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应用AI和大数据分析的用户需求决策方法及互联网系统。
第一方面,本发明实施例提供一种应用AI和大数据分析的用户需求决策方法,应用于互联网系统,所述方法包括:
获取当前用户需求决策任务中等待进行用户意图决策的用户行为大数据;
将所述用户行为大数据加载到符合用户意图决策性能条件的用户意图决策模型中,确定所述用户行为大数据的用户意图类别分布信息;
获取所述用户意图类别分布信息中满足预设条件的目标用户意图类别,并获取所述用户行为大数据中在目标用户意图类别下的兴趣指向活动数据;
基于所述兴趣指向活动数据进行用户需求决策,获得对应的用户需求图谱,以基于所述用户需求图谱对发起所述当前用户需求决策任务所对应的用户终端进行需求信息推送。
在第一方面的一种可能的实施方式中,所述基于所述兴趣指向活动数据进行用户需求决策,获得对应的用户需求图谱,以基于所述用户需求图谱对发起所述当前用户需求决策任务所对应的用户终端进行需求信息推送的步骤,包括:
将所述兴趣指向活动数据输入到预先训练的用户需求分析模型,获得所述兴趣指向活动数据对应的目标用户需求对象以及所述目标用户需求对象之间的用户需求关系信息;
基于所述目标用户需求对象以及所述目标用户需求对象之间的用户需求关系信息构建对应的用户需求图谱;
搜索所述用户需求图谱中目标用户需求对象所对应的需求内容信息,并基于所述目标用户需求对象之间的用户需求关系信息对所述需求内容信息进行关系连接后生成对应的需求信息,并基于所述需求信息对发起所述当前用户需求决策任务所对应的用户终端进行需求信息推送;
在第一方面的一种可能的实施方式中,所述用户需求分析模型的训练步骤包括:
获取范例兴趣指向活动数据、所述范例兴趣指向活动数据中的范例用户需求对象和所述范例兴趣指向活动数据中用户需求对象的范例用户需求关系信息,所述范例兴趣指向活动数据表示用户需求对象的需求特征的兴趣数据,所述范例用户需求对象表示所述范例兴趣指向活动数据中用户需求对象相关的需求业务字段;
结合所述用户需求决策模型对所述范例兴趣指向活动数据进行用户需求对象决策,确定所述用户需求决策模型生成的所述范例兴趣指向活动数据中的决策用户需求对象;
结合所述用户需求关系决策模型对所述范例用户需求对象进行用户需求关系决策,确定所述用户需求关系决策模型生成的所述范例用户需求对象中用户需求对象的第一决策用户需求关系信息,以及结合所述用户需求关系决策模型对所述决策用户需求对象进行用户需求关系决策,确定所述用户需求关系决策模型生成的所述决策用户需求对象中用户需求对象的第二决策用户需求关系信息;
将所述用户需求关系决策模型的决策函数配置信息进行锁定,结合第一模型训练系数值和第二模型训练系数值对所述用户需求决策模型进行模型参数调优,将所述用户需求决策模型的决策函数配置信息进行锁定,结合所述第二模型训练系数值对所述用户需求关系决策模型进行模型参数调优,确定所述用户需求分析模型,所述用户需求分析模型包括所述用户需求决策模型和所述用户需求关系决策模型;其中,所述第一模型训练系数值是结合所述范例用户需求对象和所述决策用户需求对象之间的区别参数进行计算,所述第二模型训练系数值是结合所述第一决策用户需求关系信息、所述第二决策用户需求关系信息和所述范例用户需求关系信息进行之间的区别参数进行计算。
譬如在第一方面的一种可能的实施方式中,所述将所述用户需求关系决策模型的决策函数配置信息进行锁定,结合所述第一模型训练系数值和所述第二模型训练系数值对所述用户需求决策模型进行模型参数调优,包括:
将所述用户需求关系决策模型的决策函数配置信息进行锁定;
确定所述第一模型训练系数值中的训练误差函数值L1,并确定所述第二模型训练系数值中的训练误差函数值L2和训练误差函数值L3,结合所述训练误差函数值L1、所述训练误差函数值L2和所述训练误差函数值L3的加权训练误差函数值对所述用户需求决策模型进行模型参数调优; 其中,所述训练误差函数值L1表示所述范例用户需求对象与所述决策用户需求对象的训练误差函数值,所述训练误差函数值L2表示所述第二决策用户需求关系信息与所述范例用户需求关系信息的训练误差函数值,所述训练误差函数值L3表示所述第一决策用户需求关系信息与所述第二决策用户需求关系信息的训练误差函数值。
