CN115237980B - 一种互联网数据交互处理方法、系统及云平台 - Google Patents

Abstract

本发明实施例提供的互联网数据交互处理方法、系统及云平台，能够结合时序注意力存在差异的行为细节字段关系网RN3（通过存在差异的时序注意力来反映感兴趣交互事件的不同活动状态，进而获得不同活动状态下的感兴趣交互事件细节），确定待分析的在线用户活动记录中的感兴趣交互事件，实现了结合初始信息量的待分析的在线用户活动记录，确定待分析的在线用户活动记录的感兴趣交互事件，鉴于无需进一步扩展待分析的在线用户活动记录的信息量，在确保感兴趣交互事件的挖掘精度的前提下，能够有效减少挖掘分析处理所需的资源开销，进而可以提高感兴趣交互事件分析挖掘的时效性。

Description

一种互联网数据交互处理方法、系统及云平台

技术领域

本发明涉及数据处理技术领域，特别涉及一种互联网数据交互处理方法、系统及云平台。

背景技术

随着科技的不断发展，当今社会正处于电子计算机和现代通信技术相互结合基础上构建的宽带、高速、综合、广域型数字化电信网络的时代（互联网时代），各类交互业务也逐渐向在线模式转型，这样不仅提高了交互效率，还打破了业务交互的时空域限制，保障了交互的灵活性。随着互联网在线业务的不断壮大，聚焦业务交互质量的一系列技术层出不穷，但是在实际应用时，针对业务交互过程中的兴趣挖掘精度和效率还仍需要改进。

发明内容

为改善相关技术中存在的技术问题，本发明提供了一种互联网数据交互处理方法、系统及云平台。

第一方面，本发明实施例提供了一种互联网数据交互处理方法，应用于人工智能服务系统，所述方法包括：对待分析的在线用户活动记录进行交互行为细节挖掘，获得多层行为细节字段关系网RN1；依据对所述行为细节字段关系网RN1进行关系网变量优化，获得每层行为细节字段关系网RN1对应的行为细节字段关系网RN2；其中，相异层行为细节字段关系网RN1对应的行为细节字段关系网RN2的关系网变量保持一致；逐一优化每层行为细节字段关系网RN2的关系网变量，获得每层行为细节字段关系网RN2对应的行为细节字段关系网RN3，其中，每层行为细节字段关系网RN3的时域变量指标的占比值与指定占比值相对应；结合所述行为细节字段关系网RN3，确定所述待分析的在线用户活动记录中的感兴趣交互事件。

应用于上述实施例，依据对行为细节字段关系网RN1进行关系网变量优化，获得每层行为细节字段关系网RN1对应的行为细节字段关系网RN2，并对每层行为细节字段关系网RN2的时域变量指标进行优化，使得获得的每层行为细节字段关系网RN2对应的行为细节字段关系网RN3的时域变量指标存在量化相关性，这样能够结合时序注意力存在差异的行为细节字段关系网RN3（通过存在差异的时序注意力来反映感兴趣交互事件的不同活动状态，进而获得不同活动状态下的感兴趣交互事件细节），确定待分析的在线用户活动记录中的感兴趣交互事件，实现了结合初始信息量的待分析的在线用户活动记录，确定待分析的在线用户活动记录的感兴趣交互事件，鉴于无需进一步扩展待分析的在线用户活动记录的信息量，在确保感兴趣交互事件的挖掘精度的前提下，能够有效减少挖掘分析处理所需的资源开销，进而可以提高感兴趣交互事件分析挖掘的时效性。

在一些可能的实施例下，所述依据对所述行为细节字段关系网RN1进行关系网变量优化，获得每层行为细节字段关系网RN1对应的行为细节字段关系网RN2，包括：确定所述每层行为细节字段关系网RN1对应的关系网变量中规模最小的行为细节字段关系网RN1，并将除所述规模最小的行为细节字段关系网RN1之外的剩余行为细节字段关系网RN1，更新为与该规模最小的行为细节字段关系网RN1具有相同关系网变量的行为细节字段关系网，将所述规模最小的行为细节字段关系网RN1，以及更新后所述与该规模最小的行为细节字段关系网RN1具有相同关系网变量的行为细节字段关系网作为所述行为细节字段关系网RN2；或，将所述每层行为细节字段关系网RN1更新为指定关系网变量下的行为细节字段关系网，将该指定关系网变量下的行为细节字段关系网作为所述行为细节字段关系网RN2。

应用于上述实施例，将每层行为细节字段关系网RN1更新为较小的规模，在对待分析的在线用户活动记录中涵盖的感兴趣交互事件进行挖掘时，能够减少感兴趣事件挖掘的资源开销，从而实现快速准确的用户活动分析和挖掘。

在一些可能的实施例下，所述对待分析的在线用户活动记录进行交互行为细节挖掘，获得多层行为细节字段关系网RN1，包括：通过多层第一人工智能模型对待分析的在线用户活动记录进行交互行为细节挖掘，获得各层第一人工智能模型生成的行为细节字段关系网RN1；所述依据对所述行为细节字段关系网RN1进行关系网变量优化，获得每层行为细节字段关系网RN1对应的行为细节字段关系网RN2，包括：结合确定的更新后的关系网变量，以及各层第一人工智能模型生成的所述行为细节字段关系网RN1的关系网变量，确定该层第一人工智能模型对应的第二人工智能模型的模型配置数据；结合添加了确定的模型配置数据的所述各层第二人工智能模型，对该层第二人工智能模型对应的第一人工智能模型生成的行为细节字段关系网RN1进行窗口化操作，获得该层第二人工智能模型生成的所述行为细节字段关系网RN2。

应用于上述实施例，通过确定每层第二人工智能模型的模型配置数据，并结合添加了确定的模型配置数据的各层第二人工智能模型，对对应的行为细节字段关系网RN1进行窗口化操作，实现了将每层第一人工智能模型生成的行为细节字段关系网RN1的关系网变量中的规模更新为较小的规模，进而使得对待分析的在线用户活动记录进行挖掘时，能够减少感兴趣事件挖掘的资源开销，提高针对感兴趣事件的挖掘精度和及时性。

在一些可能的实施例下，所述对待分析的在线用户活动记录进行交互行为细节挖掘，获得多层行为细节字段关系网RN1，包括：通过多层第一人工智能模型对待分析的在线用户活动记录进行交互行为细节挖掘，获得各层第一人工智能模型生成的行为细节字段关系网RN1；所述逐一优化每层行为细节字段关系网RN2的关系网变量，获得每层行为细节字段关系网RN2对应的行为细节字段关系网RN3，包括：结合相异层第一人工智能模型之间的时域变量指标的占比值，以及各层第一人工智能模型对应的所述行为细节字段关系网RN2的时域变量指标，确定每层第一人工智能模型分别对应的行为细节字段关系网RN3的时域变量指标；结合确定的每层第一人工智能模型分别对应的行为细节字段关系网RN3的时域变量指标，以及各层第一人工智能模型对应的所述行为细节字段关系网RN2的时域变量指标，确定该层第一人工智能模型对应的第三人工智能模型的模型配置数据；结合添加了确定的模型配置数据的所述各层第三人工智能模型，对该层第三人工智能模型对应的行为细节字段关系网RN2进行窗口化操作，获得该层第三人工智能模型生成的所述行为细节字段关系网RN3。

应用于上述实施例，通过变更各层第一人工智能模型对应的行为细节字段关系网RN2的时域变量指标，使得获得的各层第三人工智能模型生成的行为细节字段关系网RN3的时域变量指标与预配置的占比值相对应（类似于更新了待分析的在线用户活动记录中涵盖的感兴趣交互事件的活动状态），使得结合优化时域变量指标后的行为细节字段关系网RN3，可以尽可能精准地对待分析的在线用户活动记录中涵盖的感兴趣交互事件进行挖掘，保障感兴趣交互事件挖掘的精度和可信度。

