用于个性化信息推送服务的大数据挖掘方法及AI预测系统

摘要

本发明实施例提供一种用于个性化信息推送服务的大数据挖掘方法及AI预测系统，可以依据待分析用户行为事件的关联用户行为事件的行为向量描述，对待分析用户行为事件的行为向量描述进行特征优化，可以在待分析用户行为事件的第二行为向量描述中结合关联用户行为事件的信息，进而确定可靠性更高的待分析用户行为事件的第二行为向量描述；由于依据待分析用户行为事件的第二行为向量描述进行兴趣点决策，可以依据待分析用户行为事件的准确的行为向量描述进行兴趣点决策，由此有效确定出待分析用户行为事件对应的兴趣点，从而提高兴趣点决策的可靠性，最终提高个性化信息推送服务与目标用户的匹配度。

说明书

技术领域

本发明涉及个性化推送技术领域，具体而言，涉及一种用于个性化信息推送服务的大数据挖掘方法及AI预测系统。

背景技术

随着互联网信息技术和计算机技术的发展和应用，同时也因为互联网技术的开放性，使得互联网中的用户行为大数据呈现爆炸式的增长，如何有效利用这些用户行为大数据挖掘相关用户的兴趣点，进而便于了解用户需求，优化用户所订阅的个性化信息推送服务，是当前各个互联网服务商重点研究的方向。然而相关技术方案中，通常是由用户输入关键词来表达兴趣点需求，缺乏主动兴趣点挖掘方案，导致个性化信息推送服务与目标用户的匹配度不高。

发明内容

为了至少克服现有技术中的上述不足，本发明的目的在于提供一种用于个性化信息推送服务的大数据挖掘方法及AI预测系统。

第一方面，本发明实施例提供一种用于个性化信息推送服务的大数据挖掘方法，应用于AI预测系统，所述方法包括：

从目标用户的大数据采集库中提取匹配当前待上线业务的待分析用户行为事件，从目标用户行为事件序列中查找与所述待分析用户行为事件对应的多个关联用户行为事件；

依据所述待分析用户行为事件以及所述多个关联用户行为事件优化第一深度学习网络模型，确定第二深度学习网络模型，所述第一深度学习网络模型为基于关系推理网络的AI决策分支模型；

依据所述待分析用户行为事件的第一行为向量描述、以及所述第二深度学习网络模型中对应各所述关联用户行为事件的行为向量描述，基于所述第二深度学习网络模型进行第一遍历特征优化，确定所述待分析用户行为事件的第二行为向量描述；

依据所述待分析用户行为事件的第二行为向量描述、以及所述第二深度学习网络模型中对应多个兴趣点的行为向量描述，输出所述待分析用户行为事件在所述多个兴趣点上的兴趣置信度，所述多个兴趣点包括所述目标用户行为事件序列中的各用户行为事件在所述第二深度学习网络模型中对应的兴趣点；

将所述兴趣置信度大于第一设定置信度的兴趣点，输出为所述待分析用户行为事件对应的兴趣点，并基于所述待分析用户行为事件对应的兴趣点对所述目标用户所订阅的个性化信息推送服务进行更新。

第二方面，本发明实施例还提供一种用于个性化信息推送服务的大数据挖掘系统，所述用于个性化信息推送服务的大数据挖掘系统包括AI预测系统以及与所述AI预测系统通信连接的多个个性化服务设备；

所述AI预测系统，用于：

从目标用户的大数据采集库中提取匹配当前待上线业务的待分析用户行为事件，从目标用户行为事件序列中查找与所述待分析用户行为事件对应的多个关联用户行为事件；

依据所述待分析用户行为事件以及所述多个关联用户行为事件优化第一深度学习网络模型，确定第二深度学习网络模型，所述第一深度学习网络模型为基于关系推理网络的AI决策分支模型；

依据所述待分析用户行为事件的第一行为向量描述、以及所述第二深度学习网络模型中对应各所述关联用户行为事件的行为向量描述，基于所述第二深度学习网络模型进行第一遍历特征优化，确定所述待分析用户行为事件的第二行为向量描述；

依据所述待分析用户行为事件的第二行为向量描述、以及所述第二深度学习网络模型中对应多个兴趣点的行为向量描述，输出所述待分析用户行为事件在所述多个兴趣点上的兴趣置信度，所述多个兴趣点包括所述目标用户行为事件序列中的各用户行为事件在所述第二深度学习网络模型中对应的兴趣点；

将所述兴趣置信度大于第一设定置信度的兴趣点，输出为所述待分析用户行为事件对应的兴趣点，并基于所述待分析用户行为事件对应的兴趣点对所述目标用户所订阅的个性化信息推送服务进行更新。

基于以上任意一个方面的实施例方案，可以依据待分析用户行为事件的关联用户行为事件的行为向量描述，对待分析用户行为事件的行为向量描述进行特征优化，可以在待分析用户行为事件的第二行为向量描述中结合关联用户行为事件的信息，进而确定可靠性更高的待分析用户行为事件的第二行为向量描述；由于依据待分析用户行为事件的第二行为向量描述进行兴趣点决策，可以依据待分析用户行为事件的准确的行为向量描述进行兴趣点决策，由此有效确定出待分析用户行为事件对应的兴趣点，从而提高兴趣点决策的可靠性，最终提高个性化信息推送服务与目标用户的匹配度。

附图说明

图1为本发明实施例提供的用于个性化信息推送服务的大数据挖掘方法的流程示意图。

具体实施方式

下面介绍本发明一种实施例提供的用于个性化信息推送服务的大数据挖掘系统10的架构，该用于个性化信息推送服务的大数据挖掘系统10可以包括AI预测系统100以及与AI预测系统100通信连接的个性化服务设备200。其中，用于个性化信息推送服务的大数据挖掘系统10中的AI预测系统100和个性化服务设备200可以通过配合执行以下方法实施例所描述的用于个性化信息推送服务的大数据挖掘方法，具体AI预测系统100和个性化服务设备200的执行步骤部分可以参照以下方法实施例的详细描述。

本实施例提供的用于个性化信息推送服务的大数据挖掘方法可以由AI预测系统100执行，下面结合图1对该用于个性化信息推送服务的大数据挖掘方法进行详细介绍。

Process101中，依据样本行为数据序列确定第一深度学习网络模型中的第一关系推理网络。

一些可能的设计思路中，在对第一AI决策分支进行AI学习配置之前，首先确定第一关系推理网络（第一图节点网络）。第一关系推理网络包括：连接依赖关系（边）序列OR和网络成员（实体节点）序列，其中，连接依赖关系序列包括：依据样本行为数据序列进行预学习获得的用户行为事件之间的连接依赖关系序列ORm、用户行为事件与对应的兴趣点之间的连接依赖关系序列ORm，y、兴趣点之间的连接依赖关系序列ORy；网络成员序列包括：兴趣点序列以及目标用户行为事件序列。

一些可能的设计思路中，样本行为数据序列中的各样本行为数据包括：用户行为事件、用户行为事件的衔接事件节点以及用户行为事件在衔接事件节点中对应的兴趣点。

一些可能的设计思路中，依据样本行为数据序列确定第一关系推理网络时，依据样本行为数据序列涵盖的多个用户行为事件，生成目标用户行为事件序列依据样本行为数据序列涵盖的多个兴趣点，生成兴趣点序列以及兴趣点之间的连接依赖关系序列ORy；依据样本行为数据序列涵盖的多个用户行为事件对应的兴趣点，生成用户行为事件与对应的兴趣点之间的连接依赖关系序列ORm，y。由此，可以确定出用户行为事件之间的连接依赖关系序列ORm，即可依据ORm、ORy以及ORm，y构建出第一关系推理网络。

一些可能的设计思路中，可以基于下述步骤确定用户行为事件对应的关联用户行为事件：从目标用户行为事件序列中确定出标的用户行为事件簇，标的用户行为事件簇中的各标的用户行为事件与用户行为事件的衔接事件节点共享至少一个用户行为节点数据，且标的用户行为事件簇涵盖的标的用户行为事件的事件量级小于目标用户行为事件序列涵盖的用户行为事件的事件量级；确定标的用户行为事件簇中的各标的用户行为事件与用户行为事件之间的匹配度；将匹配度的从大到小的排序序列中处于预设位次的标的用户行为事件，输出为用户行为事件对应的关联用户行为事件。

一些可能的设计思路中，首先，从目标用户行为事件序列中确定出一个标的用户行为事件簇对于各用户行为事件计算mi和mj的匹配度，其次，依据匹配度的从大到小的排序序列，选择前K个匹配度对应的标的用户行为事件作为用户行为事件mi的关联用户行为事件。其中，标的用户行为事件的衔接事件节点与用户行为事件的衔接事件节点至少共享一个用户行为节点数据，且(即，包含的标的用户行为事件的事件量级远小于包含的用户行为事件的事件量级)，由此可以节省计算资源。

一些可能的设计思路中，mi和mj的匹配度可以为节点匹配度。

一些可能的设计思路中，mi和mj的匹配度可以为兴趣点匹配度。可以通过以下方式获得mi和mj的兴趣点匹配度：依据mi以及对应的衔接事件节点基于兴趣点分类模型，确定mi在兴趣点序列上的兴趣置信度，通过同样的方式得到mj在兴趣点序列上的兴趣置信度；将mi和mj在兴趣点序列上的兴趣置信度之间的匹配度，作为mi和mj之间的兴趣点匹配度。其中，兴趣点分类模型是在对第一AI决策分支进行AI学习配置之前、依据上述同样的样本行为数据序列进行预训练得出。

其中，兴趣点分类模型包括三个部分，分别是用户行为节点特征构建部分、显著性特征关注部分以及兴趣点分类部分。

其中，一些可能的设计思路中，以上训练步骤是依据样本行为数据序列中的各样本行为数据的，可以通过Process401-Process405执行。

下面将对Process401-Process405进行说明。

Process401中，分别对用户行为事件以及对应的衔接事件节点进行特征提取，分别得到对应的用户行为节点特征。该步骤对应兴趣点分类模型的用户行为节点特征构建部分。

Process402中，基于不同的显著性特征关注策略分别对用户行为事件以及对应的衔接事件节点的用户行为节点特征进行计算，分别得到用户行为事件的显著性行为向量描述以及对应的衔接事件节点的显著性行为向量描述。该步骤对应兴趣点分类模型的显著性特征关注策略计算部分。

Process403中，将上述两个显著性行为向量描述进行融合，将融合描述作为该样本行为数据对应的特征向量，并将该特征向量进行变换处理得到潜在兴趣点描述。

Process404中，依据该样本行为数据对应的特征向量以及潜在兴趣点描述基于兴趣点分类模型进行兴趣点分类，确定用户行为事件在兴趣点序列上的兴趣置信度。该步骤对应兴趣点分类模型的兴趣点分类部分。

Process405中，将用户行为事件在兴趣点序列上的兴趣置信度，以及用户行为事件对应的实际先验兴趣点的实际置信度代入预设Loss函数，确定决策代价值，在反向传播过程中，依据该决策代价值更新该兴趣点分类模型的参数。

重复执行上述Process401-Process405，直至满足AI学习终止要求，例如预设Loss函数达到收敛或达到最大训练次数。

一些可能的设计思路中，在兴趣点分类模型的训练过程结束之后，可以依据学习获得的兴趣点分类模型对用户行为事件对应的兴趣点进行兴趣点分类。在兴趣点分类模型的应用阶段，获得用户行为事件在兴趣点序列上的兴趣置信度的步骤与上述的Process401-404相同，在此不再赘述。

通过上述两种方式确定出各目标用户行为事件对应的关联用户行为事件，从而确定出ORm，从而依据ORm、ORy以及ORm，y构建第一关系推理网络

一些可能的设计思路中，用户行为事件mi对应的关联用户行为事件为m1-m4，对应的兴趣点为y1-y3，且兴趣点y2和y3是兴趣点y1的后向兴趣点，由于第一关系推理网络中包括用户行为事件和兴趣点这两种不同的节点，因此第一关系推理网络为异质关系推理网络。

Process102中，依据第一关系推理网络中的各用户行为事件的第一行为向量描述、以及各用户行为事件在第一关系推理网络中的关系对象的行为向量描述，基于代入预置网络设定系数的第一AI决策分支进行第一遍历特征优化，确定各用户行为事件的第二行为向量描述。

第一深度学习网络模型包括第一关系推理网络和第一AI决策分支，一些可能的设计思路中，第一AI决策分支包括L个网络单元，L为大于2的整数，第一AI决策分支的每个网络单元均作用在前述提供的第一关系推理网络上，且第一AI决策分支的每个网络单元通过一个激活函数输出当前网络单元的处理结果。

一些可能的设计思路中，依据第一关系推理网络中的各用户行为事件的第一行为向量描述，以及用户行为事件的关系对象的行为向量描述，基于代入预置网络设定系数的第一AI决策分支进行第一遍历特征优化，确定各用户行为事件的第二行为向量描述。其中，各用户行为事件的关系对象包括：各用户行为事件对应的关联用户行为事件以及对应的兴趣点

一些可能的设计思路中，用户行为事件mi的关系对象包括关联用户行为事件m1-m4以及对应的兴趣点y1-y3。

一些可能的设计思路中，用户行为事件的第一行为向量描述是通过以下方式确定的：对用户行为事件以及用户行为事件的衔接事件节点进行特征提取，确定用户行为事件以及用户行为事件的衔接事件节点对应的用户行为节点特征；基于不同的显著性特征关注策略(例如，软性显著性特征关注策略和硬性显著性特征关注策略)分别对用户行为事件以及用户行为事件的衔接事件节点对应的用户行为节点特征进行显著性特征关注处理，确定用户行为事件以及用户行为事件的衔接事件节点分别对应的显著性行为向量描述；对用户行为事件以及用户行为事件的衔接事件节点分别对应的显著性行为向量描述进行融合，将融合描述确定为用户行为事件的第一行为向量描述。

一些可能的设计思路中，通过第一AI决策分支实现第一遍历特征优化，即，第一遍历特征优化是通过第一AI决策分支涵盖的各个网络单元的共同处理执行的。

一些可能的设计思路中，从第一AI决策分支的第1个网络单元开始，将第1个网络单元作为当前网络单元，进行下述操作：对各关联用户行为事件在当前网络单元对应的行为向量描述进行第一基于惩罚项的特征选择，确定各关联用户行为事件对应的第一特征选择数据；对各关联用户行为事件对应的第一特征选择数据以及在当前网络单元对应的显著性影响系数的融合描述进行加权，确定的第一加权结果；对用户行为事件对应的兴趣点在当前网络单元的行为向量描述进行第三基于惩罚项的特征选择，确定用户行为事件对应的兴趣点对应的第三特征选择数据，对用户行为事件对应的兴趣点对应的第三特征选择数据以及在当前网络单元对应的显著性影响系数的融合描述进行加权，确定第二加权结果，对第一加权结果和第二加权结果进行加权，对得到的第三加权结果进行第二基于惩罚项的特征选择，将第二特征选择数据确定为用户行为事件在当前网络单元的第二行为向量描述。

得到用户行为事件在第1网络单元的第二行为向量描述之后，将第2层作为当前网络单元，将用户行为事件在第1网络单元的第二行为向量描述作为当前网络单元的行为向量描述，执行上述同样处理，确定用户行为事件在第2网络单元的第二行为向量描述。基于前述实施例得到用户行为事件在每个网络单元的第二行为向量描述，直至得到用户行为事件在第一AI决策分支的第L网络单元的行为向量描述。

一些可能的设计思路中，当依据第一关系推理网络中的各用户行为事件的第一行为向量描述、以及各用户行为事件在第一关系推理网络中的关系对象的行为向量描述，基于代入预置网络设定系数的第一AI决策分支进行第一遍历特征优化时，在各用户行为事件在第一关系推理网络中的关系对象为用户行为事件对应的兴趣点时，以预设置信度剔除用户行为事件对应的兴趣点。

在用户行为事件的关系对象为兴趣点时，以预设置信度剔除用户行为事件对应的兴趣点。例如，预设置信度为0.6，而用户行为事件对应的实际先验兴趣点为10个，那么各兴趣点均有0.6的概率被剔除，最终会剔除10*0.6即6个兴趣点，并使用余下的4个兴趣点的行为向量描述对用户行为事件的行为向量描述进行特征优化。如此，在得到用户行为事件的第二行为向量描述的过程中，只使用了用户行为事件对应的部分兴趣点的行为向量描述，而为了确定出用户行为事件对应的被剔除的兴趣点，第一AI决策分支将从用户行为事件的关联用户行为事件中学习有效的信息，从而可以避免第一AI决策分支出现过拟合的问题。

Process103中，依据第一关系推理网络中的多个兴趣点的第一行为向量描述、以及各兴趣点在第一关系推理网络中的关系对象的行为向量描述，基于代入预置网络设定系数的第一AI决策分支进行第二遍历特征优化，确定多个兴趣点的第二行为向量描述。

一些可能的设计思路中，各兴趣点在第一关系推理网络中的关系对象包括：各兴趣点的前向兴趣点或后向兴趣点。

一些可能的设计思路中，兴趣点的第一行为向量描述经过随机初始化得到。依据兴趣点的第一行为向量描述以及对应的关系对象的行为向量描述，基于代入预置网络设定系数的第一AI决策分支进行第二迭代处理，确定各兴趣点的第二行为向量描述。

一些可能的设计思路中，通过第一AI决策分支实现第二遍历特征优化，即，第二遍历特征优化是通过第一AI决策分支涵盖的各个网络单元的共同处理执行的。

一些可能的设计思路中，从第一AI决策分支的第1个网络单元开始，将第1个网络单元作为当前网络单元，进行下述操作：对各兴趣点在当前网络单元的行为向量描述进行第四基于惩罚项的特征选择，确定各兴趣点对应的第四特征选择数据；对各兴趣点对应的前向兴趣点或后向兴趣点的兴趣点在当前网络单元的行为向量描述进行第四基于惩罚项的特征选择处理，将得到的各兴趣点对应的前向兴趣点或后向兴趣点的兴趣点对应的第四特征选择数据、以及在当前网络单元对应的显著性影响系数的融合特征序列，作为第四加权结果，对第四加权结果与各兴趣点对应的第四特征选择数据进行加权，确定第五加权结果，对第五加权结果进行第五基于惩罚项的特征选择，将第五特征选择数据确定为各兴趣点在当前网络单元的第二行为向量描述。

得到各兴趣点在第1网络单元的第二行为向量描述之后，将第2层作为当前网络单元，将各兴趣点在第1网络单元的第二行为向量描述作为当前网络单元的行为向量描述，执行上述同样处理，确定各兴趣点在第2网络单元的第二行为向量描述。基于前述实施例得到各兴趣点在每个网络单元的第二行为向量描述，直至得到各兴趣点在第一AI决策分支的第L网络单元的行为向量描述。

Process104中，依据各用户行为事件的第二行为向量描述、以及多个兴趣点的第二行为向量描述，输出各用户行为事件在多个兴趣点上的兴趣置信度。

一些可能的设计思路中，在获得各用户行为事件的第二行为向量描述以及多个兴趣点的第二行为向量描述之后，依据各用户行为事件的第二行为向量描述以及多个兴趣点的第二行为向量描述，输出各用户行为事件在多个兴趣点上的兴趣置信度。

Process105中，将兴趣置信度以及各用户行为事件在多个兴趣点上的实际置信度代入预设Loss函数，确定各用户行为事件对应的决策代价值。

一些可能的设计思路中，在获得各用户行为事件在各兴趣点上的兴趣置信度之后，将各用户行为事件在各兴趣点上的兴趣置信度以及对应的实际置信度，代入预设Loss函数计算得出各用户行为事件对应的决策代价值。

Process106中，依据各用户行为事件对应的决策代价值确定全局决策代价值，依据全局决策代价值在代入预置网络设定系数的第一AI决策分支中进行各网络设定系数的梯度确定，以优化代入预置网络设定系数的第一AI决策分支的网络设定系数，依据优化后的网络设定系数输出完成训练的所述第一AI决策分支。

一些可能的设计思路中，在确定出各用户行为事件对应的决策代价值之后，依据各用户行为事件对应的决策代价值确定全局决策代价值。例如，可以将各用户行为事件对应的决策代价值加权再取平均的结果，作为全局决策代价值，即全局决策代价值其中，为中包含的用户行为事件的事件量级。

在确定出全局决策代价值之后，依据全局决策代价值进行在代入预置网络设定系数的第一AI决策分支中进行各网络设定系数的梯度确定，从而更新代入预置网络设定系数的第一AI决策分支的网络设定系数，并依据优化后的参数构建学习获得的第一AI决策分支。

重复上述更新过程，直至达到AI学习终止要求如全局决策代价值达到最小，或者达到最大训练次数。在训练终止后，获得训练后的第一AI决策分支。

在获得训练后的第一AI决策分支之后，将训练后的第一AI决策分支和第一关系推理网络组合为灰度深度学习网络模型，并通过以下Process201-Process205有效性验证灰度深度学习网络模型。

下面介绍灰度AI决策分支的有效性验证过程。

Process201中，从目标用户行为事件序列中查找与灰度用户行为事件对应的多个用于有效性验证的关联用户行为事件。

一些可能的设计思路中，从第一关系推理网络涵盖的目标用户行为事件序列中，获取灰度用户行为事件对应的多个用于有效性验证的关联用户行为事件。灰度用户行为事件对应的用于有效性验证的关联用户行为事件的获取方式，与前述用户行为事件对应的关联用户行为事件的获取方式相同。

Process202中，依据灰度用户行为事件以及多个用于有效性验证的关联用户行为事件优化灰度深度学习网络模型，确定优化后的灰度深度学习网络模型。

一些可能的设计思路中，将灰度用户行为事件作为新的节点加入第一关系推理网络中，获得优化后的第一关系推理网络，并将优化后的第一关系推理网络代替灰度深度学习网络模型中当前的第一关系推理网络，确定优化后的灰度深度学习网络模型。

Process203中，依据灰度用户行为事件的第一行为向量描述、以及优化后的灰度深度学习网络模型中对应各用于有效性验证的关联用户行为事件的行为向量描述，基于第一AI决策分支进行第一遍历特征优化，确定灰度用户行为事件的第二行为向量描述。

一些可能的设计思路中，在得到优化后的灰度深度学习网络模型之后，依据灰度用户行为事件的第一行为向量描述，以及灰度用户行为事件对应的用于有效性验证的关联用户行为事件的行为向量描述，基于第一AI决策分支进行第一遍历特征优化，确定灰度用户行为事件的第二行为向量描述。

一些可能的设计思路中，将灰度用户行为事件的第一行为向量描述，以及灰度用户行为事件对应的用于有效性验证的关联用户行为事件的行为向量描述进行第一遍历特征优化，从而得到灰度用户行为事件的第二行为向量描述。其中，灰度用户行为事件的第一行为向量描述的获取方式与训练过程中用户行为事件的第一行为向量描述的获取方式相同。

其中，由于灰度用户行为事件对应的兴趣点关系对象是空集，因此，在获取灰度用户行为事件的行为向量描述的过程中，不涉及任何来自其实际先验兴趣点的信息。即，只依据对应的用于有效性验证的多个关联用户行为事件的行为向量描述来更新灰度用户行为事件的行为向量描述。

Process204中，依据灰度用户行为事件的第二行为向量描述、以及优化后的灰度深度学习网络模型中对应多个兴趣点的行为向量描述，输出灰度用户行为事件在多个兴趣点上的兴趣置信度。

一些可能的设计思路中，在获得灰度用户行为事件的第二行为向量描述之后，依据灰度用户行为事件的第二行为向量描述、以及优化后的灰度深度学习网络模型中对应多个兴趣点的行为向量描述，输出灰度用户行为事件在多个兴趣点上的兴趣置信度。

一些可能的设计思路中，可以将灰度用户行为事件的第二行为向量描述、以及兴趣点的第二行为向量描述集合Y(L)中的行为向量描述(即，优化后的灰度深度学习网络模型中多个兴趣点的行为向量描述)，计算得出灰度用户行为事件在各兴趣点上的兴趣置信度。

Process205中，在兴趣置信度与灰度用户行为事件在对应的兴趣点上的实际置信度的之间的区别置信度小于第二设定置信度时，确定优化后的灰度深度学习网络模型有效性验证通过，并将优化后的灰度深度学习网络模型作为第一深度学习网络模型。

一些可能的设计思路中，在确定出灰度用户行为事件在各兴趣点上的兴趣置信度之后，基于灰度用户行为事件在各兴趣点上的兴趣置信度，与灰度用户行为事件在对应的兴趣点上的实际置信度之间的区别置信度来判断优化后的灰度深度学习网络模型是否通过有效性验证。例如，可以在该差值小于第二设定置信度(例如0.1)时，判断优化后的灰度深度学习网络模型通过有效性验证。

在判断得出优化后的灰度深度学习网络模型通过有效性验证之后，将优化后的灰度深度学习网络模型作为第一深度学习网络模型，并对第一深度学习网络模型进行应用。

下面将说明第一深度学习网络模型的应用过程。

Process301中，从目标用户的大数据采集库中提取匹配当前待上线业务的待分析用户行为事件，从目标用户行为事件序列中查找与所述待分析用户行为事件对应的多个关联用户行为事件。

一些可能的设计思路中，从第一深度学习网络模型的第一关系推理网络涵盖的目标用户行为事件序列中查找待分析用户行为事件对应的多个关联用户行为事件。

Process301还可以通过Process3011和Process3012实现。

Process3011中，从目标用户行为事件序列中确定出标的用户行为事件簇。

一些可能的设计思路中，从目标用户行为事件序列中确定出标的用户行为事件簇。标的用户行为事件簇中的各标的用户行为事件与待分析用户行为事件的衔接事件节点共享至少一个用户行为节点数据，且标的用户行为事件簇涵盖的标的用户行为事件的事件量级小于目标用户行为事件序列涵盖的用户行为事件的事件量级。

Process3012中，从标的用户行为事件簇中获取与待分析用户行为事件对应的多个关联用户行为事件。

一些可能的设计思路中，在确定出标的用户行为事件簇之后，从标的用户行为事件簇中获取待分析用户行为事件对应的多个关联用户行为事件。其中，各关联用户行为事件与待分析用户行为事件的匹配度大于设定匹配度。

基于前述实施例确定关联用户行为事件，由于是从数量级较小的标的用户行为事件簇中确定待分析用户行为事件对应的关联用户行为事件，因此可以大大减少确定关联用户行为事件过程中的计算量、降低计算过程的时间复杂度。

Process3012还可以通过Process30121和Process30122实现，下面对Process30121和Process30122进行说明。

Process30121中，确定各标的用户行为事件与待分析用户行为事件之间的匹配度。

一些可能的设计思路中，确定待分析用户行为事件与标的用户行为事件簇中的各标的用户行为事件之间的匹配度。

Process30122中，将匹配度的从大到小的排序序列中处于预设位次的标的用户行为事件，输出为待分析用户行为事件对应的关联用户行为事件。

一些可能的设计思路中，在确定出待分析用户行为事件与各标的用户行为事件之间的匹配度之后，将匹配度进行从大到小的排列，将从大到小的排列结果中前K个的部分标的用户行为事件，作为待分析用户行为事件对应的关联用户行为事件。

例如，标的用户行为事件簇中存在50个标的用户行为事件，在计算得到这50个标的用户行为事件与待分析用户行为事件之间的匹配度之后，对得到的50个匹配度按照从大到小的排列，选择从大到小的排列结果中的前10个匹配度对应的标的用户行为事件，作为待分析用户行为事件对应的关联用户行为事件。

通过上述依据匹配度确定关联用户行为事件的方式，可以使得确定出的关联用户行为事件与待分析用户行为事件的匹配度满足一定的条件，从而可以准确确定出待分析用户行为事件对应的关联用户行为事件。

Process30121可以通过Process30121A1-30121A2实现。下面将进行说明。

Process30121A1中，对各标的用户行为事件以及待分析用户行为事件分别进行特征提取，确定各标的用户行为事件以及待分析用户行为事件分别对应的用户行为节点特征

一些可能的设计思路中，在匹配度为节点匹配度时，可以对各标的用户行为事件以及待分析用户行为事件进行特征提取，分别得到对应的用户行为节点特征。

Process30121A2中，将各标的用户行为事件与待分析用户行为事件分别对应的用户行为节点特征之间的匹配度，输出为各标的用户行为事件与待分析用户行为事件之间的节点匹配度。

一些可能的设计思路中，在得到各标的用户行为事件和待分析用户行为事件分别对应的用户行为节点特征之后，计算各标的用户行为事件对应的用户行为节点特征、与待分析用户行为事件对应的用户行为节点特征之间的匹配度，并将计算出的匹配度作为各标的用户行为事件与待分析用户行为事件之间的节点匹配度。

基于前述实施例可以准确确定出各标的用户行为事件与待分析用户行为事件之间的节点匹配度，从而便于依据节点匹配度准确确定出待分析用户行为事件对应的关联用户行为事件。

Process30121还可以通过Process301021B1-30121B2实现。下面将进行说明。

Process30121B1中，依据各标的用户行为事件以及待分析用户行为事件，分别基于兴趣点分类模型进行兴趣点分类，确定各标的用户行为事件以及待分析用户行为事件分别对应的兴趣点分类信息

一些可能的设计思路中，在匹配度为兴趣点匹配度时，依据各标的用户行为事件基于兴趣点分类模型进行兴趣点分类，确定各标的用户行为事件对应的兴趣点分类信息，此处的兴趣点分类信息为各标的用户行为事件在多个兴趣点上的兴趣置信度(即，各标的用户行为事件对应的分类归属度)。

通过同样的方式确定出待分析用户行为事件在多个兴趣点上的兴趣置信度(即，待分析用户行为事件对应的分类归属度)。

一些可能的设计思路中，此处的兴趣点分类模型为前述训练的模型，兴趣点分类模型是依据第一关系推理网络涵盖的目标用户行为事件序列中的各用户行为事件以及各用户行为事件对应的兴趣点学习获得的。训练过程与上文提供的兴趣点分类模型的训练过程相同，在此不再赘述。

Process30121B2中，将各标的用户行为事件与待分析用户行为事件分别对应的兴趣点分类信息之间的匹配度，输出为各标的用户行为事件与待分析用户行为事件之间的兴趣点匹配度。

一些可能的设计思路中，在确定出各标的用户行为事件与待分析用户行为事件分别对应的兴趣点分类信息(即，分类归属度)后，计算各标的用户行为事件对应的分类归属度与待分析用户行为事件对应的分类归属度之间的匹配度，并将计算出的匹配度作为各标的用户行为事件与待分析用户行为事件之间的兴趣点匹配度。

基于前述实施例可以准确确定出各标的用户行为事件与待分析用户行为事件之间的兴趣点匹配度，从而便于依据兴趣点匹配度准确确定出待分析用户行为事件对应的关联用户行为事件。

Process302中，依据待分析用户行为事件以及多个关联用户行为事件优化第一深度学习网络模型，确定第二深度学习网络模型，所述第一深度学习网络模型为基于关系推理网络的AI决策分支模型，例如图神经网络模型。

一些可能的设计思路中，在获取到待分析用户行为事件对应的关联用户行为事件之后，依据待分析用户行为事件以及对应的关联用户行为事件优化第一深度学习网络模型，确定第二深度学习网络模型。

Process302还可以通过Process3021和Process3022实现。下面对Process3021和Process3022进行说明。

Process3021中，将待分析用户行为事件加载到第一关系推理网络中，并在第一关系推理网络中将待分析用户行为事件与各关联用户行为事件连接，确定第二关系推理网络。

一些可能的设计思路中，将待分析用户行为事件加载到第一深度学习网络模型的第一关系推理网络中，并在第一关系推理网络中将待分析用户行为事件与对应的关联用户行为事件连接，在第一关系推理网络涵盖的用户行为事件之间的连接依赖关系序列中，加入待分析用户行为事件与各关联用户行为事件之间的连接依赖关系，从而实现将待分析用户行为事件与关联用户行为事件连接。

