CN115718846B - 用于智能化交互网络的大数据挖掘方法及*** - Google Patents
用于智能化交互网络的大数据挖掘方法及*** Download PDFInfo
- Publication number
- CN115718846B CN115718846B CN202211653618.9A CN202211653618A CN115718846B CN 115718846 B CN115718846 B CN 115718846B CN 202211653618 A CN202211653618 A CN 202211653618A CN 115718846 B CN115718846 B CN 115718846B
- Authority
- CN
- China
- Prior art keywords
- behavior
- data
- network
- representation
- key
- 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.)
- Active
Links
- 238000007418 data mining Methods 0.000 title claims abstract description 271
- 230000003993 interaction Effects 0.000 title claims abstract description 268
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012512 characterization method Methods 0.000 claims abstract description 141
- 230000006399 behavior Effects 0.000 claims description 818
- 238000006243 chemical reaction Methods 0.000 claims description 40
- 238000013528 artificial neural network Methods 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 25
- 238000004220 aggregation Methods 0.000 claims description 23
- 230000002776 aggregation Effects 0.000 claims description 23
- 238000013075 data extraction Methods 0.000 claims description 20
- 238000005065 mining Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims 4
- 230000003542 behavioural effect Effects 0.000 description 21
- 238000004364 calculation method Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 7
- 230000004927 fusion Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供的用于智能化交互网络的大数据挖掘方法及***,涉及大数据技术领域。在本发明中,提取到目标网络用户对应的网络交互行为数据集合,网络交互行为数据集合包括多条历史网络交互行为数据,每一条历史网络交互行为数据用于反映目标网络用户的一个历史网络交互行为;基于网络交互行为数据集合包括的历史网络交互行为数据在多个行为层面具有的特征信息,确定出网络交互行为数据集合对应的多层面行为表征关键数据,多个行为层面至少包括两个行为层面;基于多层面行为表征关键数据分析输出目标网络用户对应的目标网络行为意图数据。基于前述的内容,可以在一定程度上提高大数据挖掘的可靠度。
Description
技术领域
本发明涉及大数据技术领域,具体而言,涉及一种用于智能化交互网络的大数据挖掘方法及***。
背景技术
在互联网技术的成熟的条件下,互联网的应用非常多,因此,会产生大量的互联网行为,其中,通过对大量的互联网行为进行行为分析,可以分析出对应用户具有的一些意图数据,使得可以基于这些意图数据进行各种用户层面的应用,如用户关联、信息推送等。但是,在现有技术中,在对用户行为进行分析时,存在着可靠度不高的问题。
发明内容
有鉴于此,本发明的目的在于提供一种用于智能化交互网络的大数据挖掘方法及***,以在一定程度上提高大数据挖掘的可靠度。
为实现上述目的,本发明实施例采用如下技术方案:
一种用于智能化交互网络的大数据挖掘方法,包括:
提取到目标网络用户对应的网络交互行为数据集合,所述网络交互行为数据集合包括多条历史网络交互行为数据,每一条所述历史网络交互行为数据用于反映所述目标网络用户的一个历史网络交互行为;
基于所述网络交互行为数据集合包括的历史网络交互行为数据在多个行为层面具有的特征信息,确定出所述网络交互行为数据集合对应的多层面行为表征关键数据,所述多个行为层面至少包括两个行为层面;
基于所述多层面行为表征关键数据分析输出所述目标网络用户对应的目标网络行为意图数据,所述目标网络行为意图数据用于反映行为意图。
在一些优选的实施例中,在上述用于智能化交互网络的大数据挖掘方法中,所述基于所述网络交互行为数据集合包括的历史网络交互行为数据在多个行为层面具有的特征信息,确定出所述网络交互行为数据集合对应的多层面行为表征关键数据的步骤,包括:
挖掘出所述网络交互行为数据集合在多个不一样的行为层面上具有的行为表征数据挖掘结果;
分别将每一个行为层面上具有的行为表征数据挖掘结果进行关键数据转换操作,以输出所述网络交互行为数据集合在多个不一样的行为层面具有的第一关键行为表征数据挖掘结果;
对所述多个不一样的行为层面具有的行为表征数据挖掘结果进行结果聚合操作,以输出对应的多层面行为表征数据挖掘结果;
依据所述多层面行为表征数据挖掘结果,分别对每一个行为层面对应的第一关键行为表征数据挖掘结果进行更新,以形成所述网络交互行为数据集合的多个不一样的行为层面对应的第二关键行为表征数据挖掘结果;
将所述多个不一样的行为层面对应的第二关键行为表征数据挖掘结果和所述多层面行为表征数据挖掘结果进行挖掘结果还原操作,以输出所述网络交互行为数据集合对应的多层面行为表征关键数据。
在一些优选的实施例中,在上述用于智能化交互网络的大数据挖掘方法中,所述网络交互行为数据集合包括至少一个网络交互行为数据序列;
所述挖掘出所述网络交互行为数据集合在多个不一样的行为层面上具有的行为表征数据挖掘结果的步骤,包括:
提取到所述网络交互行为数据集合包括的至少一个网络交互行为数据序列在多个不一样的行为层面上具有的行为表征数据;
将所述网络交互行为数据序列在多个不一样的行为层面上具有的行为表征数据进行数据挖掘操作,以形成所述网络交互行为数据序列在多个不一样的行为层面上具有的第一行为表征数据挖掘结果;
将所述网络交互行为数据序列在多个不一样的行为层面上具有的第一行为表征数据挖掘结果进行参数区间映射操作,以形成所述网络交互行为数据集合的至少一个网络交互行为数据序列在多个不一样的行为层面上具有的行为表征数据挖掘结果。
在一些优选的实施例中,在上述用于智能化交互网络的大数据挖掘方法中,所述分别将每一个行为层面上具有的行为表征数据挖掘结果进行关键数据转换操作,以输出所述网络交互行为数据集合在多个不一样的行为层面具有的第一关键行为表征数据挖掘结果的步骤,包括:
对每一个行为层面上具有的行为表征数据挖掘结果转换至目标关键行为表征数据空间,以形成每一个行为层面上具有的行为表征数据挖掘结果在所述目标关键行为表征数据空间中的行为表征数据转换结果;
基于每一个行为层面上具有的行为表征数据挖掘结果在所述目标关键行为表征数据空间中的行为表征数据转换结果,分析输出每一个行为表征数据挖掘结果对应的可能性系数预测结果;
基于每一个所述行为表征数据挖掘结果对应的可能性系数预测结果,形成所述网络交互行为数据集合在多个不一样的行为层面具有的第一关键行为表征数据挖掘结果。
在一些优选的实施例中,在上述用于智能化交互网络的大数据挖掘方法中,所述对所述多个不一样的行为层面具有的行为表征数据挖掘结果进行结果聚合操作,以输出对应的多层面行为表征数据挖掘结果的步骤,包括:
分别将所述多个不一样的行为层面具有的行为表征数据挖掘结果进行滤波处理,以输出每一个行为层面具有的行为表征数据挖掘结果对应的滤波处理参数;
将每一个行为层面具有的行为表征数据挖掘结果对应的滤波处理参数进行关联性聚焦特征分析,以输出每一个行为层面具有的行为表征数据挖掘结果对应的关联性聚焦特征分析结果;
对每一个行为层面具有的行为表征数据挖掘结果对应的关联性聚焦特征分析结果进行结果聚合操作,以形成对应的聚焦特征分析聚合结果;
对所述聚焦特征分析聚合结果进行结果特征整合处理,以输出对应的多层面行为表征数据挖掘结果。
在一些优选的实施例中,在上述用于智能化交互网络的大数据挖掘方法中,通过目标行为表征关键数据提取神经网络,执行以下步骤:
所述挖掘出所述网络交互行为数据集合在多个不一样的行为层面上具有的行为表征数据挖掘结果的步骤;所述分别将每一个行为层面上具有的行为表征数据挖掘结果进行关键数据转换操作,以输出所述网络交互行为数据集合在多个不一样的行为层面具有的第一关键行为表征数据挖掘结果的步骤;所述对所述多个不一样的行为层面具有的行为表征数据挖掘结果进行结果聚合操作,以输出对应的多层面行为表征数据挖掘结果的步骤;所述依据所述多层面行为表征数据挖掘结果,分别对每一个行为层面对应的第一关键行为表征数据挖掘结果进行更新,以形成所述网络交互行为数据集合的多个不一样的行为层面对应的第二关键行为表征数据挖掘结果的步骤;所述将所述多个不一样的行为层面对应的第二关键行为表征数据挖掘结果和所述多层面行为表征数据挖掘结果进行挖掘结果还原操作,以输出所述网络交互行为数据集合对应的多层面行为表征关键数据的步骤;
所述目标行为表征关键数据提取神经网络基于初始行为表征关键数据提取神经网络进行网络优化形成,该网络优化的过程包括:
提取到预先搭建的初始行为表征关键数据提取神经网络和典型网络交互行为数据集合在多个不一样的行为层面上具有的行为表征数据;通过所述初始行为表征关键数据提取神经网络,对所述典型网络交互行为数据集合在多个不一样的行为层面上具有的行为表征数据进行数据分析,以输出所述典型网络交互行为数据集合在多个不一样的行为层面上具有的行为表征数据挖掘结果和所述典型网络交互行为数据集合对应的多层面行为表征关键数据;基于所述典型网络交互行为数据集合在多个不一样的行为层面上具有的行为表征数据挖掘结果和所述典型网络交互行为数据集合对应的多层面行为表征关键数据,对比分析出对应的行为数据学习误差值;基于所述行为数据学习误差值,对所述初始行为表征关键数据提取神经网络进行网络优化,以形成对应的目标行为表征关键数据提取神经网络。
在一些优选的实施例中,在上述用于智能化交互网络的大数据挖掘方法中,所述基于所述典型网络交互行为数据集合在多个不一样的行为层面上具有的行为表征数据挖掘结果和所述典型网络交互行为数据集合对应的多层面行为表征关键数据,对比分析出对应的行为数据学习误差值的步骤,包括:
基于所述典型网络交互行为数据集合在多个不一样的行为层面上具有的行为表征数据挖掘结果,分析出对应的行为表征数据挖掘误差;
基于所述典型网络交互行为数据集合在多个不一样的行为层面上具有的行为表征数据挖掘结果和所述多层面行为表征关键数据,对比分析出对应的行为表征关键数据转换误差;
基于所述多层面行为表征关键数据,分析出对应的多层面学习误差;
基于所述行为表征数据挖掘误差、所述行为表征关键数据转换误差和所述多层面学习误差,分析输出对应的行为数据学习误差值。
在一些优选的实施例中,在上述用于智能化交互网络的大数据挖掘方法中,所述提取到目标网络用户对应的网络交互行为数据集合的步骤,包括:
提取到目标网络用户对应的初始网络交互行为数据集合,所述初始网络交互行为数据集合包括多条初始历史网络交互行为数据,每一条初始历史网络交互行为数据用于反映目标网络用户的一个历史网络交互行为;
分别对所述初始网络交互行为数据集合包括的每一条初始历史网络交互行为数据进行行为有效性筛选处理,以筛选出有效的每一条初始历史网络交互行为数据作为所述目标网络用户对应的网络交互行为数据;
基于筛选出的所述目标网络用户对应的网络交互行为数据,构建出所述目标网络用户对应的网络交互行为数据集合。
在一些优选的实施例中,在上述用于智能化交互网络的大数据挖掘方法中,所述基于所述多层面行为表征关键数据分析输出所述目标网络用户对应的目标网络行为意图数据的步骤,包括:
分别计算所述多层面行为表征关键数据和预先配置的多条参考行为表征关键数据之间的数据匹配度,以及,将计算出的多个数据匹配度中具有最大值的数据匹配度对应的参考行为表征关键数据作为所述多层面行为表征关键数据对应的第一参考行为表征关键数据;
将预先为所述第一参考行为表征关键数据配置的参考网络行为意图数据,标记为所述目标网络用户对应的目标网络行为意图数据。
本发明实施例还提供一种用于智能化交互网络的大数据挖掘***,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现上述的用于智能化交互网络的大数据挖掘方法。
本发明实施例提供的一种用于智能化交互网络的大数据挖掘方法及***,提取到目标网络用户对应的网络交互行为数据集合,网络交互行为数据集合包括多条历史网络交互行为数据,每一条历史网络交互行为数据用于反映目标网络用户的一个历史网络交互行为;基于网络交互行为数据集合包括的历史网络交互行为数据在多个行为层面具有的特征信息,确定出网络交互行为数据集合对应的多层面行为表征关键数据,多个行为层面至少包括两个行为层面;基于多层面行为表征关键数据分析输出目标网络用户对应的目标网络行为意图数据。基于此,由于是先基于多个行为层面具有的特征信息分析出对应的多层面行为表征关键数据,使得基于多层面行为表征关键数据分析输出目标网络行为意图数据的可靠度更高,即在一定程度上提高大数据挖掘的可靠度,从而改善现有技术中的不足。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
图1为本发明实施例提供的用于智能化交互网络的大数据挖掘***的结构框图。
图2为本发明实施例提供的用于智能化交互网络的大数据挖掘方法包括的各步骤的流程示意图。
图3为本发明实施例提供的用于智能化交互网络的大数据挖掘装置包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例只是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供了一种用于智能化交互网络的大数据挖掘***。其中,所述用于智能化交互网络的大数据挖掘***可以包括存储器和处理器。
