CN115203498A - 应用专家系统的数据信息推送分析方法及系统 - Google Patents
应用专家系统的数据信息推送分析方法及系统 Download PDFInfo
- Publication number
- CN115203498A CN115203498A CN202210754495.1A CN202210754495A CN115203498A CN 115203498 A CN115203498 A CN 115203498A CN 202210754495 A CN202210754495 A CN 202210754495A CN 115203498 A CN115203498 A CN 115203498A
- Authority
- CN
- China
- Prior art keywords
- computer interaction
- online human
- pushing
- event
- interaction event
- 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- Withdrawn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
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开实施例公开了应用专家系统的数据信息推送分析方法及系统,能够对不同类型的服务交互记录中的数字化服务文本日志journal1和数字化服务文本日志journal2进行在线人机交互事件的关联分析,通过在线人机交互事件的关联分析结果将数字化服务文本日志journal1中的第一在线人机交互事件调整成交互兴趣知识关系网,从交互兴趣知识关系网中挖掘得到全局定向推送需求向量(比如定向推送需求向量vector1),利用全局定向推送需求向量协助局部定向推送需求向量(比如定向推送需求向量vector2和定向推送需求向量vector3)进行推送需求决策分析,这样可以提高推送需求决策分析的准确性和可靠性,从而减少推送误差。
Description
技术领域
本公开涉及大数据推送技术领域,尤其涉及一种应用专家系统的数据信息推送分析方法及系统。
背景技术
专家系统是一个智能计算机程序系统,其内部含有大量的某个领域专家水平的知识与经验,它能够应用人工智能技术和计算机技术,根据系统中的知识与经验,进行推理和判断,模拟人类专家的决策过程,以便解决那些需要人类专家处理的复杂问题,简而言之,专家系统是一种模拟人类专家解决领域问题的计算机程序系统。
专家系统通常由人机交互界面、知识库、推理机、解释器、综合数据库、知识获取等6个部分构成。其中尤以知识库与推理机相互分离而别具特色。专家系统的体系结构随专家系统的类型、功能和规模的不同,而有所差异。
当下,专家系统的应用领域逐渐扩大,但涉及到大数据推送时,传统的专家系统难以实现准确可靠的推送决策分析,常常出现误推送的问题。
发明内容
本公开的一个目的是提供一种应用专家系统的数据信息推送分析方法及系统。
本公开的技术方案是通过如下至少部分实施例实现的。
一种应用专家系统的数据信息推送分析方法,应用于推送分析系统,该方法包括:通过在线人机交互事件的关联分析确定数字化服务文本日志journal1中的若干个第一在线人机交互事件的交互兴趣知识关系网;对交互兴趣知识关系网、数字化服务文本日志journal1和数字化服务文本日志journal2分别进行大数据推送需求挖掘,获得待进行大数据推送的数字客户终端的定向推送需求向量vector1、定向推送需求向量vector2和定向推送需求向量vector3;通过定向推送需求向量vector1、定向推送需求向量vector2和定向推送需求向量vector3,获得推送需求决策信息。
可以理解的是,本公开实施例中首先通过在线人机交互事件的关联分析确定数字化服务文本日志journal1中的若干个第一在线人机交互事件的交互兴趣知识关系网;然后对交互兴趣知识关系网、数字化服务文本日志journal1和数字化服务文本日志journal2分别进行大数据推送需求挖掘,获得待进行大数据推送的数字客户终端的定向推送需求向量vector1、定向推送需求向量vector2和定向推送需求向量vector3;再通过定向推送需求向量vector1、定向推送需求向量vector2和定向推送需求向量vector3,获得推送需求决策信息。
应用于上述实施例,这样对不同类型的服务交互记录中的数字化服务文本日志journal1和数字化服务文本日志journal2进行在线人机交互事件的关联分析,通过在线人机交互事件的关联分析结果将数字化服务文本日志journal1中的第一在线人机交互事件调整成交互兴趣知识关系网,从交互兴趣知识关系网中挖掘得到全局定向推送需求向量(比如定向推送需求向量vector1),利用全局定向推送需求向量协助局部定向推送需求向量(比如定向推送需求向量vector2和定向推送需求向量vector3)进行推送需求决策分析,这样可以提高推送需求决策分析的准确性和可靠性,从而减少推送误差。
在一些独立性实施例下,通过在线人机交互事件的关联分析确定数字化服务文本日志journal1中的若干个第一在线人机交互事件的交互兴趣知识关系网,包括:将数字化服务文本日志journal1中的各第一在线人机交互事件与数字化服务文本日志journal2中的各第二在线人机交互事件进行绑定,获得若干个在线人机交互事件二元组,若干个在线人机交互事件二元组中的各在线人机交互事件二元组包括若干个第一在线人机交互事件中的一个第一在线人机交互事件和与第一在线人机交互事件相配对的第二在线人机交互事件;获取各在线人机交互事件二元组中的第一在线人机交互事件和第二在线人机交互事件的交互行为比较向量;通过交互行为比较向量获得各在线人机交互事件二元组中的第一在线人机交互事件的交互行为热力数据;通过各在线人机交互事件二元组中的第一在线人机交互事件的交互行为热力数据确定各在线人机交互事件二元组中的第一在线人机交互事件的交互兴趣知识关系网。
应用于上述实施例,将各第一在线人机交互事件与各第二在线人机交互事件进行绑定,获得若干个在线人机交互事件二元组,利用在线人机交互事件二元组确定交互行为比较向量,利用交互行为比较向量获得第一在线人机交互事件的交互行为热力数据,通过交互行为热力数据确定第一在线人机交互事件对应的交互兴趣知识关系网,以便于获得全局定向推送需求向量,实现交互兴趣知识关系网协助推送决策分析。
在一些独立性实施例下,将数字化服务文本日志journal1中的各第一在线人机交互事件与数字化服务文本日志journal2中的各第二在线人机交互事件进行绑定,获得若干个在线人机交互事件二元组,包括:确定各第一在线人机交互事件对应的事件描述短语与各第二在线人机交互事件对应的事件描述短语之间的描述短语共性值;通过描述短语共性值,获得各第一在线人机交互事件与各第二在线人机交互事件的关联性评价值;对于各第一在线人机交互事件,从各第二在线人机交互事件中挑选出关联性评价值最大的目标第二在线人机交互事件;将各第一在线人机交互事件和目标第二在线人机交互事件确定为在线人机交互事件二元组,获得若干个在线人机交互事件二元组。
