CN116303963A - 智慧ai平台的用户反馈分析方法及系统 - Google Patents
智慧ai平台的用户反馈分析方法及系统 Download PDFInfo
- Publication number
- CN116303963A CN116303963A CN202310283729.3A CN202310283729A CN116303963A CN 116303963 A CN116303963 A CN 116303963A CN 202310283729 A CN202310283729 A CN 202310283729A CN 116303963 A CN116303963 A CN 116303963A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- service
- information
- map
- user
- 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- Withdrawn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
- 238000004458 analytical method Methods 0.000 title claims abstract description 153
- 238000001228 spectrum Methods 0.000 claims abstract description 407
- 238000012098 association analyses Methods 0.000 claims abstract description 60
- 230000004927 fusion Effects 0.000 claims description 88
- 230000006399 behavior Effects 0.000 claims description 35
- 238000012512 characterization method Methods 0.000 claims description 30
- 238000005065 mining Methods 0.000 claims description 25
- 230000003993 interaction Effects 0.000 claims description 20
- 238000012216 screening Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000007499 fusion processing Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 46
- 238000004364 calculation method Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/355—Class or cluster creation or modification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Fuzzy Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Human Computer Interaction (AREA)
- Marketing (AREA)
- Probability & Statistics with Applications (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供的智慧AI平台的用户反馈分析方法及系统，涉及人工智能技术领域。在本发明中，在第一图谱成员中，确定出第二图谱成员的关联分析图谱成员，第一图谱成员和第二图谱成员属于成员关系分布图谱中的不同图谱成员，成员关系分布图谱中的图谱成员对应于待分析平台服务的服务用户；确定出关联分析图谱成员对应的服务用户，以得到第一服务用户；确定出第二图谱成员对应的服务用户，以得到第二服务用户；利用用户反馈信息分析网络，依据第一服务用户的用户服务反馈信息，对第二服务用户的用户服务反馈信息进行关联分析操作，以输出第二服务用户对应的反馈关联分析结果。基于上述内容，可以在一定程度上提高用户反馈分析的可靠度。
Description
技术领域
本发明涉及人工智能技术领域，具体而言，涉及一种智慧AI平台的用户反馈分析方法及系统。
背景技术
人工智能，即AI(Artificial Intelligence)，利用数字计算机或者数字计算机控制的计算模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习、自动驾驶、智慧交通等几大方向。其中，机器学习(MachineLearning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。
人工智能技术的分析精度相对较高，使得其应用范围较广，例如，在用户反馈分析中的应用，可以使得服务后台可以更为可靠地确定出用户的实际需求（即对服务的满意度等），但是，在现有技术中，在基于人工智能技术进行用户反馈分析的过程中，存在可靠度不佳的问题。
发明内容
有鉴于此，本发明的目的在于提供一种智慧AI平台的用户反馈分析方法及系统，以在一定程度上提高用户反馈分析的可靠度。
为实现上述目的，本发明实施例采用如下技术方案：
一种智慧AI平台的用户反馈分析方法，包括：
在第一图谱成员中，确定出第二图谱成员的关联分析图谱成员，所述第一图谱成员和所述第二图谱成员属于成员关系分布图谱中的不同图谱成员，所述成员关系分布图谱中的图谱成员对应于待分析平台服务的服务用户；
确定出所述关联分析图谱成员对应的服务用户，以得到第一服务用户，所述第一服务用户的数量大于或等于1；
确定出所述第二图谱成员对应的服务用户，以得到第二服务用户，所述第二服务用户的数量大于或等于1，且在所述第二服务用户的数量大于1的情况下，分别对每一个所述第二服务用户进行分析；
利用用户反馈信息分析网络，依据所述第一服务用户的用户服务反馈信息，对所述第二服务用户的用户服务反馈信息进行关联分析操作，以输出所述第二服务用户对应的反馈关联分析结果，所述反馈关联分析结果用于反映所述第二服务用户对目标智慧AI平台提供的待分析平台服务的满意度。
在一些优选的实施例中，在上述智慧AI平台的用户反馈分析方法中，所述在第一图谱成员中，确定出第二图谱成员的关联分析图谱成员的步骤，包括：
提取到待分析平台服务对应的至少两个不同的历史服务用户，所述待分析平台服务包括至少两个不同的待分析平台子服务，每一个历史服务用户至少使用过所述至少两个不同的待分析平台子服务中的一个待分析平台子服务；
依次抽选出基于多个图谱成员和图谱成员之间的连接线组合形成的成员关系分布图谱中，每一个所述历史服务用户对应的第一图谱成员，所述成员关系分布图谱中将历史服务用户作为图谱成员，且按照不同的历史服务用户之间的用户交互相关性配置对应的连接线，所述图谱成员的属性信息至少包括对应的历史服务用户的用户基本信息和子服务使用信息；
挖掘出所述第一图谱成员对应的图谱信息特征表示，并挖掘出所述第一图谱成员的匹配图谱成员对应的图谱信息特征表示；
利用图谱信息分析网络，依据所述第一图谱成员对应的图谱信息特征表示和所述第一图谱成员的匹配图谱成员对应的图谱信息特征表示，分析出所述第一图谱成员对应的图谱信息融合特征表示；
对具有相同的待分析平台子服务的第一图谱成员的图谱信息融合特征表示进行加载，以加载到该待分析平台子服务对应的匹配分析单元，分析出与所述图谱信息融合特征表示之间的匹配关系表征参数符合目标匹配关系表征参数规则的图谱信息融合特征表示对应的第二图谱成员，所述第二图谱成员不属于所述第一图谱成员的匹配图谱成员；
将所述具有相同的待分析平台子服务的第一图谱成员中的每一个第一图谱成员，作为所述第二图谱成员的关联分析图谱成。
在一些优选的实施例中，在上述智慧AI平台的用户反馈分析方法中，所述提取到待分析平台服务对应的至少两个不同的历史服务用户的步骤，包括：
确定出待分析平台服务在历史上的每一个服务用户，以形成所述待分析平台服务对应的服务用户集合；
对于所述服务用户集合中的每一个服务用户，提取到该服务用户对所述待分析平台服务的使用情况，以形成该服务用户对应的使用行为序列，所述使用行为序列中的每一个使用行为用于反映对应的所述服务用户在历史上使用所述待分析平台服务包括的一个待分析平台子服务；
对所述使用行为序列进行序列长度的确定操作，并基于确定出的序列长度，分析出所述服务用户对应的第一筛选优先系数，所述第一筛选优先系数和所述序列长度之间具有正相关的对应关系；
对所述使用行为序列进行序列集中度的确定操作，并基于确定出的序列集中度，分析出所述服务用户对应的第二筛选优先系数，所述第二筛选优先系数和所述序列集中度之间具有正相关的对应关系，且所述序列集中度基于所述使用行为序列中各种使用行为的种类数量和行为数量确定，所述种类数量用于反映使用行为的种类的数目，所述行为数量用于分别反映对应的同一种类的使用行为的数目；
基于对应的第一筛选优先系数和对应的第二筛选优先系数，在所述服务用户集合中，确定出所述分析平台服务对应的至少两个不同的历史服务用户。
在一些优选的实施例中，在上述智慧AI平台的用户反馈分析方法中，所述挖掘出所述第一图谱成员对应的图谱信息特征表示的步骤，包括：
确定出所述第一图谱成员的匹配图谱成员组合；
基于所述第一图谱成员的匹配图谱成员的成员种类，对所述匹配图谱成员组合进行分割操作，以形成每一个成员种类对应的子匹配图谱成员组合，所述匹配图谱成员的成员种类基于所述匹配图谱成员和所述第一图谱成员之间的用户交互相关性的表征参数确定；
基于所述第一图谱成员的匹配图谱成员的成员属性信息特征表示，分析出每一种成员种类的匹配图谱成员的信息特征表示；
将每一种成员种类的匹配图谱成员的信息特征表示进行级联组合操作，以输出所述第一图谱成员对应的图谱信息特征表示。
在一些优选的实施例中，在上述智慧AI平台的用户反馈分析方法中，所述确定出所述第一图谱成员的匹配图谱成员组合的步骤，包括：
在所述成员关系分布图谱中，确定出与所述第一图谱成员之间具有连接线的每一个其它图谱成员，以形成所述第一图谱成员对应的候选图谱成员组合，在所述成员关系分布图谱中，具有连接线的每两个图谱成员对应的服务用户之间的用户交互相关性的表征参数大于预先配置的参考表征参数；
对于所述候选图谱成员组合中的每一个候选图谱成员，基于该候选图谱成员和所述第一图谱成员对应的服务用户之间的用户交互相关性的表征参数，确定出该候选图谱成员对应的第一候选系数，以及，基于该候选图谱成员在所述成员关系分布图谱中连接的其它图谱成员的数量，确定出该候选图谱成员对应的第二候选系数，再将所述第一候选系数和所述第二候选系数进行融合处理，以得到该候选图谱成员对应的融合候选系数；
基于每一个所述候选图谱成员对应的融合候选系数，在所述候选图谱成员组合中，确定出所述第一图谱成员的匹配图谱成员组合。
在一些优选的实施例中，在上述智慧AI平台的用户反馈分析方法中，所述图谱信息分析网络包括聚焦特征分析子网络和特征融合子网络；
所述利用图谱信息分析网络，依据所述第一图谱成员对应的图谱信息特征表示和所述第一图谱成员的匹配图谱成员对应的图谱信息特征表示，分析出所述第一图谱成员对应的图谱信息融合特征表示的步骤，包括：
利用所述聚焦特征分析子网络，依据每一种成员种类的图谱成员对应的重要性评估参数，将所述第一图谱成员的匹配图谱成员对应的图谱信息特征表示进行融合操作，以输出所述第一图谱成员的匹配图谱信息第一特征表示；
利用所述聚焦特征分析子网络，基于所述第一图谱成员对应的图谱信息特征表示，确定出所述第一图谱成员对应的优化图谱信息第一特征表示；
利用所述特征融合子网络，针对每一个所述第一图谱成员对应的匹配图谱信息第一特征表示和所述第一图谱成员对应的优化图谱信息第一特征表示进行合并操作，以输出每一个所述第一图谱成员的图谱信息融合特征表示。
在一些优选的实施例中，在上述智慧AI平台的用户反馈分析方法中，所述利用所述聚焦特征分析子网络，依据每一种成员种类的图谱成员对应的重要性评估参数，将所述第一图谱成员的匹配图谱成员对应的图谱信息特征表示进行融合操作，以输出所述第一图谱成员的匹配图谱信息第一特征表示的步骤，包括：
依据每一种成员种类的图谱成员对应的重要性评估参数，依次将所述第一图谱成员的每一个匹配图谱成员的图谱信息特征表示中每一种成员种类的信息特征表示进行加权叠加，形成每一个匹配图谱成员的加权信息特征表示；
对每一个匹配图谱成员的加权信息特征表示进行级联组合操作，以形成对应的级联匹配信息特征表示；
计算出所述级联匹配信息特征表示对应的重要性参数分布和所述级联匹配信息特征表示之间的相乘运算第一结果；
对所述相乘运算第一结果加载到所述聚焦特征分析子网络中的全连接处理单元中，以输出所述第一图谱成员对应的匹配图谱信息第一特征表示。
在一些优选的实施例中，在上述智慧AI平台的用户反馈分析方法中，所述图谱信息分析网络包括聚焦特征分析子网络和特征融合子网络；
所述在第一图谱成员中，确定出第二图谱成员的关联分析图谱成员的步骤，还包括：
利用聚焦特征分析子网络，依据每一种成员种类的信息特征表示对应的重要性评估参数，将所述图谱成员的匹配图谱成员对应的图谱信息特征表示进行融合操作，以输出所述图谱成员对应的匹配图谱信息第一特征表示；
利用所述聚焦特征分析子网络，基于所述图谱成员对应的图谱信息特征表示，确定出所述图谱成员的优化图谱信息第一特征表示，所述图谱信息特征表示包括对应的至少两个成员种类的信息特征表示；
利用特征融合子网络，针对每一个所述图谱成员对应的匹配图谱信息第一特征表示和所述图谱成员对应的优化图谱信息第一特征表示进行合并操作，以输出每一个所述图谱成员对应的图谱信息融合特征表示；
确定出所述图谱成员的匹配图谱成员对应的图谱信息融合特征表示，并确定出所述图谱成员的非匹配图谱成员对应的图谱信息融合特征表示；
基于所述图谱成员对应的图谱信息融合特征表示、所述图谱成员的匹配图谱成员对应的图谱信息融合特征表示和所述图谱成员的非匹配图谱成员对应的图谱信息融合特征表示，计算出目标学习代价指标；
基于所述目标学习代价指标，对所述图谱信息分析网络进行网络优化。
在一些优选的实施例中，在上述智慧AI平台的用户反馈分析方法中，所述利用用户反馈信息分析网络，依据所述第一服务用户的用户服务反馈信息，对所述第二服务用户的用户服务反馈信息进行关联分析操作，以输出所述第二服务用户对应的反馈关联分析结果的步骤，包括：
利用用户反馈信息分析网络，对所述第一服务用户的用户服务反馈信息进行特征挖掘操作，以形成对应的第一反馈信息特征表示；
利用所述用户反馈信息分析网络，对所述第二服务用户的用户服务反馈信息进行特征挖掘操作，以形成对应的第二反馈信息特征表示；
利用所述用户反馈信息分析网络，对所述第一反馈信息特征表示和所述第二反馈信息特征表示进行关联挖掘操作，以输出关联挖掘特征表示；
利用所述用户反馈信息分析网络，对所述关联挖掘特征表示进行分析输出，以得到所述第二服务用户对应的反馈关联分析结果。
本发明实施例还提供一种智慧AI平台的用户反馈分析系统，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，以实现上述的智慧AI平台的用户反馈分析方法。
本发明实施例提供的智慧AI平台的用户反馈分析方法及系统，可以先在第一图谱成员中，确定出第二图谱成员的关联分析图谱成员，第一图谱成员和第二图谱成员属于成员关系分布图谱中的不同图谱成员，成员关系分布图谱中的图谱成员对应于待分析平台服务的服务用户；确定出关联分析图谱成员对应的服务用户，以得到第一服务用户；确定出第二图谱成员对应的服务用户，以得到第二服务用户；利用用户反馈信息分析网络，依据第一服务用户的用户服务反馈信息，对第二服务用户的用户服务反馈信息进行关联分析操作，以输出第二服务用户对应的反馈关联分析结果。基于上述的内容，由于会先确定出第二图谱成员的关联分析图谱成员，使得在进行反馈分析的过程中，可以结合关联分析图谱成员对应的第一服务用户的用户服务反馈信息，对第二图谱成员对应的第二服务用户的用户服务反馈信息进行反馈分析，以实现关联分析，如此，可以增加对第二服务用户的用户服务反馈信息的分析约束（依据越多，限定的内容就越多，因此，约束就越多），使得分析结果的可靠度更高，即在一定程度上提高用户反馈分析的可靠度。
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智慧AI平台的用户反馈分析系统的结构框图。
图2为本发明实施例提供的智慧AI平台的用户反馈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智慧AI平台的用户反馈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智慧AI平台的用户反馈分析系统。其中，所述智慧AI平台的用户反馈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智慧AI平台的用户反馈分析方法。
应当理解的是，在一些可行的实施方式中，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（ErasableProgrammable Read-Only Memory，EPROM），电可擦除只读存储器（Electric ErasableProgrammable Read-Only Memory，EEPROM）等。
应当理解的是，在一些可行的实施方式中，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。
应当理解的是，在一些可行的实施方式中，所述智慧AI平台的用户反馈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智慧AI平台的用户反馈分析方法，可应用于上述智慧AI平台的用户反馈分析系统。其中，所述智慧AI平台的用户反馈分析方法有关的流程所定义的方法步骤，可以由所述智慧AI平台的用户反馈分析系统实现。下面将对图2所示的流程，进行详细阐述。
步骤S110，在第一图谱成员中，确定出第二图谱成员的关联分析图谱成员。
在本发明实施例中，所述智慧AI平台的用户反馈分析系统可以在第一图谱成员中，确定出第二图谱成员的关联分析图谱成员。所述第一图谱成员和所述第二图谱成员属于成员关系分布图谱中的不同图谱成员，所述成员关系分布图谱中的图谱成员对应于待分析平台服务的服务用户。所述待分析平台服务的具体服务内容不受限制，根据实际应用需求进行配置，如线上购物、用户社交、媒体数据提供等。
步骤S120，确定出所述关联分析图谱成员对应的服务用户，以得到第一服务用户。
在本发明实施例中，所述智慧AI平台的用户反馈分析系统可以确定出所述关联分析图谱成员对应的服务用户，以得到第一服务用户。所述第一服务用户的数量大于或等于1，即关联分析图谱成员的数量大于或等于1。
步骤S130，确定出所述第二图谱成员对应的服务用户，以得到第二服务用户。
在本发明实施例中，所述智慧AI平台的用户反馈分析系统可以确定出所述第二图谱成员对应的服务用户，以得到第二服务用户。所述第二服务用户的数量大于或等于1，即第二图谱成员的数量大于或等于1，在所述第二服务用户的数量大于1的情况下，分别对每一个第二服务用户进行分析。
步骤S140，利用用户反馈信息分析网络，依据所述第一服务用户的用户服务反馈信息，对所述第二服务用户的用户服务反馈信息进行关联分析操作，以输出所述第二服务用户对应的反馈关联分析结果。
在本发明实施例中，所述智慧AI平台的用户反馈分析系统可以利用用户反馈信息分析网络，依据所述第一服务用户的用户服务反馈信息，对所述第二服务用户的用户服务反馈信息进行关联分析操作，以输出所述第二服务用户对应的反馈关联分析结果。所述反馈关联分析结果用于反映所述第二服务用户对目标智慧AI平台提供的待分析平台服务的满意度。另外，所述用户服务反馈信息的具体形式不受限制，如文本、语音、视频等。
基于上述的内容，如上述的步骤S110-步骤S140，由于会先确定出第二图谱成员的关联分析图谱成员，使得在进行反馈分析的过程中，可以结合关联分析图谱成员对应的第一服务用户的用户服务反馈信息，对第二图谱成员对应的第二服务用户的用户服务反馈信息进行反馈分析，以实现关联分析，如此，可以增加对第二服务用户的用户服务反馈信息的分析约束（依据越多，限定的内容就越多，因此，约束就越多），使得分析结果的可靠度更高，即在一定程度上提高用户反馈分析的可靠度。
应当理解的是，在一些可行的实施方式中，上述的步骤S110，即所述在第一图谱成员中，确定出第二图谱成员的关联分析图谱成员的步骤，可以进一步包括以下的各项内容：
提取到待分析平台服务对应的至少两个不同的历史服务用户，所述待分析平台服务包括至少两个不同的待分析平台子服务，每一个历史服务用户至少使用过所述至少两个不同的待分析平台子服务中的一个待分析平台子服务，示例性地，所述待分析平台服务可以为用户社交，所述待分析平台子服务可以为用户实时通信、用户动态分享等；
依次抽选出基于多个图谱成员和图谱成员之间的连接线组合形成的成员关系分布图谱中，每一个所述历史服务用户对应的第一图谱成员，也就是说，可以将所述成员关系分布图谱中所述历史服务用户对应的图谱成员作为第一图谱成员，所述成员关系分布图谱中将历史服务用户作为图谱成员，且按照不同的历史服务用户之间的用户交互相关性配置对应的连接线，所述图谱成员的属性信息至少包括对应的历史服务用户的用户基本信息和子服务使用信息，该用户基本信息可以是在对应的平台的注册信息，所述子服务使用信息可以是指x时间使用过子服务1、xx时间使用过子服务2；
挖掘出所述第一图谱成员对应的图谱信息特征表示，并挖掘出所述第一图谱成员的匹配图谱成员对应的图谱信息特征表示，示例性地，挖掘出所述第一图谱成员的匹配图谱成员对应的图谱信息特征表示的具体方式，可以与挖掘出所述第一图谱成员对应的图谱信息特征表示的方式一致；
利用图谱信息分析网络，依据所述第一图谱成员对应的图谱信息特征表示和所述第一图谱成员的匹配图谱成员对应的图谱信息特征表示，分析出所述第一图谱成员对应的图谱信息融合特征表示；
对具有相同的待分析平台子服务的第一图谱成员的图谱信息融合特征表示进行加载，以加载到该待分析平台子服务对应的匹配分析单元，分析出与所述图谱信息融合特征表示之间的匹配关系表征参数符合目标匹配关系表征参数规则的图谱信息融合特征表示对应的第二图谱成员，所述第二图谱成员不属于所述第一图谱成员的匹配图谱成员，也就是说，可以基于至少一个第一图谱成员的图谱信息融合特征表示进行共同的分析，以确定出与该至少一个第一图谱成员都匹配的第二图谱成员；
将所述具有相同的待分析平台子服务的第一图谱成员中的每一个第一图谱成员，作为所述第二图谱成员的关联分析图谱成员，如此，对于每一个所述第二图谱成员，可以确定出至少一个关联分析图谱成员，例如，对于分析平台子服务1的第一图谱成员1和第一图谱成员2，对应有第二图谱成员1，对于分析平台子服务2的第一图谱成员2和第一图谱成员3，对应有第二图谱成员2，如此，第二图谱成员1的关联分析图谱成员包括第一图谱成员1和第一图谱成员2，第二图谱成员2的关联分析图谱成员包括第一图谱成员2和第一图谱成员3。
应当理解的是，在一些可行的实施方式中，所述提取到待分析平台服务对应的至少两个不同的历史服务用户的步骤，可以包括以下的各项内容：
确定出待分析平台服务在历史上的每一个服务用户，以形成所述待分析平台服务对应的服务用户集合；
对于所述服务用户集合中的每一个服务用户，提取到该服务用户对所述待分析平台服务的使用情况，以形成该服务用户对应的使用行为序列，所述使用行为序列中的每一个使用行为用于反映对应的所述服务用户在历史上使用所述待分析平台服务包括的一个待分析平台子服务；
对所述使用行为序列进行序列长度的确定操作，并基于确定出的序列长度，分析出所述服务用户对应的第一筛选优先系数，所述第一筛选优先系数和所述序列长度之间具有正相关的对应关系；
对所述使用行为序列进行序列集中度的确定操作，并基于确定出的序列集中度，分析出所述服务用户对应的第二筛选优先系数，所述第二筛选优先系数和所述序列集中度之间具有正相关的对应关系，且所述序列集中度基于所述使用行为序列中各种使用行为的种类数量和行为数量确定，所述种类数量用于反映使用行为的种类的数目（如使用相同的待分析平台子服务作为一种使用行为），所述行为数量用于分别反映对应的同一种类的使用行为的数目（如使用一个待分析平台子服务的次数），所述序列集中度可以与所述种类数量负相关，可以与各行为数量中的最大值正相关；
基于对应的第一筛选优先系数和对应的第二筛选优先系数，在所述服务用户集合中，确定出所述分析平台服务对应的至少两个不同的历史服务用户，例如，可以计算对应的第一筛选优先系数和对应的第二筛选优先系数的加权和值，然后，将最大的一个或多个加权和值对应的服务用户，作为所述分析平台服务对应的至少两个不同的历史服务用户。
应当理解的是，在一些可行的实施方式中，所述挖掘出所述第一图谱成员对应的图谱信息特征表示的步骤，可以进一步包括以下的各项内容：
确定出所述第一图谱成员的匹配图谱成员组合；
基于所述第一图谱成员的匹配图谱成员的成员种类，对所述匹配图谱成员组合进行分割操作，以形成每一个成员种类对应的子匹配图谱成员组合，所述匹配图谱成员的成员种类基于所述匹配图谱成员和所述第一图谱成员之间的用户交互相关性的表征参数确定，属于同一个成员种类的匹配图谱成员和所述第一图谱成员之间的用户交互相关性的表征参数属于一个参数区间，该参数区间的具体范围可以预先根据实际需求进行配置；
基于所述第一图谱成员的匹配图谱成员的成员属性信息特征表示，分析出每一种成员种类的匹配图谱成员的信息特征表示，所述成员属性信息特征表示基于对对应的属性信息进行特征挖掘形成，并且，对于一个成员种类，可以将该成员种类对应的子匹配图谱成员组合中的各匹配图谱成员的成员属性信息特征表示进行级联组合等操作，得到信息特征表示；
将每一种成员种类的匹配图谱成员的信息特征表示进行级联组合操作，以输出所述第一图谱成员对应的图谱信息特征表示，也就是说，可以将每一种成员种类的匹配图谱成员的信息特征表示在维度上进行组合。
应当理解的是，在一些可行的实施方式中，所述确定出所述第一图谱成员的匹配图谱成员组合的步骤，可以进一步包括以下的各项内容：
在所述成员关系分布图谱中，确定出与所述第一图谱成员之间具有连接线的每一个其它图谱成员，以形成所述第一图谱成员对应的候选图谱成员组合，在所述成员关系分布图谱中，具有连接线的每两个图谱成员对应的服务用户之间的用户交互相关性的表征参数大于预先配置的参考表征参数，所述参考表征参数的具体数值可以根据实际需求进行配置；
对于所述候选图谱成员组合中的每一个候选图谱成员，基于该候选图谱成员和所述第一图谱成员对应的服务用户之间的用户交互相关性的表征参数，确定出该候选图谱成员对应的第一候选系数，以及，基于该候选图谱成员在所述成员关系分布图谱中连接的其它图谱成员的数量，确定出该候选图谱成员对应的第二候选系数，再将所述第一候选系数和所述第二候选系数进行融合处理，如进行加权求和计算，以得到该候选图谱成员对应的融合候选系数，另外，所述第一候选系数可以与所述用户交互相关性的表征参数之间具有正相关关系，所述第二候选系数也可以与所述连接的其它图谱成员的数量之间具有正相关关系；
基于每一个所述候选图谱成员对应的融合候选系数，在所述候选图谱成员组合中，确定出所述第一图谱成员的匹配图谱成员组合，例如，可以将融合候选系数最大的一个或多个候选图谱成员，作为匹配图谱成员，或者，可以将融合候选系数大于预设候选系数的每一个候选图谱成员，作为匹配图谱成员，以形成匹配图谱成员组合。
应当理解的是，在一些可行的实施方式中，所述图谱信息分析网络可以包括聚焦特征分析子网络和特征融合子网络，基于此，所述利用图谱信息分析网络，依据所述第一图谱成员对应的图谱信息特征表示和所述第一图谱成员的匹配图谱成员对应的图谱信息特征表示，分析出所述第一图谱成员对应的图谱信息融合特征表示的步骤，进一步包括以下的各项内容：
利用所述聚焦特征分析子网络，依据每一种成员种类的图谱成员对应的重要性评估参数，将所述第一图谱成员的匹配图谱成员对应的图谱信息特征表示进行融合操作，以输出所述第一图谱成员的匹配图谱信息第一特征表示；
利用所述聚焦特征分析子网络，基于所述第一图谱成员对应的图谱信息特征表示，确定出所述第一图谱成员对应的优化图谱信息第一特征表示；
利用所述特征融合子网络，针对每一个所述第一图谱成员对应的匹配图谱信息第一特征表示和所述第一图谱成员对应的优化图谱信息第一特征表示进行合并操作，以输出每一个所述第一图谱成员的图谱信息融合特征表示，该合并操作可以是指级联组合操作，也可以是加权求和。
应当理解的是，在一些可行的实施方式中，所述利用所述聚焦特征分析子网络，依据每一种成员种类的图谱成员对应的重要性评估参数，将所述第一图谱成员的匹配图谱成员对应的图谱信息特征表示进行融合操作，以输出所述第一图谱成员的匹配图谱信息第一特征表示的步骤，可以进一步包括以下的各项内容：
依据每一种成员种类的图谱成员对应的重要性评估参数（所述重要性评估参数可以预先定义，也可以基于相应的信息进行分析得到，如基于该成员种类的图谱成员的数量确定，如与该数量正相关），依次将所述第一图谱成员的每一个匹配图谱成员的图谱信息特征表示中每一种成员种类的信息特征表示进行加权叠加，形成每一个匹配图谱成员的加权信息特征表示，也就是说，将所述重要性评估参数作为加权系数，进行加权求和，其中，一个匹配图谱成员的图谱信息特征表示包括至少两种成员种类的信息特征表示，即至少两个信息特征表示的级联组合；
对每一个匹配图谱成员的加权信息特征表示进行级联组合操作，以形成对应的级联匹配信息特征表示；
计算出所述级联匹配信息特征表示对应的重要性参数分布和所述级联匹配信息特征表示之间的相乘运算第一结果，所述级联匹配信息特征表示对应的重要性参数分布可以是，所述级联匹配信息特征表示的转置结果和所述级联匹配信息特征表示进行相乘的结果，如此，可以实现对所述级联匹配信息特征表示进行自身的聚焦特征分析操作；
对所述相乘运算第一结果加载到所述聚焦特征分析子网络中的全连接处理单元中，以输出所述第一图谱成员对应的匹配图谱信息第一特征表示，也就是说，可以对所述相乘运算第一结果进行全连接处理。
其中，应当理解的是，在一些可行的实施方式中，确定出每一种成员种类的图谱成员对应的重要性评估参数的步骤，可以包括以下内容：
对于一种成员种类对应的每一个所述图谱成员，对该图谱成员对应的图谱信息特征表示的转置结果和该图谱成员对应的图谱信息特征表示进行数量积的计算，以得到该图谱成员对应的数量积；
对每一个图谱成员对应的数量积进行指数函数计算，以输出每一个所述图谱成员对应的指数函数计算结果，并计算每一个所述图谱成员对应的指数函数计算结果的和值，得到总的指数函数计算结果；
对于一种成员种类对应的每一个所述图谱成员，对该图谱成员对应的指数函数计算结果和所述总的指数函数计算结果进行比值计算，以得到该图谱成员对应的重要性评估参数。
其中，应当理解的是，在一些可行的实施方式中，所述利用所述聚焦特征分析子网络，基于所述第一图谱成员对应的图谱信息特征表示，确定出所述第一图谱成员对应的优化图谱信息第一特征表示的步骤，可以进一步包括以下的各项内容：
确定出所述聚焦特征分析子网络中梯度优化处理单元的重要性参数分布，所述重要性参数分布可以作为所述梯度优化处理单元的网络参数，以在所述梯度优化处理单元的网络优化过程中形成；
计算出所述梯度优化处理单元的重要性参数分布和所述第一图谱成员对应的图谱信息特征表示之间的相乘运算第二结果；
对所述相乘运算第二结果加载到所述聚焦特征分析子网络中的全连接处理单元，以输出所述第一图谱成员对应的优化图谱信息第一特征表示，也就是说，可以对所述相乘运算第二结果进行全连接处理。
其中，应当理解的是，在一些可行的实施方式中，所述图谱信息分析网络包括还包括特征表示整合子网络，所述在第一图谱成员中，确定出第二图谱成员的关联分析图谱成员的步骤，还可以进一步包括以下的各项内容：
利用所述特征表示整合子网络，依次将每一个所述第一图谱成员的匹配图谱成员对应的图谱信息融合特征表示进行整合操作，以输出每一个所述第一图谱成员对应的匹配图谱信息第二特征表示，可以参照前述的匹配图谱信息第一特征表示的确定方式，在此不再一一赘述；
分别基于每一个所述第一图谱成员的图谱信息融合特征表示，依次分析出每一个所述第一图谱成员对应的优化图谱信息第二特征表示，可以参照前述的优化图谱信息第一特征表示的确定方式，在此不再一一赘述；
依次对每一个所述第一图谱成员对应的优化图谱信息第二特征表示和所述第一图谱成员对应的匹配图谱信息第二特征表示进行合并操作，如级联组合，以输出每一个所述第一图谱成员对应的图谱信息合并特征表示。
其中，应当理解的是，在一些可行的实施方式中，所述对具有相同的待分析平台子服务的第一图谱成员的图谱信息融合特征表示进行加载，以加载到该待分析平台子服务对应的匹配分析单元，分析出与所述图谱信息融合特征表示之间的匹配关系表征参数符合目标匹配关系表征参数规则的图谱信息融合特征表示对应的第二图谱成员的步骤，可以进一步包括以下的各项内容：
对具有相同的待分析平台子服务的第一图谱成员的图谱信息融合特征表示进行加载，以加载到该待分析平台子服务对应的匹配分析单元；
利用所述匹配分析单元，将所述具有相同的待分析平台子服务的第一图谱成员的图谱信息融合特征表示，与所述成员关系分布图谱中所述第一图谱成员和所述第一图谱成员的匹配图谱成员以外的每一个其它图谱成员对应的图谱信息融合特征表示进行匹配关系分析，以输出匹配关系表征参数，在所述具有相同的待分析平台子服务的第一图谱成员为多个时，如第一图谱成员1和第一图谱成员2具有相同的待分析平台子服务1，可以将第一图谱成员1对应的图谱信息融合特征表示和第一图谱成员2对应的图谱信息融合特征表示进行级联组合，然后，将级联组合的结果分别与每一个其它图谱成员对应的图谱信息融合特征表示进行匹配关系分析，以分别输出与每一个其它图谱成员之间的匹配关系表征参数；
将对应的匹配关系表征参数大于或等于参考匹配关系表征参数的其它图谱成员，作为与所述具有相同的待分析平台子服务的第一图谱成员的图谱信息融合特征表示之间的匹配关系表征参数符合目标匹配关系表征参数规则的图谱信息融合特征表示对应的第二图谱成员，所述参考匹配关系表征参数的具体数值不受限制，可以根据实际需求进行配置。
其中，应当理解的是，在一些可行的实施方式中，所述在第一图谱成员中，确定出第二图谱成员的关联分析图谱成员的步骤，还可以进一步包括以下的各项内容：
提取到所述待分析平台服务对应的每一个历史服务用户，并确定出与每一个所述历史服务用户对应的图谱成员；
基于不同历史服务用户在所述目标智慧AI平台中具有的交互行为，分析出不同历史服务用户之间的用户交互相关性，以及，基于所述用户交互相关性的表征参数确定出对应的图谱成员之间的连接线，所述用户交互相关性的表征参数可以与交互行为的数量等信息相关，与该数量正相关；
依据所述图谱成员和所述连接线，组合形成所述成员关系分布图谱。
应当理解的是，在一些可行的实施方式中，所述图谱信息分析网络可以包括聚焦特征分析子网络和特征融合子网络，基于此，所述在第一图谱成员中，确定出第二图谱成员的关联分析图谱成员的步骤，还可以进一步包括以下的各项内容：
利用聚焦特征分析子网络，依据每一种成员种类的信息特征表示对应的重要性评估参数，将所述图谱成员的匹配图谱成员对应的图谱信息特征表示进行融合操作，以输出所述图谱成员对应的匹配图谱信息第一特征表示，可以参照前文的前相关描述；
利用所述聚焦特征分析子网络，基于所述图谱成员对应的图谱信息特征表示，确定出所述图谱成员的优化图谱信息第一特征表示，所述图谱信息特征表示包括对应的至少两个成员种类的信息特征表示，可以参照前文的前相关描述；
利用特征融合子网络，针对每一个所述图谱成员对应的匹配图谱信息第一特征表示和所述图谱成员对应的优化图谱信息第一特征表示进行合并操作，以输出每一个所述图谱成员对应的图谱信息融合特征表示，可以参照前文的前相关描述；
确定出所述图谱成员的匹配图谱成员对应的图谱信息融合特征表示，并确定出所述图谱成员的非匹配图谱成员对应的图谱信息融合特征表示，述图谱成员的非匹配图谱成员对应的图谱信息融合特征表示的确定方式，可以与所述图谱成员的匹配图谱成员对应的图谱信息融合特征表示的确定方式一致，并且，可以参照前文的前相关描述；
基于所述图谱成员对应的图谱信息融合特征表示、所述图谱成员的匹配图谱成员对应的图谱信息融合特征表示和所述图谱成员的非匹配图谱成员对应的图谱信息融合特征表示，计算出目标学习代价指标；
基于所述目标学习代价指标，对所述图谱信息分析网络进行网络优化，也就是说，可以沿着降低所述目标学习代价指标的方向，对所述图谱信息分析网络进行网络优化，直到目标学习代价指标收敛。
其中，应当理解的是，在一些可行的实施方式中，所述基于所述图谱成员对应的图谱信息融合特征表示、所述图谱成员的匹配图谱成员对应的图谱信息融合特征表示和所述图谱成员的非匹配图谱成员对应的图谱信息融合特征表示，计算出目标学习代价指标的步骤，可以包括以下的各项内容：
对所述图谱成员对应的图谱信息融合特征表示进行转置操作，以输出对应的转置图谱信息融合特征表示；
将所述转置图谱信息融合特征表示与所述图谱成员的匹配图谱成员对应的图谱信息融合特征表示进行相乘运算，以输出匹配相乘运算结果；
将所述转置图谱信息融合特征表示与所述图谱成员的非匹配图谱成员对应的图谱信息融合特征表示进行相乘运算，以输出非匹配相乘运算结果；
对所述匹配相乘运算结果进行归一化处理（如通过S型函数进行处理），以输出对应的第一归一化参数，并对所述第一归一化参数进行对数函数计算，以输出对应的第一对数函数计算结果，以及，对所述非匹配相乘运算结果进行归一化处理，以输出对应的第二归一化参数，并对所述第二归一化参数进行对数函数计算，以输出对应的第二对数函数计算结果；
基于所述第一对数函数计算结果和所述第二对数函数计算结果之间的结果差值，确定出目标学习代价指标。
应当理解的是，在一些可行的实施方式中，上述的步骤S140，即所述利用用户反馈信息分析网络，依据所述第一服务用户的用户服务反馈信息，对所述第二服务用户的用户服务反馈信息进行关联分析操作，以输出所述第二服务用户对应的反馈关联分析结果的步骤，可以进一步包括以下的内容：
利用用户反馈信息分析网络，对所述第一服务用户的用户服务反馈信息进行特征挖掘操作，以形成对应的第一反馈信息特征表示，所述特征挖掘操作可以是指映射到特征空间，以利用连续的向量来表示，也就是说，在本发明实施例中，特征表示的具体形式可以是向量；
利用所述用户反馈信息分析网络，对所述第二服务用户的用户服务反馈信息进行特征挖掘操作，以形成对应的第二反馈信息特征表示；
利用所述用户反馈信息分析网络，对所述第一反馈信息特征表示和所述第二反馈信息特征表示进行关联挖掘操作，以输出关联挖掘特征表示，示例性地，可以基于所述第一反馈信息特征表示，对所述第二反馈信息特征表示进行聚焦特征分析操作或显著性特征分布操作；
利用所述用户反馈信息分析网络，对所述关联挖掘特征表示进行分析输出，以得到所述第二服务用户对应的反馈关联分析结果，示例性地，可以先对所述关联挖掘特征表示进行全连接处理，然后，进行激励映射输出，如此，可以得到所述第二服务用户对应的反馈关联分析结果，另外，所述用户反馈信息分析网络可以基于相应的典型用户服务反馈信息和实际满意度，对初始的神经网络进行网络优化处理以形成。
结合图3，本发明实施例还提供一种智慧AI平台的用户反馈分析装置，可应用于上述智慧AI平台的用户反馈分析系统。其中，所述智慧AI平台的用户反馈分析装置可以包括以下的软件模块：
图谱成员确定模块，用于在第一图谱成员中，确定出第二图谱成员的关联分析图谱成员，所述第一图谱成员和所述第二图谱成员属于成员关系分布图谱中的不同图谱成员，所述成员关系分布图谱中的图谱成员对应于待分析平台服务的服务用户；
第一用户确定模块，用于确定出所述关联分析图谱成员对应的服务用户，以得到第一服务用户，所述第一服务用户的数量大于或等于1；
第二用户确定模块，用于确定出所述第二图谱成员对应的服务用户，以得到第二服务用户，所述第二服务用户的数量大于或等于1，且在所述第二服务用户的数量大于1的情况下，分别对每一个第二服务用户进行分析；
反馈关联分析模块，用于利用用户反馈信息分析网络，依据所述第一服务用户的用户服务反馈信息，对所述第二服务用户的用户服务反馈信息进行关联分析操作，以输出所述第二服务用户对应的反馈关联分析结果，所述反馈关联分析结果用于反映所述第二服务用户对目标智慧AI平台提供的待分析平台服务的满意度。
综上所述，本发明提供的智慧AI平台的用户反馈分析方法及系统，可以先在第一图谱成员中，确定出第二图谱成员的关联分析图谱成员，第一图谱成员和第二图谱成员属于成员关系分布图谱中的不同图谱成员，成员关系分布图谱中的图谱成员对应于待分析平台服务的服务用户；确定出关联分析图谱成员对应的服务用户，以得到第一服务用户；确定出第二图谱成员对应的服务用户，以得到第二服务用户；利用用户反馈信息分析网络，依据第一服务用户的用户服务反馈信息，对第二服务用户的用户服务反馈信息进行关联分析操作，以输出第二服务用户对应的反馈关联分析结果。基于上述的内容，由于会先确定出第二图谱成员的关联分析图谱成员，使得在进行反馈分析的过程中，可以结合关联分析图谱成员对应的第一服务用户的用户服务反馈信息，对第二图谱成员对应的第二服务用户的用户服务反馈信息进行反馈分析，以实现关联分析，如此，可以增加对第二服务用户的用户服务反馈信息的分析约束（依据越多，限定的内容就越多，因此，约束就越多），使得分析结果的可靠度更高，即在一定程度上提高用户反馈分析的可靠度。
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)
1.一种智慧AI平台的用户反馈分析方法，其特征在于，包括：
在第一图谱成员中，确定出第二图谱成员的关联分析图谱成员，所述第一图谱成员和所述第二图谱成员属于成员关系分布图谱中的不同图谱成员，所述成员关系分布图谱中的图谱成员对应于待分析平台服务的服务用户；
确定出所述关联分析图谱成员对应的服务用户，以得到第一服务用户，所述第一服务用户的数量大于或等于1；
确定出所述第二图谱成员对应的服务用户，以得到第二服务用户，所述第二服务用户的数量大于或等于1，且在所述第二服务用户的数量大于1的情况下，分别对每一个所述第二服务用户进行分析；
利用用户反馈信息分析网络，依据所述第一服务用户的用户服务反馈信息，对所述第二服务用户的用户服务反馈信息进行关联分析操作，以输出所述第二服务用户对应的反馈关联分析结果，所述反馈关联分析结果用于反映所述第二服务用户对目标智慧AI平台提供的待分析平台服务的满意度。
2.如权利要求1所述的智慧AI平台的用户反馈分析方法，其特征在于，所述在第一图谱成员中，确定出第二图谱成员的关联分析图谱成员的步骤，包括：
提取到待分析平台服务对应的至少两个不同的历史服务用户，所述待分析平台服务包括至少两个不同的待分析平台子服务，每一个历史服务用户至少使用过所述至少两个不同的待分析平台子服务中的一个待分析平台子服务；
依次抽选出基于多个图谱成员和图谱成员之间的连接线组合形成的成员关系分布图谱中，每一个所述历史服务用户对应的第一图谱成员，所述成员关系分布图谱中将历史服务用户作为图谱成员，且按照不同的历史服务用户之间的用户交互相关性配置对应的连接线，所述图谱成员的属性信息至少包括对应的历史服务用户的用户基本信息和子服务使用信息；
挖掘出所述第一图谱成员对应的图谱信息特征表示，并挖掘出所述第一图谱成员的匹配图谱成员对应的图谱信息特征表示；
利用图谱信息分析网络，依据所述第一图谱成员对应的图谱信息特征表示和所述第一图谱成员的匹配图谱成员对应的图谱信息特征表示，分析出所述第一图谱成员对应的图谱信息融合特征表示；
对具有相同的待分析平台子服务的第一图谱成员的图谱信息融合特征表示进行加载，以加载到该待分析平台子服务对应的匹配分析单元，分析出与所述图谱信息融合特征表示之间的匹配关系表征参数符合目标匹配关系表征参数规则的图谱信息融合特征表示对应的第二图谱成员，所述第二图谱成员不属于所述第一图谱成员的匹配图谱成员；
将所述具有相同的待分析平台子服务的第一图谱成员中的每一个第一图谱成员，作为所述第二图谱成员的关联分析图谱成员。
3.如权利要求2所述的智慧AI平台的用户反馈分析方法，其特征在于，所述提取到待分析平台服务对应的至少两个不同的历史服务用户的步骤，包括：
确定出待分析平台服务在历史上的每一个服务用户，以形成所述待分析平台服务对应的服务用户集合；
对于所述服务用户集合中的每一个服务用户，提取到该服务用户对所述待分析平台服务的使用情况，以形成该服务用户对应的使用行为序列，所述使用行为序列中的每一个使用行为用于反映对应的所述服务用户在历史上使用所述待分析平台服务包括的一个待分析平台子服务；
对所述使用行为序列进行序列长度的确定操作，并基于确定出的序列长度，分析出所述服务用户对应的第一筛选优先系数，所述第一筛选优先系数和所述序列长度之间具有正相关的对应关系；
对所述使用行为序列进行序列集中度的确定操作，并基于确定出的序列集中度，分析出所述服务用户对应的第二筛选优先系数，所述第二筛选优先系数和所述序列集中度之间具有正相关的对应关系，且所述序列集中度基于所述使用行为序列中各种使用行为的种类数量和行为数量确定，所述种类数量用于反映使用行为的种类的数目，所述行为数量用于分别反映对应的同一种类的使用行为的数目；
基于对应的第一筛选优先系数和对应的第二筛选优先系数，在所述服务用户集合中，确定出所述分析平台服务对应的至少两个不同的历史服务用户。
4.如权利要求2所述的智慧AI平台的用户反馈分析方法，其特征在于，所述挖掘出所述第一图谱成员对应的图谱信息特征表示的步骤，包括：
确定出所述第一图谱成员的匹配图谱成员组合；
基于所述第一图谱成员的匹配图谱成员的成员种类，对所述匹配图谱成员组合进行分割操作，以形成每一个成员种类对应的子匹配图谱成员组合，所述匹配图谱成员的成员种类基于所述匹配图谱成员和所述第一图谱成员之间的用户交互相关性的表征参数确定；
基于所述第一图谱成员的匹配图谱成员的成员属性信息特征表示，分析出每一种成员种类的匹配图谱成员的信息特征表示；
将每一种成员种类的匹配图谱成员的信息特征表示进行级联组合操作，以输出所述第一图谱成员对应的图谱信息特征表示。
5.如权利要求4所述的智慧AI平台的用户反馈分析方法，其特征在于，所述确定出所述第一图谱成员的匹配图谱成员组合的步骤，包括：
在所述成员关系分布图谱中，确定出与所述第一图谱成员之间具有连接线的每一个其它图谱成员，以形成所述第一图谱成员对应的候选图谱成员组合，在所述成员关系分布图谱中，具有连接线的每两个图谱成员对应的服务用户之间的用户交互相关性的表征参数大于预先配置的参考表征参数；
对于所述候选图谱成员组合中的每一个候选图谱成员，基于该候选图谱成员和所述第一图谱成员对应的服务用户之间的用户交互相关性的表征参数，确定出该候选图谱成员对应的第一候选系数，以及，基于该候选图谱成员在所述成员关系分布图谱中连接的其它图谱成员的数量，确定出该候选图谱成员对应的第二候选系数，再将所述第一候选系数和所述第二候选系数进行融合处理，以得到该候选图谱成员对应的融合候选系数；
基于每一个所述候选图谱成员对应的融合候选系数，在所述候选图谱成员组合中，确定出所述第一图谱成员的匹配图谱成员组合。
6.如权利要求2所述的智慧AI平台的用户反馈分析方法，其特征在于，所述图谱信息分析网络包括聚焦特征分析子网络和特征融合子网络；
所述利用图谱信息分析网络，依据所述第一图谱成员对应的图谱信息特征表示和所述第一图谱成员的匹配图谱成员对应的图谱信息特征表示，分析出所述第一图谱成员对应的图谱信息融合特征表示的步骤，包括：
利用所述聚焦特征分析子网络，依据每一种成员种类的图谱成员对应的重要性评估参数，将所述第一图谱成员的匹配图谱成员对应的图谱信息特征表示进行融合操作，以输出所述第一图谱成员的匹配图谱信息第一特征表示；
利用所述聚焦特征分析子网络，基于所述第一图谱成员对应的图谱信息特征表示，确定出所述第一图谱成员对应的优化图谱信息第一特征表示；
利用所述特征融合子网络，针对每一个所述第一图谱成员对应的匹配图谱信息第一特征表示和所述第一图谱成员对应的优化图谱信息第一特征表示进行合并操作，以输出每一个所述第一图谱成员的图谱信息融合特征表示。
7.如权利要求6所述的智慧AI平台的用户反馈分析方法，其特征在于，所述利用所述聚焦特征分析子网络，依据每一种成员种类的图谱成员对应的重要性评估参数，将所述第一图谱成员的匹配图谱成员对应的图谱信息特征表示进行融合操作，以输出所述第一图谱成员的匹配图谱信息第一特征表示的步骤，包括：
依据每一种成员种类的图谱成员对应的重要性评估参数，依次将所述第一图谱成员的每一个匹配图谱成员的图谱信息特征表示中每一种成员种类的信息特征表示进行加权叠加，形成每一个匹配图谱成员的加权信息特征表示；
对每一个匹配图谱成员的加权信息特征表示进行级联组合操作，以形成对应的级联匹配信息特征表示；
计算出所述级联匹配信息特征表示对应的重要性参数分布和所述级联匹配信息特征表示之间的相乘运算第一结果；
对所述相乘运算第一结果加载到所述聚焦特征分析子网络中的全连接处理单元中，以输出所述第一图谱成员对应的匹配图谱信息第一特征表示。
8.如权利要求2所述的智慧AI平台的用户反馈分析方法，其特征在于，所述图谱信息分析网络包括聚焦特征分析子网络和特征融合子网络；
所述在第一图谱成员中，确定出第二图谱成员的关联分析图谱成员的步骤，还包括：
利用聚焦特征分析子网络，依据每一种成员种类的信息特征表示对应的重要性评估参数，将所述图谱成员的匹配图谱成员对应的图谱信息特征表示进行融合操作，以输出所述图谱成员对应的匹配图谱信息第一特征表示；
利用所述聚焦特征分析子网络，基于所述图谱成员对应的图谱信息特征表示，确定出所述图谱成员的优化图谱信息第一特征表示，所述图谱信息特征表示包括对应的至少两个成员种类的信息特征表示；
利用特征融合子网络，针对每一个所述图谱成员对应的匹配图谱信息第一特征表示和所述图谱成员对应的优化图谱信息第一特征表示进行合并操作，以输出每一个所述图谱成员对应的图谱信息融合特征表示；
确定出所述图谱成员的匹配图谱成员对应的图谱信息融合特征表示，并确定出所述图谱成员的非匹配图谱成员对应的图谱信息融合特征表示；
基于所述图谱成员对应的图谱信息融合特征表示、所述图谱成员的匹配图谱成员对应的图谱信息融合特征表示和所述图谱成员的非匹配图谱成员对应的图谱信息融合特征表示，计算出目标学习代价指标；
基于所述目标学习代价指标，对所述图谱信息分析网络进行网络优化。
9.如权利要求1-8任意一项所述的智慧AI平台的用户反馈分析方法，其特征在于，所述利用用户反馈信息分析网络，依据所述第一服务用户的用户服务反馈信息，对所述第二服务用户的用户服务反馈信息进行关联分析操作，以输出所述第二服务用户对应的反馈关联分析结果的步骤，包括：
利用用户反馈信息分析网络，对所述第一服务用户的用户服务反馈信息进行特征挖掘操作，以形成对应的第一反馈信息特征表示；
利用所述用户反馈信息分析网络，对所述第二服务用户的用户服务反馈信息进行特征挖掘操作，以形成对应的第二反馈信息特征表示；
利用所述用户反馈信息分析网络，对所述第一反馈信息特征表示和所述第二反馈信息特征表示进行关联挖掘操作，以输出关联挖掘特征表示；
利用所述用户反馈信息分析网络，对所述关联挖掘特征表示进行分析输出，以得到所述第二服务用户对应的反馈关联分析结果。
10.一种智慧AI平台的用户反馈分析系统，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 |
|---|---|---|---|
| CN202310283729.3A CN116303963A (zh) | 2023-03-22 | 2023-03-22 | 智慧ai平台的用户反馈分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310283729.3A CN116303963A (zh) | 2023-03-22 | 2023-03-22 | 智慧ai平台的用户反馈分析方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116303963A true CN116303963A (zh) | 2023-06-23 |
Family
ID=86823840
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310283729.3A Withdrawn CN116303963A (zh) | 2023-03-22 | 2023-03-22 | 智慧ai平台的用户反馈分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116303963A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117155978A (zh) * | 2023-10-31 | 2023-12-01 | 山东弘毅节能服务有限公司 | 一种基于人工智能的智慧校园管理系统 |
| CN117291852A (zh) * | 2023-09-07 | 2023-12-26 | 上海铱奇科技有限公司 | 一种基于ar的信息合成方法及系统 |
| CN117290689A (zh) * | 2023-09-21 | 2023-12-26 | 湖北太昇科技有限公司 | 一种基于智慧家居的用户绑定方法及系统 |
-
2023
- 2023-03-22 CN CN202310283729.3A patent/CN116303963A/zh not_active Withdrawn
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117291852A (zh) * | 2023-09-07 | 2023-12-26 | 上海铱奇科技有限公司 | 一种基于ar的信息合成方法及系统 |
| CN117290689A (zh) * | 2023-09-21 | 2023-12-26 | 湖北太昇科技有限公司 | 一种基于智慧家居的用户绑定方法及系统 |
| CN117155978A (zh) * | 2023-10-31 | 2023-12-01 | 山东弘毅节能服务有限公司 | 一种基于人工智能的智慧校园管理系统 |
| CN117155978B (zh) * | 2023-10-31 | 2024-01-26 | 山东弘毅节能服务有限公司 | 一种基于人工智能的智慧校园管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116303963A (zh) | 智慧ai平台的用户反馈分析方法及系统 | |
| CN111309983A (zh) | 基于异构图进行业务处理的方法及装置 | |
| US20220027730A1 (en) | Entity transaction attribute determination method and apparatus | |
| CN112231592B (zh) | 基于图的网络社团发现方法、装置、设备以及存储介质 | |
| CN108920530B (zh) | 一种信息处理方法、装置、存储介质及电子设备 | |
| CN116109121B (zh) | 基于大数据分析的用户需求挖掘方法及系统 | |
| CN111639690A (zh) | 基于关系图谱学习的欺诈分析方法、系统、介质及设备 | |
| CN116126947B (zh) | 应用于企业管理系统的大数据分析方法及系统 | |
| CN113536097A (zh) | 基于自动特征分组的推荐方法及装置 | |
| Modhej et al. | Integrating inverse data envelopment analysis and neural network to preserve relative efficiency values | |
| CN114692859A (zh) | 数据处理方法及装置、计算设备及试验精简设备 | |
| CN116150477A (zh) | 一种财经资讯个性化推荐方法、装置、设备及介质 | |
| Qi et al. | TreeLogit model for customer churn prediction | |
| CN113327154A (zh) | 基于大数据的电商用户讯息推送方法及系统 | |
| CN111125541A (zh) | 面向多用户的可持续多云服务组合的获取方法 | |
| CN116680323B (zh) | 基于大数据安全平台的用户需求挖掘方法及系统 | |
| KR20200029647A (ko) | 사용자 개인화에 의한 큐레이터 전자상거래 시스템의 일반화 방법 | |
| CN116662415B (zh) | 基于数据挖掘的智能匹配方法及系统 | |
| TEKOUABOU et al. | Using Class Membership based Approach to Improve Predictive Classification in Customer Relationship Management Systems | |
| CN117217852B (zh) | 一种基于行为识别购买意愿度预测方法及装置 | |
| CN112906960A (zh) | 一种非契约客户流失预测方法及系统 | |
| CN116644160A (zh) | 基于在线ai交互的用户会话识别分析方法及软件产品 | |
| CN116361440A (zh) | 基于人工智能的数字金融产品会话交互方法及系统 | |
| CN118445789A (zh) | 设备的风险分析方法、装置、设备和存储介质 | |
| CN115712837A (zh) | 数据处理方法、装置、电子设备及存储介质 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230623 |
|
| WW01 | Invention patent application withdrawn after publication |