[0027] 以下，术语“第一”、“第二”和“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”或“第三”等的特征可以明示或者隐含地包括一个或者更多个该特征。
[0028] 图1示出了本发明实施例提供的应用人工智能的电商数据防护方法的流程示意图，应用人工智能的电商数据防护方法可以通过人工智能服务器实现，人工智能服务器可以包括存储器和处理器；所述存储器和所述处理器耦合；所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令；其中，当所述处理器执行所述计算机指令时，使得所述人工智能服务器执行如下步骤所描述的技术方案。
[0029] 步骤101：人工智能服务器确定不少于两组存在连续时序关系的跨境电商用户大数据的交互行为变化信息。
[0030] 可以理解，本发明实施例示出的一种应用人工智能的电商数据防护方法适用于人工智能服务器对不同状态的跨境电商项目中个体隐私防护处理的应用领域。
[0031] 在本发明实施例中，不同状态的跨境电商项目中采集到的实时跨境电商用户大数据由若干组存在连续时序关系的跨境电商用户大数据构成，将实时跨境电商用户大数据（比如动态的、流式的跨境电商用户大数据）加载至人工智能服务器中，人工智能服务器从实时跨境电商用户大数据中确定到不少于两组存在连续时序关系的跨境电商用户大数据，存在连续时序关系的跨境电商用户大数据可以理解为相邻组存在连续时序关系的跨境电商用户大数据。
[0032] 在一些可示性实施例中，人工智能服务器从实时跨境电商用户大数据中逐一确定两组存在连续时序关系的跨境电商用户大数据。
[0033] 在一些可能性的实施例中，在人工智能服务器确定不少于两组存在连续时序关系的跨境电商用户大数据之前，人工智能服务器可以对确定到的待进行个体隐私防护处理的跨境电商用户大数据进行预处理，之后获得不少于两组存在连续时序关系的跨境电商用户大数据，其中，预处理可以包括调整为人工智能服务器适配的数据格式等处理。
[0034] 进一步地，跨境电商用户大数据可以理解为跨境电商客户端在跨境电商业务交互时所生成的一些列数据信息。相应的，交互行为变化信息可以理解为对应用户在业务交互过程中的交互操作变化和/或操作习惯变化等，用于进行个体用户画像的定位分析。
[0035] 对于一种可独立实施的技术方案而言，交互行为变化信息包括不少于两组存在连续时序关系的跨境电商用户大数据之间的至少一个规模的用户行为画像字段（比如动态的用户操作特征）。基于此，人工智能服务器确定不少于两组存在连续时序关系的跨境电商用户大数据的交互行为变化信息的过程，可以包括如下步骤1011‑步骤1013所记录的内容。
[0036] 步骤1011：人工智能服务器对不少于两组存在连续时序关系的跨境电商用户大数据进行大数据挖掘获得一组电商业务活动描述。
[0037] 进一步地，一组电商业务活动描述中包括若干个规模的电商业务活动描述。此外，电商业务活动描述可以理解为人工智能服务器对不少于两组存在连续时序关系的跨境电商用户大数据进行特征提取所得到的电商业务活动特征，比如特征向量或者特征图。
[0038] 步骤1012：在电商业务活动描述为一组电商业务活动描述中规模最低的第一电商业务活动描述的基础上，人工智能服务器通过第一电商业务活动描述确定第一用户行为画像字段。
[0039] 在本发明实施中，电商业务活动描述的规模可以理解为电商业务活动描述的尺寸，比如二维尺寸3*3、5*5或者10*10等，也可以是三维尺寸等，在此不作限定。
[0040] 步骤1013：在电商业务活动描述不为一组电商业务活动描述中规模最低的第二电商业务活动描述的基础上，人工智能服务器通过第二电商业务活动描述、与第二电商业务活动描述的规模存在关联的第三电商业务活动描述以及与第二电商业务活动描述规模一致的用户行为画像字段确定第二用户行为画像字段，进一步地，交互行为变化信息包括第一用户行为画像字段以及第二用户行为画像字段。
[0041] 可以理解的是，人工智能服务器对不少于两组存在连续时序关系的跨境电商用户大数据进行大数据挖掘，获得的一组电商业务活动描述中包括若干个不同规模的向量字段（其中，向量字段可以理解为特征向量），且每个规模的向量字段数目为不少于一个。比如，一组电商业务活动描述中包括12个不同规模的向量字段。
[0042] 对于一种可独立实施的技术方案而言，人工智能服务器通过第一电商业务活动描述确定第一用户行为画像字段，可以包括如下步骤10121‑步骤10123。
[0043] 步骤10121：人工智能服务器对第一电商业务活动描述进行交互行为变化信息检测，获得第一行为变化内容。
[0044] 在本发明实施例中，第一行为变化内容可以理解为对第一电商业务活动描述进行交互行为变化预测得到的结果，包括但不限于用户触控操作行为变化、语音操作行为变化、文本操作行为变化等。
[0045] 步骤10122：人工智能服务器对第一电商业务活动描述进行描述细节扩展，获得第一已扩展活动描述。
[0046] 在本发明实施例中，对第一电商业务活动描述进行描述细节扩展比如可以是对第一电商业务活动描述进行上采样处理。
[0047] 步骤10123：人工智能服务器将第一行为变化内容、第一已扩展活动描述和与第一电商业务活动描述的规模存在关联的第四电商业务活动描述构成第一用户行为画像字段。
[0048] 对于一种可独立实施的技术方案而言，人工智能服务器通过第二电商业务活动描述、与第二电商业务活动描述的规模存在关联的第三电商业务活动描述以及与第二电商业务活动描述规模一致的用户行为画像字段确定第二用户行为画像字段，包括步骤10131‑步骤10133。
[0049] 步骤10131：人工智能服务器对第二电商业务活动描述进行交互行为变化信息检测，获得与第二电商业务活动描述规模一致的用户行为画像字段。
[0050] 步骤10132：人工智能服务器对第二电商业务活动描述进行描述细节扩展，获得第二已扩展活动描述。
[0051] 步骤10133：人工智能服务器将第二已扩展活动描述、第三电商业务活动描述和与第二电商业务活动描述规模一致的用户行为画像字段，确定为第二用户行为画像字段。
[0052] 在一些可能性的实施例中，人工智能服务器通过用户行为变化解析线程确定不少于两组存在连续时序关系的跨境电商用户大数据的交互行为变化信息。
[0053] 可以理解，人工智能服务器将不少于两组存在连续时序关系的跨境电商用户大数据加载至用户行为变化解析线程中，获得不少于两组存在连续时序关系的跨境电商用户大数据的交互行为变化信息，而用户行为变化解析线程比如可以是用户行为分析神经网络，比如可以是不同类型的神经网络。
[0054] 在一些可示性实施例中，人工智能服务器逐一确定实时跨境电商用户大数据中的两组存在连续时序关系的跨境电商用户大数据，并将该两组存在连续时序关系的跨境电商用户大数据加载至用户行为变化解析线程中，确定该两组存在连续时序关系的跨境电商用户大数据的交互行为变化信息。
[0055] 在一些可能性的实施例中，用户行为变化解析线程包括用户行为活动挖掘节点和用户行为字段翻译节点，其中用户行为活动挖掘节点用于确定不少于两组存在连续时序关系的跨境电商用户大数据，并对不少于两组存在连续时序关系的跨境电商用户大数据进行大数据挖掘，获得不少于两组存在连续时序关系的跨境电商用户大数据的一组电商业务活动描述；用户行为字段翻译节点用于确定出不少于两组存在连续时序关系的跨境电商用户大数据的交互行为变化信息。
[0056] 步骤102：人工智能服务器通过不少于两组存在连续时序关系的跨境电商用户大数据的交互行为变化信息，确定第一AI数据处理线程的算法变量。
[0057] 在本发明实施例中，当人工智能服务器确定到不少于两组存在连续时序关系的跨境电商用户大数据的交互行为变化信息之后，人工智能服务器通过不少于两组存在连续时序关系的跨境电商用户大数据的交互行为变化信息，确定第一AI数据处理线程的算法变量。而AI数据处理线程比如可以是AI神经网络，进一步的，第一AI数据处理线程的算法变量可以理解为第一AI数据处理线程的权重。
[0058] 在一些可能性的实施例中，人工智能服务器通过第二电商业务活动描述、与第二电商业务活动描述的规模存在关联的第三电商业务活动描述以及与第二电商业务活动描述规模一致的用户行为画像字段进行向量处理获得第一AI数据处理线程的算法变量。
[0059] 在一些可能性的实施例中，第一AI数据处理线程为长短期记忆神经网络（LSTM）等，本发明实施例对此不做限制。
[0060] 如此一来，人工智能服务器通过不少于两组存在连续时序关系的跨境电商用户大数据的交互行为变化信息获得LSTM的算法变量，并将LSTM添加至第二AI数据处理线程的画像挖掘节点群（比如特征提取层），可以提高针对跨境电商用户大数据的个体隐私防护处理精度。
[0061] 在一些可能性的实施例中，人工智能服务器将配置了相应算法变量的第一AI数据处理线程部署于第二AI数据处理线程的画像挖掘节点群，能够提高跨境电商用户大数据的匿名处理效率。
[0062] 步骤103：人工智能服务器基于第二AI数据处理线程对不少于两组存在连续时序关系的跨境电商用户大数据中的第一跨境电商用户大数据进行个体隐私防护处理，获得与第一跨境电商用户大数据对应的第二跨境电商用户大数据。
[0063] 在本发明实施例中，第一跨境电商用户大数据为不少于两组存在连续时序关系的跨境电商用户大数据中的其中一组跨境电商用户大数据，第二跨境电商用户大数据的数据匿名化程度大于第一跨境电商用户大数据，第二AI数据处理线程的画像挖掘节点群包含不少于一个第一AI数据处理线程。进一步地，个体隐私防护处理可以基于K匿名技术实现，比如对相关的特征编码进行替换或者隐藏等，从而实现对个体画像特征的匿名化处理，还可以保障匿名化处理之后的第二跨境电商用户大数据能够在一定程度上反映群体画像，所以在一定程度上不影响后续相关群体画像的分析处理。
[0064] 可以理解的是，当人工智能服务器通过不少于两组存在连续时序关系的跨境电商用户大数据的交互行为变化信息，确定到第一AI数据处理线程的算法变量之后，人工智能服务器基于第二AI数据处理线程对不少于两组存在连续时序关系的跨境电商用户大数据中的第一跨境电商用户大数据进行个体隐私防护处理，获得与第一跨境电商用户大数据对应的第二跨境电商用户大数据，其中，第二AI数据处理线程的画像挖掘节点群包含不少于一个第一AI数据处理线程。
[0065] 在一些可能性的实施例中，人工智能服务器通过不少于一个第一AI数据处理线程对第一跨境电商用户大数据进行匿名化处理获得第一跨境电商用户大数据的匿名化行为画像字段；然后，人工智能服务器对第一跨境电商用户大数据的匿名化行为画像字段进行大数据翻译处理获得第二跨境电商用户大数据。
[0066] 对于一种可独立实施的技术方案而言，人工智能服务器对第一跨境电商用户大数据的匿名化行为画像字段进行大数据翻译处理获得第二跨境电商用户大数据，可以包括步骤201‑步骤205所记录的技术方案。
[0067] 步骤201：人工智能服务器将第一跨境电商用户大数据的匿名化行为画像字段中第一指定匿名化行为画像字段加载到第二AI数据处理线程的字段翻译节点中，获得第一已翻译行为画像字段。
[0068] 在本发明实施例中，第一指定匿名化行为画像字段可以理解为最小编码特征。第二AI数据处理线程的字段翻译节点可以理解为第二AI数据处理线程的解码器。已翻译行为画像字段可以理解为通过第二AI数据处理线程的字段翻译节点对第一指定匿名化行为画像字段进行特征翻译得到行为画像特征。在一些示例下，画像挖掘/提取可以理解为特征编码，画像翻译/译码可以理解为特征译码。
[0069] 步骤202、将第一已翻译行为画像字段和第一指定匿名化行为画像字段进行拼接得到第一融合行为画像字段。
[0070] 步骤203、人工智能服务器将第一融合行为画像字段输入第二AI数据处理线程的字段翻译节点中，获得第二已翻译行为画像字段。
[0071] 步骤204、将第二已翻译行为画像字段和第一跨境电商用户大数据的匿名化行为画像字段中的下一组匿名化行为画像字段构成第二融合行为画像字段。
[0072] 在本发明实施例中，下一组匿名化行为画像字段为第一跨境电商用户大数据的匿名化行为画像字段中与第一指定匿名化行为画像字段关联、且维度大于第一指定匿名化行为画像字段的向量字段。
[0073] 步骤205、直到人工智能服务器获得第一跨境电商用户大数据的匿名化行为画像字段中第二指定匿名化行为画像字段对应的第三融合行为画像字段时，人工智能服务器对第三融合行为画像字段输入第二AI数据处理线程的字段翻译节点中，获得第二跨境电商用户大数据。人工智能服务器可以逐一对不少于两组存在连续时序关系的跨境电商用户大数据进行个体隐私防护处理，以完成对不同状态的跨境电商项目实现跨境电商用户大数据的个体隐私防护处理的过程。
[0074] 对于一种可独立实施的技术方案而言，本发明实施例示出了人工智能服务器对不同状态的跨境电商项目中的跨境电商用户大数据进行个体隐私防护处理的思路，该人工智能服务器包括用户行为变化解析线程和第二AI数据处理线程，其中，用户行为变化解析线程包括行为画像挖掘节点群和行为字段翻译节点群，行为画像挖掘节点群由一组特征提取单元构成，行为字段翻译节点群包括描述细节扩展单元、交互行为变化信息检测单元和LSTM算法变量挖掘单元，第二AI数据处理线程包括第一隐私画像处理节点群和第二隐私画像节点处理节点群，第一隐私画像处理节点群包括至少一组规模特征提取子线程，各规模特征提取子线程包括一个特征提取单元和一个LSTM，第二隐私画像节点处理节点群由特征提取单元构成。
[0075] 可以理解的是，在实际运行时，未匿名用户大数据data1和未匿名用户大数据data2为关联两组未匿名用户大数据，将未匿名用户大数据data1和未匿名用户大数据data2加载至行为画像挖掘节点群，基于一组特征提取单元将未匿名用户大数据data1和未匿名用户大数据data2调整为一组多模态电商业务活动描述，该一组多模态电商业务活动描述依据规模进行升序整理，然后，依照规模升序的思路，在行为字段翻译节点群逐一确定一组多模态电商业务活动描述的交互行为变化信息，在实际实施时，首先将一组多模态电商业务活动描述中规模最低的电商业务活动描述Activity description_1导入交互行为变化信息检测单元获得行为变化内容content_1，将电商业务活动描述Activity description_1导入描述细节扩展单元，获得已扩展活动描述Extended activity description_1，将行为变化内容content_1、已扩展活动描述Extended activity description_1和与电商业务活动描述Activity description_1的规模存在关联的电商业务活动描述Activity description_2构成用户行为画像字段field_1。
[0076] 然后，将电商业务活动描述Activity description_2导入交互行为变化信息检测单元，获得与电商业务活动描述Activity description_2规模一致的行为变化内容content_2，将电商业务活动描述Activity description_2导入描述细节扩展单元，获得已扩展活动描述Extended activity description_2，将行为变化内容content_2、已扩展活动描述Extended activity description_2和与电商业务活动描述Activity description_2的规模存在关联的用户行为画像字段field_1构成用户行为画像字段field_2，逐一推算，直到将一组多模态电商业务活动描述全部导入行为字段翻译节点群，获得未匿名用户大数据data1和未匿名用户大数据data2的一组用户行为画像字段。然后，将一组用户行为画像字段导入LSTM算法变量挖掘单元，获得不少于一个LSTM对应的不少于一个LSTM算法变量，其中，一个LSTM对应一个LSTM算法变量。
[0077] 可以理解，在获得不少于一个LSTM对应的不少于一个LSTM算法变量之后，可将不少于一个LSTM算法变量输入到第一隐私画像处理节点群中对应的不少于一个LSTM，将未匿名用户大数据data1加载至至少一组规模特征提取子线程，在每一组规模特征提取子线程中依次基于一个特征提取单元和一个LSTM获得一个维度描述，直到获得未匿名用户大数据data1对应的一组已完成个体隐私防护处理的匿名化行为画像字段，该一组已完成个体隐私防护处理的匿名化行为画像字段进行升序整理，然后，将一组已完成个体隐私防护处理的匿名化行为画像字段中最低的已完成个体隐私防护处理的匿名化行为画像字段/feature_A_1/加载至第二隐私画像节点处理节点群的特征提取单元中，获得已翻译行为画像字段/feature_B_1/，将已翻译行为画像字段/feature_B_1/和已完成个体隐私防护处理的匿名化行为画像字段/feature_A_2/构成融合行为画像字段/feature_C_1/，并将融合行为画像字段/feature_C_1/输入第二隐私画像节点处理节点群的特征提取单元中，获得已翻译行为画像字段/feature_B_2/，逐一推算，直到将一组已完成个体隐私防护处理的匿名化行为画像字段中最大的已完成个体隐私防护处理的匿名化行为画像字段对应的融合行为画像字段时，将其加载至第二隐私画像节点处理节点群的特征提取单元中，获得未匿名用户大数据对应的已匿名用户大数据/target_data_1/。
[0078] 在一些可能性的实施例中，在应用上述AI数据处理线程之前，可以对该AI数据处理线程进行调试。
[0079] 对于一种可独立实施的技术方案而言，人工智能服务器对第二AI数据处理线程进行调试的过程可以包括以下步骤301‑步骤303所记录的内容。
[0080] 步骤301：人工智能服务器确定第一跨境电商用户大数据模板集。
[0081] 在本发明实施例中，第一跨境电商用户大数据模板集中包括未匿名用户大数据模板和未匿名用户大数据模板对应的已匿名用户大数据模板。
[0082] 步骤302：人工智能服务器将未匿名用户大数据模板加载到第二AI数据处理线程中，获得未匿名用户大数据模板对应的隐私防护大数据模板。
[0083] 步骤303：人工智能服务器通过隐私防护大数据模板和已匿名用户大数据模板，确定第二AI数据处理线程的第二线程质量评价，并通过第二线程质量评价改进第二AI数据处理线程，获得调试后的第二AI数据处理线程。
[0084] 在本发明实施例中，线程质量评价可以理解为AI数据处理线程的线程损失变量。举例而言，在调试时，随意挑选第一跨境电商用户大数据模板集中的一个未匿名用户大数据模板，将该未匿名用户大数据模板加载到第二AI数据处理线程的画像挖掘节点群，依次基于不少于一个特征提取单元和不少于一个LSTM模型，获得该未匿名用户大数据模板的一组匿名化行为画像字段，然后，对该一组匿名化行为画像字段进行大数据翻译处理，获得未匿名用户大数据模板对应的隐私防护大数据模板，并将隐私防护大数据模板和已匿名用户大数据模板加载到相应的算法中，以确定出第二代价函数，比如可以利用交叉熵算法或者铰链损失算法实现。
[0085] 对于一种可独立实施的技术方案而言，人工智能服务器对用户行为变化解析线程和第二AI数据处理线程进行调试的过程可以包括如下步骤401‑步骤403。
[0086] 步骤401：人工智能服务器确定不少于两组存在连续时序关系的用户大数据模板集。
[0087] 在本发明实施例中，不少于两组存在连续时序关系的用户大数据模板集包括不少于两组关联未匿名用户大数据模板与不少于两组关联未匿名用户大数据模板对应的不少于两组关联已匿名用户大数据模板。
[0088] 步骤402：人工智能服务器将不少于两组关联未匿名用户大数据模板加载至用户行为变化解析线程和第二AI数据处理线程进行处理，获得与不少于两组关联未匿名用户大数据模板对应的不少于两组关联隐私防护大数据模板。
[0089] 步骤403：人工智能服务器通过不少于两组关联隐私防护大数据模板和不少于两组关联已匿名用户大数据模板，确定用户行为变化解析线程和第二AI数据处理线程的第一线程质量评价，并通过第一线程质量评价改进用户行为变化解析线程和第二AI数据处理线程，获得调试后的用户行为变化解析线程和第二AI数据处理线程。以供人工智能服务器基于调试后的用户行为变化解析线程和第二AI数据处理线程对不同状态的跨境电商项目的跨境电商用户大数据进行个体隐私防护处理的过程。
[0090] 举例而言，在调试时，随意挑选第一跨境电商用户大数据模板集中的关联两组第一未匿名用户大数据和第二未匿名用户大数据，将第一未匿名用户大数据和第二未匿名用户大数据加载到交互行为变化信息活动挖掘节点中，分别对第一未匿名用户大数据和第二未匿名用户大数据进行窗口化处理，获得第一未匿名用户大数据对应的Q个规模电商业务活动描述和第二未匿名用户大数据对应的Q个规模电商业务活动描述，将相关活动描述行为字段翻译节点群中，基于描述细节扩展单元和交互行为变化信息检测单元，获得第一未匿名用户大数据和第二未匿名用户大数据的交互行为变化信息，并将第一未匿名用户大数据和第二未匿名用户大数据的交互行为变化信息加载到LSTM算法变量挖掘单元，获得第二AI数据处理线程的画像挖掘节点群中不少于一个LSTM的算法变量。
[0091] 进一步的，将第一未匿名用户大数据模板加载到第二AI数据处理线程的画像挖掘节点群，依次基于不少于一个特征提取单元和不少于一个LSTM，获得第一未匿名用户大数据模板的一组匿名化行为画像字段，然后，对该一组匿名化行为画像字段进行大数据翻译处理，获得第一未匿名用户大数据模板对应的第一隐私防护大数据模板 并基于第一隐私防护大数据模板和第一已匿名用户大数据模板确定第一代价函数。
[0092] 可以理解的是，第一线程质量评价不仅基于测试的隐私防护大数据模板确定，还基于交互行为变化信息确定，由此可以通过0标签的思路限定交互行为变化信息。
[0093] 在一些可能的实施例中，在获得与所述第一跨境电商用户大数据对应的第二跨境电商用户大数据之后，该方法还可以包括如下内容：响应于针对第二跨境电商用户大数据的群体画像分析请求，对所述第二跨境电商用户大数据进行群体画像挖掘，得到所述第二跨境电商用户大数据的群体需求知识集；利用所述群体需求知识集确定目标业务升级策略；基于所述目标业务升级策略进行跨境电商业务升级。
[0094] 在本发明实施例中，群体画像分析请求可以是电商平台服务器发送的，用于请求人工智能服务器确定对应的群体画像，基于此，电商平台服务器可以获得人工智能服务器下发的目标业务升级策略，从而实现对应跨境电商业务的升级优化以进行业务引流和用户留存处理。
[0095] 在一些可能的实施例中，对所述第二跨境电商用户大数据进行群体画像挖掘，得到所述第二跨境电商用户大数据的群体需求知识集，可以包括如下内容：基于所述第二跨境电商用户大数据确定至少一个样本群体需求知识；确定每一所述样本群体需求知识中对应的需求知识单元的全局需求描述值，得到目标群体需求知识；对各个所述样本群体需求知识进行需求文本挖掘，得到所述样本群体需求知识对应的需求文本数据；确定每一所述样本群体需求知识对应的需求文本数据的全局文本特征，得到参考数据；对所述目标群体需求知识进行所述需求文本挖掘，得到第二跨境电商用户大数据的需求文本数据；基于所述第二跨境电商用户大数据的需求文本数据和所述参考数据的量化比较结果，优化所述目标群体需求知识，得到群体需求知识集。如此一来，通过样本群体需求知识以及需求文本数据进行目标群体需求知识的优化，能够保障群体需求知识集的精度和可信度，避免群体需求知识集出现一定程度的需求缺失，同时还能尽可能避免针对个体需求的过渡挖掘，以保护用户隐私。
[0096] 在一些可能的实施例中，所述对各个所述样本群体需求知识进行需求文本挖掘，得到所述样本群体需求知识对应的需求文本数据，包括：将各个所述样本群体需求知识输入需求文本挖掘算法进行需求文本挖掘处理，得到所述样本群体需求知识对应的需求文本数据；所述对所述目标群体需求知识进行所述需求文本挖掘，得到第二跨境电商用户大数据的需求文本数据，包括：将所述目标群体需求知识输入所述需求文本挖掘算法进行需求文本挖掘处理，得到所述第二跨境电商用户大数据的需求文本数据；所述基于所述第二跨境电商用户大数据的需求文本数据和所述参考数据的量化比较结果，优化所述目标群体需求知识，得到群体需求知识集，包括：根据所述第二跨境电商用户大数据的需求文本数据和所述参考数据的量化比较结果，确定代价函数；基于所述代价函数逆向调整所述目标群体需求知识的变量，直至达到预设的逆向调整要求。
[0097] 在一些可能的实施例中，所述基于所述代价函数逆向调整所述目标群体需求知识的变量，直至达到预设的逆向调整要求，包括：基于所述需求文本挖掘算法对所述代价函数进行改进，得到所述目标群体需求知识的更新参量；基于所述更新参量调整所述目标群体需求知识的变量；若还没有达到所述逆向调整要求，则将调整后的所述目标群体需求知识再次输入所述需求文本挖掘算法进行需求文本挖掘处理，以及基于得到的所述第二跨境电商用户大数据的需求文本数据二次调整所述目标群体需求知识的变量。
[0098] 在一些可能的实施例中，所述方法还包括：确定各个所述样本群体需求知识对应的重要性系数；所述确定每一所述样本群体需求知识中对应的需求知识单元的全局需求描述值，得到目标群体需求知识，包括：根据各个所述样本群体需求知识对应的重要性系数，确定所述各个所述样本群体需求知识中对应的需求知识单元的需求描述值加权全局文本特征，得到所述目标群体需求知识；所述确定每一所述样本群体需求知识对应的需求文本数据的全局文本特征，得到参考数据，包括：根据各个所述样本群体需求知识对应的重要性系数，确定所述各个所述样本群体需求知识对应的需求文本数据的加权全局文本特征，得到所述参考数据。
[0099] 综上，人工智能服务器通过不少于两组存在连续时序关系的跨境电商用户大数据的交互行为变化信息，获得第一AI数据处理线程的算法变量，其中，不少于一个第一AI数据处理线程处于第二AI数据处理线程的画像挖掘节点群，当基于第二AI数据处理线程对不少于两组存在连续时序关系的跨境电商用户大数据中的其中一组第一跨境电商用户大数据进行个体隐私防护处理时，关注了不同组的跨境电商用户大数据之间的行为变化内容，进而能够保障针对个体隐私画像定位的精度和可信度，从而能够减少将群体隐私画像误判成个体隐私画像的概率，进而提高对跨境电商用户大数据进行个体隐私防护处理的针对性，确保匿名处理之后的跨境电商用户大数据的最大可用性。
[0100] 基于同样的发明构思，图2示出了本发明实施例提供的应用人工智能的电商数据防护装置的模块框图，应用人工智能的电商数据防护装置可以包括实施图1所示的相关方法步骤的信息确定模块21以及数据匿名模块22。
[0101] 应用于本发明的相关实施例可以达到如下技术效果：通过不少于两组存在连续时序关系的跨境电商用户大数据的交互行为变化信息，获得第一AI数据处理线程的算法变量，其中，不少于一个第一AI数据处理线程处于第二AI数据处理线程的画像挖掘节点群，当基于第二AI数据处理线程对不少于两组存在连续时序关系的跨境电商用户大数据中的其中一组第一跨境电商用户大数据进行个体隐私防护处理时，关注了不同组的跨境电商用户大数据之间的行为变化内容，进而能够保障针对个体隐私画像定位的精度和可信度，从而能够减少将群体隐私画像误判成个体隐私画像的概率，进而提高对跨境电商用户大数据进行个体隐私防护处理的针对性，确保匿名处理之后的跨境电商用户大数据的最大可用性。
[0102] 以上所述，仅为本发明的具体实施方式。熟悉本技术领域的技术人员根据本发明提供的具体实施方式，可想到变化或替换，都应涵盖在本发明的保护范围之内。
