1.一种社交智能体集群控制方法,其特征在于,包括:
S1.统计互联网平台用户不同群体,构建对应用户特征画像;
S2.依据互联网用户特征画像,对部署至集群上的智能体进行用户画像养成,得到带有偏好的智能体;将实时偏好预测结果与长期偏好预测结果相结合,形成用户画像的动态更新机制;用户画像的动态更新机制包含三个方面:实时偏好预测,长期偏好预测,全局用户画像更新;通过反向更新机制,将生成的用户画像特征持续应用至集群上的智能体,最终完成对智能体偏好特征的养成;然后将带有偏好的智能体部署至集群环境中,在集群环境中,利用生成的智能体偏好特征对用户的交互行为进行实时响应,并根据用户行为数据的变化动态调整偏好特征,以提升智能体的响应能力和适应性;
S3.基于BS架构对所述智能体创建信息消费活动任务;
S4.采集由智能体活动所产生的信息消费数据。
2.根据权利要求1所述的社交智能体集群控制方法,其特征在于,步骤S2还包括:S201数据采集与预处理:通过用户所设置的用户画像,从互联网用户的滑动交互行为、触摸交互行为以及浏览交互行为中提取时间序列数据;同时,获取用户的历史数据以及用户的配置文件数据,将这些数据作为用户特征画像的输入源,为后续步骤提供全面的数据支持;之后对采集到的行为序列数据进行清洗、标准化处理,剔除异常值,并按照时间顺序排列,形成完整的时间序列特征数据集;针对数据中的缺失值,采用插值法或其他适当的方法进行填补,以确保时间序列数据的连续性和可用性;
S202.行为序列建模:针对滑动交互、触摸交互以及浏览交互行为分别构建时间序列特征模型;具体而言,采用递归神经网络RNN结构对上述行为序列进行建模,以捕捉用户行为数据的时序特征和长依赖关系;为缓解RNN网络训练过程中可能出现的梯度消失问题,进一步采用门控循环单元GRU;GRU的计算公式如下:更新门:rt=σ(Weret+Whrht-1+br) (1)
重置门:zt=σ(Wezet+Whzht-1+bz) (2)
候选隐藏状态:
其中et是第t个动作的嵌入向量,σ是sigmoid函数,⊙是元素级乘积运算符;
为了支持动态更新,引入动态权重调整机制,通过时间衰减函数和更新增量,动态地更新隐藏状态;
为了减少过时行为对当前用户画像的影响,设计如下时间衰减公式:
wt=α·e-β·(T-t) (4)
其中T为当前时间戳,t为行为时间戳,α和β为可调参数,用于控制时间权重的衰减速度,时间衰减权重用于降低历史行为对当前决策的影响,确保模型能够优先关注近期行为;
动态隐藏状态更新:
其中ht为当前隐藏状态,ht-1为前一隐藏状态;为当前行为的候选隐藏状态,通过GRU的核心公式计算得到;wt为时间衰减权重,控制历史行为与当前行为的平衡;
当前隐藏状态由历史隐藏状态和当前行为状态共同决定,但历史状态的贡献随时间衰减;至此,模型能够根据时间权重动态调整隐藏状态,平衡短期兴趣和长期兴趣的影响;
S203.用户画像的动态更新机制:本机制核心在于通过融合实时偏好预测和长期偏好预测,形成用户画像的动态调整能力;相较于传统静态画像,本机制能够自适应地更新用户画像,增强智能体对用户兴趣变化的响应能力;
实时偏好预测:
Preal-time=softmax(Wr·hT+br) (6)
其中Preal-time表示实时偏好向量,表示用户当前兴趣分布,Wr表示实时偏好预测的权重矩阵,用于将隐藏状态转换为偏好概率;hT为最新时间步的隐藏状态,反映用户当前行为特征;br为偏置项,用于调整偏好预测的基准值;
至此,智能体根据最新行为数据,实时预测用户对各类兴趣标签的偏好分布;
长期偏好预测:
为更新后的长期偏好向量,为上一时间步的长期偏好向量,Preal-time为当前的实时偏好向量,γ为长期偏好更新权重,范围为0到1,用于平衡实时偏好与历史趋势;
长期偏好预测根据当前预测结果逐步调整,确保画像既能体现用户的即时兴趣,又能保持长期稳定性;
全局用户画像更新:
Pglobal=δ·Preal-time+(1-δ)·Plong-term (8)Pglobal为全局用户画像,融合短期兴趣与长期趋势,作为智能体响应的最终依据;δ为融合权重,范围为0到1,调节短期偏好与长期偏好的比例;
通过全局画像,智能体能够综合短期与长期兴趣,为用户提供更精准的响应服务;
S204.层级特征融合:分为两类,一类是序列内特征提取,另一类是跨序列特征融合;
序列内特征提取:对每种行为序列单独使用序列内注意力机制,计算行为序列内部每个动作的重要性权重,从而识别用户行为序列中的关键动作;具体地,注意力分数计算公式为:其中是前向GRU模型的最终输出状态,是双向GRU模型的第t个输出状态,通过该公式计算得到的注意力分数at能够反映动作ht与当前动作的关系,从而确定重要动作;然后将双向GRU的输出与对应的注意力分数向量进行元素级乘积操作,得到序列内注意力层的输出;
跨序列特征融合:利用跨序列注意力机制完成不同行为序列间的交互特征融合;以滑动交互视图vs和浏览交互视图vb为例,跨视图注意力机制IA(vs,vb)=As(vb,vs,vs)⊙Ab(vs,vb,vb其中通过该机制可以有效捕捉异步行为序列之间的相关性与交互模式,得到跨视图注意力层的输出;
S205.多任务优化:设计了一种多任务学习框架,通过同时预测实时偏好和长期偏好来提升对用户行为模式的识别能力;将不同行为序列的特征嵌入向量通过拼接操作进行融合,随后输入多任务学习网络中;分别定义实时偏好预测任务和长期偏好预测任务的损失函数;
实时偏好预测任务的损失函数Lshort:
长期偏好预测任务的损失函数Llong:
其中y是实际的阅读标签,N是数据集中样本的总数,是训练集;
全局损失函数Lglobal被定义为两个任务损失的加权和,以实现多任务学习:Lglobal=λLshort+(1-λ)Llong (12)
这里,λ是一个超参数,用于平衡两个任务的重要性。
3.根据权利要求1所述的社交智能体集群控制方法,其特征在于,步骤S1所述的统计互联网平台用户不同群体,构建对应用户特征画像,包括:在创建智能体后,依据所设置的用户画像,对所述智能体进行用户画像养成,得到带有偏好的智能体包括:通过获取用户的历史行为数据、访问轨迹、内容浏览记录以及社交互动信息,进行多维度的数据分析;所述分析维度可以包括但不限于:用户的兴趣爱好、职业信息、社交圈层、购买偏好、设备使用习惯;接着,基于用户的地理位置、年龄段、性别、收入水平基础属性,结合其历史行为中的显著特征,形成用户群体的细分画像;通过将用户按多个特征维度进行分类聚合,可以识别出高价值用户群体、潜在兴趣群体;最终,针对不同的用户群体,构建不同群体的用户画像特征。
4.根据权利要求1所述的社交智能体集群控制方法,其特征在于,步骤S3所述的基于BS架构对所述智能体创建信息消费活动任务,包括:在用户友好的Web界面中进行任务的创建和管理,利用服务器端的强大处理能力来分配和执行任务;用户在直观的任务管理界面中创建新的智能体任务,并从预定义的智能体池中选择适合执行该任务的智能体;在任务创建过程中,用户设置任务参数,包括目标平台、预定的执行时间、任务的具体描述以及预期达成的结果;用户根据任务的特殊需求选择特定类型的智能体进行执行。
5.根据权利要求1所述的社交智能体集群控制方法,其特征在于,,步骤S4所述的采集由智能体活动所产生的信息消费数据,包括:记录智能体在访问互联网媒体平台过程中接收到的信息数据,包括内容类型、来源、发布时间、交互量;对于被详细浏览的内容,采集评论相关数据,包括评论内容、作者、时间、互动量;智能体控制器接收并存储这些数据,并基于采集行为记录元数据,进行后续分析和查询。
6.一种社交智能体集群控制装置,其特征在于,包括:
智能体模块,基于Autojs或Jxbrowser或的网页自动化机器人,分布在各类共有和私有云主机或手机上;能够依据分配的任务信息,在指定社交媒体中自主进行浏览、阅读、关注、评论、点赞的信息消费和社交行为的自动程序,同时具有文本分类、内容监测和图片识别的能力;
任务分配模块,按执行时间和相关属性将任务分配给特定的一个或者一组社交智能体程序;
任务收集模块,收集相关的任务反馈和数据;处理任务执行中的相关错误的自动程序;
消息中介模块,包含任务队列单元和任务反馈单元,解耦智能体和任务分配器之间的关系;通过单点的队列或批量分发的主题进行不同类型任务的分发,并通过一个队列进行社交智能体反馈;
数据存储模块,存储社交智能体任务信息、反馈信息、浏览行为信息、社交智能体状态信息、智能体Profile信息;
用户发布任务后,任务信息将存储至数据存储模块中的任务信息表中;任务分配模块读取任务信息,并将任务馈送至消息中介模块中的任务队列单元;智能体模块从任务队列单元获取任务并执行,执行完成后将任务结果馈送至消息中介模块中的反馈队列单元;任务收集模块读取反馈队列单元中的任务反馈信息,并将反馈信息、浏览行为信息、Profile信息、社交智能体信息的数据存储至数据存储模块;此外,智能体模块会对数据存储模块中的所有信息进行单独备份存储。
7.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1~4任一项所述的社交智能体集群控制方法。