详细地,所述存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,相互之间可通过一条或多条通讯总线(如图1中示出的黑色宽线段)或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件(firmware)的形式,存在的软件功能模块。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序,从而实现本发明实施例提供的用于智能化交互网络的大数据挖掘方法。
可以理解的是,在一些实施方式中,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable ProgrammableRead-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable ProgrammableRead-Only Memory,EEPROM)等。所述处理器可以是一种通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、片上***(System on Chip,SoC)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解的是,在一些实施方式中,所述用于智能化交互网络的大数据挖掘***可以是一种具备数据处理能力的服务器。
结合图2,本发明实施例还提供一种用于智能化交互网络的大数据挖掘方法,可应用于上述用于智能化交互网络的大数据挖掘***。其中,所述用于智能化交互网络的大数据挖掘方法有关的流程所定义的方法步骤,可以由所述用于智能化交互网络的大数据挖掘***实现。
下面将对图2所示的具体流程,进行详细阐述。
步骤S110,提取到目标网络用户对应的网络交互行为数据集合。
在本发明实施例中,所述用于智能化交互网络的大数据挖掘***可以提取到目标网络用户对应的网络交互行为数据集合。所述网络交互行为数据集合包括多条历史网络交互行为数据,每一条所述历史网络交互行为数据用于反映所述目标网络用户的一个历史网络交互行为。
步骤S120,基于所述网络交互行为数据集合包括的历史网络交互行为数据在多个行为层面具有的特征信息,确定出所述网络交互行为数据集合对应的多层面行为表征关键数据。
在本发明实施例中,所述用于智能化交互网络的大数据挖掘***可以基于所述网络交互行为数据集合包括的历史网络交互行为数据在多个行为层面具有的特征信息,确定出所述网络交互行为数据集合对应的多层面行为表征关键数据。所述多个行为层面至少包括两个行为层面。
步骤S130,基于所述多层面行为表征关键数据分析输出所述目标网络用户对应的目标网络行为意图数据。
在本发明实施例中,所述用于智能化交互网络的大数据挖掘***可以基于所述多层面行为表征关键数据分析输出所述目标网络用户对应的目标网络行为意图数据。所述目标网络行为意图数据用于反映行为意图。
基于上述方法,由于是先基于多个行为层面具有的特征信息分析出对应的多层面行为表征关键数据,使得基于多层面行为表征关键数据分析输出目标网络行为意图数据的可靠度更高,即在一定程度上提高大数据挖掘的可靠度,从而改善现有技术中的不足。
可以理解的是,在一些实施方式中,对于上述的步骤S110,在具体的执行过程中,可以执行包括的以下的子步骤:
提取到目标网络用户对应的初始网络交互行为数据集合,所述初始网络交互行为数据集合包括多条初始历史网络交互行为数据,每一条初始历史网络交互行为数据用于反映目标网络用户的一个历史网络交互行为;
分别对所述初始网络交互行为数据集合包括的每一条初始历史网络交互行为数据进行行为有效性筛选处理,以筛选出有效的每一条初始历史网络交互行为数据作为所述目标网络用户对应的网络交互行为数据(所述有效性筛选处理的具体方式不受限制,例如,可以不同的应用场景可以有不同的筛选规则,示例性地,可以基于行为的持续时间进行筛选,如将持续时间过短的筛除,或者,也可以基于行为对象进行筛选);
基于筛选出的所述目标网络用户对应的网络交互行为数据,构建出所述目标网络用户对应的网络交互行为数据集合。
可以理解的是,在一些实施方式中,对于上述的步骤S120,在具体的执行过程中,可以执行包括的以下的子步骤:
挖掘出所述网络交互行为数据集合在多个不一样的行为层面上具有的行为表征数据挖掘结果(示例性地,对于所述网络交互行为数据集合中的每一条网络交互行为数据,可以基于该网络交互行为数据的行为动作和行为对象,对该网络交互行为数据进行至少一次关联扩展,以形成该网络交互行为数据对应的至少一条关联扩展网络交互行为数据,如此,该网络交互行为数据本身可以作为一个行为层面的行为表征数据,该网络交互行为数据对应的关联扩展网络交互行为数据可以作为另一个行为层面的行为表征数据,然后,对行为表征数据进行数据挖掘处理,以形成所述网络交互行为数据集合在多个不一样的行为层面上具有的行为表征数据挖掘结果;其中,关联扩展可以是指,保持行为对象不变,但是行为动作可以结合历史数据进行关联扩展,如观看电视剧,扩展为评论电视剧等);
分别将每一个行为层面上具有的行为表征数据挖掘结果进行关键数据转换操作,以输出所述网络交互行为数据集合在多个不一样的行为层面具有的第一关键行为表征数据挖掘结果(示例性地,所述关键数据转换操作可以是指,对所述行为表征数据挖掘结果进行关键数据的挖掘,以得到更深层次的关键数据,作为后续分析的依据);
对所述多个不一样的行为层面具有的行为表征数据挖掘结果进行结果聚合操作,以输出对应的多层面行为表征数据挖掘结果(也就是说,为了便于从整体上多层面来表征所述网络交互行为数据集合具有的行为信息,可以对多个行为表征数据挖掘结果进行结果聚合操作);
依据所述多层面行为表征数据挖掘结果,分别对每一个行为层面对应的第一关键行为表征数据挖掘结果进行更新,以形成所述网络交互行为数据集合的多个不一样的行为层面对应的第二关键行为表征数据挖掘结果(示例性地,基于所述多层面行为表征数据挖掘结果对每一个行为层面对应的第一关键行为表征数据挖掘结果进行更新,可以指利用所述多层面行为表征数据挖掘结果,对每一个行为层面对应的第一关键行为表征数据挖掘结果进行优化,从而提高所述第二关键行为表征数据挖掘结果的代表能力,使得每一个行为层面对应的第二关键行为表征数据挖掘结果可以更加可靠地代表所述网络交互行为数据集合的行为信息);
将所述多个不一样的行为层面对应的第二关键行为表征数据挖掘结果和所述多层面行为表征数据挖掘结果进行挖掘结果还原操作,以输出所述网络交互行为数据集合对应的多层面行为表征关键数据(所述多层面行为表征关键数据可以理解为所述网络交互行为数据集合的整体代表数据)。
可以理解的是,在一些实施方式中,所述网络交互行为数据集合可以包括至少一个网络交互行为数据序列,示例性地,可以将一个时间周期内的全部网络交互行为数据按照对应的时间进行排序,以形成对应的一个网络交互行为数据序列,该时间周期可以为一天,基于此,对于所述挖掘出所述网络交互行为数据集合在多个不一样的行为层面上具有的行为表征数据挖掘结果的步骤,在具体的执行过程中,可以执行包括的以下的子步骤:
提取到所述网络交互行为数据集合包括的至少一个网络交互行为数据序列在多个不一样的行为层面上具有的行为表征数据(参照前文的相关描述,其中,每一个网络交互行为数据序列,都可以提取到在多个不一样的行为层面上具有的行为表征数据);
将所述网络交互行为数据序列在多个不一样的行为层面上具有的行为表征数据进行数据挖掘操作(所述数据挖掘操作,可以理解为对所述行为表征数据进行特征(即关键数据)的挖掘),以形成所述网络交互行为数据序列在多个不一样的行为层面上具有的第一行为表征数据挖掘结果;
将所述网络交互行为数据序列在多个不一样的行为层面上具有的第一行为表征数据挖掘结果进行参数区间映射操作(如映射至0-1),以形成所述网络交互行为数据集合的至少一个网络交互行为数据序列在多个不一样的行为层面上具有的行为表征数据挖掘结果(然后,可以对所述至少一个网络交互行为数据序列在多个不一样的行为层面上具有的行为表征数据挖掘结果进行聚合,如拼接,以形成所述网络交互行为数据集合在多个不一样的行为层面上具有的行为表征数据挖掘结果)。
可以理解的是,在一些实施方式中,对于所述分别将每一个行为层面上具有的行为表征数据挖掘结果进行关键数据转换操作,以输出所述网络交互行为数据集合在多个不一样的行为层面具有的第一关键行为表征数据挖掘结果的步骤,在具体的执行过程中,可以执行包括的以下的子步骤:
对每一个行为层面上具有的行为表征数据挖掘结果转换至目标关键行为表征数据空间,以形成每一个行为层面上具有的行为表征数据挖掘结果在所述目标关键行为表征数据空间中的行为表征数据转换结果(示例性地,所述目标关键行为表征数据空间是一个预先进行参数优化得到的特征关系,能够反映出所述行为表征数据挖掘结果和所述第一关键行为表征数据挖掘结果之间的对应转换关系,其中,可以利用所述目标关键行为表征数据空间对应的对应转换矩阵将每个行为层面上行为表征数据挖掘结对应转换到目标关键行为表征数据空间中,形成每一个行为层面上具有的行为表征数据挖掘结果在所述目标关键行为表征数据空间中的行为表征数据转换结果,举例来说,可以利用所述对应转换矩阵和每一个行为层面上具有的行为表征数据挖掘结果进行相乘,得到每一个行为层面上的行为表征数据挖掘结果在所述目标关键行为表征数据空间中的行为表征数据转换结果);
基于每一个行为层面上具有的行为表征数据挖掘结果在所述目标关键行为表征数据空间中的行为表征数据转换结果,分析输出每一个行为表征数据挖掘结果对应的可能性系数预测结果(示例性地,可以通过分类函数,如softmax,基于每一个行为层面上的行为表征数据挖掘结果在目标关键行为表征数据空间中的行为表征数据转换结果,分析输出每一个行为表征数据挖掘结果对应的可能性系数预测结果);
基于每一个所述行为表征数据挖掘结果对应的可能性系数预测结果,形成所述网络交互行为数据集合在多个不一样的行为层面具有的第一关键行为表征数据挖掘结果(示例性地,可以基于每一个行为表征数据挖掘结果的可能性系数预测结果,确定网络交互行为数据集合在多个不一样的行为层面的第一关键行为表征数据挖掘结果,所述行为表征数据挖掘结果的可能性系数预测结果可以反映行为表征数据挖掘结果中参数的关键性)。
可以理解的是,在一些实施方式中,对于所述对所述多个不一样的行为层面具有的行为表征数据挖掘结果进行结果聚合操作,以输出对应的多层面行为表征数据挖掘结果的步骤,在具体的执行过程中,可以执行包括的以下的子步骤:
分别将所述多个不一样的行为层面具有的行为表征数据挖掘结果进行滤波处理,以输出每一个行为层面具有的行为表征数据挖掘结果对应的滤波处理参数(示例性地,可以利用同一个滤波器对多个不一样的行为层面的行为表征数据挖掘结果进行滤波处理,通过滤波处理可以融合各个行为层面的行为表征数据挖掘结果的信息,实现了信息的融合。举例来说,可以利用多个一维的滤波器对不一样的行为层面的行为表征数据挖掘结果进行滤波处理,最后一个滤波器输出的数据可以作为每个行为层面的行为表征数据挖掘结果对应的滤波处理参数;另外,所述滤波器可以理解为特征提取算子,滤波算子,滤波矩阵等);
将每一个行为层面具有的行为表征数据挖掘结果对应的滤波处理参数进行关联性聚焦特征分析,以输出每一个行为层面具有的行为表征数据挖掘结果对应的关联性聚焦特征分析结果(示例性地,以具有三个行为层面的滤波处理参数为例进行说明,具体来说,对于第一个行为层面的滤波处理参数,可以对第一个和第二个行为层面的滤波处理参数进行聚焦特征分析,并对第一个和第三个行为层面的滤波处理参数进行聚焦特征分析,然后,可以将第一个行为层面对应的两个聚焦特征分析的输出进行拼接,形成第一个行为层面的关联性聚焦特征分析结果,基于此,第一个行为层面的关联性聚焦特征分析结果在包括自身的信息的基础上,还兼具第二个行为层面和第三个行为层面的信息,实现了信息的深度融合);
对每一个行为层面具有的行为表征数据挖掘结果对应的关联性聚焦特征分析结果进行结果聚合操作,以形成对应的聚焦特征分析聚合结果(示例性地,可以对各关联性聚焦特征分析结果进行结果进行拼接,如此,可以形成对应的聚焦特征分析聚合结果);
对所述聚焦特征分析聚合结果进行结果特征整合处理(FC,Fully Connected),以输出对应的多层面行为表征数据挖掘结果(示例性地,可以将所述聚焦特征分析聚合结果对应的参数矩阵转化成一维的特征大向量,即得到对应的多层面行为表征数据挖掘结果)。
可以理解的是,在一些实施方式中,对于所述依据所述多层面行为表征数据挖掘结果,分别对每一个行为层面对应的第一关键行为表征数据挖掘结果进行更新,以形成所述网络交互行为数据集合的多个不一样的行为层面对应的第二关键行为表征数据挖掘结果的步骤,在具体的执行过程中,可以执行包括的以下的子步骤:
对所述多层面行为表征数据挖掘结果和第一行为层面对应的第一关键行为表征数据挖掘结果进行结果聚合操作,以形成所述第一行为层面对应的聚合行为表征数据挖掘结果(示例性地,可以对所述多层面行为表征数据挖掘结果和第一行为层面对应的第一关键行为表征数据挖掘结果进行顺序拼接,以得到第一行为层面对应的聚合行为表征数据挖掘结果;另外,每一个行为层面对应的第一关键行为表征数据挖掘结果,都可以依次或并列作为第一行为层面对应的第一关键行为表征数据挖掘结果进行结果);
基于所述第一行为层面对应的关键数据转换操作参数,将所述第一行为层面对应的聚合行为表征数据挖掘结果进行关键数据转换操作,以形成对应的关键数据转换结果(示例性地,可以通过深度神经网络对所述第一行为层面对应的聚合行为表征数据挖掘结果进行处理,以形成对应的关键数据转换结果);
对所述关键数据转换结果进行函数映射操作(示例性地,可以通过S型函数进行映射),以形成对应的关键数据函数映射结果;
对所述关键数据函数映射结果和所述第一关键行为表征数据挖掘结果进行结果聚合操作,以输出所述网络交互行为数据集合在所述第一行为层面对应的第二关键行为表征数据挖掘结果(示例性地,可以将所述关键数据函数映射结果和所述第一关键行为表征数据挖掘结果进行相乘运算,以形成所述第一行为层面对应的第二关键行为表征数据挖掘结果)。
可以理解的是,在一些实施方式中,对于所述将所述多个不一样的行为层面对应的第二关键行为表征数据挖掘结果和所述多层面行为表征数据挖掘结果进行挖掘结果还原操作,以输出所述网络交互行为数据集合对应的多层面行为表征关键数据的步骤,在具体的执行过程中,可以执行包括的以下的子步骤:
对所述多个不一样的行为层面对应的第二关键行为表征数据挖掘结果和所述多层面行为表征数据挖掘结果进行结果融合操作,得以形成对应的融合行为表征数据挖掘结果,所述融合行为表征数据挖掘结果包括多个维度的数据特征表示(示例性地,可以对所述多个不一样的行为层面对应的第二关键行为表征数据挖掘结果和所述多层面行为表征数据挖掘结果进行顺序拼接处理,以形成对应的融合行为表征数据挖掘结);
对所述融合行为表征数据挖掘结果包括的数据特征表示进行挖掘结果还原操作,以输出每一个维度的数据特征表示对应的还原操作结果(示例性地,可以计算所述数据特征表示的变量概率分布情况,然后,基于所述数据特征表示的变量概率分布情况,分析出所述数据特征表示所属的行为表征关键数据的概率,从而得到每个数据特征表示对应的行为表征关键数据,也就是说,所述行为表征关键数据作为对应的还原操作结果);
对每一个维度的数据特征表示对应的还原操作结果进行融合(如组合),以输出所述网络交互行为数据集合对应的多层面行为表征关键数据。
可以理解的是,在一些实施方式中,可以通过目标行为表征关键数据提取神经网络执行步骤S120包括的上述各步骤,具体包括:
所述挖掘出所述网络交互行为数据集合在多个不一样的行为层面上具有的行为表征数据挖掘结果的步骤;
所述分别将每一个行为层面上具有的行为表征数据挖掘结果进行关键数据转换操作,以输出所述网络交互行为数据集合在多个不一样的行为层面具有的第一关键行为表征数据挖掘结果的步骤;
所述对所述多个不一样的行为层面具有的行为表征数据挖掘结果进行结果聚合操作,以输出对应的多层面行为表征数据挖掘结果的步骤;
所述依据所述多层面行为表征数据挖掘结果,分别对每一个行为层面对应的第一关键行为表征数据挖掘结果进行更新,以形成所述网络交互行为数据集合的多个不一样的行为层面对应的第二关键行为表征数据挖掘结果的步骤;
所述将所述多个不一样的行为层面对应的第二关键行为表征数据挖掘结果和所述多层面行为表征数据挖掘结果进行挖掘结果还原操作,以输出所述网络交互行为数据集合对应的多层面行为表征关键数据的步骤。
可以理解的是,在一些实施方式中,所述目标行为表征关键数据提取神经网络基于初始行为表征关键数据提取神经网络进行网络优化形成,基于此,该网络优化的过程可以包括以下子步骤:
提取到预先搭建的初始行为表征关键数据提取神经网络和典型网络交互行为数据集合在多个不一样的行为层面上具有的行为表征数据;
通过所述初始行为表征关键数据提取神经网络,对所述典型网络交互行为数据集合在多个不一样的行为层面上具有的行为表征数据进行数据分析,以输出所述典型网络交互行为数据集合在多个不一样的行为层面上具有的行为表征数据挖掘结果和所述典型网络交互行为数据集合对应的多层面行为表征关键数据(具体的处理过程可以参照前文的相关描述);
基于所述典型网络交互行为数据集合在多个不一样的行为层面上具有的行为表征数据挖掘结果和所述典型网络交互行为数据集合对应的多层面行为表征关键数据,对比分析出对应的行为数据学习误差值;
基于所述行为数据学习误差值,对所述初始行为表征关键数据提取神经网络进行网络优化,以形成对应的目标行为表征关键数据提取神经网络(具体的网络优化过程可以参照相关的现有技术,可以在当前的行为数据学习误差值收敛时,完成网络优化,即得到所述初始行为表征关键数据提取神经网络进对应的目标行为表征关键数据提取神经网络)。
可以理解的是,在一些实施方式中,对于所述基于所述典型网络交互行为数据集合在多个不一样的行为层面上具有的行为表征数据挖掘结果和所述典型网络交互行为数据集合对应的多层面行为表征关键数据,对比分析出对应的行为数据学习误差值的步骤,在具体的执行过程中,可以执行包括的以下的子步骤:
基于所述典型网络交互行为数据集合在多个不一样的行为层面上具有的行为表征数据挖掘结果,分析出对应的行为表征数据挖掘误差(示例性地,可以对每两个行为层面上具有的行为表征数据挖掘结果进行差异度计算,如向量距离的计算,以得到对应的行为表征数据挖掘误差);
基于所述典型网络交互行为数据集合在多个不一样的行为层面上具有的行为表征数据挖掘结果和所述多层面行为表征关键数据,对比分析出对应的行为表征关键数据转换误差;
基于所述多层面行为表征关键数据,分析出对应的多层面学习误差(如前所述,所述多层面行为表征关键数据可以理解为所述网络交互行为数据集合的整体代表数据,即预测的整体代表数据,如此,可以对所述多层面行为表征关键数据和所述网络交互行为数据集合的实际行为表征关键数据进行差异计算,以得到所述多层面学习误差,其中,所述实际行为表征关键数据可以基于其它神经网络预测得到或人工标注得到);
基于所述行为表征数据挖掘误差、所述行为表征关键数据转换误差和所述多层面学习误差,分析输出对应的行为数据学习误差值(示例性地,可以对所述行为表征数据挖掘误差、所述行为表征关键数据转换误差和所述多层面学习误差进行加权求和计算,以得到行为数据学习误差值)。
可以理解的是,在一些实施方式中,对于所述基于所述典型网络交互行为数据集合在多个不一样的行为层面上具有的行为表征数据挖掘结果和所述多层面行为表征关键数据,对比分析出对应的行为表征关键数据转换误差的步骤,在具体的执行过程中,可以执行包括的以下的子步骤:
确定初始行为表征关键数据提取神经网络对应的潜在空间参数(可以参照现有技术中关于Latent Space的解释说明;另外,所述潜在空间参数可以是指所述初始行为表征关键数据提取神经网络包括的编码模型的潜在空间参数,可以反映所述编码模型的编码空间的参数);
对所述潜在空间参数、所述行为表征数据挖掘结果和所述多层面行为表征关键数据进行对比分析,以输出所述潜在空间参数对应的第一变量概率分布情况、所述行为表征数据挖掘结果对应的第二变量概率分布情况、所述多层面行为表征关键数据对应的第三变量概率分布情况(所述第一变量概率分布情况,即所述潜在空间参数对应的变量概率分布情况;所述第二变量概率分布情况,即所述行为表征数据挖掘结果对应的变量概率分布情况;所述第三变量概率分布情况,即述多层面行为表征关键数据对应的变量概率分布情况;举例来说,可以对所述潜在空间参数进行变量概率分布情况的确定,以生成所述潜在空间参数对应的第一变量概率分布情况;以及,可以对所述潜在空间参数和所述行为表征数据挖掘结果进行变量概率分布情况的联合确定,以生成所述行为表征数据挖掘结果基于所述潜在空间参数具体的第二变量概率分布情况;以及,可以对所述潜在空间参数、所述行为表征数据挖掘结果和所述多层面行为表征关键数据进行变量概率分布情况的联合确定,以生成所述多层面行为表征关键数据基于所述潜在空间参数具有的第三变量概率分布情况);
分析输出所述第一变量概率分布情况和所述第二变量概率分布情况之间的变量概率分布情况差异(示例性地,可以基于KL散度,Kullback–Leibler divergence,对所述第一变量概率分布情况和所述第二变量概率分布情况进行对比分析,以输出对应的变量概率分布情况差异);
对所述第三变量概率分布情况进行变量均值取值确定,以输出所述第三变量概率分布情况对应的变量均值取值结果;
基于所述变量概率分布情况差异和所述变量均值取值结果,分析输出对应的行为表征关键数据转换误差(示例性地,可以对所述变量概率分布情况差异和所述变量均值取值结果进行差值计算,以得到对应的行为表征关键数据转换误差)。
可以理解的是,在一些实施方式中,在执行所述基于所述行为表征数据挖掘误差、所述行为表征关键数据转换误差和所述多层面学习误差,分析输出对应的行为数据学习误差值的步骤的过程中,还可以进一步结合计算输出的关键行为表征数据更新误差(也就是说,可以对所述行为表征数据挖掘误差、所述行为表征关键数据转换误差、所述多层面学习误差和所述关键行为表征数据更新误差进行加权求和计算,以得到行为数据学习误差值;另外,所述行为表征数据挖掘误差、所述行为表征关键数据转换误差、所述多层面学习误差和所述关键行为表征数据更新误差对应的加权系数的具体数值可以根据实际需求进行配置),其中,可以基于所述典型网络交互行为数据集合在多个不一样的行为层面上的第二关键行为表征数据挖掘结果,来分析出对应的关键行为表征数据更新误差。
可以理解的是,在一些实施方式中,对于所述基于所述典型网络交互行为数据集合在多个不一样的行为层面上的第二关键行为表征数据挖掘结果,来分析出对应的关键行为表征数据更新误差的步骤,在具体的执行过程中,可以执行包括的以下的子步骤:
对所述多个不一样的行为层面上的第二关键行为表征数据挖掘结果进行相乘运算,以得到对应的相乘运算结果,作为第一相乘运算结果(示例性地,在包括两个行为层面上的第二关键行为表征数据挖掘结果时,可以对该两个行为层面上的第二关键行为表征数据挖掘结果对应的向量进行点乘运算,以得到对应的相乘运算结果,所述第二关键行为表征数据挖掘结果对应的向量可以是指所述第二关键行为表征数据挖掘结果本身,即所述第二关键行为表征数据挖掘结果的存在形式或表示形式为向量);
对所述典型网络交互行为数据集合对应的其它典型网络交互行为数据集合在多个不一样的行为层面上的第二关键行为表征数据挖掘结果进行相乘运算,以得到对应的相乘运算结果,作为第二相乘运算结果(参考上述的相关描述;另外,所述典型网络交互行为数据集合对应的其它典型网络交互行为数据集合可以是指两个不同的网络用户对应的网络交互行为数据集合,且所述典型网络交互行为数据集合对应的实际行为表征关键数据和所述其它典型网络交互行为数据集合对应的实际行为表征关键数据之间的语义相关度或语义相似度应当小于或等于预先配置的参考相关度或参考相似度,其中,所述参考相关度或所述参考相似度的数值可以根据实际应用需求进行配置,如0.5等;也就是说所述其它典型网络交互行为数据集合和所述典型网络交互行为数据集合之间的相关性较小,使得基于此进行的联合学习,可以避免联合学习的数据相关性过高而导致过拟合和泛化能力差的问题,即保证了目标行为表征关键数据提取神经网络的泛化能力);
将所述第一相乘运算结果对应数量的自然底数进行相乘,得到对应的第一自然底数相乘结果,再将所述第二相乘运算结果对应数量的自然底数进行相乘,得到对应的第二自然底数相乘结果,以及,对所述第一自然底数相乘结果和所述第二自然底数相乘结果进行求和计算,以得到对应的求和计算结果,再计算所述第一自然底数相乘结果和所述求和计算结果之间的比值,以得到目标结果比值,以及,对所述目标结果比值进行对数计算,以得到对应的对数计算结果,最后,再基于所述对数计算结果确定出所述关键行为表征数据更新误差(示例性地,所述关键行为表征数据更新误差和所述对数计算结果之间可以具有负相关的对应关系)。
可以理解的是,在一些实施方式中,对于上述的步骤S130,在具体的执行过程中,可以执行包括的以下的子步骤:
分别计算所述多层面行为表征关键数据和预先配置的多条参考行为表征关键数据之间的数据匹配度(示例性地,可以对所述多层面行为表征关键数据和所述参考行为表征关键数据进行语义相似度或语义相关度的计算,具体可以参考相关的现有技术),以及,将计算出的多个数据匹配度中具有最大值的数据匹配度对应的参考行为表征关键数据作为所述多层面行为表征关键数据对应的第一参考行为表征关键数据;
将预先为所述第一参考行为表征关键数据配置的参考网络行为意图数据,标记为所述目标网络用户对应的目标网络行为意图数据。
结合图3,本发明实施例还提供一种用于智能化交互网络的大数据挖掘装置,可应用于上述用于智能化交互网络的大数据挖掘***。其中,所述用于智能化交互网络的大数据挖掘装置可以包括:
网络交互行为数据提取模块,用于提取到目标网络用户对应的网络交互行为数据集合,所述网络交互行为数据集合包括多条历史网络交互行为数据,每一条所述历史网络交互行为数据用于反映所述目标网络用户的一个历史网络交互行为;
行为表征关键数据确定模块,用于基于所述网络交互行为数据集合包括的历史网络交互行为数据在多个行为层面具有的特征信息,确定出所述网络交互行为数据集合对应的多层面行为表征关键数据,所述多个行为层面至少包括两个行为层面;
网络行为意图数据分析模块,用于基于所述多层面行为表征关键数据分析输出所述目标网络用户对应的目标网络行为意图数据,所述目标网络行为意图数据用于反映行为意图。
综上所述,本发明提供的一种用于智能化交互网络的大数据挖掘方法及***,提取到目标网络用户对应的网络交互行为数据集合,网络交互行为数据集合包括多条历史网络交互行为数据,每一条历史网络交互行为数据用于反映目标网络用户的一个历史网络交互行为;基于网络交互行为数据集合包括的历史网络交互行为数据在多个行为层面具有的特征信息,确定出网络交互行为数据集合对应的多层面行为表征关键数据,多个行为层面至少包括两个行为层面;基于多层面行为表征关键数据分析输出目标网络用户对应的目标网络行为意图数据。基于此,由于是先基于多个行为层面具有的特征信息分析出对应的多层面行为表征关键数据,使得基于多层面行为表征关键数据分析输出目标网络行为意图数据的可靠度更高,即在一定程度上提高大数据挖掘的可靠度,从而改善现有技术中的不足。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种用于智能化交互网络的大数据挖掘方法,其特征在于,包括:
提取到目标网络用户对应的网络交互行为数据集合,所述网络交互行为数据集合包括多条历史网络交互行为数据,每一条所述历史网络交互行为数据用于反映所述目标网络用户的一个历史网络交互行为;
基于所述网络交互行为数据集合包括的历史网络交互行为数据在多个行为层面具有的特征信息,确定出所述网络交互行为数据集合对应的多层面行为表征关键数据,所述多个行为层面至少包括两个行为层面;
基于所述多层面行为表征关键数据分析输出所述目标网络用户对应的目标网络行为意图数据,所述目标网络行为意图数据用于反映行为意图;
其中,所述基于所述网络交互行为数据集合包括的历史网络交互行为数据在多个行为层面具有的特征信息,确定出所述网络交互行为数据集合对应的多层面行为表征关键数据的步骤,包括:
挖掘出所述网络交互行为数据集合在多个不一样的行为层面上具有的行为表征数据挖掘结果;
分别将每一个行为层面上具有的行为表征数据挖掘结果进行关键数据转换操作,以输出所述网络交互行为数据集合在多个不一样的行为层面具有的第一关键行为表征数据挖掘结果;
对所述多个不一样的行为层面具有的行为表征数据挖掘结果进行结果聚合操作,以输出对应的多层面行为表征数据挖掘结果;
依据所述多层面行为表征数据挖掘结果,分别对每一个行为层面对应的第一关键行为表征数据挖掘结果进行更新,以形成所述网络交互行为数据集合的多个不一样的行为层面对应的第二关键行为表征数据挖掘结果;
将所述多个不一样的行为层面对应的第二关键行为表征数据挖掘结果和所述多层面行为表征数据挖掘结果进行挖掘结果还原操作,以输出所述网络交互行为数据集合对应的多层面行为表征关键数据。
2.如权利要求1所述的用于智能化交互网络的大数据挖掘方法,其特征在于,所述网络交互行为数据集合包括至少一个网络交互行为数据序列;
所述挖掘出所述网络交互行为数据集合在多个不一样的行为层面上具有的行为表征数据挖掘结果的步骤,包括:
提取到所述网络交互行为数据集合包括的至少一个网络交互行为数据序列在多个不一样的行为层面上具有的行为表征数据;
将所述网络交互行为数据序列在多个不一样的行为层面上具有的行为表征数据进行数据挖掘操作,以形成所述网络交互行为数据序列在多个不一样的行为层面上具有的第一行为表征数据挖掘结果;
将所述网络交互行为数据序列在多个不一样的行为层面上具有的第一行为表征数据挖掘结果进行参数区间映射操作,以形成所述网络交互行为数据集合的至少一个网络交互行为数据序列在多个不一样的行为层面上具有的行为表征数据挖掘结果。
3.如权利要求1所述的用于智能化交互网络的大数据挖掘方法,其特征在于,所述分别将每一个行为层面上具有的行为表征数据挖掘结果进行关键数据转换操作,以输出所述网络交互行为数据集合在多个不一样的行为层面具有的第一关键行为表征数据挖掘结果的步骤,包括:
对每一个行为层面上具有的行为表征数据挖掘结果转换至目标关键行为表征数据空间,以形成每一个行为层面上具有的行为表征数据挖掘结果在所述目标关键行为表征数据空间中的行为表征数据转换结果;
基于每一个行为层面上具有的行为表征数据挖掘结果在所述目标关键行为表征数据空间中的行为表征数据转换结果,分析输出每一个行为表征数据挖掘结果对应的可能性系数预测结果;
基于每一个所述行为表征数据挖掘结果对应的可能性系数预测结果,形成所述网络交互行为数据集合在多个不一样的行为层面具有的第一关键行为表征数据挖掘结果。
4.如权利要求1所述的用于智能化交互网络的大数据挖掘方法,其特征在于,所述对所述多个不一样的行为层面具有的行为表征数据挖掘结果进行结果聚合操作,以输出对应的多层面行为表征数据挖掘结果的步骤,包括:
分别将所述多个不一样的行为层面具有的行为表征数据挖掘结果进行滤波处理,以输出每一个行为层面具有的行为表征数据挖掘结果对应的滤波处理参数;
将每一个行为层面具有的行为表征数据挖掘结果对应的滤波处理参数进行关联性聚焦特征分析,以输出每一个行为层面具有的行为表征数据挖掘结果对应的关联性聚焦特征分析结果;
对每一个行为层面具有的行为表征数据挖掘结果对应的关联性聚焦特征分析结果进行结果聚合操作,以形成对应的聚焦特征分析聚合结果;
对所述聚焦特征分析聚合结果进行结果特征整合处理,以输出对应的多层面行为表征数据挖掘结果。
5.如权利要求1所述的用于智能化交互网络的大数据挖掘方法,其特征在于,通过目标行为表征关键数据提取神经网络,执行以下步骤:
所述挖掘出所述网络交互行为数据集合在多个不一样的行为层面上具有的行为表征数据挖掘结果的步骤;所述分别将每一个行为层面上具有的行为表征数据挖掘结果进行关键数据转换操作,以输出所述网络交互行为数据集合在多个不一样的行为层面具有的第一关键行为表征数据挖掘结果的步骤;所述对所述多个不一样的行为层面具有的行为表征数据挖掘结果进行结果聚合操作,以输出对应的多层面行为表征数据挖掘结果的步骤;所述依据所述多层面行为表征数据挖掘结果,分别对每一个行为层面对应的第一关键行为表征数据挖掘结果进行更新,以形成所述网络交互行为数据集合的多个不一样的行为层面对应的第二关键行为表征数据挖掘结果的步骤;所述将所述多个不一样的行为层面对应的第二关键行为表征数据挖掘结果和所述多层面行为表征数据挖掘结果进行挖掘结果还原操作,以输出所述网络交互行为数据集合对应的多层面行为表征关键数据的步骤;
所述目标行为表征关键数据提取神经网络基于初始行为表征关键数据提取神经网络进行网络优化形成,该网络优化的过程包括:
提取到预先搭建的初始行为表征关键数据提取神经网络和典型网络交互行为数据集合在多个不一样的行为层面上具有的行为表征数据;通过所述初始行为表征关键数据提取神经网络,对所述典型网络交互行为数据集合在多个不一样的行为层面上具有的行为表征数据进行数据分析,以输出所述典型网络交互行为数据集合在多个不一样的行为层面上具有的行为表征数据挖掘结果和所述典型网络交互行为数据集合对应的多层面行为表征关键数据;基于所述典型网络交互行为数据集合在多个不一样的行为层面上具有的行为表征数据挖掘结果和所述典型网络交互行为数据集合对应的多层面行为表征关键数据,对比分析出对应的行为数据学习误差值;基于所述行为数据学习误差值,对所述初始行为表征关键数据提取神经网络进行网络优化,以形成对应的目标行为表征关键数据提取神经网络。
6.如权利要求5所述的用于智能化交互网络的大数据挖掘方法,其特征在于,所述基于所述典型网络交互行为数据集合在多个不一样的行为层面上具有的行为表征数据挖掘结果和所述典型网络交互行为数据集合对应的多层面行为表征关键数据,对比分析出对应的行为数据学习误差值的步骤,包括:
基于所述典型网络交互行为数据集合在多个不一样的行为层面上具有的行为表征数据挖掘结果,分析出对应的行为表征数据挖掘误差;
基于所述典型网络交互行为数据集合在多个不一样的行为层面上具有的行为表征数据挖掘结果和所述多层面行为表征关键数据,对比分析出对应的行为表征关键数据转换误差;
基于所述多层面行为表征关键数据,分析出对应的多层面学习误差;
基于所述行为表征数据挖掘误差、所述行为表征关键数据转换误差和所述多层面学习误差,分析输出对应的行为数据学习误差值。
7.如权利要求1-6任意一项所述的用于智能化交互网络的大数据挖掘方法,其特征在于,所述提取到目标网络用户对应的网络交互行为数据集合的步骤,包括:
提取到目标网络用户对应的初始网络交互行为数据集合,所述初始网络交互行为数据集合包括多条初始历史网络交互行为数据,每一条初始历史网络交互行为数据用于反映目标网络用户的一个历史网络交互行为;
分别对所述初始网络交互行为数据集合包括的每一条初始历史网络交互行为数据进行行为有效性筛选处理,以筛选出有效的每一条初始历史网络交互行为数据作为所述目标网络用户对应的网络交互行为数据;
基于筛选出的所述目标网络用户对应的网络交互行为数据,构建出所述目标网络用户对应的网络交互行为数据集合。
8.如权利要求1-6任意一项所述的用于智能化交互网络的大数据挖掘方法,其特征在于,所述基于所述多层面行为表征关键数据分析输出所述目标网络用户对应的目标网络行为意图数据的步骤,包括:
分别计算所述多层面行为表征关键数据和预先配置的多条参考行为表征关键数据之间的数据匹配度,以及,将计算出的多个数据匹配度中具有最大值的数据匹配度对应的参考行为表征关键数据作为所述多层面行为表征关键数据对应的第一参考行为表征关键数据;
将预先为所述第一参考行为表征关键数据配置的参考网络行为意图数据,标记为所述目标网络用户对应的目标网络行为意图数据。
9.一种用于智能化交互网络的大数据挖掘***,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现权利要求1-8任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211653618.9A CN115718846B (zh) | 2022-12-22 | 2022-12-22 | 用于智能化交互网络的大数据挖掘方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211653618.9A CN115718846B (zh) | 2022-12-22 | 2022-12-22 | 用于智能化交互网络的大数据挖掘方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115718846A CN115718846A (zh) | 2023-02-28 |
CN115718846B true CN115718846B (zh) | 2023-10-27 |
Family
ID=85257768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211653618.9A Active CN115718846B (zh) | 2022-12-22 | 2022-12-22 | 用于智能化交互网络的大数据挖掘方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115718846B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307218A (zh) * | 2023-03-27 | 2023-06-23 | 松原市邹佳网络科技有限公司 | 基于人工智能的元宇宙体验用户行为预测方法及*** |
CN116109121B (zh) * | 2023-04-17 | 2023-06-30 | 西昌学院 | 基于大数据分析的用户需求挖掘方法及*** |
CN117041121B (zh) * | 2023-10-07 | 2023-12-19 | 成都无声讯通科技有限责任公司 | 基于数据挖掘的物联网异常监测方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103970848A (zh) * | 2014-05-01 | 2014-08-06 | 刘莎 | 一种通用型互联网信息数据挖掘方法 |
CN104834657A (zh) * | 2014-08-27 | 2015-08-12 | 腾讯科技(北京)有限公司 | 用户行为分析方法及服务器 |
CN106484844A (zh) * | 2016-09-30 | 2017-03-08 | 广州特道信息科技有限公司 | 大数据挖掘方法及*** |
CN106777367A (zh) * | 2017-01-24 | 2017-05-31 | 深圳企管加企业服务有限公司 | 一种基于大数据挖掘的用户行为分析方法及*** |
CN110955826A (zh) * | 2019-11-08 | 2020-04-03 | 上海交通大学 | 基于改进型循环神经网络单元的推荐*** |
CN112199411A (zh) * | 2020-09-15 | 2021-01-08 | 刘明明 | 应用于云计算通信架构的大数据分析方法及人工智能平台 |
CN113392330A (zh) * | 2021-08-17 | 2021-09-14 | 湖南轻悦健康管理有限公司 | 一种基于互联网行为的大数据处理方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US12002454B2 (en) * | 2019-12-20 | 2024-06-04 | Swampfox Technologies, Inc. | Method and apparatus for intent recognition and intent prediction based upon user interaction and behavior |
-
2022
- 2022-12-22 CN CN202211653618.9A patent/CN115718846B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103970848A (zh) * | 2014-05-01 | 2014-08-06 | 刘莎 | 一种通用型互联网信息数据挖掘方法 |
CN104834657A (zh) * | 2014-08-27 | 2015-08-12 | 腾讯科技(北京)有限公司 | 用户行为分析方法及服务器 |
CN106484844A (zh) * | 2016-09-30 | 2017-03-08 | 广州特道信息科技有限公司 | 大数据挖掘方法及*** |
CN106777367A (zh) * | 2017-01-24 | 2017-05-31 | 深圳企管加企业服务有限公司 | 一种基于大数据挖掘的用户行为分析方法及*** |
CN110955826A (zh) * | 2019-11-08 | 2020-04-03 | 上海交通大学 | 基于改进型循环神经网络单元的推荐*** |
CN112199411A (zh) * | 2020-09-15 | 2021-01-08 | 刘明明 | 应用于云计算通信架构的大数据分析方法及人工智能平台 |
CN113392330A (zh) * | 2021-08-17 | 2021-09-14 | 湖南轻悦健康管理有限公司 | 一种基于互联网行为的大数据处理方法及*** |
Non-Patent Citations (1)
Title |
---|
基于在线数据过滤提取的高职学生网上学习行为调查与分析;谭阳等;中国教育信息化(2016年第11期);第26-30页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115718846A (zh) | 2023-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115718846B (zh) | 用于智能化交互网络的大数据挖掘方法及*** | |
CN109816039B (zh) | 一种跨模态信息检索方法、装置和存储介质 | |
CN112990972B (zh) | 一种基于异构图神经网络的推荐方法 | |
CN116109121B (zh) | 基于大数据分析的用户需求挖掘方法及*** | |
CN116109630B (zh) | 基于传感器采集和人工智能的图像分析方法及*** | |
CN111967271A (zh) | 分析结果的生成方法、装置、设备及可读存储介质 | |
CN116310914B (zh) | 基于人工智能的无人机监控方法及*** | |
CN115964432A (zh) | 基于大数据可视化的用户操作异常分析方法及*** | |
CN115687674A (zh) | 服务于智慧云服务平台的大数据需求分析方法及*** | |
CN117688984A (zh) | 神经网络结构搜索方法、装置及存储介质 | |
CN116127083A (zh) | 内容推荐方法、装置、设备及存储介质 | |
CN114329099A (zh) | 重叠社区识别方法、装置、设备、存储介质及程序产品 | |
CN113468604A (zh) | 基于人工智能的大数据隐私信息解析方法及*** | |
CN110795424B (zh) | 特征工程变量数据请求处理方法、装置及电子设备 | |
CN113344687A (zh) | 结合大数据的业务数据分析方法及数字金融服务平台 | |
CN114365151A (zh) | 神经网络模型转化方法、装置、服务器及存储介质 | |
CN113240109B (zh) | 网络训练的数据处理方法、装置、电子设备、存储介质 | |
CN115994203B (zh) | 一种基于ai的数据标注处理方法、***及ai中台 | |
CN116662415B (zh) | 基于数据挖掘的智能匹配方法及*** | |
CN116383883B (zh) | 一种基于大数据的数据管理权限处理方法及*** | |
CN116955451A (zh) | 智能测绘数据管理方法及*** | |
CN116501993A (zh) | 房源数据推荐方法及装置 | |
Wang et al. | Blind Image Quality Assessment via Adaptive Graph Attention | |
CN117194525A (zh) | 针对多源业务数据的数据分析方法及*** | |
CN117218474A (zh) | 模型训练方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20231008 Address after: 9th Floor, Building 3, Zone 6, No. 188 South Fourth Ring West Road, Fengtai District, Beijing, 100070 Applicant after: Beijing Guolian video information technology Co.,Ltd. Address before: No. 51, Xiyuan Road, Xishan District, Kunming, Yunnan 650000 Applicant before: Yunnan Bingnuancai Network Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |