频繁项业务数据挖掘分析方法及业务数据挖掘设备

摘要

本公开申请实施例提供的频繁项业务数据挖掘分析方法及业务数据挖掘设备，通过对目标业务数据进行初始化业务数据挖掘解析，获得初始化业务数据属性，进一步根据业务数据属性关联、业务属性重组以及业务数据类型进行业务数据挖掘分析，挖掘分析出所述目标业务数据中的所述目标频繁项业务数据。基于此，针对目标频繁项业务数据的挖掘分析，可提升业务数据挖掘的可靠性和业务数据挖掘效率。

说明书

技术领域

本公开申请涉及大数据挖掘技术领域，具体而言，涉及一种频繁项业务数据挖掘分析方法及业务数据挖掘设备。

背景技术

随着网络信息技术的发展，在网络环境中，随时随地会产生海量的大数据。基于各种业务提供服务平台而言，针对各种业务亦会产生海量的业务数据。然而，目前针对业务数据的挖掘分析方法依然存在业务数据挖掘可靠性较差、效率较低的问题。

发明内容

为至少部分解决上述问题，本公开申请实施例提供一种频繁项业务数据挖掘分析方法，所述方法包括：

对目标业务数据进行初始化业务数据挖掘解析，获得初始化业务数据属性，并对所述初始化业务数据属性进行业务数据属性关联，获得第一业务数据属性；

根据所述第一业务数据属性进行针对目标频繁项业务数据的第一业务数据类型下的数据挖掘分析，得到用于表征所述目标频繁项业务数据的初始化业务数据属性特征，并对所述初始化业务数据属性和所述第一业务数据属性进行属性重组，并对重组后的业务数据属性进行业务数据属性关联，获得第二业务数据属性；

获取所述初始化业务数据属性特征中各业务数据属性特征对应的业务数据权重参数；对所述业务数据权重参数小于权重阈值的业务数据属性特征进行特征过滤，得到特征过滤后的业务数据属性特征，并根据所述特征过滤后的业务数据属性特征的特征拓扑关系和所述第一业务数据属性对应的特征拓扑关系，对所述特征过滤后的业务数据属性特征进行顺序排列，得到顺序排列后的业务数据属性特征；

根据所述第二业务数据属性和所述顺序排列后的业务数据属性特征对所述目标频繁项业务数据进行第二业务数据类型下的数据挖掘分析，以对所述顺序排列后的业务数据属性特征进行特征调整，并根据特征调整后的业务数据属性特征挖掘分析出所述目标业务数据中的所述目标频繁项业务数据。

进一步地，所述对所述初始化业务数据属性进行业务数据属性关联，获得第一业务数据属性，包括：

通过频繁项业务数据挖掘模型的第一业务数据属性分析层，对所述初始化业务数据属性进行第一频繁项业务数据挖掘分析，得到所述初始化业务数据属性的属性分量；

通过所述频繁项业务数据挖掘模型的第一属性关联层，对所述属性分量进行业务数据属性关联，获得所述第一业务数据属性。

进一步地，所述根据所述第一业务数据属性进行针对目标频繁项业务数据的第一业务数据类型下的数据挖掘分析，得到用于表征所述目标频繁项业务数据的初始化业务数据属性特征，包括：

通过频繁项业务数据挖掘模型的第一业务数据特征卷积层，根据所述第一业务数据属性提取所述目标业务数据中所述目标频繁项业务数据的业务数据属性特征；

对所述目标频繁项业务数据的业务数据属性特征进行聚类，得到用于表征所述目标频繁项业务数据的初始化业务数据属性特征。

进一步地，所述对所述初始化业务数据属性和所述第一业务数据属性进行属性重组，并对重组后的业务数据属性进行业务数据属性关联，获得第二业务数据属性，包括：

将所述初始化业务数据属性和所述第一业务数据属性输入频繁项业务数据挖掘模型的第二业务数据属性分析层；

根据所述初始化业务数据属性和所述第一业务数据属性特征调整所述第二业务数据属性分析层的网络参数，得到特征调整后的网络参数；

对所述初始化业务数据属性和所述第一业务数据属性进行属性重组，得到重组后的业务数据属性；

根据所述特征调整后的网络参数，对所述重组后的业务数据属性进行第一频繁项业务数据挖掘分析，得到所述重组后的业务数据属性对应的属性分量；

通过所述频繁项业务数据挖掘模型的第二属性关联层，对所述属性分量进行业务数据属性关联，得到第二业务数据属性。

进一步地，所述根据所述特征过滤后的业务数据属性特征的特征拓扑关系和所述第一业务数据属性对应的特征拓扑关系，对所述特征过滤后的业务数据属性特征进行顺序排列，得到顺序排列后的业务数据属性特征，包括：

获取所述特征过滤后的业务数据属性特征在与所述第一业务数据属性对应的频繁项业务数据分布中的特征拓扑映射关系；

根据所述特征拓扑映射关系对所述特征过滤后的业务数据属性特征进行顺序排列，得到顺序排列后的业务数据属性特征。

本公开申请实施例还提供一种业务数据挖掘设备，包括处理器、存储器以及频繁项业务数据挖掘分析装置，其中，所述频繁项业务数据挖掘分析装置包括：

初始化解析单元，用于对目标业务数据进行初始化业务数据挖掘解析，获得初始化业务数据属性，并对所述初始化业务数据属性进行业务数据属性关联，获得第一业务数据属性；

属性重组单元，用于根据所述第一业务数据属性进行针对目标频繁项业务数据的第一业务数据类型下的数据挖掘分析，得到用于表征所述目标频繁项业务数据的初始化业务数据属性特征，并对所述初始化业务数据属性和所述第一业务数据属性进行属性重组，并对重组后的业务数据属性进行业务数据属性关联，获得第二业务数据属性；

属性特征过滤单元，用于获取所述初始化业务数据属性特征中各业务数据属性特征对应的业务数据权重参数；对所述业务数据权重参数小于权重阈值的业务数据属性特征进行特征过滤，得到特征过滤后的业务数据属性特征，并根据所述特征过滤后的业务数据属性特征的特征拓扑关系和所述第一业务数据属性对应的特征拓扑关系，对所述特征过滤后的业务数据属性特征进行顺序排列，得到顺序排列后的业务数据属性特征；

数据挖掘分析单元，用于根据所述第二业务数据属性和所述顺序排列后的业务数据属性特征对所述目标频繁项业务数据进行第二业务数据类型下的数据挖掘分析，以对所述顺序排列后的业务数据属性特征进行特征调整，并根据特征调整后的业务数据属性特征挖掘分析出所述目标业务数据中的所述目标频繁项业务数据。

进一步地，所述初始化解析单元还用于：

通过频繁项业务数据挖掘模型的第一业务数据属性分析层，对所述初始化业务数据属性进行第一频繁项业务数据挖掘分析，得到所述初始化业务数据属性的属性分量；

通过所述频繁项业务数据挖掘模型的第一属性关联层，对所述属性分量进行业务数据属性关联，获得所述第一业务数据属性。

进一步地，所述属性重组单元还用于：

通过频繁项业务数据挖掘模型的第一业务数据特征卷积层，根据所述第一业务数据属性提取所述目标业务数据中所述目标频繁项业务数据的业务数据属性特征；

对所述目标频繁项业务数据的业务数据属性特征进行聚类，得到用于表征所述目标频繁项业务数据的初始化业务数据属性特征。

进一步地，所述属性重组单元还用于：

将所述初始化业务数据属性和所述第一业务数据属性输入频繁项业务数据挖掘模型的第二业务数据属性分析层；

根据所述初始化业务数据属性和所述第一业务数据属性特征调整所述第二业务数据属性分析层的网络参数，得到特征调整后的网络参数；

对所述初始化业务数据属性和所述第一业务数据属性进行属性重组，得到重组后的业务数据属性；

根据所述特征调整后的网络参数，对所述重组后的业务数据属性进行第一频繁项业务数据挖掘分析，得到所述重组后的业务数据属性对应的属性分量；

通过所述频繁项业务数据挖掘模型的第二属性关联层，对所述属性分量进行业务数据属性关联，得到第二业务数据属性。

进一步地，所述属性特征过滤单元还用于：

获取所述特征过滤后的业务数据属性特征在与所述第一业务数据属性对应的频繁项业务数据分布中的特征拓扑映射关系；

根据所述特征拓扑映射关系对所述特征过滤后的业务数据属性特征进行顺序排列，得到顺序排列后的业务数据属性特征。

综上所述，本公开申请实施例提供的频繁项业务数据挖掘分析方法及业务数据挖掘设备，首先对目标业务数据进行初始化业务数据挖掘解析，获得初始化业务数据属性，并对所述初始化业务数据属性进行业务数据属性关联，获得第一业务数据属性； 然后，根据所述第一业务数据属性进行针对目标频繁项业务数据的第一业务数据类型下的数据挖掘分析，得到用于表征所述目标频繁项业务数据的初始化业务数据属性特征，并对所述初始化业务数据属性和所述第一业务数据属性进行属性重组，并对重组后的业务数据属性进行业务数据属性关联，获得第二业务数据属性；其次，获取所述初始化业务数据属性特征中各业务数据属性特征对应的业务数据权重参数；对所述业务数据权重参数小于权重阈值的业务数据属性特征进行特征过滤，得到特征过滤后的业务数据属性特征，并根据所述特征过滤后的业务数据属性特征的特征拓扑关系和所述第一业务数据属性对应的特征拓扑关系，对所述特征过滤后的业务数据属性特征进行顺序排列，得到顺序排列后的业务数据属性特征； 最后，根据所述第二业务数据属性和所述顺序排列后的业务数据属性特征对所述目标频繁项业务数据进行第二业务数据类型下的数据挖掘分析，以对所述顺序排列后的业务数据属性特征进行特征调整，并根据特征调整后的业务数据属性特征挖掘分析出所述目标业务数据中的所述目标频繁项业务数据。基于此，针对目标频繁项业务数据的挖掘分析，可提升业务数据挖掘的可靠性和业务数据挖掘效率。

附图说明

为了更清楚地说明本公开申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅是本公开申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1是本公开申请实施例所提供的用于实现频繁项业务数据挖掘分析方法的业务数据挖掘设备的示意图。

图2是本公开申请实施例所提供的频繁项业务数据挖掘分析方法的流程示意图。

图3是本公开申请实施例所提供的频繁项业务数据挖掘分析装置的功能单元框图。

具体实施方式

为了使本技术领域的学员更好地理解本公开申请方案，下面将结合本公开申请实施例中的附图，对本公开申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本公开申请一部分实施例，而不是全部的实施例。根据本公开申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开申请保护的范围。

图1是本公开申请实施例提供的用于实现频繁项业务数据挖掘分析方法的业务数据挖掘设备100的示意图。图2是本公开申请实施例所提供的频繁项业务数据挖掘分析方法的流程示意图。一种可替代的实施例中，所述方法由所述业务数据挖掘设备100实现，示例性介绍如下。

步骤S21，对目标业务数据进行初始化业务数据挖掘解析，获得初始化业务数据属性，并对所述初始化业务数据属性进行业务数据属性关联，获得第一业务数据属性。

步骤S22，根据所述第一业务数据属性进行针对目标频繁项业务数据的第一业务数据类型下的数据挖掘分析，得到用于表征所述目标频繁项业务数据的初始化业务数据属性特征，并对所述初始化业务数据属性和所述第一业务数据属性进行属性重组，并对重组后的业务数据属性进行业务数据属性关联，获得第二业务数据属性。

步骤S23，获取所述初始化业务数据属性特征中各业务数据属性特征对应的业务数据权重参数；对所述业务数据权重参数小于权重阈值的业务数据属性特征进行特征过滤，得到特征过滤后的业务数据属性特征，并根据所述特征过滤后的业务数据属性特征的特征拓扑关系和所述第一业务数据属性对应的特征拓扑关系，对所述特征过滤后的业务数据属性特征进行顺序排列，得到顺序排列后的业务数据属性特征。

步骤S24，根据所述第二业务数据属性和所述顺序排列后的业务数据属性特征对所述目标频繁项业务数据进行第二业务数据类型下的数据挖掘分析，以对所述顺序排列后的业务数据属性特征进行特征调整，并根据特征调整后的业务数据属性特征挖掘分析出所述目标业务数据中的所述目标频繁项业务数据。

一种可替代的实施例中，在步骤S21中，所述对所述初始化业务数据属性进行业务数据属性关联，获得第一业务数据属性，包括：

通过频繁项业务数据挖掘模型的第一业务数据属性分析层，对所述初始化业务数据属性进行第一频繁项业务数据挖掘分析，得到所述初始化业务数据属性的属性分量；

通过所述频繁项业务数据挖掘模型的第一属性关联层，对所述属性分量进行业务数据属性关联，获得所述第一业务数据属性。

一种可替代的实施例中，在步骤S22中，所述根据所述第一业务数据属性进行针对目标频繁项业务数据的第一业务数据类型下的数据挖掘分析，得到用于表征所述目标频繁项业务数据的初始化业务数据属性特征，包括：

通过频繁项业务数据挖掘模型的第一业务数据特征卷积层，根据所述第一业务数据属性提取所述目标业务数据中所述目标频繁项业务数据的业务数据属性特征；

对所述目标频繁项业务数据的业务数据属性特征进行聚类，得到用于表征所述目标频繁项业务数据的初始化业务数据属性特征。

一种可替代的实施例中，在步骤S23中，所述对所述初始化业务数据属性和所述第一业务数据属性进行属性重组，并对重组后的业务数据属性进行业务数据属性关联，获得第二业务数据属性，包括：

将所述初始化业务数据属性和所述第一业务数据属性输入频繁项业务数据挖掘模型的第二业务数据属性分析层；

根据所述初始化业务数据属性和所述第一业务数据属性特征调整所述第二业务数据属性分析层的网络参数，得到特征调整后的网络参数；

对所述初始化业务数据属性和所述第一业务数据属性进行属性重组，得到重组后的业务数据属性；

根据所述特征调整后的网络参数，对所述重组后的业务数据属性进行第一频繁项业务数据挖掘分析，得到所述重组后的业务数据属性对应的属性分量；

通过所述频繁项业务数据挖掘模型的第二属性关联层，对所述属性分量进行业务数据属性关联，得到第二业务数据属性。

一种可替代的实施例中，在步骤S23中，所述根据所述特征过滤后的业务数据属性特征的特征拓扑关系和所述第一业务数据属性对应的特征拓扑关系，对所述特征过滤后的业务数据属性特征进行顺序排列，得到顺序排列后的业务数据属性特征，包括：

获取所述特征过滤后的业务数据属性特征在与所述第一业务数据属性对应的频繁项业务数据分布中的特征拓扑映射关系；

根据所述特征拓扑映射关系对所述特征过滤后的业务数据属性特征进行顺序排列，得到顺序排列后的业务数据属性特征。

进一步地，参阅图2所示，本实施例中，业务数据挖掘设备100可以是一个服务器、也可以是服务器集群、计算机设备、云服务中心等具有信息处理和分析能力的设备，业务数据挖掘设备100可以包括一个或多个处理器101，诸如一个或多个中央处理单元(CPU)，每个处理单元可以实现一个或多个硬件线程。业务数据挖掘设备100还可以包括机器可读存储介质102，其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的，比如，机器可读存储介质可以包括以下任一项或多种组合：任何类型的RAM，任何类型的ROM，闪存设备，硬盘，光盘等。更一般地，机器可读存储介质都可以使用任何技术来存储信息。进一步地，机器可读存储介质可以提供信息的易失性或非易失性保留。进一步地，机器可读存储介质可以表示业务数据挖掘设备100的固定或可移除部件。在一种情况下，当处理器101执行被存储在机器可读存储介质102或存储介质的组合中的相关联的指令时，业务数据挖掘设备100可以执行相关联指令的任一操作。

此外，业务数据挖掘设备100还可以包括输入/输出（I/O），其用于接收各种输入(经由输入单元)和用于提供各种输出(经由输出单元))。一个具体输出机构可以包括呈现设备和相关联的图形用户接口(GUI)。业务数据挖掘设备100还可以包括一个或多个网络接口，其用于经由一个或多个通信单元与其他设备交换数据。一个或多个通信总线将上文所描述的部件耦合在一起。

通信单元可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信单元可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能等的任何组合。

图3是本公开申请实施例提供的频繁项业务数据挖掘分析装置103（如图1所示）的功能单元图，该频繁项业务数据挖掘分析装置103实现的功能可以对应上述方法执行的步骤。其它实施例中，该频繁项业务数据挖掘分析装置103可以是上述业务数据挖掘设备100，或业务数据挖掘设备的处理器101，也可以是独立于上述业务数据挖掘设备100或处理器101之外的在业务数据挖掘设备100的控制下实现本公开申请功能的组件，如图3所示，下面分别对该频繁项业务数据挖掘分析装置的各个功能单元的功能进行详细阐述。

初始化解析单元1031，用于对目标业务数据进行初始化业务数据挖掘解析，获得初始化业务数据属性，并对所述初始化业务数据属性进行业务数据属性关联，获得第一业务数据属性；

属性重组单元1032，用于根据所述第一业务数据属性进行针对目标频繁项业务数据的第一业务数据类型下的数据挖掘分析，得到用于表征所述目标频繁项业务数据的初始化业务数据属性特征，并对所述初始化业务数据属性和所述第一业务数据属性进行属性重组，并对重组后的业务数据属性进行业务数据属性关联，获得第二业务数据属性；

属性特征过滤单元1033，用于获取所述初始化业务数据属性特征中各业务数据属性特征对应的业务数据权重参数，对所述业务数据权重参数小于权重阈值的业务数据属性特征进行特征过滤，得到特征过滤后的业务数据属性特征，并根据所述特征过滤后的业务数据属性特征的特征拓扑关系和所述第一业务数据属性对应的特征拓扑关系，对所述特征过滤后的业务数据属性特征进行顺序排列，得到顺序排列后的业务数据属性特征；

数据挖掘分析单元1034，用于根据所述第二业务数据属性和所述顺序排列后的业务数据属性特征对所述目标频繁项业务数据进行第二业务数据类型下的数据挖掘分析，以对所述顺序排列后的业务数据属性特征进行特征调整，并根据特征调整后的业务数据属性特征挖掘分析出所述目标业务数据中的所述目标频繁项业务数据。

进一步地，所述初始化解析单元1031还用于：

通过频繁项业务数据挖掘模型的第一业务数据属性分析层，对所述初始化业务数据属性进行第一频繁项业务数据挖掘分析，得到所述初始化业务数据属性的属性分量；

通过所述频繁项业务数据挖掘模型的第一属性关联层，对所述属性分量进行业务数据属性关联，获得所述第一业务数据属性。

进一步地，所述属性重组单元1032还用于：

通过频繁项业务数据挖掘模型的第一业务数据特征卷积层，根据所述第一业务数据属性提取所述目标业务数据中所述目标频繁项业务数据的业务数据属性特征；

对所述目标频繁项业务数据的业务数据属性特征进行聚类，得到用于表征所述目标频繁项业务数据的初始化业务数据属性特征。

进一步地，所述属性重组单元1032还用于：

将所述初始化业务数据属性和所述第一业务数据属性输入频繁项业务数据挖掘模型的第二业务数据属性分析层；

根据所述初始化业务数据属性和所述第一业务数据属性特征调整所述第二业务数据属性分析层的网络参数，得到特征调整后的网络参数；

对所述初始化业务数据属性和所述第一业务数据属性进行属性重组，得到重组后的业务数据属性；

根据所述特征调整后的网络参数，对所述重组后的业务数据属性进行第一频繁项业务数据挖掘分析，得到所述重组后的业务数据属性对应的属性分量；

通过所述频繁项业务数据挖掘模型的第二属性关联层，对所述属性分量进行业务数据属性关联，得到第二业务数据属性。

进一步地，所述属性特征过滤单元1033还用于：

获取所述特征过滤后的业务数据属性特征在与所述第一业务数据属性对应的频繁项业务数据分布中的特征拓扑映射关系；

根据所述特征拓扑映射关系对所述特征过滤后的业务数据属性特征进行顺序排列，得到顺序排列后的业务数据属性特征。

综上所述，本公开申请实施例提供的频繁项业务数据挖掘分析方法及业务数据挖掘设备，首先对目标业务数据进行初始化业务数据挖掘解析，获得初始化业务数据属性，并对所述初始化业务数据属性进行业务数据属性关联，获得第一业务数据属性； 然后，根据所述第一业务数据属性进行针对目标频繁项业务数据的第一业务数据类型下的数据挖掘分析，得到用于表征所述目标频繁项业务数据的初始化业务数据属性特征，并对所述初始化业务数据属性和所述第一业务数据属性进行属性重组，并对重组后的业务数据属性进行业务数据属性关联，获得第二业务数据属性；其次，获取所述初始化业务数据属性特征中各业务数据属性特征对应的业务数据权重参数；对所述业务数据权重参数小于权重阈值的业务数据属性特征进行特征过滤，得到特征过滤后的业务数据属性特征，并根据所述特征过滤后的业务数据属性特征的特征拓扑关系和所述第一业务数据属性对应的特征拓扑关系，对所述特征过滤后的业务数据属性特征进行顺序排列，得到顺序排列后的业务数据属性特征； 最后，根据所述第二业务数据属性和所述顺序排列后的业务数据属性特征对所述目标频繁项业务数据进行第二业务数据类型下的数据挖掘分析，以对所述顺序排列后的业务数据属性特征进行特征调整，并根据特征调整后的业务数据属性特征挖掘分析出所述目标业务数据中的所述目标频繁项业务数据。基于此，针对目标频繁项业务数据的挖掘分析，可提升业务数据挖掘的可靠性和业务数据挖掘效率。

对于本领域技术人员而言，显然本公开申请不限于上述示范性实施例的细节，而且在不背离本公开申请的精神或基本特征的情况下，能够以其它的具体形式实现本公开申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本公开申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本公开申请内。不应将权利要求中的任何附图进销存确认视为限制所涉及的权利要求。