在第一关系推理网络中将待分析用户行为事件与各关联用户行为事件连接之后，确定第二关系推理网络。

Process3022中，依据第二关系推理网络代替第一深度学习网络模型中当前的第一关系推理网络，确定第二深度学习网络模型。

一些可能的设计思路中，在得到第二关系推理网络之后，将第一深度学习网络模型中的第一关系推理网络代替为第二关系推理网络，从而得到第二深度学习网络模型。

由于第一深度学习网络模型包括第一关系推理网络和第一AI决策分支，在将第一深度学习网络模型中的第一关系推理网络代替成第二关系推理网络得到第二深度学习网络模型之后，第二深度学习网络模型包括第二关系推理网络和第一AI决策分支。基于前述实施例可以准确确定出第二深度学习网络模型。

Process303中，依据待分析用户行为事件的第一行为向量描述、以及第二深度学习网络模型中对应各关联用户行为事件的行为向量描述，基于第二深度学习网络模型进行第一遍历特征优化，确定待分析用户行为事件的第二行为向量描述。

本实施例中，行为向量描述可以用于对相关的用户行为事件进行特征表达，例如用户行为事件中表达了对应用户针对某个电商直播活动进行了用户行为事件，如一系列的关注、收藏、转发、分享等行为，那么其对应的行为向量描述即可表达这些关注、收藏、转发、分享的具体字段变量（如关注对象、关注原因等字段变量）。

一些可能的设计思路中，在确定出第二深度学习网络模型之后，依据待分析用户行为事件的第一行为向量描述、以及第二深度学习网络模型的第二关系推理网络中的各关联用户行为事件的行为向量描述，基于第二深度学习网络模型进行第一遍历特征优化。

一些可能的设计思路中，第一遍历特征优化是通过基于第二深度学习网络模型涵盖的第一AI决策分支执行的。

其中，待分析用户行为事件的第二行为向量描述的确定方式与上述Process104中各用户行为事件的第二行为向量描述的确定方式相同，在此不再赘述。

Process303还可以通过Process3031和Process3032实现。下面对Process3031和Process3032进行说明。

Process3031中，通过第一AI决策分支的每个网络单元进行下述操作：对各关联用户行为事件在当前网络单元对应的行为向量描述进行第一基于惩罚项的特征选择，确定各关联用户行为事件对应的第一特征选择数据。

一些可能的设计思路中，通过第一AI决策分支的每个网络单元对待分析用户行为事件的行为向量描述进行特征优化。在第一AI决策分支的每个网络单元中，首先对各关联用户行为事件在当前网络单元的行为向量描述进行第一基于惩罚项的特征选择，确定各关联用户行为事件对应的第一特征选择数据。

Process3032中，对各关联用户行为事件对应的第一特征选择数据以及在当前网络单元对应的显著性影响系数的融合特征序列，进行第二基于惩罚项的特征选择，将第二特征选择数据确定为待分析用户行为事件在当前网络单元的第二行为向量描述。

一些可能的设计思路中，在确定出各关联用户行为事件对应的第一特征选择数据之后，确定各关联用户行为事件在当前网络单元对应的显著性影响系数，各关联用户行为事件在当前网络单元对应的显著性影响系数是依据待分析用户行为事件在当前网络单元的行为向量描述、以及关联用户行为事件在当前网络单元对应的行为向量描述确定的。

在确定出各关联用户行为事件在当前网络单元对应的显著性影响系数之后，计算各关联用户行为事件对应的第一特征选择数据、以及各关联用户行为事件在当前网络单元对应的显著性影响系数之间的融合描述，并将各关联用户行为事件对应的融合描述进行加权，然后对加权结果进行第二基于惩罚项的特征选择，确定的第二特征选择数据即为待分析用户行为事件在当前网络单元的第二行为向量描述。

上述方式可以依据关联用户行为事件的行为向量描述更新待分析用户行为事件的行为向量描述，从而可以准确确定出待分析用户行为事件的优化后的行为向量描述。

在Process303之前，还包括Process306-Process308。下面将对Process306-Process308进行说明。

Process306中，对待分析用户行为事件以及待分析用户行为事件的衔接事件节点进行特征提取，确定待分析用户行为事件以及待分析用户行为事件的衔接事件节点对应的用户行为节点特征。

一些可能的设计思路中，首先对待分析用户行为事件以及待分析用户行为事件的衔接事件节点进行特征提取，确定待分析用户行为事件以及待分析用户行为事件的衔接事件节点分别对应的用户行为节点特征。

Process307中，基于不同的显著性特征关注策略分别对待分析用户行为事件以及待分析用户行为事件的衔接事件节点对应的用户行为节点特征进行显著性特征关注处理，确定待分析用户行为事件以及待分析用户行为事件的衔接事件节点分别对应的显著性行为向量描述。

一些可能的设计思路中，在确定出待分析用户行为事件以及待分析用户行为事件的衔接事件节点分别对应的用户行为节点特征之后，基于不同的显著性特征关注策略分别对待分析用户行为事件的用户行为节点特征以及待分析用户行为事件的衔接事件节点对应的用户行为节点特征进行显著性特征关注处理，确定待分析用户行为事件对应的显著性行为向量描述、以及待分析用户行为事件的衔接事件节点对应的显著性行为向量描述。

Process308中，对待分析用户行为事件以及待分析用户行为事件的衔接事件节点分别对应的显著性行为向量描述进行融合，将融合描述确定为待分析用户行为事件的第一行为向量描述。

一些可能的设计思路中，在得到待分析用户行为事件对应的显著性行为向量描述、以及待分析用户行为事件的衔接事件节点对应的显著性行为向量描述之后，将待分析用户行为事件对应的显著性行为向量描述，以及待分析用户行为事件的衔接事件节点对应的显著性行为向量描述进行融合，将融合描述作为待分析用户行为事件的第一行为向量描述。

以上实施例中，待分析用户行为事件的第一行为向量描述，是依据待分析用户行为事件的衔接事件节点对应的显著性行为向量描述得出的，因此，待分析用户行为事件的第一行为向量描述能够捕捉来自对应的衔接事件节点的语义特征。

Process304中，依据待分析用户行为事件的第二行为向量描述、以及第二深度学习网络模型中对应多个兴趣点的行为向量描述，输出待分析用户行为事件在多个兴趣点上的兴趣置信度。

一些可能的设计思路中，在确定出待分析用户行为事件的第二行为向量描述之后，将待分析用户行为事件的第二行为向量描述，以及第二关系推理网络中对应多个兴趣点的行为向量描述进行兴趣点决策，计算得出待分析用户行为事件在各兴趣点上的兴趣置信度。

其中，多个兴趣点包括第二关系推理网络的目标用户行为事件序列中的各用户行为事件对应的兴趣点。

Process304还可以通过Process3041-Process3043实现。下面对Process3041-Process3043进行说明。

Process3041中，将各兴趣点的行为向量描述、第一设定系数以及待分析用户行为事件的第二行为向量描述的融合描述，输出为第一融合描述。

一些可能的设计思路中，首先计算各兴趣点的行为向量描述、第一设定系数以及待分析用户行为事件的第二行为向量描述之间的融合描述，确定第一融合描述。

Process3042中，将第二设定系数与待分析用户行为事件的第二行为向量描述的融合描述，输出为第二融合描述。

一些可能的设计思路中，在计算得出第一融合描述之后，计算第二设定系数与待分析用户行为事件的第二行为向量描述之间的融合描述，确定第二融合描述。

Process3043中，通过Sigmoid函数对第一融合描述与第二融合描述之和进行兴趣决策，确定待分析用户行为事件在各兴趣点上的兴趣置信度。

一些可能的设计思路中，在得到第一融合描述和第二融合描述之后，对第一融合描述和第二融合描述加权，确定加权结果后，通过Sigmoid函数对加权结果进行处理，从而得到待分析用户行为事件在各兴趣点上的兴趣置信度。

基于前述实施例可以准确确定出待分析用户行为事件在各兴趣点上的兴趣置信度，从而便于依据兴趣置信度对待分析用户行为事件进行准确分类。

Process305中，将兴趣置信度大于第一设定置信度的兴趣点，输出为待分析用户行为事件对应的兴趣点，并基于所述待分析用户行为事件对应的兴趣点对所述目标用户所订阅的个性化信息推送服务进行更新。

一些可能的设计思路中，在确定出待分析用户行为事件在各兴趣点上的兴趣置信度之后，将兴趣置信度大于第一设定置信度(例如，0.7)的兴趣点，作为待分析用户行为事件对应的兴趣点。在此基础上，可以在所述目标用户所订阅的个性化信息推送服务中添加所述待分析用户行为事件对应的兴趣点的相关关键推送词语，以便于后续基于更新后的个性化信息推送服务对该目标用户进行个性化信息推送。

基于以上步骤，本申请实施例可以依据待分析用户行为事件的关联用户行为事件的行为向量描述，对待分析用户行为事件的行为向量描述进行特征优化，可以在待分析用户行为事件的第二行为向量描述中结合关联用户行为事件的信息，进而确定可靠性更高的待分析用户行为事件的第二行为向量描述；由于依据待分析用户行为事件的第二行为向量描述进行兴趣点决策，可以依据待分析用户行为事件的准确的行为向量描述进行兴趣点决策，由此有效确定出待分析用户行为事件对应的兴趣点，从而提高兴趣点决策的可靠性，最终提高个性化信息推送服务与目标用户的匹配度。

一些实施例中，AI预测系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。

处理器110可以通过存储在机器可读存储介质120中的程序而执行各种适当的动作和处理，例如前述实施例所描述的用于个性化信息推送服务的大数据挖掘方法所相关的程序指令。处理器110、机器可读存储介质120以及通信单元140通过总线130进行信号传输。

特别地，基于本发明的实施例，上文示例性流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信单元140从网络上被下载和安装，在该计算机程序被处理器110执行时，执行本发明实施例的方法中限定的上述功能。

本发明又一实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上述任一实施例所述的用于个性化信息推送服务的大数据挖掘方法。

本发明又一实施例还提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上述任一实施例所述的用于个性化信息推送服务的大数据挖掘方法。

应该理解的是，虽然本申请实施例的流程图中通过箭头指示各个操作步骤，但是这些步骤的实施顺序并不受限于箭头所指示的顺序。除非本文中有明确的说明，否则在本申请实施例的一些实施场景中，各流程图中的实施步骤可以按照需求以其它的顺序执行。此外，各流程图中的部分或全部步骤基于实际的实施场景，可以包括多个子步骤或者多个阶段。这些子步骤或者阶段中的部分或全部可以在同一时刻被执行，这些子步骤或者阶段中的每个子步骤或者阶段也可以分别在不同的时刻被执行。在执行时刻不同的场景下，这些子步骤或者阶段的执行顺序可以根据需求灵活配置，本申请实施例对此不限制。

以上所述仅是本申请部分实施场景的可选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请的方案技术构思的前提下，采用基于本申请技术思想的其它类似实施手段，同样属于本申请实施例的保护范畴。