CN115423565B - 应用于云端互联网交互流程的大数据分析方法及ai系统 - Google Patents
应用于云端互联网交互流程的大数据分析方法及ai系统 Download PDFInfo
- Publication number
- CN115423565B CN115423565B CN202211118570.1A CN202211118570A CN115423565B CN 115423565 B CN115423565 B CN 115423565B CN 202211118570 A CN202211118570 A CN 202211118570A CN 115423565 B CN115423565 B CN 115423565B
- Authority
- CN
- China
- Prior art keywords
- viewpoint
- interaction
- interactive
- product
- data
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供一种应用于云端互联网交互流程的大数据分析方法及AI系统,通过对产品社群互动大数据进行大数据分析,将在同一目标时间段内存在相同产品互动画像的每个基准用户和对应的对象用户添加到对应该目标时间段的产品互动画像分组中,并基于该目标时间段内与产品互动画像所对应的个性化推送策略对产品互动画像分组进行互联网产品信息推送,获取产品互动画像分组针对推送的互联网产品信息的联动关注操作数据,由此进行用户需求输出,从而通过将相同产品互动画像的用户进行汇总后,将个性化推送策略与不同时间段和不同产品互动画像进行关联,提高互联网产品信息推送的时间周期时效性,继而提高后续用户需求输出的可靠性。
Description
技术领域
本发明涉及大数据技术领域,具体而言,涉及一种应用于云端互联网交互流程的大数据分析方法及AI系统。
背景技术
个性化推荐系统可以有效提升互联网产品的运营效率和用户转化率,尤其在内容分发、电商、社交等领域的运用越来越多,个性化推荐已经成为一个产品的基础建设,其依靠于相关用户的大数据挖掘进而分析出不同用户的用户画像,然后进行标签分类后进行个性化信息推荐。然而,在相关技术中,通常在大数据挖掘过程中仅针对单个用户的行为大数据进行处理,缺乏交互流程过程中的互动大数据挖掘,导致在进行用户画像分析时存在遗漏,也难以调动多用户之间的有效互动。并且,当前信息推送过程中并没有考虑互联网产品信息推送的时间周期时效性。
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于云端互联网交互流程的大数据分析方法及AI系统。
第一方面,本申请提供一种应用于云端互联网交互流程的大数据分析方法,应用于AI系统,所述AI系统与多个互联网产品服务器通信连接,所述方法包括:
对目标互联网在线产品的云端互联网交互流程所对应的产品社群互动大数据进行大数据分析,获取在同一目标时间段内存在相同产品互动画像的每个基准用户和对应的对象用户;
将所述每个基准用户和对应的对象用户添加到对应该目标时间段的产品互动画像分组中,并基于该目标时间段内与所述产品互动画像所对应的个性化推送策略对所述产品互动画像分组进行互联网产品信息推送;
获取所述产品互动画像分组针对推送的互联网产品信息的联动关注操作数据,并基于所述联动关注操作数据对所述产品互动画像分组进行用户需求输出。
譬如,在第一方面的一种可能的实施方式中,所述获取所述产品互动画像分组针对推送的互联网产品信息的联动关注操作数据,并基于所述联动关注操作数据对所述产品互动画像分组进行用户需求输出的步骤,包括:
获取所述产品互动画像分组中大于设定数量的目标用户针对推送的互联网产品信息的共同关注操作数据,作为联动关注操作数据;
将所述联动关注操作数据输入到预先训练的用户需求字段预测模型中,获得对应的用户需求字段分布,所述用户需求字段分布用于对所述产品互动画像所对应的个性化推送策略进行更新和优化;
其中,所述用户需求字段预测模型的训练步骤包括:
获取参考用户需求学习数据序列;所述参考用户需求学习数据序列中包含多个参考联动关注操作数据,以及多个所述参考联动关注操作数据各自的第一参考用户需求字段信息;所述第一参考用户需求字段信息表征所述参考联动关注操作数据在用户先验验证库中的用户需求字段分布;
依据所述第一参考用户需求字段信息指示的所述用户需求字段分布,对多个所述参考联动关注操作数据进行分簇,确定多个所述参考联动关注操作数据的第二参考用户需求字段信息;所述第二参考用户需求字段信息表征所述参考联动关注操作数据更新后的所述用户需求字段分布;
依据多个所述参考联动关注操作数据,以及多个所述参考联动关注操作数据各自的所述第二参考用户需求字段信息,训练获得所述用户需求字段预测模型;所述用户需求字段预测模型用以对任意联动关注操作数据进行用户需求字段预测;
其中,所述依据所述第一参考用户需求字段信息指示的所述用户需求字段分布,对多个所述参考联动关注操作数据进行分簇,确定多个所述参考联动关注操作数据的第二参考用户需求字段信息,包括:
获取一个或多个第一联动关注操作数据序列,同一所述第一联动关注操作数据序列中包含的所述参考联动关注操作数据的所述第一参考用户需求字段信息相同;
分别对一个或多个所述第一联动关注操作数据序列中的所述参考联动关注操作数据进行类内分簇特征清洗,确定一个或多个第二联动关注操作数据序列;所述类内分簇特征清洗是指,对各个所述第一联动关注操作数据序列内的所述参考联动关注操作数据分别进行分簇后,将各个所述第一联动关注操作数据序列中属于需清洗特征向量的所述参考联动关注操作数据删除;
获取目标参考联动关注操作数据的联动关注操作特征;所述目标参考联动关注操作数据是指归属于一个或多个所述第二联动关注操作数据序列的参考联动关注操作数据;
依据各个目标参考联动关注操作数据的联动关注操作特征,对所述目标参考联动关注操作数据进行类间分簇特征清洗,确定所述类间分簇特征清洗的分簇结果;所述类间分簇特征清洗是指,对所述目标参考联动关注操作数据进行分簇后,将所述目标参考联动关注操作数据中属于需清洗特征向量的目标参考联动关注操作数据删除;
依据所述分簇结果,生成各个所述目标参考联动关注操作数据的所述第二参考用户需求字段信息;
所述依据多个所述参考联动关注操作数据,以及多个所述参考联动关注操作数据各自的所述第二参考用户需求字段信息,训练获得所述用户需求字段预测模型,包括:
依据各个所述目标参考联动关注操作数据,以及各个所述目标参考联动关注操作数据各自的所述第二参考用户需求字段信息,训练获得所述用户需求字段预测模型;
其中,所述依据各个目标参考联动关注操作数据的联动关注操作特征,对所述目标参考联动关注操作数据进行类间分簇特征清洗,确定所述类间分簇特征清洗的分簇结果,包括:
依据各个目标参考联动关注操作数据的联动关注操作特征,构建联动关注操作特征关系网络;所述联动关注操作特征关系网络表征各个所述目标参考联动关注操作数据的联动关注操作特征之间关系信息;
依据所述联动关注操作特征关系网络,获取所述类间分簇特征清洗的分簇结果;
其中,依据各个所述目标参考联动关注操作数据,以及各个所述目标参考联动关注操作数据各自的所述第二参考用户需求字段信息,训练获得所述用户需求字段预测模型,包括:
获取多个训练样本数据簇;各个所述训练样本数据簇中包含的目标参考联动关注操作数据来源于不同先验维度的所述用户先验验证库;且同一所述训练样本数据簇中,各个所述用户先验验证库的所述目标参考联动关注操作数据的数量相同;
以所述训练样本数据簇为单位,将多个所述训练样本数据簇中包含的所述训练样本数据簇加载到初始化网络模型中,确定所述目标参考联动关注操作数据的用户需求字段预测数据;
依据各个所述目标参考联动关注操作数据的所述用户需求字段预测数据与所述第二参考用户需求字段信息,对所述初始化网络模型进行模型权重参数更新;
依据模型权重参数更新后的所述初始化网络模型生成所述用户需求字段预测模型;
其中,所述方法还包括:
对所述目标参考联动关注操作数据进行频繁项分析,确定所述目标参考联动关注操作数据中的频繁项数据;所述频繁项数据表征目标用户在所述目标参考联动关注操作数据中的频繁项操作数据;
依据所述频繁项数据对所述目标参考联动关注操作数据进行关联数据调取,确定所述频繁项数据对应的频繁项关联数据;
所述以所述训练样本数据簇为单位,将多个所述训练样本数据簇中包含的所述训练样本数据簇输入到初始化网络模型中,确定所述目标参考联动关注操作数据的用户需求字段预测数据,包括:
以所述训练样本数据簇为单位,将多个所述训练样本数据簇中包含的所述目标参考联动关注操作数据的频繁项关联数据,分组输入到所述初始化网络模型中,确定所述初始化网络模型输出的,所述目标参考联动关注操作数据的用户需求字段预测数据。