譬如在第一方面的一种可能的实施方式中,所述确定所述第一模型训练系数值中的训练误差函数值L1,包括:
结合所述范例用户需求对象与所述决策用户需求对象,结合第一指定训练误差计算函数确定所述训练误差函数值L1,所述第一指定训练误差计算函数是结合第一指定训练误差计算函数以及第二指定训练误差计算函数的加权函数值确定的;
所述确定所述第二模型训练系数值中的训练误差函数值L2和训练误差函数值L3,包括:
结合所述第二决策用户需求关系信息与所述范例用户需求关系信息,结合第二指定训练误差计算函数确定所述训练误差函数值L2,所述第二指定训练误差计算函数是结合第三指定训练误差计算函数确定的;
结合所述第一决策用户需求关系信息与所述第二决策用户需求关系信息,结合第三指定训练误差计算函数确定所述训练误差函数值L3,所述第三指定训练误差计算函数为用于确定所述第一决策用户需求关系信息与所述第二决策用户需求关系信息的训练误差函数值的函数;
所述结合所述训练误差函数值L1、所述训练误差函数值L2和所述训练误差函数值L3的加权训练误差函数值对所述用户需求决策模型进行模型参数调优,包括:
结合所述训练误差函数值L1、所述训练误差函数值L2和所述训练误差函数值L3的加权训练误差函数值,确定目标第一模型训练系数值;
结合所述目标第一模型训练系数值在所述用户需求决策模型中进行决策函数配置信息的调优和选取对所述用户需求决策模型进行模型参数调优。
譬如在第一方面的一种可能的实施方式中,所述结合所述目标第一模型训练系数值在所述用户需求决策模型中进行决策函数配置信息的调优和选取对所述用户需求决策模型进行模型参数调优,包括:
将所述目标第一模型训练系数值中的所述训练误差函数值L2与所述训练误差函数值L3分别与训练误差阶段性优化信息进行加权计算,确定加权目标第一模型训练系数值,所述训练误差阶段性优化信息的数值与对所述用户需求决策模型进行模型参数调优的过往调整信息关联;
结合所述加权目标第一模型训练系数值在所述用户需求决策模型中进行决策函数配置信息的调优和选取对所述用户需求决策模型进行模型参数调优。
譬如在第一方面的一种可能的实施方式中,所述将所述用户需求决策模型的决策函数配置信息进行锁定,结合所述第二模型训练系数值对所述用户需求关系决策模型进行模型参数调优,包括:
将所述用户需求决策模型的决策函数配置信息进行锁定,并确定所述第二模型训练系数值中的训练误差函数值L4、训练误差函数值L2和训练误差函数值L3;
结合所述训练误差函数值L4、所述训练误差函数值L2和所述训练误差函数值L3的加权训练误差函数值对所述用户需求关系决策模型进行模型参数调优,所述训练误差函数值L4表示所述第一决策用户需求关系信息与所述范例用户需求关系信息的训练误差函数值,所述训练误差函数值L2表示所述第二决策用户需求关系信息与所述范例用户需求关系信息的训练误差函数值,所述训练误差函数值L3表示所述第一决策用户需求关系信息与所述第二决策用户需求关系信息的训练误差函数值。
譬如在第一方面的一种可能的实施方式中,所述确定所述第二模型训练系数值中的训练误差函数值L4、训练误差函数值L2和训练误差函数值L3,包括:
结合所述第一决策用户需求关系信息与所述范例用户需求关系信息,结合第四指定训练误差计算函数确定所述训练误差函数值L4,所述第四指定训练误差计算函数是结合第三指定训练误差计算函数确定的;
结合所述第二决策用户需求关系信息与所述范例用户需求关系信息,结合第二指定训练误差计算函数确定所述训练误差函数值L2,所述第二指定训练误差计算函数是结合第三指定训练误差计算函数确定的;
结合所述第一决策用户需求关系信息与所述第二决策用户需求关系信息,结合第三指定训练误差计算函数确定所述训练误差函数值L3,所述第三指定训练误差计算函数为用于确定所述第一决策用户需求关系信息与所述第二决策用户需求关系信息的训练误差函数值的函数;
所述结合所述训练误差函数值L4、所述训练误差函数值L2和所述训练误差函数值L3的加权训练误差函数值对所述用户需求关系决策模型进行模型参数调优,包括:
结合所述训练误差函数值L4、所述训练误差函数值L2和所述训练误差函数值L3的加权训练误差函数值,确定第二模型训练系数值;
结合所述第二模型训练系数值在所述用户需求关系决策模型中进行决策函数配置信息的调优和选取对所述用户需求关系决策模型进行模型参数调优。
第二方面,本发明实施例还提供一种互联网系统,所述互联网系统包括至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行以实现以上第一方面的应用AI和大数据分析的用户需求决策方法。
采用以上任意方面的技术方案,通过确定用户行为大数据的用户意图类别分布信息,获取用户意图类别分布信息中满足预设条件的目标用户意图类别,并获取用户行为大数据中在目标用户意图类别下的兴趣指向活动数据,基于兴趣指向活动数据进行用户需求决策,获得对应的用户需求图谱,以基于用户需求图谱对发起当前用户需求决策任务所对应的用户终端进行需求信息推送,从而通过用户意图决策后进一步进行兴趣指向活动跟踪,由此挖掘出用户需求图谱进行需求信息推送,相较于相关技术而言增加了兴趣指向维度的考虑,从而提高信息推送的可靠性。
具体实施方式
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“对应于”以及它们的任何变形,意图在于覆盖不排它的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面介绍本发明一种实施例提供的应用AI和大数据分析的用户需求决策系统10的架构,该应用AI和大数据分析的用户需求决策系统10可以包括互联网系统100以及与互联网系统100通信连接的用户应用服务器200。其中,应用AI和大数据分析的用户需求决策系统10中的互联网系统100和用户应用服务器200可以通过配合执行以下方法实施例所描述的应用AI和大数据分析的用户需求决策方法,具体互联网系统100和用户应用服务器200的执行步骤部分可以参照以下方法实施例的详细描述。
本实施例提供的应用AI和大数据分析的用户需求决策方法可以由互联网系统100执行,下面结合图1对该应用AI和大数据分析的用户需求决策方法进行详细介绍。
Process110,获取当前用户需求决策任务中等待进行用户意图决策的用户行为大数据。
本实施例中,用户终端可以主动或者被动发起用户需求决策任务,以请求互联网系统100进行用户需求分析后推送对应的需求信息。此时,该互联网系统100可以获取当前用户需求决策任务中等待进行用户意图决策的用户行为大数据,用户行为大数据可以包括相关用户在互联网业务页面(如电商页面)中进行各种用户行为活动(如关注行为、订阅行为、分享行为等)的数据序列。
Process120,将所述用户行为大数据加载到符合用户意图决策性能条件的用户意图决策模型中,确定所述用户行为大数据的用户意图类别分布信息。
本实施例中,用户意图类别分布信息可以包括多个预测的用户意图类别以及每个用户意图类别所对应的预测置信度值。
Process130,获取所述用户意图类别分布信息中满足预设条件的目标用户意图类别,并获取所述用户行为大数据中在目标用户意图类别下的兴趣指向活动数据。
本实施例中,该预设条件可以是预测置信度值大于设定置信度值,也即获取预测置信度值大于设定置信度值的目标用户意图类别,由此可以返回追溯目标用户意图类别相关联的特定兴趣数据,如获取所述用户行为大数据中在目标用户意图类别下的兴趣指向活动数据,具体获取方式可以是确定目标用户意图类别所对应的兴趣字段,然后获取所述用户行为大数据中匹配该兴趣字段的兴趣指向活动数据。
Process140,基于所述兴趣指向活动数据进行用户需求决策,获得对应的用户需求图谱,以基于所述用户需求图谱对发起所述当前用户需求决策任务所对应的用户终端进行需求信息推送。
本实施例中,用户需求图谱可以包括多个目标用户需求对象以及所述多个目标用户需求对象之间的关系,如用户需求对象-A产品字段、用户需求对象-B产品字段,用户需求对象-A产品字段、用户需求对象-B产品字段之间的关系可以是A产品字段的触发前置字段是B产品字段。
基于以上步骤,本实施例通过确定用户行为大数据的用户意图类别分布信息,获取用户意图类别分布信息中满足预设条件的目标用户意图类别,并获取用户行为大数据中在目标用户意图类别下的兴趣指向活动数据,基于兴趣指向活动数据进行用户需求决策,获得对应的用户需求图谱,以基于用户需求图谱对发起当前用户需求决策任务所对应的用户终端进行需求信息推送,从而通过用户意图决策后进一步进行兴趣指向活动跟踪,由此挖掘出用户需求图谱进行需求信息推送,相较于相关技术而言增加了兴趣指向维度的考虑,从而提高信息推送的可靠性。
下面介绍本申请另一个方法实施例,在Process110之前,可以包括下述步骤。
Process101:获取包含多个典型用户行为数据的典型训练数据。
一些示例性的设计思路中,各典型用户行为数据为一个训练数据单位,各训练数据单位可以包括下述数据:
(1)典型用户行为数据关联的典型协同关注链分布。
典型协同关注链分布可以包括典型用户行为数据关联的任意可能的协同关注链分布,关注链可以包括相关用户关注某个页面对象的流程,如页面对象A-页面对象B-页面对象C可以作为一个关注链。
(2)典型用户行为数据的典型用户关注链分布。
典型用户关注链分布是对典型用户行为数据所包括的用户行为事件进行用户关注链节点挖掘得到的,用户行为事件可以包括典型用户行为数据的所有用户行为事件或者部分用户行为事件,当包括典型用户行为数据的部分用户行为事件时,则可以从典型用户行为数据中提取部分用户行为事件。
例如,可以依据符合用户意图决策性能条件的用户关注链节点挖掘模型,对多个用户行为事件分别进行用户关注链节点挖掘,由此输出多个用户行为事件分别对应的目标用户关注链分布。
(3)典型用户行为数据的典型用户意图类别
一些示例性的设计思路中,训练依据的典型用户意图类别为依据典型用户行为数据生成时开发标注或者提示相关用户标注的行为节点意图获得的。
一些示例性的设计思路中,典型用户意图类别可包括行为节点意图和行为迁移意图,行为迁移意图是在获取所有的典型用户行为数据之后,给所有典型用户行为数据按顺序进行事件标注,各典型用户行为数据拥有一个全局事件标注,且该事件标注唯一对应一个典型用户行为数据。
Process102:分别依据本次训练阶段加载的各典型用户行为数据分别对应的典型协同关注链分布和典型用户关注链分布,确定所述各典型用户行为数据分别对应的典型学习关注分布变量。
一些示例性的设计思路中,对于用户意图决策模型的训练,可以依据多轮循环迭代训练进行执行。
在每轮训练阶段中,可从典型训练数据中提取部分典型用户行为数据作为本轮训练阶段的输入,例如支持度可基于实际需求进行设定,由此可依据本轮训练阶段的用户意图决策模型,也就是前一轮更新后的用户意图决策模型,依据本次训练阶段加载的各典型用户行为数据的典型协同关注链分布和典型用户关注链分布,来获得各典型用户行为数据分别对应的典型学习关注分布变量。
例如,在本轮训练阶段所需的典型用户行为数据选定之后,加载各典型用户行为数据的典型协同关注链分布和典型用户关注链分布,进而依据输入的各典型用户行为数据的典型协同关注链分布和典型用户关注链分布,相应获得各典型用户行为数据分别对应的典型学习关注分布变量。
一些示例性的设计思路中,可以依据典型学习关注分布变量,来计算本次训练阶段的全局训练代价值。
Process103:对各典型学习关注分布变量进行多维度意图预测,确定该典型学习关注分布变量对应的典型用户行为数据的行为节点意图特征信息。
一些示例性的设计思路中,可以依据各典型用户行为数据的典型学习关注分布变量,输出该典型用户行为数据的行为节点意图特征信息,即得到该典型用户行为数据的输出用户意图类别,这里则具体为生成的为节点意图,从而可以依据生成的行为节点意图与实际行为节点意图进行比较,依据其训练误差函数值得到关于意图训练的意图训练代价值。
其中,行为节点意图特征信息包含多个第一意图预测表达属性,每个第一意图预测表达属性对应多个典型用户行为数据对应的所有行为节点意图中的一种,且各第一意图预测表达属性上的属性信息表达典型用户行为数据是否映射有关联行为节点意图。
Process104:依据各行为节点意图特征信息以及相应典型用户行为数据的行为节点意图,确定意图训练代价值。
例如,针对各行为节点意图特征信息而言,依据行为节点意图特征信息中各第一意图预测表达属性的属性信息,与对应的典型用户行为数据的行为节点意图,以及预设训练影响权重和训练代价判别参数,确定对应的典型用户行为数据的单元训练代价值,进而,依据各典型用户行为数据的单元训练代价值,输出意图训练代价值。
Process105:依据各典型学习关注分布变量进行特征提取,分别获得各典型用户行为数据的行为迁移意图特征信息。
一些示例性的设计思路中,可以依据各典型用户行为数据的典型学习关注分布变量,输出该典型用户行为数据的行为迁移意图特征信息,即得到该典型用户行为数据的输出用户意图类别,这里则具体为生成的行为迁移意图,从而可以依据生成的行为迁移意图与实际的行为迁移意图进行比较,依据其训练误差函数值得到关于行为训练的行为训练代价值。
其中,行为迁移意图特征信息包含多个第二意图预测表达属性,每个第二意图预测表达属性对应唯一的一个行为迁移意图,且各第二意图预测表达属性上的属性信息表达典型用户行为数据的预测意图为对应行为迁移意图的支持度。
Process106:依据行为迁移意图特征信息以及对应的典型用户行为数据的行为迁移意图,确定行为训练代价值。
例如,针对一个典型用户行为数据而言,确定生成的行为迁移意图特征信息中,该典型用户行为数据的行为迁移意图对应的目标意图预测表达属性的第一属性预测值,并依据预设的用户需求空间特征,对第一属性预测值进行线性变换,确定第三属性预测值,以及,确定行为迁移意图特征信息中,除目标意图预测表达属性之外的其余第二意图预测表达属性的第二属性预测值,从而依据各第二属性预测值与第三属性预测值,确定该典型用户行为数据的单元训练代价值,进而依据各典型用户行为数据的单元训练代价值,输出意图训练代价值。
Process107:依据意图训练代价值以及行为训练代价值,输出本次训练阶段的全局训练代价值。
一些示例性的设计思路中,在获取意图训练代价值以及行为训练代价值之后,则可以依据意图训练代价值以及行为训练代价值,输出本次训练阶段的全局训练代价值。
例如,可以将意图训练代价值以及行为训练代价值进行融合加权,得到全局训练代价值。
Process108:确定用户意图决策模型是否满足模型训练终止要求。
一些示例性的设计思路中,训练终止要求可以包括如下条件的一个或者多个:
(1)迭代训练次数达到设定的次数阈值。
(2)全局训练代价值小于设定的训练代价值阈值。
Process109:若用户意图决策模型不满足模型训练终止要求,则依据全局训练代价值进行AI调优和优化。若用户意图决策模型满足模型训练终止要求,则模型训练结束,确定符合用户意图决策性能条件的用户意图决策模型,并可利用该用户意图决策模型进行后续的用户意图决策。
下面介绍本申请另一个方法实施例,对应于前述的Process110,该方法实施例的流程介绍如下。
Process201:获取当前用户需求决策任务中等待进行用户意图决策的用户行为大数据,确定用户行为大数据涵盖的多个用户行为事件的目标用户关注链分布,以及获取用户行为大数据存在业务联系的目标协同关注链分布。
Process202:将目标协同关注链分布和目标用户关注链分布,加载到符合用户意图决策性能条件的用户意图决策模型中,确定用户行为大数据的用户意图类别分布信息;其中,符合用户意图决策性能条件的用户意图决策模型是依据各典型用户行为数据分别对应的典型学习关注分布变量获得的输出用户意图类别,以及对应的典型用户意图类别进行模型参数层信息的调优和选取得到的;各典型学习关注分布变量是依据对应的典型用户行为数据的典型协同关注链分布和典型用户关注链分布得到的,各典型用户行为数据的典型用户意图类别是依据该典型用户行为数据生成时开发标注或者提示相关用户标注的行为节点意图获得的。
一些示例性的设计思路中,将获得的用户行为大数据的对应输入数据加载到用户意图决策模型,即将上述目标协同关注链分布和目标用户关注链分布加载到符合用户意图决策性能条件的用户意图决策模型中,通过用户意图决策模型进行处理后,则可以获得用户意图决策模型生成的用户行为大数据的学习关注分布变量。
