CN115905715A - 基于大数据和人工智能的互联网数据分析方法和平台 - Google Patents
基于大数据和人工智能的互联网数据分析方法和平台 Download PDFInfo
- Publication number
- CN115905715A CN115905715A CN202211735448.9A CN202211735448A CN115905715A CN 115905715 A CN115905715 A CN 115905715A CN 202211735448 A CN202211735448 A CN 202211735448A CN 115905715 A CN115905715 A CN 115905715A
- Authority
- CN
- China
- Prior art keywords
- internet
- user group
- user
- internet user
- exemplary
- 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- Withdrawn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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Information Transfer Between Computers (AREA)
Abstract
本申请提供的基于大数据和人工智能的互联网数据分析方法和平台,涉及人工智能技术领域。在本申请中,将目标互联网用户群体中的一个目标互联网用户标记为第一目标互联网用户,将第一目标互联网用户外的每一个目标互联网用户标记为第二目标互联网用户;对第一目标互联网用户对应的待分析互联网图像进行图像异常识别处理,得到初始图像异常程度,在第二目标互联网用户对应的历史互联网图像中,筛选出与待分析互联网图像匹配的相关历史互联网图像;基于相关历史互联网图像对应的历史图像异常程度,对初始图像异常程度进行更新处理,形成目标图像异常程度。基于上述内容,可以在一定程度上提高互联网数据异常分析的可靠度。
Description
技术领域
本申请涉及人工智能技术领域,具体而言,涉及一种基于大数据和人工智能的互联网数据分析方法和平台。
背景技术
互联网技术的发展,使得其应用场景和应用对象逐渐增加,已经成为一种普遍应用的技术。基于互联网技术的应用,会产生含量的互联网数据,包括文本数据、图像数据等。另外,人工智能(Artificial Intelligence,简称AI),是利用数字计算机或者数字计算机控制的计算模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
在现有技术中,对于海量的互联网数据,有时候需要进行数据的异常监控等处理,例如,可以基于人工智能技术,对互联网数据进行异常分析,使得可以得到对应的异常分析结果。但是,在现有技术中,在对互联网数据进行异常分析的过程中,存在着异常分析的可靠度不佳的问题。
发明内容
有鉴于此,本申请的目的在于提供一种基于大数据和人工智能的互联网数据分析方法和平台,以提高互联网数据异常分析的可靠度。
为实现上述目的,本申请实施例采用如下技术方案:
一种基于大数据和人工智能的互联网数据分析方法,所述基于大数据和人工智能的互联网数据分析方法包括:
利用优化互联网用户群体识别神经网络,对待分析互联网用户分布关系网进行用户群体识别处理,以得到所述待分析互联网用户分布关系网中的目标互联网用户群体,所述待分析互联网用户分布关系网包括多个互联网用户,且每一个所述互联网用户在所述待分析互联网用户分布关系网中的属性数据为所述互联网用户的网络行为数据,以及,在所述待分析互联网用户分布关系网中,每两个所述互联网用户之间的分布位置关系基于每两个所述互联网用户之间的用户相关关系确定;
将所述目标互联网用户群体中的任意一个目标互联网用户标记为第一目标互联网用户,以及,将所述目标互联网用户群体中所述第一目标互联网用户以外的每一个目标互联网用户标记为第二目标互联网用户;
对所述第一目标互联网用户对应的待分析互联网图像进行图像异常识别处理,以得到所述待分析互联网图像对应的初始图像异常程度,以及,在每一个所述第二目标互联网用户对应的历史互联网图像中,筛选出与所述待分析互联网图像匹配的至少一帧相关历史互联网图像;
基于所述至少一帧相关历史互联网图像各自对应的历史图像异常程度,对所述初始图像异常程度进行更新处理,以形成所述待分析互联网图像对应的目标图像异常程度。
在一种可能的实施例中,在上述基于大数据和人工智能的互联网数据分析方法中,所述对所述第一目标互联网用户对应的待分析互联网图像进行图像异常识别处理,以得到所述待分析互联网图像对应的初始图像异常程度,以及,在每一个所述第二目标互联网用户对应的历史互联网图像中,筛选出与所述待分析互联网图像匹配的至少一帧相关历史互联网图像的步骤,包括:
利用目标图像异常识别神经网络包括的图像关键信息挖掘单元,对所述第一目标互联网用户对应的待分析互联网图像进行图像关键信息挖掘处理,以输出所述待分析互联网图像对应的待分析图像描述向量;
利用目标图像异常识别神经网络包括的图像关键信息挖掘单元,分别对每一个所述第二目标互联网用户对应的历史互联网图像进行图像关键信息挖掘处理,以输出每一帧历史互联网图像对应的历史图像描述向量;
利用所述目标图像异常识别神经网络包括的图像异常识别单元,对所述待分析图像描述向量进行图像异常识别处理,以输出所述待分析互联网图像对应的初始图像异常程度;
依据每一帧所述历史互联网图像对应的历史图像描述向量和所述待分析互联网图像对应的待分析图像描述向量之间的向量相关度,在每一个所述第二目标互联网用户对应的历史互联网图像中,筛选出与所述待分析互联网图像匹配的至少一帧相关历史互联网图像。
在一种可能的实施例中,在上述基于大数据和人工智能的互联网数据分析方法中,在所述利用优化互联网用户群体识别神经网络,对待分析互联网用户分布关系网进行用户群体识别处理,以得到所述待分析互联网用户分布关系网中的目标互联网用户群体的步骤之前,所述基于大数据和人工智能的互联网数据分析方法还包括:
采集到第一示例性互联网用户分布关系网和所述第一示例性互联网用户分布关系网对应的第一用户群体标识数据簇,所述第一用户群体标识数据簇包括所述第一示例性互联网用户分布关系网中的每一个示例性互联网用户对应的互联网用户群体的第一用户群体标识数据;
利用多个中间互联网用户群体识别神经网络中的每一个中间互联网用户群体识别神经网络,分别将所述第一示例性互联网用户分布关系网进行用户群体识别处理操作,以输出每一个中间互联网用户群体识别神经网络对应的用户群体识别可能性系数簇,每一个所述用户群体识别可能性系数簇包括所述第一示例性互联网用户分布关系网中的每一个示例性互联网用户识别为多个互联网用户群体中的每一个互联网用户群体的用户群体识别可能性,所述多个中间互联网用户群体识别神经网络中的每一个中间互联网用户群体识别神经网络基于将第一互联网用户群体识别神经网络进行不同的网络优化形成;
对于所述第一示例性互联网用户分布关系网中的每一个示例性互联网用户,依据多个用户群体识别可能性系数簇中,关于该示例性互联网用户对应的用户群体识别可能性之间的区别,分析得到该示例性互联网用户对应的第一用户群体标识数据的置信参数;
将所述第一用户群体标识数据簇中,对应的置信参数小于预先配置的参考置信参数的第一用户群体标识数据进行标识数据更新处理,以形成对应的更新第一用户群体标识数据;
依据每一个所述更新第一用户群体标识数据和所述第一用户群体标识数据簇中的其它第一用户群体标识数据,组合形成所述第一示例性互联网用户分布关系网对应的第二用户群体标识数据簇;以及,依据所述第二用户群体标识数据簇,将所述第一互联网用户群体识别神经网络进行网络优化处理,以形成对应的优化互联网用户群体识别神经网络。
在一种可能的实施例中,在上述基于大数据和人工智能的互联网数据分析方法中,所述多个互联网用户群体的数量等于第一数量;
所述对于所述第一示例性互联网用户分布关系网中的每一个示例性互联网用户,依据多个用户群体识别可能性系数簇中,关于该示例性互联网用户对应的用户群体识别可能性之间的区别,分析得到该示例性互联网用户对应的第一用户群体标识数据的置信参数的步骤,包括:
对第一数量个互联网用户群体进行轮询;
依据所述多个用户群体识别可能性系数簇中,所述示例性互联网用户识别为第A个互联网用户群体对应的用户群体识别可能性之间的区别,分析得到所述示例性互联网用户对应的用户群体识别可能性在所述第A个互联网用户群体下的置信参数,以得到所述示例性互联网用户的一个候选置信参数,A小于或等于所述第一数量;
在所述示例性互联网用户对应的第一数量个候选置信参数中,确定出一个候选置信参数,以标记为所述示例性互联网用户对应的第一用户群体标识数据的置信参数。
在一种可能的实施例中,在上述基于大数据和人工智能的互联网数据分析方法中,所述依据所述多个用户群体识别可能性系数簇中,所述示例性互联网用户识别为第A个互联网用户群体对应的用户群体识别可能性之间的区别,分析得到所述示例性互联网用户对应的用户群体识别可能性在所述第A个互联网用户群体下的置信参数的步骤,包括:
将所述多个用户群体识别可能性系数簇中,所述示例性互联网用户识别为所述第A个互联网用户群体对应的用户群体识别可能性进行离散程度分析,以输出对应的第一离散程度系数;
对所述第一离散程度系数的负相关系数进行标记处理,以标记形成所述示例性互联网用户对应的用户群体识别可能性在所述第A个互联网用户群体下的置信参数。
在一种可能的实施例中,在上述基于大数据和人工智能的互联网数据分析方法中,所述依据所述多个用户群体识别可能性系数簇中,所述示例性互联网用户识别为第A个互联网用户群体对应的用户群体识别可能性之间的区别,分析得到所述示例性互联网用户对应的用户群体识别可能性在所述第A个互联网用户群体下的置信参数的步骤,包括:
依据所述示例性互联网用户对应的第一用户群体标识数据,分析出用于反映所述示例性互联网用户对应的互联网用户群体是否属于所述第A个互联网用户群体的用户群体归属表征参数;
将所述多个用户群体识别可能性系数簇中,所述示例性互联网用户识别为所述第A个互联网用户群体对应的用户群体识别可能性,和所述示例性互联网用户对应的用户群体归属表征参数进行离散程度分析,以输出对应的第二离散程度系数;以及,对所述第二离散程度系数的负相关系数进行标记处理,以标记形成所述示例性互联网用户对应的用户群体识别可能性在所述第A个互联网用户群体下的置信参数。
在一种可能的实施例中,在上述基于大数据和人工智能的互联网数据分析方法中,所述在所述示例性互联网用户对应的第一数量个候选置信参数中,确定出一个候选置信参数,以标记为所述示例性互联网用户对应的第一用户群体标识数据的置信参数的步骤,包括:
对所述示例性互联网用户对应的第一数量个候选置信参数中,具有最小值的候选置信参数进行标记处理,以标记为所述示例性互联网用户的对应第一用户群体标识数据的置信参数。
在一种可能的实施例中,在上述基于大数据和人工智能的互联网数据分析方法中,所述第一数量个互联网用户群体包括第二数量个大规模互联网用户群体和小规模互联网用户群体,所述第一数量和所述第二数量的差值等于1;
所述在所述示例性互联网用户对应的第一数量个候选置信参数中,确定出一个候选置信参数,以标记为所述示例性互联网用户对应的第一用户群体标识数据的置信参数的步骤,包括:
在所述示例性互联网用户对应的第一数量个候选置信参数中,分析出所述第二数量个大规模互联网用户群体对应的第二数量个候选置信参数;
在所述第二数量个候选置信参数中,对具有最小值的候选置信参数进行标记处理,以标记为所述示例性互联网用户对应的第一用户群体标识数据的置信参数。
在一种可能的实施例中,在上述基于大数据和人工智能的互联网数据分析方法中,所述互联网数据分析方法还包括:
确定出用户群体识别信息簇,所述用户群体识别信息簇包括所述第一示例性互联网用户分布关系网中的每一个示例性互联网用户的用户群体识别信息,所述示例性互联网用户的用户群体识别信息用于反映所述示例性互联网用户对应的互联网用户群体,所述示例性互联网用户的用户群体识别信息基于用户群体识别可能性系数簇中所述示例性互联网用户识别为每一个互联网用户群体的用户群体识别可能性得到;
依据所述用户群体识别信息簇中每一个示例性互联网用户的用户群体识别信息,和所述第一用户群体标识数据簇中对应的示例性互联网用户的第一用户群体标识数据之间的区别,在所述示例性互联网用户的第一数量个候选置信参数中,确定出第三数量个待处理置信参数,所述第三数量小于或等于所述第一数量;
所述在所述示例性互联网用户对应的第一数量个候选置信参数中,确定出一个候选置信参数,以标记为所述示例性互联网用户对应的第一用户群体标识数据的置信参数的步骤,包括:
在所述示例性互联网用户对应的第三数量个待处理置信参数中,确定出一个候选置信参数,以标记为所述示例性互联网用户对应的第一用户群体标识数据的置信参数。
本申请还提供一种基于大数据和人工智能的互联网数据分析平台,包括处理器和存储器,存储器用于存储计算机程序,处理器用于执行所述计算机程序,以实现上述的基于大数据和人工智能的互联网数据分析方法。
本申请提供的一种基于大数据和人工智能的互联网数据分析方法和平台,可以先利用优化互联网用户群体识别神经网络,对待分析互联网用户分布关系网进行用户群体识别处理,以得到待分析互联网用户分布关系网中的目标互联网用户群体;将目标互联网用户群体中的一个目标互联网用户标记为第一目标互联网用户,将第一目标互联网用户以外的每一个目标互联网用户标记为第二目标互联网用户;对第一目标互联网用户对应的待分析互联网图像进行图像异常识别处理,得到初始图像异常程度,在第二目标互联网用户对应的历史互联网图像中,筛选出与待分析互联网图像匹配的相关历史互联网图像;基于相关历史互联网图像对应的历史图像异常程度,对初始图像异常程度进行更新处理,形成目标图像异常程度。基于前述的步骤,由于是先确定出了目标互联网用户群体,使得在对第一目标互联网用户对应的待分析互联网图像进行图像异常识别处理以得到初始图像异常程度之后,可以可靠地基于属于同一个用户群体中的第二目标互联网用户对应的相关历史互联网图像对应的历史图像异常程度,对初始图像异常程度进行更新,使得形成的目标图像异常程度的可靠度更高,从而在一定程度上提高互联网数据异常分析的可靠度,改善现有技术中的不足;例如,相较于仅针对互联网用户自身的互联网数据进行分析的方案,由于本方案不仅结合了其它互联网用户的互联网数据,且其它互联网用户是属于同一个用户群体的,相关性较高,互联网数据也是匹配出的相关互联网数据,同样具有相关性,使得结合的可靠度较高,从而保障结果的可靠性。
为使本申请的上述目的、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为本申请实施例提供的基于大数据和人工智能的互联网数据分析平台的结构框图。
图2为本申请实施例提供的基于大数据和人工智能的互联网数据分析方法包括的各步骤的流程示意图。