应用于上述实施例,在各第一在线人机交互事件和各第二在线人机交互事件对应的事件描述短语包含尽可能多样化的特征的基础上,再通过描述短语共性值获得各第一在线人机交互事件与各第二在线人机交互事件的关联性评价值,通过关联性评价值进行在线人机交互事件的关联分析,可以提高在线人机交互事件的关联分析的精度,降减少关联分析误差。
在一些独立性实施例下,通过描述短语共性值,获得各第一在线人机交互事件与各第二在线人机交互事件的关联性评价值,包括:获取各第一在线人机交互事件在数字化服务文本日志journal1中的第一相对分布标签;获取各第二在线人机交互事件在数字化服务文本日志journal2中的第二相对分布标签;依据第一相对分布标签和第二相对分布标签,确定出各第一在线人机交互事件与各第二在线人机交互事件之间的相对分布共性值;获取各第一在线人机交互事件的第一影响权重,以及获取各第二在线人机交互事件的第二影响权重;确定第一影响权重与第二影响权重之间的共性值;
对描述短语共性值、相对分布共性值和第一影响权重与第二影响权重之间的共性值进行全局化运算,获得关联性评价值。
应用于上述实施例,相对于传统的通过描述短语共性值的在线人机交互事件的关联分析,对各在线人机交互事件的窗口化分布数据进行相对分布标签,通过相对分布标签确定各第一在线人机交互事件与各第二在线人机交互事件之间的相对分布共性值,将相对分布共性值和影响权重之间的共性值都视为在线人机交互事件的关联分析的考虑因素,可以提高在线人机交互事件的关联分析的精度,可以尽量保障交互行为比较向量的精度。
在一些独立性实施例下,通过定向推送需求向量vector1、定向推送需求向量vector2和定向推送需求向量vector3,获得推送需求决策信息,包括:将定向推送需求向量vector1、定向推送需求向量vector2和定向推送需求向量vector3融合,获得推送需求融合向量;依据指定的朴素贝叶斯算法对推送需求融合向量进行处理,获得推送需求决策信息。
应用于上述实施例,由于推送需求融合向量引入了定向推送需求向量vector2所具有的需求类别、需求时段、需求情绪、定向推送需求向量vector3所具有的需求对象、需求热度等特征数据,以及引入了定向推送需求向量vector1所具有的全局特征数据,从而能够基于推送需求融合向量确定出尽可能准确可靠的推送需求决策信息。
在一些独立性实施例下,在通过在线人机交互事件的关联分析确定数字化服务文本日志journal1中的若干个第一在线人机交互事件的交互兴趣知识关系网之前,该方法还包括:依据完成调试的深度学习模型分别对数字化服务文本日志journal1和数字化服务文本日志journal2进行大数据推送需求挖掘,获得第一交互事件特征知识集和第二交互事件特征知识集;通过各第一在线人机交互事件在数字化服务文本日志journal1中的窗口化分布数据,获得各第一在线人机交互事件在第一交互事件特征知识集中对应的事件描述短语;以及,通过各第二在线人机交互事件在数字化服务文本日志journal2中的窗口化分布数据,获得各第二在线人机交互事件在第二交互事件特征知识集中对应的事件描述短语。
应用于上述实施例,依据深度学习模型进行交互事件特征知识集挖掘,由于高阶知识内容更多样化,而低阶知识虽多样性较差但窗口化分布数据(定位标签)更多样化,因此通过整合高阶知识与低阶知识,获得的第一交互事件特征知识集和第二交互事件特征知识集具有多样化的知识内容和窗口化分布数据,这样可以保障在线人机交互事件对应的事件描述短语所包含的细节内容更加多样化,有助于后续的在线人机交互事件的关联分析。
在一些独立性实施例下,该方法还包括:在推送需求决策信息表示待进行大数据推送的数字客户终端为推送匹配目标的基础上,将第一交互事件特征知识集与第二交互事件特征知识集进行融合,获得第三交互事件特征知识集;依据若干个第一在线人机交互事件在第三交互事件特征知识集中对应的事件描述短语,从大数据推送服务器中搜索获得与待进行大数据推送的数字客户终端所关联的终端标识;将终端标识、待进行大数据推送的数字客户终端的待推送项目数据和推送授权信息输出于GUI窗口;在获取到与推送授权信息对应的生物特征认证数据的基础上,确认待进行大数据推送的数字客户终端同意推送,以及统计若干个第一在线人机交互事件的数目和推送状态特征。
应用于上述实施例,在推送进程中记录下待进行大数据推送的数字客户终端若干个第一在线人机交互事件的数目以方便之后对该若干个第一在线人机交互事件的数目进行分析,提前确定出待进行大数据推送的数字客户终端后续数据推送的推送授权信息,从而提升待进行大数据推送的数字客户终端的推送智能化程度。
在一些独立性实施例下,该方法还包括:获取设定周期内待进行大数据推送的数字客户终端的多组数据推送报告,多组数据推送报告中的每组数据推送报告皆涵盖待进行大数据推送的数字客户终端对应的阶段交互环节的在线人机交互事件的数目和通过阶段交互环节的在线人机交互事件对应的事件描述短语识别获得的推送可行性指数;获取阶段交互环节的在线人机交互事件的数目和推送可行性指数的线性相关度;从阶段交互环节中确定出线性相关度最大的目标交互环节;通过目标交互环节确定待进行大数据推送的数字客户终端后一轮数据推送的推送授权信息。
应用于上述实施例,通过每轮确定出的在线人机交互事件对待进行大数据推送的数字客户终端数据推送的推送可行性指数进行识别,并对最近周期内待进行大数据推送的数字客户终端的阶段交互环节的在线人机交互事件数目与识别出的推送可行性指数进行统计,分析阶段交互环节的在线人机交互事件的数目与推送可行性指数的相关度,可以快速确定待进行大数据推送的数字客户终端后一轮数据推送的推送授权信息,进而提升待进行大数据推送的数字客户终端后一轮数据推送的智能化程度。
一种推送分析系统,包括:用于存储可执行计算机程序的存储器,用于执行所述存储器中存储的可执行计算机程序时实现上述方法的处理器。
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方法。
附图说明
图1是示出可以实现本公开的实施例的推送分析系统的一种通信配置的示意图。
图2是示出可以实现本公开的实施例的应用专家系统的数据信息推送分析方法的流程示意图。
图3是示出可以实现本公开的实施例的应用专家系统的数据信息推送分析方法的应用环境的架构示意图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述。为了使本公开的目的、技术方案和优点更加清楚,下面将结合附图对本公开作进一步地详细描述,所描述的实施例不应视为对本公开的限制,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本公开保护的范围。在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。除非另有定义,本文所使用的所有的技术和科学术语与属于本公开的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本公开实施例的目的,不是旨在限制本公开。
