CN115455300A - 基于人工智能的数据推送方法、系统及云平台 - Google Patents
基于人工智能的数据推送方法、系统及云平台 Download PDFInfo
- Publication number
- CN115455300A CN115455300A CN202211202790.2A CN202211202790A CN115455300A CN 115455300 A CN115455300 A CN 115455300A CN 202211202790 A CN202211202790 A CN 202211202790A CN 115455300 A CN115455300 A CN 115455300A
- Authority
- CN
- China
- Prior art keywords
- behavior
- service
- network
- knowledge
- service behavior
- 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.)
- Granted
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
- G06F16/95—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供的基于人工智能的数据推送方法、系统及云平台,对业务对象业务行为日志的业务对象画像描绘,包括业务行为描述知识的挖掘和画像描绘两大步骤,针对两个步骤分别设置机器学习网络进行实现,其中行为特征挖掘网络的可以精确准确挖掘业务对象业务行为日志分类描述信息的业务行为描述知识,仅通过大量未指示结果的业务对象业务行为日志学习数据,即可确保行为特征挖掘网络对业务行为描述知识的精准挖掘,即使有指示学习数据的数量较少,业务行为解析网络也能具备优秀的调试过程,缓解了网络调校的过程中依赖人力进行学习数据的结果指示的过程,降低了人员投入,提高了业务对象画像识别的速度和数据针对性推送的效率。
Description
技术领域
本申请涉及数据处理技术领域,具体而言,涉及一种基于人工智能的数据推送方法、系统及云平台。
背景技术
人工智能(Artificial Intelligence)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能技术在多个技术领域得到了较好的发展,例如在业务数据分析上。目前,业务数据根据应用场景可以有很多表现形式,例如电商平台的电商活动数据、视频与文字平台的娱乐生产数据等,这些业务数据是运营平台宝贵的财富,通过有效的分析利用可以帮助平台进行运营决策,其中,根据业务数据进行业务行为画像描绘,然后根据得到的画像进行数据的推送是有效的运营方式,目前借助人工智能工具进行用户画像的识别,已初见成效,但是受限于学习数据的标注工程庞大,业务行为画像的描绘,其准确性并不稳定。
发明内容
本发明的目的在于提供一种基于人工智能的数据推送方法,应用于数据推送云平台,所述数据推送云平台与客户端通信连接,所述客户端的登陆对象为选定业务对象,所述方法包括:
通过行为特征挖掘网络的行为关联因子,将选定业务对象业务行为日志关联至业务对象业务行为日志分类的描述信息的业务行为知识关系网中,得到所述选定业务对象业务行为日志的业务行为描述知识;其中,所述行为特征挖掘网络的学习数据包括未指示结果的第一业务对象业务行为日志学习数据;
通过业务行为解析网络对所述业务行为描述知识进行业务行为画像描绘,获取所述选定业务对象业务行为日志在所述业务行为解析网络的预设业务行为画像集合下的画像对应情况;其中,所述业务行为解析网络是依据所述行为特征挖掘网络对第二业务对象业务行为日志学习数据挖掘的业务行为描述知识进行学习获得的,所述第二业务对象业务行为日志学习数据包含业务行为画像指示信息;
基于所述选定业务对象业务行为日志的所述画像对应情况,得到所述选定业务对象业务行为日志的真实业务行为画像;
从事先部署的数据推送关联关系中,确定所述真实业务行为画像对应的选定数据推送关联关系;
根据所述选定数据推送关联关系,对所述客户端进行数据推送。
作为一种实施方式,所述行为特征挖掘网络包括多个依次排布的知识挖掘模块,所述行为关联因子包括多个行为关联分属因子,每一个行为关联分属因子源于一个知识挖掘模块,各个所述知识挖掘模块被配置为挖掘所述选定业务对象业务行为日志在各个评估要素下的业务行为描述知识;
所述通过行为特征挖掘网络的行为关联因子,将选定业务对象业务行为日志关联至业务对象业务行为日志分类的描述信息的业务行为知识关系网中,得到所述选定业务对象业务行为日志的业务行为描述知识,包括:
通过各个所述知识挖掘模块的行为关联分属因子,以及所述知识挖掘模块的排布情况,将所述选定业务对象业务行为日志关联至业务对象业务行为日志分类的描述信息的业务行为知识关系网中,得到各所述知识挖掘模块挖掘的业务行为描述知识;
对所述知识挖掘模块中一个或多个知识挖掘模块挖掘的业务行为描述知识进行处理,得到所述选定业务对象业务行为日志的业务行为描述知识;其中,所述一个或多个知识挖掘模块中包含所述排布情况中处于末尾的知识挖掘模块。
作为一种实施方式,所述通过行为特征挖掘网络的行为关联因子,将选定业务对象业务行为日志关联至业务对象业务行为日志分类的描述信息的业务行为知识关系网中,得到所述选定业务对象业务行为日志的业务行为描述知识前,还包括:
对拟调试的行为特征挖掘网络,依据所述第一业务对象业务行为日志学习数据进行调试,得到调试完成的行为特征挖掘网络,所述第一业务对象业务行为日志学习数据未包含业务行为画像指示信息,所述拟调试的行为特征挖掘网络是依据所述第一业务对象业务行为日志学习数据的同业务领域数据事先调试完成得到的;
基于所述行为特征挖掘网络的行为关联因子,将所述第二业务对象业务行为日志学习数据关联至业务对象业务行为日志分类的描述信息的业务行为知识关系网中,得到所述第二业务对象业务行为日志学习数据的第二业务行为描述知识;
采用拟调试的业务行为解析网络对所述第二业务行为描述知识进行业务行为画像描绘,得到所述第二业务对象业务行为日志学习数据在所述拟调试的业务行为解析网络的预设业务行为画像集合下的推断画像对应情况;
基于所述第二业务对象业务行为日志学习数据的业务行为画像指示信息和所述推断画像对应情况,对所述业务行为解析网络的网络系数进行修正,得到调试完成的业务行为解析网络。
作为一种实施方式,所述对拟调试的行为特征挖掘网络,依据所述第一业务对象业务行为日志学习数据进行调试,得到调试完成的行为特征挖掘网络,包括:
对所述第一业务对象业务行为日志学习数据进行拆解处理,得到所述第一业务对象业务行为日志学习数据的描述块;
根据预设的描述块更换方法中的两种及以上方式对所述描述块实现更换,得到完成更换的第一业务对象业务行为日志学习数据,所述两种及以上方式中包括预设更换方法;
将所述第一业务对象业务行为日志学习数据中依据所述预设更换方法进行更换的描述块,作为拟推断描述块;
依据所述拟调试的行为特征挖掘网络,按照所述完成更换的第一业务对象业务行为日志学习数据,推断所述拟推断描述块,获取所述拟调试的行为特征挖掘网络提供的推断描述块;
通过所述推断描述块和所述拟推断描述块,得到所述拟调试的行为特征挖掘网络的网络代价值;
基于所述网络代价值修正所述拟调试的行为特征挖掘网络的网络系数,获得调试完成的行为特征挖掘网络。
作为一种实施方式,所述拟调试的行为特征挖掘网络包括推断模块和业务行为描述知识挖掘单元,所述业务行为描述知识挖掘单元包括行为关联因子;
所述依据拟调试的行为特征挖掘网络,按照所述完成更换的第一业务对象业务行为日志学习数据,推断所述拟推断描述块,获取所述拟调试的行为特征挖掘网络提供的推断描述块,包括:
依据所述业务行为描述知识挖掘单元的行为关联因子,将所述完成更换的第一业务对象业务行为日志学习数据关联至业务对象业务行为日志分类的描述信息的业务行为知识关系网中,得到所述完成更换的第一业务对象业务行为日志学习数据的第一业务行为描述知识;
基于所述推断模块,依据所述第一业务行为描述知识推断所述拟推断描述块,得到推断描述块;
所述基于所述网络代价值修正所述拟调试的行为特征挖掘网络的网络系数,获得调试完成的行为特征挖掘网络,包括:
基于所述网络代价值修正所述推断模块的系数和所述业务行为描述知识挖掘单元的行为关联因子,获得调试完成的行为特征挖掘网络。
作为一种实施方式,所述业务行为描述知识挖掘单元包括多个知识挖掘模块,所述行为关联因子包括多个行为关联分属因子,每个知识挖掘模块包括一个行为关联分属因子;
所述依据所述业务行为描述知识挖掘单元的行为关联因子,将所述完成更换的第一业务对象业务行为日志学习数据关联至业务对象业务行为日志分类的描述信息的业务行为知识关系网中,得到所述完成更换的第一业务对象业务行为日志学习数据的第一业务行为描述知识,包括:
基于各各所述知识挖掘模块的行为关联分属因子,以及所述知识挖掘模块的排布情况,将所述完成更换的第一业务对象业务行为日志学习数据关联至业务对象业务行为日志分类的描述信息的业务行为知识关系网中,得到各个知识挖掘模块挖掘的业务行为描述知识;
对所述知识挖掘模块中一个或多个知识挖掘模块挖掘的业务行为描述知识进行处理,获得所述完成更换的第一业务对象业务行为日志学习数据的第一业务行为描述知识;其中,所述一个或多个知识挖掘模块中包含所述排布情况中处于末尾的知识挖掘模块;
所述基于所述网络代价值修正所述推断模块的系数和所述业务行为描述知识挖掘单元的行为关联因子,得到调试完成的行为特征挖掘网络,包括:
基于所述网络代价值修正所述推断模块的系数,以及每一所述知识挖掘模块的行为关联分属因子,获得调试完成的行为特征挖掘网络。
作为一种实施方式,所述基于所述第二业务对象业务行为日志学习数据的业务行为画像指示信息和所述推断画像对应情况,对所述业务行为解析网络的网络系数进行修正,得到调试完成的业务行为解析网络之后,所述方法还包括:
基于所述行为特征挖掘网络的行为关联因子,将所述第一业务对象业务行为日志学习数据关联至业务对象业务行为日志分类的描述信息的业务行为知识关系网中,得到所述选定业务对象业务行为日志的第三业务行为描述知识;
依据所述业务行为解析网络,对所述第三业务行为描述知识进行业务行为画像描绘,得到所述第一业务对象业务行为日志学习数据在所述业务行为解析网络的预设业务行为画像集合下的画像对应情况;
通过所述第一业务对象业务行为日志学习数据的画像对应情况,为所述第一业务对象业务行为日志学习数据匹配业务行为画像指示信息,得到第一业务对象业务行为日志指示学习数据;
通过所述第一业务对象业务行为日志指示学习数据和第二业务对象业务行为日志学习数据对所述业务行为解析网络进行调试。
作为一种实施方式,所述方法还包括:
接收辅助分析终端发送的属于业务行为画像集合的业务对象业务行为日志和对应的业务行为参考要素,所述业务行为参考要素包括业务对象业务行为发生时刻;
将所述业务对象业务行为日志确定为又一业务行为日志学习数据,同相应的业务行为参考要素保存至学习数据集中;
获取所述选定业务对象业务行为日志的业务行为参考要素,将所述选定业务对象业务行为日志确定为又一业务行为日志学习数据,同相应的业务行为参考要素保存至所述学习数据集;
如果目前和所述业务行为解析网络的最近一次的完善时间的时间差值和预定的网络完善周期一致,则在所述学习数据集中确定所述业务对象业务行为发生时刻在所述最近一次的完善时间后的业务行为日志学习数据,获得选定业务行为日志学习数据;
基于所述选定业务行为日志学习数据对所述业务行为解析网络进行完善迭代调试。
第二方面,本申请实施例还提供了一种数据推送系统,包括数据推送云平台和与所述数据推送云平台通信连接的客户端,所述云平台包括处理器和存储器,所述存储器存储有计算机程序,当所述处理器运行所述计算机程序时,执行如以上所述的方法。
第三方面,本申请实施例还提供了一种数据推送云平台,包括处理器和存储器,所述存储器存储有计算机程序,当所述处理器运行所述计算机程序时,执行如以上所述的方法。
本申请实施例提供的上述方法、系统及云平台,可以通过行为特征挖掘网络的行为关联因子,将选定业务对象业务行为日志关联至业务对象业务行为日志分类的描述信息的业务行为知识关系网中,得到选定业务对象业务行为日志的业务行为描述知识,其中,行为特征挖掘网络的学习数据包括未指示结果的第一业务对象业务行为日志学习数据,通过业务行为解析网络对业务行为描述知识进行业务行为画像描绘,确定选定业务对象业务行为日志在业务行为解析网络的预设业务行为画像集合下的画像对应情况,其中,业务行为解析网络是基于行为特征挖掘网络对第二业务对象业务行为日志学习数据挖掘的业务行为描述知识进行学习获得的,第二业务对象业务行为日志学习数据包含业务行为画像指示信息,通过选定业务对象业务行为日志的画像对应情况,确定选定业务对象业务行为日志的真实业务行为画像,从事先部署的数据推送关联关系中,选择真实业务行为画像对应的选定数据推送关联关系,基于选定数据推送关联关系,对选定业务对象业务行为日志对应的业务对象进行数据推送。基于以上过程,在本申请实施例中对业务对象业务行为日志的业务对象画像描绘包括业务行为描述知识的挖掘和依据业务行为描述知识的画像描绘两个大的步骤针对两个步骤分别设置机器学习网络进行实现,其中行为特征挖掘网络的可以精确准确挖掘业务对象业务行为日志分类描述信息的业务行为描述知识,因此行为特征挖掘网络的调试过程中无需利用业务对象业务行为日志的业务行为画像集合,仅通过大量未指示结果的业务对象业务行为日志学习数据,即可确保行为特征挖掘网络对业务行为描述知识的精准挖掘,依据业务行为描述知识具备的精准性,即使有指示学习数据的数量较少,业务行为解析网络也能具备优秀的调试过程,缓解了网络调校的过程中依赖人力进行学习数据的结果指示的过程,从而降低了人员投入,提高了业务对象画像识别的速度,进而增加数据针对性推送的效率。
在后面的描述中,将部分地陈述其他的特征。在检查后面内容和附图时,本领域的技术人员将部分地发现这些特征,或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面,当前申请中的特征可以被实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
附图中的方法、系统和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例,其中参考数字在附图的各个视图中代表相似的机构。
图1是根据本申请的一些实施例所示的一种数据推送系统的框图。
图2是根据本申请的一些实施例所示的一种数据推送云平台中硬件和软件组成的示意图。
图3是根据本申请的一些实施例所示的一种基于人工智能的数据推送方法的流程图。
图4是本申请实施例提供的数据推送装置的架构示意图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本申请技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
在下面的详细描述中,通过实例阐述了许多具体细节,以便提供对相关指导的全面了解。然而,对于本领域的技术人员来说,显然可以在没有这些细节的情况下实施本申请。在其他情况下,公知的方法、程序、系统、组成和/或电路已经在一个相对较高水平上被描述,没有细节,以避免不必要的模糊本申请的方面。
这些和其他特性、当前申请披露的功能、执行的方法、结构中相关元素的功能和部件的组合和生产经济性,在参照附图进行以下描述的考虑中可能会变得更加明显,所有这些形成本申请的一部分。然而,需要理解清楚的是,附图仅仅是为了说明和描述的目的,并不旨在限制本申请的范围。应当了解的是,这些图纸不是按比例绘制的。然而,应当明确理解的是,附图仅用于说明和描述的目的,并不意图限制本申请的范围。应当知晓的是,这些附图并不依照比例。
本申请中使用流程图说明根据本申请的实施例的系统所执行的执行过程。应当明确理解的是,流程图的执行过程可以不按顺序执行。相反,这些执行过程可以以相反的顺序或同时执行。另外,可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中删除。
图1是根据本申请的一些实施例所示的数据推送系统300的系统架构框图,该数据推送系统300可以包括数据推送云平台100和多个与之通信的客户端200。
客户端200为目标用户接受业务数据时使用的设备,例如可以是具备网络交互功能的个人电脑、笔记本电脑、平板电脑或智能手机等。
在一些实施例中,请参照图2,是数据推送云平台100的架构示意图,该数据推送云平台100包括数据推送装置110、存储器120、处理器130和通信单元140。存储器120、处理器130以及通信单元140各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。数据推送装置110包括至少一个可以软件或固件(firmware)的形式存储于存储器120中或固化在数据推送云平台100的操作系统(operating system,OS)中的软件功能模块。处理器130用于执行存储器120中存储的可执行模块,例如数据推送装置110所包括的软件功能模块及计算机程序等。
其中,所述存储器120可以是,但不限于,随机存取存储器(Random AccessMemory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(ProgrammableRead-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。其中,存储器120用于存储程序,处理器130在接收到执行指令后,执行所述程序。通信单元140用于通过网络建立数据推送云平台100与业务交互设备之间的通信连接,并用于通过网络收发数据。
处理器可能是一种集成电路芯片,具有信号的处理能力。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(DSP))、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
数据推送云平台100可以为任意可能的服务器。可以理解,图2所示的结构仅为示意,数据推送云平台100还可包括比图2中所示更多或者更少的组件,或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。
图3是根据本申请的一些实施例所示的一种基于人工智能的数据推送方法的流程图,该方法应用于图1中的数据推送云平台100,具体可以包括以下步骤S1-步骤S5。在以下步骤S1-步骤S5的基础上,将对一些可选实施例进行说明,这些实施例应当理解为示例,不应理解为实现本方案所必不可少的技术特征。
步骤S1,通过行为特征挖掘网络的行为关联因子,将选定业务对象业务行为日志关联至业务对象业务行为日志分类的描述信息的业务行为知识关系网中,得到该选定业务对象业务行为日志的业务行为描述知识。
其中,该行为特征挖掘网络的学习数据包括未指示结果的第一业务对象业务行为日志学习数据。
在本申请实施例中,行为特征挖掘网络可以为通过ANN(Artificial NeuralNetwork)模型组成的专家模型,被配置成基于选定业务对象业务行为日志挖掘业务行为描述知识(描述业务行为的矢量特征)。行为特征挖掘网络的学习数据包括未指示结果(没有进行结果注解的)的第一业务对象业务行为日志学习数据。业务对象表征业务行为日志的生产者,例如当业务行为日志的内容为业务评论(例如文章、视频、话题的讨论)时,业务对象是撰写业务评论的评论者;当业务行为日志的内容为电商交易记录时,业务对象是交易记录对应的消费者;当业务行为日志的内容为视频浏览记录时,业务对象是视频浏览的观众,此处不再一一进行举例。需要说明的是,业务行为日志的内容根据具体的应用场景不同,其内容不同。其中,行为特征挖掘网络和业务行为解析网络可以同时设置在上述数据推送云平台中。
选定业务对象业务行为日志为需要进行用户画像描绘或识别的业务对象业务行为日志,选定业务对象业务行为日志中包含的业务行为数据,其时间跨度是根据实际需求进行事先设定的,需要说明的是,时间跨度越大,业务行为数据越丰富,则最终分析得到的画像描绘越准确。另外,该选定业务对象业务行为日志可以是实时产生的,也可以是预先存储按照预设周期进行处理的数据。
描述信息是对业务行为的内容进行呈现的信息,例如交易记录、浏览记录、评价文本等,描述信息的业务行为知识关系网,可以认为是描述信息的业务行为描述知识的评估要素组成关系网(或者说空间),业务行为描述知识的评估要素是网络基于描述信息的特征进行学习获得,不同形式的描述信息,其业务行为描述知识的评估要素的量及表征内容可能不同,比如说,描述信息的形式包括交易数额、交易频次、交易周期、交易评价内容等等。对比交易数额频次和周期,交易评价内容在评估要素的数量上就会多很多,且表征的内容与前述形式的描述信息不同,并不如前述描述信息直观。
现有技术有通过通用学习的网络对业务对象业务行为日志进行业务行为描述知识的挖掘,因为通用,业务行为描述知识的精确度不足,又是会产生知识描述出现偏差,对后期的画像识别描绘产生负面影响。除非获取庞大的有指示结果(即标注好的)学习数据,否则难以得到符合要求的画像。本申请实施例中,挖掘业务行为描述知识的网络的业务行为知识关系网,是通过网络调校业务行为描述知识的挖掘时采纳的学习数据的形式关联的,本申请中,行为特征挖掘网络通过未指示结果的第一业务对象业务行为日志学习数据进行学习,因而业务行为知识关系网中涵盖的评估要素能够良好地指示业务对象业务行为日志分类的描述信息的特征,从而增加对业务对象业务行为日志的精准指示。
需要说明的是,行为特征挖掘网络可以基于业务对象业务行为的形式而匹配,例如交易物品、交易金额、交易会话、交易评价等,对于每一形式,均匹配相应的行为特征挖掘网络,不同形式对应的行为特征挖掘网络根据对应形式的业务对象业务行为的第一业务对象业务行为日志学习数据进行调试。作为一种实施方式,多个行为特征挖掘网络可以和同一个业务行为解析网络连接,形成共享,减少画像识别分析所依赖的计算消耗。作为一种实施方式,在通过行为特征挖掘网络的行为关联因子,将选定业务对象业务行为日志关联至业务对象业务行为日志分类的描述信息的业务行为知识关系网中,得到该选定业务对象业务行为日志的业务行为描述知识前,该数据推送方法还包括网络选择的过程,先确定选定业务对象业务行为日志对应的业务行为的形式,再基于该业务行为的形式匹配的行为特征挖掘网络,确定为进行业务行为描述知识挖掘的网络。作为一种实施方式,考虑到不同业务对象在业务对象业务行为日志的交易方式、交互方式、评价语言可能具有区别,采用单层的行为特征挖掘网络,业务行为描述知识的挖掘可能并不符合要求。基于以上考虑,,本申请中的行为特征挖掘网络包含多个知识挖掘模块,分别对选定业务对象业务行为日志进行行为描述知识的挖掘。该行为特征挖掘网络包括多个依次排布的知识挖掘模块,该行为关联因子包括多个行为关联分属因子,每一个行为关联分属因子源于一个知识挖掘模块,各个该知识挖掘模块被配置为挖掘该选定业务对象业务行为日志在各个评估要素下的业务行为描述知识。
通过行为特征挖掘网络的行为关联因子,将选定业务对象业务行为日志关联至业务对象业务行为日志分类的描述信息的业务行为知识关系网中,得到该选定业务对象业务行为日志的业务行为描述知识具体可以包括:
基于各该知识挖掘模块的行为关联分属因子,以及该知识挖掘模块的排布情况(连接的顺序),将该选定业务对象业务行为日志关联至业务对象业务行为日志分类的描述信息的业务行为知识关系网中,依照关联后的结果得到各个知识挖掘模块挖掘的业务行为描述知识;对该知识挖掘模块中一个或多个知识挖掘模块挖掘的业务行为描述知识进行处理获得该选定业务对象业务行为日志的业务行为描述知识。其中,该一个或多个知识挖掘模块中包含该排布情况中处于末尾的知识挖掘模块。
各个知识挖掘模块被配置为挖掘该选定业务对象业务行为日志在各个评估要素下的业务行为描述知识,各个该知识挖掘模块依据预定的排布次序依次排布。
行为特征挖掘网络的行为关联因子表征网络的行为映射系数,其是基于深度学习获取的。作为一些实施方式,知识挖掘模块可能的组成形式为:交易频次知识挖掘模块、交易金额知识挖掘模块、交易会话知识挖掘模块、交易评价知识挖掘模块,以上各个模块按序排布。
另外,可以将各个知识挖掘模块的知识值(矢量结果)相互融合(例如拼接),获取业务行为描述知识,如此,业务行为描述知识中能够容纳浅层信息和优化抽离的深层信息,对业务行为描述知识进行完善,增加包容性和精确性。基于上述举例,相匹配的行为关联分属因子可以是交易金额关联因子、交易频次关联因子、交易会话关联因子及交易评价关联因子。需要说明的是,以上仅以电商活动的业务行为进行举例,在实际应用场景中,行为关联因子、知识挖掘模块的构成还可以是其他形式,但是不同的应用场景,其发明构思同源,本申请对此不做限定。
需要说明,本申请实施例中的行为特征挖掘网络和业务行为解析网络,在应用之前需要先进行调试,否则对业务对象业务行为日志的分析效果不符合要求。那么,步骤S1之前还包括对行为特征挖掘网络和业务行为解析网络进行调试的过程。
作为一种实施方式,通过行为特征挖掘网络的行为关联因子,将选定业务对象业务行为日志关联至业务对象业务行为日志分类的描述信息的业务行为知识关系网中,得到该选定业务对象业务行为日志的业务行为描述知识之前,还包括如下步骤:
对拟调试的行为特征挖掘网络,依据该第一业务对象业务行为日志学习数据进行调试,得到调试完成的行为特征挖掘网络,该第一业务对象业务行为日志学习数据未包含业务行为画像指示信息,该拟调试的行为特征挖掘网络是依据该第一业务对象业务行为日志学习数据的同业务领域数据事先调试完成得到的;通过该行为特征挖掘网络的行为关联因子,将该第二业务对象业务行为日志学习数据关联至业务对象业务行为日志分类的描述信息的业务行为知识关系网中,得到该第二业务对象业务行为日志学习数据的第二业务行为描述知识;依据拟调试的业务行为解析网络对该第二业务行为描述知识进行业务行为画像描绘,确定该第二业务对象业务行为日志学习数据在该拟调试的业务行为解析网络的预设业务行为画像集合下的推断画像对应情况;基于该第二业务对象业务行为日志学习数据的业务行为画像指示信息和该推断画像对应情况,对该业务行为解析网络的网络系数进行修正,得到调试完成的业务行为解析网络。
其中,行为特征挖掘网络可以先通过第一业务对象业务行为日志学习数据的同业务领域数据进行事先调试,然后通过第一业务对象业务行为日志学习数据进行调试。同业务领域数据是和第一业务对象业务行为日志学习数据相同业务领域的业务数据,例如浏览数据(如商品、视频、文字浏览)、评价数据、交互数据等为行为特征挖掘网络进行调试的数据。
可以通过第二业务对象业务行为日志学习数据的业务行为画像指示信息和推断画像对应情况,确定业务行为解析网络的网络代价值,然后通过业务行为解析网络的网络代价值对业务行为解析网络的网络系数进行修正,以获取调试完成的业务行为解析网络。另外,还可以依据网络代价值一并修正上述行为特征挖掘网络的系数。
举例而言,网络的代价值所依赖的代价函数可以是任意可行的代价函数,如交叉熵代价函数,基于代价函数对第二业务对象业务行为日志学习数据的业务行为画像指示信息和推断画像对应情况计算,获得业务行为解析网络在目前的网络系数下的网络代价值,在通过该网络代价值来修正业务行为解析网络的系数,之后循环迭代调试的过程,直到网络收敛或者达到预设的迭代次数,当然,调试的截止条件还可以是其他条件,例如达到了预设的推测精度,最终获得调试完成的业务行为解析网络。
本申请实施例中,业务行为画像指示信息中涵盖预设的业务行为画像集合,其画像的具体内容可以是根据具体的应用场景设置的,例如在电商领域,画像可以包括:母婴用品高消费且频繁消费、化妆品高消费但谨慎消费、男装低消费且低频消费等。推断画像对应情况可以是仅对应一种业务行为画像的画像对应情况,而其他实施例中,还可以是对应多种业务行为画像的画像对应情况。
在一些实施方式中,对每个业务对象业务行为日志进行进行知识挖掘时,可能因为业务对象业务行为日志的内容较多,导致行为特征挖掘网络的行为描述知识挖掘不准确,具有偏差。该实施方式下,可以先进行拆解,再对拆解结果分别进行知识挖掘,作为一种实施方式,在根据第一业务对象业务行为日志学习数据对行为特征挖掘网络进行调试时,先对第一业务对象业务行为日志学习数据进行拆解处理,增加行为特征挖掘网络的描述知识挖掘的准确性。那么,在对拟调试的行为特征挖掘网络,依据该第一业务对象业务行为日志学习数据进行调试,得到调试完成的行为特征挖掘网络的过程,可以包括以下步骤:
对该第一业务对象业务行为日志学习数据进行拆解处理,得到该第一业务对象业务行为日志学习数据的描述块(例如对于文本,即分段的描述内容,粒度根据实际情况而定,对于统计数据,即为分区间的数值);依据预设的描述块更换方法中的两种及以上方式该对该描述块实现更换,得到完成更换的第一业务对象业务行为日志学习数据,该两种及以上方式中包括预设更换方法;将该第一业务对象业务行为日志学习数据中依据该预设更换方法进行更换的描述块,确定为拟推断描述块;基于拟调试的行为特征挖掘网络,依据该完成更换的第一业务对象业务行为日志学习数据,推测该拟推断描述块,得到该拟调试的行为特征挖掘网络提供的推断描述块;通过该推断描述块和该拟推断描述块,得到该拟调试的行为特征挖掘网络的网络代价值;基于该网络代价值,修正该拟调试的行为特征挖掘网络的网络系数,获取调试完成的行为特征挖掘网络。
对描述块进行更换时,若仅采取如预设更换方法的一种更换方法,则行为特征挖掘网络可能较容易形成固定的更换适应性,失去网络调试的目的,本申请中更换方式则包含至少两种方式,其中包括预设更换方法,还需要再包含其他更换方法,用以对网络进行扰动,让网络学习对扰动得到的结果进行学习,从而增加其挖掘性能,例如,上述的其他更换方法可以是对预先设置的描述信息进行更换。
通过预设更换方法对描述块更换获取拟推断描述块,其预设更换方法可以基于预先设定的识别标签对描述块更换。
基于拟调试的行为特征挖掘网络,依据该完成更换的第一业务对象业务行为日志学习数据,推断该拟推断描述块,得到该拟调试的行为特征挖掘网络提供的推断描述块的过程可以包括以下步骤:基于该业务行为描述知识挖掘单元的行为关联因子,将该完成更换的第一业务对象业务行为日志学习数据关联至业务对象业务行为日志分类的描述信息的业务行为知识关系网中,得到该完成更换的第一业务对象业务行为日志学习数据的第一业务行为描述知识;基于该推断模块,依据第一业务行为描述知识推断该拟推断描述块,得到推断描述块。
基于该网络代价值,修正该拟调试的行为特征挖掘网络的网络系数以获取调试完成的行为特征挖掘网络可以包括以下步骤:基于该网络代价值,修正该推断模块的系数和该业务行为描述知识挖掘单元的行为关联因子,获得调试完成的行为特征挖掘网络。推断模块是在拟调试的行为特征挖掘网络中,完成对拟推断描述块的预估过程的模块。拟推断描述块的个数和推断描述块一致,均视具体情况而定。网络代价值为通过各个推断描述块和与之匹配的拟推断描述块间的区别获得的。在获取网络代价值的过程中,依据各个业务行为领域的推断描述块和匹配的拟推断描述块间的区别,分别确定网络子代价值,再对获得的网络子代价值按照重要性进行权值分配并运算,得到最终的网络代价值。
作为一种实施方式,业务行为描述知识挖掘单元包括多个知识挖掘模块,行为关联因子包括多个行为关联分属因子,每个知识挖掘模块包括一个行为关联分属因子。
基于该业务行为描述知识挖掘单元的行为关联因子,将该完成更换的第一业务对象业务行为日志学习数据关联至业务对象业务行为日志分类的描述信息的业务行为知识关系网中,得到该完成更换的第一业务对象业务行为日志学习数据的第一业务行为描述知识的过程具体可以包括如下步骤:通过各个知识挖掘模块的行为关联分属因子,以及该知识挖掘模块的排布情况,将该完成更换的第一业务对象业务行为日志学习数据关联至业务对象业务行为日志分类的描述信息的业务行为知识关系网中,获取各额知识挖掘模块挖掘的业务行为描述知识;对该知识挖掘模块中一个或多个知识挖掘模块挖掘的业务行为描述知识进行处理,以获得该完成更换的第一业务对象业务行为日志学习数据的第一业务行为描述知识。其中,该一个或多个知识挖掘模块中包含该排布情况中处于末尾的知识挖掘模块。
作为一种实施方式,基于该网络代价值,修正该推断模块的系数和该业务行为描述知识挖掘单元的行为关联因子,获取调试完成的行为特征挖掘网络,具体可以包括如下步骤:基于该网络代价值,修正该推断模块的系数,以及每一知识挖掘模块的行为关联分属因子,得到调试完成的行为特征挖掘网络。
在本申请实施例中,可以将未指示结果的第一业务对象业务行为日志学习数据通过业务行为解析网络进行画像对应并指示结果,通过指示结果的第一业务对象业务行为日志学习数据和第二业务对象业务行为日志学习数据对业务行为解析网络再次进行调试,如此,可以扩大学习数据的数量,防止网络调试过程中过拟合的发生,增加网络的学习能力和输出的精确度。
作为一种实施方式,基于该第二业务对象业务行为日志学习数据的业务行为画像指示信息和该推断画像对应情况,对该业务行为解析网络的网络系数进行修正,得到调试完成的业务行为解析网络之后,包括以下步骤:基于该行为特征挖掘网络的行为关联因子,将该第一业务对象业务行为日志学习数据关联至业务对象业务行为日志分类的描述信息的业务行为知识关系网中,得到该选定业务对象业务行为日志的第三业务行为描述知识;依据该业务行为解析网络,对该第三业务行为描述知识进行业务行为画像描绘,确定该第一业务对象业务行为日志学习数据在该业务行为解析网络的预设业务行为画像集合下的画像对应情况;通过该第一业务对象业务行为日志学习数据的画像对应情况,为该第一业务对象业务行为日志学习数据匹配业务行为画像指示信息,得到第一业务对象业务行为日志指示学习数据;依据该第一业务对象业务行为日志指示学习数据和第二业务对象业务行为日志学习数据对该业务行为解析网络进行调试。
在上述过程中,基于该第一业务对象业务行为日志学习数据的画像对应情况,为该第一业务对象业务行为日志学习数据设置业务行为画像指示信息,获取第一业务对象业务行为日志指示学习数据的过程,可以基于第一业务对象业务行为日志学习数据的画像对应情况为第一业务对象业务行为日志学习数据的每各业务对象业务行为日志学习数据增加仅表征一个业务行为画像的业务行为画像指示信息,也可以在画像对应情况中该业务对象业务行为日志学习数据对应一业务行为画像的置信度大于满足要求时,为该学习数据匹配多个业务行为画像的业务行为画像指示信息。
依据该第一业务对象业务行为日志指示学习数据和第二业务对象业务行为日志学习数据对该业务行为解析网络进行调试,可以采用直接将第一业务对象业务行为日志指示学习数据和第二业务对象业务行为日志学习数据分别对该业务行为解析网络进行调试,此外,也可以将第一业务对象业务行为日志指示学习数据和第二业务对象业务行为日志学习数据糅合成第三业务对象业务行为日志学习数据,依据第三业务对象业务行为日志学习数据对该业务行为解析网络进行调试。
步骤S2,通过业务行为解析网络对该业务行为描述知识进行业务行为画像描绘,得到该选定业务对象业务行为日志在该业务行为解析网络的预设业务行为画像集合下的画像对应情况。该业务行为解析网络通过该行为特征挖掘网络对第二业务对象业务行为日志学习数据挖掘的业务行为描述知识进行学习获得的,该第二业务对象业务行为日志学习数据包含业务行为画像指示信息。
在本申请实施例中,业务行为解析网络同行为特征挖掘网络一样,也可以是按照ANN模型组建,其可以包括多个分类器,被配置成通过业务行为描述知识进行业务行为画像描绘。业务行为解析网络依据包含业务行为画像指示信息的第二业务对象业务行为日志学习数据进行学习获得的。
本申请实施例中,将按照行为特征挖掘网络得到的业务行为描述知识加载到业务行为解析网络中,通过业务行为解析网络对该业务行为描述知识进行业务行为画像描绘,即获得选定业务对象业务行为日志对应的业务行为画像。
在对业务行为解析网络进行调试的过程中,业务行为画像指示信息包括业务行为画像编码,以指示第二业务对象业务行为日志学习数据中的业务行为画像,比如,编码A1指示业务行为画像为母婴用品高消费且频繁消费、编码A2指示化妆品高消费但谨慎消费、编码A3指示男装低消费且低频消费。
步骤S3,基于该选定业务对象业务行为日志的该画像对应情况,确定该选定业务对象业务行为日志的真实业务行为画像。
其中,业务行为解析网络对业务行为描述知识进行识别分析后获得的画像对应情况,其展现形式不做限定,例如编码记录。步骤S4,从事先部署的数据推送关联关系中,该确定该真实业务行为画像对应的选定数据推送关联关系。
不同的业务行为画像,平台对其进行推送的数据类型也不尽相同,需要按照不同的画像进行不同的数据推送,例如对于上述举例而言,业务行为画像为A1母婴用品高消费且频繁消费对应的业务对象,对其进行数据推送,优先推送更新换代快且费用较高的产品对应的数据,而很显然上述产品不适宜推送至编码A3男装低消费且低频消费的业务行为画像对应的业务对象。而在需要推送数据前,待推送数据已经和对应的业务行为画像进行了映射匹配,在确定了业务行为画像后,调取对应的推送数据进行推送即可。
步骤S5,根据该选定数据推送关联关系,对该选定业务对象业务行为日志对应的业务对象进行数据推送。
在实际运行过程中,业务对象业务行为日志的内容随着事物的发展,可能会具备突变,例如交易频次的骤然变化、交易地域的频繁变化、交易评价的内容和形式随时间发生变化,这些突变对网络而言,学习可能变得吃力,因此需要定期对网络进行完善,此外为了降低误差,可以结合人力辅助。
作为一种实施方式,该数据推送方法还可以包括以下步骤:
接收辅助分析终端发送的属于业务行为画像集合的业务对象业务行为日志和对应的业务行为参考要素,该业务行为参考要素包括业务对象业务行为发生时刻;将该业务对象业务行为日志确定为又一业务行为日志学习数据,同相应的业务行为参考要素保存至学习数据集中;获取该选定业务对象业务行为日志的业务行为参考要素,将该选定业务对象业务行为日志确定为又一业务行为日志学习数据,同相应的业务行为参考要素保存至该学习数据集;如果目前和该业务行为解析网络的最近一次的完善时间的时间差值和预定的网络完善周期一致,则从该学习数据集中确定该业务对象业务行为发生时刻在该最近一次的完善时间后的业务行为日志学习数据,获得选定业务行为日志学习数据;基于该选定业务行为日志学习数据,对该业务行为解析网络进行完善迭代调试。
作为一种实施方式,为了防止行为特征挖掘网络衰退,同时确保行为特征挖掘网络的性能,还可以在依据选定业务行为日志学习数据对业务行为解析网络进行完善迭代调试的过程中,同时对行为特征挖掘网络进行完善迭代调试。
辅助分析终端发送的业务行为画像集合的业务对象业务行为日志可以为采集人力对业务对象业务行为日志进行评估获取的业务行为画像集合的业务对象业务行为日志。业务行为参考要素包括业务对象业务行为发生时刻,另外还包括业务对象业务行为日志对应的业务行为的标签、业务对象业务行为日志对应的业务对象的账户信息等。学习数据集为保存业务行为日志学习数据的空间,可以设置于云平台的存储器中。而预定的网络完善周期可以根据实际情况而自行设定,具体可以参照云平台存储器的存储空间、业务行为迭代时间。
另外,对于数据推送之后,为了得到业务对象对推送数据的反应,以便进行更深入的分析,本申请实施例提供的数据推送方法还可以包括以下步骤:获取业务对象的基础业务对象反馈数据集;其中,基础业务对象反馈数据集包括业务对象的目标分析周期的关联业务交互事件;根据业务对象的业务归属识别信息(需要分析的信息维度),对业务对象活动数据集基础业务对象反馈数据集进行在信息属性上(知识维度上)的信息过滤,得到业务对象所对应的第一业务对象活动数据集;对业务对象所对应的第一业务对象活动数据集进行干扰信息优化,得到业务对象所对应的第二业务对象活动数据集;将第二业务对象活动数据集加载至事先调试好的推送反馈识别网络;依据推送反馈识别网络的业务数据解析模块对第二业务对象活动数据集进行业务数据知识挖掘,得到和第二业务对象活动数据集对应的第一业务知识字段;依据推送反馈识别网络中的推送反馈识别模块对第一业务知识字段进行处理,得到和业务归属识别信息相对应的推送反馈识别结果。通过对业务对象针对推送数据的反馈数据进行过滤优化,得到指示性高的精炼数据,并依靠预调试好的推送反馈识别网络进行反馈识别,可以提高反馈识别的速度和准确性。
其中,根据业务对象的业务归属识别信息,对业务对象活动数据集基础业务对象反馈数据集进行在信息属性上的信息过滤,获得业务对象所对应的第一业务对象活动数据集,可以包括以下步骤:根据业务对象的活动场景(如反馈时间、反馈次数、反馈内容),得到和业务对象相对应的业务对象活动数据维度;依据与业务对象相对应的业务对象活动数据维度,对业务对象活动数据集基础业务对象反馈数据集所包括的业务对象的目标分析周期的关联业务交互事件进行信息属性过滤处理;根据信息属性过滤处理的结果,获得业务对象所对应的第一业务对象活动数据集。
另外,对业务对象所对应的第一业务对象活动数据集进行干扰信息优化,获得业务对象所对应的第二业务对象活动数据集,可以包括以下步骤:通过业务对象的活动场景,或和业务对象相对应的干扰信息优化方式;遍历第一业务对象活动数据集,确定第一业务对象活动数据集中的干扰信息;依据与业务对象相对应的干扰信息优化方式,对第一业务对象活动数据集中的干扰信息进行处理,获得业务对象所对应的第二业务对象活动数据集。
以上即完成业务对象对推送数据的反馈识别的过程,便于为后续数据推送策略进行调整。
在本申请实施例中在本申请实施例中在本申请实施例中以下对本申请实施例提供的基于人工智能的数据推送方法的前后顺序进行介绍:
S100,云平台对拟调试的行为特征挖掘网络,通过该第一业务对象业务行为日志学习数据进行调试,得到调试完成的行为特征挖掘网络。
第一业务对象业务行为日志学习数据未包含业务行为画像指示信息,拟调试的行为特征挖掘网络是依据该第一业务对象业务行为日志学习数据的同业务领域数据事先调试完成得到的。
S200,云平台对拟调试的业务行为解析网络,依据该第二业务对象业务行为日志学习数据进行调试,得到事先调试完成的业务行为解析网络。
作为一种实施方式,S200可以包括以下步骤:基于该行为特征挖掘网络的行为关联因子,将该第二业务对象业务行为日志学习数据关联至业务对象业务行为日志分类的描述信息的业务行为知识关系网中,得到该第二业务对象业务行为日志学习数据的第二业务行为描述知识;基于拟调试的业务行为解析网络对该第二业务行为描述知识进行业务行为画像描绘,获得该第二业务对象业务行为日志学习数据在该拟调试的业务行为解析网络的预设业务行为画像集合下的推断画像对应情况;基于该第二业务对象业务行为日志学习数据的业务行为画像指示信息和该推断画像对应情况,对该业务行为解析网络的网络系数进行修正,得到调试完成的业务行为解析网络。
S300,客户端向云平台上传业务对象业务行为日志。
S400,云平台接收客户端上传的业务对象业务行为日志作为选定业务对象业务行为日志。
S500,云平台通过行为特征挖掘网络的行为关联因子,将选定业务对象业务行为日志关联至业务对象业务行为日志分类的描述信息的业务行为知识关系网中,得到该选定业务对象业务行为日志的业务行为描述知识。
行为特征挖掘网络包括多个依次排布的知识挖掘模块,该行为关联因子包括多个行为关联分属因子,每一个行为关联分属因子源于一个知识挖掘模块,各个该知识挖掘模块被配置为挖掘该选定业务对象业务行为日志在各个评估要素下的业务行为描述知识。
S600,云平台通过业务行为解析网络对该业务行为描述知识进行业务行为画像描绘,确定该选定业务对象业务行为日志在该业务行为解析网络的预设业务行为画像集合下的画像对应情况。
S700,云平台根据该选定业务对象业务行为日志的该画像对应情况,确定该选定业务对象业务行为日志的真实业务行为画像。
S800,云平台从事先部署的数据推送关联关系中,该确定该真实业务行为画像对应的选定数据推送关联关系。
S900,云平台基于该选定数据推送关联关系,对该选定业务对象业务行为日志对应的业务对象进行数据推送。
S1000,云平台接收辅助分析客户端发送的属于业务行为画像集合的业务对象业务行为日志和对应的业务行为参考要素,将该业务对象业务行为日志确定为又一业务行为日志学习数据,同相应的业务行为参考要素保存至学习数据集。
业务行为参考要素包括业务对象业务行为发生时刻、业务对象业务行为日志所对应业务行为标签、业务对象业务行为日志对应的账号信息等。
S1100,云平台获取该选定业务对象业务行为日志的业务行为参考要素,将该选定业务对象业务行为日志确定为又一业务行为日志学习数据,同相应的业务行为参考要素保存至该学习数据集。
S1200,云平台判断如果目前和该业务行为解析网络的最近一次的完善时间的时间差值和预定的网络完善周期一致,从该学习数据集中,该确定该业务对象业务行为发生时刻在该最近一次的完善时间后的业务行为日志学习数据,获得选定业务行为日志学习数据。
S1300,云平台基于该选定业务行为日志学习数据,对该业务行为解析网络进行完善迭代调试。
完善迭代调试可以通过选定业务行为日志学习数据执行S100和S200,也可以依据选定业务行为日志学习数据、第一业务对象业务行为日志学习数据和第二业务对象业务行为日志学习数据执行S100和S200。
采用本发明实施例的方案,可以通过行为特征挖掘网络的行为关联因子,将选定业务对象业务行为日志关联至业务对象业务行为日志分类的描述信息的业务行为知识关系网中,得到选定业务对象业务行为日志的业务行为描述知识,其中,行为特征挖掘网络的学习数据包括未指示结果的第一业务对象业务行为日志学习数据,通过业务行为解析网络对业务行为描述知识进行业务行为画像描绘,确定选定业务对象业务行为日志在业务行为解析网络的预设业务行为画像集合下的画像对应情况,其中,业务行为解析网络是基于行为特征挖掘网络对第二业务对象业务行为日志学习数据挖掘的业务行为描述知识进行学习获得的,第二业务对象业务行为日志学习数据包含业务行为画像指示信息,通过选定业务对象业务行为日志的画像对应情况,确定选定业务对象业务行为日志的真实业务行为画像,从事先部署的数据推送关联关系中,选择真实业务行为画像对应的选定数据推送关联关系,基于选定数据推送关联关系,对选定业务对象业务行为日志对应的业务对象进行数据推送。基于以上过程,在本申请实施例中对业务对象业务行为日志的业务对象画像描绘包括业务行为描述知识的挖掘和依据业务行为描述知识的画像描绘两个大的步骤针对两个步骤分别设置机器学习网络进行实现,其中行为特征挖掘网络的可以精确准确挖掘业务对象业务行为日志分类描述信息的业务行为描述知识,因此行为特征挖掘网络的调试过程中无需利用业务对象业务行为日志的业务行为画像集合,仅通过大量未指示结果的业务对象业务行为日志学习数据,即可确保行为特征挖掘网络对业务行为描述知识的精准挖掘,依据业务行为描述知识具备的精准性,即使有指示学习数据的数量较少,业务行为解析网络也能具备优秀的调试过程,缓解了网络调校的过程中依赖人力进行学习数据的结果指示的过程,从而降低了人员投入,提高了业务对象画像识别的速度,进而增加数据针对性推送的效率。
更进一步地,本申请实施例中,通过辅助分析客户端上传的对应业务行为画像集合的业务对象业务行为日志对网络完善迭代调试,使得网络实时具备优秀地推力性能,帮助对行为画像的分析识别。
基于相同的发明构思,本申请实施例还提供一种数据推送装置,请参照图4,是本发明实施例提供的数据推送装置110的架构示意图,该数据推送装置110可用于执行基于人工智能的数据推送方法,其中,数据推送装置110包括:
挖掘模块111,用于通过行为特征挖掘网络的行为关联因子,将选定业务对象业务行为日志关联至业务对象业务行为日志分类的描述信息的业务行为知识关系网中,得到选定业务对象业务行为日志的业务行为描述知识。
画像描绘模块112,用于通过业务行为解析网络对所述业务行为描述知识进行业务行为画像描绘,获取所述选定业务对象业务行为日志在所述业务行为解析网络的预设业务行为画像集合下的画像对应情况。
画像确定模块113,用于基于选定业务对象业务行为日志的所述画像对应情况,得到选定业务对象业务行为日志的真实业务行为画像。
推送关系确定模块114,用于从事先部署的数据推送关联关系中,确定真实业务行为画像对应的选定数据推送关联关系。
推送模块115,用于根据选定数据推送关联关系,对客户端进行数据推送。
挖掘模块111可用于执行步骤S1,画像描绘模块112可用于执行步骤S2,画像确定模块113可用于执行步骤S3,推送关系确定模块114可用于执行步骤S4,推送模块115可用于执行步骤S5。
由于在上述实施例中,已经对本发明实施例提供的基于人工智能的数据推送方法进行了详细的介绍,而该数据推送装置110的原理与该方法相同,此处不再对数据推送装置110的各模块的执行原理进行赘述。
在本申请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,服务器,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,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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。
需要理解的是,针对上述内容没有进行名词解释的技术术语,本领域技术人员可以根据上述所公开的内容进行前后推导毫无疑义地确定其所指代的含义。本申请实施例公开的上述内容对于本领域技术人员而言是清楚完整的。应当理解,本领域技术人员基于上述公开的内容对未作解释的技术术语进行推导和分析的过程是基于本申请所记载的内容进行的,因此上述内容并不是对整体方案的创造性的评判。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可以对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同样应当理解的是,为了简化本申请揭示的表述,从而帮助对至少一个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法幷不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
Claims (11)
1.一种基于人工智能的数据推送方法,其特征在于,应用于数据推送云平台,所述数据推送云平台与客户端通信连接,所述客户端的登陆对象为选定业务对象,所述方法包括:
通过所述行为特征挖掘网络的行为关联因子,将选定业务对象业务行为日志关联至业务对象业务行为日志分类的描述信息的业务行为知识关系网中,得到所述选定业务对象业务行为日志的业务行为描述知识;其中,所述行为特征挖掘网络的学习数据包括未指示结果的第一业务对象业务行为日志学习数据;
通过业务行为解析网络对所述业务行为描述知识进行业务行为画像描绘,获取所述选定业务对象业务行为日志在所述业务行为解析网络的预设业务行为画像集合下的画像对应情况;其中,所述业务行为解析网络是依据所述行为特征挖掘网络对第二业务对象业务行为日志学习数据挖掘的业务行为描述知识进行学习获得的,所述第二业务对象业务行为日志学习数据包含业务行为画像指示信息;
基于所述选定业务对象业务行为日志的所述画像对应情况,得到所述选定业务对象业务行为日志的真实业务行为画像;
从事先部署的数据推送关联关系中,确定所述真实业务行为画像对应的选定数据推送关联关系;
根据所述选定数据推送关联关系,对所述客户端进行数据推送。
2.根据权利要求1所述的方法,其特征在于,所述行为特征挖掘网络包括多个依次排布的知识挖掘模块,所述行为关联因子包括多个行为关联分属因子,每一个行为关联分属因子源于一个知识挖掘模块,各个所述知识挖掘模块被配置为挖掘所述选定业务对象业务行为日志在各个评估要素下的业务行为描述知识;
所述通过行为特征挖掘网络的行为关联因子,将选定业务对象业务行为日志关联至业务对象业务行为日志分类的描述信息的业务行为知识关系网中,得到所述选定业务对象业务行为日志的业务行为描述知识,包括:
通过各个所述知识挖掘模块的行为关联分属因子,以及所述知识挖掘模块的排布情况,将所述选定业务对象业务行为日志关联至业务对象业务行为日志分类的描述信息的业务行为知识关系网中,得到各所述知识挖掘模块挖掘的业务行为描述知识;
对所述知识挖掘模块中一个或多个知识挖掘模块挖掘的业务行为描述知识进行处理,得到所述选定业务对象业务行为日志的业务行为描述知识;其中,所述一个或多个知识挖掘模块中包含所述排布情况中处于末尾的知识挖掘模块。
3.根据权利要求1所述的方法,其特征在于,所述通过行为特征挖掘网络的行为关联因子,将选定业务对象业务行为日志关联至业务对象业务行为日志分类的描述信息的业务行为知识关系网中,得到所述选定业务对象业务行为日志的业务行为描述知识前,还包括:
对拟调试的行为特征挖掘网络,依据所述第一业务对象业务行为日志学习数据进行调试,得到调试完成的行为特征挖掘网络,所述第一业务对象业务行为日志学习数据未包含业务行为画像指示信息,所述拟调试的行为特征挖掘网络是依据所述第一业务对象业务行为日志学习数据的同业务领域数据事先调试完成得到的;
基于所述行为特征挖掘网络的行为关联因子,将所述第二业务对象业务行为日志学习数据关联至业务对象业务行为日志分类的描述信息的业务行为知识关系网中,得到所述第二业务对象业务行为日志学习数据的第二业务行为描述知识;
采用拟调试的业务行为解析网络对所述第二业务行为描述知识进行业务行为画像描绘,得到所述第二业务对象业务行为日志学习数据在所述拟调试的业务行为解析网络的预设业务行为画像集合下的推断画像对应情况;
基于所述第二业务对象业务行为日志学习数据的业务行为画像指示信息和所述推断画像对应情况,对所述业务行为解析网络的网络系数进行修正,得到调试完成的业务行为解析网络。
4.根据权利要求1所述的方法,其特征在于,所述对拟调试的行为特征挖掘网络,依据所述第一业务对象业务行为日志学习数据进行调试,得到调试完成的行为特征挖掘网络,包括:
对所述第一业务对象业务行为日志学习数据进行拆解处理,得到所述第一业务对象业务行为日志学习数据的描述块;
根据预设的描述块更换方法中的两种及以上方式对所述描述块实现更换,得到完成更换的第一业务对象业务行为日志学习数据,所述两种及以上方式中包括预设更换方法;
将所述第一业务对象业务行为日志学习数据中依据所述预设更换方法进行更换的描述块,作为拟推断描述块;
依据所述拟调试的行为特征挖掘网络,按照所述完成更换的第一业务对象业务行为日志学习数据,推断所述拟推断描述块,获取所述拟调试的行为特征挖掘网络提供的推断描述块;
通过所述推断描述块和所述拟推断描述块,得到所述拟调试的行为特征挖掘网络的网络代价值;
基于所述网络代价值修正所述拟调试的行为特征挖掘网络的网络系数,获得调试完成的行为特征挖掘网络。
5.根据权利要求4所述的方法,其特征在于,所述拟调试的行为特征挖掘网络包括推断模块和业务行为描述知识挖掘单元,所述业务行为描述知识挖掘单元包括行为关联因子;
所述依据拟调试的行为特征挖掘网络,按照所述完成更换的第一业务对象业务行为日志学习数据,推断所述拟推断描述块,获取所述拟调试的行为特征挖掘网络提供的推断描述块,包括:
依据所述业务行为描述知识挖掘单元的行为关联因子,将所述完成更换的第一业务对象业务行为日志学习数据关联至业务对象业务行为日志分类的描述信息的业务行为知识关系网中,得到所述完成更换的第一业务对象业务行为日志学习数据的第一业务行为描述知识;
基于所述推断模块,依据所述第一业务行为描述知识推断所述拟推断描述块,得到推断描述块;
所述基于所述网络代价值修正所述拟调试的行为特征挖掘网络的网络系数,获得调试完成的行为特征挖掘网络,包括:
基于所述网络代价值修正所述推断模块的系数和所述业务行为描述知识挖掘单元的行为关联因子,获得调试完成的行为特征挖掘网络。
6.根据权利要求5所述的方法,其特征在于,所述业务行为描述知识挖掘单元包括多个知识挖掘模块,所述行为关联因子包括多个行为关联分属因子,每个知识挖掘模块包括一个行为关联分属因子;
所述依据所述业务行为描述知识挖掘单元的行为关联因子,将所述完成更换的第一业务对象业务行为日志学习数据关联至业务对象业务行为日志分类的描述信息的业务行为知识关系网中,得到所述完成更换的第一业务对象业务行为日志学习数据的第一业务行为描述知识,包括:
基于各各所述知识挖掘模块的行为关联分属因子,以及所述知识挖掘模块的排布情况,将所述完成更换的第一业务对象业务行为日志学习数据关联至业务对象业务行为日志分类的描述信息的业务行为知识关系网中,得到各个知识挖掘模块挖掘的业务行为描述知识;
对所述知识挖掘模块中一个或多个知识挖掘模块挖掘的业务行为描述知识进行处理,获得所述完成更换的第一业务对象业务行为日志学习数据的第一业务行为描述知识;其中,所述一个或多个知识挖掘模块中包含所述排布情况中处于末尾的知识挖掘模块。
7.根据权利要求6所述的方法,其特征在于,所述基于所述网络代价值修正所述推断模块的系数和所述业务行为描述知识挖掘单元的行为关联因子,得到调试完成的行为特征挖掘网络,包括:
基于所述网络代价值修正所述推断模块的系数,以及每一所述知识挖掘模块的行为关联分属因子,获得调试完成的行为特征挖掘网络。
8.根据权利要求1所述的方法,其特征在于,所述基于所述第二业务对象业务行为日志学习数据的业务行为画像指示信息和所述推断画像对应情况,对所述业务行为解析网络的网络系数进行修正,得到调试完成的业务行为解析网络之后,所述方法还包括:
基于所述行为特征挖掘网络的行为关联因子,将所述第一业务对象业务行为日志学习数据关联至业务对象业务行为日志分类的描述信息的业务行为知识关系网中,得到所述选定业务对象业务行为日志的第三业务行为描述知识;
依据所述业务行为解析网络,对所述第三业务行为描述知识进行业务行为画像描绘,得到所述第一业务对象业务行为日志学习数据在所述业务行为解析网络的预设业务行为画像集合下的画像对应情况;
通过所述第一业务对象业务行为日志学习数据的画像对应情况,为所述第一业务对象业务行为日志学习数据匹配业务行为画像指示信息,得到第一业务对象业务行为日志指示学习数据;
通过所述第一业务对象业务行为日志指示学习数据和第二业务对象业务行为日志学习数据对所述业务行为解析网络进行调试。
9.根据权利要求8所述的方法,其特征在于,所述方法还包括:
接收辅助分析终端发送的属于业务行为画像集合的业务对象业务行为日志和对应的业务行为参考要素,所述业务行为参考要素包括业务对象业务行为发生时刻;
将所述业务对象业务行为日志确定为又一业务行为日志学习数据,同相应的业务行为参考要素保存至学习数据集中;
获取所述选定业务对象业务行为日志的业务行为参考要素,将所述选定业务对象业务行为日志确定为又一业务行为日志学习数据,同相应的业务行为参考要素保存至所述学习数据集;
如果目前和所述业务行为解析网络的最近一次的完善时间的时间差值和预定的网络完善周期一致,则在所述学习数据集中确定所述业务对象业务行为发生时刻在所述最近一次的完善时间后的业务行为日志学习数据,获得选定业务行为日志学习数据;
基于所述选定业务行为日志学习数据对所述业务行为解析网络进行完善迭代调试。
10.一种数据推送系统,其特征在于,包括数据推送云平台和与所述数据推送云平台通信连接的客户端,所述云平台包括处理器和存储器,所述存储器存储有计算机程序,当所述处理器运行所述计算机程序时,执行如权利要求1~8任一项所述的方法。
11.一种数据推送云平台,其特征在于,包括处理器和存储器,所述存储器存储有计算机程序,当所述处理器运行所述计算机程序时,执行如权利要求1~8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211202790.2A CN115455300B (zh) | 2022-09-29 | 2022-09-29 | 基于人工智能的数据推送方法、系统及云平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211202790.2A CN115455300B (zh) | 2022-09-29 | 2022-09-29 | 基于人工智能的数据推送方法、系统及云平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115455300A true CN115455300A (zh) | 2022-12-09 |
CN115455300B CN115455300B (zh) | 2023-04-14 |
Family
ID=84309580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211202790.2A Active CN115455300B (zh) | 2022-09-29 | 2022-09-29 | 基于人工智能的数据推送方法、系统及云平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115455300B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115662607A (zh) * | 2022-12-13 | 2023-01-31 | 四川大学 | 一种基于大数据分析的互联网线上问诊推荐方法及服务器 |
CN116341660A (zh) * | 2023-05-30 | 2023-06-27 | 八爪鱼人工智能科技(常熟)有限公司 | 应用于人工智能的信息优化方法及服务器 |
CN117077018A (zh) * | 2023-10-12 | 2023-11-17 | 微网优联科技(成都)有限公司 | 基于机器学习的数据处理方法、装置及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210089598A1 (en) * | 2019-09-19 | 2021-03-25 | Samsung Electronics Co., Ltd. | Method and apparatus for providing content based on knowledge graph |
WO2021081914A1 (zh) * | 2019-10-31 | 2021-05-06 | 深圳市欢太科技有限公司 | 推送对象确定方法、装置、终端设备及存储介质 |
CN113469663A (zh) * | 2021-08-02 | 2021-10-01 | 东莞市爱学爱玩教育科技有限公司 | 一种结合人工智能的智慧业务信息分析方法及系统 |
CN114090663A (zh) * | 2021-12-08 | 2022-02-25 | 黑龙江国云科技发展有限公司 | 应用人工智能的用户需求预测方法及大数据优化系统 |
CN114117240A (zh) * | 2021-12-09 | 2022-03-01 | 诸暨黑石大数据技术有限公司 | 基于大数据需求分析的互联网内容推送方法及ai系统 |
CN114564522A (zh) * | 2022-03-08 | 2022-05-31 | 哈尔滨腾达网络科技发展有限公司 | 基于区块链和大数据挖掘的智能推送处理方法及系统 |
CN114611006A (zh) * | 2022-03-29 | 2022-06-10 | 李保林 | 基于用户兴趣挖掘的大数据分析方法及系统 |
CN114661994A (zh) * | 2022-03-28 | 2022-06-24 | 徐勇 | 基于人工智能的用户兴趣数据处理方法、系统及云平台 |
CN114840486A (zh) * | 2022-06-28 | 2022-08-02 | 广州趣米网络科技有限公司 | 用户行为数据采集方法、系统及云平台 |
-
2022
- 2022-09-29 CN CN202211202790.2A patent/CN115455300B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210089598A1 (en) * | 2019-09-19 | 2021-03-25 | Samsung Electronics Co., Ltd. | Method and apparatus for providing content based on knowledge graph |
WO2021081914A1 (zh) * | 2019-10-31 | 2021-05-06 | 深圳市欢太科技有限公司 | 推送对象确定方法、装置、终端设备及存储介质 |
CN113469663A (zh) * | 2021-08-02 | 2021-10-01 | 东莞市爱学爱玩教育科技有限公司 | 一种结合人工智能的智慧业务信息分析方法及系统 |
CN114090663A (zh) * | 2021-12-08 | 2022-02-25 | 黑龙江国云科技发展有限公司 | 应用人工智能的用户需求预测方法及大数据优化系统 |
CN114117240A (zh) * | 2021-12-09 | 2022-03-01 | 诸暨黑石大数据技术有限公司 | 基于大数据需求分析的互联网内容推送方法及ai系统 |
CN114564522A (zh) * | 2022-03-08 | 2022-05-31 | 哈尔滨腾达网络科技发展有限公司 | 基于区块链和大数据挖掘的智能推送处理方法及系统 |
CN114661994A (zh) * | 2022-03-28 | 2022-06-24 | 徐勇 | 基于人工智能的用户兴趣数据处理方法、系统及云平台 |
CN114611006A (zh) * | 2022-03-29 | 2022-06-10 | 李保林 | 基于用户兴趣挖掘的大数据分析方法及系统 |
CN114840486A (zh) * | 2022-06-28 | 2022-08-02 | 广州趣米网络科技有限公司 | 用户行为数据采集方法、系统及云平台 |
Non-Patent Citations (1)
Title |
---|
陈骁: "一种基于数据挖掘技术的科技政策信息推送算法" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115662607A (zh) * | 2022-12-13 | 2023-01-31 | 四川大学 | 一种基于大数据分析的互联网线上问诊推荐方法及服务器 |
CN115662607B (zh) * | 2022-12-13 | 2023-04-07 | 四川大学 | 一种基于大数据分析的互联网线上问诊推荐方法及服务器 |
CN116341660A (zh) * | 2023-05-30 | 2023-06-27 | 八爪鱼人工智能科技(常熟)有限公司 | 应用于人工智能的信息优化方法及服务器 |
CN117077018A (zh) * | 2023-10-12 | 2023-11-17 | 微网优联科技(成都)有限公司 | 基于机器学习的数据处理方法、装置及存储介质 |
CN117077018B (zh) * | 2023-10-12 | 2023-12-19 | 微网优联科技(成都)有限公司 | 基于机器学习的数据处理方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115455300B (zh) | 2023-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115455300B (zh) | 基于人工智能的数据推送方法、系统及云平台 | |
CN112464084B (zh) | 基于大数据定位和人工智能的业务优化方法及云计算中心 | |
CN111309912A (zh) | 文本分类方法、装置、计算机设备及存储介质 | |
CN112464105B (zh) | 基于大数据定位的互联网平台信息推送方法及云计算中心 | |
CN111611488B (zh) | 基于人工智能的信息推荐方法、装置、电子设备 | |
US11620683B2 (en) | Utilizing machine-learning models to create target audiences with customized auto-tunable reach and accuracy | |
CN114064974B (zh) | 信息处理方法、装置、电子设备、存储介质及程序产品 | |
CN114245910A (zh) | 一种自动机器学习AutoML系统、方法及设备 | |
CN111984821A (zh) | 确定视频动态封面的方法、装置、存储介质及电子设备 | |
CN110782043A (zh) | 模型优化方法、装置、存储介质及服务器 | |
US11594054B2 (en) | Document lineage management system | |
CN111967271A (zh) | 分析结果的生成方法、装置、设备及可读存储介质 | |
CN117036834B (zh) | 基于人工智能的数据分类方法、装置及电子设备 | |
KR20210074246A (ko) | 대상 추천 방법, 신경망 및 그 훈련 방법, 장치 및 매체 | |
KR102492774B1 (ko) | 인공지능 기반 음원 컨텐츠 라이센싱 플랫폼 서비스 제공 방법 | |
CN113032676A (zh) | 基于微反馈的推荐方法和系统 | |
CN110992198A (zh) | 作物病害防治方案推荐方法及装置、系统、设备和介质 | |
CN112801006A (zh) | 表情表征模型的训练方法、面部的表情表征方法及装置 | |
EP3413220A1 (en) | Generating models for real time embedded systems that approximate non-embedded models while reducing complexity associated with the non-embedded models | |
CN112269942B (zh) | 一种推荐对象的方法、装置、系统及电子设备 | |
CN112308090B (zh) | 图像分类方法及装置 | |
CN114925750A (zh) | 信息推荐方法、装置、计算机可读存储介质及电子设备 | |
CN114996435A (zh) | 基于人工智能的信息推荐方法、装置、设备及存储介质 | |
CN116524289A (zh) | 一种模型训练方法及相关系统 | |
CN111898708A (zh) | 一种迁移学习方法和电子设备 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230327 Address after: 276002 West Road, 100 meters south of the intersection of Dayang Road and Longsheng Road, Lanshan Street, Lanshan District, Linyi City, Shandong Province Applicant after: Linyi Yichuan Network Technology Co.,Ltd. Address before: No. 256, East Section of Chunrong Street, Chenggong District, Kunming, Yunnan 650000 Applicant before: Wu Jinghan |
|
GR01 | Patent grant | ||
GR01 | Patent grant |