大数据环境下的用户意图分析方法及用户意图分析服务器与流程

1.本技术涉及大数据和评论意图分析技术领域，更具体地，涉及一种大数据环境下的用户意图分析方法及用户意图分析服务器。


背景技术：

2.互联网的快速发展使得用户可以通过网络实现频繁多样的信息化交流和沟通。随着人工智能的不断优化和成熟，现目前可以通过利用机器学习网络实现对话题大数据和评论大数据的分析，从而分析出用户在不同话题评论下的情感极性和意图，能够为后续的各类业务优化或者服务升级提供准确可靠的决策依据。
3.在实际应用过程中，大数据环境下的话题评论数据越来越多，如何对这些话题评论数据进行精准的意图分析是现目前需要改善的一个技术问题。虽然机器学习网络已经应用到话题评论分析中，但是发明人在实际实施过中发现，相关的话题评论分析和用户意图分析技术仍然需要进一步地改进。


技术实现要素：

4.本技术的一个目的是提供一种用于进行用户意图分析的新技术方案。
5.根据本技术的第一方面，提供一种大数据环境下的用户意图分析方法，应用于用户意图分析服务器，所述方法包括：获取处于不同情感极性分类状态下的不同话题评论，并将所述不同话题评论传入用户意图分析网络；利用所述用户意图分析网络确定第一意图内容测试结果，并基于话题评论集合确定共性话题评论；根据所述共性话题评论之间的话题评论共性指数确定共性差别检测信息，并基于所述第一意图内容测试结果确定测试检测信息；基于所述共性差别检测信息和所述测试检测信息优化所述用户意图分析网络的空间域配置，得到用于进行意图内容分析的目标用户意图分析网络。
6.优选的，获取处于不同情感极性分类状态下的不同话题评论，并将所述不同话题评论传入用户意图分析网络，包括：获取x个已进行情感极性分类的第一话题评论和y个未进行情感极性分类的第二话题评论，将所述x个已进行情感极性分类的第一话题评论和所述y个未进行情感极性分类的第二话题评论传入用户意图分析网络；x和y均为正整数；所述x个已进行情感极性分类的第一话题评论分别标注有所对应的用户的用户意图内容标签；所述x个已进行情感极性分类的第一话题评论所标注的用户和所述y个未进行情感极性分类的第二话题评论所标注的用户属于相同的用户类别；利用所述用户意图分析网络确定第一意图内容测试结果，并基于话题评论集合确定共性话题评论，包括：在所述用户意图分析网络中确定每个已进行情感极性分类的第一
话题评论所对应的用户的第一意图内容测试结果，从话题评论集合中获取所述每个已进行情感极性分类的第一话题评论的共性话题评论；所述话题评论集合包括所述x个已进行情感极性分类的第一话题评论和所述y个未进行情感极性分类的第二话题评论；所述每个已进行情感极性分类的第一话题评论的共性话题评论未标注所属已进行情感极性分类的第一话题评论所标注的用户意图内容标签；根据所述共性话题评论之间的话题评论共性指数确定共性差别检测信息，并基于所述第一意图内容测试结果确定测试检测信息，包括：根据所述每个已进行情感极性分类的第一话题评论与所属的共性话题评论之间的话题评论共性指数确定共性差别检测信息，根据所述每个已进行情感极性分类的第一话题评论对应的第一意图内容测试结果和所标注的用户意图内容标签确定测试检测信息；基于所述共性差别检测信息和所述测试检测信息优化所述用户意图分析网络的空间域配置，得到用于进行意图内容分析的目标用户意图分析网络，包括：基于所述共性差别检测信息和所述测试检测信息优化所述用户意图分析网络的空间域配置，得到目标用户意图分析网络；所述目标用户意图分析网络用于对属于所述用户类别的用户进行意图内容分析。
7.优选的，所述从话题评论集合中获取所述每个已进行情感极性分类的第一话题评论的共性话题评论，包括：在所述用户意图分析网络中生成所述每个已进行情感极性分类的第一话题评论的话题评论文本特征和每个未进行情感极性分类的第二话题评论的话题评论文本特征；根据所述每个已进行情感极性分类的第一话题评论的话题评论文本特征和每个未进行情感极性分类的第二话题评论的话题评论文本特征，生成共性指数分布；从所述共性指数分布中获取所述每个已进行情感极性分类的第一话题评论分别与所述话题评论集合中的话题评论之间的话题评论共性指数；根据所述每个已进行情感极性分类的第一话题评论分别与所述话题评论集合中的话题评论之间的话题评论共性指数，从所述话题评论集合中确定所述每个已进行情感极性分类的第一话题评论的共性话题评论；相应的，所述x个已进行情感极性分类的第一话题评论包括已进行情感极性分类的第一话题评论a，a为小于或等于x的正整数；所述根据所述每个已进行情感极性分类的第一话题评论分别与所述话题评论集合中的话题评论之间的话题评论共性指数，从所述话题评论集合中确定所述每个已进行情感极性分类的第一话题评论的共性话题评论，包括：从所述话题评论集合中筛除与所述已进行情感极性分类的第一话题评论a标注有相同用户意图内容标签的话题评论，得到辅助话题评论集合；按照所述已进行情感极性分类的第一话题评论a分别与所述辅助话题评论集合中的每个话题评论之间的话题评论共性指数的降序的顺序，对所述每个话题评论进行整理，得到辅助话题评论队列；获取共性话题评论数量num，将所述辅助话题评论队列中的前num个话题评论确定为所述已进行情感极性分类的第一话题评论a的共性话题评论；num为小于x和y之和的正整数；相应的，所述根据所述每个已进行情感极性分类的第一话题评论的话题评论文本
特征和每个未进行情感极性分类的第二话题评论的话题评论文本特征，生成共性指数分布，包括：获取对所述每个已进行情感极性分类的第一话题评论的话题评论文本特征进行全局优化处理后所得到的已优化文本特征，获取对所述每个未进行情感极性分类的第二话题评论的话题评论文本特征进行全局优化处理后所得到的已优化文本特征；获取包括所述每个已进行情感极性分类的第一话题评论的已优化文本特征的第一特征分布和包括所述每个未进行情感极性分类的第二话题评论的已优化文本特征的第二特征分布；对所述第一特征分布和所述第二特征分布进行组合，得到目标文本特征分布；获取所述目标文本特征分布的文本映射特征分布，将所述第一特征分布和所述文本映射特征分布的加权结果确定为所述共性指数分布。
8.优选的，所述根据所述每个已进行情感极性分类的第一话题评论与所属的共性话题评论之间的话题评论共性指数确定共性差别检测信息，包括：根据所述每个已进行情感极性分类的第一话题评论与所属的共性话题评论之间的话题评论共性指数，分别确定所述每个已进行情感极性分类的第一话题评论与所属的共性话题评论之间的共性指数平均值；根据所述每个已进行情感极性分类的第一话题评论与所属的共性话题评论之间的共性指数平均值生成平均值队列；将所述平均值队列的离散度检测信息，确定为所述共性差别检测信息。
9.优选的，所述基于所述共性差别检测信息和所述测试检测信息优化所述用户意图分析网络的空间域配置，得到目标用户意图分析网络，包括：对所述共性差别检测信息和所述测试检测信息进行融合，得到目标检测信息；基于所述目标检测信息优化所述用户意图分析网络的空间域配置；当检测到对所述用户意图分析网络的空间域配置优化至设定状态时，将空间域配置处于所述设定状态的所述用户意图分析网络确定为所述目标用户意图分析网络。
10.优选的，所述方法还包括：将所述x个已进行情感极性分类的第一话题评论传入初始用户意图分析网络；在所述初始用户意图分析网络中确定所述每个已进行情感极性分类的第一话题评论所对应的用户的第二意图内容测试结果；根据所述每个已进行情感极性分类的第一话题评论对应的第二意图内容测试结果和所述每个已进行情感极性分类的第一话题评论所标注的用户意图内容标签，优化所述初始用户意图分析网络的空间域配置，得到所述用户意图分析网络。
11.优选的，所述在所述用户意图分析网络中确定每个已进行情感极性分类的第一话题评论所对应的用户的第一意图内容测试结果，包括：在所述用户意图分析网络中生成所述每个已进行情感极性分类的第一话题评论的话题评论文本特征；对所述每个已进行情感极性分类的第一话题评论的话题评论文本特征进行全局优化处理，得到所述每个已进行情感极性分类的第一话题评论的已优化文本特征；基于所述每个已进行情感极性分类的第一话题评论的已优化文本特征，确定所述
每个已进行情感极性分类的第一话题评论的第一意图内容测试结果；相应的，所述x个已进行情感极性分类的第一话题评论包括已进行情感极性分类的第一话题评论a，a为小于或等于x的正整数；所述用户意图分析网络的空间域配置包括特征表示映射层的空间域配置；所述x个已进行情感极性分类的第一话题评论共标注有b种用户意图内容标签，一种用户意图内容标签对应一种用户意图内容，b为小于或等于x的正整数；所述基于所述每个已进行情感极性分类的第一话题评论的已优化文本特征，确定所述每个已进行情感极性分类的第一话题评论的第一意图内容测试结果，包括：对所述特征表示映射层的空间域配置进行全局优化处理，得到所述特征表示映射层的已优化空间域配置；基于所述已进行情感极性分类的第一话题评论a的已优化文本特征和所述已优化空间域配置，确定所述已进行情感极性分类的第一话题评论a所对应的用户为b种用户意图内容中的每种用户意图内容的可能性；将所述已进行情感极性分类的第一话题评论a所对应的用户为所述每种用户意图内容的可能性，确定为所述已进行情感极性分类的第一话题评论a的第一意图内容测试结果。
12.优选的，所述方法还包括：获取第一待分析话题评论以及与所述第一待分析话题评论相关联的用户身份；获取所述用户身份所指示的目标用户的目标用户文本特征；将所述第一待分析话题评论传入所述目标用户意图分析网络，在所述目标用户意图分析网络中生成所述第一待分析话题评论的话题评论文本特征；当检测到所述第一待分析话题评论的话题评论文本特征与所述目标用户文本特征共性时，确定所述第一待分析话题评论中的用户为所述目标用户，确定对所述第一待分析话题评论中的用户的用户意图内容分析完成。
13.优选的，所述方法还包括：获取第二待分析话题评论；将所述第二待分析话题评论传入所述目标用户意图分析网络，在所述目标用户意图分析网络中生成所述第二待分析话题评论的话题评论文本特征；根据所述第二待分析话题评论的话题评论文本特征，从至少两种用户意图内容中确定所述第二待分析话题评论中的用户的用户意图内容。
14.根据本技术的第二方面，提供一种用户意图分析服务器，包括：存储器，用于存储可执行的指令；处理器，用于根据所述可执行的指令的控制，运行所述用户意图分析服务器执行上述的方法。
15.根据本技术的一个实施例，获取处于不同情感极性分类状态下的不同话题评论，并将不同话题评论传入用户意图分析网络；利用用户意图分析网络确定第一意图内容测试结果，并基于话题评论集合确定共性话题评论；根据共性话题评论之间的话题评论共性指数确定共性差别检测信息，并基于第一意图内容测试结果确定测试检测信息；基于共性差别检测信息和测试检测信息优化用户意图分析网络的空间域配置，得到用于进行意图内容分析的目标用户意图分析网络。由于在优化用户意图分析网络的过程中考虑了共性差别检
测信息和测试检测信息，并且能够结合处于不同情感极性分类状态下的不同话题评论进行分析，因而能够尽可能平衡目标用户意图分析网络对不同话题评论的分析差异性，提高目标用户意图分析网络的抗干扰性能，提高目标用户意图分析网络的用户意图内容分析精度。
16.通过以下参照附图对本技术的示例性实施例的详细描述，本技术的其它特征及其优点将会变得清楚。
附图说明
17.被结合在说明书中并构成说明书的一部分的附图示出了本技术的实施例，并且连同其说明一起用于解释本技术的原理。
18.图1是示出可以实现本技术的实施例的用户意图分析服务器的一种硬件配置的框图。
19.图2是示出可以实现本技术的实施例的用户意图分析服务器的另一种硬件配置的框图。
20.图3是示出可以实现本技术的实施例的大数据环境下的用户意图分析方法的流程图。
21.图4是示出可以实现本技术的实施例的大数据环境下的用户意图分析系统的架构示意图。
具体实施方式
22.现在将参照附图来详细描述本技术的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本技术的范围。
23.以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本技术及其应用或使用的任何限制。
24.对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
25.在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
26.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
27.<硬件配置>图1是示出可以实现本技术的实施例的用户意图分析服务器100的一种硬件配置的框图，用户意图分析服务器100可以包括处理器110和存储器120，存储器120用于存储可执行的指令，处理器110用于根据可执行的指令的控制，运行用户意图分析服务器100执行本技术中的大数据环境下的用户意图分析方法。
28.图2是示出可以实现本技术的实施例的用户意图分析服务器100的另一种硬件配置的框图，用户意图分析服务器100可以包括处理器110、存储器120和大数据环境下的用户意图分析装置400，大数据环境下的用户意图分析装置400包括至少一个可以软件或固件
（firmware）的形式储存于所述存储器120中的软件功能模块，所述处理器110通过运行存储在存储器120内的软件程序以及模块，例如本技术实施例中的大数据环境下的用户意图分析装置400，从而执行各种功能应用以及数据处理，即实现本技术实施例中的大数据环境下的用户意图分析方法。
29.<方法实施例>本技术实施例所提供的大数据环境下的用户意图分析方法可以通过以下技术方案实现：获取处于不同情感极性分类状态下的不同话题评论，并将不同话题评论传入用户意图分析网络；利用用户意图分析网络确定第一意图内容测试结果，并基于话题评论集合确定共性话题评论；根据共性话题评论之间的话题评论共性指数确定共性差别检测信息，并基于第一意图内容测试结果确定测试检测信息；基于共性差别检测信息和测试检测信息优化用户意图分析网络的空间域配置，得到用于进行意图内容分析的目标用户意图分析网络。由于在优化用户意图分析网络的过程中考虑了共性差别检测信息和测试检测信息，并且能够结合处于不同情感极性分类状态下的不同话题评论进行分析，因而能够尽可能平衡目标用户意图分析网络对不同话题评论的分析差异性，提高目标用户意图分析网络的抗干扰性能，提高目标用户意图分析网络的用户意图内容分析精度。
30.图3是示出可以实现本技术的实施例的大数据环境下的用户意图分析方法的流程图，大数据环境下的用户意图分析方法可以通过图1或图2所示的用户意图分析服务器100实现，进一步可以包括以下步骤110
‑
步骤140所描述的技术方案。
31.步骤110、用户意图分析服务器获取处于不同情感极性分类状态下的不同话题评论，并将所述不同话题评论传入用户意图分析网络。
32.在本技术实施例中，处于不同情感极性分类状态下的不同话题评论可以包括已进行情感极性分类的第一话题评论和未进行情感极性分类的第二话题评论，用户意图分析网络可以是分类器网络，或者深度学习网络，本方案不作限制。
33.进一步地，对于步骤110中的获取处于不同情感极性分类状态下的不同话题评论，并将所述不同话题评论传入用户意图分析网络而言，可以通过以下步骤1100所描述的技术方案进一步实施。
34.步骤1100、获取x个已进行情感极性分类的第一话题评论和y个未进行情感极性分类的第二话题评论，将所述x个已进行情感极性分类的第一话题评论和所述y个未进行情感极性分类的第二话题评论传入用户意图分析网络；x和y均为正整数；所述x个已进行情感极性分类的第一话题评论分别标注有所对应的用户的用户意图内容标签；所述x个已进行情感极性分类的第一话题评论所标注的用户和所述y个未进行情感极性分类的第二话题评论所标注的用户属于相同的用户类别。
35.例如，情感极性分类包括积极极性类别和消极极性类别，在另外的一些情况下，还可以包括中立极性类别。
36.此外，话题评论可以是文字评论、语音评论或者图片评论。
37.另外，用户意图内容标签用于区分不同的用户意图内容，比如购买意图、抵制意图、口水战意图等。用户类别可以根据年龄划分，或者根据地域划分，也可以根据平台划分，在此亦不作限制。
38.步骤120、用户意图分析服务器利用所述用户意图分析网络确定第一意图内容测
试结果，并基于话题评论集合确定共性话题评论。
39.在本技术实施例中，第一意图内容测试结果可以是用户意图分析网络初始识别分析得到的，共性话题评论可以是相似的话题评论。
40.进一步地，对于上述步骤120所描述的利用所述用户意图分析网络确定第一意图内容测试结果，并基于话题评论集合确定共性话题评论而言，可以通过以下步骤1200所描述的实施方式实现。
41.步骤1200、在所述用户意图分析网络中确定每个已进行情感极性分类的第一话题评论所对应的用户的第一意图内容测试结果，从话题评论集合中获取所述每个已进行情感极性分类的第一话题评论的共性话题评论；所述话题评论集合包括所述x个已进行情感极性分类的第一话题评论和所述y个未进行情感极性分类的第二话题评论；所述每个已进行情感极性分类的第一话题评论的共性话题评论未标注所属已进行情感极性分类的第一话题评论所标注的用户意图内容标签。
42.对于一些可选的实施例而言，上述步骤1200所描述的从话题评论集合中获取所述每个已进行情感极性分类的第一话题评论的共性话题评论，可以包括以下步骤121
‑
步骤124。
43.步骤121、在所述用户意图分析网络中生成所述每个已进行情感极性分类的第一话题评论的话题评论文本特征和每个未进行情感极性分类的第二话题评论的话题评论文本特征。
44.在本技术实施例中，话题评论文本特征可以是话题评论的特征向量，在该方案下，话题评论可以是文本评论，或者是通过语音评论转换得到的文本评论。
45.步骤122、根据所述每个已进行情感极性分类的第一话题评论的话题评论文本特征和每个未进行情感极性分类的第二话题评论的话题评论文本特征，生成共性指数分布。
46.在本技术实施例中，共性指数分布可以是文本特征相似度矩阵或者文本特征相似度列表。
47.在相关的实施例中，上述步骤122所描述的根据所述每个已进行情感极性分类的第一话题评论的话题评论文本特征和每个未进行情感极性分类的第二话题评论的话题评论文本特征，生成共性指数分布，可以包括以下步骤1221
‑
步骤1224。
48.步骤1221、获取对所述每个已进行情感极性分类的第一话题评论的话题评论文本特征进行全局优化处理后所得到的已优化文本特征，获取对所述每个未进行情感极性分类的第二话题评论的话题评论文本特征进行全局优化处理后所得到的已优化文本特征。
49.例如，全局优化处理可以是规范化处理或者归一化处理，从而确保已优化文本特征之间的格式一致性。
50.步骤1222、获取包括所述每个已进行情感极性分类的第一话题评论的已优化文本特征的第一特征分布和包括所述每个未进行情感极性分类的第二话题评论的已优化文本特征的第二特征分布。
51.比如，特征分布可以是特征矩阵或者特征列表。
52.步骤1223、对所述第一特征分布和所述第二特征分布进行组合，得到目标文本特征分布。
53.可以理解的是，目标文本特征分布通过将第一特征分布和第二特征分布进行拼接
得到。
54.步骤1224、获取所述目标文本特征分布的文本映射特征分布，将所述第一特征分布和所述文本映射特征分布的加权结果确定为所述共性指数分布。
55.可以理解的是，若目标文本特征分布为矩阵，则文本映射特征分布可以理解为目标文本特征分布的转置，这样以来，能够基于所述第一特征分布和所述文本映射特征分布的加权结果完整、准确地得到共性指数分布。
56.步骤123、从所述共性指数分布中获取所述每个已进行情感极性分类的第一话题评论分别与所述话题评论集合中的话题评论之间的话题评论共性指数。
