应用于在线对话平台的大数据分析方法及系统技术方案

本发明专利技术提供的应用于在线对话平台的大数据分析方法及系统，涉及人工智能技术领域。在本发明专利技术中，基于示例性对话数据，对待优化异常分析网络进行网络优化，以形成待优化异常分析网络对应的优化异常分析网络，示例性对话数据包括示例性对话文本或示例性对话图像；采集到目标在线对话平台中的待处理对话数据，并对待处理对话数据进行过滤处理，以输出对应的目标对话数据，待处理对话数据包括基于目标在线对话平台形成的对话文本或对话图像；基于优化异常分析网络，对目标对话数据进行异常分析处理，以输出目标对话数据对应的对话异常分析结果。基于上述内容，可以在一定程度上提高对话异常分析的效率。异常分析的效率。异常分析的效率。

【技术实现步骤摘要】
应用于在线对话平台的大数据分析方法及系统


[0001]本专利技术涉及人工智能
，具体而言，涉及一种应用于在线对话平台的大数据分析方法及系统。

技术介绍

[0002]在线对话平台用于提供在线对话服务，可以提供不同用户之间的信息交互，如文本交互或图像交互等。其中，对在线对话平台中的信息交互进行异常监控，是保障信息交互合法、合规进行的重要手段。但是，在现有技术中，一般是基于平台工作人员的人工审核，以实现对信息交互的异常监控，因此，存在着对话异常监控的效率不高的问题。

技术实现思路

[0003]有鉴于此，本专利技术的目的在于提供一种应用于在线对话平台的大数据分析方法及系统，以在一定程度上提高对话异常分析的效率。
[0004]为实现上述目的，本专利技术实施例采用如下技术方案：一种应用于在线对话平台的大数据分析方法，包括：基于示例性对话数据，对待优化异常分析网络进行网络优化，以形成所述待优化异常分析网络对应的优化异常分析网络，所述示例性对话数据包括示例性对话文本、示例性对话图像或示例性对话语音；采集到目标在线对话平台中的待处理对话数据，并对所述待处理对话数据进行过滤处理，以输出对应的目标对话数据，所述待处理对话数据包括基于所述目标在线对话平台形成的对话文本、对话图像或对话语音；基于所述优化异常分析网络，对所述目标对话数据进行异常分析处理，以输出所述目标对话数据对应的对话异常分析结果，所述对话异常分析结果用于反映所述目标对话数据中的对话内容的异常程度。
[0005]在一些优选的实施例中，在上述应用于在线对话平台的大数据分析方法中，所述基于示例性对话数据，对待优化异常分析网络进行网络优化，以形成所述待优化异常分析网络对应的优化异常分析网络的步骤，包括：提取到初始示例性数据簇，所述初始示例性数据簇包括多个初始示例性数据子簇，每一个所述初始示例性数据子簇包括多个初始示例性数据组合，每一个所述初始示例性数据组合包括初始示例性对话数据和所述初始示例性对话数据对应的初始异常性标签；提取到异常分析协助网络、多个监督性异常分析网络和多个非监督示例性对话数据，所述监督性异常分析网络基于监督示例性对话数据进行网络优化形成，所述非监督示例性对话数据不具有对应的异常性标签，所述监督示例性对话数据具有对应的异常性标签；依据所述初始示例性数据簇、所述异常分析协助网络和所述多个监督性异常分析网络，将搭建的待优化异常分析复杂网络进行网络优化处理，以形成对应的优化异常分析
复杂网络，所述异常分析协助网络用于协助对所述待优化异常分析复杂网络进行网络优化处理；基于所述多个非监督示例性对话数据、所述多个监督性异常分析网络和所述优化异常分析复杂网络，分析出所述多个非监督示例性对话数据对应的多个预测异常性标签；基于所述多个非监督示例性对话数据、所述多个预测异常性标签，将搭建的待优化异常分析网络进行网络优化处理，以形成所述待优化异常分析网络对应的优化异常分析网络，所述优化异常分析网络包括的网络参数少于所述优化异常分析复杂网络的网络参数，使得所述优化异常分析网络的复杂程度低于所述优化异常分析复杂网络的复杂程度。
[0006]在一些优选的实施例中，在上述应用于在线对话平台的大数据分析方法中，所述依据所述初始示例性数据簇、所述异常分析协助网络和所述多个监督性异常分析网络，将搭建的待优化异常分析复杂网络进行网络优化处理，以形成对应的优化异常分析复杂网络的步骤，包括：对于所述初始示例性数据簇中的每一个初始示例性数据子簇，确定出所述初始示例性数据子簇中的多个初始示例性数据组合；对于所述多个初始示例性数据组合中的每一个初始示例性数据组合，对所述初始示例性数据组合中的初始示例性对话数据进行加载，以加载到所述多个监督性异常分析网络中的每一个监督性异常分析网络中，分析出所述初始示例性数据组合对应的初始异常性参数分布，所述初始异常性参数分布包括多个初始异常性参数，所述多个初始异常性参数和所述多个监督性异常分析网络之间具有一一对应的关系；基于所述初始示例性数据组合和所述初始示例性数据组合对应的初始异常性参数分布，构建出所述初始示例性数据组合对应的进阶示例性数据组合，以形成所述初始示例性数据子簇对应的进阶示例性数据子簇，所述进阶示例性数据子簇包括多个进阶示例性数据组合，所述进阶示例性数据组合包括所述初始示例性数据组合和所述初始示例性数据组合对应的初始异常性参数分布；基于每一个所述初始示例性数据子簇对应的进阶示例性数据子簇，构建出所述初始示例性数据簇对应的进阶示例性数据簇，所述进阶示例性数据簇包括多个进阶示例性数据子簇；基于所述进阶示例性数据簇和所述异常分析协助网络，将搭建的待优化异常分析复杂网络进行网络优化处理，以形成对应的优化异常分析复杂网络。
[0007]在一些优选的实施例中，在上述应用于在线对话平台的大数据分析方法中，所述基于所述进阶示例性数据簇和所述异常分析协助网络，将搭建的待优化异常分析复杂网络进行网络优化处理，以形成对应的优化异常分析复杂网络的步骤，包括：在所述进阶示例性数据簇包含的多个进阶示例性数据子簇中，确定出一个进阶示例性数据子簇，以标记为待处理数据子簇；基于预先确定的目标数据拆分条件，将所述待处理数据子簇包括的多个进阶示例性数据组合中的至少部分进阶示例性数据组合进行拆分组合处理，以形成所述目标数据拆分条件对应的第一数量个数据拆分组合，每一个所述数据拆分组合包括多个进阶示例性数据组合；在所述第一数量个数据拆分组合中，确定出待处理数据拆分组合；
基于预先确定的目标数据选择条件，在所述待处理数据拆分组合包括的多个进阶示例性数据组合中，筛选到第一数据组合簇和第二数据组合簇；依据所述第一数据组合簇形成对应的优化用数据组合簇，并依据所述第二数据组合簇形成对应的检测用数据组合簇；基于所述优化用数据组合簇、所述检测用数据组合簇和所述异常分析协助网络，将搭建的待优化异常分析复杂网络进行网络优化处理，以形成所述待优化异常分析复杂网络对应的优化异常分析复杂网络。
[0008]在一些优选的实施例中，在上述应用于在线对话平台的大数据分析方法中，所述异常分析协助网络的网络参数属于协助网络参数，所述基于所述优化用数据组合簇、所述检测用数据组合簇和所述异常分析协助网络，将搭建的待优化异常分析复杂网络进行网络优化处理，以形成所述待优化异常分析复杂网络对应的优化异常分析复杂网络的步骤，包括：提取到网络参数属于复杂网络参数的待优化异常分析复杂网络；利用所述待优化异常分析复杂网络，分析出所述优化用数据组合簇对应的多个进阶异常性标签；利用所述异常分析协助网络，分析出所述优化用数据组合簇对应的多个辅助异常性标签；基于所述优化用数据组合簇和所述多个进阶异常性标签，确定出所述异常分析协助网络对应的需优化协助网络参数，以形成网络参数属于所述需优化协助网络参数的优化后的异常分析协助网络；利用所述优化后的异常分析协助网络，分析出所述检测用数据组合簇对应的多个检测用异常性标签；基于所述优化用数据组合簇、所述检测用数据组合簇、所述多个进阶异常性标签、所述多个辅助异常性标签、所述多个检测用异常性标签、所述协本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用于在线对话平台的大数据分析方法，其特征在于，包括：基于示例性对话数据，对待优化异常分析网络进行网络优化，以形成所述待优化异常分析网络对应的优化异常分析网络，所述示例性对话数据包括示例性对话文本、示例性对话图像或示例性对话语音；采集到目标在线对话平台中的待处理对话数据，并对所述待处理对话数据进行过滤处理，以输出对应的目标对话数据，所述待处理对话数据包括基于所述目标在线对话平台形成的对话文本、对话图像或对话语音；基于所述优化异常分析网络，对所述目标对话数据进行异常分析处理，以输出所述目标对话数据对应的对话异常分析结果，所述对话异常分析结果用于反映所述目标对话数据中的对话内容的异常程度。2.如权利要求1所述的应用于在线对话平台的大数据分析方法，其特征在于，所述基于示例性对话数据，对待优化异常分析网络进行网络优化，以形成所述待优化异常分析网络对应的优化异常分析网络的步骤，包括：提取到初始示例性数据簇，所述初始示例性数据簇包括多个初始示例性数据子簇，每一个所述初始示例性数据子簇包括多个初始示例性数据组合，每一个所述初始示例性数据组合包括初始示例性对话数据和所述初始示例性对话数据对应的初始异常性标签；提取到异常分析协助网络、多个监督性异常分析网络和多个非监督示例性对话数据，所述监督性异常分析网络基于监督示例性对话数据进行网络优化形成，所述非监督示例性对话数据不具有对应的异常性标签，所述监督示例性对话数据具有对应的异常性标签；依据所述初始示例性数据簇、所述异常分析协助网络和所述多个监督性异常分析网络，将搭建的待优化异常分析复杂网络进行网络优化处理，以形成对应的优化异常分析复杂网络，所述异常分析协助网络用于协助对所述待优化异常分析复杂网络进行网络优化处理；基于所述多个非监督示例性对话数据、所述多个监督性异常分析网络和所述优化异常分析复杂网络，分析出所述多个非监督示例性对话数据对应的多个预测异常性标签；基于所述多个非监督示例性对话数据、所述多个预测异常性标签，将搭建的待优化异常分析网络进行网络优化处理，以形成所述待优化异常分析网络对应的优化异常分析网络，所述优化异常分析网络包括的网络参数少于所述优化异常分析复杂网络的网络参数，使得所述优化异常分析网络的复杂程度低于所述优化异常分析复杂网络的复杂程度。3.如权利要求2所述的应用于在线对话平台的大数据分析方法，其特征在于，所述依据所述初始示例性数据簇、所述异常分析协助网络和所述多个监督性异常分析网络，将搭建的待优化异常分析复杂网络进行网络优化处理，以形成对应的优化异常分析复杂网络的步骤，包括：对于所述初始示例性数据簇中的每一个初始示例性数据子簇，确定出所述初始示例性数据子簇中的多个初始示例性数据组合；对于所述多个初始示例性数据组合中的每一个初始示例性数据组合，对所述初始示例性数据组合中的初始示例性对话数据进行加载，以加载到所述多个监督性异常分析网络中的每一个监督性异常分析网络中，分析出所述初始示例性数据组合对应的初始异常性参数分布，所述初始异常性参数分布包括多个初始异常性参数，所述多个初始异常性参数和所
述多个监督性异常分析网络之间具有一一对应的关系；基于所述初始示例性数据组合和所述初始示例性数据组合对应的初始异常性参数分布，构建出所述初始示例性数据组合对应的进阶示例性数据组合，以形成所述初始示例性数据子簇对应的进阶示例性数据子簇，所述进阶示例性数据子簇包括多个进阶示例性数据组合，所述进阶示例性数据组合包括所述初始示例性数据组合和所述初始示例性数据组合对应的初始异常性参数分布；基于每一个所述初始示例性数据子簇对应的进阶示例性数据子簇，构建出所述初始示例性数据簇对应的进阶示例性数据簇，所述进阶示例性数据簇包括多个进阶示例性数据子簇；基于所述进阶示例性数据簇和所述异常分析协助网络，将搭建的待优化异常分析复杂网络进行网络优化处理，以形成对应的优化异常分析复杂网络。4.如权利要求3所述的应用于在线对话平台的大数据分析方法，其特征在于，所述基于所述进阶示例性数据簇和所述异常分析协助网络，将搭建的待优化异常分析复杂网络进行网络优化处理，以形成对应的优化异常分析复杂网络的步骤，包括：在所述进阶示例性数据簇包含的多个进阶示例性数据子簇中，确定出一个进阶示例性数据子簇，以标记为待处理数据子簇；基于预先确定的目标数据拆分条件，将所述待处理数据子簇包括的多个进阶示例性数据组合中的至少部分进阶示例性数据组合进行拆分组合处理，以形成所述目标数据拆分条件对应的第一数量个数据拆分组合，每一个所述数据拆分组合包括多个进阶示例性数据组合；在所述第一数量个数据拆分组合中，确定出待处理数据拆分组合；基于预先确定的目标数据选择条件，在所述待处理数据拆分组合包括的多个进阶示例性数据组合中，筛选到第一数据组合簇和第二数据组合簇；依据所述第一数据组合簇形成对应的优化用数据组合簇，并依据所述第二数据组合簇形成对应的检测用数据组合簇；基于所述优化用数据组合簇、所述检测用数据组合簇和所述异常分析协助网络，将搭建的待优化异常分析复杂网络进行网络优化处理，以形成所述待优化异常分析复杂网络对应的优化异...

【专利技术属性】
技术研发人员：周泽青，郭小宇，
申请(专利权)人：周泽青，
类型：发明
国别省市：