基于智慧应答大数据的信息流生成方法及人工智能云系统与流程

1.本公开涉及基于人工智能的大数据应用技术领域，示例性地，涉及一种基于智慧应答大数据的信息流生成方法及人工智能云系统。


背景技术：

2.在基于人工智能的人机对话系统中，通过对应答大数据进行挖掘，可以针对性地进行应答业务优化，以提高用户占用率。在相关技术中，出于业务需求，需要收集大量的关注话题信息流（具有一一对应的关注话题和各自对应的对话项）进行样本进行模型训练，然而相关技术的样本收集过程依靠人工辅助甄别，样本收集效率较低。


技术实现要素：

3.为了至少克服现有技术中的上述不足，本公开的目的在于提供一种基于智慧应答大数据的信息流生成方法及人工智能云系统。
4.第一方面，本公开提供一种基于智慧应答大数据的信息流生成方法，应用于人工智能云系统，所述人工智能云系统与多个智慧业务应答设备通信连接，所述方法包括：基于目标应答数据挖掘单元对待挖掘应答数据进行应答数据挖掘以生成对应的推送信息；获取所述推送信息对应的用户互动行为数据，并从所述用户互动行为数据中获取对应的社交关系圈数据，并获取所述社交关系圈数据的社交对话频繁项数据；获取所述社交关系圈数据的关注话题分布，并基于预设的第一挖掘策略对所述关注话题分布进行处理，得到处理后的关注话题分布；所述处理后的关注话题分布包括至少一个关注话题；基于所述至少一个关注话题对所述社交对话频繁项数据进行关键频繁项提取，得到至少一个关键对话频繁项，并将所述至少一个关注话题和各自对应的所述关键对话频繁项作为一个第一关注话题信息流组合，得到至少一个第一关注话题信息流组合。
5.第二方面，本公开实施例还提供一种基于智慧应答大数据的信息流生成系统，所述基于智慧应答大数据的信息流生成系统包括人工智能云系统以及与所述人工智能云系统通信连接的多个智慧业务应答设备；所述人工智能云系统，用于：基于目标应答数据挖掘单元对待挖掘应答数据进行应答数据挖掘以生成对应的推送信息；获取所述推送信息对应的用户互动行为数据，并从所述用户互动行为数据中获取对应的社交关系圈数据，并获取所述社交关系圈数据的社交对话频繁项数据；获取所述社交关系圈数据的关注话题分布，并基于预设的第一挖掘策略对所述关注话题分布进行处理，得到处理后的关注话题分布；所述处理后的关注话题分布包括至少一个关注话题；
基于所述至少一个关注话题对所述社交对话频繁项数据进行关键频繁项提取，得到至少一个关键对话频繁项，并将所述至少一个关注话题和各自对应的所述关键对话频繁项作为一个第一关注话题信息流组合，得到至少一个第一关注话题信息流组合。
6.根据上述任意一个方面，本公开提供的实施方式中，针对社交关系圈数据和其对应的关注话题分布，可以从社交关系圈数据中获取至少一个社交对话频繁项数据，以及从关注话题分布中获取每段社交对话频繁项数据对应的关注话题，每段社交对话频繁项数据与关注话题形成一个关注话题信息流组合，进而提高后续关注话题信息流的样本收集效率。
附图说明
7.为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要调用的附图作简单地介绍，应当理解，以下附图仅示出了本公开的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它相关的附图。
8.图1为本公开实施例提供的基于智慧应答大数据的信息流生成系统的应用场景示意图；图2为本公开实施例提供的基于智慧应答大数据的信息流生成方法的流程示意图；图3为本公开实施例提供的基于智慧应答大数据的信息流生成装置的功能模块示意图；图4为本公开实施例提供的用于实现上述的基于智慧应答大数据的信息流生成方法的人工智能云系统的结构示意框图。
具体实施方式
9.下面结合说明书附图对本公开进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。
10.图1是本公开一种实施例提供的基于智慧应答大数据的信息流生成系统10的应用场景示意图。基于智慧应答大数据的信息流生成系统10可以包括人工智能云系统100以及与人工智能云系统100通信连接的智慧业务应答设备200。图1所示的基于智慧应答大数据的信息流生成系统10仅为一种可行的示例，在其它可行的实施例中，该基于智慧应答大数据的信息流生成系统10也可以仅包括图1所示组成部分的其中的至少部分或者还可以包括其它的组成部分。
11.一种可独立实施的实施例中，基于智慧应答大数据的信息流生成系统10中的人工智能云系统100和智慧业务应答设备200可以通过配合执行以下方法实施例所描述的基于智慧应答大数据的信息流生成方法，具体人工智能云系统100和智慧业务应答设备200的执行步骤部分可以参照以下方法实施例的详细描述。
12.为了解决前述背景技术中的技术问题，本实施例提供的基于智慧应答大数据的信息流生成方法可以由图1中所示的人工智能云系统100执行，下面对该基于智慧应答大数据的信息流生成方法进行详细介绍。
13.步骤s110，基于目标应答数据挖掘单元对待挖掘应答数据进行应答数据挖掘以生成对应的推送信息。
14.步骤s120，获取推送信息对应的用户互动行为数据，并从用户互动行为数据中获取对应的社交关系圈数据，并获取社交关系圈数据的社交对话频繁项数据。
15.本实施例中，智慧业务应答设备在接收到推送信息可以产生诸多用户互动行为数据，通过收集这些用户互动行为数据，并且解析用户互动行为数据中对应的社交关系圈数据，可以确定用户互动行为触发过程中形成的社交关系圈（例如职业社交关系圈、户外社交关系圈等）的社交互动数据。在此基础上，可以利用频繁项挖掘算法获取社交关系圈数据的社交对话频繁项数据。
16.步骤s130，获取社交关系圈数据的关注话题分布，并基于预设的第一挖掘策略对关注话题分布进行处理，得到处理后的关注话题分布；处理后的关注话题分布包括至少一个关注话题。
17.其中，关注话题分布可以是该社交关系圈数据的、独立的关注话题分布，也可以是嵌入该社交关系圈数据中的关注话题分布，或者是其它形式的关注话题分布。
18.获取到社交关系圈数据和关注话题分布后，可以基于预设的第一挖掘策略对关注话题分布进行处理，得到处理后的关注话题分布，其中，处理后的关注话题分布包括至少一个关注话题；第一挖掘策略包括：对关注话题分布中的每条关注话题采用第二挖掘策略进行过滤，得到过滤后剩余的至少一个关注话题；获取剩余的至少一个关注话题中每条关注话题的话题触发节点；第二挖掘策略则包括具体的过滤规则，具体的过滤规则包括但不限于：过滤话题触发节点重合的关注话题；过滤关注话题中未响应的话题内容等。
19.步骤s140，基于至少一个关注话题对社交对话频繁项数据进行关键频繁项提取，得到至少一个关键对话频繁项，并将至少一个关注话题和各自对应的关键对话频繁项作为一个第一关注话题信息流组合，得到至少一个第一关注话题信息流组合。
20.在得到处理后的关注话题分布后，可以基于处理后的关注话题分布中的至少一个关注话题对社交对话频繁项数据进行关键频繁项提取，得到至少一个关键对话频繁项，这样，每个关键对话频繁项对应一条关注话题，得到至少一个第一关注话题信息流组合。其中，关注话题信息流组合包括一个包含一个关键对话频繁项，以及与该关键对话频繁项对应的一条关注话题。
21.一种可独立实施的实施例中，获取对应的社交关系圈数据，并获取所述社交关系圈数据的社交对话频繁项数据，然后获取所述社交关系圈数据的关注话题分布，并基于预设的第一挖掘策略对所述关注话题分布进行处理，得到处理后的关注话题分布；所述处理后的关注话题分布包括至少一个关注话题，再基于所述至少一个关注话题对所述社交对话频繁项数据进行关键频繁项提取，得到至少一个关键对话频繁项，并将所述至少一个关注话题和各自对应的所述关键对话频繁项作为一个第一关注话题信息流组合，得到至少一个第一关注话题信息流组合。这样，针对社交关系圈数据和其对应的关注话题分布，可以从社交关系圈数据中获取至少一个社交对话频繁项数据，以及从关注话题分布中获取每段社交对话频繁项数据对应的关注话题，每段社交对话频繁项数据与关注话题形成一个关注话题信息流组合，进而提高后续关注话题信息流的样本收集效率。
22.一种可独立实施的实施例中，基于预设的第二挖掘策略对关注话题分布中的每条
关注话题进行过滤，得到剩余的至少一个关注话题，包括：检测关注话题分布中任意相邻的两条关注话题的话题触发节点是否存在重合；若是，则将任意相邻的两条关注话题剔除，得到剩余的至少一个关注话题。
23.例如，在获取到每条关注话题的话题触发节点后，检测所有关注话题中任意相邻的两条关注话题的话题触发节点是否存在重合，若是，则将检测的这两条关注话题都剔除。依此类推，直至关注话题分布中的每条关注话题都检测完成，得到剩余的至少一个关注话题。
24.比如，某个关注话题分布包括a、b、c、d四条关注话题，经过检测确定出b的终止触发节点与c的起始触发节点重合了，那么就剔除b和c，得到剩余的关注话题a和d。
25.一种可独立实施的实施例中，基于预设的第二挖掘策略对关注话题分布中的每条关注话题进行过滤，得到剩余的至少一个关注话题，包括：获取每条关注话题中未响应的话题内容；将未响应的话题内容剔除，得到剩余的至少一个关注话题。
26.例如，关注话题中可能包含未响应的话题内容，所以需要获取每条关注话题中未响应的话题内容，然后剔除这些未响应的话题内容，得到剩余的至少一个关注话题。
27.需要说明的是，如果一条关注话题中全部都是未响应的话题内容，那么就可以将该条关注话题全部剔除；如果一条关注话题中只有部分未响应的话题内容，那么剔除掉该条关注话题中未响应的话题内容即可。
28.在得到处理后的关注话题分布后，可以基于处理后的关注话题分布中的至少一个关注话题对社交对话频繁项数据进行关键频繁项提取，得到至少一个关键对话频繁项，这样，每个关键对话频繁项对应一条关注话题，得到至少一个第一关注话题信息流组合。
29.一种可独立实施的实施例中，基于剩余的至少一个关注话题对社交对话频繁项数据进行关键频繁项提取，得到至少一个关键对话频繁项，包括：获取剩余的至少一个关注话题中每条关注话题的话题触发节点；基于每条关注话题的话题触发节点对社交对话频繁项数据进行关键频繁项提取，得到每条关注话题各自对应的关键对话频繁项。
30.例如，针对剩余的至少一个关注话题，获取每条关注话题的话题触发节点，然后按照每条关注话题的话题触发节点对社交对话频繁项数据进行关键频繁项提取，得到各个关键对话频繁项，相同的话题触发节点对应一条关注话题和一个关键对话频繁项。
31.一种可独立实施的实施例中，本公开实施例提供一种基于人工智能的话题信息流生成方法，包括以下步骤。
32.步骤s210，基于所述至少一个第一关注话题信息流组合对预设的第一话题信息流生成模型进行模型配置，得到符合收敛条件的第二话题信息流生成模型；步骤s220，基于所述第二话题信息流生成模型对所述至少一个关注话题信息流组合进行纠偏处理，得到处理后的第二关注话题信息流组合；步骤s230，将所述第二关注话题信息流组合作为当前的第一关注话题信息流组合，以及将所述第二话题信息流生成模型作为当前的第一话题信息流生成模型，重复执行基于所述至少一个第一关注话题信息流组合对预设的第一话题信息流生成模型进行模型配置，得到符合收敛条件的第二话题信息流生成模型，以及基于所述第二话题信息流生成
模型对所述至少一个第一关注话题信息流组合进行纠偏处理，得到处理后的第二关注话题信息流组合的步骤，直至所述符合收敛条件的第二话题信息流生成模型的模型评估指标最小值收敛，得到当前符合收敛条件的第二话题信息流生成模型，基于所述第二话题信息流生成模型进行话题信息流生成。
33.本实施例中，在得到至少一个第一关注话题信息流组合之后，即可将至少一个第一关注话题信息流组合输入预设的第一话题信息流生成模型进行模型配置，得到符合收敛条件的第二话题信息流生成模型。
34.例如，话题信息流生成模型可以包括三层神经网络：特征提取单元、预测单元以及转换单元，特征提取单元用于从社交对话频繁项数据中提取出对话特征向量。预测单元用于预测从特征提取单元提取出的对话特征向量的预测属性。
35.转换单元用于把从预测单元获取的预测属性通过去重、整合等操作转换成最终的关注话题结果。
36.进一步，关注话题结果中可以包括至少一个关注话题，每条关注话题具有触发节点信息，而且每条关注话题的触发节点信息与各自对应的话题分布在社交行为数据中的触发节点信息是对应的。
37.一种可独立实施的实施例中，基于至少一个第一关注话题信息流组合对预设的第一话题信息流生成模型进行模型配置，得到符合收敛条件的第二话题信息流生成模型，包括：将至少一个第一关注话题信息流组合中任一第一关注话题信息流组合输入第一话题信息流生成模型，以使得第一话题信息流生成模型中的特征提取单元从任一关注话题信息流组合中的关键对话频繁项中提取出对话特征向量，通过预测单元预测对话特征向量的预测属性，并通过转换单元对预测属性进行转换，得到与关键对话频繁项对应的关注话题结果；基于任一第一关注话题信息流组合中的关注话题与关注话题结果计算得到模型评估指标；采用模型评估指标对第一话题信息流生成模型进行参数优化，得到第二话题信息流生成模型。
38.例如，在得到至少一个第一关注话题信息流组合之后，将至少一个第一关注话题信息流组合输入初始的第一话题信息流生成模型中，针对任一第一关注话题信息流组合，第一话题信息流生成模型中的特征提取单元从任一关注话题信息流组合中的关键对话频繁项中提取出对话特征向量，通过预测单元预测对话特征向量的预测属性，并通过转换单元对预测属性进行转换，得到与关键对话频繁项对应的关注话题结果，然后基于该关注话题结果与该任一第一关注话题信息流组合中的关注话题计算得到模型评估指标，再采用该模型评估指标对初始的第一话题信息流生成模型中的各项参数进行参数优化，得到更新后的第二话题信息流生成模型。
39.得到符合收敛条件的第二话题信息流生成模型后，可以采用符合收敛条件的第二话题信息流生成模型进一步对至少一个关注话题信息流组合进行纠偏处理。在实际应用中，由于说话人的话题触发节点与关注话题的话题触发节点可能是有误差的，而纠偏处理可以减少该误差，所以通过纠偏处理可以提高关注话题信息流组合的质量。
40.一种可独立实施的实施例中，基于第二话题信息流生成模型对至少一个第一关注话题信息流组合进行纠偏处理，得到处理后的第二关注话题信息流组合，包括：针对至少一个第一关注话题信息流组合中的任一第一关注话题信息流组合，对任一第一关注话题信息流组合中关键对话频繁项的起始触发节点、终止触发节点进行触发节点纠偏，得到至少两个起始触发节点和至少两个终止触发节点；将至少两个起始触发节点中各个起始触发节点作为分别起始关键频繁项提取节点，以及至少两个终止触发节点中各个终止触发节点分别作为终止关键频繁项提取节点，对社交对话频繁项数据进行关键频繁项提取，得到至少两条关键频繁项提取的社交对话频繁项数据；采用第二话题信息流生成模型对至少两条关键频繁项提取的社交对话频繁项数据进行识别，得到至少两个偏好对话集；从至少两个偏好对话集中确定出与任一第一关注话题信息流组合中的关注话题的标识偏好对话集相同的至少一个目标偏好对话集；获取各个目标偏好对话集各自对应的起始触发节点和终止触发节点；将各个起始触发节点中的选举触发节点作为目标起始触发节点，以及将各个终止触发节点中的选举触发节点作为目标终止触发节点，得到与任一第一关注话题信息流组合中的关注话题纠偏的关键对话频繁项，并将任一第一关注话题信息流组合中的关注话题与纠偏的关键对话频繁项作为第二关注话题信息流组合。
41.例如，针对任一第一关注话题信息流组合中的关键对话频繁项，对其起始触发节点和终止进行触发节点纠偏，得到至少两个起始触发节点和至少两个终止触发节点。
42.然后采用第二话题信息流生成模型对至少两条关键频繁项提取的社交对话频繁项数据进行识别，得到每条关键频繁项提取的社交对话频繁项数据各自对应的偏好对话集。在得到每条关键频繁项提取的社交对话频繁项数据各自对应的偏好对话集之后，再将各个偏好对话集与该任一第一关注话题信息流组合中的关注话题的标识偏好对话集进行比对，从各个偏好对话集中确定出与标识偏好对话集相同的至少一个目标偏好对话集。
43.再获取各个目标偏好对话集各自对应的起始触发节点和终止触发节点，将各个起始触发节点中的选举触发节点作为目标起始触发节点，以及将各个终止触发节点中的选举触发节点作为目标终止触发节点，得到与该任一第一关注话题信息流组合中的关注话题纠偏的关键对话频繁项，并将该任一第一关注话题信息流组合中的关注话题与纠偏的关键对话频繁项作为第二关注话题信息流组合。
44.最后确定的选举触发节点的话题触发节点就是纠偏清洗过后的关键对话频繁项的正确话题触发节点，再按照目标起始触发节点和目标终止触发节点对社交对话频繁项数据进行关键频繁项提取，即可得到最终的关键对话频繁项，并将最终的关键对话频繁项与该任一关注话题信息流组合中的关注话题作为第二关注话题信息流组合。
45.将第二关注话题信息流组合作为当前的第一关注话题信息流组合，以及将第二话题信息流生成模型作为当前的第一话题信息流生成模型，重复执行基于至少一个第一关注话题信息流组合对预设的第一话题信息流生成模型进行模型配置，得到符合收敛条件的第二话题信息流生成模型，以及基于第二话题信息流生成模型对至少一个第一关注话题信息流组合进行纠偏处理，得到处理后的第二关注话题信息流组合的步骤，直至符合收敛条件
的第二话题信息流生成模型的模型评估指标最小值收敛，得到当前符合收敛条件的第二话题信息流生成模型。
46.例如，将第二关注话题信息流组合作为当前的第一关注话题信息流组合，以及将第二话题信息流生成模型作为当前的第一话题信息流生成模型，重复执行基于至少一个第一关注话题信息流组合对预设的第一话题信息流生成模型进行模型配置，得到训练后第二话题信息流生成模型，以及基于第二话题信息流生成模型对至少一个第一关注话题信息流组合进行纠偏处理，得到处理后的第二关注话题信息流组合的步骤，直至符合收敛条件的第二话题信息流生成模型的模型评估指标最小值收敛，得到当前符合收敛条件的第二话题信息流生成模型。
47.一种可独立实施的实施例中，步骤s110可以通过以下示例性的步骤实现。
48.步骤a110，获取业务应答大数据序列和应答数据挖掘单元图谱，业务应答大数据序列包括参考应答大数据和测试应答大数据。
49.其中，参考应答大数据是用于进行深度学习的业务应答大数据序列，该参考应答大数据包括参考应答数据和对应的标注应答数据挖掘信息。该标注应答数据挖掘信息是指参考应答数据对应应答数据挖掘信息的标签。测试应答大数据是用于进行深度学习测试的业务应答大数据序列，该测试应答大数据包括测试应答数据和对应的标注应答数据挖掘信息。应答数据挖掘单元图谱是指待检索的应答数据挖掘单元结构的分布序列，即包括有各个候选的图谱节点，即可以从应答数据挖掘单元图谱中检索到应答数据挖掘单元的深度学习结构。
50.一种可独立实施的实施例中，人工智能云系统可以从预设数据库中获取业务应答大数据序列，并获取到预先建立好的应答数据挖掘单元图谱，然后可以将业务应答大数据序列划分为参考应答大数据和测试应答大数据。人工智能云系统也可以从提供数据服务的外部数据库获取到业务应答大数据序列，人工智能云系统也可以从线上智慧业务采集到业务应答大数据序列。该预先建立好的应答数据挖掘单元图谱中包括应答数据挖掘单元的初始化单元权重配置信息和初始化结构权重配置信息。其中，单元权重配置信息是指单元深度学习预测过程中使用的参数。结构权重配置信息是指应答数据挖掘单元的深度学习结构对应的参数，该结构权重配置信息用于表征对应深度学习结构最终被选定的可能性。初始化结构权重配置信息是指每个深度学习结构被选定的可能性初始相同。
51.步骤a120，从应答数据挖掘单元图谱中选取参考图谱节点，基于参考图谱节点得到当前应答数据挖掘单元。
52.其中，参考图谱节点是指从应答数据挖掘单元图谱进行采样选取得到的深度学习结构。可以是随机采样得到。当前应答数据挖掘单元是指当前进行应答数据挖掘的模型，是使用参考图谱节点得到的。
53.一种可独立实施的实施例中，人工智能云系统从应答数据挖掘单元图谱中进行当前应答数据挖掘单元的深度学习结构的选取，得到参考图谱节点，然后将参考图谱节点作为当前应答数据挖掘单元。
54.步骤a130，将参考应答大数据输入当前应答数据挖掘单元和满足收敛条件的基准应答数据挖掘单元中进行暗知识提取训练，得到当前应答数据挖掘单元对应的当前标的应答数据挖掘单元。
55.其中，满足收敛条件的基准应答数据挖掘单元是指已经满足收敛条件的应答数据挖掘单元，该满足收敛条件的基准应答数据挖掘单元作为父深度学习单元通过暗知识提取训练来指导当前应答数据挖掘单元的训练。暗知识提取训练是指通过训练将满足收敛要求的应答数据挖掘单元（父深度学习单元）包含的知识提取到要训练的模型（子深度学习单元）中。当前标的应答数据挖掘单元是指通过对当前应答数据挖掘单元进行暗知识提取训练后得到的满足收敛条件的应答数据挖掘单元。通过暗知识提取训练来优化当前应答数据挖掘单元中的单元权重配置信息。
56.一种可独立实施的实施例中，人工智能云系统将参考应答大数据中的参考应答数据同时输入到当前应答数据挖掘单元和满足收敛条件的基准应答数据挖掘单元中进行应答数据挖掘，然后根据当前应答数据挖掘单元和满足收敛条件的基准应答数据挖掘单元的输出来计算暗知识提取的收敛评价指标，基于暗知识提取的收敛评价指标来优化当前应答数据挖掘单元并且不断的循环迭代，当暗知识提取训练完成时，得到当前应答数据挖掘单元对应的当前标的应答数据挖掘单元。
57.步骤a140，基于测试应答大数据对当前标的应答数据挖掘单元进行挖掘性能测试，得到挖掘性能测试信息，基于挖掘性能测试信息优化当前标的应答数据挖掘单元，得到目标标的应答数据挖掘单元。
58.其中，挖掘性能测试信息用于表征当前标的应答数据挖掘单元在进行应答数据挖掘与前一轮迭代过程中的当前标的应答数据挖掘单元在进行应答数据挖掘时的差异数据。目标标的应答数据挖掘单元是通过挖掘性能测试信息优化当前标的应答数据挖掘单元中结构权重配置信息后得到的应答数据挖掘单元。
59.一种可独立实施的实施例中，人工智能云系统将测试应答大数据总的测试应答数据输入到当前标的应答数据挖掘单元中进行应答数据挖掘，得到输出的测试应答数据挖掘信息，此时，获取到前一轮迭代时的过往测试应答数据挖掘信息，计算该测试应答数据挖掘信息与过往测试应答数据挖掘结之间的差异数据，基于该差异数据来优化当前标的应答数据挖掘单元中的结构权重配置信息，当优化完成时，得到目标标的应答数据挖掘单元。其中，当进行的是第一轮迭代时，不进行结构权重配置信息的优化，即保持结构权重配置信息不变。从第二轮迭代开始基于挖掘性能测试信息优化当前标的应答数据挖掘单元中的结构权重配置信息，得到目标标的应答数据挖掘单元。
60.步骤a150，基于目标标的应答数据挖掘单元优化应答数据挖掘单元图谱中的图谱节点，并返回从所述应答数据挖掘单元图谱中选取参考图谱节点，基于参考图谱节点得到当前应答数据挖掘单元的步骤执行，直到达到检索收敛要求，从达到检索收敛要求时的应答数据挖掘单元图谱中选取目标图谱节点，基于所述目标图谱节点得到目标应答数据挖掘单元。
61.一种可独立实施的实施例中，人工智能云系统进行权重配置信息的共享配置，即将目标标的应答数据挖掘单元中的单元权重配置信息和结构权重配置信息共享到应答数据挖掘单元图谱中的各个图谱节点中。其中，可以将目标标的应答数据挖掘单元中的单元权重配置信息共享到应答数据挖掘单元图谱中的各个图谱节点中，并基于目标标的应答数据挖掘单元中的结构权重配置信息优化应答数据挖掘单元图谱中的各个图谱节点的结构权重配置信息。
62.在此基础上，判断是否达到检索收敛要求，满足检索收敛要求时，执行步骤“从达到检索收敛要求时的应答数据挖掘单元图谱中选取目标图谱节点，基于目标图谱节点得到目标应答数据挖掘单元”，当未达到检索收敛要求时，返回步骤a120即返回从应答数据挖掘单元图谱中选取参考图谱节点，基于参考图谱节点得到当前应答数据挖掘单元的步骤循环执行，其中，目标图谱节点是指从应答数据挖掘单元图谱选取最佳结构权重配置信息后得到的图谱节点。
63.一种可独立实施的实施例中，人工智能云系统可以判断是否达到检索收敛要求，当未达到检索收敛要求时返回从应答数据挖掘单元图谱中选取参考图谱节点，基于参考图谱节点得到当前应答数据挖掘单元的步骤循环执行，满足检索收敛要求时，从达到检索收敛要求时的应答数据挖掘单元图谱中选取目标图谱节点，可以将选取得到的目标图谱节点最为目标应答数据挖掘单元。
64.基于以上步骤，通过从应答数据挖掘单元图谱中选取参考图谱节点，基于参考图谱节点得到当前应答数据挖掘单元；然后通过暗知识提取训练，得到当前应答数据挖掘单元对应的当前标的应答数据挖掘单元。然后对当前标的应答数据挖掘单元进行挖掘性能测试后优化当前标的应答数据挖掘单元，得到目标标的应答数据挖掘单元。并基于目标标的应答数据挖掘单元优化应答数据挖掘单元图谱中的图谱节点后进行循环迭代，直到达到检索收敛要求，从达到检索收敛要求时的应答数据挖掘单元图谱中选取目标图谱节点，基于目标图谱节点得到目标应答数据挖掘单元。即通过暗知识提取来训练当前应答数据挖掘单元，得到当前标的应答数据挖掘单元，并且对当前标的应答数据挖掘单元进行挖掘性能测试优化当前标的应答数据挖掘单元，然后根据目标标的应答数据挖掘单元优化应答数据挖掘单元图谱中的图谱节点，从而能够使得到的应答数据挖掘单元图谱中的图谱节点更加准确，然后当检索完成时，从应答数据挖掘单元图谱中选取目标图谱节点，得到目标应答数据挖掘单元，进而提高了检索得到的目标应答数据挖掘单元的深度学习结构的准确性，进而提高后续应答数据挖掘的准确性。
65.下面进行进一步实施例的描述，可以理解的是，在以下的“一种可独立实施的实施例中”对应的描述部分中，应当理解为该实施例部分可以独立于其它实施例而作为一个完整的发明构思单独实施。
66.一种可独立实施的实施例中，应答数据挖掘单元图谱例可以包括初始待检索的特征提取结构和初始特征分类挖掘结构；对于以上获取应答数据挖掘单元图谱的流程，可以通过以下步骤实现：步骤a202，获取第一目标数量的候选特征挖掘操作。
67.其中，候选特征挖掘操作是指候选的应答数据挖掘单元中深度学习节点的具体操作。例如候选特征挖掘操作可以是各种卷积操作、各种池化操作等等。第一目标数量是指预设的可以获取的候选特征挖掘操作的数量。
68.一种可独立实施的实施例中，人工智能云系统从数据库中获取到第一目标数量的候选特征挖掘操作，该数据库中存储有预先设置好的各种特征挖掘操作。
69.步骤a204，基于第一目标数量的候选特征挖掘操作建立第二目标数量的特征提取结构节点，并将第二目标数量的特征提取结构节点进行局部全连接，得到特征提取子结构。
70.其中，特征提取结构节点是指待检索的特征提取结构中的深度学习节点。特征提取结构用于对应答数据进行特征向量提取。待检索的特征提取结构是指需要进行特征提取结构检索的网络。初始待检索的特征提取结构是指参数初始化的待检索的特征提取结构。第二目标数量是指预先设置好的要建立的特征提取结构的特征提取子结构中深度学习节点的数量。特征提取子结构是指特征提取结构中的子结构分块。
71.一种可独立实施的实施例中，人工智能云系统可以将第一目标数量的候选特征挖掘操作作为特征提取结构中的同一个深度学习节点中的具体操作，然后建立第二目标数量的特征提取结构节点。并将第二目标数量的特征提取结构节点通过节点拼接进行局部全连接，得到特征提取子结构。其中，通过节点拼接进行局部全连接是指将特征提取结构节点中每个候选特征挖掘操作的输出进行拼接后输入到下一个特征提取结构节点中。
72.步骤a206，建立第三目标数量的特征提取子结构，并将第三目标数量的特征提取子结构进行级联，得到待检索的特征提取结构。
73.其中，待检索的特征提取结构是指需要进行深度学习结构检索的特征提取结构。第三目标数量是指预设的需要建立特征提取子结构的数量。
74.一种可独立实施的实施例中，人工智能云系统通过步骤a202和步骤a204建立第三目标数量的特征提取子结构，并将第三目标数量的特征提取子结构进行级联，得到待检索的特征提取结构。
75.步骤a208，获取特征分类挖掘结构，并初始化待检索的特征提取结构和特征分类挖掘结构，得到初始待检索的特征提取结构和初始特征分类挖掘结构。
76.步骤a210，基于初始待检索的特征提取结构和初始特征分类挖掘结构得到应答数据挖掘单元图谱。
77.其中，特征分类挖掘结构是指深度学习结构固定的网络，用于对应答数据特征向量进行特征分类挖掘，得到应答数据挖掘信息。初始特征分类挖掘结构是指单元权重配置信息初始化的特征分类挖掘结构。不同的应答数据挖掘任务，使用不同的特征分类挖掘结构，例如，在应答数据意图提取任务中，该特征分类挖掘结构可以通过特征提取结构输出的特征实现对应答数据的应答意图挖掘。例如，在应答数据频繁项挖掘任务中，该特征分类挖掘结构可以通过特征提取结构输出的特征实现对应答数据的频繁项挖掘等等。
78.一种可独立实施的实施例中，人工智能云系统获取到深度学习结构固定的特征分类挖掘结构，然后初始化待检索的特征提取结构中的参数和特征分类挖掘结构中的参数，得到初始待检索的特征提取结构和初始特征分类挖掘结构，最后根据初始待检索的特征提取结构和初始特征分类挖掘结构得到应答数据挖掘单元图谱，该应答数据挖掘单元图谱是指一个超网络。
79.在上述实施例中，通过建立待检索的特征提取结构和获取特征分类挖掘结构，得到应答数据挖掘单元图谱，方便后续的使用。
80.一种可独立实施的实施例中，步骤a208，初始化待检索的特征提取结构，包括：步骤a302，获取待检索的特征提取结构中候选特征挖掘操作对应的挖掘向量分布。
81.步骤a304，将待检索的特征提取结构中候选特征挖掘操作对应的挖掘向量分布进行随机松弛，得到待检索的特征提取结构中候选特征挖掘操作对应的初始结构权重配置信
息。
82.其中，挖掘向量分布用于表征候选特征挖掘操作的特征，每一种候选特征挖掘操作都有对应的特征。初始结构权重配置信息是指初始的结构权重配置信息。
83.一种可独立实施的实施例中，人工智能云系统获取到取待检索的特征提取结构中每个深度学习节点中每个候选特征挖掘操作对应的挖掘向量分布。人工智能云系统将待检索的特征提取结构中候选特征挖掘操作对应的挖掘向量分布进行随机松弛，得到候选特征挖掘操作对应的权重数据，该权重数据用于表征待检索的特征提取结构中每个深度学习节点中每个候选特征挖掘操作对应的初始结构权重配置信息。其中，每个深度学习节点中所有候选特征挖掘操作对应的初始结构权重配置信息之和为1。
84.步骤a306，并初始化待检索的特征提取结构对应的单元权重配置信息，得到初始待检索的特征提取结构。
85.一种可独立实施的实施例中，人工智能云系统将待检索的特征提取结构中的单元权重配置信息进行初始化，可以是随机初始化，为零初始化等等，得到初始待检索的特征提取结构。
86.如此，基于以上步骤，通过获取待检索的特征提取结构中候选特征挖掘操作对应的挖掘向量分布，将待检索的特征提取结构中候选特征挖掘操作对应的挖掘向量分布进行随机松弛，得到待检索的特征提取结构中候选特征挖掘操作对应的初始结构权重配置信息，然后得到初始待检索的特征提取结构，能够方便初始待检索的特征提取结构中的结构权重配置信息优化，提高单元配置效率。
87.一种可独立实施的实施例中，步骤a104，从应答数据挖掘单元图谱中选取参考图谱节点，基于参考图谱节点得到当前应答数据挖掘单元，包括步骤：从初始待检索的特征提取结构中各个特征提取结构节点的候选特征挖掘操作中选取当前特征挖掘操作，基于当前特征挖掘操作得到各个当前特征提取结构节点；基于各个当前深度学习特征提取节点得到当前特征提取结构，并将当前特征提取结构和初始特征分类挖掘结构进行连接，得到参考图谱节点。
88.其中，当前特征挖掘操作是指选取得到的特征提取结构节点对应的特征挖掘操作。当前特征提取结构是指当前选取得到的特征提取结构。
89.一种可独立实施的实施例中，人工智能云系统通过采样的方式从初始待检索的特征提取结构中得到参考图谱节点，即可以从初始待检索的特征提取结构中各个特征提取结构节点的候选特征挖掘操作中随机选取候选特征挖掘操作，作为对应特征提取结构节点对应的当前特征挖掘操作，此时，每个当前特征提取结构节点都只有唯一选取的候选特征挖掘操作。当选取完成时，就得到了当前特征提取结构，然后将当前特征提取结构和初始特征分类挖掘结构进行连接，得到参考图谱节点。
