关于电子商务数据推送的兴趣分析方法及系统与流程

1.本技术涉及数据处理技术领域，尤其涉及一种关于电子商务数据推送的兴趣分析方法及系统。


背景技术：

2.电子商务是指在网络环境下，通过无接触式的交互实现网上（线上）交易、在线支付（或者货到付款）、智能配送以及相关综合服务的一切活动，是完全创新的或者在一定程度上模拟传统商务流程的一种以信息化手段应用为典型特征的商业运营模式。电子商务具有普遍性、便利性、整体性、安全性、协调性等特性，在当今的大数据时代下应用非常广泛。数据推送作为电子商务的其中一个重要业务分支，其推送效率一致备受关注，然而相关的数据推送技术往往会出现重复推送、烦扰用户等低效的推送问题。


技术实现要素：

3.本技术的一个目的是提供一种关于电子商务数据推送的兴趣分析方法及系统。
4.本技术的技术方案是通过如下至少部分实施例实现的。
5.一种关于电子商务数据推送的兴趣分析方法，应用于大数据处理系统，所述方法至少包括：获得待进行数据推送分析的电子商务交互会话的第一用户行为处理线程收集的当前电商用户行为记录；结合所述当前电商用户行为记录确定第一推送兴趣挖掘数据；获得所述待进行数据推送分析的电子商务交互会话对应的第二推送兴趣挖掘数据，其中，所述第二推送兴趣挖掘数据是所述待进行数据推送分析的电子商务交互会话的在先电商用户行为记录的推送兴趣挖掘数据，收集所述在先电商用户行为记录的用户行为处理线程包括所述第一用户行为处理线程；在结合所述第一推送兴趣挖掘数据和所述第二推送兴趣挖掘数据确定所述第一推送兴趣挖掘数据达到设定大数据推送要求的基础上，结合所述第一推送兴趣挖掘数据确定大数据推送指示。
6.应用于上述实施例，可以结合第一用户行为处理线程收集的当前电商用户行为记录确定第一推送兴趣挖掘数据，并获得待进行数据推送分析的电子商务交互会话对应的第二推送兴趣挖掘数据，然后结合所述第一推送兴趣挖掘数据和所述第二推送兴趣挖掘数据判断所述第一推送兴趣挖掘数据是否达到设定大数据推送要求，并结合达到所述设定大数据推送要求的第一推送兴趣挖掘数据确定大数据推送指示。如此，可以根据设定大数据推送要求将每个确定的第一推送兴趣挖掘数据与缓存的第二推送兴趣挖掘数据进行对比分析，以减少重复推送的发生，不仅提高了针对电子商务的大数据推送效率，还避免了频繁重复推送对电商用户的烦扰，从而提高大数据推送的智能化程度。
7.在一些可独立的实施例中，所述获得待进行数据推送分析的电子商务交互会话的第一用户行为处理线程收集的当前电商用户行为记录，包括：获得所述第一用户行为处理线程收集的原始电商业务活动日志；依据设定抽取步长对所述原始电商业务活动日志进行抽取，获得所述当前电商用户行为记录。
8.应用于上述实施例，能够过滤掉一些价值较低且存在重复的当前电商用户行为记录，降低之后结合所述当前电商用户行为记录确定所述第一推送兴趣挖掘数据时的运算开销，提高推送兴趣分析的时效性。
9.在一些可独立的实施例中，所述方法还包括：结合已完成配置的ai神经网络，确定所述当前电商用户行为记录中达到设定推送兴趣挖掘要求的第一兴趣事件挖掘报告；所述结合所述当前电商用户行为记录确定第一推送兴趣挖掘数据，包括：结合所述第一兴趣事件挖掘报告确定第一推送兴趣挖掘数据。
10.应用于上述实施例，能够精准可靠地确定出达到所述设定推送兴趣挖掘要求的第一兴趣事件挖掘报告。
11.在一些可独立的实施例中，所述第一推送兴趣挖掘数据包括所述第一用户行为处理线程的第一区分标签；在结合所述当前电商用户行为记录确定第一推送兴趣挖掘数据之后，所述方法还包括：结合所述第一区分标签，确定所述第一用户行为处理线程所对应的线程集群区分标签；将所述第一推送兴趣挖掘数据缓存到所述线程集群区分标签对应的云服务器；所述获得所述待进行数据推送分析的电子商务交互会话对应的第二推送兴趣挖掘数据，包括：获得所述线程集群区分标签对应的云服务器中缓存的除所述第一推送兴趣挖掘数据外的第二推送兴趣挖掘数据。
12.应用于上述实施例，能够及时将第一推送兴趣挖掘数据依据线程集群进行归纳，提高了之后确定结合相同线程集群的用户行为处理线程确定的第二推送兴趣挖掘数据的时效性，提高了整体方案的执行效率。
13.在一些可独立的实施例中，所述方法还包括通过如下步骤判断所述第一推送兴趣挖掘数据是否达到设定大数据推送要求：确定所述第一推送兴趣挖掘数据涵盖的第一电商业务需求事项与所述第二推送兴趣挖掘数据涵盖的第二电商业务需求事项；在所述第一电商业务需求事项与所述第二电商业务需求事项为相同电商业务需求事项，且所述第一推送兴趣挖掘数据与所述第二推送兴趣挖掘数据分别对应的数据收集时刻之间的时长区间没有超过设定时长的基础上，确定所述第一推送兴趣挖掘数据没有达到所述设定大数据推送要求；或者，在所述第一电商业务需求事项与所述第二电商业务需求事项不为相同电商业务需求事项的基础上，或者在所述第一电商业务需求事项与所述第二电商业务需求事项为相同电商业务需求事项，且所述第一推送兴趣挖掘数据与所述第二推送兴趣挖掘数据分别对应的数据收集时刻之间的时长区间超过设定时长的基础上，确定所述第一推送兴趣挖掘数据达到所述设定大数据推送要求。
14.应用于上述实施例，可以使得设定时长内包含与第二推送兴趣挖掘数据相同的电商业务需求事项的第一推送兴趣挖掘数据不再确定大数据推送指示，这样能够减少针对相同电商业务需求事项的重复推送频次，节约了推送资源，提高了推送的智能化程度。
15.在一些可独立的实施例中，所述方法还包括基于如下步骤确定所述第一电商业务需求事项和所述第二电商业务需求事项是否为相同电商业务需求事项：获得所述第一电商业务需求事项的需求事项描述字段和所述第二电商业务需求事项的需求事项描述字段；确定所述第一电商业务需求事项的需求事项描述字段和所述第二电商业务需求事项的需求事项描述字段之间的字段词向量相似值，若所述字段词向量相似值超过设定判定值，则确定所述第一电商业务需求事项和所述第二电商业务需求事项为相同电商业务需求事项。
16.应用于上述实施例，能够精准地确定第一电商业务需求事项与第二电商业务需求事项是否相同，进而精准可靠地判断第一推送兴趣挖掘数据是否达到设定大数据推送要求。
17.在一些可独立的实施例中，所述需求事项描述字段包括如下至少一项：需求评论描述向量、服务反馈情绪向量、业务操作习惯向量。
18.应用于上述实施例，根据多种需求事项描述字段判断所述第一电商业务需求事项与所述第二电商业务需求事项是否为相同电商业务需求事项，能够确保大数据推送要求的判定精度和可信度，从而改善重复确定或者漏确定大数据推送指示的缺陷。
19.在一些可独立的实施例中，所述方法还包括：接收大数据推送系统发送的包含了变更时长区间的处理请求；结合所述变更时长区间对所述设定时长进行调整。
20.应用于上述实施例，大数据推送系统可以灵活调整大数据推送的频繁程度，提高整体方案在进行大数据推送分析和大数据推送决策时的智能化程度。
21.在一些可独立的实施例中，所述第一推送兴趣挖掘数据包括所述当前电商用户行为记录中达到所述设定推送兴趣挖掘要求的局部行为记录内容；所述结合所述第一推送兴趣挖掘数据确定大数据推送指示，包括：依据所述局部行为记录内容，在所述当前电商用户行为记录中增设注释知识，所述注释知识用于突显所述当前电商用户行为记录中符合所述设定推送兴趣挖掘要求的记录内容。
22.应用于上述实施例，可以突显出所述当前电商用户行为记录中的目标电商业务需求事项，便于后续进行针对性的数据挖掘分析。
23.在一些可独立的实施例中，所述第一推送兴趣挖掘数据中包括不少于一个电商兴趣主题的推送兴趣挖掘数据；所述方法还包括基于如下步骤确定所述第一推送兴趣挖掘数据是否达到设定大数据推送要求：确定所述第一推送兴趣挖掘数据涵盖的第一电商业务需求事项与所述第二推送兴趣挖掘数据涵盖的第二电商业务需求事项；在确定所述第一电商业务需求事项与所述第二电商业务需求事项为相同电商业务需求事项，且确定所述第二推送兴趣挖掘数据中所涵盖的推送兴趣挖掘数据的第一电商兴趣主题与所述第一推送兴趣挖掘数据所涵盖的推送兴趣挖掘数据的第二电商兴趣主题完全一致的基础上，确定所述第一推送兴趣挖掘数据没有达到所述设定大数据推送要求；在所述第一电商业务需求事项与所述第二电商业务需求事项不为相同电商业务需求事项的基础上，或者在所述第一电商业务需求事项与所述第二电商业务需求事项为相同电商业务需求事项，且所述第二电商兴趣主题中包含第三电商兴趣主题的推送兴趣挖掘数据的基础上，确定所述第一推送兴趣挖掘数据达到所述设定大数据推送要求，其中，所述第三电商兴趣主题为除所述第一电商兴趣主题外的剩余电商兴趣主题。
24.应用于上述实施例，可以让与第二推送兴趣挖掘数据中所涵盖的推送兴趣挖掘数据的电商兴趣主题相同的第一推送兴趣挖掘数据不再确定大数据推送指示，这样能够减少针对相同电商业务需求事项的重复推送频次，节约了推送资源，提高了推送的智能化程度。
25.在一些可独立的实施例中，所述结合所述第一推送兴趣挖掘数据确定大数据推送指示，包括：结合所述第一推送兴趣挖掘数据中所述第三电商兴趣主题的推送兴趣挖掘数据确定大数据推送指示，其中，不同电商兴趣主题的推送兴趣挖掘数据确定的大数据推送指示的描述向量存在差异；其中，所述大数据推送指示的描述向量至少包含所述大数据推
送指示的输出规则和/或所述大数据推送指示的输出对象。
26.应用于上述实施例，可以针对不同电商兴趣主题的推送兴趣挖掘数据确定不同的大数据推送指示，并对各大数据推送指示匹配个性化的输出规则，保障了大数据推送指示在后期的推送指导中的决策辅助质量。
27.一种大数据处理系统，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。
28.一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。
附图说明
29.图1是示出可以实现本技术的实施例的大数据处理系统的一种通信配置的示意图。
30.图2是示出可以实现本技术的实施例的一种关于电子商务数据推送的兴趣分析方法的流程示意图。
31.图3是示出可以实现本技术的实施例的一种关于电子商务数据推送的兴趣分析方法的应用环境的架构示意图。
具体实施方式
32.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。为了使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术作进一步地详细描述，所描述的实施例不应视为对本技术的限制，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，都属于本技术保护的范围。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技术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技术实施例的目的，不是旨在限制本技术。