在一些可能的实施例下，所述结合所述行为细节字段关系网RN3，确定所述待分析的在线用户活动记录中的感兴趣交互事件，包括：将每层行为细节字段关系网RN2对应的所述行为细节字段关系网RN3进行拼接操作，获得完成拼接的行为细节字段关系网RN4；结合所述行为细节字段关系网RN4，确定所述待分析的在线用户活动记录中的感兴趣交互事件。

应用于上述实施例，将获得的每层行为细节字段关系网RN2对应的行为细节字段关系网RN3进行拼接操作，使得获得的行为细节字段关系网RN4可以包括时域变量指标存在差异的行为细节字段关系网RN3的字段内容，进而结合行为细节字段关系网RN4确定待分析的在线用户活动记录中的感兴趣交互事件时，可保障感兴趣交互事件挖掘的精度和可信度。

在一些可能的实施例下，将每层行为细节字段关系网RN2对应的所述行为细节字段关系网RN3进行拼接操作，获得完成拼接的行为细节字段关系网RN4，包括：遵循预设的拼接指示，将每层行为细节字段关系网RN2对应的所述行为细节字段关系网RN3依次进行拼接操作，获得每一轮完成拼接的承接型字段关系网；结合每一轮完成拼接的承接型字段关系网，获得所述行为细节字段关系网RN4。

在一些可能的实施例下，将每层行为细节字段关系网RN2对应的行为细节字段关系网RN3作为第一层行为细节字段关系网RN3至第X层行为细节字段关系网RN3，其中第X层行为细节字段关系网RN3的时域变量指标大于第X-1层行为细节字段关系网RN3的时域变量指标，X为正整数，则遵循预设的拼接指示，将每层行为细节字段关系网RN2对应的所述行为细节字段关系网RN3依次进行拼接操作，获得每一轮完成拼接的承接型字段关系网，通过如下任意一种方式实现：遵循从第一层行为细节字段关系网RN3到所述第X层行为细节字段关系网RN3的拼接指示，依次将每层所述行为细节字段关系网RN3进行拼接操作，分别获得每一轮完成拼接的行为细节字段关系网，将第一层行为细节字段关系网RN3以及每一轮完成拼接的行为细节字段关系网，作为获得的所述承接型字段关系网；遵循从第X层行为细节字段关系网RN3到所述第一层行为细节字段关系网RN3的拼接指示，依次将每层所述行为细节字段关系网RN3进行拼接操作，分别获得每一轮完成拼接的行为细节字段关系网，将第X层行为细节字段关系网RN3以及每一轮完成拼接的行为细节字段关系网，作为获得所述承接型字段关系网；遵循从第一层行为细节字段关系网RN3到所述第X层行为细节字段关系网RN3的拼接指示，将每层所述行为细节字段关系网RN3进行拼接操作，分别获得从第一层行为细节字段关系网RN3到所述第X层行为细节字段关系网RN3进行拼接操作时每一轮完成拼接的行为细节字段关系网，分别对第一层行为细节字段关系网RN3以及每一轮完成拼接的行为细节字段关系网进行窗口化操作，获得第一层拼接行为细节字段关系网至第X层拼接行为细节字段关系网，其中，各层所述拼接行为细节字段关系网的关系网变量与窗口化操作前对应的行为细节字段关系网的关系网变量保持一致；遵循从第X层拼接行为细节字段关系网到所述第一层拼接行为细节字段关系网的拼接指示，依次将每层所述拼接行为细节字段关系网进行拼接操作，分别获得从第X层拼接行为细节字段关系网到所述第一层拼接行为细节字段关系网进行拼接操作时每一轮完成拼接的行为细节字段关系网，将每一轮完成拼接的行为细节字段关系网以及第X层拼接行为细节字段关系网，作为获得的所述承接型字段关系网；遵循从第一层行为细节字段关系网RN3到所述第X层行为细节字段关系网RN3的拼接指示，将每层所述行为细节字段关系网RN3进行拼接操作，分别获得每一轮完成拼接的行为细节字段关系网，将第一层行为细节字段关系网RN3以及从第一层行为细节字段关系网RN3到所述第X层行为细节字段关系网RN3进行拼接操作时每一轮完成拼接的行为细节字段关系网，作为获得的第一承接型字段关系网，并遵循从第X层行为细节字段关系网RN3到所述第一层行为细节字段关系网RN3的拼接指示，将每层所述行为细节字段关系网RN3进行拼接操作，分别获得每一轮完成拼接的行为细节字段关系网，将第X层行为细节字段关系网RN3以及从第X层行为细节字段关系网RN3到所述第一层行为细节字段关系网RN3进行拼接操作时每一轮完成拼接的行为细节字段关系网，作为获得的第二承接型字段关系网；将所述第一承接型字段关系网和所述第二承接型字段关系网作为获得的所述承接型字段关系网。

应用于上述实施例，通过配置多类存在差异的拼接指示，依次将每层行为细节字段关系网RN3进行拼接操作，可以尽可能丰富行为细节字段关系网的拼接方案，从而提高行为细节字段关系网的拼接灵活性，保障整体方案能够适用于不同的应用场景。

在一些可能的实施例下，所述结合每一轮完成拼接的承接型字段关系网，获得所述行为细节字段关系网RN4，包括：对每一轮完成拼接的承接型字段关系网进行窗口化操作，获得该承接型字段关系网对应的行为细节字段关系网RN5；其中，每个承接型字段关系网对应的行为细节字段关系网RN5的时域变量指标保持一致；将各个承接型字段关系网对应的行为细节字段关系网RN5进行全局整理，获得所述行为细节字段关系网RN4。

应用于上述实施例，依据对每一轮完成拼接的承接型字段关系网进行窗口化操作，并将窗口化操作后获得的行为细节字段关系网RN5进行全局整理，获得行为细节字段关系网RN4，使得行为细节字段关系网RN4中不仅涵盖区别化知识较为明显的字段内容，也包括行为描述向量较为明显的字段内容，且获得的行为细节字段关系网RN4中还涵盖相异时域变量指标的字段内容，使得结合行为细节字段关系网RN4对待分析的在线用户活动记录中涵盖的感兴趣交互事件进行挖掘时，可保障感兴趣交互事件挖掘的精度和可信度。

第二方面，本发明还提供了一种人工智能服务系统，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述的方法。

第三方面，本发明还提供了一种云平台，包括有可读存储介质，所述可读存储介质存储有程序，该程序被处理器执行时实现所述互联网数据交互处理方法。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。

图1是本发明实施例提供的一种人工智能服务系统的硬件结构示意图。

图2是本发明实施例提供的一种互联网数据交互处理方法的流程示意图。

图3是本发明实施例提供的一种互联网数据交互处理方法的应用环境的通信架构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

需要说明的是，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”等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。

本发明实施例所提供的方法实施例可以在人工智能服务系统、计算机设备或者类似的运算装置中执行。以运行在人工智能服务系统上为例，图1是本发明实施例的实施一种互联网数据交互处理方法的人工智能服务系统的硬件结构框图。如图1所示，人工智能服务系统10可以包括一个或多个（图1中仅示出一个）处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器104，可选地，上述人工智能服务系统还可以包括用于通信功能的传输装置106。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述人工智能服务系统的结构造成限定。例如，人工智能服务系统10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的一种互联网数据交互处理方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至人工智能服务系统10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括人工智能服务系统10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频（RadioFrequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。

基于此，请参阅图2，图2是本发明实施例所提供的一种互联网数据交互处理方法的流程示意图，该方法应用于人工智能服务系统，进一步可以包括以下内容描述的技术方案。

步骤101、对待分析的在线用户活动记录进行交互行为细节挖掘，获得多层行为细节字段关系网RN1。

在本发明实施例中，待分析的在线用户活动记录例如可以是跨境电商业务活动记录、数字办公交互活动记录、云游戏交互活动记录等，在线用户活动记录可以通过文本、图片的形式进行表示。进一步地，对待分析的在线用户活动记录进行交互行为细节挖掘可以理解为交互行为特征挖掘，得到多层第一行为细节字段集合（即行为细节字段关系网RN1）。此外，多层的第一行为细节字段集合可以是不同层级或者不同关注层面的行为细节字段集合，进一步地，行为细节字段关系网还可以通过特征图或者特征分布的形式进行表示。

