具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都属于本申请保护的范围。
步骤S110,基于对于指定电商用户的兴趣定制化事件确定的目标热点推送活动,基于所述目标热点推送活动对所述指定电商用户进行电商内容推送。
本实施例中,该兴趣定制化事件可以理解为针对该指定电商用户的兴趣指向所生成的特定事件,基于该特定事件可以匹配对应的目标热点推送活动,由此基于所述目标热点推送活动对所述指定电商用户进行电商内容推送。
步骤S120,获取所述指定电商用户以及所述指定电商用户的对应联系电商用户针对本阶段电商内容推送的反馈行为数据。
本实施例中,在进行电商内容推送之后,该指定电商用户,以及指定电商用户的对应联系电商用户可以针对本阶段电商内容推送进行相关反馈,以生成反馈行为数据,这些反馈行为数据可以反映该指定电商用户,以及指定电商用户的对应联系电商用户针对本次电商内容推送的观点体验信息。
步骤S130,对所述本阶段电商内容推送的反馈行为数据进行极性情绪分析,获取每个极性情绪标签下的电商内容数据。
本实施例中,可以基于预先配置的各个极性情绪特征对所述本阶段电商内容推送的反馈行为数据进行极性情绪匹配,以获取每个极性情绪标签下的电商内容数据。其中,极性情绪标签可以对应一种极性情绪类别,例如喜欢、反感等情绪。
步骤S140,基于每个极性情绪标签下的电商内容数据对所述目标热点推送活动中对应的主题成员进行优化更新。
本实施例中,在获取每个极性情绪标签下的电商内容数据后,可以基于每个极性情绪标签所对应的优化更新策略对所述目标热点推送活动中对应的主题成员进行优化更新。例如,针对负向的极性情绪标签,其优化更新策略可以是对所述目标热点推送活动中对应的主题成员进行剔除或者对应推送权重的降低,针对正向的极性情绪标签,其优化更新策略可以是对所述目标热点推送活动中对应的主题成员进行扩展或者对应推送权重的提高等,但不限制于此。
基于以上步骤,本实施例基于对于指定电商用户的兴趣定制化事件确定的目标热点推送活动,基于目标热点推送活动对指定电商用户进行电商内容推送,获取指定电商用户以及指定电商用户的对应联系电商用户针对本阶段电商内容推送的反馈行为数据,对本阶段电商内容推送的反馈行为数据进行极性情绪分析,获取每个极性情绪标签下的电商内容数据,基于每个极性情绪标签下的电商内容数据对目标热点推送活动中对应的主题成员进行优化更新。如此,可以以电商用户的极性情绪维度对推送活动中对应的主题成员进行优化更新,以提高后续内容推送的体验。
在以上描述的基础上,针对步骤S110,可以通过以下示例性的步骤实现。
步骤S101,获取当前电商内容推送服务队列中指定电商用户的候选频繁电商行为以及候选电商运行事件。
一种示例性的设计构思中,在当前电商内容推送的流程中,当需要对于指定电商用户挖掘特定的频繁电商行为与电商运行事件之间的兴趣指向依据时,可以通过传递活动传递到表征候选频繁电商行为以及候选电商运行事件的信息(例如候选频繁电商行为与候选电商运行事件的运行事件主题、对话事件等),电商大数据***依据该传递活动确定本次挖掘活动中的候选频繁电商行为以及候选电商运行事件。
例如,可以从传递活动中获取到频繁电商行为a、频繁电商行为b以及电商运行事件A和电商运行事件B,则电商大数据***将频繁电商行为a和频繁电商行为b确定为候选频繁电商行为,并将电商运行事件A和电商运行事件B确定为候选电商运行事件,由此挖掘频繁电商行为a与电商运行事件A、电商运行事件B之间的兴趣指向依据,以及频繁电商行为b与电商运行事件A、电商运行事件B之间的兴趣指向依据。
步骤S102,挖掘所述候选频繁电商行为指示的目标电商行为属性以及候选电商运行事件指示的目标电商运行事件属性。
其中,电商行为属性表征频繁电商行为在电商潜在兴趣关系网络中指示的网络成员,电商运行事件属性表征电商运行事件在电商潜在兴趣关系网络中指示的网络成员,电商潜在兴趣关系网络依据先验知识中兴趣指向关系特征以及多种互动先验知识信息中的知识对象为网络成员,依据知识对象之间的联系属性为连接路径的知识网络。相较于传统方案中仅依靠实时兴趣特征进行兴趣指向路径挖掘,本申请基于多种互动先验知识信息构建的知识网络,结合先验知识中知识对象之间的联系属性组成的电商潜在兴趣关系网络进行兴趣指向路径挖掘。
一种示例性的设计构思中,电商大数据***中可以预先配置电商潜在兴趣关系网络,该电商潜在兴趣关系网络由频繁电商行为以及电商运行事件的相关联系数据中的知识对象以及知识对象联系属性构建生成。
例如,该电商潜在兴趣关系网络是由大量网络关系单元构建的知识图谱,其中包含了频繁电商行为与电商运行事件、频繁电商行为与频繁电商行为、频繁电商行为与电商任务、电商运行事件与电商运行事件、电商运行事件与电商任务以及其它类型的关系,电商大数据***获取并存储上述每个兴趣指向组合,构建电商潜在兴趣关系网络。
步骤S103,依据目标电商行为属性、目标电商运行事件属性以及电商潜在兴趣关系网络进行兴趣指向路径挖掘,获得目标兴趣指向路径信息。
其中,目标兴趣指向路径信息代表候选频繁电商行为与候选电商运行事件之间的兴趣指向依据。电商潜在兴趣关系网络依据网络关系单元的形式保存知识对象以及知识对象之间的关系,本申请实施例中的电商潜在兴趣关系网络由频繁电商行为的兴趣指向组合以及与频繁电商行为或标的电商运行事件相关的互动先验知识信息构成。
电商大数据***依据目标电商行为属性以及目标电商运行事件属性确定其在电商潜在兴趣关系网络中的相应网络成员,进而确定与候选频繁电商行为和候选电商运行事件相关的频繁电商行为的兴趣指向组合对以及互动先验知识信息,并基于从电商潜在兴趣关系网络中获取到的信息进行兴趣指向路径挖掘,进而获得目标兴趣指向路径信息。
例如,电商大数据***确定频繁电商行为a与电商运行事件B之间存在某个兴趣指向路径A-B-D-C-R的置信度为90%,则确定电商运行事件B为频繁电商行为a的兴趣电商运行事件,二者之间存在某个兴趣指向路径A-B-D-C-R,若确定频繁电商行为a与电商运行事件A之间存在某个兴趣指向路径A-B-D-C-R的置信度为5%,则确定电商运行事件A并非频繁电商行为a的兴趣电商运行事件,二者之间不存在某个兴趣指向路径A-B-D-C-R。用户可以基于电商大数据***的挖掘信息进行频繁电商行为的兴趣指向组合的后续信息推送研究。
步骤S104,基于所述目标兴趣指向路径信息对所述指定电商用户进行电商内容推送。
基于以上步骤,基于多种互动先验知识信息构建的知识网络,结合先验知识中知识对象之间的联系属性组成的电商潜在兴趣关系网络,依据电商潜在兴趣关系网络进行兴趣指向路径挖掘,避免了相关技术中仅依靠实时兴趣特征进行兴趣指向路径挖掘导致的挖掘精度较低的技术问题,由此提高对频繁电商行为和电商运行事件之间兴趣指向路径的挖掘精度,进而提高电商内容推送的可靠性。
下面介绍本申请另一个发明构思实施方式提供的采用人工智能分析的电商内容推送方法,该方法包括如下步骤。
步骤S201,获取当前电商内容推送服务队列中指定电商用户的候选频繁电商行为以及候选电商运行事件。
步骤S202,挖掘所述候选频繁电商行为指示的目标电商行为属性以及候选电商运行事件指示的目标电商运行事件属性。
步骤S201至步骤S202的细节描述可以参阅上述步骤S101至步骤S102,此处不作重复赘述。
步骤S203,对电商潜在兴趣关系网络中的网络关系单元进行特征挖掘,获得电商潜在兴趣关系特征。
其中,网络关系单元由第一知识对象、第二知识对象以及知识对象联系属性构建生成,电商潜在兴趣关系特征依据特征向量的形式表达电商潜在兴趣关系网络中的网络成员和网络关系属性。
电商潜在兴趣关系特征是将电商潜在兴趣关系网络中的知识对象和知识对象之间的联系属性进行编码提取的特征向量,以使得兴趣指向路径挖掘模型可以识别到电商潜在兴趣关系网络中的特征。
其中,电商大数据***通过对电商潜在兴趣关系网络中的网络关系单元[conductA,conduct-contact,eventA]、[conductA,conduct-conduct,conductB]进行特征挖掘,获得用于表示网络成员conductA和eventA的特征向量conductA[0.2,0.5,-0.9,…,0.7]以及eventA[0.7,0.5,-0.9,…,0.7]。
步骤S204,将目标电商行为属性、目标电商运行事件属性以及电商潜在兴趣关系特征传递到兴趣指向路径挖掘模型,获得目标兴趣指向路径信息。
