CN114463072A - 基于业务需求ai预测的电商服务优化方法及大数据*** - Google Patents
基于业务需求ai预测的电商服务优化方法及大数据*** Download PDFInfo
- Publication number
- CN114463072A CN114463072A CN202210290845.3A CN202210290845A CN114463072A CN 114463072 A CN114463072 A CN 114463072A CN 202210290845 A CN202210290845 A CN 202210290845A CN 114463072 A CN114463072 A CN 114463072A
- Authority
- CN
- China
- Prior art keywords
- node
- feedback
- activity
- wandering
- service
- 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- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种基于业务需求AI预测的电商服务优化方法及大数据***,基于指定订阅用户的各个目标业务需求以及各个目标业务需求的需求类型构建对应于各个目标业务需求的电商匹配字典,基于对应于各个目标业务需求的电商匹配字典向指定订阅用户推送对应的电商服务内容信息,获取指定订阅用户针对电商服务内容信息的反馈活动数据,并基于反馈活动数据对各个目标业务需求的电商匹配字典进行优化更新,从而在业务需求挖掘的基础上,以需求类型为电商匹配字段的生成维度进行信息推送,并基于反馈活动进行电商匹配字典的优化更新,以此提高后续电商匹配字典与该指定订阅用户的匹配度,提高内容定点推送体验。
Description
技术领域
本申请涉及大数据挖掘技术领域,具体而言,涉及一种基于业务需求AI预测的电商服务优化方法及大数据***。
背景技术
当前,互联网电商逐渐成了人们购物的主要方式,电子商务的繁荣带动了相关产业的不断升级。为了迎合大数据时代的特征,也为了更好地把握住大数据时代的种种商机,各个电子商务服务提供商纷纷涉足互联网金融,追逐大数据,都希望占据未来市场。
电子商务服务提供商要实现其经营目标,离不开针对广泛用户的合法的大数据分析,进行相关用户的业务需求预测,可以为后续的内容推送提高参考依据。相关技术中,通常会针对每个用户生成相应的用户画像,这些用户画像可以以电商匹配字典的形式进行反映,如何有效提高电商匹配字典与指定订阅用户的匹配度,提高内容定点推送体验,是本领域亟待解决的技术问题。
发明内容
本申请提供一种基于业务需求AI预测的电商服务优化方法及大数据***。
第一方面,本申请实施例提供一种基于业务需求AI预测的电商服务优化方法,应用于大数据***,包括:
基于指定订阅用户的业务需求分布,确定所述指定订阅用户的各个目标业务需求的需求类型;
基于所述指定订阅用户的各个目标业务需求以及各个目标业务需求的需求类型构建对应于各个目标业务需求的电商匹配字典,其中,所述电商匹配字典包括多个依据优先级排列的电商匹配推送字段;
基于所述对应于各个目标业务需求的电商匹配字典向所述指定订阅用户推送对应的电商服务内容信息;
获取所述指定订阅用户针对所述电商服务内容信息的反馈活动数据,并基于所述反馈活动数据对所述各个目标业务需求的电商匹配字典进行优化更新。
在第一方面的一种示例性的独立构思中,所述所述指定订阅用户的业务需求分布通过以下步骤确定:
游走指定订阅用户的业务组合操作大数据中的各个组合操作维度数据,不同的组合操作维度数据是基于不同的业务操作维度对所述指定订阅用户进行数据跟踪获得的;
如果在每次游走的游走组合操作维度数据中解析到符合关键游走特征的关键游走节点,则将解析到的关键游走节点作为所述指定订阅用户的参考关键游走节点,并确定所述参考关键游走节点在所述游走组合操作维度数据中的时空域信息,以及从所述游走组合操作维度数据中解析到的所述参考关键游走节点的第一游走节点信息;
从所述业务组合操作大数据中除所述游走组合操作维度数据以外的余下组合操作维度数据中,获取所述游走组合操作维度数据的联系组合操作维度数据,所述游走组合操作维度数据和所述联系组合操作维度数据之间具有衔接属性;
依据所述游走组合操作维度数据和所述联系组合操作维度数据之间的映射联系信息,和所述参考关键游走节点在所述游走组合操作维度数据中的时空域信息,在所述联系组合操作维度数据中追踪所述参考关键游走节点;
基于追踪信息和所述参考关键游走节点的第一游走节点信息,生成所述参考关键游走节点的第二游走节点信息,如果所述第二游走节点信息中的行为倾向概率不小于目标行为倾向概率,则判定所述参考关键游走节点具有业务需求倾向;
如果所述第二游走节点信息中的行为倾向概率小于所述目标行为倾向概率,则判定所述参考关键游走节点不具有业务需求倾向;
其中,在所述业务组合操作大数据中的全部组合操作维度数据均被游走后,获得从所述全部组合操作维度数据中解析到的P个参考关键游走节点的业务需求倾向信息,P为正整数;
基于所述P个参考关键游走节点的业务需求倾向信息,确定所述指定订阅用户的业务需求分布。
譬如,在第一方面的一种示例性的独立构思中,所述游走组合操作维度数据和所述联系组合操作维度数据之间的映射联系信息,是所述业务组合操作大数据的业务组合联系图谱中的其中一个映射联系信息;
其中,所述业务组合联系图谱中的任一映射联系信息的建立流程包括:
从所述指定订阅用户的业务组合操作大数据中选取一个组合操作维度数据作为第一组合操作维度数据,并从所述业务组合操作大数据中选取与所述第一组合操作维度数据具有共有特征向量的组合操作维度数据,作为第二组合操作维度数据;
在所述第一组合操作维度数据中确定多个第一组合操作活动,以及在所述第二组合操作维度数据中确定多个第二组合操作活动;一个第一组合操作活动对应一个第二组合操作活动,组合操作活动是指:对所述指定订阅用户的一个组合操作行为在组合操作维度数据中的时空域信息进行定位所获得的操作行为活动;
基于每个第一组合操作活动的时空域向量以及对应的第二组合操作活动的时空域向量,计算所述第一组合操作维度数据和所述第二组合操作维度数据之间的映射联系信息。
譬如,在第一方面的一种示例性的独立构思中,所述基于每个第一组合操作活动的时空域向量以及对应的第二组合操作活动的时空域向量,计算所述第一组合操作维度数据和所述第二组合操作维度数据之间的映射联系信息,包括:
获取等待生成的映射联系特征,所述等待生成的映射联系特征中包括等待生成的多个映射联系参数;
基于所述等待生成的映射联系特征,将每个第一组合操作活动的时空域向量从所述第一组合操作维度数据所在的低维关系场景,映射联系到高维关系场景以得到所述每个第一组合操作活动的高维时空域向量,所述每个第一组合操作活动的高维时空域向量中包括所述多个映射联系参数;
将所述每个第一组合操作活动的高维时空域向量映射联系到所述第二组合操作维度数据所在的低维关系场景,获得所述每个第一组合操作活动的映射联系向量,所述每个第一组合操作活动的映射联系向量中包括所述多个映射联系参数;
基于所述每个第一组合操作活动的映射联系向量匹配对应的第二组合操作活动的时空域向量的匹配模板,确定所述映射联系特征中的各个映射联系参数的配置信息,获得目标映射联系特征;
基于所述目标映射联系特征,作为所述第一组合操作维度数据和所述第二组合操作维度数据之间的映射联系信息。
譬如,在第一方面的一种示例性的独立构思中,所述依据所述游走组合操作维度数据和所述联系组合操作维度数据之间的映射联系信息,和所述参考关键游走节点在所述游走组合操作维度数据中的时空域信息,在所述联系组合操作维度数据中追踪所述参考关键游走节点,包括:
依据所述游走组合操作维度数据和所述联系组合操作维度数据之间的映射联系信息,将所述参考关键游走节点在所述游走组合操作维度数据中的时空域信息,映射联系到所述联系组合操作维度数据中以得到映射联系分区;
如果在所述联系组合操作维度数据中解析到W个关键游走节点,则确定所述W个关键游走节点中的每个关键游走节点在所述联系组合操作维度数据中的时空域信息,W为正整数;
计算所述每个关键游走节点在所述联系组合操作维度数据中的时空域信息,与所述映射联系分区之间的时空域关联度;
在计算得到的时空域关联度中查找大于目标时空域关联度的时空域关联度;
如果查找到大于目标时空域关联度的时空域关联度,则确定在所述联系组合操作维度数据中追踪到所述参考关键游走节点;
如果未查找到大于目标时空域关联度的时空域关联度,则确定未在所述联系组合操作维度数据中追踪到所述参考关键游走节点。
譬如,在第一方面的一种示例性的独立构思中,所述每个关键游走节点在所述联系组合操作维度数据中的时空域信息基于第一限定数据区进行表达,所述映射联系分区基于第二限定数据区进行表达;
所述计算所述每个关键游走节点在所述联系组合操作维度数据中的时空域信息,与所述映射联系分区之间的时空域关联度,包括:
计算第w个关键游走节点在所述联系组合操作维度数据中的时空域信息,与所述映射联系分区之间的影响参数值比,w∈[1,W];
基于所述影响参数值比,确定为所述第w个关键游走节点在所述联系组合操作维度数据中的时空域信息,与所述映射联系分区之间的时空域关联度。
譬如,在第一方面的一种示例性的独立构思中,所述第一游走节点信息包括所述参考关键游走节点的行为倾向概率,所述基于追踪信息和所述参考关键游走节点的第一游走节点信息,生成所述参考关键游走节点的第二游走节点信息,包括:
如果所述追踪信息表征未在所述联系组合操作维度数据中追踪到所述参考关键游走节点,则对所述第一游走节点信息中的行为倾向概率进行预设幅度的降低;
将预设幅度的降低后所得到的关键游走节点信息,作为所述参考关键游走节点的第二游走节点信息。
譬如,在第一方面的一种示例性的独立构思中,所述基于追踪信息和所述参考关键游走节点的第一游走节点信息,生成所述参考关键游走节点的第二游走节点信息,包括:
如果所述追踪信息表征在所述联系组合操作维度数据中追踪到所述参考关键游走节点,则将在所述联系组合操作维度数据中解析到的所述参考关键游走节点的关键游走节点信息作为联系游走节点信息;
对所述参考关键游走节点的第一游走节点信息和所述联系游走节点信息进行聚合,获得所述参考关键游走节点的第二游走节点信息;
其中,所述第一游走节点信息包括所述参考关键游走节点的行为倾向概率,所述联系游走节点信息包括所述参考关键游走节点的行为倾向概率;
所述对所述参考关键游走节点的第一游走节点信息和所述联系游走节点信息进行聚合,获得所述参考关键游走节点的第二游走节点信息,包括:
获取所述第一游走节点信息的第一影响参数值,以及所述联系游走节点信息的第二影响参数值;
基于所述第一影响参数值和所述第二影响参数值,对所述第一游走节点信息中的行为倾向概率和所述联系游走节点信息中的行为倾向概率进行聚合,获得目标行为倾向概率;
将所述目标行为倾向概率加载到所述参考关键游走节点的第二游走节点信息;
或者,所述第一游走节点信息包括所述参考关键游走节点的游走节点标签属性,所述联系组合操作维度数据的数量为N个,每个联系组合操作维度数据的联系游走节点信息均包括所述参考关键游走节点的游走节点标签属性,N为大于1的整数;
所述对所述参考关键游走节点的第一游走节点信息和所述联系游走节点信息进行聚合,获得所述参考关键游走节点的第二游走节点信息,包括:
如果所述第一游走节点信息中的游走节点标签属性和各个联系游走节点信息中的游走节点标签属性均相同,则将所述游走节点标签属性作为目标游走节点标签属性,加载到所述参考关键游走节点的第二游走节点信息;
如果存在至少一个联系游走节点信息中的游走节点标签属性和所述第一游走节点信息中的游走节点标签属性不同,则统计各个游走节点标签属性的数量,将数量最多的游走节点标签属性确定为目标游走节点标签属性,加载到所述参考关键游走节点的第二游走节点信息;
或者,所述第一游走节点信息包括所述参考关键游走节点的行为倾向概率以及所述参考关键游走节点的游走节点标签属性,所述联系游走节点信息包括所述参考关键游走节点的游走节点标签属性,所述对所述参考关键游走节点的第一游走节点信息和所述联系游走节点信息进行聚合,获得所述参考关键游走节点的第二游走节点信息,包括:
如果所述第一游走节点信息中的游走节点标签属性和所述联系游走节点信息中的游走节点标签属性相同,则对所述第一游走节点信息中的行为倾向概率进行预设幅度的提高,并将预设幅度的提高后所得到的游走节点信息,作为所述参考关键游走节点的第二游走节点信息;
如果所述第一游走节点信息中的游走节点标签属性和所述联系游走节点信息中的游走节点标签属性不同,则对所述第一游走节点信息中的行为倾向概率进行预设幅度的降低,并将预设幅度的降低后所得到的游走节点信息,作为所述参考关键游走节点的第二游走节点信息;
或者,所述联系组合操作维度数据的数量为N,N为大于1的整数,一个联系组合操作维度数据对应一个联系游走节点信息;
所述对所述参考关键游走节点的第一游走节点信息和所述联系游走节点信息进行聚合,获得所述参考关键游走节点的第二游走节点信息,包括:
对所述参考关键游走节点的第一游走节点信息和N个联系游走节点信息进行历史投票度分析,获得所述第一游走节点信息的投票度,以及每个联系游走节点信息的投票度;
在所述第一游走节点信息和N个联系游走节点信息中,选取投票度最大的关键游走节点信息作为所述参考关键游走节点的第二游走节点信息。
第二方面,本申请实施例提供一种大数据***,包括:
处理器;
存储器,所述存储器中存储有计算机程序,所述计算机程序被执行时实现第一方面所述的基于业务需求AI预测的电商服务优化方法。
相比现有技术,基于指定订阅用户的各个目标业务需求以及各个目标业务需求的需求类型构建对应于各个目标业务需求的电商匹配字典,基于对应于各个目标业务需求的电商匹配字典向指定订阅用户推送对应的电商服务内容信息,获取指定订阅用户针对电商服务内容信息的反馈活动数据,并基于反馈活动数据对各个目标业务需求的电商匹配字典进行优化更新,从而在业务需求挖掘的基础上,以需求类型为电商匹配字段的生成维度进行信息推送,并基于反馈活动进行电商匹配字典的优化更新,以此提高后续电商匹配字典与该指定订阅用户的匹配度,提高内容定点推送体验。
附图说明
图1为本申请实施例提供的一种基于业务需求AI预测的电商服务优化方法步骤流程示意图;
图2为本申请的实施例提供的用于执行图1中的基于业务需求AI预测的电商服务优化方法的大数据***的结构示意框图。
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。依据本申请中的实施例,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它实施例,都属于本申请保护的范围。
步骤S110,基于所述指定订阅用户的业务需求分布,确定所述指定订阅用户的各个目标业务需求的需求类型。
本实施例中,指定订阅用户的业务需求分布可以表征指定订阅用户的每个目标业务需求在每个业务板块中的触发频率,然后基于触发频率确定各个目标业务需求的需求类型,例如可以设定不同的触发频率区间与对应的需求类型的对应关系,如可以包括充分需求、不规则需求、下降需求等。
步骤S120,基于所述指定订阅用户的各个目标业务需求以及各个目标业务需求的需求类型构建对应于各个目标业务需求的电商匹配字典,其中,所述电商匹配字典包括多个依据优先级排列的电商匹配推送字段。
本实施例中,可以基于各个目标业务需求的需求类型,确定针对各个目标业务需求的电商匹配推送字段,如充分需求,可以读取目标业务需求下的所有相关电商匹配推送字段,并按照热度优先级进行排列,如不规则需求,可以读取目标业务需求下与当期时间段相关的电商匹配推送字段,并按照热度优先级进行排列,如下降需求,可以读取目标业务需求下与当期热度持续增加相关的电商匹配推送字段,并按照热度优先级进行排列,具体不作限定。
步骤S130,基于所述对应于各个目标业务需求的电商匹配字典向所述指定订阅用户推送对应的电商服务内容信息。
本实施例中,可以基于各个目标业务需求下的多个依据优先级排列的电商匹配推送字段分别从不同的电商服务数据源中获得与之对应的电商服务内容信息并向所述指定订阅用户推送。
步骤S140,获取所述指定订阅用户针对所述电商服务内容信息的反馈活动数据,并基于所述反馈活动数据对所述各个目标业务需求的电商匹配字典进行优化更新。
本实施例中,在进行电商服务内容信息的推送后,相关的指定订阅用户可以对此进行一系列的反馈活动,因此可以基于所述反馈活动数据对所述各个目标业务需求的电商匹配字典进行优化更新,以提高后续电商匹配字典与该指定订阅用户的匹配度,提高内容定点推送体验。
基于以上步骤,本实施例基于指定订阅用户的业务需求分布,确定所述指定订阅用户的各个目标业务需求的需求类型。基于所述指定订阅用户的各个目标业务需求以及各个目标业务需求的需求类型构建对应于各个目标业务需求的电商匹配字典,基于所述对应于各个目标业务需求的电商匹配字典向所述指定订阅用户推送对应的电商服务内容信息,获取所述指定订阅用户针对所述电商服务内容信息的反馈活动数据,并基于所述反馈活动数据对所述各个目标业务需求的电商匹配字典进行优化更新,从而在业务需求挖掘的基础上,以需求类型为电商匹配字段的生成维度进行信息推送,并基于反馈活动进行电商匹配字典的优化更新,以此提高后续电商匹配字典与该指定订阅用户的匹配度,提高内容定点推送体验。
一种示例性的独立构思的实施例中,针对步骤S140,可以通过以下示例性的步骤实现。
步骤A110,对所述反馈活动数据的第一反馈活动集合进行特征挖掘,获得所述第一反馈活动集合中各反馈活动节点的反馈偏好特征,所述第一反馈活动集合指示了兴趣点反馈活动。
一种示例性的设计思路中,第一反馈活动集合可以是由兴趣点反馈活动中的反馈活动节点依据在兴趣点反馈活动集合中的触发次序进行排列得到。
一种示例性的设计思路中,为了使针对兴趣点反馈活动所生成的偏好具有可解释性,还可以将兴趣点反馈活动对应的偏好属性也作为生成偏好的参考依据。一种示例性的设计思路中,步骤A110之前,该方法还包括:将所述兴趣点反馈活动与所述兴趣点反馈活动对应的偏好属性进行反馈活动聚合,获得所述第一反馈活动集合。此外,为了便于区分兴趣点反馈活动中的反馈活动节点和表示偏好属性中的反馈活动节点,还可以在兴趣点反馈活动与偏好属性中添加连接特征,从而,第一反馈活动集合中还包括兴趣点反馈活动与偏好属性之间的连接特征。
兴趣点反馈活动对应的偏好属性表示该兴趣点反馈活动所对应偏好的类别属性,一种示例性的设计思路中,偏好的类别属性可以包括指示偏好为积极的积极类别属性、指示偏好为消极的消极类别属性;在另一些实施例中,偏好的类别属性除了包括积极类别属性和消极类别属性外,还可以包括不确定类别属性,该不确定类别属性表示兴趣点反馈活动的偏好属性不确定。
一种示例性的设计思路中,兴趣点反馈活动对应的偏好属性可以由用户对该兴趣点反馈活动进行标注得到,即由知晓兴趣点反馈活动的偏好的用户基于该兴趣点反馈活动的偏好来标注偏好属性,获得该兴趣点反馈活动对应的偏好属性。
一种示例性的设计思路中,还可以将兴趣点反馈活动、兴趣点反馈活动对应的偏好属性、以及兴趣点反馈活动对应的偏好依据反馈活动均作为生成偏好的参考依据。一种示例性的设计思路中,步骤A110之前,该方法还包括:将所述兴趣点反馈活动、所述兴趣点反馈活动对应的偏好属性、所述兴趣点反馈活动对应的偏好依据反馈活动进行反馈活动聚合,获得所述第一反馈活动集合。进一步的,为了便于区分兴趣点反馈活动、偏好属性、以及偏好依据反馈活动,还可以在相邻两者(例如兴趣点反馈活动与偏好属性之间、偏好属性与偏好依据反馈活动之间)添加连接特征,从而,第一反馈活动集合中还包括所添加的连接特征。
一种示例性的设计思路中,步骤A110,包括:通过反馈偏好特征提取单元对所述第一反馈活动集合进行特征挖掘,获得所述第一反馈活动集合中各反馈活动节点的反馈偏好特征。
步骤A120,基于所述第一反馈活动集合中各反馈活动节点的反馈偏好特征和兴趣点预测模型在实时业务上线阶段的预测兴趣点特征,确定所述第一反馈活动集合中各反馈活动节点在实时业务上线阶段对应的兴趣度量值。