通过从用户先验验证库中获得参考用户需求学习数据序列后,并非直接依据参考用户需求学习数据序列进行训练,而是通过分簇处理的方式,对参考用户需求学习数据序列中的各个参考联动关注操作数据的参考用户需求字段信息进行更新,从而使得各个参考联动关注操作数据的参考用户需求字段信息更加准确;依据各个参考联动关注操作数据以及各个参考联动关注操作数据更新后的参考用户需求字段信息进行训练,可以提高模型预测精度。
第二方面,本申请实施例还提供一种应用于云端互联网交互流程的大数据分析系统,所述应用于云端互联网交互流程的大数据分析系统包括AI系统和与所述AI系统通信连接的多个互联网产品服务器;
所述AI系统,用于:
对目标互联网在线产品的云端互联网交互流程所对应的产品社群互动大数据进行大数据分析,获取在同一目标时间段内存在相同产品互动画像的每个基准用户和对应的对象用户;
将所述每个基准用户和对应的对象用户添加到对应该目标时间段的产品互动画像分组中,并基于该目标时间段内与所述产品互动画像所对应的个性化推送策略对所述产品互动画像分组进行互联网产品信息推送;
获取所述产品互动画像分组针对推送的互联网产品信息的联动关注操作数据,并基于所述联动关注操作数据对所述产品互动画像分组进行用户需求输出。
呈上任意一个方面所述,对目标互联网在线产品的云端互联网交互流程所对应的产品社群互动大数据进行大数据分析,获取在同一目标时间段内存在相同产品互动画像的每个基准用户和对应的对象用户,将每个基准用户和对应的对象用户添加到对应该目标时间段的产品互动画像分组中,并基于该目标时间段内与产品互动画像所对应的个性化推送策略对产品互动画像分组进行互联网产品信息推送,获取产品互动画像分组针对推送的互联网产品信息的联动关注操作数据,并基于联动关注操作数据对产品互动画像分组进行用户需求输出,从而通过将相同产品互动画像的用户进行汇总后,将个性化推送策略与不同时间段和不同产品互动画像进行关联,提高互联网产品信息推送的时间周期时效性,继而提高后续用户需求输出的可靠性。
附图说明
图1为本发明实施例提供的应用于云端互联网交互流程的大数据分析方法的流程示意图。
具体实施方式
下面介绍本发明一种实施例提供的应用于云端互联网交互流程的大数据分析系统10的架构,该应用于云端互联网交互流程的大数据分析系统10可以包括AI系统100以及与AI系统100通信连接的互联网产品服务器200。其中,应用于云端互联网交互流程的大数据分析系统10中的AI系统100和互联网产品服务器200可以结合配合执行以下方法实施例所描述的应用于云端互联网交互流程的大数据分析方法,具体AI系统100和互联网产品服务器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于云端互联网交互流程的大数据分析方法可以由AI系统100执行,下面结合图1对该应用于云端互联网交互流程的大数据分析方法进行详细介绍。
Process110,对目标互联网在线产品的云端互联网交互流程所对应的产品社群互动大数据进行大数据分析,获取在同一目标时间段内存在相同产品互动画像的每个基准用户和对应的对象用户。
本实施例中,目标互联网在线产品可以是任意提供互联网服务的云端软件产品,如云端电商服务软件产品。云端互联网交互流程可以是指由多个不同在线互联网用户针对该目标互联网在线产品进行交互操作的流程,如产品社群互动操作流程,从而可以统计对应的产品社群互动大数据(如基于不同用户浏览、点击、购买、评论、分享、收藏、关注等互动触点统计的在线相关互动行为数据、在线相似互动行为数据、离线相关互动行为数据、离线相似行为数据等),并进行大数据分析,获取在同一目标时间段内存在相同产品互动画像的每个基准用户和对应的对象用户。
Process120,将所述每个基准用户和对应的对象用户添加到对应该目标时间段的产品互动画像分组中,并基于该目标时间段内与所述产品互动画像所对应的个性化推送策略对所述产品互动画像分组进行互联网产品信息推送。
本实施例中,针对不同的产品互动画像,可以预先配置对应时间段的个性化推送策略,从而可以将个性化推送策略与不同时间段进行关联,提高互联网产品信息推送的时间周期时效性。
Process130,获取所述产品互动画像分组针对推送的互联网产品信息的联动关注操作数据,并基于所述联动关注操作数据对所述产品互动画像分组进行用户需求输出。
基于以上步骤,本实施例对目标互联网在线产品的云端互联网交互流程所对应的产品社群互动大数据进行大数据分析,获取在同一目标时间段内存在相同产品互动画像的每个基准用户和对应的对象用户,将每个基准用户和对应的对象用户添加到对应该目标时间段的产品互动画像分组中,并基于该目标时间段内与产品互动画像所对应的个性化推送策略对产品互动画像分组进行互联网产品信息推送,获取产品互动画像分组针对推送的互联网产品信息的联动关注操作数据,并基于联动关注操作数据对产品互动画像分组进行用户需求输出,从而通过将相同产品互动画像的用户进行汇总后,将个性化推送策略与不同时间段和不同产品互动画像进行关联,提高互联网产品信息推送的时间周期时效性,继而提高后续用户需求输出的可靠性。
Process101,获取基准产品互动数据涵盖的基准互动观点的互动观点语义特征,获取对象产品互动数据涵盖的对象互动观点的互动观点语义特征;
基准产品互动数据可以是任意一个存在产品互动观点的产品互动数据,基准产品互动数据可以包括多个互动观点,可以将基准产品互动数据涵盖的互动观点确定为基准互动观点,因此基准互动观点的数量可以为多个。同理,对象产品互动数据也可以任意一个存在产品互动观点的产品互动数据,对象产品互动数据也可以包括多个互动观点,可以将对象产品互动数据涵盖的互动观点确定为对象互动观点,对象互动观点的数量也可以是多个。
AI系统可以获取到基准互动观点的互动观点语义特征,基准互动观点的互动观点语义特征可以包括基准互动观点的互动观点关键词信息以及基准互动观点的观点语义变量序列。
其中,基准互动观点的互动观点语义特征可以为基准互动观点的互动观点关键词,例如基准互动观点的互动观点关键词可以为产品使用互动观点的关键词、产品购买互动观点的关键词、产品分析互动观点的关键词、产品推广互动观点的关键词和/或产品开发互动观点的关键词等,一个基准互动观点可以对应有一个互动观点关键词信息。
例如,基准互动观点的观点语义变量序列,可以是AI系统通过调度观点语义分析模型对基准产品互动数据进行观点语义分析,确定的基准产品互动数据涵盖的基准互动观点的观点语义识别特征。一个基准互动观点可以对应有一个观点语义变量序列。
因此,AI系统可以将获取到的基准互动观点的互动观点关键词信息以及基准互动观点的观点语义变量序列,作为基准互动观点的互动观点语义特征。
同理,对象互动观点的互动观点语义特征可以为对象互动观点的互动观点关键词,例如对象互动观点的互动观点关键词可以为产品使用互动观点的关键词、产品购买互动观点的关键词、产品分析互动观点的关键词、产品推广互动观点的关键词和/或产品开发互动观点的关键词等,一个对象互动观点可以对应有一个互动观点关键词信息。
例如,对象互动观点的观点语义变量序列,可以是AI系统通过调用观点语义分析模型对基准产品互动数据进行观点语义分析,确定的基准产品互动数据涵盖的对象互动观点的观点语义识别特征。一个对象互动观点可以对应有一个观点语义变量序列。
因此,AI系统可以将获取到的对象互动观点的互动观点关键词信息以及对象互动观点的观点语义变量序列,作为对象互动观点的互动观点语义特征。
例如,AI系统还可以获取到目标产品互动数据和关联产品互动数据,AI系统可以获取到目标产品互动数据中针对关联产品互动数据的互动观点序列。该互动观点序列可以是目标产品互动数据中可以与关联产品互动数据进行组合的区域。该互动观点序列中可以包括目标产品互动数据中的多个互动观点。
因此,AI系统可以将该互动观点序列中的互动观点所构成的互动数据,作为上述基准产品互动数据,将该关联产品互动数据作为上述对象产品互动数据。因此,预测基准产品互动数据和对象产品互动数据之间的互动偏向度,也即预测目标产品互动数据和关联产品互动数据之间的互动偏向度。
其中,存在产品互动观点的产品互动数据之间的互动偏向度用于表征存在产品互动观点的产品互动数据之间存在相同偏好的可能性,存在产品互动观点的产品互动数据之间的互动偏向度越大,表明存在产品互动观点的产品互动数据之间存在相同偏好的可能性越大,反之,存在产品互动观点的产品互动数据之间的互动偏向度越小,表明存在产品互动观点的产品互动数据之间存在相同偏好的可能性越小。
例如,假设AI系统可以获取到目标产品互动数据A0c中针对关联产品互动数据A2c的互动观点序列A1c,该互动观点序列A1c也就是目标产品互动数据A0c中可以和关联产品互动数据A2c进行组合的部分。
互动观点序列A1c中可以包括目标产品互动数据A0c的多个互动观点,AI系统可以通过互动观点序列A1c所包括的多个互动观点得到基准产品互动数据,该基准产品互动数据实际上就可以为互动观点序列A1c。AI系统还可以将关联产品互动数据A2c直接作为对象产品互动数据。
基于以上步骤,AI系统即可获取到的基准产品互动数据和对象产品互动数据,并且,AI系统也可以获取到基准产品互动数据涵盖的基准互动观点的互动观点语义特征、以及对象产品互动数据涵盖的对象互动观点的互动观点语义特征。
