基于大数据和AI的个性化服务处理方法及云计算服务系统与流程

基于大数据和ai的个性化服务处理方法及云计算服务系统
技术领域
1.本技术涉及个性化互联网服务信息技术领域，示例性地，涉及一种基于大数据和ai的个性化服务处理方法及云计算服务系统。


背景技术：

2.当前身处大数据时代，互联网服务商有更多的机会去了解用户，甚至会比用户自己还要了解自己的需求。然而，事实上鲜有客户真正获得精准、贴心的个性化服务，互联网服务商如何快速把握用户的个性化需求和心理预期，是亟待研究的问题。
3.相关技术中在对用户需求进行挖掘时通常是针对在线数据进行挖掘，而离线数据通常缺乏收集行为，针对某些可以在离线场景下的应用而言，由于缺乏相应的大数据分析，导致部分用户需求无法被及时挖掘到，这样也就导致用户的个性化服务体验不足。


技术实现要素：

4.为了至少克服现有技术中的上述不足，本技术的目的在于提供一种基于大数据和ai的个性化服务处理方法及云计算服务系统。
5.第一方面，本技术提供一种基于大数据和ai的个性化服务处理方法，应用于云计算服务系统，所述云计算服务系统与多个5g互联网终端通信连接，所述方法包括：获取参考离线行为数据序列，所述参考离线行为数据序列包括多个离线环境标签的参考离线行为数据；根据所述参考离线行为数据的离线环境标签，对所述参考离线行为数据进行分团，得到多个参考离线行为数据团，并采用所述参考离线行为数据团分别对第一ai网络进行网络权重优化，得到每一参考离线行为数据团对应的第二ai网络；采用所述第二ai网络提取出所述参考离线行为数据序列中参考离线行为数据的离线行为描述，得到每一所述第二ai网络对应的参考离线行为描述，并确定所述参考离线行为描述的关系描述分量，所述关系描述分量用于表征不同第二ai网络对应的参考离线行为描述之间的行为描述关系；根据所述关系描述分量对所述参考离线行为描述进行聚合，得到聚合参考离线行为描述；采用所述聚合参考离线行为描述和参考离线行为数据序列对所述第一ai网络进行网络权重优化，得到第三ai网络，并基于所述第三ai网络对所述5g互联网终端的待挖掘的离线行为大数据进行离线用户需求挖掘。
6.第二方面，本技术实施例还提供一种基于大数据和ai的个性化服务处理系统，所述基于大数据和ai的个性化服务处理系统包括云计算服务系统以及与所述云计算服务系统通信连接的多个5g互联网终端；所述云计算服务系统，用于：获取参考离线行为数据序列，所述参考离线行为数据序列包括多个离线环境标签
的参考离线行为数据；根据所述参考离线行为数据的离线环境标签，对所述参考离线行为数据进行分团，得到多个参考离线行为数据团，并采用所述参考离线行为数据团分别对第一ai网络进行网络权重优化，得到每一参考离线行为数据团对应的第二ai网络；采用所述第二ai网络提取出所述参考离线行为数据序列中参考离线行为数据的离线行为描述，得到每一所述第二ai网络对应的参考离线行为描述，并确定所述参考离线行为描述的关系描述分量，所述关系描述分量用于表征不同第二ai网络对应的参考离线行为描述之间的行为描述关系；根据所述关系描述分量对所述参考离线行为描述进行聚合，得到聚合参考离线行为描述；采用所述聚合参考离线行为描述和参考离线行为数据序列对所述第一ai网络进行网络权重优化，得到第三ai网络，并基于所述第三ai网络对所述5g互联网终端的待挖掘的离线行为大数据进行离线用户需求挖掘。
7.根据上述任意一个方面，本技术提供的实施方式中，在获取参考离线行为数据序列后，根据参考离线行为数据序列中参考离线行为数据的离线环境标签，对参考离线行为数据进行分团，得到多个参考离线行为数据团，并采用参考离线行为数据团分别对第一ai网络进行网络权重优化，得到每一参考离线行为数据团对应的第二ai网络，然后，采用第二ai网络提取出参考离线行为数据序列中参考离线行为数据的离线行为描述，得到每一第二ai网络对应的参考离线行为描述，并确定参考离线行为描述的关系描述分量，然后，根据关系描述分量对参考离线行为描述进行聚合，得到聚合参考离线行为描述，最后，采用聚合参考离线行为描述和参考离线行为数据序列对第一ai网络进行网络权重优化，得到第三ai网络，并基于第三ai网络对待挖掘的离线行为大数据进行离线用户需求挖掘；如此，通过多个离线环境标签对应的参考离线行为数据团训练教师网络（第二ai网络），并通过不同的第二ai网络提取出参考离线行为数据序列的部分传递关系特征，并根据这些传递关系特征的关系描述分量进行聚合，从而得到聚合参考离线行为描述，借助暗知识提取的方式将聚合参考离线行为描述传递给学生网络（第三ai网络），进而有效学习了传递关系特征的特征联系特性，并且提升了第三ai网络预测的准确率，进而最终可以提升离线用户需求挖掘的精度。
附图说明
8.图1为本技术实施例提供的基于大数据和ai的个性化服务处理系统的应用环境示意图；图2为本技术实施例提供的基于大数据和ai的个性化服务处理方法的流程示意图；图3为本技术实施例提供的用于实现上述的基于大数据和ai的个性化服务处理方法的云计算服务系统的结构示意框图。
具体实施方式
9.图1是本技术一种实施例提供的基于大数据和ai的个性化服务处理系统10的应用环境示意图。基于大数据和ai的个性化服务处理系统10可以包括云计算服务系统100以及
与云计算服务系统100通信连接的5g互联网终端200。图1所示的基于大数据和ai的个性化服务处理系统10仅为一种可行的示例，在其它可行的实施例中，该基于大数据和ai的个性化服务处理系统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。
10.一种可独立实施的实施例中，基于大数据和ai的个性化服务处理系统10中的云计算服务系统100和5g互联网终端200可以通过配合执行以下方法实施例所描述的基于大数据和ai的个性化服务处理方法，具体云计算服务系统100和5g互联网终端200的执行步骤部分可以参照以下方法实施例的详细描述。
11.本实施例提供的基于大数据和ai的个性化服务处理方法可以由图1中所示的云计算服务系统100执行，下面对该基于大数据和ai的个性化服务处理方法进行详细介绍。
12.步骤s101、获取参考离线行为数据序列。
13.其中，参考离线行为数据序列包括多个离线环境标签的参考离线行为数据。所谓离线环境标签可以理解为不同离线环境下获得的参考离线行为数据，例如，不同交互性离线环境对应的参考离线行为数据和不同非交互性离线环境对应的参考离线行为数据等，可以发现，交互性离线环境和非交互性离线环境就可以为参考离线行为数据的离线环境标签。
14.其中，获取参考离线行为数据序列的方式可以包括多种，例如，可以直接获取参考离线行为数据序列，或者，当参考离线行为数据数量较多或占用空间较大时，还可以间接获取参考离线行为数据序列，具体可以如下：（1）直接获取参考离线行为数据序列。
15.例如，可以直接接收5g互联网终端或5g互联网服务平台上传的参考离线行为数据，从而得到参考离线行为数据序列，或者，可以从参考离线行为数据库中筛选出至少一个参考离线行为数据，从而得到参考离线行为数据序列。
16.（2）间接获取参考离线行为数据序列例如，可以响应离线需求挖掘服务指令，该离线需求挖掘服务指令中携带参考离线行为数据或参考离线行为数据序列的索引节点信息，根据索引节点信息，获取参考离线行为数据或参考离线行为数据序列，从而得到参考离线行为数据序列。
17.一种可能的设计思路中，在获取到参考离线行为数据之后，还可以识别参考离线行为数据的离线环境标签，例如，可以获取参考离线行为数据的附属信息，在附属信息中识别出参考离线行为数据的数据源标记信息，并根据数据源标记信息，确定该参考离线行为数据的离线环境标签，或者，还可以直接获取参考离线行为数据的数据源标记信息，在数据源标记信息中识别出对应的参考离线行为数据的离线环境标签。
