CN115757900A - 应用人工智能模型的用户需求分析方法及系统 - Google Patents
应用人工智能模型的用户需求分析方法及系统 Download PDFInfo
- Publication number
- CN115757900A CN115757900A CN202211637906.5A CN202211637906A CN115757900A CN 115757900 A CN115757900 A CN 115757900A CN 202211637906 A CN202211637906 A CN 202211637906A CN 115757900 A CN115757900 A CN 115757900A
- Authority
- CN
- China
- Prior art keywords
- intention
- network
- sequence
- behavior
- data mining
- 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
-
- 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
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供的应用人工智能模型的用户需求分析方法及系统,涉及数据处理技术领域。在本发明中,提取到目标用户的目标历史网络行为序列;分别对每一条历史网络行为进行第一行为意图分析处理,以形成目标历史网络行为序列对应的目标历史网络行为意图序列,目标历史网络行为意图序列包括每一条历史网络行为对应的第一意图数据;通过目标行为意图分析神经网络,对目标历史网络行为意图序列进行第二行为意图分析处理,以形成目标历史网络行为序列对应的目标意图数据,目标意图数据用于反映出目标用户基于多条历史网络行为具有的用户需求。基于上述方法,可以改善现有技术中用户需求分析的可靠度不高的问题。
Description
技术领域
本发明涉及数据处理技术领域,具体而言,涉及一种应用人工智能模型的用户需求分析方法及系统。
背景技术
在互联网技术和计算机技术的不断发展的基础上,使得用户的网络行为逐渐增强,网络行为已经成为生活和工作中的主要行为。因此,通过对用户的网络行为进行收集并分析,可以有效地确定出用户的意图(即需求),但是,在现有技术中,还是局限于对单个网络行为进行分析,以得到单个网络行为对应的用户需求,使得其可靠度并不高。
发明内容
有鉴于此,本发明的目的在于提供一种应用人工智能模型的用户需求分析方法及系统,以改善现有技术中用户需求分析的可靠度不高的问题。
为实现上述目的,本发明实施例采用如下技术方案:
一种应用人工智能模型的用户需求分析方法,包括:
提取到目标用户的目标历史网络行为序列,所述目标历史网络行为序列包括多条历史网络行为,且所述多条历史网络行为基于对应的历史行为时间排序,每一条所述历史网络行为属于所述目标用户进行的网络行为;
分别对每一条所述历史网络行为进行第一行为意图分析处理,以形成所述目标历史网络行为序列对应的目标历史网络行为意图序列,所述目标历史网络行为意图序列包括每一条历史网络行为对应的第一意图数据;
通过进行网络优化操作形成的目标行为意图分析神经网络,对所述目标历史网络行为意图序列进行第二行为意图分析处理,以形成所述目标历史网络行为序列对应的目标意图数据,所述目标意图数据用于反映出所述目标用户基于所述多条历史网络行为具有的用户需求。
在一些优选的实施例中,在上述应用人工智能模型的用户需求分析方法中,所述提取到目标用户的目标历史网络行为序列的步骤,包括:
提取到目标用户的初始历史网络行为序列,所述目初始历史网络行为序列包括多条初始历史网络行为,且所述多条初始历史网络行为基于对应的历史行为时间排序,每一条所述初始历史网络行为属于所述目标用户在对应的历史行为时间进行的网络行为;
依据每一条所述初始历史网络行为对应的历史行为时间的时间长度,对所述初始历史网络行为序列进行筛选,以得到候选历史网络行为序列,所述候选历史网络行为序列包括的每一条候选历史网络行为对应的历史行为时间的时间长度大于或等于预先配置的时间长度阈值;
对于所述候选历史网络行为序列中的每两条相邻的候选历史网络行为,对该两条相邻的候选历史网络行为之间的时间间隔与预先配置的时间间隔阈值进行大小比较处理,并在该两条相邻的候选历史网络行为之间的时间间隔大于或等于所述时间间隔阈值的情况下,将该两条相邻的候选历史网络行为标记为候选历史网络行为组合;
对于每一个所述候选历史网络行为组合,依据所述目标用户的至少一个相关用户在历史时间上进行的相关历史网络行为,对该候选历史网络行为组合进行行为补充操作,以形成该候选历史网络行为组合对应的补充历史网络行为组合,所述补充历史网络行为组合包括对应的候选历史网络行为组合中的两条相邻的候选历史网络行为和补充的相关历史网络行为;
依据所述候选历史网络行为和所述补充的相关历史网络行为,组合形成对应的目标历史网络行为序列。
在一些优选的实施例中,在上述应用人工智能模型的用户需求分析方法中,所述分别对每一条所述历史网络行为进行第一行为意图分析处理,以形成所述目标历史网络行为序列对应的目标历史网络行为意图序列的步骤,包括:
分别对每一条所述历史网络行为进行第一行为意图分析处理,以提取出每一条所述历史网络行为对应的行为动作信息和行为对象信息,再将所述行为动作信息和所述行为对象信息作为对应的第一意图数据;
依据每一条所述历史网络行为在所述目标历史网络行为序列中的序列位置,确定出每一条所述历史网络行为对应的第一意图数据的序列位置,以构建形成对应的目标历史网络行为意图序列。
在一些优选的实施例中,在上述应用人工智能模型的用户需求分析方法中,所述通过进行网络优化操作形成的目标行为意图分析神经网络,对所述目标历史网络行为意图序列进行第二行为意图分析处理,以形成所述目标历史网络行为序列对应的目标意图数据的步骤,包括:
通过进行网络优化操作形成的目标行为意图分析神经网络包括的优化后意图数据挖掘子网络,对所述目标历史网络行为意图序列进行意图数据挖掘操作,输出所述目标历史网络行为意图序列对应的意图数据挖掘结果;
通过所述目标行为意图分析神经网络包括的优化后意图分析子网络,对所述意图数据挖掘结果进行意图分析操作,以形成所述目标历史网络行为序列对应的目标意图数据。
在一些优选的实施例中,在上述应用人工智能模型的用户需求分析方法中,所述优化后意图数据挖掘子网络的优化步骤,包括:
提取到第一网络行为意图序列组合,并搭建初始神经网络,所述第一网络行为意图序列组合包括多个第一网络行为意图序列簇,每一个所述第一网络行为意图序列簇包括具有相同意图数据的至少两个第一网络行为意图序列,所述初始神经网络包括初级意图数据挖掘子网络和与所述初级意图数据挖掘子网络的输出连接的挖掘结果转换子网络;
利用所述第一网络行为意图序列组合,对所述初始神经网络进行至少一次初级网络优化操作,所述初级网络优化操作包括:分别对每一个所述第一网络行为意图序列簇包括的第一网络行为意图序列进行加载操作,以加载至所述初始神经网络中,分析输出每一个所述第一网络行为意图序列对应的意图数据挖掘转换结果;依据所述第一网络行为意图序列簇包括的第一网络行为意图序列对应的意图数据挖掘转换结果之间的结果匹配度和各所述第一网络行为意图序列簇包括的第一网络行为意图序列对应的意图数据挖掘转换结果之间的结果匹配度,分析输出所述初始神经网络的初级网络学习代价值,并依据所述初级网络学习代价值对所述初始神经网络的网络权重进行优化操作;
提取到第二网络行为意图序列组合,所述第二网络行为意图序列组合包括携带意图标识信息的多个第二网络行为意图序列,每一个所述第二网络行为意图序列对应的意图标识信息用于反映该第二网络行为意图序列包括的网络行为的实际意图数据;
对与目标优化规则匹配的初级意图数据挖掘子网络进行标记处理,形成对应的中级意图数据挖掘子网络,再利用所述第二网络行为意图序列组合,对所述中级意图数据挖掘子网络进行网络优化操作,以及,对优化后的中级意图数据挖掘子网络进行标记处理,以形成对应的优化后意图数据挖掘子网络。
在一些优选的实施例中,在上述应用人工智能模型的用户需求分析方法中,所述优化后意图数据挖掘子网络的优化步骤,还包括:提取到参考意图数据挖掘结果组合,所述参考意图数据挖掘结果组合包括第二网络行为意图序列组合对应的每一个参考意图数据的参考意图数据挖掘结果;
所述对与目标优化规则匹配的初级意图数据挖掘子网络进行标记处理,形成对应的中级意图数据挖掘子网络,再利用所述第二网络行为意图序列组合,对所述中级意图数据挖掘子网络进行网络优化操作,以及,对优化后的中级意图数据挖掘子网络进行标记处理,以形成对应的优化后意图数据挖掘子网络的步骤,包括:
对与目标优化规则匹配的初级意图数据挖掘子网络进行标记处理,形成对应的中级意图数据挖掘子网络;
利用所述第二网络行为意图序列组合对所述中级意图数据挖掘子网络进行至少一次中级网络优化操作,所述中级网络优化操作包括:分别对所述第二网络行为意图序列组合包括的每一个第二网络行为意图序列进行加载操作,以加载至所述中级意图数据挖掘子网络中,分析输出每一个所述第二网络行为意图序列对应的意图数据挖掘结果;针对每一个第二网络行为意图序列,依据该第二网络行为意图序列对应的意图数据挖掘结果和所述参考意图数据挖掘结果组合中的每一个参考意图数据挖掘结果之间的结果匹配度,分析输出该第二网络行为意图序列对应的第一估计意图数据;依据每一个所述第二网络行为意图序列对应的第一估计意图数据和对应的意图标识信息,分析输出对应的中级网络学习代价值,并基于所述中级网络学习代价值对所述中级意图数据挖掘子网络的网络权重进行优化操作;
对优化后的中级意图数据挖掘子网络进行标记处理,以形成对应的优化后意图数据挖掘子网络。
在一些优选的实施例中,在上述应用人工智能模型的用户需求分析方法中,所述提取到参考意图数据挖掘结果组合的步骤,包括:
形成随机配置意图数据挖掘结果组合,所述随机配置意图数据挖掘结果组合包括所述第二网络行为意图序列组合对应的每一个参考意图数据的随机配置意图数据挖掘结果;
将所述随机配置意图数据挖掘结果组合标记为需要优化的网络权重,以利用所述第二网络行为意图序列组合进行至少一次高级网络优化操作,形成所述随机配置意图数据挖掘结果组合对应的参考意图数据挖掘结果组合,所述高级网络优化操作包括:分别对所述第二网络行为意图序列组合包括的每一个第二网络行为意图序列进行加载操作,以加载至所述中级意图数据挖掘子网络中,分析输出每一个所述第二网络行为意图序列对应的意图数据挖掘结果;针对每一个所述第二网络行为意图序列,依据该第二网络行为意图序列的意图数据挖掘结果和所述随机配置意图数据挖掘结果组合包括的每一个随机配置意图数据挖掘结果之间的结果匹配度,分析输出该第二网络行为意图序列对应的第二估计意图数据;依据每一个所述第二网络行为意图序列对应的第二估计意图数据和对应的意图标识信息,分析输出对应的高级网络学习代价值,并依据所述高级网络学习代价值对所述随机配置意图数据挖掘结果组合包括的网络权重进行优化操作。
在一些优选的实施例中,在上述应用人工智能模型的用户需求分析方法中,所述提取到参考意图数据挖掘结果组合的步骤,包括:
从所述第二网络行为意图序列组合中,确定出每一种实际意图数据对应的多个示例性网络行为意图序列;
分别对每一种实际意图数据对应的多个示例性网络行为意图序列进行加载操作,以加载至所述中级意图数据挖掘子网络中,分析输出每一个所述示例性网络行为意图序列对应的意图数据挖掘结果;
针对每一种所述实际意图数据,依据该实际意图数据对应的多个示例性网络行为意图序列对应的意图数据挖掘结果,分析得到该实际意图数据对应的参考意图数据挖掘结果。
在一些优选的实施例中,在上述应用人工智能模型的用户需求分析方法中,所述初级意图数据挖掘子网络包括顺序连接的多个意图数据挖掘网络层,所述基于所述中级网络学习代价值对所述中级意图数据挖掘子网络的网络权重进行优化操作的步骤,包括:
依据所述中级网络学习代价值对所述中级意图数据挖掘子网络的目标网络权重进行优化操作,所述目标网络权重为所述中级意图数据挖掘子网络包括的属于输出端一侧的意图数据挖掘网络层的网络权重。
本发明实施例还提供一种应用人工智能模型的用户需求分析系统,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现上述的应用人工智能模型的用户需求分析方法。
本发明实施例提供的一种应用人工智能模型的用户需求分析方法及系统,提取到目标用户的目标历史网络行为序列;分别对每一条历史网络行为进行第一行为意图分析处理,以形成目标历史网络行为序列对应的目标历史网络行为意图序列,目标历史网络行为意图序列包括每一条历史网络行为对应的第一意图数据;通过进行网络优化操作形成的目标行为意图分析神经网络,对目标历史网络行为意图序列进行第二行为意图分析处理,以形成目标历史网络行为序列对应的目标意图数据,目标意图数据用于反映出目标用户基于多条历史网络行为具有的用户需求。也就是说,在进行初步的第一行为意图分析处理之后,还进一步通过目标行为意图分析神经网络进行第二行为意图分析处理,使得行为意图分析处理的精度较高,另外,还从行为序列进行整体的需求分析,使得分析依据更为充分,从而在一定程度上改善现有技术中用户需求分析的可靠度不高的问题。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
图1为本发明实施例提供的应用人工智能模型的用户需求分析系统的结构框图。
图2为本发明实施例提供的应用人工智能模型的用户需求分析方法包括的各步骤的流程示意图。
图3为本发明实施例提供的应用人工智能模型的用户需求分析装置包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例只是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供了一种应用人工智能模型的用户需求分析系统。其中,所述用户需求分析系统可以包括存储器和处理器。
可以理解的是,在一些示例中,所述存储器和处理器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,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。所述存储器中可以存储有至少一个可以以软件或固件(firmware)的形式,存在的软件功能模块(计算机程序)。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序,从而实现本发明实施例提供的应用人工智能模型的用户需求分析方法。
