发明内容
有鉴于此,本发明的目的在于提供一种基于大数据在线服务的内容推送方法及AI智能推送***,以在一定程度上提高内容推送的可靠度。
为实现上述目的,本发明实施例采用如下技术方案:
一种基于大数据在线服务的内容推送方法,包括:
确定出待处理在线服务的待处理服务群体中,待处理服务对象和所述待处理服务对象对应的至少一个待定第一指向相关对象的对象描述特征分布,所述待处理服务对象对应的至少一个待定第一指向相关对象是指,所述待定第一指向相关对象和所述待处理服务对象之间具有从所述待定第一指向相关对象指向所述待处理服务对象的相关关系;
对所述待处理服务对象的对象描述特征分布进行加载,以加载到优化过的特征分析神经网络中,挖掘出所述待处理服务对象的对象数据深度特征表示,并分别对每一个待定第一指向相关对象的对象描述特征分布进行加载,以加载到所述优化过的特征分析神经网络中,挖掘出每一个所述待定第一指向相关对象的对象数据深度特征表示,所述优化过的特征分析神经网络基于具有对象相关指向信息的示例性第一数据进行网络优化形成,所述示例性第一数据包括具有并列对象相关信息的示例***对象和具有非并列对象相关信息的示例***对象的对象描述特征分布;
基于每一个所述待定第一指向相关对象的对象数据深度特征表示和所述待处理服务对象的对象数据深度特征表示,分析出每一个所述待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数;
基于每一个所述待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数,分析出所述待处理服务对象和至少一个待定第一指向相关对象之间的相关指向信息;
基于分析出的相关指向信息,对所述待处理在线服务的待推送服务内容进行对象推送操作,所述待推送服务内容包括文本数据、语音数据和图像数据中的至少一种。
在一些优选的实施例中,在上述基于大数据在线服务的内容推送方法中,所述确定出待处理在线服务的待处理服务群体中,待处理服务对象和所述待处理服务对象对应的至少一个待定第一指向相关对象的对象描述特征分布的步骤,包括:
在所述待处理服务对象的全局对象描述数据中,抽选出所述待处理服务对象的对象本质描述数据,并在每一个所述待定第一指向相关对象的全局对象描述数据中,分别抽选出每一个所述待定第一指向相关对象的对象本质描述数据;
对所述待处理服务对象的对象本质描述数据进行加载,以加载到优化过的编码神经网络中,以输出所述待处理服务对象的对象描述特征分布,并分别对每一个所述待定第一指向相关对象的对象本质描述数据进行加载,以加载到所述优化过的编码神经网络中,以输出每一个所述待定第一指向相关对象的对象描述特征分布。
在一些优选的实施例中,在上述基于大数据在线服务的内容推送方法中,所述对象描述特征分布包括服务对象的全局对象描述数据中每一个对象本质描述数据的本质数据特征表示,所述优化过的特征分析神经网络包括特征融合单元和数据特征深度挖掘单元;
所述对所述待处理服务对象的对象描述特征分布进行加载,以加载到优化过的特征分析神经网络中,挖掘出所述待处理服务对象的对象数据深度特征表示,并分别对每一个待定第一指向相关对象的对象描述特征分布进行加载,以加载到所述优化过的特征分析神经网络中,挖掘出每一个所述待定第一指向相关对象的对象数据深度特征表示的步骤,包括:
利用所述特征融合单元,将所述待处理服务对象的对象描述特征分布包括的每一个本质数据特征表示进行有权重的叠加操作,以输出所述待处理服务对象的融合数据特征表示,并分别将每一个待定第一指向相关对象的对象描述特征分布包括的每一个本质数据特征表示进行有权重的叠加操作,以输出每一个待定第一指向相关对象的融合数据特征表示;
利用所述数据特征深度挖掘单元,将所述待处理服务对象的融合数据特征表示进行特征深度挖掘操作,以输出所述待处理服务对象的对象数据深度特征表示,并分别将每一个待定第一指向相关对象的融合数据特征表示进行特征深度挖掘操作,以输出每一个待定第一指向相关对象的对象数据深度特征表示。
在一些优选的实施例中,在上述基于大数据在线服务的内容推送方法中,所述基于每一个所述待定第一指向相关对象的对象数据深度特征表示和所述待处理服务对象的对象数据深度特征表示,分析出每一个所述待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数的步骤,包括:
对于一个待定第一指向相关对象,对所述待处理服务对象的对象数据深度特征表示和对象分类数据、所述一个待定第一指向相关对象的对象数据深度特征表示和对象分类数据、所述待处理服务对象与所述一个待定第一指向相关对象之间的对象活动区域相关数据进行加载,以加载到优化过的对比分析神经网络中,以分析出所述一个待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数;
所述优化过的对比分析神经网络基于具有实际的可能性表征参数的示例性第二数据进行网络优化形成,所述示例性第二数据包括示例***对象的对象数据深度特征表示、对象分类数据和所述示例***对象之间的对象活动区域相关数据。
在一些优选的实施例中,在上述基于大数据在线服务的内容推送方法中,所述优化过的对比分析神经网络包括第一对比分析单元和第二对比分析单元;
所述对于一个待定第一指向相关对象,对所述待处理服务对象的对象数据深度特征表示和对象分类数据、所述一个待定第一指向相关对象的对象数据深度特征表示和对象分类数据、所述待处理服务对象与所述一个待定第一指向相关对象之间的对象活动区域相关数据进行加载,以加载到优化过的对比分析神经网络中,以分析出所述一个待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数的步骤,包括:
利用所述第一对比分析单元,分析出所述待处理服务对象和所述一个待定第一指向相关对象的对象数据深度特征表示之间的相关性数据;
利用所述第二对比分析单元,分析出所述待处理服务对象和所述一个待定第一指向相关对象的对象分类数据之间的分类区别性数据;
基于所述相关性数据、所述分类区别性数据、所述待处理服务对象和所述一个待定第一指向相关对象之间的对象活动区域相关数据,分析出所述一个待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数。
在一些优选的实施例中,在上述基于大数据在线服务的内容推送方法中,所述优化过的对比分析神经网络还包括第三对比分析单元;
在所述基于所述相关性数据、所述分类区别性数据、所述待处理服务对象和所述一个待定第一指向相关对象之间的对象活动区域相关数据,分析出所述一个待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数的步骤之前,还包括:
对所述待处理服务对象的图谱相关性描述数据以及所述一个待定第一指向相关对象的图谱相关性描述数据进行加载,以加载到所述优化过的对比分析神经网络中;
利用所述第三对比分析单元,分析出所述待处理服务对象的图谱相关性描述数据和所述一个待定第一指向相关对象的图谱相关性描述数据之间的图谱区别性数据;
所述基于所述相关性数据、所述分类区别性数据、所述待处理服务对象和所述一个待定第一指向相关对象之间的对象活动区域相关数据,分析出所述一个待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数的步骤,包括:
基于所述相关性数据、所述分类区别性数据、所述待处理服务对象与所述一个待定第一指向相关对象之间的对象活动区域相关数据、所述图谱区别性数据,分析出所述一个待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数。
在一些优选的实施例中,在上述基于大数据在线服务的内容推送方法中,所述图谱相关性描述数据包括相关性知识图谱;其中,确定出所述待处理服务对象的相关性知识图谱的步骤包括:
分析出每一个所述待定第一指向相关对象中与所述待处理服务对象的对象数据深度特征表示之间的相关性表征参数大于或等于预先确定的参考相关性表征参数的待定第一指向相关对象;以及,对分析出的待定第一指向相关对象与所述待处理服务对象进行相关标记操作,以形成所述待处理服务对象的相关性知识图谱;
确定出所述一个待定第一指向相关对象的相关性知识图谱的步骤包括:
分析出每一个待定第一指向次相关对象中与所述一个待定第一指向相关对象的对象数据深度特征表示之间的相关性表征参数大于或等于所述参考相关性表征参数的待定第一指向次相关对象,每一个所述待定第一指向次相关对象属于所述一个待定第一指向相关对象对应的待定第一指向相关对象;以及,对分析出的待定第一指向次相关对象和所述一个待定第一指向相关对象进行相关标记操作,以形成所述一个待定第一指向相关对象的相关性知识图谱。
在一些优选的实施例中,在上述基于大数据在线服务的内容推送方法中,所述优化过的特征分析神经网络的网络优化操作包括:
在所述示例性第一数据中,确定出示例性第一服务对象、与所述示例性第一服务对象具有并列对象相关信息的示例性相关服务对象、与所述示例性第一服务对象具有非并列对象相关信息的示例性非相关服务对象,并确定出与所述示例性第一服务对象具有非并列对象相关信息,且与所述示例性非相关服务对象具有非并列对象相关信息的深度非相关服务对象;
分别对所述示例性第一服务对象、所述示例性相关服务对象、所述示例性非相关服务对象和所述深度非相关服务对象的对象描述特征分布进行加载,以加载到还没有优化过的特征分析神经网络中,以挖掘出所述示例性第一服务对象、所述示例性相关服务对象、所述示例性非相关服务对象和所述深度非相关服务对象的对象数据深度特征表示;
将所述还没有优化过的特征分析神经网络进行更新调整,并在对应的误差指标的波动幅度小于或等于预先确定的参考波动幅度的情况下,停止进行更新调整,以形成优化过的特征分析神经网络,并使得具有并列对象相关信息的示例***对象的对象数据深度特征表示之间的差异小于具有非并列对象相关信息的示例***对象的对象数据深度特征表示之间的差异,且具有并列对象相关信息的示例***对象的对象数据深度特征表示之间的最大差异小于或等于具有非并列对象相关信息的示例***对象的对象数据深度特征表示之间的最小差异。
在一些优选的实施例中,在上述基于大数据在线服务的内容推送方法中,所述基于分析出的相关指向信息,对所述待处理在线服务的待推送服务内容进行对象推送操作的步骤,包括:
基于分析出的相关指向信息,在所述待处理服务对象对应的至少一个待定第一指向相关对象中,确定出所述待处理服务对象对应的第一指向相关对象,以及,对每一个第一指向相关对象的历史推送服务内容进行提取,以形成对应的历史推送服务内容集合;
基于所述历史推送服务内容集合包括的历史推送服务内容,确定出所述待处理在线服务对于所述待处理服务对象的待推送服务内容;
将所述待处理在线服务对于所述待处理服务对象的待推送服务内容,推送给所述待处理服务对象。
本发明实施例还提供一种AI智能推送***,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,以实现上述的基于大数据在线服务的内容推送方法。
本发明实施例提供的基于大数据在线服务的内容推送方法及AI智能推送***,可以先确定出待处理服务对象和待定第一指向相关对象的对象描述特征分布;挖掘出待处理服务对象的对象数据深度特征表示,并挖掘出每一个待定第一指向相关对象的对象数据深度特征表示;基于对象数据深度特征表示,分析出每一个待定第一指向相关对象属于待处理服务对象的第一指向相关对象的可能性表征参数;基于可能性表征参数,分析出待处理服务对象和至少一个待定第一指向相关对象之间的相关指向信息;基于相关指向信息,对待处理在线服务的待推送服务内容进行对象推送操作。基于前述的内容,由于不仅仅是简单地对待处理服务对象进行分析处理,也不仅仅是对待处理服务对象的对象数据深度特征表示直接进行分析处理,而是结合了待处理服务对象对应的至少一个待定第一指向相关对象,且分析的依据还是具有丰富信息的对象数据深度特征表示,因此,使得内容推送过程中的分析更为充分,使得可以在一定程度上提高内容推送的可靠度。
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。
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AI智能推送***。其中,所述AI智能推送***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(计算机程序)。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基于大数据在线服务的内容推送方法。
应当理解的是,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。
应当理解的是,在一些实施方式中,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。
应当理解的是,在一些实施方式中,所述AI智能推送***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基于大数据在线服务的内容推送方法,可应用于上述AI智能推送***。其中,所述基于大数据在线服务的内容推送方法有关的流程所定义的方法步骤,可以由所述AI智能推送***实现。
下面将对图2所示的具体流程,进行详细阐述。
步骤S110,确定出待处理在线服务的待处理服务群体中,待处理服务对象和所述待处理服务对象对应的至少一个待定第一指向相关对象的对象描述特征分布。
在本发明实施例中,所述AI智能推送***可以确定出待处理在线服务的待处理服务群体中,待处理服务对象和所述待处理服务对象对应的至少一个待定第一指向相关对象的对象描述特征分布,即确定出待处理服务对象的对象描述特征分布,并确定出待定第一指向相关对象的对象描述特征分布。所述待处理服务对象对应的至少一个待定第一指向相关对象是指,所述待定第一指向相关对象和所述待处理服务对象之间具有从所述待定第一指向相关对象指向所述待处理服务对象的相关关系,即在推送内容的维度,所述待定第一指向相关对象对于所述待处理服务对象具有一定的参考意义或相关关系。另外,所述对象描述特征分布的表现形式可以为向量。其中,所述待定第一指向相关对象的确定方式可以是指,依据服务对象之间的交互数据进行确定,如确定出在历史上向所述处理服务对象发送过至少一条数据的对象,作为待定第一指向相关对象。或者,在其它实施方式中,也可以基于方式进行确定。
步骤S120,对所述待处理服务对象的对象描述特征分布进行加载,以加载到优化过的特征分析神经网络中,挖掘出所述待处理服务对象的对象数据深度特征表示,并分别对每一个待定第一指向相关对象的对象描述特征分布进行加载,以加载到所述优化过的特征分析神经网络中,挖掘出每一个所述待定第一指向相关对象的对象数据深度特征表示。
在本发明实施例中,所述AI智能推送***可以对所述待处理服务对象的对象描述特征分布进行加载,以加载到优化过的特征分析神经网络中,挖掘出所述待处理服务对象的对象数据深度特征表示,并分别对每一个待定第一指向相关对象的对象描述特征分布进行加载,以加载到所述优化过的特征分析神经网络中,挖掘出每一个所述待定第一指向相关对象的对象数据深度特征表示。所述优化过的特征分析神经网络基于具有对象相关指向信息的示例性第一数据进行网络优化形成,所述示例性第一数据包括具有并列对象相关信息的示例***对象和具有非并列对象相关信息的示例***对象的对象描述特征分布。另外,所述对象数据深度特征表示的表现形式也可以为向量。
步骤S130,基于每一个所述待定第一指向相关对象的对象数据深度特征表示和所述待处理服务对象的对象数据深度特征表示,分析出每一个所述待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数。
在本发明实施例中,所述AI智能推送***可以基于每一个所述待定第一指向相关对象的对象数据深度特征表示和所述待处理服务对象的对象数据深度特征表示,分析出每一个所述待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数。例如,相应的神经网络,可以通过相应的示例性数据学习到服务对象和第一指向相关对象对应的对象数据深度特征表示之间的关系,如此,可以基于该关系进行对比分析,以确定出对应的可能性表征参数。
步骤S140,基于每一个所述待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数,分析出所述待处理服务对象和至少一个待定第一指向相关对象之间的相关指向信息。
在本发明实施例中,所述AI智能推送***可以基于每一个所述待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数,分析出所述待处理服务对象和至少一个待定第一指向相关对象之间的相关指向信息。
步骤S150,基于分析出的相关指向信息,对所述待处理在线服务的待推送服务内容进行对象推送操作。
在本发明实施例中,所述AI智能推送***可以基于分析出的相关指向信息,对所述待处理在线服务的待推送服务内容进行对象推送操作。所述待推送服务内容包括文本数据、语音数据和图像数据中的至少一种。
基于前述的内容,由于不仅仅是简单地对待处理服务对象进行分析处理,也不仅仅是对待处理服务对象的对象数据深度特征表示直接进行分析处理,而是结合了待处理服务对象对应的至少一个待定第一指向相关对象,且分析的依据还是具有丰富信息的对象数据深度特征表示,因此,使得内容推送过程中的分析更为充分,使得可以在一定程度上提高内容推送的可靠度,从而改善现有技术中存在的可靠度不高的问题。
应当理解的是,在一些实施方式中,上述的步骤S110,可以进一步包括下面描述的各实施子步骤:
在所述待处理服务对象的全局对象描述数据中,抽选出所述待处理服务对象的对象本质描述数据,并在每一个所述待定第一指向相关对象的全局对象描述数据中,分别抽选出每一个所述待定第一指向相关对象的对象本质描述数据,示例性地,所述对象本质描述数据可以是指相应的服务对象(也可以理解为服务用户)的用户属性数据,如用户身份信息、用户位置信息、用户偏好信息等,该用户偏好信息是指对服务内容的偏好,如领域偏好等,即历史上对服务内容的领域偏好等;
对所述待处理服务对象的对象本质描述数据进行加载,以加载到优化过的编码神经网络中,以输出所述待处理服务对象的对象描述特征分布,并分别对每一个所述待定第一指向相关对象的对象本质描述数据进行加载,以加载到所述优化过的编码神经网络中,以输出每一个所述待定第一指向相关对象的对象描述特征分布,也就是说,可以将所述对象本质描述数据进行编码处理,以形成对应的对象描述特征分布,如此,所述对象描述特征分布可以理解为服务对象具有的浅层的特征。
应当理解的是,在一些实施方式中,所述对象描述特征分布可以包括服务对象的全局对象描述数据(即全部的用户属性数据)中每一个对象本质描述数据的本质数据特征表示,所述优化过的特征分析神经网络可以包括特征融合单元和数据特征深度挖掘单元,基于此,所述对所述待处理服务对象的对象描述特征分布进行加载,以加载到优化过的特征分析神经网络中,挖掘出所述待处理服务对象的对象数据深度特征表示,并分别对每一个待定第一指向相关对象的对象描述特征分布进行加载,以加载到所述优化过的特征分析神经网络中,挖掘出每一个所述待定第一指向相关对象的对象数据深度特征表示的步骤,即上述的步骤S120,可以进一步包括下面描述的各实施子步骤:
利用所述特征融合单元,将所述待处理服务对象的对象描述特征分布包括的每一个本质数据特征表示进行有权重的叠加操作,以输出所述待处理服务对象的融合数据特征表示,并分别将每一个待定第一指向相关对象的对象描述特征分布包括的每一个本质数据特征表示进行有权重的叠加操作,以输出每一个待定第一指向相关对象的融合数据特征表示,示例性地,每一个本质数据特征表示对应的权重,可以在所述优化过的特征分析神经网络的网络优化过程中通过更新调整以形成,使得所述融合数据特征表示可以充分反映相应的本质数据特征表示的重要程度;
利用所述数据特征深度挖掘单元,将所述待处理服务对象的融合数据特征表示进行特征深度挖掘操作,以输出所述待处理服务对象的对象数据深度特征表示,并分别将每一个待定第一指向相关对象的融合数据特征表示进行特征深度挖掘操作,以输出每一个待定第一指向相关对象的对象数据深度特征表示,如前所述,所述对象描述特征分布可以理解为服务对象具有的浅层的特征,因此,通过进行特征深度挖掘操作,可以得到对应的对象数据深度特征表示,即得到深层的特征,具体来说,可以将所述融合数据特征表示进行自身的聚焦特征分析操作,以而得到对应的对象数据深度特征表示,或者,可以对聚焦特征分析操作的结果进行进一步的全连接处理,以得到对应的对象数据深度特征表示。
应当理解的是,在一些实施方式中,上述的步骤S130,可以进一步包括下面描述的各实施子步骤:
对于一个待定第一指向相关对象,对所述待处理服务对象的对象数据深度特征表示和对象分类数据、所述一个待定第一指向相关对象的对象数据深度特征表示和对象分类数据、所述待处理服务对象与所述一个待定第一指向相关对象之间的对象活动区域相关数据进行加载,以加载到优化过的对比分析神经网络中,以分析出所述一个待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数,也就是说,在对象数据深度特征表示的基础上,进一步结合对象分类数据和对象活动区域相关数据进行分析,其中,所述对象分类数据可以是指对象的种类,具体的种类信息不受限制,可以是基于对服务内容相关领域的偏好、关注程度等信息进行分类,以形成对应的种类信息;
其中,所述优化过的对比分析神经网络基于具有实际的可能性表征参数的示例性第二数据进行网络优化形成,所述示例性第二数据包括示例***对象的对象数据深度特征表示、对象分类数据和所述示例***对象之间的对象活动区域相关数据,所述对象活动区域相关数据可以是指对应的服务对象的活动区域之间的相关关系,如重合程度等。
应当理解的是,在一些实施方式中,所述优化过的对比分析神经网络可以包括第一对比分析单元和第二对比分析单元,基于此,所述对于一个待定第一指向相关对象,对所述待处理服务对象的对象数据深度特征表示和对象分类数据、所述一个待定第一指向相关对象的对象数据深度特征表示和对象分类数据、所述待处理服务对象与所述一个待定第一指向相关对象之间的对象活动区域相关数据进行加载,以加载到优化过的对比分析神经网络中,以分析出所述一个待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数的步骤,可以进一步包括下面描述的各实施子步骤:
利用所述第一对比分析单元,分析出所述待处理服务对象和所述一个待定第一指向相关对象的对象数据深度特征表示之间的相关性数据,如对对象数据深度特征表示进行相乘运算,以得到对应的相关性数据;
利用所述第二对比分析单元,分析出所述待处理服务对象和所述一个待定第一指向相关对象的对象分类数据之间的分类区别性数据,如先对对应的分类区别性数据进行编码,然后,对得到的编码特征表示进行余弦距离的确定,以得到对应的分类区别性数据;
基于所述相关性数据、所述分类区别性数据、所述待处理服务对象和所述一个待定第一指向相关对象之间的对象活动区域相关数据,分析出所述一个待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数,即对三方面的数据进行融合。
应当理解的是,在一些实施方式中,所述优化过的对比分析神经网络还可以包括第三对比分析单元,基于此,在所述基于所述相关性数据、所述分类区别性数据、所述待处理服务对象和所述一个待定第一指向相关对象之间的对象活动区域相关数据,分析出所述一个待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数的步骤之前,还可以进一步包括下面描述的各实施子步骤:
对所述待处理服务对象的图谱相关性描述数据以及所述一个待定第一指向相关对象的图谱相关性描述数据进行加载,以加载到所述优化过的对比分析神经网络中;以及,利用所述第三对比分析单元,分析出所述待处理服务对象的图谱相关性描述数据和所述一个待定第一指向相关对象的图谱相关性描述数据之间的图谱区别性数据,例如,可以先对所述图谱相关性描述数据进行编码,然后,可以对得到的编码特征表示进行余弦距离的确定,以得到对应的图谱区别性数据。
基于此,所述基于所述相关性数据、所述分类区别性数据、所述待处理服务对象和所述一个待定第一指向相关对象之间的对象活动区域相关数据,分析出所述一个待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数的步骤,可以进一步包括下面描述的各实施子步骤:
基于所述相关性数据、所述分类区别性数据、所述待处理服务对象与所述一个待定第一指向相关对象之间的对象活动区域相关数据、所述图谱区别性数据,分析出所述一个待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数,也就是说,可以融合四个方面的数据,以确定出可能性表征参数,例如,在一种实施方式中,可以直接将所述相关性数据、所述分类区别性数据、所述待处理服务对象与所述一个待定第一指向相关对象之间的对象活动区域相关数据、所述图谱区别性数据进行融合,以得到对应的可能性表征参数,如进行求和计算,其中,相关性数据可以为正值、区别性数据可以为负值,或者,可以先对所述相关性数据、所述分类区别性数据、所述待处理服务对象与所述一个待定第一指向相关对象之间的对象活动区域相关数据、所述图谱区别性数据进行编码,然后,可以对得到的编码特征表示进行预测输出,如通过softmax函数实现,以得到可能性表征参数,如0、0.1、0.5、0.75、0.9等数值。
应当理解的是,在一些实施方式中,所述图谱相关性描述数据可以包括相关性知识图谱,基于此,确定出所述待处理服务对象的相关性知识图谱的步骤,可以进一步包括下面描述的各实施子步骤:
分析出每一个所述待定第一指向相关对象中与所述待处理服务对象的对象数据深度特征表示之间的相关性表征参数大于或等于预先确定的参考相关性表征参数的待定第一指向相关对象,所述参考相关性表征参数的具体数值不受限制,可以根据实际应用需求进行配置;
对分析出的待定第一指向相关对象与所述待处理服务对象进行相关标记操作,以形成所述待处理服务对象的相关性知识图谱,即在所述相关性知识图谱中分析出的待定第一指向相关对象与所述待处理服务对象之间可以通过所述相关标记操作配置有对应的图谱连接线。
其中,确定出所述一个待定第一指向相关对象的相关性知识图谱的步骤,可以进一步包括下面描述的各实施子步骤:
分析出每一个待定第一指向次相关对象中与所述一个待定第一指向相关对象的对象数据深度特征表示之间的相关性表征参数大于或等于所述参考相关性表征参数的待定第一指向次相关对象,每一个所述待定第一指向次相关对象属于所述一个待定第一指向相关对象对应的待定第一指向相关对象;以及,对分析出的待定第一指向次相关对象和所述一个待定第一指向相关对象进行相关标记操作,以形成所述一个待定第一指向相关对象的相关性知识图谱,如前相关描述。
应当理解的是,在一些实施方式中,所述优化过的特征分析神经网络的网络优化操作,可以进一步包括下面描述的各实施子步骤:
在所述示例性第一数据中,确定出示例性第一服务对象、与所述示例性第一服务对象具有并列对象相关信息的示例性相关服务对象、与所述示例性第一服务对象具有非并列对象相关信息的示例性非相关服务对象,并确定出与所述示例性第一服务对象具有非并列对象相关信息,且与所述示例性非相关服务对象具有非并列对象相关信息的深度非相关服务对象,示例性地,与所述示例性第一服务对象具有并列对象相关信息的示例性相关服务对象可以是指,所述示例性第一服务对象的第一指向相关对象和所述示例性相关服务对象的第一指向相关对象是相同的;与所述示例性第一服务对象具有非并列对象相关信息的示例性非相关服务对象可以是指,所述示例性第一服务对象的第一指向相关对象和所述示例性非相关服务对象的第一指向相关对象是不相同的;
分别对所述示例性第一服务对象(的对象描述特征分布)、所述示例性相关服务对象(的对象描述特征分布)、所述示例性非相关服务对象(的对象描述特征分布)和所述深度非相关服务对象的对象描述特征分布进行加载,以加载到还没有优化过的特征分析神经网络中,以挖掘出所述示例性第一服务对象(的对象数据深度特征表示)、所述示例性相关服务对象(的对象数据深度特征表示)、所述示例性非相关服务对象(的对象数据深度特征表示)和所述深度非相关服务对象的对象数据深度特征表示;
将所述还没有优化过的特征分析神经网络进行更新调整(对包括的网络参数进行更新调整),并在对应的误差指标的波动幅度小于或等于预先确定的参考波动幅度的情况下(如通过更新调整,已经不能使得误差指标明显降低,所述误差指标的具体计算方式不受限制,所述参考波动幅度的具体数值不受限制),停止进行更新调整,以形成优化过的特征分析神经网络,并使得具有并列对象相关信息的示例***对象的对象数据深度特征表示之间的差异小于具有非并列对象相关信息的示例***对象的对象数据深度特征表示之间的差异,且具有并列对象相关信息的示例***对象的对象数据深度特征表示之间的最大差异小于或等于具有非并列对象相关信息的示例***对象的对象数据深度特征表示之间的最小差异。
其中,应当理解的是,在一些实施方式中,所述优化过的对比分析神经网络的网络优化操作,可以进一步包括下面描述的各实施子步骤:
在所述示例性第二数据中,确定出示例性第二服务对象和所述示例性第二服务对象对应的至少一个目标待定第一指向相关对象,所述目标待定第一指向相关对象中配置有所述目标待定第一指向相关对象属于所述示例性第二服务对象的第一指向相关对象的可能性表征参数;
对于一个目标待定第一指向相关对象,对所述示例性第二服务对象的对象数据深度特征表示和对象分类数据、所述一个目标待定第一指向相关对象的对象数据深度特征表示和对象分类数据、所述一个目标待定第一指向相关对象与所述示例性第二服务对象的对象活动区域相关数据进行加载,以加载到还没有经过优化的对比分析神经网络中,分析出所述一个目标待定第一指向相关对象属于所述示例性第二服务对象的第一指向相关对象的可能性表征参数,如前相关描述;
将所述还没有经过优化的对比分析神经网络中进行更新调整,并在每一个目标待定第一指向相关对象标配置的可能性表征参数与利用所述还没有经过优化的对比分析神经网络分析出的可能性表征参数之间的差异小于预先确定的参考差异的情况下,输出优化过的对比分析神经网络,即沿着降低参考差异的方向进行更新调整,所述参考差异的具体数值不受限制。
其中,应当理解的是,在一些实施方式中,所述对于一个目标待定第一指向相关对象,对所述示例性第二服务对象的对象数据深度特征表示和对象分类数据、所述一个目标待定第一指向相关对象的对象数据深度特征表示和对象分类数据、所述一个目标待定第一指向相关对象与所述示例性第二服务对象的对象活动区域相关数据进行加载,以加载到还没有经过优化的对比分析神经网络中,分析出所述一个目标待定第一指向相关对象属于所述示例性第二服务对象的第一指向相关对象的可能性表征参数的步骤,可以进一步包括下面描述的各实施子步骤:
对所述示例性第二服务对象的对象数据深度特征表示和对象分类数据、所述一个目标待定第一指向相关对象的对象数据深度特征表示和对象分类数据、所述一个目标待定第一指向相关对象与所述示例性第二服务对象的对象活动区域相关数据、其它相关数据进行加载,以加载到所述还没有经过优化的对比分析神经网络中,分析出所述一个目标待定第一指向相关对象属于所述示例性第二服务对象的第一指向相关对象的可能性表征参数;所述其它相关数据包括所述示例性第二服务对象的图谱相关性描述数据和所述一个目标待定第一指向相关对象的图谱相关性描述数据。
其中,应当理解的是,在一些实施方式中,上述的步骤S140,可以进一步包括下面描述的各实施子步骤:
确定出每一个所述待定第一指向相关对象中对应的可能性表征参数具有最大值的待定第一指向相关对象;
在确定出的待定第一指向相关对象对应的可能性表征参数大于或等于预先确定的参考可能性表征参数,对确定出的待定第一指向相关对象进行标记,以标记为所述待处理服务对象的第一指向相关对象,所述参考可能性表征参数的具体数值不受限制,可以根据实际需求进行配置。
应当理解的是,在一些实施方式中,上述的步骤S150,可以进一步包括下面描述的各实施子步骤:
基于分析出的相关指向信息,在所述待处理服务对象对应的至少一个待定第一指向相关对象中,确定出所述待处理服务对象对应的第一指向相关对象,以及,对每一个第一指向相关对象的历史推送服务内容进行提取,也可以是提取每一个第一指向相关对象具有较高关注度的历史推送服务内容等,以形成对应的历史推送服务内容集合;
基于所述历史推送服务内容集合包括的历史推送服务内容,确定出所述待处理在线服务对于所述待处理服务对象的待推送服务内容,例如,可以将所述历史推送服务内容集合中出现频次最高的历史推送服务内容,确定为所述待处理在线服务对于所述待处理服务对象的待推送服务内容;
将所述待处理在线服务对于所述待处理服务对象的待推送服务内容,推送给所述待处理服务对象(对应的终端设备)。
结合图3,本发明实施例还提供一种基于大数据在线服务的内容推送装置,可应用于上述AI智能推送***。其中,所述基于大数据在线服务的内容推送装置可以包括:
特征分布确定模块,用于确定出待处理在线服务的待处理服务群体中,待处理服务对象和所述待处理服务对象对应的至少一个待定第一指向相关对象的对象描述特征分布,所述待处理服务对象对应的至少一个待定第一指向相关对象是指,所述待定第一指向相关对象和所述待处理服务对象之间具有从所述待定第一指向相关对象指向所述待处理服务对象的相关关系;
深度特征挖掘模块,用于对所述待处理服务对象的对象描述特征分布进行加载,以加载到优化过的特征分析神经网络中,挖掘出所述待处理服务对象的对象数据深度特征表示,并分别对每一个待定第一指向相关对象的对象描述特征分布进行加载,以加载到所述优化过的特征分析神经网络中,挖掘出每一个所述待定第一指向相关对象的对象数据深度特征表示,所述优化过的特征分析神经网络基于具有对象相关指向信息的示例性第一数据进行网络优化形成,所述示例性第一数据包括具有并列对象相关信息的示例***对象和具有非并列对象相关信息的示例***对象的对象描述特征分布;
深度特征对比模块,用于基于每一个所述待定第一指向相关对象的对象数据深度特征表示和所述待处理服务对象的对象数据深度特征表示,分析出每一个所述待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数;
相关指向分析模块,用于基于每一个所述待定第一指向相关对象属于所述待处理服务对象的第一指向相关对象的可能性表征参数,分析出所述待处理服务对象和至少一个待定第一指向相关对象之间的相关指向信息;
对象内容推送模块,用于基于分析出的相关指向信息,对所述待处理在线服务的待推送服务内容进行对象推送操作,所述待推送服务内容包括文本数据、语音数据和图像数据中的至少一种。
综上所述,本发明提供的基于大数据在线服务的内容推送方法及AI智能推送***,可以先确定出待处理服务对象和待定第一指向相关对象的对象描述特征分布;挖掘出待处理服务对象的对象数据深度特征表示,并挖掘出每一个待定第一指向相关对象的对象数据深度特征表示;基于对象数据深度特征表示,分析出每一个待定第一指向相关对象属于待处理服务对象的第一指向相关对象的可能性表征参数;基于可能性表征参数,分析出待处理服务对象和至少一个待定第一指向相关对象之间的相关指向信息;基于相关指向信息,对待处理在线服务的待推送服务内容进行对象推送操作。基于前述的内容,由于不仅仅是简单地对待处理服务对象进行分析处理,也不仅仅是对待处理服务对象的对象数据深度特征表示直接进行分析处理,而是结合了待处理服务对象对应的至少一个待定第一指向相关对象,且分析的依据还是具有丰富信息的对象数据深度特征表示,因此,使得内容推送过程中的分析更为充分,使得可以在一定程度上提高内容推送的可靠度。
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。