技术特征：
1.一种基于人工智能识别的用户关注需求决策方法，其特征在于，包括：基于人工智能模型训练获得的用户兴趣挖掘模型对目标用户的互联网活动轨迹大数据进行兴趣点挖掘，获得所述目标用户所对应的兴趣指向数据，并将所述兴趣指向数据加载至目标用户的历史平台兴趣大数据中；对所述目标用户的历史平台兴趣大数据进行兴趣路径特征分析，并基于兴趣路径特征分析结果进行用户关注需求决策，获得所述目标用户的用户关注需求分布；基于所述目标用户的用户关注需求分布对所述目标用户所订阅的线上服务页面进行页面内容优化。2.根据权利要求1所述的基于人工智能识别的用户关注需求决策方法，其特征在于，所述对所述目标用户的历史平台兴趣大数据进行兴趣路径特征分析，并基于兴趣路径特征分析结果进行用户关注需求决策，获得所述目标用户的用户关注需求分布的步骤，具体包括：从目标用户的历史平台兴趣大数据中获取匹配于等待上线的内容服务项目的候选平台兴趣事件数据，对所述候选平台兴趣事件数据进行兴趣路径网络解析，确定用于表示所述候选平台兴趣事件数据的兴趣路径网络；所述候选平台兴趣事件数据包括多个平台兴趣事件；所述兴趣路径网络包括多个兴趣路径节点特征；一个平台兴趣事件对应一个兴趣路径节点特征；确定所述多个兴趣路径节点特征分别对应的需求影响系数，基于所述需求影响系数对所述多个兴趣路径节点特征进行特征融合，确定第一兴趣路径特征；对所述多个兴趣路径节点特征进行聚团，确定多个特征聚团分别包含的成员兴趣路径节点特征，基于所述多个特征聚团和预设频繁模式树确定每个成员兴趣路径节点特征分别对应的频繁模式度量值，基于多个频繁模式度量值确定第二兴趣路径特征；一个成员兴趣路径节点特征对应的频繁模式度量值是依据所属特征聚团中的成员兴趣路径节点特征进行确定；基于所述第一兴趣路径特征和所述第二兴趣路径特征，确定所述候选平台兴趣事件数据的用户关注需求决策信息。3.根据权利要求2所述的基于人工智能识别的用户关注需求决策方法，其特征在于，所述确定所述多个兴趣路径节点特征分别对应的需求影响系数，基于所述需求影响系数对所述多个兴趣路径节点特征进行特征融合，确定第一兴趣路径特征的步骤，具体包括：将所述多个兴趣路径节点特征加载至用户关注需求决策模型中的第一需求影响决策分支；所述第一需求影响决策分支包括需求影响决策单元和需求影响融合单元；在所述需求影响决策单元中，对所述多个兴趣路径节点特征分别进行需求影响决策，确定所述多个兴趣路径节点特征分别对应的需求影响系数；在所述需求影响融合单元中，基于所述需求影响系数对每个所述兴趣路径节点特征进行融合，确定每个所述兴趣路径节点特征分别对应的融合兴趣路径节点特征，对所述融合兴趣路径节点特征进行汇总，确定第一兴趣路径特征。4.根据权利要求2所述的基于人工智能识别的用户关注需求决策方法，其特征在于，所述基于所述第一兴趣路径特征和所述第二兴趣路径特征，确定所述候选平台兴趣事件数据的用户关注需求决策信息的步骤，具体包括：对所述第一兴趣路径特征和所述第二兴趣路径特征进行融合，确定融合兴趣路径特
征；对所述融合兴趣路径特征进行用户关注需求决策，确定所述候选平台兴趣事件数据的用户关注需求决策信息；所述方法还包括：获取范例平台兴趣事件数据，对所述范例平台兴趣事件数据进行兴趣路径网络解析，确定用于表示所述范例平台兴趣事件数据的参考兴趣路径网络；所述范例平台兴趣事件数据包括多个参考平台兴趣事件；所述参考兴趣路径网络包括多个参考兴趣路径节点特征；一个参考平台兴趣事件对应一个参考兴趣路径节点特征；将所述多个参考平台兴趣事件加载至初始用户关注需求决策模型，在所述初始用户关注需求决策模型中，确定所述多个参考兴趣路径节点特征分别对应的参考需求影响系数，基于所述多个参考兴趣路径节点特征分别对应的参考需求影响系数，对所述多个参考兴趣路径节点特征进行特征融合，确定第一参考兴趣路径特征；在所述初始用户关注需求决策模型中，对所述多个参考兴趣路径节点特征进行聚团，确定多个参考特征聚团分别包含的参考成员兴趣路径节点特征，基于所述多个参考特征聚团和预设频繁模式树确定每个参考成员兴趣路径节点特征分别对应的参考频繁模式度量值，基于多个参考频繁模式度量值确定第二参考兴趣路径特征；一个参考成员兴趣路径节点特征对应的参考频繁模式度量值是依据所属参考特征聚团中的参考成员兴趣路径节点特征进行确定；在所述初始用户关注需求决策模型中，基于所述第一参考兴趣路径特征和所述第二参考兴趣路径特征确定所述范例平台兴趣事件数据的先验用户关注需求决策信息；基于所述多个参考特征聚团、所述多个参考兴趣路径节点特征分别对应的需求影响系数、所述先验用户关注需求决策信息以及所述范例平台兴趣事件数据对应的用户关注需求，对所述初始用户关注需求决策模型进行模型调优，确定用于输出候选平台兴趣事件数据的用户关注需求决策信息的用户关注需求决策模型。5.根据权利要求4所述的基于人工智能识别的用户关注需求决策方法，其特征在于，所述基于所述多个参考特征聚团、所述多个参考兴趣路径节点特征分别对应的需求影响系数、所述先验用户关注需求决策信息以及所述范例平台兴趣事件数据对应的用户关注需求，对所述初始用户关注需求决策模型进行模型调优，确定用于输出候选平台兴趣事件数据的用户关注需求决策信息的用户关注需求决策模型的步骤，具体包括：基于所述多个参考特征聚团以及所述多个参考兴趣路径节点特征分别对应的参考需求影响系数，确定第一模型训练代价值；基于所述先验用户关注需求决策信息以及所述范例平台兴趣事件数据对应的用户关注需求，确定第二模型训练代价值；对所述第一模型训练代价值和所述第二模型训练代价值进行加权求和，确定目标模型训练代价值；基于所述目标模型训练代价值对所述初始用户关注需求决策模型进行模型调优，确定用于输出候选平台兴趣事件数据的用户关注需求决策信息的用户关注需求决策模型；所述基于所述多个参考特征聚团以及所述多个参考兴趣路径节点特征分别对应的参考需求影响系数，确定第一模型训练代价值的步骤，具体包括：
获取所述多个参考特征聚团中的第i个参考特征聚团；i为正整数，且i不大于所述多个参考特征聚团的数量；将所述第i个参考特征聚团包含的参考兴趣路径节点特征，作为目标参考兴趣路径节点特征；基于所述目标参考兴趣路径节点特征对应的参考需求影响系数和所述目标参考兴趣路径节点特征的数量，确定第i个参考特征聚团对应的输出训练代价值；将每个参考特征聚团分别对应的输出训练代价值进行累加，确定第一模型训练代价值；所述基于所述目标参考兴趣路径节点特征对应的参考需求影响系数和所述目标参考兴趣路径节点特征的数量，确定第i个参考特征聚团对应的输出训练代价值的步骤，具体包括：获取由所述目标参考兴趣路径节点特征对应的参考需求影响系数所构成的拟合需求影响系数分布；对所述拟合需求影响系数分布进行归一化处理，确定第一需求影响系数分布；将所述目标参考兴趣路径节点特征的数量对应的均匀需求影响系数分布，作为第二需求影响系数分布；基于所述第一需求影响系数分布和所述第二需求影响系数分布，确定第i个参考特征聚团对应的输出训练代价值。6.根据权利要求1-5中任意一项所述的基于人工智能识别的用户关注需求决策方法，其特征在于，所述基于人工智能模型训练获得的用户兴趣挖掘模型对目标用户的互联网活动轨迹大数据进行兴趣点挖掘，获得所述目标用户所对应的兴趣指向数据的步骤，具体包括：将所述目标用户的互联网活动轨迹大数据拆分成多个互联网活动轨迹数据，将所述互联网活动轨迹数据输入到人工智能模型训练获得的用户兴趣挖掘模型中进行兴趣点挖掘，获得所述目标用户所对应的兴趣指向数据；其中，所述用户兴趣挖掘模型的训练步骤包括：获取参考互联网活动轨迹数据序列，所述参考互联网活动轨迹数据序列中包括携带先验兴趣指向数据的参考互联网活动轨迹数据，所述先验兴趣指向数据表征所述参考互联网活动轨迹数据中目标兴趣点数据的指向行为节点数据；获取所述参考互联网活动轨迹数据对应的参考活动轨迹块，并依据所述参考活动轨迹块获取参考活动轨迹块簇，所述参考活动轨迹块簇携带与所述先验兴趣指向数据对应的先验簇兴趣数据，所述参考活动轨迹块是对所述参考互联网活动轨迹数据进行基于用户活动时空域的拆分获得的轨迹块；基于初始化用户兴趣挖掘模型对所述参考活动轨迹块簇进行兴趣挖掘，依据所述先验簇兴趣数据和预测簇兴趣数据之间的特征训练代价函数值信息确定所述参考活动轨迹块簇对应的相对熵训练代价函数值和第一交叉熵训练代价函数值；基于所述初始化用户兴趣挖掘模型对所述参考活动轨迹块进行兴趣挖掘，依据所述先验兴趣指向数据和预测兴趣指向数据之间的特征训练代价函数值信息确定所述参考活动轨迹块对应的第二交叉熵训练代价函数值；
对所述相对熵训练代价函数值、所述第一交叉熵训练代价函数值和所述第二交叉熵训练代价函数值进行加权计算，确定全局训练代价函数值；依据所述全局训练代价函数值对所述初始化用户兴趣挖掘模型进行模型参数层的调优和选取，模型参数层的调优和选取的初始化用户兴趣挖掘模型用于对所述互联网活动轨迹数据中的目标兴趣点数据进行挖掘。7.根据权利要求6所述的基于人工智能识别的用户关注需求决策方法，其特征在于，所述基于初始化用户兴趣挖掘模型对所述参考活动轨迹块簇进行兴趣挖掘，依据所述先验簇兴趣数据和预测簇兴趣数据之间的特征训练代价函数值信息确定所述参考活动轨迹块簇对应的相对熵训练代价函数值和第一交叉熵训练代价函数值的步骤，具体包括：基于所述初始化用户兴趣挖掘模型对所述参考活动轨迹块簇进行编码描述，确定簇兴趣描述向量；基于所述初始化用户兴趣挖掘模型中的第一兴趣描述向量聚合单元对所述簇兴趣描述向量进行第一兴趣向量学习，确定第一兴趣描述聚合向量；基于注意力机制对所述第一兴趣描述聚合向量进行基于注意力机制的兴趣向量学习，确定所述参考活动轨迹块簇对应的特征关注因子分布；如果所述先验簇兴趣数据用于表示所述参考活动轨迹块簇中的参考活动轨迹块中不存在所述目标兴趣点数据，确定所述参考活动轨迹块簇的兴趣影响参数分布为均匀分布；如果所述先验簇兴趣数据用于表示所述参考活动轨迹块簇中的参考活动轨迹块中存在所述目标兴趣点数据，获取所述先验簇兴趣数据中与参考活动轨迹块对应的块兴趣数据；依据所述块兴趣数据确定所述参考活动轨迹块簇的兴趣影响参数分布；依据所述特征关注因子分布与所述兴趣影响参数分布之间的特征训练代价函数值信息，确定所述参考活动轨迹块簇对应的相对熵训练代价函数值；基于所述初始化用户兴趣挖掘模型中的第一兴趣描述向量聚合单元对所述簇兴趣描述向量进行第一兴趣向量学习，确定第一兴趣描述聚合向量；基于所述初始化用户兴趣挖掘模型中的第二兴趣描述向量聚合单元对所述第一兴趣描述聚合向量和所述参考活动轨迹块簇对应的特征关注因子分布进行第二兴趣向量学习，确定第二兴趣描述聚合向量；依据所述第二兴趣描述聚合向量和所述先验簇兴趣数据之间的特征训练代价函数值信息，确定所述参考活动轨迹块簇对应的第一交叉熵训练代价函数值。8.根据权利要求6所述的基于人工智能识别的用户关注需求决策方法，其特征在于，所述基于所述初始化用户兴趣挖掘模型对所述参考活动轨迹块进行兴趣挖掘，依据所述先验兴趣指向数据和预测兴趣指向数据之间的特征训练代价函数值信息确定所述参考活动轨迹块对应的第二交叉熵训练代价函数值的步骤，具体包括：基于所述初始化用户兴趣挖掘模型对所述参考活动轨迹块进行编码描述，确定块编码描述变量；基于所述初始化用户兴趣挖掘模型中的第一兴趣描述向量聚合单元对所述块编码描述变量进行第一兴趣向量学习，确定第三兴趣描述聚合向量；基于所述初始化用户兴趣挖掘模型中的第二兴趣描述向量聚合单元对所述第三兴趣
描述聚合向量进行第二兴趣向量学习，确定第四兴趣描述聚合向量作为所述预测兴趣指向数据；依据所述第四兴趣描述聚合向量和块兴趣数据之间的特征训练代价函数值信息，确定所述参考活动轨迹块对应的第二交叉熵训练代价函数值，所述块兴趣数据为依据所述先验兴趣指向数据确定的与所述参考活动轨迹块对应的兴趣数据。9.根据权利要求6所述的基于人工智能识别的用户关注需求决策方法，其特征在于，所述获取所述参考互联网活动轨迹数据对应的参考活动轨迹块，并依据所述参考活动轨迹块获取参考活动轨迹块簇的步骤，具体包括：对所述参考互联网活动轨迹数据进行基于用户活动时空域的拆分，确定所述参考活动轨迹块；将属于同一参考互联网活动轨迹数据的参考活动轨迹块分配至相同簇，确定所述参考活动轨迹块簇；或者，将属于不同参考互联网活动轨迹数据的参考活动轨迹块混合分配至相同簇，确定所述参考活动轨迹块簇；如果参考活动轨迹块簇中的参考活动轨迹块来自同一参考互联网活动轨迹数据，将所述参考互联网活动轨迹数据对应的先验兴趣指向数据作为所述参考活动轨迹块簇对应的先验簇兴趣数据；如果参考活动轨迹块簇中的参考活动轨迹块来自不同参考互联网活动轨迹数据，依据所述参考活动轨迹块对应的块兴趣数据确定所述参考活动轨迹块簇对应的先验簇兴趣数据。10.一种大数据系统，其特征在于，所述大数据系统包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，所述处理器用于运行所述计算机程序时，执行权利要求1-9中任意一项的基于人工智能识别的用户关注需求决策方法。
技术总结
本申请实施例提供一种基于人工智能识别的用户关注需求决策方法及大数据系统，通过对目标用户的互联网活动轨迹大数据进行兴趣点挖掘，获得目标用户所对应的兴趣指向数据，并将兴趣指向数据加载至目标用户的历史平台兴趣大数据中，对目标用户的历史平台兴趣大数据进行兴趣路径特征分析，并基于兴趣路径特征分析结果进行用户关注需求决策，获得目标用户的用户关注需求分布，据于此对目标用户所订阅的线上服务页面进行页面内容优化，从而在进行兴趣点挖掘后，进一步结合兴趣路径特征维度进行用户关注需求决策，相较于仅以兴趣点维度进行用户关注需求决策的方式，可以提高用户关注需求决策的可靠性，进而提高相关用户的页面内容优化可靠性。优化可靠性。优化可靠性。
技术研发人员：戴蔚 张明娥
受保护的技术使用者：戴蔚
技术研发日：2022.09.14
技术公布日：2022/12/1