CN116881541A - 针对在线搜索活动的ai处理方法及在线服务大数据系统 - Google Patents
针对在线搜索活动的ai处理方法及在线服务大数据系统 Download PDFInfo
- Publication number
- CN116881541A CN116881541A CN202310497232.1A CN202310497232A CN116881541A CN 116881541 A CN116881541 A CN 116881541A CN 202310497232 A CN202310497232 A CN 202310497232A CN 116881541 A CN116881541 A CN 116881541A
- Authority
- CN
- China
- Prior art keywords
- search
- event
- characterization information
- template
- feature
- 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.)
- Pending
Links
- 230000000694 effects Effects 0.000 title claims abstract description 24
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000012512 characterization method Methods 0.000 claims abstract description 188
- 230000006399 behavior Effects 0.000 claims abstract description 113
- 230000003993 interaction Effects 0.000 claims abstract description 82
- 238000005065 mining Methods 0.000 claims abstract description 79
- 239000013598 vector Substances 0.000 claims abstract description 51
- 230000004927 fusion Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 60
- 239000011159 matrix material Substances 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例实施例提供一种针对在线搜索活动的AI处理方法及在线服务大数据系统，通过挖掘多个前后向业务搜索事件中的事件聚焦数据，利用各个不同的事件聚焦数据的事件聚焦度对前后向业务搜索事件中的至少部分搜索互动行为的搜索行为特征向量进行融合，得出反映多个前后向业务搜索事件的前后向融合特征向量，从而可以有效结合多个前后向业务搜索事件确定关键业务搜索事件的搜索表征信息，扩展后续用户兴趣点挖掘的特征维度和特征量，进而提高用户兴趣点挖掘的精确性，以提高在线资源推送的可靠性。
Description
技术领域
本申请实施例涉及人工智能技术领域，具体而言，涉及一种针对在线搜索活动的AI处理方法及在线服务大数据系统。
背景技术
互联网信息技术通过计算机网络的广域网使不同的设备相互连接，加快信息的传输速度和拓宽信息的获取渠道，促进各种不同的软件应用的开发，改变了用户的生活和学习方式。互联网技术的普遍应用，是进入信息社会的标志。互联网信息平台是为了解决特定的问题而存在的，这个问题就是如何使信息更加有效的利用，如何让信息的使用者在利用信息的时候得到乐趣，和包括数据仓库软件产品在内的其他计算机软件产品一样，提供的各种各样的信息发布和共享的方式，相对应地也就提供搜索互动的平台。在相关技术中，用户的搜索互动大数据可以反映用户的兴趣点指向，通过分析用户的兴趣点指向，可以对用户后续的内容推送提供改善和优化依据。对于此，本申请发明人研究发现，现有技术中在进行用户的某个关键业务搜索事件进行用户兴趣点挖掘时，通常是仅依据关键业务搜索事件自身的搜索表征信息，导致用户兴趣点挖掘的特征维度和特征量无法满足实际业务场景需求，进而影响用户兴趣点挖掘的精确性，从而影响在线资源推送的可靠性。
发明内容
为了至少克服现有技术中的上述不足，本申请实施例的目的在于提供一种针对在线搜索活动的AI处理方法及在线服务大数据系统。
第一方面，本申请实施例实施例提供一种针对在线搜索活动的AI处理方法，应用于在线服务大数据系统，所述方法包括：
从目标用户的目标在线搜索大数据中获取关键业务搜索事件所对应的多个前后向业务搜索事件；
为所述多个前后向业务搜索事件中的每个前后向业务搜索事件确定事件聚焦数据以及所述事件聚焦数据的事件聚焦度，所述事件聚焦数据是所述多个前后向业务搜索事件的聚焦搜索特征集合，所述聚焦搜索特征集合用于表征所述聚焦搜索特征集合的前后向业务搜索事件的数量与所述多个前后向业务搜索事件的数量之比不小于预置事件聚焦度的特征集合，所述事件聚焦数据的事件聚焦度用于表征相应事件聚焦数据的前后向业务搜索事件的数量与所述多个前后向业务搜索事件的数量之比；
获取所述多个前后向业务搜索事件中的至少部分搜索互动行为的搜索行为特征向量，所述搜索行为特征向量是依据单个前后向业务搜索事件而生成的特征向量；
基于所述各个不同的事件聚焦数据的事件聚焦度对所述至少部分搜索互动行为的搜索行为特征向量进行融合，生成所述关键业务搜索事件的前后向融合特征向量；
将所述关键业务搜索事件的前后向融合特征向量以及所述关键业务搜索事件的特征向量作为关键搜索表征数据输入到预先训练的兴趣点挖掘模型中，获得所述目标用户的用户兴趣点信息，并基于所述目标用户的用户兴趣点信息向所述目标用户推送对应的在线资源数据流。
在第一方面的一种可能的实施方式中，所述确定事件聚焦数据包括：
对所述多个前后向业务搜索事件应用注意力机制提取，并确定对应所述多个前后向业务搜索事件中的每个前后向业务搜索事件的一个聚焦搜索特征集合作为相应前后向业务搜索事件的所述事件聚焦数据后进行噪声清洗生成所述多个前后向业务搜索事件的各个不同的事件聚焦数据。
在第一方面的一种可能的实施方式中，为所述多个前后向业务搜索事件中的每个前后向业务搜索事件确定事件聚焦数据，包括：
对所述多个前后向业务搜索事件中的每个前后向业务搜索事件进行整理，生成由各个前后向业务搜索事件的搜索互动行为依照在各个前后向业务搜索事件中触发的次序生成的集合，由此获得与所述多个前后向业务搜索事件相应的多个集合；
在所述多个集合中，确定至少一个的搜索互动行为构成的特征集合，输出为所述聚焦搜索特征集合，其中包含所述特征集合的集合的数量与所述多个集合的数量之比不小于所述预置事件聚焦度；
