CN116720119A - 应用于多端业务交互的大数据识别方法及系统 - Google Patents

应用于多端业务交互的大数据识别方法及系统 Download PDF

Info

Publication number
CN116720119A
CN116720119A CN202310748690.8A CN202310748690A CN116720119A CN 116720119 A CN116720119 A CN 116720119A CN 202310748690 A CN202310748690 A CN 202310748690A CN 116720119 A CN116720119 A CN 116720119A
Authority
CN
China
Prior art keywords
information
user
description vector
response
interaction
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Withdrawn
Application number
CN202310748690.8A
Other languages
English (en)
Inventor
赵育庭
王素英
蔡正龙
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.)
Binzhou Nuofanghe Network Technology Co ltd
Original Assignee
Binzhou Nuofanghe Network 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 Binzhou Nuofanghe Network Technology Co ltd filed Critical Binzhou Nuofanghe Network Technology Co ltd
Priority to CN202310748690.8A priority Critical patent/CN116720119A/zh
Publication of CN116720119A publication Critical patent/CN116720119A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供的应用于多端业务交互的大数据识别方法及系统，涉及人工智能技术领域。在本发明中，挖掘出用户交互信息的多层面信息描述向量；基于多层面信息描述向量，确定出第一信息回应描述向量和第一信息匹配描述向量；将第一信息回应描述向量进行线性整合操作，输出第二信息回应描述向量，基于第二信息回应描述向量，分析出回应可能性评估参数；将第二信息回应描述向量和第一信息匹配描述向量进行信息融合操作，形成第二信息匹配描述向量，基于第二信息匹配描述向量，分析出回应匹配性评估参数；基于回应可能性评估参数和回应匹配性评估参数，进行信息回应管控操作。基于上述内容，可以提高多端业务交互中的交互可靠度。