兴趣点预测模型用于基于第一反馈活动集合中各反馈活动节点的反馈偏好特征进行预测,获得预测兴趣点特征,该预测兴趣点特征用于确定所对应业务上线阶段的偏好关注活动。偏好关注活动是指偏好事件中的反馈活动节点。在生成偏好事件的过程中,为了保证偏好事件中反馈活动节点与反馈活动节点之间的依赖关系,偏好事件中的偏好关注活动是按业务上线阶段生成的。
对应的,对于兴趣点预测模型而言,其也对应依据业务上线阶段来生成各个业务上线阶段的预测兴趣点特征,以保证实时业务上线阶段的预测兴趣点特征用于确定对应于实时业务上线阶段的偏好关注活动。即,兴趣点预测模型逐个确定偏好事件中的偏好关注活动所对应预测兴趣点特征,将确定一个偏好关注活动的过程称为一个业务上线阶段。由于兴趣点预测模型是依据偏好关注活动在偏好事件中的优先级来确定偏好关注活动所对应预测兴趣点特征,因此,兴趣点预测模型在业务上线阶段t(或者第t业务上线阶段,其中,t≥1,t为正整数)所生成的预测兴趣点特征是对应于偏好事件中的第t个反馈活动节点。
一种示例性的设计思路中,步骤A120之前,该方法还包括:获取所述兴趣点预测模型在实时业务上线阶段的传递特征,其中,所述兴趣点预测模型在实时业务上线阶段的传递特征包括所述兴趣点预测模型在上一业务上线阶段的预测兴趣点特征,所述兴趣点预测模型在首个业务上线阶段的传递特征包括触发标签对应的潜在特征信息;由所述兴趣点预测模型基于所述实时业务上线阶段的传递特征进行处理,生成所述实时业务上线阶段的预测兴趣点特征。
一种示例性的设计思路中,触发标签对应的潜在特征信息可以是将该触发标签对应的兴趣权重特征输入到兴趣点预测模型(例如单层的LSTM),由兴趣点预测模型基于触发标签对应的兴趣权重特征生成该触发标签对应的潜在特征信息。其中,触发标签对应兴趣权重特征可以是通过共享的嵌入(Embedding)层来生成。
一种示例性的设计思路中,若反馈偏好特征提取单元为依据长短时记忆网络构建的,该反馈偏好特征提取单元在每个业务上线阶段下的输入除了包括该兴趣点预测模型在上一业务上线阶段的预测兴趣点特征外,还包括上一业务上线阶段生成的兴趣点分量,从而,反馈偏好特征提取单元依据上一业务上线阶段的预测兴趣点特征和上一业务上线阶段的兴趣点分量进行处理,获得实时业务上线阶段的预测兴趣点特征和实时业务上线阶段的兴趣点分量;重复该过程,该兴趣点预测模型可以对应生成各个业务上线阶段对应的预测兴趣点特征。
一种示例性的设计思路中,兴趣点预测模型在首个业务上线阶段所输入的兴趣点分量可以是反馈偏好特征提取单元在编码过程中的最后一个业务上线阶段所生成的兴趣点分量,其中,反馈偏好特征提取单元在编码过程中的最后一个业务上线阶段所生成的兴趣点分量表示了第一反馈活动集合的特征挖掘信息。
一种示例性的设计思路中,该兴趣点预测模型在实时业务上线阶段所生成的预测兴趣点特征可以表征实时业务上线阶段所对应的偏好关注活动的低维度的向量表示,也可以理解为,实时业务上线阶段所生成的预测兴趣点特征指示了实时业务上线阶段所对应偏好关注活动的语义,而最终实时业务上线阶段所生成的偏好关注活动是与兴趣点预测模型在实时业务上线阶段所生成的预测兴趣点特征相关的。
第一反馈活动集合中各反馈活动节点在实时业务上线阶段对应的兴趣度量值用于表征为确定实时业务上线阶段的偏好关注活动为第一序列反馈活动中各反馈活动节点所分配的兴趣权重。值得说明的是,偏好事件中的偏好关注活动是依据第一反馈活动集合中的反馈活动节点来确定的,而第一反馈活动集合中的各反馈活动节点对于偏好事件中的不同偏好关注活动的影响权重是不同的,因此,第一反馈活动集合中各反馈活动节点在不同业务上线阶段所对应的兴趣度量值也存在差异。因此,在本方案中,依据确定偏好关注活动的业务上线阶段,来对应确定第一反馈活动集合中各反馈活动节点在对应业务上线阶段的兴趣度量值。
值得说明的是,由于第一反馈活动集合中各反馈活动节点对各个业务上线阶段的偏好关注活动的影响权重存在差异,因此,在生成偏好关注活动的各个业务上线阶段中,均需要依据上述步骤A120,结合基于所述第一反馈活动集合中各反馈活动节点的反馈偏好特征和兴趣点预测模型在每个业务上线阶段的预测兴趣点特征,来针对性确定所述第一反馈活动集合中各反馈活动节点在每个业务上线阶段的兴趣度量值,保证所确定兴趣度量值准确反映对每个业务上线阶段的偏好关注活动的影响权重。
步骤A130,基于所述第一反馈活动集合中各反馈活动节点在实时业务上线阶段对应的兴趣度量值、所述兴趣点预测模型在实时业务上线阶段的预测兴趣点特征和所述兴趣点预测模型在实时业务上线阶段的传递特征,确定第一支持度信息,所述第一支持度信息表示所述实时业务上线阶段所对应偏好关注活动来自历史频繁活动集合的第一支持度和来自所述第一反馈活动集合的第二支持度。
由于兴趣点反馈活动对应的偏好来源于该偏好依据反馈活动,则该兴趣点反馈活动对应的偏好事件中的反馈活动节点来源于该偏好依据反馈活动的支持度较高,因此,将兴趣点反馈活动对应的偏好依据反馈活动也作为生成该兴趣点反馈活动对应的偏好事件的参考依据的情况下,也可以从兴趣点反馈活动所对应偏好依据反馈活动中调用反馈活动节点作为偏好事件中的反馈活动节点。
历史频繁活动集合可以基于实际需要进行选择。
一种示例性的设计思路中,步骤A130,包括:
步骤A210,基于所述第一反馈活动集合中各反馈活动节点所对应的反馈偏好特征和所述第一反馈活动集合中各反馈活动节点在实时业务上线阶段对应的兴趣度量值,确定所述实时业务上线阶段对应的兴趣衔接特征。
一种示例性的设计思路中,步骤A210,包括:以所述第一反馈活动集合中各反馈活动节点在实时业务上线阶段对应的兴趣度量值作为所对应反馈活动节点的衔接属性,对所述第一反馈活动集合中全部反馈活动节点的反馈偏好特征进行知识实体衔接,获得所述实时业务上线阶段对应的兴趣衔接特征。
步骤A220,将所述实时业务上线阶段对应的兴趣衔接特征、所述兴趣点预测模型在实时业务上线阶段的预测兴趣点特征和所述兴趣点预测模型在实时业务上线阶段的传递特征进行聚合,获得第一聚合特征。
步骤A230,对所述第一聚合特征进行支持度决策,获得所述第一支持度。
一种示例性的设计思路中,可以由全连接层来对第一聚合特征进行非线性特征转换,生成第一支持度。
步骤A240,基于所述第一支持度确定所述第二支持度,其中,所述第一支持度与所述第二支持度的和为1。
偏好事件中的偏好关注活动要么来源于第一反馈活动集合,要么来源于历史频繁活动集合,因此,设定第一支持度与第二支持度的和为1,当确定第一支持度后,1与第一支持度的差即为第二支持度。
步骤A140,基于所述第一支持度和所述第二支持度,在所述历史频繁活动集合和所述第一反馈活动集合中确定所述实时业务上线阶段对应的偏好关注活动,并基于所述实时业务上线阶段对应的偏好关注活动相关的电商偏好字段以及每个电商偏好字段所对应的偏好关注程度对所述各个目标业务需求的电商匹配字典进行优化更新;所述偏好关注活动用于确定所述兴趣点反馈活动对应的偏好事件。
由于第一支持度指示了实时业务上线阶段所对应偏好关注活动来自历史频繁活动集合的支持度;第二支持度指示了实时业务上线阶段所对应偏好关注活动来自第一反馈活动集合的支持度,从而,可以依据第一支持度和第二支持度来进一步计算第一反馈活动集合中的反馈活动节点和历史频繁活动集合中的每个反馈活动节点为实时业务上线阶段所对应偏好关注活动的目标支持度,然后依据目标支持度在历史频繁活动集合和第一反馈活动集合中确定实时业务上线阶段对应的偏好关注活动。
值得说明的是,第一反馈活动集合与历史频繁活动集合中可能存在相同的反馈活动节点,例如一反馈活动节点(假设为反馈活动节点E)即存在于第一反馈活动集合中,又存在于历史频繁活动集合中,则在计算该反馈活动节点E为实时业务上线阶段所对应的目标支持度,需要同时结合第一支持度和第二支持度来计算。
一种示例性的设计思路中,步骤A140,包括:
步骤A310,获取第二支持度信息,所述第二支持度信息表示历史频繁活动集合中各反馈活动节点是所述实时业务上线阶段所对应偏好关注活动的参考支持度。
一种示例性的设计思路中,步骤A310,包括:将所述实时业务上线阶段对应的兴趣衔接特征与所述兴趣点预测模型在实时业务上线阶段的预测兴趣点特征进行聚合,获得第二聚合特征;对所述第二聚合特征进行非线性特征转换,并依据非线性特征转换的结果进行支持度决策,获得所述第二支持度信息。
步骤A320,基于所述第一支持度和所述第二支持度,对所述第二支持度信息和所述第一反馈活动集合中各反馈活动节点在实时业务上线阶段对应的兴趣度量值进行知识实体衔接,确定目标支持度信息,所述目标支持度信息表示所述历史频繁活动集合和所述第一反馈活动集合中各反馈活动节点是所述实时业务上线阶段所对应偏好关注活动的目标支持度。
例如,在步骤A320中,将第一支持度作为第二支持度信息项的衔接属性,将第二支持度作为第一反馈活动集合中各反馈活动节点在实时业务上线阶段对应的兴趣度量值项的衔接属性,将所述第二支持度信息和所述第一反馈活动集合中各反馈活动节点在实时业务上线阶段对应的兴趣度量值进行加权,获得目标支持度信息。
一种示例性的设计思路中,可以将第一反馈活动集合中的反馈活动节点在实时业务上线阶段对应的兴趣度量值视为该第一反馈活动集合中的反馈活动节点为实时业务上线阶段所对应偏好关注活动的参考支持度,因此,若一反馈活动节点E1仅存在于第一反馈活动集合中,历史频繁活动集合中不包括该反馈活动节点E1,则该反馈活动节点E1为实时业务上线阶段所对应偏好关注活动的目标支持度等于第二支持度与该反馈活动节点E1为实时业务上线阶段所对应偏好关注活动的参考支持度的融合值;同理,若一反馈活动节点E2仅存在于历史频繁活动集合中,第一反馈活动集合中不包括该反馈活动节点E2,则该反馈活动节点E2为实时业务上线阶段所对应偏好关注活动的目标支持度可以等于第一支持度与第二支持度信息所指示该反馈活动节点E2对应的参考支持度的融合值;若一反馈活动节点E3不仅位于第一反馈活动集合中,而且存在与历史频繁活动集合中,则该反馈活动节点E3为实时业务上线阶段所对应偏好关注活动的目标支持度等于第一目标支持度与第二目标支持度的和,其中,第一目标支持度等于第二支持度与该反馈活动节点E3对实时业务上线阶段所对应偏好关注活动的兴趣度量值的融合值;第二目标支持度等于第一支持度与第二支持度信息所指示该反馈活动节点E3对应的参考支持度的融合值。
步骤A330,基于所述目标支持度,在所述历史频繁活动集合和所述第一反馈活动集合中筛选,确定所述实时业务上线阶段对应的偏好关注活动。
通过步骤A320可以计算得到历史频繁活动集合和所述第一反馈活动集合中每个反馈活动节点是实时业务上线阶段所对应偏好关注活动的目标支持度,由此,可以将第一反馈活动集合和历史频繁活动集合中所对应目标支持度最高的反馈活动节点,确定为实时业务上线阶段对应的偏好关注活动。
在本方案中,基于第一反馈活动集合中各反馈活动节点对实时业务上线阶段所对应偏好关注活动的兴趣度量值、以及兴趣点预测模型在实时业务上线阶段的预测兴趣点特征和兴趣点预测模型在实时业务上线阶段的传递特征来确定实时业务上线阶段所对应偏好关注活动来源于历史频繁活动集合的第一支持度和实时业务上线阶段所对应偏好关注活动来源于第一反馈活动集合的第二支持度,并依据第一支持度和第二支持度来从历史频繁活动集合和第一反馈活动集合中确定实时业务上线阶段所对应偏好关注活动,进而依据偏好关注活动确定第一反馈活动集合所指示兴趣点反馈活动对应的偏好事件;在该方案中,发明人发现到针对兴趣点反馈活动的偏好来源于兴趣点反馈活动的支持度较高的特点,从而,依据第一支持度和第二支持度所确定的偏好关注活动进而生成偏好事件的方式,增强了偏好事件与兴趣点反馈活动之间的关联,有效提高了所生成偏好事件的准确性。
一种示例性的设计思路中,步骤A120,包括:
步骤A410,将所述第一反馈活动集合中的每个反馈活动节点的反馈偏好特征分别与所述兴趣点预测模型在实时业务上线阶段的预测兴趣点特征进行聚合,获得所述第一反馈活动集合中每个反馈活动节点对应的第三聚合特征。
步骤A420,将每个所述第三聚合特征进行非线性特征转换,获得所述第一反馈活动集合中每个反馈活动节点对应的非线性转换特征。
步骤A430,对每一所述非线性转换特征进行激活处理,获得所述第一反馈活动集合中每个反馈活动节点对实时业务上线阶段所对应偏好关注活动的初始兴趣度量值。
步骤A440,对每一所述初始兴趣度量值进行规则化转换,获得所述第一反馈活动集合中每个反馈活动节点对实时业务上线阶段所对应偏好关注活动的兴趣度量值。
一种示例性的设计思路中,可以通过softmax函数来对每一初始兴趣度量值进行规则化转换,将规则化转换后的结果作为所对应反馈活动节点对实时业务上线阶段所对应偏好关注活动的兴趣度量值。
通过如上步骤A410-S440,实现了基于第一反馈活动集合中每个反馈活动节点的反馈偏好特征以及兴趣点预测模型在实时业务上线阶段的预测兴趣点特征来计算第一反馈活动集合中每个反馈活动节点对实时业务上线阶段所对应偏好关注活动的兴趣度量值。
得到目标支持度之后,可以将第一反馈活动集合和历史频繁活动集合中目支持度最大的反馈活动节点确定为业务上线阶段所对应偏好关注活动。之后,偏好事件生成层组合各业务上线阶段所对应偏好关注活动即得到兴趣点反馈活动对应的偏好事件。
一种示例性的设计思路中,步骤A140之后,该方法还包括:将所述兴趣点反馈活动、所述兴趣点反馈活动对应的偏好属性和所述兴趣点反馈活动对应的偏好事件进行关联,获得兴趣点偏好数据;将所述兴趣点偏好数据加载到兴趣点偏好数据库。
将兴趣点反馈活动和该兴趣点反馈活动对应的偏好属性输入到偏好生成模型中,由该偏好生成模型来依据本申请的方法对兴趣点反馈活动和兴趣点反馈活动对应的偏好属性处理,获得该兴趣点反馈活动对应的偏好事件。之后,该偏好生成模型可以生成由兴趣点反馈活动、偏好属性、偏好事件构成的数据组合,然后,将数据组合存储到兴趣点偏好数据库中。
一种示例性的设计思路中,该方法还包括:
步骤A510,接收兴趣点偏好调取指令,所述兴趣点偏好调取指令指示了目标兴趣点。
步骤A520,基于所述目标兴趣点在所述兴趣点偏好数据库中进行兴趣点匹配,确定兴趣点反馈活动与所述目标兴趣点相匹配的目标兴趣点偏好数据。
一种示例性的设计思路中,所进行的兴趣点匹配可以是计算兴趣点偏好数据中兴趣点反馈活动与目标兴趣点之间的匹配程度,进而依据所计算得到的匹配程度来确定目标兴趣点偏好数据。
一种示例性的设计思路中,可以将与目标兴趣点匹配程度最高的兴趣点反馈活动所在的兴趣点偏好数据确定为目标兴趣点偏好数据。在另一些实施例中,还可以将与目标兴趣点的匹配程度超过匹配程度阈值的兴趣点反馈活动所在的兴趣点偏好数据确定为目标兴趣点偏好数据。在其他实施例中,还可以依据匹配程度由高到低进行兴趣点偏好数据排序,将位于排序中前设定数量个的兴趣点偏好数据确定为目标兴趣点偏好数据。
步骤A530,将所述目标兴趣点偏好数据中的偏好事件返回至所述兴趣点偏好调取指令的发起方。将目标兴趣点偏好数据中的偏好事件返回到兴趣点偏好调取指令的发起方,作为对目标兴趣点的搜索结果。
一种示例性的独立构思中,前述步骤S110中指定订阅用户的业务需求分布可以通过以下示例性的步骤获得。
步骤B101、游走指定订阅用户的业务组合操作大数据中的各个组合操作维度数据。
大数据***对指定订阅用户的业务组合操作大数据中的各个组合操作维度数据逐一进行关键游走节点挖掘,不同的组合操作维度数据是基于不同的业务操作维度对指定订阅用户进行数据跟踪获得的。一种示例性的设计思路中,对各个组合操作维度数据进行关键游走节点挖掘是指:通过关键游走节点挖掘网络对各个组合操作维度数据进行关键游走节点挖掘,获得各个组合操作维度数据的关键游走节点挖掘信息;其中,关键游走节点挖掘网络通过参考训练数据序列(标注有关键游走节点的训练数据序列)对AI结构网络进行网络权重优化得到的。例如,将参考训练数据输入AI结构网络,并基于AI结构网络的决策信息与参考训练数据的标注信息之间的差异值调整AI结构网络的网络权重信息,获得关键游走节点挖掘网络。
步骤B102、如果在每次游走的游走组合操作维度数据中解析到符合关键游走特征的关键游走节点,则将解析到的关键游走节点作为指定订阅用户的参考关键游走节点,并确定参考关键游走节点在游走组合操作维度数据中的时空域信息,以及从游走组合操作维度数据中解析到的参考关键游走节点的第一游走节点信息。
其中,参考关键游走节点的第一游走节点信息用于表征参考关键游走节点的相关信息,参考关键游走节点的第一游走节点信息可以包括但不限于参考关键游走节点的行为倾向概率,以及该参考关键游走节点的游走节点标签属性。
如果大数据***在每次游走的游走组合操作维度数据中解析到关键游走节点(如关键游走节点挖掘网络输出游走组合操作维度数据中解析到关键游走节点),则将解析到的关键游走节点作为指定订阅用户的参考关键游走节点,基于关键游走节点挖掘信息确定参考关键游走节点在游走组合操作维度数据中的时空域信息,以及从游走组合操作维度数据中解析到的参考关键游走节点的第一游走节点信息;例如,关键游走节点挖掘信息中携带有关键游走节点的时空域,大数据***基于该时空域确定参考关键游走节点在游走组合操作维度数据中的时空域信息,并将参考关键游走节点的行为倾向概率、游走节点标签属性等相关信息汇总为参考关键游走节点的第一游走节点信息。
步骤B103、从业务组合操作大数据中除游走组合操作维度数据以外的余下组合操作维度数据中,获取游走组合操作维度数据的联系组合操作维度数据。
游走组合操作维度数据的联系组合操作维度数据是指:业务组合操作大数据中除游走组合操作维度数据以外的余下组合操作维度数据中,与游走组合操作维度数据具有衔接属性的组合操作维度数据。其中,映射联系信息是通过业务组合操作大数据的业务组合分析确定的,游走组合操作维度数据和联系组合操作维度数据之间的映射联系信息,是业务组合操作大数据的业务组合联系图谱中的其中一个映射联系信息。一种示例性的设计思路中,业务组合联系图谱中的任一映射联系信息的建立流程包括:
从指定订阅用户的业务组合操作大数据中选取一个组合操作维度数据作为第一组合操作维度数据,并从业务组合操作大数据中选取与第一组合操作维度数据具有共有特征向量的组合操作维度数据,作为第二组合操作维度数据(共有特征向量是指的同时出现在两个组合操作维度数据中的特征向量);在第一组合操作维度数据中确定多个第一组合操作活动,以及在第二组合操作维度数据中确定多个第二组合操作活动;一个第一组合操作活动对应一个第二组合操作活动,组合操作活动是指:对指定订阅用户的一个组合操作行为在组合操作维度数据中的时空域信息进行定位所获得的操作行为活动;例如,设第一组合操作维度数据和第二组合操作维度数据中均包括指定订阅用户的组合操作行为1-组合操作行为4,则将组合操作行为1在第一组合操作维度数据中的时空域信息标定为第一组合操作活动1,将组合操作行为1在第二组合操作维度数据中的时空域信息标定为第二组合操作活动1,第一组合操作活动1与第二组合操作活动1相对应;同理,可以依据组合操作行为2-组合操作行为4在第一组合操作维度数据中的时空域信息标定出第一组合操作活动2-第一组合操作活动4,依据组合操作行为2-组合操作行为4在第二组合操作维度数据中的时空域信息标定出第二组合操作活动2-第二组合操作活动4。基于每个第一组合操作活动的时空域向量以及对应的第二组合操作活动的时空域向量,计算第一组合操作维度数据和第二组合操作维度数据之间的映射联系信息;例如,可以通过多个第一组合操作活动的时空域向量以及各个组合操作流程对应的第二组合操作活动的时空域向量确定第一组合操作维度数据和第二组合操作维度数据之间的映射联系特征,获得第一组合操作维度数据和第二组合操作维度数据之间的映射联系信息。
步骤B104、依据游走组合操作维度数据和联系组合操作维度数据之间的映射联系信息,和参考关键游走节点在游走组合操作维度数据中的时空域信息,在联系组合操作维度数据中追踪参考关键游走节点。
大数据***依据游走组合操作维度数据和联系组合操作维度数据之间的映射联系信息,将参考关键游走节点在游走组合操作维度数据中的时空域信息,映射联系到联系组合操作维度数据中以得到映射联系分区。大数据***依据映射联系分区对联系组合操作维度数据进行查找,以确定联系组合操作维度数据中是否可以查找到参考关键游走节点,例如:
如果在联系组合操作维度数据中解析到W个关键游走节点,则确定W个关键游走节点中的每个关键游走节点在联系组合操作维度数据中的时空域信息,W为正整数;计算每个关键游走节点在联系组合操作维度数据中的时空域信息,与映射联系分区之间的时空域关联度;其中,时空域关联度具体可以通过计算每个关键游走节点在联系组合操作维度数据中的时空域信息与映射联系分区之间的时空域信息的影响参数值比(每个关键游走节点在联系组合操作维度数据中的时空域信息所对应的时空域与映射联系分区所对应时空域的相同时空域除以合并时空域)等计算得到。在得到每个关键游走节点在联系组合操作维度数据中的时空域信息,与映射联系分区之间的时空域关联度后,大数据***在计算得到的时空域关联度中查找大于目标时空域关联度的时空域关联度;如果查找到大于目标时空域关联度的时空域关联度,则确定在联系组合操作维度数据中追踪到参考关键游走节点;如果未查找到大于目标时空域关联度的时空域关联度,则确定未在联系组合操作维度数据中追踪到参考关键游走节点。
相应地,如果在联系组合操作维度数据中未解析到关键游走节点(即联系组合操作维度数据中不存在关键游走节点),则确定未在联系组合操作维度数据中追踪到参考关键游走节点。
步骤B105、基于追踪信息和参考关键游走节点的第一游走节点信息,生成参考关键游走节点的第二游走节点信息,并依据第二游走节点信息决策参考关键游走节点的业务需求倾向。
追踪信息用于表征是否在联系组合操作维度数据中追踪到参考关键游走节点,如果追踪信息表征在联系组合操作维度数据中追踪到参考关键游走节点,则追踪信息中还可以包括该参考关键游走节点的关键游走节点信息(如参考关键游走节点的行为倾向概率、游走节点标签属性等)。
一种示例性的设计思路中,第一游走节点信息包括参考关键游走节点的行为倾向概率,如果追踪信息表征未在联系组合操作维度数据中追踪到参考关键游走节点,则大数据***对第一游走节点信息中的行为倾向概率进行预设幅度的降低(如减小0.1),并将预设幅度的降低后所得到的关键游走节点信息,作为参考关键游走节点的第二游走节点信息。相应地,如果追踪信息表征在联系组合操作维度数据中追踪到参考关键游走节点,则大数据***将在联系组合操作维度数据中解析到的参考关键游走节点的第一游走节点信息作为第二游走节点信息,并对参考关键游走节点的第一游走节点信息和联系游走节点信息进行聚合(如对参考关键游走节点的行为倾向概率进行聚合),获得参考关键游走节点的第二游走节点信息。
另一种示例性的设计思路中,第一游走节点信息包括参考关键游走节点的游走节点标签属性,联系组合操作维度数据的数量为N,N为大于1的整数,每个联系组合操作维度数据的追踪信息包括联系游走节点信息;对参考关键游走节点的第一游走节点信息和N个联系游走节点信息进行历史投票度分析,获得第一游走节点信息的投票度,以及每个联系游走节点信息的投票度;在第一游走节点信息和N个联系游走节点信息中,选取投票度最大的关键游走节点信息作为参考关键游走节点的第二游走节点信息。
在得到参考关键游走节点的第二游走节点信息后,大数据***判断第二游走节点信息中的行为倾向概率是否大于目标行为倾向概率。如果第二游走节点信息中的行为倾向概率不小于目标行为倾向概率,则判定参考关键游走节点具有业务需求倾向;如果第二游走节点信息中的行为倾向概率小于目标行为倾向概率,则判定参考关键游走节点不具有业务需求倾向。
本申请实施例在每次游走的游走组合操作维度数据中解析到关键游走节点时,可将解析到的关键游走节点作为指定订阅用户的参考关键游走节点,并进一步依据游走组合操作维度数据和相关的联系组合操作维度数据之间的映射联系信息,以及参考关键游走节点在游走组合操作维度数据中的时空域信息,在联系组合操作维度数据中追踪参考关键游走节点,从而基于追踪信息和从游走组合操作维度数据中追踪到的参考关键游走节点的第一游走节点信息,生成参考关键游走节点的第二游走节点信息以依据第二游走节点信息决策参考关键游走节点的业务需求倾向。通过联系组合操作维度数据对游走组合操作维度数据中的参考关键游走节点进行组合关键游走节点解析的方案,可以精确分析出参考关键游走节点是否为有实际业务需求挖掘价值的关键游走节点,从而减少关键游走节点挖掘的误差,提高业务需求倾向挖掘的精度。
依据上述采用大数据深度挖掘的业务需求预测方法的相关描述,本申请实施例提出了另一种采用大数据深度挖掘的业务需求预测方法,可包括如下步骤B201-步骤B208:
步骤B201、对指定订阅用户的业务组合操作大数据进行业务组合分析。
一种示例性的设计思路中,从指定订阅用户的业务组合操作大数据中选取一个组合操作维度数据作为第一组合操作维度数据,并从业务组合操作大数据中选取与第一组合操作维度数据具有共有特征向量的组合操作维度数据,作为第二组合操作维度数据;在第一组合操作维度数据中确定多个第一组合操作活动,以及在第二组合操作维度数据中确定多个第二组合操作活动;一个第一组合操作活动对应一个第二组合操作活动,组合操作活动是指:对指定订阅用户的一个组合操作行为在组合操作维度数据中的时空域信息进行定位所获得的操作行为活动;例如,设第一组合操作维度数据和第二组合操作维度数据中均包括指定订阅用户的组合操作行为1-组合操作行为4,则将组合操作行为1在第一组合操作维度数据中的时空域信息标定为第一组合操作活动1,将组合操作行为1在第二组合操作维度数据中的时空域信息标定为第二组合操作活动1,第一组合操作活动1与第二组合操作活动1相对应;同理,可以依据组合操作行为2-组合操作行为4在第一组合操作维度数据中的时空域信息标定出第一组合操作活动2-第一组合操作活动4,依据组合操作行为2-组合操作行为4在第二组合操作维度数据中的时空域信息标定出第二组合操作活动2-第二组合操作活动4。
在第一组合操作维度数据中确定多个第一组合操作活动,以及在第二组合操作维度数据中确定多个第二组合操作活动后,大数据***获取等待生成的映射联系特征,等待生成的映射联系特征中包括等待生成的多个映射联系参数;基于等待生成的映射联系特征,将每个第一组合操作活动的时空域向量从第一组合操作维度数据所在的低维关系场景,映射联系到高维关系场景以得到每个第一组合操作活动的高维时空域向量,每个第一组合操作活动的高维时空域向量中包括多个映射联系参数;将每个第一组合操作活动的高维时空域向量映射联系到第二组合操作维度数据所在的低维关系场景,获得每个第一组合操作活动的映射联系向量,每个第一组合操作活动的映射联系向量中包括多个映射联系参数;基于每个第一组合操作活动的映射联系向量匹配对应的第二组合操作活动的时空域向量的匹配模板,确定映射联系特征中的各个映射联系参数的配置信息,获得目标映射联系特征,基于目标映射联系特征,作为第一组合操作维度数据和第二组合操作维度数据之间的映射联系信息。
例如,可以对第一组合操作维度数据的共有特征向量中的组合操作行为进行标定得到第一组合操作活动1-第一组合操作活动4,对第二组合操作维度数据的共有特征向量中的组合操作行为进行标定得到第二组合操作活动a-第二组合操作活动d;其中第一组合操作活动1与第二组合操作活动a对应,第一组合操作活动2与第二组合操作活动b对应,第一组合操作活动3与第二组合操作活动c对应,第一组合操作活动4与第二组合操作活动d对应;依据各个第一组合操作活动和该第一组合操作活动对应的第二组合操作活动确定第一组合操作维度数据和第二组合操作维度数据之间的映射联系特征,获得第一组合操作维度数据和第二组合操作维度数据之间的映射联系信息。
依据上述步骤B201的相关描述,假设指定订阅用户的业务组合操作大数据中包括组合操作维度数据1-组合操作维度数据5。在完成业务组合分析后,指定订阅用户的业务组合操作大数据中的组合操作维度数据1-组合操作维度数据5可以通过映射联系特征进行关联;例如,可以通过映射联系特征M12将组合操作维度数据1中的点映射联系到组合操作维度数据2中,也可以通过映射联系特征M21将组合操作维度数据2中的点映射联系到组合操作维度数据1中。
步骤B202、游走指定订阅用户的业务组合操作大数据中的各个组合操作维度数据。
步骤B203、如果在每次游走的游走组合操作维度数据中解析到符合关键游走特征的关键游走节点,则将解析到的关键游走节点作为指定订阅用户的参考关键游走节点,并确定参考关键游走节点在游走组合操作维度数据中的时空域信息,以及从游走组合操作维度数据中解析到的参考关键游走节点的第一游走节点信息。
步骤B204、从业务组合操作大数据中除游走组合操作维度数据以外的余下组合操作维度数据中,获取游走组合操作维度数据的联系组合操作维度数据。
步骤B204和步骤B205的具体实现方案可参考步骤B102和步骤B103的实现方案,在此不再赘述。
步骤B205、依据游走组合操作维度数据和联系组合操作维度数据之间的映射联系信息,和参考关键游走节点在游走组合操作维度数据中的时空域信息,在联系组合操作维度数据中追踪参考关键游走节点。
大数据***依据游走组合操作维度数据和联系组合操作维度数据之间的映射联系信息,将参考关键游走节点在游走组合操作维度数据中的时空域信息,映射联系到联系组合操作维度数据中以得到映射联系分区。例如,将参考关键游走节点在游走组合操作维度数据中的时空域信息,基于游走组合操作维度数据和联系组合操作维度数据之间的映射联系信息进行映射联系,获得该关键游走节点在联系组合操作维度数据中映射联系分区。
大数据***依据映射联系分区对联系组合操作维度数据进行查找,以确定联系组合操作维度数据中是否可以查找到参考关键游走节点,例如:
如果在联系组合操作维度数据中解析到W个关键游走节点,则确定W个关键游走节点中的每个关键游走节点在联系组合操作维度数据中的时空域信息,W为正整数;计算每个关键游走节点在联系组合操作维度数据中的时空域信息,与映射联系分区之间的时空域关联度;其中,时空域关联度具体可以通过计算每个关键游走节点在联系组合操作维度数据中的时空域信息与映射联系分区之间的时空域信息的影响参数值比等计算得到。
一种示例性的设计思路中,W个关键游走节点中每个关键游走节点在联系组合操作维度数据中的时空域信息基于第一限定数据区进行表达,映射联系分区基于第二限定数据区进行表达,大数据***计算第二限定数据区与各个第一限定数据区的影响参数值比,并将第二限定数据区与各个第一限定数据区的影响参数值比确定为该关键游走节点在联系组合操作维度数据中的时空域信息,与映射联系分区之间的时空域关联度。
在另一种示例性的设计思路中,W个关键游走节点中每个关键游走节点在联系组合操作维度数据中的时空域信息基于第一限定数据区进行表达,映射联系分区基于第二限定数据区进行表达,大数据***计算第二限定数据区与各个第一限定数据区的交叉度,并将第二限定数据区与各个第一限定数据区的交叉度确定为该关键游走节点在联系组合操作维度数据中的时空域信息,与映射联系分区之间的时空域关联度。
在再一种示例性的设计思路中,大数据***获取每个关键游走节点在联系组合操作维度数据中的聚集时空域,以及映射联系分区的聚集时空域,计算各个关键游走节点的聚集时空域与映射联系分区的聚集时空域的距离,并将映射联系分区的聚集时空域与各个关键游走节点的聚集时空域的距离确定为该关键游走节点在在联系组合操作维度数据中的时空域信息,与映射联系分区之间的时空域关联度。
在得到每个关键游走节点在联系组合操作维度数据中的时空域信息,与映射联系分区之间的时空域关联度后,如果时空域关联度是基于第二限定数据区与各个第一限定数据区的影响参数值比,或者第二限定数据区与各个第一限定数据区的交叉度确定的,则大数据***在计算得到的时空域关联度中查找大于目标时空域关联度的时空域关联度;如果查找到大于目标时空域关联度的时空域关联度,则确定在联系组合操作维度数据中追踪到参考关键游走节点;如果未查找到大于目标时空域关联度的时空域关联度,则确定未在联系组合操作维度数据中追踪到参考关键游走节点。
如果时空域关联度是基于映射联系分区的聚集时空域与各个关键游走节点的聚集时空域的距离确定的,则大数据***在计算得到的时空域关联度中查找小于目标时空域关联度的时空域关联度;如果查找到大于目标时空域关联度的时空域关联度,则确定在联系组合操作维度数据中追踪到参考关键游走节点;如果未查找到大于目标时空域关联度的时空域关联度,则确定未在联系组合操作维度数据中追踪到参考关键游走节点。
以兴趣点分析为例,依据游走组合操作维度数据和联系组合操作维度数据之间的映射联系信息,将候选兴趣点在游走组合操作维度数据中的时空域信息,映射联系到联系组合操作维度数据中以得到候选兴趣点的映射联系分区;如果在联系组合操作维度数据中解析到候选兴趣点,则确定候选兴趣点在联系组合操作维度数据中的时空域信息;并计算候选兴趣点在联系组合操作维度数据中的时空域信息,与映射联系分区之间的时空域关联度,获得追踪信息;例如,如果候选兴趣点在联系组合操作维度数据中的时空域信息,与映射联系分区之间的时空域关联度大于目标时空域关联度,则查找到大于目标时空域关联度的时空域关联度,判定在联系组合操作维度数据中解析到候选兴趣点;相应地,如果候选兴趣点在联系组合操作维度数据中的时空域信息,与映射联系分区之间的时空域关联度小于或等于目标时空域关联度,则未查找到大于目标时空域关联度的时空域关联度,判定在联系组合操作维度数据中未解析到候选兴趣点。
此外,如果在联系组合操作维度数据中未解析到关键游走节点(即联系组合操作维度数据中不存在关键游走节点),则确定未在联系组合操作维度数据中追踪到参考关键游走节点。
步骤B206、基于追踪信息和参考关键游走节点的第一游走节点信息,生成参考关键游走节点的第二游走节点信息,并依据第二游走节点信息决策参考关键游走节点的业务需求倾向。
追踪信息用于表征是否在联系组合操作维度数据中追踪到参考关键游走节点,如果追踪信息表征在联系组合操作维度数据中追踪到参考关键游走节点,则追踪信息中还可以包括该参考关键游走节点的关键游走节点信息(如参考关键游走节点的行为倾向概率、游走节点标签属性等)。
一种示例性的设计思路中,第一游走节点信息包括参考关键游走节点的行为倾向概率,如果追踪信息表征未在联系组合操作维度数据中追踪到参考关键游走节点,则大数据***对第一游走节点信息中的行为倾向概率进行预设幅度的降低(如减小0.1),并将预设幅度的降低后所得到的关键游走节点信息,作为参考关键游走节点的第二游走节点信息。相应地,如果追踪信息表征在联系组合操作维度数据中追踪到参考关键游走节点,则大数据***将在联系组合操作维度数据中解析到的参考关键游走节点的关键游走节点信息作为联系游走节点信息,并对参考关键游走节点的第一游走节点信息和联系游走节点信息进行聚合,获得参考关键游走节点的第二游走节点信息。例如,第一游走节点信息和联系游走节点信息中均包括参考关键游走节点的行为倾向概率,大数据***获取第一游走节点信息的第一影响参数值,以及联系游走节点信息的第二影响参数值,基于第一影响参数值和第二影响参数值,对第一游走节点信息中的行为倾向概率和联系游走节点信息中的行为倾向概率进行聚合,获得目标行为倾向概率,并将目标行为倾向概率加载到参考关键游走节点的第二游走节点信息;例如,设第一游走节点信息中参考关键游走节点的行为倾向概率为0.8,第一影响参数值为1;联系游走节点信息中参考关键游走节点的行为倾向概率为0.4,第二影响参数值为0.2,则目标行为倾向概率=0.8*1+0.4*0.2=0.88。
另一种示例性的设计思路中,联系组合操作维度数据的数量为N,N为大于1的整数,第一游走节点信息和每个联系组合操作维度数据的联系游走节点信息中还包括参考关键游走节点的游走节点标签属性,如果第一游走节点信息中的游走节点标签属性和各个联系游走节点信息中的游走节点标签属性均相同,则将第一游走节点信息中的游走节点标签属性作为目标游走节点标签属性,加载到参考关键游走节点的第二游走节点信息;如果存在至少一个联系游走节点信息中的游走节点标签属性和第一游走节点信息中的游走节点标签属性不同,则统计各个游走节点标签属性的数量,将数量最多的游走节点标签属性确定为目标游走节点标签属性,加载到参考关键游走节点的第二游走节点信息。
综合上述两种实现方案,第一游走节点信息和每个联系组合操作维度数据的联系游走节点信息中既包括行为倾向概率,还包括游走节点标签属性,对第一游走节点信息和联系游走节点信息进行聚合得到第二游走节点信息,即第二游走节点信息既包括目标行为倾向概率,又包括目标游走节点标签属性。
在再一种示例性的设计思路中,第一游走节点信息包括参考关键游走节点的行为倾向概率以及参考关键游走节点的游走节点标签属性,联系游走节点信息包括参考关键游走节点的游走节点标签属性。如果第一游走节点信息中的游走节点标签属性和联系游走节点信息中的游走节点标签属性相同,则对第一游走节点信息中的行为倾向概率进行预设幅度的提高(如将行为倾向概率增加0.1),并将预设幅度的提高后所得到的描述信息(包括增大后的行为倾向概率,以及参考关键游走节点的游走节点标签属性),作为参考关键游走节点的第二游走节点信息;如果第一游走节点信息中的游走节点标签属性和联系游走节点信息中的游走节点标签属性不同,则对第一游走节点信息中的行为倾向概率进行预设幅度的降低(如将行为倾向概率减少0.1),并将预设幅度的降低后所得到的游走节点信息(包括减小后的行为倾向概率,以及参考关键游走节点的游走节点标签属性),作为参考关键游走节点的第二游走节点信息;例如,设游走组合操作维度数据的第一游走节点信息中,参考关键游走节点1的行为倾向概率为0.7,游走节点标签属性为类别1;如果联系游走节点信息中参考关键游走节点1的游走节点标签属性为类别1,则参考关键游走节点1的行为倾向概率=0.7+0.1=0.8;如果联系游走节点信息中参考关键游走节点1的游走节点标签属性为类别1,则参考关键游走节点1的行为倾向概率=0.7-0.1=0.6。将参考关键游走节点1更新后的行为倾向概率作为参考关键游走节点1的第二游走节点信息。需要说明的是,上述数值仅用于举例,并不构成本申请的实际限定。
在又一种示例性的设计思路中,第一游走节点信息包括参考关键游走节点的游走节点标签属性,联系组合操作维度数据的数量为N,N为大于1的整数,每个联系组合操作维度数据的追踪信息包括联系游走节点信息;对参考关键游走节点的第一游走节点信息和N个联系游走节点信息进行历史投票度分析,获得第一游走节点信息的投票度,以及每个联系游走节点信息的投票度;在第一游走节点信息和N个联系游走节点信息中,选取投票度最大的关键游走节点信息作为参考关键游走节点的第二游走节点信息。
一种示例性的设计思路中,第一游走节点信息和联系游走节点信息中均包括参考关键游走节点的行为倾向概率,如果第一游走节点信息或者联系游走节点信息中参考关键游走节点的行为倾向概率大于等于目标行为倾向概率,则投赞成参考关键游走节点具有业务需求倾向;如果第一游走节点信息或者联系游走节点信息中参考关键游走节点的行为倾向概率小于目标行为倾向概率,则投反对参考关键游走节点具有业务需求倾向,基于投票结果生成参考关键游走节点的第二游走节点信息;例如,设目标行为倾向概率为0.6,且第一游走节点信息中参考关键游走节点的行为倾向概率为0.7,则依据第一游走节点信息投赞成票;如果联系游走节点信息1中参考关键游走节点的行为倾向概率为0.3,则依据联系游走节点信息1投反对票。在得到参考关键游走节点的第二游走节点信息后,如果赞成参考关键游走节点具有业务需求倾向的历史投票度大于等于反对参考关键游走节点具有业务需求倾向的历史投票度,则判定参考关键游走节点具有业务需求倾向;如果赞成参考关键游走节点具有业务需求倾向的历史投票度小于反对参考关键游走节点具有业务需求倾向的历史投票度,则判定参考关键游走节点不具有业务需求倾向。
在另一种示例性的设计思路中,第一游走节点信息和联系游走节点信息中均包括参考关键游走节点的游走节点标签属性,统计各个游走节点标签属性的历史投票度,将历史投票度最多的游走节点标签属性确定为目标游走节点标签属性,将目标游走节点标签属性以及该目标游走节点标签属性的历史投票率作为参考关键游走节点的第二游走节点信息;例如,设游走节点标签属性1的历史投票度为10票,游走节点标签属性2的历史投票度为30票,则将游走节点标签属性2确定为目标游走节点标签属性。进一步地,如果目标游走节点标签属性的历史投票率大于等于历史投票率阈值,则判定参考关键游走节点具有业务需求倾向,且将参考关键游走节点的类别确定为目标游走节点标签属性;如果目标游走节点标签属性的历史投票率小于历史投票率阈值,则判定参考关键游走节点不具有业务需求倾向;例如,假设历史投票率阈值为60%,如果目标游走节点标签属性的历史投票率为75%,则则判定参考关键游走节点具有业务需求倾向,该参考关键游走节点的类别为目标游走节点标签属性;相应地,如果目标游走节点标签属性的历史投票率为55%,则则判定参考关键游走节点不具有业务需求倾向。
在再一种示例性的设计思路中,第一游走节点信息和联系游走节点信息中既包括参考关键游走节点的行为倾向概率,又包括参考关键游走节点的游走节点标签属性,综合第一游走节点信息或者联系游走节点信息中参考关键游走节点的行为倾向概率和游走节点标签属性进行投票(例如,参考关键游走节点的行为倾向概率大于目标行为倾向概率且游走节点标签属性属于预设游走节点标签属性,则投赞成参考关键游走节点具有业务需求倾向;否则反对参考关键游走节点具有业务需求倾向),基于投票结果生成参考关键游走节点的第二游走节点信息。在得到参考关键游走节点的第二游走节点信息后,如果赞成参考关键游走节点具有业务需求倾向的历史投票度大于等于反对参考关键游走节点具有业务需求倾向的历史投票度,则判定参考关键游走节点具有业务需求倾向;如果赞成参考关键游走节点具有业务需求倾向的历史投票度小于反对参考关键游走节点具有业务需求倾向的历史投票度,则判定参考关键游走节点不具有业务需求倾向。
步骤B207、统计从全部组合操作维度数据中解析到的P个参考关键游走节点的业务需求倾向信息,P为正整数。
统计从业务组合操作大数据合中的各个组合操作维度数据中解析到的参考关键游走节点的数量,并通过上述步骤B202-步骤B206得到各个参考关键游走节点的业务需求倾向。
步骤B208、基于P个参考关键游走节点的业务需求倾向信息,确定所述指定订阅用户的业务需求分布。
依据同一发明构思,结合图2所示,本申请实施例还提供一种大数据***,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,各个模块可以包括对大数据***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,在大数据***100上执行存储器111中的一系列指令操作。
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113,一个或一个以上传递到输出接口,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,各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的情况下,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。
Claims (10)
1.一种基于业务需求AI预测的电商服务优化方法,应用于所述大数据***,其特征在于,包括:
基于指定订阅用户的业务需求分布,确定所述指定订阅用户的各个目标业务需求的需求类型;
基于所述指定订阅用户的各个目标业务需求以及各个目标业务需求的需求类型构建对应于各个目标业务需求的电商匹配字典,其中,所述电商匹配字典包括多个依据优先级排列的电商匹配推送字段;
基于所述对应于各个目标业务需求的电商匹配字典向所述指定订阅用户推送对应的电商服务内容信息;
获取所述指定订阅用户针对所述电商服务内容信息的反馈活动数据,并基于所述反馈活动数据对所述各个目标业务需求的电商匹配字典进行优化更新。
2.根据权利要求1所述的基于业务需求AI预测的电商服务优化方法,其特征在于,所述基于所述反馈活动数据对所述各个目标业务需求的电商匹配字典进行优化更新的步骤,包括:
对所述反馈活动数据的第一反馈活动集合进行特征挖掘,获得所述第一反馈活动集合中各反馈活动节点的反馈偏好特征,所述第一反馈活动集合指示了兴趣点反馈活动;
基于所述第一反馈活动集合中各反馈活动节点的反馈偏好特征和兴趣点预测模型在实时业务上线阶段的预测兴趣点特征,确定所述第一反馈活动集合中各反馈活动节点在所述实时业务上线阶段对应的兴趣度量值;
基于所述第一反馈活动集合中各反馈活动节点在所述实时业务上线阶段对应的兴趣度量值、所述兴趣点预测模型在实时业务上线阶段的预测兴趣点特征和所述兴趣点预测模型在实时业务上线阶段的传递特征,确定第一支持度信息,所述第一支持度信息表示所述实时业务上线阶段所对应偏好关注活动来自历史频繁活动集合的第一支持度和来自所述第一反馈活动集合的第二支持度;
基于所述第一支持度和所述第二支持度,在所述历史频繁活动集合和所述第一反馈活动集合中确定所述实时业务上线阶段对应的偏好关注活动,并基于所述实时业务上线阶段对应的偏好关注活动相关的电商偏好字段以及每个电商偏好字段所对应的偏好关注程度对所述各个目标业务需求的电商匹配字典进行优化更新;所述偏好关注活动用于确定所述兴趣点反馈活动对应的偏好事件。
3.根据权利要求2所述的基于业务需求AI预测的电商服务优化方法,其特征在于,所述基于所述第一反馈活动集合中各反馈活动节点在所述实时业务上线阶段对应的兴趣度量值、所述兴趣点预测模型在实时业务上线阶段的预测兴趣点特征和所述兴趣点预测模型在实时业务上线阶段的传递特征,确定第一支持度信息,包括:
基于所述第一反馈活动集合中各反馈活动节点所对应的反馈偏好特征和所述第一反馈活动集合中各反馈活动节点在所述实时业务上线阶段对应的兴趣度量值,确定所述实时业务上线阶段对应的兴趣衔接特征;
将所述实时业务上线阶段对应的兴趣衔接特征、所述兴趣点预测模型在实时业务上线阶段的预测兴趣点特征和所述兴趣点预测模型在实时业务上线阶段的传递特征进行聚合,获得第一聚合特征;
对所述第一聚合特征进行支持度决策,获得所述第一支持度;
基于所述第一支持度确定所述第二支持度,其中,所述第一支持度与所述第二支持度的和为1;
所述基于所述第一反馈活动集合中各反馈活动节点所对应的反馈偏好特征和所述第一反馈活动集合中各反馈活动节点在所述实时业务上线阶段对应的兴趣度量值,确定所述实时业务上线阶段对应的兴趣衔接特征,包括:
以所述第一反馈活动集合中各反馈活动节点在所述实时业务上线阶段对应的兴趣度量值作为所对应反馈活动节点的衔接属性,对所述第一反馈活动集合中全部反馈活动节点的反馈偏好特征进行知识实体衔接,获得所述实时业务上线阶段对应的兴趣衔接特征。
4.根据权利要求2所述的基于业务需求AI预测的电商服务优化方法,其特征在于,所述基于所述第一反馈活动集合中各反馈活动节点的反馈偏好特征和兴趣点预测模型在实时业务上线阶段的预测兴趣点特征,确定所述第一反馈活动集合中各反馈活动节点在所述实时业务上线阶段对应的兴趣度量值之前,所述方法还包括:
获取所述兴趣点预测模型在实时业务上线阶段的传递特征,其中,所述兴趣点预测模型在实时业务上线阶段的传递特征包括所述兴趣点预测模型在上一业务上线阶段的预测兴趣点特征,所述兴趣点预测模型在首个业务上线阶段的传递特征包括触发标签对应的潜在特征信息;
由所述兴趣点预测模型基于所述实时业务上线阶段的传递特征进行处理,生成所述实时业务上线阶段的预测兴趣点特征。
5.根据权利要求2所述的基于业务需求AI预测的电商服务优化方法,其特征在于,所述基于所述第一支持度和所述第二支持度,在所述历史频繁活动集合和所述第一反馈活动集合中确定所述实时业务上线阶段对应的偏好关注活动,包括:
获取第二支持度信息,所述第二支持度信息表示历史频繁活动集合中各反馈活动节点是所述实时业务上线阶段所对应偏好关注活动的参考支持度;
基于所述第一支持度和所述第二支持度,对所述第二支持度信息和所述第一反馈活动集合中各反馈活动节点在实时业务上线阶段对应的兴趣度量值进行知识实体衔接,确定目标支持度信息,所述目标支持度信息表示所述历史频繁活动集合和所述第一反馈活动集合中各反馈活动节点是所述实时业务上线阶段所对应偏好关注活动的目标支持度;
基于所述目标支持度,在所述历史频繁活动集合和所述第一反馈活动集合中筛选,确定所述实时业务上线阶段对应的偏好关注活动;
其中,所述获取第二支持度信息,包括:
将所述实时业务上线阶段对应的兴趣衔接特征与所述兴趣点预测模型在实时业务上线阶段的预测兴趣点特征进行聚合,获得第二聚合特征;
对所述第二聚合特征进行非线性特征转换,并依据非线性特征转换的结果进行支持度决策,获得所述第二支持度信息。
6.根据权利要求2所述的基于业务需求AI预测的电商服务优化方法,其特征在于,所述基于所述第一反馈活动集合中各反馈活动节点的反馈偏好特征和兴趣点预测模型在实时业务上线阶段的预测兴趣点特征,确定所述第一反馈活动集合中各反馈活动节点在所述实时业务上线阶段对应的兴趣度量值,包括:
将所述第一反馈活动集合中的每个反馈活动节点的反馈偏好特征分别与所述兴趣点预测模型在实时业务上线阶段的预测兴趣点特征进行聚合,获得所述第一反馈活动集合中每个反馈活动节点对应的第三聚合特征;
将每个所述第三聚合特征进行非线性特征转换,获得所述第一反馈活动集合中每个反馈活动节点对应的非线性转换特征;
对每一所述非线性转换特征进行激活处理,获得所述第一反馈活动集合中每个反馈活动节点对实时业务上线阶段所对应偏好关注活动的初始兴趣度量值;
对每一所述初始兴趣度量值进行规则化转换,获得所述第一反馈活动集合中每个反馈活动节点在所述实时业务上线阶段对应的兴趣度量值。
7.根据权利要求2所述的基于业务需求AI预测的电商服务优化方法,其特征在于,所述对所述反馈活动数据的第一反馈活动集合进行特征挖掘,获得所述第一反馈活动集合中各反馈活动节点的反馈偏好特征,包括:
通过反馈偏好特征提取单元对所述第一反馈活动集合进行反馈偏好特征提取,获得所述第一反馈活动集合中各反馈活动节点的反馈偏好特征。
8.根据权利要求1-7中任意一项所述的基于业务需求AI预测的电商服务优化方法,其特征在于,所述所述指定订阅用户的业务需求分布通过以下步骤确定:
游走指定订阅用户的业务组合操作大数据中的各个组合操作维度数据,不同的组合操作维度数据是基于不同的业务操作维度对所述指定订阅用户进行数据跟踪获得的;
如果在每次游走的游走组合操作维度数据中解析到符合关键游走特征的关键游走节点,则将解析到的关键游走节点作为所述指定订阅用户的参考关键游走节点,并确定所述参考关键游走节点在所述游走组合操作维度数据中的时空域信息,以及从所述游走组合操作维度数据中解析到的所述参考关键游走节点的第一游走节点信息;
从所述业务组合操作大数据中除所述游走组合操作维度数据以外的余下组合操作维度数据中,获取所述游走组合操作维度数据的联系组合操作维度数据,所述游走组合操作维度数据和所述联系组合操作维度数据之间具有衔接属性;
依据所述游走组合操作维度数据和所述联系组合操作维度数据之间的映射联系信息,和所述参考关键游走节点在所述游走组合操作维度数据中的时空域信息,在所述联系组合操作维度数据中追踪所述参考关键游走节点;
基于追踪信息和所述参考关键游走节点的第一游走节点信息,生成所述参考关键游走节点的第二游走节点信息,如果所述第二游走节点信息中的行为倾向概率不小于目标行为倾向概率,则判定所述参考关键游走节点具有业务需求倾向;
如果所述第二游走节点信息中的行为倾向概率小于所述目标行为倾向概率,则判定所述参考关键游走节点不具有业务需求倾向;
其中,在所述业务组合操作大数据中的全部组合操作维度数据均被游走后,获得从所述全部组合操作维度数据中解析到的P个参考关键游走节点的业务需求倾向信息,P为正整数;
基于所述P个参考关键游走节点的业务需求倾向信息,确定所述指定订阅用户的业务需求分布。
9.根据权利要求8所述的基于业务需求AI预测的电商服务优化方法,其特征在于,所述游走组合操作维度数据和所述联系组合操作维度数据之间的映射联系信息,是所述业务组合操作大数据的业务组合联系图谱中的其中一个映射联系信息;
其中,所述业务组合联系图谱中的任一映射联系信息的建立流程包括:
从所述指定订阅用户的业务组合操作大数据中选取一个组合操作维度数据作为第一组合操作维度数据,并从所述业务组合操作大数据中选取与所述第一组合操作维度数据具有共有特征向量的组合操作维度数据,作为第二组合操作维度数据;
在所述第一组合操作维度数据中确定多个第一组合操作活动,以及在所述第二组合操作维度数据中确定多个第二组合操作活动;一个第一组合操作活动对应一个第二组合操作活动,组合操作活动是指:对所述指定订阅用户的一个组合操作行为在组合操作维度数据中的时空域信息进行定位所获得的操作行为活动;
基于每个第一组合操作活动的时空域向量以及对应的第二组合操作活动的时空域向量,计算所述第一组合操作维度数据和所述第二组合操作维度数据之间的映射联系信息。
10.一种大数据***,其特征在于,包括:
处理器;
存储器,所述存储器中存储有计算机程序,所述计算机程序被执行时实现权利要求1-9中任意一项所述的基于业务需求AI预测的电商服务优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210290845.3A CN114463072A (zh) | 2022-03-23 | 2022-03-23 | 基于业务需求ai预测的电商服务优化方法及大数据*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210290845.3A CN114463072A (zh) | 2022-03-23 | 2022-03-23 | 基于业务需求ai预测的电商服务优化方法及大数据*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114463072A true CN114463072A (zh) | 2022-05-10 |
Family
ID=81416845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210290845.3A Withdrawn CN114463072A (zh) | 2022-03-23 | 2022-03-23 | 基于业务需求ai预测的电商服务优化方法及大数据*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114463072A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115204693A (zh) * | 2022-07-21 | 2022-10-18 | 滦南铭瑞技术服务有限公司 | 基于人工智能的智慧园区管理方法及云平台 |
CN115408616A (zh) * | 2022-09-14 | 2022-11-29 | 何日妹 | 针对云服务推送的大数据分析方法及云服务推送*** |
-
2022
- 2022-03-23 CN CN202210290845.3A patent/CN114463072A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115204693A (zh) * | 2022-07-21 | 2022-10-18 | 滦南铭瑞技术服务有限公司 | 基于人工智能的智慧园区管理方法及云平台 |
CN115204693B (zh) * | 2022-07-21 | 2023-10-17 | 中交西北投资发展有限公司 | 基于人工智能的智慧园区管理方法及云平台 |
CN115408616A (zh) * | 2022-09-14 | 2022-11-29 | 何日妹 | 针对云服务推送的大数据分析方法及云服务推送*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | A location-based factorization machine model for web service QoS prediction | |
Bagci et al. | Context-aware friend recommendation for location based social networks using random walk | |
JP4011906B2 (ja) | プロファイル情報の情報検索方法、プログラム、記録媒体及び装置 | |
CN114463072A (zh) | 基于业务需求ai预测的电商服务优化方法及大数据*** | |
CN114357105B (zh) | 地理预训练模型的预训练方法及模型微调方法 | |
CN112583640A (zh) | 一种基于知识图谱的服务故障检测方法及装置 | |
CN114221991B (zh) | 基于大数据的会话推荐反馈处理方法及深度学习服务*** | |
CN116737436A (zh) | 面向混合部署场景的微服务***根因定位方法及*** | |
CN114708015A (zh) | 采用大数据深度挖掘的业务需求预测方法及大数据*** | |
CN112288154B (zh) | 一种基于改进神经协同过滤的区块链服务可靠性预测方法 | |
Shu et al. | IQSrec: An efficient and diversified skyline services recommendation on incomplete QoS | |
CN110737779A (zh) | 知识图谱的构建方法、装置、存储介质和电子设备 | |
Zhou et al. | Intelligent service recommendation for cold-start problems in edge computing | |
Thasni et al. | Cloud service provider selection using fuzzy TOPSIS | |
CN111949852A (zh) | 一种基于互联网大数据的宏观经济分析方法及*** | |
Liu et al. | Context-aware multi-QoS prediction for services in mobile edge computing | |
Kalanat et al. | A fuzzy method for discovering cost-effective actions from data | |
CN115664976A (zh) | 一种基于网络广义能量和信息熵的关键节点识别方法 | |
Cao et al. | Dynamic identification of important nodes in complex networks by considering local and global characteristics | |
CN115730152A (zh) | 基于用户画像分析的大数据处理方法及大数据处理*** | |
CN112749851B (zh) | 基于人工智能的大数据需求预测方法及大数据云服务中心 | |
CN111125541B (zh) | 面向多用户的可持续多云服务组合的获取方法 | |
CN114298118A (zh) | 一种基于深度学习的数据处理方法、相关设备及存储介质 | |
Makarova et al. | A case-based reasoning approach with fuzzy linguistic rules: Accuracy validation and application in interface design-support intelligent system | |
Liu et al. | An efficient method for top-k graph based node matching |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220510 |
|
WW01 | Invention patent application withdrawn after publication |