基于大数据意图挖掘的内容更新方法及深度学习服务系统与流程

1.本技术涉及电子商务信息技术领域，具体而言，涉及一种基于大数据意图挖掘的内容更新方法及深度学习服务系统。


背景技术：

2.电子商务是网络化的新型经济活动，电子商务服务业已成为重要的新兴产业，如何处理好错综复杂的海量数据，是电子商务数据挖掘和分析面临的第一个挑战。在电子商务领域中，通常采集用户大量的浏览行为数据来分析用户意图，可以反映出用户针对电子商务内容的兴趣偏好，从而指导并驱动业务场景和运营，发现和把握在海量用户中的内容推送利用价值。
3.当前通常采用的方案是基于深度学习进行网络训练来发掘出用户浏览行为数据的用户意图，进而进行针对性地业务内容推送。关于业务内容推送之后，目前的方案没有考虑到相关电商用户的内容传递行为以及其它电商用户针对该电商用户感兴趣的业务内容的互动状态数据，从而无法及时对推送的业务内容的内容传递过程中的用户情感反馈进行跟踪挖掘，导致缺乏后续针对业务内容进行权重优化的依据，影响内容浏览体验。


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意图挖掘的内容更新方法及深度学习服务系统。
5.第一方面，本技术提供一种基于大数据意图挖掘的内容更新方法，应用于深度学习服务系统，所述深度学习服务系统与多个电子商务服务终端通信连接，所述方法包括：根据目标电商浏览行为大数据对应的目标用户意图，向所述电子商务服务终端进行业务内容推送，并获取所述电子商务服务终端针对推送的业务内容的内容传递行为数据；对所述内容传递行为数据相关联的内容对象集的内容状态数据进行分析，获取所述内容传递行为数据相关联的内容对象集的情感反馈数据；基于所述情感反馈数据确定所述内容传递行为数据对应的传递行为画像信息；根据所述内容传递行为数据对应的传递行为画像信息对所述内容传递行为数据进行内容传递标签标记，以获得每个标记的内容传递标签下对应的内容传递行为数据集；根据所述每个标记的内容传递标签下对应的内容传递行为数据集对相应的目标内容对象集进行内容权重更新。
6.第二方面，本技术实施例还提供一种基于大数据意图挖掘的内容更新系统，所述基于大数据意图挖掘的内容更新系统包括深度学习服务系统以及与所述深度学习服务系统通信连接的多个电子商务服务终端；所述深度学习服务系统，用于：根据目标电商浏览行为大数据对应的目标用户意图，向所述电子商务服务终端进
行业务内容推送，并获取所述电子商务服务终端针对推送的业务内容的内容传递行为数据；对所述内容传递行为数据相关联的内容对象集的内容状态数据进行分析，获取所述内容传递行为数据相关联的内容对象集的情感反馈数据；基于所述情感反馈数据确定所述内容传递行为数据对应的传递行为画像信息；根据所述内容传递行为数据对应的传递行为画像信息对所述内容传递行为数据进行内容传递标签标记，以获得每个标记的内容传递标签下对应的内容传递行为数据集；根据所述每个标记的内容传递标签下对应的内容传递行为数据集对相应的目标内容对象集进行内容权重更新。
7.根据上述任意一个方面，本技术提供的实施方式中，考虑到了相关用户的内容传递行为，并考虑其它电商用户针对该电商用户感兴趣的业务内容的互动状态数据进行内容传递画像的挖掘，从而对业务内容进行权重优化后可以提高后续的提高内容浏览体验。
附图说明
8.图1为本技术实施例提供的基于大数据意图挖掘的内容更新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意图挖掘的内容更新方法的流程示意图；图3为本技术实施例提供的用于实现上述的基于大数据意图挖掘的内容更新方法的深度学习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意图挖掘的内容更新系统10的应用环境示意图。基于大数据意图挖掘的内容更新系统10可以包括深度学习服务系统100以及与深度学习服务系统100通信连接的电子商务服务终端200。图1所示的基于大数据意图挖掘的内容更新系统10仅为一种可行的示例，在其它可行的实施例中，该基于大数据意图挖掘的内容更新系统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，基于大数据意图挖掘的内容更新系统10中的深度学习服务系统100和电子商务服务终端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意图挖掘的内容更新方法，具体深度学习服务系统100和电子商务服务终端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意图挖掘的内容更新方法可以由图1中所示的深度学习服务系统100执行，下面对该基于大数据意图挖掘的内容更新方法进行详细介绍。
12.步骤s110，根据目标电商浏览行为大数据对应的目标用户意图，向所述电子商务服务终端进行业务内容推送，并获取所述电子商务服务终端针对推送的业务内容的内容传递行为数据。
13.本实施例中，在确定当前完成挖掘的目标电商浏览行为大数据对应的目标用户意图后，即可确定相对应的电商用户的浏览行为偏好，在此基础上可以匹配目标用户意图相关联的业务内容推送给电子商务服务终端，以便于该电商用户能够不断浏览到自己感兴趣
的业务内容，提高用户体验。
14.在以上基础上，对于电商用户而言，针对推送的业务内容通常会存在诸多内容传递行为，比如内容分享行为，内容转发行为，内容社群评论行为等具有传递倾向的行为，这些内容传递行为可以构成一系列的内容传递轨迹，不仅可以反映电商用户本身的行为，也可以从一定程度上反映其它电商用户针对该电商用户感兴趣的业务内容的互动状态，因此本实施例可以进一步获取所述电子商务服务终端针对推送的业务内容的内容传递行为数据，以便于后续进行数据处理后对业务内容进行权重优化。
15.步骤s120，对所述内容传递行为数据相关联的内容对象集的内容状态数据进行分析，获取所述内容传递行为数据相关联的内容对象集的情感反馈数据。
16.本实施例中，内容传递行为数据可以是由多个内容传递行为构成的轨迹数据，这些多个内容传递行为构成的轨迹数据必然涉及到内容对象集，因此可以对这些内容对象集的内容状态数据进行分析，例如其它电商用户针对这些内容对话集的内容反馈状态数据，由此进行针对性地情感反馈数据片段分析，可以获得获取所述内容传递行为数据相关联的内容对象集的情感反馈数据。其中，情感分析是从内容状态数据对特定主题理解观点的自动过程。情感分析也称为意见挖掘（ opinion mining），用于在内容状态数据中识别和提取观点。通常，除了识别观点之外，还提取描述的特征，例如：极性：发言者表达积极或消极的意见；主题：正在谈论的事情；意见持有人：表达意见的个人或实体。在情感分析的帮助下，这种内容状态数据的非结构化信息可以自动转换为结构化数据，这些数据对于后续电子商务应用非常有用，例如营销分析，产品反馈和客户服务等。
17.步骤s130，基于所述情感反馈数据确定所述内容传递行为数据对应的传递行为画像信息。
18.本实施例中，在获得情感反馈数据，可以基于人工智能的分析策略对所述情感反馈数据进行分析，确定所述内容传递行为数据对应的传递行为画像信息。例如，可以预先训练传递行为画像分析模型，如收集与内容传递行为数据相对应的情感反馈数据样本以及对应的传递行为标注画像对初始人工智能网络模型进行训练，获得训练完成的传递行为画像分析模型，训练完成的传递行为画像分析模型可以具有对待分析的情感反馈数据预测传递行为画像信息的能力。其中，传递行为画像可以用于表示该内容传递行为数据的内容传递效果的描述特征。
19.步骤s140，根据所述内容传递行为数据对应的传递行为画像信息对所述内容传递行为数据进行内容传递标签标记，以获得每个标记的内容传递标签下对应的内容传递行为数据集。
20.本实施例中，可以对该内容传递行为数据进行内容传递标签标记，例如按照传递行为画像相关的内容传递标签对所述内容传递行为数据进行内容传递标签标记，然后以内容传递标签为聚类单位进行聚类后，获得每个标记的内容传递标签下对应的内容传递行为数据集。
21.步骤s150，根据所述每个标记的内容传递标签下对应的内容传递行为数据集对相应的目标内容对象集进行内容权重更新。
22.本实施例中，针对每个内容传递标签而言，可以预先配置对应的内容权重更新策略，对于每个内容传递标签都可以对应有相关的内容传递行为数据集的相应的目标内容对
象集，可以基于每个内容传递标签对应的内容权重更新策略分别对相应的目标内容对象集进行内容权重更新，例如可以对目标内容对象集中的目标内容对象的推送范围、推送热力值、推送频率、推送展示持续时间等参数的权重进行更新，进而可以使得相关的电子商务服务平台中的内容浏览体验更好。
23.基于以上步骤，本实施例通过获取电子商务服务终端针对推送的业务内容的内容传递行为数据，对内容传递行为数据相关联的内容对象集的内容状态数据进行分析，获取内容传递行为数据相关联的内容对象集的情感反馈数据，基于情感反馈数据确定内容传递行为数据对应的传递行为画像信息，根据内容传递行为数据对应的传递行为画像信息对内容传递行为数据进行内容传递标签标记，以获得每个标记的内容传递标签下对应的内容传递行为数据集，根据每个标记的内容传递标签下对应的内容传递行为数据集对相应的目标内容对象集进行内容权重更新。如此考虑到了相关用户的内容传递行为，并考虑其它电商用户针对该电商用户感兴趣的业务内容的互动状态数据进行内容传递画像的挖掘，从而对业务内容进行权重优化后可以提高后续的提高内容浏览体验。
24.一种可独立实施的实施例中，针对步骤s110，本技术实施例还提供一种基于大数据意图挖掘的内容更新方法，包括以下步骤。
25.步骤a101：根据所述目标电商浏览行为大数据对应的目标用户意图，并获取所述目标用户意图对应的候选电商业务需求。
26.步骤a102：获取候选电商业务需求在至少两个频繁用户画像维度下的内容知识图谱信息。
27.步骤a103：根据候选电商业务需求在至少两个频繁用户画像维度下的内容知识图谱信息，确定候选电商业务需求在至少两个频繁用户画像维度下的内容关系节点信息。
28.例如，可以根据候选电商业务需求在至少两个频繁用户画像维度下的内容知识图谱信息，得到候选电商业务需求在至少两个频繁用户画像维度下的业务需求内容实体信息，对业务需求内容实体信息进行内容关系节点识别，得到候选电商业务需求在各个频繁用户画像维度下的内容关系节点信息。
29.例如，业务需求内容实体信息可以是深度学习服务系统基于候选电商业务需求得到的电子商务服务终端针对候选电商业务需求的需求内容反馈信息。
30.一种构思的可能实施例中，在上述所描述的深度学习服务系统得到候选电商业务需求在各个频繁用户画像维度下的内容关系节点信息的相关实施方式的基础上，根据所述候选电商业务需求在至少两个频繁用户画像维度下的内容知识图谱信息，生成所述候选电商业务需求在所述至少两个频繁用户画像维度下的业务需求内容实体信息，包括：分别根据所述候选电商业务需求在至少两个频繁用户画像维度下的内容知识图谱信息，生成第一业务需求内容实体信息、第二业务需求内容实体信息以及第三业务需求内容实体信息；所述第一业务需求内容实体信息用于表示需求知识点标签以及内容关系节点信息之间的内容关系属性信息，所述第二业务需求内容实体信息用于表示内容关系节点信息与内容参考知识点之间的内容关系属性信息，所述第三业务需求内容实体信息用于表示需求知识点标签以及内容参考知识点之间的内容关系属性信息；将所述第一业务需求内容实体信息、第二业务需求内容实体信息以及第三业务需求内容实体信息分别解析为所述候选电商业务需求在所述至少两个频繁用户画像维度下的业务需求内容实体信息。如此设计，能够基于
不同的业务需求内容实体信息确定候选电商业务需求在所述至少两个频繁用户画像维度下的业务需求内容实体信息。
31.在上述确定出所述第一业务需求内容实体信息、第二业务需求内容实体信息以及第三业务需求内容实体信息的基础上，由于所述第一业务需求内容实体信息、第二业务需求内容实体信息考虑了内容关系节点信息，因此在进行所述候选电商业务需求在对应频繁用户画像维度下的内容关系节点信息的确定时，可以通过以下两种示例实现。
32.第一种示例，若所述业务需求内容实体信息为所述第一业务需求内容实体信息或者所述第二业务需求内容实体信息，所述对所述业务需求内容实体信息进行内容关系节点识别，得到所述候选电商业务需求在所述至少两个频繁用户画像维度下的内容关系节点信息包括：对所述业务需求内容实体信息进行内容关系节点识别，得到内容关系节点信息，作为所述候选电商业务需求在对应频繁用户画像维度下的内容关系节点信息。由于所述第一业务需求内容实体信息或者所述第二业务需求内容实体信息包含了内容关系节点信息的相关信息，因而可以直接通过内容关系节点识别的方式得到内容关系节点信息。
33.第二种示例，若所述业务需求内容实体信息为所述第三业务需求内容实体信息，所述对所述业务需求内容实体信息进行内容关系节点识别，得到所述候选电商业务需求在所述至少两个频繁用户画像维度下的内容关系节点信息包括：对所述业务需求内容实体信息进行内容关系节点识别，得到所述候选电商业务需求中的内容参考知识点；获取所述内容参考知识点在所述候选电商业务需求中的内容关系配对信息，作为所述内容参考知识点对应的内容关系配对信息；根据所述内容参考知识点以及对应的内容关系配对信息，得到内容关系节点信息，作为所述候选电商业务需求在对应频繁用户画像维度下的内容关系节点信息。如此设计，能够基于所述内容参考知识点以及对应的内容关系配对信息，确保候选电商业务需求在对应频繁用户画像维度下的内容关系节点信息的可信度。
34.步骤a104，根据候选电商业务需求在至少两个频繁用户画像维度下的内容关系节点信息，得到各个候选电商业务需求之间的共享内容节点信息。
35.譬如，可以根据所述候选电商业务需求在至少两个频繁用户画像维度下的内容关系节点信息，确定每两个候选电商业务需求在至少两个频繁用户画像维度下的内容节点相关性信息，根据每两个候选电商业务需求在至少两个频繁用户画像维度下的内容节点相关性信息，得到各个所述候选电商业务需求之间的共享内容节点信息。
36.譬如，步骤“根据每两个候选电商业务需求在至少两个频繁用户画像维度下的内容节点相关性信息，得到各个所述候选电商业务需求之间的共享内容节点信息”，可以包括以下内容：将所述每两个候选电商业务需求在至少两个频繁用户画像维度下的内容节点相关性信息输入满足网络收敛条件的内容共享倾向预测网络；通过所述内容共享倾向预测网络，确认各个所述内容节点相关性信息之间的内容共享倾向信息；获取各个所述内容节点相关性信息的内容关系配对信息以及各个所述内容共享倾向信息的内容关系配对信息；根据各个所述内容节点相关性信息以及对应的内容关系配对信息、各个所述内容共享倾向信息以及对应的内容关系配对信息，确定得到各个所述候选电商业务需求之间的共享内容节点信息。
37.譬如，一种构思的可能实施例中，内容共享倾向预测网络可以是深度学习网络，通过对深度学习网络进行预先训练，能够基于所述每两个候选电商业务需求在至少两个频繁
用户画像维度下的内容节点相关性信息得到各个所述内容节点相关性信息之间的内容共享倾向信息，而内容共享倾向信息用于表征不同的共享电商业务需求的共享倾向程度，示例性地，通过获取各个所述内容节点相关性信息的内容关系配对信息以及各个所述内容共享倾向信息的内容关系配对信息，能够将内容节点相关性信息、内容共享倾向信息以及它们各自对应的内容关系配对信息进行综合分析，从而完整地得到各个所述候选电商业务需求之间的共享内容节点信息，这样能够保证共享内容节点信息考虑了内容共享倾向信息。
38.譬如，一种构思的可能实施例中，内容共享倾向预测网络可以通过以下步骤进行训练：获取标定共享电商业务需求在至少两个频繁用户画像维度下的内容节点相关性信息以及对应的第一内容关系配对信息、各个所述内容节点相关性信息之间的内容共享倾向信息以及对应的第二内容关系配对信息、各个所述标定共享电商业务需求之间的标定共享内容节点信息；根据标定共享电商业务需求在至少两个频繁用户画像维度下的内容节点相关性信息以及对应的第一内容关系配对信息、各个所述内容节点相关性信息之间的内容共享倾向信息以及对应的第二内容关系配对信息，对所述内容共享倾向预测网络进行训练，得到满足网络收敛条件的内容共享倾向预测网络；获取所述满足网络收敛条件的内容共享倾向预测网络输出的共享内容节点信息与对应的标定共享内容节点信息之间的预测风险评价值；当所述预测风险评价值大于或等于预设评价值时，根据所述预测风险评价值优化所述第一内容关系配对信息和所述第二内容关系配对信息，并根据所述优化后的第一内容关系配对信息和第二内容关系配对信息，对所述内容共享倾向预测网络进行迭代循环收敛，直到根据满足网络收敛条件的内容共享倾向预测网络得到的所述预测风险评价值小于所述预设评价值。一种构思的可能实施例中，预测风险评价值可以用于表征内容共享倾向预测网络的预测精度评估值，而通过优化所述第一内容关系配对信息和所述第二内容关系配对信息，可以间接地优化内容共享倾向预测网络的相关网络权重配置信息，从而实现对内容共享倾向预测网络的迭代循环收敛，这样可以确保得到高性能的内容共享倾向预测网络。可以理解，预设评价值可以根据实际需求进行选择，此处不作具体限定。
39.步骤a105，根据各个候选电商业务需求之间的共享内容节点信息，确定各个候选电商业务需求的基于用户画像注意值方面的共享电商业务需求，并基于所述共享电商业务需求对所述电子商务服务终端进行业务内容推送。
40.譬如，在一种构思的可能实施例中，步骤“根据各个所述候选电商业务需求之间的共享内容节点信息，确定各个所述候选电商业务需求的基于用户画像注意值方面的共享电商业务需求”，可以包括：分别根据各个所述候选电商业务需求之间的共享内容节点信息，将与各个所述候选电商业务需求之间的共享内容节点信息对应的需求注意值大于第一预设用户画像注意值且小于第二预设用户画像注意值的候选电商业务需求，作为各个所述候选电商业务需求的基于用户画像注意值方面的共享电商业务需求。举例而言，需求注意值可以理解为各个所述候选电商业务需求之间的需求被注意到的程度。
41.譬如，一种构思的可能实施例中，在步骤“确定各个所述候选电商业务需求的基于用户画像注意值方面的共享电商业务需求”之后，该方法还可以包括以下内容：获取所述候选电商业务需求的内容数据源；将所述候选电商业务需求的基于用户画像注意值方面的共享电商业务需求，导入至与所述内容数据源对应的内容热点更新模型中；将所述内容热点更新模型进行配置。譬如，内容数据源用于表征获取共享电商业务需求的数据源目录，将基
于用户画像注意值方面的共享电商业务需求导入至与所述内容数据源对应的内容热点更新模型，可以理解为基于基于用户画像注意值方面的共享电商业务需求对所述内容热点更新模型进行模型收敛。将所述内容热点更新模型进行配置可以理解为在深度学习服务系统中进行收敛配置。在部署了内容热点更新模型的基础上，深度学习服务系统还可以在与电子商务服务终端的交互过程中使用上述的内容热点更新模型，比如：接收所述电子商务服务终端发送的热点获取请求；所述热点获取请求携带所述内容数据源对应的数据源标签；从所述内容数据源对应的内容热点更新模型中提取出基于用户画像注意值方面的共享电商业务需求；将所述基于用户画像注意值方面的共享电商业务需求所关联的热点内容信息推送至所述电子商务服务终端。举例而言，电子商务服务终端可以向深度学习服务系统发送热点获取请求，内容数据源对应的数据源标签用于指示深度学习服务系统确定对应的共享电商业务需求。更示例性地，深度学习服务系统可以根据数据源标签，从内容数据源对应的内容热点更新模型中提取出基于用户画像注意值方面的共享电商业务需求，由于内容热点更新模型是及时更新的，因此确定出的基于用户画像注意值方面的共享电商业务需求也是及时更新的，这样，能够推送的热点内容信息的时效性。
42.譬如，一种构思的可能实施例中，还提供了一种基于人工智能和电商业务需求的网络训练方法，可以包括以下内容。
43.t1.一种基于人工智能和电商业务需求的网络训练方法，应用于深度学习服务系统，所述方法包括：获取标定共享电商业务需求在至少两个频繁用户画像维度下的内容节点相关性信息以及对应的第一内容关系配对信息、各个所述内容节点相关性信息之间的内容共享倾向信息以及对应的第二内容关系配对信息、各个所述标定共享电商业务需求之间的标定共享内容节点信息；根据标定共享电商业务需求在至少两个频繁用户画像维度下的内容节点相关性信息以及对应的第一内容关系配对信息、各个所述内容节点相关性信息之间的内容共享倾向信息以及对应的第二内容关系配对信息，对所述内容共享倾向预测网络进行训练，得到满足网络收敛条件的内容共享倾向预测网络；获取所述满足网络收敛条件的内容共享倾向预测网络输出的共享内容节点信息与对应的标定共享内容节点信息之间的预测风险评价值；当所述预测风险评价值大于或等于预设评价值时，根据所述预测风险评价值优化所述第一内容关系配对信息和所述第二内容关系配对信息，并根据所述优化后的第一内容关系配对信息和第二内容关系配对信息，对所述内容共享倾向预测网络进行迭代循环收敛，直到根据满足网络收敛条件的内容共享倾向预测网络得到的所述预测风险评价值小于所述预设评价值。
44.t2.如t1所述的基于大数据意图挖掘的内容更新方法，所述方法还包括：将每两个候选电商业务需求在至少两个频繁用户画像维度下的内容节点相关性信息输入所述内容共享倾向预测网络；通过所述内容共享倾向预测网络，确认各个所述内容节点相关性信息之间的内容共享倾向信息；获取各个所述内容节点相关性信息的内容关系配对信息以及各个所述内容共享
倾向信息的内容关系配对信息；根据各个所述内容节点相关性信息以及对应的内容关系配对信息、各个所述内容共享倾向信息以及对应的内容关系配对信息，确定得到各个所述候选电商业务需求之间的共享内容节点信息。
45.t3.如t2所述的基于大数据意图挖掘的内容更新方法，所述方法还包括：根据各个所述候选电商业务需求之间的共享内容节点信息，确定各个所述候选电商业务需求的基于用户画像注意值方面的共享电商业务需求；基于所述共享电商业务需求对所述电子商务服务终端进行业务内容推送。
46.t4.如t3所述的基于大数据意图挖掘的内容更新方法，所述方法还包括：获取所述候选电商业务需求的内容数据源；将所述候选电商业务需求的基于用户画像注意值方面的共享电商业务需求，导入至与所述内容数据源对应的内容热点更新模型中；将所述内容热点更新模型进行配置。
47.t5.如t4所述的基于大数据意图挖掘的内容更新方法，所述方法还包括：接收所述电子商务服务终端发送的热点获取请求；所述热点获取请求携带所述内容数据源对应的数据源标签；从所述内容数据源对应的内容热点更新模型中提取出基于用户画像注意值方面的共享电商业务需求；将所述基于用户画像注意值方面的共享电商业务需求所关联的热点内容信息推送至所述电子商务服务终端。
48.一种可独立实施的实施例中，前述步骤s110中目标电商浏览行为大数据对应的目标用户意图的可以通过以下步骤获得。
49.步骤b110，获取标定电商浏览行为大数据，将标定电商浏览行为大数据输入到初始的用户意图挖掘网络的电商浏览向量提取单元中进行向量提取，得到标定电商浏览向量。
50.其中，标定电商浏览行为大数据是用于进行ai训练的基础行为数据，可以包括电商用户浏览过程中的各种行为数据。
51.用户意图挖掘网络是用于挖掘用户意图的深度学习网络，初始的用户意图挖掘网络指的是未完成网络收敛的用户意图挖掘网络，也可以是指已经完成部分训练的用户意图挖掘网络。
52.例如，深度学习服务系统可以将标定电商浏览行为大数据输入到电商浏览向量提取单元中，利用电商浏览向量提取单元对标定电商浏览行为大数据进行卷积特征提取，将卷积特征提取的结果作为标定电商浏览向量。
53.步骤b120，基于标定电商浏览向量以及用户意图挖掘网络的概率输出单元进行概率分类，得到第一电商子浏览向量簇中各个第一电商子浏览向量对应的第一意图关联概率，第一电商子浏览向量簇包括多个第一电商子浏览向量，第一电商子浏览向量簇是对标定电商浏览向量进行划分得到的。
54.其中，意图关联概率是指与用户意图相关的概率值，意图关联概率越大，则表示与用户意图越相关，意图关联概率越小，则表示与用户意图越不相关。第一意图关联概率指的
是第一电商子浏览向量与用户意图相关的概率值。
55.电商子浏览向量是电商浏览向量中的一部分向量部分，可以将电商浏览向量划分为多个电商子浏览向量，各个电商子浏览向量之间可以有共享浏览向量部分，各个电商子浏览向量也可以是不存在共享浏览向量部分的。第一电商子浏览向量是标定电商浏览向量中的一部分向量部分，通过对标定电商浏览向量进行划分，可以得到多个第一电商子浏览向量，第一电商子浏览向量簇是各个第一电商子浏览向量组成的集合。
56.用户意图挖掘网络中还可以包括概率输出单元，概率输出单元用于对标定电商浏览向量进行处理，得到标定电商浏览向量对应的第一电商子浏览向量以及各个第一电商子浏览向量分别对应的第一意图关联概率。
57.步骤b130，基于各个第一电商子浏览向量对应的第一意图关联概率，从第一电商子浏览向量簇中获得与用户意图相关的标定电商子浏览向量。
58.其中，标定电商子浏览向量是基于第一意图关联概率从第一电商子浏览向量簇中获取的第一电商子浏览向量。
59.例如，深度学习服务系统可以从第一电商子浏览向量簇中获取满足第一意图关联概率条件的第一电商子浏览向量，作为与用户意图相关的标定电商子浏览向量，第一意图关联概率条件包括第一意图关联概率的排列节点在第一排列数量范围之前或第一意图关联概率大于第一意图关联概率阈值中的至少一个。第一意图关联概率的排列节点是指在第一意图关联概率集中的排列节点，第一意图关联概率集是按照降序，对第一意图关联概率进行处理得到的集合，第一意图关联概率越大，在第一意图关联概率集中的排列节点越靠前。第一排列数量范围可以预设，也可以根据第一意图关联概率的数量计算得到，例如，深度学习服务系统可以获取预设的第一排列参数，对第一排列参数与第一意图关联概率的数量的乘积作为第一排列数量范围。第一排列参数可以是小于1的数值，例如可以是0.5或0.3等固定值。第一意图关联概率阈值可以预设，例如可以是0.8或0.9等固定值，第一意图关联概率阈值也可以对第一意图关联概率进行计算获得的，例如，深度学习服务系统可以对各个第一意图关联概率进行均值计算，得到第一关联概率均值，获取预设的第一权重系数，将第一权重系数与第一关联概率均值的乘积作为第一意图关联概率阈值。第一权重系数可以是大于1的数值，例如可以是1.2。
60.一种可独立实施的实施例中，深度学习服务系统可以按照第一意图关联概率的降序顺序，对第一电商子浏览向量进行排列，得到第一电商子浏览向量序列，第一意图关联概率越大，第一意图关联概率对应的第一电商子浏览向量在第一电商子浏览向量序列中的排列节点越靠前。深度学习服务系统可以将第一电商子浏览向量序列中排列在首位的第一电商子浏览向量作为选定电商子浏览向量，深度学习服务系统可以计算第一电商子浏览向量序列中除选定电商子浏览向量之外的第一电商子浏览向量与选定电商子浏览向量之间的共享比例，将与选定电商子浏览向量的共享比例大于共享比例阈值的第一电商子浏览向量作为待融合电商子浏览向量，将待融合电商子浏览向量中的至少一个与选定电商子浏览向量进行融合，例如可以将各个待融合电商子浏览向量中第一意图关联概率最大的待融合电商子浏览向量与选定电商子浏览向量进行融合，得到拼接后的电商子浏览向量，第一电商子浏览向量可以包括拼接后的电商子浏览向量或选定电商子浏览向量中的至少一个，例如第一电商子浏览向量可以包括选定电商子浏览向量或拼接后的电商子浏览向量中的任意
一个。
61.一种可独立实施的实施例中，深度学习服务系统可以将与选定电商子浏览向量的共享比例小于共享比例阈值的第一电商子浏览向量作为参照电商子浏览向量，第一电商子浏览向量还可以包括各个参照电商子浏览向量中的至少一个，例如第一电商子浏览向量可以包括所有的参照电商子浏览向量，或者第一电商子浏览向量可以包括各个参照电商子浏览向量中的最大电商子浏览向量，最大电商子浏览向量指的是各个参照电商子浏览向量中第一意图关联概率最大的参照电商子浏览向量，第一电商子浏览向量还可以包括与最大电商子浏览向量之间的共享比例小于共享比例阈值的各个参照电商子浏览向量中的至少一个。其中，共享比例用于表示两个电商子浏览向量的交叉比例，共享比例越大，两个电商子浏览向量之间的交叉比例越大。
62.一种可独立实施的实施例中，深度学习服务系统可以计算第一电商子浏览向量与选定电商子浏览向量之间的共享浏览向量部分的向量数量，将共享浏览向量部分的向量数量作为共享向量数量，将第一电商子浏览向量的向量数量与选定电商子浏览向量的向量数量进行相加，得到相加向量数量，计算共享向量数量与相加向量数量之间的商，将计算获得的商作为共享比例。
63.例如，假设有4个第一电商子浏览向量，分别是ft1、ft2、ft3以及ft4，ft1对应的第一意图关联概率为0.8，ft2对应的第一意图关联概率为0.9，ft3对应的第一意图关联概率为0.7，ft4对应的第一意图关联概率为0.5。按照第一意图关联概率的降序顺序，对这4个第一电商子浏览向量进行排列，得到第一电商子浏览向量序列[ft2，ft1，ft3，ft4]，由于ft2的第一意图关联概率最大，则计算ft1与ft2的共享比例、ft3与ft2的共享比例以及ft4与ft2的共享比例，假如ft1与ft2的共享比例为0.1，ft3与ft2的共享比例为0.7，ft3与ft2的共享比例为0.2，共享比例阈值为0.5，由于ft3与ft2的共享比例大于共享比例阈值，则可以将ft3与ft2进行融合，得到拼接后的电商子浏览向量（记作ft23），则第一电商浏览向量可以包括ft2或ft23中的任意一个，由于ft1与ft2的共享比例小于共享比例阈值，ft3与ft2的共享比例小于共享比例阈值，则第一电商子浏览向量还可以包括ft1或ft3中的至少一个，例如第一电商子浏览向量还可以包括ft1以及ft3，或者由于ft1的第一意图关联概率大于ft3的第一意图关联概率，或者第一电商子浏览向量可以包括ft1以及ft3中第一意图关联概率最大的一个，即第一电商子浏览向量还可以包括ft1，当ft1与ft3之间的共享比例小于共享比例阈值时，第一电商子浏览向量还可以包括ft3。
[0064]
步骤b140，基于标定电商子浏览向量以及用户意图挖掘网络的意图挖掘单元进行用户意图挖掘，得到标定电商浏览行为大数据对应的用户意图挖掘信息。
[0065]
其中，用户意图挖掘网络是用于挖掘用户意图的网络，用户意图挖掘信息可以包括标定电商浏览行为大数据属于各个用户意图的概率值，例如可以包括标定电商浏览行为大数据属于用户分享意图的概率值或属于用户协同意图的概率值中的至少一个。用户意图挖掘信息是用户意图挖掘网络输出的用户意图挖掘信息。标定电商子浏览向量可以有一个或者多个，多个是指至少两个。
[0066]
例如，深度学习服务系统可以将标定电商子浏览向量输入到用户意图挖掘网络中，利用用户意图挖掘网络的网络权重参数对标定电商子浏览向量进行处理，可以将处理结果作为标定电商浏览行为大数据对应的用户意图挖掘信息。
[0067]
一种可独立实施的实施例中，标定电商子浏览向量为多个，用户意图挖掘信息可以是结合多个标定电商子浏览向量进行识别所得到的用户意图挖掘信息，例如深度学习服务系统可以将各个标定电商子浏览向量进行融合，将得到融合电商子浏览向量，将融合电商子浏览向量输入到用户意图挖掘网络中，利用用户意图挖掘网络的网络权重参数对融合电商子浏览向量进行处理，可以将处理输出信息作为标定电商浏览行为大数据对应的用户意图挖掘信息。其中，融合是指按照相同节点进行连接。
[0068]
一种可独立实施的实施例中，深度学习服务系统可以将标定电商浏览向量与一个或多个标定电商子浏览向量进行融合，将融合向量作为待挖掘浏览向量，将待挖掘浏览向量输入到用户意图挖掘网络中，利用用户意图挖掘网络的网络权重参数对待挖掘浏览向量进行处理，可以将处理输出信息作为标定电商浏览行为大数据对应的用户意图挖掘信息。
[0069]
步骤b150，基于用户意图挖掘信息对用户意图挖掘网络进行网络收敛优化，得到优化后的用户意图挖掘网络。
[0070]
其中，进行网络收敛优化是指对网络权重参数进行迭代更新。优化后的用户意图挖掘网络可以是经过一次或者多次训练得到的，或者可以是经过一次或多次网络收敛优化得到的。
[0071]
例如，深度学习服务系统可以获取标定电商浏览行为大数据的参考用户意图标签挖掘信息，参考用户意图标签挖掘信息是期望用户意图挖掘网络输出的用户意图挖掘信息，深度学习服务系统可以计算用户意图挖掘信息与参考用户意图标签挖掘信息之间的损失值，将损失值作为挖掘差异，基于挖掘差异得到目标风险代价值，目标风险代价值与挖掘差异成正相关关系，例如可以将挖掘差异作为目标风险代价值。深度学习服务系统可以利用交叉熵损失函数对用户意图挖掘信息进行计算，得到目标风险代价值。
[0072]
一种可独立实施的实施例中，标定电商子浏览向量为多个，用户意图挖掘信息是结合多个标定电商子浏览向量识别得到的。深度学习服务系统还可以对各个标定电商子浏览向量分别进行浏览标签挖掘，得到各个标定电商子浏览向量分别对应的浏览标签挖掘信息，基于用户意图挖掘信息以及浏览标签挖掘信息调整用户意图挖掘网络的网络权重参数，得到优化后的用户意图挖掘网络。例如深度学习服务系统可以基于用户意图挖掘信息得到第一挖掘风险代价值，基于浏览标签挖掘信息得到第二挖掘风险代价值，基于第一挖掘风险代价值以及第二挖掘风险代价值得到目标风险代价值，基于目标风险代价值对用户意图挖掘网络进行网络收敛优化，得到优化后的用户意图挖掘网络。其中，浏览标签挖掘信息可以包括来源浏览标签挖掘信息或浏览意图标签挖掘信息中的至少一个。浏览标签指的是浏览行为大数据中的触发浏览行为的标签。来源浏览标签指的是浏览行为大数据中的触发浏览行为的类型，意图标签指的是意图类型。来源浏览标签挖掘信息是对标定电商子浏览向量进行来源浏览标签挖掘所得到的挖掘信息，浏览意图标签挖掘信息是对标定电商子浏览向量进行用户意图挖掘所得到的挖掘信息。第二挖掘风险代价值可以包括来源浏览标签风险代价值或意图标签风险代价值中的至少一个，来源浏览标签风险代价值是根据来源浏览标签挖掘信息得到的风险代价值，意图标签风险代价值是根据浏览意图标签挖掘信息得到的风险代价值。
[0073]
一种可独立实施的实施例中，深度学习服务系统可以利用目标风险代价值对电商浏览向量提取单元、概率输出单元以及用户意图挖掘网络的网络权重参数进行迭代更新，
得到优化后的用户意图挖掘网络。
[0074]
基于以上步骤，通过将标定电商浏览行为大数据输入到初始的用户意图挖掘网络的电商浏览向量提取单元中进行向量提取，得到标定电商浏览向量，并由此获得与用户意图相关的标定电商子浏览向量，基于标定电商子浏览向量以及用户意图挖掘网络的意图挖掘单元进行用户意图挖掘，得到标定电商浏览行为大数据对应的用户意图挖掘信息后对用户意图挖掘网络进行网络收敛优化，由于标定电商子浏览向量是与用户意图相关的特征，故通过标定电商子浏览向量进行用户意图挖掘，可以提高用户意图挖掘的准确度，从而可以提高用户意图挖掘网络进行用户意图挖掘的准确度。
[0075]
一种可独立实施的实施例中，标定电商子浏览向量为多个，用户意图挖掘信息是结合多个标定电商子浏览向量识别得到的；基于用户意图挖掘信息对用户意图挖掘网络进行网络收敛优化，得到优化后的用户意图挖掘网络包括：基于用户意图挖掘信息得到第一挖掘风险代价值；对各个标定电商子浏览向量分别进行浏览标签挖掘，得到各个标定电商子浏览向量分别对应的浏览标签挖掘信息；基于各个浏览标签挖掘信息得到第二挖掘风险代价值；基于第一挖掘风险代价值以及第二挖掘风险代价值得到目标风险代价值；基于目标风险代价值对用户意图挖掘网络进行网络收敛优化，得到优化后的用户意图挖掘网络。
[0076]
其中，第一挖掘风险代价值根据用户意图挖掘信息计算得到，例如可以是基于交叉熵损失函数对用户意图挖掘信息进行计算所得到的结果。浏览标签挖掘可以包括来源浏览标签挖掘或用户意图挖掘中的至少一个。来源浏览标签挖掘是指识别基于来源触发浏览的类型，用户意图挖掘是指挖掘用户意图的浏览标签。浏览标签挖掘信息可以包括来源浏览标签挖掘信息或浏览意图标签挖掘信息中的至少一个，来源浏览标签挖掘信息是对标定电商子浏览向量进行来源浏览标签挖掘所得到的挖掘信息，浏览意图标签挖掘信息是对标定电商子浏览向量进行用户意图挖掘所得到的挖掘信息。第二挖掘风险代价值可以包括来源浏览标签风险代价值或意图标签风险代价值中的至少一个，来源浏览标签风险代价值是根据来源浏览标签挖掘信息得到的风险代价值，意图标签风险代价值是根据浏览意图标签挖掘信息得到的风险代价值。
[0077]
例如，深度学习服务系统可以计算用户意图挖掘信息与参考用户意图标签挖掘信息之间的损失值，将损失值作为挖掘差异，基于挖掘差异得到第一挖掘风险代价值，第一挖掘风险代价值与挖掘差异成正相关关系，例如可以将挖掘差异作为第一挖掘风险代价值。
[0078]
一种可独立实施的实施例中，深度学习服务系统可以对标定电商子浏览向量进行来源浏览标签挖掘，得到标定电商子浏览向量对应的来源浏览标签挖掘信息，获取标定电商子浏览向量对应的标定来源浏览标签挖掘信息，计算来源浏览标签挖掘信息与标定来源浏览标签挖掘信息之间的损失值，将损失值作为来源浏览标签挖掘差异，基于来源浏览标签挖掘差异得到来源浏览标签风险代价值，来源浏览标签风险代价值与来源浏览标签挖掘差异成正相关关系。当标定电商子浏览向量为多个时，深度学习服务系统可以获取各个标定电商子浏览向量对应的来源浏览标签挖掘差异，将各个来源浏览标签挖掘差异的权重计算结果作为来源浏览标签风险代价值。其中，标定来源浏览标签挖掘信息是来源浏览标签挖掘中所期望得到的挖掘信息。不同的标定电商子浏览向量对应的标定来源浏览标签挖掘信息可以相同也可以不同。
[0079]
一种可独立实施的实施例中，标定来源浏览标签挖掘信息可以是通过对标定电商
浏览行为大数据的标定电商子浏览向量进行分团得到的，例如，在每轮训练时，可以将多个标定电商浏览行为大数据输入到用户意图挖掘网络中，多个是指至少两个，深度学习服务系统可以获取各个标定电商浏览行为大数据分别对应的标定电商子浏览向量，组成标定电商子浏览向量簇，对标定电商子浏览向量簇中的标定电商子浏览向量进行分团，得到多个分团关注节点，将与标定电商子浏览向量最近的分团关注节点对应的分团关注标签，作为标定电商子浏览向量对应的标定来源浏览标签挖掘信息。
[0080]
一种可独立实施的实施例中，标定来源浏览标签挖掘信息可以是通过对标定电商浏览行为大数据的标定电商子浏览向量的重点浏览向量信息进行分团得到的，重点浏览向量信息为标定电商子浏览向量中处于关键浏览节点的浏览向量信息，关键浏览节点例如可以包括与分团关注节点之间的偏离度小于偏离度阈值的浏览节点。分团关注节点指的是是标定电商子浏览向量中心所处的浏览节点。偏离度阈值可以是预设的，也可以是根据标定电商子浏览向量的向量数量计算获得的，例如标定电商子浏览向量中与分团关注节点之间的偏离度小于偏离度阈值的浏览节点组成的区域的向量数量占标定电商子浏览向量的向量数量的二分之一。
[0081]
一种可独立实施的实施例中，深度学习服务系统可以分别对标定电商子浏览向量进行用户意图挖掘，得到各个标定电商子浏览向量分布对应的浏览意图标签挖掘信息，分别计算各个浏览意图标签挖掘信息与参考用户意图标签挖掘信息之间的损失值，将损失值作为用户意图挖掘信息差异，基于各个用户意图挖掘信息差异得到意图标签风险代价值，意图标签风险代价值与用户意图挖掘信息差异成正相关关系，例如可以将各个用户意图挖掘信息差异的权重计算结果作为意图标签风险代价值。
[0082]
一种可独立实施的实施例中，第二挖掘风险代价值可以包括来源浏览标签风险代价值以及意图标签风险代价值，深度学习服务系统可以基于第一挖掘风险代价值、来源浏览标签风险代价值以及意图标签风险代价值得到目标风险代价值，例如可以将第一挖掘风险代价值、来源浏览标签风险代价值以及意图标签风险代价值的权重计算结果作为目标风险代价值。
[0083]
一种可独立实施的实施例中，用户意图挖掘网络中还可以包括基础挖掘单元，深度学习服务系统可以基于标定电商浏览向量以及基础挖掘单元进行用户意图挖掘，将识别的结果作为基础用户意图挖掘信息，基于基础用户意图挖掘信息与参考用户意图标签挖掘信息之间的损失值得到基础风险代价值。基于第一挖掘风险代价值、第二挖掘风险代价值以及基础风险代价值得到目标风险代价值，基于目标风险代价值对用户意图挖掘网络进行网络收敛优化，得到优化后的用户意图挖掘网络。其中，基础风险代价值用于调整用户意图挖掘网络中的电商浏览向量提取单元以及基础挖掘单元的网络权重参数。
[0084]
一种可独立实施的实施例中，用户意图挖掘网络中还可以包括第一池化单元，深度学习服务系统可以将标定电商浏览向量输入到第一池化单元进行池化，将池化向量作为标定池化电商浏览向量，基于标定池化电商浏览向量以及基础挖掘单元进行用户意图挖掘，将用户意图挖掘信息作为基础用户意图挖掘信息。基础风险代价值用于还可以用于调整第一池化单元的网络权重参数。其中，第一池化单元可以采用最大池化或平均池化中的任意一种。
[0085]
本实施例中，基于用户意图挖掘信息得到第一挖掘风险代价值，对各个标定电商
子浏览向量分别进行浏览标签挖掘，得到各个标定电商子浏览向量分别对应的浏览标签挖掘信息，基于各个浏览标签挖掘信息得到第二挖掘风险代价值，基于第一挖掘风险代价值以及第二挖掘风险代价值得到目标风险代价值，由于用户意图挖掘信息是结合多个标定电商子浏览向量识别得到的，故第一挖掘风险代价值是根据多个标定电商子浏览向量的共同挖掘信息得到的风险代价值，而第二挖掘风险代价值是根据各个标定电商子浏览向量分别对应的浏览标签挖掘信息得到的风险代价值，从而目标风险代价值包括多种方式得到的风险代价值，提高了目标风险代价值的丰富程度，通过目标风险代价值进行网络收敛优化，可以提高网络收敛优化的准确度。
[0086]
一种可独立实施的实施例中，浏览标签挖掘信息包括来源浏览标签挖掘信息；第二挖掘风险代价值包括来源浏览标签风险代价值；对各个标定电商子浏览向量分别进行浏览标签挖掘，得到各个标定电商子浏览向量分别对应的浏览标签挖掘信息包括：将标定电商子浏览向量分别输入到来源浏览标签挖掘网络中进行识别，得到各个标定电商子浏览向量分别对应的来源浏览标签挖掘信息；基于各个浏览标签挖掘信息得到第二挖掘风险代价值包括：基于多个标定电商子浏览向量进行分团，得到各个标定电商子浏览向量分别对应的分团浏览标签；基于来源浏览标签挖掘信息与分团浏览标签之间的损失值得到来源浏览标签风险代价值。
[0087]
其中，分团浏览标签为期望来源浏览标签挖掘网络对标定电商子浏览向量进行识别所得到的浏览标签。不同的标定电商子浏览向量对应的分团浏览标签可以相同也可以不同。可以将标定电商子浏览向量所属的团对应的浏览标签作为标定电商子浏览向量对应的分团浏览标签，深度学习服务系统可以利用分团策略对多个标定电商子浏览向量进行分团，得到预设数量的分团关注节点，分别计算标定电商子浏览向量与各个分团关注节点之间的偏离度，将计算获得的各个偏离度组成偏离度序列，将偏离度序列中最小偏离度对应的分团关注节点的分团关注标签作为标定电商子浏览向量对应的分团浏览标签。其中，预设数量可以是预设的，例如可以是3。来源浏览标签挖掘信息中可以包括标定电商子浏览向量分别属于各个分团关注标签的概率值。
[0088]
用户意图挖掘网络中还可以包括来源浏览标签挖掘网络，来源浏览标签挖掘网络用于确定标定电商子浏览向量属于各个分团关注标签的概率值。多个标定电商子浏览向量可以是每轮训练中的所有标定电商子浏览向量，也可以是每轮训练的所有标定电商子浏览向量中的一部分。
[0089]
例如，深度学习服务系统可以获取标定电商子浏览向量对应的来源浏览标签挖掘信息以及对应的分团浏览标签，计算来源浏览标签挖掘信息与对应的分团浏览标签之间的损失值，将该差异作为标定电商子浏览向量对应的来源浏览标签挖掘差异，对各个标定电商子浏览向量分别对应的来源浏览标签挖掘差异的权重计算结果作为来源浏览标签风险代价值。
[0090]
一种可独立实施的实施例中，对多个标定电商子浏览向量进行分团，得到各个标定电商子浏览向量分别对应的分团关注标签包括：获取标定电商子浏览向量的重点浏览向量信息，对多个标定电商子浏览向量分别对应的重点浏览向量信息进行分团，得到预设数量的分团关注标签分别对应的分团关注节点，将各个分团关注节点中与重点浏览向量信息之间的偏离度最小的分团关注节点的分团关注标签，作为该重点浏览向量信息对应的分团
浏览标签。深度学习服务系统可以获取标定电商子浏览向量的重点浏览向量信息对应的来源浏览标签挖掘信息以及对应的分团浏览标签，计算来源浏览标签挖掘信息与对应的分团浏览标签之间的损失值，将该差异作为标定电商子浏览向量对应的来源浏览标签挖掘差异，对各个标定电商子浏览向量的重点浏览向量信息分别对应的来源浏览标签挖掘差异的权重计算结果作为来源浏览标签风险代价值。
[0091]
本实施例中，将标定电商子浏览向量分别输入到来源浏览标签挖掘网络中进行识别，得到各个标定电商子浏览向量分别对应的来源浏览标签挖掘信息，基于多个标定电商子浏览向量进行分团，得到各个标定电商子浏览向量分别对应的分团浏览标签，基于来源浏览标签挖掘信息与分团浏览标签之间的损失值得到来源浏览标签风险代价值，从而实现了自监督学习，即将分团关注标签作为标定电商子浏览向量对应的标签，提高了ai训练的效率。
[0092]
一种可独立实施的实施例中，基于多个标定电商子浏览向量进行分团，得到各个标定电商子浏览向量分别对应的分团浏览标签包括：对多个标定电商子浏览向量进行分团，得到各个浏览向量分团所对应的分团关注节点；获取分团关注节点所对应的分团关注标签，将分团关注标签作为浏览向量分团中的标定电商子浏览向量对应的分团浏览标签。
[0093]
其中，浏览向量分团是基于标定电商子浏览向量进行分团所得到的团，浏览向量分团可以包括多个，浏览向量分团中可以包括多个标定电商子浏览向量，一个浏览向量分团对应一个来源浏览标签，标定电商子浏览向量的分团关注标签为该标定电商子浏览向量所属的浏览向量分团对应的来源浏览标签。由于浏览向量分团是通过分团得到的团，故浏览向量分团中的各个标定电商子浏览向量之间具有较大的交叉度，同一浏览向量分团中的标定电商子浏览向量为统一来源浏览标签的特征的可能性较大，故可以认为一个浏览向量分团对应一种来源浏览标签。
[0094]
例如，深度学习服务系统可以通过分团算法对多个标定电商子浏览向量进行分团，得到预设数量的分团关注节点，分别计算标定电商子浏览向量与各个分团关注节点之间的偏离度，将计算获得的偏离度组成偏离度序列，将偏离度序列中的最小偏离度对应的分团关注节点作为该标定电商子浏览向量对应的分团关注节点，将与分团关注节点对应的各个标定电商子浏览向量组成的集合作为该分团关注节点对应的浏览向量分团。
[0095]
一种可独立实施的实施例中，深度学习服务系统可以将标定电商子浏览向量与分团关注节点进行交叉度运算，将运算的结果作为标定电商子浏览向量与分团关注节点之间的交叉度，根据该交叉度确定标定电商子浏览向量与分团关注节点之间的偏离度，标定电商子浏览向量与分团关注节点之间的偏离度与该交叉度成负相关关系，交叉度越大，偏离度越小，交叉度越小，偏离度越大。
[0096]
本实施例中，对多个标定电商子浏览向量进行分团，得到各个浏览向量分团所对应的分团关注节点，获取分团关注节点所对应的分团关注标签，将分团关注标签作为浏览向量分团中的标定电商子浏览向量对应的分团浏览标签，提高了分团浏览标签的准确度。
[0097]
一种可独立实施的实施例中，浏览标签挖掘信息包括浏览意图标签挖掘信息，第二挖掘风险代价值包括意图标签风险代价值；对各个标定电商子浏览向量分别进行浏览标签挖掘，得到各个标定电商子浏览向量分别对应的浏览标签挖掘信息包括：将标定电商子浏览向量分别输入到浏览意图标签挖掘网络中进行分类，得到各个标定电商子浏览向量分
别对应的浏览意图标签挖掘信息；基于各个浏览标签挖掘信息得到第二挖掘风险代价值包括：获取标定电商浏览行为大数据对应的参考用户意图标签挖掘信息；基于浏览意图标签挖掘信息与参考用户意图标签挖掘信息之间的损失值得到意图标签风险代价值。
[0098]
其中，浏览意图标签挖掘网络用于确定标定电商子浏览向量分别属于各个用户意图的概率值，浏览意图标签挖掘信息可以包括标定电商子浏览向量属于各个用户意图的概率值，例如可以包括属于用户协同意图的概率值或属于排球场的概率值中的至少一个。
[0099]
例如，深度学习服务系统可以将分别将各个标定电商子浏览向量输入到浏览意图标签挖掘网络中进行分类，得到各个标定电商子浏览向量分别对应的浏览意图标签挖掘信息，即每个标定电商子浏览向量可以对应有浏览意图标签挖掘信息。参考用户意图标签挖掘信息为期望得到的用户意图挖掘信息，为标定电商浏览行为大数据所属的实际用户意图对应的用户意图挖掘信息，例如假设标定电商浏览行为大数据为用户协同意图的浏览行为大数据，则标定电商浏览行为大数据的参考用户意图标签挖掘信息表示意图标签为用户协同意图。当标定电商浏览行为大数据为多个时，每个标定电商浏览行为大数据可以对应有各自的参考用户意图标签挖掘信息。
[0100]
一种可独立实施的实施例中，深度学习服务系统可以获取标定电商子浏览向量对应的浏览意图标签挖掘信息以及对应的参考用户意图标签挖掘信息，计算浏览意图标签挖掘信息与参考用户意图标签挖掘信息之间的损失值，将损失值作为用户意图挖掘信息差异，对各个标定电商子浏览向量分别对应的用户意图挖掘信息差异的权重计算结果作为意图标签风险代价值。意图标签风险代价值与用户意图挖掘信息差异成正相关关系。当然，深度学习服务系统也可以利用交叉熵损失函数对各个用户意图挖掘信息差异进行计算，获得意图标签风险代价值。
[0101]
一种可独立实施的实施例中，将标定电商子浏览向量分别输入到浏览意图标签挖掘网络中进行分类，得到各个标定电商子浏览向量分别对应的浏览意图标签挖掘信息，基于浏览意图标签挖掘信息与参考用户意图标签挖掘信息之间的损失值得到意图标签风险代价值包括：将标定电商子浏览向量的重点浏览向量信息分别输入到浏览意图标签挖掘网络中进行分类，得到各个重点浏览向量信息分别对应的浏览意图标签挖掘信息，基于浏览意图标签挖掘信息与参考用户意图标签挖掘信息之间的损失值得到意图标签风险代价值。
[0102]
一种可独立实施的实施例中，深度学习服务系统基于第一挖掘风险代价值、意图标签风险代价值以及来源浏览标签风险代价值以及基础风险代价值进行权重融合计算，将权重融合计算的结果作为目标风险代价值，例如，深度学习服务系统可以确定基础风险代价值对应的第一影响系数，意图标签风险代价值对应的第二影响系数，来源浏览标签风险代价值对应的第三影响系数以及第一挖掘风险代价值对应的第四影响系数，基于第一影响系数、第二影响系数、第三影响系数以及第四影响系数，对基础风险代价值、意图标签风险代价值、来源浏览标签风险代价值以及第一挖掘风险代价值进行权重融合计算，将权重融合计算作为目标风险代价值。
[0103]
本实施例中，将标定电商子浏览向量分别输入到浏览意图标签挖掘网络中进行分类，得到各个标定电商子浏览向量分别对应的浏览意图标签挖掘信息，基于浏览意图标签挖掘信息与参考用户意图标签挖掘信息之间的损失值的都意图标签风险代价值，从而当朝着意图标签风险代价值变小的方向调整网络权重参数时，可以使得浏览意图标签挖掘信息
与参考用户意图标签挖掘信息之间的损失值变小。
[0104]
一种可独立实施的实施例中，基于标定电商子浏览向量以及用户意图挖掘网络的意图挖掘单元进行用户意图挖掘，得到标定电商浏览行为大数据对应的用户意图挖掘信息包括：将标定电商浏览向量与标定电商子浏览向量进行融合，得到待挖掘浏览向量；将待挖掘浏览向量输入到用户意图挖掘网络的意图挖掘单元进行用户意图挖掘，得到标定电商浏览行为大数据对应的用户意图挖掘信息。
[0105]
深度学习服务系统可以将标定电商浏览向量与标定电商子浏览向量进行融合，将融合后的向量作为待挖掘浏览向量。
[0106]
一种可独立实施的实施例中，深度学习服务系统可以将各个标定电商子浏览向量中的至少一个标定电商浏览向量与标定电商浏览向量进行融合，例如可以将所有的标定电商子浏览向量与标定电商浏览向量进行训练，获取可以从各个标定电商子浏览向量中选取满足第一目标要求的标定电商子浏览向量，将满足第一目标要求的标定电商子浏览向量与标定电商浏览向量进行融合，得到待挖掘浏览向量。第一目标要求包括第一意图关联概率排列节点在第一排列节点之前或第一意图关联概率大于第一意图关联概率中的至少一个，第一排列节点以及第一意图关联概率可以是预设的，也可以是通过计算获得的，第一排列节点的确定方式可以参考第一排列数量范围的确定方式，第一意图关联概率的确定方式可以参考第一意图关联概率阈值的确定方式，这里不再赘述。第一意图关联概率排列节点指的是在第一意图关联概率集中的排列节点，第一意图关联概率集是按照降序，对各个标定电商子浏览向量的第一意图关联概率进行排列节点所得到的集合，第一意图关联概率越大，在第一意图关联概率集中的排列节点越靠前。例如标定电商子浏览向量有w个，则当第一目标要求为第一意图关联概率排列节点在第一排列节点之前且第一排列节点为s+1时，则满足第一目标要求的标定电商子浏览向量有s个，则将s个标定电商子浏览向量与标定电商浏览向量进行融合。
[0107]
一种可独立实施的实施例中，将标定电商浏览向量与标定电商子浏览向量进行融合，得到待挖掘浏览向量包括：获取标定电商浏览向量中关键浏览节点的区域，将该关键浏览节点的区域作为第一重点浏览向量信息，将标定电商子浏览向量的重点浏览向量信息作为第二重点浏览向量信息，将第一重点浏览向量信息与各个第二重点浏览向量信息中的至少一个进行融合，得到待挖掘浏览向量。例如可以将第一重点浏览向量信息与各个第二重点浏览向量信息中的至少一个进行融合，将融合后的向量作为待挖掘浏览向量。
[0108]
本实施例中，将标定电商浏览向量与标定电商子浏览向量进行融合，得到待挖掘浏览向量，将待挖掘浏览向量输入到用户意图挖掘网络的意图挖掘单元进行用户意图挖掘，由于待挖掘浏览向量中既包括标定电商浏览向量又包括标定电商子浏览向量，从而使得待挖掘浏览向量中既包括完整浏览行为大数据的特征又包括浏览行为大数据中与用户意图相关的数据特征，提高了特征的表达能力，从而提高了用户意图挖掘的准确度。
[0109]
一种可独立实施的实施例中，基于各个第一电商子浏览向量对应的第一意图关联概率，从第一电商子浏览向量簇中获得与用户意图相关的标定电商子浏览向量包括：将第一电商子浏览向量簇中满足第一意图关联概率条件的第一电商子浏览向量，作为与用户意图相关的标定电商子浏览向量；第一意图关联概率条件包括第一意图关联概率的排列节点在第一排列数量范围之前或第一意图关联概率大于第一意图关联概率阈值中的至少一个。
[0110]
本实施例中，将第一电商子浏览向量簇中满足第一意图关联概率条件的第一电商子浏览向量，作为与用户意图相关的标定电商子浏览向量，由于第一意图关联概率条件包括第一意图关联概率的排列节点在第一排列数量范围之前或第一意图关联概率大于第一意图关联概率阈值中的至少一个，故可以从第一电商子浏览向量簇中获取与用户意图强相关的第一电商子浏览向量作为标定电商子浏览向量，提高了标定电商子浏览向量与用户意图的关联可信度。
[0111]
一种可独立实施的实施例中，本技术实施例提供了另一种基于大数据意图挖掘的内容更新方法，可以利用上述各个实施例中的优化后的用户意图挖掘网络进行用户意图挖掘，该方法应用于图1中的深度学习服务系统，包括以下步骤：步骤b210，获取待挖掘的目标电商浏览行为大数据。
[0112]
其中，目标电商浏览行为大数据为待进行用户意图挖掘的浏览行为大数据。
[0113]
例如，电子商务服务终端可以向深度学习服务系统发送针对目标电商浏览行为大数据的用户意图挖掘请求，深度学习服务系统可以响应于用户意图挖掘请求，获取待挖掘的目标电商浏览行为大数据，其中，用户意图挖掘请求中可以携带目标电商浏览行为大数据或目标电商浏览行为大数据标识中的至少一个。目标电商浏览行为大数据标识为目标电商浏览行为大数据的标识，用于唯一识别目标电商浏览行为大数据，例如可以包括时间段标识或者数据段标识。
[0114]
步骤b220，对目标电商浏览行为大数据进行向量提取，得到目标电商浏览向量。
[0115]
例如，目标电商浏览向量是对目标电商浏览行为大数据进行向量提取所得到的特征。深度学习服务系统可以获取优化后的用户意图挖掘网络，将目标电商浏览行为大数据输入到用户意图挖掘网络的电商浏览向量提取单元中，利用电商浏览向量提取单元对目标电商浏览行为大数据进行向量提取，获得，目标电商浏览向量。
[0116]
步骤b230，基于目标电商浏览向量进行概率分类，得到第二电商子浏览向量簇中各个第二电商子浏览向量对应的第二意图关联概率；第二电商子浏览向量簇包括多个第二电商子浏览向量，第二电商子浏览向量簇是对目标电商浏览向量进行划分得到的。
[0117]
例如，第二意图关联概率用于表示第二电商子浏览向量与用户意图的关联可信度。第二电商子浏览向量为目标电商浏览行为大数据中的浏览行为数据部分对应的特征。
[0118]
步骤b240，基于各个第二电商子浏览向量对应的第二意图关联概率，从第二电商子浏览向量簇中获得与用户意图相关的目标电商子浏览向量。
[0119]
例如，深度学习服务系统可以将各个第二电商子浏览向量中的至少一个作为目标电商子浏览向量，例如可以将所有的第二电商子浏览向量作为目标电商子浏览向量，或者根据第二意图关联概率从第二电商子浏览向量簇中获得与用户意图相关的目标电商子浏览向量。
[0120]
一种可独立实施的实施例中，将第二电商子浏览向量簇中满足第二意图关联概率条件的第二电商子浏览向量，作为与用户意图相关的目标电商子浏览向量。其中，第二意图关联概率条件包括第二意图关联概率的排列节点在第二排列数量范围之前或第二意图关联概率大于第二意图关联概率阈值中的至少一个。
[0121]
步骤b250，基于目标电商子浏览向量进行用户意图挖掘，得到目标电商浏览行为大数据对应的目标用户意图。
[0122]
例如，深度学习服务系统可以将多个目标电商子浏览向量进行融合，多个指的是至少两个，得到融合电商浏览向量，将融合电商浏览向量输入到已训练的用户意图挖掘网络的意图挖掘单元中进行用户意图挖掘，将识别的结果作为目标用户意图挖掘信息，根据目标用户意图挖掘信息确定目标电商浏览行为大数据对应的目标用户意图。
[0123]
一种可独立实施的实施例中，深度学习服务系统可以将各个目标电商子浏览向量中的至少一个目标电商子浏览向量与目标电商浏览向量进行融合，将融合后的向量作为融合电商浏览向量，例如可以从各个目标电商子浏览向量中获取满足第二目标要求的目标电商子浏览向量，将满足第二目标要求的各个目标电商子浏览向量与目标电商浏览向量进行融合，将融合后的向量作为融合电商浏览向量。其中，第二目标要求包括第二意图关联概率排列节点在第二排列节点之前或第二意图关联概率大于第二意图关联概率中的至少一个。第二意图关联概率排列节点指的是在第二意图关联概率集中的排列节点，第二意图关联概率集是按照降序，对各个目标电商子浏览向量的第二意图关联概率进行排列节点所得到的集合，第二意图关联概率越大，在第二意图关联概率集中的排列节点越靠前。第二排列节点以及第二意图关联概率可以是预设的，也可以是通过计算获得的。第二排列节点的确定方式可以参考第二排列数量范围的确定方式，第二意图关联概率的确定方式可以参考第二意图关联概率阈值的确定方式，这里不再赘述。
[0124]
上述用户意图挖掘方法中，获取待挖掘的目标电商浏览行为大数据，对目标电商浏览行为大数据进行向量提取，得到目标电商浏览向量，基于目标电商浏览向量进行概率分类，得到第二电商子浏览向量簇中各个第二电商子浏览向量对应的第二意图关联概率，第二电商子浏览向量簇包括多个第二电商子浏览向量，第二电商子浏览向量簇是对目标电商浏览向量进行划分得到的，基于各个第二电商子浏览向量对应的第二意图关联概率，从第二电商子浏览向量簇中获得与用户意图相关的目标电商子浏览向量，基于目标电商子浏览向量进行用户意图挖掘，得到目标电商浏览行为大数据对应的目标用户意图，由于目标电商子浏览向量是与用户意图相关的特征，故基于目标电商子浏览向量进行用户意图挖掘，提高了用户意图挖掘的准确度。
[0125]
一种可独立实施的实施例中，基于目标电商浏览向量进行概率分类，得到第二电商子浏览向量簇中各个第二电商子浏览向量对应的第二意图关联概率包括：基于目标电商浏览向量进行编码，得到电商浏览编码信息；获取电商浏览编码信息中各个编码分量值在目标电商浏览向量中所对应的向量片段节点；将目标电商浏览向量中向量片段节点对应的浏览向量信息，作为编码分量值对应的第二电商子浏览向量，将特征值作为第二电商子浏览向量对应的第二意图关联概率。
[0126]
本实施例中，将目标电商浏览向量中向量片段节点对应的浏览向量信息，作为编码分量值对应的第二电商子浏览向量，将编码分量值作为第二电商子浏览向量对应的第二意图关联概率，从而可以获取目标电商浏览行为大数据的多个浏览行为数据部分的特征。
[0127]
一种可独立实施的实施例中，电商浏览编码信息包括第一浏览编码信息以及第二浏览编码信息，基于目标电商浏览向量进行编码，得到电商浏览编码信息包括：对目标电商浏览向量进行时空域特征添加，得到第一电商浏览向量，对第一电商浏览向量进行时空域特征添加，得到第二电商浏览向量；基于第一电商浏览向量进行编码，得到第一浏览编码信息；基于第二电商浏览向量进行编码，得到第二浏览编码信息。
[0128]
例如，目标时空域特征添加的电商浏览向量可以包括第一电商浏览向量以及第二电商浏览向量，时空域特征添加网络可以包括第一时空域特征添加网络以及第二时空域特征添加网络，深度学习服务系统可以将目标电商浏览向量输入到第一时空域特征添加网络中进行时空域特征添加，将时空域特征添加后的向量作为第一电商浏览向量，将第一电商浏览向量输入到第二时空域特征添加网络中，将时空域特征添加后的向量作为第二电商浏览向量，将第一电商浏览向量中的向量描述进行顺序排列，将排列得到的集合作为第一浏览编码信息，将第二电商浏览向量中的向量描述进行顺序排列，将排列得到的集合作为第二浏览编码信息。
[0129]
一种可独立实施的实施例中，目标时空域特征添加的电商浏览向量可以包括第三电商浏览向量以及第四电商浏览向量，类别时空域特征添加网络可以包括第一类别时空域特征添加网络以及第二类别时空域特征添加网络，深度学习服务系统可以将第一电商浏览向量输入到第一类别时空域特征添加网络中进行类别时空域特征添加，将时空域特征添加后的向量作为第三电商浏览向量，将第二电商浏览向量输入到第二类别时空域特征添加网络中进行类别时空域特征添加，将时空域特征添加后的向量作为第四电商浏览向量，将第三电商浏览向量中的向量描述进行顺序排列，将排列得到的集合作为第一浏览编码信息，将第四电商浏览向量中的向量描述进行顺序排列，将排列得到的集合作为第二浏览编码信息。
[0130]
本实施例中，由于第二电商浏览向量是对第一电商浏览向量进行时空域特征添加得到的特征，故第二电商浏览向量与第一电商浏览向量的时空域特征不同，从而得到了时空域特征不同的第一浏览编码信息以及第二浏览编码信息，提高了浏览编码信息在时空域特征上的丰富程度。
[0131]
一种可独立实施的实施例中，基于各个第二电商子浏览向量对应的第二意图关联概率，从第二电商子浏览向量簇中获得与用户意图相关的目标电商子浏览向量包括：将第二电商子浏览向量簇中满足第二意图关联概率条件的第二电商子浏览向量，作为与用户意图相关的目标电商子浏览向量；第二意图关联概率条件包括第二意图关联概率的排列节点在第二排列数量范围之前或第二意图关联概率大于第二意图关联概率阈值中的至少一个。
[0132]
其中，第二意图关联概率的排列节点是指在第二意图关联概率集中的排列节点，第二意图关联概率集是按照降序，对第二意图关联概率进行排列节点所得到的集合，第二意图关联概率越大，在第二意图关联概率集中的排列节点越靠前。第二排列数量范围可以预设，也可以根据第二意图关联概率的数量计算得到，例如，深度学习服务系统可以获取预设的第二排列参数，对第二排列参数与第二意图关联概率的数量的乘积作为第二排列数量范围。第二排列参数可以是小于1的数值，例如可以是0.5或0.3等固定值。第二意图关联概率阈值可以预设，第二意图关联概率阈值也可以对第二意图关联概率进行计算获得的，例如，深度学习服务系统可以对各个第二意图关联概率进行均值计算，得到第二关联概率均值，获取预设的第二权重系数，将第二权重系数与第二关联概率均值的乘积作为第二意图关联概率阈值。第二权重系数可以是大于1的数值，例如可以是1.2。
[0133]
本实施例中，将第二电商子浏览向量簇中满足第二意图关联概率条件的第二电商子浏览向量，作为与用户意图相关的目标电商子浏览向量，由于第二意图关联概率条件包括第二意图关联概率的排列节点在第二排列数量范围之前或第二意图关联概率大于第二
意图关联概率阈值中的至少一个，故可以从第二电商子浏览向量簇中获取与用户意图强相关的第二电商子浏览向量作为目标电商子浏览向量，提高了目标电商子浏览向量与用户意图的关联可信度。
[0134]
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意图挖掘的内容更新方法的深度学习服务系统100的硬件结构示意图，如图3所示，深度学习服务系统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。
[0135]
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意图挖掘的内容更新方法，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，从而可以与前述的电子商务服务终端200进行数据收发。
[0136]
处理器110的具体实现过程可参见上述深度学习服务系统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。
[0137]
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意图挖掘的内容更新方法。
[0138]
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。