基于互联网大数据的用户行为分析方法及云计算业务系统与流程

1.本发明涉及大数据挖掘技术领域，具体而言，涉及一种基于互联网大数据的用户行为分析方法及云计算业务系统。


背景技术：

2.随着各个在线电商服务平台的陆续崛起，互联网的流量时代已经结束，未来的互联网一定是大数据+算法时代，基于大数据算法的精准互联网内容推送已经应用到了用户生活中的各个领域，然而本技术发明人研究发现，在当前的互联网信息推送过程中，通过挖掘用户行为意图并匹配与之对应的互联网内容是较为常见的技术方案，然而对于待上线业务需求，还需要保证当前互联网内容推送与当前待上线业务需求的匹配度，相关技术中还缺乏对于该方案的研究。


技术实现要素：

3.为了至少克服现有技术中的上述不足，本发明的目的在于提供一种基于互联网大数据的用户行为分析方法及云计算业务系统。
4.第一方面，本发明实施例提供一种基于互联网大数据的用户行为分析方法，应用于云计算业务系统，所述方法包括：对目标用户的互联网行为大数据进行行为意图挖掘，生成所述目标用户的用户行为意图数据，将所述用户行为意图数据实时加载到所述目标用户的用户行为意图大数据日志中，并基于所述用户行为意图大数据日志生成匹配当前待上线业务需求的目标用户行为意图数据；对所述目标用户行为意图数据进行行为意图关系提取，生成对应的行为意图关系图谱，其中，所述行为意图关系图谱用于表示多个行为意图实体以及各个行为意图实体之间的行为意图关系属性；从所述行为意图关系图谱中提取行为意图关系属性关联至少两个行为意图实体的目标行为意图实体，获得至少一个目标行为意图实体以及每个所述目标行为意图实体通过行为意图关系属性关联的关联行为意图实体；基于至少一个目标行为意图实体以及每个所述目标行为意图实体通过行为意图关系属性关联的关联行为意图实体，对所述目标用户所对应的互联网业务页面进行互联网内容推送。
5.在第一方面的一些可能的实施方式中，所述对目标用户的互联网行为大数据进行行为意图挖掘，生成所述目标用户的用户行为意图数据的步骤，包括：将所述目标用户的互联网行为大数据输入到满足模型部署要求的用户行为意图挖掘模型中，生成所述目标用户的用户行为意图数据；其中，所述用户行为意图挖掘模型包括学生意图定位单元、教师意图定位单元和行为意图挖掘单元；
所述用户行为意图挖掘模型的训练步骤包括：依据所述学生意图定位单元对携带先验用户行为意图标注信息的第一样本用户行为数据进行处理，输出所述第一样本用户行为数据的学生意图定位信息，所述第一样本用户行为数据的学生意图定位信息表征所述第一样本用户行为数据中样本用户的学生意图定位点和学生意图定位标签；依据所述学生意图定位单元和所述教师意图定位单元分别对不携带先验用户行为意图标注信息的第二样本用户行为数据进行处理，输出所述第二样本用户行为数据的学生意图定位信息和教师意图定位信息；其中，所述第二样本用户行为数据的学生意图定位信息表征所述第二样本用户行为数据中所述样本用户的学生意图定位点和学生意图定位标签，所述第二样本用户行为数据的教师意图定位信息表征所述第二样本用户行为数据中所述样本用户的教师意图定位点和教师意图定位标签；依据所述行为意图挖掘单元对所述学生意图定位单元得到的所述第一样本用户行为数据的行为意图特征和所述第二样本用户行为数据的行为意图特征分别进行挖掘，输出所述第一样本用户行为数据的行为意图数据和所述第二样本用户行为数据的行为意图数据；基于所述第一样本用户行为数据的学生意图定位信息、所述第二样本用户行为数据的学生意图定位信息和教师意图定位信息，以及所述行为意图数据，对所述用户行为意图挖掘模型进行模型参数调优。
6.在第一方面的一些可能的实施方式中，所述基于所述第一样本用户行为数据的学生意图定位信息、所述第二样本用户行为数据的学生意图定位信息和教师意图定位信息，以及所述行为意图数据，对所述用户行为意图挖掘模型进行模型参数调优，包括：基于所述第一样本用户行为数据的学生意图定位信息和所述第一样本用户行为数据的先验用户行为意图标注信息，确定第一意图学习代价信息和第二意图学习代价信息；其中，所述第一意图学习代价信息用于以所述第一样本用户行为数据的意图定位点标注信息为基准，评估所述学生意图定位单元在所述第一样本用户行为数据上的意图定位标签挖掘精度，所述第二意图学习代价信息用于以所述第一样本用户行为数据的意图标签标注信息为基准，评估所述学生意图定位单元在所述第一样本用户行为数据上的意图定位点挖掘精度；基于所述第二样本用户行为数据的学生意图定位信息和教师意图定位信息，确定目标学习代价；其中，所述目标学习代价用于以所述第二样本用户行为数据的教师意图定位信息作为比较训练依据信息，评估所述学生意图定位单元在所述第二样本用户行为数据上的意图定位标签和意图定位点挖掘精度；基于所述行为意图数据和行为意图标注信息，确定行为意图挖掘代价；其中，所述行为意图挖掘代价用于评估所述行为意图挖掘单元的行为意图挖掘精度；基于所述第一意图学习代价信息、所述第二意图学习代价信息、所述目标学习代价和所述行为意图挖掘代价，对所述用户行为意图挖掘模型进行模型参数调优。
7.在第一方面的一些可能的实施方式中，所述基于所述第一意图学习代价信息、所述第二意图学习代价信息、所述目标学习代价和所述行为意图挖掘代价，对所述用户行为意图挖掘模型进行模型参数调优，包括：
基于所述第一意图学习代价信息、所述第二意图学习代价信息、所述目标学习代价和所述行为意图挖掘代价，确定所述用户行为意图挖掘模型的全局学习代价信息；基于所述全局学习代价信息确定所述行为意图挖掘单元的模型权重参数优化梯度，基于所述行为意图挖掘单元的模型权重参数优化梯度对所述行为意图挖掘单元进行模型权重信息调优；基于所述行为意图挖掘单元的模型权重参数优化梯度，基于梯度下降法确定所述学生意图定位单元的模型权重参数优化梯度，基于所述学生意图定位单元的模型权重参数优化梯度对所述学生意图定位单元进行模型权重信息调优；基于所述学生意图定位单元的参数，基于指数加权平均策略确定所述教师意图定位单元的参数；所述基于所述第二样本用户行为数据的学生意图定位信息和教师意图定位信息，确定目标学习代价，包括：基于所述第二样本用户行为数据的学生意图定位信息和教师意图定位信息之间的定位支持度差异，以及权重参数，确定所述目标学习代价；其中，所述权重参数依据所述第二样本用户行为数据的教师意图定位信息动态调节。
