CN115293859A - 一种基于人工智能的电子商务平台商品智能推荐管理系统 - Google Patents

Abstract

本发明公开了一种基于人工智能的电子商务平台商品智能推荐管理系统，涉及计算机应用技术领域，所述系统应用于一种基于人工智能的电子商务平台商品智能推荐管理方法的步骤，所述方法包括：通过采集目标用户的目标基础信息并遍历得到同类用户集；获得目标历史网购记录、多个同类用户的多个历史网购记录；得到多个推荐产品组；得到多个相似性指数并得到相似性指数降序列表；反向匹配推荐产品组降序列表；通过智能筛选模型筛选得到多个筛选结果；组成目标推荐产品集并推至目标用户。解决了现有技术无法深度挖掘并预测用户需求的技术问题。达到了对无法精准描述自身需求或对自身需求了解不够的用户进行深度需求挖掘，进而提高商品推荐质量的效果。

Description

一种基于人工智能的电子商务平台商品智能推荐管理系统

技术领域

本发明涉及计算机应用技术领域，尤其涉及一种基于人工智能的电子商务平台商品智能推荐管理系统。

背景技术

互联网信息的爆炸性增长是当今时代蓬勃发展的标志。随着互联网的发展，全球数据量爆炸式增长，面对广泛的、各种各样的信息导致的信息过载现象，使得如何获取用户真正关注的信息成为困扰电商的难题之一。在此背景下，研究利用计算机技术对海量的数据信息进行筛选分析，从而智能化分析用户的关注点和实际需求，进而针对性为用户筛选、推送对应的商品，对于提高电商平台商品管理规范性、科学性，进而促进电商发展具有重要意义。然而，实际生活中存在部分用户对自身需求不够了解，或无法精准描述自身的实际需求。现有技术中在为用户个性化推荐商品时，仅通过对用户在电商平台上的历史购买、浏览以及搜索等行为记录进行分析，导致用户需求挖掘深度不够，进而无法预测用户需求，最终导致商品推荐质量低的问题。示范性的如系统监测到某用户常常搜索连衣裙，进而系统基于用户搜索、浏览记录等为用户推荐各式连衣裙，并在用户已经购买了连衣裙之后依然进行连衣裙的推荐，此时用户短期内已经没有连衣裙的购买需求，因此系统推荐不够准确。研究利用计算机技术深度挖掘用户需求，为其提供符合自身需求的推荐，进而提高电子商务平台商品智能推荐的科学性，具有重要的意义。

然而，现有技术中在为用户推荐商品时，仅通过用户的历史购买、浏览等行为记录对用户的需求进行分析，存在无法深度挖掘并预测用户需求，进而影响商品推荐效果的技术问题。

发明内容

本发明的目的是提供一种基于人工智能的电子商务平台商品智能推荐管理系统，用以解决现有技术中在为用户推荐商品时，仅通过用户的历史购买、浏览等行为记录对用户的需求进行分析，存在无法深度挖掘并预测用户需求，进而影响商品推荐效果的技术问题。

鉴于上述问题，本发明提供了一种基于人工智能的电子商务平台商品智能推荐管理系统。

第一方面，本发明提供了一种基于人工智能的电子商务平台商品智能推荐管理方法，所述方法通过一种基于人工智能的电子商务平台商品智能推荐管理系统实现，其中，所述方法包括：通过采集目标用户的目标基础信息，并根据所述目标基础信息遍历得到同类用户集，其中，所述同类用户集包括所述目标用户的多个同类用户；依次获得所述目标用户的目标历史网购记录、所述多个同类用户的多个历史网购记录；对所述多个历史网购记录依次进行分析，得到多个推荐产品组；将所述目标历史网购记录与所述多个历史网购记录依次进行对比分析，得到多个相似性指数，并降序得到相似性指数降序列表；根据所述多个推荐产品组与所述多个相似性指数之间的映射关系，结合所述相似性指数降序列表，反向匹配得到推荐产品组降序列表；构建智能筛选模型，并通过所述智能筛选模型对所述推荐产品组降序列表中各个推荐产品组依次进行筛选，得到多个筛选结果；基于所述多个筛选结果组成目标推荐产品集，并将所述目标推荐产品集推送至所述目标用户。

第二方面，本发明提供了一种基于人工智能的电子商务平台商品智能推荐管理系统，用于执行如第一方面所述的一种基于人工智能的电子商务平台商品智能推荐管理方法，其中，所述系统包括：同类用户获得模块，所述同类用户获得模块用于采集目标用户的目标基础信息，并根据所述目标基础信息遍历得到同类用户集，其中，所述同类用户集包括所述目标用户的多个同类用户；网购记录获得模块，所述网购记录获得模块用于依次获得所述目标用户的目标历史网购记录、所述多个同类用户的多个历史网购记录；推荐产品组获得模块，所述推荐产品组获得模块用于对所述多个历史网购记录依次进行分析，得到多个推荐产品组；对比分析模块，所述对比分析模块用于将所述目标历史网购记录与所述多个历史网购记录依次进行对比分析，得到多个相似性指数，并降序得到相似性指数降序列表；降序列表获得模块，所述降序列表获得模块用于根据所述多个推荐产品组与所述多个相似性指数之间的映射关系，结合所述相似性指数降序列表，反向匹配得到推荐产品组降序列表；智能筛选模块，所述智能筛选模块用于构建智能筛选模型，并通过所述智能筛选模型对所述推荐产品组降序列表中各个推荐产品组依次进行筛选，得到多个筛选结果；推送执行模块，所述推送执行模块用于基于所述多个筛选结果组成目标推荐产品集，并将所述目标推荐产品集推送至所述目标用户。

本发明中提供的一个或多个技术方案，至少具有如下技术效果或优点：

1.通过采集目标用户的目标基础信息，并根据所述目标基础信息遍历得到同类用户集，其中，所述同类用户集包括所述目标用户的多个同类用户；依次获得所述目标用户的目标历史网购记录、所述多个同类用户的多个历史网购记录；对所述多个历史网购记录依次进行分析，得到多个推荐产品组；将所述目标历史网购记录与所述多个历史网购记录依次进行对比分析，得到多个相似性指数，并降序得到相似性指数降序列表；根据所述多个推荐产品组与所述多个相似性指数之间的映射关系，结合所述相似性指数降序列表，反向匹配得到推荐产品组降序列表；构建智能筛选模型，并通过所述智能筛选模型对所述推荐产品组降序列表中各个推荐产品组依次进行筛选，得到多个筛选结果；基于所述多个筛选结果组成目标推荐产品集，并将所述目标推荐产品集推送至所述目标用户。通过从目标用户的同类用户出发，得到多个推荐产品组，并将多个推荐产品组作为对目标用户进行产品推荐的基础，也就是说，基于用户本身特征进行推荐产品扩充，实现了扩大推荐产品范围，避免推荐遗漏的技术目标，达到了对自身需求不够了解或无法精准描述自身需求的用户进行深度需求挖掘，进而有效提高商品推荐质量的技术效果。

2.通过结合关键词搜索时间、产品浏览时长以及实时天气预测情况，对目标推荐产品集中的商品进行合理的顺序调整，实现了目标推荐产品集中各个产品的推荐优先级设置目标，达到了提高商品推荐合理性、科学性、针对性的技术效果。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图获得其他的附图。

图1为本发明一种基于人工智能的电子商务平台商品智能推荐管理方法的流程示意图；

图2为本发明一种基于人工智能的电子商务平台商品智能推荐管理方法中得到目标推荐产品序列的流程示意图；

图3为本发明一种基于人工智能的电子商务平台商品智能推荐管理方法中对目标推荐产品序列进行调整的流程示意图；

图4为本发明一种基于人工智能的电子商务平台商品智能推荐管理方法中通过智能筛选模型对推荐产品组降序列表中各个推荐产品组依次进行筛选的流程示意图；

图5为本发明一种基于人工智能的电子商务平台商品智能推荐管理系统的结构示意图。

附图标记说明：

同类用户获得模块M100，网购记录获得模块M200，推荐产品组获得模块M300，对比分析模块M400，降序列表获得模块M500，智能筛选模块M600，推送执行模块M700。

具体实施方式

本发明通过提供一种基于人工智能的电子商务平台商品智能推荐管理系统，解决了现有技术中在为用户推荐商品时，仅通过用户的历史购买、浏览等行为记录对用户的需求进行分析，存在无法深度挖掘并预测用户需求，进而影响商品推荐效果的技术问题。通过从目标用户的同类用户出发，得到多个推荐产品组，并将多个推荐产品组作为对目标用户进行产品推荐的基础，实现了有效扩充推荐产品、避免推荐遗漏的技术目标，达到了对无法精准描述自身需求或对自身需求了解不够的用户进行深度需求挖掘，进而有效提高商品推荐质量的技术效果。

本发明技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。

下面，将参考附图对本发明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发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明的实施例，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，都属于本发明保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部。

实施例一

请参阅附图1，本发明提供了一种基于人工智能的电子商务平台商品智能推荐管理方法，其中，所述方法应用于一种基于人工智能的电子商务平台商品智能推荐管理系统，所述方法具体包括如下步骤：

步骤S100：采集目标用户的目标基础信息，并根据所述目标基础信息遍历得到同类用户集，其中，所述同类用户集包括所述目标用户的多个同类用户；

进一步的，本发明步骤S100还包括：

步骤S110：获得系统用户集；

步骤S120：提取所述目标基础信息中的生理属性信息，其中，所述生理属性信息包括所述目标用户的年龄、性别；

步骤S130：根据所述目标用户的年龄、性别，对所述系统用户集进行筛选，得到生理同类用户集；

步骤S140：提取所述目标基础信息中的社会属性信息，其中，所述社会属性信息包括所述目标用户的行业、工作类型；

步骤S150：根据所述目标用户的行业、工作类型，对所述生理同类用户集进行筛选，得到生理社会同类用户集；

步骤S160：提取所述目标基础信息中的个性属性信息，其中，所述社会属性信息包括所述目标用户的特殊角色、爱好、审美；

步骤S170：根据所述目标用户的特殊角色、爱好、审美，对所述生理社会同类用户集进行筛选，得到生理社会个性同类用户集；

步骤S180：将所述生理社会个性同类用户集作为所述同类用户集。

具体而言，所述一种基于人工智能的电子商务平台商品智能推荐管理方法应用于所述一种基于人工智能的电子商务平台商品智能推荐管理系统，可以通过从目标用户的同类用户出发，得到多个推荐产品组，并将多个推荐产品组作为对目标用户进行产品推荐的基础，也就是说，基于用户本身特征进行推荐产品扩充，实现扩大推荐产品范围、避免推荐遗漏的目标。

所述目标用户是指利用所述基于人工智能的电子商务平台商品智能推荐管理系统进行商品智能化推荐的任意一个系统用户。所述同类用户集是指与所述目标用户的相关基本信息、购买理念及购买习惯等相似、接近的所有电子商务平台的用户的集合。首先组建所述电子商务平台的所有用户的集合，即所述系统用户集，然后基于所述目标用户的年龄、性别，对所述系统用户集进行第一轮的筛选，得到年龄段和性别均与所述目标用户一致的系统用户的集合，即所述生理同类用户集。然后基于所述目标用户的行业、工作类型，对所述生理同类用户集进行第二轮筛选，并得到生理社会同类用户集。示范性的如筛选生理同类用户集中职业与所述目标用户一样的教师从业者。进一步，基于所述目标用户的特殊角色、爱好、审美，对所述生理社会同类用户集进行第三轮的筛选，并得到所述生理社会个性同类用户集。示范性的如某用户为宝妈，则将宝妈作为该用户的特殊角色，该用户会因为宝妈这一特殊角色产生多项母婴类的商品消费；此外还有如某用户性格恬静，偏好冷色调服饰等审美偏好。最后将所述生理社会个性同类用户集作为所述目标用户的所述同类用户集。

通过层层筛选得到与目标用户年龄、性别、所属行业及工作类型、特殊角色、爱好、审美等相一致或接近的电子商务平台用户，并组成同类用户集。通过从目标用户的同类用户出发对目标用户进行产品推荐，也就是说，基于用户本身特征进行推荐产品扩充，实现了扩大推荐产品范围，避免推荐遗漏的技术目标，达到了对自身需求不够了解或无法精准描述自身需求的用户进行深度需求挖掘提供基础的技术效果。

步骤S200：依次获得所述目标用户的目标历史网购记录、所述多个同类用户的多个历史网购记录；

步骤S300：对所述多个历史网购记录依次进行分析，得到多个推荐产品组；

步骤S400：将所述目标历史网购记录与所述多个历史网购记录依次进行对比分析，得到多个相似性指数，并降序得到相似性指数降序列表；

步骤S500：根据所述多个推荐产品组与所述多个相似性指数之间的映射关系，结合所述相似性指数降序列表，反向匹配得到推荐产品组降序列表；

具体而言，首先基于大数据得到所述目标用户及所述目标用户的多个同类用户的历史网购记录，其中，所述历史网购记录是指用户在所述电子商务平台上的使用记录。示范性的如各同类用户的历史使用电子商务平台进行商品搜索、商务浏览、商品购买的记录等。然后对各个同类用户的历史网购记录依次进行分析，分别得到每个同类用户的历史搜索、浏览、购买商品的集合，即作为对应同类用户的推荐产品组，进而多个同类用户对应得到多个推荐产品组。示范性的如某同类用户历史网购记录包括钢笔、包包的浏览、皮鞋搜索、生鲜食品、茶叶的购买等，则该同类用户对应的推荐产品组包括钢笔、包包、皮鞋、生鲜食品、茶叶。进一步的，将所述目标用户的所述目标历史网购记录与所述多个历史网购记录依次进行对比分析，从而得到所述目标用户与各个同类用户的网购相似性指数。示范性的如将目标用户的历史网购记录产品与同类用户的历史网购记录产品进行对比，查看并计算产品重叠、相似率，并将计算结果作为两用户之间的相似性指数。最后，对多个相似性指数进行降序排列，对应的即得到多个推荐产品组的降序排列结果，即得到所述推荐产品组降序列表。

通过对同类用户的推荐产品组进行相似性降序排列，从而明确对目标用户的商品推荐最有参考价值的同类用户的推荐产品组，也就是说，按照推荐产品组降序列表，排序越靠前，对为目标用户推荐商品越有参考意义。

步骤S600：构建智能筛选模型，并通过所述智能筛选模型对所述推荐产品组降序列表中各个推荐产品组依次进行筛选，得到多个筛选结果；

进一步的，如附图4所示，本发明步骤S600还包括：

步骤S610：提取所述推荐产品组降序列表中任意一个推荐产品组；

步骤S620：构建所述智能筛选模型，其中，所述智能筛选模型包括剔除近期已入处理层、剔除明显异常处理层；

步骤S630：根据所述目标历史网购记录，分析得到所述目标用户的近期入手产品集；

步骤S640：基于所述近期入手产品集，利用所述剔除近期已入处理层对任意一个所述推荐产品组进行产品剔除处理，得到剔除近期已入结果；

步骤S650：基于所述目标基础信息，利用所述剔除明显异常处理层对所述剔除近期已入结果进行产品剔除处理，得到剔除明显异常结果；

步骤S660：将所述剔除明显异常结果作为任意一个所述推荐产品组的筛选结果。

具体而言，在利用所述智能筛选模型对所述推荐产品组降序列表中各个推荐产品组依次进行筛选之前，首先构建所述智能筛选模型的剔除近期已入处理层和剔除明显异常处理层。其中，所述剔除近期已入处理层用于剔除各个同类用户的推荐产品组中，目标用户已经购买了的同类产品。示范性的如，某目标用户近期购买了多支钢笔，对于推荐产品组中的钢笔即直接剔除，不再推荐。所述剔除明显异常处理层用于剔除各个同类用户的推荐产品组中，与目标用户相关数据明确不相关、不符合的同类产品。示范性的如，某目标用户基础资料为未婚未育大学生，则母婴类产品明显不属于目标用户的需求范围，则直接将推荐产品组中相关母婴类产品进行剔除，仅保留符合目标用户需求范围的产品。然后利用所述智能筛选模型对所述推荐产品组降序列表中各个推荐产品组依次进行筛选，得到剔除近期已入结果、剔除明显异常结果。最后将所述剔除明显异常结果作为对应推荐产品组的筛选结果。

通过智能筛选模型对推荐产品组降序列表中各个推荐产品组依次进行筛选，得到多个筛选结果，实现了为后续智能化商品推荐提供类别适宜的基础的目标。

步骤S700：基于所述多个筛选结果组成目标推荐产品集，并将所述目标推荐产品集推送至所述目标用户。

进一步的，如附图2所示，本发明还包括如下步骤：

步骤S810：提取所述目标历史网购记录中的目标历史搜索记录；

步骤S820：根据所述目标历史搜索记录组建目标搜索关键词集，其中，所述目标搜索关键词集包括多个具有搜索时间标识的目标搜索关键词；

步骤S830：对所述多个具有搜索时间标识的目标搜索关键词按照搜索时间由近及远的顺序进行排列，得到目标搜索关键词序列；

步骤S840：根据所述目标搜索关键词序列，对所述目标推荐产品集中各个目标推荐产品进行推荐顺序调整，并得到目标推荐产品序列。

进一步的，如附图3所示，本发明还包括如下步骤：

步骤S910：提取所述目标历史网购记录中的目标历史浏览记录，其中，所述目标历史浏览记录包括多个具有浏览时长标识的目标浏览产品；

步骤S920：对所述多个具有浏览时长标识的目标浏览产品按照浏览时长由长到短的顺序进行排列，得到目标浏览产品序列；

步骤S930：根据所述目标浏览产品序列，对所述目标推荐产品序列进行调整。

进一步的，本发明步骤S930还包括：

步骤S931：对所述目标推荐产品序列中的各个目标推荐产品依次进行适宜天气标记，得到多个具有适宜天气标识的目标推荐产品；

步骤S932：采集得到实时天气预测信息，其中，所述实时天气预测信息包括实时温度预测、实时湿度预测、实时风力预测、实时紫外线预测；

步骤S933：根据所述实时温度预测、所述实时湿度预测、所述实时风力预测、所述实时紫外线预测，对所述多个具有适宜天气标识的目标推荐产品进行推荐顺序调整。

具体而言，在基于多个同类用户的推荐产品组的筛选结果，即所述多个筛选结果对目标用户进行产品智能化推送前，对多个筛选结果中的推荐产品，即目标推荐产品集进行科学、合理的顺序调整。

首先基于所述目标历史网购记录中的目标历史搜索记录，分析得到所述目标用户的目标搜索关键词集。其中，所述目标搜索关键词集包括多个具有搜索时间标识的目标搜索关键词。示范性的如，目标用户在上周、本周的搜索关键词。然后按照搜索时间由近及远的顺序对所述多个具有搜索时间标识的目标搜索关键词进行排列，对应得到的排列结果即为所述目标搜索关键词序列。进一步的，提取所述目标用户的目标历史网购记录中的目标历史浏览记录。其中，所述目标历史浏览记录包括多个具有浏览时长标识的目标浏览产品。进而根据浏览时长由长到短的顺序对所述多个具有浏览时长标识的目标浏览产品进行排列，对应得到的排列结果即为所述目标浏览产品序列。示范性的如，某同类历史浏览某个手机产品5次，共计13分钟，则对该手机商品标记13分钟的总浏览时长。此外，对目标推荐产品序列中的各个目标推荐产品依次进行适宜天气标记，得到多个具有适宜天气标识的目标推荐产品。同时采集实时温度预测、实时湿度预测、实时风力预测、实时紫外线预测等，并得到实时天气预测信息，进一步根据所述实时温度预测、所述实时湿度预测、所述实时风力预测、所述实时紫外线预测，对所述多个具有适宜天气标识的目标推荐产品进行推荐顺序调整。

通过基于关键词搜索时间、产品浏览时长以及实时天气预测情况的综合考虑，对目标推荐产品集中的商品进行顺序调整，将用户最近搜索的、浏览时间最长的、最适合当前实际天气情况使用的商品优先推荐，达到了提高商品推荐合理性、科学性、针对性的技术效果。

进一步的，本发明还包括如下步骤：

步骤S1010：获得所述目标推荐产品集中的目标推荐产品数量；

步骤S1020：判断所述目标推荐产品数量是否满足预设推荐阈值；

步骤S1030：若所述目标推荐产品数量不满足所述预设推荐阈值，采集所述目标推荐产品集的目标推荐产品特征；

步骤S1040：基于所述目标推荐产品特征，对所述目标推荐产品集进行扩充。

具体而言，统计获得所述目标推荐产品集中的目标推荐产品数量，并判断所述目标推荐产品数量是否满足预设推荐阈值。当所述目标推荐产品数量不满足所述预设推荐阈值时，系统采集所述目标推荐产品集中各个目标推荐产品的特征，得到所述目标推荐产品特征，并基于所述目标推荐产品特征对电子商务平台中其他商品进行遍历比对，得到同样具备目标推荐产品特征的其他商品，并将其添加至所述目标推荐产品集中。其中，所述预设推荐阈值是指系统综合分析得到的用户商品推荐量。示范性的如，预设推荐阈值太大，推荐商品过多需要用户花费大量时间阅览，影响用户使用体验，而预设推荐阈值太小则可能导致推荐产品不是用户真正喜欢和需求的产品，进而无法为用户购买节约时间。

通过设置预设推荐阈值，并对没有达到预设推荐阈值的用户推荐产品进行产品特征扩充，达到了提高有效推荐产品数量，节约用户挑选产品时间，提高用户购买体验的技术效果。

综上所述，本发明所提供的一种基于人工智能的电子商务平台商品智能推荐管理方法具有如下技术效果：

1.通过采集目标用户的目标基础信息，并根据所述目标基础信息遍历得到同类用户集，其中，所述同类用户集包括所述目标用户的多个同类用户；依次获得所述目标用户的目标历史网购记录、所述多个同类用户的多个历史网购记录；对所述多个历史网购记录依次进行分析，得到多个推荐产品组；将所述目标历史网购记录与所述多个历史网购记录依次进行对比分析，得到多个相似性指数，并降序得到相似性指数降序列表；根据所述多个推荐产品组与所述多个相似性指数之间的映射关系，结合所述相似性指数降序列表，反向匹配得到推荐产品组降序列表；构建智能筛选模型，并通过所述智能筛选模型对所述推荐产品组降序列表中各个推荐产品组依次进行筛选，得到多个筛选结果；基于所述多个筛选结果组成目标推荐产品集，并将所述目标推荐产品集推送至所述目标用户。通过从目标用户的同类用户出发，得到多个推荐产品组，并将多个推荐产品组作为对目标用户进行产品推荐的基础，也就是说，基于用户本身特征进行推荐产品扩充，实现了扩大推荐产品范围，避免推荐遗漏的技术目标，达到了对自身需求不够了解或无法精准描述自身需求的用户进行深度需求挖掘，进而有效提高商品推荐质量的技术效果。

2.通过结合关键词搜索时间、产品浏览时长以及实时天气预测情况，对目标推荐产品集中的商品进行合理的顺序调整，实现了目标推荐产品集中各个产品的推荐优先级设置目标，达到了提高商品推荐合理性、科学性、针对性的技术效果。

实施例二

基于与前述实施例中一种基于人工智能的电子商务平台商品智能推荐管理方法，同样发明构思，本发明还提供了一种基于人工智能的电子商务平台商品智能推荐管理系统，请参阅附图5，所述系统包括：

同类用户获得模块M100，所述同类用户获得模块M100用于采集目标用户的目标基础信息，并根据所述目标基础信息遍历得到同类用户集，其中，所述同类用户集包括所述目标用户的多个同类用户；

网购记录获得模块M200，所述网购记录获得模块M200用于依次获得所述目标用户的目标历史网购记录、所述多个同类用户的多个历史网购记录；

推荐产品组获得模块M300，所述推荐产品组获得模块M300用于对所述多个历史网购记录依次进行分析，得到多个推荐产品组；

对比分析模块M400，所述对比分析模块M400用于将所述目标历史网购记录与所述多个历史网购记录依次进行对比分析，得到多个相似性指数，并降序得到相似性指数降序列表；

降序列表获得模块M500，所述降序列表获得模块M500用于根据所述多个推荐产品组与所述多个相似性指数之间的映射关系，结合所述相似性指数降序列表，反向匹配得到推荐产品组降序列表；

智能筛选模块M600，所述智能筛选模块M600用于构建智能筛选模型，并通过所述智能筛选模型对所述推荐产品组降序列表中各个推荐产品组依次进行筛选，得到多个筛选结果；

推送执行模块M700，所述推送执行模块M700用于基于所述多个筛选结果组成目标推荐产品集，并将所述目标推荐产品集推送至所述目标用户。

进一步的，所述系统还包括推荐顺序一次调整模块，其中，所述推荐顺序一次调整模块用于：

提取所述目标历史网购记录中的目标历史搜索记录；

根据所述目标历史搜索记录组建目标搜索关键词集，其中，所述目标搜索关键词集包括多个具有搜索时间标识的目标搜索关键词；

对所述多个具有搜索时间标识的目标搜索关键词按照搜索时间由近及远的顺序进行排列，得到目标搜索关键词序列；

根据所述目标搜索关键词序列，对所述目标推荐产品集中各个目标推荐产品进行推荐顺序调整，并得到目标推荐产品序列。

进一步的，所述系统还包括推荐顺序二次调整模块，其中，所述推荐顺序二次调整模块用于：

提取所述目标历史网购记录中的目标历史浏览记录，其中，所述目标历史浏览记录包括多个具有浏览时长标识的目标浏览产品；

对所述多个具有浏览时长标识的目标浏览产品按照浏览时长由长到短的顺序进行排列，得到目标浏览产品序列；

根据所述目标浏览产品序列，对所述目标推荐产品序列进行调整。

进一步的，所述系统中的所述推荐顺序二次调整模块还用于：

对所述目标推荐产品序列中的各个目标推荐产品依次进行适宜天气标记，得到多个具有适宜天气标识的目标推荐产品；

采集得到实时天气预测信息，其中，所述实时天气预测信息包括实时温度预测、实时湿度预测、实时风力预测、实时紫外线预测；

根据所述实时温度预测、所述实时湿度预测、所述实时风力预测、所述实时紫外线预测，对所述多个具有适宜天气标识的目标推荐产品进行推荐顺序调整。

进一步的，所述系统中的所述同类用户获得模块M100还用于：

获得系统用户集；

提取所述目标基础信息中的生理属性信息，其中，所述生理属性信息包括所述目标用户的年龄、性别；

根据所述目标用户的年龄、性别，对所述系统用户集进行筛选，得到生理同类用户集；

提取所述目标基础信息中的社会属性信息，其中，所述社会属性信息包括所述目标用户的行业、工作类型；

根据所述目标用户的行业、工作类型，对所述生理同类用户集进行筛选，得到生理社会同类用户集；

提取所述目标基础信息中的个性属性信息，其中，所述社会属性信息包括所述目标用户的特殊角色、爱好、审美；

根据所述目标用户的特殊角色、爱好、审美，对所述生理社会同类用户集进行筛选，得到生理社会个性同类用户集；

将所述生理社会个性同类用户集作为所述同类用户集。

进一步的，所述系统中的所述智能筛选模块M600还用于：

提取所述推荐产品组降序列表中任意一个推荐产品组；

构建所述智能筛选模型，其中，所述智能筛选模型包括剔除近期已入处理层、剔除明显异常处理层；

根据所述目标历史网购记录，分析得到所述目标用户的近期入手产品集；

基于所述近期入手产品集，利用所述剔除近期已入处理层对任意一个所述推荐产品组进行产品剔除处理，得到剔除近期已入结果；

基于所述目标基础信息，利用所述剔除明显异常处理层对所述剔除近期已入结果进行产品剔除处理，得到剔除明显异常结果；

将所述剔除明显异常结果作为任意一个所述推荐产品组的筛选结果。

进一步的，所述系统还包括推荐产品扩充模块，其中，所述推荐产品扩充模块用于：

获得所述目标推荐产品集中的目标推荐产品数量；

判断所述目标推荐产品数量是否满足预设推荐阈值；

若所述目标推荐产品数量不满足所述预设推荐阈值，采集所述目标推荐产品集的目标推荐产品特征；

基于所述目标推荐产品特征，对所述目标推荐产品集进行扩充。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，前述图1实施例一中的一种基于人工智能的电子商务平台商品智能推荐管理方法和具体实例同样适用于本实施例的一种基于人工智能的电子商务平台商品智能推荐管理系统，通过前述对一种基于人工智能的电子商务平台商品智能推荐管理方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于人工智能的电子商务平台商品智能推荐管理系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种基于人工智能的电子商务平台商品智能推荐管理方法，其特征在于，包括：

采集目标用户的目标基础信息，并根据所述目标基础信息遍历得到同类用户集，其中，所述同类用户集包括所述目标用户的多个同类用户；

依次获得所述目标用户的目标历史网购记录、所述多个同类用户的多个历史网购记录；

对所述多个历史网购记录依次进行分析，得到多个推荐产品组；

将所述目标历史网购记录与所述多个历史网购记录依次进行对比分析，得到多个相似性指数，并降序得到相似性指数降序列表；

根据所述多个推荐产品组与所述多个相似性指数之间的映射关系，结合所述相似性指数降序列表，反向匹配得到推荐产品组降序列表；

构建智能筛选模型，并通过所述智能筛选模型对所述推荐产品组降序列表中各个推荐产品组依次进行筛选，得到多个筛选结果；

基于所述多个筛选结果组成目标推荐产品集，并将所述目标推荐产品集推送至所述目标用户。

2.如权利要求1所述的方法，其特征在于，还包括：

提取所述目标历史网购记录中的目标历史搜索记录；

根据所述目标历史搜索记录组建目标搜索关键词集，其中，所述目标搜索关键词集包括多个具有搜索时间标识的目标搜索关键词；

对所述多个具有搜索时间标识的目标搜索关键词按照搜索时间由近及远的顺序进行排列，得到目标搜索关键词序列；

根据所述目标搜索关键词序列，对所述目标推荐产品集中各个目标推荐产品进行推荐顺序调整，并得到目标推荐产品序列。

3.如权利要求2所述的方法，其特征在于，还包括：

提取所述目标历史网购记录中的目标历史浏览记录，其中，所述目标历史浏览记录包括多个具有浏览时长标识的目标浏览产品；

对所述多个具有浏览时长标识的目标浏览产品按照浏览时长由长到短的顺序进行排列，得到目标浏览产品序列；

根据所述目标浏览产品序列，对所述目标推荐产品序列进行调整。

4.如权利要求3所述的方法，其特征在于，在所述根据所述目标浏览产品序列，对所述目标推荐产品序列进行调整之前，还包括：

对所述目标推荐产品序列中的各个目标推荐产品依次进行适宜天气标记，得到多个具有适宜天气标识的目标推荐产品；

采集得到实时天气预测信息，其中，所述实时天气预测信息包括实时温度预测、实时湿度预测、实时风力预测、实时紫外线预测；

根据所述实时温度预测、所述实时湿度预测、所述实时风力预测、所述实时紫外线预测，对所述多个具有适宜天气标识的目标推荐产品进行推荐顺序调整。

5.如权利要求1所述的方法，其特征在于，所述根据所述目标基础信息遍历得到同类用户集，包括：

获得系统用户集；

提取所述目标基础信息中的生理属性信息，其中，所述生理属性信息包括所述目标用户的年龄、性别；

根据所述目标用户的年龄、性别，对所述系统用户集进行筛选，得到生理同类用户集；

提取所述目标基础信息中的社会属性信息，其中，所述社会属性信息包括所述目标用户的行业、工作类型；

根据所述目标用户的行业、工作类型，对所述生理同类用户集进行筛选，得到生理社会同类用户集；

提取所述目标基础信息中的个性属性信息，其中，所述社会属性信息包括所述目标用户的特殊角色、爱好、审美；

根据所述目标用户的特殊角色、爱好、审美，对所述生理社会同类用户集进行筛选，得到生理社会个性同类用户集；

将所述生理社会个性同类用户集作为所述同类用户集。

6.如权利要求1所述的方法，其特征在于，所述通过所述智能筛选模型对所述推荐产品组降序列表中各个推荐产品组依次进行筛选，包括：

提取所述推荐产品组降序列表中任意一个推荐产品组；

构建所述智能筛选模型，其中，所述智能筛选模型包括剔除近期已入处理层、剔除明显异常处理层；

根据所述目标历史网购记录，分析得到所述目标用户的近期入手产品集；

基于所述近期入手产品集，利用所述剔除近期已入处理层对任意一个所述推荐产品组进行产品剔除处理，得到剔除近期已入结果；

基于所述目标基础信息，利用所述剔除明显异常处理层对所述剔除近期已入结果进行产品剔除处理，得到剔除明显异常结果；

将所述剔除明显异常结果作为任意一个所述推荐产品组的筛选结果。

7.如权利要求1所述的方法，其特征在于，还包括：

获得所述目标推荐产品集中的目标推荐产品数量；

判断所述目标推荐产品数量是否满足预设推荐阈值；

若所述目标推荐产品数量不满足所述预设推荐阈值，采集所述目标推荐产品集的目标推荐产品特征；

基于所述目标推荐产品特征，对所述目标推荐产品集进行扩充。

8.一种基于人工智能的电子商务平台商品智能推荐管理系统，其特征在于，所述系统应用于权利要求1-7任一所述方法的步骤，所述系统包括：

同类用户获得模块，所述同类用户获得模块用于采集目标用户的目标基础信息，并根据所述目标基础信息遍历得到同类用户集，其中，所述同类用户集包括所述目标用户的多个同类用户；

网购记录获得模块，所述网购记录获得模块用于依次获得所述目标用户的目标历史网购记录、所述多个同类用户的多个历史网购记录；

推荐产品组获得模块，所述推荐产品组获得模块用于对所述多个历史网购记录依次进行分析，得到多个推荐产品组；

对比分析模块，所述对比分析模块用于将所述目标历史网购记录与所述多个历史网购记录依次进行对比分析，得到多个相似性指数，并降序得到相似性指数降序列表；

降序列表获得模块，所述降序列表获得模块用于根据所述多个推荐产品组与所述多个相似性指数之间的映射关系，结合所述相似性指数降序列表，反向匹配得到推荐产品组降序列表；

智能筛选模块，所述智能筛选模块用于构建智能筛选模型，并通过所述智能筛选模型对所述推荐产品组降序列表中各个推荐产品组依次进行筛选，得到多个筛选结果；

推送执行模块，所述推送执行模块用于基于所述多个筛选结果组成目标推荐产品集，并将所述目标推荐产品集推送至所述目标用户。

Images