CN115063187B - 一种电子商务数据处理方法、系统、电子设备及介质 - Google Patents

一种电子商务数据处理方法、系统、电子设备及介质 Download PDF

Info

Publication number
CN115063187B
CN115063187B CN202210935354.XA CN202210935354A CN115063187B CN 115063187 B CN115063187 B CN 115063187B CN 202210935354 A CN202210935354 A CN 202210935354A CN 115063187 B CN115063187 B CN 115063187B
Authority
CN
China
Prior art keywords
commodity
purchased
purchase
time period
commodities
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210935354.XA
Other languages
English (en)
Other versions
CN115063187A (zh
Inventor
陈晓雯
陈媚
张蓉华
陈凤和
崔莉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Institute Of Light Industry Technicians
Original Assignee
Guangdong Institute Of Light Industry Technicians
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Institute Of Light Industry Technicians filed Critical Guangdong Institute Of Light Industry Technicians
Priority to CN202210935354.XA priority Critical patent/CN115063187B/zh
Publication of CN115063187A publication Critical patent/CN115063187A/zh
Application granted granted Critical
Publication of CN115063187B publication Critical patent/CN115063187B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • Computational Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及数据处理及分析技术领域，一种电子商务数据处理方法及系统，包括：获取用户集、已购商品集和购买时间集，将所述用户集、已购商品集和购买时间集按照对应关系组合得到三元组集，接收终端用户的监管时间段，根据所述监管时间段及三元组集，构建基于所述已购商品集的商品网络无向图，根据所述商品网络无向图构建所述三元组集的商品矩阵集，构建所述商品矩阵集的条件概率函数，求解所述条件概率函数，得到每个商品与其他商品的关联出现概率值集，将所述关联出现概率值集反馈至所述终端用户，实现对所述原始商务数据包的数据处理。本发明可解决传统电子商务数据处理方法智能程度较低，没有充分挖掘数据与数据之间关联性的问题。

