CN117132368B - 一种基于ai的新媒体智能营销平台 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及一种基于AI的新媒体智能营销平台，包括：购物数据采集模块，用于获取购物数据，推荐商品获取模块，用于根据购物数据得到推荐商品集合，相似用户获取模块，用于得到相似用户集合，备选推荐商品模块，用于根据推荐商品集合和相似用户集合得到备选推荐集合，价格区间获取模块，用于得到任意一个用户的敏感价格区间，第一推荐商品模块，用于得到第一推荐商品集合，商品推荐模块，用于将推荐商品集合和第一推荐商品集合中的购物商品对用户进行推荐。本发明用户原有的推荐商品基础上，通过与相似性用户的推荐商品合并分析，对用户的可推荐商品进行扩展，增加了对用户商品推荐的多样性。

Description

一种基于AI的新媒体智能营销平台

技术领域

本发明涉及数据处理技术领域，具体涉及一种基于AI的新媒体智能营销平台。

背景技术

随着信息技术的快速发展，新媒体平台也逐渐在用户之间得到普及，许多公司选择将社交媒体作为重要的营销渠道，而相关AI技术与社交媒体相结合，根据用户的兴趣、行为和偏好，提供个性化的推荐和定制化的营销内容。通过对用户数据的分析和学习，平台可以为每个用户提供定制化的营销体验，增强用户的参与和忠诚度，以此可以帮助企业更好的了解用户的需求和反馈，制定更合适的营销策略，此外，由于新媒体平台的信息传播速度，让企业能够更全面地覆盖目标受众，提高营销效果。

智能营销平台可以利用协同过滤算法来实现个性化推荐，但是协同过滤算法倾向于推荐与用户过去喜好相似的项目，而忽略用户可能对其他多样性兴趣的推荐，因此产生的信息茧房和误推荐导致用户期望降低，进一步引起对用户的转化率降低。

发明内容

为解决上述问题，本发明提供一种基于AI的新媒体智能营销平台。

本发明的一种基于AI的新媒体智能营销平台采用如下技术方案：

本发明一个实施例提供了一种基于AI的新媒体智能营销平台，该平台包括以下模块：

购物数据采集模块，用于获取多个用户最近一个月的购物数据和平台商品库；

推荐商品获取模块，用于根据购物数据得到任意一个用户最近一个月的购物清单集合，根据任意一个用户最近一个月的购物清单集合和平台商品库，得到推荐商品集合；

相似用户获取模块，用于根据任意一个用户最近一个月的购物清单集合得到相似用户集合；

备选推荐商品模块，用于根据推荐商品集合和相似用户集合得到第一集合，所述第一集合中包含多个集合，对于第一集合中任意一个集合，根据第一集合得到任意一个用户对所述集合中购买商品的倾向性，根据任意一个用户对所述集合中购买商品的倾向性，得到备选推荐集合；

价格区间获取模块，用于根据任意一个用户最近一个月的购物清单集合中购买商品的价格，得到任意一个用户的价格敏感性，根据任意一个用户的价格敏感性得到任意一个用户的敏感价格区间；

第一推荐商品模块，用于根据任意一个用户的敏感价格区间、任意一个用户的价格敏感性以及备选推荐集合，得到备选推荐集合中任意一个购买商品的联系性，根据备选推荐集合中任意一个购买商品的联系性，得到第一推荐商品集合；

商品推荐模块，用于将推荐商品集合和第一推荐商品集合中的购物商品对用户进行推荐。

进一步地，所述根据任意一个用户最近一个月的购物清单集合和平台商品库，得到推荐商品集合，包括的具体步骤如下：

将任意一个用户最近一个月的购物清单集合对应的购买数据，记为第一购买数据，将第一购买数据中的任意一个购买商品记为目标商品，将平台商品库中任意一个购买商品，记为第一购买商品，获取目标商品的属性集合，所述属性集合中包含目标商品的名称、描述、标签、价格、品牌以及类别信息，获取第一购买商品的属性集合，获取目标商品的属性集合中名称对应的词向量、标签对应的词向量/>、品牌对应的词向量/>以及类别对应的词向量/>，获取第一购买商品的属性集合中名称对应的词向量/>、标签对应的词向量、品牌对应的词向量/>以及类别对应的词向量/>，将/>和/>作为余弦相似度算法中的两个输入向量，将余弦相似度算法的输出结果作为目标商品名称和第一购买商品名称的相似性，记为SL1；获取目标商品标签和第一购买商品标签的相似性，记为SL2，获取目标商品品牌和第一购买商品品牌的相似性，记为SL3，获取目标商品类别和第一购买商品类别的相似性，记为SL4，将目标商品的描述通过jieba分词操作得到目标商品的若干描述分词构成的集合记为S5，将第一购买商品的若干描述分词构成的集合记为L5，获取S5和L5的交并比，将S5和L5的交并比作为目标商品和第一购买商品描述的相似性，记为SL5，所述交并比为S5和L5的交集集合与并集集合中描述分词的个数比值；

对平台商品库中所有购买商品的价格进行线性归一化，得到的结果记为每个购买商品的归一化价格，将目标商品的归一化价格记为，获取第一购买商品的归一化价格，记为/>，/>，/>为目标商品和第一购买商品价格的相似性；

，

式中，为第一购买商品与目标商品的相似性；

预设第一阈值，记为th1，将第一购买商品与目标商品的相似性，记为第一相似性，若第一相似性大于等于th1，将第一购买商品进行保留并作为目标商品的一个相似性购买商品，若第一相似性小于th1，将第一购买商品进行舍去，获取平台商品库中每一个购买商品与第一购买数据中每个购买商品的相似性，将相似性满足预设第一阈值的所有平台商品库中的购买商品构成的集合记为目标用户的推荐商品集合。

进一步地，所述根据任意一个用户最近一个月的购物清单集合得到相似用户集合，包括的具体步骤如下：

将多个用户中任意一个用户记为目标用户，将多个用户中除目标用户以外任意一个用户记为第一用户，将目标用户的购物清单集合中所有的购买商品按照时间顺序进行排列，得到目标用户的购物清单序列，记为MX，将第一用户的购物清单集合中所有的购买商品按照时间顺序进行排列，得到第一用户的购物清单序列，记为MD，获取第一用户与目标用户的相似性，具体如下：

将MX和MD作为DTW算法的输入序列，根据DTW算法的输出结果得到第一用户与目标用户的相似性，DTW算法中的距离度量根据MX和MD中对应购买商品的相似性得到；

预设第二阈值，记为th2，将第一用户与目标用户的相似性，记为第二相似性，若第二相似性大于等于th2，将第一用户进行保留并作为目标用户的一个相似用户，若第二相似性小于th2，将第一用户进行舍去，获取目标用户的所有相似用户，将所有相似用户构成的集合记为目标用户的相似用户集合。

进一步地，所述根据推荐商品集合和相似用户集合得到第一集合，包括的具体步骤如下：

获取相似用户集合中和目标用户相似性最高的k个用户，k为预设数值，将和目标用户相似性最高的k个用户中任意一个用户记为第二用户，获取每一个第二用户以及目标用户对应的推荐商品集合；

将目标用户对应的推荐商品集合，记为集合A；

将第一个第二用户对应的推荐商品集合，记为集合B；

将第二个第二用户对应的推荐商品集合，记为集合C；

将集合A、集合B以及集合C的交集，记为公共推荐商品集合；

将集合B和集合C的交集，记为初始集合3，将初始集合3中除公共推荐商品集合以外剩余的集合，记为集合3；

将集合B和集合A的交集，记为初始集合1，将初始集合1中除公共推荐商品集合以外剩余的集合，记为集合1；

将集合C和集合A的交集，记为初始集合2，将初始集合2中除公共推荐商品集合以外剩余的集合，记为集合2；

将集合B中除公共推荐商品集合、集合1、集合3以外剩余的集合，记为集合b；

将集合C中除公共推荐商品集合、集合2、集合3以外剩余的集合，记为集合c；

将集合A中除公共推荐商品集合、集合1、集合2以外剩余的集合，记为集合a；

将集合b、集合c、集合3组成的公共集合，记为第一集合。

进一步地，所述根据第一集合得到任意一个用户对所述集合中购买商品的倾向性，包括的具体步骤如下：

将第一集合中的任意一个集合，记为目标集合，将目标集合利用分类算法进行分类，得到目标集合对应的标签集合，记为目标标签集合，目标标签集合中包含目标集合中购买商品的不同标签，获取公共购物清单集合对应的标签集合，记为公共标签集合；

，

式中，和/>的获取方法如下：对于目标标签集合中第p个标签，获取第p个标签对应的购买时间序列，记为第一购买时间序列，所述第一购买时间序列中包含若干购买商品的购买时间，且若干购买商品都对应第p个标签，将第一购买时间序列中第/>个购买时间，记为/>，将第一购买时间序列中第/>个购买时间，记为/>，/>为第一购买时间序列中所有购买时间的总个数，/>为以自然常数为底的指数函数，/>为目标标签集合中标签的总个数；

和/>的获取方法如下：对于公共标签集合中第q个标签，获取第q个标签对应的购买时间序列，记为第二购买时间序列，所述第二购买时间序列中也包含若干购买商品的购买时间，且若干购买商品都对应第q个标签，将第二购买时间序列中第/>个购买时间，记为/>，将第一购买时间序列中第/>个购买时间，记为/>，/>为第二购买时间序列中所有购买时间的总个数；

和/>的获取方法如下：根据目标用户的购物数据获取目标用户的所有购买时间，将所有购买时间构成的序列，记为第三购买时间序列，所述第三购买时间序列中任意一个购买时间对应多个不同的标签，获取第三购买时间序列中第/>个购买时间和第/>个购买时间对应的所有的不同标签，所有的不同标签构成一个标签序列，若标签序列中在某一位置有第/>个购买时间对应的标签，则将标签序列中对应的标签位置设为1，否则设为0，最终得到第/>个购买时间对应的标签元素序列，将第/>个购买时间对应的标签元素序列构成的向量，记为/>，将第/>个购买时间对应的标签元素序列构成的向量，记为/>；

的获取方法如下：将/>和/>作为余弦相似度算法中的两个输入向量，将余弦相似度算法的输出结果，记为/>，/>为第三购买时间序列中所有购买时间的总个数，/>为目标标签集合和公共标签集合中不同标签的总个数，/>为目标用户对目标集合中购买商品的倾向性，所述目标用户为任意一个用户。

进一步地，所述根据任意一个用户对所述集合中购买商品的倾向性，得到备选推荐集合，包括的具体步骤如下：

预设第三阈值，记为th3，若，/>为目标用户对目标集合中购买商品的倾向性，则将/>对应的目标集合进行保留，反之则将目标集合进行舍去，获取第一集合中所有保留的集合，将所有保留的集合构成的并集，得到备选推荐集合。

进一步地，所述根据任意一个用户最近一个月的购物清单集合中购买商品的价格，得到任意一个用户的价格敏感性，包括的具体步骤如下：

，

式中，为目标用户最近一个月的购物清单集合中所有购买商品的价格均值，为目标用户最近一个月的购物清单集合中所有购买商品的最高价格值，/>为目标用户最近一个月的购物清单集合中所有购买商品的最低价格值，/>为以自然常数为底的指数函数，/>为目标用户最近一个月的购物清单集合中所有购买商品的价格标准差，/>为目标用户的价格敏感性，所述目标用户为任意一个用户。