18.步骤s102、根据参考离线行为数据的离线环境标签，对参考离线行为数据进行分团，得到多个参考离线行为数据团，并采用参考离线行为数据团分别对第一ai网络进行网络权重优化，得到每一参考离线行为数据团对应的第二ai网络。
19.例如，一种可独立实施的实施例中，步骤s102可以通过以下示例性的步骤实现：a1、根据参考离线行为数据的离线环境标签，对参考离线行为数据进行分团，得到多个参考离线行为数据团。
20.例如，可以将属于同一离线环境标签的参考离线行为数据分为一类，从而得到该
离线环境标签对应的参考离线行为数据团，或者，还可以对参考离线行为数据序列中的参考离线行为数据进行分团，得到多个参考离线行为数据团，并根据参考离线行为数据的离线环境标签，确定每一个参考离线行为数据团对应的团标签，将团标签添加至对应的参考离线行为数据团中，得到参考离线行为数据团。
21.a2、采用参考离线行为数据团分别对第一ai网络进行网络权重优化，得到每一参考离线行为数据团对应的第二ai网络。
22.例如，可以采用第一ai网络对参考离线行为数据团中的参考离线行为数据进行离线用户需求挖掘，得到预测的参考离线行为数据的离线用户需求挖掘结果，将预测的离线用户需求挖掘结果与参考离线行为数据中的标定的用户需求类型进行损失计算，确定参考离线行为数据的风险评估系数信息，根据参考离线行为数据的风险评估系数信息，对第一ai网络的参数进行更新，以收敛该第一ai网络，从而得到每一参考离线行为数据团对应的第二ai网络。
23.一种设计思路中，采用不同的参考离线行为数据团对第一ai网络进行网络权重优化，可以得到不同的第二ai网络。
24.步骤s103、采用第二ai网络提取出参考离线行为数据序列中参考离线行为数据的离线行为描述，得到每一第二ai网络对应的参考离线行为描述，并确定参考离线行为描述的关系描述分量。
25.其中，关系描述分量用于表征不同第二ai网络对应的参考离线行为描述之间的行为描述关系。
26.其中，参考离线行为描述可以为第二ai网络在参考离线行为数据序列中提取出的传递关系特征组成的行为描述特征，该传递关系特征可以包括每个参考离线行为数据的离线行为特征和参考关系特征等。
27.其中，一种可独立实施的实施例中，步骤s103可以通过以下示例性的步骤实现。
28.b1、采用第二ai网络提取出参考离线行为数据序列中参考离线行为数据的离线行为描述，得到每一第二ai网络对应的参考离线行为描述。
29.例如，可以采用第二ai网络对参考离线行为数据序列中每一参考离线行为数据进行特征提取，得到参考离线行为数据的离线行为特征，根据离线行为特征，确定对应的参考离线行为数据中离线行为的离线用户需求倾向值，将参考离线行为数据的离线行为特征和离线用户需求倾向值作为第二ai网络对应的参考离线行为描述。
30.其中，离线行为特征可以为对参考离线行为数据进行特征提取过程中的中间层的特征，可以包括参考离线行为数据的行为类型特征、行为路径特征、行为轨迹特征、行为关联关系特征等等。
31.其中，离线用户需求倾向值可以为参考离线行为数据中离线行为的用户需求倾向置信度的预测值。
32.b2、确定参考离线行为描述的关系描述分量。
33.例如，可以通过特征关注模型确定参考离线行为描述的关系描述分量，例如可以如下：采用特征关注模型（注意力网络）将参考离线行为描述转换为行为关系特征，并获取行为关系特征对应的预设行为关系参数，将预设行为关系参数与行为关系特征进行融
合，得到参考行为关系描述。
34.其中，采用特征关注模型将参考离线行为描述转换为行为关系特征，例如，可以将参考离线行为描述转换为行为描述特征向量，然后，基于行为描述特征向量构建行为实体向量（k）和行为关系值向量（v），然后，令行为实体向量（k）和行为关系值向量（v）与行为描述特征向量的值相同，将赋值后的行为实体向量（k）和行为关系值向量（v）作为行为关系特征。
35.在转换为行为关系特征之后，便可以获取该行为关系特征对应的预设行为关系参数，例如，可以在预设行为关系参数（q）序列中筛选出行为关系特征对应的关联关系参数（q）作为预设行为关系参数，或者，还可以在预设行为关系参数（q）序列中筛选出参考离线行为描述对应的关联关系参数（q）作为预设行为关系参数。
36.在获取到预设行为关系参数之后，将预设行为关系参数与行为关系特征进行融合的实施方式可以是：将关联关系参数与每一个行为关系特征中的行为实体向量（k）进行点积，就可以得到参考离线行为描述对其它参考离线行为描述的关注力关系描述，将该关注力关系描述作为参考行为关系描述。
37.在得到参考行为关系描述之后，还可以对参考行为关系描述进行规则化处理，从而得到参考离线行为描述的关系描述分量，例如可以通过softmax函数对参考离线行为描述的关注力关系描述进行规则化处理，或者，还可以采用其它归一化函数进行规则化处理，得到每个参考离线行为描述对应的关系描述分量。
38.其中，采用特征关注模型确定参考离线行为描述的关系描述分量，主要目的是形成具有泛化的传递关系特征。
39.一种可能的设计思路中，确定参考离线行为描述的关系描述分量，还可以根据参考离线行为数据团来确定，例如，可以根据参考离线行为描述对应的参考离线行为数据团中参考离线行为数据的数量或者离线环境标签与参考离线行为数据序列的参考离线行为数据总数量或总的离线环境标签进行损失计算，根据损失计算结果来确定参考离线行为描述的关系描述分量，或者，还可以采用其它算法确定参考离线行为描述的关系描述分量。
40.步骤s104、根据关系描述分量对参考离线行为描述进行聚合，得到聚合参考离线行为描述。
41.例如，可以在关系描述分量中提取出离线行为特征对应的第一关系描述分量和离线用户需求倾向值对应的第二关系描述分量，根据第一关系描述分量对每一参考离线行为数据的离线行为特征进行特征丰富，并将特征丰富后的离线行为特征进行聚合，得到每一参考离线行为数据的聚合离线行为特征，基于第二关系描述分量对每一离线用户需求倾向值进行特征丰富，并确定特征丰富后的离线用户需求倾向值之间的关系，得到每一参考离线行为数据的参考关系特征。
42.步骤s105、采用聚合参考离线行为描述和参考离线行为数据序列对第一ai网络进行网络权重优化，得到第三ai网络，并基于第三ai网络对待挖掘的离线行为大数据进行离线用户需求挖掘。
43.例如，一种可独立实施的实施例中，步骤s105可以通过以下示例性的步骤实现。
44.c1、采用聚合参考离线行为描述和参考离线行为数据序列对第一ai网络进行网络权重优化，得到第三ai网络。
45.例如，可以采用第一ai网络提取参考离线行为数据序列中每一参考离线行为数据的离线行为描述，得到第一ai网络对应的目标参考离线行为描述，根据聚合参考离线行为描述和目标参考离线行为描述，确定参考离线行为数据序列对应的风险评估系数信息，基于风险评估系数信息，对第一ai网络进行网络权重优化，以得到第三ai网络，具体可以如下：d1、采用第一ai网络提取参考离线行为数据序列中每一参考离线行为数据的离线行为描述，得到第一ai网络对应的目标参考离线行为描述。
46.例如，采用第一ai网络对参考离线行为数据序列中每一参考离线行为数据进行特征提取，对参考离线行为数据进行多次提取，将提取到的离线行为特征进行聚合，得到每一参考离线行为数据的目标离线行为特征，根据目标离线行为特征确定对应的参考离线行为数据中离线行为的目标离线用户需求倾向值，分别计算多个目标离线用户需求倾向值之间的关系，得到目标参考关系特征，将参考离线行为数据的目标离线行为特征和目标参考关系特征作为第一ai网络对应的目标参考离线行为描述。
47.d2、根据聚合参考离线行为描述和目标参考离线行为描述，确定参考离线行为数据序列对应的风险评估系数信息。
48.例如，可以将聚合参考离线行为描述和目标参考离线行为描述进行损失计算，以得到参考离线行为数据序列对应的第一风险评估系数信息，在目标参考离线行为描述中提取出参考离线行为数据序列中每一参考离线行为数据的用户需求预测信息，并将用户需求预测信息与参考离线行为数据中的用户需求标定信息进行损失计算，以得到参考离线行为数据序列对应的第二风险评估系数信息，将第一风险评估系数信息和第二风险评估系数信息进行加权计算，得到参考离线行为数据序列对应的风险评估系数信息，具体可以如下：（1）将聚合参考离线行为描述和目标参考离线行为描述进行损失计算，以得到参考离线行为数据序列对应的第一风险评估系数信息。
49.例如，可以在目标参考离线行为描述中提取出每一参考离线行为数据对应的目标离线行为特征和目标参考关系特征，将目标离线行为特征与聚合参考离线行为描述中对应的聚合离线行为特征进行损失计算，以得到参考离线行为数据序列对应的离线行为特征的风险评估系数信息，将目标参考关系特征与聚合参考离线行为描述中对应的聚合参考关系特征进行损失计算，以得到参考离线行为数据序列对应的关系特征的风险评估系数信息，将离线行为特征的风险评估系数信息和关系特征的风险评估系数信息作为参考离线行为数据序列对应的第一风险评估系数信息。
50.其中，将目标离线行为特征与聚合参考离线行为描述中对应的聚合离线行为特征进行损失计算的方式可以有多种，例如，可以计算目标离线行为特征和聚合参考离线行为描述中的聚合离线行为特征的均值特征向量，计算目标离线行为特征的均值特征向量与聚合离线行为特征的均值特征向量之间的特征向量损失值，得到第一特征向量损失值。基于第一特征向量损失值，确定参考离线行为数据序列对应的离线行为特征的风险评估系数信息。
51.其中，将目标参考关系特征与聚合参考离线行为描述中对应的聚合参考关系特征进行损失计算的方式可以有多种，例如，可以计算目标参考关系特征与聚合样本特征的特征向量损失值，得到第二特征向量损失值，例如，第二特征向量损失值可以为余弦角度的差
值，将参考离线行为数据序列中每一参考离线行为数据对应的第二特征向量损失值进行加权计算，并将加权计算的特征向量损失值作为参考离线行为数据序列对应的关系特征的风险评估系数信息。
52.其中，需要说明的是，计算离线行为特征的风险评估系数信息和关系特征的风险评估系数信息可以看作是将聚合参考离线行为描述这个传递关系特征通过暗知识提取的方法传递给学生网络，从而得到第二ai网络，针对传递关系特征的不同类型，采用不同的暗知识提取策略，当传递关系特征为参考离线行为数据的离线行为特征时，可以采用mmd（最大平均差）暗知识提取方法传递，当传递关系特征为参考关系特征时，可以采用结构性暗知识提取方法传递。当然，对于传递关系特征的暗知识提取传递给学生网络可以使用不同的暗知识提取方式，例如基于变分的特征暗知识提取，主要目的还是保证暗知识提取的有效性。
53.（2）在目标参考离线行为描述中提取出参考离线行为数据序列中每一参考离线行为数据的用户需求预测信息，并将用户需求预测信息与参考离线行为数据中的用户需求标定信息进行损失计算，以得到参考离线行为数据序列对应的第二风险评估系数信息。
54.例如，具体可以如下：e1、在目标参考离线行为描述中提取出参考离线行为数据序列中每一参考离线行为数据的用户需求预测信息。
55.例如，可以在每一参考离线行为数据对应的目标离线行为特征中提取出目标用户需求特征，并在每一参考离线行为数据对应的目标参考关系特征中提取出目标离线用户需求倾向值，根据目标离线用户需求倾向值确定对应的参考离线行为数据的预测用户需求类型，并将预测用户需求类型和目标用户需求特征作为参考离线行为数据的用户需求预测信息。
56.其中，在目标参考关系特征中提取出目标离线用户需求倾向值的方式可以有多种，例如，根据目标参考关系特征中的离线用户需求倾向值之间的关系，计算参考离线行为数据的至少一个离线用户需求倾向值，将这些离线用户需求倾向值进行融合，就可以得到目标离线用户需求倾向值。
57.在得到目标离线用户需求倾向值之后，便可以确定参考离线行为数据的预测用户需求类型，例如，可以将目标离线用户需求倾向值与预设需求倾向值阈值进行比较，当目标离线用户需求倾向值大于预设需求倾向值阈值时，就可以确定参考离线行为数据的预测用户需求类型为实际用户需求类型，当目标离线用户需求倾向值不大于预设需求倾向值阈值时，就可以确定参考离线行为数据的预测用户需求类型为非实际用户需求类型。
58.e2、将用户需求预测信息与参考离线行为数据中的用户需求标定信息进行损失计算，以得到参考离线行为数据序列对应的第二风险评估系数信息。
59.例如，可以获取参考离线行为数据序列中每一参考离线行为数据的用户需求标定信息，该用户需求标定信息可以包括标定的用户需求特征和标定的用户需求类型，将目标用户需求特征与对应的参考离线行为数据标定的用户需求特征进行损失计算，得到用户需求特征的风险评估系数信息，将预测用户需求类型与对应的参考离线行为数据标定的用户需求类型进行损失计算，得到用户需求类型的风险评估系数信息，并将用户需求特征的风险评估系数信息和用户需求类型的风险评估系数信息作为参考离线行为数据序列对应的
第二风险评估系数信息。
60.其中，确定用户需求特征的风险评估系数信息的方式可以有多种，例如，可以采用均方差损失函数根据预测的用户需求特征和标定的用户需求特征计算参考离线行为数据的用户需求特征的风险评估系数信息，或者，还可以采用其它类型的损失函数计算参考离线行为数据的用户需求特征的风险评估系数信息。
61.其中，确定用户需求类型的风险评估系数信息的方式也可以有多种，例如，可以采用二元交叉嫡损失函数根据预测用户需求类型和标定的用户需求类型计算参考离线行为数据的用户需求类型的风险评估系数信息，或者，还可以采用其它分类损失函数计算参考离线行为数据的用户需求类型的风险评估系数信息。
62.（3）将第一风险评估系数信息和第二风险评估系数信息进行加权计算，得到参考离线行为数据序列对应的风险评估系数信息。
63.例如，可以获取第一风险评估系数信息和第二风险评估系数信息对应的损失权重，根据损失权重对第一风险评估系数信息和第二风险评估系数信息进行特征丰富，并将特征丰富后的第一风险评估系数信息和特征丰富后的第二风险评估系数信息进行加权计算，得到参考离线行为数据序列对应的风险评估系数信息，或者，可以将第一风险评估系数信息进行第二风险评估系数信息进行拼接，得到参考离线行为数据序列对应的风险评估系数信息，或者，还可以将第一风险评估系数信息和第二风险评估系数信息进行组合，得到参考离线行为数据序列对应的风险评估系数信息。
64.d3、基于风险评估系数信息，对第一ai网络进行网络权重优化，以得到第三ai网络。
65.例如，可以基于风险评估系数信息，对第一ai网络的网络参数进行更新，例如，可以采用梯度下降算法或者其它算法对第一ai网络的网络参数进行更新，以收敛该第一ai网络，当完成收敛时，就可以得到第三ai网络。
66.c2、基于第三ai网络对待挖掘的离线行为大数据进行离线用户需求挖掘。
67.例如，可以获取待挖掘的离线行为大数据，该待挖掘的离线行为大数据包括至少一个用于离线用户需求挖掘的离线行为数据，采用第三ai网络对待挖掘的离线行为大数据进行特征提取，得到离线行为数据的离线用户需求相关特征，根据离线用户需求相关特征计算离线行为数据的用户需求倾向置信度，该用户需求倾向置信度用于表征离线行为数据关联于候选离线用户需求的可能性，当所述用户需求倾向置信度大于预设置信度阈值时，将对应的候选离线用户需求确定为挖掘的目标离线用户需求。
68.在获取到待挖掘的离线行为大数据之后，便可以采用第三ai网络对待挖掘的离线行为大数据进行特征提取，特征提取的方式可以有多种，例如，可以直接提取待挖掘的离线行为大数据的离线行为特征，并根据离线行为特征，确定待挖掘的离线行为大数据对应的离线行为关系特征，将离线行为特征和离线行为关系特征进行融合，得到离线行为数据的离线用户需求相关特征。
69.一种可能的设计思路中，该云计算服务系统还可以包括将聚合参考离线行为描述存储至区块链上。
70.由以上可知，本发明实施例在获取参考离线行为数据序列后，根据参考离线行为数据序列中参考离线行为数据的离线环境标签，对参考离线行为数据进行分团，得到多个
参考离线行为数据团，并采用参考离线行为数据团分别对第一ai网络进行网络权重优化，得到每一参考离线行为数据团对应的第二ai网络，然后，采用第二ai网络提取出参考离线行为数据序列中参考离线行为数据的离线行为描述，得到每一第二ai网络对应的参考离线行为描述，并确定参考离线行为描述的关系描述分量，然后，根据关系描述分量对参考离线行为描述进行聚合，得到聚合参考离线行为描述，最后，采用聚合参考离线行为描述和参考离线行为数据序列对第一ai网络进行网络权重优化，得到第三ai网络，并基于第三ai网络对待挖掘的离线行为大数据进行离线用户需求挖掘；如此，通过多个离线环境标签对应的参考离线行为数据团训练教师网络（第二ai网络），并通过不同的第二ai网络提取出参考离线行为数据序列的部分传递关系特征，并根据这些传递关系特征的关系描述分量进行聚合，从而得到聚合参考离线行为描述，借助暗知识提取的方式将聚合参考离线行为描述传递给学生网络（第三ai网络），进而有效学习了传递关系特征的特征联系特性，并且提升了第三ai网络预测的准确率，进而最终可以提升离线用户需求挖掘的精度。
71.根据上面实施例所描述的方法，以下将举例作进一步详细说明。在一种设计思路中，第二ai网络为教师网络，第三ai网络为学生网络为例进行说明。
72.例如，本技术实施例提供一种基于大数据和ai的个性化服务处理方法，具体流程如下：步骤s201、获取参考离线行为数据序列。
73.步骤s202、根据参考离线行为数据的离线环境标签，对参考离线行为数据进行分团，得到多个参考离线行为数据团。
74.步骤s203、采用参考离线行为数据团分别对第一ai网络进行网络权重优化，得到每一参考离线行为数据团对应的教师网络。
75.例如，可以采用第一ai网络对参考离线行为数据团中的参考离线行为数据进行离线用户需求挖掘，得到预测的参考离线行为数据的离线用户需求挖掘结果，将预测的离线用户需求挖掘结果与参考离线行为数据中的标定的用户需求类型进行损失计算，确定参考离线行为数据的风险评估系数信息，根据参考离线行为数据的风险评估系数信息，对第一ai网络的参数进行更新，以收敛该第一ai网络，从而得到每一参考离线行为数据团对应的教师网络。
76.步骤s204、采用教师网络提取出参考离线行为数据序列中参考离线行为数据的离线行为描述，得到每一教师网络对应的参考离线行为描述。
77.例如，可以采用教师网络对参考离线行为数据序列中每一参考离线行为数据进行特征提取，得到参考离线行为数据的离线行为特征，根据离线行为特征，确定对应的参考离线行为数据中离线行为的离线用户需求倾向值，将参考离线行为数据的离线行为特征和离线用户需求倾向值作为教师网络对应的参考离线行为描述。
78.步骤s205、确定参考离线行为描述的关系描述分量。
79.步骤s206、根据关系描述分量对参考离线行为描述进行聚合，得到聚合参考离线行为描述。
80.例如，可以在关系描述分量中提取出离线行为特征对应的第一关系描述分量和离线用户需求倾向值对应的第二关系描述分量，根据第一关系描述分量对每一参考离线行为数据的离线行为特征进行特征丰富，并将特征丰富后的离线行为特征进行聚合，得到每一
参考离线行为数据的聚合离线行为特征，基于第二关系描述分量对每一离线用户需求倾向值进行特征丰富，将特征丰富后的离线用户需求倾向值转换为对应的一维向量，分别计算一维向量之间的余弦角，从而得到参考离线行为数据对应的参考关系特征。
81.步骤s207、采用聚合参考离线行为描述和参考离线行为数据序列对第一ai网络进行网络权重优化，得到学生网络。
82.例如，采用第一ai网络对参考离线行为数据序列中每一参考离线行为数据进行特征提取，对参考离线行为数据进行多次提取，将提取到的离线行为特征进行聚合，得到每一参考离线行为数据的目标离线行为特征，根据目标离线行为特征确定对应的参考离线行为数据中离线行为的目标离线用户需求倾向值，分别计算多个目标离线用户需求倾向值之间的关系，得到目标参考关系特征，将参考离线行为数据的目标离线行为特征和目标参考关系特征作为第一ai网络对应的目标参考离线行为描述。
83.可以在目标参考离线行为描述中提取出每一参考离线行为数据对应的目标离线行为特征和目标参考关系特征，计算目标离线行为特征和聚合参考离线行为描述中的聚合离线行为特征的均值特征向量，计算目标离线行为特征的均值特征向量与聚合离线行为特征的均值特征向量之间的特征向量损失值，得到第一特征向量损失值。基于第一特征向量损失值，确定参考离线行为数据序列对应的离线行为特征的风险评估系数信息。
84.计算目标参考关系特征与聚合样本特征的特征向量损失值，得到第二特征向量损失值，例如，第二特征向量损失值可以为余弦角度的差值，将参考离线行为数据序列中每一参考离线行为数据对应的第二特征向量损失值进行加权计算，并将加权计算的特征向量损失值作为参考离线行为数据序列对应的关系特征的风险评估系数信息。将离线行为特征的风险评估系数信息和关系特征的风险评估系数信息作为参考离线行为数据序列对应的第一风险评估系数信息。
85.可以在每一参考离线行为数据对应的目标离线行为特征中提取出目标用户需求特征，并根据目标参考关系特征中的离线用户需求倾向值之间的关系，计算参考离线行为数据的至少一个离线用户需求倾向值，将这些离线用户需求倾向值进行融合，就可以得到目标离线用户需求倾向值。将目标离线用户需求倾向值与预设需求倾向值阈值进行比较，当目标离线用户需求倾向值大于预设需求倾向值阈值时，就可以确定参考离线行为数据的预测用户需求类型为实际用户需求类型，当目标离线用户需求倾向值未大于预设需求倾向值阈值时，就可以确定参考离线行为数据的预测用户需求类型为非实际用户需求类型。将预测用户需求类型和目标用户需求特征作为参考离线行为数据的用户需求预测信息。
86.获取参考离线行为数据序列中每一参考离线行为数据的用户需求标定信息，该用户需求标定信息可以包括标定的用户需求特征和标定的用户需求类型，采用均方差损失函数根据预测的户需求特征和标定的户需求特征计算参考离线行为数据的用户需求特征的风险评估系数信息，采用二元交叉嫡损失函数根据预测用户需求类型和标定的用户需求类型计算参考离线行为数据的用户需求类型的风险评估系数信息，并将用户需求特征的风险评估系数信息和用户需求类型的风险评估系数信息作为参考离线行为数据序列对应的第二风险评估系数信息。
87.可以获取第一风险评估系数信息和第二风险评估系数信息对应的损失权重，根据损失权重对第一风险评估系数信息和第二风险评估系数信息进行特征丰富，并将特征丰富
后的第一风险评估系数信息和特征丰富后的第二风险评估系数信息进行加权计算，得到参考离线行为数据序列对应的风险评估系数信息，或者，可以将第一风险评估系数信息进行第二风险评估系数信息进行拼接，得到参考离线行为数据序列对应的风险评估系数信息，或者，还可以将第一风险评估系数信息和第二风险评估系数信息进行组合，得到参考离线行为数据序列对应的风险评估系数信息。
88.可以采用梯度下降算法或者其它算法对第一ai网络的网络参数进行更新，以收敛该第一ai网络，当完成收敛时，就可以得到学生网络。
89.步骤s208、基于学生网络对待挖掘的离线行为大数据进行离线用户需求挖掘。
90.例如，可以直接获取待挖掘的离线行为大数据。采用学生网络的特征提取网络直接提取待挖掘的离线行为大数据的离线行为特征，并根据离线行为特征，确定待挖掘的离线行为大数据对应的离线行为关系特征，将离线行为特征和离线行为关系特征进行融合，得到离线行为数据的离线用户需求相关特征，根据所述离线用户需求相关特征，计算所述离线行为数据的用户需求倾向置信度，所述用户需求倾向置信度用于表征所述离线行为数据关联于候选离线用户需求的可能性；当所述用户需求倾向置信度大于预设置信度阈值时，将对应的候选离线用户需求确定为挖掘的目标离线用户需求。
91.由以上可知，在获取参考离线行为数据序列后，根据参考离线行为数据序列中参考离线行为数据的离线环境标签，对参考离线行为数据进行分团，得到多个参考离线行为数据团，并采用参考离线行为数据团分别对第一ai网络进行网络权重优化，得到每一参考离线行为数据团对应的第二ai网络，然后，采用第二ai网络提取出参考离线行为数据序列中参考离线行为数据的离线行为描述，得到每一第二ai网络对应的参考离线行为描述，并确定参考离线行为描述的关系描述分量，然后，根据关系描述分量对参考离线行为描述进行聚合，得到聚合参考离线行为描述，最后，采用聚合参考离线行为描述和参考离线行为数据序列对第一ai网络进行网络权重优化，得到第三ai网络，并基于第三ai网络对待挖掘的离线行为大数据进行离线用户需求挖掘；如此，通过多个离线环境标签对应的参考离线行为数据团训练教师网络（第二ai网络），并通过不同的第二ai网络提取出参考离线行为数据序列的部分传递关系特征，并根据这些传递关系特征的关系描述分量进行聚合，从而得到聚合参考离线行为描述，借助暗知识提取的方式将聚合参考离线行为描述传递给学生网络（第三ai网络），进而有效学习了传递关系特征的特征联系特性，并且提升了第三ai网络预测的准确率，进而最终可以提升离线用户需求挖掘的精度。
92.一种可独立实施的实施例中，在对离线行为大数据进行离线用户需求挖掘后，本技术实施例还提供一种基于大数据的个性化服务内容优化方法，包括以下步骤。
93.步骤s110，获取所述离线行为大数据对应的目标离线用户需求数据集。
94.一种设计思路中，所述目标离线用户需求数据集包括每个基础离线行为数据以及每个基础离线行为数据对应的目标离线用户需求。
95.步骤s120，基于每个所述目标离线用户需求向所述5g互联网终端推送对应的在线个性化服务内容数据，并获取所述5g互联网终端针对所述在线个性化服务内容数据的跟踪离线行为数据。
96.步骤s130，对每个所述目标离线用户需求对应的基础离线行为数据和跟踪离线行为数据进行分析，获得每个所述目标离线用户需求对应的衍生需求特征。
97.步骤s140，基于每个所述目标离线用户需求对应的衍生需求特征对下一次推送的在线个性化服务内容数据进行内容优化。
98.基于以上步骤，本实施例在获得离线行为大数据对应的目标离线用户需求数据集后，基于每个目标离线用户需求向5g互联网终端推送对应的在线个性化服务内容数据，并获取5g互联网终端针对在线个性化服务内容数据的跟踪离线行为数据，然后对每个目标离线用户需求对应的基础离线行为数据和跟踪离线行为数据进行分析，获得每个目标离线用户需求对应的衍生需求特征，基于每个目标离线用户需求对应的衍生需求特征对下一次推送的在线个性化服务内容数据进行内容优化。如此，通过进一步跟踪考虑针对所述在线个性化服务内容数据的跟踪离线行为数据，并与原基础离线行为数据进行比对分析后对下一次推送的在线个性化服务内容数据进行内容优化，可以提高后续推送内容的准确性。
99.一种可独立实施的实施例中，对于步骤s120，在基于每个所述目标离线用户需求向所述5g互联网终端推送对应的在线个性化服务内容数据的流程中，本技术实施例还提供一种基于大数据的个性化服务内容推送方法，包括以下步骤。
100.步骤s210，获取在线用户需求服务内容对应于所述5g互联网终端的互联网用户画像的内容分发进程中之前的内容分发任务生成的基础内容分发知识网络，所述基础内容分发知识网络包括在线用户需求服务内容中向所述之前的内容分发任务完成分发的内容分发知识实体。
101.步骤s220，根据所述基础内容分发知识网络，确定所述在线用户需求服务内容的内容分发进程中当前推送阶段的内容分发任务在分发调用所述在线用户需求服务内容中的当前内容分发知识网络时，向内容推送任务传递的用于引用所述当前内容分发知识网络的内容推送节点的初始引用知识单元。
102.步骤s230，根据所述初始引用知识单元和所述当前推送阶段的内容分发任务生成的针对获取的下一组内容分发知识网络的融合引用知识单元，确定所述当前推送阶段的内容分发任务在分发调用所述在线用户需求服务内容过程中向所述内容推送任务传递的目标引用知识单元。
103.步骤s240，根据所述当前推送阶段的内容分发任务在分发调用所述在线用户需求服务内容过程中向所述内容推送任务传递的目标引用知识单元，从所述在线用户需求服务内容中对所述内容推送任务执行对应的在线个性化服务内容数据的推送行为。
104.基于以上步骤，本实施例通过获取在线用户需求服务内容对应于5g互联网终端的互联网用户画像的内容分发进程中之前的内容分发任务生成的基础内容分发知识网络，然后确定在线用户需求服务内容的内容分发进程中当前推送阶段的内容分发任务在分发调用在线用户需求服务内容中的当前内容分发知识网络时，向内容推送任务传递的用于引用当前内容分发知识网络的内容推送节点的初始引用知识单元，由此确定当前推送阶段的内容分发任务在分发调用在线用户需求服务内容过程中向内容推送任务传递的目标引用知识单元，从在线用户需求服务内容中对内容推送任务执行对应的在线个性化服务内容数据的推送行为，从而提高内容推送与用户需求的匹配度。
105.一种可独立实施的实施例中，针对步骤s140，本技术实施例提供一种基于人工智能的服务内容优化方法，包括以下步骤。
106.步骤s310，获取目标离线用户需求的衍生需求知识点产生的衍生需求知识地图的
知识地图数据，所述知识地图数据包括所述衍生需求知识地图的频繁项知识点类别、所述衍生需求知识地图的衍生需求知识点信息以及所述衍生需求知识地图的引用需求知识地图。
107.一种设计思路中，所述衍生需求知识地图可以是任何形式的与所述衍生需求知识点有关的需求知识地图信息。
108.一种设计思路中，一个需求知识地图信息可以具有一个或多个频繁项知识点类别。所述频繁项知识点类别可以代表需求知识地图信息的需求知识地图信息衍生需求类别或者需求知识地图信息中的频繁项特征。
109.又例如，衍生需求知识点信息可以是与衍生需求知识地图之间具有内容关联关系的衍生需求知识点。
110.又例如，衍生需求知识点信息还可以包括衍生需求知识地图的目标衍生需求知识点以及衍生需求知识地图的关联衍生需求知识点中的其中一个或多个；引用需求知识地图可以包括衍生需求知识地图的目标衍生需求知识点对应的衍生需求知识地图，衍生需求知识地图可以包括一个或多个需求知识地图信息。
111.一种设计思路中，知识地图数据可以是与衍生需求知识地图的具体内容信息具有知识地图性的相关数据或信息，例如，其可以包括衍生需求知识地图的频繁项知识点类别、衍生需求知识地图的衍生需求知识点信息以及衍生需求知识地图的引用需求知识地图。
112.步骤s320，获取所述衍生需求知识地图以及所述知识地图数据中各个知识地图单元的兴趣预测信息。
113.其中，衍生需求知识地图的兴趣预测信息可以表示衍生需求知识地图的内容特征，知识地图数据中各个知识地图单元的兴趣预测信息可以标识各个知识地图单元的内容特征。
114.步骤s330，确定所述衍生需求知识地图对应的知识地图属性。其中，所述知识地图属性表征所述衍生需求知识地图和所述知识地图数据中各个知识地图单元之间的知识点联结关系。
115.步骤s340，根据各所述兴趣预测信息以及所述知识地图属性，确定所述衍生需求知识地图的关注兴趣点信息，以根据所述关注兴趣点信息进行所述衍生需求知识地图的关注兴趣点特征分析，并基于所述衍生需求知识地图的关注兴趣点特征对下一次推送的在线个性化服务内容数据进行内容优化。
116.一种设计思路中，衍生需求知识地图的关注兴趣点信息可以包括该衍生需求知识地图相关的各类型的兴趣点信息，例如，可通过预先确定的兴趣实例化特征映射函数映射到对应的兴趣实例化特征空间中，实现针对衍生需求知识地图的兴趣点特征表达，进而得到关注兴趣点信息。
117.如此，在获取需求知识地图信息的兴趣资源信息时，在对衍生需求知识地图本身进行分析时，同时对包括衍生需求知识地图的频繁项知识点类别、衍生需求知识地图的衍生需求知识点信息以及衍生需求知识地图的引用需求知识地图知识地图数据的知识地图数据进行分析。由于频繁项知识点类别可以表示需求知识地图信息自身的有关特征，引用需求知识地图可以表示目标衍生需求知识点的另一维度的特征，如此分析得到的关注兴趣点信息除需求知识地图信息自身特征之外，还具有需求知识地图信息有关的其它维度的特
征，使得所得到的关注兴趣点信息能够针对需求知识地图信息兴趣实例化特征进行准确的表达，从而在基于所述衍生需求知识地图的关注兴趣点特征对下一次推送的在线个性化服务内容数据进行内容优化，能够提高内容优化的准确性。
118.下面结合具体的实施方式对上述的各步骤的具体实现方式进行详细的描述。
119.首先，在步骤s330中，所述确定所述衍生需求知识地图对应的知识地图属性，可以包括以下步骤。
120.步骤s3301，根据所述知识地图数据以及所述衍生需求知识地图，生成所述衍生需求知识地图对应的衍生需求导图，所述衍生需求导图为对所述知识地图属性进行了属性特征整合的知识图谱。
121.一种设计思路中，所述衍生需求导图可以包括多个相互之间直接或间接连接的导图单元。所述导图单元可以包括所述衍生需求知识地图对应的导图单元、以及所述知识地图数据中各个知识地图单元分别对应的导图单元，所述衍生需求导图中的导图联结属性包括所述衍生需求知识地图和所述知识地图数据中各个知识地图单元对应的导图单元之间的联结关系信息。所述导图单元可以理解为构成所述衍生需求导图的不同的导图节点等。所述导图节点间可存在特征连接关系。所述联结关系信息可以是一个多维的数组用于表达具有特征连接关系的导图单元之间的相关的信息。
122.基于上述内容，在上述步骤s340中，所述根据各所述兴趣预测信息以及所述知识地图属性，确定所述衍生需求知识地图的关注兴趣点信息，包括：步骤s3401，根据各所述兴趣预测信息以及所述衍生需求导图，确定所述衍生需求知识地图的关注兴趣点信息。其中，所述知识地图数据包括一个或多个频繁项知识点类别，所述衍生需求导图中的导图联结属性还包括各频繁项知识点类别所关联的导图单元之间的联结关系信息。
123.一种设计思路中，通过衍生需求导图表达知识地图数据与衍生需求知识地图之间的知识地图属性。衍生需求导图中不但包括各导图单元的信息，还包括衍生需求导图中的导图联结属性，作为知识地图属性，如此，根据衍生需求导图实现知识地图属性的表达，可以准确的表达出衍生需求知识地图对应的特征。
124.详细地，步骤s3401中，根据各所述兴趣预测信息以及所述衍生需求导图，确定所述衍生需求知识地图的关注兴趣点信息，可以包括：针对所述衍生需求导图中的目标导图单元，根据所述目标导图单元的各种衍生需求类别下的每个级联导图单元对应的兴趣预测信息，采集得到各种衍生需求类别下的需求知识地图信息对应的第一兴趣资源信息，所述目标导图单元为所述衍生需求知识地图对应的导图单元，所述知识地图数据中的各类数据分别对应的导图单元对应于一种衍生需求类别下的导图单元；根据所述目标导图单元所对应的各所述第一兴趣资源信息和所述目标导图单元的兴趣预测信息，得到所述衍生需求知识地图的关注兴趣点信息。
125.一种设计思路中，其中，目标导图单元的级联导图单元可以是与目标导图单元之间存在联结关系信息的导图单元，级联导图单元可以表达目标导图单元的关联导图单元信息，为此，采集目标导图单元对应的关注兴趣点信息时，可以同时考虑目标导图单元的每个级联导图单元的兴趣资源信息。
126.应当理解的是，针对衍生需求导图中的每个导图单元，均需要根据该导图单元的各种衍生需求类别下的需求知识地图信息对应的兴趣预测信息，采集得到该导图单元对应的各种衍生需求类别下的需求知识地图信息对应的第一兴趣资源信息。
127.此外，各衍生需求类别下的级联导图单元对应表达导图单元的相关信息不同，因此，在采集每个级联导图单元的导图单元兴趣资源信息（第一兴趣资源信息）时，可以按照级联导图单元的衍生需求类别进行采集。同一衍生需求类别下的需求知识地图信息对应一个第一兴趣资源信息。
128.详细的，为了获得每个所述导图单元的实体化描述信息，可以针对所述衍生需求导图中的每个导图单元，游走循环执行以下步骤来实现：（1）根据该导图单元的各种衍生需求类别下的每个级联导图单元的当前兴趣资源信息，采集得到该衍生需求类别下的需求知识地图信息对应的第二兴趣资源信息。
129.（2）根据该导图单元的当前兴趣资源信息和该导图单元对应的各第二兴趣资源信息，得到该导图单元的目标兴趣资源信息。一种设计思路中，在首次游走循环时所述当前兴趣资源信息为预设资源信息，所述目标兴趣资源信息为所述导图单元的兴趣资源信息。相应地，在非首次游走循环时，首次游走循环对应的当前兴趣资源信息为所述兴趣预测信息，非首次游走循环对应的当前兴趣资源信息为前次游走循环得到的目标兴趣资源信息，所述导图单元的兴趣资源信息为末次游走循环得到的目标兴趣资源信息。 例如，所述预设资源信息可以是基于所述兴趣预测信息而获得的资源信息。
130.在上述内容的基础上，步骤s3401中根据所述目标导图单元的各种衍生需求类别下的每个级联导图单元对应的兴趣预测信息，采集得到每个所述衍生需求类别下的需求知识地图信息对应的第一兴趣资源信息，具体的实现方式可以包括：针对各个衍生需求类别，将所述目标导图单元的该衍生需求类别下的每个级联导图单元的导图单元兴趣资源信息进行特征整合，得到该衍生需求类别下的需求知识地图信息对应的第一兴趣资源信息；相应地，在上述内容的基础上，步骤s3401中根据所述目标导图单元所对应的各所述第一兴趣资源信息和所述目标导图单元的兴趣预测信息，得到所述衍生需求知识地图的关注兴趣点信息，具体可以包括：（11）获取各所述衍生需求类别下的需求知识地图信息对应的第一类别影响系数，以及所述衍生需求知识地图对应的第二类别影响系数；（12）根据各所述衍生需求类别下的需求知识地图信息对应的第一类别影响系数，对各所述衍生需求类别下的需求知识地图信息对应的第一兴趣资源信息进行融合，得到各所述衍生需求类别下的需求知识地图信息对应的第二兴趣资源信息；（13）根据所述第二类别影响系数，对所述目标导图单元的导图单元兴趣资源信息进行融合，得到第三兴趣资源信息；（14）对各所述衍生需求类别下的需求知识地图信息对应的第二兴趣资源信息和所述第三兴趣资源信息进行拼接，得到拼接后的兴趣资源信息；（15）根据拼接后的兴趣资源信息，得到所述衍生需求知识地图的关注兴趣点信息。
131.其中，对应每个衍生需求类别下的每个级联导图单元，各个级联导图单元的导图
单元兴趣资源信息分别表达不同的内容，将每个级联导图单元的导图单元兴趣资源信息进行特征整合，将特征整合后的兴趣资源信息作为该衍生需求类别下的需求知识地图信息对应的第一兴趣资源信息。针对衍生需求导图中的目标导图单元的各种衍生需求类别下的每个级联导图单元可对应处理，得到该目标导图单元的各衍生需求类别下的需求知识地图信息对应的第一兴趣资源信息。
132.其中，考虑到各衍生需求类别下的需求知识地图信息针对衍生需求知识地图的关注兴趣点信息的具有不同的类别影响程度，因此可根据各衍生需求类别下的需求知识地图信息对应的第一类别影响系数，以及衍生需求知识地图对应的第二类别影响系数，对各种衍生需求类别下的需求知识地图信息对应的第一兴趣资源信息和目标导图单元的导图单元兴趣资源信息进行拼接，以使得到的拼接后的兴趣资源信息中特别考虑了衍生需求类别下的需求知识地图信息对关注兴趣点信息的影响，使得得到关注兴趣点信息进一步更加完善。一种设计思路中，衍生需求导图中的不同导图单元的各衍生需求类别下的需求知识地图信息对应的第一类别影响系数可以相同也可以不同。
133.其中，在得到各种衍生需求类别下的需求知识地图信息对应的第一兴趣资源信息之后，可对各种衍生需求类别下的需求知识地图信息对应的第一兴趣资源信息和目标导图单元的导图单元兴趣资源信息进行拼接，得到拼接后的兴趣资源信息，该拼接后的兴趣资源信息中包含了每个级联导图单元的兴趣资源信息以及目标导图单元的兴趣资源信息，则对该拼接后的兴趣资源信息进行进一步的分析得到的衍生需求知识地图的关注兴趣点信息更为符合实际。
134.作为一种示例，知识地图数据与衍生需求知识地图分别对应不同衍生需求类别下的需求知识地图信息，本实施例可以通过衍生需求导图对上述特征进行表达，基于此，所述衍生需求导图可以为具有衍生需求类别下的导图单元的衍生需求导图，例如，衍生需求导图可以是n{u，s，c}，u表示导图单元，s表示导图联结属性，c为导图单元衍生需求类别。知识地图数据和及其相关的信息中的分别对应的导图单元对应于一种衍生需求类别下的导图单元。例如，知识地图数据包括频繁项知识点类别和衍生需求知识点信息，每个频繁项知识点类别对应一个导图单元，每个衍生需求知识点信息对应一个导图单元，各频繁项知识点类别对应的导图单元为相应的衍生需求类别下的导图单元，各衍生需求知识点信息对应的导图单元为不同的另一个衍生需求类别下的导图单元。
135.示例性地，衍生需求知识地图的知识地图数据中包括频繁项知识点类别，衍生需求知识点信息。衍生需求知识点信息包括第一目标衍生需求知识点和第二目标衍生需求知识点、关联衍生需求知识点,第一引用需求知识地图和第二引用需求知识地图。那么，该衍生需求知识地图对应的衍生需求导图中的导图单元包括对应的第一导图单元，频繁项知识点类别对应的第二导图单元，第一目标衍生需求知识点对应的第三导图单元，第二目标衍生需求知识点对应的第四导图单元，关联衍生需求知识点对应的第五导图单元，第一引用需求知识地图对应的第六导图单元,第二引用需求知识地图对应的第七导图单元；该衍生需求导图中的导图联结属性包括第一导图单元分别与第二导图单元、第三导图单元、第四导图单元、第五导图单元、第六导图单元以及第七导图单元之间的联结关系信息。
136.针对步骤s320，所述获取所述衍生需求知识地图以及所述知识地图数据中各个知识地图单元的兴趣预测信息，可以包括以下步骤。
137.步骤s3201，获取所述衍生需求知识地图的关键知识地图信息，采集所述关键知识地图信息对应的关键兴趣资源信息，将所述关键兴趣资源信息作为所述衍生需求知识地图的兴趣预测信息。
138.一种可独立实施的实施例中，衍生需求知识点信息包括衍生需求知识地图的目标衍生需求知识点或衍生需求知识地图的关联衍生需求知识点其中一个或多个，若衍生需求知识点信息包括目标衍生需求知识点，过往需求知识地图信息为目标衍生需求知识点在当前业务进展阶段之前的第一预设业务进展阶段内互动产生的需求知识地图信息，若衍生需求知识点信息包括关联衍生需求知识点，过往需求知识地图信息为关联衍生需求知识点在当前业务进展阶段之前的第二预设业务进展阶段内产生的需求知识地图信息。其中，第一预设业务进展阶段和所述第二预设业务进展阶段可以相同也可以不同。
139.再一种可独立实施的实施例中，若知识地图数据包括衍生需求知识地图的频繁项知识点类别，频繁项知识点类别为标识id，针对每个频繁项知识点类别对应的导图单元，可根据与关键知识地图信息类似的方式，得到频繁项知识点类别对应的标识性的兴趣资源信息，将标识性的兴趣资源信息作为频繁项知识点类别对应导图单元的兴趣预测信息。若频繁项知识点类别不是id标识，可将频繁项知识点类别映射为id标识，然后再确定频繁项知识点类别对应导图单元的兴趣预测信息。
140.步骤s3202，当所述知识地图数据包括所述衍生需求知识点信息时，针对每个所述衍生需求知识点信息，获取所述衍生需求知识点信息对应的过往需求知识地图信息，根据所述过往需求知识地图信息确定所述衍生需求知识点信息的兴趣预测信息。
141.一种设计思路中，其中，关键知识地图信息可以表示需求知识地图信息的关键特征，例如预设维度有关的特征信息，由此可以将关键知识地图信息的关键兴趣资源信息作为衍生需求知识地图对应导图单元的兴趣预测信息。
142.其中，所述衍生需求知识点信息包括所述衍生需求知识地图的目标衍生需求知识点和所述衍生需求知识地图的关联衍生需求知识点其中的一个或多个；所述引用需求知识地图包括所述衍生需求知识地图的目标衍生需求知识点对应的衍生需求知识地图，所述衍生需求知识地图为所述目标衍生需求知识点在产生所述衍生需求知识地图的业务进展阶段对应的一个或多个需求知识地图信息；当所述衍生需求知识点信息包括目标衍生需求知识点时，所述过往需求知识地图信息为所述目标衍生需求知识点在当前业务进展阶段之前的第一预设业务进展阶段内产生的需求知识地图信息，当所述衍生需求知识点信息包括关联衍生需求知识点时，所述过往需求知识地图信息为所述关联衍生需求知识点在当前业务进展阶段之前的第二预设业务进展阶段内产生的需求知识地图信息。
143.其中，关联衍生需求知识点可以是衍生需求知识地图相关的衍生需求知识点，引用需求知识地图为目标衍生需求知识点在产生衍生需求知识地图的业务进展阶段前后通过互动产生的一个或多个需求知识地图信息。
144.在上述内容的基础上，于步骤s340中，所述根据所述关注兴趣点信息进行所述衍生需求知识地图的关注兴趣点特征分析，可以包括以下两种方式的任意一种。
145.第一，根据所述衍生需求知识地图的关注兴趣点信息和第一需求知识地图信息库中各候选需求知识地图信息的关注兴趣点信息的第一兴趣索引参数，从第一需求知识地图信息库中确定出引用需求知识地图，将所述引用需求知识地图下发给目标衍生需求知识
点，其中，所述衍生需求知识地图为所述目标衍生需求知识点的过往需求知识地图信息的关联需求知识地图信息。
146.第二，根据第二需求知识地图信息库中各需求知识地图信息的关注兴趣点信息之间的第二兴趣索引参数，对所述第二需求知识地图信息库中的各需求知识地图信息进行聚类，其中，所述衍生需求知识地图为第二需求知识地图信息库中的其中一个或多个需求知识地图信息。
147.在另一种可独立实施的实施例中，针对步骤s340，还可以根据各衍生需求知识地图对应的关注兴趣点信息对多个需求知识地图信息（衍生需求知识地图）进行分团得到不同聚类对应的需求知识地图信息集合。详细地，所述根据各所述兴趣预测信息以及所述知识地图属性，确定所述衍生需求知识地图的关注兴趣点信息，以根据所述关注兴趣点信息进行所述衍生需求知识地图的关注兴趣点特征分析，可以包括以下内容：首先，获取多个待定的需求知识地图信息分别对应的至少一种兴趣资源热点特征；其中，各兴趣资源热点特征是根据不同的需求知识地图信息对应的兴趣资源信息分析得到，每个所述待定的需求知识地图信息为一个所述衍生需求知识地图；其次，对于每个需求知识地图信息，分别获取每个兴趣资源热点特征对应该需求知识地图信息的分团标签信息；接着，对于每个需求知识地图信息，根据各个兴趣资源热点特征对应该需求知识地图信息的各个分团标签信息确定该需求知识地图信息的目标分团标签信息，得到各所述待定的需求知识地图信息的需求知识地图信息分团标签信息；然后，根据所述待定的需求知识地图信息的需求知识地图信息分团标签信息对所述待定的需求知识地图信息进行分团；最后根据各所述待定的需求知识地图信息的分团结果，将所述多个待定的需求知识地图信息进行聚类，得到多个需求知识地图信息聚类分别对应的需求知识地图信息集合。
148.其中，所述获取待定的需求知识地图信息的至少一种兴趣资源热点特征，包括：从所述待定的需求知识地图信息中获取至少一种需求知识项目信息，获取每个需求知识项目信息分别对应的兴趣资源信息，并根据所述兴趣资源信息获取各需求知识项目信息的兴趣实例化特征；将各需求知识项目信息的兴趣实例化特征进行特征融合得到所述待定的需求知识地图信息的兴趣资源热点特征，其中，所述需求知识项目信息为所述需求知识地图信息的知识地图数据中的其中一项。
149.相应地，所述获取多个待定的需求知识地图信息分别对应的至少一种兴趣资源热点特征，包括：从各所述待定的需求知识地图信息中获取至少一种需求知识项目信息；对所述待定的需求知识地图信息的兴趣资源信息进行兴趣实例化特征提取，得到所述待定的需求知识地图信息的至少一种全局兴趣资源热点特征；对每个需求知识项目信息进行兴趣实例化特征提取，得到每个所述需求知识项目信息的至少一种局部兴趣资源热点特征；以及对于每个需求知识项目信息的各所述局部兴趣资源热点特征，分别将各所述局部
兴趣资源热点特征与所述待定的需求知识地图信息中的全局兴趣资源热点特征进行特征融合，得到所述待定的需求知识地图信息的兴趣资源热点特征。
150.进一步地，同样针对步骤s340，所述根据各所述兴趣预测信息以及所述知识地图属性，确定所述衍生需求知识地图的关注兴趣点信息，可以通深度学习网络方式实现，例如可以将所述兴趣预测信息以及所述知识地图属性输入关注兴趣点分析网络，得到所述衍生需求知识地图的关注兴趣点信息。
151.例如，一种可独立实施的实施例中，本技术实施例提供一种基于人工智能的关注兴趣分析方法，具体可以包括以下步骤。
152.步骤s401，获取网络收敛基础数据库，所述网络收敛基础数据库中包括多个基础关注兴趣训练数据。其中，所述基础关注兴趣训练数据可以是用于作为训练样本数据，其可以包括一个示例需求知识地图信息对应的示例衍生需求导图以及该示例衍生需求导图中各导图单元的兴趣预测信息。其中，每个示例衍生需求导图中的各导图单元包括示例需求知识地图信息对应的第一导图单元和各第一关联需求知识地图信息对应的第二导图单元，所述第一关联需求知识地图信息为示例需求知识地图信息的知识地图数据中包括的不同类型的数据，所述示例衍生需求导图中的导图联结属性包括所述第一导图单元与各所述第二导图单元之间的联结关系信息。
153.步骤s402，将各所述基础关注兴趣训练数据加载到初始的关注兴趣点分析网络，得到每个所述基础关注兴趣训练数据对应的各导图单元的预测兴趣资源信息。一种设计思路中，所述初始的关注兴趣点分析网络可以是卷积神经网络模型、循环卷积网络模型等，但不限于此。
154.步骤s403，针对每个所述基础关注兴趣训练数据，根据该基础关注兴趣训练数据的示例衍生需求导图中第一导图单元的预测兴趣资源信息和各第二导图单元的预测兴趣资源信息之间的第二兴趣索引参数，确定所述基础关注兴趣训练数据对应的第一损失函数值。
155.步骤s404，根据各所述基础关注兴趣训练数据对应的第一损失函数值，确定所述关注兴趣点分析网络对应的全局损失函数值。
156.步骤s405，根据所述全局损失函数值对所述关注兴趣点分析网络进行循环训练，直到所述全局损失函数值收敛。
157.其中，示例衍生需求导图可以是示例需求知识地图信息对应的衍生需求导图，示例衍生需求导图中各导图单元的兴趣预测信息可根据前述的衍生需求知识地图对应的衍生需求导图中各导图单元的兴趣预测信息的方式得到，此处不再一一赘述。
158.其中，针对每个基础关注兴趣训练数据，通过初始的关注兴趣点分析网络得到该基础关注兴趣训练数据对应的示例需求知识地图信息对应的导图单元（第一导图单元）的预测兴趣资源信息的方法，跟前述的根据各所述第一兴趣资源信息以及知识地图属性，确定衍生需求知识地图的关注兴趣点信息的方式相同或类似。针对该基础关注兴趣训练数据对应的示例衍生需求导图中的其它导图单元，同样可以类似的方式获取其它导图单元中各导图单元对应的预测兴趣资源信息，比如，针对将示例衍生需求导图中所述示例需求知识地图信息对应的导图单元外的其它导图单元中的每个导图单元，可根据该导图单元的导图单元兴趣资源信息以及该导图单元的级联导图单元对应的第一兴趣资源信息，确定该导图
单元的预测兴趣资源信息。
159.针对每个基础关注兴趣训练数据，第一损失函数值可以表示该基础关注兴趣训练数据的示例衍生需求导图中第一导图单元的预测兴趣资源信息和各第二导图单元的预测兴趣资源信息之间的损失参数。全局损失函数值越小，表示训练性能越好，相应更适合用于对关注兴趣点信息进行获取。
160.在上述内容的基础上，一种设计思路中，针对每个所述示例衍生需求导图，所述示例衍生需求导图中还包括可以各第二关联需求知识地图信息对应的第三导图单元，所述第二关联需求知识地图信息包括与所述示例需求知识地图信息无地图联结属性且与所述第一关联需求知识地图信息其中一个或多个具有地图联结属性的数据。针对各所述第一关联需求知识地图信息，所述示例衍生需求导图中的导图联结属性还可以包括该第一关联需求知识地图信息对应的第二导图单元与所述第二关联需求知识地图信息中与该第一关联需求知识地图信息具有地图联结属性的第三导图单元之间的联结关系信息。在此基础上，上述网络收敛的步骤还可以包括：步骤s406，针对每个所述基础关注兴趣训练数据，根据各所述第三导图单元的预测兴趣资源信息和所述第一导图单元的预测兴趣资源信息之间的第二兴趣索引参数，确定所述基础关注兴趣训练数据对应的第二损失函数值。
161.在步骤s406的基础上，在步骤s404中，所述根据各所述基础关注兴趣训练数据对应的第一损失函数值，确定所述关注兴趣点分析网络对应的全局损失函数值，可以包括：根据各所述基础关注兴趣训练数据对应的第一损失函数值和所述第二损失函数值进行加权计算，得到所述全局损失函数值。例如，可以根据预先设定的第一损失函数值和所述第二损失函数值的影响权重，根据该影响权重对所述第一损失函数值和所述第二损失函数值进行影响权重计算（如加权相乘），得到所述全局损失函数值。
162.其中，第二关联需求知识地图信息包括与示例需求知识地图信息无地图联结属性且与第一关联需求知识地图信息其中一个或多个具有地图联结属性的数据。如此，通过第二损失函数值对全局损失函数值作为网络收敛需要考虑的另一个约束条件，第二损失函数值可表达各第二关联需求知识地图信息对应的第三导图单元的预测兴趣资源信息和第一导图单元的预测兴趣资源信息之间的匹配性或差异性。
163.图3示出了本技术实施例提供的用于实现上述的基于大数据和ai的个性化服务处理方法的云计算服务系统100的硬件结构意图，如图3所示，云计算服务系统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。
164.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大数据和ai的个性化服务处理方法，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5g互联网终端200进行数据收发。
165.处理器110的具体实现过程可参见上述云计算服务系统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。
166.此外，本技术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，实现如上基于大数据和ai的个性
化服务处理方法。
167.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。