CN116680323A - 基于大数据安全平台的用户需求挖掘方法及系统 - Google Patents

基于大数据安全平台的用户需求挖掘方法及系统 Download PDF

Info

Publication number
CN116680323A
CN116680323A CN202310735436.4A CN202310735436A CN116680323A CN 116680323 A CN116680323 A CN 116680323A CN 202310735436 A CN202310735436 A CN 202310735436A CN 116680323 A CN116680323 A CN 116680323A
Authority
CN
China
Prior art keywords
information
user
split
distribution
exemplary
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
Application number
CN202310735436.4A
Other languages
English (en)
Other versions
CN116680323B (zh
Inventor
韩迪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Youpin Investment Consulting Co ltd
Original Assignee
Jilin Aomei Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jilin Aomei Technology Co ltd filed Critical Jilin Aomei Technology Co ltd
Priority to CN202310735436.4A priority Critical patent/CN116680323B/zh
Publication of CN116680323A publication Critical patent/CN116680323A/zh
Application granted granted Critical
Publication of CN116680323B publication Critical patent/CN116680323B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • 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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/288—Entity relationship models
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • 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)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供的基于大数据安全平台的用户需求挖掘方法及系统，涉及大数据处理技术领域。在本发明中，确定出第一数量个示例性用户；依据第一数量个示例性用户，形成对应的待定成员分布关系网；将待定成员分布关系网进行关系网优化操作，以形成优化成员分布关系网；基于优化成员分布关系网对待处理用户表征信息进行分析操作，以输出待处理用户的用户需求信息分布可能性，基于用户需求信息分布可能性，确定出目标用户需求信息。基于上述内容，可以在一定程度上提高用户需求挖掘的效率。