进一步地，所述根据任意一个用户的价格敏感性得到任意一个用户的敏感价格区间，包括的具体步骤如下：

预设第四阈值，记为th4，若，目标用户的敏感价格区间为，/>为预设第一数值，若/>，目标用户的敏感价格区间为/>。

进一步地，所述根据任意一个用户的敏感价格区间、任意一个用户的价格敏感性以及备选推荐集合，得到备选推荐集合中任意一个购买商品的联系性，包括的具体步骤如下：

，

式中，为/>时目标用户的敏感价格区间的最小值，/>为备选推荐集合中第g个购买商品的价格，/>为/>时目标用户的敏感价格区间的最大值，/>表示艾佛森括号，当括号内条件成立时，括号整体结果为/>，否则为/>，/>为备选推荐集合中第g个购买商品和第一目标商品的相似性，其中第一目标商品为目标用户最近一个月的购物清单集合中任意一个购买商品，/>为备选推荐集合中购买商品和第一目标商品的相似性的最大值，为第一目标商品的购买时间，/>为备选推荐集合中第g个购买商品的购买时间，/>为预设第四阈值，/>为目标用户的价格敏感性，/>为/>时目标用户的敏感价格区间的最小值，/>为/>时目标用户的敏感价格区间的最大值，/>为备选推荐集合中第g个购买商品和第一目标商品的联系性，记为备选推荐集合中第g个购买商品的联系性，/>为以自然常数为底的指数函数，/>为取绝对值。

进一步地，所述根据备选推荐集合中任意一个购买商品的联系性，得到第一推荐商品集合，包括的具体步骤如下：

预设第五阈值，记为th5，若，/>为备选推荐集合中第g个购买商品和第一目标商品的联系性，记为备选推荐集合中第g个购买商品的联系性，则将备选推荐集合中第g个购买商品进行保留，获取备选推荐集合中所有保留的购买商品，将所有保留的购买商品构成的集合，记为第一推荐商品集合。

本发明的技术方案的有益效果是：本发明在用户原有的推荐购买商品基础上，根据购买数据得到相似用户集合，根据推荐商品集合和相似用户集合得到备选推荐集合，通过与相似性用户的推荐商品合并分析，对用户的可推荐商品进行扩展，增加了对用户商品推荐的多样性。

并根据任意一个用户最近一个月的购物清单集合中购买商品的价格，得到任意一个用户的价格敏感性，根据任意一个用户的价格敏感性得到任意一个用户的敏感价格区间，并根据任意一个用户的敏感价格区间、任意一个用户的价格敏感性以及备选推荐集合，得到第一推荐商品集合，以实现对用户的合适推荐。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一个实施例所提供的一种基于AI的新媒体智能营销平台的模块框架图；

图2为本发明一个实施例所提供的一种基于AI的新媒体智能营销平台的集合关系图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于AI的新媒体智能营销平台，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于AI的新媒体智能营销平台的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于AI的新媒体智能营销平台的模块框架图，该平台包括以下模块：

购物数据采集模块：

需要说明的是，本实施例是一种基于AI的新媒体智能营销平台，通过获取用户在新媒体平台的购物数据，对用户相关数据进行分析，后续用户在新媒体平台活跃时对用户进行商品推荐，开始分析之前，首先需要采集数据。

具体的，通过新媒体智能营销平台的用户关系存储模块获取TX个用户最近一个月的购物数据，TX为预设用户数值，本实施例以TX=100进行叙述，其中购物数据包括但不限于一下内容：购买商品、购买时间以及购买价格等信息，获取新媒体智能营销平台的平台商品库，其中平台商品库中存储平台的所有购买商品，其中每一个购买商品都有对应的属性，例如名称、描述、标签、价格、品牌等信息。

至此，得到用户的购物数据。

推荐商品获取模块：

需要说明的是，上述模块得到了用户近期的购物数据，通过用户近期的购物数据可以得到用户在近期时间段内的购物清单，通过对购物清单内商品集合进行扩展，得到可推荐商品集合，将包括目标用户在内的多个相关用户的可推荐商品集合求得交集集合，分析得到对目标用户的备选推荐商品集合，对备选推荐商品集合进行筛选，得到保留的备选推荐集合。对保留的备选推荐集合中的商品求得联系性，并将该集合作为一类待推荐商品。

具体的，根据购物数据得到任意一个用户最近一个月的购物清单集合，购物清单集合中包含用户在不同时间购买商品。

进一步地，根据任意一个用户最近一个月的购物清单集合和平台商品库，得到推荐商品集合，具体如下：

将任意一个用户最近一个月的购物清单集合对应的购买数据，记为第一购买数据，任意一个用户为TX个用户中的任意一个，将第一购买数据中的任意一个购买商品记为目标商品，将平台商品库中任意一个购买商品，记为第一购买商品，获取目标商品的属性集合，属性集合中包含目标商品的名称、描述、标签、价格、品牌以及类别信息，获取第一购买商品的属性集合，将目标商品的属性集合中的名称、标签、品牌以及类别利用wordvec模型直接转换成词向量，得到目标商品的属性集合中名称对应的词向量、标签对应的词向量、品牌对应的词向量/>以及类别对应的词向量/>，获取第一购买商品的属性集合中名称对应的词向量/>、标签对应的词向量/>、品牌对应的词向量/>以及类别对应的词向量/>，将和/>作为余弦相似度算法中的两个输入向量，将余弦相似度算法的输出结果作为目标商品名称和第一购买商品名称的相似性，记为SL1，根据标签、品牌及类别对应的词向量，获取目标商品标签和第一购买商品标签的相似性，记为SL2，获取目标商品品牌和第一购买商品品牌的相似性，记为SL3，获取目标商品类别和第一购买商品类别的相似性，记为SL4，将目标商品的描述通过jieba分词操作得到目标商品的若干描述分词，将目标商品的若干描述分词构成的集合记为S5，获取第一购买商品的若干描述分词，将第一购买商品的若干描述分词构成的集合记为L5，获取S5和L5的交并比，将S5和L5的交并比作为目标商品和第一购买商品描述的相似性，记为SL5，交并比为S5和L5的交集集合与并集集合中描述分词的个数比值，需要说明的是，S5和L5的交集集合中会有公共的描述分词，对于公共的描述分词判断，本实施例仍是通过词向量的方法进行判断，具体为：获取目标商品的所有描述分词中任意一个描述分词和第一购买商品的所有描述分词中任意一个描述分词的相似性，记为ST，若ST大于预设分词阈值，则认为是同一个描述分词，反之不作为同一个描述分词。

对平台商品库中所有购买商品的价格进行线性归一化，得到的结果记为每个购买商品的归一化价格，同时目标商品一定是平台商品库中的购买商品，将目标商品的归一化价格记为，获取第一购买商品的归一化价格，记为/>，获取目标商品和第一购买商品价格的相似性，具体为：/>，/>为目标商品和第一购买商品价格的相似性，获取第一购买商品与目标商品的相似性，具体为：

，

式中，为第一购买商品与目标商品的相似性。

需要说明的是，本实施例中词向量的维度数设置为10，上述中利用wordvec模型得到词向量以及利用jieba分词操作，为现有公知方法，本实施例不再赘述。

获取目标商品和平台商品库中每一个购买商品的相似性。

需要说明的是，上述得到了商品之间的相似性，通过预设合适的阈值得到任意一个用户的推荐商品集合。

预设第一阈值，记为th1，本实施例以th1=0.8进行叙述，将第一购买商品与目标商品的相似性，记为第一相似性，若第一相似性大于等于th1，则认为第一购买商品与目标商品具有较强的相似性，将第一购买商品进行保留并作为目标商品的一个相似性购买商品，若第一相似性小于th1，则认为第一购买商品与目标商品的相似性过低，将第一购买商品进行舍去，获取平台商品库中每一个购买商品与第一购买数据中每个购买商品的相似性，将相似性满足预设第一阈值的所有平台商品库中的购买商品构成的集合，记为目标用户的推荐商品集合。需要说明的是，推荐商品集合为任意一个用户的推荐商品集合。

至此，得到推荐商品集合。

相似用户获取模块：

需要说明的是，上述得到了与目标商品相似的其他购买商品集合，即推荐商品集合，通过分析不同用户之间的相似购买商品可以更好地对目标用户进行购买商品推荐。

具体的，根据任意一个用户最近一个月的购物清单集合得到相似用户集合，具体如下：

将TX个用户中任意一个用户记为目标用户，将TX个用户中除目标用户以外任意一个用户记为第一用户，将目标用户的购物清单集合中所有的购买商品按照时间顺序进行排列，得到目标用户的购物清单序列，记为MX，将第一用户的购物清单集合中所有的购买商品按照时间顺序进行排列，得到第一用户的购物清单序列，记为MD，需要说明的是，若用户的购物清单集合中有一次购买多个同一购买商品，则需要将这多个同一购买商品进行连续排列，不同时间的购买商品则按照时间顺序进行排列，获取第一用户与目标用户的相似性，具体如下：

将MX和MD作为DTW算法的输入序列，根据DTW算法的输出结果得到第一用户与目标用户的相似性，DTW算法中的距离度量根据MX和MD中对应购买商品的相似性得到，需要说明的是，两个购买商品的相似性已在上述获取。

需要说明的是，用户之间的相似性的判断是DTW算法得到的，DTW算法为现有，本实施例不再赘述。

预设第二阈值，记为th2，本实施例以th2=0.7进行叙述，需要说明的是，预设第二阈值的大小会影响与目标用户相似的其他用户数量，由于用户和购买商品的对应关系是一对多的，也就是说由用户进行可推荐商品的扩展，可以将相似用户的兴趣扩展到目标用户，为目标用户推荐更多可能感兴趣的商品，从而提升推荐的多样性，所以阈值这里给出的建议值为，具体实施例可根据实施情况进行调整，将第一用户与目标用户的相似性，记为第二相似性，若第二相似性大于等于th2，则认为第一用户与目标用户对应的购买商品具有较强的相似性，将第一用户进行保留并作为目标用户的一个相似用户，若第二相似性小于th2，则认为第一用户与目标用户对应的购买商品相似性过低，将第一用户进行舍去，获取目标用户的所有相似用户，将所有相似用户构成的集合记为目标用户的相似用户集合。

至此，得到相似用户集合。

备选推荐商品模块：

需要说明的是，上述得到了相似用户集合，则通过对相似用户集合进行分析可以得到需要向目标用户进行推荐的备选集合。

具体的，根据推荐商品集合和相似用户集合得到第一集合，具体如下：

获取相似用户集合中和目标用户相似性最高的k个用户，k为预设数值，本实施例中以k=2为例进行叙述，将和目标用户相似性最高的k个用户中任意一个用户记为第二用户，获取每一个第二用户以及目标用户对应的推荐商品集合。

将目标用户对应的推荐商品集合，记为集合A。

将第一个第二用户对应的推荐商品集合，记为集合B。

将第二个第二用户对应的推荐商品集合，记为集合C。

将集合A、集合B以及集合C的交集，记为公共推荐商品集合。

将集合B和集合C的交集，记为初始集合3，将初始集合3中除公共推荐商品集合以外剩余的集合，记为集合3。

将集合B和集合A的交集，记为初始集合1，将初始集合1中除公共推荐商品集合以外剩余的集合，记为集合1。

将集合C和集合A的交集，记为初始集合2，将初始集合2中除公共推荐商品集合以外剩余的集合，记为集合2。

将集合B中除公共推荐商品集合、集合1、集合3以外剩余的集合，记为集合b。

将集合C中除公共推荐商品集合、集合2、集合3以外剩余的集合，记为集合c。

将集合A中除公共推荐商品集合、集合1、集合2以外剩余的集合，记为集合a。

需要说明的是，为便于理解，请参阅图2，图2为本实施例的集合关系图，图2中，加黑的圆形区域A为目标用户对应的推荐商品集合，即集合A；圆形区域B为第一个第二用户对应的推荐商品集合，即集合B；圆形区域C为第二个第二用户对应的推荐商品集合，即集合C，图2中间的阴影区域为公共推荐商品集合，图中1代表集合1，2代表集合2，3代表集合3，a代表集合a，b代表集合b，c代表集合c，初始集合1为集合1加上公共推荐商品集合，初始集合2和初始集合3同理。

进一步需要说明的是，由于集合1、2中包含的购买商品本身就是要向目标用户进行推荐的购买商品，集合b、c、3中的各自包含若干购买商品，即对于目标用户的备选推荐购买商品集合，但是因为这三个集合中的购买商品不论是根据目标用户近期时间段内的购物清单，还是根据购物清单得到的推荐商品集合中都不存在，因此需要对集合b、c、3中的若干购买商品进行分析，筛选出可以向用户进行推荐的购买商品。

具体的，将集合b、集合c、集合3组成的公共集合，记为第一集合。

需要说明的是，对于第一集合中的任意一个集合，集合b，集合b中的购买商品需要与公共购物清单集合进行比较，公共购物清单集合可以看作目标用户与相似性用户的共同兴趣项，当集合中的购买商品与公共购物清单集合中的购买商品关系较为密切时，集合/>中的购买商品可以推荐给目标用户的倾向越大。集合/>可以看作独立于相似用户的只属于目标用户的推荐购买商品集合的一部分，当集合/>中的购买商品与集合/>中的购买商品关系较为密切时，集合/>中的购买商品推荐给目标用户的倾向越大。

进一步需要说明的是，购买商品都有属于商品本身的若干标签，通过对集合中的购买商品进行分类得到集合对应的标签，通过分类算法可以得到购买商品的标签，以便进行后续的分析。

具体的，根据第一集合得到任意一个用户对第一集合中任意一个集合中购买商品的倾向性，具体如下：

将第一集合中的任意一个集合，记为目标集合，将目标集合利用分类算法进行分类，得到目标集合对应的标签集合，记为目标标签集合，目标标签集合中包含目标集合中购买商品的不同标签，获取公共购物清单集合对应的标签集合，记为公共标签集合。

，

式中，和/>的获取方法如下：对于目标标签集合中第p个标签，获取第p个标签对应的购买时间序列，记为第一购买时间序列，需要说明的是，第一购买时间序列中包含若干购买商品的购买时间，且若干购买商品都对应第p个标签，将第一购买时间序列中第个购买时间，记为/>，将第一购买时间序列中第/>个购买时间，记为/>，/>为第一购买时间序列中所有购买时间的总个数，/>为以自然常数为底的指数函数，/>为目标标签集合中标签的总个数。

和/>的获取方法如下：对于公共标签集合中第q个标签，获取第q个标签对应的购买时间序列，记为第二购买时间序列，需要说明的是，第二购买时间序列中也包含若干购买商品的购买时间，且若干购买商品都对应第q个标签，将第二购买时间序列中第个购买时间，记为/>，将第一购买时间序列中第/>个购买时间，记为/>，/>为第二购买时间序列中所有购买时间的总个数。

和/>的获取方法如下：根据目标用户的购物数据获取目标用户的所有购买时间，将所有购买时间构成的序列，记为第三购买时间序列，需要特别说明的是，第三购买时间序列中也包含若干购买商品的购买时间，且每一个购买时间可能有多个购买商品，从而多个购买商品对应多个不同的标签，即第三购买时间序列中任意一个购买时间对应多个不同的标签，获取第三购买时间序列中第/>个购买时间和第/>个购买时间对应的所有的不同标签，所有的不同标签构成一个标签序列，若标签序列中在某一位置有第/>个购买时间对应的标签，则将标签序列中对应的标签位置设为1，否则设为0，最终得到第/>个购买时间对应的标签元素序列，将第/>个购买时间对应的标签元素序列构成的向量，记为/>，将第个购买时间对应的标签元素序列构成的向量，记为/>。

的获取方法如下：将/>和/>作为余弦相似度算法中的两个输入向量，将余弦相似度算法的输出结果，记为/>，/>为第三购买时间序列中所有购买时间的总个数，/>为目标标签集合和公共标签集合中不同标签的总个数，/>为目标用户对目标集合中购买商品的倾向性。

需要说明的是，表示目标标签集合中第p个标签对应的标签权值，/>表示公共标签集合中第q个标签对应的标签权值，权值计算过程中本实施例利用每个标签对应的商品在被重复购买的时候对应的事件间隔进行计算，间隔越小，说明被重复购买的可能性较大，并且该商品对于目标用户的吸引力较高，反之则相反。而后通过对集合a所有的商品对应标签的权值总和与集合b中的所有的标签的权值的综合进行对比，来对权重进行调整。/>表示目标用户对应的购买数中相邻两次的购买商品的余弦相似性，/>表示用户对于新商品的可接受性，该值越大，说明用户在不同的时间点购买的商品较为相似，即该用户接受新的商品的能力较弱，故而用户对于新商品的可接受性越小，进而使得当该集合中出现了较多的与用户历史购买的商品差距较大的商品时，用户的倾向性有较大的可能越小。

需要说明的是，上述得到了任意一个用户对第一集合中任意一个集合中购买商品的倾向性，为了更好的对目标用户进行推荐，需要对目标集合进行筛选。

进一步地，根据任意一个用户对第一集合中任意一个集合中购买商品的倾向性，得到备选推荐集合，具体如下：

预设第三阈值，记为th3，本实施例以th3=0.2进行叙述，若，则将/>对应的目标集合进行保留，反之则将目标集合进行舍去，获取第一集合中所有保留的集合，将所有保留的集合构成的并集，记为备选推荐集合。

需要说明的是，当集合对应得到倾向性满足可以预设第三阈值时，说明此时集合内的购买商品是可以向目标用户进行推荐的，但是购买商品具体推荐的顺序，也是需要去进行分析的，如果只将若干购买商品进行随机推荐，有可能会导致用户对于推荐商品的期望降低。

至此，得到备选推荐集合。

价格区间获取模块：

需要说明的是，在进行推荐顺序的分析之前，需要明确目标用户对于商品在价格方面的敏感性，因为本身是要对目标用户的可推荐购买商品进行扩展，不同目标用户对价格的敏感性存在差异，通过了解目标用户的偏好和价格敏感性，可以为目标用户提供感兴趣且价格合适的购买产品，从而提高购买的可能性，如果目标用户对价格波动较为敏感但是却得到合理的价格，也可以使目标用户有更好的购物感。

具体的，根据任意一个用户最近一个月的购物清单集合中购买商品的价格，得到任意一个用户的价格敏感性，具体如下：

，

式中，为目标用户最近一个月的购物清单集合中所有购买商品的价格均值，为目标用户最近一个月的购物清单集合中所有购买商品的最高价格值，/>为目标用户最近一个月的购物清单集合中所有购买商品的最低价格值，/>为以自然常数为底的指数函数，/>为目标用户最近一个月的购物清单集合中所有购买商品的价格标准差，/>为目标用户的价格敏感性。

需要说明的是，通过目标用户近期的购物数据可以得到用户购买的商品价格均值和最大最小值差值，当均值越大，最大最小值差值越小，标准差越小，认为该用户对于价格敏感性较小。均值越大，可能意味着用户对于价格波动的敏感性较小。最大最小值差值可以看作是购买的商品价格对比度，越大则可能表示用户购买不同价位的商品，对价格变化的敏感性较大，因为在购买时会更注重不同价格之间的对比，反之，对价格波动的敏感性较小。当价格标准差越小，就意味着该用户的购买行为较为稳定，体现在商品价格方面就是购买的商品价格都处在一个相对稳定的范围，由此，可以认为用户对于价格的敏感性较小。

需要说明的是，上述得到了任意一个用户的价格敏感性，则通过预设合适的阈值得到任意一个用户的敏感价格区间。

具体的，根据任意一个用户的价格敏感性得到任意一个用户的敏感价格区间，具体如下：

预设第四阈值，记为th4，本实施例以th4=0.5为例进行叙述，若，将作为目标用户的敏感价格区间的最大值，将/>作为目标用户的敏感价格区间的最小值，/>为预设第一数值，本实施例以/>为例进行叙述；若/>，则将/>作为目标用户的敏感价格区间的最大值，将/>作为目标用户的敏感价格区间的最小值，最终得到目标用户的敏感价格区间。

至此，得到任意一个用户的敏感价格区间。

第一推荐商品模块：

需要说明的是，对于备选推荐集合中的购买商品，首先是集合中的购买商品要满足目标用户的敏感价格区间，之后是通过购买商品的置信度去判断与目标用户近期购物数据中购买商品的联系性，在符合目标用户的敏感价格区间的条件下，联系性越大，被推荐的顺序越靠前。

具体的，根据任意一个用户的敏感价格区间、任意一个用户的价格敏感性以及备选推荐集合，得到备选推荐集合中任意一个购买商品的联系性，具体如下：

，

式中，为/>时目标用户的敏感价格区间的最小值，/>为备选推荐集合中第g个购买商品的价格，/>为/>时目标用户的敏感价格区间的最大值，/>表示艾佛森括号，当括号内条件成立时，括号整体结果为/>，否则为/>，/>为备选推荐集合中第g个购买商品和第一目标商品的相似性，其中第一目标商品为目标用户最近一个月的购物清单集合中任意一个购买商品，需要说明的是，商品之间的相似性判断是基于协同过滤算法的相似度值得到的，具体获取方法为相似性为协同过滤算法的现有方法，本实施例不再赘述，/>为备选推荐集合中购买商品和第一目标商品的相似性的最大值，/>为第一目标商品的购买时间，/>为备选推荐集合中第g个购买商品的购买时间，/>为预设第四阈值，/>为目标用户的价格敏感性，/>为/>时目标用户的敏感价格区间的最小值，/>为/>时目标用户的敏感价格区间的最大值，/>为备选推荐集合中第g个购买商品和第一目标商品的联系性，记为备选推荐集合中第g个购买商品的联系性，/>为以自然常数为底的指数函数，/>为取绝对值。

需要说明的是，备选推荐集合中的购买商品，与用户近期购物数据中购买商品的相似性越大，并且购买时间点距离当前时间点越接近，则联系性越大。

进一步地，根据备选推荐集合中任意一个购买商品的联系性，得到第一推荐商品集合，具体如下：

预设第五阈值，记为th5，本实施例以th5=0.85为例进行叙述，若，则将备选推荐集合中第g个购买商品进行保留，获取备选推荐集合中所有保留的购买商品，将所有保留的购买商品构成的集合，记为第一推荐商品集合。

商品推荐模块：

需要说明的是，上述得到了推荐商品集合和第一推荐商品集合，推荐商品集合中的购买商品是根据目标用户自身的购物清单集合进行分析得到的，而第一推荐商品集合是对相似用户进行联系性分析得到的，其中包含的购物商品是其他用户的相似购买商品。由于每个用户都有不同的活跃时间段，则根据活跃时间进行购物商品推荐。

进一步地，将推荐商品集合和第一推荐商品集合中的购物商品对用户进行推荐，具体如下：

根据用户的购物数据得到用户的在购物平台的活跃时间段，当目标用户在活跃时间段内进行购物浏览时，按照顺序推送推荐商品集合中的购买商品，当目标用户不再活跃时间段内进行购物浏览时，按照顺序推送第一推荐商品集合中的购买商品。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于AI的新媒体智能营销平台，其特征在于，该平台包括以下模块：

购物数据采集模块，用于获取多个用户最近一个月的购物数据和平台商品库；

推荐商品获取模块，用于根据购物数据得到任意一个用户最近一个月的购物清单集合，根据任意一个用户最近一个月的购物清单集合和平台商品库，得到推荐商品集合；

相似用户获取模块，用于根据任意一个用户最近一个月的购物清单集合得到相似用户集合；

备选推荐商品模块，用于根据推荐商品集合和相似用户集合得到第一集合，所述第一集合中包含多个集合，对于第一集合中任意一个集合，根据第一集合得到任意一个用户对第一集合中任意一个集合中购买商品的倾向性，根据任意一个用户对第一集合中任意一个集合中购买商品的倾向性，得到备选推荐集合；

价格区间获取模块，用于根据任意一个用户最近一个月的购物清单集合中购买商品的价格，得到任意一个用户的价格敏感性，根据任意一个用户的价格敏感性得到任意一个用户的敏感价格区间；

第一推荐商品模块，用于根据任意一个用户的敏感价格区间、任意一个用户的价格敏感性以及备选推荐集合，得到备选推荐集合中任意一个购买商品和任意一个用户最近一个月的购物清单集合中任意一个购买商品的联系性，根据备选推荐集合中任意一个购买商品和任意一个用户最近一个月的购物清单集合中任意一个购买商品的联系性，得到第一推荐商品集合；

商品推荐模块，用于将推荐商品集合和第一推荐商品集合中的购物商品对用户进行推荐；

所述根据第一集合得到任意一个用户对集合中任意一个集合中购买商品的倾向性，包括的具体步骤如下：

将第一集合中的任意一个集合，记为目标集合，将目标集合利用分类算法进行分类，得到目标集合对应的标签集合，记为目标标签集合，目标标签集合中包含目标集合中购买商品的不同标签，获取公共购物清单集合对应的标签集合，记为公共标签集合；

式中，和/>的获取方法如下：对于目标标签集合中第p个标签，获取第p个标签对应的购买时间序列，记为第一购买时间序列，所述第一购买时间序列中包含若干购买商品的购买时间，且若干购买商品都对应第p个标签，将第一购买时间序列中第/>个购买时间，记为/>，将第一购买时间序列中第/>个购买时间，记为/>，/>为第一购买时间序列中所有购买时间的总个数，/>为以自然常数为底的指数函数，/>为目标标签集合中标签的总个数；

和/>的获取方法如下：对于公共标签集合中第q个标签，获取第q个标签对应的购买时间序列，记为第二购买时间序列，所述第二购买时间序列中也包含若干购买商品的购买时间，且若干购买商品都对应第q个标签，将第二购买时间序列中第/>个购买时间，记为/>，将第一购买时间序列中第/>个购买时间，记为/>，/>为第二购买时间序列中所有购买时间的总个数；/>为公共标签集合中标签的总个数；

和/>的获取方法如下：根据目标用户的购物数据获取目标用户的所有购买时间，将所有购买时间构成的序列，记为第三购买时间序列，所述第三购买时间序列中任意一个购买时间对应多个不同的标签，获取第三购买时间序列中第/>个购买时间和第/>个购买时间对应的所有的不同标签，所有的不同标签构成一个标签序列，若标签序列中在某一位置有第/>个购买时间对应的标签，则将标签序列中对应的标签位置设为1，否则设为0，最终得到第/>个购买时间对应的标签元素序列，将第/>个购买时间对应的标签元素序列构成的向量，记为/>，将第/>个购买时间对应的标签元素序列构成的向量，记为/>；

的获取方法如下：将/>和/>作为余弦相似度算法中的两个输入向量，将余弦相似度算法的输出结果，记为/>，/>为第三购买时间序列中所有购买时间的总个数，/>为目标标签集合和公共标签集合中不同标签的总个数，/>为目标用户对目标集合中购买商品的倾向性，所述目标用户为任意一个用户。

2.根据权利要求1所述一种基于AI的新媒体智能营销平台，其特征在于，所述根据任意一个用户最近一个月的购物清单集合和平台商品库，得到推荐商品集合，包括的具体步骤如下：

将任意一个用户最近一个月的购物清单集合对应的购买数据，记为第一购买数据，将第一购买数据中的任意一个购买商品记为目标商品，将平台商品库中任意一个购买商品，记为第一购买商品，获取目标商品的属性集合，所述属性集合中包含目标商品的名称、描述、标签、价格、品牌以及类别信息，获取第一购买商品的属性集合，获取目标商品的属性集合中名称对应的词向量、标签对应的词向量/>、品牌对应的词向量/>以及类别对应的词向量/>，获取第一购买商品的属性集合中名称对应的词向量/>、标签对应的词向量/>、品牌对应的词向量/>以及类别对应的词向量/>，将/>和/>作为余弦相似度算法中的两个输入向量，将余弦相似度算法的输出结果作为目标商品名称和第一购买商品名称的相似性，记为SL1；获取目标商品标签和第一购买商品标签的相似性，记为SL2，获取目标商品品牌和第一购买商品品牌的相似性，记为SL3，获取目标商品类别和第一购买商品类别的相似性，记为SL4，将目标商品的描述通过jieba分词操作得到目标商品的若干描述分词构成的集合记为S5，将第一购买商品的若干描述分词构成的集合记为L5，获取S5和L5的交并比，将S5和L5的交并比作为目标商品和第一购买商品描述的相似性，记为SL5，所述交并比为S5和L5的交集集合与并集集合中描述分词的个数比值；

对平台商品库中所有购买商品的价格进行线性归一化，得到的结果记为每个购买商品的归一化价格，将目标商品的归一化价格记为，获取第一购买商品的归一化价格，记为，/>，/>为目标商品和第一购买商品价格的相似性；

式中，为第一购买商品与目标商品的相似性；

预设第一阈值，记为th1，将第一购买商品与目标商品的相似性，记为第一相似性，若第一相似性大于等于th1，将第一购买商品进行保留并作为目标商品的一个相似性购买商品，若第一相似性小于th1，将第一购买商品进行舍去，获取平台商品库中每一个购买商品与第一购买数据中每个购买商品的相似性，将相似性满足预设第一阈值的所有平台商品库中的购买商品构成的集合记为目标用户的推荐商品集合。

3.根据权利要求1所述一种基于AI的新媒体智能营销平台，其特征在于，所述根据任意一个用户最近一个月的购物清单集合得到相似用户集合，包括的具体步骤如下：

将多个用户中任意一个用户记为目标用户，将多个用户中除目标用户以外任意一个用户记为第一用户，将目标用户的购物清单集合中所有的购买商品按照时间顺序进行排列，得到目标用户的购物清单序列，记为MX，将第一用户的购物清单集合中所有的购买商品按照时间顺序进行排列，得到第一用户的购物清单序列，记为MD，获取第一用户与目标用户的相似性，具体如下：

将MX和MD作为DTW算法的输入序列，根据DTW算法的输出结果得到第一用户与目标用户的相似性，DTW算法中的距离度量根据MX和MD中对应购买商品的相似性得到；

预设第二阈值，记为th2，将第一用户与目标用户的相似性，记为第二相似性，若第二相似性大于等于th2，将第一用户进行保留并作为目标用户的一个相似用户，若第二相似性小于th2，将第一用户进行舍去，获取目标用户的所有相似用户，将所有相似用户构成的集合记为目标用户的相似用户集合。

4.根据权利要求1所述一种基于AI的新媒体智能营销平台，其特征在于，所述根据推荐商品集合和相似用户集合得到第一集合，包括的具体步骤如下：

获取相似用户集合中和目标用户相似性最高的k个用户，k为预设数值，将和目标用户相似性最高的k个用户中任意一个用户记为第二用户，获取每一个第二用户以及目标用户对应的推荐商品集合；

将目标用户对应的推荐商品集合，记为集合A；

将第一个第二用户对应的推荐商品集合，记为集合B；

将第二个第二用户对应的推荐商品集合，记为集合C；

将集合A、集合B以及集合C的交集，记为公共推荐商品集合；

将集合B和集合C的交集，记为初始集合3，将初始集合3中除公共推荐商品集合以外剩余的集合，记为集合3；

将集合B和集合A的交集，记为初始集合1，将初始集合1中除公共推荐商品集合以外剩余的集合，记为集合1；

将集合C和集合A的交集，记为初始集合2，将初始集合2中除公共推荐商品集合以外剩余的集合，记为集合2；

将集合B中除公共推荐商品集合、集合1、集合3以外剩余的集合，记为集合b；

将集合C中除公共推荐商品集合、集合2、集合3以外剩余的集合，记为集合c；

将集合A中除公共推荐商品集合、集合1、集合2以外剩余的集合，记为集合a；

将集合b、集合c、集合3组成的公共集合，记为第一集合。

5.根据权利要求1所述一种基于AI的新媒体智能营销平台，其特征在于，所述根据任意一个用户对第一集合中任意一个集合中购买商品的倾向性，得到备选推荐集合，包括的具体步骤如下：

预设第三阈值，记为th3，若，/>为目标用户对目标集合中购买商品的倾向性，则将/>对应的目标集合进行保留，反之则将目标集合进行舍去，获取第一集合中所有保留的集合，将所有保留的集合构成的并集，得到备选推荐集合。

6.根据权利要求1所述一种基于AI的新媒体智能营销平台，其特征在于，所述根据任意一个用户最近一个月的购物清单集合中购买商品的价格，得到任意一个用户的价格敏感性，包括的具体步骤如下：

式中，为目标用户最近一个月的购物清单集合中所有购买商品的价格均值，/>为目标用户最近一个月的购物清单集合中所有购买商品的最高价格值，/>为目标用户最近一个月的购物清单集合中所有购买商品的最低价格值，/>为以自然常数为底的指数函数，/>为目标用户最近一个月的购物清单集合中所有购买商品的价格标准差，/>为目标用户的价格敏感性，所述目标用户为任意一个用户。

7.根据权利要求6所述一种基于AI的新媒体智能营销平台，其特征在于，所述根据任意一个用户的价格敏感性得到任意一个用户的敏感价格区间，包括的具体步骤如下：

预设第四阈值，记为th4，若，目标用户的敏感价格区间为，/>为预设第一数值，若/>，目标用户的敏感价格区间为/>。

8.根据权利要求7所述一种基于AI的新媒体智能营销平台，其特征在于，所述根据任意一个用户的敏感价格区间、任意一个用户的价格敏感性以及备选推荐集合，得到备选推荐集合中任意一个购买商品和任意一个用户最近一个月的购物清单集合中任意一个购买商品的联系性，包括的具体步骤如下：

式中，为/>时目标用户的敏感价格区间的最小值，/>为备选推荐集合中第g个购买商品的价格，/>为/>时目标用户的敏感价格区间的最大值，/>表示艾佛森括号，当括号内条件成立时，括号整体结果为/>，否则为/>，/>为备选推荐集合中第g个购买商品和第一目标商品的相似性，其中第一目标商品为目标用户最近一个月的购物清单集合中任意一个购买商品，/>为备选推荐集合中购买商品和第一目标商品的相似性的最大值，/>为第一目标商品的购买时间，/>为备选推荐集合中第g个购买商品的购买时间，/>为预设第四阈值，/>为目标用户的价格敏感性，/>为/>时目标用户的敏感价格区间的最小值，/>为/>时目标用户的敏感价格区间的最大值，/>为备选推荐集合中第g个购买商品和第一目标商品的联系性，记为备选推荐集合中第g个购买商品的联系性，/>为以自然常数为底的指数函数，/>为取绝对值。

9.根据权利要求1所述一种基于AI的新媒体智能营销平台，其特征在于，所述根据备选推荐集合中任意一个购买商品和任意一个用户最近一个月的购物清单集合中任意一个购买商品的联系性，得到第一推荐商品集合，包括的具体步骤如下：

预设第五阈值，记为th5，若，/>为备选推荐集合中第g个购买商品和第一目标商品的联系性，记为备选推荐集合中第g个购买商品的联系性，则将备选推荐集合中第g个购买商品进行保留，获取备选推荐集合中所有保留的购买商品，将所有保留的购买商品构成的集合，记为第一推荐商品集合。