述随机森林树分类单元基于所述第一兴趣行为特征描述对所述第一社交网络兴趣行为数据中的所述目标社交观点发布数据进行随机森林树分类,得到随机森林树分类信息;
通过所述兴趣协同关系分类单元基于所述第一兴趣行为特征描述和所述随机森林树分类信息,对所述第一社交网络兴趣行为数据中的所述目标社交观点发布数据的社交协同属性与所述目标社交观点发布数据的社交被协同属性的协同属性动态关系和协同属性静态关系进行解析,得到所述目标社交观点发布数据在所述第一社交网络兴趣行为数据中的第一预测社交兴趣协同关系;
通过所述社交兴趣主题标签分类单元基于所述第一兴趣行为特征描述和所述随机森林树分类信息,对所述第一社交网络兴趣行为数据中的所述目标社交观点发布数据进行社交兴趣主题标签解析,得到所述目标社交观点发布数据的第一预测社交兴趣主题标签;
其中,所述第一社交网络兴趣行为数据为社交网络兴趣历史信息,所述第二社交网络兴趣行为数据为社交网络兴趣关联信息,所述社交网络兴趣历史信息为标注有所述目标社交观点发布数据的目标社交兴趣主题标签和目标社交兴趣协同关系的社交网络兴趣行为数据,所述社交网络兴趣关联信息为未标注有所述目标社交观点发布数据的目标社交兴趣主题标签和目标社交兴趣协同关系的社交网络兴趣行为数据;所述第一人工智能模型包括模型更新结构,所述模型更新结构包括特征转换单元;所述将所述第一预测社交兴趣主题标签与所述目标社交兴趣主题标签进行优化,以及将所述第一预测社交兴趣协同关系与所述目标社交兴趣协同关系进行优化,以优化所述第一人工智能模型的第一模型权重信息,以及通过所述第一人工智能模型对所述第一社交网络兴趣行为数据和所述第二社交网络兴趣行为数据进行深度学习,以优化所述第一人工智能模型的第二模型权重信息,得到中间人工智能模型包括:
通过所述第一人工智能模型对所述第二社交网络兴趣行为数据进行兴趣行为特征描述提取,得到所述第二社交网络兴趣行为数据对应的第二兴趣行为特征描述;
基于所述随机森林树分类信息、所述第一预测社交兴趣协同关系以及所述第一预测社交兴趣主题标签生成全局模型评估指标;
通过所述全局模型评估指标将所述第一预测社交兴趣主题标签与所述目标社交兴趣主题标签进行优化,以及将所述第一预测社交兴趣协同关系与所述目标社交兴趣协同关系进行优化,以优化所述第一人工智能模型的第一模型权重信息;
以及,通过所述模型更新结构分析所述第一兴趣行为特征描述和所述第二兴趣行为特征描述所属的所述社交网络兴趣历史信息或所述社交网络兴趣关联信息,得到参考信息,通过所述特征转换单元对所述参考信息进行特征转换,以学习具有特征收敛性的兴趣行为特征描述向量,基于所述具有特征收敛性的兴趣行为特征描述向量对所述第一社交网络兴趣行为数据和所述第二社交网络兴趣行为数据的类型进行深度学习,以优化所述第一人工智能模型的第二模型权重信息,得到中间人工智能模型。
7.根据权利要求3所述的基于人工智能和大数据的数字化内容推送方法,其特征在于,所述通过所述中间人工智能模型获取所述第二社交网络兴趣行为数据中所述目标社交观点发布数据对应的发布影响力最高的社交兴趣主题标签和社交兴趣协同关系分别作为参考目标社交兴趣主题标签和参考目标社交兴趣协同关系包括:
通过所述中间人工智能模型对所述第二社交网络兴趣行为数据进行兴趣行为特征描述提取,得到第三兴趣行为特征描述;
基于所述第三兴趣行为特征描述对所述第二社交网络兴趣行为数据中的所述目标社交观点发布数据进行社交兴趣主题标签和社交兴趣协同关系分析,得到至少一个中间预测社交兴趣主题标签及其对应的发布影响力和至少一个中间预测社交兴趣协同关系及其对应的发布影响力;
从所述中间预测社交兴趣主题标签中筛选出发布影响力最高的社交兴趣主题标签作为所述第二社交网络兴趣行为数据中所述目标社交观点发布数据对应的参考目标社交兴趣主题标签,以及从所述中间预测社交兴趣协同关系中筛选出发布影响力最高的社交兴趣协同关系作为所述第二社交网络兴趣行为数据中所述目标社交观点发布数据对应的参考目标社交兴趣协同关系。
8.根据权利要求3所述的基于人工智能和大数据的数字化内容推送方法,其特征在于,所述将所述第二社交网络兴趣行为数据输入所述中间人工智能模型进行社交兴趣主题标签和社交兴趣协同关系分析,得到第二预测社交兴趣主题标签和第二预测社交兴趣协同关系包括:
通过所述中间人工智能模型对所述第二社交网络兴趣行为数据进行兴趣行为特征描述提取,得到所述第二社交网络兴趣行为数据对应的第四兴趣行为特征描述;
通过所述中间人工智能模型基于所述第四兴趣行为特征描述,对所述第二社交网络兴趣行为数据中的所述目标社交观点发布数据进行随机森林树分类、以及社交兴趣主题标签和社交兴趣协同关系分析,得到所述目标社交观点发布数据的第二预测社交兴趣主题标签和第二预测社交兴趣协同关系。
9.根据权利要求3所述的基于人工智能和大数据的数字化内容推送方法,其特征在于,所述将所述第二预测社交兴趣主题标签与所述参考目标社交兴趣主题标签进行优化,以及将所述第二预测社交兴趣协同关系与所述参考目标社交兴趣协同关系进行优化,以对所述中间人工智能模型进行模型优化,得到优化后的人工智能模型包括:
通过第一模型评估指标对所述第二预测社交兴趣主题标签与所述参考目标社交兴趣主题标签进行优化,得到第一模型评估指标;
通过第二模型评估指标对所述第二预测社交兴趣协同关系与所述参考目标社交兴趣协同关系进行优化,得到第二模型评估指标;
基于所述第一模型评估指标和所述第二模型评估指标生成目标全局模型评估指标,通过所述目标全局模型评估指标调整所述中间人工智能模型的模型权重信息,并将完成模型权重信息调整后的中间人工智能模型作为第一人工智能模型,返回执行通过第一人工智能模型对所述第一社交网络兴趣行为数据中的所述目标社交观点发布数据进行社交兴趣主题标签和社交兴趣协同关系分析,得到第一预测社交兴趣主题标签和第一预测社交兴趣协同关系的操作,直至所述目标全局模型评估指标的模型评估指标最小,得到优化后的人工智能模型;
相应的,所述方法还包括:
获取包含所述目标社交观点发布数据的待处理社交网络兴趣行为数据;
通过所述优化后的人工智能模型对所述待处理社交网络兴趣行为数据进行兴趣行为特征描述提取,得到目标兴趣行为特征描述;
通过所述优化后的人工智能模型基于所述目标兴趣行为特征描述识别所述待处理社交网络兴趣行为数据中的所述目标社交观点发布数据的社交兴趣主题标签和社交兴趣协同关系。
10.一种AI系统,其特征在于,所述AI系统包括处理器和机器可读存储介质,所述机器可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现权利要求1-9中任意一项的基于人工智能和大数据的数字化内容推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111647827.8A CN114443970A (zh) | 2021-12-29 | 2021-12-29 | 基于人工智能和大数据的数字化内容推送方法及ai系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111647827.8A CN114443970A (zh) | 2021-12-29 | 2021-12-29 | 基于人工智能和大数据的数字化内容推送方法及ai系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114443970A true CN114443970A (zh) | 2022-05-06 |
Family
ID=81365613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111647827.8A Withdrawn CN114443970A (zh) | 2021-12-29 | 2021-12-29 | 基于人工智能和大数据的数字化内容推送方法及ai系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114443970A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115048370A (zh) * | 2022-07-06 | 2022-09-13 | 柳州市雄邦电脑网络有限公司 | 用于大数据清洗的人工智能处理方法及大数据清洗系统 |
-
2021
- 2021-12-29 CN CN202111647827.8A patent/CN114443970A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115048370A (zh) * | 2022-07-06 | 2022-09-13 | 柳州市雄邦电脑网络有限公司 | 用于大数据清洗的人工智能处理方法及大数据清洗系统 |
CN115048370B (zh) * | 2022-07-06 | 2023-01-03 | 广州劲源科技发展股份有限公司 | 用于大数据清洗的人工智能处理方法及大数据清洗系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110610242B (zh) | 一种联邦学习中参与者权重的设置方法及装置 | |
CN112364880B (zh) | 基于图神经网络的组学数据处理方法、装置、设备及介质 | |
CN111753076B (zh) | 对话方法、装置、电子设备及可读存储介质 | |
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 | |
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 | |
CN113299382A (zh) | 基于人工智能的智慧医疗信息决策方法及云计算系统 | |
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 | |
CN113535399A (zh) | 一种nfv资源调度方法、装置以及系统 | |
CN113360763A (zh) | 基于人工智能的业务关注倾向预测方法及人工智能云系统 | |
CN111159241B (zh) | 一种点击转化预估方法及装置 | |
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 | |
CN114564648A (zh) | 基于大数据的个性化服务内容优化方法及人工智能云系统 | |
CN111949720B (zh) | 基于大数据和人工智能的数据分析方法及云端数据服务器 | |
CN114978765B (zh) | 服务于信息攻击防御的大数据处理方法及ai攻击防御系统 | |
CN114564523B (zh) | 针对智慧虚拟场景的大数据漏洞分析方法及云端ai系统 | |
CN115577797A (zh) | 一种基于本地噪声感知的联邦学习优化方法及系统 | |
Zhang et al. | AFOA: an adaptive fruit fly optimization algorithm with global optimizing ability | |
CN112818241B (zh) | 一种内容推广方法、装置、计算机设备和存储介质 | |
CN113627464B (zh) | 图像处理方法、装置、设备和存储介质 | |
CN113239272B (zh) | 一种网络管控系统的意图预测方法和意图预测装置 | |
CN115422486A (zh) | 基于人工智能的云服务在线页面优化方法及大数据系统 | |
CN114742644A (zh) | 训练多场景风控系统、预测业务对象风险的方法和装置 | |
CN113420567A (zh) | 基于大数据的电商服务需求处理方法及电子商务ai系统 | |
CN114528973A (zh) | 业务处理模型的生成方法、业务处理方法和装置 | |
CN112926952A (zh) | 结合云计算的大数据办公业务处理方法及大数据服务器 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220506 |
|
WW01 | Invention patent application withdrawn after publication |