用于大数据挖掘的用户兴趣分析方法及云端AI部署系统技术方案

本发明专利技术实施例提供一种用于大数据挖掘的用户兴趣分析方法及云端AI部署系统，可以基于先验模型加载源数据对目标训练兴趣分析模型进行网络权重调优，即依据目标训练兴趣分析模型中的第一目标训练兴趣分析子网络输出第一先验用户兴趣点热力图，依据目标训练兴趣分析模型中的第二目标训练兴趣分析子网络输出第二先验用户兴趣点热力图，进而基于第一先验用户兴趣点热力图和第二先验用户兴趣点热力图对目标训练兴趣分析模型进行网络权重调优，确定标定用户兴趣分析模型，依据对目标训练兴趣分析模型进行网络权重调优所得到的标定用户兴趣分析模型可以提高预测用户兴趣预测热力图的精度。图的精度。图的精度。

【技术实现步骤摘要】
用于大数据挖掘的用户兴趣分析方法及云端AI部署系统
[0001]本申请是申请号202210572038.0、申请日为2022年05月25日、专利技术创造名称为“服务于用户兴趣分析的大数据挖掘方法及云端AI部署系统”的中国申请的分案申请。


[0002]本专利技术涉及大数据
，具体而言，涉及一种用于大数据挖掘的用户兴趣分析方法及云端AI部署系统。

技术介绍

[0003]随着互联网和信息技术的迅速发展，电子商务、网上服务与交易等网络业务越来越普及，大量的信息聚集起来，形成了海量大数据。当前，通过大数据技术和AI分析技术，可以根据用户之前在相关线上业务服务平台的行为数据记录分析出用户兴趣点，然后根据不同用户兴趣点不同为其推荐不同的内容，此种信息获取方式被称为个性化推荐方式。
[0004]然而相关技术中，仅结合用户兴趣点进行页面内容推送，页面内容的针对性较差。

技术实现思路

[0005]为了至少克服现有技术中的上述不足，本专利技术的目的在于提供一种用于大数据挖掘的用户兴趣分析方法及云端AI部署系统。
[0006]第一方面，本专利技术实施例提供一种服务于用户兴趣分析的大数据挖掘方法，应用于云端AI部署系统，所述方法包括：对候选用户线上行为活动大数据进行大数据挖掘，确定对应的候选用户针对所述候选用户线上行为活动大数据的用户兴趣预测热力图；基于所述用户兴趣预测热力图，确定所述候选用户的可信用户兴趣点序列；分析所述候选用户流向所述可信用户兴趣点序列中各个可信用户兴趣点的用户需求信息；基于所述各个可信用户兴趣点的用户需求信息，在所述候选用户所关联的线上页面中引用对应的页面内容信息。
[0007]第二方面，本专利技术实施例还提供一种服务于用户兴趣分析的大数据挖掘系统，所述服务于用户兴趣分析的大数据挖掘系统包括云端AI部署系统以及与所述云端AI部署系统通信连接的多个云端AI部署系统；所述云端AI部署系统，用于：对候选用户线上行为活动大数据进行大数据挖掘，确定对应的候选用户针对所述候选用户线上行为活动大数据的用户兴趣预测热力图；基于所述用户兴趣预测热力图，确定所述候选用户的可信用户兴趣点序列；分析所述候选用户流向所述可信用户兴趣点序列中各个可信用户兴趣点的用户需求信息；基于所述各个可信用户兴趣点的用户需求信息，在所述候选用户所关联的线上页
面中引用对应的页面内容信息。
[0008]采用以上任意一个方面的实施例方案，通过对候选用户线上行为活动大数据进行大数据挖掘，确定对应的候选用户针对候选用户线上行为活动大数据的用户兴趣预测热力图，基于用户兴趣预测热力图，确定候选用户的可信用户兴趣点序列以及可信用户兴趣点序列，分析候选用户流向可信用户兴趣点序列中各个可信用户兴趣点的用户需求信息，基于各个可信用户兴趣点的用户需求信息，在候选用户所关联的线上页面中引用对应的页面内容信息，从而在用户兴趣预测的基础上，同时结合可信用户兴趣点和流向可信用户兴趣点的用户需求信息进行页面内容推送，可以提高页面内容的针对性。
附图说明
[0009]图1为本专利技术实施例提供的服务于用户兴趣分析的大数据挖掘方法的流程示意图。
具体实施方式
[0010]下面介绍本专利技术一种实施例提供的服务于用户兴趣分析的大数据挖掘系统10的架构，该服务于用户兴趣分析的大数据挖掘系统10可以包括云端AI部署系统100以及与云端AI部署系统100通信连接的云端AI部署系统200。其中，服务于用户兴趣分析的大数据挖掘系统10中的云端AI部署系统100和云端AI部署系统200可以通过配合执行以下方法实施例所描述的服务于用户兴趣分析的大数据挖掘方法，具体云端AI部署系统100和云端AI部署系统200的执行步骤部分可以参照以下方法实施例的详细描述。
[0011]本实施例提供的服务于用户兴趣分析的大数据挖掘方法可以由云端AI部署系统100执行，下面结合图1对该服务于用户兴趣分析的大数据挖掘方法进行详细介绍。
[0012]Process100，对候选用户线上行为活动大数据进行大数据挖掘，确定对应的候选用户针对所述候选用户线上行为活动大数据的用户兴趣预测热力图。
[0013]本实施例中，用户兴趣预测热力图可以用于表示该候选用户针对所述候选用户线上行为活动大数据中的各个目标兴趣点的兴趣置信度。
[0014]Process200，基于所述用户兴趣预测热力图，确定所述候选用户的可信用户兴趣点序列。
[0015]本实施例中，可信用户兴趣点序列可以用于表示兴趣置信度大于预设置信度的用户兴趣点序列。
[0016]Process300，分析所述候选用户流向所述可信用户兴趣点序列中各个可信用户兴趣点的用户需求信息。
[0017]例如，可以从所述候选用户线上行为活动大数据中确定所述候选用户流向所述可信用户兴趣点序列中各个可信用户兴趣点的流向路径信息（例如可包括该候选用户访问可信用户兴趣点过程中的各个触发需求信息，如搜索短语信息构成的路径），并从所述流向路径信息中获取持续时间大于预设时间的触发需求信息，确定为所述候选用户流向各个可信用户兴趣点的用户需求信息。
[0018]Process400，基于所述各个可信用户兴趣点的用户需求信息，在所述候选用户所关联的线上页面中引用对应的页面内容信息。
[0019]在获取到各个可信用户兴趣点的用户需求信息后，可以搜索各个可信用户兴趣点所相关的初始页面内容信息，然后基于各个可信用户兴趣点的用户需求信息从初始页面内容信息中进一步筛选出页面内容信息以在所述候选用户所关联的线上页面中引用。
[0020]基于以上步骤，通过对候选用户线上行为活动大数据进行大数据挖掘，确定对应的候选用户针对候选用户线上行为活动大数据的用户兴趣预测热力图，基于用户兴趣预测热力图，确定候选用户的可信用户兴趣点序列以及可信用户兴趣点序列，分析候选用户流向可信用户兴趣点序列中各个可信用户兴趣点的用户需求信息，基于各个可信用户兴趣点的用户需求信息，在候选用户所关联的线上页面中引用对应的页面内容信息，从而在用户兴趣预测的基础上，同时结合可信用户兴趣点和流向可信用户兴趣点的用户需求信息进行页面内容推送，可以提高页面内容的针对性。
[0021]其中，前述的Process100的一种示例性的实施例可以参见下述方案。
[0022]Process101，获取标定用户兴趣分析模型和与候选用户线上行为活动大数据所对应的候选用户，基于候选用户和候选用户线上行为活动大数据生成模型加载源数据。
[0023]例如，云端AI部署系统可以获取标定用户兴趣分析模型。其中，标定用户兴趣分析模型包括基础用户兴趣分析子网络和扩展用户兴趣分析子网络。基础用户兴趣分析子网络和扩展用户兴趣分析子网络分别是依据多个用户兴趣维度进行AI训练得到的。一些实施例中，云端AI部署系统可以获取与候选用户线上行为活动大数据所对应的候选用户，将候选用户的用户标签、候选用户线上行为活动大数据的数据标签和与候选用户所对应的用户线上行为活动数据集作为标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于大数据挖掘的用户兴趣分析方法，其特征在于，所述方法通过所述云端AI部署系统进行执行，所述方法包括：获取目标训练兴趣分析模型和与先验用户所对应的先验用户线上行为活动数据，基于所述先验用户和所述先验用户线上行为活动数据确定先验模型加载源数据；所述目标训练兴趣分析模型包括第一目标训练兴趣分析子网络和第二目标训练兴趣分析子网络；所述第一目标训练兴趣分析子网络和所述第二目标训练兴趣分析子网络分别是依据多个用户兴趣维度进行AI训练得到的；依据所述第一目标训练兴趣分析子网络对所述先验模型加载源数据进行行为偏好变量挖掘，确定先验用户偏好连通变量和所述多个用户兴趣维度分别对应的先验兴趣影响力连通变量，基于所述先验用户偏好连通变量和多个先验兴趣影响力连通变量，确定与所述多个用户兴趣维度所对应的第一先验用户兴趣点热力图；将所述先验模型加载源数据分别加载至所述第二目标训练兴趣分析子网络中的多个目标训练兴趣预测单元，基于各目标训练兴趣预测单元分别生成的先验用户兴趣预测数据，获得所述第二目标训练兴趣分析子网络所生成的与所述多个用户兴趣维度所对应的第二先验用户兴趣点热力图；在所述目标训练兴趣分析模型中，对所述第一先验用户兴趣点热力图和所述第二先验用户兴趣点热力图进行融合，确定所述先验用户针对所述先验用户线上行为活动数据的先验用户兴趣预测热力图，依据所述第一先验用户兴趣点热力图、所述第二先验用户兴趣点热力图、所述先验用户针对所述先验用户线上行为活动数据的先验兴趣标注数据和所述先验用户兴趣预测热力图，对所述目标训练兴趣分析模型进行模型权重调优优化，将模型权重调优优化后的目标训练兴趣分析模型作为标定用户兴趣分析模型；所述标定用户兴趣分析模型用于预测候选用户针对候选用户线上行为活动大数据的用户兴趣预测热力图。2.根据权利要求1所述的用于大数据挖掘的用户兴趣分析方法，其特征在于，所述在所述目标训练兴趣分析模型中，对所述第一先验用户兴趣点热力图和所述第二先验用户兴趣点热力图进行融合，确定所述先验用户针对所述先验用户线上行为活动数据的先验用户兴趣预测热力图，依据所述第一先验用户兴趣点热力图、所述第二先验用户兴趣点热力图、所述先验用户针对所述先验用户线上行为活动数据的先验兴趣标注数据和所述先验用户兴趣预测热力图，对所述目标训练兴趣分析模型进行模型权重调优优化，将模型权重调优优化后的目标训练兴趣分析模型作为标定用户兴趣分析模型，包括：在所述目标训练兴趣分析模型中，对所述第一先验用户兴趣点热力图和所述第二先验用户兴趣点热力图进行兴趣置信度均值转化，确定所述先验用户针对所述先验用户线上行为活动数据的先验用户兴趣预测热力图；依据所述先验用户针对所述先验用户线上行为活动数据的先验兴趣标注数据和所述先验用户兴趣预测热力图，获得所述目标训练兴趣分析模型的第一训练代价值；依据所述第一先验用户兴趣点热力图和所述先验用户针对所述先验用户线上行为活动数据的先验兴趣标注数据，获得所述第一目标训练兴趣分析子网络的第二训练代价值；依据所述第二先验用户兴趣点热力图和所述先验用户针对所述先验用户线上行为活动数据的先验兴趣标注数据，获得所述第二目标训练兴趣分析子网络的第三训练代价值；基于所述第一训练代价值、所述第二训练代价值和所述第三训练代价值，获得所述目
标训练兴趣分析模型的全局训练代价值，基于所述全局训练代价值对所述目标训练兴趣分析模型进行模型权重调优优化，将模型权重调优优化后的目标训练兴趣分析模型作为标定用户兴趣分析模型。3.根据权利要求1所述的用于大数据挖掘的用户兴趣分析方法，其特征在于，所述目标训练兴趣分析模型还包括目标训练兴趣融合单元；所述在所述目标训练兴趣分析模型中，对所述第一先验用户兴趣点热力图和所述第二先验用户兴趣点热力图进行融合，确定所述先验用户针对所述先验用户线上行为活动数据的先验用户兴趣预测热力图，依据所述第一先验用户兴趣点热力图、所述第二先验用户兴趣点热力图、所述先验用户针对所述先验用户线上行为活动数据的先验兴趣标注数据和所述先验用户兴趣预测热力图，对所述目标训练兴趣分析模型进行模型权重调优优化，将模型权重调优优化后的目标训练兴趣分析模型作为标定用户兴趣分析模型，包括：依据所述第一先验用户兴趣点热力图和所述先验用户针对所述先验用户线上行为活动数据的先验兴趣标注数据，获得所述第一目标训练兴趣分析子网络的第二训练代价值，基于所述第二训练代价值对所述第一目标训练兴趣分析子网络进行模型权重调优优化，将模型权重调优优化后的第一目标训练兴趣分析子网络作为基础用户兴趣分析子网络；依据所述第二先验用户兴趣点热力图和所述先验用户针对所述先验用户线上行为活动数据的先验兴趣标注数据，获得所述第二目标训练兴趣分析子网络的第三训练代价值，基于所述第三训练代价值对所述第二目标训练兴趣分析子网络进行模型权重调优优化，将模型权重调优优化后的第二目标训练兴趣分析子网络作为扩展用户兴趣分析子网络；对所述第一先验用户兴趣点热力图和所述第二先验用户兴趣点热力图进行融合，确定先验融合兴趣点热力图；将所述先验融合兴趣点热力图加载至所述目标训练兴趣融合单元，依据所述目标训练兴趣融合单元对所述先验融合兴趣点热力图中的所述第一先验用户兴趣点热力图和所述第二先验用户兴趣点热力图进行融合学习，确定所述先验用户针对所述先验用户线上行为活动数据的先验用户兴趣预测热力图；依据所述先验用户针对所述先验用户线上行为活动数据的先验兴趣标注数据和所述先验用户兴趣预测热力图，对所述目标训练兴趣融合单元进行模型权重调优优化，将模型权重调优优化后的目标训练兴趣融合单元作为兴趣融合单元；将模型权重调优优化后的目标训练兴趣分析模型作为标定用户兴趣分析模型；所述标定用户兴趣分析模型包括所述兴趣融合单元、所述基础用户兴趣分析子网络和所述扩展用户兴趣分析子网络。4.根据权利要求1所述的用于大数据挖掘的用户兴趣分析方法，其特征在于，所述方法还包括：获取标定用户兴趣分析模型和与候选用户线上行为活动大数据所对应的候选用户，基于所述候选用户和所述候选用户线上行为活动大数据生成模型加载源数据；所述标定用户兴趣分析模型包括基础用户兴趣分析子网络和扩展用户兴趣分析子网络；所述基础用户兴趣分析子网络和所述扩展用户兴趣分析子网络分别是依据多个用户兴趣维度进行AI训练得到的，其中，所述云端AI部署系统获取与候选用户线上行为活动大数据所对应的候选用户，将候选用户的用户标签、候选用户线上行为活动大数据的数据标签和与候选用户所对
应的用户线上行为活动数据集作为标定用户兴趣分析模型的模型加载源数据，所述用户标签用于表示候选用户，所述数据标签用于表示用户线上行为活动数据；依据所述基础用户兴趣分析子网络对所述模型加载源数据进行行为偏好变量挖掘，确定用户偏好连通变量和所述多个用户兴趣维度分别对应的兴趣影响力连通变量，基于所述用户偏好连通变量和多个兴趣影响力连通变量，确定与所述多个用户兴趣维度所对应的基础用户兴趣点热力图；将所述模型加载源数据分别加载至所述扩展用户兴趣分析子网络中的多个用户兴趣预测单元，基于各用户兴趣预测单元分别生成的用户兴趣预测数据，获得所述扩展用户兴趣分析子网络所生成的与所述多个用户兴趣维度所对应的扩展用户兴趣点热力图；在所述标定用户兴趣分析模型中，对所述基础用户兴趣点热力图和所述扩展用户兴趣点热力图进行融合，确定所述候选用户针对所述候选用户线上行为活动大数据的用户兴趣预测热力图；基于所述用户兴趣预测热力图，确定所述候选用户的可信用户兴趣点序列；分析所述候选用户流向所述可信用户兴趣点序列中各个可信用户兴趣点的用户需求信息；基于所述各个可信用户兴趣点的用户需求信息，在所述候选用户所关联的线上页面中引用对应的页面内容信息。5.根据权利要求4所述的用于大数据挖掘的用户兴趣分析方法，其特征在于，所述依据所述基础用户兴趣分析子网络对所述模型加载源数据进行行为偏好变量挖掘，确定用户偏好连通变量和所述多个用户兴趣维度分别对应的兴趣影响力连通变量，基于所述用户偏好连通变量和多个兴趣影响力连通变量，确定与所述多个用户兴趣维度所对应的基础用户兴趣点热力图，包括：将所述模型加载源数据加载至所述基础用户兴趣分析子网络；所述基础用户兴趣分析子网络包括第一变量加载单元、多个用户偏好分析单元和所述多个用户兴趣维度各自对应的偏好影响力分析单元；依据所述第一变量加载单元对所述模型加载源数据进行特征嵌入聚合，确定所述第一变量加载单元所生成的所述候选用户针对所述候选用户线上行为活动大数据的第一用户偏好成员变量；将所述第一用户偏好成员变量分别加载至所述多个用户偏好分析单元，依据所述多个用户偏好分析单元分别对所述第一用户偏好成员变量进行连通结点分析，确定各用户偏好分析单元分别生成的用户偏好连通变量；将所述第一用户偏好成员变量分别加载至多个偏好影响力分析单元，依据所述多个偏好影响力分析单元分别对所述第一用户偏好成员变量进行偏好影响力分析，确定各偏好影响力分析单元分别生成的兴趣影响力连通变量；基于多个用户偏好连通变量和多个兴趣影响力连通变量，确定与所述多个用户兴趣维度所对应的基础用户兴趣点热力图；其中，所述多个用户兴趣维度包括主动用户兴趣维度和被动用户兴趣维度；所述多个偏好影响力分析单元包括所述主动用户兴趣维度所指示的主动偏好影响力分析单元和所述被动用户兴趣维度所指示的被动偏好影响力分析单元；所述多个兴趣影响力连通变量包
括主动兴趣影响力连通变量和被动兴趣影响力连通变量；所述将所述第一用户偏好成员变量分别加载至多个偏好影响力分析单元，依据所述多个偏好影响力分析单元分别对所述第一用户偏好成员变量进行偏好影响力分析，确定各偏好影响力分析单元分别生成的兴趣影响力连通变量，包括：将所述第一用户偏好成员变量加载至所述主动偏好影响力分析单元，依据所述主动偏好影响力分析单元对所述第一用户偏好成员变量进行偏好影响力分析，确定所述主动偏好影响力分析单元生成的所述主动兴趣影响力连通变量；将所述第一用户偏好成员变量加载至所述被动偏好影响力分析单元，依据所述被动偏好影响力分析单元对所述第一用户偏好成员变量进行偏好影响力分析，确定所述被动偏好影响力分析单元生成的所述被动兴趣影响力连通变量；其中，所述主动兴趣影响力连通变量包括与所述各用户偏好分析单元分别对应的主动兴趣影响力连通系数；所述被动兴趣影响力连通变量包括与所述各用户偏好分析单元分别对应的被动兴趣影响力连通系数；所述基础用户兴趣分析子网络还包括第一主动兴趣预测单元和第一被动兴趣预测单元；所述基础用户兴趣点热力图包括第一主动兴趣支撑度和第一被动兴趣支撑度； 所述基于多个用户偏好连通变量和多个兴趣影响力连通变量，确定与所述多个用户兴趣维度所对应的基础用户兴趣点热力图，包括：基于与所述各用户偏好分析单元分别对应的主动兴趣影响力连通系数，对所述各用户偏好分析单元分别生成的用户偏好连通变量进行兴趣影响力连通处理，确定目标主动偏好特征；将所述目标主动偏好特征加载至所述第一主动兴趣预测单元，依据所述第一主动兴趣预测单元对所述目标主动偏好特征进行兴趣预测，确定第一主动兴趣预测变量，基于所述第一主动兴趣预测变量，获得与所述主动用户兴趣维度所对应的所述第一主动兴趣支撑度；基于与所述各用户偏好分析单元分别对应的被动兴趣影响力连通系数，对所述各用户偏好分析单元分别生成的用户偏好连通变量进行兴趣影响力连通处理，确定目标被动偏好特征，将所述目标被动偏好特征加载至所述第一被动兴趣预测单元，依据所述第一被动兴趣预测单元对所述目标被动偏好特征进行...

【专利技术属性】
技术研发人员：周刚，
申请(专利权)人：张伟斌，
类型：发明
国别省市：