电商大数据***可以基于满足模型部署要求的兴趣指向路径挖掘模型,将目标电商行为属性、目标电商运行事件属性以及电商潜在兴趣关系特征作为传递数据,获得生成的目标兴趣指向路径信息。该兴趣指向路径挖掘模型能够依据传递数据,确定每个候选频繁电商行为与每个候选电商运行事件之间具有兴趣指向依据的置信度。
一种示例性的设计构思中,兴趣指向路径挖掘模型具有特征提取单元、特征关注单元、特征调整单元和挖掘单元,步骤S204还包括如下步骤:
步骤S204a,将目标电商行为属性和目标电商运行事件属性传递到特征提取单元,获得目标电商行为属性指示的电商行为属性特征以及目标电商运行事件属性指示的电商运行事件属性特征。
兴趣指向路径挖掘模型的特征提取单元用于将传递到的目标电商行为属性以及目标电商运行事件属性进行特征挖掘生成对应的特征向量,使兴趣指向路径挖掘模型可以解析候选频繁电商行为以及候选电商运行事件,并依据属性从电商潜在兴趣关系网络中获取相关信息进行挖掘。
步骤S204b,将电商行为属性特征以及电商运行事件属性特征传递到特征关注单元进行特征关注处理,获得第一兴趣指向路径特征。
兴趣指向路径挖掘模型通过特征关注处理将一组频繁电商行为与电商运行事件的特征信息进行特征挖掘获得一个用于表示某个兴趣指向路径A-B-D-C-R的兴趣路径特征向量,即将一对电商行为属性特征与电商运行事件属性特征进行特征挖掘获得第一兴趣指向路径特征。
步骤S204c,将第一兴趣指向路径特征以及电商潜在兴趣关系特征传递到特征调整单元进行特征调整,获得第二兴趣指向路径特征。
例如,通过基于电商潜在兴趣关系网络整合频繁电商行为电商运行事件相关的互动先验知识信息,进而依据电商潜在兴趣关系网络进行频繁电商行为电商运行事件兴趣指向路径挖掘的,因此还需要将电商潜在兴趣关系网络指示的电商潜在兴趣关系特征传递到兴趣指向路径挖掘模型,以使兴趣指向路径挖掘模型依据电商潜在兴趣关系网络对第一兴趣指向路径特征进行优化,获得更高精度的第二兴趣指向路径特征。
例如,兴趣指向路径挖掘模型的特征调整单元可以由至少两层FCNN(FullyConnected Neural Network)构建,电商大数据***通过多层FCNN对传递数据进行处理,获得第二兴趣指向路径特征。
步骤S204d,将第二兴趣指向路径特征传递到挖掘单元,获得目标兴趣指向路径信息。
兴趣指向路径挖掘模型中最后的模型参数单元为挖掘单元,该挖掘单元用于将特征调整单元生成的第二兴趣指向路径特征进行特征挖掘获得最终置信度,即将第二兴趣指向路径特征进行特征挖掘获得表示某个兴趣指向路径A-B-D-C-R置信度的度量值,例如,对于候选频繁电商行为a、候选频繁电商行为b以及候选电商运行事件A、候选电商运行事件B的兴趣指向路径挖掘,最终兴趣指向路径挖掘模型输出候选频繁电商行为a与候选电商运行事件A指示的某个兴趣指向路径A-B-D-C-R置信度、候选频繁电商行为a与候选电商运行事件B指示的某个兴趣指向路径A-B-D-C-R置信度、候选频繁电商行为b与候选电商运行事件A指示的某个兴趣指向路径A-B-D-C-R置信度,以及候选频繁电商行为b与候选电商运行事件B指示的某个兴趣指向路径A-B-D-C-R置信度,由此可以基于挖掘单元的输出置信度确定相互之间存在兴趣指向关系的候选频繁电商行为与候选电商运行事件。
如此设计,本实施例通过将电商潜在兴趣关系网络进行特征挖掘获得低维的电商潜在兴趣关系特征,无需进行网络成员间的关联性分析,提高了兴趣指向路径的挖掘效率。并且基于兴趣指向路径挖掘模型获取电商潜在兴趣关系特征,依据电商潜在兴趣关系网络中的互动先验知识信息对兴趣指向路径特征进行优化,提高了目标兴趣指向路径信息的准确性。
以上在依据先验知识的前提下,可以基于电商潜在兴趣关系网络引入相关的互动先验知识信息进行频繁电商行为的兴趣指向组合挖掘,相较于仅依据活动对话特征等对话建立事件数据进行某个兴趣指向路径挖掘的方式,可以补充先验不足。如此兴趣指向路径挖掘模型既能够依据电商潜在兴趣关系网络中的互动先验知识信息又能够结合活动对话特征等对话建立事件数据优化兴趣指向路径特征,提高挖掘精度。
下面介绍本申请另一个发明构思实施方式提供的采用人工智能分析的电商内容推送方法,该方法包括如下步骤。
步骤S301,获取当前电商内容推送服务队列中指定电商用户的候选频繁电商行为以及候选电商运行事件。
步骤S301的细节描述可以参阅上述步骤S101,此处不作重复赘述。
步骤S302,对所述候选频繁电商行为以及所述候选电商运行事件指示的目标对话建立事件数据进行特征挖掘获得目标对话事件特征。
其中,目标对话建立事件数据包含候选频繁电商行为的目标电商行为对话特征以及候选电商运行事件的目标活动对话特征,目标对话事件特征包括目标电商行为对话特征指示的电商行为对话特征变量以及目标活动对话特征指示的活动对话特征变量。
一种示例性的设计构思中,电商大数据***获取候选频繁电商行为以及候选电商运行事件的目标对话建立事件数据,其中,对话建立事件数据包含频繁电商行为的活动对话特征(例如电商行为对话特征)与电商运行事件的活动对话特征,并将目标对话建立事件数据进行特征挖掘获得目标对话事件特征。
步骤S303,如果确定电商潜在兴趣关系网络中不存在候选频繁电商行为或候选电商运行事件,获取电商服务更新信息。
其中,电商服务更新信息包含候选频繁电商行为指示的兴趣指向关系特征以及互动先验知识信息,或候选电商运行事件指示的兴趣指向关系特征以及互动先验知识信息。
一种示例性的设计构思中,如果需要研究频繁电商行为与已知电商运行事件之间的兴趣指向依据,或者目标频繁电商行为是否与新更新的电商运行事件之间存在某个兴趣指向路径,此时候选频繁电商行为或候选电商运行事件可能不存在于电商潜在兴趣关系网络中,需要传递到相关的电商服务更新信息,例如与候选频繁电商行为或候选电商运行事件相关的已知频繁电商行为的兴趣指向组合对、相关的互动先验知识信息以及指示的对话建立事件数据等。
步骤S304,依据电商服务更新信息更新电商潜在兴趣关系网络。
电商大数据***如果分析到候选频繁电商行为或候选电商运行事件不存在于已有的电商潜在兴趣关系网络中时,依据电商服务更新信息更新电商潜在兴趣关系网络。
例如,电商大数据***依据更新后的电商潜在兴趣关系网络进行兴趣指向路径挖掘,或者在电商服务更新信息较多时对电商潜在兴趣关系网络重新进行学习,并依据学习的电商潜在兴趣关系网络进行兴趣指向路径挖掘。
步骤S305,挖掘所述候选频繁电商行为指示的目标电商行为属性以及候选电商运行事件指示的目标电商运行事件属性。
步骤S306,对电商潜在兴趣关系网络中的网络关系单元进行特征挖掘,获得电商潜在兴趣关系特征。
步骤S305至步骤S306的细节描述可以参阅上述步骤S202至步骤S203,此处不作重复赘述。
步骤S307,依据目标电商行为属性、目标电商运行事件属性、电商潜在兴趣关系网络以及目标对话事件特征进行兴趣指向路径挖掘,获得目标兴趣指向路径信息。
一种示例性的设计构思中,电商大数据***依据兴趣指向路径挖掘模型的特征提取单元和特征关注单元,获得表征候选频繁电商行为与候选电商运行事件之间兴趣指向依据的第一兴趣指向路径特征,由此将第一兴趣指向路径特征与电商潜在兴趣关系特征、目标对话事件特征传递到特征调整单元,通过特征调整单元对上述三种传递到信息进行整合,即依据电商潜在兴趣关系网络和电商行为与电商运行事件的活动对话特征,对第一兴趣指向路径特征进行优化和更新,获得第二兴趣指向路径特征,进而依据整合了电商潜在兴趣关系特征和电商行为对话特征、电商运行事件活动对话特征的第二兴趣指向路径特征得到目标兴趣指向路径信息。
一种示例性设计思路中,在引入电商潜在兴趣关系网络中的互动先验知识信息的基础上,结合传统活动对话特征等对话建立事件数据作为传递数据,整合上述两种信息优化兴趣指向路径特征,提高挖掘精度。
下面介绍本申请一个发明构思实施方式提供的采用人工智能分析的兴趣指向挖掘方法,该方法包括如下步骤。
步骤S401,获取电商潜在兴趣关系网络,电商潜在兴趣关系网络依据示例数据中的知识对象为网络成员,依据知识对象之间的联系属性为连接路径的知识网络,示例数据包括示例兴趣指向关系特征以及多种互动先验知识信息。
电商潜在兴趣关系网络依据先验知识中兴趣指向关系特征以及多种互动先验知识信息中的知识对象为网络成员,依据知识对象之间的联系属性为连接路径的知识网络。例如,可以将相关的存储数据库中示例数据以网络关系单元的形式存储在电商大数据***中,电商大数据***依据获取到的网络关系单元构建电商潜在兴趣关系网络。其中,训练阶段的电商潜在兴趣关系网络同样可以在应用阶段使用。
步骤S402,将电商潜在兴趣关系网络指示的电商潜在兴趣关系特征、示例电商行为属性以及示例电商运行事件属性传递到兴趣指向路径挖掘模型,获得兴趣指向路径挖掘信息。
其中,示例电商行为属性表征示例频繁电商行为在电商潜在兴趣关系网络中指示的网络成员,示例电商运行事件属性表征示例电商运行事件在电商潜在兴趣关系网络中指示的网络成员,示例对话建立事件数据包含频繁电商行为的电商行为对话特征以及电商运行事件的活动对话特征,兴趣指向路径挖掘信息为具有兴趣指向依据的兴趣指向关系特征。
一种示例性的设计构思中,兴趣指向路径挖掘模型依据传递数据(电商潜在兴趣关系特征、示例电商行为属性以及示例电商运行事件属性)对每个示例频繁电商行为与每个电商运行事件之间的兴趣指向依据进行挖掘,获得兴趣指向路径挖掘信息,该兴趣指向路径挖掘信息表征相应的示例频繁电商行为与示例电商运行事件之间具有兴趣指向依据的置信度。
步骤S403,依据兴趣指向路径挖掘信息以及示例兴趣指向路径信息对所述兴趣指向路径挖掘模型进行模型收敛优化,获得目标兴趣指向路径挖掘模型,以基于所述目标兴趣指向路径挖掘模型进行兴趣指向路径挖掘。
示例兴趣指向路径信息代表示例频繁电商行为与示例电商运行事件之间的兴趣指向依据。
一种示例性的设计构思中,如果训练数据为示例频繁电商行为的兴趣指向组合对,且每个示例频繁电商行为的兴趣指向组合对携带有示例兴趣指向路径信息,该示例兴趣指向路径信息表征指示的示例频繁电商行为的兴趣指向组合对之间是否具有兴趣指向依据和/或兴趣指向依据的类型。例如,对于作为正向示例数据的频繁电商行为A-兴趣电商运行事件a,其指示的示例兴趣指向路径信息为1,即具有兴趣指向依据的置信度为1;对于作为负向示例数据的频繁电商行为A-兴趣电商运行事件b,其指示的示例兴趣指向路径信息为0,即具有兴趣指向依据的置信度为0。
电商大数据***通过获取兴趣指向路径挖掘模型在每次训练流程中的兴趣指向路径挖掘信息,计算每次训练流程的训练代价值,再依据训练代价值优化模型权重信息,直到所述训练代价值收敛。
基于以上步骤,通过电商潜在兴趣关系网络对互动先验知识信息、电商运行事件等进行关系网络配置,无需网络成员间的关联性分析即可实现依据互动先验知识信息对所述兴趣指向路径挖掘模型进行模型收敛优化,可以提高模型收敛优化精度和效率,并且提高兴趣指向路径挖掘的可靠性。
以上揭示了基于电商潜在兴趣关系网络整合不同来源的互动先验知识信息进行训练的过程,一种示例性的设计构思中,还可以在电商潜在兴趣关系网络的基础上引入对频繁电商行为和电商运行事件对话建立事件数据的活动对话特征,进一步保证挖掘效果。例如,本申请实施例的另一个发明构思实施方式提供的采用人工智能分析的电商内容推送方法,该方法包括如下步骤。
步骤S501,依据电商服务维度,确定多个模型收敛基础数据的分团策略,不同电商服务维度指示的分团策略不同。
为了应对各种不同的电商服务维度,可以引入多个模型收敛应用数据和模型收敛验证数据的分团策略以检测实际的学习效果。
一种示例性的设计构思中,电商大数据***中预设有多个电商服务维度以及每个电商服务维度指示的模型收敛基础数据的分团策略,电商大数据***依据分团策略,分别对于每个电商服务维度分团模型收敛验证数据和模型收敛应用数据。
步骤S502,依据分团策略对示例兴趣指向关系特征进行分团,获得每个电商服务维度指示的模型收敛应用数据和模型收敛验证数据。
一种示例性的设计构思中,步骤S502包括如下步骤:
步骤S502a,如果确定电商服务维度为电商维护服务维度,将示例兴趣指向关系特征分团为第一模型收敛应用数据和第一模型收敛验证数据,第一模型收敛验证数据中的示例频繁电商行为和示例电商运行事件属于第一模型收敛应用数据。
对于电商维护服务维度,其挖掘时的频繁电商行为和电商运行事件均存在于电商潜在兴趣关系网络中,因此电商大数据***可以将数据库中全部的示例兴趣指向关系特征确定为模型收敛应用数据,然后依据一定的比例参数(例如模型收敛验证数据:模型收敛应用数据为1:10),从数据库中随机抽取示例兴趣指向关系特征确定为模型收敛验证数据。
步骤S502b,如果确定电商服务维度为电商开发服务维度,将示例兴趣指向关系特征分团为第二模型收敛应用数据和第二模型收敛验证数据,第二模型收敛验证数据中的示例电商运行事件属于第二模型收敛应用数据。
对于频繁电商行为的电商开发服务维度,其挖掘时的频繁电商行为应当不存在于电商潜在兴趣关系网络中,因此电商大数据***依据一定的比例参数,从示例兴趣指向关系组合中提取出某几种频繁电商行为指示的所有的指向关系组合作为模型收敛验证数据,其余数据确定为模型收敛应用数据。
步骤S502c,如果确定电商服务维度为互动开发服务维度,将示例兴趣指向关系特征分团第三模型收敛应用数据和第三模型收敛验证数据,第三模型收敛验证数据中的示例频繁电商行为属于第三模型收敛应用数据。
对于电商运行事件的电商开发服务维度,其挖掘时的电商运行事件应当不存在于电商潜在兴趣关系网络中,因此电商大数据***依据一定的比例参数,从示例兴趣指向关系组合中提取出某几种兴趣电商运行事件指示的所有的指向关系组合作为模型收敛验证数据,其余数据确定为模型收敛应用数据。
由于在模型训练过程中通常还需要负向示例数据起到比较特征学习,一种示例性的设计构思中,电商大数据***依据数据库进行示例数据的分团,获得的是模型收敛验证数据和模型收敛应用数据中的正向示例数据,此后还需构建负向示例数据完善模型收敛验证数据和模型收敛应用数据,步骤S502还包括如下步骤:
步骤S502d,依据分团策略对示例兴趣指向关系特征进行分团,获得模型收敛应用数据和模型收敛验证数据中的正向示例数据。
一种示例性的设计构思中,电商大数据***依据上述方式将数据库中的兴趣指向关系特征分团为模型收敛应用数据和模型收敛验证数据,获得的仅仅为模型收敛应用数据和模型收敛验证数据中的正向示例数据,电商大数据***还需依据模型收敛应用数据与模型收敛验证数据中的正向示例数据,进行负向示例数据构建。
步骤S502e,将正向示例数据中的频繁电商行为分别与电商运行事件构建兴趣指向组合,获得兴趣指向组合团。
电商大数据***将数据库中的n种电商运行事件与m中频繁电商行为进行兴趣指向分析,获得n*m个兴趣指向组合,即兴趣指向组合团,该兴趣指向组合中包含正向示例数据。例如,对于包含频繁电商行为a、频繁电商行为b、电商运行事件A、电商运行事件B、电商运行事件C的数据库,电商大数据***进行处理,获得兴趣指向组合团,即频繁电商行为a-电商运行事件A、频繁电商行为a-电商运行事件B、频繁电商行为a-电商运行事件C、频繁电商行为b-电商运行事件A、频繁电商行为b-电商运行事件B和频繁电商行为b-电商运行事件C。
步骤S502f,依据正向示例数据的预设配置参数,从兴趣指向组合团中提取中转兴趣指向组合。
一种示例性的设计构思中,电商大数据***中预先设置有正向示例数据的预设配置参数(例如正向示例数据:负向示例数据为1:10),依据该正向示例数据的预设配置参数从兴趣指向组合团中提取中转兴趣指向组合,进而依据中转兴趣指向组合确定负向示例数据。
步骤S502g,剔除中转兴趣指向组合中的正向示例数据以及噪声数据,获得模型收敛应用数据和模型收敛验证数据中的负向示例数据。
由于电商大数据***进行分析获得的兴趣指向组合团中,可能包含重复的频繁电商行为电商运行事件指向关系组合,且包含有所有的正向示例数据,因此电商大数据***随机搜寻的中转兴趣指向组合中可能存在正向示例数据和噪声数据,电商大数据***通过剔除中转兴趣指向组合中的正向示例数据以及噪声数据,获得模型收敛应用数据和模型收敛验证数据中的负向示例数据。
在其它示例性的设计构思中,电商大数据***在生成兴趣指向组合团后,首先剔除其中的正向示例数据和噪声数据,然后从剩余的兴趣指向组合中依据正向示例数据的预设配置参数随机抽取负向示例数据。
例如,电商大数据***首先对频繁电商行为和电商运行事件的指向关系组合依据三种电商服务维度进行分团,获得不同场景的模型收敛应用数据和模型收敛验证数据,然后依据每个模型收敛应用数据和模型收敛验证数据中的正向示例数据,进行负向示例数据的构建。例如,电商大数据***依据预设顺序依次对每个电商服务维度进行模型训练。