57.例如，话题评论共性指数可以是话题评论相似度。
58.步骤124、根据所述每个已进行情感极性分类的第一话题评论分别与所述话题评论集合中的话题评论之间的话题评论共性指数，从所述话题评论集合中确定所述每个已进行情感极性分类的第一话题评论的共性话题评论。
59.可以理解的是，通过引入话题评论共性指数进行量化分析，能够确保确定得到的每个已进行情感极性分类的第一话题评论的共性话题评论的准确性。
60.在相关的实施例中，所述x个已进行情感极性分类的第一话题评论包括已进行情感极性分类的第一话题评论a，a为小于或等于x的正整数。基于此，上述步骤s124所描述的根据所述每个已进行情感极性分类的第一话题评论分别与所述话题评论集合中的话题评论之间的话题评论共性指数，从所述话题评论集合中确定所述每个已进行情感极性分类的第一话题评论的共性话题评论，可以包括以下步骤1241
‑
步骤1243所描述的技术方案。
61.步骤1241、从所述话题评论集合中筛除与所述已进行情感极性分类的第一话题评论a标注有相同用户意图内容标签的话题评论，得到辅助话题评论集合。
62.例如，辅助话题评论集合可以理解为参考话题评论集合，用于后续进行共性话题评论的确定。
63.步骤1242、按照所述已进行情感极性分类的第一话题评论a分别与所述辅助话题评论集合中的每个话题评论之间的话题评论共性指数的降序的顺序，对所述每个话题评论进行整理，得到辅助话题评论队列。
64.比如，可以对所述每个话题评论进行排序，得到辅助话题评论队列。
65.步骤1243、获取共性话题评论数量num，将所述辅助话题评论队列中的前num个话题评论确定为所述已进行情感极性分类的第一话题评论a的共性话题评论；num为小于x和y之和的正整数。
66.可以理解，通过对共性话题评论数量num进行量化，能够确保共性话题评论之间的强相关性。
67.在一些可选的实施例中，步骤1200所描述的在所述用户意图分析网络中确定每个已进行情感极性分类的第一话题评论所对应的用户的第一意图内容测试结果，可以包括：在所述用户意图分析网络中生成所述每个已进行情感极性分类的第一话题评论的话题评论文本特征；对所述每个已进行情感极性分类的第一话题评论的话题评论文本特征进行全局优化处理，得到所述每个已进行情感极性分类的第一话题评论的已优化文本特征；基于所述每个已进行情感极性分类的第一话题评论的已优化文本特征，确定所述每个已进行情感极性分类的第一话题评论的第一意图内容测试结果。
68.比如可以根据已优化文本特征中的关键词实现自然语言分析和情绪分类，从而得到第一意图内容测试结果。
69.在相关实施例中，所述x个已进行情感极性分类的第一话题评论包括已进行情感极性分类的第一话题评论a，a为小于或等于x的正整数；所述用户意图分析网络的空间域配置包括特征表示映射层的空间域配置；所述x个已进行情感极性分类的第一话题评论共标注有b种用户意图内容标签，一种用户意图内容标签对应一种用户意图内容，b为小于或等于x的正整数。基于此，上述步骤所描述的基于所述每个已进行情感极性分类的第一话题评论的已优化文本特征，确定所述每个已进行情感极性分类的第一话题评论的第一意图内容测试结果，可以包括以下内容：对所述特征表示映射层的空间域配置进行全局优化处理，得到所述特征表示映射层的已优化空间域配置；基于所述已进行情感极性分类的第一话题评论a的已优化文本特征和所述已优化空间域配置，确定所述已进行情感极性分类的第一话题评论a所对应的用户为b种用户意图内容中的每种用户意图内容的可能性；将所述已进行情感极性分类的第一话题评论a所对应的用户为所述每种用户意图内容的可能性，确定为所述已进行情感极性分类的第一话题评论a的第一意图内容测试结果。
70.比如，确定所述已进行情感极性分类的第一话题评论a所对应的用户为b种用户意图内容中的每种用户意图内容的可能性可以理解为确定所述已进行情感极性分类的第一话题评论a所对应的用户为b种用户意图内容中的每种用户意图内容的概率。如此，通过用户意图内容对应的概率量化信息，能够确保第一意图内容测试结果的准确性。
71.步骤130、用户意图分析服务器根据所述共性话题评论之间的话题评论共性指数确定共性差别检测信息，并基于所述第一意图内容测试结果确定测试检测信息。
72.在本技术实施例中，检测信息可以理解为模型网络的损失函数，共性差别检测信息可以理解为相似差别损失，测试检测信息可以理解为预测损失。基于此，上述步骤130所描述的根据所述共性话题评论之间的话题评论共性指数确定共性差别检测信息，并基于所述第一意图内容测试结果确定测试检测信息，可以通过以下步骤1300所描述的技术方案实现。
73.步骤1300、根据所述每个已进行情感极性分类的第一话题评论与所属的共性话题评论之间的话题评论共性指数确定共性差别检测信息，根据所述每个已进行情感极性分类的第一话题评论对应的第一意图内容测试结果和所标注的用户意图内容标签确定测试检测信息。
74.可以理解，共性差别检测信息和测试检测信息分别对应不同的损失维度，这样可以实现后续的多维度模型网络优化。
75.在相关实施例中，步骤1300所描述的根据所述每个已进行情感极性分类的第一话题评论与所属的共性话题评论之间的话题评论共性指数确定共性差别检测信息，可以包括以下步骤131
‑
步骤133所描述的技术方案。
76.步骤131、根据所述每个已进行情感极性分类的第一话题评论与所属的共性话题评论之间的话题评论共性指数，分别确定所述每个已进行情感极性分类的第一话题评论与所属的共性话题评论之间的共性指数平均值。
77.步骤132、根据所述每个已进行情感极性分类的第一话题评论与所属的共性话题评论之间的共性指数平均值生成平均值队列。
78.步骤133、将所述平均值队列的离散度检测信息，确定为所述共性差别检测信息。
79.例如，离散度检测信息可以理解为方差或者方差函数，如此，通过考虑平均值队列的全局离散度，能够确保共性差别检测信息的准确性。
80.步骤140、用户意图分析服务器基于所述共性差别检测信息和所述测试检测信息优化所述用户意图分析网络的空间域配置，得到用于进行意图内容分析的目标用户意图分析网络。
81.在本技术实施例中，空间域配置可以理解为模型网络参数，因此，优化用户意图分析网络的空间域配置可以理解为优化用户意图分析网络的模型参数，从而得到具有较强抗干扰性的目标用户意图分析网络，这样可以利用目标用户意图分析网络进行话题评论分析。
82.在相关实施例中，上述步骤140所描述的基于所述共性差别检测信息和所述测试检测信息优化所述用户意图分析网络的空间域配置，得到用于进行意图内容分析的目标用户意图分析网络，可以包括步骤1400所描述的技术方案。
83.步骤1400、基于所述共性差别检测信息和所述测试检测信息优化所述用户意图分析网络的空间域配置，得到目标用户意图分析网络；所述目标用户意图分析网络用于对属于所述用户类别的用户进行意图内容分析。
84.在一些可能的实施例中，上述步骤1400所描述的基于所述共性差别检测信息和所述测试检测信息优化所述用户意图分析网络的空间域配置，得到目标用户意图分析网络，可以包括以下步骤141
‑
步骤143。
85.步骤141、对所述共性差别检测信息和所述测试检测信息进行融合，得到目标检测信息。
86.比如，可以将所述共性差别检测信息和所述测试检测信息进行求和意得到目标损失。
87.步骤142、基于所述目标检测信息优化所述用户意图分析网络的空间域配置。
88.在上述基础上，可以利用目标损失调整用户意图分析网络的模型参数。
89.步骤143、当检测到对所述用户意图分析网络的空间域配置优化至设定状态时，将空间域配置处于所述设定状态的所述用户意图分析网络确定为所述目标用户意图分析网络。
90.在本技术实施例中，设定状态可以是收敛状态，比如损失函数处于收敛状态，这样可以尽可能确保目标用户意图分析网络的网络性能和稳定性。
91.在一些可选的实施例中，该方法还可以包括以下内容：将所述x个已进行情感极性分类的第一话题评论传入初始用户意图分析网络；在所述初始用户意图分析网络中确定所述每个已进行情感极性分类的第一话题评论所对应的用户的第二意图内容测试结果；根据所述每个已进行情感极性分类的第一话题评论对应的第二意图内容测试结果和所述每个已进行情感极性分类的第一话题评论所标注的用户意图内容标签，优化所述初始用户意图分析网络的空间域配置，得到所述用户意图分析网络。
92.其中，通过用户意图内容标签可以提高空间域配置的精准度，从而减少空间域配置的工作量。
93.在上述内容的基础上，该方法还可以包括以下内容：获取第一待分析话题评论以
及与所述第一待分析话题评论相关联的用户身份；获取所述用户身份所指示的目标用户的目标用户文本特征；将所述第一待分析话题评论传入所述目标用户意图分析网络，在所述目标用户意图分析网络中生成所述第一待分析话题评论的话题评论文本特征；当检测到所述第一待分析话题评论的话题评论文本特征与所述目标用户文本特征共性时，确定所述第一待分析话题评论中的用户为所述目标用户，确定对所述第一待分析话题评论中的用户的用户意图内容分析完成。
94.比如，在确定对所述第一待分析话题评论中的用户的用户意图内容分析完成之后，可以根据预先建立的用户意图内容匹配表确定第一待分析话题评论对应的用户意图内容，从而提高用户意图内容的分析效率。
95.在上述内容的基础上，该方法还可以包括以下内容：获取第二待分析话题评论；将所述第二待分析话题评论传入所述目标用户意图分析网络，在所述目标用户意图分析网络中生成所述第二待分析话题评论的话题评论文本特征；根据所述第二待分析话题评论的话题评论文本特征，从至少两种用户意图内容中确定所述第二待分析话题评论中的用户的用户意图内容。
96.比如，可以通过比对尽可能多的用户意图内容，确保第二待分析话题评论中的用户的用户意图内容尽可能与实际情况相匹配。
97.在一些选择性的实施例中，在确定出第二待分析话题评论中的用户的用户意图内容之后，该方法还可以包括针对第二待分析话题评论中的用户的用户意图内容进行记录的技术方案。
98.相应的，在一些选择性的实施例中，在上述步骤所描述的“根据所述第二待分析话题评论的话题评论文本特征，从至少两种用户意图内容中确定所述第二待分析话题评论中的用户的用户意图内容”的步骤之后，该方法还包括：通过所述用户意图内容生成第二待分析话题评论中的待处理用户的画像知识库。
99.在另一些选择性的实施例中，上述步骤所描述的“通过所述用户意图内容生成第二待分析话题评论中的待处理用户的画像知识库”，可以通过以下步骤210
‑
步骤230所描述的技术方案实现。
100.步骤210、分析所述用户意图内容是否满足预设的观点标签激活条件，如果是，确定所述用户意图内容为第一观点标签内容。
101.例如，观点标签激活条件可以根据用户意图内容中的关键词确定，比如用户意图内容中的关键词与观点标签激活条件对应的基准关键词匹配，则可以确定用户意图内容满足预设的观点标签激活条件。
102.步骤220、将所述第一观点标签内容输入已生成的第一观点画像知识库，并获取与第一观点画像知识库相关联的在先观点画像知识库，所述在先观点画像知识库与所述第一观点画像知识库对应同一待分析话题评论。
103.步骤220、依据所述在先观点画像知识库判断是否需要对第一观点画像知识库进行校正；若是，则依据所述在先观点画像知识库校正所述第一观点画像知识库。
104.例如，观点画像知识库可以是知识图谱。
105.在一些选择性的实施中，步骤220所描述的所述依据所述在先观点画像知识库判断是否需要对第一观点画像知识库进行校正包括：检测所述在先观点画像知识库中的所有
观点标签内容中是否存在与所述第一观点标签内容相匹配的第二观点标签内容，所述第一观点标签内容与所述第二观点标签内容中相匹配的标签维度描述的数量大于第一阈值，若存在，则确定需要对第一观点画像知识库进行校正；和/或，检测所述在先观点画像知识库中所有观点标签内容和所述第一观点画像知识库中的所有观点标签内容中，是否存在与所述第一观点标签内容相匹配的第三观点标签内容，所述第一观点标签内容与所述第三观点标签内容中相匹配的标签维度描述的数量大于第二阈值，若存在，则确定需要对当前观点画像知识库进行校正。
106.在一些选择性的实施中，步骤220所描述的所述依据所述在先观点画像知识库校正所述第一观点画像知识库包括：将所述在先观点画像知识库中的实体元素与第一观点画像知识库中的实体元素进行整合，得到全局观点画像知识库；对所述全局观点画像知识库中的观点标签内容的情绪倾向信息和观点标签内容相关联的实体元素的连接关系进行校正，以使校正后得到的观点画像知识库中，关联至少一个相同实体元素的观点标签内容之间的情绪倾向信息的差异性满足设定条件。
107.例如，设定条件可以是相同实体元素（比如用户）的观点标签内容之间的情绪倾向信息（比如词向量相似度）大于设定相似度值。
108.可以理解，在生成第一观点画像知识库的过程中，能够结合在先观点画像知识库进行校正，从而有效减少第一观点画像知识库在全局层面的累积误差，确保第一观点画像知识库的完整性和准确性。
109.本技术可以获取x个已进行情感极性分类的第一话题评论和y个未进行情感极性分类的第二话题评论，将x个已进行情感极性分类的第一话题评论和y个未进行情感极性分类的第二话题评论传入用户意图分析网络；在用户意图分析网络中确定每个已进行情感极性分类的第一话题评论所对应的用户的第一意图内容测试结果，从话题评论集合中获取每个已进行情感极性分类的第一话题评论的共性话题评论；话题评论集合包括x个已进行情感极性分类的第一话题评论和y个未进行情感极性分类的第二话题评论；每个已进行情感极性分类的第一话题评论的共性话题评论未标注所属已进行情感极性分类的第一话题评论所标注的用户意图内容标签；根据每个已进行情感极性分类的第一话题评论与所属的共性话题评论之间的话题评论共性指数确定共性差别检测信息，根据每个已进行情感极性分类的第一话题评论对应的第一意图内容测试结果和所标注的用户意图内容标签确定测试检测信息；基于共性差别检测信息和测试检测信息优化用户意图分析网络的空间域配置，得到目标用户意图分析网络。
110.由此可见，本技术提出的方法在通过已进行情感极性分类的第一话题评论的测试检测信息训练用户意图分析网络的基础上，还引入了未进行情感极性分类的第二话题评论对用户意图分析网络一起进行训练。而通过未进行情感极性分类的第二话题评论相关的共性差别检测信息来训练用户意图分析网络，可以使得用户意图分析网络对话题评论中用户的各种用户意图内容进行分析的分析差别性尽可能达到平衡，从而加强所训练得到的目标用户意图分析网络的抗干扰性，进而提高目标用户意图分析网络的用户意图内容分析精度。
111.<系统实施例>在上述的方法实施例的基础上，本技术实施例还提出了一种系统实施例，也即大
数据环境下的用户意图分析系统，请结合参阅图4，大数据环境下的用户意图分析系统30可以包括互相通信的用户意图分析服务器100和智能用户设备200。进一步地，大数据环境下的用户意图分析系统30的功能性描述如下。
112.用户意图分析服务器100通过智能用户设备200获取处于不同情感极性分类状态下的不同话题评论，并将所述不同话题评论传入用户意图分析网络；利用所述用户意图分析网络确定第一意图内容测试结果，并基于话题评论集合确定共性话题评论；根据所述共性话题评论之间的话题评论共性指数确定共性差别检测信息，并基于所述第一意图内容测试结果确定测试检测信息；基于所述共性差别检测信息和所述测试检测信息优化所述用户意图分析网络的空间域配置，得到用于进行意图内容分析的目标用户意图分析网络。
113.以上已经结合附图描述了本技术的实施例，根据本实施例，提供一种用户意图分析方法，可以获取x个已进行情感极性分类的第一话题评论和y个未进行情感极性分类的第二话题评论，将x个已进行情感极性分类的第一话题评论和y个未进行情感极性分类的第二话题评论传入用户意图分析网络；在用户意图分析网络中确定每个已进行情感极性分类的第一话题评论所对应的用户的第一意图内容测试结果，从话题评论集合中获取每个已进行情感极性分类的第一话题评论的共性话题评论；话题评论集合包括x个已进行情感极性分类的第一话题评论和y个未进行情感极性分类的第二话题评论；每个已进行情感极性分类的第一话题评论的共性话题评论未标注所属已进行情感极性分类的第一话题评论所标注的用户意图内容标签；根据每个已进行情感极性分类的第一话题评论与所属的共性话题评论之间的话题评论共性指数确定共性差别检测信息，根据每个已进行情感极性分类的第一话题评论对应的第一意图内容测试结果和所标注的用户意图内容标签确定测试检测信息；基于共性差别检测信息和测试检测信息优化用户意图分析网络的空间域配置，得到目标用户意图分析网络。
114.由此可见，本技术提出的方法在通过已进行情感极性分类的第一话题评论的测试检测信息训练用户意图分析网络的基础上，还引入了未进行情感极性分类的第二话题评论对用户意图分析网络一起进行训练。而通过未进行情感极性分类的第二话题评论相关的共性差别检测信息来训练用户意图分析网络，可以使得用户意图分析网络对话题评论中用户的各种用户意图内容进行分析的分析差别性尽可能达到平衡，从而加强所训练得到的目标用户意图分析网络的抗干扰性，进而提高目标用户意图分析网络的用户意图内容分析精度。
115.本领域技术人员公知的是，随着诸如大规模集成电路技术的电子信息技术的发展和软件硬件化的趋势，要明确划分计算机系统软、硬件界限已经显得比较困难了。因为，任何操作可以软件来实现，也可以由硬件来实现。任何指令的执行可以由硬件完成，同样也可以由软件来完成。对于某一机器功能采用硬件实现方案还是软件实现方案，取决于价格、速度、可靠性、存储容量、变更周期等非技术性因素。因此，对于电子信息技术领域的普通技术人员来说，更为直接和清楚地描述一个技术方案的方式是描述该方案中的各个操作。在知道所要执行的操作的情况下，本领域技术人员可以基于对所述非技术性因素的考虑直接设计出期望的产品。
116.本技术可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本技术的各个方面的计算机可读程序指令。
117.计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd
‑
rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
118.这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
119.用于执行本技术操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c 等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本技术的各个方面。
120.这里参照根据本技术实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本技术的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
121.这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
122.也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它
设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
123.附图中的流程图和框图显示了根据本技术的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
124.以上已经描述了本技术的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本技术的范围由所附权利要求来限定。