[0023] 下面介绍本发明一种实施例提供的基于人工智能的互联网用户整合系统10的架构，该基于人工智能的互联网用户整合系统10可以包括大数据服务系统100以及与大数据服务系统100通信连接的在线交互终端200。其中，基于人工智能的互联网用户整合系统10中的大数据服务系统100和在线交互终端200可以通过配合执行以下方法实施例所描述的基于人工智能的互联网用户整合方法，具体大数据服务系统100和在线交互终端200的执行步骤部分可以参照以下方法实施例的详细描述。
[0024] 本实施例提供的基于人工智能的互联网用户整合方法可以由大数据服务系统100执行，下面结合图1对该基于人工智能的互联网用户整合方法进行详细介绍。
[0025] Process100，基于兴趣轨迹追踪模型对各个候选用户的用户行为大数据进行兴趣轨迹追踪，获得所述各个候选用户的用户兴趣轨迹数据。
[0026] 本实施例中，兴趣轨迹追踪模型可以用于执行兴趣轨迹追踪操作，具体可以基于人工智能学习进行配置获得，可参见后续相对应实施例的描述部分。用户兴趣轨迹数据可以用于表征用户行为大数据中对应候选用户产生兴趣偏好的轨迹特征点构成的数据集合。
[0027] Process200，对目标用户的用户兴趣轨迹数据进行分析，确定与所述目标用户存在关联兴趣偏好的关联用户序列。
[0028] 本实施例中，关联用户序列可以包括多个与该目标用户存在关联兴趣偏好的关联用户。
[0029] Process300，将每个所述目标用户与所述关联用户序列进行整合，确定对应的每个用户整合分组以及每个用户整合分组所对应的目标分组画像特征，并基于所述目标分组画像特征分别对每个用户整合分组进行进行互动节点分配。
[0030] 本实施例中，通过将每个所述目标用户与所述关联用户序列进行整合，可以确定对应的每个用户整合分组，在此基础上可以进一步分析每个用户整合分组所对应的目标分组画像特征，例如可以将每个用户整合分组所对应的用户兴趣轨迹数据集合输入到用户画像特征预测模型进行用户画像特征预测，获得每个用户整合分组所对应的目标分组画像特征。其中，分组画像特征可以包括每个用户整合分组的用户画像关键词字段。在此基础上，可以基于每个用户整合分组的用户画像关键词字段匹配当前互联网互动服务中相匹配的互动节点（如某个互动应用中的某个板块）进行相关互联网产品内容数据的推送。
[0031] 其中，用户画像特征预测模型的训练步骤可以是：获取样本用户兴趣轨迹数据集合和对应的样本画像特征，然后将样本用户兴趣轨迹数据集合输入到初始化用户画像特征预测模型进行预测，获得预测画像特征，在此基础上基于预测画像特征和样本画像特征之间的损失函数值更新初始化用户画像特征预测模型的模型参数，进而迭代训练获得用户画像特征预测模型。
[0032] 基于以上步骤，本实施例基于兴趣轨迹追踪模型对各个候选用户的用户行为大数据进行兴趣轨迹追踪，获得各个候选用户的用户兴趣轨迹数据，对目标用户的用户兴趣轨迹数据进行分析，确定与目标用户存在关联兴趣偏好的关联用户序列，将每个目标用户与关联用户序列进行整合，确定对应的每个用户整合分组以及每个用户整合分组所对应的目标分组画像特征，并基于目标分组画像特征分别对每个用户整合分组进行进行互动节点分配，从而通过兴趣轨迹追踪来对存在关联兴趣偏好的用户进行整合，并据于此进行互动节点分配，可以有效提高用户互动关联度，进而提高互联网服务的用户体验。
[0033] 一些示例性的设计思路中，针对Process200可以参见下述实施例的描述。
[0034] Process110，基于用户画像训练模型，获取全集兴趣行为范例序列中的多个兴趣行为范例分别对应的模糊兴趣画像特征。
[0035] 本实施例中，用户画像训练模型可以是用于提取可以充分表征兴趣行为的特征向量的神经网络模型。
[0036] 全集兴趣行为范例序列可以表示全部兴趣行为的所有兴趣行为范例。一些示例性的设计思路中，全集兴趣行为范例序列中包括多个兴趣行为范例。
[0037] Process120，基于全集兴趣行为范例序列中的多个兴趣行为范例分别对应的模糊兴趣画像特征，生成多个综合兴趣画像特征，综合兴趣画像特征是属于同一分簇序列的各个兴趣行为范例的模糊兴趣画像特征的平均化兴趣画像特征。
[0038] Process130，对于全集兴趣行为范例序列中的各个兴趣行为范例，基于兴趣行为范例的模糊兴趣画像特征与兴趣行为范例对应的最新综合兴趣画像特征之间的特征区别信息，生成兴趣行为范例的潜在兴趣画像特征，兴趣行为范例对应的最新综合兴趣画像特征表示多个综合兴趣画像特征中与兴趣行为范例的模糊兴趣画像特征最关联的综合兴趣画像特征。
[0039] 全集兴趣行为范例序列中包括多个兴趣行为范例。一些示例性的设计思路中，对于全集兴趣行为范例序列中各个兴趣行为范例确定潜在兴趣画像特征，但不限制于此，也可以对于全集兴趣行为范例序列中部分兴趣行为范例确定潜在兴趣画像特征。当兴趣行为范例加载至用户画像训练模型中时，获取兴趣画像特征的模糊兴趣画像特征，当确定了兴趣画像特征的模糊兴趣画像特征之后，确定兴趣行为范例对应的最新综合兴趣画像特征。一些示例性的设计思路中，通过兴趣画像特征与所有中间兴趣画像特征的特征距离（如欧式距离），确定最小特征距离对应的综合兴趣画像特征作为最新综合兴趣画像特征。
[0040] 潜在兴趣画像特征可以表征兴趣行为范例的模糊兴趣画像特征与综合兴趣画像特征之间的特征区别信息。一些示例性的设计思路中，将模糊兴趣画像特征与综合兴趣画像特征的特征区别确定为潜在兴趣画像特征。
[0041] Process140，基于兴趣行为范例的潜在兴趣画像特征，生成兴趣行为范例的最终兴趣画像特征，兴趣行为范例的最终兴趣画像特征表征兴趣行为范例所涵盖的兴趣行为的画像特征分布。
[0042] 兴趣行为范例的最终兴趣画像特征表征兴趣行为范例所涵盖的兴趣行为的画像特征分布。一些示例性的设计思路中，最终兴趣画像特征是能相对准确表征一个兴趣行为的特征向量。对于潜在兴趣画像特征进行最终特征训练，可以确定出兴趣行为范例的最终兴趣画像特征。
[0043] Process150，基于全集兴趣行为范例序列中的各个兴趣行为范例的最终兴趣画像特征，生成用户画像训练模型的模型学习代价值，以对用户画像训练模型进行模型权重信息层的调优和选取。
[0044] 通过最终兴趣画像特征，生成用户画像训练模型的模型学习代价值。依据模型学习代价值确定用户画像训练模型权重的梯度变化，并依据该梯度变化对用户画像训练模型进行模型权重信息层的调优和选取。
[0045] 基于以上步骤，通过基于各个兴趣行为范例的模糊兴趣画像特征与最新综合兴趣画像特征之间的特征区别信息，确定兴趣行为范例的潜在兴趣画像特征，依据潜在兴趣画像特征确定出兴趣行为范例的最终兴趣画像特征并计算模型学习代价值，依据模型学习代价值更新用户画像训练模型的权重信息，通过将兴趣行为范例的最终兴趣画像特征与综合兴趣画像特征之间的特征区别信息通过潜在兴趣画像特征进行放大，因此可以更好地训练用户画像训练模型，基于本申请实施例的用户画像训练模型训练出来的最终兴趣画像特征更加接近兴趣行为本身，减少最终兴趣画像特征与兴趣行为本身的特征区别信息。
[0046] 下面介绍本申请实施例提供的一种基于人工智能的用户画像训练方法。其中，一些示例性的设计思路中，用户画像训练模型可以包括初始特征挖掘分支、中间特征挖掘分支、最终特征挖掘分支。
[0047] Process210，对于全集兴趣行为范例序列中的各个兴趣行为范例，通过初始特征挖掘分支对兴趣行为范例进行处理，输出兴趣行为范例的初始兴趣画像特征。
[0048] Process220，通过中间特征挖掘分支对兴趣行为范例的初始兴趣画像特征进行处理，输出兴趣行为范例的模糊兴趣画像特征。
[0049] Process230，对全集兴趣行为范例序列中的多个兴趣行为范例分别对应的模糊兴趣画像特征进行分簇，输出多个模糊兴趣画像特征序列。
[0050] 一些示例性的设计思路中，从全集兴趣行为范例序列中的多个兴趣行为范例中，随机选取M个兴趣行为范例作为分簇簇心，M为大于1的整数；对于全集兴趣行为范例序列中的各兴趣行为范例，分别计算兴趣行为范例的模糊兴趣画像特征与M个分簇簇心的模糊兴趣画像特征之间的特征匹配值；选择特征匹配值的最小值对应的分簇簇心，确定为兴趣行为范例所对应的分簇簇心；执行N次循环处理获得M个调整后的分簇簇心，并基于M个调整后的分簇簇心分别关联的兴趣行为范例，输出M个模糊兴趣画像特征序列。
[0051] Process240，从各模糊兴趣画像特征序列中，选择作为分簇簇心的兴趣行为范例的模糊兴趣画像特征，确定为模糊兴趣画像特征序列对应的综合兴趣画像特征。
[0052] 分簇簇心也就是一个分簇序列的中心。一些示例性的设计思路中，分簇簇心所代表的模糊兴趣画像特征最接近兴趣行为原型。
[0053] 一些示例性的设计思路中，在确定出多个模糊兴趣画像特征序列之后，再选择序列的分簇簇心的模糊兴趣画像特征作为模糊兴趣画像特征序列对应的综合兴趣画像特征。
[0054] Process250，对于全集兴趣行为范例序列中的各个兴趣行为范例，基于兴趣行为范例的模糊兴趣画像特征与兴趣行为范例对应的最新综合兴趣画像特征之间的特征区别信息，生成兴趣行为范例的潜在兴趣画像特征。
[0055] Process260，通过最终特征挖掘分支对兴趣行为范例的潜在兴趣画像特征进行处理，输出兴趣行为范例的最终兴趣画像特征。
[0056] Process270，从全集兴趣行为范例序列涵盖的各个兴趣行为范例中，确定多个范例组合，多个范例组合包括多个第一范例组合和多个第二范例组合，每个第一范例组合包括的两个兴趣行为范例对应于相同兴趣行为，每个第二范例组合包括的两个兴趣行为范例对应于不同的兴趣行为。
[0057] 一些示例性的设计思路中，将全集兴趣行为范例序列涵盖的各个兴趣行为范例，分为多个关联兴趣行为簇，每个关联兴趣行为簇中包括多个对应于同一兴趣行为的兴趣行为范例；从相同关联兴趣行为簇中解析两个兴趣行为，确定一个第一范例组合，输出多个第一范例组合；从不同的关联兴趣行为簇中解析两个兴趣行为，确定一个第二范例组合，输出多个第二范例组合；基于多个第一范例组合和多个第二范例组合，输出多个范例组合。
[0058] 一些示例性的设计思路中，对于多个关联兴趣行为簇中的目标关联兴趣行为簇，从目标关联兴趣行为簇中解析一个兴趣行为范例作为标的兴趣行为范例；从除目标关联兴趣行为簇之外的其它关联兴趣行为簇中，分别提取一个或多个兴趣行为范例作为标的兴趣行为范例对应的负兴趣行为范例；获取标的兴趣行为范例与各个负兴趣行为范例之间的关联度；选择关联度匹配第一目标要求的一个或多个负兴趣行为范例，与标的兴趣行为范例构建获得一个或多个第二范例组合；依据多个关联兴趣行为簇分别得到的一个或多个第二范例组合，输出多个第二范例组合。一些示例性的设计思路中，第一目标要求表示负兴趣行为范例和标的兴趣行为范例的关联度匹配第一关联度要求，该第一关联度要求可以依据关联度进行设定。一些示例性的设计思路中，第一目标要求是关联度处于第一关联度区间，比如第一关联度区间为[60，95]，将关联度处于[60，95]的负兴趣行为范例与标的兴趣行为范例构建获得第二范例组合。一些示例性的设计思路中，第一目标要求是关联度次序节点处于第二关联度区间，比如次序节点为[8，14]，将关联度基于降序顺序，将关联度位置处于[8，14]的负兴趣行为范例与标的兴趣行为范例构建获得第二范例组合。
[0059] 基于全集兴趣行为范例组，可以得到负兴趣行为范例组中的负兴趣行为范例有两个。接着，基于负兴趣行为范例到标的兴趣行为范例的关联度，来选择一个或多个负兴趣行为范例，确定为目标负兴趣行为范例，与之前的标的兴趣行为范例组建一个第二范例组合。一些示例性的设计思路中，将所有负兴趣行为范例的特征向量到标的兴趣行为范例的特征向量的距离进行排序，选择距离大的负兴趣行为范例，确定为目标负兴趣行为范例。
[0060] 将正兴趣行为范例、标的兴趣行为范例、负兴趣行为范例称为三元组，下面对于利用三元组对用户画像训练模型进行训练。
[0061] Process280，基于第一范例组合包括的两个兴趣行为范例的最终兴趣画像特征之间的损失函数值，以及第二范例组合包括的两个兴趣行为范例的最终兴趣画像特征之间的损失函数值，生成用户画像训练模型的模型学习代价值。
[0062] 一些示例性的设计思路中，关联度可以用欧式距离来表征。
[0063] 一些示例性的设计思路中，通过第一范例组合包括的两个兴趣行为范例的最终兴趣画像特征之间的欧氏距离，以及第二范例组合包括的两个兴趣行为范例的最终兴趣画像特征之间的欧式距离计算三元组损失。
[0064] Process290，基于模型学习代价值对用户画像训练模型进行模型权重信息层的调优和选取。
[0065] 利用模型学习代价值对于用户画像训练模型中进行模型权重信息层的调优和选取。
[0066] 基于以上步骤，通过基于兴趣行为范例的模糊兴趣画像特征与最新综合兴趣画像特征之间的特征区别信息，确定兴趣行为范例的潜在兴趣画像特征，依据潜在兴趣画像特征确定出兴趣行为范例的最终兴趣画像特征并计算模型学习代价值，依据模型学习代价值更新用户画像训练模型的权重信息，通过将兴趣行为范例的最终兴趣画像特征与综合兴趣画像特征之间的特征区别信息通过潜在兴趣画像特征进行放大，由此可以提高训练用户画像训练模型的性能，通过本申请提供的用户画像训练模型训练出来的最终兴趣画像特征更加接近于兴趣行为本身，减少最终兴趣画像特征与兴趣行为本身的特征区别信息。
[0067] 下面进一步介绍，关联兴趣轨迹数据的确定方案，包括下述步骤。
[0068] Process310，从用户兴趣轨迹数据中解析多个兴趣互动事件。
[0069] 一些示例性的设计思路中，用户兴趣轨迹数据中可以包括多个兴趣行为。
[0070] Process320，基于用户画像训练模型获取各个兴趣互动事件的最终兴趣画像特征，兴趣互动事件的最终兴趣画像特征表征兴趣互动事件所涵盖的兴趣行为的画像特征分布。
[0071] 将兴趣互动事件作为兴趣行为范例加载至用户画像训练模型中，输出各个兴趣互动事件的最终兴趣画像特征。兴趣互动事件的最终兴趣画像特征表征兴趣互动事件所涵盖的兴趣行为的画像特征分布。一些示例性的设计思路中，兴趣互动事件的最终兴趣画像特征可以基于深度哈希特征表达兴趣互动事件所涵盖的兴趣行为的画像特征分布。
[0072] Process330，将各个兴趣互动事件的最终兴趣画像特征进行分簇，生成用户兴趣轨迹数据的兴趣画像分簇特征。
[0073] 对各个兴趣互动事件的最终兴趣画像特征进行分簇是为了清洗噪声数据。
[0074] 一些示例性的设计思路中，用户兴趣轨迹数据的兴趣画像分簇特征包括用户兴趣轨迹数据中的所有最终兴趣画像特征的兴趣画像分簇特征。一些示例性的设计思路中，用户兴趣轨迹数据的兴趣画像分簇特征包括：兴趣行为数量、兴趣画像特征数量、兴趣行为所对应兴趣互动维度的数量、兴趣画像特征ID、兴趣行为所对应兴趣互动维度的ID、兴趣行为所属兴趣互动事件的ID。
[0075] Process340，基于用户兴趣轨迹数据的兴趣画像分簇特征和目标兴趣轨迹数据库中涵盖的各个成员兴趣轨迹数据的兴趣画像分簇特征，从目标兴趣轨迹数据库中提取匹配第二目标要求的目标成员兴趣轨迹数据，确定为用户兴趣轨迹数据对应的关联兴趣轨迹数据，并将关联兴趣轨迹数据所相关的用户确定为与所述目标用户存在关联兴趣偏好的关联用户序列。
[0076] 一些示例性的设计思路中，目标兴趣轨迹数据库的兴趣画像分簇特征包括目标兴趣轨迹数据库中涵盖的所有兴趣轨迹数据中的兴趣互动事件的最终兴趣画像特征的兴趣画像分簇特征。一些示例性的设计思路中，目标兴趣轨迹数据库的兴趣画像分簇特征包括：兴趣行为数量、兴趣画像特征数量、兴趣行为所对应兴趣互动维度的数量、兴趣画像特征ID、兴趣行为所对应兴趣互动维度的ID、兴趣行为所属兴趣轨迹数据的ID。一些示例性的设计思路中，第二目标要求是用于筛选目标成员兴趣轨迹数据的要求。一些示例性的设计思路中，第二目标要求表示目标成员兴趣轨迹数据的最终兴趣画像特征与用户兴趣轨迹数据的最终兴趣画像特征的关联度满足第二关联度要求，该第二关联度要求可以依据上述两者的最终兴趣画像特征的关联度来设定。一些示例性的设计思路中，第二目标要求表示目标成员兴趣轨迹数据的最终兴趣画像特征与用户兴趣轨迹数据的最终兴趣画像特征的关联度处于第三关联度区间，比如第三关联度区间是[90，100]，将关联度处于[90,100的成员兴趣轨迹数据作为目标成员兴趣轨迹数据。一些示例性的设计思路中，第二目标要求表示关联度的次序节点处于第四关联度区间，比如第四关联度区间是[1,10]，将关联度基于降序顺序，将关联度的次序节点处于[1，10]的兴趣轨迹数据确定为目标成员兴趣轨迹数据。一些示例性的设计思路中，第二目标要求表示关联度匹配第一关联度条件，比如第一关联度条件对应的第一关联度是0.9，将关联度达到0.9的兴趣轨迹数据确定为目标成员兴趣轨迹数据。
[0077] 一些示例性的设计思路中，基于用户兴趣轨迹数据的兴趣画像特征和目标兴趣轨迹数据库中涵盖的各个成员兴趣轨迹数据的兴趣画像特征之间的关联度关系，确定关联兴趣轨迹数据。具体的如何基于关联度关系确定出关联兴趣轨迹数据可以参见下述方案。由此通过获取用户兴趣轨迹数据的最终兴趣画像特征与兴趣画像分簇特征，可以确定出目标兴趣轨迹数据库中与用户兴趣轨迹数据相似的目标成员兴趣轨迹数据，使得对于关联兴趣轨迹数据的选择更加准确。
[0078] 下面介绍本申请实施例所提供的关联兴趣轨迹数据的确定方式的另一个实施例，下面参见下述步骤。
[0079] Process410，从用户兴趣轨迹数据中解析多个兴趣互动事件。
[0080] Process420，对于各兴趣互动事件，基于用户画像训练模型获取兴趣互动事件的模糊兴趣画像特征。
[0081] 一些示例性的设计思路中，通过初始特征挖掘分支对兴趣互动事件进行特征挖掘，输出兴趣互动事件的初始兴趣画像特征；通过中间特征挖掘分支对兴趣互动事件的初始兴趣画像特征进行处理，输出兴趣互动事件的模糊兴趣画像特征。
[0082] Process430，基于兴趣互动事件的模糊兴趣画像特征和多个综合兴趣画像特征，生成兴趣互动事件的潜在兴趣画像特征。
[0083] 从多个综合兴趣画像特征中，生成最新综合兴趣画像特征，最新综合兴趣画像特征表示与兴趣互动事件的模糊兴趣画像特征最关联的综合兴趣画像特征；基于兴趣互动事件的模糊兴趣画像特征与最新综合兴趣画像特征之间的特征区别信息，生成兴趣互动事件的潜在兴趣画像特征。
[0084] 从综合兴趣画像特征提取和兴趣互动事件的模糊兴趣画像特征最关联的综合兴趣画像特征，一些示例性的设计思路中，通过计算兴趣互动事件的模糊兴趣画像特征和综合兴趣画像特征中的欧式距离，将欧式距离最小的对应的综合兴趣画像特征确定为兴趣互动事件的最新平均化兴趣画像特征，将最新平均化兴趣画像特征和模糊兴趣画像特征的差值确定为兴趣互动事件的潜在兴趣画像特征。
[0085] Process440，基于用户画像训练模型基于兴趣互动事件的潜在兴趣画像特征，生成兴趣互动事件的最终兴趣画像特征。
[0086] 通过最终特征挖掘分支对兴趣互动事件的潜在兴趣画像特征进行处理，输出兴趣互动事件的最终兴趣画像特征。
[0087] Process450，对各个兴趣互动事件进行维度划分，输出多个兴趣互动维度，每个兴趣互动维度中包含一个或多个兴趣互动事件。
[0088] 一些示例性的设计思路中，用户兴趣轨迹数据对应多个兴趣行为，每个兴趣行为对应不同的兴趣互动维度，所以对兴趣互动事件进行维度划分，将相同兴趣互动维度进行数据整合，获得前述的全集兴趣行为范例序列。
[0089] Process460，将对应于同一种兴趣互动维度的兴趣互动事件的最终兴趣画像特征进行分簇。
[0090] 对经过用户画像训练模型确定出来的最终兴趣画像特征进行分簇，一些示例性的设计思路中，可以对最终兴趣画像特征进行分簇，输出多个分簇序列以及多个分簇簇心，将分簇序列中离分簇簇心的距离大于设定距离的最终兴趣画像特征剔除，保留设定距离内的最终兴趣画像特征。
[0091] Process470，基于分簇结果确定用户兴趣轨迹数据的兴趣画像分簇特征。
[0092] 基于分簇确定出来的最终兴趣画像特征，生成用户兴趣轨迹数据的兴趣画像分簇特征。也即确定最终兴趣画像特征的兴趣行为数量、兴趣画像特征数量、兴趣行为所对应兴趣互动维度的数量、兴趣画像特征ID、兴趣行为所对应兴趣互动维度的ID、兴趣行为所属兴趣轨迹数据的ID。
[0093] Process480，基于用户兴趣轨迹数据的兴趣画像分簇特征和目标兴趣轨迹数据库中涵盖的各个成员兴趣轨迹数据的兴趣画像分簇特征，从目标兴趣轨迹数据库中提取多个成员兴趣轨迹数据作为召回兴趣轨迹数据。
[0094] 将目标兴趣轨迹数据库中的各个兴趣轨迹数据截取兴趣互动事件，加载至训练后的用户画像训练模型中，输出目标兴趣轨迹数据库中各个兴趣轨迹数据的最终兴趣画像特征，每个最终兴趣画像特征都对应兴趣画像分簇特征，对应兴趣行为数量、兴趣画像特征数量、兴趣行为所对应兴趣互动维度的数量、兴趣画像特征ID、兴趣行为所对应兴趣互动维度的ID、兴趣行为所属兴趣轨迹数据的ID。当确定出目标兴趣轨迹数据库中的某个最终兴趣画像特征时，可以依据兴趣画像分簇特征中该最终表征兴趣行为对应的兴趣轨迹数据ID，确定该最终兴趣画像特征属于目标兴趣轨迹数据库中的哪一个兴趣轨迹数据。
[0095] Process490，依据用户兴趣轨迹数据的兴趣画像分簇特征以及各个召回兴趣轨迹数据的兴趣画像分簇特征，输出各个召回兴趣轨迹数据的关联度量值。
[0096] 从目标兴趣轨迹数据库的最终兴趣画像特征中提取匹配第三目标要求的最终兴趣画像特征作为目标兴趣画像特征，最终兴趣画像特征序列基于目标兴趣轨迹数据库中涵盖的各个成员兴趣轨迹数据中各个兴趣互动事件的最终兴趣画像特征确定；基于目标兴趣画像特征所对应兴趣互动维度的预设影响因子参数、用户兴趣轨迹数据的兴趣画像分簇特征中的兴趣行为数量和兴趣画像特征数量，输出召回兴趣轨迹数据相对于用户兴趣轨迹数据的关联度量值，确定为所述召回兴趣轨迹数据的关联度量值；或，基于目标兴趣画像特征所对应兴趣互动维度的预设影响因子参数、目标兴趣轨迹数据库的兴趣画像分簇特征中的兴趣行为数量和兴趣画像特征数量，输出用户兴趣轨迹数据相对于召回兴趣轨迹数据的关联度量值，确定为所述召回兴趣轨迹数据的关联度量值。一些示例性的设计思路中，第三目标要求是用于筛选目标兴趣画像特征的条件。一些示例性的设计思路中，第三目标要求表示目标兴趣画像特征与用户兴趣轨迹数据的最终兴趣画像特征的关联度满足第三关联度要求，该第三关联度要求可以依据上述两者的关联度来设定。一些示例性的设计思路中，第三关联度要求表示目标兴趣轨迹数据库的最终兴趣画像特征与用户兴趣轨迹数据的最终兴趣画像特征的关联度处于第五关联度区间，比如第五关联度区间是[60，100]，将关联度处于[60，100]的最终兴趣画像特征作为目标兴趣画像特征。一些示例性的设计思路中，第三目标要求表示关联度的次序节点处于第六关联度区间，比如第六关联度区间是[1,5]，将最终兴趣画像特征的关联度进行降序，将关联度的次序节点处于[1,5]的最终兴趣画像特征确定为目标兴趣画像特征。一些示例性的设计思路中，第三目标要求表示最终兴趣画像特征的关联度满足第三关联度要求，比如第三关联度要求对应的第三关联度是0.95，将关联度达到0.95的最终兴趣画像特征确定为目标兴趣画像特征。
[0097] 一些示例性的设计思路中，将目标兴趣轨迹数据库中的最终兴趣画像特征中到用户兴趣轨迹数据中的最终兴趣画像特征的距离小于第四阈值的特征向量确定为目标兴趣画像特征，目标兴趣画像特征是目标兴趣轨迹数据库的最终兴趣画像特征中与用户兴趣轨迹数据中的兴趣画像特征中有匹配的特征向量。
[0098] 一些示例性的设计思路中，关联度量值是召回兴趣轨迹数据相对于用户兴趣轨迹数据的关联度量值，基于目标兴趣画像特征所对应兴趣互动维度的预设影响因子参数、用户兴趣轨迹数据的兴趣画像分簇特征中的兴趣行为数量、兴趣画像特征数量，输出评估值，评估值与兴趣互动维度的预设影响因子参数成正比，与用户兴趣轨迹数据总兴趣行为数量成反比、该兴趣行为下总兴趣画像特征数量成反比。
[0099] 一些示例性的设计思路中，关联度量值是兴趣度量值，是用户兴趣轨迹数据相对于召回兴趣轨迹数据的关联度量值，基于目标兴趣画像特征所对应兴趣互动维度的预设影响因子参数、目标兴趣轨迹数据库的兴趣画像分簇特征中的兴趣行为数量、兴趣画像特征数量，输出用户兴趣轨迹数据相对于召回兴趣轨迹数据的关联度量值，兴趣度量值与兴趣互动维度的预设影响因子参数成正比，与目标兴趣轨迹数据库总兴趣行为数量成反比、该兴趣行为下总兴趣画像特征数量成反比。
[0100] 一些示例性的设计思路中，将评估值作为最终关联度量值，按照关联度量值的到小的顺序，返回召回兴趣轨迹数据。
[0101] 一些示例性的设计思路中，将兴趣度量值作为最终关联度量值，按照关联度量值的降序顺序，返回召回兴趣轨迹数据。
[0102] 一些示例性的设计思路中，综合考虑评估值与兴趣度量值，例如，将评估值与兴趣度量值进行加权，生成最终的关联度量值。
[0103] Process492，基于各个召回兴趣轨迹数据的关联度量值，从各个召回兴趣轨迹数据中提取目标成员兴趣轨迹数据作为用户兴趣轨迹数据对应的关联兴趣轨迹数据。
[0104] 一些示例性的设计思路中，将关联度量值基于降序顺序，取前p%的关联度量值所对应的召回兴趣轨迹数据作为用户兴趣轨迹数据对应的关联兴趣轨迹数据，p是小于100的正整数。一些示例性的设计思路中，p的值为5，也即将关联度量值基于降序顺序，取前5%的关联度量值所对应的召回兴趣轨迹数据作为用户兴趣轨迹数据对应的关联兴趣轨迹数据。
[0105] 例如，第二目标要求是将从目标兴趣轨迹数据库中取前p%的关联度量值所对应的兴趣轨迹数据作为用户兴趣轨迹数据对应的关联兴趣轨迹数据。由此通过获取用户兴趣轨迹数据的最终兴趣画像特征与兴趣画像分簇特征，可以确定出目标兴趣轨迹数据库中与用户兴趣轨迹数据相似的目标成员兴趣轨迹数据，使得对于关联兴趣轨迹数据的选择更加准确。
[0106] 一些示例性的设计思路中，对于前述的Process100，可以通过下述实施例实现。
[0107] 步骤S110，将所述各个候选用户的用户行为大数据中的每个用户行为数据序列加载至兴趣轨迹追踪模型，得到所述兴趣轨迹追踪模型输出的所述用户行为数据序列包括的每个用户行为数据对应的成员兴趣意图轨迹，其中，所述成员兴趣意图轨迹用于表示偏好知识图谱的偏好元素特征，所述兴趣轨迹追踪模型是基于参考用户行为数据以及所述参考用户行为数据的兴趣轨迹标注数据进行模型训练获得的。
[0108] 步骤S120，将对该用户行为数据序列包括的每个用户行为数据对应的成员兴趣意图轨迹进行轨迹特征点融合，确定该用户行为数据序列对应的目标互动进程的兴趣意图轨迹。
[0109] 其中，所述兴趣轨迹追踪模型的训练步骤可以参见下述实施例。
[0110] 步骤S101，基于初始化兴趣轨迹追踪模型对参考用户行为数据中的各个用户行为持续事件进行偏好知识图谱分析，确定各个用户行为持续事件的偏好知识图谱；步骤S102，对任意一个用户行为持续事件的偏好知识图谱分别进行衍生和剪枝，确定所述任意一个用户行为持续事件的知识图谱衍生数据和知识图谱剪枝数据，并依据所述任意一个用户行为持续事件的知识图谱衍生数据与知识图谱剪枝数据之间的特征关系，确定所述任意一个用户行为持续事件的偏好限定数据；所述任意一个用户行为持续事件的偏好限定数据包括所述任意一个用户行为持续事件的偏好限定节点以外的数据和所述任意一个用户行为持续事件的偏好限定节点以内的数据；
步骤S103，确定任意一个用户行为持续事件的偏好限定数据内各个限定偏好元素的偏好影响参数值和所述任意一个用户行为持续事件的注意力偏好元素的偏好影响参数值；任意一个用户行为持续事件的注意力偏好元素为所述任意一个用户行为持续事件的偏好知识图谱中位于所述任意一个用户行为持续事件的偏好限定数据以外的偏好元素，任意一个用户行为持续事件的限定偏好元素的偏好影响参数值大于所述任意一个用户行为持续事件的注意力偏好元素的偏好影响参数值；
步骤S104，依据各个用户行为持续事件的限定偏好元素和注意力偏好元素的偏好影响参数值，分别确定所述各个用户行为持续事件对应的兴趣轨迹追踪代价值，并依据所述各个用户行为持续事件对应的兴趣轨迹追踪代价值，更新所述初始化兴趣轨迹追踪模型的模型权重信息。
[0111] 一些示例性的设计思路中，确定任意一个用户行为持续事件的偏好限定数据内各个限定偏好元素的偏好影响参数值的步骤，具体包括：确定任意一个用户行为持续事件的偏好限定数据内各个限定偏好元素与所述任意一个用户行为持续事件的实体偏好限定节点之间的关联度；依据所述任意一个用户行为持续事件的偏好限定数据内各个限定偏好元素与所述任意一个用户行为持续事件的实体偏好限定节点之间的关联度，确定所述各个限定偏好元素的偏好影响参数值，所述任意一个用户行为持续事件的任意一个限定偏好元素与所述任意一个用户行为持续事件的实体偏好限定节点之间的关联度越大，所述任意一个限定偏好元素的偏好影响参数值越大。
[0112] 一些示例性的设计思路中，对任意一个用户行为持续事件的偏好知识图谱分别进行衍生和剪枝，确定所述任意一个用户行为持续事件的知识图谱衍生数据和知识图谱剪枝数据，并依据所述任意一个用户行为持续事件的知识图谱衍生数据与知识图谱剪枝数据之间的特征关系，确定所述任意一个用户行为持续事件的偏好限定数据的步骤，具体包括：确定第一衍生剪枝参数和第二衍生剪枝参数，所述第一衍生剪枝参数的覆盖范围大于所述第二衍生剪枝参数的覆盖范围；依据所述第一衍生剪枝参数，对所述任意一个用户行为持续事件的偏好知识图谱分别进行衍生和剪枝，确定所述任意一个用户行为持续事件的第一知识图谱衍生数据和第一知识图谱剪枝数据，并依据所述任意一个用户行为持续事件的第一知识图谱衍生数据和第一知识图谱剪枝数据之间的特征关系，确定所述任意一个用户行为持续事件的第一偏好限定数据；依据所述第二衍生剪枝参数，对所述任意一个用户行为持续事件的偏好知识图谱分别进行衍生和剪枝，确定所述任意一个用户行为持续事件的第二知识图谱衍生数据和第二知识图谱剪枝数据，并依据所述任意一个用户行为持续事件的第二知识图谱衍生数据和第二知识图谱剪枝数据之间的特征关系，确定所述任意一个用户行为持续事件的第二偏好限定数据，所述偏好限定数据包括所述第一偏好限定数据和所述第二偏好限定数据；位于所述任意一个用户行为持续事件的第二偏好限定数据内的限定偏好元素与所述任意一个用户行为持续事件的实体偏好限定节点之间的关联度被配置为第一关联度，位于所述任意一个用户行为持续事件的第一偏好限定数据内且不在第二偏好限定数据内的限定偏好元素与所述任意一个用户行为持续事件的实体偏好限定节点之间的关联度被配置为第二关联度，所述第一关联度小于所述第二关联度。
[0113] 一些示例性的设计思路中，依据所述任意一个用户行为持续事件的偏好限定数据内各个限定偏好元素与所述任意一个用户行为持续事件的实体偏好限定节点之间的关联度，确定所述各个限定偏好元素的偏好影响参数值的步骤，具体包括：如果所述任意一个用户行为持续事件的任意一个限定偏好元素与所述任意一个用户行为持续事件的实体偏好限定节点之间的关联度为第一关联度，则将默认偏好影响参数值与第一历史训练学习参数的融合参数作为所述任意一个限定偏好元素的偏好影响参数值；如果所述任意一个用户行为持续事件的任意一个限定偏好元素与所述任意一个用户行为持续事件的实体偏好限定节点之间的关联度为第二关联度，则将默认偏好影响参数值与第二历史训练学习参数的融合参数作为所述任意一个限定偏好元素的偏好影响参数值，所述第一历史训练学习参数和所述第二历史训练学习参数均大于1，且所述第一历史训练学习参数大于所述第二历史训练学习参数。
[0114] 一些示例性的设计思路中，所述第一历史训练学习参数是依据所述任意一个用户行为持续事件的知识图谱实体数量与所述第二偏好限定数据的限定偏好元素之间的比值确定的；所述第二历史训练学习参数是依据所述任意一个用户行为持续事件的知识图谱实体数量与所述第一偏好限定数据的限定偏好元素之间的比值确定的；所述任意一个用户行为持续事件的知识图谱实体数量是依据所述任意一个用户行为持续事件的偏好知识图谱确定的。
[0115] 一些示例性的设计思路中，对任意一个用户行为持续事件的偏好知识图谱分别进行衍生和剪枝之前还包括：依据任意一个用户行为持续事件的偏好知识图谱以及所述任意一个用户行为持续事件的连通用户行为持续事件的偏好知识图谱，确定所述任意一个用户行为持续事件的关注核心事件点以及所述任意一个用户行为持续事件的连通用户行为持续事件的关注核心事件点；依据所述任意一个用户行为持续事件的关注核心事件点以及所述任意一个用户行为持续事件的连通用户行为持续事件的关注核心事件点，确定所述任意一个用户行为持续事件与所述任意一个用户行为持续事件的连通用户行为持续事件的关注度； 依据所述任意一个用户行为持续事件与所述任意一个用户行为持续事件的连通用户行为持续事件的关注度，确定所述任意一个用户行为持续事件对应的衍生剪枝参数，所述任意一个用户行为持续事件与所述任意一个用户行为持续事件的连通用户行为持续事件的关注度越高，所述任意一个用户行为持续事件对应的衍生剪枝参数越大；所述任意一个用户行为持续事件对应的衍生剪枝参数用于对所述任意一个用户行为持续事件的偏好知识图谱进行衍生和剪枝。
[0116] 一些示例性的设计思路中，依据所述任意一个用户行为持续事件与所述任意一个用户行为持续事件的连通用户行为持续事件的关注度，确定所述任意一个用户行为持续事件对应的衍生剪枝参数的步骤，具体包括： 依据所述任意一个用户行为持续事件与所述任意一个用户行为持续事件的连通用户行为持续事件的关注度，以及所述任意一个用户行为持续事件的持续特征序列，确定所述任意一个用户行为持续事件对应的衍生剪枝参数，所述任意一个用户行为持续事件的持续特征序列的覆盖范围越大，所述任意一个用户行为持续事件对应的衍生剪枝参数越大。
[0117] 针对一些可能的实施方式而言，大数据服务系统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。
[0118] 处理器110可以通过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人工智能的互联网用户整合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。
[0119] 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。比如，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。
[0120] 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意一个实施例所述的基于人工智能的互联网用户整合方法。
[0121] 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意一个实施例所述的基于人工智能的互联网用户整合方法。
[0122] 以上所述仅是本申请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，在不脱离本申请的方案技术构思的前提下，采用基于本申请技术思想的其它类似实施手段，同样属于本申请实施例的保护范畴。