Description

基于大数据安全平台的用户需求挖掘方法及系统
技术领域
本发明涉及大数据处理技术领域，具体而言，涉及一种基于大数据安全平台的用户需求挖掘方法及系统。
背景技术
对于各种数据平台，如大数据安全平台，一般会产生较多的用户信息，然后，通过对用户信息进行采集和分析，可以得到用户的需求信息，如此，可以基于用户的需求信息进行相应的处理。但是，在现有技术中，对于用户需求挖掘(即分析)过程，容易出现效率不佳的问题。
发明内容
有鉴于此，本发明的目的在于提供一种基于大数据安全平台的用户需求挖掘方法及系统，以在一定程度上提高用户需求挖掘的效率。
为实现上述目的，本发明实施例采用如下技术方案：
一种基于大数据安全平台的用户需求挖掘方法，所述用户需求挖掘方法包括：
确定出第一数量个示例性用户，以及，确定出所述第一数量个示例性用户对应的第一数量个示例性用户数据组合，一个所述示例性用户对应一个所述示例性用户数据组合，一个所述示例性用户数据组合基于示例性用户表征信息和示例性用户需求信息构建形成，所述示例性用户表征信息用于反映对应的所述示例性用户的用户属性，所述示例性用户需求信息用户反映对应的所述示例性用户的用户需求，所述示例性用户表征信息和所述示例性用户需求信息的数据形式包括文本形式；
依据所述第一数量个示例性用户，分析形成用于确定待定成员分布关系网的关系网主成员，以及，对所述关系网主成员中的每一个示例性用户的示例性用户表征信息进行标记，以标记为候选用户表征信息，再分析出与所述候选用户表征信息的信息种类匹配的第一拆分成员簇，并在所述第一拆分成员簇中分析出优选第一拆分成员，以及，基于所述优选第一拆分成员反映的拆分规则，将所述第一数量个示例性用户进行拆分组合，以形成对应的所述待定成员分布关系网；
依据与所述待定成员分布关系网相对应的关系网优化规则和所述第一数量个示例性用户中的每一个示例性用户的示例性用户需求信息，将所述待定成员分布关系网进行关系网优化操作，以形成用于分析待处理用户的用户需求信息分布可能性的优化成员分布关系网；
在获取到待处理用户的待处理用户表征信息的情况下，基于所述优化成员分布关系网对所述待处理用户表征信息进行分析操作，以输出所述待处理用户的用户需求信息分布可能性，以及，基于所述用户需求信息分布可能性，确定出所述待处理用户的目标用户需求信息。
在一些优选的实施例中，在上述基于大数据安全平台的用户需求挖掘方法中，所述依据所述第一数量个示例性用户，分析形成用于确定待定成员分布关系网的关系网主成员，以及，对所述关系网主成员中的每一个示例性用户的示例性用户表征信息进行标记，以标记为候选用户表征信息，再分析出与所述候选用户表征信息的信息种类匹配的第一拆分成员簇，并在所述第一拆分成员簇中分析出优选第一拆分成员，以及，基于所述优选第一拆分成员反映的拆分规则，将所述第一数量个示例性用户进行拆分组合，以形成对应的所述待定成员分布关系网的步骤，包括：
依据所述第一数量个示例性用户，分析形成用于确定待定成员分布关系网的关系网主成员，以及，对所述关系网主成员中的每一个示例性用户的示例性用户表征信息进行标记，以标记为候选用户表征信息，再分析出与所述候选用户表征信息的信息种类匹配的第一拆分成员簇，并在所述第一拆分成员簇中，分析出优选第一拆分成员；
依据所述优选第一拆分成员反映的拆分规则，将所述关系网主成员中的示例性用户进行分类操作，以形成第一种类成员和第二种类成员；
分别对所述第一种类成员和所述第二种类成员进行标记，以标记为待拆分种类成员，并确定与所述待定成员分布关系网相对应的拆分结束判定信息；
倘若所述待拆分种类成员与所述拆分结束判定信息不匹配，则对所述待拆分种类成员中的每一个示例性用户的示例性用户表征信息进行标记，以标记为确定用户表征信息，以及，分析出与所述确定用户表征信息的信息种类相匹配的第二拆分成员簇，再在所述第二拆分成员簇中，分析出优选第二拆分成员；
基于所述优选第二拆分成员反映的拆分规则，将所述待拆分种类成员中的示例性用户进行分类操作，并在分类后的成员与所述拆分结束判定信息匹配的情况下，依据所述关系网主成员和分类后的成员，确定出对应的所述待定成员分布关系网。
在一些优选的实施例中，在上述基于大数据安全平台的用户需求挖掘方法中，所述依据所述第一数量个示例性用户，分析形成用于确定待定成员分布关系网的关系网主成员，以及，对所述关系网主成员中的每一个示例性用户的示例性用户表征信息进行标记，以标记为候选用户表征信息，再分析出与所述候选用户表征信息的信息种类匹配的第一拆分成员簇，并在所述第一拆分成员簇中，分析出优选第一拆分成员的步骤，包括：
依据所述第一数量个示例性用户，分析形成用于确定待定成员分布关系网的关系网主成员，以及，对所述关系网主成员中的每一个示例性用户的示例性用户表征信息进行标记，以标记为候选用户表征信息；
对所述候选用户表征信息的信息种类进行标记，以标记为拆分成员，以及，将所述拆分成员进行筛选操作，再将筛选后的拆分成员分配到第一拆分成员簇中，所述筛选操作用于将相同的拆分成员进行筛除；
依据所述关系网主成员对应的拆分成员筛选规则，在所述第一拆分成员簇中，确定出与所述拆分成员筛选规则匹配的最匹配拆分成员，以及，对确定出的最匹配拆分成员进行标记，以标记为优选第一拆分成员。
在一些优选的实施例中，在上述基于大数据安全平台的用户需求挖掘方法中，所述第一拆分成员簇包括第二数量个拆分成员，所述第二数量个拆分成员包括目标拆分成员，所述目标拆分成员属于所述第二数量个拆分成员中的任意一个拆分成员；
所述依据所述关系网主成员对应的拆分成员筛选规则，在所述第一拆分成员簇中，确定出与所述拆分成员筛选规则匹配的最匹配拆分成员，以及，对确定出的最匹配拆分成员进行标记，以标记为优选第一拆分成员的步骤，包括：
确定出所述关系网主成员对应的拆分成员筛选规则，并分析出所述关系网主成员对应的成员误差变化信息；
在所述第一拆分成员簇中，确定出所述目标拆分成员，以及，依据所述目标拆分成员反映的拆分规则，将所述关系网主成员中的示例性用户进行分类操作，以形成所述关系网主成员对应的关系网候选从成员，所述关系网候选从成员包括关系网第一候选从成员和关系网第二候选从成员；
确定与所述目标拆分成员相对应的成员误差变化第一信息；
对所述成员误差变化第一信息和所述成员误差变化信息进行分析；
在所述成员误差变化信息不大于所述成员误差变化第一信息的情况下，判定所述目标拆分成员与所述拆分成员筛选规则匹配，以及，对所述目标拆分成员进行标记，以标记为优选第一拆分成员。
在一些优选的实施例中，在上述基于大数据安全平台的用户需求挖掘方法中，所述关系网主成员反映的目标分布可能性包括目标分布轮廓信息和目标分布变化信息，所述关系网第一候选从成员反映的第一从分布可能性包括第一从分布轮廓信息和第一从分布变化信息，所述关系网第二候选从成员反映的第二从分布可能性包括第二从分布轮廓信息和第二从分布变化信息；
所述确定与所述目标拆分成员相对应的成员误差变化第一信息的步骤，包括：
确定出所述关系网主成员中的示例性用户的用户数量统计参数、所述关系网第一候选从成员中的示例性用户的用户数量统计第一参数和所述关系网第二候选从成员中的示例性用户的用户数量统计第二参数；