对于所述多个集合的每个集合，从所述聚焦搜索特征集合中，确定属于该集合的聚焦搜索特征集合，并从所述属于该集合的聚焦搜索特征集合中确定最多聚焦搜索特征集合作为该集合的事件聚焦数据。
在第一方面的一种可能的实施方式中，所述在所述多个集合中，确定至少一个的搜索互动行为构成的特征集合，输出为所述聚焦搜索特征集合，包括：
对于所述多个集合中的每个搜索互动行为，分析该搜索互动行为的行为权重，该搜索互动行为的行为权重是所述多个集合中包含该搜索互动行为的集合数量与所述多个集合的集合数量比值，将所述行为权重不小于所述预置事件聚焦度的相应搜索互动行为输出为对象指标为1的标的对象，将所述行为权重小于所述预置事件聚焦度的相应搜索互动行为从所述多个集合中移除；
按照逐渐增大的顺序针对每个x值，执行以下操作，x是整数，1≤x≤M，M是经过所述移除的各个集合中搜索互动行为的最大数量：
将对象指标为x的标的对象输出为聚焦搜索特征集合，并针对对象指标为x的每个标的对象，从游走所述移除的各个集合中确定该标的对象的映射集合簇，并分析所述映射集合簇中的每个搜索互动行为的映射行为权重，所述搜索互动行为的映射行为权重是：在该标的对象的映射集合簇中，包含所述搜索互动行为的映射集合数量与所述多个集合的集合数量比值，以及对于对象指标为x的每个标的对象，当所述映射行为权重不小于所述预置事件聚焦度时，将相应的搜索互动行为与该标的对象进行关联配置，生成对象指标为x=x+1的标的对象，并返回以下操作。
在第一方面的一种可能的实施方式中，当所述多个集合均包括所述关键业务搜索事件时，所述至少部分搜索互动行为是相应集合的最多聚焦搜索特征集合中移除所述关键业务搜索事件后的所有搜索互动行为；以及当所述多个集合均不包括所述关键业务搜索事件时，所述至少部分搜索互动行为的是相应集合的最多聚焦搜索特征集合中的所有搜索互动行为。
在第一方面的一种可能的实施方式中，所述基于所述各个不同的事件聚焦数据的事件聚焦度对所述至少部分搜索互动行为的搜索行为特征向量进行融合，生成所述关键业务搜索事件的前后向融合特征向量，包括：
将所述各个不同的事件聚焦数据中包括的搜索互动行为输出为所述至少部分搜索互动行为；
基于所述各个不同的事件聚焦数据的每个事件聚焦数据的事件聚焦度对相应事件聚焦数据中的各个搜索互动行为的搜索行为特征向量进行权重融合，并将针对每个事件聚焦数据的权重融合结果作为所述关键业务搜索事件的前后向融合特征向量。
在第一方面的一种可能的实施方式中，所述兴趣点挖掘模型的训练步骤，包括：
获取第一样本量级的监督模板搜索表征信息和第二样本量级的无监督模板搜索表征信息，将所述第一样本量级的监督模板搜索表征信息和所述第二样本量级的无监督模板搜索表征信息传递到兴趣点挖掘模型；所述第一样本量级的监督模板搜索表征信息分别携带有所包含的关键搜索表征数据的先验兴趣点信息；所述第一样本量级的监督模板搜索表征信息携带的搜索表征信息和所述第二样本量级的无监督模板搜索表征信息携带的搜索表征信息属于相同的搜索场景；
在所述兴趣点挖掘模型中确定每个监督模板搜索表征信息所包含的关键搜索表征数据的第一兴趣点挖掘信息，从兴趣训练资源库中获取所述每个监督模板搜索表征信息的关联模板搜索表征信息；所述兴趣训练资源库包括所述第一样本量级的监督模板搜索表征信息和所述第二样本量级的无监督模板搜索表征信息；所述每个监督模板搜索表征信息的关联模板搜索表征信息未携带所属监督模板搜索表征信息携带的先验兴趣点信息；
结合所述每个监督模板搜索表征信息与所属的关联模板搜索表征信息之间的相关性度量值确定第一训练收敛值，结合所述每个监督模板搜索表征信息对应的第一兴趣点挖掘信息和携带的先验兴趣点信息确定第二训练收敛值；
结合所述第一训练收敛值和所述第二训练收敛值调整所述兴趣点挖掘模型的权重数据，生成目标兴趣点挖掘模型；所述目标兴趣点挖掘模型用于对属于所述搜索场景的关键搜索表征数据进行兴趣点挖掘；
所述从兴趣训练资源库中获取所述每个监督模板搜索表征信息的关联模板搜索表征信息，包括：
在所述兴趣点挖掘模型中生成所述每个监督模板搜索表征信息的兴趣有向图描述和每个无监督模板搜索表征信息的兴趣有向图描述；
获取对所述每个监督模板搜索表征信息的兴趣有向图描述进行规范字段变换后生成的规范字段描述，获取对所述每个无监督模板搜索表征信息的兴趣有向图描述进行规范字段变换后生成的规范字段描述；
获取包括所述每个监督模板搜索表征信息的规范字段描述的第一自编码特征矩阵和包括所述每个无监督模板搜索表征信息的规范字段描述的第二自编码特征矩阵；
对所述第一自编码特征矩阵和所述第二自编码特征矩阵进行汇聚，生成目标自编码特征矩阵；
获取所述目标自编码特征矩阵的从属联动特征矩阵，将所述第一自编码特征矩阵和所述从属联动特征矩阵的聚合矩阵确定为所述训练特征矩阵；
从所述训练特征矩阵中获取所述每个监督模板搜索表征信息分别与所述兴趣训练资源库中的搜索特征资源之间的相关性度量值；
从所述兴趣训练资源库中清洗与所述监督模板搜索表征信息y携带有相同兴趣点数据的搜索特征，生成拟定兴趣训练资源库；
结合所述监督模板搜索表征信息y分别与所述拟定兴趣训练资源库中的每个搜索特征资源之间的相关性度量值的大小顺序，对所述每个搜索特征资源进行排序，生成拟定兴趣训练资源库；
获取关联模板搜索表征信息数量m，将所述拟定兴趣训练资源库中的前m个搜索特征资源确定为所述监督模板搜索表征信息y的关联模板搜索表征信息；m为小于第二数量和第一数量之和的正整数；
所述第一样本量级的监督模板搜索表征信息包括监督模板搜索表征信息y，y为不大于第二数量的正整数。
譬如，在第一方面的一种可能的实施方式中，所述结合所述每个监督模板搜索表征信息与所属的关联模板搜索表征信息之间的相关性度量值确定第一训练收敛值，包括：
结合所述每个监督模板搜索表征信息与所属的关联模板搜索表征信息之间的相关性度量值，分别确定所述每个监督模板搜索表征信息与所属的关联模板搜索表征信息之间的平均相关性度量值；
结合所述每个监督模板搜索表征信息与所属的关联模板搜索表征信息之间的平均相关性度量值生成相关性度量值矩阵；
将所述相关性度量值矩阵的方差函数，确定为所述第一训练收敛值。
譬如，在第一方面的一种可能的实施方式中，所述结合所述第一训练收敛值和所述第二训练收敛值调整所述兴趣点挖掘模型的权重数据，生成目标兴趣点挖掘模型，包括：
对所述第一训练收敛值和所述第二训练收敛值进行加权融合，生成第三训练收敛值；
结合所述第三训练收敛值更新所述兴趣点挖掘模型的权重数据；
当分析确定对所述兴趣点挖掘模型的权重数据收敛时，将所述兴趣点挖掘模型确定为所述目标兴趣点挖掘模型。
譬如，在第一方面的一种可能的实施方式中，所述方法还包括：
将所述第一样本量级的监督模板搜索表征信息传递到初始化兴趣点挖掘模型；
在所述初始化兴趣点挖掘模型中确定所述每个监督模板搜索表征信息所包含的关键搜索表征数据的第二兴趣点挖掘信息；
结合所述每个监督模板搜索表征信息对应的第二兴趣点挖掘信息和所述每个监督模板搜索表征信息携带的先验兴趣点信息，调整所述初始化兴趣点挖掘模型的权重数据，生成所述兴趣点挖掘模型。