可以理解的是,在一些示例中,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable ProgrammableRead-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable ProgrammableRead-Only Memory,EEPROM)等。所述处理器可以是一种通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、片上系统(System on Chip,SoC)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。
可以理解的是,在一些示例中,所述应用人工智能模型的用户需求分析系统可以是一种具备数据处理能力的服务器。
结合图2,本发明实施例还提供一种应用人工智能模型的用户需求分析方法,可应用于上述应用人工智能模型的用户需求分析系统。其中,所述应用人工智能模型的用户需求分析方法有关的流程所定义的方法步骤,可以由所述应用人工智能模型的用户需求分析系统实现。
下面将对图2所示的具体流程,进行详细阐述。
步骤S110,提取到目标用户的目标历史网络行为序列。
在本发明实施例中,所述应用人工智能模型的用户需求分析系统可以提取到目标用户的目标历史网络行为序列。所述目标历史网络行为序列包括多条历史网络行为,且所述多条历史网络行为基于对应的历史行为时间排序,每一条所述历史网络行为属于所述目标用户进行的网络行为(如网络搜索、网络购买、网络信息收藏、网络交互等)。
步骤S120,分别对每一条所述历史网络行为进行第一行为意图分析处理,以形成所述目标历史网络行为序列对应的目标历史网络行为意图序列。
在本发明实施例中,所述应用人工智能模型的用户需求分析系统可以分别对每一条所述历史网络行为进行第一行为意图分析处理,以形成所述目标历史网络行为序列对应的目标历史网络行为意图序列。所述目标历史网络行为意图序列包括每一条历史网络行为对应的第一意图数据。
步骤S130,通过进行网络优化操作形成的目标行为意图分析神经网络,对所述目标历史网络行为意图序列进行第二行为意图分析处理,以形成所述目标历史网络行为序列对应的目标意图数据。
在本发明实施例中,所述应用人工智能模型的用户需求分析系统可以通过进行网络优化操作形成的目标行为意图分析神经网络,对所述目标历史网络行为意图序列进行第二行为意图分析处理,以形成所述目标历史网络行为序列对应的目标意图数据。所述目标意图数据用于反映出所述目标用户基于所述多条历史网络行为具有的用户需求(即用户需要的内容)。
基于包括的步骤S110、步骤S120和步骤S130,可以在进行初步的第一行为意图分析处理之后,还进一步通过目标行为意图分析神经网络进行第二行为意图分析处理,使得行为意图分析处理的精度较高,另外,还从行为序列进行整体的需求分析,使得分析依据更为充分,从而在一定程度上改善现有技术中用户需求分析的可靠度不高的问题。
可以理解的是,步骤S110,在一些示例中,可以包括以下子步骤:
提取到目标用户的初始历史网络行为序列,所述目初始历史网络行为序列包括多条初始历史网络行为,且所述多条初始历史网络行为基于对应的历史行为时间排序,每一条所述初始历史网络行为属于所述目标用户在对应的历史行为时间进行的网络行为;
依据每一条所述初始历史网络行为对应的历史行为时间的时间长度,对所述初始历史网络行为序列进行筛选(即与时间长度阈值进行大小比较,以将时间长度较短进行筛除,即无效行为),以得到候选历史网络行为序列,所述候选历史网络行为序列包括的每一条候选历史网络行为对应的历史行为时间的时间长度大于或等于预先配置的时间长度阈值;
对于所述候选历史网络行为序列中的每两条相邻的候选历史网络行为,对该两条相邻的候选历史网络行为之间的时间间隔与预先配置的时间间隔阈值进行大小比较处理,并在该两条相邻的候选历史网络行为之间的时间间隔大于或等于所述时间间隔阈值(如5分钟、10分钟等)的情况下,将该两条相邻的候选历史网络行为标记为候选历史网络行为组合;
对于每一个所述候选历史网络行为组合,依据所述目标用户的至少一个相关用户在历史时间上进行的相关历史网络行为,对该候选历史网络行为组合进行行为补充操作,以形成该候选历史网络行为组合对应的补充历史网络行为组合,所述补充历史网络行为组合包括对应的候选历史网络行为组合中的两条相邻的候选历史网络行为和补充的相关历史网络行为;
依据所述候选历史网络行为和所述补充的相关历史网络行为,组合形成对应的目标历史网络行为序列。
可以理解的是,所述对于每一个所述候选历史网络行为组合,依据所述目标用户的至少一个相关用户在历史时间上进行的相关历史网络行为,对该候选历史网络行为组合进行行为补充操作,以形成该候选历史网络行为组合对应的补充历史网络行为组合的步骤,在一些示例中,可以包括以下子步骤(针对其中的任意一个候选历史网络行为组合):
确定出所述目标用户的至少一个相关用户(所述相关用户的确定方式可以是人工标定,也可以是基于其它数据分析得到,在此不做具体限定);
分别提取出每一个所述相关用户对应的历史网络行为序列,以得到至少一条候选相关历史网络行为序列,再依据所述候选历史网络行为组合,对所述至少一条候选相关历史网络行为序列进行筛选,以得到至少一条目标相关历史网络行为序列,在每一条所述目标相关历史网络行为序列中,都包括所述候选历史网络行为组合对应的两个候选历史网络行为,且该两个候选历史网络行为在所述目标相关历史网络行为序列中的先后关系,与该两个候选历史网络行为在所述候选历史网络行为序列中的先后关系一致(即倘若在所述目标相关历史网络行为序列,候选历史网络行为1位于候选历史网络行为2之前,则在所述候选历史网络行为序列,候选历史网络行为1也位于候选历史网络行为2之前);
在所述目标相关历史网络行为序列的数量等于1的情况下,依据所述目标相关历史网络行为序列中位于所述候选历史网络行为组合对应的两个候选历史网络行为之间的相关历史网络行为(如中间位置的相关历史网络行为或持续时间最长的相关历史网络行为,也可以是综合位置和持续时间两个维度进行选择),对该候选历史网络行为组合进行行为补充操作,以形成该候选历史网络行为组合对应的补充历史网络行为组合;
在所述目标相关历史网络行为序列的数量等于1的情况下,从多个目标相关历史网络行为序列中,分析出代表目标相关历史网络行为序列,再依据所述代表目标相关历史网络行为序列中位于所述候选历史网络行为组合对应的两个候选历史网络行为之间的相关历史网络行为(如中间位置的相关历史网络行为或持续时间最长的相关历史网络行为,也可以是综合位置和持续时间两个维度进行选择),对该候选历史网络行为组合进行行为补充操作,以形成该候选历史网络行为组合对应的补充历史网络行为组合。
可以理解的是,所述从多个目标相关历史网络行为序列中,分析出代表目标相关历史网络行为序列的步骤,在一些示例中,包括以下子步骤:
对于每两个目标相关历史网络行为序列,计算出该两个目标相关历史网络行为序列之间的最大重合度,以作为该两个目标相关历史网络行为序列之间的第一匹配系数(在该两个目标相关历史网络行为序列的长度一致时,可以直接确定该两个目标相关历史网络行为序列之间具有相同的相关历史网络行为的序列位置的数量占比,以作为该最大重合,在该两个目标相关历史网络行为序列的长度不一致时,可以将长度较短的一个目标相关历史网络行为序列分别与长度较长的一个目标相关历史网络行为序列中的对应长度的子序列进行重合度计算,再将具有的最大值作为最大重合度);
以每一个目标相关历史网络行为序列为例,将该目标相关历史网络行为序列包括的每相邻两个相关历史网络行为进行连接,以构建形成该目标相关历史网络行为序列对应的相关历史网络行为主干链路,再针对该相关历史网络行为主干链路上的每一个相关历史网络行为,从其它相关历史网络行为主干链路中,截取出该相关历史网络行为对应的每一个相关历史网络行为分支链路,再将该相关历史网络行为作为一个合并点,以将该相关历史网络行为分支链路合并至该相关历史网络行为主干链路,以形成该目标相关历史网络行为序列对应的相关历史网络行为分布树形结构,其中,所述相关历史网络行为分支链路的链路起点为相关历史网络行为,且该所述相关历史网络行为分支链路未被该相关历史网络行为主干链路覆盖,每一个相关历史网络行为分支链路的长度相同,可以等于预先配置参考长度;
以每一个目标相关历史网络行为序列为例,对该目标相关历史网络行为序列对应的相关历史网络行为分布树形结构进行遍历,以形成该目标相关历史网络行为序列对应的遍历路径集合,所述遍历路径集合包括至少一条遍历路径,所述遍历路径中的每相邻两个关历史网络行为,在所述相关历史网络行为分布树形结构中具有连接关系;
对于每两个目标相关历史网络行为序列,分别计算该两个目标相关历史网络行为序列对应的遍历路径集合之间的每两条遍历路径之间的路径重合度(可以参照前文中对序列的重合度的计算过程,其中,为了进一步提高计算精度,在计算具有相同的相关历史网络行为的序列位置的数量占比,即计算算具有相同的相关历史网络行为的路径位置的数量占比时,可以对都属于主干链路上的两个相关历史网络行为对应的路径位置进行加权,如一个该路径位置的数量标记为1.5或2等数值,一个不都属于主干链路上的两个相关历史网络行为对应的路径位置的数量标记为1,加权的幅度可以依据具有的相关历史网络行为分支链路的数量确定,该数量与该幅度可以正相关,另外,该数量等于都属于主干链路上的两个相关历史网络行为具有的相关历史网络行为分支链路的数量的平均值),以作为该两个目标相关历史网络行为序列之间的第二匹配系数;
依据每一个所述目标相关历史网络行为序列与其它目标相关历史网络行为序列之间具有的第一匹配系数和第二匹配系数,从多个目标相关历史网络行为序列中,查找出代表目标相关历史网络行为序列(例如,对于每两个目标相关历史网络行为序列,可以先计算该两个目标相关历史网络行为序列之间的第一匹配系数和第二匹配系数的加权和值,再针对每一个目标相关历史网络行为序列,计算该目标相关历史网络行为序列与每一个其它目标相关历史网络行为序列之间的该加权和值的均值,以作为该目标相关历史网络行为序列对应的筛选优先级,再将具有最大筛选优先级的一个目标相关历史网络行为序列作为代表目标相关历史网络行为序列)。
可以理解的是,步骤S120,在一些示例中,可以包括以下子步骤:
分别对每一条所述历史网络行为进行第一行为意图分析处理,以提取出每一条所述历史网络行为对应的行为动作信息(如购买等)和行为对象信息(A物品等),再将所述行为动作信息和所述行为对象信息作为对应的第一意图数据(如购买A物品等);
依据每一条所述历史网络行为在所述目标历史网络行为序列中的序列位置,确定出每一条所述历史网络行为对应的第一意图数据的序列位置,以构建形成对应的目标历史网络行为意图序列。
可以理解的是,步骤S130,在一些示例中,可以包括以下子步骤:
通过进行网络优化操作形成的目标行为意图分析神经网络包括的优化后意图数据挖掘子网络,对所述目标历史网络行为意图序列进行意图数据挖掘操作,输出所述目标历史网络行为意图序列对应的意图数据挖掘结果(也就是说,从所述目标历史网络行为意图序列中挖掘出关键信息);
通过所述目标行为意图分析神经网络包括的优化后意图分析子网络,对所述意图数据挖掘结果进行意图分析操作,以形成所述目标历史网络行为序列对应的目标意图数据(即从挖掘出的关键信息中,进一步分析出整个行为序列的真正意图数据,例如,历史网络行为A是观看到有A物品的视频,历史网络行为B是搜索A物品的科普信息,历史网络行为C是与其它用户进行关于A物品的网络交流,则得到的真正意图数据与A物品有关,如想要购买A物品等,具体的结果,可以根据所述优化后意图分析子网络从大量的用于进行网络优化的数据学习到的信息进行确定,例如,在该数据中,对应的相关或匹配的示例性意图数据挖掘结果,对应的真正意图数据为购买A物品,则所述目标意图数据为购买A物品,另外,所述优化后意图分析子网络实际上可以是一个多分类网络,以为所述意图数据挖掘结果分配对应的目标意图数据,其具体的训练过程可以参照相关的现有技术,即参照多分类网络的训练过程,在此不做具体限定)。
可以理解的是,所述优化后意图数据挖掘子网络的优化步骤,在一些示例中,可以包括以下子步骤:
提取到第一网络行为意图序列组合,并搭建初始神经网络,所述第一网络行为意图序列组合包括多个第一网络行为意图序列簇,每一个所述第一网络行为意图序列簇包括具有相同意图数据的至少两个第一网络行为意图序列,所述初始神经网络包括初级意图数据挖掘子网络和与所述初级意图数据挖掘子网络的输出连接的挖掘结果转换子网络(示例性地,所述第一网络行为意图序列组合包括的每一个第一网络行为意图序列都为携带意图标识信息,即表明对应的一系列行为的实际意图数据);
利用所述第一网络行为意图序列组合,对所述初始神经网络进行至少一次初级网络优化操作,所述初级网络优化操作包括:分别对每一个所述第一网络行为意图序列簇包括的第一网络行为意图序列进行加载操作,以加载至所述初始神经网络中,分析输出每一个所述第一网络行为意图序列对应的意图数据挖掘转换结果(示例性地,所述初级意图数据挖掘子网络可以对所述第一网络行为意图序列进行意图数据挖掘,如对所述第一网络行为意图序列进行编码处理,以得到对应的意图数据挖掘结果,所述挖掘结果转换子网络再对该意图数据挖掘结果进行向量空间的转换,以得到对应的意图数据挖掘转换结果,其中,进行向量空间的转换可以是指,将所述意图数据挖掘结果的尺寸转换到特定尺寸,如实现特征的压缩或拉伸等,如压缩为1维的,在此不做具体的限定);依据所述第一网络行为意图序列簇包括的第一网络行为意图序列对应的意图数据挖掘转换结果之间的结果匹配度和各所述第一网络行为意图序列簇包括的第一网络行为意图序列对应的意图数据挖掘转换结果之间的结果匹配度,分析输出所述初始神经网络的初级网络学习代价值,并依据所述初级网络学习代价值对所述初始神经网络的网络权重进行优化操作(由于一个第一网络行为意图序列簇中的第一网络行为意图序列都具有相同的意图数据,各第一网络行为意图序列簇中的第一网络行为意图序列之间对应的意图数据不同,因此,可以依据一个第一网络行为意图序列簇中的第一网络行为意图序列对应的意图数据挖掘转换结果之间的结果匹配度和各第一网络行为意图序列簇中的第一网络行为意图序列对应的意图数据挖掘转换结果之间的结果匹配度,来分析出所述初始神经网络的初级网络学习代价值,该初级网络学习代价值用于反映一个第一网络行为意图序列簇中第一网络行为意图序列之间的差异性和不同第一网络行为意图序列簇中的第一网络行为意图序列之间的相似性,该初级网络学习代价值用于越小,表征所述初始神经网络学习到的具有相同意图数据的第一网络行为意图序列的意图数据挖掘结果之间的结果匹配度越大,具有不同意图数据的第一网络行为意图序列的意图数据挖掘结果之间的结果匹配度越小,如此,可以基于所述初级网络学习代价值对所述初始神经网络进行不断的优化,使得所述初始神经网络可以不断的学习出结果匹配度越来越高的具有相同意图数据的不同第一网络行为意图序列的意图数据挖掘结果和结果匹配度越来越小的具有不同意图数据的不同第一网络行为意图序列的意图数据挖掘结果);
提取到第二网络行为意图序列组合,所述第二网络行为意图序列组合包括携带意图标识信息的多个第二网络行为意图序列,每一个所述第二网络行为意图序列对应的意图标识信息用于反映该第二网络行为意图序列包括的网络行为的实际意图数据(可以基于人工标注形成);
对与目标优化规则匹配的初级意图数据挖掘子网络进行标记处理,形成对应的中级意图数据挖掘子网络,再利用所述第二网络行为意图序列组合,对所述中级意图数据挖掘子网络进行网络优化操作(例如,可以先估计出所述利用所述第二网络行为意图序列组合对应的估计意图数据,再依据该估计意图数据和所述实际意图数据,对所述中级意图数据挖掘子网络进行网络优化操作),以及,对优化后的中级意图数据挖掘子网络进行标记处理,以形成对应的优化后意图数据挖掘子网络。
可以理解的是,所述优化后意图数据挖掘子网络的优化步骤,在一些示例中,还可以包括以下子步骤:提取到参考意图数据挖掘结果组合,所述参考意图数据挖掘结果组合包括第二网络行为意图序列组合对应的每一个参考意图数据的参考意图数据挖掘结果。基于此,所述对与目标优化规则匹配的初级意图数据挖掘子网络进行标记处理,形成对应的中级意图数据挖掘子网络,再利用所述第二网络行为意图序列组合,对所述中级意图数据挖掘子网络进行网络优化操作,以及,对优化后的中级意图数据挖掘子网络进行标记处理,以形成对应的优化后意图数据挖掘子网络的步骤,在一些示例中,可以包括以下子步骤:
对与目标优化规则匹配的初级意图数据挖掘子网络进行标记处理,形成对应的中级意图数据挖掘子网络(与目标优化规则匹配的初级意图数据挖掘子网络可以是指,当前得到的初级网络学习代价值小于设定阈值);
利用所述第二网络行为意图序列组合对所述中级意图数据挖掘子网络进行至少一次中级网络优化操作,所述中级网络优化操作包括:分别对所述第二网络行为意图序列组合包括的每一个第二网络行为意图序列进行加载操作,以加载至所述中级意图数据挖掘子网络中,分析输出每一个所述第二网络行为意图序列对应的意图数据挖掘结果(可以参照前文的相关描述);针对每一个第二网络行为意图序列,依据该第二网络行为意图序列对应的意图数据挖掘结果和所述参考意图数据挖掘结果组合中的每一个参考意图数据挖掘结果之间的结果匹配度,分析输出该第二网络行为意图序列对应的第一估计意图数据(示例性地,所述参考意图数据挖掘结果组合中的每一个参考意图数据挖掘结果对应有意图标识信息,即实际意图数据,因此,可以基于所述第二网络行为意图序列对应的意图数据挖掘结果和所述参考意图数据挖掘结果组合中的每一个参考意图数据挖掘结果之间的结果匹配度,来确定出所述第二网络行为意图序列对应的第一估计意图数据,例如,可以将结果匹配度最大的参考意图数据挖掘结果对应的意图标识信息,作为所述第一估计意图数据);依据每一个所述第二网络行为意图序列对应的第一估计意图数据和对应的意图标识信息(之间的差异性),分析输出对应的中级网络学习代价值,并基于所述中级网络学习代价值对所述中级意图数据挖掘子网络的网络权重进行优化操作;
对优化后的中级意图数据挖掘子网络进行标记处理,以形成对应的优化后意图数据挖掘子网络。
可以理解的是,所述提取到参考意图数据挖掘结果组合的步骤,在一些示例中,可以包括以下子步骤:
形成随机配置意图数据挖掘结果组合,所述随机配置意图数据挖掘结果组合包括所述第二网络行为意图序列组合对应的每一个参考意图数据的随机配置意图数据挖掘结果;
将所述随机配置意图数据挖掘结果组合标记为需要优化的网络权重,以利用所述第二网络行为意图序列组合进行至少一次高级网络优化操作,形成所述随机配置意图数据挖掘结果组合对应的参考意图数据挖掘结果组合,所述高级网络优化操作包括:分别对所述第二网络行为意图序列组合包括的每一个第二网络行为意图序列进行加载操作,以加载至所述中级意图数据挖掘子网络中,分析输出每一个所述第二网络行为意图序列对应的意图数据挖掘结果;针对每一个所述第二网络行为意图序列,依据该第二网络行为意图序列的意图数据挖掘结果和所述随机配置意图数据挖掘结果组合包括的每一个随机配置意图数据挖掘结果之间的结果匹配度,分析输出该第二网络行为意图序列对应的第二估计意图数据;依据每一个所述第二网络行为意图序列对应的第二估计意图数据和对应的意图标识信息,分析输出对应的高级网络学习代价值,并依据所述高级网络学习代价值对所述随机配置意图数据挖掘结果组合包括的网络权重进行优化操作(例如,对所述随机配置意图数据挖掘结果组合进行优化,使得可以形成需要说明的是参考意图数据挖掘结果组合,在本发明实施例中,初级、中级和高级对应的各种描述,仅仅是为了对不同的术语进行区分,并不具有其它限定含义,如初级网络优化操作、中级网络优化操作和高级网络优化操作仅仅是指不同的三次网络优化操作)。
可以理解的是,所述提取到参考意图数据挖掘结果组合的步骤,在另一些示例中,可以包括以下子步骤:
从所述第二网络行为意图序列组合中,确定出每一种实际意图数据对应的多个示例性网络行为意图序列(也就是说,可以按照对应实际意图数据,对所述第二网络行为意图序列组合进行分类;另外,倘若经过分类之后,其中一种实际意图数据对应的多个示例性网络行为意图序列的数量小于预先配置的数量参考值,可以基于该多个示例性网络行为意图序列扩展出该实际意图数据对应的至少一个新的示例性网络行为意图序列,如此,可以将该多个示例性网络行为意图序列和该至少一个新的示例性网络行为意图序列都作为实际意图数据对应的示例性网络行为意图序列;其中,扩展的方式包括,对应原始的示例性网络行为意图序列进行顺序变形或序列之间包括的示例性网络行为意图进行交换,得到候选示例性网络行为意图序列,再通过对候选示例性网络行为意图序列进行意图数据挖掘,以将挖掘结果与原始的示例性网络行为意图序列的挖掘结果进行比较,以将挖掘结果相似的候选示例性网络行为意图序列,作为新的示例性网络行为意图序列,其它的候选示例性网络行为意图序列筛除即可);
分别对每一种实际意图数据对应的多个示例性网络行为意图序列进行加载操作,以加载至所述中级意图数据挖掘子网络中,分析输出每一个所述示例性网络行为意图序列对应的意图数据挖掘结果;
针对每一种所述实际意图数据,依据该实际意图数据对应的多个示例性网络行为意图序列对应的意图数据挖掘结果,分析得到该实际意图数据对应的参考意图数据挖掘结果(示例性地,可以将该实际意图数据对应的多个示例性网络行为意图序列对应的意图数据挖掘结果进行均值化计算,以得到所述实际意图数据对应的参考意图数据挖掘结果)。
可以理解的是,所述初级意图数据挖掘子网络可以包括顺序连接的多个意图数据挖掘网络层(具体数量不受限制),基于此,所述基于所述中级网络学习代价值对所述中级意图数据挖掘子网络的网络权重进行优化操作的步骤,在一些示例中,可以包括以下子步骤:
依据所述中级网络学习代价值对所述中级意图数据挖掘子网络的目标网络权重进行优化操作,所述目标网络权重为所述中级意图数据挖掘子网络包括的属于输出端一侧的意图数据挖掘网络层的网络权重(示例性地,可以依据预先配置的比例,将所述初级意图数据挖掘子网络包括的多个意图数据挖掘网络层进行划分,以形成属于输入端一侧的意图数据挖掘网络层和属于输出端一侧的意图数据挖掘网络层,其中,属于输入端一侧的意图数据挖掘网络层相较于属于输出端一侧的意图数据挖掘网络层的连接顺序可以更靠前,即最后的一个属于输入端一侧的意图数据挖掘网络层的输出数据,作为第一个属于输出端一侧的意图数据挖掘网络层的输入数据,基于此,可以实现优化效率和优化效果的兼顾,其中,优化效果可以是指优化后的意图数据挖掘子网络的数据挖掘精度较高;另外,进行网络层的划分的比例具体数值不受限制,如5:5、4:6、3:7等)。
结合图3,本发明实施例还提供一种应用人工智能模型的用户需求分析装置,可应用于上述应用人工智能模型的用户需求分析系统。其中,所述应用人工智能模型的用户需求分析装置可以包括以下软件功能模块:
网络行为序列提取模块,用于提取到目标用户的目标历史网络行为序列,所述目标历史网络行为序列包括多条历史网络行为,且所述多条历史网络行为基于对应的历史行为时间排序,每一条所述历史网络行为属于所述目标用户进行的网络行为;
第一行为意图分析处理模块,用于分别对每一条所述历史网络行为进行第一行为意图分析处理,以形成所述目标历史网络行为序列对应的目标历史网络行为意图序列,所述目标历史网络行为意图序列包括每一条历史网络行为对应的第一意图数据;
第二行为意图分析处理模块,用于通过进行网络优化操作形成的目标行为意图分析神经网络,对所述目标历史网络行为意图序列进行第二行为意图分析处理,以形成所述目标历史网络行为序列对应的目标意图数据,所述目标意图数据用于反映出所述目标用户基于所述多条历史网络行为具有的用户需求。
综上所述,本发明提供的一种应用人工智能模型的用户需求分析方法及系统,提取到目标用户的目标历史网络行为序列;分别对每一条历史网络行为进行第一行为意图分析处理,以形成目标历史网络行为序列对应的目标历史网络行为意图序列,目标历史网络行为意图序列包括每一条历史网络行为对应的第一意图数据;通过进行网络优化操作形成的目标行为意图分析神经网络,对目标历史网络行为意图序列进行第二行为意图分析处理,以形成目标历史网络行为序列对应的目标意图数据,目标意图数据用于反映出目标用户基于多条历史网络行为具有的用户需求。也就是说,在进行初步的第一行为意图分析处理之后,还进一步通过目标行为意图分析神经网络进行第二行为意图分析处理,使得行为意图分析处理的精度较高,另外,还从行为序列进行整体的需求分析,使得分析依据更为充分,从而在一定程度上改善现有技术中用户需求分析的可靠度不高的问题。
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 (10)
1.一种应用人工智能模型的用户需求分析方法,其特征在于,包括:
提取到目标用户的目标历史网络行为序列,所述目标历史网络行为序列包括多条历史网络行为,且所述多条历史网络行为基于对应的历史行为时间排序,每一条所述历史网络行为属于所述目标用户进行的网络行为;
分别对每一条所述历史网络行为进行第一行为意图分析处理,以形成所述目标历史网络行为序列对应的目标历史网络行为意图序列,所述目标历史网络行为意图序列包括每一条历史网络行为对应的第一意图数据;
通过进行网络优化操作形成的目标行为意图分析神经网络,对所述目标历史网络行为意图序列进行第二行为意图分析处理,以形成所述目标历史网络行为序列对应的目标意图数据,所述目标意图数据用于反映出所述目标用户基于所述多条历史网络行为具有的用户需求。
2.如权利要求1所述的应用人工智能模型的用户需求分析方法,其特征在于,所述提取到目标用户的目标历史网络行为序列的步骤,包括:
提取到目标用户的初始历史网络行为序列,所述目初始历史网络行为序列包括多条初始历史网络行为,且所述多条初始历史网络行为基于对应的历史行为时间排序,每一条所述初始历史网络行为属于所述目标用户在对应的历史行为时间进行的网络行为;
依据每一条所述初始历史网络行为对应的历史行为时间的时间长度,对所述初始历史网络行为序列进行筛选,以得到候选历史网络行为序列,所述候选历史网络行为序列包括的每一条候选历史网络行为对应的历史行为时间的时间长度大于或等于预先配置的时间长度阈值;
对于所述候选历史网络行为序列中的每两条相邻的候选历史网络行为,对该两条相邻的候选历史网络行为之间的时间间隔与预先配置的时间间隔阈值进行大小比较处理,并在该两条相邻的候选历史网络行为之间的时间间隔大于或等于所述时间间隔阈值的情况下,将该两条相邻的候选历史网络行为标记为候选历史网络行为组合;
对于每一个所述候选历史网络行为组合,依据所述目标用户的至少一个相关用户在历史时间上进行的相关历史网络行为,对该候选历史网络行为组合进行行为补充操作,以形成该候选历史网络行为组合对应的补充历史网络行为组合,所述补充历史网络行为组合包括对应的候选历史网络行为组合中的两条相邻的候选历史网络行为和补充的相关历史网络行为;
依据所述候选历史网络行为和所述补充的相关历史网络行为,组合形成对应的目标历史网络行为序列。
3.如权利要求1所述的应用人工智能模型的用户需求分析方法,其特征在于,所述分别对每一条所述历史网络行为进行第一行为意图分析处理,以形成所述目标历史网络行为序列对应的目标历史网络行为意图序列的步骤,包括:
分别对每一条所述历史网络行为进行第一行为意图分析处理,以提取出每一条所述历史网络行为对应的行为动作信息和行为对象信息,再将所述行为动作信息和所述行为对象信息作为对应的第一意图数据;
依据每一条所述历史网络行为在所述目标历史网络行为序列中的序列位置,确定出每一条所述历史网络行为对应的第一意图数据的序列位置,以构建形成对应的目标历史网络行为意图序列。
4.如权利要求1-3任意一项所述的应用人工智能模型的用户需求分析方法,其特征在于,所述通过进行网络优化操作形成的目标行为意图分析神经网络,对所述目标历史网络行为意图序列进行第二行为意图分析处理,以形成所述目标历史网络行为序列对应的目标意图数据的步骤,包括:
通过进行网络优化操作形成的目标行为意图分析神经网络包括的优化后意图数据挖掘子网络,对所述目标历史网络行为意图序列进行意图数据挖掘操作,输出所述目标历史网络行为意图序列对应的意图数据挖掘结果;
通过所述目标行为意图分析神经网络包括的优化后意图分析子网络,对所述意图数据挖掘结果进行意图分析操作,以形成所述目标历史网络行为序列对应的目标意图数据。
5.如权利要求4所述的应用人工智能模型的用户需求分析方法,其特征在于,所述优化后意图数据挖掘子网络的优化步骤,包括:
提取到第一网络行为意图序列组合,并搭建初始神经网络,所述第一网络行为意图序列组合包括多个第一网络行为意图序列簇,每一个所述第一网络行为意图序列簇包括具有相同意图数据的至少两个第一网络行为意图序列,所述初始神经网络包括初级意图数据挖掘子网络和与所述初级意图数据挖掘子网络的输出连接的挖掘结果转换子网络;
利用所述第一网络行为意图序列组合,对所述初始神经网络进行至少一次初级网络优化操作,所述初级网络优化操作包括:分别对每一个所述第一网络行为意图序列簇包括的第一网络行为意图序列进行加载操作,以加载至所述初始神经网络中,分析输出每一个所述第一网络行为意图序列对应的意图数据挖掘转换结果;依据所述第一网络行为意图序列簇包括的第一网络行为意图序列对应的意图数据挖掘转换结果之间的结果匹配度和各所述第一网络行为意图序列簇包括的第一网络行为意图序列对应的意图数据挖掘转换结果之间的结果匹配度,分析输出所述初始神经网络的初级网络学习代价值,并依据所述初级网络学习代价值对所述初始神经网络的网络权重进行优化操作;
提取到第二网络行为意图序列组合,所述第二网络行为意图序列组合包括携带意图标识信息的多个第二网络行为意图序列,每一个所述第二网络行为意图序列对应的意图标识信息用于反映该第二网络行为意图序列包括的网络行为的实际意图数据;
对与目标优化规则匹配的初级意图数据挖掘子网络进行标记处理,形成对应的中级意图数据挖掘子网络,再利用所述第二网络行为意图序列组合,对所述中级意图数据挖掘子网络进行网络优化操作,以及,对优化后的中级意图数据挖掘子网络进行标记处理,以形成对应的优化后意图数据挖掘子网络。
6.如权利要求5所述的应用人工智能模型的用户需求分析方法,其特征在于,所述优化后意图数据挖掘子网络的优化步骤,还包括:提取到参考意图数据挖掘结果组合,所述参考意图数据挖掘结果组合包括第二网络行为意图序列组合对应的每一个参考意图数据的参考意图数据挖掘结果;
所述对与目标优化规则匹配的初级意图数据挖掘子网络进行标记处理,形成对应的中级意图数据挖掘子网络,再利用所述第二网络行为意图序列组合,对所述中级意图数据挖掘子网络进行网络优化操作,以及,对优化后的中级意图数据挖掘子网络进行标记处理,以形成对应的优化后意图数据挖掘子网络的步骤,包括:
对与目标优化规则匹配的初级意图数据挖掘子网络进行标记处理,形成对应的中级意图数据挖掘子网络;
利用所述第二网络行为意图序列组合对所述中级意图数据挖掘子网络进行至少一次中级网络优化操作,所述中级网络优化操作包括:分别对所述第二网络行为意图序列组合包括的每一个第二网络行为意图序列进行加载操作,以加载至所述中级意图数据挖掘子网络中,分析输出每一个所述第二网络行为意图序列对应的意图数据挖掘结果;针对每一个第二网络行为意图序列,依据该第二网络行为意图序列对应的意图数据挖掘结果和所述参考意图数据挖掘结果组合中的每一个参考意图数据挖掘结果之间的结果匹配度,分析输出该第二网络行为意图序列对应的第一估计意图数据;依据每一个所述第二网络行为意图序列对应的第一估计意图数据和对应的意图标识信息,分析输出对应的中级网络学习代价值,并基于所述中级网络学习代价值对所述中级意图数据挖掘子网络的网络权重进行优化操作;
对优化后的中级意图数据挖掘子网络进行标记处理,以形成对应的优化后意图数据挖掘子网络。
7.如权利要求6所述的应用人工智能模型的用户需求分析方法,其特征在于,所述提取到参考意图数据挖掘结果组合的步骤,包括:
形成随机配置意图数据挖掘结果组合,所述随机配置意图数据挖掘结果组合包括所述第二网络行为意图序列组合对应的每一个参考意图数据的随机配置意图数据挖掘结果;
将所述随机配置意图数据挖掘结果组合标记为需要优化的网络权重,以利用所述第二网络行为意图序列组合进行至少一次高级网络优化操作,形成所述随机配置意图数据挖掘结果组合对应的参考意图数据挖掘结果组合,所述高级网络优化操作包括:分别对所述第二网络行为意图序列组合包括的每一个第二网络行为意图序列进行加载操作,以加载至所述中级意图数据挖掘子网络中,分析输出每一个所述第二网络行为意图序列对应的意图数据挖掘结果;针对每一个所述第二网络行为意图序列,依据该第二网络行为意图序列的意图数据挖掘结果和所述随机配置意图数据挖掘结果组合包括的每一个随机配置意图数据挖掘结果之间的结果匹配度,分析输出该第二网络行为意图序列对应的第二估计意图数据;依据每一个所述第二网络行为意图序列对应的第二估计意图数据和对应的意图标识信息,分析输出对应的高级网络学习代价值,并依据所述高级网络学习代价值对所述随机配置意图数据挖掘结果组合包括的网络权重进行优化操作。
8.如权利要求6所述的应用人工智能模型的用户需求分析方法,其特征在于,所述提取到参考意图数据挖掘结果组合的步骤,包括:
从所述第二网络行为意图序列组合中,确定出每一种实际意图数据对应的多个示例性网络行为意图序列;
分别对每一种实际意图数据对应的多个示例性网络行为意图序列进行加载操作,以加载至所述中级意图数据挖掘子网络中,分析输出每一个所述示例性网络行为意图序列对应的意图数据挖掘结果;
针对每一种所述实际意图数据,依据该实际意图数据对应的多个示例性网络行为意图序列对应的意图数据挖掘结果,分析得到该实际意图数据对应的参考意图数据挖掘结果。
9.如权利要求6所述的应用人工智能模型的用户需求分析方法,其特征在于,所述初级意图数据挖掘子网络包括顺序连接的多个意图数据挖掘网络层,所述基于所述中级网络学习代价值对所述中级意图数据挖掘子网络的网络权重进行优化操作的步骤,包括:
依据所述中级网络学习代价值对所述中级意图数据挖掘子网络的目标网络权重进行优化操作,所述目标网络权重为所述中级意图数据挖掘子网络包括的属于输出端一侧的意图数据挖掘网络层的网络权重。
10.一种应用人工智能模型的用户需求分析系统,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现权利要求1-9任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211637906.5A CN115757900B (zh) | 2022-12-20 | 2022-12-20 | 应用人工智能模型的用户需求分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211637906.5A CN115757900B (zh) | 2022-12-20 | 2022-12-20 | 应用人工智能模型的用户需求分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115757900A true CN115757900A (zh) | 2023-03-07 |
CN115757900B CN115757900B (zh) | 2023-08-01 |
Family
ID=85347550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211637906.5A Active CN115757900B (zh) | 2022-12-20 | 2022-12-20 | 应用人工智能模型的用户需求分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115757900B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307218A (zh) * | 2023-03-27 | 2023-06-23 | 松原市邹佳网络科技有限公司 | 基于人工智能的元宇宙体验用户行为预测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446374A (zh) * | 2018-03-16 | 2018-08-24 | 北京三快在线科技有限公司 | 用户意图预测方法、装置、电子设备、存储介质 |
US20200034431A1 (en) * | 2018-07-25 | 2020-01-30 | Baidu Online Network Technology (Bijing ) Co., Ltd. | Method, computer device and readable medium for user's intent mining |
CN111274501A (zh) * | 2020-02-25 | 2020-06-12 | 支付宝(杭州)信息技术有限公司 | 推送信息的方法、系统和非暂时性存储介质 |
CN112613308A (zh) * | 2020-12-17 | 2021-04-06 | 中国平安人寿保险股份有限公司 | 用户意图识别方法、装置、终端设备及存储介质 |
WO2021208696A1 (zh) * | 2020-11-19 | 2021-10-21 | 平安科技(深圳)有限公司 | 用户意图分析方法、装置、电子设备及计算机存储介质 |
CN114647790A (zh) * | 2022-04-01 | 2022-06-21 | 刘中申 | 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 |
CN114817747A (zh) * | 2022-05-25 | 2022-07-29 | 铜仁市恒盛网络科技有限公司 | 基于互联网大数据的用户行为分析方法及云计算业务系统 |
-
2022
- 2022-12-20 CN CN202211637906.5A patent/CN115757900B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446374A (zh) * | 2018-03-16 | 2018-08-24 | 北京三快在线科技有限公司 | 用户意图预测方法、装置、电子设备、存储介质 |
US20200034431A1 (en) * | 2018-07-25 | 2020-01-30 | Baidu Online Network Technology (Bijing ) Co., Ltd. | Method, computer device and readable medium for user's intent mining |
CN111274501A (zh) * | 2020-02-25 | 2020-06-12 | 支付宝(杭州)信息技术有限公司 | 推送信息的方法、系统和非暂时性存储介质 |
WO2021208696A1 (zh) * | 2020-11-19 | 2021-10-21 | 平安科技(深圳)有限公司 | 用户意图分析方法、装置、电子设备及计算机存储介质 |
CN112613308A (zh) * | 2020-12-17 | 2021-04-06 | 中国平安人寿保险股份有限公司 | 用户意图识别方法、装置、终端设备及存储介质 |
CN114647790A (zh) * | 2022-04-01 | 2022-06-21 | 刘中申 | 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 |
CN114817747A (zh) * | 2022-05-25 | 2022-07-29 | 铜仁市恒盛网络科技有限公司 | 基于互联网大数据的用户行为分析方法及云计算业务系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307218A (zh) * | 2023-03-27 | 2023-06-23 | 松原市邹佳网络科技有限公司 | 基于人工智能的元宇宙体验用户行为预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115757900B (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110310114B (zh) | 对象分类方法、装置、服务器及存储介质 | |
CN108681742B (zh) | 用于分析司机驾驶行为对车辆能耗敏感性的分析方法 | |
CN111723226B (zh) | 基于大数据和互联网的信息管理方法及人工智能云服务器 | |
CN111931809A (zh) | 数据的处理方法、装置、存储介质及电子设备 | |
CN110825969A (zh) | 数据处理方法、装置、终端和存储介质 | |
CN112036476A (zh) | 基于二分类业务的数据特征选择方法、装置及计算机设备 | |
CN115830649A (zh) | 一种网络资产指纹特征的识别方法、装置及电子设备 | |
CN113543117B (zh) | 携号转网用户的预测方法、装置及计算设备 | |
CN115757900A (zh) | 应用人工智能模型的用户需求分析方法及系统 | |
CN115294397A (zh) | 一种分类任务的后处理方法、装置、设备及存储介质 | |
CN115687732A (zh) | 基于ai和流式计算的用户分析方法及系统 | |
CN115687674A (zh) | 服务于智慧云服务平台的大数据需求分析方法及系统 | |
CN114897085A (zh) | 一种基于封闭子图链路预测的聚类方法及计算机设备 | |
CN114676279A (zh) | 图像检索方法、装置、设备及计算机可读存储介质 | |
CN111782805A (zh) | 一种文本标签分类方法及系统 | |
CN112464007A (zh) | 基于人工智能和互联网的数据分析方法及、系统及平台 | |
CN116451081A (zh) | 数据漂移的检测方法、装置、终端及存储介质 | |
CN115730152A (zh) | 基于用户画像分析的大数据处理方法及大数据处理系统 | |
CN112749851B (zh) | 基于人工智能的大数据需求预测方法及大数据云服务中心 | |
CN115841144A (zh) | 一种文本检索模型的训练方法及装置 | |
CN114528908A (zh) | 网络请求数据分类模型训练方法、分类方法及存储介质 | |
CN116662415B (zh) | 基于数据挖掘的智能匹配方法及系统 | |
CN111209428A (zh) | 图像检索方法、装置、设备及计算机可读存储介质 | |
CN117058432B (zh) | 图像查重方法、装置、电子设备及可读存储介质 | |
CN116167829B (zh) | 一种多维多粒度用户行为分析方法 |
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: 20230710 Address after: 518110 A2806, Block A, Longguang Jiuzuan Business Center, Tenglong Road, Daling Community, Minzhi Street, Longhua District, Shenzhen City, Guangdong Province Applicant after: Chuangmao Technology (Shenzhen) Group Co.,Ltd. Address before: 054000 10-04, No. 257, Zhongxing Road, Xindu District, Xingtai City, Hebei Province Applicant before: Xingtai Dazhen Network Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |