CN116070149A - 基于人工智能的数据分析方法、系统及云平台 - Google Patents

Abstract

本发明提供的基于人工智能的数据分析方法、系统及云平台，涉及人工智能技术领域。在本发明中，基于目标区域关系描述网中每一个物理区域和分类物理区域目标之间的相关信息、每一个物理区域的区域描述信息，分析出区域信息描述向量集合；基于区域信息描述向量集合，抽取出待分析物理区域目标的区域信息描述向量；基于待分析物理区域目标的区域信息描述向量和目标区域关系描述网中待分析物理区域目标以外的其他物理区域的区域信息描述向量，分析出区域分类集合分析信息，区域分类集合分析信息包括和待分析物理区域目标在一个区域分类集合的物理区域。基于上述内容，可以在一定程度上提高物理区域分类的可靠度。

Description

基于人工智能的数据分析方法、系统及云平台

技术领域

本发明涉及人工智能与大数据分析技术领域，具体而言，涉及一种基于人工智能的数据分析方法、系统及云平台。

背景技术

人工智能与大数据分析，在互联网应用中越来越广泛。在互联网等领域中，一般会涉及到对物理区域进行分类组合，以对形成的集合内部的各物理区域进行关联处理等。但是，在现有技术中，一般是基于物理区域之间的距离，或者，是基于其它因素，进行物理区域的分类组合，如此，就需要先确定出对应的分类规则，如分类参考因素等，因而，容易出现分类规则不准确而导致分类的可靠度不佳的问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于人工智能的数据分析方法、系统及云平台，以在一定程度上提高物理区域分类的可靠度。

为实现上述目的，本发明实施例采用如下技术方案：

一种基于人工智能的数据分析方法，包括：

确定目标区域关系描述网的目标分类标识信息，所述目标区域关系描述网包括多个物理区域，所述目标分类标识信息中包括所述目标区域关系描述网中的分类物理区域目标和所述分类物理区域目标对应的区域分类标识信息，所述区域分类标识信息包括和所述分类物理区域目标在一个区域分类集合的物理区域；

基于所述目标区域关系描述网中每一个物理区域和所述分类物理区域目标之间的相关信息、每一个物理区域的区域描述信息，分析出所述目标区域关系描述网的区域信息描述向量集合，所述物理区域与所述分类物理区域目标之间的相关信息基于所述区域分类标识信息形成，所述区域信息描述向量集合包括所述目标区域关系描述网中的每一个物理区域的区域信息描述向量；

基于所述区域信息描述向量集合，抽取出所述目标区域关系描述网中的待分析物理区域目标的区域信息描述向量；

基于所述待分析物理区域目标的区域信息描述向量和所述目标区域关系描述网中所述待分析物理区域目标以外的其他物理区域的区域信息描述向量，分析所述待分析物理区域目标的区域分类集合分析信息，所述区域分类集合分析信息包括所述目标区域关系描述网中和所述待分析物理区域目标在一个区域分类集合的物理区域。

在一些优选的实施例中，在上述基于人工智能的数据分析方法中，所述目标分类标识信息中包括多个分类物理区域目标和每一个分类物理区域目标对应的区域分类标识信息；

所述基于所述目标区域关系描述网中每一个物理区域和所述分类物理区域目标之间的相关信息、每一个物理区域的区域描述信息，分析出所述目标区域关系描述网的区域信息描述向量集合的步骤，包括：

对于每一个所述分类物理区域目标，利用区域关系分析神经网络模型包括的关键信息挖掘单元，基于所述目标区域关系描述网中每一个物理区域与所述分类物理区域目标之间的相关信息和每一个物理区域的区域描述信息，挖掘出每一个所述物理区域在所述分类物理区域目标对应的参考分类模式下具有的区域信息描述向量；

对于每一个所述分类物理区域目标，基于每一个所述物理区域在所述分类物理区域目标对应的参考分类模式下具有的区域信息描述向量，分析出所述分类物理区域目标的区域信息描述向量集合；

将所述多个分类物理区域目标中的每一个分类物理区域目标对应的区域信息描述向量集合进行整合操作，以形成所述目标区域关系描述网对应的区域信息描述向量集合。

在一些优选的实施例中，在上述基于人工智能的数据分析方法中，所述分类物理区域目标属于包括多个分类物理区域的分类物理区域簇；

所述对于每一个所述分类物理区域目标，利用区域关系分析神经网络模型包括的关键信息挖掘单元，基于所述目标区域关系描述网中每一个物理区域与所述分类物理区域目标之间的相关信息和每一个物理区域的区域描述信息，挖掘出每一个所述物理区域在所述分类物理区域目标对应的参考分类模式下具有的区域信息描述向量的步骤，包括：

对于所述分类物理区域簇中的每一个所述分类物理区域，利用区域关系分析神经网络模型包括的关键信息挖掘单元，基于所述目标区域关系描述网中每一个物理区域与所述分类物理区域目标之间的相关信息和每一个所述物理区域的区域描述信息，挖掘出每一个所述物理区域在所述多个分类物理区域对应的参考分类模式下各自具有的区域信息描述向量；

对于所述目标区域关系描述网中的每一个所述物理区域，将所述物理区域在所述多个分类物理区域对应的参考分类模式下各自具有的区域信息描述向量进行整合操作，以形成所述物理区域在所述分类物理区域目标对应的参考分类模式下具有的区域信息描述向量。

在一些优选的实施例中，在上述基于人工智能的数据分析方法中，所述基于所述待分析物理区域目标的区域信息描述向量和所述目标区域关系描述网中所述待分析物理区域目标以外的其他物理区域的区域信息描述向量，分析出所述待分析物理区域目标的区域分类集合分析信息的步骤，包括：

利用区域关系分析神经网络模型包括的向量映射输出单元，基于所述待分析物理区域目标的区域信息描述向量和待确认物理区域的区域信息描述向量，分析出所述待确认物理区域对应的物理区域分类可能性参数，所述待确认物理区域属于所述目标区域关系描述网中所述待分析物理区域目标以外的任意一个物理区域，所述物理区域分类可能性参数用于反映所述待确认物理区域和所述待分析物理区域目标在一个区域分类集合中的可能性大小；

基于对应的物理区域分类可能性参数达到预先配置的分类需求的每一个待确认物理区域，确定出对应的区域分类集合分析信息。

在一些优选的实施例中，在上述基于人工智能的数据分析方法中，所述待分析物理区域目标属于包括多个待分析物理区域的待分析物理区域簇；所述基于所述区域信息描述向量集合，抽取出所述目标区域关系描述网中的待分析物理区域目标的区域信息描述向量的步骤，包括：

从所述区域信息描述向量集合中，分析出所述待分析物理区域簇中的每一个待分析物理区域对应的区域信息描述向量；

将所述待分析物理区域簇中每一个待分析物理区域对应的区域信息描述向量进行向量整合操作，以输出所述待分析物理区域目标对应的区域信息描述向量。

在一些优选的实施例中，在上述基于人工智能的数据分析方法中，所述基于所述待分析物理区域目标的区域信息描述向量和所述目标区域关系描述网中所述待分析物理区域目标以外的其他物理区域的区域信息描述向量，分析所述待分析物理区域目标的区域分类集合分析信息的步骤，包括：

基于所述待分析物理区域目标的区域信息描述向量和所述目标区域关系描述网中所述待分析物理区域目标以外的其他物理区域的区域信息描述向量，分析出所述待分析物理区域目标的待确认区域分类集合分析信息；

将所述待确认区域分类集合分析信包括的物理区域按照预先配置的物理区域确定规则进行优化，输出对应的区域分类集合分析信息。

在一些优选的实施例中，在上述基于人工智能的数据分析方法中，所述基于人工智能的数据分析方法还包括区域关系分析神经网络模型的优化步骤，该优化步骤包括：

依据第一示例性区域关系描述网，将初始的区域关系分析神经网络模型包括的关键信息挖掘单元进行参数优化处理，所述第一示例性区域关系描述网包括多个示例性物理区域，所述关键信息挖掘单元用于基于第一示例性区域关系描述网中每一个示例性物理区域与示例性分类物理区域目标之间的相关信息、每一个所述示例性物理区域的区域描述信息，分析出所述第一示例性区域关系描述网的区域信息描述向量集合，该区域信息描述向量集合包括所述第一示例性区域关系描述网中每一个示例性物理区域的区域信息描述向量；

依据多个分类优化需求，对所述区域关系分析神经网络模型进行参数优化处理，所述多个分类优化需求各自对应不一样的第二示例性区域关系描述网，所述分类优化需求包括对应的第二示例性区域关系描述网中的示例性分类物理区域目标和所述示例性分类物理区域目标对应的示例性区域分类标识信息，所述示例性区域分类标识信息包括与所述示例性分类物理区域目标在一个区域分类集合的示例性物理区域和与所述示例性分类物理区域目标不在一个区域分类集合的示例性物理区域，所述区域关系分析神经网络模型包括参数优化处理后的关键信息挖掘单元和向量映射输出单元，所述向量映射输出单元用于基于第二示例性区域关系描述网中示例性待分析物理区域目标的区域信息描述向量和所述第二示例性区域关系描述网中所述示例性待分析物理区域目标以外的其他示例性物理区域的区域信息描述向量，分析出所述示例性待分析物理区域目标的区域分类集合分析信息。

在一些优选的实施例中，在上述基于人工智能的数据分析方法中，所述依据第一示例性区域关系描述网，将初始的区域关系分析神经网络模型包括的关键信息挖掘单元进行参数优化处理的步骤，包括：

从所述第一示例性区域关系描述网中，确定代表示例性物理区域；

基于所述第一示例性区域关系描述网中各示例性物理区域之间的相邻信息、所述第一示例性区域关系描述网中每一个示例性物理区域与所述代表示例性物理区域之间的相关信息，分析出真实示例性信息描述向量，所述示例性物理区域与所述代表示例性物理区域之间的相关信息用于反映所述示例性物理区域是否属于所述代表示例性物理区域；

利用所述关键信息挖掘单元，基于所述第一示例性区域关系描述网中每一个示例性物理区域与所述代表示例性物理区域之间的相关信息、所述第一示例性区域关系描述网中每一个示例性物理区域的区域描述信息，分析出对应的分析示例性信息描述向量；

基于所述真实示例性信息描述向量和所述分析示例性信息描述向量，对所述关键信息挖掘单元进行参数优化处理。

在一些优选的实施例中，在上述基于人工智能的数据分析方法中，所述依据多个分类优化需求，对所述区域关系分析神经网络模型进行参数优化处理的步骤，包括：

对每一个所述分类优化需求进行分解操作，以形成对应的第一分解数据和第二分解数据；

对于每一个所述分类优化需求，利用所述关键信息挖掘单元，基于所述分类优化需求对应的第二示例性区域关系描述网和所述分类优化需求对应的第一分解数据，挖掘出所述分类优化需求对应的分析区域信息描述向量集合；

对于每一个所述分类优化需求，基于所述分类优化需求对应的分析区域信息描述向量集合和所述分类优化需求对应的第二分解数据，计算输出所述分类优化需求对应的网络优化学习代价值；

基于所述多个分类优化需求中的每一个分类优化需求对应的网络优化学习代价值，对所述区域关系分析神经网络模型进行参数优化处理。

本发明实施例还提供一种基于人工智能的数据分析系统，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，以实现上述的基于人工智能的数据分析方法。

本发明实施例提供的基于人工智能的数据分析方法、系统及云平台，可以基于目标区域关系描述网中每一个物理区域和分类物理区域目标之间的相关信息、每一个物理区域的区域描述信息，分析出区域信息描述向量集合；基于区域信息描述向量集合，抽取出待分析物理区域目标的区域信息描述向量；基于待分析物理区域目标的区域信息描述向量和目标区域关系描述网中待分析物理区域目标以外的其他物理区域的区域信息描述向量，分析出区域分类集合分析信息，区域分类集合分析信息包括和待分析物理区域目标在一个区域分类集合的物理区域。基于前述的步骤，可以基于区域分类标识信息具有的物理区域分类模式（或分类规则），对其他的待分析物理区域目标进行相应的分类处理，从而确定出和待分析物理区域目标在一个区域分类集合的物理区域，如此，可以在一定程度上提高物理区域分类的可靠度，从而改善现有技术中存在的可靠度不佳的问题（也就是说，不再依赖于需要进行分类规则的准确的定义，使得可以改善现有技术中因分类规则的可靠度不高而导致的分类可靠度不高的问题）。

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基于人工智能的数据分析系统的结构框图。

图2为本发明实施例提供的基于人工智能的数据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基于人工智能的数据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基于人工智能的数据分析系统。其中，所述基于人工智能的数据分析系统可以包括存储器和处理器。

详细地，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基于人工智能的数据分析方法。

举例来说，在一些实施方式中，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。

举例来说，在一些实施方式中，所述基于人工智能的数据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基于人工智能的数据分析方法，可应用于上述基于人工智能的数据分析系统。其中，所述基于人工智能的数据分析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的数据分析系统实现。下面将对图2所示的具体流程，进行详细阐述。

步骤S110，确定目标区域关系描述网的目标分类标识信息。

在本发明实施例中，所述基于人工智能的数据分析系统可以确定目标区域关系描述网的目标分类标识信息。所述目标区域关系描述网包括多个物理区域，所述目标分类标识信息中包括所述目标区域关系描述网中的分类物理区域目标（即具有区域分类标识信息的物理区域）和所述分类物理区域目标对应的区域分类标识信息，所述区域分类标识信息包括和所述分类物理区域目标在一个区域分类集合的物理区域。

步骤S120，基于所述目标区域关系描述网中每一个物理区域和所述分类物理区域目标之间的相关信息、每一个物理区域的区域描述信息，分析出所述目标区域关系描述网的区域信息描述向量集合。

在本发明实施例中，所述基于人工智能的数据分析系统可以基于所述目标区域关系描述网中每一个物理区域和所述分类物理区域目标之间的相关信息、每一个物理区域的区域描述信息（所述区域描述信息作为所述物理作为的属性信息，可以包括经纬度信息、在该物理区域出现的用户的身份信息、用户的行为信息等），分析出所述目标区域关系描述网的区域信息描述向量集合。所述物理区域与所述分类物理区域目标之间的相关信息基于所述区域分类标识信息形成（即所述物理区域与所述分类物理区域目标是否在一个区域分类集合中），所述区域信息描述向量集合包括所述目标区域关系描述网中的每一个物理区域的区域信息描述向量。

步骤S130，基于所述区域信息描述向量集合，抽取出所述目标区域关系描述网中的待分析物理区域目标的区域信息描述向量。

在本发明实施例中，所述基于人工智能的数据分析系统可以基于所述区域信息描述向量集合，抽取出所述目标区域关系描述网中的待分析物理区域目标的区域信息描述向量。

步骤S140，基于所述待分析物理区域目标的区域信息描述向量和所述目标区域关系描述网中所述待分析物理区域目标以外的其他物理区域的区域信息描述向量，分析所述待分析物理区域目标的区域分类集合分析信息。

在本发明实施例中，所述基于人工智能的数据分析系统可以基于所述待分析物理区域目标的区域信息描述向量和所述目标区域关系描述网中所述待分析物理区域目标以外的其他物理区域的区域信息描述向量，分析所述待分析物理区域目标的区域分类集合分析信息。所述区域分类集合分析信息包括所述目标区域关系描述网中和所述待分析物理区域目标在一个区域分类集合的物理区域（也就是说，所述目标区域关系描述网包括的多个物理区域可以基于任意的操作，如用户配置或设备匹配等，确定出至少一个区域分类集合，并进行标识，然后，可以基于该区域分类集合中的物理区域之间的关系，对其它的物理区域进行相关的分类）。

基于前述的步骤，如步骤S110-步骤S140，可以基于区域分类标识信息具有的物理区域分类模式（或分类规则），对其他的待分析物理区域目标进行相应的分类处理，从而确定出和待分析物理区域目标在一个区域分类集合的物理区域，如此，可以在一定程度上提高物理区域分类的可靠度，从而改善现有技术中存在的可靠度不佳的问题（也就是说，不再依赖于需要进行分类规则的准确的定义，使得可以改善现有技术中因分类规则的可靠度不高而导致的分类可靠度不高的问题）。

举例来说，在一些实施方式中，所述目标分类标识信息中包括多个分类物理区域目标和每一个分类物理区域目标对应的区域分类标识信息，基于此，对于上文中描述的步骤S120，即所述基于所述目标区域关系描述网中每一个物理区域和所述分类物理区域目标之间的相关信息、每一个物理区域的区域描述信息，分析出所述目标区域关系描述网的区域信息描述向量集合的步骤，在具体的实现过程中，其具体可以包括以下内容：

对于每一个所述分类物理区域目标，利用区域关系分析神经网络模型包括的关键信息挖掘单元，基于所述目标区域关系描述网中每一个物理区域与所述分类物理区域目标之间的相关信息和每一个物理区域的区域描述信息，挖掘出每一个所述物理区域在所述分类物理区域目标对应的参考分类模式下具有的区域信息描述向量（也就是说，可以利用所述关键信息挖掘单元，对所述目标区域关系描述网中每一个物理区域与所述分类物理区域目标之间的相关信息和每一个物理区域的区域描述信息进行挖掘）；

对于每一个所述分类物理区域目标，基于每一个所述物理区域在所述分类物理区域目标对应的参考分类模式下具有的区域信息描述向量，分析出所述分类物理区域目标的区域信息描述向量集合（即将区域信息描述向量组合在一起，可以形成区域信息描述向量集合）；

将所述多个分类物理区域目标中的每一个分类物理区域目标对应的区域信息描述向量集合进行整合操作，以形成所述目标区域关系描述网对应的区域信息描述向量集合（即将所述多个分类物理区域目标中的每一个分类物理区域目标对应的区域信息描述向量集合组合在一起，形成所述目标区域关系描述网对应的区域信息描述向量集合，如将不同的区域信息描述向量集合中的区域信息描述向量进行均值或加权叠加，以实现不同的区域信息描述向量集合的组合，从而得到最后的区域信息描述向量集合）。

举例来说，在一些实施方式中，所述分类物理区域目标属于包括多个分类物理区域的分类物理区域簇，基于此，对于所述对于每一个所述分类物理区域目标，利用区域关系分析神经网络模型包括的关键信息挖掘单元，基于所述目标区域关系描述网中每一个物理区域与所述分类物理区域目标之间的相关信息和每一个物理区域的区域描述信息，挖掘出每一个所述物理区域在所述分类物理区域目标对应的参考分类模式下具有的区域信息描述向量的步骤，在具体的实现过程中，其具体可以包括以下内容：

对于所述分类物理区域簇中的每一个所述分类物理区域，利用区域关系分析神经网络模型包括的关键信息挖掘单元，基于所述目标区域关系描述网中每一个物理区域与所述分类物理区域目标之间的相关信息和每一个所述物理区域的区域描述信息，挖掘出每一个所述物理区域在所述多个分类物理区域对应的参考分类模式下各自具有的区域信息描述向量（也就是说，对于一个分类物理区域，可以对所述目标区域关系描述网中每一个物理区域与所述分类物理区域之间的相关信息和每一个所述物理区域的区域描述信息进行关键信息挖掘，以得到每一个所述物理区域在所述分类物理区域对应的参考分类模式下具有的区域信息描述向量）；

对于所述目标区域关系描述网中的每一个所述物理区域，将所述物理区域在所述多个分类物理区域对应的参考分类模式下各自具有的区域信息描述向量进行整合操作（如均值或加权叠加等），以形成所述物理区域在所述分类物理区域目标对应的参考分类模式下具有的区域信息描述向量。

其中，举例来说，在一些实施方式中，对于所述对于每一个所述分类物理区域目标，利用区域关系分析神经网络模型包括的关键信息挖掘单元，基于所述目标区域关系描述网中每一个物理区域与所述分类物理区域目标之间的相关信息和每一个物理区域的区域描述信息，挖掘出每一个所述物理区域在所述分类物理区域目标对应的参考分类模式下具有的区域信息描述向量的步骤，在具体的实现过程中，其具体可以包括以下内容：

利用区域关系分析神经网络模型包括的关键信息挖掘单元中的第一关键信息挖掘子单元，将所述目标区域关系描述网中第一物理区域的每一个相邻物理区域的第一关键信息挖掘结果进行结果整合操作（如均值或加权叠加等），以输出所述第一物理区域的整合第一关键信息挖掘结果，所述第一关键信息挖掘子单元为所述关键信息挖掘单元中的任意一个关键信息挖掘子单元，所述第一关键信息挖掘结果为所述第一关键信息挖掘子单元的前一个关键信息挖掘子单元的输出数据；

利用所述第一关键信息挖掘子单元，基于所述第一物理区域的第一关键信息挖掘结果和所述整合第一关键信息挖掘结果，分析出所述第一物理区域的第二关键信息挖掘结果，所述第二关键信息挖掘结果为所述第一关键信息挖掘子单元的输出数据（也就是说，将前一个关键信息挖掘子单元输出的第一物理区域的挖掘结果和前一个关键信息挖掘子单元输出的相邻物理区域的整合挖掘结果进行进一步的分析，可以得到当前的关键信息挖掘子单元输出的第一物理区域的挖掘结果；示例性地，可以将所述第一物理区域的第一关键信息挖掘结果和所述整合第一关键信息挖掘结果进行均值或加权叠加处理，以得到所述第一物理区域的第二关键信息挖掘结果，或者，可以将均值或加权叠加处理的结果进行进一步的卷积运算，以实现滤波处理，从而抽选出更为关键的信息，得到第二关键信息挖掘结果；举例来说，对于第5个关键信息挖掘子单元，可以基于第4个关键信息挖掘子单元针对所述第一物理区域输出的第一关键信息挖掘结果和所述整合第一关键信息挖掘结果，分析出第5个关键信息挖掘子单元针对所述第一物理区域输出的第二关键信息挖掘结果，第5个关键信息挖掘子单元针对所述第一物理区域输出的第二关键信息挖掘结果可以作为第6个关键信息挖掘子单元进行分析处理时，所述第一物理区域的第一关键信息挖掘结果）；

所述第一物理区域属于所述目标区域关系描述网中随机确定的一个物理区域，所述关键信息挖掘单元包括（级联连接的）多个关键信息挖掘子单元，对于第一个关键信息挖掘子单元，所述第一物理区域的第一关键信息挖掘结果属于相关信息描述向量和所述第一物理区域的区域描述信息对应的自身信息描述向量的组合信息描述向量（如将所述相关信息描述向量和所述自身信息描述向量进行先后连接，得到组合描述向量），所述相关信息描述向量用于反映所述第一物理区域与所述分类物理区域目标之间的相关信息（示例性地，可以将所述相关信息映射至特征空间中，再进行卷积运算，可以得到所述相关信息描述向量；另外，可以将所述第一物理区域的区域描述信息映射至特征空间中，再进行卷积运算，可以得到所述自身信息描述向量，在进行卷积运算的过程中，还可以进行自身的聚焦特征分析），对于最后一个关键信息挖掘子单元，所述第一物理区域的第二关键信息挖掘结果用于分析出所述第一物理区域在所述分类物理区域目标对应的参考分类模式下具有的区域信息描述向量（示例性地，可以将最后一个关键信息挖掘子单元挖掘出的第二关键信息挖掘结果，作为对应的区域信息描述向量，或者，还可以将每一个关键信息挖掘子单元挖掘出的第二关键信息挖掘结果进行进一步的整合，得到对应的区域信息描述向量）。

举例来说，在一些实施方式中，所述待分析物理区域目标属于包括多个待分析物理区域的待分析物理区域簇，基于此，对于上文中描述的步骤S130，即所述基于所述区域信息描述向量集合，抽取出所述目标区域关系描述网中的待分析物理区域目标的区域信息描述向量的步骤，在具体的实现过程中，其具体可以包括以下内容：

从所述区域信息描述向量集合中，分析出所述待分析物理区域簇中的每一个待分析物理区域对应的区域信息描述向量；

将所述待分析物理区域簇中每一个待分析物理区域对应的区域信息描述向量进行向量整合操作，以输出所述待分析物理区域目标对应的区域信息描述向量（示例性地，可以将所述待分析物理区域簇中每一个待分析物理区域对应的区域信息描述向量中均值或加权叠加运算，以得到所述待分析物理区域目标对应的区域信息描述向量）。

举例来说，在一些实施方式中，对于上文中描述的步骤S140，即所述基于所述待分析物理区域目标的区域信息描述向量和所述目标区域关系描述网中所述待分析物理区域目标以外的其他物理区域的区域信息描述向量，分析出所述待分析物理区域目标的区域分类集合分析信息的步骤，在具体的实现过程中，其具体可以包括以下内容：

利用区域关系分析神经网络模型包括的向量映射输出单元，基于所述待分析物理区域目标的区域信息描述向量和待确认物理区域的区域信息描述向量（示例性地，所述向量映射输出单元可以包括softmax函数），分析出所述待确认物理区域对应的物理区域分类可能性参数，所述待确认物理区域属于所述目标区域关系描述网中所述待分析物理区域目标以外的任意一个物理区域，所述物理区域分类可能性参数用于反映所述待确认物理区域和所述待分析物理区域目标在一个区域分类集合中的可能性大小（示例性地，可以基于待分析物理区域目标的区域信息描述向量和待确认物理区域的区域信息描述向量之间的向量相似度，得到待确认物理区域对应的物理区域分类可能性参数，物理区域分类可能性参数越大，待确认物理区域和待分析物理区域目标在一个区域分类集合的可能性越高；示例性地，待分析物理区域目标的区域信息描述向量和待确认物理区域1的区域信息描述向量1之间的向量相似度等于0.2，待分析物理区域目标的区域信息描述向量和待确认物理区域2的区域信息描述向量2之间的向量相似度等于0.7，待分析物理区域目标的区域信息描述向量和待确认物理区域3的区域信息描述向量3之间的向量相似度等于0.7，待分析物理区域目标的区域信息描述向量和待确认物理区域4的区域信息描述向量4之间的向量相似度等于0.85，待分析物理区域目标的区域信息描述向量和待确认物理区域5的区域信息描述向量5之间的向量相似度等于0.05，待分析物理区域目标的区域信息描述向量和待确认物理区域6的区域信息描述向量6之间的向量相似度等于0.9，待分析物理区域目标的区域信息描述向量和待确认物理区域7的区域信息描述向量7之间的向量相似度等于0.1等）；

基于对应的物理区域分类可能性参数达到预先配置的分类需求的每一个待确认物理区域，确定出对应的区域分类集合分析信息（示例性地，可以确定出物理区域分类可能性参数最大的一个或多个待确认物理区域，然后，可以基于该一个或多个待确认物理区域形成区域分类集合分析信息，或者，可以确定出对应的物理区域分类可能性参数大于或等于预先配置的参考物理区域分类可能性参数的每一个待确认物理区域，然后，可以基于确定出的每一个待确认物理区域形成区域分类集合分析信息）。

举例来说，在一些实施方式中，对于上文中描述的步骤S140，即所述基于所述待分析物理区域目标的区域信息描述向量和所述目标区域关系描述网中所述待分析物理区域目标以外的其他物理区域的区域信息描述向量，分析出所述待分析物理区域目标的区域分类集合分析信息的步骤，在具体的实现过程中，其具体可以包括以下内容：

基于所述待分析物理区域目标的区域信息描述向量和所述目标区域关系描述网中所述待分析物理区域目标以外的其他物理区域的区域信息描述向量，分析出所述待分析物理区域目标的待确认区域分类集合分析信息（如前所述，先确定出物理区域分类可能性参数，然后，再基于物理区域分类可能性参数，确定出待确认区域分类集合分析信息）；

将所述待确认区域分类集合分析信包括的物理区域按照预先配置的物理区域确定规则进行优化，输出对应的区域分类集合分析信息（具体的优化规则不受限制，如进行数量优化，或者，可以基于实际物理距离优化）。

举例来说，在一些实施方式中，所述基于人工智能的数据分析方法还包括所述区域关系分析神经网络模型的优化步骤，在具体的实现过程中，该优化步骤具体可以包括以下内容：

依据第一示例性区域关系描述网，将初始的区域关系分析神经网络模型包括的关键信息挖掘单元进行参数优化处理，所述第一示例性区域关系描述网包括多个示例性物理区域，所述关键信息挖掘单元用于基于第一示例性区域关系描述网中每一个示例性物理区域与示例性分类物理区域目标之间的相关信息、每一个所述示例性物理区域的区域描述信息，分析出所述第一示例性区域关系描述网的区域信息描述向量集合，该区域信息描述向量集合包括所述第一示例性区域关系描述网中每一个示例性物理区域的区域信息描述向量具体的处理过程，如前相关描述）；

依据多个分类优化需求，对所述区域关系分析神经网络模型进行参数优化处理，所述多个分类优化需求各自对应不一样的第二示例性区域关系描述网，所述分类优化需求包括对应的第二示例性区域关系描述网中的示例性分类物理区域目标和所述示例性分类物理区域目标对应的示例性区域分类标识信息，所述示例性区域分类标识信息包括与所述示例性分类物理区域目标在一个区域分类集合的示例性物理区域和与所述示例性分类物理区域目标不在一个区域分类集合的示例性物理区域，所述区域关系分析神经网络模型包括参数优化处理后的关键信息挖掘单元和向量映射输出单元，所述向量映射输出单元用于基于第二示例性区域关系描述网中示例性待分析物理区域目标的区域信息描述向量和所述第二示例性区域关系描述网中所述示例性待分析物理区域目标以外的其他示例性物理区域的区域信息描述向量，分析出所述示例性待分析物理区域目标的区域分类集合分析信息（具体的处理过程，如前相关描述）。

举例来说，在一些实施方式中，对于所述依据第一示例性区域关系描述网，将初始的区域关系分析神经网络模型包括的关键信息挖掘单元进行参数优化处理的步骤，在具体的实现过程中，其具体可以包括以下内容：

从所述第一示例性区域关系描述网中，确定代表示例性物理区域（所述代表示例性物理区域可以是选择出的任意一个示例性物理区域）；

基于所述第一示例性区域关系描述网中各示例性物理区域之间的相邻信息（即一个示例性物理区域是否属于另一个示例性物理区域的相邻示例性物理区域）、所述第一示例性区域关系描述网中每一个示例性物理区域与所述代表示例性物理区域之间的相关信息，分析出真实示例性信息描述向量，所述示例性物理区域与所述代表示例性物理区域之间的相关信息用于反映所述示例性物理区域是否属于所述代表示例性物理区域（示例性地，可以对所述第一示例性区域关系描述网中每一个示例性物理区域与所述代表示例性物理区域之间的相关信息进行关键信息挖掘操作，以输出对应的相关信息描述向量，然后，可以将所述相关信息描述向量作为初始的真实示例性信息描述向量，基于此，对于任意一次计算，可以将前一次计算输出的真实示例性信息描述向量基于第一权重进行加权之后，与所述第一示例性区域关系描述网中各示例性物理区域之间的相邻信息对应的相邻信息分布矩阵进行乘法运算，然后，对乘法运算的结果和初始的真实示例性信息描述向量基于第二权重的加权结果进行叠加，从而得到本次计算输出的真实示例性信息描述向量，以及，对本次计算输出的真实示例性信息描述向量和前一个计算输出的真实示例性信息描述向量进行向量相似度的计算，并且，可以在计算输出的向量相似度小于预先配置的参考向量相似度的情况下，进行下一次的计算，或者，可以在计算输出的向量相似度大于或等于所述参考向量相似度的情况下，将本次计算输出的真实示例性信息描述向量作为最后的真实示例性信息描述向量；另外，在所述第一示例性区域关系描述网中各示例性物理区域之间的相邻信息对应的相邻信息分布矩阵中，可以用于第一数值和第二数值分别表示两个示例性物理区域之间是否相邻，如第一数值表示相邻，第二数值表示不相邻）；

利用所述关键信息挖掘单元，基于所述第一示例性区域关系描述网中每一个示例性物理区域与所述代表示例性物理区域之间的相关信息、所述第一示例性区域关系描述网中每一个示例性物理区域的区域描述信息，分析出对应的分析示例性信息描述向量（如前相关描述）；

基于所述真实示例性信息描述向量和所述分析示例性信息描述向量，对所述关键信息挖掘单元进行参数优化处理（示例性地，可以通过所述参数优化处理，将所述真实示例性信息描述向量和所述分析示例性信息描述向量之间的向量相似度的增强，即增强向量相似度为目的进行优化）。

其中，举例来说，在一些实施方式中，对于所述依据第一示例性区域关系描述网，将初始的区域关系分析神经网络模型包括的关键信息挖掘单元进行参数优化处理的步骤，在具体的实现过程中，其可以包括以下内容：

从所述第一示例性区域关系描述网中，确定出局部第一示例性区域关系描述网（所述局部第一示例性区域关系描述网可以是所述第一示例性区域关系描述网中的任意一个局部的示例性区域关系描述网，也就是说，所述所述局部第一示例性区域关系描述网包括的示例性物理区域属于所述第一示例性区域关系描述网包括的示例性物理区域的子集）；

基于所述第一示例性区域关系描述网中包括的相邻信息、所述第一示例性区域关系描述网中每一个示例性物理区域组合与所述局部第一示例性区域关系描述网之间的相关信息，分析出对应的真实局部区域密集参数，所述示例性物理区域组合与所述局部第一示例性区域关系描述网之间的相关信息用于反映所述示例性物理区域组合中的示例性物理区域是否都在所述局部第一示例性区域关系描述网中、反映所述示例性物理区域组合中的示例性物理区域是否相邻（示例性地，可以先计算在所述局部第一示例性区域关系描述网中且相邻的示例性物理区域组合的数量，得到第一数量，然后，可以计算所述第一示例性区域关系描述网中相邻的示例性物理区域的数量，得到第二数量，然后，可以计算第一数量和第二数量确定出真实局部区域密集参数，该真实局部区域密集参数可以与第一数量正相关，该真实局部区域密集参数可以与第二数量负相关）；

利用所述关键信息挖掘单元，基于所述第一示例性区域关系描述网中每一个示例性物理区域与所述局部第一示例性区域关系描述网之间的相关信息、所述第一示例性区域关系描述网中每一个示例性物理区域的区域描述信息，挖掘出对应的分析局部区域密集参数，所述示例性物理区域与所述局部第一示例性区域关系描述网之间的相关信息用于反映所述示例性物理区域是否在所述局部第一示例性区域关系描述网中（示例性地，可以先基于所述关键信息挖掘单元，对所述第一示例性区域关系描述网中每一个示例性物理区域与所述局部第一示例性区域关系描述网之间的相关信息、所述第一示例性区域关系描述网中每一个示例性物理区域的区域描述信息进行关键信息挖掘，以得到对应的描述向量，然后，可以对该描述向量进行线性压缩处理，以得到一个一维描述向量，然后，可以对该一维描述向量进行激励映射输出，得到分析局部区域密集参数，该激励映射输出可以通过非线性映射激励函数实现，如S型函数）；

基于所述真实局部区域密集参数和所述分析局部区域密集参数，对所述关键信息挖掘单元进行参数优化处理（示例性地，可以先计算所述真实局部区域密集参数和所述分析局部区域密集参数之间的差值，然后，可以对该差值进行幂运算，以基于幂运算的结果对所述关键信息挖掘单元进行参数优化处理，即参数优化处理的目的是使得幂运算的结果收敛）。

举例来说，在一些实施方式中，对于所述依据多个分类优化需求，对所述区域关系分析神经网络模型进行参数优化处理的步骤，在具体的实现过程中，其具体可以包括以下内容：

对每一个所述分类优化需求进行分解操作，以形成对应的第一分解数据和第二分解数据（所述第一分解数据可以与前述的分类物理区域目标对应，所述第二分解数据可以与前述的待分析物理区域目标对应）；

对于每一个所述分类优化需求，利用所述关键信息挖掘单元，基于所述分类优化需求对应的第二示例性区域关系描述网和所述分类优化需求对应的第一分解数据，挖掘出所述分类优化需求对应的分析区域信息描述向量集合；对于每一个所述分类优化需求，基于所述分类优化需求对应的分析区域信息描述向量集合和所述分类优化需求对应的第二分解数据，计算输出所述分类优化需求对应的网络优化学习代价值；

基于所述多个分类优化需求中的每一个分类优化需求对应的网络优化学习代价值，对所述区域关系分析神经网络模型进行参数优化处理。

其中，举例来说，在一些实施方式中，对于所述对于每一个所述分类优化需求，基于所述分类优化需求对应的分析区域信息描述向量集合和所述分类优化需求对应的第二分解数据，计算输出所述分类优化需求对应的网络优化学习代价值的步骤，在具体的实现过程中，其可以包括以下内容：

基于所述分析区域信息描述向量集合，分析出所述第二分解数据中示例性分类物理区域目标的分析区域信息描述向量和示例性分类物理区域目标的示例性区域分类标识信息中包括的示例性物理区域的分析区域信息描述向量；基于所述示例性分类物理区域目标和所述示例性区域分类标识信息中与所述示例性分类物理区域目标在一个区域分类集合的示例性物理区域分别对应的分析区域信息描述向量（即向量差异），计算输出对应的集合内网络优化学习代价值；以及，基于所述示例性分类物理区域目标和所述示例性区域分类标识信息中与所述示例性分类物理区域目标不在一个区域分类集合的示例性物理区域分别对应的分析区域信息描述向量（即向量差异），计算输出对应的集合间网络优化学习代价值；基于所述集合内网络优化学习代价值和所述集合间网络优化学习代价值，确定出所述分类优化需求对应的网络优化学习代价值（示例性地，通过所述网络优化学习代价值进行网络参数优化处理的目标是，使得所述示例性分类物理区域目标和所述示例性区域分类标识信息中与所述示例性分类物理区域目标不在一个区域分类集合的示例性物理区域分别对应的分析区域信息描述向量之间的向量相似度更大，并使得所述示例性分类物理区域目标和所述示例性区域分类标识信息中与所述示例性分类物理区域目标不在一个区域分类集合的示例性物理区域分别对应的分析区域信息描述向量之间的相似度更小）。

结合图3，本发明实施例还提供一种基于人工智能的数据分析装置，可应用于上述基于人工智能的数据分析系统。其中，所述基于人工智能的数据分析装置可以包括以下的各模块：

分类标识信息确定模块，用于确定目标区域关系描述网的目标分类标识信息，所述目标区域关系描述网包括多个物理区域，所述目标分类标识信息中包括所述目标区域关系描述网中的分类物理区域目标和所述分类物理区域目标对应的区域分类标识信息，所述区域分类标识信息包括和所述分类物理区域目标在一个区域分类集合的物理区域；

描述向量挖掘模块，用于基于所述目标区域关系描述网中每一个物理区域和所述分类物理区域目标之间的相关信息、每一个物理区域的区域描述信息，分析出所述目标区域关系描述网的区域信息描述向量集合，所述物理区域与所述分类物理区域目标之间的相关信息基于所述区域分类标识信息形成，所述区域信息描述向量集合包括所述目标区域关系描述网中的每一个物理区域的区域信息描述向量；

描述向量抽取模块，用于基于所述区域信息描述向量集合，抽取出所述目标区域关系描述网中的待分析物理区域目标的区域信息描述向量；

区域分类处理模块，用于基于所述待分析物理区域目标的区域信息描述向量和所述目标区域关系描述网中所述待分析物理区域目标以外的其他物理区域的区域信息描述向量，分析所述待分析物理区域目标的区域分类集合分析信息，所述区域分类集合分析信息包括所述目标区域关系描述网中和所述待分析物理区域目标在一个区域分类集合的物理区域。

综上所述，本发明提供的基于人工智能的数据分析方法、系统及云平台，可以基于目标区域关系描述网中每一个物理区域和分类物理区域目标之间的相关信息、每一个物理区域的区域描述信息，分析出区域信息描述向量集合；基于区域信息描述向量集合，抽取出待分析物理区域目标的区域信息描述向量；基于待分析物理区域目标的区域信息描述向量和目标区域关系描述网中待分析物理区域目标以外的其他物理区域的区域信息描述向量，分析出区域分类集合分析信息，区域分类集合分析信息包括和待分析物理区域目标在一个区域分类集合的物理区域。基于前述的步骤，可以基于区域分类标识信息具有的物理区域分类模式（或分类规则），对其他的待分析物理区域目标进行相应的分类处理，从而确定出和待分析物理区域目标在一个区域分类集合的物理区域，如此，可以在一定程度上提高物理区域分类的可靠度，从而改善现有技术中存在的可靠度不佳的问题（也就是说，不再依赖于需要进行分类规则的准确的定义，使得可以改善现有技术中因分类规则的可靠度不高而导致的分类可靠度不高的问题）。

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)

1.一种基于人工智能的数据分析方法，其特征在于，包括：

确定所述目标区域关系描述网的目标分类标识信息，所述目标区域关系描述网包括多个物理区域，所述目标分类标识信息中包括所述目标区域关系描述网中的分类物理区域目标和所述分类物理区域目标对应的区域分类标识信息，所述区域分类标识信息包括和所述分类物理区域目标在一个区域分类集合的物理区域；

基于所述目标区域关系描述网中每一个物理区域和所述分类物理区域目标之间的相关信息、每一个物理区域的区域描述信息，分析出所述目标区域关系描述网的区域信息描述向量集合，所述物理区域与所述分类物理区域目标之间的相关信息基于所述区域分类标识信息形成，所述区域信息描述向量集合包括所述目标区域关系描述网中的每一个物理区域的区域信息描述向量；

基于所述区域信息描述向量集合，抽取出所述目标区域关系描述网中的待分析物理区域目标的区域信息描述向量；

基于所述待分析物理区域目标的区域信息描述向量和所述目标区域关系描述网中所述待分析物理区域目标以外的其他物理区域的区域信息描述向量，分析所述待分析物理区域目标的区域分类集合分析信息，所述区域分类集合分析信息包括所述目标区域关系描述网中和所述待分析物理区域目标在一个区域分类集合的物理区域。

2.如权利要求1所述的基于人工智能的数据分析方法，其特征在于，所述目标分类标识信息中包括多个分类物理区域目标和每一个分类物理区域目标对应的区域分类标识信息；

所述基于所述目标区域关系描述网中每一个物理区域和所述分类物理区域目标之间的相关信息、每一个物理区域的区域描述信息，分析出所述目标区域关系描述网的区域信息描述向量集合的步骤，包括：

对于每一个所述分类物理区域目标，利用区域关系分析神经网络模型包括的关键信息挖掘单元，基于所述目标区域关系描述网中每一个物理区域与所述分类物理区域目标之间的相关信息和每一个物理区域的区域描述信息，挖掘出每一个所述物理区域在所述分类物理区域目标对应的参考分类模式下具有的区域信息描述向量；

对于每一个所述分类物理区域目标，基于每一个所述物理区域在所述分类物理区域目标对应的参考分类模式下具有的区域信息描述向量，分析出所述分类物理区域目标的区域信息描述向量集合；

将所述多个分类物理区域目标中的每一个分类物理区域目标对应的区域信息描述向量集合进行整合操作，以形成所述目标区域关系描述网对应的区域信息描述向量集合。

3.如权利要求2所述的基于人工智能的数据分析方法，其特征在于，所述分类物理区域目标属于包括多个分类物理区域的分类物理区域簇；

所述对于每一个所述分类物理区域目标，利用区域关系分析神经网络模型包括的关键信息挖掘单元，基于所述目标区域关系描述网中每一个物理区域与所述分类物理区域目标之间的相关信息和每一个物理区域的区域描述信息，挖掘出每一个所述物理区域在所述分类物理区域目标对应的参考分类模式下具有的区域信息描述向量的步骤，包括：

对于所述分类物理区域簇中的每一个所述分类物理区域，利用区域关系分析神经网络模型包括的关键信息挖掘单元，基于所述目标区域关系描述网中每一个物理区域与所述分类物理区域目标之间的相关信息和每一个所述物理区域的区域描述信息，挖掘出每一个所述物理区域在所述多个分类物理区域对应的参考分类模式下各自具有的区域信息描述向量；

对于所述目标区域关系描述网中的每一个所述物理区域，将所述物理区域在所述多个分类物理区域对应的参考分类模式下各自具有的区域信息描述向量进行整合操作，以形成所述物理区域在所述分类物理区域目标对应的参考分类模式下具有的区域信息描述向量。

4.如权利要求1所述的基于人工智能的数据分析方法，其特征在于，所述基于所述待分析物理区域目标的区域信息描述向量和所述目标区域关系描述网中所述待分析物理区域目标以外的其他物理区域的区域信息描述向量，分析所述待分析物理区域目标的区域分类集合分析信息的步骤，包括：

利用区域关系分析神经网络模型包括的向量映射输出单元，基于所述待分析物理区域目标的区域信息描述向量和待确认物理区域的区域信息描述向量，分析出所述待确认物理区域对应的物理区域分类可能性参数，所述待确认物理区域属于所述目标区域关系描述网中所述待分析物理区域目标以外的任意一个物理区域，所述物理区域分类可能性参数用于反映所述待确认物理区域和所述待分析物理区域目标在一个区域分类集合中的可能性大小；

基于对应的物理区域分类可能性参数达到预先配置的分类需求的每一个待确认物理区域，确定出对应的区域分类集合分析信息。

5.如权利要求5所述的基于人工智能的数据分析方法，其特征在于，所述待分析物理区域目标属于包括多个待分析物理区域的待分析物理区域簇；所述基于所述区域信息描述向量集合，抽取出所述目标区域关系描述网中的待分析物理区域目标的区域信息描述向量的步骤，包括：

从所述区域信息描述向量集合中，分析出所述待分析物理区域簇中的每一个待分析物理区域对应的区域信息描述向量；

将所述待分析物理区域簇中每一个待分析物理区域对应的区域信息描述向量进行向量整合操作，以输出所述待分析物理区域目标对应的区域信息描述向量。

6.如权利要求1所述的基于人工智能的数据分析方法，其特征在于，所述基于所述待分析物理区域目标的区域信息描述向量和所述目标区域关系描述网中所述待分析物理区域目标以外的其他物理区域的区域信息描述向量，分析所述待分析物理区域目标的区域分类集合分析信息的步骤，包括：

基于所述待分析物理区域目标的区域信息描述向量和所述目标区域关系描述网中所述待分析物理区域目标以外的其他物理区域的区域信息描述向量，分析出所述待分析物理区域目标的待确认区域分类集合分析信息；

将所述待确认区域分类集合分析信包括的物理区域按照预先配置的物理区域确定规则进行优化，输出对应的区域分类集合分析信息。

7.如权利要求1所述的基于人工智能的数据分析方法，其特征在于，所述基于人工智能的数据分析方法还包括区域关系分析神经网络模型的优化步骤，该优化步骤包括：

依据第一示例性区域关系描述网，将初始的区域关系分析神经网络模型包括的关键信息挖掘单元进行参数优化处理，所述第一示例性区域关系描述网包括多个示例性物理区域，所述关键信息挖掘单元用于基于第一示例性区域关系描述网中每一个示例性物理区域与示例性分类物理区域目标之间的相关信息、每一个所述示例性物理区域的区域描述信息，分析出所述第一示例性区域关系描述网的区域信息描述向量集合，该区域信息描述向量集合包括所述第一示例性区域关系描述网中每一个示例性物理区域的区域信息描述向量；

依据多个分类优化需求，对所述区域关系分析神经网络模型进行参数优化处理，所述多个分类优化需求各自对应不一样的第二示例性区域关系描述网，所述分类优化需求包括对应的第二示例性区域关系描述网中的示例性分类物理区域目标和所述示例性分类物理区域目标对应的示例性区域分类标识信息，所述示例性区域分类标识信息包括与所述示例性分类物理区域目标在一个区域分类集合的示例性物理区域和与所述示例性分类物理区域目标不在一个区域分类集合的示例性物理区域，所述区域关系分析神经网络模型包括参数优化处理后的关键信息挖掘单元和向量映射输出单元，所述向量映射输出单元用于基于第二示例性区域关系描述网中示例性待分析物理区域目标的区域信息描述向量和所述第二示例性区域关系描述网中所述示例性待分析物理区域目标以外的其他示例性物理区域的区域信息描述向量，分析出所述示例性待分析物理区域目标的区域分类集合分析信息。

8.如权利要求7所述的基于人工智能的数据分析方法，其特征在于，所述依据第一示例性区域关系描述网，将初始的区域关系分析神经网络模型包括的关键信息挖掘单元进行参数优化处理的步骤，包括：

从所述第一示例性区域关系描述网中，确定代表示例性物理区域；

基于所述第一示例性区域关系描述网中各示例性物理区域之间的相邻信息、所述第一示例性区域关系描述网中每一个示例性物理区域与所述代表示例性物理区域之间的相关信息，分析出真实示例性信息描述向量，所述示例性物理区域与所述代表示例性物理区域之间的相关信息用于反映所述示例性物理区域是否属于所述代表示例性物理区域；

利用所述关键信息挖掘单元，基于所述第一示例性区域关系描述网中每一个示例性物理区域与所述代表示例性物理区域之间的相关信息、所述第一示例性区域关系描述网中每一个示例性物理区域的区域描述信息，分析出对应的分析示例性信息描述向量；

基于所述真实示例性信息描述向量和所述分析示例性信息描述向量，对所述关键信息挖掘单元进行参数优化处理。

9.如权利要求7所述的基于人工智能的数据分析方法，其特征在于，所述依据多个分类优化需求，对所述区域关系分析神经网络模型进行参数优化处理的步骤，包括：

对每一个所述分类优化需求进行分解操作，以形成对应的第一分解数据和第二分解数据；

对于每一个所述分类优化需求，利用所述关键信息挖掘单元，基于所述分类优化需求对应的第二示例性区域关系描述网和所述分类优化需求对应的第一分解数据，挖掘出所述分类优化需求对应的分析区域信息描述向量集合；

对于每一个所述分类优化需求，基于所述分类优化需求对应的分析区域信息描述向量集合和所述分类优化需求对应的第二分解数据，计算输出所述分类优化需求对应的网络优化学习代价值；

基于所述多个分类优化需求中的每一个分类优化需求对应的网络优化学习代价值，对所述区域关系分析神经网络模型进行参数优化处理。

10.一种基于人工智能的数据分析系统，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。

Images