8.譬如，在第一方面的一些可能的实施方式中，所述方法还包括：从多个所述第二样本用户行为数据中，选取所述第二样本用户行为数据的教师意图定位信息不小于预设定位置信度的第二样本用户行为数据； 其中，被选取的所述第二样本用户行为数据的学生意图定位信息和教师意图定位信息，用于确定所述目标学习代价。
9.譬如，在第一方面的一些可能的实施方式中，所述依据所述学生意图定位单元和所述教师意图定位单元分别对不携带先验用户行为意图标注信息的第二样本用户行为数据进行处理，输出所述第二样本用户行为数据的学生意图定位信息和教师意图定位信息，包括：基于第一数据扩展策略和第二数据扩展策略，分别对所述第二样本用户行为数据进行处理，输出第一数据扩展后的第二样本用户行为数据和第二数据扩展后的第二样本用户行为数据；其中，所述第一数据扩展策略的数据扩展维度，大于所述第二数据扩展策略的数据扩展维度；依据所述学生意图定位单元对所述第一数据扩展后的第二样本用户行为数据进行处理，输出所述第二样本用户行为数据的学生意图定位信息；依据所述教师意图定位单元对所述第二数据扩展后的第二样本用户行为数据进行处理，输出所述第二样本用户行为数据的教师意图定位信息。
10.譬如，在第一方面的一些可能的实施方式中，所述行为意图特征包括多个不同行为意图评估维度的特征向量；所述依据所述行为意图挖掘单元对所述学生意图定位单元得到的所述第一样本用户行为数据的行为意图特征和所述第二样本用户行为数据的行为意图特征分别进行挖掘，输出所述第一样本用户行为数据的行为意图数据和所述第二样本用户行为数据的行为意图数据，包括：依据所述行为意图挖掘单元对所述学生意图定位单元得到的所述第一样本用户行为数据的多个不同行为意图评估维度的特征向量分别进行挖掘，输出所述第一样本用户
行为数据的多个行为意图数据；依据所述行为意图挖掘单元对所述学生意图定位单元得到的所述第二样本用户行为数据的多个不同行为意图评估维度的特征向量分别进行挖掘，输出所述第二样本用户行为数据的多个行为意图数据。
11.第二方面，本发明实施例还提供一种基于互联网大数据的用户行为分析系统，所述基于互联网大数据的用户行为分析系统包括云计算业务系统以及与所述云计算业务系统通信连接的多个用户终端设备；所述云计算业务系统，用于：对目标用户的互联网行为大数据进行行为意图挖掘，生成所述目标用户的用户行为意图数据，将所述用户行为意图数据实时加载到所述目标用户的用户行为意图大数据日志中，并基于所述用户行为意图大数据日志生成匹配当前待上线业务需求的目标用户行为意图数据；对所述目标用户行为意图数据进行行为意图关系提取，生成对应的行为意图关系图谱，其中，所述行为意图关系图谱用于表示多个行为意图实体以及各个行为意图实体之间的行为意图关系属性；从所述行为意图关系图谱中提取行为意图关系属性关联至少两个行为意图实体的目标行为意图实体，获得至少一个目标行为意图实体以及每个所述目标行为意图实体通过行为意图关系属性关联的关联行为意图实体；基于至少一个目标行为意图实体以及每个所述目标行为意图实体通过行为意图关系属性关联的关联行为意图实体，对所述目标用户所对应的互联网业务页面进行互联网内容推送。
12.采用以上任意一个方面的实施例方案，在获得匹配当前待上线业务需求的目标用户行为意图数据后，通过对目标用户行为意图数据进行行为意图关系提取，生成对应的行为意图关系图谱，然后从行为意图关系图谱中提取行为意图关系属性关联至少两个行为意图实体的目标行为意图实体，获得至少一个目标行为意图实体以及每个目标行为意图实体通过行为意图关系属性关联的关联行为意图实体，从而通过基于当前待上线业务需求，结合行为意图关系进行行为意图关系属性多重关联的行为意图实体提取，并据于此进行互联网内容推送，可以提高互联网内容推送与当前待上线业务需求的匹配度。
附图说明
13.图1为本发明实施例提供的基于互联网大数据的用户行为分析方法的流程示意图。
具体实施方式
14.下面介绍本发明一种实施例提供的基于互联网大数据的用户行为分析系统10的架构，该基于互联网大数据的用户行为分析系统10可以包括云计算业务系统100以及与云计算业务系统100通信连接的用户终端设备200。其中，基于互联网大数据的用户行为分析系统10中的云计算业务系统100和用户终端设备200可以通过配合执行以下方法实施例所描述的基于互联网大数据的用户行为分析方法，具体云计算业务系统100和用户终端设备
200的执行步骤部分可以参照以下方法实施例的详细描述。
15.本实施例提供的基于互联网大数据的用户行为分析方法可以由云计算业务系统100执行，下面结合图1对该基于互联网大数据的用户行为分析方法进行详细介绍。
16.process100，对目标用户的互联网行为大数据进行行为意图挖掘，生成所述目标用户的用户行为意图数据，将所述用户行为意图数据实时加载到所述目标用户的用户行为意图大数据日志中，并基于所述用户行为意图大数据日志生成匹配当前待上线业务需求的目标用户行为意图数据。
17.本实施例中，行为意图挖掘的具体实施方式可以参见后续实施例的方案，用户行为意图数据可以包括用户行为意图定位点以及用户行为意图定位标签，其中，用户行为意图定位点可以表示对应于用户行为意图的数据节点，用户行为意图定位标签可以表示对应于用户行为意图的数据类别。
18.在此基础上，可以将所述用户行为意图数据实时加载到所述目标用户的用户行为意图大数据日志中，并且针对待上线业务需求，为了提高待上线业务需求的后续上线后的用户关注热度，此时进一步基于所述用户行为意图大数据日志生成匹配当前待上线业务需求的目标用户行为意图数据。
19.process200，对所述目标用户行为意图数据进行行为意图关系提取，生成对应的行为意图关系图谱。
20.本实施例中，在确定目标用户行为意图数据后，则可以进一步分析目标用户行为意图数据中不同行为意图之间的行为意图关系，如针对某类别a的购买行为意图，和针对某类别b的短视频关注行为意图之间的行为意图关系（如某类别b的短视频关注行为意图直接触发了某类别a的购买行为意图，则为直接触发关系），从而构建对应的行为意图关系图谱，也即该行为意图关系图谱用于表示多个行为意图实体以及各个行为意图实体之间的行为意图关系属性。
21.process300，从所述行为意图关系图谱中提取行为意图关系属性关联至少两个行为意图实体的目标行为意图实体，获得至少一个目标行为意图实体以及每个所述目标行为意图实体通过行为意图关系属性关联的关联行为意图实体。
22.由于在实际场景中，相关的行为意图实体较多，为了提高对关键行为意图实体的挖掘深度，可以提取行为意图关系属性关联至少两个行为意图实体的目标行为意图实体，获得至少一个目标行为意图实体以及每个所述目标行为意图实体通过行为意图关系属性关联的关联行为意图实体。例如，某类别b的短视频关注行为意图直接触发了某类别a的购买行为意图以及某类别c的购买行为意图，那么某类别b的短视频关注行为意图可以确定为目标行为意图实体，某类别a的购买行为意图以及某类别c的购买行为意图可以确定为某类别b的短视频关注行为意图关联的关联行为意图实体。
23.process400，基于至少一个目标行为意图实体以及每个所述目标行为意图实体通过行为意图关系属性关联的关联行为意图实体，对所述目标用户所对应的互联网业务页面进行互联网内容推送。
24.例如，可以查找每个目标行为意图实体和关联行为意图实体所相关的互联网初始内容，并结合每个目标行为意图实体和关联行为意图实体之间的行为意图关系属性对各自对应的互联网初始内容进行页面节点联系，从而生成目标互联网内容对所述目标用户所对
应的互联网业务页面进行推送。
25.基于以上步骤，在获得匹配当前待上线业务需求的目标用户行为意图数据后，通过对目标用户行为意图数据进行行为意图关系提取，生成对应的行为意图关系图谱，然后从行为意图关系图谱中提取行为意图关系属性关联至少两个行为意图实体的目标行为意图实体，获得至少一个目标行为意图实体以及每个目标行为意图实体通过行为意图关系属性关联的关联行为意图实体，从而通过基于当前待上线业务需求，结合行为意图关系进行行为意图关系属性多重关联的行为意图实体提取，并据于此进行互联网内容推送，可以提高互联网内容推送与当前待上线业务需求的匹配度。
26.一些示例性的设计思路中，以上process100可以通过下述实施例实现。
27.process110：从目标用户的用户行为意图大数据日志中获取匹配当前待上线业务需求的基础用户行为意图数据，其中，基础用户行为意图数据为基础维度的特征数据。
28.process120：挖掘基础用户行为意图数据的基础行为意图变量。
29.基础用户行为意图数据的基础行为意图变量可以是通过满足模型收敛要求的基础行为意图变量挖掘模型进行挖掘的，其中，基础行为意图变量挖掘模型的输入可以是基础用户行为意图数据，也可以是将基础用户行为意图数据进行预处理后的、符合该基础行为意图变量挖掘模型的模型输入格式要求的特征数据。
30.process130：将基础行为意图变量与衍生意图数据库中的多个衍生行为意图变量进行匹配，生成各衍生行为意图变量对应的匹配状态信息。
31.process140：基于各所述衍生行为意图变量对应的匹配状态信息，从各所述衍生意图数据中获得与所述基础用户行为意图数据所对应的衍生行为意图数据，并将所述基础用户行为意图数据和所对应的衍生行为意图数据输出为匹配当前待上线业务需求的目标用户行为意图数据。
32.一些示例性的设计思路中，衍生意图数据库中包括多个衍生意图数据以及每个衍生意图数据的衍生行为意图变量，衍生意图数据为衍生维度的特征数据。
33.一些示例性的设计思路中，各衍生意图数据的衍生行为意图变量也可以是通过满足模型收敛要求的行为意图变量学习模型进行挖掘的，具体的，可以是通过衍生行为意图变量挖掘模型对各个衍生意图数据分别进行特征提取，生成各衍生意图数据的衍生行为意图变量。同样的，衍生行为意图变量挖掘模型的输入可以是衍生意图数据，也可以是对衍生意图数据进行预处理后，再将预处理后的特征数据输入衍生行为意图变量挖掘模型，生成该衍生意图数据的衍生行为意图变量。
34.一些示例性的设计思路中，上述衍生意图数据库中的衍生意图数据可以是与衍生意图数据库中的各扩展意图数据所对应的衍生特征，扩展意图数据为基础维度的特征数据，一个扩展意图数据对应多个衍生特征。
35.例如，一个衍生行为意图变量对应的匹配状态信息可以是基础行为意图变量和该衍生行为意图变量的相关度，如关联参数值，在得到基础行为意图变量和各衍生行为意图变量的匹配状态信息之后，可以将相关度最高的衍生行为意图变量对应的衍生意图数据作为衍生行为意图数据，也可以是基于相关度的降序顺序，将排序位于预设范围的相关度对应的衍生意图数据作为衍生行为意图数据，还可以是将相关度大于预设相关度的各衍生行为意图变量对应的衍生意图数据作为衍生行为意图数据。
36.基于以上步骤，通过结合所述基础用户行为意图数据和所对应的衍生行为意图数据输出为匹配当前待上线业务需求的目标用户行为意图数据，进而可以有效扩展和衍生行为意图数据。
37.一些示例性的设计思路中，针对基础维度的特征数据(如基础用户行为意图数据)，其行为意图变量可以是通过基础行为意图变量挖掘模型进行挖掘的；针对衍生维度的特征数据(如各衍生意图数据)，其行为意图变量可以是通过衍生行为意图变量挖掘模型进行挖掘的；其中，基础行为意图变量挖掘模型和衍生行为意图变量挖掘模型是依据所述范例模型学习数据序列对行为意图变量学习模型进行模型权重参数调优获得的。
38.一些示例性的设计思路中，该行为意图变量学习模型包括基础行为意图变量学习模型和衍生行为意图变量学习模型，可以依据所述范例模型学习数据序列对基础行为意图变量学习模型和衍生行为意图变量学习模型进行遍历模型参数调优，将满足模型收敛要求的基础行为意图变量学习模型作为上述基础行为意图变量挖掘模型，将满足模型收敛要求的衍生行为意图变量学习模型作为上述衍生行为意图变量挖掘模型。针对基础行为意图变量学习模型和衍生行为意图变量学习模型的模型参数层的架构不作具体限定，可以基于应用需求进行配置。
39.例如，一些示例性的设计思路中的上述包括基础行为意图变量学习模型和衍生行为意图变量学习模型的行为意图变量学习模型，可以的模型更新步骤包括：获取范例模型学习数据序列，其中，范例模型学习数据序列包括基础范例模型学习数据集，基础范例模型学习数据集中的每个基础范例模型学习数据包括基础维度的第一基础行为意图训练数据、以及与该第一基础行为意图训练数据所对应的衍生维度的第一衍生行为意图训练数据；基于上述范例模型学习数据序列对模型权重参数初始化配置的行为意图变量学习模型进行遍历模型参数调优，直至模型学习代价值收敛，将模型学习代价值收敛时的基础行为意图变量学习模型作为基础行为意图变量挖掘模型，将模型学习代价值收敛时的衍生行为意图变量学习模型作为衍生行为意图变量挖掘模型；上述训练的过程可以包括下述步骤：将各第一基础行为意图训练数据加载至基础行为意图变量学习模型中，生成各第一基础行为意图训练数据的行为意图变量，将各第一衍生行为意图训练数据加载至衍生行为意图变量学习模型中，生成各第一衍生行为意图训练数据的行为意图变量；基于各基础范例模型学习数据集中的第一基础行为意图训练数据的行为意图变量与第一衍生行为意图训练数据的行为意图变量的相关度、以及各基础负向模型学习数据中的第一基础行为意图训练数据的行为意图变量和第一衍生行为意图训练数据的行为意图变量的相关度，确定第一模型学习代价值；其中，基础负向模型学习数据包括一个基础范例模型学习数据的第一基础行为意图训练数据和另一个基础范例模型学习数据的第一衍生行为意图训练数据；若第一模型学习代价值不满足第一训练收敛要求，则对基础行为意图变量学习模型和衍生行为意图变量学习模型的模型权重信息进行调优，其中，模型学习代价值收敛包括第一模型学习代价值满足第一训练收敛要求。
40.在对上述行为意图变量学习模型进行训练时，上述基础范例模型学习数据集中的
每个基础范例模型学习数据的第一基础行为意图训练数据和第一衍生行为意图训练数据是相互匹配的两种维度的特征数据，基础范例模型学习数据也可以称为基础正向模型学习数据，上述基础负向模型学习数据是不同的基础范例模型学习数据集中的第一基础行为意图训练数据和第一衍生行为意图训练数据，也就是不匹配的两种维度的特征数据，针对任一第一基础行为意图训练数据，该数据可以多个其他第一衍生行为意图训练数据(除了与该第一基础行为意图训练数据所对应的第一衍生行为意图训练数据之外的第一衍生行为意图训练数据)分别构成负向模型学习数据。在训练过程中，模型学习代价值是基于基础正向模型学习数据的特征行为意图变量之间的相关度以及基础负向模型学习数据的特征行为意图变量之间的相关度确定的。
41.针对在训练过程所选择的模型学习代价函数（损失函数）不做限定，模型权重参数调优的目的是使得相互匹配的第一基础行为意图训练数据和第一衍生行为意图训练数据的行为意图变量之间的关联参数值尽可能大，不匹配的第一基础行为意图训练数据和第一衍生行为意图训练数据的行为意图变量之间的关联参数值尽可能的小。
42.其中，针对基础正向模型学习数据而言，可以计算通过基础行为意图变量学习模型学习到的第一基础行为意图训练数据的行为意图变量和通过衍生行为意图变量学习模型学习到的衍生行为意图变量之间的特征距离，生成对应的学习代价值，针对基础负向模型学习数据而言，一种可选方式是可以计算通过基础行为意图变量学习模型学习到的第一基础行为意图训练数据的行为意图变量和通过衍生行为意图变量学习模型学习到的衍生行为意图变量之间的相关度，生成对应的学习代价值，基于遍历模型参数调优，可以使得模型学习到的基础正向模型学习数据的特征行为意图变量之间的相关度越来越高(即差异越来越小)，基础负向模型学习数据的特征行为意图变量之间的相关度越来越低。针对不同的损失函数，计算上述相关度或特征距离的计算方式也是不同的。
43.一些示例性的设计思路中，上述基于各基础范例模型学习数据集中的第一基础行为意图训练数据的行为意图变量与第一衍生行为意图训练数据的行为意图变量的相关度、以及各基础负向模型学习数据中的第一基础行为意图训练数据的行为意图变量和第一衍生行为意图训练数据的行为意图变量的相关度，确定第一模型学习代价值，可以包括：确定各基础范例模型学习数据的第一基础行为意图训练数据的行为意图变量和第一衍生行为意图训练数据的行为意图变量之间的特征距离，生成第一模型学习代价值；针对每个第一基础行为意图训练数据，确定该第一基础行为意图训练数据对应的基础关联参数值以及该第一基础行为意图训练数据对应的衍生关联参数值，其中，基础关联参数值是该第一基础行为意图训练数据的行为意图变量和与该第一基础行为意图训练数据所对应的第一衍生行为意图训练数据的行为意图变量之间的关联参数值，衍生关联参数值是该第一基础行为意图训练数据所在的基础负向模型学习数据中第一基础行为意图训练数据的行为意图变量和第一衍生行为意图训练数据的行为意图变量之间的关联参数值；获取各第一基础行为意图训练数据对应的训练标注信息，训练标注信息包括基础关联参数值对应的关联参数值标注信息和衍生关联参数值对应的关联参数值标注信息；基于各第一基础行为意图训练数据所对应的模型输出关联参数值和训练标注信息，确定第二模型学习代价值，其中，模型输出关联参数值包括基础关联参数值和衍生关联
参数值，第二模型学习代价值表征了各第一基础行为意图训练数据所对应的模型输出关联参数值和训练标注信息之间的损失函数值；基于第一模型学习代价值和第二模型学习代价值，确定第一模型学习代价值。
44.例如，上述第一模型学习代价值可以是各基础正向模型学习数据中第一基础行为意图训练数据的行为意图变量和第一衍生行为意图训练数据的行为意图变量之间均方误差的和，也可以通过是计算各基础正向模型学习数据中第一基础行为意图训练数据的行为意图变量和第一衍生行为意图训练数据的行为意图变量之间的关联参数值，1减去关联参数值作为特征距离，将各基础正向模型学习数据对应的特征距离之和作为第一模型学习代价值。第一模型学习代价值可以让模型学习到的基础正向模型学习数据中两种维度的特征数据的行为意图变量之间尽可能接近。
45.上述第二模型学习代价值也可以称为匹配损失函数值，用于约束模型学习到的基础正向模型学习数据中两个数据的行为意图变量之间的关联参数值高于基础负向模型学习数据中两个数据的行为意图变量之间的关联参数值。在计算该部分匹配损失函数值时，上述训练标注信息是训练时的实际学习信息，也即期望模型需要学习到的结果，例如，针对每个第一基础行为意图训练数据，对应的实际学习信息中的基础关联参数值对应的关联参数值标注信息指的是该第一基础行为意图训练数据与其所对应的第一衍生行为意图训练数据之间的期望关联参数值，比如可以是1或者比较高的关联参数值，实际学习信息中的衍生关联参数值指的第一衍生行为意图训练数据与其不匹配的第一衍生行为意图训练数据之间的期望关联参数值，比如可以是0或者比较小的关联参数值，训练标注信息可以是预配好的。基于模型输出的第一基础行为意图训练数据的行为意图变量和第一衍生行为意图训练数据的行为意图变量，可以计算得到每个第一基础行为意图训练数据对应的基础关联参数值和各个衍生关联参数值，可以将这些关联参数值构成一个关联参数值序列，通过计算该关联参数值序列与训练标注信息之间的损失函数值，生成第二模型学习代价值，比如，可以将该关联参数值序列作为模型预测出的置信度分布，将训练标注信息作为真实置信度分布即标签，通过计算两者之间的交叉熵损失得到第二模型学习代价值。
46.一些示例性的设计思路中，上述将各第一基础行为意图训练数据加载至基础行为意图变量学习模型中，生成各第一基础行为意图训练数据的行为意图变量，可以包括：针对每个第一基础行为意图训练数据，通过基础行为意图变量学习模型对该第一基础行为意图训练数据执行下述步骤，生成该第一基础行为意图训练数据的行为意图变量：将该第一基础行为意图训练数据拆分成至少两个行为意图训练成员数据，生成该第一基础行为意图训练数据对应的行为意图训练成员数据系列；基于意图变量知识库，提取得到行为意图训练成员数据簇中各个行为意图训练成员数据的行为意图变量，其中，意图变量知识库包括多个意图变量知识点，每个行为意图训练成员数据的行为意图变量包括的特征值的个数等于意图变量知识库中意图变量知识点的数量，一个特征值表征了该行为意图训练成员数据中包含意图变量知识库中与该特征值的位置相对应的意图变量知识点的置信度；基于各行为意图训练成员数据的行为意图变量，生成第一基础行为意图训练数据的行为意图变量；其中，以上方法实施例还可以包括：
针对每个第一衍生行为意图训练数据，依据意图变量知识库，确定该第一衍生行为意图训练数据对应于该意图变量知识库的特征行为意图变量，该行为意图变量表征了该第一衍生行为意图训练数据对应于意图变量知识库中各个意图变量知识点的置信度；相应的，上述确定第一模型学习代价值可以包括：依据各基础范例模型学习数据集中的第一基础行为意图训练数据的各个行为意图训练成员数据的行为意图变量与第一衍生行为意图训练数据对应于意图变量知识库的特征行为意图变量之间的相关度、各基础范例模型学习数据集中的第一基础行为意图训练数据的行为意图变量与第一衍生行为意图训练数据的行为意图变量的相关度、以及各基础负向模型学习数据中的第一基础行为意图训练数据的行为意图变量和第一衍生行为意图训练数据的行为意图变量的相关度，确定第一模型学习代价值。
47.也即，第一模型学习代价值还增加了各基础范例模型学习数据集中的第一基础行为意图训练数据的各个行为意图训练成员数据的行为意图变量与第一衍生行为意图训练数据对应于上述意图变量知识库的特征行为意图变量之间的相关度(可以称为第三模型学习代价值)对应的损失(可以称为第三模型学习代价值)，依据该损失，可以使得依据基础行为意图变量学习模型学习到的第一基础行为意图训练数据中各个行为意图训练成员数据的行为意图变量，能够预测得到与该第一基础行为意图训练数据所对应的第一衍生行为意图训练数据的置信度最大化，换言之，第三模型学习代价值是为了能够约束基础行为意图变量学习模型，让该模型学习到的第一基础行为意图训练数据中各个行为意图训练成员数据的行为意图变量能够预测得到第一衍生行为意图训练数据。
48.一些示例性的设计思路中，上述意图变量知识库中的意图变量知识点是能够用于表示第一基础行为意图训练数据的各行为意图训练成员数据和第一衍生行为意图训练数据的行为意图变量数据单元，针对意图变量知识点的形式可以依据需求配置。针对第一衍生行为意图训练数据而言，其对应于意图变量知识库的特征行为意图变量是表征该行为意图变量表征了该第一衍生行为意图训练数据对应于意图变量知识库中各个意图变量知识点的置信度。在计算每个基础正向模型学习数据对应的第三模型学习代价值时，可以依据第一基础行为意图训练数据的各个行为意图训练成员数据的行为意图变量序列(也就是各个特征值组成的特征向量)，确定可以依据这些行为意图训练成员数据的行为意图变量序列得到第一衍生行为意图训练数据对应于意图变量知识库的特征行为意图变量的置信度，依据第三模型学习代价值的约束，使得该置信度达到最大化，可以让基础行为意图变量学习模型学习到的第一基础行为意图训练数据的各行为意图训练成员数据的行为意图变量中能够包含第一衍生行为意图训练数据的语义信息。
49.一些示例性的设计思路中，上述衍生意图数据可以为预设衍生维度的扩展意图数据对应的衍生维度的衍生特征；上述模型权重参数初始化配置的行为意图变量学习模型还包括标签决策模型；此时，范例模型学习数据序列还包括衍生范例模型学习数据集，衍生范例模型学习数据集中的每个衍生范例模型学习数据包括基础维度的第二基础行为意图训练数据、与该第二基础行为意图训练数据所对应的衍生维度的第二衍生行为意图训练数据、以及该第二基础行为意图训练数据的标定衍生标签，其中，衍生范例模型学习数据序列中的第二基础行为意图训练数据包括预设衍生维度的第二基础行为意图训练数据和非预设衍生维度的第二基础行为意图训练数据；在得到第一模型学习代价值满足第一训练收敛
要求的行为意图变量学习模型之后，还可以包括：依据衍生范例模型学习数据继续对行为意图变量学习模型进行遍历模型权重调优，直至第二模型学习代价值满足第二训练收敛要求，其中，模型学习代价值收敛还包括所述第二模型学习代价值满足第二训练收敛要求；以上实施例还可以包括：将各第二基础行为意图训练数据加载至基础行为意图变量学习模型中，生成各第二基础行为意图训练数据的行为意图变量，将各第二衍生行为意图训练数据加载至衍生行为意图变量学习模型中，生成各第二衍生行为意图训练数据的行为意图变量，将各第二基础行为意图训练数据的行为意图变量的加载到标签决策模型中，生成各第二基础行为意图训练数据对应的决策衍生标签；依据各衍生范例模型学习数据中的第二基础行为意图训练数据的行为意图变量与第二衍生行为意图训练数据的行为意图变量的相关度、各衍生负向模型学习数据中的第二基础行为意图训练数据的行为意图变量和第二衍生行为意图训练数据的行为意图变量的相关度、以及各第二基础行为意图训练数据的标定衍生标签和决策衍生标签之间的相关度，确定第二模型学习代价值；若第二模型学习代价值不满足第二训练收敛要求，则对行为意图变量学习模型的模型权重信息进行调优。
50.上述行为意图变量学习模型中除了包括基础行为意图变量学习模型和衍生行为意图变量学习模型之外，还可以包括标签决策模型，该标签决策模型与基础行为意图变量学习模型级联，用于依据基础行为意图变量学习模型输出的特征判别加载到基础行为意图变量学习模型的特征数据的类型。一些实施方式中，前述实施例中依据基础范例模型学习数据对行为意图变量学习模型进行模型参数调优的过程为初步调优流程，可以输出满足最基本应用条件的基础行为意图变量学习模型和衍生行为意图变量学习模型。
51.进一步地，可以依据各衍生范例模型学习数据中的第二基础行为意图训练数据的行为意图变量与第二衍生行为意图训练数据的行为意图变量的相关度、以及各衍生负向模型学习数据中的第二基础行为意图训练数据的行为意图变量和第二衍生行为意图训练数据的行为意图变量的相关度计算一部分学习代价值(匹配损失)，可以依据各第二基础行为意图训练数据的标定衍生标签和决策衍生标签计算一部分学习代价值(分类损失)，依据这两部的学习代价值来约束模型的进一步训练。其中，依据各衍生范例模型学习数据中的第二基础行为意图训练数据的行为意图变量与第二衍生行为意图训练数据的行为意图变量的相关度、以及各衍生负向模型学习数据中的第二基础行为意图训练数据的行为意图变量和第二衍生行为意图训练数据的行为意图变量的相关度计算代价值的方式，可以采用前文中计算匹配损失(即第二模型学习代价值)的方式，当然，也可以是前文中计算第一模型学习代价值和第二模型学习代价值的方案。
52.针对分类损失，该部分的模型学习代价值表征的是通过标签决策模型预测得到的第二基础行为意图训练数据的类型和第二基础行为意图训练数据的实际先验标签即标定衍生标签的相似性，例如，第二基础行为意图训练数据的标定衍生标签可以是1或0，比如，1表示第二基础行为意图训练数据是预设衍生维度的特征数据，0表示第二基础行为意图训练数据不是预设衍生维度的特征数据，标签决策模型的输出可以包括第二基础行为意图训练数据是预设衍生维度的基础置信度和第二基础行为意图训练数据不是预设衍生维度的
衍生置信度，可以依据各第二基础行为意图训练数据的标定衍生标签标签决策模型输出的两个置信度，计算标签决策模型对应的训练模型学习代价值，例如，该模型学习代价值可以采用二分类交叉熵误差计算得到，误差值越小代表预测出的类型和实际先验标签越接近。
53.在得到模型学习代价值收敛的行为意图变量学习模型之后，在应用时，可以通过满足模型收敛要求的标签决策模型来识别基础用户行为意图数据的行为意图变量数据类型，例如，可以将基础用户行为意图数据加载到满足模型收敛要求的基础行为意图变量学习模型(即基础行为意图变量挖掘模型)中，生成基础用户行为意图数据的基础行为意图变量，将该基础行为意图变量加载至训好的上述标签决策模型中，生成基础用户行为意图数据属于预设衍生维度数据的基础置信度和不属于预设衍生维度数据的衍生置信度，依据基础置信度和衍生置信度可以确定基础用户行为意图数据是不是预设衍生维度的特征数据。
54.一些示例性的设计思路，针对process100，对目标用户的互联网行为大数据进行行为意图挖掘，生成所述目标用户的用户行为意图数据的过程中，例如可以将所述目标用户的互联网行为大数据输入到满足模型部署要求的用户行为意图挖掘模型中，生成所述目标用户的用户行为意图数据。
55.其中，所述用户行为意图挖掘模型包括学生意图定位单元、教师意图定位单元和行为意图挖掘单元；所述用户行为意图挖掘模型的训练步骤可以通过下述实施例实现。
56.process101，依据学生意图定位单元对携带先验用户行为意图标注信息的第一样本用户行为数据进行处理，输出第一样本用户行为数据的学生意图定位信息，该第一样本用户行为数据的学生意图定位信息表征第一样本用户行为数据中样本用户的学生意图定位点和学生意图定位标签。
57.process102，依据学生意图定位单元和教师意图定位单元分别对不携带先验用户行为意图标注信息的第二样本用户行为数据进行处理，输出第二样本用户行为数据的学生意图定位信息和教师意图定位信息；其中，第二样本用户行为数据的学生意图定位信息表征第二样本用户行为数据中样本用户的学生意图定位点和学生意图定位标签，第二样本用户行为数据的教师意图定位信息表征第二样本用户行为数据中样本用户的教师意图定位点和教师意图定位标签。
58.例如，在对第二样本用户行为数据进行处理之前，还可以对第二样本用户行为数据进行数据扩展，例如可以基于第一数据扩展策略和第二数据扩展策略，分别对第二样本用户行为数据进行处理，输出第一数据扩展后的第二样本用户行为数据和第二数据扩展后的第二样本用户行为数据；其中，第一数据扩展策略的数据扩展维度，大于第二数据扩展策略的数据扩展维度；依据学生意图定位单元对第一数据扩展后的第二样本用户行为数据进行处理，输出第二样本用户行为数据的学生意图定位信息；依据教师意图定位单元对第二数据扩展后的第二样本用户行为数据进行处理，输出第二样本用户行为数据的教师意图定位信息。
59.一些实施方式中，第一数据扩展策略即为强数据扩展，第二数据扩展策略即为弱数据扩展策略。依据教师意图定位单元对弱数据扩展后的样本用户行为数据进行处理，可以有效提高教师意图定位单元的分析精度，依据学生意图定位单元对强数据扩展后的样本用户行为数据进行处理，可以有效提高学生意图定位单元的鲁棒性，进而有利于提高教师意图定位单元的鲁棒性。
60.process103，依据行为意图挖掘单元对学生意图定位单元得到的第一样本用户行为数据的行为意图特征和第二样本用户行为数据的行为意图特征分别进行挖掘，输出第一样本用户行为数据的行为意图数据和第二样本用户行为数据的行为意图数据。
61.行为意图挖掘单元可用于进行行为意图挖掘。例如，行为意图挖掘单元可以包括梯度反向层和行为意图挖掘器，行为意图挖掘器用于基于学生意图定位单元得到的第一样本用户行为数据的行为意图特征和第二样本用户行为数据的行为意图特征，对第一样本用户行为数据和第二样本用户行为数据的行为意图进行判断，输出第一样本用户行为数据的行为意图数据和第二样本用户行为数据的行为意图数据。梯度反向层用于在对行为意图挖掘单元和意图定位单元（学生意图定位单元+教师意图定位单元）进行联合训练时，将行为意图挖掘单元的梯度优化方向反向传播给意图定位单元。其中，行为意图数据表征样本用户行为数据所属的行为意图。
62.以上行为意图特征包括多个不同行为意图评估维度的特征向量。例如，行为意图数据的获取过程还可以如下：依据行为意图挖掘单元对学生意图定位单元得到的第一样本用户行为数据的多个不同行为意图评估维度的特征向量分别进行挖掘，输出第一样本用户行为数据的多个行为意图数据；依据行为意图挖掘单元对学生意图定位单元得到的第二样本用户行为数据的多个不同行为意图评估维度的特征向量分别进行挖掘，输出第二样本用户行为数据的多个行为意图数据。
63.process104，根据第一样本用户行为数据的学生意图定位信息、第二样本用户行为数据的学生意图定位信息和教师意图定位信息，以及行为意图数据，对用户行为意图挖掘模型进行模型参数调优。
64.process104还可以包括如下几个子步骤。
65.process104a，根据第一样本用户行为数据的学生意图定位信息和第一样本用户行为数据的先验用户行为意图标注信息，确定第一意图学习代价信息和第二意图学习代价信息；其中，第一意图学习代价信息用于以第一样本用户行为数据的意图定位点标注信息为基准，评估学生意图定位单元在第一样本用户行为数据上的意图定位标签挖掘精度，第二意图学习代价信息用于以第一样本用户行为数据的意图标签标注信息为基准，评估学生意图定位单元在第一样本用户行为数据上的意图定位点挖掘精度。
66.第一样本用户行为数据的先验用户行为意图标注信息表征样本用户的实际意图定位点（对应意图定位点标注信息）和实际意图定位标签（对应意图标签标注信息）。基于第一样本用户行为数据的学生意图定位点和实际意图定位点之间的区别，即可确定第一意图学习代价信息，以及基于第一样本用户行为数据的学生意图定位标签和实际意图定位标签之间的区别，即可确定第二意图学习代价信息。
67.process104b，根据第二样本用户行为数据的学生意图定位信息和教师意图定位信息，确定目标学习代价；其中，目标学习代价用于以第二样本用户行为数据的教师意图定位信息作为比较训练依据信息，评估学生意图定位单元在第二样本用户行为数据上的意图定位标签和意图定位点挖掘精度。
68.例如，可以从多个第二样本用户行为数据中，选取第二样本用户行为数据的教师意图定位信息不小于预设定位置信度的第二样本用户行为数据；其中，被选取的第二样本用户行为数据的学生意图定位信息和教师意图定位信息，用于确定目标学习代价。
69.例如，教师意图定位标签可表征样本用户的意图定位标签，在教师意图定位标签对应的定位置信度不小于预设定位置信度的情况下，可以判断该样本用户大概率属于该预设定位置信度对应的意图定位标签。因此，可以将教师意图定位标签对应的定位置信度不小于预设定位置信度的第二样本用户行为数据保留下来，将教师意图定位标签对应的定位置信度小于预设定位置信度的第二样本用户行为数据进行剔除，输出被选取的第二样本用户行为数据，并基于选取的第二样本用户行为数据的学生意图定位信息和教师意图定位信息，来确定目标学习代价。
70.例如，上述预设定位置信度可以进行灵活设置，诸如95%、96%、97%等。如此，依据高预设定位置信度，基于教师意图定位标签对应的定位置信度，对第二样本用户行为数据进行筛选，可以筛选掉不太准确的意图定位信息，进而提高模型决策可靠性。
71.基于第二样本用户行为数据的学生意图定位信息和教师意图定位信息，计算得到目标学习代价。例如，可以根据第二样本用户行为数据的学生意图定位信息和教师意图定位信息之间的定位支持度差异，以及权重参数，确定目标学习代价；其中，权重参数依据第二样本用户行为数据的教师意图定位信息动态调节。
72.process104c，根据行为意图数据和行为意图标注信息，确定行为意图挖掘代价；其中，行为意图挖掘代价用于评估行为意图挖掘单元的行为意图挖掘精度。
73.例如，可以基于交叉熵损失函数，基于行为意图数据和行为意图标注信息，计算得到行为意图挖掘代价。
74.process104d，根据第一意图学习代价信息、第二意图学习代价信息、目标学习代价和行为意图挖掘代价，对用户行为意图挖掘模型进行模型参数调优。
75.在利用携带先验用户行为意图标注信息的第一样本用户行为数据训练学生意图定位单元的同时，利用携带先验用户行为意图标注信息的第一样本用户行为数据和不携带先验用户行为意图标注信息的第二样本用户行为数据，对行为意图挖掘单元和学生意图定位单元进行联合优化训练。例如，基于第一意图学习代价信息、第二意图学习代价信息和行为意图挖掘代价，确定基础训练流程对应的全局学习代价信息。
76.此时，可以基于携带先验用户行为意图标注信息的第一样本用户行为数据进行有监督学习，同时基于第一样本用户行为数据和第二样本用户行为数据进行进一步训练。例如，在基础训练流程中，可以先根据基础训练流程对应的全局学习代价信息确定行为意图挖掘单元的模型权重参数优化梯度，并基于行为意图挖掘单元的模型权重参数优化梯度对行为意图挖掘单元进行模型权重信息调优。再根据行为意图挖掘单元的模型权重参数优化梯度，基于梯度反向层确定学生意图定位单元的模型权重参数优化梯度，以及基于学生意图定位单元的模型权重参数优化梯度对学生意图定位单元进行模型权重信息调优。在经过遍历模型权重信息调优之后，在利用携带先验用户行为意图标注信息的第一样本用户行为数据训练学生意图定位单元的同时，利用携带先验用户行为意图标注信息的第一样本用户行为数据和不携带先验用户行为意图标注信息的第二样本用户行为数据，对行为意图挖掘单元和学生意图定位单元联合优化训练，以及利用约束一致性，基于不携带先验用户行为意图标注信息的第二样本用户行为数据，对学生意图定位单元和教师意图定位单元进行模型参数调优。例如，可以根据第一意图学习代价信息、第二意图学习代价信息、目标学习代价和行为意图挖掘代价，确定用户行为意图挖掘模型的全局学习代价信息。
77.此时，可以基于携带先验用户行为意图标注信息的第一样本用户行为数据进行有监督学习，基于携带先验用户行为意图标注信息的第一样本用户行为数据和不携带先验用户行为意图标注信息的第二样本用户行为数据进行半监督学习，以及基于第一样本用户行为数据和第二样本用户行为数据进行进一步训练。在经过遍历模型权重信息调优之后，完成用户行为意图挖掘模型的进阶训练流程训练即得到满足模型部署要求的用户行为意图挖掘模型。
78.例如，在进阶训练流程训练的训练过程中，可以先根据全局学习代价信息确定行为意图挖掘单元的模型权重参数优化梯度，基于行为意图挖掘单元的模型权重参数优化梯度对行为意图挖掘单元进行模型权重信息调优。
79.再根据行为意图挖掘单元的模型权重参数优化梯度，基于梯度反向层grl确定学生意图定位单元的模型权重参数优化梯度，以及基于学生意图定位单元的模型权重参数优化梯度对学生意图定位单元进行模型权重信息调优；最后根据学生意图定位单元的参数，基于指数加权平均策略确定教师意图定位单元的参数。
80.基于以上步骤，本技术实施例依据基于携带先验用户行为意图标注信息的第一样本用户行为数据和不携带先验用户行为意图标注信息的第二样本用户行为数据，即可完成对用户行为意图挖掘模型的训练，使得在携带先验用户行为意图标注信息的第一样本用户行为数据的数量有限的情况下，亦可依据大量的不携带先验用户行为意图标注信息的第二样本用户行为数据，获取高可靠性的用户行为意图挖掘模型，相比于相关技术仅仅依靠少量的携带先验用户行为意图标注信息的第一样本用户行为数据，本技术实施例可以有效提高用户行为意图挖掘模型的用户行为意图挖掘性能。同时，本技术只需少量的携带先验用户行为意图标注信息的第一样本用户行为数据，从而可以有效降低用户行为意图挖掘模型的模型调优成本，以及使得携带先验用户行为意图标注信息的第一样本用户行为数据可以被更加高效地利用。
81.另外，本技术依据基于携带先验用户行为意图标注信息的第一样本用户行为数据和不携带先验用户行为意图标注信息的第二样本用户行为数据，对用户行为意图挖掘模型进行模型参数调优，使得训练好的用户行为意图挖掘模型既可以处理第一样本用户行为数据，又可以处理第二样本用户行为数据，进而提高了用户行为意图挖掘模型的泛化性。
82.进一步地，基于第一意图学习代价信息、第二意图学习代价信息和行为意图挖掘代价，对用户行为意图挖掘模型进行基础训练流程训练，输出完成基础训练流程训练的用户行为意图挖掘模型。在基础训练流程的训练过程中，可以先根据基础训练流程对应的全局学习代价信息（即第一意图学习代价信息、第二意图学习代价信息和行为意图挖掘代价的和值）确定行为意图挖掘单元的模型权重参数优化梯度，并基于行为意图挖掘单元的模型权重参数优化梯度对行为意图挖掘单元进行模型权重信息调优。再根据行为意图挖掘单元的模型权重参数优化梯度，基于grl确定学生意图定位单元的模型权重参数优化梯度，以及基于学生意图定位单元的模型权重参数优化梯度对学生意图定位单元进行模型权重信息调优。
83.基于第一意图学习代价信息、第二意图学习代价信息、目标学习代价和行为意图挖掘代价，对完成基础训练流程训练的用户行为意图挖掘模型进行进阶训练流程训练，输出满足模型部署要求的用户行为意图挖掘模型。在进阶训练流程训练的训练过程中，可以
先根据全局学习代价信息（即第一意图学习代价信息、第二意图学习代价信息、目标学习代价和行为意图挖掘代价的和值）确定行为意图挖掘单元的模型权重参数优化梯度，基于行为意图挖掘单元的模型权重参数优化梯度对行为意图挖掘单元进行模型权重信息调优。再根据行为意图挖掘单元的模型权重参数优化梯度，基于梯度反向层grl确定学生意图定位单元的模型权重参数优化梯度，以及基于学生意图定位单元的模型权重参数优化梯度对学生意图定位单元进行模型权重信息调优；最后根据学生意图定位单元的参数，基于指数加权平均策略确定教师意图定位单元的参数。
84.一些实施例中，云计算业务系统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。
85.处理器110可以基于存储在机器可读存储介质120中的程序而执行各种适当的动作和处理，例如前述实施例所描述的基于互联网大数据的用户行为分析方法所相关的程序指令。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进行信号传输。
86.特别地，基于本发明的实施例，上文示例性流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信单元140从网络上被下载和安装，在该计算机程序被处理器110执行时，执行本发明实施例的方法中限定的上述功能。
87.本发明又一实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上述任一实施例所述的基于互联网大数据的用户行为分析方法。
88.本发明又一实施例还提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上述任一实施例所述的基于互联网大数据的用户行为分析方法。
89.应该理解的是，虽然本技术实施例的流程图中通过箭头指示各个操作步骤，但是这些步骤的实施顺序并不受限于箭头所指示的顺序。除非本文中有明确的说明，否则在本技术实施例的一些实施场景中，各流程图中的实施步骤可以按照需求以其他的顺序执行。此外，各流程图中的部分或全部步骤基于实际的实施场景，可以包括多个子步骤或者多个阶段。这些子步骤或者阶段中的部分或全部可以在同一时刻被执行，这些子步骤或者阶段中的每个子步骤或者阶段也可以分别在不同的时刻被执行。在执行时刻不同的场景下，这些子步骤或者阶段的执行顺序可以根据需求灵活配置，本技术实施例对此不限制。
90.以上所述仅是本技术部分实施场景的可选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术的方案技术构思的前提下，采用基于本技术技术思想的其他类似实施手段，同样属于本技术实施例的保护范畴。