基于云计算和大数据需求的信息更新方法及大数据服务器与流程

本公开涉及大数据技术领域，示例性地，涉及一种基于云计算和大数据需求的信息更新方法及大数据服务器。

背景技术：

随着大数据应用越来越广泛，应用的行业也越来越低，大数据的各种更新循环应用软件服务可以帮助用户从中获取到真正有用的价值。大数据是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

在大数据技术等因素的推动下，业务将实现一些方向性调整，如趋势预测性业务需求信息的增加，数据呈现、分析与解读能力的提高，进而提高信息服务的循环更新效率。在相关技术中，对用户需求信息进行进行信息更新控制的过程中，没有区分动态知识分布和静态知识分布，导致在非重要需求业务对象上浪费较多的更新时长和云计算资源，影响信息更新性能。

技术实现要素：

为了至少克服现有技术中的上述不足，本公开的目的在于提供一种基于云计算和大数据需求的信息更新方法及大数据服务器，在获取用户需求信息中各需求业务对象的需求联动指标之后，对用户需求信息进行区分，从而可以支持大数据量级的知识分布的信息更新。也就是，根据各需求业务对象的需求联动指标将完整的用户需求信息分为动态知识分布和静态知识分布，分成两部分进行信息更新，极大降低了性能占用，并且可以直接切入动态知识分布，避免在非重要需求业务对象上浪费较多的更新时长和云计算资源，提升了信息更新性能。

第一方面，本公开提供一种基于云计算和大数据需求的信息更新方法，应用于大数据服务器，所述大数据服务器与多个业务服务终端通信连接，所述方法包括：

获取预先基于所述业务服务终端所关联的目标订阅业务项目的兴趣分类预测的所述业务服务终端的用户需求信息，并获取所述用户需求信息中各需求业务对象的需求联动指标；

根据所述用户需求信息中各需求业务对象的需求联动指标将所述用户需求信息分为动态知识分布和静态知识分布；

基于所述动态知识分布和所述静态知识分布分别对动态业务对象和静态业务对象进行推送信息更新。

在第一方面的一种可能的设计思路中，所述根据所述用户需求信息中各需求业务对象的需求联动指标将所述用户需求信息分为动态知识分布和静态知识分布，以及基于所述动态知识分布和所述静态知识分布分别对动态业务对象和静态业务对象进行推送信息更新的步骤，包括：

根据所述各需求业务对象的需求联动指标从所述用户需求信息中解析出动态知识分布，基于所述动态知识分布，确定所述用户需求信息中的动态业务对象及动态业务对象的业务更新描述值；

根据所述用户需求信息中除所述动态业务对象之外的需求业务对象及所述需求业务对象之间的需求业务关系，获得所述用户需求信息中的静态知识分布；

基于所述静态知识分布和所述动态业务对象，确定所述静态知识分布中各静态业务对象的业务更新描述值；其中，确定的所述业务更新描述值用于生成与相应业务对象对应的特征向量；

基于所述动态业务对象的业务更新描述值和所述静态业务对象的业务更新描述值对所述动态业务对象和所述静态业务对象进行推送信息更新。

如此，由于静态知识分布中的各需求业务对象不会对动态知识分布中的需求业务对象产生影响，因此针对动态知识分布，直接确定其中的动态业务对象及动态业务对象对应的业务更新描述值，接着将用户需求信息中除该动态业务对象及动态业务对象之间的需求业务关系外剩余的部分构成静态知识分布，考虑到动态知识分布中的动态业务对象会对其中的静态业务对象产生影响，因此针对该静态知识分布，需要根据静态知识分布本身及动态知识分布中的动态业务对象来确定该静态知识分布中各静态业务对象的业务更新描述值。挖掘出用户需求信息中各需求业务对象的业务更新描述值之后，业务更新描述值可作为相应业务对象的特征生成相应的特征向量进行信息更新。

譬如，在第一方面的一种可能的设计思路中，所述获取用户需求信息中各需求业务对象的需求联动指标，包括：确定所述用户需求信息中各需求业务对象的联动需求业务对象的数量；将联动需求业务对象的数量作为相应业务对象的需求联动指标。

譬如，在第一方面的一种可能的设计思路中，所述方法还包括：获取与需求信息服务对应的服务配置事件；

根据所述服务配置事件获得所述需求信息服务之间的需求联动数据；根据所述需求联动数据生成服务关系用户需求信息；其中，所述服务关系用户需求信息的需求业务对象表示需求信息服务，所述服务关系用户需求信息中两个需求业务对象之间的需求业务关系表示相应的两个需求信息服务之间存在需求联动事件。

譬如，在第一方面的一种可能的设计思路中，所述根据所述用户需求信息中除所述动态业务对象之外的需求业务对象及所述需求业务对象之间的需求业务关系，获得所述用户需求信息中的静态知识分布，包括：

从所述用户需求信息中移除所述动态业务对象；

根据移除所述动态业务对象后剩余需求业务对象及所述剩余需求业务对象之间的需求业务关系，获得静态知识分布。

譬如，在第一方面的一种可能的设计思路中，所述用户需求信息为服务关系用户需求信息，所述服务关系用户需求信息中的需求业务对象表示需求信息服务，所述服务关系用户需求信息中两个需求业务对象之间的需求业务关系表示相应的两个需求信息服务之间存在需求联动事件，所述方法还包括：

根据所述服务关系用户需求信息中各需求业务对象的业务更新描述值，生成所述需求业务对象表示的需求信息服务所对应的特征向量；

通过预先训练的分类模型，基于所述特征向量预测所述需求信息服务对应的更新类型。

在第一方面的一种可能的设计思路中，所述获取预先基于所述业务服务终端所关联的目标订阅业务项目的兴趣分类预测的所述业务服务终端的用户需求信息的步骤，包括：

检测所述业务服务终端所关联的目标订阅业务项目的多个业务服务索引数据中包含的变动偏好实体节点和非变动偏好实体节点，所述多个业务服务索引数据是通过不同业务大数据采集维度对所述目标订阅业务项目进行索引数据采集得到的；

提取所述非变动偏好实体需求业务对象所在数据分区的索引数据标签属性，得到非变动偏好特征，提取所述变动偏好实体需求业务对象所在数据分区的索引数据标签属性及所述变动偏好实体节点在多个业务服务索引数据之间的变化标签属性，得到变动偏好特征；

基于所述非变动偏好特征识别各个非变动偏好实体节点对应的兴趣分类信息，基于所述变动偏好特征识别各个变动偏好实体节点对应的兴趣分类信息；

根据所述各个非变动偏好实体节点对应的兴趣分类信息和所述各个变动偏好实体节点对应的兴趣分类信息确定所述目标订阅业务项目的兴趣分类，并基于所述目标订阅业务项目的兴趣分类预测所述业务服务终端的用户需求信息。

第二方面，本公开实施例还提供一种基于云计算和大数据需求的信息更新装置，应用于大数据服务器，所述大数据服务器与多个业务服务终端通信连接，所述大数据服务器基于云计算平台实现，所述装置包括：

获取模块，用于获取预先基于所述业务服务终端所关联的目标订阅业务项目的兴趣分类预测的所述业务服务终端的用户需求信息，并获取所述用户需求信息中各需求业务对象的需求联动指标；

区分模块，用于根据所述用户需求信息中各需求业务对象的需求联动指标将所述用户需求信息分为动态知识分布和静态知识分布；

更新模块，用于基于所述动态知识分布和所述静态知识分布分别对动态业务对象和静态业务对象进行推送信息更新。

第三方面，本公开实施例还提供一种基于云计算和大数据需求的信息更新系统，所述基于云计算和大数据需求的信息更新系统包括大数据服务器以及与所述大数据服务器通信连接的多个业务服务终端；

所述大数据服务器，用于：

获取预先基于所述业务服务终端所关联的目标订阅业务项目的兴趣分类预测的所述业务服务终端的用户需求信息，并获取所述用户需求信息中各需求业务对象的需求联动指标；

根据所述用户需求信息中各需求业务对象的需求联动指标将所述用户需求信息分为动态知识分布和静态知识分布；

基于所述动态知识分布和所述静态知识分布分别对动态业务对象和静态业务对象进行推送信息更新。

第四方面，本公开实施例还提供一种大数据服务器，所述大数据服务器包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连，所述网络接口用于与至少一个业务服务终端通信连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以执行第一方面或者第一方面中任意一个可能的设计示例中的基于云计算和大数据需求的信息更新方法。

第五方面，本公开实施例提供一种计算机可读存储介质，计算机可读存储介质中预设有指令，当其被执行时，使得计算机执行上述第一方面或者第一方面中任意一个可能的设计示例中的基于云计算和大数据需求的信息更新方法。

基于上述任意一个方面，本公开在获取用户需求信息中各需求业务对象的需求联动指标之后，对用户需求信息进行区分，从而可以支持大数据量级的知识分布的信息更新。也就是，根据各需求业务对象的需求联动指标将完整的用户需求信息分为动态知识分布和静态知识分布，分成两部分进行信息更新，极大降低了性能占用，并且可以直接切入动态知识分布，避免在非重要需求业务对象上浪费较多的更新时长和云计算资源，提升了信息更新性能。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要调用的附图作简单地介绍，应当理解，以下附图仅示出了本公开的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它相关的附图。

图1为本公开实施例提供的基于云计算和大数据需求的信息更新系统的应用场景示意图；

图2为本公开实施例提供的基于云计算和大数据需求的信息更新方法的流程示意图；

图3为本公开实施例提供的基于云计算和大数据需求的信息更新装置的功能模块示意图；

图4为本公开实施例提供的用于实现上述的基于云计算和大数据需求的信息更新方法的大数据服务器的结构组件示意框图。

具体实施方式

下面结合说明书附图对本公开进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。

图1是本公开一种实施例提供的基于云计算和大数据需求的信息更新系统10的交互示意图。基于云计算和大数据需求的信息更新系统10可以包括大数据服务器100以及与大数据服务器100通信连接的业务服务终端200。图1所示的基于云计算和大数据需求的信息更新系统10仅为一种可行的示例，在其它可行的实施例中，该基于云计算和大数据需求的信息更新系统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。

在一种可能的设计思路中，基于云计算和大数据需求的信息更新系统10中的大数据服务器100和业务服务终端200可以通过配合执行以下方法实施例所描述的基于云计算和大数据需求的信息更新方法，具体大数据服务器100和业务服务终端200的执行步骤部分可以参照以下方法实施例的详细描述。

为了解决前述背景技术中的技术问题，图2为本公开实施例提供的基于云计算和大数据需求的信息更新方法的流程示意图，本实施例提供的基于云计算和大数据需求的信息更新方法可以由图1中所示的大数据服务器100执行，下面对该基于云计算和大数据需求的信息更新方法进行详细介绍。

步骤s110，获取用户需求信息中各需求业务对象的需求联动指标。

其中，用户需求信息是一种对用户需求之间的联系进行关联以便于后续进行信息推送的数据结构，例如可以包括一系列需求业务对象和用于连接需求业务对象的需求业务关系，需求业务对象又可以称为业务节点。两个需求业务对象之间存在需求业务关系，表示该两个需求业务对象之间存在关联。两个需求业务对象之间的需求业务关系可以有权重。需求业务对象的需求联动指标是指与该需求业务对象相连接的需求业务关系的数量，也是与该需求业务对象相邻的联动需求业务对象的数量，联动需求业务对象是指与该需求业务对象有需求业务关系的需求业务对象。

用户需求信息是基于业务服务终端所关联的目标订阅业务项目的兴趣分类预测的业务服务终端的用户需求信息。用户需求信息例如可以是服务关系用户需求信息、即时互动关系用户需求信息和在线购物关系用户需求信息，等等。

例如，可以基于该目标订阅业务项目中大量的服务数据生成用户需求信息，并获取用户需求信息中各需求业务对象的需求联动指标，从而根据该用户需求信息和其中各需求业务对象的需求联动指标实现对该用户需求信息的信息更新。在一种可能的设计思路中，本实施例主要是对该用户需求信息中各需求业务对象的业务更新描述值进行信息更新，得到各需求业务对象的业务更新描述值后，不仅可以从用户需求信息中寻找出符合指定业务更新描述值的需求业务对象的集合，还可以根据各需求业务对象的业务更新描述值生成相应的特征向量，作为推送信息更新的输入。

在一种可能的设计思路中，用户需求信息可以是服务关系用户需求信息，服务关系用户需求信息的生成步骤包括：获取与需求信息服务对应的服务配置事件；根据服务配置事件获得各需求信息服务之间的需求联动数据；根据需求联动数据生成服务关系用户需求信息。其中，服务关系用户需求信息的需求业务对象表示需求信息服务，服务关系用户需求信息中两个需求业务对象之间的需求业务关系表示相应的两个需求信息服务之间存在需求联动事件。

其中，需求联动事件是需求调用、需求跳转、需求合并等服务事件中的至少一种。本实施例中，一个信息推送需求是一个需求业务对象，若两个信息推送需求之间存在需求联动事件，则该两个信息推送需求之间会形成一条需求业务关系。例如，信息推送需求a向信息推送需求b需求跳转，则信息推送需求a与信息推送需求b之间形成一条需求业务关系。可以理解，当信息推送需求群体数量众多时，则这些信息推送需求之间形成的需求业务关系的数量是超大规模的，从而，生成的网络关系图是超大规模的。

在一种可能的设计思路中，用户需求信息可以是社交关系用户需求信息，社交关系用户需求信息的生成步骤可以包括：获取需求信息服务的历史业务关联数据；根据历史业务关联数据生成社交关系用户需求信息；其中，社交关系用户需求信息的需求业务对象表示需求信息服务，社交关系用户需求信息中两个需求业务对象之间的需求业务关系表示相应的两个需求信息服务之间存在历史业务关联。

本实施例中，一个信息推送需求是一个需求业务对象。若两个信息推送需求之间存在历史业务关联，则该两个信息推送需求之间会形成一条需求业务关系。在另一个实施例中，若两个信息推送需求之间相互进行了部分需求关联，这该两个信息推送需求之间形成一条需求业务关系。同样地，当信息推送需求数量较大时，所形成的社交关系信息推送需求需求信息也是非常复杂的。

在一种可能的设计思路中，获取用户需求信息中各需求业务对象的需求联动指标，包括：获取用户需求信息；确定用户需求信息中各需求业务对象的联动需求业务对象的数量；将联动需求业务对象的数量作为相应业务对象的需求联动指标。

在一种可能的设计思路中，用户需求信息可以用邻接矩阵或邻接列表来表示，在邻接列表中，对于用户需求信息中的每一个需求业务对象，都会存储一个从该需求业务对象开始的需求业务关系的列表，例如，如果需求业务对象a有三条需求业务关系分别连接于b、c和d，那么a的列表中会有三条需求业务关系。在邻接矩阵中，行和列都表示需求业务对象，由两个需求业务对象所决定的矩阵中的对应元素，表示该两个需求业务对象是否相连，如果相连，该对应元素的值可以表示该两个需求业务对象之间需求业务关系的权重。

大数据服务器100可以获取用户需求信息对应的邻接列表或邻接矩阵，从邻接列表或邻接矩阵中遍历该用户需求信息中各个需求业务对象的邻接需求业务对象的数量，联动需求业务对象的数量可作为相应业务对象的需求联动指标。

在电商直播场景中，服务关系用户需求信息中某个需求业务对象的需求联动指标，可以理解为与该需求业务对象有交易行为的需求业务对象的数量。在社交场景中，社交关系用户需求信息中某个需求业务对象的需求联动指标，可以理解为与该需求业务对象存在历史业务关联的需求业务对象的数量。

步骤s120，根据用户需求信息中各需求业务对象的需求联动指标将用户需求信息分为动态知识分布和静态知识分布。

步骤s130，基于动态知识分布和静态知识分布分别对动态业务对象和静态业务对象进行推送信息更新。

如此，在获取用户需求信息中各需求业务对象的需求联动指标之后，对用户需求信息进行区分，从而可以支持大数据量级的知识分布的信息更新。也就是，根据各需求业务对象的需求联动指标将完整的用户需求信息分为动态知识分布和静态知识分布，分成两部分进行信息更新，极大降低了性能占用，并且可以直接切入动态知识分布，避免在非重要需求业务对象上浪费较多的更新时长和云计算资源，提升了信息更新性能。

在一种可能的设计思路中，步骤s120可以通过以下示例性的实施方式实现。

步骤s121，根据各需求业务对象的需求联动指标从用户需求信息中解析出动态知识分布，基于动态知识分布，确定用户需求信息中的动态业务对象及动态业务对象的业务更新描述值。

本实施例中，主要是对用户需求信息中各需求业务对象的业务更新描述值进行信息更新。业务更新描述值是用来判断需求业务对象在整个用户需求信息中的重要性的指标之一。一个用户需求信息的k个知识分布，是指从该用户需求信息中反复去除需求联动指标小于或等于k的需求业务对象后，所剩余的知识分布，也就是将用户需求信息g中需求联动指标小于k的业务节点全部移除，得到知识分布g'。将用户需求信息g'中需求联动指标小于k的业务节点全部移除，得到新知识分布g''，…，以此类推，直至剩余知识分布中每个需求业务对象的需求联动指标都大于k时停止，得到该用户需求信息g的k个知识分布。需求业务对象的业务更新描述值，定义为该需求业务对象所在的最大个知识分布，即若一个需求业务对象存在于m个知识分布中，而在（m+1）个知识分布中被移除，那么该需求业务对象的业务更新描述值为m。

例如，2个知识分布就是先从用户需求信息中去掉所有需求联动指标小于2的需求业务对象，然后再从剩下的用户需求信息中去掉需求联动指标小于2的需求业务对象，依次类推，直到不能去掉为止，得到2个知识分布。3个就是先从用户需求信息中去掉所有需求联动指标小于3的需求业务对象，然后再从剩下的用户需求信息中去掉需求联动指标小于3的需求业务对象，依次类推，直到不能去掉为止，得到该用户需求信息的3个知识分布。若一个需求业务对象最多在5个知识分布而不在6个知识分布中，那么该需求业务对象的业务更新描述值为5。

根据上面的分析可知，业务更新描述值大于k的需求业务对象，该需求业务对象的需求联动指标必然大于k。因此，在本申请实施例中，大数据服务器100通过设置一个阈值，根据各需求业务对象的需求联动指标和该阈值将原本的用户需求信息解析为动态知识分布和静态知识分布两部分，然后依次更新出其中各需求业务对象的业务更新描述值。通过阈值从用户需求信息中解析出动态知识分布，能够直接对动态知识分布进行信息更新，避免在业务更新描述值小于阈值的非重要需求业务对象上浪费较多的更新时长和云计算资源，这对于大数据量级的业务更新描述值更新是非常重要的。需要说明的是，动态知识分布中各动态业务对象的需求联动指标必然是大于该阈值的，但用户需求信息中关联度大于该阈值的需求业务对象并不一定必然存在于该动态知识分布中。

其中，预设的阈值，可以根据实际需要进行设置。可选地，可以根据具体业务场景需要来确定预设的阈值，比如根据以往经验业务更新描述值大于300的需求业务对象在用户需求信息中发挥的作用比较大，那么大数据服务器100可以将预设的阈值设置为300。可选地，还可以根据云计算资源的限制来确定预设的阈值，因为阈值设置越小，从用户需求信息中解析出的动态知识分布所包括的需求业务对象数量越大，动态知识分布越大，所需云计算资源也越多，反之阈值设置的越大，从用户需求信息中解析出的动态知识分布越小，所需的云计算资源也就越少。可选地，还可以根据该用户需求信息中各需求业务对象关联度的分布来设置阈值的大小，例如，若用户需求信息中大多数需求业务对象的需求联动指标均小于某个值，那么可以将该阈值设置成该值。

在一种可能的设计思路中，根据各需求业务对象的需求联动指标和预设的阈值从用户需求信息中解析出动态知识分布，包括：获取预设的阈值。从用户需求信息中移除需求联动指标小于或等于预设联动指标的需求业务对象及需求业务对象所在的需求业务关系，根据用户需求信息中剩余需求业务对象及剩余需求业务对象之间的需求业务关系获得动态知识分布。

例如，根据预设的阈值，大数据服务器100从原用户需求信息中过滤掉需求联动指标小于该阈值及等于该阈值的需求业务对象，即得到动态知识分布，获得的该动态知识分布中所有需求业务对象的需求联动指标都大于该阈值。可见，阈值设置的越大，得到的动态知识分布越小，所需要的云计算资源也更少。

其中，动态业务对象是从动态知识分布中更新出的业务更新描述值大于预设的阈值的需求业务对象。大数据服务器100从用户需求信息中解析出动态知识分布后，先对动态知识分布进行信息更新，确定其中的动态业务对象及动态业务对象的业务更新描述值，以实现区分的第一步。

例如，由于静态知识分布中各静态业务对象的需求联动指标是小于预设的阈值的，所以静态知识分布中各静态业务对象不会对动态知识分布中各需求业务对象的业务更新描述值产生影响，那么，大数据服务器100可以直接切入动态知识分布，对动态知识分布进行信息更新，根据动态知识分布中各需求业务对象的需求联动指标确定各需求业务对象的业务更新描述值，将业务更新描述值大于预设的阈值的需求业务对象作为用户需求信息中的动态业务对象。

在一种可能的设计思路中，大数据服务器100可以采用直接对动态知识分布进行更新，从动态知识分布中更新出业务更新描述值大于预设的阈值的动态业务对象。例如，按照k=1，k=2，…，k处等于预设的阈值，从该动态知识分布中反复去除需求联动指标小于或等于k的需求业务对象，得到k个知识分布，从而确定动态知识分布中各需求业务对象所在最大业务更新描述值的知识分布，从而确定各需求业务对象的业务更新描述值，将其中业务更新描述值大于预设的阈值的需求业务对象作为动态业务对象。

在一种可能的设计思路中，大数据服务器100可以在对动态知识分布进行循环时，在当次循环过程中，利用需求业务对象前次循环后各联动需求业务对象的业务更新参照值更新相应业务对象的当次循环过程的业务更新描述值。并且，由于一个需求业务对象不会影响业务更新描述值大于该需求业务对象的其它需求业务对象的业务更新描述值的计算，因此，在当次循环更新各需求业务对象的业务更新描述值后，大数据服务器100还可以将更新后业务更新描述值大于预设的阈值的需求业务对象继续参与下次循环，更新后业务更新描述值小于或等于预设的阈值的需求业务对象不再参与下次循环，这样就可以更新出动态知识分布中业务更新描述值大于预设的阈值的需求业务对象。

在一种可能的设计思路中，需求业务对象的所有联动需求业务对象的业务更新参照值，可以是n指数，一个需求业务对象的n指数如果是n，就说明这个需求业务对象至少有n个联动需求业务对象，并且这n个联动需求业务对象的需求联动指标都不小于n。也就是说，若需求业务对象满足联动需求业务对象中存在n个联动需求业务对象的当前业务更新描述值大于或等于n，且不满足存在n+1个联动需求业务对象的当前业务更新描述值大于或等于n+1时，则确定需求业务对象对应的业务更新参照值为n，其中n为正整数。

在一种可能的设计思路中，基于动态知识分布，确定用户需求信息中的动态业务对象及动态业务对象的业务更新描述值，包括：

（1）根据各需求业务对象在动态知识分布中联动需求业务对象的数量，获得各需求业务对象在动态知识分布的联动范围，将在动态知识分布中的联动范围作为相应业务对象初始的当前业务更新描述值。

例如，大数据服务器100在对动态知识分布进行信息更新时，可以利用动态知识分布中各需求业务对象在该动态知识分布中的联动范围来初始化各需求业务对象的业务更新描述值，作为最初的当前业务更新描述值。

可以理解的是，本实施例中的“当前业务更新描述值”是动态变化的，指的是前次循环后各需求业务对象被更新的业务更新描述值，“前次循环过程”、“当次循环过程”也是动态变化的，在下一次循环时，“当次循环过程”成为了“前次循环过程”，而下一次循环变成了“当次循环过程”。

（2）循环地执行对于动态知识分布中的每个需求业务对象，根据需求业务对象在动态知识分布中的联动需求业务对象的当前业务更新描述值，计算需求业务对象对应的业务更新参照值。当业务更新参照值小于或等于预设的阈值时，从动态知识分布中移除需求业务对象。当业务更新参照值大于阈值且小于需求业务对象的当前业务更新描述值时，则根据需求业务对象的业务更新参照值更新需求业务对象的当前业务更新描述值的步骤，直至当次循环过程中动态知识分布中各需求业务对象的当前业务更新描述值均未被更新时停止循环。

例如，在每次循环过程中，大数据服务器100都需要对动态知识分布中的每个需求业务对象都需要进行处理。对动态知识分布中的每个需求业务对象，根据其联动需求业务对象的当前业务更新描述值，即上一轮循环过程后所有联动需求业务对象的业务更新描述值，计算该需求业务对象对应的业务更新参照值，若需求业务对象的业务更新参照值小于或等于预设的阈值，则该需求业务对象不会影响业务更新描述值大于该需求业务对象的其它需求业务对象的业务更新描述值的计算，则该需求业务对象无需参与后续的循环过程，可以从动态知识分布中移除该需求业务对象。若需求业务对象的业务更新参照值大于预设的阈值且小于需求业务对象的当前业务更新描述值，则利用该业务更新参照值更新该需求业务对象的当前业务更新描述值，并且该需求业务对象还需要继续参与后续的循环过程。由于每个需求业务对象在当次循环过程的业务更新描述值是根据该需求业务对象所有联动在前次循环过程的业务更新描述值确定的，具有局部性，可以很容易扩展成分布式并行计算的逻辑，从而加快整个更新过程。

循环停止条件，是当次循环过程中，动态知识分布中剩下的所有需求业务对象的当前业务更新描述值均未发生变化。也就是说，根据需求业务对象的联动需求业务对象在前次循环的业务更新描述值计算得到的业务更新参照值与该需求业务对象的当前业务更新描述值一致时，则该需求业务对象的业务更新描述值不会被更新，若动态知识分布中剩下的所有需求业务对象的当前业务更新描述值在当次循环过程中均未被更新，则停止循环。

可以理解的是，由于每次循环过程中会移除动态知识分布中业务更新参照值小于或等于预设的阈值的需求业务对象，因此循环过程中动态知识分布也是动态变化的，从而动态知识分布中每个需求业务对象的联动需求业务对象也是不断变化的，所以在根据每个需求业务对象的联动需求业务对象的当前业务更新描述值计算其业务更新参照值时，应当根据该需求业务对象在当前的动态知识分布中的联动需求业务对象的当前业务更新描述值来计算，而非根据该需求业务对象在最初的动态知识分布中的联动需求业务对象的当前业务更新描述值来计算，可以进一步减少计算量。

在一种可能的设计思路中，当次循环后若计算得到需求业务对象的业务更新参照值小于获等于预设的阈值，则大数据服务器100可以将该需求业务对象标记为非动态状态，那么被标记为非动态状态的需求业务对象将不再参与下次循环过程。

在一种可能的设计思路中，上述方法还可以包括：在当次循环结束后，记录当次循环过程中当前业务更新描述值被更新的需求业务对象。记录的需求业务对象用于指示在下次循环开始时，将记录的需求业务对象在动态知识分布中的联动需求业务对象，作为下次循环过程中需要重新计算业务更新参照值的目标需求业务对象。对于动态知识分布中的每个需求业务对象，根据需求业务对象在动态知识分布中的联动需求业务对象的当前业务更新描述值，计算需求业务对象对应的业务更新参照值，包括：对于动态知识分布中的目标需求业务对象，根据目标需求业务对象在动态知识分布中的联动需求业务对象的当前业务更新描述值，计算目标需求业务对象对应的业务更新参照值。

本实施例中，通过记录当次循环过程中当前业务更新描述值被更新的需求业务对象，就可以直接确定下次循环过程中需要重新计算业务更新描述值的需求业务对象。当某一个需求业务对象的业务更新描述值被更新后，该需求业务对象将会影响其联动需求业务对象的业务更新描述值的确定，因此，当次循环过程结束后，记录这些业务更新描述值被更新的需求业务对象，在下次循环开始时，从动态知识分布中剩余的需求业务对象中遍历出这些需求业务对象的联动需求业务对象，作为下次循环过程需要重新计算业务更新描述值的需求业务对象，可以避免对动态知识分布中所有需求业务对象重新计算业务更新描述值，提升更新效率。可以理解的是，这些当前业务更新描述值被更新的需求业务对象的联动需求业务对象不包括已经从动态知识分布中移除的需求业务对象。

在一种可能的设计思路中，上述方法还可以包括：在当次循环过程开始时，初始化需求业务对象更新数为零，需求业务对象更新数用于记录当次循环过程中当前业务更新描述值被更新的需求业务对象的数量。统计当次循环过程中当前业务更新描述值被更新的需求业务对象的数量。根据数量更新需求业务对象更新数。若当次循环过程结束时，需求业务对象更新数为非零，则继续下一次循环过程。若当次循环过程结束时，需求业务对象更新数为零，则停止循环。

在本实施例中，在更新动态知识分布的过程中，可以利用一个标记，来记录当次循环过程中当前业务更新描述值被更新的需求业务对象的数量。大数据服务器100可以设置一个用于记录每轮循环过程中当前业务更新描述值被更新的需求业务对象的数量，在当次循环过程开始时，将这个标记置为0，对于参与当次循环的需求业务对象，每当一个需求业务对象的业务更新描述值被更新了，则该标记增1，那么，当次循环结束后，若该标记不为0，说明当次循环过程中存在业务更新描述值被更新的需求业务对象，则需要继续循环，若该标记为0，说明当次循环的整个过程中都不存在业务更新描述值被更新的需求业务对象，整个循环过程结束。

（3）将停止循环时获得的动态知识分布中的需求业务对象作为动态业务对象，并将停止循环时动态业务对象的当前业务更新描述值作为动态业务对象对应的业务更新描述值。

由于循环结束后动态知识分布中剩余的需求业务对象的业务更新描述值都是大于预设的阈值的，因此可以将这些需求业务对象称为动态业务对象。动态业务对象的业务更新描述值即为该需求业务对象在整个原始的用户需求信息中的业务更新描述值。

在一个具体的实施例中，确定动态知识分布中各需求业务对象的业务更新描述值的过程如下：

（1）根据动态知识分布中各需求业务对象在该动态知识分布中联动需求业务对象的数量，计算动态知识分布中各需求业务对象的需求联动指标，用关联度来初始化各需求业务对象的当前业务更新描述值。

（2）用零初始化qe，qe表示每轮循环中业务更新描述值被更新的需求业务对象的数量。

（3）对动态知识分布中的每个需求业务对象，根据其联动需求业务对象的当前业务更新描述值计算业务更新参照值，该需求业务对象的联动需求业务对象是该需求业务对象在动态知识分布中的且已过滤掉无效状态的需求业务对象。当业务更新参照值小于等于预设的阈值时，将该需求业务对象标记为无效状态。当业务更新参照值大于预设的阈值且小于需求业务对象当前业务更新描述值时，根据业务更新参照值更新该需求业务对象的当前业务更新描述值，且qe增加1。

（4）当qe不为0时，重复第（2）-（3）。否则结束循环，此时动态知识分布中状态没有被标记为无效的需求业务对象的当前业务更新描述值即为该需求业务对象在整个原始的用户需求信息中的业务更新描述值，没有被标记为无效的需求业务对象为该用户需求信息中的动态业务对象。

在本实施例中，基于业务更新参照值对动态知识分布中各需求业务对象的业务更新描述值进行计算，并对每次循环计算得到的业务更新描述值与预设的阈值进行比较，只有当循环计算的业务更新描述值大于阈值时，该需求业务对象才继续进行循环，反之则不再参与后续循环，能够提升对动态知识分布的更新效率。

步骤s122，根据用户需求信息中除动态业务对象之外的需求业务对象及需求业务对象之间的需求业务关系，获得用户需求信息中的静态知识分布。

例如，大数据服务器100确定了用户需求信息中的动态业务对象后，用户需求信息中除动态业务对象之外的剩余需求业务对象的业务更新描述值是小于或等于预设的阈值的，将这些需求业务对象及其之间构成的需求业务关系称为静态知识分布。

在一种可能的设计思路中，根据用户需求信息中除动态业务对象之外的需求业务对象及需求业务对象之间的需求业务关系，获得用户需求信息中的静态知识分布，包括：从用户需求信息中移除动态业务对象。根据移除动态业务对象后剩余需求业务对象及剩余需求业务对象之间的需求业务关系，获得静态知识分布。

前文提到，用户需求信息可以以邻接矩阵或邻接列表的形式进行存储，大数据服务器100确定了用户需求信息中的动态业务对象之后，可以从邻接矩阵或邻接表进行遍历，从中移除动态业务对象后，得到剩余的需求业务对象及剩余需求业务对象之间的连接关系，获得静态知识分布。

步骤s123，基于静态知识分布和动态业务对象，确定静态知识分布中各静态业务对象的业务更新描述值。

本实施例中，静态知识分布中各静态业务对象业务更新描述值的计算同样遵循上述业务更新参照值循环的方法，但由于动态业务对象会对静态知识分布中各静态业务对象的业务更新描述值的计算产生影响，所以在循环过程中还需要考虑动态业务对象对静态知识分布中需求业务对象的业务更新描述值的增幅。大数据服务器100在获得用户需求信息中的静态知识分布和动态业务对象后，可以基于该静态知识分布和动态业务对象确定该静态知识分布中各静态业务对象的业务更新描述值，以实现区分的第二步。

在一种可能的设计思路中，大数据服务器100可以从静态知识分布中更新出各需求业务对象的业务更新描述值。例如，按照k=1，k=2，…，k处等于预设的阈值，从该静态知识分布中反复去除需求联动指标小于或等于k的需求业务对象，得到k个知识分布，从而确定静态知识分布中各静态业务对象所在最大业务更新描述值的知识分布，从而确定各需求业务对象的业务更新描述值。

在一种可能的设计思路中，大数据服务器100还可以在对静态知识分布进行循环时，在当次循环过程中，利用需求业务对象前次循环后，该需求业务对象在用户需求信息中各联动需求业务对象的业务更新参照值更新相应业务对象的当次循环过程的业务更新描述值。

在一种可能的设计思路中，需求业务对象的所有联动需求业务对象的业务更新参照值，可以是h指数，一个需求业务对象的h指数如果是h，就说明这个需求业务对象至少有n个联动需求业务对象，并且这n个联动需求业务对象的需求联动指标都不小于h。也就是说，若需求业务对象满足联动需求业务对象中存在n个联动需求业务对象的当前业务更新描述值大于或等于n，且不满足存在n+1个联动需求业务对象的当前业务更新描述值大于或等于n+1时，则确定需求业务对象对应的业务更新参照值为n，其中n为正整数。

在一种可能的设计思路中，步骤s123可以通过以下示例性的实施方式实现。

（1）根据静态知识分布中各静态业务对象在原始的用户需求信息中联动需求业务对象的数量，初始化静态知识分布中各静态业务对象的当前业务更新描述值。

例如，大数据服务器100在对静态知识分布进行信息更新时，可以利用静态知识分布中各静态业务对象在原始的用户需求信息中的联动范围来初始化各需求业务对象的业务更新描述值，作为最初的当前业务更新描述值。

也就是说，在计算静态知识分布中各静态业务对象的业务更新描述值时，每次循环过程中，不仅要考虑静态知识分布中的需求业务对象对其的影响，还需要考虑动态业务对象对其的影响，所以需要考虑动态业务对象对其关联度的增幅，也就是将需求业务对象在静态知识分布中的联动范围与该需求业务对象与动态业务对象相连的数量之和来初始化该需求业务对象的当前业务更新描述值，实际上也就是该需求业务对象在原始的用户需求信息中的联动范围。

在一种可能的设计思路中，根据前面的步骤，动态业务对象的业务更新描述值已经确定，动态业务对象的业务更新描述值都是大于预设的阈值的，而静态知识分布中各静态业务对象的业务更新描述值都是小于或等于预设的阈值的，所以，在计算静态知识分布中各静态业务对象的业务更新描述值时，若需要用到动态业务对象的业务更新描述值，为了减小内存，可以将动态业务对象的业务更新描述值均设置为预设的阈值，也可以设置为任意大于预设的阈值的值，还可以直接使用按前述步骤所确定的动态业务对象的业务更新描述值，上述不同方式的设置不会影响对静态知识分布中各静态业务对象的业务更新描述值的计算结果。

（2）循环地执行对于静态知识分布中的每个需求业务对象，根据需求业务对象在用户需求信息中的联动需求业务对象的当前业务更新描述值，计算需求业务对象对应的业务更新参照值。当业务更新参照值小于需求业务对象的当前业务更新描述值时，则根据需求业务对象的业务更新参照值更新需求业务对象的当前业务更新描述值的步骤，直至当次循环过程中静态知识分布中各静态业务对象的当前业务更新描述值均未被更新时停止循环。

例如，在每次循环过程中，大数据服务器100都需要对静态知识分布中的每个需求业务对象都需要进行处理。对静态知识分布中的每个需求业务对象，根据其在用户需求信息中的联动需求业务对象的当前业务更新描述值，即上一轮循环过程后所有联动需求业务对象的业务更新描述值，计算该需求业务对象对应的业务更新参照值。可以理解的是，若联动需求业务对象包括动态业务对象，动态业务对象的业务更新描述值在前述步骤已经确定，所以在静态知识分布的循环过程中，动态业务对象的业务更新描述值都不用参与更新。若需求业务对象的业务更新参照值小于需求业务对象的当前业务更新描述值，则利用该业务更新参照值更新该需求业务对象的当前业务更新描述值。由于每个需求业务对象在当次循环过程的业务更新描述值是根据该需求业务对象所有联动需求业务对象在前次循环过程的业务更新描述值确定的，具有局部性，可以很容易扩展成分布式并行计算的逻辑，从而加快整个更新过程。

循环停止条件，是当次循环过程中，静态知识分布中所有需求业务对象的当前业务更新描述值均未发生变化。也就是说，根据需求业务对象的联动需求业务对象在前次循环的业务更新描述值计算得到的业务更新参照值与该需求业务对象当前业务更新描述值一致时，则该需求业务对象的业务更新描述值不会被更新，若静态知识分布中所有需求业务对象的当前业务更新描述值在当次循环过程中均未被更新，则停止循环。

在一种可能的设计思路中，上述方法还包括：在当次循环结束后，记录当次循环过程中当前业务更新描述值被更新的需求业务对象。记录的需求业务对象用于指示在下次循环开始时，将记录的需求业务对象在静态知识分布中的联动需求业务对象，作为下次循环过程中需要重新计算业务更新参照值的目标需求业务对象。对于静态知识分布中的每个需求业务对象，根据需求业务对象在用户需求信息中的联动需求业务对象的当前业务更新描述值，计算需求业务对象对应的业务更新参照值，包括：对于静态知识分布中的目标需求业务对象，根据目标需求业务对象在用户需求信息中的联动需求业务对象的当前业务更新描述值，计算目标需求业务对象对应的业务更新参照值。

本实施例中，通过记录当次循环过程中当前业务更新描述值被更新的需求业务对象，就可以直接确定下次循环过程中需要重新计算业务更新描述值的需求业务对象。当某一个需求业务对象的业务更新描述值被更新后，该需求业务对象将会影响其联动需求业务对象的业务更新描述值的确定，因此，当次循环过程结束后，记录这些业务更新描述值被更新的需求业务对象，在下次循环开始时，从静态知识分布中遍历出这些需求业务对象的联动需求业务对象，作为下次循环过程需要重新计算业务更新描述值的需求业务对象，可以避免对静态知识分布中所有需求业务对象重新计算业务更新描述值，提升更新效率。可以理解的是，确定当前业务更新描述值被更新的需求业务对象的联动需求业务对象后，联动需求业务对象中若包括动态业务对象，则动态业务对象不需要重新计算业务更新描述值。

在一种可能的设计思路中，上述方法还包括：在当次循环过程开始时，初始化需求业务对象更新数为零，需求业务对象更新数用于记录当次循环过程中当前业务更新描述值被更新的需求业务对象的数量。统计当次循环过程中当前业务更新描述值被更新的需求业务对象的数量。根据数量更新需求业务对象更新数。若当次循环过程结束时，需求业务对象更新数为非零，则继续下一次循环过程。若当次循环过程结束时，需求业务对象更新数为零，则停止循环。

在本实施例中，在更新静态知识分布的过程中，可以利用一个标记，来记录当次循环过程中当前业务更新描述值被更新的需求业务对象的数量。大数据服务器100可以设置一个用于记录每轮循环过程中当前业务更新描述值被更新的需求业务对象的数量，在当次循环过程开始时，将这个标记置为0，对于参与当次循环的需求业务对象，每当一个需求业务对象的业务更新描述值被更新了，则该标记增1，那么，当次循环结束后，若该标记不为0，说明当次循环过程中存在业务更新描述值被更新的需求业务对象，则需要继续循环，若该标记为0，说明当次循环的整个过程中都不存在业务更新描述值被更新的需求业务对象，整个循环过程结束。

（3）将停止循环时需求业务对象的当前业务更新描述值作为需求业务对象对应的业务更新描述值。

循环结束后，静态知识分布中各静态业务对象的业务更新描述值即为该需求业务对象在整个原始的用户需求信息中的业务更新描述值。

在一个具体的实施例中，确定静态知识分布中各静态业务对象的业务更新描述值的过程如下：

a、计算静态知识分布中各静态业务对象的需求联动指标。

b、对静态知识分布中的各需求业务对象，统计其与动态业务对象相连的个数q，用q值与其关联度之和初始化该需求业务对象的当前业务更新描述值。

c、用零初始化qe，qe表示每轮循环中业务更新描述值被更新的需求业务对象的数量。

d、对静态知识分布中的每个需求业务对象，根据其联动需求业务对象的当前业务更新描述值计算业务更新参照值。这里的联动集合指的是需求业务对象在原始的用户需求信息的联动需求业务对象，也就是说，联动需求业务对象不仅包括静态知识分布中的需求业务对象，也可能包括动态业务对象。当业务更新参照值小于需求业务对象的当前业务更新描述值时，根据业务更新参照值更新该需求业务对象的当前业务更新描述值，且qe增加1。

e、当qe不为0时，重复第c-d步。否则结束循环，此时静态知识分布中各静态业务对象的业务更新描述值即为各需求业务对象在整个原始的用户需求信息中的业务更新描述值。

上述实施例中，在获取了用户需求信息中各需求业务对象的需求联动指标之后，对用户需求信息进行区分，从而可以支持大数据量级的知识分布的信息更新。也就是，根据各需求业务对象的需求联动指标将完整的用户需求信息分为动态知识分布和静态知识分布，分成两部分进行信息更新，极大降低了性能占用，并且可以直接切入动态知识分布，避免在非重要需求业务对象上浪费较多的更新时长和云计算资源，提升了信息更新性能。

由于静态知识分布中的各需求业务对象不会对动态知识分布中的需求业务对象产生影响，因此针对动态知识分布，直接确定其中的动态业务对象及动态业务对象对应的业务更新描述值，接着将用户需求信息中除该动态业务对象及动态业务对象之间的需求业务关系外剩余的部分构成静态知识分布，考虑到动态知识分布中的动态业务对象会对其中的静态业务对象产生影响，因此针对该静态知识分布，需要根据静态知识分布本身及动态知识分布中的动态业务对象来确定该静态知识分布中各静态业务对象的业务更新描述值。更新出用户需求信息中各需求业务对象的业务更新描述值之后，业务更新描述值可作为相应业务对象的特征生成相应的特征向量进行信息更新。

在一种可能的设计思路中，大数据服务器100可以从参数服务器中拉取上轮循环过程中业务更新描述值被更新的需求业务对象，由于需求业务对象的业务更新描述值由其联动需求业务对象的业务更新描述值决定，如果联动需求业务对象的业务更新描述值参数发生变化，则会影响该需求业务对象业务更新描述值，所以可以推断出当次循环需要重新计算业务更新描述值的需求业务对象。接着，从参数服务器拉取需要重新计算业务更新描述值的需求业务对象及其联动需求业务对象的业务更新描述值。然后基于业务更新参照值计算当次循环中这些需求业务对象的业务更新描述值，如果需要用计算得到的业务更新描述值更新之前的业务更新描述值，则需要将更新后的业务更新描述值存储在参数服务器中，以供循环过程使用。

进一步地，在以上基础上，则可以基于动态业务对象的业务更新描述值和静态业务对象的业务更新描述值对动态业务对象和静态业务对象进行推送信息更新。

譬如，可以基于动态业务对象的业务更新描述值对动态业务对象进行推送信息更新，如按照业务更新描述值所对应的动态推送条数对动态业务对象的推送信息的更新频率进行自适应性调整，如动态推送条数为5时，将动态业务对象的推送信息的更新频率调整为每分钟更新5条。

相对应地，可以基于静态业务对象的业务更新描述值对静态业务对象进行推送信息更新，如按照业务更新描述值所对应的静态推送条数对静态业务对象的推送信息的更新频率进行自适应性调整，如静态推送条数为2时，将静态业务对象的推送信息的更新频率调整为每分钟更新2条。

在一种可能的设计思路中，对于步骤s110，在获取预先基于所述业务服务终端所关联的目标订阅业务项目的兴趣分类预测的所述业务服务终端的用户需求信息的流程中，可以通过以下示例性的子步骤实现，详细描述如下。

步骤s111，检测目标订阅业务项目的多个业务服务索引数据中包含的变动偏好实体节点和非变动偏好实体节点，该多个业务服务索引数据是通过不同业务大数据采集维度对目标订阅业务项目进行索引数据采集得到的。

在一种可能的设计思路中，目标订阅业务项目可以是电商业务项目、直播带货项目等实体订阅业务项目，变动偏好实体节点可以是订阅业务项目位于不同的用户业务使用模式时内容服务属性信息存在动态变化的具有用户信息偏好的偏好实体节点，例如，用户行为产生的数据对象，如注册实体节点、浏览实体节点、点击实体节点、购买实体节点、签收实体节点、评价实体节点等，当订阅业务项目处于不同业务使用模式时，订阅业务项目上的变动偏好实体节点将发生一定变化，且变动偏好实体节点的变化符合一定的规律变化，例如，订阅业务项目的变动偏好实体节点的注册内容、浏览内容、点击内容、购买内容等内容服务属性信息发生变化。非变动偏好实体节点通常是不会因为订阅业务项目的业务大数据采集维度或业务类型不同而发生变化的偏好实体节点，如用户的注册居住服务区、注册年龄、注册星座等等，但不限于此。

一般而言，对于用户误操作的订阅业务项目，在其后通常不包含偏好实体节点，或者只包含部分偏好实体节点，或者偏好实体节点与真实订阅业务项目存在差异(如误操作的订阅业务项目上的变动偏好实体节点通常不会或者很少由于业务大数据采集维度和业务类型发生变化而变化、或者变化方式与真实订阅业务项目存在区别等)，因此可以获取通过不同业务大数据采集维度对目标订阅业务项目进行索引数据采集得到的多个业务服务索引数据，以基于变动偏好实体节点和非变动偏好实体节点来综合确定订阅业务项目的兴趣分类识别结果。

在一种可能的设计思路中，可以通过不同业务大数据采集维度采集包含目标订阅业务项目的订阅业务大数据，然后从该订阅业务大数据中获取多个业务服务索引数据；或者也可以通过不同采集业务大数据采集维度直接采集目标订阅业务项目的多个业务服务索引数据。例如，在检测到业务服务索引数据采集请求后，可以通过不同业务大数据采集维度对目标订阅业务项目进行索引数据采集，以获取从不同业务大数据采集维度采集得到的订阅业务大数据或者多个业务服务索引数据。

在一种可能的设计思路中，在对目标订阅业务项目进行索引数据采集时，可以将目标订阅业务项目进行不同业务大数据采集维度的适配，例如对适配至不同资源定位信息(如资源定位信息a、资源定位信息b、资源定位信息c、资源定位信息d)的目标订阅业务项目进行索引数据采集，从而得到订阅业务大数据或者多个业务服务索引数据。

在一种可能的设计思路中，例如，通过不同业务大数据采集维度对目标订阅业务项目进行索引数据采集的方式还可以是将目标订阅业务项目绑定在于非变动位置，从而变换到不同业务大数据采集维度(如业务大数据采集维度a、业务大数据采集维度b、业务大数据采集维度c、业务大数据采集维度d)，按不同采集业务大数据采集维度对目标订阅业务项目进行索引数据采集，从而得到订阅业务大数据或者多个业务服务索引数据。

在一种可能的设计思路中，在采集目标订阅业务项目的订阅业务大数据或者多个业务服务索引数据时，还可以检测采集到的订阅业务大数据中的订阅业务索引数据或采集到的订阅业务项目资源所包含的目标订阅业务项目的资源定位信息，如果检测到的目标订阅业务项目的资源定位信息不符合预设条件，则可以重新进行采集，直至采集到的订阅业务索引数据或订阅业务项目资源所包含的目标订阅业务项目的资源定位信息符合预设条件为止。可选地，如果检测到的目标订阅业务项目的资源定位信息位于订阅业务索引数据或订阅业务项目资源的资源定位信息之外，或者检测到的目标订阅业务项目在订阅业务索引数据或订阅业务项目资源中占用过度，则可以提示重新进行采集。

在一种可能的设计思路中，可以通过以下方式检测订阅业务索引数据所包含的目标订阅业务项目的资源定位信息(由于检测订阅业务项目资源中的目标订阅业务项目位置的方式类似，以下以检测订阅业务索引数据所包含的目标订阅业务项目的资源定位信息为例进行说明)：

通过级联的多个特征提取单元对订阅业务索引数据进行编码特征提取，其中该多个特征提取单元中的第一个特征提取单元用于对订阅业务索引数据进行编码特征提取，该多个特征提取单元中的第n+1个特征提取单元用于对第n个特征提取单元的输出描述向量进行编码特征提取，n大于0。

依次将该多个特征提取单元中的第n+1个特征提取单元的对应描述向量进行解码特征提取，并将解码特征提取的结果与第n个特征提取单元的输出描述向量进行融合，将融合结果作为第n个特征提取单元的对应描述向量，其中的解码特征提取与编码特征提取的特征提取维度相同。

根据该多个特征提取单元中第一个特征提取单元的对应描述向量识别订阅业务索引数据所包含的目标订阅业务项目的资源定位信息。需要说明的是，这多个特征提取单元中的最后一个特征提取单元的对应描述向量即为最后一个特征提取单元的输出描述向量。

示例性地，对于一个订阅业务索引数据a1，通过一个特征提取单元进行编码特征提取得到描述向量a01(描述向量a01即为第1个特征提取单元的输出描述向量)，然后继续编码特征提取得到描述向量a02(描述向量a02即为第2个特征提取单元的输出描述向量)，并依次类推得到描述向量a03和描述向量a04(描述向量a03即为第3个特征提取单元的输出描述向量，描述向量a04即为第4个特征提取单元的输出描述向量，本实施例可以以4个特征提取单元为例进行说明)。将第4个特征提取单元(即这4个级联的特征提取单元中的最后一个特征提取单元)的对应描述向量a04'(由于第4个特征提取单元是最后一个特征提取单元，因此第4个特征提取单元的对应描述向量即为第4个特征提取单元的输出描述向量)进行解码特征提取，并与第3个特征提取单元的输出描述向量a03进行融合得到第3个特征提取单元的对应描述向量a03'，然后第3个特征提取单元的对应描述向量a03'进行解码特征提取，并与第2个特征提取单元的输出描述向量a02进行融合得到第2个特征提取单元的对应描述向量a02'，第2个特征提取单元的对应描述向量a02'进行解码特征提取，并与第1个特征提取单元的输出描述向量a01进行融合得到第1个特征提取单元的对应描述向量a01'，描述向量a01'即为与订阅业务索引数据a1同样大小的描述向量，最后将该描述向量输入sigmoid函数中得到目标订阅业务项目的分类结果，从而获得检测到的目标订阅业务项目的资源定位信息。

步骤s112，提取非变动偏好实体需求业务对象所在数据分区的索引数据标签属性，得到非变动偏好特征，提取变动偏好实体需求业务对象所在数据分区的索引数据标签属性及变动偏好实体节点在多个业务服务索引数据之间的变化标签属性，得到变动偏好特征。

在一种可能的设计思路中，非变动偏好实体节点标签属性即是二维索引数据标签属性，因此可以通过提取非变动偏好实体需求业务对象所在数据分区的索引数据标签属性作为非变动偏好特征，比如可以通过k-means算法来提取非变动偏好特征等，或者也可以通过卷积神经网络来提取非变动偏好特征。而对于变动偏好实体节点而言，不仅需要考虑非变动偏好实体需求业务对象所在数据分区的索引数据标签属性，而且还要在此基础上增加时序维度，以捕捉视频多帧间变动偏好实体节点的变化特征，具体可以采用人工智能模型来提取变动偏好特征，详见后文。

步骤s113，基于非变动偏好特征识别各个非变动偏好实体节点对应的兴趣分类信息，基于变动偏好特征识别各个变动偏好实体节点对应的兴趣分类信息。

在一种可能的设计思路中，可以根据各个非变动偏好实体节点的非变动偏好特征所处的第一偏好特征范围，以及第一偏好特征范围所关联的兴趣分类信息，确定各个非变动偏好实体节点对应的兴趣分类信息。比如，可以事先设定兴趣分类偏好实体节点的偏好特征范围范围，然后根据非变动偏好特征所处的偏好特征范围范围来确定非变动偏好实体节点的兴趣分类信息。

类似地，也可以根据各变动偏好实体节点的变动偏好特征所处的第二偏好特征范围，以及第二偏好特征范围所关联的兴趣分类信息，确定各个变动偏好实体节点对应的兴趣分类信息。

在一种可能的设计思路中，也可以采用兴趣分类分类的方法来确定非变动偏好实体节点和变动偏好实体节点的兴趣分类信息。比如采用svm(supportvectormachine，支持向量机)分类器进行偏好实体节点的兴趣分类分类，或者通过神经网络中的决策单元来进行偏好实体节点的兴趣分类分类等。

在一种可能的设计思路中，可以从包含目标订阅业务项目的订阅业务大数据中提取指定订阅业务索引数据，该指定订阅业务索引数据可以是订阅业务大数据中的所有订阅业务索引数据，或者可以是按照设定间隔从订阅业务大数据中提取出的一个或多个订阅业务索引数据，或者也可以是目标订阅业务项目处于水平位置的订阅业务索引数据。然后在该指定订阅业务索引数据中提取非变动偏好实体需求业务对象所在数据分区的索引数据标签属性。基于此，在一种可能的设计思路中，可以根据从各个指定订阅业务索引数据中提取出的非变动偏好特征，识别各个指定订阅业务索引数据中包含的非变动偏好实体节点的兴趣分类信息，然后根据各个指定订阅业务索引数据中包含的非变动偏好实体节点的兴趣分类信息，确定同一个非变动偏好实体节点在各个指定订阅业务索引数据中的兴趣分类信息，进而根据同一个非变动偏好实体节点在各个指定订阅业务索引数据中的兴趣分类信息，计算目标订阅业务项目上的各个非变动偏好实体节点的兴趣分类信息。

示例性地，对于任意一个订阅业务索引数据，都可以采用前述实施例中的技术方案来检测其中包含的非变动偏好实体节点，并识别其中的非变动偏好实体节点的兴趣分类信息。然后将提取出的指定订阅业务索引数据中包含的相同非变动偏好实体节点的兴趣分类信息进行综合来得到各个非变动偏好实体节点的兴趣分类信息。比如，兴趣分类信息可以是兴趣分类概率，进而可以将指定订阅业务索引数据中包含的相同非变动偏好实体节点的兴趣分类概率进行平均，然后将得到的平均值作为各个非变动偏好实体节点的兴趣分类信息。

需要说明的是，如果不是从订阅业务大数据中提取出指定订阅业务索引数据来确定非变动偏好实体节点的兴趣分类信息，而是直接采集多张业务服务索引数据来确定非变动偏好实体节点的兴趣分类信息，那么具体的处理方式与基于从订阅业务大数据中提取出指定订阅业务索引数据来确定非变动偏好实体节点的兴趣分类信息的方案是类似的，不再赘述。

在一种可能的设计思路中，可以从包含目标订阅业务项目的订阅业务大数据中提取至少一组订阅业务索引数据，然后在这至少一组订阅业务索引数据中提取变动偏好实体需求业务对象所在数据分区的索引数据标签属性及变动偏好实体节点的变化标签属性。基于此，在一种可能的设计思路中，可以根据从各组订阅业务索引数据中提取出的变动偏好实体需求业务对象所在数据分区的索引数据标签属性及变动偏好实体节点的变化标签属性，识别各组订阅业务索引数据中包含的变动偏好实体节点的兴趣分类信息，然后根据各组订阅业务索引数据中包含的变动偏好实体节点的兴趣分类信息，确定同一个变动偏好实体节点在各组订阅业务索引数据中的兴趣分类信息，进而根据同一个变动偏好实体节点在各组订阅业务索引数据中的兴趣分类信息，计算目标订阅业务项目上的各个变动偏好实体节点的兴趣分类信息。

示例性地，对于任意一组订阅业务索引数据，都可以采用前述实施例中的技术方案来检测其中包含的变动偏好实体节点，并识别其中的变动偏好实体节点的兴趣分类信息。然后将提取出的各组订阅业务索引数据中包含的相同变动偏好实体节点的兴趣分类信息进行综合来得到各个变动偏好实体节点的兴趣分类信息。比如，兴趣分类信息可以是兴趣分类概率，进而可以将各组订阅业务索引数据中包含的相同变动偏好实体节点的兴趣分类概率进行平均，然后将得到的平均值作为各个变动偏好实体节点的兴趣分类信息。

当然，如果不是从订阅业务大数据中提取出至少一组订阅业务索引数据来确定变动偏好实体节点的兴趣分类信息，而是直接采集多张业务服务索引数据来确定变动偏好实体节点的兴趣分类信息，那么具体的处理方式与基于从订阅业务大数据中提取出至少一组订阅业务索引数据来确定变动偏好实体节点的兴趣分类信息的方案是类似的，比如也可以根据这多张业务服务索引数据来划分得到至少一组业务服务索引数据，然后进行兴趣分类识别，不再赘述。

在一种可能的设计思路中，如前实施例，可以通过人工智能模型来提取变动偏好特征，同时也可以输出变动偏好实体节点对应的兴趣分类信息。例如，可以将包含变动偏好实体需求业务对象所在数据分区的多个业务服务索引数据输入至人工智能模型，以通过人工智能模型提取变动偏好实体节点在多个业务服务索引数据之间的多服务描述向量以及变动偏好实体需求业务对象所在数据分区的索引数据标签属性。然后，通过人工智能模型中的转换单元将多服务描述向量转换为归一化描述向量，作为变动偏好实体节点在多个业务服务索引数据之间的变化标签属性，并将索引数据标签属性和变化标签属性作为变动偏好特征，通过人工智能模型中决策单元输出变动偏好实体节点对应的兴趣分类信息。

作为示例，人工智能模型可以采用4个特征提取单元，这4个特征提取单元依次串行，每个特征提取单元是conv3d+bn(即batchnormalization，批量归一化)层+relu(rectifiedlinearunit，线性整流单元)的结构，4个特征提取单元的特征单元分别对应于4列，描述向量特征之间的连接用于表示下一层的一个特征单元是由上一层的相关联几个特征单元卷积得到的，最后将多服务描述向量转换为归一化描述向量，作为变动偏好实体节点在多个业务服务索引数据之间的变化标签属性，并将索引数据标签属性和变化标签属性作为变动偏好特征，通过决策单元输出偏好实体节点对应的兴趣分类概率。该兴趣分类概率可以是：“可折叠柔性产品”+概率，以及“扫地机器人产品”+概率的形式。比如，“可折叠柔性产品”79.3％；“扫地机器人产品”23.8％。

步骤s114，根据各个非变动偏好实体节点对应的兴趣分类信息和各个变动偏好实体节点对应的兴趣分类信息确定目标订阅业务项目的兴趣分类。

在一种可能的设计思路中，如果兴趣分类信息包括兴趣分类概率，那么可以根据各个非变动偏好实体节点的权重和各个变动偏好实体节点的权重，对各个非变动偏好实体节点对应的兴趣分类概率和各个变动偏好实体节点对应的兴趣分类概率进行加权，得到兴趣分类概率综合值，进而根据兴趣分类概率综合值确定目标订阅业务项目的兴趣分类。

例如，假设目标订阅业务项目有1个非变动偏好实体节点和2个变动偏好实体节点，非变动偏好实体节点a的权重为0.2，变动偏好实体节点b的权重为0.4，变动偏好实体节点c的权重为0.4，而非变动偏好实体节点a的兴趣分类概率为：“可折叠柔性产品”0.4；变动偏好实体节点b的兴趣分类概率为：“扫地机器人产品”0.7；变动偏好实体节点c的兴趣分类概率为“可折叠柔性产品”0.5，则可以计算目标订阅业务项目对应的兴趣分类为“可折叠柔性产品”的概率综合值为0.2×0.4+0.4×(1-0.7)+0.4×0.5＝0.4。

示例性地，在计算得到目标订阅业务项目的兴趣分类概率综合值后，可以将该兴趣分类概率综合值与预设阈值进行比较，如果目标订阅业务项目的兴趣分类为“可折叠柔性产品”的概率综合值大于预设阈值，则判定目标订阅业务项目的兴趣分类为“可折叠柔性产品”，反之，如果目标订阅业务项目为“可折叠柔性产品”的概率综合值小于等于预设阈值，则判定目标订阅业务项的兴趣分类不为“可折叠柔性产品”。其中，预设阈值可以根据实际情况进行设定。

这样，本实施例主要是基于业务服务索引数据上的变动偏好实体节点和非变动偏好实体节点共同来进行订阅业务项目的兴趣分类，对于非变动偏好实体节点而言，考虑了非变动偏好实体需求业务对象所在数据分区的索引数据标签属性，对于变动偏好实体节点而言，不仅考虑了变动偏好实体需求业务对象所在数据分区的索引数据标签属性，而且考虑了变动偏好实体节点在多个业务服务索引数据之间的变化标签属性，并且可以先确定各个非变动偏好实体节点对应的兴趣分类信息和各个变动偏好实体节点对应的兴趣分类信息，进而根据各个非变动偏好实体节点对应的兴趣分类信息和各个变动偏好实体节点对应的兴趣分类信息来识别目标订阅业务项目的兴趣分类，提高了大数据需求预测的准确性。

在一种可能的设计思路中，针对步骤s114，在基于目标订阅业务项目的兴趣分类预测业务服务终端200的用户需求信息的流程中，可以通过以下示例性的子步骤实现，详细描述如下。

子步骤s1141，获取目标订阅业务项目的兴趣分类中的人群兴趣点信息和业务服务终端200的用户的社交圈业务信息。

子步骤s1142，基于目标订阅业务项目的兴趣分类中的人群兴趣点信息和社交圈业务信息之间的信息关联度，对目标订阅业务项目的兴趣分类中的人群兴趣点信息和社交圈业务信息进行匹配，得到业务匹配结果。

子步骤s1143，将匹配成功的社交圈业务信息确定为候选社交圈业务信息，根据业务匹配结果中的社交圈业务信息与候选社交圈业务信息之间的区别业务信息，确定与候选社交圈业务信息相对应的业务需求资源定位信息。

子步骤s1144，对与候选社交圈业务信息相对应的业务需求资源定位信息和候选社交圈业务信息进行业务需求挖掘，得到业务需求挖掘结果。

子步骤s1145，根据业务需求挖掘结果和业务匹配结果，确定目标订阅业务项目的兴趣分类所对应的需求确认信息和需求确认信息对应的需求热度结果，根据需求热度结果预测业务服务终端200的用户需求信息。

基于上述子步骤，本实施例首先获取目标订阅业务项目的兴趣分类中的人群兴趣点信息和业务服务终端200的用户的社交圈业务信息，其次基于信息关联度进行人群兴趣点信息和社交圈业务信息的匹配以得到业务匹配结果，然后根据匹配成功的社交圈业务信息确定业务需求资源定位信息从而进行业务需求挖掘得到业务需求挖掘结果，以根据业务需求挖掘结果和业务匹配结果确定目标订阅业务项目的兴趣分类所对应的需求确认信息对应的需求热度结果，根据需求热度结果预测业务服务终端200的用户需求信息。能够通过需求热度结果进行针对性的需求预测，进而可以使得预测获得的用户需求更符合用户的实际意图，提高后续信息推送的准确性。

在一种可能的设计思路中，对于子步骤s1141，可以通过以下示例性的实施方式实现。

（1）获取目标订阅业务项目的兴趣分类中的至少两个人群兴趣点资源和至少两个社交圈业务资源。

（2）获取至少两个人群兴趣点资源之间的兴趣点更新信息和人群兴趣点资源的资源迁移信息，获取至少两个社交圈业务资源之间的社交圈业务更新信息和社交圈业务资源的资源迁移信息。

（3）根据兴趣点更新信息和人群兴趣点资源的资源迁移信息，对至少两个人群兴趣点资源进行组合，得到目标订阅业务项目的兴趣分类中的人群兴趣点信息。其中，一个人群兴趣点信息包括至少一个人群兴趣点资源。

（4）根据社交圈业务更新信息和社交圈业务资源的资源迁移信息，对至少两个社交圈业务资源进行组合，得到目标订阅业务项目的兴趣分类中的社交圈业务信息。其中，一个社交圈业务信息包括至少一个社交圈业务资源。

在一种可能的设计思路中，对于子步骤s1142，可以通过以下示例性的实施方式实现。

（1）将目标订阅业务项目的兴趣分类中的社交圈业务信息确定为已标记社交圈业务信息，将目标订阅业务项目的兴趣分类中的人群兴趣点信息确定为已标记人群兴趣点信息。

其中，已标记社交圈业务信息中的社交圈业务资源是从针对目标订阅业务项目的兴趣分类的实时配置资源中所确定的。

（2）获取实时配置资源中的人群兴趣点资源。将实时配置资源中的人群兴趣点资源与已标记人群兴趣点信息中的人群兴趣点资源之间的配置资源相关度，确定为已标记社交圈业务信息与已标记人群兴趣点信息之间的信息关联度。

当信息关联度大于或等于预设信息关联度时，对已标记社交圈业务信息和已标记人群兴趣点信息进行匹配，得到业务匹配结果。

譬如，在一种可能的设计思路中，候选社交圈业务信息包括目标订阅业务项目的兴趣分类中的散列分布社交圈业务资源。业务匹配结果的数量为至少两个。每个业务匹配结果中的社交圈业务信息分别包括目标订阅业务项目的兴趣分类中的整体社交圈业务资源。

在此基础上，在一种可能的设计思路中，对于子步骤s1143，可以通过以下示例性的实施方式实现。

（1）根据散列分布社交圈业务资源，获取候选社交圈业务信息的散列分布事务操作数据。

（2）根据每个业务匹配结果包括的整体社交圈业务资源，分别获取每个业务匹配结果中的社交圈业务信息的整体事务操作数据。

（3）获取散列分布事务操作数据分别与每个业务匹配结果对应的整体事务操作数据之间的事务操作关联解析信息。

（4）根据每个业务匹配结果所属的事务操作关联解析信息，确定每个业务匹配结果中的社交圈业务信息分别与候选社交圈业务信息之间的区别业务信息。

（5）当目标业务匹配结果的频繁访问热度大于第一预设频繁访问热度阈值且小于或等于第二预设频繁访问热度阈值时，将目标业务匹配结果中的人群兴趣点信息所包含的业务需求资源定位信息，确定为与候选社交圈业务信息相对应的业务需求资源定位信息。目标业务匹配结果，指所属的区别业务信息对应的区别参数大于或等于预设区别参数的业务匹配结果。

在一种可能的设计思路中，散列分布社交圈业务资源的配置资源数量为至少两个。在子步骤s1143的（1）中根据散列分布社交圈业务资源，获取候选社交圈业务信息的散列分布事务操作数据的过程中，可以获取至少两个散列分布社交圈业务资源中的每个散列分布社交圈业务资源分别对应的资源查询意图，根据每个散列分布社交圈业务资源分别对应的资源查询意图，获取至少两个散列分布社交圈业务资源对应的散列分布关联识别意图，将散列分布关联识别意图，确定为散列分布事务操作数据。

在一种可能的设计思路中，至少两个业务匹配结果包括业务匹配结果i，i为小于或等于至少两个业务匹配结果的总数量的正整数。业务匹配结果i包括的整体社交圈业务资源的配置资源数量为至少两个。

这样，在子步骤s1143的（2）中根据每个业务匹配结果包括的整体社交圈业务资源，分别获取每个业务匹配结果中的社交圈业务信息的整体事务操作数据的过程中，可以获取业务匹配结果i包括的至少两个整体社交圈业务资源中的每个整体社交圈业务资源分别对应的资源查询意图，然后根据每个整体社交圈业务资源分别对应的资源查询意图，获取至少两个整体社交圈业务资源对应的整体关联识别意图，将整体关联识别意图，确定为业务匹配结果i中的社交圈业务信息的整体事务操作数据。

在一种可能的设计思路中，候选社交圈业务信息的数量为至少两个，当目标业务匹配结果的数量小于或等于第一预设频繁访问热度阈值时，将与每个候选社交圈业务信息之间的区别业务信息对应的区别参数最大的社交圈业务信息所对应的业务匹配结果，分别确定为每个候选社交圈业务信息对应的候选匹配结果。

在此基础上，可以将每个候选社交圈业务信息对应的候选匹配结果中的人群兴趣点信息所包含的业务需求资源定位信息，分别确定为每个候选社交圈业务信息对应的候选业务需求资源定位信息，然后根据每个候选社交圈业务信息对应的候选业务需求资源定位信息，确定候选知识协同内容对应的至少两个知识协同内容描述信息。

接着，可以获取至少两个知识协同内容描述信息在至少两个业务匹配结果的人群兴趣点信息所包含的业务需求资源定位信息中的第一知识协同内容统计结果，根据第一知识协同内容统计结果，确定每个候选社交圈业务信息针对候选知识协同内容的第一目标知识协同内容描述信息，将分别具有每个候选社交圈业务信息对应的第一目标知识协同内容描述信息的候选知识协同内容，确定为与每个候选社交圈业务信息相对应的业务需求资源定位信息。至少两个知识协同内容描述信息在与每个候选社交圈业务信息相对应的业务需求资源定位信息中的第二知识协同内容统计结果对应的知识协同内容的推荐转化率，等于第一知识协同内容统计结果的知识协同内容的推荐转化率。

在一种可能的设计思路中，当目标业务匹配结果的数量大于第二预设频繁访问热度阈值时，统计候选知识协同内容的至少两个知识协同内容描述信息在目标业务匹配结果的人群兴趣点资源所包含的业务需求资源定位信息中的资源定位信息位置信息。至少两个知识协同内容描述信息，是根据目标业务匹配结果中的人群兴趣点信息所包含的业务需求资源定位信息所确定的。

在此基础上，可以根据候选社交圈业务信息与目标业务匹配结果之间的区别业务信息、以及目录位置信息，从至少两个知识协同内容描述信息中，确定候选社交圈业务信息针对候选知识协同内容的第二目标知识协同内容描述信息，将具有第二目标知识协同内容描述信息的候选知识协同内容，确定为与候选社交圈业务信息相对应的业务需求资源定位信息。

在一种可能的设计思路中，本实施例还可以进一步将业务匹配结果中的人群兴趣点信息所包含的业务需求资源定位信息，确定为业务匹配结果所包含的业务需求资源定位信息，将业务匹配结果和业务需求挖掘结果，确定为目标订阅业务项目的兴趣分类中的已标记匹配结果，将已标记匹配结果所包含的业务需求资源定位信息，确定为目标业务需求资源定位信息，为目标业务需求资源定位信息与所对应的已标记匹配结果中的社交圈业务信息添加相同的资源定位信息标签，将具有社交圈业务标签的目标业务需求资源定位信息，分别输入至预设的多服务均值聚类网络中，获得目标业务需求资源定位信息的需求热度结果。

其中，对于子步骤s1145，可以根据已标记匹配结果中的社交圈业务信息，确定目标订阅业务项目的兴趣分类中的需求确认信息，根据已标记匹配结果中的社交圈业务信息所具有的社交圈业务标签，从预设的多服务均值聚类网络、预设的深度学习神经网络以及预设的前向反馈神经网络中，获取需求确认信息对应的需求热度结果。

其中，根据已标记匹配结果中的社交圈业务信息所具有的社交圈业务标签，从预设的多服务均值聚类网络、预设的深度学习神经网络以及预设的前向反馈神经网络中，获取需求确认信息对应的需求热度结果可以通过以下示例性的实施方式实现。

（1）根据已标记匹配结果中的社交圈业务信息所具有的社交圈业务标签，生成用于在预设的多服务均值聚类网络中检测目标业务需求资源定位信息的第一特征分布信息，当根据第一特征分布信息未从预设的多服务均值聚类网络中确定出需求确认信息对应的需求热度结果时，根据第一特征分布信息，生成用于在预设的深度学习神经网络中检测目标业务需求资源定位信息的第二特征分布信息。

（2）当根据第二特征分布信息未从预设的深度学习神经网络中确定出需求确认信息对应的需求热度结果时，根据第二特征分布信息，生成用于在预设的前向反馈神经网络中检测目标业务需求资源定位信息的第三特征分布信息。

（3）根据第三特征分布信息，从预设的前向反馈神经网络中获取需求确认信息对应的需求热度结果。

图3为本公开实施例提供的基于云计算和大数据需求的信息更新装置300的功能模块示意图，本实施例可以根据上述大数据服务器100执行的方法实施例对该基于云计算和大数据需求的信息更新装置300进行功能模块的划分，也即该基于云计算和大数据需求的信息更新装置300所对应的以下各个功能模块可以用于执行上述大数据服务器100执行的各个方法实施例。其中，该基于云计算和大数据需求的信息更新装置300可以包括获取模块310、区分模块320和更新模块330，下面分别对该基于云计算和大数据需求的信息更新装置300的各个功能模块的功能进行详细阐述。

获取模块310，用于获取预先基于所述业务服务终端所关联的目标订阅业务项目的兴趣分类预测的所述业务服务终端的用户需求信息，并获取所述用户需求信息中各需求业务对象的需求联动指标。其中，获取模块310可以用于执行上述的步骤s110，关于获取模块310的详细实现方式可以参照上述针对步骤s110的详细描述即可。

区分模块320，用于根据所述用户需求信息中各需求业务对象的需求联动指标将所述用户需求信息分为动态知识分布和静态知识分布。其中，区分模块320可以用于执行上述的步骤s120，关于区分模块320的详细实现方式可以参照上述针对步骤s120的详细描述即可。

更新模块330，用于基于所述动态知识分布和所述静态知识分布分别对动态业务对象和静态业务对象进行推送信息更新。其中，更新模块330可以用于执行上述的步骤s130，关于更新模块330的详细实现方式可以参照上述针对步骤s130的详细描述即可。

需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体对象上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现。也可以全部以硬件的形式实现。还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，获取模块310可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上获取模块310的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所描述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。

图4示出了本公开实施例提供的用于实现上述的基于云计算和大数据需求的信息更新方法的大数据服务器100的硬件结构示意图，如图4所示，大数据服务器100可包括处理器110、机器可读存储介质120、总线130以及收发器140。

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存储的计算机执行指令（例如图3中所示的基于云计算和大数据需求的信息更新装置300包括的获取模块310、区分模块320和更新模块330），使得处理器110可以执行如上方法实施例的基于云计算和大数据需求的信息更新方法，其特征在于，处理器110、机器可读存储介质120以及收发器140通过总线130连接，处理器110可以用于控制收发器140的收发动作，从而可以与前述的业务服务终端200进行数据收发。

处理器110的具体实现过程可参见上述大数据服务器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。

在上述的图4所示的实施例中，应理解，处理器可以是中央处理器(英文：centralprocessingunit，cpu)，还可以是其它通用处理器、数字信号处理器(英文：digitalsignalprocessor，dsp)、专用集成电路(英文：applicationspecificintegratedcircuit，asic)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

机器可读存储介质120可能包含高速ram存储器，也可能还包括非易失性存储nvm，例如至少一个磁盘存储器。

总线130可以是工业标准体系结构(industrystandardarchitecture，isa)总线、存储集群互连(peripheralcomponentinterconnect，pci)总线或扩展工业标准体系结构(extendedindustrystandardarchitecture，eisa)总线等。总线130可以分为地址总线、数据总线、控制总线等。为便于表示，本公开附图中的总线并不限定仅有一根总线或一种类型的总线。

此外，本公开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执行指令，当处理器执行所述计算机执行指令时，实现如上基于云计算和大数据需求的信息更新方法。

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一致。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。