一种多维度互联网大规模用户服务需求预测方法与流程

1.本发明涉及互联网技术领域，特别涉及一种多维度互联网大规模用户服务需求预测方法。


背景技术：

2.近年来，随着服务计算、物联网、智能终端以及5g网络的快速发展与普及，越来越多的用户可以随时随地访问来自于不同领域、功能丰富的服务，完成工作与日常生活事务，且互联网环境融入社会生活的程度逐步加深，信息技术水平不断提高，电子商务平台、众包平台蓬勃发展。在此背景下，从各种渠道能够获取用户的需求。
3.但是，对于软件或者应用的升级或者更新，一般会随着大规模的网络用户对其的关注、满意、评价等指标构成的需求，来进行相应的更能升级或者更新，但是，其并未与软件应用的实际现实联系上，也就是不能准确的预测不同区域大规模用户在当下实际环境中的可能服务需求，让用户不能有很好的体验。
4.因此，本发明提出一种多维度互联网大规模用户服务需求预测方法。


技术实现要素：

5.本发明提供一种多维度互联网大规模用户服务需求预测方法，用以从多个维度获取信息，来进行相关性分析，可以有效将可能服务需求与实际区域联系，提高预测准确性，进而通过匹配服务功能模块，提高用户体验。
6.本发明提供一种多维度互联网大规模用户服务需求预测方法，包括：
7.步骤1：按照服务需求维度指标，从信息数据库中筛选对应的第一维度信息；
8.步骤2：按照预设区域的固有维度指标，获取对应的第二维度信息，并与所述第一维度信息进行相关性分析；
9.步骤3：基于初始服务列表与对应相关性分析结果的分析服务需求进行对比，预测大规模用户的可能服务需求；
10.步骤4：对预设区域的服务资源进行预处理，建立外部数据资源库；
11.步骤5：将所述可能服务需求与所述外部数据资源库进行匹配，生成可推荐的服务功能模块，并自动更新上线。
12.在一种可能实现的方式中，步骤1：按照服务需求维度指标，从信息数据库中筛选对应的第一维度信息，包括：
13.对所述服务需求维度指标进行拆分，得到若干条子维度指标，并确定每个所述子维度指标的指标符号；
14.基于所述信息数据库，向所述指标符号匹配对应的指标信息；
15.获取与每个指标符号一致的需求关注列表，并按照所述需求关注列表中的前n个关注因子依次对对应指标信息进行拆分，并对拆分后的子信息按照对应关注因子的关注偏向性进行偏向排序，构建对应关注因子与对应偏向排序结果中每个偏向段的偏向关系；
16.基于所述偏向关系，确定偏向突变段，并将偏向突变段之前的所有偏向段的段信息作为第一待定信息；
17.提取所述需求关注列表中的剩余关注因子对应的最佳偏向关系的偏向段的段信息，并作为第二待定信息；
18.基于每个子维度指标对应的第一待定信息以及第二待定信息，得到第一维度信息。
19.在一种可能实现的方式中，按照预设区域的固有维度指标，获取对应的第二维度信息，包括：
20.基于所述固有维度指标，获取所述预设区域的初始维度信息；
21.记录所述预设区域的区域实时变动情况，并按照所述固有维度指标，对所述区域实时变动情况进行变动分类；
22.按照变动分类结果，对所述初始维度信息进行变动附加，得到第二维度信息。
23.在一种可能实现的方式中，按照变动分类结果，对所述初始维度信息进行变动附加，得到第二维度信息，包括：
24.按照变动曲线规划模型，对所述变动分类结果中每条子变动信息进行规划，得到对应的变动曲线，同时，向所述变动曲线设置变动标签；
25.根据所述变动曲线的变动类型，提取所述初始维度信息中的待比较信息，基于初始曲线规划模型，对所述待比较信息进行规划，得到对应的初始曲线；
26.将所述初始曲线与对应的变动曲线进行比较，确定变动增量，并判断所述变动增量是否大于预设变动阈值，若是，将对应变动标签进行第一标记；
27.确定第一标记的变动标签所对应的变动对象，分析所述变动对象在剩余子变动信息中的出现概率，若所述出现概率大于或等于预设概率，将对应变动标签进行第二标记，并构建对应变动对象的变动分布图；
28.建立与所述变动分布图相关的第一调用索引，并附加在对应的待比较信息的第一位置上；
29.若所述出现概率小于预设概率，建立与对应第一标记的变动标签相关的第二调用索引，并附加在对应的待比较信息的第二位置上；
30.若所述变动增量不大于预设变动阈值，提取对应的变动信息中的变动关键词，并附加在对应的待比较信息的空闲区域位置上；
31.基于附加结果，得到第二维度信息。
32.在一种可能实现的方式中，与所述第一维度信息进行相关性分析，包括：
33.确定所述第一维度信息中的关注偏向信息以及第二维度信息中的变动偏向信息；
34.基于指标构建模型，对所述关注偏向信息以及变动偏向信息进行预分析，构建所述关注偏向信息中的关注偏向指标与变动偏向信息中变动偏向指标的结构关系，并确定所述关注偏向信息导致产生所述变动偏向信息的第一概率，以及所述变动偏向信息导致发生所述关注偏向信息的第二概率；
35.若所述第一概率以及第二概率都小于对应的预设概率阈值，基于常规相关性分析模型，对所述第一维度信息以及第二维度信息进行相关性分析，得到第一相关结果；
36.若所述第一概率不小于对应预设概率阈值，且第二概率小于预设概率阈值，对所
述关注偏向信息进行关注主要分析，并基于第一主要相关性分析模型，对所述第一维度信息中的剩余信息、关注主要分析结果以及第二维度信息进行相关性分析，得到第二相关结果；
37.若所述第一概率小于对应预设概率阈值，且第二概率不小于预设概率阈值，对所述变动偏向信息进行变动主要分析，并基于第二主要相关性分析模型，对所述第二维度信息中的剩余信息、变动主要分析结果以及第一维度信息进行相关性分析，得到第三相关结果；
38.若所述第一概率以及第二概率都不小于对应的预设概率阈值，获取匹配相关性模型，对所述第一维度信息和第二维度信息进行相关性分析，得到第四相关结果；
39.所述第一相关结果、第二相关结果、第三相关结果、第四相关结果，即为对应的相关性分析结果。
40.在一种可能实现的方式中，获取匹配相关性模型，对所述第一维度信息和第二维度信息进行相关性分析，得到第四相关结果，包括：
41.确定所述关注偏向信息中的最大关注偏向信息、最小关注偏向信息以及集中关注偏向信息，以及获取所述变动偏向信息中的最大变动偏向信息、最小变动偏向信息以及集中变动偏向信息，进而确定两者的偏向差异度y1；
[0042][0043]
其中，s1表示最大关注偏向信息进行格式转换后的最大关注偏向值；s2表示集中关注偏向信息进行格式转换后的集中关注偏向值；s3表示最小关注偏向信息进行格式转换后的最小关注偏向值；r1表示最大变动偏向信息进行格式转换后的最大变动偏向值；r2表示集中变动偏向信息进行格式转换后的集中变动偏向值；r3表示最小变动偏向信息进行格式转换后的最小变动偏向值；p1表示第一概率，p01表示与第一概率对应的预设概率阈值；p2表示第二概率，p02表示与第二概率对应的预设概率阈值；e
(
·
)
表示指数函数；
[0044]
根据偏向差异度y1，确定是否满足所述关注偏向信息与所述变动偏向信息的相互影响条件；
[0045]
若满足，根据s
1-s3与r
1-r3对应的差异信息的信息属性，从模型数据库中调取对应的第一匹配相关性模型，对所述第一维度信息和第二维度信息进行相关性分析，得到第一子相关结果；
[0046]
若不满足，获取与max{s
1-r1，s
2-r2，s
3-r3}对应的最大差值信息，并从模型数据库中，调取对应的第二匹配相关性模型，对所述第一维度信息和第二维度信息进行相关性分析，得到第二子相关结果；
[0047]
其中，所述第一子相关结果、第二子相关结果，即为对应的第四相关结果。
[0048]
在一种可能实现的方式中，基于第一主要相关性分析模型，对所述第一维度信息中的剩余信息、关注主要分析结果以及第二维度信息进行相关性分析，得到第二相关结果，包括：
[0049]
确定所述关注偏向信息中的关注特征，并基于所述关注特征，对所述关注偏向信息中的偏向语义进行分析；
[0050]
基于分析结果，确定所述关注偏向信息中的关注语义以及每个关注语义的置信度；
[0051]
确定每个关注语义在所述关注偏向信息中的位置分布，并按照位置分布情况，获取连续分布以及单独分布，根据每个关注语义的置信度，确定每个连续分布的第一总置信度以及每个单独分布的第二总置信度；
[0052]
基于关注偏向置信度规则，对所述第一总置信度以及第二总置信度进行排序，并基于语义处理规则，对排序后的关注偏向信息进行语义修正，得到若干偏向信息段；
[0053]
获取与关注偏向类型相关的第一主要相关性分析模型，并将第一维度信息中的若干偏向信息段依次与第二维度信息进行相关性分析，得到第一分析集合，同时，将所述第一维度信息中的剩余信息与第二维度信息进行相关性分析，得到第一待调整信息；
[0054]
基于所述第一分析集合以及第一待调整信息，得到第二相关结果。
[0055]
在一种可能实现的方式中，基于初始服务列表与对应相关性分析结果的分析服务需求进行对比，预测大规模用户的可能服务需求，包括：
[0056]
捕捉当下时间之前的初始服务列表，并基于所述初始服务列表，确定历史固定服务需求、最新初始服务需求；
[0057]
基于相关性分析结果，得到需求特征，进而确定对应的分析服务需求；
[0058]
将所述最新初始服务需求与分析服务需求进行比较，确定重叠服务需求与非重叠的分析服务需求；
[0059]
基于所述历史固定服务需求，获取重叠服务需求中的当下固定服务需求以及连续服务需求；
[0060]
获取所述初始服务列表的历史变更规则，确定所述当下固定服务需求的第一权值、连续服务需求的第二权值以及非重叠的分析服务需求的第三权值；
[0061]
根据不同服务需求的权值以及需求相关性，确定对服务需求的判断值；
[0062][0063][0064][0065]
[0066][0067]
其中，n1表示当下固定服务需求的个数；n2表示连续服务需求的个数；n3表示非重叠的分析服务需求的个数；g
i1
表示第i1个当下固定服务需求的需求值；
∝
i1
表示第i1个当下固定服务需求的第一权值；g
i2
表示第i2个连续服务需求的需求值；
∝
i2
表示第i2个连续服务需求的第二权值；g
i3
表示第i3个非重叠的分析服务需求的需求值；
∝
i3
表示第i3个非重叠的分析服务需求的第三权值；f(g1，g2，g3)表示当下固定服务需求g1、连续服务需求g2、非重叠的分析服务需求g3之间的相关性值；cov(g1，g2，g3)表示基于g1、g2、g3的协方差；var[g1]表示g1的方差；var[g2]表示g2的方差；var[g3]表示g3的方差；δ1表示基于g1，g2的微调函数；δ2表示基于g1，g3的微调函数；δ3表示基于g3，g2的微调函数；
[0068]
若所述判断值大于预设值，将所述非重叠的分析服务需求作为可能服务需求；
[0069]
若所述判断值小于预设值，将所述分析服务需求作为可能服务需求。
[0070]
在一种可能实现的方式中，对预设区域的服务资源进行预处理，建立外部数据资源库，包括：
[0071]
获取所述预设区域的服务资源；
[0072]
按照资源类型，对所述服务资源进行归类处理，构建外部数据资源库。
[0073]
在一种可能实现的方式中，将所述可能服务需求与所述外部数据资源库进行匹配，生成可推荐的服务功能模块，包括：
[0074]
将所述可能服务需求与所述外部数据资源库进行类型在线匹配；
[0075]
根据匹配结果，生成可推荐的服务功能模块。
[0076]
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、以及附图中所特别指出的结构来实现和获得。
[0077]
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
[0078]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0079]
图1为本发明实施例中一种多维度互联网大规模用户服务需求预测方法的流程图；
[0080]
图2为本发明实施例中信息的偏向段的结构图。
具体实施方式
[0081]
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
[0082]
实施例1：
[0083]
本发明提供一种多维度互联网大规模用户服务需求预测方法，如图1所示，包括：
[0084]
步骤1：按照服务需求维度指标，从信息数据库中筛选对应的第一维度信息；
[0085]
步骤2：按照预设区域的固有维度指标，获取对应的第二维度信息，并与所述第一维度信息进行相关性分析；
[0086]
步骤3：基于初始服务列表与对应相关性分析结果的分析服务需求进行对比，预测大规模用户的可能服务需求；
[0087]
步骤4：对预设区域的服务资源进行预处理，建立外部数据资源库；
[0088]
步骤5：将所述可能服务需求与所述外部数据资源库进行匹配，生成可推荐的服务功能模块，并自动更新上线。
[0089]
该实施例中，信息数据库指的是市级公开信息中月度关注、投诉、不满意等多个子维度指标的数据，来得到第一维度信息，且服务需求维度指标主要是针对用户的诉求。预设区域指的是某个辖区，针对该辖区的人口结构、职业分布、周边环境、区域特点、群众关切等固有维度指标，且通过不同维度的指标，来确定该区域的实际现实情况，以此，来获取第二维度信息，便于结合该实际现实，来提高获取可能服务需求的准确性，且固有维度指标指的是这些指标的名称是不变的，但是指标的具体内容可能会发生变化。
[0090]
该实施例中，第一维度信息与第二维度信息的相关性分析，可以是基于相关性分析模型进行分析得到的，且相关性分析模型是预先训练好的，可以是基于各种不同的关注信息、投诉信息、不满意信息、人口结构信息、职业分布信息、周边环境信息、区域特点信息、群众关切信息等作为样本，来进行训练得到的，且可以根据该模型得到相关性分析结果，比如：初始服务列表中包含：固定服务需求1、2，和剩余服务需求3、4、5，根据相关性分析结果得到的分析服务需求，包括服务需求1、3、5、6，此时，可以将服务需求6视为可能服务需求，或者可以根据服务需求1、3、5、6的衔接度，来确定是否需要将服务需求1、3、5也作为可能服务需求。
[0091]
该实施例中，大规模用户指的是比如，使用软件a的所有用户，可以视为大规模用户，或者该预设区域中使用软件a的所有用户，且数量是庞大的。
[0092]
该实施例中，服务资源预处理，是为了对资源进行服务分类，便于后续匹配。
[0093]
该实施例中，通过匹配资源，来生成与匹配资源相关的模块，便于通过结合该区域相关信息，来提高用户体验。
[0094]
上述技术方案的有益效果是：从多个维度获取信息，来进行相关性分析，可以有效将可能服务需求与实际区域联系，提高预测准确性，进而通过匹配服务功能模块，提高用户体验。
[0095]
实施例2：
[0096]
基于实施例1的基础上，步骤1：按照服务需求维度指标，从信息数据库中筛选对应的第一维度信息，包括：
[0097]
对所述服务需求维度指标进行拆分，得到若干条子维度指标，并确定每个所述子维度指标的指标符号；
[0098]
基于所述信息数据库，向所述指标符号匹配对应的指标信息；
[0099]
获取与每个指标符号一致的需求关注列表，并按照所述需求关注列表中的前n个关注因子依次对对应指标信息进行拆分，并对拆分后的子信息按照对应关注因子的关注偏向性进行偏向排序，构建对应关注因子与对应偏向排序结果中每个偏向段的偏向关系；
[0100]
基于所述偏向关系，确定偏向突变段，并将偏向突变段之前的所有偏向段的段信息作为第一待定信息；
[0101]
提取所述需求关注列表中的剩余关注因子对应的最佳偏向关系的偏向段的段信息，并作为第二待定信息；
[0102]
基于每个子维度指标对应的第一待定信息以及第二待定信息，得到第一维度信息。
[0103]
该实施例中，子维度指标，比如为：关注度、投诉、不满意等维度的指标，且每个子维度指标都有其对应的符号，便于后续进行信息匹配。
[0104]
该实施例中，信息数据库中，是包含各种关注信息、投诉信息、不满意信息等在内的，进而来匹配对应的指标信息，比如，根据关注的子维度指标，来从数据库中调取到关注信息。
[0105]
由于指标符号是指的与关注相关的，属于大类，且需求关注列表中，是对大类的细致划分，比如包括：对质量的关注因子、对于反馈建议的关注因子等，按照该因子对指标信息进行拆分，来获取与质量相关的子信息，以及获取与反馈建议相关的子信息，比如，对质量的关注因子的关注偏向性(关注程度)大于对反馈建议的关注因子的关注偏向性(关注程度)，此时，偏向排序为：与质量相关的子信息、与反馈建议相关的子信息。
[0106]
该实施例中，如图2所示，指标信息为a1，与质量的关注因子相关的子信息为a1，与反馈建议相关的子信息为a2，此时，a2和a1对应信息段，都可以视为偏向段，且不同因子对应的所有子信息可以是不同位置的若干段。
[0107]
该实施例中，偏向关系指的是该因子与对应所有子信息所对应的不同信息段的关联度不同，且构成的偏向关系可能存在不同，且关联度越大对应的偏向关系越紧密，进而来确定偏向关系紧密的信息段(偏向图变段)，得到第一待定信息。
[0108]
该实施例中，比如，需求关注列表中，还存在与评价的相关关注因子，此时，获取与评价因子最紧密的信息在a1中的段位置c，根据该段位置，确定对应的第二待定信息。
[0109]
该实施例中，通过每个子维度指标，来获取对应的第一、第二待定信息，以此，来得到对应的第一维度信息。
[0110]
上述技术方案的有益效果是：通过对指标拆分，便于后续匹配得到完整的指标信息，通过对每个指标的关注列表中的关注因子进行分析，确定不同的待定信息，为后续提高预测准确性提供基础，且还间接提高用户体验。
[0111]
实施例3：
[0112]
基于实施例1的基础上，按照预设区域的固有维度指标，获取对应的第二维度信息，包括：
[0113]
基于所述固有维度指标，获取所述预设区域的初始维度信息；
[0114]
记录所述预设区域的区域实时变动情况，并按照所述固有维度指标，对所述区域实时变动情况进行变动分类；
[0115]
按照变动分类结果，对所述初始维度信息进行变动附加，得到第二维度信息。
[0116]
该实施例中，初始维度信息也是基于当下时间点之前，从预先设定好的数据库中获取到的，且所有信息都是预先统计好的。
[0117]
该实施例中，区域实际变动情况，是为了对该区域的变动进行实时监督，保证区域
的变动，对后续可能服务需求的影响。
[0118]
该实施例中，比如：该区域中的周边环境、区域特点、群众关切发生了变化，都有可能影响后续可能服务需求的改变。
[0119]
上述技术方案的有益效果是：通过根据记录结果，进行变动分类，进而进行变动附加，保证第二维度信息的实时性，为后续获取可能服务需求提供有效真实性。
[0120]
实施例4：
[0121]
基于实施例3的基础上，按照变动分类结果，对所述初始维度信息进行变动附加，得到第二维度信息，包括：
[0122]
按照变动曲线规划模型，对所述变动分类结果中每条子变动信息进行规划，得到对应的变动曲线，同时，向所述变动曲线设置变动标签；
[0123]
根据所述变动曲线的变动类型，提取所述初始维度信息中的待比较信息，基于初始曲线规划模型，对所述待比较信息进行规划，得到对应的初始曲线；
[0124]
将所述初始曲线与对应的变动曲线进行比较，确定变动增量，并判断所述变动增量是否大于预设变动阈值，若是，将对应变动标签进行第一标记；
[0125]
确定第一标记的变动标签所对应的变动对象，分析所述变动对象在剩余子变动信息中的出现概率，若所述出现概率大于或等于预设概率，将对应变动标签进行第二标记，并构建对应变动对象的变动分布图；
[0126]
建立与所述变动分布图相关的第一调用索引，并附加在对应的待比较信息的第一位置上；
[0127]
若所述出现概率小于预设概率，建立与对应第一标记的变动标签相关的第二调用索引，并附加在对应的待比较信息的第二位置上；
[0128]
若所述变动增量不大于预设变动阈值，提取对应的变动信息中的变动关键词，并附加在对应的待比较信息的空闲区域位置上；
[0129]
基于附加结果，得到第二维度信息。
[0130]
该实施例中，变动曲线规划模型是预先设置好的，且以不同类型不同情况的变动信息作为样本训练得到的，因此，可以通过该模型，得到子变动信息的变动曲线，且变动标签与变动分类结果有关。初始曲线规划模型是预先设置好的，且以不同类型不同情况的初始信息作为样本训练得到的。
[0131]
该实施例中，变动类型是基于变动分类确定的，比如，变动类型与群众关切有关，也就是群众的关切点发生了变化，此时，从初始维度信息中提取群众的关切点未发生之前的信息，即为待比较信息，来获取初始曲线。
[0132]
该实施例中，获取初始曲线与变动曲线的变动增量，即关切点的改变程度越大，对应的变动增量越大，且变动增量是基于两条曲线的面积差得到的，且两个曲线在初始截取点和末尾截取点一致，就是为了获取面积差，且面积差越大，对应的变动增量越大。
[0133]
该实施例中，预设变动阈值是预先设置好的，且变动标签进行第一标记，是为了方便后续继续进行分析。
[0134]
该实施例中，变动标签所对应的变动对象，指的是群众关切对象，统计该群众关切对象，在剩余的子变动信息中的出现频次，来确定出现概率，进而确定该群众关切对象的重要程度，以此，来构建变动分布图，也就是出现图，来建立第一调用索引，是为了，将对应出
现群众关切对象的子变动信息，都作为一个变动因素，进行信息附加，便于后续得到可靠的第二维度信息。
[0135]
该实施例中，第一位置、第二位置、空闲区域位置都是预先设置好的，为了应对存在的多种可能性，保证数据的完整度以及关联度。
[0136]
上述技术方案的有益效果是：通过对子变动信息进行规划，进而同归对变动曲线进行分析，来确定变动增量的大小，进而通过采用不同的方式，进行数据附加，保证第二维度信息的完整性，间接提高预测可能服务需求的准确性。
[0137]
实施例5：
[0138]
基于实施例1的基础上，与所述第一维度信息进行相关性分析，包括：
[0139]
确定所述第一维度信息中的关注偏向信息以及第二维度信息中的变动偏向信息；
[0140]
基于指标构建模型，对所述关注偏向信息以及变动偏向信息进行预分析，构建所述关注偏向信息中的关注偏向指标与变动偏向信息中变动偏向指标的结构关系，并确定所述关注偏向信息导致产生所述变动偏向信息的第一概率，以及所述变动偏向信息导致发生所述关注偏向信息的第二概率；
[0141]
若所述第一概率以及第二概率都小于对应的预设概率阈值，基于常规相关性分析模型，对所述第一维度信息以及第二维度信息进行相关性分析，得到第一相关结果；
[0142]
若所述第一概率不小于对应预设概率阈值，且第二概率小于预设概率阈值，对所述关注偏向信息进行关注主要分析，并基于第一主要相关性分析模型，对所述第一维度信息中的剩余信息、关注主要分析结果以及第二维度信息进行相关性分析，得到第二相关结果；
[0143]
若所述第一概率小于对应预设概率阈值，且第二概率不小于预设概率阈值，对所述变动偏向信息进行变动主要分析，并基于第二主要相关性分析模型，对所述第二维度信息中的剩余信息、变动主要分析结果以及第一维度信息进行相关性分析，得到第三相关结果；
[0144]
若所述第一概率以及第二概率都不小于对应的预设概率阈值，获取匹配相关性模型，对所述第一维度信息和第二维度信息进行相关性分析，得到第四相关结果；
[0145]
所述第一相关结果、第二相关结果、第三相关结果、第四相关结果，即为对应的相关性分析结果。
[0146]
该实施例中，指标构建模型是预先训练好的，以各种不同类型不同程度的关注偏向信息、变动偏向信息、不同信息之间的相关度以及影响因子作为样本，训练得到的，进而可以构建指标的结构关系，进而，可以得到两者信息相互导致发生的概率，可以有效的提高可能服务需求获取的精准性。
[0147]
该实施例中，通过对第一概率以及第二概率进行比较分析，来获取不同的相关性分析模型，得到对应的相关结果，且所有的相关性分析模型都是预先训练好的。
[0148]
该实施例中，预设概率阈值是预先设置好的，且关注偏向信息导致产生变动偏向信息的预设概率阈值与变动偏向信息导致发生关注偏向信息预设概率阈值是不同的。
[0149]
该实施例中，常规相关性分析模型，是对第一维度信息以及第二维度信息进行类型划分，来进行的相关性分析，且两者的分析等级是一样的，第一主要相关性分析模型偏向对关注偏向信息进行分析，对第二维度信息进行辅助分析，对关注偏向信息的分析等级高
于对第二维度信息的分析等级，第二主要相关性分析模型与第一主要相关性分析模型相反。
[0150]
该实施例中，匹配相关性模型，是按照关注偏向信息、变动偏向信息的差异信息，来得到的，进而主要通过对差异信息进行分析，进而对第一维度信息以及第二维度信息进行辅助分析，得到的。
[0151]
该实施例中，关注偏向信息指的是第一维度信息中的第一待定信息，变动偏向信息，可以是第一位置以及第二位置上的调用索引对应的信息。
[0152]
上述技术方案的有益效果是：通过获取关注偏向信息以及变动偏向信息，可以有效的确定两者对彼此的影响概率，进而，通过概率大小比较，可以有效的通过不同的方式，采用不同的模型，进行相关性分析，保证分析的合理性以及可靠性，间接提高可能服务需求获取的精准性。
[0153]
实施例6：
[0154]
基于实施例5的基础上，获取匹配相关性模型，对所述第一维度信息和第二维度信息进行相关性分析，得到第四相关结果，包括：
[0155]
确定所述关注偏向信息中的最大关注偏向信息、最小关注偏向信息以及集中关注偏向信息，以及获取所述变动偏向信息中的最大变动偏向信息、最小变动偏向信息以及集中变动偏向信息，进而确定两者的偏向差异度y1；
[0156][0157]
其中，s1表示最大关注偏向信息进行格式转换后的最大关注偏向值；s2表示集中关注偏向信息进行格式转换后的集中关注偏向值；s3表示最小关注偏向信息进行格式转换后的最小关注偏向值；r1表示最大变动偏向信息进行格式转换后的最大变动偏向值；r2表示集中变动偏向信息进行格式转换后的集中变动偏向值；r3表示最小变动偏向信息进行格式转换后的最小变动偏向值；p1表示第一概率，p01表示与第一概率对应的预设概率阈值；p2表示第二概率，p02表示与第二概率对应的预设概率阈值；e(
·
)表示指数函数；
[0158]
根据偏向差异度y1，确定是否满足所述关注偏向信息与所述变动偏向信息的相互影响条件；
[0159]
若满足，根据s
1-s3与r
1-r3对应的差异信息的信息属性，从模型数据库中调取对应的第一匹配相关性模型，对所述第一维度信息和第二维度信息进行相关性分析，得到第一子相关结果；
[0160]
若不满足，获取与max{s
1-r1，s
2-r2，s
3-r3}对应的最大差值信息，并从模型数据库中，调取对应的第二匹配相关性模型，对所述第一维度信息和第二维度信息进行相关性分析，得到第二子相关结果；
[0161]
其中，所述第一子相关结果、第二子相关结果，即为对应的第四相关结果。
[0162]
该实施例中，关注偏向信息中，可能是包括紧密度不同的信息在内的，进而来得到最大关注偏向信息、最小关注偏向信息以及集中关注偏向信息，这三者信息构成关注偏向信息，同理，最大变动偏向信息、最小变动偏向信息以及集中变动偏向信息，构成变动偏向信息中。
[0163]
该实施例中，互相影响条件是预先设置好的，比如，当y1大于或等于0.3时，可以视为不满足互相影响条件，否则，视为满足相互相应条件。
[0164]
该实施例中，s
1-s3与r
1-r3对应的差异信息，即为最大关注偏向信息与最小关注偏向信息的差异信息，与最大变动偏向信息与最小变动偏向信息的差异信息。
[0165]
该实施例中，max{s
1-r1，s
2-r2，s
3-r3}对应的最大差值信息，比如s
2-r2的差值最大，此时，来获取集中关注偏向信息与集中变动偏向信息的差异信息，来调取模型。
[0166]
上述技术方案的有益效果是：通过对关注偏向信息与变动偏向信息的差异度分析以及判断分析，可以确定满足与不满足情况下对应的模型，进行相关性分析，来保证后续分析结果的合理性。
[0167]
实施例7：
[0168]
基于实施例5的基础上，基于第一主要相关性分析模型，对所述第一维度信息中的剩余信息、关注主要分析结果以及第二维度信息进行相关性分析，得到第二相关结果，包括：
[0169]
确定所述关注偏向信息中的关注特征，并基于所述关注特征，对所述关注偏向信息中的偏向语义进行分析；
[0170]
基于分析结果，确定所述关注偏向信息中的关注语义以及每个关注语义的置信度；
[0171]
确定每个关注语义在所述关注偏向信息中的位置分布，并按照位置分布情况，获取连续分布以及单独分布，根据每个关注语义的置信度，确定每个连续分布的第一总置信度以及每个单独分布的第二总置信度；
[0172]
基于关注偏向置信度规则，对所述第一总置信度以及第二总置信度进行排序，并基于语义处理规则，对排序后的关注偏向信息进行语义修正，得到若干偏向信息段；
[0173]
获取与关注偏向类型相关的第一主要相关性分析模型，并将第一维度信息中的若干偏向信息段依次与第二维度信息进行相关性分析，得到第一分析集合，同时，将所述第一维度信息中的剩余信息与第二维度信息进行相关性分析，得到第一待调整信息；
[0174]
基于所述第一分析集合以及第一待调整信息，得到第二相关结果。
[0175]
该实施例中，关注特征也与对应的用户的关注偏向子维度指标有关，也就是关注偏向信息中涉及到的子维度指标，来得到对应的关注特征，进而进行寓意分析，且关注语义指的是需要后续继续进行分析的语义，且置信度，是为了确定该语义的在该关注偏向信息中的重要程度。
[0176]
该实施例中，确定每个关注语义的位置分布，来对关注偏向信息中存在的连续结果以及单独结果进行分析，进而可以确定连续分布与单独分布的总置信度，且单独分布的第二总置信度，可以为对应单独关注语义的置信度。
[0177]
该实施例中，关注偏向置信度规则是预先设置好的，比如，可以是先对连续分布的置信度排序，再对单独分布的置信度排序，来获取排序结果，比如：连续分布包括：1100、2200，且1100对应的置信度大于2200对应的置信度，单独分布包括：9、2，且9对应的置信度大于2对应的置信度，此时，排序结果为：1100、2200、9、2，语义处理规则，是对排序结果中的语义进行修正，比如，1100存在错误，修正后为1101，此时，得到修正后的语义为：1101、2200、9、2，得到4个偏向信息段。
[0178]
且第一主要相关性分析模型，现将排序后的4个偏向信息段，依次与第二维度信息进行相关性分析，其次，将第一维度信息中除去4个偏向信息段的剩余信息与第二维度信息进行相关性分析，以此来得到第二相关结果。
[0179]
该实施例中，关注类型与对应分析模型都是预先一一匹配设定好的。
[0180]
上述技术方案的有益效果是：基于特征进行语义分析以及确定语义的位置分布，来确定连续分布与单独分布的置信度，进而基于两种规则，得到合理的偏向信息段，进而通过模型，进行两步骤分析，以此，来保证获取的第二相关结果的准确信，间接提高获取可能服务需求的准确性。
[0181]
实施例8：
[0182]
基于实施例1的基础上，基于初始服务列表与对应相关性分析结果的分析服务需求进行对比，预测大规模用户的可能服务需求，包括：
[0183]
捕捉当下时间之前的初始服务列表，并基于所述初始服务列表，确定历史固定服务需求、最新初始服务需求；
[0184]
基于相关性分析结果，得到需求特征，进而确定对应的分析服务需求；
[0185]
将所述最新初始服务需求与分析服务需求进行比较，确定重叠服务需求与非重叠的分析服务需求；
[0186]
基于所述历史固定服务需求，获取重叠服务需求中的当下固定服务需求以及连续服务需求；
[0187]
获取所述初始服务列表的历史变更规则，确定所述当下固定服务需求的第一权值、连续服务需求的第二权值以及非重叠的分析服务需求的第三权值；
[0188]
根据不同服务需求的权值以及需求相关性，确定对服务需求的判断值；
[0189][0190][0191][0192][0193][0194]
其中，n1表示当下固定服务需求的个数；n2表示连续服务需求的个数；n3表示非重
叠的分析服务需求的个数；g
i1
表示第i1个当下固定服务需求的需求值；
∝
i1
表示第i1个当下固定服务需求的第一权值；g
i2
表示第i2个连续服务需求的需求值；
∝
i2
表示第i2个连续服务需求的第二权值；g
i3
表示第i3个非重叠的分析服务需求的需求值；
∝
i3
表示第i3个非重叠的分析服务需求的第三权值；f(g1，g2，g3)表示当下固定服务需求g1、连续服务需求g2、非重叠的分析服务需求g3之间的相关性值；cov(g1，g2，g3)表示基于g1、g2、g3的协方差；var[g1]表示g1的方差；var[g2]表示g2的方差；var[g3]表示g3的方差；δ1表示基于g1，g2的微调函数；δ2表示基于g1，g3的微调函数；δ3表示基于g3，g2的微调函数；
[0195]
若所述判断值大于预设值，将所述非重叠的分析服务需求作为可能服务需求；
[0196]
若所述判断值小于预设值，将所述分析服务需求作为可能服务需求。
[0197]
该实施例中，判断值大于预设值，一般表示的是在权值不变的情况下，相关度越低，对应的判断值越小，此时，可以判定三种服务需求越是无关，因此，来获取可将所有服务需求都保留，保证后续功能模块获取的合理性，反之，只保留非重叠的分析服务需求，有效提高分析效率。
[0198]
上述技术方案的有益效果是：通过确定不同服务需求之间的相关性以及不同服务需求的权值，来计算判断值，便于精准的确定后续需要作为可能服务需求的合理性，保证预测的合理性。
[0199]
实施例9：
[0200]
基于实施例1的基础上，对预设区域的服务资源进行预处理，建立外部数据资源库，包括：
[0201]
获取所述预设区域的服务资源；
[0202]
按照资源类型，对所述服务资源进行归类处理，构建外部数据资源库。
[0203]
优选的，将所述可能服务需求与所述外部数据资源库进行匹配，生成可推荐的服务功能模块，包括：
[0204]
将所述可能服务需求与所述外部数据资源库进行类型在线匹配；
[0205]
根据匹配结果，生成可推荐的服务功能模块。
[0206]
上述技术方案的有益效果是：通过构建外部数据资源库，便于与可能服务需求进行有效匹配，来得到功能模块，进一步满足用户需求，提高用户体验。
[0207]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。