CN114840764A - 服务于用户兴趣分析的大数据挖掘方法及云端ai部署系统 - Google Patents

Abstract

本发明实施例提供一种服务于用户兴趣分析的大数据挖掘方法及云端AI部署系统，通过对候选用户线上行为活动大数据进行大数据挖掘，确定对应的候选用户针对候选用户线上行为活动大数据的用户兴趣预测热力图，基于用户兴趣预测热力图，确定候选用户的可信用户兴趣点序列以及可信用户兴趣点序列，分析候选用户流向可信用户兴趣点序列中各个可信用户兴趣点的用户需求信息，基于各个可信用户兴趣点的用户需求信息，在候选用户所关联的线上页面中引用对应的页面内容信息，从而在用户兴趣预测的基础上，同时结合可信用户兴趣点和流向可信用户兴趣点的用户需求信息进行页面内容推送，可以提高页面内容的针对性。

Description

服务于用户兴趣分析的大数据挖掘方法及云端AI部署系统

技术领域

本发明涉及大数据技术领域，具体而言，涉及一种服务于用户兴趣分析的大数据挖掘方法及云端AI部署系统。

背景技术

随着互联网和信息技术的迅速发展，电子商务、网上服务与交易等网络业务越来越普及，大量的信息聚集起来，形成了海量大数据。当前，通过大数据技术和AI分析技术，可以根据用户之前在相关线上业务服务平台的行为数据记录分析出用户兴趣点，然后根据不同用户兴趣点不同为其推荐不同的内容，此种信息获取方式被称为个性化推荐方式。

然而相关技术中，仅结合用户兴趣点进行页面内容推送，页面内容的针对性较差。

发明内容

为了至少克服现有技术中的上述不足，本发明的目的在于提供一种服务于用户兴趣分析的大数据挖掘方法及云端AI部署系统。

第一方面，本发明实施例提供一种服务于用户兴趣分析的大数据挖掘方法，应用于云端AI部署系统，所述方法包括：

对候选用户线上行为活动大数据进行大数据挖掘，确定对应的候选用户针对所述候选用户线上行为活动大数据的用户兴趣预测热力图；

基于所述用户兴趣预测热力图，确定所述候选用户的可信用户兴趣点序列；

分析所述候选用户流向所述可信用户兴趣点序列中各个可信用户兴趣点的用户需求信息；

基于所述各个可信用户兴趣点的用户需求信息，在所述候选用户所关联的线上页面中引用对应的页面内容信息。

在第一方面的一种可能的实施方式中，所述对候选用户线上行为活动大数据进行大数据挖掘，确定对应的候选用户针对所述候选用户线上行为活动大数据的用户兴趣预测热力图的步骤，包括：

获取标定用户兴趣分析模型和与候选用户线上行为活动大数据所对应的候选用户，基于所述候选用户和所述候选用户线上行为活动大数据生成模型加载源数据；所述标定用户兴趣分析模型包括基础用户兴趣分析子网络和扩展用户兴趣分析子网络；所述基础用户兴趣分析子网络和所述扩展用户兴趣分析子网络分别是依据多个用户兴趣维度进行AI训练得到的；

依据所述基础用户兴趣分析子网络对所述模型加载源数据进行行为偏好变量挖掘，确定用户偏好连通变量和所述多个用户兴趣维度分别对应的兴趣影响力连通变量，基于所述用户偏好连通变量和多个兴趣影响力连通变量，确定与所述多个用户兴趣维度所对应的基础用户兴趣点热力图；

将所述模型加载源数据分别加载至所述扩展用户兴趣分析子网络中的多个用户兴趣预测单元，基于各用户兴趣预测单元分别生成的用户兴趣预测数据，获得所述扩展用户兴趣分析子网络所生成的与所述多个用户兴趣维度所对应的扩展用户兴趣点热力图；

在所述标定用户兴趣分析模型中，对所述基础用户兴趣点热力图和所述扩展用户兴趣点热力图进行融合，确定所述候选用户针对所述候选用户线上行为活动大数据的用户兴趣预测热力图。

譬如，所述方法还包括：

获取目标训练兴趣分析模型和与先验用户所对应的先验用户线上行为活动数据，基于所述先验用户和所述先验用户线上行为活动数据确定先验模型加载源数据；所述目标训练兴趣分析模型包括第一目标训练兴趣分析子网络和第二目标训练兴趣分析子网络；

所述第一目标训练兴趣分析子网络和所述第二目标训练兴趣分析子网络分别是依据多个用户兴趣维度进行AI训练得到的；

依据所述第一目标训练兴趣分析子网络对所述先验模型加载源数据进行行为偏好变量挖掘，确定先验用户偏好连通变量和所述多个用户兴趣维度分别对应的先验兴趣影响力连通变量，基于所述先验用户偏好连通变量和多个先验兴趣影响力连通变量，确定与所述多个用户兴趣维度所对应的第一先验用户兴趣点热力图；

将所述先验模型加载源数据分别加载至所述第二目标训练兴趣分析子网络中的多个目标训练兴趣预测单元，基于各目标训练兴趣预测单元分别生成的先验用户兴趣预测数据，获得所述第二目标训练兴趣分析子网络所生成的与所述多个用户兴趣维度所对应的第二先验用户兴趣点热力图；

在所述目标训练兴趣分析模型中，对所述第一先验用户兴趣点热力图和所述第二先验用户兴趣点热力图进行融合，确定所述先验用户针对所述先验用户线上行为活动数据的先验用户兴趣预测热力图，依据所述第一先验用户兴趣点热力图、所述第二先验用户兴趣点热力图、所述先验用户针对所述先验用户线上行为活动数据的先验兴趣标注数据和所述先验用户兴趣预测热力图，对所述目标训练兴趣分析模型进行模型权重调优优化，将模型权重调优优化后的目标训练兴趣分析模型作为标定用户兴趣分析模型；所述标定用户兴趣分析模型用于预测候选用户针对候选用户线上行为活动大数据的用户兴趣预测热力图；

所述在所述目标训练兴趣分析模型中，对所述第一先验用户兴趣点热力图和所述第二先验用户兴趣点热力图进行融合，确定所述先验用户针对所述先验用户线上行为活动数据的先验用户兴趣预测热力图，依据所述第一先验用户兴趣点热力图、所述第二先验用户兴趣点热力图、所述先验用户针对所述先验用户线上行为活动数据的先验兴趣标注数据和所述先验用户兴趣预测热力图，对所述目标训练兴趣分析模型进行模型权重调优优化，将模型权重调优优化后的目标训练兴趣分析模型作为标定用户兴趣分析模型，包括：

在所述目标训练兴趣分析模型中，对所述第一先验用户兴趣点热力图和所述第二先验用户兴趣点热力图进行兴趣置信度均值转化，确定所述先验用户针对所述先验用户线上行为活动数据的先验用户兴趣预测热力图；

依据所述先验用户针对所述先验用户线上行为活动数据的先验兴趣标注数据和所述先验用户兴趣预测热力图，获得所述目标训练兴趣分析模型的第一训练代价值；

依据所述第一先验用户兴趣点热力图和所述先验用户针对所述先验用户线上行为活动数据的先验兴趣标注数据，获得所述第一目标训练兴趣分析子网络的第二训练代价值；

依据所述第二先验用户兴趣点热力图和所述先验用户针对所述先验用户线上行为活动数据的先验兴趣标注数据，获得所述第二目标训练兴趣分析子网络的第三训练代价值；

基于所述第一训练代价值、所述第二训练代价值和所述第三训练代价值，获得所述目标训练兴趣分析模型的全局训练代价值，基于所述全局训练代价值对所述目标训练兴趣分析模型进行模型权重调优优化，将模型权重调优优化后的目标训练兴趣分析模型作为标定用户兴趣分析模型；

所述目标训练兴趣分析模型还包括目标训练兴趣融合单元；

所述在所述目标训练兴趣分析模型中，对所述第一先验用户兴趣点热力图和所述第二先验用户兴趣点热力图进行融合，确定所述先验用户针对所述先验用户线上行为活动数据的先验用户兴趣预测热力图，依据所述第一先验用户兴趣点热力图、所述第二先验用户兴趣点热力图、所述先验用户针对所述先验用户线上行为活动数据的先验兴趣标注数据和所述先验用户兴趣预测热力图，对所述目标训练兴趣分析模型进行模型权重调优优化，将模型权重调优优化后的目标训练兴趣分析模型作为标定用户兴趣分析模型，包括：

依据所述第一先验用户兴趣点热力图和所述先验用户针对所述先验用户线上行为活动数据的先验兴趣标注数据，获得所述第一目标训练兴趣分析子网络的第二训练代价值，基于所述第二训练代价值对所述第一目标训练兴趣分析子网络进行模型权重调优优化，将模型权重调优优化后的第一目标训练兴趣分析子网络作为基础用户兴趣分析子网络；

依据所述第二先验用户兴趣点热力图和所述先验用户针对所述先验用户线上行为活动数据的先验兴趣标注数据，获得所述第二目标训练兴趣分析子网络的第三训练代价值，基于所述第三训练代价值对所述第二目标训练兴趣分析子网络进行模型权重调优优化，将模型权重调优优化后的第二目标训练兴趣分析子网络作为扩展用户兴趣分析子网络；

对所述第一先验用户兴趣点热力图和所述第二先验用户兴趣点热力图进行融合，确定先验融合兴趣点热力图；

将所述先验融合兴趣点热力图加载至所述目标训练兴趣融合单元，依据所述目标训练兴趣融合单元对所述先验融合兴趣点热力图中的所述第一先验用户兴趣点热力图和所述第二先验用户兴趣点热力图进行融合学习，确定所述先验用户针对所述先验用户线上行为活动数据的先验用户兴趣预测热力图；

依据所述先验用户针对所述先验用户线上行为活动数据的先验兴趣标注数据和所述先验用户兴趣预测热力图，对所述目标训练兴趣融合单元进行模型权重调优优化，将模型权重调优优化后的目标训练兴趣融合单元作为兴趣融合单元；

将模型权重调优优化后的目标训练兴趣分析模型作为标定用户兴趣分析模型；所述标定用户兴趣分析模型包括所述兴趣融合单元、所述基础用户兴趣分析子网络和所述扩展用户兴趣分析子网络。

第二方面，本发明实施例还提供一种服务于用户兴趣分析的大数据挖掘系统，所述服务于用户兴趣分析的大数据挖掘系统包括云端AI部署系统以及与所述云端AI部署系统通信连接的多个云端AI部署系统；

所述云端AI部署系统，用于：

对候选用户线上行为活动大数据进行大数据挖掘，确定对应的候选用户针对所述候选用户线上行为活动大数据的用户兴趣预测热力图；

基于所述用户兴趣预测热力图，确定所述候选用户的可信用户兴趣点序列；

分析所述候选用户流向所述可信用户兴趣点序列中各个可信用户兴趣点的用户需求信息；

基于所述各个可信用户兴趣点的用户需求信息，在所述候选用户所关联的线上页面中引用对应的页面内容信息。

采用以上任意一个方面的实施例方案，通过对候选用户线上行为活动大数据进行大数据挖掘，确定对应的候选用户针对候选用户线上行为活动大数据的用户兴趣预测热力图，基于用户兴趣预测热力图，确定候选用户的可信用户兴趣点序列以及可信用户兴趣点序列，分析候选用户流向可信用户兴趣点序列中各个可信用户兴趣点的用户需求信息，基于各个可信用户兴趣点的用户需求信息，在候选用户所关联的线上页面中引用对应的页面内容信息，从而在用户兴趣预测的基础上，同时结合可信用户兴趣点和流向可信用户兴趣点的用户需求信息进行页面内容推送，可以提高页面内容的针对性。

附图说明

图1为本发明实施例提供的服务于用户兴趣分析的大数据挖掘方法的流程示意图。

具体实施方式

下面介绍本发明一种实施例提供的服务于用户兴趣分析的大数据挖掘系统10的架构，该服务于用户兴趣分析的大数据挖掘系统10可以包括云端AI部署系统100以及与云端AI部署系统100通信连接的云端AI部署系统200。其中，服务于用户兴趣分析的大数据挖掘系统10中的云端AI部署系统100和云端AI部署系统200可以通过配合执行以下方法实施例所描述的服务于用户兴趣分析的大数据挖掘方法，具体云端AI部署系统100和云端AI部署系统200的执行步骤部分可以参照以下方法实施例的详细描述。

本实施例提供的服务于用户兴趣分析的大数据挖掘方法可以由云端AI部署系统100执行，下面结合图1对该服务于用户兴趣分析的大数据挖掘方法进行详细介绍。

Process100，对候选用户线上行为活动大数据进行大数据挖掘，确定对应的候选用户针对所述候选用户线上行为活动大数据的用户兴趣预测热力图。

本实施例中，用户兴趣预测热力图可以用于表示该候选用户针对所述候选用户线上行为活动大数据中的各个目标兴趣点的兴趣置信度。

Process200，基于所述用户兴趣预测热力图，确定所述候选用户的可信用户兴趣点序列。

本实施例中，可信用户兴趣点序列可以用于表示兴趣置信度大于预设置信度的用户兴趣点序列。

Process300，分析所述候选用户流向所述可信用户兴趣点序列中各个可信用户兴趣点的用户需求信息。

例如，可以从所述候选用户线上行为活动大数据中确定所述候选用户流向所述可信用户兴趣点序列中各个可信用户兴趣点的流向路径信息（例如可包括该候选用户访问可信用户兴趣点过程中的各个触发需求信息，如搜索短语信息构成的路径），并从所述流向路径信息中获取持续时间大于预设时间的触发需求信息，确定为所述候选用户流向各个可信用户兴趣点的用户需求信息。

Process400，基于所述各个可信用户兴趣点的用户需求信息，在所述候选用户所关联的线上页面中引用对应的页面内容信息。

在获取到各个可信用户兴趣点的用户需求信息后，可以搜索各个可信用户兴趣点所相关的初始页面内容信息，然后基于各个可信用户兴趣点的用户需求信息从初始页面内容信息中进一步筛选出页面内容信息以在所述候选用户所关联的线上页面中引用。

基于以上步骤，通过对候选用户线上行为活动大数据进行大数据挖掘，确定对应的候选用户针对候选用户线上行为活动大数据的用户兴趣预测热力图，基于用户兴趣预测热力图，确定候选用户的可信用户兴趣点序列以及可信用户兴趣点序列，分析候选用户流向可信用户兴趣点序列中各个可信用户兴趣点的用户需求信息，基于各个可信用户兴趣点的用户需求信息，在候选用户所关联的线上页面中引用对应的页面内容信息，从而在用户兴趣预测的基础上，同时结合可信用户兴趣点和流向可信用户兴趣点的用户需求信息进行页面内容推送，可以提高页面内容的针对性。

其中，前述的Process100的一种示例性的实施例可以参见下述方案。

Process101，获取标定用户兴趣分析模型和与候选用户线上行为活动大数据所对应的候选用户，基于候选用户和候选用户线上行为活动大数据生成模型加载源数据。

例如，云端AI部署系统可以获取标定用户兴趣分析模型。其中，标定用户兴趣分析模型包括基础用户兴趣分析子网络和扩展用户兴趣分析子网络。基础用户兴趣分析子网络和扩展用户兴趣分析子网络分别是依据多个用户兴趣维度进行AI训练得到的。一些实施例中，云端AI部署系统可以获取与候选用户线上行为活动大数据所对应的候选用户，将候选用户的用户标签、候选用户线上行为活动大数据的数据标签和与候选用户所对应的用户线上行为活动数据集作为标定用户兴趣分析模型的模型加载源数据。

其中，用户标签可以用于表示候选用户，数据标签可以用于表示用户线上行为活动数据。其中，用户标签可以包括但不限于候选用户的用户ID、注册信息（例如，年龄、性别）和用户画像；数据标签可以包括但不限于用户线上行为活动数据的数据类别（即数据统计类别）、用户线上行为活动ID等

其中，用户线上行为活动数据集包括用户主动线上行为活动数据集和用户被动线上行为活动数据集。其中，用户主动线上行为活动数据集包括候选用户在预设阶段内具有主动活动的用户线上行为活动数据，用户被动线上行为活动数据集包括候选用户在预设阶段内具有被动活动的用户线上行为活动数据。其中，被动活动可以包括低跨度被动活动和高跨度被动活动，预设阶段可以为任意时间段，例如，一个月。例如，用户被动线上行为活动数据集可以包括低跨度用户被动线上行为活动数据集和高跨度用户被动线上行为活动数据集，低跨度用户被动线上行为活动数据集可以包括候选用户具有低跨度被动活动的用户线上行为活动数据，高跨度用户被动线上行为活动数据集可以包括候选用户具有高跨度被动活动的用户线上行为活动数据。

Process102，依据基础用户兴趣分析子网络对模型加载源数据进行行为偏好变量挖掘，确定用户偏好连通变量和多个用户兴趣维度分别对应的兴趣影响力连通变量，基于用户偏好连通变量和多个兴趣影响力连通变量，确定与多个用户兴趣维度所对应的基础用户兴趣点热力图；

例如，云端AI部署系统可以将模型加载源数据加载至基础用户兴趣分析子网络。其中，基础用户兴趣分析子网络包括第一变量加载单元、多个用户偏好分析单元和多个用户兴趣维度各自对应的偏好影响力分析单元。一些实施例中，云端AI部署系统可以依据第一变量加载单元对模型加载源数据进行特征嵌入聚合，确定第一变量加载单元所生成的候选用户针对候选用户线上行为活动大数据的第一用户偏好成员变量。一些实施例中，云端AI部署系统可以将第一用户偏好成员变量分别加载至多个用户偏好分析单元，依据多个用户偏好分析单元分别对第一用户偏好成员变量进行连通结点分析，确定各用户偏好分析单元分别生成的用户偏好连通变量。其中，用户偏好分析单元可以为兴趣预测单元。一些实施例中，云端AI部署系统可以将第一用户偏好成员变量分别加载至多个偏好影响力分析单元，依据多个偏好影响力分析单元分别对第一用户偏好成员变量进行偏好影响力分析，确定各偏好影响力分析单元分别生成的兴趣影响力连通变量。一些实施例中，云端AI部署系统可以基于多个用户偏好连通变量和多个兴趣影响力连通变量，确定与多个用户兴趣维度所对应的基础用户兴趣点热力图。

其中，用户偏好分析单元可以为兴趣预测单元，用户偏好分析单元可以对第一用户偏好成员变量进行兴趣预测，本申请实施例不对扩展用户兴趣分析子网络中的用户偏好分析单元的数量进行限定。例如，用户偏好分析单元还可以为其他任意模型，本申请对此不进行限定。

一方面，偏好影响力分析单元是轻量级的，而且用户偏好分析单元是所有用户兴趣维度共用，所以在计算量和参数量上具有优势；另一方面，各用户兴趣维度的偏好影响力分析单元依据最终输出权重不同实现对用户偏好分析单元的选择性利用。不同用户兴趣维度的偏好影响力分析单元可以学习到不同的组合用户偏好分析单元的模式，因此，基础用户兴趣分析子网络考虑到了捕捉到用户兴趣维度的相关性和区别。

其中，在多个用户兴趣维度包括主动用户兴趣维度和被动用户兴趣维度时，云端AI部署系统可以依据基础用户兴趣分析子网络生成与主动用户兴趣维度所对应的第一主动兴趣支撑度和与被动用户兴趣维度所对应的第一被动兴趣支撑度。例如，在多个用户兴趣维度包括主动用户兴趣维度、低跨度被动用户兴趣维度和高跨度被动用户兴趣维度时，云端AI部署系统可以依据基础用户兴趣分析子网络生成与主动用户兴趣维度所对应的第一主动兴趣支撑度、与低跨度被动用户兴趣维度所对应的第一低跨度被动兴趣支撑度和与高跨度被动用户兴趣维度所对应的第一高跨度被动兴趣支撑度。

Process103，将模型加载源数据分别加载至扩展用户兴趣分析子网络中的多个用户兴趣预测单元，基于各用户兴趣预测单元分别生成的用户兴趣预测数据，获得扩展用户兴趣分析子网络所生成的与多个用户兴趣维度所对应的扩展用户兴趣点热力图；

同理，云端AI部署系统可以将模型加载源数据分别加载至扩展用户兴趣分析子网络中的多个用户兴趣预测单元，依据扩展用户兴趣分析子网络中的多个用户兴趣预测单元分别对模型加载源数据进行特征嵌入聚合，基于特征嵌入聚合所得到的特征，生成各用户兴趣预测单元分别生成的用户兴趣预测数据，进而基于各用户兴趣预测单元分别生成的用户兴趣预测数据，生成与多个用户兴趣维度所对应的扩展用户兴趣点热力图。

其中，在多个用户兴趣维度包括主动用户兴趣维度和被动用户兴趣维度时，云端AI部署系统可以依据扩展用户兴趣分析子网络生成与主动用户兴趣维度所对应的第二主动兴趣支撑度和与被动用户兴趣维度所对应的第二被动兴趣支撑度。例如，在多个用户兴趣维度包括主动用户兴趣维度、低跨度被动用户兴趣维度和高跨度被动用户兴趣维度时，云端AI部署系统可以依据扩展用户兴趣分析子网络生成与主动用户兴趣维度所对应的第三主动兴趣支撑度、与低跨度被动用户兴趣维度所对应的第二低跨度被动兴趣支撑度、与低跨度被动用户兴趣维度所对应的第三低跨度被动兴趣支撑度和与高跨度被动用户兴趣维度所对应的第二高跨度被动兴趣支撑度。

Process104，在标定用户兴趣分析模型中，对基础用户兴趣点热力图和扩展用户兴趣点热力图进行融合，确定候选用户针对候选用户线上行为活动大数据的用户兴趣预测热力图。

其中，在多个用户兴趣维度包括主动用户兴趣维度和被动用户兴趣维度时，云端AI部署系统可以在标定用户兴趣分析模型中，对第一主动兴趣支撑度和第二主动兴趣支撑度进行兴趣置信度均值转化，确定候选用户针对候选用户线上行为活动大数据的主动用户兴趣预测热力图。一些实施例中，云端AI部署系统可以对第一被动兴趣支撑度和第二被动兴趣支撑度进行兴趣置信度均值转化，确定候选用户针对候选用户线上行为活动大数据的被动用户兴趣预测热力图。其中，用户兴趣预测热力图包括主动用户兴趣预测热力图和被动用户兴趣预测热力图；换言之，主动用户兴趣预测热力图和被动用户兴趣预测热力图可以统称为用户兴趣预测热力图。

例如，在多个用户兴趣维度包括主动用户兴趣维度、低跨度被动用户兴趣维度和高跨度被动用户兴趣维度时，云端AI部署系统可以在标定用户兴趣分析模型中，对第一主动兴趣支撑度和第三主动兴趣支撑度进行兴趣置信度均值转化，确定候选用户针对候选用户线上行为活动大数据的主动用户兴趣预测热力图。一些实施例中，云端AI部署系统可以对第一低跨度被动兴趣支撑度、第二低跨度被动兴趣支撑度和第三低跨度被动兴趣支撑度进行兴趣置信度均值转化，确定候选用户针对候选用户线上行为活动大数据的低跨度被动用户兴趣预测热力图。一些实施例中，云端AI部署系统可以对第一高跨度被动兴趣支撑度和第二高跨度被动兴趣支撑度进行兴趣置信度均值转化，确定候选用户针对候选用户线上行为活动大数据的高跨度被动用户兴趣预测热力图。其中，用户兴趣预测热力图包括主动用户兴趣预测热力图、低跨度被动用户兴趣预测热力图和高跨度被动用户兴趣预测热力图；换言之，主动用户兴趣预测热力图、低跨度被动用户兴趣预测热力图和高跨度被动用户兴趣预测热力图可以统称为用户兴趣预测热力图。

例如，标定用户兴趣分析模型还包括兴趣融合单元。基础用户兴趣分析子网络的数量为多个，多个基础用户兴趣分析子网络用于输出多个基础用户兴趣点热力图；扩展用户兴趣分析子网络的数量为多个，多个扩展用户兴趣分析子网络用于输出多个扩展用户兴趣点热力图。这样，云端AI部署系统可以在标定用户兴趣分析模型中，对多个基础用户兴趣点热力图进行兴趣置信度均值转化，确定多个基础用户兴趣分析子网络对应的第一用户平均兴趣点热力图。一些实施例中，云端AI部署系统可以对多个扩展用户兴趣点热力图进行兴趣置信度均值转化，确定多个扩展用户兴趣分析子网络对应的第二用户平均兴趣点热力图。一些实施例中，云端AI部署系统可以对第一用户平均兴趣点热力图和第二用户平均兴趣点热力图进行融合，确定融合兴趣点热力图。一些实施例中，云端AI部署系统可以将融合兴趣点热力图加载至兴趣融合单元，依据兴趣融合单元对融合兴趣点热力图中的第一用户平均兴趣点热力图和第二用户平均兴趣点热力图进行融合学习，确定候选用户针对候选用户线上行为活动大数据的用户兴趣预测热力图。

其中，在多个用户兴趣维度包括主动用户兴趣维度和被动用户兴趣维度时，云端AI部署系统可以在标定用户兴趣分析模型中，对多个第一主动兴趣支撑度进行兴趣置信度均值转化，确定多个基础用户兴趣分析子网络对应的第一主动用户兴趣点平均热力图。一些实施例中，云端AI部署系统可以对多个第二主动兴趣支撑度进行兴趣置信度均值转化，确定多个扩展用户兴趣分析子网络对应的第二主动用户兴趣点平均热力图。一些实施例中，云端AI部署系统可以对第一主动用户兴趣点平均热力图和第二主动用户兴趣点平均热力图进行融合，确定融合主动用户兴趣点热力图。一些实施例中，云端AI部署系统可以将融合主动用户兴趣点热力图加载至兴趣融合单元，依据兴趣融合单元对融合主动用户兴趣点热力图中的第一主动用户兴趣点平均热力图和第二主动用户兴趣点平均热力图进行融合学习，确定候选用户针对候选用户线上行为活动大数据的主动用户兴趣预测热力图。其中，云端AI部署系统在多个用户兴趣维度包括主动用户兴趣维度和被动用户兴趣维度时，对第一被动兴趣支撑度和第二被动兴趣支撑度进行融合的实施方式，可以参见对第一主动兴趣支撑度和第二主动兴趣支撑度进行融合的描述，此处不再赘述。

例如，在多个用户兴趣维度包括主动用户兴趣维度、低跨度被动用户兴趣维度和高跨度被动用户兴趣维度时，云端AI部署系统对第一主动兴趣支撑度和第三主动兴趣支撑度进行融合的实施方式，对第一低跨度被动兴趣支撑度、第二低跨度被动兴趣支撑度和第三低跨度被动兴趣支撑度进行融合的实施方式，以及对第一高跨度被动兴趣支撑度和第二高跨度被动兴趣支撑度进行融合的实施方式，可以参见在多个用户兴趣维度包括主动用户兴趣维度和被动用户兴趣维度时，对第一主动兴趣支撑度和第三主动兴趣支撑度进行融合的描述，此处不再赘述。

其中，云端AI部署系统可以对基础用户兴趣分析子网络所生成的基础用户兴趣点热力图和扩展用户兴趣分析子网络所生成的扩展用户兴趣点热力图进行融合，集成基础用户兴趣分析子网络和扩展用户兴趣分析子网络的优势，提高多任务建模的准确性和鲁棒性，从而提高预测用户兴趣预测热力图的准确度。

其中，因为两个用户兴趣维度所对应的基础用户兴趣分析子网络和三个用户兴趣维度所对应的基础用户兴趣分析子网络是不同的，所以两个用户兴趣维度中的主动用户兴趣维度所对应的第一主动兴趣支撑度和三个用户兴趣维度中的主动用户兴趣维度所对应的第一主动兴趣支撑度是不同的。其中，两个用户兴趣维度中的主动用户兴趣维度所对应的主动用户兴趣预测热力图和三个用户兴趣维度中的主动用户兴趣维度所对应的主动用户兴趣预测热力图是不同的。换言之，本申请实施例还可以将三个用户兴趣维度中的主动用户兴趣维度所对应的第一主动兴趣支撑度称之为第四主动兴趣支撑度。

其中，云端AI部署系统可以获取基础用户兴趣分析子网络的基础用户兴趣点热力图和扩展用户兴趣分析子网络的扩展用户兴趣点热力图，进而对基础用户兴趣分析子网络和扩展用户兴趣分析子网络进行模型集成，即对基础用户兴趣分析子网络的基础用户兴趣点热力图和扩展用户兴趣分析子网络的扩展用户兴趣点热力图进行融合。

由此可见，本申请实施例可以对候选用户线上行为活动大数据所对应的线上场景进行拆分以确定多个用户兴趣维度，并依据多个用户兴趣维度分别进行基础用户兴趣分析子网络和扩展用户兴趣分析子网络的多网络训练，综合利用基础用户兴趣分析子网络适应于多个用户兴趣维度之间相关性要求小、以及扩展用户兴趣分析子网络适应于多个用户兴趣维度之间相关性要求大的特性，提高预测用户兴趣预测热力图的准确度。

一些实施例中，另一个实施例还可以包括以下Process1211-Process1217，且Process1211-Process1217为前述Process102的一个具体实施例。

Process1211，将模型加载源数据加载至基础用户兴趣分析子网络；

其中，基础用户兴趣分析子网络包括第一变量加载单元、多个用户偏好分析单元和多个用户兴趣维度各自对应的偏好影响力分析单元。

Process1212，依据第一变量加载单元对模型加载源数据进行特征嵌入聚合，确定第一变量加载单元所生成的候选用户针对候选用户线上行为活动大数据的第一用户偏好成员变量；

其中，云端AI部署系统依据第一变量加载单元对模型加载源数据进行特征嵌入聚合的实施方式，可以参见前述对Process102的描述，此处不再赘述。

Process1213，将第一用户偏好成员变量分别加载至多个用户偏好分析单元，依据多个用户偏好分析单元分别对第一用户偏好成员变量进行连通结点分析，确定各用户偏好分析单元分别生成的用户偏好连通变量；

其中，多个用户兴趣维度包括主动用户兴趣维度和被动用户兴趣维度；多个偏好影响力分析单元包括主动用户兴趣维度所指示的主动偏好影响力分析单元和被动用户兴趣维度所指示的被动偏好影响力分析单元；多个兴趣影响力连通变量包括主动兴趣影响力连通变量和被动兴趣影响力连通变量。

Process1214，将第一用户偏好成员变量加载至主动偏好影响力分析单元，依据主动偏好影响力分析单元对第一用户偏好成员变量进行偏好影响力分析，确定主动偏好影响力分析单元生成的主动兴趣影响力连通变量；

Process1215，将第一用户偏好成员变量加载至被动偏好影响力分析单元，依据被动偏好影响力分析单元对第一用户偏好成员变量进行偏好影响力分析，确定被动偏好影响力分析单元生成的被动兴趣影响力连通变量；

其中，主动兴趣影响力连通变量包括与各用户偏好分析单元分别对应的主动兴趣影响力连通系数；被动兴趣影响力连通变量包括与各用户偏好分析单元分别对应的被动兴趣影响力连通系数；基础用户兴趣分析子网络还包括第一主动兴趣预测单元和第一被动兴趣预测单元；基础用户兴趣点热力图包括第一主动兴趣支撑度和第一被动兴趣支撑度。

Process1216，基于与各用户偏好分析单元分别对应的主动兴趣影响力连通系数，对各用户偏好分析单元分别生成的用户偏好连通变量进行兴趣影响力连通处理，确定目标主动偏好特征，将目标主动偏好特征加载至第一主动兴趣预测单元，依据第一主动兴趣预测单元对目标主动偏好特征进行兴趣预测，确定第一主动兴趣预测变量，基于第一主动兴趣预测变量，获得与主动用户兴趣维度所对应的第一主动兴趣支撑度；

其中，云端AI部署系统可以将与各用户偏好分析单元分别对应的主动兴趣影响力连通系数和各用户偏好分析单元分别生成的用户偏好连通变量的乘积，作为各用户偏好分析单元分别对应的主动权重融合特征，进而对各用户偏好分析单元分别对应的主动权重融合特征进行累加处理，确定目标主动偏好特征。

其中，第一主动兴趣预测变量是由第一主动兴趣预测变量值和第二主动兴趣预测变量值所构成的，第一主动兴趣预测变量值可以表示候选用户线上行为活动大数据具有主动活动的兴趣预测值，第二主动兴趣预测变量值可以表示候选用户线上行为活动大数据不具有主动活动的兴趣预测值。因此，云端AI部署系统可以将第一主动兴趣预测变量值作为候选用户针对候选用户线上行为活动大数据的第一主动兴趣支撑度。

Process1217，基于与各用户偏好分析单元分别对应的被动兴趣影响力连通系数，对各用户偏好分析单元分别生成的用户偏好连通变量进行兴趣影响力连通处理，确定目标被动偏好特征，将目标被动偏好特征加载至第一被动兴趣预测单元，依据第一被动兴趣预测单元对目标被动偏好特征进行兴趣预测，确定第一被动兴趣预测变量，基于第一被动兴趣预测变量，获得与被动用户兴趣维度所对应的第一被动兴趣支撑度。

其中，云端AI部署系统可以将与各用户偏好分析单元分别对应的被动兴趣影响力连通系数和各用户偏好分析单元分别生成的用户偏好连通变量的乘积，作为各用户偏好分析单元分别对应的被动权重融合特征，进而对各用户偏好分析单元分别对应的被动权重融合特征进行累加处理，确定目标被动偏好特征。

其中，第一被动兴趣预测变量是由第一被动兴趣预测变量值和第二被动兴趣预测变量值所构成的，第一被动兴趣预测变量值可以表示候选用户线上行为活动大数据具有被动活动的兴趣预测值，第二被动兴趣预测变量值可以表示候选用户线上行为活动大数据不具有被动活动的兴趣预测值。因此，云端AI部署系统可以将第一被动兴趣预测变量值作为候选用户针对候选用户线上行为活动大数据的第一被动兴趣支撑度。

Process1211-Process1217的实施方式例如可以是：第一用户偏好成员变量可以为依据基础用户兴趣分析子网络中的第一变量加载单元所生成的特征，基础用户兴趣分析子网络中可以包括多个用户偏好分析单元，为便于理解，这里以用户偏好分析单元的数量为N个为例进行说明，N个用户偏好分析单元具体可以包括：用户偏好分析单元U1、用户偏好分析单元U2、…、用户偏好分析单元UN，这里的N可以为正整数。

云端AI部署系统可以将第一用户偏好成员变量分别加载至用户偏好分析单元U1、用户偏好分析单元U2、…、用户偏好分析单元UN，确定用户偏好分析单元U1、用户偏好分析单元U2、…、用户偏好分析单元UN分别生成的用户偏好连通变量；云端AI部署系统可以将第一用户偏好成员变量分别加载至主动偏好影响力分析单元和被动偏好影响力分析单元，确定主动偏好影响力分析单元生成的主动兴趣影响力连通变量和被动偏好影响力分析单元生成的被动兴趣影响力连通变量。

云端AI部署系统可以基于主动兴趣影响力连通变量中的主动兴趣影响力连通系数，对用户偏好分析单元U1、用户偏好分析单元U2、…、用户偏好分析单元UN分别生成的用户偏好连通变量进行兴趣影响力连通处理，确定主动兴趣影响力连通系数所对应的目标主动偏好特征；云端AI部署系统可以基于被动兴趣影响力连通变量中的被动兴趣影响力连通系数，对用户偏好分析单元U1、用户偏好分析单元U2、…、用户偏好分析单元UN分别生成的用户偏好连通变量进行兴趣影响力连通处理，确定被动兴趣影响力连通系数所对应的目标被动偏好特征。一些实施例中，云端AI部署系统可以基于第一主动兴趣预测单元获取目标主动偏好特征对应的第一主动兴趣预测变量，基于第一主动兴趣预测变量确定第一主动兴趣支撑度；云端AI部署系统可以基于第一被动兴趣预测单元获取目标被动偏好特征对应的第一被动兴趣预测变量，基于第一被动兴趣预测变量确定第一被动兴趣支撑度。其中，第一主动兴趣支撑度和第一被动兴趣支撑度可以统称为基础用户兴趣点热力图。

其中，第一主动兴趣支撑度可以表示基础用户兴趣分析子网络所生成的候选用户线上行为活动大数据具有候选用户所执行的主动活动的兴趣预测值，第一被动兴趣支撑度可以表示基础用户兴趣分析子网络所生成的候选用户线上行为活动大数据具有候选用户所执行的被动活动的兴趣预测值。

基于以上步骤，本实施例可以在多个用户兴趣维度为主动用户兴趣维度和被动用户兴趣维度时，依据基础用户兴趣分析子网络输出与主动用户兴趣维度所对应的主动兴趣影响力连通变量、与被动用户兴趣维度所对应的被动兴趣影响力连通变量、以及多个用户偏好连通变量，进而基于主动兴趣影响力连通变量和多个用户偏好连通变量生成候选用户针对候选用户线上行为活动大数据的第一主动兴趣支撑度，基于被动兴趣影响力连通变量和多个用户偏好连通变量生成候选用户针对候选用户线上行为活动大数据的第一被动兴趣支撑度，从而提高预测第一主动兴趣支撑度和第一被动兴趣支撑度的准确度。

一些实施例中，另一种实施例可以包括以下Process1221-Process1229，且Process1221-Process1229为前述Process102的一个具体实施例。

Process1221，将模型加载源数据加载至基础用户兴趣分析子网络；

其中，基础用户兴趣分析子网络包括第一变量加载单元、多个用户偏好分析单元和多个用户兴趣维度各自对应的偏好影响力分析单元。

Process1222，依据第一变量加载单元对模型加载源数据进行特征嵌入聚合，确定第一变量加载单元所生成的候选用户针对候选用户线上行为活动大数据的第一用户偏好成员变量；

其中，云端AI部署系统依据第一变量加载单元对模型加载源数据进行特征嵌入聚合的实施方式，可以参见前述对Process102的描述，此处不再赘述。

Process1223，将第一用户偏好成员变量分别加载至多个用户偏好分析单元，依据多个用户偏好分析单元分别对第一用户偏好成员变量进行连通结点分析，确定各用户偏好分析单元分别生成的用户偏好连通变量；

Process1224，将第一用户偏好成员变量加载至主动偏好影响力分析单元，依据主动偏好影响力分析单元对第一用户偏好成员变量进行偏好影响力分析，确定主动偏好影响力分析单元生成的主动兴趣影响力连通变量；

其中，被动偏好影响力分析单元包括低跨度被动偏好影响力分析单元和高跨度被动偏好影响力分析单元；被动兴趣影响力连通变量包括低跨度被动兴趣影响力连通变量和高跨度被动兴趣影响力连通变量。

Process1225，将第一用户偏好成员变量加载至低跨度被动偏好影响力分析单元，依据低跨度被动偏好影响力分析单元对第一用户偏好成员变量进行偏好影响力分析，确定低跨度被动偏好影响力分析单元生成的低跨度被动兴趣影响力连通变量；

Process1226，将第一用户偏好成员变量加载至高跨度被动偏好影响力分析单元，依据高跨度被动偏好影响力分析单元对第一用户偏好成员变量进行偏好影响力分析，确定高跨度被动偏好影响力分析单元生成的高跨度被动兴趣影响力连通变量；

Process1227，基于与各用户偏好分析单元分别对应的主动兴趣影响力连通系数，对各用户偏好分析单元分别生成的用户偏好连通变量进行兴趣影响力连通处理，确定目标主动偏好特征，将目标主动偏好特征加载至第一主动兴趣预测单元，依据第一主动兴趣预测单元对目标主动偏好特征进行兴趣预测，确定第一主动兴趣预测变量，基于第一主动兴趣预测变量，获得与主动用户兴趣维度所对应的第一主动兴趣支撑度；

其中，云端AI部署系统可以将与各用户偏好分析单元分别对应的主动兴趣影响力连通系数和各用户偏好分析单元分别生成的用户偏好连通变量的乘积，作为各用户偏好分析单元分别对应的主动权重融合特征，进而对各用户偏好分析单元分别对应的主动权重融合特征进行累加处理，确定目标主动偏好特征。

其中，第一主动兴趣预测变量是由第一主动兴趣预测变量值和第二主动兴趣预测变量值所构成的，第一主动兴趣预测变量值可以表示候选用户线上行为活动大数据具有主动活动的兴趣预测值，第二主动兴趣预测变量值可以表示候选用户线上行为活动大数据不具有主动活动的兴趣预测值。因此，云端AI部署系统可以将第一主动兴趣预测变量值作为候选用户针对候选用户线上行为活动大数据的第一主动兴趣支撑度。

其中，低跨度被动兴趣影响力连通变量包括与各用户偏好分析单元分别对应的低跨度被动兴趣影响力连通系数；高跨度被动兴趣影响力连通变量包括与各用户偏好分析单元分别对应的高跨度被动兴趣影响力连通系数；目标被动偏好特征包括目标低跨度被动偏好特征和目标高跨度被动偏好特征；第一被动兴趣预测单元包括第一低跨度被动兴趣预测单元和高跨度被动兴趣预测单元（即第一高跨度被动兴趣预测单元）；第一被动兴趣预测变量包括第一低跨度被动兴趣预测变量和高跨度被动兴趣预测变量（即第一高跨度被动兴趣预测变量）；第一被动兴趣支撑度包括第一低跨度被动兴趣支撑度和第一高跨度被动兴趣支撑度；被动用户兴趣维度包括低跨度被动用户兴趣维度和高跨度被动用户兴趣维度。

Process1228，基于与各用户偏好分析单元分别对应的低跨度被动兴趣影响力连通系数，对各用户偏好分析单元分别生成的用户偏好连通变量进行兴趣影响力连通处理，确定目标低跨度被动偏好特征，将目标低跨度被动偏好特征加载至第一低跨度被动兴趣预测单元，依据第一低跨度被动兴趣预测单元对目标低跨度被动偏好特征进行兴趣预测，确定第一低跨度被动兴趣预测变量，基于第一低跨度被动兴趣预测变量，获得与低跨度被动用户兴趣维度所对应的第一低跨度被动兴趣支撑度；

其中，云端AI部署系统可以将与各用户偏好分析单元分别对应的低跨度被动兴趣影响力连通系数和各用户偏好分析单元分别生成的用户偏好连通变量的乘积，作为各用户偏好分析单元分别对应的低跨度被动权重融合特征，进而对各用户偏好分析单元分别对应的低跨度被动权重融合特征进行累加处理，确定目标低跨度被动偏好特征。

其中，第一低跨度被动兴趣预测变量是由第一低跨度被动兴趣预测变量值和第二低跨度被动兴趣预测变量值所构成的，第一低跨度被动兴趣预测变量值可以表示候选用户线上行为活动大数据具有低跨度被动活动的兴趣预测值，第二低跨度被动兴趣预测变量值可以表示候选用户线上行为活动大数据不具有低跨度被动活动的兴趣预测值。因此，云端AI部署系统可以将第一低跨度被动兴趣预测变量值作为候选用户针对候选用户线上行为活动大数据的第一低跨度被动兴趣支撑度。

Process1229，基于与各用户偏好分析单元分别对应的高跨度被动兴趣影响力连通系数，对各用户偏好分析单元分别生成的用户偏好连通变量进行兴趣影响力连通处理，确定目标高跨度被动偏好特征，将目标高跨度被动偏好特征加载至高跨度被动兴趣预测单元（即第一高跨度被动兴趣预测单元），依据高跨度被动兴趣预测单元（即第一高跨度被动兴趣预测单元）对目标高跨度被动偏好特征进行兴趣预测，确定高跨度被动兴趣预测变量（即第一高跨度被动兴趣预测变量），基于高跨度被动兴趣预测变量（即第一高跨度被动兴趣预测变量），获得与高跨度被动用户兴趣维度所对应的第一高跨度被动兴趣支撑度。

其中，云端AI部署系统可以将与各用户偏好分析单元分别对应的高跨度被动兴趣影响力连通系数和各用户偏好分析单元分别生成的用户偏好连通变量的乘积，作为各用户偏好分析单元分别对应的高跨度被动权重融合特征，进而对各用户偏好分析单元分别对应的高跨度被动权重融合特征进行累加处理，确定目标高跨度被动偏好特征。

其中，第一高跨度被动兴趣预测变量是由第一高跨度被动兴趣预测变量值和第二高跨度被动兴趣预测变量值所构成的，第一高跨度被动兴趣预测变量值可以表示候选用户线上行为活动大数据具有高跨度被动活动的兴趣预测值，第二高跨度被动兴趣预测变量值可以表示候选用户线上行为活动大数据不具有高跨度被动活动的兴趣预测值。因此，云端AI部署系统可以将第一高跨度被动兴趣预测变量值作为候选用户针对候选用户线上行为活动大数据的第一高跨度被动兴趣支撑度。

其中，第一主动兴趣预测单元、第一低跨度被动兴趣预测单元和第一高跨度被动兴趣预测单元可以为多层感知机。

云端AI部署系统可以将第一主动兴趣支撑度、第一低跨度被动兴趣支撑度和第一高跨度被动兴趣支撑度统称为基础用户兴趣点热力图。

其中，第一主动兴趣支撑度可以表示基础用户兴趣分析子网络所生成的候选用户线上行为活动大数据具有候选用户所执行的主动活动的兴趣预测值，第一低跨度被动兴趣支撑度可以表示基础用户兴趣分析子网络所生成的候选用户线上行为活动大数据具有候选用户所执行的低跨度被动活动的兴趣预测值，第一高跨度被动兴趣支撑度可以表示基础用户兴趣分析子网络所生成的候选用户线上行为活动大数据具有候选用户所执行的高跨度被动活动的兴趣预测值。

由此可见，本申请实施例可以在多个用户兴趣维度为主动用户兴趣维度、低跨度被动用户兴趣维度和高跨度被动用户兴趣维度时，依据基础用户兴趣分析子网络输出与主动用户兴趣维度所对应的主动兴趣影响力连通变量、与低跨度被动用户兴趣维度所对应的低跨度被动兴趣影响力连通变量、与高跨度被动用户兴趣维度所对应的高跨度被动兴趣影响力连通变量、以及多个用户偏好连通变量，进而基于主动兴趣影响力连通变量和多个用户偏好连通变量生成候选用户针对候选用户线上行为活动大数据的第一主动兴趣支撑度，基于低跨度被动兴趣影响力连通变量和多个用户偏好连通变量生成候选用户针对候选用户线上行为活动大数据的第一低跨度被动兴趣支撑度，基于高跨度被动兴趣影响力连通变量和多个用户偏好连通变量生成候选用户针对候选用户线上行为活动大数据的第一高跨度被动兴趣支撑度，从而提高预测第一主动兴趣支撑度、第一低跨度被动兴趣支撑度和第一高跨度被动兴趣支撑度的准确度。此外，在用户兴趣维度发生改变时，本申请可以对基础用户兴趣分析子网络适应性的进行调整，使用具有相似模型结构的基础用户兴趣分析子网络同时兼容多个用户兴趣维度，生成与不同的用户兴趣维度所对应的基础用户兴趣点热力图，从而降低基础用户兴趣分析子网络的训练难度。

其中，多个用户兴趣维度包括主动用户兴趣维度和被动用户兴趣维度；多个用户兴趣预测单元包括主动用户兴趣维度对应的第一主动用户兴趣预测单元和被动用户兴趣维度对应的被动用户兴趣预测单元；扩展用户兴趣点热力图包括第二主动兴趣支撑度和第二被动兴趣支撑度；第二主动兴趣支撑度为第一主动用户兴趣预测单元所生成的用户兴趣预测数据；第二被动兴趣支撑度为被动用户兴趣预测单元所生成的用户兴趣预测数据。

一些实施例中，可以包括以下Process1311-Process1314，且Process1311-Process1314为前述Process103的一个具体实施例。

Process1311，将模型加载源数据分别加载至第一主动用户兴趣预测单元和被动用户兴趣预测单元；

其中，第一主动用户兴趣预测单元包括第二变量加载单元和第二主动兴趣预测单元，被动用户兴趣预测单元包括第三变量加载单元和第二被动兴趣预测单元。

Process1312，依据第二变量加载单元和第三变量加载单元分别对模型加载源数据进行特征嵌入聚合，确定第二变量加载单元所生成的候选用户针对候选用户线上行为活动大数据的第二用户偏好成员变量，以及第三变量加载单元所生成的候选用户针对候选用户线上行为活动大数据的第三用户偏好成员变量；

其中，云端AI部署系统依据第二变量加载单元和第三变量加载单元分别对模型加载源数据进行特征嵌入聚合的实施方式，可以参见前述依据第一变量加载单元对模型加载源数据进行特征嵌入聚合的描述，此处不再赘述。

Process1313，将第二用户偏好成员变量加载至第二主动兴趣预测单元，依据第二主动兴趣预测单元对第二用户偏好成员变量进行兴趣预测，确定第二主动兴趣预测变量，基于第二主动兴趣预测变量，获得与主动用户兴趣维度所对应的第二主动兴趣支撑度；

其中，第二主动兴趣预测变量是由第三主动兴趣预测变量值和第四主动兴趣预测变量值所构成的，第三主动兴趣预测变量值可以表示候选用户线上行为活动大数据具有主动活动的兴趣预测值，第四主动兴趣预测变量值可以表示候选用户线上行为活动大数据不具有主动活动的兴趣预测值。因此，云端AI部署系统可以将第三主动兴趣预测变量值作为候选用户针对候选用户线上行为活动大数据的第二主动兴趣支撑度。

Process1314，将第三用户偏好成员变量加载至第二被动兴趣预测单元，依据第二被动兴趣预测单元对第三用户偏好成员变量进行兴趣预测，确定第二被动兴趣预测变量，基于第二被动兴趣预测变量，获得与被动用户兴趣维度所对应的第二被动兴趣支撑度。

其中，第二被动兴趣预测变量是由第三被动兴趣预测变量值和第四被动兴趣预测变量值所构成的，第三被动兴趣预测变量值可以表示候选用户线上行为活动大数据具有被动活动的兴趣预测值，第四被动兴趣预测变量值可以表示候选用户线上行为活动大数据不具有被动活动的兴趣预测值。因此，云端AI部署系统可以将第三被动兴趣预测变量值作为候选用户针对候选用户线上行为活动大数据的第二被动兴趣支撑度。

其中，第二主动兴趣预测单元和第二被动兴趣预测单元可以为多层感知机。

云端AI部署系统可以基于第二主动兴趣预测单元获取第二用户偏好成员变量对应的第二主动兴趣预测变量，基于第二主动兴趣预测变量确定第二主动兴趣支撑度；云端AI部署系统可以基于第二被动兴趣预测单元获取目标被动偏好特征对应的第二被动兴趣预测变量，基于第二被动兴趣预测变量确定第二被动兴趣支撑度。其中，第二主动兴趣支撑度和第二被动兴趣支撑度可以统称为扩展用户兴趣点热力图。

一些实施例中，云端AI部署系统可以将第二主动兴趣支撑度和第二被动兴趣支撑度的乘积作为扩展用户兴趣分析子网络所生成的主动被动兴趣支撑度，主动被动兴趣支撑度可以表示扩展用户兴趣分析子网络所生成的候选用户线上行为活动大数据具有候选用户所执行的主动活动和被动活动的兴趣预测值。例如，云端AI部署系统可以将主动被动兴趣支撑度作为多个用户兴趣维度之一，相应的，云端AI部署系统可以将第一主动兴趣支撑度和第一被动兴趣支撑度的乘积，作为基础用户兴趣分析子网络所生成的主动被动兴趣支撑度。其中，第二主动兴趣支撑度可以表示扩展用户兴趣分析子网络所生成的候选用户线上行为活动大数据具有候选用户所执行的主动活动的兴趣预测值，第二被动兴趣支撑度可以表示扩展用户兴趣分析子网络所生成的候选用户线上行为活动大数据具有候选用户所执行的被动活动的兴趣预测值。其中，第二被动兴趣支撑度可以表示主动活动到被动活动的兴趣预测值，主动被动兴趣支撑度可以表示曝光到主动活动、再到被动活动的兴趣预测值。

由此可见，本申请实施例可以在多个用户兴趣维度为主动用户兴趣维度和被动用户兴趣维度时，依据扩展用户兴趣分析子网络输出与主动用户兴趣维度所对应的第二偏好连通变量和与被动用户兴趣维度所对应的第三偏好连通变量，进而基于第二偏好连通变量生成候选用户针对候选用户线上行为活动大数据的第二主动兴趣支撑度，基于第三偏好连通变量生成候选用户针对候选用户线上行为活动大数据的第二被动兴趣支撑度，从而提高预测第二主动兴趣支撑度和第二被动兴趣支撑度的准确度。

其中，扩展用户兴趣分析子网络的数量为多个，多个扩展用户兴趣分析子网络包括扩展用户兴趣分析子网络Mi和扩展用户兴趣分析子网络Mj；这里的i和j均为小于或等于扩展用户兴趣分析子网络的数量的正整数；多个用户兴趣维度包括主动用户兴趣维度、低跨度被动用户兴趣维度和高跨度被动用户兴趣维度；多个用户兴趣预测单元包括扩展用户兴趣分析子网络Mi中的第二主动用户兴趣预测单元和第一低跨度被动用户兴趣预测单元，以及扩展用户兴趣分析子网络Mj中的第二低跨度被动用户兴趣预测单元和高跨度被动用户兴趣预测单元；第二主动用户兴趣预测单元与主动用户兴趣维度所对应，第一低跨度被动用户兴趣预测单元和第二低跨度被动用户兴趣预测单元与低跨度被动用户兴趣维度所对应，高跨度被动用户兴趣预测单元与高跨度被动用户兴趣维度所对应；扩展用户兴趣点热力图包括第三主动兴趣支撑度、第二低跨度被动兴趣支撑度、第三低跨度被动兴趣支撑度和第二高跨度被动兴趣支撑度；第三主动兴趣支撑度为第二主动用户兴趣预测单元所生成的用户兴趣预测数据；第二低跨度被动兴趣支撑度为第一低跨度被动用户兴趣预测单元所生成的用户兴趣预测数据；第三低跨度被动兴趣支撑度为第二低跨度被动用户兴趣预测单元所生成的用户兴趣预测数据；第二高跨度被动兴趣支撑度为高跨度被动用户兴趣预测单元所生成的用户兴趣预测数据。一些实施例中，可以包括以下Process1321-Process1324，且Process1321-Process1324为前述Process103的一个具体实施例。

Process1321，将模型加载源数据分别加载至第二主动用户兴趣预测单元、第一低跨度被动用户兴趣预测单元、第二低跨度被动用户兴趣预测单元和高跨度被动用户兴趣预测单元；

其中，第二主动用户兴趣预测单元包括第四变量加载单元，第一低跨度被动用户兴趣预测单元包括第五变量加载单元；第二低跨度被动用户兴趣预测单元包括第六变量加载单元，高跨度被动用户兴趣预测单元包括第七变量加载单元。

Process1322，依据第四变量加载单元、第五变量加载单元、第六变量加载单元和第七变量加载单元分别对模型加载源数据进行特征嵌入聚合，确定第四变量加载单元所生成的候选用户针对候选用户线上行为活动大数据的第四用户偏好成员变量，第五变量加载单元所生成的候选用户针对候选用户线上行为活动大数据的第五用户偏好成员变量，第六变量加载单元所生成的候选用户针对候选用户线上行为活动大数据的第六用户偏好成员变量，以及第七变量加载单元所生成的候选用户针对候选用户线上行为活动大数据的第七用户偏好成员变量；

其中，云端AI部署系统依据第四变量加载单元、第五变量加载单元、第六变量加载单元和第七变量加载单元分别对模型加载源数据进行特征嵌入聚合的实施方式，可以参见前述依据第一变量加载单元对模型加载源数据进行特征嵌入聚合的描述，此处不再赘述。

Process1323，在第二主动用户兴趣预测单元中，依据第四用户偏好成员变量获取与主动用户兴趣维度所对应的第三主动兴趣支撑度，在第一低跨度被动用户兴趣预测单元中，依据第五用户偏好成员变量获取与低跨度被动用户兴趣维度所对应的第二低跨度被动兴趣支撑度；

例如，云端AI部署系统可以将第四用户偏好成员变量加载至第三主动兴趣预测单元，依据第三主动兴趣预测单元对第四用户偏好成员变量进行兴趣预测，确定第三主动兴趣预测变量，基于第三主动兴趣预测变量，获得与主动用户兴趣维度所对应的第三主动兴趣支撑度。其中，第二主动用户兴趣预测单元还包括第三主动兴趣预测单元，第一低跨度被动用户兴趣预测单元还包括第二低跨度被动兴趣预测单元。一些实施例中，云端AI部署系统可以将第五用户偏好成员变量加载至第二低跨度被动兴趣预测单元，依据第二低跨度被动兴趣预测单元对第五用户偏好成员变量进行兴趣预测，确定第二低跨度被动兴趣预测变量，基于第二低跨度被动兴趣预测变量，获得与低跨度被动用户兴趣维度所对应的第二低跨度被动兴趣支撑度。

其中，第三主动兴趣预测变量是由第五主动兴趣预测变量值和第六主动兴趣预测变量值所构成的，第五主动兴趣预测变量值可以表示候选用户线上行为活动大数据具有主动活动的兴趣预测值，第六主动兴趣预测变量值可以表示候选用户线上行为活动大数据不具有主动活动的兴趣预测值。因此，云端AI部署系统可以将第五主动兴趣预测变量值作为候选用户针对候选用户线上行为活动大数据的第三主动兴趣支撑度。

其中，第二低跨度被动兴趣预测变量是由第三低跨度被动兴趣预测变量值和第四低跨度被动兴趣预测变量值所构成的，第三低跨度被动兴趣预测变量值可以表示候选用户线上行为活动大数据具有低跨度被动活动的兴趣预测值，第四低跨度被动兴趣预测变量值可以表示候选用户线上行为活动大数据不具有低跨度被动活动的兴趣预测值。因此，云端AI部署系统可以将第三低跨度被动兴趣预测变量值作为候选用户针对候选用户线上行为活动大数据的第二低跨度被动兴趣支撑度。

Process1324，在第二低跨度被动用户兴趣预测单元中，依据第六用户偏好成员变量获取与低跨度被动用户兴趣维度所对应的第三低跨度被动兴趣支撑度，在高跨度被动用户兴趣预测单元中，依据第七用户偏好成员变量获取与高跨度被动用户兴趣维度所对应的第二高跨度被动兴趣支撑度。

例如，云端AI部署系统可以将第六用户偏好成员变量加载至第三低跨度被动兴趣预测单元，依据第三低跨度被动兴趣预测单元对第六用户偏好成员变量进行兴趣预测，确定第三低跨度被动兴趣预测变量，基于第三低跨度被动兴趣预测变量，获得与低跨度被动用户兴趣维度所对应的第三低跨度被动兴趣支撑度。其中，第二低跨度被动用户兴趣预测单元还包括第三低跨度被动兴趣预测单元，高跨度被动用户兴趣预测单元还包括第二高跨度被动兴趣预测单元。一些实施例中，云端AI部署系统可以将第七用户偏好成员变量加载至第二高跨度被动兴趣预测单元，依据第二高跨度被动兴趣预测单元对第七用户偏好成员变量进行兴趣预测，确定第二高跨度被动兴趣预测变量，基于第二高跨度被动兴趣预测变量，获得与高跨度被动用户兴趣维度所对应的第二高跨度被动兴趣支撑度。

其中，第三低跨度被动兴趣预测变量是由第五低跨度被动兴趣预测变量值和第六低跨度被动兴趣预测变量值所构成的，第五低跨度被动兴趣预测变量值可以表示候选用户线上行为活动大数据具有低跨度被动活动的兴趣预测值，第六低跨度被动兴趣预测变量值可以表示候选用户线上行为活动大数据不具有低跨度被动活动的兴趣预测值。因此，云端AI部署系统可以将第五低跨度被动兴趣预测变量值作为候选用户针对候选用户线上行为活动大数据的第三低跨度被动兴趣支撑度。

其中，第二高跨度被动兴趣预测变量是由第三高跨度被动兴趣预测变量值和第四高跨度被动兴趣预测变量值所构成的，第三高跨度被动兴趣预测变量值可以表示候选用户线上行为活动大数据具有高跨度被动活动的兴趣预测值，第四高跨度被动兴趣预测变量值可以表示候选用户线上行为活动大数据不具有高跨度被动活动的兴趣预测值。因此，云端AI部署系统可以将第三高跨度被动兴趣预测变量值作为候选用户针对候选用户线上行为活动大数据的第二高跨度被动兴趣支撑度。

其中，第三主动兴趣预测单元、第二低跨度被动兴趣预测单元、第三低跨度被动兴趣预测单元和第二高跨度被动兴趣预测单元可以为多层感知机。

其中，云端AI部署系统可以将第三主动兴趣支撑度、第二低跨度被动兴趣支撑度、第三低跨度被动兴趣支撑度和第二高跨度被动兴趣支撑度统称为扩展用户兴趣点热力图。

其中，第三主动兴趣支撑度可以表示扩展用户兴趣分析子网络所生成的候选用户线上行为活动大数据具有候选用户所执行的主动活动的兴趣预测值，第二低跨度被动兴趣支撑度和第三低跨度被动兴趣支撑度可以表示扩展用户兴趣分析子网络所生成的候选用户线上行为活动大数据具有候选用户所执行的低跨度被动活动的兴趣预测值，第二高跨度被动兴趣支撑度可以表示扩展用户兴趣分析子网络所生成的候选用户线上行为活动大数据具有候选用户所执行的高跨度被动活动的兴趣预测值。

由此可见，本申请实施例可以在多个用户兴趣维度为主动用户兴趣维度、低跨度被动用户兴趣维度和高跨度被动用户兴趣维度时，依据扩展用户兴趣分析子网络输出与主动用户兴趣维度所对应的第四偏好连通变量、与低跨度被动用户兴趣维度所对应的第五偏好连通变量、与低跨度被动用户兴趣维度所对应的第六偏好连通变量和与高跨度被动用户兴趣维度所对应的第七偏好连通变量，进而基于第四偏好连通变量生成候选用户针对候选用户线上行为活动大数据的第三主动兴趣支撑度，基于第五偏好连通变量生成候选用户针对候选用户线上行为活动大数据的第二低跨度被动兴趣支撑度，基于第六偏好连通变量生成候选用户针对候选用户线上行为活动大数据的第三低跨度被动兴趣支撑度，基于第七偏好连通变量生成候选用户针对候选用户线上行为活动大数据的第二高跨度被动兴趣支撑度，从而提高预测第三主动兴趣支撑度、第二低跨度被动兴趣支撑度、第三低跨度被动兴趣支撑度和第二高跨度被动兴趣支撑度的准确度。此外，在用户兴趣维度发生改变时，本申请可以对扩展用户兴趣分析子网络适应性的进行调整，使用具有相似模型结构的扩展用户兴趣分析子网络同时兼容多个用户兴趣维度，生成与不同的用户兴趣维度所对应的扩展用户兴趣点热力图，从而降低扩展用户兴趣分析子网络的训练难度。

一些实施例中，下面介绍前述标定用户兴趣分析模型的训练步骤，可以包括以下Process201-Process204：

Process201，获取目标训练兴趣分析模型和与先验用户所对应的先验用户线上行为活动数据，基于先验用户和先验用户线上行为活动数据确定先验模型加载源数据；

其中，目标训练兴趣分析模型包括第一目标训练兴趣分析子网络和第二目标训练兴趣分析子网络；第一目标训练兴趣分析子网络和第二目标训练兴趣分析子网络分别是依据多个用户兴趣维度进行AI训练得到的。

其中，云端AI部署系统基于先验用户和先验用户线上行为活动数据确定先验模型加载源数据的实施方式，可以参见前述基于候选用户和候选用户线上行为活动大数据生成模型加载源数据的描述，此处不再赘述。

Process202，依据第一目标训练兴趣分析子网络对先验模型加载源数据进行行为偏好变量挖掘，确定先验用户偏好连通变量和多个用户兴趣维度分别对应的先验兴趣影响力连通变量，基于先验用户偏好连通变量和多个先验兴趣影响力连通变量，确定与多个用户兴趣维度所对应的第一先验用户兴趣点热力图；

其中，云端AI部署系统依据第一目标训练兴趣分析子网络输出第一先验用户兴趣点热力图的实施方式，可以参见前述依据基础用户兴趣分析子网络输出基础用户兴趣点热力图的描述，此处不再赘述。

Process203，将先验模型加载源数据分别加载至第二目标训练兴趣分析子网络中的多个目标训练兴趣预测单元，基于各目标训练兴趣预测单元分别生成的先验用户兴趣预测数据，获得第二目标训练兴趣分析子网络所生成的与多个用户兴趣维度所对应的第二先验用户兴趣点热力图；

其中，云端AI部署系统依据第二目标训练兴趣分析子网络输出第二先验用户兴趣点热力图的实施方式，可以参见前述依据扩展用户兴趣分析子网络输出扩展用户兴趣点热力图的描述，此处不再赘述。

Process204，在目标训练兴趣分析模型中，对第一先验用户兴趣点热力图和第二先验用户兴趣点热力图进行融合，确定先验用户针对先验用户线上行为活动数据的先验用户兴趣预测热力图，依据第一先验用户兴趣点热力图、第二先验用户兴趣点热力图、先验用户针对先验用户线上行为活动数据的先验兴趣标注数据和先验用户兴趣预测热力图，对目标训练兴趣分析模型进行模型权重调优优化，将模型权重调优优化后的目标训练兴趣分析模型作为标定用户兴趣分析模型。

例如，云端AI部署系统可以在目标训练兴趣分析模型中，对第一先验用户兴趣点热力图和第二先验用户兴趣点热力图进行兴趣置信度均值转化，确定先验用户针对先验用户线上行为活动数据的先验用户兴趣预测热力图。一些实施例中，云端AI部署系统可以依据先验用户针对先验用户线上行为活动数据的先验兴趣标注数据和先验用户兴趣预测热力图，获得目标训练兴趣分析模型的第一训练代价值。一些实施例中，云端AI部署系统可以依据第一先验用户兴趣点热力图和先验用户针对先验用户线上行为活动数据的先验兴趣标注数据，获得第一目标训练兴趣分析子网络的第二训练代价值。一些实施例中，云端AI部署系统可以依据第二先验用户兴趣点热力图和先验用户针对先验用户线上行为活动数据的先验兴趣标注数据，获得第二目标训练兴趣分析子网络的第三训练代价值。一些实施例中，云端AI部署系统可以基于第一训练代价值、第二训练代价值和第三训练代价值，获得目标训练兴趣分析模型的全局训练代价值，基于全局训练代价值对目标训练兴趣分析模型进行模型权重调优优化，将模型权重调优优化后的目标训练兴趣分析模型作为标定用户兴趣分析模型。其中，标定用户兴趣分析模型用于预测候选用户针对候选用户线上行为活动大数据的用户兴趣预测热力图。

其中，第一先验用户兴趣点热力图可以包括第一先验主动兴趣支撑度和第一先验被动兴趣支撑度，第二先验用户兴趣点热力图可以包括第二先验主动兴趣支撑度和第二先验被动兴趣支撑度。其中，云端AI部署系统可以对第一先验主动兴趣支撑度和第二先验主动兴趣支撑度进行兴趣置信度均值转化，确定先验用户针对先验用户线上行为活动数据的先验主动用户兴趣预测热力图；云端AI部署系统可以对第一先验被动兴趣支撑度和第二先验被动兴趣支撑度进行兴趣置信度均值转化，确定先验用户针对先验用户线上行为活动数据的先验被动用户兴趣预测热力图。一些实施例中，云端AI部署系统可以依据先验用户针对先验用户线上行为活动数据的先验主动兴趣标注数据和先验主动用户兴趣预测热力图，获得目标训练兴趣分析模型的主动训练代价值；云端AI部署系统可以依据先验用户针对先验用户线上行为活动数据的先验被动兴趣标注数据和先验被动用户兴趣预测热力图，获得目标训练兴趣分析模型的被动训练代价值。一些实施例中，云端AI部署系统可以基于主动训练代价值和被动训练代价值，获得目标训练兴趣分析模型的第一训练代价值。

同理，云端AI部署系统可以依据第一先验主动兴趣支撑度和先验主动兴趣标注数据，获得第一目标训练兴趣分析子网络的第一主动训练代价值；云端AI部署系统可以依据第一先验被动兴趣支撑度和先验被动兴趣标注数据，获得第一目标训练兴趣分析子网络的第一被动训练代价值。一些实施例中，云端AI部署系统可以基于第一主动训练代价值和第一被动训练代价值，获得第一目标训练兴趣分析子网络的第二训练代价值。同理，云端AI部署系统可以依据第二先验主动兴趣支撑度和先验主动兴趣标注数据，获得第二目标训练兴趣分析子网络的第二主动训练代价值；云端AI部署系统可以依据第二先验被动兴趣支撑度和先验被动兴趣标注数据，获得第二目标训练兴趣分析子网络的第二被动训练代价值。一些实施例中，云端AI部署系统可以基于第二主动训练代价值和第二被动训练代价值，获得第二目标训练兴趣分析子网络的第三训练代价值。

其中，例如，第一先验用户兴趣点热力图可以包括第三先验主动兴趣支撑度、第一先验低跨度被动兴趣支撑度和第一先验高跨度被动兴趣支撑度，第二先验用户兴趣点热力图可以包括第四先验主动兴趣支撑度、第二先验低跨度被动兴趣支撑度、第三先验低跨度被动兴趣支撑度和第二先验高跨度被动兴趣支撑度。其中，云端AI部署系统可以依据第三先验主动兴趣支撑度、第一先验低跨度被动兴趣支撑度、第一先验高跨度被动兴趣支撑度、第四先验主动兴趣支撑度、第二先验低跨度被动兴趣支撑度、第三先验低跨度被动兴趣支撑度和第二先验高跨度被动兴趣支撑度，获得第一训练代价值、第二训练代价值和第三训练代价值的实施方式可以参见上述依据第一先验主动兴趣支撑度、第一先验被动兴趣支撑度、第二先验主动兴趣支撑度和第二先验被动兴趣支撑度确定第一训练代价值、第二训练代价值和第三训练代价值的描述，此处不再赘述。

例如，云端AI部署系统也可以基于第一训练代价值，对目标训练兴趣分析模型进行模型权重调优优化，将模型权重调优优化后的目标训练兴趣分析模型作为标定用户兴趣分析模型。例如，云端AI部署系统还可以基于第二训练代价值和第三训练代价值，对目标训练兴趣分析模型进行模型权重调优优化，将模型权重调优优化后的目标训练兴趣分析模型作为标定用户兴趣分析模型。

例如，云端AI部署系统还可以基于第二训练代价值对第一目标训练兴趣分析子网络进行模型权重调优优化，将模型权重调优优化后的第一目标训练兴趣分析子网络作为基础用户兴趣分析子网络；基于第三训练代价值对第二目标训练兴趣分析子网络进行模型权重调优优化，将模型权重调优优化后的第二目标训练兴趣分析子网络作为扩展用户兴趣分析子网络。一些实施例中，云端AI部署系统可以将模型权重调优优化后的目标训练兴趣分析模型作为标定用户兴趣分析模型；标定用户兴趣分析模型包括基础用户兴趣分析子网络和扩展用户兴趣分析子网络。

例如，目标训练兴趣分析模型还包括目标训练兴趣融合单元。这样，云端AI部署系统可以依据第一先验用户兴趣点热力图和先验用户针对先验用户线上行为活动数据的先验兴趣标注数据，获得第一目标训练兴趣分析子网络的第二训练代价值，基于第二训练代价值对第一目标训练兴趣分析子网络进行模型权重调优优化，将模型权重调优优化后的第一目标训练兴趣分析子网络作为基础用户兴趣分析子网络。一些实施例中，云端AI部署系统可以依据第二先验用户兴趣点热力图和先验用户针对先验用户线上行为活动数据的先验兴趣标注数据，获得第二目标训练兴趣分析子网络的第三训练代价值，基于第三训练代价值对第二目标训练兴趣分析子网络进行模型权重调优优化，将模型权重调优优化后的第二目标训练兴趣分析子网络作为扩展用户兴趣分析子网络。一些实施例中，云端AI部署系统可以对第一先验用户兴趣点热力图和第二先验用户兴趣点热力图进行融合，确定先验融合兴趣点热力图。一些实施例中，云端AI部署系统可以将先验融合兴趣点热力图加载至目标训练兴趣融合单元，依据目标训练兴趣融合单元对先验融合兴趣点热力图中的第一先验用户兴趣点热力图和第二先验用户兴趣点热力图进行融合学习，确定先验用户针对先验用户线上行为活动数据的先验用户兴趣预测热力图。一些实施例中，云端AI部署系统可以依据先验用户针对先验用户线上行为活动数据的先验兴趣标注数据和先验用户兴趣预测热力图，对目标训练兴趣融合单元进行模型权重调优优化，将模型权重调优优化后的目标训练兴趣融合单元作为兴趣融合单元。一些实施例中，云端AI部署系统可以将模型权重调优优化后的目标训练兴趣分析模型作为标定用户兴趣分析模型。其中，标定用户兴趣分析模型包括兴趣融合单元、基础用户兴趣分析子网络和扩展用户兴趣分析子网络。

其中，第一目标训练兴趣分析子网络的数量可以为P个，第二目标训练兴趣分析子网络的数量可以为P个，这里的P可以为大于1的正整数。其中，云端AI部署系统可以将先验用户线上行为活动数据划分为P类，从P类先验用户线上行为活动数据中获取(P-1)类先验用户线上行为活动数据对各第一目标训练兴趣分析子网络进行网络权重调优，确定网络权重调优后的P个基础用户兴趣分析子网络；从P类先验用户线上行为活动数据中获取(P-1)类先验用户线上行为活动数据对各第二目标训练兴趣分析子网络进行网络权重调优，确定网络权重调优后的P个扩展用户兴趣分析子网络。其中，云端AI部署系统可以从P类先验用户线上行为活动数据中获取除第x类之外的先验用户线上行为活动数据对第x个第一目标训练兴趣分析子网络进行网络权重调优；云端AI部署系统可以从P类先验用户线上行为活动数据中获取除第x类之外的先验用户线上行为活动数据对第x个第二目标训练兴趣分析子网络进行网络权重调优。其中，这里的x可以为小于或等于P的正整数。比如，云端AI部署系统可以从P类先验用户线上行为活动数据中获取除第1类之外的先验用户线上行为活动数据对第1个第一目标训练兴趣分析子网络进行网络权重调优；又比如，云端AI部署系统可以从P类先验用户线上行为活动数据中获取除第2类之外的先验用户线上行为活动数据对第2个第二目标训练兴趣分析子网络进行网络权重调优。

一些实施例中，云端AI部署系统可以依据网络权重调优后的P个基础用户兴趣分析子网络输出与多个用户兴趣维度所对应的第一先验用户兴趣点热力图；云端AI部署系统可以依据网络权重调优后的P个扩展用户兴趣分析子网络输出与多个用户兴趣维度所对应的第二先验用户兴趣点热力图。其中，云端AI部署系统可以依据第x个基础用户兴趣分析子网络输出第x类先验用户线上行为活动数据所对应的第一先验用户兴趣点热力图，进而对P个基础用户兴趣分析子网络所生成的P类第一先验用户兴趣点热力图进行拼接，确定P类先验用户线上行为活动数据所对应的第一先验用户兴趣点热力图（即与多个用户兴趣维度所对应的第一先验用户兴趣点热力图）；云端AI部署系统可以依据第x个扩展用户兴趣分析子网络输出第x类先验用户线上行为活动数据所对应的第二先验用户兴趣点热力图，进而对P个扩展用户兴趣分析子网络所生成的P类第二先验用户兴趣点热力图进行拼接，确定P类先验用户线上行为活动数据所对应的第二先验用户兴趣点热力图（即与多个用户兴趣维度所对应的第二先验用户兴趣点热力图）。比如，云端AI部署系统可以依据第1个基础用户兴趣分析子网络输出第1类先验用户线上行为活动数据所对应的第一先验用户兴趣点热力图；又比如，云端AI部署系统可以依据第2个扩展用户兴趣分析子网络输出第2类先验用户线上行为活动数据所对应的第二先验用户兴趣点热力图。

其中，P个基础用户兴趣分析子网络的网络标签是相同的，由于P个基础用户兴趣分析子网络的学习数据不同，所以P个基础用户兴趣分析子网络所训练的网络权重是不同的；P个扩展用户兴趣分析子网络的网络标签是相同的，由于P个扩展用户兴趣分析子网络的学习数据不同，所以P个扩展用户兴趣分析子网络所训练的网络权重是不同的。

其中，其中，云端AI部署系统可以对P个基础用户兴趣分析子网络的第一先验用户兴趣点热力图进行融合，确定第一先验融合兴趣点热力图，对P个扩展用户兴趣分析子网络的第二先验用户兴趣点热力图进行融合，确定第二先验融合兴趣点热力图。一些实施例中，云端AI部署系统可以将第一先验融合兴趣点热力图和第二先验融合兴趣点热力图加载至目标训练兴趣融合单元，依据第一先验融合兴趣点热力图、第二先验融合兴趣点热力图和先验用户针对先验用户线上行为活动数据的先验兴趣标注数据，对目标训练兴趣融合单元进行网络权重调优，确定兴趣融合单元。

其中，其中，目标训练兴趣融合单元的数量可以为一个，云端AI部署系统可以依据第一先验用户兴趣点热力图和第二先验用户兴趣点热力图，对目标训练兴趣融合单元进行网络权重调优。例如，目标训练兴趣融合单元的数量可以为多个，云端AI部署系统可以依据第一先验用户兴趣点热力图和第二先验用户兴趣点热力图，对多个目标训练兴趣融合单元进行网络权重调优。其中，云端AI部署系统依据第一先验用户兴趣点热力图和第二先验用户兴趣点热力图，对多个目标训练兴趣融合单元进行网络权重调优的实施方式，可以参见上述依据先验模型加载源数据对第一目标训练兴趣分析子网络或第二目标训练兴趣分析子网络进行网络权重调优的描述，此处不再赘述。

相应的，在通过包含兴趣融合单元、P个基础用户兴趣分析子网络和P个扩展用户兴趣分析子网络的标定用户兴趣分析模型预测候选用户针对候选用户线上行为活动大数据的用户兴趣预测热力图时，云端AI部署系统需要对P个基础用户兴趣分析子网络所分别生成的基础用户兴趣点热力图进行兴趣置信度均值转化，确定P个基础用户兴趣分析子网络对应的第一用户平均兴趣点热力图；云端AI部署系统需要对P个扩展用户兴趣分析子网络所分别生成的扩展用户兴趣点热力图进行兴趣置信度均值转化，确定P个扩展用户兴趣分析子网络对应的第二用户平均兴趣点热力图。

由此可见，本申请实施例可以先验模型加载源数据对目标训练兴趣分析模型进行网络权重调优，即依据目标训练兴趣分析模型中的第一目标训练兴趣分析子网络输出第一先验用户兴趣点热力图，依据目标训练兴趣分析模型中的第二目标训练兴趣分析子网络输出第二先验用户兴趣点热力图，进而基于第一先验用户兴趣点热力图和第二先验用户兴趣点热力图对目标训练兴趣分析模型进行网络权重调优，确定标定用户兴趣分析模型。其中，标定用户兴趣分析模型可以用于确定候选用户针对候选用户线上行为活动大数据的用户兴趣预测热力图，依据对目标训练兴趣分析模型进行网络权重调优所得到的标定用户兴趣分析模型可以提高预测用户兴趣预测热力图的精度。

一些实施例中，云端AI部署系统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。

处理器110可以基于存储在机器可读存储介质120中的程序而执行各种适当的动作和处理，例如前述实施例所描述的服务于用户兴趣分析的大数据挖掘方法所相关的程序指令。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进行信号传输。

特别地，基于本发明的实施例，上文示例性流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信单元140从网络上被下载和安装，在该计算机程序被处理器110执行时，执行本发明实施例的方法中限定的上述功能。

本发明又一实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上述任一实施例所述的服务于用户兴趣分析的大数据挖掘方法。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种服务于用户兴趣分析的大数据挖掘方法，其特征在于，所述方法通过所述云端AI部署系统进行执行，所述方法包括：

对候选用户线上行为活动大数据进行大数据挖掘，确定对应的候选用户针对所述候选用户线上行为活动大数据的用户兴趣预测热力图；

基于所述用户兴趣预测热力图，确定所述候选用户的可信用户兴趣点序列；

分析所述候选用户流向所述可信用户兴趣点序列中各个可信用户兴趣点的用户需求信息；

基于所述各个可信用户兴趣点的用户需求信息，在所述候选用户所关联的线上页面中引用对应的页面内容信息。

2.根据权利要求1所述的服务于用户兴趣分析的大数据挖掘方法，其特征在于，所述对候选用户线上行为活动大数据进行大数据挖掘，确定对应的候选用户针对所述候选用户线上行为活动大数据的用户兴趣预测热力图的步骤，包括：

获取标定用户兴趣分析模型和与候选用户线上行为活动大数据所对应的候选用户，基于所述候选用户和所述候选用户线上行为活动大数据生成模型加载源数据；所述标定用户兴趣分析模型包括基础用户兴趣分析子网络和扩展用户兴趣分析子网络；所述基础用户兴趣分析子网络和所述扩展用户兴趣分析子网络分别是依据多个用户兴趣维度进行AI训练得到的；

依据所述基础用户兴趣分析子网络对所述模型加载源数据进行行为偏好变量挖掘，确定用户偏好连通变量和所述多个用户兴趣维度分别对应的兴趣影响力连通变量，基于所述用户偏好连通变量和多个兴趣影响力连通变量，确定与所述多个用户兴趣维度所对应的基础用户兴趣点热力图；

将所述模型加载源数据分别加载至所述扩展用户兴趣分析子网络中的多个用户兴趣预测单元，基于各用户兴趣预测单元分别生成的用户兴趣预测数据，获得所述扩展用户兴趣分析子网络所生成的与所述多个用户兴趣维度所对应的扩展用户兴趣点热力图；

在所述标定用户兴趣分析模型中，对所述基础用户兴趣点热力图和所述扩展用户兴趣点热力图进行融合，确定所述候选用户针对所述候选用户线上行为活动大数据的用户兴趣预测热力图。

3.根据权利要求2所述的服务于用户兴趣分析的大数据挖掘方法，其特征在于，所述依据所述基础用户兴趣分析子网络对所述模型加载源数据进行行为偏好变量挖掘，确定用户偏好连通变量和所述多个用户兴趣维度分别对应的兴趣影响力连通变量，基于所述用户偏好连通变量和多个兴趣影响力连通变量，确定与所述多个用户兴趣维度所对应的基础用户兴趣点热力图，包括：

将所述模型加载源数据加载至所述基础用户兴趣分析子网络；所述基础用户兴趣分析子网络包括第一变量加载单元、多个用户偏好分析单元和所述多个用户兴趣维度各自对应的偏好影响力分析单元；

依据所述第一变量加载单元对所述模型加载源数据进行特征嵌入聚合，确定所述第一变量加载单元所生成的所述候选用户针对所述候选用户线上行为活动大数据的第一用户偏好成员变量；

将所述第一用户偏好成员变量分别加载至所述多个用户偏好分析单元，依据所述多个用户偏好分析单元分别对所述第一用户偏好成员变量进行连通结点分析，确定各用户偏好分析单元分别生成的用户偏好连通变量；

将所述第一用户偏好成员变量分别加载至多个偏好影响力分析单元，依据所述多个偏好影响力分析单元分别对所述第一用户偏好成员变量进行偏好影响力分析，确定各偏好影响力分析单元分别生成的兴趣影响力连通变量；

基于多个用户偏好连通变量和多个兴趣影响力连通变量，确定与所述多个用户兴趣维度所对应的基础用户兴趣点热力图；

其中，所述多个用户兴趣维度包括主动用户兴趣维度和被动用户兴趣维度；所述多个偏好影响力分析单元包括所述主动用户兴趣维度所指示的主动偏好影响力分析单元和所述被动用户兴趣维度所指示的被动偏好影响力分析单元；所述多个兴趣影响力连通变量包括主动兴趣影响力连通变量和被动兴趣影响力连通变量；

所述将所述第一用户偏好成员变量分别加载至多个偏好影响力分析单元，依据所述多个偏好影响力分析单元分别对所述第一用户偏好成员变量进行偏好影响力分析，确定各偏好影响力分析单元分别生成的兴趣影响力连通变量，包括：

将所述第一用户偏好成员变量加载至所述主动偏好影响力分析单元，依据所述主动偏好影响力分析单元对所述第一用户偏好成员变量进行偏好影响力分析，确定所述主动偏好影响力分析单元生成的所述主动兴趣影响力连通变量；

将所述第一用户偏好成员变量加载至所述被动偏好影响力分析单元，依据所述被动偏好影响力分析单元对所述第一用户偏好成员变量进行偏好影响力分析，确定所述被动偏好影响力分析单元生成的所述被动兴趣影响力连通变量；

其中，所述主动兴趣影响力连通变量包括与所述各用户偏好分析单元分别对应的主动兴趣影响力连通系数；所述被动兴趣影响力连通变量包括与所述各用户偏好分析单元分别对应的被动兴趣影响力连通系数；所述基础用户兴趣分析子网络还包括第一主动兴趣预测单元和第一被动兴趣预测单元；所述基础用户兴趣点热力图包括第一主动兴趣支撑度和第一被动兴趣支撑度； 所述基于多个用户偏好连通变量和多个兴趣影响力连通变量，确定与所述多个用户兴趣维度所对应的基础用户兴趣点热力图，包括：

基于与所述各用户偏好分析单元分别对应的主动兴趣影响力连通系数，对所述各用户偏好分析单元分别生成的用户偏好连通变量进行兴趣影响力连通处理，确定目标主动偏好特征；

将所述目标主动偏好特征加载至所述第一主动兴趣预测单元，依据所述第一主动兴趣预测单元对所述目标主动偏好特征进行兴趣预测，确定第一主动兴趣预测变量，基于所述第一主动兴趣预测变量，获得与所述主动用户兴趣维度所对应的所述第一主动兴趣支撑度；

基于与所述各用户偏好分析单元分别对应的被动兴趣影响力连通系数，对所述各用户偏好分析单元分别生成的用户偏好连通变量进行兴趣影响力连通处理，确定目标被动偏好特征，将所述目标被动偏好特征加载至所述第一被动兴趣预测单元，依据所述第一被动兴趣预测单元对所述目标被动偏好特征进行兴趣预测，确定第一被动兴趣预测变量，基于所述第一被动兴趣预测变量，获得与所述被动用户兴趣维度所对应的所述第一被动兴趣支撑度；

其中，所述被动偏好影响力分析单元包括低跨度被动偏好影响力分析单元和高跨度被动偏好影响力分析单元；所述被动兴趣影响力连通变量包括低跨度被动兴趣影响力连通变量和高跨度被动兴趣影响力连通变量；

所述将所述第一用户偏好成员变量加载至所述被动偏好影响力分析单元，依据所述被动偏好影响力分析单元对所述第一用户偏好成员变量进行偏好影响力分析，确定所述被动偏好影响力分析单元生成的所述被动兴趣影响力连通变量，包括：

将所述第一用户偏好成员变量加载至所述低跨度被动偏好影响力分析单元，依据所述低跨度被动偏好影响力分析单元对所述第一用户偏好成员变量进行偏好影响力分析，确定所述低跨度被动偏好影响力分析单元生成的所述低跨度被动兴趣影响力连通变量；

将所述第一用户偏好成员变量加载至所述高跨度被动偏好影响力分析单元，依据所述高跨度被动偏好影响力分析单元对所述第一用户偏好成员变量进行偏好影响力分析，确定所述高跨度被动偏好影响力分析单元生成的所述高跨度被动兴趣影响力连通变量；

其中，所述低跨度被动兴趣影响力连通变量包括与所述各用户偏好分析单元分别对应的低跨度被动兴趣影响力连通系数；所述高跨度被动兴趣影响力连通变量包括与所述各用户偏好分析单元分别对应的高跨度被动兴趣影响力连通系数；所述目标被动偏好特征包括目标低跨度被动偏好特征和目标高跨度被动偏好特征；所述第一被动兴趣预测单元包括第一低跨度被动兴趣预测单元和高跨度被动兴趣预测单元；所述第一被动兴趣预测变量包括第一低跨度被动兴趣预测变量和高跨度被动兴趣预测变量；所述第一被动兴趣支撑度包括第一低跨度被动兴趣支撑度和第一高跨度被动兴趣支撑度；所述被动用户兴趣维度包括低跨度被动用户兴趣维度和高跨度被动用户兴趣维度；

所述基于与所述各用户偏好分析单元分别对应的被动兴趣影响力连通系数，对所述各用户偏好分析单元分别生成的用户偏好连通变量进行兴趣影响力连通处理，确定目标被动偏好特征，将所述目标被动偏好特征加载至所述第一被动兴趣预测单元，依据所述第一被动兴趣预测单元对所述目标被动偏好特征进行兴趣预测，确定第一被动兴趣预测变量，基于所述第一被动兴趣预测变量，获得与所述被动用户兴趣维度所对应的所述第一被动兴趣支撑度，包括：

基于与所述各用户偏好分析单元分别对应的低跨度被动兴趣影响力连通系数，对所述各用户偏好分析单元分别生成的用户偏好连通变量进行兴趣影响力连通处理，确定所述目标低跨度被动偏好特征；

将所述目标低跨度被动偏好特征加载至所述第一低跨度被动兴趣预测单元，依据所述第一低跨度被动兴趣预测单元对所述目标低跨度被动偏好特征进行兴趣预测，确定所述第一低跨度被动兴趣预测变量，基于所述第一低跨度被动兴趣预测变量，获得与所述低跨度被动用户兴趣维度所对应的所述第一低跨度被动兴趣支撑度；

基于与所述各用户偏好分析单元分别对应的高跨度被动兴趣影响力连通系数，对所述各用户偏好分析单元分别生成的用户偏好连通变量进行兴趣影响力连通处理，确定所述目标高跨度被动偏好特征；

将所述目标高跨度被动偏好特征加载至所述高跨度被动兴趣预测单元，依据所述高跨度被动兴趣预测单元对所述目标高跨度被动偏好特征进行兴趣预测，确定所述高跨度被动兴趣预测变量，基于所述高跨度被动兴趣预测变量，获得与所述高跨度被动用户兴趣维度所对应的所述第一高跨度被动兴趣支撑度。

4.根据权利要求2所述的服务于用户兴趣分析的大数据挖掘方法，其特征在于，所述多个用户兴趣维度包括主动用户兴趣维度和被动用户兴趣维度；所述多个用户兴趣预测单元包括所述主动用户兴趣维度对应的第一主动用户兴趣预测单元和所述被动用户兴趣维度对应的被动用户兴趣预测单元；所述扩展用户兴趣点热力图包括第二主动兴趣支撑度和第二被动兴趣支撑度；所述第二主动兴趣支撑度为所述第一主动用户兴趣预测单元所生成的用户兴趣预测数据；所述第二被动兴趣支撑度为所述被动用户兴趣预测单元所生成的用户兴趣预测数据；

所述将所述模型加载源数据分别加载至所述扩展用户兴趣分析子网络中的多个用户兴趣预测单元，基于各用户兴趣预测单元分别生成的用户兴趣预测数据，获得所述扩展用户兴趣分析子网络所生成的与所述多个用户兴趣维度所对应的扩展用户兴趣点热力图，包括：

将所述模型加载源数据分别加载至所述第一主动用户兴趣预测单元和所述被动用户兴趣预测单元；所述第一主动用户兴趣预测单元包括第二变量加载单元和第二主动兴趣预测单元，所述被动用户兴趣预测单元包括第三变量加载单元和第二被动兴趣预测单元；

依据所述第二变量加载单元和所述第三变量加载单元分别对所述模型加载源数据进行特征嵌入聚合，确定所述第二变量加载单元所生成的所述候选用户针对所述候选用户线上行为活动大数据的第二用户偏好成员变量，以及所述第三变量加载单元所生成的所述候选用户针对所述候选用户线上行为活动大数据的第三用户偏好成员变量；

将所述第二用户偏好成员变量加载至所述第二主动兴趣预测单元，依据所述第二主动兴趣预测单元对所述第二用户偏好成员变量进行兴趣预测，确定第二主动兴趣预测变量，基于所述第二主动兴趣预测变量，获得与所述主动用户兴趣维度所对应的第二主动兴趣支撑度；

将所述第三用户偏好成员变量加载至所述第二被动兴趣预测单元，依据所述第二被动兴趣预测单元对所述第三用户偏好成员变量进行兴趣预测，确定第二被动兴趣预测变量，基于所述第二被动兴趣预测变量，获得与所述被动用户兴趣维度所对应的第二被动兴趣支撑度。

5.根据权利要求2所述的服务于用户兴趣分析的大数据挖掘方法，其特征在于，所述扩展用户兴趣分析子网络的数量为多个，多个扩展用户兴趣分析子网络包括扩展用户兴趣分析子网络Mi和扩展用户兴趣分析子网络Mj；所述i和所述j均为小于或等于所述扩展用户兴趣分析子网络的数量的正整数；所述多个用户兴趣维度包括主动用户兴趣维度、低跨度被动用户兴趣维度和高跨度被动用户兴趣维度；所述多个用户兴趣预测单元包括所述扩展用户兴趣分析子网络Mi中的第二主动用户兴趣预测单元和第一低跨度被动用户兴趣预测单元，以及所述扩展用户兴趣分析子网络Mj中的第二低跨度被动用户兴趣预测单元和高跨度被动用户兴趣预测单元；所述第二主动用户兴趣预测单元与所述主动用户兴趣维度所对应，所述第一低跨度被动用户兴趣预测单元和所述第二低跨度被动用户兴趣预测单元与所述低跨度被动用户兴趣维度所对应，所述高跨度被动用户兴趣预测单元与所述高跨度被动用户兴趣维度所对应；所述扩展用户兴趣点热力图包括第三主动兴趣支撑度、第二低跨度被动兴趣支撑度、第三低跨度被动兴趣支撑度和第二高跨度被动兴趣支撑度；所述第三主动兴趣支撑度为所述第二主动用户兴趣预测单元所生成的用户兴趣预测数据；所述第二低跨度被动兴趣支撑度为所述第一低跨度被动用户兴趣预测单元所生成的用户兴趣预测数据；所述第三低跨度被动兴趣支撑度为所述第二低跨度被动用户兴趣预测单元所生成的用户兴趣预测数据；所述第二高跨度被动兴趣支撑度为所述高跨度被动用户兴趣预测单元所生成的用户兴趣预测数据；

所述将所述模型加载源数据分别加载至所述扩展用户兴趣分析子网络中的多个用户兴趣预测单元，基于各用户兴趣预测单元分别生成的用户兴趣预测数据，获得所述扩展用户兴趣分析子网络所生成的与所述多个用户兴趣维度所对应的扩展用户兴趣点热力图，包括：

将所述模型加载源数据分别加载至所述第二主动用户兴趣预测单元、所述第一低跨度被动用户兴趣预测单元、所述第二低跨度被动用户兴趣预测单元和所述高跨度被动用户兴趣预测单元；

所述第二主动用户兴趣预测单元包括第四变量加载单元，所述第一低跨度被动用户兴趣预测单元包括第五变量加载单元；所述第二低跨度被动用户兴趣预测单元包括第六变量加载单元，所述高跨度被动用户兴趣预测单元包括第七变量加载单元；

依据所述第四变量加载单元、所述第五变量加载单元、所述第六变量加载单元和所述第七变量加载单元分别对所述模型加载源数据进行特征嵌入聚合，确定所述第四变量加载单元所生成的所述候选用户针对所述候选用户线上行为活动大数据的第四用户偏好成员变量，所述第五变量加载单元所生成的所述候选用户针对所述候选用户线上行为活动大数据的第五用户偏好成员变量，第六变量加载单元所生成的所述候选用户针对所述候选用户线上行为活动大数据的第六用户偏好成员变量，以及第七变量加载单元所生成的所述候选用户针对所述候选用户线上行为活动大数据的第七用户偏好成员变量；

在所述第二主动用户兴趣预测单元中，依据所述第四用户偏好成员变量获取与所述主动用户兴趣维度所对应的所述第三主动兴趣支撑度，在所述第一低跨度被动用户兴趣预测单元中，依据所述第五用户偏好成员变量获取与所述低跨度被动用户兴趣维度所对应的所述第二低跨度被动兴趣支撑度；

在所述第二低跨度被动用户兴趣预测单元中，依据所述第六用户偏好成员变量获取与所述低跨度被动用户兴趣维度所对应的所述第三低跨度被动兴趣支撑度，在所述高跨度被动用户兴趣预测单元中，依据所述第七用户偏好成员变量获取与所述高跨度被动用户兴趣维度所对应的所述第二高跨度被动兴趣支撑度。

6.根据权利要求5所述的服务于用户兴趣分析的大数据挖掘方法，其特征在于，所述第二主动用户兴趣预测单元还包括第三主动兴趣预测单元，所述第一低跨度被动用户兴趣预测单元还包括第二低跨度被动兴趣预测单元；

所述在所述第二主动用户兴趣预测单元中，依据所述第四用户偏好成员变量获取与所述主动用户兴趣维度所对应的所述第三主动兴趣支撑度，在所述第一低跨度被动用户兴趣预测单元中，依据所述第五用户偏好成员变量获取与所述低跨度被动用户兴趣维度所对应的所述第二低跨度被动兴趣支撑度，包括：

将所述第四用户偏好成员变量加载至所述第三主动兴趣预测单元，依据所述第三主动兴趣预测单元对所述第四用户偏好成员变量进行兴趣预测，确定第三主动兴趣预测变量，基于所述第三主动兴趣预测变量，获得与所述主动用户兴趣维度所对应的所述第三主动兴趣支撑度；

将所述第五用户偏好成员变量加载至所述第二低跨度被动兴趣预测单元，依据所述第二低跨度被动兴趣预测单元对所述第五用户偏好成员变量进行兴趣预测，确定第二低跨度被动兴趣预测变量，基于所述第二低跨度被动兴趣预测变量，获得与所述低跨度被动用户兴趣维度所对应的所述第二低跨度被动兴趣支撑度。

7.根据权利要求2所述的服务于用户兴趣分析的大数据挖掘方法，其特征在于，所述基础用户兴趣点热力图包括第一主动兴趣支撑度和第一被动兴趣支撑度；所述扩展用户兴趣点热力图包括第二主动兴趣支撑度和第二被动兴趣支撑度；所述用户兴趣预测热力图包括主动用户兴趣预测热力图和被动用户兴趣预测热力图；

所述在所述标定用户兴趣分析模型中，对所述基础用户兴趣点热力图和所述扩展用户兴趣点热力图进行融合，确定所述候选用户针对所述候选用户线上行为活动大数据的用户兴趣预测热力图，包括：

在所述标定用户兴趣分析模型中，对所述第一主动兴趣支撑度和所述第二主动兴趣支撑度进行兴趣置信度均值转化，确定所述候选用户针对所述候选用户线上行为活动大数据的所述主动用户兴趣预测热力图；

对所述第一被动兴趣支撑度和所述第二被动兴趣支撑度进行兴趣置信度均值转化，确定所述候选用户针对所述候选用户线上行为活动大数据的所述被动用户兴趣预测热力图。

8.根据权利要求2所述的服务于用户兴趣分析的大数据挖掘方法，其特征在于，所述基础用户兴趣点热力图包括第一主动兴趣支撑度、第一低跨度被动兴趣支撑度和第一高跨度被动兴趣支撑度；所述扩展用户兴趣点热力图包括第二主动兴趣支撑度、第二低跨度被动兴趣支撑度、第三低跨度被动兴趣支撑度和第二高跨度被动兴趣支撑度；

所述用户兴趣预测热力图包括主动用户兴趣预测热力图、低跨度被动用户兴趣预测热力图和高跨度被动用户兴趣预测热力图；

所述在所述标定用户兴趣分析模型中，对所述基础用户兴趣点热力图和所述扩展用户兴趣点热力图进行融合，确定所述候选用户针对所述候选用户线上行为活动大数据的用户兴趣预测热力图，包括：

在所述标定用户兴趣分析模型中，对所述第一主动兴趣支撑度和所述第二主动兴趣支撑度进行兴趣置信度均值转化，确定所述候选用户针对所述候选用户线上行为活动大数据的所述主动用户兴趣预测热力图；

对所述第一低跨度被动兴趣支撑度、所述第二低跨度被动兴趣支撑度和所述第三低跨度被动兴趣支撑度进行兴趣置信度均值转化，确定所述候选用户针对所述候选用户线上行为活动大数据的所述低跨度被动用户兴趣预测热力图；

对所述第一高跨度被动兴趣支撑度和所述第二高跨度被动兴趣支撑度进行兴趣置信度均值转化，确定所述候选用户针对所述候选用户线上行为活动大数据的所述高跨度被动用户兴趣预测热力图。

9.根据权利要求2所述的服务于用户兴趣分析的大数据挖掘方法，其特征在于，所述标定用户兴趣分析模型还包括兴趣融合单元；

所述基础用户兴趣分析子网络的数量为多个，多个基础用户兴趣分析子网络用于输出多个基础用户兴趣点热力图；所述扩展用户兴趣分析子网络的数量为多个，多个扩展用户兴趣分析子网络用于输出多个扩展用户兴趣点热力图；

所述在所述标定用户兴趣分析模型中，对所述基础用户兴趣点热力图和所述扩展用户兴趣点热力图进行融合，确定所述候选用户针对所述候选用户线上行为活动大数据的用户兴趣预测热力图，包括：

在所述标定用户兴趣分析模型中，对所述多个基础用户兴趣点热力图进行兴趣置信度均值转化，确定所述多个基础用户兴趣分析子网络对应的第一用户平均兴趣点热力图；

对所述多个扩展用户兴趣点热力图进行兴趣置信度均值转化，确定所述多个扩展用户兴趣分析子网络对应的第二用户平均兴趣点热力图；

对所述第一用户平均兴趣点热力图和所述第二用户平均兴趣点热力图进行融合，确定融合兴趣点热力图；

将所述融合兴趣点热力图加载至所述兴趣融合单元，依据所述兴趣融合单元对所述融合兴趣点热力图中的所述第一用户平均兴趣点热力图和所述第二用户平均兴趣点热力图进行融合学习，确定所述候选用户针对所述候选用户线上行为活动大数据的用户兴趣预测热力图。

10.一种云端AI部署系统，其特征在于，所述云端AI部署系统包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，所述处理器用于运行所述计算机程序时，执行权利要求1-9中任意一项的服务于用户兴趣分析的大数据挖掘方法。

Images