CN111815405B - 一种基于人工智能的商品购买方法 - Google Patents

Abstract

本申请公开了一种基于人工智能的商品购买方法，包括：云服务器获取用户需求清单；基于所述用户需求清单，识别出所述用户需求清单中的商品信息；对用户进行用户画像识别，并基于所述用户画像信息和需求清单中的商品信息，通过深度学习算法确定与所述商品相对应的组合型商品；若所述组合型商品在所述用户需求清单中，预测所述商品和组合型商品的剩余存量是否大于预设阈值，进行所述商品和组合型商品的一键下单操作；若所述组合型商品不在所述用户需求清单中，则向所述用户推荐所述组合型商品，预测所述商品的剩余存量是否大于预设阈值，并在进行所述商品和所述组合型商品一键下单操作。

Description

一种基于人工智能的商品购买方法

技术领域

本申请涉及电子商务领域，尤其涉及一种基于人工智能的商品购买方法。

背景技术

在电子商务领域，目前的消费者已经习惯在各大平台中进行线上购买商品操作。而目前的线上平台中，会基于用户的各类需求精准推送用户所需要的商品，而无需花费用户的时间。

而目前的商品推荐与购买，均是基于用户本身而发起的一种主动行为，缺乏刚需商品的主动推送机制。例如，在用户察觉到家里面的柴米油盐、牛奶、卫生纸等常规家用消耗品剩余量不足时，则分类在购物平台上进行多次下单，其效率低下。

为此，现有技术中提出了一种基于用户日常用品剩余量不足(shortfall)而生成用户需求表，将不同的、出现短缺的日常用品放置在用户的购物车中，并一键下单的技术。在该技术中，云服务器对商品进行监控，当出现商品短缺时，自动生成一项购买该商品的购买条(item)，并基于用户指令，将不同的购买条进行下单操作。

然而，该技术中，只针对用户短缺(shortfall)进行商品购买，而并没有针对用户的需求进行定制化的组合型商品购买，导致商品购买方式单一，商品推荐转化率低。

发明内容

本申请实施例提供一种基于人工智能的商品购买的方法，用于解决现有技术中商品推荐转化率低且购买方式单一化的问题。

本发明实施例提供一种基于人工智能的商品购买方法，包括：

云服务器获取用户需求清单；

基于所述用户需求清单，识别出所述用户需求清单中的商品信息；

对用户进行用户画像识别，并基于所述用户画像信息和需求清单中的商品信息，通过深度学习算法确定与所述商品相对应的组合型商品；

若所述组合型商品在所述用户需求清单中，则监控所述商品和组合型商品，并预测所述商品和组合型商品的剩余存量是否大于预设阈值，并在所述剩余存量低于预设阈值时，进行所述商品和组合型商品的一键下单操作；

若所述组合型商品不在所述用户需求清单中，则向所述用户推荐所述组合型商品，并监控所述商品的剩余存量，并预测所述商品的剩余存量是否大于预设阈值，并在所述剩余存量低于预设阈值时，进行所述商品和所述组合型商品一键下单操作。

可选地，所述预测所述商品和组合型商品的剩余存量是否大于预设阈值，包括：

设置所述商品和组合型商品的历史使用量及有效保存期作为张量数据，并通过非线性网络，将上述两类张量数据依次排列成32*32*2的多个张量数据；

将上述多个张量数据依次经过2个卷积层，依次对数据进行特征增强并降低数据噪声；

将经过卷积层后的张量数据进行归一化验证，并输入到预测计算网络中，预测出所述剩余存量与时间的函数关系；

利用所述函数关系推算出不同时间点所述剩余存量与预设阈值的比值。

可选地，所述一键下单操作，包括：

将拟购买的商品品牌作为虚拟Dash按钮，显示在用户终端界面上；

接收所述用户的点击操作，进行一键下单。

可选地，所述方法还包括：

基于所述商品品牌的折扣信息，动态更新所述拟购买商品的品牌，将所述更新后的商品品牌更新为虚拟Dash按钮。

可选地，在所述剩余存量低于预设阈值后，所述方法还包括：

对所述商品和/或组合型商品的价格进行监控；

当所述价格低于预设阈值时，进行一键下单操作。

可选地，在对所述商品和/或组合型商品的价格进行监控之后，所述方法还包括：

对所述商品预送达时间进行预测，并基于所述预测结果，设置最晚下单期限，并在所述最晚下单期限之前进行一键下单操作。

可选地，所述拟推荐商品为所述用户已购买的商品的组合型商品。

上述提供的基于人工智能的商品购买的方法，通过对用户进行用户画像，并基于人工智能技术进行组合型商品推荐，并根据不同情况，对商品和组合型商品进行监控，在剩余量不足时进行下单操作，提升了商品推荐转化率，丰富了商品购买方式，提升了用户体验。

附图说明

为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。

图1为现有技术中商品购买示意图；

图2为一个实施例中基于人工智能的商品购买流程示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

图1是现有技术中基于人工智能的商品购买方法示意图，如图所示，智能家居设备分为外部监控设备和内部服务器，外部监控设备可以是具备摄像头或传感装置的电冰箱、储物柜、洗衣机等，内部服务器负责采集各商品的使用情况，并基于商品的剩余量不足的情况，生成用户需求清单，通过移动终端等方式实现一键下单。

现有技术中，基于商品使用情况生成用户需求清单，极大程度地方便用户购买需求，然而，对于现有技术而言，该技术属于人工智能发展的“初级”阶段，即人工智能的“监视”，而无法做到人工智能的需求“预测”，需求预测主要有如下几个方面：懂用户所需，想用户所想，并结合用户使用习惯(用户画像)、商品价格、商品送达时间，在合适的时间(价格最优惠和/或送达时间最合适)综合推荐商品组合。

因此，本发明实施例提供了一种基于人工智能的商品购买方法，如图2所示，该方法包括：

S101、云服务器获取用户需求清单；

云服务器可以是分布式私有云服务器，分布在各个小区节点，为小区内用户提供商品购买服务。

用户需求清单可以是该用户通过线上购物平台的各类用户历史需求清单，在该用户需求清单中，包含了用户的购买时间、购买价格、购买商品类型及购买商品名称，该用户需求清单是一个动态更新的清单，每一次用户的消费记录均添加在该用户需求清单里面。可选地，该用户需求清单可以从线上购物平台的API接口获取。

S102、基于所述用户需求清单，识别出所述用户需求清单中的商品信息；

云服务器获取到该用户需求清单后，即可识别出需求清单中的商品信息。

S103、对用户进行用户画像识别，并基于所述用户画像信息和需求清单中的商品信息，通过深度学习算法确定与所述商品相对应的组合型商品；

用户画像是对一个用户进行定性分析，识别出该用户的基础属性及兴趣点(PointOf Interest,POI)，基础属性包括用户年龄，性别，职业等常规信息，兴趣点代表用户在某一段时间内感兴趣的商品或服务，例如婴幼儿奶粉、纸尿裤等。

现有技术中对用户画像进行分析可采用深度学习(Deep Learning)的方法，例如，从用户历史购买记录中进行商品关联挖掘与适用人群分析，将该用户的购买记录作为训练样本进行训练，从而识别出该用户的各类基础属性和兴趣点，该技术属于现有技术，在此不再累述。

商品组合是一个基于大数据挖掘技术而形成的销售模式。例如婴儿纸尿裤通常可以和婴儿奶粉进行商品组合，铅笔和橡皮擦可以形成商品组合，如果用户购买了婴儿纸尿裤，则婴儿奶粉可以作为组合型商品进行推荐。可以看出，组合型商品通常是针对用户同一个大的需求下的不同产品，其不同类型的产品可构成不同组的商品组合，通过大数据挖掘技术，高频次、贴合用户实际需求的商品组合也会持续更新。

本发明实施例中，深度学习算法可以是基于关联规则的推荐算法。该算法是基于用户购买行为，大数据的用户行为分析，对当前购买的商品以及用户画像进行分析，从而进行商品组合的推荐。

从算法层面上，有如下几个核心概念需要说明：

项集：如果把不同特点的用户进行分类的话，就需要划分不同集合，用以表示不同特点用户群体，即项集，项集就是项的集合，不同的项表示不同的用户群体。包含0个或多个项的集合就是项集，如果包含k个项，则称为k项集。

置信度(confidence)：设同时购买了婴幼儿纸尿裤的人群为项集m，购买了婴幼儿奶粉的人群为项集n，设同时购买婴幼儿纸尿裤和婴幼儿奶粉的人群为项集X，那么为了衡量购买婴幼儿纸尿裤和购买婴幼儿奶粉这两种行为的相关程度，用X除以m就可以表示购买婴幼儿纸尿裤这种行为和同时购买婴幼儿纸尿裤和婴幼儿奶粉的相关程度，同理，X除以n可以表示购买婴幼儿奶粉这种行为和同时购买婴幼儿纸尿裤和婴幼儿奶粉这两种行为的相关程度。一句话总结：置信度就是同时购买多种产品的人数除以某一种产品的销售量，反映的是这种产品和其他产品之间的相关度。

支持度(suupport)：现在有了商品之间的相关程度，那么这种相关程度是否真实？需要一个稳健的衡量标准，假设婴幼儿纸尿裤和婴幼儿奶粉，用同时购买婴幼儿纸尿裤和婴幼儿奶粉的人数除以总人数，就会得到同时购买婴幼儿纸尿裤和婴幼儿奶粉的人数在人群中的比例，这个比例是以人群总数作为衡量标准的，可以反映出X人数是否有普遍意义，即：同时购买x和y的人数除以总人数，就可以得到支持度，支持度反应规则的可靠性。

经过一定的相关程度的排序，就可以得到不同商品之间的相关程度，这就是基于规则的频繁项集的挖掘方法，频繁项集的挖掘常用的算法有Apriori和FP-growth。和Apriori算法相比，FP-growth算法只需要对数据库进行两次遍历，从而高效发现频繁项集。

本发明实施例中，识别出该商品的组合型商品后，会出现两种情况，一种情况是该组合型商品已经存在于该用户需求清单中(即该用户需求清单同时包含商品及组合型商品)，另外一种情况是该组合型商品尚未出现在该用户需求清单中。下面分别介绍两种情况的处理方式：

S104a、若所述组合型商品在所述用户需求清单中，则监控所述商品和组合型商品，并预测所述商品和组合型商品的剩余存量是否大于预设阈值，并在所述剩余存量低于预设阈值时，进行所述商品和组合型商品的一键下单操作；

其中，剩余存量可以是通过各类终端(例如压力传感器、摄像头)采集商品的重量或者使用量。例如，智能冰箱设备，智能储物柜设备可实现该功能。

预设阈值可以是一个自定义的阈值，例如牛奶的存量是10kg，预设阈值可以设置为5kg,当剩余存量低于5kg时就需要进行牛奶的补充了。

本发明实施例中，采用了人工智能算法进行剩余存量是否大于预设阈值的预测。具体如下：

S1041.设置所述商品和组合型商品的历史使用量及有效保存期作为张量数据，并采用非线性回归算法，通过非线性网络，将上述两类张量数据依次排列成32*32*2的多个张量数据；

S1042.将上述多个张量数据依次经过2个卷积层，依次对数据进行特征增强并降低数据噪声；

S1043.将经过卷积层后的张量数据进行归一化验证，并输入到预测计算网络中，预测出所述剩余存量x与时间t的函数关系x＝f(t)；

S1044.利用所述函数关系推算出不同时间点所述剩余存量与预设阈值的比值。即，随着t的不同，可推测出剩余存量x的不同。

其中，一键下单操作，具体可以为：

将拟购买的商品品牌作为虚拟Dash按钮，显示在用户终端界面上；

接收所述用户的点击操作，进行一键下单。虚拟Dash按钮是由亚马逊在2018年发布的一项一键下单技术，其实质是通过将用户经常购买的商品品牌作为一个虚拟按钮显示在各类不同的终端界面上，例如手机界面中，电脑界面中，电冰箱显示界面中，用户只需要一次点击该Dash按钮，用户的购买信息、收货信息均保存在云端，即可实现一键下单。

与亚马逊发布的虚拟Dash不同的是，在本发明实施例中，还可以根据不同品牌的折扣信息动态更新商品的品牌，并将所述更新后的商品品牌更新为虚拟Dash按钮。

可选地，在所述剩余存量低于预设阈值后，本发明实施例还可以对价格进行监控，并在价格具备优惠的情况下进行一键下单，具体可以为：

对所述商品和/或组合型商品的价格进行监控；

当所述价格低于预设阈值时，进行一键下单操作。

可选地，在对所述商品和/或组合型商品的价格进行监控之后，本发明实施例还可以针对送达时间进行优化，保证在剩余存量不为空的情况下商品快递及时能送到。该方法具体为：

对所述商品预送达时间进行预测，并基于所述预测结果，设置最晚下单期限，并在所述最晚下单期限之前进行一键下单操作。

可选地，所述拟推荐商品为所述用户已购买的商品的组合型商品。

S104b、若所述组合型商品不在所述用户需求清单中，则向所述用户推荐所述组合型商品，并监控所述商品的剩余存量，并预测所述商品的剩余存量是否大于预设阈值，并在所述剩余存量低于预设阈值时，进行所述商品和所述组合型商品一键下单操作。

与S104a不同的是，组合型商品需要给用户推荐并确认购买后才可以进行商品组合下单操作，其余步骤与S104a相同，这里不再累述。

上述提供的基于人工智能的商品购买的方法，通过对用户进行用户画像，并基于人工智能技术进行组合型商品推荐，并根据不同情况，对商品和组合型商品进行监控，在剩余量不足时进行下单操作，提升了商品推荐转化率，丰富了商品购买方式，提升了用户体验。

以上上述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (5)

1.一种基于人工智能的商品购买方法，其特征在于，包括：

云服务器获取用户需求清单；所述云服务器分布在小区节点，为小区内用户提供商品购买服务；

基于所述用户需求清单，识别出所述用户需求清单中的商品信息；

对用户进行用户画像识别，并基于所述用户画像信息和需求清单中的商品信息，通过深度学习算法确定与所述商品相对应的组合型商品；

若所述组合型商品在所述用户需求清单中，则监控所述商品和组合型商品，并预测所述商品和组合型商品的剩余存量是否大于预设阈值，并在所述剩余存量低于预设阈值时，进行所述商品和组合型商品的一键下单操作；

若所述组合型商品不在所述用户需求清单中，则向所述用户推荐所述组合型商品，并监控所述商品的剩余存量，并预测所述商品的剩余存量是否大于预设阈值，并在所述剩余存量低于预设阈值时，进行所述商品和所述组合型商品一键下单操作；

其中，基于所述商品的品牌的折扣信息，动态更新拟购买商品的品牌；

所述剩余存量包括通过压力传感器或摄像头采集商品的重量或者使用量；

所述预测所述商品和组合型商品的剩余存量是否大于预设阈值，包括：

设置所述商品和组合型商品的历史使用量及有效保存期作为张量数据，并通过非线性网络，将上述两类张量数据依次排列成32*32*2的多个张量数据；

将上述多个张量数据依次经过2个卷积层，依次对数据进行特征增强并降低数据噪声；

将经过卷积层后的张量数据进行归一化验证，并输入到预测计算网络中，预测出所述剩余存量与时间的函数关系；

利用所述函数关系推算出不同时间点所述剩余存量与预设阈值的比值。

2.根据权利要求1所述的方法，其特征在于，所述一键下单操作，包括：

将拟购买的商品品牌作为虚拟Dash按钮，显示在用户终端界面上；

接收所述用户的点击操作，进行一键下单。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

将所述动态更新后的商品品牌更新为虚拟Dash按钮。

4.根据权利要求1所述的方法，其特征在于，在所述剩余存量低于预设阈值后，所述方法还包括：

对所述商品和/或组合型商品的价格进行监控；

当所述价格低于预设阈值时，进行一键下单操作。

5.根据权利要求4所述的方法，其特征在于，在对所述商品和/或组合型商品的价格进行监控之后，所述方法还包括：

对所述商品预送达时间进行预测，并基于所述预测结果，设置最晚下单期限，并在所述最晚下单期限之前进行一键下单操作。

Images