CN114625961A - 应用于大数据的智能化在线服务推送方法及大数据服务器 - Google Patents
应用于大数据的智能化在线服务推送方法及大数据服务器 Download PDFInfo
- Publication number
- CN114625961A CN114625961A CN202210241278.2A CN202210241278A CN114625961A CN 114625961 A CN114625961 A CN 114625961A CN 202210241278 A CN202210241278 A CN 202210241278A CN 114625961 A CN114625961 A CN 114625961A
- Authority
- CN
- China
- Prior art keywords
- preference
- information
- service information
- service
- round
- 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- Withdrawn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
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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请的应用于大数据的智能化在线服务推送方法及大数据服务器,根据本申请,可实现将历史偏好服务信息中目标推送对象的反馈评价、服务项目和偏好属性切换为历史偏好描述服务信息的反馈评价、偏好属性和服务项目,而维持历史偏好服务信息中的偏好表达内容不变,得到待进行推送的服务信息,如此设计,能够基于推送对象的偏好进行待推送服务信息的准确确定,进而确保待推送服务信息尽可能满足推送对象的偏好和需求,提高服务信息推送的针对性和精度,以减少低质量推送造成的网络资源浪费。
Description
技术领域
本申请涉及大数据和信息推送技术领域,更具体地,涉及一种应用于大数据的智能化在线服务推送方法及大数据服务器。
背景技术
智能化,是指事物在计算机网络、大数据、物联网和人工智能等技术的支持下,所具有的能满足个人或者企业的各种需求的属性。现代信息科技的飞速发展使得智能化已涉足现代生活中的方方面,比如智能化购物服务、家居智能化服务、医疗智能化服务和办公智能化服务等。
随着人们对各类智能化服务的依赖程度不断增加,现目前的智能化服务处理规模和处理量激增,这也为智能化服务带来了新的挑战。在实际应用过程中,服务推送是智能化服务的重要交互方式之一。然而随着智能化服务处理规模和处理量的激增,相关的服务推送技术大多通过批量化推送方式进行服务推送,这样不仅增加了资源开销,还难以确保批量推送的服务与用户的匹配度,由此可见,相关的服务推送技术存在针对性差、精度地下以及资源开销较大的问题。
发明内容
本申请的一个目的是提供一种用于进行服务信息推送的新技术方案。
根据本申请的第一方面,提供一种应用于大数据的智能化在线服务推送方法,应用于大数据服务器,该方法至少包括如下步骤:采集历史偏好服务信息和历史偏好描述服务信息;对所述历史偏好服务信息进行信息挖掘操作得到所述历史偏好服务信息的偏好表达内容,以及,对所述历史偏好描述服务信息进行显著性偏好项目定位操作得到所述历史偏好描述服务信息的第一偏好汇总集;对所述偏好表达内容进行特征翻译操作,得到第一偏好表达内容;对所述第一偏好表达内容和所述第一偏好汇总集执行u轮指定操作,得到待进行推送的服务信息;所述u轮指定操作包括第v-1轮指定操作和第v轮指定操作;所述u轮指定操作中的第1轮指定操作的原料信息为所述偏好表达内容;所述第v-1轮指定操作的结果信息为所述第v轮指定操作的原料信息;所述u轮指定操作中的第x轮指定操作包括对所述第x轮指定操作的原料信息和优化所述第一偏好汇总集的约束条件后得到的操作结果逐一执行整理操作以及特征翻译操作;所述u的取值区间为[2,+∞);所述v的取值区间为[2,u];所述x的取值区间为[1,u]。
对于一些可独立实施的实施例而言,所述对所述第x轮指定操作的原料信息和优化所述第一偏好汇总集的约束条件后得到的操作结果逐一执行整理操作以及特征翻译操作包括:根据所述第x轮指定操作的原料信息,得到所述第x轮指定操作的待整理对象;对所述第x轮指定操作的待整理对象和第x轮偏好汇总集进行整理操作,得到第x轮整理后的信息;其中,所述第x轮偏好汇总集依据对所述第一偏好汇总集进行特征简化操作得到;所述第x轮偏好汇总集的约束条件与所述第x轮指定操作的原料信息的约束条件一致;对所述第x轮整理后的信息进行特征翻译操作,得到所述第x轮指定操作的结果信息。
对于一些可独立实施的实施例而言,所述对所述历史偏好服务信息进行信息挖掘操作得到所述历史偏好服务信息的偏好表达内容之后,所述方法还包括如下步骤:对所述偏好表达内容执行y轮特征翻译操作;其中,所述y轮特征翻译操作中的第1轮特征翻译操作的原料信息为所述偏好表达内容;所述y轮特征翻译操作包括第z-1轮特征翻译操作和第z轮特征翻译操作;所述第z-1轮特征翻译操作的结果信息为所述第z轮特征翻译操作的原料信息;所述y的取值区间为[2,+∞);所述z的取值区间为[2,y];所述根据所述第x轮指定操作的原料信息,得到所述第x轮指定操作的待整理对象,包括:将所述y轮特征翻译操作中的第p轮特征翻译操作的结果信息与所述第x轮指定操作的原料信息进行组合,得到第x轮组合后的信息,作为所述第x轮指定操作的待整理对象;其中,所述第p轮特征翻译操作的结果信息的约束条件与所述第x轮指定操作的原料信息的约束条件一致;所述p的取值区间为[1,y]。
对于一些可独立实施的实施例而言,所述将所述y轮特征翻译操作中的第p轮特征翻译操作的结果信息与所述第x轮指定操作的原料信息进行组合,得到第x轮组合后的信息,包括:将所述第p轮特征翻译操作的结果信息与所述第x轮指定操作的原料信息进行基于状态层面的组合操作,得到所述第x轮组合后的信息。
对于一些可独立实施的实施例而言,所述第p轮特征翻译操作包括:对所述第p轮特征翻译操作的原料信息逐一执行触发操作、转秩滑动平均操作、量化重置操作,得到所述第p轮特征翻译操作的结果信息。
对于一些可独立实施的实施例而言,所述对所述第x轮指定操作的待整理对象和所述第x轮偏好汇总集进行整理操作,得到所述第x轮整理后的信息,包括:基于第一预设约束条件的滑动平均线程对所述第x轮偏好汇总集进行滑动平均操作得到第一关键偏好内容,并基于第二预设约束条件的滑动平均线程对所述第x轮偏好汇总集进行滑动平均操作得到第二关键偏好内容;通过所述第一关键偏好内容和所述第二关键偏好内容确定量化重置策略;通过所述量化重置策略对所述第x轮指定操作的待整理对象进行量化重置操作,得到所述第x轮整理后的信息。
对于一些可独立实施的实施例而言,所述量化重置策略包括设定变换规则;所述通过所述量化重置策略对所述第x轮指定操作的待整理对象进行量化重置操作,得到所述第x轮整理后的信息,包括:通过所述设定变换规则对所述第x轮指定操作的待整理对象进行数值映射,得到所述第x轮整理后的信息。
对于一些可独立实施的实施例而言,所述对所述第一偏好表达内容和所述第一偏好汇总集执行u轮指定操作,得到待进行推送的服务信息,包括:对所述第一偏好表达内容和所述第一偏好汇总集进行整理操作,得到目标整理结果;对所述目标整理结果进行特征翻译操作,得到所述待进行推送的服务信息。
对于一些可独立实施的实施例而言,所述对所述历史偏好服务信息进行信息挖掘操作得到所述历史偏好服务信息的偏好表达内容,包括:通过多个信息挖掘单元对所述历史偏好服务信息进行阶段性信息挖掘操作,得到所述历史偏好服务信息的偏好表达内容;其中,所述多个信息挖掘单元包括第q个信息挖掘单元和第q+1个信息挖掘单元;所述多个信息挖掘单元中的第1个信息挖掘单元的原料信息为所述历史偏好服务信息;所述第q个信息挖掘单元的结果信息为所述第q+1个信息挖掘单元的原料信息;所述q的取值区间为[1,+∞)。
对于一些可独立实施的实施例而言,所述多个信息挖掘单元中的每一个信息挖掘单元皆涵盖:滑动平均操作单元、量化重置操作单元、触发操作单元。
对于一些可独立实施的实施例而言,所述方法还包括:逐一对所述历史偏好服务信息和所述待进行推送的服务信息进行显著性偏好项目定位操作,得到所述历史偏好服务信息的第二偏好汇总集和所述待进行推送的服务信息的第三偏好汇总集;通过所述第二偏好汇总集和所述第三偏好汇总集之间的量化意图数据的比较结果,确定第四偏好汇总集;其中,所述历史偏好服务信息中的第一服务意图需求的量化意图数据与所述待进行推送的服务信息中的第二服务意图需求的量化意图数据之间的比较结果与所述第四偏好汇总集中的第三服务意图需求的量化意图数据满足设定对应关系;所述第一服务意图需求在所述历史偏好服务信息中的分布情况、所述第二服务意图需求在所述待进行推送的服务信息中的分布情况以及所述第三服务意图需求在所述第四偏好汇总集中的分布情况皆一致;将所述第四偏好汇总集、所述历史偏好服务信息和所述待进行推送的服务信息进行整理操作,得到待进行推送的最新服务信息。
对于一些可独立实施的实施例而言,所述根据所述第二偏好汇总集和所述第三偏好汇总集之间的量化意图数据的比较结果,确定第四偏好汇总集,包括:通过所述第二偏好汇总集和所述第三偏好汇总集中相同分布情况的服务意图需求的量化意图数据之间的第一量化评价,所述第二偏好汇总集和所述第三偏好汇总集中相同分布情况的服务意图需求的量化意图数据之间的第二量化评价,确定数值映射策略;通过所述数值映射策略对所述第二偏好汇总集和所述第三偏好汇总集进行数值映射,得到所述第四偏好汇总集。
对于一些可独立实施的实施例而言,所述方法通过服务信息推送线程实现;其中,所述服务信息推送线程的调试步骤包括:将调试范例加载至所述服务信息推送线程,得到所述调试范例的第一测评型服务信息和所述调试范例的第一修正型服务信息;其中,所述调试范例包括第一范例偏好服务信息和第一范例偏好描述服务信息;所述第一修正型服务信息依据对所述范例偏好服务信息执行信息挖掘后,再执行特征翻译操作得到;依据所述范例偏好服务信息和所述第一测评型服务信息的偏好描述绑定指数得到第一线程性能检测结果;通过所述第一范例偏好服务信息中的偏好表达信息和所述第一测评型服务信息中的偏好表达信息的比较结果得到第二线程性能检测结果;基于所述第一范例偏好服务信息中第四服务意图需求的量化意图数据和所述第一测评型服务信息中第五服务意图需求的量化意图数据的比较结果得到第三线程性能检测结果;按照所述第一范例偏好服务信息中第六服务意图需求的量化意图数据和所述第一修正型服务信息中第七服务意图需求的量化意图数据的比较结果得到第四线程性能检测结果;由所述第一测评型服务信息的反馈满意度得到第五线程性能检测结果;所述第四服务意图需求在所述第一范例偏好服务信息中的分布情况和所述第五服务意图需求在所述第一测评型服务信息中的分布情况一致;所述第六服务意图需求在所述第一范例偏好服务信息中的分布情况和所述第七服务意图需求在所述第一修正型服务信息中的分布情况一致;所述第一测评型服务信息的反馈满意度越高表示所述第一测评型服务信息为针对性推送服务的可能性越大;根据所述第一线程性能检测结果、所述第二线程性能检测结果、所述第三线程性能检测结果、所述第四线程性能检测结果和所述第五线程性能检测结果,得到所述服务信息推送线程的第一全局性能检测信息;通过所述第一全局性能检测信息优化所述服务信息推送线程的配置信息。
对于一些可独立实施的实施例而言,所述调试范例还包括第二范例偏好服务信息和第二范例偏好描述服务信息;所述第二范例偏好描述服务信息通过在所述第二范例偏好服务信息中增设非限制型噪声以调整所述第二范例偏好服务信息的服务项目分布情况和/或偏好属性分布情况得到;其中,所述服务信息推送线程的调试步骤还包括:将所述第二范例偏好服务信息和第二范例偏好描述服务信息加载至所述服务信息推送线程,得到所述调试范例的第二测评型服务信息和所述调试范例的第二修正型服务信息;其中,所述第二修正型服务信息依据对所述第二范例偏好服务信息进行信息挖掘后,再执行特征翻译操作得到;基于所述第二范例偏好服务信息和所述第二测评型服务信息的偏好描述绑定指数得到第六线程性能检测结果;依据所述第二范例偏好服务信息中的偏好表达信息和所述第二测评型服务信息中的偏好表达信息的比较结果得到第七线程性能检测结果;按照所述第二范例偏好服务信息中第八服务意图需求的量化意图数据和所述第二测评型服务信息中第九服务意图需求的量化意图数据的比较结果得到第八线程性能检测结果;通过所述第二范例偏好服务信息中第十服务意图需求的量化意图数据和所述第二修正型服务信息中第十一服务意图需求的量化意图数据的比较结果得到第九线程性能检测结果;基于所述第二测评型服务信息的反馈满意度得到第十线程性能检测结果;其中,所述第八服务意图需求在所述第二范例偏好服务信息中的分布情况和所述第九服务意图需求在所述第二测评型服务信息中的分布情况一致;所述第十服务意图需求在所述第二范例偏好服务信息中的分布情况和所述第十一服务意图需求在所述第二修正型服务信息中的分布情况一致;所述第二测评型服务信息的反馈满意度越高表示所述第二测评型服务信息为针对性推送服务的可能性越大;根据所述第六线程性能检测结果、所述第七线程性能检测结果、所述第八线程性能检测结果、所述第九线程性能检测结果和所述第十线程性能检测结果,得到所述服务信息推送线程的第二全局性能检测信息;根据所述第二全局性能检测信息优化所述服务信息推送线程的配置信息。
对于一些可独立实施的实施例而言,所述采集历史偏好服务信息和历史描述服务信息,包括:接收在线服务客户端向前端可视化服务交互设备输入的在线服务请求信息;采集待处理服务互动日志,所述待处理服务互动日志包括服务偏好;将所述在线服务请求信息作为所述历史偏好服务信息,将所述待处理服务互动日志的服务信息作为所述偏好描述服务信息,得到目标服务互动日志。
根据本申请的第二方面,提供一种大数据服务器,包括:存储器,用于存储可执行的指令;处理器,用于根据所述可执行的指令的控制,运行所述大数据服务器执行如第一方面所述的方法。
根据本申请的一个实施例,可实现将历史偏好服务信息中目标推送对象的反馈评价、服务项目和偏好属性切换为历史偏好描述服务信息的反馈评价、偏好属性和服务项目,而维持历史偏好服务信息中的偏好表达内容不变,得到待进行推送的服务信息。其中,待进行推送的服务信息中的反馈评价、服务项目和偏好属性与历史偏好描述服务信息中的反馈评价、服务项目和偏好属性的适配性较佳,表示待进行推送的服务信息相对于目标推送对象的推送针对性较强。同时,待进行推送的服务信息中的偏好表达内容与历史偏好服务信息中的偏好表达内容的适配性较佳,也表示待进行推送的服务信息相对于目标推送对象的推送针对性较强。如此设计,能够基于推送对象的偏好进行待推送服务信息的准确确定,进而确保待推送服务信息尽可能满足推送对象的偏好和需求,提高服务信息推送的针对性和精度,以减少低质量推送造成的网络资源浪费。
通过以下参照附图对本申请的示例性实施例的详细描述,本申请的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本申请的实施例,并且连同其说明一起用于解释本申请的原理。
图1是示出可以实现本申请的实施例的大数据服务器的一种硬件配置的框图。
图2是示出可以实现本申请的实施例的大数据服务器的另一种硬件配置的框图。
图3是示出可以实现本申请的实施例的应用于大数据的智能化在线服务推送方法的流程图。
图4是示出可以实现本申请的实施例的应用于大数据的智能化在线服务推送系统的架构示意图。
具体实施方式
现在将参照附图来详细描述本申请的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本申请及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
<硬件配置>
图1是示出可以实现本申请的实施例的大数据服务器100的一种硬件配置的框图,大数据服务器100可以包括处理器110和存储器120,存储器120用于存储可执行的指令,处理器110用于根据可执行的指令的控制,运行大数据服务器100执行本申请中的应用于大数据的智能化在线服务推送方法。
图2是示出可以实现本申请的实施例的大数据服务器100的另一种硬件配置的框图,大数据服务器100可以包括处理器110、存储器120和应用于大数据的智能化在线服务推送装置400,应用于大数据的智能化在线服务推送装置400包括至少一个可以软件或固件(firmware)的形式储存于所述存储器120中的软件功能模块,所述处理器110通过运行存储在存储器120内的软件程序以及模块,例如本申请实施例中的应用于大数据的智能化在线服务推送装置400,从而执行各种功能应用以及数据处理,即实现本申请实施例中的应用于大数据的智能化在线服务推送方法。
<方法实施例>
图3是示出可以实现本申请的实施例的应用于大数据的智能化在线服务推送方法的流程图,应用于大数据的智能化在线服务推送方法可以通过图1或图2所示的大数据服务器100实现,进一步可以包括以下步骤所描述的技术方案。
步骤step1、采集历史偏好服务信息和历史偏好描述服务信息。
在本申请实施例中,历史偏好服务信息可以理解为对应于目标推送对象的偏好服务信息。进一步地,目标推送对象指进行服务推送的推送对象。此外,历史偏好描述服务信息可以是任意一组包含推送对象偏好的服务信息,而推送对象偏好包括但不限于服务交互操作习惯偏好、服务产品喜好、服务推送时段倾向等。示例性地,服务信息可以涉及在线电商、智慧办公、远程教育、智慧医疗、云游戏等数字化服务。
采集历史偏好服务信息和/或历史偏好描述服务信息的方式可以是接收在线服务客户端通过信息传输接口上传的的历史偏好服务信息和/或历史偏好描述服务信息,其中,信息传输接口包括:各类音视频输入设备或者端口等。也可以是接收前端可视化服务交互设备(比如与在线服务客户端通信的智能设备)发送的历史偏好服务信息和/或历史偏好描述服务信息,其中,前端可视化服务交互设备包括立柜式智能机器人、移动式智能机器人等。本申请对采集历史偏好服务信息和历史偏好描述服务信息的方式不做限定。
可以理解的是,在一些情况下,大数据服务器可以与在线服务客户端直接通信。在另一些情况下,大数据服务器可以通过前端可视化服务交互设备与在线服务客户端间接通信,本申请实施例不做限制。
步骤step2、对历史偏好服务信息进行信息挖掘操作得到历史偏好服务信息的偏好表达内容,以及,对历史偏好描述服务信息进行显著性偏好项目定位操作得到偏好描述服务信息的第一偏好汇总集。
本申请实施例中,信息挖掘操作可以是滑动平均操作(卷积处理),也可以是滑动平均操作、量化重置操作(归一化)和触发操作(激活)的混合操作。
在一种可独立实施的思路下,依次通过多个信息挖掘单元对历史偏好服务信息进行阶段性信息挖掘操作,其中,每一个信息挖掘单元均包含滑动平均操作、量化重置操作和触发操作,且滑动平均操作、量化重置操作和触发操作依次连接,即滑动平均操作的结果信息为量化重置操作的原料信息,量化重置操作的结果信息为触发操作的原料信息。滑动平均操作可通过滑动平均线程对输入信息挖掘单元的数据进行滑动平均实现,依据对信息挖掘单元的原料信息进行滑动平均操作,可从信息挖掘单元的原料信息中提取出特征描述,并适应性改善信息挖掘单元的原料信息的约束条件的复杂度,以削弱后续信息处理的运算开销。而依据对滑动平均操作后的信息进行量化重置操作,可消除滑动平均操作后的信息中不同信息之间的关联性,突出滑动平均操作后的信息中不同信息之间的分布比较结果(比如分布差异),有助于通过后续信息处理从量化重置操作后的信息中继续提取特征描述。触发操作可通过将量化重置操作后的信息代入触发线程实现,可选的,触发线程为ReLU函数。
本申请实施例中,偏好表达内容至少可以包括偏好状态的情绪极性信息、偏好状态的时序特征信息、偏好状态的意见型干扰信息、偏好状态的变化信息。
本申请实施例中,显著性偏好项目定位操作指提取出历史偏好描述服务信息中的偏好属性的分布情况信息、服务项目的分布情况信息以及反馈评价信息,其中,偏好属性的分布情况信息包括偏好属性对应的热点项目在历史偏好描述服务信息对应的文本向量空间中的相对位置,服务项目的分布情况信息包括区域型热点项目在历史偏好描述服务信息对应的文本向量空间中的相对位置。
例如,显著性偏好项目可以包含偏好属性热点项目和区域型热点项目。区域型热点项目包括办公地区的热点项目、商业娱乐地区的热点项目、跨境业务地区的热点项目、居民住宅地区的热点项目、高校地区的热点项目。偏好属性热点项目包括与推送对象的偏好内容本身相关的热点项目。可以理解的是上述显著性偏好项目的数目和分布情况仅为本申请实施例提供的一个示例,并不是对本申请的限制。
上述偏好属性热点项目和区域型热点项目可根据在线服务客户端所反馈的推送满意度评价结果进行优化。上述显著性偏好项目定位操作可通过相关显著性偏好项目提取算法(比如一些关键信息提取算法)实现,本申请对此不作限定。
本申请实施例中,第一偏好汇总集包括偏好属性热点项目的分布情况信息和区域型热点项目的分布情况信息,以及反馈评价信息。为便于说明,以下将显著性偏好项目的分布情况信息与反馈评价信息称为偏好描述。
可以理解的是,本申请实施例中,得到历史偏好服务信息的偏好表达内容和得到偏好描述服务信息的第一偏好汇总集两个操作过程之间不存在执行优先级的限定,可以是先得到历史偏好服务信息的偏好表达内容再得到历史偏好描述服务信息的第一偏好汇总集。也可以是先得到历史偏好描述服务信息的第一偏好汇总集再得到历史偏好服务信息的偏好表达内容。还可以是在对历史偏好服务信息进行信息挖掘操作得到历史偏好服务信息的偏好表达内容的同时,对历史偏好描述服务信息进行显著性偏好项目定位操作得到偏好描述服务信息的第一偏好汇总集。
步骤step3、依据偏好表达内容和第一偏好汇总集,得到待进行推送的服务信息。
由于对相同推送对象而言,偏好表达内容(推送对象固有的偏好和倾向)几乎是不会存在太大变化的,即只要不同的服务信息中包含的推送对象相同,则对不同的服务信息进行信息挖掘操作得到偏好表达内容是相同的,换言之,偏好表达内容也可视为一个推送对象的标签信息。因此,如果通过将大量包含同一个推送对象的服务信息作为调试集对服务信息推送线程进行调试,该服务信息推送线程将通过调试学习到服务信息中的推送对象的偏好表达内容,得到调试后的服务信息推送线程。由于调试后的服务信息推送线程只包含服务信息中的推送对象的偏好表达内容,在基于调试后的服务信息推送线程进行测评型服务信息生成时,也仅能得到包含该推送对象的偏好表达内容的服务信息,而无法得到针对不同服务场景或者服务时段的细节型偏好变化。
例如,将1000组包含推送对象A的业务偏好的服务信息作为调试集对服务信息推送线程进行调试,则服务信息推送线程在调试的过程中将从这1000组服务信息中学习到推送对象A的偏好表达内容。在应用调试后的服务信息推送线程测评型服务信息时,无论输入的历史偏好服务信息中包含的推送对象是否是推送对象A,最终得到的待进行推送的服务信息中的偏好表达内容均为推送对象A的偏好表达内容,换言之待进行推送的服务信息中的推送对象是推送对象A。
在步骤step2中,本申请实施例依据对历史偏好服务信息进行信息挖掘操作以得到历史偏好服务信息中的偏好表达内容,而不从历史偏好服务信息中提取偏好描述,以实现从任意一组历史偏好服务信息中得到目标推送对象偏好表达内容,且目标推送对象的偏好表达内容不包含目标推送对象的偏好描述。再依据对历史偏好描述服务信息进行显著性偏好项目定位操作以得到历史偏好描述服务信息的第一偏好汇总集,而不从历史偏好描述服务信息中提取偏好表达内容,以实现得到任意目标偏好描述(用于覆盖历史偏好服务信息中的推送对象的偏好描述),且目标偏好描述不包含历史偏好描述服务信息中的偏好表达内容。
这样,再依据对偏好表达内容和第一偏好汇总集进行特征翻译、整理等操作可提高得到的待进行推送的服务信息中的推送对象的偏好表达内容与历史偏好服务信息的偏好表达内容的适配性,且可提高待进行推送的服务信息中的偏好描述与历史偏好描述服务信息中的偏好描述的适配性,进而提升待进行推送的服务信息的推送针对性。其中,待进行推送的服务信息的偏好描述与历史偏好描述服务信息的偏好描述的适配性越高,表示待进行推送的服务信息中的推送对象的服务项目、属性和反馈评价与历史偏好描述服务信息中的推送对象的服务项目、属性和反馈评价的共性程度(相似度)就越高。待进行推送的服务信息中的偏好表达内容与历史偏好服务信息中的偏好表达内容的适配性越高,表示待进行推送的服务信息中的偏好状态的情绪极性、偏好状态的时序特征信息、偏好状态的意见型干扰信息、偏好状态的变化信息与历史偏好服务信息中的偏好状态的情绪极性、偏好状态的时序特征信息、偏好状态的意见型干扰信息、偏好状态的变化信息的共性程度就越高。
由此可见,基于上述内容,不仅能够削弱偏好表达内容对推送服务确定的影响,还能够考虑反馈评价、服务项目和偏好属性的适配性,这样所确定出的待进行推送的服务信息能够尽可能满足不同推送对象的偏好和需求。如此,能够提高服务信息推送的针对性和精度,以减少低质量推送造成的网络资源浪费。
在一种可独立实施的思路下,将偏好表达内容和第一偏好汇总集整理,得到既包含目标推送对象的偏好表达内容又包含目标偏好描述的整理数据,再依据对整理数据进行特征翻译操作,即可得到待进行推送的服务信息。其中,特征翻译操作可以是转秩滑动平均操作(反卷积)。
在另一种可独立实施的思路下,通过多个特征翻译单元对偏好表达内容进行阶段性特征翻译操作,可得到不同约束条件下的特征翻译后的偏好表达内容(即不同的特征翻译单元输出的特征翻译后的偏好表达内容的约束条件不同),再通过将每一个特征翻译单元的结果信息与第一偏好汇总集进行整理,可提升偏好表达内容与第一偏好汇总集在不同约束条件下的整理效果,有助于提升最终得到的待进行推送的服务信息的推送针对性。例如,偏好表达内容依次经过第一个特征翻译单元,第二个特征翻译单元,…,第八个特征翻译单元的特征翻译操作得到待进行推送的服务信息。其中,将第一个特征翻译单元的结果信息与第一轮偏好汇总集整理后的信息作为第二个特征翻译单元的原料信息,将第二个特征翻译单元的结果信息与第二轮偏好汇总集整理后的信息作为第三个特征翻译单元的原料信息,…,将第七个特征翻译单元的结果信息与第七轮偏好汇总集整理后的信息作为第八个特征翻译单元的原料信息,最终将第八个特征翻译单元的结果信息作为待进行推送的服务信息。上述第七轮偏好汇总集为历史偏好描述服务信息的第一偏好汇总集,第一轮偏好汇总集,第二轮偏好汇总集,…,第六轮偏好汇总集均可依据对历史偏好描述服务信息的第一偏好汇总集进行特征简化操作得到。第一轮偏好汇总集的约束条件与第一个特征翻译单元的结果信息的约束条件一致,第二轮偏好汇总集的约束条件与第二个特征翻译单元的结果信息的约束条件一致,…,第七轮偏好汇总集的约束条件与第七个特征翻译单元的结果信息的约束条件一致。上述特征简化操作可以是下采样处理。
可以理解的是,上述的特征翻译单元的数目仅是本申请实施例提供一个示例,并不是对本申请的限制。上述整理可以是对进行整理的两个信息进行基于状态层面的组合操作。例如,第一轮偏好汇总集的状态类别为4,第一个特征翻译单元的结果信息的状态类别为3,则将第一轮偏好汇总集与第一个特征翻译单元的结果信息整理得到的操作结果的状态类别为7。
上述整理也可以是将进行整理的两个信息中的相同分布情况的关键信息要素加权。其中,两个信息中的相同分布情况的关键信息要素可参阅如下内容,关键信息要素key_element_a在信息information_A中的分布情况与关键信息要素key_element_e在信息information_B中的分布情况一致,关键信息要素key_element_b在信息information_A中的分布情况与关键信息要素key_element_f在信息information_B中的分布情况一致,关键信息要素key_element_c在信息information_A中的分布情况与关键信息要素key_element_g在信息information_B中的分布情况一致,关键信息要素key_element_d在信息information_A中的分布情况与关键信息要素key_element_h在信息information_B中的分布情况一致。
本申请实施例依据对历史偏好服务信息进行信息挖掘操作可得到历史偏好服务信息中目标推送对象的偏好表达内容,依据对历史偏好描述服务信息进行显著性偏好项目定位操作可得到第一偏好汇总集,再依据对偏好表达内容和第一偏好汇总集进行整理操作以及特征翻译操作可得到待进行推送的服务信息,实现调整任意目标推送对象的偏好描述。
以下是本申请实施例提供的步骤step2一种可独立实施的实现方式。
步骤step21、通过多个信息挖掘单元对历史偏好服务信息进行阶段性信息挖掘操作,得到历史偏好服务信息的偏好表达内容,以及,对历史偏好描述服务信息进行显著性偏好项目定位操作得到偏好描述服务信息的第一偏好汇总集。
对历史偏好描述服务信息进行显著性偏好项目定位操作得到历史偏好描述服务信息的第一偏好汇总集的过程可参照步骤step2,此处将不再赘述。
本申请实施例中,信息挖掘单元的数目不小于2,多个信息挖掘单元中的每个信息挖掘单元依次连接,即上一层信息挖掘单元的结果信息为下一层信息挖掘单元的原料信息。假设多个信息挖掘单元包括第q个信息挖掘单元和第q+1个信息挖掘单元,则多个信息挖掘单元中的第1个信息挖掘单元的原料信息为历史偏好服务信息,第q个信息挖掘单元的结果信息为第q+1个信息挖掘单元的原料信息,最后一层信息挖掘单元的结果信息为历史偏好服务信息的偏好表达内容。其中,每一个信息挖掘单元皆涵盖滑动平均操作单元、量化重置操作单元、触发操作单元,q为不小于1的正整数。
通过多个信息挖掘单元对历史偏好服务信息进行阶段性信息挖掘操作可从历史偏好服务信息中提取出偏好表达内容,其中,每个信息挖掘单元提取出的偏好表达内容皆存在差异。示例性的,经过多个信息挖掘单元的信息挖掘操作一步步地将历史偏好服务信息中的偏好表达内容提取出来,同时也将持续性地消除非关键的信息(此处的非关键的信息指非偏好表达内容)。因此,越到后面提取出的偏好表达内容的约束条件越严格,且偏好表达内容中包含的偏好状态的情绪极性信息、偏好状态的时序特征信息、偏好状态的意见型干扰信息和偏好状态的变化信息越精华。这样,可在得到历史偏好服务信息的偏好表达内容的同时,将服务信息的约束条件适应性改善,削弱大数据服务器的运算开销,提高处理效率。
在一种可独立实施的思路下,每个信息挖掘单元皆涵盖滑动平均操作单元、量化重置操作单元、触发操作单元,且这3个操作单元依次连接,即滑动平均操作单元的原料信息为信息挖掘单元的原料信息,滑动平均操作单元的结果信息为量化重置操作单元的原料信息,量化重置操作单元的结果信息为触发操作单元的结果信息,最终经量化重置操作单元得到信息挖掘单元的结果信息。滑动平均操作单元的功能实现过程如下:对信息挖掘单元的原料信息进行滑动平均操作,即利用滑动平均线程在信息挖掘单元的原料信息中平移,并将信息挖掘单元的原料信息中关键信息要素的量化要素数据逐一与滑动平均线程中所有关键信息要素的量化要素数据加权(比如相乘),然后将加权后得到的所有加权结果的和作为该关键信息要素的量化要素数据,最终平移操作完信息挖掘单元的原料信息中所有的关键信息要素,得到滑动平均操作后的信息。量化重置操作单元可通过将滑动平均操作后的信息加载至批量型量化重置操作单元实现,通过批量型量化重置操作单元对滑动平均操作后的信息进行批量型量化重置操作使滑动平均操作后的信息满足均值为零且第二量化评价(比如方差)为一的高斯分布(Gaussian distribution),以消除滑动平均操作后的信息中数据之间的关联性,突出滑动平均操作后的信息中数据之间的分布比较结果。
由于前面的滑动平均操作单元以及量化重置操作单元从相关信息中学习高阶迁移(复杂化映射)的性能较差,仅通过滑动平均操作单元和量化重置操作单元难以应对混合且繁杂的信息,例如服务信息。因此,需要依据对量化重置操作后的信息进行复杂性削弱处理(比如非线性变换),以应对诸如服务信息等混合且繁杂的信息。在批量型量化重置操作单元后连接复杂性削弱触发线程,通过复杂性削弱触发线程对量化重置操作后的信息进行复杂性削弱处理实现对量化重置操作后的信息的触发操作,以提取历史偏好服务信息的偏好表达内容。可选的,上述复杂性削弱触发线程为ReLU。
