应用大数据和AI分析的服务信息推送方法及线上服务系统

技术领域

本发明涉及大数据技术领域，具体而言，涉及一种应用大数据和AI分析的服务信息推送方法及线上服务系统。

背景技术

当前，个性化信息推送可以根据特定的用户和特定的场景，通过个性化算法或技术确定与之匹配的服务信息，而数据的挖掘和处理能力则成为个性化信息推送区别于传统信息推送的核心能力。例如，当前通常通过基于大数据挖掘技术分析用户行为的条件概率特征（用于表示某次反馈行为在下一轮产品互动时间序列中的迭代反馈行为的概率），进而生成对应的服务信息推送活动进行个性化信息推送，然而，当前缺乏测试服务信息推送活动的可靠性的方案，无法为后续服务信息推送活动的优化提供有效的基础理论参考依据。

发明内容

为了至少克服现有技术中的上述不足，本发明的目的在于提供一种应用大数据和AI分析的服务信息推送方法及线上服务系统。

第一方面，本申请提供一种应用大数据和AI分析的服务信息推送方法，应用于线上服务系统，所述线上服务系统与多个互联网业务系统通信连接，所述方法包括：

对目标互联网产品的用户反馈大数据进行大数据分析，触发针对一个或多个关联用户的服务信息推送活动，所述关联用户是与所述用户反馈大数据对应的反馈图网络中的目标图成员所映射的挖掘目标；

基于所述服务信息推送活动对每个对应的关联用户在下一次互联网产品互动流程发起之前推送对应的互联网产品服务信息，并分析所述关联用户在下一次互联网产品互动流程中的兴趣点数据与所述互联网产品服务信息之间的关联信息；

基于所述关联用户在下一次互联网产品互动流程中的兴趣点数据与所述互联网产品服务信息之间的关联信息，确定所述关联用户针对所述服务信息推送活动的兴趣转化率；

基于所述关联用户针对所述服务信息推送活动的兴趣转化率，生成所述服务信息推送活动的推送可靠性结果。

在第一方面的一种可能的实施方式中，对目标互联网产品的用户反馈大数据进行大数据分析，触发针对一个或多个关联用户的服务信息推送活动的步骤，包括：

对目标互联网产品的用户反馈大数据进行图网络提取，获取对应的反馈图网络，所述反馈图网络包括与各反馈行为和各产品服务元素对应的图成员、以及多个所述图成员之间的图网络链路，所述图网络链路用于表示连通的任意两个所述图成员所映射的挖掘目标之间存在反馈服务关系信息；

提取所述反馈图网络中各所述图成员的基础特征信息，并依据各所述图成员的基础特征信息生成各所述图成员的基础条件概率特征；

对各所述图成员的多个连通图成员的基础条件概率特征进行聚合，并将对应于各所述图成员的聚合特征作为各所述图成员的多个连通图成员的基础聚合条件概率特征，所述连通图成员是与所述图成员位于同一个图网络链路的图成员；

对应于各所述图成员，提取所述图成员的基础聚合条件概率特征的基础条件确认特征，并对所述基础条件确认特征以及所述图成员的基础特征信息进行拼接，确定所述图成员的进展特征信息；

依据所述反馈图网络中一个或多个目标图成员的进展特征信息，触发针对一个或多个关联用户的服务信息推送活动，所述关联用户是与所述目标图成员所映射的挖掘目标。

在第一方面的一种可能的实施方式中，所述提取所述反馈图网络中各所述图成员的基础特征信息，包括：

对各个所述图成员分别执行下述操作：

对所述图成员的初始在线事件特征进行条件概率特征决策，确定所述图成员的初始条件概率特征；

对所述图成员的多个连通图成员的初始在线事件特征进行条件概率特征决策，确定所述多个连通图成员的初始条件概率特征；

对所述多个连通图成员的初始条件概率特征进行聚合，并将聚合特征作为所述图成员的初始聚合条件概率特征；

提取所述图成员的初始聚合条件概率特征的初始条件确认特征，并对所述初始条件确认特征以及所述图成员的初始在线事件特征进行拼接，确定所述图成员的基础特征信息。

在第一方面的一种可能的实施方式中，所述对所述图成员的初始在线事件特征进行条件概率特征决策，确定所述图成员的初始条件概率特征，包括：

对基础条件场与所述初始在线事件特征进行关联性提取，确定基础条件场关联特征；

依据基础特征衍生维度对所述基础条件场关联特征进行特征衍生，确定所述图成员的初始衍生特征；

对进展条件场与所述初始在线事件特征进行关联性提取，确定进展条件场关联特征；

依据进展特征衍生维度对所述进展条件场关联特征进行特征衍生，确定所述图成员的候选扩展特征；

对所述候选扩展特征进行激活函数处理，确定所述图成员的初始扩展特征；

将由所述初始扩展特征以及所述初始衍生特征表征的条件概率特征作为所述图成员的初始条件概率特征。

在第一方面的一种可能的实施方式中，所述提取所述反馈图网络中各所述图成员的基础特征信息，包括：

对各个所述图成员分别执行下述操作：

基于W个依次连接的神经模型单元中的第K神经模型单元，对所述第K神经模型单元的加载数据进行条件概率特征输出，确定第K条件概率特征；其中，W大于等于2，K从1开始进行整数级递增，且1≤K≤W-1；

将所述第K条件概率特征加载至第K+1神经模型单元以继续进行条件概率特征输出；

其中，当K为1时，所述第K神经模型单元的加载数据为所述图成员的初始在线事件特征，当K为2≤K≤W-1时，所述第K神经模型单元的加载数据为第K-1神经模型单元的第K-1条件概率特征，当K为W-1时，所述第K+1神经模型单元输出的第K+1条件概率特征为所述图成员的基础特征信息。

在第一方面的一种可能的实施方式中，当所述K的为2≤K≤W-1时，所述基于W个依次连接的神经模型单元中的第K神经模型单元，对所述第K神经模型单元的加载数据进行条件概率特征输出，确定第K条件概率特征，包括：

基于所述第K神经模型单元实施下述操作：

对所述图成员的第K-1条件概率特征进行条件概率特征决策，确定所述图成员的第K-1层条件概率特征，所述第K-1条件概率特征是所述图成员的第K-1层特征信息；

对所述图成员的多个连通图成员的第K-1条件概率特征进行条件概率特征决策，确定所述多个连通图成员的第K-1层条件概率特征；

对所述多个连通图成员的第K-1层条件概率特征进行第K-1层分布聚合，并将针对所述图成员的第K-1层聚合特征作为所述图成员的第K-1层聚合条件概率特征；

提取所述图成员的第K-1层聚合条件概率特征的第K-1层条件确认特征，并对所述第K-1层条件确认特征以及所述第K-1层特征信息进行拼接，确定所述图成员的第K层特征信息作为所述第K条件概率特征。

在第一方面的一种可能的实施方式中，在提取所述反馈图网络中各所述图成员的基础特征信息之前，所述方法还包括：

当所述图成员对应所述反馈行为时，提取所述反馈行为的基础行为特征分布，并对所述基础行为特征分布进行基础编码，确定基础编码信息，将所述基础编码信息作为所述图成员的初始在线事件特征；

当所述图成员对应所述产品服务元素时，提取所述产品服务元素的进展行为特征分布，并对所述进展行为特征分布进行进展编码，确定进展编码信息，将所述进展编码信息作为所述图成员的初始在线事件特征。

在第一方面的一种可能的实施方式中，所述对各所述图成员的多个连通图成员的基础条件概率特征进行聚合，包括：

对各个所述图成员分别执行下述操作：

获取各所述连通图成员的基础条件概率特征的衍生特征、以及对应各所述连通图成员的影响力参数；

依据各所述连通图成员的影响力参数，对各所述连通图成员的基础条件概率特征的衍生特征进行加权融合，确定所述聚合衍生特征；

基于L个依次连接的聚合单元中的第R聚合单元，对所述第R聚合单元的加载数据进行扩展特征聚合，确定第R扩展特征聚合结果；

其中，L为大于等于2的整数，R从1开始进行整数级递增，且1≤R≤L-1； 将所述第R扩展特征聚合结果加载至第R+1聚合单元以继续进行扩展特征聚合；

其中，当R为1时，所述第R聚合单元的加载数据为所述多个连通图成员的基础条件概率特征的扩展特征以及所述图成员的基础条件概率特征的扩展特征，当R为2≤R≤L-1时，所述第R聚合单元的加载数据为第R-1聚合单元的第R-1扩展特征聚合结果以及所述多个连通图成员的基础条件概率特征的扩展特征，当R为L-1时，所述第R+1聚合单元输出的第R+1扩展特征聚合结果为聚合扩展特征；

以由所述聚合衍生特征以及所述聚合扩展特征表征的条件概率特征作为所述图成员的聚合特征。

在第一方面的一种可能的实施方式中，所述关联用户在下一次互联网产品互动流程中的兴趣点数据通过以下方式确定：

所述关联用户在下一次互联网产品互动流程中的用户操作日志数据；

将所述用户操作日志数据加载至第一兴趣点定位模型中进行兴趣点数据定位，确定输出的兴趣点数据；

其中，所述第一兴趣点定位模型是使用失衡兴趣类目影响因子覆盖初始化兴趣点定位模型的全连接单元对应的失衡兴趣类目对应的模型功能层信息，确定当前兴趣点定位模型，并使用模板用户操作数据对所述当前兴趣点定位模型进行模型迭代更新生成的，所述失衡兴趣类目影响因子是将模板用户操作数据中失衡兴趣类目对应的各个用户操作训练数据加载至所述初始化兴趣点定位模型中进行特征编码，确定各个用户操作特征，依据所述各个用户操作特征计算得到的。

譬如，在第一方面的一种可能的实施方式中，所述方法还包括：

获取初始化兴趣点定位模型，并获取模板用户操作数据，所述模板用户操作数据包括失衡兴趣类目对应的各个用户操作训练数据； 将所述失衡兴趣类目对应的各个用户操作训练数据加载至所述初始化兴趣点定位模型中进行特征编码，确定各个用户操作特征，依据所述各个用户操作特征计算得到失衡兴趣类目影响因子；

使用所述失衡兴趣类目影响因子覆盖所述初始化兴趣点定位模型中对应的失衡兴趣类目对应的模型功能层信息，确定当前兴趣点定位模型；

使用所述模板用户操作数据对所述当前兴趣点定位模型进行模型迭代更新，在满足模型迭代终止要求时，确定第一兴趣点定位模型；

将所述第一兴趣点定位模型作为初始化兴趣点定位模型，并返回将所述失衡兴趣类目对应的各个用户操作训练数据加载至所述初始化兴趣点定位模型中进行特征编码，确定各个用户操作特征，依据所述各个用户操作特征计算得到失衡兴趣类目影响因子的步骤执行，直至满足模型迭代终止要求时，确定第二兴趣点定位模型；

将所述第二兴趣点定位模型部署到线上服务系统中，并生成调用接口，所述调用接口用于调用所述第二兴趣点定位模型对用户操作日志数据进行兴趣点数据定位；

所述初始化兴趣点定位模型的生成包括以下步骤：

从所述模板用户操作数据中选取当前用户操作训练数据；

将所述当前用户操作训练数据加载至所述长短期记忆模型中进行前向传播计算，确定当前兴趣点定位数据；

获取所述当前用户操作训练数据对应的标注兴趣点数据，使用所述当前兴趣点定位数据和对应的所述标注兴趣点数据计算当前训练代价参数值；

使用所述当前训练代价参数值对所述长短期记忆模型进行反向传播计算，确定优化模型功能层信息信息的长短期记忆模型，将所述优化模型功能层信息信息的长短期记忆模型作为长短期记忆模型，并返回从所述模板用户操作数据中选取当前用户操作训练数据的步骤执行，直到满足模型迭代终止要求时，确定所述初始化兴趣点定位模型；

依据所述各个用户操作特征计算得到失衡兴趣类目影响因子，包括：

从所述各个用户操作特征中确定各个失衡兴趣类目对应的目标用户操作特征；

分别计算所述各个失衡兴趣类目对应的目标用户操作特征的平均化特征，确定所述各个失衡兴趣类目对应的平均化特征；

将所述各个失衡兴趣类目对应的平均化特征作为所述各个失衡兴趣类目对应的失衡兴趣类目影响因子；

所述使用所述失衡兴趣类目影响因子覆盖所述初始化兴趣点定位模型中对应的失衡兴趣类目对应的模型功能层信息，确定当前兴趣点定位模型，包括：

获取到各个失衡兴趣类目对应的失衡兴趣类目影响因子，并从所述初始化兴趣点定位模型的全连接单元中确定所述各个失衡兴趣类目对应的失衡兴趣类目对应的模型功能层信息；

使用所述各个失衡兴趣类目对应的失衡兴趣类目影响因子覆盖对应的失衡兴趣类目对应的模型功能层信息，确定当前兴趣点定位模型；

所述使用所述模板用户操作数据对所述当前兴趣点定位模型进行模型迭代更新，在满足模型迭代终止要求时，确定第一兴趣点定位模型，包括：

从所述模板用户操作数据中确定目标用户操作训练数据，将所述目标用户操作训练数据加载至所述当前兴趣点定位模型进行前向传播计算，确定训练兴趣点定位数据；

获取所述目标用户操作训练数据对应的目标兴趣点数据，基于所述训练兴趣点定位数据和所述目标兴趣点数据计算初始训练代价参数值；

从所述模板用户操作数据中确定所述目标兴趣点数据对应的用户操作训练数据数量，依据所述目标兴趣点数据对应的用户操作训练数据数量计算所述目标兴趣点数据对应的目标权重，基于所述目标权重和所述初始训练代价参数值计算目标训练代价参数值；

使用所述目标训练代价参数值对所述当前兴趣点定位模型进行反向传播计算，确定优化模型功能层信息信息的兴趣点定位模型，将所述优化模型功能层信息信息的兴趣点定位模型作为当前兴趣点定位模型，并返回从所述模板用户操作数据中确定目标用户操作训练数据，将所述目标用户操作训练数据加载至所述当前兴趣点定位模型进行前向传播计算，确定训练兴趣点定位数据的步骤执行，直到满足模型迭代终止要求时，确定所述第一兴趣点定位模型；所述依据所述目标兴趣点数据对应的用户操作训练数据数量计算所述目标兴趣点数据对应的目标权重，包括：

获取设定超参，计算所述设定超参与所述目标兴趣点数据对应的用户操作训练数据数量的比值，确定所述目标兴趣点数据对应的目标权重；

或者，获取模板用户操作数据全局量，计算所述模板用户操作数据全局量与所述目标兴趣点数据对应的用户操作训练数据数量的比值，确定所述目标兴趣点数据对应的目标权重。

第二方面，本申请实施例还提供一种应用大数据和AI分析的服务信息推送系统，所述应用大数据和AI分析的服务信息推送系统包括线上服务系统和与所述线上服务系统通信连接的多个互联网业务系统；

所述线上服务系统，用于：

对目标互联网产品的用户反馈大数据进行大数据分析，触发针对一个或多个关联用户的服务信息推送活动，所述关联用户是与所述用户反馈大数据对应的反馈图网络中的目标图成员所映射的挖掘目标；

基于所述服务信息推送活动对每个对应的关联用户在下一次互联网产品互动流程发起之前推送对应的互联网产品服务信息，并分析所述关联用户在下一次互联网产品互动流程中的兴趣点数据与所述互联网产品服务信息之间的关联信息；

基于所述关联用户在下一次互联网产品互动流程中的兴趣点数据与所述互联网产品服务信息之间的关联信息，确定所述关联用户针对所述服务信息推送活动的兴趣转化率；

基于所述关联用户针对所述服务信息推送活动的兴趣转化率，生成所述服务信息推送活动的推送可靠性结果。

呈上任意一个方面所述，通过对目标互联网产品的用户反馈大数据进行大数据分析，触发针对一个或多个关联用户的服务信息推送活动，基于服务信息推送活动对每个对应的关联用户在下一次互联网产品互动流程发起之前推送对应的互联网产品服务信息，并分析关联用户在下一次互联网产品互动流程中的兴趣点数据与互联网产品服务信息之间的关联信息，基于关联用户在下一次互联网产品互动流程中的兴趣点数据与互联网产品服务信息之间的关联信息，确定关联用户针对服务信息推送活动的兴趣转化率，由此生成服务信息推送活动的推送可靠性结果，从而可以通过下一次互联网产品互动流程之前针对用户反馈数据进行针对性推送的服务信息和之后产生的兴趣点数据的比对测试服务信息推送活动的可靠性，为后续服务信息推送活动的优化提供基础理论参考依据。

附图说明

图1为本发明实施例提供的应用大数据和AI分析的服务信息推送方法的流程示意图。

具体实施方式

下面介绍本发明一种实施例提供的应用大数据和AI分析的服务信息推送系统10的架构，该应用大数据和AI分析的服务信息推送系统10可以包括线上服务系统100以及与线上服务系统100通信连接的互联网业务系统200。其中，应用大数据和AI分析的服务信息推送系统10中的线上服务系统100和互联网业务系统200可以结合配合执行以下方法实施例所描述的应用大数据和AI分析的服务信息推送方法，具体线上服务系统100和互联网业务系统200的执行步骤部分可以参照以下方法实施例的详细描述。

本实施例提供的应用大数据和AI分析的服务信息推送方法可以由线上服务系统100执行，下面结合图1对该应用大数据和AI分析的服务信息推送方法进行详细介绍。

Process110，对目标互联网产品的用户反馈大数据进行大数据分析，触发针对一个或多个关联用户的服务信息推送活动，所述关联用户是与所述用户反馈大数据对应的反馈图网络中的目标图成员所映射的挖掘目标。

本实施例中，目标互联网产品可以是任意应用于线上服务系统100的互联网在线产品，例如电子商务服务产品，用户反馈大数据可以是指各个用户针对该目标互联网产品进行产品互动过程中所记录的行为数据。通过对目标互联网产品的用户反馈大数据进行大数据分析，可以分析预测相关关联用户的后续迭代反馈行为，进而可以预测触发针对一个或多个关联用户的服务信息推送活动，不同的服务信息推送活动可以对应的不同的服务信息推送规则，例如服务信息推送活动可以是推送关于电商直播中的A类别下对应B预测迭代行为的服务内容。

Process120，基于所述服务信息推送活动对每个对应的关联用户在下一次互联网产品互动流程发起之前推送对应的互联网产品服务信息，并分析所述关联用户在下一次互联网产品互动流程中的兴趣点数据与所述互联网产品服务信息之间的关联信息。

本实施例中，在每个对应的关联用户在下一次互联网产品互动流程发起之前，即可先行基于所述服务信息推送活动推送对应的互联网产品服务信息，然后分析所述关联用户在下一次互联网产品互动流程中的兴趣点数据与所述互联网产品服务信息之间的关联信息，例如分析所述关联用户在下一次互联网产品互动流程中的兴趣点数据在所述互联网产品服务信息中的权重，如覆盖比例。

Process130，基于所述关联用户在下一次互联网产品互动流程中的兴趣点数据与所述互联网产品服务信息之间的关联信息，确定所述关联用户针对所述服务信息推送活动的兴趣转化率。

本实施例中，通过前述Process120可以确定所述关联用户在下一次互联网产品互动流程中的兴趣点数据在所述互联网产品服务信息中的权重，然后基于预先设定的权重与兴趣转化率的映射关系，确定所述关联用户针对所述服务信息推送活动的兴趣转化率。

Process140，基于所述关联用户针对所述服务信息推送活动的兴趣转化率，生成所述服务信息推送活动的推送可靠性结果。

例如，可以直接将所述关联用户针对所述服务信息推送活动的兴趣转化率作为所述服务信息推送活动的推送可靠性结果，也可以将所述关联用户针对所述服务信息推送活动的兴趣转化率与设定兴趣转化率进行大小比对，并基于大小比对结果生成所述服务信息推送活动的推送可靠性结果，如兴趣转化率大于或者等于所述设定兴趣转化率时输出所述服务信息推送活动的推送可靠性满足条件的结果，否则输出所述服务信息推送活动的推送可靠性不满足条件的结果。由此，可以为后续服务信息推送活动的优化提供基础理论参考依据。

基于以上步骤，通过对目标互联网产品的用户反馈大数据进行大数据分析，触发针对一个或多个关联用户的服务信息推送活动，基于服务信息推送活动对每个对应的关联用户在下一次互联网产品互动流程发起之前推送对应的互联网产品服务信息，并分析关联用户在下一次互联网产品互动流程中的兴趣点数据与互联网产品服务信息之间的关联信息，基于关联用户在下一次互联网产品互动流程中的兴趣点数据与互联网产品服务信息之间的关联信息，确定关联用户针对服务信息推送活动的兴趣转化率，由此生成服务信息推送活动的推送可靠性结果，从而可以通过下一次互联网产品互动流程之前针对用户反馈数据进行针对性推送的服务信息和之后产生的兴趣点数据的比对测试服务信息推送活动的可靠性，为后续服务信息推送活动的优化提供基础理论参考依据。

一些示例性的设计思路中，Process110可以通过下述的实施例实现。

Process101中，对目标互联网产品的用户反馈大数据进行图网络提取，获取对应的反馈图网络。

例如，反馈图网络包括与各反馈行为和各产品服务元素对应的图成员、以及多个图成员之间的图网络链路，图网络链路用于表示连通的两个图成员所映射的挖掘目标之间存在反馈服务关系信息。反馈行为是指某个用户在与目标互联网产品进行交互过程中产生的交互行为（如针对在线电商产品的产品直播过程中的一次购物行为）。产品服务元素可以是指目标互联网产品的一次主动交互行为或者被动交互行为，如在线电商产品的产品直播行为。

Process102中，获取反馈图网络中各图成员的基础特征信息，并依据各图成员的基础特征信息生成各图成员的基础条件概率特征。

例如，除了上述直接将初始在线事件特征作为基础特征信息之外，还可以通过执行STEP1至STEP4来获取基础特征信息。

STEP1：对图成员的初始在线事件特征进行条件概率特征决策，确定图成员的初始条件概率特征。

一些示例性的设计思路中，在生成反馈图网络中各图成员的基础条件概率特征的基础特征信息之前，当图成员对应反馈行为时，例如，图成员是对应购物反馈行为的图成员，获取反馈行为的基础行为特征分布，基础行为特征分布为离散数据。由于基础行为特征分布是离散数据，因此需要对基础行为特征分布进行基础编码，确定基础编码信息，将基础编码信息作为反馈行为的图成员的初始在线事件特征。当图成员对应产品服务元素时，由于进展行为特征分布也是离散数据，因此需要对进展行为特征分布进行进展编码，确定进展编码信息，将进展编码信息作为产品服务元素的图成员的初始在线事件特征，进展编码的过程与基础编码的过程类似，不再赘述。

当对反馈图网络的图成员进行初始化处理时，会获取反馈图网络中各图成员v的初始在线事件特征。当图成员v对应反馈行为时，初始在线事件特征用于表征反馈行为的在线事件特征，当图成员v对应产品服务元素时，初始在线事件特征用于表征产品服务元素的在线事件特征。

例如，可以对初始在线事件特征进行映射处理，确定对应初始在线事件特征的初始条件概率特征，通过上述介绍可以明确初始在线事件特征可以表征图成员的各种信息，但是仅通过初始在线事件特征进行特征输出可能会存在特征量不完善的问题，由此通过引入条件概率特征（用于表示某次反馈行为在下一轮产品互动时间序列中的迭代反馈行为的概率）来表征图成员的信息，从而可以提高特征表达能力，即初始条件概率特征是依据初始在线事件特征得到的，用于表征图成员信息的另一种数据形式。当初始条件概率特征是高斯分布时，初始条件概率特征的参数包括衍生特征与扩展特征，可以依据初始在线事件特征获取初始衍生特征以及初始扩展特征，将由初始扩展特征以及初始衍生特征表征的条件概率特征作为图成员的初始条件概率特征。

例如，针对初始条件概率特征的初始衍生特征，对基础条件场与初始在线事件特征进行关联性提取，确定基础条件场关联特征，基础条件场是通过训练得到的已知条件数据；依据基础特征衍生维度对基础条件场关联特征进行特征衍生，确定图成员的初始衍生特征，基础特征衍生维度是通过训练得到的已知条件数据，将初始衍生特征作为初始条件概率特征对应的衍生特征。上述说明体现了将初始在线事件特征映射为初始衍生特征的过程，通过依据基础条件场以及基础特征衍生维度的线性处理，可以得到与初始在线事件特征相关的初始衍生特征，从而使得由初始衍生特征以及初始扩展特征表征的初始条件概率特征对图成员的信息表征能力提高。

例如，针对初始条件概率特征的初始扩展特征，对进展条件场与初始在线事件特征进行关联性提取，确定进展条件场关联特征，进展条件场是通过训练得到的已知条件数据；依据进展特征衍生维度对进展条件场关联特征进行特征衍生，确定图成员的候选扩展特征，进展特征衍生维度是通过训练得到的已知条件数据；对候选扩展特征进行激活函数处理，确定图成员的初始扩展特征，将初始扩展特征作为基础条件概率特征对应的扩展特征。上述说明体现了将初始在线事件特征映射为初始扩展特征的过程，通过依据进展条件场以及进展特征衍生维度的线性处理，可以得到与初始在线事件特征相关的候选扩展特征，并通过激活函数处理可以使得初始扩展特征对图成员的特征表达精确性更强。将由初始扩展特征以及初始衍生特征表征的条件概率特征作为图成员的初始条件概率特征。

STEP2：对图成员的多个连通图成员的初始在线事件特征进行条件概率特征决策，确定多个连通图成员的初始条件概率特征。

STEP1中对图成员的初始在线事件特征进行条件概率特征决策，确定图成员的基础条件概率特征的实施方式与STEP2中对两个连通图成员的初始在线事件特征进行条件概率特征决策，确定多个连通图成员的基础条件概率特征的实施方式类似，需要对应于各连通图成员的初始在线事件特征获取对应的基础条件概率特征。

通过条件概率特征决策可以将向量转化成条件概率特征，条件概率特征可以是高斯条件概率特征、多中心高斯分布等等，通过条件概率特征可以展示图成员信息的多样性，从而提高后续进展特征信息的表征能力。

STEP3：对多个连通图成员的初始条件概率特征进行聚合，并将针对图成员的聚合特征作为图成员的初始聚合条件概率特征。

当连通图成员的数目为一个时，将该连通图成员的初始条件概率特征作为图成员的初始聚合条件概率特征。

STEP4：获取图成员的初始聚合条件概率特征的初始条件确认特征，并对初始条件确认特征以及图成员的初始在线事件特征进行拼接，确定图成员的基础特征信息。

一些示例性的设计思路中，STEP102中获取反馈图网络中各图成员的基础特征信息可以通过对应于各图成员执行STEP1021至STEP1022实现。

Process1021中，基于W个依次连接的神经模型单元中的第K神经模型单元，对第K神经模型单元的加载数据进行条件概率特征输出，确定第K条件概率特征。

AI模型包括W个级联的神经模型单元，W的取值范围满足2≤W，K从1开始进行整数级递增，且K的取值范围满足1≤K≤W-1。

Process1022中，将第K条件概率特征加载至第K+1神经模型单元以继续进行条件概率特征输出。

当K为1时，第K神经模型单元的加载数据为图成员的初始在线事件特征，当K为2≤K≤W-1时，第K神经模型单元的加载数据为第K-1神经模型单元的第K-1条件概率特征，当K为W-1时，第K+1神经模型单元输出的第K+1条件概率特征为图成员的基础特征信息。通过迭代的方式可以有效提高基础特征信息的信息表征能力，有助于后续准确完成服务信息推送活动。

当K的为1时，上述基于W个依次连接的神经模型单元中的第K神经模型单元，对第K神经模型单元的加载数据进行条件概率特征输出，确定第K条件概率特征的实施方式可以参考上述非迭代方式的说明，不能将STEP4输出的基础特征信息作为STEP102的基础特征信息，而需要将STEP4输出的基础特征信息作为第1层特征信息输入第2神经模型单元，需要再次依据第1层特征信息获取第1层条件概率特征。

一些示例性的设计思路中，当K的为2≤K≤W-1时，上述基于W个依次连接的神经模型单元中的第K神经模型单元，对第K神经模型单元的加载数据进行条件概率特征输出，确定第K条件概率特征，可以通过第K神经模型单元执行STEP5-STEP8。

Process5中，对图成员的第K-1条件概率特征进行条件概率特征决策，确定图成员的第K-1层条件概率特征。

第K-1条件概率特征是图成员的第K-1层特征信息。

Process6中，对图成员的多个连通图成员的第K-1条件概率特征进行条件概率特征决策，确定多个连通图成员的第K-1层条件概率特征。

STEP5的实施方式与STEP6的实施方式类似，需要对应于各连通图成员的第K-1条件概率特征获取对应的第K-1层条件概率特征。

Process7中，对多个连通图成员的第K-1层条件概率特征进行第K-1层分布聚合，并将针对图成员的第K-1层聚合特征作为图成员的第K-1层聚合条件概率特征。

当连通图成员的数目为一个时，将该连通图成员的第K-1层条件概率特征作为图成员的第K-1层聚合条件概率特征。

Process8中，获取图成员的第K-1层聚合条件概率特征的第K-1层条件确认特征，并对第K-1层条件确认特征以及第K-1层特征信息进行拼接，确定图成员的第K层特征信息作为第K条件概率特征。

例如，针对图成员v的第K-1层聚合条件概率特征生成图成员v的第K-1层条件确认特征，第K-1层条件确认特征服从于第K-1层聚合条件概率特征，使用第K-1层条件确认特征和第K-1层网络输出的图成员v的第K-1层特征信息进行拼接，确定第K层网络输出的图成员v的第K层特征信息。

Process103中，对各图成员的多个连通图成员的基础条件概率特征进行聚合，并将对应于各图成员的聚合特征作为各图成员的多个连通图成员的基础聚合条件概率特征。

当连通图成员的数目为1时，将连通图成员的基础条件概率特征作为基础聚合条件概率特征。

一些示例性的设计思路中，STEP103具体通过对应于各图成员执行的STEP1031至STEP1033实现。

Process1031中，对图成员的多个连通图成员的基础条件概率特征进行衍生特征聚合，确定聚合衍生特征。

一些示例性的设计思路中，上述对多个连通图成员的基础条件概率特征进行衍生特征聚合，确定聚合衍生特征，可以通过以下技术方案实现：获取各连通图成员的基础条件概率特征的衍生特征、以及对应各连通图成员的影响力参数；依据各连通图成员的影响力参数，对各连通图成员的基础条件概率特征的衍生特征进行加权融合，确定聚合衍生特征。

影响力参数是对多个基础条件概率特征的衍生特征进行加权求和时，分配到各衍生特征的权重，通过对多个基础条件概率特征的衍生特征进行加权融合，可以对多个连通图成员的基础条件概率特征从衍生特征这个维度进行有效聚合，从而基础聚合条件概率特征的衍生特征可以有效表征多个连通图成员的信息。

Process1032中，对图成员的多个连通图成员的基础条件概率特征进行扩展特征聚合，确定聚合扩展特征。

一些示例性的设计思路中，STEP1032中对多个连通图成员的基础条件概率特征进行扩展特征聚合，确定聚合扩展特征，可以通过以下STEP5至STEP6实现：

Process5中，基于L个依次连接的聚合单元中的第R聚合单元，对第R聚合单元的加载数据进行扩展特征聚合，确定第R扩展特征聚合结果。

其中，L的取值范围满足2≤L，R从1开始进行整数级递增，且R的取值范围满足1≤R≤L-1。

Process6中，将第R扩展特征聚合结果加载至第R+1聚合单元以继续进行扩展特征聚合。

其中，当R为1时，第R聚合单元的加载数据为多个连通图成员的基础条件概率特征的扩展特征以及图成员的基础条件概率特征的扩展特征，当R为2≤R≤L-1时，第R聚合单元的加载数据为第R-1聚合单元的第R-1扩展特征聚合结果以及多个连通图成员的基础条件概率特征的扩展特征，当R为L-1时，第R+1聚合单元输出的第R+1扩展特征聚合结果为聚合扩展特征。

通过迭代的方式对基础条件概率特征的扩展特征进行聚合，可以对多个连通图成员的基础条件概率特征从扩展特征这个维度进行有效聚合，确定聚合扩展特征，从而基础聚合条件概率特征的扩展特征可以有效表征多个连通图成员的信息。

Process1033中，以由聚合衍生特征以及聚合扩展特征表征的条件概率特征作为图成员的聚合特征。

通过对多个连通图成员的基础条件概率特征的衍生特征进行聚合，可以得到聚合衍生特征，通过对多个连通图成员的基础条件概率特征的扩展特征进行聚合，可以得到聚合扩展特征，由此聚合扩展特征以及聚合衍生特征表征的聚合特征（基础聚合条件概率特征）可以有效且多样化表征连通图成员的信息。

Process104中，对应于各图成员，获取图成员的基础聚合条件概率特征的基础条件确认特征，并对基础条件确认特征以及图成员的基础特征信息进行拼接，确定图成员的进展特征信息。

一些示例性的设计思路中，STEP104中对基础条件确认特征以及图成员的基础特征信息进行拼接，确定图成员的进展特征信息，可以通过以下技术方案实现：对基础条件确认特征以及图成员的基础特征信息进行拼接处理，确定拼接向量；对拼接向量进行映射处理，确定图成员的进展特征信息。

Process105中，依据反馈图网络中一个或多个目标图成员的进展特征信息，触发针对一个或多个关联用户的服务信息推送活动。

基于以上Process101-105，本实施例通过获取能够表征产品服务元素与反馈行为反馈服务关系信息的反馈图网络，通过获取反馈图网络可以高效全面地获取产品服务元素以及反馈行为的信息，生成反馈图网络中各图成员的基础条件概率特征的基础特征信息，可以表征出图成员的信息多样性，对各图成员的多个连通图成员的基础条件概率特征进行聚合，确定基础聚合条件概率特征，在图成员与图成员间传播完整的条件概率特征，而非依据条件概率特征产生的向量，避免丢失图成员信息，将图成员的基础聚合条件概率特征的基础条件确认特征，与图成员的基础特征信息进行拼接，确定图成员的进展特征信息，进展特征信息可以准确表征图成员在反馈图网络中的信息，从而提高后续服务信息推送活动的准确度。

一些示例性的设计思路中，关于所述关联用户在下一次互联网产品互动流程中的兴趣点数据的生成流程，可以参见下述实施例。

Process1312，获取初始化兴趣点定位模型，并获取模板用户操作数据，模板用户操作数据包括失衡兴趣类目对应的各个用户操作训练数据。

其中，初始化兴趣点定位模型是指预先根据用户操作训练数据使用AI训练算法进行模型迭代更新得到的兴趣点定位模型，初始化兴趣点定位模型用于识别出用户操作数据的兴趣点。用户操作训练数据是指搜集的具有标注兴趣点数据的用户操作数据，标注兴趣点数据用于指示用户操作训练数据对应的兴趣点数据。AI训练算法可以是迭代神经网络算法。模板用户操作数据是指具备失衡兴趣类目分布的用户操作训练数据，失衡兴趣类目是指不同兴趣类目中用户操作训练数据存在兴趣点定位数据失衡对应的兴趣类目。

例如，线上服务系统获取到初始化兴趣点定位模型，可以从第三方直接获取到兴趣点定位模型，将获取到的兴趣点定位模型作为初始化兴趣点定位模型，该第三方可以是提供兴趣点定位模型的服务方。同时，线上服务系统获取到模板用户操作数据，并从模板用户操作数据得到失衡兴趣类目对应的各个用户操作训练数据。一些示例性的设计思路中，线上服务系统可以先获取到模板用户操作数据，根据模板用户操作数据使用深度神经网络算法进行模型迭代更新，训练完成时得到初始化兴趣点定位模型。

Process1314，将失衡兴趣类目对应的各个用户操作训练数据加载至初始化兴趣点定位模型中进行特征编码，得到各个用户操作特征，基于各个用户操作特征计算得到失衡兴趣类目影响因子。

用户操作特征用于表征用户操作训练数据对应的特征，每一个失衡兴趣类目对应的用户操作训练数据都有对应的用户操作特征。失衡兴趣类目影响因子是根据失衡兴趣类目对应的用户操作特征得到的，用于表征模型对该失衡兴趣类目的学习效果，每个失衡兴趣类目都有对应的失衡兴趣类目影响因子。

例如，线上服务系统将每个失衡兴趣类目对应的各个用户操作训练数据加载至初始化兴趣点定位模型中进行特征编码，得到每个失衡兴趣类目对应的各个用户操作特征，然后对每个失衡兴趣类目对应的各个用户操作特征进行特征间计算生成计算结果，将计算结果作为失衡兴趣类目影响因子，其中，特征间计算可以是计算各个用户操作特征的平均化特征，将平均化特征作为失衡兴趣类目影响因子。也可以对各个用户操作特征进行组合，将组合后的特征作为失衡兴趣类目影响因子。还可以将各个用户操作特征进行排序，获取到中间位置的用户操作特征，将中间位置的用户操作特征作为失衡兴趣类目影响因子。

Process1316，使用失衡兴趣类目影响因子覆盖初始化兴趣点定位模型中对应的失衡兴趣类目对应的模型功能层信息，得到当前兴趣点定位模型。

其中，模型功能层信息是指初始化兴趣点定位模型内部的变量参数，是初始化兴趣点定位模型训练完成时得到的。失衡兴趣类目对应的模型功能层信息是指初始化兴趣点定位模型内部该失衡兴趣类目对应的模型功能层信息。当前兴趣点定位模型是指使用所有的失衡兴趣类目影响因子覆盖初始化兴趣点定位模型中对应的失衡兴趣类目对应的模型功能层信息后得到的模型。

例如，线上服务系统得到失衡兴趣类目影响因子时，先确定初始化兴趣点定位模型中对应的失衡兴趣类目对应的模型功能层信息，然后将该失衡兴趣类目对应的模型功能层信息进行删除，并将失衡兴趣类目影响因子写入，则该失衡兴趣类目影响因子覆盖结束，当所有失衡兴趣类目对应的失衡兴趣类目都覆盖结束时，得到当前兴趣点定位模型。

Process1318，使用模板用户操作数据对当前兴趣点定位模型进行模型迭代更新，在满足模型迭代终止要求时，得到第一兴趣点定位模型。

一些示例性的设计思路中，可以将得到的第一兴趣点定位模型部署到线上服务系统中，并生成第一兴趣点定位模型的调用接口，从而能够使用户使用该调用接口从线上服务系统中调用第一兴趣点定位模型对需要识别的操作行为数据进行兴趣点数据定位，即通过线上服务系统来部署第一兴趣点定位模型。

基于以上步骤，通过初始化兴趣点定位模型识别失衡兴趣类目对应的各个用户操作训练数据的用户操作特征，从而得到失衡兴趣类目影响因子，使用失衡兴趣类目影响因子作为初始化兴趣点定位模型中的失衡兴趣类目对应的模型功能层信息，然后进一步进行模型迭代更新得到第一兴趣点定位模型，能够使失衡兴趣类目对应的用户操作训练数据对兴趣类目表达的贡献更加的突出，从而使失衡兴趣类目对应的用户操作训练数据能够得到充分的学习，因此，使得到的第一兴趣点定位模型提高了对失衡兴趣类目识别的精确性，同时由于只对失衡兴趣类目对应的模型功能层信息进行了覆盖，未对其他模型功能层信息进行覆盖，从而未影响对其它非失衡兴趣类目的兴趣点定位效果。

一些示例性的设计思路中，在Process1318之后，即在使用模板用户操作数据对当前兴趣点定位模型进行模型迭代更新，在满足模型迭代终止要求时，得到第一兴趣点定位模型之后，还包括：

Process1322，判断是否满足模型迭代终止要求，当满足模型迭代终止要求时，执行Process1324a，当未满足模型迭代终止要求时，执行Process1324b并返回Process1314执行。Process1324a，得到第二兴趣点定位模型。Process1324b，将第一兴趣点定位模型作为初始化兴趣点定位模型，并返回将失衡兴趣类目对应的各个用户操作训练数据加载至初始化兴趣点定位模型中进行特征编码，得到各个用户操作特征，基于各个用户操作特征计算得到失衡兴趣类目影响因子的步骤执行。

例如，线上服务系统当得到第一兴趣点定位模型时，进一步判断是否满足模型迭代终止要求，该迭代是指迭代执行Process1314，Process1316和Process1318，每次迭代到执行完Process1318时，判断是否满足模型迭代终止要求，当满足模型迭代终止要求，将对应的第一兴趣点定位模型作为第二兴趣点定位模型。当未满足模型迭代终止要求，将对应的第一兴趣点定位模型作为初始化兴趣点定位模型，并从Process1314重新开始执行。

一些示例性的设计思路中，在得到第二兴趣点定位模型之后，还包括：

将第二兴趣点定位模型部署到线上服务系统中，并生成调用接口，调用接口用于调用第二兴趣点定位模型对用户操作日志数据进行兴趣点数据定位。

一些示例性的设计思路中，初始化兴趣点定位模型的生成包括以下步骤：

获取模板用户操作数据，将模板用户操作数据加载至长短期记忆模型中进行模型迭代更新，当满足模型迭代终止要求时，得到初始化兴趣点定位模型。

例如，线上服务系统获取到模板用户操作数据，使用模板用户操作数据对长短期记忆模型进行模型迭代更新，当满足模型迭代终止要求时，将最后一次得到的兴趣点定位模型作为初始化兴趣点定位模型。

一些示例性的设计思路中，获取模板用户操作数据，将模板用户操作数据加载至长短期记忆模型中进行模型迭代更新，当满足模型迭代终止要求时，得到初始化兴趣点定位模型，包括：

Process1331，从模板用户操作数据中选取当前用户操作训练数据。

Process1332，将当前用户操作训练数据加载至长短期记忆模型中进行前向传播计算，得到当前兴趣点定位数据。

例如，线上服务系统从模板用户操作数据中选取当前用户操作训练数据，将当前用户操作训练数据加载至长短期记忆模型中进行前向传播计算，得到模型输出的当前兴趣点定位数据。

Process1333，获取当前用户操作训练数据对应的标注兴趣点数据，使用当前兴趣点定位数据和对应的标注兴趣点数据计算当前训练代价参数值。

其中，标注兴趣点数据是指当前用户操作训练数据对应的真实兴趣点数据，是设定的。

例如，线上服务系统获取到当前用户操作训练数据对应的标注兴趣点数据，根据当前兴趣点定位数据和对应的标注兴趣点数据使用损失函数计算训练代价参数值。

Process1334，使用当前训练代价参数值对长短期记忆模型进行反向传播计算，得到优化模型功能层信息信息的长短期记忆模型。

Process1335，判断是否满足模型迭代终止要求，当满足模型迭代终止要求时，执行Process1336a，当未满足模型迭代终止要求时，执行Process1336b并返回Process1332执行。

Process1336a，得到初始化兴趣点定位模型。

Process1336b，将优化模型功能层信息信息的长短期记忆模型作为长短期记忆模型，并返回从模板用户操作数据中选取当前用户操作训练数据的步骤执行。

例如，线上服务系统判断是否满足模型迭代终止要求，即是否对长短期记忆模型的模型功能层信息优化完成，当满足模型迭代终止要求，即说明模型功能层信息优化完成，此时就得到了初始化兴趣点定位模型。当未满足模型迭代终止要求，说明模型功能层信息未优化完成，此时将优化模型功能层信息信息的长短期记忆模型作为长短期记忆模型，并返回从模板用户操作数据中选取当前用户操作训练数据的步骤执行继续进行模型功能层信息优化，经过多次优化后，直到满足模型迭代终止要求，得到的最终的初始化兴趣点定位模型。

在上述实施例中，通过模板用户操作数据进行长短期记忆模型的训练，当训练完成时，得到了初始化兴趣点定位模型，方便使用。

一些示例性的设计思路中，基于各个用户操作特征计算得到失衡兴趣类目影响因子，包括步骤：从各个用户操作特征中确定各个失衡兴趣类目对应的目标用户操作特征；分别计算各个失衡兴趣类目对应的目标用户操作特征的平均化特征，得到各个失衡兴趣类目对应的平均化特征；将各个失衡兴趣类目对应的平均化特征作为各个失衡兴趣类目对应的失衡兴趣类目影响因子。

其中，目标用户操作特征是指失衡兴趣类目对应的用户操作特征，不同的失衡兴趣类目有不同的用户操作特征。平均化特征是指计算失衡兴趣类目对应所有的目标用户操作特征之和，然后在得到所有的目标用户操作特征的数量，计算所有的目标用户操作特征之和与所有的目标用户操作特征的数量的比值得到的，比如，失衡兴趣类目对应所有的目标用户操作特征包括（1，1，1），（2，2，2）和（3，3，3），进行特征加权计算得到的向量为（6，6，6）。目标用户操作特征的数量为3，则得到平均化特征为（2，2，2）。

例如，线上服务系统将从各个用户操作特征中确定每个失衡兴趣类目对应的所有目标用户操作特征，分别根据每个失衡兴趣类目对应的所有目标用户操作特征计算每个失衡兴趣类目对应的平均化特征，然后将计算得到的每个失衡兴趣类目对应的平均化特征作为每个兴趣类目对应的失衡兴趣类目影响因子。比如，当有10个失衡兴趣类目对应的所有目标用户操作特征，分别计算10个失衡兴趣类目对应的所有目标用户操作特征的平均化特征，就得到的10个失衡兴趣类目对应的失衡兴趣类目影响因子。

基于以上步骤，通过从各个用户操作特征中确定各个失衡兴趣类目对应的目标用户操作特征，然后分别计算各个失衡兴趣类目对应的目标用户操作特征的平均化特征，得到各个失衡兴趣类目对应的失衡兴趣类目影响因子，能够使得到的失衡兴趣类目影响因子更加的准确。

一些示例性的设计思路中，Process1316，使用失衡兴趣类目影响因子覆盖初始化兴趣点定位模型中对应的失衡兴趣类目对应的模型功能层信息，得到当前兴趣点定位模型，包括：

获取到各个失衡兴趣类目对应的失衡兴趣类目影响因子，并从初始化兴趣点定位模型的全连接单元中确定各个失衡兴趣类目对应的失衡兴趣类目对应的模型功能层信息。使用各个失衡兴趣类目对应的失衡兴趣类目影响因子覆盖对应的失衡兴趣类目对应的模型功能层信息，得到当前兴趣点定位模型。

其中，初始化兴趣点定位模型的全连接单元用于根据输入特征计算得到兴趣点数据的置信度。失衡兴趣类目对应的模型功能层信息是指初始化兴趣点定位模型的全连接单元中计算失衡兴趣类目置信度时使用的模型功能层信息。

例如，获取到每个失衡兴趣类目对应的失衡兴趣类目影响因子，并从初始化兴趣点定位模型的全连接单元中确定每个失衡兴趣类目对应的失衡兴趣类目对应的模型功能层信息。然后分别使用每个失衡兴趣类目对应的失衡兴趣类目影响因子覆盖对应的失衡兴趣类目对应的模型功能层信息，当覆盖结束时，得到当前兴趣点定位模型。比如，初始化兴趣点定位模型能够识别的兴趣类目数量为100，其中有25个为失衡兴趣类目，则获取到25个为失衡兴趣类目的失衡兴趣类目影响因子，然后从初始化兴趣点定位模型的全连接单元中确定25个失衡兴趣类目对应的模型功能层信息，然后将一致失衡兴趣类目的失衡兴趣类目对应的模型功能层信息覆盖为失衡兴趣类目影响因子，得到当前兴趣点定位模型。

一些示例性的设计思路中，失衡兴趣类目影响因子覆盖的流程可以包括以下步骤：

Process1341，获取失衡兴趣类目I的模板用户操作数据。

Process1342，将失衡兴趣类目I的模板用户操作数据加载至初始化兴趣点定位模型中进行特征编码，得到失衡兴趣类目I对应的各个用户操作特征。

Process1343，基于失衡兴趣类目I对应的各个用户操作特征计算得到失衡兴趣类目影响因子。

Process1344，使用失衡兴趣类目影响因子覆盖初始化兴趣点定位模型的全连接单元对应的失衡兴趣类目对应的模型功能层信息。

Process1345，判断失衡兴趣类目是否处理结束，当处理结束时执行Process1346，当未处理结束时执行Process1341。

Process1346，得到当前兴趣点定位模型。

例如，线上服务系统先获取到一个失衡兴趣类目的所有模板用户操作数据，通过初始化兴趣点定位模型识别得到该失衡兴趣类目的所有模板用户操作数据对应的用户操作特征，然后计算该各个用户操作特征的平均化特征，得到该失衡兴趣类目影响因子，直接使用失衡兴趣类目影响因子覆盖初始化兴趣点定位模型的全连接单元对应的失衡兴趣类目对应的模型功能层信息，然后判断失衡兴趣类目对应的失衡兴趣类目对应的模型功能层信息是否全部覆盖结束，当全部覆盖结束时，说明失衡兴趣类目处理结束，得到当前兴趣点定位模型。当未全部覆盖结束时，获取到下一个失衡兴趣类目的所有模板用户操作数据的步骤继续进行执行，直到所有的失衡兴趣类目处理结束。

在该实施例中，通过将失衡兴趣类目对应的模型功能层信息一个接一个的进行覆盖，直到全部覆盖结束时，得到当前兴趣点定位模型，能够防止覆盖过程中出现错误，提高覆盖的准确性。

一些示例性的设计思路中，Process1318，使用模板用户操作数据对当前兴趣点定位模型进行模型迭代更新，在满足模型迭代终止要求时，得到第一兴趣点定位模型，包括：

Process1351，从模板用户操作数据中确定目标用户操作训练数据，将目标用户操作训练数据加载至当前兴趣点定位模型进行前向传播计算，得到训练兴趣点定位数据；

Process1352，获取目标用户操作训练数据对应的目标兴趣点数据，根据训练兴趣点定位数据和目标兴趣点数据计算初始训练代价参数值。

其中，目标用户操作训练数据是指随机从模板用户操作数据中确定的用户操作训练数据，该用户操作训练数据可以是失衡兴趣类目对应的用户操作训练数据，也可以是正常兴趣类目对应的用户操作训练数据。训练兴趣点定位数据是指对目标用户操作训练数据进行兴趣点数据定位得到的兴趣类目。目标兴趣点数据是指目标用户操作训练数据对应的真实的兴趣点数据，该真实的兴趣点数据是设定的。

例如，线上服务系统从模板用户操作数据中任意选取目标用户操作训练数据，将目标用户操作训练数据加载至当前兴趣点定位模型进行前向传播计算，得到训练兴趣点定位数据，获取选取的目标用户操作训练数据对应的目标兴趣点数据，然后损失函数计算训练兴趣点定位数据和目标兴趣点数据之间的初始训练代价参数值。

Process1353，从模板用户操作数据中确定目标兴趣点数据对应的用户操作训练数据数量，基于目标兴趣点数据对应的用户操作训练数据数量计算目标兴趣点数据对应的目标权重，根据目标权重和初始训练代价参数值计算目标训练代价参数值。

其中，用户操作训练数据数量是指模板用户操作数据中包括的目标兴趣点数据对应的用户操作训练数据的数量。模板用户操作数据中每个用户操作训练数据都设定对应的兴趣点数据。目标权重是指目标兴趣点数据对应的模板权重。每个兴趣点数据对应的模板权重是不同的。

例如，线上服务系统从在模板用户操作数据中查找到目标兴趣点数据对应的所有用户操作训练数据，并进行数量统计得到用户操作训练数据数量，使用该用户操作训练数据数量计算得到该目标兴趣点数据对应的目标权重，使用目标权重对初始训练代价参数值进行加权计算得到目标训练代价参数值。

一些示例性的设计思路中，基于目标兴趣点数据对应的用户操作训练数据数量计算目标兴趣点数据对应的目标权重，包括步骤：获取设定超参，计算设定超参与目标兴趣点数据对应的用户操作训练数据数量的比值，得到目标兴趣点数据对应的目标权重。其中，设定超参是指预先基于经验进行灵活设定的。

一些示例性的设计思路中，基于目标兴趣点数据对应的用户操作训练数据数量计算目标兴趣点数据对应的目标权重，包括步骤：获取模板用户操作数据总数量，计算模板用户操作数据总数量与目标兴趣点数据对应的用户操作训练数据数量的比值，得到目标兴趣点数据对应的目标权重。其中，模板用户操作数据总数量是指模板用户操作数据中所有的用户操作训练数据数量。例如，线上服务系统统计得到模板用户操作数据总数量，计算模板用户操作数据总数量与目标兴趣点数据对应的用户操作训练数据数量的比值，得到目标兴趣点数据对应的目标权重。

Process1354，使用目标训练代价参数值对当前兴趣点定位模型进行反向传播计算，得到优化模型功能层信息信息的兴趣点定位模型。

Process1355，判断是否达到预设训练完成条件，在满足模型迭代终止要求时，执行Process1356a，当未达到预设训练完成条件，执行Process1356b。

Process1356b，将优化模型功能层信息信息的兴趣点定位模型作为当前兴趣点定位模型，并返回从模板用户操作数据中确定目标用户操作训练数据，将目标用户操作训练数据加载至当前兴趣点定位模型进行前向传播计算，得到训练兴趣点定位数据的步骤执行。

Process1356a，得到第一兴趣点定位模型。

例如，当得到目标训练代价参数值时，使用目标训练代价参数值对当前兴趣点定位模型进行反向传播计算，得到优化模型功能层信息信息的兴趣点定位模型。此时，线上服务系统判断是否达到预设训练完成条件，在满足模型迭代终止要求，得到第一兴趣点定位模型，当未达到预设训练完成条件将优化模型功能层信息信息的兴趣点定位模型作为当前兴趣点定位模型，并返回Process1352进行执行。

基于以上步骤，通过根据训练兴趣点定位数据和目标兴趣点数据计算初始训练代价参数值，然后从模板用户操作数据中确定目标兴趣点数据对应的用户操作训练数据数量，基于目标兴趣点数据对应的用户操作训练数据数量计算目标兴趣点数据对应的目标权重，根据目标权重和初始训练代价参数值计算目标训练代价参数值，使用目标训练代价参数值对当前兴趣点定位模型进行反向传播计算，得到优化模型功能层信息信息的兴趣点定位模型，在满足模型迭代终止要求时，得到第一兴趣点定位模型，能够使得到的第一兴趣点定位模型提高针对失衡兴趣类目的兴趣点定位的准确性。

一些示例性的设计思路中，基于前述步骤获得第二兴趣点定位模型，具体包括以下步骤：

Process1361，获取初始化兴趣点定位模型，并获取模板用户操作数据，模板用户操作数据包括失衡兴趣类目对应的各个用户操作训练数据。

Process1362，从模板用户操作数据中得到失衡兴趣类目I对应的各个用户操作训练数据，将失衡兴趣类目I对应的各个用户操作训练数据加载至初始化兴趣点定位模型中进行特征编码，得到失衡兴趣类目I对应的各个用户操作特征，

Process1363，基于失衡兴趣类目I对应的各个用户操作特征计算平均化特征，将平均化特征作为失衡兴趣类目I对应的失衡兴趣类目影响因子。

Process1364，使用失衡兴趣类目影响因子覆盖初始化兴趣点定位模型的全连接单元对应的失衡兴趣类目对应的模型功能层信息。

Process1365，判断失衡兴趣类目是否处理结束，当处理结束时执行Process1366，当未处理结束时返回Process1364执行。

Process1366，得到当前兴趣点定位模型，

Process1367，使用所述模板用户操作数据对所述当前兴趣点定位模型进行模型迭代更新，在满足模型迭代终止要求时，得到第一兴趣点定位模型。

Process1368，判断是否满足模型迭代终止要求，当满足模型迭代终止要求时，执行Process1369a，当未满足模型迭代终止要求时，执行Process1369b并返回Process1364执行。

Process1369b，将第一兴趣点定位模型作为初始化兴趣点定位模型，并返回Process1364执行。

Process1369a，得到第二兴趣点定位模型。

通过训练框架来完成对兴趣点定位模型的训练，提高了得到第二兴趣点定位模型的效率。

一些示例性的设计思路中，本申请另一个实施例还可以包括以下步骤：

Process1371，获取用户操作日志数据。

Process1372，将用户操作日志数据加载至第一兴趣点定位模型中进行兴趣点数据定位，得到输出的兴趣点数据，其中，第一兴趣点定位模型是使用失衡兴趣类目影响因子覆盖初始化兴趣点定位模型的全连接单元对应的失衡兴趣类目对应的模型功能层信息，得到当前兴趣点定位模型，并使用模板用户操作数据对当前兴趣点定位模型进行模型迭代更新生成的，失衡兴趣类目影响因子是将模板用户操作数据中失衡兴趣类目对应的各个用户操作训练数据加载至初始化兴趣点定位模型中进行特征编码，得到各个用户操作特征，基于各个用户操作特征计算得到的。

其中，用户操作日志数据是指需要进行兴趣类目识别的用户操作数据。兴趣点数据是指识别得到的用户操作日志数据的兴趣类目。

例如，线上服务系统可以预先部署使用上述兴趣点定位模型训练方法训练得到的兴趣点定位模型。比如，将第一兴趣点定位模型部署到线上服务系统，然后，当线上服务系统获取到用户终端发送的用户操作日志数据时，对用户操作日志数据输入第一兴趣点定位模型中进行兴趣点数据定位，得到输出的兴趣点数据，将兴趣点数据返回给用户终端进行展示。一些示例性的设计思路中，也可以将第二兴趣点定位模型部署到线上服务系统中。使用第二兴趣点定位模型对用户操作日志数据进行兴趣点数据定位，得到输出的兴趣点数据，将兴趣点数据返回给用户终端进行展示。

一些示例性的设计思路中，可以使用在终端中部署使用上述兴趣点定位模型训练方法训练得到的兴趣点定位模型，直接获取到终端本地存储的用户操作日志数据进行兴趣点数据定位，提高了识别得到兴趣点数据的效率。

通过获取用户操作日志数据，将用户操作日志数据加载至第一兴趣点定位模型中进行兴趣点数据定位，得到输出的兴趣点数据，能够提高得到失衡兴趣类目的准确性。

针对一些可能的实施方式而言，线上服务系统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。

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应用大数据和AI分析的服务信息推送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。

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。

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应用大数据和AI分析的服务信息推送方法。

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应用大数据和AI分析的服务信息推送方法。

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而言，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。