90.在上述实施例中，通过从初始待检索的特征提取结构中各个特征提取结构节点的候选特征挖掘操作中选取当前特征挖掘操作，基于当前特征挖掘操作得到各个当前特征提取结构节点；基于各个当前深度学习特征提取节点得到当前特征提取结构，并将当前特征提取结构和初始特征分类挖掘结构进行连接，得到参考图谱节点，即从初始待检索的特征提取结构检索网络，能够提高深度学习模型配置的效率。
91.一种可独立实施的实施例中，步骤a106，将参考应答大数据输入当前应答数据挖
掘单元和满足收敛条件的基准应答数据挖掘单元中进行暗知识提取训练，得到当前应答数据挖掘单元对应的当前标的应答数据挖掘单元，包括：步骤a402，将参考应答大数据输入当前应答数据挖掘单元中进行应答数据挖掘，得到当前应答数据挖掘信息。
92.步骤a404，将参考应答大数据输入满足收敛条件的基准应答数据挖掘单元中进行应答数据挖掘，得到基准应答数据挖掘信息。
93.其中，当前应答数据挖掘信息是指当前应答数据挖掘单元输出的应答数据挖掘信息。基准应答数据挖掘信息是指满足收敛条件的基准应答数据挖掘单元输出的应答数据挖掘信息。
94.一种可独立实施的实施例中，人工智能云系统将参考应答大数据的参考应答数据输入到当前应答数据挖掘单元中进行应答数据挖掘，得到当前应答数据挖掘信息，同时将参考应答大数据的参考应答数据输入满足收敛条件的基准应答数据挖掘单元中进行应答数据挖掘，得到基准应答数据挖掘信息。其中，当前应答数据挖掘单元和满足收敛条件的基准应答数据挖掘单元可以并行进行应答数据挖掘。
95.步骤a406，基于当前应答数据挖掘信息和基准应答数据挖掘信息计算暗知识提取收敛评价指标。
96.其中，暗知识提取收敛评价指标用于表征当前应答数据挖掘信息和基准应答数据挖掘信息之间的差异数据。
97.一种可独立实施的实施例中，人工智能云系统可以使用预先设置好的模型评估指标计算当前应答数据挖掘信息和基准应答数据挖掘信息之间的差异数据，得到暗知识提取收敛评价指标。
98.步骤a408，判断是否达到暗知识提取训练收敛要求，满足暗知识提取训练收敛要求执行步骤a408a，当未达到暗知识提取训练收敛要求时执行步骤a408b并返回步骤a402循环执行。
99.步骤a408b，当未达到暗知识提取训练收敛要求时，基于暗知识提取收敛评价指标优化当前应答数据挖掘单元，并返回将参考应答大数据输入当前应答数据挖掘单元中进行应答数据挖掘，得到当前应答数据挖掘信息的步骤循环执行。
100.步骤a408a，满足暗知识提取训练收敛要求时，得到当前应答数据挖掘单元对应的当前标的应答数据挖掘单元。
101.其中，暗知识提取训练收敛要求是预先设置好的暗知识提取训练结束的条件，例如可以包括循环次数达到预设次数阈值、暗知识提取收敛评价指标小于预设指标阈值和当前应答数据挖掘单元中的参数不再发生变化中的至少一种。
102.一种可独立实施的实施例中，人工智能云系统判断是否达到暗知识提取训练收敛要求，当未达到暗知识提取训练收敛要求执行，使用暗知识提取收敛评价指标反向优化当前应答数据挖掘单元中的单元权重配置信息，并返回将参考应答大数据输入当前应答数据挖掘单元中进行应答数据挖掘，得到当前应答数据挖掘信息的步骤循环执行，满足暗知识提取训练收敛要求时，将达到暗知识提取训练收敛要求时的当前应答数据挖掘单元作为当前标的应答数据挖掘单元。
103.在上述实施例中，通过将参考应答大数据输入当前应答数据挖掘单元中进行应答
数据挖掘，得到当前应答数据挖掘信息。将参考应答大数据输入满足收敛条件的基准应答数据挖掘单元中进行应答数据挖掘，得到基准应答数据挖掘信息，基于当前应答数据挖掘信息和基准应答数据挖掘信息计算暗知识提取收敛评价指标，基于暗知识提取收敛评价指标优化当前应答数据挖掘单元并不断进行循环迭代，得到当前标的应答数据挖掘单元，由于使用了基准应答数据挖掘单元指导当前应答数据挖掘单元的训练，从而提高在进行深度学习结构检索时的准确性。
104.一种可独立实施的实施例中，步骤a404，即将参考应答大数据输入满足收敛条件的基准应答数据挖掘单元中进行应答数据挖掘，得到基准应答数据挖掘信息，包括：步骤a502，将参考应答大数据输入至少两个满足收敛条件的基准应答数据挖掘单元中进行应答数据挖掘，得到至少两个基准应答数据挖掘信息。
105.一种可独立实施的实施例中，当满足收敛条件的基准应答数据挖掘单元有至少两个时，在进行暗知识提取训练时，将参考应答大数据的参考应答数据分别输入到每个满足收敛条件的基准应答数据挖掘单元中进行应答数据挖掘，得到每个满足收敛条件的基准应答数据挖掘单元输出的基准应答数据挖掘信息。
106.步骤a504，将至少两个基准应答数据挖掘信息进行融合，得到目标基准应答数据挖掘信息。
107.其中，融合是指将至少两个基准应答数据挖掘信息拼接成一个基准应答数据挖掘信息，得到目标基准应答数据挖掘信息。
108.一种可独立实施的实施例中，人工智能云系统可以将至少两个基准应答数据挖掘信息进行拼接或者计算均衡基准应答数据挖掘信息等进行融合，得到目标基准应答数据挖掘信息。一种可独立实施的实施例中，人工智能云系统也可以将至少两个基准应答数据挖掘信息与参考应答数据对应的标注应答数据挖掘信息进行比较，选取最佳的基准应答数据挖掘信息得到目标基准应答数据挖掘信息。
109.步骤a406，即基于当前应答数据挖掘信息和基准应答数据挖掘信息计算暗知识提取收敛评价指标，基于暗知识提取收敛评价指标优化当前应答数据挖掘单元，包括：步骤a506，基于当前应答数据挖掘信息和目标基准应答数据挖掘信息计算目标暗知识提取收敛评价指标，基于目标暗知识提取收敛评价指标优化当前应答数据挖掘单元。
110.一种可独立实施的实施例中，计算当前应答数据挖掘信息和目标基准应答数据挖掘信息之间的差异数据，得到目标暗知识提取收敛评价指标，然后使用目标暗知识提取收敛评价指标反向优化当前应答数据挖掘单元中的单元权重配置信息。
111.在上述实施例中，通过使用多个满足收敛条件的基准应答数据挖掘单元来指导当前应答数据挖掘单元的训练，然后使用训练得到的应答数据挖掘单元对应答数据挖掘图谱进行优化，从优化后的应答数据挖掘图谱进行深度学习结构选取，能够进一步提高检索深度学习结构的准确性。
112.一种可独立实施的实施例中，步骤a406，即基于当前应答数据挖掘信息和基准应答数据挖掘信息计算暗知识提取收敛评价指标，基于暗知识提取收敛评价指标优化当前应答数据挖掘单元，包括：步骤a602，计算当前应答数据挖掘信息和基准应答数据挖掘信息之间的差异数据，得到第一收敛评价指标。
113.步骤a604，计算当前应答数据挖掘信息和参考应答大数据中标注应答数据挖掘信息之间的差异数据，得到第二收敛评价指标。
114.其中，第一收敛评价指标用于表征当前应答数据挖掘信息和基准应答数据挖掘信息之间得到的差异数据。第二收敛评价指标是用于表征当前应答数据挖掘信息和参考应答大数据中标注应答数据挖掘信息之间的差异数据。
115.一种可独立实施的实施例中，人工智能云系统可以使用kl散度的损失函数计算当前应答数据挖掘信息和基准应答数据挖掘信息之间的差异数据，得到第一收敛评价指标，然后在不同的挖掘环境中使用不同的损失函数计算当前应答数据挖掘信息和参考应答大数据中标注应答数据挖掘信息之间的差异数据，得到第二收敛评价指标，例如，在应答数据的频繁项挖掘识别的挖掘环境中，可以使用频繁项挖掘损失函数计算当前应答数据挖掘信息和参考应答大数据中标注应答数据挖掘信息之间的差异数据，得到第二收敛评价指标，再例如，可以使用交叉熵损失函数计算当前应答数据挖掘信息和参考应答大数据中标注应答数据挖掘信息之间的差异数据，得到第二收敛评价指标等等。
116.步骤a606，基于第一收敛评价指标和第二收敛评价指标计算得到暗知识提取收敛评价指标。
117.一种可独立实施的实施例中，人工智能云系统计算第一收敛评价指标和第二收敛评价指标的收敛评价指标总和，得到暗知识提取收敛评价指标。
118.步骤a608，基于暗知识提取收敛评价指标计算单元梯度参数，基于单元梯度参数反向优化当前应答数据挖掘单元中的单元权重配置信息。
119.一种可独立实施的实施例中，人工智能云系统使用暗知识提取收敛评价指标计算单元梯度参数，然后使用单元梯度参数反向优化当前应答数据挖掘单元中的单元权重配置信息，当优化完成时的，得到优化后的当前应答数据挖掘单元。
120.在上述实施例中，通过计算第一收敛评价指标和第二收敛评价指标，得到暗知识提取收敛评价指标，从而能够使得到的暗知识提取收敛评价指标更加的准确，进一步提升了优化后的当前应答数据挖掘单元的准确性。
121.在以上步骤a150基础上，一种实施例中，本公开实施例还提供一种基于智慧应答大数据的信息推送方法，包括以下步骤。
122.步骤b110，基于所述目标应答数据挖掘单元对待挖掘应答数据进行应答数据挖掘，输出所述待挖掘应答数据对应的应答数据挖掘信息，并将所述应答数据挖掘信息作为与初始信息推送规则对应的应答对话意图数据，获取所述应答对话意图数据对应的当前热点趋势数据。
123.本实施例中，应答对话意图数据可以是指应答过程中产生的多轮会话数据中所挖掘出的用户意图信息，例如从用户的行为商品中抽取目标，看看哪些目标是用户感兴趣的，这些感兴趣的目标集合就作为用户的用户意图信息。热点趋势数据可以用于当前与应答对话意图数据相关的热点的发展趋势的思维导图数据（热点资讯推送源），当前热点趋势数据可以对应于一组应答对话意图数据。
124.一种可独立实施的实施例中，上述步骤b11所描述的获取所述应答对话意图数据对应的当前热点趋势数据的步骤，可以通过以下步骤b111-步骤b114所描述的内容实现。
125.步骤b111，获取与所述应答对话意图数据匹配的热点资讯源数据，以预设订阅业
务范围检测所述热点资讯源数据，依次获取所述预设订阅业务范围内的最大关键词频对应的热点资讯推送源，组成热点资讯推送源序列。
126.步骤b112，依次计算所述热点资讯推送源序列中相关联的两个热点资讯推送源对应的热点关联度，组成热点关联度序列。
127.例如，热点资讯推送源序列中包括多个热点资讯推送源，每个热点资讯推送源对应的热点引用推送操作不同。
128.步骤b113，获取所述热点关联度序列对应的显著热点关联度作为目标热点关联度，从所述热点资讯推送源序列中获取目标热点资讯推送源组成第一关键热点资讯推送源序列，所述第一关键热点资讯推送源序列中相关联的两个热点资讯推送源的对应的热点关联度为所述目标热点关联度的参考参数。
129.例如，显著热点关联度可以是热点关联度的中位数，比如100个热点关联度中，热点关联度t8出现的次数最多，那么热点关联度t8可以理解为显著热点关联度，换言之，热点关联度t8可以理解为目标热点关联度。
130.步骤b114，在所述第一关键热点资讯推送源序列中添加热点资讯推送源使得相关联的两个热点资讯推送源对应的热点关联度为所述目标热点关联度得到目标关键热点资讯推送源序列，所述目标关键热点资讯推送源序列中各个热点资讯推送源为所述应答对话意图数据对应的热点趋势偏好对象。
131.例如，在所述第一关键热点资讯推送源序列中添加热点资讯推送源可以理解为在所述第一关键热点资讯推送源序列中插入热点资讯推送源相应的触发节点点，从而实现对热点关联度/热点关联度的调整，这样可以得到优化了热点资讯推送源之后的目标关键热点资讯推送源序列。如此设计，通过将应答对话意图数据转换为热点资讯源数据，并结合热点资讯推送源进行分析，能够从时序层面准确获取所述应答对话意图数据对应的当前热点趋势数据。
132.步骤b120，获取初始信息推送规则的信息推送反馈画像。
133.本技术实施例中，所述初始信息推送规则的信息推送反馈画像包括初始信息推送规则的行为偏好配置信息，所述初始信息推送规则的行为偏好配置信息通过行为意向特征表达。
134.可以理解的是，在获取到与初始信息推送规则对应的应答对话意图数据以及所述应答对话意图数据对应的当前热点趋势数据之后，可以进一步获取初始信息推送规则的信息推送反馈画像，该信息推送反馈画像可以包括初始信息推送规则的推送效果的反馈描述信息。
135.步骤b130，根据所述初始信息推送规则的行为偏好配置信息从所述当前热点趋势数据中确定目标热点趋势偏好对象。
136.上述步骤b130所描述的根据所述初始信息推送规则的行为偏好配置信息从所述当前热点趋势数据中确定目标热点趋势偏好对象的步骤，可以通过以下步骤b131和步骤b132所描述的实施方式实现。
137.步骤b131，从所述初始信息推送规则的行为偏好配置信息获取初始行为轨迹情报信息，根据所述初始行为轨迹情报信息从所述当前热点趋势数据中确定初始热点趋势偏好对象。
138.步骤b132，从所述初始信息推送规则的行为偏好配置信息获取行为持续轨迹情报信息，根据所述行为持续轨迹情报信息从所述当前热点趋势数据中确定终止热点趋势偏好对象。
139.步骤b140，根据所述目标热点趋势偏好对象获取对应的待优化推送规则元素，将初始信息推送规则的信息推送反馈画像对应的初始行为偏好属性加载至所述待优化推送规则元素得到对应的目标信息推送规则，将所述目标信息推送规则与应答对话意图数据绑定生成对应的目标优化信息推送规则。
140.上述的所述初始信息推送规则的信息推送反馈画像对应的推送规则类别属性为期望类，基于此，上述步骤b140所描述的根据所述目标热点趋势偏好对象获取对应的待优化推送规则元素，将初始信息推送规则的信息推送反馈画像对应的初始行为偏好属性加载至所述待优化推送规则元素得到对应的目标信息推送规则的步骤，可以包括以下步骤b141a-步骤b143a所描述的技术方案实现。
141.步骤b141a、获取所述初始信息推送规则的信息推送反馈画像对应的初始用户业务期望数据。
142.步骤b142a、从所述初始用户业务期望数据中获取热点趋势偏好对象数据，将所述热点趋势偏好对象数据的期望生成节点确定为所述目标热点趋势偏好对象对应的偏好业务节点，获取与偏好业务节点对应的待优化推送规则元素的偏好业务对象形成热点趋势偏好对象对应的初始信息推送规则元素。
143.可以理解，在确定了目标热点趋势偏好对象对应的偏好业务节点之后，通过获取与偏好业务节点对应的待优化推送规则元素的偏好业务对象，能够确保热点趋势偏好对象对应的初始信息推送规则元素的完整性。
144.步骤b143a、将初始用户业务期望数据中的其它业务期望数据按照偏好业务节点的产生顺序添加在偏好业务节点前和/或偏好业务节点后对应的待优化推送规则元素中形成目标信息推送规则元素。
145.可以理解，在将初始用户业务期望数据中的其它业务期望数据按照偏好业务节点的产生顺序添加在偏好业务节点前和/或偏好业务节点后对应的待优化推送规则元素中之后，相应的待优化推送规则元素也匹配了初始行为偏好属性，从而确保待优化推送规则元素的入侵防护效果能够被检测到，以便于对热点引用推送操作的正确性进行判断。
146.在另外的一些示例中，上述的所述热点趋势偏好对象数据包括初始热点趋势偏好对象数据和终止热点趋势偏好对象数据，目标热点趋势偏好对象包括初始热点趋势偏好对象和终止热点趋势偏好对象。基于此，上述步骤b142a所描述的从所述初始用户业务期望数据中获取热点趋势偏好对象数据，将所述热点趋势偏好对象数据的期望生成节点确定为所述目标热点趋势偏好对象对应的偏好业务节点，获取与偏好业务节点对应的待优化推送规则元素的偏好业务对象形成热点趋势偏好对象对应的初始信息推送规则元素的步骤，可以通过以下步骤b1421a和步骤b1422a实现。
147.步骤b1421a、将所述初始热点趋势偏好对象数据的期望生成节点确定为初始热点趋势偏好对象对应的第一偏好业务节点，获取与第一偏好业务节点对应的待优化推送规则元素融合初始热点趋势偏好对象数据形成初始热点趋势偏好对象对应的初始信息推送规则元素。
148.例如，在将所述初始热点趋势偏好对象数据的期望生成节点确定为初始热点趋势偏好对象对应的第一偏好业务节点之后，获取与第一偏好业务节点对应的待优化推送规则元素，然后将与第一偏好业务节点对应的待优化推送规则元素与初始热点趋势偏好对象数据进行融合，从而得到初始热点趋势偏好对象对应的初始信息推送规则元素。
149.步骤b1422a、将所述终止热点趋势偏好对象数据的期望生成节点确定为终止热点趋势偏好对象对应的第二偏好业务节点，获取与第二偏好业务节点对应的待优化推送规则元素融合终止热点趋势偏好对象数据形成终止热点趋势偏好对象对应的初始信息推送规则元素。
150.例如，在将所述终止热点趋势偏好对象数据的期望生成节点确定为终止热点趋势偏好对象对应的第二偏好业务节点之后，获取与第二偏好业务节点对应的待优化推送规则元素，然后将与第二偏好业务节点对应的待优化推送规则元素与终止热点趋势偏好对象数据进行融合，从而得到终止热点趋势偏好对象对应的初始信息推送规则元素。
151.如此，能够确保热点趋势偏好对象与初始信息推送规则元素之间的准确匹配，从而便于后续进行应答对话意图数据的准确绑定。
152.在上述步骤b1421a-步骤b1422a的基础上，步骤b143a所描述的将初始用户业务期望数据中的其它业务期望数据按照偏好业务节点的产生顺序添加在偏好业务节点前和/或偏好业务节点后对应的待优化推送规则元素中形成目标信息推送规则元素的步骤，可以包括以下内容所描述的技术方案：将初始用户业务期望数据中的其它业务期望数据按照偏好业务节点的产生顺序添加在第一偏好业务节点与第二偏好业务节点之间的待优化推送规则元素中形成目标信息推送规则元素。
153.在另外的一些示例中，上述的初始信息推送规则可以包括第一候选热点资讯推送源（暂停热点资讯推送源）和相关联的第二候选热点资讯推送源（暂停热点资讯推送源）。基于此，上述步骤b140所描述的根据所述目标热点趋势偏好对象获取对应的待优化推送规则元素，将初始信息推送规则的信息推送反馈画像对应的初始行为偏好属性加载至所述待优化推送规则元素得到对应的目标信息推送规则的步骤，可以包括以下步骤b141b-步骤b143b所描述的技术方案。
154.步骤b141b、从所述目标热点趋势偏好对象中获取与所述第一候选热点资讯推送源最匹配的第一热点趋势偏好对象，将初始信息推送偏好的偏好触发业务节点确定为所述第一热点趋势偏好对象对应的第三偏好业务节点。
155.比如，与所述第一候选热点资讯推送源最匹配的第一热点趋势偏好对象可以理解为与第一候选热点资讯推送源的推送源标签最匹配的热点趋势偏好对象。
156.步骤b142b、从所述目标热点趋势偏好对象中获取与所述第二候选热点资讯推送源最匹配的第二热点趋势偏好对象，将初始信息推送偏好的偏好终止业务节点确定为所述第二热点趋势偏好对象对应的第四偏好业务节点。
157.步骤b143b、通过对第一候选热点资讯推送源关联的初始信息推送规则元素调整，将第一候选热点资讯推送源调整到所述第三偏好业务节点，通过对第二候选热点资讯推送源关联的初始信息推送规则元素调整将第二候选热点资讯推送源调整到所述第四偏好业务节点。
158.可以理解，在确定了第三偏好业务节点和第四偏好业务节点之后，可以对第一候
选热点资讯推送源关联的初始信息推送规则元素调整，从而将第一候选热点资讯推送源对应的触发节点调整到所述第三偏好业务节点，并将第二候选热点资讯推送源对应的触发节点调整到所述第四偏好业务节点，这样一来，能够确保初始信息推送偏好的评估和相关初始信息推送规则元素的启动之间的同步性。
159.一种可独立实施的实施例中，上述步骤b140所描述的根据所述目标热点趋势偏好对象获取对应的待优化推送规则元素，将初始信息推送规则的信息推送反馈画像对应的初始行为偏好属性加载至所述待优化推送规则元素得到对应的目标信息推送规则的步骤，还可以包括以下内容：获取所述应答对话意图数据对应的信息推送方案数据，获取与所述目标热点趋势偏好对象对应的目标信息推送方案数据；将目标信息推送方案数据的起始期望生成节点确定为所述目标热点趋势偏好对象对应的目标偏好业务节点，从所述目标偏好业务节点对应的待优化推送规则元素开始，融合所述目标信息推送方案数据形成目标信息推送规则元素。
160.在一些可选的实施例中，在步骤b120所描述的获取初始信息推送规则的信息推送反馈画像的步骤之后，该方法还可以包括以下内容：解析所述初始信息推送规则的信息推送反馈画像，获取不同的信息推送决策模型；获取各个信息推送决策模型对应的初始信息推送决策信息，所述初始信息推送决策信息包括对应的推送规则类别属性，初始信息推送规则的行为偏好配置信息；根据所述初始信息推送规则的行为偏好配置信息确定各个信息推送决策模型对应的目标热点趋势偏好对象；根据各个信息推送决策模型对应的目标热点趋势偏好对象获取对应的待优化推送规则元素，将各个信息推送决策模型对应的初始行为偏好属性加载至对应的待优化推送规则元素得到对应的目标信息推送规则，将所述目标信息推送规则与应答对话意图数据绑定生成对应的目标优化信息推送规则。
161.例如，解析所述初始信息推送规则的信息推送反馈画像，获取不同的信息推送决策模型可以理解为对初始信息推送规则的信息推送反馈画像进行拆分，得到多个信息推送决策模型。进一步地，根据初始信息推送规则的行为偏好配置信息确定各个信息推送决策模型对应的目标热点趋势偏好对象，能够确保信息推送决策模型与热点趋势偏好对象的一一对应，然后根据各个信息推送决策模型对应的目标热点趋势偏好对象获取对应的待优化推送规则元素，将各个信息推送决策模型对应的初始行为偏好属性加载至对应的待优化推送规则元素得到对应的目标信息推送规则，将所述目标信息推送规则与应答对话意图数据绑定生成对应的目标优化信息推送规则，如此，能够确保目标优化信息推送规则中的应答对话意图数据以及初始行为偏好属性的完整性，提高信息推送的准确性。
162.譬如，在一种可独立实施的实施例中，在生成了对应的目标优化信息推送规则之后，可以将对应的目标优化信息推送规则下发给对应的信息推送服务平台。这样，信息推送服务平台在接收到目标优化信息推送规则之后，在运行目标优化信息推送规则时，能够结合初始行为偏好属性和应答对话意图数据进行相应的热点引用推送操作。在生成了对应的目标优化信息推送规则之后，该方法还包括：将目标优化信息推送规则下发给目标信息推送服务平台。
163.譬如，在一种可独立实施的实施例中，在将目标优化信息推送规则下发给目标信息推送服务平台之后，还可以对信息推送服务平台进行信息推送协同，从而进一步确保信息推送服务平台的信息推送服务的体验。基于此，在将目标优化信息推送规则下发给目标
信息推送服务平台之后，该方法还可以包括以下步骤b151-步骤b153所描述的技术方案。
164.步骤b151，向信息推送协同簇中的信息推送服务平台发送信息推送协同请求，所述信息推送协同簇中的信息推送服务平台包括热门信息推送服务平台和关联信息推送服务平台。
165.例如，信息推送协同簇中包括多个信息推送服务平台，每个信息推送服务平台可以理解为已接收到下发的目标优化信息推送规则，并且已运行各自对应的目标优化信息推送规则。热门信息推送服务平台可以连接为直接进行信息推送对接的信息推送服务平台，关联信息推送服务平台可以理解为起信息推送过程总的临时跳转作用的信息推送服务平台。
166.步骤b152，接收第一关联信息推送服务平台回传的信息推送运行信息，所述信息推送运行信息包括所述第一关联信息推送服务平台的各信息推送跳转流程的信息推送跳转流程信息以及与所述各信息推送跳转流程的信息推送跳转流程信息分别对应的所述各信息推送跳转流程所通信的信息推送服务平台的协同推送行为信息，所述第一关联信息推送服务平台为所述信息推送协同簇中的任一关联信息推送服务平台。
167.步骤b153，根据所述信息推送运行信息以及获取到的各信息推送服务平台的协同推送行为信息对应的信息推送服务平台标签，确定并记录所述信息推送协同簇的协同推送配置信息。
168.例如，协同推送配置信息记录了需要对信息推送协同簇中的哪些信息推送服务平台进行信息推送协同，比如可以通过协同推送配置信息中包括的不同信息推送服务平台之间的协同激活状态确定需要对信息推送协同簇中的哪些信息推送服务平台进行信息推送协同。
169.如此设计，能够基于信息推送协同请求实现信息推送协同的请求，从而获得第一关联信息推送服务平台回传的信息推送运行信息，这样可以根据信息推送运行信息以及获取到的各信息推送服务平台的协同推送行为信息对应的信息推送服务平台标签，确定并记录信息推送协同簇的协同推送配置信息，从而通过协同推送配置信息中包括的不同信息推送服务平台之间的协同激活状态确定需要对信息推送协同簇中的哪些信息推送服务平台进行信息推送协同，以进一步确保信息推送服务平台的信息推送服务的体验。
170.比如，可以根据协同推送配置信息对需要进行信息推送协同的信息推送服务平台下发额外的初始信息推送规则，或者根据协同推送配置信息指示需要进行信息推送协同的信息推送服务平台进行相关热点引用推送操作等。
171.譬如，在一种可独立实施的实施例中，所述根据所述信息推送运行信息以及获取到的各信息推送服务平台的协同推送行为信息对应的信息推送服务平台标签，确定并记录所述信息推送协同簇的协同推送配置信息，包括：判断所述信息推送运行信息中第一信息推送跳转流程的信息推送跳转流程信息是否只对应一个信息推送服务平台的协同推送行为信息，其中，所述第一信息推送跳转流程为所述第一关联信息推送服务平台的任一信息推送跳转流程；若否，则根据所述第一信息推送跳转流程的信息推送跳转流程信息对应的多个信息推送服务平台的协同推送行为信息以及获取到的所述多个信息推送服务平台中各信息推送服务平台的协同推送行为信息对应的信息推送服务平台标签，确定所述多个信息推送服务平台与所述第一关联信息推送服务平台的协同激活状态；记录所述多个信息推
送服务平台与所述第一关联信息推送服务平台的协同激活状态。
172.譬如，在一种可独立实施的实施例中，所述根据所述第一信息推送跳转流程的信息推送跳转流程信息对应的多个信息推送服务平台的协同推送行为信息以及获取到的所述多个信息推送服务平台中各信息推送服务平台的协同推送行为信息对应的信息推送服务平台标签，确定所述多个信息推送服务平台与所述第一关联信息推送服务平台的协同激活状态，包括：若根据所述第一信息推送跳转流程的信息推送跳转流程信息对应的多个信息推送服务平台的协同推送行为信息以及获取到的所述多个信息推送服务平台中各信息推送服务平台的协同推送行为信息对应的信息推送服务平台标签，确定所述第一信息推送跳转流程的信息推送跳转流程信息对应的多个信息推送服务平台的协同推送行为信息均为热门信息推送服务平台的协同推送行为信息，则确定所述第一关联信息推送服务平台与多个热门信息推送服务平台之间连接有一个参考关联信息推送服务平台；所述记录所述多个信息推送服务平台与所述第一关联信息推送服务平台的协同激活状态，包括：对所述第一关联信息推送服务平台连接所述参考关联信息推送服务平台、所述参考关联信息推送服务平台连接所述多个热门信息推送服务平台的协同激活状态进行记录。
173.譬如，在一种可独立实施的实施例中，所述根据所述第一信息推送跳转流程的信息推送跳转流程信息对应的多个信息推送服务平台的协同推送行为信息以及获取到的所述多个信息推送服务平台中各信息推送服务平台的协同推送行为信息对应的信息推送服务平台标签，确定所述多个信息推送服务平台与所述第一关联信息推送服务平台的协同激活状态，包括：若根据所述第一信息推送跳转流程的信息推送跳转流程信息对应的多个信息推送服务平台的协同推送行为信息以及获取到的所述多个信息推送服务平台中各信息推送服务平台的协同推送行为信息对应的信息推送服务平台标签，确定所述第一信息推送跳转流程的信息推送跳转流程信息对应的多个信息推送服务平台的协同推送行为信息中包括至少一个关联信息推送服务平台的协同推送行为信息，则读取第二关联信息推送服务平台的信息推送运行信息，所述第二关联信息推送服务平台为所述至少一个关联信息推送服务平台中的任一关联信息推送服务平台；判断所述第二关联信息推送服务平台的信息推送运行信息中第二信息推送跳转流程的信息推送跳转流程信息对应的协同推送行为信息与所述第一信息推送跳转流程的信息推送跳转流程信息对应的协同推送行为信息的行为对比信息是否为预设特征信息，所述第二信息推送跳转流程的信息推送跳转流程信息对应的多个信息推送服务平台的协同推送行为信息中包括所述第一关联信息推送服务平台的协同推送行为信息；若所述行为对比信息为预设特征信息，则确定所述第一关联信息推送服务平台与所述第二关联信息推送服务平台之间为直接协同推送跳转关系；所述记录所述多个信息推送服务平台与所述第一关联信息推送服务平台的协同激活状态，包括：对所述第一关联信息推送服务平台直接通信所述第二关联信息推送服务平台的协同激活状态进行记录。
174.譬如，在一种可独立实施的实施例中，在所述判断所述第二关联信息推送服务平台的信息推送运行信息中第二信息推送跳转流程的信息推送跳转流程信息对应的协同推送行为信息与所述第一信息推送跳转流程的信息推送跳转流程信息对应的协同推送行为信息的行为对比信息是否为预设特征信息之后，所述方法还包括：若所述行为对比信息不为预设特征信息，则确定所述第一关联信息推送服务平台与所述至少一个关联信息推送服
务平台之间连接有一个参考关联信息推送服务平台；所述记录所述多个信息推送服务平台与所述第一关联信息推送服务平台的协同激活状态，包括：对所述第一关联信息推送服务平台连接所述参考关联信息推送服务平台、所述参考关联信息推送服务平台连接所述至少一个关联信息推送服务平台的协同激活状态进行记录。
175.譬如，在一种可独立实施的实施例中，在所述判断所述信息推送运行信息中第一信息推送跳转流程的信息推送跳转流程信息是否只对应一个信息推送服务平台的协同推送行为信息之后，所述方法还包括：若是，则根据所述第一信息推送跳转流程的信息推送跳转流程信息对应的一个信息推送服务平台的协同推送行为信息以及获取到的所述一个信息推送服务平台的协同推送行为信息对应的信息推送服务平台标签，确定所述一个信息推送服务平台与所述第一关联信息推送服务平台之间为直接协同推送跳转关系；对所述一个信息推送服务平台直接通信所述第一关联信息推送服务平台的协同激活状态进行记录。
176.图3为本公开实施例提供的基于智慧应答大数据的信息流生成装置300的功能模块示意图，下面分别对该基于智慧应答大数据的信息流生成装置300的各个功能模块的功能进行详细阐述。
177.第一获取模块310，用于基于目标应答数据挖掘单元对待挖掘应答数据进行应答数据挖掘以生成对应的推送信息。
178.第二获取模块320，用于获取推送信息对应的用户互动行为数据，并从用户互动行为数据中获取对应的社交关系圈数据，并获取社交关系圈数据的社交对话频繁项数据。
179.第三获取模块330，用于获取社交关系圈数据的关注话题分布，并基于预设的第一挖掘策略对关注话题分布进行处理，得到处理后的关注话题分布。处理后的关注话题分布包括至少一个关注话题。
180.提取模块340，用于基于至少一个关注话题对社交对话频繁项数据进行关键频繁项提取，得到至少一个关键对话频繁项，并将至少一个关注话题和各自对应的关键对话频繁项作为一个第一关注话题信息流组合，得到至少一个第一关注话题信息流组合。
181.图4示出了本公开实施例提供的用于实现上述的基于智慧应答大数据的信息流生成方法的人工智能云系统100的硬件结构意图，如图4所示，人工智能云系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。
182.在具体实现过程中，至少一个处理器110执行机器可读存储介质120存储的计算机可执行指令，使得处理器110可以执行如上方法实施例的基于智慧应答大数据的信息流生成方法，处理器110、机器可读存储介质120以及通信单元140通过总线130连接，处理器110可以用于控制通信单元140的收发动作，从而可以与前述的智慧业务应答设备200进行数据收发。
183.处理器110的具体实现过程可参见上述人工智能云系统100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
184.此外，本公开实施例还提供一种可读存储介质，所述可读存储介质中预设有计算机可执行指令，当处理器执行所述计算机可执行指令时，实现如上基于智慧应答大数据的信息流生成方法。
185.最后，应当理解的是，本说明书中实施例仅用以说明本说明书实施例的原则。其它的变形也可能属于本说明书范围。因此，作为示例而非限制，本说明书实施例的替代配置可
视为与本说明书的教导匹配。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。