CN115964461A - 基于人工智能和大数据分析的网络数据匹配方法和平台 - Google Patents
基于人工智能和大数据分析的网络数据匹配方法和平台 Download PDFInfo
- Publication number
- CN115964461A CN115964461A CN202211702038.4A CN202211702038A CN115964461A CN 115964461 A CN115964461 A CN 115964461A CN 202211702038 A CN202211702038 A CN 202211702038A CN 115964461 A CN115964461 A CN 115964461A
- Authority
- CN
- China
- Prior art keywords
- behavior description
- data
- description text
- network behavior
- similar
- 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.)
- Withdrawn
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供的基于人工智能和大数据分析的网络数据匹配方法和平台，涉及人工智能技术领域。在本申请中，将目标网络行为描述文本进行关键信息挖掘操作，以挖掘出映射行为描述文本特征表示，以形成目标网络行为描述文本对应的第一行为描述文本特征表示；确定出第一行为描述文本特征表示对应的映射第一行为描述文本特征表示，以得到目标网络行为描述文本对应的待确认网络行为描述文本；分析出目标网络行为描述文本对应的映射行为描述文本特征表示和待确认网络行为描述文本对应的映射行为描述文本特征表示之间的特征表示差异度，以确定匹配网络行为描述文本。基于上述内容，可以提高网络数据匹配的可靠度。
Description
技术领域
本申请涉及人工智能技术领域，具体而言，涉及一种基于人工智能和大数据分析的网络数据匹配方法和平台。
背景技术
人工智能（Artificial Intelligence，缩写为AI）亦称智械、机器智能，指由人制造出来的机器所表现出来的智能，通常人工智能是指通过普通计算机程序来呈现人类智能的技术。人工智能技术的应用场景较多，例如，可以应用于互联网领域中，如对互联网数据进行分析处理等。在现有技术中，基于一些需求，需要对互联网行为数据进行匹配查找等（如基于查找到的互联网行为数据进行互联网用户的相关性分析或关联处理等），但是，存在着互联网行为数据匹配的可靠度不高的问题。
发明内容
有鉴于此，本申请的目的在于提供一种基于人工智能和大数据分析的网络数据匹配方法和平台，以提高网络数据匹配的可靠度。
为实现上述目的，本申请实施例采用如下技术方案：
一种基于人工智能和大数据分析的网络数据匹配方法，所述网络数据匹配方法包括：
提取目标网络行为描述文本，并利用更新描述文本挖掘神经网络，将所述目标网络行为描述文本进行关键信息挖掘操作，以挖掘出所述目标网络行为描述文本对应的映射行为描述文本特征表示，以及，将所述目标网络行为描述文本对应的映射行为描述文本特征表示进行参数抽选操作，并将参数抽选操作形成的所述目标网络行为描述文本对应的抽选行为描述文本特征表示进行标记，以形成所述目标网络行为描述文本对应的第一行为描述文本特征表示；
基于所述更新描述文本挖掘神经网络对应的映射关系集合，确定出所述第一行为描述文本特征表示对应的映射第一行为描述文本特征表示，以及，对所述映射第一行为描述文本特征表示对应的代表参数进行标记，以得到对应的第一代表参数，以及，对所述第一代表参数对应的相关网络行为描述文本进行标记，以得到所述目标网络行为描述文本对应的待确认网络行为描述文本；
分析出所述目标网络行为描述文本对应的映射行为描述文本特征表示和所述待确认网络行为描述文本对应的映射行为描述文本特征表示之间的特征表示差异度，以及，在分析出的特征表示差异度中筛选出第一特征表示差异度，以及，对所述第一特征表示差异度对应的待确认网络行为描述文本进行标记处理，以形成所述目标网络行为描述文本对应的匹配网络行为描述文本。
在一种可能的实施例中，在上述基于人工智能和大数据分析的网络数据匹配方法中，所述映射关系集合依据网络行为描述文本集合中的历史网络行为描述文本对应的映射行为描述文本特征表示构建形成；
所述基于人工智能和大数据分析的网络数据匹配方法还包括：
利用所述更新描述文本挖掘神经网络，将所述历史网络行为描述文本进行关键信息挖掘操作，以挖掘出所述历史网络行为描述文本对应的映射行为描述文本特征表示，以及，将所述历史网络行为描述文本对应的映射行为描述文本特征表示进行分类操作，以形成所述历史网络行为描述文本对应的第一数量个特征表示分类集合，每一个所述特征表示分类集合具有一个分类中心特征表示；
对所述第一数量个特征表示分类集合中的每一个特征表示分类集合具有的分类中心特征表示进行标记，以标记为每一个所述特征表示分类集合对应的代表参数，以及，依据每一个所述特征表示分类集合对应的代表参数确定出所述映射关系集合；
构建出所述映射关系集合中的代表参数与所述网络行为描述文本集合中的历史网络行为描述文本之间的相对映射信息，依据所述相对映射信息，对每一个所述特征表示分类集合中的历史网络行为描述文本进行标记，以标记为对应特征表示分类集合的代表参数对应的相关网络行为描述文本。
在一种可能的实施例中，在上述基于人工智能和大数据分析的网络数据匹配方法中，所述网络数据匹配方法还包括：
采集对第一描述文本挖掘神经网络进行更新的阶段示例性数据，以及，对所述阶段示例性数据中的示例性数据组合进行标记，以标记为更新用示例性数据组合，所述更新用示例性数据组合包括第一示例性网络行为描述文本、第二示例性网络行为描述文本和第三示例性网络行为描述文本，所述第一示例性网络行为描述文本和第二示例性网络行为描述文本所在的相似网络行为描述文本集合一样，所述第一示例性网络行为描述文本和第三示例性网络行为描述文本所在的相似网络行为描述文本集合不一样；
利用所述第一描述文本挖掘神经网络，挖掘到所述更新用示例性数据组合对应的组合文本特征表示，以及，对所述更新用示例性数据组合对应的组合文本特征表示加载到所述第一描述文本挖掘神经网络对应的数据干扰识别神经网络，利用所述数据干扰识别神经网络，基于所述第一描述文本挖掘神经网络的更新阶段数目和所述数据干扰识别神经网络对应的参考相似文本集合偏离系数，将所述更新用示例性数据组合进行数据干扰识别，以输出所述更新用示例性数据组合对应的数据干扰识别信息；
将所述更新用示例性数据组合对应的组合文本特征表示进行参数二元化操作，以输出所述更新用示例性数据组合对应的更新组合文本特征表示，以及，基于所述更新用示例性数据组合对应的更新组合文本特征表示和所述数据干扰识别信息，将所述阶段示例性数据进行学习代价值的确定，输出所述阶段示例性数据对应的总学习代价值；
基于所述总学习代价值，对所述第一描述文本挖掘神经网络的网络参数进行更新，以及，依据更新后的第一描述文本挖掘神经网络，形成用于对所述目标网络行为描述文本进行关键信息挖掘操作的更新描述文本挖掘神经网络。
在一种可能的实施例中，在上述基于人工智能和大数据分析的网络数据匹配方法中，所述采集对第一描述文本挖掘神经网络进行更新的阶段示例性数据的步骤，包括：
采集到目标网络行为描述文本集合，以及，确定出与目标网络行为描述文本集合中的每一个相似网络行为描述文本集合对应的非相似数据集；
依据所述目标网络行为描述文本集合中的每一个相似网络行为描述文本集合和每一个所述相似网络行为描述文本集合对应的非相似数据集，确定出对第一描述文本挖掘神经网络进行更新的整体示例性数据组合；
基于所述非相似数据集的数据集文本数量，将所述整体示例性数据组合中的示例性数据组合进行阶段化处理，以形成所述目标网络行为描述文本集合对应的阶段示例性数据。
在一种可能的实施例中，在上述基于人工智能和大数据分析的网络数据匹配方法中，所述采集到目标网络行为描述文本集合，以及，确定出与目标网络行为描述文本集合中的每一个相似网络行为描述文本集合对应的非相似数据集的步骤，包括：
采集到目标网络行为描述文本集合，以及，依据所述目标网络行为描述文本集合包括的第二数量个相似网络行为描述文本集合的文本标识数据，将所述第二数量个相似网络行为描述文本集合进行分类操作，以形成所述目标网络行为描述文本集合对应的第三数量个文本集合分类组，一个文本集合分类组与一个文本标识数据对应；
在所述目标网络行为描述文本集合中，提取到任意一个相似网络行为描述文本集合，以及，从所述第三数量个文本集合分类组中，对在所述任意一个相似网络行为描述文本集合相关的文本集合分类组中筛选出的第四数量个文本集合分类组进行标记，以标记为第一文本集合分类组；
在第四数量个所述第一文本集合分类组对应的数据子集中，确定出第五数量个示例性网络行为描述文本，以标记为第一非相似示例性网络行为描述文本，以及，依据确定出的第五数量个第一非相似示例性网络行为描述文本，组合形成所述任意一个相似网络行为描述文本集合对应的第一非相似数据子集，以及，在所述第三数量个文本集合分类组对应的数据子集中，确定出第五数量个示例性网络行为描述文本，以标记为第二非相似示例性网络行为描述文本，以及，依据确定出的第五数量个第二非相似示例性网络行为描述文本，组合形成所述任意一个相似网络行为描述文本集合对应的第二非相似数据子集，所述第一非相似数据子集中的第一非相似示例性网络行为描述文本与所述任意一个相似网络行为描述文本集合中的示例性网络行为描述文本具有一样的文本标识数据，所述第二非相似数据子集中的示例性网络行为描述文本与所述任意一个相似网络行为描述文本集合中的示例性网络行为描述文本具有不一样的文本标识数据；
对所述第一非相似数据子集和所述第二非相似数据子集进标记，以标记为所述任意一个相似网络行为描述文本集合对应的非相似数据集。
在一种可能的实施例中，在上述基于人工智能和大数据分析的网络数据匹配方法中，所述依据所述目标网络行为描述文本集合包括的第二数量个相似网络行为描述文本集合的文本标识数据，将所述第二数量个相似网络行为描述文本集合进行分类操作，以形成所述目标网络行为描述文本集合对应的第三数量个文本集合分类组的步骤，包括：
对所述目标网络行为描述文本集合包括的所述第二数量个相似网络行为描述文本集合加载到标识数据分析神经网络中，利用所述标识数据分析神经网络分析得到所述第二数量个相似网络行为描述文本集合中的每一个相似网络行为描述文本集合的文本标识数据，每一个所述相似网络行为描述文本集合的文本标识数据在基于所述相似网络行为描述文本集合中的示例性网络行为描述文本的文本标识数据的标识数据统计数量大于参考标识数据统计数量的情况下得到；所述参考标识数据统计数量基于所述相似网络行为描述文本集合中的示例性网络行为描述文本的数量得到；
从所述第二数量个相似网络行为描述文本集合中，依据每一个所述相似网络行为描述文本集合的文本标识数据，对具有一样的文本标识数据的相似网络行为描述文本集合分配到一个文本集合分类组中，形成所述目标网络行为描述文本集合对应的第三数量个文本集合分类组。
在一种可能的实施例中，在上述基于人工智能和大数据分析的网络数据匹配方法中，所述目标网络行为描述文本集合包括第二数量个相似网络行为描述文本集合，一个相似网络行为描述文本集合包括第七数量个示例性网络行为描述文本，每一个所述相似网络行为描述文本集合对应的非相似数据集包括第一非相似数据子集和第二非相似数据子集；
所述依据所述目标网络行为描述文本集合中的每一个相似网络行为描述文本集合和每一个所述相似网络行为描述文本集合对应的非相似数据集，确定出对第一描述文本挖掘神经网络进行更新的整体示例性数据组合的步骤，包括：
从所述目标网络行为描述文本集合包括的每一个相似网络行为描述文本集合中，确定出第一相似网络行为描述文本集合；
从所述第一相似网络行为描述文本集合包括的第七数量个示例性网络行为描述文本中，确定出一个示例性网络行为描述文本，以标记为所述第一相似网络行为描述文本集合的第一示例性网络行为描述文本，以及，对所述第一相似网络行为描述文本集合包括的第七数量个示例性网络行为描述文本中所述第一示例性网络行为描述文本以外的示例性网络行为描述文本进行标记，以标记为所述第一相似网络行为描述文本集合的第二示例性网络行为描述文本，以及，依据所述第一相似网络行为描述文本集合的第一示例性网络行为描述文本和所述第一相似网络行为描述文本集合的第二示例性网络行为描述文本，形成所述第一相似网络行为描述文本集合的相似示例性网络行为描述文本组合；
从所述第一相似网络行为描述文本集合对应的非相似数据集中，确定出第八数量个示例性网络行为描述文本，以标记为所述第一相似网络行为描述文本集合的第三示例性网络行为描述文本，所述第一相似网络行为描述文本集合的第三示例性网络行为描述文本中包括第八数量/2个复杂第三示例性网络行为描述文本和第八数量/2个简单第三示例性网络行为描述文本，所述第八数量/2个复杂第三示例性网络行为描述文本在所述第一相似网络行为描述文本集合对应的第一非相似数据子集中选择出，所述第八数量/2个简单第三示例性网络行为描述文本在所述第一相似网络行为描述文本集合对应的第二非相似数据子集中选择出；
基于所述第一相似网络行为描述文本集合的相似示例性网络行为描述文本组合和所述第一相似网络行为描述文本集合的第三示例性网络行为描述文本，组合形成所述第一相似网络行为描述文本集合的示例性数据组合，以及，在所述目标网络行为描述文本集合中的每一个相似网络行为描述文本集合确定为所述第一相似网络行为描述文本集合的情况下，形成每一个所述相似网络行为描述文本集合的示例性数据组合；
对每一个相似网络行为描述文本集合的示例性数据组合进行标记，以标记为对第一描述文本挖掘神经网络进行更新的整体示例性数据组合。
在一种可能的实施例中，在上述基于人工智能和大数据分析的网络数据匹配方法中，所述利用所述第一描述文本挖掘神经网络，挖掘到所述更新用示例性数据组合对应的组合文本特征表示，以及，对所述更新用示例性数据组合对应的组合文本特征表示加载到所述第一描述文本挖掘神经网络对应的数据干扰识别神经网络，利用所述数据干扰识别神经网络，基于所述第一描述文本挖掘神经网络的更新阶段数目和所述数据干扰识别神经网络对应的参考相似文本集合偏离系数，将所述更新用示例性数据组合进行数据干扰识别，以输出所述更新用示例性数据组合对应的数据干扰识别信息的步骤，包括：
对所述更新用示例性数据组合进行加载处理，利用所述第一描述文本挖掘神经网络对所述更新用示例性数据组合进行关键信息挖掘操作和线性操作，以及，对所述第一描述文本挖掘神经网络输出的所述更新用示例性数据组合的组合文本特征表示进行标记，以标记为第一阶段组合文本特征表示；
倘若所述第一描述文本挖掘神经网络的更新阶段数目大于或等于预先配置的第一参考更新阶段数目，则对所述第一阶段组合文本特征表示加载到所述第一描述文本挖掘神经网络对应的数据干扰识别神经网络中，利用所述数据干扰识别神经网络，基于所述阶段示例性数据对应的原始数据标记簇，分析出所述数据干扰识别神经网络对应的第一参考相似文本集合偏离系数；
依据所述原始数据标记簇，分析出所述阶段示例性数据对应的原始总学习代价值，以及，依据所述原始总学习代价值，对所述第一描述文本挖掘神经网络的网络参数进行更新，以及，对更新后的第一描述文本挖掘神经网络进行标记，以标记为中间描述文本挖掘神经网络，以及，更新所述第一描述文本挖掘神经网络的更新阶段数目；
对所述中间描述文本挖掘神经网络挖掘到的所述更新用示例性数据组合的组合文本特征表示进行标记，以标记为第二阶段组合文本特征表示，以及，在更新后的更新阶段数目大于或等于预先配置的第二参考更新阶段数目的情况下，对所述第二阶段组合文本特征表示加载到所述数据干扰识别神经网络中，利用所述数据干扰识别神经网络，基于所述数据干扰识别神经网络对应的第一参考相似文本集合偏离系数，将所述更新用示例性数据组合进行数据干扰识别，以输出所述更新用示例性数据组合对应的数据干扰识别信息。
在一种可能的实施例中，在上述基于人工智能和大数据分析的网络数据匹配方法中，所述更新用示例性数据组合的数据干扰识别信息包括第一数据标记簇对应的示例性数据组合的第一干扰识别信息、第二数据标记簇对应的示例性数据组合的第二干扰识别信息和第三数据标记簇对应的示例性数据组合的第三干扰识别信息，所述第一数据标记簇的置信度参数大于所述第二数据标记簇的置信度参数，所述第二数据标记簇的置信度参数大于所述第三数据标记簇的置信度参数；
所述将所述更新用示例性数据组合对应的组合文本特征表示进行参数二元化操作，以输出所述更新用示例性数据组合对应的更新组合文本特征表示，以及，基于所述更新用示例性数据组合对应的更新组合文本特征表示和所述数据干扰识别信息，将所述阶段示例性数据进行学习代价值的确定，输出所述阶段示例性数据对应的总学习代价值的步骤，包括：
将所述更新用示例性数据组合的组合文本特征表示进行参数二元化操作，以形成所述更新用示例性数据组合对应的更新组合文本特征表示，以及，将所述更新用示例性数据组合对应的更新组合文本特征表示进行参数抽选操作，以形成所述更新用示例性数据组合对应的抽选行为描述文本特征表示；
基于所述第一描述文本挖掘神经网络的更新阶段数目，分析出所述第一数据标记簇对应的第一阶段性加权系数、所述第二数据标记簇对应的第二阶段性加权系数和所述第三数据标记簇对应的第三阶段性加权系数；
基于所述第一数据标记簇对应的示例性数据组合的第一干扰识别信息，分析出所述第一数据标记簇对应的示例性数据组合的第一干扰维度学习代价值，以及，基于所述第二数据标记簇对应的示例性数据组合的第二干扰识别信息，分析出所述第二数据标记簇对应的示例性数据组合的第二干扰维度学习代价值，以及，基于所述第三数据标记簇对应的示例性数据组合的第三干扰识别信息，分析出所述第三数据标记簇对应的示例性数据组合的第三干扰维度学习代价值；
基于所述第一干扰维度学习代价值和所述第一阶段性加权系数、所述第二干扰维度学习代价值和所述第二阶段性加权系数以及所述第三干扰维度学习代价值和所述第三阶段性加权系数，计算出所述阶段示例性数据在所述更新阶段数目时的目标干扰维度学习代价值；
依据所述更新用示例性数据组合的更新组合文本特征表示和所述更新用示例性数据组合的抽选行为描述文本特征表示之间的差异，确定出对应的目标抽选维度学习代价值；
基于所述目标干扰维度学习代价值和所述目标抽选维度学习代价值，计算得到所述阶段示例性数据对应的总学习代价值。
本申请还提供一种基于人工智能和大数据分析的网络数据匹配平台，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，以实现上述的方法。
本申请提供的一种基于人工智能和大数据分析的网络数据匹配方法和平台，可以将目标网络行为描述文本进行关键信息挖掘操作，以挖掘出映射行为描述文本特征表示，以形成目标网络行为描述文本对应的第一行为描述文本特征表示；确定出第一行为描述文本特征表示对应的映射第一行为描述文本特征表示，以得到目标网络行为描述文本对应的待确认网络行为描述文本；分析出目标网络行为描述文本对应的映射行为描述文本特征表示和待确认网络行为描述文本对应的映射行为描述文本特征表示之间的特征表示差异度，以确定匹配网络行为描述文本。基于前述的内容，通过映射关系集合和特征表示差异度的两次筛选确认，可以使得确定出的匹配网络行为描述文本的可靠度较高，从而提高网络数据匹配的可靠度。
为使本申请的上述目的、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为本申请实施例提供的基于人工智能和大数据分析的网络数据匹配平台的结构框图。
图2为本申请实施例提供的基于人工智能和大数据分析的网络数据匹配方法包括的各步骤的流程示意图。
图3为本申请实施例提供的YYY方法包括的各步骤的流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请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申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
图1示出了一种基于人工智能和大数据分析的网络数据匹配平台，例如，可以是一种具备数据处理能力的服务器，其中，所述基于人工智能和大数据分析的网络数据匹配平台包括总线或者用于通信信息的其它通信组件、和耦合至总线的用于处理信息的处理器。所述基于人工智能和大数据分析的网络数据匹配平台还包括耦合至总线的用于存储信息的主存储器（诸如，随机存取存储器（RAM）或者其它动态存储设备）和待由处理器执行的指令。所述主存储器还可以用于存储位置信息、临时变量、或者在处理器执行指令期间的其它中间信息。基于人工智能和大数据分析的网络数据匹配平台可以进一步包括只读存储器（ROM）或者耦合至总线的用于存储用于处理器的静态信息和指令的其它静态存储设备。所述存储设备（诸如，固态设备、磁盘或者光盘）被耦合至总线以便持久地存储信息和指令。
需要说明的是，在一些实施方式中，可以经由总线来将所述基于人工智能和大数据分析的网络数据匹配平台耦合至显示器（诸如，液晶显示器、或者有源矩阵显示器）以便向用户显示信息。
需要说明的是，在一些实施方式中，所述基于人工智能和大数据分析的网络数据匹配平台可以包括通信适配器（诸如，网络适配器）。可以将通信适配器耦合至总线，并且可以将其配置为使能与计算或者通信网络和/或其它计算系统的通信。
结合图2，本申请实施例还提供一种基于人工智能和大数据分析的网络数据匹配方法，可应用于上述基于人工智能和大数据分析的网络数据匹配平台。其中，该基于人工智能和大数据分析的网络数据匹配方法有关的流程所定义的方法步骤，可以由所述基于人工智能和大数据分析的网络数据匹配平台实现。下面将对图2所示的具体流程，进行详细阐述。
步骤S110，提取目标网络行为描述文本，并利用更新描述文本挖掘神经网络，将所述目标网络行为描述文本进行关键信息挖掘操作，以挖掘出所述目标网络行为描述文本对应的映射行为描述文本特征表示，以及，将所述目标网络行为描述文本对应的映射行为描述文本特征表示进行参数抽选操作，并将参数抽选操作形成的所述目标网络行为描述文本对应的抽选行为描述文本特征表示进行标记，以形成所述目标网络行为描述文本对应的第一行为描述文本特征表示。
在本发明实施例中，所述网络数据匹配平台可以提取目标网络行为描述文本，并利用更新描述文本挖掘神经网络，将所述目标网络行为描述文本（所述目标网络行为描述文本可以用于描述网络用户的网络行为）进行关键信息挖掘操作，以挖掘出所述目标网络行为描述文本对应的映射行为描述文本特征表示，以及，将所述目标网络行为描述文本对应的映射行为描述文本特征表示进行参数抽选操作，并将参数抽选操作形成的所述目标网络行为描述文本对应的抽选行为描述文本特征表示进行标记，以形成所述目标网络行为描述文本对应的第一行为描述文本特征表示。
步骤S120，基于所述更新描述文本挖掘神经网络对应的映射关系集合，确定出所述第一行为描述文本特征表示对应的映射第一行为描述文本特征表示，以及，对所述映射第一行为描述文本特征表示对应的代表参数进行标记，以得到对应的第一代表参数，以及，对所述第一代表参数对应的相关网络行为描述文本进行标记，以得到所述目标网络行为描述文本对应的待确认网络行为描述文本。
在本发明实施例中，所述网络数据匹配平台可以基于所述更新描述文本挖掘神经网络对应的映射关系集合，确定出所述第一行为描述文本特征表示对应的映射第一行为描述文本特征表示，以及，对所述映射第一行为描述文本特征表示对应的代表参数进行标记，以得到对应的第一代表参数，以及，对所述第一代表参数对应的相关网络行为描述文本进行标记，以得到所述目标网络行为描述文本对应的待确认网络行为描述文本。
步骤S130，分析出所述目标网络行为描述文本对应的映射行为描述文本特征表示和所述待确认网络行为描述文本对应的映射行为描述文本特征表示之间的特征表示差异度，以及，在分析出的特征表示差异度中筛选出第一特征表示差异度，以及，对所述第一特征表示差异度对应的待确认网络行为描述文本进行标记处理，以形成所述目标网络行为描述文本对应的匹配网络行为描述文本。
在本发明实施例中，所述网络数据匹配平台可以分析出所述目标网络行为描述文本对应的映射行为描述文本特征表示和所述待确认网络行为描述文本对应的映射行为描述文本特征表示之间的特征表示差异度，以及，在分析出的特征表示差异度中筛选出第一特征表示差异度（示例性地，所述第一特征表示差异度可以具有最小值，另外，所述特征表示差异度可以是指映射行为描述文本特征表示之间的余弦距离），以及，对所述第一特征表示差异度对应的待确认网络行为描述文本进行标记处理，以形成所述目标网络行为描述文本对应的匹配网络行为描述文本。
基于前述的内容（如步骤S110、步骤S120和步骤S130），通过映射关系集合和特征表示差异度的两次筛选确认，可以使得确定出的匹配网络行为描述文本的可靠度较高，从而提高网络数据匹配的可靠度。
需要说明的是，在一些实施方式中，所述映射关系集合可以依据网络行为描述文本集合中的历史网络行为描述文本对应的映射行为描述文本特征表示构建形成，基于此，基于人工智能和大数据分析的网络数据匹配方法，还可以包括以下所述的各步骤：
利用所述更新描述文本挖掘神经网络，将所述历史网络行为描述文本进行关键信息挖掘操作，以挖掘出所述历史网络行为描述文本对应的映射行为描述文本特征表示，以及，将所述历史网络行为描述文本对应的映射行为描述文本特征表示进行分类操作，以形成所述历史网络行为描述文本对应的第一数量个特征表示分类集合，每一个所述特征表示分类集合具有一个分类中心特征表示（示例性地，所述分类中心特征表示可以是均值映射行为描述文本特征表示，或者，所述分类中心特征表示也可以是与均值映射行为描述文本特征表示最相似的映射行为描述文本特征表示）；
对所述第一数量个特征表示分类集合中的每一个特征表示分类集合具有的分类中心特征表示进行标记，以标记为每一个所述特征表示分类集合对应的代表参数，以及，依据每一个所述特征表示分类集合对应的代表参数确定出所述映射关系集合；
构建出所述映射关系集合中的代表参数与所述网络行为描述文本集合中的历史网络行为描述文本之间的相对映射信息，依据所述相对映射信息，对每一个所述特征表示分类集合中的历史网络行为描述文本进行标记，以标记为对应特征表示分类集合的代表参数对应的相关网络行为描述文本。
需要说明的是，在一些实施方式中，所述基于人工智能和大数据分析的网络数据匹配方法，还可以包括以下各步骤：
采集对第一描述文本挖掘神经网络进行更新的阶段示例性数据（对第一描述文本挖掘神经网络进行更新，可以包括多个阶段），以及，对所述阶段示例性数据中的示例性数据组合进行标记，以标记为更新用示例性数据组合，所述更新用示例性数据组合包括第一示例性网络行为描述文本、第二示例性网络行为描述文本和第三示例性网络行为描述文本，所述第一示例性网络行为描述文本和所述第二示例性网络行为描述文本所在的相似网络行为描述文本集合一样，所述第一示例性网络行为描述文本和所述第三示例性网络行为描述文本所在的相似网络行为描述文本集合不一样；
利用所述第一描述文本挖掘神经网络，挖掘到所述更新用示例性数据组合对应的组合文本特征表示，以及，对所述更新用示例性数据组合对应的组合文本特征表示加载到所述第一描述文本挖掘神经网络对应的数据干扰识别神经网络，利用所述数据干扰识别神经网络，基于所述第一描述文本挖掘神经网络的更新阶段数目和所述数据干扰识别神经网络对应的参考相似文本集合偏离系数，将所述更新用示例性数据组合进行数据干扰识别，以输出所述更新用示例性数据组合对应的数据干扰识别信息；
将所述更新用示例性数据组合对应的组合文本特征表示进行参数二元化操作，以输出所述更新用示例性数据组合对应的更新组合文本特征表示，以及，基于所述更新用示例性数据组合对应的更新组合文本特征表示和所述数据干扰识别信息，将所述阶段示例性数据进行学习代价值的确定，输出所述阶段示例性数据对应的总学习代价值；
基于所述总学习代价值，对所述第一描述文本挖掘神经网络的网络参数进行更新（即使得所述总学习代价值收敛），以及，依据更新后的第一描述文本挖掘神经网络，形成用于对所述目标网络行为描述文本进行关键信息挖掘操作的更新描述文本挖掘神经网络。
需要说明的是，在一些实施方式中，所述采集对第一描述文本挖掘神经网络进行更新的阶段示例性数据的步骤，可以包括以下的具体内容：
采集到目标网络行为描述文本集合，以及，确定出与目标网络行为描述文本集合中的每一个相似网络行为描述文本集合对应的非相似数据集；
依据所述目标网络行为描述文本集合中的每一个相似网络行为描述文本集合和每一个所述相似网络行为描述文本集合对应的非相似数据集，确定出对第一描述文本挖掘神经网络进行更新的整体示例性数据组合；
基于所述非相似数据集的数据集文本数量，将所述整体示例性数据组合中的示例性数据组合进行阶段化处理，以形成所述目标网络行为描述文本集合对应的阶段示例性数据（每一个阶段示例性数据中的示例性数据组合的数量等于所述非相似数据集的数据集文本数量）。
需要说明的是，在一些实施方式中，所述采集到目标网络行为描述文本集合，以及，确定出与目标网络行为描述文本集合中的每一个相似网络行为描述文本集合对应的非相似数据集的步骤，包括以下的具体内容：
采集到目标网络行为描述文本集合，以及，依据所述目标网络行为描述文本集合包括的第二数量个相似网络行为描述文本集合的文本标识数据，将所述第二数量个相似网络行为描述文本集合进行分类操作，以形成所述目标网络行为描述文本集合对应的第三数量个文本集合分类组，一个文本集合分类组与一个文本标识数据对应；
在所述目标网络行为描述文本集合中，提取到任意一个相似网络行为描述文本集合（相似网络行为描述文本集合中的描述文本是相似的，或匹配的），以及，从所述第三数量个文本集合分类组中，对在所述任意一个相似网络行为描述文本集合相关的文本集合分类组中筛选出的第四数量个文本集合分类组进行标记，以标记为第一文本集合分类组，所述第一文本集合分类组的数量等于第四数量；
在第四数量个所述第一文本集合分类组对应的数据子集中，确定出第五数量个示例性网络行为描述文本，以标记为第一非相似示例性网络行为描述文本，以及，依据确定出的第五数量个第一非相似示例性网络行为描述文本，组合形成所述任意一个相似网络行为描述文本集合对应的第一非相似数据子集，以及，在所述第三数量个文本集合分类组对应的数据子集中，确定出第五数量个示例性网络行为描述文本，以标记为第二非相似示例性网络行为描述文本，以及，依据确定出的第五数量个第二非相似示例性网络行为描述文本，组合形成所述任意一个相似网络行为描述文本集合对应的第二非相似数据子集，所述第一非相似数据子集中的第一非相似示例性网络行为描述文本与所述任意一个相似网络行为描述文本集合中的示例性网络行为描述文本具有一样的文本标识数据，所述第二非相似数据子集中的示例性网络行为描述文本与所述任意一个相似网络行为描述文本集合中的示例性网络行为描述文本具有不一样的文本标识数据，第五数量等于第四数量和第六数量的乘积；
对所述第一非相似数据子集和所述第二非相似数据子集进标记，以标记为所述任意一个相似网络行为描述文本集合对应的非相似数据集。
需要说明的是，在一些实施方式中，所述依据所述目标网络行为描述文本集合包括的第二数量个相似网络行为描述文本集合的文本标识数据，将所述第二数量个相似网络行为描述文本集合进行分类操作，以形成所述目标网络行为描述文本集合对应的第三数量个文本集合分类组的步骤，可以包括以下的具体内容：
对所述目标网络行为描述文本集合包括的所述第二数量个相似网络行为描述文本集合加载到标识数据分析神经网络中，利用所述标识数据分析神经网络分析得到所述第二数量个相似网络行为描述文本集合中的每一个相似网络行为描述文本集合的文本标识数据，每一个所述相似网络行为描述文本集合的文本标识数据在基于所述相似网络行为描述文本集合中的示例性网络行为描述文本的文本标识数据的标识数据统计数量（所述标识数据统计数量可以是指一种文本标识数据的出现次数）大于参考标识数据统计数量的情况下得到；所述参考标识数据统计数量基于所述相似网络行为描述文本集合中的示例性网络行为描述文本的数量得到（如该数量的50%）；
从所述第二数量个相似网络行为描述文本集合中，依据每一个所述相似网络行为描述文本集合的文本标识数据，对具有一样的文本标识数据的相似网络行为描述文本集合分配到一个文本集合分类组中，形成所述目标网络行为描述文本集合对应的第三数量个文本集合分类组。
需要说明的是，在一些实施方式中，所述目标网络行为描述文本集合包括第二数量个相似网络行为描述文本集合，一个相似网络行为描述文本集合包括第七数量个示例性网络行为描述文本，每一个所述相似网络行为描述文本集合对应的非相似数据集包括第一非相似数据子集和第二非相似数据子集，基于此，所述依据所述目标网络行为描述文本集合中的每一个相似网络行为描述文本集合和每一个所述相似网络行为描述文本集合对应的非相似数据集，确定出对第一描述文本挖掘神经网络进行更新的整体示例性数据组合的步骤，可以包括以下的具体内容：
从所述目标网络行为描述文本集合包括的每一个相似网络行为描述文本集合中，确定出第一相似网络行为描述文本集合（可以是任意一个）；
从所述第一相似网络行为描述文本集合包括的第七数量个示例性网络行为描述文本中，确定出一个示例性网络行为描述文本，以标记为所述第一相似网络行为描述文本集合的第一示例性网络行为描述文本，以及，对所述第一相似网络行为描述文本集合包括的第七数量个示例性网络行为描述文本中所述第一示例性网络行为描述文本以外的示例性网络行为描述文本进行标记，以标记为所述第一相似网络行为描述文本集合的第二示例性网络行为描述文本，以及，依据所述第一相似网络行为描述文本集合的第一示例性网络行为描述文本和所述第一相似网络行为描述文本集合的第二示例性网络行为描述文本，形成所述第一相似网络行为描述文本集合的相似示例性网络行为描述文本组合，所述第一相似网络行为描述文本集合的相似示例性网络行为描述文本组合的数量等于第七数量*(第七数量-1)/2；
从所述第一相似网络行为描述文本集合对应的非相似数据集中，确定出第八数量个示例性网络行为描述文本，以标记为所述第一相似网络行为描述文本集合的第三示例性网络行为描述文本，所述第一相似网络行为描述文本集合的第三示例性网络行为描述文本中包括第八数量/2个复杂第三示例性网络行为描述文本和第八数量/2个简单第三示例性网络行为描述文本，所述第八数量/2个复杂第三示例性网络行为描述文本在所述第一相似网络行为描述文本集合对应的第一非相似数据子集中选择出，所述第八数量/2个简单第三示例性网络行为描述文本在所述第一相似网络行为描述文本集合对应的第二非相似数据子集中选择出；
基于所述第一相似网络行为描述文本集合的相似示例性网络行为描述文本组合和所述第一相似网络行为描述文本集合的第三示例性网络行为描述文本，组合形成所述第一相似网络行为描述文本集合的示例性数据组合，以及，在所述目标网络行为描述文本集合中的每一个相似网络行为描述文本集合确定为所述第一相似网络行为描述文本集合的情况下，形成每一个所述相似网络行为描述文本集合的示例性数据组合，每一个所述相似网络行为描述文本集合的示例性数据组合的数量等于第七数量*(第七数量-1)* 第八数量/2；以及，对每一个所述相似网络行为描述文本集合的示例性数据组合进行标记，以标记为对第一描述文本挖掘神经网络进行更新的整体示例性数据组合。
需要说明的是，在一些实施方式中，所述利用所述第一描述文本挖掘神经网络，挖掘到所述更新用示例性数据组合对应的组合文本特征表示，以及，对所述更新用示例性数据组合对应的组合文本特征表示加载到所述第一描述文本挖掘神经网络对应的数据干扰识别神经网络，利用所述数据干扰识别神经网络，基于所述第一描述文本挖掘神经网络的更新阶段数目和所述数据干扰识别神经网络对应的参考相似文本集合偏离系数，将所述更新用示例性数据组合进行数据干扰识别，以输出所述更新用示例性数据组合对应的数据干扰识别信息的步骤，可以包括以下的具体内容：
对所述更新用示例性数据组合进行加载处理，利用所述第一描述文本挖掘神经网络对所述更新用示例性数据组合进行关键信息挖掘操作和线性操作，以及，对所述第一描述文本挖掘神经网络输出的所述更新用示例性数据组合的组合文本特征表示进行标记，以标记为第一阶段组合文本特征表示；
倘若所述第一描述文本挖掘神经网络的更新阶段数目大于或等于预先配置的第一参考更新阶段数目，则对所述第一阶段组合文本特征表示加载到所述第一描述文本挖掘神经网络对应的数据干扰识别神经网络中，利用所述数据干扰识别神经网络，基于所述阶段示例性数据对应的原始数据标记簇，分析出所述数据干扰识别神经网络对应的第一参考相似文本集合偏离系数；
依据所述原始数据标记簇，分析出所述阶段示例性数据对应的原始总学习代价值（如后所述，可以从两个维度进行学习代价值的计算，在此不做一一赘述），以及，依据所述原始总学习代价值，对所述第一描述文本挖掘神经网络的网络参数进行更新，以及，对更新后的第一描述文本挖掘神经网络进行标记，以标记为中间描述文本挖掘神经网络，以及，更新所述第一描述文本挖掘神经网络的更新阶段数目；
对所述中间描述文本挖掘神经网络挖掘到的所述更新用示例性数据组合的组合文本特征表示进行标记，以标记为第二阶段组合文本特征表示，以及，在更新后的更新阶段数目大于或等于预先配置的第二参考更新阶段数目的情况下，对所述第二阶段组合文本特征表示加载到所述数据干扰识别神经网络中，利用所述数据干扰识别神经网络，基于所述数据干扰识别神经网络对应的第一参考相似文本集合偏离系数，将所述更新用示例性数据组合进行数据干扰识别，以输出所述更新用示例性数据组合对应的数据干扰识别信息。
其中，需要说明的是，在一些实施方式中，所述对所述更新用示例性数据组合进行加载处理，利用所述第一描述文本挖掘神经网络对所述更新用示例性数据组合进行关键信息挖掘操作和线性操作，以及，对所述第一描述文本挖掘神经网络输出的所述更新用示例性数据组合的组合文本特征表示进行标记，以标记为第一阶段组合文本特征表示的步骤，可以包括以下的具体内容：
对所述更新用示例性数据组合进行加载处理，利用所述第一描述文本挖掘神经网络包括的关键信息挖掘单元（示例性地，所述关键信息挖掘单元可以包括多个滤波子单元和一个参数压缩子单元，所述参数压缩子单元可以通过进行均值或最大值来替代多个参数，使得参数的压缩），挖掘出所述更新用示例性数据组合对应的原始文本特征表示；
对所述原始文本特征表示进行加载处理，利用所述第一描述文本挖掘神经网络包括的线性处理单元，将所述原始文本特征表示进行线性操作，以得到对应的第一阶段组合文本特征表示（在所述线性处理单元中，每个神经元与其前一层的所有神经元进行全连接，以实现特征的整合）。
其中，需要说明的是，在一些实施方式中，述倘若所述第一描述文本挖掘神经网络的更新阶段数目大于或等于预先配置的第一参考更新阶段数目，则对所述第一阶段组合文本特征表示加载到所述第一描述文本挖掘神经网络对应的数据干扰识别神经网络中，利用所述数据干扰识别神经网络，基于所述阶段示例性数据对应的原始数据标记簇，分析出所述数据干扰识别神经网络对应的第一参考相似文本集合偏离系数的步骤，可以包括以下的具体内容：
倘若所述第一描述文本挖掘神经网络的更新阶段数目大于或等于预先配置的第一参考更新阶段数目（所述第一参考更新阶段数目的具体数值不受限制，如2、3、4、5等数值），则对所述第一阶段组合文本特征表示加载到所述第一描述文本挖掘神经网络对应的数据干扰识别神经网络中，利用所述数据干扰识别神经网络对所述更新用示例性数据组合对应的数据标记簇进行标记，以标记为所述阶段示例性数据对应的原始数据标记簇；
在所述原始数据标记簇中，更新保存所述更新用示例性数据组合中的第三示例性网络行为描述文本的原始参考相似文本集合偏离比值；
提取到所述数据干扰识别神经网络在所述第一参考更新阶段数目时具有的参考置信度参数，以及，依据更新保存的原始参考相似文本集合偏离比值和所述第一参考更新阶段数目时具有的参考置信度参数，分析出所述数据干扰识别神经网络在所述第一参考更新阶段数目时具有的原始参考置信度参数（示例性地，计算更新保存的原始参考相似文本集合偏离比值与更新用示例性数据组合的数量的比值，然后，对该比值和在所述第一参考更新阶段数目时具有的参考置信度参数进行加权求和，以得到在所述第一参考更新阶段数目时具有的原始参考置信度参数，在所述第一参考更新阶段数目时具有的参考置信度参数可以是前一个更新阶段得到的原始参考置信度参数，第一次计算时，即所述第一参考更新阶段数目等于1时，所述第一参考更新阶段数目时具有的参考置信度参数可以为0），以及，依据所述原始参考置信度参数，确定出所述数据干扰识别神经网络对应的第一参考相似文本集合偏离系数（示例性地，所述第一参考相似文本集合偏离系数可以与所述原始参考置信度参数正相关，或者，可以将所述原始参考置信度参数作为所述第一参考相似文本集合偏离系数）。
其中，需要说明的是，在一些实施方式中，所述在所述原始数据标记簇中，更新保存所述更新用示例性数据组合中的第三示例性网络行为描述文本的原始参考相似文本集合偏离比值的步骤，可以进一步包括以下的具体内容：
分析出所述原始数据标记簇中进行阶段更新的所述更新用示例性数据组合的数据组合累积数目，以及，在所述更新用示例性数据组合中，确定出待处理示例性数据组合的第一示例性网络行为描述文本和所述待处理示例性数据组合的第三示例性网络行为描述文本，以及，对所述待处理示例性数据组合的第一示例性网络行为描述文本对应的相似网络行为描述文本集合进行标记，以标记为目标相似网络行为描述文本集合；
提取到所述目标相似网络行为描述文本集合中的第九数量个示例性网络行为描述文本，以及，依据所述第一阶段组合文本特征表示，分析出所述第九数量个示例性网络行为描述文本中的每一个示例性网络行为描述文本的映射行为描述文本特征表示，以及，对每一个所述示例性网络行为描述文本的映射行为描述文本特征表示进行均值叠加处理，以形成所述目标相似网络行为描述文本集合的集合代表特征表示；
从所述目标相似网络行为描述文本集合提取到的第九数量个示例性网络行为描述文本中，对与所述待处理示例性数据组合中的第三示例性网络行为描述文本之间的特征表示差异度具有最大值的示例性网络行为描述文本进行标记，以标记为第一对比示例性网络行为描述文本，以及，对所述待处理示例性数据组合中的第三示例性网络行为描述文本与所述第一对比示例性网络行为描述文本之间的特征表示差异度进行标记，以标记为第一差异度，以及，对所述待处理示例性数据组合中的第三示例性网络行为描述文本与所述目标相似网络行为描述文本集合的集合代表特征表示之间的特征表示差异度进行标记，以标记为第二差异度；
对所述第一差异度和所述第二差异度进行商值计算，以得到所述待处理示例性数据组合的第三示例性网络行为描述文本对应的候选相似文本集合偏离比值；
依据所述数据组合累积数目和所述待处理示例性数据组合的第三示例性网络行为描述文本对应的候选相似文本集合偏离比值，计算出所述更新用示例性数据组合中的第三示例性网络行为描述文本对应的原始参考相似文本集合偏离比值（示例性地，可以计算所述候选相似文本集合偏离比值和所述数据组合累积数目的比值，然后，对该比值进行加权，以得到对应的原始参考相似文本集合偏离比值）。
其中，需要说明的是，在一些实施方式中，所述对所述中间描述文本挖掘神经网络挖掘到的所述更新用示例性数据组合的组合文本特征表示进行标记，以标记为第二阶段组合文本特征表示，以及，在更新后的更新阶段数目大于或等于预先配置的第二参考更新阶段数目的情况下，对所述第二阶段组合文本特征表示加载到所述数据干扰识别神经网络中，利用所述数据干扰识别神经网络，基于所述数据干扰识别神经网络对应的第一参考相似文本集合偏离系数，将所述更新用示例性数据组合进行数据干扰识别，以输出所述更新用示例性数据组合对应的数据干扰识别信息的步骤，可以包括以下的具体内容：
对所述中间描述文本挖掘神经网络挖掘到的所述更新用示例性数据组合的组合文本特征表示进行标记，以标记为第二阶段组合文本特征表示，以及，倘若更新后的更新阶段数目大于或等于预先配置的第二参考更新阶段数目（所述第二参考更新阶段数目的具体数值不受限制，如3、4、5等），则对所述第二阶段组合文本特征表示加载到所述数据干扰识别神经网络中，利用所述数据干扰识别神经网络，在所述更新用示例性数据组合中，提取到待分析示例性数据组合的第一示例性网络行为描述文本和所述待分析示例性数据组合的第三示例性网络行为描述文本，以及，对所述待分析示例性数据组合的第一示例性网络行为描述文本对应的相似网络行为描述文本集合进行标记，以标记为待分析相似网络行为描述文本集合；
提取到所述待分析相似网络行为描述文本集合中的第十数量个示例性网络行为描述文本，以及，依据所述第二阶段组合文本特征表示，得到所述第十数量个示例性网络行为描述文本中的每一个示例性网络行为描述文本对应的映射行为描述文本特征表示，以及，对每一个所述示例性网络行为描述文本对应的映射行为描述文本特征表示进行均值叠加处理，以形成所述待分析相似网络行为描述文本集合对应的集合代表特征表示；
基于所述待分析相似网络行为描述文本集合中的第十数量个示例性网络行为描述文本各自与所述待分析相似网络行为描述文本集合对应的集合代表特征表示之间的特征表示差异度，计算出所述待分析相似网络行为描述文本集合对应的平均特征表示差异度，以及，对所述平均特征表示差异度进行标记，以标记为所述待分析相似网络行为描述文本集合对应的集合内部差异度；
从所述待分析相似网络行为描述文本集合中的第十数量个示例性网络行为描述文本中，对与所述待分析示例性数据组合中的第三示例性网络行为描述文本之间的特征表示差异度具有最小值的示例性网络行为描述文本进行标记，以标记为第二对比示例性网络行为描述文本，以及，对所述待分析示例性数据组合中的第三示例性网络行为描述文本与所述第二对比示例性网络行为描述文本之间的特征表示差异度进行标记，以标记为第三差异度，以及，对所述待分析示例性数据组合中的第三示例性网络行为描述文本与所述待分析相似网络行为描述文本集合的集合代表特征表示之间的特征表示差异度进行标记，以标记为第四差异度；
对所述第三差异度和所述第四差异度进行商值计算，以得到所述待分析示例性数据组合的第三示例性网络行为描述文本与所述待分析相似网络行为描述文本集合之间的差异性表征系数；
依据所述差异性表征系数、所述集合内部差异度和所述数据干扰识别神经网络对应的第一参考相似文本集合偏离系数，将所述待分析示例性数据组合进行数据干扰识别，以输出所述待分析示例性数据组合对应的数据干扰识别信息，以及，在所述更新用示例性数据组合中的每一个示例性数据组合都确定为所述待分析示例性数据组合之后，形成所述更新用示例性数据组合中的每一个示例性数据组合对应的数据干扰识别信息（示例性地，在第三示例性网络行为描述文本到相似网络行为描述文本集合中最近的网络行为描述文本的距离小于所述集合内部差异度时，可以判断出所述示例性数据组合为置信度不高的示例性数据组合，如此，可以将所述示例性数据组合分配到所述第三数据标记簇；在所述差异性表征系数小于所述第一参考相似文本集合偏离系数的情况下，可以判断出所述示例性数据组合为置信度不高的示例性数据组合，如此，可以将所述示例性数据组合分配到所述第三数据标记簇；在所述差异性表征系数大于所述第一参考相似文本集合偏离系数且小于N倍第一参考相似文本集合偏离系数的情况下，可以判断出所述示例性数据组合为置信度不低的示例性数据组合，如此，可以将所述示例性数据组合分配到所述第二数据标记簇；在所述差异性表征系数大于N倍第一参考相似文本集合偏离系数的情况下，可以判断出所述示例性数据组合为置信度较高的示例性数据组合，如此，可以将所述示例性数据组合分配到所述第一数据标记簇；所述差异性表征系数可以用于反映所述示例性数据组具有的置信度参数指标）。
其中，需要说明的是，在一些实施方式中，所述阶段示例性数据对应的原始数据标记簇包括第一数据标记簇、第二数据标记簇和第三数据标记簇，所述第一数据标记簇的置信度参数大于所述第二数据标记簇的置信度参数，所述第二数据标记簇的置信度参数大于所述第三数据标记簇的置信度参数，基于此，所述基于人工智能和大数据分析的网络数据匹配方法还可以包括以下的各步骤：
基于所述更新用示例性数据组合中的每一个示例性数据组合对应的数据干扰识别信息，从所述更新用示例性数据组合中的每一个示例性数据组合中，筛选出分配到所述第一数据标记簇的示例性数据组合、分配到所述第二数据标记簇的示例性数据组合和分配到所述第三数据标记簇的示例性数据组合；将所述阶段示例性数据对应的原始数据标记簇中所述第三数据标记簇对应的示例性数据组合筛除，以形成对应的筛选数据标记簇，以及，依据所述筛选数据标记簇中的示例性数据组合，对所述数据干扰识别神经网络对应的第一参考相似文本集合偏离系数进行调整。
需要说明的是，在一些实施方式中，所述更新用示例性数据组合的数据干扰识别信息包括第一数据标记簇对应的示例性数据组合的第一干扰识别信息、第二数据标记簇对应的示例性数据组合的第二干扰识别信息和第三数据标记簇对应的示例性数据组合的第三干扰识别信息，所述第一数据标记簇的置信度参数大于所述第二数据标记簇的置信度参数，所述第二数据标记簇的置信度参数大于所述第三数据标记簇的置信度参数，基于此，所述将所述更新用示例性数据组合对应的组合文本特征表示进行参数二元化操作，以输出所述更新用示例性数据组合对应的更新组合文本特征表示，以及，基于所述更新用示例性数据组合对应的更新组合文本特征表示和所述数据干扰识别信息，将所述阶段示例性数据进行学习代价值的确定，输出所述阶段示例性数据对应的总学习代价值的步骤，可以进一步包括以下的具体内容：
将所述更新用示例性数据组合的组合文本特征表示进行参数二元化操作（示例性地，可以用0和1来表示所述组合文本特征表示，以得到更新组合文本特征表示），以形成所述更新用示例性数据组合对应的更新组合文本特征表示，以及，将所述更新用示例性数据组合对应的更新组合文本特征表示进行参数抽选操作（如进行滤波处理），以形成所述更新用示例性数据组合对应的抽选行为描述文本特征表示；
基于所述第一描述文本挖掘神经网络的更新阶段数目，分析出所述第一数据标记簇对应的第一阶段性加权系数、所述第二数据标记簇对应的第二阶段性加权系数和所述第三数据标记簇对应的第三阶段性加权系数（示例性地，在不同的阶段可以配置的不同的加权系数，例如，所述第一阶段性加权系数可以逐渐增加，所述第二阶段性加权系数可以逐渐减小，所述第三阶段性加权系数可以逐渐减小）；
基于所述第一数据标记簇对应的示例性数据组合的第一干扰识别信息（与对应的实际干扰识别信息之间的误差），分析出所述第一数据标记簇对应的示例性数据组合的第一干扰维度学习代价值，以及，基于所述第二数据标记簇对应的示例性数据组合的第二干扰识别信息（与对应的实际干扰识别信息之间的误差），分析出所述第二数据标记簇对应的示例性数据组合的第二干扰维度学习代价值，以及，基于所述第三数据标记簇对应的示例性数据组合的第三干扰识别信息（与对应的实际干扰识别信息之间的误差），分析出所述第三数据标记簇对应的示例性数据组合的第三干扰维度学习代价值；
基于所述第一干扰维度学习代价值和所述第一阶段性加权系数、所述第二干扰维度学习代价值和所述第二阶段性加权系数以及所述第三干扰维度学习代价值和所述第三阶段性加权系数，计算出所述阶段示例性数据在所述更新阶段数目时的目标干扰维度学习代价值（示例性地，可以基于对应的阶段性加权系数对干扰维度学习代价值进行加权求和）；
依据所述更新用示例性数据组合的更新组合文本特征表示和所述更新用示例性数据组合的抽选行为描述文本特征表示之间的差异，确定出对应的目标抽选维度学习代价值；以及，基于所述目标干扰维度学习代价值和所述目标抽选维度学习代价值（如加权求和等），计算得到所述阶段示例性数据对应的总学习代价值。
结合图3，本申请实施例还提供一种基于人工智能和大数据分析的网络用户关联处理方法，可应用于上述基于人工智能和大数据分析的网络数据匹配平台。其中，该基于人工智能和大数据分析的网络用户关联处理方法有关的流程所定义的方法步骤，可以由所述基于人工智能和大数据分析的网络数据匹配平台实现。所述基于人工智能和大数据分析的网络用户关联处理方法可以包括以下的各步骤：
提取目标网络行为描述文本，并利用更新描述文本挖掘神经网络，将所述目标网络行为描述文本进行关键信息挖掘操作，以挖掘出所述目标网络行为描述文本对应的映射行为描述文本特征表示，以及，将所述目标网络行为描述文本对应的映射行为描述文本特征表示进行参数抽选操作，并将参数抽选操作形成的所述目标网络行为描述文本对应的抽选行为描述文本特征表示进行标记，以形成所述目标网络行为描述文本对应的第一行为描述文本特征表示；
基于所述更新描述文本挖掘神经网络对应的映射关系集合，确定出所述第一行为描述文本特征表示对应的映射第一行为描述文本特征表示，以及，对所述映射第一行为描述文本特征表示对应的代表参数进行标记，以得到对应的第一代表参数，以及，对所述第一代表参数对应的相关网络行为描述文本进行标记，以得到所述目标网络行为描述文本对应的待确认网络行为描述文本；
分析出所述目标网络行为描述文本对应的映射行为描述文本特征表示和所述待确认网络行为描述文本对应的映射行为描述文本特征表示之间的特征表示差异度，以及，在分析出的特征表示差异度中筛选出第一特征表示差异度，以及，对所述第一特征表示差异度对应的待确认网络行为描述文本进行标记处理，以形成所述目标网络行为描述文本对应的匹配网络行为描述文本；
将所述匹配网络行为描述文本对应的网络行为对应的网络用户和所述目标网络行为描述文本对应的网络行为对应的网络用户进行用户关联处理，以在两个网络用户之间形成用户关联关系（所述基于人工智能和大数据分析的网络用户关联处理方法可以包括上述中的基于人工智能和大数据分析的网络数据匹配方法包括的全部内容）。
综上所述，本申请提供的基于人工智能和大数据分析的网络数据匹配方法和平台，可以将目标网络行为描述文本进行关键信息挖掘操作，以挖掘出映射行为描述文本特征表示，以形成目标网络行为描述文本对应的第一行为描述文本特征表示；确定出第一行为描述文本特征表示对应的映射第一行为描述文本特征表示，以得到目标网络行为描述文本对应的待确认网络行为描述文本；分析出目标网络行为描述文本对应的映射行为描述文本特征表示和待确认网络行为描述文本对应的映射行为描述文本特征表示之间的特征表示差异度，以确定匹配网络行为描述文本。基于前述的内容，通过映射关系集合和特征表示差异度的两次筛选确认，可以使得确定出的匹配网络行为描述文本的可靠度较高，从而提高网络数据匹配的可靠度。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于人工智能和大数据分析的网络数据匹配方法，其特征在于，所述网络数据匹配方法包括：
提取目标网络行为描述文本，并利用更新描述文本挖掘神经网络，将所述目标网络行为描述文本进行关键信息挖掘操作，以挖掘出所述目标网络行为描述文本对应的映射行为描述文本特征表示，以及，将所述目标网络行为描述文本对应的映射行为描述文本特征表示进行参数抽选操作，并将参数抽选操作形成的所述目标网络行为描述文本对应的抽选行为描述文本特征表示进行标记，以形成所述目标网络行为描述文本对应的第一行为描述文本特征表示；
基于所述更新描述文本挖掘神经网络对应的映射关系集合，确定出所述第一行为描述文本特征表示对应的映射第一行为描述文本特征表示，以及，对所述映射第一行为描述文本特征表示对应的代表参数进行标记，以得到对应的第一代表参数，以及，对所述第一代表参数对应的相关网络行为描述文本进行标记，以得到所述目标网络行为描述文本对应的待确认网络行为描述文本；
分析出所述目标网络行为描述文本对应的映射行为描述文本特征表示和所述待确认网络行为描述文本对应的映射行为描述文本特征表示之间的特征表示差异度，以及，在分析出的特征表示差异度中筛选出第一特征表示差异度，以及，对所述第一特征表示差异度对应的待确认网络行为描述文本进行标记处理，以形成所述目标网络行为描述文本对应的匹配网络行为描述文本。
2.根据权利要求1所述的基于人工智能和大数据分析的网络数据匹配方法，其特征在于，所述映射关系集合依据网络行为描述文本集合中的历史网络行为描述文本对应的映射行为描述文本特征表示构建形成；
所述基于人工智能和大数据分析的网络数据匹配方法还包括：
利用所述更新描述文本挖掘神经网络，将所述历史网络行为描述文本进行关键信息挖掘操作，以挖掘出所述历史网络行为描述文本对应的映射行为描述文本特征表示，以及，将所述历史网络行为描述文本对应的映射行为描述文本特征表示进行分类操作，以形成所述历史网络行为描述文本对应的第一数量个特征表示分类集合，每一个所述特征表示分类集合具有一个分类中心特征表示；
对所述第一数量个特征表示分类集合中的每一个特征表示分类集合具有的分类中心特征表示进行标记，以标记为每一个所述特征表示分类集合对应的代表参数，以及，依据每一个所述特征表示分类集合对应的代表参数确定出所述映射关系集合；
构建出所述映射关系集合中的代表参数与所述网络行为描述文本集合中的历史网络行为描述文本之间的相对映射信息，依据所述相对映射信息，对每一个所述特征表示分类集合中的历史网络行为描述文本进行标记，以标记为对应特征表示分类集合的代表参数对应的相关网络行为描述文本。
3.根据权利要求1所述的基于人工智能和大数据分析的网络数据匹配方法，其特征在于，所述网络数据匹配方法还包括：
采集对第一描述文本挖掘神经网络进行更新的阶段示例性数据，以及，对所述阶段示例性数据中的示例性数据组合进行标记，以标记为更新用示例性数据组合，所述更新用示例性数据组合包括第一示例性网络行为描述文本、第二示例性网络行为描述文本和第三示例性网络行为描述文本，所述第一示例性网络行为描述文本和第二示例性网络行为描述文本所在的相似网络行为描述文本集合一样，所述第一示例性网络行为描述文本和第三示例性网络行为描述文本所在的相似网络行为描述文本集合不一样；
利用所述第一描述文本挖掘神经网络，挖掘到所述更新用示例性数据组合对应的组合文本特征表示，以及，对所述更新用示例性数据组合对应的组合文本特征表示加载到所述第一描述文本挖掘神经网络对应的数据干扰识别神经网络，利用所述数据干扰识别神经网络，基于所述第一描述文本挖掘神经网络的更新阶段数目和所述数据干扰识别神经网络对应的参考相似文本集合偏离系数，将所述更新用示例性数据组合进行数据干扰识别，以输出所述更新用示例性数据组合对应的数据干扰识别信息；
将所述更新用示例性数据组合对应的组合文本特征表示进行参数二元化操作，以输出所述更新用示例性数据组合对应的更新组合文本特征表示，以及，基于所述更新用示例性数据组合对应的更新组合文本特征表示和所述数据干扰识别信息，将所述阶段示例性数据进行学习代价值的确定，输出所述阶段示例性数据对应的总学习代价值；
基于所述总学习代价值，对所述第一描述文本挖掘神经网络的网络参数进行更新，以及，依据更新后的第一描述文本挖掘神经网络，形成用于对所述目标网络行为描述文本进行关键信息挖掘操作的更新描述文本挖掘神经网络。
4.根据权利要求3所述的基于人工智能和大数据分析的网络数据匹配方法，其特征在于，所述采集对第一描述文本挖掘神经网络进行更新的阶段示例性数据的步骤，包括：
采集到目标网络行为描述文本集合，以及，确定出与目标网络行为描述文本集合中的每一个相似网络行为描述文本集合对应的非相似数据集；
依据所述目标网络行为描述文本集合中的每一个相似网络行为描述文本集合和每一个所述相似网络行为描述文本集合对应的非相似数据集，确定出对第一描述文本挖掘神经网络进行更新的整体示例性数据组合；
基于所述非相似数据集的数据集文本数量，将所述整体示例性数据组合中的示例性数据组合进行阶段化处理，以形成所述目标网络行为描述文本集合对应的阶段示例性数据。
5.根据权利要求4所述的基于人工智能和大数据分析的网络数据匹配方法，其特征在于，所述采集到目标网络行为描述文本集合，以及，确定出与目标网络行为描述文本集合中的每一个相似网络行为描述文本集合对应的非相似数据集的步骤，包括：
采集到目标网络行为描述文本集合，以及，依据所述目标网络行为描述文本集合包括的第二数量个相似网络行为描述文本集合的文本标识数据，将所述第二数量个相似网络行为描述文本集合进行分类操作，以形成所述目标网络行为描述文本集合对应的第三数量个文本集合分类组，一个文本集合分类组与一个文本标识数据对应；
在所述目标网络行为描述文本集合中，提取到任意一个相似网络行为描述文本集合，以及，从所述第三数量个文本集合分类组中，对在所述任意一个相似网络行为描述文本集合相关的文本集合分类组中筛选出的第四数量个文本集合分类组进行标记，以标记为第一文本集合分类组；
在第四数量个所述第一文本集合分类组对应的数据子集中，确定出第五数量个示例性网络行为描述文本，以标记为第一非相似示例性网络行为描述文本，以及，依据确定出的第五数量个第一非相似示例性网络行为描述文本，组合形成所述任意一个相似网络行为描述文本集合对应的第一非相似数据子集，以及，在所述第三数量个文本集合分类组对应的数据子集中，确定出第五数量个示例性网络行为描述文本，以标记为第二非相似示例性网络行为描述文本，以及，依据确定出的第五数量个第二非相似示例性网络行为描述文本，组合形成所述任意一个相似网络行为描述文本集合对应的第二非相似数据子集，所述第一非相似数据子集中的第一非相似示例性网络行为描述文本与所述任意一个相似网络行为描述文本集合中的示例性网络行为描述文本具有一样的文本标识数据，所述第二非相似数据子集中的示例性网络行为描述文本与所述任意一个相似网络行为描述文本集合中的示例性网络行为描述文本具有不一样的文本标识数据；
对所述第一非相似数据子集和所述第二非相似数据子集进标记，以标记为所述任意一个相似网络行为描述文本集合对应的非相似数据集。
6.根据权利要求5所述的基于人工智能和大数据分析的网络数据匹配方法，其特征在于，所述依据所述目标网络行为描述文本集合包括的第二数量个相似网络行为描述文本集合的文本标识数据，将所述第二数量个相似网络行为描述文本集合进行分类操作，以形成所述目标网络行为描述文本集合对应的第三数量个文本集合分类组的步骤，包括：
对所述目标网络行为描述文本集合包括的所述第二数量个相似网络行为描述文本集合加载到标识数据分析神经网络中，利用所述标识数据分析神经网络分析得到所述第二数量个相似网络行为描述文本集合中的每一个相似网络行为描述文本集合的文本标识数据，每一个所述相似网络行为描述文本集合的文本标识数据在基于所述相似网络行为描述文本集合中的示例性网络行为描述文本的文本标识数据的标识数据统计数量大于参考标识数据统计数量的情况下得到；所述参考标识数据统计数量基于所述相似网络行为描述文本集合中的示例性网络行为描述文本的数量得到；
从所述第二数量个相似网络行为描述文本集合中，依据每一个所述相似网络行为描述文本集合的文本标识数据，对具有一样的文本标识数据的相似网络行为描述文本集合分配到一个文本集合分类组中，形成所述目标网络行为描述文本集合对应的第三数量个文本集合分类组。
7.根据权利要求4所述的基于人工智能和大数据分析的网络数据匹配方法，其特征在于，所述目标网络行为描述文本集合包括第二数量个相似网络行为描述文本集合，一个相似网络行为描述文本集合包括第七数量个示例性网络行为描述文本，每一个所述相似网络行为描述文本集合对应的非相似数据集包括第一非相似数据子集和第二非相似数据子集；
所述依据所述目标网络行为描述文本集合中的每一个相似网络行为描述文本集合和每一个所述相似网络行为描述文本集合对应的非相似数据集，确定出对第一描述文本挖掘神经网络进行更新的整体示例性数据组合的步骤，包括：
从所述目标网络行为描述文本集合包括的每一个相似网络行为描述文本集合中，确定出第一相似网络行为描述文本集合；
从所述第一相似网络行为描述文本集合包括的第七数量个示例性网络行为描述文本中，确定出一个示例性网络行为描述文本，以标记为所述第一相似网络行为描述文本集合的第一示例性网络行为描述文本，以及，对所述第一相似网络行为描述文本集合包括的第七数量个示例性网络行为描述文本中所述第一示例性网络行为描述文本以外的示例性网络行为描述文本进行标记，以标记为所述第一相似网络行为描述文本集合的第二示例性网络行为描述文本，以及，依据所述第一相似网络行为描述文本集合的第一示例性网络行为描述文本和所述第一相似网络行为描述文本集合的第二示例性网络行为描述文本，形成所述第一相似网络行为描述文本集合的相似示例性网络行为描述文本组合；
从所述第一相似网络行为描述文本集合对应的非相似数据集中，确定出第八数量个示例性网络行为描述文本，以标记为所述第一相似网络行为描述文本集合的第三示例性网络行为描述文本，所述第一相似网络行为描述文本集合的第三示例性网络行为描述文本中包括第八数量/2个复杂第三示例性网络行为描述文本和第八数量/2个简单第三示例性网络行为描述文本，所述第八数量/2个复杂第三示例性网络行为描述文本在所述第一相似网络行为描述文本集合对应的第一非相似数据子集中选择出，所述第八数量/2个简单第三示例性网络行为描述文本在所述第一相似网络行为描述文本集合对应的第二非相似数据子集中选择出；
基于所述第一相似网络行为描述文本集合的相似示例性网络行为描述文本组合和所述第一相似网络行为描述文本集合的第三示例性网络行为描述文本，组合形成所述第一相似网络行为描述文本集合的示例性数据组合，以及，在所述目标网络行为描述文本集合中的每一个相似网络行为描述文本集合确定为所述第一相似网络行为描述文本集合的情况下，形成每一个所述相似网络行为描述文本集合的示例性数据组合；
对每一个相似网络行为描述文本集合的示例性数据组合进行标记，以标记为对第一描述文本挖掘神经网络进行更新的整体示例性数据组合。
8.根据权利要求3所述的基于人工智能和大数据分析的网络数据匹配方法，其特征在于，所述利用所述第一描述文本挖掘神经网络，挖掘到所述更新用示例性数据组合对应的组合文本特征表示，以及，对所述更新用示例性数据组合对应的组合文本特征表示加载到所述第一描述文本挖掘神经网络对应的数据干扰识别神经网络，利用所述数据干扰识别神经网络，基于所述第一描述文本挖掘神经网络的更新阶段数目和所述数据干扰识别神经网络对应的参考相似文本集合偏离系数，将所述更新用示例性数据组合进行数据干扰识别，以输出所述更新用示例性数据组合对应的数据干扰识别信息的步骤，包括：
对所述更新用示例性数据组合进行加载处理，利用所述第一描述文本挖掘神经网络对所述更新用示例性数据组合进行关键信息挖掘操作和线性操作，以及，对所述第一描述文本挖掘神经网络输出的所述更新用示例性数据组合的组合文本特征表示进行标记，以标记为第一阶段组合文本特征表示；
倘若所述第一描述文本挖掘神经网络的更新阶段数目大于或等于预先配置的第一参考更新阶段数目，则对所述第一阶段组合文本特征表示加载到所述第一描述文本挖掘神经网络对应的数据干扰识别神经网络中，利用所述数据干扰识别神经网络，基于所述阶段示例性数据对应的原始数据标记簇，分析出所述数据干扰识别神经网络对应的第一参考相似文本集合偏离系数；
依据所述原始数据标记簇，分析出所述阶段示例性数据对应的原始总学习代价值，以及，依据所述原始总学习代价值，对所述第一描述文本挖掘神经网络的网络参数进行更新，以及，对更新后的第一描述文本挖掘神经网络进行标记，以标记为中间描述文本挖掘神经网络，以及，更新所述第一描述文本挖掘神经网络的更新阶段数目；
对所述中间描述文本挖掘神经网络挖掘到的所述更新用示例性数据组合的组合文本特征表示进行标记，以标记为第二阶段组合文本特征表示，以及，在更新后的更新阶段数目大于或等于预先配置的第二参考更新阶段数目的情况下，对所述第二阶段组合文本特征表示加载到所述数据干扰识别神经网络中，利用所述数据干扰识别神经网络，基于所述数据干扰识别神经网络对应的第一参考相似文本集合偏离系数，将所述更新用示例性数据组合进行数据干扰识别，以输出所述更新用示例性数据组合对应的数据干扰识别信息。
9.根据权利要求3所述的基于人工智能和大数据分析的网络数据匹配方法，其特征在于，所述更新用示例性数据组合的数据干扰识别信息包括第一数据标记簇对应的示例性数据组合的第一干扰识别信息、第二数据标记簇对应的示例性数据组合的第二干扰识别信息和第三数据标记簇对应的示例性数据组合的第三干扰识别信息，所述第一数据标记簇的置信度参数大于所述第二数据标记簇的置信度参数，所述第二数据标记簇的置信度参数大于所述第三数据标记簇的置信度参数；
所述将所述更新用示例性数据组合对应的组合文本特征表示进行参数二元化操作，以输出所述更新用示例性数据组合对应的更新组合文本特征表示，以及，基于所述更新用示例性数据组合对应的更新组合文本特征表示和所述数据干扰识别信息，将所述阶段示例性数据进行学习代价值的确定，输出所述阶段示例性数据对应的总学习代价值的步骤，包括：
将所述更新用示例性数据组合的组合文本特征表示进行参数二元化操作，以形成所述更新用示例性数据组合对应的更新组合文本特征表示，以及，将所述更新用示例性数据组合对应的更新组合文本特征表示进行参数抽选操作，以形成所述更新用示例性数据组合对应的抽选行为描述文本特征表示；
基于所述第一描述文本挖掘神经网络的更新阶段数目，分析出所述第一数据标记簇对应的第一阶段性加权系数、所述第二数据标记簇对应的第二阶段性加权系数和所述第三数据标记簇对应的第三阶段性加权系数；
基于所述第一数据标记簇对应的示例性数据组合的第一干扰识别信息，分析出所述第一数据标记簇对应的示例性数据组合的第一干扰维度学习代价值，以及，基于所述第二数据标记簇对应的示例性数据组合的第二干扰识别信息，分析出所述第二数据标记簇对应的示例性数据组合的第二干扰维度学习代价值，以及，基于所述第三数据标记簇对应的示例性数据组合的第三干扰识别信息，分析出所述第三数据标记簇对应的示例性数据组合的第三干扰维度学习代价值；
基于所述第一干扰维度学习代价值和所述第一阶段性加权系数、所述第二干扰维度学习代价值和所述第二阶段性加权系数以及所述第三干扰维度学习代价值和所述第三阶段性加权系数，计算出所述阶段示例性数据在所述更新阶段数目时的目标干扰维度学习代价值；
依据所述更新用示例性数据组合的更新组合文本特征表示和所述更新用示例性数据组合的抽选行为描述文本特征表示之间的差异，确定出对应的目标抽选维度学习代价值；
基于所述目标干扰维度学习代价值和所述目标抽选维度学习代价值，计算得到所述阶段示例性数据对应的总学习代价值。
10.一种基于人工智能和大数据分析的网络数据匹配平台，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 |
|---|---|---|---|
| CN202211702038.4A CN115964461A (zh) | 2022-12-29 | 2022-12-29 | 基于人工智能和大数据分析的网络数据匹配方法和平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211702038.4A CN115964461A (zh) | 2022-12-29 | 2022-12-29 | 基于人工智能和大数据分析的网络数据匹配方法和平台 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115964461A true CN115964461A (zh) | 2023-04-14 |
Family
ID=87361459
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211702038.4A Withdrawn CN115964461A (zh) | 2022-12-29 | 2022-12-29 | 基于人工智能和大数据分析的网络数据匹配方法和平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115964461A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116975300A (zh) * | 2023-09-22 | 2023-10-31 | 中国铁塔股份有限公司吉林省分公司 | 基于大数据集合的信息挖掘方法及系统 |
| CN117150271A (zh) * | 2023-09-08 | 2023-12-01 | 南京栖西科技有限公司 | 一种通信路径的匹配方法及系统 |
| CN117171578A (zh) * | 2023-11-03 | 2023-12-05 | 成都方顷科技有限公司 | 一种基于大数据分析的机场智慧台站管理方法及系统 |
| CN117221134A (zh) * | 2023-09-19 | 2023-12-12 | 合肥尚廷电子科技有限公司 | 一种基于互联网的状态分析方法及系统 |
-
2022
- 2022-12-29 CN CN202211702038.4A patent/CN115964461A/zh not_active Withdrawn
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117150271A (zh) * | 2023-09-08 | 2023-12-01 | 南京栖西科技有限公司 | 一种通信路径的匹配方法及系统 |
| CN117221134A (zh) * | 2023-09-19 | 2023-12-12 | 合肥尚廷电子科技有限公司 | 一种基于互联网的状态分析方法及系统 |
| CN116975300A (zh) * | 2023-09-22 | 2023-10-31 | 中国铁塔股份有限公司吉林省分公司 | 基于大数据集合的信息挖掘方法及系统 |
| CN116975300B (zh) * | 2023-09-22 | 2024-01-26 | 中国铁塔股份有限公司吉林省分公司 | 基于大数据集合的信息挖掘方法及系统 |
| CN117171578A (zh) * | 2023-11-03 | 2023-12-05 | 成都方顷科技有限公司 | 一种基于大数据分析的机场智慧台站管理方法及系统 |
| CN117171578B (zh) * | 2023-11-03 | 2024-02-06 | 成都方顷科技有限公司 | 一种基于大数据分析的机场智慧台站管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115964461A (zh) | 基于人工智能和大数据分析的网络数据匹配方法和平台 | |
| CN108596630B (zh) | 基于深度学习的欺诈交易识别方法、系统及存储介质 | |
| CN111667022A (zh) | 用户数据处理方法、装置、计算机设备和存储介质 | |
| CN109739844B (zh) | 基于衰减权重的数据分类方法 | |
| CN114372573B (zh) | 用户画像信息识别方法、装置、计算机设备和存储介质 | |
| CN112395500A (zh) | 内容数据推荐方法、装置、计算机设备及存储介质 | |
| Muneer et al. | Predicting customers churning in banking industry: A machine learning approach | |
| CN110264270A (zh) | 一种行为预测方法、装置、设备和存储介质 | |
| CN112508456A (zh) | 食品安全风险评估方法、系统、计算机设备及存储介质 | |
| CN115423040A (zh) | 互动营销平台的用户画像识别方法及ai系统 | |
| CN115080868A (zh) | 产品推送方法、装置、计算机设备、存储介质和程序产品 | |
| CN112950347B (zh) | 资源数据处理的优化方法及装置、存储介质、终端 | |
| He et al. | Learning with supervised data for anomaly detection in smart manufacturing | |
| CN113434857A (zh) | 一种应用深度学习的用户行为安全解析方法及系统 | |
| CN116578925B (zh) | 基于特征画像的行为预测方法、装置及存储介质 | |
| CN111324594A (zh) | 用于粮食加工业的数据融合方法、装置、设备及存储介质 | |
| Dessureault et al. | Explainable global error weighted on feature importance: The xGEWFI metric to evaluate the error of data imputation and data augmentation | |
| CN115344495A (zh) | 批量任务测试的数据分析方法、装置、计算机设备及介质 | |
| CN114090869A (zh) | 目标对象处理方法、装置、电子设备及存储介质 | |
| CN113627514A (zh) | 知识图谱的数据处理方法、装置、电子设备和存储介质 | |
| CN112529319A (zh) | 基于多维特征的评分方法、装置、计算机设备及存储介质 | |
| CN111967541B (zh) | 基于多平台样本的数据分类方法及装置 | |
| Shahoud et al. | Incorporating unsupervised deep learning into meta learning for energy time series forecasting | |
| CN112862536B (zh) | 一种数据处理方法、装置、设备及存储介质 | |
| CN117953313B (zh) | 基于人工智能实现矿山数据的异常识别方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230414 |