[0014] 下面介绍本发明一种实施例提供的用于联合大数据挖掘的业务预测分析系统10的架构，该用于联合大数据挖掘的业务预测分析系统10可以包括AI挖掘系统100以及与AI挖掘系统100通信连接的互联网AI挖掘系统200。其中，用于联合大数据挖掘的业务预测分析系统10中的AI挖掘系统100和互联网AI挖掘系统200可以依据配合执行以下方法实施例所描述的用于联合大数据挖掘的业务预测分析方法，具体AI挖掘系统100和互联网AI挖掘系统200的执行步骤部分可以参照以下方法实施例的详细描述。
[0015] 本实施例提供的用于联合大数据挖掘的业务预测分析方法可以由AI挖掘系统100执行，下面结合图1对该用于联合大数据挖掘的业务预测分析方法进行详细介绍。
[0016] Process100，针对新上线业务的用户更新大数据中的多个更新行为活动进行分析，确定用于加载到联合挖掘上线业务的联合待挖掘基础数据。
[0017] 本实施例中，新上线业务可以是指上线时间小于预设时间的上线业务，具体新上线业务类型可以基于当前热门用户需求进行确定，在此不作具体限定，如当前针对某热门产品的电商直播业务，可以作为一个新上线业务。联合挖掘上线业务可以是指与该新上线业务存在联系的已上线业务，如当前针对某热门产品的电商购物应用端业务。由此，可以便于结合已上线业务和联合挖掘上线业务进行联合大数据挖掘。
[0018] 其中，用户更新大数据可以是指用户在新上线业务中的用户行为数据，这些用户行为数据相较于已上线业务而言是新更新的行为数据，其具体可以包括多个更新行为活动，在此基础上，可以进一步确定用于加载到联合挖掘上线业务的联合待挖掘基础数据，如联合挖掘更新行为活动以及所述联合挖掘更新行为活动对应的联合挖掘参考信息。
[0019] Process200，对所述联合挖掘上线业务的联合待挖掘基础数据和所述联合挖掘上线业务的基础待挖掘数据进行业务态势分析，确定所述新上线业务和对应的联合挖掘上线业务所构成的业务组的业务态势信息。
[0020] 本实施例中，业务态势可以用于表征所述新上线业务和对应的联合挖掘上线业务所构成的业务组的当前用户使用过程的形势及状态，如用户兴趣变化的形势及状态、用户分享给其它用户的变化的形势及状态等。
[0021] 其中，可以将联合待挖掘基础数据和基础待挖掘数据输入到业务态势分析模型中，确定所述新上线业务和对应的联合挖掘上线业务所构成的业务组的业务态势信息。其中，所述业务态势分析模型可以基于在先搜集的待挖掘样本数据和对应的先验业务态势信息进行训练获得，如将在先搜集的待挖掘样本数据输入到初始化业务态势分析模型中预测对应的业务态势预测信息，然后基于业务态势预测信息与对应的先验业务态势信息之间的损失函数值调整初始化业务态势分析模型的模型参数并迭代进行训练，从而输出满足模型部署要求的所述业务态势分析模型。
[0022] Process300，根据所述业务组的业务态势信息，确定所述业务组的业务画像信息，并向对应的业务开发终端推送所述业务组的业务画像信息。
[0023] 本实施例中，业务画像信息可以用于表征所述业务组的业务态势信息的受众类别，如高受众面类别、中受众面类别、低受众面类别，或者可以以受众置信度进行选择，如0‑100，数值越大表示受众面越广。
[0024] 其中，可以将所述业务组的业务态势信息输入到业务画像分析模型中，确定所述业务组的业务画像信息。其中，所述业务画像分析模型可以基于在先搜集的样本业务态势信息和对应的先验业务画像信息进行训练获得，如将在先搜集的样本业务态势信息输入到初始化业务画像分析模型中预测对应的业务画像预测信息，然后基于业务画像预测信息与对应的先验业务画像信息之间的损失函数值调整初始化业务画像分析模型的模型参数并迭代进行训练，从而输出满足模型部署要求的所述业务画像分析模型。
[0025] 基于以上步骤，本申请实施例针对新上线业务的用户更新大数据中的多个更新行为活动进行分析，确定用于加载到联合挖掘上线业务的联合待挖掘基础数据，对联合挖掘上线业务的联合待挖掘基础数据和联合挖掘上线业务的基础待挖掘数据进行业务态势分析，确定新上线业务和对应的联合挖掘上线业务所构成的业务组的业务态势信息，根据业务组的业务态势信息确定业务组的业务画像信息，并向对应的业务开发终端推送业务组的业务画像信息，从而针对新上线业务进行联合大数据挖掘，输出以业务组为分析单位的业务画像信息以供相应的业务开发人员对业务受众情况进行分析，从而便于后续业务优化。
[0026] Process101，获取用户更新大数据中的多个更新行为活动，分析多个更新行为活动各自对应的活动联合挖掘价值，基于多个活动联合挖掘价值，从多个更新行为活动中确定第一更新行为活动。
[0027] 例如，获取用户更新大数据，基于行为活动时间触发序列对用户更新大数据进行分治，确定用户更新大数据对应的多个更新行为活动；多个更新行为活动包括更新行为活动ACTb，b为正整数，且b不大于多个更新行为活动对应的全局数量；从更新行为活动ACTb中获取S个行为活动主题，以及S个行为活动主题各自对应的频繁互动数据；S为正整数；对更新行为活动ACTb进行频繁互动意图分析，确定频繁互动意图，提取更新行为活动ACTb中的主动行为互动资源以及被动行为互动资源；将频繁互动意图、主动行为互动资源以及被动行为互动资源，作为更新行为活动ACTb对应的行为活动知识点SNb；基于S个行为活动主题、S个频繁互动数据以及行为活动知识点SNb，生成更新行为活动ACTb对应的联合挖掘分析特征；基于多个更新行为活动各自对应的联合挖掘分析特征，分析多个更新行为活动各自对应的活动联合挖掘价值。
[0028] 其中，生成更新行为活动ACTb对应的联合挖掘分析特征的具体过程可以包括：获取联合挖掘决策模型；联合挖掘决策模型包括第一联合挖掘决策单元；第一联合挖掘决策单元包括第一特征挖掘分支、第二特征挖掘分支、第三特征挖掘分支以及第四特征挖掘分支；将S个行为活动主题分别加载到第一特征挖掘分支，通过第一特征挖掘分支，对S个行为活动主题分别进行特征挖掘，确定S个行为活动主题各自对应的操作行为成员特征，对S个操作行为成员特征进行聚合，确定更新行为活动ACTb对应的行为活动特征；将S个频繁互动数据分别加载到第二特征挖掘分支，通过第二特征挖掘分支，对S个频繁互动数据分别进行特征挖掘，确定S个频繁互动数据各自对应的频繁互动成员特征，对S个频繁互动成员特征进行聚合，确定更新行为活动ACTb对应的频繁互动特征；将行为活动知识点SNb加载到第三特征挖掘分支，通过第三特征挖掘分支，提取行为活动知识点SNb中的关键描述数据，对关键描述数据进行特征挖掘，确定关键描述数据对应的关键描述特征；将行为活动特征、频繁互动特征以及关键描述特征分别加载到第四特征挖掘分支，通过第四特征挖掘分支，对行为活动特征、频繁互动特征以及关键描述特征进行聚合，确定更新行为活动ACTb对应的联合挖掘分析特征。
[0029] 其中，分析多个更新行为活动各自对应的活动联合挖掘价值的具体过程可以包括：获取联合挖掘决策模型；联合挖掘决策模型包括第一联合挖掘决策单元；第一联合挖掘决策单元包括第一价值预测分支；将更新行为活动ACTb对应的联合挖掘分析特征加载到第一价值预测分支，通过第一价值预测分支，对更新行为活动ACTb对应的联合挖掘分析特征进行联合挖掘价值输出，确定更新行为活动ACTb对应的活动联合挖掘价值；则从多个更新行为活动中确定第一更新行为活动的具体过程可以包括：将多个更新行为活动各自对应的活动联合挖掘价值分别与第一预设挖掘价值进行比较；在多个更新行为活动中，将不小于第一预设挖掘价值的活动联合挖掘价值对应的更新行为活动，作为第一更新行为活动。
[0030] AI挖掘系统获取用户更新大数据，可以通过行为活动时间触发序列对用户更新大数据进行切分，确定用户更新大数据的多个更新行为活动。可以理解的是，AI挖掘系统确定每个更新行为活动各自对应的活动联合挖掘价值的过程是一致的，故本发明实施例以确定更新行为活动ACT1对应的活动联合挖掘价值为例进行叙述，多个更新行为活动中的剩余更新行为活动对应的活动联合挖掘价值的确定过程，请参见如下描述，其中，更新行为活动ACT1属于上述的更新行为活动ACTb。AI挖掘系统从更新行为活动ACT1中获取S个行为活动主题，以及S个行为活动主题各自对应的频繁互动数据；AI挖掘系统对更新行为活动ACT1进行频繁互动意图分析，确定频繁互动意图；提取更新行为活动ACT1中的主动行为互动资源，提取被动行为互动资源；一些实施方式中，AI挖掘系统将频繁互动意图、主动行为互动资源以及被动行为互动资源，作为更新行为活动ACT1对应的行为活动知识点SN1。
[0031] AI挖掘系统获取联合挖掘决策模型中的第一联合挖掘决策单元，第一联合挖掘决策单元包括第一特征挖掘分支40a、第二特征挖掘分支40b、第三特征挖掘分支40c、第四特征挖掘分支40e以及第一价值预测分支40f。AI挖掘系统将S个行为活动主题分别加载到第一特征挖掘分支40a，假设S个行为活动主题包括第一行为活动主题以及第二行为活动主题，则通过第一特征挖掘分支40a，对第一行为活动主题进行特征挖掘，可以得到第一行为活动主题对应的第一操作行为成员特征，对第二行为活动主题进行特征挖掘，可以得到第二行为活动主题对应的第二操作行为成员特征，故AI挖掘系统可以得到S个行为活动主题各自对应的操作行为成员特征；对S个操作行为成员特征401a进行聚合，AI挖掘系统可以得到更新行为活动ACT1对应的行为活动特征401d。
[0032] 此外，AI挖掘系统将S个频繁互动数据分别加载到第二特征挖掘分支40b，假设S个频繁互动数据包括第一行为活动主题对应的第一频繁互动数据，以及第二行为活动主题对应的第二频繁互动数据，则通过第二特征挖掘分支40b，对第一频繁互动数据进行特征挖掘，可以得到第一频繁互动数据对应的第一频繁互动成员特征，对第二频繁互动数据进行特征挖掘，可以得到第二频繁互动数据对应的第二频繁互动成员特征，以此，AI挖掘系统可以得到S个频繁互动数据各自对应的频繁互动成员特征，对S个频繁互动成员特征401b进行聚合，确定更新行为活动ACT1对应的频繁互动特征402d。该第二特征挖掘分支40b可以包括Conv‑TasNet、BiLSTM‑TasNet等。
[0033] AI挖掘系统将行为活动知识点SN1加载到第三特征挖掘分支40c，通过第三特征挖掘分支40c，提取行为活动知识点SN1中的关键描述数据，对关键描述数据进行特征挖掘，确定关键描述数据对应的关键描述特征。第三特征挖掘分支40c可以为双向编码模型等。
[0034] 一些实施方式中，AI挖掘系统将行为活动特征401d、频繁互动特征402d以及关键描述特征403d分别加载到第四特征挖掘分支40e，通过第四特征挖掘分支40e，对行为活动特征401d、频繁互动特征402d以及关键描述特征403d进行聚合，可以得到更新行为活动ACT1对应的联合挖掘分析特征401e。AI挖掘系统将联合挖掘分析特征401e加载到第一价值预测分支40f，通过第一价值预测分支40f，对联合挖掘分析特征401e进行联合挖掘价值输出，确定更新行为活动ACT1对应的活动联合挖掘价值。其中，基于多个活动联合挖掘价值，AI挖掘系统从多个更新行为活动中确定第一更新行为活动的具体过程，请参见前述描述。
[0035] Process102，获取与用户更新大数据存在关联关系的页面关注点数据集，基于页面关注点数据集以及第一更新行为活动，分析第一更新行为活动对应的页面联合挖掘价值，基于第一更新行为活动对应的页面联合挖掘价值，从第一更新行为活动中确定第二更新行为活动。
[0036] 例如，获取与用户更新大数据存在关联关系的页面目标的页面关注点数据，获取与页面目标存在关联关系的联合挖掘上线业务的页面关注点数据；基于页面目标的页面关注点数据以及联合挖掘上线业务的页面关注点数据，生成页面关注点数据集；获取联合挖掘决策模型，将页面关注点数据集以及第一更新行为活动分别加载到联合挖掘决策模型；联合挖掘决策模型包括第二联合挖掘决策单元；第二联合挖掘决策单元包括第一页面关注特征挖掘分支；通过第一页面关注特征挖掘分支，对页面关注点数据集中的每个页面关注点数据进行页面关注特征挖掘，确定页面关注点数据集对应的第一页面关注特征；获取第一更新行为活动对应的联合挖掘分析特征，基于第一页面关注特征以及第一更新行为活动对应的联合挖掘分析特征，分析第一更新行为活动对应的页面联合挖掘价值。
[0037] 其中，第二联合挖掘决策单元还包括第一特征聚合分支以及第二价值预测分支；确定第一更新行为活动对应的页面联合挖掘价值的具体过程可以包括：将第一页面关注特征以及第一更新行为活动对应的联合挖掘分析特征分别加载到第一特征聚合分支；通过第一特征聚合分支，对第一页面关注特征以及第一更新行为活动对应的联合挖掘分析特征进行特征聚合，确定第一更新行为活动对应的第一联合挖掘聚合特征；将第一联合挖掘聚合特征加载到第二价值预测分支，通过第二价值预测分支，对第一联合挖掘聚合特征进行联合挖掘价值输出，确定第一更新行为活动对应的页面联合挖掘价值；
其中，第一更新行为活动的数量为多个；从第一更新行为活动中确定第二更新行为活动的具体过程可以包括：将多个第一更新行为活动各自对应的页面联合挖掘价值与第二预设挖掘价值进行比较；在多个第一更新行为活动中，将大于第二预设挖掘价值的页面联合挖掘价值对应的第一更新行为活动，作为第二更新行为活动。
[0038] Process101 通过确定出联合挖掘价值高的第一更新行为活动，本步骤对第一更新行为活动限定于页面关注点的相关性，使得构建的第一更新行为活动与对象的关注点更加契合，可以进一步提升用户更新大数据联合挖掘的可靠性。AI挖掘系统获取页面目标的页面关注点数据（简写为新上线页面关注点数据），新上线页面关注点数据可以表征页面目标的关注点。
[0039] 本发明实施例可以提供两种获取第一更新行为活动对应的联合挖掘分析特征的方式，第一种方式：Process101已提供多个更新行为活动各自对应的联合挖掘分析特征（包括联合挖掘分析特征401e），且第一更新行为活动属于多个更新行为活动，故AI挖掘系统可以在第一联合挖掘决策单元中所输出的多个更新行为活动各自对应的联合挖掘分析特征中，获取第一更新行为活动对应的联合挖掘分析特征。AI挖掘系统可以通过第一联合挖掘决策单元20e分别获取更新行为活动201d对应的联合挖掘分析特征、更新行为活动202d对应的联合挖掘分析特征、更新行为活动203d对应的联合挖掘分析特征、更新行为活动204d对应的联合挖掘分析特征、更新行为活动205d对应的联合挖掘分析特征、更新行为活动206d对应的联合挖掘分析特征，且AI挖掘系统确定更新行为活动201d、更新行为活动202d、更新行为活动203d、更新行为活动206d，为第一更新行为活动，则可以直接将第一联合挖掘决策单元20e所输出的针对更新行为活动201d的联合挖掘分析特征、针对更新行为活动
202d的联合挖掘分析特征、针对更新行为活动203d的联合挖掘分析特征、针对更新行为活动206d的联合挖掘分析特征，作为第一更新行为活动对应的联合挖掘分析特征。上述第一种获取第一更新行为活动对应的联合挖掘分析特征的方式，可以减小联合挖掘决策模型的运算时间以及运算成本。
[0040] 为了提高第一更新行为活动对应的联合挖掘分析特征的精度，AI挖掘系统可以采用第二种方式，在训练第二联合挖掘决策单元时，AI挖掘系统是将已训练好的第一联合挖掘决策单元中的第一特征挖掘分支40a、第二特征挖掘分支40b、第三特征挖掘分支40c以及第四特征挖掘分支40e各自对应的模型权重信息，作为初始模型权重信息，并依据第二范例模型训练数据集（包括范例用户更新数据、范例页面关注点数据集以及范例用户更新数据对应的先验页面联合挖掘价值标注信息）对初始模型权重信息进行更新。其中，AI挖掘系统通过前述初始模型权重信息得到第一更新行为活动对应的联合挖掘分析特征402e的过程，与通过第一联合挖掘决策单元得到多个更新行为活动各自对应的联合挖掘分析特征的过程是一致的，故请参见上文Process101的技术方案。由于该初始模型权重信息优于前述的模型权重信息，故联合挖掘分析特征402e优于Process101中的多个联合挖掘分析特征。
[0041] 第二联合挖掘决策单元可以包括第一页面关注特征挖掘分支40g、第一特征聚合分支40h以及第二价值预测分支40i。通过第一页面关注特征挖掘分支40h，AI挖掘系统对页面关注点数据集中的每个页面关注点数据进行页面关注特征挖掘，确定页面关注点数据集对应的第一页面关注特征401g；AI挖掘系统将第一页面关注特征401g以及第一更新行为活动对应的联合挖掘分析特征（例如联合挖掘分析特征402e）分别加载到第一特征聚合分支40h，通过第一特征聚合分支40h，对第一页面关注特征401g以及联合挖掘分析特征402e进行特征聚合，可以得到第一更新行为活动对应的第一联合挖掘聚合特征401h；一些实施方式中，AI挖掘系统将第一联合挖掘聚合特征401h加载到第二价值预测分支40i，通过第二价值预测分支40i，可以得到第一更新行为活动对应的页面联合挖掘价值。
[0042] 其中，AI挖掘系统基于第一更新行为活动对应的页面联合挖掘价值，从第一更新行为活动中确定第二更新行为活动的过程，请参见前述相关描述。
[0043] Process103，基于页面关注点数据集以及第二更新行为活动，分析第二更新行为活动对应的协助联合挖掘价值，基于第二更新行为活动对应的协助联合挖掘价值，分析第二更新行为活动对应的联合挖掘参考信息。
[0044] AI挖掘系统通过联合挖掘决策模型中的协助联合挖掘决策单元，分析第二更新行为活动对应的协助联合挖掘价值，进而确定联合挖掘参考信息的过程，请参见前述相关描述。
[0045] Process104，基于第二更新行为活动对应的活动联合挖掘价值、第二更新行为活动对应的页面联合挖掘价值，以及第二更新行为活动对应的协助联合挖掘价值，从第二更新行为活动中确定联合挖掘更新行为活动，将联合挖掘更新行为活动以及联合挖掘更新行为活动对应的联合挖掘参考信息，作为用于加载到联合挖掘上线业务的联合待挖掘基础数据。
[0046] 例如，第二更新行为活动的数量为多个，多个第二更新行为活动包括第二更新行为活动Jm，m为正整数，且m不大于多个第二更新行为活动的数量；对第二更新行为活动Jm对应的活动联合挖掘价值、第二更新行为活动Jm对应的页面联合挖掘价值，以及第二更新行为活动Jm对应的协助联合挖掘价值进行权重融合，确定第二更新行为活动Jm对应的全局联合挖掘价值；从多个第二更新行为活动各自对应的全局联合挖掘价值中，获取最大的全局联合挖掘价值；在多个第二更新行为活动中，将最大的全局联合挖掘价值对应的第二更新行为活动确定为联合挖掘更新行为活动；在多个第二更新行为活动各自对应的联合挖掘参考信息中，获取联合挖掘更新行为活动对应的联合挖掘参考信息。
[0047] 由此，AI挖掘系统确定用户更新大数据中的多个更新行为活动各自对应的活动联合挖掘价值，故可以基于多个活动联合挖掘价值，从多个更新行为活动中确定第一更新行为活动，可以理解的是，第一更新行为活动属于用户更新大数据且其联合挖掘价值（质量）优于用户更新大数据的联合挖掘价值；一些实施方式中，AI挖掘系统获取与用户更新大数据存在关联关系的页面关注点数据集，基于页面关注点数据集以及第一更新行为活动，分析第一更新行为活动对应的页面联合挖掘价值，故可以基于第一更新行为活动对应的页面联合挖掘价值，从第一更新行为活动中确定第二更新行为活动，可以理解的是，第二更新行为活动不仅依据第一更新行为活动的用户更新大数据内容确定，还依据页面关注点数据集确定，故其联合挖掘价值优于第一更新行为活动的联合挖掘价值；一些实施方式中，AI挖掘系统基于页面关注点数据集以及第二更新行为活动，分析第二更新行为活动对应的协助联合挖掘价值，基于第二更新行为活动对应的协助联合挖掘价值，分析第二更新行为活动对应的联合挖掘参考信息，可以理解的是，联合挖掘参考信息不仅与第二更新行为活动相关联，还与页面关注点数据集相关联；一些实施方式中，AI挖掘系统基于第二更新行为活动对应的活动联合挖掘价值、第二更新行为活动对应的页面联合挖掘价值，以及第二更新行为活动对应的协助联合挖掘价值，从第二更新行为活动中确定联合挖掘更新行为活动，将联合挖掘更新行为活动以及联合挖掘更新行为活动对应的联合挖掘参考信息，作为用于加载到联合挖掘上线业务的联合待挖掘基础数据。上述可知，本发明中的联合待挖掘基础数据是依据不同维度的联合挖掘价值所确定的，不仅与联合挖掘更新行为活动自身的用户更新大数据本身相关联，还与页面关注点数据集相关联，故通过联合待挖掘基础数据，可以提高用户更新大数据的联合挖掘效率以及联合挖掘效果。
[0048] 下面进一步介绍本发明另一个实施例。
[0049] Process201，获取用户更新大数据中的多个更新行为活动，分析多个更新行为活动各自对应的活动联合挖掘价值，基于多个活动联合挖掘价值，从多个更新行为活动中确定第一更新行为活动。
[0050] Process202，获取与用户更新大数据存在关联关系的页面关注点数据集，基于页面关注点数据集以及第一更新行为活动，分析第一更新行为活动对应的页面联合挖掘价值，基于第一更新行为活动对应的页面联合挖掘价值，从第一更新行为活动中确定第二更新行为活动。
[0051] 其中，Process201‑Process202的具体实现过程，请参见前述实施例中的Process101‑Process102，此处不进行赘述。
[0052] Process203，获取第二更新行为活动中的多个行为活动主题各自对应的联合挖掘主题特征。
[0053] 例如，基于主题产生时空域，对第二更新行为活动进行主题输出，确定第二更新行为活动中的多个行为活动主题；获取联合挖掘决策模型；联合挖掘决策模型包括第三联合挖掘决策单元；第三联合挖掘决策单元包括主题解析分支；将多个行为活动主题分别加载到主题解析分支，通过主题解析分支，对多个行为活动主题分别进行特征挖掘，确定多个行为活动主题各自对应的联合挖掘主题特征。
[0054] AI挖掘系统可以通过主题产生时空域从第二更新行为活动中，获取多个行为活动主题，该多个行为活动主题均作为候选协助主题，AI挖掘系统需要确定多个行为活动主题各自对应的主题联合挖掘价值，进而确定第二更新行为活动对应的主题联合挖掘价值，下面介绍第三联合挖掘决策单元，AI挖掘系统通过第三联合挖掘决策单元得到每个行为活动主题各自对应的主题联合挖掘价值的过程是一致的，故本发明实施例以得到行为活动主题TH1对应的主题联合挖掘价值为例进行叙述，多个行为活动主题中的剩余行为活动主题的实现方式请参见下文的描述。
[0055] AI挖掘系统将行为活动主题TH1（属于Process204中的行为活动主题THg）加载到第三联合挖掘决策单元中的主题解析分支70a，通过主题解析分支70a，对行为活动主题TH1进行特征挖掘，确定行为活动主题TH1对应的联合挖掘主题特征701a。
[0056] Process204，基于多个联合挖掘主题特征、第二更新行为活动、页面关注点数据集，分析第二更新行为活动对应的主题联合挖掘价值，基于第二更新行为活动对应的主题联合挖掘价值，分析第二更新行为活动对应的协助主题；第二更新行为活动对应的协助主题属于多个行为活动主题。
[0057] 例如，多个行为活动主题包括行为活动主题THg，多个联合挖掘主题特征包括行为活动主题THg对应的联合挖掘主题特征；g为正整数，且g不大于多个行为活动主题对应的全局数量；获取第二更新行为活动对应的联合挖掘分析特征，获取页面关注点数据集对应的第二页面关注特征；获取联合挖掘决策模型；联合挖掘决策模型包括第三联合挖掘决策单元；第三联合挖掘决策单元包括第二特征聚合分支；将行为活动主题THg对应的联合挖掘主题特征、第二更新行为活动对应的联合挖掘分析特征以及第二页面关注特征分别加载到第二特征聚合分支；通过第二特征聚合分支，对行为活动主题THg对应的联合挖掘主题特征、第二更新行为活动对应的联合挖掘分析特征以及第二页面关注特征进行特征聚合，确定行为活动主题THg对应的第二联合挖掘聚合特征；基于多个行为活动主题各自对应的第二联合挖掘聚合特征，分析第二更新行为活动对应的主题联合挖掘价值，基于第二更新行为活动对应的主题联合挖掘价值，分析第二更新行为活动对应的协助主题。
[0058] 其中，第三联合挖掘决策单元还包括第三价值预测分支；确定第二更新行为活动对应的协助主题的具体过程可以包括：将行为活动主题THg对应的第二联合挖掘聚合特征加载到第三价值预测分支，通过第三价值预测分支，对行为活动主题THg对应的第二联合挖掘聚合特征进行联合挖掘价值输出，确定行为活动主题THg对应的主题联合挖掘价值；从多个行为活动主题各自对应的主题联合挖掘价值中，获取最大的主题联合挖掘价值，将最大的主题联合挖掘价值确定为第二更新行为活动对应的主题联合挖掘价值；在多个行为活动主题中，将最大的主题联合挖掘价值对应的行为活动主题确定为第二更新行为活动对应的协助主题。
[0059] 本发明实施例可以提供3种不同的获取第二更新行为活动对应的联合挖掘分析特征的方式，第一种获取方式可以参见前述实施例中Process102关于获取第一更新行为活动对应的联合挖掘分析特征的描述，两者原理一致；第二种获取方式与第一种获取方式类似，Process102已提供第一更新行为活动对应的联合挖掘分析特征（包括联合挖掘分析特征402e），且第二更新行为活动属于第一更新行为活动，故AI挖掘系统可以在第二联合挖掘决策单元中所输出的第一更新行为活动对应的联合挖掘分析特征中，获取第二更新行为活动对应的联合挖掘分析特征。
[0060] 为了提高第二更新行为活动对应的联合挖掘分析特征的精度，AI挖掘系统可以采用第三种方式，下面介绍一种第三联合挖掘决策单元，与前述第二联合挖掘决策单元中的参数层相同，但两者之间的模型权重信息不一致，因为训练第三联合挖掘决策单元时，AI挖掘系统是将已训练好的第二联合挖掘决策单元中的模型权重信息，作为初始模型权重信息，并依据第三范例模型训练数据集（包括范例用户更新数据、范例页面关注点数据集、范例用户更新数据对应的先验协助主题以及范例用户更新数据对应的协助主题联合挖掘价值信息）对初始模型权重信息进行微调。可以理解的是，AI挖掘系统通过初始模型权重信息得到第二更新行为活动对应的联合挖掘分析特征的过程，与通过第二联合挖掘决策单元得到联合挖掘分析特征402e的过程是一致的，故请参见上文Process101的技术方案。由于本次模型权重信息优于前述模型权重信息，故本次所输出的第二更新行为活动对应的联合挖掘分析特征优于联合挖掘分析特征402e。
[0061] AI挖掘系统将行为活动主题TH1对应的联合挖掘主题特征701a、第二更新行为活动对应的联合挖掘分析特征以及第二页面关注特征分别加载到第二特征聚合分支70b；通过第二特征聚合分支70b，可以对联合挖掘主题特征701a、第二更新行为活动对应的联合挖掘分析特征以及第二页面关注特征进行特征聚合，故可以得到行为活动主题TH1对应的第二联合挖掘聚合特征701b；一些实施方式中，AI挖掘系统将第二联合挖掘聚合特征701b加载到第三价值预测分支70c，通过第三价值预测分支70c，可以对第二联合挖掘聚合特征701b进行联合挖掘价值输出，故可以得到行为活动主题TH1对应的主题联合挖掘价值。按照上述描述，AI挖掘系统可以得到多个行为活动主题各自对应的主题联合挖掘价值。
[0062] Process205，基于页面关注点数据集以及第二更新行为活动对应的行为活动知识点，分析第二更新行为活动对应的频繁项联合挖掘价值，以及第二更新行为活动对应的协助频繁项。
[0063] 例如，协助频繁项是由N个联合挖掘行为实例构成；获取联合挖掘决策模型；联合挖掘决策模型包括第四联合挖掘决策单元；第四联合挖掘决策单元包括第二页面关注特征挖掘分支、第三页面关注特征挖掘分支、频繁评估分支以及频繁项决策分支；将第二更新行为活动对应的行为活动知识点加载到第二页面关注特征挖掘分支，通过第二页面关注特征挖掘分支，对第二更新行为活动对应的行为活动知识点进行页面关注特征挖掘，确定行为活动知识点特征；将页面关注点数据集加载到第三页面关注特征挖掘分支，通过第三页面关注特征挖掘分支，对页面关注点数据集进行页面关注特征挖掘，确定第三页面关注特征；将行为活动知识点特征、第二更新行为活动对应的待评估频繁项特征Fi以及第三页面关注特征分别加载到频繁评估分支，通过频繁评估分支，对行为活动知识点特征、待评估频繁项特征Fi以及第三页面关注特征进行聚合，确定行为活动知识点特征对应的频繁评估系数；i为小于N的非负整数；基于行为活动知识点特征对应的频繁评估系数，分析第二更新行为活动对应的待评估频繁项特征Fi+1；待评估频繁项特征Fi所指示的联合挖掘行为实例为待评估频繁项特征Fi+1所指示的联合挖掘行为实例的上一个联合挖掘行为实例；当i+1等于N时，将N个待评估频繁项特征分别加载到频繁项决策分支，通过频繁项决策分支，生成N个待评估频繁项特征分别指示的联合挖掘行为实例，将N个联合挖掘行为实例输出为第二更新行为活动对应的协助频繁项；基于N个待评估频繁项特征，分析第二更新行为活动对应的频繁项联合挖掘价值。
[0064] 其中，第二更新行为活动对应的行为活动知识点的定义请参见前述行为活动知识点SN1的定义，第二页面关注特征挖掘分支以及第三页面关注特征挖掘分支的定义，请参见前述第一页面关注特征挖掘分支的定义。
[0065] Process206，基于第二更新行为活动对应的主题联合挖掘价值，以及第二更新行为活动对应的频繁项联合挖掘价值，分析第二更新行为活动对应的协助联合挖掘价值；基于第二更新行为活动对应的协助主题，以及第二更新行为活动对应的协助频繁项，分析第二更新行为活动对应的联合挖掘参考信息。
[0066] Process207，基于第二更新行为活动对应的活动联合挖掘价值、第二更新行为活动对应的页面联合挖掘价值，以及第二更新行为活动对应的协助联合挖掘价值，从第二更新行为活动中确定联合挖掘更新行为活动，将联合挖掘更新行为活动以及联合挖掘更新行为活动对应的联合挖掘参考信息，作为用于加载到联合挖掘上线业务的联合待挖掘基础数据。
[0067] 例如，对第二更新行为活动对应的活动联合挖掘价值、第二更新行为活动对应的页面联合挖掘价值、第二更新行为活动对应的主题联合挖掘价值以及第二更新行为活动对应的频繁项联合挖掘价值进行权重融合，确定第二更新行为活动对应的全局联合挖掘价值，后续过程可以参见前述实施例中Process104的技术方案。
[0068] 下面介绍本发明另一个实施例。
[0069] Process301，获取范例模型训练数据集；范例模型训练数据集包括范例用户更新数据、与范例用户更新数据存在关联关系的先验页面目标的范例页面关注点数据集、范例用户更新数据对应的数据联合挖掘价值标注信息、范例用户更新数据对应的先验页面联合挖掘价值标注信息，以及范例用户更新数据对应的先验协助联合挖掘价值信息。
[0070] 例如，范例用户更新数据的数量为多个，多个范例用户更新数据包括范例用户更新数据Po，o为正整数且o不大于多个范例用户更新数据的数量；对范例用户更新数据Po对应的业务热度、范例用户更新数据Po对应的持续状态值以及范例用户更新数据Po对应的平均业务互动率进行乘积运算，确定范例用户更新数据Po对应的第一先验评估值；对范例用户更新数据Po对应的被动行为互动资源数量以及范例用户更新数据Po对应的被动行为互动资源数量进行求和运算，确定范例用户更新数据Po对应的第二先验评估值；在多个范例用户更新数据各自对应的第一先验评估值中，获取最大的第一先验评估值，在多个范例用户更新数据各自对应的第二先验评估值中，获取最大的第二先验评估值；确定范例用户更新数据Po对应的第一先验评估值以及最大的第一先验评估值之间的第一比值，分析范例用户更新数据Po对应的第二先验评估值以及最大的第二先验评估值之间的第二比值；对第一比值以及第二比值进行权重融合，确定范例用户更新数据Po对应的候选数据联合挖掘价值标注信息；将范例用户更新数据Po对应的候选数据联合挖掘价值标注信息与第三预设挖掘价值进行比较；若范例用户更新数据Po对应的候选数据联合挖掘价值标注信息小于第三预设挖掘价值，则将范例用户更新数据Po对应的候选数据联合挖掘价值标注信息确定为范例用户更新数据Po对应的数据联合挖掘价值标注信息；若范例用户更新数据Po对应的候选数据联合挖掘价值标注信息不小于第三预设挖掘价值，则将第三预设挖掘价值确定为范例用户更新数据Po对应的数据联合挖掘价值标注信息。
[0071] 例如，获取先验页面目标针对范例用户更新数据的第一业务互动率，将第一业务互动率与第一设定业务互动率进行比较；若第一业务互动率大于第一设定业务互动率，则确定范例页面关注点数据以及范例用户更新数据之间存在第一正向联系关系，将第一正向联系关系确定为先验页面联合挖掘价值标注信息；若第一业务互动率不大于第一设定业务互动率，则确定范例页面关注点数据以及范例用户更新数据之间存在第一负向联系关系，将第一负向联系关系确定为先验页面联合挖掘价值标注信息。
[0072] 例如，范例模型训练数据集还包括范例用户更新数据对应的先验协助主题；先验协助联合挖掘价值信息包括协助主题联合挖掘价值信息；获取先验页面目标针对范例用户更新数据的第二业务互动率，将第二业务互动率与第二设定业务互动率进行比较；若第二业务互动率大于第二设定业务互动率，则确定先验协助主题、范例页面关注点数据以及范例用户更新数据之间存在第二正向联系关系，将第二正向联系关系确定为协助主题联合挖掘价值信息；若第二业务互动率不大于第二设定业务互动率，则确定先验协助主题、范例页面关注点数据以及范例用户更新数据之间存在第二负向联系关系，将第二负向联系关系确定为协助主题联合挖掘价值信息。
[0073] 其中，范例模型训练数据集可以包括用于训练第一初始联合挖掘决策单元的第一范例模型训练数据集、用于训练第二初始联合挖掘决策单元的第二范例模型训练数据集、用于训练协助初始联合挖掘决策单元的协助范例模型训练数据集，当联合挖掘参考信息只包括协助主题时，协助初始联合挖掘决策单元包括第三初始联合挖掘决策单元，协助范例模型训练数据集为第三范例模型训练数据集；当联合挖掘参考信息只包括协助频繁项时，协助初始联合挖掘决策单元包括第四初始联合挖掘决策单元，协助范例模型训练数据集为第四范例模型训练数据集；当联合挖掘参考信息包括协助主题以及协助频繁项时，协助初始联合挖掘决策单元包括第三初始联合挖掘决策单元以及第四初始联合挖掘决策单元，协助范例模型训练数据集包括第三范例模型训练数据集以及第四范例模型训练数据集。其中，第一范例模型训练数据集包括范例用户更新数据以及范例用户更新数据对应的数据联合挖掘价值标注信息；第四范例模型训练数据集包括范例用户更新数据、与范例用户更新数据存在关联关系的先验页面目标的范例页面关注点数据集以及范例用户更新数据对应的协助频繁项质量标签。
[0074] 可以理解的是，第三预设挖掘价值、第一设定业务互动率、第二设定业务互动率以及第三设定业务互动率，均可以基于实际需求进行设定。
[0075] Process302，将范例模型训练数据集加载到初始联合挖掘决策模型，通过初始联合挖掘决策模型，分析范例用户更新数据对应的用户更新大数据联合挖掘预测价值。
[0076] 例如，AI挖掘系统可以将Process301中的第一范例模型训练数据集加载到初始联合挖掘决策模型中的第一初始联合挖掘决策单元，其中，AI挖掘系统通过第一初始联合挖掘决策单元，确定范例用户更新数据对应的用户更新大数据联合挖掘预测价值的实现方式，与通过第一联合挖掘决策单元，确定更新行为活动对应的活动联合挖掘价值的实现方式是一致的，故请参见前述实施例中Process101的技术方案。
[0077] Process303，基于范例页面关注点数据集以及范例用户更新数据，分析范例用户更新数据对应的页面联合挖掘预测价值以及范例用户更新数据对应的协助联合挖掘预测价值。
[0078] 例如，AI挖掘系统可以将Process301中的第二范例模型训练数据集加载到初始联合挖掘决策模型中的第二初始联合挖掘决策单元，其中，AI挖掘系统通过第二初始联合挖掘决策单元，确定范例用户更新数据对应的页面联合挖掘预测价值的实现方式，与通过第二联合挖掘决策单元，确定更新行为活动对应的页面联合挖掘价值的实现方式是一致的，故请参见前述实施例中Process102的技术方案。
[0079] AI挖掘系统可以将Process301中的协助范例模型训练数据集加载到初始联合挖掘决策模型中的协助初始联合挖掘决策单元，其中，AI挖掘系统通过协助初始联合挖掘决策单元，确定范例用户更新数据对应的协助联合挖掘预测价值的实现方式，与通过协助联合挖掘决策单元，确定更新行为活动对应的协助联合挖掘价值的实现方式是一致的，故请参见前述实施例中Process103的技术方案。
[0080] Process304，基于数据联合挖掘价值标注信息、先验页面联合挖掘价值标注信息、先验协助联合挖掘价值信息、用户更新大数据联合挖掘预测价值、页面联合挖掘预测价值以及协助联合挖掘预测价值，对初始联合挖掘决策模型进行模型权重信息优化，确定联合挖掘决策模型；联合挖掘决策模型用于确定用户更新大数据的联合待挖掘基础数据；联合待挖掘基础数据包括用户更新大数据中的联合挖掘更新行为活动以及联合挖掘更新行为活动对应的联合挖掘参考信息。
[0081] 例如，初始联合挖掘决策模型包括用于确定用户更新大数据联合挖掘预测价值的第一初始联合挖掘决策单元、用于确定页面联合挖掘预测价值的第二初始联合挖掘决策单元，以及用于确定协助联合挖掘预测价值的协助初始联合挖掘决策单元；初始联合挖掘决策模型中的模型权重信息包括第一初始联合挖掘决策单元中的模型权重信息、第二初始联合挖掘决策单元中的模型权重信息，以及协助初始联合挖掘决策单元中的模型权重信息；确定数据联合挖掘价值标注信息以及用户更新大数据联合挖掘预测价值之间的第一损失函数值，基于第一损失函数值，对第一初始联合挖掘决策单元进行模型权重信息优化，确定第一联合挖掘决策单元；确定先验页面联合挖掘价值标注信息以及页面联合挖掘预测价值之间的第二损失函数值，基于第二损失函数值，对第二初始联合挖掘决策单元进行模型权重信息优化，确定第二联合挖掘决策单元；确定先验协助联合挖掘价值信息以及协助联合挖掘预测价值之间的第三损失函数值，基于第三损失函数值，对协助初始联合挖掘决策单元进行模型权重信息优化，确定协助联合挖掘决策单元；当第一联合挖掘决策单元、第二联合挖掘决策单元以及协助联合挖掘决策单元满足训练终止条件时，输出包括第一联合挖掘决策单元、第二联合挖掘决策单元以及协助联合挖掘决策单元的联合挖掘决策模型。
[0082] 本发明实施例通过第一范例模型训练数据集对第一初始联合挖掘决策单元进行深度建模，以使第一联合挖掘决策单元可以在多个更新行为活动中确定具备高联合挖掘价值的第一更新行为活动，通过第二范例模型训练数据集对第二初始联合挖掘决策单元进行深度建模，以使第二联合挖掘决策单元可以在第一更新行为活动中确定具备高联合挖掘价值的第二更新行为活动，通过协助范例模型训练数据集对协助初始联合挖掘决策单元进行深度建模，以使协助联合挖掘决策单元可以确定第二更新行为活动对应的协助联合挖掘价值以及联合挖掘参考信息，进而可以通过不同维度的联合挖掘价值，分析联合挖掘更新行为活动以及其对应的联合挖掘参考信息，进而可以生成联合待挖掘基础数据，由于联合待挖掘基础数据不仅与联合挖掘更新行为活动自身的用户更新大数据内容相关联，还与页面关注点数据集相关联，故通过联合待挖掘基础数据，可以提高用户更新大数据的联合挖掘效率以及联合挖掘效果。
[0083] 一些实施例中，AI挖掘系统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。
[0084] 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用于联合大数据挖掘的业务预测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。
[0085] 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。
[0086] 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用于联合大数据挖掘的业务预测分析方法。
[0087] 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用于联合大数据挖掘的业务预测分析方法。
[0088] 最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
