基于人工智能的网上营销数据推荐方法及系统与流程

本技术涉及人工智能，具体而言，涉及一种基于人工智能的网上营销数据推荐方法及系统。

背景技术：

1、随着互联网的迅猛发展和电子商务的广泛普及，网上营销已成为企业推广产品、扩大市场份额的重要手段。然而，面对海量的用户数据和复杂多变的用户需求，如何有效地进行用户行为跟踪、兴趣点预测和个性化推荐，成为网上营销领域亟待解决的问题。

2、传统的网上营销方法往往基于简单的用户行为统计和粗放的市场分析，难以精准地把握用户的真实需求和兴趣点。这导致了营销效果不佳，用户满意度低下，同时也造成了资源的浪费。为了提升营销效果，满足用户的个性化需求，基于人工智能的网上营销数据推荐方法应运而生。

3、现有的人工智能推荐方法虽然在一定程度上提高了推荐的准确性，但仍存在一些不足。首先，这些方法往往只考虑用户在一个营销平台上的行为数据，忽略了用户在其他平台上的行为信息，从而限制了推荐的全面性和准确性。其次，现有方法在优化预测网络时，往往对所有网络参数信息进行同等深度的优化，这可能导致过拟合或欠拟合的问题，影响推荐的泛化能力。

技术实现思路

1、有鉴于此，本技术的目的在于提供一种基于人工智能的网上营销数据推荐方法及系统。

2、结合本技术的第一方面，提供一种基于人工智能的网上营销数据推荐方法，应用于基于人工智能的网上营销数据推荐系统，所述方法包括：

3、获取第一样例营销平台用户行为数据和第二样例营销平台用户行为数据，其中，所述第一样例营销平台用户行为数据在用户行为跟踪时的跟踪权重大于所述第二样例营销平台用户行为数据的跟踪权重；

4、基于所述第一样例营销平台用户行为数据对第一用户兴趣点预测网络进行知识学习，以优化所述第一用户兴趣点预测网络的网络参数信息，生成第二用户兴趣点预测网络；

5、基于所述第一样例营销平台用户行为数据和所述第二样例营销平台用户行为数据优化所述第二用户兴趣点预测网络，以将所述第二用户兴趣点预测网络作为候选用户兴趣点预测网络，并通过跟踪权重不同的样例营销平台用户行为数据对所述第二用户兴趣点预测网络进行训练，生成第三用户兴趣点预测网络，其中，对所述第二用户兴趣点预测网络的网络参数信息的优化深度小于对所述第一用户兴趣点预测网络的网络参数信息的优化深度，所述第三用户兴趣点预测网络对目标营销标签的用户兴趣点的预测性能值大于所述第二用户兴趣点预测网络对所述目标营销标签的用户兴趣点的预测性能值，所述第二样例营销平台用户行为数据的营销标签包括所述目标营销标签。

6、在第一方面的一种可能的实施方式中，基于所述第一样例营销平台用户行为数据对第一用户兴趣点预测网络进行知识学习，以优化所述第一用户兴趣点预测网络的网络参数信息，生成第二用户兴趣点预测网络包括：

7、依据所述第一样例营销平台用户行为数据对所述第一用户兴趣点预测网络内各功能参数单元中的网络参数信息进行基础知识学习，生成所述网络参数信息，并基于所述第一用户兴趣点预测网络对所述第一样例营销平台用户行为数据的用户兴趣点预测结果和所述第一样例营销平台用户行为数据的先验用户兴趣点标注数据的训练误差层值优化所述网络参数信息；

8、在所述第一用户兴趣点预测网络对验证用户行为数据的预测性能值大于第一预设参数值时，将所述第一用户兴趣点预测网络作为所述第二用户兴趣点预测网络，其中，所述验证用户行为数据属于所述第一样例营销平台用户行为数据中包括的业务营销标签的至少一种；

9、在所述第一用户兴趣点预测网络对所述验证用户行为数据的预测性能值未大于所述第一预设参数值时，接着依据所述第一样例营销平台用户行为数据对所述第一用户兴趣点预测网络进行知识学习，以接着优化所述第一用户兴趣点预测网络内各功能参数单元中的网络参数信息的权重值，直至所述第一用户兴趣点预测网络对所述验证用户行为数据的预测性能值大于所述第一预设参数值。

10、在第一方面的一种可能的实施方式中，基于所述第一样例营销平台用户行为数据和所述第二样例营销平台用户行为数据优化所述第二用户兴趣点预测网络，以将所述第二用户兴趣点预测网络作为候选用户兴趣点预测网络，并通过跟踪权重不同的样例营销平台用户行为数据对所述第二用户兴趣点预测网络进行训练，生成第三用户兴趣点预测网络包括：

11、从所述第一样例营销平台用户行为数据和所述第二样例营销平台用户行为数据中各解析一致数量的样例营销平台用户行为数据，组成第三样例营销平台用户行为数据，其中，所述第三样例营销平台用户行为数据中的每个样例营销平台用户行为数据包括从所述第一样例营销平台用户行为数据中解析到的一个样例营销平台用户行为数据和从所述第二样例营销平台用户行为数据中解析到的一个样例营销平台用户行为数据；

12、将所述第三样例营销平台用户行为数据分为辅助样例序列和验证样例序列；

13、将所述辅助样例序列加载到第二用户兴趣点预测网络进行知识学习，并基于所述第二用户兴趣点预测网络对所述辅助样例序列的用户兴趣点预测结果和所述辅助样例序列的先验用户兴趣点标注数据的训练误差层值优化所述第二用户兴趣点预测网络的网络参数信息；

14、在所述第二用户兴趣点预测网络对所述验证样例序列的预测性能值大于第二预设参数值时，将所述第二用户兴趣点预测网络作为所述第三用户兴趣点预测网络；

15、在所述第二用户兴趣点预测网络对所述验证样例序列的预测性能值未大于所述第二预设参数值时，接着依据所述验证样例序列对所述第二用户兴趣点预测网络进行知识学习，以接着优化所述第二用户兴趣点预测网络内各功能参数单元中的网络参数信息的权重值，直至所述第二用户兴趣点预测网络对所述验证样例序列的预测性能值大于所述第二预设参数值。

16、在第一方面的一种可能的实施方式中，生成所述第三用户兴趣点预测网络之后，所述方法还包括：

17、将所述第一样例营销平台用户行为数据和所述第二样例营销平台用户行为数据进行重组，生成第四样例营销平台用户行为数据；

18、将所述第四样例营销平台用户行为数据加载到第三用户兴趣点预测网络进行知识学习，并基于所述第三用户兴趣点预测网络对所述第四样例营销平台用户行为数据的用户兴趣点预测结果和所述第四样例营销平台用户行为数据的先验用户兴趣点标注数据的训练误差层值优化所述第三用户兴趣点预测网络的网络参数信息；

19、在所述第三用户兴趣点预测网络对验证用户行为数据的预测性能值大于第三预设参数值时，将所述第三用户兴趣点预测网络作为第四用户兴趣点预测网络，其中，所述第四用户兴趣点预测网络对所述目标营销标签的用户兴趣点的预测性能值大于所述第三用户兴趣点预测网络对所述目标营销标签的用户兴趣点的预测性能值，所述验证用户行为数据指示的用户兴趣点的所属营销标签包括所述目标营销标签；

20、在所述第三用户兴趣点预测网络对所述验证用户行为数据的预测性能值未大于所述第三预设参数值时，接着依据所述第四样例营销平台用户行为数据对所述第三用户兴趣点预测网络进行知识学习，以接着优化所述第三用户兴趣点预测网络内各功能参数单元中的网络参数信息的权重值，直至所述第三用户兴趣点预测网络对所述验证样例序列的预测性能值大于所述第三预设参数值，其中，对第三用户兴趣点预测网络的网络参数信息的优化深度小于对所述第二用户兴趣点预测网络的网络参数信息的优化深度。

21、在第一方面的一种可能的实施方式中，优化所述第三用户兴趣点预测网络内各功能参数单元中的网络参数信息的权重值，直至所述第三用户兴趣点预测网络对所述验证样例序列的预测性能值大于所述第三预设参数值包括：

22、基于目标训练误差层确定训练误差参数，其中，所述训练误差参数表征所述第三用户兴趣点预测网络对所述验证用户行为数据的用户兴趣点预测结果和所述验证用户行为数据的实际标注结果之间的误差的训练误差层值；

23、基于所述训练误差参数优化所述第三用户兴趣点预测网络的网络参数信息，直至所述第三用户兴趣点预测网络的预测性能值大于所述第三预设参数值。

24、在第一方面的一种可能的实施方式中，优化所述第三用户兴趣点预测网络内各功能参数单元中的网络参数信息的权重值还包括：

25、确定所述目标训练误差层的训练方向参数；

26、将所述第三用户兴趣点预测网络的网络参数信息和所述训练方向参数的融合参数值作为所述第三用户兴趣点预测网络的更新网络参数信息。

27、在第一方面的一种可能的实施方式中，获取第一样例营销平台用户行为数据和第二样例营销平台用户行为数据包括：

28、确定用户行为跟踪区间；

29、在所述用户行为跟踪区间内捕捉目标用户行为数据；

30、将所述目标用户行为数据依据预定义的营销标签进行分类，并确定每种类型的营销行为数据在所述目标用户行为数据中的比例，生成每种类型的营销行为数据的所述跟踪权重；

31、将各种类型的营销行为数据中所述跟踪权重大于预设预设参数值的作为所述第一样例营销平台用户行为数据，将所述跟踪权重不大于所述预设预设参数值的作为所述第二样例营销平台用户行为数据。

32、在第一方面的一种可能的实施方式中，所述方法还包括：

33、利用所述第三用户兴趣点预测网络对任意目标用户的营销平台用户行为数据进行用户兴趣点预测，并根据所述目标用户的用户兴趣点预测结果进行网上营销数据推荐。

34、结合本技术的第二方面，提供一种基于人工智能的网上营销数据推荐系统，所述基于人工智能的网上营销数据推荐系统包括包括机器可读存储介质及处理器，所述机器可读存储介质存储有机器可执行指令，所述处理器在执行所述机器可执行指令时，该基于人工智能的网上营销数据推荐系统实现前述的基于人工智能的网上营销数据推荐方法。

35、结合本技术的第三方面，提供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可执行指令，当所述计算机可执行指令被执行时，实现前述的基于人工智能的网上营销数据推荐方法。

36、结合上述任一方面，通过获取跟踪权重不同的两种样例营销平台用户行为数据，利用这些数据对预测网络进行分步优化，最终生成一个高性能的用户兴趣点预测网络。通过获取第一样例营销平台用户行为数据和第二样例营销平台用户行为数据，并根据跟踪权重的差异进行数据处理，能够更全面地考虑用户在不同平台上的行为模式，提高了用户兴趣点预测的准确性和全面性。基于第一样例营销平台用户行为数据对第一用户兴趣点预测网络进行知识学习，优化网络参数信息，生成第二用户兴趣点预测网络。这一步使得预测网络能够初步学习和适应用户的行为模式，为后续的优化打下基础。通过结合第一样例和第二样例营销平台用户行为数据，对第二用户兴趣点预测网络进行优化，生成候选用户兴趣点预测网络，通过引入更多样化的数据，进一步提升了预测网络的泛化能力和准确性。通过对候选用户兴趣点预测网络进行训练，利用跟踪权重不同的样例营销平台用户行为数据，生成最终的第三用户兴趣点预测网络，确保了网络能够针对不同权重的用户行为进行精细化的预测和调整，从而大幅提高了预测性能。此外，还通过控制网络参数信息的优化深度，在保证预测性能的同时，减少了过拟合的风险，使得最终生成的第三用户兴趣点预测网络在对目标营销标签的用户兴趣点预测上具有更高的性能值，不仅提升了营销推荐的精准度，也为网上营销活动提供了更有力的数据支持。