基于云计算的页面大数据分析方法及区块链金融服务中心

摘要

本申请实施例提供一种基于云计算的页面大数据分析方法及区块链金融服务中心，可以先从页面操作行为大数据中提取出至少一个可分析行为过程信息，然后预测出每个行为画像预测服务针对至少一个可分析行为过程信息中的每个可分析行为过程信息的分析关联度，即确定出跟踪分析关联参数，并依据跟踪分析关联参数，为每个可分析行为过程信息确定出合适的目标行为画像预测单元，从而仅利用对每个可分析行为过程信息而言较为重要的目标行为画像预测单元来对每个可分析行为过程信息进行跟踪识别，进而减少了对每个可分析行为过程信息进行画像预测的服务调用的数量，提高了画像预测的效率。

说明书

技术领域

本申请涉及大数据分析技术领域，具体而言，涉及一种基于云计算的页面大数据分析方法及区块链金融服务中心。

背景技术

在页面操作过程中，区块链金融展示终端上传的页面操作行为大数据中通常包含有丰富的信息内容，其中，有一些行为过程信息可能包含有用户所关注的重要信息，若是能为可分析行为过程信息生成对应的画像结果，由此进行页面的内容针对性更新，可以使用户获得更好的内容服务体验。

然而在相关技术中，通常会利用多种不同的行为画像预测服务对行为过程信息进行画像预测，从而为其生成画像结果。然而，随着网络数量的增多，对行为过程信息进行识别所耗费的时间也会增多，从而使得画像预测效率较低。

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基于云计算的页面大数据分析方法及区块链金融服务中心，可以先从页面操作行为大数据中提取出至少一个可分析行为过程信息，然后预测出每个行为画像预测服务针对至少一个可分析行为过程信息中的每个可分析行为过程信息的分析关联度，即确定出跟踪分析关联参数，并依据跟踪分析关联参数，为每个可分析行为过程信息确定出合适的目标行为画像预测单元，从而仅利用对每个可分析行为过程信息而言较为重要的目标行为画像预测单元来对每个可分析行为过程信息进行跟踪识别，进而减少了对每个可分析行为过程信息进行画像预测的服务调用的数量，提高了画像预测的效率。

第一方面，本申请提供一种基于云计算的页面大数据分析方法，应用于区块链金融服务中心，所述区块链金融服务中心与多个区块链金融展示终端通信连接，所述方法包括：

当检测到所述区块链金融展示终端上传的页面操作行为大数据时，从所述页面操作行为大数据中提取出至少一个可分析行为过程信息；所述至少一个可分析行为过程信息为所述页面操作行为大数据中的关键行为过程信息；

获取预设行为画像预测服务集，并针对所述至少一个可分析行为过程信息中的每个可分析行为过程信息，确定出所述预设行为画像预测服务集所对应的多个跟踪分析关联参数；其中，所述多个跟踪分析关联参数中的每个跟踪分析关联参数表征所述预设行为画像预测服务集中的每个行为画像预测服务对所述至少一个可分析行为过程信息中的所述每个可分析行为过程信息的分析关联度；所述预设行为画像预测服务集包括至少一个基于云计算容器的行为画像预测服务；

基于所述多个跟踪分析关联参数，从所述预设行为画像预测服务集中为所述每个可分析行为过程信息确定出与所述每个可分析行为过程信息对应的目标行为画像预测单元；

利用所述每个可分析行为过程信息对应的所述目标行为画像预测单元，对所述每个可分析行为过程信息进行画像预测，得到所述每个可分析行为过程信息的画像预测结果。

在第一方面的一种可能的实现方式中，所述基于所述多个跟踪分析关联参数，从所述预设行为画像预测服务集中为所述每个可分析行为过程信息确定出与所述每个可分析行为过程信息对应的目标行为画像预测单元，包括：

对所述每个可分析行为过程信息的多个跟踪分析关联参数进行排序，其中所述每个可分析行为过程信息的多个跟踪分析关联参数表征所述预设行为画像预测服务集中的各个行为画像预测服务对所述每个可分析行为过程信息的分析关联度；

将所述每个可分析行为过程信息的多个跟踪分析关联参数中最高的预设数量的跟踪分析关联参数所对应的行为画像预测服务，作为所述每个可分析行为过程信息对应的所述目标行为画像预测单元。

在第一方面的一种可能的实现方式中，所述预设行为画像预测服务集中的每个行为画像预测服务具有对应于所述至少一个可分析行为过程信息的跟踪分析关联参数；

所述基于所述多个跟踪分析关联参数，从所述预设行为画像预测服务集中为所述每个可分析行为过程信息确定出与所述每个可分析行为过程信息对应的目标行为画像预测单元，包括：

将所述多个跟踪分析关联参数中与所述每个可分析行为过程信息对应的跟踪分析关联参数，与预设好的关联度阈值进行比较，得到比较结果；

从所述预设行为画像预测服务集中，挑选出所述比较结果表征所述跟踪分析关联参数大于所述预设好的关联度阈值的行为画像预测服务，作为所述每个可分析行为过程信息对应的所述目标行为画像预测单元。

在第一方面的一种可能的实现方式中，所述利用所述每个可分析行为过程信息对应的所述目标行为画像预测单元，对所述每个可分析行为过程信息进行画像预测，得到所述每个可分析行为过程信息的画像预测结果，包括：

确定每个目标行为画像预测单元对应的可分析行为过程信息作为目标行为过程信息；

对所述每个目标行为画像预测单元的所述目标行为过程信息的覆盖业务进行统计，得到所述每个目标行为画像预测单元的目标覆盖业务位置；

利用所述目标覆盖业务位置，为所述每个目标行为画像预测单元确定出对应的预测节点位置；

按照所述预测节点位置，利用所述每个目标行为画像预测单元对与所述每个目标行为画像预测单元对应的所述目标行为过程信息进行画像预测，得到所述目标行为过程信息对应的画像预测结果；

当对所述每个目标行为画像预测单元所对应的所述目标行为过程信息进行画像预测之后，得到所述每个可分析行为过程信息对应的画像预测结果。

在第一方面的一种可能的实现方式中，所述按照所述预测节点位置，利用所述每个目标行为画像预测单元对与所述每个目标行为画像预测单元对应的所述目标行为过程信息进行画像预测，得到所述目标行为过程信息对应的画像预测结果，包括：

将所述预测节点位置与预设节点位置进行比较，得到节点位置比较结果；所述节点位置比较结果表征所述预测节点位置与所述预设节点位置的时序关系；

当所述节点位置比较结果表征所述预测节点位置在所述预设节点位置之前时，利用所述每个目标行为画像预测单元对与所述每个目标行为画像预测单元对应的所述目标行为过程信息进行画像预测，得到所述目标行为过程信息对应的画像预测结果；

当所述节点位置比较结果表征所述预测节点位置在所述预设节点位置之后时，结束利用所述每个目标行为画像预测单元对与所述每个目标行为画像预测单元对应的所述目标行为过程信息进行画像预测；或者

当利用当前节点位置所对应的当前目标行为画像预测单元，对所述当前目标行为画像预测单元所对应的所述当前目标行为过程信息进行画像预测完成时，获取所述当前目标行为画像预测单元对应的当前跟踪完成时间；所述当前节点位置为所述每个目标行为画像预测单元对应的所述预测节点位置中的任意一个；

当所述当前跟踪完成时间大于或等于预设好的最大时间时，停止利用所述当前节点位置的下一个节点位置所对应的下一个目标行为画像预测单元，对所述下一个目标行为画像预测单元对应的目标行为过程信息进行画像预测。

在第一方面的一种可能的实现方式中，所述针对所述至少一个可分析行为过程信息中的每个可分析行为过程信息，确定出所述预设行为画像预测服务集所对应的多个跟踪分析关联参数，包括：

针对所述每个可分析行为过程信息，利用预设跟踪分析关联解析网络模型，预测出所述预设行为画像预测服务集中的所述每个行为画像预测服务所对应的跟踪分析关联参数；

当对所述预设行为画像预测服务集均完成跟踪分析关联参数的预测时，得到所述预设行为画像预测服务集所对应的所述多个跟踪分析关联参数；

其中，所述预设跟踪分析关联解析网络模型通过以下方式训练获得：

获取初始分析网络模型、过往行为过程信息、多个过往画像预测数据、所述多个过往画像预测数据对应的多个画像业务影响信息，以及所述预设行为画像预测服务集对应的预测覆盖业务，其中，所述过往行为过程信息为过往时间利用所述预设行为画像预测服务集进行画像预测的行为过程信息，所述多个过往画像预测数据为利用所述预设行为画像预测服务集对所述过往行为过程信息进行画像预测所得到的画像预测数据，所述多个过往画像预测数据和所述多个画像业务影响信息一一对应；所述预测覆盖业务包括所述每个行为画像预测服务对所述过往行为过程信息的覆盖业务；

利用所述多个过往画像预测数据、所述多个画像业务影响信息和所述预测覆盖业务，针对所述过往行为过程信息构造出所述预设行为画像预测服务集所对应的多个训练跟踪分析关联参数；所述多个训练跟踪分析关联参数中的每个训练跟踪分析关联参数和所述预设行为画像预测服务集中的每个行为画像预测服务一一对应；

利用所述过往行为过程信息和所述多个训练跟踪分析关联参数，对所述初始分析网络模型进行训练，直至达到迭代结束要求时，得到所述预设跟踪分析关联解析网络模型；

其中，所述多个过往画像预测数据中的每个过往画像预测数据包括画像预测可信度和画像预测覆盖度；

所述利用所述多个过往画像预测数据、所述多个画像业务影响信息和所述预测覆盖业务，针对所述过往行为过程信息构造出所述预设行为画像预测服务集所对应的多个训练跟踪分析关联参数，包括：

针对所述预设行为画像预测服务集中的当前行为画像预测服务，从所述多个过往画像预测数据提取出当前过往画像预测数据，以及从所述预测覆盖业务中提取出当前覆盖业务；所述当前行为画像预测服务为所述预设行为画像预测服务集中的任意一个；

利用所述当前过往画像预测数据对应的当前画像业务影响信息、所述当前过往画像预测数据的当前画像预测覆盖度、当前画像预测可信度和所述当前覆盖业务，构造出所述当前行为画像预测服务对应的训练跟踪分析关联参数；

当为所述预设行为画像预测服务集均构造出对应的训练跟踪分析关联参数时，得到所述多个训练跟踪分析关联参数。

在第一方面的一种可能的实现方式中，所述预设跟踪分析关联解析网络模型包括：输入层、至少两个卷积层、至少两个池化层、降维层、全连接层和输出层； 所述输入层的输出与所述至少两个卷积层中的输入相连，所述至少两个卷积层和所述至少两个池化层依次交替连接，所述降维层的输入与所述至少两个池化层的输出相连，所述全连接层的输入与所述降维层的输出相连，所述输出层的输入与所述全连接层的输出相连； 其中，所述每个可分析行为过程信息通过所述输入层进入所述至少两个卷积层，所述至少两个池化层用于接收所述至少两个卷积层所输出的特征图，所述降维层用于接收所述至少两个池化层中的最后一个池化层所输出的池化特征图，所述全连接层用于接收所述降维层输出的降维数据，所述输出层用于接收所述全连接层输出的处理数据，以及输出所述每个行为画像预测服务对应的跟踪分析关联参数；

其中，所述至少两个卷积层包括：第一卷积层、第二卷积层，所述第一卷积层和所述第二卷积层的通道数不同；所述至少两个池化层包括：第一池化层、第二池化层； 所述输入层的输出与所述第一卷积层的输入相连，所述第一池化层的输入和所述第一卷积层的输出相连，所述第二卷积层的输入和所述第一池化层的输出相连，所述第二池化层的输入和所述第二卷积层输出相连，所述降维层的输入和所述第二池化层输出相连。

在第一方面的一种可能的实现方式中，在所述利用所述过往行为过程信息和所述多个训练跟踪分析关联参数，对所述初始分析网络模型进行训练，直至达到迭代结束要求时，得到所述预设跟踪分析关联解析网络模型之后，所述针对所述每个可分析行为过程信息，利用预设跟踪分析关联解析网络模型，预测出所述预设行为画像预测服务集中的所述每个行为画像预测服务所对应的跟踪分析关联参数之前，所述方法还包括：

针对测试行为过程信息，利用所述预设跟踪分析关联解析网络模型，预测出所述预设行为画像预测服务集所对应的多个测试跟踪分析关联参数，并对所述多个测试跟踪分析关联参数进行排序，得到分析关联参数分布；

获取所述测试行为过程信息对应的预设分析关联参数分布；所述预设分析关联参数分布表征所述预设行为画像预测服务集中的所述每个行为画像预测服务对所述测试行为过程信息的分析关联度的真实排序；

依据所述分析关联参数分布和所述预设分析关联参数分布，确定出所述预设跟踪分析关联解析网络模型的预测覆盖度；

当所述预测覆盖度小于预设好的覆盖度阈值时，重新利用所述过往行为过程信息和所述多个训练跟踪分析关联参数，对所述初始分析网络模型进行训练，直至达到迭代结束要求，得到最新的跟踪分析关联解析网络模型；

相应的，所述针对所述每个可分析行为过程信息，利用预设跟踪分析关联解析网络模型，预测出所述预设行为画像预测服务集中的所述每个行为画像预测服务所对应的跟踪分析关联参数，包括：

针对所述每个可分析行为过程信息，利用所述最新的跟踪分析关联解析网络模型，预测出所述预设行为画像预测服务集中的所述每个行为画像预测服务所对应的所述跟踪分析关联参数。

在第一方面的一种可能的实现方式中，所述方法还包括：

基于所述每个可分析行为过程信息的画像预测结果为所述区块链金融展示终端之后可展示的操作页面进行页面更新，得到页面更新结果；

在第一方面的一种可能的实现方式中，所述所述基于所述每个可分析行为过程信息的画像预测结果为所述区块链金融展示终端之后可展示的操作页面进行页面更新，得到页面更新结果的步骤，包括：

获取所述每个可分析行为过程信息的画像预测结果对应的画像映射页面元素，所述画像映射页面元素是根据与所述画像预测结果相关联的至少一个页面元素功能生成的，所述画像映射页面元素具有与之对应的画像标签；

解析所述画像映射页面元素得到具有页面更新方式的至少一个页面更新项目，所述页面更新项目与所述页面元素功能一一对应，所述至少一个页面更新项目包含起始更新位置；

从所述起始更新位置开始依次按照与之对应的画像标签的更新页面内容更新所述至少一个页面更新项目，其中，对于当前更新的目标页面更新项目，根据所述目标页面更新项目的画像标签的更新页面内容更新所述目标页面更新项目对应的页面内容排布；

若所述目标页面更新项目是扩展展示标签的页面更新项目或订阅展示标签的页面更新项目，则直接将所述目标页面更新项目对应的画像标签的更新页面内容配置到所述目标页面更新项目的下一轮展示页面；

在所述目标页面更新项目为下架页面更新项目时，将所述目标页面更新项目对应的画像标签的更新页面内容进行缓存；

其中，在更新所述订阅展示标签的页面更新项目时，根据所述订阅展示标签的页面更新项目中订阅展示字段所指示的订阅服务所支持的订阅内容模板，将所述画像标签的更新页面内容转换为所述订阅内容模板对应的数据，得到转换数据，通过所述订阅服务所支持的订阅内容模板将所述转换数据传送给所述订阅服务，并获取所述订阅服务对所述转换数据的处理结果，基于所述处理结果生成所述订阅展示标签的页面更新项目的更新页面内容，然后配置到所述目标页面更新项目的下一轮展示页面；

在更新轮播展示标签的页面更新项目时，获取所述轮播展示标签的页面更新项目解析得到的轮播起始子页面更新项目、轮播结构子页面更新项目和轮播结束子页面更新项目；

若更新所述轮播起始子页面更新项目确定满足轮播条件，则将所述轮播起始子页面更新项目的更新页面内容发送给所述轮播结构子页面更新项目，若确定不满足所述轮播条件，则将所述轮播起始子页面更新项目的更新页面内容发送给所述轮播结束子页面更新项目；在更新所述轮播结构子页面更新项目之后，将所述轮播结构子页面更新项目的更新页面内容发送给所述轮播结束子页面更新项目进行处理；若更新所述轮播结束子页面更新项目确定轮播未结束，将所述轮播结束子页面更新项目的更新页面内容发送给所述轮播起始子页面更新项目，若确定轮播结束，则将所述轮播结束子页面更新项目的更新页面内容作为所述轮播展示标签的页面更新项目的更新页面内容；

在更新定点展示标签的页面更新项目时，获取所述定点展示标签的页面更新项目解析得到的定点展示开始子页面更新项目、定点展示结构子页面更新项目和定点展示结束子页面更新项目； 若更新所述定点展示开始子页面更新项目确定满足定点展示条件，则将所述定点展示开始子页面更新项目的更新页面内容发送给所述定点展示结构子页面更新项目，若确定不满足所述定点展示条件，则将所述定点展示开始子页面更新项目的更新页面内容发送给所述定点展示结束子页面更新项目； 在更新所述定点展示结构子页面更新项目之后，将所述定点展示结构子页面更新项目的更新页面内容发送给所述定点展示结束子页面更新项目进行处理； 更新所述定点展示结束子页面更新项目，将所述定点展示结束子页面更新项目的更新页面内容作为所述定点展示标签的页面更新项目的更新页面内容；

在更新同步展示标签的页面更新项目时，获取所述同步展示标签的页面更新项目解析得到的并行开始子页面更新项目、并行处理子页面更新项目和并行结束子页面更新项目；更新所述并行开始子页面更新项目，将所述并行开始子页面更新项目的更新页面内容发送给所述并行处理子页面更新项目；在更新所述并行处理子页面更新项目之后，将所述并行处理子页面更新项目的更新页面内容发送给所述并行结束子页面更新项目进行处理；更新所述并行结束子页面更新项目以对所述并行处理子页面更新项目的更新页面内容进行整合，将整合得到的数据作为所述同步展示标签的页面更新项目的更新页面内容。

第二方面，本申请实施例还提供一种基于云计算的页面大数据分析装置，应用于区块链金融服务中心，所述区块链金融服务中心与多个区块链金融展示终端通信连接，所述装置包括：

提取模块，用于当检测到所述区块链金融展示终端上传的页面操作行为大数据时，从所述页面操作行为大数据中提取出至少一个可分析行为过程信息；所述至少一个可分析行为过程信息为所述页面操作行为大数据中的关键行为过程信息；

第一确定模块，用于获取预设行为画像预测服务集，并针对所述至少一个可分析行为过程信息中的每个可分析行为过程信息，确定出所述预设行为画像预测服务集所对应的多个跟踪分析关联参数；其中，所述多个跟踪分析关联参数中的每个跟踪分析关联参数表征所述预设行为画像预测服务集中的每个行为画像预测服务对所述至少一个可分析行为过程信息中的所述每个可分析行为过程信息的分析关联度；所述预设行为画像预测服务集包括至少一个基于云计算容器的行为画像预测服务；

第二确定模块，用于基于所述多个跟踪分析关联参数，从所述预设行为画像预测服务集中为所述每个可分析行为过程信息确定出与所述每个可分析行为过程信息对应的目标行为画像预测单元；

画像预测模块，用于利用所述每个可分析行为过程信息对应的所述目标行为画像预测单元，对所述每个可分析行为过程信息进行画像预测，得到所述每个可分析行为过程信息的画像预测结果。

第三方面，本申请实施例还提供一种基于云计算的页面大数据分析系统，所述基于云计算的页面大数据分析系统包括区块链金融服务中心以及与所述区块链金融服务中心通信连接的多个区块链金融展示终端；

所述区块链金融服务中心，用于：

当检测到所述区块链金融展示终端上传的页面操作行为大数据时，从所述页面操作行为大数据中提取出至少一个可分析行为过程信息；所述至少一个可分析行为过程信息为所述页面操作行为大数据中的关键行为过程信息；

获取预设行为画像预测服务集，并针对所述至少一个可分析行为过程信息中的每个可分析行为过程信息，确定出所述预设行为画像预测服务集所对应的多个跟踪分析关联参数；其中，所述多个跟踪分析关联参数中的每个跟踪分析关联参数表征所述预设行为画像预测服务集中的每个行为画像预测服务对所述至少一个可分析行为过程信息中的所述每个可分析行为过程信息的分析关联度；所述预设行为画像预测服务集包括至少一个基于云计算容器的行为画像预测服务；

基于所述多个跟踪分析关联参数，从所述预设行为画像预测服务集中为所述每个可分析行为过程信息确定出与所述每个可分析行为过程信息对应的目标行为画像预测单元；

利用所述每个可分析行为过程信息对应的所述目标行为画像预测单元，对所述每个可分析行为过程信息进行画像预测，得到所述每个可分析行为过程信息的画像预测结果。

第四方面，本申请实施例还提供一种区块链金融服务中心，所述区块链金融服务中心包括处理器、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系统相连，所述网络接口用于与至少一个区块链金融展示终端通信连接，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，以执行第一方面或者第一方面中任意一个可能的实现方式中的基于云计算的页面大数据分析方法。

第五方面，本申请实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其被执行时，使得计算机执行上述第一方面或者第一方面中任意一个可能的实现方式中的基于云计算的页面大数据分析方法。

基于上述任意一个方面，本申请可以先从页面操作行为大数据中提取出至少一个可分析行为过程信息，然后预测出每个行为画像预测服务针对至少一个可分析行为过程信息中的每个可分析行为过程信息的分析关联度，即确定出跟踪分析关联参数，并依据跟踪分析关联参数，为每个可分析行为过程信息确定出合适的目标行为画像预测单元，从而仅利用对每个可分析行为过程信息而言较为重要的目标行为画像预测单元来对每个可分析行为过程信息进行跟踪识别，进而减少了对每个可分析行为过程信息进行画像预测的服务调用的数量，提高了画像预测的效率。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要调用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它相关的附图。

图1为本申请实施例提供的基于云计算的页面大数据分析系统的应用场景示意图；

图2为本申请实施例提供的基于云计算的页面大数据分析方法的流程示意图；

图3为本申请实施例提供的基于云计算的页面大数据分析装置的功能模块示意图；

图4为本申请实施例提供的用于实现上述的基于云计算的页面大数据分析方法的区块链金融服务中心的结构组件示意框图。

具体实施方式

下面结合说明书附图对本申请进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。

图1是本申请一种实施例提供的基于云计算的页面大数据分析系统10的交互示意图。基于云计算的页面大数据分析系统10可以包括区块链金融服务中心100以及与区块链金融服务中心100通信连接的区块链金融展示终端200。图1所示的基于云计算的页面大数据分析系统10仅为一种可行的示例，在其它可行的实施例中，该基于云计算的页面大数据分析系统10也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。

基于本申请提供的技术方案的发明构思出发，本申请提供的区块链金融服务中心100可以应用在例如智慧医疗、智慧城市管理、智慧工业互联网、通用业务监控管理等可以应用大数据技术或者是云计算技术等的场景中，再比如，还可以应用在包括但不限于新能源汽车系统管理、智能云办公、云平台数据处理、云游戏数据处理、云直播处理、云汽车管理平台、区块链金融数据服务平台等，但不限于此。

本实施例中，基于云计算的页面大数据分析系统10中的区块链金融服务中心100和区块链金融展示终端200可以通过配合执行以下方法实施例所描述的基于云计算的页面大数据分析方法，具体区块链金融服务中心100和区块链金融展示终端200的执行步骤部分可以参照以下方法实施例的详细描述。

为了解决前述背景技术中的技术问题，图2为本申请实施例提供的基于云计算的页面大数据分析方法的流程示意图，本实施例提供的基于云计算的页面大数据分析方法可以由图1中所示的区块链金融服务中心100执行，下面对该基于云计算的页面大数据分析方法进行详细介绍。

步骤S110，当检测到页面操作行为大数据时，从页面操作行为大数据中提取出至少一个可分析行为过程信息。

当区块链金融服务中心通过网络检测到页面操作行为大数据时，就会明确当前需要为页面操作行为大数据进行画像预测了。这时，区块链金融服务中心会对页面操作行为大数据进行关键行为过程信息提取，得到至少一个页面关键行为过程信息。这些页面关键行为过程信息中包含着能够描述在页面中的行为片段的场景信息，对这些页面关键行为过程信息进行画像预测，就可以得到页面片段的画像预测结果，因此，区块链金融服务中心会将这些提取出的页面关键行为过程信息，作为可分析行为过程信息。换句话说，至少一个可分析行为过程信息为页面操作行为大数据中的关键行为过程信息，例如在操作过程中的一些持续时间大于预设时间的关键行为过程信息。

可以理解的是，页面操作行为大数据是指大量用户针对展示的页面中的各种页面对象的操作行为大数据。页面操作行为大数据可以是信息查询服务的操作行为大数据、信息下载服务的操作行为大数据等，本申请实施例在此不作限定。

需要说明的是，区块链金融服务中心也可以利用预设好的关键行为过程信息提取算法，从待跟踪页面中提取出可分析行为过程信息。其中，预设好的关键行为过程信息提取算法可以根据实际需求进行设定，本申请实施例在此不作限定。

步骤S120，获取预设行为画像预测服务集，并针对至少一个可分析行为过程信息中的每个可分析行为过程信息，确定出预设行为画像预测服务集所对应的多个跟踪分析关联参数。

本实施例中，区块链金融服务中心在得到至少一个可分析行为过程信息之后，就会先获取预设行为画像预测服务集，然后确定出预设行为画像预测服务集中的每个行为画像预测服务，对当前可分析行为过程信息的跟踪分析关联参数。由于预设行为画像预测服务集包括至少一个基于云计算容器的行为画像预测服务，因此，区块链金融服务中心针对当前可分析行为过程信息，得到多个跟踪分析关联参数，每个行为画像预测服务都有其对应于当前可分析行为过程信息的跟踪分析关联参数。其中该跟踪分析关联参数表征该行为画像预测服务对该当前可分析行为过程信息的分析关联度（可以理解为重要性程度）。也就是说，该多个跟踪分析关联参数和预设行为画像预测服务集中的每个行为画像预测服务一一对应。

在对当前可分析行为过程信息确定出多个跟踪分析关联参数之后，区块链金融服务中心就会将下一个可分析行为过程信息，继续作为当前可分析行为过程信息，直至区块链金融服务中心为每个可分析行为过程信息，均确定其所对应的多个跟踪分析关联参数。其中，预设行为画像预测服务集包括至少一个基于云计算容器的行为画像预测服务，这些行为画像预测服务都是已经训练好的深度学习网络模型，可以用于进行行为画像的预测，这些行为画像预测服务可以从不同的行为画像的维度进行画像预测，从而便于提高画像预测的全面性。

需要说明的是，多个跟踪分析关联参数中的每个跟踪分析关联参数表征预设行为画像预测服务集中的每个行为画像预测服务对至少一个可分析行为过程信息中的每个可分析行为过程信息的分析关联度。由于在预设行为画像预测服务集中，可能会有一些行为画像预测服务对可分析行为过程信息的跟踪预测并没有起到作用。例如，行为画像预测服务对可分析行为过程信息没有预测画像信息产出，或者是行为画像预测服务对可分析行为过程信息的跟踪覆盖度较低。对于可分析行为过程信息而言，这些行为画像预测服务对可分析行为过程信息的分析关联度，就会比能为可分析行为过程信息生成正确的预测画像信息的行为画像预测服务的分析关联度要低。因此，区块链金融服务中心需要利用跟踪分析关联参数，来衡量行为画像预测服务对可分析行为过程信息的分析关联度，以便于后续为可分析行为过程信息选择出合适的行为画像预测服务。

在一种可能的实现方式中，区块链金融服务中心可以利用训练好的预设跟踪分析关联解析网络模型，来预测出跟踪分析关联参数，还可以利用预设的跟踪分析关联参数的预测算法，来预测出跟踪分析关联参数，本申请实施例在此不作限定。

可以理解的是，跟踪分析关联参数可以以参数数值型特征的形式存在，例如，区块链金融服务中心针对每个可分析行为过程信息，来对每个行为画像预测服务进行数值型特征的确认，所得到的参数数值型特征即为跟踪分析关联参数。跟踪分析关联参数还可以以影响因子等级的形式存在，例如，区块链金融服务中心针对每个可分析行为过程信息，将每个行为画像预测服务划分不同的影响因子等级，例如，划分影响因子高、影响因子低的等级，从而得到跟踪分析关联参数。

步骤S130，基于多个跟踪分析关联参数，从预设行为画像预测服务集中为每个可分析行为过程信息确定出与每个可分析行为过程信息对应的目标行为画像预测单元。

区块链金融服务中心在得到每个可分析行为过程信息的多个跟踪分析关联参数，并对每个跟踪分析关联参数进行读取之后，就会明确针对每个可分析行为过程信息而言，哪些行为画像预测服务是重要的，哪些行为画像预测服务是不重要的。接着，区块链金融服务中心会将对于每个可分析行为过程信息重要的行为画像预测服务挑选出来，作为每个可分析行为过程信息所对应的目标行为画像预测单元。当区块链金融服务中心为所有的可分析行为过程信息均确定出目标行为画像预测单元之后，就会得到至少一个目标行为画像预测单元，其中每个可分析行为过程信息可以对应于一个或一个以上目标行为画像预测单元。

需要说明的是，在本申请实施例中，针对某个可分析行为过程信息而言，区块链金融服务中心可以是选择出了一个重要的行为画像预测服务，也可以是选择出多个重要的行为画像预测服务，这些重要的行为画像预测服务均是该可分析行为过程信息的目标行为画像预测单元。

进一步的，各个可分析行为过程信息所对应的目标行为画像预测单元数量可以不同，即，某个可分析行为过程信息对应的目标行为画像预测单元中所包含的服务调用数量，可以与另一个可分析行为过程信息对应的目标行为画像预测单元中所包含的服务调用数量不同。据此，至少一个可分析行为过程信息的行为过程信息的总数量，和至少一个目标行为画像预测单元的服务调用总数量可以是不同的。

需要说明的是，虽然至少一个可分析行为过程信息的行为过程信息总数量，和至少一个目标行为画像预测单元的总数量是不同的，但是由于目标行为画像预测单元是针对每个可分析行为过程信息挑选出来的，因此，每个目标行为画像预测单元都有其所对应的可分析行为过程信息，即，每个目标行为画像预测单元也与一个或一个以上可分析行为过程信息对应。

步骤S140，利用每个可分析行为过程信息对应的目标行为画像预测单元，对每个可分析行为过程信息进行画像预测，得到每个可分析行为过程信息的画像预测结果。

区块链金融服务中心在为每个可分析行为过程信息挑选出与每个可分析行为过程信息相对应的目标行为画像预测单元之后，就可以获得与各个可分析行为过程信息分别对应的多个目标行为画像预测单元集合，此时可以利用该多个目标行为画像预测单元集合，来对其所对应的可分析行为过程信息进行画像预测了。此时，区块链金融服务中心先将每个目标行为画像预测单元所对应的至少一个可分析行为过程信息挑选出来（即，该至少一个可分析行为过程信息相对应的多个目标行为画像预测单元集合中都包括有该每个目标行为画像预测单元），然后将每个目标行为画像预测单元所对应的可分析行为过程信息，输入进每个目标行为画像预测单元中进行画像预测跟踪，将每个目标行为画像预测单元所输出的标签，作为每个目标行为画像预测单元所对应的可分析行为过程信息的画像预测结果。当所有的目标行为画像预测单元均完成识别跟踪过程之后，就会得到每个可分析行为过程信息的画像预测结果，实现针对页面操作行为大数据的画像预测过程。

需要说明的是，由于可分析行为过程信息对应的目标行为画像预测单元中可能具有一个或多个行为画像预测服务，因此，可能会存在一些需要被多个行为画像预测服务进行跟踪识别的可分析行为过程信息，此时，只有当所有的目标行为画像预测单元，即针对每个可分析行为过程信息而言所有重要的行为画像预测服务均完成画像预测的操作时，区块链金融服务中心才会认为对每个可分析行为过程信息完成了画像预测过程。

本申请实施例中，可以先从页面操作行为大数据中提取出至少一个可分析行为过程信息，然后预测出每个行为画像预测服务针对至少一个可分析行为过程信息中的每个可分析行为过程信息的分析关联度，即确定出跟踪分析关联参数，并依据跟踪分析关联参数，为每个可分析行为过程信息确定出合适的目标行为画像预测单元，从而仅利用对每个可分析行为过程信息而言较为重要的目标行为画像预测单元来对每个可分析行为过程信息进行跟踪识别，进而减少了对每个可分析行为过程信息进行画像预测的服务调用的数量，提高了画像预测的效率。

在一种可能的实现方式中，针对步骤S130而言，在基于多个跟踪分析关联参数，从预设行为画像预测服务集中为每个可分析行为过程信息确定出与每个可分析行为过程信息对应的目标行为画像预测单元的过程中，可以通过以下示例性的子步骤来实现，详细描述如下。

子步骤S131，对每个可分析行为过程信息的多个跟踪分析关联参数进行排序。

其中，每个可分析行为过程信息的多个跟踪分析关联参数表征预设行为画像预测服务集中的各个行为画像预测服务对每个可分析行为过程信息的分析关联度。

子步骤S132，将每个可分析行为过程信息的多个跟踪分析关联参数中最高的预设数量的跟踪分析关联参数所对应的行为画像预测服务，作为每个可分析行为过程信息对应的目标行为画像预测单元。

例如，预设数量可以为三，那么可以将每个可分析行为过程信息的多个跟踪分析关联参数中最高的前三个的跟踪分析关联参数所对应的行为画像预测服务，作为每个可分析行为过程信息对应的目标行为画像预测单元。

本实施例中，通过将每个可分析行为过程信息的多个跟踪分析关联参数中最高的预设数量的跟踪分析关联参数所对应的行为画像预测服务，作为每个可分析行为过程信息对应的目标行为画像预测单元，可以将重要性程度满足一定范围的行为画像预测服务用于后续的画像预测。

在另一种可能的实现方式中，预设行为画像预测服务集中的每个行为画像预测服务可以具有对应于至少一个可分析行为过程信息的跟踪分析关联参数。

那么，仍旧针对步骤S130而言，在基于多个跟踪分析关联参数，从预设行为画像预测服务集中为每个可分析行为过程信息确定出与每个可分析行为过程信息对应的目标行为画像预测单元的过程中，可以通过以下示例性的子步骤来实现，详细描述如下。

子步骤S133，将多个跟踪分析关联参数中与每个可分析行为过程信息对应的跟踪分析关联参数，与预设好的关联度阈值进行比较，得到比较结果。

例如，关联度阈值可以根据实际设计需求进行设定，在此不作详细限定。

子步骤S134，从预设行为画像预测服务集中，挑选出比较结果表征跟踪分析关联参数大于预设好的关联度阈值的行为画像预测服务，作为每个可分析行为过程信息对应的目标行为画像预测单元。

本实施例中，通过将跟踪分析关联参数大于预设好的关联度阈值的行为画像预测服务，作为每个可分析行为过程信息对应的目标行为画像预测单元，可以将重要性程度满足一定范围的行为画像预测服务用于后续的画像预测。

在一种可能的实现方式中，针对步骤S140而言，在利用每个可分析行为过程信息对应的目标行为画像预测单元，对每个可分析行为过程信息进行画像预测，得到每个可分析行为过程信息的画像预测结果的过程中，可以通过以下示例性的子步骤来实现，详细描述如下。

子步骤S141，确定每个目标行为画像预测单元对应的可分析行为过程信息作为目标行为过程信息。

子步骤S142，对每个目标行为画像预测单元的目标行为过程信息的覆盖业务进行统计，得到每个目标行为画像预测单元的目标覆盖业务位置。

本实施例中，覆盖业务可以是指覆盖的页面展示业务（如查询业务中的各种查询接口的业务），可以得到得到每个目标行为画像预测单元的目标覆盖业务位置。

子步骤S143，利用目标覆盖业务位置，为每个目标行为画像预测单元确定出对应的预测节点位置。

本实施例中，对于每个目标覆盖业务位置而言，其所对应的覆盖业务不同，因此可以为每个目标行为画像预测单元确定出对应的预测节点位置，使得预测节点位置与每个目标覆盖业务位置存在对应或者关联。

子步骤S144，按照预测节点位置，利用每个目标行为画像预测单元对与每个目标行为画像预测单元对应的目标行为过程信息进行画像预测，得到目标行为过程信息对应的画像预测结果。

子步骤S145，当对每个目标行为画像预测单元所对应的目标行为过程信息进行画像预测之后，得到每个可分析行为过程信息对应的画像预测结果。

在一种可能的实现方式中，针对子步骤S144，具体可以将预测节点位置与预设节点位置进行比较，得到节点位置比较结果。

本实施例中，节点位置比较结果表征预测节点位置与预设节点位置的时序关系，例如时序的前后关系。

在此基础上，当节点位置比较结果表征预测节点位置在预设节点位置之前时，利用每个目标行为画像预测单元对与每个目标行为画像预测单元对应的目标行为过程信息进行画像预测，得到目标行为过程信息对应的画像预测结果。

又例如，当节点位置比较结果表征预测节点位置在预设节点位置之后时，结束利用每个目标行为画像预测单元对与每个目标行为画像预测单元对应的目标行为过程信息进行画像预测。

又例如，当利用当前节点位置所对应的当前目标行为画像预测单元，对当前目标行为画像预测单元所对应的当前目标行为过程信息进行画像预测完成时，获取当前目标行为画像预测单元对应的当前跟踪完成时间。当前节点位置为每个目标行为画像预测单元对应的预测节点位置中的任意一个。

又例如，当当前跟踪完成时间大于或等于预设好的最大时间时，停止利用当前节点位置的下一个节点位置所对应的下一个目标行为画像预测单元，对下一个目标行为画像预测单元对应的目标行为过程信息进行画像预测。

在一种可能的实现方式中，进一步针对步骤S120，在针对至少一个可分析行为过程信息中的每个可分析行为过程信息，确定出预设行为画像预测服务集所对应的多个跟踪分析关联参数的过程中，可以通过以下示例性的子步骤来实现，详细描述如下。

子步骤S121，针对每个可分析行为过程信息，利用预设跟踪分析关联解析网络模型，预测出预设行为画像预测服务集中的每个行为画像预测服务所对应的跟踪分析关联参数。

子步骤S122，当对预设行为画像预测服务集均完成跟踪分析关联参数的预测时，得到预设行为画像预测服务集所对应的多个跟踪分析关联参数。

其中，作为一种可替代的示例，上述的预设跟踪分析关联解析网络模型通过以下步骤训练获得：

步骤S101，获取初始分析网络模型、过往行为过程信息、多个过往画像预测数据、多个过往画像预测数据对应的多个画像业务影响信息，以及预设行为画像预测服务集对应的预测覆盖业务，其中，过往行为过程信息为过往时间利用预设行为画像预测服务集进行画像预测的行为过程信息，多个过往画像预测数据为利用预设行为画像预测服务集对过往行为过程信息进行画像预测所得到的画像预测数据，多个过往画像预测数据和多个画像业务影响信息一一对应。预测覆盖业务包括每个行为画像预测服务对过往行为过程信息的覆盖业务。

步骤S102，利用多个过往画像预测数据、多个画像业务影响信息和预测覆盖业务，针对过往行为过程信息构造出预设行为画像预测服务集所对应的多个训练跟踪分析关联参数。多个训练跟踪分析关联参数中的每个训练跟踪分析关联参数和预设行为画像预测服务集中的每个行为画像预测服务一一对应。

步骤S103，利用过往行为过程信息和多个训练跟踪分析关联参数，对初始分析网络模型进行训练，直至达到迭代结束要求时，得到预设跟踪分析关联解析网络模型。

其中，多个过往画像预测数据中的每个过往画像预测数据包括画像预测可信度和画像预测覆盖度。

值得说明的是，在上述的步骤S102中，可以通过以下子步骤实现。

子步骤S1021，针对预设行为画像预测服务集中的当前行为画像预测服务，从多个过往画像预测数据提取出当前过往画像预测数据，以及从预测覆盖业务中提取出当前覆盖业务。当前行为画像预测服务为预设行为画像预测服务集中的任意一个。

子步骤S1022，利用当前过往画像预测数据对应的当前画像业务影响信息、当前过往画像预测数据的当前画像预测覆盖度、当前画像预测可信度和当前覆盖业务，构造出当前行为画像预测服务对应的训练跟踪分析关联参数。

子步骤S1023，当为预设行为画像预测服务集均构造出对应的训练跟踪分析关联参数时，得到多个训练跟踪分析关联参数。

在一种可能的实现方式中，在上述步骤S103之后，子步骤S121之前，还可以包括以下步骤：

步骤S104，针对测试行为过程信息，利用预设跟踪分析关联解析网络模型，预测出预设行为画像预测服务集所对应的多个测试跟踪分析关联参数，并对多个测试跟踪分析关联参数进行排序，得到分析关联参数分布。

步骤S105，获取测试行为过程信息对应的预设分析关联参数分布。预设分析关联参数分布表征预设行为画像预测服务集中的每个行为画像预测服务对测试行为过程信息的分析关联度的真实排序。

步骤S106，依据分析关联参数分布和预设分析关联参数分布，确定出预设跟踪分析关联解析网络模型的预测覆盖度。

步骤S107，当预测覆盖度小于预设好的覆盖度阈值时，重新利用过往行为过程信息和多个训练跟踪分析关联参数，对初始分析网络模型进行训练，直至达到迭代结束要求，得到最新的跟踪分析关联解析网络模型。

相应的，在上述描述的基础上，在子步骤S121中，针对每个可分析行为过程信息，可以利用最新的跟踪分析关联解析网络模型，预测出预设行为画像预测服务集中的每个行为画像预测服务所对应的跟踪分析关联参数。

在一种可能的实现方式中，上述的预设跟踪分析关联解析网络模型可以包括：输入层、至少两个卷积层、至少两个池化层、降维层、全连接层和输出层。其中，输入层的输出与至少两个卷积层中的输入相连，至少两个卷积层和至少两个池化层依次交替连接，降维层的输入与至少两个池化层的输出相连，全连接层的输入与降维层的输出相连，输出层的输入与全连接层的输出相连。

其中，每个可分析行为过程信息通过输入层进入至少两个卷积层，至少两个池化层用于接收至少两个卷积层所输出的特征图，降维层用于接收至少两个池化层中的最后一个池化层所输出的池化特征图，全连接层用于接收降维层输出的降维数据，输出层用于接收全连接层输出的处理数据，以及输出每个行为画像预测服务对应的跟踪分析关联参数；

其中，至少两个卷积层包括：第一卷积层、第二卷积层，第一卷积层和第二卷积层的通道数不同；至少两个池化层包括：第一池化层、第二池化层； 输入层的输出与第一卷积层的输入相连，第一池化层的输入和第一卷积层的输出相连，第二卷积层的输入和第一池化层的输出相连，第二池化层的输入和第二卷积层输出相连，降维层的输入和第二池化层输出相连。

进一步地，在一种可能的实现方式中，在以上步骤的基础上，为了结合上述的每个可分析行为过程信息的画像预测结果进行页面的内容针对性更新，可以使用户获得更好的内容服务体验，本申请实施例提供的方法还可以包括以下步骤：

步骤S150，基于每个可分析行为过程信息的画像预测结果为区块链金融展示终端300之后可展示的操作页面进行页面更新，得到页面更新结果。

详细地，在一种可替代的实施例中，上述的步骤S150可以通过以下示例性的子步骤来实现，详细描述如下。

子步骤S151，获取每个可分析行为过程信息的画像预测结果对应的画像映射页面元素，画像映射页面元素是根据与画像预测结果相关联的至少一个页面元素功能生成的，画像映射页面元素具有与之对应的画像标签。

子步骤S152，解析画像映射页面元素得到具有页面更新方式的至少一个页面更新项目，页面更新项目与页面元素功能一一对应，至少一个页面更新项目包含起始更新位置。

子步骤S153，从起始更新位置开始依次按照与之对应的画像标签的更新页面内容更新至少一个页面更新项目，其中，对于当前更新的目标页面更新项目，根据目标页面更新项目的画像标签的更新页面内容更新目标页面更新项目对应的页面内容排布。

子步骤S154，若目标页面更新项目是扩展展示标签的页面更新项目或订阅展示标签的页面更新项目，则直接将目标页面更新项目对应的画像标签的更新页面内容配置到目标页面更新项目的下一轮展示页面。

子步骤S155，在目标页面更新项目为下架页面更新项目时，将目标页面更新项目对应的画像标签的更新页面内容进行缓存。

其中，以下将结合具体的示例进行说明。

（1）在更新订阅展示标签的页面更新项目时，根据订阅展示标签的页面更新项目中订阅展示字段所指示的订阅服务所支持的订阅内容模板，将画像标签的更新页面内容转换为订阅内容模板对应的数据，得到转换数据，通过订阅服务所支持的订阅内容模板将转换数据传送给订阅服务，并获取订阅服务对转换数据的处理结果，基于处理结果生成订阅展示标签的页面更新项目的更新页面内容，然后配置到目标页面更新项目的下一轮展示页面。

（2）在更新轮播展示标签的页面更新项目时，获取轮播展示标签的页面更新项目解析得到的轮播起始子页面更新项目、轮播结构子页面更新项目和轮播结束子页面更新项目。若更新轮播起始子页面更新项目确定满足轮播条件，则将轮播起始子页面更新项目的更新页面内容发送给轮播结构子页面更新项目，若确定不满足轮播条件，则将轮播起始子页面更新项目的更新页面内容发送给轮播结束子页面更新项目。在更新轮播结构子页面更新项目之后，将轮播结构子页面更新项目的更新页面内容发送给轮播结束子页面更新项目进行处理。若更新轮播结束子页面更新项目确定轮播未结束，将轮播结束子页面更新项目的更新页面内容发送给轮播起始子页面更新项目，若确定轮播结束，则将轮播结束子页面更新项目的更新页面内容作为轮播展示标签的页面更新项目的更新页面内容。

（3）在更新定点展示标签的页面更新项目时，获取定点展示标签的页面更新项目解析得到的定点展示开始子页面更新项目、定点展示结构子页面更新项目和定点展示结束子页面更新项目。 若更新定点展示开始子页面更新项目确定满足定点展示条件，则将定点展示开始子页面更新项目的更新页面内容发送给定点展示结构子页面更新项目，若确定不满足定点展示条件，则将定点展示开始子页面更新项目的更新页面内容发送给定点展示结束子页面更新项目。 在更新定点展示结构子页面更新项目之后，将定点展示结构子页面更新项目的更新页面内容发送给定点展示结束子页面更新项目进行处理。 更新定点展示结束子页面更新项目，将定点展示结束子页面更新项目的更新页面内容作为定点展示标签的页面更新项目的更新页面内容。

（4）在更新同步展示标签的页面更新项目时，获取同步展示标签的页面更新项目解析得到的同步开始子页面更新项目、同步处理子页面更新项目和同步结束子页面更新项目。更新同步开始子页面更新项目，将同步开始子页面更新项目的更新页面内容发送给同步处理子页面更新项目，在更新同步处理子页面更新项目之后，将同步处理子页面更新项目的更新页面内容发送给同步结束子页面更新项目进行处理，更新同步结束子页面更新项目以对同步处理子页面更新项目的更新页面内容进行整合，将整合得到的数据作为同步展示标签的页面更新项目的更新页面内容。

譬如，在一种可能的实现方式中，在上述基础上，本申请实施例所提供的基于云计算的页面大数据分析方法还可以包括以下步骤来实现。

步骤S150，获取区块链金融展示终端300上传的页面操作行为大数据中每个可分析行为过程信息的画像预测结果，并根据每个可分析行为过程信息的画像预测结果配置待更新页面服务的页面参考资源。

其中，待更新页面服务是指需要进行页面推送服务配置的页面服务， 页面参考资源可以包括页面排版源对象和页面数据源对象。页面排版源对象是指根据每个可分析行为过程信息的画像预测结果中的画像标签的排版源对象的索引信息，用于控制排版源（例如各大布局区域排版策略的数据源）的索引规则。页面数据源对象指根据每个可分析行为过程信息的画像预测结果中的画像标签的数据源对象的索引信息，用于控制数据源（例如各大门户网站的数据源）的索引规则。

具体地，该待更新页面服务可以是页面服务的起始触发服务，也可以是目标服务视频的非起始触发服务。

譬如，在一些可能的实现方式中，根据每个可分析行为过程信息的画像预测结果配置待更新页面服务的页面参考资源，具体可以是将每个可分析行为过程信息的画像预测结果对应的画像标签分别匹配的页面排版源对象和页面数据源对象（可以是基于预先对应关系匹配，或者是人为匹配等），配置为待更新页面服务的页面参考资源。

步骤S160，从待更新页面服务对应的当前页面推送服务中选取当前页面推送元素，基于待更新页面服务获取对应的候选推送数据源对象，基于当前页面推送元素、候选推送数据源对象和页面参考资源进行页面表单服务配置，得到更新页面表单服务。

其中，当前页面推送服务是指根据当前配置的页面推送服务模型得到的待更新页面服务对应的当前页面推送服务。页面推送服务模型是指预先设置好的页面推送服务。当前页面推送元素是指当前页面推送的最小表单内容单位。

页面表单服务配置是指基于表单绑定进行页面表单服务的估计。页面表单服务用于表征对不同页面表单区域进行刷新率和区域大小等进行调整的服务。

步骤S170，根据更新页面表单服务从当前页面推送服务中选取更新推送表单对象，根据更新推送表单对象和当前页面推送元素确定当前页面推送服务对应的更新页面源数据服务，基于更新页面表单服务将更新推送表单对象和当前页面推送元素进行表单绑定得到页面配置资源，根据页面配置资源与页面参考资源的第一区别信息更新当前页面推送元素和候选推送数据源对象，返回页面表单服务配置的步骤，直到满足第一终止条件。

其中，更新推送表单对象是指将当前页面推送服务按照更新页面表单服务进行更新后得到的推送表单对象。更新页面源数据服务是指根据更新推送表单对象和当前页面推送元素基于页面推送服务扩展模型得到的页面源数据服务，页面源数据服务用于表征页面源数据的索引状态参数，如如提供源数据读取接口和读取规则的服务的索引状态参数，例如该页面源数据服务对应的索引状态参数可以包括数据特征和逻辑特征。数据特征是指用于表示页面源数据服务的数据表达关系的特征，逻辑特征是指用于表示页面源数据服务的结构表达关系的特征。例如，该数据特征可以与更新推送表单对象与当前页面推送元素之间的表单关联数据相关，该逻辑特征可以与更新推送表单对象与当前页面推送元素之间的表单关联逻辑相关。

具体地，可以根据更新页面表单服务将当前页面推送服务进行更新，从更新后的页面推送服务中选取推送数据源对象作为更新推送表单对象，然后基于页面推送服务扩展模型根据更新推送表单对象和当前页面推送元素确定当前页面推送服务对应的更新页面源数据服务。

具体地，可以将更新推送表单对象和当前页面推送元素使用更新页面表单服务进行更新，得到更新后的推送页面模板标签，将转换后的推送页面模板标签通过表单绑定点页面逻辑区域，得到页面配置资源，该页面配置资源就包括了各个页面配置排版源对象和各个页面配置数据源对象，确定各个页面配置排版源对象与页面参考资源中对应的各个页面排版源对象之间的位置区别信息，并确定各个页面配置数据源对象与页面参考资源中对应的各个页面数据源对象之间的位置区别信息，确定位置区别信息的集合得到第一区别信息。

根据所述更新推送表单对象和所述当前页面推送元素确定所述当前页面推送服务对应的更新页面源数据服务，并基于所述更新页面表单服务将所述更新推送表单对象和所述当前页面推送元素进行表单绑定得到页面配置资源，根据所述页面配置资源与所述页面参考资源的第一区别信息更新所述当前页面推送元素和候选推送数据源对象

步骤S180，基于满足第一终止条件的更新页面源数据服务和更新页面表单服务进行页面推送服务配置，得到待更新页面服务对应的目标页面推送服务。

其中，第一终止条件是指进行页面推送服务配置的条件，包括第一区别信息小于预设阈值、达到预设迭代次数或者得到更新页面源数据服务和更新页面表单服务未发生明显变化。更新页面源数据服务和更新页面表单服务未发生明显变化是指前一次得到的更新页面源数据服务和更新页面表单服务与后一次得到的更新页面源数据服务和更新页面表单服务之间的误差小于预设阈值。目标页面推送服务是指使用满足第一终止条件的更新页面源数据服务和更新页面表单服务进行页面推送服务配置得到的页面推送服务。

具体地，终端判断是否满足第一终止条件时，当满足第一终止条件时，执行 基于满足第一终止条件的更新页面源数据服务和更新页面表单服务进行页面推送服务配置，当未满足第一终止条件时，再次基于当前页面推送元素、候选推送数据源对象和页面参考资源进行页面表单服务配置，得到更新页面表单服务。不断循环迭代，直到满足第一终止条件。

基于上述步骤，上述页面推送服务配置方法中，通过获取待更新页面服务，配置待更新页面服务的页面参考资源，页面参考资源包括页面排版源对象和页面数据源对象。从待更新页面服务对应的当前页面推送服务中选取当前页面推送元素，然后根据当前页面推送元素、候选推送数据源对象和页面参考资源进行页面表单服务配置，得到更新页面表单服务，使用更新页面表单服务从当前页面推送服务中选取更新推送表单对象，在每次迭代时，使用更新页面表单服务进行推送数据源对象的选取，从而能够选取到更加准确的推送数据源对象，然后使用更新推送表单对象和当前页面推送元素确定当前页面推送服务对应的更新页面源数据服务，使得每次迭代时，使用更新推送表单对象和当前页面推送元素确定更新页面源数据服务，从而能够得到更加准确的更新页面源数据服务，然后在满足终止条件时，使用更新页面源数据服务和更新页面表单服务进行页面推送服务配置，由于使用更新页面源数据服务和更新页面表单服务进行页面推送服务配置，避免了在对页面服务进行推送配置时产生与画像预测结果的匹配率不高的问题，使配置的页面推送服务更符合画像预测结果。

图3为本公开实施例提供的基于云计算的页面大数据分析装置300的功能模块示意图，本实施例可以根据上述区块链金融服务中心100执行的方法实施例对该基于云计算的页面大数据分析装置300进行功能模块的划分，也即该基于云计算的页面大数据分析装置300所对应的以下各个功能模块可以用于执行上述区块链金融服务中心100执行的各个方法实施例。其中，该基于云计算的页面大数据分析装置300可以包括提取模块310、第一确定模块320、第二确定模块330以及画像预测模块340，下面分别对该基于云计算的页面大数据分析装置300的各个功能模块的功能进行详细阐述。

提取模块310，用于当检测到所述区块链金融展示终端300上传的页面操作行为大数据时，从所述页面操作行为大数据中提取出至少一个可分析行为过程信息；所述至少一个可分析行为过程信息为所述页面操作行为大数据中的关键行为过程信息。其中，提取模块310可以用于执行上述的步骤S110，关于提取模块310的详细实现方式可以参照上述针对步骤S110的详细描述即可。

第一确定模块320，用于获取预设行为画像预测服务集，并针对所述至少一个可分析行为过程信息中的每个可分析行为过程信息，确定出所述预设行为画像预测服务集所对应的多个跟踪分析关联参数；其中，所述多个跟踪分析关联参数中的每个跟踪分析关联参数表征所述预设行为画像预测服务集中的每个行为画像预测服务对所述至少一个可分析行为过程信息中的所述每个可分析行为过程信息的分析关联度；所述预设行为画像预测服务集包括至少一个基于云计算容器的行为画像预测服务。其中，第一确定模块320可以用于执行上述的步骤S120，关于第一确定模块320的详细实现方式可以参照上述针对步骤S120的详细描述即可。

第二确定模块330，用于基于所述多个跟踪分析关联参数，从所述预设行为画像预测服务集中为所述每个可分析行为过程信息确定出与所述每个可分析行为过程信息对应的目标行为画像预测单元。其中，第二确定模块330可以用于执行上述的步骤S130，关于第二确定模块330的详细实现方式可以参照上述针对步骤S130的详细描述即可。

画像预测模块340，用于利用所述每个可分析行为过程信息对应的所述目标行为画像预测单元，对所述每个可分析行为过程信息进行画像预测，得到所述每个可分析行为过程信息的画像预测结果。其中，画像预测模块340可以用于执行上述的步骤S140，关于画像预测模块340的详细实现方式可以参照上述针对步骤S140的详细描述即可。

需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现。也可以全部以硬件的形式实现。还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，提取模块310可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上提取模块310的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所描述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。

图4示出了本公开实施例提供的用于实现上述的基于云计算的页面大数据分析方法的区块链金融服务中心100的硬件结构示意图，如图4所示，区块链金融服务中心100可包括处理器110、机器可读存储介质120、总线130以及收发器140。

在具体实现过程中，至少一个处理器110执行机器可读存储介质120存储的计算机执行指令（例如图3中所示的基于云计算的页面大数据分析装置300包括的提取模块310、第一确定模块320、第二确定模块330以及画像预测模块340），使得处理器110可以执行如上方法实施例的基于云计算的页面大数据分析方法，其中，处理器110、机器可读存储介质120以及收发器140通过总线130连接，处理器110可以用于控制收发器140的收发动作，从而可以与前述的区块链金融展示终端200进行数据收发。

处理器110的具体实现过程可参见上述区块链金融服务中心100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。

在上述的图4所示的实施例中，应理解，处理器可以是中央处理器(英文：CentralProcessing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(英文：DigitalSignal Processor，DSP)、专用集成电路(英文：Application SpecificIntegratedCircuit，ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

机器可读存储介质120可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器。

总线130可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component Interconnect，PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，EISA)总线等。总线130可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。

此外，本申请实施例还提供一种可读存储介质，所述可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上基于云计算的页面大数据分析方法。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。

同时，本说明书使用了特定推送要素来描述本说明书的实施例。如“一个实施例”、“一实施例”和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对它们的任何新的和有用的改进。相应地，本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、系统或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。

本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、VisualBasic、Fortran2003、Perl、COBOL2002、PHP、ABAP，被动编程语言如Python、Ruby和Groovy，或其它编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的索引顺序在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。

此外，除非权利要求中明确说明，本说明书处理元素和序列的顺序、数字字母的使用、或其它名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

最后，应当理解的是，本说明书中实施例仅用以说明本说明书实施例的原则。其它的变形也可能属于本说明书范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。