基于大数据的针对性推荐决策处理方法及服务系统与流程

1.本公开涉及大数据推送技术领域，尤其涉及一种基于大数据的针对性推荐决策处理方法及服务系统。


背景技术：

2.伴随各类交互式平台的先后发展和崛起，基于流量光环的互联网时代已经步入尾声，后续的互联网时代正朝着大数据和算法融合的新时代迈进。优质的大数据和先进的算法能够为行业提供有力的竞争。以大数据 推送算法为例，当下的业务推送种类繁多且竞争力较强，已经涉及生活中的多个领域，可谓遍地开花。


技术实现要素：

3.本公开的一个目的是提供一种基于大数据的针对性推荐决策处理方法及服务系统，能够使得关联性较强的热门交互事件能够尽量完成绑定匹配处理，以获得精度更高且针对性更强的业务推送引导内容，显著提高了业务推送引导内容挖掘分析的可信度，基于此，高精度、高可信度以及强针对性的业务推送引导内容能够为业务推送提供有力的大数据分析保障。
4.本公开的技术方案是通过如下至少部分实施例实现的。
5.一种基于大数据的针对性推荐决策处理方法，应用于大数据服务系统，所述方法包括：借助用于进行前置处理的推荐决策处理线程，对待处理的可视化用户活动记录执行热门交互事件挖掘，得到所述待处理的可视化用户活动记录指向的第一热门交互事件；所述用于进行前置处理的推荐决策处理线程是结合可视化智能线程进行协同配置建立的；将所述第一热门交互事件与指示性决策事件集中包含的多个第二热门交互事件进行热门交互事件绑定，得到所述待处理的可视化用户活动记录指向的业务推送引导内容；所述多个第二热门交互事件是借助所述用于进行前置处理的推荐决策处理线程，对多个模板可视化用户活动记录执行热门交互事件挖掘后所确定的。
6.可选的，所述用于进行前置处理的推荐决策处理线程的配置原料中包括x个范例可视化用户活动记录；其中，通过如下方式对所述用于进行前置处理的推荐决策处理线程进行配置：借助所述用于进行前置处理的推荐决策处理线程对所述x个范例可视化用户活动记录进行可视化用户活动记录处理，得到各所述范例可视化用户活动记录指向的第三热门交互事件；借助所述可视化智能线程对所述x个范例可视化用户活动记录进行可视化用户活动记录处理，得到各所述范例可视化用户活动记录指向的第四热门交互事件；基于各所述范例可视化用户活动记录指向的所述第三热门交互事件和所述第四热门交互事件，确定第一线程性能偏移；
基于所述第一线程性能偏移，重构所述用于进行前置处理的推荐决策处理线程。
7.可选的，所述借助所述可视化智能线程对所述x个范例可视化用户活动记录进行可视化用户活动记录处理，得到各所述范例可视化用户活动记录指向的第四热门交互事件，包括：借助所述可视化智能线程对所述x个范例可视化用户活动记录进行分布式热门交互事件挖掘，得到各所述范例可视化用户活动记录指向的第一分治热门交互事件和第二分治热门交互事件；对各所述范例可视化用户活动记录指向的所述第一分治热门交互事件和所述第二分治热门交互事件进行组合，得到各所述范例可视化用户活动记录指向的所述第四热门交互事件。
8.可选的，所述第一线程性能偏移包括第一性能偏移；所述基于各所述范例可视化用户活动记录指向的所述第三热门交互事件和所述第四热门交互事件，确定第一线程性能偏移，包括：基于各所述范例可视化用户活动记录指向的所述第三热门交互事件，对所述x个范例可视化用户活动记录进行特征分析，确定各所述范例可视化用户活动记录指向的第一特征分析测试情况；基于各所述范例可视化用户活动记录指向的所述第四热门交互事件，对所述x个范例可视化用户活动记录进行特征分析，确定各所述范例可视化用户活动记录指向的第二特征分析测试情况；基于各所述范例可视化用户活动记录指向的所述第一特征分析测试情况和所述第二特征分析测试情况，确定所述第一性能偏移。
9.可选的，所述基于各所述范例可视化用户活动记录指向的所述第四热门交互事件，对所述x个范例可视化用户活动记录进行特征分析，确定各所述范例可视化用户活动记录指向的第二特征分析测试情况，包括：基于各所述范例可视化用户活动记录指向的所述第四热门交互事件，确定各所述范例可视化用户活动记录指向的原始热门交互事件知识库；通过所述可视化智能线程，对各所述范例可视化用户活动记录指向的原始热门交互事件知识库，进行热门交互事件加权，得到各所述范例可视化用户活动记录指向的完成加权的热门交互事件；基于各所述范例可视化用户活动记录指向的完成加权的热门交互事件，对所述x个范例可视化用户活动记录进行特征分析，确定各所述范例可视化用户活动记录指向的所述第二特征分析测试情况。
10.可选的，所述第一线程性能偏移包括第二性能偏移；所述基于各所述范例可视化用户活动记录指向的所述第三热门交互事件和所述第四热门交互事件，确定第一线程性能偏移，包括：基于各所述范例可视化用户活动记录指向的所述第三热门交互事件，确定各所述范例可视化用户活动记录指向的第一目标热门交互事件知识库；基于各所述范例可视化用户活动记录指向的所述第四热门交互事件，确定各所述范例可视化用户活动记录指向的第二目标热门交互事件知识库；
基于各所述范例可视化用户活动记录指向的所述第一目标热门交互事件知识库和所述第二目标热门交互事件知识库，确定所述第二性能偏移。
11.可选的，所述基于所述第一线程性能偏移，重构所述用于进行前置处理的推荐决策处理线程，包括：借助所述第一性能偏移和/或所述第二性能偏移，重构所述用于进行前置处理的推荐决策处理线程。
12.可选的，所述基于各所述范例可视化用户活动记录指向的所述第四热门交互事件，确定各所述范例可视化用户活动记录指向的第二目标热门交互事件知识库，包括：将各所述范例可视化用户活动记录指向的所述第四热门交互事件，作为各所述范例可视化用户活动记录指向的一个热门交互事件实体，得到x个热门交互事件实体；将与目标热门交互事件实体之间量化比较结果最小的y个邻居热门交互事件实体，作为所述目标热门交互事件实体指向的初阶邻居热门交互事件实体，其中，所述目标热门交互事件实体是目标范例可视化用户活动记录指向的热门交互事件实体，所述目标范例可视化用户活动记录是所述多个范例可视化用户活动记录中的其中一个；将与各所述初阶邻居热门交互事件实体之间量化比较结果最小的z个邻居热门交互事件实体，作为所述目标热门交互事件实体指向的高阶邻居热门交互事件实体；基于所述初阶邻居热门交互事件实体、以及所述高阶邻居热门交互事件实体，确定所述目标范例可视化用户活动记录指向的原始热门交互事件知识库；基于所述目标范例可视化用户活动记录指向的原始热门交互事件知识库，确定所述目标范例可视化用户活动记录指向的所述第二目标热门交互事件知识库。
13.可选的，所述目标范例可视化用户活动记录指向的原始热门交互事件知识库中包括第一热门交互事件实体簇和第一衍生知识区域；所述基于所述初阶邻居热门交互事件实体、以及所述高阶邻居热门交互事件实体，确定所述目标范例可视化用户活动记录指向的原始热门交互事件知识库，包括：基于所述目标热门交互事件实体，对所述x个热门交互事件实体进行数值标记转换，得到数值标记转换后的x个热门交互事件实体；基于所述数值标记转换后的x个热门交互事件实体中包括数值标记转换后的初阶邻居热门交互事件实体，以及数值标记转换后的高阶邻居热门交互事件实体，形成所述第一热门交互事件实体簇；对于所述第一热门交互事件实体簇中的第u个热门交互事件实体，在所述数值标记转换后的x个热门交互事件实体中确定与所述第u个热门交互事件实体量化比较结果最小的w个邻居热门交互事件实体；在所述第u个热门交互事件实体与第v个邻居热门交互事件实体之间确定热门交互事件有向连线，其中，所述第v个邻居热门交互事件实体是存在于所述第一热门交互事件实体簇中的热门交互事件实体；基于所述第一热门交互事件实体簇中各所述热门交互事件实体指向的传递情况，确定所述第一衍生知识区域。