33.图1是示出可以实现本技术的实施例的大数据处理系统100的一种通信配置的框图，大数据处理系统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技术实施例中一种关于电子商务数据推送的兴趣分析方法的处理器102。
34.图2是示出可以实现本技术的实施例的一种关于电子商务数据推送的兴趣分析方法的流程示意图，一种关于电子商务数据推送的兴趣分析方法可以通过图1所示的大数据处理系统100实现，进一步可以包括以下相关步骤所描述的技术方案。
35.step101、获得待进行数据推送分析的电子商务交互会话的第一用户行为处理线程收集的当前电商用户行为记录。
36.step102、结合所述当前电商用户行为记录确定第一推送兴趣挖掘数据。
37.step103、获得所述待进行数据推送分析的电子商务交互会话对应的第二推送兴趣挖掘数据。
38.其中，所述第二推送兴趣挖掘数据是所述待进行数据推送分析的电子商务交互会话的在先电商用户行为记录的推送兴趣挖掘数据，收集所述在先电商用户行为记录的用户行为处理线程包括所述第一用户行为处理线程。
39.step104、在结合所述第一推送兴趣挖掘数据和所述第二推送兴趣挖掘数据确定所述第一推送兴趣挖掘数据达到设定大数据推送要求的基础上，结合所述第一推送兴趣挖掘数据确定大数据推送指示。
40.上述方案，通过结合在先电商用户行为记录的第二推送兴趣挖掘数据以及当前电商用户行为记录的第一推送兴趣挖掘数据进行联合分析，从而实现对第一推送兴趣挖掘数据是否达到设定大数据推送要求的准确判断，以便在第一推送兴趣挖掘数据达到设定大数据推送要求的基础上，进行大数据推送指示的确定。通过结合历史数据进行大数据推送指示确定，能够避免频繁、重复地确定大数据推送指示，从而提高大数据推送指示辅助指导信息推送的智能化程度。
41.以下的相关内容是针对step101~step104的示例性介绍和说明，不应理解为对step101~step104的限定，也不应理解为实施上述的step101~step104所必不可少的技术特征。
42.示例性的，对于step101而言，所述待进行数据推送分析的电子商务交互会话可以是相关电子商务服务的多端会话互动记录，比如现有的跨境电商购物互动记录、元宇宙vr服务互动记录等，在此不作限定。所述待进行数据推送分析的电子商务交互会话对应有多个用户行为处理线程（用于对电商用户行为数据进行采集收集以形成电商用户行为记录），所述第一用户行为处理线程可以是其中的一个用户行为处理线程，所述第一用户行为处理线程根据实际情况进行配置，用户行为处理线程可以是行为数据采集程序或者行为数据采集模块，且用户行为处理线程在采集用户行为之前，是经过相应的电子商务客户端的授权的，也即，本技术整体方案的实施是在电子商务客户端/电子商务用户知晓且同意的情况下实现的。
43.在一些可独立的实施例中，在获得待进行数据推送分析的电子商务交互会话的第一用户行为处理线程收集的当前电商用户行为记录时，可以先获得所述第一用户行为处理线程收集的原始电商业务活动日志，然后依据设定抽取步长（采样步长或者采样周期）对所述原始电商业务活动日志进行抽取，获得所述当前电商用户行为记录。
44.示例性的，所述第一用户行为处理线程在收集原始电商业务活动日志时是以短步长收集多组电商业务活动日志，所述第一用户行为处理线程可以以每s收集15组电商业务活动日志的抽取步长进行收集。所述依据设定抽取步长对所述原始电商业务活动日志进行抽取，可以是每间隔设定组数对所述多组电商业务活动日志进行抽取，如每间隔5组进行一次抽取，然后将抽取的电商业务活动日志作为所述当前电商用户行为记录。
45.如此，能够过滤掉一些价值较低且存在重复的当前电商用户行为记录，降低之后结合所述当前电商用户行为记录确定第一推送兴趣挖掘数据时的运算开销，提高推送兴趣分析的时效性。
46.对于step102而言，在一些可独立的实施例中，在结合所述当前电商用户行为记录确定第一推送兴趣挖掘数据之前，可以先结合已完成配置的ai神经网络（比如现有的卷积神经网络、深度学习网络、特征金字塔网络等），确定所述当前电商用户行为记录中达到设
定推送兴趣挖掘要求的第一兴趣事件挖掘报告，然后在结合所述当前电商用户行为记录确定第一推送兴趣挖掘数据时，可以结合所述第一兴趣事件挖掘报告确定第一推送兴趣挖掘数据。
47.在一些示例下，所述设定推送兴趣挖掘要求可以理解为与所述待进行数据推送分析的电子商务交互会话匹配的推送兴趣挖掘要求，比如若所述待进行数据推送分析的电子商务交互会话为元宇宙vr服务互动记录，则所述设定推送兴趣挖掘要求可以理解为“针对元宇宙交互的个人信息安全防护”等。
48.对于一些可能的示例而言，鉴于所述当前电商用户行为记录所涵盖的记录内容较多，除所述待进行数据推送分析的电子商务交互会话外可能还存在其他噪声内容（比如一些流程性的、非用户行为层面的内容），所述ai神经网络可以先根据事先设置的会话信息捕捉窗口确定所述当前电商用户行为记录中会话数据，然后然后对所述当前电商用户行为记录中的会话数据进行目标电商业务需求事项挖掘，得到不同的电商业务需求事项（比如gui升级需求、信息安全防护需求等），并且所述ai神经网络还可以输出所述目标电商业务需求事项的特征数据，如热度、类型、用户反馈文本等。进一步地，可以对挖掘出的目标电商业务需求事项然后依据所述设定推送兴趣挖掘要求对所述当前电商用户行为记录进行挑选，如挑选与“针对元宇宙交互的个人信息安全防护”等信息存在关联的第一兴趣事件挖掘报告，该兴趣事件挖掘报告可以包括多个电商业务需求事项，相应的，推送兴趣挖掘数据也可以包括多个电商业务需求事项，以及相关的活动偏好/倾向分析信息。如此，能够精准可靠地确定出达到所述设定推送兴趣挖掘要求的第一兴趣事件挖掘报告。
49.在一些可独立的实施例中，在获得所述当前电商用户行为记录之后，可以将所述当前电商用户行为记录发送至云服务器，所述云服务器在接收到所述当前电商用户行为记录后，可以确定所述当前电商用户行为记录的缓存空间，并将所述缓存空间发送至用户行为分析单元，这样，用户行为分析单元（比如部署在系统中的电商用户行为记录分析模块）在对当前电商用户行为记录进行分析时可以结合所述缓存空间获得所述当前电商用户行为记录。
50.在一些可独立的实施例中，在结合所述当前电商用户行为记录确定第一推送兴趣挖掘数据时，可以是将所述当前电商用户行为记录输入至已完成配置的决策树分析模型，由所述决策树分析模型先对所述当前电商用户行为记录中的内容进行决策分析，得到决策分析结果，然后判断所述决策分析结果是否达到设定的推送兴趣挖掘要求，如所述推送兴趣挖掘要求为所述决策分析结果中是否包含设定需求事项（比如影响范围较大的、对于用户存留贡献度较高的需求事项）。在决策分析结果中的决策分析结果达到所述推送兴趣挖掘要求时（如存在设定需求事项），便可结合所述决策分析结果确定所述第一推送兴趣挖掘数据。
51.进一步地，所述第一推送兴趣挖掘数据可以包括所述当前电商用户行为记录的采集时刻、所述当前电商用户行为记录的缓存空间、所述目标电商业务需求事项的第三区分标签、所述目标电商业务需求事项的特征数据（需求细节特征、需求类别特征、需求反馈特征等）、以及获得所述第一用户行为处理线程的第一区分标签（用于对不同用户行为处理线程进行区分的标识）等。
52.进一步地，对于step103而言，可以由挖掘数据优化单元执行。在一些可独立的实
施例中，用户行为分析单元在确定所述第一推送兴趣挖掘数据之后，可以将所述第一推送兴趣挖掘数据增设至候选数据集，并由挖掘数据优化单元从所述候选数据集中每间隔第一设定时间获得所述第一推送兴趣挖掘数据，或者用户行为分析单元可以直接将所述第一推送兴趣挖掘数据发送至所述挖掘数据优化单元，然后通过挖掘数据优化单元实施step103。
53.在一些可独立的实施例中，所述第一推送兴趣挖掘数据包括所述第一用户行为处理线程的第一区分标签；在结合所述当前电商用户行为记录确定第一推送兴趣挖掘数据之后，还可以结合所述第一区分标签，确定所述第一用户行为处理线程所对应的线程集群区分标签；将所述第一推送兴趣挖掘数据缓存到所述线程集群区分标签对应的云服务器；然后在获得所述待进行数据推送分析的电子商务交互会话对应的第二推送兴趣挖掘数据时，可以获得所述线程集群区分标签对应的云服务器中缓存的除所述第一推送兴趣挖掘数据外的第二推送兴趣挖掘数据。
54.示例性的，多个用户行为处理线程依据线程集群（比如线程分组）进行拆解，每个线程集群可以包括针对相同的待进行数据推送分析的电子商务交互会话设置的不少于一个用户行为处理线程，属于相同线程集群的用户行为处理线程用于收集同一待进行数据推送分析的电子商务交互会话的电商用户行为记录；所述第一用户行为处理线程即为任一线程集群中的任一个用户行为处理线程，每个用户行为处理线程对应一个线程区分标签，如所述第一用户行为处理线程的第一区分标签；每个线程集群对应一个线程集群区分标签；在云服务器中可以包括多个缓存空间，每个缓存空间可以分别记录对应于不同线程集群区分标签的历史推送兴趣挖掘数据。
55.可以理解的是，在接收到所述第一推送兴趣挖掘数据后，可以先确定所述第一推送兴趣挖掘数据中的第一区分标签，结合设定的用户行为处理线程区分标签与线程集群区分标签之间的映射列表（比如对应关系），确定与所述第一区分标签匹配的线程集群区分标签，并将所述第一推送兴趣挖掘数据缓存到所述线程集群区分标签对应的云服务器，然后为了获得同一个线程集群下的（比如所述待进行数据推送分析的电子商务交互会话的）用户行为处理线程收集的当前电商用户行为记录确定的历史推送兴趣挖掘数据，在获得所述待进行数据推送分析的电子商务交互会话对应的第二推送兴趣挖掘数据时，便能将所述云服务器中缓存的除所述第一推送兴趣挖掘数据外的信息作为第二推送兴趣挖掘数据。
56.基于上述内容，能够及时将第一推送兴趣挖掘数据依据线程集群进行归纳，提高了之后确定结合同线程集群的用户行为处理线程确定的第二推送兴趣挖掘数据的时效性，提高了整体方案的执行效率。
57.对于另外的一些设计思路而言，所述第一推送兴趣挖掘数据、以及所述历史推送兴趣挖掘数据可以依据接收的时序先后直接记录于缓存空间中，在获得所述待进行数据推送分析的电子商务交互会话对应的第二推送兴趣挖掘数据时，可以结合所述第一区分标签，确定所述第一用户行为处理线程所对应的线程集群区分标签，同时，结合所述缓存空间中的历史推送兴趣挖掘数据的第二区分标签（比如用于获得确定所述历史推送兴趣挖掘数据的当前电商用户行为记录的用户行为处理线程的线程区分标签），确定所述历史推送兴趣挖掘数据的用户行为处理线程所对应的线程集群区分标签，然后将与所述第一用户行为处理线程所对应的线程集群区分标签相同的历史推送兴趣挖掘数据作为所述第二推送兴趣挖掘数据。
58.就step104而言，在实施step104之前还需要确定所述第一推送兴趣挖掘数据与所述第二推送兴趣挖掘数据是否达到所述设定大数据推送要求。
59.在一些可独立的实施例中，所述第二推送兴趣挖掘数据是结合第二兴趣事件挖掘报告确定的（比如所述待进行数据推送分析的电子商务交互会话的在先电商用户行为记录）；在判断所述第一推送兴趣挖掘数据是否达到设定大数据推送要求时，可以先确定所述第一推送兴趣挖掘数据涵盖的第一电商业务需求事项与所述第二推送兴趣挖掘数据涵盖的第二电商业务需求事项。
60.进一步地，在所述第一电商业务需求事项与所述第二电商业务需求事项为相同电商业务需求事项，且所述第一推送兴趣挖掘数据与所述第二推送兴趣挖掘数据分别对应的数据收集时刻之间的时长区间没有超过设定时长的基础上，确定所述第一推送兴趣挖掘数据没有达到所述设定大数据推送要求；或者，在所述第一电商业务需求事项与所述第二电商业务需求事项不为相同电商业务需求事项的基础上，或者在所述第一电商业务需求事项与所述第二电商业务需求事项为相同电商业务需求事项，且所述第一推送兴趣挖掘数据与所述第二推送兴趣挖掘数据分别对应的数据收集时刻之间的时长区间超过设定时长的基础上，确定所述第一推送兴趣挖掘数据达到所述设定大数据推送要求。
61.可以理解的是，如果所述第一电商业务需求事项与所述第二电商业务需求事项为相同电商业务需求事项，表明已经针对该电商业务需求事项确定过大数据推送指示，则不再确定大数据推送指示；在所述第一电商业务需求事项与所述第二电商业务需求事项为不同电商业务需求事项时，表明未针对该电商业务需求事项确定过大数据推送指示。且任一电商业务需求事项很可能在某个时间段多次出现，如果所述第一推送兴趣挖掘数据与所述第二推送兴趣挖掘数据分别对应的数据收集时刻之间的时长区间超过了设定时长（如12h），则表明该电商业务需求事项有可能是再次出现（也可以理解为电商业务需求事项对应的需求没有得到解决或者相关大数据推送的执行存在异常），所以应针对该电商业务需求事项再次确定大数据推送指示，在所述时长区间不超过所述设定时长时，无需重复确定大数据推送指示。
62.如此，可以让设定时长内包含与第二推送兴趣挖掘数据相同的电商业务需求事项的第一推送兴趣挖掘数据不再确定大数据推送指示，这样能够减少针对相同电商业务需求事项的重复推送频次，节约了推送资源，提高了推送的智能化程度。
63.针对上述确定所述第一推送兴趣挖掘数据是否达到所述设定大数据推送要求的示例性设计思路可以包括如下相关步骤所描述的内容。
64.（1）、确定所述第一电商业务需求事项与所述第二电商业务需求事项是否为相同电商业务需求事项。
65.首先，在一些可独立的实施例中，在确定所述第一电商业务需求事项和所述第二电商业务需求事项是否为相同电商业务需求事项时，可以先获得所述第一电商业务需求事项的需求事项描述字段和所述第二电商业务需求事项的需求事项描述字段，然后确定所述第一电商业务需求事项的需求事项描述字段和所述第二电商业务需求事项的需求事项描述字段之间的字段词向量相似值（比如余弦相似度），如果所述字段词向量相似值超过设定判定值，则确定所述第一电商业务需求事项和所述第二电商业务需求事项为相同电商业务需求事项。
66.示例性的，所述第一电商业务需求事项的需求事项描述字段（比如事项特征信息）可以是从所述当前电商用户行为记录中挖掘得到的；所述第二电商业务需求事项的需求事项描述字段（比如事项特征信息）可以是事先缓存的，也可以是从所述第二兴趣事件挖掘报告中挖掘得到的。
67.如此，能够精准地确定第一电商业务需求事项与第二电商业务需求事项是否相同，进而精准可靠地判断第一推送兴趣挖掘数据是否达到设定大数据推送要求。
68.在一些可独立的实施例中，在挖掘所述需求事项描述字段时，可以结合已完成配置的深度残差网络挖掘所述第一电商业务需求事项的需求事项描述字段和所述第二电商业务需求事项的需求事项描述字段。其中，所述需求事项描述字段包括如下至少一项：需求评论描述向量（针对需求事项的评论文本信息）、服务反馈情绪向量（用户在电商服务互动数据中的观点情绪）、业务操作习惯向量（用户操作行为特征）。
69.示例性的，所述深度残差网络可以用于挖掘所述需求评论描述向量、所述业务操作习惯向量，特征挖掘规便可用于针对多个用户行为处理线程收集的电商用户行为记录进行分析，并挖掘所述服务反馈情绪向量。
70.如此，根据多种需求事项描述字段判断所述第一电商业务需求事项与所述第二电商业务需求事项是否为相同电商业务需求事项，能够确保大数据推送要求的判定精度和可信度，从而改善重复确定或者漏确定大数据推送指示的情况。
71.在上述内容的基础上，确定所述第一电商业务需求事项的需求事项描述字段和所述第二电商业务需求事项的需求事项描述字段之间的字段词向量相似值，然后将确定出的字段词向量相似值与设定判定值进行对比分析，在所述字段词向量相似值大于所述设定判定值时，确定所述第一电商业务需求事项与所述第二电商业务需求事项为相同电商业务需求事项；在所述字段词向量相似值小于所述设定判定值时，确定所述第一电商业务需求事项与所述第二电商业务需求事项为不同电商业务需求事项。
72.举例而言，如果所述字段词向量相似值为0.85，且所述设定判定值为0.8，则确定所述第一电商业务需求事项与所述第二电商业务需求事项为相同电商业务需求事项，如果所述字段词向量相似值为0.5，所述设定判定值为0.6，则确定所述第一电商业务需求事项与所述第二电商业务需求事项为不同电商业务需求事项。
73.（2）、确定所述第一推送兴趣挖掘数据与所述第二推送兴趣挖掘数据分别对应的数据收集时刻之间的时长区间是否超过设定时长。
74.示例性的，所述第一推送兴趣挖掘数据中包含第一采集时刻，所述第一采集时刻为所述第一用户行为处理线程收集所述当前电商用户行为记录的时间，所述第二推送兴趣挖掘数据中包含第二采集时刻，所述第二采集时刻为所述用户行为处理线程收集所述第二兴趣事件挖掘报告的时间，所述第一采集时刻与所述第二采集时刻之差即为所述时长区间。再将所述时长区间与设定时长进行对比分析，如果所述时长区间超过所述设定时长，确定所述第一推送兴趣挖掘数据达到设定大数据推送要求，如果所述时长区间不超过所述设定时长，便可确定所述第一推送兴趣挖掘数据没有达到设定大数据推送要求，然后可以将所述第一推送兴趣挖掘数据清洗掉。
75.举例而言，如果所述第一采集时刻为15s，所述第二采集时刻为6s，则所述时长区间为9s，如果所述设定时长为10s，则所述时长区间不超过所述设定时长，所述第一推送兴
趣挖掘数据没有达到设定大数据推送要求，如果所述设定时长为5s，则所述时长区间超过所述设定时长，则所述第一推送兴趣挖掘数据达到设定大数据推送要求。
76.又比如，对于另外的一些设计思路而言，可以先确定所述时长区间是否大于所述设定时长，再确定所述第一电商业务需求事项与所述第二电商业务需求事项是否为相同电商业务需求事项。示例性的，可以先确定出所述第一采集时刻与所述第二采集时刻的时长区间，再确定所述时长区间是否大于所述设定时长，如果大于则确定所述第一推送兴趣挖掘数据达到设定大数据推送要求，如果不大于，则确定所述第一电商业务需求事项与所述第二电商业务需求事项是否为相同电商业务需求事项，若是，则所述第一推送兴趣挖掘数据没有达到设定大数据推送要求，若不是，则所述第一推送兴趣挖掘数据达到设定大数据推送要求。
77.对于另外的一些设计思路而言，所述第一推送兴趣挖掘数据中包括不少于一个电商兴趣主题的推送兴趣挖掘数据，在确定所述第一推送兴趣挖掘数据是否达到设定大数据推送要求时，还可以先确定所述第一推送兴趣挖掘数据涵盖的第一电商业务需求事项与所述第二推送兴趣挖掘数据涵盖的第二电商业务需求事项。
78.进一步地，在确定所述第一电商业务需求事项与所述第二电商业务需求事项为相同电商业务需求事项，且确定所述第二推送兴趣挖掘数据中所涵盖的推送兴趣挖掘数据的第一电商兴趣主题（比如推送兴趣的类别信息）与所述第一推送兴趣挖掘数据所涵盖的推送兴趣挖掘数据的第二电商兴趣主题完全一致的基础上，确定所述第一推送兴趣挖掘数据没有达到所述设定大数据推送要求；在所述第一电商业务需求事项与所述第二电商业务需求事项不为相同电商业务需求事项的基础上，或者在所述第一电商业务需求事项与所述第二电商业务需求事项为相同电商业务需求事项，且所述第二电商兴趣主题中包含第三电商兴趣主题的推送兴趣挖掘数据的基础上，确定所述第一推送兴趣挖掘数据达到所述设定大数据推送要求，其中，所述第三电商兴趣主题为除所述第一电商兴趣主题外的剩余电商兴趣主题。
79.示例性的，对于不同的情况，所述第一推送兴趣挖掘数据可以包括不同电商兴趣主题的推送兴趣挖掘数据。比例，就跨境电商处理环境而言，所述第二电商兴趣主题可以是电商业务需求事项的类别、细节信息、关注度等。
80.由此可见，如果所述第一电商业务需求事项与所述第二电商业务需求事项为相同电商业务需求事项，并且所述第一电商兴趣主题与所述第二电商兴趣主题完全一致，则表明已针对该电商业务需求事项的所有电商兴趣主题的推送兴趣挖掘数据进行过推送指示确定，便可不对所述第一推送兴趣挖掘数据进行重复推送指示确定，如果所述第一电商业务需求事项与所述第二电商业务需求事项不同，则表明所述第一推送兴趣挖掘数据与所述第二推送兴趣挖掘数据是针对不同行人确定的推送兴趣挖掘数据，则应该进行推送指示确定，如果所述第一电商业务需求事项与所述第二电商业务需求事项相同，并且所述第二电商兴趣主题中包含第三电商兴趣主题的推送兴趣挖掘数据，则表明虽然已经针对该电商业务需求事项确定过推送兴趣挖掘数据，但是所述第一推送兴趣挖掘数据所涵盖的推送兴趣挖掘数据与第二推送兴趣挖掘数据所涵盖的推送兴趣挖掘数据的内容是存在差异的，如当前电商用户行为记录中同一电商业务需求事项的关注层面存在差异，推送兴趣挖掘数据就可能存在差异，为了避免分析处理出现遗漏，应该针对所述第一推送兴趣挖掘数据进行推
送指示确定。
81.可以理解的是，在确定所述第一电商业务需求事项与所述第二电商业务需求事项是否为相同电商业务需求事项时，可结合上述相关步骤实施。所述第一推送兴趣挖掘数据的第二电商兴趣主题，可以是由所述ai神经网络输出的。
82.如此，可以使得与第二推送兴趣挖掘数据中所涵盖的推送兴趣挖掘数据的电商兴趣主题相同的第一推送兴趣挖掘数据不再确定大数据推送指示，这样能够减少针对相同电商业务需求事项的重复推送频次，节约了推送资源，提高了推送的智能化程度。
83.在一些可独立的实施例中，在结合所述第一推送兴趣挖掘数据确定大数据推送指示时，可以结合所述第一推送兴趣挖掘数据中所述第三电商兴趣主题的推送兴趣挖掘数据确定大数据推送指示，其中，不同电商兴趣主题的推送兴趣挖掘数据确定的大数据推送指示的描述向量存在差异；其中，所述大数据推送指示的描述向量至少包含所述大数据推送指示的输出规则和/或所述大数据推送指示的输出对象。
84.举例而言，所述大数据推送指示的输出规则便可包括语音输出、图文输出等，所述大数据推送指示的输出对象可以包括推送系统、第三方电商平台系统、第三方元宇宙服务器等。
85.示例性的，如果所述第三电商兴趣主题为电商业务兴趣主题，则可以将大数据推送指示输出给第三方电商平台系统，以指导第三方电商平台系统基于第三电商兴趣主题进行大数据推送。
86.如此，可以针对不同电商兴趣主题的推送兴趣挖掘数据确定不同的大数据推送指示，并对各大数据推送指示匹配个性化的输出规则，保障了大数据推送指示在后期的推送指导中的决策辅助质量。
87.在一些可独立的实施例中，大数据推送系统还可以对所述设定时长进行调整。示例性的，可以接收大数据推送系统发送的包含了变更时长区间的处理请求；结合所述变更时长区间对所述设定时长进行调整。比如，在接收到所述变更时长区间为2s的处理请求后，可以将所述设定时长调整为2s。
88.基于此，大数据推送系统可以灵活调整大数据推送的频繁程度，提高整体方案在进行大数据推送分析和大数据推送决策时的智能化程度。
89.在一些可独立的实施例中，所述第一推送兴趣挖掘数据还包括所述当前电商用户行为记录中达到所述设定推送兴趣挖掘要求的局部行为记录内容；在结合所述第一推送兴趣挖掘数据确定大数据推送指示时，可以依据所述局部行为记录内容，在所述当前电商用户行为记录中增设注释知识，所述注释知识用于突显所述当前电商用户行为记录中符合所述设定推送兴趣挖掘要求的记录内容。
90.如此，可以突显出所述当前电商用户行为记录中的目标电商业务需求事项，便于后续进行针对性的数据挖掘分析。
91.在一些可独立的实施例中，在结合所述第一推送兴趣挖掘数据确定大数据推送指示时，可以结合所述局部行为记录内容、所述目标电商业务需求事项的特征数据、所述目标电商业务需求事项的第三区分标签、所述当前电商用户行为记录等确定大数据推送指示，所述大数据推送指示可以包括文本推送指导、语音推送指导、图文推送指导等，所述大数据推送指示可以通过数据传输单元发送至其它侧，如大数据推送系统。
92.示例性的，所述挖掘数据优化单元在将所述大数据推送指示发送至所述数据传输单元时，也可以先将所述大数据推送指示发送至所述候选数据集，再由所述数据传输单元每间隔第二设定时间从所述候选数据集中获得所述大数据推送指示。
93.本技术实施例提供的关于电子商务数据推送的兴趣分析方法，可以结合第一用户行为处理线程收集的当前电商用户行为记录确定第一推送兴趣挖掘数据，并获得待进行数据推送分析的电子商务交互会话对应的第二推送兴趣挖掘数据，然后结合所述第一推送兴趣挖掘数据和所述第二推送兴趣挖掘数据判断所述第一推送兴趣挖掘数据是否达到设定大数据推送要求，并结合达到所述设定大数据推送要求的第一推送兴趣挖掘数据确定大数据推送指示。如此，可以根据设定大数据推送要求将每个确定的第一推送兴趣挖掘数据与缓存的第二推送兴趣挖掘数据进行对比分析，以减少重复推送的发生，不仅提高了针对电子商务的大数据推送效率，还避免了频繁重复推送对电商用户的烦扰。
94.在一些可独立实施的设计思路下，在结合所述第一推送兴趣挖掘数据确定大数据推送指示之后，该方法还可以包括如下内容：将所述大数据推送指示下发给跨境电商平台系统，使所述跨境电商平台系统基于所述大数据推送指示进行大数据推送处理。
95.在本技术实施例中，如果第一推送兴趣挖掘数据涉及跨境电商的用户兴趣事项或者需求事项，可以将确定出的大数据推送指示下发给对应的跨境电商平台系统，然后经由跨境电商平台系统进行针对性的大数据推送处理，提高大数据推送的效率，避免频繁重复推送带来的资源浪费，且在跨境电商平台系统侧进行大数据推送处理，能够减少大数据处理系统侧的运算开销，也即大数据处理系统只需进行大数据推送指示的确定（辅助相关平台系统进行大数据推送处理），这样可以并行对接多个平台系统，比如跨境电商平台系统、数字办公平台系统或者元宇宙服务平台系统等。
96.在一些可独立实施的设计思路下，使所述跨境电商平台系统基于所述大数据推送指示进行大数据推送处理，可以包括如下内容：使所述跨境电商平台系统对基于所述大数据推送指示获取的第一推送反馈文本集合进行反馈要素提取，得到所述第一推送反馈文本集合对应的第一反馈要素特征图集合；根据所述第一反馈要素特征图集合进行推送决策分析，得到推送决策分析的第二反馈要素特征图集合；对所述第二反馈要素特征图集合进行特征译码处理，得到所述第二反馈要素特征图集合对应的第一推送决策报告集合；依据所述第一推送决策报告进行大数据推送处理。
97.在一些可独立实施的设计思路下，在所述得到所述第二反馈要素特征图集合对应的第一推送决策报告集合之后，所述方法还包括：根据所述第一推送反馈文本集合中的至少部分推送反馈文本进行推送决策分析，得到推送决策分析的第二推送决策报告集合；根据所述第一推送决策报告集合和所述第二推送决策报告集合，得到推送决策分析的第三推送决策报告集合。
98.在一些可独立实施的设计思路下，所述对基于所述大数据推送指示获取的第一推送反馈文本集合进行反馈要素提取，得到所述第一推送反馈文本集合对应的第一反馈要素特征图集合，包括：对基于所述大数据推送指示获取的第一推送反馈文本集合进行词向量提取，得到所述第一推送反馈文本集合对应的第一词向量分布集合；对所述第一词向量分布集合进行特征映射，得到所述第一推送反馈文本集合对应的第一反馈要素特征图集合。
99.在一些可独立实施的设计思路下，所述根据所述第一反馈要素特征图集合进行推
送决策分析，得到推送决策分析的第二反馈要素特征图集合，包括：将所述第一反馈要素特征图集合输入第一自然语言处理模型，经由所述第一自然语言处理模型推送决策分析得到所述第一反馈要素特征图集合对应的第二反馈要素特征图集合。
100.在一些可独立实施的设计思路下，所述对所述第二反馈要素特征图集合进行特征译码处理，得到所述第二反馈要素特征图集合对应的第一推送决策报告集合，包括：对所述第二反馈要素特征图集合进行特征译码处理，得到所述第二反馈要素特征图集合对应的第二词向量分布集合；对所述第二词向量分布集合进行逆词向量提取，得到所述第二反馈要素特征图集合对应的第一推送决策报告集合。
101.在一些可独立实施的设计思路下，所述对所述第二反馈要素特征图集合进行特征译码处理，得到所述第二反馈要素特征图集合对应的第二词向量分布集合，包括：采用触发单元relu对所述第二反馈要素特征图集合进行循环处理，得到所述第二反馈要素特征图集合对应的第二词向量分布集合。
102.在一些可独立实施的设计思路下，所述根据所述第一推送反馈文本集合中的至少部分推送反馈文本进行推送决策分析，得到推送决策分析的第二推送决策报告集合，包括：将所述第一推送反馈文本集合中的至少部分推送反馈文本输入第二自然语言处理模型，经由所述第二自然语言处理模型推送决策分析得到所述至少部分推送反馈文本对应的第二推送决策报告集合。
103.在一些可独立实施的设计思路下，所述至少部分推送反馈文本包括所述第一推送反馈文本集合中实时获取的x个推送反馈文本，其中，x为正整数，所述第一推送反馈文本集合中的推送反馈文本数大于或等于x。
104.在一些可独立实施的设计思路下，所述根据所述第一推送决策报告集合和所述第二推送决策报告集合，得到推送决策分析的第三推送决策报告集合，包括：对所述第一推送决策报告集合进行决策向量挖掘，得到所述第一推送决策报告集合对应的第一决策向量；对所述第二推送决策报告集合进行决策向量挖掘，得到所述第二推送决策报告集合对应的第二决策向量；根据所述第一决策向量和所述第二决策向量进行第一拼接处理，得到第一拼接决策向量；根据所述第一拼接决策向量，得到推送决策分析的第三推送决策报告集合。
105.在一些可独立实施的设计思路下，所述根据所述第一拼接决策向量，得到推送决策分析的第三推送决策报告集合，包括：对所述第一拼接决策向量进行回归分析处理，得到回归分析决策向量；根据所述第一拼接决策向量和所述回归分析决策向量，得到推送决策分析的第三推送决策报告集合。
106.在一些可独立实施的设计思路下，所述第一拼接决策向量包括多层；所述根据所述第一拼接决策向量和所述回归分析决策向量，得到推送决策分析的第三推送决策报告集合，包括：对最后一层的第一拼接决策向量进行第二拼接处理，得到第二拼接决策向量；根据所述第二拼接决策向量和所述回归分析决策向量，得到推送决策分析的第三推送决策报告集合。
107.在一些可独立实施的设计思路下，所述第一拼接决策向量包括多层；所述对所述第一拼接决策向量进行回归分析处理，得到回归分析决策向量，包括：对第一层的第一拼接决策向量进行回归分析处理，得到回归分析决策向量。
108.在一些可独立实施的设计思路下，其决策向量在于，所述对所述第一推送决策报
告集合进行决策向量挖掘，得到所述第一推送决策报告集合对应的第一决策向量，包括：对所述第一推送决策报告集合进行多层决策向量挖掘，得到所述第一推送决策报告集合对应的多层第一决策向量；所述对所述第二推送决策报告集合进行决策向量挖掘，得到所述第二推送决策报告集合对应的第二决策向量，包括：对所述第二推送决策报告集合进行多层决策向量挖掘，得到所述第二推送决策报告集合对应的多层第二决策向量；所述根据所述第一决策向量和所述第二决策向量进行第一拼接处理，得到第一拼接决策向量，包括：对于多层中的任一层，根据该层的第一决策向量和该层的第二决策向量进行决策向量拼接，得到该层的第一拼接决策向量。
109.在一些可独立实施的设计思路下，所述根据该层的第一决策向量和该层的第二决策向量进行决策向量拼接，得到该层的第一拼接决策向量，包括：响应于该层不属于最后一层，对该层的第一决策向量、该层的第二决策向量和该层的后一层的第一拼接决策向量进行决策向量拼接，得到该层的第一拼接决策向量；和/或，响应于该层属于最后一层，对该层的第一决策向量和该层的第二决策向量进行决策向量拼接，得到该层的第一拼接决策向量。
110.基于上述技术方案，通过对基于所述大数据推送指示获取的第一推送反馈文本集合进行反馈要素提取，得到所述第一推送反馈文本集合对应的第一反馈要素特征图集合，根据所述第一反馈要素特征图集合进行推送决策分析，得到推送决策分析的第二反馈要素特征图集合，并对所述第二反馈要素特征图集合进行特征译码处理，得到所述第二反馈要素特征图集合对应的第一推送决策报告集合，由此基于反馈要素提取（反馈特征挖掘）得到的第一反馈要素特征图集合进行推送决策分析，推送决策分析过程的资源开销不大，因此推送决策分析时效性较高，这样可以提高推送决策分析的效率，以便快速、精准地进行大数据推送。
111.图3是示出可以实现本技术的实施例的一种关于电子商务数据推送的兴趣分析方法的应用环境的架构示意图，一种关于电子商务数据推送的兴趣分析方法的应用环境中可以包括互相通信的大数据处理系统100和电子商务客户端200。基于此，大数据处理系统100和电子商务客户端200在运行时实现或者部分实现本技术实施例的一种关于电子商务数据推送的兴趣分析方法。
112.以上已经结合附图描述了本技术的实施例，至少具有如下有益效果：可以结合第一用户行为处理线程收集的当前电商用户行为记录确定第一推送兴趣挖掘数据，并获得待进行数据推送分析的电子商务交互会话对应的第二推送兴趣挖掘数据，然后结合所述第一推送兴趣挖掘数据和所述第二推送兴趣挖掘数据判断所述第一推送兴趣挖掘数据是否达到设定大数据推送要求，并结合达到所述设定大数据推送要求的第一推送兴趣挖掘数据确定大数据推送指示。如此，可以根据设定大数据推送要求将每个确定的第一推送兴趣挖掘数据与缓存的第二推送兴趣挖掘数据进行对比分析，以减少重复推送的发生，不仅提高了针对电子商务的大数据推送效率，还避免了频繁重复推送对电商用户的烦扰，从而提高大数据推送的智能化程度。
113.以上所述，仅为本技术的较佳实施例而已，并非用于限定本技术的保护范围。