本实施例中的用户意图决策模型可以依据典型用户行为数据生成时开发标注或者提示相关用户标注的行为节点意图作为典型用户意图类别。
学习关注分布变量的获取过程适用于训练阶段和实际应用阶段,对于训练阶段,下述的协同关注链分布和用户关注链分布具体为各典型用户行为数据的典型协同关注链分布和典型用户关注链分布,当处于实际应用阶段时,下述的协同关注链分布和用户关注链分布具体为用户行为大数据的目标协同关注链分布和目标用户关注链分布。
Process301:对协同关注链分布涵盖的各关注链节点进行特征编码,确定各关注链节点分别对应的关注节点特征信息。
针对协同关注链分布,这里以上述提及的三种协同关注链分布为例进行说明,当还包括更多的协同关注链分布时,该方法同样适用。
例如,协同关注链分布一般由多个协同关注链组成,候选协同关注链由多个关注链节点组成,针对各协同关注链中各关注链节点的处理基本相同,这里具体以候选协同关注链为例进行介绍。例如,针对候选协同关注链包括的各关注链节点,可从历史标注的关注倾向特征图谱中,分别获取各关注链节点对应的关注倾向特征信息,例如候选协同关注链包括的关注链节点1~n,分别得到对应的关注倾向特征信息Ea1~Ean。在历史标注的关注倾向特征图谱中,各关注链节点都唯一对应着一个关注倾向特征信息。
例如,可预先从历史标注的关注倾向特征图谱中,分别获取各关注链节点对应的关注倾向实体,进而针对关注倾向实体进行特征提取,以获得各关注链节点的特征信息,即关注倾向特征信息。
此外,还可以依据各关注链节点在该协同关注链中的协同身份信息,相应获得各关注链节点分别对应的协同身份特征信息。
以及,依据各关注链节点所在的协同关注链的关注业务标签,确定各关注链节点分别对应的关注业务标签特征信息。
进而,可以基于各关注链节点对应的关注倾向特征信息、协同身份特征信息和关注业务标签特征信息,相应获得各关注链节点对应的关注节点特征信息。
例如,可以对关注倾向特征信息、协同身份特征信息和关注业务标签特征信息进行融合,由此生成相应关注链节点对应的关注节点特征信息。
Process302:依据多个用户行为事件分别对应的用户关注链分布,确定多个用户行为事件分别对应的用户行为特征信息。
一些示例性的设计思路中,针对多个用户行为事件,获得各用户行为事件的目标用户关注链分布,进而依据各用户行为事件的目标用户关注链分布,可以获得各用户行为事件的关注倾向特征信息;并且,可以依据各用户行为事件在用户行为大数据中的协同身份信息,也就是用户行为事件在用户行为数据中触发的协同身份,相应获得各用户行为事件的协同身份特征信息,以及,依据用户行为事件的关注业务标签,确定各用户行为事件的关注业务标签特征信息,其中,关注业务标签即为用户关注的业务类型,各用户行为事件的关注业务标签特征信息均指示用户关注的业务类型。
进而,可以分别基于各用户行为事件的关注倾向特征信息、协同身份特征信息和关注业务标签特征信息,相应获得各用户行为事件的用户行为特征信息。
与协同关注链分布类似,可以对关注倾向特征信息、协同身份特征信息和关注业务标签特征信息进行融合,由此生成相应用户行为事件的用户行为特征信息。
Process303:将各关注节点特征信息和用户行为特征信息进行特征连通,确定目标连通特征簇。
一些示例性的设计思路中,可以将各关注链节点中各协同关注链包括的多个关注链节点的关注节点特征信息进行特征连通,确定各协同关注链的关注链连通特征。
Process304:依据所述用户意图决策模型,对所述目标连通特征簇进行用户意图决策,确定所述用户意图类别分布信息。
一种可能的实施方式中,Process140中,可以将所述兴趣指向活动数据输入到预先训练的用户需求分析模型,获得所述兴趣指向活动数据对应的目标用户需求对象以及所述目标用户需求对象之间的用户需求关系信息,基于所述目标用户需求对象以及所述目标用户需求对象之间的用户需求关系信息构建对应的用户需求图谱,搜索所述用户需求图谱中目标用户需求对象所对应的需求内容信息,并基于所述目标用户需求对象之间的用户需求关系信息对所述需求内容信息进行关系连接后生成对应的需求信息,并基于所述需求信息对发起所述当前用户需求决策任务所对应的用户终端进行需求信息推送;
例如,用户需求分析模型的训练步骤包括以下步骤。
(1)获取范例兴趣指向活动数据、所述范例兴趣指向活动数据中的范例用户需求对象和所述范例兴趣指向活动数据中用户需求对象的范例用户需求关系信息,所述范例兴趣指向活动数据表示用户需求对象的需求特征的兴趣数据,所述范例用户需求对象表示所述范例兴趣指向活动数据中用户需求对象相关的需求业务字段;
(2)结合所述用户需求决策模型对所述范例兴趣指向活动数据进行用户需求对象决策,确定所述用户需求决策模型生成的所述范例兴趣指向活动数据中的决策用户需求对象;
(3)结合所述用户需求关系决策模型对所述范例用户需求对象进行用户需求关系决策,确定所述用户需求关系决策模型生成的所述范例用户需求对象中用户需求对象的第一决策用户需求关系信息,以及结合所述用户需求关系决策模型对所述决策用户需求对象进行用户需求关系决策,确定所述用户需求关系决策模型生成的所述决策用户需求对象中用户需求对象的第二决策用户需求关系信息;
(4)将所述用户需求关系决策模型的决策函数配置信息进行锁定,结合第一模型训练系数值和第二模型训练系数值对所述用户需求决策模型进行模型参数调优,将所述用户需求决策模型的决策函数配置信息进行锁定,结合所述第二模型训练系数值对所述用户需求关系决策模型进行模型参数调优,确定所述用户需求分析模型,所述用户需求分析模型包括所述用户需求决策模型和所述用户需求关系决策模型;其中,所述第一模型训练系数值是结合所述范例用户需求对象和所述决策用户需求对象之间的区别参数进行计算,所述第二模型训练系数值是结合所述第一决策用户需求关系信息、所述第二决策用户需求关系信息和所述范例用户需求关系信息进行之间的区别参数进行计算。
譬如,一种可能的实施方式中,将所述用户需求关系决策模型的决策函数配置信息进行锁定,结合所述第一模型训练系数值和所述第二模型训练系数值对所述用户需求决策模型进行模型参数调优,包括:将所述用户需求关系决策模型的决策函数配置信息进行锁定;确定所述第一模型训练系数值中的训练误差函数值L1,并确定所述第二模型训练系数值中的训练误差函数值L2和训练误差函数值L3,结合所述训练误差函数值L1、所述训练误差函数值L2和所述训练误差函数值L3的加权训练误差函数值对所述用户需求决策模型进行模型参数调优; 其中,所述训练误差函数值L1表示所述范例用户需求对象与所述决策用户需求对象的训练误差函数值,所述训练误差函数值L2表示所述第二决策用户需求关系信息与所述范例用户需求关系信息的训练误差函数值,所述训练误差函数值L3表示所述第一决策用户需求关系信息与所述第二决策用户需求关系信息的训练误差函数值。
譬如一种可能的实施方式中,确定所述第一模型训练系数值中的训练误差函数值L1,包括:结合所述范例用户需求对象与所述决策用户需求对象,结合第一指定训练误差计算函数确定所述训练误差函数值L1,所述第一指定训练误差计算函数是结合第一指定训练误差计算函数以及第二指定训练误差计算函数的加权函数值确定的;确定所述第二模型训练系数值中的训练误差函数值L2和训练误差函数值L3,包括:结合所述第二决策用户需求关系信息与所述范例用户需求关系信息,结合第二指定训练误差计算函数确定所述训练误差函数值L2,所述第二指定训练误差计算函数是结合第三指定训练误差计算函数确定的;结合所述第一决策用户需求关系信息与所述第二决策用户需求关系信息,结合第三指定训练误差计算函数确定所述训练误差函数值L3,所述第三指定训练误差计算函数为用于确定所述第一决策用户需求关系信息与所述第二决策用户需求关系信息的训练误差函数值的函数;结合所述训练误差函数值L1、所述训练误差函数值L2和所述训练误差函数值L3的加权训练误差函数值对所述用户需求决策模型进行模型参数调优,包括:结合所述训练误差函数值L1、所述训练误差函数值L2和所述训练误差函数值L3的加权训练误差函数值,确定目标第一模型训练系数值;结合所述目标第一模型训练系数值在所述用户需求决策模型中进行决策函数配置信息的调优和选取对所述用户需求决策模型进行模型参数调优。
譬如一种可能的实施方式中,结合所述目标第一模型训练系数值在所述用户需求决策模型中进行决策函数配置信息的调优和选取对所述用户需求决策模型进行模型参数调优,包括:将所述目标第一模型训练系数值中的所述训练误差函数值L2与所述训练误差函数值L3分别与训练误差阶段性优化信息进行加权计算,确定加权目标第一模型训练系数值,所述训练误差阶段性优化信息的数值与对所述用户需求决策模型进行模型参数调优的过往调整信息关联;结合所述加权目标第一模型训练系数值在所述用户需求决策模型中进行决策函数配置信息的调优和选取对所述用户需求决策模型进行模型参数调优。
譬如一种可能的实施方式中,将所述用户需求决策模型的决策函数配置信息进行锁定,结合所述第二模型训练系数值对所述用户需求关系决策模型进行模型参数调优,包括:将所述用户需求决策模型的决策函数配置信息进行锁定,并确定所述第二模型训练系数值中的训练误差函数值L4、训练误差函数值L2和训练误差函数值L3;结合所述训练误差函数值L4、所述训练误差函数值L2和所述训练误差函数值L3的加权训练误差函数值对所述用户需求关系决策模型进行模型参数调优,所述训练误差函数值L4表示所述第一决策用户需求关系信息与所述范例用户需求关系信息的训练误差函数值,所述训练误差函数值L2表示所述第二决策用户需求关系信息与所述范例用户需求关系信息的训练误差函数值,所述训练误差函数值L3表示所述第一决策用户需求关系信息与所述第二决策用户需求关系信息的训练误差函数值。
譬如一种可能的实施方式中,确定所述第二模型训练系数值中的训练误差函数值L4、训练误差函数值L2和训练误差函数值L3,包括:结合所述第一决策用户需求关系信息与所述范例用户需求关系信息,结合第四指定训练误差计算函数确定所述训练误差函数值L4,所述第四指定训练误差计算函数是结合第三指定训练误差计算函数确定的;结合所述第二决策用户需求关系信息与所述范例用户需求关系信息,结合第二指定训练误差计算函数确定所述训练误差函数值L2,所述第二指定训练误差计算函数是结合第三指定训练误差计算函数确定的;结合所述第一决策用户需求关系信息与所述第二决策用户需求关系信息,结合第三指定训练误差计算函数确定所述训练误差函数值L3,所述第三指定训练误差计算函数为用于确定所述第一决策用户需求关系信息与所述第二决策用户需求关系信息的训练误差函数值的函数;结合所述训练误差函数值L4、所述训练误差函数值L2和所述训练误差函数值L3的加权训练误差函数值对所述用户需求关系决策模型进行模型参数调优,包括:结合所述训练误差函数值L4、所述训练误差函数值L2和所述训练误差函数值L3的加权训练误差函数值,确定第二模型训练系数值;结合所述第二模型训练系数值在所述用户需求关系决策模型中进行决策函数配置信息的调优和选取对所述用户需求关系决策模型进行模型参数调优。
图2示出了本发明实施例提供的用于实现上述的应用AI和大数据分析的用户需求决策系统的互联网系统100的硬件结构意图,如图2所示,互联网系统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应用AI和大数据分析的用户需求决策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应用AI和大数据分析的用户需求决策方法。
需要说明的是,本发明上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(LAM)、只读存储器(LOM)、可擦式可编程只读存储器(EPLOM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-LOM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、LM(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备执行上述实施例所示的方法。
本发明又一实施例还提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如上述任一实施例所述的应用AI和大数据分析的用户需求决策方法。
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。