步骤S503,获取电商潜在兴趣关系网络,电商潜在兴趣关系网络依据示例数据中的知识对象为网络成员,依据知识对象之间的联系属性为连接路径的知识网络,示例数据包括示例兴趣指向关系特征以及多种互动先验知识信息。
一种示例性的设计构思中,电商潜在兴趣关系网络中包含的兴趣指向关系特征为模型收敛应用数据中的正向示例数据。步骤S503的细节描述可以参阅上述步骤S401,此处不作重复赘述。
步骤S504,对电商潜在兴趣关系网络中的网络关系单元进行特征挖掘,获得电商潜在兴趣关系特征。
其中,网络关系单元由第一知识对象、第二知识对象以及知识对象联系属性构建生成,电商潜在兴趣关系特征依据特征向量的形式表达电商潜在兴趣关系网络中的网络成员和网络关系属性。电商大数据***对电商潜在兴趣关系网络中示例数据指示的网络关系单元进行特征挖掘,获得电商潜在兴趣关系特征。
步骤S505,将示例频繁电商行为以及示例电商运行事件指示的示例对话建立事件数据进行特征挖掘获得示例对话事件特征。
其中,示例对话建立事件数据包含示例频繁电商行为的示例电商行为对话特征,以及示例电商运行事件的示例活动对话特征,示例对话事件特征包括示例电商行为对话特征指示的电商行为对话特征变量以及示例活动对话特征指示的活动对话特征变量。
一种示例性的设计构思中,电商大数据***获取示例频繁电商行为以及示例电商运行事件的示例对话建立事件数据,其中,对话建立事件数据包含频繁电商行为的活动对话特征(例如电商行为对话特征)与电商运行事件的活动对话特征,并将示例对话建立事件数据进行特征挖掘获得示例对话事件特征。
步骤S506,将电商潜在兴趣关系特征、示例电商行为属性、示例电商运行事件属性以及示例对话事件特征传递到兴趣指向路径挖掘模型,获得兴趣指向路径挖掘信息。
一种示例性的设计构思中,兴趣指向路径挖掘模型具有特征提取单元(特征提取单元)、特征关注单元(特征关注单元)、特征调整单元和挖掘单元,其中特征提取单元用于将传递到的示例电商行为属性以及示例电商运行事件属性进行特征挖掘生成对应的特征向量(包含电商行为属性特征和电商运行事件属性特征);特征关注单元用于通过特征关注处理将一对频繁电商行为与电商运行事件的特征信息进行特征挖掘获得一个用于表示某个兴趣指向路径A-B-D-C-R的兴趣路径特征向量,即将一对电商行为属性特征与电商运行事件属性特征进行特征挖掘获得第一示例挖掘向量;电商大数据***依据兴趣指向路径挖掘模型的特征提取单元和特征关注单元,获得表征示例频繁电商行为与示例电商运行事件之间兴趣指向依据的第一示例挖掘向量,由此将第一示例挖掘向量与电商潜在兴趣关系特征、示例对话事件特征传递到特征调整单元,通过特征调整单元对上述三种传递到信息进行整合,即依据电商潜在兴趣关系网络和电商行为与电商运行事件的活动对话特征,对第一示例兴趣指向路径特征进行优化和更新,获得第二示例挖掘向量,进而依据整合了电商潜在兴趣关系特征和电商行为对话特征、电商运行事件活动对话特征的第二示例挖掘向量得到兴趣指向路径挖掘信息。
步骤S507,依据目标模型收敛应用数据的兴趣指向路径挖掘信息以及示例兴趣指向路径信息对所述兴趣指向路径挖掘模型进行模型收敛优化,目标模型收敛应用数据为当前电商服务维度指示的模型收敛应用数据。
示例兴趣指向路径信息代表示例频繁电商行为与示例电商运行事件之间的兴趣指向依据。
步骤S508,依据目标模型收敛验证数据的兴趣指向路径挖掘信息以及示例兴趣指向路径信息对兴趣指向路径挖掘模型进行模型收敛验证,目标模型收敛验证数据为当前电商服务维度指示的模型收敛验证数据。
一种示例性的设计构思中电商大数据***完成训练后,基于模型收敛验证数据对每个电商服务维度进行模型收敛验证,以验证挖掘效果。
一种示例性设计思路中,在依据电商潜在兴趣关系网络的特征向量的基础上,引入了频繁电商行为和电商运行事件的对话建立事件数据的特征向量,同时对于不同类型的电商服务维度,分别基于模型收敛应用数据的分团策略,提高了兴趣指向路径挖掘模型的性能。
一种示例性的设计思路中,针对步骤S104,本申请实施例还提供一种基于人工智能兴趣挖掘的主题特征推送方法,包括以下步骤。
步骤W101:基于所述目标兴趣指向路径信息在所述候选电商运行事件中生成对于所述指定电商用户的兴趣定制化事件,获取所述指定电商用户的兴趣定制化事件匹配的初始热点推送活动序列和历史推送活动序列;所述初始热点推送活动序列涵盖多个初始热点推送活动,所述历史推送活动序列涵盖多个历史推送活动,所述初始热点推送活动和所述历史推送活动涵盖多个主题成员,所述主题成员对应于主题标签或主题产生路径。
电商大数据***对于指定电商用户的兴趣定制化事件确定其中具有较大反馈预估效果值的目标热点推送活动时,可以先获取包括多个初始热点推送活动的初始热点推送活动序列、以及包括多个历史推送活动的历史推送活动序列。热点推送活动可以包括多个主题标签以及为多个主题标签配置的主题产生路径。
一种示例性的设计构思中,电商大数据***可以预先构建初始热点推送活动序列和历史推送活动序列,并将所构建的初始热点推送活动序列和历史推送活动序列进行存储。
其中,初始热点推送活动序列中通常包括多个初始热点推送活动,例如包括300个初始热点推送活动,初始热点推送活动是最终需要生成的具有较大反馈预估效果值的目标热点推送活动的基础推送活动,因此可以对该初始热点推送活动进行相应的后续处理来获得具有较大反馈预估效果值的目标热点推送活动。初始热点推送活动中通常包括多个主题成员,所包括的主题成员可以对应于兴趣定制化事件中的主题标签或主题产生路径;值得说明的是,初始热点推送活动中包括的主题成员数量、主题成员对应的主题特征和主题成员的拓扑关系信息,通常取决于兴趣定制化事件设置的推送活动需求;例如,假设兴趣定制化事件的推送活动需求为允许每个推送评估推送活动中包括三个主题标签,并且每个主题标签可以配置两个主题产生路径,则所构建的初始热点推送活动可以表示为[F1,V11,V12,F2,V21,V22,F3,V31,V32],其中,F1、F2和F3分别代表该初始热点推送活动中包括的三个主题标签,V11和V12分别代表为F1对应的主题标签配置的两个主题产生路径,V21和V22分别代表为F2对应的主题标签配置的两个主题产生路径,V31和V32分别代表为F3对应的主题标签配置的两个主题产生路径。
其中,历史推送活动序列中通常包括多个历史推送活动,例如包括5000个历史推送活动,历史推送活动用于验证初始热点推送活动、和对初始热点推送活动进行优化处理得到的优化热点推送活动的反馈预估效果值。历史推送活动通常也包括多个主题成员,并且所包括的主题成员可以对应于兴趣定制化事件中的主题标签或主题产生路径;由于历史推送活动也是依据兴趣定制化事件设置的推送活动需求构建的,因此,历史推送活动的推送架构与初始热点推送活动的推送架构应当是相同的。
步骤W102:对于所述初始热点推送活动序列中的每个初始热点推送活动,基于所述初始热点推送活动与所述历史推送活动序列中的历史推送活动的推送会话信息,确定所述初始热点推送活动中多个主题成员分别对应的支持度量值和所述初始热点推送活动的推送价值;所述主题成员对应的支持度量值代表所述主题成员对应的主题标签或主题产生路径在推送评估中的影响力;所述推送价值代表推送活动在其参与的推送评估中的推送决策信息。
电商大数据***获取到初始热点推送活动序列和历史推送活动序列后,可以对于初始热点推送活动序列中的每个初始热点推送活动,基于历史推送活动序列对该初始热点推送活动包括的多个主题成员分别对应的支持度量值进行评估,以及对该初始热点推送活动的推送价值进行评估。上述主题成员对应的支持度量值能够表征主题成员对应的主题标签或主题产生路径在推送评估中所的影响置信度的大小,上述推送价值能够表征推送活动在其参与的推送评估中的推送决策信息。
例如,对于初始热点推送活动序列中的每个初始热点推送活动,电商大数据***可以基于该初始热点推送活动与历史推送活动序列中的每个历史推送活动进行推送评估,进而基于各个推送评估中该初始热点推送活动中每个主题成员分别对应的主题标签或主题产生路径的影响力,相应地确定该初始热点推送活动中每个主题成员分别对应的支持度量值;例如,假设初始热点推送活动中某推送实例在各个推送评估中获得的正向反馈次数的平均值为100,则可以确定初始热点推送活动中对应于该推送实例的主题成员的支持度量值为100。此外,电商大数据***还可以基于该初始热点推送活动在各个推送评估中取得的推送评估结果(推送有效或推送无效),确定该初始热点推送活动的推送价值;例如,电商大数据***可以基于该初始热点推送活动在各个推送评估中取得的推送评估结果,计算该初始热点推送活动的有效率,作为该初始热点推送活动的推送价值。
