(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210563391.2 (22)申请日 2022.05.23 (71)申请人 烟台聚禄信息科技有限公司 地址 264000 山东省烟台市芝罘区青年路 16号万方商务大厦1628 (72)发明人 任志贵　苏健明　 (51)Int.Cl. G06F 16/215(2019.01) G06F 16/36(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 5/00(2006.01) (54)发明名称 应用人工智能策略的大数据清洗决策方法 及AI处理系统 (57)摘要 本发明实施例提供一种应用人工智能策略 的大数据清洗决策方法及AI处理系统， 依次加载 前向AI网络模型和后向AI网络模型形成的噪声 决策网络， 对目标用户行为大数据进行前后AI决 策， 后向AI网络模型的模型加载信息是依据前向 AI网络模型得到的各个噪声支持度进行整理后 进一步提取的， 从而可以提高后向模 型加载信息 的可靠性。 同时将前向AI网络模型、 后向AI网络 模型按照前后顺序配置， 前向AI网络模 型依据预 设AI指令调取主动学习决策网络可以控制模型 加载信息量， 后向AI网络模型选用递归神经决策 网络， 递归神经决策网络相对于传统神经网络模 型可以提高时间关联性的学习能力， 进而提高噪 声决策的准确性。 权利要求书5页 说明书10页 附图2页 CN 114880314 A 2022.08.09 CN 114880314 A 1.一种应用人工智能策略的大数据清洗决策方法， 其特征在于， 应用于所述AI处理系 统， 所述方法包括： 从待清洗的业务大数据库中提取待进行用户意图挖掘的指定用户的目标用户行为大 数据； 依据预设AI指令调取前向AI网络模型以输出对应的前向噪声决策网络， 以前向噪声决 策网络函数序列对所述目标用户行为大数据进 行游走决策， 确定各个游走数据点相关联的 各个噪声支持度； 提取所述噪声支持度满足设定噪声评判要求的游走数据点， 确定模糊噪声点序列， 并 基于所述前向噪声决策网络函数序列解析所述模糊噪声点序列的噪声点字段， 输出模糊噪 声点字段簇； 依据预设AI指令调取后向AI网络模型以输出对应的后向噪声决策网络， 以后向噪声决 策网络函数序列对所述模糊噪声点字段簇进 行游走决策， 基于目标噪声支持度满足设定噪 声确认要求的游走 数据点， 确定确认噪声点及所述确认噪声点的所述目标噪声支持度； 基于所述确认噪声点及所述确认噪声点的所述目标噪声支持度对所述目标用户行为 大数据进行 大数据清洗决策。 2.根据权利要求1所述的应用人工智能策略的大数据清洗决策方法， 其特征在于， 所述 前向噪声 决策网络为主动学习决策网络， 所述后向噪声 决策网络为递归神经决策网络； 所 述方法还 包括： 剔除所述前向噪声决策网络的决策分类单元形成噪声点字段挖掘网络， 并基于前向噪 声决策网络函数序列解析 所述模糊噪声点序列的噪声点字段， 输出模糊噪声点字段簇 。 3.根据权利要求1所述的应用人工智能策略的大数据清洗决策方法， 其特征在于， 所述 方法还包括： 获取初始化用户行为大数据， 计算所述初始化用户行为大数据的行为活动触发特征分 布和行为活动触发频率分布， 确定初始化特征分布和初始化频率分布， 并确定所述初始化 频率分布的最大 频率分布 节点作为 最大初始化频率数据； 基于所述指定用户的最大历史平均频率数据和所述最大初始化频率数据计算异动参 数， 并依据所述异动参数 更新所述初始化频率分布， 确定目标 频率分布； 基于初始化特征分布、 所述指定用户的历史特征分布和目标频率分布， 生成目标用户 行为数据分布； 其中， 所述历史特征分布为一个或多个历史挖掘可靠性认证的行为数据的行为活动触 发特征分布， 所述最大历史平均频率数据为所述历史挖掘可靠性认证的行为数据的行为活 动触发频率分布的最大 频率分布 节点。 4.根据权利要求3所述的应用人工智能策略的大数据清洗决策方法， 其特征在于， 所述 方法还包括： 游走所述目标用户行为数据分布， 依据设定数据节点的游走窗口对所述目标用户行为 数据分布进行游走决策， 确定所述 目标用户行为数据分布的多个游走数据点， 以及所述游 走数据点在所述目标用户行为数据分布中的追溯数据节点； 游走所述游走数据点的所有数据成员的可挖掘价值数据， 计算所述可挖掘价值数据中 可挖掘价值大于目标可挖掘价值的数据成员数量与数据成员总数量的比值， 确定所述游走权　利　要　求　书 1/5 页 2 CN 114880314 A 2数据点的AI决策输入评估值； 基于满足AI决策输入评估要求的游走数据点构建所述目标用户行为大数据， 其中， 所 述AI决策输入评估要求 为： 所述游走 数据点的AI决策输入评估值大于目标评估值。 5.根据权利要求1 ‑4中任意一项所述的应用人工智能策略的大数据清洗决策方法， 其 特征在于， 所述前向噪声决策网络的训练步骤 包括： 获取若干个参考用户行为数据， 并对所述参考用户行为数据进行特征扩展和衍生， 确 定若干个训练范例行为数据； 依据目标训练配置参数将所述训练范例行为数据切分成第一噪声决策学习数据序列 和第一噪声决策测试 数据序列； 依据预设AI指令调取前向AI网络模型以输出对应的主动学习决策网络， 基于ReLU函数 对第一噪声决策学习数据序列中的各个第一噪声决策学习数据进 行游走学习输出， 确定所 述第一噪声决策 学习数据中的各个学习游走 数据点相关联的各个学习输出支持度； 依据所述学习输出支持度从大到小的顺序对所述学习游走数据点进行排列， 提取排列 位次处于预设数量区间的学习游走 数据点， 确定第一加载 学习游走 数据； 将所述第一加载学习游走数据及对应第 一噪声决策学习数据的噪声点训练依据， 加载 至所述主动学习 决策网络进行参数层信息的调优和调取， 获得第一噪声决策网络函数阵 列， 计算所述学习输出支持度与所述噪声点训练依据的交叉熵损失函数值， 作为第一噪声 决策网络函数阵列的训练学习代价参数， 并以所述第一噪声决策网络函数阵列对所述主动 学习决策网络进行参数层信息的调优和选取； 循环进行参数层信息的调优和选取直至训练学习代价参数不再继续下降或者已经下 降到预设代价参数以下， 生成多个第一噪声 决策网络函数阵列、 对应的训练学习代价参数 以及对应的第一加载 学习游走 数据； 分别依据 所述多个第 一噪声决策网络函数阵列 下的各个主动学习决策网络， 对所述第 一噪声决策测试数据序列中的第一噪声决策测试数据进行游走学习输出， 确定第一噪声决 策测试数据中的各个测试游走 数据点相关联的各个测试输出支持度； 从所述各个测试输出支持度中确定最大测试输出支持度作为所述第一噪声决策测试 数据的参考输出支持度， 并确定所述参考输出支持度与所述第一噪声决策测试数据的噪声 点训练依据的交叉熵损失函数值， 作为该第一噪声决策网络函数阵列 的训练测试代价参 数； 结合多个第一噪声决策网络函数阵列的训练测试代价参数， 确定第一训练代价参数， 将所述第一训练代价参数对应的第一噪声决策网络函数阵列作为所述前向噪声决策网络 函数序列。 6.根据权利要求5所述的应用人工智能策略的大数据清洗决策方法， 其特征在于， 所述 后向噪声决策网络的训练步骤 包括： 获取所述前向噪声决策网络函数序列对应的第一加载 学习游走 数据； 剔除所述主动学习决策网络的决策分类单元形成噪声点字段挖掘网络， 基于所述前向 噪声决策网络函数序列解析所述第一加载学习游走数据的噪声点字段， 输出噪声点字段分 布；权　利　要　求　书 2/5 页 3 CN 114880314 A 3