基于大数据线上模式的资源推送方法及深度学习服务系统

摘要

本公开实施例提供一种基于大数据线上模式的资源推送方法及深度学习服务系统，通过调用目标训练模型，以基于第一线上模式阶段的业务使用趋势特征、第一线上模式阶段的静态服务场景特征以及第一线上模式阶段的动态服务场景特征，得到在第二线上模式阶段中用于配置大数据资讯服务的资源推送配置信息，以结合动态服务场景特征动态调整控制大数据资讯服务中订阅业务项目的推送行为，从而实现订阅业务项目的业务推送服务过程智能化地精准预测。

说明书

技术领域

本公开涉及大数据技术领域，示例性地，涉及一种基于大数据线上模式的资源推送方法及深度学习服务系统。

背景技术

智能化的大数据资讯服务可以帮助用户对业务资讯服务的业务推送过程进行精细化的控制，获得更加优秀的业务推送控制策略便成为了重要的研究方向。相关技术中的业务推送策略来源主要分为两大类：第一类来源于结合过往的业务推送数据以及固有专业知识，来设定业务推送过程中的规则，这也是目前大数据资讯服务的应用过程中最广泛采用的方式；第二类来源于数据挖掘，通过深度学习等方式，在过往的业务推送数据集上挖掘控制策略与业务推送价值之间的联系，来获取最好的业务推送策略。相关技术中，难以实现订阅业务项目的业务推送服务过程的智能化精准预测。

发明内容

为了至少克服现有技术中的上述不足，本公开的目的在于提供一种基于大数据线上模式的资源推送方法及深度学习服务系统。

第一方面，本公开提供一种基于大数据线上模式的资源推送方法，应用于深度学习服务系统，所述深度学习服务系统与所述多个业务服务设备通信连接，所述方法包括：

获取在大数据资讯服务中所述业务服务设备的服务用户的订阅业务项目在第一线上模式阶段的业务使用趋势特征、所述大数据资讯服务在所述第一线上模式阶段的静态服务场景特征、以及所述大数据资讯服务在第一线上模式阶段的动态服务场景特征；

基于所述第一线上模式阶段的业务使用趋势特征、所述第一线上模式阶段的静态服务场景特征、以及所述第一线上模式阶段的动态服务场景特征调用目标训练模型，以得到在第二线上模式阶段中用于配置所述大数据资讯服务的资源推送配置信息，其中，所述第二线上模式阶段在所述第一线上模式阶段的下一开发更新阶段；

在所述第二线上模式阶段将所述资源推送配置信息应用到所述大数据资讯服务中。

在一种可能的实施例中，所述方法还包括：

基于所述大数据资讯服务中订阅业务项目在多个过往线上模式阶段的业务使用趋势特征、所述大数据资讯服务在所述多个过往线上模式阶段的静态服务场景特征、所述大数据资讯服务在所述多个过往线上模式阶段的动态服务场景特征，构建所述目标训练模型的标注特征对象；

基于所述标注特征对象对所述目标训练模型进行训练，得到用于资源推送配置信息预测的所述目标训练模型。

譬如，在一种可能的实施例中，所述基于所述大数据资讯服务中订阅业务项目在多个过往线上模式阶段的业务使用趋势特征、所述大数据资讯服务在所述多个过往线上模式阶段的静态服务场景特征、所述大数据资讯服务在所述多个过往线上模式阶段的动态服务场景特征，构建所述目标训练模型的标注特征对象的步骤，包括：

针对所述多个过往线上模式阶段中的任一过往线上模式阶段执行以下处理：

获取所述过往线上模式阶段的下一过往线上模式阶段的业务使用趋势特征、所述过往线上模式阶段的下一过往线上模式阶段的静态服务场景特征以及所述过往线上模式阶段的下一过往线上模式阶段的动态服务场景特征；

将所述大数据资讯服务中订阅业务项目在所述过往线上模式阶段的业务使用趋势特征、所述大数据资讯服务在所述过往线上模式阶段的静态服务场景特征、所述过往线上模式阶段的动态服务场景特征组合为所述过往线上模式阶段的第一特征向量；

将所述过往线上模式阶段的下一过往线上模式阶段的业务使用趋势特征、所述过往线上模式阶段的下一过往线上模式阶段的静态服务场景特征以及所述过往线上模式阶段的下一过往线上模式阶段的动态服务场景特征组合为所述下一过往线上模式阶段的第二特征向量；

基于所述过往线上模式阶段的第一特征向量、在所述过往线上模式阶段中用于配置所述大数据资讯服务的资源推送配置信息以及所述下一过往线上模式阶段的第二特征向量，构建所述过往线上模式阶段的标注特征对象；

将多个所述过往线上模式阶段的标注特征对象进行融合处理，得到所述目标训练模型的标注特征对象。

譬如，在一种可能的实施例中，所述方法还包括：

将所述过往线上模式阶段的标注特征对象存储至扩展订阅区域；

所述基于所述标注特征对象对所述目标训练模型进行训练的步骤，包括：

当所述扩展订阅区域中所述过往线上模式阶段的标注特征对象的数量达到设定阈值时，从所述扩展订阅区域获取多个所述过往线上模式阶段的标注特征对象，并基于多个所述过往线上模式阶段的标注特征对象对所述目标训练模型进行训练。

譬如，在一种可能的实施例中，所述基于所述大数据资讯服务中订阅业务项目的业务服务过程的标注特征对象对目标训练模型进行训练，得到用于资源推送配置信息预测的所述目标训练模型，包括：

基于所述标注特征对象中的任一过往线上模式阶段的标注特征对象以及所述过往线上模式阶段的标注评价信息，构建所述目标训练模型的模型更新参考函数；

更新所述目标训练模型的参数直至所述模型更新参考函数收敛，将所述模型更新参考函数收敛时所述目标训练模型的更新的参数，作为用于资源推送配置信息预测的所述目标训练模型的参数。

譬如，在一种可能的实施例中，所述构建所述目标训练模型的模型更新参考函数之前，还包括：

基于所述标注特征对象中的任一过往线上模式阶段的标注特征对象调用所述目标训练模型进行预测处理，得到在所述过往线上模式阶段中用于配置所述大数据资讯服务的预测资源推送配置信息；

基于所述预测资源推送配置信息，得到所述过往线上模式阶段的预测评价信息；

所述构建所述目标训练模型的模型更新参考函数，包括：

基于所述过往线上模式阶段的标注特征对象、所述过往线上模式阶段的预测评价信息以及所述过往线上模式阶段的标注评价信息，构建所述目标训练模型的模型更新参考函数。

譬如，在一种可能的实施例中，所述构建所述目标训练模型的模型更新参考函数之前，还包括：

获取所述过往线上模式阶段的标注特征对象中的下一过往线上模式阶段的业务使用趋势特征；

基于所述下一过往线上模式阶段的业务使用趋势特征调用订阅业务项目仿真器模型，以确定所述订阅业务项目的业务服务过程在所述过往线上模式阶段所带来的业务使用趋势预估信息，并将所述业务使用趋势预估信息作为所述过往线上模式阶段的标注评价信息。

譬如，在一种可能的实施例中，所述将所述业务使用趋势预估信息作为所述过往线上模式阶段的标注评价信息之前，还包括：

获取在所述过往线上模式阶段中用于配置所述大数据资讯服务的资源推送配置信息；

基于在所述过往线上模式阶段中用于配置所述大数据资讯服务的资源推送配置信息调用所述订阅业务项目仿真器模型，以确定所述资源推送配置信息所需索引关联的引用业务信息；

所述将所述业务使用趋势预估信息作为所述过往线上模式阶段的标注评价信息，包括：

将所述业务使用趋势预估信息与所述引用业务信息的特征差异作为所述过往线上模式阶段的标注评价信息。

在一种可能的实施例中，所述在所述第二线上模式阶段将所述资源推送配置信息应用到所述大数据资讯服务中的步骤，包括：

在所述第二线上模式阶段，获取针对所述大数据资讯服务的资源推送配置信息的更新指令；其中，所述更新指令用于指示针对资源推送配置信息中的当前推送资讯文本信息在所述大数据资讯服务中执行推送状态更新；

在所述当前推送资讯文本信息处于第一推送配置状态时，确定所述当前推送资讯文本信息所对应的更新模式，及所述更新模式中处于更新激活状态的所有更新业务微服务，并请求所述所有更新业务微服务响应所述更新指令，针对所述当前推送资讯文本信息执行推送状态更新；

在所述当前推送资讯文本信息处于第二推送配置状态时，确定所述当前推送资讯文本信息在资源推送配置信息中的当前推送配置指令，并在所述当前推送配置指令满足预设的更新级别时，针对所述当前推送资讯文本信息执行推送状态更新。

譬如，在一种可能的实施例中，所述方法还包括：

获取所述当前推送资讯文本信息在预设推送循环周期内各自的历史推送行为信息以及每个所述历史推送行为信息各自对应的推送行为反馈信息；

根据所述历史推送行为信息和所述推送行为反馈信息对所述当前推送资讯文本信息进行推送指标变化计算，以得到所述当前推送资讯文本信息在每个推送循环周期内对应的推送指标变化评估信息；

分别对每个所述推送指标变化评估信息进行重要性参数计算，以得到至少一组推送指标重要性参数，确定待估算的当前推送指标变化评估信息以及与所述当前推送指标变化评估信息相邻周期的相关推送指标变化评估信息；其中，所述相关推送指标变化评估信息为与所述当前推送指标变化评估信息相邻的前一周期的推送指标变化评估信息；

根据所述推送指标重要性参数确定所述当前推送指标变化评估信息与所述相关推送指标变化评估信息各自对应的预期推送有效转化参数，根据所有的所述预期推送有效转化参数以及各自对应的所述推送指标变化评估信息，对所述当前推送资讯文本信息进行推送价值估算，以得到所述当前推送资讯文本信息对应的预期推送价值数据；

获取历史推送资讯文本信息所对应的历史推送价值数据，并根据所述历史推送价值数据确定所述当前推送资讯文本信息的当前推送预期数据；其中，所述历史推送资讯文本信息为所述当前推送资讯文本信息对应的在先推送资讯文本信息；

根据所述预期推送价值数据对所述当前推送预期数据进行推送价值度计算，以得到所述当前推送资讯文本信息的推送价值影响参数；

根据所述推送价值影响参数对所述当前推送资讯文本信息进行价值估算，以得到所述当前推送资讯文本信息所对应的参考推送价值。

譬如，在一种可能的实施例中，所述获取历史推送资讯文本信息所对应的历史推送价值数据，包括：

确定出与所述当前推送资讯文本信息对应的目标历史资讯更新项目，并获取由所述目标历史资讯更新项目所保存的历史资讯更新数据包；其中，所述历史资讯更新数据包为所述目标历史资讯更新项目所保存的所有历史推送资讯文本信息的数据包；

获取由所述目标历史资讯更新项目反馈的所述历史资讯更新数据包的更新序列号，利用所述更新序列号对所述历史资讯更新数据包进行解码； 获取所述历史推送资讯文本信息的统计周期开始节点和统计周期结束节点；

根据所述统计周期开始节点和所述统计周期结束节点，确定出目标统计周期；

获取解码后的所述历史资讯更新数据包在所述目标统计周期内的目标历史推送订阅信息，在所述目标历史推送订阅信息中解析出所述当前推送资讯文本信息所对应的历史推送价值数据。

譬如，在一种可能的实施例中，所述根据所述历史推送价值数据确定所述当前推送资讯文本信息的当前推送预期数据，包括：

获取所述当前推送资讯文本信息的推送价值计算策略；

利用所述推送价值计算策略对所述历史推送价值数据进行处理，以生成所述当前推送资讯文本信息的当前推送预期数据。

第二方面，本公开实施例还提供一种基于大数据线上模式的资源推送系统，所述基于大数据线上模式的资源推送系统包括深度学习服务系统以及与所述深度学习服务系统通信连接的多个业务服务设备；

所述深度学习服务系统，用于：

获取在大数据资讯服务中所述业务服务设备的服务用户的订阅业务项目在第一线上模式阶段的业务使用趋势特征、所述大数据资讯服务在所述第一线上模式阶段的静态服务场景特征、以及所述大数据资讯服务在第一线上模式阶段的动态服务场景特征；

基于所述第一线上模式阶段的业务使用趋势特征、所述第一线上模式阶段的静态服务场景特征、以及所述第一线上模式阶段的动态服务场景特征调用目标训练模型，以得到在第二线上模式阶段中用于配置所述大数据资讯服务的资源推送配置信息，其中，所述第二线上模式阶段在所述第一线上模式阶段的下一开发更新阶段；

在所述第二线上模式阶段将所述资源推送配置信息应用到所述大数据资讯服务中。

根据上述任意一个方面，本公开通过调用目标训练模型，以基于第一线上模式阶段的业务使用趋势特征、第一线上模式阶段的静态服务场景特征以及第一线上模式阶段的动态服务场景特征，得到在第二线上模式阶段中用于配置大数据资讯服务的资源推送配置信息，以结合动态服务场景特征动态调整控制大数据资讯服务中订阅业务项目的推送行为，从而实现订阅业务项目的业务推送服务过程智能化地精准预测。

附图说明

图1为本公开实施例提供的基于大数据线上模式的资源推送系统的应用场景示意图；

图2为本公开实施例提供的基于大数据线上模式的资源推送方法的流程示意图；

图3为本公开实施例提供的基于大数据线上模式的资源推送装置的功能模块示意图；

图4为本公开实施例提供的用于实现上述的基于大数据线上模式的资源推送方法的深度学习服务系统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公开进行具体说明，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是本公开一种实施例提供的基于大数据线上模式的资源推送系统10的交互示意图。基于大数据线上模式的资源推送系统10可以包括深度学习服务系统100以及与深度学习服务系统100通信连接的业务服务设备200。图1所示的基于大数据线上模式的资源推送系统10仅为一种可行的示例，在其它可行的实施例中，该基于大数据线上模式的资源推送系统10也可以仅包括图1所示组成部分的其中的至少部分或者还可以包括其它的组成部分。

在一种单独实施例中，基于大数据线上模式的资源推送系统10中的深度学习服务系统100和业务服务设备200可以通过配合执行以下方法实施例所描述的基于大数据线上模式的资源推送方法，具体深度学习服务系统100和业务服务设备200的执行步骤部分可以参照以下方法实施例的详细描述。

下面首先对本公开实施例中所涉及到的部分术语进行说明。

资源推送配置信息：用于影响订阅业务项目的推送行为的配置项目因素，例如推送频率设置、推送层次设置、推送间隔周期设置、推送持续范围设置等。

业务使用趋势特征：用于表征订阅业务项目的业务服务过程所处的业务使用阶段或者表征订阅业务项目的业务使用的增长或者减缓情况，例如订阅业务项目的业务使用量、订阅业务项目业务使用率、订阅业务项目的业务更新数量等。

动态服务场景特征：用于表征大数据资讯服务以外的动态场景状况，例如全局推送频率、全局场景使用率等。

静态服务场景特征：用于表征大数据资讯服务内的静态场景状况，例如大数据资讯服务的被动推送频率、大数据资讯服务内推送层次等。

参照前述背景技术，相关技术中的业务推送策略存在以下问题：

第一、结合过往的业务推送数据以及固有专业知识，来设定业务推送过程中的规则产生的业务推送策略一般都是固定逻辑策略，无法随着业务推送过程的进行动态的改变，适应性较差，且业务推送策略的控制粒度也比较粗，一般是一些逻辑的组合，例如在实时推送频率超过某推送频率阈值时进行降温等，无法结合全部特征向量进行细粒度的控制，例如每个小时的具体推送频率设置等。

第二、基于数据挖掘的业务推送策略虽然不需要固有知识干预，直接通过业务推送过程大数据资讯服务状态数据和业务推送结果数据来建立联系，但是这种方法需要大量的数据用于训练，较难收集，且收集到的业务推送数据一般都是根据某些固定策略业务推送而来，变化较小，难以在此基础上发现更好的策略，业务推送数据中关于业务资讯服务自身的数据也较少，难以把业务资讯服务自身特征作为一个重要因素来决定下一步的业务推送措施。

基于此，为了解决前述背景技术中的技术问题，图2为本公开实施例提供的基于大数据线上模式的资源推送方法的流程示意图，本实施例提供的基于大数据线上模式的资源推送方法可以由图1中所示的深度学习服务系统100执行，下面对该基于大数据线上模式的资源推送方法进行详细介绍。

在下述的实施例中，第一线上模式阶段的动态服务场景特征可以是通过第三应用获取的实时动态场景信息采集，即第一线上模式阶段的动态服务场景特征为第一线上模式阶段真实的动态场景状态，还可以是以往同期的动态场景数据，即第一线上模式阶段的动态服务场景特征是第一线上模式阶段模拟的动态场景状态。其中，第一线上模式阶段是相对于第二线上模式阶段的过往线上模式阶段，第一线上模式阶段和第二线上模式阶段的单位可以根据实际开发和业务迭代周期灵活设定。

其中，静态服务场景特征是通过业务脚本对大数据资讯服务中的推送行为进行感知得到的，业务使用趋势特征是通过业务脚本对大数据资讯服务中订阅业务项目的趋势感知得到的。

步骤S110，获取大数据资讯服务中订阅业务项目在第一线上模式阶段的业务使用趋势特征、大数据资讯服务在第一线上模式阶段的静态服务场景特征、以及大数据资讯服务在第一线上模式阶段的动态服务场景特征。

例如，深度学习服务系统100可以通过大数据资讯服务中的业务脚本获取相对于当前线上模式阶段(第二线上模式阶段)的过往线上模式阶段(第一线上模式阶段)的静态服务场景特征以及业务使用趋势特征，通过第三应用获取第一线上模式阶段的动态服务场景特征以及第二线上模式阶段的动态服务场景特征，基于第一线上模式阶段的业务使用趋势特征、第一线上模式阶段的静态服务场景特征以及第一线上模式阶段的动态服务场景特征，自动生成针对大数据资讯服务的配置指令，并通过解析针对大数据资讯服务的配置指令，得到第一线上模式阶段的业务使用趋势特征、第一线上模式阶段的静态服务场景特征以及第一线上模式阶段的动态服务场景特征，以便后续基于第一线上模式阶段的业务使用趋势特征、第一线上模式阶段的静态服务场景特征以及第一线上模式阶段的动态服务场景特征调用目标训练模型进行资源推送配置信息的动态优化。

步骤S120，基于第一线上模式阶段的业务使用趋势特征、第一线上模式阶段的静态服务场景特征、以及第一线上模式阶段的动态服务场景特征调用目标训练模型，以得到在第二线上模式阶段中用于配置大数据资讯服务的资源推送配置信息，其中，第二线上模式阶段在第一线上模式阶段的下一开发更新阶段。

例如，将第一线上模式阶段的业务使用趋势特征、第一线上模式阶段的静态服务场景特征、以及第一线上模式阶段的动态服务场景特征输入目标训练模型，使得目标训练模型学习到以下策略：将大数据资讯服务的资源推送配置信息和动态服务场景特征共用作用于大数据资讯服务的静态服务场景特征，并将大数据资讯服务的静态服务场景特征作用于订阅业务项目的业务使用趋势特征，从而通过目标训练模型进行预测处理，得到在第二线上模式阶段中用于配置大数据资讯服务的资源推送配置信息，即下一线上模式阶段用于配置大数据资讯服务的资源推送配置信息，结合动态服务场景特征动态调整控制大数据资讯服务中订阅业务项目的推送行为，进而实现订阅业务项目推送行为的智能化地精准预测。

示例性地，在一种独立的实施例中，步骤S120可通过步骤S121-步骤S123实现：基于目标训练模型执行以下处理：在步骤S121中，基于第一线上模式阶段的业务使用趋势特征，确定第二线上模式阶段中满足推送更新要求的预设业务使用趋势特征；在步骤S122中，确定实现预设业务使用趋势特征时第二线上模式阶段的静态服务场景特征；在步骤S123中，基于第二线上模式阶段的动态服务场景特征与第二线上模式阶段中用于配置大数据资讯服务的资源推送配置信息共同作用于第二线上模式阶段的静态服务场景特征的联动关系，确定在第二线上模式阶段中用于配置大数据资讯服务的资源推送配置信息。

例如，深度学习服务系统100通过解析针对大数据资讯服务的配置指令，获取第一线上模式阶段的业务使用趋势特征、第一线上模式阶段的静态服务场景特征、以及第一线上模式阶段的动态服务场景特征，并调用目标训练模型进行预测处理，基于目标训练模型学习到的策略，先基于第一线上模式阶段的业务使用趋势特征进行业务使用趋势特征的预测处理，得到第二线上模式阶段中满足推送更新要求的预设业务使用趋势特征，其中，推送更新要求可以预先根据实际场景进行设置的，例如推送更新要求是订阅业务项目的业务转换率最大化，还可以是订阅业务项目所带来的业务净值最大化等。在获得第二线上模式阶段的预设业务使用趋势特征后，确定实现预设业务使用趋势特征时第二线上模式阶段的静态服务场景特征，最后，基于目标训练模型学习到的第二线上模式阶段的动态服务场景特征与第二线上模式阶段中用于配置大数据资讯服务的资源推送配置信息共同作用于第二线上模式阶段的静态服务场景特征的联动关系，确定在第二线上模式阶段中用于配置大数据资讯服务的资源推送配置信息，以便智能化控制大数据资讯服务中订阅业务项目的推送行为。

在一种单独实施例中，第一线上模式阶段的业务使用趋势特征为订阅业务项目的业务使用率为50％，基于订阅业务项目所带来的业务净值最大化的推送更新要求，基于第一线上模式阶段的业务使用趋势特征进行业务使用趋势特征的预测处理，得到第二线上模式阶段的预设业务使用趋势特征为业务使用率为75％，为了实现第二线上模式阶段的预设业务使用趋势特征，第二线上模式阶段的静态服务场景特征为大数据资讯服务推送频率达到8次/秒、推送层次达到5个跨度层级，并通过第三方应用的动态场景信息采集获取第二线上模式阶段的动态服务场景特征为全局推送频率为5次/秒，基于第二线上模式阶段的动态服务场景特征与第二线上模式阶段中用于配置大数据资讯服务的资源推送配置信息共同作用于第二线上模式阶段的静态服务场景特征的联动关系，确定第二线上模式阶段的资源推送配置信息为推送频率设置为开启以达到8次/秒、推送层次设置为开启以达到5个跨度层级、推送间隔周期设置为1小时。

在一种单独实施例中，目标训练模型包括第一处理单元、第二处理单元以及特征处理单元；基于第一处理单元对第一线上模式阶段的业务使用趋势特征进行特征关联处理，得到第二线上模式阶段中满足推送更新要求的预设业务使用趋势特征；相对地，基于第二处理单元包括的大数据资讯服务的静态服务场景特征与订阅业务项目的业务使用趋势特征之间的特征关联关系，对第二线上模式阶段的预设业务使用趋势特征进行特征关联处理，得到实现第二线上模式阶段的预设业务使用趋势特征时第二线上模式阶段的静态服务场景特征；相对地，基于特征处理单元包括的大数据资讯服务的资源推送配置信息和动态服务场景特征共同与大数据资讯服务的静态服务场景特征之间的特征关联关系，将第二线上模式阶段的静态服务场景特征映射为在第二线上模式阶段中用于配置大数据资讯服务的资源推送配置信息。

在一种独立的实施例中，可以将第一线上模式阶段的业务使用趋势特征输入目标训练模型中的第一处理单元，通过第一处理单元对第一线上模式阶段的业务使用趋势特征进行特征关联处理，得到第二线上模式阶段中满足推送更新要求的预设业务使用趋势特征，并将预设业务使用趋势特征输入至第二处理单元，通过第二处理单元学习到的大数据资讯服务的静态服务场景特征与订阅业务项目的业务使用趋势特征之间的特征关联关系，对第二线上模式阶段的预设业务使用趋势特征进行特征关联处理，得到实现第二线上模式阶段的预设业务使用趋势特征时第二线上模式阶段的静态服务场景特征，并将第二线上模式阶段的静态服务场景特征输入至特征处理单元，通过特征处理单元学习到的大数据资讯服务的资源推送配置信息和动态服务场景特征共同与大数据资讯服务的静态服务场景特征之间的特征关联关系，将第二线上模式阶段的静态服务场景特征映射为在第二线上模式阶段中用于配置大数据资讯服务的资源推送配置信息。从而，通过目标训练模型中多层单元即可预测得到第二线上模式阶段的资源推送配置信息，进而实现订阅业务项目推送行为的智能化地精准预测，避免通过人工调控的方式对大数据资讯服务中订阅业务项目的推送行为进行调整。

在一种单独实施例中，目标训练模型包括第一处理单元、第二处理单元以及特征处理单元；基于第一处理单元对第一线上模式阶段的业务使用趋势特征进行特征关联处理，得到第二线上模式阶段中满足推送更新要求的预设业务使用趋势特征；相对地，基于第二处理单元包括的大数据资讯服务的静态服务场景特征与订阅业务项目的业务使用趋势特征变化之间的特征关联关系，对第一线上模式阶段的业务使用趋势特征与第二线上模式阶段的预设业务使用趋势特征的特征差异进行特征转换处理，得到实现第二线上模式阶段的预设业务使用趋势特征时第二线上模式阶段的静态服务场景特征；相对地，基于特征处理单元包括的大数据资讯服务的资源推送配置信息和动态服务场景特征共同与大数据资讯服务的静态服务场景特征之间的特征关联关系，将第二线上模式阶段的静态服务场景特征映射为在第二线上模式阶段中用于配置大数据资讯服务的资源推送配置信息。

例如，可以将第一线上模式阶段的业务使用趋势特征输入目标训练模型中的第一处理单元，通过第一处理单元对第一线上模式阶段的业务使用趋势特征进行特征关联处理，得到第二线上模式阶段中满足推送更新要求的预设业务使用趋势特征，并将预设业务使用趋势特征输入至第二处理单元，通过第二处理单元学习到的大数据资讯服务的静态服务场景特征与订阅业务项目的业务使用趋势特征变化之间的特征关联关系，对第一线上模式阶段的业务使用趋势特征与第二线上模式阶段的预设业务使用趋势特征的特征差异进行特征转换处理，得到实现第二线上模式阶段的预设业务使用趋势特征时第二线上模式阶段的静态服务场景特征，第二处理单元将第二线上模式阶段的静态服务场景特征输入至特征处理单元，通过特征处理单元学习到的大数据资讯服务的资源推送配置信息和动态服务场景特征共同与大数据资讯服务的静态服务场景特征之间的特征关联关系，将第二线上模式阶段的静态服务场景特征映射为在第二线上模式阶段中用于配置大数据资讯服务的资源推送配置信息。从而，通过目标训练模型中多层单元即可预测得到第二线上模式阶段的资源推送配置信息，进而实现订阅业务项目推送行为的智能化地精准预测，避免通过人工调控的方式对大数据资讯服务中订阅业务项目的推送行为进行调整。

在一种独立的实施例中，第一线上模式阶段的业务使用趋势特征为订阅业务项目的业务使用率为50％，第二线上模式阶段的预设业务使用趋势特征为业务使用率为75％，则订阅业务项目的业务使用趋势特征变化为业务使用率增加25％，为了实现订阅业务项目的业务使用趋势特征变化，第二线上模式阶段的静态服务场景特征为大数据资讯服务推送频率达到8次/秒、推送层次达到5个跨度层级，从而通过第二处理单元学习到订阅业务项目实际生长过程中大数据资讯服务的静态服务场景特征与订阅业务项目的业务使用趋势特征变化之间的关系，从而准确地确定出实现第二线上模式阶段的预设业务使用趋势特征时第二线上模式阶段的静态服务场景特征，以便后续准确地定位出在第二线上模式阶段中用于配置大数据资讯服务的资源推送配置信息。

在一种单独实施例中，特征处理单元包括第一特征提取节点、第二特征提取节点、全连接节点以及第三特征提取节点；将第二线上模式阶段的静态服务场景特征映射为在第二线上模式阶段中用于配置大数据资讯服务的资源推送配置信息，包括：基于第一特征提取节点对第二线上模式阶段的动态服务场景特征进行特征提取，得到对应动态服务场景特征的第一特征向量；基于第二特征提取节点对第二线上模式阶段的静态服务场景特征进行特征提取，得到对应静态服务场景特征的第二特征向量；基于全连接节点确定第二特征向量与第一特征向量的特征差异；基于第三特征提取节点对特征差异进行特征提取，得到在第二线上模式阶段中用于配置大数据资讯服务的资源推送配置信息。

例如，第二处理单元将第二线上模式阶段的静态服务场景特征输入至特征处理单元后，基于学习到的大数据资讯服务的资源推送配置信息和动态服务场景特征共同与大数据资讯服务的静态服务场景特征之间的特征关联关系，通过特征处理单元中的第一特征提取节点对第二线上模式阶段的动态服务场景特征进行特征提取，得到对应动态服务场景特征的第一特征向量(即第一卷积向量)，并通过特征处理单元中的第二特征提取节点对第二线上模式阶段的静态服务场景特征进行特征提取，得到对应静态服务场景特征的第二特征向量(即第二卷积向量)，然后通过全连接节点对第二特征向量与第一特征向量作差，以得到第二特征向量与第一特征向量的特征差异，最后通过第三特征提取节点对特征差异进行特征提取，得到在第二线上模式阶段中用于配置大数据资讯服务的资源推送配置信息。

步骤S130，在第二线上模式阶段将资源推送配置信息应用到大数据资讯服务中。

例如，深度学习服务系统100将针对大数据资讯服务的配置指令发送至服务器，服务器接收到针对大数据资讯服务的配置指令后，调用目标训练模型进行预测处理后，得到第二线上模式阶段的资源推送配置信息，并将第二线上模式阶段的资源推送配置信息反馈至深度学习服务系统100，深度学习服务系统100通过控制设备在第二线上模式阶段将资源推送配置信息应用到大数据资讯服务中，从而将第一线上模式阶段的静态服务场景特征转换至第二线上模式阶段的静态服务场景特征，并在第二线上模式阶段的静态服务场景特征以及第二线上模式阶段的动态服务场景特征共同作用下，将第一线上模式阶段的业务使用趋势特征转换至第二线上模式阶段的业务使用趋势特征，从而实现自动化控制大数据资讯服务中订阅业务项目的生长。

在一种单独的实施例中，还可以包括步骤S140-步骤S150：在步骤S140中，基于大数据资讯服务中订阅业务项目在多个过往线上模式阶段的业务使用趋势特征、大数据资讯服务在多个过往线上模式阶段的静态服务场景特征、大数据资讯服务在多个过往线上模式阶段的动态服务场景特征，构建目标训练模型的标注特征对象；在步骤S150中，基于标注特征对象对目标训练模型进行训练，得到用于资源推送配置信息预测的目标训练模型。

例如，将当前线上模式阶段的特征(包括业务使用趋势特征、静态服务场景特征以及动态服务场景特征)作为下一线上模式阶段的过往线上模式阶段的特征。可以将大数据资讯服务中订阅业务项目的业务服务过程的一个业务迭代阶段内的特征(包括业务使用趋势特征、静态服务场景特征以及动态服务场景特征)作为标注特征对象，以训练目标训练模型，即多个过往线上模式阶段属于订阅业务项目的业务服务过程的一个业务迭代阶段，例如订阅业务项目的业务服务过程周期为30个阶段，且资源推送配置信息是以阶段为单位进行更新的，则多个过往线上模式阶段的数量为30，即第1阶段、第2阶段、…第30阶段。

其中，多个过往线上模式阶段还可以是由多个周期构成，例如多个过往线上模式阶段为第1过往线上模式阶段、第2过往线上模式阶段以及第3过往线上模式阶段，而第1过往线上模式阶段是订阅业务项目的第1个业务迭代阶段中的任一线上模式阶段、第2过往线上模式阶段是订阅业务项目的第2个业务迭代阶段中的任一线上模式阶段、第3过往线上模式阶段是订阅业务项目的第3个业务迭代阶段中的任一线上模式阶段。

在一种单独实施例中，基于大数据资讯服务中订阅业务项目在多个过往线上模式阶段的业务使用趋势特征、大数据资讯服务在多个过往线上模式阶段的静态服务场景特征、大数据资讯服务在多个过往线上模式阶段的动态服务场景特征，构建目标训练模型的标注特征对象，包括：针对多个过往线上模式阶段中的任一过往线上模式阶段执行以下处理：获取过往线上模式阶段的下一过往线上模式阶段的业务使用趋势特征、过往线上模式阶段的下一过往线上模式阶段的静态服务场景特征以及过往线上模式阶段的下一过往线上模式阶段的动态服务场景特征；将大数据资讯服务中订阅业务项目在过往线上模式阶段的业务使用趋势特征、大数据资讯服务在过往线上模式阶段的静态服务场景特征、过往线上模式阶段的动态服务场景特征组合为过往线上模式阶段的第一特征向量；将过往线上模式阶段的下一过往线上模式阶段的业务使用趋势特征、过往线上模式阶段的下一过往线上模式阶段的静态服务场景特征以及过往线上模式阶段的下一过往线上模式阶段的动态服务场景特征组合为下一过往线上模式阶段的第二特征向量；基于过往线上模式阶段的第一特征向量、在过往线上模式阶段中用于配置大数据资讯服务的资源推送配置信息以及下一过往线上模式阶段的第二特征向量，构建过往线上模式阶段的标注特征对象；将多个过往线上模式阶段的标注特征对象进行融合处理，得到目标训练模型的标注特征对象。

例如，当某一过往线上模式阶段的业务使用趋势特征为x1、静态服务场景特征为y1、动态服务场景特征为z1时，则该过往线上模式阶段的特征向量为s1[x1，y1，z1]。当该过往线上模式阶段的下一过往线上模式阶段的业务使用趋势特征为x2、静态服务场景特征为y2、动态服务场景特征为z2时，则该过往线上模式阶段的下一过往线上模式阶段的特征向量为S2[x2，y2，z2]。当该过往线上模式阶段中用于配置大数据资讯服务的资源推送配置信息为a1时，则将该过往线上模式阶段的业务使用趋势特征s1、该过往线上模式阶段中用于配置大数据资讯服务的资源推送配置信息为a1以及该过往线上模式阶段的下一过往线上模式阶段的特征向量S2组合为该过往线上模式阶段的标注特征对象[s1，a1，S2]。当有N个过往线上模式阶段时，则标注特征对象为[s1，a1，S2]、…、[sN-1，aN-1，sN]、[sN，aN，终止态]，其中，N为大于2的自然数，终止态表示训练终止条件。

其中，在动态调整控制大数据资讯服务中订阅业务项目的推送行为的过程中，可以将过往线上模式阶段的标注特征对象存储至扩展订阅区域，以收集标注特征对象，从而当扩展订阅区域中过往线上模式阶段的标注特征对象的数量达到设定阈值时，从扩展订阅区域获取多个过往线上模式阶段的标注特征对象，并基于多个过往线上模式阶段的标注特征对象对目标训练模型进行训练。

为了节约扩展订阅区域，可以定期的清理扩展订阅区域，例如将扩展订阅区域中标注特征对象的有效期到达时，删除该标注特征对象；获取扩展订阅区域中标注特征对象的重要程度(例如标注特征对象中相邻线上模式阶段中业务使用趋势特征的变化程度，当变化程度越大，说明订阅业务项目的业务服务过程越好，则表明该标注特征对象越重要)，当标注特征对象的重要程度低于重要程度阈值时，将该标注特征对象从扩展订阅区域删除。

在一种单独实施例中，基于大数据资讯服务中订阅业务项目的业务服务过程的标注特征对象对目标训练模型进行训练，得到用于资源推送配置信息预测的目标训练模型，包括：基于标注特征对象中的任一过往线上模式阶段的标注特征对象以及过往线上模式阶段的标注评价信息，构建目标训练模型的模型更新参考函数；更新目标训练模型的参数直至模型更新参考函数收敛，将模型更新参考函数收敛时目标训练模型的更新的参数，作为用于资源推送配置信息预测的目标训练模型的参数。

例如，运用强化学习算法，基于任一过往线上模式阶段的标注特征对象以及过往线上模式阶段的标注评价信息(例如订阅业务项目在该过往线上模式阶段实际带来的业务净值，或者订阅业务项目在该过往线上模式阶段实际的业务转换率)，确定目标训练模型的模型更新参考函数的值后，可以判断目标训练模型的模型更新参考函数的值是否超出预设阈值，当目标训练模型的模型更新参考函数的值超出预设阈值时，基于目标训练模型的模型更新参考函数确定目标训练模型的误差信号，将误差信息在目标训练模型中反向传播，并在传播的过程中更新各个层的模型参数。

这里，对反向传播进行说明，将标注特征对象数据输入到神经单元模型的输入层，经过隐藏层，最后达到输出层并输出结果，这是神经单元模型的前向传播过程，由于神经单元模型的输出结果与实际结果有误差，则计算输出结果与实际值之间的误差，并将该误差从输出层向隐藏层反向传播，直至传播到输入层，在反向传播的过程中，根据误差调整模型参数的值；不断迭代上述过程，直至收敛。其中，目标训练模型属于神经单元模型。

在一种单独实施例中，构建目标训练模型的模型更新参考函数之前，还包括：基于标注特征对象中的任一过往线上模式阶段的标注特征对象调用目标训练模型进行预测处理，得到在过往线上模式阶段中用于配置大数据资讯服务的预测资源推送配置信息；基于预测资源推送配置信息，得到过往线上模式阶段的预测评价信息；基于过往线上模式阶段的标注特征对象、过往线上模式阶段的预测评价信息以及过往线上模式阶段的标注评价信息，构建目标训练模型的模型更新参考函数。

例如，在训练阶段，调用目标训练模型进行预测处理，得到在过往线上模式阶段中用于配置大数据资讯服务的预测资源推送配置信息，并基于预测资源推送配置信息，得到过往线上模式阶段的预测评价信息，例如基于预测资源推送配置信息，预测大数据资讯服务中订阅业务项目能够达到的业务使用趋势特征，将订阅业务项目能够达到的业务使用趋势特征所带来的业务使用趋势预估信息作为预测评价信息；基于预测资源推送配置信息，预测大数据资讯服务中订阅业务项目能够达到的业务使用趋势特征，将订阅业务项目能够达到的业务使用趋势特征所带来的业务使用趋势预估信息作为预测评价信息，并预测资源推送配置信息所需索引关联的引用业务信息，将业务使用趋势预估信息与引用业务信息的特征差异作为标注评价信息。最后，基于过往线上模式阶段的标注特征对象、过往线上模式阶段的预测评价信息以及过往线上模式阶段的标注评价信息，构建目标训练模型的模型更新参考函数。

在一种单独实施例中，基于目标训练模型中的第一处理单元对过往线上模式阶段的业务使用趋势特征进行特征关联处理，得到下一过往线上模式阶段中满足推送更新要求的预设业务使用趋势特征，基于目标训练模型中的特征处理单元包括的大数据资讯服务的资源推送配置信息和动态服务场景特征共同与大数据资讯服务的静态服务场景特征之间的特征关联关系，将下一过往线上模式阶段的静态服务场景特征映射为在下一过往线上模式阶段中用于配置大数据资讯服务的预测资源推送配置信息。

例如，基于任一过往线上模式阶段的标注特征对象、过往线上模式阶段的预测评价信息以及过往线上模式阶段的标注评价信息(例如订阅业务项目在该过往线上模式阶段实际带来的业务净值，或者订阅业务项目在该过往线上模式阶段实际的业务转换率)，确定目标训练模型的模型更新参考函数(例如，交叉熵损失函数)的值后，可以判断目标训练模型的模型更新参考函数的值是否超出预设阈值，当目标训练模型的模型更新参考函数的值超出预设阈值时，基于目标训练模型的模型更新参考函数确定目标训练模型的误差信号，将误差信息在目标训练模型中反向传播，并在传播的过程中更新各个层的模型参数。

在一种独立的实施例中，构建目标训练模型的模型更新参考函数之前，还包括：获取过往线上模式阶段的标注特征对象中的下一过往线上模式阶段的业务使用趋势特征，基于下一过往线上模式阶段的业务使用趋势特征调用订阅业务项目仿真器模型，以确定订阅业务项目的业务服务过程在过往线上模式阶段所带来的业务使用趋势预估信息，并将业务使用趋势预估信息作为过往线上模式阶段的标注评价信息。例如，将订阅业务项目在该过往线上模式阶段实际的业务转换率作为过往线上模式阶段的标注评价信息。

在一种独立的实施例中，构建目标训练模型的模型更新参考函数之前，还包括：获取过往线上模式阶段的标注特征对象中的下一过往线上模式阶段的业务使用趋势特征，基于下一过往线上模式阶段的业务使用趋势特征调用订阅业务项目仿真器模型，以确定订阅业务项目的业务服务过程在过往线上模式阶段所带来的业务使用趋势预估信息；获取在过往线上模式阶段中用于配置大数据资讯服务的资源推送配置信息；基于在过往线上模式阶段中用于配置大数据资讯服务的资源推送配置信息调用订阅业务项目仿真器模型，以确定资源推送配置信息所需索引关联的引用业务信息，将业务使用趋势预估信息作为过往线上模式阶段的标注评价信息，包括：将业务使用趋势预估信息与引用业务信息的特征差异作为过往线上模式阶段的标注评价信息。例如，订阅业务项目在该过往线上模式阶段实际带来的业务净值作为过往线上模式阶段的标注评价信息。

在一种可能的实施例中，针对前述步骤S130，可以通过以下示例性的步骤进一步实现。

步骤S131，获取针对大数据资讯服务的资源推送配置信息的更新指令。

在本实施例中，深度学习服务系统100可以接收前端服务节点发送的更新指令，更新指令用于指示针对资源推送配置信息中的当前推送资讯文本信息执行推送状态更新。

步骤S132，在当前推送资讯文本信息处于第一推送配置状态时，确定当前推送资讯文本信息所对应的更新模式，及更新模式中处于更新激活状态的所有更新业务微服务，并请求所有更新业务微服务响应更新指令，针对当前推送资讯文本信息执行推送状态更新。

步骤S133，在当前推送资讯文本信息处于第二推送配置状态时，确定当前推送资讯文本信息在资源推送配置信息中的当前推送配置指令，并在当前推送配置指令满足预设的更新级别时，针对当前推送资讯文本信息执行推送状态更新。

在本实施例中，当前推送资讯文本信息中保存有一状态信息标识，状态信息标识用于指示当前推送资讯文本信息的状态；比如，当状态信息标识指示当前推送资讯文本信息处于第一推送配置状态时，深度学习服务系统100确定当前推送资讯文本信息处于完全推送激活状态，此时深度学习服务系统100可以确定出当前推送资讯文本信息所对应的更新模式，以及更新模式中处于更新激活状态的所有更新业务微服务。

其中，当前推送资讯文本信息中可以保存有一更新标签，更新标签可以用于指示对应的更新模式；深度学习服务系统100可以保存一更新标签映射表，更新标签映射表中记录有多个更新标签与多个更新模式的对应关系；深度学习服务系统100可以通过查询更新标签映射表，从而获得当前推送资讯文本信息中保存的更新标签信息所对应的更新模式；并且，深度学习服务系统100可以向确定出的更新模式的应用服务发送查询信息，以请求更新模式中所有更新业务微服务返回的响应信息。

接下来，深度学习服务系统100可以根据更新模式中各个更新业务微服务各自返回响应信息的情况，确定各个更新业务微服务的工作状态；比如，深度学习服务系统100可以确定设定时间内反馈了响应信息的更新业务微服务处于更新激活状态，而超出设定时间也没有反馈响应信息的更新业务微服务则不处于更新激活状态；如此，当深度学习服务系统100确定出更新模式中处于更新激活状态的所有更新业务微服务后，深度学习服务系统100可以请求所有更新业务微服务响应更新请求，针对当前推送资讯文本信息执行推送状态更新。

另外，当状态信息标识指示当前推送资讯文本信息处于第二推送配置状态时，深度学习服务系统100确定当前推送资讯文本信息处于部分推送激活状态，即当前推送资讯文本信息中包含一些不推送激活的数据，此时深度学习服务系统100可以确定出当前推送资讯文本信息在资源推送配置信息中的当前推送配置指令，并查找预先配置的更新等级策略表，该更新等级策略表中记录有多个信令各自对应的更新级别；当深度学习服务系统100通过查找更新等级策略表，确定当前推送配置指令对应的更新级别，并当深度学习服务系统100判定当前推送配置指令对应的更新级别满足预设的更新级别时，深度学习服务系统100确定当前推送资讯文本信息符合更新需求，则深度学习服务系统100针对当前推送资讯文本信息执行推送状态更新。

可见，在本公开提供的方案中，通过获取针对大数据资讯服务的资源推送配置信息的更新指令，其中，更新指令用于指示针对资源推送配置信息中的当前推送资讯文本信息执行推送状态更新；在当前推送资讯文本信息处于第一推送配置状态的情况下，确定当前推送资讯文本信息所对应的更新模式，及更新模式中处于更新激活状态的所有更新业务微服务，并请求所有更新业务微服务响应更新指令，针对当前推送资讯文本信息执行推送状态更新；另外，在当前推送资讯文本信息处于第二推送配置状态的情况下，确定当前推送资讯文本信息在资源推送配置信息中的当前推送配置指令，并在当前推送配置指令满足预设的更新级别时，针对当前推送资讯文本信息执行推送状态更新。如此，通过判断当前推送资讯文本信息处于第一推送配置状态或第二推送配置状态的两种情况，从而针对不同的情况响应于当前推送资讯文本信息的更新指令，以执行推送状态更新，进而提升了推送资讯文本信息的推送可靠性，避免数据污染。

其中，在一种单独实施例中，针对更新模式的工作状态不同，深度学习服务系统100在执行步骤S131之后，还可以先获取资源推送配置信息的资源推送描述信息。

接下来，深度学习服务系统100可以利用上述的方式，获取更新模式的工作状态；并且，深度学习服务系统100可以在获取到用于指示更新模式处于更新维护模式时，将当前推送资讯文本信息从第一推送配置状态切换为第二推送配置状态，并根据资源推送描述信息获取当前推送资讯文本信息在资源推送配置信息中的当前推送配置指令，进而执行步骤S133。

在本实施例中，当前推送配置指令可以记录在资源推送描述信息的指定字段中。

另外，深度学习服务系统100可以在获取到用于指示更新模式处于更新非维护模式时，将当前推送资讯文本信息从第二推送配置状态切换为第一推送配置状态，并根据资源推送描述信息获取资源推送配置信息中的经营内容描述数据；从而执行步骤S132。

其中，在一种单独实施例中，深度学习服务系统100在执行步骤S133以确定当前推送资讯文本信息在资源推送配置信息中的当前推送配置指令时，可以采用以下方案：

首先，深度学习服务系统100可以以当前推送资讯文本信息在资源推送配置信息中的资讯文本配置源作为目标配置源，以当前推送资讯文本信息中的预设资讯文本配置源范围为固定范围确定出遍历配置源范围。

在本实施例中，预设资讯文本配置源范围可以记录在当前推送资讯文本信息中的预设配置源范围。

接下来，深度学习服务系统100可以根据当前推送资讯文本信息的配置源热度范围，从遍历配置源范围中确定出当前推送资讯文本信息的配置源高热度范围；其中，配置源高热度范围为当前推送资讯文本信息中保存推送配置指令的高热度范。

在本实施例中，配置源热度范围可以保存在当前推送资讯文本信息的元数据中。

然后，深度学习服务系统100可以从配置源高热度范围搜索当前推送资讯文本信息的当前推送配置指令。

接下来，当从配置源高热度范围未搜索到当前推送配置指令时，深度学习服务系统100可以以当前推送资讯文本信息在资源推送配置信息中的资讯文本配置源作为目标配置源，以当前推送资讯文本信息的对应的资讯文本索引作为目标操作对象，按照设定的索引类别划分，得到多个推送资讯文本信息资讯文本索引。

然后，深度学习服务系统100可以获取多个推送资讯文本信息资讯文本索引中每个推送资讯文本信息资讯文本索引各自对应的索引类别码，并按照每个索引类别码各自对应的推送资讯文本信息资讯文本索引的顺序，将所有的索引类别码进行融合，以生成当前推送资讯文本信息的当前推送配置指令。

另外，在一种单独实施例中，为了针对大数据资讯服务的整体价值进行评估，针对大数据资讯服务所对应的当前推送资讯文本信息，信息处理方法还可以包括以下步骤：

首先，深度学习服务系统100可以获取当前推送资讯文本信息在预设推送循环周期内各自的历史推送行为信息以及每个历史推送行为信息各自对应的推送行为反馈信息。

在本实施例中，预设推送循环周期可以为大数据资讯服务在过去的五个循环周期；历史推送行为信息可以包括在各个预设推送循环周期内的推送行为过程中的资讯引用控制信息。

接下来，深度学习服务系统100可以根据历史推送行为信息和推送行为反馈信息对当前推送资讯文本信息进行推送指标变化计算，以得到当前推送资讯文本信息在每个推送循环周期内对应的推送指标变化评估信息。

在本实施例中，深度学习服务系统100可以采用例如最小二乘拟合等方式，根据历史推送行为信息和推送行为反馈信息，对当前推送资讯文本信息进行业务指标增长计算，从而得到当前推送资讯文本信息在每个推送循环周期内对应的推送指标变化评估信息。

然后，深度学习服务系统100可以分别对每个推送指标变化评估信息进行重要性参数计算，以得到至少一组推送指标重要性参数。

接下来，深度学习服务系统100可以确定待估算的当前推送指标变化评估信息以及与当前推送指标变化评估信息相邻周期的相关推送指标变化评估信息；其中，相关推送指标变化评估信息为与当前推送指标变化评估信息相邻的前一周期的推送指标变化评估信息。

然后，深度学习服务系统100可以根据推送指标重要性参数确定当前推送指标变化评估信息与相关推送指标变化评估信息各自对应的预期推送有效转化参数。

接下来，深度学习服务系统100可以根据所有的预期推送有效转化参数以及各自对应的推送指标变化评估信息，对当前推送资讯文本信息进行推送价值估算，以得到当前推送资讯文本信息对应的预期推送价值数据。

然后，深度学习服务系统100可以获取历史推送资讯文本信息所对应的历史推送价值数据，并根据历史推送价值数据确定当前推送资讯文本信息的当前推送预期数据；其中，历史推送资讯文本信息为当前推送资讯文本信息对应的在先推送资讯文本信息。

接下来，深度学习服务系统100可以根据预期推送价值数据对当前推送预期数据进行推送价值度计算，以得到当前推送资讯文本信息的推送价值影响参数。

然后，深度学习服务系统100可以根据推送价值影响参数对当前推送资讯文本信息进行价值估算，以得到当前推送资讯文本信息所对应的参考推送价值。

如此，基于本公开实施例提供的上述方案，通过对当前推送资讯文本信息进行推送价值估算，可以基于估算出来的推送价值，对大数据资讯服务的当前推送资讯文本信息进行整体价值评估，从而对大数据资讯服务的指标进行客观评估，提升业务拓展的可靠性。

其中，作为一种可能的实施方式，为了提高获取历史推送价值数据时的可靠性，防止数据被泄漏，深度学习服务系统100在获取历史推送资讯文本信息所对应的历史推送价值数据时可以采用以下方式：

首先，深度学习服务系统100可以确定出与当前推送资讯文本信息对应的目标历史资讯更新项目，并获取由目标历史资讯更新项目所保存的历史资讯更新数据包；其中，历史资讯更新数据包为目标历史资讯更新项目所保存的所有历史推送资讯文本信息的数据包。

接下来，深度学习服务系统100可以获取由目标历史资讯更新项目反馈的历史资讯更新数据包的更新序列号。

然后，深度学习服务系统100可以利用更新序列号对历史资讯更新数据包进行解码。

接下来，深度学习服务系统100可以获取历史推送资讯文本信息的统计周期开始节点和统计周期结束节点。

然后，深度学习服务系统100可以根据统计周期开始节点和统计周期结束节点，确定出目标统计周期。

接下来，深度学习服务系统100可以获取解码后的历史资讯更新数据包在目标统计周期内的目标历史推送订阅信息。

然后，深度学习服务系统100可以在目标历史推送订阅信息中解析出当前推送资讯文本信息所对应的历史推送价值数据。

另外，在一种单独实施例中，深度学习服务系统100在根据历史推送价值数据确定当前推送资讯文本信息的当前推送预期数据时，可以采用以下方案：

深度学习服务系统100可以先获取当前推送资讯文本信息的推送价值计算策略，然后利用推送价值计算策略对历史推送价值数据进行处理，以生成当前推送资讯文本信息的当前推送预期数据。

其中，在本实施例中，推送价值计算策略可以预选保存在当前推送资讯文本信息的元数据中，深度学习服务系统100可以通过解析当前推送资讯文本信息的元数据信息，从而获取该推送价值计算策略，推送价值计算策略可以用于指示当前推送资讯文本信息对应的价值计算方案，基于推送价值计算策略，可以计算出当前推送资讯文本信息的当前推送预期数据。

图3为本公开实施例提供的基于大数据线上模式的资源推送装置300的功能模块示意图，下面分别对该基于大数据线上模式的资源推送装置300的各个功能模块的功能进行详细阐述。

获取模块310，用于获取在大数据资讯服务中业务服务设备的服务用户的订阅业务项目在第一线上模式阶段的业务使用趋势特征、大数据资讯服务在第一线上模式阶段的静态服务场景特征、以及大数据资讯服务在第一线上模式阶段的动态服务场景特征；

调用模块320，用于基于第一线上模式阶段的业务使用趋势特征、第一线上模式阶段的静态服务场景特征、以及第一线上模式阶段的动态服务场景特征调用目标训练模型，以得到在第二线上模式阶段中用于配置大数据资讯服务的资源推送配置信息，其中，第二线上模式阶段在第一线上模式阶段的下一开发更新阶段；

应用模块330，用于在第二线上模式阶段将资源推送配置信息应用到大数据资讯服务中。

图4示出了本公开实施例提供的用于实现上述的基于大数据线上模式的资源推送方法的深度学习服务系统100的硬件结构示意图，如图4所示，深度学习服务系统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，使得处理器110可以执行如上方法实施例的基于大数据线上模式的资源推送方法，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，从而可以与前述的业务服务设备200进行数据收发。

处理器110的具体实现过程可参见上述深度学习服务系统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。

此外，本公开实施例还提供一种可读存储介质，所述可读存储介质中预设有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上基于大数据线上模式的资源推送方法。

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，在一种单独实施例中而非限制，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。