CN115511582B - 一种基于人工智能的商品推荐系统及方法 - Google Patents

Abstract

本发明提出一种基于人工智能的商品推荐系统及方法，首先根据所述商品基本数据、所述卖家数据、所述正面评价数据、所述负面评价数据和所述中性评价数据，结合商品画像生成模型得到所述多个商品各自的商品画像模型；再根据第一用户的用户特征，得到第一用户的角色特征和第一人物画像，获取第一用户所处家庭的第一家庭画像和/或第一用户所处社会组织的第一组织画像；根据第一人物画像和/或第一家庭画像和/或第一组织画像，从商品画像模型中选择对应的第一商品画像模型；最后，将第一商品画像模型对应的商品推荐给所述第一用户。本发明从多个因素对商品和用户进行综合衡量，提供更合理更能贴合用户需求的商品给用户选择，提高了用户的购物体验。

Description

一种基于人工智能的商品推荐系统及方法

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的商品推荐系统及方法。

背景技术

近年来随着计算机技术和互联网技术的不断进步，电子商务也得到不断的发展，用户通过网上购物平台可以很快找到自己想要的商品，因此，网上购物也越来越深入大众生活。目前，网上购物平台的推荐系统可以根据用户历史浏览信息、历史购买记录向用户推荐相关的商品，但是这种推荐方案并不能准确地预测用户的真实购物需求，比如用户为公司采购就不能完全按用户个人的历史数据进行推荐，再比如用户在短期内不再可能购买已购商品，因而已购商品的推荐就不符合用户的真实需求，这些情况都会极大地影响用户体验，从而影响用户对相应推荐系统乃至网站的依赖程度。

发明内容

本发明正是基于上述问题，提出了一种基于人工智能的商品推荐系统及方法，通过本发明的方案，从多个因素对商品和用户进行综合衡量，提供更合理更能贴合用户需求的商品给用户选择，提高了用户的购物体验。

有鉴于此，本发明的一方面提出了一种基于人工智能的商品推荐系统，包括：输入模块、搜索模块、获取模块和所述处理模块；其中，

所述输入模块被配置为：接收第一用户输入的搜索内容；

所述搜索模块被配置为：根据所述搜索内容确定与其对应的多个商品；

所述获取模块被配置为：获取所述多个商品的商品基本数据以及所述多个商品各自对应的卖家数据；以及获取所述多个商品对应的且包含买家标识的买家数据以及所述买家标识对应的评价数据；

所述处理模块被配置为：

将所述评价数据按所述买家标识和所述评价数据提交的时间进行编号，得到第一评价数据；

对所述第一评价数据进预处理得到第二评价数据；

利用关键词识别算法从所述第二评价数据中提取出主题关键词并生成第三评价数据；

将所述第三评价数据分成正面评价数据、负面评价数据和中性评价数据；

根据所述商品基本数据、所述卖家数据、所述正面评价数据、所述负面评价数据和所述中性评价数据，得到所述多个商品各自的商品画像模型；

获取所述第一用户的用户特征；

根据所述用户特征得到所述第一用户的角色特征和第一人物画像；

根据所述角色特征获取所述第一用户所处家庭的第一家庭画像和所述第一用户所处社会组织的第一组织画像；

根据所述第一人物画像和/或所述第一家庭画像和/或所述第一组织画像，从所述商品画像模型中选择对应的第一商品画像模型；以及，

将所述第一商品画像模型对应的商品推荐给所述第一用户。

可选地，所述获取模块还被配置为：采集所述第一商品的同类商品和/或相似类别商品的参考商品评价数据；

所述处理模块被配置为：

从所述参考商品评价数据中提取出参考主题；

将所述参考主题输入预先训练好的评价分类器，得到正面参考评价数据、负面参考评价数据和中性参考评价数据；以及，

将所述正面参考评价数据、所述负面参考评价数据和所述中性参考评价数据分别作为训练数据对卷积神经网络进行训练，得到正面评价值计算模型、负面评价值计算模型和中性评价值计算模型。

可选地，在所述利用关键词识别算法从所述第二评价数据中提取出主题关键词并生成第三评价数据的操作中，所述处理模块具体被配置为：

利用关键词识别算法从所述第二评价数据中提取出所述主题关键词；

将所述主题关键词输入所述预先训练好的评价分类器，得到正面评价数据、负面评价数据和中性评价数据；

将所述正面评价数据、所述负面评价数据和所述中性评价数据作为第三评价数据。

本发明的另一方面提供一种基于人工智能的商品推荐方法，所述方法包括：

接收第一用户输入的搜索内容；

根据所述搜索内容确定与其对应的多个商品；

获取所述多个商品的商品基本数据以及所述多个商品各自对应的卖家数据；

获取所述多个商品对应的且包含买家标识的买家数据以及所述买家标识对应的评价数据；

将所述评价数据按所述买家标识和所述评价数据提交的时间进行编号，得到第一评价数据；

对所述第一评价数据进预处理得到第二评价数据；

利用关键词识别算法从所述第二评价数据中提取出主题关键词并生成第三评价数据；

将所述第三评价数据分成正面评价数据、负面评价数据和中性评价数据；

根据所述商品基本数据、所述卖家数据、所述正面评价数据、所述负面评价数据和所述中性评价数据，得到所述多个商品各自的商品画像模型；

获取所述第一用户的用户特征；

根据所述用户特征得到所述第一用户的角色特征和第一人物画像；

根据所述角色特征获取所述第一用户所处家庭的第一家庭画像和所述第一用户所处社会组织的第一组织画像；

根据所述第一人物画像和/或所述第一家庭画像和/或所述第一组织画像，从所述商品画像模型中选择对应的第一商品画像模型；

将所述第一商品画像模型对应的商品推荐给所述第一用户。

可选地，所述方法还包括：

采集所述第一商品的同类商品和/或相似类别商品的参考商品评价数据；

从所述参考商品评价数据中提取出参考主题；

将所述参考主题输入预先训练好的评价分类器，得到正面参考评价数据、负面参考评价数据和中性参考评价数据；

将所述正面参考评价数据、所述负面参考评价数据和所述中性参考评价数据分别作为训练数据对卷积神经网络进行训练，得到正面评价值计算模型、负面评价值计算模型和中性评价值计算模型。

可选地，所述利用关键词识别算法从所述第二评价数据中提取出主题关键词并生成第三评价数据的步骤，包括：

利用关键词识别算法从所述第二评价数据中提取出所述主题关键词；

将所述主题关键词输入所述预先训练好的评价分类器，得到正面评价数据、负面评价数据和中性评价数据；

将所述正面评价数据、所述负面评价数据和所述中性评价数据作为第三评价数据。

可选地，所述根据所述商品基本数据、所述卖家数据、所述正面评价数据、所述负面评价数据和所述中性评价数据，得到所述多个商品各自的商品画像模型的步骤，包括：

分别从所述所述正面评价数据、所述负面评价数据和所述中性评价数据得到所述多个商品各自对应的正面评价标签、负面评价标签和中性评价标签；

分别将所述多个商品各自对应的所述正面评价数据、所述负面评价数据和所述中性评价数据分别输入所述正面评价值计算模型、所述负面评价值计算模型和所述中性评价值计算模型，得到正面评价值、负面评价值和中性评价值；

从所述商品基本数据中提取出所述多个商品各自对应的基本属性标签；

从所述卖家数据提取得到所述多个商品各自对应的销量值标签、卖家评价标签和卖家评价值标签；

分别将所述多个商品各自对应的所述正面评价标签、所述负面评价标签、所述中性评价标签、所述正面评价值、所述负面评价值、所述中性评价值、所述基本属性标签、所述销量值标签、所述卖家评价标签和所述卖家评价值标签输入预设的商品画像生成模型，得到所述多个商品各自的商品画像模型。

可选地，所述分别将所述多个商品各自对应的所述正面评价数据、所述负面评价数据和所述中性评价数据分别输入所述正面评价值计算模型、所述负面评价值计算模型和所述中性评价值计算模型，得到正面评价值、负面评价值和中性评价值的步骤，包括：

所述正面评价值计算模型、所述负面评价值计算模型和所述中性评价值计算模型分别对所述正面评价数据、所述负面评价数据和所述中性评价数据进行处理，统计所述正面评价数据中各正面关键词出现的次数、所述负面评价数据中各负面关键词出现的次数、所述中性评价数据中各中性关键词出现的次数，进一步计算出所述各正面关键词、所述各负面关键词和所述各中性关键词在所述正面评价数据、所述负面评价数据和所述中性评价数据组成的总数据中出现的频率，按频率高低分别对所述各正面关键词、所述各负面关键词和所述各中性关键词赋予从大到小的倾向权重值，其中，所述各正面关键词、所述各负面关键词和所述各中性关键词均与其对应的所述评价标识符建立对应关系；

结合所述评价标识符，统计所述第一评价数据中每条评价中所述各正面关键词、所述各负面关键词和所述各中性关键词所占的比例，并结合所述倾向权重值计算出所述每条评价的对应的所述正面评价值、所述负面评价值和所述中性评价值。

可选地，所述根据所述角色特征获取所述第一用户所处家庭的第一家庭画像和所述第一用户所处社会组织的第一组织画像的步骤，包括：

根据所述角色特征获取所述第一用户的家庭关系数据和社会关系数据；

根据所述家庭关系数据获取所述第一用户的家庭成员的特征数据，并结合所述第一用户的用户特征，得到所述第一家庭画像；

根据所述社会关系数据得到所述第一用户所处社会组织的组织特征数据和组织成员的特征数据，并结合所述第一用户的用户特征，得到所述第一组织画像。

可选地，所述根据所述第一人物画像和/或所述第一家庭画像和/或所述第一组织画像，从所述商品画像模型中选择对应的第一商品画像模型的步骤，包括：

获取所述第一用户输入所述搜索内容的时间数据和位置数据；

根据所述时间数据和所述位置数据，结合根据所述第一用户的历史购物行为数据得到的购物行为模型，从所述第一人物画像、所述第一家庭画像、所述第一组织画像选择至少一个作为当前消费者画像；

从所述消费者画像中提取消费者标签信息；

分别从各个所述商品画像模型中提取商品标签信息与所述消费者标签信息进行匹配并计算匹配度，选择出匹配度大于预设匹配度的所有所述商品标签信息对应的商品画像模型作为所述第一商品画像模型。

采用本发明的技术方案，在提取出正面评价数据、负面评价数据和中性评价数据后，根据所述商品基本数据、所述卖家数据、所述正面评价数据、所述负面评价数据和所述中性评价数据，结合预先训练好的商品画像生成模型，得到所述多个商品各自的商品画像模型；再根据第一用户的用户特征，得到所述第一用户的角色特征和第一人物画像，进而获取所述第一用户所处家庭的第一家庭画像和/或所述第一用户所处社会组织的第一组织画像；根据所述第一人物画像和/或所述第一家庭画像和/或所述第一组织画像，从所述商品画像模型中选择对应的第一商品画像模型；将所述第一商品画像模型对应的商品推荐给所述第一用户。本发明的实施例，从多个因素对商品和用户进行综合衡量，提供更合理更能贴合用户需求的商品给用户选择，提高了用户的购物体验。

附图说明

图1是本发明一个实施例提供的基于人工智能的商品推荐系统的示意框图；

图2是本发明一个实施例提供的基于人工智能的商品推荐方法流程图；

图3是本发明另一个实施例提供的基于人工智能的商品推荐方法流程图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

下面参照图1至图3来描述根据本发明一些实施方式提供的一种基于人工智能的商品推荐系统及方法。

如图1所示，本发明一个实施例提供一种基于人工智能的商品推荐系统，包括：输入模块、搜索模块、获取模块和所述处理模块；其中，

所述输入模块被配置为：接收第一用户输入的搜索内容；

所述搜索模块被配置为：根据所述搜索内容确定与其对应的多个商品；

所述获取模块被配置为：获取所述多个商品的商品基本数据以及所述多个商品各自对应的卖家数据；以及获取所述多个商品对应的且包含买家标识的买家数据以及所述买家标识对应的评价数据；

所述处理模块被配置为：

将所述评价数据按所述买家标识和所述评价数据提交的时间进行编号，得到第一评价数据；

对所述第一评价数据进预处理得到第二评价数据；

利用关键词识别算法从所述第二评价数据中提取出主题关键词并生成第三评价数据；

将所述第三评价数据分成正面评价数据、负面评价数据和中性评价数据；

根据所述商品基本数据、所述卖家数据、所述正面评价数据、所述负面评价数据和所述中性评价数据，得到所述多个商品各自的商品画像模型；

获取所述第一用户的用户特征；

根据所述用户特征得到所述第一用户的角色特征和第一人物画像；

根据所述角色特征获取所述第一用户所处家庭的第一家庭画像和所述第一用户所处社会组织的第一组织画像；

根据所述第一人物画像和/或所述第一家庭画像和/或所述第一组织画像，从所述商品画像模型中选择对应的第一商品画像模型；以及，

将所述第一商品画像模型对应的商品推荐给所述第一用户。

可以理解的是，商品基本数据包括但不限于商品类别、商品功能、商品材质、商品生产信息、商品销量数据、商品库存数据、评测数据等。

所述卖家数据包括但不限于卖家工商数据、卖家网上店铺注册数据、卖家服务评价数据、卖家物流数据等。

所述买家数据包括但不限于买家标识、身份信息、在线行为数据等。

对所述第一评价数据进行预处理包括但不限于分类(如分成名词、动词、形容词、副词、量词等)与清洗(如去掉无意义的符号、动词等)，得到第二评价数据。

所述评价标识符的数据结构可以是买家标识加上评价提交的日期和时间数据等，因买家标识具有唯一性，故评价标识符也具有唯一性，在后续对第一评价数据或由第一评价数据产生的其他数据进行处理和/或分析的过程中，利用评价标识符进行标识，方便数据的分析、统计，如提取关键词时，可以利用评价标识符标记关键词，以表明关键词来源于哪条评价。

所述用户特征包括但不限于用户编号、性别、年龄、性格特征、婚姻状况、职业、从业单位、教育程度、兴趣爱好、用户购物地点、用户购物时间、交互产品编号和交互行为，所述交互行为包括点击产品、浏览、访问频次、收藏、添加到购物车、收藏、购买、分享、退货、换货、投诉、退款、评论、刷卡等。根据用户特征利用已训练好的人物画像生成模型即可生成所述第一用户的第一人物画像。

应该说明的是，用户在购买商品时，会要考虑的因素包括但不限于商品销量、卖家服务质量、商品质量、其他买家对商品的评价等。本发明的实施例在提取出正面评价数据、负面评价数据和中性评价数据后，根据所述商品基本数据、所述卖家数据、所述正面评价数据、所述负面评价数据和所述中性评价数据，结合预先训练好的商品画像生成模型，得到所述多个商品各自的商品画像模型；再根据第一用户的用户特征，得到所述第一用户的角色特征和第一人物画像，进而获取所述第一用户所处家庭的第一家庭画像和/或所述第一用户所处社会组织的第一组织画像；根据所述第一人物画像和/或所述第一家庭画像和/或所述第一组织画像，从所述商品画像模型中选择对应的第一商品画像模型；将所述第一商品画像模型对应的商品推荐给所述第一用户。本发明的实施例，从多个因素对商品和用户进行综合衡量，提供更合理更能贴合用户需求的商品给用户选择，提高了用户的购物体验。

应当知道的是，图1所示的基于人工智能的商品推荐系统的框图仅作示意，其所示出的各模块的数量并不对本发明的保护范围进行限定。

在本发明一些可能的实施方式中，所述获取模块还被配置为：采集所述第一商品的同类商品和/或相似类别商品的参考商品评价数据；

所述处理模块被配置为：

从所述参考商品评价数据中提取出参考主题；

将所述参考主题输入预先训练好的评价分类器，得到正面参考评价数据、负面参考评价数据和中性参考评价数据；以及，

将所述正面参考评价数据、所述负面参考评价数据和所述中性参考评价数据分别作为训练数据对卷积神经网络进行训练，得到正面评价值计算模型、负面评价值计算模型和中性评价值计算模型。

可以理解的是，为了精准的区别出评价数据中的正面内容、负面内容和中性内容，在本实施例中，所述评价分类器可以利用现有的正面评价词库、负面评价词库和中性评价词库对第一卷积神经网络训练而得。

所述正面评价值计算模型、所述负面评价值计算模型和所述中性评价值计算模型，可以利用所述正面参考评价数据、所述负面参考评价数据和所述中性参考评价数据分别对设计有统计分析功能的第二卷积神经网络进行训练得到。

在本发明一些可能的实施方式中，在所述利用关键词识别算法从所述第二评价数据中提取出主题关键词并生成第三评价数据的操作中，所述处理模块具体被配置为：

利用关键词识别算法从所述第二评价数据中提取出所述主题关键词；

将所述主题关键词输入所述预先训练好的评价分类器，得到正面评价数据、负面评价数据和中性评价数据；

将所述正面评价数据、所述负面评价数据和所述中性评价数据作为第三评价数据。

可以理解的是，利用训练好的评价分类器，将所述主题关键词输入所述预先训练好的评价分类器，得到正面评价数据、负面评价数据和中性评价数据，可以为后续的精准分析提供便利。

应当说明的是，本发明的实施例中，评价分类器可以通过如下方式得到：将已分类好的正面评价训练数据集、负面评价训练数据集、中性评价训练数据集分别作为输入值发送至输入层，所述输入层与初始层通过矩阵运算建立连接；所述初始层得出第一输出结果，并将所述第一输出结果进行激活，得到第二输出结果，将激活后的第二输出结果发送至模拟输出层；所述模拟输出层通过矩阵计算得出模拟输出值，并将所述模拟输出值输入二次初始层；所述二次初始层通过矩阵计算得出验证输出结果；将所述输入层的所述输入值与二次初始层进行数据连接；所述二次初始层通过矩阵计算得出二次输出结果，将二次输出结果与验证输出结果发送至验证系数层进行验证，并得出正规化系数；将所述正规化系数与模拟输出值发送至输出层，所述输出层对模拟输出值进行正规化处理，得到拟态结果；收集正反馈和/或逆反馈信息；根据所述正反馈和/或所述逆反馈信息对所述拟态结果进行学习修正，生成所述评价分类器。

请参见图2，本发明的另一实施例提供一种基于人工智能的商品推荐方法，所述方法包括：

接收第一用户输入的搜索内容；

根据所述搜索内容确定与其对应的多个商品；

获取所述多个商品的商品基本数据以及所述多个商品各自对应的卖家数据；

获取所述多个商品对应的且包含买家标识的买家数据以及所述买家标识对应的评价数据；

将所述评价数据按所述买家标识和所述评价数据提交的时间进行编号，得到第一评价数据；

对所述第一评价数据进预处理得到第二评价数据；

利用关键词识别算法从所述第二评价数据中提取出主题关键词并生成第三评价数据；

将所述第三评价数据分成正面评价数据、负面评价数据和中性评价数据；

根据所述商品基本数据、所述卖家数据、所述正面评价数据、所述负面评价数据和所述中性评价数据，得到所述多个商品各自的商品画像模型；

获取所述第一用户的用户特征；

根据所述用户特征得到所述第一用户的角色特征和第一人物画像；

根据所述角色特征获取所述第一用户所处家庭的第一家庭画像和所述第一用户所处社会组织的第一组织画像；

根据所述第一人物画像和/或所述第一家庭画像和/或所述第一组织画像，从所述商品画像模型中选择对应的第一商品画像模型；

将所述第一商品画像模型对应的商品推荐给所述第一用户。

可以理解的是，商品基本数据包括但不限于商品类别、商品功能、商品材质、商品生产信息、商品销量数据、商品库存数据、评测数据等。

所述卖家数据包括但不限于卖家工商数据、卖家网上店铺注册数据、卖家服务评价数据、卖家物流数据等。

所述买家数据包括但不限于买家标识、身份信息、在线行为数据等。

对所述第一评价数据进行预处理包括但不限于分类(如分成名词、动词、形容词、副词、量词等)与清洗(如去掉无意义的符号、动词等)，得到第二评价数据。

所述评价标识符的数据结构可以是买家标识加上评价提交的日期和时间数据等，因买家标识具有唯一性，故评价标识符也具有唯一性，在后续对第一评价数据或由第一评价数据产生的其他数据进行处理和/或分析的过程中，利用评价标识符进行标识，方便数据的分析、统计，如提取关键词时，可以利用评价标识符标记关键词，以表明关键词来源于哪条评价。

所述用户特征包括但不限于用户编号、性别、年龄、性格特征、婚姻状况、职业、从业单位、教育程度、兴趣爱好、用户购物地点、用户购物时间、交互产品编号和交互行为，所述交互行为包括点击产品、浏览、访问频次、收藏、添加到购物车、收藏、购买、分享、退货、换货、投诉、退款、评论、刷卡等。根据用户特征利用已训练好的人物画像生成模型即可生成所述第一用户的第一人物画像。

应该说明的是，用户在购买商品时，会要考虑的因素包括但不限于商品销量、卖家服务质量、商品质量、其他买家对商品的评价等。本发明的实施例在提取出正面评价数据、负面评价数据和中性评价数据后，根据所述商品基本数据、所述卖家数据、所述正面评价数据、所述负面评价数据和所述中性评价数据，结合预先训练好的商品画像生成模型，得到所述多个商品各自的商品画像模型；再根据第一用户的用户特征，得到所述第一用户的角色特征和第一人物画像，进而获取所述第一用户所处家庭的第一家庭画像和/或所述第一用户所处社会组织的第一组织画像；根据所述第一人物画像和/或所述第一家庭画像和/或所述第一组织画像，从所述商品画像模型中选择对应的第一商品画像模型；将所述第一商品画像模型对应的商品推荐给所述第一用户。本发明的实施例，从多个因素对商品和用户进行综合衡量，提供更合理更能贴合用户需求的商品给用户选择，提高了用户的购物体验。

请参见图3，在本发明一些可能的实施方式中，所述方法还包括：

采集所述第一商品的同类商品和/或相似类别商品的参考商品评价数据；

从所述参考商品评价数据中提取出参考主题；

将所述参考主题输入预先训练好的评价分类器，得到正面参考评价数据、负面参考评价数据和中性参考评价数据；

将所述正面参考评价数据、所述负面参考评价数据和所述中性参考评价数据分别作为训练数据对卷积神经网络进行训练，得到正面评价值计算模型、负面评价值计算模型和中性评价值计算模型。

可以理解的是，为了精准的区别出评价数据中的正面内容、负面内容和中性内容，在本实施例中，所述评价分类器可以利用现有的正面评价词库、负面评价词库和中性评价词库对第一卷积神经网络训练而得。

所述正面评价值计算模型、所述负面评价值计算模型和所述中性评价值计算模型，可以利用所述正面参考评价数据、所述负面参考评价数据和所述中性参考评价数据分别对设计有统计分析功能的第二卷积神经网络进行训练得到。

在本发明一些可能的实施方式中，所述利用关键词识别算法从所述第二评价数据中提取出主题关键词并生成第三评价数据的步骤，包括：

利用关键词识别算法从所述第二评价数据中提取出所述主题关键词；

将所述主题关键词输入所述预先训练好的评价分类器，得到正面评价数据、负面评价数据和中性评价数据；

将所述正面评价数据、所述负面评价数据和所述中性评价数据作为第三评价数据。

可以理解的是，利用训练好的评价分类器，将所述主题关键词输入所述预先训练好的评价分类器，得到正面评价数据、负面评价数据和中性评价数据，可以为后续的精准分析提供便利。

应当说明的是，本发明的实施例中，评价分类器可以通过如下方式得到：将已分类好的正面评价训练数据集、负面评价训练数据集、中性评价训练数据集分别作为输入值发送至输入层，所述输入层与初始层通过矩阵运算建立连接；所述初始层得出第一输出结果，并将所述第一输出结果进行激活，得到第二输出结果，将激活后的第二输出结果发送至模拟输出层；所述模拟输出层通过矩阵计算得出模拟输出值，并将所述模拟输出值输入二次初始层；所述二次初始层通过矩阵计算得出验证输出结果；将所述输入层的所述输入值与二次初始层进行数据连接；所述二次初始层通过矩阵计算得出二次输出结果，将二次输出结果与验证输出结果发送至验证系数层进行验证，并得出正规化系数；将所述正规化系数与模拟输出值发送至输出层，所述输出层对模拟输出值进行正规化处理，得到拟态结果；收集正反馈和/或逆反馈信息；根据所述正反馈和/或所述逆反馈信息对所述拟态结果进行学习修正，生成所述评价分类器。

在本发明一些可能的实施方式中，所述根据所述商品基本数据、所述卖家数据、所述正面评价数据、所述负面评价数据和所述中性评价数据，得到所述多个商品各自的商品画像模型的步骤，包括：

分别从所述所述正面评价数据、所述负面评价数据和所述中性评价数据得到所述多个商品各自对应的正面评价标签、负面评价标签和中性评价标签；

分别将所述多个商品各自对应的所述正面评价数据、所述负面评价数据和所述中性评价数据分别输入所述正面评价值计算模型、所述负面评价值计算模型和所述中性评价值计算模型，得到正面评价值、负面评价值和中性评价值；

从所述商品基本数据中提取出所述多个商品各自对应的基本属性标签；

从所述卖家数据提取得到所述多个商品各自对应的销量值标签、卖家评价标签和卖家评价值标签；

分别将所述多个商品各自对应的所述正面评价标签、所述负面评价标签、所述中性评价标签、所述正面评价值、所述负面评价值、所述中性评价值、所述基本属性标签、所述销量值标签、所述卖家评价标签和所述卖家评价值标签输入预设的商品画像生成模型，得到所述多个商品各自的商品画像模型。

可以理解的是，在本实施例中，在预设的商品画像生成模型中设定了所述正面评价标签、所述负面评价标签、所述中性评价标签、所述正面评价值、所述负面评价值、所述中性评价值、所述基本属性标签、所述销量值标签、所述卖家评价标签和所述卖家评价值标签在不同情景下的权重值，当同时输入了情景数据时，可以选择情景数据对应的权重值进行计算，得到对应商品的核心标签集；当没输入情景数据时，可以使用默认权重值进行计算，得到对应商品的核心标签集；利用核心标签集创建对应商品的商品画像模型。通过本实施例，利用预设的商品画像生成模型，将销量、对卖家的评价、对商品的评价综合分析得到对商品多维度的画像，能更好地将商品推荐给需要的用户。

在本发明一些可能的实施方式中，所述分别将所述多个商品各自对应的所述正面评价数据、所述负面评价数据和所述中性评价数据分别输入所述正面评价值计算模型、所述负面评价值计算模型和所述中性评价值计算模型，得到正面评价值、负面评价值和中性评价值的步骤，包括：

所述正面评价值计算模型、所述负面评价值计算模型和所述中性评价值计算模型分别对所述正面评价数据、所述负面评价数据和所述中性评价数据进行处理，统计所述正面评价数据中各正面关键词出现的次数、所述负面评价数据中各负面关键词出现的次数、所述中性评价数据中各中性关键词出现的次数，进一步计算出所述各正面关键词、所述各负面关键词和所述各中性关键词在所述正面评价数据、所述负面评价数据和所述中性评价数据组成的总数据中出现的频率，按频率高低分别对所述各正面关键词、所述各负面关键词和所述各中性关键词赋予从大到小的倾向权重值，其中，所述各正面关键词、所述各负面关键词和所述各中性关键词均与其对应的所述评价标识符建立对应关系；

结合所述评价标识符，统计所述第一评价数据中每条评价中所述各正面关键词、所述各负面关键词和所述各中性关键词所占的比例，并结合所述倾向权重值计算出所述每条评价的对应的所述正面评价值、所述负面评价值和所述中性评价值。

可以理解的是，本实施例中，通过对每一条评价中的所述各正面关键词、所述各负面关键词和所述各中性关键词所占的比例进行统计，并结合所述倾向权重值计算出所述每条评价中的对应的所述正面评价值、所述负面评价值和所述中性评价值，从而可以对于每条评价的决策价值进行判断与计算，如评价A的正面评价值为80、负面评价值为-20，中性评价值为5，则评价A的整体评价值为65。再利用所有评价的评价值进行统计分析，即可得到商品的对应的核心评价，从而方便对商品进行推荐。

在本发明一些可能的实施方式中，所述根据所述角色特征获取所述第一用户所处家庭的第一家庭画像和所述第一用户所处社会组织的第一组织画像的步骤，包括：

根据所述角色特征获取所述第一用户的家庭关系数据和社会关系数据；

根据所述家庭关系数据获取所述第一用户的家庭成员的特征数据，并结合所述第一用户的用户特征，得到所述第一家庭画像；

根据所述社会关系数据得到所述第一用户所处社会组织的组织特征数据和组织成员的特征数据，并结合所述第一用户的用户特征，得到所述第一组织画像。

可以理解的是，可以从用户的角色特征得到其家庭关系数据和社会关系数据，进一步获取其家庭成员的特征数据和所处社会组织(如公司、单位等)的组织特征数据和组织成员的特征数据，从而可以得到对应的第一家庭画像、第一组织画像，如此即可根据用户为个人购物、为家庭购物或为组织购物时，提供能满足不同需求的推荐方案。

应当说明的是，本发明的实施例中，各种画像模型可以是对神经网络训练生成，神经网络可以是BP神经网络，也可以是其他神经网络，本实施例中以BP神经网络为例进行讲述训练神经网络的大致过程：基本BP算法包括信号的前向传播和误差的反向传播两个过程，即计算误差输出时按从输入到输出的方向进行，而调整权值和阈值则从输出到输入的方向进行。正向传播时，输入信号通过隐含层作用于输出节点，经过非线性变换，产生输出信号，若实际输出与期望输出不相符，则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传，并将误差分摊给各层所有单元，以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。

在本发明一些可能的实施方式中，所述根据所述第一人物画像和/或所述第一家庭画像和/或所述第一组织画像，从所述商品画像模型中选择对应的第一商品画像模型的步骤，包括：

获取所述第一用户输入所述搜索内容的时间数据和位置数据；

根据所述时间数据和所述位置数据，结合根据所述第一用户的历史购物行为数据得到的购物行为模型，从所述第一人物画像、所述第一家庭画像、所述第一组织画像选择至少一个作为当前消费者画像；

从所述消费者画像中提取消费者标签信息；

分别从各个所述商品画像模型中提取商品标签信息与所述消费者标签信息进行匹配并计算匹配度，选择出匹配度大于预设匹配度的所有所述商品标签信息对应的商品画像模型作为所述第一商品画像模型。

可以理解的是，在不同的时间和/或地点，用户购物时的角色可能不同，根据历史购物行为数据，可以确定用户在当前时间和/或地点所对应的角色，从而可以从所述第一人物画像、所述第一家庭画像、所述第一组织画像选择至少一个作为当前消费者画像，从所述消费者画像中提取消费者标签信息，再与各个商品画像模型中提取的商品标签信息进行匹配，可以得到第一商品画像模型，从而准确得到用户当前的购物需求。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可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，例如上述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元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，也可以采用软件功能单元的形式实现。

上述集成的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取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。

以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，可轻易想到变化或替换，均可作各种更动与修改，包含上述不同功能、实施步骤的组合，包含软件和硬件的实施方式，均在本发明的保护范围。

Claims (10)

1.一种基于人工智能的商品推荐系统，其特征在于，包括：输入模块、搜索模块、获取模块和处理模块；其中，

所述输入模块被配置为：接收第一用户输入的搜索内容；

所述搜索模块被配置为：根据所述搜索内容确定与其对应的多个商品；

所述获取模块被配置为：获取所述多个商品的商品基本数据以及所述多个商品各自对应的卖家数据；以及获取所述多个商品对应的且包含买家标识的买家数据以及所述买家标识对应的评价数据；

所述处理模块被配置为：

将所述评价数据按所述买家标识和所述评价数据提交的时间进行编号，得到第一评价数据；

对所述第一评价数据进行预处理得到第二评价数据；

利用关键词识别算法从所述第二评价数据中提取出主题关键词并生成第三评价数据；

将所述第三评价数据分成正面评价数据、负面评价数据和中性评价数据；

根据所述商品基本数据、所述卖家数据、所述正面评价数据、所述负面评价数据和所述中性评价数据，得到所述多个商品各自的商品画像模型；

获取所述第一用户的用户特征；

根据所述用户特征得到所述第一用户的角色特征和第一人物画像；

根据所述角色特征获取所述第一用户所处家庭的第一家庭画像和所述第一用户所处社会组织的第一组织画像；

根据所述第一人物画像和/或所述第一家庭画像和/或所述第一组织画像，从所述商品画像模型中选择对应的第一商品画像模型；以及，

将所述第一商品画像模型对应的商品推荐给所述第一用户。

2.根据权利要求1所述的基于人工智能的商品推荐系统，其特征在于，所述获取模块还被配置为：采集所述第一商品的同类商品和/或相似类别商品的参考商品评价数据；

所述处理模块被配置为：

从所述参考商品评价数据中提取出参考主题；

将所述参考主题输入预先训练好的评价分类器，得到正面参考评价数据、负面参考评价数据和中性参考评价数据；以及，

将所述正面参考评价数据、所述负面参考评价数据和所述中性参考评价数据分别作为训练数据对卷积神经网络进行训练，得到正面评价值计算模型、负面评价值计算模型和中性评价值计算模型。

3.根据权利要求2所述的基于人工智能的商品推荐系统，其特征在于，在所述利用关键词识别算法从所述第二评价数据中提取出主题关键词并生成第三评价数据的操作中，所述处理模块具体被配置为：

利用关键词识别算法从所述第二评价数据中提取出所述主题关键词；

将所述主题关键词输入所述预先训练好的评价分类器，得到正面评价数据、负面评价数据和中性评价数据；

将所述正面评价数据、所述负面评价数据和所述中性评价数据作为第三评价数据。

4.一种基于人工智能的商品推荐方法，其特征在于，所述方法包括：

接收第一用户输入的搜索内容；

根据所述搜索内容确定与其对应的多个商品；

获取所述多个商品的商品基本数据以及所述多个商品各自对应的卖家数据；

获取所述多个商品对应的且包含买家标识的买家数据以及所述买家标识对应的评价数据；

将所述评价数据按所述买家标识和所述评价数据提交的时间进行编号，得到第一评价数据；

对所述第一评价数据进行预处理得到第二评价数据；

利用关键词识别算法从所述第二评价数据中提取出主题关键词并生成第三评价数据；

将所述第三评价数据分成正面评价数据、负面评价数据和中性评价数据；

根据所述商品基本数据、所述卖家数据、所述正面评价数据、所述负面评价数据和所述中性评价数据，得到所述多个商品各自的商品画像模型；

获取所述第一用户的用户特征；

根据所述用户特征得到所述第一用户的角色特征和第一人物画像；

根据所述角色特征获取所述第一用户所处家庭的第一家庭画像和所述第一用户所处社会组织的第一组织画像；

根据所述第一人物画像和/或所述第一家庭画像和/或所述第一组织画像，从所述商品画像模型中选择对应的第一商品画像模型；

将所述第一商品画像模型对应的商品推荐给所述第一用户。

5.根据权利要求4所述的基于人工智能的商品推荐方法，其特征在于，所述方法还包括：

采集所述第一商品的同类商品和/或相似类别商品的参考商品评价数据；

从所述参考商品评价数据中提取出参考主题；

将所述参考主题输入预先训练好的评价分类器，得到正面参考评价数据、负面参考评价数据和中性参考评价数据；

将所述正面参考评价数据、所述负面参考评价数据和所述中性参考评价数据分别作为训练数据对卷积神经网络进行训练，得到正面评价值计算模型、负面评价值计算模型和中性评价值计算模型。

6.根据权利要求5所述的基于人工智能的商品推荐方法，其特征在于，所述利用关键词识别算法从所述第二评价数据中提取出主题关键词并生成第三评价数据的步骤，包括：

利用关键词识别算法从所述第二评价数据中提取出所述主题关键词；

将所述主题关键词输入所述预先训练好的评价分类器，得到正面评价数据、负面评价数据和中性评价数据；

将所述正面评价数据、所述负面评价数据和所述中性评价数据作为第三评价数据。

7.根据权利要求6所述的基于人工智能的商品推荐方法，其特征在于，所述根据所述商品基本数据、所述卖家数据、所述正面评价数据、所述负面评价数据和所述中性评价数据，得到所述多个商品各自的商品画像模型的步骤，包括：

分别从所述正面评价数据、所述负面评价数据和所述中性评价数据得到所述多个商品各自对应的正面评价标签、负面评价标签和中性评价标签；

分别将所述多个商品各自对应的所述正面评价数据、所述负面评价数据和所述中性评价数据分别输入所述正面评价值计算模型、所述负面评价值计算模型和所述中性评价值计算模型，得到正面评价值、负面评价值和中性评价值；

从所述商品基本数据中提取出所述多个商品各自对应的基本属性标签；

从所述卖家数据提取得到所述多个商品各自对应的销量值标签、卖家评价标签和卖家评价值标签；

分别将所述多个商品各自对应的所述正面评价标签、所述负面评价标签、所述中性评价标签、所述正面评价值、所述负面评价值、所述中性评价值、所述基本属性标签、所述销量值标签、所述卖家评价标签和所述卖家评价值标签输入预设的商品画像生成模型，得到所述多个商品各自的商品画像模型。

8.根据权利要求7所述的基于人工智能的商品推荐方法，其特征在于，所述分别将所述多个商品各自对应的所述正面评价数据、所述负面评价数据和所述中性评价数据分别输入所述正面评价值计算模型、所述负面评价值计算模型和所述中性评价值计算模型，得到正面评价值、负面评价值和中性评价值的步骤，包括：

所述正面评价值计算模型、所述负面评价值计算模型和所述中性评价值计算模型分别对所述正面评价数据、所述负面评价数据和所述中性评价数据进行处理，统计所述正面评价数据中各正面关键词出现的次数、所述负面评价数据中各负面关键词出现的次数、所述中性评价数据中各中性关键词出现的次数，计算出所述各正面关键词、所述各负面关键词和所述各中性关键词在所述正面评价数据、所述负面评价数据和所述中性评价数据组成的总数据中出现的频率，按频率高低分别对所述各正面关键词、所述各负面关键词和所述各中性关键词赋予从大到小的倾向权重值，其中，所述各正面关键词、所述各负面关键词和所述各中性关键词均与其对应的评价标识符建立对应关系；

结合所述评价标识符，统计所述第一评价数据中每条评价中所述各正面关键词、所述各负面关键词和所述各中性关键词所占的比例，并结合所述倾向权重值计算出所述每条评价的对应的所述正面评价值、所述负面评价值和所述中性评价值。

9.根据权利要求8所述的基于人工智能的商品推荐方法，其特征在于，所述根据所述角色特征获取所述第一用户所处家庭的第一家庭画像和所述第一用户所处社会组织的第一组织画像的步骤，包括：

根据所述角色特征获取所述第一用户的家庭关系数据和社会关系数据；

根据所述家庭关系数据获取所述第一用户的家庭成员的特征数据，并结合所述第一用户的用户特征，得到所述第一家庭画像；

根据所述社会关系数据得到所述第一用户所处社会组织的组织特征数据和组织成员的特征数据，并结合所述第一用户的用户特征，得到所述第一组织画像。

10.根据权利要求4-9任一所述的基于人工智能的商品推荐方法，其特征在于，所述根据所述第一人物画像和/或所述第一家庭画像和/或所述第一组织画像，从所述商品画像模型中选择对应的第一商品画像模型的步骤，包括：

获取所述第一用户输入所述搜索内容的时间数据和位置数据；

根据所述时间数据和所述位置数据，结合根据所述第一用户的历史购物行为数据得到的购物行为模型，从所述第一人物画像、所述第一家庭画像、所述第一组织画像选择至少一个作为当前消费者画像；

从所述消费者画像中提取消费者标签信息；

分别从各个所述商品画像模型中提取商品标签信息与所述消费者标签信息进行匹配并计算匹配度，选择出匹配度大于预设匹配度的所有所述商品标签信息对应的商品画像模型作为所述第一商品画像模型。

Images