CN116431769A - 基于定制化ai云平台服务的交互数据分析方法及软件产品 - Google Patents
基于定制化ai云平台服务的交互数据分析方法及软件产品 Download PDFInfo
- Publication number
- CN116431769A CN116431769A CN202310501025.9A CN202310501025A CN116431769A CN 116431769 A CN116431769 A CN 116431769A CN 202310501025 A CN202310501025 A CN 202310501025A CN 116431769 A CN116431769 A CN 116431769A
- Authority
- CN
- China
- Prior art keywords
- text
- basic
- detail
- algorithm
- target
- 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- Withdrawn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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000002452 interceptive effect Effects 0.000 title claims abstract description 29
- 238000007405 data analysis Methods 0.000 title claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 362
- 239000013598 vector Substances 0.000 claims abstract description 297
- 238000005065 mining Methods 0.000 claims abstract description 283
- 238000012549 training Methods 0.000 claims abstract description 81
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims description 230
- 230000003993 interaction Effects 0.000 claims description 73
- 238000013507 mapping Methods 0.000 claims description 42
- 238000012360 testing method Methods 0.000 claims description 42
- 230000009191 jumping Effects 0.000 claims description 28
- 125000004122 cyclic group Chemical group 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013508 migration Methods 0.000 abstract description 9
- 230000005012 migration Effects 0.000 abstract description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000008451 emotion Effects 0.000 description 11
- 238000013461 design Methods 0.000 description 9
- 230000035945 sensitivity Effects 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000007670 refining 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
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06N3/096—Transfer learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例涉及数字化服务、人工智能和云平台技术领域，提供一种基于定制化AI云平台服务的交互数据分析方法及软件产品，AI云平台服务器能够基于迁移学习思路实现文本细节挖掘算法的调试训练，从而保障完成调试的文本细节挖掘算法target algorithm1的优质文本细节挖掘性能，从而依据输入文本对应的文本细节向量进行准确、客观的定制化信息保护诉求分析。
Description
技术领域
本发明涉及数字化服务、人工智能和云平台技术领域，尤其涉及一种基于定制化AI云平台服务的交互数据分析方法及软件产品。
背景技术
本发明实施例涉及数字化服务、人工智能和云平台技术领域，提供一种基于定制化AI云平台服务的交互数据分析方法及软件产品，AI云平台服务器能够基于迁移学习思路实现文本细节挖掘算法的调试训练，从而保障完成调试的文本细节挖掘算法targetalgorithm1的优质文本细节挖掘性能，从而依据输入文本对应的文本细节向量进行准确、客观的定制化信息保护诉求分析。
发明内容
本发明提供一种基于定制化AI云平台服务的交互数据分析方法及软件产品，能够基于迁移学习思路实现文本细节挖掘算法的调试训练，从而保障完成调试的文本细节挖掘算法target algorithm1的优质文本细节挖掘性能，从而依据输入文本对应的文本细节向量进行准确、客观的定制化信息保护诉求分析，为实现上述技术目的，本发明采用如下技术方案。
第一方面是一种基于定制化AI云平台服务的交互数据分析方法，应用于AI云平台服务器，所述方法包括：
获取待处理数字服务会话参考文本集合，其中，所述待处理数字服务会话参考文本集合基于设定数字服务会话参考文本集合所确定；
将所述待处理数字服务会话参考文本集合中各个数字服务会话参考文本分别加载至完成调试的文本细节挖掘算法和拟调试的基础文本细节挖掘算法中进行文本细节挖掘，得到所述各个数字服务会话参考文本对应的目标文本细节向量和所述各个数字服务会话参考文本对应的基础文本细节向量，其中，所述基础文本细节挖掘算法是将所述完成调试的文本细节挖掘算法的算法变量进行重置得到的；
推算所述各个数字服务会话参考文本对应的目标文本细节向量之间的共性评价，得到目标共性评价集，并推算所述各个数字服务会话参考文本对应的基础文本细节向量之间的共性评价，得到基础共性评价集；
推算所述基础共性评价集与所述目标共性评价集之间的偏移评估数据，并依据所述偏移评估数据优化所述拟调试的基础文本细节挖掘算法，然后跳转至获取待处理数字服务会话参考文本集合的步骤循环实施，直至符合调试达标要求时，将完成调试的基础文本细节挖掘算法作为文本细节挖掘算法target algorithm1，其中，所述文本细节挖掘算法target algorithm1用于挖掘输入文本对应的文本细节向量，依据所述输入文本对应的文本细节向量进行定制化信息保护诉求分析。
在一些可选的实施例中，所述推算所述各个数字服务会话参考文本对应的目标文本细节向量之间的共性评价，得到目标共性评价集，包括：
依据所述各个数字服务会话参考文本对应的目标文本细节向量得到目标文本细节向量列表，并将所述目标文本细节向量列表进行数值映射处理，得到已调试数值映射列表；
推算所述已调试数值映射列表对应的重构列表，得到已调试重构列表；
推算所述已调试重构列表与所述已调试数值映射列表的运算结果，得到所述目标共性评价集。
在一些可选的实施例中，所述推算所述各个数字服务会话参考文本对应的基础文本细节向量之间的共性评价，得到基础共性评价集，包括：
依据所述各个数字服务会话参考文本对应的基础文本细节向量得到基础文本细节向量列表，并将所述基础文本细节向量列表进行数值映射处理，得到基础数值映射列表；
推算所述基础数值映射列表对应的重构列表，得到基础重构列表；
推算所述基础重构列表与所述基础数值映射列表的运算结果，得到所述基础共性评价集。
在一些可选的实施例中，所述推算所述基础共性评价集与所述目标共性评价集之间的偏移评估数据，并依据所述偏移评估数据优化所述拟调试的基础文本细节挖掘算法，然后跳转至获取待处理数字服务会话参考文本集合的步骤循环实施，包括：
推算所述基础共性评价集与所述目标共性评价集的标准偏差，得到基础算法训练代价，将所述基础算法训练代价作为所述偏移评估数据；
依据所述偏移评估数据逆向优化所述基础文本细节挖掘算法中的算法变量，得到优化后的文本细节挖掘算法；
将优化后的文本细节挖掘算法作为基础文本细节挖掘算法，然后跳转至获取待处理数字服务会话参考文本集合的步骤循环实施。
在一些可选的实施例中，所述推算所述基础共性评价集与所述目标共性评价集的标准偏差，得到所述偏移评估数据，包括：
推算所述基础共性评价集与所述目标共性评价集的标准偏差，得到基础算法训练代价；
获取待处理数字服务会话参考文本集合对应的数字服务会话参考文本个数，确定所述基础算法训练代价与所述数字服务会话参考文本个数的比例值，得到算法训练代价均值；
获取设定补偿算法变量，依据所述设定补偿算法变量对所述算法训练代价均值进行补偿推算，得到补偿算法训练代价；
获取所述拟调试的基础文本细节挖掘算法对应的决策算法训练代价，并推算所述决策算法训练代价和所述补偿算法训练代价的信息和，得到所述偏移评估数据。
在一些可选的实施例中，所述推算所述基础共性评价集与所述目标共性评价集之间的偏移评估数据，并依据所述偏移评估数据优化所述拟调试的基础文本细节挖掘算法，然后跳转至获取待处理数字服务会话参考文本集合的步骤循环实施，直至符合调试达标要求时，将完成调试的基础文本细节挖掘算法作为文本细节挖掘算法target algorithm1，包括：
将所述基础共性评价集加载至基础文本细节投影算法中进行文本细节投影，得到目标投影语义向量集；
推算所述目标投影语义向量集与所述目标共性评价集之间的标准偏差，得到目标偏移评估数据，依据所述目标偏移评估数据逆向优化所述基础文本细节投影算法和所述基础文本细节挖掘算法，得到优化后的文本细节投影算法和优化后的文本细节挖掘算法；
将所述优化后的文本细节投影算法作为基础文本细节投影算法，并将优化后的文本细节挖掘算法作为基础文本细节挖掘算法，然后跳转至获取待处理数字服务会话参考文本集合的步骤循环实施，直至符合调试达标要求时，基于完成调试的基础文本细节挖掘算法和完成调试的基础文本细节投影算法得到文本细节挖掘算法target algorithm2。
在一些可选的实施例中，所述基础文本细节挖掘算法为基础Generative；
所述推算所述基础共性评价集与所述目标共性评价集之间的偏移评估数据，并依据所述偏移评估数据优化所述拟调试的基础文本细节挖掘算法，然后跳转至获取待处理数字服务会话参考文本集合的步骤循环实施，直至符合调试达标要求时，将完成调试的基础文本细节挖掘算法作为文本细节挖掘算法target algorithm1，包括：
将所述基础共性评价集和所述目标共性评价集加载至基础Discriminative中进行决策，得到共性评价决策结果；
依据所述共性评价决策结果优化所述基础Discriminative和所述基础文本细节挖掘算法，然后跳转至获取待处理数字服务会话参考文本集合的步骤循环实施，直至符合调试达标要求时，将完成调试的基础文本细节挖掘算法作为文本细节挖掘算法targetalgorithm3。
在一些可选的实施例中，所述待处理数字服务会话参考文本集合中包括各个会话交互联合文本，所述会话交互联合文本中包括积极-消极会话交互调试文本；所述方法还包括：
将所述各个会话交互联合输入文本分别加载至完成调试的文本细节挖掘算法和拟调试的基础文本细节挖掘算法中进行文本细节挖掘，得到所述各个会话交互联合文本对应的已调试联合文本语义向量和所述各个会话交互联合文本对应的基础联合文本语义向量；
依据所述已调试联合文本语义向量和所述基础联合文本语义向量进行联合文本训练偏移推算，得到基础联合文本算法训练代价，依据所述基础联合文本算法训练代价逆向优化所述基础文本细节挖掘算法，然后跳转至获取待处理数字服务会话参考文本集合的步骤循环实施，直至符合调试达标要求时，将完成调试的基础文本细节挖掘算法作为文本细节挖掘算法target algorithm4。
在一些可选的实施例中，在所述推算所述基础共性评价集与所述目标共性评价集之间的偏移评估数据，并依据所述偏移评估数据优化所述拟调试的基础文本细节挖掘算法，然后跳转至获取待处理数字服务会话参考文本集合的步骤循环实施，直至符合调试达标要求时，将完成调试的基础文本细节挖掘算法作为文本细节挖掘算法targetalgorithm1之后，还包括：
获取测试型数字服务会话交互文本，将所述测试型数字服务会话交互文本加载至所述文本细节挖掘算法target algorithm1中进行文本细节挖掘，得到测试型文本细节向量；
获取先验数字服务会话交互文本池对应的鉴定型文本细节向量，推算所述测试型文本细节向量与所述鉴定型文本细节向量的共性评价；
依据所述共性评价确定所述测试型数字服务会话交互文本对应的文本挖掘测试信息。
第二方面是一种AI云平台服务器，包括存储器和处理器；所述存储器和所述处理器耦合；所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令；其中，当所述处理器执行所述计算机指令时，使得所述AI云平台服务器执行第一方面的方法。
第三方面是一种用于实现基于定制化AI云平台服务的交互数据分析方法的软件产品，包括计算机程序/指令，其中，当所述计算机程序/指令被执行时，实现执行第一方面的方法。
第四方面是一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时执行第一方面的方法。
应用于本发明实施例，通过将待处理数字服务会话参考文本集合中各个数字服务会话参考文本分别加载至完成调试的文本细节挖掘算法和拟调试的基础文本细节挖掘算法中进行文本细节挖掘，得到各个数字服务会话参考文本对应的目标文本细节向量和各个数字服务会话参考文本对应的基础文本细节向量。然后推算各个数字服务会话参考文本对应的目标文本细节向量之间的共性评价，得到目标共性评价集，并推算各个数字服务会话参考文本对应的基础文本细节向量之间的共性评价，得到基础共性评价集，最后通过推算基础共性评价集与目标共性评价集之间的偏移评估数据，并基于偏移评估数据优化拟调试的基础文本细节挖掘算法，然后跳转至获取待处理数字服务会话参考文本集合的步骤循环实施，直至符合调试达标要求时，将完成调试的基础文本细节挖掘算法作为文本细节挖掘算法target algorithm1，换言之，通过提炼完成调试的文本细节挖掘算法对应的文本语义关系网，将提炼的文本语义关系网下发给基础文本细节挖掘算法，进而得到完成调试的文本细节挖掘算法target algorithm1，这样没有必要获得另外的数字服务会话交互参考文本和训练注释对算法进行优化，提高了算法优化的时效性，节约了资源开销。此外，鉴于完成调试的文本细节挖掘算法target algorithm1是基于迁移学习思路调试得到的，因而能够掌握完成调试的文本细节挖掘算法的优质文本细节挖掘性能，这样能够依据输入文本对应的文本细节向量进行准确、客观的定制化信息保护诉求分析，避免文本细节差异对定制化信息保护诉求分析的干扰。
附图说明
图1为本发明实施例提供的基于定制化AI云平台服务的交互数据分析方法的流程示意图。
具体实施方式
以下，术语“第一”、“第二”和“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”或“第三”等的特征可以明示或者隐含地包括一个或者更多个该特征。
图1示出了本发明实施例提供的基于定制化AI云平台服务的交互数据分析方法的流程示意图，基于定制化AI云平台服务的交互数据分析方法可以通过AI云平台服务器实现，AI云平台服务器可以包括存储器和处理器；所述存储器和所述处理器耦合；所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令；其中，当所述处理器执行所述计算机指令时，使得所述AI云平台服务器执行STEP102-STEP108。
STEP102，获取待处理数字服务会话参考文本集合，待处理数字服务会话参考文本集合基于设定数字服务会话参考文本集合所确定。
在本发明实施例中，待处理数字服务会话参考文本集合中包括最少两个待处理数字服务会话参考文本，待处理数字服务会话参考文本可理解为在当前调试时所用的数字服务会话交互文本。设定数字服务会话参考文本集合可理解为预设的调试时所用的数字服务会话参考文本记录。待处理数字服务会话参考文本集合是设定数字服务会话参考文本集合中的一部分。该设定数字服务会话参考文本集合中的数字服务会话参考文本可以是在完成调试的文本细节挖掘算法的调试阶段完成之后所获取到的数字服务会话交互文本。
示例性的，AI云平台服务器可以直接从云共享空间中获取到待处理数字服务会话参考文本集合，该待处理数字服务会话参考文本集合基于设定数字服务会话参考文本集合所确定。即待处理数字服务会话参考文本集合是设定数字服务会话参考文本集合中的部分数字服务会话参考文本。
在一些示例下，AI云平台服务器可以获取到设定数字服务会话参考文本集合，将设定数字服务会话参考文本集合中的数字服务会话参考文本按照预设的组别进行拆解，得到每组调试的数字服务会话参考文本，得到待处理数字服务会话参考文本集合。其中，AI云平台服务器可以是从网络采集到设定数字服务会话参考文本集合，也可以是从第三方系统中获取到设定数字服务会话参考文本集合，还可以是从云共享空间中获取到设定数字服务会话参考文本集合。
进一步地，待处理数字服务会话参考文本可以理解为待处理的数字服务会话文本样例，数字服务会话文本样例包括在线业务用户和相关数字业务服务的服务器之间的交互记录（包括但不限于文字、图片和语音等），这些数字业务服务可以涉及智慧客服、在线问答机器人、远程教育、电子商务、元宇宙、区块链、供应链服务等。基于此，在获取相关参考文本集合/文本样例集合之前，需要经过在线业务用户的知晓和授权。换言之，本发明实施例在获取相关文本之前，是通过了在线业务用户授权的。
STEP104，将待处理数字服务会话参考文本集合中各个数字服务会话参考文本分别加载至完成调试的文本细节挖掘算法和拟调试的基础文本细节挖掘算法中进行文本细节挖掘，得到各个数字服务会话参考文本对应的目标文本细节向量和各个数字服务会话参考文本对应的基础文本细节向量。
其中，基础文本细节挖掘算法是将完成调试的文本细节挖掘算法的算法变量进行重置得到的。
在本发明实施例中，完成调试的文本细节挖掘算法是使用过往数字服务会话参考文本基于机器学习模型进行调试完成后得到的对交互文本特征进行提取的神经网络。在这种情况下需要对完成调试的文本细节挖掘算法进行算法优化。
拟调试的基础文本细节挖掘算法可理解为需要进行调试的算法变量重置的文本细节挖掘算法，也可以直接将完成调试的文本细节挖掘算法的算法变量进行重置得到的。该算法变量重置可以是算法变量任意初始化重置、正态分布重置和置0重置等。拟调试的基础文本细节挖掘算法可以是利用机器学习技术构建的神经网络。
在一些示例下，可以使用完成调试的文本细节挖掘算法的算法变量来重置拟调试的基础文本细节挖掘算法的算法变量，即将完成调试的文本细节挖掘算法的算法变量作为拟调试的基础文本细节挖掘算法的重置算法变量。目标文本细节向量可理解为使用完成调试的文本细节挖掘算法提取得到的数字服务会话参考文本对应的文本细节向量。基础文本细节向量可理解为使用待调试的基础文本细节挖掘算法进行文本细节挖掘得到的数字服务会话参考文本对应的文本细节向量。
进一步地，文本细节向量可以反映相关文本中的文本语义或者文本特征，包括但不限于关键词特征、评论观点特征、情绪极性特征、兴趣表达特征、话术逻辑特征等。
示例性的，AI云平台服务器将待处理数字服务会话参考文本集合中各个数字服务会话参考文本加载至完成调试的文本细节挖掘算法中进行文本细节挖掘，得到待处理数字服务会话参考文本集合中每个数字服务会话参考文本对应的目标文本细节向量。同时将待处理数字服务会话参考文本集合中各个数字服务会话参考文本加载至拟调试的基础文本细节挖掘算法中进行文本细节挖掘，得到待处理数字服务会话参考文本集合中每个数字服务会话参考文本对应的基础文本细节向量。在一些示例下，完成调试的文本细节挖掘算法可以理解为第一迁移算法，拟调试的基础文本细节挖掘算法可以理解为二迁移算法。
举例而言，完成调试的文本细节挖掘算法和拟调试的基础文本细节挖掘算法都可以为残差网络，且完成调试的文本细节挖掘算法可以作为教师网络，拟调试的基础文本细节挖掘算法可以作为学生网络，也即基于完成调试的文本细节挖掘算法对拟调试的基础文本细节挖掘算法进行迁移训练。
STEP106，推算各个数字服务会话参考文本对应的目标文本细节向量之间的共性评价，得到目标共性评价集，并推算各个数字服务会话参考文本对应的基础文本细节向量之间的共性评价，得到基础共性评价集。
示例性的，目标共性评价集中包括各个目标共性评价，目标共性评价用于反映两个不同数字服务会话参考文本对应的目标文本细节向量之间的类似程度。推算待处理数字服务会话参考文本集合中两两数字服务会话参考文本对应的目标文本细节向量之间的共性评价。基础共性评价集中包括各个基础共性评价，基础共性评价用于反映两个不同数字服务会话参考文本对应的基础文本细节向量之间的类似程度。逐一访问待处理数字服务会话参考文本集合中每个数字服务会话参考文本，推算待处理数字服务会话参考文本与待处理数字服务会话参考文本集合中每个数字服务会话参考文本之间的类似程度。其中，使用目标文本细节向量推算得到目标共性评价，从而得到目标共性评价集，该目标共性评价集用于反映完成调试的文本细节挖掘算法进行文本细节挖掘得到的待处理数字服务会话参考文本集合对应的文本细节向量关系网。使用基础文本细节向量推算得到基础共性评价，从而得到基础共性评价集，该基础共性评价集用于反映拟调试的基础文本细节挖掘算法进行文本细节挖掘得到的待处理数字服务会话参考文本集合对应的文本细节向量关系网。在一些示例下，目标共性评价集以列表的方式输出，基础共性评价集也可以以列表的方式输出，即使用目标文本细节向量推算得到目标共性评价列表，使用基础文本细节向量推算得到基础共性评价列表。比如，基础共性评价列表可以理解为初始的或者待训练的类似度矩阵。
STEP108，推算基础共性评价集与目标共性评价集之间的偏移评估数据，并基于偏移评估数据优化拟调试的基础文本细节挖掘算法，然后跳转至获取待处理数字服务会话参考文本集合的步骤循环实施，直至符合调试达标要求时，将完成调试的基础文本细节挖掘算法作为文本细节挖掘算法target algorithm1。
在本发明实施例中，文本细节挖掘算法target algorithm1用于挖掘输入文本对应的文本细节向量，基于输入文本对应的文本细节向量进行定制化信息保护诉求分析。
其中，偏移评估数据用于反映基础共性评价集与目标共性评价集之间的差别，因此偏移评估数据还可以理解为训练损失。
示例性的，AI云平台服务器可以推算基础共性评价集中每个基础共性评价与目标共性评价集中对应的目标共性评价之间的差异，然后再推算所有差异的全局整理结果，得到偏移评估数据。然后使用偏移评估数据基于Adam训练规则逆向优化拟调试的基础文本细节挖掘算法中的算法变量，得到优化后的待调试文本细节挖掘算法。然后将优化后的待调试文本细节挖掘算法作为拟调试的基础文本细节挖掘算法，并获取到下一组的待处理数字服务会话参考文本集合的步骤循环实施，直至符合调试达标要求时，将完成调试的基础文本细节挖掘算法作为文本细节挖掘算法target algorithm1。其中，逐一访问完设定数字服务会话参考文本集合中所有的数字服务会话参考文本为一个周期。调试达标要求可理解为调试完拟调试的基础文本细节挖掘算法的条件，可以包括调试达到次数最大值、调试达到周期最大值、调试得到的偏移评估数据小于预设的差异限值以及算法的算法变量处于收敛状态等。文本细节挖掘算法target algorithm1可理解为将拟调试的基础文本细节挖掘算法调试完成后得到的。文本细节挖掘算法target algorithm1用于挖掘输入文本对应的文本细节向量，基于输入文本对应的文本细节向量进行定制化信息保护诉求分析。
在本发明实施例中，可以是针对不同场景的信息保护需求的判别，比如，针对ddos攻击和钓鱼陷阱的信息保护需求判别。也可以是针对相同场景的细分保护需求的判别，比如，对钓鱼陷阱场景，可以进行操作诱导保护需求、信息窃取保护需求等的判别。进一步地，定制化信息保护诉求/需求分析能够根据输入文本对应的文本细节向量实现，由于输入文本对应的文本细节向量的准确性和特征表现性能较佳，因而在进行定制化信息保护诉求分析时，可以确保分析的精度和可信度，尽可能减少分析误差。
基于此，在一些可独立的设计思路下，所述方法还包括：
STEP110，利用所述文本细节挖掘算法target algorithm1对输入文本对应的文本细节向量进行挖掘，并基于所述输入文本对应的文本细节向量进行定制化信息保护诉求分析。
在一些可独立的设计思路下，所述基于所述输入文本对应的文本细节向量进行定制化信息保护诉求分析，包括STEP1102-STEP1108。
STEP1102，获取所述文本细节向量的第一风险反馈分支向量和第一评论观点分支向量，以及获取历史文本细节向量的第二风险反馈分支向量和第二评论观点分支向量。
STEP1104，根据所述第一风险反馈分支向量和所述第二风险反馈分支向量，确定所述文本细节向量的信息安全关注点和所述历史文本细节向量的信息安全关注点是否匹配，以及根据所述第一评论观点分支向量和所述第二评论观点分支向量，确定所述文本细节向量的信息保护观点情绪和所述历史文本细节向量的信息保护观点情绪是否匹配。
STEP1106，倘若所述文本细节向量的信息安全关注点和所述历史文本细节向量的信息安全关注点匹配且所述文本细节向量的信息保护观点情绪和所述历史文本细节向量的信息保护观点情绪匹配，则确定所述文本细节向量和所述历史文本细节向量为满足定制化分析的文本向量二元组。
STEP1108，结合所述历史文本细节向量及其对应的历史定制化信息保护诉求和历史决策树模型，对文本细节向量的定制化信息保护诉求进行确定。
在上述设计思路下，考虑到文本细节向量的信息承载量过高，因而需要引入历史数据作为参考，而通过分析信息安全关注点和信息保护观点情绪两个层面的匹配性，能够保障所述文本细节向量和所述历史文本细节向量的匹配分析精度，在确定所述文本细节向量和所述历史文本细节向量为满足定制化分析的文本向量二元组的基础上，可以结合所述历史文本细节向量所对应的历史定制化信息保护诉求和历史决策树模型对文本细节向量的定制化信息保护诉求进行确定。这样可以提高文本细节向量的定制化信息保护诉求的确定效率，且由于所述文本细节向量和所述历史文本细节向量的匹配性满足要求，因而还可以确保定制化信息保护诉求的确定精度。
此外，在确定出定制化信息保护诉求之后，可以根据定制化信息保护诉求进行针对性的信息防护处理，从而提高数字服务会话的数据信息安全性。
在一些可独立的设计思路下，所述根据所述第一风险反馈分支向量和所述第二风险反馈分支向量，确定所述文本细节向量的信息安全关注点和所述历史文本细节向量的信息安全关注点是否匹配，包括：确定所述第一风险反馈分支向量与所述第二风险反馈分支向量之间的第一匹配评分；倘若所述第一匹配评分大于第一设定数值，则确定所述文本细节向量的信息安全关注点和所述历史文本细节向量的信息安全关注点匹配；所述根据所述第一评论观点分支向量和所述第二评论观点分支向量，确定所述文本细节向量的信息保护观点情绪和所述历史文本细节向量的信息保护观点情绪是否匹配，包括：确定所述第一评论观点分支向量与所述第二评论观点分支向量之间的第二匹配评分；倘若所述第二匹配评分大于第二设定数值，则确定所述文本细节向量的信息保护观点情绪和所述历史文本细节向量的信息保护观点情绪匹配。
在一些可独立的设计思路下，所述倘若所述文本细节向量的信息安全关注点和所述历史文本细节向量的信息安全关注点匹配且所述文本细节向量的信息保护观点情绪和所述历史文本细节向量的信息保护观点情绪匹配，则确定所述文本细节向量和所述历史文本细节向量为满足定制化分析的文本向量二元组，包括：根据所述第一匹配评分和所述第二匹配评分，确定所述文本细节向量与所述历史文本细节向量之间的第三匹配评分；倘若所述第三匹配评分大于第三设定数值，则确定所述文本细节向量和所述历史文本细节向量为满足定制化分析的文本向量二元组。
在一些可独立的设计思路下，所述第一风险反馈分支向量包括所述文本细节向量中的每个第一风险反馈向量单元的第三风险反馈分支向量，所述第二风险反馈分支向量包括所述历史文本细节向量中的每个第二风险反馈向量单元的第四风险反馈分支向量，所述每个第一风险反馈向量单元对应一个第二风险反馈向量单元；所述获取文本细节向量的第一风险反馈分支向量以及获取历史文本细节向量的第二风险反馈分支向量，包括：分别将文本细节向量和历史文本细节向量进行风险反馈映射得到第一风险反馈描述特征和第二风险反馈描述特征；分别将所述第一风险反馈描述特征和所述第二风险反馈描述特征均分为多个第一风险反馈向量单元和多个第二风险反馈向量单元；分别获取所述每个第一风险反馈向量单元的第三风险反馈分支向量和所述每个第一风险反馈向量单元对应的第二风险反馈向量单元的第四风险反馈分支向量。
在一些可独立的设计思路下，所述确定所述第一风险反馈分支向量与所述第二风险反馈分支向量之间的第一匹配评分，包括：分别确定所述每个第一风险反馈向量单元的第三风险反馈分支向量与所述每个第一风险反馈向量单元对应的第二风险反馈向量单元的第四风险反馈分支向量之间的匹配评分，得到多个第四匹配评分；确定所述多个第四匹配评分的平均匹配评分作为所述第一风险反馈分支向量与所述第二风险反馈分支向量之间的第一匹配评分。
在一些可独立的设计思路下，所述第一风险反馈分支向量包括所述文本细节向量中的第一既有风险数量和第一潜在风险数量，所述第二风险反馈分支向量包括所述历史文本细节向量中的第二既有风险数量和第二潜在风险数量；所述根据所述第一风险反馈分支向量和所述第二风险反馈分支向量，确定所述文本细节向量的信息安全关注点和所述历史文本细节向量的信息安全关注点是否匹配，包括：根据所述第一既有风险数量和所述第二既有风险数量，确定所述文本细节向量与所述历史文本细节向量之间的既有风险匹配评分；根据所述第一潜在风险数量和所述第二潜在风险数量，确定所述文本细节向量与所述历史文本细节向量之间的潜在风险匹配评分；根据所述既有风险匹配评分和所述潜在风险匹配评分，确定所述第一风险反馈分支向量与所述第二风险反馈分支向量之间的第一匹配评分；倘若所述第一匹配评分大于第一设定数值，则确定所述文本细节向量的信息安全关注点和所述历史文本细节向量的信息安全关注点匹配。
在一些可独立的设计思路下，所述文本细节向量的第一评论观点分支向量包括所述文本细节向量中的每个文本细节向量块的第三评论观点分支向量，所述历史文本细节向量的第二评论观点分支向量包括所述历史文本细节向量中的每个历史文本细节向量块的第四评论观点分支向量，所述每个文本细节向量块对应一个历史文本细节向量块；所述确定所述第一评论观点分支向量与所述第二评论观点分支向量之间的第二匹配评分，包括：分别确定所述每个文本细节向量块的第三评论观点分支向量与所述每个文本细节向量块对应的历史文本细节向量块的第四评论观点分支向量之间的匹配评分，得到多个第五匹配评分；确定所述多个第五匹配评分的平均匹配评分作为所述第一评论观点分支向量与所述第二评论观点分支向量之间的第二匹配评分。
在一些示例下，文本细节挖掘算法target algorithm1基于输入文本对应的文本细节向量可以进行数字服务会话交互文本内容解析。在一些示例下，第一目标文本细节挖掘基于输入文本对应的文本细节向量也可以进行数字服务会话交互文本内容拆解等。
可见，通过以上基于定制化AI云平台服务的交互数据分析方法，通过将待处理数字服务会话参考文本集合中各个数字服务会话参考文本分别加载至完成调试的文本细节挖掘算法和拟调试的基础文本细节挖掘算法中进行文本细节挖掘，得到各个数字服务会话参考文本对应的目标文本细节向量和各个数字服务会话参考文本对应的基础文本细节向量。然后推算各个数字服务会话参考文本对应的目标文本细节向量之间的共性评价，得到目标共性评价集，并推算各个数字服务会话参考文本对应的基础文本细节向量之间的共性评价，得到基础共性评价集，最后通过推算基础共性评价集与目标共性评价集之间的偏移评估数据，并基于偏移评估数据优化拟调试的基础文本细节挖掘算法，然后跳转至获取待处理数字服务会话参考文本集合的步骤循环实施，直至符合调试达标要求时，将完成调试的基础文本细节挖掘算法作为文本细节挖掘算法target algorithm1，然后通过文本细节挖掘算法target algorithm1进行定制化信息保护诉求分析，换言之，通过提炼完成调试的文本细节挖掘算法对应的文本语义关系网，将提炼的文本语义关系网下发给基础文本细节挖掘算法，进而得到完成调试的文本细节挖掘算法target algorithm1，这样没有必要获得另外的数字服务会话交互参考文本和训练注释对算法进行优化，提高了算法优化的时效性，节约了资源开销。
在一些示例下，STEP106，即推算各个数字服务会话参考文本对应的目标文本细节向量之间的共性评价，得到目标共性评价集可以通过如下相关步骤实现。
STEP202，基于各个数字服务会话参考文本对应的目标文本细节向量得到目标文本细节向量列表，并将目标文本细节向量列表进行数值映射处理，得到已调试数值映射列表。
其中，目标文本细节向量列表中行表征各个目标文本细节向量对应的特征内容。
示例性的，AI云平台服务器根据各个数字服务会话参考文本对应的目标文本细节向量建立目标文本细节向量列表，然后将目标文本细节向量列表进行数值映射处理，其中，可以使用归一化思路进行数值映射，比如，可以使用范数归一化思路进行数值映射，范数数值映射就是特征数组中每个成员除以特征数组的范数，从而得到已调试数值映射列表。
STEP204，推算已调试数值映射列表对应的重构列表，得到已调试重构列表，推算已调试重构列表与已调试数值映射列表的运算结果，得到目标共性评价集。
其中，已调试重构列表可理解为重构后得到的列表，重构后得到的列表可以理解为转置列表。
示例性的，AI云平台服务器将已调试数值映射列表进行重构推算，得到已调试重构列表，然后推算已调试重构列表与已调试数值映射列表的运算结果，即进行列表乘法的处理，说明将目标文本细节向量与其他的每个目标文本细节向量进行列表乘法，得到目标文本细节向量与其他每个目标文本细节向量的共性评价，逐一访问每个目标文本细节向量，得到目标共性评价集。
在一些示例下，AI云平台服务器可以使用类似程度算法推算已调试重构列表与已调试数值映射列表对应的目标共性评价集。即可以推算已调试重构列表与已调试数值映射列表对应的余弦相似度，也可以推算距离类似程度等，从而得到目标共性评价集。
在一些示例下，STEP106，即推算各个数字服务会话参考文本对应的基础文本细节向量之间的共性评价，得到基础共性评价集，包括如下相关内容。
STEP206，基于各个数字服务会话参考文本对应的基础文本细节向量得到基础文本细节向量列表，并将基础文本细节向量列表进行数值映射处理，得到基础数值映射列表。
其中，基础文本细节向量列表中行表征各个基础文本细节向量对应的特征内容。
示例性的，AI云平台服务器根据各个数字服务会话参考文本对应的基础文本细节向量建立基础文本细节向量列表，然后将基础文本细节向量列表进行数值映射处理，其中，可以使用归一化思路进行数值映射。
STEP208，推算基础数值映射列表对应的重构列表，得到基础重构列表，推算基础重构列表与基础数值映射列表的运算结果，得到基础共性评价集。
示例性的，AI云平台服务器将基础数值映射列表进行重构推算，得到基础重构列表，然后推算待调试装置列表与基础数值映射列表的运算结果，即进行列表乘法的处理，说明将基础文本细节向量与其他的每个基础文本细节向量进行乘法处理，得到基础文本细节向量与其他每个基础文本细节向量的共性评价，逐一访问每个基础文本细节向量，得到基础共性评价集。
可见，通过进行重构推算，得到重构列表，然后推算数值映射列表进而重构列表的运算结果，得到共性评价，从而提高了得到共性评价的时效性。
在一些示例下，STEP108，即推算基础共性评价集与目标共性评价集之间的偏移评估数据，并基于偏移评估数据优化拟调试的基础文本细节挖掘算法，然后跳转至获取待处理数字服务会话参考文本集合的步骤循环实施，包括如下相关内容。
STEP302，推算基础共性评价集与目标共性评价集的标准偏差，得到基础算法训练代价，将基础算法训练代价作为偏移评估数据。
示例性的，AI云平台服务器使用均方差规则来推算基础共性评价集与目标共性评价集之间的偏移，得到基础算法训练代价（初始训练损失），该基础算法训练代价用于反映目标共性评价集与基础共性评价集之间的差异。
STEP304，基于偏移评估数据逆向优化基础文本细节挖掘算法中的算法变量，得到优化后的文本细节挖掘算法。
示例性的，AI云平台服务器使用偏移评估数据进行gradient推算，并反馈gradient到基础文本细节挖掘算法中，对基础文本细节挖掘算法中的算法变量进行优化，得到优化后的文本细节挖掘算法。
STEP306，将优化后的文本细节挖掘算法作为基础文本细节挖掘算法，然后跳转至获取待处理数字服务会话参考文本集合的步骤循环实施。
示例性的，AI云平台服务器将优化后的文本细节挖掘算法作为基础文本细节挖掘算法，然后跳转至获取待处理数字服务会话参考文本集合的步骤循环实施，直至符合调试达标要求时，得到完成调试的文本细节挖掘算法。
在一些示例下，STEP302，即推算基础共性评价集与目标共性评价集的标准偏差，得到偏移评估数据，可以包括如下相关内容。
STEP402，推算基础共性评价集与目标共性评价集的标准偏差，得到基础算法训练代价。
示例性的，AI云平台服务器推算基础共性评价集中基础共性评价与目标共性评价集中目标共性评价的余弦距离，得到基础算法训练代价
STEP404，获取待处理数字服务会话参考文本集合对应的数字服务会话参考文本个数，推算基础算法训练代价与数字服务会话参考文本个数的比例值，得到算法训练代价均值。
示例性的，AI云平台服务器可以直接获取到待处理数字服务会话参考文本集合中所有数字服务会话参考文本的个数，即得到数字服务会话参考文本个数，AI云平台服务器也可以统计得到数字服务会话参考文本个数。然后推算基础算法训练代价与数字服务会话参考文本个数的比例值，得到算法训练代价均值。
STEP406，获取设定补偿算法变量，基于设定补偿算法变量对算法训练代价均值进行补偿推算，得到补偿算法训练代价。
其中，设定补偿算法变量可理解为预设的用于调节迁移训练代价和判别训练代价的超参。
示例性的，AI云平台服务器使用设定补偿算法变量对算法训练代价均值进行加权运算，得到补偿算法训练代价，即得到已加权的算法训练代价。
STEP408，获取拟调试的基础文本细节挖掘算法对应的决策算法训练代价，并推算决策算法训练代价和补偿算法训练代价的信息和，得到偏移评估数据。
其中，决策算法训练代价可理解为拟调试的基础文本细节挖掘算法在进行文本细节挖掘后进行之后定制化信息保护诉求分析处理时的代价。在一些示例下，拟调试的基础文本细节挖掘算法在进行数字服务会话交互文本内容解析处理时，可以是文本解析代价。在进行数字服务会话交互文本内容拆解处理时，可以是文本拆解代价等。
示例性的，AI云平台服务器获取到拟调试的基础文本细节挖掘算法对应的决策算法训练代价，其中，AI云平台服务器可以获取判别关键词注释和待调试基础文本细节挖掘算法根据数字服务会话参考文本对应的基础文本细节向量进行定制化信息保护诉求分析，得到基础判别信息（判别预测结果），然后推算基础判别信息与判别关键词注释之间的判别代价，得到决策算法训练代价。该判别代价可以是铰链损失推算得到。然后推算决策算法训练代价和补偿算法训练代价的和值，得到偏移评估数据（误差数据）。
可见，通过推算标准偏差，得到基础算法训练代价。然后使用预审补偿算法变量进行补偿后，再与决策算法训练代价推算全局整理结果，从而得到偏移评估数据，使得到的偏移评估数据尽可能精准。
在一些示例下，STEP108，即推算基础共性评价集与目标共性评价集之间的偏移评估数据，并基于偏移评估数据优化拟调试的基础文本细节挖掘算法，然后跳转至获取待处理数字服务会话参考文本集合的步骤循环实施，直至符合调试达标要求时，将完成调试的基础文本细节挖掘算法作为文本细节挖掘算法target algorithm1，包括如下相关内容。
STEP502，将基础共性评价集加载至基础文本细节投影算法中进行文本细节投影，得到目标投影语义向量集。
其中，基础文本细节投影算法可理解为网络算法变量重置的文本细节投影算法，该文本细节投影算法用于将基础共性评价集进行映射，从而减少特征误识别概率。该文本细节投影算法是使用机器学习模型建立的特征映射模型。目标投影语义向量集可理解为映射后得到的语义向量的集合。
示例性的，AI云平台服务器将基础共性评价集中每个待调试类似程度皆分别加载到待基础文本细节投影算法中进行文本细节投影，得到该基础文本细节投影算法出书的目标投影语义向量集。
STEP504，推算目标投影语义向量集与目标共性评价集之间的标准偏差，得到目标偏移评估数据，基于目标偏移评估数据逆向优化基础文本细节投影算法和基础文本细节挖掘算法，得到优化后的文本细节投影算法和优化后的文本细节挖掘算法。
STEP506，将优化后的文本细节投影算法作为基础文本细节投影算法，并将优化后的文本细节挖掘算法作为基础文本细节挖掘算法，然后跳转至获取待处理数字服务会话参考文本集合的步骤循环实施，直至符合调试达标要求时，基于完成调试的基础文本细节挖掘算法和完成调试的基础文本细节投影算法得到文本细节挖掘算法target algorithm2。
示例性的，AI云平台服务器使用目标投影语义向量集与目标共性评价推算均方差数据，得到目标偏移评估数据。然后再使用目标偏移评估数据来逆向优化基础文本细节投影算法的网络算法变量以及基础文本细节挖掘算法中的算法变量，得到优化后的文本细节投影算法和优化后的文本细节挖掘算法，然后将优化后的文本细节投影算法作为基础文本细节投影算法，将优化后的文本细节挖掘算法作为基础文本细节挖掘算法，然后跳转至获取待处理数字服务会话参考文本集合的步骤循环实施，直至符合调试达标要求时，基于完成调试的基础文本细节挖掘算法和完成调试的基础文本细节投影算法得到文本细节挖掘算法target algorithm2。即文本细节挖掘算法target algorithm2中包括完成调试的基础文本细节挖掘算法和完成调试的文本细节投影算法。
可见，通过在基础文本细节挖掘算法之后增加基础文本细节投影算法，对基础文本细节挖掘算法和基础文本细节投影算法联合进行调试，从而得到文本细节挖掘算法target algorithm2，使用该文本细节挖掘算法target algorithm2能够提高文本细节挖掘的质量和可信度。
在一些示例下，基础文本细节挖掘算法为基础Generative；STEP108，即推算基础共性评价集与目标共性评价集之间的偏移评估数据，并基于偏移评估数据优化拟调试的基础文本细节挖掘算法，然后跳转至获取待处理数字服务会话参考文本集合的步骤循环实施，直至符合调试达标要求时，将完成调试的基础文本细节挖掘算法作为文本细节挖掘算法target algorithm1，包括步骤：将基础共性评价集和目标共性评价集加载至基础Discriminative中进行决策，得到共性评价决策结果；基于共性评价决策结果优化基础Discriminative和基础文本细节挖掘算法，然后跳转至获取待处理数字服务会话参考文本集合的步骤循环实施，直至符合调试达标要求时，将完成调试的基础文本细节挖掘算法作为文本细节挖掘算法target algorithm3。
其中，在调试基础文本细节挖掘算法时，可以进行对抗训练来调试得到文本细节挖掘算法。基础文本细节挖掘算法为基础Generative（可以理解为初始的生成模型）用于生成数字服务会话参考文本对应的文本细节向量。基础Discriminative（可以理解为初始的判别模型）用于决策传入的信息是已调试文本细节挖掘算法挖掘的信息还是基础文本细节挖掘算法挖掘的信息。即将已调试文本细节挖掘算法挖掘的信息作为积极结果，将拟调试的基础文本细节挖掘算法挖掘的信息作为消极结果，调试基础文本细节挖掘算法让已调试文本细节挖掘算法挖掘的信息和基础文本细节挖掘算法挖掘的信息更类似，以干扰Discriminative，同时调试Discriminative将两种结果进行区分，即进行对抗训练。当调试完成时，调试得到的基础文本细节挖掘算法提取得到的向量关系网更加逼近已调试文本细节挖掘算法提取得到的向量关系网，并且Discriminative能更好地进行判别。
示例性的，AI云平台服务器将基础共性评价集和目标共性评价集加载至基础Discriminative中进行决策，得到共性评价决策结果，共性评价决策结果可理解为基础Discriminative决策得到的输入的共性评价是属于积极结果的文本特征对应的共性评价还是消极结果的文本特征对应的共性评价。然后根据先验正确结果，即输入的共性评价实际对应的文本细节向量与共性评价决策结果进行差异推算，根据差异使用Adam训练规则逆向优化基础Discriminative和基础文本细节挖掘算法，然后跳转至获取待处理数字服务会话参考文本集合的步骤循环实施，直至符合调试达标要求时，将完成调试的基础文本细节挖掘算法作为文本细节挖掘算法target algorithm3。
可见，通过额外增设基础Discriminative进行对抗训练，然后将完成调试的基础文本细节挖掘算法作为文本细节挖掘算法target algorithm3，能够使调试得到的文本细节挖掘算法target algorithm2的挖掘精度得到保障。
在一些示例下，待处理数字服务会话参考文本集合中包括各个会话交互联合文本，会话交互联合文本中包括积极-消极会话交互调试文本；基于定制化AI云平台服务的交互数据分析方法还包括如下步骤。
STEP602，将各个会话交互联合输入文本分别加载至完成调试的文本细节挖掘算法和拟调试的基础文本细节挖掘算法中进行文本细节挖掘，得到各个会话交互联合文本对应的已调试联合文本语义向量和各个会话交互联合文本对应的基础联合文本语义向量。
其中，待处理数字服务会话参考文本集合中包括各个会话交互联合文本，会话交互联合文本中包括积极-消极会话交互调试文本，即会话交互联合文本中两个数字服务会话参考文本为类内数字服务会话交互文本，第三个数字服务会话参考文本与两个类内数字服务会话交互文本为类间的数字服务会话交互文本，即类内数字服务会话交互文本为积极数字服务会话交互文本二元组，类内数字服务会话交互文本中任意一个数字服务会话交互文本与类间数字服务会话交互文本组成消极数字服务会话交互文本二元组。联合文本语义向量可理解为会话交互联合文本中每个数字服务会话参考文本进行文本细节挖掘后得到每个文本语义向量组成的联合文本语义向量。即将每个数字服务会话参考文本的对应的文本细节向量进行组合得到联合文本语义向量。已调试联合文本语义向量可理解为完成调试的文本细节挖掘算法对会话交互联合文本进行文本细节挖掘得到的特征。基础联合文本语义向量可理解为拟调试的基础文本细节挖掘算法对会话交互联合文本进行文本细节挖掘得到的结果。其中，类内文本可以理解为同类型的文本，类间可以理解为不同类型的文本。
示例性的，AI云平台服务器将每个会话交互联合文本加载至完成调试的文本细节挖掘算法和拟调试的基础文本细节挖掘算法中进行文本细节挖掘，得到各个会话交互联合文本对应的已调试联合文本语义向量。同时将每个会话交互联合文本加载至拟调试的基础文本细节挖掘算法中进行文本细节挖掘，得到各个会话交互联合文本对应的基础联合文本语义向量。
STEP604，基于已调试联合文本语义向量和基础联合文本语义向量进行联合文本训练偏移推算，得到基础联合文本算法训练代价，基于基础联合文本算法训练代价逆向优化基础文本细节挖掘算法，然后跳转至获取待处理数字服务会话参考文本集合的步骤循环实施，直至符合调试达标要求时，将完成调试的基础文本细节挖掘算法作为文本细节挖掘算法target algorithm4。
其中，基础联合文本算法训练代价用于反映已调试联合文本语义向量和基础联合文本语义向量对应的差异。
示例性的，AI云平台服务器使用已调试联合文本语义向量进行联合文本训练偏移推算，得到已调试联合文本训练偏移，并使用待调试联合文本进行联合文本训练偏移推算，得到待调试联合文本训练偏移，然后推算已调试联合文本训练偏移与待调试联合文本训练偏移之间的差异，得到基础联合文本算法训练代价。然后基于基础联合文本算法训练代价使用Adam训练规则逆向优化基础文本细节挖掘算法，然后跳转至获取待处理数字服务会话参考文本集合的步骤循环实施，直至符合调试达标要求时，将完成调试的基础文本细节挖掘算法作为文本细节挖掘算法target algorithm4。
可见，通过将各个会话交互联合输入文本分别加载至完成调试的文本细节挖掘算法和拟调试的基础文本细节挖掘算法中进行文本细节挖掘，得到各个会话交互联合文本对应的已调试联合文本语义向量和各个会话交互联合文本对应的基础联合文本语义向量，基于已调试联合文本语义向量和基础联合文本语义向量进行联合文本训练偏移推算，得到基础联合文本算法训练代价，基于基础联合文本算法训练代价逆向优化基础文本细节挖掘算法，然后跳转至获取待处理数字服务会话参考文本集合的步骤循环实施，直至符合调试达标要求时，将完成调试的基础文本细节挖掘算法作为文本细节挖掘算法targetalgorithm4，保障了文本细节挖掘算法的运行质量。
在一些示例下，在STEP108之后，即在推算基础共性评价集与目标共性评价集之间的偏移评估数据，并基于偏移评估数据优化拟调试的基础文本细节挖掘算法，然后跳转至获取待处理数字服务会话参考文本集合的步骤循环实施，直至符合调试达标要求时，将完成调试的基础文本细节挖掘算法作为文本细节挖掘算法target algorithm1之后，还包括如下相关内容。
STEP702，获取测试型数字服务会话交互文本，将测试型数字服务会话交互文本加载至文本细节挖掘算法target algorithm1中进行文本细节挖掘，得到测试型文本细节向量。
其中，测试型数字服务会话交互文本可理解为需要进行测试的数字服务会话交互文本，该测试可理解为对数字服务会话交互文本的内容进行一系列测试，比如内容敏感性、内容推广价值等测试。测试型文本细节向量可理解为测试型数字服务会话交互文本对应的交互文本特征。
示例性的，AI云平台服务器获取到测试型数字服务会话交互文本，该测试型数字服务会话交互文本可以是业务设备上传到AI云平台服务器中的。也可以是从第三方系统中获取到的，还可以是从网络中获取到的。然后将测试型数字服务会话交互文本加载至文本细节挖掘算法target algorithm1中进行文本细节挖掘，得到测试型文本细节向量。即AI云平台服务器将调试得到的文本细节挖掘算法target algorithm1进行部署并使用。在使用过程中，直接调用该到文本细节挖掘算法target algorithm1进行文本细节挖掘，从而得到测试型文本细节向量。
STEP704，获取先验数字服务会话交互文本池对应的鉴定型文本细节向量，推算测试型文本细节向量与鉴定型文本细节向量的共性评价；
STEP706，基于共性评价确定测试型数字服务会话交互文本对应的文本挖掘测试信息。
其中，先验数字服务会话交互文本池中保存有各个测试完成的数字服务会话交互文本和对应的鉴定型文本细节向量。测试完成的数字服务会话交互文本可理解为数字服务会话交互文本内容具有内容敏感性或者内容推广价值等的数字服务会话交互文本。鉴定型文本细节向量可理解为测试完成的数字服务会话交互文本对应的交互文本特征。
示例性的，AI云平台服务器实现创建先验数字服务会话交互文本池，该先验数字服务会话交互文本池中保存有测试完成的数字服务会话交互文本对应的鉴定型文本细节向量。AI云平台服务器获取到先验数字服务会话交互文本池中的鉴定型文本细节向量，推算测试型文本细节向量与鉴定型文本细节向量的共性评价。当该共性评价超过设定共性评价限值时，表明该测试型数字服务会话交互文本具有内容敏感性或者内容推广价值等内容，此时该测试型数字服务会话交互文本对应的文本挖掘测试信息可以为“存在内容敏感性或者内容推广价值等内容”。当测试型文本细节向量与先验数字服务会话交互文本池中每个鉴定型文本细节向量的共性评价都没有设定共性评价限值时，该测试型数字服务会话交互文本对应的文本挖掘测试信息为“无”。
可见，通过使用文本细节挖掘算法target algorithm1对测试型数字服务会话交互文本进行文本细节挖掘，得到测试型文本细节向量，然后将测试型文本细节向量与先验数字服务会话交互文本池中的每个测试完成的数字服务会话交互文本进行共性评价推算，基于共性评价确定测试型数字服务会话交互文本对应的文本挖掘测试信息，提高了得到文本挖掘测试信息的时效性。
本发明实施例还提供了一种用于实现基于定制化AI云平台服务的交互数据分析方法的软件产品，包括计算机程序/指令，其中，当所述计算机程序/指令被执行时，实现执行上述的方法。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时执行上述的方法。
综上，AI云平台服务器能够基于迁移学习思路实现文本细节挖掘算法的调试训练，从而保障完成调试的文本细节挖掘算法target algorithm1的优质文本细节挖掘性能，从而依据输入文本对应的文本细节向量进行准确、客观的定制化信息保护诉求分析。
以上所述，仅为本发明的具体实施方式。熟悉本技术领域的技术人员根据本发明提供的具体实施方式，可想到变化或替换，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于定制化AI云平台服务的交互数据分析方法，其特征在于，应用于AI云平台服务器，所述方法包括：
获取待处理数字服务会话参考文本集合，其中，所述待处理数字服务会话参考文本集合基于设定数字服务会话参考文本集合所确定；
将所述待处理数字服务会话参考文本集合中各个数字服务会话参考文本分别加载至完成调试的文本细节挖掘算法和拟调试的基础文本细节挖掘算法中进行文本细节挖掘，得到所述各个数字服务会话参考文本对应的目标文本细节向量和所述各个数字服务会话参考文本对应的基础文本细节向量，其中，所述基础文本细节挖掘算法是将所述完成调试的文本细节挖掘算法的算法变量进行重置得到的；
推算所述各个数字服务会话参考文本对应的目标文本细节向量之间的共性评价，得到目标共性评价集，并推算所述各个数字服务会话参考文本对应的基础文本细节向量之间的共性评价，得到基础共性评价集；
推算所述基础共性评价集与所述目标共性评价集之间的偏移评估数据，并依据所述偏移评估数据优化所述拟调试的基础文本细节挖掘算法，然后跳转至获取待处理数字服务会话参考文本集合的步骤循环实施，直至符合调试达标要求时，将完成调试的基础文本细节挖掘算法作为文本细节挖掘算法target algorithm1，其中，所述文本细节挖掘算法targetalgorithm1用于挖掘输入文本对应的文本细节向量，依据所述输入文本对应的文本细节向量进行定制化信息保护诉求分析。
2.根据权利要求1所述的方法，其特征在于，所述推算所述各个数字服务会话参考文本对应的目标文本细节向量之间的共性评价，得到目标共性评价集，包括：
依据所述各个数字服务会话参考文本对应的目标文本细节向量得到目标文本细节向量列表，并将所述目标文本细节向量列表进行数值映射处理，得到已调试数值映射列表；
推算所述已调试数值映射列表对应的重构列表，得到已调试重构列表；
推算所述已调试重构列表与所述已调试数值映射列表的运算结果，得到所述目标共性评价集。
3.根据权利要求1所述的方法，其特征在于，所述推算所述各个数字服务会话参考文本对应的基础文本细节向量之间的共性评价，得到基础共性评价集，包括：
依据所述各个数字服务会话参考文本对应的基础文本细节向量得到基础文本细节向量列表，并将所述基础文本细节向量列表进行数值映射处理，得到基础数值映射列表；
推算所述基础数值映射列表对应的重构列表，得到基础重构列表；
推算所述基础重构列表与所述基础数值映射列表的运算结果，得到所述基础共性评价集。
4.根据权利要求1所述的方法，其特征在于，所述推算所述基础共性评价集与所述目标共性评价集之间的偏移评估数据，并依据所述偏移评估数据优化所述拟调试的基础文本细节挖掘算法，然后跳转至获取待处理数字服务会话参考文本集合的步骤循环实施，包括：
推算所述基础共性评价集与所述目标共性评价集的标准偏差，得到基础算法训练代价，将所述基础算法训练代价作为所述偏移评估数据；
依据所述偏移评估数据逆向优化所述基础文本细节挖掘算法中的算法变量，得到优化后的文本细节挖掘算法；
将优化后的文本细节挖掘算法作为基础文本细节挖掘算法，然后跳转至获取待处理数字服务会话参考文本集合的步骤循环实施；
其中，所述推算所述基础共性评价集与所述目标共性评价集的标准偏差，得到所述偏移评估数据，包括：
推算所述基础共性评价集与所述目标共性评价集的标准偏差，得到基础算法训练代价；
获取待处理数字服务会话参考文本集合对应的数字服务会话参考文本个数，确定所述基础算法训练代价与所述数字服务会话参考文本个数的比例值，得到算法训练代价均值；
获取设定补偿算法变量，依据所述设定补偿算法变量对所述算法训练代价均值进行补偿推算，得到补偿算法训练代价；
获取所述拟调试的基础文本细节挖掘算法对应的决策算法训练代价，并推算所述决策算法训练代价和所述补偿算法训练代价的信息和，得到所述偏移评估数据。
5.根据权利要求1所述的方法，其特征在于，所述推算所述基础共性评价集与所述目标共性评价集之间的偏移评估数据，并依据所述偏移评估数据优化所述拟调试的基础文本细节挖掘算法，然后跳转至获取待处理数字服务会话参考文本集合的步骤循环实施，直至符合调试达标要求时，将完成调试的基础文本细节挖掘算法作为文本细节挖掘算法targetalgorithm1，包括：
将所述基础共性评价集加载至基础文本细节投影算法中进行文本细节投影，得到目标投影语义向量集；
推算所述目标投影语义向量集与所述目标共性评价集之间的标准偏差，得到目标偏移评估数据，依据所述目标偏移评估数据逆向优化所述基础文本细节投影算法和所述基础文本细节挖掘算法，得到优化后的文本细节投影算法和优化后的文本细节挖掘算法；
将所述优化后的文本细节投影算法作为基础文本细节投影算法，并将优化后的文本细节挖掘算法作为基础文本细节挖掘算法，然后跳转至获取待处理数字服务会话参考文本集合的步骤循环实施，直至符合调试达标要求时，基于完成调试的基础文本细节挖掘算法和完成调试的基础文本细节投影算法得到文本细节挖掘算法target algorithm2。
6.根据权利要求1所述的方法，其特征在于，所述基础文本细节挖掘算法为基础Generative；
所述推算所述基础共性评价集与所述目标共性评价集之间的偏移评估数据，并依据所述偏移评估数据优化所述拟调试的基础文本细节挖掘算法，然后跳转至获取待处理数字服务会话参考文本集合的步骤循环实施，直至符合调试达标要求时，将完成调试的基础文本细节挖掘算法作为文本细节挖掘算法target algorithm1，包括：
将所述基础共性评价集和所述目标共性评价集加载至基础Discriminative中进行决策，得到共性评价决策结果；
依据所述共性评价决策结果优化所述基础Discriminative和所述基础文本细节挖掘算法，然后跳转至获取待处理数字服务会话参考文本集合的步骤循环实施，直至符合调试达标要求时，将完成调试的基础文本细节挖掘算法作为文本细节挖掘算法targetalgorithm3。
7.根据权利要求1所述的方法，其特征在于，所述待处理数字服务会话参考文本集合中包括各个会话交互联合文本，所述会话交互联合文本中包括积极-消极会话交互调试文本；所述方法还包括：
将所述各个会话交互联合输入文本分别加载至完成调试的文本细节挖掘算法和拟调试的基础文本细节挖掘算法中进行文本细节挖掘，得到所述各个会话交互联合文本对应的已调试联合文本语义向量和所述各个会话交互联合文本对应的基础联合文本语义向量；
依据所述已调试联合文本语义向量和所述基础联合文本语义向量进行联合文本训练偏移推算，得到基础联合文本算法训练代价，依据所述基础联合文本算法训练代价逆向优化所述基础文本细节挖掘算法，然后跳转至获取待处理数字服务会话参考文本集合的步骤循环实施，直至符合调试达标要求时，将完成调试的基础文本细节挖掘算法作为文本细节挖掘算法target algorithm4。
8.根据权利要求1所述的方法，其特征在于，在所述推算所述基础共性评价集与所述目标共性评价集之间的偏移评估数据，并依据所述偏移评估数据优化所述拟调试的基础文本细节挖掘算法，然后跳转至获取待处理数字服务会话参考文本集合的步骤循环实施，直至符合调试达标要求时，将完成调试的基础文本细节挖掘算法作为文本细节挖掘算法targetalgorithm1之后，还包括：
获取测试型数字服务会话交互文本，将所述测试型数字服务会话交互文本加载至所述文本细节挖掘算法target algorithm1中进行文本细节挖掘，得到测试型文本细节向量；
获取先验数字服务会话交互文本池对应的鉴定型文本细节向量，推算所述测试型文本细节向量与所述鉴定型文本细节向量的共性评价；
依据所述共性评价确定所述测试型数字服务会话交互文本对应的文本挖掘测试信息。
9.一种用于实现基于定制化AI云平台服务的交互数据分析方法的软件产品，其特征在于，包括计算机程序/指令，其中，当所述计算机程序/指令被执行时，实现执行如权利要求1-8中一个或多个所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序在运行时如权利要求1-8中一个或多个所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310501025.9A CN116431769A (zh) | 2023-05-06 | 2023-05-06 | 基于定制化ai云平台服务的交互数据分析方法及软件产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310501025.9A CN116431769A (zh) | 2023-05-06 | 2023-05-06 | 基于定制化ai云平台服务的交互数据分析方法及软件产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116431769A true CN116431769A (zh) | 2023-07-14 |
Family
ID=87085531
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310501025.9A Withdrawn CN116431769A (zh) | 2023-05-06 | 2023-05-06 | 基于定制化ai云平台服务的交互数据分析方法及软件产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116431769A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116992861A (zh) * | 2023-09-25 | 2023-11-03 | 四川健康久远科技有限公司 | 基于数据处理的医疗服务智慧处理方法及系统 |
| CN117455745A (zh) * | 2023-12-26 | 2024-01-26 | 四川省大数据技术服务中心 | 基于多维融合数据分析的公共安全事件感知方法及系统 |
| CN117853119A (zh) * | 2024-01-10 | 2024-04-09 | 北京中能北方科技股份有限公司 | 供热管理平台客户反馈自动识别方法、装置及存储介质 |
-
2023
- 2023-05-06 CN CN202310501025.9A patent/CN116431769A/zh not_active Withdrawn
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116992861A (zh) * | 2023-09-25 | 2023-11-03 | 四川健康久远科技有限公司 | 基于数据处理的医疗服务智慧处理方法及系统 |
| CN116992861B (zh) * | 2023-09-25 | 2023-12-08 | 四川健康久远科技有限公司 | 基于数据处理的医疗服务智慧处理方法及系统 |
| CN117455745A (zh) * | 2023-12-26 | 2024-01-26 | 四川省大数据技术服务中心 | 基于多维融合数据分析的公共安全事件感知方法及系统 |
| CN117455745B (zh) * | 2023-12-26 | 2024-03-19 | 四川省大数据技术服务中心 | 基于多维融合数据分析的公共安全事件感知方法及系统 |
| CN117853119A (zh) * | 2024-01-10 | 2024-04-09 | 北京中能北方科技股份有限公司 | 供热管理平台客户反馈自动识别方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116431769A (zh) | 基于定制化ai云平台服务的交互数据分析方法及软件产品 | |
| CN109313540B (zh) | 口语对话系统的两阶段训练 | |
| CN108021934B (zh) | 多要素识别的方法及装置 | |
| CN110765253B (zh) | 客服场景下用户问句的回复方法、装置及设备 | |
| CN111311107A (zh) | 基于用户关系的风险评估方法、装置和计算机设备 | |
| CN111177307A (zh) | 一种基于语义理解相似度阀值配置的测试方案及系统 | |
| US20230244878A1 (en) | Extracting conversational relationships based on speaker prediction and trigger word prediction | |
| CN110399472A (zh) | 面试提问提示方法、装置、计算机设备及存储介质 | |
| CN116308521A (zh) | 一种会员权益配置处理方法、系统、计算机设备及介质 | |
| EP4273750A1 (en) | Data processing method and apparatus, computing device, and test simplification device | |
| CN113486166B (zh) | 智能客服机器人的构建方法、装置、设备以及存储介质 | |
| CN114254617A (zh) | 一种修订条款的方法、装置、计算设备及存储介质 | |
| CN110162769B (zh) | 文本主题输出方法和装置、存储介质及电子装置 | |
| CN117149996B (zh) | 面向人工智能应用的人机界面数字会话挖掘方法及ai系统 | |
| CN112905987B (zh) | 账号识别方法、装置、服务器及存储介质 | |
| CN113254788A (zh) | 一种基于大数据的推荐方法、系统及可读存储介质 | |
| CN115484266B (zh) | 一种基于负载均衡的数据分发处理方法、系统及云平台 | |
| CN114092162B (zh) | 推荐质量确定方法、推荐质量确定模型的训练方法及装置 | |
| CN116049873A (zh) | 基于信息保护和大数据可用性的数据分析方法及系统 | |
| KR102506429B1 (ko) | 상담 업무 분석 및 전달 시스템의 제어 방법 | |
| CN115282606A (zh) | 基于智能可视化的云游戏大数据挖掘方法及系统 | |
| CN113806517A (zh) | 一种基于机器学习模型的外呼方法、装置、设备及介质 | |
| CN113010772A (zh) | 一种数据处理方法、相关设备及计算机可读存储介质 | |
| CN112801406A (zh) | 数据处理方法及装置、计算设备 | |
| CN116049893B (zh) | 一种应对云服务的敏感软件大数据处理方法及服务器 |
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: 20230714 |
|
| WW01 | Invention patent application withdrawn after publication |