本申请实施例依据对历史偏好服务信息进行阶段性信息挖掘操作,适应性改善历史偏好服务信息的约束条件得到历史偏好服务信息的偏好表达内容,可削弱后续基于偏好表达内容进行操作的信息处理量,提高处理效率,且后续信息处理可基于任意历史偏好服务信息的偏好表达内容以及任意偏好描述(即第一偏好汇总集)得到待进行推送的服务信息,以得到历史偏好服务信息中的推送对象在任意偏好描述下的服务信息。
以下为本申请实施例提供的步骤step3的一种可独立实施的方式的相关内容。
步骤step31、对偏好表达内容进行特征翻译操作,得到第一偏好表达内容。
特征翻译操作为信息挖掘操作的反向操作,依据对偏好表达内容进行特征翻译操作可得到历史偏好服务信息,但为了将偏好汇总集与偏好表达内容整理,以得到待进行推送的服务信息,本申请实施例依据对偏好表达内容进行多轮特征翻译操作,并在多轮特征翻译操作的过程中将偏好汇总集与偏好表达内容整理。
在一种可独立实施的思路下,偏好表达内容将依次经过第一个目标特征翻译单元(比如生成解码单元),第二个目标特征翻译单元(即第一轮指定操作中的目标特征翻译单元),…,第七个目标特征翻译单元的特征翻译操作(即第六轮指定操作中的目标特征翻译单元),最终得到待进行推送的服务信息。其中,将偏好表达内容加载至第一个目标特征翻译单元进行特征翻译操作,得到第一偏好表达内容。在其他实施例中,偏好表达内容也可以先经过前几个(如前两个)目标特征翻译单元进行特征翻译操作,得到第一偏好表达内容。
步骤step32、对第一偏好表达内容和第一偏好汇总集执行u轮指定操作,得到待进行推送的服务信息。
本申请实施例中,u为不小于2的正整数,指定操作包括整理操作和特征翻译操作,第一偏好表达内容为第1轮指定操作的原料信息,即将第一偏好表达内容作为第1轮指定操作的待整理对象,对第1轮指定操作的待整理对象与第1轮偏好汇总集进行整理操作得到第1轮整理后的信息,再对第1轮整理后的信息进行特征翻译操作得到第1轮指定操作的结果信息,作为第2轮指定操作的待整理对象,第2轮指定操作再对第2轮指定操作的原料信息与第2轮偏好汇总集进行整理操作得到第2轮整理后的信息,再对第2轮整理后的信息进行特征翻译操作得到第2轮指定操作的结果信息,作为第3轮指定操作的待整理对象,…,直到得到第u轮指定操作的数据,作为待进行推送的服务信息。上述第u轮偏好汇总集为历史偏好描述服务信息的第一偏好汇总集,第1轮偏好汇总集,第2轮偏好汇总集,…,第u-1轮偏好汇总集均可依据对历史偏好描述服务信息的第一偏好汇总集进行特征简化操作得到。且第1轮偏好汇总集的约束条件与第1轮指定操作的原料信息的约束条件一致,第2轮偏好汇总集的约束条件与第2轮指定操作的原料信息的约束条件一致,…,第u轮偏好汇总集的约束条件与第u轮指定操作的原料信息的约束条件一致。可选的,本申请实施例中的特征翻译操作皆涵盖转秩滑动平均操作和量化重置操作。
可以理解的是,u轮指定操作中的任意的一轮指定操作依据对该指定操作的原料信息和优化第一偏好汇总集的约束条件后得到的操作结果逐一执行整理操作以及特征翻译操作实现。例如,u轮指定操作中的第x轮指定操作依据对第x轮指定操作的原料信息和优化第一偏好汇总集的约束条件后得到的操作结果先进行整理操作得到第x轮目标整理结果,再对第x轮目标整理结果进行特征翻译操作,得到第x轮指定操作的结果信息,即完成对第x轮指定操作的原料信息的第x轮指定操作。
通过将不同约束条件的偏好汇总集(即优化第一偏好汇总集的约束条件后得到的操作结果)与不同级的指定操作的原料信息整理可提升偏好表达内容与第一偏好汇总集的整理效果,有助于提升最终得到的待进行推送的服务信息的推送针对性。上述优化第一偏好汇总集的约束条件可以是对第一偏好汇总集进行特征扩展操作,也可以是对第一偏好汇总集进行特征简化操作,本申请对此不作限定。
在一种可独立实施的思路下,第一偏好表达内容依次经过第1轮指定操作,第2轮指定操作,…,第6轮指定操作得到待进行推送的服务信息。
由于如果直接将不同约束条件的偏好汇总集与不同级指定操作的原料信息进行整理,再通过特征翻译操作中的量化重置操作对整理后的信息进行量化重置操作时会使不同约束条件的偏好汇总集中的内容缺损,进而影响最后得到的待进行推送的服务信息的推送针对性。本申请实施例根据不同约束条件的偏好汇总集确定量化重置策略,并依据量化重置策略对指定操作的原料信息进行量化重置操作,实现将第一偏好汇总集与指定操作的数据进行整理。这样可更好的将第一偏好汇总集中每个关键信息要素包含的信息与指定操作的原料信息中相同分布情况的关键信息要素包含的信息整理,有助于提升待进行推送的服务信息中每个服务意图需求的推送针对性。
可选的,基于第一预设约束条件的滑动平均线程对第x轮偏好汇总集进行滑动平均操作得到第一关键偏好内容,并基于第二预设约束条件的滑动平均线程对第x轮偏好汇总集进行滑动平均操作得到第二关键偏好内容。再依据第一关键偏好内容和所述第二关键偏好内容确定量化重置策略。其中,第一预设约束条件和第二预设约束条件不同,x为不小于1且不大于u的正整数。
在一种可独立实施的思路下,依据对第x轮指定操作的原料信息进行数值映射可实现对第x轮指定操作的复杂性削弱处理,以实现更高阶的迁移变换,有助于后续基于复杂性削弱量化重置后的信息测评型服务信息。
在确定量化重置策略(比如归一化策略)后,可依据量化重置策略对第x轮指定操作的原料信息(比如输入数据)进行量化重置操作,得到第x轮整理后的信息。再对第x轮整理后的信息进行特征翻译操作,可得到第x轮指定操作的结果信息(比如输出数据)。
为了更好的整理第一偏好汇总集和偏好表达内容,可对历史偏好服务信息的偏好表达内容进行阶段性特征翻译操作,得到不同约束条件的偏好表达内容,再将相同约束条件的偏好汇总集和指定操作的结果信息整理,以提升第一偏好汇总集和偏好表达内容的整理效果,提升待进行推送的服务信息的推送针对性。
本申请实施例中,对历史偏好服务信息的偏好表达内容执行y轮特征翻译操作,以得到不同约束条件的偏好表达内容。上述y轮特征翻译操作中的第1轮特征翻译操作的原料信息为偏好表达内容,y轮特征翻译操作包括第z-1轮特征翻译操作和第z轮特征翻译操作,第z-1轮特征翻译操作的结果信息为所述第z轮特征翻译操作的原料信息。每一轮特征翻译操作皆涵盖触发操作、转秩滑动平均操作、量化重置操作,即对特征翻译操作的原料信息逐一执行触发操作、转秩滑动平均操作、量化重置操作可得到特征翻译操作的结果信息。其中,y为不小于2的正整数,z为不小于2且不大于y的正整数。
在一种可独立实施的思路下,修正型特征翻译单元(重构特征翻译单元)的数目与指定操作的数目相同,且第p轮特征翻译操作的结果信息(即第p轮修正型特征翻译单元的结果信息)的约束条件与第x轮指定操作的原料信息的约束条件一致。通过将第p轮特征翻译操作的结果信息与第x轮指定操作的原料信息进行组合,得到第x轮组合后的信息,此时将第x轮组合后的信息作为第x轮指定操作的待整理对象,再对第x轮被整理后的信息进行第x轮指定操作,得到第x轮指定操作的结果信息。通过上述方式,可将不同约束条件下的历史偏好服务信息的偏好表达内容更好的利用到得到待进行推送的服务信息的过程中,有助于提升得到的待进行推送的服务信息的推送针对性。可选的,上述组合包括进行基于状态层面的组合操作。此处对第x轮被整理后的信息进行第x轮指定操作的过程可参照上一种可能实现的方式。
可以理解的是,上述的一些示例中的指定操作中第x轮被整理的信息为第x轮指定操作的原料信息,而在上述另一些示例中的第x轮被整理的信息为第x轮指定操作的原料信息与第p轮特征翻译操作的结果信息组合后得到的操作结果,而后续对第x轮被整理后的信息和第x轮偏好汇总集进行整理操作的过程皆一致。
可以理解的是,上述相关示例中的指定操作的数目以及组合的次数均为本申请实施例提供的示例,并不是对本申请的限制。例如,相关示例包含9次组合,即每一个特征翻译单元的结果信息都将与相同约束条件的指定操作的原料信息进行组合。虽然每一次合并最终得到的待进行推送的服务信息的推送针对性都有提升(即组合的次数越多,待进行推送的服务信息的推送针对性越好),但每一次组合都将带来较大的信息处理量,所需占用的处理开销(此处为本申请实施例的大数据服务器的运算负荷)也将增大,因此组合的次数可根据在线服务客户端的实际互动情况进行优化,例如可以基于部分(如最后几个)修正型特征翻译单元的结果信息与相同约束条件的指定操作的原料信息进行组合。
本申请实施例通过在对偏好表达内容进行阶段性指定操作的过程中,将通过优化第一偏好汇总集的约束条件得到的不同约束条件的偏好汇总集与指定操作的原料信息进行整理,提升第一偏好汇总集与偏好表达内容的整理效果,进而提升待进行推送的服务信息的偏好描述与历史偏好描述服务信息的偏好描述的适配性。依据对历史偏好服务信息的偏好表达内容进行阶段性特征翻译操作,得到不同约束条件的特征翻译后的偏好表达内容(即不同的修正型特征翻译单元的结果信息的约束条件不同),并将相同约束条件的特征翻译后的偏好表达内容和指定操作的原料信息整理,可进一步提升第一偏好汇总集与偏好表达内容的整理效果,进而提升待进行推送的服务信息的偏好表达内容与历史偏好服务信息的偏好表达内容的适配性。在通过本申请实施例提供的方法提升以上两个适配性的情况下,可提升待进行推送的服务信息的推送针对性。
本申请实施例还提供了一种依据对历史偏好服务信息的偏好汇总集和待进行推送的服务信息的偏好汇总集进行操作的方案,丰富待进行推送的服务信息中的细节内容(意见型干扰信息等),进而提升待进行推送的服务信息的推送针对性。
对于一些可独立实施的技术方案而言,以下还提供的另一种应用于大数据的智能化在线服务推送方法。
步骤step41、逐一对历史偏好服务信息和待进行推送的服务信息进行显著性偏好项目定位操作,得到历史偏好服务信息的第二偏好汇总集和待进行推送的服务信息的第三偏好汇总集。
本申请实施例中,显著性偏好项目定位操作可从服务信息中提取出偏好属性的分布情况信息、服务项目的分布情况信息以及反馈评价信息。通过逐一对历史偏好服务信息和待进行推送的服务信息进行显著性偏好项目定位操作,可得到历史偏好服务信息的第二偏好汇总集和待进行推送的服务信息的第三偏好汇总集。第二偏好汇总集的约束条件以及第三偏好汇总集的约束条件以及历史偏好服务信息的约束条件以及历史待进行推送的服务信息的约束条件皆一致。第二偏好汇总集包括历史偏好服务信息中的偏好属性热点项目的分布情况信息和区域型热点项目的分布情况信息以及反馈评价,第三偏好汇总集包括待进行推送的服务信息中的偏好属性热点项目的分布情况信息和区域型热点项目的分布情况信息以及反馈评价。
步骤step42、依据第二偏好汇总集和第三偏好汇总集之间的量化意图数据的比较结果,确定第四偏好汇总集。
通过比较第二偏好汇总集和第三偏好汇总集之间的量化意图数据的比较结果(如第一量化评价、第二量化评价、关联度等统计变量),可得到历史偏好服务信息和待进行推送的服务信息之间的细节比较结果,并基于该细节比较结果可确定第四偏好汇总集。
在一种可独立实施的思路下,依据第二偏好汇总集和第三偏好汇总集中相同分布情况的服务意图需求的量化意图数据之间的第一量化评价(以下将称为意图第一量化评价),以及第二偏好汇总集和所述第三偏好汇总集中相同分布情况的服务意图需求的量化意图数据之间的第二量化评价(以下将称为意图第二量化评价),确定数值映射策略。再依据该数值映射策略对第二偏好汇总集和第三偏好汇总集进行数值映射,可得到第四偏好汇总集。其中,可将意图第一量化评价作为数值映射的第一映射标准,并将意图第二量化评价作为数值映射的第二映射标准。也可将意图第一量化评价作为数值映射的第二映射标准,并将意图第二量化评价作为数值映射的第一映射标准。第一映射标准(缩放)和第二映射标准(平移)的含义可参照步骤step32。
本申请实施例中,第四偏好汇总集的约束条件与第二偏好汇总集的约束条件以及第三偏好汇总集的约束条件一致。第四偏好汇总集中每个服务意图需求都有一个量化表达值。可选的,该量化表达值的取值范围为零至一。其中,服务意图需求的量化表达值越接近于一,表示在该服务意图需求所在的分布情况上,历史偏好服务信息的服务意图需求的量化意图数据与待进行推送的服务信息的服务意图需求的量化意图数据比较结果(差异)越大。
例如,第一服务意图需求在历史偏好服务信息中的分布情况以及第二服务意图需求在待进行推送的服务信息中的分布情况以及第三服务意图需求在第四偏好汇总集中的分布情况皆一致,第一服务意图需求的量化意图数据与第二服务意图需求的量化意图数据之间的比较结果越大,第三服务意图需求的量化表达值也就越大。
步骤step43、将第四偏好汇总集、历史偏好服务信息和所述待进行推送的服务信息进行整理操作,得到待进行推送的最新服务信息。
待进行推送的服务信息与历史偏好服务信息中相同分布情况的服务意图需求的量化意图数据的比较结果越小,待进行推送的服务信息中的偏好表达内容与历史偏好服务信息中的偏好表达内容的适配性就越高。而通过步骤step42的操作,可确定历史偏好服务信息与待进行推送的服务信息中相同分布情况的服务意图需求的量化意图数据的比较结果(以下将称为量化意图数据比较结果)。因此,可依据第四偏好汇总集使对待进行推送的服务信息和历史偏好服务信息进行整理,以削弱整理后的服务信息与历史人服务信息相同分布情况的服务意图需求的量化意图数据的比较结果,使整理后的服务信息与历史偏好服务信息的细节的适配性更高。
在一种可独立实施的思路下,可通过下式对历史偏好服务信息和待进行推送的服务信息进行整理:ser_in=pro_ser_in*(1-coll)+his_ser_in*coll。
其中,ser_in为整理后的服务信息,pro_ser_in为待进行推送的服务信息,his_ser_in为历史偏好服务信息,coll为第四偏好汇总集。(1-coll)指基于一组约束条件与第四偏好汇总集的约束条件一致,且每个服务意图需求的量化表达值均为一的偏好汇总集与第四偏好汇总集中相同分布情况的服务意图需求的量化表达值进行作差处理。pro_ser_in*(1-coll)指(1-coll)得到的偏好汇总集与历史偏好服务信息中相同分布情况的量化表达值加权。his_ser_in*coll指将第四偏好汇总集与历史偏好服务信息中相同分布情况的服务意图需求的量化表达值加权。
通过pro_ser_in*(1-coll)可增强待进行推送的服务信息中与历史偏好服务信息的量化意图数据比较结果小的分布情况的量化意图数据,并削弱待进行推送的服务信息中与历史偏好服务信息的量化意图数据比较结果大的分布情况的量化意图数据。通过his_ser_in*coll可增强历史偏好服务信息中与待进行推送的服务信息的量化意图数据比较结果大的分布情况的量化意图数据,并削弱历史偏好服务信息中与待进行推送的服务信息的量化意图数据比较结果小的分布情况的量化意图数据。再将pro_ser_in*(1-coll)得到的服务信息与his_ser_in*coll得到的服务信息中相同分布情况的服务意图需求的量化意图数据加权,即可增强待进行推送的服务信息的细节,提高待进行推送的服务信息的细节与历史偏好服务信息的细节适配性。
例如,假设服务意图需求requirement_a在历史偏好服务信息中的分布情况以及服务意图需求requirement_b在待进行推送的服务信息中的分布情况以及服务意图需求requirement_c在第四偏好汇总集中的分布情况一致,且服务意图需求requirement_a的量化意图数据为XX,服务意图需求requirement_b的量化意图数据为零,服务意图需求requirement_c的数值为一。通过his_ser_in*coll得到的服务信息中的服务意图需求requirement_d的量化意图数据为XX(服务意图需求requirement_d在通过his_ser_in*coll得到的服务信息中的分布情况与服务意图需求requirement_a在历史偏好服务信息中的分布情况一致),且通过pro_ser_in*(1-coll)得到的服务信息中的服务意图需求requirement_e的量化意图数据为零(服务意图需求requirement_d在通过pro_ser_in*(1-coll)得到的服务信息中的分布情况与服务意图需求requirement_a在历史偏好服务信息中的分布情况一致)。再将服务意图需求requirement_d的量化意图数据和服务意图需求requirement_e的量化意图数据加权确定整理后的服务信息中服务意图需求requirement_f的量化意图数据为XX,换言之,通过上述整理操作得到的服务信息中服务意图需求requirement_f的量化意图数据与历史偏好服务信息中服务意图需求requirement_a的量化意图数据相同。
本申请实施例中,待进行推送的最新服务信息为上述整理后的服务信息。本申请实施例通过第二偏好汇总集和第三偏好汇总集得到第四偏好汇总集,并依据第四偏好汇总集对历史偏好服务信息和待进行推送的服务信息进行整理可在提升待进行推送的服务信息中的细节内容的同时,维持待进行推送的服务信息中的服务项目分布情况信息、偏好属性分布情况信息等信息,进而提升待进行推送的服务信息的推送针对性。
本申请实施例还提供了一种服务信息推送线程,用于实现上述的方法。示例性地,服务信息推送线程的输入为历史偏好描述服务信息和历史偏好服务信息。对历史偏好描述服务信息进行显著性偏好项目定位操作,得到偏好汇总集。对偏好汇总集进行特征简化操作可得到第一轮偏好汇总集、第二轮偏好汇总集、第三轮偏好汇总集、第四轮偏好汇总集、第五轮偏好汇总集,并将偏好汇总集作为第六轮偏好汇总集。其中,第一轮偏好汇总集、第二轮偏好汇总集、第三轮偏好汇总集、第四轮偏好汇总集、第五轮偏好汇总集均是通过不同的特征简化操作得到,上述特征简化操作可通过以下任意一种方法实现:滑动平均操作或池化操作等。
通过多个信息挖掘单元对历史偏好服务信息进行阶段性信息挖掘操作,得到偏好表达内容。再通过多个特征翻译单元对偏好表达内容进行阶段性特征翻译操作,可得到修正型服务信息。通过修正型服务信息和历史偏好服务信息中相同分布情况之间的量化意图数据的比较结果,可权衡依据对历史偏好服务信息先进行阶段性信息挖掘操作再进行阶段性特征翻译操作得到的修正型服务信息与测评型服务信息之间的比较结果(差异),该比较结果越小,表示对历史偏好服务信息的信息挖掘操作和特征翻译操作得到的不同约束条件的偏好表达内容(包括上述的偏好表达内容和每个特征翻译单元的结果信息)的推送针对性高(此处的推送针对性高指不同约束条件的偏好表达内容包含的信息与历史偏好服务信息包含的偏好表达信息的适配性较佳)。
通过在对偏好表达内容进行阶段性特征翻译操作的过程中,将第一轮偏好汇总集、第二轮偏好汇总集、第三轮偏好汇总集、第四轮偏好汇总集、第五轮偏好汇总集、第六轮偏好汇总集逐一与相应的数据进行整理,可得到待进行推送的服务信息。其中,整理包括自适应数值映射,即逐一基于第一预设约束条件的滑动平均线程和第二预设约束条件的滑动平均线程对第一轮偏好汇总集或第二轮偏好汇总集或第三轮偏好汇总集或第四轮偏好汇总集或第五轮偏好汇总集或第六轮偏好汇总集进行滑动平均操作,得到第三关键偏好内容和第四关键偏好内容,再根据第三关键偏好内容和第四关键偏好内容确定数值映射的规则,最后根据数值映射的规则对相应的数据进行数值映射。这样可提升偏好汇总集与偏好表达内容的整理效果,有助于提升测评型服务信息(即待进行推送的服务信息)的推送针对性。
依据对偏好表达内容进行阶段性特征翻译操作得到修正型服务信息的过程中特征翻译单元的结果信息与对偏好表达内容进行阶段性特征翻译得到待进行推送的服务信息的过程中特征翻译单元的结果信息进行串接操作,可进一步提升偏好汇总集与偏好表达内容的整理效果,更进一步提升待进行推送的服务信息的推送针对性。
基于上述内容可得,本申请通过将从历史偏好描述服务信息中得到偏好汇总集和从历史偏好服务信息中得到偏好表达内容分开操作,可得到历史偏好描述服务信息中任意推送对象的偏好描述和历史偏好服务信息中的任意推送对象的偏好表达内容。这样后续基于偏好汇总集和偏好表达内容进行操作可得到偏好描述为历史偏好服务信息中的偏好描述,且偏好表达内容对应于历史偏好服务信息中的偏好表达内容的待进行推送的服务信息,即实现对任意推送对象的针对性服务推送。
在上述内容的基础上,本申请的一个可独立实施的实施例提供了一种服务信息推送线程的调试方法,以使调试后的服务信息推送线程可从历史偏好描述服务信息中得到优质的偏好汇总集(即偏好汇总集包含的偏好描述信息与历史偏好描述服务信息包含的偏好描述信息的适配性较佳),以及从历史偏好服务信息中得到优质的偏好表达内容(即偏好表达内容包含的偏好表达信息与历史偏好服务信息包含的偏好表达信息的适配性较佳),并可基于偏好汇总集和偏好表达内容得到优质的待进行推送的服务信息。
在对服务信息推送线程进行调试的过程中,可将第一范例偏好服务信息和第一范例偏好描述服务信息加载至服务信息推送线程,得到第一测评型服务信息和第一修正型服务信息。其中,第一范例偏好服务信息中的推送对象与第一范例偏好描述服务信息中的推送对象不同。
第一测评型服务信息是基于对偏好表达内容进行特征翻译得到的,换言之,从第一范例偏好服务信息中提取的偏好表达特征的质量越佳(即提取出的偏好表达特征包含的偏好表达信息与第一范例偏好服务信息包含的偏好表达信息的适配性较佳),后续得到的第一测评型服务信息的推送针对性越高(即第一测评型服务信息包含的偏好表达信息与第一范例偏好服务信息包含的偏好表达信息的适配性较佳)。因此,本申请实施例通过逐一对第一范例偏好服务信息和第一测评型服务信息进行偏好特征定位操作,得到第一范例偏好服务信息的关键偏好内容和第一测评型服务信息的偏好关键偏好内容,再通过偏好特征检测算法权衡第一范例偏好服务信息的关键偏好内容和第一测评型服务信息的偏好关键偏好内容的比较结果,得到第一线程性能检测结果。上述偏好特征定位操作(特征提取)可通过偏好特征提取算法实现,本申请不做限定。
如步骤step2所述,偏好表达内容可视为推送对象标签信息,换言之,第一测评型服务信息中的偏好表达信息与第一范例偏好服务信息中的偏好表达信息的适配性越高,第一测评型服务信息中的推送对象与第一范例偏好服务信息中的推送对象的共性程度就越高。因此,本申请实施例通过感知性能检测算法权衡第一测评型服务信息的偏好表达信息和第一范例偏好服务信息的偏好表达信息的比较结果,得到第二线程性能检测结果。
第一测评型服务信息与第一范例偏好服务信息的整体共性程度越高(此处的整体共性程度包括:两组服务信息中相同分布情况的量化意图数据的比较结果、两组服务信息整体服务流程的比较结果、两组服务信息中除偏好业务外的非业务信息的适配性),得到的第一测评型服务信息的推送针对性也越高(从在线服务客户端的推荐反馈感受上,第一测评型服务信息与第一范例偏好服务信息除推送对象的评价和属性不同之外,其他所有服务信息内容的共性程度越高,第一测评型服务信息中的推送对象与第一范例偏好服务信息中的推送对象就越趋近相同推送对象,且第一测评型服务信息中除偏好业务外的服务信息内容与第一范例偏好服务信息中除偏好业务外的服务信息内容的共性程度也越高)。因此,本申请实施例通过重构性能检测算法来权衡第一范例偏好服务信息和第一测评型服务信息的整体共性程度,得到第三线程性能检测结果。
在基于偏好表达内容和偏好汇总集得到第一测评型服务信息的过程中,通过将不同约束条件的特征翻译操作后的偏好表达内容(即基于偏好表达内容得到第一修正型服务信息过程中每个特征翻译单元的结果信息)与基于偏好表达内容得到第一测评型服务信息过程中每个特征翻译单元的结果信息进行串接操作,以提升偏好表达内容与偏好汇总集的整理效果。换言之,基于偏好表达内容得到第一修正型服务信息的过程中每个特征翻译单元的结果信息的推送针对性越高(此处指特征翻译单元的结果信息包含的信息与第一范例偏好服务信息包含的信息的适配性较佳),得到的第一测评型服务信息的推送针对性就越高,且得到的第一修正型服务信息与第一范例偏好服务信息的共性程度也越高。因此,本申请实施例通过重构性能检测算法权衡第一修正型服务信息与第一范例偏好服务信息之间的共性程度,得到第四线程性能检测结果。
可以理解的是,在上述服务信息推送线程的调试步骤中,将历史偏好服务信息和历史偏好描述服务信息加载至服务信息推送线程,得到第一测评型服务信息和第一修正型服务信息,并通过上述线程性能检测算法使第一测评型服务信息的偏好描述尽量与第一范例偏好服务信息的偏好描述保持一致,可使调试后的服务信息推送线程中的多个信息挖掘单元对历史偏好服务信息进行阶段性信息挖掘操作得到偏好表达内容时更关注于从历史偏好服务信息中提取偏好表达特征,而不从历史偏好服务信息中提取偏好描述特征,得到偏好描述信息。这样在应用调试后的服务信息推送线程生成待进行推送的服务信息时,可减少得到的偏好表达内容中包含的历史偏好服务信息的偏好描述信息,更有助于提升待进行推送的服务信息的推送针对性。
本申请实施例提供的服务信息推送线程可以理解为无监督模型的生成模型,第一测评型服务信息为通过服务信息推送线程生成的服务信息,即第一测评型服务信息不是针对性服务信息,为提高得到的第一测评型服务信息的反馈满意度(第一测评型服务信息的反馈满意度越高,从在线服务客户端的推送感受层面来看,第一测评型服务信息就越趋近针对性服务信息),可通过无监督损失函数(GAN)来权衡待进行推送的服务信息的反馈满意度得到第五线程性能检测结果。
基于上述第一线程性能检测结果、第二线程性能检测结果、第三线程性能检测结果、第四线程性能检测结果、第五线程性能检测结果,可得到服务信息推送线程的第一全局性能检测信息,示例性地可参照下式:
result_H=weight1*result1+weight2*result2+weight3*result3+weight4*result4+weight5*result5。
其中,result_H为全局性能检测信息,result1为第一线程性能检测结果,result2为第二线程性能检测结果,result3为第三线程性能检测结果,result4为第四线程性能检测结果,result5为第五线程性能检测结果。weight1,weight2,weight3,weight4,weight5皆为任意自然数。例如,weight4=5,weight3=5,weight1=weight2=weight5=0.2。
可基于上述得到的第一全局性能检测信息,通过反馈传输对服务信息推送线程进行调试,直至收敛完成调试,得到调试后的服务信息推送线程。
可选的,在对服务信息推送线程进行调试的过程,调试范例还可包括第二范例偏好服务信息和第二范例描述服务信息。其中,第二范例描述服务信息可通过在第二范例偏好服务信息中增设非限制型噪声,以调整第二范例偏好服务信息的偏好描述(如:使第二范例偏好服务信息中的服务项目的分布情况和/或第二范例偏好服务信息中的偏好属性分布情况发生改变),得到样第二本偏好描述服务信息。将第二范例偏好服务信息和第二范例偏好描述服务信息加载至服务信息推送线程进行调试,得到第二测评型服务信息和第二修正型服务信息。再根据第二范例偏好服务信息和第二测评型服务信息得到第六线程性能检测结果(得到第六线程性能检测结果的过程可参照根据第一范例偏好服务信息和第一测评型服务信息得到第一线程性能检测结果的过程),根据第二范例偏好服务信息和第二测评型服务信息得到第七线程性能检测结果(得到第七线程性能检测结果的过程可参照根据第一范例偏好服务信息和第一测评型服务信息得到第二线程性能检测结果的过程),根据第二范例偏好服务信息和第二测评型服务信息得到第八线程性能检测结果(得到第八线程性能检测结果的过程可参照根据第一范例偏好服务信息和第一测评型服务信息得到第三线程性能检测结果的过程),根据第二范例偏好服务信息和第二修正型服务信息得到第九线程性能检测结果(得到第九线程性能检测结果的过程可参照根据第一范例偏好服务信息和第一修正型服务信息得到第四线程性能检测结果的过程),根据第二测评型服务信息得到第十线程性能检测结果(得到第十线程性能检测结果的过程可参照根据第一测评型服务信息得到第五线程性能检测结果的过程)。
再基于上述第六线程性能检测结果、第七线程性能检测结果、第八线程性能检测结果、第九线程性能检测结果、第十线程性能检测结果以及公式(3),可得到服务信息推送线程的第二全局性能检测信息,示例性地可参照下式:
result_H2=weight6*result6+weight7*result7+weight8*result8+weight9*result9+weight10*result10。
其中,result_H2为第二全局性能检测信息,result6为第六线程性能检测结果,result7为第七线程性能检测结果,result8为第八线程性能检测结果,result9为第九线程性能检测结果,result10为第十线程性能检测结果。weight6,weight7,weight8,weight9,weight10为任意自然数。
例如weight9=10,weight8=10,weight6=weight7=weight10=0.4。
通过将第二范例偏好服务信息和第二范例偏好描述服务信息作为调试集,可增加服务信息推送线程调试集中服务信息的丰富性,有助于提升服务信息推送线程的调试效果,能提升调试得到的服务信息推送线程生成的待进行推送的服务信息的推送针对性。
在上述调试步骤中,通过使第一测评型服务信息中的偏好描述与第一范例偏好描述服务信息中的偏好描述相同,或使第二测评型服务信息中的偏好描述与第二范例偏好描述服务信息中的偏好描述相同,可使调试后的服务信息推送线程对历史偏好服务信息进行信息挖掘操作得到偏好表达内容时更关注于从历史偏好服务信息中提取偏好表达特征,以得到偏好表达内容,而不从历史偏好服务信息中提取偏好描述特征,得到偏好描述信息。这样在应用调试后的服务信息推送线程生成待进行推送的服务信息时,可减少得到的偏好表达内容中包含的历史偏好服务信息的偏好描述信息,更有助于提升待进行推送的服务信息的推送针对性。
可以理解的是,基于本申请实施例提供的服务信息推送线程和服务信息推送线程调试方法,调试所用服务信息数目可以是一组。即只将一组包含推送对象的服务信息作为范例偏好服务信息与任意一组范例偏好描述服务信息输入是服务信息推送线程,利用上述调试方法完成对服务信息推送线程的调试,得到调试后的服务信息推送线程。
还可以理解的是,应用本申请实施例所提供的服务信息推送线程得到的待进行推送的服务信息可包含历史偏好服务信息中的“损耗内容”。上述“损耗内容”指由于历史偏好服务信息中推送对象的反馈评价和历史偏好描述服务信息中推送对象的反馈评价之间的比较结果产生的信息。
本申请实施例基于第一线程性能检测结果、第二线程性能检测结果、第三线程性能检测结果、第四线程性能检测结果和第五线程性能检测结果对服务信息推送线程进行调试,可使调试后的服务信息推送线程从任意历史偏好描述服务信息中采集偏好汇总集,并从任意历史偏好服务信息中采集偏好表达内容,再基于偏好汇总集和偏好表达内容可得到待进行推送的服务信息。即通过本申请实施例提供的服务信息推送线程和服务信息推送线程的调试方法得到的调试后的服务信息推送线程,可实现针对任意推送对象的针对性服务信息推送处理。
在一种可独立实施的思路下,在得到待进行推送的服务信息之后,所述方法还包括:将待进行推送的服务信息推送至目标在线服务客户端,并获取所述目标在线服务客户端针对所述待进行推送的服务信息的操作行为数据;对所述操作行为数据进行行为习惯分析以得到行为习惯分析结果;基于所述行为习惯分析结果生成针对所述目标在线服务客户端的服务信息可视化指示。
在本申请实施例中,目标在线服务客户端可以是目标推送对象对应的在线服务客户端。大数据服务器可以在得到目标在线服务客户端的授权的前提下获取所述目标在线服务客户端针对所述待进行推送的服务信息的操作行为数据,该操作行为数据包括但不限于点击操作、滑动操作和拖拽操作等。进一步地,行为习惯分析结果可以表征目标在线服务客户端对应的用户/使用者的行为习惯,这样可以基于行为习惯分析结果生成针对目标在线服务客户端的服务信息可视化指示,该服务信息可视化指示可以作为服务信息可视化处理的参考,比如将哪些服务内容进行图形化处理,将哪些服务内容进行列表化处理等,这样能够确保可视化处理与用户行为习惯的高度适配,从而减少用户在服务交互过程中的误操作。
在一种可独立实施的思路下,对所述操作行为数据进行行为习惯分析以得到行为习惯分析结果,可以包括以下步骤所描述的内容。
步骤step51、从所述操作行为数据中获取包含目标可视化操作事件的待挖掘行为数据集。
步骤step52、抽取所述待挖掘行为数据集的视觉描述内容,并对所述目标可视化操作事件的互动场景种类进行识别,得到所述目标可视化操作事件对应的事件分组情况;获取与所述事件分组情况指示的目标互动场景种类相适配的候选习惯特征描述数据。
步骤step53、基于所述视觉描述内容和所述事件分组情况,对所述目标互动场景种类相适配的候选习惯特征描述数据进行优化,得到用于表征所述目标可视化操作事件的目标习惯特征描述数据;基于所述目标习惯特征描述数据,生成并缓存与所述目标可视化操作事件对应的行为习惯分析结果。
在一种可独立实施的思路下,所述获取与所述事件分组情况指示的目标互动场景种类相适配的候选习惯特征描述数据,包括:基于所述事件分组情况,确定所述目标可视化操作事件所属的目标互动场景种类;在事先配置的可视化操作事件数据库中获取与所述目标互动场景种类相适配的候选习惯特征描述数据;所述可视化操作事件数据库中包含多种候选习惯特征描述数据,每种候选习惯特征描述数据用于表示所述目标可视化操作事件的一种互动场景种类。
在一种可独立实施的思路下,所述基于所述视觉描述内容和所述事件分组情况,对所述目标互动场景种类相适配的候选习惯特征描述数据进行优化,得到用于表征所述目标可视化操作事件的目标习惯特征描述数据,包括:基于所述视觉描述内容和所述事件分组情况,确定习惯特征描述数据偏移,所述习惯特征描述数据偏移用于表征所述目标可视化操作事件的实际习惯特征描述数据和所述目标互动场景种类相适配的候选习惯特征描述数据之间的比较信息;基于所述习惯特征描述数据偏移,对所述目标互动场景种类相适配的候选习惯特征描述数据进行优化后,得到用于表征所述目标可视化操作事件的目标习惯特征描述数据。
在一种可独立实施的思路下,所述抽取所述待挖掘行为数据集的视觉描述内容,并对所述目标可视化操作事件的互动场景种类进行识别,得到所述目标可视化操作事件对应的事件分组情况,包括:基于所述待挖掘行为数据集和事先部署的视觉描述抽取单元,抽取所述待挖掘行为数据集的视觉描述内容;基于所述视觉描述内容和事先部署的分类单元,对所述目标可视化操作事件的互动场景种类进行识别,得到所述目标可视化操作事件对应的事件分组情况。
在一种可独立实施的思路下,所述事件分组情况包含在多个互动场景种类下的命中概率构成的命中概率集;所述基于所述事件分组情况,确定所述目标可视化操作事件所属的目标互动场景种类,包括:获取所述命中概率集中最高的命中概率对应的互动场景种类作为目标互动场景种类。
可以理解的是,在确定目标可视化操作事件的目标习惯特征描述数据时,不仅考虑了待挖掘可视化操作事件的视觉描述内容,还引入了目标可视化操作事件的互动场景种类的事件分组情况,以及与事件分组情况指示的目标互动场景种类相适配的候选习惯特征描述数据,利用视觉描述内容和事件分组情况对候选习惯特征描述数据进行优化,可以使得到的目标习惯特征描述数据与目标可视化操作事件的目标互动场景种类更加适配,从而能够有效提高目标习惯特征描述数据的精度和可信度,从而确保得到的行为习惯分析结果的准确性和可靠性。
<系统实施例>
在上述的方法实施例的基础上,本申请实施例还提出了一种系统实施例,也即应用于大数据的智能化在线服务推送系统,请结合参阅图4,应用于大数据的智能化在线服务推送系统30可以包括互相通信的大数据服务器100和在线服务客户端200。其中,大数据服务器100和在线服务客户端200在运行过程中可实现上述方法实施例所描述的技术方案。
本领域技术人员公知的是,随着诸如大规模集成电路技术的电子信息技术的发展和软件硬件化的趋势,要明确划分计算机系统软、硬件界限已经显得比较困难了。因为,任何操作可以软件来实现,也可以由硬件来实现。任何指令的执行可以由硬件完成,同样也可以由软件来完成。对于某一机器功能采用硬件实现方案还是软件实现方案,取决于价格、速度、可靠性、存储容量、变更周期等非技术性因素。因此,对于电子信息技术领域的普通技术人员来说,更为直接和清楚地描述一个技术方案的方式是描述该方案中的各个操作。在知道所要执行的操作的情况下,本领域技术人员可以基于对所述非技术性因素的考虑直接设计出期望的产品。
本申请可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本申请的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本申请操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本申请的各个方面。
这里参照根据本申请实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本申请的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本申请的范围由所附权利要求来限定。
Claims (10)
1.一种应用于大数据的智能化在线服务推送方法,其特征在于,应用于大数据服务器,该方法至少包括如下步骤:
采集历史偏好服务信息和历史偏好描述服务信息;
对所述历史偏好服务信息进行信息挖掘操作得到所述历史偏好服务信息的偏好表达内容,以及,对所述历史偏好描述服务信息进行显著性偏好项目定位操作得到所述历史偏好描述服务信息的第一偏好汇总集;对所述偏好表达内容进行特征翻译操作,得到第一偏好表达内容;
对所述第一偏好表达内容和所述第一偏好汇总集执行u轮指定操作,得到待进行推送的服务信息。
2.如权利要求1所述的方法,其特征在于,所述u轮指定操作包括第v-1轮指定操作和第v轮指定操作;所述u轮指定操作中的第1轮指定操作的原料信息为所述偏好表达内容;所述第v-1轮指定操作的结果信息为所述第v轮指定操作的原料信息;所述u轮指定操作中的第x轮指定操作包括对所述第x轮指定操作的原料信息和优化所述第一偏好汇总集的约束条件后得到的操作结果逐一执行整理操作以及特征翻译操作;所述u的取值区间为[2,+∞);所述v的取值区间为[2,u];所述x的取值区间为[1,u]。
3.如权利要求2所述的方法,其特征在于,所述对所述第一偏好表达内容和所述第一偏好汇总集执行u轮指定操作,得到待进行推送的服务信息,包括:
对所述第一偏好表达内容和所述第一偏好汇总集进行整理操作,得到目标整理结果;
对所述目标整理结果进行特征翻译操作,得到所述待进行推送的服务信息。
4.如权利要求3所述的方法,其特征在于,所述对所述历史偏好服务信息进行信息挖掘操作得到所述历史偏好服务信息的偏好表达内容,包括:
通过多个信息挖掘单元对所述历史偏好服务信息进行阶段性信息挖掘操作,得到所述历史偏好服务信息的偏好表达内容;其中,所述多个信息挖掘单元包括第q个信息挖掘单元和第q+1个信息挖掘单元;所述多个信息挖掘单元中的第1个信息挖掘单元的原料信息为所述历史偏好服务信息;所述第q个信息挖掘单元的结果信息为所述第q+1个信息挖掘单元的原料信息;所述q的取值区间为[1,+∞);
相应的,所述多个信息挖掘单元中的每一个信息挖掘单元皆涵盖:滑动平均操作单元、量化重置操作单元、触发操作单元。
5.如权利要求4所述的方法,其特征在于,所述方法还包括:
逐一对所述历史偏好服务信息和所述待进行推送的服务信息进行显著性偏好项目定位操作,得到所述历史偏好服务信息的第二偏好汇总集和所述待进行推送的服务信息的第三偏好汇总集;
通过所述第二偏好汇总集和所述第三偏好汇总集之间的量化意图数据的比较结果,确定第四偏好汇总集;其中,所述历史偏好服务信息中的第一服务意图需求的量化意图数据与所述待进行推送的服务信息中的第二服务意图需求的量化意图数据之间的比较结果与所述第四偏好汇总集中的第三服务意图需求的量化意图数据满足设定对应关系;所述第一服务意图需求在所述历史偏好服务信息中的分布情况、所述第二服务意图需求在所述待进行推送的服务信息中的分布情况以及所述第三服务意图需求在所述第四偏好汇总集中的分布情况皆一致;
将所述第四偏好汇总集、所述历史偏好服务信息和所述待进行推送的服务信息进行整理操作,得到待进行推送的最新服务信息;
相应的,所述通过所述第二偏好汇总集和所述第三偏好汇总集之间的量化意图数据的比较结果,确定第四偏好汇总集,包括:
通过所述第二偏好汇总集和所述第三偏好汇总集中相同分布情况的服务意图需求的量化意图数据之间的第一量化评价,所述第二偏好汇总集和所述第三偏好汇总集中相同分布情况的服务意图需求的量化意图数据之间的第二量化评价,确定数值映射策略;
通过所述数值映射策略对所述第二偏好汇总集和所述第三偏好汇总集进行数值映射,得到所述第四偏好汇总集。
6.如权利要求5所述的方法,其特征在于,所述方法通过服务信息推送线程实现;其中,所述服务信息推送线程的调试步骤包括:
将调试范例加载至所述服务信息推送线程,得到所述调试范例的第一测评型服务信息和所述调试范例的第一修正型服务信息;其中,所述调试范例包括第一范例偏好服务信息和第一范例偏好描述服务信息;所述第一修正型服务信息依据对所述范例偏好服务信息执行信息挖掘后,再执行特征翻译操作得到;
依据所述范例偏好服务信息和所述第一测评型服务信息的偏好描述绑定指数得到第一线程性能检测结果;
通过所述第一范例偏好服务信息中的偏好表达信息和所述第一测评型服务信息中的偏好表达信息的比较结果得到第二线程性能检测结果;
基于所述第一范例偏好服务信息中第四服务意图需求的量化意图数据和所述第一测评型服务信息中第五服务意图需求的量化意图数据的比较结果得到第三线程性能检测结果;
按照所述第一范例偏好服务信息中第六服务意图需求的量化意图数据和所述第一修正型服务信息中第七服务意图需求的量化意图数据的比较结果得到第四线程性能检测结果;
由所述第一测评型服务信息的反馈满意度得到第五线程性能检测结果;所述第四服务意图需求在所述第一范例偏好服务信息中的分布情况和所述第五服务意图需求在所述第一测评型服务信息中的分布情况一致;所述第六服务意图需求在所述第一范例偏好服务信息中的分布情况和所述第七服务意图需求在所述第一修正型服务信息中的分布情况一致;所述第一测评型服务信息的反馈满意度越高表示所述第一测评型服务信息为针对性推送服务的可能性越大;
根据所述第一线程性能检测结果、所述第二线程性能检测结果、所述第三线程性能检测结果、所述第四线程性能检测结果和所述第五线程性能检测结果,得到所述服务信息推送线程的第一全局性能检测信息;通过所述第一全局性能检测信息优化所述服务信息推送线程的配置信息。
7.如权利要求6所述的方法,其特征在于,所述调试范例还包括第二范例偏好服务信息和第二范例偏好描述服务信息;所述第二范例偏好描述服务信息通过在所述第二范例偏好服务信息中增设非限制型噪声以调整所述第二范例偏好服务信息的服务项目分布情况和/或偏好属性分布情况得到;
其中,所述服务信息推送线程的调试步骤还包括:
将所述第二范例偏好服务信息和第二范例偏好描述服务信息加载至所述服务信息推送线程,得到所述调试范例的第二测评型服务信息和所述调试范例的第二修正型服务信息;其中,所述第二修正型服务信息依据对所述第二范例偏好服务信息进行信息挖掘后,再执行特征翻译操作得到;
基于所述第二范例偏好服务信息和所述第二测评型服务信息的偏好描述绑定指数得到第六线程性能检测结果;
依据所述第二范例偏好服务信息中的偏好表达信息和所述第二测评型服务信息中的偏好表达信息的比较结果得到第七线程性能检测结果;
按照所述第二范例偏好服务信息中第八服务意图需求的量化意图数据和所述第二测评型服务信息中第九服务意图需求的量化意图数据的比较结果得到第八线程性能检测结果;
通过所述第二范例偏好服务信息中第十服务意图需求的量化意图数据和所述第二修正型服务信息中第十一服务意图需求的量化意图数据的比较结果得到第九线程性能检测结果;
基于所述第二测评型服务信息的反馈满意度得到第十线程性能检测结果;其中,所述第八服务意图需求在所述第二范例偏好服务信息中的分布情况和所述第九服务意图需求在所述第二测评型服务信息中的分布情况一致;所述第十服务意图需求在所述第二范例偏好服务信息中的分布情况和所述第十一服务意图需求在所述第二修正型服务信息中的分布情况一致;所述第二测评型服务信息的反馈满意度越高表示所述第二测评型服务信息为针对性推送服务的可能性越大;
根据所述第六线程性能检测结果、所述第七线程性能检测结果、所述第八线程性能检测结果、所述第九线程性能检测结果和所述第十线程性能检测结果,得到所述服务信息推送线程的第二全局性能检测信息;根据所述第二全局性能检测信息优化所述服务信息推送线程的配置信息;
相应的,所述采集历史偏好服务信息和历史描述服务信息,包括:
接收在线服务客户端向前端可视化服务交互设备输入的在线服务请求信息;
采集待处理服务互动日志,所述待处理服务互动日志包括服务偏好;
将所述在线服务请求信息作为所述历史偏好服务信息,将所述待处理服务互动日志的服务信息作为所述偏好描述服务信息,得到目标服务互动日志。
8.如权利要求2所述的方法,其特征在于,所述对所述第x轮指定操作的原料信息和优化所述第一偏好汇总集的约束条件后得到的操作结果逐一执行整理操作以及特征翻译操作包括:
根据所述第x轮指定操作的原料信息,得到所述第x轮指定操作的待整理对象;
对所述第x轮指定操作的待整理对象和第x轮偏好汇总集进行整理操作,得到第x轮整理后的信息;其中,所述第x轮偏好汇总集依据对所述第一偏好汇总集进行特征简化操作得到;所述第x轮偏好汇总集的约束条件与所述第x轮指定操作的原料信息的约束条件一致;
对所述第x轮整理后的信息进行特征翻译操作,得到所述第x轮指定操作的结果信息;
相应的,所述对所述历史偏好服务信息进行信息挖掘操作得到所述历史偏好服务信息的偏好表达内容之后,所述方法还包括如下步骤:
对所述偏好表达内容执行y轮特征翻译操作;其中,所述y轮特征翻译操作中的第1轮特征翻译操作的原料信息为所述偏好表达内容;所述y轮特征翻译操作包括第z-1轮特征翻译操作和第z轮特征翻译操作;所述第z-1轮特征翻译操作的结果信息为所述第z轮特征翻译操作的原料信息;所述y的取值区间为[2,+∞);所述z的取值区间为[2,y];
所述根据所述第x轮指定操作的原料信息,得到所述第x轮指定操作的待整理对象,包括:
将所述y轮特征翻译操作中的第p轮特征翻译操作的结果信息与所述第x轮指定操作的原料信息进行组合,得到第x轮组合后的信息,作为所述第x轮指定操作的待整理对象;其中,所述第p轮特征翻译操作的结果信息的约束条件与所述第x轮指定操作的原料信息的约束条件一致;所述p的取值区间为[1,y]。
9.如权利要求8所述的方法,其特征在于,所述将所述y轮特征翻译操作中的第p轮特征翻译操作的结果信息与所述第x轮指定操作的原料信息进行组合,得到第x轮组合后的信息,包括:
将所述第p轮特征翻译操作的结果信息与所述第x轮指定操作的原料信息进行基于状态层面的组合操作,得到所述第x轮组合后的信息;
相应的,所述第p轮特征翻译操作包括:对所述第p轮特征翻译操作的原料信息逐一执行触发操作、转秩滑动平均操作、量化重置操作,得到所述第p轮特征翻译操作的结果信息;
相应的,所述对所述第x轮指定操作的待整理对象和所述第x轮偏好汇总集进行整理操作,得到所述第x轮整理后的信息,包括:
基于第一预设约束条件的滑动平均线程对所述第x轮偏好汇总集进行滑动平均操作得到第一关键偏好内容,并基于第二预设约束条件的滑动平均线程对所述第x轮偏好汇总集进行滑动平均操作得到第二关键偏好内容;
通过所述第一关键偏好内容和所述第二关键偏好内容确定量化重置策略;
通过所述量化重置策略对所述第x轮指定操作的待整理对象进行量化重置操作,得到所述第x轮整理后的信息;
相应的,所述量化重置策略包括设定变换规则;所述通过所述量化重置策略对所述第x轮指定操作的待整理对象进行量化重置操作,得到所述第x轮整理后的信息,包括:通过所述设定变换规则对所述第x轮指定操作的待整理对象进行数值映射,得到所述第x轮整理后的信息。
10.一种大数据服务器,其特征在于,包括:
存储器,用于存储可执行的指令;
处理器,用于根据所述可执行的指令的控制,运行所述大数据服务器执行如权利要求1-9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210241278.2A CN114625961A (zh) | 2022-03-11 | 2022-03-11 | 应用于大数据的智能化在线服务推送方法及大数据服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210241278.2A CN114625961A (zh) | 2022-03-11 | 2022-03-11 | 应用于大数据的智能化在线服务推送方法及大数据服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114625961A true CN114625961A (zh) | 2022-06-14 |
Family
ID=81901546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210241278.2A Withdrawn CN114625961A (zh) | 2022-03-11 | 2022-03-11 | 应用于大数据的智能化在线服务推送方法及大数据服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114625961A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116501972A (zh) * | 2023-05-06 | 2023-07-28 | 兰州柒禾网络科技有限公司 | 基于大数据在线服务的内容推送方法及ai智能推送系统 |
-
2022
- 2022-03-11 CN CN202210241278.2A patent/CN114625961A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116501972A (zh) * | 2023-05-06 | 2023-07-28 | 兰州柒禾网络科技有限公司 | 基于大数据在线服务的内容推送方法及ai智能推送系统 |
CN116501972B (zh) * | 2023-05-06 | 2024-01-05 | 广州市巨应信息科技有限公司 | 基于大数据在线服务的内容推送方法及ai智能推送系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111309614B (zh) | A/b测试方法、装置及电子设备 | |
CN114840486B (zh) | 用户行为数据采集方法、系统及云平台 | |
CN111144937A (zh) | 广告素材确定方法、装置、设备及存储介质 | |
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 | |
CN112100504B (zh) | 内容推荐方法、装置、电子设备及存储介质 | |
CN111797320A (zh) | 数据处理方法、装置、设备及存储介质 | |
KR20210074246A (ko) | 대상 추천 방법, 신경망 및 그 훈련 방법, 장치 및 매체 | |
CN115712657A (zh) | 基于元宇宙的用户需求挖掘方法及系统 | |
CN114678137A (zh) | 基于数字化医疗的大数据挖掘方法及服务器 | |
CN111444424A (zh) | 一种信息推荐方法和信息推荐系统 | |
CN114625961A (zh) | 应用于大数据的智能化在线服务推送方法及大数据服务器 | |
CN114647790A (zh) | 应用于行为意图分析的大数据挖掘方法及云端ai服务系统 | |
WO2022034475A1 (en) | Using meta-learning to optimize automatic selection of machine learning pipelines | |
CN113159213A (zh) | 一种业务分配方法、装置及设备 | |
CN111259975B (zh) | 分类器的生成方法及装置、文本的分类方法及装置 | |
CN114625606A (zh) | 基于数字化的大数据智慧服务信息优化方法及服务器 | |
CN114697127B (zh) | 一种基于云计算的业务会话风险处理方法及服务器 | |
CN114625612A (zh) | 基于大数据办公的用户行为分析方法及服务系统 | |
CN112269942B (zh) | 一种推荐对象的方法、装置、系统及电子设备 | |
CN110633408A (zh) | 智能商业资讯的推荐方法和系统 | |
US20200387811A1 (en) | Systems and methods for neighbor frequency aggregation of parametric probability distributions with decision trees | |
US20220171985A1 (en) | Item recommendation with application to automated artificial intelligence | |
CN115017362A (zh) | 数据处理方法、电子设备及存储介质 | |
CN114781624A (zh) | 基于大数据分析的用户行为意图挖掘方法及大数据系统 | |
CN116975455B (zh) | 用户兴趣识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220614 |