譬如，在第一方面的一种可能的实施方式中，所述在所述兴趣点挖掘模型中确定每个监督模板搜索表征信息所包含的关键搜索表征数据的第一兴趣点挖掘信息，包括：
在所述兴趣点挖掘模型中生成所述每个监督模板搜索表征信息的兴趣有向图描述；
对所述每个监督模板搜索表征信息的兴趣有向图描述进行规范字段变换，生成所述每个监督模板搜索表征信息的规范字段描述；
结合所述每个监督模板搜索表征信息的规范字段描述，确定所述每个监督模板搜索表征信息的第一兴趣点挖掘信息；
所述第一样本量级的监督模板搜索表征信息包括监督模板搜索表征信息y，y为不大于第二数量的正整数；所述兴趣点挖掘模型的权重数据包括全连接网络的权重数据；所述第一样本量级的监督模板搜索表征信息共携带有s种兴趣点数据，一种兴趣点数据对应一种先验兴趣点信息，s为不大于第二数量的正整数；
所述结合所述每个监督模板搜索表征信息的规范字段描述，确定所述每个监督模板搜索表征信息的第一兴趣点挖掘信息，包括：
对所述全连接网络的权重数据进行规范字段变换，生成所述全连接网络的转换权重数据；
结合所述监督模板搜索表征信息y的规范字段描述和所述转换权重数据，确定所述监督模板搜索表征信息y所包含的关键搜索表征数据为s种先验兴趣点信息中的每种先验兴趣点信息的支持度；
将所述监督模板搜索表征信息y所包含的关键搜索表征数据为所述每种先验兴趣点信息的支持度，确定为所述监督模板搜索表征信息y的第一兴趣点挖掘信息。
第二方面，本申请实施例实施例还提供一种针对在线搜索活动的AI处理系统，所述针对在线搜索活动的AI处理系统包括在线服务大数据系统以及与所述在线服务大数据系统通信连接的多个AI运算服务在线行为对象；
所述在线服务大数据系统，用于：
从目标用户的目标在线搜索大数据中获取关键业务搜索事件所对应的多个前后向业务搜索事件；
为所述多个前后向业务搜索事件中的每个前后向业务搜索事件确定事件聚焦数据以及所述事件聚焦数据的事件聚焦度，所述事件聚焦数据是所述多个前后向业务搜索事件的聚焦搜索特征集合，所述聚焦搜索特征集合用于表征所述聚焦搜索特征集合的前后向业务搜索事件的数量与所述多个前后向业务搜索事件的数量之比不小于预置事件聚焦度的特征集合，所述事件聚焦数据的事件聚焦度用于表征相应事件聚焦数据的前后向业务搜索事件的数量与所述多个前后向业务搜索事件的数量之比；
获取所述多个前后向业务搜索事件中的至少部分搜索互动行为的搜索行为特征向量，所述搜索行为特征向量是依据单个前后向业务搜索事件而生成的特征向量；
基于所述各个不同的事件聚焦数据的事件聚焦度对所述至少部分搜索互动行为的搜索行为特征向量进行融合，生成所述关键业务搜索事件的前后向融合特征向量；
将所述关键业务搜索事件的前后向融合特征向量以及所述关键业务搜索事件的特征向量作为关键搜索表征数据输入到预先训练的兴趣点挖掘模型中，获得所述目标用户的用户兴趣点信息，并基于所述目标用户的用户兴趣点信息向所述目标用户推送对应的在线资源数据流。
第三方面，本申请实施例还提供一种在线服务大数据系统，所述在线服务大数据系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有计算机程序，所述计算机程序结合该处理器加载并执行以实现以上第一方面的针对在线搜索活动的AI处理方法。
第四方面，本申请实施例提供一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于被处理器执行时，以实现以上第一方面的针对在线搜索活动的AI处理方法。
第五方面，本申请实施例提供一种计算机程序产品，包括计算机程序或计算机可执行指令，所述计算机程序或计算机可执行指令被处理器执行时，以实现以上第一方面的针对在线搜索活动的AI处理方法。
本申请实施例至少具有以下有益效果：
呈上所述的任意一方面，通过挖掘多个前后向业务搜索事件中的事件聚焦数据，利用各个不同的事件聚焦数据的事件聚焦度对前后向业务搜索事件中的至少部分搜索互动行为的搜索行为特征向量进行融合，得出反映多个前后向业务搜索事件的前后向融合特征向量，将所述关键业务搜索事件的前后向融合特征向量以及所述关键业务搜索事件的特征向量作为关键搜索表征数据输入到预先训练的兴趣点挖掘模型中，获得所述目标用户的用户兴趣点信息，并基于所述目标用户的用户兴趣点信息向所述目标用户推送对应的在线资源数据流，从而可以有效结合多个前后向业务搜索事件确定关键业务搜索事件的搜索表征信息，扩展后续用户兴趣点挖掘的特征维度和特征量，进而提高用户兴趣点挖掘的精确性，以提高在线资源推送的可靠性。
附图说明
图1为本申请实施例实施例提供的针对在线搜索活动的AI处理方法的流程示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的基础上相互结合。
在以下的描述中，所涉及的术语“第一\第二”仅仅是区别类似的关键搜索表征数据，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的基础上可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义，本申请实施例所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本申请实施例中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
参见图1：
STEP101，从目标用户的目标在线搜索大数据中获取关键业务搜索事件所对应的多个前后向业务搜索事件。
本实施例中，在线搜索大数据可以是指目标用户在各个互联网信息平台中进行搜索互动操作所形成的数据集合，该在线搜索大数据可以是该目标用户授权许可的前提下进行搜集。关键业务搜索事件可以是任意指定的业务搜索事件，如持续搜索停留时间大于预设时间的业务搜索事件等，具体不限于此。
本实施例中，经过发明人长期进行技术研究发现，同一个搜索互动行为，可能会存在于不同的前后向业务搜索事件中，此时根据搜索互动行为所在的单个前后向业务搜索事件可能无法准确分析出搜索互动行为的行为特征。基于此，本实施例首先从目标在线搜索大数据中检索关键业务搜索事件所对应的多个前后向业务搜索事件，前后向业务搜索事件可以用于表征该关键业务搜索事件在事件触发之前相关的业务搜索事件和在事件触发之后相关的业务搜索事件，考虑到在一个目标在线搜索大数据中，通常关键业务搜索事件可能会出现多次，因此对应的前后向业务搜索事件也就会存在多个。
STEP102，为该多个前后向业务搜索事件中的每个前后向业务搜索事件确定事件聚焦数据以及该事件聚焦数据的事件聚焦度。
例如，本实施例可以对该多个前后向业务搜索事件应用注意力机制提取，并确定对应该多个前后向业务搜索事件中的每个前后向业务搜索事件的一个聚焦搜索特征集合作为相应前后向业务搜索事件的该事件聚焦数据，而后进行噪声清洗生成该多个前后向业务搜索事件的各个不同的事件聚焦数据。该事件聚焦度用于表征相应事件聚焦数据的前后向业务搜索事件的数量与所述多个前后向业务搜索事件的数量之比，该聚焦搜索特征集合用于表征该聚焦搜索特征集合的前后向业务搜索事件的数量与该多个前后向业务搜索事件的数量之比不小于预置事件聚焦度的特征集合，也就是在前后向业务搜索事件中的行为权重不小于预置事件聚焦度的特征集合。
一种可替代的实施方式中，确定前后向业务搜索事件的最多聚焦搜索特征集合作为该前后向业务搜索事件的事件聚焦数据，则该最多聚焦搜索特征集合的事件聚焦度即是该事件聚焦数据的事件聚焦度。
一种可替代的实施方式中，为该多个前后向业务搜索事件中的每个前后向业务搜索事件确定事件聚焦数据，具体可以包括以下步骤：
在STEP1021，对该多个前后向业务搜索事件中的每个前后向业务搜索事件进行整理，生成由各个前后向业务搜索事件的搜索互动行为依照在各个前后向业务搜索事件中触发的次序生成的集合，由此获得与该多个前后向业务搜索事件相应的多个集合。
在STEP1022，在该多个集合中，确定至少一个的搜索互动行为构成的特征集合，输出为所述聚焦搜索特征集合，其中包含所述特征集合的集合的数量与所述多个集合的数量之比不小于该预置事件聚焦度。
在STEP1023，针对该多个集合的每个集合，从聚焦搜索特征集合中，确定属于该集合的聚焦搜索特征集合，并从该属于该集合的聚焦搜索特征集合中确定最多聚焦搜索特征集合作为相应集合的事件聚焦数据。由于在STEP1022中，进行注意力机制提取是对各个集合全局提取的，并未区分提取的聚焦搜索特征集合属于哪个集合，因此在STEP1023中，需要确定每个集合对应哪些聚焦搜索特征集合，显然，这种对应关系要求找出作为集合子集的那些聚焦搜索特征集合。
一种可替代的实施方式中，STEP1022进一步包括，针对该多个集合的每个集合：
在STEP10221，针对该多个集合中的每个搜索互动行为，分析该搜索互动行为的行为权重，该搜索互动行为的该行为权重是该多个集合中包含该搜索互动行为的集合数量与该多个集合的集合数量比值，将该行为权重不小于该预置事件聚焦度的相应搜索互动行为输出为对象指标为1的标的对象，将该行为权重小于该预置事件聚焦度的相应搜索互动行为从该多个集合中移除。
按照逐渐增大的顺序针对每个x值，执行STEP10222-20223，其中，x是整数，1≤x≤M，M是经过该移除的各个集合中搜索互动行为的最大数量。
在STEP10222，执行确定步骤：将对象指标为x的标的对象输出为聚焦搜索特征集合，并针对对象指标为x的每个标的对象，从游走该移除的各个集合中确定该标的对象的映射集合簇，并分析该映射集合簇中的每个搜索互动行为的映射行为权重，该搜索互动行为的映射行为权重是，在该标的对象的映射集合簇中，包含该搜索互动行为的映射集合数量与该多个集合的集合数量比值。
在STEP10223，针对对象指标为x的每个标的对象，存在任何映射集合簇，并且上述分析的映射行为权重不小于该预置事件聚焦度时，将相应的搜索互动行为与该标的对象进行关联配置，生成对象指标为x=x+1的标的对象，并返回STEP10222继续执行。
在STEP103，获取该多个前后向业务搜索事件中的至少部分搜索互动行为的搜索行为特征向量，该搜索行为特征向量是依据单个前后向业务搜索事件而生成的特征向量，例如可以通过独热（Onehot）编码确定该多个前后向业务搜索事件中的至少部分搜索互动行为的搜索行为特征向量。
在STEP104，利用各个不同的事件聚焦数据的事件聚焦度对该至少部分搜索互动行为的搜索行为特征向量进行融合，生成该关键业务搜索事件的前后向融合特征向量。
一种可替代的实施方式中，该步骤包括：将该各个不同的事件聚焦数据中包括的搜索互动行为输出为该至少部分搜索互动行为；也即提取事件聚焦度小于预置事件聚焦度的那部分搜索互动行为，接着结合该各个不同的事件聚焦数据的每个事件聚焦数据的事件聚焦度对相应事件聚焦数据中的各个搜索互动行为的搜索行为特征向量进行权重融合，并将针对每个事件聚焦数据的权重融合结果作为该关键业务搜索事件的前后向融合特征向量。这样的前后向融合特征向量能够综合体现多个不同的前后向业务搜索事件，并且通过利用事件聚焦度进行加权，考虑了各个前后向业务搜索事件的影响程度，构建出来的特征向量会更接近其实际情况。
参照STEP1021所述，在对前后向业务搜索事件进行注意力机制提取时，先将前后向业务搜索事件转换成相应的搜索互动行为集合，然后再进行注意力机制提取。此时可以有两种方式，A、相应的搜索互动行为集合中保留关键业务搜索事件，B、相应的搜索互动行为集合中没有关键业务搜索事件。在A中，最后得到的事件聚焦数据中一定用于表征关键业务搜索事件的，因为关键业务搜索事件在前后向业务搜索事件中的行为权重是100%，因此在相应的目标在线搜索大数据中的事件聚焦度为1。则此后在STEP104的融合过程的前述描述中，进行加权的至少部分搜索互动行为是相应的事件聚焦数据中移除关键业务搜索事件后的所有搜索互动行为，也即相应集合的最多聚焦搜索特征集合中移除该关键业务搜索事件后的所有搜索互动行为。而在B中，因为搜索互动行为集合中不包含关键业务搜索事件，因此最终获得的事件聚焦数据中一定是不包括关键业务搜索事件的。则此后在STEP104的融合过程的前述描述中，进行加权的至少部分搜索互动行为是相应的事件聚焦数据中的所有搜索互动行为，也即相应集合的最多聚焦搜索特征集合中的所有搜索互动行为。
在STEP105，将所述关键业务搜索事件的前后向融合特征向量以及所述关键业务搜索事件的特征向量作为关键搜索表征数据输入到预先训练的兴趣点挖掘模型中，获得所述目标用户的用户兴趣点信息，并基于所述目标用户的用户兴趣点信息向所述目标用户推送对应的在线资源数据流。
其中，可以获取所述目标用户的用户兴趣点信息中的兴趣词条，然后将在先资源主题与所述兴趣词条匹配的所有在线资源数据作为所述在线资源数据流向所述目标用户推送。
一种可替代的实施方式中，本申请实施例提供一种基于人工智能的兴趣点挖掘模型训练方法，包括以下步骤。
步骤110，获取第一样本量级的监督模板搜索表征信息和第二样本量级的无监督模板搜索表征信息，将所述第一样本量级的监督模板搜索表征信息和所述第二样本量级的无监督模板搜索表征信息传递到兴趣点挖掘模型；所述第一样本量级的监督模板搜索表征信息分别携带有所包含的关键搜索表征数据的先验兴趣点信息；所述第一样本量级的监督模板搜索表征信息携带的搜索表征信息和所述第二样本量级的无监督模板搜索表征信息携带的搜索表征信息属于相同的搜索场景；
步骤120，在所述兴趣点挖掘模型中确定每个监督模板搜索表征信息所包含的关键搜索表征数据的第一兴趣点挖掘信息，从兴趣训练资源库中获取所述每个监督模板搜索表征信息的关联模板搜索表征信息；所述兴趣训练资源库包括所述第一样本量级的监督模板搜索表征信息和所述第二样本量级的无监督模板搜索表征信息；所述每个监督模板搜索表征信息的关联模板搜索表征信息未携带所属监督模板搜索表征信息携带的先验兴趣点信息；
步骤130，结合所述每个监督模板搜索表征信息与所属的关联模板搜索表征信息之间的相关性度量值确定第一训练收敛值，结合所述每个监督模板搜索表征信息对应的第一兴趣点挖掘信息和携带的先验兴趣点信息确定第二训练收敛值；
步骤140，结合所述第一训练收敛值和所述第二训练收敛值调整所述兴趣点挖掘模型的权重数据，生成目标兴趣点挖掘模型；所述目标兴趣点挖掘模型用于对属于所述搜索场景的关键搜索表征数据进行兴趣点挖掘。
一种可替代的实施方式中，在步骤120中，可以在所述兴趣点挖掘模型中生成所述每个监督模板搜索表征信息的兴趣有向图描述和每个无监督模板搜索表征信息的兴趣有向图描述，获取对所述每个监督模板搜索表征信息的兴趣有向图描述进行规范字段变换后生成的规范字段描述，获取对所述每个无监督模板搜索表征信息的兴趣有向图描述进行规范字段变换后生成的规范字段描述，获取包括所述每个监督模板搜索表征信息的规范字段描述的第一自编码特征矩阵和包括所述每个无监督模板搜索表征信息的规范字段描述的第二自编码特征矩阵，对所述第一自编码特征矩阵和所述第二自编码特征矩阵进行汇聚，生成目标自编码特征矩阵，获取所述目标自编码特征矩阵的从属联动特征矩阵，将所述第一自编码特征矩阵和所述从属联动特征矩阵的聚合矩阵确定为所述训练特征矩阵，从所述训练特征矩阵中获取所述每个监督模板搜索表征信息分别与所述兴趣训练资源库中的搜索特征资源之间的相关性度量值，从所述兴趣训练资源库中清洗与所述监督模板搜索表征信息y携带有相同兴趣点数据的搜索特征，生成拟定兴趣训练资源库，结合所述监督模板搜索表征信息y分别与所述拟定兴趣训练资源库中的每个搜索特征资源之间的相关性度量值的大小顺序，对所述每个搜索特征资源进行排序，生成拟定兴趣训练资源库，获取关联模板搜索表征信息数量m，将所述拟定兴趣训练资源库中的前m个搜索特征资源确定为所述监督模板搜索表征信息y的关联模板搜索表征信息；m为小于第二数量和第一数量之和的正整数；所述第一样本量级的监督模板搜索表征信息包括监督模板搜索表征信息y，y为不大于第二数量的正整数。
一种可替代的实施方式中，步骤130中，可以结合所述每个监督模板搜索表征信息与所属的关联模板搜索表征信息之间的相关性度量值，分别确定所述每个监督模板搜索表征信息与所属的关联模板搜索表征信息之间的平均相关性度量值，结合所述每个监督模板搜索表征信息与所属的关联模板搜索表征信息之间的平均相关性度量值生成相关性度量值矩阵，将所述相关性度量值矩阵的方差函数，确定为所述第一训练收敛值。
一种可替代的实施方式中，步骤140中，可以对所述第一训练收敛值和所述第二训练收敛值进行加权融合，生成第三训练收敛值；结合所述第三训练收敛值更新所述兴趣点挖掘模型的权重数据；当分析确定对所述兴趣点挖掘模型的权重数据收敛时，将所述兴趣点挖掘模型确定为所述目标兴趣点挖掘模型。
一种可替代的实施方式中，以上方法还可以包括：
步骤150，将所述第一样本量级的监督模板搜索表征信息传递到初始化兴趣点挖掘模型；
步骤160，在所述初始化兴趣点挖掘模型中确定所述每个监督模板搜索表征信息所包含的关键搜索表征数据的第二兴趣点挖掘信息；
步骤170，结合所述每个监督模板搜索表征信息对应的第二兴趣点挖掘信息和所述每个监督模板搜索表征信息携带的先验兴趣点信息，调整所述初始化兴趣点挖掘模型的权重数据，生成所述兴趣点挖掘模型。
一种可替代的实施方式中，在所述兴趣点挖掘模型中确定每个监督模板搜索表征信息所包含的关键搜索表征数据的第一兴趣点挖掘信息，包括： 在所述兴趣点挖掘模型中生成所述每个监督模板搜索表征信息的兴趣有向图描述；对所述每个监督模板搜索表征信息的兴趣有向图描述进行规范字段变换，生成所述每个监督模板搜索表征信息的规范字段描述；结合所述每个监督模板搜索表征信息的规范字段描述，确定所述每个监督模板搜索表征信息的第一兴趣点挖掘信息。第一样本量级的监督模板搜索表征信息包括监督模板搜索表征信息y，y为不大于第二数量的正整数；所述兴趣点挖掘模型的权重数据包括全连接网络的权重数据；所述第一样本量级的监督模板搜索表征信息共携带有s种兴趣点数据，一种兴趣点数据对应一种先验兴趣点信息，s为不大于第二数量的正整数。
一种可替代的实施方式中，结合所述每个监督模板搜索表征信息的规范字段描述，确定所述每个监督模板搜索表征信息的第一兴趣点挖掘信息，包括：对所述全连接网络的权重数据进行规范字段变换，生成所述全连接网络的转换权重数据； 结合所述监督模板搜索表征信息y的规范字段描述和所述转换权重数据，确定所述监督模板搜索表征信息y所包含的关键搜索表征数据为s种先验兴趣点信息中的每种先验兴趣点信息的支持度；将所述监督模板搜索表征信息y所包含的关键搜索表征数据为所述每种先验兴趣点信息的支持度，确定为所述监督模板搜索表征信息y的第一兴趣点挖掘信息。
采用以上技术方案，通过挖掘多个前后向业务搜索事件中的事件聚焦数据，利用各个不同的事件聚焦数据的事件聚焦度对前后向业务搜索事件中的至少部分搜索互动行为的搜索行为特征向量进行融合，得出反映多个前后向业务搜索事件的前后向融合特征向量，将所述关键业务搜索事件的前后向融合特征向量以及所述关键业务搜索事件的特征向量作为关键搜索表征数据输入到预先训练的兴趣点挖掘模型中，获得所述目标用户的用户兴趣点信息，并基于所述目标用户的用户兴趣点信息向所述目标用户推送对应的在线资源数据流，从而可以有效结合多个前后向业务搜索事件确定关键业务搜索事件的搜索表征信息，扩展后续用户兴趣点挖掘的特征维度和特征量，进而提高用户兴趣点挖掘的精确性，以提高在线资源推送的可靠性。
一些设计思路中，提供了一种在线服务大数据系统，该在线服务大数据系统可以是服务器，该在线服务大数据系统包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该在线服务大数据系统的处理器用于提供计算和控制能力。该在线服务大数据系统的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该在线服务大数据系统的数据库用于存储上述方法所涉及的数据。该在线服务大数据系统的模型加载数据/输出接口用于处理器与外部设备之间交换信息。该在线服务大数据系统的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种针对在线搜索活动的AI处理方法。
一些设计思路中，提供了一种在线服务大数据系统，该在线服务大数据系统可以是终端。该在线服务大数据系统包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该在线服务大数据系统的处理器用于提供计算和控制能力。该在线服务大数据系统的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该在线服务大数据系统的模型加载数据/输出接口用于处理器与外部设备之间交换信息。该在线服务大数据系统的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其它技术实现。该计算机程序被处理器执行时以实现一种针对在线搜索活动的AI处理方法。该在线服务大数据系统的显示单元用于形成视觉可见的画面。
