CN116501972A - 基于大数据在线服务的内容推送方法及ai智能推送系统 - Google Patents
基于大数据在线服务的内容推送方法及ai智能推送系统 Download PDFInfo
- Publication number
- CN116501972A CN116501972A CN202310500146.1A CN202310500146A CN116501972A CN 116501972 A CN116501972 A CN 116501972A CN 202310500146 A CN202310500146 A CN 202310500146A CN 116501972 A CN116501972 A CN 116501972A
- Authority
- CN
- China
- Prior art keywords
- service
- data
- processed
- pointing
- pending
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000009826 distribution Methods 0.000 claims abstract description 62
- 238000012512 characterization method Methods 0.000 claims abstract description 55
- 238000004458 analytical method Methods 0.000 claims description 87
- 238000013528 artificial neural network Methods 0.000 claims description 68
- 238000005065 mining Methods 0.000 claims description 29
- 230000000694 effects Effects 0.000 claims description 28
- 230000004927 fusion Effects 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010835 comparative analysis Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 230000000875 corresponding effect Effects 0.000 description 43
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
-
- 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)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Information Transfer Between Computers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的基于大数据在线服务的内容推送方法及AI智能推送系统，涉及人工智能技术领域。在本发明中，确定出待处理服务对象和待定第一指向相关对象的对象描述特征分布；挖掘出待处理服务对象的对象数据深度特征表示，并挖掘出每一个待定第一指向相关对象的对象数据深度特征表示；基于对象数据深度特征表示，分析出每一个待定第一指向相关对象属于待处理服务对象的第一指向相关对象的可能性表征参数；基于可能性表征参数，分析出待处理服务对象和至少一个待定第一指向相关对象之间的相关指向信息；基于相关指向信息，对待处理在线服务的待推送服务内容进行对象推送操作。基于上述内容，可以在一定程度上提高内容推送的可靠度。
Description
技术领域
本发明涉及人工智能技术领域，具体而言，涉及一种基于大数据在线服务的内容推送方法及AI智能推送系统。
背景技术
人工智能(Artificial Intelligence，简称AI)，是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。
人工智能的应用场景较多，例如，可以通过人工智能对在线服务内容进行推送控制等处理。但是，在现有技术中，在进行内容推送的过程中，容易出现推送的可靠度不高的问题。
发明内容
有鉴于此，本发明的目的在于提供一种基于大数据在线服务的内容推送方法及AI智能推送系统，以在一定程度上提高内容推送的可靠度。
为实现上述目的，本发明实施例采用如下技术方案：
一种基于大数据在线服务的内容推送方法，包括：
确定出待处理在线服务的待处理服务群体中，待处理服务对象和所述待处理服务对象对应的至少一个待定第一指向相关对象的对象描述特征分布，所述待处理服务对象对应的至少一个待定第一指向相关对象是指，所述待定第一指向相关对象和所述待处理服务对象之间具有从所述待定第一指向相关对象指向所述待处理服务对象的相关关系；
对所述待处理服务对象的对象描述特征分布进行加载，以加载到优化过的特征分析神经网络中，挖掘出所述待处理服务对象的对象数据深度特征表示，并分别对每一个待定第一指向相关对象的对象描述特征分布进行加载，以加载到所述优化过的特征分析神经网络中，挖掘出每一个所述待定第一指向相关对象的对象数据深度特征表示，所述优化过的特征分析神经网络基于具有对象相关指向信息的示例性第一数据进行网络优化形成，所述示例性第一数据包括具有并列对象相关信息的示例性服务对象和具有非并列对象相关信息的示例性服务对象的对象描述特征分布；
基于每一个所述待定第一指向相关对象的对象数据深度特征表示和所述待处理服务对象的对象数据深度特征表示，分析出每一个所述待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数；
基于每一个所述待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数，分析出所述待处理服务对象和至少一个待定第一指向相关对象之间的相关指向信息；
基于分析出的相关指向信息，对所述待处理在线服务的待推送服务内容进行对象推送操作，所述待推送服务内容包括文本数据、语音数据和图像数据中的至少一种。
在一些优选的实施例中，在上述基于大数据在线服务的内容推送方法中，所述确定出待处理在线服务的待处理服务群体中，待处理服务对象和所述待处理服务对象对应的至少一个待定第一指向相关对象的对象描述特征分布的步骤，包括：
在所述待处理服务对象的全局对象描述数据中，抽选出所述待处理服务对象的对象本质描述数据，并在每一个所述待定第一指向相关对象的全局对象描述数据中，分别抽选出每一个所述待定第一指向相关对象的对象本质描述数据；
对所述待处理服务对象的对象本质描述数据进行加载，以加载到优化过的编码神经网络中，以输出所述待处理服务对象的对象描述特征分布，并分别对每一个所述待定第一指向相关对象的对象本质描述数据进行加载，以加载到所述优化过的编码神经网络中，以输出每一个所述待定第一指向相关对象的对象描述特征分布。
在一些优选的实施例中，在上述基于大数据在线服务的内容推送方法中，所述对象描述特征分布包括服务对象的全局对象描述数据中每一个对象本质描述数据的本质数据特征表示，所述优化过的特征分析神经网络包括特征融合单元和数据特征深度挖掘单元；
所述对所述待处理服务对象的对象描述特征分布进行加载，以加载到优化过的特征分析神经网络中，挖掘出所述待处理服务对象的对象数据深度特征表示，并分别对每一个待定第一指向相关对象的对象描述特征分布进行加载，以加载到所述优化过的特征分析神经网络中，挖掘出每一个所述待定第一指向相关对象的对象数据深度特征表示的步骤，包括：
利用所述特征融合单元，将所述待处理服务对象的对象描述特征分布包括的每一个本质数据特征表示进行有权重的叠加操作，以输出所述待处理服务对象的融合数据特征表示，并分别将每一个待定第一指向相关对象的对象描述特征分布包括的每一个本质数据特征表示进行有权重的叠加操作，以输出每一个待定第一指向相关对象的融合数据特征表示；
利用所述数据特征深度挖掘单元，将所述待处理服务对象的融合数据特征表示进行特征深度挖掘操作，以输出所述待处理服务对象的对象数据深度特征表示，并分别将每一个待定第一指向相关对象的融合数据特征表示进行特征深度挖掘操作，以输出每一个待定第一指向相关对象的对象数据深度特征表示。