Process102,将基准互动观点的互动观点语义特征和对象互动观点的互动观点语义特征加载至互动观点偏向分析模型;
例如,AI系统可以将获得的基准互动观点的互动观点语义特征和对象互动观点的互动观点语义特征,加载至互动观点偏向分析模型。该互动观点偏向分析模型可以用于对存在产品互动观点的产品互动数据之间的互动偏向度进行预测,该互动观点偏向分析模型的训练流程可以参见后续实施例的描述部分。
因此,AI系统可以将获取到的基准互动观点的互动观点语义特征和对象互动观点的互动观点语义特征,加载至互动观点偏向分析模型的编码单元中。
Process103,在互动观点偏向分析模型中,输出基准互动观点分别与互动观点序列中的各互动观点之间的第一观点偏向度、以及对象互动观点分别与各互动观点之间的第二观点偏向度;互动观点序列中的多个互动观点包括基准互动观点和对象互动观点;
例如,可以将全部基准互动观点和全部对象互动观点构成的序列确定为互动观点序列,因此该互动观点序列中可以包括多个互动观点,该多个互动观点包括基准互动观点和对象互动观点。
互动观点偏向分析模型可以基于所加载的基准互动观点的互动观点语义特征中基准互动观点的观点语义变量序列,以及所加载的对象互动观点的互动观点语义特征中对象互动观点的观点语义变量序列,确定基准互动观点分别与互动观点序列中的各互动观点之间的互动观点特征距离,并得到对象互动观点分别与互动观点序列中的各互动观点之间的互动观点特征距离。其中,互动观点偏向分析模型可以获取到互动观点序列中的各互动观点与其余互动观点之间的互动观点特征距离。
因此,AI系统可以基于所获取到的基准互动观点的互动观点语义特征中基准互动观点的互动观点关键词信息、对象互动观点的互动观点语义特征中对象互动观点的互动观点关键词信息、基准互动观点与互动观点序列中各互动观点之间的互动观点特征距离、以及对象互动观点与互动观点序列中各互动观点的互动观点特征距离,生成基准互动观点分别与互动观点序列中的各互动观点之间的相关性参数值、以及对象互动观点分别与互动观点序列中的各互动观点之间的相关性参数值。
其中,基准互动观点与互动观点序列中的一个互动观点之间可以对应有一个相关性参数值,该相关性参数值表征了基准互动观点与互动观点序列中对应互动观点之间存在相同偏好的可能性,因此,可以将基准互动观点与互动观点序列中的各互动观点之间的相关性参数值,确定为基准互动观点与互动观点序列中的各互动观点之间的第一观点偏向度。
同理,对象互动观点与互动观点序列中的一个互动观点之间可以对应有一个相关性参数值,该相关性参数值表征了对象互动观点与互动观点序列中对应互动观点之间存在相同偏好的可能性,因此,可以将对象互动观点与互动观点序列中的各互动观点之间的相关性参数值,确定为对象互动观点与互动观点序列中的各互动观点之间的第二观点偏向度。
其中,上述第一观点偏向度和第二观点偏向度可以是通过矩阵体现的,AI系统可以基于上述基准互动观点的互动观点关键词信息、对象互动观点的互动观点关键词信息、基准互动观点与互动观点序列中各互动观点之间的互动观点特征距离、以及对象互动观点与互动观点序列中各互动观点之间的互动观点特征距离,生成一个相关性矩阵,该相关性矩阵中就包括基准互动观点与互动观点序列中各互动观点之间的第一观点偏向度、以及对象互动观点与互动观点序列中各互动观点之间的第二观点偏向度。
例如,互动观点偏向分析模型生成相关性矩阵L的公式可以是:L=H*HU-Relativity*P (1)
其中,H为一个矩阵,H中包括了互动观点序列中的各互动观点对应的互动观点关键词信息,H中的互动观点关键词信息可以是用设定语义编码表达的。换言之,H中包括了基准互动观点的互动观点关键词信息和对象互动观点的互动观点关键词信息。HU表示矩阵H的转置。Relativity为学习矩阵,Relativity为互动观点偏向分析模型的权重配置信息。P也为一个矩阵,P中包括了基准互动观点分别与互动观点序列中的各互动观点之间的互动观点特征距离、以及对象互动观点分别与互动观点序列中的各互动观点之间的互动观点特征距离,该互动观点特征距离为互动观点间在互动流程中的互动观点特征距离。
例如,假设基准互动观点包括互动观点W1、互动观点W2、互动观点W3、互动观点W4和互动观点W5,共5个基准互动观点,对象互动观点包括互动观点T1、互动观点T2和互动观点T3,共3个对象互动观点。因此互动观点序列中的多个互动观点就包括互动观点W1、互动观点W2、互动观点W3、互动观点W4、互动观点W5、互动观点T1、互动观点T2和互动观点T3。
因此,互动观点偏向分析模型所生成的相关性矩阵中可以包括8行8列,可以将该相关性矩阵中的一行看作一个相关性特征,该相关性矩阵的前5行可以是各基准互动观点分别对应的相关性特征,一个基准互动观点对应的相关性特征中包括了该基准互动观点与互动观点序列中各互动观点之间的第一观点偏向度(即相关性参数值)。该相关性矩阵的后3行可以是各对象互动观点分别对应的相关性特征,一个对象互动观点对应的相关性特征中包括了该对象互动观点与互动观点序列中各互动观点之间的第二观点偏向度(即相关性参数值)。
例如,该相关性矩阵的第1行可以是互动观点W1对应的相关性特征,第1行中可以包括互动观点W1与互动观点W1之间的第一观点偏向度、互动观点W1与互动观点W2之间的第一观点偏向度、互动观点W1与互动观点W3之间的第一观点偏向度、互动观点W1与互动观点W4之间的第一观点偏向度、互动观点W1与互动观点W5之间的第一观点偏向度、互动观点W1与互动观点T1之间的第一观点偏向度、互动观点W1与互动观点T2之间的第一观点偏向度、以及互动观点W1与互动观点T3之间的第一观点偏向度。
该相关性矩阵的第2行可以是互动观点W2对应的相关性特征,第2行中可以包括互动观点W2与互动观点W1之间的第一观点偏向度、互动观点W2与互动观点W2之间的第一观点偏向度、互动观点W2与互动观点W3之间的第一观点偏向度、互动观点W2与互动观点W4之间的第一观点偏向度、互动观点W2与互动观点W5之间的第一观点偏向度、互动观点W2与互动观点T1之间的第一观点偏向度、互动观点W2与互动观点T2之间的第一观点偏向度、以及互动观点W2与互动观点T3之间的第一观点偏向度。
该相关性矩阵的第3行可以是互动观点W3对应的相关性特征,第3行中可以包括互动观点W3与互动观点W1之间的第一观点偏向度、互动观点W3与互动观点W2之间的第一观点偏向度、互动观点W3与互动观点W3之间的第一观点偏向度、互动观点W3与互动观点W4之间的第一观点偏向度、互动观点W3与互动观点W5之间的第一观点偏向度、互动观点W3与互动观点T1之间的第一观点偏向度、互动观点W3与互动观点T2之间的第一观点偏向度、以及互动观点W3与互动观点T3之间的第一观点偏向度。
该相关性矩阵的第4行可以是互动观点W4对应的相关性特征,第4行中可以包括互动观点W4与互动观点W1之间的第一观点偏向度、互动观点W4与互动观点W2之间的第一观点偏向度、互动观点W4与互动观点W3之间的第一观点偏向度、互动观点W4与互动观点W4之间的第一观点偏向度、互动观点W4与互动观点W5之间的第一观点偏向度、互动观点W4与互动观点T1之间的第一观点偏向度、互动观点W4与互动观点T2之间的第一观点偏向度、以及互动观点W4与互动观点T3之间的第一观点偏向度。
该相关性矩阵的第5行可以是互动观点W5对应的相关性特征,第5行中可以包括互动观点W5与互动观点W1之间的第一观点偏向度、互动观点W5与互动观点W2之间的第一观点偏向度、互动观点W5与互动观点W3之间的第一观点偏向度、互动观点W5与互动观点W4之间的第一观点偏向度、互动观点W5与互动观点W5之间的第一观点偏向度、互动观点W5与互动观点T1之间的第一观点偏向度、互动观点W5与互动观点T2之间的第一观点偏向度、以及互动观点W5与互动观点T3之间的第一观点偏向度。
该相关性矩阵的第6行可以是互动观点T1对应的相关性特征,第6行中可以包括互动观点T1与互动观点W1之间的第二观点偏向度、互动观点T1与互动观点W2之间的第二观点偏向度、互动观点T1与互动观点W3之间的第二观点偏向度、互动观点T1与互动观点W4之间的第二观点偏向度、互动观点T1与互动观点W5之间的第二观点偏向度、互动观点T1与互动观点T1之间的第二观点偏向度、互动观点T1与互动观点T2之间的第二观点偏向度、以及互动观点T1与互动观点T3之间的第二观点偏向度。
该相关性矩阵的第7行可以是互动观点T2对应的相关性特征,第7行中可以包括互动观点T2与互动观点W1之间的第二观点偏向度、互动观点T2与互动观点W2之间的第二观点偏向度、互动观点T2与互动观点W3之间的第二观点偏向度、互动观点T2与互动观点W4之间的第二观点偏向度、互动观点T2与互动观点W5之间的第二观点偏向度、互动观点T2与互动观点T1之间的第二观点偏向度、互动观点T2与互动观点T2之间的第二观点偏向度、以及互动观点T2与互动观点T3之间的第二观点偏向度。