图3为本申请实施例提供的基于大数据和人工智能的互联网用户处理方法包括的各步骤的流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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,所描述的实施例只是本申请的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请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申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1示出了一种基于大数据和人工智能的互联网数据分析平台,例如,可以是一种具备数据处理能力的服务器,其中,所述基于大数据和人工智能的互联网数据分析平台包括总线或者用于通信信息的其它通信组件、和耦合至总线的用于处理信息的处理器。所述基于大数据和人工智能的互联网数据分析平台还包括耦合至总线的用于存储信息的主存储器(诸如,随机存取存储器(RAM)或者其它动态存储设备)和待由处理器执行的指令。所述主存储器还可以用于存储位置信息、临时变量、或者在处理器执行指令期间的其它中间信息。基于大数据和人工智能的互联网数据分析平台可以进一步包括只读存储器(ROM)或者耦合至总线的用于存储用于处理器的静态信息和指令的其它静态存储设备。所述存储设备(诸如,固态设备、磁盘或者光盘)被耦合至总线以便持久地存储信息和指令。
应当理解的是,在一些实施方式中,可以经由总线来将所述基于大数据和人工智能的互联网数据分析平台耦合至显示器(诸如,液晶显示器、或者有源矩阵显示器)以便向用户显示信息。
应当理解的是,在一些实施方式中,所述基于大数据和人工智能的互联网数据分析平台可以包括通信适配器(诸如,网络适配器)。可以将通信适配器耦合至总线,并且可以将其配置为使能与计算或者通信网络和/或其它计算***的通信。在各种说明性实施方式中,可以使用通信适配器来实现任何类型的组网配置。
根据各种实施方式,响应于处理器执行包含在主存储器中的指令的布置,可以通过所述基于大数据和人工智能的互联网数据分析平台来实行本文所描述的实施方式的过程。可以通过另一计算机可读介质(诸如,存储设备)来将这样的指令读入到主存储器中。对包含在主存储器中的指令的布置的执行使所述基于大数据和人工智能的互联网数据分析平台能够执行本文所描述的说明性过程。
结合图2,本申请实施例还提供一种基于大数据和人工智能的互联网数据分析方法,可应用于上述基于大数据和人工智能的互联网数据分析平台。其中,该基于大数据和人工智能的互联网数据分析方法有关的流程所定义的方法步骤,可以由所述基于大数据和人工智能的互联网数据分析平台实现。下面将对图2所示的具体流程,进行详细阐述。
步骤S110,利用优化互联网用户群体识别神经网络,对待分析互联网用户分布关系网进行用户群体识别处理,以得到所述待分析互联网用户分布关系网中的目标互联网用户群体。
在本发明实施例中,所述互联网数据分析平台(即上述的基于大数据和人工智能的互联网数据分析平台)可以利用优化互联网用户群体识别神经网络(示例性地,所述优化互联网用户群体识别神经网络可以是依据相应的示例性数据进行网络优化形成),对待分析互联网用户分布关系网进行用户群体识别处理,以得到所述待分析互联网用户分布关系网中的目标互联网用户群体。所述待分析互联网用户分布关系网包括多个互联网用户,且每一个所述互联网用户在所述待分析互联网用户分布关系网中的属性数据为所述互联网用户的网络行为数据(即基于互联网进行的行为,如购物、浏览、游戏、社交、查询等网络行为),以及,在所述待分析互联网用户分布关系网中,每两个所述互联网用户之间的分布位置关系基于每两个所述互联网用户之间的用户相关关系确定(示例性地,对于任意的两个互联网用户,该两个互联网用户之间的用户相关关系越紧密,对应的分布位置距离越小,反之,对应的分布位置距离越大,另外,两个互联网用户之间的用户相关关系可以基于对应的网络行为数据确定,或者,也可以在对应的网络行为数据的基础上,结合用户的物理世界位置等信息进行确定;另外,所述网络行为数据可以至少包括一个维度的数据,如文本数据,即可以通过文本数据的形式来描述所述网络行为数据对应的网络行为)。
步骤S120,将所述目标互联网用户群体中的任意一个目标互联网用户标记为第一目标互联网用户,将所述目标互联网用户群体中所述第一目标互联网用户以外的每一个目标互联网用户标记为第二目标互联网用户。
在本发明实施例中,所述互联网数据分析平台(即上述的基于大数据和人工智能的互联网数据分析平台)可以将所述目标互联网用户群体中的任意一个目标互联网用户标记为第一目标互联网用户,将所述目标互联网用户群体中所述第一目标互联网用户以外的每一个目标互联网用户标记为第二目标互联网用户(第二目标互联网用户可以是至少一个)。
步骤S130,对所述第一目标互联网用户对应的待分析互联网图像进行图像异常识别处理,以得到所述待分析互联网图像对应的初始图像异常程度,以及,在每一个所述第二目标互联网用户对应的历史互联网图像中,筛选出与所述待分析互联网图像匹配的至少一帧相关历史互联网图像。
在本发明实施例中,所述互联网数据分析平台(即上述的基于大数据和人工智能的互联网数据分析平台)可以对所述第一目标互联网用户对应的待分析互联网图像进行图像异常识别处理(可以利用图像异常识别神经网络实现),以得到所述待分析互联网图像对应的初始图像异常程度,以及,在每一个所述第二目标互联网用户对应的历史互联网图像中,筛选出与所述待分析互联网图像匹配的至少一帧相关历史互联网图像。
步骤S140,基于所述至少一帧相关历史互联网图像各自对应的历史图像异常程度,对所述初始图像异常程度进行更新处理,以形成所述待分析互联网图像对应的目标图像异常程度。
在本发明实施例中,所述互联网数据分析平台(即上述的基于大数据和人工智能的互联网数据分析平台)可以基于所述至少一帧相关历史互联网图像各自对应的历史图像异常程度(所述相关历史互联网图像各自对应的历史图像异常程度,可以是在历史上所述相关历史互联网图像作为待分析互联网图像进行分析得到的,也可以是配置的),对所述初始图像异常程度进行更新处理,以形成所述待分析互联网图像对应的目标图像异常程度(示例性地,可以基于每一帧相关历史互联网图像与所述待分析互联网图像之间的相关度,对所述至少一帧相关历史互联网图像各自对应的历史图像异常程度进行加权均值计算,以得到加权历史图像异常程度,然后,可以基于该加权历史图像异常程度对所述初始图像异常程度进行更新处理,如所述加权历史图像异常程度大于所述初始图像异常程度,则对所述初始图像异常程度进行扩大处理,扩大的幅度可以与所述加权历史图像异常程度和所述初始图像异常程度之间的比值正相关,如所述加权历史图像异常程度小于所述初始图像异常程度,则对所述初始图像异常程度进行缩小处理,缩小的幅度可以与所述加权历史图像异常程度和所述初始图像异常程度之间的比值负相关,如所述加权历史图像异常程度等于所述初始图像异常程度,可以将所述初始图像异常程度作为对应的目标图像异常程度,所述目标图像异常程度可以是所述待分析互联网图像的图像违规程度等)。
基于前述的步骤(如步骤S110-步骤S140),由于是先确定出了目标互联网用户群体,使得在对第一目标互联网用户对应的待分析互联网图像进行图像异常识别处理以得到初始图像异常程度之后,可以可靠地基于属于同一个用户群体中的第二目标互联网用户对应的相关历史互联网图像对应的历史图像异常程度,对初始图像异常程度进行更新,使得形成的目标图像异常程度的可靠度更高,从而在一定程度上提高互联网数据异常分析的可靠度,改善现有技术中的不足;例如,相较于仅针对互联网用户自身的互联网数据进行分析的方案,由于本方案不仅结合了其它互联网用户的互联网数据,且其它互联网用户是属于同一个用户群体的,相关性较高,互联网数据也是匹配出的相关互联网数据,同样具有相关性,使得其结合的可靠度较高,从而保障结果的可靠性,即可靠性更高。