依据所述目标分布轮廓信息、所述目标分布变化信息和预先配置的成员误差计算方法，计算出所述关系网主成员对应的目标成员误差；
依据所述第一从分布轮廓信息、所述第一从分布变化信息和所述成员误差计算方法，计算出所述关系网第一候选从成员对应的第一从成员误差；
依据所述第二从分布轮廓信息、所述第二从分布变化信息和所述成员误差计算方法，计算出所述关系网第二候选从成员对应的第二从成员误差；
确定成员误差变化计算方法，以及，依据所述用户数量统计参数、所述用户数量统计第一参数、所述用户数量统计第二参数、所述目标成员误差、所述第一从成员误差、所述第二从成员误差和所述成员误差变化计算方法，计算出与所述目标拆分成员相对应的成员误差变化第一信息。
在一些优选的实施例中，在上述基于大数据安全平台的用户需求挖掘方法中，所述基于大数据安全平台的用户需求挖掘方法还包括：
在所述成员误差变化信息大于所述成员误差变化第一信息的情况下，判定所述目标拆分成员与所述拆分成员筛选规则不匹配，以及，在所述第一拆分成员簇中选择出新的目标拆分成员；
在所述新的目标拆分成员属于所述第一拆分成员簇中最后一个拆分成员的情况下，对所述新的目标拆分成员进行标记，以标记为优选第一拆分成员。
在一些优选的实施例中，在上述基于大数据安全平台的用户需求挖掘方法中，所述基于大数据安全平台的用户需求挖掘方法方法还包括：
在所述新的目标拆分成员不属于所述第一拆分成员簇中最后一个拆分成员的情况下，依据所述新的目标拆分成员反映的拆分规则，将所述关系网主成员中的示例性用户进行分类操作，并计算出与所述新的目标拆分成员相对应的成员误差变化第二信息；
对所述成员误差变化第二信息和所述成员误差变化信息进行分析；
在所述成员误差变化信息不大于所述成员误差变化第二信息的情况下，判定所述新的目标拆分成员与所述拆分成员筛选规则匹配，以及，对所述新的目标拆分成员进行标记，以标记为优选第一拆分成员。
在一些优选的实施例中，在上述基于大数据安全平台的用户需求挖掘方法中，所述依据所述优选第一拆分成员反映的拆分规则，将所述关系网主成员中的示例性用户进行分类操作，以形成第一种类成员和第二种类成员的步骤，包括：
在所述关系网主成员中，确定出任意示例性用户，所述任意示例性用户属于所述关系网主成员中的任意一个示例性用户；
在所述任意示例性用户与所述优选第一拆分成员反映的拆分规则匹配的情况下，对所述任意示例性用户的种类进行标记，以标记为第一种类成员；
在所述任意示例性用户与所述优选第一拆分成员反映的拆分规则不匹配的情况下，对所述任意示例性用户的种类进行标记，以标记为第二种类成员，所述第一种类成员和所述第二种类成员都属于所述关系网主成员的从成员。
在一些优选的实施例中，在上述基于大数据安全平台的用户需求挖掘方法中，所述依据与所述待定成员分布关系网相对应的关系网优化规则和所述第一数量个示例性用户中的每一个示例性用户的示例性用户需求信息，将所述待定成员分布关系网进行关系网优化操作，以形成用于分析待处理用户的用户需求信息分布可能性的优化成员分布关系网的步骤，包括：
确定出与所述待定成员分布关系网相对应的关系网优化规则，所述关系网优化规则包括参考优化代价指标；
依据所述第一数量个示例性用户中的每一个示例性用户的示例性用户需求信息，分析出示例性的用户需求信息分布可能性；
在得到所述待定成员分布关系网的分析的用户需求信息分布可能性的情况，依据所述示例性的用户需求信息分布可能性和所述分析的用户需求信息分布可能性，计算出所述待定成员分布关系网的优化代价指标；
倘若所述优化代价指标不大于所述参考优化代价指标，则判定所述待定成员分布关系网与所述关系网优化规则匹配，以及，对与所述关系网优化规则匹配的待定成员分布关系网进行标记，以标记为用于分析待处理用户的用户需求信息分布可能性的优化成员分布关系网。
本发明实施例还提供一种基于大数据安全平台的用户需求挖掘系统，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安全平台的用户需求挖掘方法。
本发明实施例提供的基于大数据安全平台的用户需求挖掘方法及系统，可以先确定出第一数量个示例性用户；依据第一数量个示例性用户，形成对应的待定成员分布关系网；将待定成员分布关系网进行关系网优化操作，以形成优化成员分布关系网；基于优化成员分布关系网对待处理用户表征信息进行分析操作，以输出待处理用户的用户需求信息分布可能性，基于用户需求信息分布可能性，确定出目标用户需求信息。基于前述的内容，由于是先基于示例性用户和对应的示例性用户数据组合，构建出待定成员分布关系网，然后，进行关系网优化操作，以形成优化成员分布关系网，使得可以基于优化成员分布关系网进行用户需求挖掘，相较于训练神经网络的方法，可以在一定程度上提高用户需求挖掘的效率。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
图1为本发明实施例提供的基于大数据安全平台的用户需求挖掘系统的结构框图。
图2为本发明实施例提供的基于大数据安全平台的用户需求挖掘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安全平台的用户需求挖掘装置包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供了一种基于大数据安全平台的用户需求挖掘系统。其中，所述基于大数据安全平台的用户需求挖掘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安全平台的用户需求挖掘方法。
应当理解的是，在一些可能的实施方式中，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，在一些可能的实施方式中，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，在一些可能的实施方式中，所述基于大数据安全平台的用户需求挖掘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安全平台的用户需求挖掘方法，可应用于上述基于大数据安全平台的用户需求挖掘系统。其中，所述基于大数据安全平台的用户需求挖掘方法有关的流程所定义的方法步骤，可以由所述基于大数据安全平台的用户需求挖掘系统实现。
下面将对图2所示的具体流程，进行详细阐述。
步骤S110，确定出第一数量个示例性用户，以及，确定出所述第一数量个示例性用户对应的第一数量个示例性用户数据组合。
在本发明实施例中，所述基于大数据安全平台的用户需求挖掘系统可以确定出第一数量个示例性用户，以及，确定出所述第一数量个示例性用户对应的第一数量个示例性用户数据组合。一个所述示例性用户对应一个所述示例性用户数据组合，一个所述示例性用户数据组合基于示例性用户表征信息和示例性用户需求信息构建形成，所述示例性用户表征信息用于反映对应的所述示例性用户的用户属性，如身份属性和行为属性等，身份属性可以是指在大数据安全平台注册的注册信息，行为属性可以是指在大数据安全平台进行的网络行为信息，所述示例性用户需求信息用户反映对应的所述示例性用户的用户需求，所述示例性用户表征信息和所述示例性用户需求信息的数据形式包括文本形式。示例性地，可以包括示例性用户1、示例性用户2、示例性用户3、示例性用户4以及示例性用户5。其中，示例性用户1对应的示例性用户数据组合为示例性用户数据组合a；示例性用户2对应的示例性用户数据组合为示例性用户数据组合b；示例性用户3对应的示例性用户数据组合为示例性用户数据组合c；示例性用户4对应的示例性用户数据组合为示例性用户数据组合d；示例性用户5对应的示例性用户数据组合为示例性用户数据组合e。
步骤S120，依据所述第一数量个示例性用户，分析形成用于确定待定成员分布关系网的关系网主成员，以及，对所述关系网主成员中的每一个示例性用户的示例性用户表征信息进行标记，以标记为候选用户表征信息，再分析出与所述候选用户表征信息的信息种类匹配的第一拆分成员簇，并在所述第一拆分成员簇中分析出优选第一拆分成员，以及，基于所述优选第一拆分成员反映的拆分规则，将所述第一数量个示例性用户进行拆分组合，以形成对应的所述待定成员分布关系网。
在本发明实施例中，所述基于大数据安全平台的用户需求挖掘系统可以依据所述第一数量个示例性用户，分析形成用于确定待定成员分布关系网的关系网主成员，例如，该关系网主成员可以包括所述第一数量个示例性用户，如上述的示例性用户1、示例性用户2、示例性用户3、示例性用户4以及示例性用户5，以及，对所述关系网主成员中的每一个示例性用户的示例性用户表征信息进行标记，以标记为候选用户表征信息，再分析出与所述候选用户表征信息的信息种类匹配的第一拆分成员簇，并在所述第一拆分成员簇中分析出优选第一拆分成员，以及，基于所述优选第一拆分成员反映的拆分规则，将所述第一数量个示例性用户进行拆分组合，以形成对应的所述待定成员分布关系网。例如，所述待定成员分布关系网包括第一个关系网从成员和第二个关系网从成员，第一个关系网从成员包括示例性用户2、示例性用户4，第二个关系网从成员包括示例性用户1、示例性用户3和示例性用户5。
步骤S130，依据与所述待定成员分布关系网相对应的关系网优化规则和所述第一数量个示例性用户中的每一个示例性用户的示例性用户需求信息，将所述待定成员分布关系网进行关系网优化操作，以形成用于分析待处理用户的用户需求信息分布可能性的优化成员分布关系网。
在本发明实施例中，所述基于大数据安全平台的用户需求挖掘系统可以依据与所述待定成员分布关系网相对应的关系网优化规则和所述第一数量个示例性用户中的每一个示例性用户的示例性用户需求信息，将所述待定成员分布关系网进行关系网优化操作，以形成用于分析待处理用户的用户需求信息分布可能性的优化成员分布关系网。例如，所述优化成员分布关系网包括第一个关系网从成员和第二个关系网从成员，第一个关系网从成员包括示例性用户1、示例性用户4，第二个关系网从成员包括示例性用户2、示例性用户3和示例性用户5。
步骤S140，在获取到待处理用户的待处理用户表征信息的情况下，基于所述优化成员分布关系网对所述待处理用户表征信息进行分析操作，以输出所述待处理用户的用户需求信息分布可能性，以及，基于所述用户需求信息分布可能性，确定出所述待处理用户的目标用户需求信息。
在本发明实施例中，所述基于大数据安全平台的用户需求挖掘系统可以在获取到待处理用户的待处理用户表征信息的情况下，基于所述优化成员分布关系网对所述待处理用户表征信息进行分析操作，以输出所述待处理用户的用户需求信息分布可能性，以及，基于所述用户需求信息分布可能性，确定出所述待处理用户的目标用户需求信息。所述用户需求信息分布可能性可以是指所述待处理用户表征信息与各种用户需求信息之间匹配的可能性参数的分布阵列，如与用户需求信息1之间匹配的可能性参数等于0.4，与用户需求信息2之间匹配的可能性参数等于0.6，与用户需求信息3之间匹配的可能性参数等于0.7，如此，可以将可能性参数最大的用户需求信息3，作为所述待处理用户的目标用户需求信息。
基于前述的内容(即前述的步骤S110-步骤S140)，由于是先基于示例性用户和对应的示例性用户数据组合，构建出待定成员分布关系网，然后，进行关系网优化操作，以形成优化成员分布关系网，使得可以基于优化成员分布关系网进行用户需求挖掘，相较于训练神经网络的方法，可以在一定程度上提高用户需求挖掘的效率。
应当理解的是，在一些可能的实施方式中，上文中的步骤S120，即所述依据所述第一数量个示例性用户，分析形成用于确定待定成员分布关系网的关系网主成员，以及，对所述关系网主成员中的每一个示例性用户的示例性用户表征信息进行标记，以标记为候选用户表征信息，再分析出与所述候选用户表征信息的信息种类匹配的第一拆分成员簇，并在所述第一拆分成员簇中分析出优选第一拆分成员，以及，基于所述优选第一拆分成员反映的拆分规则，将所述第一数量个示例性用户进行拆分组合，以形成对应的所述待定成员分布关系网的步骤，可以进一步包括以下所述的具体实施过程：
依据所述第一数量个示例性用户，分析形成用于确定待定成员分布关系网的关系网主成员，以及，对所述关系网主成员中的每一个示例性用户的示例性用户表征信息进行标记，以标记为候选用户表征信息，再分析出与所述候选用户表征信息的信息种类匹配的第一拆分成员簇，并在所述第一拆分成员簇中，分析出优选第一拆分成员；
依据所述优选第一拆分成员反映的拆分规则，将所述关系网主成员中的示例性用户进行分类操作，以形成第一种类成员和第二种类成员；
分别对所述第一种类成员和所述第二种类成员进行标记，以标记为待拆分种类成员，并确定与所述待定成员分布关系网相对应的拆分结束判定信息，示例性地，所述拆分结束判定信息用于反映所述待拆分种类成员包括的示例性用户的数量的下限值，如1，即所述待拆分种类成员包括的示例性用户的数量等于1，无法再对所述待拆分种类成员进行进一步的拆分；
倘若所述待拆分种类成员与所述拆分结束判定信息不匹配，则对所述待拆分种类成员中的每一个示例性用户的示例性用户表征信息进行标记，以标记为确定用户表征信息，以及，分析出与所述确定用户表征信息的信息种类相匹配的第二拆分成员簇，再在所述第二拆分成员簇中，分析出优选第二拆分成员；
基于所述优选第二拆分成员反映的拆分规则，将所述待拆分种类成员中的示例性用户进行分类操作，并在分类后的成员(如新的第一种类成员和新的第二种类成员)与所述拆分结束判定信息匹配的情况下，依据所述关系网主成员和分类后的成员，确定出对应的所述待定成员分布关系网。
应当理解的是，在一些可能的实施方式中，所述依据所述第一数量个示例性用户，分析形成用于确定待定成员分布关系网的关系网主成员，以及，对所述关系网主成员中的每一个示例性用户的示例性用户表征信息进行标记，以标记为候选用户表征信息，再分析出与所述候选用户表征信息的信息种类匹配的第一拆分成员簇，并在所述第一拆分成员簇中，分析出优选第一拆分成员的步骤，可以进一步包括以下所述的具体实施过程：
依据所述第一数量个示例性用户，分析形成用于确定待定成员分布关系网的关系网主成员，以及，对所述关系网主成员中的每一个示例性用户的示例性用户表征信息进行标记，以标记为候选用户表征信息，例如，对于上述的5个示例性用户，可以得到5个候选用户表征信息；
对所述候选用户表征信息的信息种类进行标记，以标记为拆分成员，以及，将所述拆分成员进行筛选操作，再将筛选后的拆分成员分配到第一拆分成员簇中，所述筛选操作用于将相同的拆分成员进行筛除，例如，第一拆分成员簇包括第一拆分成员1、第一拆分成员2和第一拆分成员3，第一拆分成员1为第一类用户表征信息，第一拆分成员2为第二类用户表征信息，第一拆分成员3为第三类用户表征信息，可以理解的是，拆分成员的粒度可以是所述候选用户表征信息，也可以是更小的粒度，例如，所述候选用户表征信息包括多个局部用户表征信息，如年薪、职业、行为1、行为2等，如此，拆分成员的粒度可以是所述局部用户表征信息；
依据所述关系网主成员对应的拆分成员筛选规则，在所述第一拆分成员簇中，确定出与所述拆分成员筛选规则匹配的最匹配拆分成员，以及，对确定出的最匹配拆分成员进行标记，以标记为优选第一拆分成员。
应当理解的是，在一些可能的实施方式中，所述第一拆分成员簇可以包括第二数量个拆分成员，所述第二数量个拆分成员包括目标拆分成员，所述目标拆分成员属于所述第二数量个拆分成员中的任意一个拆分成员，基于此，所述依据所述关系网主成员对应的拆分成员筛选规则，在所述第一拆分成员簇中，确定出与所述拆分成员筛选规则匹配的最匹配拆分成员，以及，对确定出的最匹配拆分成员进行标记，以标记为优选第一拆分成员的步骤，可以进一步包括以下所述的具体实施过程：
确定出所述关系网主成员对应的拆分成员筛选规则，并分析出所述关系网主成员对应的成员误差变化信息，在最初的时候，所述关系网主成员的成员误差变化信息可以等于0；
在所述第一拆分成员簇中，确定出所述目标拆分成员，以及，依据所述目标拆分成员反映的拆分规则，将所述关系网主成员中的示例性用户进行分类操作，以形成所述关系网主成员对应的关系网候选从成员，所述关系网候选从成员包括关系网第一候选从成员和关系网第二候选从成员，示例性地，所述关系网第一候选从成员可以包括所述关系网主成员中与所述目标拆分成员反映的拆分规则匹配的各示例性用户，所述关系网第二候选从成员可以包括所述关系网主成员中与所述目标拆分成员反映的拆分规则不匹配的各示例性用户；
确定与所述目标拆分成员相对应的成员误差变化第一信息；
对所述成员误差变化第一信息和所述成员误差变化信息进行分析；
在所述成员误差变化信息不大于所述成员误差变化第一信息的情况下，判定所述目标拆分成员与所述拆分成员筛选规则匹配，以及，对所述目标拆分成员进行标记，以标记为优选第一拆分成员；另外，在所述成员误差变化信息大于所述成员误差变化第一信息的情况下，判定所述目标拆分成员与所述拆分成员筛选规则不匹配，以及，在所述第一拆分成员簇中选择出新的目标拆分成员，例如，依次对所述第一拆分成员簇中的第一拆分成员进行遍历，以依次作为目标拆分成员；如果，一直不匹配，则在所述新的目标拆分成员属于所述第一拆分成员簇中最后一个拆分成员的情况下，对所述新的目标拆分成员进行标记，以标记为优选第一拆分成员；基于此，在所述新的目标拆分成员不属于所述第一拆分成员簇中最后一个拆分成员的情况下，依据所述新的目标拆分成员反映的拆分规则，将所述关系网主成员中的示例性用户进行分类操作，并计算出与所述新的目标拆分成员相对应的成员误差变化第二信息；对所述成员误差变化第二信息和所述成员误差变化信息进行分析；在所述成员误差变化信息不大于所述成员误差变化第二信息的情况下，判定所述新的目标拆分成员与所述拆分成员筛选规则匹配，以及，对所述新的目标拆分成员进行标记，以标记为优选第一拆分成员，如此循环，直到确定出优选第一拆分成员。
应当理解的是，在一些可能的实施方式中，所述关系网主成员反映的目标分布可能性可以包括目标分布轮廓信息和目标分布变化信息，所述关系网第一候选从成员反映的第一从分布可能性可以包括第一从分布轮廓信息和第一从分布变化信息，所述关系网第二候选从成员反映的第二从分布可能性可以包括第二从分布轮廓信息和第二从分布变化信息，其中，分布轮廓信息可以是指可能性参数的分布曲线的轮廓信息，分布变化信息可以是指可能性参数的分布曲线的曲线陡峭程度，基于此，所述确定与所述目标拆分成员相对应的成员误差变化第一信息的步骤，可以进一步包括以下所述的具体实施过程：
确定出所述关系网主成员中的示例性用户的用户数量统计参数、所述关系网第一候选从成员中的示例性用户的用户数量统计第一参数和所述关系网第二候选从成员中的示例性用户的用户数量统计第二参数；
依据所述目标分布轮廓信息、所述目标分布变化信息和预先配置的成员误差计算方法，计算出所述关系网主成员对应的目标成员误差；
依据所述第一从分布轮廓信息、所述第一从分布变化信息和所述成员误差计算方法，计算出所述关系网第一候选从成员对应的第一从成员误差，所述第一从成员误差和所述目标成员误差的计算方式可以相同；
依据所述第二从分布轮廓信息、所述第二从分布变化信息和所述成员误差计算方法，计算出所述关系网第二候选从成员对应的第二从成员误差，所述第二从成员误差和所述目标成员误差的计算方式可以相同；
确定成员误差变化计算方法，以及，依据所述用户数量统计参数、所述用户数量统计第一参数、所述用户数量统计第二参数、所述目标成员误差、所述第一从成员误差、所述第二从成员误差和所述成员误差变化计算方法，计算出与所述目标拆分成员相对应的成员误差变化第一信息。
其中，应当理解的是，在一些可能的实施方式中，所述依据所述目标分布轮廓信息、所述目标分布变化信息和预先配置的成员误差计算方法，计算出所述关系网主成员对应的目标成员误差的步骤，可以进一步包括以下所述的具体实施过程：
基于所述关系网主成员中的各示例性用户的示例性用户表征信息和示例性用户需求信息，构建出对应的目标参数分布(如示例性用户需求信息1的表征参数对应的示例性用户表征信息1的数量为A、对应的示例性用户表征信息2的数量为B等)，所述目标参数分布用于反映各示例性用户的示例性用户表征信息与示例性用户需求信息之间的分布关系，基于所述目标参数分布进行曲线拟合操作，以形成对应的目标拟合曲线；
对于所述目标参数分布中的每一组分布数据，对该分布数据在所述目标拟合曲线上具有的目标分布轮廓信息和目标分布变化信息进行确定，该目标分布轮廓信息是指该分布数据与该目标拟合曲线的两个端点的连接直线之间的距离，该目标分布变化信息是指该分布数据在该目标拟合曲线上的曲线变化率，计算该目标分布轮廓信息与预设参数(如1等数值)之间的差值，再计算该差值和该分布数据对应的表征参数(如1、2、3、4、5等)的取对数结果之间的乘积，得到第一数值，以及，计算该表征参数和该目标分布变化信息之间的比值，得到第二数值，以及，对该目标分布轮廓信息与该预设参数之间的差值的整数部分进行阶乘运算，再将阶乘运算的结果进行取对数操作，得到第三数值，以及，对该目标分布变化信息进行取对数操作，再将该取对数操作的结果和该目标分布轮廓信息进行乘积计算，得到第四数值，最后，计算所述第二数值、所述第三数值和所述第四数值的和值，再计算所述第一数值与该和值之间的差值，以得到该分布数据对应的目标计算值；
对所述目标参数分布中的每一组分布数据对应的目标计算值进行均值计算，以得到目标计算均值，最后，将所述目标计算均值的负相关参数，作为所述关系网主成员对应的目标成员误差，即具有负相关的关系。
其中，应当理解的是，在一些可能的实施方式中，所述确定成员误差变化计算方法，以及，依据所述用户数量统计参数、所述用户数量统计第一参数、所述用户数量统计第二参数、所述目标成员误差、所述第一从成员误差、所述第二从成员误差和所述成员误差变化计算方法，计算出与所述目标拆分成员相对应的成员误差变化第一信息的步骤，可以进一步包括以下所述的具体实施过程：
基于所述用户数量统计参数和所述用户数量统计第一参数，计算出第一加权系数，以及，基于所述用户数量统计参数和所述用户数量统计第二参数，计算出第二加权系数，例如，将所述用户数量统计第一参数和所述用户数量统计参数之间的比值，作为第一加权系数，可以将所述用户数量统计第二参数和所述用户数量统计参数之间的比值，作为第二加权系数；
基于所述第一加权系数和所述第二加权系数，对所述第一从成员误差和所述第二从成员误差进行加权求和计算，以形成目标从成员误差；
计算所述目标成员误差和所述目标从成员误差之间的差值，得到与所述目标拆分成员相对应的成员误差变化第一信息。
应当理解的是，在一些可能的实施方式中，所述依据所述优选第一拆分成员反映的拆分规则，将所述关系网主成员中的示例性用户进行分类操作，以形成第一种类成员和第二种类成员的步骤，可以进一步包括以下所述的具体实施过程：
在所述关系网主成员中，确定出任意示例性用户，所述任意示例性用户属于所述关系网主成员中的任意一个示例性用户；
在所述任意示例性用户与所述优选第一拆分成员反映的拆分规则匹配的情况下，例如，所述任意示例性用户对应的示例性用户表征信息为所述优选第一拆分成员(一种用户表征信息)，对所述任意示例性用户的种类进行标记，以标记为第一种类成员；
在所述任意示例性用户与所述优选第一拆分成员反映的拆分规则不匹配的情况下，例如，所述任意示例性用户对应的示例性用户表征信息不为所述优选第一拆分成员(一种用户表征信息)，对所述任意示例性用户的种类进行标记，以标记为第二种类成员，所述第一种类成员和所述第二种类成员都属于所述关系网主成员的从成员。
其中，应当理解的是，在一些可能的实施方式中，上文中的步骤S130，即所述依据与所述待定成员分布关系网相对应的关系网优化规则和所述第一数量个示例性用户中的每一个示例性用户的示例性用户需求信息，将所述待定成员分布关系网进行关系网优化操作，以形成用于分析待处理用户的用户需求信息分布可能性的优化成员分布关系网的步骤，可以进一步包括以下所述的具体实施过程：
确定出与所述待定成员分布关系网相对应的关系网优化规则，所述关系网优化规则包括参考优化代价指标，该参考优化代价指标可以预先配置；
依据所述第一数量个示例性用户中的每一个示例性用户的示例性用户需求信息，分析出示例性的用户需求信息分布可能性；
在得到所述待定成员分布关系网的分析的用户需求信息分布可能性的情况，即基于所述待定成员分布关系网对各示例性用户的用户需求信息进行预测，得到所述分析的用户需求信息分布可能性，依据所述示例性的用户需求信息分布可能性和所述分析的用户需求信息分布可能性(之间的差异)，计算出所述待定成员分布关系网的优化代价指标；
倘若所述优化代价指标不大于所述参考优化代价指标，则判定所述待定成员分布关系网与所述关系网优化规则匹配，以及，对与所述关系网优化规则匹配的待定成员分布关系网进行标记，以标记为用于分析待处理用户的用户需求信息分布可能性的优化成员分布关系网；
倘若所述优化代价指标大于所述参考优化代价指标，则判定所述待定成员分布关系网与所述关系网优化规则不匹配；
将所述待定成员分布关系网的关系网参数信息进行更新优化操作，以及，对更新优化后的待定成员分布关系网进行标记，以标记为中间成员分布关系网，并在所述中间成员分布关系网与所述关系网优化规则匹配的情况下，对与所述关系网优化规则匹配的中间成员分布关系网进行标记，以标记为用于分析待处理用户的用户需求信息分布可能性的优化成员分布关系网；示例性地，可以对所述成员误差变化信息进行调整，如此，可以基调整后的成员误差变化信息，确定出新的成员分布关系网，其中，所述更新优化后的待定成员分布关系网可以仅包括所述新的成员分布关系网，也可以包括所述新的成员分布关系网和所述待定成员分布关系网，即最后得到的优化成员分布关系网可以包括多个成员分布关系网，如此，可以基于每一个成员分布关系网，分别对所述待处理用户的待处理用户表征信息进行分析预测，然后，可以将每一个成员分布关系网的分析预测结果进行融合，以得到最终的分析预测结果。
结合图3，本发明实施例还提供一种基于大数据安全平台的用户需求挖掘装置，可应用于上述基于大数据安全平台的用户需求挖掘系统。其中，所述基于大数据安全平台的用户需求挖掘装置可以包括：
数据确定模块，用于确定出第一数量个示例性用户，以及，确定出所述第一数量个示例性用户对应的第一数量个示例性用户数据组合，一个所述示例性用户对应一个所述示例性用户数据组合，一个所述示例性用户数据组合基于示例性用户表征信息和示例性用户需求信息构建形成，所述示例性用户表征信息用于反映对应的所述示例性用户的用户属性，所述示例性用户需求信息用户反映对应的所述示例性用户的用户需求，所述示例性用户表征信息和所述示例性用户需求信息的数据形式包括文本形式；
待定关系网确定模块，用于依据所述第一数量个示例性用户，分析形成用于确定待定成员分布关系网的关系网主成员，以及，对所述关系网主成员中的每一个示例性用户的示例性用户表征信息进行标记，以标记为候选用户表征信息，再分析出与所述候选用户表征信息的信息种类匹配的第一拆分成员簇，并在所述第一拆分成员簇中分析出优选第一拆分成员，以及，基于所述优选第一拆分成员反映的拆分规则，将所述第一数量个示例性用户进行拆分组合，以形成对应的所述待定成员分布关系网；
关系网优化模块，用于依据与所述待定成员分布关系网相对应的关系网优化规则和所述第一数量个示例性用户中的每一个示例性用户的示例性用户需求信息，将所述待定成员分布关系网进行关系网优化操作，以形成用于分析待处理用户的用户需求信息分布可能性的优化成员分布关系网；
用户需求分析模块，用于在获取到待处理用户的待处理用户表征信息的情况下，基于所述优化成员分布关系网对所述待处理用户表征信息进行分析操作，以输出所述待处理用户的用户需求信息分布可能性，以及，基于所述用户需求信息分布可能性，确定出所述待处理用户的目标用户需求信息。
综上所述，本发明提供的基于大数据安全平台的用户需求挖掘方法及系统，可以先确定出第一数量个示例性用户；依据第一数量个示例性用户，形成对应的待定成员分布关系网；将待定成员分布关系网进行关系网优化操作，以形成优化成员分布关系网；基于优化成员分布关系网对待处理用户表征信息进行分析操作，以输出待处理用户的用户需求信息分布可能性，基于用户需求信息分布可能性，确定出目标用户需求信息。基于前述的内容，由于是先基于示例性用户和对应的示例性用户数据组合，构建出待定成员分布关系网，然后，进行关系网优化操作，以形成优化成员分布关系网，使得可以基于优化成员分布关系网进行用户需求挖掘，相较于训练神经网络的方法，可以在一定程度上提高用户需求挖掘的效率。
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)

1.一种基于大数据安全平台的用户需求挖掘方法，其特征在于，所述用户需求挖掘方法包括：
确定出第一数量个示例性用户，以及，确定出所述第一数量个示例性用户对应的第一数量个示例性用户数据组合，一个所述示例性用户对应一个所述示例性用户数据组合，一个所述示例性用户数据组合基于示例性用户表征信息和示例性用户需求信息构建形成，所述示例性用户表征信息用于反映对应的所述示例性用户的用户属性，所述示例性用户需求信息用户反映对应的所述示例性用户的用户需求，所述示例性用户表征信息和所述示例性用户需求信息的数据形式包括文本形式；
依据所述第一数量个示例性用户，分析形成用于确定待定成员分布关系网的关系网主成员，以及，对所述关系网主成员中的每一个示例性用户的示例性用户表征信息进行标记，以标记为候选用户表征信息，再分析出与所述候选用户表征信息的信息种类匹配的第一拆分成员簇，并在所述第一拆分成员簇中分析出优选第一拆分成员，以及，基于所述优选第一拆分成员反映的拆分规则，将所述第一数量个示例性用户进行拆分组合，以形成对应的所述待定成员分布关系网；
依据与所述待定成员分布关系网相对应的关系网优化规则和所述第一数量个示例性用户中的每一个示例性用户的示例性用户需求信息，将所述待定成员分布关系网进行关系网优化操作，以形成用于分析待处理用户的用户需求信息分布可能性的优化成员分布关系网；
在获取到待处理用户的待处理用户表征信息的情况下，基于所述优化成员分布关系网对所述待处理用户表征信息进行分析操作，以输出所述待处理用户的用户需求信息分布可能性，以及，基于所述用户需求信息分布可能性，确定出所述待处理用户的目标用户需求信息。
2.如权利要求1所述的基于大数据安全平台的用户需求挖掘方法，其特征在于，所述依据所述第一数量个示例性用户，分析形成用于确定待定成员分布关系网的关系网主成员，以及，对所述关系网主成员中的每一个示例性用户的示例性用户表征信息进行标记，以标记为候选用户表征信息，再分析出与所述候选用户表征信息的信息种类匹配的第一拆分成员簇，并在所述第一拆分成员簇中分析出优选第一拆分成员，以及，基于所述优选第一拆分成员反映的拆分规则，将所述第一数量个示例性用户进行拆分组合，以形成对应的所述待定成员分布关系网的步骤，包括：
依据所述第一数量个示例性用户，分析形成用于确定待定成员分布关系网的关系网主成员，以及，对所述关系网主成员中的每一个示例性用户的示例性用户表征信息进行标记，以标记为候选用户表征信息，再分析出与所述候选用户表征信息的信息种类匹配的第一拆分成员簇，并在所述第一拆分成员簇中，分析出优选第一拆分成员；
依据所述优选第一拆分成员反映的拆分规则，将所述关系网主成员中的示例性用户进行分类操作，以形成第一种类成员和第二种类成员；
分别对所述第一种类成员和所述第二种类成员进行标记，以标记为待拆分种类成员，并确定与所述待定成员分布关系网相对应的拆分结束判定信息；
倘若所述待拆分种类成员与所述拆分结束判定信息不匹配，则对所述待拆分种类成员中的每一个示例性用户的示例性用户表征信息进行标记，以标记为确定用户表征信息，以及，分析出与所述确定用户表征信息的信息种类相匹配的第二拆分成员簇，再在所述第二拆分成员簇中，分析出优选第二拆分成员；
基于所述优选第二拆分成员反映的拆分规则，将所述待拆分种类成员中的示例性用户进行分类操作，并在分类后的成员与所述拆分结束判定信息匹配的情况下，依据所述关系网主成员和分类后的成员，确定出对应的所述待定成员分布关系网。
3.如权利要求2所述的基于大数据安全平台的用户需求挖掘方法，其特征在于，所述依据所述第一数量个示例性用户，分析形成用于确定待定成员分布关系网的关系网主成员，以及，对所述关系网主成员中的每一个示例性用户的示例性用户表征信息进行标记，以标记为候选用户表征信息，再分析出与所述候选用户表征信息的信息种类匹配的第一拆分成员簇，并在所述第一拆分成员簇中，分析出优选第一拆分成员的步骤，包括：
依据所述第一数量个示例性用户，分析形成用于确定待定成员分布关系网的关系网主成员，以及，对所述关系网主成员中的每一个示例性用户的示例性用户表征信息进行标记，以标记为候选用户表征信息；
对所述候选用户表征信息的信息种类进行标记，以标记为拆分成员，以及，将所述拆分成员进行筛选操作，再将筛选后的拆分成员分配到第一拆分成员簇中，所述筛选操作用于将相同的拆分成员进行筛除；
依据所述关系网主成员对应的拆分成员筛选规则，在所述第一拆分成员簇中，确定出与所述拆分成员筛选规则匹配的最匹配拆分成员，以及，对确定出的最匹配拆分成员进行标记，以标记为优选第一拆分成员。
4.如权利要求3所述的基于大数据安全平台的用户需求挖掘方法，其特征在于，所述第一拆分成员簇包括第二数量个拆分成员，所述第二数量个拆分成员包括目标拆分成员，所述目标拆分成员属于所述第二数量个拆分成员中的任意一个拆分成员；
所述依据所述关系网主成员对应的拆分成员筛选规则，在所述第一拆分成员簇中，确定出与所述拆分成员筛选规则匹配的最匹配拆分成员，以及，对确定出的最匹配拆分成员进行标记，以标记为优选第一拆分成员的步骤，包括：
确定出所述关系网主成员对应的拆分成员筛选规则，并分析出所述关系网主成员对应的成员误差变化信息；
在所述第一拆分成员簇中，确定出所述目标拆分成员，以及，依据所述目标拆分成员反映的拆分规则，将所述关系网主成员中的示例性用户进行分类操作，以形成所述关系网主成员对应的关系网候选从成员，所述关系网候选从成员包括关系网第一候选从成员和关系网第二候选从成员；
确定与所述目标拆分成员相对应的成员误差变化第一信息；
对所述成员误差变化第一信息和所述成员误差变化信息进行分析；
在所述成员误差变化信息不大于所述成员误差变化第一信息的情况下，判定所述目标拆分成员与所述拆分成员筛选规则匹配，以及，对所述目标拆分成员进行标记，以标记为优选第一拆分成员。
5.如权利要求4所述的基于大数据安全平台的用户需求挖掘方法，其特征在于，所述关系网主成员反映的目标分布可能性包括目标分布轮廓信息和目标分布变化信息，所述关系网第一候选从成员反映的第一从分布可能性包括第一从分布轮廓信息和第一从分布变化信息，所述关系网第二候选从成员反映的第二从分布可能性包括第二从分布轮廓信息和第二从分布变化信息；
所述确定与所述目标拆分成员相对应的成员误差变化第一信息的步骤，包括：
确定出所述关系网主成员中的示例性用户的用户数量统计参数、所述关系网第一候选从成员中的示例性用户的用户数量统计第一参数和所述关系网第二候选从成员中的示例性用户的用户数量统计第二参数；
依据所述目标分布轮廓信息、所述目标分布变化信息和预先配置的成员误差计算方法，计算出所述关系网主成员对应的目标成员误差；
依据所述第一从分布轮廓信息、所述第一从分布变化信息和所述成员误差计算方法，计算出所述关系网第一候选从成员对应的第一从成员误差；
依据所述第二从分布轮廓信息、所述第二从分布变化信息和所述成员误差计算方法，计算出所述关系网第二候选从成员对应的第二从成员误差；
确定成员误差变化计算方法，以及，依据所述用户数量统计参数、所述用户数量统计第一参数、所述用户数量统计第二参数、所述目标成员误差、所述第一从成员误差、所述第二从成员误差和所述成员误差变化计算方法，计算出与所述目标拆分成员相对应的成员误差变化第一信息。
6.如权利要求4所述的基于大数据安全平台的用户需求挖掘方法，其特征在于，所述基于大数据安全平台的用户需求挖掘方法还包括：
在所述成员误差变化信息大于所述成员误差变化第一信息的情况下，判定所述目标拆分成员与所述拆分成员筛选规则不匹配，以及，在所述第一拆分成员簇中选择出新的目标拆分成员；
在所述新的目标拆分成员属于所述第一拆分成员簇中最后一个拆分成员的情况下，对所述新的目标拆分成员进行标记，以标记为优选第一拆分成员。
7.如权利要求6所述的基于大数据安全平台的用户需求挖掘方法，其特征在于，所述基于大数据安全平台的用户需求挖掘方法方法还包括：
在所述新的目标拆分成员不属于所述第一拆分成员簇中最后一个拆分成员的情况下，依据所述新的目标拆分成员反映的拆分规则，将所述关系网主成员中的示例性用户进行分类操作，并计算出与所述新的目标拆分成员相对应的成员误差变化第二信息；
对所述成员误差变化第二信息和所述成员误差变化信息进行分析；
在所述成员误差变化信息不大于所述成员误差变化第二信息的情况下，判定所述新的目标拆分成员与所述拆分成员筛选规则匹配，以及，对所述新的目标拆分成员进行标记，以标记为优选第一拆分成员。
8.如权利要求2所述的基于大数据安全平台的用户需求挖掘方法，其特征在于，所述依据所述优选第一拆分成员反映的拆分规则，将所述关系网主成员中的示例性用户进行分类操作，以形成第一种类成员和第二种类成员的步骤，包括：
在所述关系网主成员中，确定出任意示例性用户，所述任意示例性用户属于所述关系网主成员中的任意一个示例性用户；
在所述任意示例性用户与所述优选第一拆分成员反映的拆分规则匹配的情况下，对所述任意示例性用户的种类进行标记，以标记为第一种类成员；
在所述任意示例性用户与所述优选第一拆分成员反映的拆分规则不匹配的情况下，对所述任意示例性用户的种类进行标记，以标记为第二种类成员，所述第一种类成员和所述第二种类成员都属于所述关系网主成员的从成员。
9.如权利要求1-8任意一项所述的基于大数据安全平台的用户需求挖掘方法，其特征在于，所述依据与所述待定成员分布关系网相对应的关系网优化规则和所述第一数量个示例性用户中的每一个示例性用户的示例性用户需求信息，将所述待定成员分布关系网进行关系网优化操作，以形成用于分析待处理用户的用户需求信息分布可能性的优化成员分布关系网的步骤，包括：
确定出与所述待定成员分布关系网相对应的关系网优化规则，所述关系网优化规则包括参考优化代价指标；
依据所述第一数量个示例性用户中的每一个示例性用户的示例性用户需求信息，分析出示例性的用户需求信息分布可能性；
在得到所述待定成员分布关系网的分析的用户需求信息分布可能性的情况，依据所述示例性的用户需求信息分布可能性和所述分析的用户需求信息分布可能性，计算出所述待定成员分布关系网的优化代价指标；
倘若所述优化代价指标不大于所述参考优化代价指标，则判定所述待定成员分布关系网与所述关系网优化规则匹配，以及，对与所述关系网优化规则匹配的待定成员分布关系网进行标记，以标记为用于分析待处理用户的用户需求信息分布可能性的优化成员分布关系网。
10.一种基于大数据安全平台的用户需求挖掘系统，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。
CN202310735436.4A 2023-06-20 2023-06-20 基于大数据安全平台的用户需求挖掘方法及系统 Active CN116680323B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310735436.4A CN116680323B (zh) 2023-06-20 2023-06-20 基于大数据安全平台的用户需求挖掘方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310735436.4A CN116680323B (zh) 2023-06-20 2023-06-20 基于大数据安全平台的用户需求挖掘方法及系统

Publications (2)

Publication Number Publication Date
CN116680323A true CN116680323A (zh) 2023-09-01
CN116680323B CN116680323B (zh) 2024-02-06

Family

ID=87779052

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310735436.4A Active CN116680323B (zh) 2023-06-20 2023-06-20 基于大数据安全平台的用户需求挖掘方法及系统

Country Status (1)

Country Link
CN (1) CN116680323B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016054908A1 (zh) * 2014-10-10 2016-04-14 中兴通讯股份有限公司 基于物联网大数据平台的智能用户画像方法及装置
US20190179966A1 (en) * 2017-11-29 2019-06-13 Baidu Online Network Technology (Beijing) Co., Ltd. Method and apparatus for identifying demand
WO2019161601A1 (zh) * 2018-02-24 2019-08-29 平安科技（深圳）有限公司 社交事项提醒方法、装置、设备及计算机可读存储介质
CN110580259A (zh) * 2018-05-22 2019-12-17 上海大学 基于流程管理大数据的客户需求挖掘方法和设备
CN113807896A (zh) * 2021-09-23 2021-12-17 南通谊到家信息技术有限公司 一种基于抖众电商平台的大数据用户挖掘方法
CN115422472A (zh) * 2022-09-14 2022-12-02 戴蔚 基于人工智能识别的用户关注需求决策方法及大数据系统
WO2023273940A1 (zh) * 2021-06-28 2023-01-05 中兴通讯股份有限公司 虚拟网络的优化方法、装置及计算机存储介质
CN116109121A (zh) * 2023-04-17 2023-05-12 西昌学院 基于大数据分析的用户需求挖掘方法及系统
CN116150480A (zh) * 2023-01-05 2023-05-23 合肥工业大学 一种融合多模态评论信息的用户个性化需求预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016054908A1 (zh) * 2014-10-10 2016-04-14 中兴通讯股份有限公司 基于物联网大数据平台的智能用户画像方法及装置
US20190179966A1 (en) * 2017-11-29 2019-06-13 Baidu Online Network Technology (Beijing) Co., Ltd. Method and apparatus for identifying demand
WO2019161601A1 (zh) * 2018-02-24 2019-08-29 平安科技（深圳）有限公司 社交事项提醒方法、装置、设备及计算机可读存储介质
CN110580259A (zh) * 2018-05-22 2019-12-17 上海大学 基于流程管理大数据的客户需求挖掘方法和设备
WO2023273940A1 (zh) * 2021-06-28 2023-01-05 中兴通讯股份有限公司 虚拟网络的优化方法、装置及计算机存储介质
CN113807896A (zh) * 2021-09-23 2021-12-17 南通谊到家信息技术有限公司 一种基于抖众电商平台的大数据用户挖掘方法
CN115422472A (zh) * 2022-09-14 2022-12-02 戴蔚 基于人工智能识别的用户关注需求决策方法及大数据系统
CN116150480A (zh) * 2023-01-05 2023-05-23 合肥工业大学 一种融合多模态评论信息的用户个性化需求预测方法
CN116109121A (zh) * 2023-04-17 2023-05-12 西昌学院 基于大数据分析的用户需求挖掘方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JUAN HAO等: "Acquisition Method of User Requirements for Complex Products Based on Data Mining", SUSTAINABILITY 2023, vol. 15, no. 9 *
刘睿霖: "基于需求-服务匹配的服务解决方案构造优化方法", 中国博士学位论文全文数据库信息科技辑 *
戴礼灿;: "一种用户军事信息需求分析挖掘方法", 信息与电脑(理论版), no. 10 *
李悦: "基于用户画像的图书馆图书精准推荐研究", 中国优秀硕士学位论文全文数据库信息科技辑 *

Also Published As

Publication number Publication date
CN116680323B (zh) 2024-02-06

Similar Documents

Publication Publication Date Title
JP2021533450A (ja) 機械学習のためのハイパーパラメータの識別および適用
CN110462607A (zh) 从梯度增强机识别原因代码
CN116109121B (zh) 基于大数据分析的用户需求挖掘方法及系统
CN111797320A (zh) 数据处理方法、装置、设备及存储介质
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
CN116680323B (zh) 基于大数据安全平台的用户需求挖掘方法及系统
CN115757900B (zh) 应用人工智能模型的用户需求分析方法及系统
CN116681350A (zh) 智慧工厂故障检测方法及系统
CN115687034A (zh) 一种业务系统平面可用性判定方法和装置
CN109308565B (zh) 人群绩效等级识别方法、装置、存储介质及计算机设备
CN112801783A (zh) 一种基于数字货币交易特征的实体识别方法及装置
CN115687792B (zh) 针对在线互联网服务的大数据采集方法及系统
CN116662415B (zh) 基于数据挖掘的智能匹配方法及系统
CN116738396B (zh) 基于人工智能的勘界标准文档录入方法及系统
CN116996403B (zh) 应用ai模型的网络流量诊断方法及系统
CN113643080B (zh) 一种密封制品的营销对象匹配方法及系统
CN115564512A (zh) 一种数据管理方法及系统
US20230297651A1 (en) Cost equalization spectral clustering
CN117271498A (zh) 一种财务数据处理方法及系统
CN116955831A (zh) 基于数据挖掘和ai模型分析的信息推荐方法及系统
CN117635268A (zh) 知识图谱补全辅助产品推荐方法、设备和存储介质
CN117290420A (zh) 一种用于财务数据提取的企业财务管理方法及系统
CN116955451A (zh) 智能测绘数据管理方法及系统
CN115657971A (zh) 面向企业数字化服务的云存储分配方法、系统及云服务器
CN115459941A (zh) 一种云安全账户管理方法及云安全平台

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: 20240115

Address after: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.)

Applicant after: Shenzhen YOUPIN Investment Consulting Co.,Ltd.

Address before: No. 46 Jiefang Road, Nanguan District, Changchun City, Jilin Province, 130000, 70s Home 903A

Applicant before: Jilin Aomei Technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant