应用于行为意图分析的大数据挖掘方法及云端AI服务系统与流程

应用于行为意图分析的大数据挖掘方法及云端ai服务系统
技术领域
1.本技术涉及大数据和ai技术领域，具体而言，涉及一种应用于行为意图分析的大数据挖掘方法及云端ai服务系统。


背景技术：

2.随着云计算和大数据技术的发展，通过在云端开发多种云端业务，以满足广大用户的互联网需求，成为了越来越多互联网服务提供商的核心竞争力。用户在使用这些云端业务的过程中，会产生大量的用户行为数据，在获得用户的授权许可下，这些互联网服务提供商可以针对这些用户行为数据进行分析以便于进一步挖掘出不同用户的偏好意图，进而为之提供更匹配的内容服务。相关技术中，针对用户的常规信息推送方式，其信息推送内容的指向性有待提高。


技术实现要素：

3.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应用于行为意图分析的大数据挖掘方法及云端ai服务系统。
4.第一方面，本技术提供一种应用于行为意图分析的大数据挖掘方法，应用于云端ai服务系统，所述方法包括：获取待进行挖掘的目标用户的用户行为大数据，并依据预先训练完成的目标行为意图挖掘网络对所述用户行为大数据进行分析，输出对应的行为意图挖掘特征；根据不同目标用户的所述行为意图挖掘特征，确定各个目标用户所对应的行为意图热力标签；基于各个目标用户所对应的行为意图热力标签对所述各个目标用户进行推送分组分配，以确定每个目标推送分组下的目标用户簇，其中，所述每个目标推送分组对应一个推送规则，所述推送规则对应于相应的行为意图热力标签的最新推送策略；对每个目标推送分组下的目标用户簇所对应的业务服务页面进行信息推送。
5.一些构思中，所述获取待进行挖掘的用户行为大数据，并依据预先训练完成的目标行为意图挖掘网络对所述用户行为大数据进行分析，输出对应的行为意图挖掘特征的步骤，包括：获取用于对第一行为意图挖掘网络进行网络更新的用户行为训练数据，将所述用户行为训练数据中的训练数据成员簇作为候选训练数据成员簇；依据所述第一行为意图挖掘网络挖掘输出所述候选训练数据成员簇的成员簇变量，将所述候选训练数据成员簇的成员簇变量加载到与所述第一行为意图挖掘网络存在映射联系的训练有效性决策网络，调用所述训练有效性决策网络基于所述第一行为意图挖掘网络的网络更新轮数和所述训练有效性决策网络所被设定的有效值评估配置信息，对所述候选训练数据成员簇进行训练有效性决策，生成所述候选训练数据成员簇的训练有效性决策信息；
对所述候选训练数据成员簇的成员簇变量进行行为意图特征决策，生成所述候选训练数据成员簇的行为意图特征变量，基于所述候选训练数据成员簇的行为意图特征变量和所述训练有效性决策信息，对所述用户行为训练数据进行组合训练代价值评估，输出所述用户行为训练数据的组合训练代价值；基于所述组合训练代价值更新所述第一行为意图挖掘网络的网络权重信息，依据更新网络权重信息后的第一行为意图挖掘网络，生成用于对目标用户行为数据进行行为意图特征分析的第二行为意图挖掘网络，以基于所述第二行为意图挖掘网络作为目标行为意图挖掘网络对用户行为大数据进行行为意图特征分析。
6.譬如，一些构思中，所述方法还包括：获取全维度单元行为数据，配置与所述全维度单元行为数据中的各个单元行为数据簇所对应的负关联行为数据区；依据所述全维度单元行为数据中的各个单元行为数据簇和与所述各个单元行为数据簇所对应的负关联行为数据区，配置用于对第一行为意图挖掘网络进行网络更新的多维度训练数据成员簇；基于所述负关联行为数据区中的总负关联统计量，对所述多维度训练数据成员簇中的训练数据成员簇进行训练单位分配，生成与所述全维度单元行为数据所对应的用户行为训练数据。
7.譬如，一些构思中，所述获取全维度单元行为数据，配置与所述全维度单元行为数据中的各个单元行为数据簇所对应的负关联行为数据区，包括：获取用于单元行为数据拆分的参考用户行为大数据，对所述参考用户行为大数据进行单元行为数据拆分，生成与所述参考用户行为大数据所对应的第一数量个单元行为数据簇，将所述第一数量个单元行为数据簇作为所述全维度单元行为数据，依据所述第一数量个单元行为数据簇的行为类别信息，对所述第一数量个单元行为数据簇进行分团，生成与所述全维度单元行为数据所对应的第二数量个分团单位；一个分团单位对应一个行为类别信息；从所述全维度单元行为数据中获取单元行为数据簇i，在所述第二数量个分团单位中，将从与所述单元行为数据簇i所对应的分团单位中提取的第三数量个分团单位分别作为目标分团单位；其中，i为不大于第一数量的正整数；所述目标分团单位的数量为第三数量个；从第三数量个所述目标分团单位所对应的单元关联行为数据区中，提取第三数量*第四数量个单元行为数据作为第一单元行为数据，依据提取到的第三数量*第四数量个第一单元行为数据，配置与单元行为数据簇i所对应的第一类负关联行为数据区，并从所述第二数量个分团单位所对应的全局关联行为数据区中，提取第三数量*第四数量个单元行为数据作为第二单元行为数据，依据提取到的第三数量*第四数量个第二单元行为数据配置与单元行为数据簇i所对应的第二类负关联行为数据区；所述第一类负关联行为数据区中的第一单元行为数据与所述单元行为数据簇i中的单元行为数据具有相同的行为类别信息；所述第二类负关联行为数据区中的单元行为数据与所述单元行为数据簇i中的单元行为数据具有不同的行为类别信息；将所述第一类负关联行为数据区和所述第二类负关联行为数据区作为所述单元
行为数据簇i的负关联行为数据区。
8.譬如，一些构思中，所述依据所述第一数量个单元行为数据簇的行为类别信息，对所述第一数量个单元行为数据簇进行分团，生成与所述全维度单元行为数据所对应的第二数量个分团单位，包括：将所述全维度单元行为数据所包含的所述第一数量个单元行为数据簇加载到行为类别决策模型，由所述行为类别决策模型决策所述第一数量个单元行为数据簇中的各个单元行为数据簇的行为类别信息；所述各个单元行为数据簇的行为类别信息是在对应单元行为数据簇中的单元行为数据的行为类别信息的行为类别数量达到预设数量时所确定的；所述预设数量是由所述对应单元行为数据簇中的单元行为数据的行为数据数量所确定；在所述第一数量个单元行为数据簇中，基于所述各个单元行为数据簇的行为类别信息，将具有同一行为类别信息的单元行为数据簇分配到同一分团单位，输出与所述全维度单元行为数据所对应的第二数量个分团单位。
9.譬如，一些构思中，所述全维度单元行为数据包括第一数量个单元行为数据簇，一个单元行为数据簇包含第四数量个单元行为数据；与所述各个单元行为数据簇所对应的负关联行为数据区均包括第一类负关联行为数据区和第二类负关联行为数据区；所述依据所述全维度单元行为数据中的各个单元行为数据簇和与所述各个单元行为数据簇所对应的负关联行为数据区，配置用于对第一行为意图挖掘网络进行网络更新的多维度训练数据成员簇，包括：在所述全维度单元行为数据中的各个单元行为数据簇中获取目标单元行为数据簇；在所述目标单元行为数据簇的第四数量个单元行为数据中选择一个单元行为数据作为所述目标单元行为数据簇的锚单元行为数据，并在所述目标单元行为数据簇的第四数量个单元行为数据中将除所述锚单元行为数据之外的单元行为数据作为所述目标单元行为数据簇的正单元行为数据，依据所述目标单元行为数据簇的锚单元行为数据和所述目标单元行为数据簇的正单元行为数据，输出所述目标单元行为数据簇的正单元行为数据组合；所述目标单元行为数据簇的正单元行为数据组合的数量为第四数量*(第四数量-1)*1/2个；在与所述目标单元行为数据簇所对应的负关联行为数据区中，提取2*第五数量个单元行为数据作为所述目标单元行为数据簇的负单元行为数据；所述目标单元行为数据簇的负单元行为数据中包括第五数量个第一负单元行为数据和第五数量个第二负单元行为数据；所述第五数量个第一负单元行为数据是从与所述目标单元行为数据簇所对应的第一类负关联行为数据区中所提取到的；所述第五数量个第二负单元行为数据是从与所述目标单元行为数据簇所对应的第二类负关联行为数据区中所提取到的；基于所述目标单元行为数据簇的正单元行为数据组合和所述目标单元行为数据簇的负单元行为数据，配置得到所述目标单元行为数据簇的训练数据成员簇，直到所述全维度单元行为数据中的各个单元行为数据簇均被作为所述目标单元行为数据簇时，生成所述各个单元行为数据簇的训练数据成员簇；所述各个单元行为数据簇的训练数据成员簇的数量均为第四数量*(第四数量-1)* 第五数量个；将所述各个单元行为数据簇的训练数据成员簇作为用于对第一行为意图挖掘网
络进行网络更新的多维度训练数据成员簇。
10.譬如，一些构思中，与所述目标单元行为数据簇所对应的第一类负关联行为数据区包括第三数量*第四数量个第一单元行为数据；与所述目标单元行为数据簇所对应的第二类负关联行为数据区包括第三数量*第四数量个第二单元行为数据；所述方法还包括：在所述目标单元行为数据簇的第四数量个单元行为数据中游走选择一个单元行为数据作为所述目标单元行为数据簇的正单元行为数据，并在所述目标单元行为数据簇的第四数量个单元行为数据中将除游走到的所述正单元行为数据之外的单元行为数据作为所述目标单元行为数据簇的锚单元行为数据；在所述第三数量*第四数量个第一单元行为数据中搜索与所述目标单元行为数据簇的锚单元行为数据相同的第一单元行为数据，将搜索到的与所述目标单元行为数据簇的锚单元行为数据相同的第一单元行为数据作为协同行为提取数据；在所述第三数量*第四数量个第一单元行为数据中将除所述协同行为提取数据之外的第一单元行为数据作为目标行为提取数据；所述目标行为提取数据的数据数量为(第三数量*第四数量-1)个；确定所述协同行为提取数据与(第三数量*第四数量-1)个所述目标行为提取数据之间的第一特征代价值，将确定的最小第一特征代价值所对应的目标行为提取数据作为所述协同行为提取数据的局部第一负单元行为数据，并确定所述协同行为提取数据与第三数量*第四数量个第二单元行为数据之间的第二特征代价值，将确定的最小第二特征代价值所对应的第二单元行为数据作为所述协同行为提取数据的全局第一负单元行为数据；依据所述协同行为提取数据的局部第一负单元行为数据和所述协同行为提取数据的全局第一负单元行为数据，在所述目标单元行为数据簇的负单元行为数据中更新所述目标单元行为数据簇的第一负单元行为数据。
11.第二方面，本技术实施例还提供一种云端ai服务系统，所述云端ai服务系统包括至少一个处理器；以及 与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行以实现以上第一方面的应用于行为意图分析的大数据挖掘方法。
12.基于以上方面，通过依据预先训练完成的目标行为意图挖掘网络对用户行为大数据进行分析，输出对应的行为意图挖掘特征，根据不同目标用户的行为意图挖掘特征，确定各个目标用户所对应的行为意图热力标签，基于各个目标用户所对应的行为意图热力标签对各个目标用户进行推送分组分配，以确定每个目标推送分组下的目标用户簇，对每个目标推送分组下的目标用户簇所对应的业务服务页面进行信息推送。如此，本技术在进行行为意图挖掘后，进一步挖掘用于推送参考依据的热力标签，由此在进行用户分组后进行信息推送，由此能够提高信息推送内容的指向性。
附图说明
13.图1为本技术实施例提供的应用于行为意图分析的大数据挖掘系统的架构示意图；图2为本技术实施例提供的应用于行为意图分析的大数据挖掘方法的流程示意
图；图3为本技术实施例提供的用于实现上述的应用于行为意图分析的大数据挖掘方法的云端ai服务系统的结构示意框图。
具体实施方式
14.图1是本技术一种实施例提供的应用于行为意图分析的大数据挖掘系统10的架构示意图。应用于行为意图分析的大数据挖掘系统10可以包括云端ai服务系统100以及与云端ai服务系统100通信连接的云端ai服务系统200。图1所示的应用于行为意图分析的大数据挖掘系统10仅为一种可行的示例，在其它可行的实施例中，该应用于行为意图分析的大数据挖掘系统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构成部分。
15.本实施例中，应用于行为意图分析的大数据挖掘系统10中的云端ai服务系统100和云端ai服务系统200可以依据配合执行以下方法实施例所描述的应用于行为意图分析的大数据挖掘方法，具体云端ai服务系统100和云端ai服务系统200的执行步骤部分可以参照以下方法实施例的详细描述。
16.步骤s110，获取待进行挖掘的目标用户的用户行为大数据，并依据预先训练完成的目标行为意图挖掘网络对所述用户行为大数据进行分析，输出对应的行为意图挖掘特征。
17.本实施例中，用户行为大数据可以是任意目标用户在线上业务的使用过程中产生的行为数据（如关注行为数据、点击行为数据、分享行为数据等等）的集合，这些行为数据可以反映目标用户的行为意图（如兴趣点、偏好点、反感点等），以便于后续进行信息推送的参考依据搜集。
18.步骤s120，根据不同目标用户的所述行为意图挖掘特征，确定各个目标用户所对应的行为意图热力标签。
19.本实施例中，行为意图挖掘特征可以表示行为意图构成的特征点集合，为了提高信息分析效率和精度，可以统计每个行为意图构成的特征点的出现频率，进而将大于设定频率的行为意图构成的特征点确定为各个目标用户所对应的行为意图热力标签。
20.步骤s130，基于各个目标用户所对应的行为意图热力标签对所述各个目标用户进行推送分组分配，以确定每个目标推送分组下的目标用户簇。
21.其中，所述每个目标推送分组对应一个推送规则，所述推送规则对应于相应的行为意图热力标签的最新推送策略。本实施例中，对于不同的行为意图热力标签，可以由运营人员灵活指定最新推送策略，这些最新推送策略可以是实时变化的，可以由运营人员进行设定，例如最新推送策略可以配置不同的推送内容的内容标签和对应的推送强度。
22.步骤s140，对每个目标推送分组下的目标用户簇所对应的业务服务页面进行信息推送。
23.本实施例中，在确定每个目标推送分组下的目标用户簇后，则可以对每个目标推送分组下的目标用户簇所对应的业务服务页面进行信息推送。
24.基于以上步骤，通过依据预先训练完成的目标行为意图挖掘网络对用户行为大数据进行分析，输出对应的行为意图挖掘特征，根据不同目标用户的行为意图挖掘特征，确定
各个目标用户所对应的行为意图热力标签，基于各个目标用户所对应的行为意图热力标签对各个目标用户进行推送分组分配，以确定每个目标推送分组下的目标用户簇，对每个目标推送分组下的目标用户簇所对应的业务服务页面进行信息推送。如此，本技术在进行行为意图挖掘后，进一步挖掘用于推送参考依据的热力标签，由此在进行用户分组后进行信息推送，由此能够提高信息推送内容的指向性。
25.其中，上述实施例的步骤s110可以通过以下示例性的步骤进一步实现。
26.步骤s101，获取用于对第一行为意图挖掘网络进行网络更新的用户行为训练数据，将用户行为训练数据中的训练数据成员簇作为候选训练数据成员簇。
27.其中，云端ai服务系统（比如，分布式服务器系统）在执行该步骤s101之前，还可以预先执行以下步骤：比如，分布式服务器系统获取全维度单元行为数据时，可以配置与全维度单元行为数据中的各个单元行为数据簇所对应的负关联行为数据区；分布式服务器系统可以依据全维度单元行为数据中的各个单元行为数据簇和与各个单元行为数据簇所对应的负关联行为数据区，配置用于对第一行为意图挖掘网络进行网络更新的多维度训练数据成员簇；其中，分布式服务器系统可以基于负关联行为数据区中的总负关联统计量，对多维度训练数据成员簇中的训练数据成员簇进行训练单位分配，生成与全维度单元行为数据所对应的用户行为训练数据。
28.其中，云端ai服务系统（比如，分布式服务器系统）所获取到的用于对第一行为意图挖掘网络进行网络更新的用户行为训练数据的批次数量可以为t1个。那么，对于这t1个用户行为训练数据而言，可以将这t1个用户行为训练数据中的候选训练数据成员统称为多维度候选训练数据成员，从而可以依据第一行为意图挖掘网络和训练有效性决策网络对这t1个用户行为训练数据所对应的多维度候选训练数据成员进行行为意图特征分析，以对这t1个用户行为训练数据进行p（例如，p=20）轮网络收敛优化。
29.其中，本技术实施例获取这t1个用户行为训练数据时，可以将这t1个用户行为训练数据中的所有训练数据成员簇统称为多维度训练数据成员簇，进而可以将该多维度训练数据成员簇中的训练数据成员簇一并作为候选训练数据成员簇，以便于后续可以进一步执行下述步骤s102。
30.其中，这t1个用户行为训练数据是云端ai服务系统（例如，分布式服务器系统）基于配置的负关联行为数据区中的总负关联统计量，对多维度训练数据成员簇中的训练数据成员簇进行训练单位分配所得到的。其中，一些实施方式中，各个负关联行为数据区中的总负关联统计量均可以为上述qx（这里的qx=2*第三数量*第四数量）个，且各个用户行为训练数据中的训练数据成员簇的数量也可以为qx（即2*第三数量*第四数量）个。
31.由于一个训练数据成员簇需要包括三个候选训练数据成员（即一个锚单元行为数据、一个正单元行为数据和一个负单元行为数据）。所以，对于各个用户行为训练数据而言，与各个用户行为训练数据中的训练数据成员簇所对应的候选训练数据成员的数量可以为t2个，这里的t2可以为3*qx=3*2*第三数量*第四数量=6*第三数量*第四数量。依据此，对于这t1个用户行为训练数据而言，所配置得到的用于对第一行为意图挖掘网络进行网络更新的所有训练数据成员簇的数量（即t3，上述多维度训练数据成员簇的数量），这里的t3=t1*qx，且与多维度训练数据成员簇对应的多维度候选训练数据成员的数量t4= t1*t2= t1*3*qx=3*t3。
32.其中，分布式服务器系统可以进一步依据上述多行为类别决策模型预测得到各个单元行为数据簇中的单元行为数据的行为类别信息，进而可以基于各个单元行为数据簇中的单元行为数据的行为类别信息，生成对应单元行为数据簇的行为类别信息。
33.其中，一些实施方式中，分布式服务器系统可以依据前述多行为类别决策模型智能预测得到各个单元行为数据簇中的单元行为数据的行为类别信息，这意味着本技术实施例获取大量用于对第一行为意图挖掘网络进行网络更新的多维度训练数据成员簇时，无需人工标注该多维度训练数据成员簇中的各个训练数据成员簇的行为类别信息，更无需人工标注各个训练数据成员簇中的候选训练数据成员的行为类别信息。
34.可选的，其中，本技术实施例还可以在有新增单元行为数据簇时，将新增的单元行为数据簇和前述第一数量个单元行为数据簇一并作为新的全维度单元行为数据，以依据新的全维度单元行为数据更新得到新的用于对第一行为意图挖掘网络进行网络更新的多维度训练数据成员簇。
35.分布式服务器系统可以在与目标单元行为数据簇所对应的负关联行为数据区中，提取2*第五数量个单元行为数据作为目标单元行为数据簇的负单元行为数据；比如，目标单元行为数据簇的负单元行为数据中包括第五数量个第一负单元行为数据和第五数量个第二负单元行为数据；其中，第五数量个第一负单元行为数据是从与目标单元行为数据簇所对应的第一类负关联行为数据区中所提取到的；第五数量个第二负单元行为数据是从与目标单元行为数据簇所对应的第二类负关联行为数据区中所提取到的；其中，分布式服务器系统可以基于目标单元行为数据簇的正单元行为数据组合和目标单元行为数据簇的负单元行为数据，配置得到目标单元行为数据簇的训练数据成员簇，直到全维度单元行为数据中的各个单元行为数据簇均被作为目标单元行为数据簇时，可以得到各个单元行为数据簇的训练数据成员簇；其中，各个单元行为数据簇的训练数据成员簇的数量均为第四数量*(第四数量-1)* 第五数量个；其中，分布式服务器系统可以将各个单元行为数据簇的训练数据成员簇作为用于对第一行为意图挖掘网络进行网络更新的多维度训练数据成员簇，以便于后续可以在进行训练单位分配之后，进一步执行下述步骤s102。
36.由此可见，分布式服务器系统在挖掘第一负单元行为数据的过程中，除了可以随机提取相同分团单位中的单元行为数据作为锚单元行为数据的第一负单元行为数据之外，还可以在某个单元行为数据簇中依据游走确定正单元行为数据，以及该正单元行为数据组合应的锚单元行为数据时，进一步在对应单元行为数据簇的第一负单元行为数据区所包含的第三数量*第四数量个第一单元行为数据中，输出（第三数量*第四数量-1）目标行为提取数据，进而可以依据比较特征代价值的方式，找到与锚单元行为数据具有最小特征代价值的目标行为提取数据作为局部第一负单元行为数据（即一种第一负单元行为数据），并可以在对应单元行为数据簇的第二负单元行为数据区所包含的第三数量*第四数量个第二单元行为数据中，依据比较特征代价值的方式，找到与锚单元行为数据具有最小特征代价值的第二单元行为数据作为全局第一负单元行为数据（即另一个第一负单元行为数据），以依据找到的全局第一负单元行为数据和局部第一负单元行为数据，与对应单元行为数据簇的第四数量*（第四数量-1）*1/2=6个正单元行为数据组合，最终构成用于对第一行为意图挖掘网络进行网络更新的难训练数据成员簇。
37.步骤s102，依据第一行为意图挖掘网络挖掘输出候选训练数据成员簇的成员簇变
量，将候选训练数据成员簇的成员簇变量加载到与第一行为意图挖掘网络存在映射联系的训练有效性决策网络，由训练有效性决策网络基于第一行为意图挖掘网络的网络更新轮数和训练有效性决策网络所被设定的有效值评估配置信息，对候选训练数据成员簇进行训练有效性决策，生成候选训练数据成员簇的训练有效性决策信息；例如，云端ai服务系统（例如，分布式服务器系统）可以将候选训练数据成员簇加载到第一行为意图挖掘网络，由第一行为意图挖掘网络对候选训练数据成员簇进行变量编码，将第一行为意图挖掘网络所挖掘的候选训练数据成员簇的成员簇变量作为第一更新成员簇变量；其中，云端ai服务系统（例如，分布式服务器系统）可以在第一行为意图挖掘网络的网络更新轮数达到初始更新轮数时，将第一更新成员簇变量加载到与第一行为意图挖掘网络存在映射联系的训练有效性决策网络，由训练有效性决策网络基于与用户行为训练数据所对应的第一决策数据序列，输出训练有效性决策网络所被设定的第一有效值评估配置信息；其中，云端ai服务系统（例如，分布式服务器系统）可以依据第一决策数据序列确定用户行为训练数据的第一组合训练代价值，依据第一组合训练代价值更新第一行为意图挖掘网络的网络权重信息，将权重更新后的第一行为意图挖掘网络作为模糊行为意图挖掘网络，且对第一行为意图挖掘网络的网络更新轮数进行更新；其中，云端ai服务系统（例如，分布式服务器系统）可以将模糊行为意图挖掘网络所挖掘的候选训练数据成员簇的成员簇变量作为第二更新成员簇变量，且在更新后的网络更新轮数达到预设更新轮数时，将第二更新成员簇变量加载到训练有效性决策网络，由训练有效性决策网络基于训练有效性决策网络所被设定的第一有效值评估配置信息，对候选训练数据成员簇进行训练有效性决策，生成候选训练数据成员簇的训练有效性决策信息。
38.其中，在网络收敛优化阶段，即分布式服务器系统依据上述数据准备阶段所得到大量的候选训练数据成员簇对该第一行为意图挖掘网络进行网络训练的过程中，可以依据该第一行为意图挖掘网络的行为变量提取单元提取得到这些候选训练数据成员簇的起始行为变量（即提取得到这些候选训练数据成员簇的深度卷积特征向量），进而可以将提取到的起始行为变量加载到至该第一行为意图挖掘网络的编码单元，并由编码单元对起始行为变量进行编码，此时，分布式服务器系统可以将编码所得到的编码向量集作为第一行为意图挖掘网络所挖掘的第一更新成员簇变量。
39.步骤s103，对候选训练数据成员簇的成员簇变量进行行为意图特征决策，生成候选训练数据成员簇的行为意图特征变量，基于候选训练数据成员簇的行为意图特征变量和训练有效性决策信息，对用户行为训练数据进行组合训练代价值评估，输出用户行为训练数据的组合训练代价值；例如，分布式服务器系统可以对候选训练数据成员簇的成员簇变量进行行为意图特征决策，生成候选训练数据成员簇的行为意图特征变量，对候选训练数据成员簇的行为意图特征变量进行频繁项变量提取，生成候选训练数据成员簇的频繁项变量；其中，分布式服务器系统可以基于第一行为意图挖掘网络的网络更新轮数，输出第一决策数据序列对应的第一影响因子、第二决策数据序列对应的第二影响因子和第三决策数据序列对应的第三影响因子；其中，分布式服务器系统可以基于与第一决策数据序列所对应的训练数据成员簇的第一决策输出信息，输出与第一决策数据序列所对应的训练数据成员簇的第一训练收敛指标，基于与第二决策数据序列所对应的训练数据成员簇的第二决策输出信息，输出与
第二决策数据序列所对应的训练数据成员簇的第二训练收敛指标，基于与第三决策数据序列所对应的训练数据成员簇的第三决策输出信息，输出与第三决策数据序列所对应的训练数据成员簇的第三训练收敛指标；其中，分布式服务器系统可以基于第一训练收敛指标和第一影响因子的加权值、第二训练收敛指标和第二影响因子的加权值以及第三训练收敛指标和第三影响因子的加权值，输出用户行为训练数据在网络更新轮数时的簇训练收敛指标；其中，分布式服务器系统可以依据候选训练数据成员簇的行为意图特征变量确定候选训练数据成员簇中的候选训练数据成员在目标意图评估维度上的意图评估值，依据候选训练数据成员簇的频繁项变量确定候选训练数据成员在目标意图评估维度上的意图评估变量，依据候选训练数据成员在目标意图评估维度上的意图评估值和候选训练数据成员在目标意图评估维度上的意图评估变量，输出候选训练数据成员在网络更新轮数时的意图评估代价值；其中，分布式服务器系统可以基于用户行为训练数据在网络更新轮数时的簇训练收敛指标和候选训练数据成员在网络更新轮数时的意图评估代价值，生成用户行为训练数据的组合训练代价值。
40.步骤s104，基于组合训练代价值更新第一行为意图挖掘网络的网络权重信息，依据更新网络权重信息后的第一行为意图挖掘网络，生成用于对目标用户行为数据进行行为意图特征分析的第二行为意图挖掘网络，以基于所述第二行为意图挖掘网络作为目标行为意图挖掘网络对用户行为大数据进行行为意图特征分析。
41.一些实施方式中，云端ai服务系统获取用于对第一行为意图挖掘网络进行网络更新的用户行为训练数据，可以将用户行为训练数据中的训练数据成员簇作为候选训练数据成员簇；其中，云端ai服务系统可以依据第一行为意图挖掘网络挖掘输出候选训练数据成员簇的成员簇变量，将候选训练数据成员簇的成员簇变量加载到与第一行为意图挖掘网络存在映射联系的训练有效性决策网络，由训练有效性决策网络基于第一行为意图挖掘网络的网络更新轮数和训练有效性决策网络所被设定的有效值评估配置信息，对候选训练数据成员簇进行训练有效性决策，生成候选训练数据成员簇的训练有效性决策信息；其中，云端ai服务系统可以对候选训练数据成员簇的成员簇变量进行行为意图特征决策，生成候选训练数据成员簇的行为意图特征变量，基于候选训练数据成员簇的行为意图特征变量和训练有效性决策信息，对用户行为训练数据进行组合训练代价值评估，输出用户行为训练数据的组合训练代价值；其中，云端ai服务系统可以基于组合训练代价值更新第一行为意图挖掘网络的网络权重信息，依据更新网络权重信息后的第一行为意图挖掘网络，生成用于对目标用户行为数据进行行为意图特征分析的第二行为意图挖掘网络，以基于所述第二行为意图挖掘网络作为目标行为意图挖掘网络对用户行为大数据进行行为意图特征分析。其中，一些实施方式中，云端ai服务系统在用于训练初始行为意图挖掘网络的用户行为训练数据时，可以获取用户行为训练数据中的训练数据成员簇，进而可以依据该批量性得到的训练数据成员簇对该第一行为意图挖掘网络对进行网络收敛优化，并可以在网络收敛优化该第一行为意图挖掘网络的过程中，对训练数据成员簇进行实时的决策精度判决（即进行训练有效性决策），以基于训练有效性决策信息和行为意图特征变量，对前述用户行为训练数据进行组合训练代价值评估，进而可以依据学习得到组合训练代价值反向更新网络权重信息，以便于可以依据更新网络权重信息后的第一行为意图挖掘网络，生成用于对目标用户行为数据进行行为意图特征分析的第二行为意图挖掘网络，以基于所述第二行为意图挖
掘网络作为目标行为意图挖掘网络对用户行为大数据进行行为意图特征分析。换言之，本技术实施例依据在网络收敛优化该第一行为意图挖掘网络的过程中，对训练数据成员簇进行实时的决策精度判决（即进行训练有效性决策），以在组合训练时有效提升网络收敛优化可靠性，进而提高后续大数据挖掘的精度，以使得挖掘获得的目标用户的行为意图挖掘特征更加精确，进一步地使得目标用户的推送分组分配更加合理，从而最终提高信息推送内容的指向性。
42.该方法至少可以包括以下步骤s201-步骤s210：步骤s201，获取全维度单元行为数据时，配置与全维度单元行为数据中的各个单元行为数据簇所对应的负关联行为数据区；例如，云端ai服务系统（例如，分布式服务器系统）可以获取用于单元行为数据拆分的参考用户行为大数据，并可以对参考用户行为大数据进行单元行为数据拆分，输出与参考用户行为大数据所对应的第一数量个单元行为数据簇，将第一数量个单元行为数据簇作为全维度单元行为数据，依据第一数量个单元行为数据簇的行为类别信息，对第一数量个单元行为数据簇进行分团，生成与全维度单元行为数据所对应的第二数量个分团单位；一个分团单位对应一个行为类别信息；其中，云端ai服务系统（例如，分布式服务器系统）可以从全维度单元行为数据中获取单元行为数据簇i，在第二数量个分团单位中，将从单元行为数据簇i所在的分团单位中提取的第三数量个分团单位作为目标分团单位；其中，i为不大于第一数量的正整数；目标分团单位的数量为第三数量个；其中，云端ai服务系统（例如，分布式服务器系统）可以从第三数量个目标分团单位所对应的单元关联行为数据区中，提取第三数量*第四数量个单元行为数据作为第一单元行为数据，依据提取到的第三数量*第四数量个第一单元行为数据，配置与单元行为数据簇i所对应的第一类负关联行为数据区，并从第二数量个分团单位所对应的全局关联行为数据区中，提取第三数量*第四数量个单元行为数据作为第二单元行为数据，依据提取到的第三数量*第四数量个第二单元行为数据配置与单元行为数据簇i所对应的第二类负关联行为数据区；第一类负关联行为数据区中的第一单元行为数据与单元行为数据簇i中的单元行为数据具有相同的行为类别信息；第二类负关联行为数据区中的单元行为数据与单元行为数据簇i中的单元行为数据具有不同的行为类别信息；其中，云端ai服务系统（例如，分布式服务器系统）可以将第一类负关联行为数据区和第二类负关联行为数据区作为单元行为数据簇i的负关联行为数据区。
43.其中，依据第一数量个单元行为数据簇的行为类别信息，对第一数量个单元行为数据簇进行分团，生成与全维度单元行为数据所对应的第二数量个分团单位，例如可以是：将全维度单元行为数据所包含的第一数量个单元行为数据簇加载到行为类别决策模型，由行为类别决策模型决策第一数量个单元行为数据簇中的各个单元行为数据簇的行为类别信息；各个单元行为数据簇的行为类别信息是在对应单元行为数据簇中的单元行为数据的行为类别信息的行为类别数量达到预设数量时所确定的；预设数量是由对应单元行为数据簇中的单元行为数据的行为数据数量所确定。在第一数量个单元行为数据簇中，基于各个单元行为数据簇的行为类别信息，将具有同一行为类别信息的单元行为数据簇分配到同一分团单位，输出与全维度单元行为数据所对应的第二数量个分团单位。
44.步骤s202，依据全维度单元行为数据中的各个单元行为数据簇和与各个单元行为数据簇所对应的负关联行为数据区，配置用于对第一行为意图挖掘网络进行网络更新的多
维度训练数据成员簇；例如，全维度单元行为数据包括第一数量个单元行为数据簇，一个单元行为数据簇包含第四数量个单元行为数据；与各个单元行为数据簇所对应的负关联行为数据区均包括第一类负关联行为数据区和第二类负关联行为数据区；此时，分布式服务器系统可以在全维度单元行为数据中的各个单元行为数据簇中获取目标单元行为数据簇；其中，分布式服务器系统可以在目标单元行为数据簇的第四数量个单元行为数据中选择一个单元行为数据作为目标单元行为数据簇的锚单元行为数据，并在目标单元行为数据簇的第四数量个单元行为数据中将除锚单元行为数据之外的单元行为数据作为目标单元行为数据簇的正单元行为数据，依据目标单元行为数据簇的锚单元行为数据和目标单元行为数据簇的正单元行为数据，输出目标单元行为数据簇的正单元行为数据组合；目标单元行为数据簇的正单元行为数据组合的数量为第四数量*(第四数量-1)*1/2个；其中，分布式服务器系统可以在与目标单元行为数据簇所对应的负关联行为数据区中，提取2*第五数量个单元行为数据作为目标单元行为数据簇的负单元行为数据；目标单元行为数据簇的负单元行为数据中包括第五数量个第一负单元行为数据和第五数量个第二负单元行为数据；第五数量个第一负单元行为数据是从与目标单元行为数据簇所对应的第一类负关联行为数据区中所提取到的；第五数量个第二负单元行为数据是从与目标单元行为数据簇所对应的第二类负关联行为数据区中所提取到的；其中，分布式服务器系统可以基于目标单元行为数据簇的正单元行为数据组合和目标单元行为数据簇的负单元行为数据，配置得到目标单元行为数据簇的训练数据成员簇，直到全维度单元行为数据中的各个单元行为数据簇均被作为目标单元行为数据簇时，生成各个单元行为数据簇的训练数据成员簇；各个单元行为数据簇的训练数据成员簇的数量均为第四数量*(第四数量-1)* 第五数量个；其中，分布式服务器系统可以将各个单元行为数据簇的训练数据成员簇作为用于对第一行为意图挖掘网络进行网络更新的多维度训练数据成员簇。
45.其中，与所述目标单元行为数据簇所对应的第一类负关联行为数据区包括第三数量*第四数量个第一单元行为数据；与所述目标单元行为数据簇所对应的第二类负关联行为数据区包括第三数量*第四数量个第二单元行为数据。在此基础上，本技术实施例还可以在所述目标单元行为数据簇的第四数量个单元行为数据中游走选择一个单元行为数据作为所述目标单元行为数据簇的正单元行为数据，并在所述目标单元行为数据簇的第四数量个单元行为数据中将除游走到的所述正单元行为数据之外的单元行为数据作为所述目标单元行为数据簇的锚单元行为数据。接着，在所述第三数量*第四数量个第一单元行为数据中搜索与所述目标单元行为数据簇的锚单元行为数据相同的第一单元行为数据，将搜索到的与所述目标单元行为数据簇的锚单元行为数据相同的第一单元行为数据作为协同行为提取数据，在所述第三数量*第四数量个第一单元行为数据中将除所述协同行为提取数据之外的第一单元行为数据作为目标行为提取数据；所述目标行为提取数据的数据数量为(第三数量*第四数量-1)个。接着，确定所述协同行为提取数据与(第三数量*第四数量-1)个所述目标行为提取数据之间的第一特征代价值，将确定的最小第一特征代价值所对应的目标行为提取数据作为所述协同行为提取数据的局部第一负单元行为数据，并确定所述协同行为提取数据与第三数量*第四数量个第二单元行为数据之间的第二特征代价值，将确定的
最小第二特征代价值所对应的第二单元行为数据作为所述协同行为提取数据的全局第一负单元行为数据。由此可以依据所述协同行为提取数据的局部第一负单元行为数据和所述协同行为提取数据的全局第一负单元行为数据，在所述目标单元行为数据簇的负单元行为数据中更新所述目标单元行为数据簇的第一负单元行为数据。
46.步骤s203，基于负关联行为数据区中的总负关联统计量，对多维度训练数据成员簇中的训练数据成员簇进行训练单位分配，生成与全维度单元行为数据所对应的用户行为训练数据。
47.步骤s204，获取用于对第一行为意图挖掘网络进行网络更新的用户行为训练数据，将用户行为训练数据中的训练数据成员簇作为候选训练数据成员簇；步骤s205，依据第一行为意图挖掘网络挖掘输出候选训练数据成员簇的成员簇变量，将候选训练数据成员簇的成员簇变量加载到与第一行为意图挖掘网络存在映射联系的训练有效性决策网络，由训练有效性决策网络基于第一行为意图挖掘网络的网络更新轮数和训练有效性决策网络所被设定的有效值评估配置信息，对候选训练数据成员簇进行训练有效性决策，生成候选训练数据成员簇的训练有效性决策信息。
48.例如，可以将所述候选训练数据成员簇加载到所述第一行为意图挖掘网络，由所述第一行为意图挖掘网络对所述候选训练数据成员簇进行变量编码，将所述第一行为意图挖掘网络所挖掘的所述候选训练数据成员簇的成员簇变量作为第一更新成员簇变量。然后，在所述第一行为意图挖掘网络的网络更新轮数达到初始更新轮数时，将所述第一更新成员簇变量加载到与所述第一行为意图挖掘网络存在映射联系的训练有效性决策网络，调用所述训练有效性决策网络基于与所述用户行为训练数据所对应的第一决策数据序列，输出所述训练有效性决策网络所被设定的第一有效值评估配置信息。然后，依据所述第一决策数据序列确定所述用户行为训练数据的第一组合训练代价值，依据所述第一组合训练代价值更新所述第一行为意图挖掘网络的网络权重信息，将权重更新后的第一行为意图挖掘网络作为模糊行为意图挖掘网络，且对所述第一行为意图挖掘网络的网络更新轮数进行更新。然后，将所述模糊行为意图挖掘网络所挖掘的所述候选训练数据成员簇的成员簇变量作为第二更新成员簇变量，且在更新后的网络更新轮数达到预设更新轮数时，将所述第二更新成员簇变量加载到所述训练有效性决策网络，调用所述训练有效性决策网络基于所述训练有效性决策网络所被设定的第一有效值评估配置信息，对所述候选训练数据成员簇进行训练有效性决策，生成所述候选训练数据成员簇的训练有效性决策信息。
49.例如，将所述候选训练数据成员簇加载到所述第一行为意图挖掘网络，由所述第一行为意图挖掘网络对所述候选训练数据成员簇进行变量编码，将所述第一行为意图挖掘网络所挖掘的所述候选训练数据成员簇的成员簇变量作为第一更新成员簇变量，包括：将所述候选训练数据成员簇加载到所述第一行为意图挖掘网络的行为变量提取单元，由所述行为变量提取单元提取所述候选训练数据成员簇的起始行为变量；将提取到的起始行为变量加载到所述第一行为意图挖掘网络的编码单元，由所述编码单元对所述起始行为变量进行编码；将编码所得到的编码向量集作为所述第一行为意图挖掘网络所挖掘的第一更新成员簇变量。
50.例如，在所述第一行为意图挖掘网络的网络更新轮数达到初始更新轮数时，将所述第一更新成员簇变量加载到与所述第一行为意图挖掘网络存在映射联系的训练有效性
决策网络，调用所述训练有效性决策网络基于与所述用户行为训练数据所对应的第一决策数据序列，输出所述训练有效性决策网络所被设定的第一有效值评估配置信息，包括：在所述第一行为意图挖掘网络的网络更新轮数达到初始更新轮数时，将所述第一更新成员簇变量加载到与所述第一行为意图挖掘网络存在映射联系的训练有效性决策网络，调用所述训练有效性决策网络将与所述候选训练数据成员簇所对应的决策数据序列作为与所述用户行为训练数据所对应的第一决策数据序列；在所述第一决策数据序列中，更新记录所述候选训练数据成员簇中的负单元行为数据的初始有效值评估指标；获取所述训练有效性决策网络在所述初始更新轮数时的置信度阈值，依据更新记录的初始有效值评估指标和所述初始更新轮数时的置信度阈值，输出所述训练有效性决策网络在所述初始更新轮数时的初始置信度阈值，依据所述初始置信度阈值，将所述训练有效性决策网络所被设定的有效值评估配置信息作为第一有效值评估配置信息。
51.例如，在所述第一决策数据序列中，更新记录所述候选训练数据成员簇中的负单元行为数据的初始有效值评估指标，包括：在所述第一决策数据序列中，输出参与更新的所述候选训练数据成员簇的总簇数量，从所述候选训练数据成员簇中获取第一目标训练数据成员簇的锚单元行为数据和所述第一目标训练数据成员簇的负单元行为数据，将所述第一目标训练数据成员簇的锚单元行为数据所在的单元行为数据簇作为标的单元行为数据簇；获取所述标的单元行为数据簇中的第六数量个单元行为数据，依据所述第一更新成员簇变量确定所述第六数量个单元行为数据中的各个单元行为数据的行为编码变量，并将由所述各个单元行为数据的行为编码变量所确定的平均行为编码变量作为所述标的单元行为数据簇的簇心；在所述标的单元行为数据簇中的第六数量个单元行为数据中，将搜索到的与所述第一目标训练数据成员簇中的负单元行为数据具有最小特征代价值的单元行为数据作为第一标的单元行为数据，将所述第一目标训练数据成员簇中的负单元行为数据与所述第一标的单元行为数据之间的特征代价值作为第一标的代价值，并将所述第一目标训练数据成员簇中的负单元行为数据与所述标的单元行为数据簇的簇心之间的特征代价值作为第二标的代价值；将所述第一标的代价值和所述第二标的代价值的比值作为所述第一目标训练数据成员簇的负单元行为数据的待更新有效值评估指标；依据所述总簇数量和所述第一目标训练数据成员簇的负单元行为数据的待更新有效值评估指标，输出所述候选训练数据成员簇中的负单元行为数据的初始有效值评估指标。
52.例如，将所述模糊行为意图挖掘网络所挖掘的所述候选训练数据成员簇的成员簇变量作为第二更新成员簇变量，且在更新后的网络更新轮数达到预设更新轮数时，将所述第二更新成员簇变量加载到所述训练有效性决策网络，调用所述训练有效性决策网络基于所述训练有效性决策网络所被设定的第一有效值评估配置信息，对所述候选训练数据成员簇进行训练有效性决策，生成所述候选训练数据成员簇的训练有效性决策信息，包括以下实施方式。
53.（1）将所述模糊行为意图挖掘网络所挖掘的所述候选训练数据成员簇的成员簇变量作为第二更新成员簇变量，且在更新后的网络更新轮数达到预设更新轮数时，将所述第二更新成员簇变量加载到所述训练有效性决策网络，调用所述训练有效性决策网络从所述候选训练数据成员簇中获取第二目标训练数据成员簇的锚单元行为数据和所述第二目标训练数据成员簇的负单元行为数据，将所述第二目标训练数据成员簇的锚单元行为数据所
在的单元行为数据簇作为待学习单元行为数据簇；（2）获取所述待学习单元行为数据簇中的第七数量个单元行为数据，依据所述第二更新成员簇变量确定所述第七数量个单元行为数据中的各个单元行为数据的行为编码变量，并将由所述各个单元行为数据的行为编码变量所确定的平均行为编码变量作为所述待学习单元行为数据簇的簇心；（3）基于所述待学习单元行为数据簇中的第七数量个单元行为数据分别与所述待学习单元行为数据簇的簇心之间的特征代价值，输出所述待学习单元行为数据簇对应的代价平均值，将所述代价平均值作为所述待学习单元行为数据簇的簇内代价值；（4）在所述待学习单元行为数据簇中的第七数量个单元行为数据中，将搜索到的与所述第二目标训练数据成员簇中的负单元行为数据具有最小特征代价值的单元行为数据作为第二标的单元行为数据，将所述第二目标训练数据成员簇中的负单元行为数据与所述第二标的单元行为数据之间的特征代价值作为第三标的代价值，并将所述第二目标训练数据成员簇中的负单元行为数据与所述待学习单元行为数据簇的簇心之间的特征代价值作为第四标的代价值；（5）将所述第三标的代价值和所述第四标的代价值的比值作为所述第二目标训练数据成员簇的负单元行为数据与所述待学习单元行为数据簇之间的代价系数；（6）依据所述代价系数和所述簇内代价值以及所述训练有效性决策网络所被设定的第一有效值评估配置信息，对所述第二目标训练数据成员簇进行训练有效性决策，生成所述第二目标训练数据成员簇的训练有效性决策信息，直到所述候选训练数据成员簇中的各个训练数据成员簇均作为所述第二目标训练数据成员簇时，生成所述候选训练数据成员簇中的各个训练数据成员簇的训练有效性决策信息。
54.例如，与所述用户行为训练数据所对应的第一决策数据序列包括第一决策数据序列、第二决策数据序列和第三决策数据序列；所述第一决策数据序列的决策精度高于所述第二决策数据序列的决策精度，且所述第二决策数据序列的决策精度高于所述第三决策数据序列的决策精度。
55.在以上描述的基础上，本实施例可以基于所述候选训练数据成员簇中的各个训练数据成员簇的训练有效性决策信息，在所述候选训练数据成员簇中的各个训练数据成员簇中，输出用于加载到所述第一决策数据序列所对应的训练数据成员簇、用于加载到所述第二决策数据序列所对应的训练数据成员簇和用于加载到所述第三决策数据序列所对应的训练数据成员簇，在与所述用户行为训练数据所对应的第一决策数据序列中剔除与所述第三决策数据序列所对应的训练数据成员簇，并将剔除与所述第三决策数据序列所对应的训练数据成员簇后的第一决策数据序列作为目标决策数据序列，依据所述目标决策数据序列中的训练数据成员簇更新所述训练有效性决策网络所被设定的第一有效值评估配置信息。
56.步骤s206，对候选训练数据成员簇的成员簇变量进行行为意图特征决策，生成候选训练数据成员簇的行为意图特征变量，基于候选训练数据成员簇的行为意图特征变量和训练有效性决策信息，对用户行为训练数据进行组合训练代价值评估，输出用户行为训练数据的组合训练代价值。
57.其中，所述候选训练数据成员簇的训练有效性决策信息包括与第一决策数据序列所对应的训练数据成员簇的第一决策输出信息、与第二决策数据序列所对应的训练数据成
员簇的第二决策输出信息和与第三决策数据序列所对应的训练数据成员簇的第三决策输出信息；所述第一决策数据序列的决策精度高于所述第二决策数据序列的决策精度，且所述第二决策数据序列的决策精度高于所述第三决策数据序列的决策精度。
58.由此，在本步骤中，例如可以对所述候选训练数据成员簇的成员簇变量进行行为意图特征决策，生成所述候选训练数据成员簇的行为意图特征变量，对所述候选训练数据成员簇的行为意图特征变量进行频繁项变量提取，生成所述候选训练数据成员簇的频繁项变量。
59.在此基础上，基于所述第一行为意图挖掘网络的网络更新轮数，输出所述第一决策数据序列对应的第一影响因子、所述第二决策数据序列对应的第二影响因子和所述第三决策数据序列对应的第三影响因子。基于与所述第一决策数据序列所对应的训练数据成员簇的第一决策输出信息，输出与所述第一决策数据序列所对应的训练数据成员簇的第一训练收敛指标，基于与所述第二决策数据序列所对应的训练数据成员簇的第二决策输出信息，输出与所述第二决策数据序列所对应的训练数据成员簇的第二训练收敛指标，基于与所述第三决策数据序列所对应的训练数据成员簇的第三决策输出信息，输出与所述第三决策数据序列所对应的训练数据成员簇的第三训练收敛指标；在此基础上，基于基于所述第一训练收敛指标和所述第一影响因子的加权值、所述第二训练收敛指标和所述第二影响因子的加权值以及所述第三训练收敛指标和所述第三影响因子的加权值，输出所述用户行为训练数据在所述网络更新轮数时的簇训练收敛指标，依据所述候选训练数据成员簇的行为意图特征变量确定所述候选训练数据成员簇中的候选训练数据成员在目标意图评估维度上的意图评估值，依据所述候选训练数据成员簇的频繁项变量确定所述候选训练数据成员在目标意图评估维度上的意图评估变量，依据所述候选训练数据成员在目标意图评估维度上的意图评估值和所述候选训练数据成员在目标意图评估维度上的意图评估变量，输出所述候选训练数据成员在所述网络更新轮数时的意图评估代价值，基于所述用户行为训练数据在所述网络更新轮数时的簇训练收敛指标和所述候选训练数据成员在所述网络更新轮数时的意图评估代价值，生成所述用户行为训练数据的组合训练代价值。
60.步骤s207，基于组合训练代价值更新第一行为意图挖掘网络的网络权重信息，依据更新网络权重信息后的第一行为意图挖掘网络，生成用于对目标用户行为数据进行行为意图特征分析的第二行为意图挖掘网络，以基于所述第二行为意图挖掘网络作为目标行为意图挖掘网络对用户行为大数据进行行为意图特征分析。
61.进一步地，参见图3所示，该云端ai服务系统100可以包括：处理器101和机器可读存储介质102。其中，所述机器可读存储介质102用于存储支持该云端ai服务系统100执行上述前述任意一种实施例中提供的应用于行为意图分析的大数据挖掘方法的程序，所述处理器101被配置为用于执行所述机器可读存储介质102中存储的程序。
62.所述程序包括一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器101执行时能够实现前述任意一种实施例中的全部或部分步骤。
63.其中，所述云端ai服务系统100的架构中还可以包括通信单元103，用于该云端ai服务系统100与其它设备或系统通信（例如云端ai服务系统200）。
64.另外，本技术实施例提供了一种计算机存储介质，用于储存上述云端ai服务系统
100所用的计算机软件指令，其包含用于执行上述前述任意一种方法实施例中应用于行为意图分析的大数据挖掘方法所涉及的程序。
65.最后应说明的是：以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。