图1是示出可以实现本公开的实施例的推送分析系统100的一种通信配置的框图,推送分析系统100包括用于存储可执行计算机程序的存储器101,用于执行所述存储器101中存储的可执行计算机程序时实现本公开实施例中应用专家系统的数据信息推送分析方法的处理器102。
图2是示出可以实现本公开的实施例的应用专家系统的数据信息推送分析方法的流程示意图,应用专家系统的数据信息推送分析方法可以通过图1所示的推送分析系统100实现,进一步可以包括以下相关步骤所描述的技术方案。
步骤201、通过在线人机交互事件的关联分析确定数字化服务文本日志journal1中的若干个第一在线人机交互事件的交互兴趣知识关系网。
对于本公开实施例而言,对于服务日志采集模块在相同时间节点对同一待进行大数据推送的数字客户终端进行日志采集获得的数字化服务文本日志journal1和数字化服务文本日志journal2,依据AI专家系统对分别对其进行在线人机交互事件挖掘,获得在线人机交互事件的种类、影响权重和其在原始数字化服务文本日志中的窗口化分布数据,其中,该种类可以是在线电商交互事件、数字办公交互事件、虚拟现实交互事件等。
举例而言,AI专家系统可以是完成调试的深度学习模型(DNN),深度学习模型首先对输入信息进行大数据推送需求挖掘,获得若干个规模的知识集,对每两个关联知识集中较高阶的知识集进行二倍特征衍生处理,再将二倍特征衍生处理后的知识集与每两个关联知识集中较低阶的知识集进行融合,处理完全部知识集最终获得输入信息的交互事件特征知识集。
基于上述内容,依据深度学习模型分别对数字化服务文本日志journal1和数字化服务文本日志journal2进行大数据推送需求挖掘,便能获得对应的第一交互事件特征知识集和第二交互事件特征知识集,通过数字化服务文本日志journal1中各第一在线人机交互事件的窗口化分布数据,便能获得各第一在线人机交互事件在第一交互事件特征知识集中对应的事件描述短语,以及,通过数字化服务文本日志journal2中各第二在线人机交互事件的窗口化分布数据,便能获得各第二在线人机交互事件在第二交互事件特征知识集中对应的事件描述短语。基于该实施方式,依据深度学习模型进行交互事件特征知识集挖掘,由于高阶知识内容更多样化,而低阶知识虽多样性较差但窗口化分布数据(定位标签)更多样化,因此将高阶知识与低阶知识融合,获得的第一交互事件特征知识集和第二交互事件特征知识集具有多样化的知识内容和窗口化分布数据,这样可以保障在线人机交互事件对应的事件描述短语所包含的细节内容更加多样化,有助于后续的在线人机交互事件的关联分析。
在一种可能的技术方案中,通过在线人机交互事件的关联分析确定数字化服务文本日志journal1中的若干个第一在线人机交互事件的交互兴趣知识关系网,可以包括如下步骤2011-步骤2014所记录的内容。
步骤2011、将数字化服务文本日志journal1中的各第一在线人机交互事件与数字化服务文本日志journal2中的各第二在线人机交互事件进行绑定,获得若干个在线人机交互事件二元组。
进一步地,若干个在线人机交互事件二元组中的各在线人机交互事件二元组包括若干个第一在线人机交互事件中的一个第一在线人机交互事件和与第一在线人机交互事件相配对的第二在线人机交互事件。
对于本公开实施例而言,对于数字化服务文本日志journal1中的各第一在线人机交互事件,确定其在第一交互事件特征知识集中对应的事件描述短语(可以理解为事件特征)与各第二在线人机交互事件在第二交互事件特征知识集中对应的事件描述短语之间的共性值(比如:相似度),获得各第一在线人机交互事件与各第二在线人机交互事件之间的描述短语共性值(例如:特征相似度),通过该描述短语共性值,获得各第一在线人机交互事件与各第二在线人机交互事件的关联性评价值,可选的,可将该描述短语共性值作为各第一在线人机交互事件与各第二在线人机交互事件的关联性评价值(可以理解为匹配/关联评分),对于各第一在线人机交互事件,例如第一在线人机交互事件events_a,从各第二在线人机交互事件中挑选出关联性评价值最大的目标第二在线人机交互事件,例如第二在线人机交互事件events_b,将各第一在线人机交互事件和目标第二在线人机交互事件确定为在线人机交互事件二元组(例如:第一在线人机交互事件events_a,第二在线人机交互事件events_b),获得若干个在线人机交互事件二元组。此外,在线人机交互事件二元组可以理解为在线人机交互事件对。交互事件特征知识集可以通过特征图的形式进行记录。
基于该实施方式,在各第一在线人机交互事件和各第二在线人机交互事件对应的事件描述短语包含尽可能多样化的特征的基础上,再通过描述短语共性值获得各第一在线人机交互事件与各第二在线人机交互事件的关联性评价值,通过关联性评价值进行在线人机交互事件的关联分析,可以提高在线人机交互事件的关联分析的精度,进而减少关联分析误差。
步骤2012、获取各在线人机交互事件二元组中的第一在线人机交互事件和第二在线人机交互事件的交互行为比较向量。
对于本公开实施例而言,交互行为比较向量可以是第一在线人机交互事件和第二在线人机交互事件之间的比较结果。进一步地,通过各在线人机交互事件二元组中的第一在线人机交互事件和第二在线人机交互事件的窗口化分布数据(位置信息)便能确定出第一在线人机交互事件和第二在线人机交互事件在第一状态和第二状态的交互行为比较向量(行为差异比对结果)。
步骤2013、通过交互行为比较向量获得各在线人机交互事件二元组中的第一在线人机交互事件的交互行为热力数据。
对于本公开实施例而言,通过获得的交互行为比较向量信息和服务日志采集模块的配置变量确定出各在线人机交互事件二元组中的第一在线人机交互事件的交互行为热力数据。此外,交互行为热力数据可以理解为交互行为的活跃程度或者特征识别度。
步骤2014、通过各在线人机交互事件二元组中的第一在线人机交互事件的交互行为热力数据确定各在线人机交互事件二元组中的第一在线人机交互事件的交互兴趣知识关系网。
对于本公开实施例而言,将各在线人机交互事件二元组中的第一在线人机交互事件的交互行为热力数据作为其第三个考虑隐私,便可确定该第一在线人机交互事件对应的交互兴趣知识关系网。交互兴趣知识关系网可以是基于知识图谱构建的特征分布图。
基于该实施方式,将各第一在线人机交互事件与各第二在线人机交互事件进行绑定,获得若干个在线人机交互事件二元组,利用在线人机交互事件二元组确定交互行为比较向量,利用交互行为比较向量获得第一在线人机交互事件的交互行为热力数据,通过交互行为热力数据确定第一在线人机交互事件对应的交互兴趣知识关系网,以便于获得全局定向推送需求向量,实现交互兴趣知识关系网协助推送决策分析。
在一种可能的技术方案中,通过描述短语共性值,获得各第一在线人机交互事件与各第二在线人机交互事件的关联性评价值(匹配指数或者匹配度),可以包括如下步骤301-步骤306所记录的内容。