Description

应用于多端业务交互的大数据识别方法及系统
技术领域
本发明涉及人工智能技术领域，具体而言，涉及一种应用于多端业务交互的大数据识别方法及系统。
背景技术
多端业务交互中一般会涉及到多个业务交互用户，如进行群组交互，其中，群体交互由于更具有交互的便利性，使得其应用场景较多。但是，由于多个业务交互用户的存在，使得对于部分业务交互用户而言，其交互信息容易被其它业务交互用户忽略，因此，需要对交互信息进行信息回应的管控操作，但是，在现有技术中，一般都不会进行信息回应的管控操作，使得容易出现多端业务交互中的交互可靠度不佳的问题。
发明内容
有鉴于此，本发明的目的在于提供一种应用于多端业务交互的大数据识别方法及系统，以提高多端业务交互中的交互可靠度。
为实现上述目的，本发明实施例采用如下技术方案：
一种应用于多端业务交互的大数据识别方法，包括：
确定出与待分析业务交互用户相对应的用户交互信息，以及，挖掘出所述待分析业务交互用户对于所述用户交互信息的多层面信息描述向量，所述用户交互信息属于与待分析业务交互用户进行多端业务交互的一个其它业务交互用户输出的交互信息，且所述用户交互信息的信息形式包括语音形式、文本形式和/或图像形式；
基于所述多层面信息描述向量，确定出所述待分析业务交互用户对于所述用户交互信息的第一信息回应描述向量和第一信息匹配描述向量；
将所述第一信息回应描述向量进行线性整合操作，以输出对应的第二信息回应描述向量，以及，基于所述第二信息回应描述向量，分析出所述待分析业务交互用户对于所述用户交互信息的回应可能性评估参数，所述回应可能性评估参数用于反映所述待分析业务交互用户对所述用户交互信息进行信息回应操作的可能性大小；
将所述第二信息回应描述向量和所述第一信息匹配描述向量进行信息融合操作，形成对应的第二信息匹配描述向量，以及，基于所述第二信息匹配描述向量，分析出所述待分析业务交互用户对于所述用户交互信息的回应匹配性评估参数，所述回应匹配性评估参数用于反映所述待分析业务交互用户对所述用户交互信息进行信息回应操作的回应内容的匹配程度；
基于所述待分析业务交互用户对于所述用户交互信息的回应可能性评估参数和回应匹配性评估参数，对所述待分析业务交互用户对于所述用户交互信息进行信息回应管控操作。
在一些优选的实施例中，在上述应用于多端业务交互的大数据识别方法中，所述确定出与待分析业务交互用户相对应的用户交互信息，以及，挖掘出所述待分析业务交互用户对于所述用户交互信息的多层面信息描述向量的步骤，包括：
提取到与待分析业务交互用户相对应的用户交互信息簇，以及，在所述用户交互信息簇中确定出对应的用户交互信息；
对所述待分析业务交互用户的用户标识信息、所述用户交互信息的交互扩展信息和与所述待分析业务交互用户相对应的用户扩展信息进行加载，以加载到优化用户交互分析网络包括的信息加载单元中，所述交互扩展信息包括所述用户交互信息和对所述用户交互信息进行语义扩展操作形成的语义扩展信息；
利用所述信息加载单元，将所述用户标识信息进行特征空间映射操作，以形成所述用户标识信息对应的用户标识描述向量；
利用所述信息加载单元，将所述交互扩展信息进行特征空间映射操作，以形成所述交互扩展信息对应的交互信息描述向量；
利用所述信息加载单元，将所述用户扩展信息进行特征空间映射操作，以形成所述用户扩展信息对应的用户扩展信息描述向量；
将所述用户标识描述向量、所述交互信息描述向量和所述用户扩展信息描述向量进行描述向量的聚合操作，以形成所述待分析业务交互用户对于所述用户交互信息的多层面信息描述向量。
在一些优选的实施例中，在上述应用于多端业务交互的大数据识别方法中，所述用户标识信息包括用户身份信息、用户本质信息和用户偏好信息；
所述利用所述信息加载单元，将所述用户标识信息进行特征空间映射操作，以形成所述用户标识信息对应的用户标识描述向量的步骤，包括：
利用所述信息加载单元，将所述用户身份信息进行映射处理，以形成所述用户身份信息对应的映射用户身份信息；
确定出与所述用户身份信息相对于的用户身份信息对应关系，以及，依据所述映射用户身份信息，从所述用户身份信息对应关系中，匹配出所述用户身份信息对应的用户身份信息描述向量；
确定出与所述用户本质信息相对应的用户本质信息对应关系，以及，从所述用户本质信息对应关系中，匹配出所述用户本质信息对应的用户本质信息描述向量；
确定出与所述用户偏好信息相对应的用户偏好信息对应关系，以及，从所述用户偏好信息对应关系中，匹配出所述用户偏好信息对应的用户偏好信息描述向量；
将所述用户身份信息描述向量、所述用户本质信息描述向量和所述用户偏好信息描述向量进行向量的聚合操作，以形成所述用户标识信息对应的用户标识描述向量。
在一些优选的实施例中，在上述应用于多端业务交互的大数据识别方法中，所述优化用户交互分析网络还包括聚合处理单元，所述聚合处理单元包括聚合线性整合子单元、与所述聚合线性整合子单元分别连接的第一回应线性整合子单元和变换线性整合子单元；
所述基于所述多层面信息描述向量，确定出所述待分析业务交互用户对于所述用户交互信息的第一信息回应描述向量和第一信息匹配描述向量的步骤，包括：
对所述多层面信息描述向量进行加载，以加载到所述聚合处理单元包括的聚合线性整合子单元中，利用所述聚合线性整合子单元，将所述多层面信息描述向量进行线性整合操作，以形成整合多层面信息描述向量；
对所述整合多层面信息描述向量进行加载，以加载到所述第一回应线性整合子单元，利用所述第一回应线性整合子单元，将所述整合多层面信息描述向量进行线性整合操作，以形成所述待分析业务交互用户对于所述用户交互信息的第一信息回应描述向量；
对所述整合多层面信息描述向量进行加载，以加载到所述变换线性整合子单元，利用所述变换线性整合子单元，将所述整合多层面信息描述向量进行线性整合操作，以形成所述待分析业务交互用户对于所述用户交互信息的第一信息匹配描述向量。
在一些优选的实施例中，在上述应用于多端业务交互的大数据识别方法中，所述变换线性整合子单元包括前端第一变换线性整合子单元和后端第一变换线性整合子单元，所述第一信息匹配描述向量包括前端第一信息匹配描述向量和后端第一信息匹配描述向量；
所述对所述整合多层面信息描述向量进行加载，以加载到所述变换线性整合子单元，利用所述变换线性整合子单元，将所述整合多层面信息描述向量进行线性整合操作，以形成所述待分析业务交互用户对于所述用户交互信息的第一信息匹配描述向量的步骤，包括：
对所述整合多层面信息描述向量进行加载，以加载到所述前端第一变换线性整合子单元中，利用所述前端第一变换线性整合子单元，将所述整合多层面信息描述向量进行线性整合操作，以形成所述待分析业务交互用户对于所述用户交互信息的前端第一信息匹配描述向量；
对所述整合多层面信息描述向量进行加载，以加载到所述后端第一变换线性整合子单元中，利用所述后端第一变换线性整合子单元，将所述整合多层面信息描述向量进行线性整合操作，以形成所述待分析业务交互用户对于所述用户交互信息的后端第一信息匹配描述向量。
在一些优选的实施例中，在上述应用于多端业务交互的大数据识别方法中，所述优化用户交互分析网络还包括线性整合单元，所述线性整合单元包括第二回应线性整合子单元；
所述将所述第一信息回应描述向量进行线性整合操作，以输出对应的第二信息回应描述向量，以及，基于所述第二信息回应描述向量，分析出所述待分析业务交互用户对于所述用户交互信息的回应可能性评估参数的步骤，包括：
