基于数字云服务的用户活动兴趣分析方法及系统与流程

1.本技术涉及数字服务技术领域，尤其涉及一种基于数字云服务的用户活动兴趣分析方法及系统。


背景技术：

2.如今，随着互联网技术突飞猛进的发展，云服务已经逐渐融入到我们的生活之中。云服务是基于互联网的相关服务的增加、使用和交互模式，一般而言，通过互联网来提供动态易扩展且经常是虚拟化的资源。云服务通过网络以按需、易扩展的方式获得所需服务，并且可以实现资产轻量化和功能多样化。鉴于此，云服务的应用领域逐渐增加，诸如数字支付、数字办公、数字安全、数字物联等。在实际应用时，服务功能优化和更新是实现用户存留的关键环节，而服务功能优化和更新的质量取决于是否匹配用户需求/用户兴趣。因此，针对云服务的用户需求/用户兴趣分析收到越来越多的关注。然而相关技术的用户需求/用户兴趣分析效果难以令人满意，比如用户需求/用户兴趣分析的内容较为匮乏，丰富度不高。


技术实现要素：

3.本技术的一个目的是提供一种基于数字云服务的用户活动兴趣分析方法及系统，能够实现对目标活动兴趣事项的持续性挖掘处理，提高兴趣挖掘的全面性和丰富性。
4.本技术的技术方案是通过如下至少部分实施例实现的。
5.一种基于数字云服务的用户活动兴趣分析方法，其中，该方法应用于数字云服务系统，该方法至少包括：结合专家知识分析模型分别挖掘第一云服务交互记录和第二云服务交互记录的活动偏好知识短语；其中，所述第一云服务交互记录为目标活动兴趣事项的窗口化数据集，所述第一云服务交互记录的信息量小于所述第二云服务交互记录；依据所述第一云服务交互记录的活动偏好知识短语获得兴趣事项捕捉模型的兴趣归纳变量和兴趣预测变量；将所述第二云服务交互记录的活动偏好知识短语加载至所述兴趣事项捕捉模型，得到所述兴趣事项捕捉模型生成的若干个待定数据集的兴趣归纳标签和兴趣预测标签；经由所述兴趣事项捕捉模型生成的若干个待定数据集的兴趣归纳标签和兴趣预测标签，获得所述第二云服务交互记录中所述目标活动兴趣事项的感兴趣数据集。
6.在一些可独立实施的实施例中，其中，所述方法还包括：结合所述专家知识分析模型挖掘云服务互动日志中时域优先级处于所述第二云服务交互记录之后的至少一个第三云服务交互记录的活动偏好知识短语；将所述至少一个第三云服务交互记录的活动偏好知识短语依次加载至所述兴趣事项捕捉模型，依次得到所述兴趣事项捕捉模型生成的所述至少一个第三云服务交互记录中的若干个待定数据集、以及各待定数据集的兴趣归纳标签和兴趣预测标签；依次经由所述至少一个第三云服务交互记录的若干个待定数据集的兴趣归纳标
签和兴趣预测标签，获得所述至少一个第三云服务交互记录中所述目标活动兴趣事项的感兴趣数据集。
7.在一些可独立实施的实施例中，其中，结合专家知识分析模型分别挖掘第一云服务交互记录和第二云服务交互记录的活动偏好知识短语，包括如下其中一项：调用相同的专家知识分析模型分别挖掘所述第一云服务交互记录和所述第二云服务交互记录的活动偏好知识短语；调用模型架构配置一致的不同专家知识分析模型分别挖掘所述第一云服务交互记录和所述第二云服务交互记录的活动偏好知识短语。
8.在一些可独立实施的实施例中，其中，所述第一云服务交互记录为云服务互动日志中处理顺序处于所述第二云服务交互记录之前、且目标活动兴趣事项的感兴趣数据集为已确定状态的云服务交互记录。
9.在一些可独立实施的实施例中，其中，所述第二云服务交互记录需执行目标活动兴趣事项挖掘的当前云服务交互记录或者当前云服务交互记录中存在设定可能性包括所述目标活动兴趣事项的阶段交互记录。
10.在一些可独立实施的实施例中，其中，所述第二云服务交互记录需执行目标活动兴趣事项挖掘的当前云服务交互记录中存在设定可能性包括所述目标活动兴趣事项的阶段交互记录时，所述方法还包括：以所述第一云服务交互记录的交互主题段落为参考，从当前云服务交互记录中拆解文本行约束值和/或文本列约束值对应大于所述第一云服务交互记录的文本行约束值和/或文本列约束值的阶段交互记录作为所述第二云服务交互记录。
11.在一些可独立实施的实施例中，其中，依据所述第一云服务交互记录的活动偏好知识短语获得兴趣事项捕捉模型的兴趣归纳变量，包括：通过第一滑动滤波处理节点对所述第一云服务交互记录的活动偏好知识短语进行滑动滤波处理，以滑动滤波处理得到的第一活动偏好知识短语作为所述兴趣事项捕捉模型的兴趣归纳变量。
12.在一些可独立实施的实施例中，其中，依据所述第一云服务交互记录的活动偏好知识短语获得兴趣事项捕捉模型的兴趣预测变量，包括：通过第二滑动滤波处理节点对所述第一云服务交互记录的活动偏好知识短语进行滑动滤波处理，以滑动滤波处理得到的第二活动偏好知识短语作为所述兴趣事项捕捉模型的兴趣预测变量。
13.在一些可独立实施的实施例中，其中，将所述第二云服务交互记录的活动偏好知识短语加载至所述兴趣事项捕捉模型，得到所述兴趣事项捕捉模型生成的若干个待定数据集的兴趣归纳标签和兴趣预测标签，包括：按照所述兴趣归纳变量对所述第二云服务交互记录的活动偏好知识短语进行滑动滤波处理，获得若干个待定数据集的兴趣归纳标签；按照所述兴趣预测变量对所述第二云服务交互记录的活动偏好知识短语进行滑动滤波处理，获得若干个待定数据集的兴趣预测标签。
14.在一些可独立实施的实施例中，其中，挖掘所述第二云服务交互记录的活动偏好知识短语之后，还包括：通过第三滑动滤波处理节点对所述第二云服务交互记录的活动偏好知识短语进行滑动滤波处理，获得第三活动偏好知识短语，所述第三活动偏好知识短语的注意力维度值与所述第二云服务交互记录的活动偏好知识短语的注意力维度值相同；所述按照所述兴趣归纳变量对所述第二云服务交互记录的活动偏好知识短语进
行滑动滤波处理，获得若干个待定数据集的兴趣归纳标签，包括：按照所述兴趣归纳变量对所述第三活动偏好知识短语进行滑动滤波处理，获得若干个待定数据集的兴趣归纳标签。
15.在一些可独立实施的实施例中，其中，挖掘所述第一云服务交互记录的活动偏好知识短语之后，还包括：通过第四滑动滤波处理节点对所述第一云服务交互记录的活动偏好知识短语进行滑动滤波处理，获得第四活动偏好知识短语，所述第四活动偏好知识短语的注意力维度值与所述第一云服务交互记录的活动偏好知识短语的注意力维度值相同；按照所述兴趣预测变量对所述第二云服务交互记录的活动偏好知识短语进行滑动滤波处理，获得若干个待定数据集的兴趣预测标签，包括：按照所述兴趣预测变量对所述第四活动偏好知识短语进行滑动滤波处理，获得若干个待定数据集的兴趣预测标签。
16.在一些可独立实施的实施例中，其中，经由所述兴趣事项捕捉模型生成的若干个待定数据集的兴趣归纳标签和兴趣预测标签，获得所述第二云服务交互记录中所述目标活动兴趣事项的感兴趣数据集，包括：经由所述兴趣归纳标签和所述兴趣预测标签从所述若干个待定数据集中挑选一个待定数据集，并根据挑选的待定数据集的更新变量对所述挑选的待定数据集进行预测，获得所述第二云服务交互记录中所述目标活动兴趣事项的感兴趣数据集。
17.在一些可独立实施的实施例中，其中，经由所述兴趣归纳标签和所述兴趣预测标签从所述若干个待定数据集中挑选一个待定数据集，包括：经由所述兴趣归纳标签和所述兴趣预测标签的重要性指数，从所述若干个待定数据集中挑选一个待定数据集。
18.在一些可独立实施的实施例中，其中，得到兴趣预测标签之后，还包括：经由所述兴趣预测标签对所述兴趣归纳标签进行校对；经由所述兴趣归纳标签和所述兴趣预测标签从所述若干个待定数据集中挑选一个待定数据集，包括：根据校对后的兴趣归纳标签，从所述若干个待定数据集中挑选一个待定数据集。
19.除此之外，还提供了一种联合模型的调试方法，用于对上述的模型进行调试处理，在上述内容的基础上，该调试方法可以包括如下内容：结合专家知识分析模型分别挖掘第一云服务交互记录和第二云服务交互记录的活动偏好知识短语，其中，所述第一云服务交互记录为目标活动兴趣事项的窗口化数据集，所述第一云服务交互记录的信息量小于所述第二云服务交互记录；通过第一滑动滤波处理节点对所述第一云服务交互记录的活动偏好知识短语进行滑动滤波处理，以滑动滤波处理得到的第一活动偏好知识短语作为兴趣事项捕捉模型的兴趣归纳变量；通过第二滑动滤波处理节点对所述第一云服务交互记录的活动偏好知识短语进行滑动滤波处理，以滑动滤波处理得到的第二活动偏好知识短语作为所述兴趣事项捕捉模型的兴趣预测变量；将所述第二云服务交互记录的活动偏好知识短语加载至所述兴趣事项捕捉模型，得到所述兴趣事项捕捉模型生成的若干个待定数据集的兴趣归纳标签和兴趣预测标签；经由所述兴趣事项捕捉模型生成的若干个待定数据集的兴趣归纳标签和兴趣预测标签，获得所述第二云服务交互记录中所述目标活动兴趣事项的感兴趣数据集；将得到的所述第二云服务交互记录中所述目标活动兴趣事项的感兴趣数据集作
为待评估感兴趣数据集，依据所述第二云服务交互记录的先验注释和所述待评估感兴趣数据集调试所述专家知识分析模型、所述第一滑动滤波处理节点和所述第二滑动滤波处理节点。
20.对于一些独立性设计思路而言，其中，还包括：结合所述专家知识分析模型挖掘云服务互动日志中时域优先级处于所述第二云服务交互记录之后的至少一个第三云服务交互记录的活动偏好知识短语；将所述至少一个第三云服务交互记录的活动偏好知识短语依次加载至所述兴趣事项捕捉模型，依次得到所述兴趣事项捕捉模型生成的所述至少一个第三云服务交互记录中的若干个待定数据集、以及各待定数据集的兴趣归纳标签和兴趣预测标签；依次经由所述至少一个第三云服务交互记录的若干个待定数据集的兴趣归纳标签和兴趣预测标签，获得所述至少一个第三云服务交互记录中所述目标活动兴趣事项的感兴趣数据集。
21.对于一些独立性设计思路而言，其中，结合专家知识分析模型分别挖掘第一云服务交互记录和第二云服务交互记录的活动偏好知识短语，包括以下其中一项：调用相同的专家知识分析模型分别挖掘所述第一云服务交互记录和所述第二云服务交互记录的活动偏好知识短语；调用模型架构配置一致的不同专家知识分析模型分别挖掘所述第一云服务交互记录和所述第二云服务交互记录的活动偏好知识短语。
22.对于一些独立性设计思路而言，其中，所述第一云服务交互记录为云服务互动日志中处理顺序处于所述第二云服务交互记录之前、且目标活动兴趣事项的感兴趣数据集为已确定状态的云服务交互记录。
23.对于一些独立性设计思路而言，其中，所述第二云服务交互记录需执行目标活动兴趣事项挖掘的当前云服务交互记录或者当前云服务交互记录中存在设定可能性包括所述目标活动兴趣事项的阶段交互记录。
24.对于一些独立性设计思路而言，其中，所述第二云服务交互记录需执行目标活动兴趣事项挖掘的当前云服务交互记录中存在设定可能性包括所述目标活动兴趣事项的阶段交互记录时，所述方法还包括：以所述第一云服务交互记录的交互主题段落为参考，从当前云服务交互记录中拆解文本行约束值和/或文本列约束值对应大于所述第一云服务交互记录的文本行约束值和/或文本列约束值的阶段交互记录作为所述第二云服务交互记录。
25.对于一些独立性设计思路而言，其中，将所述第二云服务交互记录的活动偏好知识短语加载至所述兴趣事项捕捉模型，得到所述兴趣事项捕捉模型生成的若干个待定数据集的兴趣归纳标签和兴趣预测标签，包括：按照所述兴趣归纳变量对所述第二云服务交互记录的活动偏好知识短语进行滑动滤波处理，获得若干个待定数据集的兴趣归纳标签；按照所述兴趣预测变量对所述第二云服务交互记录的活动偏好知识短语进行滑动滤波处理，获得若干个待定数据集的兴趣预测标签。
26.对于一些独立性设计思路而言，其中，挖掘所述第二云服务交互记录的活动偏好知识短语之后，还包括：通过第三滑动滤波处理节点对所述第二云服务交互记录的活动偏好知识短语进行滑动滤波处理，获得第三活动偏好知识短语，所述第三活动偏好知识短语
的注意力维度值与所述第二云服务交互记录的活动偏好知识短语的注意力维度值相同；所述按照所述兴趣归纳变量对所述第二云服务交互记录的活动偏好知识短语进行滑动滤波处理，获得若干个待定数据集的兴趣归纳标签，包括：按照所述兴趣归纳变量对所述第三活动偏好知识短语进行滑动滤波处理，获得若干个待定数据集的兴趣归纳标签。
27.对于一些独立性设计思路而言，其中，挖掘所述第一云服务交互记录的活动偏好知识短语之后，还包括：通过第四滑动滤波处理节点对所述第一云服务交互记录的活动偏好知识短语进行滑动滤波处理，获得第四活动偏好知识短语，所述第四活动偏好知识短语的注意力维度值与所述第一云服务交互记录的活动偏好知识短语的注意力维度值相同；按照所述兴趣预测变量对所述第二云服务交互记录的活动偏好知识短语进行滑动滤波处理，获得若干个待定数据集的兴趣预测标签，包括：按照所述兴趣预测变量对所述第四活动偏好知识短语进行滑动滤波处理，获得若干个待定数据集的兴趣预测标签。
28.对于一些独立性设计思路而言，其中，经由所述兴趣事项捕捉模型生成的若干个待定数据集的兴趣归纳标签和兴趣预测标签，获得所述第二云服务交互记录中所述目标活动兴趣事项的感兴趣数据集，包括：经由所述兴趣归纳标签和所述兴趣预测标签从所述若干个待定数据集中挑选一个待定数据集，并根据挑选的待定数据集的更新变量对所述挑选的待定数据集进行预测，获得所述第二云服务交互记录中所述目标活动兴趣事项的感兴趣数据集。
29.对于一些独立性设计思路而言，其中，经由所述兴趣归纳标签和所述兴趣预测标签从所述若干个待定数据集中挑选一个待定数据集，包括：经由所述兴趣归纳标签和所述兴趣预测标签的重要性指数，从所述若干个待定数据集中挑选一个待定数据集。
30.对于一些独立性设计思路而言，其中，得到兴趣预测标签之后，还包括：经由所述兴趣预测标签对所述兴趣归纳标签进行校对；经由所述兴趣归纳标签和所述兴趣预测标签从所述若干个待定数据集中挑选一个待定数据集，包括：根据校对后的兴趣归纳标签，从所述若干个待定数据集中挑选一个待定数据集。
31.对于一些独立性设计思路而言，其中，所述第二云服务交互记录的先验注释包括：注释的所述目标活动兴趣事项在所述第二云服务交互记录中的感兴趣数据集的分布特征和热力特征；将得到的所述第二云服务交互记录中所述目标活动兴趣事项的感兴趣数据集作为待评估感兴趣数据集，依据所述第二云服务交互记录的先验注释和所述待评估感兴趣数据集，调试所述专家知识分析模型、所述第一滑动滤波处理节点和所述第二滑动滤波处理节点，包括：经由所述注释的感兴趣数据集的分布特征和热力特征与所述待评估感兴趣数据集的分布特征和热力特征之间的比较结果，对所述专家知识分析模型、所述第一滑动滤波处理节点和所述第二滑动滤波处理节点的配置参数进行改进。
32.一种数字云服务系统，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。
33.一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。
34.基于本技术上述实施例，结合专家知识分析模型分别挖掘第一云服务交互记录和第二云服务交互记录的活动偏好知识短语，基于第一云服务交互记录的活动偏好知识短语获得兴趣事项捕捉模型的兴趣归纳变量和兴趣预测变量，将第二云服务交互记录的活动偏好知识短语输入兴趣事项捕捉模型，得到兴趣事项捕捉模型生成的若干个待定数据集的兴趣归纳标签和兴趣预测标签，并根据兴趣事项捕捉模型生成的若干个待定数据集的兴趣归纳标签和兴趣预测标签，获得第二云服务交互记录中目标活动兴趣事项的感兴趣数据集。
35.本技术实施例，利用相同或者架构配置一致的专家知识分析模型能够尽可能准确完整地挖掘相同目标活动兴趣事项的关联活动偏好知识短语，以保障在不同云服务交互记录中挖掘的目标活动兴趣事项的活动偏好知识短语的波动最小化，便于提升在第二云服务交互记录中进行目标活动兴趣事项挖掘的精度和可信度；基于第一云服务交互记录的活动偏好知识短语获得兴趣事项捕捉模型的兴趣归纳变量和兴趣预测变量，兴趣事项捕捉模型可以获得第二云服务交互记录若干个待定数据集的兴趣归纳标签和兴趣预测标签，进而获得第二云服务交互记录中所述目标活动兴趣事项的感兴趣数据集，可以准确可靠地预测目标活动兴趣事项的分布特征和热力特征的更新情况，以便准确定位目标活动兴趣事项在第二云服务交互记录中的分布特征，这样能够实现对目标活动兴趣事项的持续性挖掘处理，提高兴趣挖掘的全面性和丰富性。
附图说明
36.图1是示出可以实现本技术的实施例的数字云服务系统的一种通信配置的示意图。
37.图2是示出可以实现本技术的实施例的基于数字云服务的用户活动兴趣分析方法的流程示意图。
38.图3是示出可以实现本技术的实施例的基于数字云服务的用户活动兴趣分析方法的应用环境的架构示意图。
具体实施方式
39.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。
40.图1是示出可以实现本技术的实施例的数字云服务系统100的一种通信配置的框图，数字云服务系统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基于数字云服务的用户活动兴趣分析方法的处理器102。
41.图2是示出可以实现本技术的实施例的基于数字云服务的用户活动兴趣分析方法的流程示意图，基于数字云服务的用户活动兴趣分析方法可以通过图1所示的数字云服务系统100实现，进一步可以包括以下相关步骤所描述的技术方案。
42.步骤12、结合专家知识分析模型分别挖掘第一云服务交互记录和第二云服务交互记录的活动偏好知识短语。
43.进一步地，第一云服务交互记录为目标活动兴趣事项的窗口化数据集（比如包含目标活动兴趣事项的数据信息的信息集或者信息块），第一云服务交互记录的信息量（可以理解为信息规模，以文本数据为例，信息量可以作文本窗口理解，包括但不限于矩形窗口、梯形窗口等规则窗口，或者锤形窗口等不规则窗口）小于第二云服务交互记录；第二云服务交互记录需执行目标活动兴趣事项挖掘的当前云服务交互记录或者当前云服务交互记录中存在设定可能性包括目标活动兴趣事项的阶段交互记录。第二云服务交互记录需执行目标活动兴趣事项挖掘的当前云服务交互记录中存在设定可能性包括目标活动兴趣事项的阶段交互记录时，在本技术各实施例的其中一个示例中，该阶段交互记录的信息量大于第一云服务交互记录的信息量，比如，该查询窗口可以以第一云服务交互记录的交互主题段落（比如交互主题关键词）为参考、热力特征（比如查询窗口的数据影响范围，也可以理解为信息量或者信息规模）可以为第一云服务交互记录的信息量的3-5倍。
44.在本发明实施例中，第一云服务交互记录可以为云服务互动日志中处理顺序（处理优先级）处于第二云服务交互记录之前、且目标活动兴趣事项的感兴趣数据集为已确定状态的云服务交互记录，可以是云服务互动日志中需要进行目标活动兴趣事项的持续性挖掘的首次交互记录，该首次交互记录在云服务互动日志中的分布特征是非常灵活的，比如可以是云服务互动日志中的第一次交互记录或者任意正中交互记录。第二云服务交互记录是需要进行目标活动兴趣事项的持续性挖掘的交互记录，第二云服务交互记录中确定了目标活动兴趣事项的感兴趣数据集后，该第二云服务交互记录中对应感兴趣数据集的记录内容便可以作为下一个第二云服务交互记录的第一云服务交互记录。
45.在本技术各实施例的其中一个示例中，在步骤12中，可以调用相同的专家知识分析模型分别挖掘第一云服务交互记录和第二云服务交互记录的活动偏好知识短语；或者，调用模型架构配置一致的不同专家知识分析模型分别挖掘第一云服务交互记录和第二云服务交互记录的活动偏好知识短语。
46.此外，专家知识分析模型可以理解为神经网络，进一步地，第一云服务交互记录和第二云服务交互记录分别加载至专家知识分析模型中进行分析，进而得到活动偏好知识短语（比如活动偏好特征、活动偏好向量）。
47.此外，云服务交互记录可以涉及数字支付、数字办公、数字安全、数字物联等服务类别。感兴趣数据集用于反映用户的兴趣特征数据，比如“一键智能支付”、“防大数据杀熟”、“文件批量修改”、“通过文字查图”等对应的感兴趣数据集，该感兴趣数据集可以作为服务功能优化的决策依据，从而指导服务功能优化升级。
48.步骤14、基于第一云服务交互记录的活动偏好知识短语获得兴趣事项捕捉模型的兴趣归纳变量和兴趣预测变量。
49.在本技术各实施例的其中一个示例中，可以通过第一滑动滤波处理节点（可以理解为卷积层）对第一云服务交互记录的活动偏好知识短语进行滑动滤波处理（卷积处理），
以滑动滤波处理得到的第一活动偏好知识短语作为兴趣事项捕捉模型的兴趣归纳变量（可以理解为兴趣分类权重）。
50.比如，获得兴趣归纳变量可以通过以下思路实现：通过第一滑动滤波处理节点拓展第一云服务交互记录的活动偏好知识短语的注意力维度值（比如关注指标值/通道值），得到第一活动偏好知识短语，第一活动偏好知识短语的注意力维度值为第一云服务交互记录的活动偏好知识短语的注意力维度值的设定倍数g。
51.在本技术各实施例的其中一个示例中，可以通过第二滑动滤波处理节点对第一云服务交互记录的活动偏好知识短语进行滑动滤波处理，以滑动滤波处理得到的第二活动偏好知识短语作为兴趣事项捕捉模型的兴趣预测变量。
52.比如，获得兴趣预测变量可以通过以下思路实现：通过第二滑动滤波处理节点拓展第一云服务交互记录的活动偏好知识短语的注意力维度值，得到第二活动偏好知识短语，该第二活动偏好知识短语的注意力维度值为第一云服务交互记录的活动偏好知识短语的注意力维度值的设定倍数2g。
53.步骤16、将第二云服务交互记录的活动偏好知识短语输入兴趣事项捕捉模型，得到兴趣事项捕捉模型生成的若干个待定数据集的兴趣归纳标签和兴趣预测标签。
54.进一步地，兴趣归纳标签包括各待定数据集分别为目标活动兴趣事项的感兴趣数据集的可能性值，兴趣预测标签包括各待定数据集相对于第一云服务交互记录对应的感兴趣数据集的更新变量（偏移特征/偏移变量/变化特征）。
55.在本技术实施例中，以上若干个待定数据集可以包括：第二云服务交互记录中各分布特征上的u个待定数据集。其中，u为事先配置的、大于1的整数。u个待定数据集的文本行约束值与文本列约束值的比例存在差异，比如，u个待定数据集的文本行约束值与文本列约束值的比例可以包括不同的比例值，用于约束待定数据集的文本范围。兴趣归纳标签用于表征各分布特征上的u个待定数据集是否为目标活动兴趣事项的感兴趣数据集的可能性值（比如概率）。
56.在本技术基于数字云服务的用户活动兴趣分析方法的一个可选实施例中，通过步骤16获得若干个待定数据集是否为目标活动兴趣事项的感兴趣数据集的可能性值之后，该方法还可以包括如下内容：对该兴趣归纳标签进行标准化操作，使各待定数据集是否为目标活动兴趣事项的感兴趣数据集的可能性值加权值为1，从而便于判断各待定数据集是否为目标活动兴趣事项的感兴趣数据集。
57.在本技术实施例中，兴趣预测标签包括第二云服务交互记录中各分布特征上的u个待定数据集分别相对于第一云服务交互记录中目标活动兴趣事项的感兴趣数据集的更新变量，其中的更新变量可以包括分布特征和热力特征的更新变量，其中，分布特征可以是交互主题段落的分布特征（位置信息）。
58.在第二活动偏好知识短语的注意力维度值为第一云服务交互记录的活动偏好知识短语的注意力维度值的设定倍数2g时，各待定数据集分别相对于第一云服务交互记录中目标活动兴趣事项的感兴趣数据集的更新变量。
59.在本技术各实施例的其中一个示例中，该步骤16可以包括：按照兴趣归纳变量对第二云服务交互记录的活动偏好知识短语进行滑动滤波处理，获得若干个待定数据集的兴趣归纳标签；以及按照兴趣预测变量对第二云服务交互记录的活动偏好知识短语进行滑动
滤波处理，获得若干个待定数据集的兴趣预测标签。
60.步骤18、根据兴趣事项捕捉模型生成的若干个待定数据集的兴趣归纳标签和兴趣预测标签，获得第二云服务交互记录中目标活动兴趣事项的感兴趣数据集。
61.基于本技术上述实施例的基于数字云服务的用户活动兴趣分析方法，结合专家知识分析模型分别挖掘第一云服务交互记录和第二云服务交互记录的活动偏好知识短语，基于第一云服务交互记录的活动偏好知识短语获得兴趣事项捕捉模型的兴趣归纳变量和兴趣预测变量，将第二云服务交互记录的活动偏好知识短语输入兴趣事项捕捉模型，得到兴趣事项捕捉模型生成的若干个待定数据集的兴趣归纳标签和兴趣预测标签，并根据兴趣事项捕捉模型生成的若干个待定数据集的兴趣归纳标签和兴趣预测标签，获得第二云服务交互记录中目标活动兴趣事项的感兴趣数据集。本技术实施例，利用相同或者架构配置一致的专家知识分析模型能够尽可能准确完整地挖掘相同目标活动兴趣事项的关联活动偏好知识短语，以保障在不同云服务交互记录中挖掘的目标活动兴趣事项的活动偏好知识短语的波动最小化，便于提升在第二云服务交互记录中进行目标活动兴趣事项挖掘的精度和可信度；基于第一云服务交互记录的活动偏好知识短语获得兴趣事项捕捉模型的兴趣归纳变量和兴趣预测变量，兴趣事项捕捉模型可以获得第二云服务交互记录若干个待定数据集的兴趣归纳标签和兴趣预测标签，进而获得第二云服务交互记录中所述目标活动兴趣事项的感兴趣数据集，可以准确可靠地预测目标活动兴趣事项的分布特征和热力特征的更新情况，以便准确定位目标活动兴趣事项在第二云服务交互记录中的分布特征，这样能够实现对目标活动兴趣事项的持续性挖掘处理，提高兴趣挖掘的全面性和丰富性。
62.本技术实施例基于第一云服务交互记录，兴趣事项捕捉模型（卷积神经网络）可以基于第二云服务交互记录及时生成海量的待定数据集，并获得第二云服务交互记录中各分布特征上的u个待定数据集分别相对于第一云服务交互记录中目标活动兴趣事项的感兴趣数据集的更新变量，可以准确可靠地预测目标活动兴趣事项的分布特征和热力特征的更新情况，以便准确定位目标活动兴趣事项在第二云服务交互记录中的分布特征，这样能够实现对目标活动兴趣事项的持续性挖掘处理，提高兴趣挖掘的全面性和丰富性。
63.在本技术基于数字云服务的用户活动兴趣分析方法的另一种示例中，该方法还可以包括如下步骤31-步骤33所记录的技术方案。
64.步骤31、结合专家知识分析模型挖掘云服务互动日志中时域优先级处于第二云服务交互记录之后的至少一个第三云服务交互记录的活动偏好知识短语。
65.步骤32、将至少一个第三云服务交互记录的活动偏好知识短语依次输入兴趣事项捕捉模型，依次得到兴趣事项捕捉模型生成的至少一个第三云服务交互记录中的若干个待定数据集、以及各待定数据集的兴趣归纳标签和兴趣预测标签。
66.在本技术实施例中，依次针对至少一个第三云服务交互记录的活动偏好知识短语实施步骤16。
67.步骤33、依次根据至少一个第三云服务交互记录的若干个待定数据集的兴趣归纳标签和兴趣预测标签，获得至少一个第三云服务交互记录中目标活动兴趣事项的感兴趣数据集。
68.在本技术实施例中，依次针对至少一个第三云服务交互记录的若干个待定数据集的兴趣归纳标签和兴趣预测标签实施步骤18。
69.在本技术基于数字云服务的用户活动兴趣分析方法的又一个示例中，第二云服务交互记录需执行目标活动兴趣事项挖掘的当前云服务交互记录中存在设定可能性包括目标活动兴趣事项的阶段交互记录时，鉴于此，该方法还可以包括：事先以第一云服务交互记录的交互主题段落为参考，从当前云服务交互记录中拆解文本行约束值和/或文本列约束值对应大于第一云服务交互记录的文本行约束值和/或文本列约束值的阶段交互记录作为第二云服务交互记录。
70.本技术示出的基于数字云服务的用户活动兴趣分析方法的另一个思路。该方法可以包括如下步骤21-步骤25所记录的技术方案。
71.步骤21、结合专家知识分析模型分别挖掘第一云服务交互记录和第二云服务交互记录的活动偏好知识短语。
72.进一步地，第一云服务交互记录可以为目标活动兴趣事项的窗口化数据集，第一云服务交互记录的信息量小于第二云服务交互记录；第二云服务交互记录需执行目标活动兴趣事项挖掘的当前云服务交互记录或者当前云服务交互记录中存在设定可能性包括目标活动兴趣事项的阶段交互记录。第一云服务交互记录为云服务互动日志中处理顺序处于第二云服务交互记录之前、且目标活动兴趣事项的感兴趣数据集为已确定状态的云服务交互记录。
73.在本技术各实施例的其中一个示例中，在步骤22中，可以调用相同的专家知识分析模型分别挖掘第一云服务交互记录和第二云服务交互记录的活动偏好知识短语；或者，调用模型架构配置一致的不同专家知识分析模型分别挖掘第一云服务交互记录和第二云服务交互记录的活动偏好知识短语。
74.步骤22、通过第三滑动滤波处理节点对第二云服务交互记录的活动偏好知识短语进行滑动滤波处理，获得第三活动偏好知识短语，该第三活动偏好知识短语的注意力维度值与第二云服务交互记录的活动偏好知识短语的注意力维度值相同；以及通过第四滑动滤波处理节点对第一云服务交互记录的活动偏好知识短语进行滑动滤波处理，获得第四活动偏好知识短语，该第四活动偏好知识短语的注意力维度值与第一云服务交互记录的活动偏好知识短语的注意力维度值相同。
75.步骤23、基于第一云服务交互记录的活动偏好知识短语获得兴趣事项捕捉模型的兴趣归纳变量和兴趣预测变量。
76.在本技术各实施例的其中一个示例中，可以通过第一滑动滤波处理节点对第一云服务交互记录的活动偏好知识短语进行滑动滤波处理，以滑动滤波处理得到的第一活动偏好知识短语作为兴趣事项捕捉模型的兴趣归纳变量。
77.在本技术各实施例的其中一个示例中，可以通过第二滑动滤波处理节点对第一云服务交互记录的活动偏好知识短语进行滑动滤波处理，以滑动滤波处理得到的第二活动偏好知识短语作为兴趣事项捕捉模型的兴趣预测变量。
78.步骤23与步骤22之间的先后顺序不限。比如，步骤23与步骤22可以并行实施，也可以异步实施。
79.步骤24、按照兴趣归纳变量对第三活动偏好知识短语进行滑动滤波处理，获得若干个待定数据集的兴趣归纳标签；以及按照兴趣预测变量对第四活动偏好知识短语进行滑动滤波处理，获得若干个待定数据集的兴趣预测标签。
80.进一步地，兴趣归纳标签包括各待定数据集分别为目标活动兴趣事项的感兴趣数据集的可能性值，兴趣预测标签包括各待定数据集相对于第一云服务交互记录对应的感兴趣数据集的更新变量。
81.步骤25，根据兴趣事项捕捉模型生成的若干个待定数据集的兴趣归纳标签和兴趣预测标签，获得第二云服务交互记录中目标活动兴趣事项的感兴趣数据集。
82.在本技术各实施例的其中一个示例中，实施步骤18或者步骤25可以包括：根据兴趣归纳标签和兴趣预测标签从若干个待定数据集中挑选一个待定数据集，并根据挑选的待定数据集的更新变量对挑选的待定数据集进行预测，获得第二云服务交互记录中目标活动兴趣事项的感兴趣数据集。
83.在一种可能的实施例中，根据兴趣归纳标签和兴趣预测标签从若干个待定数据集中挑选一个待定数据集时，可以通过以下思路实现：根据兴趣归纳标签和兴趣预测标签的重要性指数，从若干个待定数据集中挑选一个待定数据集，比如，根据兴趣归纳标签和兴趣预测标签的重要性指数，分别由各待定数据集的可能性值和更新变量确定一个全局评分，根据以上若干个待定数据集的全局评分，从上述若干个待定数据集中挑选一个待定数据集。
84.在另一种可能的实施例中，通过以上各实施例获得兴趣预测标签之后，该方法还可以包括如下内容：根据兴趣预测标签中分布特征和热力特征的更新变量，对待定数据集的可能性值进行校对，比如，根据兴趣预测标签中分布特征和热力特征的更新变量，对待定数据集的可能性值进行校对。比如，对分布特征的更新变量较大（可以理解为分布特征偏移量较大）、热力特征的更新变量较大（可以理解为误差较大）的待定数据集的可能性值进行修正，减少对应的可能性值。对应的，在本技术实施例中，根据兴趣归纳标签和兴趣预测标签从若干个待定数据集中挑选一个待定数据集时，可以通过以下思路实现：根据校对后的兴趣归纳标签，从若干个待定数据集中挑选一个待定数据集，比如，根据校对后的可能性值，从若干个待定数据集中，挑选一个可能性值最大的待定数据集。
85.本技术实施例的联合模型，包括本技术实施例的专家知识分析模型、第一滑动滤波处理节点和第二滑动滤波处理节点。该实施例的调试方法可以包括如下步骤301-步骤305所记录的内容。
86.步骤301、结合专家知识分析模型分别挖掘第一云服务交互记录和第二云服务交互记录的活动偏好知识短语。
87.进一步地，第一云服务交互记录为目标活动兴趣事项的窗口化数据集，第一云服务交互记录的信息量小于第二云服务交互记录；第二云服务交互记录需执行目标活动兴趣事项挖掘的当前云服务交互记录或者当前云服务交互记录中存在设定可能性包括目标活动兴趣事项的阶段交互记录。第一云服务交互记录为云服务互动日志中处理顺序处于第二云服务交互记录之前、且目标活动兴趣事项的感兴趣数据集为已确定状态的云服务交互记录。
88.在本技术各实施例的其中一个示例中，对于步骤301而言，可以调用相同的专家知识分析模型分别挖掘第一云服务交互记录和第二云服务交互记录的活动偏好知识短语；或者，调用模型架构配置一致的不同专家知识分析模型分别挖掘第一云服务交互记录和第二云服务交互记录的活动偏好知识短语。
89.步骤302、通过第一滑动滤波处理节点对第一云服务交互记录的活动偏好知识短语进行滑动滤波处理，以滑动滤波处理得到的第一活动偏好知识短语作为兴趣事项捕捉模型的兴趣归纳变量；以及通过第二滑动滤波处理节点对第一云服务交互记录的活动偏好知识短语进行滑动滤波处理，以滑动滤波处理得到的第二活动偏好知识短语作为兴趣事项捕捉模型的兴趣预测变量。
90.步骤303、将第二云服务交互记录的活动偏好知识短语输入兴趣事项捕捉模型，得到兴趣事项捕捉模型生成的若干个待定数据集的兴趣归纳标签和兴趣预测标签。
91.进一步的，兴趣归纳标签包括各待定数据集分别为目标活动兴趣事项的感兴趣数据集的可能性值，兴趣预测标签包括各待定数据集相对于第一云服务交互记录对应的感兴趣数据集的更新变量。
92.在本技术各实施例的其中一个示例中，该步骤303可以包括如下内容：按照兴趣归纳变量对第二云服务交互记录的活动偏好知识短语进行滑动滤波处理，获得若干个待定数据集的兴趣归纳标签；以及按照兴趣预测变量对第二云服务交互记录的活动偏好知识短语进行滑动滤波处理，获得若干个待定数据集的兴趣预测标签。
93.步骤304、根据兴趣事项捕捉模型生成的若干个待定数据集的兴趣归纳标签和兴趣预测标签，获得第二云服务交互记录中目标活动兴趣事项的感兴趣数据集。
94.步骤305、将得到的第二云服务交互记录中目标活动兴趣事项的感兴趣数据集作为待评估感兴趣数据集，基于第二云服务交互记录的先验注释和待评估感兴趣数据集调试专家知识分析模型、第一滑动滤波处理节点和第二滑动滤波处理节点。
95.基于本技术上述实施例的联合模型的调试方法，结合专家知识分析模型分别挖掘第一云服务交互记录和第二云服务交互记录的活动偏好知识短语，基于第一云服务交互记录的活动偏好知识短语获得兴趣事项捕捉模型的兴趣归纳变量和兴趣预测变量，将第二云服务交互记录的活动偏好知识短语输入兴趣事项捕捉模型，得到兴趣事项捕捉模型生成的若干个待定数据集的兴趣归纳标签和兴趣预测标签，并根据兴趣事项捕捉模型生成的若干个待定数据集的兴趣归纳标签和兴趣预测标签，获得第二云服务交互记录中目标活动兴趣事项的感兴趣数据集，基于第二云服务交互记录的先验注释（比如标注信息）和待评估感兴趣数据集调试联合模型。
96.基于本技术实施例调试得到的联合模型，利用相同或者架构配置一致的专家知识分析模型能够尽可能准确完整地挖掘相同目标活动兴趣事项的关联活动偏好知识短语，以保障在不同云服务交互记录中挖掘的目标活动兴趣事项的活动偏好知识短语的波动最小化，便于提升在第二云服务交互记录中进行目标活动兴趣事项挖掘的精度和可信度；基于第一云服务交互记录的活动偏好知识短语获得兴趣事项捕捉模型的兴趣归纳变量和兴趣预测变量，兴趣事项捕捉模型可以获得第二云服务交互记录若干个待定数据集的兴趣归纳标签和兴趣预测标签，进而获得第二云服务交互记录中所述目标活动兴趣事项的感兴趣数据集，可以准确可靠地预测目标活动兴趣事项的分布特征和热力特征的更新情况，以便准确定位目标活动兴趣事项在第二云服务交互记录中的分布特征，这样能够实现对目标活动兴趣事项的持续性挖掘处理，提高兴趣挖掘的全面性和丰富性。
97.在本技术调试方法的另一种示例中，该方法还可以包括如下步骤501-步骤503所记录的内容。
98.步骤501、结合专家知识分析模型挖掘云服务互动日志中时域优先级处于第二云服务交互记录之后的至少一个第三云服务交互记录的活动偏好知识短语。
99.步骤502、将至少一个第三云服务交互记录的活动偏好知识短语依次输入兴趣事项捕捉模型，依次得到兴趣事项捕捉模型生成的至少一个第三云服务交互记录中的若干个待定数据集、以及各待定数据集的兴趣归纳标签和兴趣预测标签。
100.在本技术实施例中，依次针对至少一个第三云服务交互记录的活动偏好知识短语实施步骤303。
101.步骤503、依次根据至少一个第三云服务交互记录的若干个待定数据集的兴趣归纳标签和兴趣预测标签，获得至少一个第三云服务交互记录中目标活动兴趣事项的感兴趣数据集。
102.在本技术实施例中，依次针对至少一个第三云服务交互记录的若干个待定数据集的兴趣归纳标签和兴趣预测标签实施步骤304。
103.在本技术调试方法的又一个示例中，第二云服务交互记录需执行目标活动兴趣事项挖掘的当前云服务交互记录中存在设定可能性包括目标活动兴趣事项的阶段交互记录时，该方法还可以包括如下内容：事先以第一云服务交互记录的交互主题段落为参考，从当前云服务交互记录中拆解文本行约束值和/或文本列约束值对应大于第一云服务交互记录的文本行约束值和/或文本列约束值的阶段交互记录作为第二云服务交互记录。
104.本技术实施例示出的联合模型的调试方法的另一个思路。进一步地，该联合模型可以包括专家知识分析模型、第一滑动滤波处理节点、第二滑动滤波处理节点、第三滑动滤波处理节点和第四滑动滤波处理节点。其中，滑动滤波处理节点可以理解为卷积层或者卷积子模型，该实施例的调试方法可以包括如下步骤401-步骤406。
105.步骤401、结合专家知识分析模型分别挖掘第一云服务交互记录和第二云服务交互记录的活动偏好知识短语。
106.进一步地，第一云服务交互记录为目标活动兴趣事项的窗口化数据集，第一云服务交互记录的信息量小于第二云服务交互记录；第二云服务交互记录需执行目标活动兴趣事项挖掘的当前云服务交互记录或者当前云服务交互记录中存在设定可能性包括目标活动兴趣事项的阶段交互记录。第一云服务交互记录为云服务互动日志中处理顺序处于第二云服务交互记录之前、且目标活动兴趣事项的感兴趣数据集为已确定状态的云服务交互记录。
107.在本技术各实施例的其中一个示例中，在步骤401中，可以调用相同的专家知识分析模型分别挖掘第一云服务交互记录和第二云服务交互记录的活动偏好知识短语；或者，调用模型架构配置一致的不同专家知识分析模型分别挖掘第一云服务交互记录和第二云服务交互记录的活动偏好知识短语。
108.步骤402、通过第三滑动滤波处理节点对第二云服务交互记录的活动偏好知识短语进行滑动滤波处理，获得第三活动偏好知识短语，该第三活动偏好知识短语的注意力维度值与第二云服务交互记录的活动偏好知识短语的注意力维度值相同；以及通过第四滑动滤波处理节点对第一云服务交互记录的活动偏好知识短语进行滑动滤波处理，获得第四活动偏好知识短语，该第四活动偏好知识短语的注意力维度值与第一云服务交互记录的活动偏好知识短语的注意力维度值一致。
109.步骤403、通过第一滑动滤波处理节点对第一云服务交互记录的活动偏好知识短语进行滑动滤波处理，以滑动滤波处理得到的第一活动偏好知识短语作为兴趣事项捕捉模型的兴趣归纳变量；以及通过第二滑动滤波处理节点对第一云服务交互记录的活动偏好知识短语进行滑动滤波处理，以滑动滤波处理得到的第二活动偏好知识短语作为兴趣事项捕捉模型的兴趣预测变量。
110.其中，针对步骤403与步骤402的实施顺序不限。
111.步骤404、按照兴趣归纳变量对第三活动偏好知识短语进行滑动滤波处理，获得若干个待定数据集的兴趣归纳标签；以及按照兴趣预测变量对第四活动偏好知识短语进行滑动滤波处理，获得若干个待定数据集的兴趣预测标签。
112.进一步地，兴趣归纳标签包括各待定数据集分别为目标活动兴趣事项的感兴趣数据集的可能性值，兴趣预测标签包括各待定数据集相对于第一云服务交互记录对应的感兴趣数据集的更新变量。
113.步骤405、根据兴趣事项捕捉模型生成的若干个待定数据集的兴趣归纳标签和兴趣预测标签，获得第二云服务交互记录中目标活动兴趣事项的感兴趣数据集。
114.步骤406、将得到的第二云服务交互记录中目标活动兴趣事项的感兴趣数据集作为待评估感兴趣数据集，根据注释的目标活动兴趣事项在第二云服务交互记录中的感兴趣数据集的分布特征和热力特征，与待评估感兴趣数据集的分布特征和热力特征之间的比较结果，对专家知识分析模型、第一滑动滤波处理节点和第二滑动滤波处理节点的配置参数进行改进。
115.在本技术各实施例的其中一个示例中，步骤304或者步骤305可以包括：根据兴趣归纳标签和兴趣预测标签从若干个待定数据集中挑选一个待定数据集，并根据挑选的待定数据集的更新变量对挑选的待定数据集进行预测，获得第二云服务交互记录中目标活动兴趣事项的感兴趣数据集。
116.在一种可能的实施例中，根据兴趣归纳标签和兴趣预测标签从若干个待定数据集中挑选一个待定数据集时，可以通过以下思路实现：根据兴趣归纳标签和兴趣预测标签的重要性指数，从若干个待定数据集中挑选一个待定数据集，比如，根据兴趣归纳标签和兴趣预测标签的重要性指数，分别由各待定数据集的可能性值和更新变量确定一个全局评分（综合性概率），根据上述若干个待定数据集的全局评分，从上述若干个待定数据集中挑选一个可能性值高、更新变量小的待定数据集。
117.在另一种可能的实施例中，通过以上各实施例获得兴趣预测标签之后，该方法还可以包括如下内容：根据兴趣预测标签中分布特征和热力特征的更新变量，对待定数据集的可能性值进行校对，比如，根据兴趣预测标签中分布特征和热力特征的更新变量，对待定数据集的可能性值进行校对（调整）。对应的，在本技术实施例中，根据兴趣归纳标签和兴趣预测标签从若干个待定数据集中挑选一个待定数据集时，可以通过以下思路实现：根据校对后的兴趣归纳标签，从若干个待定数据集中挑选一个待定数据集，比如，根据校对后的可能性值，从若干个待定数据集中，挑选一个可能性值最高的待定数据集。
118.在本技术各实施例的其中一个示例中，步骤304或者步骤305可以包括：根据兴趣归纳标签和兴趣预测标签从若干个待定数据集中挑选一个待定数据集，并根据挑选的待定数据集的更新变量对挑选的待定数据集进行预测，获得第二云服务交互记录中目标活动兴
趣事项的感兴趣数据集。
119.在一种可能的实施例中，根据兴趣归纳标签和兴趣预测标签从若干个待定数据集中挑选一个待定数据集时，可以通过以下思路实现：根据兴趣归纳标签和兴趣预测标签的重要性指数，从若干个待定数据集中挑选一个待定数据集，比如，根据兴趣归纳标签和兴趣预测标签的重要性指数，分别由各待定数据集的可能性值和更新变量确定一个全局评分，根据上述若干个待定数据集的全局评分，从上述若干个待定数据集中挑选一个待定数据集。
120.在另一种可能的实施例中，通过上述各实施例获得兴趣预测标签之后，还可以包括：根据兴趣预测标签中分布特征和热力特征的更新变量，对待定数据集的可能性值进行校对，比如，根据兴趣预测标签中分布特征和热力特征的更新变量，对待定数据集的可能性值进行校对。比如，对分布特征的更新变量较大（可以理解为分布特征偏移量较大）、热力特征的更新变量较大（可以理解为误差较大）的待定数据集的可能性值进行更正，减少对应的可能性值。相应的，在本技术实施例中，根据兴趣归纳标签和兴趣预测标签从若干个待定数据集中挑选一个待定数据集时，可以通过以下思路实现：根据校对后的兴趣归纳标签，从若干个待定数据集中挑选一个待定数据集，比如，根据校对后的可能性值，从若干个待定数据集中，挑选一个可能性值最高的待定数据集。
121.在本技术各实施例中，兴趣事项捕捉模型可以包括第三滑动滤波处理节点、第四滑动滤波处理节点和两个滑动滤波处理节点。其中，兴趣事项捕捉模型与第一滑动滤波处理节点、第二滑动滤波处理节点融合后，形成的兴趣事项捕捉模型也可以称为级联式挖掘模型。
122.图3是示出可以实现本技术的实施例的基于数字云服务的用户活动兴趣分析方法的应用环境的架构示意图，基于数字云服务的用户活动兴趣分析方法的应用环境中可以包括互相通信的数字云服务系统100和云服务用户设备200。基于此，数字云服务系统100和云服务用户设备200在运行时实现或者部分实现本技术实施例的基于数字云服务的用户活动兴趣分析方法。
123.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：利用相同或者架构配置一致的专家知识分析模型能够尽可能准确完整地挖掘相同目标活动兴趣事项的关联活动偏好知识短语，以保障在不同云服务交互记录中挖掘的目标活动兴趣事项的活动偏好知识短语的波动最小化，便于提升在第二云服务交互记录中进行目标活动兴趣事项挖掘的精度和可信度；基于第一云服务交互记录的活动偏好知识短语获得兴趣事项捕捉模型的兴趣归纳变量和兴趣预测变量，兴趣事项捕捉模型可以获得第二云服务交互记录若干个待定数据集的兴趣归纳标签和兴趣预测标签，进而获得第二云服务交互记录中所述目标活动兴趣事项的感兴趣数据集，可以准确可靠地预测目标活动兴趣事项的分布特征和热力特征的更新情况，以便准确定位目标活动兴趣事项在第二云服务交互记录中的分布特征，这样能够实现对目标活动兴趣事项的持续性挖掘处理，提高兴趣挖掘的全面性和丰富性。
124.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。