该相关性矩阵的第8行可以是互动观点T3对应的相关性特征,第8行中可以包括互动观点T3与互动观点W1之间的第二观点偏向度、互动观点T3与互动观点W2之间的第二观点偏向度、互动观点T3与互动观点W3之间的第二观点偏向度、互动观点T3与互动观点W4之间的第二观点偏向度、互动观点T3与互动观点W5之间的第二观点偏向度、互动观点T3与互动观点T1之间的第二观点偏向度、互动观点T3与互动观点T2之间的第二观点偏向度、以及互动观点T3与互动观点T3之间的第二观点偏向度。
本方案仅使用到互动观点偏向分析模型的编码单元,而不使用互动观点偏向分析模型的解码单元。互动观点偏向分析模型中存在自注意力机制层,该自注意机制层包括自注意机制,互动观点偏向分析模型可以依据编码单元涵盖的自注意机制层生成上述相关性矩阵,也就是互动观点偏向分析模型可以依据编码单元涵盖的自注意力机制层,来生成基准互动观点与互动观点序列中的各互动观点之间的第一观点偏向度、以及比较对象互动观点与互动观点序列中的各互动观点之间的第二观点偏向度。
Process104,基于基准互动观点分别与各互动观点之间的第一观点偏向度和对象互动观点分别与各互动观点之间的第二观点偏向度,生成基准产品互动数据与对象产品互动数据之间的产品互动偏向度,确定为所述基准产品互动数据对应的基准用户和所述对象产品互动数据对应的对象用户之间的产品互动偏向度,并将在同一目标时间段内产品互动偏向度大于设定互动偏向度的基准用户和对应的对象用户确定为存在相同产品互动画像的每个基准用户和对应的对象用户。
例如,AI系统可以基于基准互动观点分别与互动观点序列中的各互动观点之间的第一观点偏向度、以及对象互动观点分别与互动观点序列中的各互动观点之间的第二观点偏向度,生成得到基准产品互动数据与对象产品互动数据之间的互动偏向度,可以将该互动偏向度确定为基准产品互动数据与对象产品互动数据之间的产品互动偏向度,该产品互动偏向度也称化学互动偏向度。当该产品互动偏向度越大时,表明基准产品互动数据与对象产品互动数据之间存在相同偏好的可能性越大。当该产品互动偏向度越小时,表明基准产品互动数据与对象产品互动数据之间存在相同偏好的可能性越小。
其中,互动观点偏向分析模型中还存在池化单元,AI系统可以通过互动观点偏向分析模型中的池化单元,对基准互动观点分别与互动观点序列中的各互动观点之间的第一观点偏向度、以及对象互动观点分别与互动观点序列中的各互动观点之间的第二观点偏向度进行最大值池化处理,也就是AI系统可以通过互动观点偏向分析模型中的池化层,对上述包含该第一观点偏向度和第二观点偏向度的相关性矩阵进行池化,即可生成一个池化特征,该池化特征也就是互动观点偏向分析模型最终识别出的、用于预测基准产品互动数据与对象产品互动数据之间的产品互动偏向度的特征向量,可以将该向量确定为互动池化特征。
例如,假设基准产品互动数据V0d可以包含6个基准互动观点,该6个基准互动观点分别可以是互动观点W1、互动观点W2、互动观点W3、互动观点W4、互动观点W5和互动观点W6。并且,AI系统还可以获取到该6个基准互动观点的互动观点语义特征,该6个基准互动观点的互动观点语义特征分别包括该6个基准互动观点的互动观点关键词信息(包含基准互动观点的互动观点类型)和观点语义变量序列(包含基准互动观点的观点语义识别特征)。
例如,上述6个基准互动观点的互动观点关键词信息具体包括:互动观点W1的互动观点关键词信息a1、互动观点W2的互动观点关键词信息a2、互动观点W3的互动观点关键词信息a3、互动观点W4的互动观点关键词信息a4、互动观点W5的互动观点关键词信息a5以及互动观点W6的互动观点关键词信息a6。
例如,上述6个基准互动观点的观点语义变量序列具体包括:互动观点W1的观点语义变量序列a1、互动观点W2的观点语义变量序列a2、互动观点W3的观点语义变量序列a3、互动观点W4的观点语义变量序列a4、互动观点W5的观点语义变量序列a5以及互动观点W6的观点语义变量序列a6。
对象产品互动数据V1d可以包括5个对象互动观点,该5个对象互动观点分别可以是互动观点T1、互动观点T2、互动观点T3、互动观点T4和互动观点T5。AI系统也可以获取到该5个对象互动观点的互动观点语义特征,该5个对象互动观点的互动观点语义特征包括该5个对象互动观点的互动观点关键词信息(包含对象互动观点的互动观点类型)和观点语义变量序列(包含对象互动观点的观点语义识别特征)。
例如,上述5个对象互动观点的互动观点关键词信息具体可以包括:互动观点T1的互动观点关键词信息1、互动观点T2的互动观点关键词信息2、互动观点T3的互动观点关键词信息3、互动观点T4的互动观点关键词信息4和互动观点T5的互动观点关键词信息5。
例如,上述5个对象互动观点的观点语义变量序列具体可以包括:互动观点T1的观点语义变量序列1、互动观点T2的观点语义变量序列2、互动观点T3的观点语义变量序列3、互动观点T4的观点语义变量序列4和互动观点T5的观点语义变量序列5。
AI系统可以将上述所获取到的基准互动观点的互动观点语义特征和对象互动观点的互动观点语义特征加载至互动观点偏向分析模型,通过该互动观点偏向分析模型即可基于所加载的基准互动观点的互动观点语义特征和对象互动观点的互动观点语义特征,加载至基准产品互动数据和对象产品互动数据之间的产品互动偏向度。
当上述基准产品互动数据是通过目标产品互动数据中针对关联产品互动数据的互动观点序列得到,对象产品互动数据为该关联产品互动数据时,互动观点偏向分析模型所输出的基准产品互动数据与对象产品互动数据之间的产品互动偏向度,就为目标产品互动数据与关联产品互动数据之间的互动偏向度,该互动偏向度表征了目标产品互动数据与关联产品互动数据之间存在相同偏好的可能性。
存在产品互动观点的产品互动数据之间的互动偏向度越大,表明对存在产品互动观点的产品互动数据进行组合的效果更好,更容易结合。因此,在获取到目标产品互动数据和关联产品互动数据之间的产品互动偏向度之后,当AI系统分析到该产品互动偏向度大于设定互动偏向度时,AI系统可以对目标产品互动数据和关联产品互动数据进行组合,确定目标产品互动数据和关联产品互动数据的目标产品互动数据组合。
其中,上述Process103中所获取到的基准互动观点与互动观点序列中的各互动观点之间的第一观点偏向度、以及对象互动观点与互动观点序列中的各互动观点之间的第二观点偏向度,可以用于对基准互动观点与对象互动观点之间的关联性状态进行分析。由此可见,互动观点偏向分析模型可以生成基准互动观点与对象互动观点之间的相关性参数值(如上述第一观点偏向度和第二观点偏向度),而基准互动观点与对象互动观点之间的相关性参数值可以用于分析基准产品互动数据和对象产品互动数据之间的互动偏向度,这也使得互动观点偏向分析模型具有了针对预测结果(如上述产品互动偏向度)的模型可解释性。
通过上述基准互动观点与互动观点序列中的各互动观点之间的第一观点偏向度、以及对象互动观点与互动观点序列中的各互动观点之间的第二观点偏向度,可以分析得到基准产品互动数据与对象产品互动数据之间的关联性状态,该关联性状态也就是指基准产品互动数据与对象产品互动数据中存在相同观点偏好的互动观点对,可以将该互动观点对确定为互动观点偏好组合,一个互动观点偏好组合中可以包括一个基准互动观点和一个对象互动观点,一个互动观点偏好组合中的基准互动观点和对象互动观点之间存在相同关键偏好的可能性很大。
例如,基准互动观点可以包括互动观点1,对象互动观点可以包括互动观点2。互动观点1针对互动观点2的第一观点偏向度大于设定观点偏向度,并且互动观点2针对互动观点1的第二观点偏向度也大于该设定观点偏向度时,可以认为互动观点1与互动观点2存在相同关键偏好的可能性更大,因此,互动观点1和互动观点2可以构成一个互动观点偏好组合。
因此,当AI系统分析到目标产品互动数据和关联产品互动数据之间的产品互动偏向度大于设定互动偏向度时,AI系统还可以获取目标产品互动数据与关联产品互动数据之间的互动观点偏好组合,目标产品互动数据与关联产品互动数据之间的互动观点偏好组合也就是基准产品互动数据与对象产品互动数据之间的互动观点偏好组合。
AI系统可以通过目标产品互动数据与关联产品互动数据之间的互动观点偏好组合,对目标产品互动数据和关联产品互动数据进行组合,该互动观点偏好组合可以用于对目标产品互动数据和关联产品互动数据进行组合的方式,例如,就可以按照互动观点偏好组合,将目标产品互动数据和关联产品互动数据中,该互动观点偏好组合涵盖的互动观点进行组合,以实现目标产品互动数据和关联产品互动数据之间的结合,进而得到上述目标产品互动数据组合。
上述基准产品互动数据可以是目标产品互动数据中针对关联产品互动数据的互动观点序列,对象产品互动数据可以是关联产品互动数据,因此,可以将互动观点序列中涵盖的互动观点确定为目标互动观点,该目标互动观点也就是基准互动观点,将关联涵盖的互动观点确定为关联互动观点,该关联互动观点也就是对象互动观点。
可以对互动观点偏向分析模型所生成的基准互动观点与互动观点序列中各互动观点之间的相关性参数值(即第一观点偏向度)、以及对象互动观点与互动观点序列中各互动观点之间的相关性参数值(即第二观点偏向度)进行可视化输出。
由上可知,本申请中采用互动观点偏向分析模型可以实现对基准产品互动数据和对象产品互动数据之间的互动偏向度的准确预测,并且互动观点偏向分析模型所预测得到的互动偏向度还具有可解释性,该可解释性可以通过互动观点偏向分析模型所生成的上述第一观点偏向度和第二观点偏向度实现。
例如,假设基准产品互动数据A可以包括6个基准互动观点,该6个基准互动观点可以包括互动观点1、互动观点2、互动观点3、互动观点4、互动观点5和互动观点6。对象产品互动数据B可以包括5个对象互动观点,例如,该5个对象互动观点可以包括互动观点7、互动观点8、互动观点9、互动观点10和互动观点11。
互动观点1分别具有与互动观点7、互动观点8、互动观点9、互动观点10和互动观点11之间的第一观点偏向度,互动观点2分别具有与互动观点7、互动观点8、互动观点9、互动观点10和互动观点11之间的第一观点偏向度,互动观点3分别具有与互动观点7、互动观点8、互动观点9、互动观点10和互动观点11之间的第一观点偏向度,互动观点4分别具有与互动观点7、互动观点8、互动观点9、互动观点10和互动观点11之间的第一观点偏向度,互动观点5分别具有与互动观点7、互动观点8、互动观点9、互动观点10和互动观点11之间的第一观点偏向度,互动观点6分别具有与互动观点7、互动观点8、互动观点9、互动观点10和互动观点11之间的第一观点偏向度。
同理,互动观点7分别具有与互动观点1、互动观点2、互动观点3、互动观点4、互动观点5和互动观点6之间的第二观点偏向度,互动观点8分别具有与互动观点1、互动观点2、互动观点3、互动观点4、互动观点5和互动观点6之间的第二观点偏向度,互动观点9分别具有与互动观点1、互动观点2、互动观点3、互动观点4、互动观点5和互动观点6之间的第二观点偏向度,互动观点10分别具有与互动观点1、互动观点2、互动观点3、互动观点4、互动观点5和互动观点6之间的第二观点偏向度,互动观点11分别具有与互动观点1、互动观点2、互动观点3、互动观点4、互动观点5和互动观点6之间的第二观点偏向度。
因此,通过各个基准互动观点所属的第一观点偏向度以及各个对象互动观点所属的第二观点偏向度,可以得到基准互动观点与对象互动观点之间的互动观点偏好组合,一个互动观点偏好组合中包括一个基准互动观点和一个对象互动观点,一个互动观点偏好组合中涵盖的基准互动观点针对对象互动观点的相关性参数值(第一观点偏向度)、以及对象互动观点针对基准互动观点的相关性参数值可以均大于设定观点偏向度。
例如,假设AI系统获取到了3个互动观点偏好组合,该互动观点偏好组合分别为互动观点偏好组合y1、互动观点偏好组合y2和互动观点偏好组合y3。互动观点偏好组合y1中包括互动观点1和互动观点7,互动观点偏好组合y2中包括互动观点2和互动观点8,互动观点偏好组合y3中包括互动观点3和互动观点9。
因此,可以将互动观点偏好组合y1中包括的互动观点1和互动观点7组合,将互动观点偏好组合y2中包括的互动观点2和互动观点8组合,并将互动观点偏好组合y3中包括的互动观点3和互动观点9组合,即可得到目标产品互动数据组合。
基于以上步骤,通过互动观点偏向分析模型来预测基准产品互动数据和对象产品互动数据之间的产品互动偏向度,减少了在检测存在产品互动观点的产品互动数据之间的产品互动偏向度的人工比对工作量。此外,由于互动观点偏向分析模型中具有注意力机制,因此,通过互动观点偏向分析模型可以对基准产品互动数据的基准互动观点和对象产品互动数据的对象互动观点聚焦更强的注意力,从而实现对基准产品互动数据和对象产品互动数据之间的产品互动偏向度的准确预测。
下面提供一种基于人工智能的互动观点偏向分析训练方法,该方法可以包括:
Process201,获取基准训练产品互动数据涵盖的基准训练互动观点的互动观点语义特征,获取比较训练产品互动数据涵盖的比较训练互动观点的互动观点语义特征;
基准训练产品互动数据可以为任意一个存在产品互动观点的产品互动数据,比较训练产品互动数据也可以为任意一个存在产品互动观点的产品互动数据。基准训练产品互动数据可以包括多个互动观点,可以将基准训练产品互动数据涵盖的互动观点确定为基准训练互动观点。比较训练产品互动数据也可以包括多个互动观点,可以将比较训练产品互动数据涵盖的互动观点确定为比较训练互动观点。
AI系统可以获取到基准训练互动观点的互动观点语义特征、以及比较训练互动观点的互动观点语义特征。与上述基准互动观点对应,该基准训练互动观点的互动观点语义特征可以包括基准训练互动观点的互动观点关键词信息和观点语义变量序列。与上述对象互动观点对应,该比较训练互动观点的互动观点语义特征可以包括比较训练互动观点的互动观点关键词信息和观点语义变量序列。
Process202,将基准训练互动观点的互动观点语义特征和比较训练互动观点的互动观点语义特征加载至初始互动观点偏向分析模型;
例如,AI系统可以将基准训练互动观点的互动观点语义特征、以及比较训练互动观点的互动观点语义特征,加载至到初始互动观点偏向分析模型中。例如,AI系统可以将基准训练互动观点的互动观点语义特征、以及比较训练互动观点的互动观点语义特征,加载至到初始互动观点偏向分析模型的编码单元中。
Process203,在初始互动观点偏向分析模型中,输出基准训练互动观点分别与训练互动观点序列中的各训练互动观点之间的第一训练观点偏向度、以及比较训练互动观点分别与各训练互动观点之间的第二训练观点偏向度;训练互动观点序列中的多个训练互动观点包括基准训练互动观点和比较训练互动观点;
例如,可以将基准训练互动观点和比较训练互动观点构成的序列确定为训练互动观点序列,因此,训练互动观点序列中的多个互动观点可以包括基准训练互动观点和比较训练互动观点。
AI系统可以在初始互动观点偏向分析模型中,输出基准训练互动观点分别与训练互动观点序列中的各训练互动观点之间的相关性参数值,可以将该相关性参数值确定为第一训练观点偏向度。AI系统还可以在初始互动观点偏向分析模型中,输出比较训练互动观点分别与训练互动观点序列中的各训练互动观点之间的相关性参数值,可以将该相关性参数值确定为第二训练观点偏向度。
其中,生成该第一训练观点偏向度和第二训练观点偏向度的方式,与生成前述第一观点偏向度和第二观点偏向度的方式相同,具体可以参见上述Process103。
Process204,基于基准训练互动观点分别与各训练互动观点之间的第一训练观点偏向度、以及比较训练互动观点分别与各训练互动观点之间的第二训练观点偏向度,预测基准训练产品互动数据与比较训练产品互动数据之间的训练产品互动偏向度;
例如,AI系统可以基于基准训练互动观点分别与训练互动观点序列中的各训练互动观点之间的第一训练观点偏向度、以及比较训练互动观点分别与训练互动观点序列中的各训练互动观点之间的第二训练观点偏向度,预测得到基准训练产品互动数据与比较训练产品互动数据之间的互动偏向度,可以将该互动偏向度确定为训练产品互动偏向度。
其中,基于第一训练观点偏向度和第二训练观点偏向度,预测基准训练产品互动数据与比较训练产品互动数据之间的训练产品互动偏向度的过程,与前述基于第一观点偏向度和第二观点偏向度,生成基准产品互动数据与对象产品互动数据之间的产品互动偏向度的过程相同,具体可以参见前述的Process104。
Process205,基于基准训练产品互动数据与比较训练产品互动数据之间的标定产品互动偏向度、以及训练产品互动偏向度,更新初始互动观点偏向分析模型的权重配置信息,确定互动观点偏向分析模型;
例如,AI系统还可以获取到基准训练产品互动数据与比较训练产品互动数据之间标定的互动偏向度,可以将该标定的互动偏向度确定为基准训练产品互动数据和比较训练产品互动数据之间的标定产品互动偏向度。
AI系统可以通过该标定产品互动偏向度、以及初始互动观点偏向分析模型预测到的训练产品互动偏向度,更新初始互动观点偏向分析模型的权重配置信息。可以将权重配置信息修正完成的初始互动观点偏向分析模型确定为互动观点偏向分析模型,该互动观点偏向分析模型可以用于实现前述基准产品互动数据与对象产品互动数据之间的产品互动偏向度的预测。
例如,当AI系统通过基准训练产品互动数据和比较训练产品互动数据之间的标定产品互动偏向度、以及初始互动观点偏向分析模型预测到的基准训练产品互动数据和比较训练产品互动数据之间的训练产品互动偏向度,对初始互动观点偏向分析模型的权重配置信息进行迭代更新直至满足收敛要求时,可以认为对初始互动观点偏向分析模型的权重配置信息更新结束,可以将此时的初始互动观点偏向分析模型作为互动观点偏向分析模型。
例如,AI系统可以通过上述标定产品互动偏向度和训练产品互动偏向度,更新初始互动观点偏向分析模型的权重配置信息,使得训练产品互动偏向度不断接近标定产品互动偏向度,AI系统可以通过更新后的初始互动观点偏向分析模型,再次预测基准训练产品互动数据和比较训练产品互动数据之间的互动偏向度,可以将此时预测得到的互动偏向度确定为上述训练产品互动偏向度的迭代产品互动偏向度。
当AI系统检测到迭代产品互动偏向度与标定产品互动偏向度之间的差距(可以称为损失函数值)小于设定损失函数值时,也可以认为对初始互动观点偏向分析模型满足模型收敛要求,AI系统可以将此时的初始互动观点偏向分析模型,作为训练得到的互动观点偏向分析模型。
基于以上步骤,本实施例可以通过训练初始互动观点偏向分析模型后所得到的互动观点偏向分析模型,来预测存在产品互动观点的产品互动数据之间的产品互动偏向度,减少了在分析存在产品互动观点的产品互动数据之间的产品互动偏向度的人工比对工作量。此外,由于互动观点偏向分析模型中具有注意力机制,因此,通过互动观点偏向分析模型可以对存在产品互动观点的产品互动数据涵盖的互动观点聚焦更强的注意力,从而实现对存在产品互动观点的产品互动数据之间的产品互动偏向度的准确预测。
进一步地,针对Process130,例如可以获取所述产品互动画像分组中大于设定数量的目标用户针对推送的互联网产品信息的共同关注操作数据,作为联动关注操作数据,将所述联动关注操作数据输入到预先训练的用户需求字段预测模型中,获得对应的用户需求字段分布,所述用户需求字段分布用于对所述产品互动画像所对应的个性化推送策略进行更新和优化;
其中,所述用户需求字段预测模型的训练步骤包括:
(1)获取参考用户需求学习数据序列;所述参考用户需求学习数据序列中包含多个参考联动关注操作数据,以及多个所述参考联动关注操作数据各自的第一参考用户需求字段信息;所述第一参考用户需求字段信息表征所述参考联动关注操作数据在用户先验验证库中的用户需求字段分布;
(2)依据所述第一参考用户需求字段信息指示的所述用户需求字段分布,对多个所述参考联动关注操作数据进行分簇,确定多个所述参考联动关注操作数据的第二参考用户需求字段信息;所述第二参考用户需求字段信息表征所述参考联动关注操作数据更新后的所述用户需求字段分布;
(3)依据多个所述参考联动关注操作数据,以及多个所述参考联动关注操作数据各自的所述第二参考用户需求字段信息,训练获得所述用户需求字段预测模型;所述用户需求字段预测模型用以对任意联动关注操作数据进行用户需求字段预测;
其中,所述依据所述第一参考用户需求字段信息指示的所述用户需求字段分布,对多个所述参考联动关注操作数据进行分簇,确定多个所述参考联动关注操作数据的第二参考用户需求字段信息,包括:
获取一个或多个第一联动关注操作数据序列,同一所述第一联动关注操作数据序列中包含的所述参考联动关注操作数据的所述第一参考用户需求字段信息相同;
分别对一个或多个所述第一联动关注操作数据序列中的所述参考联动关注操作数据进行类内分簇特征清洗,确定一个或多个第二联动关注操作数据序列;所述类内分簇特征清洗是指,对各个所述第一联动关注操作数据序列内的所述参考联动关注操作数据分别进行分簇后,将各个所述第一联动关注操作数据序列中属于需清洗特征向量的所述参考联动关注操作数据删除;
获取目标参考联动关注操作数据的联动关注操作特征;所述目标参考联动关注操作数据是指归属于一个或多个所述第二联动关注操作数据序列的参考联动关注操作数据;
依据各个目标参考联动关注操作数据的联动关注操作特征,对所述目标参考联动关注操作数据进行类间分簇特征清洗,确定所述类间分簇特征清洗的分簇结果;所述类间分簇特征清洗是指,对所述目标参考联动关注操作数据进行分簇后,将所述目标参考联动关注操作数据中属于需清洗特征向量的目标参考联动关注操作数据删除;
依据所述分簇结果,生成各个所述目标参考联动关注操作数据的所述第二参考用户需求字段信息;
所述依据多个所述参考联动关注操作数据,以及多个所述参考联动关注操作数据各自的所述第二参考用户需求字段信息,训练获得所述用户需求字段预测模型,包括:
依据各个所述目标参考联动关注操作数据,以及各个所述目标参考联动关注操作数据各自的所述第二参考用户需求字段信息,训练获得所述用户需求字段预测模型;
其中,所述依据各个目标参考联动关注操作数据的联动关注操作特征,对所述目标参考联动关注操作数据进行类间分簇特征清洗,确定所述类间分簇特征清洗的分簇结果,包括:
依据各个目标参考联动关注操作数据的联动关注操作特征,构建联动关注操作特征关系网络;所述联动关注操作特征关系网络表征各个所述目标参考联动关注操作数据的联动关注操作特征之间关系信息;
依据所述联动关注操作特征关系网络,获取所述类间分簇特征清洗的分簇结果;
其中,依据各个所述目标参考联动关注操作数据,以及各个所述目标参考联动关注操作数据各自的所述第二参考用户需求字段信息,训练获得所述用户需求字段预测模型,包括:
获取多个训练样本数据簇;各个所述训练样本数据簇中包含的目标参考联动关注操作数据来源于不同先验维度的所述用户先验验证库;且同一所述训练样本数据簇中,各个所述用户先验验证库的所述目标参考联动关注操作数据的数量相同;
以所述训练样本数据簇为单位,将多个所述训练样本数据簇中包含的所述训练样本数据簇加载到初始化网络模型中,确定所述目标参考联动关注操作数据的用户需求字段预测数据;
依据各个所述目标参考联动关注操作数据的所述用户需求字段预测数据与所述第二参考用户需求字段信息,对所述初始化网络模型进行模型权重参数更新;
依据模型权重参数更新后的所述初始化网络模型生成所述用户需求字段预测模型;
其中,所述方法还包括:
对所述目标参考联动关注操作数据进行频繁项分析,确定所述目标参考联动关注操作数据中的频繁项数据;所述频繁项数据表征目标用户在所述目标参考联动关注操作数据中的频繁项操作数据;
依据所述频繁项数据对所述目标参考联动关注操作数据进行关联数据调取,确定所述频繁项数据对应的频繁项关联数据;
所述以所述训练样本数据簇为单位,将多个所述训练样本数据簇中包含的所述训练样本数据簇输入到初始化网络模型中,确定所述目标参考联动关注操作数据的用户需求字段预测数据,包括:
以所述训练样本数据簇为单位,将多个所述训练样本数据簇中包含的所述目标参考联动关注操作数据的频繁项关联数据,分组输入到所述初始化网络模型中,确定所述初始化网络模型输出的,所述目标参考联动关注操作数据的用户需求字段预测数据。
基于以上步骤,本实施例通过从用户先验验证库中获得参考用户需求学习数据序列后,并非直接依据参考用户需求学习数据序列进行训练,而是通过分簇处理的方式,对参考用户需求学习数据序列中的各个参考联动关注操作数据的参考用户需求字段信息进行更新,从而使得各个参考联动关注操作数据的参考用户需求字段信息更加准确;依据各个参考联动关注操作数据以及各个参考联动关注操作数据更新后的参考用户需求字段信息进行训练,可以提高模型预测精度。
针对一些可能的实施方式而言,AI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可以通过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于云端互联网交互流程的大数据分析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意一个实施例所述的应用于云端互联网交互流程的大数据分析方法。
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意一个实施例所述的应用于云端互联网交互流程的大数据分析方法。
以上所述仅是本申请部分实施场景的可选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请的方案技术构思的前提下,采用基于本申请技术思想的其它类似实施手段,同样属于本申请实施例的保护范畴。
Claims (9)
1.一种应用于云端互联网交互流程的大数据分析方法,其特征在于,包括:
对目标互联网在线产品的云端互联网交互流程所对应的产品社群互动大数据进行大数据分析,获取在同一目标时间段内存在相同产品互动画像的每个基准用户和对应的对象用户;
将所述每个基准用户和对应的对象用户添加到对应该目标时间段的产品互动画像分组中,并基于该目标时间段内与所述产品互动画像所对应的个性化推送策略对所述产品互动画像分组进行互联网产品信息推送;
获取所述产品互动画像分组针对推送的互联网产品信息的联动关注操作数据,并基于所述联动关注操作数据对所述产品互动画像分组进行用户需求输出;其中,获取所述产品互动画像分组中大于设定数量的目标用户针对推送的互联网产品信息的共同关注操作数据,作为联动关注操作数据,将所述联动关注操作数据输入到预先训练的用户需求字段预测模型中,获得对应的用户需求字段分布,所述用户需求字段分布用于对所述产品互动画像所对应的个性化推送策略进行更新和优化;
所述对目标互联网在线产品的云端互联网交互流程所对应的产品社群互动大数据进行大数据分析,获取在同一目标时间段内存在相同产品互动画像的每个基准用户和对应的对象用户的步骤,包括:
获取针对目标互联网在线产品的云端互联网交互流程所对应的产品社群互动大数据,并提取所述产品社群互动大数据中待进行互动分析的基准产品互动数据和对象产品互动数据后,获取基准产品互动数据涵盖的基准互动观点的互动观点语义特征,获取对象产品互动数据涵盖的对象互动观点的互动观点语义特征;
将所述基准互动观点的互动观点语义特征和所述对象互动观点的互动观点语义特征加载至互动观点偏向分析模型;
在所述互动观点偏向分析模型中,输出所述基准互动观点分别与互动观点序列中的各互动观点之间的第一观点偏向度、以及所述对象互动观点分别与所述各互动观点之间的第二观点偏向度;所述互动观点序列中的多个互动观点包括所述基准互动观点和所述对象互动观点;
基于所述基准互动观点分别与所述各互动观点之间的第一观点偏向度和所述对象互动观点分别与所述各互动观点之间的第二观点偏向度,生成所述基准产品互动数据与所述对象产品互动数据之间的产品互动偏向度,确定为所述基准产品互动数据对应的基准用户和所述对象产品互动数据对应的对象用户之间的产品互动偏向度,并将在同一目标时间段内产品互动偏向度大于设定互动偏向度的基准用户和对应的对象用户确定为存在相同产品互动画像的每个基准用户和对应的对象用户。
2.根据权利要求1所述的应用于云端互联网交互流程的大数据分析方法,其特征在于,所述获取基准产品互动数据涵盖的基准互动观点的互动观点语义特征,获取对象产品互动数据涵盖的对象互动观点的互动观点语义特征,包括:
获取所述基准互动观点的互动观点关键词信息和所述对象互动观点的互动观点关键词信息;
依据观点语义分析模型对所述基准产品互动数据进行观点语义分析,确定所述基准互动观点的观点语义变量序列,依据所述观点语义分析模型对所述对象产品互动数据进行观点语义分析,确定所述对象互动观点的观点语义变量序列;
基于所述基准互动观点的互动观点关键词信息和观点语义变量序列,生成所述基准互动观点的互动观点语义特征,基于所述对象互动观点的互动观点关键词信息和观点语义变量序列,生成所述对象互动观点的互动观点语义特征。
3.根据权利要求2所述的应用于云端互联网交互流程的大数据分析方法,其特征在于,所述在所述互动观点偏向分析模型中,输出所述基准互动观点分别与互动观点序列中的各互动观点之间的第一观点偏向度、以及所述对象互动观点分别与所述各互动观点之间的第二观点偏向度,包括:
在所述互动观点偏向分析模型中,基于所述基准互动观点的观点语义变量序列和所述对象互动观点的观点语义变量序列,确定所述基准互动观点分别与所述各互动观点之间的互动观点特征距离、以及所述对象互动观点分别与所述各互动观点之间的互动观点特征距离;
基于所述基准互动观点的互动观点关键词信息、所述基准互动观点分别与所述各互动观点之间的互动观点特征距离、所述对象互动观点的互动观点关键词信息和所述对象互动观点分别与所述各互动观点之间的互动观点特征距离,生成所述基准互动观点分别与所述各互动观点的第一观点偏向度和所述对象互动观点分别与所述各互动观点的第二观点偏向度。
4.根据权利要求1所述的应用于云端互联网交互流程的大数据分析方法,其特征在于,所述提取所述产品社群互动大数据中待进行互动分析的基准产品互动数据和对象产品互动数据的步骤,包括:
提取所述产品社群互动大数据中的目标产品互动数据和对应的关联产品互动数据;
获取所述目标产品互动数据中针对所述关联产品互动数据的互动观点序列;所述互动观点序列包括所述目标产品互动数据中的多个互动观点;
基于所述互动观点序列确定所述基准产品互动数据,将所述关联产品互动数据确定为所述对象产品互动数据。
5.根据权利要求4所述的应用于云端互联网交互流程的大数据分析方法,其特征在于,所述基于所述基准互动观点分别与所述各互动观点之间的第一观点偏向度和所述对象互动观点分别与所述各互动观点之间的第二观点偏向度,生成所述基准产品互动数据与所述对象产品互动数据之间的产品互动偏向度,包括:
对所述基准互动观点分别与所述各互动观点之间的第一观点偏向度和所述对象互动观点分别与所述各互动观点之间的第二观点偏向度进行最大值池化处理,生成互动池化特征;
基于所述互动池化特征,预测所述基准产品互动数据和所述对象产品互动数据之间的所述产品互动偏向度;
将所述产品互动偏向度确定为所述目标产品互动数据和所述关联产品互动数据之间的互动偏向度。
6.根据权利要求5所述的应用于云端互联网交互流程的大数据分析方法,其特征在于,所述方法还包括;
当所述目标产品互动数据和所述关联产品互动数据之间的所述产品互动偏向度大于设定互动偏向度时,对所述目标产品互动数据和所述关联产品互动数据进行组合,确定目标产品互动数据组合;
依据所述目标产品互动数据组合,生成针对所述目标互联网在线产品的互动分析信息。
7.根据权利要求6所述的应用于云端互联网交互流程的大数据分析方法,其特征在于,所述基准互动观点的数量为多个;所述对象互动观点的数量为多个;
所述当所述目标产品互动数据和所述关联产品互动数据之间的所述产品互动偏向度大于设定互动偏向度时,对所述目标产品互动数据和所述关联产品互动数据进行组合,确定目标产品互动数据组合,包括:
当所述目标产品互动数据和所述关联产品互动数据之间的所述产品互动偏向度大于所述设定互动偏向度时,基于各基准互动观点分别与所述各互动观点之间的第一观点偏向度和各对象互动观点分别与所述各互动观点之间的第二观点偏向度,确定所述各基准互动观点与所述各对象互动观点之间的互动观点偏好组合;一个互动观点偏好组合包括一个基准互动观点和一个对象互动观点;
基于所述互动观点偏好组合,对所述目标产品互动数据和所述关联产品互动数据进行组合,确定所述目标产品互动数据组合;所述互动观点偏好组合用于确定对所述目标产品互动数据和所述关联产品互动数据进行组合的方式。
8.根据权利要求1所述的应用于云端互联网交互流程的大数据分析方法,其特征在于,所述将所述基准互动观点的互动观点语义特征和所述对象互动观点的互动观点语义特征加载至互动观点偏向分析模型,包括:
将所述基准互动观点的互动观点语义特征和所述对象互动观点的互动观点语义特征,加载至所述互动观点偏向分析模型的编码单元中;
所述在所述互动观点偏向分析模型中,输出所述基准互动观点分别与互动观点序列中的各互动观点之间的第一观点偏向度、以及所述对象互动观点分别与所述各互动观点之间的第二观点偏向度,包括:
依据所述编码单元所包含的注意力机制,生成所述基准互动观点分别与所述各互动观点之间的第一观点偏向度、以及所述对象互动观点分别与所述各互动观点之间的第二观点偏向度;
所述方法还包括:
获取基准训练产品互动数据涵盖的基准训练互动观点的互动观点语义特征,获取比较训练产品互动数据涵盖的比较训练互动观点的互动观点语义特征;
将所述基准训练互动观点的互动观点语义特征和所述比较训练互动观点的互动观点语义特征加载至初始互动观点偏向分析模型;
在所述初始互动观点偏向分析模型中,输出所述基准训练互动观点分别与训练互动观点序列中的各训练互动观点之间的第一训练观点偏向度、以及所述比较训练互动观点分别与所述各训练互动观点之间的第二训练观点偏向度;所述训练互动观点序列中的多个训练互动观点包括所述基准训练互动观点和所述比较训练互动观点;
基于所述基准训练互动观点分别与所述各训练互动观点之间的第一训练观点偏向度、以及所述比较训练互动观点分别与所述各训练互动观点之间的第二训练观点偏向度,预测所述基准训练产品互动数据与所述比较训练产品互动数据之间的训练产品互动偏向度;
基于标定产品互动偏向度和所述训练产品互动偏向度,更新所述初始互动观点偏向分析模型的权重配置信息;
依据更新后的所述初始互动观点偏向分析模型,获取所述基准训练产品互动数据和所述比较训练产品互动数据之间的迭代产品互动偏向度;
当所述迭代产品互动偏向度和所述标定产品互动偏向度之间的损失函数值小于设定损失函数值时,将所述更新后的所述初始互动观点偏向分析模型确定为所述互动观点偏向分析模型。
9.一种AI系统,其特征在于,所述AI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1-8中任意一项的应用于云端互联网交互流程的大数据分析方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310244291.8A CN116629957A (zh) | 2022-09-15 | 2022-09-15 | 基于大数据分析的个性化推送更新优化方法及ai系统 |
CN202211118570.1A CN115423565B (zh) | 2022-09-15 | 2022-09-15 | 应用于云端互联网交互流程的大数据分析方法及ai系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211118570.1A CN115423565B (zh) | 2022-09-15 | 2022-09-15 | 应用于云端互联网交互流程的大数据分析方法及ai系统 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310244291.8A Division CN116629957A (zh) | 2022-09-15 | 2022-09-15 | 基于大数据分析的个性化推送更新优化方法及ai系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115423565A CN115423565A (zh) | 2022-12-02 |
CN115423565B true CN115423565B (zh) | 2023-05-09 |
Family
ID=84201937
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310244291.8A Pending CN116629957A (zh) | 2022-09-15 | 2022-09-15 | 基于大数据分析的个性化推送更新优化方法及ai系统 |
CN202211118570.1A Active CN115423565B (zh) | 2022-09-15 | 2022-09-15 | 应用于云端互联网交互流程的大数据分析方法及ai系统 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310244291.8A Pending CN116629957A (zh) | 2022-09-15 | 2022-09-15 | 基于大数据分析的个性化推送更新优化方法及ai系统 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN116629957A (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109889430A (zh) * | 2019-01-23 | 2019-06-14 | 平安科技(深圳)有限公司 | 消息推送方法、装置、计算机设备及存储介质 |
CN111079056A (zh) * | 2019-10-11 | 2020-04-28 | 深圳壹账通智能科技有限公司 | 提取用户画像的方法、装置、计算机设备和存储介质 |
WO2021138823A1 (zh) * | 2020-01-08 | 2021-07-15 | 深圳市欢太科技有限公司 | 信息推送方法、装置、服务器及存储介质 |
CN112069414A (zh) * | 2020-09-15 | 2020-12-11 | 腾讯科技(深圳)有限公司 | 推荐模型训练方法、装置、计算机设备及存储介质 |
CN113449011A (zh) * | 2021-06-20 | 2021-09-28 | 卢洪亮 | 基于大数据预测的信息推送更新方法及大数据预测系统 |
CN113468432A (zh) * | 2021-08-02 | 2021-10-01 | 东莞市汇学汇玩教育科技有限公司 | 基于移动互联网的用户行为大数据分析方法及系统 |
CN114117240B (zh) * | 2021-12-09 | 2022-07-08 | 北京国信达数据技术有限公司 | 基于大数据需求分析的互联网内容推送方法及ai系统 |
CN114663198A (zh) * | 2022-04-25 | 2022-06-24 | 未鲲(上海)科技服务有限公司 | 基于用户画像的产品推荐方法、装置、设备及存储介质 |
-
2022
- 2022-09-15 CN CN202310244291.8A patent/CN116629957A/zh active Pending
- 2022-09-15 CN CN202211118570.1A patent/CN115423565B/zh active Active
Non-Patent Citations (2)
Title |
---|
Maximilien Servajean etc..ProfileDiversityforQueryProcessingusing User Recommendations.Information Systems.2014,全文. * |
Sajad Ahmadian etc..Alleviating data sparsity problem in time-aware recommender systems using a reliable rating profile enrichment approach.Expert Systems With Application.2021,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN115423565A (zh) | 2022-12-02 |
CN116629957A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107423442B (zh) | 基于用户画像行为分析的应用推荐方法及系统,储存介质及计算机设备 | |
CN110457589B (zh) | 一种车辆推荐方法、装置、设备及存储介质 | |
CN111931062A (zh) | 一种信息推荐模型的训练方法和相关装置 | |
CN114117240B (zh) | 基于大数据需求分析的互联网内容推送方法及ai系统 | |
CN112148975A (zh) | 会话推荐方法、装置及设备 | |
CN115114531B (zh) | 基于电商行为大数据的信息推送方法及人工智能预测系统 | |
Chen et al. | Generative inverse deep reinforcement learning for online recommendation | |
CN113449012A (zh) | 基于大数据预测的互联网服务挖掘方法及大数据预测系统 | |
CN116362261A (zh) | 应对数字化服务项目的用户会话信息解析方法及软件产品 | |
CN115423037A (zh) | 一种基于大数据的用户分类方法及系统 | |
CN112288483A (zh) | 用于训练模型的方法和装置、用于生成信息的方法和装置 | |
CN115618101A (zh) | 基于负反馈的流媒体内容推荐方法、装置及电子设备 | |
CN112070542A (zh) | 信息转化率预测方法、装置、设备及可读存储介质 | |
CN113592593B (zh) | 序列推荐模型的训练及应用方法、装置、设备及存储介质 | |
Zhao et al. | Tag‐Aware Recommender System Based on Deep Reinforcement Learning | |
Venkateswaran et al. | Robust and generalizable predictive models for business processes | |
CN114647790A (zh) | 应用于行为意图分析的大数据挖掘方法及云端ai服务系统 | |
CN115423565B (zh) | 应用于云端互联网交互流程的大数据分析方法及ai系统 | |
CN115329205B (zh) | 服务于个性化推送服务的大数据挖掘方法及ai推荐系统 | |
CN115795005A (zh) | 一种融合对比学习去噪优化的会话推荐方法及装置 | |
CN111125541B (zh) | 面向多用户的可持续多云服务组合的获取方法 | |
CN115858911A (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
CN113468604A (zh) | 基于人工智能的大数据隐私信息解析方法及系统 | |
Gafoor et al. | KNN based Entertainment Enhancing System | |
CN116484105B (zh) | 业务处理方法、装置及计算机设备、存储介质、程序产品 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230414 Address after: Room C401-1, 4th Floor, Room 101, 2nd to 6th Floors, Building 1, No. 2 Guanzhuang Road, Chaoyang District, Beijing, 100101 Applicant after: Beijing Euronet Alliance Technology Co.,Ltd. Address before: No. 40, Puyang West Road, Kaihua Street, Wenshan City, Wenshan Zhuang and Miao Autonomous Prefecture, Yunnan Province, 663000 Applicant before: Lu Shishi |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |