应用于深度学习的电商信息处理方法及人工智能系统

技术领域

本发明涉及人工智能与深度学习技术领域，特别涉及一种应用于深度学习的电商信息处理方法及人工智能系统。

背景技术

随着互联网的发展，人工智能也随之兴起。基于深度学习的人工智能更具有挑战性。深度学习（Deep Learning）在搜索技术、数据挖掘、机器学习、机器翻译、自然语言处理、多媒体学习、语音、推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。现目前，随着Web3.0的发展，深度学习和Web3.0的各类业务的结合也愈发火爆，以电商业务为例，深度学习应用于电商业务领域的用户需求挖掘较为成熟，但是在交互应答的时效性分析方面还有待提升。

发明内容

为改善相关技术中存在的技术问题，本发明提供了一种应用于深度学习的电商信息处理方法及人工智能系统。

第一方面，本发明实施例提供了一种应用于深度学习的电商信息处理方法，应用于人工智能系统，所述方法包括：

获得数字电商客户端在设定网络环境下的Web3.0电商会话进程的当前电商业务交互记录；基于获得的前一组电商业务交互记录的第一活跃行为事件，从所述当前电商业务交互记录中确定与所述第一活跃行为事件存在配对关系的第二活跃行为事件；

结合所述第一活跃行为事件和所述第二活跃行为事件，确定所述数字电商客户端的第一当前会话交互应答描述子；获得所述数字电商客户端的数据传输模块的时效评分，并结合所述时效评分，确定所述数字电商客户端的第二当前会话交互应答描述子；

结合所述第一当前会话交互应答描述子与所述第二当前会话交互应答描述子，确定所述数字电商客户端的当前会话交互应答质量。

在一些可选的实施例中，所述结合所述第一活跃行为事件和所述第二活跃行为事件，确定所述数字电商客户端的第一当前会话交互应答描述子，包括：

依据对所述第一活跃行为事件和所述第二活跃行为事件进行清洗操作，得到第一目标行为事件和第二目标行为事件；

结合所述第一目标行为事件和所述第二目标行为事件，确定所述数字电商客户端的第一当前会话交互应答描述子。

在一些可选的实施例中，所述第一当前会话交互应答描述子包括：第一应答效率指数；所述结合所述第一活跃行为事件和所述第二活跃行为事件，确定所述数字电商客户端的第一当前会话交互应答描述子，包括：

结合所述第一活跃行为事件和所述第二活跃行为事件，得到事件特征关系网；所述事件特征关系网反映所述第一活跃行为事件与所述第二活跃行为事件之间的时序关联性；

依据对所述事件特征关系网进行局部关系网抽取操作，得到多组存在差异的知识特征抽取结果；每组知识特征抽取结果包括应答效率指数和时序优先级差异；

基于所述多组存在差异的知识特征抽取结果包括的应答效率指数和时序优先级差异，确定所述第一应答效率指数。

在一些可选的实施例中，所述第一应答效率指数包括：第一质量维度和第一应答延时值；所述基于所述多组存在差异的知识特征抽取结果包括的应答效率指数和时序优先级差异，确定所述第一应答效率指数，包括：

从所述多组知识特征抽取结果中选出一组目标知识特征抽取结果，将所述目标知识特征抽取结果中包括的应答效率指数的质量维度，作为所述第一质量维度；

通过所述目标知识特征抽取结果中包括的时序优先级差异，对每个第一活跃行为事件进行时序变换操作，得到所述每个第一活跃行为事件对应的第一已调整行为事件；所述第一已调整行为事件与所述每个第一活跃行为事件存在配对关系的第二活跃行为事件对应；

基于设定的基准行为事件和每个第一已调整行为事件，得到第一应答行为特征；

基于所述设定的基准行为事件和所述每个第一已调整行为事件对应的第二活跃行为事件，得到第二应答行为特征；

对所述第一应答行为特征和所述第二应答行为特征进行特征运算，得到所述每个第一已调整行为事件对应的去量纲特征值；

利用所述每个第一已调整行为事件对应的去量纲特征值，得到所述第一应答延时值。

在一些可选的实施例中，所述基于所述多组存在差异的知识特征抽取结果包括的应答效率指数和时序优先级差异，确定所述第一应答效率指数，包括：从所述多组知识特征抽取结果中选出一组目标知识特征抽取结果，并将所述目标知识特征抽取结果中包括的应答效率指数作为所述第一应答效率指数。

在一些可选的实施例中，所述从所述多组知识特征抽取结果中选出一组目标知识特征抽取结果，包括：

从所述前一组电商业务交互记录的第一活跃行为事件中，选择若干个第一活跃行为事件作为若干个第一电商用户行为事件，将与每个第一电商用户行为事件存在配对关系的第二活跃行为事件作为第二电商用户行为事件；

对于当前组知识特征抽取结果，基于当前第一电商用户行为事件，以及所述当前组知识特征抽取结果中包括的时序优先级差异，得到所述当前第一电商用户行为事件对应的第二已调整行为事件；

所述当前组知识特征抽取结果为所述多组知识特征抽取结果中的随机一组知识特征抽取结果；所述当前第一电商用户行为事件为所述若干个第一电商用户行为事件中的随机一个；

对所述第二已调整行为事件和所述当前组知识特征抽取结果中包括的应答效率指数进行特征运算，得到第三应答行为特征；

对与所述当前第一电商用户行为事件存在配对关系的当前第二电商用户行为事件，以及所述当前组知识特征抽取结果中包括的应答效率指数进行特征运算，得到第四应答行为特征；

基于采集所述前一组电商业务交互记录的第一大数据采集线程的线程状态数据和所述第一电商用户行为事件，得到第一应答状态特征；

基于所述第一应答状态特征和所述当前组知识特征抽取结果中包括的时序优先级差异，得到第二应答状态特征，基于所述第一应答状态特征和所述第二应答状态特征，确定联动应答行为特征；

在所述第三应答行为特征的质量维度和所述第四应答行为特征的质量维度相同、以及所述第二应答状态特征与所述联动应答行为特征之间的余弦距离，小于所述第一应答状态特征与所述联动应答行为特征之间的余弦距离的绝对值的基础上，将所述当前第一电商用户行为事件和所述当前第二电商用户行为事件作为所述当前组知识特征抽取结果对应的一对行为事件集，从而得到每组知识特征抽取结果对应的行为事件二元组；

将所述多组知识特征抽取结果中，对应的所述行为事件二元组的数目最多的一组知识特征抽取结果，确定为所述目标知识特征抽取结果。

在一些可选的实施例中，所述第二当前会话交互应答描述子包括：第二应答效率指数；所述第二应答效率指数包括：第二质量维度和第二应答延时值；所述结合所述时效评分，确定所述数字电商客户端的第二当前会话交互应答描述子，包括：

确定数字电商客户端的每个数据传输模块的第一状态变量，得到若干个第一状态变量；

基于所述数字电商客户端的每个数据传输模块的时效评分、所述前一组电商业务交互记录对应的第一时序变量和所述当前电商业务交互记录对应的第二时序变量，确定所述每个数据传输模块的第二状态变量，得到若干个第二状态变量；

确定通过所述若干个第一状态变量生成的第一数据传输状态轨迹的线程状态数据，或通过所述若干个第一状态变量生成的第一Web3.0电商会话进程的线程状态数据，得到第一线程状态数据；

确定通过所述若干个第二状态变量生成的第二数据传输状态轨迹的线程状态数据，或通过所述若干个第二状态变量生成的第二Web3.0电商会话进程的线程状态数据，得到第二线程状态数据；

将所述第一线程状态数据与所述第二线程状态数据之间的应答延时值，作为所述第二应答延时值，以及，将所述第二线程状态数据相较于所述第一线程状态数据的状态差异度，作为所述第二质量维度。

在一些可选的实施例中，所述获得数字电商客户端在设定网络环境下的Web3.0电商会话进程的当前电商业务交互记录，包括以下其中一项：

通过配置在所述数字电商客户端的第一设定电商会话进程的第一交互记录采集模块，获得所述数字电商客户端的关联电商会话进程的第一当前电商业务交互记录；

通过配置在所述数字电商客户端的第二设定电商会话进程的第二交互记录采集模块，获得基于所述数字电商客户端的应答进程，时序优先级高于所述数字电商客户端的Web3.0电商会话进程的第二当前电商业务交互记录。

在一些可选的实施例中，所述第一当前会话交互应答描述子包括：第一应答效率指数；所述第二当前会话交互应答描述子包括：第二应答效率指数；所述当前会话交互应答质量包括：第一已达标会话交互应答质量；

所述结合所述第一当前会话交互应答描述子与所述第二当前会话交互应答描述子，确定所述数字电商客户端的当前会话交互应答质量，包括：在所述第一应答效率指数的第一应答延时值不大于第一设定判定值，且所述第二应答效率指数的第二应答延时值不大于第二设定判定值的基础上，确定所述数字电商客户端当前对应于所述第一已达标会话交互应答质量。

在一些可选的实施例中，所述第一当前会话交互应答描述子包括：第一应答效率指数；所述第二当前会话交互应答描述子包括：第二应答效率指数；所述当前会话交互应答质量包括：第二已达标会话交互应答质量；

所述结合所述第一当前会话交互应答描述子与所述第二当前会话交互应答描述子，确定所述数字电商客户端的当前会话交互应答质量，包括：在所述第一应答效率指数的第一应答延时值大于第一设定判定值、所述第二应答效率指数的第二应答延时值大于第二设定判定值，以及所述第一应答效率指数的第一质量维度与所述第二应答效率指数的第二质量维度相同的基础上，确定所述数字电商客户端当前对应于所述第二已达标会话交互应答质量。

在一些可选的实施例中，所述第一当前会话交互应答描述子包括：第一应答效率指数的第一应答延时值；所述第二当前会话交互应答描述子包括：第二应答效率指数的第二应答延时值；所述当前会话交互应答质量包括：第一未达标会话交互应答质量；

所述结合所述第一当前会话交互应答描述子与所述第二当前会话交互应答描述子，确定所述数字电商客户端的当前会话交互应答质量，包括：在所述第一应答延时值不大于第一设定判定值，且所述第二应答延时值大于第二设定判定值的基础上，确定所述数字电商客户端当前对应于所述第一未达标会话交互应答质量。

在一些可选的实施例中，所述第一当前会话交互应答描述子包括：第一应答效率指数；所述第二当前会话交互应答描述子包括：第二应答效率指数；所述当前会话交互应答质量包括：第二未达标会话交互应答质量；

所述结合所述第一当前会话交互应答描述子与所述第二当前会话交互应答描述子，确定所述数字电商客户端的当前会话交互应答质量，包括：在所述第一应答效率指数的第一应答延时值大于第一设定判定值、所述第二应答效率指数的第二应答延时值大于第二设定判定值，以及所述第一应答效率指数的第一质量维度与所述第二应答效率指数的第二质量维度不相同的基础上，确定所述数字电商客户端当前对应于所述第二未达标会话交互应答质量。

第二方面，本发明还提供了一种人工智能系统，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述的方法。

第三方面，本发明还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。

本发明实施例中，通过获得数字电商客户端自身在设定网络环境下的Web3.0电商会话进程的当前电商业务交互记录，基于获得的当前电商业务交互记录的前一组电商业务交互记录的第一活跃行为事件，从当前电商业务交互记录中确定与第一活跃行为事件存在配对关系的第二活跃行为事件，基于得到的相互存在配对关系的第一活跃行为事件和第二活跃行为事件，得到数字电商客户端的第一当前会话交互应答描述子；如此一来，可以在不创建该Web3.0电商会话进程的会话进程统计表的基础上，得到数字电商客户端的第一当前会话交互应答描述子，进而得到第一当前会话交互应答描述子所反映的第一当前会话交互应答质量；通过获得数字电商客户端的数据传输模块的时效评分，基于时效评分确定数字电商客户端的第二当前会话交互应答描述子；如此一来，可以得到数字电商客户端的第二当前会话交互应答描述子，进而得到第二当前会话交互应答描述子所反映的第二当前会话交互应答质量；以及，通过基于第一当前会话交互应答描述子与第二当前会话交互应答描述子，确定数字电商客户端的当前会话交互应答质量，如此一来，可以基于数字电商客户端的第一当前会话交互应答质量和第二当前会话交互应答质量，最后确定出数字电商客户端当前的准确会话交互应答质量，从而可以在没有创建该Web3.0电商会话进程的会话进程统计表、且无需增设针对数字电商客户端的应答时效检测规则的基础上，实现对数字电商客户端的实时会话交互应答质量的精准确定；这样能够保障判断数字电商客户端的会话交互应答质量时的效率和精度。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。

图1是本发明实施例提供的一种应用于深度学习的电商信息处理方法的流程示意图。

图2是本发明实施例提供的一种应用于深度学习的电商信息处理方法的应用环境的通信架构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

本发明实施例所提供的方法实施例可以在人工智能系统、计算机设备或者类似的运算装置中执行。以运行在人工智能系统上为例，人工智能系统10可以包括一个或多个处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器104，可选地，上述人工智能系统还可以包括用于通信功能的传输装置106。本领域普通技术人员可以理解，上述结构仅为示意，其并不对上述人工智能系统的结构造成限定。例如，人工智能系统10还可包括比上述所示更多或者更少的组件，或者具有与上述所示不同的配置。

存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的一种应用于深度学习的电商信息处理方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至人工智能系统10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括人工智能系统10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。

基于此，请参阅图1，图1是本发明实施例所提供的一种应用于深度学习的电商信息处理方法的流程示意图，该方法应用于人工智能系统，进一步可以包括以下内容描述的技术方案。

步骤1、人工智能系统获得数字电商客户端在设定网络环境下的Web3.0电商会话进程的当前电商业务交互记录。

举例而言，设定网络环境可以是有线网络环境、无线网络环境或者热点网络环境等，在此不作限定。进一步地，Web3.0电商会话进程可以理解为电商业务的会话交互场景，在该场景下的当前电商业务交互记录记录了电商/业务用户的一系列用户交互行为数据以及电商服务器提供的一系列服务交互行为数据等。

步骤2、人工智能系统基于获得的前一组电商业务交互记录的第一活跃行为事件，从所述当前电商业务交互记录中确定与所述第一活跃行为事件存在配对关系的第二活跃行为事件。

举例而言，活跃行为事件可以理解为电商业务交互记录中较为突出、热度较高或者较为关键的用户行为事件，包括但不限于会话操作事件、服务反馈事件等，与所述第一活跃行为事件存在配对关系的第二活跃行为事件可以是存在时序匹配关系和/或行为特征匹配关系的活跃行为事件。不同的活跃行为事件可以作为应答效率和应答时效判定的基础。

步骤3、人工智能系统结合所述第一活跃行为事件和所述第二活跃行为事件，确定所述数字电商客户端的第一当前会话交互应答描述子。

举例而言，会话交互应答描述子用于描述数字电商客户端在交互过程中的应答事项进展特征，或者可以理解为应答时效特征，比如数字电商客户端与电商服务器针对某一项业务的交互流程特征、交互延时特征、交互请求特征、交互响应特征等。会话交互应答描述子可以通过特征向量的形式进行记录，也可以通过知识字段的形式进行记录，在此不作限定。

步骤4、人工智能系统获得所述数字电商客户端的数据传输模块的时效评分，并结合所述时效评分，确定所述数字电商客户端的第二当前会话交互应答描述子。

举例而言，数字电商客户端的数据传输模块用于进行数据信息的传输，比如数据上传、数据下载、数据发送、数据接收等，而数据传输模块的时效评分可以理解为数据传输模块的数据传输速度，比如xxxMB/s、xxxGB/s等。基于此，可以通过数据传输的快慢层面确定数字电商客户端的第二当前会话交互应答描述子。

步骤5、人工智能系统结合所述第一当前会话交互应答描述子与所述第二当前会话交互应答描述子，确定所述数字电商客户端的当前会话交互应答质量。

举例而言，第一当前会话交互应答描述子侧重活跃行为事件的应答时效特征，而第二当前会话交互应答描述子侧重于数字电商客户端的数据传输模块的数据传输快慢层面的特征，基于此，通过融合两类特征，能够准确确定数字电商客户端的当前会话交互应答质量。进一步地，当前会话交互应答质量可以理解为会话交互应答状态，包括应答速度、应答延时等。

在一些可能的设计思路下，步骤3所描述的所述结合所述第一活跃行为事件和所述第二活跃行为事件，确定所述数字电商客户端的第一当前会话交互应答描述子，可以包括步骤31和步骤32所描述的技术方案。

步骤31、依据对所述第一活跃行为事件和所述第二活跃行为事件进行清洗操作，得到第一目标行为事件和第二目标行为事件。

步骤32、结合所述第一目标行为事件和所述第二目标行为事件，确定所述数字电商客户端的第一当前会话交互应答描述子。

其中，清洗操作可以理解为筛选处理或者过滤处理，通过进行行为事件的筛选清洗，能够提高目标行为事件的信噪比，从而保障第一当前会话交互应答描述子的确定效率。

在一些可能的示例下，所述第一当前会话交互应答描述子包括：第一应答效率指数，该应答效率指数反映会话交互过程的进展快慢。基于此，步骤3所描述的所述结合所述第一活跃行为事件和所述第二活跃行为事件，确定所述数字电商客户端的第一当前会话交互应答描述子，可以包括步骤3a-步骤3c所描述的技术方案。

步骤3a、结合所述第一活跃行为事件和所述第二活跃行为事件，得到事件特征关系网。

其中，所述事件特征关系网反映所述第一活跃行为事件与所述第二活跃行为事件之间的时序关联性。进一步地，事件特征关系网还可以理解为事件特征矩阵或者事件特征图，时序关联性反映所述第一活跃行为事件与所述第二活跃行为事件的时序先后情况。

步骤3b、依据对所述事件特征关系网进行局部关系网抽取操作，得到多组存在差异的知识特征抽取结果。

其中，每组知识特征抽取结果包括应答效率指数和时序优先级差异。局部关系网抽取操作可以理解为对事件特征关系网进行数值层面的拆分处理或者拆解处理，所得到的知识特征抽取结果能够反映出应答效率指数和时序优先级的不同。

步骤3c、基于所述多组存在差异的知识特征抽取结果包括的应答效率指数和时序优先级差异，确定所述第一应答效率指数。

可以理解，应用于步骤3a-步骤3c，能够基于应答效率指数和时序优先级差异综合、全面地确定出第一应答效率指数。

在一些可能的实施例中，所述第一应答效率指数包括：第一质量维度和第一应答延时值。基于此，第一质量维度可以理解从用户服务响应体验的层面反映应答效率，应答延时值包括用户发出请求之后到收到响应的等待时长。基于此，步骤3c所描述的所述基于所述多组存在差异的知识特征抽取结果包括的应答效率指数和时序优先级差异，确定所述第一应答效率指数，可以包括步骤3c1-步骤3c6所描述的技术方案。

步骤3c1、从所述多组知识特征抽取结果中选出一组目标知识特征抽取结果，将所述目标知识特征抽取结果中包括的应答效率指数的质量维度，作为所述第一质量维度。

步骤3c2、通过所述目标知识特征抽取结果中包括的时序优先级差异，对每个第一活跃行为事件进行时序变换操作，得到所述每个第一活跃行为事件对应的第一已调整行为事件。

其中，所述第一已调整行为事件与所述每个第一活跃行为事件存在配对关系的第二活跃行为事件对应。其中，时序变换可以基于以创建的时序特征空间实现，时序特征空间可基于相关的AI技术建模得到。

步骤3c3、基于设定的基准行为事件和每个第一已调整行为事件，得到第一应答行为特征。

其中，设定的基准行为事件可以理解为设定的参考行为事件。

步骤3c4、基于所述设定的基准行为事件和所述每个第一已调整行为事件对应的第二活跃行为事件，得到第二应答行为特征。

步骤3c5、对所述第一应答行为特征和所述第二应答行为特征进行特征运算，得到所述每个第一已调整行为事件对应的去量纲特征值。

举例而言，特征运算可以是叉乘处理或者点积处理，去量纲特征值的取值范围可以是0~1。

步骤3c6、利用所述每个第一已调整行为事件对应的去量纲特征值，得到所述第一应答延时值。

进一步地，通过对每个第一已调整行为事件对应的去量纲特征值进行求和处理，能够准确得到第一应答延时值，这样能够将不同特征维度的信息进行量化统一，从而提高确定第一应答延时值的可信度和效率。

在另一些可能的实施例中，步骤3c所描述的所述基于所述多组存在差异的知识特征抽取结果包括的应答效率指数和时序优先级差异，确定所述第一应答效率指数，可以包括如下内容：从所述多组知识特征抽取结果中选出一组目标知识特征抽取结果，并将所述目标知识特征抽取结果中包括的应答效率指数作为所述第一应答效率指数。

在另一些可能的实施例中，所述从所述多组知识特征抽取结果中选出一组目标知识特征抽取结果，可以包括如下内容：从所述前一组电商业务交互记录的第一活跃行为事件中，选择若干个第一活跃行为事件作为若干个第一电商用户行为事件，将与每个第一电商用户行为事件存在配对关系的第二活跃行为事件作为第二电商用户行为事件；对于当前组知识特征抽取结果，基于当前第一电商用户行为事件，以及所述当前组知识特征抽取结果中包括的时序优先级差异，得到所述当前第一电商用户行为事件对应的第二已调整行为事件；所述当前组知识特征抽取结果为所述多组知识特征抽取结果中的随机一组知识特征抽取结果；所述当前第一电商用户行为事件为所述若干个第一电商用户行为事件中的随机一个；对所述第二已调整行为事件和所述当前组知识特征抽取结果中包括的应答效率指数进行特征运算，得到第三应答行为特征；对与所述当前第一电商用户行为事件存在配对关系的当前第二电商用户行为事件，以及所述当前组知识特征抽取结果中包括的应答效率指数进行特征运算，得到第四应答行为特征；基于采集所述前一组电商业务交互记录的第一大数据采集线程的线程状态数据和所述第一电商用户行为事件，得到第一应答状态特征；基于所述第一应答状态特征和所述当前组知识特征抽取结果中包括的时序优先级差异，得到第二应答状态特征，基于所述第一应答状态特征和所述第二应答状态特征，确定联动应答行为特征；在所述第三应答行为特征的质量维度和所述第四应答行为特征的质量维度相同、以及所述第二应答状态特征与所述联动应答行为特征之间的余弦距离，小于所述第一应答状态特征与所述联动应答行为特征之间的余弦距离的绝对值的基础上，将所述当前第一电商用户行为事件和所述当前第二电商用户行为事件作为所述当前组知识特征抽取结果对应的一对行为事件集，从而得到每组知识特征抽取结果对应的行为事件二元组；将所述多组知识特征抽取结果中，对应的所述行为事件二元组的数目最多的一组知识特征抽取结果，确定为所述目标知识特征抽取结果。

举例而言，应答状态特征可以从质量维度反映应答要素向量，比如有效应答响应耗时、排队服务耗时等。联动应答行为特征可以理解为关键的或者具有代表性的应答行为特征。如此，所确定出的目标知识特征抽取结果能够准确完整地反映特征分解值，并保障特征分解值的实时性。

在另外的一些设计思路下，所述第二当前会话交互应答描述子包括：第二应答效率指数；所述第二应答效率指数包括：第二质量维度和第二应答延时值。第二质量维度和第二应答延时可以侧重于描述网络环境/数据传输环境下的应答时效性。基于此，步骤4所描述的所述结合所述时效评分，确定所述数字电商客户端的第二当前会话交互应答描述子，可以包括步骤41-步骤45所描述的技术方案。

步骤41、确定数字电商客户端的每个数据传输模块的第一状态变量，得到若干个第一状态变量。

举例而言，状态变量可以反映数据传输模块在数字电商客户端的交互过程中所处的数据处理环节，比如状态变量1可以反映数据传输模块在数字电商客户端的交互过程中所处的数据传输请求发送环节，状态变量2可以反映数据传输模块在数字电商客户端的交互过程中所处的数据下载请求发送环节，状态变量3可以反映数据传输模块在数字电商客户端的交互过程中所处的数据上传请求发送环节等。

步骤42、基于所述数字电商客户端的每个数据传输模块的时效评分、所述前一组电商业务交互记录对应的第一时序变量和所述当前电商业务交互记录对应的第二时序变量，确定所述每个数据传输模块的第二状态变量，得到若干个第二状态变量。

举例而言，时序变量可以理解为时间顺序或者时间先后。

步骤43、确定通过所述若干个第一状态变量生成的第一数据传输状态轨迹的线程状态数据，或通过所述若干个第一状态变量生成的第一Web3.0电商会话进程的线程状态数据，得到第一线程状态数据。

步骤44、确定通过所述若干个第二状态变量生成的第二数据传输状态轨迹的线程状态数据，或通过所述若干个第二状态变量生成的第二Web3.0电商会话进程的线程状态数据，得到第二线程状态数据。

步骤45、将所述第一线程状态数据与所述第二线程状态数据之间的应答延时值，作为所述第二应答延时值，以及，将所述第二线程状态数据相较于所述第一线程状态数据的状态差异度，作为所述第二质量维度。

进一步地，第一数据传输状态轨迹通过节点图谱的形式反映数据传输模块的数据传输情况，而Web3.0电商会话进程的线程状态数据反映电商会话进程中不同环节或者不同阶段的数据传输情况。基于此，通过引入不同线程状态数据确定应答延时值和质量维度，能够提高第二应答延时值和第二质量维度的精度和可信度。

在一些可独立的设计思路下，步骤1所描述的所述获得数字电商客户端在设定网络环境下的Web3.0电商会话进程的当前电商业务交互记录，可以包括通过如下其中一类技术方案实现。

第一类技术方案，通过配置在所述数字电商客户端的第一设定电商会话进程的第一交互记录采集模块，获得所述数字电商客户端的关联电商会话进程的第一当前电商业务交互记录。

第二类技术方案，通过配置在所述数字电商客户端的第二设定电商会话进程的第二交互记录采集模块，获得基于所述数字电商客户端的应答进程，时序优先级高于所述数字电商客户端的Web3.0电商会话进程的第二当前电商业务交互记录。

在一些可能的实施例中，所述第一当前会话交互应答描述子包括：第一应答效率指数；所述第二当前会话交互应答描述子包括：第二应答效率指数；所述当前会话交互应答质量包括：第一已达标会话交互应答质量。基于此，步骤5所描述的所述结合所述第一当前会话交互应答描述子与所述第二当前会话交互应答描述子，确定所述数字电商客户端的当前会话交互应答质量，可以包括：在所述第一应答效率指数的第一应答延时值不大于第一设定判定值，且所述第二应答效率指数的第二应答延时值不大于第二设定判定值的基础上，确定所述数字电商客户端当前对应于所述第一已达标会话交互应答质量。

在一些可能的实施例中，所述第一当前会话交互应答描述子包括：第一应答效率指数；所述第二当前会话交互应答描述子包括：第二应答效率指数；所述当前会话交互应答质量包括：第二已达标会话交互应答质量。基于此，步骤5所描述的所述结合所述第一当前会话交互应答描述子与所述第二当前会话交互应答描述子，确定所述数字电商客户端的当前会话交互应答质量，包括：在所述第一应答效率指数的第一应答延时值大于第一设定判定值、所述第二应答效率指数的第二应答延时值大于第二设定判定值，以及所述第一应答效率指数的第一质量维度与所述第二应答效率指数的第二质量维度相同的基础上，确定所述数字电商客户端当前对应于所述第二已达标会话交互应答质量。

在一些可能的实施例中，所述第一当前会话交互应答描述子包括：第一应答效率指数的第一应答延时值。基于此，步骤5所描述的所述第二当前会话交互应答描述子包括：第二应答效率指数的第二应答延时值；所述当前会话交互应答质量包括：第一未达标会话交互应答质量；所述结合所述第一当前会话交互应答描述子与所述第二当前会话交互应答描述子，确定所述数字电商客户端的当前会话交互应答质量，包括：在所述第一应答延时值不大于第一设定判定值，且所述第二应答延时值大于第二设定判定值的基础上，确定所述数字电商客户端当前对应于所述第一未达标会话交互应答质量。

在一些可能的实施例中，所述第一当前会话交互应答描述子包括：第一应答效率指数；所述第二当前会话交互应答描述子包括：第二应答效率指数；所述当前会话交互应答质量包括：第二未达标会话交互应答质量。基于此，步骤5所描述的所述结合所述第一当前会话交互应答描述子与所述第二当前会话交互应答描述子，确定所述数字电商客户端的当前会话交互应答质量，包括：在所述第一应答效率指数的第一应答延时值大于第一设定判定值、所述第二应答效率指数的第二应答延时值大于第二设定判定值，以及所述第一应答效率指数的第一质量维度与所述第二应答效率指数的第二质量维度不相同的基础上，确定所述数字电商客户端当前对应于所述第二未达标会话交互应答质量。

在本发明实施例中第一已达标会话交互应答质量、第二已达标会话交互应答质量、第一未达标会话交互应答质量、第二未达标会话交互应答质量分别可以对应响应时效/数据传输时效达标、响应时效和数据传输时效同时达标、响应时效和数据传输时效都不达标、响应时效和数据传输时效存在条件性不达标等。这样一来，可以基于不同的会话交互应答描述子准确确定不同的当前会话交互应答质量，提高电商服务交互时效分析的全面性和精度。

基于上述相同或相似的发明构思，请结合参阅图2，还提供了一种应用于深度学习的电商信息处理方法的应用环境30的架构示意图，包括互相之间通信的人工智能系统10和数字电商客户端20，人工智能系统10和数字电商客户端20在运行时实现或者部分实现上述方法实施例所描述的技术方案。

进一步地，还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。

在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。