对所述第一信息回应描述向量进行加载，以加载到所述第二回应线性整合子单元中，利用所述第二回应线性整合子单元，将所述第一信息回应描述向量进行线性整合操作，以形成对应的第二信息回应描述向量；
基于所述第二信息回应描述向量，分析出所述待分析业务交互用户对于所述用户交互信息的回应可能性评估参数。
在一些优选的实施例中，在上述应用于多端业务交互的大数据识别方法中，所述第一信息匹配描述向量包括前端第一信息匹配描述向量和后端第一信息匹配描述向量，所述第二信息匹配描述向量包括前端第二信息匹配描述向量和后端第二信息匹配描述向量，所述回应匹配性评估参数包括前端回应匹配性评估参数和后端回应匹配性评估参数；
所述将所述第二信息回应描述向量和所述第一信息匹配描述向量进行信息融合操作，形成对应的第二信息匹配描述向量，以及，基于所述第二信息匹配描述向量，分析出所述待分析业务交互用户对于所述用户交互信息的回应匹配性评估参数的步骤，包括：
将所述第二信息回应描述向量和所述前端第一信息匹配描述向量进行向量的聚合操作，以形成前端聚合描述向量，以及，将所述前端聚合描述向量进行线性整合操作，以形成对应的前端第二信息匹配描述向量；
基于所述前端第二信息匹配描述向量，分析出所述待分析业务交互用户对于所述用户交互信息的前端回应匹配性评估参数；
将所述前端第二信息匹配描述向量和所述后端第一信息匹配描述向量进行向量的聚合操作，以形成后端聚合描述向量，以及，将所述后端聚合描述向量进行线性整合操作，以形成对应的后端第二信息匹配描述向量；
基于所述后端第二信息匹配描述向量，分析出所述待分析业务交互用户对于所述用户交互信息的后端回应匹配性评估参数。
在一些优选的实施例中，在上述应用于多端业务交互的大数据识别方法中，所述大数据识别方法还包括：
确定出与典型业务交互用户相对应的典型用户交互信息，以及，利用候选用户交互分析网络，挖掘出所述典型业务交互用户对于所述典型用户交互信息的典型的多层面信息描述向量；
利用所述候选用户交互分析网络，基于所述典型的多层面信息描述向量，确定出所述典型业务交互用户对于所述典型用户交互信息的典型的第一信息回应描述向量和典型的第一信息匹配描述向量；
将所述典型的第一信息回应描述向量进行线性整合操作，以能形成典型的第二信息回应描述向量，以及，基于所述典型的第二信息回应描述向量，分析出所述典型业务交互用户对于所述典型用户交互信息的典型的回应可能性评估参数；
将所述典型的第二信息回应描述向量和所述典型的第一信息匹配描述向量进行信息融合操作，以形成对应的典型的第二信息匹配描述向量，以及，基于所述典型的第二信息匹配描述向量，分析出所述典型业务交互用户对于所述典型用户交互信息的典型的回应匹配性评估参数；
依据所述典型业务交互用户对于所述典型用户交互信息的典型标识数据、所述典型的回应可能性评估参数和所述典型的回应匹配性评估参数，将所述候选用户交互分析网络进行网络优化操作，以形成优化用户交互分析网络，所述优化用户交互分析网络用于分析出所述待分析业务交互用户对于所述用户交互信息的回应可能性评估参数和回应匹配性评估参数。
在一些优选的实施例中，在上述应用于多端业务交互的大数据识别方法中，所述典型标识数据包括典型的回应可能性评估参数和典型的回应匹配性评估参数；
所述依据所述典型业务交互用户对于所述典型用户交互信息的典型标识数据、所述典型的回应可能性评估参数和所述典型的回应匹配性评估参数，将所述候选用户交互分析网络进行网络优化操作，以形成优化用户交互分析网络的步骤，包括：
依据所述典型业务交互用户对于所述典型用户交互信息的所述典型的回应可能性评估参数和所述典型的回应可能性评估参数，计算出所述候选用户交互分析网络的回应可能性代价指标；
依据所述典型业务交互用户对于所述典型用户交互信息的所述典型的回应匹配性评估参数和所述典型的回应匹配性评估参数，计算出所述候选用户交互分析网络的回应匹配性代价指标；
基于所述回应可能性代价指标和所述回应匹配性代价指标，计算出所述候选用户交互分析网络的网络优化代价指标；
沿着降低所述网络优化代价指标的方向，将所述候选用户交互分析网络进行网络参数的优化更新操作，以形成对应的优化用户交互分析网络。
本发明实施例还提供一种应用于多端业务交互的大数据识别系统，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，以实现上述的应用于多端业务交互的大数据识别方法。
本发明实施例提供的应用于多端业务交互的大数据识别方法及系统，可以先挖掘出用户交互信息的多层面信息描述向量；基于多层面信息描述向量，确定出第一信息回应描述向量和第一信息匹配描述向量；将第一信息回应描述向量进行线性整合操作，输出第二信息回应描述向量，基于第二信息回应描述向量，分析出回应可能性评估参数；将第二信息回应描述向量和第一信息匹配描述向量进行信息融合操作，形成第二信息匹配描述向量，基于第二信息匹配描述向量，分析出回应匹配性评估参数；基于回应可能性评估参数和回应匹配性评估参数，进行信息回应管控操作。基于前述的内容，由于作为回应匹配性评估参数的分析依据的第二信息匹配描述向量，是将第二信息回应描述向量和第一信息匹配描述向量进行信息融合操作以形成的，使得该分析依据更为可靠，因此，可以保障得到的回应匹配性评估参数的可靠度，从而可以保障基于回应可能性评估参数和回应匹配性评估参数进行的信息回应管控操作的可靠度，因此，可以在一定程度上提高多端业务交互中的交互可靠度，改善现有技术中的不足。
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应用于多端业务交互的大数据识别系统的结构框图。
图2为本发明实施例提供的应用于多端业务交互的大数据识别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应用于多端业务交互的大数据识别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应用于多端业务交互的大数据识别系统。其中，所述应用于多端业务交互的大数据识别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应用于多端业务交互的大数据识别方法。
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，所述应用于多端业务交互的大数据识别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应用于多端业务交互的大数据识别方法，可应用于上述应用于多端业务交互的大数据识别系统。其中，所述应用于多端业务交互的大数据识别方法有关的流程所定义的方法步骤，可以由所述应用于多端业务交互的大数据识别系统实现。
下面将对图2所示的具体流程，进行详细阐述。
步骤S110，确定出与待分析业务交互用户相对应的用户交互信息，以及，挖掘出所述待分析业务交互用户对于所述用户交互信息的多层面信息描述向量。
在本发明实施例中，所述应用于多端业务交互的大数据识别系统可以确定出与待分析业务交互用户相对应的用户交互信息，以及，挖掘出所述待分析业务交互用户对于所述用户交互信息的多层面信息描述向量。所述用户交互信息属于与待分析业务交互用户进行多端业务交互的一个其它业务交互用户输出的交互信息，且所述用户交互信息的信息形式包括语音形式、文本形式和/或图像形式。另外，在一个多端业务交互中，一般包括三个及其以上数量的业务交互用户。
步骤S120，基于所述多层面信息描述向量，确定出所述待分析业务交互用户对于所述用户交互信息的第一信息回应描述向量和第一信息匹配描述向量。
在本发明实施例中，所述应用于多端业务交互的大数据识别系统可以基于所述多层面信息描述向量，确定出所述待分析业务交互用户对于所述用户交互信息的第一信息回应描述向量和第一信息匹配描述向量。所述第一信息回应描述向量用于反映进行信息回应的特征信息，所述第一信息匹配描述向量用于反映回应的信息是否匹配的特征信息。
步骤S130，将所述第一信息回应描述向量进行线性整合操作，以输出对应的第二信息回应描述向量，以及，基于所述第二信息回应描述向量，分析出所述待分析业务交互用户对于所述用户交互信息的回应可能性评估参数。
在本发明实施例中，所述应用于多端业务交互的大数据识别系统可以将所述第一信息回应描述向量进行线性整合操作，以输出对应的第二信息回应描述向量，以及，基于所述第二信息回应描述向量，分析出所述待分析业务交互用户对于所述用户交互信息的回应可能性评估参数。所述回应可能性评估参数用于反映所述待分析业务交互用户对所述用户交互信息进行信息回应操作的可能性大小，如0-1，所述回应可能性评估参数越大，表示所述待分析业务交互用户对所述用户交互信息进行回应的可能性越大，所述回应可能性评估参数越小，表示所述待分析业务交互用户对所述用户交互信息进行回应的可能性越小。
步骤S140，将所述第二信息回应描述向量和所述第一信息匹配描述向量进行信息融合操作，形成对应的第二信息匹配描述向量，以及，基于所述第二信息匹配描述向量，分析出所述待分析业务交互用户对于所述用户交互信息的回应匹配性评估参数。
在本发明实施例中，所述应用于多端业务交互的大数据识别系统可以将所述第二信息回应描述向量和所述第一信息匹配描述向量进行信息融合操作，形成对应的第二信息匹配描述向量，以及，基于所述第二信息匹配描述向量，分析出所述待分析业务交互用户对于所述用户交互信息的回应匹配性评估参数。所述回应匹配性评估参数用于反映所述待分析业务交互用户对所述用户交互信息进行信息回应操作的回应内容的匹配程度，如0-1，所述回应匹配性评估参数越大，表示所述待分析业务交互用户回应的信息与所述用户交互信息越匹配，所述回应匹配性评估参数越小，表示所述待分析业务交互用户回应的信息与所述用户交互信息越不匹配。
步骤S150，基于所述待分析业务交互用户对于所述用户交互信息的回应可能性评估参数和回应匹配性评估参数，对所述待分析业务交互用户对于所述用户交互信息进行信息回应管控操作。
在本发明实施例中，所述应用于多端业务交互的大数据识别系统可以基于所述待分析业务交互用户对于所述用户交互信息的回应可能性评估参数和回应匹配性评估参数，对所述待分析业务交互用户对于所述用户交互信息进行信息回应管控操作。例如，可以将所述回应可能性评估参数和所述回应匹配性评估参数进行融合，如进行相乘操作，以得到对应的回应融合评估参数，然后，可以基于所述回应融合评估参数，对所述待分析业务交互用户对于所述用户交互信息进行信息回应管控操作，例如，在所述回应融合评估参数小于预先确定的参考回应融合评估参数的情况下，对所述待分析业务交互用户对应的终端设备进行信息提示操作，如对所述用户交互信息进行提示操作，举例来说，可以增大所述用户交互信息的显示字体或调整所述用户交互信息的显示颜色等。另外，所述参考回应融合评估参数的具体数值不受限制，可以根据实际需求进行配置。
基于前述的内容，由于作为回应匹配性评估参数的分析依据的第二信息匹配描述向量，是将第二信息回应描述向量和第一信息匹配描述向量进行信息融合操作以形成的，使得该分析依据更为可靠，因此，可以保障得到的回应匹配性评估参数的可靠度，从而可以保障基于回应可能性评估参数和回应匹配性评估参数进行的信息回应管控操作的可靠度，因此，可以在一定程度上提高多端业务交互中的交互可靠度，改善现有技术中的不足。
应当理解的是，在一些可能的实施方式中，上文中的步骤S110，可以进一步包括以下描述的具体实施内容：
提取到与待分析业务交互用户相对应的用户交互信息簇，以及，在所述用户交互信息簇中确定出对应的用户交互信息，所述用户交互信息簇可以包括与待分析业务交互用户进行多端业务交互的一个其它业务交互用户输出的各交互信息，然后，可以将所述用户交互信息簇中最近的一条交互信息，确定为与所述待分析业务交互用户相对应的用户交互信息；
对所述待分析业务交互用户的用户标识信息、所述用户交互信息的交互扩展信息和与所述待分析业务交互用户相对应的用户扩展信息进行加载，以加载到优化用户交互分析网络包括的信息加载单元中，所述交互扩展信息包括所述用户交互信息和对所述用户交互信息进行语义扩展操作形成的语义扩展信息，例如，可以基于近义词或同义词等方式对所述用户交互信息进行词语替换，以形成对应的语义扩展信息，或者，也可以基于其它方式进行语义扩展，以形成对应的语义扩展信息，所述用户扩展信息可以包括但不限于所述待分析业务交互用户的相关业务交互用户的用户标识信息、所述待分析业务交互用户的终端设备的设备身份信息等；
利用所述信息加载单元，将所述用户标识信息进行特征空间映射操作，以形成所述用户标识信息对应的用户标识描述向量，即映射到特征空间中，用向量的形式来表示所述用户标识信息；
利用所述信息加载单元，将所述交互扩展信息进行特征空间映射操作，以形成所述交互扩展信息对应的交互信息描述向量，即映射到特征空间中，用向量的形式来表示所述交互扩展信息；
利用所述信息加载单元，将所述用户扩展信息进行特征空间映射操作，以形成所述用户扩展信息对应的用户扩展信息描述向量，即映射到特征空间中，用向量的形式来表示所述用户扩展信息；
将所述用户标识描述向量、所述交互信息描述向量和所述用户扩展信息描述向量进行描述向量的聚合操作，以形成所述待分析业务交互用户对于所述用户交互信息的多层面信息描述向量，例如，可以将所述用户标识描述向量、所述交互信息描述向量和所述用户扩展信息描述向量进行级联组合操作，以形成多层面信息描述向量，或者，也可以将所述用户扩展信息描述向量和所述用户标识描述向量进行交叉的聚焦特征分析操作，以形成对应的交叉聚焦描述向量，然后，可以将所述用户标识描述向量、所述交互信息描述向量、所述用户扩展信息描述向量和所述交叉聚焦描述向量行级联组合操作，以形成多层面信息描述向量。
其中，应当理解的是，在一些可能的实施方式中，所述将所述用户标识描述向量、所述交互信息描述向量和所述用户扩展信息描述向量进行描述向量的聚合操作，以形成所述待分析业务交互用户对于所述用户交互信息的多层面信息描述向量的步骤，进一步包括以下描述的具体实施内容：
对所述交互信息描述向量进行拆分操作，以形成对应的第一局部交互信息描述向量和第二局部交互信息描述向量，所述第一局部交互信息描述向量对应于所述交互扩展信息中的所述用户交互信息，所述第二局部交互信息描述向量对应于所述交互扩展信息中的语义扩展信息；
分别对所述第一局部交互信息描述向量和所述第二局部交互信息描述向量进行映射操作，以形成所述第一局部交互信息描述向量对应的第一局部映射描述向量和所述第二局部交互信息描述向量对应的第二局部映射描述向量，通过该映射操作使得所述第一局部映射描述向量和所述第二局部映射描述向量属于同一个特征空间中的描述向量；
对所述第一局部映射描述向量和所述第二局部映射描述向量进行相求和运算，以输出对应的求和描述向量，再对所述求和描述向量进行非线性激活操作，以形成对应的相关性表征参数；或者，对所述第一局部映射描述向量和所述第二局部映射描述向量进行相乘运算，以输出对应的相乘结果向量，再将所述相乘结果向量进行压缩操作，如通过预设窗口对所述相乘结果向量进行滑窗操作，然后，可以将滑窗窗口包括的每一个向量参数的均值作为该滑窗窗口的代表参数，以形成对应的压缩向量，最后，对所述压缩向量进行非线性激活操作，以形成对应的相关性表征参数；
基于所述相关性表征参数，分别对所述第一局部映射描述向量和所述第二局部映射描述向量进行加权操作，以形成对应的第一加权映射向量和第二加权映射向量，再将所述第一加权映射向量和所述第二加权映射向量进行聚合操作（过程可以与对所述交互信息描述向量进行拆分操作的过程相反），如进行级联组合等操作，以形成对应的更新交互信息描述向量；
将所述更新交互信息描述向量、所述用户标识描述向量和所述用户扩展信息描述向量行描述向量的聚合操作，如级联组合操作，以形成所述待分析业务交互用户对于所述用户交互信息的多层面信息描述向量。
应当理解的是，在一些可能的实施方式中，所述用户标识信息可以包括用户身份信息、用户本质信息（如年龄、职业、性别、所在位置等）和用户偏好信息（所述用户偏好信息可以是指所述待分析业务交互用户基于历史业务交互行为的领域偏好等信息），基于此，所述利用所述信息加载单元，将所述用户标识信息进行特征空间映射操作，以形成所述用户标识信息对应的用户标识描述向量的步骤，可以进一步包括以下描述的具体实施内容：
利用所述信息加载单元，将所述用户身份信息进行映射处理（例如，把任意长度的输入，通过散列算法，变换成固定长度的输出），以形成所述用户身份信息对应的映射用户身份信息；
确定出与所述用户身份信息相对于的用户身份信息对应关系，以及，依据所述映射用户身份信息，从所述用户身份信息对应关系中，匹配出所述用户身份信息对应的用户身份信息描述向量，即基于对应关系进行查找，示例性地，所述用户身份信息对应关系可以是预先建立的；
确定出与所述用户本质信息相对应的用户本质信息对应关系，以及，从所述用户本质信息对应关系中，匹配出所述用户本质信息对应的用户本质信息描述向量，即基于对应关系进行查找，示例性地，所述用户本质信息对应关系可以是预先建立的；
确定出与所述用户偏好信息相对应的用户偏好信息对应关系，以及，从所述用户偏好信息对应关系中，匹配出所述用户偏好信息对应的用户偏好信息描述向量，即基于对应关系进行查找，示例性地，所述用户偏好信息对应关系可以是预先建立的；
将所述用户身份信息描述向量、所述用户本质信息描述向量和所述用户偏好信息描述向量进行向量的聚合操作，以形成所述用户标识信息对应的用户标识描述向量，例如，可以将所述用户身份信息描述向量、所述用户本质信息描述向量和所述用户偏好信息描述向量进行级联组合操作。
应当理解的是，在一些可能的实施方式中，所述优化用户交互分析网络还可以包括聚合处理单元，所述聚合处理单元包括聚合线性整合子单元、与所述聚合线性整合子单元分别连接的第一回应线性整合子单元和变换线性整合子单元，基于此，上文中的步骤S120，可以进一步包括以下描述的具体实施内容：
对所述多层面信息描述向量进行加载，以加载到所述聚合处理单元包括的聚合线性整合子单元中，利用所述聚合线性整合子单元，将所述多层面信息描述向量进行线性整合操作，以形成整合多层面信息描述向量；
对所述整合多层面信息描述向量进行加载，以加载到所述第一回应线性整合子单元，利用所述第一回应线性整合子单元，将所述整合多层面信息描述向量进行线性整合操作，以形成所述待分析业务交互用户对于所述用户交互信息的第一信息回应描述向量，示例性地，各类型的线性整合单元可以是一种敏感度识别层，但是，具体的网络参数可以不同，所述敏感度识别层可以包括多个级联和/或并联的神经元，在每一个神经元中，可以通过包括的映射矩阵，将输入的向量进行线性映射（如相乘），最后，可以实现线性整合操作，以输出第一信息回应描述向量；
对所述整合多层面信息描述向量进行加载，以加载到所述变换线性整合子单元，利用所述变换线性整合子单元，将所述整合多层面信息描述向量进行线性整合操作，以形成所述待分析业务交互用户对于所述用户交互信息的第一信息匹配描述向量。
应当理解的是，在一些可能的实施方式中，所述变换线性整合子单元包括前端第一变换线性整合子单元和后端第一变换线性整合子单元，所述第一信息匹配描述向量包括前端第一信息匹配描述向量和后端第一信息匹配描述向量，基于此，所述对所述整合多层面信息描述向量进行加载，以加载到所述变换线性整合子单元，利用所述变换线性整合子单元，将所述整合多层面信息描述向量进行线性整合操作，以形成所述待分析业务交互用户对于所述用户交互信息的第一信息匹配描述向量的步骤，可以进一步包括以下描述的具体实施内容：
对所述整合多层面信息描述向量进行加载，以加载到所述前端第一变换线性整合子单元中，利用所述前端第一变换线性整合子单元，将所述整合多层面信息描述向量进行线性整合操作，以形成所述待分析业务交互用户对于所述用户交互信息的前端第一信息匹配描述向量；
对所述整合多层面信息描述向量进行加载，以加载到所述后端第一变换线性整合子单元中，利用所述后端第一变换线性整合子单元，将所述整合多层面信息描述向量进行线性整合操作，以形成所述待分析业务交互用户对于所述用户交互信息的后端第一信息匹配描述向量。
应当理解的是，在一些可能的实施方式中，所述优化用户交互分析网络还可以包括线性整合单元，所述线性整合单元包括第二回应线性整合子单元，基于此，上文中的步骤S130，可以进一步包括以下描述的具体实施内容：
对所述第一信息回应描述向量进行加载，以加载到所述第二回应线性整合子单元中，利用所述第二回应线性整合子单元，将所述第一信息回应描述向量进行线性整合操作，以形成对应的第二信息回应描述向量；
基于所述第二信息回应描述向量，分析出所述待分析业务交互用户对于所述用户交互信息的回应可能性评估参数，例如，可以通过分类函数，对所述第二信息回应描述向量进行计算，以输出回应可能性评估参数，所述分类函数可以是softmax等函数。
应当理解的是，在一些可能的实施方式中，所述第一信息匹配描述向量可以包括前端第一信息匹配描述向量和后端第一信息匹配描述向量，所述第二信息匹配描述向量可以包括前端第二信息匹配描述向量和后端第二信息匹配描述向量，所述回应匹配性评估参数可以包括前端回应匹配性评估参数和后端回应匹配性评估参数，基于此，上文中的步骤S140，可以进一步包括以下描述的具体实施内容：
将所述第二信息回应描述向量和所述前端第一信息匹配描述向量进行向量的聚合操作，以形成前端聚合描述向量，以及，将所述前端聚合描述向量进行线性整合操作，以形成对应的前端第二信息匹配描述向量；
基于所述前端第二信息匹配描述向量，分析出所述待分析业务交互用户对于所述用户交互信息的前端回应匹配性评估参数，例如，可以通过分类函数，对所述前端第二信息匹配描述向量进行计算，以输出所述待分析业务交互用户对于所述用户交互信息的前端回应匹配性评估参数；
将所述前端第二信息匹配描述向量和所述后端第一信息匹配描述向量进行向量的聚合操作，以形成后端聚合描述向量，以及，将所述后端聚合描述向量进行线性整合操作，以形成对应的后端第二信息匹配描述向量；
基于所述后端第二信息匹配描述向量，分析出所述待分析业务交互用户对于所述用户交互信息的后端回应匹配性评估参数，例如，可以通过分类函数，对所述后端第二信息匹配描述向量进行计算，以输出所述待分析业务交互用户对于所述用户交互信息的后端回应匹配性评估参数，示例性地，可以直接将所述前端回应匹配性评估参数和所述后端回应匹配性评估参数作为所述回应匹配性评估参数，也可以将所述前端回应匹配性评估参数和所述后端回应匹配性评估参数的均值作为所述回应匹配性评估参数。
其中，应当理解的是，在一些可能的实施方式中，所述线性整合单元还可以包括前端第二变换线性整合子单元和前端聚合子单元，基于此，所述将所述第二信息回应描述向量和所述前端第一信息匹配描述向量进行向量的聚合操作，以形成前端聚合描述向量，以及，将所述前端聚合描述向量进行线性整合操作，以形成对应的前端第二信息匹配描述向量的步骤，可以进一步包括以下描述的具体实施内容：
对所述第二信息回应描述向量和所述前端第一信息匹配描述向量进行加载，以加载到所述前端聚合子单元中，利用所述前端聚合子单元，将所述第二信息回应描述向量和所述前端第一信息匹配描述向量进行向量的级联组合操作，以形成对应的前端聚合描述向量；
对所述前端聚合描述向量进行加载，以加载到所述前端第二变换线性整合子单元中，利用所述前端第二变换线性整合子单元，将所述前端聚合描述向量进行线性整合操作，以形成对应的前端第二信息匹配描述向量。
其中，应当理解的是，在一些可能的实施方式中，所述线性整合单元还可以包括后端第二变换线性整合子单元和后端聚合子单元，基于此，所述将所述前端第二信息匹配描述向量和所述后端第一信息匹配描述向量进行向量的聚合操作，以形成后端聚合描述向量，以及，将所述后端聚合描述向量进行线性整合操作，以形成对应的后端第二信息匹配描述向量的步骤，可以进一步包括以下描述的具体实施内容：
对所述前端第二信息匹配描述向量和所述后端第一信息匹配描述向量进行加载，以加载到所述后端聚合子单元中，利用所述后端聚合子单元，将所述前端第二信息匹配描述向量和所述后端第一信息匹配描述向量进行向量的级联组合操作，以形成对应的后端聚合描述向量，即{所述前端第二信息匹配描述向量，所述后端第一信息匹配描述向量进行向量}；
对所述后端聚合描述向量进行加载，以加载到所述后端第二变换线性整合子单元中，利用所述后端第二变换线性整合子单元，将所述后端聚合描述向量进行线性整合操作，以形成对应的后端第二信息匹配描述向量。
应当理解的是，在一些可能的实施方式中，所述应用于多端业务交互的大数据识别方法，还可以进一步包括以下描述的具体实施内容：
确定出与典型业务交互用户相对应的典型用户交互信息，以及，利用候选用户交互分析网络，挖掘出所述典型业务交互用户对于所述典型用户交互信息的典型的多层面信息描述向量，如前相关描述；
利用所述候选用户交互分析网络，基于所述典型的多层面信息描述向量，确定出所述典型业务交互用户对于所述典型用户交互信息的典型的第一信息回应描述向量和典型的第一信息匹配描述向量，如前相关描述；
将所述典型的第一信息回应描述向量进行线性整合操作，以能形成典型的第二信息回应描述向量，以及，基于所述典型的第二信息回应描述向量，分析出所述典型业务交互用户对于所述典型用户交互信息的典型的回应可能性评估参数，如前相关描述；
将所述典型的第二信息回应描述向量和所述典型的第一信息匹配描述向量进行信息融合操作，以形成对应的典型的第二信息匹配描述向量，以及，基于所述典型的第二信息匹配描述向量，分析出所述典型业务交互用户对于所述典型用户交互信息的典型的回应匹配性评估参数，如前相关描述；
依据所述典型业务交互用户对于所述典型用户交互信息的典型标识数据、所述典型的回应可能性评估参数和所述典型的回应匹配性评估参数，将所述候选用户交互分析网络进行网络优化操作，以形成优化用户交互分析网络，所述优化用户交互分析网络用于分析出所述待分析业务交互用户对于所述用户交互信息的回应可能性评估参数和回应匹配性评估参数。
应当理解的是，在一些可能的实施方式中，所述典型标识数据可以包括典型的回应可能性评估参数和典型的回应匹配性评估参数，基于此，所述依据所述典型业务交互用户对于所述典型用户交互信息的典型标识数据、所述典型的回应可能性评估参数和所述典型的回应匹配性评估参数，将所述候选用户交互分析网络进行网络优化操作，以形成优化用户交互分析网络的步骤，可以进一步包括以下描述的具体实施内容：
依据所述典型业务交互用户对于所述典型用户交互信息的所述典型的回应可能性评估参数和所述典型的回应可能性评估参数（之间的差异），计算出所述候选用户交互分析网络的回应可能性代价指标；
依据所述典型业务交互用户对于所述典型用户交互信息的所述典型的回应匹配性评估参数和所述典型的回应匹配性评估参数（之间的差异），计算出所述候选用户交互分析网络的回应匹配性代价指标；
基于所述回应可能性代价指标和所述回应匹配性代价指标，计算出所述候选用户交互分析网络的网络优化代价指标，例如，可以对所述回应可能性代价指标和所述回应匹配性代价指标进行加权求和计算，以得到所述候选用户交互分析网络的网络优化代价指标；
沿着降低所述网络优化代价指标的方向，将所述候选用户交互分析网络进行网络参数的优化更新操作，以形成对应的优化用户交互分析网络。
结合图3，本发明实施例还提供一种应用于多端业务交互的大数据识别装置，可应用于上述应用于多端业务交互的大数据识别系统。其中，所述应用于多端业务交互的大数据识别装置可以包括：
交互信息挖掘模块，用于确定出与待分析业务交互用户相对应的用户交互信息，以及，挖掘出所述待分析业务交互用户对于所述用户交互信息的多层面信息描述向量，所述用户交互信息属于与待分析业务交互用户进行多端业务交互的一个其它业务交互用户输出的交互信息，且所述用户交互信息的信息形式包括语音形式、文本形式和/或图像形式；
向量分析模块，用于基于所述多层面信息描述向量，确定出所述待分析业务交互用户对于所述用户交互信息的第一信息回应描述向量和第一信息匹配描述向量；
回应可能性评估模块，用于将所述第一信息回应描述向量进行线性整合操作，以输出对应的第二信息回应描述向量，以及，基于所述第二信息回应描述向量，分析出所述待分析业务交互用户对于所述用户交互信息的回应可能性评估参数，所述回应可能性评估参数用于反映所述待分析业务交互用户对所述用户交互信息进行信息回应操作的可能性大小；
回应匹配性评估模块，用于将所述第二信息回应描述向量和所述第一信息匹配描述向量进行信息融合操作，形成对应的第二信息匹配描述向量，以及，基于所述第二信息匹配描述向量，分析出所述待分析业务交互用户对于所述用户交互信息的回应匹配性评估参数，所述回应匹配性评估参数用于反映所述待分析业务交互用户对所述用户交互信息进行信息回应操作的回应内容的匹配程度；
信息回应管控模块，用于基于所述待分析业务交互用户对于所述用户交互信息的回应可能性评估参数和回应匹配性评估参数，对所述待分析业务交互用户对于所述用户交互信息进行信息回应管控操作。
综上所述，本发明提供的应用于多端业务交互的大数据识别方法及系统，可以先挖掘出用户交互信息的多层面信息描述向量；基于多层面信息描述向量，确定出第一信息回应描述向量和第一信息匹配描述向量；将第一信息回应描述向量进行线性整合操作，输出第二信息回应描述向量，基于第二信息回应描述向量，分析出回应可能性评估参数；将第二信息回应描述向量和第一信息匹配描述向量进行信息融合操作，形成第二信息匹配描述向量，基于第二信息匹配描述向量，分析出回应匹配性评估参数；基于回应可能性评估参数和回应匹配性评估参数，进行信息回应管控操作。基于前述的内容，由于作为回应匹配性评估参数的分析依据的第二信息匹配描述向量，是将第二信息回应描述向量和第一信息匹配描述向量进行信息融合操作以形成的，使得该分析依据更为可靠，因此，可以保障得到的回应匹配性评估参数的可靠度，从而可以保障基于回应可能性评估参数和回应匹配性评估参数进行的信息回应管控操作的可靠度，因此，可以在一定程度上提高多端业务交互中的交互可靠度，改善现有技术中的不足。
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)

1.一种应用于多端业务交互的大数据识别方法，其特征在于，包括：
确定出与待分析业务交互用户相对应的用户交互信息，以及，挖掘出所述待分析业务交互用户对于所述用户交互信息的多层面信息描述向量，所述用户交互信息属于与待分析业务交互用户进行多端业务交互的一个其它业务交互用户输出的交互信息，且所述用户交互信息的信息形式包括语音形式、文本形式和/或图像形式；
基于所述多层面信息描述向量，确定出所述待分析业务交互用户对于所述用户交互信息的第一信息回应描述向量和第一信息匹配描述向量；
将所述第一信息回应描述向量进行线性整合操作，以输出对应的第二信息回应描述向量，以及，基于所述第二信息回应描述向量，分析出所述待分析业务交互用户对于所述用户交互信息的回应可能性评估参数，所述回应可能性评估参数用于反映所述待分析业务交互用户对所述用户交互信息进行信息回应操作的可能性大小；
将所述第二信息回应描述向量和所述第一信息匹配描述向量进行信息融合操作，形成对应的第二信息匹配描述向量，以及，基于所述第二信息匹配描述向量，分析出所述待分析业务交互用户对于所述用户交互信息的回应匹配性评估参数，所述回应匹配性评估参数用于反映所述待分析业务交互用户对所述用户交互信息进行信息回应操作的回应内容的匹配程度；
基于所述待分析业务交互用户对于所述用户交互信息的回应可能性评估参数和回应匹配性评估参数，对所述待分析业务交互用户对于所述用户交互信息进行信息回应管控操作。
2.如权利要求1所述的应用于多端业务交互的大数据识别方法，其特征在于，所述确定出与待分析业务交互用户相对应的用户交互信息，以及，挖掘出所述待分析业务交互用户对于所述用户交互信息的多层面信息描述向量的步骤，包括：
提取到与待分析业务交互用户相对应的用户交互信息簇，以及，在所述用户交互信息簇中确定出对应的用户交互信息；
对所述待分析业务交互用户的用户标识信息、所述用户交互信息的交互扩展信息和与所述待分析业务交互用户相对应的用户扩展信息进行加载，以加载到优化用户交互分析网络包括的信息加载单元中，所述交互扩展信息包括所述用户交互信息和对所述用户交互信息进行语义扩展操作形成的语义扩展信息；
利用所述信息加载单元，将所述用户标识信息进行特征空间映射操作，以形成所述用户标识信息对应的用户标识描述向量；
利用所述信息加载单元，将所述交互扩展信息进行特征空间映射操作，以形成所述交互扩展信息对应的交互信息描述向量；
利用所述信息加载单元，将所述用户扩展信息进行特征空间映射操作，以形成所述用户扩展信息对应的用户扩展信息描述向量；
将所述用户标识描述向量、所述交互信息描述向量和所述用户扩展信息描述向量进行描述向量的聚合操作，以形成所述待分析业务交互用户对于所述用户交互信息的多层面信息描述向量。
3.如权利要求2所述的应用于多端业务交互的大数据识别方法，其特征在于，所述用户标识信息包括用户身份信息、用户本质信息和用户偏好信息；
所述利用所述信息加载单元，将所述用户标识信息进行特征空间映射操作，以形成所述用户标识信息对应的用户标识描述向量的步骤，包括：
利用所述信息加载单元，将所述用户身份信息进行映射处理，以形成所述用户身份信息对应的映射用户身份信息；
确定出与所述用户身份信息相对于的用户身份信息对应关系，以及，依据所述映射用户身份信息，从所述用户身份信息对应关系中，匹配出所述用户身份信息对应的用户身份信息描述向量；
确定出与所述用户本质信息相对应的用户本质信息对应关系，以及，从所述用户本质信息对应关系中，匹配出所述用户本质信息对应的用户本质信息描述向量；
确定出与所述用户偏好信息相对应的用户偏好信息对应关系，以及，从所述用户偏好信息对应关系中，匹配出所述用户偏好信息对应的用户偏好信息描述向量；
将所述用户身份信息描述向量、所述用户本质信息描述向量和所述用户偏好信息描述向量进行向量的聚合操作，以形成所述用户标识信息对应的用户标识描述向量。
4.如权利要求2所述的应用于多端业务交互的大数据识别方法，其特征在于，所述优化用户交互分析网络还包括聚合处理单元，所述聚合处理单元包括聚合线性整合子单元、与所述聚合线性整合子单元分别连接的第一回应线性整合子单元和变换线性整合子单元；
所述基于所述多层面信息描述向量，确定出所述待分析业务交互用户对于所述用户交互信息的第一信息回应描述向量和第一信息匹配描述向量的步骤，包括：
对所述多层面信息描述向量进行加载，以加载到所述聚合处理单元包括的聚合线性整合子单元中，利用所述聚合线性整合子单元，将所述多层面信息描述向量进行线性整合操作，以形成整合多层面信息描述向量；
对所述整合多层面信息描述向量进行加载，以加载到所述第一回应线性整合子单元，利用所述第一回应线性整合子单元，将所述整合多层面信息描述向量进行线性整合操作，以形成所述待分析业务交互用户对于所述用户交互信息的第一信息回应描述向量；
对所述整合多层面信息描述向量进行加载，以加载到所述变换线性整合子单元，利用所述变换线性整合子单元，将所述整合多层面信息描述向量进行线性整合操作，以形成所述待分析业务交互用户对于所述用户交互信息的第一信息匹配描述向量。
5.如权利要求4所述的应用于多端业务交互的大数据识别方法，其特征在于，所述变换线性整合子单元包括前端第一变换线性整合子单元和后端第一变换线性整合子单元，所述第一信息匹配描述向量包括前端第一信息匹配描述向量和后端第一信息匹配描述向量；
所述对所述整合多层面信息描述向量进行加载，以加载到所述变换线性整合子单元，利用所述变换线性整合子单元，将所述整合多层面信息描述向量进行线性整合操作，以形成所述待分析业务交互用户对于所述用户交互信息的第一信息匹配描述向量的步骤，包括：
对所述整合多层面信息描述向量进行加载，以加载到所述前端第一变换线性整合子单元中，利用所述前端第一变换线性整合子单元，将所述整合多层面信息描述向量进行线性整合操作，以形成所述待分析业务交互用户对于所述用户交互信息的前端第一信息匹配描述向量；
对所述整合多层面信息描述向量进行加载，以加载到所述后端第一变换线性整合子单元中，利用所述后端第一变换线性整合子单元，将所述整合多层面信息描述向量进行线性整合操作，以形成所述待分析业务交互用户对于所述用户交互信息的后端第一信息匹配描述向量。
6.如权利要求2所述的应用于多端业务交互的大数据识别方法，其特征在于，所述优化用户交互分析网络还包括线性整合单元，所述线性整合单元包括第二回应线性整合子单元；
所述将所述第一信息回应描述向量进行线性整合操作，以输出对应的第二信息回应描述向量，以及，基于所述第二信息回应描述向量，分析出所述待分析业务交互用户对于所述用户交互信息的回应可能性评估参数的步骤，包括：
对所述第一信息回应描述向量进行加载，以加载到所述第二回应线性整合子单元中，利用所述第二回应线性整合子单元，将所述第一信息回应描述向量进行线性整合操作，以形成对应的第二信息回应描述向量；
基于所述第二信息回应描述向量，分析出所述待分析业务交互用户对于所述用户交互信息的回应可能性评估参数。
7.如权利要求6所述的应用于多端业务交互的大数据识别方法，其特征在于，所述第一信息匹配描述向量包括前端第一信息匹配描述向量和后端第一信息匹配描述向量，所述第二信息匹配描述向量包括前端第二信息匹配描述向量和后端第二信息匹配描述向量，所述回应匹配性评估参数包括前端回应匹配性评估参数和后端回应匹配性评估参数；
所述将所述第二信息回应描述向量和所述第一信息匹配描述向量进行信息融合操作，形成对应的第二信息匹配描述向量，以及，基于所述第二信息匹配描述向量，分析出所述待分析业务交互用户对于所述用户交互信息的回应匹配性评估参数的步骤，包括：
将所述第二信息回应描述向量和所述前端第一信息匹配描述向量进行向量的聚合操作，以形成前端聚合描述向量，以及，将所述前端聚合描述向量进行线性整合操作，以形成对应的前端第二信息匹配描述向量；
基于所述前端第二信息匹配描述向量，分析出所述待分析业务交互用户对于所述用户交互信息的前端回应匹配性评估参数；
将所述前端第二信息匹配描述向量和所述后端第一信息匹配描述向量进行向量的聚合操作，以形成后端聚合描述向量，以及，将所述后端聚合描述向量进行线性整合操作，以形成对应的后端第二信息匹配描述向量；
基于所述后端第二信息匹配描述向量，分析出所述待分析业务交互用户对于所述用户交互信息的后端回应匹配性评估参数。
8.如权利要求1-7任意一项所述的应用于多端业务交互的大数据识别方法，其特征在于，所述大数据识别方法还包括：
确定出与典型业务交互用户相对应的典型用户交互信息，以及，利用候选用户交互分析网络，挖掘出所述典型业务交互用户对于所述典型用户交互信息的典型的多层面信息描述向量；
利用所述候选用户交互分析网络，基于所述典型的多层面信息描述向量，确定出所述典型业务交互用户对于所述典型用户交互信息的典型的第一信息回应描述向量和典型的第一信息匹配描述向量；
将所述典型的第一信息回应描述向量进行线性整合操作，以能形成典型的第二信息回应描述向量，以及，基于所述典型的第二信息回应描述向量，分析出所述典型业务交互用户对于所述典型用户交互信息的典型的回应可能性评估参数；
将所述典型的第二信息回应描述向量和所述典型的第一信息匹配描述向量进行信息融合操作，以形成对应的典型的第二信息匹配描述向量，以及，基于所述典型的第二信息匹配描述向量，分析出所述典型业务交互用户对于所述典型用户交互信息的典型的回应匹配性评估参数；
依据所述典型业务交互用户对于所述典型用户交互信息的典型标识数据、所述典型的回应可能性评估参数和所述典型的回应匹配性评估参数，将所述候选用户交互分析网络进行网络优化操作，以形成优化用户交互分析网络，所述优化用户交互分析网络用于分析出所述待分析业务交互用户对于所述用户交互信息的回应可能性评估参数和回应匹配性评估参数。
9.如权利要求8所述的应用于多端业务交互的大数据识别方法，其特征在于，所述典型标识数据包括典型的回应可能性评估参数和典型的回应匹配性评估参数；
所述依据所述典型业务交互用户对于所述典型用户交互信息的典型标识数据、所述典型的回应可能性评估参数和所述典型的回应匹配性评估参数，将所述候选用户交互分析网络进行网络优化操作，以形成优化用户交互分析网络的步骤，包括：
依据所述典型业务交互用户对于所述典型用户交互信息的所述典型的回应可能性评估参数和所述典型的回应可能性评估参数，计算出所述候选用户交互分析网络的回应可能性代价指标；
依据所述典型业务交互用户对于所述典型用户交互信息的所述典型的回应匹配性评估参数和所述典型的回应匹配性评估参数，计算出所述候选用户交互分析网络的回应匹配性代价指标；
基于所述回应可能性代价指标和所述回应匹配性代价指标，计算出所述候选用户交互分析网络的网络优化代价指标；
沿着降低所述网络优化代价指标的方向，将所述候选用户交互分析网络进行网络参数的优化更新操作，以形成对应的优化用户交互分析网络。
10.一种应用于多端业务交互的大数据识别系统，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。
CN202310748690.8A 2023-06-25 2023-06-25 应用于多端业务交互的大数据识别方法及系统 Withdrawn CN116720119A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310748690.8A CN116720119A (zh) 2023-06-25 2023-06-25 应用于多端业务交互的大数据识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310748690.8A CN116720119A (zh) 2023-06-25 2023-06-25 应用于多端业务交互的大数据识别方法及系统

Publications (1)

Publication Number Publication Date
CN116720119A true CN116720119A (zh) 2023-09-08

Family

ID=87865816

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310748690.8A Withdrawn CN116720119A (zh) 2023-06-25 2023-06-25 应用于多端业务交互的大数据识别方法及系统

Country Status (1)

Country Link
CN (1) CN116720119A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117370767A (zh) * 2023-12-07 2024-01-09 四川经科企业管理服务有限公司 基于大数据的用户信息评估方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117370767A (zh) * 2023-12-07 2024-01-09 四川经科企业管理服务有限公司 基于大数据的用户信息评估方法及系统
CN117370767B (zh) * 2023-12-07 2024-02-27 四川经科企业管理服务有限公司 基于大数据的用户信息评估方法及系统

Similar Documents

Publication Publication Date Title
CN112084383A (zh) 基于知识图谱的信息推荐方法、装置、设备及存储介质
CN111414874B (zh) 基于人脸的驾驶风险预测方法、装置、设备和存储介质
CN110135943B (zh) 产品推荐方法、装置、计算机设备和存储介质
CN116720119A (zh) 应用于多端业务交互的大数据识别方法及系统
CN114416998A (zh) 文本标签的识别方法、装置、电子设备及存储介质
CN116304341A (zh) 基于用户网络大数据的欺诈判别方法及系统
CN114707041A (zh) 消息推荐方法、装置、计算机可读介质及电子设备
CN113064984B (zh) 意图识别方法、装置、电子设备及可读存储介质
CN112905885B (zh) 向用户推荐资源的方法、装置、设备、介质和程序产品
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
CN115757900B (zh) 应用人工智能模型的用户需求分析方法及系统
CN112559578A (zh) 数据处理方法、装置、电子设备和存储介质
CN116070149A (zh) 基于人工智能的数据分析方法、系统及云平台
CN111552827B (zh) 标注方法和装置、行为意愿预测模型训练方法和装置
CN114117037A (zh) 意图识别方法、装置、设备和存储介质
CN112231454A (zh) 提问预测及回答反馈方法、装置、计算机设备及存储介质
CN116628181B (zh) 基于物联网的用户控制偏好感知方法及系统
CN114996589B (zh) 基于防疫大数据的线上资讯推送方法及系统
CN115375412B (zh) 基于图像识别的商品智能推荐处理方法及系统
CN116662415B (zh) 基于数据挖掘的智能匹配方法及系统
CN113590935B (zh) 信息推荐方法、装置、计算机设备及存储介质
CN116150221B (zh) 服务于企业电商运营管理的信息交互方法及系统
CN117150124B (zh) 一种基于智慧家居的用户特征分析方法及系统
CN117201149A (zh) 一种基于云计算的数据访问方法及系统
CN112417310B (zh) 建立智能服务索引以及推荐智能服务的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20230908