CN114706995A - 应用人工智能技术的业务大数据处理方法及系统 - Google Patents

Abstract

本申请的应用人工智能技术的业务大数据处理方法及系统，通过局部互动事件特征集合挖掘、局部互动事件特征集合到全局互动事件特征集合的衍生以及通过全局互动事件特征集合进行第二业务推送目标个体的大数据画像勾勒，实现对不同业务推送目标个体的大数据画像知识图谱的衍生处理，避免直接基于知识图谱进行衍生处理，可规避基础业务大数据日志和目标业务大数据日志之间存在的明显的个体状态差别和画像采集条件差别，提高大数据画像知识图谱的衍生处理的精度和可信度。借助局部互动事件特征集合衍生全局互动事件特征集合可规避在大数据画像知识图谱的衍生处理中使用精度较低的全局特征解析和衍生，保障大数据画像知识图谱衍生处理的精度和可信度。

Description

应用人工智能技术的业务大数据处理方法及系统

技术领域

本申请涉及人工智能和大数据处理技术领域，更具体地，涉及一种应用人工智能技术的业务大数据处理方法及系统。

背景技术

人工智能技术已经逐渐走进我们的生活，并应用于各个领域，它不仅给许多行业带来了巨大的经济效益，也为我们的生活带来了许多改变和便利。以无人驾驶、人脸识别、机器翻译、个性化推荐等为例，人工智能在上述领域发挥了重要的作用。对于个性化推荐/推送而言，用户画像的确定是其中一个重要步骤。但是相关技术在实现用户画像的扩展（衍生）的过程中还存在一些问题，比如，鲜有成熟的技术能够保障用户画像扩展（衍生）的精度和可信度。

发明内容

本申请的一个目的是提供一种用于提高用户画像扩展（衍生）的精度和可信度的新技术方案。

根据本申请的第一方面，提供一种应用人工智能技术的业务大数据处理方法，应用于业务大数据处理系统，所述方法至少包括：确定携带第一业务推送目标个体的大数据画像知识图谱的第一基础业务大数据日志；挖掘所述第一业务推送目标个体在所述第一基础业务大数据日志的多组日志清单中的局部互动事件特征集合；将所述局部互动事件特征集合衍生为第二业务推送目标个体的全局互动事件特征集合；通过所述全局互动事件特征集合，创建包括第二业务推送目标个体的大数据画像知识图谱的目标业务大数据日志。

应用于本申请实施例，通过局部互动事件特征集合挖掘、局部互动事件特征集合到全局互动事件特征集合的衍生以及通过全局互动事件特征集合进行第二业务推送目标个体的大数据画像勾勒，实现了对不同业务推送目标个体的大数据画像知识图谱的衍生处理，避免直接基于知识图谱进行衍生处理，可以尽量规避基础业务大数据日志和目标业务大数据日志之间存在的明显的个体状态差别和画像采集条件差别，提高了大数据画像知识图谱的衍生处理的精度和可信度。此外，本申请借助局部互动事件特征集合衍生全局互动事件特征集合，可以在一定程度上规避在大数据画像知识图谱的衍生处理中使用精度较低的全局特征解析和衍生，进而保障大数据画像知识图谱的衍生处理的精度和可信度。

对于一些可独立实施的设计思路而言，所述将所述局部互动事件特征集合衍生为第二业务推送目标个体的全局互动事件特征集合，包括：通过所述局部互动事件特征集合，确定所述第一业务推送目标个体的大数据画像变换指标集合；通过所述第一业务推送目标个体的大数据画像变换指标集合，确定所述第二业务推送目标个体的全局互动事件特征集合。

应用于本申请实施例，借助局部互动事件特征集合拆解后的大数据画像变换指标集合，来衍生得到全局互动事件特征集合，可以在一定程度上规避在大数据画像知识图谱的衍生处理中使用精度较低的全局特征解析和衍生，进而保障大数据画像知识图谱的衍生处理的精度和可信度。

对于一些可独立实施的设计思路而言，在确定所述第二业务推送目标个体的全局互动事件特征集合之前，以上应用人工智能技术的业务大数据处理方法还包括：确定携带第二业务推送目标个体的第二基础业务大数据日志；挖掘所述第二业务推送目标个体在所述第二基础业务大数据日志的多组日志清单中的局部互动事件特征集合；所述通过所述第一业务推送目标个体的大数据画像变换指标集合，确定所述第二业务推送目标个体的全局互动事件特征集合，包括：通过所述第二业务推送目标个体的局部互动事件特征集合，确定所述第二业务推送目标个体的大数据画像变换指标集合；通过所述第一业务推送目标个体的大数据画像变换指标集合和所述第二业务推送目标个体的大数据画像变换指标集合，确定目标大数据画像变换指标集合；通过所述目标大数据画像变换指标集合确定所述第二业务推送目标个体的全局互动事件特征集合。

应用于本申请实施例，将第一业务推送目标个体的局部互动事件特征集合拆解后的大数据画像变换指标集合，与第二业务推送目标个体的局部基础互动事件特征集合进行拆解后的大数据画像变换指标集合进行融合后，来确定全局互动事件特征集合，可以尽量规避第一业务推送目标个体与第二业务推送目标个体的个体状态差别较大时，大数据画像知识图谱的衍生处理精度和可信度低的问题。

对于一些可独立实施的设计思路而言，所述第一业务推送目标个体的大数据画像变换指标集合包括画像更新指标集合、目标个体状态指标集合和画像采集条件指标集合；所述通过所述局部互动事件特征集合，确定所述第一业务推送目标个体的大数据画像变换指标集合，包括：通过所述第一基础业务大数据日志的多组日志清单中每一组日志清单对应的局部互动事件特征，分别确定所述第一业务推送目标个体的画像更新指标信息、目标个体状态指标信息和画像采集条件指标信息；通过所述第一基础业务大数据日志的多组日志清单中每一组日志清单对应的画像更新指标信息，确定所述画像更新指标集合；通过所述第一基础业务大数据日志的多组日志清单中每一组日志清单对应的目标个体状态指标信息，确定所述目标个体状态指标集合；通过所述第一基础业务大数据日志的多组日志清单中每一组日志清单对应的画像采集条件指标信息，确定所述画像采集条件指标集合。

应用于本申请实施例，大数据画像变换指标集合可以包括多个存在关联的指标集合，借助多个存在关联的指标集合来确定全局互动事件特征集合，能够进一步规避了第一业务推送目标个体与第二业务推送目标个体的个体状态差别较大时，大数据画像知识图谱的衍生处理精度和可信度低下的问题。

对于一些可独立实施的设计思路而言，所述通过所述全局互动事件特征集合，创建包括第二业务推送目标个体的大数据画像知识图谱的目标业务大数据日志，包括：通过所述全局互动事件特征集合，创建所述第二业务推送目标个体的局部目标互动事件特征集合；通过所述局部目标互动事件特征集合，创建包括第二业务推送目标个体的大数据画像知识图谱的目标业务大数据日志。

应用于本申请实施例，将衍生得到的全局互动事件特征集合进行切换以获得局部的目标互动事件特征集合，可以在一定程度上规避在大数据画像知识图谱的衍生处理中使用精度较低的全局特征解析和衍生，进而保障大数据画像知识图谱的衍生处理的精度和可信度。

对于一些可独立实施的设计思路而言，所述将所述局部互动事件特征集合衍生为第二业务推送目标个体的全局互动事件特征集合，包括：调用大数据画像变换模型将所述局部互动事件特征集合衍生为第二业务推送目标个体的全局互动事件特征集合。

应用于本申请实施例，借助完成改进的大数据画像变换模型来确定第二业务推送目标个体的全局互动事件特征集合，能够提高了特征衍生的效率、精度以及可信度。

对于一些可独立实施的设计思路而言，以上应用人工智能技术的业务大数据处理方法还包括改进所述大数据画像变换模型的步骤：确定携带范例业务推送目标个体的大数据画像知识图谱的范例流式业务大数据日志；挖掘所述范例业务推送目标个体在所述范例流式业务大数据日志的多组范例日志清单中的第一范例局部互动事件特征集合；对第一范例局部互动事件特征集合进行事件特征维度调整处理，得到第二范例局部互动事件特征集合；通过所述第一范例局部互动事件特征集合和所述第二范例局部互动事件特征集合，确定模型偏移表达；通过所述模型偏移表达，改进所述大数据画像变换模型的模型变量。

应用于本申请实施例，借助范例业务推送目标个体的第一范例局部互动事件特征集合和对范例业务推送目标个体进行事件特征维度调整后的第二范例局部互动事件特征集合生成模型偏移表达，来改进大数据画像变换模型，能够提高在第一业务推送目标个体与第二业务推送目标个体的个体状态差别较大时，大数据画像知识图谱的衍生处理的精度和可信度。并且在改进以上大数据画像变换模型的时候，实现了无监督的生成模型偏移表达和改进大数据画像变换模型，进而保障改进得到的大数据画像变换模型在进行大数据画像知识图谱的衍生处理时的精度和可信度。

对于一些可独立实施的设计思路而言，所述通过所述第一范例局部互动事件特征集合和所述第二范例局部互动事件特征集合，确定模型偏移表达，包括：通过所述第一范例局部互动事件特征集合，确定所述第一范例大数据画像变换指标集合；通过所述第二范例局部互动事件特征集合，确定所述第二范例大数据画像变换指标集合；通过所述第一范例大数据画像变换指标集合，确定测试型全局互动事件特征集合；通过所述第一范例大数据画像变换指标集合、第二范例大数据画像变换指标集合和所述测试型全局互动事件特征集合，确定所述模型偏移表达。

应用于本申请实施例，借助第一范例局部互动事件特征集合拆解后的第一范例大数据画像变换指标集合、第二范例局部互动事件特征集合拆解后的第二范例大数据画像变换指标集合，以及，通过第一范例大数据画像变换指标集合生成得到的测试型全局互动事件特征集合，来生成模型偏移表达，能够提高在第一业务推送目标个体与第二业务推送目标个体的个体状态差别较大时，大数据画像知识图谱的衍生处理的精度和可信度。

对于一些可独立实施的设计思路而言，所述模型偏移表达包括第一默认型模型偏移表达；所述第一范例大数据画像变换指标集合包括每组范例日志清单对应的第一范例画像更新指标信息、第一范例状态指标信息和第一范例采集条件指标信息；所述第二范例大数据画像变换指标集合包括每组范例日志清单对应的第二范例画像更新指标信息、第二范例状态指标信息和第二范例采集条件指标信息；所述确定所述模型偏移表达，包括：通过所述第二范例画像更新指标信息、第一范例状态指标信息和第一范例采集条件指标信息，确定所述第一范例局部互动事件特征集合中对应的所述第一范例局部互动事件特征对应的第一测试型互动事件特征；通过所述第一范例画像更新指标信息、第二范例状态指标信息和第二范例采集条件指标信息，确定所述第二范例局部互动事件特征集合中对应的所述第二范例局部互动事件特征对应的第二测试型互动事件特征；通过所述第一测试型互动事件特征、第二测试型互动事件特征、第一范例画像更新指标信息、第二范例画像更新指标信息、和所述测试型全局互动事件特征集合，确定所述第一默认型模型偏移表达。

应用于本申请实施例，借助第一范例局部互动事件特征集合和第二范例局部互动事件特征集合拆解后的信息，对范例业务推送目标个体进行互动事件还原得到第一测试型互动事件特征，以及对事件特征维度调整后的范例业务推送目标个体进行互动事件还原得到第二测试型互动事件特征；然后，结合还原得到的第一测试型互动事件特征、第二测试型互动事件特征和生成得到的范例业务推送目标个体的测试型全局互动事件特征集合能够生成第一默认型模型偏移表达，由于范例业务推送目标个体即使在个体状态和画像采集条件上存在干扰，但是衍生得到的画像变化情况是几乎不变的，因此通过生成第一默认型模型偏移表达，并且在改进时，使第一默认型模型偏移表达最小化，能够提高生成的大数据画像变换模型在进行大数据画像知识图谱的衍生处理时的精度和可信度。

对于一些可独立实施的设计思路而言，所述模型偏移表达还包括第二默认型模型偏移表达；所述确定所述模型偏移表达还包括：从所述第一范例局部互动事件特征集合中，确定所述范例业务推送目标个体在第一统计阶段的第一范例局部互动事件特征、所述范例业务推送目标个体在第二统计阶段的第一范例局部互动事件特征；从所述第二范例局部互动事件特征集合中，确定所述范例业务推送目标个体在第二统计阶段的第二范例局部互动事件特征、和所述范例业务推送目标个体在第一统计阶段的第二范例局部互动事件特征；通过所述范例业务推送目标个体在第一统计阶段的第一范例局部互动事件特征、所述范例业务推送目标个体在第二统计阶段的第一范例局部互动事件特征、所述范例业务推送目标个体在第二统计阶段的第二范例局部互动事件特征、所述范例业务推送目标个体在第一统计阶段的第二范例局部互动事件特征、和所述测试型全局互动事件特征集合，确定所述第二默认型模型偏移表达。

应用于本申请实施例，借助不同统计阶段的第一范例局部互动事件特征和第二范例局部互动事件特征，结合生成得到的范例业务推送目标个体的测试型全局互动事件特征集合能够生成第二默认型模型偏移表达，由于范例业务推送目标个体的个体状态具有时序不变性，因此通过生成第二默认型模型偏移表达，并且在改进时，使第一默认型模型偏移表达和第二默认型模型偏移表达最小化，能够提高生成的大数据画像变换模型在进行大数据画像知识图谱的衍生处理时的精度和可信度。

对于一些可独立实施的设计思路而言，所述模型偏移表达还包括第三默认型模型偏移表达；所述确定所述模型偏移表达还包括：通过所述范例业务推送目标个体在第一统计阶段的第一范例局部互动事件特征、所述范例业务推送目标个体在第二统计阶段的第一范例局部互动事件特征、第一范例采集条件指标信息、第二范例采集条件指标信息、和所述测试型全局互动事件特征集合，确定所述第三默认型模型偏移表达。

应用于本申请实施例中，借助不同统计阶段的第一范例局部互动事件特征和生成得到的范例业务推送目标个体的测试型全局互动事件特征集合等能够生成第三默认型模型偏移表达，由于范例业务推送目标个体的画像采集条件不会随着范例业务推送目标个体的画像变化和个体状态的变化而变化，因此通过生成第三默认型模型偏移表达，并且在改进时，使第三默认型模型偏移表达、第一默认型模型偏移表达和第二默认型模型偏移表达最小化，能够提高生成的大数据画像变换模型在进行大数据画像知识图谱的衍生处理时的精度和可信度。

对于一些可独立实施的设计思路而言，所述模型偏移表达还包括第四默认型模型偏移表达；所述确定所述模型偏移表达还包括：通过所述第一范例局部互动事件特征集合和所述测试型全局互动事件特征集合，确定所述第四默认型模型偏移表达。

应用于本申请实施例，借助第一范例局部互动事件特征集合和生成得到的范例业务推送目标个体的测试型全局互动事件特征集合能够生成第四默认型模型偏移表达，由于范例业务推送目标个体在进行范例业务推送目标个体还原时，存在不变性，因此通过生成第四默认型模型偏移表达，并且在改进时，使第四默认型模型偏移表达、第三默认型模型偏移表达、第一默认型模型偏移表达和第二默认型模型偏移表达最小化，能够提高生成的大数据画像变换模型在进行大数据画像知识图谱的衍生处理时的精度和可信度。

根据本申请的第二方面，提供一种业务大数据处理系统，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，运行所述业务大数据处理系统执行上述的方法。

根据本申请的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时执行上述的方法。

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业务大数据处理系统100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业务大数据处理系统100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人工智能技术的业务大数据处理方法的流程图。

图4是示出可以实现本申请的实施例的应用人工智能技术的业务大数据处理方法的应用环境的架构示意图。

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业务大数据处理系统100的一种硬件配置的框图，业务大数据处理系统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，运行业务大数据处理系统100执行本申请中的应用人工智能技术的业务大数据处理方法。

图2是示出可以实现本申请的实施例的业务大数据处理系统100的另一种硬件配置的框图，业务大数据处理系统100可以包括处理器110、存储器120和应用人工智能技术的业务大数据处理装置400，应用人工智能技术的业务大数据处理装置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人工智能技术的业务大数据处理装置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人工智能技术的业务大数据处理方法。

<方法实施例>

图3是示出可以实现本申请的实施例的应用人工智能技术的业务大数据处理方法的流程图，应用人工智能技术的业务大数据处理方法可以通过图1或图2所示的业务大数据处理系统100实现，进一步可以包括以下步骤所描述的技术方案。

STEP110、确定携带第一业务推送目标个体的大数据画像知识图谱的第一基础业务大数据日志。

在本申请实施例中，第一基础业务大数据日志中包括多组日志清单，每组日志清单中第一业务推送目标个体可能对应不同的用户画像，这些用户画像组合为第一业务推送目标个体的大数据画像知识图谱。此外，业务推送目标个体可以理解为用户，基础业务大数据日志可以理解为初始的业务大数据日志，用于记载用户与系统之间的互动行为记录。

STEP120、挖掘所述第一业务推送目标个体在所述第一基础业务大数据日志的多组日志清单中的局部互动事件特征集合。

为了确定第一业务推送目标个体的大数据画像知识图谱，可以从第一基础业务大数据日志的每组日志清单中挖掘第一业务推送目标个体的局部互动事件特征，多组日志清单对应的局部互动事件特征形成以上局部互动事件特征集合。举例而言，以上局部互动事件特征可以包括第一业务推送目标个体的各个事件互动环节对应的特征。各个事件互动环节对应的特征融合起来，可以得到第一业务推送目标个体的互动事件。

对于一些可能的实施例而言，可以借助局部画像挖掘模型挖掘每组日志清单中第一业务推送目标个体的局部互动事件特征。

STEP130、将所述局部互动事件特征集合衍生为第二业务推送目标个体的全局互动事件特征集合。

对于一些可能的实施例而言，首先可以通过所述局部互动事件特征集合，确定所述第一业务推送目标个体的大数据画像变换指标集合；然后再通过所述第一业务推送目标个体的大数据画像变换指标集合，确定所述第二业务推送目标个体的全局互动事件特征集合。

举例而言，以上第一业务推送目标个体的大数据画像变换指标集合包括画像更新指标集合、目标个体状态指标集合和画像采集条件指标集合中的一种或者一种以上。

对于一些可独立实施的设计思路而言，可以借助以下方式形成以上画像更新指标集合、目标个体状态指标集合和画像采集条件指标集合：步骤（1）、通过所述第一基础业务大数据日志的多组日志清单中每一组日志清单对应的局部互动事件特征，分别确定所述第一业务推送目标个体的画像更新指标信息、目标个体状态指标信息和画像采集条件指标信息；步骤（2）、通过所述第一基础业务大数据日志的多组日志清单中每一组日志清单对应的画像更新指标信息，确定所述画像更新指标集合；步骤（3）、通过所述第一基础业务大数据日志的多组日志清单中每一组日志清单对应的目标个体状态指标信息，确定所述目标个体状态指标集合；步骤（4）、通过所述第一基础业务大数据日志的多组日志清单中每一组日志清单对应的画像采集条件指标信息，确定所述画像采集条件指标集合。

可以理解的是，以上步骤（1）-步骤（4）是将每组日志清单对应的局部互动事件特征进行拆解，分别得到每组日志清单对应的画像更新指标信息、目标个体状态指标信息和画像采集条件指标信息。然后，将多组日志清单对应的画像更新指标信息组合形成画像更新指标集合，多组日志清单对应的目标个体状态指标信息组合形成目标个体状态指标集合，多组日志清单对应的画像采集条件指标信息组合形成画像采集条件指标集合。

以上三个指标信息中，每个指标信息对于此外两个指标信息存在固定性。

可以理解的是，借助局部互动事件特征集合拆解后的大数据画像变换指标集合，来衍生得到全局互动事件特征集合，可以在一定程度上规避在大数据画像知识图谱的衍生处理中使用精度较低的全局特征解析和衍生，进而保障大数据画像知识图谱的衍生处理的精度和可信度，并且能够进一步克服了第一业务推送目标个体与第二业务推送目标个体的个体状态差别较大时，大数据画像知识图谱的衍生处理精度和可信度低的问题。

STEP140、通过所述全局互动事件特征集合，创建包括第二业务推送目标个体的大数据画像知识图谱的目标业务大数据日志。

在确定了全局互动事件特征集合然后，可以将该全局互动事件特征集合中的每组日志清单对应的全局互动事件特征投影回局部空间，得到第二业务推送目标个体的局部目标互动事件特征，多组日志清单对应的局部目标互动事件特征形成局部目标互动事件特征集合。然后，通过所述局部目标互动事件特征集合，创建包括第二业务推送目标个体的大数据画像知识图谱的目标业务大数据日志。

对于一些可独立实施的设计思路而言，在借助局部目标互动事件特征集合，创建包括第二业务推送目标个体的大数据画像知识图谱的目标业务大数据日志时，可以借助得到每个局部目标互动事件特征，进行大数据画像勾勒，得到每组日志清单对应的第二业务推送目标个体的用户画像，依次将各组日志清单中用户画像组合便可以得到第二业务推送目标个体的大数据画像知识图谱。

举例而言，可以借助相关智能化线程或者功能单元，通过每组日志清单对应的局部目标互动事件特征，创建包括所述第二业务推送目标个体的大数据画像知识图谱的目标业务大数据日志。

可以理解的是，将衍生得到的全局互动事件特征集合进行切换以获得局部的目标互动事件特征集合，可以在一定程度上规避在大数据画像知识图谱的衍生处理中使用精度较低的全局特征解析和衍生，进而保障大数据画像知识图谱的衍生处理的精度和可信度。

举例而言，对于STEP130而言，可以借助一个完成改进的AI机器学习模型对局部互动事件特征集合进行拆解，以及借助拆解得到的大数据画像变换指标集合确定第二业务推送目标个体的全局互动事件特征集合。

举例而言，AI机器学习模型示例性的可以包括三个特征提取层和一个特征翻译层，其中每个特征提取层分别用于对局部互动事件特征集合中的每个局部互动事件特征进行指标信息挖掘，以得到以上画像更新指标信息、目标个体状态指标信息和画像采集条件指标信息。在得到以上指标信息然后，借助一个特征翻译层进行特征翻译处理，生成得到第二业务推送目标个体的测试型全局互动事件特征，最后将测试型全局互动事件特征映射到局部向量空间，得到以上全局互动事件特征集合中的一个全局互动事件特征。

可以理解的是，在确定全局互动事件特征的时候，既可以借助特征提取层直接特征翻译得到的目标个体状态指标信息和画像采集条件指标信息，也可以借助pool处理后的目标个体状态指标信息和画像采集条件指标信息来确定。比如，将包括当前组日志清单的连续多组日志清单分别业务推送目标个体的局部互动事件特征进行拆解，得到每组日志清单对应的目标个体状态指标信息和画像采集条件指标信息，然后，对每组日志清单对应的目标个体状态指标信息进行pool处理操作，得到当前组日志清单对应的最后的目标个体状态指标信息；对每组日志清单对应的画像采集条件指标信息进行pool处理操作，得到当前组日志清单对应的最后的画像采集条件指标信息。最后，借助直接拆解得到的画像更新指标信息、pool处理操作得到的目标个体状态指标信息和pool处理操作得到的画像采集条件指标信息，确定当前组日志清单对应的全局互动事件特征。

可以理解的是，以上实施例避免直接基于知识图谱进行衍生处理，克服了第一基础业务大数据日志和目标业务大数据日志之间存在的明显的个体状态差别和画像采集条件差别，特别第一业务推送目标个体与第二业务推送目标个体的个体状态差别较大时，提高了大数据画像知识图谱的衍生处理的精度和可信度。此外，以上实施例将挖掘的局部互动事件特征拆解为三个存在关联的画像更新指标信息、目标个体状态指标信息和画像采集条件指标信息，进一步克服了第一业务推送目标个体与第二业务推送目标个体的个体状态差别较大时，大数据画像知识图谱的衍生处理精度和可信度低的问题。

可以理解的是，为了克服第一业务推送目标个体对应个性化大数据画像或第一业务推送目标个体与第二业务推送目标个体的个体状态差别较大时，大数据画像知识图谱的衍生处理精度和可信度低的缺陷，本申请实施例在确定所述第二业务推送目标个体的全局互动事件特征集合之前，还确定了包括第二业务推送目标个体的第二基础业务大数据日志，并挖掘了所述第二业务推送目标个体在所述第二基础业务大数据日志的多组日志清单中的局部互动事件特征集合。

进一步地，在确定所述第二业务推送目标个体的全局互动事件特征集合时，首先通过所述第二业务推送目标个体的局部互动事件特征集合，确定所述第二业务推送目标个体的大数据画像变换指标集合；然后，通过所述第一业务推送目标个体的大数据画像变换指标集合和所述第二业务推送目标个体的大数据画像变换指标集合，确定目标大数据画像变换指标集合；最后，通过所述目标大数据画像变换指标集合确定所述第二业务推送目标个体的全局互动事件特征集合。

以上确定第二业务推送目标个体的大数据画像变换指标集合的方法与确定第一业务推送目标个体的大数据画像变换指标集合的方法类似，比如可以是首先从第二基础业务大数据日志的每组日志清单中分别挖掘第二业务推送目标个体的局部互动事件特征，并对每组日志清单中的局部互动事件特征进行拆解，确定了所述第二业务推送目标个体的画像更新指标信息、目标个体状态指标信息、和画像采集条件指标信息。最后，借助多组日志清单对应的画像更新指标信息形成画像更新指标集合，借助多组日志清单对应的目标个体状态指标信息形成目标个体状态指标集合，借助多组日志清单对应的画像采集条件指标信息形成画像采集条件指标集合。

以上实施例，借助完成融合的目标大数据画像变换指标集合，生成第二业务推送目标个体的全局互动事件特征集合，然后再将衍生得到的全局互动事件特征集合进行切换以获得第二业务推送目标个体的局部目标互动事件特征集合，可以在一定程度上规避在大数据画像知识图谱的衍生处理中使用精度较低的全局特征解析和衍生，进而保障大数据画像知识图谱的衍生处理的精度和可信度。

为便于说明，后续再结合一个示例性的实施例对本申请的应用人工智能技术的业务大数据处理方法进行阐述。

进一步地，本申请实施例的应用人工智能技术的业务大数据处理方法可以包括以下步骤所描述的技术方案。

第一步、互动事件挖掘操作。从第一基础业务大数据日志的每组日志清单中挖掘第一业务推送目标个体的局部互动事件特征，得到第一业务推送目标个体的局部互动事件特征集合；从第二基础业务大数据日志的每组日志清单中挖掘第二业务推送目标个体的局部互动事件特征，得到第二业务推送目标个体的局部互动事件特征集合。

第二步、大数据画像知识图谱的衍生处理处理。分别对第一业务推送目标个体的局部互动事件特征集合中的每个局部互动事件特征和第二业务推送目标个体的局部互动事件特征集合中的每个局部互动事件特征进行特征挖掘操作，即进行拆解，分别得到第一业务推送目标个体的每个局部互动事件特征或每组日志清单对应的画像更新指标信息、目标个体状态指标信息、和画像采集条件指标信息，以及，第二业务推送目标个体的每个局部互动事件特征或每组日志清单对应的画像更新指标信息、目标个体状态指标信息、和画像采集条件指标信息。

以上第一业务推送目标个体的多组日志清单对应的画像更新指标信息组成第一业务推送目标个体的画像更新指标集合，第一业务推送目标个体的多组日志清单对应的目标个体状态指标信息组成第一业务推送目标个体的目标个体状态指标集合，第一业务推送目标个体的多组日志清单对应的画像采集条件指标信息组成第一业务推送目标个体的画像采集条件指标集合。第一业务推送目标个体的画像更新指标集合、目标个体状态指标集合和画像采集条件指标集合形成第一业务推送目标个体的大数据画像变换指标集合。

类似的，以上第二业务推送目标个体的多组日志清单对应的画像更新指标信息组成第二业务推送目标个体的画像更新指标集合，第二业务推送目标个体的多组日志清单对应的目标个体状态指标信息组成第二业务推送目标个体的目标个体状态指标集合，第二业务推送目标个体的多组日志清单对应的画像采集条件指标信息组成第二业务推送目标个体的画像采集条件指标集合。第二业务推送目标个体的画像更新指标集合、目标个体状态指标集合和画像采集条件指标集合形成第二业务推送目标个体的大数据画像变换指标集合。

然后，通过所述第一业务推送目标个体的大数据画像变换指标集合和所述第二业务推送目标个体的大数据画像变换指标集合，确定目标大数据画像变换指标集合；通过所述目标大数据画像变换指标集合确定所述第二业务推送目标个体的全局互动事件特征集合。

举例而言，可以是将第一业务推送目标个体的每组日志清单对应的画像更新指标信息、目标个体状态指标信息、和画像采集条件指标信息，与，第二业务推送目标个体的每组日志清单对应的画像更新指标信息、目标个体状态指标信息、和画像采集条件指标信息进行二次组合，得到二次组合的目标画像更新指标信息、目标状态指标信息、和目标采集条件指标信息。

以上多组日志清单对应的目标画像更新指标信息可以组成目标画像更新指标集合，多组日志清单对应的目标状态指标信息可以组成第二目标个体状态指标集合，多组日志清单对应的目标采集条件指标信息可以组成目标画像采集条件指标集合。目标画像更新指标集合、第二目标个体状态指标集合和目标画像采集条件指标集合形成以上目标大数据画像变换指标集合。

然后，对目标画像更新指标信息、目标状态指标信息、和目标采集条件指标信息进行特征翻译操作，得到第二业务推送目标个体对应于一组日志清单在三个设定画像采集条件上的全局互动事件特征。多组日志清单的全局互动事件特征形成以上全局互动事件特征集合。

最后，分别将每个设定画像采集条件上的全局互动事件特征映射到局部向量空间，分别得到第二业务推送目标个体在每个设定画像采集条件上的局部目标互动事件特征。

第三步、互动事件到业务大数据日志勾勒处理。通过每组日志清单中第二业务推送目标个体在每个设定画像采集条件上的局部目标互动事件特征，确定第二业务推送目标个体在每个设定画像采集条件上的目标大数据画像，并通过目标大数据画像创建第二业务推送目标个体在每个设定画像采集条件上的目标业务大数据日志。

以上实施例能够显著提高大数据画像知识图谱的衍生处理的精度和可信度，并且可以实现多种画像采集条件上的大数据画像知识图谱的衍生处理。

发明人经调查和研究发现，相关技术难以建立准确的大数据画像知识图谱的衍生处理模型来实现以上大数据画像知识图谱的衍生处理，致使大数据画像知识图谱的衍生处理呈现出精度和可信度低的问题。为了解决以上问题，本申请还提供了一种大数据画像变换模型的改进方法，示例性可以包括以下方式。

STEP310、确定携带范例业务推送目标个体的大数据画像知识图谱的范例流式业务大数据日志。

STEP320、挖掘所述范例业务推送目标个体在所述范例流式业务大数据日志的多组范例日志清单中的第一范例局部互动事件特征集合。

在本申请实施例中，从范例流式业务大数据日志的每组日志清单中挖掘范例业务推送目标个体的第一范例局部互动事件特征，多组范例日志清单的第一范例局部互动事件特征形成第一范例局部互动事件特征集合。

以上第一范例局部互动事件特征可以包括范例业务推送目标个体的各个事件互动环节对应的特征。各个事件互动环节对应的特征融合起来，可以得到范例业务推送目标个体的互动事件。

在实际实施过程中，可以借助局部画像挖掘模型挖掘范例业务推送目标个体的第一范例局部互动事件特征。

STEP330、对第一范例局部互动事件特征集合进行事件特征维度调整处理，得到第二范例局部互动事件特征集合。

在本申请实施例中，依据指定的调整比例，对第一范例局部互动事件特征集合中的每个第一范例局部互动事件特征进行事件特征维度调整，得到第二范例局部互动事件特征集合。

STEP340、通过所述第一范例局部互动事件特征集合和所述第二范例局部互动事件特征集合，确定模型偏移表达。通过所述模型偏移表达，改进所述大数据画像变换模型的模型变量。

在实际实施过程中，可以分别对第一范例局部互动事件特征集合中的每个第一范例局部互动事件特征和所述第二范例局部互动事件特征集合中的每个第二范例局部互动事件特征进行拆解，借助拆解得到信息进行全局互动事件特征集合测试型，和局部的范例互动事件特征还原，并借助拆解得到的信息、测试型的全局互动事件特征集合和还原的局部的范例互动事件特征生成模型偏移表达。

在本申请实施例中，以生成的模型偏移表达（损失函数）取值最小为目标改进大数据画像变换模型。

应用于本申请实施例，借助范例业务推送目标个体的第一范例局部互动事件特征集合和对范例业务推送目标个体进行事件特征维度调整后的第二范例局部互动事件特征集合生成模型偏移表达，来改进大数据画像变换模型，能够提高在第一业务推送目标个体与第二业务推送目标个体的个体状态差别较大时，大数据画像知识图谱的衍生处理的精度和可信度。并且在改进以上大数据画像变换模型的时候，实现了无监督的生成模型偏移表达和改进大数据画像变换模型，进而保障改进得到的大数据画像变换模型在进行大数据画像知识图谱的衍生处理时的精度和可信度。

以上大数据画像变换模型示例性地可以包括三个特征提取层和一个特征翻译层，对大数据画像变换模型的改进实质上是对以上是三个特征提取层和一个特征翻译层的改进。

对于一些可独立实施的设计思路而言，以上通过所述第一范例局部互动事件特征集合和所述第二范例局部互动事件特征集合，确定模型偏移表达，示例性地可以借助以下方式实现。

第一步、通过所述第一范例局部互动事件特征集合，确定所述第一范例大数据画像变换指标集合。

对第一范例局部互动事件特征集合中的每个第一范例局部特征进行拆解，得到每组范例日志清单对应的第一范例画像更新指标信息、第一范例状态指标信息和第一范例采集条件指标信息。多组范例日志清单对应的第一范例画像更新指标信息形成第一范例画像更新指标集合；多组范例日志清单对应的第一范例状态指标信息形成第一范例状态指标集合；多组范例日志清单对应的第一范例采集条件指标信息形成第一范例采集条件指标集合。第一范例画像更新指标集合、第一范例采集条件指标集合和第一范例状态指标集合形成以上第一范例大数据画像变换指标集合。

可以理解的是，借助大数据画像变换模型中的一个特征提取层rresnet_2net_1对一个第一范例局部互动事件特征进行处理，得到第一范例画像更新指标信息，借助另一个特征提取层resnet_2对该第一范例局部互动事件特征进行处理，得到第一范例状态指标信息，借助最后一个特征提取层resnet_3对该第一范例局部互动事件特征进行处理，得到第一范例采集条件指标信息。

对当前组范例日志清单对应的第一范例状态指标信息和当前组范例日志清单存在关联的多组范例日志清单对应的第一范例状态指标信息进行pool操作处理，得到最后的第一范例状态指标信息 对当前组范例日志清单对应的第一范例采集条件指标信息和当前组范例日志清单存在关联的多组范例日志清单对应的第一范例状态指标信息进行pool操作处理，得到最后的第一范例采集条件指标信息 当前组范例日志清单对应的第一范例画像更新指标信息不用进行pool操作处理，可以直接作为最后的第一范例画像更新指标信息index。

第二步、通过所述第二范例局部互动事件特征集合，确定所述第二范例大数据画像变换指标集合。

对第二范例局部互动事件特征集合中的每个第二范例局部特征进行拆解，得到每组范例日志清单对应的第二范例画像更新指标信息、第二范例状态指标信息和第二范例采集条件指标信息。多组范例日志清单对应的第二范例画像更新指标信息形成第二范例画像更新指标集合；多组范例日志清单对应的第二范例状态指标信息形成第二范例状态指标集合；多组范例日志清单对应的第二范例采集条件指标信息形成第二范例采集条件指标集合。第二范例画像更新指标集合、第二范例采集条件指标集合和第二范例状态指标集合形成以上第二范例大数据画像变换指标集合。

可以理解的是，本申请实施例借助大数据画像变换模型中的一个特征提取层rresnet_2net_1对一个第二范例局部互动事件特征进行处理，得到第二范例画像更新指标信息，借助另一个特征提取层resnet_2对第二范例局部互动事件特征进行处理，得到第二范例状态指标信息，借助最后一个特征提取层resnet_3对第二范例局部互动事件特征进行处理，得到第二范例采集条件指标信息。

对当前组范例日志清单对应的第二范例状态指标信息和当前组范例日志清单存在关联的多组范例日志清单对应的第二范例状态指标信息进行pool操作处理，得到最后的第二范例状态指标信息 对当前组范例日志清单对应的第二范例采集条件指标信息和当前组范例日志清单存在关联的多组范例日志清单对应的第二范例状态指标信息进行pool操作处理，得到最后的第一范例采集条件指标信息 当前组范例日志清单对应的第二范例画像更新指标信息不用进行pool操作处理，可以直接作为最后的第二范例画像更新指标信息index’。

第三步、通过所述第一范例大数据画像变换指标集合，确定测试型全局互动事件特征集合。

在本申请实施例中，可以是借助一组范例日志清单对应的第一范例画像更新指标信息、第一范例状态指标信息和第一范例采集条件指标信息，确定一个测试型全局互动事件特征。多组范例日志清单对应的测试型全局互动事件特征即形成以上测试型全局互动事件特征集合。

在本申请实施例中，示例性地可以借助一个特征翻译层decoder对一组范例日志清单的第一范例画像更新指标信息、第一范例状态指标信息和第一范例采集条件指标信息进行特征翻译处理，得到生成后的测试型全局互动事件特征。

第四步、通过所述第一范例大数据画像变换指标集合、第二范例大数据画像变换指标集合和所述测试型全局互动事件特征集合，确定所述模型性能表达。

在实际实施过程中，可以借助第一范例大数据画像变换指标集合中的所述第一范例画像更新指标信息、第一范例状态指标信息、第一范例采集条件指标信息，第二范例大数据画像变换指标集合中的第二范例画像更新指标信息、第二范例状态指标信息、第二范例采集条件指标信息进行局部的范例互动事件特征还原，并借助测试型全局互动事件特征集合和还原的局部的范例互动事件特征生成模型偏移表达。

应用于本申请实施例，借助第一范例局部互动事件特征集合拆解后的第一范例大数据画像变换指标集合、第二范例局部互动事件特征集合拆解后的第二范例大数据画像变换指标集合，以及，通过第一范例大数据画像变换指标集合生成得到的测试型全局互动事件特征集合，来生成模型偏移表达，能够提高在第一业务推送目标个体与第二业务推送目标个体的个体状态差别较大时，大数据画像知识图谱的衍生处理的精度和可信度。由于范例业务推送目标个体即使在个体状态和画像采集条件上存在干扰，但是衍生得到的画像变化情况是不变的，因此可以通过生成第一默认型模型偏移表达，并且在改进时，使第一默认型模型偏移表达最小化，来提高生成的大数据画像变换模型在进行大数据画像知识图谱的衍生处理时的精度和可信度。

比如，可以借助以下方式生成以上第一默认型模型偏移表达。

第一步、通过所述第二范例画像更新指标信息、第一范例状态指标信息和第一范例采集条件指标信息，确定所述第一范例局部互动事件特征集合中对应的所述第一范例局部互动事件特征对应的第一测试型互动事件特征。

第二步、通过所述第一范例画像更新指标信息、第二范例状态指标信息和第二范例采集条件指标信息，确定所述第二范例局部互动事件特征集合中对应的所述第二范例局部互动事件特征对应的第二测试型互动事件特征。

第三步、通过所述第一测试型互动事件特征、第二测试型互动事件特征、第一范例画像更新指标信息、第二范例画像更新指标信息、和所述测试型全局互动事件特征集合，确定所述第一默认型模型偏移表达。

本申请实施例中，借助第一范例局部互动事件特征集合和第二范例局部互动事件特征集合拆解后的信息，对范例业务推送目标个体进行互动事件还原得到第一测试型互动事件特征，以及对事件特征维度调整后的范例业务推送目标个体进行互动事件还原得到第二测试型互动事件特征；然后，结合还原得到的第一测试型互动事件特征、第二测试型互动事件特征和生成得到的范例业务推送目标个体的测试型全局互动事件特征集合能够生成第一默认型模型偏移表达。

由于范例业务推送目标个体的个体状态具有时序不变性，因此可以通过生成第二默认型模型偏移表达，并且在改进时，使第一默认型模型偏移表达和第二默认型模型偏移表达最小化，来提高生成的大数据画像变换模型在进行大数据画像知识图谱的衍生处理时的精度和可信度。

比如，可以借助以下方式生成以上第二默认型模型偏移表达。

第一步、从所述第一范例局部互动事件特征集合中，确定所述范例业务推送目标个体在第一统计阶段的第一范例局部互动事件特征、所述范例业务推送目标个体在第二统计阶段的第一范例局部互动事件特征。

从所述第二范例局部互动事件特征集合中，确定所述范例业务推送目标个体在第二统计阶段的第二范例局部互动事件特征、和所述范例业务推送目标个体在第一统计阶段的第二范例局部互动事件特征。

以上第一范例局部互动事件特征是从范例流式业务大数据日志中第一统计阶段period1和第二统计阶段period2对应的范例日志清单中分别挖掘的范例业务推送目标个体的局部互动事件特征，是未经过事件特征维度调整的范例业务推送目标个体的互动事件特征。以上第二范例局部互动事件特征是在范例流式业务大数据日志中第一统计阶段period1和第二统计阶段period2对应的范例日志清单中分别挖掘的范例业务推送目标个体的互动事件特征进行事件特征维度调整后的特征。

第二步、通过所述范例业务推送目标个体在第一统计阶段的第一范例局部互动事件特征、所述范例业务推送目标个体在第二统计阶段的第一范例局部互动事件特征、所述范例业务推送目标个体在第二统计阶段的第二范例局部互动事件特征、所述范例业务推送目标个体在第一统计阶段的第二范例局部互动事件特征、和所述测试型全局互动事件特征集合，确定所述第二默认型模型偏移表达。

本申请实施例中，借助不同统计阶段的第一范例局部互动事件特征和第二范例局部互动事件特征，结合生成得到的范例业务推送目标个体的测试型全局互动事件特征集合能够生成第二默认型模型偏移表达。

由于范例业务推送目标个体的画像采集条件不会随着范例业务推送目标个体的画像变化和个体状态的变化而变化，因此可以通过生成第三默认型模型偏移表达，并且在改进时，使第三默认型模型偏移表达、第一默认型模型偏移表达和第二默认型模型偏移表达最小化，能够提高生成的大数据画像变换模型在进行大数据画像知识图谱的衍生处理时的精度和可信度。比如，可以借助以下方式生成第三默认型模型偏移表达：通过所述范例业务推送目标个体在第一统计阶段的第一范例局部互动事件特征、所述范例业务推送目标个体在第二统计阶段的第一范例局部互动事件特征、第一范例采集条件指标信息、第二范例采集条件指标信息、和所述测试型全局互动事件特征集合，确定所述第三默认型模型偏移表达。

由于范例业务推送目标个体在进行范例业务推送目标个体还原时存在不变性，因此可以通过生成第四默认型模型偏移表达，并且在改进时，使第四默认型模型偏移表达、第三默认型模型偏移表达、第一默认型模型偏移表达和第二默认型模型偏移表达最小化，来提高生成的大数据画像变换模型在进行大数据画像知识图谱的衍生处理时的精度和可信度。示例性的，可以借助以下方式生成第四默认型模型偏移表达：通过所述第一范例局部互动事件特征集合和所述测试型全局互动事件特征集合，确定所述第四默认型模型偏移表达。

在上述内容的基础上，对于一些可独立实施的设计思路而言，在创建包括第二业务推送目标个体的大数据画像知识图谱的目标业务大数据日志之后，该方法还可以包括以下内容：响应于业务推送服务商系统上传的业务推送指令，确定所述目标业务大数据日志中的第二业务推送目标个体的大数据画像知识图谱对应的待处理可视化业务会话；将将待处理可视化业务会话输入完成循环调试的业务偏好挖掘策略，得到完成循环调试的业务偏好挖掘策略输出的业务会话偏好；根据所述业务会话偏好进行业务服务推送。

在本申请实施例中，可以利用完成循环调试的业务偏好挖掘策略准确得到待处理可视化业务会话（具有推送价值的可视化业务会话，比如支付业务会话、办公业务会话、游戏业务会话）对应的业务会话偏好，从而基于业务会话偏好进行对应的业务推送。

可以理解的是，在上述内容的基础上，对于一些可独立实施的设计思路而言，根据所述业务会话偏好进行业务服务推送，可以通过以下实施方式实现：对业务会话偏好进行偏好属性抽取，得到多个层次的第一偏好属性分布；通过对所述第一偏好属性分布进行特征描述更新，得到各个层次的第一偏好属性分布对应的第二偏好属性分布；其中，不同级第一偏好属性分布对应的第二偏好属性分布的特征描述相同；分别更新各个层次的第二偏好属性分布的特征描述，得到各个层次的第二偏好属性分布对应的第三偏好属性分布，其中，各个层次的第三偏好属性分布的阶段性描述值的占比与预设占比匹配；基于所述第三偏好属性分布，确定所述业务会话偏好中的核心偏好需求；通过所述核心偏好需求确定待推送业务服务，将所述待推送业务服务下发给所述待处理可视化业务会话对应的业务会话终端。

在本申请实施例中，偏好属性分布可以理解为偏好特征图，特征描述可以理解为参数信息，阶段性描述值可以理解为时序维度值，如此设计，能够通过对不同的偏好属性分布进行调整，从而准确确定出业务会话偏好中的核心偏好需求，这样能够实现精准且针对性的业务服务推送，从而提高业务服务推送的质量，避免无效推送或者低效推送对业务会话终端带来的干扰。

可以理解的是，在上述内容的基础上，对于一些可独立实施的设计思路而言，所述通过对所述第一偏好属性分布进行特征描述更新，得到各个层次的第一偏好属性分布对应的第二偏好属性分布，包括：确定所述各个层次的第一偏好属性分布对应的特征描述中数值约束最低的第一偏好属性分布，并将除所述数值约束最低的第一偏好属性分布外的其它第一偏好属性分布，更新为与该数值约束最低的第一偏好属性分布相同特征描述的偏好属性分布，将所述数值约束最低的第一偏好属性分布，以及更新后所述与该数值约束最低的第一偏好属性分布相同特征描述的偏好属性分布作为所述第二偏好属性分布；或者，将所述各个层次的第一偏好属性分布更新为预设特征描述下的偏好属性分布，将该预设特征描述下的偏好属性分布作为所述第二偏好属性分布。如此设计，能够在保障第二偏好属性分布的完整性的前提下尽可能提高第二偏好属性分布的精度。

在本申请实施例中，业务偏好挖掘策略通过完成优化的偏好挖掘策略调试集进行调试。进一步地，通过以下方式得到完成优化的偏好挖掘策略调试集：确定各个没有进行主题标签添加的可视化业务会话、以及通过偏好挖掘策略调试集调试所得的业务偏好挖掘策略；通过所述各个没有进行主题标签添加的可视化业务会话、所述业务偏好挖掘策略，确定所述各个没有进行主题标签添加的可视化业务会话分别对所述业务偏好挖掘策略的策略调试的测试挖掘质量评价值；从所述各个没有进行主题标签添加的可视化业务会话中挑选测试挖掘质量评价值满足设定条件的空白业务会话NoneLabelSession；在对挑选的所述空白业务会话NoneLabelSession进行可视化业务会话的主题标签添加得到主题标签业务会话LabelSession的基础上，将所述主题标签业务会话LabelSession转移到所述偏好挖掘策略调试集中，得到完成优化的偏好挖掘策略调试集。

在一些可独立实施的设计思路下，获得完成优化的偏好挖掘策略调试集的进一步实施方案，可以包括以下内容。

步骤101：确定各个没有进行主题标签添加的可视化业务会话（可以理解为没有进行注释处理的可视化业务会话）、以及通过偏好挖掘策略调试集（可以理解为训练集）调试所得的业务偏好挖掘策略（可以理解为用于进行大数据业务偏好挖掘的人工智能模型，比如可以是CNN或者LSTM）。

步骤102：通过各个没有进行主题标签添加的可视化业务会话、业务偏好挖掘策略，确定各个没有进行主题标签添加的可视化业务会话分别对业务偏好挖掘策略的策略调试的测试挖掘质量评价值（可以理解为用于进行模型挖掘评价的估计影响度）。

步骤103：从各个没有进行主题标签添加的可视化业务会话中挑选测试挖掘质量评价值满足设定条件（比如预先设置的一系列要求）的空白业务会话NoneLabelSession（比如没有进行主题标签添加的第一目标可视化业务会话）。

步骤104：在对挑选的空白业务会话NoneLabelSession进行可视化业务会话的主题标签添加得到主题标签业务会话LabelSession（比如完成主题标签添加的第二目标可视化业务会话）的基础上，将主题标签业务会话LabelSession转移到偏好挖掘策略调试集中，得到完成优化的偏好挖掘策略调试集；完成优化的偏好挖掘策略调试集用于循环调试（比如迭代训练）所述业务偏好挖掘策略。

为了便于理解本申请实施例提供的基于可视化业务的大数据挖掘方法，接下来对该方法的实际业务环境进行示例性说明。本申请实施例中的基于可视化业务的大数据挖掘方法主要可以应用于任何实际业务环境下有关业务偏好挖掘策略的调试准备过程中。为了更好的调试业务偏好挖掘策略，在进行策略调试之前，需要筹备较为丰富完整的偏好挖掘策略调试集，本申请实施例中的偏好挖掘策略调试集可以是完成主题标签添加的可视化业务会话的集合。如何从海量的没有进行主题标签添加的可视化业务会话中智能化且精准地定位得到可匹配业务偏好挖掘策略调试的空白业务会话NoneLabelSession成为优化偏好挖掘策略调试集的核心方案。

发明人经研究和分析发现，相关技术所确定的没有进行主题标签添加的可视化业务会话可能存在偏差，或者需要消耗大量的软硬件资源来确定没有进行主题标签添加的可视化业务会话。为改善上述缺陷，本申请实施例才提供一种通过测试挖掘质量评价值估计的没有进行主题标签添加的可视化业务会话选择思路，以使得所得的完成优化的偏好挖掘策略调试集所调试的业务偏好挖掘策略更为准确，还能够实现智能化处理，提高业务偏好挖掘策略的调试效率。

在本申请实施例中，对于不同的实际业务环境，本申请实施例中的业务偏好挖掘策略也不同。比如，在偏好分类实际业务环境下，本申请实施例中的业务偏好挖掘策略可以是确定偏好分类的支持向量机（分类器）；再如，在偏好定位实际业务环境下，本申请实施例中的业务偏好挖掘策略可以确定偏好分布、偏好热度等信息的定位线程（定位网络）。除此之外，本申请实施例中的业务偏好挖掘策略还可以是其它网络，本申请实施例在此不作更多说明。

对于本申请实施例而言，本申请实施例中的业务偏好挖掘策略可以是通过包含有多个完成主题标签添加的可视化业务会话的偏好挖掘策略调试集调试得到，比如，可以是通过多个已完成主题标签添加的在线办公业务会话调试所得的办公偏好分类挖掘策略。

在本申请实施例中，为了从各个没有进行主题标签添加的可视化业务会话中确定出更匹配上述业务偏好挖掘策略的空白业务会话NoneLabelSession，这里可以确定各个没有进行主题标签添加的可视化业务会话分别对业务偏好挖掘策略的策略调试的测试挖掘质量评价值（量化值，一般可以选择0~1之间的数值进行表达）。

本申请实施例中可以确定出每个没有进行主题标签添加的可视化业务会话的测试挖掘质量评价值，可以将各个没有进行主题标签添加的可视化业务会话分别对业务偏好挖掘策略的策略调试的测试挖掘质量评价值的影响转化为各个第一完成主题标签添加的可视化业务会话对策略调试变量的全局测试挖掘质量评价以及每个没有进行主题标签添加的可视化业务会话对策略调试变量的测试权重值。这主要是鉴于策略调试变量是实现策略调试的最根本的分析依据，而各个第一完成主题标签添加的可视化业务会话全局测试挖掘质量评价以及每个没有进行主题标签添加的可视化业务会话测试挖掘质量评价值之间的相似性一定程度上可以体现没有进行主题标签添加的可视化业务会话能够对业务偏好挖掘策略的调试所作出的贡献。

可以理解的是，在确定出每个没有进行主题标签添加的可视化业务会话对业务偏好挖掘策略的策略调试的测试挖掘质量评价值的基础上，本申请实施例中，可以从各个没有进行主题标签添加的可视化业务会话中挑选测试挖掘质量评价值满足设定条件的空白业务会话NoneLabelSession，这里可以是挑选测试挖掘质量评价值大于第二设定判定值的没有进行主题标签添加的可视化业务会话作为空白业务会话NoneLabelSession，也可以是先依据测试挖掘质量评价值降序的规则对各个没有进行主题标签添加的可视化业务会话进行整理（排序），而后依据整理结果确定空白业务会话NoneLabelSession，比如，挑选排序结果靠前的10个的没有进行主题标签添加的可视化业务会话作为空白业务会话NoneLabelSession。

在挑选出空白业务会话NoneLabelSession的基础上，可以先对空白业务会话NoneLabelSession进行可视化业务会话的主题标签添加，而后将标注所得的主题标签业务会话LabelSession添加到偏好挖掘策略调试集中，得到完成优化的偏好挖掘策略调试集。

对于本申请实施例而言，可以进行多次空白业务会话NoneLabelSession的挑选以及偏好挖掘策略调试集的调整，以得到尽可能准确的完成调试的业务偏好挖掘策略，每次调整示例性地可以通过以下内容实施：第一步、从各个没有进行主题标签添加的可视化业务会话中丢弃空白业务会话NoneLabelSession，得到完整更新的各个没有进行主题标签添加的可视化业务会话；以及，确定通过完成优化的偏好挖掘策略调试集调试所得的完成调试的业务偏好挖掘策略；完成优化的偏好挖掘策略调试集中包括各个第一完成主题标签添加的可视化业务会话和主题标签业务会话LabelSession；第二步、通过完整更新的各个没有进行主题标签添加的可视化业务会话、完成调试的业务偏好挖掘策略，确定完整更新的各个没有进行主题标签添加的可视化业务会话对完成调试的业务偏好挖掘策略的策略调试的测试挖掘质量评价值；第三步、从完整更新的各个没有进行主题标签添加的可视化业务会话中挑选测试挖掘质量评价值满足设定条件的空白业务会话NoneLabelSession；第四步、在对挑选的空白业务会话NoneLabelSession进行可视化业务会话的主题标签添加得到主题标签业务会话LabelSession的基础上，将主题标签业务会话LabelSession转移到完成优化的偏好挖掘策略调试集中，得到用于对完成调试的业务偏好挖掘策略进行调试的完成优化的偏好挖掘策略调试集。

在本申请实施例中，可以先从各个没有进行主题标签添加的可视化业务会话中丢弃空白业务会话NoneLabelSession，以得到完整更新的各个没有进行主题标签添加的可视化业务会话，而这时可以将空白业务会话NoneLabelSession对应的主题标签业务会话LabelSession添加到完成优化的偏好挖掘策略调试集中，并可以通过完成优化的偏好挖掘策略调试集调试得到完成调试的业务偏好挖掘策略。这样，可以通过完整更新的各个没有进行主题标签添加的可视化业务会话、完成调试的业务偏好挖掘策略确定完整更新的各个没有进行主题标签添加的可视化业务会话的测试挖掘质量评价值，进而进行空白业务会话NoneLabelSession的挑选以及后续的完成优化的偏好挖掘策略调试集的优化调整，重复实施上述相关内容，直到匹配重复终止要求，得到完成调试的业务偏好挖掘策略。

在本申请实施例中，上述重复终止要求可以是重复次数匹配设定次数，还可以是所调试所得的完成调试的业务偏好挖掘策略的相关策略评价指标匹配设定指标，比如，可以是挖掘精度匹配90%这一重复终止要求。

鉴于测试挖掘质量评价值的确定对于没有进行主题标签添加的可视化业务会话挑选的核心贡献，后续可以对确定测试挖掘质量评价值的过程进行示例性说明。在本申请实施例中，确定测试挖掘质量评价值可以包括如下步骤：第一步、通过各个第一完成主题标签添加的可视化业务会话以及业务偏好挖掘策略，确定在通过各个第一完成主题标签添加的可视化业务会话进行业务偏好挖掘策略正序推导的进程下，各个第一完成主题标签添加的可视化业务会话对策略调试变量的全局测试挖掘质量评价；以及，通过各个没有进行主题标签添加的可视化业务会话以及业务偏好挖掘策略，确定在通过各个没有进行主题标签添加的可视化业务会话进行业务偏好挖掘策略正序推导的进程下，每个没有进行主题标签添加的可视化业务会话对策略调试变量的测试挖掘质量评价值；第二步、通过各个第一完成主题标签添加的可视化业务会话对策略调试变量的全局测试挖掘质量评价以及每个没有进行主题标签添加的可视化业务会话对策略调试变量的测试挖掘质量评价值，确定每个没有进行主题标签添加的可视化业务会话对业务偏好挖掘策略的策略调试的测试挖掘质量评价值。

在本申请实施例中，一方面可以通过完成主题标签添加的可视化业务会话的正序推导实现各个第一完成主题标签添加的可视化业务会话对策略调试变量的全局测试挖掘质量评价的确定，另一方面可以通过没有进行主题标签添加的可视化业务会话的正序推导实现每个没有进行主题标签添加的可视化业务会话对策略调试变量的测试挖掘质量评价值的确定，进而通过上述全局测试挖掘质量评价和测试挖掘质量评价值确定每个没有进行主题标签添加的可视化业务会话对业务偏好挖掘策略的策略调试的测试挖掘质量评价值。

本申请实施例中的正序推导（前向传播）可以指的是将可视化业务会话加载至调试好的业务偏好挖掘策略中，得到相关策略性能量化描述对应的策略性能向量（梯度值）和策略性能分布（二阶导数矩阵）的过程。在正序推导的进程下，不会对业务偏好挖掘策略的策略变量值进行调整。

对于没有进行主题标签添加的可视化业务会话而言，可以通过主题标签偏移信息的确定实现没有进行主题标签添加的可视化业务会话对策略调试变量的测试挖掘质量评价值的确定，示例性可以通过以下内容实施：第一步、对于各个没有进行主题标签添加的可视化业务会话中的每个没有进行主题标签添加的可视化业务会话，将每个没有进行主题标签添加的可视化业务会话加载至业务偏好挖掘策略中，确定业务偏好挖掘策略输出的对于各个待定估计事项的量化可能性；第二步、通过对于各个待定估计事项的量化可能性确定没有进行主题标签添加的可视化业务会话的主题标签偏移信息，并通过主题标签偏移信息确定在没有进行主题标签添加的可视化业务会话正序推导的基础上，业务偏好挖掘策略的策略性能量化描述对应的策略性能向量；第三步、将确定的策略性能向量作为没有进行主题标签添加的可视化业务会话对策略调试变量的测试挖掘质量评价值。

在本申请实施例中，在将没有进行主题标签添加的可视化业务会话加载至业务偏好挖掘策略的基础上，可以确定业务偏好挖掘策略输出的对于各个待定估计事项的量化可能性，然后通过对于各个待定估计事项的量化可能性确定没有进行主题标签添加的可视化业务会话的主题标签偏移信息。

鉴于不同实际业务环境所对应的业务偏好挖掘策略不同，而对于不同的业务偏好挖掘策略的主题标签偏移信息的生成方式也不同。比如，在业务偏好挖掘策略为支持向量机、待定估计事项为待定语义关键词的基础上，可以将量化可能性最高的待定语义关键词确定为没有进行主题标签添加的可视化业务会话的主题标签偏移信息；再如，在业务偏好挖掘策略包括定位线程、待定估计事项为待定定位约束集的基础上，将量化可能性大于第一设定判定值的待定定位约束集确定为没有进行主题标签添加的可视化业务会话的主题标签偏移信息，换言之，可以将多个待定定位约束集作为主题标签偏移信息。除此之外，还可以对于其他业务偏好挖掘策略确定对应的主题标签偏移信息生成方式，本申请实施例在此不作更多说明。

通过主题标签偏移信息（伪主题标签标注情况）可以确定没有进行主题标签添加的可视化业务会话的误差，将误差反馈到业务偏好挖掘策略可以确定出业务偏好挖掘策略的策略性能量化描述对应的策略性能向量，并可以作为没有进行主题标签添加的可视化业务会话对策略调试变量的测试挖掘质量评价值。

对于第一完成主题标签添加的可视化业务会话而言，将该第一完成主题标签添加的可视化业务会话加载至业务偏好挖掘策略中，得到业务偏好挖掘策略的策略性能量化描述对应的策略性能向量和策略性能分布。本申请实施例中的策略性能向量旨在表达在第一完成主题标签添加的可视化业务会话正序推导的基础上、各个策略变量对策略性能量化描述的挖掘质量评价，本申请实施例中的策略性能分布旨在表达在第一完成主题标签添加的可视化业务会话正序推导的基础上、每个策略变量对策略性能量化描述的挖掘质量评价受其他策略变量的挖掘质量评价。在实际应用过程中，上述策略性能向量对应的是策略性能量化描述的第一导数（一阶导数），策略性能分布对应的是策略性能量化描述的第二导数（二阶导数）。

在本申请实施例中，对于各个完成主题标签添加的可视化业务会话而言，可以将每个完成主题标签添加的可视化业务会话得到业务偏好挖掘策略的策略性能量化描述对应的策略性能向量和策略性能分布进行迭代处理，以得到全局策略性能向量和全局策略性能分布，进而通过全局策略性能向量和全局策略性能分布的加权操作，确定全局测试挖掘质量评价。

对于本申请实施例而言，可以结合策略调试辅助集的策略性能核对功能来实现全局测试挖掘质量评价的确定，进而确定出每个没有进行主题标签添加的可视化业务会话对业务偏好挖掘策略的策略调试的测试挖掘质量评价值，示例性可以通过以下内容实施：第一步、确定策略调试辅助集涵盖的各个第二完成主题标签添加的可视化业务会话；策略调试辅助集与偏好挖掘策略调试集不存在一致的完成主题标签添加的可视化业务会话；第二步、通过各个第一完成主题标签添加的可视化业务会话、各个第二完成主题标签添加的可视化业务会话以及业务偏好挖掘策略，确定在通过各个第一完成主题标签添加的可视化业务会话和各个第二完成主题标签添加的可视化业务会话进行业务偏好挖掘策略正序推导的进程下，各个第一完成主题标签添加的可视化业务会话以及各个第二完成主题标签添加的可视化业务会话对策略调试变量的全局测试挖掘质量评价；以及，通过各个没有进行主题标签添加的可视化业务会话以及业务偏好挖掘策略，确定在通过各个没有进行主题标签添加的可视化业务会话进行业务偏好挖掘策略正序推导的进程下，每个没有进行主题标签添加的可视化业务会话对策略调试变量的测试挖掘质量评价值；第三步、通过各个第一完成主题标签添加的可视化业务会话以及各个第二完成主题标签添加的可视化业务会话对策略调试变量的全局测试挖掘质量评价以及每个没有进行主题标签添加的可视化业务会话对策略调试变量的测试挖掘质量评价值，确定每个没有进行主题标签添加的可视化业务会话对业务偏好挖掘策略的策略调试的测试挖掘质量评价值。

可以理解的是，相关确定每个没有进行主题标签添加的可视化业务会话对策略调试变量的测试挖掘质量评价值的过程可以参阅以上相关技术方案，本申请实施例在此不作更多说明。

可以理解的是，在确定上述全局测试挖掘质量评价的进程下，一方面可以先从各个第一完成主题标签添加的可视化业务会话中挑选多个第一完成主题标签添加的可视化业务会话，并将多个第一完成主题标签添加的可视化业务会话中的每个第一完成主题标签添加的可视化业务会话加载至业务偏好挖掘策略中，得到业务偏好挖掘策略的策略性能量化描述对应的全局策略性能分布，另一方面可以将各个第二完成主题标签添加的可视化业务会话中的每个第二完成主题标签添加的可视化业务会话加载至业务偏好挖掘策略中，得到业务偏好挖掘策略的策略性能量化描述对应的全局策略性能向量，进而通过全局策略性能向量和全局策略性能分布的加权操作（乘积运算），确定全局测试挖掘质量评价。

可以理解的是，这里对调试业务偏好挖掘策略的第一完成主题标签添加的可视化业务会话以及对业务偏好挖掘策略进行质量核对的第二完成主题标签添加的可视化业务会话进行了差异化处理，进而可以实现在有效挖掘策略质量核对的前提下，确定出更为准确的全局测试挖掘质量评价。

本申请实施例在确定全局测试挖掘质量评价的进程下可以是通过多次循环处理实现的，对于当前组循环处理，确定当前组循环处理绑定的完成主题标签添加的可视化业务会话，通过确定的完成主题标签添加的可视化业务会话对应的策略性能分布、全局策略性能向量、以及前一组循环处理对应的全局测试挖掘质量评价，确定当前组循环处理对应的全局测试挖掘质量评价，通过多次迭代，可以得到最后的全局测试挖掘质量评价。

在本申请实施例中，还可以确定没有进行主题标签添加的可视化业务会话对策略调试变量的测试挖掘质量评价值，换言之，需要确定没有进行主题标签添加的可视化业务会话的期望策略性能向量。对于不同的业务偏好挖掘策略，这里所确定的期望策略性能向量存在差异。比如支持向量机（第一业务偏好挖掘策略）和定位线程（第二业务偏好挖掘策略）的期望策略性能向量存在差异，在此不展开说明。

<应用环境实施例>

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，也即应用人工智能技术的业务大数据处理方法的应用环境，请结合参阅图4，应用人工智能技术的业务大数据处理方法的应用环境30可以包括互相通信的业务大数据处理系统100和业务推送服务商系统200。进一步地，应用人工智能技术的业务大数据处理方法的应用环境30的功能性描述请结合参阅上述相关的方法实施例。

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)

1.一种应用人工智能技术的业务大数据处理方法，其特征在于，应用于业务大数据处理系统，所述方法至少包括：

确定携带第一业务推送目标个体的大数据画像知识图谱的第一基础业务大数据日志，并挖掘所述第一业务推送目标个体在所述第一基础业务大数据日志的多组日志清单中的局部互动事件特征集合；

将所述局部互动事件特征集合衍生为第二业务推送目标个体的全局互动事件特征集合，以及通过所述全局互动事件特征集合，创建包括第二业务推送目标个体的大数据画像知识图谱的目标业务大数据日志。

2.如权利要求1所述的应用人工智能技术的业务大数据处理方法，其特征在于，所述将所述局部互动事件特征集合衍生为第二业务推送目标个体的全局互动事件特征集合，包括：

通过所述局部互动事件特征集合，确定所述第一业务推送目标个体的大数据画像变换指标集合；

通过所述第一业务推送目标个体的大数据画像变换指标集合，确定所述第二业务推送目标个体的全局互动事件特征集合。

3.如权利要求2所述的应用人工智能技术的业务大数据处理方法，其特征在于，在确定所述第二业务推送目标个体的全局互动事件特征集合之前，还包括：确定携带第二业务推送目标个体的第二基础业务大数据日志；挖掘所述第二业务推送目标个体在所述第二基础业务大数据日志的多组日志清单中的局部互动事件特征集合；

所述通过所述第一业务推送目标个体的大数据画像变换指标集合，确定所述第二业务推送目标个体的全局互动事件特征集合，包括：通过所述第二业务推送目标个体的局部互动事件特征集合，确定所述第二业务推送目标个体的大数据画像变换指标集合；通过所述第一业务推送目标个体的大数据画像变换指标集合和所述第二业务推送目标个体的大数据画像变换指标集合，确定目标大数据画像变换指标集合；通过所述目标大数据画像变换指标集合确定所述第二业务推送目标个体的全局互动事件特征集合。

4.如权利要求2所述的应用人工智能技术的业务大数据处理方法，其特征在于，所述第一业务推送目标个体的大数据画像变换指标集合包括画像更新指标集合、目标个体状态指标集合和画像采集条件指标集合；

所述通过所述局部互动事件特征集合，确定所述第一业务推送目标个体的大数据画像变换指标集合，包括：通过所述第一基础业务大数据日志的多组日志清单中每一组日志清单对应的局部互动事件特征，分别确定所述第一业务推送目标个体的画像更新指标信息、目标个体状态指标信息和画像采集条件指标信息；通过所述第一基础业务大数据日志的多组日志清单中每一组日志清单对应的画像更新指标信息，确定所述画像更新指标集合；通过所述第一基础业务大数据日志的多组日志清单中每一组日志清单对应的目标个体状态指标信息，确定所述目标个体状态指标集合；通过所述第一基础业务大数据日志的多组日志清单中每一组日志清单对应的画像采集条件指标信息，确定所述画像采集条件指标集合。

5.如权利要求1所述的应用人工智能技术的业务大数据处理方法，其特征在于，所述通过所述全局互动事件特征集合，创建包括第二业务推送目标个体的大数据画像知识图谱的目标业务大数据日志，包括：

通过所述全局互动事件特征集合，创建所述第二业务推送目标个体的局部目标互动事件特征集合；

通过所述局部目标互动事件特征集合，创建包括第二业务推送目标个体的大数据画像知识图谱的目标业务大数据日志。

6.如权利要求1至5任一项所述的应用人工智能技术的业务大数据处理方法，其特征在于，所述将所述局部互动事件特征集合衍生为第二业务推送目标个体的全局互动事件特征集合，包括：调用大数据画像变换模型将所述局部互动事件特征集合衍生为第二业务推送目标个体的全局互动事件特征集合。

7.如权利要求6所述的应用人工智能技术的业务大数据处理方法，其特征在于，还包括改进所述大数据画像变换模型的步骤：

确定携带范例业务推送目标个体的大数据画像知识图谱的范例流式业务大数据日志；

挖掘所述范例业务推送目标个体在所述范例流式业务大数据日志的多组范例日志清单中的第一范例局部互动事件特征集合；

对第一范例局部互动事件特征集合进行事件特征维度调整处理，得到第二范例局部互动事件特征集合；

通过所述第一范例局部互动事件特征集合和所述第二范例局部互动事件特征集合，确定模型偏移表达；

通过所述模型偏移表达，改进所述大数据画像变换模型的模型变量。

8.如权利要求7所述的应用人工智能技术的业务大数据处理方法，其特征在于，所述通过所述第一范例局部互动事件特征集合和所述第二范例局部互动事件特征集合，确定模型偏移表达，包括：

通过所述第一范例局部互动事件特征集合，确定所述第一范例大数据画像变换指标集合；

通过所述第二范例局部互动事件特征集合，确定所述第二范例大数据画像变换指标集合；

通过所述第一范例大数据画像变换指标集合，确定测试型全局互动事件特征集合；

通过所述第一范例大数据画像变换指标集合、第二范例大数据画像变换指标集合和所述测试型全局互动事件特征集合，确定所述模型偏移表达。

9.如权利要求8所述的应用人工智能技术的业务大数据处理方法，其特征在于，所述模型偏移表达包括第一默认型模型偏移表达；所述第一范例大数据画像变换指标集合包括每组范例日志清单对应的第一范例画像更新指标信息、第一范例状态指标信息和第一范例采集条件指标信息；所述第二范例大数据画像变换指标集合包括每组范例日志清单对应的第二范例画像更新指标信息、第二范例状态指标信息和第二范例采集条件指标信息；

所述确定所述模型偏移表达，包括：

通过所述第二范例画像更新指标信息、第一范例状态指标信息和第一范例采集条件指标信息，确定所述第一范例局部互动事件特征集合中对应的所述第一范例局部互动事件特征对应的第一测试型互动事件特征；

通过所述第一范例画像更新指标信息、第二范例状态指标信息和第二范例采集条件指标信息，确定所述第二范例局部互动事件特征集合中对应的所述第二范例局部互动事件特征对应的第二测试型互动事件特征；

通过所述第一测试型互动事件特征、第二测试型互动事件特征、第一范例画像更新指标信息、第二范例画像更新指标信息、和所述测试型全局互动事件特征集合，确定所述第一默认型模型偏移表达；

其中，所述模型偏移表达还包括第二默认型模型偏移表达；所述确定所述模型偏移表达还包括：从所述第一范例局部互动事件特征集合中，确定所述范例业务推送目标个体在第一统计阶段的第一范例局部互动事件特征、所述范例业务推送目标个体在第二统计阶段的第一范例局部互动事件特征；从所述第二范例局部互动事件特征集合中，确定所述范例业务推送目标个体在第二统计阶段的第二范例局部互动事件特征、和所述范例业务推送目标个体在第一统计阶段的第二范例局部互动事件特征；通过所述范例业务推送目标个体在第一统计阶段的第一范例局部互动事件特征、所述范例业务推送目标个体在第二统计阶段的第一范例局部互动事件特征、所述范例业务推送目标个体在第二统计阶段的第二范例局部互动事件特征、所述范例业务推送目标个体在第一统计阶段的第二范例局部互动事件特征、和所述测试型全局互动事件特征集合，确定所述第二默认型模型偏移表达；

其中，所述模型偏移表达还包括第三默认型模型偏移表达；所述确定所述模型偏移表达还包括：通过所述范例业务推送目标个体在第一统计阶段的第一范例局部互动事件特征、所述范例业务推送目标个体在第二统计阶段的第一范例局部互动事件特征、第一范例采集条件指标信息、第二范例采集条件指标信息、和所述测试型全局互动事件特征集合，确定所述第三默认型模型偏移表达；

其中，所述模型偏移表达还包括第四默认型模型偏移表达；所述确定所述模型偏移表达还包括：通过所述第一范例局部互动事件特征集合和所述测试型全局互动事件特征集合，确定所述第四默认型模型偏移表达。

10.一种业务大数据处理系统，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，运行所述业务大数据处理系统执行如权利要求1-9任一项所述的方法。

Images