CN102360386A

CN102360386A - 电子商务网站智能导购系统和方法

Info

Publication number: CN102360386A
Application number: CN2011103154718A
Authority: CN
Inventors: 朱一超; 郭曦
Original assignee: Individual
Current assignee: Individual
Priority date: 2011-10-12
Filing date: 2011-10-12
Publication date: 2012-02-22

Abstract

一种电子商务网站智能导购系统及其方法，包括一外部数据接口模块、一联机事务处理模块、一联机分析处理模块和一复杂事件处理模块，所述外部数据接口模块用于实时采集并预处理外部服务器/终端中的各类所需数据，所述联机事务处理模块用于存储外部数据接口模块实时采集更新的数据，所述联机分析处理模块用于分析联机事务处理模块中的数据，并更新导购策略，所述复杂事件处理模块用于实施更新导购策略，并实时响应导购请求。该智能导购系统及方法可实时收集并分析当前的数据和其它相关数据，应用数据挖掘技术，对用户当前的需求进行预测，基于该预测以合适的方式向用户推荐合适的产品。

Description

电子商务网站智能导购系统和方法

技术领域

本发明涉及一种智能导购系统和方法，特别是涉及一种利用海量数据挖掘技术为电子商务网站的用户提供智能导购服务的系统和方法。

背景技术

随着网络通信技术的发展和电子商务的普及，越来越多的人开始习惯于在网上购物。在电子商务的虚拟环境中，商家能够在网上提供的产品种类和数量越来越多，这就导致了虽然用户选择的范围越来越大，但想找到自己感兴趣的产品却也越来越难。线上和线下的不同环境，决定了用户既不愿意花太多时间在漫无边际的电子商务网站上寻找产品，也不可能像在商店环境下那样检查产品的质量。这些繁琐的搜索工作和缺乏沟通产生的不信任感，导致了大量的用户流失。因此，电子商务网站需要提供一种类似于导购员的服务来主动地帮助用户选购产品，并能根据用户的兴趣和爱好，个性化地给每个用户推荐他可能感兴趣且满意的产品。

然而，与传统商务方式不同的是，电子商务环境中交易双方是不谋面的，电子商务网站不能直观地了解客户，能获得的只是大量的用户行为数据和其它相关数据。所以，电子商务网站需要一套智能的导购系统，可以实时地收集、分析和挖掘这些海量的数据，来学习用户的需求，以适当的方式向用户提供个性化的导购服务，帮助用户更方便的从大量的信息中找到合适的产品，提高了用户感受，减少用户的流失。

现有的电子商务导购服务，通常以个性化的产品推荐为主。根据其所采用的推荐策略现有的电子商务导购服务可以分为两种：基于规则的推荐方法和基于信息过滤的推荐方法。基于规则的推荐方法，通过预先设置好的规则，向用户推荐相应的产品。基于信息过滤的推荐方法，通过用户的历史行为建立模型，推荐给用户相似内容的产品，或相似用户购买过的产品。然而，这些导购系统面临的问题是：

1、无法实时分析海量的数据，许多系统的导购(推荐)策略也因此更新缓慢，一天甚至一个月才更新一次导购策略，导致了对市场和客户信息变化的滞后。国内中、大型的电子商务网站，通常有超过万种产品，每天千万人次以上的访问量，积累了海量的用户行为数据，这些数据对提供智能化的产品导购有很大帮助，但如果无法实时分析这些的海量数据流，对导购系统的策略进行快速更新，则将丢失大量宝贵的信息。特别是对于新用户，在初期短暂的交互中，已经可以一定程度上了解该用户，但如果没有实时的应用这些信息，对该用户进行合适的导购，将影响到该用户的体验，降低了导购的效果。

2、无法让用户自行选择喜欢的导购形式。现有的推荐栏通常以固定的方式显示在网页中，如在推荐栏中显示静态的产品图片，或者自动刷新或自动翻页推荐栏中的产品图片，或者随屏幕滚动的推荐栏等。不同的用户可能喜欢不同的呈现方式，不合适的导购方式可能招致用户的反感。因此现有的导购推荐方式无法让用户自己选择自己喜欢的导购方式，使得用户可能不使用该导购服务进而降低了用户浏览商务网站的兴趣，最终导致用户的流失。

3、支持的用户终端类型有限。现有的导购系统通常以网页呈现为主，仅适用于个人电脑(PC)。然而，随着移动技术的发展，越来越多的用户开始选择使用移动终端进行网络购物，如平板电脑、智能手机等。这些新型终端虽然具有方便携带的优势，但屏幕的面积也通常远小于PC，因此现有的导购系统可能无法在这些移动终端上使用导致了一些潜在用户的流失。

发明内容

本发明所要解决的技术问题是提供一种快速智能、能够实时更新数据和进行数据挖掘并对用户的需求进行预测的电子商务网站智能导购系统和方法。

本发明解决上述技术问题所采用的技术方案为：一种电子商务网站智能导购系统，包括一外部数据接口模块、一联机事务处理模块、一联机分析处理模块和一复杂事件处理模块，所述外部数据接口模块用于实时采集并预处理外部服务器/终端中的各类所需数据，所述联机事务处理模块用于存储外部数据接口模块实时采集更新的数据，所述联机分析处理模块用于分析联机事务处理模块中的数据，并更新导购策略，所述复杂事件处理模块用于实施更新导购策略，并实时响应导购请求，该外部数据接口模块、联机事务处理模块、联机分析处理模块和复杂事件处理模块通过内部网络依次相连。该智能导购系统及方法可实时收集并分析当前的数据和其它相关数据，应用数据挖掘技术，对用户当前的需求进行预测，基于该预测以合适的方式向用户推荐合适的产品。

为了更好地对用户的需求进行预测并且进行实时更新，该外部数据接口模块包括用户行为采集器、产品信息采集器和外部数据采集器，所述用户行为采集器用于采集并预处理用户在该电子商务网站上的行为数据，所述产品信息采集器用于采集并预处理电子商务网站上的产品信息数据，所述外部数据采集器用于采集并预处理其它可能和用户行为相关的数据。

优选地，所述联机事务处理模块包括用户行为事务数据库、产品信息事务数据库和第三方事务数据库，所述用户行为事务数据库用于存储上述用户行为采集器产生的行为数据；所述产品信息事务数据库用于存储上述产品信息采集器产生的产品信息数据；第三方事务数据库用于存储上述外部数据采集器产生其它可能和用户行为相关的数据。

优选地，所述联机分析处理模块包括数据整理模块、导购策略分析数据库、导购策略预测模块和导购策略更新模块，所述数据整理模块用于汇总、整理上述用户行为事务数据库、产品信息事务数据库和第三方事务数据库中的数据；所述导购策略分析数据库用于存储上述数据整理模块得到的分析结果数据以及用户过去曾产生过的导购需求；所述导购策略预测模块，基于导购策略分析数据库中的所有数据根据预测模型预测用户的当前导购需求，所述导购需求包括用户对产品属性和导购方式的喜好；所述导购策略更新模块依据上述导购策略预测模块获得的当前导购需求，更新导购策略。

为了在应用上述导购策略的同时将，所述复杂事件处理模块包括导购策略管理器和导购请求响应模块，所述导购策略管理器用于在服务器上应用上述导购策略；所述导购请求响应模块用于根据上述更新导购策略，为用户提供实时的个性化导购服务。

优选地，所述行为数据包括用户的登录、搜索、浏览、购买、收藏、终端类型数据或用户计算机的cookie中保存的数据，或上述各类数据的任意组合；所述产品信息数据包括产品的名称、价格、产品的上/下架信息或降价促销信息，或上述各类数据的任意组合；所述其它可能和用户行为相关的数据包括宏观、微观经济数据、时间、气候或社会人文等数据，或上述各类数据的任意组合。

为了更好地预测用户的需求，所述导购策略预测模块所采用的预测模型可以是逻辑回归模型(Logistic Regression)、时间序列模型(ARIMA)或神经网络模型(NeuralNetwork)。

一种电子商务网站的智能导购系统的导购方法，包括：

1)通过公共网络实时采集外部服务器/终端上的数据更新；

2)将采集到的数据通过内部网络传送至相应数据库进行存储，并在数据库中进行整理和汇总；

3)将各数据库内的数据进行数据清理和汇总，响应预测指令通过对数据的学习，根据预测模型对现有的各件产品进行打分计算，得出该用户的导购产品列表，其次对现有的各种导购方式进行打分计算，选取分数最高的导购方式作为该用户导购方式，该导购产品列表以及导购方式即导购策略；

4)将导购策略编译成计算机能够实现的语言，将导购策略进行部署。

为了更加准确、实时预测用户的导购需求，所述步骤1)包括

1a)实时采集电子商务网站服务器和用户终端中的用户的行为数据；

1b)实时采集电子商务网站服务器中的产品信息数据；

1c)实时采集第三方数据库服务器所提供的可能和用户行为相关的数据。

该1a)、1b)、1c)可同时进行也可前后依次进行。

优选地为了更多更稳定地存储数据并且提高数据的读取速度和加快处理过程，所述步骤1a)、1b)、1c)步骤所采集的数据分别存储在不同的数据库中，并且这些数据库都采用行式存储。

为了能够实时更新导购策略，为用户提供更好地导购服务，所述预测指令由所在的服务器的操作系统自动定时触发，每次预测指令触发时，该导购策略都将自动更新。

为了在部署导购策略的同时搜集数据为后续的导购服务提供更准确的支持，所述步骤4)包括：

4a)将更新的导购策略将部署至管理器上；

4b)当用户终端通过公共网络向智能导购系统发出导购请求时，基于已部署的导购策略，向该用户终端提供相应的导购服务；

4c)在展示区域内同时向用户提供可进行互动的选项，这些互动将同时反馈给该智能导购系统为用户后续的导购需求预测提供更准确的支持；

该步骤中的4a)、4b)、4c)三个小步骤依次进行。

优选地，为了预测准确，所述用户导购方式包括：显示模块的位置、排列方式、显示的尺寸、显示内容或显示个数，或上述任意组合。

与现有技术相比，本发明的优点在于该智能导购系统及方法可实时收集并分析当前的数据和其它相关数据，应用数据挖掘技术，对用户当前的需求进行预测，基于该预测以合适的方式向用户推荐合适的产品。该需求预测包括对于用户当前有意购买的产品和用户喜欢的导购形式的预测。所述方法还包括在形成预测之后，自动生成导购策略，对用户提供个性化导购的解决方案。并且该智能导购系统以及方法不但能够采集当前数据和其他相关数据通过预测模型对每个用户进行各自的导购策略的预测，而且还能够根据用户当前进行的行为实时修改和更新导购策略，有效提高导购服务的科学性，准确性，提高效能，并降低了组织的营运成本；而本发明实施于一电子商务网站的信息系统之中，使该网站内部的数据传输能达到科学性、及时性。

附图说明

图1为本发明实施例智能导购系统结构图。

图2为本发明实施例智能导购方法的流程图。

图中符号说明：

10 外部服务器/终端

11 电子商务网站服务器

12 用户终端

13 第三方数据服务器

21 内部网络(LAN)

22 公共网络(WAN)

30 外部数据接口模块(EDI)

31 用户行为采集器

32 商品信息采集器

33 外部数据采集器

40 联机事务处理模块(OLTP)

41 用户行为事务数据库

42 商品信息事务数据库

43 第三方事务数据库

50 联机分析处理模块(OLAP)

51 数据整理模块

52 导购策略分析数据库

53 导购策略预测模块

54 导购策略更新模块

60 复杂事件处理模块(CEP)

61 导购策略管理器

62 导购请求响应模块

具体实施方式

以下结合附图实施例对本发明作进一步详细描述。

如图1所示，该电子商务网站智能导购系统包括一外部数据接口(External DataInterface，简称EDI)模块30、一联机事务处(On-Line Transaction Processing，简称OLTP)模块40、一联机分析处理(On-Line Analysis Processing，简称OLAP)模块50和一复杂事件处(Complex Event Processing，简称CEP)模块60。上述各模块可根据实际情况需要，安装于同一台服务器上，或分别安装部署于多台服务器上。服务器的硬件架构建议配置为：操作系统：Red Hat Linux Enterprise 5.2，CPU：4核，内存：32G，硬盘：4TB。并且该外部数据接口模块30、联机事务处理模块40、联机分析处理模块50和复杂事件处理模块60通过内部网络22依次相连。

其中，所述EDI模块30用于实时采集外部服务器/终端10中的所需数据并且对这些数据进行预处理，其优势在于可灵活定制数据，进行各类数据的采集，该EDI模块30包括用户行为采集器31、产品信息采集器32和外部数据采集器33。其中所述用户行为采集器31用于采集并预处理用户在该电子商务网站上的行为数据，如用户的登录、搜索、浏览、购买、收藏、终端类型等数据，和用户计算机的cookie中保存的数据，如用户的浏览历史数据等，或者上述各类数据的任意组合；所述产品信息采集器32，用于采集并预处理电子商务网站上的产品信息数据，如产品的名称、价格等，及其更新数据，如产品的上/下架信息，降价促销信息等，或上述各类数据的任意组合；所述外部数据采集器33，用于采集并预处理其他可能和用户行为相关的数据，如宏观、微观经济数据、时间、气候或社会人文等数据，或上述各类数据的任意组合。

所述OLTP模块40用于存储EDI模块30实时采集更新的数据，其优势在于可以快速响应事务数据(Transaction Data)，进行各种数据的存储，但不进行快速检索和分析。该OLTP模块40包括用户行为事务数据库41、产品信息事务数据库42和第三方事务数据库43。所述用户行为事务数据库41用于存储上述用户行为采集器31产生的行为数据；产品信息事务数据库42，用于存储上述产品信息采集器32产生的产品信息数据；第三方事务数据库43，用于存储上述外部数据采集器33产生的其它可能和用户行为相关的数据，如宏观、微观经济数据、时间、气候、社会人文数据等。

所述OLAP模块50用于分析OLTP模块40中的数据，并更新导购策略，其可快速进行查询、检索等数据分析工作。该OLAP模块50包括数据整理模块51、导购策略分析数据库52、导购策略预测模块53和导购策略更新模块54。所述数据整理模块51用于汇总、整理上述用户行为事务数据库41、产品信息事务数据库42和第三方事务数据库43中的数据；导购策略分析数据库52，用于存储上述数据整理模块51得到的分析结果数据和用户过去曾产生过的导购需求数据，包括用户对产品类别、规格、价格等产品属性和导购方式的喜好；导购策略预测模块53，基于导购策略分析数据库52中的所有用户行为及相关数据预测用户的当前的导购需求，包括用户对产品类别、规格、品牌、价格等产品属性和导购方式的需求；导购策略更新模块54，依据上述导购策略预测模块53获得的当前的导购需求，产生更新的导购策略。

所述CEP模块60用于实施更新导购策略，并实时响应导购请求，该模块可以快速响应导购事务请求，该CEP模块60包括导购策略管理器61和导购请求响应模块62。所述导购策略管理器61用于在服务器上应用上述更新导购策略；所述导购请求响应模块62，用于根据上述更新导购策略，为用户提供实时的个性化导购服务。

图2为该智能导购系统的导购方法的流程图，具体可描述为以下四个步骤：1、首先由EDI模块30通过公共网络21实时采集外部服务器/终端10上的数据更新。

其中：

1a)用户行为采集器31实时采集电子商务网站服务器12和用户终端11中的用户的行为数据，该用户终端11可以是个人计算机(PC)、平板电脑(PAD)、手机(MP)等终端设备；

1b)产品信息采集器32实时采集电子商务网站服务器12中的产品信息数据；

1c)外部数据采集器33实时采集第三方数据库服务器13所提供的可能和用户行为相关的数据。

该1a)、1b)、1c)可同时进行也可前后依次进行。

2、将EDI模块30采集到的数据通过内部网络22传送至OLTP模块40中的相应数据库进行存储。其中：

2a)用户行为采集器31采集到的数据将传送至用户行为事务数据库41中进行存储；

2b)产品信息采集器32采集到的数据将传送至产品信息事务数据库42中进行存储；

2c)外部数据采集器33采集到的数据将传送至第三方事务数据库43中进行存储。

并且其中该2a)、2b)、2c)可同时进行也可前后依次进行，该用户行为事务数据库41、该产品信息事务数据库42和该第三方事务数据库43都是采用行式存储。因为这些数据库需要存储海量的事务数据，都属于大型数据库。

3、将OLTP模块40中各数据库内的数据，通过内部网络22，传送至OLAP模块50进行用户导购需求的预测。其中：

3a)数据整理模块51进行数据清理和汇总的整理工作；

3b)数据整理完成后，将被存储于服务器内部的导购策略分析数据库52中，为导购策略的预测做准备，该导购策略分析数据库52是采用列式存储，面向列式变量的。利用这个数据库能够快速的对某一变量进行查询和计算，同时因为这个数据库需要存储海量的分析数据，属于大型数据库

3c)数据准备完毕后，导购策略预测模块53从导购策略分析数据库52中获取所需要的数据，通过一组导购需求模型的计算后可得一组用户的导购需求数据。该导购策略预测模块53中的导购需求模型是通过数据中学习的规律生成的，而不是预设或者先验的专家模型。在商业实践中，通过手工分析这样规模的数据所需要的人力和时间是惊人的。因为这个导购需求模型的因变量(dependent variable)是用户当前导购需求的要素，包括用户对产品和导购方式的需求。导购策略预测模块53所分析的各类历史自变量(independent variables)包括存储在导购策略分析数据库52中的此用户历史行为数据(登录、搜索、浏览、购买、收藏、终端类型等行为)、用户访问过的产品数据(产品名称、链接、价格、类别、规格、品牌、价格层次、活动、价格变动历史等属性)、用户的人文数据(年龄、学历、收入层次、性别等)、第三方汇总数据(宏观、微观经济数据、时间、气候、社会人文数据)等各类数据。导购策略预测模块53所采用的预测模型可以是逻辑回归(Logistic Regression)、时间序列模型(ARIMA)或神经网络(Neural Network)等种类的模型。该智能导购系统基于对历史数据的学习，根据预测模型对现有的各件产品进行打分计算，分数表示预测该用户当前对不同产品的关注程度，选取分数最高的前N件产品作为该用户的导购产品列表，参见见表1，表1中显示了根据同一用户的历史数据以及其当前行为进行数据整理汇总后，根据预测模型对各件产品进行的打分形成的产品的排列。

表1

用户名

产品编号

产品名称

产品价格

产品链接

...

关注程度

A	101	产品A1	105.00	http://xxx/.../a1	...	0.9875
							A	102	产品A2	201.00	http://xxx/.../a2	...	0.8512
A	103	产品A3	88.00	http://xxx/.../a3	...	0.6142
							A	104	产品A4	59.00	http://xxx/.../a4	...	0.6102
A	105	产品A5	124.00	http://xxx/.../a5	...	0.5124
							...	...	...	...	...	...	...

其次对现有的各种导购方式进行打分计算，分数表示预测该用户对不同导购方式的喜欢程度，选取分数最高的导购方式作为该用户导购方式。参见表2，表2中显示了通过打分得出的各个用户A、B、C、D、E的得分最高的导购方式，该导购方式可包括显示模块的位置、排列方式、显示的尺寸、显示内容、显示个数等等参数，导购系统的使用者可以根据需要和其电子商务网站能够提供的显示方式等进行调整和设定。

表2

用户名

显示模块位置

排列方式

显示尺寸

显示内容

显示个数

...

A

左侧上方

竖排

多行

图片+价格+评价

6

...

B

左侧浮动

竖排

多行

仅图片

10

...

C

置中下方

横排

多行

图片+价格+评价

4

...

D

置中顶端

横排

单行

仅文本

3

...

E

动态人物

横排

多行

图片+价格

1

...

经过汇总后，就可以得到各个不同的用户所需要的导购推荐列表以及导购方式，参见表3。

表3

用户名	导购方式	产品列表
			A	导购方式A	产品A1，产品A2，...，产品An
B	导购方式B	产品B1，产品B2，...，产品Bn
			C	导购方式C	产品C1，产品C2，...，产品Cn
D	导购方式D	产品D1，产品D2，...，产品Dn
			E	导购方式E	产品E1，产品E2，...，产品En
...	...	...

该表3中的各个数据即为导购预测模块53进行计算后最终得到的结果，这些结果即为OLAP模块40得到的更新的导购策略。

3d)导购策略更新模块54把该导购策略预测模块53的计算结果，即导购策略编译为系统可识别的语言并且传送给CEP模块60进行实现。

并且该导购策略预测模块53的预测指令将由所在的服务器的操作系统自动定时触发，每次预测指令触发时，该计算结果都将自动更新。可综合考虑服务器性能和用户体验需求，设置一个合理的触发周期，如每1分钟自动触发一次。并且上述该步骤中的3a)、3b)、3c)、3d)步骤必须依次进行。

4、OLAP模块50将更新的导购策略，通过内部网络22传送至CEP模块60进行部署，实现为用户提供最佳的导购服务。其中：

4a)将更新的导购策略将部署至导购策略管理器61上。

4b)当用户终端11通过公共网络21向本发明的智能导购系统发出导购请求时，导购请求响应应用62将基于已部署的导购策略，向该用户终端11提供相应的导购服务。

4c)在导购请求响应应用62的展示区域内，同时向用户提供可进行互动的选项，用户可选择导购模块的显示方式，包括导购模块的显示位置，如显示于某固定位置、浮动窗口显示、人物动画显示等；排列方式，如横排、竖排等；显示的大小，如单行、多行等；展示的内容，如图片、文本、价格、评价等；以及展示的产品的个数等。

这些互动将同时通过用户行为采集器31反馈给该智能导购系统为用户后续的导购需求预测提供更准确的支持。该步骤中的4a)、4b)、4c)三个小步骤也为依次进行。

该智能导购系统以及方法，可实时收集并分析当前的数据和其它相关数据，应用数据挖掘技术，对用户当前的需求进行预测，基于该预测以合适的方式向用户推荐合适的产品。该需求预测包括对于用户当前有意购买的产品和用户喜欢的导购形式的预测。所述方法还包括在形成预测之后，自动生成导购策略，对用户提供个性化导购的解决方案。

该智能导购系统以及方法不但能够采集当前数据和其他相关数据通过预测模型对每个用户进行各自的导购策略的预测，而且还能够根据用户当前进行的行为实时修改和更新导购策略，有效提高导购服务的科学性，准确性，提高效能，并降低了组织的营运成本；而本发明实施于一电子商务网站的信息系统之中，使该网站内部的数据传输能达到科学性、及时性。

综上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims

1.一种电子商务网站智能导购系统，包括一外部数据接口模块(30)、一联机事务处理模块(40)、一联机分析处理模块(50)和一复杂事件处理模块(60)，所述外部数据接口模块(30)用于实时采集并预处理外部服务器/终端(10)中的各类所需数据，所述联机事务处理模块(40)用于存储外部数据接口模块(30)实时采集更新的数据，所述联机分析处理模块(50)用于分析联机事务处理模块(40)中的数据，并更新导购策略，所述复杂事件处理模块(60)用于实施更新导购策略，并实时响应导购请求，该外部数据接口模块(30)、联机事务处理模块(40)、联机分析处理模块(50)和复杂事件处理模块(60)通过内部网络(22)依次相连。

2.如权利要求1所述的智能导购系统，其特征在于：该外部数据接口模块(30)包括用户行为采集器(31)、产品信息采集器(32)和外部数据采集器(33)，所述用户行为采集器(31)用于采集并预处理用户在该电子商务网站上的行为数据，所述产品信息采集器(32)用于采集并预处理电子商务网站上的产品信息数据，所述外部数据采集器(33)用于采集并预处理其它可能和用户行为相关的数据。

3.如权利要求2所述的智能导购系统，其特征在于：所述联机事务处理模块(40)包括用户行为事务数据库(41)、产品信息事务数据库(42)和第三方事务数据库(43)，所述用户行为事务数据库(41)用于存储上述用户行为采集器(31)产生的行为数据；所述产品信息事务数据库(42)用于存储上述产品信息采集器(32)产生的产品信息数据；第三方事务数据库(43)用于存储上述外部数据采集器(33)产生其它可能和用户行为相关的数据。

4.如权利要求3所述的智能导购系统，其特征在于：所述联机分析处理模块(50)包括数据整理模块(51)、导购策略分析数据库(52)、导购策略预测模块(53)和导购策略更新模块(54)，所述数据整理模块(51)用于汇总、整理上述用户行为事务数据库(41)、产品信息事务数据库(42)和第三方事务数据库(43)中的数据；所述导购策略分析数据库(52)用于存储上述数据整理模块(51)得到的分析结果数据以及用户过去曾产生过的导购需求；所述导购策略预测模块(53)，基于导购策略分析数据库(52)中的所有数据根据预测模型预测用户的当前导购需求，所述导购需求包括用户对产品属性和导购方式的喜好；所述导购策略更新模块(54)依据上述导购策略预测模块(53)获得的当前导购需求，更新导购策略。

5.如权利要求4所述的智能导购系统，其特征在于：所述复杂事件处理模块(60)包括导购策略管理器(61)和导购请求响应模块(62)，所述导购策略管理器(61)用于在服务器上应用上述更新导购策略；所述导购请求响应模块(62)用于根据上述更新导购策略，为用户提供实时的个性化导购服务。

6.如权利要求2、3、4或4所述的智能导购系统，其特征在于：所述行为数据包括用户的登录、搜索、浏览、购买、收藏、终端类型数据或用户计算机的cookie中保存的数据，或上述各类数据的任意组合；所述产品信息数据包括产品的名称、价格、产品的上/下架信息或降价促销信息，或上述各类数据的任意组合；所述其它可能和用户行为相关的数据包括宏观、微观经济数据、时间、气候或社会人文等数据，或上述各类数据的任意组合。

7.如权利要求4所述的智能导购系统，其特征在于：所述导购策略预测模块(53)所采用的预测模型可以是逻辑回归模型(Logistic Regression)、时间序列模型(ARIMA)或神经网络模型(Neural Network)。

8.一种电子商务网站的智能导购系统的导购方法，包括：

1)通过公共网络(21)实时采集外部服务器/终端(10)上的数据更新；

2)将采集到的数据通过内部网络(22)传送至相应数据库进行存储，并在数据库中进行整理和汇总；

9.如权利要求8所述的导购方法，其特征在于：所述步骤1)包括

1a)实时采集电子商务网站服务器(12)和用户终端(11)中的用户的行为数据；

1b)实时采集电子商务网站服务器(12)中的产品信息数据；

1c)实时采集第三方数据库服务器(13)所提供的可能和用户行为相关的数据。

该1a)、1b)、1c)可同时进行也可前后依次进行。

10.如权利要求9所述的导购方法，其特征在于：所述步骤1a)、1b)、1c)步骤所采集的数据分别存储在不同的数据库中，并且这些数据库都采用行式存储。

11.如权利要求8所述的导购方法，其特征在于：所述预测指令由所在的服务器的操作系统自动定时触发，每次预测指令触发时，该导购策略都将自动更新。

12.如权利要求8所述的导购方法，其特征在于，所述步骤4)包括

4a)将更新的导购策略将部署至管理器上；

4b)当用户终端(11)通过公共网络(21)向智能导购系统发出导购请求时，基于已部署的导购策略，向该用户终端(11)提供相应的导购服务；

该步骤中的4a)、4b)、4c)三个小步骤依次进行。

13.如权利要求8所述的导购方法，其特征在于：所述用户导购方式包括：显示模块的位置、排列方式、显示的尺寸、显示内容或显示个数，或上述任意组合。