CN115860836B - 一种基于用户行为大数据分析的电商服务推送方法及系统 - Google Patents

Abstract

本申请实施例提供的基于用户行为大数据分析的电商服务推送方法及系统，处理的过程中对拟分析的用户行为数据日志进行多分析维度的用户行为数据表征向量的挖掘，然后衡量每一类分析维度的数据对于用户行为分析的影响程度，依据各个分析维度的用户行为数据表征向量和对应的影响程度，获取用于确定日志分析结果的各分析维度的选定表征向量。通过掌握每一类分析维度的用户行为数据表征向量对用户行为分析造成对应程度的影响，令对用户行为分析影响程度大的数据的表征向量能够得到更好的应用，减少影响程度小的数据的表征向量的应用，以依据各个分析维度的选定表征向量增强用户行为分析的准确性，有利于进行准确地商品服务推送，减少无效推送。

Description

一种基于用户行为大数据分析的电商服务推送方法及系统

技术领域

本申请涉及数据处理领域，具体而言，涉及一种基于用户行为大数据分析的电商服务推送方法及系统。

背景技术

随着数据时代的降临，各行各业的经营发展开始注重数据分析。通过对大数据分析，可以了解产品的市场、用户的喜好，通过数据解决运营问题。随着电商的不断发展，网上购物变得越来越普遍，大量电商平台的崛起，对于电商运营者而言，增加的不仅仅是用户基数，还有越来越多的竞争对手。基于此战，如何借助大数据手段，分析用户行为，结合分析结果进行电商服务的精准推送，是提升自身竞争力的有效方法。而上述过程离不开对用户行为大数据的精准分析，例如基于机器学习对用户数据进行分析，通过挖掘用户行为数据的特征矢量，按照调试好的分析网络进行用户行为画像的预测，并根据画像结果进行适配的电商产品推送，上述过程中，如何准确挖掘用户行为数据的特征矢量是影响分析结果的重要课题。需要言明的是，上述背景技术的描述，仅为帮助理解本申请的技术。

发明内容

本发明的目的在于提供一种基于用户行为大数据分析的电商服务推送方法及系统。

本申请实施例的技术方案是这样实现的：

第一方面，本申请实施例提供了一种基于用户行为大数据分析的电商服务推送方法，应用于电商服务器，所述方法包括：

获取拟分析的用户行为数据日志，其中，所述拟分析的用户行为数据日志为从预设的日志数据库中调取得到的，所述日志数据库中的用户行为数据日志是基于预设的埋点项目获取的用户在电商平台上的行为大数据，并基于预设的hdfs文件系统整理得到的；对于所述拟分析的用户行为数据日志，挖掘所述拟分析的用户行为数据日志对应的不少于两类分析维度的用户行为数据表征向量；对于每一类分析维度的用户行为数据表征向量，基于所述分析维度的用户行为数据表征向量，确定所述分析维度的用户行为数据表征向量的分析影响系数，每一类分析维度的用户行为数据表征向量的分析影响系数用于指示所述分析维度的用户行为数据表征向量对于用户行为分析的影响程度；依据各个分析维度的用户行为数据表征向量以及对应的分析影响系数，确定每一类分析维度的选定表征向量；依据各个分析维度的选定表征向量，确定所述拟分析的用户行为数据日志对应于所述用户行为分析的分析结果；基于所述分析结果向所述拟分析的用户行为数据日志对应的用户登陆终端进行电商服务的推送。

作为一种实施方式，所述依据各个分析维度的用户行为数据表征向量以及对应的分析影响系数，确定每一类分析维度的选定表征向量，包括：对于每一类分析维度的用户行为数据表征向量，确定所述分析维度的用户行为数据表征向量与所述不少于两类分析维度的用户行为数据表征向量中每一类分析维度的用户行为数据表征向量之间的牵涉程度；对于每一类分析维度的用户行为数据表征向量，基于所述分析维度的用户行为数据表征向量与所述不少于两类分析维度的用户行为数据表征向量中每一类分析维度的用户行为数据表征向量之间的牵涉程度，对所述不少于两类分析维度的用户行为数据表征向量中各分析维度的用户行为数据表征向量进行表征向量整合处理，得到所述分析维度的整合处理后的行为数据表征向量；通过每一类分析维度对应的分析影响系数，对相应分析维度的整合处理后的行为数据表征向量进行影响系数干预，得到每一类分析维度的选定表征向量。

作为一种实施方式，所述对于所述拟分析的用户行为数据日志，挖掘所述拟分析的用户行为数据日志对应的不少于两类分析维度的用户行为数据表征向量，包括：对所述拟分析的用户行为数据日志对应的如下数据维度中的一个或多个数据维度进行表征向量挖掘，得到每个数据维度的数据表征向量，将每个数据维度的数据表征向量确定为一个分析维度的用户行为数据表征向量：所述拟分析的用户行为数据日志；所述拟分析的用户行为数据日志相应的描述记录信息；一个或多个事件数据组中的每个事件数据组，每个所述事件数据组为所述拟分析的用户行为数据日志中一个目标行为事件位于的日志数据范围。

作为一种实施方式，所述对于所述拟分析的用户行为数据日志，挖掘得到所述拟分析的用户行为数据日志的不少于两类分析维度的用户行为数据表征向量，包括：对所述拟分析的用户行为数据日志进行表征向量挖掘，得到所述拟分析的用户行为数据日志的日志整体表征向量；依据所述日志整体表征向量，推理确定所述拟分析的用户行为数据日志中与所述用户行为分析对应的一个或多个目标行为事件数据组；对所述目标行为事件数据组进行表征向量挖掘，得到日志核心表征向量，将所述日志核心表征向量确定为一个分析维度的用户行为数据表征向量。

作为一种实施方式，所述日志整体表征向量包括多个表征向量提取集合，所述依据所述日志整体表征向量，推理确定所述拟分析的用户行为数据日志与所述用户行为分析对应的一个或多个目标行为事件数据组，包括：将所述多个表征向量提取集合中同一位置的表征元素的向量值进行整合，得到整合处理后的表征向量提取集合；基于所述整合处理后的表征向量提取集合，确定所述整合处理后的表征向量提取集合中每个表征元素的影响系数，每个表征元素的影响系数用于指示所述表征元素对应的事件数据组对所述用户行为分析的重要度；基于所述整合处理后的表征向量提取集合中各个表征元素的影响系数，确定所述拟分析的用户行为数据日志中的目标行为事件数据组。

作为一种实施方式，所述一个或多个数据维度包括所述描述记录信息，所述对所述一个或多个数据维度中的各个数据维度分别进行表征向量挖掘，得到每个数据维度的数据表征向量，包括：对所述描述记录信息中的每个描述记录元素进行表征向量挖掘，得到每个描述记录元素的局部表征向量；对于所述描述记录信息进行整体表征向量挖掘，得到所述描述记录信息的整体表征向量；将所述描述记录信息的整体表征向量和各个描述记录元素的局部表征向量进行整合，得到所述描述记录信息的描述记录信息表征向量，将所述描述记录信息表征向量确定为一个分析维度的用户行为数据表征向量；其中，所述将所述描述记录信息的整体表征向量和各个描述记录元素的局部表征向量进行整合，得到所述描述记录信息的描述记录信息表征向量，包括：将所述描述记录信息的整体表征向量和各个描述记录元素的局部表征向量进行整合，得到整合表征向量；对所述整合表征向量进行二次表征向量挖掘，将所述整合表征向量变换到与所述用户行为分析对应的表征向量值域，将二次表征向量挖掘得到的表征向量确定为所述描述记录信息的描述记录信息表征向量。

作为一种实施方式，对于每一类分析维度的用户行为数据表征向量，所述基于所述分析维度的用户行为数据表征向量，确定所述分析维度的用户行为数据表征向量的分析影响系数，包括：当所述分析维度的用户行为数据表征向量为日志本身的表征向量时，依据所述日志本身的表征向量中的每个表征向量提取集合，确定每个表征向量提取集合的影响系数；通过所述日志本身的表征向量中每个表征向量提取集合的影响系数，对相应的表征向量提取集合进行影响系数干预，基于影响系数干预后的各表征向量提取集合，确定所述日志本身的表征向量的影响系数；当所述分析维度的用户行为数据表征向量为描述记录信息表征向量时，依据所述描述记录信息表征向量中各个表征元素的向量值，确定所述描述记录信息表征向量的影响系数。

作为一种实施方式，所述方法为依据调试完成的数据处理网络进行执行，所述数据处理网络的调试过程包括如下步骤：获取用户行为数据日志调试集合，所述用户行为数据日志调试集合包括多个匹配指示信息的用户行为数据日志调试模板，每个所述用户行为数据日志调试模板的指示信息用于指示所述用户行为数据日志调试模板对应于所述用户行为分析的实际分析结果；基于所述用户行为数据日志调试集合对目标网络迭代进行调试优化，直到符合预设的调试截止要求，将符合预设的调试截止要求时的目标网络确定为调试完成的数据处理网络，其中，所述调试优化的过程包括：针对每一所述用户行为数据日志调试模板，挖掘所述用户行为数据日志调试模板对应的不少于两类分析维度的调试模板表征向量；针对每一所述用户行为数据日志调试模板，依据所述用户行为数据日志调试模板的每一类分析维度的调试模板表征向量，确定所述用户行为数据日志调试模板的所述分析维度的调试模板表征向量的影响系数；针对每一所述用户行为数据日志调试模板，依据所述用户行为数据日志调试模板的每一类分析维度的调试模板表征向量以及对应的分析影响系数，确定所述用户行为数据日志调试模板的每一类分析维度的目标调试模板表征向量；针对每一所述用户行为数据日志调试模板，依据所述用户行为数据日志调试模板的各分析维度的目标调试模板表征向量，推理确定所述用户行为数据日志调试模板对应于所述用户行为分析的第一分析结果；依据各个所述用户行为数据日志调试模板的指示信息和各分析维度对应的分析影响系数，确定第一调试误差，依据各个所述用户行为数据日志调试模板的指示信息和第一分析结果，确定第二调试误差，基于所述第一调试误差和所述第二调试误差，得到合计调试误差；如果不符合所述调试截止要求，基于所述合计调试误差对目标网络的网络参变量进行优化调节。

作为一种实施方式，所述目标网络包括第一处理模块和第二处理模块，其中，所述第一处理模块为事先调试完成的；针对每一所述用户行为数据日志调试模板，所述挖掘所述用户行为数据日志调试模板对应的不少于两类分析维度的调试模板表征向量，包括：通过所述第一处理模块挖掘所述用户行为数据日志调试模板对应的第一描述记录信息表征向量、调试模板表征向量、以及所述用户行为数据日志调试模板中一个或多个目标行为事件中每个目标行为事件位于的日志数据范围的局部调试模板表征向量；通过所述第二处理模块对所述第一描述记录信息表征向量进行表征向量变换操作，得到第二描述记录信息表征向量，并通过所述第二处理模块识别所述用户行为数据日志调试模板中与用户行为分析对应的调试目标行为事件数据组，挖掘所述调试目标行为事件数据组的调试核心表征向量；将所述第二描述记录信息表征向量、调试模板表征向量、每个目标行为事件对应的局部调试模板表征向量和所述调试核心表征向量分别确定为一个分析维度的调试模板表征向量；其中，每一类分析维度的调试模板表征向量的影响系数和所述用户行为数据日志调试模板的第一分析结果是通过第二处理模块确定的；所述对目标网络的网络参变量优化调节包括：对所述第二处理模块的网络参变量进行优化调节。或者；针对每一所述用户行为数据日志调试模板，所述挖掘所述用户行为数据日志调试模板对应的不少于两类分析维度的调试模板表征向量，包括：挖掘所述用户行为数据日志调试模板的日志整体表征向量；依据所述用户行为数据日志调试模板的日志整体表征向量，确定所述用户行为数据日志调试模板中的调试目标行为事件数据组，并挖掘所述调试目标行为事件数据组的调试核心表征向量，将所述调试核心表征向量确定为一个分析维度的调试模板表征向量；所述调试优化还包括：针对每一所述用户行为数据日志调试模板，依据所述用户行为数据日志调试模板的调试核心表征向量对应的日志整体表征向量，推理确定所述用户行为数据日志调试模板对应的第二分析结果；依据各个所述用户行为数据日志调试模板对应的指示信息和第二分析结果，确定第三调试误差；所述基于所述第一调试误差和所述第二调试误差，得到合计调试误差，包括：基于所述第一调试误差、所述第二调试误差和所述第三调试误差，得到合计调试误差。

第二方面，本申请实施例提供一种电商服务推送系统，包括互相通信的电商服务器和终端设备，所述终端设备用于存储日志数据库，所述电商服务器包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器用于在执行所述计算机程序时，实现以上所述的方法。

本申请实施例提供的基于用户行为大数据分析的电商服务推送方法及系统，在对拟分析的用户行为数据日志进行处理的过程中，对拟分析的用户行为数据日志进行多分析维度的用户行为数据表征向量的挖掘，然后依据各个分析维度的用户行为数据表征向量衡量每一类分析维度的数据对于用户行为分析的影响程度，即影响系数，以及依据各个分析维度的用户行为数据表征向量和对应的影响程度，获取用于确定日志分析结果的各分析维度的选定表征向量。通过推理确定每一类分析维度的数据的影响程度，可以掌握每一类分析维度的用户行为数据表征向量对用户行为分析造成对应程度的影响，令对用户行为分析影响程度大的数据的表征向量能够得到更好的应用，减少影响程度小的数据的表征向量的应用，以依据各个分析维度的选定表征向量增强用户行为分析的准确性，有利于进行准确地商品服务推送，减少无效推送，节约数据运算开销。

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

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1是本申请实施例提供的电商服务推送系统的组成示意图。

图2是本申请实施例提供的一种基于用户行为大数据分析的电商服务推送方法的流程图。

图3是本申请实施例提供的电商服务推送装置的功能模块架构示意图。

图4是本申请实施例提供的一种电商服务器的组成示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

在以下的描述中，涉及到“一些实施例”、“作为一种实施方式/方案”、“在一种实施方式中”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”、“作为一种实施方式/方案”、“在一种实施方式中”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

在以下的描述中，所涉及的术语“第一\第二\第三”等类似术语，仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

本申请实施例提供的基于用户行为大数据分析的电商服务推送方法可以由电商服务器执行，例如是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

图1是本申请实施例提供的电商服务推送系统的组成示意图。本申请实施例提供的电商服务推送系统400中包括终端设备100、网络200和电商服务器300，多个终端设备100和电商服务器300之间通过网络200实现通信连接。电商服务器300用于执行本申请实施例提供的方法。具体地，本申请实施例提供了一种基于用户行为大数据分析的电商服务推送方法，该方法应用于电商服务器300，如图2所示，该方法包括：

STEP10：获取拟分析的用户行为数据日志。

拟分析的用户行为数据日志为从预设的日志数据库中调取得到的，日志数据库可以设置在终端设备100中。该日志数据库中的用户行为数据日志是基于预设的埋点项目(例如PC端、WAP、嵌入小程序等)获取的用户在电商平台上的行为大数据，并基于预设的hdfs文件系统整理得到的。埋点项目的类型例如是在hdfs之前，还可以通过数据采集Flume、Kafka进行预处理，其中涉及到的具体配置(source、channel、拦截器，如ETL拦截器、日志类型区分拦截器)不做限定。

STEP20：对于拟分析的用户行为数据日志，挖掘拟分析的用户行为数据日志对应的不少于两类分析维度的用户行为数据表征向量。

本申请实施例中，分析维度代表不同的数据对应的模态，一个模态的数据对应一个分析维度，对于拟分析的用户行为数据日志，基于拟分析的用户行为数据日志对应的不同模态的数据挖掘其对应的不少于两类分析维度的用户行为数据表征向量，用户行为数据表征向量是对用户行为数据日志中的用户行为数据进行特征挖掘，提取得到的矢量表达信息，其可以具备不同维度。作为一种实施方式，不同分析维度涉及到的数据例如为拟分析的用户行为数据日志、拟分析的用户行为数据日志相应的描述记录信息、拟分析的用户行为数据日志中的事件数据组等。其中，描述记录信息可以是对拟分析的用户行为数据日志进行描述的信息，例如可以是文本或者预设的指代编码，描述记录信息的内容可以是对包含的行为事件的描述，拟分析的用户行为数据日志中的事件数据组可以是包含的各个事件的组成数据的集合，例如行为事件A为商品收藏，则对应的事件数据组是商品收藏行为涉及到的数据的组合。通过对拟分析的用户行为数据日志进行整体表征向量挖掘，得到拟分析的用户行为数据日志的日志整体表征向量，通过描述记录信息进行表征向量挖掘，得到拟分析的用户行为数据日志的描述记录信息表征向量，通过对事件数据组进行表征向量挖掘，得到拟分析的用户行为数据日志对应的局部调试模板表征向量，日志整体表征向量、描述记录信息表征向量、局部调试模板表征向量可以分别确定为一个分析维度的用户行为数据表征向量。可以理解，在对拟分析的用户行为数据日志进行表征向量挖掘之前，进行数据准备的过程，预处理得到需要挖掘的数据，例如若基于诸如CNN(卷积神经网络)的网络模型进行表征向量提取，可以先将拟分析的用户行为数据日志中的数据按照矩阵建立二维数据，再进行独热编码并进行数据归一化操作。特征挖掘提取前的数据预处理步骤为成熟现有技术，此处不再赘述。

作为一种作为一种可选的实施方式实施方式，对于拟分析的用户行为数据日志，挖掘拟分析的用户行为数据日志对应的不少于两类分析维度的用户行为数据表征向量，具体可以包括：对拟分析的用户行为数据日志对应的如下数据维度中的一个或多个数据维度进行表征向量挖掘，得到每个数据维度的数据表征向量，将每个数据维度的数据表征向量确定为一个分析维度的用户行为数据表征向量：拟分析的用户行为数据日志；拟分析的用户行为数据日志相应的描述记录信息；一个或多个事件数据组中的每个事件数据组，每个事件数据组为拟分析的用户行为数据日志中一个目标行为事件位于的日志数据范围。其中，每一类分析维度的用户行为数据表征向量可以通过相应的目标网络进行挖掘。事件数据组为拟分析的用户行为数据日志中的目标行为事件所在的数据范围的局部数据，目标行为事件为具体的某一类行为事件，其选择可以根据实际情况进行配置。当拟分析的用户行为数据日志中的目标行为事件有多个时，每个目标行为事件在拟分析的用户行为数据日志中位于的日志数据范围皆可以各自作为一个事件数据组，通过对每一事件数据组都进行表征向量挖掘，得到每个事件数据组对应的日志本身的表征向量，每个事件数据组对应的日志本身的表征向量都可以确定为一个分析维度的用户行为数据表征向量。

相对于拟分析的用户行为数据日志的表征向量(可以理解成拟分析的用户行为数据日志的日志整体表征向量，称为第一日志表征向量)，事件数据组对应的日志本身的表征向量可以认为是拟分析的用户行为数据日志的局部调试模板表征向量。获取局部调试模板表征向量时，可先确定拟分析的用户行为数据日志中每个目标行为事件所在的数据组(例如可以基于标识符限定不同的行为事件，如<START-1>、<END-1>；<START-2>、<END-2>)，然后基于表征向量挖掘网络对识别确定的数据组进行表征向量挖掘，得到每个目标行为事件对应的局部调试模板表征向量。

对于拟分析的用户行为数据日志相应的描述记录信息，如果是文字，基于文本识别得到拟分析的用户行为数据日志的描述记录信息，再基于对描述记录信息进行表征向量挖掘，得到相应的描述记录信息表征向量，如果是事件指代编码，可以对指代编码序列进行独热编码得到量化信息，再进行表征向量挖掘。一个或多个数据维度包括拟分析的用户行为数据日志相应的描述记录信息，描述记录信息表征向量可以采用如下方式获取：对描述记录信息中的每个描述记录元素(如果是文字，则描述记录元素为分词，如果是事件指代编码，则事件指代编码为对应的编码结果，当然，划分的粒度可以根据需要进行配置)进行表征向量挖掘，得到每个描述记录元素的局部表征向量；对于描述记录信息进行整体表征向量挖掘，得到描述记录信息的整体表征向量；将描述记录信息的整体表征向量和各个描述记录元素的局部表征向量进行整合，得到描述记录信息的描述记录信息表征向量，将描述记录信息表征向量确定为一个分析维度的用户行为数据表征向量。

本申请将描述记录信息中的描述记录元素和描述记录信息进行区分，分别挖掘描述记录信息的整体表征向量和各描述记录元素局部表征向量，得到不同粒度的表征向量，能兼顾描述记录信息整体的数据表征含义和描述记录信息中各个描述记录元素的数据表证含义，将描述记录信息的各描述记录元素的局部表征向量和描述记录信息的整体表征向量整合处理(如拼接或相加)，获得的描述记录信息表征向量得到强化，还可以对整合后的表征向量进行二次表征向量挖掘，得到拟分析的用户行为数据日志的描述记录信息表征向量。

作为一种实施方式，描述记录信息的整体表征向量和各个描述记录元素的局部表征向量进行整合，得到描述记录信息的描述记录信息表征向量，具体可以包括：将描述记录信息的整体表征向量和各个描述记录元素的局部表征向量进行整合得到整合表征向量；通过对整合表征向量进行二次表征向量挖掘，将整合表征向量变换到与用户行为分析对应的表征向量值域，将二次表征向量挖掘得到的表征向量确定为描述记录信息的描述记录信息表征向量。例如，基于包括级联的多个FC(全连接)单元将整合处理后的行为数据表征向量投影到预设的表征向量值域，投影获得的表征向量即拟分析的用户行为数据日志的描述记录信息表征向量。

本申请通过调试完成的数据处理网络执行，数据处理网络可包括执行描述记录信息表征向量挖掘的描述记录信息表征向量挖掘网络、挖掘其他分析维度的表征向量的表征向量挖掘网络和其他步骤实现的网络。对数据处理网络进行调试的过程中，为增强网络性能，加速调试，描述记录信息表征向量挖掘网络可以是事先调试完成的，换言之在对数据处理网络调试时，描述记录信息表征向量挖掘网络的网络参变量不变，然而可能让描述记录信息表征向量挖掘网络挖掘得到的描述记录信息表征向量是普适性的，不能针对用户行为分析，基于此，本申请实施例在用于普适性表征向量挖掘的描述记录信息表征向量挖掘网络后接连FC，通过调试，FC将表征向量挖掘网络挖掘得到的普适性表征向量变换成适用用户行为分析的描述记录信息表征向量，加强分析效果。

作为一种可选的实施方式，不少于两类分析维度的用户行为数据表征向量包括拟分析的用户行为数据日志中目标行为事件数据组(核心事件数据组)的日志本身的表征向量(日志核心表征向量)，核心事件数据组的日志核心表征向量可以采取如下步骤获取：对拟分析的用户行为数据日志进行表征向量挖掘，得到拟分析的用户行为数据日志的日志整体表征向量(称作第二日志表征向量)；依据日志整体表征向量，推理确定拟分析的用户行为数据日志中与用户行为分析对应的一个或多个目标行为事件数据组；对目标行为事件数据组进行表征向量挖掘，得到日志核心表征向量，将日志核心表征向量确定为一个分析维度的用户行为数据表征向量。本申请实施例中，第二日志表征向量和第一日志表征向量都是拟分析的用户行为数据日志的日志整体表征向量，第二日志表征向量和第一日志表征向量可以相同或不同的。换言之，将拟分析的用户行为数据日志加载至调试完成的数据处理网络，得到日志的日志整体表征向量，视作第一日志表征向量，也可以视作第二日志表征向量，或者采用两个不同的数据表征向量挖掘网络分别对拟分析的用户行为数据日志进行整体表征向量挖掘，得到第一日志表征向量和第二日志表征向量。

其中，目标行为事件数据组是拟分析的用户行为数据日志中与用户行为分析牵涉程度或关联程度高的数据，换言之，其对拟分析的用户行为数据日志的分析结果起到至关重要的影响的事件数据组。目标行为事件数据组的识别和表征向量挖掘可以通过调试完成的目标网络执行，作为一种可选的实施方式，调试过程中，用户行为数据日志调试模板注释用户行为数据日志调试模板中的目标行为事件数据组，换言之，用户行为数据日志调试模板的核心事件数据组已经事先确定，可通过大量的用户行为数据日志调试模板进行目标网络的调试，令目标网络可以基于用户行为数据日志调试模板中注解好的目标行为事件数据组，自主学习日志中核心事件数据组。获取到调试完成的网络后，通过其识别出拟分析的用户行为数据日志中的目标行为事件数据组，以对其进行表征向量挖掘得到日志核心表征向量。

作为一种可选的实施方式，在识别分析的用户行为数据日志中的目标行为事件数据组时，日志整体表征向量包括多个表征向量提取集合，依据所述日志整体表征向量，推理确定拟分析的用户行为数据日志与用户行为分析对应的一个或多个目标行为事件数据组，可以具体包括：将多个表征向量提取集合中同一位置的表征元素的向量值进行整合，得到整合处理后的表征向量提取集合；基于整合处理后的表征向量提取集合，确定整合处理后的表征向量提取集合中每个表征元素的影响系数，每个表征元素的影响系数用于指示该表征元素对应的事件数据组对所述用户行为分析的重要度，可以通过权重表示；基于整合处理后的表征向量提取集合中各个表征元素的影响系数，确定拟分析的用户行为数据日志中的目标行为事件数据组。

其中，第二日志表征向量中的多个表征向量提取集合(表征向量提取集合即一次表征向量提取得到的表征向量的集合，在一些实施例中，称其为特征图)是不同通道(Channel)的表征向量提取集合，本申请可采取对第二日志表征向量的不同通道的表征向量提取集合进行表征向量整合，具体地，将多个表征向量提取集合整合至一个表征向量提取集合，例如将多个表征向量提取集合中同一位置的多个向量值进行整合，得到对应位置的整合向量值(整合的方式例如为求均值或最大值)。表征向量提取集合中的每个表征元素或称特征点，对应拟分析的用户行为数据日志中的一数据区域，每个表征元素的向量值指示表征元素对应的事件数据组的数据含义。获得表征向量提取集合的整合处理后的表征向量提取集合后，本申请可依据所述整合处理后的表征向量提取集合推理确定表征向量提取集合中各个表征元素对于用户行为分析的影响力(影响系数，或权重)，接着依据各个表征元素对应的分析影响系数确定整合处理后的表征向量提取集合中的核心分布，核心分布在拟分析的用户行为数据日志中对应的事件数据组即为拟分析的用户行为数据日志中的核心事件数据组。作为一种可选的实施方式，将整合处理后的表征向量提取集合拆解成多个数组，获取每一个数组中的表征元素的影响系数的平均值，将最大的平均值对应的数组对应的事件数据组确定为核心事件数据组。

作为一种可选的实施方式，确定拟分析的用户行为数据日志中目标行为事件数据组可以是通过注意力机制的目标网络完成，例如Bi-LSTM，具体不做限定。具体应用中，不少于两类分析维度的用户行为数据表征向量包括拟分析的用户行为数据日志的第一日志表征向量、描述记录信息表征向量、局部调试模板表征向量和日志核心表征向量。

STEP30：对于每一类分析维度的用户行为数据表征向量，基于该分析维度的用户行为数据表征向量，确定该分析维度的用户行为数据表征向量的分析影响系数，每一类分析维度的用户行为数据表征向量的分析影响系数用于指示该分析维度的用户行为数据表征向量对于用户行为分析的影响程度。

用户行为分析的分析结果可以是用户的画像，基于该用户画像可以识别用户的需求，有助于针对性地进行电商服务的推送，例如推送用户画像匹配的商品，减少无效推送，节约数据资源占用。对于拟分析的用户行为数据日志，根据不同的分析需求进行行为分析，不同模态的数据对于行为分析的影响力可能并不一致，例如分析购买倾向，拟分析的用户行为数据日志中事件数据组或购买相关的描述记录信息影响力较大，可以赋予更高的影响系数。在获取到各种分析维度的用户行为数据表征向量后，基于每一类分析维度的用户行为数据表征向量，确定该分析维度的用户行为数据表征向量的重要程度(影响系数)，如此，在依据各个分析维度的用户行为数据表征向量确定拟分析的用户行为数据日志对应于用户行为分析的分析结果时，能基于每一类分析维度的用户行为数据表征向量的分析影响系数掌握不同分析维度的用户行为数据表征向量产生的影响，比如减少和用户行为分析关联性低的分析维度的用户行为数据表征向量的影响，增加和用户行为分析关联性高的分析维度的用户行为数据表征向量的影响。其中，每一类分析维度的用户行为数据表征向量的分析影响系数的过程不做限定，例如通过调试完成的目标网络来推理确定每一类分析维度对应的分析影响系数，作为一种可选的实施方式，对于每一类分析维度的用户行为数据表征向量，该分析维度的用户行为数据表征向量的分析影响系数的确定过程包括：当该分析维度的用户行为数据表征向量为日志本身的表征向量时，依据日志本身的表征向量中的每个表征向量提取集合，确定每个表征向量提取集合的影响系数，依据各个表征向量提取集合以及各个表征向量提取集合的影响系数，确定日志本身的表征向量的影响系数；当所述分析维度的用户行为数据表征向量为描述记录信息表征向量时，依据所述描述记录信息表征向量中各个表征元素的向量值，确定所述描述记录信息表征向量的影响系数。其中，对于日志本身分析维度的日志本身的表征向量，每一类分析维度的日志本身的表征向量包括多个表征向量提取集合，因为不同通道的表征向量提取集合的作用相异，则在确定该分析维度的用户行为数据表征向量的分析影响系数的过程，先确定所述分析维度的每个表征向量提取集合的影响系数，并通过每个表征向量提取集合的影响系数对表征向量提取集合进行影响系数干预(即将影响系数乘以表征向量提取集合，完成加权)，接着依据影响系数干预后的各个表征向量提取集合确定该分析维度的日志本身的表征向量对于用户行为分析的影响力。

作为一种可选的实施方式，对于日志本身分析维度的用户行为数据表征向量，该用户行为数据表征向量中的每个表征向量提取集合的影响系数的获取可以包括：对于日志本身的表征向量中的每个表征向量提取集合，确定表征向量提取集合中各个表征元素的向量值的平均结果，作为表征向量提取集合的影响系数。对于日志本身分析维度的日志本身的表征向量，得到日志本身的表征向量对应的影响系数干预后的各表征向量提取集合后，采用确定影响系数干预后的各个表征向量提取集合中的全部表征元素的向量值的平均结果作为日志本身的表征向量的影响系数。作为一种可选的实施方式，对于描述记录信息分析维度的用户行为数据表征向量，将描述记录信息表征向量中各个表征元素的向量值的平均结果作为描述记录信息表征向量的影响系数。

STEP40：依据各个分析维度的用户行为数据表征向量以及对应的分析影响系数，确定每一类分析维度的选定表征向量。

STEP50：依据各个分析维度的选定表征向量，确定拟分析的用户行为数据日志对应于用户行为分析的分析结果。

对于每一类分析维度的用户行为数据表征向量，确定得到每一类分析维度对应的分析影响系数后，可以基于该分析维度对应的分析影响系数对所述分析维度的用户行为数据表征向量进行更新，得到选定表征向量，令每一类分析维度的用户行为数据表征向量基于其对用户行为分析的影响力产生对应的激励。对于每一类分析维度，可以通过该分析维度的影响系数对所述分析维度的用户行为数据表征向量进行影响系数干预，得到所述分析维度的选定表征向量。或者，每一类分析维度的选定表征向量的获取过程包括：对于每一类分析维度的用户行为数据表征向量，确定该分析维度的用户行为数据表征向量与不少于两类分析维度的用户行为数据表征向量中每一类分析维度的用户行为数据表征向量之间的牵涉程度(即彼此相关连的程度)；对于每一类分析维度的用户行为数据表征向量，基于该分析维度的用户行为数据表征向量与不少于两类分析维度的用户行为数据表征向量中每一类分析维度的用户行为数据表征向量之间的牵涉程度，对不少于两类分析维度的用户行为数据表征向量中各分析维度的用户行为数据表征向量进行表征向量整合处理，得到所述分析维度的整合处理后的行为数据表征向量；通过每一类分析维度对应的分析影响系数对相应分析维度的整合处理后的行为数据表征向量进行影响系数干预，得到每一类分析维度的选定表征向量。

因为拟分析的用户行为数据日志的各分析维度的用户行为数据表征向量，是依据拟分析的用户行为数据日志的不同模态数据进行获取，各模态数据间具有关联，例如拟分析的用户行为数据日志相应的描述记录信息为用于描述拟分析的用户行为数据日志的，描述记录信息和日志间具有关联，另外，拟分析的用户行为数据日志的日志整体表征向量和日志中目标行为事件所在数据区间(事件数据组)的局部调试模板表征向量也具有关联。基于此，在获取到拟分析的用户行为数据日志的各分析维度的用户行为数据表征向量后，可以依据各个分析维度的用户行为数据表征向量之间的牵涉程度进行表征向量整合，得到每一类分析维度对应的整合处理后的行为数据表征向量，也就获取到以上所述更新后的表征向量，每一类分析维度对应的更新后的表征向量同时涵盖该分析维度的数据信息和其他分析维度的数据信息，如此增加各个分析维度对应的表征向量的表征能力，使行为分析结果更加准确可靠。

作为一种可选的实施方式，确定两种分析维度的用户行为数据表征向量的牵涉程度，例如是直接确定该两种分析维度的用户行为数据表征向量的关联度，或者先对每一类分析维度的用户行为数据表征向量进行第二次表征向量挖掘，得到每一类分析维度对应的二次挖掘后的表征向量，依据两种分析维度对应的二次挖掘后的表征向量确定两种分析维度的牵涉程度。对于每一类分析维度的用户行为数据表征向量，在确定该分析维度的用户行为数据表征向量与每一类分析维度的用户行为数据表征向量之间的牵涉程度的过程中，该分析维度本身间的牵涉程度可涵盖或不涵盖进去，比如将每一类分析维度的用户行为数据表征向量与该分析维度的用户行为数据表征向量的牵涉程度配置成预设结果，仅计算该分析维度的用户行为数据表征向量和该分析维度外的分析维度的用户行为数据表征向量间的牵涉程度，或者计算每一类分析维度的用户行为数据表征向量与该分析维度的用户行为数据表征向量之间的牵涉程度，例如对于每一类分析维度，采取不同的表征向量挖掘网络，对该分析维度的用户行为数据表征向量进行再次表征向量挖掘，得到该分析维度的用户行为数据表征向量对应的相异的二次挖掘后的表征向量，采取计算该两个二次挖掘后的表征向量间的牵涉程度，得到该分析维度的用户行为数据表征向量本身间的牵涉程度。作为一种可选的实施方式，依据各个分析维度的用户行为数据表征向量间的牵涉程度，得到每一类分析维度更新后的表征向量可以通过调试完成的采取注意力机制的目标网络(例如谷歌机器翻译模型)进行执行。获取到各个分析维度更新完成的表征向量后，通过每一类分析维度对应的分析影响系数，对相应分析维度的更新完成的表征向量进行影响系数干预，得到每一类分析维度的选定表征向量，每一类分析维度的选定表征向量同时将该分析维度的数据信息和该分析维度的数据信息与其他分析维度的数据信息的表征含义进行牵涉分析，以及衡量了该分析维度的数据信息对用户行为分析的影响程度，则依据各个分析维度的选定表征向量，获取到的分析结果更加精准。

作为一种可选的实施方式，可以将各分析维度的选定表征向量作为拟分析的用户行为数据日志的量化信息，基于调试完成的Decoder(解码模块)推理确定得到拟分析的用户行为数据日志的分析结果，或者基于全连接架构的分类投影网络进行分类，得到分析结果，还可以基于逻辑回归分析，得到分析结果，通过多分类器进行分类得到对应的分析结果，其具体过程不做限定。

STEP60：基于分析结果向拟分析的用户行为数据日志对应的用户登陆终端进行电商服务的推送。

例如，分析结果为用户的用户画像，那么针对对应的用户画像，将用户划分到不同的推送目标群体中，进行相应的电商服务推送，可以理解，电商服务推送的接收载体是用户登陆的终端，该终端登陆电商平台，例如应用程序、网页、小程序等。

本申请实施例提供的基于用户行为大数据分析的电商服务推送方法，可以为依据调试完成的数据处理网络进行执行的，该数据处理网络可以依据匹配指示信息的用户行为数据日志调试模板调试得到。在调试过程中，网络对用户行为数据日志调试模板的处理方式和调试完成的数据处理网络对拟分析的用户行为数据日志是一致的，但是调试过程和网络应用过程涉及的网络参变量不一致。用户行为数据日志调试模板的指示信息指示用户行为数据日志调试模板的实际分析结果，在调试过程中，将用户行为数据日志调试模板加载至网络，得到用户行为数据日志调试模板的推理结果，

依据各个用户行为数据日志调试模板的推理结果和指示信息以对网络调试5进行监督，令网络的推理结果逐渐靠近用户行为数据日志调试模板的实际结果，当调试符合截止要求(如网络收敛)时，得到调节好的数据处理网络。

下面介绍该数据处理网络调试的具体过程，包括：

STEP100：获取用户行为数据日志调试集合，用户行为数据日志调试集合包括多个匹配指示信息的用户行为数据日志调试模板，每个用户行为数0据日志调试模板的指示信息用于指示所述用户行为数据日志调试模板对应于用户行为分析的实际分析结果。

STEP200：基于用户行为数据日志调试集合对目标网络迭代进行STEP210～STEP250的调试优化，直到符合预设的调试截止要求，将符合预

设的调试截止要求时的目标网络确定为数据处理网络。其中，5STEP210～STEP250的调试优化包括：

STEP210：针对每一用户行为数据日志调试模板，挖掘所述用户行为数据日志调试模板对应的不少于两类分析维度的调试模板表征向量，基于每一类分析维度的调试模板表征向量，确定所述分析维度的调试模板表征向量的影响系数。

0STEP220：针对每一用户行为数据日志调试模板，依据所述用户行为数据日志调试模板的每一类分析维度的调试模板表征向量以及对应的分析影响系数，确定所述用户行为数据日志调试模板的每一类分析维度的目标调试模板表征向量。

STEP230：针对每一用户行为数据日志调试模板，依据所述用户行为数5据日志调试模板的各分析维度的目标调试模板表征向量，推理确定所述用户行为数据日志调试模板对应于用户行为分析的第一分析结果。

STEP240：依据各个用户行为数据日志调试模板的指示信息和各分析维度对应的分析影响系数，确定第一调试误差，依据各个用户行为数据日志调试模板的指示信息和第一分析结果，确定第二调试误差，基于第一调试误差和第二调试误差，得到合计调试误差。

STEP250：当不符合预设的调试截止要求时，基于合计调试误差对目标网络的网络参变量进行优化调节。

调试截止要求可据实而定，如调试的次数达到预设值，合计调试误差的变化率小于预设变化率等。

本申请实施例提供的上述调试过程，合计调试误差包含基于网络获取的各用户行为数据日志调试模板的分析结果和用户行为数据日志调试模板的实际分析结果间的第二调试误差，以及基于网络推理确定的各用户行为数据日志调试模板的各分析维度的用户行为数据表征向量的分析影响系数与用户行为数据日志调试模板的指示信息间的第一调试误差。其中，针对每一用户行为数据日志调试模板，可以依据该用户行为数据日志调试模板的指示信息，确定用户行为数据日志调试模板的各分析维度的用户行为数据表征向量的分析影响系数指示信息，即实际影响系数(实际的权值)，依据各个分析维度的实际影响系数和网络推理确定出的影响系数间的误差，确定第二调试误差。当网络的合计调试误差不符合预设要求或者调试次数不足时，则对网络参变量进行优化调节，然后继续对优化调节后的网络进行调试。

本申请通过以上两个误差对网络的调试进行监督，令调试完成的网络能推理确定出拟分析的用户行为数据日志的各分析维度的用户行为数据表征向量对应的分析影响系数，同时依据影响系数对每一类分析维度的表征向量进行调整，从而能精确推理出拟分析的用户行为数据日志的分析结果。

作为一种实施方式，本申请实施例提供的拟调试的目标网络(数据处理网络)可以包括描述记录信息表征向量挖掘网络、描述记录信息表征向量投影网络、日志表征向量挖掘网络、事件表征向量挖掘网络、核心数据识别网络、分析维度判别网络、分析维度整合网络和分析推理网络，对于任一日志(拟分析的用户行为数据日志或用户行为数据日志调试模板)，描述记录信息表征向量挖掘网络用于对日志进行表征向量挖掘，得到日志的初始描述记录信息表征向量，描述记录信息表征向量投影网络对初始描述记录信息表征向量进行二次挖掘，得到日志的最终描述记录信息表征向量。日志表征向量挖掘网络用于挖掘日志的日志整体表征向量。事件表征向量挖掘网络识别日志中目标行为事件所在的数据范围，挖掘目标行为事件所在范围的局部调试模板表征向量，核心数据识别网络识别日志中的核心事件数据组，并挖掘数据范围的日志核心表征向量，分析维度判别网络推理确定日志的各分析维度的用户行为数据表征向量的分析影响系数，分析维度整合网络基于日志的各分析维度的用户行为数据表征向量以及对应的分析影响系数，得到日志的每一类分析维度的选定表征向量，作为一种可选的实施方式，多分析维度整合分析维度可以先依据日志的各分析维度的用户行为数据表征向量之间的牵涉程度，对各分析维度的用户行为数据表征向量进行整合，得到每一类分析维度对应的整合处理后的行为数据表征向量，再通过每一类分析维度对应的分析影响系数，对相应分析维度的用户行为数据表征向量进行影响系数干预，得到每一类分析维度的选定表征向量，分析推理网络依据日志的各分析维度的选定表征向量，推理确定日志的分析结果。另外，本申请中该目标网络中的各个网络结构可以是任意可行的神经网络架构，对此不进行限定。作为一种可选的实施方式，各表征向量挖掘网络可以通过基于CNN的表征向量挖掘架构，描述记录信息表征向量投影网络可以包括级联的多个FC，分析维度判别网络可以通过基于LSTM的架构，多分析维度整合网络可以通过机器翻译模型的架构实现等。

作为一种实施方式，为了提升网络调试速度，网络的描述记录信息表征向量挖掘网络、日志表征向量挖掘网络和事件表征向量挖掘网络可以是事先调试完成，其网络参变量可以被确定下来，无需进行优化调节。作为一种可选的实施方式，目标网络包括第一处理模块和第二处理模块，第一处理模块为事先调试完成的；针对每一用户行为数据日志调试模板，挖掘用户行为数据日志调试模板对应的不少于两类分析维度的调试模板表征向量，包括：通过第一处理模块挖掘所述用户行为数据日志调试模板对应的第一描述记录信息表征向量、调试模板表征向量、以及所述用户行为数据日志调试模板中一个或多个目标行为事件中每个目标行为事件位于的日志数据范围的局部调试模板表征向量；通过第二处理模块对第一描述记录信息表征向量进行表征向量变换操作(映射投影)，得到第二描述记录信息表征向量，通过第二处理模块识别该用户行为数据日志调试模板中与用户行为分析对应的调试目标行为事件数据组(即用户行为数据日志调试模板中的核心事件数据组)，挖掘调试目标行为事件数据组的调试核心表征向量；将第二描述记录信息表征向量、调试模板表征向量、每个目标行为事件对应的局部调试模板表征向量和调试核心表征向量分别确定为一个分析维度的调试模板表征向量；其中，每一类分析维度的调试模板表征向量的影响系数和用户行为数据日志调试模板的第一分析结果通过第二处理模块确定；对目标网络的网络参变量优化调节包括对第二处理模块的网络参变量进行优化调节。

换言之，可选地，目标网络中的第一处理模块可以是事先调试完成的普适性网络，在调试优化中，可以仅对第二处理模块的网络参变量进行优化调节，如此能提高调试后的网络能力。在调试时，对于用户行为数据日志调试模板的描述记录信息表征向量，先通过事先调试完成的第一处理模块挖掘得到描述记录信息的第一描述记录信息表征向量，然后依据需要调试的第二处理模块，对第一描述记录信息表征向量进行二次挖掘得到第二描述记录信息表征向量，因为第二处理模块的网络参变量在调试时持续调节优化，则通过第二处理模块将第一描述记录信息表征向量变换成第二描述记录信息表征向量，可以令调试完成的目标网络获取到和用户行为分析更合适的描述记录信息表征向量。

针对每一用户行为数据日志调试模板，在得到所述用户行为数据日志调试模板对应的各分析维度的调试模板表征向量后，可采用分析维度判别网络确定所述用户行为数据日志调试模板的每一类分析维度的调试模板表征向量的影响系数，分析维度整合网络依据所述用户行为数据日志调试模板的各分析维度的调试模板表征向量及对应的分析影响系数，确定所述用户行为数据日志调试模板的各分析维度的目标调试模板表征向量，分析推理网络依据所述用户行为数据日志调试模板的各分析维度的目标调试模板表征向量，推理确定所述用户行为数据日志调试模板的第一分析结果。

基于上述调试过程，提高了网络调试效率，且描述记录信息表征向量投影网络通过调试，将事先调试完成的描述记录信息表征向量挖掘网络挖掘的第一描述记录信息表征向量变换成更合适的用于用户行为分析的第二描述记录信息表征向量。作为一种可选的实施方式，描述记录信息表征向量挖掘网络对用户行为数据日志调试模板进行表征向量挖掘时，先对用户行为数据日志调试模板进行描述记录信息识别并进行整体表征向量，对描述记录信息中的各个描述记录元素进行局部表征向量挖掘，将挖掘得到的各局部表征向量和整体表征向量整合得到第一描述记录信息表征向量，第一描述记录信息表征向量可以经过描述记录信息表征向量投影网络变换为第二描述记录信息表征向量。作为一种可选的实施方式，用户行为数据日志调试模板的不少于两类分析维度的调试模板表征向量包括调试核心表征向量，调试优化还包括：针对每一用户行为数据日志调试模板，依据所述用户行为数据日志调试模板的调试核心表征向量对应的日志整体表征向量(即目标网络挖掘的用以确定调试目标行为事件数据组的日志整体表征向量)，推理确定所述用户行为数据日志调试模板对应的第二分析结果；依据各个用户行为数据日志调试模板对应的指示信息和第二分析结果，确定第三调试误差。基于第一调试误差和第二调试误差得到合计调试误差包括：基于第一调试误差、第二调试误差和第三调试误差，得到合计调试误差。

上述调试过程，基于核心数据识别网络挖掘的用户行为数据日志调试模板的日志整体表征向量和用户行为数据日志调试模板的指示信息进行有监督训练调试，便于通过核心数据识别网络挖掘得到的日志整体表征向量能精确识别日志中包含的核心事件数据组，提高调试完成的数据处理网络的处理能力。作为一种可选的实施方式，不同的调试误差可以赋予对应的影响系数，获取合计调试误差时，通过调试误差对应的影响系数，对调试误差进行影响系数干预，然后求取和值，得到合计调试误差。

基于上述实施例，本申请实施例提供一种电商服务推送装置，图3是本申请实施例提供的一种电商服务推送装置340，如图3所示，所述装置340包括：

日志获取模块341，用于获取拟分析的用户行为数据日志，其中，所述拟分析的用户行为数据日志为从预设的日志数据库中调取得到的，所述日志数据库中的用户行为数据日志是基于预设的埋点项目获取的用户在电商平台上的行为大数据，并基于预设的hdfs文件系统整理得到的；

向量挖掘模块342，用于对于所述拟分析的用户行为数据日志，挖掘所述拟分析的用户行为数据日志对应的不少于两类分析维度的用户行为数据表征向量。

系数分配模块343，用于对于每一类分析维度的用户行为数据表征向量，基于所述分析维度的用户行为数据表征向量，确定所述分析维度的用户行为数据表征向量的分析影响系数，每一类分析维度的用户行为数据表征向量的分析影响系数用于指示所述分析维度的用户行为数据表征向量对于用户行为分析的影响程度；

向量确定模块344，用于依据各个分析维度的用户行为数据表征向量以及对应的分析影响系数，确定每一类分析维度的选定表征向量；

行为分析模块345，用于依据各个分析维度的选定表征向量，确定所述拟分析的用户行为数据日志对应于所述用户行为分析的分析结果；

数据推送模块346，用于基于所述分析结果向所述拟分析的用户行为数据日志对应的用户登陆终端进行电商服务的推送。

以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请装置实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

若本申请技术方案涉及个人或私密信息，应用本申请技术方案的产品在处理个人信息前，已明确告知个人信息处理规则，并取得个人自主同意。若本申请技术方案涉及敏感个人信息，应用本申请技术方案的产品在处理敏感个人信息前，已取得个人单独同意，并且同时满足“明示同意”的要求，同时在法律法规的范围内收集。例如，在摄像头等个人信息采集装置处，设置明确显著的标识告知已进入个人信息采集范围，将会对个人信息进行采集，若个人自愿进入采集范围即视为同意对其个人信息进行采集；或者在个人信息处理的装置上，利用明显的标识/信息告知个人信息处理规则的情况下，通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权；其中，个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式、处理的个人信息种类等信息。

需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述告警处理方法，并作为独立的产品销售或使用时，也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，本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该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电子设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read OnlyMemory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。

本申请实施例提供一种电子设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述告警处理方法。

本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述告警处理方法。所述计算机可读存储介质可以是瞬时性的，也可以是非瞬时性的。

本申请实施例提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序被计算机读取并执行时，实现上述方法中的部分或全部步骤。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(SoftwareDevelopmentKit，SDK)等等。

需要说明的是，图4是本申请实施例提供的一种电商服务器300的硬件实体示意图，如图4所示，该电商服务器300的硬件实体包括：处理器310、通信接口320和存储器330，其中：处理器310通常控制电商服务器300的总体操作。通信接口320可以使电子设备通过网络与其他终端或服务器通信。存储器330配置为存储由处理器310可执行的指令和应用，还可以缓存待处理器310以及电商服务器300中各模块待处理或已经处理的数据(例如，图像数据、音频数据、语音通信数据和视频通信数据)，可以通过闪存(FLASH)或随机访问存储器(RandomAccessMemory，RAM)实现。处理器310、通信接口320和存储器330之间可以通过总线340进行数据传输。这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。另外，在本申请实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ReadOnlyMemory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。或者，本申请上述集成的单元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，也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，本申请的技术方案本质上或者说对相关技术做出贡献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电子设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请的实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。

Claims (8)

1.一种基于用户行为大数据分析的电商服务推送方法，其特征在于，应用于电商服务器，所述方法包括：

获取拟分析的用户行为数据日志，其中，所述拟分析的用户行为数据日志为从预设的日志数据库中调取得到的，所述日志数据库中的用户行为数据日志是基于预设的埋点项目获取的用户在电商平台上的行为大数据，并基于预设的hdfs文件系统整理得到的；

对于所述拟分析的用户行为数据日志，挖掘所述拟分析的用户行为数据日志对应的不少于两类分析维度的用户行为数据表征向量；

对于每一类分析维度的用户行为数据表征向量，基于所述分析维度的用户行为数据表征向量，确定所述分析维度的用户行为数据表征向量的分析影响系数，每一类分析维度的用户行为数据表征向量的分析影响系数用于指示所述分析维度的用户行为数据表征向量对于用户行为分析的影响程度；

依据各个分析维度的用户行为数据表征向量以及对应的分析影响系数，确定每一类分析维度的选定表征向量；

依据各个分析维度的选定表征向量，确定所述拟分析的用户行为数据日志对应于所述用户行为分析的分析结果；

基于所述分析结果向所述拟分析的用户行为数据日志对应的用户登陆终端进行电商服务的推送；

所述对于所述拟分析的用户行为数据日志，挖掘所述拟分析的用户行为数据日志对应的不少于两类分析维度的用户行为数据表征向量，包括：

对所述拟分析的用户行为数据日志对应的如下数据维度中的一个或多个数据维度进行表征向量挖掘，得到每个数据维度的数据表征向量，将每个数据维度的数据表征向量确定为一个分析维度的用户行为数据表征向量：所述拟分析的用户行为数据日志；所述拟分析的用户行为数据日志相应的描述记录信息；一个或多个事件数据组中的每个事件数据组，每个所述事件数据组为所述拟分析的用户行为数据日志中一个目标行为事件位于的日志数据范围；

所述一个或多个数据维度包括所述描述记录信息，所述对所述一个或多个数据维度中的各个数据维度分别进行表征向量挖掘，得到每个数据维度的数据表征向量，包括：

对所述描述记录信息中的每个描述记录元素进行表征向量挖掘，得到每个描述记录元素的局部表征向量；

对于所述描述记录信息进行整体表征向量挖掘，得到所述描述记录信息的整体表征向量；

将所述描述记录信息的整体表征向量和各个描述记录元素的局部表征向量进行整合，得到所述描述记录信息的描述记录信息表征向量，将所述描述记录信息表征向量确定为一个分析维度的用户行为数据表征向量；其中，所述将所述描述记录信息的整体表征向量和各个描述记录元素的局部表征向量进行整合，得到所述描述记录信息的描述记录信息表征向量，包括：将所述描述记录信息的整体表征向量和各个描述记录元素的局部表征向量进行整合，得到整合表征向量；对所述整合表征向量进行二次表征向量挖掘，将所述整合表征向量变换到与所述用户行为分析对应的表征向量值域，将二次表征向量挖掘得到的表征向量确定为所述描述记录信息的描述记录信息表征向量；

对于拟分析的用户行为数据日志相应的描述记录信息，如果是文字，基于文本识别得到拟分析的用户行为数据日志的描述记录信息，再基于对描述记录信息进行表征向量挖掘，得到相应的描述记录信息表征向量，如果是事件指代编码，对指代编码序列进行独热编码得到量化信息，再进行表征向量挖掘；如果描述记录信息是文字，则描述记录元素为分词，如果描述记录信息是事件指代编码，则事件指代编码为对应的编码结果，划分的粒度可以根据需要进行配置。

2.根据权利要求1所述的方法，其特征在于，所述依据各个分析维度的用户行为数据表征向量以及对应的分析影响系数，确定每一类分析维度的选定表征向量，包括：

对于每一类分析维度的用户行为数据表征向量，确定所述分析维度的用户行为数据表征向量与所述不少于两类分析维度的用户行为数据表征向量中每一类分析维度的用户行为数据表征向量之间的牵涉程度；

对于每一类分析维度的用户行为数据表征向量，基于所述分析维度的用户行为数据表征向量与所述不少于两类分析维度的用户行为数据表征向量中每一类分析维度的用户行为数据表征向量之间的牵涉程度，对所述不少于两类分析维度的用户行为数据表征向量中各分析维度的用户行为数据表征向量进行表征向量整合处理，得到所述分析维度的整合处理后的行为数据表征向量；

通过每一类分析维度对应的分析影响系数，对相应分析维度的整合处理后的行为数据表征向量进行影响系数干预，得到每一类分析维度的选定表征向量。

3.根据权利要求1所述的方法，其特征在于，所述对于所述拟分析的用户行为数据日志，挖掘得到所述拟分析的用户行为数据日志的不少于两类分析维度的用户行为数据表征向量，包括：

对所述拟分析的用户行为数据日志进行表征向量挖掘，得到所述拟分析的用户行为数据日志的日志整体表征向量；

依据所述日志整体表征向量，推理确定所述拟分析的用户行为数据日志中与所述用户行为分析对应的一个或多个目标行为事件数据组；

对所述目标行为事件数据组进行表征向量挖掘，得到日志核心表征向量，将所述日志核心表征向量确定为一个分析维度的用户行为数据表征向量。

4.根据权利要求3所述的方法，其特征在于，所述日志整体表征向量包括多个表征向量提取集合，所述依据所述日志整体表征向量，推理确定所述拟分析的用户行为数据日志与所述用户行为分析对应的一个或多个目标行为事件数据组，包括：

将所述多个表征向量提取集合中同一位置的表征元素的向量值进行整合，得到整合处理后的表征向量提取集合；

基于所述整合处理后的表征向量提取集合，确定所述整合处理后的表征向量提取集合中每个表征元素的影响系数，每个表征元素的影响系数用于指示所述表征元素对应的事件数据组对所述用户行为分析的重要度；

基于所述整合处理后的表征向量提取集合中各个表征元素的影响系数，确定所述拟分析的用户行为数据日志中的目标行为事件数据组。

5.根据权利要求1所述的方法，其特征在于，对于每一类分析维度的用户行为数据表征向量，所述基于所述分析维度的用户行为数据表征向量，确定所述分析维度的用户行为数据表征向量的分析影响系数，包括：

当所述分析维度的用户行为数据表征向量为日志本身的表征向量时，依据所述日志本身的表征向量中的每个表征向量提取集合，确定每个表征向量提取集合的影响系数；

通过所述日志本身的表征向量中每个表征向量提取集合的影响系数，对相应的表征向量提取集合进行影响系数干预，基于影响系数干预后的各表征向量提取集合，确定所述日志本身的表征向量的影响系数；

当所述分析维度的用户行为数据表征向量为描述记录信息表征向量时，依据所述描述记录信息表征向量中各个表征元素的向量值，确定所述描述记录信息表征向量的影响系数。

6.根据权利要求1～5任一项所述的方法，其特征在于，所述方法为依据调试完成的数据处理网络进行执行，所述数据处理网络的调试过程包括如下步骤：

获取用户行为数据日志调试集合，所述用户行为数据日志调试集合包括多个匹配指示信息的用户行为数据日志调试模板，每个所述用户行为数据日志调试模板的指示信息用于指示所述用户行为数据日志调试模板对应于所述用户行为分析的实际分析结果；

基于所述用户行为数据日志调试集合对目标网络迭代进行调试优化，直到符合预设的调试截止要求，将符合预设的调试截止要求时的目标网络确定为调试完成的数据处理网络，其中，所述调试优化的过程包括：

针对每一所述用户行为数据日志调试模板，挖掘所述用户行为数据日志调试模板对应的不少于两类分析维度的调试模板表征向量；

针对每一所述用户行为数据日志调试模板，依据所述用户行为数据日志调试模板的每一类分析维度的调试模板表征向量，确定所述用户行为数据日志调试模板的所述分析维度的调试模板表征向量的影响系数；

针对每一所述用户行为数据日志调试模板，依据所述用户行为数据日志调试模板的每一类分析维度的调试模板表征向量以及对应的分析影响系数，确定所述用户行为数据日志调试模板的每一类分析维度的目标调试模板表征向量；

针对每一所述用户行为数据日志调试模板，依据所述用户行为数据日志调试模板的各分析维度的目标调试模板表征向量，推理确定所述用户行为数据日志调试模板对应于所述用户行为分析的第一分析结果；

依据各个所述用户行为数据日志调试模板的指示信息和各分析维度对应的分析影响系数，确定第一调试误差，依据各个所述用户行为数据日志调试模板的指示信息和第一分析结果，确定第二调试误差，基于所述第一调试误差和所述第二调试误差，得到合计调试误差；

如果不符合所述调试截止要求，基于所述合计调试误差对目标网络的网络参变量进行优化调节。

7.根据权利要求6所述的方法，其特征在于，所述目标网络包括第一处理模块和第二处理模块，其中，所述第一处理模块为事先调试完成的；

针对每一所述用户行为数据日志调试模板，所述挖掘所述用户行为数据日志调试模板对应的不少于两类分析维度的调试模板表征向量，包括：

通过所述第一处理模块挖掘所述用户行为数据日志调试模板对应的第一描述记录信息表征向量、调试模板表征向量、以及所述用户行为数据日志调试模板中一个或多个目标行为事件中每个目标行为事件位于的日志数据范围的局部调试模板表征向量；

通过所述第二处理模块对所述第一描述记录信息表征向量进行表征向量变换操作，得到第二描述记录信息表征向量，并通过所述第二处理模块识别所述用户行为数据日志调试模板中与用户行为分析对应的调试目标行为事件数据组，挖掘所述调试目标行为事件数据组的调试核心表征向量；

将所述第二描述记录信息表征向量、调试模板表征向量、每个目标行为事件对应的局部调试模板表征向量和所述调试核心表征向量分别确定为一个分析维度的调试模板表征向量；其中，每一类分析维度的调试模板表征向量的影响系数和所述用户行为数据日志调试模板的第一分析结果是通过第二处理模块确定的；

所述对目标网络的网络参变量优化调节包括：对所述第二处理模块的网络参变量进行优化调节；

或者；

针对每一所述用户行为数据日志调试模板，所述挖掘所述用户行为数据日志调试模板对应的不少于两类分析维度的调试模板表征向量，包括：

挖掘所述用户行为数据日志调试模板的日志整体表征向量；

依据所述用户行为数据日志调试模板的日志整体表征向量，确定所述用户行为数据日志调试模板中的调试目标行为事件数据组，并挖掘所述调试目标行为事件数据组的调试核心表征向量，将所述调试核心表征向量确定为一个分析维度的调试模板表征向量；

所述调试优化还包括：

针对每一所述用户行为数据日志调试模板，依据所述用户行为数据日志调试模板的调试核心表征向量对应的日志整体表征向量，推理确定所述用户行为数据日志调试模板对应的第二分析结果；

依据各个所述用户行为数据日志调试模板对应的指示信息和第二分析结果，确定第三调试误差；

所述基于所述第一调试误差和所述第二调试误差，得到合计调试误差，包括：基于所述第一调试误差、所述第二调试误差和所述第三调试误差，得到合计调试误差。

8.一种电商服务推送系统，其特征在于，包括互相通信的电商服务器和终端设备，所述终端设备用于存储日志数据库，所述电商服务器包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器用于在执行所述计算机程序时，实现如权利要求1～7任一项所述的方法。