在一些优选的实施例中，在上述基于大数据在线服务的内容推送方法中，所述基于每一个所述待定第一指向相关对象的对象数据深度特征表示和所述待处理服务对象的对象数据深度特征表示，分析出每一个所述待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数的步骤，包括：
对于一个待定第一指向相关对象，对所述待处理服务对象的对象数据深度特征表示和对象分类数据、所述一个待定第一指向相关对象的对象数据深度特征表示和对象分类数据、所述待处理服务对象与所述一个待定第一指向相关对象之间的对象活动区域相关数据进行加载，以加载到优化过的对比分析神经网络中，以分析出所述一个待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数；
所述优化过的对比分析神经网络基于具有实际的可能性表征参数的示例性第二数据进行网络优化形成，所述示例性第二数据包括示例性服务对象的对象数据深度特征表示、对象分类数据和所述示例性服务对象之间的对象活动区域相关数据。
在一些优选的实施例中，在上述基于大数据在线服务的内容推送方法中，所述优化过的对比分析神经网络包括第一对比分析单元和第二对比分析单元；
所述对于一个待定第一指向相关对象，对所述待处理服务对象的对象数据深度特征表示和对象分类数据、所述一个待定第一指向相关对象的对象数据深度特征表示和对象分类数据、所述待处理服务对象与所述一个待定第一指向相关对象之间的对象活动区域相关数据进行加载，以加载到优化过的对比分析神经网络中，以分析出所述一个待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数的步骤，包括：
利用所述第一对比分析单元，分析出所述待处理服务对象和所述一个待定第一指向相关对象的对象数据深度特征表示之间的相关性数据；
利用所述第二对比分析单元，分析出所述待处理服务对象和所述一个待定第一指向相关对象的对象分类数据之间的分类区别性数据；
基于所述相关性数据、所述分类区别性数据、所述待处理服务对象和所述一个待定第一指向相关对象之间的对象活动区域相关数据，分析出所述一个待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数。
在一些优选的实施例中，在上述基于大数据在线服务的内容推送方法中，所述优化过的对比分析神经网络还包括第三对比分析单元；
在所述基于所述相关性数据、所述分类区别性数据、所述待处理服务对象和所述一个待定第一指向相关对象之间的对象活动区域相关数据，分析出所述一个待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数的步骤之前，还包括：
对所述待处理服务对象的图谱相关性描述数据以及所述一个待定第一指向相关对象的图谱相关性描述数据进行加载，以加载到所述优化过的对比分析神经网络中；
利用所述第三对比分析单元，分析出所述待处理服务对象的图谱相关性描述数据和所述一个待定第一指向相关对象的图谱相关性描述数据之间的图谱区别性数据；
所述基于所述相关性数据、所述分类区别性数据、所述待处理服务对象和所述一个待定第一指向相关对象之间的对象活动区域相关数据，分析出所述一个待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数的步骤，包括：
基于所述相关性数据、所述分类区别性数据、所述待处理服务对象与所述一个待定第一指向相关对象之间的对象活动区域相关数据、所述图谱区别性数据，分析出所述一个待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数。
在一些优选的实施例中，在上述基于大数据在线服务的内容推送方法中，所述图谱相关性描述数据包括相关性知识图谱；其中，确定出所述待处理服务对象的相关性知识图谱的步骤包括：
分析出每一个所述待定第一指向相关对象中与所述待处理服务对象的对象数据深度特征表示之间的相关性表征参数大于或等于预先确定的参考相关性表征参数的待定第一指向相关对象；以及，对分析出的待定第一指向相关对象与所述待处理服务对象进行相关标记操作，以形成所述待处理服务对象的相关性知识图谱；
确定出所述一个待定第一指向相关对象的相关性知识图谱的步骤包括：
分析出每一个待定第一指向次相关对象中与所述一个待定第一指向相关对象的对象数据深度特征表示之间的相关性表征参数大于或等于所述参考相关性表征参数的待定第一指向次相关对象，每一个所述待定第一指向次相关对象属于所述一个待定第一指向相关对象对应的待定第一指向相关对象；以及，对分析出的待定第一指向次相关对象和所述一个待定第一指向相关对象进行相关标记操作，以形成所述一个待定第一指向相关对象的相关性知识图谱。
在一些优选的实施例中，在上述基于大数据在线服务的内容推送方法中，所述优化过的特征分析神经网络的网络优化操作包括：
在所述示例性第一数据中，确定出示例性第一服务对象、与所述示例性第一服务对象具有并列对象相关信息的示例性相关服务对象、与所述示例性第一服务对象具有非并列对象相关信息的示例性非相关服务对象，并确定出与所述示例性第一服务对象具有非并列对象相关信息，且与所述示例性非相关服务对象具有非并列对象相关信息的深度非相关服务对象；
分别对所述示例性第一服务对象、所述示例性相关服务对象、所述示例性非相关服务对象和所述深度非相关服务对象的对象描述特征分布进行加载，以加载到还没有优化过的特征分析神经网络中，以挖掘出所述示例性第一服务对象、所述示例性相关服务对象、所述示例性非相关服务对象和所述深度非相关服务对象的对象数据深度特征表示；
将所述还没有优化过的特征分析神经网络进行更新调整，并在对应的误差指标的波动幅度小于或等于预先确定的参考波动幅度的情况下，停止进行更新调整，以形成优化过的特征分析神经网络，并使得具有并列对象相关信息的示例性服务对象的对象数据深度特征表示之间的差异小于具有非并列对象相关信息的示例性服务对象的对象数据深度特征表示之间的差异，且具有并列对象相关信息的示例性服务对象的对象数据深度特征表示之间的最大差异小于或等于具有非并列对象相关信息的示例性服务对象的对象数据深度特征表示之间的最小差异。
在一些优选的实施例中，在上述基于大数据在线服务的内容推送方法中，所述基于分析出的相关指向信息，对所述待处理在线服务的待推送服务内容进行对象推送操作的步骤，包括：
基于分析出的相关指向信息，在所述待处理服务对象对应的至少一个待定第一指向相关对象中，确定出所述待处理服务对象对应的第一指向相关对象，以及，对每一个第一指向相关对象的历史推送服务内容进行提取，以形成对应的历史推送服务内容集合；
基于所述历史推送服务内容集合包括的历史推送服务内容，确定出所述待处理在线服务对于所述待处理服务对象的待推送服务内容；
将所述待处理在线服务对于所述待处理服务对象的待推送服务内容，推送给所述待处理服务对象。
本发明实施例还提供一种AI智能推送系统，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，以实现上述的基于大数据在线服务的内容推送方法。
本发明实施例提供的基于大数据在线服务的内容推送方法及AI智能推送系统，可以先确定出待处理服务对象和待定第一指向相关对象的对象描述特征分布；挖掘出待处理服务对象的对象数据深度特征表示，并挖掘出每一个待定第一指向相关对象的对象数据深度特征表示；基于对象数据深度特征表示，分析出每一个待定第一指向相关对象属于待处理服务对象的第一指向相关对象的可能性表征参数；基于可能性表征参数，分析出待处理服务对象和至少一个待定第一指向相关对象之间的相关指向信息；基于相关指向信息，对待处理在线服务的待推送服务内容进行对象推送操作。基于前述的内容，由于不仅仅是简单地对待处理服务对象进行分析处理，也不仅仅是对待处理服务对象的对象数据深度特征表示直接进行分析处理，而是结合了待处理服务对象对应的至少一个待定第一指向相关对象，且分析的依据还是具有丰富信息的对象数据深度特征表示，因此，使得内容推送过程中的分析更为充分，使得可以在一定程度上提高内容推送的可靠度。
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AI智能推送系统的结构框图。
图2为本发明实施例提供的基于大数据在线服务的内容推送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大数据在线服务的内容推送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AI智能推送系统。其中，所述AI智能推送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大数据在线服务的内容推送方法。
应当理解的是，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。
应当理解的是，在一些实施方式中，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，在一些实施方式中，所述AI智能推送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大数据在线服务的内容推送方法，可应用于上述AI智能推送系统。其中，所述基于大数据在线服务的内容推送方法有关的流程所定义的方法步骤，可以由所述AI智能推送系统实现。
下面将对图2所示的具体流程，进行详细阐述。
步骤S110，确定出待处理在线服务的待处理服务群体中，待处理服务对象和所述待处理服务对象对应的至少一个待定第一指向相关对象的对象描述特征分布。
在本发明实施例中，所述AI智能推送系统可以确定出待处理在线服务的待处理服务群体中，待处理服务对象和所述待处理服务对象对应的至少一个待定第一指向相关对象的对象描述特征分布，即确定出待处理服务对象的对象描述特征分布，并确定出待定第一指向相关对象的对象描述特征分布。所述待处理服务对象对应的至少一个待定第一指向相关对象是指，所述待定第一指向相关对象和所述待处理服务对象之间具有从所述待定第一指向相关对象指向所述待处理服务对象的相关关系，即在推送内容的维度，所述待定第一指向相关对象对于所述待处理服务对象具有一定的参考意义或相关关系。另外，所述对象描述特征分布的表现形式可以为向量。其中，所述待定第一指向相关对象的确定方式可以是指，依据服务对象之间的交互数据进行确定，如确定出在历史上向所述处理服务对象发送过至少一条数据的对象，作为待定第一指向相关对象。或者，在其它实施方式中，也可以基于方式进行确定。
步骤S120，对所述待处理服务对象的对象描述特征分布进行加载，以加载到优化过的特征分析神经网络中，挖掘出所述待处理服务对象的对象数据深度特征表示，并分别对每一个待定第一指向相关对象的对象描述特征分布进行加载，以加载到所述优化过的特征分析神经网络中，挖掘出每一个所述待定第一指向相关对象的对象数据深度特征表示。
在本发明实施例中，所述AI智能推送系统可以对所述待处理服务对象的对象描述特征分布进行加载，以加载到优化过的特征分析神经网络中，挖掘出所述待处理服务对象的对象数据深度特征表示，并分别对每一个待定第一指向相关对象的对象描述特征分布进行加载，以加载到所述优化过的特征分析神经网络中，挖掘出每一个所述待定第一指向相关对象的对象数据深度特征表示。所述优化过的特征分析神经网络基于具有对象相关指向信息的示例性第一数据进行网络优化形成，所述示例性第一数据包括具有并列对象相关信息的示例性服务对象和具有非并列对象相关信息的示例性服务对象的对象描述特征分布。另外，所述对象数据深度特征表示的表现形式也可以为向量。
步骤S130，基于每一个所述待定第一指向相关对象的对象数据深度特征表示和所述待处理服务对象的对象数据深度特征表示，分析出每一个所述待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数。
在本发明实施例中，所述AI智能推送系统可以基于每一个所述待定第一指向相关对象的对象数据深度特征表示和所述待处理服务对象的对象数据深度特征表示，分析出每一个所述待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数。例如，相应的神经网络，可以通过相应的示例性数据学习到服务对象和第一指向相关对象对应的对象数据深度特征表示之间的关系，如此，可以基于该关系进行对比分析，以确定出对应的可能性表征参数。
步骤S140，基于每一个所述待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数，分析出所述待处理服务对象和至少一个待定第一指向相关对象之间的相关指向信息。
在本发明实施例中，所述AI智能推送系统可以基于每一个所述待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数，分析出所述待处理服务对象和至少一个待定第一指向相关对象之间的相关指向信息。
步骤S150，基于分析出的相关指向信息，对所述待处理在线服务的待推送服务内容进行对象推送操作。
在本发明实施例中，所述AI智能推送系统可以基于分析出的相关指向信息，对所述待处理在线服务的待推送服务内容进行对象推送操作。所述待推送服务内容包括文本数据、语音数据和图像数据中的至少一种。
基于前述的内容，由于不仅仅是简单地对待处理服务对象进行分析处理，也不仅仅是对待处理服务对象的对象数据深度特征表示直接进行分析处理，而是结合了待处理服务对象对应的至少一个待定第一指向相关对象，且分析的依据还是具有丰富信息的对象数据深度特征表示，因此，使得内容推送过程中的分析更为充分，使得可以在一定程度上提高内容推送的可靠度，从而改善现有技术中存在的可靠度不高的问题。
应当理解的是，在一些实施方式中，上述的步骤S110，可以进一步包括下面描述的各实施子步骤：
在所述待处理服务对象的全局对象描述数据中，抽选出所述待处理服务对象的对象本质描述数据，并在每一个所述待定第一指向相关对象的全局对象描述数据中，分别抽选出每一个所述待定第一指向相关对象的对象本质描述数据，示例性地，所述对象本质描述数据可以是指相应的服务对象（也可以理解为服务用户）的用户属性数据，如用户身份信息、用户位置信息、用户偏好信息等，该用户偏好信息是指对服务内容的偏好，如领域偏好等，即历史上对服务内容的领域偏好等；
对所述待处理服务对象的对象本质描述数据进行加载，以加载到优化过的编码神经网络中，以输出所述待处理服务对象的对象描述特征分布，并分别对每一个所述待定第一指向相关对象的对象本质描述数据进行加载，以加载到所述优化过的编码神经网络中，以输出每一个所述待定第一指向相关对象的对象描述特征分布，也就是说，可以将所述对象本质描述数据进行编码处理，以形成对应的对象描述特征分布，如此，所述对象描述特征分布可以理解为服务对象具有的浅层的特征。
应当理解的是，在一些实施方式中，所述对象描述特征分布可以包括服务对象的全局对象描述数据（即全部的用户属性数据）中每一个对象本质描述数据的本质数据特征表示，所述优化过的特征分析神经网络可以包括特征融合单元和数据特征深度挖掘单元，基于此，所述对所述待处理服务对象的对象描述特征分布进行加载，以加载到优化过的特征分析神经网络中，挖掘出所述待处理服务对象的对象数据深度特征表示，并分别对每一个待定第一指向相关对象的对象描述特征分布进行加载，以加载到所述优化过的特征分析神经网络中，挖掘出每一个所述待定第一指向相关对象的对象数据深度特征表示的步骤，即上述的步骤S120，可以进一步包括下面描述的各实施子步骤：
利用所述特征融合单元，将所述待处理服务对象的对象描述特征分布包括的每一个本质数据特征表示进行有权重的叠加操作，以输出所述待处理服务对象的融合数据特征表示，并分别将每一个待定第一指向相关对象的对象描述特征分布包括的每一个本质数据特征表示进行有权重的叠加操作，以输出每一个待定第一指向相关对象的融合数据特征表示，示例性地，每一个本质数据特征表示对应的权重，可以在所述优化过的特征分析神经网络的网络优化过程中通过更新调整以形成，使得所述融合数据特征表示可以充分反映相应的本质数据特征表示的重要程度；
利用所述数据特征深度挖掘单元，将所述待处理服务对象的融合数据特征表示进行特征深度挖掘操作，以输出所述待处理服务对象的对象数据深度特征表示，并分别将每一个待定第一指向相关对象的融合数据特征表示进行特征深度挖掘操作，以输出每一个待定第一指向相关对象的对象数据深度特征表示，如前所述，所述对象描述特征分布可以理解为服务对象具有的浅层的特征，因此，通过进行特征深度挖掘操作，可以得到对应的对象数据深度特征表示，即得到深层的特征，具体来说，可以将所述融合数据特征表示进行自身的聚焦特征分析操作，以而得到对应的对象数据深度特征表示，或者，可以对聚焦特征分析操作的结果进行进一步的全连接处理，以得到对应的对象数据深度特征表示。
应当理解的是，在一些实施方式中，上述的步骤S130，可以进一步包括下面描述的各实施子步骤：
对于一个待定第一指向相关对象，对所述待处理服务对象的对象数据深度特征表示和对象分类数据、所述一个待定第一指向相关对象的对象数据深度特征表示和对象分类数据、所述待处理服务对象与所述一个待定第一指向相关对象之间的对象活动区域相关数据进行加载，以加载到优化过的对比分析神经网络中，以分析出所述一个待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数，也就是说，在对象数据深度特征表示的基础上，进一步结合对象分类数据和对象活动区域相关数据进行分析，其中，所述对象分类数据可以是指对象的种类，具体的种类信息不受限制，可以是基于对服务内容相关领域的偏好、关注程度等信息进行分类，以形成对应的种类信息；
其中，所述优化过的对比分析神经网络基于具有实际的可能性表征参数的示例性第二数据进行网络优化形成，所述示例性第二数据包括示例性服务对象的对象数据深度特征表示、对象分类数据和所述示例性服务对象之间的对象活动区域相关数据，所述对象活动区域相关数据可以是指对应的服务对象的活动区域之间的相关关系，如重合程度等。
应当理解的是，在一些实施方式中，所述优化过的对比分析神经网络可以包括第一对比分析单元和第二对比分析单元，基于此，所述对于一个待定第一指向相关对象，对所述待处理服务对象的对象数据深度特征表示和对象分类数据、所述一个待定第一指向相关对象的对象数据深度特征表示和对象分类数据、所述待处理服务对象与所述一个待定第一指向相关对象之间的对象活动区域相关数据进行加载，以加载到优化过的对比分析神经网络中，以分析出所述一个待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数的步骤，可以进一步包括下面描述的各实施子步骤：
利用所述第一对比分析单元，分析出所述待处理服务对象和所述一个待定第一指向相关对象的对象数据深度特征表示之间的相关性数据，如对对象数据深度特征表示进行相乘运算，以得到对应的相关性数据；
利用所述第二对比分析单元，分析出所述待处理服务对象和所述一个待定第一指向相关对象的对象分类数据之间的分类区别性数据，如先对对应的分类区别性数据进行编码，然后，对得到的编码特征表示进行余弦距离的确定，以得到对应的分类区别性数据；
基于所述相关性数据、所述分类区别性数据、所述待处理服务对象和所述一个待定第一指向相关对象之间的对象活动区域相关数据，分析出所述一个待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数，即对三方面的数据进行融合。
应当理解的是，在一些实施方式中，所述优化过的对比分析神经网络还可以包括第三对比分析单元，基于此，在所述基于所述相关性数据、所述分类区别性数据、所述待处理服务对象和所述一个待定第一指向相关对象之间的对象活动区域相关数据，分析出所述一个待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数的步骤之前，还可以进一步包括下面描述的各实施子步骤：
对所述待处理服务对象的图谱相关性描述数据以及所述一个待定第一指向相关对象的图谱相关性描述数据进行加载，以加载到所述优化过的对比分析神经网络中；以及，利用所述第三对比分析单元，分析出所述待处理服务对象的图谱相关性描述数据和所述一个待定第一指向相关对象的图谱相关性描述数据之间的图谱区别性数据，例如，可以先对所述图谱相关性描述数据进行编码，然后，可以对得到的编码特征表示进行余弦距离的确定，以得到对应的图谱区别性数据。
基于此，所述基于所述相关性数据、所述分类区别性数据、所述待处理服务对象和所述一个待定第一指向相关对象之间的对象活动区域相关数据，分析出所述一个待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数的步骤，可以进一步包括下面描述的各实施子步骤：
基于所述相关性数据、所述分类区别性数据、所述待处理服务对象与所述一个待定第一指向相关对象之间的对象活动区域相关数据、所述图谱区别性数据，分析出所述一个待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数，也就是说，可以融合四个方面的数据，以确定出可能性表征参数，例如，在一种实施方式中，可以直接将所述相关性数据、所述分类区别性数据、所述待处理服务对象与所述一个待定第一指向相关对象之间的对象活动区域相关数据、所述图谱区别性数据进行融合，以得到对应的可能性表征参数，如进行求和计算，其中，相关性数据可以为正值、区别性数据可以为负值，或者，可以先对所述相关性数据、所述分类区别性数据、所述待处理服务对象与所述一个待定第一指向相关对象之间的对象活动区域相关数据、所述图谱区别性数据进行编码，然后，可以对得到的编码特征表示进行预测输出，如通过softmax函数实现，以得到可能性表征参数，如0、0.1、0.5、0.75、0.9等数值。
应当理解的是，在一些实施方式中，所述图谱相关性描述数据可以包括相关性知识图谱，基于此，确定出所述待处理服务对象的相关性知识图谱的步骤，可以进一步包括下面描述的各实施子步骤：
分析出每一个所述待定第一指向相关对象中与所述待处理服务对象的对象数据深度特征表示之间的相关性表征参数大于或等于预先确定的参考相关性表征参数的待定第一指向相关对象，所述参考相关性表征参数的具体数值不受限制，可以根据实际应用需求进行配置；
对分析出的待定第一指向相关对象与所述待处理服务对象进行相关标记操作，以形成所述待处理服务对象的相关性知识图谱，即在所述相关性知识图谱中分析出的待定第一指向相关对象与所述待处理服务对象之间可以通过所述相关标记操作配置有对应的图谱连接线。
其中，确定出所述一个待定第一指向相关对象的相关性知识图谱的步骤，可以进一步包括下面描述的各实施子步骤：
分析出每一个待定第一指向次相关对象中与所述一个待定第一指向相关对象的对象数据深度特征表示之间的相关性表征参数大于或等于所述参考相关性表征参数的待定第一指向次相关对象，每一个所述待定第一指向次相关对象属于所述一个待定第一指向相关对象对应的待定第一指向相关对象；以及，对分析出的待定第一指向次相关对象和所述一个待定第一指向相关对象进行相关标记操作，以形成所述一个待定第一指向相关对象的相关性知识图谱，如前相关描述。
应当理解的是，在一些实施方式中，所述优化过的特征分析神经网络的网络优化操作，可以进一步包括下面描述的各实施子步骤：
在所述示例性第一数据中，确定出示例性第一服务对象、与所述示例性第一服务对象具有并列对象相关信息的示例性相关服务对象、与所述示例性第一服务对象具有非并列对象相关信息的示例性非相关服务对象，并确定出与所述示例性第一服务对象具有非并列对象相关信息，且与所述示例性非相关服务对象具有非并列对象相关信息的深度非相关服务对象，示例性地，与所述示例性第一服务对象具有并列对象相关信息的示例性相关服务对象可以是指，所述示例性第一服务对象的第一指向相关对象和所述示例性相关服务对象的第一指向相关对象是相同的；与所述示例性第一服务对象具有非并列对象相关信息的示例性非相关服务对象可以是指，所述示例性第一服务对象的第一指向相关对象和所述示例性非相关服务对象的第一指向相关对象是不相同的；
分别对所述示例性第一服务对象（的对象描述特征分布）、所述示例性相关服务对象（的对象描述特征分布）、所述示例性非相关服务对象（的对象描述特征分布）和所述深度非相关服务对象的对象描述特征分布进行加载，以加载到还没有优化过的特征分析神经网络中，以挖掘出所述示例性第一服务对象（的对象数据深度特征表示）、所述示例性相关服务对象（的对象数据深度特征表示）、所述示例性非相关服务对象（的对象数据深度特征表示）和所述深度非相关服务对象的对象数据深度特征表示；
将所述还没有优化过的特征分析神经网络进行更新调整（对包括的网络参数进行更新调整），并在对应的误差指标的波动幅度小于或等于预先确定的参考波动幅度的情况下（如通过更新调整，已经不能使得误差指标明显降低，所述误差指标的具体计算方式不受限制，所述参考波动幅度的具体数值不受限制），停止进行更新调整，以形成优化过的特征分析神经网络，并使得具有并列对象相关信息的示例性服务对象的对象数据深度特征表示之间的差异小于具有非并列对象相关信息的示例性服务对象的对象数据深度特征表示之间的差异，且具有并列对象相关信息的示例性服务对象的对象数据深度特征表示之间的最大差异小于或等于具有非并列对象相关信息的示例性服务对象的对象数据深度特征表示之间的最小差异。
其中，应当理解的是，在一些实施方式中，所述优化过的对比分析神经网络的网络优化操作，可以进一步包括下面描述的各实施子步骤：
在所述示例性第二数据中，确定出示例性第二服务对象和所述示例性第二服务对象对应的至少一个目标待定第一指向相关对象，所述目标待定第一指向相关对象中配置有所述目标待定第一指向相关对象属于所述示例性第二服务对象的第一指向相关对象的可能性表征参数；
对于一个目标待定第一指向相关对象，对所述示例性第二服务对象的对象数据深度特征表示和对象分类数据、所述一个目标待定第一指向相关对象的对象数据深度特征表示和对象分类数据、所述一个目标待定第一指向相关对象与所述示例性第二服务对象的对象活动区域相关数据进行加载，以加载到还没有经过优化的对比分析神经网络中，分析出所述一个目标待定第一指向相关对象属于所述示例性第二服务对象的第一指向相关对象的可能性表征参数，如前相关描述；
将所述还没有经过优化的对比分析神经网络中进行更新调整，并在每一个目标待定第一指向相关对象标配置的可能性表征参数与利用所述还没有经过优化的对比分析神经网络分析出的可能性表征参数之间的差异小于预先确定的参考差异的情况下，输出优化过的对比分析神经网络，即沿着降低参考差异的方向进行更新调整，所述参考差异的具体数值不受限制。
其中，应当理解的是，在一些实施方式中，所述对于一个目标待定第一指向相关对象，对所述示例性第二服务对象的对象数据深度特征表示和对象分类数据、所述一个目标待定第一指向相关对象的对象数据深度特征表示和对象分类数据、所述一个目标待定第一指向相关对象与所述示例性第二服务对象的对象活动区域相关数据进行加载，以加载到还没有经过优化的对比分析神经网络中，分析出所述一个目标待定第一指向相关对象属于所述示例性第二服务对象的第一指向相关对象的可能性表征参数的步骤，可以进一步包括下面描述的各实施子步骤：
对所述示例性第二服务对象的对象数据深度特征表示和对象分类数据、所述一个目标待定第一指向相关对象的对象数据深度特征表示和对象分类数据、所述一个目标待定第一指向相关对象与所述示例性第二服务对象的对象活动区域相关数据、其它相关数据进行加载，以加载到所述还没有经过优化的对比分析神经网络中，分析出所述一个目标待定第一指向相关对象属于所述示例性第二服务对象的第一指向相关对象的可能性表征参数；所述其它相关数据包括所述示例性第二服务对象的图谱相关性描述数据和所述一个目标待定第一指向相关对象的图谱相关性描述数据。
其中，应当理解的是，在一些实施方式中，上述的步骤S140，可以进一步包括下面描述的各实施子步骤：
确定出每一个所述待定第一指向相关对象中对应的可能性表征参数具有最大值的待定第一指向相关对象；
在确定出的待定第一指向相关对象对应的可能性表征参数大于或等于预先确定的参考可能性表征参数，对确定出的待定第一指向相关对象进行标记，以标记为所述待处理服务对象的第一指向相关对象，所述参考可能性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。
应当理解的是，在一些实施方式中，上述的步骤S150，可以进一步包括下面描述的各实施子步骤：
基于分析出的相关指向信息，在所述待处理服务对象对应的至少一个待定第一指向相关对象中，确定出所述待处理服务对象对应的第一指向相关对象，以及，对每一个第一指向相关对象的历史推送服务内容进行提取，也可以是提取每一个第一指向相关对象具有较高关注度的历史推送服务内容等，以形成对应的历史推送服务内容集合；
基于所述历史推送服务内容集合包括的历史推送服务内容，确定出所述待处理在线服务对于所述待处理服务对象的待推送服务内容，例如，可以将所述历史推送服务内容集合中出现频次最高的历史推送服务内容，确定为所述待处理在线服务对于所述待处理服务对象的待推送服务内容；
将所述待处理在线服务对于所述待处理服务对象的待推送服务内容，推送给所述待处理服务对象（对应的终端设备）。
结合图3，本发明实施例还提供一种基于大数据在线服务的内容推送装置，可应用于上述AI智能推送系统。其中，所述基于大数据在线服务的内容推送装置可以包括：
特征分布确定模块，用于确定出待处理在线服务的待处理服务群体中，待处理服务对象和所述待处理服务对象对应的至少一个待定第一指向相关对象的对象描述特征分布，所述待处理服务对象对应的至少一个待定第一指向相关对象是指，所述待定第一指向相关对象和所述待处理服务对象之间具有从所述待定第一指向相关对象指向所述待处理服务对象的相关关系；
深度特征挖掘模块，用于对所述待处理服务对象的对象描述特征分布进行加载，以加载到优化过的特征分析神经网络中，挖掘出所述待处理服务对象的对象数据深度特征表示，并分别对每一个待定第一指向相关对象的对象描述特征分布进行加载，以加载到所述优化过的特征分析神经网络中，挖掘出每一个所述待定第一指向相关对象的对象数据深度特征表示，所述优化过的特征分析神经网络基于具有对象相关指向信息的示例性第一数据进行网络优化形成，所述示例性第一数据包括具有并列对象相关信息的示例性服务对象和具有非并列对象相关信息的示例性服务对象的对象描述特征分布；
深度特征对比模块，用于基于每一个所述待定第一指向相关对象的对象数据深度特征表示和所述待处理服务对象的对象数据深度特征表示，分析出每一个所述待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数；
相关指向分析模块，用于基于每一个所述待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数，分析出所述待处理服务对象和至少一个待定第一指向相关对象之间的相关指向信息；
对象内容推送模块，用于基于分析出的相关指向信息，对所述待处理在线服务的待推送服务内容进行对象推送操作，所述待推送服务内容包括文本数据、语音数据和图像数据中的至少一种。
综上所述，本发明提供的基于大数据在线服务的内容推送方法及AI智能推送系统，可以先确定出待处理服务对象和待定第一指向相关对象的对象描述特征分布；挖掘出待处理服务对象的对象数据深度特征表示，并挖掘出每一个待定第一指向相关对象的对象数据深度特征表示；基于对象数据深度特征表示，分析出每一个待定第一指向相关对象属于待处理服务对象的第一指向相关对象的可能性表征参数；基于可能性表征参数，分析出待处理服务对象和至少一个待定第一指向相关对象之间的相关指向信息；基于相关指向信息，对待处理在线服务的待推送服务内容进行对象推送操作。基于前述的内容，由于不仅仅是简单地对待处理服务对象进行分析处理，也不仅仅是对待处理服务对象的对象数据深度特征表示直接进行分析处理，而是结合了待处理服务对象对应的至少一个待定第一指向相关对象，且分析的依据还是具有丰富信息的对象数据深度特征表示，因此，使得内容推送过程中的分析更为充分，使得可以在一定程度上提高内容推送的可靠度。
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)
1.一种基于大数据在线服务的内容推送方法，其特征在于，包括：
确定出待处理在线服务的待处理服务群体中，待处理服务对象和所述待处理服务对象对应的至少一个待定第一指向相关对象的对象描述特征分布，所述待处理服务对象对应的至少一个待定第一指向相关对象是指，所述待定第一指向相关对象和所述待处理服务对象之间具有从所述待定第一指向相关对象指向所述待处理服务对象的相关关系；
对所述待处理服务对象的对象描述特征分布进行加载，以加载到优化过的特征分析神经网络中，挖掘出所述待处理服务对象的对象数据深度特征表示，并分别对每一个待定第一指向相关对象的对象描述特征分布进行加载，以加载到所述优化过的特征分析神经网络中，挖掘出每一个所述待定第一指向相关对象的对象数据深度特征表示，所述优化过的特征分析神经网络基于具有对象相关指向信息的示例性第一数据进行网络优化形成，所述示例性第一数据包括具有并列对象相关信息的示例性服务对象和具有非并列对象相关信息的示例性服务对象的对象描述特征分布；
基于每一个所述待定第一指向相关对象的对象数据深度特征表示和所述待处理服务对象的对象数据深度特征表示，分析出每一个所述待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数；
基于每一个所述待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数，分析出所述待处理服务对象和至少一个待定第一指向相关对象之间的相关指向信息；
基于分析出的相关指向信息，对所述待处理在线服务的待推送服务内容进行对象推送操作，所述待推送服务内容包括文本数据、语音数据和图像数据中的至少一种。
2.如权利要求1所述的基于大数据在线服务的内容推送方法，其特征在于，所述确定出待处理在线服务的待处理服务群体中，待处理服务对象和所述待处理服务对象对应的至少一个待定第一指向相关对象的对象描述特征分布的步骤，包括：
在所述待处理服务对象的全局对象描述数据中，抽选出所述待处理服务对象的对象本质描述数据，并在每一个所述待定第一指向相关对象的全局对象描述数据中，分别抽选出每一个所述待定第一指向相关对象的对象本质描述数据；
对所述待处理服务对象的对象本质描述数据进行加载，以加载到优化过的编码神经网络中，以输出所述待处理服务对象的对象描述特征分布，并分别对每一个所述待定第一指向相关对象的对象本质描述数据进行加载，以加载到所述优化过的编码神经网络中，以输出每一个所述待定第一指向相关对象的对象描述特征分布。
3.如权利要求2所述的基于大数据在线服务的内容推送方法，其特征在于，所述对象描述特征分布包括服务对象的全局对象描述数据中每一个对象本质描述数据的本质数据特征表示，所述优化过的特征分析神经网络包括特征融合单元和数据特征深度挖掘单元；
所述对所述待处理服务对象的对象描述特征分布进行加载，以加载到优化过的特征分析神经网络中，挖掘出所述待处理服务对象的对象数据深度特征表示，并分别对每一个待定第一指向相关对象的对象描述特征分布进行加载，以加载到所述优化过的特征分析神经网络中，挖掘出每一个所述待定第一指向相关对象的对象数据深度特征表示的步骤，包括：
利用所述特征融合单元，将所述待处理服务对象的对象描述特征分布包括的每一个本质数据特征表示进行有权重的叠加操作，以输出所述待处理服务对象的融合数据特征表示，并分别将每一个待定第一指向相关对象的对象描述特征分布包括的每一个本质数据特征表示进行有权重的叠加操作，以输出每一个待定第一指向相关对象的融合数据特征表示；
利用所述数据特征深度挖掘单元，将所述待处理服务对象的融合数据特征表示进行特征深度挖掘操作，以输出所述待处理服务对象的对象数据深度特征表示，并分别将每一个待定第一指向相关对象的融合数据特征表示进行特征深度挖掘操作，以输出每一个待定第一指向相关对象的对象数据深度特征表示。
4.如权利要求1所述的基于大数据在线服务的内容推送方法，其特征在于，所述基于每一个所述待定第一指向相关对象的对象数据深度特征表示和所述待处理服务对象的对象数据深度特征表示，分析出每一个所述待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数的步骤，包括：
对于一个待定第一指向相关对象，对所述待处理服务对象的对象数据深度特征表示和对象分类数据、所述一个待定第一指向相关对象的对象数据深度特征表示和对象分类数据、所述待处理服务对象与所述一个待定第一指向相关对象之间的对象活动区域相关数据进行加载，以加载到优化过的对比分析神经网络中，以分析出所述一个待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数；
所述优化过的对比分析神经网络基于具有实际的可能性表征参数的示例性第二数据进行网络优化形成，所述示例性第二数据包括示例性服务对象的对象数据深度特征表示、对象分类数据和所述示例性服务对象之间的对象活动区域相关数据。
5.如权利要求4所述的基于大数据在线服务的内容推送方法，其特征在于，所述优化过的对比分析神经网络包括第一对比分析单元和第二对比分析单元；
所述对于一个待定第一指向相关对象，对所述待处理服务对象的对象数据深度特征表示和对象分类数据、所述一个待定第一指向相关对象的对象数据深度特征表示和对象分类数据、所述待处理服务对象与所述一个待定第一指向相关对象之间的对象活动区域相关数据进行加载，以加载到优化过的对比分析神经网络中，以分析出所述一个待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数的步骤，包括：
利用所述第一对比分析单元，分析出所述待处理服务对象和所述一个待定第一指向相关对象的对象数据深度特征表示之间的相关性数据；
利用所述第二对比分析单元，分析出所述待处理服务对象和所述一个待定第一指向相关对象的对象分类数据之间的分类区别性数据；
基于所述相关性数据、所述分类区别性数据、所述待处理服务对象和所述一个待定第一指向相关对象之间的对象活动区域相关数据，分析出所述一个待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数。
6.如权利要求5所述的基于大数据在线服务的内容推送方法，其特征在于，所述优化过的对比分析神经网络还包括第三对比分析单元；
在所述基于所述相关性数据、所述分类区别性数据、所述待处理服务对象和所述一个待定第一指向相关对象之间的对象活动区域相关数据，分析出所述一个待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数的步骤之前，还包括：
对所述待处理服务对象的图谱相关性描述数据以及所述一个待定第一指向相关对象的图谱相关性描述数据进行加载，以加载到所述优化过的对比分析神经网络中；
利用所述第三对比分析单元，分析出所述待处理服务对象的图谱相关性描述数据和所述一个待定第一指向相关对象的图谱相关性描述数据之间的图谱区别性数据；
所述基于所述相关性数据、所述分类区别性数据、所述待处理服务对象和所述一个待定第一指向相关对象之间的对象活动区域相关数据，分析出所述一个待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数的步骤，包括：
基于所述相关性数据、所述分类区别性数据、所述待处理服务对象与所述一个待定第一指向相关对象之间的对象活动区域相关数据、所述图谱区别性数据，分析出所述一个待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数。
7.如权利要求6所述的基于大数据在线服务的内容推送方法，其特征在于，所述图谱相关性描述数据包括相关性知识图谱；其中，确定出所述待处理服务对象的相关性知识图谱的步骤包括：
分析出每一个所述待定第一指向相关对象中与所述待处理服务对象的对象数据深度特征表示之间的相关性表征参数大于或等于预先确定的参考相关性表征参数的待定第一指向相关对象；以及，对分析出的待定第一指向相关对象与所述待处理服务对象进行相关标记操作，以形成所述待处理服务对象的相关性知识图谱；
确定出所述一个待定第一指向相关对象的相关性知识图谱的步骤包括：
分析出每一个待定第一指向次相关对象中与所述一个待定第一指向相关对象的对象数据深度特征表示之间的相关性表征参数大于或等于所述参考相关性表征参数的待定第一指向次相关对象，每一个所述待定第一指向次相关对象属于所述一个待定第一指向相关对象对应的待定第一指向相关对象；以及，对分析出的待定第一指向次相关对象和所述一个待定第一指向相关对象进行相关标记操作，以形成所述一个待定第一指向相关对象的相关性知识图谱。
8.如权利要求1所述的基于大数据在线服务的内容推送方法，其特征在于，所述优化过的特征分析神经网络的网络优化操作包括：
在所述示例性第一数据中，确定出示例性第一服务对象、与所述示例性第一服务对象具有并列对象相关信息的示例性相关服务对象、与所述示例性第一服务对象具有非并列对象相关信息的示例性非相关服务对象，并确定出与所述示例性第一服务对象具有非并列对象相关信息，且与所述示例性非相关服务对象具有非并列对象相关信息的深度非相关服务对象；
分别对所述示例性第一服务对象、所述示例性相关服务对象、所述示例性非相关服务对象和所述深度非相关服务对象的对象描述特征分布进行加载，以加载到还没有优化过的特征分析神经网络中，以挖掘出所述示例性第一服务对象、所述示例性相关服务对象、所述示例性非相关服务对象和所述深度非相关服务对象的对象数据深度特征表示；
将所述还没有优化过的特征分析神经网络进行更新调整，并在对应的误差指标的波动幅度小于或等于预先确定的参考波动幅度的情况下，停止进行更新调整，以形成优化过的特征分析神经网络，并使得具有并列对象相关信息的示例性服务对象的对象数据深度特征表示之间的差异小于具有非并列对象相关信息的示例性服务对象的对象数据深度特征表示之间的差异，且具有并列对象相关信息的示例性服务对象的对象数据深度特征表示之间的最大差异小于或等于具有非并列对象相关信息的示例性服务对象的对象数据深度特征表示之间的最小差异。
9.如权利要求1-8任意一项所述的基于大数据在线服务的内容推送方法，其特征在于，所述基于分析出的相关指向信息，对所述待处理在线服务的待推送服务内容进行对象推送操作的步骤，包括：
基于分析出的相关指向信息，在所述待处理服务对象对应的至少一个待定第一指向相关对象中，确定出所述待处理服务对象对应的第一指向相关对象，以及，对每一个第一指向相关对象的历史推送服务内容进行提取，以形成对应的历史推送服务内容集合；
基于所述历史推送服务内容集合包括的历史推送服务内容，确定出所述待处理在线服务对于所述待处理服务对象的待推送服务内容；
将所述待处理在线服务对于所述待处理服务对象的待推送服务内容，推送给所述待处理服务对象。
10.一种AI智能推送系统，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 |
|---|---|---|---|
| CN202310500146.1A CN116501972B (zh) | 2023-05-06 | 2023-05-06 | 基于大数据在线服务的内容推送方法及ai智能推送系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310500146.1A CN116501972B (zh) | 2023-05-06 | 2023-05-06 | 基于大数据在线服务的内容推送方法及ai智能推送系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116501972A true CN116501972A (zh) | 2023-07-28 |
| CN116501972B CN116501972B (zh) | 2024-01-05 |
Family
ID=87328131
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310500146.1A Active CN116501972B (zh) | 2023-05-06 | 2023-05-06 | 基于大数据在线服务的内容推送方法及ai智能推送系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116501972B (zh) |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104331473A (zh) * | 2014-11-03 | 2015-02-04 | 同方知网(北京)技术有限公司 | 一种基于知网节的学术知识获取方法及系统 |
| CN105139237A (zh) * | 2015-09-25 | 2015-12-09 | 百度在线网络技术（北京）有限公司 | 信息推送的方法和装置 |
| CN105915438A (zh) * | 2016-04-15 | 2016-08-31 | 北京奇虎科技有限公司 | 消息推送方法、装置及系统 |
| CN106055690A (zh) * | 2016-06-08 | 2016-10-26 | 杭州电子科技大学 | 一种基于属性匹配的快速检索与获取数据特征方法 |
| CN106202393A (zh) * | 2016-07-08 | 2016-12-07 | 腾讯科技（深圳）有限公司 | 媒体信息推送方法及装置 |
| CN106294534A (zh) * | 2016-07-18 | 2017-01-04 | 中国银联股份有限公司 | 一种用户兴趣匹配推送系统及用户兴趣匹配推送方法 |
| CN107220852A (zh) * | 2017-05-26 | 2017-09-29 | 北京小度信息科技有限公司 | 用于确定目标推荐用户的方法、装置和服务器 |
| CN107507054A (zh) * | 2017-07-24 | 2017-12-22 | 哈尔滨工程大学 | 一种基于循环神经网络的推荐算法 |
| US20180052870A1 (en) * | 2016-08-22 | 2018-02-22 | Oracle International Corporation | System and method for ontology induction through statistical profiling and reference schema matching |
| US20180352043A1 (en) * | 2017-06-02 | 2018-12-06 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Artificial Intelligence Based Method and Apparatus for Pushing News |
| CN108959603A (zh) * | 2018-07-13 | 2018-12-07 | 北京印刷学院 | 基于深度神经网络的个性化推荐系统及方法 |
| US20190012392A1 (en) * | 2016-01-13 | 2019-01-10 | Beijing Sankuai Online Technology Co., Ltd | Method and device for pushing information |
| CN109447273A (zh) * | 2018-09-30 | 2019-03-08 | 深圳市元征科技股份有限公司 | 模型训练方法、广告推荐方法、相关装置、设备及介质 |
| CN111046286A (zh) * | 2019-12-12 | 2020-04-21 | 腾讯科技（深圳）有限公司 | 一种对象推荐方法、装置、以及计算机存储介质 |
| CN111353106A (zh) * | 2020-02-26 | 2020-06-30 | 贝壳技术有限公司 | 推荐方法和装置、电子设备和存储介质 |
| CN111382361A (zh) * | 2020-03-12 | 2020-07-07 | 腾讯科技（深圳）有限公司 | 信息推送方法、装置、存储介质和计算机设备 |
| CN111861605A (zh) * | 2019-04-28 | 2020-10-30 | 阿里巴巴集团控股有限公司 | 业务对象推荐方法 |
| KR102265573B1 (ko) * | 2020-09-29 | 2021-06-16 | 주식회사 팀기원매스 | 인공지능 기반 입시 수학 학습 커리큘럼 재구성 방법 및 시스템 |
| CN113327279A (zh) * | 2021-08-04 | 2021-08-31 | 腾讯科技（深圳）有限公司 | 一种点云数据处理方法、装置、计算机设备及存储介质 |
| CN114625961A (zh) * | 2022-03-11 | 2022-06-14 | 刘虎 | 应用于大数据的智能化在线服务推送方法及大数据服务器 |
| US20220198516A1 (en) * | 2020-03-02 | 2022-06-23 | Tencent Technology (Shenzhen) Company Limited | Data recommendation method and apparatus, computer device, and storage medium |
-
2023
- 2023-05-06 CN CN202310500146.1A patent/CN116501972B/zh active Active
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104331473A (zh) * | 2014-11-03 | 2015-02-04 | 同方知网(北京)技术有限公司 | 一种基于知网节的学术知识获取方法及系统 |
| CN105139237A (zh) * | 2015-09-25 | 2015-12-09 | 百度在线网络技术（北京）有限公司 | 信息推送的方法和装置 |
| US20190012392A1 (en) * | 2016-01-13 | 2019-01-10 | Beijing Sankuai Online Technology Co., Ltd | Method and device for pushing information |
| CN105915438A (zh) * | 2016-04-15 | 2016-08-31 | 北京奇虎科技有限公司 | 消息推送方法、装置及系统 |
| CN106055690A (zh) * | 2016-06-08 | 2016-10-26 | 杭州电子科技大学 | 一种基于属性匹配的快速检索与获取数据特征方法 |
| CN106202393A (zh) * | 2016-07-08 | 2016-12-07 | 腾讯科技（深圳）有限公司 | 媒体信息推送方法及装置 |
| CN106294534A (zh) * | 2016-07-18 | 2017-01-04 | 中国银联股份有限公司 | 一种用户兴趣匹配推送系统及用户兴趣匹配推送方法 |
| US20180052870A1 (en) * | 2016-08-22 | 2018-02-22 | Oracle International Corporation | System and method for ontology induction through statistical profiling and reference schema matching |
| CN107220852A (zh) * | 2017-05-26 | 2017-09-29 | 北京小度信息科技有限公司 | 用于确定目标推荐用户的方法、装置和服务器 |
| US20180352043A1 (en) * | 2017-06-02 | 2018-12-06 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Artificial Intelligence Based Method and Apparatus for Pushing News |
| CN107507054A (zh) * | 2017-07-24 | 2017-12-22 | 哈尔滨工程大学 | 一种基于循环神经网络的推荐算法 |
| CN108959603A (zh) * | 2018-07-13 | 2018-12-07 | 北京印刷学院 | 基于深度神经网络的个性化推荐系统及方法 |
| CN109447273A (zh) * | 2018-09-30 | 2019-03-08 | 深圳市元征科技股份有限公司 | 模型训练方法、广告推荐方法、相关装置、设备及介质 |
| CN111861605A (zh) * | 2019-04-28 | 2020-10-30 | 阿里巴巴集团控股有限公司 | 业务对象推荐方法 |
| CN111046286A (zh) * | 2019-12-12 | 2020-04-21 | 腾讯科技（深圳）有限公司 | 一种对象推荐方法、装置、以及计算机存储介质 |
| CN111353106A (zh) * | 2020-02-26 | 2020-06-30 | 贝壳技术有限公司 | 推荐方法和装置、电子设备和存储介质 |
| US20220198516A1 (en) * | 2020-03-02 | 2022-06-23 | Tencent Technology (Shenzhen) Company Limited | Data recommendation method and apparatus, computer device, and storage medium |
| CN111382361A (zh) * | 2020-03-12 | 2020-07-07 | 腾讯科技（深圳）有限公司 | 信息推送方法、装置、存储介质和计算机设备 |
| KR102265573B1 (ko) * | 2020-09-29 | 2021-06-16 | 주식회사 팀기원매스 | 인공지능 기반 입시 수학 학습 커리큘럼 재구성 방법 및 시스템 |
| CN113327279A (zh) * | 2021-08-04 | 2021-08-31 | 腾讯科技（深圳）有限公司 | 一种点云数据处理方法、装置、计算机设备及存储介质 |
| CN114625961A (zh) * | 2022-03-11 | 2022-06-14 | 刘虎 | 应用于大数据的智能化在线服务推送方法及大数据服务器 |
Non-Patent Citations (1)
| Title |
|---|
| 刘俊楠;刘海砚;陈晓慧;郭漩;郭文月;朱新铭;赵清波;: "面向多源地理空间数据的知识图谱构建", 地球信息科学学报, no. 07 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116501972B (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111178380B (zh) | 数据分类方法、装置及电子设备 | |
| CN111738351A (zh) | 模型训练方法、装置、存储介质及电子设备 | |
| CN115718846B (zh) | 用于智能化交互网络的大数据挖掘方法及系统 | |
| CN113792212B (zh) | 多媒体资源推荐方法、装置、设备以及存储介质 | |
| CN113449011A (zh) | 基于大数据预测的信息推送更新方法及大数据预测系统 | |
| CN116304341A (zh) | 基于用户网络大数据的欺诈判别方法及系统 | |
| CN116664335B (zh) | 基于智能监控的半导体生产系统运行分析方法及系统 | |
| CN117077018B (zh) | 基于机器学习的数据处理方法、装置及存储介质 | |
| CN116610983B (zh) | 空气净化控制系统的异常分析方法及系统 | |
| CN116501972B (zh) | 基于大数据在线服务的内容推送方法及ai智能推送系统 | |
| CN116681350A (zh) | 智慧工厂故障检测方法及系统 | |
| CN116720119A (zh) | 应用于多端业务交互的大数据识别方法及系统 | |
| CN116048944A (zh) | 用于大数据平台的负载趋势预测方法及系统 | |
| US20230156043A1 (en) | System and method of supporting decision-making for security management | |
| CN116611916A (zh) | 基于ai模型识别的数字金融反欺诈处理方法及系统 | |
| CN114090781A (zh) | 基于文本数据的容斥事件检测方法和装置 | |
| CN116628181B (zh) | 基于物联网的用户控制偏好感知方法及系统 | |
| CN115906170B (zh) | 应用于存储集群的安全防护方法及ai系统 | |
| CN116680323B (zh) | 基于大数据安全平台的用户需求挖掘方法及系统 | |
| CN116955451A (zh) | 智能测绘数据管理方法及系统 | |
| CN116738396B (zh) | 基于人工智能的勘界标准文档录入方法及系统 | |
| CN113283504B (zh) | 基于聚类的设备状态检测方法、装置、计算机设备和介质 | |
| CN116996403B (zh) | 应用ai模型的网络流量诊断方法及系统 | |
| CN116662415B (zh) | 基于数据挖掘的智能匹配方法及系统 | |
| CN117194525A (zh) | 针对多源业务数据的数据分析方法及系统 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231016 Address after: 730000, No.14 Xijin West Road, Jianlan Road Street, Qilihe District, Lanzhou City, Gansu Province Applicant after: Zhang Yan Address before: 730000 No. 16 Xijin West Road, Qilihe District, Lanzhou City, Gansu Province Applicant before: Lanzhou Qihe Network Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231218 Address after: Room A202-1, 2nd Floor, No. 5 Kuilongwei Street, Wenchong Road, Huangpu District, Guangzhou City, Guangdong Province, 510725 Applicant after: Guangzhou Juying Information Technology Co.,Ltd. Address before: 730000, No.14 Xijin West Road, Jianlan Road Street, Qilihe District, Lanzhou City, Gansu Province Applicant before: Zhang Yan |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |