CN117078357A - 一种基于人工智能的电子商务数据信息处理方法及系统 - Google Patents
一种基于人工智能的电子商务数据信息处理方法及系统 Download PDFInfo
- Publication number
- CN117078357A CN117078357A CN202311289362.2A CN202311289362A CN117078357A CN 117078357 A CN117078357 A CN 117078357A CN 202311289362 A CN202311289362 A CN 202311289362A CN 117078357 A CN117078357 A CN 117078357A
- Authority
- CN
- China
- Prior art keywords
- data
- electronic commerce
- real
- time
- commodity
- 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.)
- Granted
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 33
- 230000010365 information processing Effects 0.000 title claims abstract description 33
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 102
- 230000000694 effects Effects 0.000 claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 10
- 230000004913 activation Effects 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000013138 pruning Methods 0.000 claims description 7
- 238000007635 classification algorithm Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 description 7
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Finance (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电子商务领域，特别是一种基于人工智能的电子商务数据信息处理方法及系统。通过获取电子商务系统中历史电子商务数据信息，通过纵向神经网络建立初始XGBoost纵向神经网络模型，将历史商品营销策略数据和历史商品营销效果数据输入至第一XGBoost纵向神经网络模型中进行训练，得到目标XGBoost纵向神经网络模型；将实时电子商务数据信息输入至目标XGBoost纵向神经网络模型中进行识别，得到实时商品营销策略数据；将实时商品营销策略数据输入至电子商务系统中进行实施，并获取实时营销结果数据，可以对销售数据不好的商品数据及时调整商品销售策略，提高电子商务系统整体的运营效率和销售金额，进一步提升电子商务系统的营收。
Description
技术领域
本发明涉及电子商务领域，特别是一种基于人工智能的电子商务数据信息处理方法及系统。
背景技术
电子商务领域不断取得新的发展成果，传统商业模式出现重大变革，市场信息量呈现出十分迅猛的发展势头，属于电商的黄金发展时代已经悄然来临。面对这种发展情况，更加高效的从海量信息中提取出有价值信息，以此为基础，能够产生更为可观的企业效益，人工智能技术由此成为当代电商企业高度重视的领域，市场竞争变得更为剧烈。人工智能技术属于现代化智能领域内的关键组成部分，因此如何利用人工智能技术提升对电子商务数据处理的效率，提升电子商务数据利用程度，以代替人工更快做出营销策略，进而提高电子商务系统中商品的销售金额是现阶段丞待解决的技术问题。
发明内容
本发明的目的是为了解决上述问题，设计了一种基于人工智能的电子商务数据信息处理方法及系统。
实现上述目的本发明的技术方案为，进一步，在上述一种基于人工智能的电子商务数据信息处理方法中，所述电子商务数据信息处理方法包括以下步骤：
获取电子商务系统中的电子商务数据信息，对所述电子商务数据信息进行数据预处理，得到历史电子商务数据信息；
根据历史电子商务数据信息获取电子商务系统中已实施的历史商品营销策略数据和历史商品营销效果数据；
通过纵向神经网络建立初始XGBoost纵向神经网络模型，将所述初始XGBoost纵向神经网络模型中的顶层网络的ReLU激活函数用sigmoid激活函数进行替代，得到第一XGBoost纵向神经网络模型；
将所述历史商品营销策略数据和所述历史商品营销效果数据输入至所述第一XGBoost纵向神经网络模型中进行训练，得到目标XGBoost纵向神经网络模型；
获取电子商务系统中的实时电子商务数据信息，将所述实时电子商务数据信息输入至所述目标XGBoost纵向神经网络模型中进行识别，得到实时商品营销策略数据；
将所述实时商品营销策略数据输入至电子商务系统中进行实施，并获取实时营销结果数据，若所述实时营销结果数据小于营销阈值，则通过所述目标XGBoost纵向神经网络模型调整对应的实时商品营销策略数据。
进一步，在上述电子商务数据信息处理方法中，所述获取电子商务系统中的电子商务数据信息，对所述电子商务数据信息进行数据预处理，得到历史电子商务数据信息，包括：
获取电子商务系统中的电子商务数据信息，对所述电子商务数据信息中的缺失数据进行缺失值处理，得到全值电子商务数据信息；
利用中值滤波算法对所述全值电子商务数据信息进行归一化处理，得到归一化电子商务数据信息；
基于决策树分类算法对所述归一化电子商务数据信息进行分类，得到历史电子商务数据信息；
所述历史电子商务数据信息包括历史商品营销策略数据和历史商品营销效果数据。
进一步，在上述电子商务数据信息处理方法中，所述根据历史电子商务数据信息获取电子商务系统中已实施的历史商品营销策略数据和历史商品营销效果数据，包括：
根据历史电子商务数据信息获取电子商务系统中已实施的历史商品营销策略数据和历史商品营销效果数据；
所述历史商品营销策略数据至少包括历史商品类型详情数据、历史商品销售金额数据、历史商品销售折扣数据、历史商品销售宣传数据；
所述历史商品营销效果数据至少包括历史商品销售数量数据、历史用户消费金额数据、历史用户点击次数数据、历史用户加购次数数据。
进一步，在上述电子商务数据信息处理方法中，所述通过纵向神经网络建立初始XGBoost纵向神经网络模型，将所述初始XGBoost纵向神经网络模型中的顶层网络的ReLU激活函数用sigmoid激活函数进行替代，得到第一XGBoost纵向神经网络模型，包括：
通过纵向神经网络建立初始XGBoost纵向神经网络模型，所述初始XGBoost纵向神经网络模型至少包括输入层、输出层、池化层、全连接层；
将所述初始XGBoost纵向神经网络模型中的顶层网络的ReLU激活函数用sigmoid激活函数进行替代；
利用MaskACC卷积加速滤波器对所述初始XGBoost纵向神经网络模型的全连接层进行剪枝；
基于pailiar同态加密算法对所述初始XGBoost纵向神经网络模型进行加密处理，得到目标XGBoost纵向神经网络模型。
进一步，在上述电子商务数据信息处理方法中，所述获取电子商务系统中的实时电子商务数据信息，将所述实时电子商务数据信息输入至所述目标XGBoost纵向神经网络模型中进行识别，得到实时商品营销策略数据，包括：
获取电子商务系统中的实时电子商务数据信息，将所述实时电子商务数据信息输入至所述目标XGBoost纵向神经网络模型中进行识别，得到实时商品营销策略数据；
所述实时商品营销策略数据至少包括实时商品类型详情数据、实时商品销售金额数据、实时商品销售折扣数据、实时商品销售宣传数据。
进一步，在上述电子商务数据信息处理方法中，所述将所述实时商品营销策略数据输入至电子商务系统中进行实施，并获取实时营销结果数据，若所述实时营销结果数据小于营销阈值，则通过所述目标XGBoost纵向神经网络模型调整对应的实时商品营销策略数据，包括：
将所述实时商品营销策略数据输入至电子商务系统中进行实施，并获取实时营销结果数据；
所述实时营销结果数据至少包括实时商品销售数量数据、实时用户消费金额数据、实时用户点击次数数据、实时用户加购次数数据；
若所述实时营销结果数据小于营销阈值，则通过所述目标XGBoost纵向神经网络模型调整对应的实时商品营销策略数据；
若所述实时营销结果数据大于营销阈值，则保持实时商品营销策略数据不变，并在预设的时间段内监控所述实时营销结果数据；
若所述实时营销结果数据有变化，则通过所述目标XGBoost纵向神经网络模型调整对应的实时商品营销策略数据；
所述营销阈值包括历史商品销售数量数据、历史用户消费金额数据、历史用户点击次数数据和历史用户加购次数数据对应的商品历史营销结果数据。
进一步，在上述电子商务数据信息处理方法中，所述若所述实时营销结果数据有变化，则通过所述目标XGBoost纵向神经网络模型调整对应的实时商品营销策略数据，包括：
若所述实时营销结果数据在预设的时间段内快速上升，则对实时商品营销策略数据进行缓慢变化；所述预设的时间段包括1-2天；所述缓慢变化包括每隔15天提高商品金额10%；
若所述实时营销结果数据在预设的时间段内快速下降，则对实时商品营销策略数据进行快速变化，所述快速变化包括每隔2天降低商品金额10%；
对降低商品金额10%的实时营销结果数据进行监控，若所述实时营销结果数据在预设的时间段内无变化，则保持降低商品金额10%的实时营销结果数据不变。
进一步，在上述一种基于人工智能的电子商务数据信息处理系统中，所述电子商务数据信息处理系统，包括：
数据获取模块，用于获取电子商务系统中的电子商务数据信息，对所述电子商务数据信息进行数据预处理，得到历史电子商务数据信息；
数据分类模块，用于根据历史电子商务数据信息获取电子商务系统中已实施的历史商品营销策略数据和历史商品营销效果数据；
模型建立模块，用于通过纵向神经网络建立初始XGBoost纵向神经网络模型，将所述初始XGBoost纵向神经网络模型中的顶层网络的ReLU激活函数用sigmoid激活函数进行替代，得到第一XGBoost纵向神经网络模型；
模型训练模块，用于将所述历史商品营销策略数据和所述历史商品营销效果数据输入至所述第一XGBoost纵向神经网络模型中进行训练，得到目标XGBoost纵向神经网络模型；
策略生成模块，用于获取电子商务系统中的实时电子商务数据信息，将所述实时电子商务数据信息输入至所述目标XGBoost纵向神经网络模型中进行识别，得到实时商品营销策略数据；
策略实施模块，用于将所述实时商品营销策略数据输入至电子商务系统中进行实施，并获取实时营销结果数据，若所述实时营销结果数据小于营销阈值，则通过所述目标XGBoost纵向神经网络模型调整对应的实时商品营销策略数据。
进一步，在上述一种基于人工智能的电子商务数据信息处理系统中，所述数据获取模块包括以下子模块：
获取子模块，用于获取电子商务系统中的电子商务数据信息，对所述电子商务数据信息中的缺失数据进行缺失值处理，得到全值电子商务数据信息；
滤波子模块，用于利用中值滤波算法对所述全值电子商务数据信息进行归一化处理，得到归一化电子商务数据信息；
分类子模块，用于基于决策树分类算法对所述归一化电子商务数据信息进行分类，得到历史电子商务数据信息；
确定子模块，用于确定所述历史电子商务数据信息包括历史商品营销策略数据和历史商品营销效果数据。
进一步，在上述一种基于人工智能的电子商务数据信息处理系统中，所述模型建立模块包括以下子模块：
建立子模块，用于通过纵向神经网络建立初始XGBoost纵向神经网络模型，所述初始XGBoost纵向神经网络模型至少包括输入层、输出层、池化层、全连接层；
替代子模块，用于将所述初始XGBoost纵向神经网络模型中的顶层网络的ReLU激活函数用sigmoid激活函数进行替代；
剪枝子模块，用于利用MaskACC卷积加速滤波器对所述初始XGBoost纵向神经网络模型的全连接层进行剪枝；
加密子模块，用于基于pailiar同态加密算法对所述初始XGBoost纵向神经网络模型进行加密处理，得到目标XGBoost纵向神经网络模型。
其有益效果在于，通过人工智能技术对电子商务系统中的信息数据进行处理，根据商品的实时销售数据进行商品的销售策略智能定制，能及时对商品的销售数据进行监测；并对销售数据不好的商品数据及时调整商品销售策略，提升系统中商品的实时销量，降低对工作人员的依赖度，进而提高电子商务系统整体的运营效率和销售金额，进一步提升电子商务系统的营收。
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为本发明实施例中一种基于人工智能的电子商务数据信息处理方法的第一个实施例示意图；
图2为本发明实施例中一种基于人工智能的电子商务数据信息处理方法的第二个实施例示意图；
图3为本发明实施例中一种基于人工智能的电子商务数据信息处理方法的第三个实施例示意图；
图4为本发明实施例中一种基于人工智能的电子商务数据信息处理系统的第一个实施例示意图。
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可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“所述”也可包括复数形式。应所述进一步理解的是，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，一种基于人工智能的电子商务数据信息处理方法，电子商务数据信息处理方法包括以下步骤：
步骤101、获取电子商务系统中的电子商务数据信息，对电子商务数据信息进行数据预处理，得到历史电子商务数据信息；
本实施例中，具体的获取电子商务系统中的电子商务数据信息，对电子商务数据信息中的缺失数据进行缺失值处理，得到全值电子商务数据信息；利用中值滤波算法对全值电子商务数据信息进行归一化处理，得到归一化电子商务数据信息；基于决策树分类算法对归一化电子商务数据信息进行分类，得到历史电子商务数据信息；历史电子商务数据信息包括历史商品营销策略数据和历史商品营销效果数据。
步骤102、根据历史电子商务数据信息获取电子商务系统中已实施的历史商品营销策略数据和历史商品营销效果数据；
本实施例中，具体的根据历史电子商务数据信息获取电子商务系统中已实施的历史商品营销策略数据和历史商品营销效果数据；历史商品营销策略数据至少包括历史商品类型详情数据、历史商品销售金额数据、历史商品销售折扣数据、历史商品销售宣传数据；历史商品营销效果数据至少包括历史商品销售数量数据、历史用户消费金额数据、历史用户点击次数数据、历史用户加购次数数据。
步骤103、通过纵向神经网络建立初始XGBoost纵向神经网络模型，将初始XGBoost纵向神经网络模型中的顶层网络的ReLU激活函数用sigmoid激活函数进行替代，得到第一XGBoost纵向神经网络模型；
本实施例中，具体的通过纵向神经网络建立初始XGBoost纵向神经网络模型，初始XGBoost纵向神经网络模型至少包括输入层、输出层、池化层、全连接层；将初始XGBoost纵向神经网络模型中的顶层网络的ReLU激活函数用sigmoid激活函数进行替代；利用MaskACC卷积加速滤波器对初始XGBoost纵向神经网络模型的全连接层进行剪枝；基于pailiar同态加密算法对初始XGBoost纵向神经网络模型进行加密处理，得到目标XGBoost纵向神经网络模型。
步骤104、将历史商品营销策略数据和历史商品营销效果数据输入至第一XGBoost纵向神经网络模型中进行训练，得到目标XGBoost纵向神经网络模型；
本实施例中，具体的通过将历史商品营销策略数据和历史商品营销效果数据输入至第一XGBoost纵向神经网络模型中进行训练，得到的目标XGBoost纵向神经网络模型可以对商品的类型进行识别，并根据以往商品的类型和销售价格做出商品的销售策略，该销售策略为以往商品的类型对应的销售价格，在销售数量和访问人数，商品加购数量次数最多的销售价格、打折类型、宣传类型等。
步骤105、获取电子商务系统中的实时电子商务数据信息，将实时电子商务数据信息输入至目标XGBoost纵向神经网络模型中进行识别，得到实时商品营销策略数据；
本实施例中，具体的获取电子商务系统中的实时电子商务数据信息，将实时电子商务数据信息输入至目标XGBoost纵向神经网络模型中进行识别，得到实时商品营销策略数据；实时商品营销策略数据至少包括实时商品类型详情数据、实时商品销售金额数据、实时商品销售折扣数据、实时商品销售宣传数据。
本实施例中，具体的实时商品营销策略数据还包括在节假日或者现有的大促时期对商品进行的折价促销活动，平时不打折的商品，销量不高时可以进行打8折活动，若平时不打折的商品，销量还可以的商品可以进行打9折活动；若平时打折的商品，销量不高时，可以在实时商品营销策略数据中进行打半折活动，若平时打折的商品，销量还可以时，则对商品不尽兴打折活动。
步骤106、将实时商品营销策略数据输入至电子商务系统中进行实施，并获取实时营销结果数据，若实时营销结果数据小于营销阈值，则通过目标XGBoost纵向神经网络模型调整对应的实时商品营销策略数据。
本实施例中，具体的将实时商品营销策略数据输入至电子商务系统中进行实施，并获取实时营销结果数据；实时营销结果数据至少包括实时商品销售数量数据、实时用户消费金额数据、实时用户点击次数数据、实时用户加购次数数据；若实时营销结果数据小于营销阈值，则通过目标XGBoost纵向神经网络模型调整对应的实时商品营销策略数据；若实时营销结果数据大于营销阈值，则保持实时商品营销策略数据不变，并在预设的时间段内监控实时营销结果数据；若实时营销结果数据有变化，则通过目标XGBoost纵向神经网络模型调整对应的实时商品营销策略数据；若实时营销结果数据在预设的时间段内快速上升，则对实时商品营销策略数据进行缓慢变化；预设的时间段包括1-2天；缓慢变化包括每隔15天提高商品金额10%；若实时营销结果数据在预设的时间段内快速下降，则对实时商品营销策略数据进行快速变化，快速变化包括每隔2天降低商品金额10%；对降低商品金额10%的实时营销结果数据进行监控，若实时营销结果数据在预设的时间段内无变化，则保持降低商品金额10%的实时营销结果数据不变。营销阈值包括历史商品销售数量数据、历史用户消费金额数据、历史用户点击次数数据和历史用户加购次数数据对应的商品历史营销结果数据。
本实施例中，具体的还包括在商品打折促销后对商品的销售数据进行实时监测，若商品的实时销售数据在预设的时间段内没有变化，则隔1个月对商品进行降价促销活动，直至商品的销售价格大于成本价格10%时，停止商品的降价促销活动，若商品在降价促销活动过程中，销售数量有增加的趋势，并且趋势很猛，则提升商品的销售价格，并继续监测销售数量。
其有益效果在于，通过人工智能技术对电子商务系统中的信息数据进行处理，根据商品的实时销售数据进行商品的销售策略智能定制，能及时对商品的销售数据进行监测；并对销售数据不好的商品数据及时调整商品销售策略，提升系统中商品的实时销量，降低对工作人员的依赖度，进而提高电子商务系统整体的运营效率和销售金额，进一步提升电子商务系统的营收。
本实施例中，请参阅图2，本发明实施例中一种基于人工智能的电子商务数据信息处理方法的第二个实施例，获取电子商务系统中的历史电子商务数据信息，对历史电子商务数据信息进行数据预处理，得到历史电子商务数据信息包括以下步骤：
步骤201、获取电子商务系统中的电子商务数据信息，对电子商务数据信息中的缺失数据进行缺失值处理，得到全值电子商务数据信息；
步骤202、利用中值滤波算法对全值电子商务数据信息进行归一化处理，得到归一化电子商务数据信息；
步骤203、基于决策树分类算法对归一化电子商务数据信息进行分类，得到历史电子商务数据信息；
步骤204、历史电子商务数据信息包括历史商品营销策略数据和历史商品营销效果数据。
本实施例中，请参阅图3，本发明实施例中一种基于人工智能的电子商务数据信息处理方法的第三个实施例，将实时商品营销策略数据输入至电子商务系统中进行实施，并获取实时营销结果数据，若实时营销结果数据小于营销阈值，则通过目标XGBoost纵向神经网络模型调整对应的实时商品营销策略数据包括以下步骤：
步骤301、将实时商品营销策略数据输入至电子商务系统中进行实施，并获取实时营销结果数据；
步骤302、实时营销结果数据至少包括实时商品销售数量数据、实时用户消费金额数据、实时用户点击次数数据、实时用户加购次数数据；
步骤303、若实时营销结果数据小于营销阈值，则通过目标XGBoost纵向神经网络模型调整对应的实时商品营销策略数据；
步骤304、若实时营销结果数据大于营销阈值，则保持实时商品营销策略数据不变，并在预设的时间段内监控实时营销结果数据；
步骤305、若实时营销结果数据有变化，则通过目标XGBoost纵向神经网络模型调整对应的实时商品营销策略数据；
步骤306、营销阈值包括历史商品销售数量数据、历史用户消费金额数据、历史用户点击次数数据和历史用户加购次数数据对应的商品历史营销结果数据。
上面对本发明实施例提供的一种基于人工智能的电子商务数据信息处理方法进行了描述，下面对本发明实施例的一种基于人工智能的电子商务数据信息处理系统进行描述，请参阅图4，本发明实施例中电子商务数据信息处理系统一个实施例包括：
数据获取模块，用于获取电子商务系统中的电子商务数据信息，对电子商务数据信息进行数据预处理，得到历史电子商务数据信息；
数据分类模块，用于根据历史电子商务数据信息获取电子商务系统中已实施的历史商品营销策略数据和历史商品营销效果数据；
模型建立模块，用于通过纵向神经网络建立初始XGBoost纵向神经网络模型，将初始XGBoost纵向神经网络模型中的顶层网络的ReLU激活函数用sigmoid激活函数进行替代，得到第一XGBoost纵向神经网络模型；
模型训练模块，用于将历史商品营销策略数据和历史商品营销效果数据输入至第一XGBoost纵向神经网络模型中进行训练，得到目标XGBoost纵向神经网络模型；
策略生成模块，用于获取电子商务系统中的实时电子商务数据信息，将实时电子商务数据信息输入至目标XGBoost纵向神经网络模型中进行识别，得到实时商品营销策略数据；
策略实施模块，用于将实时商品营销策略数据输入至电子商务系统中进行实施，并获取实时营销结果数据，若实时营销结果数据小于营销阈值，则通过目标XGBoost纵向神经网络模型调整对应的实时商品营销策略数据。
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 (10)
1.一种基于人工智能的电子商务数据信息处理方法，其特征在于，所述电子商务数据信息处理方法包括以下步骤：
获取电子商务系统中的电子商务数据信息，对所述电子商务数据信息进行数据预处理，得到历史电子商务数据信息；
根据历史电子商务数据信息获取电子商务系统中已实施的历史商品营销策略数据和历史商品营销效果数据；
通过纵向神经网络建立初始XGBoost纵向神经网络模型，将所述初始XGBoost纵向神经网络模型中的顶层网络的ReLU激活函数用sigmoid激活函数进行替代，得到第一XGBoost纵向神经网络模型；
将所述历史商品营销策略数据和所述历史商品营销效果数据输入至所述第一XGBoost纵向神经网络模型中进行训练，得到目标XGBoost纵向神经网络模型；
获取电子商务系统中的实时电子商务数据信息，将所述实时电子商务数据信息输入至所述目标XGBoost纵向神经网络模型中进行识别，得到实时商品营销策略数据；
将所述实时商品营销策略数据输入至电子商务系统中进行实施，并获取实时营销结果数据，若所述实时营销结果数据小于营销阈值，则通过所述目标XGBoost纵向神经网络模型调整对应的实时商品营销策略数据。
2.如权利要求1所述的一种基于人工智能的电子商务数据信息处理方法，其特征在于，所述获取电子商务系统中的电子商务数据信息，对所述电子商务数据信息进行数据预处理，得到历史电子商务数据信息，包括：
获取电子商务系统中的历史电子商务数据信息，对所述电子商务数据信息中的缺失数据进行缺失值处理，得到全值电子商务数据信息；
利用中值滤波算法对所述全值电子商务数据信息进行归一化处理，得到归一化电子商务数据信息；
基于决策树分类算法对所述归一化电子商务数据信息进行分类，得到历史电子商务数据信息；
所述历史电子商务数据信息包括历史商品营销策略数据和历史商品营销效果数据。
3.如权利要求1所述的一种基于人工智能的电子商务数据信息处理方法，其特征在于，所述根据历史电子商务数据信息获取电子商务系统中已实施的历史商品营销策略数据和历史商品营销效果数据，包括：
根据历史电子商务数据信息获取电子商务系统中已实施的历史商品营销策略数据和历史商品营销效果数据；
所述历史商品营销策略数据至少包括历史商品类型详情数据、历史商品销售金额数据、历史商品销售折扣数据、历史商品销售宣传数据；
所述历史商品营销效果数据至少包括历史商品销售数量数据、历史用户消费金额数据、历史用户点击次数数据、历史用户加购次数数据。
4.如权利要求1所述的一种基于人工智能的电子商务数据信息处理方法，其特征在于，所述通过纵向神经网络建立初始XGBoost纵向神经网络模型，将所述初始XGBoost纵向神经网络模型中的顶层网络的ReLU激活函数用sigmoid激活函数进行替代，得到第一XGBoost纵向神经网络模型，包括：
通过纵向神经网络建立初始XGBoost纵向神经网络模型，所述初始XGBoost纵向神经网络模型至少包括输入层、输出层、池化层、全连接层；
将所述初始XGBoost纵向神经网络模型中的顶层网络的ReLU激活函数用sigmoid激活函数进行替代；
利用MaskACC卷积加速滤波器对所述初始XGBoost纵向神经网络模型的全连接层进行剪枝；
基于pailiar同态加密算法对所述初始XGBoost纵向神经网络模型进行加密处理，得到目标XGBoost纵向神经网络模型。
5.如权利要求1所述的一种基于人工智能的电子商务数据信息处理方法，其特征在于，所述获取电子商务系统中的实时电子商务数据信息，将所述实时电子商务数据信息输入至所述目标XGBoost纵向神经网络模型中进行识别，得到实时商品营销策略数据，包括：
获取电子商务系统中的实时电子商务数据信息，将所述实时电子商务数据信息输入至所述目标XGBoost纵向神经网络模型中进行识别，得到实时商品营销策略数据；
所述实时商品营销策略数据至少包括实时商品类型详情数据、实时商品销售金额数据、实时商品销售折扣数据、实时商品销售宣传数据。
6.如权利要求1所述的一种基于人工智能的电子商务数据信息处理方法，其特征在于，所述将所述实时商品营销策略数据输入至电子商务系统中进行实施，并获取实时营销结果数据，若所述实时营销结果数据小于营销阈值，则通过所述目标XGBoost纵向神经网络模型调整对应的实时商品营销策略数据，包括：
将所述实时商品营销策略数据输入至电子商务系统中进行实施，并获取实时营销结果数据；
所述实时营销结果数据至少包括实时商品销售数量数据、实时用户消费金额数据、实时用户点击次数数据、实时用户加购次数数据；
若所述实时营销结果数据小于营销阈值，则通过所述目标XGBoost纵向神经网络模型调整对应的实时商品营销策略数据；
若所述实时营销结果数据大于营销阈值，则保持实时商品营销策略数据不变，并在预设的时间段内监控所述实时营销结果数据；
若所述实时营销结果数据有变化，则通过所述目标XGBoost纵向神经网络模型调整对应的实时商品营销策略数据；
所述营销阈值包括历史商品销售数量数据、历史用户消费金额数据、历史用户点击次数数据和历史用户加购次数数据对应的商品历史营销结果数据。
7.如权利要求6所述的一种基于人工智能的电子商务数据信息处理方法，其特征在于，所述若所述实时营销结果数据有变化，则通过所述目标XGBoost纵向神经网络模型调整对应的实时商品营销策略数据，包括：
若所述实时营销结果数据在预设的时间段内快速上升，则对实时商品营销策略数据进行缓慢变化；所述预设的时间段包括1-2天；所述缓慢变化包括每隔15天提高商品金额10%；
若所述实时营销结果数据在预设的时间段内快速下降，则对实时商品营销策略数据进行快速变化，所述快速变化包括每隔2天降低商品金额10%；
对降低商品金额10%的实时营销结果数据进行监控，若所述实时营销结果数据在预设的时间段内无变化，则保持降低商品金额10%的实时营销结果数据不变。
8.一种基于人工智能的电子商务数据信息处理系统，其特征在于，所述电子商务数据信息处理系统包括以下模块：
数据获取模块，用于获取电子商务系统中的电子商务数据信息，对所述电子商务数据信息进行数据预处理，得到历史电子商务数据信息；
数据分类模块，用于根据历史电子商务数据信息获取电子商务系统中已实施的历史商品营销策略数据和历史商品营销效果数据；
模型建立模块，用于通过纵向神经网络建立初始XGBoost纵向神经网络模型，将所述初始XGBoost纵向神经网络模型中的顶层网络的ReLU激活函数用sigmoid激活函数进行替代，得到第一XGBoost纵向神经网络模型；
模型训练模块，用于将所述历史商品营销策略数据和所述历史商品营销效果数据输入至所述第一XGBoost纵向神经网络模型中进行训练，得到目标XGBoost纵向神经网络模型；
策略生成模块，用于获取电子商务系统中的实时电子商务数据信息，将所述实时电子商务数据信息输入至所述目标XGBoost纵向神经网络模型中进行识别，得到实时商品营销策略数据；
策略实施模块，用于将所述实时商品营销策略数据输入至电子商务系统中进行实施，并获取实时营销结果数据，若所述实时营销结果数据小于营销阈值，则通过所述目标XGBoost纵向神经网络模型调整对应的实时商品营销策略数据。
9.如权利要求8所述的一种基于人工智能的电子商务数据信息处理系统，其特征在于，所述数据获取模块包括以下子模块：
获取子模块，用于获取电子商务系统中的电子商务数据信息，对所述电子商务数据信息中的缺失数据进行缺失值处理，得到全值电子商务数据信息；
滤波子模块，用于利用中值滤波算法对所述全值电子商务数据信息进行归一化处理，得到归一化电子商务数据信息；
分类子模块，用于基于决策树分类算法对所述归一化电子商务数据信息进行分类，得到历史电子商务数据信息；
确定子模块，用于确定所述历史电子商务数据信息包括历史商品营销策略数据和历史商品营销效果数据。
10.如权利要求8所述的一种基于人工智能的电子商务数据信息处理系统，其特征在于，所述模型建立模块包括以下子模块：
建立子模块，用于通过纵向神经网络建立初始XGBoost纵向神经网络模型，所述初始XGBoost纵向神经网络模型至少包括输入层、输出层、池化层、全连接层；
替代子模块，用于将所述初始XGBoost纵向神经网络模型中的顶层网络的ReLU激活函数用sigmoid激活函数进行替代；
剪枝子模块，用于利用MaskACC卷积加速滤波器对所述初始XGBoost纵向神经网络模型的全连接层进行剪枝；
加密子模块，用于基于pailiar同态加密算法对所述初始XGBoost纵向神经网络模型进行加密处理，得到目标XGBoost纵向神经网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311289362.2A CN117078357B (zh) | 2023-10-08 | 2023-10-08 | 一种基于人工智能的电子商务数据信息处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311289362.2A CN117078357B (zh) | 2023-10-08 | 2023-10-08 | 一种基于人工智能的电子商务数据信息处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117078357A true CN117078357A (zh) | 2023-11-17 |
| CN117078357B CN117078357B (zh) | 2024-09-03 |
Family
ID=88719734
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311289362.2A Active CN117078357B (zh) | 2023-10-08 | 2023-10-08 | 一种基于人工智能的电子商务数据信息处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117078357B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109767255A (zh) * | 2018-12-06 | 2019-05-17 | 东莞团贷网互联网科技服务有限公司 | 一种通过大数据建模实现智能运营及精准营销的方法 |
| CN112036985A (zh) * | 2020-09-04 | 2020-12-04 | 烟台冰兔网络科技有限公司 | 一种电商经营的营销系统 |
| KR102322845B1 (ko) * | 2021-07-15 | 2021-11-05 | (주)그래코퍼레이션 | 인공지능 기반 브랜드 마케팅 전략 도출 방법, 장치 및 시스템 |
| CN113807876A (zh) * | 2020-06-15 | 2021-12-17 | 阿里巴巴集团控股有限公司 | 训练样本生成方法及装置、模型训练方法及装置 |
| CN114943561A (zh) * | 2022-06-08 | 2022-08-26 | 中凯达设施管理(北京)有限公司 | 一种市场营销管理系统 |
| CN115022089A (zh) * | 2022-07-23 | 2022-09-06 | 刘志伟 | 一种数据加密传输的电子商务交易系统 |
| CN115659055A (zh) * | 2022-12-27 | 2023-01-31 | 易商惠众(北京)科技有限公司 | 基于事件序列的商品推荐方法、系统、设备及存储介质 |
| CN116825088A (zh) * | 2023-08-25 | 2023-09-29 | 深圳市国硕宏电子有限公司 | 一种基于深度学习的会议语音检测方法及系统 |
-
2023
- 2023-10-08 CN CN202311289362.2A patent/CN117078357B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109767255A (zh) * | 2018-12-06 | 2019-05-17 | 东莞团贷网互联网科技服务有限公司 | 一种通过大数据建模实现智能运营及精准营销的方法 |
| CN113807876A (zh) * | 2020-06-15 | 2021-12-17 | 阿里巴巴集团控股有限公司 | 训练样本生成方法及装置、模型训练方法及装置 |
| CN112036985A (zh) * | 2020-09-04 | 2020-12-04 | 烟台冰兔网络科技有限公司 | 一种电商经营的营销系统 |
| KR102322845B1 (ko) * | 2021-07-15 | 2021-11-05 | (주)그래코퍼레이션 | 인공지능 기반 브랜드 마케팅 전략 도출 방법, 장치 및 시스템 |
| CN114943561A (zh) * | 2022-06-08 | 2022-08-26 | 中凯达设施管理(北京)有限公司 | 一种市场营销管理系统 |
| CN115022089A (zh) * | 2022-07-23 | 2022-09-06 | 刘志伟 | 一种数据加密传输的电子商务交易系统 |
| CN115659055A (zh) * | 2022-12-27 | 2023-01-31 | 易商惠众(北京)科技有限公司 | 基于事件序列的商品推荐方法、系统、设备及存储介质 |
| CN116825088A (zh) * | 2023-08-25 | 2023-09-29 | 深圳市国硕宏电子有限公司 | 一种基于深度学习的会议语音检测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 翁莹晶;冯慧斌;: "基于BP神经网络的网店销售预测模型研究", 闽江学院学报, no. 05, pages 28 - 34 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117078357B (zh) | 2024-09-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109636482B (zh) | 基于相似度模型的数据处理方法及系统 | |
| Soumya et al. | Modern Data Mining Approach to Handle Multivariate Data and to Implement Best Saving Services for Potential Investor | |
| Zheng et al. | Anomalous telecom customer behavior detection and clustering analysis based on ISP’s operating data | |
| Sutresno et al. | Metode K-Means Clustering dengan Atribut RFM untuk Mempertahankan Pelanggan | |
| CN115829714A (zh) | 一种理财产品数据动态监测的方法及系统 | |
| CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
| CN117078357B (zh) | 一种基于人工智能的电子商务数据信息处理方法及系统 | |
| Jintana et al. | Customer clustering for a new method of marketing strategy support within the courier business | |
| CN111506792A (zh) | 一种农业物联网综合服务管理系统 | |
| CN116308507A (zh) | 一种基于客户价值的潜在客户挖掘方法、存储介质及设备 | |
| Wu et al. | Application of data mining in customer relationship management | |
| CN115860465A (zh) | 一种企业关联数据处理预警方法、系统及装置 | |
| CN113554278A (zh) | 一种动态柔性规则的公司经营危机预警方法和系统 | |
| CN113918558A (zh) | 基于社区发现和关联规则分析的供应商紧密关系识别方法 | |
| CN110517060B (zh) | 一种基于品类购买次数的数据分析处理方法及系统 | |
| 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 | |
| Zhang et al. | Sufficient statistics feature mapping over deep boltzmann machine for detection | |
| CN111967937A (zh) | 一种基于时间序列分析的电商推荐系统及实现方法 | |
| CN117056869B (zh) | 一种基于人工智能的电子信息数据关联方法及系统 | |
| CN118014661B (zh) | 一种基于大数据的广告投放管理系统 | |
| TWM573477U (zh) | 網路使用者分群之系統 | |
| TWI769385B (zh) | 金融商品之潛在購買客群篩選方法及其系統 | |
| CN116228209A (zh) | 一种汽车拆解件资源可再生智能管理方法及系统 | |
| Jandaghi et al. | Direct Marketing Based on Fuzzy Clustering of Customers (Case Study: on one Mobile Company) | |
| CN115953166A (zh) | 基于大数据智能匹配的客户信息管理方法及系统 |
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 |