基于人工智能的互联网用户整合方法及大数据服务系统技术方案

本申请实施例提供一种基于人工智能的互联网用户整合方法及大数据服务系统，基于兴趣轨迹追踪模型对各个候选用户的用户行为大数据进行兴趣轨迹追踪，获得各个候选用户的用户兴趣轨迹数据，对目标用户的用户兴趣轨迹数据进行分析，确定与目标用户存在关联兴趣偏好的关联用户序列，将每个目标用户与关联用户序列进行整合，确定对应的每个用户整合分组以及每个用户整合分组所对应的目标分组画像特征，并基于目标分组画像特征分别对每个用户整合分组进行进行互动节点分配，从而通过兴趣轨迹追踪来对存在关联兴趣偏好的用户进行整合，并据于此进行互动节点分配，可以有效提高用户互动关联度，进而提高互联网服务的用户体验。进而提高互联网服务的用户体验。进而提高互联网服务的用户体验。

【技术实现步骤摘要】
基于人工智能的互联网用户整合方法及大数据服务系统


[0001]本专利技术涉及互联网信息
，具体而言，涉及一种基于人工智能的互联网用户整合方法及大数据服务系统。

技术介绍

[0002]互联网用户互动网络表现为关系型互动网络，换言之，互联网用户在某些方面具有一定的天然性关联，于是在网络上集结，建立共同的网络互动服务，进而可以使得互联网服务上的相关互联网产品内容数据可以在同质用户人群中广泛传播。基于此，如何对存在关联兴趣偏好的用户进行整合，以便于更有效地进行互动节点分配，达到有效传播相关互联网产品内容数据的目的，是亟待解决的技术问题。

技术实现思路

[0003]为了至少克服现有技术中的上述不足，本专利技术的目的在于提供一种基于人工智能的互联网用户整合方法及大数据服务系统。
[0004]第一方面，本申请提供一种基于人工智能的互联网用户整合方法，应用于大数据服务系统，所述大数据服务系统与多个在线交互终端通信连接，所述方法包括：基于兴趣轨迹追踪模型对各个候选用户的用户行为大数据进行兴趣轨迹追踪，获得所述各个候选用户的用户兴趣轨迹数据；对目标用户的用户兴趣轨迹数据进行分析，确定与所述目标用户存在关联兴趣偏好的关联用户序列；将每个所述目标用户与所述关联用户序列进行整合，确定对应的每个用户整合分组以及每个用户整合分组所对应的目标分组画像特征，并基于所述目标分组画像特征分别对每个用户整合分组进行进行互动节点分配。
[0005]在第一方面的一种可能的实施方式中，所述对目标用户的用户兴趣轨迹数据进行分析，确定与所述目标用户存在关联兴趣偏好的关联用户序列的步骤，包括：从目标用户的用户兴趣轨迹数据中解析多个兴趣互动事件；基于用户画像训练模型获取各个所述兴趣互动事件的最终兴趣画像特征，所述兴趣互动事件的最终兴趣画像特征表征所述兴趣互动事件所涵盖的兴趣行为的画像特征分布；将各个所述兴趣互动事件的最终兴趣画像特征进行分簇，生成所述用户兴趣轨迹数据的兴趣画像分簇特征；基于所述用户兴趣轨迹数据的兴趣画像分簇特征和目标兴趣轨迹数据库中涵盖的各个成员兴趣轨迹数据的兴趣画像分簇特征，从所述目标兴趣轨迹数据库中提取匹配第二目标要求的目标成员兴趣轨迹数据，确定为所述用户兴趣轨迹数据对应的关联兴趣轨迹数据，并将关联兴趣轨迹数据所相关的用户确定为与所述目标用户存在关联兴趣偏好的关联用户序列。
[0006]在第一方面的一种可能的实施方式中，所述基于用户画像训练模型获取各个所述兴趣互动事件的最终兴趣画像特征的步骤，具体包括：对于各所述兴趣互动事件，基于所述用户画像训练模型获取所述兴趣互动事件的模糊兴趣画像特征；从所述多个综合兴趣画像特征中，生成最新综合兴趣画像特征，所述最新综合兴趣画像特征表示与所述兴趣互动事件的模糊兴趣画像特征最关联的综合兴趣画像特征；基于所述兴趣互动事件的模糊兴趣画像特征与所述最新综合兴趣画像特征之间的特征区别信息，生成所述兴趣互动事件的潜在兴趣画像特征，所述综合兴趣画像特征是属于同一分簇序列的各个兴趣行为范例的模糊兴趣画像特征的平均化兴趣画像特征；基于所述用户画像训练模型基于所述兴趣互动事件的潜在兴趣画像特征，生成所述兴趣互动事件的最终兴趣画像特征。
[0007]在第一方面的一种可能的实施方式中，所述将各个所述兴趣互动事件的最终兴趣画像特征进行分簇，生成所述用户兴趣轨迹数据的兴趣画像分簇特征的步骤，具体包括：对各个所述兴趣互动事件进行维度划分，输出多个兴趣互动维度，每个所述兴趣互动维度中包含一个或多个兴趣互动事件；将对应于同一种所述兴趣互动维度的兴趣互动事件的最终兴趣画像特征进行分簇；基于分簇结果确定所述用户兴趣轨迹数据的兴趣画像分簇特征。
[0008]在第一方面的一种可能的实施方式中，所述基于所述用户兴趣轨迹数据的兴趣画像分簇特征和目标兴趣轨迹数据库中涵盖的各个成员兴趣轨迹数据的兴趣画像分簇特征，从所述目标兴趣轨迹数据库中提取匹配第二目标要求的目标成员兴趣轨迹数据，确定为所述用户兴趣轨迹数据对应的关联兴趣轨迹数据的步骤，具体包括：基于所述用户兴趣轨迹数据的兴趣画像分簇特征和所述目标兴趣轨迹数据库中涵盖的各个成员兴趣轨迹数据的兴趣画像分簇特征，从所述目标兴趣轨迹数据库中提取多个成员兴趣轨迹数据作为召回兴趣轨迹数据；从所述目标兴趣轨迹数据库的最终兴趣画像特征序列中提取匹配第三目标要求的最终兴趣画像特征作为目标兴趣画像特征，所述最终兴趣画像特征序列基于所述目标兴趣轨迹数据库中涵盖的各个成员兴趣轨迹数据中各个兴趣互动事件的最终兴趣画像特征确定；基于所述目标兴趣画像特征所对应兴趣互动维度的预设影响因子参数、所述用户兴趣轨迹数据的兴趣画像分簇特征中的兴趣行为数量和兴趣画像特征数量，输出所述召回兴趣轨迹数据相对于所述用户兴趣轨迹数据的关联度量值，确定为所述召回兴趣轨迹数据的关联度量值；或，基于所述目标兴趣画像特征所对应兴趣互动维度的预设影响因子参数、所述目标兴趣轨迹数据库的兴趣画像分簇特征中的兴趣行为数量和兴趣画像特征数量，输出所述用户兴趣轨迹数据相对于所述召回兴趣轨迹数据的关联度量值，确定为所述召回兴趣轨迹数据的关联度量值；基于各个所述召回兴趣轨迹数据的关联度量值，从各个所述召回兴趣轨迹数据中提取所述目标成员兴趣轨迹数据作为所述用户兴趣轨迹数据对应的关联兴趣轨迹数据。
[0009]在第一方面的一种可能的实施方式中，所述方法还包括：基于所述用户画像训练模型，获取全集兴趣行为范例序列中的多个兴趣行为范例分别对应的模糊兴趣画像特征；基于所述全集兴趣行为范例序列中的多个兴趣行为范例分别对应的模糊兴趣画像特征，生成多个综合兴趣画像特征，所述综合兴趣画像特征是属于同一分簇序列的各个兴趣行为范例的模糊兴趣画像特征的平均化兴趣画像特征；对于所述全集兴趣行为范例序列中的各个所述兴趣行为范例，基于所述兴趣行为范例的模糊兴趣画像特征与所述兴趣行为范例对应的最新综合兴趣画像特征之间的特征区别信息，生成所述兴趣行为范例的潜在兴趣画像特征，所述兴趣行为范例对应的最新综合兴趣画像特征表示所述多个综合兴趣画像特征中与所述兴趣行为范例的模糊兴趣画像特征最关联的综合兴趣画像特征；基于所述兴趣行为范例的潜在兴趣画像特征，生成所述兴趣行为范例的最终兴趣画像特征，所述兴趣行为范例的最终兴趣画像特征表征所述兴趣行为范例所涵盖的兴趣行为的画像特征分布；基于所述全集兴趣行为范例序列中的各个所述兴趣行为范例的最终兴趣画像特征，生成所述用户画像训练模型的模型学习代价值，以对所述用户画像训练模型进行模型权重信息层的调优和选取。
[0010]在第一方面的一种可能的实施方式中，所述基于所述全集兴趣行为范例序列中的各个所述兴趣行为范例的最终兴趣画像特征，生成所述用户画像训练模型的模型学习代价值，以对所述用户画像训练模型进行模型权重信息层的调优和选取的步骤，具体包括：将所述全集兴趣行为范例序列涵盖的各个所述兴趣行为范例，分为多个关联兴趣行为簇，每个所述关联兴趣行为簇中包括多个对应于同一兴趣行为的兴趣行为范例；从相同所述关联兴趣行为簇中解析两个兴趣行为，确定一个所述第一范例组合，输出所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的互联网用户整合方法，其特征在于，包括：基于兴趣轨迹追踪模型对各个候选用户的用户行为大数据进行兴趣轨迹追踪，获得所述各个候选用户的用户兴趣轨迹数据；对目标用户的用户兴趣轨迹数据进行分析，确定与所述目标用户存在关联兴趣偏好的关联用户序列；将每个所述目标用户与所述关联用户序列进行整合，确定对应的每个用户整合分组以及每个用户整合分组所对应的目标分组画像特征，并基于所述目标分组画像特征分别对每个用户整合分组进行进行互动节点分配。2.根据权利要求1所述的基于人工智能的互联网用户整合方法，其特征在于，所述对目标用户的用户兴趣轨迹数据进行分析，确定与所述目标用户存在关联兴趣偏好的关联用户序列的步骤，包括：从目标用户的用户兴趣轨迹数据中解析多个兴趣互动事件；基于用户画像训练模型获取各个所述兴趣互动事件的最终兴趣画像特征，所述兴趣互动事件的最终兴趣画像特征表征所述兴趣互动事件所涵盖的兴趣行为的画像特征分布；将各个所述兴趣互动事件的最终兴趣画像特征进行分簇，生成所述用户兴趣轨迹数据的兴趣画像分簇特征；基于所述用户兴趣轨迹数据的兴趣画像分簇特征和目标兴趣轨迹数据库中涵盖的各个成员兴趣轨迹数据的兴趣画像分簇特征，从所述目标兴趣轨迹数据库中提取匹配第二目标要求的目标成员兴趣轨迹数据，确定为所述用户兴趣轨迹数据对应的关联兴趣轨迹数据，并将关联兴趣轨迹数据所相关的用户确定为与所述目标用户存在关联兴趣偏好的关联用户序列。3.根据权利要求2所述的基于人工智能的互联网用户整合方法，其特征在于，所述基于用户画像训练模型获取各个所述兴趣互动事件的最终兴趣画像特征的步骤，具体包括：对于各所述兴趣互动事件，基于所述用户画像训练模型获取所述兴趣互动事件的模糊兴趣画像特征；从多个综合兴趣画像特征中，生成最新综合兴趣画像特征，所述综合兴趣画像特征是属于同一分簇序列的各个兴趣行为范例的模糊兴趣画像特征的平均化兴趣画像特征，所述最新综合兴趣画像特征表示与所述兴趣互动事件的模糊兴趣画像特征最关联的综合兴趣画像特征；基于所述兴趣互动事件的模糊兴趣画像特征与所述最新综合兴趣画像特征之间的特征区别信息，生成所述兴趣互动事件的潜在兴趣画像特征；基于所述用户画像训练模型基于所述兴趣互动事件的潜在兴趣画像特征，生成所述兴趣互动事件的最终兴趣画像特征。4.根据权利要求2所述的基于人工智能的互联网用户整合方法，其特征在于，所述将各个所述兴趣互动事件的最终兴趣画像特征进行分簇，生成所述用户兴趣轨迹数据的兴趣画像分簇特征的步骤，具体包括：对各个所述兴趣互动事件进行维度划分，输出多个兴趣互动维度，每个所述兴趣互动维度中包含一个或多个兴趣互动事件；将对应于同一种所述兴趣互动维度的兴趣互动事件的最终兴趣画像特征进行分簇；
基于分簇结果确定所述用户兴趣轨迹数据的兴趣画像分簇特征。5.根据权利要求2所述的基于人工智能的互联网用户整合方法，其特征在于，所述基于所述用户兴趣轨迹数据的兴趣画像分簇特征和目标兴趣轨迹数据库中涵盖的各个成员兴趣轨迹数据的兴趣画像分簇特征，从所述目标兴趣轨迹数据库中提取匹配第二目标要求的目标成员兴趣轨迹数据，确定为所述用户兴趣轨迹数据对应的关联兴趣轨迹数据的步骤，具体包括：基于所述用户兴趣轨迹数据的兴趣画像分簇特征和所述目标兴趣轨迹数据库中涵盖的各个成员兴趣轨迹数据的兴趣画像分簇特征，从所述目标兴趣轨迹数据库中提取多个成员兴趣轨迹数据作为召回兴趣轨迹数据；从所述目标兴趣轨迹数据库的最终兴趣画像特征序列中提取匹配第三目标要求的最终兴趣画像特征作为目标兴趣画像特征，所述最终兴趣画像特征序列基于所述目标兴趣轨迹数据库中涵盖的各个成员兴趣轨迹数据中各个兴趣互动事件的最终兴趣画像特征确定；基于所述目标兴趣画像特征所对应兴趣互动维度的预设影响因子参数、所述用户兴趣轨迹数据的兴趣画像分簇特征中的兴趣行为数量和兴趣画像特征数量，输出所述召回兴趣轨迹数据相对于所述用户兴趣轨迹数据的关联度量值，确定为所述召回兴趣轨迹数据的关联度量值；或，基于所述目标兴趣画像特征所对应兴趣互动维度的预设影响因子参数、所述目标兴趣轨迹数据库的兴趣画像分簇特征中的兴趣行为数量和兴趣画像特征数量，输出所述用户兴趣轨迹数据相对于所述召回兴趣轨迹数据的关联度量值，确定为所述召回兴趣轨迹数据的关联度量值；基于各个所述召回兴趣轨迹数据的关联度量值，从各个所述召回兴趣轨迹数据中提取所述目标成员兴趣轨迹数据作为所述用户兴趣轨迹数据对应的关联兴趣轨迹数据。6.根据权利要求2
‑
5中任意一项所述的基于人工智能的互联网用户整合方法，其特征在于，所述方法还包括：基于所述用户画像训练模型，获取全集兴趣行为范例序列中的多个兴趣行为范例分别对应的模糊兴趣画像特征；基于所述全集兴趣行为范例序列中的多个兴趣行为范例分别对应的模糊兴趣画像特征，生成多个综合兴趣画像特征，所述综合兴趣画像特征是属于同一分簇序列的各个兴趣行为范例的模糊兴趣画像特征的平均化兴趣画像特征；对于所述全集兴趣行为范例序列中的各个所述兴趣行为范例，基于所述兴趣行为范例的模糊兴趣画像特征与所述兴趣行为范例对应的最新综合兴趣画像特征之间的特征区别信息，生成所述兴趣行为范例的潜在兴趣画像特征，所述兴趣行为范例对应的最新综合兴趣画像特征表示所述多个综合兴趣画像特征中与所述兴趣行为范例的模糊兴趣画像特征最关联的综合兴趣画像特征；基于所述兴趣行为范例的潜在兴趣画像特征，生成所述兴趣行为范例的最终兴趣画像特征，所述兴趣行为范例的最终兴趣画像特征表征所述兴趣行为范例所涵盖的兴趣行为的画像特征分布；基于所述全集兴趣行为范例序列中的各...

【专利技术属性】
技术研发人员：亢颖灏，方义才，
申请(专利权)人：亢颖灏，
类型：发明
国别省市：