CN116883061B - 对数据进行实时分析的可调整智能选品系统 - Google Patents
对数据进行实时分析的可调整智能选品系统 Download PDFInfo
- Publication number
- CN116883061B CN116883061B CN202311154668.7A CN202311154668A CN116883061B CN 116883061 B CN116883061 B CN 116883061B CN 202311154668 A CN202311154668 A CN 202311154668A CN 116883061 B CN116883061 B CN 116883061B
- Authority
- CN
- China
- Prior art keywords
- commodity
- data
- module
- user
- sub
- 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
Links
- 238000010223 real-time analysis Methods 0.000 title claims description 21
- 239000013598 vector Substances 0.000 claims abstract description 94
- 238000013528 artificial neural network Methods 0.000 claims abstract description 88
- 238000012545 processing Methods 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 238000007405 data analysis Methods 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 230000004927 fusion Effects 0.000 claims description 51
- 239000011159 matrix material Substances 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 23
- 238000012216 screening Methods 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000013138 pruning Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 8
- 230000008901 benefit Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0623—Item investigation
- G06Q30/0625—Directed, with specific intent or strategy
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Abstract
本发明公开对数据进行实时分析的可调整智能选品系统,涉及数据分析领域。根据用户的兴趣进行实时推荐,能够随着时间变化和数据变化进行系统的优化和调整。通过数据获取模块,用于获取商品信息数据,云端服务器,用于对商品信息数据进行数据处理分析;数据处理模块,用于将商品数据进行数据预处理;模型建立模块,用于基于神经网络建立FFRBNN神经网络模型;模型训练模块,用于将商品特征向量和用户特征向量输入至FFRBNN神经网络模型进行训练;数据分析模块,用于将实时商品数据输入至目标FFRBNN神经网络模型中进行分析,得到用户目标兴趣度;用户移动终端,用于根据用户目标兴趣度进行生成对应的目标商品展示信息,将目标商品展示信息展示至用户浏览页面中。
Description
技术领域
本发明涉及数据分析领域,特别是对数据进行实时分析的可调整智能选品系统。
背景技术
在现阶段的零售领域中,传统的商业模式已经无法满足用户的需求,因此新型的商业模式-电子商务就产生了,人们的购物习惯逐渐向互联网转变。然而随着电子商务的快速发展,各类信息层出不穷,用户无法从中快速获取到感兴趣的信息。对于各类购物平台,商家也无法获取用户的偏好并为其提供个性化推荐服务,对各商品的特征没有进行分类并针对分类好的商品进行精准推送。因此,如何利用推荐系统从海量的商品数据中发现有用的信息成为现阶段丞待解决的问题。当前大多数算法主要利用用户对物品的行为进行推荐,普遍存在矩阵稀疏、推荐精度较低的问题。
发明内容
本发明的目的是为了解决上述问题,设计了对数据进行实时分析的可调整智能选品系统。
实现上述目的本发明的技术方案为,进一步,所述对数据进行实时分析的可调整智能选品系统包括以下模块:
数据获取模块,用于获取商品信息数据,并将所述商品信息数据传输至云端服务器,所述商品信息数据包括历史商品信息数据和实时商品信息数据;
云端服务器,用于获取所述历史商品信息数据和所述实时商品信息数据,对所述历史商品信息数据和所述实时商品信息数据进行数据处理和数据分析,并将分析结果输送至用户移动终端;
数据处理模块,用于获取云端服务器中的历史商品数据,通过独热编码对所述历史商品数据进行向量化处理,使用One-Hot编码转换为数字向量,得到用户文本特征标签库和商品文本特征标签库,将用户文本特征标签库和商品文本特征标签库通过神经网络嵌入层进行训练,得到待训练商品特征向量和待训练用户特征向量;
模型建立模块,用于初始化模型参数,基于神经网络建立FFRBNN神经网络特征融合推荐模型;
模型训练模块,用于将所述待训练商品特征向量和所述待训练用户特征向量输入至FFRBNN神经网络特征融合推荐模型进行训练,得到目标FFRBNN神经网络特征融合推荐模型;
模型优化模块,用于利用均方误差MSE、均方根误差RMSE和平均绝对误差MAE作为所述目标FFRBNN神经网络特征融合推荐模型的损失函数;利用MaskACC卷积加速滤波器剪枝所述目标FFRBNN神经网络特征融合推荐模型中的卷积层;
数据分析模块,用于获取云端服务器实时商品数据,将所述实时商品数据输入至所述目标FFRBNN神经网络特征融合推荐模型中进行分析,得到用户目标兴趣度,并将所述用户目标兴趣度输入至云端服务器中;
用户移动终端,用于接收云端服务器中的用户目标兴趣度,根据所述用户目标兴趣度进行生成对应的目标商品展示信息,将所述目标商品展示信息展示至用户浏览页面中。
进一步,在上述可调整智能选品系统中,所述数据获取模块包括数据子模块、获取子模块、历史信息子模块、实时信息子模块:
数据子模块,用于获取商品信息数据,所述商品信息数据包括历史商品信息数据和实时商品信息数据;
获取子模块,用于所述数据获取模块至少包括利用条码扫描仪获取商品二维码信息和商品条码信息,从云端服务器中获取的历史商品信息数据,从各电商平台数据库中获取的历史商品信息数据;
历史信息子模块,用于确定所述历史商品信息数据至少包括历史交易数据、历史用户数据、历史商品数据、历史评分数据;
实时信息子模块,用于确定所述实时商品信息数据至少包括实时交易数据、实时用户数据、实时商品数据、实时评分数据。
进一步,在上述可调整智能选品系统中,所述数据处理模块包括筛选子模块、向量化子模块、归一化子模块、训练子模块:
筛选子模块,用于获取云端服务器中的历史商品数据,利用特征工程对所述历史商品数据的商品特征进行筛选,得到商品特征标签库;
向量化子模块,用于通过独热编码对所述商品特征标签库的文本信息进行向量化处理,使用One-Hot编码方式转换为数字向量,得到商品文本特征标签库;
归一化子模块,用于对所述商品文本特征标签库进行归一化处理,得到目标商品文本特征标签库,所述目标商品文本特征标签库符合标准正态分布;
训练子模块,用于将所述目标商品文本特征标签库通过神经网络嵌入层进行训练,并通过文本卷积神经网络对商品文本特征进行处理,得到待训练商品特征向量。
进一步,在上述可调整智能选品系统中,所述数据处理模块还包括获取子模块、向量化子模块、处理子模块、训练子模块:
获取子模块,用于获取历史商品信息数据中的用户手机号码、用户性别、用户年龄、用户身高、用户体重、用户肤质,得到用户特征标签库;
向量化子模块,用于通过独热编码对所述用户特征标签库的文本信息进行向量化处理,使用One-Hot编码方式转换为数字向量,得到用户文本特征标签库;
处理子模块,用于所述用户性别的向量化处理至少包括男、女两个种类,所述用户肤质的向量化处理至少包括干性、中性、油性、混合性和敏感性五个种类;
训练子模块,用于将所述用户文本特征标签库通过神经网络嵌入层进行训练,得到待训练用户特征向量。
进一步,在上述可调整智能选品系统中,所述模型建立模块包括矩阵子模块、相乘子模块、参数子模块:
矩阵子模块,用于获取待训练商品特征向量和待训练用户特征向量,根据所述待训练商品特征向量和所述待训练用户特征向量得到商品特征矩阵和用户特征矩阵;
相乘子模块,用于将所述商品特征矩阵和所述用户特征矩阵相乘,得到目标矩阵;
参数子模块,用于初始化模型参数,所述模型参数至少包括数据单次迭代次数、学习速率、嵌入层维数、每次训练样本量、损失函数、优化器,根据所述目标矩阵基于神经网络建立FFRBNN神经网络特征融合推荐模型。
进一步,在上述可调整智能选品系统中,所述模型训练模块包括获取子模块、卷积子模块、连接子模块、计算子模块、损失函数子模块:
获取子模块,用于获取待训练商品特征向量和待训练用户特征向量,将待训练商品特征向量和待训练用户特征向量输入FFRBNN神经网络特征融合推荐模型中的神经网络嵌入层;
卷积子模块,用于利用文本卷积神经网络对待训练商品特征向量和待训练用户特征向量处理,得到商品深层次特征和用户深层次特征;
连接子模块,用于将商品深层次特征和用户深层次特征表示输入到由两层全连接层构成的神经网络模型中,得到用户目标特征和商品目标特征;
计算子模块,用于将输出的用户目标特征和商品目标特征进行点乘计算,所述点乘计算的结果为用户对商品的兴趣度评分;
损失函数子模块,用于利用均方误差、均方根误差和平均绝对误差作为所述FFRBNN神经网络特征融合推荐模型的损失函数。
进一步,在上述可调整智能选品系统中,所述数据分析模块包括处理子模块、分析子模块、输出子模块:
处理子模块,用于获取云端服务器实时商品数据,对所述实时商品数据进行数据处理,得到实时商品特征向量;
分析子模块,用于将实时商品特征向量输入至目标FFRBNN神经网络特征融合推荐模型中进行分析,得到用户目标兴趣度;
输出子模块,用于将用户目标兴趣度输出至云端服务器中。
进一步,在上述可调整智能选品系统中,所述用户移动终端包括接收子模块、点击率子模块、实时分析子模块:
接收子模块,用于接收云端服务器中的用户目标兴趣度,根据用户目标兴趣度进行生成对应的目标商品展示信息;
点击率子模块,用于将目标商品展示信息展示至用户浏览页面中,获取商品展示信息的实时点击率;
实时分析子模块,用于将所述实时点击率传输至云服务器中进行数据分析,根据分析结果实时调整对应的用户目标兴趣度。
进一步,在上述可调整智能选品系统中,还包括以下步骤:
获取商品信息数据,并将所述商品信息数据传输至云端服务器,所述商品信息数据包括历史商品信息数据和实时商品信息数据;
获取所述历史商品信息数据和所述实时商品信息数据,对所述历史商品信息数据和所述实时商品信息数据进行数据处理和数据分析,并将分析结果输送至用户移动终端;
获取云端服务器中的历史商品数据,通过独热编码对所述历史商品数据进行向量化处理,使用One-Hot编码转换为数字向量,得到用户文本特征标签库和商品文本特征标签库,将用户文本特征标签库和商品文本特征标签库通过神经网络嵌入层进行训练,得到待训练商品特征向量和待训练用户特征向量;
初始化模型参数,基于神经网络建立FFRBNN神经网络特征融合推荐模型;
将所述待训练商品特征向量和所述待训练用户特征向量输入至FFRBNN神经网络特征融合推荐模型进行训练,得到目标FFRBNN神经网络特征融合推荐模型;
利用均方误差MSE、均方根误差RMSE和平均绝对误差MAE作为所述目标FFRBNN神经网络特征融合推荐模型的损失函数;利用MaskACC卷积加速滤波器剪枝所述目标FFRBNN神经网络特征融合推荐模型中的卷积层;
获取云端服务器实时商品数据,将所述实时商品数据输入至所述目标FFRBNN神经网络特征融合推荐模型中进行分析,得到用户目标兴趣度,并将所述用户目标兴趣度输入至云端服务器中;
接收云端服务器中的用户目标兴趣度,根据所述用户目标兴趣度进行生成对应的目标商品展示信息,将所述目标商品展示信息展示至用户浏览页面中。
进一步,在上述可调整智能选品系统中,所述获取云端服务器中的历史商品数据,将所述历史商品数据进行数据预处理,得到待训练商品特征向量和待训练用户特征向量包括以下步骤:
获取云端服务器中的历史商品数据,利用特征工程对所述历史商品数据的商品特征进行筛选,得到商品特征标签库;
通过独热编码对所述商品特征标签库的文本信息进行向量化处理,使用One-Hot编码方式转换为数字向量,得到商品文本特征标签库;
对所述商品文本特征标签库进行归一化处理,得到目标商品文本特征标签库,所述目标商品文本特征标签库符合标准正态分布;
将所述目标商品文本特征标签库通过神经网络嵌入层进行训练,并通过文本卷积神经网络对商品文本特征进行处理,得到待训练商品特征向量。
其有益效果在于,通过数据获取模块,用于获取商品信息数据,并将所述商品信息数据传输至云端服务器,所述商品信息数据包括历史商品信息数据和实时商品信息数据;云端服务器,用于获取所述历史商品信息数据和所述实时商品信息数据,对所述历史商品信息数据和所述实时商品信息数据进行数据处理和数据分析,并将分析结果输送至用户移动终端;数据处理模块,用于获取云端服务器中的历史商品数据,通过独热编码对所述历史商品数据进行向量化处理,使用One-Hot编码转换为数字向量,得到用户文本特征标签库和商品文本特征标签库,将用户文本特征标签库和商品文本特征标签库通过神经网络嵌入层进行训练,得到待训练商品特征向量和待训练用户特征向量;模型建立模块,用于初始化模型参数,基于神经网络建立FFRBNN神经网络特征融合推荐模型;模型训练模块,用于将所述待训练商品特征向量和所述待训练用户特征向量输入至FFRBNN神经网络特征融合推荐模型进行训练,得到目标FFRBNN神经网络特征融合推荐模型;模型优化模块,用于利用均方误差MSE、均方根误差RMSE和平均绝对误差MAE作为所述目标FFRBNN神经网络特征融合推荐模型的损失函数;利用MaskACC卷积加速滤波器剪枝所述目标FFRBNN神经网络特征融合推荐模型中的卷积层;数据分析模块,用于获取云端服务器实时商品数据,将所述实时商品数据输入至所述目标FFRBNN神经网络特征融合推荐模型中进行分析,得到用户目标兴趣度,并将所述用户目标兴趣度输入至云端服务器中;用户移动终端,用于接收云端服务器中的用户目标兴趣度,根据所述用户目标兴趣度进行生成对应的目标商品展示信息,将所述目标商品展示信息展示至用户浏览页面中。实现了对顾客需求和喜好的高效分析和预测,根据用户的兴趣进行实时推荐,能够随着时间变化和数据变化进行系统的优化和调整,可广泛应用于零售业、电子商务领域,提高选品速度和准确度,降低销售成本,促进销售和营销等业务的发展。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。
图1为本发明实施例中对数据进行实时分析的可调整智能选品系统的第一个实施例示意图;
图2为本发明实施例中对数据进行实时分析的可调整智能选品系统的第二个实施例示意图;
图3为本发明实施例中对数据进行实时分析的可调整智能选品系统的第三个实施例示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。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。
本技术领域技术人员进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
下面结合附图对本发明进行具体描述,如图1所示,对数据进行实时分析的可调整智能选品系统,可调整智能选品系统包括以下模块:
数据获取模块,用于获取商品信息数据,并将商品信息数据传输至云端服务器,商品信息数据包括历史商品信息数据和实时商品信息数据;
具体的,本实施例中数据获取模块包括数据子模块、获取子模块、历史信息子模块、实时信息子模块:数据子模块,用于获取商品信息数据,商品信息数据包括历史商品信息数据和实时商品信息数据;获取子模块,用于数据获取模块至少包括利用条码扫描仪获取商品二维码信息和商品条码信息,从云端服务器中获取的历史商品信息数据,从各电商平台数据库中获取的历史商品信息数据;历史信息子模块,用于确定历史商品信息数据至少包括历史交易数据、历史用户数据、历史商品数据、历史评分数据;实时信息子模块,用于确定实时商品信息数据至少包括实时交易数据、实时用户数据、实时商品数据、实时评分数据。
云端服务器,用于获取历史商品信息数据和实时商品信息数据,对历史商品信息数据和实时商品信息数据进行数据处理和数据分析,并将分析结果输送至用户移动终端;
具体的,本实施例中云端服务器至少包括数据处理模块、模型建立模块、模型训练模块、数据分析模块。
具体的,本实施例中云端服务器至少包括云服务器平台的每个集群节点被部署在互联网的骨干数据中心,可独立提供计算、存储、在线备份、托管、带宽等互联网基础设施服务。
数据处理模块,用于获取云端服务器中的历史商品数据,通过独热编码对所述历史商品数据进行向量化处理,使用One-Hot编码转换为数字向量,得到用户文本特征标签库和商品文本特征标签库,将用户文本特征标签库和商品文本特征标签库通过神经网络嵌入层进行训练,得到待训练商品特征向量和待训练用户特征向量;
具体的,本实施例中数据获取模块包括数据子模块、获取子模块、历史信息子模块、实时信息子模块:数据子模块,用于获取商品信息数据,商品信息数据包括历史商品信息数据和实时商品信息数据;获取子模块,用于数据获取模块至少包括利用条码扫描仪获取商品二维码信息和商品条码信息,从云端服务器中获取的历史商品信息数据,从各电商平台数据库中获取的历史商品信息数据;历史信息子模块,用于确定历史商品信息数据至少包括历史交易数据、历史用户数据、历史商品数据、历史评分数据;实时信息子模块,用于确定实时商品信息数据至少包括实时交易数据、实时用户数据、实时商品数据、实时评分数据。
具体的,本实施例中数据处理模块还包括获取子模块、向量化子模块、处理子模块、训练子模块:获取子模块,用于获取历史商品信息数据中的用户手机号码、用户性别、用户年龄用户身高、用户体重、用户肤质,得到用户特征标签库。向量化子模块,用于通过独热编码对用户特征标签库的文本信息进行向量化处理,使用One-Hot编码方式转换为数字向量,得到用户文本特征标签库;处理子模块,用于用户性别的向量化处理至少包括男、女两个种类,用户肤质的向量化处理至少包括干性、中性、油性、混合性和敏感性五个种类;训练子模块,用于将用户文本特征标签库通过神经网络嵌入层进行训练,得到待训练用户特征向量。
模型建立模块,用于初始化模型参数,基于神经网络建立FFRBNN神经网络特征融合推荐模型;
具体的,本实施例中模型建立模块包括矩阵子模块、相乘子模块、参数子模块:矩阵子模块,用于获取待训练商品特征向量和待训练用户特征向量,根据待训练商品特征向量和待训练用户特征向量得到商品特征矩阵和用户特征矩阵;相乘子模块,用于将商品特征矩阵和用户特征矩阵相乘,得到目标矩阵;参数子模块,用于初始化模型参数,模型参数至少包括数据单次迭代次数、学习速率、嵌入层维数、每次训练样本量、损失函数、优化器,根据目标矩阵基于神经网络建立FFRBNN神经网络特征融合推荐模型。
模型训练模块,用于将待训练商品特征向量和待训练用户特征向量输入至FFRBNN神经网络特征融合推荐模型进行训练,得到目标FFRBNN神经网络特征融合推荐模型;
具体的,本实施例中模型训练模块包括获取子模块、卷积子模块、连接子模块、计算子模块、损失函数子模块:获取子模块,用于获取待训练商品特征向量和待训练用户特征向量,将待训练商品特征向量和待训练用户特征向量输入FFRBNN神经网络特征融合推荐模型中的神经网络嵌入层;卷积子模块,用于利用文本卷积神经网络对待训练商品特征向量和待训练用户特征向量处理,得到商品深层次特征和用户深层次特征;连接子模块,用于将商品深层次特征和用户深层次特征表示输入到由两层全连接层构成的神经网络模型中,得到用户目标特征和商品目标特征;计算子模块,用于将输出的用户目标特征和商品目标特征进行点乘计算,点乘计算的结果为用户对商品的兴趣度评分;损失函数子模块,用于利用均方误差、均方根误差和平均绝对误差作为FFRBNN神经网络特征融合推荐模型的损失函数。
模型优化模块,用于利用均方误差MSE、均方根误差RMSE和平均绝对误差MAE作为所述目标FFRBNN神经网络特征融合推荐模型的损失函数;利用MaskACC卷积加速滤波器剪枝所述目标FFRBNN神经网络特征融合推荐模型中的卷积层;
具体的,本实施例中优化方式为遍历目标FFRBNN神经网络特征融合推荐模型所有卷积算子,根据模型剪枝优化的策略,对每个卷积算子中滤波器的重要性进行排序,以生成掩码Ml;然后,根据执行权重参数Wl与掩码Ml的逐元素乘法,将权重参数Wl中前若干个不重要滤波器的权重参数更新为零;接着基于稀疏的权重参数W2和训练数据集X,通过掩码感知方式计算前向传播的输出;之后,根据训练数据集的标签和神经网络模型的预测输出,计算损失函数L;接着,同样使用模型剪枝优化策略的掩码信息,通过掩码感知方式计算损失函数L、相对输入张量X和权重参数W2的梯度,使用梯度的计算结果更新权重参数W2;然后,将以上过程执行epochmax个周期;最后移除W2中值为零的权重参数,获得最终的优化模型。
数据分析模块,用于获取云端服务器实时商品数据,将实时商品数据输入至目标FFRBNN神经网络特征融合推荐模型中进行分析,得到用户目标兴趣度,并将用户目标兴趣度输入至云端服务器中;
具体的,本实施例中数据分析模块包括处理子模块、分析子模块、输出子模块:处理子模块,用于获取云端服务器实时商品数据,对实时商品数据进行数据处理,得到实时商品特征向量;分析子模块,用于将实时商品特征向量输入至目标FFRBNN神经网络特征融合推荐模型中进行分析,得到用户目标兴趣度;输出子模块,用于将用户目标兴趣度输出至云端服务器中。
用户移动终端,用于接收云端服务器中的用户目标兴趣度,根据用户目标兴趣度进行生成对应的目标商品展示信息,将目标商品展示信息展示至用户浏览页面中。
用户移动终端包括接收子模块、点击率子模块、实时分析子模块:接收子模块,用于接收云端服务器中的用户目标兴趣度,根据用户目标兴趣度进行生成对应的目标商品展示信息;点击率子模块,用于将目标商品展示信息展示至用户浏览页面中,获取商品展示信息的实时点击率;实时分析子模块,用于将实时点击率传输至云服务器中进行数据分析,根据分析结果实时调整对应的用户目标兴趣度。
其有益效果在于,实现了对顾客需求和喜好的高效分析和预测,根据用户的兴趣进行实时推荐,能够随着时间变化和数据变化进行系统的优化和调整,可广泛应用于零售业、电子商务领域,提高选品速度和准确度,降低销售成本,促进销售和营销等业务的发展。
本实施例中,请参阅图2,本发明实施例中对数据进行实时分析的可调整智能选品系统的第二个实施例,数据处理模块包括筛选子模块、向量化子模块、归一化子模块、训练子模块:
筛选子模块,用于获取云端服务器中的历史商品数据,利用特征工程对历史商品数据的商品特征进行筛选,得到商品特征标签库;
向量化子模块,用于通过独热编码对商品特征标签库的文本信息进行向量化处理,使用One-Hot编码方式转换为数字向量,得到商品文本特征标签库;
归一化子模块,用于对商品文本特征标签库进行归一化处理,得到目标商品文本特征标签库,目标商品文本特征标签库符合标准正态分布;
训练子模块,用于将目标商品文本特征标签库通过神经网络嵌入层进行训练,并通过文本卷积神经网络对商品文本特征进行处理,得到待训练商品特征向量。
具体的,本实施中还包括系统利用人工智能技术对商品进行评估和分类,实现了对顾客需求和喜好的高效分析和预测。本发明的系统包括二维码/条码扫描仪、云端服务器和移动终端。扫描仪用于扫描物品上的二维码/条码,将相关数据传输到云端服务器。云端服务器将数据处理、分析,并对用户进行实时推荐。本发明采用可调整的机器学习算法,能够随着时间变化和数据变化进行系统的优化和调整。在技术方面,本发明提供了一种全新的全面细致的智能选品系统,可广泛应用于零售业、电子商务领域,提高选品速度和准确度,降低销售成本,促进销售和营销等业务的发展。
本实施例中,请参阅图3,本发明实施例中对数据进行实时分析的可调整智能选品系统的第三个实施例,模型训练模块包括获取子模块、卷积子模块、连接子模块、计算子模块、损失函数子模块:
获取子模块,用于获取待训练商品特征向量和待训练用户特征向量,将待训练商品特征向量和待训练用户特征向量输入FFRBNN神经网络特征融合推荐模型中的神经网络嵌入层;
卷积子模块,用于利用文本卷积神经网络对待训练商品特征向量和待训练用户特征向量处理,得到商品深层次特征和用户深层次特征;
连接子模块,用于将商品深层次特征和用户深层次特征表示输入到由两层全连接层构成的神经网络模型中,得到用户目标特征和商品目标特征;
计算子模块,用于将输出的用户目标特征和商品目标特征进行点乘计算,点乘计算的结果为用户对商品的兴趣度评分;
损失函数子模块,用于利用均方误差、均方根误差和平均绝对误差作为FFRBNN神经网络特征融合推荐模型的损失函数。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应所述了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变和改进,这些变和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.对数据进行实时分析的可调整智能选品系统,其特征在于,所述可调整智能选品系统包括数据获取模块、云端服务器、数据处理模块、模型建立模块、模型训练模块、模型优化模块、数据分析模块、用户移动终端:
数据获取模块,用于获取商品信息数据,并将所述商品信息数据传输至云端服务器,所述商品信息数据包括历史商品信息数据和实时商品信息数据;
云端服务器,用于获取所述历史商品信息数据和所述实时商品信息数据,对所述历史商品信息数据和所述实时商品信息数据进行数据处理和数据分析,并将分析结果输送至用户移动终端;
数据处理模块,用于获取云端服务器中的历史商品数据,通过独热编码对所述历史商品数据进行向量化处理,使用One-Hot编码转换为数字向量,得到用户文本特征标签库和商品文本特征标签库,将用户文本特征标签库和商品文本特征标签库通过神经网络嵌入层进行训练,得到待训练商品特征向量和待训练用户特征向量;
模型建立模块,用于初始化模型参数,基于神经网络建立FFRBNN神经网络特征融合推荐模型;所述模型建立模块包括矩阵子模块、相乘子模块、参数子模块:
矩阵子模块,用于获取待训练商品特征向量和待训练用户特征向量,根据所述待训练商品特征向量和所述待训练用户特征向量得到商品特征矩阵和用户特征矩阵;
相乘子模块,用于将所述商品特征矩阵和所述用户特征矩阵相乘,得到目标矩阵;
参数子模块,用于初始化模型参数,所述模型参数至少包括数据单次迭代次数、学习速率、嵌入层维数、每次训练样本量、损失函数、优化器,根据所述目标矩阵基于神经网络建立FFRBNN神经网络特征融合推荐模型;
模型训练模块,用于将所述待训练商品特征向量和所述待训练用户特征向量输入至FFRBNN神经网络特征融合推荐模型进行训练,得到目标FFRBNN神经网络特征融合推荐模型;所述模型训练模块包括获取子模块、卷积子模块、连接子模块、计算子模块、损失函数子模块:
获取子模块,用于获取待训练商品特征向量和待训练用户特征向量,将待训练商品特征向量和待训练用户特征向量输入FFRBNN神经网络特征融合推荐模型中的神经网络嵌入层;
卷积子模块,用于利用文本卷积神经网络对待训练商品特征向量和待训练用户特征向量处理,得到商品深层次特征和用户深层次特征;
连接子模块,用于将商品深层次特征和用户深层次特征表示输入到由两层全连接层构成的神经网络模型中,得到用户目标特征和商品目标特征;
计算子模块,用于将输出的用户目标特征和商品目标特征进行点乘计算,所述点乘计算的结果为用户对商品的兴趣度评分;
损失函数子模块,用于利用均方误差、均方根误差和平均绝对误差作为所述FFRBNN神经网络特征融合推荐模型的损失函数;
模型优化模块,用于利用均方误差MSE、均方根误差RMSE和平均绝对误差MAE作为所述目标FFRBNN神经网络特征融合推荐模型的损失函数;利用MaskACC卷积加速滤波器剪枝所述目标FFRBNN神经网络特征融合推荐模型中的卷积层;
数据分析模块,用于获取云端服务器实时商品数据,将所述实时商品数据输入至所述目标FFRBNN神经网络特征融合推荐模型中进行分析,得到用户目标兴趣度,并将所述用户目标兴趣度输入至云端服务器中;
用户移动终端,用于接收云端服务器中的用户目标兴趣度,根据所述用户目标兴趣度进行生成对应的目标商品展示信息,将所述目标商品展示信息展示至用户浏览页面中。
2.如权利要求1所述的对数据进行实时分析的可调整智能选品系统,其特征在于,所述数据获取模块包括数据子模块、获取子模块、历史信息子模块、实时信息子模块:
数据子模块,用于获取商品信息数据,所述商品信息数据包括历史商品信息数据和实时商品信息数据;
获取子模块,用于所述数据获取模块至少包括利用条码扫描仪获取商品二维码信息和商品条码信息,从云端服务器中获取的历史商品信息数据,从各电商平台数据库中获取的历史商品信息数据;
历史信息子模块,用于确定所述历史商品信息数据至少包括历史交易数据、历史用户数据、历史商品数据、历史评分数据;
实时信息子模块,用于确定所述实时商品信息数据至少包括实时交易数据、实时用户数据、实时商品数据、实时评分数据。
3.如权利要求1所述的对数据进行实时分析的可调整智能选品系统,其特征在于,所述数据处理模块包括筛选子模块、向量化子模块、归一化子模块、训练子模块:
筛选子模块,用于获取云端服务器中的历史商品数据,利用特征工程对所述历史商品数据的商品特征进行筛选,得到商品特征标签库;
向量化子模块,用于通过独热编码对所述商品特征标签库的文本信息进行向量化处理,使用One-Hot编码方式转换为数字向量,得到商品文本特征标签库;
归一化子模块,用于对所述商品文本特征标签库进行归一化处理,得到目标商品文本特征标签库,所述目标商品文本特征标签库符合标准正态分布;
训练子模块,用于将所述目标商品文本特征标签库通过神经网络嵌入层进行训练,并通过文本卷积神经网络对商品文本特征进行处理,得到待训练商品特征向量。
4.如权利要求1所述的对数据进行实时分析的可调整智能选品系统,其特征在于,所述数据处理模块还包括获取子模块、向量化子模块、处理子模块、训练子模块:
获取子模块,用于获取历史商品信息数据中的用户手机号码、用户性别、用户年龄、用户身高、用户体重、用户肤质,得到用户特征标签库;
向量化子模块,用于通过独热编码对所述用户特征标签库的文本信息进行向量化处理,使用One-Hot编码方式转换为数字向量,得到用户文本特征标签库;
处理子模块,用于所述用户性别的向量化处理至少包括男、女两个种类,所述用户肤质的向量化处理至少包括干性、中性、油性、混合性和敏感性五个种类;
训练子模块,用于将所述用户文本特征标签库通过神经网络嵌入层进行训练,得到待训练用户特征向量。
5.如权利要求1所述的对数据进行实时分析的可调整智能选品系统,其特征在于,所述数据分析模块包括处理子模块、分析子模块、输出子模块:
处理子模块,用于获取云端服务器实时商品数据,对所述实时商品数据进行数据处理,得到实时商品特征向量;
分析子模块,用于将实时商品特征向量输入至目标FFRBNN神经网络特征融合推荐模型中进行分析,得到用户目标兴趣度;
输出子模块,用于将用户目标兴趣度输出至云端服务器中。
6.如权利要求1所述的对数据进行实时分析的可调整智能选品系统,其特征在于,所述用户移动终端包括接收子模块、点击率子模块、实时分析子模块:
接收子模块,用于接收云端服务器中的用户目标兴趣度,根据用户目标兴趣度进行生成对应的目标商品展示信息;
点击率子模块,用于将目标商品展示信息展示至用户浏览页面中,获取商品展示信息的实时点击率;
实时分析子模块,用于将所述实时点击率传输至云服务器中进行数据分析,根据分析结果实时调整对应的用户目标兴趣度。
7.如权利要求1所述的对数据进行实时分析的可调整智能选品系统,其特征在于,所述可调整智能选品系统还包括以下步骤:
获取商品信息数据,并将所述商品信息数据传输至云端服务器,所述商品信息数据包括历史商品信息数据和实时商品信息数据;
获取所述历史商品信息数据和所述实时商品信息数据,对所述历史商品信息数据和所述实时商品信息数据进行数据处理和数据分析,并将分析结果输送至用户移动终端;
获取云端服务器中的历史商品数据,通过独热编码对所述历史商品数据进行向量化处理,使用One-Hot编码转换为数字向量,得到用户文本特征标签库和商品文本特征标签库,将用户文本特征标签库和商品文本特征标签库通过神经网络嵌入层进行训练,得到待训练商品特征向量和待训练用户特征向量;
初始化模型参数,基于神经网络建立FFRBNN神经网络特征融合推荐模型;
将所述待训练商品特征向量和所述待训练用户特征向量输入至FFRBNN神经网络特征融合推荐模型进行训练,得到目标FFRBNN神经网络特征融合推荐模型;
利用均方误差MSE、均方根误差RMSE和平均绝对误差MAE作为所述目标FFRBNN神经网络特征融合推荐模型的损失函数;利用MaskACC卷积加速滤波器剪枝所述目标FFRBNN神经网络特征融合推荐模型中的卷积层;
获取云端服务器实时商品数据,将所述实时商品数据输入至所述目标FFRBNN神经网络特征融合推荐模型中进行分析,得到用户目标兴趣度,并将所述用户目标兴趣度输入至云端服务器中;
接收云端服务器中的用户目标兴趣度,根据所述用户目标兴趣度进行生成对应的目标商品展示信息,将所述目标商品展示信息展示至用户浏览页面中。
8.如权利要求7所述的对数据进行实时分析的可调整智能选品系统,其特征在于,所述获取云端服务器中的历史商品数据,将所述历史商品数据进行数据预处理,得到待训练商品特征向量和待训练用户特征向量包括以下步骤:
获取云端服务器中的历史商品数据,利用特征工程对所述历史商品数据的商品特征进行筛选,得到商品特征标签库;
通过独热编码对所述商品特征标签库的文本信息进行向量化处理,使用One-Hot编码方式转换为数字向量,得到商品文本特征标签库;
对所述商品文本特征标签库进行归一化处理,得到目标商品文本特征标签库,所述目标商品文本特征标签库符合标准正态分布;
将所述目标商品文本特征标签库通过神经网络嵌入层进行训练,并通过文本卷积神经网络对商品文本特征进行处理,得到待训练商品特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311154668.7A CN116883061B (zh) | 2023-09-08 | 2023-09-08 | 对数据进行实时分析的可调整智能选品系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311154668.7A CN116883061B (zh) | 2023-09-08 | 2023-09-08 | 对数据进行实时分析的可调整智能选品系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116883061A CN116883061A (zh) | 2023-10-13 |
CN116883061B true CN116883061B (zh) | 2023-12-01 |
Family
ID=88260917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311154668.7A Active CN116883061B (zh) | 2023-09-08 | 2023-09-08 | 对数据进行实时分析的可调整智能选品系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116883061B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100091669A (ko) * | 2009-02-11 | 2010-08-19 | 인하대학교 산학협력단 | 전자상거래 서비스에서의 개인화 추천 시스템 |
CN112598462A (zh) * | 2020-12-19 | 2021-04-02 | 武汉大学 | 基于协同过滤和深度学习的个性化推荐方法及系统 |
CN114861050A (zh) * | 2022-04-27 | 2022-08-05 | 西安建筑科技大学 | 一种基于神经网络的特征融合推荐方法及系统 |
CN116542738A (zh) * | 2023-05-05 | 2023-08-04 | 深圳爱巧电子商务有限公司 | 一种基于电子商务大数据的信息推送方法 |
CN116561424A (zh) * | 2023-05-12 | 2023-08-08 | 云南大学 | 一种应用于智能推荐系统的图神经网络结合Transformer的推荐方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10878505B1 (en) * | 2020-07-31 | 2020-12-29 | Agblox, Inc. | Curated sentiment analysis in multi-layer, machine learning-based forecasting model using customized, commodity-specific neural networks |
-
2023
- 2023-09-08 CN CN202311154668.7A patent/CN116883061B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100091669A (ko) * | 2009-02-11 | 2010-08-19 | 인하대학교 산학협력단 | 전자상거래 서비스에서의 개인화 추천 시스템 |
CN112598462A (zh) * | 2020-12-19 | 2021-04-02 | 武汉大学 | 基于协同过滤和深度学习的个性化推荐方法及系统 |
CN114861050A (zh) * | 2022-04-27 | 2022-08-05 | 西安建筑科技大学 | 一种基于神经网络的特征融合推荐方法及系统 |
CN116542738A (zh) * | 2023-05-05 | 2023-08-04 | 深圳爱巧电子商务有限公司 | 一种基于电子商务大数据的信息推送方法 |
CN116561424A (zh) * | 2023-05-12 | 2023-08-08 | 云南大学 | 一种应用于智能推荐系统的图神经网络结合Transformer的推荐方法 |
Non-Patent Citations (1)
Title |
---|
基于混合神经网络的协同过滤推荐模型;马鑫 等;应用科学学报(第03期);第144-153页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116883061A (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109903117B (zh) | 一种用于商品推荐的知识图谱处理方法及装置 | |
Pan et al. | Study on convolutional neural network and its application in data mining and sales forecasting for E-commerce | |
CN111784455A (zh) | 一种物品推荐方法及推荐设备 | |
CN112070577A (zh) | 一种商品推荐方法、系统、设备及介质 | |
CN112085565A (zh) | 基于深度学习的信息推荐方法、装置、设备及存储介质 | |
CN112258260A (zh) | 基于用户特征的页面展示方法、装置、介质及电子设备 | |
CN113763093A (zh) | 一种基于用户画像的物品推荐方法和装置 | |
KR102307517B1 (ko) | 네트워크 기반 상품 추천 방법 및 장치 | |
CN111949887A (zh) | 物品推荐方法、装置及计算机可读存储介质 | |
CN112417294A (zh) | 一种基于神经网络挖掘模型的业务智能推荐方法 | |
CN113946754A (zh) | 基于用户画像的权益推荐方法、装置、设备及存储介质 | |
CN113469730A (zh) | 一种非合同场景下的基于RF-LightGBM融合模型的客户复购预测方法及装置 | |
CN112288554B (zh) | 商品推荐方法和装置、存储介质及电子装置 | |
CN115860880B (zh) | 基于多层异质图卷积模型的个性化商品推荐方法及系统 | |
CN114861050A (zh) | 一种基于神经网络的特征融合推荐方法及系统 | |
CN114240555A (zh) | 训练点击率预测模型和预测点击率的方法和装置 | |
CN108876422B (zh) | 用于信息推广的方法、装置、电子设备及计算机可读介质 | |
CN116883061B (zh) | 对数据进行实时分析的可调整智能选品系统 | |
CN116127188A (zh) | 目标反馈值确定方法、装置、电子设备及存储介质 | |
CN114429384A (zh) | 基于电商平台的产品智能推荐方法及系统 | |
CN114996579A (zh) | 信息推送方法、装置、电子设备和计算机可读介质 | |
CN114519600A (zh) | 一种融合相邻节点方差的图神经网络ctr预估算法 | |
CN113516496B (zh) | 广告转化率预估模型构建方法、装置、设备及其介质 | |
CN114677174A (zh) | 一种计算未上架物品销量的方法和装置 | |
CN113762415A (zh) | 一种基于神经网络的汽车金融产品智能匹配方法和系统 |
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 |