应用于大数据用户画像分析的信息处理方法和云计算平台

摘要

本申请实施例公开了一种应用于大数据用户画像分析的信息处理方法和云计算平台，在实施该应用于大数据用户画像分析的信息处理方法时，由于知识融合指向信息和知识质量评估信息用于确定存在热门业务标识的服务项目执行场景的全局知识融合指向信息，且全局知识融合指向信息能够用于确定至少一个所述业务用户端的用户画像知识图谱，此外，全局知识融合指向信息考虑了知识质量，因而能够在构建知识图谱的过程中确保知识库的知识信息的质量，从而保证用户画像知识图谱能够精准地反映出用户画像的实时更新情况。

说明书

技术领域

本申请涉及大数据和知识图谱技术领域，特别涉及一种应用于大数据用户画像分析的信息处理方法和云计算平台。

背景技术

目前，随着智能信息服务应用的不断发展，知识图谱（Knowledge Graph）已被广泛应用于智能搜索、智能问答、个性化推荐、情报分析、反欺诈等领域。另外，通过知识图谱能够将Web上的信息、数据以及链接关系聚集为知识，使信息资源更易于计算、理解以及评价，并且形成一套Web语义知识库。知识图谱以其强大的语义处理能力与开放互联能力，可为万维网上的知识互联奠定扎实的基础，使Web 3.0提出的“知识之网”的愿景成为了可能。

知识图谱从某种程度上可以理解为结构化的语义知识库，用于迅速描述物理世界中的概念及其相互关系，通过对错综复杂的文档的数据进行有效的加工、处理和整合，从而转化为简单、清晰的“实体--关系--实体”的三元组，最后聚合大量知识，从而实现知识的快速响应和推理。相关技术中，知识图谱有自顶向下和自底向上两种构建方式。一方面，自顶向下构建是借助百科类网站等结构化数据源从高质量数据中提取本体和模式信息并加入到知识库中。另一方面，自底向上构建则是借助一定的技术手段，从公开采集的数据中提取出资源模式选择其中置信度较高的新模式，并在经人工审核之后加入到知识库中。

然而，相关技术在构建用户画像知识图谱时，在一定程度上难以确保知识库的知识信息的质量，从而难以保证用户画像知识图谱能够精准地反映出用户画像的实时更新情况。

发明内容

本申请实施例之一提供一种应用于大数据用户画像分析的信息处理方法，应用于云计算平台，所述云计算平台与多个业务用户端通信连接，所述方法至少包括：根据当前在线服务推送项目中存在热门业务标识的业务项目所在的存在热门业务标识的服务项目执行场景以及所述存在热门业务标识的业务项目的用户行为数据，确定知识融合指向信息和知识质量评估信息；基于所述知识融合指向信息和所述知识质量评估信息进行知识加工，得到所述存在热门业务标识的服务项目执行场景的全局知识融合指向信息；其中，所述全局知识融合指向信息用于确定至少一个所述业务用户端的用户画像知识图谱。

本申请实施例之一提供一种云计算平台，包括处理引擎、网络模块和存储器；所述处理引擎和所述存储器通过所述网络模块通信，所述处理引擎从所述存储器中读取计算机程序并运行，以执行上述的方法。

附图说明

图1是根据本发明的一些实施例所示的一种示例性应用于大数据用户画像分析的信息处理方法和/或过程的流程图；

图2是根据本发明的一些实施例所示的一种示例性应用于大数据用户画像分析的信息处理装置的框图；

图3是根据本发明的一些实施例所示的一种示例性应用于大数据用户画像分析的信息处理系统的框图，以及

图4是根据本发明的一些实施例所示的一种示例性云计算服务器中硬件和软件组成的示意图。

具体实施方式

为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

为了在构建知识图谱的过程中确保知识库的知识信息的质量，从而保证用户画像知识图谱能够精准地反映出用户画像的实时更新情况，发明人针对性地提出了应用于大数据用户画像分析的信息处理方法，通过确定存在热门业务标识的服务项目执行场景的全局知识融合指向信息，能够基于全局知识融合指向信息确定至少一个业务用户端的用户画像知识图谱，从而在构建知识图谱的过程中确保知识库的知识信息的质量，保证用户画像知识图谱能够精准地反映出用户画像的实时更新情况。

在相关实施例中，对应用于大数据用户画像分析的信息处理方法进行示例性的说明，请参阅图1，是根据本发明的一些实施例所示的一种示例性应用于大数据用户画像分析的信息处理方法和/或过程的流程图，所述应用于大数据用户画像分析的信息处理方法，可以应用于云计算平台，所述云计算平台与多个业务用户端通信连接，进一步地，云计算平台在执行上述方法时可以实现以下步骤S100和步骤S200所描述的技术方案。

S100、根据当前在线服务推送项目中存在热门业务标识的业务项目所在的存在热门业务标识的服务项目执行场景以及所述存在热门业务标识的业务项目的用户行为数据，确定知识融合指向信息和知识质量评估信息。

例如，当前在线服务推送项目可以是云计算平台所激活的在线服务推送项目，包括但不限于商品推送、在线业务（办公业务、娱乐业务）推送以及其他个性化推送项目等。进一步地，热门业务标识的业务项目可以通过对不同的业务用户终端的反馈信息进行分析之后得到，比如，针对业务项目A，其对应的反馈信息可以包括反馈信息m11、反馈信息m12、反馈信息m13、反馈信息m14和反馈信息m15，进一步地，反馈信息m11、反馈信息m12、反馈信息m13、反馈信息m14和反馈信息m15各自对应的反馈推荐指数分别为in11、in12、in13、in14和in15，由此可以得出业务项目A的综合反馈推荐指数为inA=（in11+in12+in13+in14+in15）/5。针对业务项目B，其对应的反馈信息可以包括反馈信息m21、反馈信息m22、反馈信息m23和反馈信息m24，进一步地，反馈信息m21、反馈信息m22、反馈信息m23和反馈信息m24各自对应的反馈推荐指数分别为in21、in22、in23和in24，由此可以得出业务项目B的综合反馈推荐指数为inB=（in21+in22+in23+in24）/4。进一步地，若inA大于inB，则可以判定业务项目A为存在热门业务标识的业务项目，若inB大于inA，则可以判定业务项目B为存在热门业务标识的业务项目。当然，确定存在热门业务标识的业务项目的实施方式还可以包括其他内容，在此不一一列举。同理，存在热门业务标识的服务项目执行场景的确定方式也可以参照确定存在热门业务标识的业务项目的方式，存在热门业务标识的业务项目的用户行为数据可以是业务用户端对应的业务行为数据，在本实施例中，所述存在热门业务标识的业务项目可以为请求-响应项目（交互项目），相应地，所述存在热门业务标识的业务项目的用户行为数据包括：业务用户端请求数据、云计算平台响应数据、业务用户端验证数据、云计算平台请求数据和业务用户端操作数据等。举例而言，用户行为数据可以通过对相关的执行函数的调用记录进行分析之后得到，也可以通过其他实施方式确定，后续将对用户行为数据的获取方式进行进一步说明。

另外，知识融合可以理解为在获得新知识（信息）之后，需要对其进行整合，以消除矛盾和歧义，比如某些实体可能有多种表达，某个特定称谓也许对应于多个不同的实体等，相应地，知识融合指向信息用于指示如何对新的知识进行整合和处理。知识质量可以理解为新知识（信息）的有用程度或者偏差情况，比如新知识（信息）中的异常信息、重复信息的占比，或者新知识（信息）中的具有潜在价值的信息的占比等，相应地，知识质量评估信息用于对这些知识信息进行一个全面的评估，比如可以通过质量评估数组来评估对应的知识信息。举例而言，质量评估数组可以为[num1，num2，num3，num4，num5]，其中，num1，num2，num3，num4和num5分别代表不同的评估维度，比如num1可以用于评估新知识（信息）中的异常信息的占比，num2可以用于评估新知识（信息）中的重复信息的占比，num3可以用于评估新知识（信息）中具有潜在价值的信息的占比等。当然，质量评估数组中的数组元素的含义可以根据其他情况进行调整，在此不作限定。可以理解，知识融合指向信息和知识质量评估信息用于确定存在热门业务标识的服务项目执行场景的全局知识融合指向信息，而全局知识融合指向信息能够用于确定至少一个所述业务用户端的用户画像知识图谱，并且全局知识融合指向信息考虑了知识质量，因而能够在构建知识图谱的过程中确保知识库的知识信息的质量，从而保证用户画像知识图谱能够精准地反映出用户画像的实时更新情况。

在相关实施例中，步骤“根据当前在线服务推送项目中存在热门业务标识的业务项目所在的存在热门业务标识的服务项目执行场景以及所述存在热门业务标识的业务项目的用户行为数据，确定知识融合指向信息和知识质量评估信息”，可以包括以下步骤S110和S130所描述的内容。

S110、确定当前在线服务推送项目中存在热门业务标识的业务项目所在的存在热门业务标识的服务项目执行场景，并确定所述存在热门业务标识的业务项目的用户行为数据。例如，服务项目执行场景可以是处于激活状态的业务场景。在相关实施例中，确定所述存在热门业务标识的业务项目的用户行为数据除了上述的实施方式，还可以包括以下内容：确定所述存在热门业务标识的业务项目的业务行为响应记录，并基于所确定的业务行为响应记录，确定所述存在热门业务标识的业务项目的用户行为数据。进一步地，所述确定所述存在热门业务标识的业务项目的业务行为响应记录的步骤，包括：根据所述当前在线服务推送项目以及所述当前在线服务推送项目之前的设定数量的关联服务推送项目中所述存在热门业务标识的业务项目相对于所述业务用户端的业务项目触发信息，确定所述存在热门业务标识的业务项目的业务行为响应记录。相关实施例中，业务行为响应记录可以理解为业务用户端侧的业务响应信息，业务项目触发信息可以是云计算平台侧针对业务用户端侧的操作行为所反馈的交互信息，如此设计，能够基于业务用户端侧和云计算平台侧完整地确定出业务行为响应记录，进而完整地确定出用户行为数据。

S120、将所述存在热门业务标识的服务项目执行场景拆分为设定数量个服务项目交互场景，获得各个服务项目交互场景的知识融合指向信息。

例如，服务项目执行场景可以包括多个互相关联的交互场景，为了确保后续得到的全局知识融合指向信息的可信度，通过预先将所述存在热门业务标识的服务项目执行场景拆分为设定数量个服务项目交互场景并确定各个服务项目交互场景的知识融合指向信息，能够尽可能减少多个互相关联的交互场景之间的互相影响，从而确保后续得到的全局知识融合指向信息的可信度。

S130、根据所述存在热门业务标识的业务项目的用户行为数据，确定所述存在热门业务标识的服务项目执行场景中的各个服务项目交互场景的知识质量评估信息。相关实施例中，步骤“根据所述存在热门业务标识的业务项目的用户行为数据，确定所述存在热门业务标识的服务项目执行场景中的各个服务项目交互场景的知识质量评估信息”，可以包括以下内容：根据设定的存在热门业务标识的业务项目的用户行为数据与存在热门业务标识的服务项目执行场景中各个服务项目交互场景的知识质量评估信息的映射关系，以及所述存在热门业务标识的业务项目的用户行为数据，确定所述存在热门业务标识的服务项目执行场景中的各个服务项目交互场景的知识质量评估信息。相关实施例中，映射关系可以是神经网络模型，神经网络模型的训练可以基于存在热门业务标识的业务项目的样本用户行为数据以及与存在热门业务标识的服务项目执行场景中各个服务项目交互场景的样本知识质量评估信息进行对抗训练之后得到，这样一来，基于映射关系确定出的各个服务项目交互场景的知识质量评估信息具有更高的可信度。

S200、基于所述知识融合指向信息和所述知识质量评估信息进行知识加工，得到所述存在热门业务标识的服务项目执行场景的全局知识融合指向信息。

例如，所述全局知识融合指向信息用于确定至少一个所述业务用户端的用户画像知识图谱。在S100的基础上，步骤“基于所述知识融合指向信息和所述知识质量评估信息进行知识加工，得到所述存在热门业务标识的服务项目执行场景的全局知识融合指向信息”，进一步可以包括以下内容：按照各个服务项目交互场景的知识质量评估信息，对所述存在热门业务标识的服务项目执行场景中的各个服务项目交互场景的知识融合指向信息进行知识加工，得到所述存在热门业务标识的服务项目执行场景的全局知识融合指向信息。相关实施例中，知识加工可以理解为：对于经过融合的新知识，需要经过质量评估之后（部分需要人工参与甄别），才能将合格的部分加入到知识库中，以确保知识库的质量。通俗地讲，通过知识加工得到的全局知识融合指向信息，能够从场景层面和业务用户端层面反映出用户画像的实时变化信息，从而为后续的用户画像知识图谱的构建提供准确可靠的指导，这样一来，在构建知识图谱的过程中确保知识库的知识信息的质量，从而保证用户画像知识图谱能够精准地反映出用户画像的实时更新情况。

在相关实施例中，存在热门业务标识的服务项目执行场景可以为一个或者多个，本实施例将基于存在热门业务标识的服务项目执行场景可以为一个或者多个的两种情况分别进行说明。

一方面，当所述存在热门业务标识的服务项目执行场景为一个时，该方法还可以包括以下内容：在确定所述存在热门业务标识的服务项目执行场景的全局知识融合指向信息之后，将所述存在热门业务标识的服务项目执行场景的全局知识融合指向信息作为所述当前在线服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息；根据所述当前在线服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息，更新所述当前在线服务推送项目的下一在线服务推送项目的项目推送策略。比如，过渡知识融合指向信息可以用于更新相关的项目推送策略，从而确保后续的项目推送更加精准，进而确保获取到的用户行为数据是符合用户真实意图的。所述当前在线服务推送项目的下一在线服务推送项目可以是推送时刻位于当前在线服务推送项目的推送时刻之后的在线服务推送项目，如此设计，通过对后续的项目推送策略进行更新，能够实现后续的业务项目的精准推送，以便获得更加准确的用户行为数据，从而实现对用户画像知识图谱的不断更新完善。

另一方面，当所述存在热门业务标识的服务项目执行场景为多个时，该方法还可以包括以下内容：在确定所述存在热门业务标识的服务项目执行场景的全局知识融合指向信息之后，根据每一所述存在热门业务标识的服务项目执行场景的全局知识融合指向信息，确定所述当前在线服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息；根据所述当前在线服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息，更新所述当前在线服务推送项目的下一在线服务推送项目的项目推送策略。同理，如此设计，通过对后续的项目推送策略进行更新，能够实现后续的业务项目的精准推送，以便获得更加准确的用户行为数据，从而实现对用户画像知识图谱的不断更新完善。在相关实施例中，为了考虑不同指向信息之间的互相干扰，在步骤“根据每一所述存在热门业务标识的服务项目执行场景的全局知识融合指向信息，确定所述当前在线服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息”之前，还可以包括以下内容：对每一所述存在热门业务标识的服务项目执行场景进行知识融合指向信息的关联分析，确定每一所述存在热门业务标识的服务项目执行场景的全局知识融合指向信息对存在热门业务标识的服务项目执行场景的过渡知识融合指向信息的指向信息干扰结果；根据所确定的每一所述存在热门业务标识的服务项目执行场景的全局知识融合指向信息对存在热门业务标识的服务项目执行场景的过渡知识融合指向信息的指向信息干扰结果，将指向信息干扰结果对应的干扰指数大于设定干扰指数的存在热门业务标识的服务项目执行场景确定为目标服务项目执行场景。例如，通过知识融合指向信息的关联分析，可以确定出每一所述存在热门业务标识的服务项目执行场景的全局知识融合指向信息对存在热门业务标识的服务项目执行场景的过渡知识融合指向信息的指向信息干扰结果。进一步地，指向信息干扰结果可以用于表征全局知识融合指向信息和过渡知识融合指向信息之间对于相同知识信息的处理逻辑的差异，在此基础上，通过将指向信息干扰结果对应的干扰指数大于设定干扰指数的存在热门业务标识的服务项目执行场景确定为目标服务项目执行场景，能够确保目标服务项目执行场景下的不同指向信息之间的干扰情况能够被重点关注，从而在后续进行过渡知识融合指向信息确定时将不同指向信息之间的干扰情况考虑在内，以避免或者削弱不同指向信息之间的互相干扰。另外，干扰指数的取值可以为0~1，0表示没有干扰，1表示存在完全干扰（也即全局知识融合指向信息和过渡知识融合指向信息之间对于相同知识信息的处理逻辑完全不同）。在上述基础上，步骤“根据每一所述存在热门业务标识的服务项目执行场景的全局知识融合指向信息，确定所述当前在线服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息”，可以包括以下内容：根据每一目标服务项目执行场景的全局知识融合指向信息，确定所述当前在线服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息。进一步地，步骤“根据每一目标服务项目执行场景的全局知识融合指向信息，确定所述当前在线服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息”，可以包括：根据每一目标服务项目执行场景的全局知识融合指向信息对存在热门业务标识的服务项目执行场景的局部知识融合指向信息的指向信息干扰结果，确定每一目标服务项目执行场景的场景标签信息；根据每一目标服务项目执行场景的全局知识融合指向信息以及场景标签信息，确定所述当前在线服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息。举例而言，场景标签信息用于对不同的目标服务项目执行场景进行区分。

在上述内容的基础上，步骤“根据所述当前在线服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息，更新所述当前在线服务推送项目的下一在线服务推送项目的项目推送策略”，可以包括以下内容：判断所述当前在线服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息对应的信息错误率是否大于第一设定阈值；如果大于所述第一设定阈值，判断所述当前在线服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息对应的信息错误率是否等于所述当前在线服务推送项目的上一在线服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息对应的信息错误率；如果等于所述当前在线服务推送项目的上一在线服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息对应的信息错误率，根据所述当前在线服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息更新历史关联服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息；根据更新后的历史关联服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息和设定的知识融合参考错误率，更新所述当前在线服务推送项目的下一在线服务推送项目的项目推送策略。举例而言，信息错误率可以用于标识新知识信息中存在错误的信息碎片的占比，可以理解，当前在线服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息对应的信息错误率可以用于表征后续的项目推送策略的推送准确率，因此，在当前在线服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息对应的信息错误率大于所述第一设定阈值时，可以通过考虑当前在线服务推送项目的上一在线服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息对应的信息错误率，进而根据所述当前在线服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息更新历史关联服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息，这样一来，能够结合设定的知识融合参考错误率更新所述当前在线服务推送项目的下一在线服务推送项目的项目推送策略，从而实现后续的业务项目的精准推送，以便获得更加准确的用户行为数据，从而实现对用户画像知识图谱的不断更新完善。

另外，在判断出所述当前在线服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息对应的信息错误率等于所述当前在线服务推送项目的上一在线服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息对应的信息错误率的情况下，还可以包括以下内容：针对所述当前在线服务推送项目中各个存在热门业务标识的业务项目，判断所述当前在线服务推送项目中该存在热门业务标识的业务项目所在的存在热门业务标识的服务项目执行场景的全局知识融合指向信息是否与所述当前在线服务推送项目的上一在线服务推送项目中该存在热门业务标识的业务项目所在的存在热门业务标识的服务项目执行场景的全局知识融合指向信息相同；如果是，确定所述当前在线服务推送项目的候选知识融合指向信息。在此基础上，步骤“根据更新后的历史关联服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息和设定的知识融合参考错误率，更新所述当前在线服务推送项目的下一在线服务推送项目的项目推送策略”，可以包括以下内容：确定所述当前在线服务推送项目之后的第一设定数量的关联服务推送项目的项目推送策略的策略描述值等于所述当前在线服务推送项目的项目推送策略的策略描述值；在所述候选知识融合指向信息对应的信息错误率不小于设定的动态错误率时，削减所述设定的知识融合参考错误率，根据削减后的知识融合参考错误率和更新后的历史关联服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息，更新第一目标在线服务推送项目的项目推送策略，其中，所述第一目标在线服务推送项目为：所述第一设定数量的关联服务推送项目中最后一关联服务推送项目的下一关联服务推送项目；在所述候选知识融合指向信息对应的信息错误率不大于设定的静态错误率时，扩大所述设定的知识融合参考错误率，根据扩大后的知识融合参考错误率和更新后的历史关联服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息，更新所述第一目标在线服务推送项目的项目推送策略；在所述候选知识融合指向信息对应的信息错误率大于所述设定的静态错误率且小于所述设定的动态错误率时，根据所述设定的知识融合参考错误率和更新后的历史关联服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息，更新所述第一目标在线服务推送项目的项目推送策略。举例而言，项目推送策略的策略描述值用于对不同的项目推送策略进行比较，而知识融合参考错误率用于对知识库的整体知识质量进行把关，动态错误率可以理解为随着时间的变化而变化的错误率，静态错误率可以理解为不随时间变化的错误率，如此一来，能够基于动态错误率和静态错误率对候选知识融合指向信息对应的信息错误率的综合判定，从而实现对知识融合参考错误率的调整，以便实现对项目推送策略的更新，这样能够实现后续的业务项目的精准推送，以便获得更加准确的用户行为数据，从而实现对用户画像知识图谱的不断更新完善。

在另外的一些实施例中，在判断出所述当前在线服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息对应的信息错误率不等于所述当前在线服务推送项目的前一在线服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息对应的信息错误率的情况下，该方法还可以还包括以下内容：判断目标判定值的绝对值是否大于第二设定阈值，其中，所述目标判定值为：所述当前在线服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息对应的信息错误率与历史关联服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息对应的信息错误率的差值；如果否，根据所述当前在线服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息更新历史关联服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息，并根据更新后的历史关联服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息和所述设定的知识融合参考错误率，更新所述当前在线服务推送项目的下一在线服务推送项目的项目推送策略；如果是，确定所述当前在线服务推送项目之后的第二设定数量的关联服务推送项目的项目推送策略的策略描述值等于所述当前在线服务推送项目的项目推送策略的策略描述值，并根据所述当前在线服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息更新历史关联服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息，再根据更新后的历史关联服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息和所述设定的知识融合参考错误率，更新第二目标在线服务推送项目在线服务推送项目的项目推送策略，其中，所述第二目标在线服务推送项目为：所述第二设定数量的关联服务推送项目中最后一关联服务推送项目的下一关联服务推送项目。

在一些可能的实施例中，在判断出所述当前在线服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息对应的信息错误率不大于所述第一设定阈值的情况下，还可以包括以下内容：判断所述当前在线服务推送项目之前的第三设定数量的关联服务推送项目的存在热门业务标识的服务项目执行场景的过渡知识融合指向信息对应的信息错误率是否均不大于所述第一设定阈值；如果是，确定所述当前在线服务推送项目的候选知识融合指向信息，在所述候选知识融合指向信息对应的信息错误率不小于设定的动态错误率时，或在所述候选知识融合指向信息对应的信息错误率不大于设定的静态错误率时，根据所述候选知识融合指向信息和所述设定的知识融合参考错误率，更新所述当前在线服务推送项目的下一在线服务推送项目的项目推送策略，在所述候选知识融合指向信息对应的信息错误率小于所述设定的动态错误率并且大于所述设定的静态错误率时，确定所述当前在线服务推送项目的下一在线服务推送项目的项目推送策略的策略描述值等于所述当前在线服务推送项目的项目推送策略的策略描述值；如果否，确定所述当前在线服务推送项目的候选知识融合指向信息，根据所述候选知识融合指向信息和所述设定的知识融合参考错误率，更新所述当前在线服务推送项目的下一在线服务推送项目的项目推送策略。

进一步地，在S200之后，还可以根据全局知识融合指向信息确定至少一个所述业务用户端的用户画像知识图谱，在确定了用户画像知识图谱之后，可以基于业务用户端侧的大数据交互信息实现用户画像知识图谱（用户信息）的更新，为此，在一些可选择的方案中，还可以包括以下内容。

S310：业务用户端从采集的第一大数据交互状态的第一大数据交互信息获取目标大数据事项在所述第一大数据交互信息中的大数据用户元素信息；从所述第一大数据交互信息中确定所述大数据用户元素信息对应的第一动态大数据交互信息；将所述第一动态大数据交互信息至少进行信息校正处理得到第二大数据交互状态的目标大数据交互信息，所述第二大数据交互状态适于所述目标大数据交互信息进行用户信息更新；将所述目标大数据交互信息发送至所述云计算平台。

举例而言，业务用户端在与云计算平台通信时可能存在不同的交互状态，比如单向交互状态或者双向交互状态，单向交互状态是指业务用户端和云计算平台两者之间只有一方进行业务动作的交互状态，双向交互状态是指业务用户端和云计算平台两者均进行业务动作的交互状态，当然，不同的交互状态的分类还可以通过是否存在第三方交互对象进行分类，在此不作限定。进一步地，大数据交互信息可以是业务用户端与云计算平台之间的交互记录，以电子商务业务为例，大数据交互信息可以是业务用户端的页面操作信息和页面访问信息，以在线办公业务为例，大数据交互信息可以是业务用户端的办公软件使用记录等。更近一步地，目标大数据事项可以是预先根据大量样本确定出的具有较高业务交互热度或者搜索指数的大数据事项，比如电子商务业务中的某项购物业务，在线办公业务中的某项办公功能等。大数据用户元素信息则可以理解为针对业务用户层面的特征信息，元素信息用户记录不同用户的特点、爱好，可以在一定程度上理解为较为模糊的画像信息。在上述内容的基础上，第一动态大数据交互信息可以理解为随着时间的变化而变化的大数据交互信息，也即业务用户端在与云计算平台交互时存在持续性更新和变化的大数据交互信息。在本实施例中，第二大数据交互状态适于所述目标大数据交互信息进行用户信息更新，相应地，第二大数据交互状态可以理解为与信息服务期的运行状态相匹配的交互状态，且第二大数据交互状态和第一大数据交互状态是相对的，比如，若第一大数据交互状态为单向交互状态，那么第二大数据交互状态可能为双向交互状态，若第一大数据交互状态为双向交互状态，那么第二大数据交互状态可能为单向交互状态。业务用户端在确定出了目标大数据交互信息之后，将目标大数据交互信息发送给云计算平台以使得云计算平台基于所述目标大数据交互信息进行用户信息更新。相关实施例中，目标大数据交互信息可以是经过用户兴趣修正之后的交互信息，且目标大数据交互信息的确定是在业务用户端侧进行的，因而能够确保目标大数据交互信息尽可能与业务用户端的实时业务情况相匹配。当然，在实际实施过程中，上述S310可以在业务用户端对应的关联设备中执行，也可以在业务用户端中执行。比如，当业务用户端为手机等处理能力较弱的设备时，上述S310可以在业务用户端对应的关联设备中执行。又比如，当业务用户端为大型计算机等处理能力较强的设备时，上述S310可以在业务用户端中执行。

在相关的实施例中，为了确保得到的大数据用户元素信息的准确性，步骤“从采集的第一大数据交互状态的第一大数据交互信息获取目标大数据事项在所述第一大数据交互信息中的大数据用户元素信息”，可以通过以下方式实现：对第一大数据交互信息进行交互信息转换得到第二大数据交互信息；在所述第二大数据交互信息中抽取出所述目标大数据事项的大数据用户元素信息，将抽取出的大数据用户元素信息确定为所述目标大数据事项在所述第一大数据交互信息中的大数据用户元素信息。其中，通过交互信息转换，能够尽可能确保大数据交互信息的信息格式的统一性，这样在进行目标大数据事项的大数据用户元素信息的抽取时，能够尽可能减少信息失真等问题，从而确保得到的大数据用户元素信息的准确性。进一步地，在实际实施过程中，为了提高确定大数据用户元素信息的效率，可以借助相关的机器学习模型实现上述步骤“在所述第二大数据交互信息中抽取出所述目标大数据事项的大数据用户元素信息，将抽取出的大数据用户元素信息确定为所述目标大数据事项在所述第一大数据交互信息中的大数据用户元素信息”。机器学习（MachineLearning）是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。因此，利用机器学习模型，比如神经网络模型（Neural Networks，NN）实现相应的数据信息处理，能够提高处理的准确性和效率。为实现这一目的，步骤“在所述第二大数据交互信息中抽取出所述目标大数据事项的大数据用户元素信息，将抽取出的大数据用户元素信息确定为所述目标大数据事项在所述第一大数据交互信息中的大数据用户元素信息”，可以通过以下内容实现：将所述第二大数据交互信息输入至预先完成训练的第一机器学习模型；其中所述第一机器学习模型至少通过用于进行特征提取的特征提取层、用于进行特征识别的特征识别层、用于进行特征分类的特征分类层、用于进行用户标签提取的标签提取层和用于进行元素信息匹配的信息匹配层实现所述目标大数据事项的大数据用户元素信息的识别和抽取；将所述第一机器学习模型抽取的结果确定为所述目标大数据事项在所述第一大数据交互信息中的大数据用户元素信息。

举例而言，第一机器学习模型可以是神经网络模型，第一机器学习模型可以包括多个网络层，比如上述提到的用于进行特征提取的特征提取层、用于进行特征识别的特征识别层、用于进行特征分类的特征分类层、用于进行用户标签提取的标签提取层和用于进行元素信息匹配的信息匹配层，这些网络层可以通过预训练实现对应功能的学习和优化，从而更好地应用到大数据用户元素信息的确定过程中。比如，在对第一机器学习模型进行训练时，可以将样本集按照一定比例划分为训练集和测试集，并通过训练集对第一机器学习模型进行训练，通过测试集对第一机器学习模型进行测试，并通过调整相关的模型参数确保测试率满足设定条件，从而完成对第一机器学习模型的训练。由于训练之后的第一机器学习模型包括不同的功能层，且这些功能层之间能够进行输入输出的传递，这样能够减少对目标大数据事项的大数据用户元素信息进行识别和抽取时产生的误差，从而提高确定大数据用户元素信息的效率。

在实际实施过程中，步骤“将所述第一动态大数据交互信息至少进行信息校正处理得到第二大数据交互状态的目标大数据交互信息”的进一步实施方式可以包括多种，下面将对至少部分的实施方式进行说明，当然，在实际实施过程中，并不限于以下的实施方式。

关于步骤“将所述第一动态大数据交互信息至少进行信息校正处理得到第二大数据交互状态的目标大数据交互信息”的实施方式A：将所述第一动态大数据交互信息输入至预先完成训练的第二机器学习模型中；所述第二机器学习模型至少通过用于进行业务热度识别的热度识别层、用于进行用户兴趣分类的兴趣分类层实现输入的第一动态大数据交互信息的交互信息校正，并输出交互信息校正后的大数据交互信息；将第二机器学习模型输出的大数据交互信息作为所述目标大数据交互信息。在实施方式A中，第二机器学习模型的训练方式和第一机器学习模型的训练方式类似，在此不作赘述。由于在进行交互信息校正时考虑了业务热度和用户兴趣，因而能够确保得到的目标大数据交互信息能够与不同的业务热度和不同的用户兴趣相适配，进而确保后续用户信息更新的准确性和可靠性。可以理解，第二机器学习模型输出的交互信息校正后的大数据交互信息为第二大数据交互状态的目标大数据交互信息。

关于步骤“将所述第一动态大数据交互信息至少进行信息校正处理得到第二大数据交互状态的目标大数据交互信息”的实施方式B：将所述第一动态大数据交互信息输入至预先完成训练的第三机器学习模型中；所述第三机器学习模型通过交互状态转换层将所述第一动态大数据交互信息转换成第一待处理大数据交互信息，所述交互状态转换层用于进行以下至少一种交互状态转换方式：交互状态标签筛分处理、交互状态特征对换处理，并至少通过用于进行业务热度识别的热度识别层、用于进行用户兴趣分类的兴趣分类层实现对所述第一待处理大数据交互信息的交互信息校正，并输出交互信息校正后的大数据交互信息；将第三机器学习模型输出的大数据交互信息作为所述目标大数据交互信息。在实施方式B中，第三机器学习模型的训练方式和第一机器学习模型的训练方式类似，在此不作赘述。由于在进行交互信息校正时考虑了交互状态转换，因而能够实现大数据交互信息由业务用户端侧向云计算平台侧的完整转换。在本实施例中，交互状态标签筛分处理用于对不同的交互状态进行分组，交互状态特征对换处理用于按照业务用户端侧和云计算平台侧之间的装填差异进行交互状态调整，这样一来，在完成交互状态转换之后，在通过用于进行业务热度识别的热度识别层、用于进行用户兴趣分类的兴趣分类层实现对所述第一待处理大数据交互信息的交互信息校正并输出交互信息校正后的大数据交互信息，能够确保目标大数据交互信息与云计算平台的运行状态的高适配性。

关于步骤“将所述第一动态大数据交互信息至少进行信息校正处理得到第二大数据交互状态的目标大数据交互信息”的实施方式C：将所述第一动态大数据交互信息输入至预先完成训练的第四机器学习模型，以由所述第四机器学习模型的信息更新频率检测子网络检测输入的第一动态大数据交互信息在指定信息更新指示下的更新频率统计结果，所述更新频率统计结果中每个大数据用户元素的元素属性更新频率描述了输入的第一动态大数据交互信息中对应大数据用户元素的元素属性受指定信息更新指示影响的程度，并由所述第四机器学习模型的信息关系重构子网络依据信息更新频率检测子网络得到的更新频率统计结果对输入的第一动态大数据交互信息进行关系重构处理，并输出关系重构处理的大数据交互信息；将第四机器学习模型输出的大数据交互信息作为所述目标大数据交互信息。在实施方式C中，第四机器学习模型的训练方式和第一机器学习模型的训练方式类似，在此不作赘述。由于在实施方式C中引入了元素属性更新频率的分析，因而能够基于知识图谱本身的实体、关系和属性层面实现第一动态大数据交互信息的信息校正处理。举例而言，信息更新指示可以是用户通过业务用户端输入的，也可以时云计算平台基于自适应学习之后发送的，在此不作限定。大数据用户元素可以理解为知识图谱中的属性，相应地，元素属性更新频率可以理解为大数据用户元素的更新速率，比如元素属性更新频率r1表征大数据用户元素的更新速率为r1，元素属性更新频率r2表征大数据用户元素的更新速率为r2，元素属性更新频率r3表征大数据用户元素的更新速率为r3，元素属性更新频率r4表征大数据用户元素的更新速率为r4，元素属性更新频率r5表征大数据用户元素的更新速率为r5，在此不作限定。关系重构处理可以理解为对第一动态大数据交互信息对应的知识图谱进行实体之间的关系的重新连接和调整，从而实现对第一动态大数据交互信息的信息校正以得到目标大数据交互信息。如此设计，能够确保目标大数据交互信息更加贴近于知识图谱本身的应用场景，从而提高后续云计算平台基于目标大数据交互信息进行用户信息更新的效率。在实施方式C中，步骤“信息更新频率检测子网络检测输入的第一动态大数据交互信息在各信息更新指示下的更新频率统计结果”可以包括：所述信息更新频率检测子网络至少通过更新频率检测层实现对输入的第一动态大数据交互信息在指定信息更新指示下的更新频率统计结果的检测。在实施方式C中，步骤“信息关系重构子网络依据信息更新频率检测子网络得到的更新频率统计结果对输入的第一动态大数据交互信息进行关系重构处理”可以包括以下内容：所述信息关系重构子网络至少通过用于进行特征提取的特征提取层、用于进行特征识别的特征识别层以及用于进行关系拆分的关系拆分层实现依据信息更新频率检测子网络得到的更新频率统计结果对输入的第一动态大数据交互信息进行关系重构处理。可以理解，通过进行关系拆分，能够减少在先的关系网络对后续的关系重构处理的影响，从而确保信息校正的精准性。

可以理解，上述实施方式A、实施方式B和实施方式C可以根据实际情况择一使用，在此不作限定。

相关实施例中，云计算平台基于所述目标大数据交互信息进行用户信息更新主要可以是对业务用户端的用户画像对应的知识图谱进行更新。在实际实施时，为了确保知识图谱更新的全面性，还需要考虑目标大数据事项可能对应的其他动态大数据交互信息，为实现这一目的，步骤“将所述目标大数据交互信息发送至所述云计算平台”之前，还可以包括：获取经由所述第一大数据交互信息转换所得的包含所述目标大数据事项的第三大数据交互信息，并从所述第三大数据交互信息中确定出目标大数据事项所处的第二动态大数据交互信息，在此基础上，步骤“将所述目标大数据交互信息发送至所述云计算平台”，可以包括以下内容：将所述目标大数据交互信息与所述第二动态大数据交互信息的关键交互信息进行组合得到实时大数据交互信息，将所述实时大数据交互信息发送至所述云计算平台，以使所述云计算平台从所述实时大数据交互信息中获取所述目标大数据交互信息并基于所述目标大数据交互信息进行用户信息更新。在本实施例中，关键交互信息可以是用户行为指数（用户交互热度）较高的交互信息，也可以理解为较为热门的交互信息。通过将所述目标大数据交互信息与所述第二动态大数据交互信息的关键交互信息进行组合得到实时大数据交互信息，能够确保云计算平台接收到的实时大数据业务信息是与实际业务场景存在时序一致性的，从而能够确保后续用户信息更新的时效性。在相关的实施例中，步骤“将所述目标大数据交互信息与所述第二动态大数据交互信息的关键交互信息进行组合得到实时大数据交互信息”，可以通过以下内容实现：采用指定信息片段拆分方式对所述第二动态大数据交互信息进行信息片段拆分，得到交互信息片段集；将所述目标大数据交互信息的第一关键交互信息添加至交互信息片段集的设定位置中，得到所述实时大数据交互信息，所述第一关键交互信息包含所述目标大数据交互信息中所有用户元素属性类别的属性类别描述信息。在本实施中，通过将第二动态大数据交互信息进行拆分，能够减少交互信息之间的互相影响。举例而言，交互信息片段集可以为{m1、m2、m3、m4、m5、...、mi}，目标大数据交互信息的第一关键交互信息可以为mk，设定位置可以根据交互信息片段集中每相邻两个信息片段之间的关联性确定，比如可以选择关联性最小的两个信息片段之间的位置作为设定位置，比如m3和m4的关联性最小，那么可以将mk添加到m3和m4之间，从而得到{m1、m2、m3、mk、m4、m5、...、mi}，进一步得到与{m1、m2、m3、mk、m4、m5、...、mi}对应的实时大数据交互信息m123k45...i。用户元素属性类别用于对用户元素属性进行区分，属性类别描述信息可以通过数值的方式进行确定，在此不作限定。在另外的实施例中，为了确保信息传输的安全性，步骤“将所述目标大数据交互信息与所述第二动态大数据交互信息的关键交互信息进行组合得到实时大数据交互信息”，可以包括：采用指定信息片段拆分方式对所述第二动态大数据交互信息进行信息片段拆分，得到交互信息片段集；将所述目标大数据交互信息的第一关键交互信息进行信息加密得到加密关键交互信息，所述第一关键交互信息包含所述目标大数据交互信息中所有用户元素属性类别的属性类别描述信息；将所述加密关键交互信息添加至交互信息片段集的设定位置中，得到所述实时大数据交互信息。进一步地，加密方式可以采用现有的加密技术，在此不作限定。

S320：云计算平台基于所述目标大数据交互信息进行用户信息更新。

在相关实施例中，在“采用指定信息片段拆分方式对所述第二动态大数据交互信息进行信息片段拆分，得到交互信息片段集；将所述目标大数据交互信息的第一关键交互信息添加至交互信息片段集的设定位置中，得到所述实时大数据交互信息，所述第一关键交互信息包含所述目标大数据交互信息中所有用户元素属性类别的属性类别描述信息”的实施例的基础上，所述云计算平台从所述实时大数据交互信息中获取所述目标大数据交互信息，进一步可以包括以下内容：所述云计算平台从所述实时大数据交互信息的设定位置中提取出第一关键交互信息，并利用提取的第一关键交互信息生成所述目标大数据交互信息。如此设计，通过将第一关键交互信息添加到设定位置，能够避免在信息传输过程中第一关键交互信息的丢失。从而确保后续得到的目标大数据交互信息的完整性。

在相关实施例中，在“采用指定信息片段拆分方式对所述第二动态大数据交互信息进行信息片段拆分，得到交互信息片段集；将所述目标大数据交互信息的第一关键交互信息进行信息加密得到加密关键交互信息，所述第一关键交互信息包含所述目标大数据交互信息中所有用户元素属性类别的属性类别描述信息；将所述加密关键交互信息添加至交互信息片段集的设定位置中，得到所述实时大数据交互信息”的实施例的基础上，所述云计算平台从所述实时大数据交互信息中获取所述目标大数据交互信息，包括：所述云计算平台从所述实时大数据交互信息的设定位置中提取出加密关键交互信息，对提取的加密关键交互信息进行信息解密得到所述第一关键交互信息，并利用信息解密得到的第一关键交互信息生成所述目标大数据交互信息。如此设计，通过信息加解密，能够在确保信息完整性的前提下保证信息传输的安全性，从而保护用户隐私不被泄露。

在上述S320所描述的内容的基础上，步骤“云计算平台基于所述目标大数据交互信息进行用户信息更新”，可以通过以下方式实现：所述云计算平台从所述目标大数据交互信息中提取目标用户画像分布，所述目标用户画像分布用于描述所述目标大数据交互信息中的目标大数据事项对应的用户画像变化情况；所述云计算平台确定所述目标用户画像分布与预设的参考用户画像分布之间的比较结果，依据所述比较结果识别所述目标大数据交互信息中的目标大数据事项是否为指定的目标大数据事项，所述参考用户画像分布用于描述指定目标大数据事项；所述云计算平台在依据所述比较结果识别出所述目标大数据交互信息中的目标大数据事项为指定的目标大数据事项时，基于所述目标用户画像分布对所述参考用户画像分布进行更新。在相关实施例中，用户画像分布可以理解为用户画像对应的知识图谱，所述目标用户画像分布与预设的参考用户画像分布之间的比较结果可以是所述目标用户画像分布与预设的参考用户画像分布之间的差异信息，该差异信息可以提现在实体之间的关系连接方面、实体的属性节点分布方面，在此不作限定。指定的目标大数据事项可以理解为云计算平台预先确定出的需要进行画像分布更新所对应的大数据事项，也即后续考虑需要进行业务推送的大数据事项。如此设计，在进行用户画像分布更新之前，能够基于指定的目标大数据事项进行判断，从而确保用户画像分布更新之后能够及时地被使用。在相关实施例中，步骤“基于所述目标用户画像分布对所述参考用户画像分布进行更新”，可以通过以下的步骤S410-S460所描述的内容实现。

S410：获取所述参考用户画像分布的目标画像关系网络。

举例而言，目标画像关系网络可以理解为参考用户画像分布的知识图谱的拓扑结构。

S420：确定所述目标画像关系网络的关系网络更新区域对应的目标画像活跃度。

举例而言，所述关系网络更新区域为各个用户画像的画像活跃度均小于所述目标画像关系网络的第一全局画像活跃度的画像分布区域，且所述目标画像活跃度为目标用户画像数量对应的画像活跃度，所述目标用户画像数量为所述关系网络更新区域中，各个画像活跃度对应的用户画像数量中最大的用户画像数量。本实施例中，画像活跃度可以用于表征用户画像的热门程度，画像活跃度越高，对应的用户画像越热门。

S430：基于所述目标画像活跃度与预设画像活跃度范围的范围限值的比较结果，确定所述目标画像关系网络对应的画像活跃度范围。举例而言，画像活跃度范围可以根据实际情况进行设置，比如设置为[h1，h2]。在相关实施例中，步骤“基于所述目标画像活跃度与预设画像活跃度范围的范围限值的比较结果，确定所述目标画像关系网络对应的画像活跃度范围”之前，还可以包括：判断所述目标画像活跃度是否符合预设的画像活跃度范围确定条件，基于此，步骤“基于所述目标画像活跃度与预设画像活跃度范围的范围限值的比较结果，确定所述目标画像关系网络对应的画像活跃度范围”，可以包括：当判断出所述目标画像活跃度符合预设的画像活跃度范围确定条件时，基于所述目标画像活跃度与预设画像活跃度范围的范围限值的比较结果，确定所述目标画像关系网络对应的画像活跃度范围。如此设计，能够避免确定出的画像活跃度范围过大或过小而导致后续的知识图谱更新出现异常。

在相关的实施例中，步骤“判断所述目标画像活跃度是否符合预设的画像活跃度范围确定条件的步骤”，可以包括以下内容：确定至少一组画像关系网络的关系网络更新区域对应的第一画像活跃度，其中，所述至少一组画像关系网络为所述目标画像关系网络的前一组画像关系网络，或者，所述目标画像关系网络的前连续N组画像关系网络，任一组画像关系网络的关系网络更新区域对应的第一画像活跃度为第一用户画像数量对应的画像活跃度，所述第一用户画像数量为该组画像关系网络的关系网络更新区域中，各个画像活跃度对应的用户画像数量中最大的用户画像数量；判断所述目标画像活跃度与预设画像活跃度范围的范围限值的比较结果，得到第一判定结果；并判断各个第一画像活跃度与预设画像活跃度范围的范围限值的比较结果，得到第二判定结果；检测所述第一判定结果与所得到的各个第二判定结果是否均一致；若为是，判定所述目标画像活跃度符合预设的画像活跃度范围确定条件。进一步地，任一组画像关系网络的关系网络更新区域对应的第一画像活跃度的确定过程包括：针对一组画像关系网络的关系网络更新区域的多个画像活跃度中的每一画像活跃度，确定具有该画像活跃度的用户画像的统计结果；按照所述目标画像关系网络的关系网络更新区域的各个画像活跃度的大小顺序，对确定得到的多个统计结果进行排序；在排序之后，针对每一统计结果，对包含该统计结果在内的连续画像活跃度对应的多个统计结果进行融合，并将融合结果确定为该统计结果所对应画像活跃度的用户画像数量；将所确定的最大的用户画像数量所对应的画像活跃度，确定为该组画像关系网络的关系网络更新区域对应的第一画像活跃度。在上述内容的基础上，步骤“判断所述目标画像活跃度与预设画像活跃度范围的范围限值的比较结果，得到第一判定结果”，可以包括以下内容：在所述目标画像活跃度小于预设画像活跃度范围的第一范围限值时，将目标画像活跃度小于第一范围限值确定为第一判定结果；在所述目标画像活跃度大于或等于预设画像活跃度范围的第一范围限值，且小于或等于预设画像活跃度范围的第二范围限值时，将目标画像活跃度大于或等于第一范围限值，且小于或等于第二范围限值确定为第一判定结果；在所述目标画像活跃度大于预设画像活跃度范围的第二范围限值时，将目标画像活跃度大于第二范围限值确定为第一判定结果。步骤“判断各个第一画像活跃度与预设画像活跃度范围的范围限值的比较结果，得到第二判定结果”，可以包括以下内容：对于各个第一画像活跃度中的每一画像活跃度，在该第一画像活跃度小于预设画像活跃度范围的第一范围限值时，将第一画像活跃度小于第一范围限值确定为第二判定结果；在该第一画像活跃度大于或等于预设画像活跃度范围的第一范围限值，且小于或等于预设画像活跃度范围的第二范围限值时，将第一画像活跃度大于或等于第一范围限值，且小于或等于第二范围限值确定为第二判定结果；在该第一画像活跃度大于预设画像活跃度范围的第二范围限值时，将第一画像活跃度大于第二范围限值确定为第二判定结果。举例而言，第一范围限值可以是h1，第二范围限值可以是h2。

S440：基于所确定的画像活跃度范围，确定第二全局画像活跃度。

在相关实施例中，第一全局画像活跃度和第二全局画像活跃度可以理解为目标画像关系网络的全局性层面的画像活跃度。一般而言，第二全局画像活跃度的取值位于画像活跃度范围内。比如第二全局画像活跃度可以为h3，且h1

S450：基于所述目标用户画像分布对应的平均画像活跃度对所述关系网络更新区域进行画像活跃度调整，直至所述目标画像关系网络的全局画像活跃度为所述第二全局画像活跃度时，完成对所述目标画像关系网络的画像活跃度更新。

举例而言，所述第二全局画像活跃度为对所述目标画像关系网络进行画像活跃度更新后，所述目标画像关系网络的全局画像活跃度。可以理解，在进行画像活跃度调整时，可以通过对部分用户画像的画像活跃度进行调整，从而通过迭代调整的方式实现对所述关系网络更新区域进行画像活跃度调整。

S460：按照所述目标画像关系网络对应的第二全局画像活跃度对所述关系网络更新区域中的用户画像之间的关联关系进行更新。

可以理解，在进行的画像活跃度调整之后，通过对关系网络更新区域中的用户画像之间的关联关系进行更新，能够实现对知识谱图的精准、实时更新，这样在后续进行业务推送决策时，可以利用最新的知识图谱确定用户的兴趣倾向，进而确保业务推送的精准性。可以理解，对所述关系网络更新区域中的用户画像之间的关联关系进行更新可以理解为重新调整不同用户画像之间的关联关系和关联系数等，当然也可以通过其他实施方式实现，在此不作限定。

综上所述，在应用本方案时，由于知识融合指向信息和知识质量评估信息用于确定存在热门业务标识的服务项目执行场景的全局知识融合指向信息，且全局知识融合指向信息能够用于确定至少一个所述业务用户端的用户画像知识图谱，此外，全局知识融合指向信息考虑了知识质量，因而能够在构建知识图谱的过程中确保知识库的知识信息的质量，从而保证用户画像知识图谱能够精准地反映出用户画像的实时更新情况。

针对上述应用于大数据用户画像分析的信息处理方法，本发明实施例还提出了一种示例性的应用于大数据用户画像分析的信息处理装置，如图2所示，应用于大数据用户画像分析的信息处理装置200可以包括以下的功能模块。

信息确定模块210，用于根据当前在线服务推送项目中存在热门业务标识的业务项目所在的存在热门业务标识的服务项目执行场景以及所述存在热门业务标识的业务项目的用户行为数据，确定知识融合指向信息和知识质量评估信息。

知识加工模块220，用于基于所述知识融合指向信息和所述知识质量评估信息进行知识加工，得到所述存在热门业务标识的服务项目执行场景的全局知识融合指向信息；其中，所述全局知识融合指向信息用于确定至少一个所述业务用户端的用户画像知识图谱。

可以理解，上述信息确定模块210和知识加工模块220的进一步实施方式可以参阅对图1所示的方法实施例的描述，在此不作更多说明。

基于上述的方法实施例和装置实施例，本发明实施例还提出了一种系统实施例，也即应用于大数据用户画像分析的信息处理系统，请结合参阅图3，应用于大数据用户画像分析的信息处理系统300可以包括云计算平台310和业务用户端320。其中，云计算平台310和业务用户端320通信用以实施上述方法，进一步地，应用于大数据用户画像分析的信息处理系统300的功能性描述如下：一种应用于大数据用户画像分析的信息处理系统，包括互相之间通信的云计算平台和业务用户端，所述云计算平台用于：根据当前在线服务推送项目中存在热门业务标识的业务项目所在的存在热门业务标识的服务项目执行场景以及所述存在热门业务标识的业务项目的用户行为数据，确定知识融合指向信息和知识质量评估信息；基于所述知识融合指向信息和所述知识质量评估信息进行知识加工，得到所述存在热门业务标识的服务项目执行场景的全局知识融合指向信息；其中，所述全局知识融合指向信息用于确定所述业务用户端的用户画像知识图谱；根据所述全局知识融合指向信息确定所述业务用户端的用户画像知识图谱，并基于所述用户画像知识图谱向所述业务用户端推送业务项目。业务用户端用于根据所推送的业务项目进行业务交互。

可以理解，上述系统的进一步实施方式可以参阅对图1所示的方法实施例的描述，在此不作更多说明。

请结合参阅图4，云计算平台310可以包括处理引擎310、网络模块320和存储器330，处理引擎310和存储器330通过网络模块320通信。

处理引擎310可以处理相关的信息和/或数据以执行本申请中描述的一个或多个功能。例如，在一些实施例中，处理引擎310可以包括至少一个处理引擎(例如，单核处理引擎或多核处理器)。仅作为示例，处理引擎310可以包括中央处理单元(Central ProcessingUnit，CPU)、专用集成电路(Application-Specific Integrated Circuit，ASIC)、专用指令集处理器(Application-Specific Instruction-set Processor，ASIP)、图形处理单元(Graphics Processing Unit，GPU)、物理处理单元(Physics Processing Unit，PPU)、数字信号处理器(Digital Signal Processor，DSP)、现场可编程门阵列(Field ProgrammableGate Array，FPGA)、可编程逻辑器件(Programmable Logic Device，PLD)、控制器、微控制器单元、精简指令集计算机(Reduced Instruction-Set Computer，RISC)、微处理器等或其任意组合。

网络模块320可以促进信息和/或数据的交换。在一些实施例中，网络模块320可以是任何类型的有线或无线网络或其组合。仅作为示例，网络模块320可以包括缆线网络、有线网络、光纤网络、电信网络、内部网络、互联网、局域网络(Local Area Network，LAN)、广域网(Wide Area Network，WAN)、无线局域网络(Wireless Local Area Network，WLAN)、城域网(Metropolitan Area Network，MAN)、公用电话交换网(Public Telephone SwitchedNetwork，PSTN)、蓝牙网络、无线个域网络、近场通讯(Near Field Communication，NFC)网络等或上述举例的任意组合。在一些实施例中，网络模块320可以包括至少一个网络接入点。例如，网络模块320可以包括有线或无线网路接入点，如基站和/或网路接入点。

存储器330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-OnlyMemory，PROM），可擦除只读存储器（Erasable Programmable Read-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable Programmable Read-Only Memory，EEPROM）等。其中，存储器330用于存储程序，所述处理引擎310在接收到执行指令后，执行所述程序。

可以理解，图4所示的结构仅为示意，云计算平台310还可包括比图4中所示更多或者更少的组件，或者具有与图4所示不同的配置。图4中所示的各组件可以采用硬件、软件或其组合实现。

最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。