步骤301、获取各第一在线人机交互事件在数字化服务文本日志journal1中的第一相对分布标签。
步骤302、获取各第二在线人机交互事件在数字化服务文本日志journal2中的第二相对分布标签。
步骤303、依据第一相对分布标签和第二相对分布标签,确定出各第一在线人机交互事件与各第二在线人机交互事件之间的相对分布共性值。
步骤304、获取各第一在线人机交互事件的第一影响权重,以及获取各第二在线人机交互事件的第二影响权重。
步骤305、确定第一影响权重与第二影响权重之间的共性值。
步骤306、对描述短语共性值、相对分布共性值和第一影响权重与第二影响权重之间的共性值进行全局化运算,获得关联性评价值。
对于本公开实施例而言,设各第一在线人机交互事件在数字化服务文本日志journal1中的窗口化分布数据为(h1,v1),依据设定线性算法(比如正弦函数和余弦函数)对该窗口化分布数据进行映射处理,获得第一相对分布标签。类似地,设各第二在线人机交互事件在数字化服务文本日志journal2中的窗口化分布数据为(h2,v2),依据设定线性算法对该窗口化分布数据进行映射处理,获得第二相对分布标签,确定第一相对分布标签和第二相对分布标签之间的共性值,获得各第一在线人机交互事件与各第二在线人机交互事件之间的相对分布共性值。其中,各第一在线人机交互事件的第一影响权重与各第二在线人机交互事件的第二影响权重之间的共性值可用二者的差表示,则可依据以下公式确定出各第一在线人机交互事件与各第二在线人机交互事件之间关联性评价值:index=q1*R1+q2*(p1-p2)+q3*R2。其中,index表征关联性评价值,R1表征各第一在线人机交互事件与各第二在线人机交互事件之间的描述短语共性值,p1表征各第一在线人机交互事件的第一影响权重,p2表征各第二在线人机交互事件的第二影响权重,R2表征各第一在线人机交互事件与各第二在线人机交互事件之间的相对分布共性值,q1、q2和q3分别表征设定权重,可根据实际需求设置。
基于该实施方式,相对于传统的通过描述短语共性值的在线人机交互事件的关联分析,对各在线人机交互事件的窗口化分布数据进行相对分布标签,通过相对分布标签确定各第一在线人机交互事件与各第二在线人机交互事件之间的相对分布共性值,将相对分布共性值和影响权重之间的共性值都视为在线人机交互事件的关联分析的考虑因素,可以提高在线人机交互事件的关联分析的精度,可以尽量保障交互行为比较向量的精度。
步骤202、对交互兴趣知识关系网、数字化服务文本日志journal1和数字化服务文本日志journal2分别进行大数据推送需求挖掘,获得待进行大数据推送的数字客户终端的定向推送需求向量vector1、定向推送需求向量vector2和定向推送需求向量vector3。
对于本公开实施例而言,通过推送决策分析网络中指定的文本情绪分析单元对数字化服务文本日志journal1(携带用户反馈情绪数据的日志)进行大数据推送需求挖掘,获得定向推送需求向量vector2,通过推送决策分析网络中指定的行为热度分析单元对数字化服务文本日志journal2(携带行为热力值数据的日志)进行大数据推送需求挖掘,获得定向推送需求向量vector3,以及通过推送决策分析网络中的交互兴趣知识关系网单元对第一在线人机交互事件的交互兴趣知识关系网进行大数据推送需求挖掘,获得定向推送需求向量vector1。其中,定向推送需求向量vector2可以是情绪型定向推送需求向量,涵盖丰富的需求类别、需求时段、需求情绪等特征数据,定向推送需求向量vector3是指热力型定向推送需求向量,涵盖多样化的需求对象、需求热度等特征数据,定向推送需求向量vector1在定向推送需求向量vector2的前提下拓展了大数据推送需求的全局特征数据。举例而言,文本情绪分析单元和行为热度分析单元均可依据持续不断的若干个卷积核进行大数据推送需求挖掘,交互兴趣知识关系网单元可依据残差单元进行大数据推送需求挖掘。
步骤203、通过定向推送需求向量vector1、定向推送需求向量vector2和定向推送需求向量vector3,获得推送需求决策信息。
对于本公开实施例而言,将定向推送需求向量vector1、定向推送需求向量vector2和定向推送需求向量vector3基于注意力特征融合,获得推送需求融合向量,将推送需求融合向量加载至朴素贝叶斯算法进行处理识别,获得待进行大数据推送的数字客户终端的推送需求决策信息。基于该实施方式,由于推送需求融合向量引入了定向推送需求向量vector2所具有的需求类别、需求时段、需求情绪、定向推送需求向量vector3所具有的需求对象、需求热度等特征数据,以及引入了定向推送需求向量vector1所具有的全局特征数据,从而能够基于推送需求融合向量确定出尽可能准确可靠的推送需求决策信息。
在一种可能的技术方案中,以上步骤201-步骤203中所述的应用专家系统的数据信息推送分析方法可应用于推送进程中,该方法还可以包括如下步骤401-步骤404所记录的内容。
步骤401、在推送需求决策信息反映待进行大数据推送的数字客户终端为推送匹配目标的基础上,将第一交互事件特征知识集与第二交互事件特征知识集进行融合,获得第三交互事件特征知识集。
步骤402、依据若干个第一在线人机交互事件在第三交互事件特征知识集中对应的事件描述短语,从大数据推送服务器中搜索获得与待进行大数据推送的数字客户终端所关联的终端标识。
步骤403、将终端标识、待进行大数据推送的数字客户终端的待推送项目数据和推送授权信息输出于GUI窗口。
步骤404、在获取到与推送授权信息对应的生物特征认证数据的基础上,确认待进行大数据推送的数字客户终端同意推送,以及统计若干个第一在线人机交互事件的数目和推送状态特征。
对于本公开实施例而言,当定向推送需求的识别可能平分大于或等于某个评判值,反映待进行大数据推送的数字客户终端的推送需求决策信息为推送匹配目标,推送分析系统将第一交互事件特征知识集与第二交互事件特征知识集进行融合,示例性的可以是对应分布位置融合,本公开实施例对此不做进一步限制。对于若干个第一在线人机交互事件中各第一在线人机交互事件确定其在融合获得的第三交互事件特征知识集中对应的事件描述短语,将这些事件描述短语整理为1维数组,例如:{2,5,0,7,8},之后与大数据推送服务器中事先记录的用户画像字段进行绑定,鉴于大数据推送服务器中事先创建有若干个用户的用户画像字段与其终端标识的联系,由此,可将与该1维数组匹配度最大的用户画像字段所关联的终端标识作为待进行大数据推送的数字客户终端的终端标识。其中,待推送项目数据可以是待进行大数据推送的数字客户终端匹配的业务项目的类别、数目、模式等,推送授权信息可以是生物特征认证数据。推送分析系统通过服务日志采集模块采集待进行大数据推送的数字客户终端的生物特征认证数据,在确认待进行大数据推送的数字客户终端的生物特征认证数据与推送授权信息对应的基础上,基于终端标识进行数据推送分析,以及统计本轮推送决策分析所挖掘到的若干个第一在线人机交互事件的数目和推送状态特征(同意推送或不同意推送)。
示例性的,推送分析系统可将阶段交互环节的目标第一在线人机交互事件的数目、推送状态特征、推送周期、终端标识、待进行大数据推送的数字客户终端的推送分析信息等作为待进行大数据推送的数字客户终端本轮数据推送的数据推送报告。基于该实施方式,在推送进程中记录下待进行大数据推送的数字客户终端若干个第一在线人机交互事件的数目以方便之后对该若干个第一在线人机交互事件的数目进行分析,提前确定出待进行大数据推送的数字客户终端后续数据推送的推送授权信息,从而提升待进行大数据推送的数字客户终端的推送智能化程度。
在一种可能的技术方案中,该方法还可以包括如下步骤501-步骤504所记录的内容。
步骤501、获取设定周期内待进行大数据推送的数字客户终端的多组数据推送报告。
进一步地,多组数据推送报告中的每组数据推送报告皆涵盖待进行大数据推送的数字客户终端对应的阶段交互环节的在线人机交互事件的数目和通过阶段交互环节的在线人机交互事件对应的事件描述短语识别获得的推送可行性指数。
对于本公开实施例而言,设定周期可以是以往的a week、one month、threemonths等,每组数据推送报告中还包括推送分析系统通过待进行大数据推送的数字客户终端对应的阶段交互环节的在线人机交互事件对应的事件描述短语识别获得的推送可行性指数。其中,阶段交互环节的在线人机交互事件可以是待进行大数据推送的数字客户终端每轮推送进程中采集的数字化服务文本日志journal1中挖掘出的在线人机交互事件,阶段交互环节的在线人机交互事件对应的事件描述短语可以是该数字化服务文本日志journal1对应的交互事件特征知识集中的事件特征知识,也可以是将该数字化服务文本日志journal1对应的交互事件特征知识集与相同时间节点采集的数字化服务文本日志journal2对应的交互事件特征知识集进行拼接后的知识集中的事件特征知识。在确定出阶段交互环节的在线人机交互事件对应的事件描述短语,或者在获得推送状态特征后,推送分析系统以阶段交互环节的在线人机交互事件对应的事件描述短语为导入信息,利用完成调试的AI模型(或者朴素贝叶斯算法)识别获得此轮数据推送的推送可行性指数。进一步地,推送分析系统可对多组数据推送报告中阶段交互环节的在线人机交互事件的数目和推送可行性指数进行整理,例如可以依据推荐的时间前后对五条数据推送报告中电商业务环节的在线人机交互事件数目和对应的推送可行性指数的统计结果。进一步地,推送分析系统可将多组数据推送报告中不同的阶段交互环节(比如业务服务的各类互动环节)的在线人机交互事件的数目和推送可行性指数都进行统计,本公开实施例在此不逐一列举。
步骤502、获取阶段交互环节的在线人机交互事件的数目和推送可行性指数的线性相关度。
步骤503、从阶段交互环节中确定出线性相关度最大的目标交互环节。
对于本公开实施例而言,依据步骤502中的方法,可以确定出阶段交互环节与推送可行性指数之间的线性相关度,例如:电商业务环节的线性相关度为0.95、办公业务环节的线性相关度为0.8、信息安防业务环节的线性相关度为-0.3,则从阶段交互环节中确定出线性相关度最大的目标交互环节,例如该目标交互环节可以是电商业务环节。
步骤504、通过目标交互环节确定待进行大数据推送的数字客户终端后一轮数据推送的推送授权信息。
对于本公开实施例而言,在确定出目标交互环节后,推送分析系统认为该目标交互环节的在线人机交互事件的数目对待进行大数据推送的数字客户终端近期同意推送的贡献是最大的,则可以提前将与该目标交互环节所关联的生物特征认证数据确定为待进行大数据推送的数字客户终端后一轮数据推送的推送授权信息。
基于该实施方式,通过每轮确定出的在线人机交互事件对待进行大数据推送的数字客户终端数据推送的推送可行性指数进行识别,并对最近周期内待进行大数据推送的数字客户终端的阶段交互环节的在线人机交互事件数目与识别出的推送可行性指数进行统计,分析阶段交互环节的在线人机交互事件的数目与推送可行性指数的相关度,可以快速确定待进行大数据推送的数字客户终端后一轮数据推送的推送授权信息,进而提升待进行大数据推送的数字客户终端后一轮数据推送的智能化程度。
可以理解的是,本公开实施例中首先通过在线人机交互事件的关联分析确定数字化服务文本日志journal1中的若干个第一在线人机交互事件的交互兴趣知识关系网;然后对交互兴趣知识关系网、数字化服务文本日志journal1和数字化服务文本日志journal2分别进行大数据推送需求挖掘,获得待进行大数据推送的数字客户终端的定向推送需求向量vector1、定向推送需求向量vector2和定向推送需求向量vector3;再通过定向推送需求向量vector1、定向推送需求向量vector2和定向推送需求向量vector3,获得推送需求决策信息。这样对不同类型的服务交互记录中的数字化服务文本日志journal1和数字化服务文本日志journal2进行在线人机交互事件的关联分析,通过在线人机交互事件的关联分析结果将数字化服务文本日志journal1中的第一在线人机交互事件调整成交互兴趣知识关系网,从交互兴趣知识关系网中挖掘得到全局定向推送需求向量(比如定向推送需求向量vector1),利用全局定向推送需求向量协助局部定向推送需求向量(比如定向推送需求向量vector2和定向推送需求向量vector3)进行推送需求决策分析,这样可以提高推送需求决策分析的准确性和可靠性,从而减少推送误差。
在一种可能的技术方案中,本公开实施例提供的另一种应用专家系统的数据信息推送分析方法的思路,可以包括如下步骤601-如下606所记录的内容。
步骤601、将数字化服务文本日志journal1中的若干个第一在线人机交互事件与数字化服务文本日志journal2中的各第二在线人机交互事件进行绑定,获得若干个在线人机交互事件二元组。
进一步的,若干个在线人机交互事件二元组中的各在线人机交互事件二元组包括若干个第一在线人机交互事件中的一个第一在线人机交互事件和与第一在线人机交互事件相配对的第二在线人机交互事件。
步骤602、获取各在线人机交互事件二元组中的第一在线人机交互事件和第二在线人机交互事件的交互行为比较向量。
步骤603、通过交互行为比较向量获得各在线人机交互事件二元组中的第一在线人机交互事件的交互行为热力数据。
步骤604、通过各在线人机交互事件二元组中的第一在线人机交互事件的交互行为热力数据确定各在线人机交互事件二元组中的第一在线人机交互事件的交互兴趣知识关系网。
步骤605、对交互兴趣知识关系网、数字化服务文本日志journal1和数字化服务文本日志journal2分别进行大数据推送需求挖掘,获得待进行大数据推送的数字客户终端的定向推送需求向量vector1、定向推送需求向量vector2和定向推送需求向量vector3。
步骤606、通过定向推送需求向量vector1、定向推送需求向量vector2和定向推送需求向量vector3,获得推送需求决策信息。
在一些可独立实施的实施例中,在获得推送需求决策信息之后,该方法还可以包括如下内容:基于所述推送需求决策信息获取所述待进行大数据推送的数字客户终端的历史推送记录;根据所述历史推送记录确定所述待进行大数据推送的数字客户终端的个性化推送策略;将所述个性化推送策略与所述待进行大数据推送的数字客户终端进行绑定。
可以理解的是,在进行大数据推送之前,还可以结合数字客户终端的历史推送记录定制不同的个性化推送策略,然后实现个性化推送策略与不同数字客户终端的绑定处理,能够实现“千人千面”的个性化定制处理,从而提高大数据推送/信息推荐的智能化程度。
在一些可独立实施的实施例中,根据所述历史推送记录确定所述待进行大数据推送的数字客户终端的个性化推送策略,可以包括如下内容:对所述历史推送记录的第一推送服务反馈文本集进行词向量挖掘,得到所述第一推送服务反馈文本集对应的第一体验反馈词向量集;根据所述第一体验反馈词向量集进行调节,得到调节的第二体验反馈词向量集;依据所述第二体验反馈词向量集进行推送策略定制,得到所述第二体验反馈词向量集对应的第一个性化推送策略。
如此设计,基于词向量挖掘能够得到较为精炼的第一体验反馈词向量集,然后进行服务改进型的调节更新处理,从而得到具有积极反馈语义的第二体验反馈词向量集,继而利用预设的分类器对第二体验反馈词向量集进行匹配处理,以实现推送策略定制,然后快速、准确地得到第一个性化推送策略。
在一些可独立实施的实施例中,在所述得到所述第二体验反馈词向量集对应的第一个性化推送策略之后,所述方法还包括:根据所述第一推送服务反馈文本集中的至少部分推送服务反馈文本进行调节,得到调节的第二个性化推送策略;根据所述第一个性化推送策略和所述第二个性化推送策略,得到调节的第三个性化推送策略。
在一些可独立实施的实施例中,所述对所述历史推送记录的第一推送服务反馈文本集进行词向量挖掘,得到所述第一推送服务反馈文本集对应的第一体验反馈词向量集,包括:对所述历史推送记录的第一推送服务反馈文本集进行语义挖掘,得到所述第一推送服务反馈文本集对应的第一语义挖掘向量集;对所述第一语义挖掘向量集进行映射,得到所述第一推送服务反馈文本集对应的第一体验反馈词向量集。
在一些可独立实施的实施例中,所述根据所述第一体验反馈词向量集进行调节,得到调节的第二体验反馈词向量集,包括:将所述第一体验反馈词向量集输入第一自然语言处理模型,经由所述第一自然语言处理模型调节得到所述第一体验反馈词向量集对应的第二体验反馈词向量集。
在一些可独立实施的实施例中,述依据所述第二体验反馈词向量集进行推送策略定制,得到所述第二体验反馈词向量集对应的第一个性化推送策略,包括:依据所述第二体验反馈词向量集进行推送策略定制,得到所述第二体验反馈词向量集对应的第二语义挖掘向量集;对所述第二语义挖掘向量集进行逆语义挖掘,得到所述第二体验反馈词向量集对应的第一个性化推送策略。
在一些可独立实施的实施例中,所述依据所述第二体验反馈词向量集进行推送策略定制,得到所述第二体验反馈词向量集对应的第二语义挖掘向量集,包括:采用设定RELU算法对所述第二体验反馈词向量集进行循环处理,得到所述第二体验反馈词向量集对应的第二语义挖掘向量集。
在一些可独立实施的实施例中,所述根据所述第一推送服务反馈文本集中的至少部分推送服务反馈文本进行调节,得到调节的第二个性化推送策略,包括:将所述第一推送服务反馈文本集中的至少部分推送服务反馈文本输入第二自然语言处理模型,经由所述第二自然语言处理模型调节得到所述至少部分推送服务反馈文本对应的第二个性化推送策略。
在一些可独立实施的实施例中,所述至少部分推送服务反馈文本包括所述第一推送服务反馈文本集中反馈关注度最高的M个推送服务反馈文本,其中,M为正整数,所述第一推送服务反馈文本集中的推送服务反馈文本数大于或等于M。
在一些可独立实施的实施例中,所述根据所述第一个性化推送策略和所述第二个性化推送策略,得到调节的第三个性化推送策略,包括:对所述第一个性化推送策略进行策略执行细节识别,得到所述第一个性化推送策略对应的第一策略执行细节字段;对所述第二个性化推送策略进行策略执行细节识别,得到所述第二个性化推送策略对应的第二策略执行细节字段;根据所述第一策略执行细节字段和所述第二策略执行细节字段进行第一加权操作,得到第一策略执行加权字段;根据所述第一策略执行加权字段,得到调节的第三个性化推送策略。
在一些可独立实施的实施例中,所述根据所述第一策略执行加权字段,得到调节的第三个性化推送策略,包括:对所述第一策略执行加权字段进行去噪处理,得到去噪策略执行细节字段;根据所述第一策略执行加权字段和所述去噪策略执行细节字段,得到调节的第三个性化推送策略。
在一些可独立实施的实施例中,所述第一策略执行加权字段包括多层;所述根据所述第一策略执行加权字段和所述去噪策略执行细节字段,得到调节的第三个性化推送策略,包括:对最后一层的第一策略执行加权字段进行第二加权操作,得到第二策略执行加权字段;根据所述第二策略执行加权字段和所述去噪策略执行细节字段,得到调节的第三个性化推送策略。
在一些可独立实施的实施例中,所述第一策略执行加权字段包括多层;所述对所述第一策略执行加权字段进行去噪处理,得到去噪策略执行细节字段,包括:对第一层的第一策略执行加权字段进行去噪处理,得到去噪策略执行细节字段。
在一些可独立实施的实施例中,所述对所述第一个性化推送策略进行策略执行细节识别,得到所述第一个性化推送策略对应的第一策略执行细节字段,包括:对所述第一个性化推送策略进行多层策略执行细节识别,得到所述第一个性化推送策略对应的多层第一策略执行细节字段;所述对所述第二个性化推送策略进行策略执行细节识别,得到所述第二个性化推送策略对应的第二策略执行细节字段,包括:对所述第二个性化推送策略进行多层策略执行细节识别,得到所述第二个性化推送策略对应的多层第二策略执行细节字段;所述根据所述第一策略执行细节字段和所述第二策略执行细节字段进行第一加权操作,得到第一策略执行加权字段,包括:对于多层中的任一层,根据该层的第一策略执行细节字段和该层的第二策略执行细节字段进行策略执行细节字段加权,得到该层的第一策略执行加权字段。
图3是示出可以实现本公开的实施例的应用专家系统的数据信息推送分析方法的应用环境的架构示意图,应用专家系统的数据信息推送分析方法的应用环境中可以包括互相通信的推送分析系统100和数字客户终端200。基于此,推送分析系统100和数字客户终端200在运行时实现或者部分实现本公开实施例的应用专家系统的数据信息推送分析方法。
以上所述,仅为本公开的较佳实施例而已,并非用于限定本公开的保护范围。
Claims (10)
1.一种应用专家系统的数据信息推送分析方法,其特征在于,应用于推送分析系统,所述方法包括:
通过在线人机交互事件的关联分析确定数字化服务文本日志journal1中的若干个第一在线人机交互事件的交互兴趣知识关系网;
对所述交互兴趣知识关系网、所述数字化服务文本日志journal1和数字化服务文本日志journal2分别进行大数据推送需求挖掘,获得待进行大数据推送的数字客户终端的定向推送需求向量vector1、定向推送需求向量vector2和定向推送需求向量vector3;
结合所述定向推送需求向量vector1、所述定向推送需求向量vector2和所述定向推送需求向量vector3,获得推送需求决策信息。
2.根据权利要求1所述的方法,其特征在于,所述通过在线人机交互事件的关联分析确定数字化服务文本日志journal1中的若干个第一在线人机交互事件的交互兴趣知识关系网,包括:
将所述数字化服务文本日志journal1中的各第一在线人机交互事件与所述数字化服务文本日志journal2中的各第二在线人机交互事件进行绑定,获得若干个在线人机交互事件二元组,所述若干个在线人机交互事件二元组中的各在线人机交互事件二元组包括所述若干个第一在线人机交互事件中的一个第一在线人机交互事件和与所述第一在线人机交互事件相配对的第二在线人机交互事件;
获得所述各在线人机交互事件二元组中的第一在线人机交互事件和第二在线人机交互事件的交互行为比较向量;
结合所述交互行为比较向量获得所述各在线人机交互事件二元组中的第一在线人机交互事件的交互行为热力数据;
结合所述各在线人机交互事件二元组中的第一在线人机交互事件的交互行为热力数据确定所述各在线人机交互事件二元组中的第一在线人机交互事件的所述交互兴趣知识关系网。
3.根据权利要求2所述的方法,其特征在于,所述将所述数字化服务文本日志journal1中的各第一在线人机交互事件与所述数字化服务文本日志journal2中的各第二在线人机交互事件进行绑定,获得若干个在线人机交互事件二元组,包括:
确定所述各第一在线人机交互事件对应的事件描述短语与所述各第二在线人机交互事件对应的事件描述短语之间的描述短语共性值;
结合所述描述短语共性值,获得所述各第一在线人机交互事件与所述各第二在线人机交互事件的关联性评价值;
对于所述各第一在线人机交互事件,从所述各第二在线人机交互事件中挑选出所述关联性评价值最大的目标第二在线人机交互事件;
将所述各第一在线人机交互事件和所述目标第二在线人机交互事件确定为在线人机交互事件二元组,获得所述若干个在线人机交互事件二元组。
4.根据权利要求3所述的方法,其特征在于,所述结合所述描述短语共性值,获得所述各第一在线人机交互事件与所述各第二在线人机交互事件的关联性评价值,包括:
获得所述各第一在线人机交互事件在所述数字化服务文本日志journal1中的第一相对分布标签;
获得所述各第二在线人机交互事件在所述数字化服务文本日志journal2中的第二相对分布标签;
依据所述第一相对分布标签和所述第二相对分布标签,确定出所述各第一在线人机交互事件与所述各第二在线人机交互事件之间的相对分布共性值;
获得所述各第一在线人机交互事件的第一影响权重,以及获得所述各第二在线人机交互事件的第二影响权重;
确定所述第一影响权重与所述第二影响权重之间的共性值;
对所述描述短语共性值、所述相对分布共性值和所述第一影响权重与所述第二影响权重之间的共性值进行全局化运算,获得所述关联性评价值。
5.根据权利要求1所述的方法,其特征在于,所述结合所述定向推送需求向量vector1、所述定向推送需求向量vector2和所述定向推送需求向量vector3,获得推送需求决策信息,包括:
将所述定向推送需求向量vector1、所述定向推送需求向量vector2和所述定向推送需求向量vector3融合,获得推送需求融合向量;
依据指定的朴素贝叶斯算法对所述推送需求融合向量进行处理,获得所述推送需求决策信息。
6.根据权利要求2所述的方法,其特征在于,在通过在线人机交互事件的关联分析确定数字化服务文本日志journal1中的若干个第一在线人机交互事件的交互兴趣知识关系网之前,所述方法还包括:
依据完成调试的深度学习模型分别对所述数字化服务文本日志journal1和所述数字化服务文本日志journal2进行大数据推送需求挖掘,获得第一交互事件特征知识集和第二交互事件特征知识集;
结合所述各第一在线人机交互事件在所述数字化服务文本日志journal1中的窗口化分布数据,获得所述各第一在线人机交互事件在所述第一交互事件特征知识集中对应的事件描述短语;
结合所述各第二在线人机交互事件在所述数字化服务文本日志journal2中的窗口化分布数据,获得所述各第二在线人机交互事件在所述第二交互事件特征知识集中对应的事件描述短语。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
在所述推送需求决策信息反映所述待进行大数据推送的数字客户终端为推送匹配目标的基础上,将所述第一交互事件特征知识集与所述第二交互事件特征知识集进行融合,获得第三交互事件特征知识集;
依据所述若干个第一在线人机交互事件在所述第三交互事件特征知识集中对应的事件描述短语,从大数据推送服务器中搜索获得与所述待进行大数据推送的数字客户终端所关联的终端标识;
将所述终端标识、所述待进行大数据推送的数字客户终端的待推送项目数据和推送授权信息输出于GUI窗口;
在获取到与所述推送授权信息对应的生物特征认证数据的基础上,判定所述待进行大数据推送的数字客户终端同意推送,以及统计所述若干个第一在线人机交互事件的数目和推送状态特征。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取设定周期内所述待进行大数据推送的数字客户终端的多组数据推送报告,所述多组数据推送报告中的每组数据推送报告皆涵盖所述待进行大数据推送的数字客户终端对应的阶段交互环节的在线人机交互事件的数目和结合所述阶段交互环节的在线人机交互事件对应的事件描述短语识别获得的推送可行性指数;
获得所述阶段交互环节的在线人机交互事件的数目和所述推送可行性指数的线性相关度;
从所述阶段交互环节中确定出所述线性相关度最大的目标交互环节;
结合所述目标交互环节确定所述待进行大数据推送的数字客户终端后一轮数据推送的推送授权信息。
9.一种推送分析系统,其特征在于,包括:
用于存储可执行计算机程序的存储器,用于执行所述存储器中存储的可执行计算机程序时实现权利要求1-8任一项所述的方法的处理器。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序在运行时执行权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210754495.1A CN115203498A (zh) | 2022-06-30 | 2022-06-30 | 应用专家系统的数据信息推送分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210754495.1A CN115203498A (zh) | 2022-06-30 | 2022-06-30 | 应用专家系统的数据信息推送分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115203498A true CN115203498A (zh) | 2022-10-18 |
Family
ID=83578379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210754495.1A Withdrawn CN115203498A (zh) | 2022-06-30 | 2022-06-30 | 应用专家系统的数据信息推送分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115203498A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115766725A (zh) * | 2022-12-06 | 2023-03-07 | 烟台雪寻梅信息咨询有限公司 | 基于工业互联网的数据处理方法及系统 |
CN115905702A (zh) * | 2022-12-06 | 2023-04-04 | 鄄城县馨宁网络科技有限公司 | 基于用户需求分析的数据推荐方法及系统 |
CN116074317A (zh) * | 2023-02-20 | 2023-05-05 | 王春辉 | 一种基于大数据的业务资源共享方法及服务器 |
CN116578781A (zh) * | 2023-04-28 | 2023-08-11 | 北京天译科技有限公司 | 应用神经网络算法的气象服务推送方法及服务器 |
CN117421705A (zh) * | 2023-11-02 | 2024-01-19 | 升励五金(深圳)有限公司 | 应用于智能化生产的信息分析方法及系统 |
-
2022
- 2022-06-30 CN CN202210754495.1A patent/CN115203498A/zh not_active Withdrawn
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115766725A (zh) * | 2022-12-06 | 2023-03-07 | 烟台雪寻梅信息咨询有限公司 | 基于工业互联网的数据处理方法及系统 |
CN115905702A (zh) * | 2022-12-06 | 2023-04-04 | 鄄城县馨宁网络科技有限公司 | 基于用户需求分析的数据推荐方法及系统 |
CN115905702B (zh) * | 2022-12-06 | 2023-10-10 | 雨果跨境(厦门)科技有限公司 | 基于用户需求分析的数据推荐方法及系统 |
CN115766725B (zh) * | 2022-12-06 | 2023-11-07 | 北京国联视讯信息技术股份有限公司 | 基于工业互联网的数据处理方法及系统 |
CN116074317A (zh) * | 2023-02-20 | 2023-05-05 | 王春辉 | 一种基于大数据的业务资源共享方法及服务器 |
CN116074317B (zh) * | 2023-02-20 | 2024-03-26 | 新疆八达科技发展有限公司 | 一种基于大数据的业务资源共享方法及服务器 |
CN116578781A (zh) * | 2023-04-28 | 2023-08-11 | 北京天译科技有限公司 | 应用神经网络算法的气象服务推送方法及服务器 |
CN116578781B (zh) * | 2023-04-28 | 2023-10-24 | 北京天译科技有限公司 | 应用神经网络算法的气象服务推送方法及服务器 |
CN117421705A (zh) * | 2023-11-02 | 2024-01-19 | 升励五金(深圳)有限公司 | 应用于智能化生产的信息分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111444428B (zh) | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 | |
CN110162700B (zh) | 信息推荐及模型的训练方法、装置、设备以及存储介质 | |
CN115203498A (zh) | 应用专家系统的数据信息推送分析方法及系统 | |
CN111026842B (zh) | 自然语言处理方法、自然语言处理装置及智能问答系统 | |
CN110263160B (zh) | 一种计算机问答系统中的问句分类方法 | |
CN111966914B (zh) | 基于人工智能的内容推荐方法、装置和计算机设备 | |
CN110147445A (zh) | 基于文本分类的意图识别方法、装置、设备及存储介质 | |
CN111291125B (zh) | 一种数据处理方法及相关设备 | |
CN113706251B (zh) | 基于模型的商品推荐方法、装置、计算机设备和存储介质 | |
CN114358657B (zh) | 一种基于模型融合的岗位推荐方法及装置 | |
CN113254711A (zh) | 一种互动图像的显示方法、装置、计算机设备和存储介质 | |
CN117521675A (zh) | 基于大语言模型的信息处理方法、装置、设备及存储介质 | |
Abinaya et al. | Enhancing top-N recommendation using stacked autoencoder in context-aware recommender system | |
CN111625715A (zh) | 信息提取方法、装置、电子设备及存储介质 | |
CN113627194B (zh) | 信息抽取方法及装置、通信消息分类方法及装置 | |
CN113656699B (zh) | 用户特征向量确定方法、相关设备及介质 | |
Bobek et al. | KnAC: an approach for enhancing cluster analysis with background knowledge and explanations | |
CN114491079A (zh) | 知识图谱构建和查询方法、装置、设备和介质 | |
Last et al. | Data mining in time series and streaming databases | |
CN111625722B (zh) | 一种基于深度学习的人才推荐方法、系统及存储介质 | |
CN113641889A (zh) | 基于商品表示的点击率预测方法及装置 | |
Champiri et al. | A contextual Bayesian user experience model for scholarly recommender systems | |
Singh et al. | A Hybrid Recommendation System: Improving User Experience and Personalization with Ensemble Learning Model and Sentiment Analysis | |
JP2020046956A (ja) | 機械学習システム | |
CN117708421B (zh) | 基于模块化神经网络的动态推荐方法及系统 |
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: 20221018 |