步骤102、依据对行为细节字段关系网RN1进行关系网变量优化，获得每层行为细节字段关系网RN1对应的行为细节字段关系网RN2。

进一步地，相异层行为细节字段关系网RN1对应的行为细节字段关系网RN2的关系网变量保持一致。

在本发明实施例中，对行为细节字段关系网RN1进行关系网变量优化可以理解为对行为细节字段关系网RN1进行参数调整，进而获得对应的第二行为细节字段集合（即行为细节字段关系网RN2），参数调整涉及不同类型的关系网参数，相关内容可以结合参阅后续介绍。

步骤103、逐一优化每层行为细节字段关系网RN2的关系网变量，获得每层行为细节字段关系网RN2对应的行为细节字段关系网RN3。

进一步地，每层行为细节字段关系网RN3的时域变量指标的占比值与指定占比值相对应。

举例而言，时域变量指标可以理解为时序特征维度值或者时序特征维度评分。时域变量指标的占比值与指定占比值相对应可以理解为时域变量指标的占比值与指定占比值相匹配/相符合。

步骤104、结合行为细节字段关系网RN3，确定待分析的在线用户活动记录中的感兴趣交互事件。

在本发明实施例而中，感兴趣交互事件例如可以是在线用户活动记录中的关注度较高/具有大数据分析挖掘价值的交互事件。

实施以上步骤101-步骤104，依据对行为细节字段关系网RN1进行关系网变量优化，获得每层行为细节字段关系网RN1对应的行为细节字段关系网RN2，并对每层行为细节字段关系网RN2的时域变量指标进行优化，使得获得的每层行为细节字段关系网RN2对应的行为细节字段关系网RN3的时域变量指标存在量化相关性，这样能够结合时序注意力存在差异的行为细节字段关系网RN3（通过存在差异的时序注意力来反映感兴趣交互事件的不同活动状态，进而获得不同活动状态下的感兴趣交互事件细节），确定待分析的在线用户活动记录中的感兴趣交互事件，实现了结合初始信息量的待分析的在线用户活动记录，确定待分析的在线用户活动记录的感兴趣交互事件，鉴于无需进一步扩展待分析的在线用户活动记录的信息量，在确保感兴趣交互事件的挖掘精度的前提下，能够有效减少挖掘分析处理所需的资源开销，进而可以提高感兴趣交互事件分析挖掘的时效性。

可以理解的是，可以通过如下描述内容对步骤101-步骤104进行进一步阐述。

对于步骤101而言，对待分析的在线用户活动记录进行交互行为细节挖掘，获得多层行为细节字段关系网RN1，进一步地，第一层行为细节字段关系网RN1可以是对待分析的在线用户活动记录进行交互行为细节挖掘获得的，邻近两层行为细节字段关系网RN1中的后一层行为细节字段关系网RN1是对邻近两层行为细节字段关系网RN1中的前一层行为细节字段关系网RN1进行交互行为细节挖掘获得的。

在本发明实施例中，对待分析的在线用户活动记录进行交互行为细节挖掘，获得多层行为细节字段关系网RN1时，可以通过多层第一人工智能模型对待分析的在线用户活动记录进行交互行为细节挖掘，获得各层第一人工智能模型生成的行为细节字段关系网RN1。进一步地，多层第一人工智能模型确定的AI模型可以为对待分析的在线用户活动记录中涵盖的感兴趣交互事件进行挖掘的任一AI模型，在一些实施例中，对待分析的在线用户活动记录中涵盖的感兴趣交互事件进行挖掘的AI模型可以拆解为多个节点的人工智能模型，每一节点的人工智能模型对应一层第一人工智能模型。其中，多层第一人工智能模型的架构可以基于真实需求进行配置。

举例而言，如果多层第一人工智能模型包括第一层第一人工智能模型、第二层第一人工智能模型、第三层第一人工智能模型，则第一层第一人工智能模型可以对待分析的在线用户活动记录进行窗口化操作，获得第一层第一人工智能模型生成的行为细节字段关系网RN1；并将第一层第一人工智能模型生成的行为细节字段关系网RN1传输至第二层第一人工智能模型，第二层第一人工智能模型对获取到的行为细节字段关系网RN1进行窗口化操作，获得第二层第一人工智能模型生成的行为细节字段关系网RN1；再将第二层第一人工智能模型生成的行为细节字段关系网RN1传输至第三层第一人工智能模型，第三层第一人工智能模型对获取到的行为细节字段关系网RN1进行窗口化操作，获得第三层第一人工智能模型生成的行为细节字段关系网RN1，进而获得了各层第一人工智能模型生成的行为细节字段关系网RN1。其中，由于第一层第一人工智能模型生成的行为细节字段关系网RN1通过的窗口化操作的轮数相对较少，因此第一层第一人工智能模型生成的行为细节字段关系网RN1的行为描述向量较多、场景差异知识较少；而第三层第一人工智能模型生成的行为细节字段关系网RN1经过的窗口化操作的轮数相对较多，因此，第三层第一人工智能模型生成的行为细节字段关系网RN1的场景差异知识较多（例如：行为细节字段关系网RN1中涵盖的与感兴趣交互事件相关的字段内容较多）、行为描述向量较少。

在本发明实施例中，待分析的在线用户活动记录可以为包含感兴趣交互事件的任意在线用户活动记录，其中，待分析的在线用户活动记录的累计活跃周期可以为任意的累计活跃周期，例如，待分析的在线用户活动记录的累计活跃周期可以为10min、20min等。在一些实施例中，可以结合多层第一人工智能模型确定在线用户活动记录的分析周期，在待分析的在线用户活动记录的累计活跃周期大于在线用户活动记录的分析周期时，可以将待分析的在线用户活动记录拆解为多个在线用户活动记录，使得拆解后的每个在线用户活动记录的累计活跃周期与在线用户活动记录的分析周期相同。例如，若待分析的在线用户活动记录的累计活跃周期为1h时，确定的在线用户活动记录的分析周期为10min，则可以将待分析的在线用户活动记录拆解为六个累计活跃周期为10min的在线用户活动记录，多层第一人工智能模型分别对每个10min的在线用户活动记录进行交互行为细节挖掘，确定每个10min在线用户活动记录对应的感兴趣交互事件，进而获得该待分析的在线用户活动记录的感兴趣交互事件。

在本发明实施例中，行为细节字段关系网RN1可以包括4个角度的关系网变量，该4个角度的关系网变量可以为第一尺寸约束指标*第二尺寸约束指标*时域变量指标*注意力指标，其中，第一尺寸约束指标*第二尺寸约束指标为行为细节字段关系网RN1的规模，AI模型的时域变量指标表征AI模型一次性能够应对的活动记录数。举例而言，如果多层第一人工智能模型为3个角度的人工智能模型，则可以获得待分析的在线用户活动记录的行为细节字段关系网RN1，该行为细节字段关系网RN1可以包括4个角度的关系网变量；如果多层第一人工智能模型为2个角度的人工智能模型，则可以通过多层第一人工智能模型进行交互行为细节挖掘，获得待分析的在线用户活动记录中每组在线用户活动信息对应的行为细节字段关系网，将获得的待分析的在线用户活动记录中每组在线用户活动信息对应的事件的行为细节字段关系网遵循时序注意力进行整合，获得待分析的在线用户活动记录对应的行为细节字段关系网RN1。

对于步骤102而言，可以对行为细节字段关系网RN1进行关系网变量优化，获得每层行为细节字段关系网RN1对应的行为细节字段关系网RN2。例如，将第一层行为细节字段关系网RN1的关系网变量、第二层行为细节字段关系网RN1的关系网变量、以及第三层行为细节字段关系网RN1的关系网变量进行统一化处理。比如：将每层行为细节字段关系网RN1的第一尺寸约束指标/第二尺寸约束指标/时域变量指标/注意力指标进行优化，使得获得的每层行为细节字段关系网RN2的第一尺寸约束指标、第二尺寸约束指标、时域变量指标、以及注意力指标皆一致。

在一些可能的实施例下，依据对行为细节字段关系网RN1进行关系网变量优化，获得每层行为细节字段关系网RN1对应的行为细节字段关系网RN2，可以包括如下内容。

确定每层行为细节字段关系网RN1对应的关系网变量中规模最小的行为细节字段关系网RN1，并将除规模最小的行为细节字段关系网RN1之外的剩余行为细节字段关系网RN1，更新为与该规模最小的行为细节字段关系网RN1具有相同关系网变量的行为细节字段关系网，将规模最小的行为细节字段关系网RN1，以及更新后与该规模最小的行为细节字段关系网RN1具有相同关系网变量的行为细节字段关系网作为行为细节字段关系网RN2。

或者，将每层行为细节字段关系网RN1更新为指定关系网变量下的行为细节字段关系网，将该指定关系网变量下的行为细节字段关系网作为行为细节字段关系网RN2。

举例而言，如果多层行为细节字段关系网RN1包括第一层行为细节字段关系网RN1、第二层行为细节字段关系网RN1、第三层行为细节字段关系网RN1，则确定第一层行为细节字段关系网RN1、第二层行为细节字段关系网RN1、第三层行为细节字段关系网RN1中，规模最小的行为细节字段关系网RN1（比如：确定第一尺寸约束指标*第二尺寸约束指标最小的行为细节字段关系网RN1），例如，第一层行为细节字段关系网RN1的关系网变量可以为：【200，200，24，256】，第二层行为细节字段关系网RN1的关系网变量可以为：【100，100，24，512】，第三层行为细节字段关系网RN1的关系网变量可以为：【50，50，24，1024】，则确定第三层行为细节字段关系网RN1对应的关系网变量中规模最小，则分别将第一层行为细节字段关系网RN1以及第二层行为细节字段关系网RN1的关系网变量进行优化，使得更新后的每层行为细节字段关系网RN2的关系网变量皆是：【50，50，24，1024】。

或者，确定一个指定关系网变量，将每层行为细节字段关系网RN1更新为指定关系网变量下的行为细节字段关系网，将该指定关系网变量下的行为细节字段关系网作为行为细节字段关系网RN2。一般而言，指定关系网变量中的规模不大于每层第一人工智能模型生成的行为细节字段关系网RN1对应的关系网变量中规模最小的行为细节字段关系网RN1的关系网变量。结合上述相关内容，在第三层行为细节字段关系网RN1（例如：该行为细节字段关系网RN1对应的关系网变量中规模最小）的关系网变量为：【50，50，24，1024】时，则指定关系网变量可以为【25，25，24，1024】，或者，指定关系网变量也可以为【50，50，24，1024】。其中，指定关系网变量灵活设置。

应用以上实施例，将每层第一行为细节字段关系网RN1更新为较小的规模，在对待分析的在线用户活动记录中涵盖的感兴趣交互事件进行挖掘时，能够减少感兴趣事件挖掘的资源开销，从而实现快速准确的用户活动分析和挖掘。

在一些可能的实施例下，对待分析的在线用户活动记录进行交互行为细节挖掘，获得多层行为细节字段关系网RN1，可以包括如下内容：通过多层第一人工智能模型对待分析的在线用户活动记录进行交互行为细节挖掘，获得各层第一人工智能模型生成的行为细节字段关系网RN1。在本发明实施例中，人工智能模型例如可以是CNN、GCN等。

在一些可能的实施例下，依据对行为细节字段关系网RN1进行关系网变量优化，获得每层行为细节字段关系网RN1对应的行为细节字段关系网RN2，可以包括如下步骤201和步骤202。

步骤201、结合确定的更新后的关系网变量，以及各层第一人工智能模型生成的行为细节字段关系网RN1的关系网变量，确定该层第一人工智能模型对应的第二人工智能模型的模型配置数据。

在本发明实施例中，第二人工智能模型的模型配置数据可以理解为人工智能模型的网络变量/网络架构参数。

步骤202，结合添加了确定的模型配置数据的各层第二人工智能模型，对该层第二人工智能模型对应的第一人工智能模型生成的行为细节字段关系网RN1进行窗口化操作，获得该层第二人工智能模型生成的行为细节字段关系网RN2。

在本发明实施例中，窗口化操作例如可以是卷积处理，而卷积处理能够在特征层面进行关系网调整/优化。

结合上述相关内容，确定的更新后的关系网变量可以为【50，50，24，1024】，第一层第一人工智能模型对应的行为细节字段关系网RN1的关系网变量可以为：【200，200，24，256】，第二层第一人工智能模型对应的行为细节字段关系网RN1的关系网变量可以为：【100，100，24，512】，第三层第一人工智能模型对应的行为细节字段关系网RN1的关系网变量可以为：【50，50，24，1024】；则可以结合确定的更新后的关系网变量，以及各层第一人工智能模型生成的行为细节字段关系网RN1的关系网变量，分别确定第一层第一人工智能模型对应的第二人工智能模型的模型配置数据、第二层第一人工智能模型对应的第二人工智能模型的模型配置数据、第三层第一人工智能模型对应的第二人工智能模型的模型配置数据，即确定各层第二人工智能模型中滤波算子（比如卷积核）的第一尺寸约束指标*第二尺寸约束指标*时域变量指标*注意力指标，以及对应的第一尺寸约束指标间隔*第二尺寸约束指标间隔*时序注意力间隔等信息。

基于上述内容在确定行为细节字段关系网RN1的关系网变量、行为细节字段关系网RN2的关系网变量后，可以确定第二人工智能模型对应的模型配置数据。例如，可以通过为各层第二人工智能模型设置存在差异的第一尺寸约束指标间隔、和/或第二尺寸约束指标间隔，使得各层第二人工智能模型生成的行为细节字段关系网RN2的关系网变量保持一致。

举例而言，第一层第一人工智能模型对应的添加了模型配置数据的第二人工智能模型，对第一层第一人工智能模型对应的行为细节字段关系网RN1进行窗口化操作，获得该层第二人工智能模型生成的行为细节字段关系网RN2。逐一推算，第二层第一人工智能模型对应的添加了模型配置数据的第二人工智能模型，对第二层第一人工智能模型对应的行为细节字段关系网RN1进行窗口化操作，获得该层第二人工智能模型生成的行为细节字段关系网RN2。第三层第一人工智能模型对应的添加了模型配置数据的第二人工智能模型，对第三层第一人工智能模型对应的行为细节字段关系网RN1进行窗口化操作，获得该层第二人工智能模型生成的行为细节字段关系网RN2。

应用以上实施例，通过确定每层第二人工智能模型的模型配置数据，并结合添加了确定的模型配置数据的各层第二人工智能模型，对对应的行为细节字段关系网RN1进行窗口化操作，实现了将每层第一人工智能模型生成的行为细节字段关系网RN1的关系网变量中的规模更新为较小的规模，进而使得对待分析的在线用户活动记录进行挖掘时，能够减少感兴趣事件挖掘的资源开销，提高针对感兴趣事件的挖掘精度和及时性。

对于步骤103而言，可以对每层行为细节字段关系网RN2的关系网变量进行优化，获得每层行为细节字段关系网RN2对应的行为细节字段关系网RN3，使得获得的每层行为细节字段关系网RN3的时域变量指标的占比值与指定占比值相对应。其中，各层行为细节字段关系网RN3的时域变量指标与其拓展区域相关。在一些实施例中，行为细节字段关系网经过窗口化操作的轮数越少，拓展区域越小，则对应的时域变量指标预配置的较大时，才能尽可能的精准的确定待分析的在线用户活动记录中的感兴趣交互事件。相反地，行为细节字段关系网经过窗口化操作的轮数越多，拓展区域越大，则为了减少感兴趣事件挖掘的资源开销，则可以将对应的时域变量指标的较小，实现了在确保待分析的在线用户活动记录分析精度的同时，能够减少感兴趣事件挖掘的资源开销，提高针对感兴趣事件的挖掘精度和及时性。例如，第一层行为细节字段关系网RN3与第二层行为细节字段关系网RN3之间的时域变量指标的占比值可以设置为1/2、或2/4、或3/9等。

在一些可能的实施例下，逐一优化每层行为细节字段关系网RN2的关系网变量，获得每层行为细节字段关系网RN2对应的行为细节字段关系网RN3，可以包括步骤301-步骤303。

步骤301、结合相异层第一人工智能模型之间的时域变量指标的占比值，以及各层第一人工智能模型对应的行为细节字段关系网RN2的时域变量指标，确定每层第一人工智能模型分别对应的行为细节字段关系网RN3的时域变量指标。

步骤302、结合确定的每层第一人工智能模型分别对应的行为细节字段关系网RN3的时域变量指标，以及各层第一人工智能模型对应的行为细节字段关系网RN2的时域变量指标，确定该层第一人工智能模型对应的第三人工智能模型的模型配置数据。

步骤303、结合添加了确定的模型配置数据的各层第三人工智能模型，对该层第三人工智能模型对应的行为细节字段关系网RN2进行窗口化操作，获得该层第三人工智能模型生成的行为细节字段关系网RN3。

在本发明实施例中，相异层第一人工智能模型之间的时域变量指标的占比值可以基于真实需求进行配置，例如，如果多层第一人工智能模型包括第一层第一人工智能模型、第二层第一人工智能模型、第三层第一人工智能模型，则相异层第一人工智能模型之间的时域变量指标的占比值可以为1/2/4，也可以为1/3/9等。进一步的，如果各层第一人工智能模型对应的行为细节字段关系网RN2的时域变量指标为24，时域变量指标的占比值为1/2/4，则可以确定第一层第一人工智能模型对应的行为细节字段关系网RN3的时域变量指标为6，第二层第一人工智能模型对应的行为细节字段关系网RN3的时域变量指标为12，第三层第一人工智能模型对应的行为细节字段关系网RN3的时域变量指标为24。

在本发明实施例中，可以根据以上技术方案确定各层第一人工智能模型对应的第三人工智能模型的模型配置数据。例如，可以通过为各层第三人工智能模型设置存在差异的时序注意力间隔，使得每层第三人工智能模型生成的行为细节字段关系网RN3的时域变量指标与预配置的占比值相同。

举例而言，第一层第一人工智能模型对应的添加了模型配置数据的第三人工智能模型，对该层对应的行为细节字段关系网RN2进行窗口化操作，获得该层第三人工智能模型生成的行为细节字段关系网RN3。逐一推算，第二层第一人工智能模型对应的添加了模型配置数据的第三人工智能模型，对该层对应的行为细节字段关系网RN2进行窗口化操作，获得该层第三人工智能模型生成的行为细节字段关系网RN3。第三层第一人工智能模型对应的添加了模型配置数据的第三人工智能模型，对该层对应的行为细节字段关系网RN2进行窗口化操作，获得该层第三人工智能模型生成的行为细节字段关系网RN3。

应用以上实施例，通过变更各层第一人工智能模型对应的行为细节字段关系网RN2的时域变量指标，使得获得的各层第三人工智能模型生成的行为细节字段关系网RN3的时域变量指标与预配置的占比值相对应（类似于更新了待分析的在线用户活动记录中涵盖的感兴趣交互事件的活动状态），使得结合优化时域变量指标后的行为细节字段关系网RN3，可以尽可能精准地对待分析的在线用户活动记录中涵盖的感兴趣交互事件进行挖掘，保障感兴趣交互事件挖掘的精度和可信度。

对于步骤104而言，可以将每层第一人工智能模型对应的行为细节字段关系网RN3进行拼接，并将行为细节字段关系网RN3拼接后获得的行为细节字段关系网导入到测试型AI模型（可以是与人工智能模型同类型的神经网络或者存在部分差异的神经网络）中，获得待分析的在线用户活动记录中涵盖的感兴趣交互事件。若待分析的在线用户活动记录中包括多个感兴趣交互事件，则可以获得待分析的在线用户活动记录中涵盖的每一感兴趣交互事件。

在一些可能的实施例下，结合行为细节字段关系网RN3，确定待分析的在线用户活动记录中的感兴趣交互事件，可以包括如下步骤401和步骤402。

步骤401、将每层行为细节字段关系网RN2对应的行为细节字段关系网RN3进行拼接操作，获得完成拼接的行为细节字段关系网RN4。

例如，可以实现不同关系网的特征融合处理，从而得到融合关系网（也即完成拼接的行为细节字段关系网RN4）。

步骤402、结合行为细节字段关系网RN4，确定待分析的在线用户活动记录中的感兴趣交互事件。

在本发明实施例中，在获得每层行为细节字段关系网RN2对应的行为细节字段关系网RN3之后，可以将每层行为细节字段关系网RN3进行拼接操作，获得完成拼接的行为细节字段关系网RN4，在结合行为细节字段关系网RN4，确定待分析的在线用户活动记录中的感兴趣交互事件。例如，感兴趣交互事件可以是活动需求事件（购物需求、浏览需求、办公隐私保护需求、游戏操作更新需求等）

应用以上实施例，将获得的每层行为细节字段关系网RN2对应的行为细节字段关系网RN3进行拼接操作，使得获得的行为细节字段关系网RN4可以包括时域变量指标存在差异的行为细节字段关系网RN3的字段内容，进而结合行为细节字段关系网RN4确定待分析的在线用户活动记录中的感兴趣交互事件时，可保障感兴趣交互事件挖掘的精度和可信度。

在一些可能的实施例下，将每层行为细节字段关系网RN2对应的行为细节字段关系网RN3进行拼接操作，获得完成拼接的行为细节字段关系网RN4，可以包括如下内容：遵循预设的拼接指示，将每层行为细节字段关系网RN2对应的行为细节字段关系网RN3依次进行拼接操作，获得每一轮完成拼接的承接型字段关系网；结合每一轮完成拼接的承接型字段关系网，获得行为细节字段关系网RN4。

在本发明实施例中，可以设定行为细节字段关系网RN3的拼接指示，将每层行为细节字段关系网RN2对应的行为细节字段关系网RN3遵循预设的拼接指示，依次进行拼接操作，获得每一轮完成拼接的承接型字段关系网。

例如，如果预设的拼接指示为：第一层第一人工智能模型对应的行为细节字段关系网RN3、第二层第一人工智能模型对应的行为细节字段关系网RN3、第三层第一人工智能模型对应的行为细节字段关系网RN3，则可以先将第一层第一人工智能模型对应的行为细节字段关系网RN3与第二层第一人工智能模型对应的行为细节字段关系网RN3进行拼接，获得第1轮完成拼接的承接型字段关系网；在将获得的完成拼接的承接型字段关系网与第三层第一人工智能模型对应的行为细节字段关系网RN3进行拼接，获得第2轮完成拼接的承接型字段关系网。在可以结合每一轮完成拼接的承接型字段关系网，获得行为细节字段关系网RN4。

举例而言，第一层第一人工智能模型对应的行为细节字段关系网RN3与第二层第一人工智能模型对应的行为细节字段关系网RN3进行拼接时，可以先将第一层第一人工智能模型对应的行为细节字段关系网RN3进行深度学习处理，在将深度学习处理后的第一层第一人工智能模型对应的行为细节字段关系网RN3与第二层第一人工智能模型对应的行为细节字段关系网RN3进行拼接，获得第1轮完成拼接的承接型字段关系网。每一轮的拼接过程，可以参阅以上第一层第一人工智能模型对应的行为细节字段关系网RN3与第二层第一人工智能模型对应的行为细节字段关系网RN3进行拼接的过程，本发明实施例对此不作进一步描述。

例如，如果第一层第一人工智能模型对应的行为细节字段关系网RN3的关系网变量为【7，7，1，512】，第二层第一人工智能模型对应的行为细节字段关系网RN3的关系网变量为【7，7，2，512】，则可以先将第一层第一人工智能模型对应的行为细节字段关系网RN3进行深度学习处理，深度学习处理后的第一层第一人工智能模型对应的行为细节字段关系网RN3的关系网变量为【7，7，2，512】；然后将深度学习处理后的第一层第一人工智能模型对应的行为细节字段关系网RN3中每一行为细节字段单元的值，与第二层第一人工智能模型对应的行为细节字段关系网RN3中对应的行为细节字段单元的值求和，获得第1轮完成拼接的承接型字段关系网，其中，该第1轮完成拼接的承接型字段关系网的关系网变量为【7，7，2，512】。

在一些可能的实施例下，将每层行为细节字段关系网RN2对应的行为细节字段关系网RN3作为第一层行为细节字段关系网RN3至第X层行为细节字段关系网RN3，其中第X层行为细节字段关系网RN3的时域变量指标大于第X-1层行为细节字段关系网RN3的时域变量指标，X为正整数。则遵循预设的拼接指示，将每层行为细节字段关系网RN2对应的行为细节字段关系网RN3依次进行拼接操作，获得每一轮完成拼接的承接型字段关系网，可以包括如下几种方式实现。

第一种方式：遵循从第一层行为细节字段关系网RN3到第X层行为细节字段关系网RN3的拼接指示，依次将每层行为细节字段关系网RN3进行拼接操作，分别获得每一轮完成拼接的行为细节字段关系网，将第一层行为细节字段关系网RN3以及每一轮完成拼接的行为细节字段关系网，作为获得的承接型字段关系网。

第二种方式：遵循从第X层行为细节字段关系网RN3到第一层行为细节字段关系网RN3的拼接指示，依次将每层行为细节字段关系网RN3进行拼接操作，分别获得每一轮完成拼接的行为细节字段关系网，将第X层行为细节字段关系网RN3以及每一轮完成拼接的行为细节字段关系网，作为获得承接型字段关系网。

第三种方式：遵循从第一层行为细节字段关系网RN3到第X层行为细节字段关系网RN3的拼接指示，将每层行为细节字段关系网RN3进行拼接操作，分别获得从第一层行为细节字段关系网RN3到第X层行为细节字段关系网RN3进行拼接操作时每一轮完成拼接的行为细节字段关系网，分别对第一层行为细节字段关系网RN3以及每一轮完成拼接的行为细节字段关系网进行窗口化操作，获得第一层拼接行为细节字段关系网至第X层拼接行为细节字段关系网，其中，各层拼接行为细节字段关系网的关系网变量与窗口化操作前对应的行为细节字段关系网的关系网变量保持一致；遵循从第X层拼接行为细节字段关系网到第一层拼接行为细节字段关系网的拼接指示，依次将每层拼接行为细节字段关系网进行拼接操作，分别获得从第X层拼接行为细节字段关系网到第一层拼接行为细节字段关系网进行拼接操作时每一轮完成拼接的行为细节字段关系网，将每一轮完成拼接的行为细节字段关系网以及第X层拼接行为细节字段关系网，作为获得的承接型字段关系网。

第四种方式：遵循从第一层行为细节字段关系网RN3到第X层行为细节字段关系网RN3的拼接指示，将每层行为细节字段关系网RN3进行拼接操作，分别获得每一轮完成拼接的行为细节字段关系网，将第一层行为细节字段关系网RN3以及从第一层行为细节字段关系网RN3到第X层行为细节字段关系网RN3进行拼接操作时每一轮完成拼接的行为细节字段关系网，作为获得的第一承接型字段关系网，并遵循从第X层行为细节字段关系网RN3到第一层行为细节字段关系网RN3的拼接指示，将每层行为细节字段关系网RN3进行拼接操作，分别获得每一轮完成拼接的行为细节字段关系网，将第X层行为细节字段关系网RN3以及从第X层行为细节字段关系网RN3到第一层行为细节字段关系网RN3进行拼接操作时每一轮完成拼接的行为细节字段关系网，作为获得的第二承接型字段关系网；将第一承接型字段关系网和第二承接型字段关系网作为获得的承接型字段关系网。

在一些可能实施的实施例中，对以上第一种方式进行阐述，对每层行为细节字段关系网RN3进行拼接时（例如：融合），可以先将第一层行为细节字段关系网RN3_p1与第二层行为细节字段关系网RN3_p2进行拼接，获得第1轮完成拼接的行为细节字段关系网；其次将第1轮获得的完成拼接的行为细节字段关系网与第三层行为细节字段关系网RN3_p3进行拼接，获得第2轮完成拼接的行为细节字段关系网，逐一推算，直到第X-2轮完成拼接的行为细节字段关系网与第X层行为细节字段关系网RN3_p4进行拼接，获得第X-1轮完成拼接的行为细节字段关系网为止。将第1轮完成拼接的行为细节字段关系网（第一层行为细节字段关系网RN3与第二层行为细节字段关系网RN3拼接后获得的行为细节字段关系网）、第2轮完成拼接的行为细节字段关系网、等等、第X-1轮完成拼接的行为细节字段关系网以及第一层行为细节字段关系网RN3，作为获得的承接型字段关系网。

在一些可能实施的实施例中，对以上第二种方式进行阐述，对每层行为细节字段关系网RN3进行拼接时，可以先将第X层行为细节字段关系网RN3_p4与第X-1层行为细节字段关系网RN3进行拼接，获得第1轮完成拼接的行为细节字段关系网；其次将第1轮拼接后获得的行为细节字段关系网与第X-2轮行为细节字段关系网RN3进行拼接，获得第2轮完成拼接的行为细节字段关系网，逐一推算，直到将第X-2轮完成拼接的行为细节字段关系网与第一层行为细节字段关系网RN3_p1进行拼接，获得第X-1轮完成拼接的行为细节字段关系网为止；将第1轮完成拼接的行为细节字段关系网（第X层行为细节字段关系网RN3与第X-1层行为细节字段关系网RN3拼接后获得的行为细节字段关系网）、第2轮完成拼接的行为细节字段关系网、等等、第X-1轮完成拼接的行为细节字段关系网以及第X层行为细节字段关系网RN3，作为获得的承接型字段关系网。

在一些可能实施的实施例中，对以上第三种方式进行阐述，对每层行为细节字段关系网RN3进行拼接时，可以先将第一层行为细节字段关系网RN3与第二层行为细节字段关系网RN3进行拼接，获得第1轮完成拼接的行为细节字段关系网；其次将第1轮获得的完成拼接的行为细节字段关系网与第三层行为细节字段关系网RN3进行拼接，获得第2轮完成拼接的行为细节字段关系网，逐一推算，可以获得第X-1轮完成拼接的行为细节字段关系网；分别将第一层行为细节字段关系网RN3、第1轮完成拼接的行为细节字段关系网、第2轮完成拼接的行为细节字段关系网、…、第X-1轮完成拼接的行为细节字段关系网导入到对应的过渡型人工智能模型_p5中进行窗口化操作，获得第一层行为细节字段关系网RN3对应的第一层拼接行为细节字段关系网、第1轮完成拼接的行为细节字段关系网对应的第二层拼接行为细节字段关系网、第2轮完成拼接的行为细节字段关系网对应的第三层拼接行为细节字段关系网、等等、第X-1轮完成拼接的行为细节字段关系网对应的第X层拼接行为细节字段关系网。其中，各层拼接行为细节字段关系网的关系网变量与窗口化操作前对应的行为细节字段关系网的关系网变量保持一致，例如，若第一层行为细节字段关系网RN3的关系网变量为【7，7，1，512】，则第一层行为细节字段关系网RN3对应的过渡型人工智能模型_p5对第一层行为细节字段关系网RN3进行窗口化操作后，获得的第一层拼接行为细节字段关系网的关系网变量也为【7，7，1，512】；若第1轮完成拼接的行为细节字段关系网的关系网变量为【7，7，2，512】，则第1轮完成拼接的行为细节字段关系网对应的过渡型人工智能模型对第1轮完成拼接的行为细节字段关系网进行窗口化操作后，获得的第二层拼接行为细节字段关系网的关系网变量也为【7，7，2，512】。

进一步地，遵循从第X层拼接行为细节字段关系网到第一层拼接行为细节字段关系网的拼接指示，逐一将每层拼接行为细节字段关系网进行拼接操作，分别获得从第X层拼接行为细节字段关系网到第一层拼接行为细节字段关系网进行拼接操作时每一轮完成拼接的行为细节字段关系网，将每一轮完成拼接的行为细节字段关系网以及第X层拼接行为细节字段关系网，作为获得的承接型字段关系网。

在一些可能实施的实施例中，对以上第四种方式进行阐述，对每层行为细节字段关系网RN3进行拼接时，可以通过以上第一种方式将每层行为细节字段关系网RN3进行拼接操作，将第一层行为细节字段关系网RN3以及从第一层行为细节字段关系网RN3到第X层行为细节字段关系网RN3进行拼接操作时每一轮完成拼接的行为细节字段关系网，作为获得的第一承接型字段关系网。此外，可以通过以上第二种方式将每层行为细节字段关系网RN3进行拼接操作，将第X层行为细节字段关系网RN3以及从第X层行为细节字段关系网RN3到第一层行为细节字段关系网RN3进行拼接操作时每一轮完成拼接的行为细节字段关系网，作为获得的第二承接型字段关系网；其中，第一承接型字段关系网以及第二承接型字段关系网形成了通过第四种方式获得的承接型字段关系网。

应用以上实施例，通过配置多类存在差异的拼接指示，依次将每层行为细节字段关系网RN3进行拼接操作，可以尽可能丰富行为细节字段关系网的拼接方案，从而提高行为细节字段关系网的拼接灵活性，保障整体方案能够适用于不同的应用场景。

在一些可能的实施例下，结合每一轮完成拼接的承接型字段关系网，获得行为细节字段关系网RN4，可以包括步骤601和步骤602。

步骤601、对每一轮完成拼接的承接型字段关系网进行窗口化操作，获得该承接型字段关系网对应的行为细节字段关系网RN5。

进一步地，每个承接型字段关系网对应的行为细节字段关系网RN5的时域变量指标保持一致。

步骤602、将各个承接型字段关系网对应的行为细节字段关系网RN5进行全局整理，获得行为细节字段关系网RN4。

举例而言，若每一轮完成拼接的承接型字段关系网包括关系网变量为【7，7，1，512】的承接型字段关系网、【7，7，2，512】的承接型字段关系网、【7，7，4，512】的承接型字段关系网，确定的完成拼接的时域变量指标为1，其中，完成拼接的时域变量指标可以基于真实需求进行配置，则可以确定每一承接型字段关系网对应的第四人工智能模型的模型配置数据，即可以确定关系网变量为【7，7，1，512】的承接型字段关系网对应的第四人工智能模型model_A的模型配置数据、确定关系网变量为【7，7，2，512】的承接型字段关系网对应的第四人工智能模型model_B的模型配置数据、确定关系网变量为【7，7，4，512】的承接型字段关系网对应的第四人工智能模型model_C的模型配置数据；结合携带模型配置数据的第四人工智能模型model_A对关系网变量为【7，7，1，512】的承接型字段关系网进行窗口化操作，获得关系网变量为【7，7，1，512】的承接型字段关系网对应的行为细节字段关系网RN5；这样能够获得关系网变量为【7，7，2，512】的承接型字段关系网对应的行为细节字段关系网RN5、以及关系网变量为【7，7，4，512】的承接型字段关系网对应的行为细节字段关系网RN5，其中，各个承接型字段关系网对应的行为细节字段关系网RN5的关系网变量皆是【7，7，1，512】。

进一步的，将各个承接型字段关系网对应的行为细节字段关系网RN5进行全局整理，获得行为细节字段关系网RN4，获得的行为细节字段关系网RN4的关系网变量为【7，7，4，1536】。其中，对各个承接型字段关系网对应的行为细节字段关系网RN5进行全局整理时，可以通过特征连接操作将行为细节字段关系网RN5进行组合，获得行为细节字段关系网RN4。

应用以上实施例，依据对每一轮完成拼接的承接型字段关系网进行窗口化操作，并将窗口化操作后获得的行为细节字段关系网RN5进行全局整理，获得行为细节字段关系网RN4，使得行为细节字段关系网RN4中不仅涵盖区别化知识较为明显的字段内容，也包括行为描述向量较为明显的字段内容，且获得的行为细节字段关系网RN4中还涵盖相异时域变量指标的字段内容，使得结合行为细节字段关系网RN4对待分析的在线用户活动记录中涵盖的感兴趣交互事件进行挖掘时，可保障感兴趣交互事件挖掘的精度和可信度。

在一些可独立实施的设计思路下，在确定出所述待分析的在线用户活动记录中的感兴趣交互事件之后，该方法还可以包括如下内容：基于所述感兴趣交互事件确定所述待分析的在线用户活动记录的业务交互需求；通过所述业务交互需求进行信息推送。

在本发明实施例中，业务交互需求可以通过信息挖掘获得，而基于业务交互需求进行信息推送可以提高推送精度和效率，避免占用过多的软硬件资源。

在一些可独立实施的设计思路下，基于所述感兴趣交互事件确定所述待分析的在线用户活动记录的业务交互需求，可以包括如下内容：确定感兴趣交互事件中的第一事件行为短语，以及所述第一事件行为短语的第一事件主题和第一兴趣特征向量，所述第一事件主题反映所述第一事件行为短语在所述感兴趣交互事件中的相对区域，所述第一兴趣特征向量反映所述第一事件行为短语的兴趣需求信息；确定参考交互事件中的至少一个第二事件行为短语，以及每个所述第二事件行为短语的第二事件主题和第二兴趣特征向量，所述第二事件主题反映所述第二事件行为短语在所述参考交互事件中的相对区域，所述第二兴趣特征向量反映所述第二事件行为短语的兴趣需求信息；根据所述第一兴趣特征向量和每个所述第二兴趣特征向量对所述第二事件行为短语进行第一轮抽取，得到至少一个初筛事件行为短语；根据所述第一事件主题和每个所述初筛事件行为短语的第二事件主题对至少一个所述初筛事件行为短语进行第二轮抽取，得到与所述第一事件行为短语匹配的目标事件行为短语；通过所述目标事件行为短语确定所述业务交互需求。

举例而言，可以通过预设的关系列表查询与目标事件行为短语对应的业务交互需求标签，从而准确高效地挖掘得到业务交互需求。

基于上述相同或相似的发明构思，还提供了一种互联网数据交互处理方法的应用环境30的架构示意图，包括互相之间通信的人工智能服务系统10和互联网业务交互端20，人工智能服务系统10和互联网业务交互端20在运行时实现或者部分实现上述方法实施例所描述的技术方案。

进一步地，还提供了一种云平台，包括有可读存储介质，所述可读存储介质存储有程序，该程序被处理器执行时实现所述互联网数据交互处理方法。

在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，媒体业务服务器10，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种互联网数据交互处理方法，其特征在于，应用于人工智能服务系统，所述方法包括：

对待分析的在线用户活动记录进行交互行为细节挖掘，获得多层行为细节字段关系网RN1；

依据对所述行为细节字段关系网RN1进行关系网变量优化，获得每层行为细节字段关系网RN1对应的行为细节字段关系网RN2，相异层行为细节字段关系网RN1对应的行为细节字段关系网RN2的关系网变量保持一致；

逐一优化每层行为细节字段关系网RN2的关系网变量，获得每层行为细节字段关系网RN2对应的行为细节字段关系网RN3，其中，每层行为细节字段关系网RN3的时域变量指标的占比值与指定占比值相对应；

结合所述行为细节字段关系网RN3，确定所述待分析的在线用户活动记录中的感兴趣交互事件；所述依据对所述行为细节字段关系网RN1进行关系网变量优化，获得每层行为细节字段关系网RN1对应的行为细节字段关系网RN2，包括：

确定所述每层行为细节字段关系网RN1对应的关系网变量中规模最小的行为细节字段关系网RN1，并将除所述规模最小的行为细节字段关系网RN1之外的剩余行为细节字段关系网RN1，更新为与该规模最小的行为细节字段关系网RN1具有相同关系网变量的行为细节字段关系网，将所述规模最小的行为细节字段关系网RN1，以及更新后所述与该规模最小的行为细节字段关系网RN1具有相同关系网变量的行为细节字段关系网作为所述行为细节字段关系网RN2；

或，将所述每层行为细节字段关系网RN1更新为指定关系网变量下的行为细节字段关系网，将该指定关系网变量下的行为细节字段关系网作为所述行为细节字段关系网RN2；

所述对待分析的在线用户活动记录进行交互行为细节挖掘，获得多层行为细节字段关系网RN1，包括：通过多层第一人工智能模型对待分析的在线用户活动记录进行交互行为细节挖掘，获得各层第一人工智能模型生成的行为细节字段关系网RN1；

所述依据对所述行为细节字段关系网RN1进行关系网变量优化，获得每层行为细节字段关系网RN1对应的行为细节字段关系网RN2，包括：结合确定的更新后的关系网变量，以及各层第一人工智能模型生成的所述行为细节字段关系网RN1的关系网变量，确定该层第一人工智能模型对应的第二人工智能模型的模型配置数据；结合添加了确定的模型配置数据的所述各层第二人工智能模型，对该层第二人工智能模型对应的第一人工智能模型生成的行为细节字段关系网RN1进行窗口化操作，获得该层第二人工智能模型生成的所述行为细节字段关系网RN2。

2.根据权利要求1所述的方法，其特征在于，所述对待分析的在线用户活动记录进行交互行为细节挖掘，获得多层行为细节字段关系网RN1，包括：通过多层第一人工智能模型对待分析的在线用户活动记录进行交互行为细节挖掘，获得各层第一人工智能模型生成的行为细节字段关系网RN1；

所述逐一优化每层行为细节字段关系网RN2的关系网变量，获得每层行为细节字段关系网RN2对应的行为细节字段关系网RN3，包括：结合相异层第一人工智能模型之间的时域变量指标的占比值，以及各层第一人工智能模型对应的所述行为细节字段关系网RN2的时域变量指标，确定每层第一人工智能模型分别对应的行为细节字段关系网RN3的时域变量指标；结合确定的每层第一人工智能模型分别对应的行为细节字段关系网RN3的时域变量指标，以及各层第一人工智能模型对应的所述行为细节字段关系网RN2的时域变量指标，确定该层第一人工智能模型对应的第三人工智能模型的模型配置数据；

结合添加了确定的模型配置数据的所述各层第三人工智能模型，对该层第三人工智能模型对应的行为细节字段关系网RN2进行窗口化操作，获得该层第三人工智能模型生成的所述行为细节字段关系网RN3。

3.根据权利要求1所述的方法，其特征在于，所述结合所述行为细节字段关系网RN3，确定所述待分析的在线用户活动记录中的感兴趣交互事件，包括：

将每层行为细节字段关系网RN2对应的所述行为细节字段关系网RN3进行拼接操作，获得完成拼接的行为细节字段关系网RN4；

结合所述行为细节字段关系网RN4，确定所述待分析的在线用户活动记录中的感兴趣交互事件。

4.根据权利要求3所述的方法，其特征在于，将每层行为细节字段关系网RN2对应的所述行为细节字段关系网RN3进行拼接操作，获得完成拼接的行为细节字段关系网RN4，包括：

遵循预设的拼接指示，将每层行为细节字段关系网RN2对应的所述行为细节字段关系网RN3依次进行拼接操作，获得每一轮完成拼接的承接型字段关系网；

结合每一轮完成拼接的承接型字段关系网，获得所述行为细节字段关系网RN4。

5.根据权利要求4所述的方法，其特征在于，将每层行为细节字段关系网RN2对应的行为细节字段关系网RN3作为第一层行为细节字段关系网RN3至第X层行为细节字段关系网RN3，其中第X层行为细节字段关系网RN3的时域变量指标大于第X-1层行为细节字段关系网RN3的时域变量指标，X为正整数，则遵循预设的拼接指示，将每层行为细节字段关系网RN2对应的所述行为细节字段关系网RN3依次进行拼接操作，获得每一轮完成拼接的承接型字段关系网，通过如下其中一种方式实现：

遵循从第一层行为细节字段关系网RN3到所述第X层行为细节字段关系网RN3的拼接指示，依次将每层所述行为细节字段关系网RN3进行拼接操作，分别获得每一轮完成拼接的行为细节字段关系网，将第一层行为细节字段关系网RN3以及每一轮完成拼接的行为细节字段关系网，作为获得的所述承接型字段关系网；

遵循从第X层行为细节字段关系网RN3到所述第一层行为细节字段关系网RN3的拼接指示，依次将每层所述行为细节字段关系网RN3进行拼接操作，分别获得每一轮完成拼接的行为细节字段关系网，将第X层行为细节字段关系网RN3以及每一轮完成拼接的行为细节字段关系网，作为获得的所述承接型字段关系网；

遵循从第一层行为细节字段关系网RN3到所述第X层行为细节字段关系网RN3的拼接指示，将每层所述行为细节字段关系网RN3进行拼接操作，分别获得从第一层行为细节字段关系网RN3到所述第X层行为细节字段关系网RN3进行拼接操作时每一轮完成拼接的行为细节字段关系网，分别对第一层行为细节字段关系网RN3以及每一轮完成拼接的行为细节字段关系网进行窗口化操作，获得第一层拼接行为细节字段关系网至第X层拼接行为细节字段关系网，其中，各层所述拼接行为细节字段关系网的关系网变量与窗口化操作前对应的行为细节字段关系网的关系网变量保持一致；遵循从第X层拼接行为细节字段关系网到所述第一层拼接行为细节字段关系网的拼接指示，依次将每层所述拼接行为细节字段关系网进行拼接操作，分别获得从第X层拼接行为细节字段关系网到所述第一层拼接行为细节字段关系网进行拼接操作时每一轮完成拼接的行为细节字段关系网，将每一轮完成拼接的行为细节字段关系网以及第X层拼接行为细节字段关系网，作为获得的所述承接型字段关系网；

遵循从第一层行为细节字段关系网RN3到所述第X层行为细节字段关系网RN3的拼接指示，将每层所述行为细节字段关系网RN3进行拼接操作，分别获得每一轮完成拼接的行为细节字段关系网，将第一层行为细节字段关系网RN3以及从第一层行为细节字段关系网RN3到所述第X层行为细节字段关系网RN3进行拼接操作时每一轮完成拼接的行为细节字段关系网，作为获得的第一承接型字段关系网，并遵循从第X层行为细节字段关系网RN3到所述第一层行为细节字段关系网RN3的拼接指示，将每层所述行为细节字段关系网RN3进行拼接操作，分别获得每一轮完成拼接的行为细节字段关系网，将第X层行为细节字段关系网RN3以及从第X层行为细节字段关系网RN3到所述第一层行为细节字段关系网RN3进行拼接操作时每一轮完成拼接的行为细节字段关系网，作为获得的第二承接型字段关系网；将所述第一承接型字段关系网和所述第二承接型字段关系网作为获得的所述承接型字段关系网。

6.根据权利要求5所述的方法，其特征在于，所述结合每一轮完成拼接的承接型字段关系网，获得所述行为细节字段关系网RN4，包括：

对每一轮完成拼接的承接型字段关系网进行窗口化操作，获得该承接型字段关系网对应的行为细节字段关系网RN5；其中，每个承接型字段关系网对应的行为细节字段关系网RN5的时域变量指标保持一致；

将各个承接型字段关系网对应的行为细节字段关系网RN5进行全局整理，获得所述行为细节字段关系网RN4。

7.一种人工智能服务系统，其特征在于，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现权利要求1-6任一项所述的方法。

8.一种云平台，其特征在于，包括有可读存储介质，所述可读存储介质存储有程序，该程序被处理器执行时实现权利要求1-6任一项所述的方法。

Images