应用于深度学习的电商信息处理方法及人工智能系统技术方案

本发明专利技术实施例提供的应用于深度学习的电商信息处理方法及人工智能系统，可以基于数字电商客户端的第一当前会话交互应答质量和第二当前会话交互应答质量，最后确定出数字电商客户端当前的准确会话交互应答质量，从而可以在没有创建该Web3.0电商会话进程的会话进程统计表、且无需增设针对数字电商客户端的应答时效检测规则的基础上，实现对数字电商客户端的实时会话交互应答质量的精准确定；这样能够保障判断数字电商客户端的会话交互应答质量时的效率和精度。时的效率和精度。时的效率和精度。

【技术实现步骤摘要】
应用于深度学习的电商信息处理方法及人工智能系统


[0001]本专利技术涉及人工智能与深度学习
，特别涉及一种应用于深度学习的电商信息处理方法及人工智能系统。

技术介绍

[0002]随着互联网的发展，人工智能也随之兴起。基于深度学习的人工智能更具有挑战性。深度学习（Deep Learning）在搜索技术、数据挖掘、机器学习、机器翻译、自然语言处理、多媒体学习、语音、推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。现目前，随着Web3.0的发展，深度学习和Web3.0的各类业务的结合也愈发火爆，以电商业务为例，深度学习应用于电商业务领域的用户需求挖掘较为成熟，但是在交互应答的时效性分析方面还有待提升。

技术实现思路

[0003]为改善相关技术中存在的技术问题，本专利技术提供了一种应用于深度学习的电商信息处理方法及人工智能系统。
[0004]第一方面，本专利技术实施例提供了一种应用于深度学习的电商信息处理方法，应用于人工智能系统，所述方法包括：获得数字电商客户端在设定网络环境下的Web3.0电商会话进程的当前电商业务交互记录；基于获得的前一组电商业务交互记录的第一活跃行为事件，从所述当前电商业务交互记录中确定与所述第一活跃行为事件存在配对关系的第二活跃行为事件；结合所述第一活跃行为事件和所述第二活跃行为事件，确定所述数字电商客户端的第一当前会话交互应答描述子；获得所述数字电商客户端的数据传输模块的时效评分，并结合所述时效评分，确定所述数字电商客户端的第二当前会话交互应答描述子；结合所述第一当前会话交互应答描述子与所述第二当前会话交互应答描述子，确定所述数字电商客户端的当前会话交互应答质量。
[0005]在一些可选的实施例中，所述结合所述第一活跃行为事件和所述第二活跃行为事件，确定所述数字电商客户端的第一当前会话交互应答描述子，包括：依据对所述第一活跃行为事件和所述第二活跃行为事件进行清洗操作，得到第一目标行为事件和第二目标行为事件；结合所述第一目标行为事件和所述第二目标行为事件，确定所述数字电商客户端的第一当前会话交互应答描述子。
[0006]在一些可选的实施例中，所述第一当前会话交互应答描述子包括：第一应答效率指数；所述结合所述第一活跃行为事件和所述第二活跃行为事件，确定所述数字电商客户端的第一当前会话交互应答描述子，包括：结合所述第一活跃行为事件和所述第二活跃行为事件，得到事件特征关系网；所
述事件特征关系网反映所述第一活跃行为事件与所述第二活跃行为事件之间的时序关联性；依据对所述事件特征关系网进行局部关系网抽取操作，得到多组存在差异的知识特征抽取结果；每组知识特征抽取结果包括应答效率指数和时序优先级差异；基于所述多组存在差异的知识特征抽取结果包括的应答效率指数和时序优先级差异，确定所述第一应答效率指数。
[0007]在一些可选的实施例中，所述第一应答效率指数包括：第一质量维度和第一应答延时值；所述基于所述多组存在差异的知识特征抽取结果包括的应答效率指数和时序优先级差异，确定所述第一应答效率指数，包括：从所述多组知识特征抽取结果中选出一组目标知识特征抽取结果，将所述目标知识特征抽取结果中包括的应答效率指数的质量维度，作为所述第一质量维度；通过所述目标知识特征抽取结果中包括的时序优先级差异，对每个第一活跃行为事件进行时序变换操作，得到所述每个第一活跃行为事件对应的第一已调整行为事件；所述第一已调整行为事件与所述每个第一活跃行为事件存在配对关系的第二活跃行为事件对应；基于设定的基准行为事件和每个第一已调整行为事件，得到第一应答行为特征；基于所述设定的基准行为事件和所述每个第一已调整行为事件对应的第二活跃行为事件，得到第二应答行为特征；对所述第一应答行为特征和所述第二应答行为特征进行特征运算，得到所述每个第一已调整行为事件对应的去量纲特征值；利用所述每个第一已调整行为事件对应的去量纲特征值，得到所述第一应答延时值。
[0008]在一些可选的实施例中，所述基于所述多组存在差异的知识特征抽取结果包括的应答效率指数和时序优先级差异，确定所述第一应答效率指数，包括：从所述多组知识特征抽取结果中选出一组目标知识特征抽取结果，并将所述目标知识特征抽取结果中包括的应答效率指数作为所述第一应答效率指数。
[0009]在一些可选的实施例中，所述从所述多组知识特征抽取结果中选出一组目标知识特征抽取结果，包括：从所述前一组电商业务交互记录的第一活跃行为事件中，选择若干个第一活跃行为事件作为若干个第一电商用户行为事件，将与每个第一电商用户行为事件存在配对关系的第二活跃行为事件作为第二电商用户行为事件；对于当前组知识特征抽取结果，基于当前第一电商用户行为事件，以及所述当前组知识特征抽取结果中包括的时序优先级差异，得到所述当前第一电商用户行为事件对应的第二已调整行为事件；所述当前组知识特征抽取结果为所述多组知识特征抽取结果中的随机一组知识特征抽取结果；所述当前第一电商用户行为事件为所述若干个第一电商用户行为事件中的随机一个；对所述第二已调整行为事件和所述当前组知识特征抽取结果中包括的应答效率指数进行特征运算，得到第三应答行为特征；
对与所述当前第一电商用户行为事件存在配对关系的当前第二电商用户行为事件，以及所述当前组知识特征抽取结果中包括的应答效率指数进行特征运算，得到第四应答行为特征；基于采集所述前一组电商业务交互记录的第一大数据采集线程的线程状态数据和所述第一电商用户行为事件，得到第一应答状态特征；基于所述第一应答状态特征和所述当前组知识特征抽取结果中包括的时序优先级差异，得到第二应答状态特征，基于所述第一应答状态特征和所述第二应答状态特征，确定联动应答行为特征；在所述第三应答行为特征的质量维度和所述第四应答行为特征的质量维度相同、以及所述第二应答状态特征与所述联动应答行为特征之间的余弦距离，小于所述第一应答状态特征与所述联动应答行为特征之间的余弦距离的绝对值的基础上，将所述当前第一电商用户行为事件和所述当前第二电商用户行为事件作为所述当前组知识特征抽取结果对应的一对行为事件集，从而得到每组知识特征抽取结果对应的行为事件二元组；将所述多组知识特征抽取结果中，对应的所述行为事件二元组的数目最多的一组知识特征抽取结果，确定为所述目标知识特征抽取结果。
[0010]在一些可选的实施例中，所述第二当前会话交互应答描述子包括：第二应答效率指数；所述第二应答效率指数包括：第二质量维度和第二应答延时值；所述结合所述时效评分，确定所述数字电商客户端的第二当前会话交互应答描述子，包括：确定数字电商客户端的每个数据传输模块的第一状态变量，得到若干个第一状态变量；基于所述数字电商客户端的每个数据传输模块的时效评分、所述前一组电商业务交互记录对应的第一时序变量和所述当前电商业务交互记录对应的第二时序变量，确定所述每个数据传输模块的第二状态变量，得到若干个第二状态变量；确定通过所述若干个第一状态变量生成的第一数据传输状态轨迹的线程状态数据，或通过所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用于深度学习的电商信息处理方法，其特征在于，应用于所述人工智能系统，所述方法包括：获得数字电商客户端在设定网络环境下的Web3.0电商会话进程的当前电商业务交互记录；基于获得的前一组电商业务交互记录的第一活跃行为事件，从所述当前电商业务交互记录中确定与所述第一活跃行为事件存在配对关系的第二活跃行为事件；结合所述第一活跃行为事件和所述第二活跃行为事件，确定所述数字电商客户端的第一当前会话交互应答描述子；获得所述数字电商客户端的数据传输模块的时效评分，并结合所述时效评分，确定所述数字电商客户端的第二当前会话交互应答描述子；结合所述第一当前会话交互应答描述子与所述第二当前会话交互应答描述子，确定所述数字电商客户端的当前会话交互应答质量。2.如权利要求1所述的方法，其特征在于，所述结合所述第一活跃行为事件和所述第二活跃行为事件，确定所述数字电商客户端的第一当前会话交互应答描述子，包括：依据对所述第一活跃行为事件和所述第二活跃行为事件进行清洗操作，得到第一目标行为事件和第二目标行为事件；结合所述第一目标行为事件和所述第二目标行为事件，确定所述数字电商客户端的第一当前会话交互应答描述子。3.如权利要求1所述的方法，其特征在于，所述第一当前会话交互应答描述子包括：第一应答效率指数；所述结合所述第一活跃行为事件和所述第二活跃行为事件，确定所述数字电商客户端的第一当前会话交互应答描述子，包括：结合所述第一活跃行为事件和所述第二活跃行为事件，得到事件特征关系网；所述事件特征关系网反映所述第一活跃行为事件与所述第二活跃行为事件之间的时序关联性；依据对所述事件特征关系网进行局部关系网抽取操作，得到多组存在差异的知识特征抽取结果；每组知识特征抽取结果包括应答效率指数和时序优先级差异；基于所述多组存在差异的知识特征抽取结果包括的应答效率指数和时序优先级差异，确定所述第一应答效率指数；其中，所述第一应答效率指数包括：第一质量维度和第一应答延时值；所述基于所述多组存在差异的知识特征抽取结果包括的应答效率指数和时序优先级差异，确定所述第一应答效率指数，包括：从所述多组知识特征抽取结果中选出一组目标知识特征抽取结果，将所述目标知识特征抽取结果中包括的应答效率指数的质量维度，作为所述第一质量维度；通过所述目标知识特征抽取结果中包括的时序优先级差异，对每个第一活跃行为事件进行时序变换操作，得到所述每个第一活跃行为事件对应的第一已调整行为事件；所述第一已调整行为事件与所述每个第一活跃行为事件存在配对关系的第二活跃行为事件对应；基于设定的基准行为事件和每个第一已调整行为事件，得到第一应答行为特征；基于所述设定的基准行为事件和所述每个第一已调整行为事件对应的第二活跃行为事件，得到第二应答行为特征；对所述第一应答行为特征和所述第二应答行为特征进行特征运算，得到所述每个第一已调整行为事件对应的去量纲特征值；利用所述每个第一已调整行为事件对应的去量纲特征值，得到所述第一应答延时值。4.如权利要求3所述的方法，其特征在于，所述基于所述多组存在差异的知识特征抽取结果包括的应答效率指数和时序优先级差异，确定所述第一应答效率指数，包括：从所述多组知识特征抽取结果中选出一组目标知识特征抽取结果，并将所述目标知识特征抽取结果
中包括的应答效率指数作为所述第一应答效率指数指数。5.如权利要求3所述的方法，其特征在于，所述从所述多组知识特征抽取结果中选出一组目标知识特征抽取结果，包括：从所述前一组电商业务交互记录的第一活跃行为事件中，选择若干个第一活跃行为事件作为若干个第一电商用户行为事件，将与每个第一电商用户行为事件存在配对关系的第二活跃行为事件作为第二电商用户行为事件；对于当前组知识特征抽取结果，基于当前第一电商用户行为事件，以及所述当前组知识特征抽取结果中包括的时序优先级差异，得到所述当前第一电商用户行为事件对应的第二已调整行为事件；所述当前组知识特征抽取结果为所述多组知识特征抽取结果中的随机一组知识特征抽取结果；所述当前第一电商用户行为事件为所述若干个第一电商用户行为事件中的随机一个；对所述第二已调整行为事件和所述当前组知识特征抽取结果中包括的应答效率指数进行特征运算，得到第三应答行为特征；对与所述当前第一电商用户行为事件存在配对关系的当前第二电商用户行为事件，以及所述当前组知识特征抽取结果中包括的应答效率指数进行特征运算，得到第四应答行为特征；基于采集所述前一组电商业务交互记录的第一大数据采集线程的线程状态数据和所述第一电商用户行为事件，得到第一应答状态特征；基于所述第一应答状态特征和所述当前组知识特征抽取结果中包括的时序优先级差异，得到第二应答状态特征，基于所述第一应答状态特征和所述第二应答状态特征，确定联动应答行为特征；在所述第三应答行为特征的质量维度和所述第四应答行为特征的质量维度相同、以及所述第二应答状态特征与所述联动应答行为特征之间的余弦距离，小于所述第一应答状态特征与所述联动应答行为特征之间的余弦距离的绝对值的基础上，将所述当前第一电商...

【专利技术属性】
技术研发人员：陈敏丹，陈逍，
申请(专利权)人：济南凛嗒宇成屿网络科技服务有限公司，
类型：发明
国别省市：