一些设计思路中，提供了一种在线服务大数据系统，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
一些设计思路中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
一些设计思路中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种针对在线搜索活动的AI处理方法，其特征在于，所述方法包括：
从目标用户的目标在线搜索大数据中获取关键业务搜索事件所对应的多个前后向业务搜索事件；
为所述多个前后向业务搜索事件中的每个前后向业务搜索事件确定事件聚焦数据以及所述事件聚焦数据的事件聚焦度，所述事件聚焦数据是所述多个前后向业务搜索事件的聚焦搜索特征集合，所述聚焦搜索特征集合用于表征所述聚焦搜索特征集合的前后向业务搜索事件的数量与所述多个前后向业务搜索事件的数量之比不小于预置事件聚焦度的特征集合，所述事件聚焦数据的事件聚焦度用于表征相应事件聚焦数据的前后向业务搜索事件的数量与所述多个前后向业务搜索事件的数量之比；
获取所述多个前后向业务搜索事件中的至少部分搜索互动行为的搜索行为特征向量，所述搜索行为特征向量是依据单个前后向业务搜索事件而生成的特征向量；
基于所述各个不同的事件聚焦数据的事件聚焦度对所述至少部分搜索互动行为的搜索行为特征向量进行融合，生成所述关键业务搜索事件的前后向融合特征向量；
将所述关键业务搜索事件的前后向融合特征向量以及所述关键业务搜索事件的特征向量作为关键搜索表征数据输入到预先训练的兴趣点挖掘模型中，获得所述目标用户的用户兴趣点信息，并基于所述目标用户的用户兴趣点信息向所述目标用户推送对应的在线资源数据流。
2.根据权利要求1所述的针对在线搜索活动的AI处理方法，其特征在于，所述确定事件聚焦数据包括：
对所述多个前后向业务搜索事件应用注意力机制提取，并确定对应所述多个前后向业务搜索事件中的每个前后向业务搜索事件的一个聚焦搜索特征集合作为相应前后向业务搜索事件的所述事件聚焦数据后进行噪声清洗生成所述多个前后向业务搜索事件的各个不同的事件聚焦数据。
3.根据权利要求2所述的针对在线搜索活动的AI处理方法，其特征在于，为所述多个前后向业务搜索事件中的每个前后向业务搜索事件确定事件聚焦数据，包括：
对所述多个前后向业务搜索事件中的每个前后向业务搜索事件进行整理，生成由各个前后向业务搜索事件的搜索互动行为依照在各个前后向业务搜索事件中触发的次序生成的集合，由此获得与所述多个前后向业务搜索事件相应的多个集合；
在所述多个集合中，确定至少一个的搜索互动行为构成的特征集合，输出为所述聚焦搜索特征集合，其中包含所述特征集合的集合的数量与所述多个集合的数量之比不小于所述预置事件聚焦度；
对于所述多个集合的每个集合，从所述聚焦搜索特征集合中，确定属于该集合的聚焦搜索特征集合，并从所述属于该集合的聚焦搜索特征集合中确定最多聚焦搜索特征集合作为该集合的事件聚焦数据。
4.根据权利要求3所述的针对在线搜索活动的AI处理方法，其特征在于，所述在所述多个集合中，确定至少一个的搜索互动行为构成的特征集合，输出为所述聚焦搜索特征集合，包括：
对于所述多个集合中的每个搜索互动行为，分析该搜索互动行为的行为权重，该搜索互动行为的行为权重是所述多个集合中包含该搜索互动行为的集合数量与所述多个集合的集合数量比值，将所述行为权重不小于所述预置事件聚焦度的相应搜索互动行为输出为对象指标为1的标的对象，将所述行为权重小于所述预置事件聚焦度的相应搜索互动行为从所述多个集合中移除；
按照逐渐增大的顺序针对每个x值，执行以下操作，x是整数，1≤x≤M，M是经过移除的各个集合中搜索互动行为的最大数量：
将对象指标为x的标的对象输出为聚焦搜索特征集合，并针对对象指标为x的每个标的对象，从游走所述移除的各个集合中确定该标的对象的映射集合簇，并分析所述映射集合簇中的每个搜索互动行为的映射行为权重，所述搜索互动行为的映射行为权重是：在该标的对象的映射集合簇中，包含所述搜索互动行为的映射集合数量与所述多个集合的集合数量比值，以及对于对象指标为x的每个标的对象，当所述映射行为权重不小于所述预置事件聚焦度时，将相应的搜索互动行为与该标的对象进行关联配置，生成对象指标为x=x+1的标的对象，并返回以下操作。
5.根据权利要求3所述的针对在线搜索活动的AI处理方法，其特征在于，当所述多个集合均包括所述关键业务搜索事件时，所述至少部分搜索互动行为是相应集合的最多聚焦搜索特征集合中移除所述关键业务搜索事件后的所有搜索互动行为；以及当所述多个集合均不包括所述关键业务搜索事件时，所述至少部分搜索互动行为的是相应集合的最多聚焦搜索特征集合中的所有搜索互动行为。
6.根据权利要求1所述的针对在线搜索活动的AI处理方法，其特征在于，所述基于所述各个不同的事件聚焦数据的事件聚焦度对所述至少部分搜索互动行为的搜索行为特征向量进行融合，生成所述关键业务搜索事件的前后向融合特征向量，包括：
将所述各个不同的事件聚焦数据中包括的搜索互动行为输出为所述至少部分搜索互动行为；
基于所述各个不同的事件聚焦数据的每个事件聚焦数据的事件聚焦度对相应事件聚焦数据中的各个搜索互动行为的搜索行为特征向量进行权重融合，并将针对每个事件聚焦数据的权重融合结果作为所述关键业务搜索事件的前后向融合特征向量。
7.根据权利要求1-6中任意一项所述的针对在线搜索活动的AI处理方法，其特征在于，所述兴趣点挖掘模型的训练步骤，包括：
获取第一样本量级的监督模板搜索表征信息和第二样本量级的无监督模板搜索表征信息，将所述第一样本量级的监督模板搜索表征信息和所述第二样本量级的无监督模板搜索表征信息传递到兴趣点挖掘模型；所述第一样本量级的监督模板搜索表征信息分别携带有所包含的关键搜索表征数据的先验兴趣点信息；所述第一样本量级的监督模板搜索表征信息携带的搜索表征信息和所述第二样本量级的无监督模板搜索表征信息携带的搜索表征信息属于相同的搜索场景；
在所述兴趣点挖掘模型中确定每个监督模板搜索表征信息所包含的关键搜索表征数据的第一兴趣点挖掘信息，从兴趣训练资源库中获取所述每个监督模板搜索表征信息的关联模板搜索表征信息；所述兴趣训练资源库包括所述第一样本量级的监督模板搜索表征信息和所述第二样本量级的无监督模板搜索表征信息；所述每个监督模板搜索表征信息的关联模板搜索表征信息未携带所属监督模板搜索表征信息携带的先验兴趣点信息；
结合所述每个监督模板搜索表征信息与所属的关联模板搜索表征信息之间的相关性度量值确定第一训练收敛值，结合所述每个监督模板搜索表征信息对应的第一兴趣点挖掘信息和携带的先验兴趣点信息确定第二训练收敛值；
结合所述第一训练收敛值和所述第二训练收敛值调整所述兴趣点挖掘模型的权重数据，生成目标兴趣点挖掘模型；所述目标兴趣点挖掘模型用于对属于所述搜索场景的关键搜索表征数据进行兴趣点挖掘；
所述从兴趣训练资源库中获取所述每个监督模板搜索表征信息的关联模板搜索表征信息，包括：
在所述兴趣点挖掘模型中生成所述每个监督模板搜索表征信息的兴趣有向图描述和每个无监督模板搜索表征信息的兴趣有向图描述；
获取对所述每个监督模板搜索表征信息的兴趣有向图描述进行规范字段变换后生成的规范字段描述，获取对所述每个无监督模板搜索表征信息的兴趣有向图描述进行规范字段变换后生成的规范字段描述；
获取包括所述每个监督模板搜索表征信息的规范字段描述的第一自编码特征矩阵和包括所述每个无监督模板搜索表征信息的规范字段描述的第二自编码特征矩阵；
对所述第一自编码特征矩阵和所述第二自编码特征矩阵进行汇聚，生成目标自编码特征矩阵；
获取所述目标自编码特征矩阵的从属联动特征矩阵，将所述第一自编码特征矩阵和所述从属联动特征矩阵的聚合矩阵确定为训练特征矩阵；
从所述训练特征矩阵中获取所述每个监督模板搜索表征信息分别与所述兴趣训练资源库中的搜索特征资源之间的相关性度量值；
从所述兴趣训练资源库中清洗与所述监督模板搜索表征信息y携带有相同兴趣点数据的搜索特征，生成拟定兴趣训练资源库；
结合所述监督模板搜索表征信息y分别与所述拟定兴趣训练资源库中的每个搜索特征资源之间的相关性度量值的大小顺序，对所述每个搜索特征资源进行排序，生成拟定兴趣训练资源库；
获取关联模板搜索表征信息数量m，将所述拟定兴趣训练资源库中的前m个搜索特征资源确定为所述监督模板搜索表征信息y的关联模板搜索表征信息；m为小于第二数量和第一数量之和的正整数；
所述第一样本量级的监督模板搜索表征信息包括监督模板搜索表征信息y，y为不大于第二数量的正整数。
8.一种计算机程序产品，包括计算机程序或计算机可执行指令，其特征在于，所述计算机程序或计算机可执行指令被处理器执行时，实现权利要求1-7中任意一项所述的针对在线搜索活动的AI处理方法。
9.一种计算机程序产品，包括计算机程序或计算机可执行指令，其特征在于，所述计算机程序或计算机可执行指令被处理器执行时，实现权利要求1-7中任意一项所述的针对在线搜索活动的AI处理方法。
10.一种在线服务大数据系统，其特征在于，所述在线服务大数据系统包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，所述处理器用于运行所述计算机程序时，执行权利要求1-9中任意一项所述的针对在线搜索活动的AI处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310497232.1A CN116881541A (zh) | 2023-05-05 | 2023-05-05 | 针对在线搜索活动的ai处理方法及在线服务大数据系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310497232.1A CN116881541A (zh) | 2023-05-05 | 2023-05-05 | 针对在线搜索活动的ai处理方法及在线服务大数据系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116881541A true CN116881541A (zh) | 2023-10-13 |
Family
ID=88263157
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310497232.1A Pending CN116881541A (zh) | 2023-05-05 | 2023-05-05 | 针对在线搜索活动的ai处理方法及在线服务大数据系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116881541A (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107885873A (zh) * | 2017-11-28 | 2018-04-06 | 百度在线网络技术（北京）有限公司 | 用于输出信息的方法和装置 |
| US20180129733A1 (en) * | 2016-11-08 | 2018-05-10 | International Business Machines Corporation | Clustering a set of natural language queries based on significant events |
| WO2018098751A1 (en) * | 2016-11-30 | 2018-06-07 | Microsoft Technology Licensing, Llc | Providing recommended contents |
| CN110704603A (zh) * | 2019-09-12 | 2020-01-17 | 武汉灯塔之光科技有限公司 | 一种通过资讯发掘当前热点事件的方法和装置 |
| CN110858232A (zh) * | 2018-08-09 | 2020-03-03 | 阿里巴巴集团控股有限公司 | 搜索方法、设备、系统及存储介质 |
| CN111310008A (zh) * | 2020-03-20 | 2020-06-19 | 北京三快在线科技有限公司 | 搜索意图识别方法、装置、电子设备和存储介质 |
| CN111680205A (zh) * | 2020-06-12 | 2020-09-18 | 杨鹏 | 一种基于事理图谱的事件演化分析方法及装置 |
| CN112463952A (zh) * | 2020-12-22 | 2021-03-09 | 安徽商信政通信息技术股份有限公司 | 一种基于近邻搜索的新闻文本聚合方法及系统 |
| CN112507188A (zh) * | 2020-11-30 | 2021-03-16 | 北京百度网讯科技有限公司 | 候选搜索词的生成方法、装置、设备及介质 |
| CN113961677A (zh) * | 2021-09-15 | 2022-01-21 | 北京三快在线科技有限公司 | 话题文本处理方法、装置、电子设备及可读存储介质 |
| CN114969552A (zh) * | 2022-07-06 | 2022-08-30 | 济南邦杰电子科技有限公司 | 用于个性化信息推送服务的大数据挖掘方法及ai预测系统 |
| US20220292423A1 (en) * | 2021-03-12 | 2022-09-15 | Hubspot, Inc. | Multi-service business platform system having reporting systems and methods |
-
2023
- 2023-05-05 CN CN202310497232.1A patent/CN116881541A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180129733A1 (en) * | 2016-11-08 | 2018-05-10 | International Business Machines Corporation | Clustering a set of natural language queries based on significant events |
| WO2018098751A1 (en) * | 2016-11-30 | 2018-06-07 | Microsoft Technology Licensing, Llc | Providing recommended contents |
| CN107885873A (zh) * | 2017-11-28 | 2018-04-06 | 百度在线网络技术（北京）有限公司 | 用于输出信息的方法和装置 |
| CN110858232A (zh) * | 2018-08-09 | 2020-03-03 | 阿里巴巴集团控股有限公司 | 搜索方法、设备、系统及存储介质 |
| CN110704603A (zh) * | 2019-09-12 | 2020-01-17 | 武汉灯塔之光科技有限公司 | 一种通过资讯发掘当前热点事件的方法和装置 |
| CN111310008A (zh) * | 2020-03-20 | 2020-06-19 | 北京三快在线科技有限公司 | 搜索意图识别方法、装置、电子设备和存储介质 |
| CN111680205A (zh) * | 2020-06-12 | 2020-09-18 | 杨鹏 | 一种基于事理图谱的事件演化分析方法及装置 |
| CN112507188A (zh) * | 2020-11-30 | 2021-03-16 | 北京百度网讯科技有限公司 | 候选搜索词的生成方法、装置、设备及介质 |
| CN112463952A (zh) * | 2020-12-22 | 2021-03-09 | 安徽商信政通信息技术股份有限公司 | 一种基于近邻搜索的新闻文本聚合方法及系统 |
| US20220292423A1 (en) * | 2021-03-12 | 2022-09-15 | Hubspot, Inc. | Multi-service business platform system having reporting systems and methods |
| CN113961677A (zh) * | 2021-09-15 | 2022-01-21 | 北京三快在线科技有限公司 | 话题文本处理方法、装置、电子设备及可读存储介质 |
| CN114969552A (zh) * | 2022-07-06 | 2022-08-30 | 济南邦杰电子科技有限公司 | 用于个性化信息推送服务的大数据挖掘方法及ai预测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111695697B (zh) | 多方联合决策树构建方法、设备及可读存储介质 | |
| CN111339433B (zh) | 基于人工智能的信息推荐方法、装置、电子设备 | |
| CN111768008A (zh) | 联邦学习方法、装置、设备和存储介质 | |
| AU2017404119A9 (en) | Random forest model training method, electronic apparatus and storage medium | |
| GB2604552A (en) | Fusing multimodal data using recurrent neural networks | |
| JP6937330B2 (ja) | 機械学習モデル圧縮システム、機械学習モデル圧縮方法及びプログラム | |
| US7483864B2 (en) | Active learning method and system | |
| CN112905902A (zh) | 面向云计算和人工智能的会话意图提取方法及系统 | |
| CN115114531B (zh) | 基于电商行为大数据的信息推送方法及人工智能预测系统 | |
| CN111611488A (zh) | 基于人工智能的信息推荐方法、装置、电子设备 | |
| CN113628005A (zh) | 基于电商会话大数据的推送更新方法及大数据ai系统 | |
| CN113297393A (zh) | 基于态势感知和大数据的情报生成方法及信息安全系统 | |
| CN115860836A (zh) | 一种基于用户行为大数据分析的电商服务推送方法及系统 | |
| CN113837492B (zh) | 物品供应量的预测方法、设备、存储介质及程序产品 | |
| CN108646968A (zh) | 一种基于图像分析重现场景的方法及系统 | |
| CN116881744B (zh) | 一种基于物联网的运维数据分发方法、装置、设备及介质 | |
| CN113378067A (zh) | 基于用户挖掘的消息推荐方法、设备、介质及程序产品 | |
| CN112541556A (zh) | 模型构建优化方法、设备、介质及计算机程序产品 | |
| CN112766402A (zh) | 算法选择方法、装置和电子设备 | |
| CN116881541A (zh) | 针对在线搜索活动的ai处理方法及在线服务大数据系统 | |
| CN111475496A (zh) | 基于多条件约束的时间序列数据生成方法、装置及介质 | |
| CN115604131B (zh) | 一种链路流量预测方法、系统、电子设备及介质 | |
| CN113962417A (zh) | 一种视频处理方法、装置、电子设备和存储介质 | |
| CN111966885A (zh) | 一种用户画像的构建方法和装置 | |
| CN115827944A (zh) | 基于互联网平台系统优化的大数据分析方法及服务器 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240229 Address after: No. 475 West Second Ring Middle Road, Gulou District, Fuzhou City, Fujian Province, 350000 Applicant after: Xi Jiaqi Country or region after: China Address before: No. 89 Jinhu Road, Huli District, Xiamen City, Fujian Province, 361000 Applicant before: Xiamen Arthur Network Technology Co.,Ltd. Country or region before: China |