基于初始热点推送活动中多个主题成员分别归属的推送标签,将初始热点推送活动中的多个主题成员添加到多个主题成员簇中,此处的主题成员簇包括多个主题成员,且主题成员簇中包括的每个主题成员分别归属的推送标签相同。然后,对于每个主题成员簇,依据该主题成员簇中主题成员归属的推送标签对应的支持度量值模板,基于在该初始热点推送活动与历史推送活动序列中的历史推送活动进行推送评估流程中、该主题成员簇中每个主题成员分别对应的主题标签或主题产生路径的影响置信度,确定该主题成员簇中每个主题成员分别对应的支持度量值。
例如,电商大数据***可以对初始热点推送活动中包括的每个主题成员进行分团,将所属于同一推送标签的主题成员添加到同一主题成员簇中;例如,假设初始热点推送活动为[F1,V11,V12,F2,V21,V22,F3,V31,V32],其中,F1对应的主题标签和V11和V12分别对应的主题产生路径均属于主动式主题路径,F2对应的主题标签和V21对应的主题产生路径属于被动式主题路径,V22对应的主题产生路径属于循环主题路径,F3对应的主题标签和V31对应的主题产生路径属于非循环主题路径,V32对应的主题产生路径属于辅助主题路径,则可以将F1、V11和V12添加到第一主题成员簇中,将F2和V21添加到第二主题成员簇中,将V22添加到第三主题成员簇中,将F3和V31添加到第四主题成员簇中,将V32添加到第五主题成员簇中。
进而,对于每个主题成员簇,电商大数据***可以依据该主题成员簇中主题成员归属的推送标签对应的支持度量值模板,基于该主题成员簇中每个主题成员对应的主题标签或主题产生路径在各个推送评估中的影响力,确定每个主题成员对应的支持度量值。例如,假设主动式主题路径的主题标签或者主题产生路径对应的支持度量值模板为,基于其对对象主题标签获得的正向反馈次数确定支持度量值,则对于上述第一主题成员簇,电商大数据***可以基于F1对应的主题标签在该初始热点推送活动参与的各个推送评估中获得的正向反馈次数,确定F1对应的支持度量值,如计算F1对应的主题标签在初始热点推送活动参与的各个推送评估中获得的正向反馈次数的平均值,作为F1对应的支持度量值;对于第一主题成员簇中的V11和V12,电商大数据***也可以采用类似的方式计算V11和V12分别对应的支持度量值。
一种示例性的设计构思中,为了后续可以在同一维度上评估初始热点推送活动包括的每个主题成员,方便对初始热点推送活动进行优化处理时全局考虑初始热点推送活动中的每个主题成员,无需对于不同推送标签对应的主题成员单独进行评估,还可以基于以上获得的不同推送标签下的主题成员对应的支持度量值进行转换处理,使得不同推送标签下的主题成员对应的支持度量值均处于同一维度,从而便于对初始热点推送活动中的每个主题成员进行统一评估。
例如,可以将通过上述方式计算得到的主题成员对应的支持度量值,作为主题成员对应的初始支持度量值;进而,对于每个主题成员簇,基于该主题成员簇中主题成员归属的推送标签对应的标准支持度量值转换模板,将该主题成员簇中每个主题成员分别对应的初始支持度量值,分别转换为每个主题成员分别对应的标准支持度量值。
例如,对于包括与主动式主题路径的主题标签或主题产生路径对应的主题成员的主题成员簇,可以基于主动式主题路径对应的标准支持度量值转换模板,将该主题成员簇中每个主题成员分别对应的初始支持度量值,分别转换为每个主题成员分别对应的标准支持度量值。例如,假设主动式主题路径对应的标准支持度量值转换模板为对初始支持度量值乘3,则对于该主题成员簇中的每个主题成员,可以在该主题成员对应的初始支持度量值的基础上乘3,获得该主题成员对应的标准支持度量值。
一种示例性的设计构思中,电商大数据***可以选择任一种推送标签作为基准推送标签,该基准推送标签对应的标准支持度量值转换模板即是将主题成员对应的初始支持度量值直接作为该主题成员对应的标准支持度量值;进而,基于其它推送标签的主题标签或主题产生路径所的影响置信度与该基准推送标签的主题标签或主题产生路径所的影响置信度间的关系,相应地确定其它推送标签分别对应的标准支持度量值转换模板。
由此,通过对不同推送标签下的主题成员对应的支持度量值进行转换处理,使得不同推送标签下的主题成员对应的支持度量值都转换至同一维度;后续基于初始热点推送活动中每个主题成员分别对应的支持度量值对该初始热点推送活动进行优化处理时,无需区分初始热点推送活动中主题成员归属的推送标签,可以对初始热点推送活动中包括的每个主题成员进行统一评估,以确定该初始热点推送活动中所需调整的主题成员。
步骤W103:对于所述初始热点推送活动序列中的初始热点推送活动,基于所述初始热点推送活动中多个主题成员分别对应的支持度量值,优化所述初始热点推送活动中的主题成员,获得优化热点推送活动;基于所述优化热点推送活动与所述历史推送活动序列中的历史推送活动的推送会话信息,确定所述优化热点推送活动的推送价值;基于所述初始热点推送活动和所述优化热点推送活动分别对应的推送价值,确定目标热点推送活动,基于所述目标热点推送活动对所述指定电商用户进行电商内容推送。
电商大数据***对于初始热点推送活动序列中的每个初始热点推送活动,确定出其中包括的每个主题成员分别对应的支持度量值及其推送价值后,可以进一步对于初始热点推送活动序列中的初始热点推送活动,基于该初始热点推送活动中每个主题成员分别对应的支持度量值,优化该初始热点推送活动中的主题成员,对该初始热点推送活动进行优化处理,获得对应的优化热点推送活动;然后,基于优化热点推送活动与历史推送活动序列中每个历史推送活动进行推送评估,从而确定优化热点推送活动的推送价值;进而,基于该初始热点推送活动和该优化热点推送活动分别对应的推送价值,确定具有更强反馈预估效果值的目标热点推送活动。
一种示例性的设计构思中,电商大数据***可以从初始热点推送活动序列中选取部分反馈预估效果值较大的初始热点推送活动,进而对于这些反馈预估效果值较大的初始热点推送活动进行优化处理,以依据这些反馈预估效果值较大的初始热点推送活动确定可以基于后续内容推送的目标热点推送活动。
例如,电商大数据***可以基于初始热点推送活动序列中每个初始热点推送活动分别对应的推送价值,从初始热点推送活动序列中选定多个候选初始热点推送活动。进而,对于每个候选初始热点推送活动,基于该候选初始热点推送活动中多个主题成员分别对应的支持度量值,优化该候选初始热点推送活动中的主题成员,获得对应的优化热点推送活动;并基于该优化热点推送活动与历史推送活动序列中的历史推送活动的推送会话信息,确定该优化热点推送活动的推送价值;最终,基于该候选初始热点推送活动和该优化热点推送活动分别对应的推送价值,确定目标热点推送活动。
例如,电商大数据***确定出初始热点推送活动序列中的每个初始热点推送活动分别对应的推送价值后,可以从初始热点推送活动序列中选择推送价值大于预设推送价值阈值的初始热点推送活动,作为候选初始热点推送活动;或者,电商大数据***也可以依据推送价值从大到小的顺序,对初始热点推送活动序列中的每个初始热点推送活动进行排序,进而选择排序靠前的若干初始热点推送活动,作为候选初始热点推送活动。
进而,电商大数据***可以对于每个候选初始热点推送活动,基于该候选初始热点推送活动中每个主题成员分别对应的支持度量值,优化该候选初始热点推送活动中的主题成员,实现对该候选初始热点推送活动的优化处理,获得对应的优化热点推送活动。基于该优化热点推送活动与历史推送活动序列中的每个历史推送活动进行推送评估,基于推送评估结果确定该优化热点推送活动的推送价值。最终,从该候选初始热点推送活动和该优化热点推送活动中选择推送价值较高的热点推送活动,作为目标热点推送活动。
如此,基于初始热点推送活动序列中每个初始热点推送活动分别对应的推送评估结果,从该初始热点推送活动中选择推送价值较高的初始热点推送活动,作为优化处理的基础,一方面可以提高目标热点推送活动的挖掘速度,并且减少不必要的流程。
此外,电商大数据***也可以对于初始热点推送活动序列中每个初始热点推送活动均进行优化处理,获得每个初始热点推送活动分别对应的优化热点推送活动,并相应地确定每个优化热点推送活动分别对应的推送价值。进而,电商大数据***可以综合评估初始热点推送活动序列中每个初始热点推送活动分别对应的推送价值、以及每个优化热点推送活动分别对应的推送价值,以从每个初始热点推送活动和每个优化热点推送活动中,选定具有较高适应的热点推送活动作为目标热点推送活动。
一种示例性的设计构思中,电商大数据***基于初始热点推送活动中每个主题成员分别对应的支持度量值,对该初始热点推送活动进行优化处理,可以获得更大反馈预估效果值的优化热点推送活动。下面将区分未对主题成员对应的支持度量值进行规则化处理、以及已对主题成员对应的支持度量值进行规则化处理的不同形式,对应描述对于初始热点推送活动的优化处理方式,本申请实施例中的优化处理方式主要包括联系优化处理和转换优化处理。
在未对主题成员对应的支持度量值进行规则化处理(即步骤W102中直接基于推送标签对应的支持度量值模板确定主题成员对应的支持度量值)时,电商大数据***可以通过以下方式对初始热点推送活动进行联系优化处理:对于初始热点推送活动中的每个主题成员簇,确定该主题成员簇中支持度量值最大的主题成员与支持度量值最小的主题成员之间的支持度量区别值,作为该主题成员簇对应的支持度量区别值;然后,确定该初始热点推送活动中所对应的支持度量区别值最大的主题成员簇,作为该初始热点推送活动的目标主题成员簇;并分析该目标主题成员簇中每个主题成员在该初始热点推送活动中的推送节点是否存在联系,如果是,则可以基于该目标主题成员簇中支持度量值最大的主题成员和支持度量值最小的主题成员分别在该初始热点推送活动中的推送节点,确定该初始热点推送活动的联系优化节点;进而,依据该初始热点推送活动的联系优化节点,对该初始热点推送活动进行联系优化处理,获得联系优化热点推送活动,此处的联系优化处理用于将两个推送活动中部分主题成员进行成员关联。
下面以初始热点推送活动为[F1,L11,L12,F2,L21,L22,F3,L31,L32],其中,每个主题成员分别对应的支持度量值为[100,150,300,150,110,40,35,20,10],且F1、L11和L12所属于第一主题成员簇,F2、L21和L22所属于第二主题成员簇,F3和L31所属于第三主题成员簇,L32所属于第四主题成员簇为例,对该初始热点推送活动的联系优化处理方式进行介绍。
例如,可以对于上述第一主题成员簇至第四主题成员簇中的每个主题成员簇,计算其中最大的支持度量值与最小的支持度量值的商,作为该主题成员簇对应的支持度量区别值;通过该种计算方式得到的第一主题成员簇对应的支持度量区别值为3,第二主题成员簇对应的支持度量区别值为3.75,第三主题成员簇对应的支持度量区别值为1.75,第四主题成员簇对应的支持度量区别值为1(由于第四主题成员簇仅包括一个主题成员,因此可以确定其对应的支持度量区别值为1)。由于第二主题成员簇对应的支持度量区别值最大,因此可以确定该第二主题成员簇作为目标主题成员簇。
进而,分析该目标主题成员簇中包括的每个主题成员在初始热点推送活动中所处的推送节点是否存在联系;如果是,则基于该目标主题成员簇中支持度量值最大的主题成员和支持度量值最小的主题成员分别在初始热点推送活动中的推送节点,确定联系优化节点。当需要对初始热点推送活动进行联系优化处理时,可以依据该初始热点推送活动的联系优化节点确定该初始热点推送活动中所需调整的主题成员。
联系优化处理是指将两个推送活动中的部分主题成员进行成员关联,下面以对第一初始热点推送活动和第二初始热点推送活动进行联系优化处理为例,对联系优化处理的实现方式进行介绍。
对于第一初始热点推送活动和第二初始热点推送活动进行联系优化处理时,可以确定二者中具有较高推送价值的初始热点推送活动的联系优化节点,作为目标联系优化节点;例如,若第一初始热点推送活动的推送价值大于第二初始热点推送活动的推送价值,则可以将第一初始热点推送活动的联系优化节点作为目标联系优化节点。将第一初始热点推送活动中位于目标联系优化节点以及目标联系优化节点后的主题成员作为第一候选联系主题成员,将第二初始热点推送活动中位于目标联系优化节点以及目标联系优化节点后的主题成员作为第二候选联系主题成员。进而,基于第二候选联系主题成员替换第一初始热点推送活动中的第一候选联系主题成员得到第一联系优化热点推送活动,基于第一候选联系主题成员替换第二初始热点推送活动中的第二候选联系主题成员得到第二联系优化热点推送活动。
例如,假设第一初始热点推送活动为[F1,L11,L12,F2,L21,L22,F3,L31,L32],第二初始热点推送活动为[F4,L41,L42,F5,L51,L52,F6,L61,L62],且第一初始热点推送活动的推送价值大于第二初始热点推送活动的推送价值。则可以将第一初始热点推送活动的联系优化节点(如第五位)作为目标联系优化节点,进而确定该第一初始热点推送活动中的第一候选联系主题成员包括[L21,L22,F3,L31,L32],确定第二初始热点推送活动中的第二候选联系主题成员包括[L51,L52,F6,L61,L62],将第一初始热点推送活动中的第一候选联系主题成员与第二初始热点推送活动中的第二候选联系主题成员进行联系优化,将得到第一联系优化热点推送活动[F1,L11,L12,F2,L51,L52,F6,L61,L62]、和第二联系优化热点推送活动[F4,L41,L42,F5,L21,L22,F3,L31,L32]。
值得说明的是,上述联系优化处理的方式仅为示例,电商大数据***也可以仅联系优化第一初始热点推送活动和第二初始热点推送活动中预设数量的主题成员,例如以目标联系优化节点为基础,从第一初始热点推送活动和第二初始热点推送活动中选定三个主题成员作为候选联系主题成员;或者,电商大数据***可以将第一初始热点推送活动和第二初始热点推送活动中位于目标联系优化节点和目标联系优化节点前的主题成员,作为候选联系主题成员。本申请在此不对电商大数据***选择候选联系主题成员的方式做任何限定。
相较于传统方案中直接在初始热点推送活动中随机选择联系优化节点以及候选联系主题成员的方式,本实施例对初始热点推送活动进行联系优化处理时,基于初始热点推送活动中每个主题成员分别对应的支持度量值,选择联系优化处理所依据的联系优化节点和候选联系主题成员,可以使得联系优化处理更具针对性,即更倾向于使得经联系优化处理得到的联系优化热点推送活动具有更强的反馈预估效果值,从而可提高确定目标热点推送活动的挖掘效果。
在未对主题成员对应的支持度量值进行规则化处理时,电商大数据***可以通过以下方式对初始热点推送活动进行转换优化处理:对于初始热点推送活动中的每个主题成员簇,基于该主题成员簇中每个主题成员分别对应的支持度量值,为该主题成员簇中每个主题成员分配相应的优化置信度,该优化置信度与支持度量值之间反向相关;进而,依据该初始热点推送活动中各主题成员分别对应的优化置信度,对该初始热点推送活动进行转换优化处理,获得转换优化热点推送活动;此处的转换优化处理用于将推送活动中的部分主题成员替换为其它主题成员。
下面仍以初始热点推送活动为[F1,L11,L12,F2,L21,L22,F3,L31,L32],其中,每个主题成员分别对应的支持度量值为[100,150,300,150,110,40,35,20,10],且F1、L11和L12所属于第一主题成员簇,F2、L21和L22所属于第二主题成员簇,F3和L31所属于第三主题成员簇,L32所属于第四主题成员簇为例,对该初始热点推送活动的转换优化处理方式进行介绍。
例如,可以对于上述第一主题成员簇至第四主题成员簇中每个主题成员簇,基于其中每个主题成员分别对应的支持度量值,为该主题成员簇中每个主题成员分配相应的优化置信度;例如,对于第一主题成员簇,其中F1对应的支持度量值为100,L11对应的支持度量值为150,L12对应的支持度量值为300,依据支持度量值与优化置信度之间反向相关这一原理,可以为F1配置优化置信度0.3,为L11配置优化置信度0.2,为L12配置优化置信度0.1;对于其它主题成员簇,也可以采用类似的方式为其分配相应的优化置信度,最终可以得到该初始热点推送活动中各主题成员分别对应的优化置信度[0.3,0.2,0.1,0.05,0.08,0.3,0.2,0.25,0.2]。
进而,基于初始热点推送活动中各主题成员分别对应的优化置信度,确定其中所对应的优化置信度大于目标置信度的主题成员作为待转换主题成员。对于初始热点推送活动中的待转换主题成员,可以从候选主题成员中选择一个不同的主题成员替换该待转换主题成员,例如,假设待转换主题成员对应于主题标签,则可以从其它候选主题标签中选择任一个主题标签,基于该主题标签对应的主题成员替换该待转换主题成员;又例如,假设待转换主题成员对应于主题产生路径,则可以从其它候选主题产生路径中选择任一个主题产生路径,基于该主题产生路径对应的主题成员替换该待转换主题成员。
相较于传统方案中直接为初始热点推送活动中每个主题成员随机配置优化置信度,并依据所配置的优化置信度对该初始热点推送活动进行转换优化处理的方式,本实施例对初始热点推送活动进行转换优化处理时,基于该初始热点推送活动中每个主题成员分别对应的支持度量值,为该初始热点推送活动中每个主题成员分配相应的优化置信度,从而使得转换优化处理更具针对性,即更倾向于保留初始热点推送活动中支持度量值较高的主题成员,替换初始热点推送活动中支持度量值较低的主题成员,从而更有助于使得经转换优化处理得到的转换优化热点推送活动具有更强的反馈预估效果值,由此提高目标热点推送活动的挖掘可靠性。
在已对主题成员对应的支持度量值进行规则化处理(即步骤W102中基于推送标签对应的支持度量值模板确定主题成员对应的初始支持度量值后,又基于推送评估属性对应的标准支持度量值转换模板确定主题成员对应的标准支持度量值)时,电商大数据***可以通过以下方式对初始热点推送活动进行联系优化处理:确定初始热点推送活动中所对应的标准支持度量值最小的主题成员在该初始热点推送活动中的推送节点,作为该初始热点推送活动的联系优化节点,进而,依据该初始热点推送活动的联系优化节点,对该初始热点推送活动进行联系优化处理,获得联系优化热点推送活动,此处的联系优化处理与上文提及的联系优化处理的技术方案一致,也用于将两个推送活动中部分主题成员进行成员关联。
由于对初始热点推送活动中每个主题成员分别对应的初始支持度量值进行规则化处理,即已将初始热点推送活动中每个主题成员分别对应的支持度量值转换到同一层次上,因此,对该初始热点推送活动进行联系优化处理时,可以直接统一考虑该初始热点推送活动中每个主题成员分别对应的标准支持度量值。此时,可以直接确定该初始热点推送活动中所对应的标准支持度量值最小的主题成员在该初始热点推送活动中的推送节点,作为该初始热点推送活动的联系优化节点;进而,依据该初始热点推送活动的联系优化节点,确定该初始热点推送活动中的候选联系主题成员,当对该初始热点推送活动与另一初始热点推送活动(该初始热点推送活动的推送价值较低)进行联系优化处理时,可以将该初始热点推送活动中的候选联系主题成员与另一初始热点推送活动中依据该联系优化节点确定的候选联系主题成员调换,从而得到联系优化热点推送活动。
值得说明的是,依据初始热点推送活动的联系优化节点对初始热点推送活动进行联系优化处理的具体技术手段可以参见前述描述。
相较于传统方案中直接在初始热点推送活动中随机选择联系优化节点以及候选联系主题成员的方式,本实施例对初始热点推送活动进行联系优化处理时,基于初始热点推送活动中每个主题成员分别对应的支持度量值,选择联系优化处理所依据的联系优化节点和候选联系主题成员,可以使得联系优化处理更具针对性,即更倾向于使得经联系优化处理得到的联系优化热点推送活动具有更强的反馈预估效果值,如此可以相应地提高确定目标热点推送活动的效率。此外,依据规则化处理得到的标准支持度量值确定初始热点推送活动的联系优化节点,可以简化联系优化节点的确定过程,提高联系优化节点的挖掘可靠性。
在已对主题成员对应的支持度量值进行规则化处理时,电商大数据***可以通过以下方式对初始热点推送活动进行转换优化处理:基于初始热点推送活动中的每个主题成员分别对应的标准支持度量值,为该初始热点推送活动中每个主题成员分配相应的优化置信度,该优化置信度与标准支持度量值之间反向相关;进而,依据该初始热点推送活动中每个主题成员分别对应的优化置信度,对该初始热点推送活动进行转换优化处理,获得转换优化热点推送活动,此处的转换优化处理与上文提及的转换优化处理的含义相同,也用于将推送活动中的部分主题成员替换为其它主题成员。
由于对初始热点推送活动中每个主题成员分别对应的初始支持度量值进行规则化处理,即已将初始热点推送活动中每个主题成员分别对应的支持度量值转换到同一层次上,因此,对该初始热点推送活动进行转换优化处理时,可以直接统一考虑该初始热点推送活动中每个主题成员分别对应的标准支持度量值。此时,可以直接依据标准支持度量值与优化置信度之间反向相关这一原理,基于初始热点推送活动中的每个主题成员分别对应的标准支持度量值,为该初始热点推送活动中的每个主题成员相应地配置其分别对应的优化置信度;进而,将初始热点推送活动中所对应的优化置信度大于目标置信度的主题成员作为待转换主题成员,从候选主题成员中选择任一主题成员替换该待转换主题成员。
值得说明的是,依据初始热点推送活动中各主题成员分别对应的优化置信度,对初始热点推送活动进行转换优化处理的技术手段可以参见以上实施例的描述。
相较于传统方案中直接为初始热点推送活动中每个主题成员随机配置优化置信度,并依据所配置的优化置信度对该初始热点推送活动进行转换优化处理的方式,本实施例对初始热点推送活动进行转换优化处理时,基于该初始热点推送活动中每个主题成员分别对应的支持度量值,为该初始热点推送活动中每个主题成员分配相应的优化置信度,从而使得转换优化处理更具针对性,即更倾向于保留初始热点推送活动中支持度量值较高的主题成员,替换初始热点推送活动中支持度量值较低的主题成员,从而更有助于使得经转换优化处理得到的转换优化热点推送活动具有更强的反馈预估效果值,可以相应地提高确定目标热点推送活动的效率。此外,依据规则化处理得到的标准支持度量值直接确定初始热点推送活动中各主题成员分别对应的优化置信度,可以简化优化置信度的配置过程,提高优化置信度的配置效率。
以上描述的对于初始热点推送活动的优化处理过程,都只对于初始热点推送活动进行了一种优化处理(联系优化处理或者转换优化处理),而在实际应用中,电商大数据***对于初始热点推送活动进行的优化处理过程,也可以由多种优化处理方式组合而成。
一种示例性的设计构思中,电商大数据***可以对初始热点推送活动先进行联系优化处理,后进行转换优化处理。例如,电商大数据***依据初始热点推送活动的联系优化节点,对初始热点推送活动进行联系优化处理得到联系优化热点推送活动后,可以基于该联系优化热点推送活动与历史推送活动序列中的历史推送活动的推送会话信息,确定该联系优化热点推送活动中多个主题成员分别对应的支持度量值以及该交叉热点推送活动的推送价值;然后,基于该联系优化热点推送活动中多个主题成员分别对应的支持度量值,对该联系优化热点推送活动进行转换优化处理,获得转换优化热点推送活动;并基于该转换优化热点推送活动与历史推送活动序列中的历史推送活动的推送会话信息,确定该转换优化热点推送活动的推送价值;最终,可以基于初始热点推送活动、联系优化热点推送活动和转换优化热点推送活动分别对应的推送价值,确定目标热点推送活动。
例如,假设电商大数据***对于初始热点推送活动M和初始热点推送活动K进行联系优化处理,获得联系优化热点推送活动C和联系优化热点推送活动D。此时,电商大数据***需要基于联系优化热点推送活动C与历史推送活动序列中的每个历史推送活动进行推送评估,并基于各个推送评估中该联系优化热点推送活动C中每个主题成员分别对应的主题标签或主题产生路径所的影响置信度的大小,确定该联系优化热点推送活动C中每个主题成员分别对应的支持度量值,并且还需要基于该联系优化热点推送活动C在各个推送评估中的推送评估结果,确定该联系优化热点推送活动C的推送价值;对于联系优化热点推送活动D,电商大数据***也需要采用同样的方式,确定该联系优化热点推送活动D中每个主题成员分别对应的支持度量值、以及该联系优化热点推送活动D的推送价值。
然后,电商大数据***可以对于联系优化热点推送活动C和联系优化热点推送活动D分别进行转换优化处理,即电商大数据***可以基于联系优化热点推送活动C中每个主题成员分别对应的支持度量值,为该联系优化热点推送活动C中每个主题成员分配相应的优化置信度,并依据该联系优化热点推送活动C中每个主题成员分别对应的优化置信度,对该联系优化热点推送活动C进行转换优化处理,获得对应的转换优化热点推送活动E;对于联系优化热点推送活动D,电商大数据***也可以采用同样的方式对该联系优化热点推送活动D进行转换优化处理,获得对应的转换优化热点推送活动F。
然后,电商大数据***可以基于转换优化热点推送活动E与历史推送活动序列中每个历史推送活动进行推送评估,并基于该转换优化热点推送活动E在各个推送评估中的推送评估结果,确定该转换优化热点推送活动E的推送价值;以及,基于转换优化热点推送活动F与历史推送活动序列中每个历史推送活动进行推送评估,并基于该转换优化热点推送活动F在各个推送评估中的推送评估结果,确定该转换优化热点推送活动F的推送价值。
由此,电商大数据***可以基于初始热点推送活动M、初始热点推送活动K、联系优化热点推送活动C、联系优化热点推送活动D、转换优化热点推送活动E和转换优化热点推送活动F分别对应的推送价值,从初始热点推送活动M、初始热点推送活动K、联系优化热点推送活动C、联系优化热点推送活动D、转换优化热点推送活动E和转换优化热点推送活动F中选定推送价值较高的热点推送活动,作为目标热点推送活动。
另一种示例性的设计构思中,电商大数据***可以对初始热点推送活动先进行转换优化处理,后进行联系优化处理。例如,电商大数据***依据初始热点推送活动中各主题成员分别对应的优化置信度,对该初始热点推送活动进行转换优化处理,获得转换优化热点推送活动后,可以基于该转换优化热点推送活动与历史推送活动序列中的历史推送活动的推送会话信息,确定该转换优化热点推送活动中多个主题成员分别对应的支持度量值和该转换优化热点推送活动的推送价值;然后,基于该转换优化热点推送活动中的多个主题成员分别对应的支持度量值,对该转换优化热点推送活动进行联系优化处理,获得联系优化热点推送活动,并基于该联系优化热点推送活动与历史推送活动序列中的历史推送活动的推送会话信息,确定该联系优化热点推送活动的推送价值;最终,可以基于初始热点推送活动、转换优化热点推送活动和联系优化热点推送活动分别对应的推送价值,确定目标热点推送活动。
例如,假设电商大数据***对于初始热点推送活动M和初始热点推送活动K分别进行转换变换处理,获得转换优化热点推送活动G和转换优化热点推送活动F。此时,电商大数据***需要基于转换优化热点推送活动G与历史推送活动序列中的每个历史推送活动进行推送评估,并基于各个推送评估中该转换优化热点推送活动G中每个主题成员分别对应的主题标签或主题产生路径所的影响置信度的大小,确定该转换优化热点推送活动G中每个主题成员分别对应的支持度量值,并且还需要基于该转换优化热点推送活动G在各个推送评估中的推送评估结果,确定该转换优化热点推送活动G的推送价值;对于转换优化热点推送活动F,电商大数据***也需要采用同样的方式,确定该转换优化热点推送活动F中每个主题成员分别对应的支持度量值、以及该转换优化热点推送活动F的推送价值。
然后,电商大数据***可以对于转换优化热点推送活动G和转换优化热点推送活动F进行联系优化处理,以转换优化热点推送活动G的推送价值大于转换优化热点推送活动F的推送价值为例,电商大数据***可以基于转换优化热点推送活动G中每个主题成员分别对应的支持度量值,确定此次联系优化处理所依据的目标联系优化节点;进而,基于该目标联系优化节点,确定转换优化热点推送活动G中的候选联系主题成员和转换优化热点推送活动F中的候选联系主题成员,并将转换优化热点推送活动G和转换优化热点推送活动F中的候选联系主题成员进行调换处理,获得联系优化热点推送活动I和联系优化热点推送活动J。
进而,电商大数据***可以基于联系优化热点推送活动I与历史推送活动序列中每个历史推送活动进行推送评估,并基于该联系优化热点推送活动I在各个推送评估中的推送评估结果,确定该联系优化热点推送活动I的推送价值;以及,基于联系优化热点推送活动J与历史推送活动序列中每个历史推送活动进行推送评估,并基于该联系优化热点推送活动J在各个推送评估中的推送评估结果,确定该联系优化热点推送活动J的推送价值。
最终,电商大数据***可以基于初始热点推送活动M、初始热点推送活动K、转换优化热点推送活动G、转换优化热点推送活动F、联系优化热点推送活动I和联系优化热点推送活动J分别对应的推送价值,从初始热点推送活动M、初始热点推送活动K、转换优化热点推送活动G、转换优化热点推送活动F、联系优化热点推送活动I和联系优化热点推送活动J中选定推送价值较高的热点推送活动,作为目标热点推送活动。
在具体确定目标热点推送活动时,电商大数据***可以基于初始热点推送活动和优化热点推送活动分别对应的推送价值,确定目标待定热点推送活动;然后,分析该目标待定热点推送活动是否匹配目标要求;如果是,则可以将该目标待定热点推送活动作为目标热点推送活动;如果否,则需要将该目标待定热点推送活动作为新的初始热点推送活动,进而对于该初始热点推送活动返回执行上述步骤W102和步骤W103,直至所得到的目标待定热点推送活动匹配目标要求为止。
例如,电商大数据***对初始热点推送活动进行优化处理得到其对应的优化热点推送活动,并对于该优化热点推送活动确定出其推送价值后,电商大数据***可以将该初始热点推送活动和该优化热点推送活动中具有较高推送价值的热点推送活动,作为目标待定热点推送活动。此时,电商大数据***可以分析该目标待定热点推送活动是否匹配目标要求;如果是,则说明该目标待定热点推送活动的反馈预估效果值已足够大,此时可以将该目标待定热点推送活动作为最终的目标热点推送活动;如果否,则说明该目标待定热点推送活动的反馈预估效果值仍不够大,此时需要将该目标待定热点推送活动重新作为初始热点推送活动,返回执行上述步骤W102和W103,进行迭代处理,获得更好的反馈预估效果值的目标待定热点推送活动。
以上实施例中,对于随机构建的初始热点推送活动进行优化处理,以得到具有更强反馈预估效果值的目标热点推送活动;并且在对初始热点推送活动进行优化处理时,综合考虑了初始热点推送活动中每个主题成员分别对应的支持度量值,基于初始热点推送活动中每个主题成员分别对应的支持度量值,确定该初始热点推送活动中所需调整的主题成员,进而,对该主题成员进行调整得到优化热点推送活动。由于初始热点推送活动中主题成员对应的支持度量值是基于主题成员对应的主题标签或主题产生路径在该初始热点推送活动参与的推送评估中的影响力确定的,因此初始热点推送活动中主题成员对应的支持度量值能够相应地反映该主题成员对于初始热点推送活动的全局反馈预估效果值的影响,结合初始热点推送活动中主题成员对应的支持度量值对该初始热点推送活动进行优化处理,能够使得优化处理更具针对性,更倾向于向增强反馈预估效果值的方向优化,进而获得具有较大反馈预估效果值的目标热点推送活动,提高热点推送的效果。
基于同一发明构思,本申请实施例还提供一种电商大数据***,电商大数据***100可因配置或性能不同而产生比较大的差异,可以包括一个或一个以***处理器(Central Processing Units,CPU)112(例如,一个或一个以上处理器)和存储器111。其中,存储器111可以是短暂存储或持久存储。存储在存储器111的程序可以包括一个或一个以上模块,每个模块可以包括对电商大数据***100中的一系列指令操作。更进一步地,中央处理器112可以设置为与存储器111通信,在电商大数据***100上执行存储器111中的一系列指令操作。
电商大数据***100还可以包括一个或一个以上电源,一个或一个以上通信单元113,一个或一个以上输入输出接口,和/或,一个或一个以上操作***,例如WindowsServerTM,Mac OS XTM,UnixTM, LinuxTM,FreeBSDTM等等。
另外,本申请实施例还提供了一种存储介质,所述存储介质用于存储计算机程序,所述计算机程序用于执行上述实施例提供的方法。
本申请实施例还提供了一种包括指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例提供的方法。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质可以是下述介质中的至少一种:只读存储器(英文:Read-only Memory,缩写:ROM)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备及***实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的设备及***实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动时,即可以理解并实施。
以上所述,仅为本申请的一种具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。