CN115062227B - 采用人工智能分析的用户行为活动分析方法及大数据*** - Google Patents

Abstract

本申请实施例提供一种采用人工智能分析的用户行为活动分析方法及大数据***，基于参考行为表达网络对候选用户进行用户行为活动分析，获得候选用户对应的候选行为特征簇中的各个候选活动表达字段的目标字段参数，并基于各个候选活动表达字段的目标字段参数向候选用户进行内容推送，而后获取候选用户针对内容推送结果的观点反馈数据，生成内容推送结果的推送效果画像，从而通过结合预先配置的参考行为表达网络对候选用户进行内容推送，并结合候选用户的观点反馈评估内容推送结果的推送效果画像，以便于为产品开发人员提供参考行为表达网络的优化参考依据。

Description

采用人工智能分析的用户行为活动分析方法及大数据***

技术领域

本申请涉及人工智能技术领域，具体而言，涉及一种采用人工智能分析的用户行为活动分析方法及大数据***。

背景技术

在基于大数据的个性化信息推送领域，知识图谱技术通过将复杂的知识领域通过数据挖掘进行表达出来，揭示知识领域的动态发展规律，为个性化内容推送提供切实的、有价值的参考。例如，通过对大量用户的用户行为活动进行知识图谱构建，可以挖掘出用户行为活动的相关内容规律，进而针对性为其提供个性化的内容服务，然而相关技术中，缺乏针对构建的知识图谱的优化参考依据的考虑。

发明内容

为了至少克服现有技术中的上述不足，本申请的目的在于提供一种采用人工智能分析的用户行为活动分析方法及大数据***。

第一方面，本申请提供一种采用人工智能分析的用户行为活动分析方法，应用于大数据***，所述大数据***与多个云端业务服务器通信连接，所述方法包括：

基于参考行为表达网络对候选用户进行用户行为活动分析，获得所述候选用户对应的候选行为特征簇中的各个候选活动表达字段的目标字段参数，并基于所述各个候选活动表达字段的目标字段参数向所述候选用户进行内容推送，所述参考行为表达网络采用知识图谱结构，包括多个行为特征簇以及对应的影响系数，各个所述行为特征簇包括用户行为活动、活动表达字段和字段参数，所述候选行为特征簇包括相同的候选用户行为活动和候选活动表达字段，以及包括对应不同内容源路径的字段参数；

获取所述候选用户针对内容推送结果的观点反馈数据，生成所述内容推送结果的推送效果画像。

第二方面，本申请实施例还提供一种采用人工智能分析的用户行为活动分析***，所述采用人工智能分析的用户行为活动分析***包括大数据***以及与所述大数据***通信连接的多个云端业务服务器；

所述大数据***，用于：

基于参考行为表达网络对候选用户进行用户行为活动分析，获得所述候选用户对应的候选行为特征簇中的各个候选活动表达字段的目标字段参数，并基于所述各个候选活动表达字段的目标字段参数向所述候选用户进行内容推送，所述参考行为表达网络采用知识图谱结构，包括多个行为特征簇以及对应的影响系数，各个所述行为特征簇包括用户行为活动、活动表达字段和字段参数，所述候选行为特征簇包括相同的候选用户行为活动和候选活动表达字段，以及包括对应不同内容源路径的字段参数；

获取所述候选用户针对内容推送结果的观点反馈数据，生成所述内容推送结果的推送效果画像。

采用以上任意一个实施方式，基于参考行为表达网络对候选用户进行用户行为活动分析，获得候选用户对应的候选行为特征簇中的各个候选活动表达字段的目标字段参数，并基于各个候选活动表达字段的目标字段参数向候选用户进行内容推送，而后获取候选用户针对内容推送结果的观点反馈数据，生成内容推送结果的推送效果画像，从而通过结合预先配置的参考行为表达网络对候选用户进行内容推送，并结合候选用户的观点反馈评估内容推送结果的推送效果画像，以便于为产品开发人员提供参考行为表达网络的优化参考依据。

附图说明

图1为本发明实施例提供的采用人工智能分析的用户行为活动分析方法的流程示意图。

具体实施方式

下面介绍本发明一种实施例提供的采用人工智能分析的用户行为活动分析***10的架构，该采用人工智能分析的用户行为活动分析***10可以包括大数据***100以及与大数据***100通信连接的云端业务服务器200。其中，采用人工智能分析的用户行为活动分析***10中的大数据***100和云端业务服务器200可以通过配合执行以下方法实施例所描述的采用人工智能分析的用户行为活动分析方法，具体大数据***100和云端业务服务器200的执行步骤部分可以参照以下方法实施例的详细描述。

本实施例提供的采用人工智能分析的用户行为活动分析方法可以由大数据***100执行，下面结合图1对该采用人工智能分析的用户行为活动分析方法进行详细介绍。

对本申请实施例进行进一步详细说明之前，对本申请实施例中涉及的名词和术语进行说明，本申请实施例中涉及的名词和术语适用于如下的解释。

用户行为活动：实际线上业务服务过程中用户针对某个事件（如页面更新事件）的具体行为操作事件（如针对浏览该页面的关联元素的浏览事件）。

电商用户行为活动：指某个电商操作事件。

活动表达字段：指对用户行为活动的某个特性维度的表达字段，例如电商用户行为活动的兴趣点、页面关注点等字段维度。

字段参数：指用户行为活动对象在活动表达字段上的具体字段内容，例如电商用户行为活动A的兴趣点是a页面对象。

行为特征簇：指类似于（h，r，t）的结构，h表示用户行为活动，r表示活动表达字段，t表示字段参数。例如（电商用户行为活动A，兴趣点，a页面对象）表示一个行为特征簇，表示电商用户行为活动A的兴趣点是a页面对象。

内容源路径：指字段参数的不同内容源路径。

影响系数：表示具体的影响权重，如行为特征簇的影响系数可以认为是行为特征簇的可信度。

行为表达网络：也称为行为表达知识图谱，具有知识图谱的架构。

在以上术语解释的基础上，下面对本申请实施例的步骤进行详细介绍。

在Process100中，基于参考行为表达网络对候选用户进行用户行为活动分析，获得所述候选用户对应的候选行为特征簇中的各个候选活动表达字段的目标字段参数，并基于所述各个候选活动表达字段的目标字段参数向所述候选用户进行内容推送。

其中，所述参考行为表达网络包括多个行为特征簇以及对应的影响系数，各个所述行为特征簇包括用户行为活动、活动表达字段和字段参数，所述候选行为特征簇包括相同的候选用户行为活动和候选活动表达字段，以及包括对应不同内容源路径的字段参数。

在Process200中，获取所述候选用户针对内容推送结果的观点反馈数据，生成所述内容推送结果的推送效果画像。

例如，可以提取观点反馈数据中的积极观点反馈数据和消极观点反馈数据，然后结合积极观点反馈数据和消极观点反馈数据生成所述内容推送结果的推送效果画像。例如，可以计算积极观点反馈数据中的每个业务字段的观点数量和消极观点反馈数据中与所述每个业务字段对应的观点数量的比值，然后基于预先配置的各个比值范围与推送效果画像之间的映射关系确定该比值所对应的目标推送效果画像。此外，在其它可能的实施方式中，也可以采用其它方式，如AI分析方式，但不限制于此。

采用以上技术方案，本实施例基于参考行为表达网络对候选用户进行用户行为活动分析，获得候选用户对应的候选行为特征簇中的各个候选活动表达字段的目标字段参数，并基于各个候选活动表达字段的目标字段参数向候选用户进行内容推送，而后获取候选用户针对内容推送结果的观点反馈数据，生成内容推送结果的推送效果画像，从而通过结合预先配置的参考行为表达网络对候选用户进行内容推送，并结合候选用户的观点反馈评估内容推送结果的推送效果画像，以便于为产品开发人员提供参考行为表达网络的优化参考依据。

在Process101中，获取参考行为表达网络。

例如，首先获取参考行为表达网络。参考行为表达网络包括多个行为特征簇以及对应的影响系数，各个行为特征簇包括用户行为活动、活动表达字段和字段参数。

一些示例性的设计思路中，Process101可以通过下述实施例中的Process1011-Process1015实现。下面将对Process1011-Process1015进行说明。

在Process1011中，从模板用户行为数据中获取多个模板行为特征簇。

例如，可以依据模板用户行为数据确定出多个模板行为特征簇。

一些示例性的设计思路中，从模板用户行为数据中获取多个模板行为特征簇，基于下述步骤实现：对模板用户行为数据进行关注变量提取，得到多个关注变量对，各个关注变量对包括一个用户行为活动关注变量和一个字段参数关注变量；针对各个关注变量对进行下述操作：对关注变量对进行关系分类处理，得到关注变量对中的用户行为活动关注变量和字段参数关注变量之间的关系，将关系作为活动表达字段关注变量；将活动表达字段关注变量、关注变量对涵盖的用户行为活动关注变量和字段参数关注变量进行组合，得到模板行为特征簇。

例如，在获取多个模板行为特征簇时，需要获取大量的模板用户行为数据，并对获取到的模板用户行为数据进行关注变量提取，得到多个关注变量对，各个关注变量对包括用户行为活动关注变量和字段参数关注变量。

例如，对模板用户行为数据“用户行为活动A是在页面对象B产生兴趣点的”进行关注变量提取，可以获得关注变量对（用户行为活动A，页面对象B），用户行为活动A表示用户行为活动关注变量，页面对象B表示字段参数关注变量。

在得到多个关注变量对之后，对各个关注变量对进行关系分类处理，获得各个关注变量对中的用户行为活动关注变量与字段参数关注变量之间的关系，并将获得的关系作为活动表达字段关注变量。然后依据关注变量对和活动表达字段关注变量，配置模板行为特征簇。

例如，对关注变量对（用户行为活动A，页面对象B）进行关系分类处理，得到这两个关注变量之间的关系为“页面关注点”，因此，依据页面关注点和（用户行为活动A，页面对象B）配置出模板行为特征簇（用户行为活动A，页面关注点，页面对象B）。

采用以上技术方案获取模板行为特征簇，可以获取大量的模板行为特征簇，便于依据大量的模板行为特征簇配置初始的行为表达网络。

在Process1012中，通过下述步骤配置基础行为表达网络：生成与多个模板行为特征簇各自对应的网络成员；在匹配第一匹配状态的每两个模板行为特征簇之间，确定基础行为表达网络中的第一类成员连接关系；在匹配第二匹配状态的每两个模板行为特征簇之间，确定基础行为表达网络中的第二类成员连接关系。

例如，在得到多个模板行为特征簇之后，依据模板行为特征簇配置基础行为表达网络。

例如，以模板行为特征簇的数量为6为例，各个模板行为特征簇对应生成基础行为表达网络中的一个网络成员，因此生成6个网络成员。

在匹配第一匹配状态的每两个模板行为特征簇之间，确定基础行为表达网络中的第一类成员连接关系，第一匹配状态为每两个模板行为特征簇涵盖的模板活动表达字段的字段参数的内容源路径匹配。例如假设网络成员1、网络成员3和网络成员6对应的模板行为特征簇涵盖的模板活动表达字段的字段参数的内容源路径匹配，网络成员1、网络成员3和网络成员6中的每两个网络成员对应的模板行为特征簇匹配第一匹配状态，所以，在网络成员1、网络成员3和网络成员6之间生成基础行为表达网络中的第一类成员连接关系；网络成员2、网络成员4和网络成员5对应的模板行为特征簇涵盖的模板活动表达字段的字段参数的内容源路径匹配，所以，网络成员2、网络成员4和网络成员5中的每两个网络成员对应的模板行为特征簇同样匹配第一匹配状态，所以，同样在网络成员2、网络成员4和网络成员5之间生成基础行为表达网络中的第一类成员连接关系。

在匹配第二匹配状态的每两个模板行为特征簇之间，确定基础行为表达网络中的第二类成员连接关系，第二匹配状态为每两个模板行为特征簇涵盖的模板用户行为活动和模板活动表达字段匹配。网络成员1与网络成员2对应的模板行为特征簇所涵盖的模板用户行为活动和模板活动表达字段匹配，所以，网络成员1对应的模板行为特征簇与网络成员2对应的模板行为特征簇匹配第二匹配状态，所以，在网络成员1与网络成员2之间生成基础行为表达网络中的第二类成员连接关系；同样地，在网络成员3与网络成员4之间生成基础行为表达网络中的第二类成员连接关系；在网络成员5与网络成员6之间生成基础行为表达网络中的第二类成员连接关系，从而依据这6个模板行为特征簇配置出基础行为表达网络。

在Process1013中，得到多个模板行为特征簇对应的影响系数，并确定第一类成员连接关系以及第二类成员连接关系各自对应的影响系数。

例如，在配置出基础行为表达网络之后，得到基础行为表达网络中的各个模板行为特征簇对应的影响系数、第一类成员连接关系对应的影响系数和第二类成员连接关系对应的影响系数。

一些示例性的设计思路中，在将多个模板行为特征簇中的热点行为特征簇的影响系数作为第一影响系数之前，将在基础行为表达网络中的触发频次大于设定频次的模板用户行为活动，得到为热点用户行为活动；从包括各个热点用户行为活动的多个模板行为特征簇中，获取一个模板行为特征簇，并将获取的模板行为特征簇作为热点用户行为活动对应的热点行为特征簇；获取各个热点行为特征簇对应的多个热点影响系数，并将多个热点影响系数的均值影响系数作为热点行为特征簇对应的影响系数。

例如，在确定基础行为表达网络中的各个模板行为特征簇的影响系数之前，首先确定在基础行为表达网络中的触发频次大于设定频次的模板用户行为活动，可以认为模板用户行为活动在基础行为表达网络中的触发频次与模板用户行为活动的可信度呈正相关，因此，将触发频次大于设定频次的模板用户行为活动作为热点用户行为活动。

例如，假设基础行为表达网络中存在500个触发频次大于设定频次的模板用户行为活动，那么，将这500个模板用户行为活动作为热点用户行为活动。

在确定出热点用户行为活动之后，各个热点用户行为活动可能对应有多个模板行为特征簇，为了便于进行影响系数标注处理，例如，从包括各个热点用户行为活动的多个模板行为特征簇中，随机获取一个模板行为特征簇，并将获取的这一个模板行为特征簇作为热点用户行为活动对应的热点行为特征簇。

在确定出各个热点用户行为活动对应的热点行为特征簇之后，获取各个热点行为特征簇对应的多个热点影响系数，并将多个热点影响系数的均值影响系数作为热点行为特征簇对应的影响系数。例如，获得各个热点行为特征簇对应的3个热点影响系数，并将这3个热点影响系数的均值影响系数作为热点行为特征簇对应的影响系数。

使得确定出的热点行为特征簇的影响系数落在一个合理范围内。

一些示例性的设计思路中，得到多个模板行为特征簇对应的影响系数，基于下述步骤实现：将多个模板行为特征簇中的热点行为特征簇的影响系数作为第一影响系数，热点行为特征簇的影响系数是热点参数统计的影响系数，并且第一影响系数包含于第一影响系数区间，第一影响系数区间为由第一门限值和第二门限值构成的门限值封闭区间，并且第一门限值小于第二门限值；将多个模板行为特征簇中的非热点行为特征簇的影响系数作为第二影响系数，非热点行为特征簇的影响系数是热点参数统计的影响系数，并且第二影响系数的系数值为第一影响系数区间的区间中间系数值。

例如，在确定出热点行为特征簇之后，将热点行为特征簇的影响系数作为第一影响系数，第一影响系数是热点参数统计的影响系数。热点参数统计的影响系数的系数值都应包含于统一设定的影响系数区间（如，第一影响系数区间），第一影响系数区间是由第一门限值和第二门限值组成的门限值封闭区间，第一门限值小于第二门限值。例如，可以将第一门限值设置为-1，第二门限值设置为1，这样，第一影响系数包含于的第一影响系数区间为[-1，1]。

基础行为表达网络中除了包括一部分热点行为特征簇之外，还包括大量的非热点行为特征簇，将各个非热点行为特征簇的影响系数作为第二影响系数。其中，非热点行为特征簇的影响系数也是热点参数统计的影响系数，并且第二影响系数的系数值为第一影响系数区间的区间中间系数值。通过将非热点行为特征簇的影响系数设置为第一影响系数区间的区间中间系数值，可以使得热点参数统计的各个模板行为特征簇的影响系数分布更加均匀，依据均匀分布的模板行为特征簇的影响系数进行第一加载网络的遍历优化，能够使得模板行为特征簇的遍历优化后的影响系数更加合理。继续上述示例，在第一影响系数包含于的第一影响系数区间为[-1，1]的条件下，第二影响系数的系数值可以为0。

通过分别将热点行为特征簇和非热点行为特征簇作为不同的影响系数，由于热点行为特征簇和非热点行为特征簇对应的模板用户行为活动的可信度不同，因此，热点行为特征簇和非热点行为特征簇对应的可信度也不同，因此上述方式可以基于模板行为特征簇的可信度对应设置影响系数，从而提高了各个模板行为特征簇对应的影响系数的合理性。

一些示例性的设计思路中，将多个模板行为特征簇中的热点行为特征簇的影响系数作为第一影响系数，基于下述步骤实现：确定基础行为表达网络中的第一目标量级的模板行为特征簇的影响系数；确定基础行为表达网络中的第一类成员连接关系和第二类成员连接关系各自对应的影响系数；第一类成员连接关系是匹配第一匹配状态的每两个模板行为特征簇之间的成员连接关系；第二类成员连接关系是匹配第二匹配状态的每两个模板行为特征簇之间的成员连接关系；在基础行为表达网络中加载第一目标量级的模板行为特征簇对应的影响系数、第一类成员连接关系对应的影响系数、以及第二类成员连接关系对应的影响系数，得到第二加载网络；依据第二加载网络中的第一目标量级的模板行为特征簇对应的影响系数、第一类成员连接关系对应的影响系数、以及第二类成员连接关系对应的影响系数，对第二加载网络中的各个模板行为特征簇的影响系数进行遍历优化，输出第二遍历优化信息，第二遍历优化信息包括：各个模板行为特征簇的遍历优化后的影响系数；将遍历优化后的影响系数大于设定影响系数的模板行为特征簇作为热点行为特征簇；将热点行为特征簇的影响系数作为第一影响系数。

例如，响应于针对第一目标量级的模板行为特征簇的影响系数标注操作，接收针对第一目标量级的模板行为特征簇中的各个模板行为特征簇的热点影响系数；然后，分别确定基础行为表达网络中的第一类成员连接关系和第二类成员连接关系各自对应的影响系数。其中，第一类成员连接关系是匹配第一匹配状态的每两个模板行为特征簇之间的成员连接关系，即，第一类成员连接关系连接的每两个模板行为特征簇涵盖的模板活动表达字段的字段参数的内容源路径匹配；第二类成员连接关系是匹配第二匹配状态的每两个模板行为特征簇之间的成员连接关系，即，第二类成员连接关系连接的每两个模板行为特征簇涵盖的模板用户行为活动和模板活动表达字段匹配。

在确定出第一目标量级的模板行为特征簇的影响系数、第一类成员连接关系对应的影响系数和第二类成员连接关系对应的影响系数之后，在基础行为表达网络中加载第一目标量级的模板行为特征簇对应的影响系数、第一类成员连接关系对应的影响系数、以及第二类成员连接关系对应的影响系数，得到第二加载网络。其中，第二加载网络的网络架构和基础行为表达网络对应的网络架构是匹配的，相对于基础行为表达网络，第二加载网络中加载了网络成员的影响系数和成员连接关系的影响系数。

在得到第二加载网络之后，依据第二加载网络中的第一目标量级的模板行为特征簇对应的影响系数、第一类成员连接关系对应的影响系数、以及第二类成员连接关系对应的影响系数，对第二加载网络中的各个模板行为特征簇的影响系数进行遍历优化，输出第二遍历优化信息，第二遍历优化信息包括各个模板行为特征簇的遍历优化后的影响系数；然后将遍历优化后的影响系数大于设定影响系数的模板行为特征簇作为热点行为特征簇，并将热点行为特征簇的影响系数作为第一影响系数。

例如，遍历优化后的影响系数大于设定影响系数的模板行为特征簇对应的可信度较高，因此，将这样的模板行为特征簇作为热点行为特征簇，并将这样的模板行为特征簇的遍历优化后的影响系数，作为该热点行为特征簇的第一影响系数。因此，采用该方案确定出的热点行为特征簇的影响系数更加合理。

一些示例性的设计思路中，前述实施例中的Process1013可以通过Process10131-Process10132实现。下面对Process10131-Process10132进行说明。

在Process10131中，将匹配第一匹配状态的每两个模板行为特征簇之间的第一类成员连接关系的影响系数，得到为第三影响系数。

例如，由于第一类成员连接关系连接的每两个模板行为特征簇匹配第一匹配状态，即，第一类成员连接关系连接的是涵盖的模板活动表达字段的字段参数的内容源路径匹配的每两个模板行为特征簇，可以认为第一类成员连接关系连接的每两个模板行为特征簇之间存在微弱的正相关性，因此，可以将第一类成员连接关系对应的影响系数作为第三影响系数，并且第三影响系数包含于第二影响系数区间，第二影响系数区间为由第二影响系数和第二门限值构成的门限值开放区间，并且第二影响系数小于第二门限值。

例如，在第二影响系数的系数值为0、第二门限值的系数值为1的条件下，第三影响系数包含于的第二影响系数区间为（0，1）。例如，第三影响系数可以为一略大于0的值，例如可以取0.01。

在Process10132中，依据启发式全局优化算法，得到匹配第二匹配状态的每两个模板行为特征簇之间的第二类成员连接关系的影响系数。

例如，在每两个模板行为特征簇匹配第二匹配状态的条件下，即，在每两个模板行为特征簇所涵盖的模板用户行为活动和模板活动表达字段匹配的条件下，通过启发式全局优化算法确定连接这样的两个模板行为特征簇之间的第二类成员连接关系的影响系数。

通过对应设置第一类成员连接关系和第二类成员连接关系各自对应的影响系数，可以有针对性地确定不同的成员连接关系的影响系数，使得确定出的成员连接关系的影响系数更加合理。

一些示例性的设计思路中，前述实施例中的Process10132可以通过Process101321-Process101322实现。下面对Process101321-Process101322进行说明。

在Process101321中，在每两个模板行为特征簇，基于第一策略确定每两个模板行为特征簇之间的第二类成员连接关系的影响系数。

例如，如果第二类成员连接关系连接的每两个模板行为特征簇涵盖的模板活动表达字段为类别型模板活动表达字段，例如，兴趣点、发行商等，则基于第一策略确定每两个模板行为特征簇之间的第二类成员连接关系的影响系数。

一些示例性的设计思路中，基于第一策略确定每两个模板行为特征簇之间的第二类成员连接关系的影响系数，基于下述步骤实现：确定每两个模板行为特征簇涵盖的两个模板活动表达字段的字段参数之间的第一关联性代价值、以及两个模板活动表达字段的字段参数之间的热点最大覆盖率；确定第一关联性代价值与第三门限值的乘积，并确定乘积与热点最大覆盖率的比值，第三门限值大于第二门限值；将1减去比值生成的差值，得到为每两个模板行为特征簇之间的第二关联性代价值；将每两个模板行为特征簇之间的第二关联性代价值，得到为每两个模板行为特征簇之间的第二类成员连接关系的影响系数。

例如，在基于第一策略确定第二类成员连接关系的影响系数时，首先确定第二类成员连接关系连接的每两个模板行为特征簇涵盖的两个字段参数之间的第一关联性代价值。在本申请实施例中，第一关联性代价值表示从一个模板行为特征簇（例如，模板行为特征簇1）的字段参数1，转换为另一个模板行为特征簇（例如，模板行为特征簇2）的字段参数2的最少转换次数。

在确定出第二类成员连接关系连接的每两个模板行为特征簇涵盖的两个字段参数之间的第一关联性代价值之后，得到第二类成员连接关系连接的每两个模板行为特征簇涵盖的两个字段参数之间的热点最大覆盖率。

例如，在确定出第二类成员连接关系连接的每两个模板行为特征簇涵盖的两个字段参数之间的第一关联性代价值和热点最大覆盖率之后，通过以下公式计算这两个模板行为特征簇之间的第二关联性代价值：

L=1-[第一关联性代价值*第三门限值/LX(字段参数1，字段参数2)]

其中，L表示每两个模板行为特征簇之间的第二关联性代价值，第三门限值大于第二门限值，例如，在第二门限值的系数值为1的条件下，第三门限值的系数值可以为2；LX(字段参数1，字段参数2)表示每两个模板行为特征簇涵盖的两个字段参数之间的热点最大覆盖率。

继续上述示例，在模板行为特征簇1涵盖的字段参数1与模板行为特征簇2涵盖的字段参数2之间的第一关联性代价值为2、热点最大覆盖率为3的条件下，通过上述公式计算得出这两个模板行为特征簇之间的第二关联性代价值为1-（2*2/3）也就是-0.33。

在确定出每两个模板行为特征簇之间的第二关联性代价值之后，将确定得出的第二关联性代价值作为连接这两个模板行为特征簇的第二类成员连接关系的影响系数。

通过将两个模板行为特征簇之间的第二关联性代价值作为第二类成员连接关系的影响系数，由于第二关联性代价值可以直接表达第二类成员连接关系连接的两个模板行为特征簇涵盖的字段参数之间的接近程度，因此，采用该方案确定出的第二类成员连接关系的影响系数与模板行为特征簇涵盖的字段参数的情况更加匹配。

在Process101322中，在每两个模板行为特征簇涵盖的模板活动表达字段为数值型模板活动表达字段的条件下，基于第二策略确定每两个模板行为特征簇之间的第二类成员连接关系的影响系数。

例如，如果每两个模板行为特征簇涵盖的模板活动表达字段为数值型模板活动表达字段，例如页面关注点，则基于第二策略确定每两个模板行为特征簇之间的第二类成员连接关系的影响系数。

通过基于第二类成员连接关系连接的每两个模板行为特征簇涵盖的模板活动表达字段的种类的不同，采取不同的方式分别确定第二类成员连接关系的影响系数，能够更加有针对性地确定第二类成员连接关系的影响系数，从而使得确定出的第二类成员连接关系的影响系数更加准确。

一些示例性的设计思路中，基于第二策略确定每两个模板行为特征簇之间的第二类成员连接关系的影响系数，基于下述步骤实现：在每两个模板行为特征簇涵盖的两个模板活动表达字段的字段参数匹配的条件下，得到每两个模板行为特征簇之间的第二类成员连接关系的影响系数为第四影响系数，第四影响系数的系数值为第二门限值；在每两个模板行为特征簇涵盖的两个模板活动表达字段的字段参数不匹配的条件下，得到每两个模板行为特征簇之间的第二类成员连接关系的影响系数为第五影响系数，第五影响系数的系数值为第一门限值。

例如，由于在基于第二策略确定第二类成员连接关系的影响系数时，第二类成员连接关系连接的每两个模板行为特征簇涵盖的模板活动表达字段为数值型模板活动表达字段，那么，在这两个模板行为特征簇涵盖的两个字段参数匹配的条件下，得到这两个模板行为特征簇之间的第二类成员连接关系的影响系数为第四影响系数，第四影响系数的系数值为第二门限值。例如，在第二门限值系数值为1的条件下，第四影响系数的系数值为1。

而在这两个模板行为特征簇涵盖的两个字段参数不匹配的条件下，得到这两个模板行为特征簇之间的第二类成员连接关系的影响系数为第五影响系数，第五影响系数的系数值为第一门限值。例如，在第一门限值系数值为-1的条件下，第五影响系数的系数值为-1。

由于在基于第二策略确定第二类成员连接关系的影响系数时，第二类成员连接关系连接的每两个模板行为特征簇涵盖的模板用户行为活动和模板活动表达字段匹配，在这种情况下，如果这两个模板行为特征簇涵盖的字段参数也匹配，那么这两个模板行为特征簇实际上为匹配的两个模板行为特征簇，所以，将连接两个匹配的模板行为特征簇之间的第二类成员连接关系的影响系数设置为一个较大的值（即第二门限值）；而如果这两个模板行为特征簇涵盖的字段参数并不匹配，那么这两个模板行为特征簇不匹配，所以，将连接不匹配的两个模板行为特征簇之间的第二类成员连接关系的影响系数设置为一个较小的值（即第一门限值，并且第一门限值小于第二门限值）。因此采用该方案确定出的第二类成员连接关系的影响系数更加合理。

在Process1014中，在基础行为表达网络中加载多个模板行为特征簇、第一类成员连接关系以及第二类成员连接关系各自对应的影响系数，确定第一加载网络。

例如，在确定出基础行为表达网络中的多个模板行为特征簇对应的影响系数、第一类成员连接关系对应的影响系数、以及第二类成员连接关系对应的影响系数之后，在基础行为表达网络中加载多个模板行为特征簇对应的影响系数、第一类成员连接关系对应的影响系数、以及第二类成员连接关系对应的影响系数，得到第一加载网络。

其中，第一加载网络的网络架构和基础行为表达网络对应的网络架构是匹配的，相对于基础行为表达网络，第一加载网络中加载了网络成员的影响系数和成员连接关系的影响系数。

在Process1015中，对第一加载网络进行遍历优化，依据生成的第一遍历优化信息生成参考行为表达网络。

例如，在得到第一加载网络之后，对第一加载网络进行遍历优化，输出第一遍历优化信息，然后依据第一遍历优化信息生成参考行为表达网络。其中，第一遍历优化信息包括：各个模板行为特征簇的遍历优化后的影响系数。

在第一加载网络中的所有网络成员的影响系数收敛时，获得各个网络成员（即各个模板行为特征簇）的收敛的遍历优化后的影响系数，并依据各个模板行为特征簇的遍历优化后的影响系数配置参考行为表达网络。

一些示例性的设计思路中，前述实施例中的Process1015中的对第一加载网络进行遍历优化，可以通过Process10151和Process10152实现，下面对Process10151和Process10152进行说明。

在Process10151中，得到模板行为特征簇在第一加载网络中对应的多个连通模板行为特征簇，并确定各个连通模板行为特征簇对应的影响系数乘积。

例如，在每次遍历优化过程中，首先确定模板行为特征簇在第一加载网络中对应的多个连通模板行为特征簇，并确定各个连通模板行为特征簇对应的影响系数乘积。其中，连通模板行为特征簇在第一加载网络中与模板行为特征簇通过成员连接关系直接连接。

例如，各个连通模板行为特征簇对应的影响系数乘积为该连通模板行为特征簇的影响系数、与该连通模板行为特征簇与模板行为特征簇之间的成员连接关系的影响系数的乘积，在该连通模板行为特征簇与模板行为特征簇匹配第一匹配状态的条件下，即，在该连通模板行为特征簇与模板行为特征簇所涵盖的模板活动表达字段的字段参数的内容源路径匹配的条件下，上述成员连接关系的影响系数为第一类成员连接关系对应的影响系数；在该连通模板行为特征簇与模板行为特征簇匹配第二匹配状态的条件下，即，在该连通模板行为特征簇与模板行为特征簇所涵盖的模板用户行为活动和模板活动表达字段匹配的条件下，上述成员连接关系的影响系数为第二类成员连接关系对应的影响系数。

在Process10152中，将多个连通模板行为特征簇对应的影响系数乘积的相加值，得到为模板行为特征簇的遍历优化后的影响系数。

例如，在确定出该模板行为特征簇对应的各个连通模板行为特征簇的影响系数乘积之后，将多个连通模板行为特征簇的影响系数乘积进行求和，将求和结果作为该模板行为特征簇在这次遍历优化后的影响系数。

例如，假设网络成员6的连通网络成员包括网络成员1、网络成员3和网络成员5，在一次遍历优化过程中，网络成员6的遍历优化后的影响系数=连通网络成员1的影响系数*网络成员1-6之间的成员连接关系的影响系数+连通网络成员3的影响系数*网络成员3-6之间的成员连接关系的影响系数+连通网络成员5的影响系数*网络成员5-6之间的成员连接关系的影响系数，即0*0.01+0.01*0+0*（-1），所以，在这次遍历优化过程结束之后，网络成员6的遍历优化后的影响系数为0。

通过在每次遍历优化过程中依据连通网络成员的影响系数来更新模板行为特征簇的影响系数，可以使得遍历优化后的模板行为特征簇的影响系数更加准确。

一些示例性的设计思路中，依据生成的第一遍历优化信息，确定参考行为表达网络，基于下述步骤实现：在包括相同的模板用户行为活动和模板活动表达字段的多个模板行为特征簇中，将遍历优化后的影响系数最大的模板行为特征簇，得到为模板用户行为活动对应的第一目标行为特征簇；依据第一加载网络涵盖的各个模板用户行为活动对应的第一目标行为特征簇、以及各个第一目标行为特征簇对应的影响系数，确定参考行为表达网络。

其中，在Process1011中从模板用户行为数据中获取模板行为特征簇时，可能会得到多个冲突模板行为特征簇，例如（用户行为活动AA，兴趣点，页面对象a）和（用户行为活动AA，兴趣点，页面对象b）。并且，这多个冲突模板行为特征簇均会用于配置基础行为表达网络，而第一加载网络是依据基础行为表达网络生成的，因此，第一加载网络中包括多个冲突模板行为特征簇，而在对第一加载网络进行遍历优化后，可以从这多个冲突模板行为特征簇中确定出准确的模板行为特征簇。

例如，可以基于下述步骤从多个冲突模板行为特征簇中确定出准确的模板行为特征簇：针对第一加载网络中的、包括相同的模板用户行为活动和模板活动表达字段的多个模板行为特征簇，将遍历优化后的影响系数最大的模板行为特征簇，得到为该模板用户行为活动对应的第一目标行为特征簇。由于第一目标行为特征簇的影响系数最大，因此将第一目标行为特征簇作为模板用户行为活动准确对应的行为特征簇。

采用相同方案确定出第一加载网络中的各个模板用户行为活动对应的第一目标行为特征簇之后，依据各个第一目标行为特征簇以及各个第一目标行为特征簇对应的影响系数，确定参考行为表达网络。

例如，从所有包括用户行为活动“用户行为活动AA”和活动表达字段“兴趣点”的模板行为特征簇中，选择遍历优化后的影响系数最大的模板行为特征簇，作为用户行为活动“用户行为活动AA”对应的第一目标行为特征簇，也就是用户行为活动“用户行为活动AA”准确对应的行为特征簇。如，第一加载网络中有2个模板行为特征簇包括用户行为活动“用户行为活动AA”和活动表达字段“兴趣点”，这2个模板行为特征簇分别为（用户行为活动AA，兴趣点，页面对象a）和（用户行为活动AA，兴趣点，页面对象b），由于模板行为特征簇（用户行为活动AA，兴趣点，页面对象a）的遍历优化后的影响系数为-0.3，而模板行为特征簇（用户行为活动AA，兴趣点，页面对象b）的遍历优化后的影响系数为0.8，那么，将遍历优化后的影响系数最大的（用户行为活动AA，兴趣点，页面对象b）作为用户行为活动“用户行为活动AA”对应的第一目标行为特征簇。

例如，通过下述步骤配置参考行为表达网络：生成与各个第一目标行为特征簇各自对应的网络成员；在所涵盖的活动表达字段的字段参数的内容源路径匹配的每两个第一目标行为特征簇之间，确定第一类成员连接关系；在所涵盖的用户行为活动匹配的每两个第一目标行为特征簇之间，确定第二类成员连接关系。

通过依据模板行为特征簇的遍历优化后的影响系数，从包括相同的模板用户行为活动和模板活动表达字段的多个模板行为特征簇中确定出第一目标行为特征簇，并依据多个第一目标行为特征簇配置参考行为表达网络，由于各个第一目标行为特征簇均为从多个冲突模板行为特征簇中确定出准确的模板行为特征簇，因此，采用该方案确定出的参考行为表达网络的精度更高。

在Process102中，依据各个行为特征簇的影响系数，得到各个活动表达字段各自在关联的多个内容源路径上的影响系数。

例如，在获取参考行为表达网络之后，获取参考行为表达网络中各个行为特征簇的影响系数，并依据各个行为特征簇的影响系数，得到各个活动表达字段各自在关联的多个内容源路径上的影响系数。其中，各个活动表达字段关联的多个内容源路径是活动表达字段的不同字段参数的内容源路径。

一些示例性的设计思路中，前述实施例中的Process102可以通过Process1021-Process1023实现。下面对Process1021-Process1023进行说明。

在Process1021中，得到参考行为表达网络中的第一行为特征簇。

例如，在确定各个活动表达字段在关联的内容源路径上的影响系数时，游走活动表达字段，并游走当前游走到的活动表达字段关联的各个内容源路径，并将包括当前游走到的活动表达字段的行为特征簇作为第一行为特征簇。

在Process1022中，得到第二行为特征簇，并确定第二行为特征簇的第二目标量级。

例如，第二行为特征簇包括当前游走到的活动表达字段，并且对应的字段参数出自当前游走到的内容源路径，换言之，将对应的字段参数出自当前游走到的内容源路径的第一行为特征簇，得到为第二行为特征簇，并确定基础行为表达网络中的第二行为特征簇的数量为第二目标量级。

在Process1023中，将各个第二行为特征簇的影响系数之和与第二目标量级的比值，得到为当前游走到的活动表达字段在当前游走到的内容源路径上的影响系数。

例如，在确定出所有第二行为特征簇之后，将所有的第二行为特征簇的影响系数进行相加，并将生成的相加结果与第二行为特征簇对应的第二目标量级的比值，得到为当前游走到的活动表达字段在当前游走到的内容源路径上的影响系数。

由于当前游走到的活动表达字段在当前游走到的内容源路径上的影响系数，为包括当前游走到的活动表达字段、且对应的字段参数出自当前游走到的内容源路径的多个行为特征簇的影响系数的均值影响系数，因此，采用该方案确定出的当前游走到的活动表达字段在当前游走到的内容源路径上的影响系数更加准确。

在Process103中，依据各个活动表达字段在关联的多个内容源路径上的影响系数，得到各个活动表达字段关联的多个内容源路径的内容源路径序列。

例如，在确定出各个活动表达字段各自在关联的多个内容源路径上的影响系数之后，依据各个活动表达字段各自在关联的多个内容源路径上的影响系数，得到各个活动表达字段关联的多个内容源路径的内容源路径序列。

一些示例性的设计思路中，前述实施例中的Process103可以通过Process1031-Process1032实现。下面对Process1031-Process1032进行说明。

在Process1031中，针对活动表达字段关联的多个内容源路径，得到活动表达字段在各个内容源路径上的影响系数。

例如，在确定一个活动表达字段（例如第一活动表达字段）关联的多个内容源路径的内容源路径序列时，首先针对第一活动表达字段关联的多个内容源路径，得到第一活动表达字段在各个内容源路径上的影响系数。

在Process1032中，对活动表达字段在多个内容源路径上的影响系数进行基于从大到小的顺序整理，输出活动表达字段在多个内容源路径上的内容源路径序列。

例如，在确定第一活动表达字段在各个内容源路径上的影响系数之后，对第一活动表达字段在多个内容源路径上的影响系数进行基于从大到小的顺序整理，从而依据基于从大到小的顺序整理结果确定第一活动表达字段在多个内容源路径上的内容源路径序列。

例如，参考行为表达网络中存在2个包括活动表达字段1且活动表达字段1的字段参数出自内容源路径A、内容源路径B和内容源路径C的行为特征簇，这两个行为特征簇分别为行为特征簇1和行为特征簇2，行为特征簇1中的活动表达字段1在内容源路径A上的影响系数为0.5、在内容源路径B的影响系数为0.4、在内容源路径C上的影响系数为0.1，行为特征簇2中的活动表达字段1在内容源路径A上的影响系数为0.4、在内容源路径B的影响系数为0.4、在内容源路径C上的影响系数为0.2，那么，基于可以得出活动表达字段1在内容源路径A上的影响系数为（0.5+0.4）/2，即0.45；活动表达字段1在内容源路径B上的影响系数为（0.4+0.4）/2，即0.4；活动表达字段1在内容源路径C上的影响系数为（0.1+0.2）/2，即0.15。那么对活动表达字段1在这三个内容源路径上的影响系数进行降序排序，可以得到内容源路径A（0.45）>内容源路径B（0.4）>内容源路径C（0.15），所以，活动表达字段1关联的这三个内容源路径的内容源路径序列为内容源路径A>内容源路径B>内容源路径C。

通过依据各个活动表达字段在多个内容源路径上的影响系数的基于从大到小的顺序整理结果，得到活动表达字段在多个内容源路径上的内容源路径重要性，换言之，如果活动表达字段在某个内容源路径上的影响系数越大，则该内容源路径对应的内容源路径重要性越高，因此，采用该方案能够准确确定出各个活动表达字段对应的内容源路径序列。

在Process104中，获取多个候选行为特征簇。

例如，在确定出参考行为表达网络中的各个活动表达字段关联的多个内容源路径的内容源路径序列之后，可以获取多个候选行为特征簇，得到候选行为特征簇中的候选活动表达字段对应的目标字段参数。其中，多个候选行为特征簇包括相同的候选用户行为活动和候选活动表达字段，以及包括对应不同内容源路径的字段参数。

在Process105中，从各个活动表达字段关联的多个内容源路径的内容源路径序列中，获取候选活动表达字段对应的不同内容源路径的内容源路径序列。

例如，在获取多个候选行为特征簇之后，基于候选行为特征簇涵盖的候选活动表达字段，从各个活动表达字段关联的多个内容源路径的内容源路径序列中，获取候选活动表达字段对应的不同内容源路径的内容源路径序列。

在Process106中，依据候选活动表达字段对应的不同内容源路径的内容源路径序列，得到候选活动表达字段的各个字段参数的最大影响力的内容源路径，并基于最大影响力的内容源路径的字段参数，得到为候选活动表达字段的目标字段参数。

例如，在获取到候选活动表达字段对应的不同内容源路径的内容源路径序列之后，由于存在多个候选行为特征簇，所以候选活动表达字段对应多个字段参数，而各个字段参数对应不同的内容源路径，因此，基于获得的该内容源路径序列，得到候选活动表达字段的多个字段参数对应的多个内容源路径中的最大影响力的内容源路径，并基于最大影响力的内容源路径的字段参数，得到为候选活动表达字段的目标字段参数。

例如，假设在参考行为表达网络中，活动表达字段1关联的多个内容源路径的内容源路径序列为内容源路径A>内容源路径B>内容源路径C；假设存在两个候选行为特征簇，分别是（电商用户行为活动1，活动表达字段1，字段参数1）和（电商用户行为活动1，活动表达字段1，字段参数2），字段参数1出自内容源路径A，字段参数2出自内容源路径C；获取活动表达字段1对应的内容源路径序列内容源路径A>内容源路径B>内容源路径C，基于该内容源路径序列，由于内容源路径A的重要性排序高于内容源路径C的重要性排序，那么，基于内容源路径A的字段参数1作为候选行为特征簇中的候选活动表达字段1的目标字段参数。

一些示例性的设计思路中，前述实施例中的Process106之后还可以包括Process107-Process111。下面对Process107-Process111进行说明。

在Process107中，将包括目标字段参数的候选行为特征簇作为第二目标行为特征簇。

例如，在确定出候选行为特征簇中的候选活动表达字段对应的目标字段参数之后，将包括目标字段参数的候选行为特征簇作为第二目标行为特征簇。

在Process108中，将第二目标行为特征簇作为新网络成员加载至参考行为表达网络，并与参考行为表达网络中涵盖的第三行为特征簇连接，生成第三行为表达网络。

例如，在得到第二目标行为特征簇之后，将第二目标行为特征簇作为新网络成员加载至参考行为表达网络中，并且，在参考行为表达网络中，将第二目标行为特征簇与第三行为特征簇相连，从而得到第三行为表达网络。其中，第三行为特征簇涵盖的用户行为活动与第二目标行为特征簇涵盖的用户行为活动匹配，或涵盖的活动表达字段的字段参数的内容源路径与第二目标行为特征簇涵盖的活动表达字段的字段参数的内容源路径匹配。

通过将候选行为特征簇对应的第二目标行为特征簇加入参考行为表达网络中，得到第三行为表达网络，可以对参考行为表达网络进行扩展，从而获得特征量更丰富的第三行为表达网络。

在Process109中，在未进行数据同步的条件下，得到第三行为表达网络中的多个行为特征簇、第一类成员连接关系以及第二类成员连接关系各自对应的影响系数。

例如，在得到第三行为表达网络之后，可以在未进行数据同步的条件下，得到第三行为表达网络中的多个行为特征簇对应的影响系数、第一类成员连接关系对应的影响系数、以及第二类成员连接关系对应的影响系数。其中，未进行数据同步的条件是未触发响应针对候选行为特征簇的内容推送进程的特定状态。相对应的，数据同步的条件是开始触发响应针对候选行为特征簇的内容推送进程的特定状态。

例如，第三行为表达网络中的、原属于参考行为表达网络的行为特征簇的影响系数，即为参考行为表达网络涵盖的对应的行为特征簇的影响系数，而第三行为表达网络中的、不属于参考行为表达网络的行为特征簇的影响系数，可以通过热点参数统计的方式确定出。

而第三行为表达网络中的第一类成员连接关系和第二类成员连接关系的影响系数的确定方式，与上文的Process1013中第一类成员连接关系与第二类成员连接关系的影响系数的确定方式相似，在此不再赘述。

其中，第一类成员连接关系是匹配第一匹配状态的每两个行为特征簇之间的成员连接关系，即，第一类成员连接关系连接的每两个行为特征簇涵盖的活动表达字段的字段参数的内容源路径匹配；第二类成员连接关系是匹配第三要求的每两个行为特征簇之间的成员连接关系，即，第二类成员连接关系连接的每两个行为特征簇涵盖的用户行为活动匹配。

在Process110中，在第三行为表达网络中加载多个行为特征簇、第一类成员连接关系以及第二类成员连接关系各自对应的影响系数，确定第三加载网络。

例如，在得到第三行为表达网络中的多个行为特征簇对应的影响系数、第一类成员连接关系对应的影响系数、以及第二类成员连接关系对应的影响系数之后，在第三行为表达网络中加载多个行为特征簇对应的影响系数、第一类成员连接关系对应的影响系数、以及第二类成员连接关系对应的影响系数，得到第三加载网络。

在Process111中，对第三加载网络进行遍历优化，依据生成的第三遍历优化信息，确定优化的参考行为表达网络。

例如，在得到第三加载网络之后，对第三加载网络进行遍历优化，输出第三遍历优化信息，第三遍历优化信息包括：各个行为特征簇的遍历优化后的影响系数。然后依据第三遍历优化信息，确定优化的参考行为表达网络。

其中，对第三加载网络进行遍历优化的方式与上文中Process1015中对第一加载网络进行遍历优化的方式类似，在此不再赘述。

基于以上步骤，本实施例可以不断迭代循环执行上述Process109-Process110，从而循环获得优化的参考行为表达网络。

一些实施例中，大数据***100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。

处理器110可以依据存储在机器可读存储介质120中的程序而执行各种适当的动作和处理，例如前述实施例所描述的采用人工智能分析的用户行为活动分析方法所相关的程序指令。处理器110、机器可读存储介质120以及通信单元140通过总线130进行信号传输。

特别地，依据本发明的实施例，上文示例性流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信单元140从网络上被下载和安装，在该计算机程序被处理器110执行时，执行本发明实施例的方法中限定的上述功能。

本发明又一实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上述任一实施例所述的采用人工智能分析的用户行为活动分析方法。

本发明又一实施例还提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上述任一实施例所述的采用人工智能分析的用户行为活动分析方法。

应该理解的是，虽然本发明实施例的流程图中通过箭头指示各个操作步骤，但是这些步骤的实施顺序并不受限于箭头所指示的顺序。除非本文中有明确的说明，否则在本发明实施例的一些实施场景中，各流程图中的实施步骤可以依据需求以其它的顺序执行。此外，各流程图中的部分或全部步骤依据实际的实施场景，可以包括若干子步骤或者若干阶段。这些子步骤或者阶段中的部分或全部可以在同一时刻被执行，这些子步骤或者阶段中的各个子步骤或者阶段也可以分别在不同的时刻被执行。在执行时刻不同的场景下，这些子步骤或者阶段的执行顺序可以依据需求灵活配置，本发明实施例对此不限制。

以上所述仅是本发明部分实施场景的可选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明的方案技术构思的前提下，依据依据本发明技术思想的其它类似实施手段，同样属于本发明实施例的保护范畴。

Claims (9)

1.一种采用人工智能分析的用户行为活动分析方法，其特征在于，应用于大数据***，所述方法包括：

基于参考行为表达网络对候选用户进行用户行为活动分析，获得所述候选用户对应的候选行为特征簇中的各个候选活动表达字段的目标字段参数，并基于所述各个候选活动表达字段的目标字段参数向所述候选用户进行内容推送，所述参考行为表达网络采用知识图谱结构，包括多个行为特征簇以及对应的影响系数，各个所述行为特征簇包括用户行为活动、活动表达字段和字段参数，所述候选行为特征簇包括相同的候选用户行为活动和候选活动表达字段，以及包括对应不同内容源路径的字段参数；

获取所述候选用户针对内容推送结果的观点反馈数据，生成所述内容推送结果的推送效果画像；

所述基于参考行为表达网络对候选用户进行用户行为活动分析，获得所述候选用户对应的候选行为特征簇中的各个候选活动表达字段的目标字段参数，并基于所述各个候选活动表达字段的目标字段参数向所述候选用户进行内容推送的步骤，包括：

获取参考行为表达网络；

依据各个所述行为特征簇的影响系数，得到各个所述活动表达字段各自在关联的多个内容源路径上的影响系数，各个所述活动表达字段关联的多个内容源路径是所述活动表达字段的不同所述字段参数的内容源路径；

依据各个所述活动表达字段在关联的多个内容源路径上的影响系数，得到各个所述活动表达字段关联的多个内容源路径的内容源路径序列；

获取候选用户的多个候选行为特征簇；

从各个所述活动表达字段关联的多个内容源路径的内容源路径序列中，获取所述候选活动表达字段对应的不同内容源路径的内容源路径序列；

依据所述候选活动表达字段对应的不同内容源路径的内容源路径序列，得到所述候选活动表达字段的各个所述字段参数的最大影响力的内容源路径，并基于所述最大影响力的内容源路径的所述字段参数，得到为所述候选活动表达字段的目标字段参数，并基于各个所述候选活动表达字段的目标字段参数向所述候选用户进行内容推送；

其中，所述获取参考行为表达网络的步骤，具体包括：

从模板用户行为数据中获取多个模板行为特征簇；

通过下述步骤配置基础行为表达网络：

生成与所述多个模板行为特征簇各自对应的网络成员；

在匹配第一匹配状态的每两个所述模板行为特征簇之间，确定所述基础行为表达网络中的第一类成员连接关系，所述第一匹配状态为每两个所述模板行为特征簇涵盖的模板活动表达字段的字段参数的内容源路径匹配；

在匹配第二匹配状态的每两个所述模板行为特征簇之间，确定所述基础行为表达网络中的第二类成员连接关系，所述第二匹配状态为每两个所述模板行为特征簇涵盖的模板用户行为活动和模板活动表达字段匹配；

确定所述多个模板行为特征簇对应的影响系数，并确定所述第一类成员连接关系以及所述第二类成员连接关系各自对应的影响系数；

在所述基础行为表达网络中加载所述多个模板行为特征簇、所述第一类成员连接关系以及所述第二类成员连接关系各自对应的影响系数，确定第一加载网络；

对所述第一加载网络进行遍历优化，依据生成的第一遍历优化信息生成所述参考行为表达网络，所述第一遍历优化信息包括：各个所述模板行为特征簇的遍历优化后的影响系数。

2.根据权利要求1所述的采用人工智能分析的用户行为活动分析方法，其特征在于，所述确定所述多个模板行为特征簇对应的影响系数的步骤，具体包括：

将所述多个模板行为特征簇中的热点行为特征簇的影响系数作为第一影响系数，所述热点行为特征簇的影响系数是热点参数统计的影响系数，并且所述第一影响系数包含于第一影响系数区间，所述第一影响系数区间为由第一门限值和第二门限值构成的门限值封闭区间，并且所述第一门限值小于所述第二门限值；

将所述多个模板行为特征簇中的非热点行为特征簇的影响系数作为第二影响系数，所述非热点行为特征簇的影响系数是热点参数统计的影响系数，并且所述第二影响系数的系数值为所述第一影响系数区间的区间中间系数值。

3.根据权利要求2所述的采用人工智能分析的用户行为活动分析方法，其特征在于，所述将所述多个模板行为特征簇中的热点行为特征簇的影响系数作为第一影响系数的步骤，具体包括：

确定所述基础行为表达网络中的第一目标量级的模板行为特征簇的影响系数；

确定所述基础行为表达网络中的所述第一类成员连接关系和所述第二类成员连接关系各自对应的影响系数；其中，所述第一类成员连接关系是匹配所述第一匹配状态的每两个所述模板行为特征簇之间的成员连接关系；所述第二类成员连接关系是匹配所述第二匹配状态的每两个所述模板行为特征簇之间的成员连接关系；

在所述基础行为表达网络中加载所述第一目标量级的模板行为特征簇、所述第一类成员连接关系以及所述第二类成员连接关系各自对应的影响系数，确定第二加载网络；

依据所述第二加载网络中的所述第一目标量级的模板行为特征簇、所述第一类成员连接关系以及所述第二类成员连接关系各自对应的影响系数，对所述第二加载网络中的各个所述模板行为特征簇的影响系数进行遍历优化，输出第二遍历优化信息，所述第二遍历优化信息包括：各个所述模板行为特征簇的遍历优化后的影响系数；

将所述遍历优化后的影响系数大于设定影响系数的所述模板行为特征簇作为热点行为特征簇；

将所述热点行为特征簇的影响系数作为第一影响系数。

4.根据权利要求2所述的采用人工智能分析的用户行为活动分析方法，其特征在于，在所述将所述多个模板行为特征簇中的热点行为特征簇的影响系数作为第一影响系数之前，所述方法还包括：

将在所述基础行为表达网络中的触发频次大于设定频次的模板用户行为活动，得到为热点用户行为活动；

从包括各个所述热点用户行为活动的所述多个模板行为特征簇中，获取一个所述模板行为特征簇，并将获取的所述模板行为特征簇作为所述热点用户行为活动对应的热点行为特征簇；

获取各个所述热点行为特征簇对应的多个热点影响系数，并将所述多个热点影响系数的均值影响系数作为所述热点行为特征簇对应的影响系数。

5.根据权利要求2所述的采用人工智能分析的用户行为活动分析方法，其特征在于，所述确定所述第一类成员连接关系以及所述第二类成员连接关系各自对应的影响系数的步骤，具体包括：

将匹配所述第一匹配状态的每两个所述模板行为特征簇之间的所述第一类成员连接关系的影响系数，得到为第三影响系数，所述第三影响系数包含于第二影响系数区间，所述第二影响系数区间为由所述第二影响系数和所述第二门限值构成的门限值开放区间，并且所述第二影响系数小于所述第二门限值；

依据启发式全局优化算法，得到匹配所述第二匹配状态的每两个所述模板行为特征簇之间的所述第二类成员连接关系的影响系数；

所述依据启发式全局优化算法，得到匹配所述第二匹配状态的每两个所述模板行为特征簇之间的所述第二类成员连接关系的影响系数的步骤，具体包括：

在每两个所述模板行为特征簇涵盖的所述模板活动表达字段为类别型模板活动表达字段的条件下，基于第一策略确定每两个所述模板行为特征簇之间的所述第二类成员连接关系的影响系数；

在每两个所述模板行为特征簇涵盖的所述模板活动表达字段为数值型模板活动表达字段的条件下，基于第二策略确定每两个所述模板行为特征簇之间的所述第二类成员连接关系的影响系数；

其中，所述基于第一策略确定每两个所述模板行为特征簇之间的所述第二类成员连接关系的影响系数的步骤，具体包括：

确定每两个所述模板行为特征簇涵盖的两个模板活动表达字段的字段参数之间的第一关联性代价值、以及两个所述模板活动表达字段的字段参数之间的热点最大覆盖率；

确定所述第一关联性代价值与第三门限值的乘积，并确定所述乘积与所述热点最大覆盖率的比值，所述第三门限值大于所述第二门限值，将1减去所述比值生成的差值，得到为每两个所述模板行为特征簇之间的第二关联性代价值；

将每两个所述模板行为特征簇之间的所述第二关联性代价值，得到为每两个所述模板行为特征簇之间的所述第二类成员连接关系的影响系数；

所述基于第二策略确定每两个所述模板行为特征簇之间的所述第二类成员连接关系的影响系数的步骤，具体包括：

在每两个所述模板行为特征簇涵盖的两个模板活动表达字段的字段参数匹配的条件下，得到每两个所述模板行为特征簇之间的所述第二类成员连接关系的影响系数为第四影响系数，所述第四影响系数的系数值为所述第二门限值；

在每两个所述模板行为特征簇涵盖的两个所述模板活动表达字段的字段参数不匹配的条件下，得到每两个所述模板行为特征簇之间的所述第二类成员连接关系的影响系数为第五影响系数，所述第五影响系数的系数值为所述第一门限值。

6.根据权利要求1所述的采用人工智能分析的用户行为活动分析方法，其特征在于，所述对所述第一加载网络进行遍历优化的步骤，具体包括：

在每次遍历优化时基于下述步骤，得到各个所述模板行为特征簇的遍历优化后的影响系数：

确定所述模板行为特征簇在所述第一加载网络中对应的多个连通模板行为特征簇，并确定各个所述连通模板行为特征簇对应的影响系数乘积；其中，各个所述连通模板行为特征簇对应的影响系数乘积是对以下元素进行相乘得到：所述连通模板行为特征簇的影响系数，所述连通模板行为特征簇与所述模板行为特征簇之间的成员连接关系的影响系数；在所述连通模板行为特征簇与所述模板行为特征簇匹配所述第一匹配状态的条件下，所述成员连接关系的影响系数为所述第一类成员连接关系对应的影响系数，在所述连通模板行为特征簇与所述模板行为特征簇匹配所述第二匹配状态的条件下，所述成员连接关系的影响系数为所述第二类成员连接关系对应的影响系数；

将多个所述连通模板行为特征簇对应的影响系数乘积的相加值，得到为所述模板行为特征簇的遍历优化后的影响系数。

7.根据权利要求1所述的采用人工智能分析的用户行为活动分析方法，其特征在于，所述依据生成的第一遍历优化信息，确定所述参考行为表达网络的步骤，具体包括：

在包括相同的模板用户行为活动和模板活动表达字段的所述多个模板行为特征簇中，将遍历优化后的影响系数最大的所述模板行为特征簇，得到为所述模板用户行为活动对应的第一目标行为特征簇；

依据所述第一加载网络涵盖的各个所述模板用户行为活动对应的所述第一目标行为特征簇、以及各个所述第一目标行为特征簇对应的影响系数，确定所述参考行为表达网络。

8.根据权利要求1所述的采用人工智能分析的用户行为活动分析方法，其特征在于，所述依据各个所述行为特征簇的影响系数，得到各个所述活动表达字段各自在关联的多个内容源路径上的影响系数的步骤，具体包括：

游走所述活动表达字段，并游走当前游走到的所述活动表达字段关联的各个内容源路径，进行下述操作：

确定所述参考行为表达网络中的第一行为特征簇，所述第一行为特征簇包括当前游走到的所述活动表达字段；

确定第二行为特征簇，并确定所述第二行为特征簇的第二目标量级，所述第二行为特征簇包括当前游走到的所述活动表达字段，并且对应的字段参数出自当前游走到的所述内容源路径；

将各个所述第二行为特征簇的影响系数之和与所述第二目标量级的比值，得到为当前游走到的所述活动表达字段在当前游走到的所述内容源路径上的影响系数；

所述依据各个所述活动表达字段在关联的多个内容源路径上的影响系数，得到各个所述活动表达字段关联的多个内容源路径的内容源路径序列的步骤，具体包括：

针对各个所述活动表达字段进行下述操作：

针对所述活动表达字段关联的多个内容源路径，得到所述活动表达字段在各个所述内容源路径上的影响系数；

对所述活动表达字段在所述多个内容源路径上的影响系数进行基于从大到小的顺序整理，输出所述活动表达字段在所述多个内容源路径上的内容源路径序列；

在所述基于所述最大影响力的内容源路径的所述字段参数，得到为所述候选活动表达字段的目标字段参数之后，所述方法还包括：

将包括所述目标字段参数的所述候选行为特征簇作为第二目标行为特征簇；

将所述第二目标行为特征簇作为新网络成员加载至所述参考行为表达网络，并与所述参考行为表达网络中涵盖的第三行为特征簇连接，生成第三行为表达网络；其中，所述第三行为特征簇涵盖的用户行为活动与所述第二目标行为特征簇涵盖的用户行为活动匹配，或涵盖的活动表达字段的字段参数的内容源路径与所述第二目标行为特征簇涵盖的活动表达字段的字段参数的内容源路径匹配；

在所述生成第三行为表达网络之后，所述方法还包括：

在未进行数据同步的条件下，得到所述第三行为表达网络中的多个行为特征簇、第一类成员连接关系以及第二类成员连接关系各自对应的影响系数，所述未进行数据同步的条件是未触发响应针对所述候选行为特征簇的内容推送进程的特定状态；其中，所述第一类成员连接关系是匹配第一匹配状态的每两个所述行为特征簇之间的成员连接关系，所述第一匹配状态为每两个所述行为特征簇涵盖的活动表达字段的字段参数的内容源路径匹配；所述第二类成员连接关系是匹配第三要求的每两个所述行为特征簇之间的成员连接关系，所述第三要求为每两个所述行为特征簇涵盖的用户行为活动匹配；

在所述第三行为表达网络中加载所述多个行为特征簇、所述第一类成员连接关系以及所述第二类成员连接关系各自对应的影响系数，确定第三加载网络；

对所述第三加载网络进行遍历优化，依据生成的第三遍历优化信息，确定优化的所述参考行为表达网络，所述第三遍历优化信息包括：各个所述行为特征簇的遍历优化后的影响系数。

9.一种大数据***，其特征在于，所述大数据***包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线***相关联，所述网络接口用于与多个云端业务服务器通信连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以执行权利要求1-8中任意一项的采用人工智能分析的用户行为活动分析方法。

Images