14.可选的，所述第二目标热门交互事件知识库中包括第二热门交互事件实体簇和第二衍生知识区域；所述基于所述目标范例可视化用户活动记录指向的原始热门交互事件知识库，确
定所述目标范例可视化用户活动记录指向的所述第二目标热门交互事件知识库，包括：将所述数值标记转换后的x个热门交互事件实体中没有位于所述第一热门交互事件实体簇中的热门交互事件实体，加载至所述第一热门交互事件实体簇，形成所述第二热门交互事件实体簇；对于所述第二热门交互事件实体簇中的次热门交互事件实体，在所述数值标记转换后的x个热门交互事件实体中确定所述次热门交互事件实体指向的邻居热门交互事件实体，其中，所述次热门交互事件实体是所述数值标记转换后的x个热门交互事件实体中没有位于所述第一热门交互事件实体簇中的其中一个热门交互事件实体；在所述次热门交互事件实体与所述次热门交互事件实体指向的邻居热门交互事件实体之间确定次热门交互事件有向连线；基于所述第二热门交互事件实体簇中各所述热门交互事件实体指向的传递情况，确定所述第二衍生知识区域。
15.可选的，所述配置原料中还包括各所述范例可视化用户活动记录指向的已知偏好，各所述范例可视化用户活动记录指向的所述第二特征分析测试情况包括各所述范例可视化用户活动记录指向的识别偏好；所述用于进行前置处理的推荐决策处理线程的配置方法还包括：基于各所述范例可视化用户活动记录指向的所述已知偏好和所述识别偏好，确定第二线程性能偏移；基于所述第二线程性能偏移，重构所述可视化智能线程。
16.可选的，各模板可视化用户活动记录携带有偏好；所述将所述第一热门交互事件与指示性决策事件集中包含的多个第二热门交互事件进行热门交互事件绑定，得到所述待处理的可视化用户活动记录指向的业务推送引导内容，包括：确定所述第一热门交互事件与各所述第二热门交互事件之间的热门交互事件相关性；将所述热门交互事件相关性大于指定相关性判定值的所述第二热门交互事件，作为与所述第一热门交互事件绑定有效的目标第二热门交互事件；将所述目标第二热门交互事件指向的所述模板可视化用户活动记录的偏好，作为所述业务推送引导内容。。
17.一种大数据服务系统，包括：用于存储可执行计算机程序的存储器，用于执行所述存储器中存储的可执行计算机程序时实现上述方法的处理器。
18.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时执行上述方法。
19.然而，现目前的大部分业务推送存在推送质量低下和针对性较低的问题。发明人对此进行深入研究和分析之后发现，造成上述问题的原因是鲜有高精度、高可信度以及强针对性的推送指示能够为业务推送提供有力的大数据分析保障。
20.根据本公开的一个实施例，基于可视化智能线程协同配置得到用于进行前置处理的推荐决策处理线程，使得用于进行前置处理的推荐决策处理线程能够实现热门交互事件加权处理，进而将借助用于进行前置处理的推荐决策处理线程对待处理的可视化用户活动记录执行热门交互事件挖掘得到的第一热门交互事件，与指示性决策事件集中包含的用于进行前置处理的推荐决策处理线程对多个模板可视化用户活动记录执行热门交互事件挖
掘后所确定的多个第二热门交互事件，进行热门交互事件绑定，使得关联性较强的热门交互事件能够尽量完成绑定匹配处理，以获得精度更高且针对性更强的业务推送引导内容，显著提高了业务推送引导内容挖掘分析的可信度，基于此，高精度、高可信度以及强针对性的业务推送引导内容能够为业务推送提供有力的大数据分析保障。
附图说明
21.图1是示出可以实现本公开的实施例的大数据服务系统的一种通信配置的示意图。
22.图2是示出可以实现本公开的实施例的基于大数据的针对性推荐决策处理方法的流程示意图。
23.图3是示出可以实现本公开的实施例的基于大数据的针对性推荐决策处理方法的应用环境的架构示意图。
具体实施方式
24.下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。为了使本公开的目的、技术方案和优点更加清楚，下面将结合附图对本公开作进一步地详细描述，所描述的实施例不应视为对本公开的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本公开保护的范围。在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。除非另有定义，本文所使用的所有的技术和科学术语与属于本公开的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本公开实施例的目的，不是旨在限制本公开。
25.图1是示出可以实现本公开的实施例的大数据服务系统100的一种通信配置的框图，大数据服务系统100包括用于存储可执行计算机程序的存储器101，用于执行所述存储器101中存储的可执行计算机程序时实现本公开实施例中基于大数据的针对性推荐决策处理方法的处理器102。
26.图2是示出可以实现本公开的实施例的基于大数据的针对性推荐决策处理方法的流程示意图，基于大数据的针对性推荐决策处理方法可以通过图1所示的大数据服务系统100实现，进一步可以包括以下相关步骤所描述的技术方案。
27.对于step11而言，借助用于进行前置处理的推荐决策处理线程，对待处理的可视化用户活动记录执行热门交互事件挖掘，得到待处理的可视化用户活动记录指向的第一热门交互事件。
28.在本公开实施例中，用于进行前置处理的推荐决策处理线程是结合可视化智能线程进行协同配置建立的。此外，待处理的可视化用户活动记录是合法的、经过授权的用户活动数据爬取软件（比如网络爬虫）对存在推荐处理需求的受众群体进行可视化用户活动记录采集后所确定的。可以理解的是，受众群体包括个体用户，也可以包括群体用户。在受众群体为个体用户的基础上，待处理的可视化用户活动记录是针对个体用户的可视化用户活动记录，用于进行前置处理的推荐决策处理线程是一对一推荐决策处理线程；在受众群体
为群体用户基础上，待处理的可视化用户活动记录是群体用户的可视化用户活动记录，用于进行前置处理的推荐决策处理线程是一对多推荐决策处理线程。
29.由于可视化智能线程（比如神经网络模型lstm）具有热门交互事件加权性能，本公开实施例中的用于进行前置处理的推荐决策处理线程是结合lstm进行协同配置建立的（比如可以理解为辅助训练或者联合训练），由此，本公开实施例中的用于进行前置处理的推荐决策处理线程可以理解为次可视化智能线程（次lstm），次lstm在模型架构分布层面上依然是已知的机器学习模型架构（比如卷积神经网络），但是其能够实现热门交互事件加权处理。
30.通过用于进行前置处理的推荐决策处理线程，对待处理的可视化用户活动记录执行热门交互事件挖掘，得到用于进行后续热门交互事件绑定（比如可以理解为事件匹配）的第一热门交互事件。
31.对于step12而言，将第一热门交互事件与指示性决策事件集中包含的多个第二热门交互事件进行热门交互事件绑定，得到待处理的可视化用户活动记录指向的业务推送引导内容。
32.在本公开实施例中，多个第二热门交互事件是借助用于进行前置处理的推荐决策处理线程，对多个模板可视化用户活动记录执行热门交互事件挖掘后所确定的。
33.本公开实施例中的模板可视化用户活动记录是用户活动数据爬取软件（网络爬虫），对多个模板受众群体进行可视化用户活动记录采集后所确定的。此外，模板受众群体具有以注释的区分标签。由此，各模板可视化用户活动记录都携带有偏好（兴趣关注主题，例如，群体兴趣关注主题或个体兴趣关注主题），旨在表达其指向的模板受众群体的区分标签。
34.进一步地，一个模板可视化用户活动记录对应不重复的偏好，但是，一个偏好可以携带有多个模板可视化用户活动记录。比如，在模板可视化用户活动记录是模板群体可视化用户活动记录的基础上，一个模板群体可视化用户活动记录对应不重复的群体兴趣关注主题，但是，一个群体兴趣关注主题可以携带有多个模板群体可视化用户活动记录。同一群体兴趣关注主题指向的多个模板群体可视化用户活动记录，可以是同一用户活动数据爬取软件对同一模板群体进行可视化用户活动记录采集得到的，也可以是不同用户活动数据爬取软件对同一模板群体进行可视化用户活动记录采集得到的。
35.通过用于进行前置处理的推荐决策处理线程，对各模板可视化用户活动记录执行热门交互事件挖掘，得到多个第二热门交互事件，通过多个第二热门交互事件，可以组合生成指示性决策事件集。
36.在对待处理的可视化用户活动记录进行业务推送引导内容确定时，将待处理的可视化用户活动记录指向的第一热门交互事件，与指示性决策事件集中包含的多个第二热门交互事件进行热门交互事件绑定，继而能够得到待处理的可视化用户活动记录指向的业务推送引导内容。
37.在本公开实施例中，业务推送引导内容可以理解为业务推送前的决策指示信息或者推送引导信息，例如，针对不同得到待处理的可视化用户活动记录的具体推送时段、具体推送方式以及具体推送内容等指示性信息，这样能够实现推荐决策的前置型处理，从而为后续的精准针对性推送提供可靠的保障，避免出现低质量的业务服务推送情况。
38.可以理解的是，与现有技术相比，基于lstm协同配置得到用于进行前置处理的推荐决策处理线程（次lstm），使得用于进行前置处理的推荐决策处理线程能够实现热门交互事件加权处理，进而将借助用于进行前置处理的推荐决策处理线程对待处理的可视化用户活动记录执行热门交互事件挖掘得到的第一热门交互事件，与指示性决策事件集中包含的用于进行前置处理的推荐决策处理线程对多个模板可视化用户活动记录执行热门交互事件挖掘后所确定的多个第二热门交互事件，进行热门交互事件绑定，使得关联性较强的热门交互事件能够尽量完成绑定匹配处理，以获得精度更高且针对性更强的业务推送引导内容，显著提高了业务推送引导内容挖掘分析的可信度。
39.对于一些示例性的实施例而言，各模板可视化用户活动记录携带有偏好，将第一热门交互事件与指示性决策事件集中包含的多个第二热门交互事件进行热门交互事件绑定，得到待处理的可视化用户活动记录指向的业务推送引导内容，包括：确定第一热门交互事件与各第二热门交互事件之间的热门交互事件相关性；将热门交互事件相关性大于指定相关性判定值的第二热门交互事件，作为与第一热门交互事件绑定有效的目标第二热门交互事件；将目标第二热门交互事件指向的模板可视化用户活动记录的偏好（例如群体用户画像关键词），作为业务推送引导内容。
40.通过热门交互事件相关性，可以在多个第二热门交互事件中，确定与第一热门交互事件之间的热门交互事件相关性大于指定相关性判定值的目标第二热门交互事件，继而能够将目标第二热门交互事件指向的模板可视化用户活动记录的偏好，作为待处理的可视化用户活动记录指向的业务推送引导内容。换言之，目标第二热门交互事件指向的模板可视化用户活动记录，与待处理的可视化用户活动记录是同一对象指向的不同可视化用户活动记录，具有相同的偏好。例如，目标第二热门交互事件指向的模板可视化用户活动记录，与待处理的可视化用户活动记录是同一群体指向的不同可视化用户活动记录，具有相同的群体兴趣关注主题。示例性的，指定相关性判定值（预设阈值）可以基于不同需求进行调整，与第一热门交互事件绑定有效的目标第二热门交互事件，可以是一个也可以是多个。
41.对于一些示例性的实施例而言，用于进行前置处理的推荐决策处理线程的配置原料中包括x个范例可视化用户活动记录；用于进行前置处理的推荐决策处理线程的配置步骤为：借助用于进行前置处理的推荐决策处理线程对x个范例可视化用户活动记录进行可视化用户活动记录处理，得到各范例可视化用户活动记录指向的第三热门交互事件；借助可视化智能线程对x个范例可视化用户活动记录进行可视化用户活动记录处理，得到各范例可视化用户活动记录指向的第四热门交互事件；基于各范例可视化用户活动记录指向的第三热门交互事件和第四热门交互事件，确定第一线程性能偏移；基于第一线程性能偏移，重构用于进行前置处理的推荐决策处理线程。
42.在对用于进行前置处理的推荐决策处理线程进行配置（模型训练）之前，确定配置原料（比如可以理解为训练样本）。其中，配置原料中包括x个范例可视化用户活动记录，各范例可视化用户活动记录皆为已完成兴趣关注主题注释的可视化用户活动记录。x的取值可以基于实际调整设置。
43.可以理解的是，配置原料中包括x个范例可视化用户活动记录对应多个兴趣关注主题。例如，x=gh。其中，g为兴趣关注主题的数量，h为各兴趣关注主题指向的范例可视化用户活动记录的数量。g和h的取值可以基于不同需求调整。
44.对于一些示例而言，目标模型架构包括两个局部架构：长短期记忆局部架构（lstm）和卷积处理局部架构（cnn）。在配置过程中，对长短期记忆局部架构和卷积处理局部架构分别进行交叉配置，以实现基于长短期记忆局部架构，对卷积处理局部架构的协同配置，以使得配置后所确定的卷积处理局部架构，可以作为本公开实施例的用于进行前置处理的推荐决策处理线程，对存在推荐处理需求的待处理的可视化用户活动记录进行业务推送引导内容挖掘分析。
45.对长短期记忆局部架构和卷积处理局部架构分别进行交叉配置，换言之，在交叉循环的情况下，长短期记忆局部架构和卷积处理局部架构是独立进行配置的。示例性的，在对长短期记忆局部架构进行配置的过程中，保持卷积处理局部架构的架构变量不变，只优化长短期记忆局部架构的架构变量；在对卷积处理局部架构进行配置的过程中，保持长短期记忆局部架构的架构变量不变，只优化卷积处理局部架构的架构变量。
46.对于卷积处理局部架构的配置而言，将配置原料中的x个范例可视化用户活动记录输入目标模型架构，通过目标模型架构中一个非独占的基础热门交互事件挖掘单元，对各范例可视化用户活动记录进行基础热门交互事件挖掘，可以得到各范例可视化用户活动记录指向的一个w维的原始热门交互事件。其中，w维的实际取值可以基于不同需求调整。进一步地，非独占的基础热门交互事件挖掘单元，可以是残差网络单元，还可以是其它基础热门交互事件挖掘单元，但不限于此。
47.将各范例可视化用户活动记录指向的一个w维的原始热门交互事件，依次加载至长短期记忆局部架构和卷积处理局部架构。卷积处理局部架构对各范例可视化用户活动记录指向的一个w维的原始热门交互事件，进一步执行热门交互事件挖掘，得到各范例可视化用户活动记录指向的第三热门交互事件；长短期记忆局部架构对各范例可视化用户活动记录指向的一个w维的原始热门交互事件，进一步执行热门交互事件挖掘，得到各范例可视化用户活动记录指向的第四热门交互事件。
48.进一步地，卷积处理局部架构对各范例可视化用户活动记录指向的一个w维的原始热门交互事件，进行整体化热门交互事件挖掘，得到各范例可视化用户活动记录指向的第三热门交互事件。卷积处理局部架构借助热门交互事件精简处理和过拟合削弱（比如池化处理）操作，进行整体化热门交互事件挖掘。
49.对于一些示例性的实施例而言，借助可视化智能线程对x个范例可视化用户活动记录进行可视化用户活动记录处理，得到各范例可视化用户活动记录指向的第四热门交互事件，包括：借助可视化智能线程对x个范例可视化用户活动记录进行分布式热门交互事件挖掘，得到各范例可视化用户活动记录指向的第一分治热门交互事件和第二分治热门交互事件；对各范例可视化用户活动记录指向的第一分治热门交互事件和第二分治热门交互事件进行组合，得到各范例可视化用户活动记录指向的第四热门交互事件。
50.可视化用户活动记录的分治热门交互事件可以高质量地反映可视化用户活动记录的细致化内容，由此，在长短期记忆局部架构中可以采用分布式热门交互事件挖掘的思路，得到反映可视化用户活动记录细致化内容的分治热门交互事件，进而对分治热门交互事件进行组合，得到反映不同可视化用户活动记录细致化内容的全局热门交互事件，以重构长短期记忆局部架构执行热门交互事件挖掘得到的各范例可视化用户活动记录指向的第四热门交互事件，进而重构长短期记忆局部架构的热门交互事件加权性能。
51.此外，长短期记忆局部架构还可以包括两个分布式热门交互事件挖掘局部架构，分别对各范例可视化用户活动记录指向的一个w维的原始热门交互事件，进行分布式热门交互事件挖掘，得到各范例可视化用户活动记录指向的第一分治热门交互事件和第二分治热门交互事件。长短期记忆局部架构的各分布式热门交互事件挖掘局部架构，借助精简处理和过拟合削弱操作，进行分布式热门交互事件挖掘。
52.在范例可视化用户活动记录是群体范例可视化用户活动记录的情况下，第一分治热门交互事件可以是包含交互地区或交互对象集等信息的分治热门交互事件，第二分治热门交互事件可以是包含交互方式或交互习惯信息的分治热门交互事件。
53.对各范例可视化用户活动记录指向的第一分治热门交互事件和第二分治热门交互事件进行组合，得到各范例可视化用户活动记录指向的第四热门交互事件。
54.对于一些可能的实施例而言，长短期记忆局部架构也可以直接对各范例可视化用户活动记录指向的一个w维的原始热门交互事件，进行整体化热门交互事件挖掘，得到各范例可视化用户活动记录指向的第四热门交互事件。
55.对于一些示例性的实施例而言，第一线程性能偏移包括第二性能偏移；基于各范例可视化用户活动记录指向的第三热门交互事件和第四热门交互事件，确定第一线程性能偏移，包括：基于各范例可视化用户活动记录指向的第三热门交互事件，确定各范例可视化用户活动记录指向的第一目标热门交互事件知识库；基于各范例可视化用户活动记录指向的第四热门交互事件，确定各范例可视化用户活动记录指向的第二目标热门交互事件知识库；基于各范例可视化用户活动记录指向的第一目标热门交互事件知识库和第二目标热门交互事件知识库，确定第二性能偏移。
56.为了基于长短期记忆局部架构对卷积处理局部架构进行协同配置，以使得卷积处理局部架构实现热门交互事件加权处理，基于各范例可视化用户活动记录指向的第三热门交互事件和第四热门交互事件，分别生成各范例可视化用户活动记录在卷积处理局部架构的第一目标热门交互事件知识库，以及在长短期记忆局部架构的第二目标热门交互事件知识库。
57.卷积处理局部架构生成第一目标热门交互事件知识库的思路，与长短期记忆局部架构生成第二目标热门交互事件知识库的思路类似，下面仅以长短期记忆局部架构为例，对长短期记忆局部架构生成第二目标热门交互事件知识库的过程进行说明。不再对卷积处理局部架构生成第一目标热门交互事件知识库的过程进行说明。
58.对于一些示例性的实施例而言，基于各范例可视化用户活动记录指向的第四热门交互事件，确定各范例可视化用户活动记录指向的第二目标热门交互事件知识库，包括：将各范例可视化用户活动记录指向的第四热门交互事件，作为各范例可视化用户活动记录指向的一个热门交互事件实体，得到x个热门交互事件实体；将与目标热门交互事件实体之间量化比较结果最小的y个邻居热门交互事件实体，作为目标热门交互事件实体指向的初阶邻居热门交互事件实体，其中，目标热门交互事件实体是目标范例可视化用户活动记录指向的热门交互事件实体，目标范例可视化用户活动记录是多个范例可视化用户活动记录中的其中一个；将与各初阶邻居热门交互事件实体之间量化比较结果最小的z个邻居热门交互事件实体，作为目标热门交互事件实体指向的高阶邻居热门交互事件实体；基于初阶邻居热门交互事件实体、以及高阶邻居热门交互事件实体，确定目标范例可视化用户活动记
录指向的原始热门交互事件知识库；基于目标范例可视化用户活动记录指向的原始热门交互事件知识库，确定目标范例可视化用户活动记录指向的第二目标热门交互事件知识库。
59.各范例可视化用户活动记录指向的第四热门交互事件，可以视为是一个热门交互事件实体。鉴于配置原料中包括x个范例可视化用户活动记录，由此，得到x个热门交互事件实体。例如，x个范例可视化用户活动记录指向的x个热门交互事件实体，x个范例可视化用户活动记录指向的兴趣关注主题包括：兴趣关注主题theme1、兴趣关注主题theme2、兴趣关注主题theme3和兴趣关注主题theme4。
60.将其中一个范例可视化用户活动记录作为目标范例可视化用户活动记录，即该目标范例可视化用户活动记录指向的热门交互事件实体为目标热门交互事件实体。
61.基于目标热门交互事件实体，生成目标范例可视化用户活动记录指向的原始热门交互事件知识库original_knowledge_base1。目标热门交互事件实体为热门交互事件实体entity_a。在目标热门交互事件实体entity_a之外x-1个热门交互事件实体中，确定与目标热门交互事件实体entity_a之间量化比较结果最小的y个邻居热门交互事件实体，作为目标热门交互事件实体entity_a指向的初阶邻居热门交互事件实体。
62.为了改善与目标热门交互事件实体entity_a对应相同兴趣关注主题（兴趣关注主题theme1）的热门交互事件实体，被特征分析在初阶邻居热门交互事件实体以外的情况，进一步确定目标热门交互事件实体entity_a指向的高阶邻居热门交互事件实体。热门交互事件实体entity_b与目标热门交互事件实体entity_a皆对应兴趣关注主题theme1，然而，热门交互事件实体entity_b不是目标热门交互事件实体entity_a指向的初阶邻居热门交互事件实体（第一级最紧邻实体）。
63.示例性的，在剩余的热门交互事件实体中，确定与各初阶邻居热门交互事件实体量化比较结果最小的z个邻居热门交互事件实体，作为目标热门交互事件实体entity_a指向的高阶邻居热门交互事件实体。此时，热门交互事件实体entity_b作为目标热门交互事件实体entity_a指向的高阶邻居热门交互事件实体。进一步地，上述量化比较结果最小可以是余弦距离最小或者欧式距离最小。基于目标热门交互事件实体entity_a指向的初阶邻居热门交互事件实体、以及高阶邻居热门交互事件实体，可以生成目标范例可视化用户活动记录指向的原始热门交互事件知识库original_knowledge_base1。
64.对于一些示例性的实施例而言，目标范例可视化用户活动记录指向的原始热门交互事件知识库包括第一热门交互事件实体簇和第一衍生知识区域；基于初阶邻居热门交互事件实体、以及高阶邻居热门交互事件实体，确定目标范例可视化用户活动记录指向的原始热门交互事件知识库，包括：基于目标热门交互事件实体，对x个热门交互事件实体进行热门交互事件数值标记转换，得到数值标记转换后的x个热门交互事件实体；基于数值标记转换后的x个热门交互事件实体中包含的数值标记转换后的初阶邻居热门交互事件实体，以及数值标记转换后的高阶邻居热门交互事件实体，形成第一热门交互事件实体簇；对于第一热门交互事件实体簇中的第u个热门交互事件实体，在数值标记转换后的x个热门交互事件实体中确定与第u个热门交互事件实体量化比较结果最小的w个邻居热门交互事件实体；在第u个热门交互事件实体与第v个邻居热门交互事件实体之间确定热门交互事件有向连线，其中，第v个邻居热门交互事件实体是存在于第一热门交互事件实体簇中的热门交互事件实体；基于第一热门交互事件实体簇中各热门交互事件实体指向的传递情况，确定第
一衍生知识区域。
65.基于目标热门交互事件实体entity_a，对x个热门交互事件实体进行热门交互事件数值标记转换，得到数值标记转换后的x个热门交互事件实体。数值标记转换后的x个热门交互事件实体中包含的，目标热门交互事件实体entity_a指向的数值标记转换后的初阶邻居热门交互事件实体，以及数值标记转换后的高阶邻居热门交互事件实体，形成目标范例可视化用户活动记录（目标热门交互事件实体entity_a）指向的原始热门交互事件知识库original_knowledge_base1中包含的第一热门交互事件实体簇entity_set_a。
66.其中，热门交互事件数值标记转换可以是通过目标热门交互事件实体entity_a指向的第四热门交互事件，与x个热门交互事件实体指向的第四热门交互事件进行作差处理。热门交互事件数值标记转换（归一化）还可以通过其他方式实现。
67.对于第一热门交互事件实体簇entity_set_a中的其中一个热门交互事件实体，例如，第u个热门交互事件实体，在数值标记转换后的x个热门交互事件实体中确定与第u个热门交互事件实体量化比较结果最小的w个邻居热门交互事件实体。基于该w个邻居热门交互事件实体进行核对，若该w个邻居热门交互事件实体中的第v个邻居热门交互事件实体是存在于第一热门交互事件实体簇entity_set_a中的热门交互事件实体，则在第u个热门交互事件实体和第v个邻居热门交互事件实体之间确定热门交互事件有向连线。
68.通过以上热门交互事件有向连线的确定思路，依次访问第一热门交互事件实体簇entity_set_a中的各热门交互事件实体，得到第一热门交互事件实体簇中各热门交互事件实体指向的传递情况。第一热门交互事件实体簇中各热门交互事件实体指向的传递情况，可以得到目标范例可视化用户活动记录（目标热门交互事件实体entity_a）指向的原始知识库original_knowledge_base中包含的第一衍生知识区域knowledge_set。knowledge_set（u，v）＝1，旨在表达原始知识库original_knowledge_base中的第u个热门交互事件实体和第v个热门交互事件实体之间存在热门交互事件有向连线。
69.基于第一热门交互事件实体簇entity_set_a和第一衍生知识区域knowledge_set，可以得到用于表示目标范例可视化用户活动记录（目标热门交互事件实体entity_a）指向的原始热门交互事件知识库original_knowledge_base1。通过以上确定目标范例可视化用户活动记录（目标热门交互事件实体entity_a）指向的原始热门交互事件知识库original_knowledge_base1的思路，依次访问x个热门交互事件实体中的每一个热门交互事件实体，可以得到各范例可视化用户活动记录（各热门交互事件实体）指向的原始热门交互事件知识库original_knowledge_base1。
70.与上述长短期记忆局部架构为各范例可视化用户活动记录生成原始热门交互事件知识库original_knowledge_base1的思路相似，卷积处理局部架构可以为各范例可视化用户活动记录生成原始热门交互事件知识库original_knowledge_base2。鉴于长短期记忆局部架构和卷积处理局部架构的热门交互事件挖掘方式不同，使得各范例可视化用户活动记录指向的第三热门交互事件和第四热门交互事件不同，进而使得对于各范例可视化用户活动记录生成原始热门交互事件知识库original_knowledge_base1和原始热门交互事件知识库original_knowledge_base2并不相同。为了实现基于长短期记忆局部架构对卷积处理局部架构协同配置，借助对各范例可视化用户活动记录生成的原始热门交互事件知识库original_knowledge_base1和原始热门交互事件知识库original_knowledge_base2进行
上采样，得到热门交互事件实体簇能够匹配的第一目标热门交互事件知识库 和第二目标热门交互事件知识库。
71.卷积处理局部架构基于各范例可视化用户活动记录生成原始热门交互事件知识库original_knowledge_base2，上采样得到各范例可视化用户活动记录指向的第一目标热门交互事件知识库的思路，与长短期记忆局部架构基于各范例可视化用户活动记录生成原始热门交互事件知识库original_knowledge_base1，扩展得到各范例可视化用户活动记录指向的第二目标热门交互事件知识库的思路类似，下面仅以长短期记忆局部架构为例，对长短期记忆局部架构生成第二目标热门交互事件知识库的思路进行说明。
72.对于一些示例性的实施例而言，第二目标热门交互事件知识库中包括第二热门交互事件实体簇和第二衍生知识区域；基于目标范例可视化用户活动记录指向的原始热门交互事件知识库，确定目标范例可视化用户活动记录指向的第二目标热门交互事件知识库，包括：将数值标记转换后的x个热门交互事件实体中没有位于第一热门交互事件实体簇中的热门交互事件实体，加载至第一热门交互事件实体簇，形成第二热门交互事件实体簇；对于第二热门交互事件实体簇中的次热门交互事件实体，在数值标记转换后的x个热门交互事件实体中确定次热门交互事件实体指向的邻居热门交互事件实体，其中，次热门交互事件实体是数值标记转换后的x个热门交互事件实体中没有位于第一热门交互事件实体簇中的其中一个热门交互事件实体；在次热门交互事件实体与次热门交互事件实体指向的邻居热门交互事件实体之间确定次热门交互事件有向连线；基于第二热门交互事件实体簇中各热门交互事件实体指向的传递情况，确定第二衍生知识区域。
73.示例性地，将以上的数值标记转换后的x个热门交互事件实体中没有位于第一热门交互事件实体簇entity_set_a中的热门交互事件实体，加载至第一热门交互事件实体簇entity_set_a，过程第二目标热门交互事件知识库中包含的第二热门交互事件实体簇。换言之，在第二热门交互事件实体簇中，包括数值标记转换后的所有的x个热门交互事件实体。此时，数值标记转换后的x个热门交互事件实体中没有位于第一热门交互事件实体簇entity_set_a中的热门交互事件实体，在第二热门交互事件实体簇中是次热门交互事件实体。
74.举例而言，对于第二热门交互事件实体簇中的其中一个次热门交互事件实体，在数值标记转换后的x个热门交互事件实体确定次热门交互事件实体指向的邻居热门交互事件实体，以及在次热门交互事件实体与次热门交互事件实体指向的邻居热门交互事件实体之间确定次热门交互事件有向连线。
75.通过以上次热门交互事件有向连线的确定思路，依次访问第二热门交互事件实体簇中的各次热门交互事件实体，得到第二热门交互事件实体簇中各次热门交互事件实体指向的传递情况。基于第二热门交互事件实体簇中各热门交互事件实体指向的传递情况，可以得到第二目标热门交互事件知识库中包含的第二衍生知识区域 旨在表达第二目标热门交互事件知识库中的第u个热门交互事件实体和第v个热门交互事件实体之间存在热门交互事件有向连线。旨在表达第二目标热门交互事件知识库中的第u个热门交互事件实体和第v个热门交互事件实体之间存在次热门交互事件有向连线。
76.鉴于各范例可视化用户活动记录在卷积处理局部架构所得的第一目标热门交互事件知识库，以及在长短期记忆局部架构的得到的第二目标热门交互事件知识库，皆涵盖
所有的x个范例可视化用户活动记录指向的x个热门交互事件实体。由此，各范例可视化用户活动记录在卷积处理局部架构上的第一目标热门交互事件知识库，和长短期记忆局部架构上的第二目标热门交互事件知识库，实现了热门交互事件实体匹配。可以实现基于卷积处理局部架构上的第一目标热门交互事件知识库，以及长短期记忆局部架构的第二目标热门交互事件知识库，实现长短期记忆局部架构和卷积处理局部架构之间的可视化联系整合（比如可以理解为关系传导）。
77.基于各范例可视化用户活动记录指向的第一目标热门交互事件知识库和第二目标热门交互事件知识库，确定第一线程性能偏移中包含的第二性能偏移。基于各范例可视化用户活动记录指向的第一目标热门交互事件知识库和第二目标热门交互事件知识库，可以确定两个热门交互事件知识库之间的二次训练性能偏移，该二次训练性能偏移即为第一线程性能偏移中包含的第二性能偏移。例如，性能偏移可以理解为模型损失函数。
78.基于长短期记忆局部架构对卷积处理局部架构进行协同配置时，还期望实现长短期记忆局部架构和卷积处理局部架构的特征分析（比如可以理解为分类处理）内容传导。
79.对于一些示例性的实施例而言，第一线程性能偏移包括第一性能偏移；基于各范例可视化用户活动记录指向的第三热门交互事件和第四热门交互事件，确定第一线程性能偏移，包括：基于各范例可视化用户活动记录指向的第三热门交互事件，对x个范例可视化用户活动记录进行特征分析，确定各范例可视化用户活动记录指向的第一特征分析测试情况；基于各范例可视化用户活动记录指向的第四热门交互事件，对x个范例可视化用户活动记录进行特征分析，确定各范例可视化用户活动记录指向的第二特征分析测试情况；基于各范例可视化用户活动记录指向的第一特征分析测试情况和第二特征分析测试情况，确定第一性能偏移。
80.基于各范例可视化用户活动记录指向的第三热门交互事件，卷积处理局部架构对x个范例可视化用户活动记录进行特征分析，确定各范例可视化用户活动记录指向的第一特征分析测试情况case1。其中，各范例可视化用户活动记录指向的第一特征分析测试情况case1旨在表达各范例可视化用户活动记录指向的兴趣关注主题的量化可能性。例如，对于某一范例可视化用户活动记录，其指向的第一特征分析测试情况包括：case1（兴趣关注主题theme1）＝0.65（旨在表达该范例可视化用户活动记录的兴趣关注主题是兴趣关注主题theme1的量化可能性为0.65），case1（兴趣关注主题theme2）＝0.15（旨在表达该范例可视化用户活动记录的兴趣关注主题是兴趣关注主题theme2的量化可能性为0.15），case1（兴趣关注主题theme3）＝0.3（旨在表达该范例可视化用户活动记录的兴趣关注主题是兴趣关注主题theme3的量化可能性为0.3）。
81.对于一些示例性的实施例而言，基于各范例可视化用户活动记录指向的第四热门交互事件，对x个范例可视化用户活动记录进行特征分析，确定各范例可视化用户活动记录指向的第二特征分析测试情况，包括：基于各范例可视化用户活动记录指向的第四热门交互事件，确定各范例可视化用户活动记录指向的原始热门交互事件知识库；通过可视化智能线程，对各范例可视化用户活动记录指向的原始热门交互事件知识库，进行热门交互事件加权，得到各范例可视化用户活动记录指向的完成加权的热门交互事件；基于各范例可视化用户活动记录指向的完成加权的热门交互事件，对x个范例可视化用户活动记录进行特征分析，确定各范例可视化用户活动记录指向的第二特征分析测试情况。
82.鉴于长短期记忆局部架构能够实现热门交互事件加权处理，由此，通过可视化智能线程，对各范例可视化用户活动记录指向的原始热门交互事件知识库，进行热门交互事件加权，得到各范例可视化用户活动记录指向的完成加权的热门交互事件。进一步地，基于各范例可视化用户活动记录指向的第四热门交互事件，确定各范例可视化用户活动记录指向的原始热门交互事件知识库思路，可以参阅上述实施例。
83.以其他示例来看待，目标范例可视化用户活动记录（目标热门交互事件实体entity_a）指向的原始热门交互事件知识库original_knowledge_base1，包括第一热门交互事件实体簇entity_set_a和第一衍生知识区域knowledge_set。将第一热门交互事件实体簇entity_set_a和第一衍生知识区域knowledge_set，输入长短期记忆局部架构的机器学习模型（mlm）。mlm（比如cnn或者gnn）基于第一热门交互事件实体簇entity_set_a和第一衍生知识区域knowledge_set进行热门交互事件加权，得到目标范例可视化用户活动记录（目标热门交互事件实体entity_a）指向的完成加权的热门交互事件target_event。
84.基于目标范例可视化用户活动记录（目标热门交互事件实体entity_a）指向的完成加权的热门交互事件target_event，对目标范例可视化用户活动记录（目标热门交互事件实体entity_a）进行特征分析，可以确定目标范例可视化用户活动记录（目标热门交互事件实体entity_a）指向的第二特征分析测试情况。基于此，可以确定各范例可视化用户活动记录指向的第二特征分析测试情况case2。
85.基于各范例可视化用户活动记录指向的第一特征分析测试情况case1和第二特征分析测试情况case2，可以确定卷积处理局部架构和长短期记忆局部架构之间的二次特征分析性能偏移，该二次特征分析性能偏移即为第一线程性能偏移中包含的第一性能偏移。
86.对于一些示例性的实施例而言，基于第一线程性能偏移，重构用于进行前置处理的推荐决策处理线程，包括：借助第一性能偏移和/或第二性能偏移，重构用于进行前置处理的推荐决策处理线程。
87.对于一些可能的实施例而言，可以借助min（最小化处理）上述实施方式确定的各范例可视化用户活动记录指向的第一性能偏移loss_a，调整卷积处理局部架构的架构变量，得到基于第一性能偏移loss_a重构后的卷积处理局部架构。
88.通过基于第一性能偏移loss_a重构后的卷积处理局部架构，采用上述实施方式确定各范例可视化用户活动记录指向的第二性能偏移loss_b（case2&case1），进而借助min各范例可视化用户活动记录指向的第二性能偏移loss_b（case2&case1），再次优化卷积处理局部架构的架构变量，得到基于第二性能偏移loss_b（case2&case1）进一步重构后的卷积处理局部架构。
89.对于一些可能的实施例而言，可以借助min以上各范例可视化用户活动记录指向的第二性能偏移loss_b（case2&case1），调整卷积处理局部架构的架构变量，得到基于第二性能偏移loss_b（case2&case1）重构后的卷积处理局部架构。通过基于第二性能偏移loss_b（case2&case1）重构后的卷积处理局部架构，通过确定各范例可视化用户活动记录指向的第一性能偏移loss_a，进而借助min各范例可视化用户活动记录指向的第一性能偏移loss_a，再次调整卷积处理局部架构的架构变量，得到基于第一性能偏移loss_a进一步重构后的卷积处理局部架构。例如，case2&case1可以理解为case2||case1。
90.对于一些可能的实施例而言，可以通过以上实施例确定的各范例可视化用户活动
记录指向的第一性能偏移loss_a和第二性能偏移loss_b（case2&case1），确定各范例可视化用户活动记录指向的第一线程性能偏移loss1＝loss_a loss_b（case2&case1）。进而，借助min各范例可视化用户活动记录指向的第一线程性能偏移loss1，调整卷积处理局部架构的架构变量，得到基于第一线程性能偏移loss1重构后的卷积处理局部架构。
91.对于一些示例性的实施例而言，还可以基于识别性能偏移（兴趣关注主题 loss）和/或混合型性能偏移（mix_loss），对卷积处理局部架构（用于进行前置处理的推荐决策处理线程）进行重构。
92.对于一些可能的实施例而言，配置原料中各范例可视化用户活动记录携带有已知偏好。上述实施方式中卷积处理局部架构确定的，各范例可视化用户活动记录指向的第一特征分析测试情况中包括，各范例可视化用户活动记录指向的识别偏好。基于各范例可视化用户活动记录指向的已知偏好，以及卷积处理局部架构确定的各范例可视化用户活动记录指向的识别偏好，可以确定卷积处理局部架构的识别性能偏移。借助min卷积处理局部架构的识别性能偏移，调整卷积处理局部架构的架构变量，实现对卷积处理局部架构（用于进行前置处理的推荐决策处理线程）的重构。
93.对于一些可能的实施例而言，基于混合型性能偏移对卷积处理局部架构（用于进行前置处理的推荐决策处理线程）进行重构，使得卷积处理局部架构中相同兴趣关注主题指向的热门交互事件实体之间的量化比较结果，大于不同兴趣关注主题指向的热门交互事件实体之间的量化比较结果。例如，热门交互事件实体entity_i和热门交互事件实体entity_j均对应兴趣关注主题theme1，热门交互事件实体entity_k对应兴趣关注主题theme2，由此，基于混合型性能偏移对卷积处理局部架构（用于进行前置处理的推荐决策处理线程）进行重构的过程是，使得热门交互事件实体entity_i和热门交互事件实体entity_j之间的量化比较结果，小于热门交互事件实体entity_i和热门交互事件实体entity_k之间的量化比较结果。
94.上述基于第一线程性能偏移、兴趣关注主题 loss、mix_loss，对卷积处理局部架构（用于进行前置处理的推荐决策处理线程）进行重构的过程中，不同性能偏移的重构顺序可以基于不同需求进行更新。
95.例如，首先，通过重构前的卷积处理局部架构确定兴趣关注主题 loss，基于兴趣关注主题 loss，更新卷积处理局部架构的架构变量，得到基于兴趣关注主题 loss重构后的卷积处理局部架构；然后，通过基于兴趣关注主题 loss重构后的卷积处理局部架构确定mix_loss，基于mix_loss，更新基于兴趣关注主题 loss重构后的卷积处理局部架构的架构变量，得到基于兴趣关注主题 loss和mix_loss重构后的卷积处理局部架构；最后，通过基于兴趣关注主题 loss和mix_loss重构后的卷积处理局部架构，确定第一线程性能偏移，基于第一线程性能偏移，更新基于兴趣关注主题 loss和mix_loss重构后的卷积处理局部架构的架构变量，得到基于兴趣关注主题 loss、mix_loss和第一线程性能偏移共同重构后的卷积处理局部架构。上述过程可以执行至少一轮迭代，得到最后重构完成的卷积处理局部架构（用于进行前置处理的推荐决策处理线程）。
96.对于一些示例性的实施例而言，配置原料中还包括各范例可视化用户活动记录指向的已知偏好，各范例可视化用户活动记录指向的第二特征分析测试情况包括各范例可视化用户活动记录指向的识别偏好；该用于进行前置处理的推荐决策处理线程的配置方法还
包括：基于各范例可视化用户活动记录指向的已知偏好和识别偏好，确定第二线程性能偏移；基于第二线程性能偏移，重构可视化智能线程。
97.通过确定各范例可视化用户活动记录指向的第二特征分析测试情况，其中，各范例可视化用户活动记录指向的第二特征分析测试情况包括各范例可视化用户活动记录指向的识别偏好。基于各范例可视化用户活动记录指向的已知偏好，以及长短期记忆局部架构确定的各范例可视化用户活动记录指向的识别偏好，可以确定长短期记忆局部架构的第二线程性能偏移，第二线程性能偏移也即兴趣关注主题 loss。借助min卷积处理局部架构的第二线程性能偏移，调整长短期记忆局部架构的架构变量，实现对长短期记忆局部架构的重构。
98.对于一些可能的实施例而言，还可以基于混合型性能偏移（mix_loss），对长短期记忆局部架构进行重构。上述基于第二线程性能偏移、mix_loss，对长短期记忆局部架构进行重构的过程中，不同性能偏移的重构顺序可以基于不同需求进行更新。
99.例如，首先，通过重构前的长短期记忆局部架构确定第二线程性能偏移，基于第二线程性能偏移，更新长短期记忆局部架构的架构变量，得到基于第二线程性能偏移重构后的长短期记忆局部架构；然后，通过基于第二线程性能偏移重构后的长短期记忆局部架构确定mix_loss，基于mix_loss性能偏移，更新基于第二线程性能偏移重构后的长短期记忆局部架构的架构变量，得到基于第二线程性能偏移和mix_loss重构后的长短期记忆局部架构。上述过程可以执行至少一轮循环，得到最后完成重构的长短期记忆局部架构。
100.通过以上的模型架构分布层面，采用相关思路对长短期记忆局部架构和卷积处理局部架构分别进行交叉迭代配置，直至符合设定循环要求，结束循环配置，得到配置后的长短期记忆局部架构和卷积处理局部架构。
101.例如，第一轮交叉循环的情况下：保持卷积处理局部架构的架构变量，对长短期记忆局部架构进行配置，更新长短期记忆局部架构的架构变量，得到第一轮重构后的长短期记忆局部架构；保持第一轮重构后的长短期记忆局部架构的架构变量，对卷积处理局部架构进行配置，更新卷积处理局部架构的架构变量，得到第一轮重构后的卷积处理局部架构；第二轮交叉循环的情况下：保持第一轮重构后的卷积处理局部架构的架构变量，对第一轮重构后的长短期记忆局部架构进行配置，更新第一轮重构后的长短期记忆局部架构的架构变量，得到第二轮重构后的长短期记忆局部架构；保持第二轮重构后的长短期记忆局部架构的架构变量，对第一轮重构后的卷积处理局部架构进行配置，更新第一轮重构后的卷积处理局部架构的架构变量，得到第二轮重构后的卷积处理局部架构；以此类推，对卷积处理局部架构和长短期记忆局部架构进行交叉循环配置，直至符合设定循环要求，结束循环配置，得到最后完成重构的长短期记忆局部架构和卷积处理局部架构。最后完成重构的卷积处理局部架构能够实现热门交互事件加权处理，可以作为用于进行前置处理的推荐决策处理线程配置于业务推送引导内容挖掘分析应用场景中，提高业务推送引导内容挖掘分析的针对性和可信度。
102.对于一些可能的实施例而言，用于进行前置处理的推荐决策处理线程是一对多推荐决策处理线程，该一对多推荐决策处理线程可以配置于群体推送环境中。对于一些可能的实施例而言，用于进行前置处理的推荐决策处理线程是一对一推荐决策处理线程，该一对一推荐决策处理线程可以配置于个体推送环境中。
103.对于一些可独立实施的实施例而言，在得到所述待处理的可视化用户活动记录指向的业务推送引导内容之后，该方法还可以包括以下内容：基于所述业务推送引导内容，确定与所述待处理的可视化用户活动记录对应的业务用户终端的推送策略；按照所述推送策略对所述业务用户终端进行业务推送。
104.对于一些可独立实施的实施例而言，基于所述业务推送引导内容，确定与所述待处理的可视化用户活动记录对应的业务用户终端的推送策略，可以包括以下步骤所描述的技术方案：获取针对业务推送引导内容的推送指示要素清单，所述推送指示要素清单包括不少于两个推送指示要素；获得所述推送指示要素清单中的各个推送指示要素与所述业务推送引导内容之间的影响权重；根据所述各个推送指示要素对应的影响权重，以及所述各个推送指示要素的差异化描述，对所述各个推送指示要素进行优先级调整，得到相应的推送指示要素调整结果；基于所述推送指示要素调整结果生成针对所述业务推送引导内容的目标策略主题调整结果，所述目标策略主题调整结果包括至少两个目标策略主题信息；按照所述目标策略主题调整结果所包括的目标策略主题信息生成所述推送策略。
105.例如，影响权重可以理解为相关度或者重要性指数，差异化描述用于区分不同的推送指示要素，优先级调整可以理解为排序处理，相应的，策略主题信息用于反映不同维度的推送策略，比如推送时段、推送方式、推送内容等。这样一来，可以根据目标策略主题调整结果所包括的目标策略主题信息的先后顺序制定最优化的推送策略，以提高推送质量。
106.对于一些可独立实施的实施例而言，所述根据所述各个推送指示要素对应的影响权重，以及所述各个推送指示要素的差异化描述，对所述各个推送指示要素进行优先级调整，得到相应的推送指示要素调整结果，包括：根据所述各个推送指示要素对应的影响权重，以及所述各个推送指示要素的差异化描述，对所述各个推送指示要素进行拆解，得到至少两个推送指示要素局部清单；对各个推送指示要素局部清单进行优先级调整，并分别对所述各个推送指示要素局部清单中的各个推送指示要素进行优先级调整，得到所述推送指示要素调整结果。如此设计，可以保障推送指示要素调整结果的精度，避免部分推送指示要素出现缺失。
107.对于一些可独立实施的实施例而言，所述根据所述各个推送指示要素对应的影响权重，以及所述各个推送指示要素的差异化描述，对所述各个推送指示要素进行拆解，得到至少两个推送指示要素局部清单，包括：分别根据所述各个推送指示要素对应的影响权重，对所述各个推送指示要素的差异化描述进行融合，得到所述各个推送指示要素的目标差异化描述；根据所述各个推送指示要素的目标差异化描述对所述各个推送指示要素进行分组，得到至少两个推送指示要素局部清单。这样一来，可以保障推送指示要素局部清单之间的特征区分度。
108.对于一些可独立实施的实施例而言，所述对各个推送指示要素局部清单之间进行优先级调整，并分别对所述各个推送指示要素局部清单中的各个推送指示要素进行优先级调整，得到所述推送指示要素调整结果，包括：根据各个推送指示要素局部清单所包含的推送指示要素的数目，对所述各个推送指示要素局部清单进行优先级调整；以及，针对所述各个推送指示要素局部清单，均实施如下步骤：根据所述推送指示要素局部清单中各个推送指示要素的差异化描述与所述推送指示要素局部清单的相关性指数，对所述推送指示要素局部清单中的各个推送指示要素进行优先级调整；基于所述各个推送指示要素局部清单之
间的优先级调整结果，以及所述各个推送指示要素局部清单中各个推送指示要素的优先级调整结果，生成所述推送指示要素调整结果。如此一来，可以保障推送指示要素调整结果的完整性。
109.图3是示出可以实现本公开的实施例的基于大数据的针对性推荐决策处理方法的应用环境的架构示意图，基于大数据的针对性推荐决策处理方法的应用环境中可以包括互相通信的大数据服务系统100和业务用户终端200。基于此，大数据服务系统100和业务用户终端200在运行时实现或者部分实现本公开实施例的基于大数据的针对性推荐决策处理方法。
110.以上已经结合附图描述了本公开的实施例，至少具有如下有益效果：基于可视化智能线程协同配置得到用于进行前置处理的推荐决策处理线程，使得用于进行前置处理的推荐决策处理线程能够实现热门交互事件加权处理，进而将借助用于进行前置处理的推荐决策处理线程对待处理的可视化用户活动记录执行热门交互事件挖掘得到的第一热门交互事件，与指示性决策事件集中包含的用于进行前置处理的推荐决策处理线程对多个模板可视化用户活动记录执行热门交互事件挖掘后所确定的多个第二热门交互事件，进行热门交互事件绑定，使得关联性较强的热门交互事件能够尽量完成绑定匹配处理，以获得精度更高且针对性更强的业务推送引导内容，显著提高了业务推送引导内容挖掘分析的可信度，基于此，高精度、高可信度以及强针对性的业务推送引导内容能够为业务推送提供有力的大数据分析保障。
111.以上所述，仅为本公开的较佳实施例而已，并非用于限定本公开的保护范围。