Description

一种电子商务数据处理方法、系统、电子设备及介质
技术领域
本发明涉及数据处理及分析技术领域，尤其涉及一种电子商务数据处理方法、系统、电子设备及计算机可读存储介质。
背景技术
伴随科技的快速发展，电子商务平台如雨后春笋般涌现，伴随电子商务平台的推广，电子商务数据也越来越庞大，如何从海量的电子商务数据中分析出有用信息，是智能电子商务重点关注的技术内容。
目前从海量电子商务数据中分析出有用信息的主要方法是通过数据可视化的图表法，如提取出10天内电子商务平台的所有售出商品的数据，通过统计分析方法统计出10天内所有售出商品的售出总量，从而更直观的供电子商务平台管理人员提前采购售出总量靠前的商品。这类电子商务数据的可视化处理方法虽然可帮助管理人员提高对电子商务平台的管理效率，但处理的智能化程度较低，并没有充分挖掘数据与数据之间的关联性。
发明内容
本发明提供一种电子商务数据处理方法、装置及计算机可读存储介质，其主要目的在于解决传统电子商务数据处理方法智能程度较低，没有充分挖掘数据与数据之间关联性的问题。
为实现上述目的，本发明提供的一种电子商务数据处理方法，包括：
获取电子商务平台的原始商务数据包，其中所述原始商务数据包包括用户集、已购商品集和购买时间集；
将所述用户集、已购商品集和购买时间集按照对应关系组合得到三元组集，所述三元组集中每个三元组的表现形式为：
Figure 749975DEST_PATH_IMAGE001
其中，
Figure 914240DEST_PATH_IMAGE002
表示购物者，
Figure 421445DEST_PATH_IMAGE003
表示购物者
Figure 962148DEST_PATH_IMAGE004
购买的商品，
Figure 605619DEST_PATH_IMAGE005
为购物者
Figure 206364DEST_PATH_IMAGE006
所购买的商品
Figure 935286DEST_PATH_IMAGE007
的购买时间；
接收终端用户根据所述电子商务平台而确定的监管时间段，根据所述监管时间段及三元组集，构建基于所述已购商品集的商品网络无向图；
根据所述商品网络无向图构建所述三元组集的商品矩阵集；
构建所述商品矩阵集的条件概率函数，所述条件概率函数为：
Figure 279680DEST_PATH_IMAGE008
其中，
Figure 512078DEST_PATH_IMAGE009
表示第
Figure 549304DEST_PATH_IMAGE010
个商品
Figure 499942DEST_PATH_IMAGE011
被购物者购买时，在所述监管时间段
Figure 648027DEST_PATH_IMAGE012
内第
Figure 511DEST_PATH_IMAGE014
个商品
Figure 208638DEST_PATH_IMAGE015
被购物者购买的购买概率，
Figure 646573DEST_PATH_IMAGE016
为所述已购商品集的商品总数，
Figure 598348DEST_PATH_IMAGE017
为所述第
Figure 805339DEST_PATH_IMAGE018
个商品在所述商品矩阵集的商品向量，
Figure 184368DEST_PATH_IMAGE019
为所述第
Figure 109598DEST_PATH_IMAGE020
个商品在所述商品矩阵集的商品向量，
Figure 599485DEST_PATH_IMAGE021
表示第
Figure 926562DEST_PATH_IMAGE022
个商品在所述商品矩阵集的商品向量，
Figure 945333DEST_PATH_IMAGE023
为所述条件概率函数的离散程度值，
Figure 623439DEST_PATH_IMAGE024
为所述条件概率函数的均值；
求解所述条件概率函数，得到每个商品与其他商品的关联出现概率值集，将所述关联出现概率值集反馈至所述终端用户，实现对所述原始商务数据包的数据处理。
可选地，所述将所述用户集、已购商品集和购买时间集按照对应关系组合得到三元组集，包括：
从所述用户集中剔除未购买商品的用户，得到具备购买经验的用户集；
获取具备购买经验的用户集中每个用户在所述电子商务平台的操作行为；
从具备购买经验的用户集中去除操作行为包括有恶意刷单、IP地址异常的用户，得到正常购买的用户集；
按照正常购买的用户集的每个用户的购买记录，与所述已购商品集和购买时间集按照三元组形式，构建得到所述三元组集。
可选地，所述根据所述监管时间段及三元组集，构建基于所述已购商品集的商品网络无向图，包括：
接收终端用户输入的可选时间段，根据所述可选时间段切割所述三元组集中的购买时间，得到优化的三元组集；
将所述监管时间段嵌入至优化的所述三元组集，得到四元组集；
以所述监管时间段为搜索时间点，搜索所述四元组集中每个四元组内商品在所述监管时间段内关联的其他商品，得到关联产品集；
根据所述关联产品集和所述四元组集构建得到所述商品网络无向图。
可选地，所述根据所述关联产品集和所述四元组集构建得到所述商品网络无向图，包括：
根据所述四元组集中每个已购商品生成图节点，其中每个图节点与每个已购商品具有一一对应关系；
根据所述监管时间段和所述可选时间段，确定所述四元组集中每个已购商品与其他已购商品的关联次数；
根据所述关联次数计算每个图节点与其他图节点的节点权重，连接每个图节点，得到无向边，其中每个无向边中包括对应的节点权重；
根据每个所述无向边和图节点，生成所述商品网络无向图。
可选地，所述根据所述监管时间段和所述可选时间段，确定所述四元组集中每个已购商品与其他已购商品的关联次数，包括：
从所述四元组集中提取每个已购商品的购买时间，若存在已购商品的购买时间属于所述可选时间段内，则根据所述可选时间段修改所述购买时间；
计算每个已购商品的购买时间与其他已购商品的购买时间的差值，得到购买差值；
去除所述购买差值小于或等于所述监管时间段时的所有已购商品及对应的其他已购商品，并计算所述购买差值小于或等于所述监管时间段时，每个已购商品被购买时其他已购商品的购买次数，其中所述购买次数即为所述关联次数。
可选地，所述根据所述关联次数计算每个图节点与其他图节点的节点权重，包括：
采用如下方法计算每个图节点与其他图节点的节点权重：
Figure 651438DEST_PATH_IMAGE025
其中，
Figure 98600DEST_PATH_IMAGE026
表示第
Figure 553852DEST_PATH_IMAGE027
个商品与第
Figure 453675DEST_PATH_IMAGE028
个商品之间的节点权重，
Figure 19785DEST_PATH_IMAGE029
表示第
Figure 587033DEST_PATH_IMAGE030
个商品已被确定购买后，与第
Figure 213186DEST_PATH_IMAGE032
个商品之间的关联次数。
可选地，所述四元组，包括：
采用如下方式构建得到所述所述四元组：
Figure 600305DEST_PATH_IMAGE033
其中，
Figure 970107DEST_PATH_IMAGE034
为所述监管时间段，
Figure 391861DEST_PATH_IMAGE035
表示购物者，
Figure 188916DEST_PATH_IMAGE036
表示购物者
Figure 797751DEST_PATH_IMAGE037
所购买的商品，
Figure 971244DEST_PATH_IMAGE038
为购物者
Figure 981925DEST_PATH_IMAGE039
所购买的商品
Figure 215460DEST_PATH_IMAGE040
的购买时间。
可选地，所述根据所述商品网络无向图构建所述三元组集的商品矩阵集，包括：
根据所述商品网络无向图的无向边总数构建商品空矩阵，其中所述商品空矩阵的列数与所述无向边总数的数量关系为：
Figure 311592DEST_PATH_IMAGE041
其中，所述
Figure 288776DEST_PATH_IMAGE042
为所述商品网络无向图的无向边总数，
Figure 153964DEST_PATH_IMAGE043
为所述商品空矩阵的列数，其中所述商品空矩阵的行数与所述商品网络无向图的图节点总数相同；
确定每个图节点所表示的已购商品的被购买总数，按照每行一组将每个已购商品的被购买总数依次填入至所述商品空矩阵，得到行商品矩阵；
将每个已购商品与其他已购商品的节点权重依次填入至所述行商品矩阵的对应列中，得到所述商品矩阵集。
为了解决上述问题，本发明还提供一种电子商务数据处理系统，所述装置包括：
原始商务数据包收集模块，用于获取电子商务平台的原始商务数据包，其中所述原始商务数据包包括用户集、已购商品集和购买时间集；
三元组构建模块，用于将所述用户集、已购商品集和购买时间集按照对应关系组合得到三元组集，所述三元组集中每个三元组的表现形式为：
Figure 292821DEST_PATH_IMAGE044
其中，
Figure 141828DEST_PATH_IMAGE037
表示购物者，
Figure 657123DEST_PATH_IMAGE045
表示购物者
Figure 376817DEST_PATH_IMAGE046
所购买的商品，
Figure 952155DEST_PATH_IMAGE047
为购物者
Figure 22879DEST_PATH_IMAGE035
所购买的商品
Figure 341865DEST_PATH_IMAGE048
的购买时间；
商品矩阵构建模块，用于接收终端用户根据所述电子商务平台而确定的监管时间段，根据所述监管时间段及三元组集，构建基于所述已购商品集的商品网络无向图，根据所述商品网络无向图构建所述三元组集的商品矩阵集；
条件概率函数构建模块，用于构建所述商品矩阵集的条件概率函数，所述条件概率函数为：
Figure 181645DEST_PATH_IMAGE049
其中，
Figure 662305DEST_PATH_IMAGE050
表示第
Figure 485905DEST_PATH_IMAGE051
个商品
Figure 77423DEST_PATH_IMAGE052
被购物者购买时，在所述监管时间段
Figure 37289DEST_PATH_IMAGE053
内第
Figure 954429DEST_PATH_IMAGE054
个商品
Figure 734166DEST_PATH_IMAGE055
被购物者购买的购买概率，
Figure 394955DEST_PATH_IMAGE056
为所述已购商品集的商品总数，
Figure 209327DEST_PATH_IMAGE057
为所述第
Figure 297369DEST_PATH_IMAGE032
个商品在所述商品矩阵集的商品向量，
Figure 564402DEST_PATH_IMAGE058
为所述第
Figure 763302DEST_PATH_IMAGE059
个商品在所述商品矩阵集的商品向量，
Figure 697760DEST_PATH_IMAGE060
表示第
Figure 691124DEST_PATH_IMAGE062
个商品在所述商品矩阵集的商品向量，
Figure 711033DEST_PATH_IMAGE063
为所述条件概率函数的离散程度值，
Figure 448045DEST_PATH_IMAGE064
为所述条件概率函数的均值；
条件概率函数求解模块，用于求解所述条件概率函数，得到每个商品与其他商品的关联出现概率值集，将所述关联出现概率值集反馈至所述终端用户，实现对所述原始商务数据包的数据处理。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及处理器，执行所述存储器中存储的指令以实现上述所述的电子商务数据处理方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的电子商务数据处理方法。
本发明实施例为解决背景技术所述问题，先获取电子商务平台的原始商务数据包，其中所述原始商务数据包包括用户集、已购商品集和购买时间集，为了充分挖掘数据与数据之间关联性，本发明实施例在获取数据阶段时就将原始商务数据包拆分为用户集、已购商品集和购买时间集，进一步地，通过用户、所购买商品及购买时间的关系，构建出三元组集，并根据三元组集构建商品网络无向图，其中商品无向图可充分体现出每个已购商品与其他已购商品的关联关系，进一步地，根据所述商品网络无向图构建所述三元组集的商品矩阵集，构建所述商品矩阵集的条件概率函数，通过条件概率函数，可求解得到每个商品与其他商品的关联出现概率值集，相比于简单的统计分析方法统计所有售出商品的售出总量来说，本发明实施例根据每个已购商品与其他已购商品的关联关系，求解出在某个已购商品被购买情况下，其他商品售出的概率，从而提高了对数据与数据之间的关联性的应用。因此本发明提出的电子商务数据处理方法、装置、电子设备及计算机可读存储介质，可以解决传统电子商务数据处理方法智能程度较低，没有充分挖掘数据与数据之间关联性的问题。
附图说明
图1为本发明一实施例提供的电子商务数据处理方法的流程示意图；
图2为图1中其中一个步骤的详细实施流程示意图；
图3为图1中另一个步骤的详细实施流程示意图；
图4为本发明一实施例提供的电子商务数据处理系统的功能模块图；
图5为本发明一实施例提供的实现所述电子商务数据处理方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种电子商务数据处理方法。所述电子商务数据处理方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述电子商务数据处理方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的电子商务数据处理方法的流程示意图。在本实施例中，所述电子商务数据处理方法包括：
S1、获取电子商务平台的原始商务数据包，其中所述原始商务数据包包括用户集、已购商品集和购买时间集。
本发明实施例中，所述电子商务平台包括购物、采购类的系统、网页或APP等。示例性的，如终端用户小张是购物平台的商品上下架的管理人员，需要根据购物平台已有的商品购买记录，适应性调整购物平台的商品存货量，因此先获取购物平台的原始商务数据包。
需理解的是，原始商务数据包包括用户集、已购商品集和购买时间集，其中用户集是在电子商务平台中已注册的用户；已购商品集是电子商务平台在指定时间段内已经出售的商品，与已购商品集对应的是已经出售的商品的售出时间，即购买时间集。示例性的，小张想根据购物平台上半年的商品购买记录备货下半年的商品存货量，因此在指定时间段为2022年1月1日-2022年6月30日内获取购物平台所有的已出售商品及对应的已出售时间，从而组成所述已购商品集和购买时间集。
S2、将所述用户集、已购商品集和购买时间集按照对应关系组合得到三元组集。
详细地，参阅图2所示，所述将所述用户集、已购商品集和购买时间集按照对应关系组合得到三元组集，包括：
S21、从所述用户集中剔除未购买商品的用户，得到具备购买经验的用户集；
S22、获取具备购买经验的用户集中每个用户在所述电子商务平台的操作行为；
S23、从具备购买经验的用户集中去除操作行为包括有恶意刷单、IP地址异常的用户，得到正常购买的用户集；
S24、按照正常购买的用户集的每个用户的购买记录，与所述已购商品集和购买时间集按照三元组形式，构建得到所述三元组集。
示例性的，获取在上述购物平台注册的用户集共有三千万，其中有一百万未有购买记录则对应剔除，剩下的两千九百万有两百万存在恶意刷单或IP地址在短时间内反复登录等异常行为，因此也对应剔除得到正常购买的用户集。
进一步地，所述三元组集中每个三元组的表现形式为：
Figure 971430DEST_PATH_IMAGE065
其中，
Figure 666853DEST_PATH_IMAGE066
表示购物者，
Figure 908479DEST_PATH_IMAGE067
表示购物者
Figure 449182DEST_PATH_IMAGE035
所购买的商品，
Figure 92652DEST_PATH_IMAGE068
为购物者
Figure 427819DEST_PATH_IMAGE069
所购买的商品
Figure 422320DEST_PATH_IMAGE045
的购买时间。
S3、接收终端用户根据所述电子商务平台而确定的监管时间段，根据所述监管时间段及三元组集，构建基于所述已购商品集的商品网络无向图。
本发明实施例的目的是根据电子商务平台已有的已购商品集和购买时间集，确定电子商务平台在未来的时间段内，如何采购、上架、管理商品，以方便电子商务平台管理人员对商品的有效控制，因此需接收终端用户根据所述电子商务平台而确定的监管时间段，其中监管时间段表示任意两种商品在某个时间段内被相继购买的最大时间差。示例性的，上述购物平台有平板电脑和智能手机两款产品，终端用户小张确定平板电脑和智能手机两款产品的监管时间段为15天，表示当平板电脑或智能手机在任意时刻被购买后，自购买时间点起算到15天内，监管未被购买的平板电脑或智能手机是否被购买。
详细地，参阅图3所示，所述根据所述监管时间段及三元组集，构建基于所述已购商品集的商品网络无向图，包括：
S31、接收终端用户输入的可选时间段，根据所述可选时间段切割所述三元组集中的购买时间，得到优化的三元组集；
S32、将所述监管时间段嵌入至优化的所述三元组集，得到四元组集；
S33、以所述监管时间段为搜索时间点，搜索所述四元组集中每个四元组内商品在所述监管时间段内关联的其他商品，得到关联产品集；
S34、根据所述关联产品集和所述四元组集构建得到所述商品网络无向图。
需解释的是，由于终端用户需要根据实际情况确定对原始商务数据中每个商品执行智能监管，智能监管所对应的时间段称为可选时间段。示例性的，如在上述指定时间段为2022年1月1日-2022年6月30日内获取购物平台的已购商品集和购买时间集，但由于终端用户认为购物平台在2022年2月1日-2022年2月15日因除夕的原因，导致部分商品无法及时完成出售，但平时这部分商品确可以正常出售，因此这部分商品的监管时间段从2022年1月1日-2022年6月30日变为2022年1月1日-2022年1月31日及2022年2月16日-2022年6月30日的可选时间段，从而得到优化的三元组集。
可见四元组的表现形式为：
Figure 501134DEST_PATH_IMAGE070
其中，
Figure 264691DEST_PATH_IMAGE071
为所述监管时间段。
示例性的，监管时间段为15天内，与智能手机关联的其他商品包括平板电脑、手机套、耳机及电话卡，与平板电脑关联的其他商品包括智能手机、平板套、耳机。
进一步地，所述根据所述关联产品集和所述四元组集构建得到所述商品网络无向图，包括：
根据所述四元组集中每个已购商品生成图节点，其中每个图节点与每个已购商品具有一一对应关系；
根据所述监管时间段和所述可选时间段，确定所述四元组集中每个已购商品与其他已购商品的关联次数；
根据所述关联次数计算每个图节点与其他图节点的节点权重，连接每个图节点，得到无向边，其中每个无向边中包括对应的节点权重；
根据每个所述无向边和图节点，生成所述商品网络无向图。
可理解的是，在商品网络无向图包括图节点和无向边，其中图节点由每个已购商品生成，如上述平板电脑、手机套、耳机、电话卡、智能手机、平板套六组已购商品，则对应生成六个图节点。但在商品网络无向图中需要观察到每个已购商品与其他已购商品的关联关系，因此需要通过无向边量化出此关联关系，其中无向边主要通过节点权重量化关联关系，节点权重数值大则表示两组已购商品的关联关系更加紧密，而节点权重数值小则表示两组已购商品的关联关系相对不太紧密，因此详细地，所述根据所述监管时间段和所述可选时间段，确定所述四元组集中每个已购商品与其他已购商品的关联次数，包括：
从所述四元组集中提取每个已购商品的购买时间，若存在已购商品的购买时间属于所述可选时间段内，则根据所述可选时间段修改所述购买时间；
计算每个已购商品的购买时间与其他已购商品的购买时间的差值，得到购买差值；
去除所述购买差值小于或等于所述监管时间段时的所有已购商品及对应的其他已购商品，并计算所述购买差值小于或等于所述监管时间段时，每个已购商品被购买时其他已购商品的购买次数，其中所述购买次数即为所述关联次数。
需解释的是，如用户A在2022年2月8日购买了电风扇，但在2022年2月1日-2022年2月15日是可选时间段，因此将2022年2月8日顺延或提前至2022年2月15日或2022年2月1日作为电风扇的购买时间。
示例性的，监管时间段为15天内，与平板电脑关联的其他商品包括智能手机、平板套、耳机，其中用户B在2022年1月6日购买了平板电脑，需计算2022年1月6日-2022年1月21日内，平板电脑关联产品的智能手机、平板套、耳机购买次数，如平板套为2次、智能手机为1次、耳机为3次，则表示平板电脑-智能手机的关联次数为1、平板电脑-平板套的关联次数为2、平板电脑-耳机的关联次数为3。
详细地，所述根据所述关联次数计算每个图节点与其他图节点的节点权重，包括：
采用如下方法计算每个图节点与其他图节点的节点权重：
Figure 36338DEST_PATH_IMAGE072
其中，
Figure 986976DEST_PATH_IMAGE026
表示第
Figure 135061DEST_PATH_IMAGE073
个商品与第
Figure 487545DEST_PATH_IMAGE074
个商品之间的节点权重，
Figure 695672DEST_PATH_IMAGE075
表示第
Figure 133607DEST_PATH_IMAGE076
个商品已被确定购买后，与第
Figure 554224DEST_PATH_IMAGE078
个商品之间的关联次数。
需解释的是，所述商品网络无向图的表现形式为：
Figure 292373DEST_PATH_IMAGE079
其中，
Figure 405822DEST_PATH_IMAGE080
表示所述商品网络无向图，
Figure 596632DEST_PATH_IMAGE081
所述图节点集合，由每个图节点汇总得到，
Figure 820940DEST_PATH_IMAGE082
为无向边集合，由图节点之间的无向边汇总得到。
S4、根据所述商品网络无向图构建所述三元组集的商品矩阵集。
本发明实施例中，需构建出商品网络无向图的商品矩阵集，以方便后续每个商品与其他商品的关联出现概率。详细地，所述根据所述商品网络无向图构建所述三元组集的商品矩阵集，包括：
根据所述商品网络无向图的无向边总数构建商品空矩阵，其中所述商品空矩阵的列数与所述无向边总数的数量关系为：
Figure 882437DEST_PATH_IMAGE083
其中，所述
Figure 432367DEST_PATH_IMAGE084
为所述商品网络无向图的无向边总数，
Figure 844894DEST_PATH_IMAGE085
为所述商品空矩阵的列数，其中所述商品空矩阵的行数与所述商品网络无向图的图节点总数相同；
确定每个图节点所表示的已购商品的被购买总数，按照每行一组将每个已购商品的被购买总数依次填入至所述商品空矩阵，得到行商品矩阵；
将每个已购商品与其他已购商品的节点权重依次填入至所述行商品矩阵的对应列中，得到所述商品矩阵集。
示例性的，与平板电脑关联产品的节点权重假设为0.65、智能手机为0.3次、耳机为0.35次，且平板电脑被购买的被购买总数为2300次，则所述商品矩阵集的第一行为[3200, 0.65, 0.35, 0.3]，本发明实施例中，可按照节点权重从大到小的顺序填入至所述行商品矩阵。以此类推，第二行可能为智能手机的被购买总数及与其他产品的节点权重；第二行可能为耳机的被购买总数及与其他产品的节点权重。
S5、构建所述商品矩阵集的条件概率函数。
需解释的是，本发明实施例需构建出条件概率函数，以求解每个商品与其他商品的关联出现概率，从而方便终端用户管理后续商品的上架及采购事宜。
详细地，所述条件概率函数为：
Figure 138472DEST_PATH_IMAGE086
其中，
Figure 320054DEST_PATH_IMAGE087
表示第
Figure 775307DEST_PATH_IMAGE088
个商品
Figure 675129DEST_PATH_IMAGE089
被购物者购买时，在所述监管时间段
Figure 241240DEST_PATH_IMAGE090
内第
Figure 808488DEST_PATH_IMAGE032
个商品
Figure 169062DEST_PATH_IMAGE091
被购物者购买的购买概率，
Figure 821760DEST_PATH_IMAGE092
为所述已购商品集的商品总数，
Figure 191561DEST_PATH_IMAGE093
为所述第
Figure 82157DEST_PATH_IMAGE095
个商品在所述商品矩阵集的商品向量，
Figure 144791DEST_PATH_IMAGE058
为所述第
Figure 753627DEST_PATH_IMAGE027
个商品在所述商品矩阵集的商品向量，
Figure 192698DEST_PATH_IMAGE096
表示第
Figure 203380DEST_PATH_IMAGE097
个商品在所述商品矩阵集的商品向量，
Figure 171336DEST_PATH_IMAGE098
为所述条件概率函数的离散程度值，
Figure 533047DEST_PATH_IMAGE099
为所述条件概率函数的均值。
需解释的是，本发明实施例假设整个商品被购买的所有数据符合正态分布，因此在条件概率函数中出现离散程度值及均值。
S6、求解所述条件概率函数，得到每个商品与其他商品的关联出现概率值集，将所述关联出现概率值集反馈至所述终端用户，实现对所述原始商务数据包的数据处理。
可理解的是，根据上述条件概率函数，可求解得到每个商品与其他任意一个商品的关联出现概率值，由此汇总每个关联出现概率值，得到关联出现概率值集，终端用户如上述的小张，可注意关联出现概率值的大的商品，从而多采购该类商品，从而提高电子商务平台的管理能力。
本发明实施例为解决背景技术所述问题，先获取电子商务平台的原始商务数据包，其中所述原始商务数据包包括用户集、已购商品集和购买时间集，为了充分挖掘数据与数据之间关联性，本发明实施例在获取数据阶段时就将原始商务数据包拆分为用户集、已购商品集和购买时间集，进一步地，通过用户、所购买商品及购买时间的关系，构建出三元组集，并根据三元组集构建商品网络无向图，其中商品无向图可充分体现出每个已购商品与其他已购商品的关联关系，进一步地，根据所述商品网络无向图构建所述三元组集的商品矩阵集，构建所述商品矩阵集的条件概率函数，通过条件概率函数，可求解得到每个商品与其他商品的关联出现概率值集，相比于简单的统计分析方法统计所有售出商品的售出总量来说，本发明实施例根据每个已购商品与其他已购商品的关联关系，求解出在某个已购商品被购买情况下，其他商品售出的概率，从而提高了对数据与数据之间的关联性的应用。因此本发明提出的电子商务数据处理方法、装置、电子设备及计算机可读存储介质，可以解决传统电子商务数据处理方法智能程度较低，没有充分挖掘数据与数据之间关联性的问题。
如图4所示，是本发明一实施例提供的电子商务数据处理系统的功能模块图。
本发明所述电子商务数据处理系统100可以安装于电子设备中。根据实现的功能，所述电子商务数据处理系统100可以包括原始商务数据包收集模块101、三元组构建模块102、商品矩阵构建模块103及条件概率函数构建模块104及条件概率函数求解模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
所述原始商务数据包收集模块101，用于获取电子商务平台的原始商务数据包，其中所述原始商务数据包包括用户集、已购商品集和购买时间集；
所述三元组构建模块102，用于将所述用户集、已购商品集和购买时间集按照对应关系组合得到三元组集，所述三元组集中每个三元组的表现形式为：
Figure 244651DEST_PATH_IMAGE100
其中，
Figure 375418DEST_PATH_IMAGE101
表示购物者，
Figure 514275DEST_PATH_IMAGE040
表示购物者
Figure 97704DEST_PATH_IMAGE102
所购买的商品，
Figure 612998DEST_PATH_IMAGE103
为购物者
Figure 598272DEST_PATH_IMAGE104
所购买的商品
Figure 173610DEST_PATH_IMAGE105
的购买时间；
所述商品矩阵构建模块104，用于接收终端用户根据所述电子商务平台而确定的监管时间段，根据所述监管时间段及三元组集，构建基于所述已购商品集的商品网络无向图，根据所述商品网络无向图构建所述三元组集的商品矩阵集；
所述条件概率函数构建模块105，用于构建所述商品矩阵集的条件概率函数，所述条件概率函数为：
Figure 244334DEST_PATH_IMAGE106
其中，
Figure 297741DEST_PATH_IMAGE107
表示第
Figure 403100DEST_PATH_IMAGE109
个商品
Figure 883760DEST_PATH_IMAGE110
被购物者购买时，在所述监管时间段
Figure 441780DEST_PATH_IMAGE111
内第
Figure 298878DEST_PATH_IMAGE112
个商品
Figure 993164DEST_PATH_IMAGE113
被购物者购买的购买概率，
Figure 910305DEST_PATH_IMAGE114
为所述已购商品集的商品总数，
Figure 955621DEST_PATH_IMAGE115
为所述第
Figure 616410DEST_PATH_IMAGE116
个商品在所述商品矩阵集的商品向量，
Figure 165203DEST_PATH_IMAGE117
为所述第
Figure 253244DEST_PATH_IMAGE118
个商品在所述商品矩阵集的商品向量，
Figure 785857DEST_PATH_IMAGE119
表示第
Figure 984757DEST_PATH_IMAGE121
个商品在所述商品矩阵集的商品向量，
Figure 653636DEST_PATH_IMAGE122
为所述条件概率函数的离散程度值，
Figure 912579DEST_PATH_IMAGE123
为所述条件概率函数的均值。
条件概率函数求解模块105，用于求解所述条件概率函数，得到每个商品与其他商品的关联出现概率值集，将所述关联出现概率值集反馈至所述终端用户，实现对所述原始商务数据包的数据处理。
详细地，本发明实施例中所述电子商务数据处理系统100中的所述各模块在使用时采用与上述的图1中所述的基于区块链的产品供应链管理方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现电子商务数据处理方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线12，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如电子商务数据处理方法程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如电子商务数据处理方法程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如电子商务数据处理方法程序等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线12可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线12可以分为地址总线、数据总线、控制总线等。所述总线12被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的电子商务数据处理方法程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取电子商务平台的原始商务数据包，其中所述原始商务数据包包括用户集、已购商品集和购买时间集；
将所述用户集、已购商品集和购买时间集按照对应关系组合得到三元组集，所述三元组集中每个三元组的表现形式为：
Figure 666908DEST_PATH_IMAGE124
其中，
Figure 669499DEST_PATH_IMAGE039
表示购物者，
Figure 192884DEST_PATH_IMAGE125
表示购物者
Figure 888308DEST_PATH_IMAGE037
所购买的商品，
Figure 864354DEST_PATH_IMAGE126
为购物者
Figure 670636DEST_PATH_IMAGE127
所购买的商品
Figure 314107DEST_PATH_IMAGE128
的购买时间；
接收终端用户根据所述电子商务平台而确定的监管时间段，根据所述监管时间段及三元组集，构建基于所述已购商品集的商品网络无向图；
根据所述商品网络无向图构建所述三元组集的商品矩阵集；
构建所述商品矩阵集的条件概率函数，所述条件概率函数为：
Figure 649274DEST_PATH_IMAGE129
其中，
Figure 643774DEST_PATH_IMAGE130
表示第
Figure 722589DEST_PATH_IMAGE051
个商品
Figure 220566DEST_PATH_IMAGE131
被购物者购买时，在所述监管时间段
Figure 992213DEST_PATH_IMAGE132
内第
Figure 208431DEST_PATH_IMAGE133
个商品
Figure 356515DEST_PATH_IMAGE052
被购物者购买的购买概率，
Figure 708999DEST_PATH_IMAGE114
为所述已购商品集的商品总数，
Figure 651548DEST_PATH_IMAGE134
为所述第
Figure 355061DEST_PATH_IMAGE135
个商品在所述商品矩阵集的商品向量，
Figure 775678DEST_PATH_IMAGE136
为所述第
Figure 513827DEST_PATH_IMAGE137
个商品在所述商品矩阵集的商品向量，
Figure 361698DEST_PATH_IMAGE138
表示第
Figure 552507DEST_PATH_IMAGE139
个商品在所述商品矩阵集的商品向量，
Figure 776815DEST_PATH_IMAGE063
为所述条件概率函数的离散程度值，
Figure 369471DEST_PATH_IMAGE140
为所述条件概率函数的均值；
求解所述条件概率函数，得到每个商品与其他商品的关联出现概率值集，将所述关联出现概率值集反馈至所述终端用户，实现对所述原始商务数据包的数据处理。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图5对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取电子商务平台的原始商务数据包，其中所述原始商务数据包包括用户集、已购商品集和购买时间集；
将所述用户集、已购商品集和购买时间集按照对应关系组合得到三元组集，所述三元组集中每个三元组的表现形式为：
Figure 653822DEST_PATH_IMAGE141
其中，
Figure 66348DEST_PATH_IMAGE037
表示购物者，
Figure 94347DEST_PATH_IMAGE125
表示购物者
Figure 275930DEST_PATH_IMAGE037
所购买的商品，
Figure 996761DEST_PATH_IMAGE142
为购物者
Figure 896584DEST_PATH_IMAGE143
所购买的商品
Figure 728274DEST_PATH_IMAGE144
的购买时间；
接收终端用户根据所述电子商务平台而确定的监管时间段，根据所述监管时间段及三元组集，构建基于所述已购商品集的商品网络无向图；
根据所述商品网络无向图构建所述三元组集的商品矩阵集；
构建所述商品矩阵集的条件概率函数，所述条件概率函数为：
Figure 764363DEST_PATH_IMAGE145
其中，
Figure 390516DEST_PATH_IMAGE146
表示第
Figure 43215DEST_PATH_IMAGE147
个商品
Figure 147437DEST_PATH_IMAGE148
被购物者购买时，在所述监管时间段
Figure 569191DEST_PATH_IMAGE149
内第
Figure 366246DEST_PATH_IMAGE054
个商品
Figure 975082DEST_PATH_IMAGE055
被购物者购买的购买概率，
Figure 414153DEST_PATH_IMAGE150
为所述已购商品集的商品总数，
Figure 424834DEST_PATH_IMAGE151
为所述第
Figure 392790DEST_PATH_IMAGE095
个商品在所述商品矩阵集的商品向量，
Figure 754502DEST_PATH_IMAGE152
为所述第
Figure 200526DEST_PATH_IMAGE153
个商品在所述商品矩阵集的商品向量，
Figure 596873DEST_PATH_IMAGE154
表示第
Figure 735730DEST_PATH_IMAGE155
个商品在所述商品矩阵集的商品向量，
Figure 319158DEST_PATH_IMAGE156
为所述条件概率函数的离散程度值，
Figure 834453DEST_PATH_IMAGE157
为所述条件概率函数的均值；
求解所述条件概率函数，得到每个商品与其他商品的关联出现概率值集，将所述关联出现概率值集反馈至所述终端用户，实现对所述原始商务数据包的数据处理。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
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，本发明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涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种电子商务数据处理方法，其特征在于，所述方法包括：
获取电子商务平台的原始商务数据包，其中所述原始商务数据包包括用户集、已购商品集和购买时间集；
将所述用户集、已购商品集和购买时间集按照对应关系组合得到三元组集，所述三元组集中每个三元组的表现形式为：
Figure 364561DEST_PATH_IMAGE001
其中，
Figure 999942DEST_PATH_IMAGE002
表示购物者，
Figure 890537DEST_PATH_IMAGE003
表示购物者
Figure 953171DEST_PATH_IMAGE004
所购买的商品，
Figure 562007DEST_PATH_IMAGE005
为购物者
Figure 1079DEST_PATH_IMAGE004
所购买的商品
Figure 11760DEST_PATH_IMAGE003
的购买时间；
接收终端用户根据所述电子商务平台而确定的监管时间段，根据所述监管时间段及三元组集，构建基于所述已购商品集的商品网络无向图；
根据所述商品网络无向图构建所述三元组集的商品矩阵集；
构建所述商品矩阵集的条件概率函数，所述条件概率函数为：
Figure 245295DEST_PATH_IMAGE006
其中，
Figure 341427DEST_PATH_IMAGE007
表示第
Figure 69343DEST_PATH_IMAGE008
个商品
Figure 934531DEST_PATH_IMAGE009
被购物者购买时，在所述监管时间段
Figure 73388DEST_PATH_IMAGE010
内第
Figure 922395DEST_PATH_IMAGE012
个商品
Figure 172111DEST_PATH_IMAGE013
被购物者购买的购买概率，
Figure 422964DEST_PATH_IMAGE014
为所述已购商品集的商品总数，
Figure 732722DEST_PATH_IMAGE015
为所述第
Figure 69026DEST_PATH_IMAGE016
个商品在所述商品矩阵集的商品向量，
Figure 388012DEST_PATH_IMAGE017
为所述第
Figure 227792DEST_PATH_IMAGE019
个商品在所述商品矩阵集的商品向量，
Figure 974031DEST_PATH_IMAGE020
表示第
Figure 266472DEST_PATH_IMAGE021
个商品在所述商品矩阵集的商品向量，
Figure 389149DEST_PATH_IMAGE022
为所述条件概率函数的离散程度值，
Figure 83435DEST_PATH_IMAGE023
为所述条件概率函数的均值；
求解所述条件概率函数，得到每个商品与其他商品的关联出现概率值集，将所述关联出现概率值集反馈至所述终端用户，实现对所述原始商务数据包的数据处理。
2.如权利要求1所述的电子商务数据处理方法，其特征在于，所述将所述用户集、已购商品集和购买时间集按照对应关系组合得到三元组集，包括：
从所述用户集中剔除未购买商品的用户，得到具备购买经验的用户集；
获取具备购买经验的用户集中每个用户在所述电子商务平台的操作行为；
从具备购买经验的用户集中去除操作行为包括有恶意刷单、IP地址异常的用户，得到正常购买的用户集；
按照正常购买的用户集的每个用户的购买记录，与所述已购商品集和购买时间集按照三元组形式，构建得到所述三元组集。
3.如权利要求2所述的电子商务数据处理方法，其特征在于，所述根据所述监管时间段及三元组集，构建基于所述已购商品集的商品网络无向图，包括：
接收终端用户输入的可选时间段，根据所述可选时间段切割所述三元组集中的购买时间，得到优化的三元组集；
将所述监管时间段嵌入至优化的所述三元组集，得到四元组集；
以所述监管时间段为搜索时间点，搜索所述四元组集中每个四元组内商品在所述监管时间段内关联的其他商品，得到关联产品集；
根据所述关联产品集和所述四元组集构建得到所述商品网络无向图。
4.如权利要求3所述的电子商务数据处理方法，其特征在于，所述根据所述关联产品集和所述四元组集构建得到所述商品网络无向图，包括：
根据所述四元组集中每个已购商品生成图节点，其中每个图节点与每个已购商品具有一一对应关系；
根据所述监管时间段和所述可选时间段，确定所述四元组集中每个已购商品与其他已购商品的关联次数；
根据所述关联次数计算每个图节点与其他图节点的节点权重，连接每个图节点，得到无向边，其中每个无向边中包括对应的节点权重；
根据每个所述无向边和图节点，生成所述商品网络无向图。
5.如权利要求4所述的电子商务数据处理方法，其特征在于，所述根据所述监管时间段和所述可选时间段，确定所述四元组集中每个已购商品与其他已购商品的关联次数，包括：
从所述四元组集中提取每个已购商品的购买时间，若存在已购商品的购买时间属于所述可选时间段内，则根据所述可选时间段修改所述购买时间；
计算每个已购商品的购买时间与其他已购商品的购买时间的差值，得到购买差值；
去除所述购买差值小于或等于所述监管时间段时的所有已购商品及对应的其他已购商品，并计算所述购买差值小于或等于所述监管时间段时，每个已购商品被购买时其他已购商品的购买次数，其中所述购买次数即为所述关联次数。
6.如权利要求5所述的电子商务数据处理方法，其特征在于，所述根据所述关联次数计算每个图节点与其他图节点的节点权重，包括：
采用如下方法计算每个图节点与其他图节点的节点权重
Figure 734996DEST_PATH_IMAGE024
其中，
Figure 45892DEST_PATH_IMAGE025
表示第
Figure 441101DEST_PATH_IMAGE026
个商品与第
Figure 504741DEST_PATH_IMAGE028
个商品之间的节点权重，
Figure 858362DEST_PATH_IMAGE029
表示第
Figure 125395DEST_PATH_IMAGE026
个商品已被确定购买后，与第
Figure 589875DEST_PATH_IMAGE030
个商品之间的关联次数。
7.如权利要求6所述的电子商务数据处理方法，其特征在于，所述四元组，包括：
采用如下方式构建得到所述四元组：
Figure 993174DEST_PATH_IMAGE031
其中，
Figure 517696DEST_PATH_IMAGE032
为所述监管时间段，
Figure 272026DEST_PATH_IMAGE033
表示购物者，
Figure 274617DEST_PATH_IMAGE034
表示购物者
Figure 798002DEST_PATH_IMAGE035
所购买的商品，
Figure 493426DEST_PATH_IMAGE036
为购物者
Figure 469472DEST_PATH_IMAGE037
所购买的商品
Figure 275754DEST_PATH_IMAGE038
的购买时间。
8.如权利要求7所述的电子商务数据处理方法，其特征在于，所述根据所述商品网络无向图构建所述三元组集的商品矩阵集，包括：
根据所述商品网络无向图的无向边总数构建商品空矩阵，其中所述商品空矩阵的列数与所述无向边总数的数量关系为：
Figure 919225DEST_PATH_IMAGE039
其中，所述
Figure 519971DEST_PATH_IMAGE040
为所述商品网络无向图的无向边总数，
Figure 248892DEST_PATH_IMAGE041
为所述商品空矩阵的列数，其中所述商品空矩阵的行数与所述商品网络无向图的图节点总数相同；
确定每个图节点所表示的已购商品的被购买总数，按照每行一组将每个已购商品的被购买总数依次填入至所述商品空矩阵，得到行商品矩阵；
将每个已购商品与其他已购商品的节点权重依次填入至所述行商品矩阵的对应列中，得到所述商品矩阵集。
9.一种电子商务数据处理系统，其特征在于，所述系统包括：
原始商务数据包收集模块，用于获取电子商务平台的原始商务数据包，其中所述原始商务数据包包括用户集、已购商品集和购买时间集；
三元组构建模块，用于将所述用户集、已购商品集和购买时间集按照对应关系组合得到三元组集，所述三元组集中每个三元组的表现形式为：
Figure 344018DEST_PATH_IMAGE001
其中，
Figure 841996DEST_PATH_IMAGE035
表示购物者，
Figure 613643DEST_PATH_IMAGE003
表示购物者
Figure 829860DEST_PATH_IMAGE002
所购买的商品，
Figure 977945DEST_PATH_IMAGE036
为购物者
Figure 330429DEST_PATH_IMAGE042
所购买的商品
Figure 538556DEST_PATH_IMAGE043
的购买时间；
商品矩阵构建模块，用于接收终端用户根据所述电子商务平台而确定的监管时间段，根据所述监管时间段及三元组集，构建基于所述已购商品集的商品网络无向图，根据所述商品网络无向图构建所述三元组集的商品矩阵集；
条件概率函数构建模块，用于构建所述商品矩阵集的条件概率函数，所述条件概率函数为：
Figure 976491DEST_PATH_IMAGE044
其中，
Figure 662687DEST_PATH_IMAGE045
表示第
Figure 135257DEST_PATH_IMAGE026
个商品
Figure 248706DEST_PATH_IMAGE046
被购物者购买时，在所述监管时间段
Figure 173937DEST_PATH_IMAGE047
内第
Figure 663824DEST_PATH_IMAGE048
个商品
Figure 990900DEST_PATH_IMAGE049
被购物者购买的购买概率，
Figure 540830DEST_PATH_IMAGE050
为所述已购商品集的商品总数，
Figure 953357DEST_PATH_IMAGE051
为所述第
Figure 230623DEST_PATH_IMAGE052
个商品在所述商品矩阵集的商品向量，
Figure 412206DEST_PATH_IMAGE053
为所述第
Figure 133037DEST_PATH_IMAGE026
个商品在所述商品矩阵集的商品向量，
Figure 32860DEST_PATH_IMAGE054
表示第
Figure 864550DEST_PATH_IMAGE021
个商品在所述商品矩阵集的商品向量，
Figure 900639DEST_PATH_IMAGE055
为所述条件概率函数的离散程度值，
Figure 792372DEST_PATH_IMAGE056
为所述条件概率函数的均值；
条件概率函数求解模块，用于求解所述条件概率函数，得到每个商品与其他商品的关联出现概率值集，将所述关联出现概率值集反馈至所述终端用户，实现对所述原始商务数据包的数据处理。
10.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的电子商务数据处理方法。
CN202210935354.XA 2022-08-05 2022-08-05 一种电子商务数据处理方法、系统、电子设备及介质 Active CN115063187B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210935354.XA CN115063187B (zh) 2022-08-05 2022-08-05 一种电子商务数据处理方法、系统、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210935354.XA CN115063187B (zh) 2022-08-05 2022-08-05 一种电子商务数据处理方法、系统、电子设备及介质

Publications (2)

Publication Number Publication Date
CN115063187A CN115063187A (zh) 2022-09-16
CN115063187B true CN115063187B (zh) 2022-11-04

Family

ID=83208430

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210935354.XA Active CN115063187B (zh) 2022-08-05 2022-08-05 一种电子商务数据处理方法、系统、电子设备及介质

Country Status (1)

Country Link
CN (1) CN115063187B (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140074649A1 (en) * 2012-09-13 2014-03-13 Coupons.Com Incorporated Grocery recommendation engine
CN105373940A (zh) * 2015-11-12 2016-03-02 江南大学 智能商场信息系统
CN107730336A (zh) * 2016-08-12 2018-02-23 苏宁云商集团股份有限公司 一种在线交易中的商品推送方法及装置
CN109214730B (zh) * 2017-06-29 2022-04-12 北京京东尚科信息技术有限公司 信息推送方法和装置

Also Published As

Publication number Publication date
CN115063187A (zh) 2022-09-16

Similar Documents

Publication Publication Date Title
WO2021174944A1 (zh) 基于目标对象活跃度的消息推送方法及相关设备
CN112528616B (zh) 业务表单生成方法、装置、电子设备及计算机存储介质
CN113688923A (zh) 订单异常智能检测方法、装置、电子设备及存储介质
CN113792089B (zh) 基于人工智能的非法行为检测方法、装置、设备及介质
CN114612194A (zh) 产品推荐方法、装置、电子设备及存储介质
CN113051480A (zh) 资源推送方法、装置、电子设备及存储介质
CN115423535A (zh) 基于市场先验大数据的产品采购方法、装置、设备及介质
CN111694844A (zh) 基于配置算法的企业运行数据分析方法、装置及电子设备
CN113868529A (zh) 知识推荐方法、装置、电子设备及可读存储介质
CN114781832A (zh) 课程推荐方法、装置、电子设备及存储介质
CN112733531A (zh) 虚拟资源分配方法、装置、电子设备及计算机存储介质
CN112700261B (zh) 基于可疑社团的刷单行为检测方法、装置、设备及介质
CN107798558A (zh) 用户行为数据分析方法及服务器
CN111612385A (zh) 一种对待配送物品进行聚类的方法和装置
CN112258244B (zh) 确定目标物品所属任务的方法、装置、设备及存储介质
CN115063187B (zh) 一种电子商务数据处理方法、系统、电子设备及介质
CN114625975B (zh) 一种基于知识图谱的客户行为分析系统
CN116361571A (zh) 基于人工智能的商户画像生成方法、装置、设备及介质
CN115879947A (zh) 一种基于电子化交易的管理方法及系统
CN115641186A (zh) 直播产品偏好的智能分析方法、装置、设备及存储介质
CN113987206A (zh) 异常用户的识别方法、装置、设备及存储介质
CN113298530A (zh) 基于行情数据分类的交易配置方法、装置、设备及介质
CN112632195A (zh) 基于大数据的概念图展示方法、装置、设备及介质
CN111639207A (zh) 线下目标物推荐方法、装置、电子设备及存储介质
CN110738538A (zh) 识别相似物品的方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant