基于电商行为大数据的信息推送方法及人工智能预测系统技术方案

本申请实施例提供一种基于电商行为大数据的信息推送方法及人工智能预测系统，通过使偏好数据跟踪模型的预测信息提高偏好概率预测模型的预测信息的精度，且偏好概率预测模型的预测信息可以学习训练偏好数据跟踪模型的预测信息，提高偏好数据跟踪模型的预测信息的精度，基于收敛的偏好数据跟踪模型以及偏好概率预测模型，可以获得更好的偏好预测性能，进而对用户偏好跟踪数据进行偏好概率预测，基于用户偏好对象的偏好概率值，生成目标用户与当前开发业务相关的偏好热力图，并根据偏好热力图对目标用户推送与当前开发业务关联的目标订阅引导信息，提高当前开发业务的订阅引导精度。度。度。

【技术实现步骤摘要】
基于电商行为大数据的信息推送方法及人工智能预测系统


[0001]本申请涉及人工智能
，具体而言，涉及一种基于电商行为大数据的信息推送方法及人工智能预测系统。

技术介绍

[0002]电商大数据挖掘可以理解为从海量的电商大数据中挖掘隐含在其中的、事先不为人知的、潜在的、有用信息和知识的技术。这些信息是可能有潜在价值的，是用户感兴趣的、可理解的、可运用的支持决策，可以为互联网服务商带来利益，或者为科学研究寻找突破口。在当今数据和内容作为互联网的核心，不论是传统行业还是新型行业，如果率先与互联网融合成功，能够从大数据中发现暗藏的规律，就能够抢占先机，成为技术改革的标志，获得利益。
[0003]通过对电商大数据进行挖掘，可以识别用户的行为偏好，并且提供个性化服务，从而更好地为电子商务网站的用户提供更方便的服务以及指导互联网服务商决策，例如针对当前开发业务进行订阅引导，以便于针对不同用户个性化提供当前开发业务的特定内容服务信息。例如，可以不断收集相关用户的反馈行为数据来确定订阅引导过程中的引导转化情况，依次生成目标用户对应的特定业务推送信息，如何确定高可靠性的关键订阅反馈数据，以提高业务推送的针对性，是亟待解决的技术问题。

技术实现思路

[0004]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电商行为大数据的信息推送方法及人工智能预测系统。
[0005]第一方面，本申请提供一种基于大数据信息反馈的信息推送方法，应用于人工智能预测系统，所述方法包括：获取目标用户针对当前开发业务关联的目标订阅引导信息的订阅反馈数据，所述订阅反馈数据包括所述目标用户在所述目标订阅引导信息所关联的订阅引导页面序列下的页面操作数据；获取所述订阅反馈数据的页面操作意图分布，对所述页面操作意图分布中各个页面操作意图进行引导转化价值分析，得到用于表示页面操作意图的引导转化价值的引导转化价值参数；依据页面操作意图的所述引导转化价值参数，获得页面操作意图分布中的关键页面操作意图；依据所述关键页面操作意图，获取所述订阅反馈数据中的关键订阅反馈内容，其中，所述关键订阅反馈内容表征的页面操作意图中存在所述关键页面操作意图；对所述关键订阅反馈内容进行聚合获得关键订阅反馈数据，并基于所述关键订阅反馈数据对当前开发业务生成所述目标用户对应的业务推送信息。
[0006]在第一方面的一种可能的实施方式中，所述获取目标用户针对当前开发业务关联
的目标订阅引导信息的订阅反馈数据的步骤之前，所述方法还包括：从目标用户在预设电商平台上的数据库中提取与当前开发业务相关的云端电商行为大数据，所述云端电商行为大数据表征用户偏好对象的偏好向量的行为数据；依据偏好数据跟踪模型对所述云端电商行为大数据进行偏好数据跟踪，获得所述偏好数据跟踪模型生成的所述云端电商行为大数据中的用户偏好跟踪数据，所述用户偏好跟踪数据表征所述云端电商行为大数据中用户偏好对象关联的行为数据部分；依据偏好概率预测模型对所述用户偏好跟踪数据进行偏好概率预测，获得所述偏好概率预测模型生成的所述用户偏好跟踪数据中用户偏好对象的偏好概率值，所述偏好数据跟踪模型与所述偏好概率预测模型构成用户偏好分析模型，所述偏好数据跟踪模型与所述偏好概率预测模型存在逻辑关联关系，所述偏好数据跟踪模型是依据所述偏好概率预测模型的预测信息进行收敛优化的，所述偏好概率预测模型依据所述偏好数据跟踪模型的预测信息进行收敛优化的；基于所述用户偏好对象的偏好概率值，生成所述目标用户与当前开发业务相关的偏好热力图，并根据所述偏好热力图对所述目标用户推送与所述当前开发业务关联的目标订阅引导信息；其中，所述用户偏好分析模型的训练步骤包括：获取参考云端电商行为大数据、所述参考云端电商行为大数据中的参考用户偏好跟踪数据和所述参考云端电商行为大数据中用户偏好对象的参考偏好概率值，所述参考云端电商行为大数据表征用户偏好对象的偏好向量的行为数据，所述参考用户偏好跟踪数据表征所述参考云端电商行为大数据中用户偏好对象关联的行为数据部分；基于所述偏好数据跟踪模型对所述参考云端电商行为大数据进行偏好数据跟踪，获得所述偏好数据跟踪模型生成的所述参考云端电商行为大数据中的对比用户偏好跟踪数据；基于所述偏好概率预测模型对所述参考用户偏好跟踪数据进行偏好概率预测，获得所述偏好概率预测模型生成的所述参考用户偏好跟踪数据中用户偏好对象的第一对比偏好概率值，以及基于所述偏好概率预测模型对所述对比用户偏好跟踪数据进行偏好概率预测，获得所述偏好概率预测模型生成的所述对比用户偏好跟踪数据中用户偏好对象的第二对比偏好概率值；将所述偏好概率预测模型的模型权重进行维持，依据所述偏好跟踪代价和所述偏好概率值代价对所述偏好数据跟踪模型进行收敛优化，将所述偏好数据跟踪模型的模型权重进行维持，依据所述偏好概率值代价对所述偏好概率预测模型进行收敛优化，获得用户偏好分析模型；其中，所述偏好跟踪代价是依据所述参考用户偏好跟踪数据和所述对比用户偏好跟踪数据计算获得的，所述偏好概率值代价是依据所述第一对比偏好概率值、所述第二对比偏好概率值和所述参考偏好概率值进行计算获得的。
[0007]譬如，在第一方面的一种可能的实施方式中，所述将所述偏好概率预测模型的模型权重进行维持，依据所述偏好跟踪代价和所述偏好概率值代价对所述偏好数据跟踪模型进行收敛优化，包括：将所述偏好概率预测模型的模型权重进行维持；计算所述偏好跟踪代价中的代价值L1，并计算所述偏好概率值代价中的代价值L2
和代价值L3，基于所述代价值L1、所述代价值L2和所述代价值L3的加权代价值对所述偏好数据跟踪模型进行收敛优化；其中，所述代价值L1表征所述参考用户偏好跟踪数据与所述对比用户偏好跟踪数据的损失参数值，所述代价值L2表征所述第二对比偏好概率值与所述参考偏好概率值的损失参数值，所述代价值L3表征所述第一对比偏好概率值与所述第二对比偏好概率值的损失参数值。
[0008]譬如，在第一方面的一种可能的实施方式中，所述计算所述偏好跟踪代价中的代价值L1，包括：依据所述参考用户偏好跟踪数据与所述对比用户偏好跟踪数据，基于第一预设代价值函数计算所述代价值L1，所述第一预设代价值函数是基于第一预设代价值函数以及第二预设代价值函数的相加值计算的；所述计算所述偏好概率值代价中的代价值L2和代价值L3，包括：依据所述第二对比偏好概率值与所述参考偏好概率值，基于第二预设代价值函数计算所述代价值L2，所述第二预设代价值函数是依据第三预设代价函数计算的；依据所述第一对比偏好概率值与所述第二对比偏好概率值，基于第三预设代价值函数计算所述代价值L3，所述第三预设代价值函数为用于计算所述第一对比偏好概率值与所述第二对比偏好概率值的损失参数值的函数；所述基于所述代价值L1、所述代价值L2和所述代价值L3的加权代价值对所述偏好数据跟踪模型进行收敛优化，包括：基于所述代价值L1、所述代价值L2和所述代价值L3的加权代价值，计算目标跟踪代价值；依据所述目标跟踪代价值在所述偏好数据跟踪模型中进行反向传播对所述偏好数据跟踪模型进行收敛优化。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于电商行为大数据的信息推送方法，其特征在于，应用于所述人工智能预测系统，所述方法包括：从目标用户在预设电商平台上的数据库中提取与当前开发业务相关的云端电商行为大数据，所述云端电商行为大数据表征用户偏好对象的偏好向量的行为数据；依据偏好数据跟踪模型对所述云端电商行为大数据进行偏好数据跟踪，获得所述偏好数据跟踪模型生成的所述云端电商行为大数据中的用户偏好跟踪数据，所述用户偏好跟踪数据表征所述云端电商行为大数据中用户偏好对象关联的行为数据部分；依据偏好概率预测模型对所述用户偏好跟踪数据进行偏好概率预测，获得所述偏好概率预测模型生成的所述用户偏好跟踪数据中用户偏好对象的偏好概率值，所述偏好数据跟踪模型与所述偏好概率预测模型构成用户偏好分析模型，所述偏好数据跟踪模型与所述偏好概率预测模型存在逻辑关联关系，所述偏好数据跟踪模型是依据所述偏好概率预测模型的预测信息进行收敛优化的，所述偏好概率预测模型依据所述偏好数据跟踪模型的预测信息进行收敛优化的；基于所述用户偏好对象的偏好概率值，生成所述目标用户与当前开发业务相关的偏好热力图，并根据所述偏好热力图对所述目标用户推送与所述当前开发业务关联的目标订阅引导信息。2.根据权利要求1所述的基于电商行为大数据的信息推送方法，其特征在于，所述用户偏好分析模型的训练步骤包括：获取参考云端电商行为大数据、所述参考云端电商行为大数据中的参考用户偏好跟踪数据和所述参考云端电商行为大数据中用户偏好对象的参考偏好概率值，所述参考云端电商行为大数据表征用户偏好对象的偏好向量的行为数据，所述参考用户偏好跟踪数据表征所述参考云端电商行为大数据中用户偏好对象关联的行为数据部分；基于所述偏好数据跟踪模型对所述参考云端电商行为大数据进行偏好数据跟踪，获得所述偏好数据跟踪模型生成的所述参考云端电商行为大数据中的对比用户偏好跟踪数据；基于所述偏好概率预测模型对所述参考用户偏好跟踪数据进行偏好概率预测，获得所述偏好概率预测模型生成的所述参考用户偏好跟踪数据中用户偏好对象的第一对比偏好概率值，以及基于所述偏好概率预测模型对所述对比用户偏好跟踪数据进行偏好概率预测，获得所述偏好概率预测模型生成的所述对比用户偏好跟踪数据中用户偏好对象的第二对比偏好概率值；将所述偏好概率预测模型的模型权重进行维持，依据偏好跟踪代价和偏好概率值代价对所述偏好数据跟踪模型进行收敛优化，将所述偏好数据跟踪模型的模型权重进行维持，依据所述偏好概率值代价对所述偏好概率预测模型进行收敛优化，获得用户偏好分析模型；其中，所述偏好跟踪代价是依据所述参考用户偏好跟踪数据和所述对比用户偏好跟踪数据计算获得的，所述偏好概率值代价是依据所述第一对比偏好概率值、所述第二对比偏好概率值和所述参考偏好概率值进行计算获得的。3.根据权利要求2所述的基于电商行为大数据的信息推送方法，其特征在于，所述将所述偏好概率预测模型的模型权重进行维持，依据偏好跟踪代价和偏好概率值代价对所述偏好数据跟踪模型进行收敛优化，包括：将所述偏好概率预测模型的模型权重进行维持；
计算所述偏好跟踪代价中的代价值L1，并计算所述偏好概率值代价中的代价值L2和代价值L3，基于所述代价值L1、所述代价值L2和所述代价值L3的加权代价值对所述偏好数据跟踪模型进行收敛优化；其中，所述代价值L1表征所述参考用户偏好跟踪数据与所述对比用户偏好跟踪数据的损失参数值，所述代价值L2表征所述第二对比偏好概率值与所述参考偏好概率值的损失参数值，所述代价值L3表征所述第一对比偏好概率值与所述第二对比偏好概率值的损失参数值。4.根据权利要求3所述的基于电商行为大数据的信息推送方法，其特征在于，所述计算所述偏好跟踪代价中的代价值L1，包括：依据所述参考用户偏好跟踪数据与所述对比用户偏好跟踪数据，基于第一预设代价值函数计算所述代价值L1，所述第一预设代价值函数是基于第一预设代价值函数以及第二预设代价值函数的相加值计算的；所述计算所述偏好概率值代价中的代价值L2和代价值L3，包括：依据所述第二对比偏好概率值与所述参考偏好概率值，基于第二预设代价值函数计算所述代价值L2，所述第二预设代价值函数是依据第三预设代价函数计算的；依据所述第一对比偏好概率值与所述第二对比偏好概率值，基于第三预设代价值函数计算所述代价值L3，所述第三预设代价值函数为用于计算所述第一对比偏好概率值与所述第二对比偏好概率值的损失参数值的函数。5...

【专利技术属性】
技术研发人员：李烁，
申请(专利权)人：张春艳，
类型：发明
国别省市：