应当理解的是,在一些实施方式中,对于上述描述中的步骤S130,其可以进一步包括以下的具体内容:
利用目标图像异常识别神经网络包括的图像关键信息挖掘单元,对所述第一目标互联网用户对应的待分析互联网图像进行图像关键信息挖掘处理,以输出所述待分析互联网图像对应的待分析图像描述向量(所述图像关键信息挖掘处理可以包括,对待分析互联网图像进行特征空间映射处理,然后,对特征空间映射处理的结果进行卷积运算,以实现滤波,从而输出所述待分析互联网图像对应的待分析图像描述向量,所述目标图像异常识别神经网络可以基于相应的示例性数据进行网络优化处理以得到);
利用目标图像异常识别神经网络包括的图像关键信息挖掘单元,分别对每一个所述第二目标互联网用户对应的历史互联网图像进行图像关键信息挖掘处理,以输出每一帧历史互联网图像对应的历史图像描述向量;
利用所述目标图像异常识别神经网络包括的图像异常识别单元,对所述待分析图像描述向量进行图像异常识别处理,以输出所述待分析互联网图像对应的初始图像异常程度(所述图像异常识别单元可以包括softmax函数,以实现激励映射输出,得到对应的初始图像异常程度);
依据每一帧所述历史互联网图像对应的历史图像描述向量和所述待分析互联网图像对应的待分析图像描述向量之间的向量相关度,在每一个所述第二目标互联网用户对应的历史互联网图像中,筛选出与所述待分析互联网图像匹配的至少一帧相关历史互联网图像(基于此,由于所述历史图像描述向量和所述待分析图像描述向量都是基于所述目标图像异常识别神经网络得到的,使得所述历史图像描述向量和所述待分析图像描述向量都更关注图像中的异常信息,使得计算输出的向量相关度在异常信息的维度更为侧重,因此,确定的相关历史互联网图像对于异常程度的更新的可靠度更高,即都更为关注图像中的异常信息)。
应当理解的是,在一些实施方式中,对于上述描述中的步骤S110,在其之前,所述基于大数据和人工智能的互联网数据分析方法还可以包括以下的步骤(以优化形成所述优化互联网用户群体识别神经网络):
采集到第一示例性互联网用户分布关系网和所述第一示例性互联网用户分布关系网对应的第一用户群体标识数据簇,所述第一用户群体标识数据簇包括所述第一示例性互联网用户分布关系网中的每一个示例性互联网用户对应的互联网用户群体的第一用户群体标识数据(也就是说,所述第一用户群体标识数据用于反映所述示例性互联网用户所在的群体,所述第一用户群体标识数据簇可以是可靠度不高的用户群体标识数据,即通过粗粒度的标注形成,即可能存在不对的用户群体标识数据,在一个示例性互联网用户的第一用户群体标识数据反映的互联网用户群体与该示例性互联网用户实际互联网用户群体不一样的情况下,可以将该示例性互联网用户的第一用户群体标识数据作为不对的用户群体标识数据,在一个示例性互联网用户的第一用户群体标识数据反映的互联网用户群体与该示例性互联网用户实际的实际互联网用户群体一样的情况下,可以将该示例性互联网用户的第一用户群体标识数据作为对的用户群体标识数据);
利用多个中间互联网用户群体识别神经网络中的每一个中间互联网用户群体识别神经网络,分别将所述第一示例性互联网用户分布关系网进行用户群体识别处理操作,以输出每一个中间互联网用户群体识别神经网络对应的用户群体识别可能性系数簇,每一个所述用户群体识别可能性系数簇包括所述第一示例性互联网用户分布关系网中的每一个示例性互联网用户识别为多个互联网用户群体中的每一个互联网用户群体的用户群体识别可能性,所述多个中间互联网用户群体识别神经网络中的每一个中间互联网用户群体识别神经网络基于将第一互联网用户群体识别神经网络进行不同的网络优化形成(如进行网络优化的次数不同或示例性数据不同等;另外,将第一互联网用户群体识别神经网络进行网络优化形成中间互联网用户群体识别神经网络的示例性数据,其对应的用户群体标识数据簇也可以是可靠度不高的用户群体标识数据,即存在不正确的用户群体标识数据);
对于所述第一示例性互联网用户分布关系网中的每一个示例性互联网用户,依据多个用户群体识别可能性系数簇中,关于该示例性互联网用户对应的用户群体识别可能性之间的区别,分析得到该示例性互联网用户对应的第一用户群体标识数据的置信参数;
将所述第一用户群体标识数据簇中,对应的置信参数小于预先配置的参考置信参数的第一用户群体标识数据进行标识数据更新处理,以形成对应的更新第一用户群体标识数据(也就是说,可以将分析出的不对的第一用户群体标识数据进行更新调整,以得到更新第一用户群体标识数据,即对的第一用户群体标识数据,正确的第一用户群体标识数据);
依据每一个所述更新第一用户群体标识数据和所述第一用户群体标识数据簇中的其它第一用户群体标识数据,组合形成所述第一示例性互联网用户分布关系网对应的第二用户群体标识数据簇;以及,依据所述第二用户群体标识数据簇,将所述第一互联网用户群体识别神经网络进行网络优化处理,以形成对应的优化互联网用户群体识别神经网络(基于此,所述第二用户群体标识数据簇中的用户群体标识数据可以认为,都是正确的用户群体标识数据,或者,相较于第一用户群体标识数据簇,第二用户群体标识数据簇的正确率更高,使得基于第二用户群体标识数据簇进行网络优化处理形成的优化互联网用户群体识别神经网络的识别可靠度更高)。
应当理解的是,在一些实施方式中,所述多个互联网用户群体的数量可以等于第一数量,基于此,对于上述描述中的所述对于所述第一示例性互联网用户分布关系网中的每一个示例性互联网用户,依据多个用户群体识别可能性系数簇中,关于该示例性互联网用户对应的用户群体识别可能性之间的区别,分析得到该示例性互联网用户对应的第一用户群体标识数据的置信参数的步骤,其可以进一步包括以下的具体内容:
对第一数量个互联网用户群体进行轮询;
依据所述多个用户群体识别可能性系数簇中,所述示例性互联网用户(每一个分别进行处理)识别为第A个互联网用户群体(即所述第一数量个互联网用户群体中当前轮询到的互联网用户群体)对应的用户群体识别可能性之间的区别,分析得到所述示例性互联网用户对应的用户群体识别可能性在所述第A个互联网用户群体下的置信参数,以得到所述示例性互联网用户的一个候选置信参数,A小于或等于所述第一数量;
在所述示例性互联网用户对应的第一数量个候选置信参数中,确定出一个候选置信参数,以标记为所述示例性互联网用户对应的第一用户群体标识数据的置信参数。
应当理解的是,在一些实施方式中,对于上述描述中的所述依据所述多个用户群体识别可能性系数簇中,所述示例性互联网用户识别为第A个互联网用户群体对应的用户群体识别可能性之间的区别,分析得到所述示例性互联网用户对应的用户群体识别可能性在所述第A个互联网用户群体下的置信参数的步骤,其可以进一步包括以下的具体内容:
将所述多个用户群体识别可能性系数簇中,所述示例性互联网用户识别为所述第A个互联网用户群体对应的用户群体识别可能性进行离散程度分析,以输出对应的第一离散程度系数;以及,对所述第一离散程度系数的负相关系数进行标记处理,以标记形成所述示例性互联网用户对应的用户群体识别可能性在所述第A个互联网用户群体下的置信参数(也就是说,可以将用户群体识别可能性对应的离散程度的负相关系数作为置信参数,即各用户群体识别可能性之间的差异越大,置信度越低,各用户群体识别可能性之间的差异越小,置信度越高)。
应当理解的是,在一些实施方式中,对于上述描述中的所述依据所述多个用户群体识别可能性系数簇中,所述示例性互联网用户识别为第A个互联网用户群体对应的用户群体识别可能性之间的区别,分析得到所述示例性互联网用户对应的用户群体识别可能性在所述第A个互联网用户群体下的置信参数的步骤,其可以进一步包括以下的具体内容:
依据所述示例性互联网用户对应的第一用户群体标识数据,分析出用于反映所述示例性互联网用户对应的互联网用户群体是否属于所述第A个互联网用户群体的用户群体归属表征参数(例如,若所述第一用户群体标识数据反映出所述示例性互联网用户对应的互联网用户群体属于所述第A个互联网用户群体,则该用户群体归属表征参数可以为100%,若所述第一用户群体标识数据反映出所述示例性互联网用户对应的互联网用户群体不属于所述第A个互联网用户群体,则该用户群体归属表征参数可以为0%);
将所述多个用户群体识别可能性系数簇中,所述示例性互联网用户识别为所述第A个互联网用户群体对应的用户群体识别可能性,和所述示例性互联网用户对应的用户群体归属表征参数进行离散程度分析,以输出对应的第二离散程度系数;以及,对所述第二离散程度系数的负相关系数进行标记处理,以标记形成所述示例性互联网用户对应的用户群体识别可能性在所述第A个互联网用户群体下的置信参数。
其中,应当理解的是,在一些实施方式中,对于上述描述中的所述依据所述多个用户群体识别可能性系数簇中,所述示例性互联网用户识别为第A个互联网用户群体对应的用户群体识别可能性之间的区别,分析得到所述示例性互联网用户对应的用户群体识别可能性在所述第A个互联网用户群体下的置信参数的步骤,其可以进一步包括以下的具体内容:
基于配置的判别式概率模型,将所述多个用户群体识别可能性系数簇中,所述示例性互联网用户识别为所述第A个互联网用户群体对应的用户群体识别可能性进行分析,形成优化的用户群体识别可能性(所述判别式概率模型可以被用于提高所述多个用户群体识别可能性系数簇中每一个用户群体识别可能性的准度,所述判别式概率模型可以是一种条件概率分布模型 P(Y|X) ,表示的是给定一组输入随机变量 X 的条件下另一组输出随机变量 Y 的马尔可夫随机场);
依据所述示例性互联网用户识别为所述第A个互联网用户群体对应的多个优化的用户群体识别可能性之间的区别,分析得到所述示例性互联网用户对应的用户群体识别可能性在所述第A个互联网用户群体下的置信参数(如基于前述的离散程度分析,以确定出对应的置信参数)。
应当理解的是,在一些实施方式中,对于上述描述中的所述在所述示例性互联网用户对应的第一数量个候选置信参数中,确定出一个候选置信参数,以标记为所述示例性互联网用户对应的第一用户群体标识数据的置信参数的步骤,其可以进一步包括以下的具体内容:
对所述示例性互联网用户对应的第一数量个候选置信参数中,具有最小值的候选置信参数进行标记处理,以标记为所述示例性互联网用户的对应第一用户群体标识数据的置信参数。
应当理解的是,在一些实施方式中,所述第一数量个互联网用户群体可以包括第二数量个大规模互联网用户群体和小规模互联网用户群体,所述第一数量和所述第二数量的差值等于1(即第二数量个大规模互联网用户群体和小规模互联网用户群体的总数量为所述第一数量,所述大规模互联网用户群体和所述小规模互联网用户群体可以是指包括的互联网用户的数量相对的多少,如包括的互联网用户的数量相对较多,可以作为所述大规模互联网用户群体,如包括的互联网用户的数量相对较少,可以作为所述小规模互联网用户群体),基于此,对于上述描述中的所述在所述示例性互联网用户对应的第一数量个候选置信参数中,确定出一个候选置信参数,以标记为所述示例性互联网用户对应的第一用户群体标识数据的置信参数的步骤,其可以进一步包括以下的具体内容:
在所述示例性互联网用户对应的第一数量个候选置信参数中,分析出所述第二数量个大规模互联网用户群体对应的第二数量个候选置信参数;
在所述第二数量个候选置信参数中,对具有最小值的候选置信参数进行标记处理,以标记为所述示例性互联网用户对应的第一用户群体标识数据的置信参数(由于所述小规模互联网用户群体的规模较小,可以进行相应排除,因此,可以在所述第二数量个大规模互联网用户群体对应的第二数量个候选置信参数中进行置信参数的筛选,以作为代表)。
应当理解的是,在一些实施方式中,所述基于大数据和人工智能的互联网数据分析方法还可以包括以下的各步骤:
确定出用户群体识别信息簇,所述用户群体识别信息簇包括所述第一示例性互联网用户分布关系网中的每一个示例性互联网用户的用户群体识别信息,所述示例性互联网用户的用户群体识别信息用于反映所述示例性互联网用户对应的互联网用户群体,所述示例性互联网用户的用户群体识别信息基于用户群体识别可能性系数簇中所述示例性互联网用户识别为每一个互联网用户群体的用户群体识别可能性得到(示例性地,可以将具有最大值的户群体识别可能性对应的互联网用户群体,作为所述用户群体识别信息反映的所述示例性互联网用户对应的互联网用户群体);
依据所述用户群体识别信息簇中每一个示例性互联网用户的用户群体识别信息,和所述第一用户群体标识数据簇中对应的示例性互联网用户的第一用户群体标识数据之间的区别,在所述示例性互联网用户的第一数量个候选置信参数中,确定出第三数量个待处理置信参数,所述第三数量小于或等于所述第一数量(如此,所述在所述示例性互联网用户对应的第一数量个候选置信参数中,确定出一个候选置信参数,以标记为所述示例性互联网用户对应的第一用户群体标识数据的置信参数的步骤,可以进一步包括以下的具体内容:在所述示例性互联网用户对应的第三数量个待处理置信参数中,确定出一个候选置信参数(如最小的),以标记为所述示例性互联网用户对应的第一用户群体标识数据的置信参数)。
其中,应当理解的是,在一些实施方式中,对于上述描述中的所述依据所述用户群体识别信息簇中每一个示例性互联网用户的用户群体识别信息,和所述第一用户群体标识数据簇中对应的示例性互联网用户的第一用户群体标识数据之间的区别,在所述示例性互联网用户的第一数量个候选置信参数中,确定出第三数量个待处理置信参数的步骤,其可以进一步包括以下的具体内容:
轮询所述示例性互联网用户对应的第一数量个候选置信参数;
对于所述示例性互联网用户对于的第A个候选置信参数(即所述第一数量个候选置信参数中当前轮询到的候选置信参数),依据所述示例性互联网用户对应的用户群体识别信息,分析出用于反映所述示例性互联网用户对应的互联网用户群体是否属于所述第A个互联网用户群体的用户群体归属代表参数(例如,所述示例性互联网用户对应的互联网用户群体属于所述第A个互联网用户群体,可以将所述用户群体归属代表参数配置为一个值,如100%,所述示例性互联网用户对应的互联网用户群体不属于所述第A个互联网用户群体,可以将所述用户群体归属代表参数配置为另一个值,如0%),并依据所述示例性互联网用户对应的第一用户群体标识数据,分析出用于反映所述示例性互联网用户对应的互联网用户群体是否属于所述第A个互联网用户群体的用户群体归属表征参数(如前所述);
依据所述第一示例性互联网用户分布关系网中的每一个示例性互联网用户对应的用户群体归属代表参数和对应的示例性互联网用户对应的用户群体归属表征参数之间的区别,分析出是否对所述示例性互联网用户的第A个候选置信参数进行标记,以标记为一个待处理置信参数的结果,以形成第三数量个待处理置信参数。
其中,应当理解的是,在一些实施方式中,对于上述描述中的所述依据所述第一示例性互联网用户分布关系网中的每一个示例性互联网用户对应的用户群体归属代表参数和对应的示例性互联网用户对应的用户群体归属表征参数之间的区别,分析出是否对所述示例性互联网用户的第A个候选置信参数进行标记,以标记为一个待处理置信参数的结果的步骤,其可以进一步包括以下的具体内容:
对所述第一示例性互联网用户分布关系网中的每一个示例性互联网用户对应的用户群体归属代表参数和所述第一示例性互联网用户分布关系网中的每一个示例性互联网用户对应的用户群体归属表征参数之间的重合度表征参数进行确定(如先分别确定用户群体归属代表参数和用户群体归属表征参数的交集和并集,然后,对交集中的参数数量和并集中的参数数量进行商值计算,以得到重合度表征参数);
在所述重合度表征参数超过预先配置的参考重合度表征参数的情况下,对所述示例性互联网用户的第A个候选置信参数进行标记处理,以标记为一个待处理置信参数(所述参考重合度表征参数的具体数值可以参照实际应用需求进行配置,在此不做具体的限定和描述)。
其中,应当理解的是,在一些实施方式中,所述多个互联网用户群体的数量可以等于第一数量,基于此,对于上述描述中的所述将所述第一用户群体标识数据簇中,对应的置信参数小于预先配置的参考置信参数的第一用户群体标识数据进行标识数据更新处理,以形成对应的更新第一用户群体标识数据的步骤,其可以进一步包括以下的具体内容:
对于对应的置信参数超过所述参考置信参数的第一用户群体标识数据(可以是对每一个进行相应的处理),得到所述第一用户群体标识数据对应的第一示例性互联网用户(所述第一示例性互联网用户即所述第一用户群体标识数据对应的示例性互联网用户)的第A个候选置信参数,并得到所述第一示例性互联网用户的第A个代表用户群体识别可能性,所述第一示例性互联网用户的第A个候选置信参数用于反映所述第一示例性互联网用户的用户群体识别可能性在第A个互联网用户群体下的置信参数,所述第一示例性互联网用户的第A个代表用户群体识别可能性用于反映所述多个用户群体识别可能性系数簇中所述第一示例性互联网用户识别为所述第A个互联网用户群体对应的用户群体识别可能性的均值;
依据所述第一示例性互联网用户的第A个候选置信参数,并结合所述第一示例性互联网用户的第A个代表用户群体识别可能性,分析输出所述第一示例性互联网用户在所述第A个互联网用户群体下的更新代表系数;
在所述第一示例性互联网用户在每一个所述互联网用户群体下的更新代表系数中,筛选出第一更新代表系数,以及,对所述第一更新代表系数对应的互联网用户群体进行标记处理,以标记为所述第一用户群体标识数据对应的更新第一用户群体标识数据。
其中,应当理解的是,在一些实施方式中,对于上述描述中的所述依据所述第一示例性互联网用户的第A个候选置信参数,并结合所述第一示例性互联网用户的第A个代表用户群体识别可能性,分析输出所述第一示例性互联网用户在所述第A个互联网用户群体下的更新代表系数的步骤,其可以进一步包括以下的具体内容:
对所述第一示例性互联网用户的第A个候选置信参数和所述第一示例性互联网用户的第A个代表用户群体识别可能性进行商值计算(如后者除以前者),以输出所述第一示例性互联网用户在所述第A个互联网用户群体下的更新代表系数(基于此,所述在所述第一示例性互联网用户在每一个所述互联网用户群体下的更新代表系数中,筛选出第一更新代表系数,以及,对所述第一更新代表系数对应的互联网用户群体进行标记处理,以标记为所述第一用户群体标识数据对应的更新第一用户群体标识数据的步骤,可以进一步包括以下的具体内容:对所述第一示例性互联网用户在每一个所述互联网用户群体下的更新代表系数中具有最小值的更新代表系数进行标记处理,以标记形成对应的第一更新代表系数,以及,对所述第一更新代表系数对应的互联网用户群体进行标记处理,以标记为所述第一用户群体标识数据对应的更新第一用户群体标识数据)。
结合图3,本申请实施例还提供一种基于大数据和人工智能的互联网用户处理方法,可应用于上述基于大数据和人工智能的互联网数据分析平台。其中,该基于大数据和人工智能的互联网用户处理方法有关的流程所定义的方法步骤,可以由所述基于大数据和人工智能的互联网数据分析平台实现。所述基于大数据和人工智能的互联网用户处理方法可以包括:
利用优化互联网用户群体识别神经网络,对待分析互联网用户分布关系网进行用户群体识别处理,以得到所述待分析互联网用户分布关系网中的目标互联网用户群体(包括的前文的步骤S110的详细描述);
将所述目标互联网用户群体中的任意一个目标互联网用户标记为第一目标互联网用户,将所述目标互联网用户群体中所述第一目标互联网用户以外的每一个目标互联网用户标记为第二目标互联网用户(包括的前文的步骤S120的详细描述);
对所述第一目标互联网用户对应的待分析互联网图像进行图像异常识别处理,以得到所述待分析互联网图像对应的初始图像异常程度,以及,在每一个所述第二目标互联网用户对应的历史互联网图像中,筛选出与所述待分析互联网图像匹配的至少一帧相关历史互联网图像(包括的前文的步骤S130的详细描述);
基于所述至少一帧相关历史互联网图像各自对应的历史图像异常程度,对所述初始图像异常程度进行更新处理,以形成所述待分析互联网图像对应的目标图像异常程度(包括的前文的步骤S140的详细描述);
基于所述待分析互联网图像对应的目标图像异常程度和每一个所述第二目标互联网用户对应的最近一帧历史互联网图像对应的历史图像异常程度进行均值计算,再基于均值计算的结果,对所述目标互联网用户群体进行群体异常分析处理,以得到所述目标互联网用户群体对应的群体异常结果(所述群体异常结果可以用于反映所述目标互联网用户群体具有的异常程度,该异常程度与该均值计算的结果正相关)。
综上所述,本申请提供的一种基于大数据和人工智能的互联网数据分析方法和平台,可以先利用优化互联网用户群体识别神经网络,对待分析互联网用户分布关系网进行用户群体识别处理,以得到待分析互联网用户分布关系网中的目标互联网用户群体;将目标互联网用户群体中的一个目标互联网用户标记为第一目标互联网用户,将第一目标互联网用户以外的每一个目标互联网用户标记为第二目标互联网用户;对第一目标互联网用户对应的待分析互联网图像进行图像异常识别处理,得到初始图像异常程度,在第二目标互联网用户对应的历史互联网图像中,筛选出与待分析互联网图像匹配的相关历史互联网图像;基于相关历史互联网图像对应的历史图像异常程度,对初始图像异常程度进行更新处理,形成目标图像异常程度。基于前述的步骤,由于是先确定出了目标互联网用户群体,使得在对第一目标互联网用户对应的待分析互联网图像进行图像异常识别处理以得到初始图像异常程度之后,可以可靠地基于属于同一个用户群体中的第二目标互联网用户对应的相关历史互联网图像对应的历史图像异常程度,对初始图像异常程度进行更新,使得形成的目标图像异常程度的可靠度更高,从而在一定程度上提高互联网数据异常分析的可靠度,改善现有技术中的不足;例如,相较于仅针对互联网用户自身的互联网数据进行分析的常规方案,由于本方案不仅结合了其它互联网用户的互联网数据,且其它互联网用户与分析的互联网用户是属于同一个用户群体的,相关性较高,互联网数据也是匹配出的相关互联网数据,同样具有相关性,使得其结合的可靠度较高,从而保障结果的可靠性,即可靠性更高。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于大数据和人工智能的互联网数据分析方法,其特征在于,所述基于大数据和人工智能的互联网数据分析方法包括:
利用优化互联网用户群体识别神经网络,对待分析互联网用户分布关系网进行用户群体识别处理,以得到所述待分析互联网用户分布关系网中的目标互联网用户群体,所述待分析互联网用户分布关系网包括多个互联网用户,且每一个所述互联网用户在所述待分析互联网用户分布关系网中的属性数据为所述互联网用户的网络行为数据,以及,在所述待分析互联网用户分布关系网中,每两个所述互联网用户之间的分布位置关系基于每两个所述互联网用户之间的用户相关关系确定;
将所述目标互联网用户群体中的任意一个目标互联网用户标记为第一目标互联网用户,以及,将所述目标互联网用户群体中所述第一目标互联网用户以外的每一个目标互联网用户标记为第二目标互联网用户;
对所述第一目标互联网用户对应的待分析互联网图像进行图像异常识别处理,以得到所述待分析互联网图像对应的初始图像异常程度,以及,在每一个所述第二目标互联网用户对应的历史互联网图像中,筛选出与所述待分析互联网图像匹配的至少一帧相关历史互联网图像;
基于所述至少一帧相关历史互联网图像各自对应的历史图像异常程度,对所述初始图像异常程度进行更新处理,以形成所述待分析互联网图像对应的目标图像异常程度。
2.根据权利要求1所述的基于大数据和人工智能的互联网数据分析方法,其特征在于,所述对所述第一目标互联网用户对应的待分析互联网图像进行图像异常识别处理,以得到所述待分析互联网图像对应的初始图像异常程度,以及,在每一个所述第二目标互联网用户对应的历史互联网图像中,筛选出与所述待分析互联网图像匹配的至少一帧相关历史互联网图像的步骤,包括:
利用目标图像异常识别神经网络包括的图像关键信息挖掘单元,对所述第一目标互联网用户对应的待分析互联网图像进行图像关键信息挖掘处理,以输出所述待分析互联网图像对应的待分析图像描述向量;
利用目标图像异常识别神经网络包括的图像关键信息挖掘单元,分别对每一个所述第二目标互联网用户对应的历史互联网图像进行图像关键信息挖掘处理,以输出每一帧历史互联网图像对应的历史图像描述向量;
利用所述目标图像异常识别神经网络包括的图像异常识别单元,对所述待分析图像描述向量进行图像异常识别处理,以输出所述待分析互联网图像对应的初始图像异常程度;
依据每一帧所述历史互联网图像对应的历史图像描述向量和所述待分析互联网图像对应的待分析图像描述向量之间的向量相关度,在每一个所述第二目标互联网用户对应的历史互联网图像中,筛选出与所述待分析互联网图像匹配的至少一帧相关历史互联网图像。
3.根据权利要求1或2所述的基于大数据和人工智能的互联网数据分析方法,其特征在于,在所述利用优化互联网用户群体识别神经网络,对待分析互联网用户分布关系网进行用户群体识别处理,以得到所述待分析互联网用户分布关系网中的目标互联网用户群体的步骤之前,所述基于大数据和人工智能的互联网数据分析方法还包括:
采集到第一示例性互联网用户分布关系网和所述第一示例性互联网用户分布关系网对应的第一用户群体标识数据簇,所述第一用户群体标识数据簇包括所述第一示例性互联网用户分布关系网中的每一个示例性互联网用户对应的互联网用户群体的第一用户群体标识数据;
利用多个中间互联网用户群体识别神经网络中的每一个中间互联网用户群体识别神经网络,分别将所述第一示例性互联网用户分布关系网进行用户群体识别处理操作,以输出每一个中间互联网用户群体识别神经网络对应的用户群体识别可能性系数簇,每一个所述用户群体识别可能性系数簇包括所述第一示例性互联网用户分布关系网中的每一个示例性互联网用户识别为多个互联网用户群体中的每一个互联网用户群体的用户群体识别可能性,所述多个中间互联网用户群体识别神经网络中的每一个中间互联网用户群体识别神经网络基于将第一互联网用户群体识别神经网络进行不同的网络优化形成;
对于所述第一示例性互联网用户分布关系网中的每一个示例性互联网用户,依据多个用户群体识别可能性系数簇中,关于该示例性互联网用户对应的用户群体识别可能性之间的区别,分析得到该示例性互联网用户对应的第一用户群体标识数据的置信参数;
将所述第一用户群体标识数据簇中,对应的置信参数小于预先配置的参考置信参数的第一用户群体标识数据进行标识数据更新处理,以形成对应的更新第一用户群体标识数据;
依据每一个所述更新第一用户群体标识数据和所述第一用户群体标识数据簇中的其它第一用户群体标识数据,组合形成所述第一示例性互联网用户分布关系网对应的第二用户群体标识数据簇;以及,依据所述第二用户群体标识数据簇,将所述第一互联网用户群体识别神经网络进行网络优化处理,以形成对应的优化互联网用户群体识别神经网络。
4.根据权利要求3所述的基于大数据和人工智能的互联网数据分析方法,其特征在于,所述多个互联网用户群体的数量等于第一数量;
所述对于所述第一示例性互联网用户分布关系网中的每一个示例性互联网用户,依据多个用户群体识别可能性系数簇中,关于该示例性互联网用户对应的用户群体识别可能性之间的区别,分析得到该示例性互联网用户对应的第一用户群体标识数据的置信参数的步骤,包括:
对第一数量个互联网用户群体进行轮询;
依据所述多个用户群体识别可能性系数簇中,所述示例性互联网用户识别为第A个互联网用户群体对应的用户群体识别可能性之间的区别,分析得到所述示例性互联网用户对应的用户群体识别可能性在所述第A个互联网用户群体下的置信参数,以得到所述示例性互联网用户的一个候选置信参数,A小于或等于所述第一数量;
在所述示例性互联网用户对应的第一数量个候选置信参数中,确定出一个候选置信参数,以标记为所述示例性互联网用户对应的第一用户群体标识数据的置信参数。
5.根据权利要求4所述的基于大数据和人工智能的互联网数据分析方法,其特征在于,所述依据所述多个用户群体识别可能性系数簇中,所述示例性互联网用户识别为第A个互联网用户群体对应的用户群体识别可能性之间的区别,分析得到所述示例性互联网用户对应的用户群体识别可能性在所述第A个互联网用户群体下的置信参数的步骤,包括:
将所述多个用户群体识别可能性系数簇中,所述示例性互联网用户识别为所述第A个互联网用户群体对应的用户群体识别可能性进行离散程度分析,以输出对应的第一离散程度系数;
对所述第一离散程度系数的负相关系数进行标记处理,以标记形成所述示例性互联网用户对应的用户群体识别可能性在所述第A个互联网用户群体下的置信参数。
6.根据权利要求4所述的基于大数据和人工智能的互联网数据分析方法,其特征在于,所述依据所述多个用户群体识别可能性系数簇中,所述示例性互联网用户识别为第A个互联网用户群体对应的用户群体识别可能性之间的区别,分析得到所述示例性互联网用户对应的用户群体识别可能性在所述第A个互联网用户群体下的置信参数的步骤,包括:
依据所述示例性互联网用户对应的第一用户群体标识数据,分析出用于反映所述示例性互联网用户对应的互联网用户群体是否属于所述第A个互联网用户群体的用户群体归属表征参数;
将所述多个用户群体识别可能性系数簇中,所述示例性互联网用户识别为所述第A个互联网用户群体对应的用户群体识别可能性,和所述示例性互联网用户对应的用户群体归属表征参数进行离散程度分析,以输出对应的第二离散程度系数;以及,对所述第二离散程度系数的负相关系数进行标记处理,以标记形成所述示例性互联网用户对应的用户群体识别可能性在所述第A个互联网用户群体下的置信参数。
7.根据权利要求4所述的基于大数据和人工智能的互联网数据分析方法,其特征在于,所述在所述示例性互联网用户对应的第一数量个候选置信参数中,确定出一个候选置信参数,以标记为所述示例性互联网用户对应的第一用户群体标识数据的置信参数的步骤,包括:
对所述示例性互联网用户对应的第一数量个候选置信参数中,具有最小值的候选置信参数进行标记处理,以标记为所述示例性互联网用户的对应第一用户群体标识数据的置信参数。
8.根据权利要求4所述的基于大数据和人工智能的互联网数据分析方法,其特征在于,所述第一数量个互联网用户群体包括第二数量个大规模互联网用户群体和小规模互联网用户群体,所述第一数量和所述第二数量的差值等于1;
所述在所述示例性互联网用户对应的第一数量个候选置信参数中,确定出一个候选置信参数,以标记为所述示例性互联网用户对应的第一用户群体标识数据的置信参数的步骤,包括:
在所述示例性互联网用户对应的第一数量个候选置信参数中,分析出所述第二数量个大规模互联网用户群体对应的第二数量个候选置信参数;
在所述第二数量个候选置信参数中,对具有最小值的候选置信参数进行标记处理,以标记为所述示例性互联网用户对应的第一用户群体标识数据的置信参数。
9.根据权利要求4所述的基于大数据和人工智能的互联网数据分析方法,其特征在于,所述互联网数据分析方法还包括:
确定出用户群体识别信息簇,所述用户群体识别信息簇包括所述第一示例性互联网用户分布关系网中的每一个示例性互联网用户的用户群体识别信息,所述示例性互联网用户的用户群体识别信息用于反映所述示例性互联网用户对应的互联网用户群体,所述示例性互联网用户的用户群体识别信息基于用户群体识别可能性系数簇中所述示例性互联网用户识别为每一个互联网用户群体的用户群体识别可能性得到;
依据所述用户群体识别信息簇中每一个示例性互联网用户的用户群体识别信息,和所述第一用户群体标识数据簇中对应的示例性互联网用户的第一用户群体标识数据之间的区别,在所述示例性互联网用户的第一数量个候选置信参数中,确定出第三数量个待处理置信参数,所述第三数量小于或等于所述第一数量;
所述在所述示例性互联网用户对应的第一数量个候选置信参数中,确定出一个候选置信参数,以标记为所述示例性互联网用户对应的第一用户群体标识数据的置信参数的步骤,包括:
在所述示例性互联网用户对应的第三数量个待处理置信参数中,确定出一个候选置信参数,以标记为所述示例性互联网用户对应的第一用户群体标识数据的置信参数。
10.一种基于大数据和人工智能的互联网数据分析平台,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1-9任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211735448.9A CN115905715A (zh) | 2022-12-30 | 2022-12-30 | 基于大数据和人工智能的互联网数据分析方法和平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211735448.9A CN115905715A (zh) | 2022-12-30 | 2022-12-30 | 基于大数据和人工智能的互联网数据分析方法和平台 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115905715A true CN115905715A (zh) | 2023-04-04 |
Family
ID=86493892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211735448.9A Withdrawn CN115905715A (zh) | 2022-12-30 | 2022-12-30 | 基于大数据和人工智能的互联网数据分析方法和平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115905715A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109121A (zh) * | 2023-04-17 | 2023-05-12 | 西昌学院 | 基于大数据分析的用户需求挖掘方法及*** |
-
2022
- 2022-12-30 CN CN202211735448.9A patent/CN115905715A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109121A (zh) * | 2023-04-17 | 2023-05-12 | 西昌学院 | 基于大数据分析的用户需求挖掘方法及*** |
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*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598845B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN109284372B (zh) | 用户操作行为分析方法、电子装置及计算机可读存储介质 | |
CN109284371B (zh) | 反欺诈方法、电子装置及计算机可读存储介质 | |
CN116109121B (zh) | 基于大数据分析的用户需求挖掘方法及*** | |
CN113641993A (zh) | 一种基于云计算的数据安防处理方法及数据安防服务器 | |
CN112231592A (zh) | 基于图的网络社团发现方法、装置、设备以及存储介质 | |
CN115828011B (zh) | 基于大数据的数据分析方法和平台 | |
CN111292377A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
CN115964432A (zh) | 基于大数据可视化的用户操作异常分析方法及*** | |
CN115905715A (zh) | 基于大数据和人工智能的互联网数据分析方法和平台 | |
CN113643033A (zh) | 一种用于大数据风控分析的信息处理方法及服务器 | |
CN113434857A (zh) | 一种应用深度学习的用户行为安全解析方法及*** | |
CN113569955A (zh) | 一种模型训练方法、用户画像生成方法、装置及设备 | |
CN113780365A (zh) | 样本生成方法和装置 | |
CN117669384A (zh) | 基于物联网的温度传感器生产智能监测方法及*** | |
CN116526670A (zh) | 面向电力大数据可视化的信息融合方法 | |
CN115564578B (zh) | 欺诈识别模型生成方法 | |
CN115359484A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN114117037A (zh) | 意图识别方法、装置、设备和存储介质 | |
Wang | [Retracted] Cotraining Algorithm Based on Weighted Principal Component Analysis and Improved Density Peak Clustering | |
CN116996403B (zh) | 应用ai模型的网络流量诊断方法及*** | |
Zeng et al. | Anomaly detection for high‐dimensional dynamic data stream using stacked habituation autoencoder and union kernel density estimator | |
CN116663338B (zh) | 一种基于相似算例的仿真分析方法、装置、设备及介质 | |
CN116501993B (zh) | 房源数据推荐方法及装置 | |
CN111833022B (zh) | 跨数据、信息、知识模态与量纲的任务处理方法及组件 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230404 |