CN117114741A - 一种基于商户画像分析的信息决策方法及系统 - Google Patents

一种基于商户画像分析的信息决策方法及系统 Download PDF

Info

Publication number
CN117114741A
CN117114741A CN202311361078.1A CN202311361078A CN117114741A CN 117114741 A CN117114741 A CN 117114741A CN 202311361078 A CN202311361078 A CN 202311361078A CN 117114741 A CN117114741 A CN 117114741A
Authority
CN
China
Prior art keywords
knowledge
merchant
attribute
description vector
migration
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
Application number
CN202311361078.1A
Other languages
English (en)
Other versions
CN117114741B (zh
Inventor
涂浩
符金华
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.)
Chengdu Lechaoren Technology Co ltd
Original Assignee
Chengdu Lechaoren Technology Co ltd
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 Chengdu Lechaoren Technology Co ltd filed Critical Chengdu Lechaoren Technology Co ltd
Priority to CN202311361078.1A priority Critical patent/CN117114741B/zh
Publication of CN117114741A publication Critical patent/CN117114741A/zh
Application granted granted Critical
Publication of CN117114741B publication Critical patent/CN117114741B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0261—Targeted advertisements based on user location
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种基于商户画像分析的信息决策方法及系统，可以有效地从目标商户的在线行为数据中提取有关其行为模式、知识成员和行为依赖关系的信息，通过迁移传递和聚合过程，可以生成商户行为知识网络的聚焦描述向量，进一步实现对商户意图的分析和画像，有助于了解目标商户的商户意图画像，从而能够更准确地进行内容推送和个性化营销。

Description

一种基于商户画像分析的信息决策方法及系统
技术领域
本申请涉及数字化信息技术领域，具体而言，涉及一种基于商户画像分析的信息决策方法及系统。
背景技术
随着互联网和电子商务的快速发展，商户在线行为数据已成为众多企业进行商户画像分析、营销决策以及产品推荐等方面的重要依据。然而，商户在线行为数据包括商户的在线行为以及这些行为之间的依赖关系，数据量大、复杂度高，如何有效地获取和理解这些数据，是目前面临的一大挑战。
传统的商户行为分析方法主要依赖于统计学或者机器学习方法，通过提取商户行为特征，然后基于这些特征进行商户意图画像分析。然而，这种方法存在两个主要问题：一是商户行为数据的复杂性和动态性使得特征提取困难；二是由于忽视了商户行为之间的依赖关系，这种方法无法准确捕获商户的真实意图。
因此，急需一种新的方法，能够有效地获取和理解商户在线行为数据，并基于此进行商户意图画像分析。
发明内容
有鉴于此，本申请的目的在于提供一种基于商户画像分析的信息决策方法及系统。
依据本申请的第一方面，提供一种基于商户画像分析的信息决策方法，应用于基于商户画像分析的信息决策系统，所述方法包括：
获取目标商户的商户在线行为数据，所述商户在线行为数据包括商户在线行为和行为依赖关系；
基于所述商户在线行为数据生成与所述商户在线行为数据对应的商户行为知识网络，所述商户行为知识网络包括所述商户在线行为对应的知识成员以及所述行为依赖关系对应的知识联系属性；
提取所述知识成员的第一知识成员描述向量和所述知识联系属性的第一知识联系属性描述向量，并基于所述知识成员的第一知识成员描述向量、所述知识联系属性的第一知识联系属性描述向量获取迭代式迁移传递的基础加载特征；
基于迭代式迁移传递网络中多个迁移传递单元，依据所述基础加载特征在所述知识联系属性上进行迭代式迁移传递，生成所述知识联系属性在经过迭代式迁移传递后的迭代动态特征，所述迭代式迁移传递网络还包括：知识成员描述单元和聚合单元；
基于所述迭代动态特征获取所述知识联系属性的目标知识联系向量，基于所述知识成员描述单元将所述知识联系属性的目标知识联系向量转化成所述商户行为知识网络中每个知识成员的知识成员描述向量，基于所述聚合单元对每个知识成员的知识成员描述向量进行聚合，生成所述商户行为知识网络的商户聚焦描述向量；
依据所述商户行为知识网络的商户聚焦描述向量对所述商户行为知识网络进行商户意图画像分析，生成目标商户的商户意图画像分析数据。
在第一方面的一种可能的实施方式中，基于迭代式迁移传递网络中多个迁移传递单元，依据所述基础加载特征在所述知识联系属性上进行迭代式迁移传递，生成所述知识联系属性在经过迭代式迁移传递后的迭代动态特征，包括：
将所述基础加载特征作为本轮迭代迁移传递的本次加载数据，并依据本次加载数据进行本轮迭代迁移传递，每一个迁移传递单元对应一轮次的迁移传递；
基于迭代式迁移传递网络中多个迁移传递单元，基于所述知识成员的第一知识成员描述向量、所述知识联系属性的当前知识联系属性描述向量以及过往迭代动态特征，获取所述知识联系属性在本轮迭代迁移传递时的当前迭代动态特征，所述过往迭代动态特征为所述知识联系属性在过往轮次的迁移传递时的迭代动态特征；
在进入下一轮次的迁移传递时，基于所述当前迭代动态特征、知识成员的第一知识成员描述向量调整所述本次加载数据，并返回执行依据本次加载数据进行本轮迭代迁移传递的步骤直至完成所有轮次的迁移传递，生成所述知识联系属性在经过迭代式迁移传递后的迭代动态特征。
在第一方面的一种可能的实施方式中，基于所述知识成员的第一知识成员描述向量、所述知识联系属性的当前知识联系属性描述向量以及过往迭代动态特征，获取所述知识联系属性在本轮迭代迁移传递时的当前迭代动态特征，包括：
确定所述知识联系属性的触发知识成员对应的所有前向知识联系属性； 对所述前向知识联系属性的当前知识联系属性描述向量、所述前向知识联系属性上知识成员的第一知识成员描述向量、以及所述前向知识联系属性在过往迁移传递时的过往迭代动态特征进行聚合，生成所述前向知识联系属性的迁移传递信息；
对所有前向知识联系属性的迁移传递信息进行汇聚，生成所述知识联系属性在本轮迭代迁移传递时的迁移传递信息序列；
基于第一聚合参数对所述知识联系属性的第一知识联系属性描述向量、所述知识联系属性上知识成员的第一知识成员描述向量进行聚合，生成所述知识联系属性的聚合后知识联系属性描述向量；
依据ReLU函数对聚合后知识联系属性描述向量进行处理，生成所述知识联系属性在候选过往轮次的迁移传递时的候选过往迭代动态特征；
基于第二聚合参数对候选过往迭代特征以及所述迁移传递信息进行聚合，生成目标聚合迭代动态特征；
依据ReLU函数对目标聚合迭代动态特征进行处理，生成所述知识联系属性在本轮迭代迁移传递时的当前迭代动态特征。
在第一方面的一种可能的实施方式中，对所述前向知识联系属性的当前知识联系属性描述向量、所述前向知识联系属性上知识成员的第一知识成员描述向量、以及所述前向知识联系属性在过往迁移传递时的过往迭代动态特征进行聚合，生成所述前向知识联系属性的迁移传递信息，包括：
基于迁移传递参数，对所述前向知识联系属性的当前知识联系属性描述向量、所述前向知识联系属性上知识成员的第一知识成员描述向量、以及所述前向知识联系属性在过往迁移传递时的过往迭代动态特征进行聚合，生成目标聚合特征；
依据ReLU函数对所述目标聚合特征进行处理，生成所述前向知识联系属性的迁移传递信息。
在第一方面的一种可能的实施方式中，基于所述知识成员描述单元将所述知识联系属性的目标知识联系向量转化成所述商户行为知识网络中每个知识成员的知识成员描述向量，包括：
基于所述知识成员描述单元，针对每个知识成员确定与知识成员相关联的相关知识联系属性，所述相关知识联系属性包括所述知识成员、以及所述知识成员的依赖知识成员；
对所有相关知识联系属性的目标知识联系向量进行聚合，生成聚合后相关知识联系属性描述向量；
依据第三聚合参数对所述知识成员的当前知识成员描述向量以及所述聚合后相关知识联系属性描述向量进行聚合，生成所述知识成员的知识成员描述向量。
在第一方面的一种可能的实施方式中，提取所述知识成员的第一知识成员描述向量和所述知识联系属性的第一知识联系属性描述向量，包括：
基于所述商户在线行为的商户在线行为内容构建知识成员的第一知识成员描述向量；
基于所述行为依赖关系的行为依赖描述内容提取所述知识联系属性的第一知识联系属性描述向量。
在第一方面的一种可能的实施方式中，还包括：
获取范例商户的范例商户在线行为数据，所述范例商户在线行为数据包括范例商户在线行为和范例行为依赖关系；
基于所述范例商户在线行为数据生成与所述范例商户在线行为数据对应的范例商户行为知识网络，所述范例商户行为知识网络包括所述范例商户在线行为对应的范例知识成员，所述范例行为依赖关系对应的范例知识联系属性；
提取所述范例知识成员的范例第一知识成员描述向量和所述范例知识联系属性的范例第一知识联系属性描述向量； 基于预设迭代式迁移传递网络，依据所述知识成员的范例第一知识成员描述向量、所述知识联系属性的范例第一知识联系属性描述向量预测范例商户的商户意图画像，生成范例商户的商户意图画像训练数据；
计算范例商户的商户意图画像训练数据与标注商户意图画像数据之间的误差值，并依据所述误差值对所述迭代式迁移传递网络进行参数更新，生成更新后的迭代式迁移传递网络。
在第一方面的一种可能的实施方式中，所述方法还包括：
基于所述目标商户的商户意图画像分析数据，对所述目标商户进行内容推送决策。
依据本申请的第二方面，提供一种基于商户画像分析的信息决策系统，所述基于商户画像分析的信息决策系统包括机器可读存储介质及处理器，所述机器可读存储介质存储有机器可执行指令，所述处理器在执行所述机器可执行指令时，该基于商户画像分析的信息决策系统实现前述的基于商户画像分析的信息决策方法。
依据本申请的第三方面，提供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计算机可执行指令，当所述计算机可执行指令被执行时，实现前述的基于商户画像分析的信息决策方法。
依据上述任意一个方面，本申请中，通过获取目标商户的商户在线行为数据，并利用商户在线行为数据生成商户行为知识网络，通过提取知识成员和知识联系属性的描述向量，并基于这些向量获取迭代式迁移传递的基础加载特征，利用迭代式迁移传递网络中的多个迁移传递单元，在知识联系属性上进行迭代式迁移传递，生成经过迁移传递后的迭代动态特征。进一步，根据迭代动态特征获取知识联系属性的目标知识联系向量，并将其转化成商户行为知识网络中每个知识成员的知识成员描述向量。最后，通过聚合单元对知识成员描述向量进行聚合，生成商户行为知识网络的商户聚焦描述向量。利用商户聚焦描述向量进行商户意图画像分析，从而生成目标商户的商户意图画像分析数据。能够有效地从目标商户的在线行为数据中提取有关其行为模式、知识成员和行为依赖关系的信息，通过迁移传递和聚合过程，可以生成商户行为知识网络的聚焦描述向量，进一步实现对商户意图的分析和画像，有助于了解目标商户的商户意图画像，从而能够更准确地进行内容推送和个性化营销。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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，还可以依据这些附图获得其它相关的附图。
图1本申请实施例所提供的基于商户画像分析的信息决策方法的流程示意图；
图2示出了本申请实施例所提供的用于实现上述的基于商户画像分析的信息决策方法的基于商户画像分析的信息决策系统的组件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将依据本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了依据本申请实施例的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其它操作，也可以从流程图中销毁一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。依据本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都属于本申请保护的范围。
图1示出了本申请实施例提供的基于商户画像分析的信息决策方法的流程示意图，应当理解，在其它实施例中，本实施例的基于商户画像分析的信息决策方法其中部分步骤的顺序可以依据实际需要相互共享，或者其中的部分步骤也可以省略或维持。该基于商户画像分析的信息决策方法的详细包括：
步骤S110，获取目标商户的商户在线行为数据。
本实施例中，所述商户在线行为数据包括商户在线行为和行为依赖关系。例如，可以收集了该目标商户在平台上的各种在线行为数据。例如，记录了目标商户的商品浏览记录、购买记录、添加到购物车的行为以及目标商户给予商品评价的行为，行为之间的依赖关系可以是购买行为依赖于浏览行为，或者评价行为依赖于购买行为等。
例如，假设商户的浏览行为：商户在电子商务平台上浏览不同商品的页面，查看产品详情、价格等信息。
示例：商户A在电子商务平台上浏览了手机、电视和耳机的产品页面。
商户的购买行为：商户在电子商务平台上购买商品，完成交易并支付订单。
示例：商户B购买了一部手机，并完成了付款流程。
商户的评价行为：商户对购买的商品进行评价，包括给予商品评分和撰写文字评论。
示例：商户C给购买的耳机商品打了五星评分，并留下了一个正面的评论。
行为依赖关系：商户的某些行为可能依赖于其它行为的发生或特定条件的满足。
示例：商户D的购买行为可能依赖于其之前的浏览行为，即商户必须先浏览商品才能购买。
示例：商户E的评价行为可能依赖于其之前的购买行为，即商户只有购买了商品后才能对其进行评价。
这些示例展示了商户在线行为数据中的不同类型行为，如浏览、购买和评价，以及它们之间的行为依赖关系。收集和分析这些行为数据可以揭示商户的偏好、兴趣和行为模式，进而进行商户意图画像和个性化推荐等分析应用。
步骤S120，基于所述商户在线行为数据生成与所述商户在线行为数据对应的商户行为知识网络。
本实施例中，所述商户行为知识网络包括所述商户在线行为对应的知识成员以及所述行为依赖关系对应的知识联系属性。
也即，商户行为知识网络是一个表示商户在线行为和行为依赖关系的图形结构。以下是商户行为知识网络的格式内容的具体描述：
知识成员（Knowledge Members）：
每个知识成员代表商户的一种在线行为，如浏览、购买、评价等。
每个知识成员具有唯一的标识符，用于在网络中进行标识和区分。
知识联系属性（Knowledge Relationship Attributes）：
知识联系属性表示不同知识成员之间的行为依赖关系或关联关系。
每个知识联系属性包含以下信息：
起始知识成员（Source Knowledge Member）：表示一个行为的起始点或前置行为。
目标知识成员（Target Knowledge Member）：表示一个行为的目标点或后续行为。
关系类型（Relationship Type）：表示两个行为之间的关系类型，如浏览依赖于购买、评价关联于购买等。
商户行为知识网络的连接关系：
商户行为知识网络通过连接知识成员和知识联系属性来表示行为之间的关系。
每个知识成员和知识联系属性之间可以有多条连接关系，形成一个复杂的网络结构。
举例来说，商户行为知识网络可以如下所示：
知识成员：
知识成员1：浏览
知识成员2：购买
知识成员3：评价
知识联系属性：
属性1：起始知识成员：知识成员1，目标知识成员：知识成员2，关系类型：依赖（表示浏览依赖于购买）
属性2：起始知识成员：知识成员2，目标知识成员：知识成员3，关系类型：关联（表示购买关联于评价）
在这个商户行为知识网络中，浏览、购买和评价分别作为知识成员进行表示。而浏览和购买之间存在依赖关系，购买和评价之间存在关联关系，通过知识联系属性进行连接和描述。这样的商户行为知识网络可用于分析商户行为模式、预测下一步行为等应用。
步骤S130，提取所述知识成员的第一知识成员描述向量和所述知识联系属性的第一知识联系属性描述向量，并基于所述知识成员的第一知识成员描述向量、所述知识联系属性的第一知识联系属性描述向量获取迭代式迁移传递的基础加载特征。
例如，可以基于所述商户在线行为的商户在线行为内容构建知识成员的第一知识成员描述向量，基于所述行为依赖关系的行为依赖描述内容提取所述知识联系属性的第一知识联系属性描述向量。示例性地，以下是具体的步骤和内容提取方法：
第一知识成员描述向量的构建：
对于每个知识成员，将其对应的商户在线行为内容进行表示和编码。可以使用不同的特征提取方法，如词袋模型（Bag-of-Words）、词嵌入（Word Embedding）等，将商户在线行为内容转化为数值向量。根据具体任务和需求，选择适当的特征维度、编码方式和算法来构建第一知识成员描述向量。
第一知识联系属性描述向量的提取：
对于每个行为依赖关系的描述内容，提取其中的关键信息和特征。可以使用自然语言处理技术，如文本解析、实体抽取、关键词提取等，从行为依赖关系描述内容中抽取重要的语义和结构信息。将这些关键信息转化为数值向量表示，例如通过词嵌入或独热编码等方式。根据具体情况，可能需要考虑多个属性描述的组合或聚合，以构建更全面的第一知识联系属性描述向量。
需要注意的是，具体的描述向量构建方法和特征提取技术可以根据实际场景和任务的要求进行选择和调整。这些描述向量将为商户行为知识网络的分析和应用提供基础和输入，帮助理解商户的在线行为模式和行为依赖关系。
由此，可以将所述知识成员的第一知识成员描述向量、所述知识联系属性的第一知识联系属性描述向量作为所述迭代式迁移传递的基础加载特征。
步骤S140，基于迭代式迁移传递网络中多个迁移传递单元，依据所述基础加载特征在所述知识联系属性上进行迭代式迁移传递，生成所述知识联系属性在经过迭代式迁移传递后的迭代动态特征，所述迭代式迁移传递网络还包括：知识成员描述单元和聚合单元。
步骤S150，基于所述迭代动态特征获取所述知识联系属性的目标知识联系向量，基于所述知识成员描述单元将所述知识联系属性的目标知识联系向量转化成所述商户行为知识网络中每个知识成员的知识成员描述向量，基于所述聚合单元对每个知识成员的知识成员描述向量进行聚合，生成所述商户行为知识网络的商户聚焦描述向量。
步骤S160，依据所述商户行为知识网络的商户聚焦描述向量对所述商户行为知识网络进行商户意图画像分析，生成目标商户的商户意图画像分析数据。
例如，可以将所述商户行为知识网络的商户聚焦描述向量输入到商户意图画像分析网络中，生成目标商户的商户意图画像分析数据。
例如，可以搭建构建一个适合商户意图画像分析的神经网络模型，也即商户意图画像分析网络。该商户意图画像分析网络可以包括输入层、隐藏层和输出层，其中输入层接收商户聚焦描述向量作为输入数据。
在商户意图画像分析网络中，使用适当的神经网络架构和算法来学习商户行为知识网络的特征表示。这可以通过卷积神经网络（CNN）、循环神经网络（RNN）或注意力机制等技术来实现。
将目标商户的商户聚焦描述向量输入到商户意图画像分析网络中，并经过前向传播计算得到相应的输出，根据商户意图画像分析网络的输出，解码生成目标商户的商户意图画像分析数据，这可以包括商户的行为偏好、消费喜好、用户意见等信息。
其中，可以使用已有的商户行为数据集进行网络训练，通过反向传播算法更新网络参数，使其逐渐收敛并提高生成商户意图画像分析数据的准确性和可靠性，对训练好的商户意图画像分析网络进行评估，并根据评估结果对模型进行调优，以提高其性能和效果。
例如，商户意图画像数据可以包括以下方面的信息：
1、购买意向：商户对特定产品或服务的购买意愿和偏好。例如，商户可能表现出对某类产品的高度兴趣或经常购买某个品牌的产品。
2、消费行为：商户的消费模式和习惯，包括购买频率、购买金额、消费时段等。例如，商户可能是高频购买者，每月在特定时间段内进行大额购物。
3、偏好特征：商户对产品或服务的具体偏好特征。这可能包括商品属性（如颜色、尺寸）、支付方式（如在线支付、货到付款）、送货选项（如自取、快递配送）等。
4、服务需求：商户对售前和售后服务的期望和要求。例如，商户可能需要定期的技术支持、退换货政策或维修保障。
5、用户反馈：商户对产品、服务或用户体验的评价、建议或投诉。这些反馈可以来自在线评论、调查问卷、客服交互等渠道。
6、品牌偏好：商户对特定品牌的态度和倾向。商户可能对某些品牌有较高的忠诚度，或者在不同品牌之间进行选择。
7、社交影响力：商户在社交网络上的影响力和活跃程度。这可能体现为商户的粉丝数量、社交媒体互动频率以及他们对产品推荐的影响力。
8、地理位置特征：商户所处地理位置的特点，如城市类型（大城市、小城镇）、区域特征（商业中心、住宅区）等。这些信息有助于了解商户所处市场环境和潜在需求。
商户意图画像数据可以综合了上述信息，可以帮助平台理解商户的行为模式、需求和偏好，从而优化产品开发、推广策略、服务提供等方面的决策，由此，可以基于所述目标商户的商户意图画像分析数据，对所述目标商户进行内容推送决策。例如，对目标商户进行内容推送决策可以考虑以下几点：
1、目标受众：了解目标商户的特征和偏好，包括行业、规模、定位以及他们的目标客户群体。根据这些信息来确定推送内容的适宜性。
2、推送渠道：确定合适的推送渠道，例如电子邮件、社交媒体、短信营销或在线广告。选择与目标商户常用的渠道，并确保能够高效地传递目标内容。
3、内容个性化：根据目标商户的需求和兴趣定制内容。考虑提供有价值、相关性强、吸引力高的信息，例如促销活动、产品更新、行业趋势分析等。
4、推送频率：避免过度推送，以免造成目标商户的厌烦或忽视。根据目标商户的反馈和市场反应调整推送频率，确保信息得到有效传达。
5、测试和优化：监测推送效果并进行数据分析，了解目标商户对推送内容的反应。根据结果进行优化和调整，以提高推送的效果和回报率。
综合考虑以上因素，制定个性化、定向和有价值的内容推送策略，将有助于提高目标商户的参与度和回应率。
基于以上步骤，通过获取目标商户的商户在线行为数据，并利用商户在线行为数据生成商户行为知识网络，通过提取知识成员和知识联系属性的描述向量，并基于这些向量获取迭代式迁移传递的基础加载特征，利用迭代式迁移传递网络中的多个迁移传递单元，在知识联系属性上进行迭代式迁移传递，生成经过迁移传递后的迭代动态特征。进一步，根据迭代动态特征获取知识联系属性的目标知识联系向量，并将其转化成商户行为知识网络中每个知识成员的知识成员描述向量。最后，通过聚合单元对知识成员描述向量进行聚合，生成商户行为知识网络的商户聚焦描述向量。利用商户聚焦描述向量进行商户意图画像分析，从而生成目标商户的商户意图画像分析数据。能够有效地从目标商户的在线行为数据中提取有关其行为模式、知识成员和行为依赖关系的信息，通过迁移传递和聚合过程，可以生成商户行为知识网络的聚焦描述向量，进一步实现对商户意图的分析和画像，有助于了解目标商户的商户意图画像，从而能够更准确地进行内容推送和个性化营销。
一种可替代的实施方式中，步骤S140中，基于迭代式迁移传递网络中多个迁移传递单元，依据所述基础加载特征在所述知识联系属性上进行迭代式迁移传递，生成所述知识联系属性在经过迭代式迁移传递后的迭代动态特征，可以通过以下示例性的子步骤实现：
子步骤S141，将所述基础加载特征作为本轮迭代迁移传递的本次加载数据，并依据本次加载数据进行本轮迭代迁移传递，每一个迁移传递单元对应一轮次的迁移传递。
子步骤S142，基于迭代式迁移传递网络中多个迁移传递单元，基于所述知识成员的第一知识成员描述向量、所述知识联系属性的当前知识联系属性描述向量以及过往迭代动态特征，获取所述知识联系属性在本轮迭代迁移传递时的当前迭代动态特征，所述过往迭代动态特征为所述知识联系属性在过往轮次的迁移传递时的迭代动态特征。
子步骤S143，在进入下一轮次的迁移传递时，基于所述当前迭代动态特征、知识成员的第一知识成员描述向量调整所述本次加载数据，并返回执行依据本次加载数据进行本轮迭代迁移传递的步骤直至完成所有轮次的迁移传递，生成所述知识联系属性在经过迭代式迁移传递后的迭代动态特征。
本实施例中，在每一轮次的迁移传递中，每个知识成员将其当前描述向量与相邻知识成员的描述向量进行聚合操作，例如求和或平均值。这个操作可以看作是知识成员之间的消息传递。然后，每个知识成员接收到来自相邻知识成员的消息后，可以使用某种函数或算法来更新自己的描述向量。这个更新过程可能基于知识成员自身的特征、相邻知识成员的特征以及传递过来的消息。由此，重复迭代，以使得每一轮的消息传播和知识成员状态更新都会在整个图上进行，并且知识成员之间的信息交换随着迭代的进行而不断改变。
通过迭代过程，知识成员的状态逐渐更新和改变，信息在整个图中传递和融合，从而实现了迭代迁移传递的目的。
例如，子步骤S142中，可以确定所述知识联系属性的触发知识成员对应的所有前向知识联系属性。对所述前向知识联系属性的当前知识联系属性描述向量、所述前向知识联系属性上知识成员的第一知识成员描述向量、以及所述前向知识联系属性在过往迁移传递时的过往迭代动态特征进行聚合，生成所述前向知识联系属性的迁移传递信息。对所有前向知识联系属性的迁移传递信息进行汇聚，生成所述知识联系属性在本轮迭代迁移传递时的迁移传递信息序列。基于第一聚合参数对所述知识联系属性的第一知识联系属性描述向量、所述知识联系属性上知识成员的第一知识成员描述向量进行聚合，生成所述知识联系属性的聚合后知识联系属性描述向量。依据ReLU函数对聚合后知识联系属性描述向量进行处理，生成所述知识联系属性在候选过往轮次的迁移传递时的候选过往迭代动态特征。基于第二聚合参数对候选过往迭代特征以及所述迁移传递信息进行聚合，生成目标聚合迭代动态特征。依据ReLU函数对目标聚合迭代动态特征进行处理，生成所述知识联系属性在本轮迭代迁移传递时的当前迭代动态特征。
其中，所述触发知识成员指的是与某个特定知识联系属性相关的知识成员。而前向知识联系属性则是指与目标知识联系属性有关联，并且其知识成员可以触发目标知识成员的知识联系属性。
具体来说，假设有一个知识网络或知识网络，其中包含了不同的知识联系属性和它们之间的连接关系。每个知识联系属性都可能与多个知识成员相关联。
现在考虑一个特定的知识联系属性，称之为目标知识联系属性。触发知识成员是指与目标知识联系属性直接相连的知识成员。
而前向知识联系属性是指与目标知识联系属性直接相连，并且由触发知识成员引发的其它知识联系属性。换句话说，前向知识联系属性是从触发知识成员开始，通过其所连接的边传播到目标知识联系属性的其它知识联系属性。
例如，假设有一个知识网络中的三个知识联系属性：A、B和C。如果A和B都与知识成员X相关联，而C与知识成员Y相关联，并且存在以下连接关系：A->B->C，那么A和B就是触发知识成员对应的前向知识联系属性。
在这个示例中，如果关注目标知识联系属性C，那么A和B就是触发知识成员对应的前向知识联系属性。它们通过知识成员X作为触发器，将信息传递到目标知识联系属性C。
因此，触发知识成员对应的所有前向知识联系属性指的是与特定知识联系属性相连，并且由触发知识成员引发的其它知识联系属性的集合。
针对以上第一、第二聚合参数的具体实现方式，可以参见下述描述。
这是一个抽象的例子，实际应用中可能会使用不同的聚合方式和算法。
假设有一个知识网络，其中包含三个知识联系属性：A、B和C。每个知识联系属性都与多个知识成员相关联。
现在考虑目标知识联系属性为C，想要生成C的当前迭代动态特征。可以按照以下步骤进行聚合：
第一步聚合（前向知识联系属性的迁移传递信息）：
对于每个前向知识联系属性，如A和B，将其当前知识联系属性描述向量、知识成员的第一知识成员描述向量和过往迁移传递时的过往迭代动态特征进行聚合。
例如，可以将它们简单地相加或者通过一个神经网络模型进行融合得到前向知识联系属性的迁移传递信息。
第二步聚合（迁移传递信息序列的汇聚）：
将所有前向知识联系属性的迁移传递信息进行汇聚，生成知识联系属性C在本轮迭代迁移传递时的迁移传递信息序列。
这可以是将所有前向知识联系属性的迁移传递信息进行加权平均或连接起来形成一个序列。
第三步聚合（生成当前迭代动态特征）：
使用第一聚合参数对知识联系属性C的第一知识联系属性描述向量和知识联系属性上知识成员的第一知识成员描述向量进行聚合，生成聚合后的知识联系属性描述向量。
可以通过简单地相加或者通过一个神经网络模型将它们融合来实现。
请注意，这只是一个示例，具体的聚合方式取决于具体的算法或模型设计。在实际应用中，可能会采用更复杂的聚合方法，如使用注意力机制、门控机制或其他自定义的聚合函数来实现特定的任务需求。
本实施例中，迭代动态特征是指在迭代过程中，某个知识成员的描述向量发生变化或演化的情况。例如，在知识网络中，迭代动态特征描述了知识成员在不同时间点或迭代轮次上的状态或特征变化。
迭代动态特征可以用于捕捉和分析随时间推移而发生的变化、模式或趋势。通过追踪迭代动态特征，可以了解知识成员如何随着时间的推移而演变，从而洞察其发展趋势、周期性变化或其他相关信息。
具体而言，迭代动态特征的表示可以采用向量、时间序列、图形结构或其他形式来表示知识成员在不同迭代轮次或时间点上的状态。根据具体应用场景和任务需求，可以采用不同的方法和技术来提取、分析和利用迭代动态特征。
总而言之，迭代动态特征描述了知识成员在迭代过程中随时间发生的变化，它是用于分析和理解知识网络中演化特征的重要概念。
一种可替代的实施方式中，对所述前向知识联系属性的当前知识联系属性描述向量、所述前向知识联系属性上知识成员的第一知识成员描述向量、以及所述前向知识联系属性在过往迁移传递时的过往迭代动态特征进行聚合，生成所述前向知识联系属性的迁移传递信息，具体可以是基于迁移传递参数，对所述前向知识联系属性的当前知识联系属性描述向量、所述前向知识联系属性上知识成员的第一知识成员描述向量、以及所述前向知识联系属性在过往迁移传递时的过往迭代动态特征进行聚合，生成目标聚合特征，依据ReLU函数对所述目标聚合特征进行处理，生成所述前向知识联系属性的迁移传递信息。
迁移传递参数是指用于描述知识联系属性之间迁移传递关系的参数。它包含了在迁移传递过程中需要考虑的相关信息和权重。
具体来说，迁移传递参数可以涉及以下内容：
相关性权重：迁移传递参数可以包括衡量不同知识联系属性之间相关性或相似性的权重。这些权重用于决定在迁移传递过程中，前向知识联系属性对目标知识联系属性的影响程度。
聚合方式：迁移传递参数还可以描述在聚合过程中使用的具体方法或策略。例如，它可以指定如何将不同特征向量进行加权求和、拼接或通过其他方式进行聚合。
动态调整策略：迁移传递参数可能还包括动态调整策略，以根据不同情境或任务的需求来调整迁移传递的影响程度或权重。这可以帮助在不同的应用场景下灵活地适应迁移传递过程。
总之，迁移传递参数是指用于描述知识联系属性之间迁移传递关系的参数，包括相关性权重、聚合方式和动态调整策略。这些参数帮助指导如何将前向知识联系属性的信息传递到目标知识联系属性，并影响迁移传递过程中的特征聚合和处理方式。具体的含义和取值通常根据具体的算法、模型或方法而有所不同。
一种可替代的实施方式中，步骤S150中，基于所述知识成员描述单元将所述知识联系属性的目标知识联系向量转化成所述商户行为知识网络中每个知识成员的知识成员描述向量，可以通过以下示例性的子步骤实现：
子步骤S151，基于所述知识成员描述单元，针对每个知识成员确定与知识成员相关联的相关知识联系属性，所述相关知识联系属性包括所述知识成员、以及所述知识成员的依赖知识成员。
子步骤S152，对所有相关知识联系属性的目标知识联系向量进行聚合，生成聚合后相关知识联系属性描述向量。
子步骤S153，依据第三聚合参数对所述知识成员的当前知识成员描述向量以及所述聚合后相关知识联系属性描述向量进行聚合，生成所述知识成员的知识成员描述向量。例如，可以通过加权平均、拼接或其他聚合方法来完成。
一种可替代的实施方式中，以上方法实施例还可以包括迭代式迁移传递网络的训练步骤，具体可以包括：
步骤S101，获取范例商户的范例商户在线行为数据，所述范例商户在线行为数据包括范例商户在线行为和范例行为依赖关系。
步骤S102，基于所述范例商户在线行为数据生成与所述范例商户在线行为数据对应的范例商户行为知识网络，所述范例商户行为知识网络包括所述范例商户在线行为对应的范例知识成员，所述范例行为依赖关系对应的范例知识联系属性。
步骤S103，提取所述范例知识成员的范例第一知识成员描述向量和所述范例知识联系属性的范例第一知识联系属性描述向量。 基于预设迭代式迁移传递网络，依据所述知识成员的范例第一知识成员描述向量、所述知识联系属性的范例第一知识联系属性描述向量预测范例商户的商户意图画像，生成范例商户的商户意图画像训练数据。
步骤S104，计算范例商户的商户意图画像训练数据与标注商户意图画像数据之间的误差值，并依据所述误差值对所述迭代式迁移传递网络进行参数更新，生成更新后的迭代式迁移传递网络。
图2示意性地示出了可被用于实现本申请中所述的各个实施例的基于商户画像分析的信息决策系统100。
对于一个实施例，图2示出了基于商户画像分析的信息决策系统100，该基于商户画像分析的信息决策系统100具有一个或多个处理器102、被耦合到(一个或多个)处理器102中的一个或多个的控制模块104、被耦合到控制模块104的存储器106、被耦合到控制模块104的NVM/存储设备108 (NM为非易失性存储器)、被耦合到控制模块104的一个或多个输入/输出设备110，和被耦合到控制模块104的网络接口112。
处理器102可包括一个或多个单核或多核处理器，处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。一些示例性的设计思路中，基于商户画像分析的信息决策系统100能够作为本申请实施例中所述网关等服务器设备。
一些示例性的设计思路中，基于商户画像分析的信息决策系统100可包括具有指令114的一个或多个计算机可读介质(例如，存储器106或NVM/存储设备108)和与该一个或多个计算机可读介质相汇聚被配置为执行指令114以实现模块从而执行本公开中所述的动作的一个或多个处理器102。
对于一个实施例，控制模块104可包括任意适当的接口控制器，以向(一个或多个)处理器102中的一个或多个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。
控制模块104可包括存储器控制器模块，以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器106可被用于例如为基于商户画像分析的信息决策系统100加载和存储数据和/或指令114。对于一个实施例，存储器106可包括任意适当的易失性存储器，例如，适当的DRAM。一些示例性的设计思路中，存储器106可包括双倍数据速率类型四同步动态随机存取存储器(DDR4SDRAM)。
对于一个实施例，控制模块104可包括一个或多个输入/输出控制器，以向NVM/存储设备108及(一个或多个)输入/输出设备110提供接口。
例如，NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如，一个或多个硬盘驱动器(HDD)、一个或多个光盘(CD)驱动器和/或一个或多个数字通用光盘(DVD)驱动器)。
NVM/存储设备108可包括在物理上作为基于商户画像分析的信息决策系统100被安装在其上的设备的一部分的存储资源，或者其可被该设备访问可不必作为该设备的一部分。例如，NVM/存储设备108可依据网络经由(一个或多个)输入/输出设备110进行访问。
(一个或多个)输入/输出设备110可为基于商户画像分析的信息决策系统100提供接口以与任意其它适当的设备通信，输入/输出设备110可以包括通信组件、拼音组件、传感器组件等。网络接口112可为基于商户画像分析的信息决策系统100提供接口以依据一个或多个网络通信，基于商户画像分析的信息决策系统100可依据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信，例如接入依据通信标准的无线网络，或它们的组合进行无线通信。
对于一个实施例，(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器(例如，存储器控制器模块)的逻辑加载在一起。对于一个实施例，(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑加载在一起以形成系统级加载。对于一个实施例，(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例，(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(SoC)。
在各个实施例中，基于商户画像分析的信息决策系统100可以但不限于是：基于商户画像分析的信息决策系统、台式计算设备或移动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中，基于商户画像分析的信息决策系统100可具有更多或更少的组件和/或不同的架构。例如，一些示例性的设计思路中，基于商户画像分析的信息决策系统100包括一个或多个摄像机、键盘、液晶显示器(LCD)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(ASIC)和扬声器。
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。

Claims (9)

1.一种基于商户画像分析的信息决策方法，其特征在于，应用于基于商户画像分析的信息决策系统，所述方法包括：
获取目标商户的商户在线行为数据，所述商户在线行为数据包括商户在线行为和行为依赖关系；
基于所述商户在线行为数据生成与所述商户在线行为数据对应的商户行为知识网络，所述商户行为知识网络包括所述商户在线行为对应的知识成员以及所述行为依赖关系对应的知识联系属性；
提取所述知识成员的第一知识成员描述向量和所述知识联系属性的第一知识联系属性描述向量，并基于所述知识成员的第一知识成员描述向量、所述知识联系属性的第一知识联系属性描述向量获取迭代式迁移传递的基础加载特征；
基于迭代式迁移传递网络中多个迁移传递单元，依据所述基础加载特征在所述知识联系属性上进行迭代式迁移传递，生成所述知识联系属性在经过迭代式迁移传递后的迭代动态特征，所述迭代式迁移传递网络还包括：知识成员描述单元和聚合单元；
基于所述迭代动态特征获取所述知识联系属性的目标知识联系向量，基于所述知识成员描述单元将所述知识联系属性的目标知识联系向量转化成所述商户行为知识网络中每个知识成员的知识成员描述向量，基于所述聚合单元对每个知识成员的知识成员描述向量进行聚合，生成所述商户行为知识网络的商户聚焦描述向量；
依据所述商户行为知识网络的商户聚焦描述向量对所述商户行为知识网络进行商户意图画像分析，生成目标商户的商户意图画像分析数据。
2.根据权利要求1所述的基于商户画像分析的信息决策方法，其特征在于，基于迭代式迁移传递网络中多个迁移传递单元，依据所述基础加载特征在所述知识联系属性上进行迭代式迁移传递，生成所述知识联系属性在经过迭代式迁移传递后的迭代动态特征，包括：
将所述基础加载特征作为本轮迭代迁移传递的本次加载数据，并依据本次加载数据进行本轮迭代迁移传递，每一个迁移传递单元对应一轮次的迁移传递；
基于迭代式迁移传递网络中多个迁移传递单元，基于所述知识成员的第一知识成员描述向量、所述知识联系属性的当前知识联系属性描述向量以及过往迭代动态特征，获取所述知识联系属性在本轮迭代迁移传递时的当前迭代动态特征，所述过往迭代动态特征为所述知识联系属性在过往轮次的迁移传递时的迭代动态特征；
在进入下一轮次的迁移传递时，基于所述当前迭代动态特征、知识成员的第一知识成员描述向量调整所述本次加载数据，并返回执行依据本次加载数据进行本轮迭代迁移传递的步骤直至完成所有轮次的迁移传递，生成所述知识联系属性在经过迭代式迁移传递后的迭代动态特征。
3.根据权利要求2所述的基于商户画像分析的信息决策方法，其特征在于，基于所述知识成员的第一知识成员描述向量、所述知识联系属性的当前知识联系属性描述向量以及过往迭代动态特征，获取所述知识联系属性在本轮迭代迁移传递时的当前迭代动态特征，包括：
确定所述知识联系属性的触发知识成员对应的所有前向知识联系属性； 对所述前向知识联系属性的当前知识联系属性描述向量、所述前向知识联系属性上知识成员的第一知识成员描述向量、以及所述前向知识联系属性在过往迁移传递时的过往迭代动态特征进行聚合，生成所述前向知识联系属性的迁移传递信息；
对所有前向知识联系属性的迁移传递信息进行汇聚，生成所述知识联系属性在本轮迭代迁移传递时的迁移传递信息序列；
基于第一聚合参数对所述知识联系属性的第一知识联系属性描述向量、所述知识联系属性上知识成员的第一知识成员描述向量进行聚合，生成所述知识联系属性的聚合后知识联系属性描述向量；
依据ReLU函数对聚合后知识联系属性描述向量进行处理，生成所述知识联系属性在候选过往轮次的迁移传递时的候选过往迭代动态特征；
基于第二聚合参数对候选过往迭代特征以及所述迁移传递信息进行聚合，生成目标聚合迭代动态特征；
依据ReLU函数对目标聚合迭代动态特征进行处理，生成所述知识联系属性在本轮迭代迁移传递时的当前迭代动态特征。
4.根据权利要求3所述的基于商户画像分析的信息决策方法，其特征在于，对所述前向知识联系属性的当前知识联系属性描述向量、所述前向知识联系属性上知识成员的第一知识成员描述向量、以及所述前向知识联系属性在过往迁移传递时的过往迭代动态特征进行聚合，生成所述前向知识联系属性的迁移传递信息，包括：
基于迁移传递参数，对所述前向知识联系属性的当前知识联系属性描述向量、所述前向知识联系属性上知识成员的第一知识成员描述向量、以及所述前向知识联系属性在过往迁移传递时的过往迭代动态特征进行聚合，生成目标聚合特征；
依据ReLU函数对所述目标聚合特征进行处理，生成所述前向知识联系属性的迁移传递信息。
5.根据权利要求1所述的基于商户画像分析的信息决策方法，其特征在于，基于所述知识成员描述单元将所述知识联系属性的目标知识联系向量转化成所述商户行为知识网络中每个知识成员的知识成员描述向量，包括：
基于所述知识成员描述单元，针对每个知识成员确定与知识成员相关联的相关知识联系属性，所述相关知识联系属性包括所述知识成员、以及所述知识成员的依赖知识成员；
对所有相关知识联系属性的目标知识联系向量进行聚合，生成聚合后相关知识联系属性描述向量；
依据第三聚合参数对所述知识成员的当前知识成员描述向量以及所述聚合后相关知识联系属性描述向量进行聚合，生成所述知识成员的知识成员描述向量。
6.根据权利要求1所述的基于商户画像分析的信息决策方法，其特征在于，提取所述知识成员的第一知识成员描述向量和所述知识联系属性的第一知识联系属性描述向量，包括：
基于所述商户在线行为的商户在线行为内容构建知识成员的第一知识成员描述向量；
基于所述行为依赖关系的行为依赖描述内容提取所述知识联系属性的第一知识联系属性描述向量。
7.根据权利要求1所述的基于商户画像分析的信息决策方法，其特征在于，还包括：
获取范例商户的范例商户在线行为数据，所述范例商户在线行为数据包括范例商户在线行为和范例行为依赖关系；
基于所述范例商户在线行为数据生成与所述范例商户在线行为数据对应的范例商户行为知识网络，所述范例商户行为知识网络包括所述范例商户在线行为对应的范例知识成员，所述范例行为依赖关系对应的范例知识联系属性；
提取所述范例知识成员的范例第一知识成员描述向量和所述范例知识联系属性的范例第一知识联系属性描述向量； 基于预设迭代式迁移传递网络，依据所述知识成员的范例第一知识成员描述向量、所述知识联系属性的范例第一知识联系属性描述向量预测范例商户的商户意图画像，生成范例商户的商户意图画像训练数据；
计算范例商户的商户意图画像训练数据与标注商户意图画像数据之间的误差值，并依据所述误差值对所述迭代式迁移传递网络进行参数更新，生成更新后的迭代式迁移传递网络。
8.根据权利要求1-7中任意一项所述的基于商户画像分析的信息决策方法，其特征在于，所述方法还包括：
基于所述目标商户的商户意图画像分析数据，对所述目标商户进行内容推送决策。
9.一种基于商户画像分析的信息决策系统，其特征在于，包括处理器以及计算机可读存储介质，所述计算机可读存储介质存储有机器可执行指令，所述机器可执行指令被处理器执行时实现权利要求1-8中任意一项所述的基于商户画像分析的信息决策方法。
CN202311361078.1A 2023-10-20 2023-10-20 一种基于商户画像分析的信息决策方法及系统 Active CN117114741B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311361078.1A CN117114741B (zh) 2023-10-20 2023-10-20 一种基于商户画像分析的信息决策方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311361078.1A CN117114741B (zh) 2023-10-20 2023-10-20 一种基于商户画像分析的信息决策方法及系统

Publications (2)

Publication Number Publication Date
CN117114741A true CN117114741A (zh) 2023-11-24
CN117114741B CN117114741B (zh) 2024-03-22

Family

ID=88805881

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311361078.1A Active CN117114741B (zh) 2023-10-20 2023-10-20 一种基于商户画像分析的信息决策方法及系统

Country Status (1)

Country Link
CN (1) CN117114741B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200036810A1 (en) * 2018-07-24 2020-01-30 Newton Howard Intelligent reasoning framework for user intent extraction
CN112734227A (zh) * 2021-01-08 2021-04-30 成都乐超人科技有限公司 一种大数据决策系统及方法
CN114581139A (zh) * 2022-03-04 2022-06-03 奚亮 基于大数据意图挖掘的内容更新方法及深度学习服务系统
CN115048583A (zh) * 2022-06-29 2022-09-13 中国平安财产保险股份有限公司 基于用户画像的信息推送方法、系统、设备及存储介质
CN115601110A (zh) * 2022-10-18 2023-01-13 徐州鼎知汇科技发展有限公司（Cn） 基于人工智能的电商用户喜好挖掘方法及系统
CN115878900A (zh) * 2022-12-20 2023-03-31 昆明源增待信息科技有限公司 基于人工智能的用户在线意图分析方法及大数据电商平台
CN116757763A (zh) * 2022-11-09 2023-09-15 广州科拓科技有限公司 基于知识图谱深度学习的电子商务推荐方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200036810A1 (en) * 2018-07-24 2020-01-30 Newton Howard Intelligent reasoning framework for user intent extraction
CN112734227A (zh) * 2021-01-08 2021-04-30 成都乐超人科技有限公司 一种大数据决策系统及方法
CN114581139A (zh) * 2022-03-04 2022-06-03 奚亮 基于大数据意图挖掘的内容更新方法及深度学习服务系统
CN115048583A (zh) * 2022-06-29 2022-09-13 中国平安财产保险股份有限公司 基于用户画像的信息推送方法、系统、设备及存储介质
CN115601110A (zh) * 2022-10-18 2023-01-13 徐州鼎知汇科技发展有限公司（Cn） 基于人工智能的电商用户喜好挖掘方法及系统
CN116757763A (zh) * 2022-11-09 2023-09-15 广州科拓科技有限公司 基于知识图谱深度学习的电子商务推荐方法及系统
CN115878900A (zh) * 2022-12-20 2023-03-31 昆明源增待信息科技有限公司 基于人工智能的用户在线意图分析方法及大数据电商平台

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
EMIGDIO LARIOS-GÓMEZ等: ""Relation among ecological affect, concern and knowledge and purchase behavior: a study regarding Mexican Consumers"", 《VIRTU LMENTE》, no. 6, pages 1 - 2 *
单晓红 等: "基于在线评论的用户画像研究――以携程酒店为例", 《情报理论与实践》, no. 4, pages 103 - 108 *
张旭东: ""基于知识的用户偏好抽取及其在产品个性化推荐中的应用"", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 4, pages 138 - 1534 *

Also Published As

Publication number Publication date
CN117114741B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
US20230153857A1 (en) Recommendation model training method, recommendation method, apparatus, and computer-readable medium
TWI409712B (zh) 以消費者推薦之社交網路行銷方法與裝置
TWI498836B (zh) 具有推廣者推薦之社交網路行銷方法與裝置
JP2020177670A (ja) 情報推奨方法、情報推奨装置、機器および媒体
CN109783730A (zh) 产品推荐方法、装置、计算机设备和存储介质
US11869021B2 (en) Segment valuation in a digital medium environment
CN110020662B (zh) 用户分类模型的训练方法和装置
KR102409718B1 (ko) 소셜 네트워크와 연동되는 커머스 플랫폼에서의 리뷰샵 관리 방법 및 시스템
WO2020221022A1 (zh) 业务对象推荐方法
CN108550046A (zh) 一种资源和营销推荐方法、装置及电子设备
US20200110981A1 (en) Hybrid Deep-Learning Action Prediction Architecture
US20230342797A1 (en) Object processing method based on time and value factors
CN112396488A (zh) 产品变体的预测性选择
CN109801077A (zh) 一种套现用户检测方法、装置及设备
US20170148035A1 (en) Buying Stage Determination in a Digital Medium Environment
CN110134860B (zh) 用户画像生成方法、装置和设备
KR20210144330A (ko) 협업 필터링 신경망을 이용하여 상품을 추천하는 방법 및 장치
CN113554448A (zh) 一种用户流失预测方法、装置及电子设备
CN113034168A (zh) 内容项投放方法、装置、计算机设备及存储介质
US20180032888A1 (en) Predicting A Number of Links an Email Campaign Recipient Will Open
CN110704706A (zh) 分类模型的训练方法、分类方法及相关设备、分类系统
CN117114741B (zh) 一种基于商户画像分析的信息决策方法及系统
Srikanth et al. Forecasting the Prices using Machine Learning Techniques: Special Reference to used Mobile Phones
Sikdar et al. Price dynamics on amazon marketplace: A multivariate random forest variable selection approach
Ehsani et al. Customer purchase prediction in electronic markets from clickstream data using the Oracle meta-classifier

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