CN117196787B - 一种基于人工智能的智能决策优化方法及系统 - Google Patents

Abstract

本发明公开了一种基于人工智能的智能决策优化方法及系统，包括：获取历史决策实例信息，对所述历史决策实例信息进行分类，并对各类别进行决策效果分析；对所述历史决策实例信息进行决策背景提取，分析历史决策实例的决策背景与历史决策实例的关联性，得到关联性分析信息；获取待决策信息，根据所述待决策信息生成初始决策方案，得到初始决策方案；获取营销信息，根据所述营销信息进行购买诱因分析，通过分析结果选取最终决策方案；获取营销受众信息，分析目标受众的长短期偏好，并进行未来偏好预测，根据预测结果进行个性化推荐和决策优化。通过贴近受众的偏好和决策背景进行决策优化，提高了决策质量和产品竞争力，降低营销风险。

Description

一种基于人工智能的智能决策优化方法及系统

技术领域

本发明涉及智能决策优化技术领域，尤其涉及一种基于人工智能的智能决策优化方法及系统。

背景技术

当今的商业和管理环境中，决策制定是一个至关重要的活动。企业和组织在面对各种复杂的问题和挑战时需要做出明智的决策，如市场营销策略、供应链管理、资源分配等。然而，传统的决策制定方法常常受限于人工经验和静态规则，这在面对动态和复杂的决策环境时表现出局限性。

现有技术的限制之一是过度依赖人工经验，这可能导致决策的不一致性和主观性。此外，许多决策过程仍然依赖手动数据收集和分析，这在大规模决策问题上变得不切实际。随着大数据的快速增长，传统方法难以有效地处理和分析大量复杂的数据。另外，决策环境常常发生变化，传统方法难以及时适应这些变化。

因此，如何提供全面的决策支持，包括预测、分类、优化等。并且能够适应动态环境，实时调整决策策略，以确保决策的实时性和灵活性是一个亟待解决的问题。

发明内容

本发明克服了现有技术的缺陷，提供了一种基于人工智能的智能决策优化方法及系统，其重要目的在于提高决策质量、降低风险并增强竞争力。

为实现上述目的本发明第一方面提供了一种基于人工智能的智能决策优化方法，包括：

获取历史决策实例信息，对所述历史决策实例信息进行分类，并对各类别进行决策效果分析；

对所述历史决策实例信息进行决策背景提取，分析历史决策实例的决策背景与历史决策实例的关联性，得到关联性分析信息；

获取待决策信息，根据所述待决策信息生成初始决策方案，得到初始决策方案；

获取营销信息，根据所述营销信息进行购买诱因分析，通过分析结果选取最终决策方案；

获取营销受众信息，分析目标受众的长短期偏好，并进行未来偏好预测，根据预测结果进行个性化推荐和决策优化。

本方案中，所述获取历史决策实例信息，对所述历史决策实例信息进行分类，并对各类别进行决策效果分析，具体为：

获取历史决策实例信息，对所述历史决策实例信息进行特征提取，得到历史决策实例特征信息；

预设特征类别，计算所述历史决策实例特征信息与特征类别的马氏距离，得到马氏距离信息；

预设相关性判断阈值，根据所述马氏距离信息与相关性判断阈值进行相关性分析，得到相关性分析信息；

根据所述相关性分析信息将所述历史决策实例信息进行分类，得到分类决策实例信息；

对所述分类决策实例信息进行特征提取，获取各决策实例的历史销售额信息；

预设多个决策分数判断阈值，将所述历史销售额信息与决策效果判断阈值进行判断，得到决策分数信息；

构建决策效果分析模型，将所述决策分数信息和分类决策实例信息输入至所述决策效果分析模型中进行决策效果分析，得到决策效果分析信息。

本方案中，所述对所述历史决策实例信息进行决策背景提取，分析历史决策实例的决策背景与历史决策实例的关联性，具体为；

获取历史决策实例信息，对所述历史决策实例信息进行决策背景提取，得到决策背景提取信息；

所述决策背景提取信息包括：市场情况、竞争对手动态、经济环境、季节性因素、政策法规变化、产品生命周期；

基于Apriori算法构建关联性分析模型，将所述历史决策实例信息和决策背景提取信息输入至所述关联性分析模型中进行关联性分析；

计算各个决策背景在历史决策实例中出现的频率，作为关联性分数，得到关联性分数信息；

预设关联性判断阈值，将所述关联性分数信息与关联性判断阈值进行判断分析，得到关联性分析信息。

本方案中，所述获取待决策信息，根据所述待决策信息生成初始决策方案，得到初始决策方案，具体为：

获取决策背景提取信息，基于主成分分析算法，根据关联性分析信息和决策效果分析信息对所述决策背景提取信息进行分析，得到关键决策背景信息；

根据关键决策背景信息、关联性分析信息、决策效果分析信息和历史决策实例信息构建训练样本数据集；

基于遗传算法构建决策方案分析模型，通过所述训练样本数据集进行深度学习和训练，得到符合期望的决策方案分析模型；

获取待决策信息，将所述待决策信息导入决策方案分析模型中进行初始决策方案生成；

将所述待决策信息作为决策目标，生成目标函数和约束条件，随机生成初始种群，计算初始种群的适应度值；

预设停止准则，将计算得到的各初始种群的适应度值与预设阈值进行判断，选取大于预设阈值的种群进行迭代优化，直至符合停止准则，得到初始决策方案。

本方案中，所述获取营销信息，根据所述营销信息进行购买诱因分析，通过分析结果选取最终决策方案，具体为：

获取营销信息，所述营销信息包括：购买者信息、购买产品信息和购买背景信息；

对所述营销信息进行特征提取，得到购买者特征信息、购买产品特征信息和购买背景特征信息；

构建购买诱因分析模型，将所述购买者特征信息、购买产品特征信息和购买背景特征信息导入至所述购买诱因分析模型中进行分析，得到购买诱因分析结果信息；

获取历史决策实例特征信息，将所述购买诱因分析结果信息作为关联特征与历史决策实例特征信息进行相似度计算，得到相似度值；

将相似度值与预设阈值进行判断，根据判断结果对各购买诱因出现频率进行统计，并按照频率大小进行排序，得到购买诱因排序图；

预设选取阈值，根据所述选取阈值结合购买诱因排序图进行主要购买诱因选取，得到主要购买诱因分析信息；

获取初始决策方案，将所述主要购买诱因分析信息作为权重，对所述初始决策方案进行加权计算，根据加权计算结果选取最终决策方案。

本方案中，所述获取营销受众信息，分析目标受众的长短期偏好，并进行未来偏好预测，根据预测结果进行个性化推荐和决策优化，具体为：

获取营销受众信息，所述营销受众信息包括：受众年龄信息、受众地理位置信息和受众历史行为信息；

对所述营销受众信息进行特征提取，并对提取的特征进行时序处理，将受众在每个时间段的特征与对应的时间进行匹配，得到受众特征信息；

构建长短期偏好分析模型，将所述受众特征信息输入至所述长短期偏好分析模型中进行分析，得到长短期偏好分析信息；

根据所述长短期偏好分析信息构建偏好时序序列，基于注意力机制计算各偏好在所述偏好时序序列的频率，作为注意力分数；

根据循环神经网络构建偏好预测模型，将注意力分数作为权重，将所述受众特征信息和长短期偏好分析信息输入至偏好预测模型，分析目标受众的下一个偏好，得到偏好预测信息；

获取现有产品信息，提取所述现有产品信息的产品属性特征，将产品属性特征与偏好预测信息进行相似度计算，分析是否有符合受众偏好的产品；

预设相似产品判断阈值，将计算得到的相似度值与预设阈值进行判断，得到判断结果信息；

根据判断结果信息生成个性化推荐策略，并根据所述个性化推荐策略进行决策优化。

本发明第二方面提供了一种基于人工智能的智能决策优化系统，该系统包括：存储器、处理器，所述存储器中包含基于人工智能的智能决策优化方法程序，所述基于人工智能的智能决策优化方法程序被所述处理器执行时实现如下步骤：

获取历史决策实例信息，对所述历史决策实例信息进行分类，并对各类别进行决策效果分析；

对所述历史决策实例信息进行决策背景提取，分析历史决策实例的决策背景与历史决策实例的关联性，得到关联性分析信息；

获取待决策信息，根据所述待决策信息生成初始决策方案，得到初始决策方案；

获取营销信息，根据所述营销信息进行购买诱因分析，通过分析结果选取最终决策方案；

获取营销受众信息，分析目标受众的长短期偏好，并进行未来偏好预测，根据预测结果进行个性化推荐和决策优化。

本发明公开了一种基于人工智能的智能决策优化方法及系统，包括：获取历史决策实例信息，对所述历史决策实例信息进行分类，并对各类别进行决策效果分析；对所述历史决策实例信息进行决策背景提取，分析历史决策实例的决策背景与历史决策实例的关联性，得到关联性分析信息；获取待决策信息，根据所述待决策信息生成初始决策方案，得到初始决策方案；获取营销信息，根据所述营销信息进行购买诱因分析，通过分析结果选取最终决策方案；获取营销受众信息，分析目标受众的长短期偏好，并进行未来偏好预测，根据预测结果进行个性化推荐和决策优化。通过贴近受众的偏好和决策背景进行决策优化，提高了决策质量和产品竞争力，降低营销风险。

附图说明

为了更清楚地说明本发明实施例或示例性中的技术方案，下面将对实施例或示例性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，还可以按照这些附图示出的获得其他的附图。

图1为本发明一实施例提供的一种基于人工智能的智能决策优化方法流程图；

图2为本发明一实施例提供的一种基于人工智能的智能决策优化方法的数据处理流程图；

图3为本发明一实施例提供的一种基于人工智能的智能决策优化系统框图；

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

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

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

图1为本发明一实施例提供的一种基于人工智能的智能决策优化方法流程图；

如图1所示，本发明提供了一种基于人工智能的智能决策优化方法流程图，包括：

S102，获取历史决策实例信息，对所述历史决策实例信息进行分类，并对各类别进行决策效果分析；

获取历史决策实例信息，对所述历史决策实例信息进行特征提取，得到历史决策实例特征信息；

预设特征类别，计算所述历史决策实例特征信息与特征类别的马氏距离，得到马氏距离信息；

预设相关性判断阈值，根据所述马氏距离信息与相关性判断阈值进行相关性分析，得到相关性分析信息；

根据所述相关性分析信息将所述历史决策实例信息进行分类，得到分类决策实例信息；

对所述分类决策实例信息进行特征提取，获取各决策实例的历史销售额信息；

预设多个决策分数判断阈值，将所述历史销售额信息与决策效果判断阈值进行判断，得到决策分数信息；

构建决策效果分析模型，将所述决策分数信息和分类决策实例信息输入至所述决策效果分析模型中进行决策效果分析，得到决策效果分析信息。

需要说明的是，首先，通过对历史决策实例进行分析，利用马氏距离来度量历史决策实例之间的相似性或相关性，根据马氏距离信息，进行相关性分析，确定哪些决策实例之间具有相关性，生成相关性分析信息。基于相关性分析的结果，将历史决策实例信息分类成不同的组或类别，这些类别可能表示不同类型的决策或目标市场。针对分类后的决策实例，提取它们的历史销售额信息，作为决策效果的判断指标，此外，决策效果的判断指标还可以是销售量、单位时间销售速率等指标。然后，根据预设的决策分数判断阈值，计算不同决策实例的决策分数，评估决策效果。最后，通过决策效果分析模型中进行决策效果分析，分析各决策实例的成功程度。

S104，对所述历史决策实例信息进行决策背景提取，分析历史决策实例的决策背景与历史决策实例的关联性，得到关联性分析信息；

获取历史决策实例信息，对所述历史决策实例信息进行决策背景提取，得到决策背景提取信息；

所述决策背景提取信息包括：市场情况、竞争对手动态、经济环境、季节性因素、政策法规变化、产品生命周期；

基于Apriori算法构建关联性分析模型，将所述历史决策实例信息和决策背景提取信息输入至所述关联性分析模型中进行关联性分析；

计算各个决策背景在历史决策实例中出现的频率，作为关联性分数，得到关联性分数信息；

预设关联性判断阈值，将所述关联性分数信息与关联性判断阈值进行判断分析，得到关联性分析信息。

需要说明的是，首先，从历史决策实例信息中提取决策背景信息，这些信息包括市场情况、竞争对手动态、经济环境、季节性因素、政策法规变化、产品生命周期等因素，这些因素可能会影响决策的效果。然后，使用Apriori算法构建关联性分析模型。这个模型可以帮助找出历史决策实例中不同因素之间的关联性，即哪些决策背景因素通常同时出现。接着，计算每个决策背景因素在历史决策实例中出现的频率，这可以作为关联性分数。较高的频率表示某一背景因素与其他因素有较强的关联。设定一个关联性判断阈值，这个阈值用于判断哪些关联性分数高于阈值的因素是显著的关联性因素。最后，根据关联性分数信息和关联性判断阈值，得出哪些决策背景因素之间具有显著关联。这有助于识别在历史决策中哪些因素通常一起出现，帮助了解历史决策实例与不同决策背景因素之间的关系，以便更好地理解决策制定的背景和上下文，并为未来的决策提供参考。这有助于制定更具针对性和有效性的决策策略。

S106，获取待决策信息，根据所述待决策信息生成初始决策方案，得到初始决策方案；

获取决策背景提取信息，基于主成分分析算法，根据关联性分析信息和决策效果分析信息对所述决策背景提取信息进行分析，得到关键决策背景信息；

根据关键决策背景信息、关联性分析信息、决策效果分析信息和历史决策实例信息构建训练样本数据集；

基于遗传算法构建决策方案分析模型，通过所述训练样本数据集进行深度学习和训练，得到符合期望的决策方案分析模型；

获取待决策信息，将所述待决策信息导入决策方案分析模型中进行初始决策方案生成；

将所述待决策信息作为决策目标，生成目标函数和约束条件，随机生成初始种群，计算初始种群的适应度值；

预设停止准则，将计算得到的各初始种群的适应度值与预设阈值进行判断，选取大于预设阈值的种群进行迭代优化，直至符合停止准则，得到初始决策方案。

S108，获取营销信息，根据所述营销信息进行购买诱因分析，通过分析结果选取最终决策方案；

获取营销信息，所述营销信息包括：购买者信息、购买产品信息和购买背景信息；

对所述营销信息进行特征提取，得到购买者特征信息、购买产品特征信息和购买背景特征信息；

构建购买诱因分析模型，将所述购买者特征信息、购买产品特征信息和购买背景特征信息导入至所述购买诱因分析模型中进行分析，得到购买诱因分析结果信息；

获取历史决策实例特征信息，将所述购买诱因分析结果信息作为关联特征与历史决策实例特征信息进行相似度计算，得到相似度值；

将相似度值与预设阈值进行判断，根据判断结果对各购买诱因出现频率进行统计，并按照频率大小进行排序，得到购买诱因排序图；

预设选取阈值，根据所述选取阈值结合购买诱因排序图进行主要购买诱因选取，得到主要购买诱因分析信息；

获取初始决策方案，将所述主要购买诱因分析信息作为权重，对所述初始决策方案进行加权计算，根据加权计算结果选取最终决策方案。

需要说明的是，首先，获取营销信息，包括购买者信息（例如，客户个人资料）、购买产品信息（例如，产品属性和特点）、购买背景信息（例如，购买场景或原因）。然后，对营销信息进行特征提取，将购买者信息、购买产品信息和购买背景信息转化为特征。这些特征包括客户属性、产品属性、购买时间等。接着，将购买者特征信息、购买产品特征信息和购买背景特征信息导入购买诱分析模型进行分析，得出购买诱因分析结果信息，即哪些因素最有可能影响购买决策。接着，获取历史决策实例的特征信息，将购买诱因分析结果信息作为关联特征，计算购买诱因分析结果与历史决策实例特征的相似度值。根据相似度值，将购买诱因按照与历史决策实例的相似度进行排序。这有助于确定哪些购买诱因更加相关，预设选取阈值，根据选取阈值结合购买诱因排序图，选取主要购买诱因。主要购买诱因是最相关和最有影响力的因素。最后，将主要购买诱因分析信息作为权重，对初始决策方案进行加权计算。这可以帮助确定最适合购买者需求的最终决策方案。通过分析购买者的购买诱因，以更好地理解购买者需求，并为的决策制定提供有针对性的建议。这可以提高决策的成功率，满足客户的需求。

S110，获取营销受众信息，分析目标受众的长短期偏好，并进行未来偏好预测，根据预测结果进行个性化推荐和决策优化。

获取营销受众信息，所述营销受众信息包括：受众年龄信息、受众地理位置信息和受众历史行为信息；

对所述营销受众信息进行特征提取，并对提取的特征进行时序处理，将受众在每个时间段的特征与对应的时间进行匹配，得到受众特征信息；

构建长短期偏好分析模型，将所述受众特征信息输入至所述长短期偏好分析模型中进行分析，得到长短期偏好分析信息；

根据所述长短期偏好分析信息构建偏好时序序列，基于注意力机制计算各偏好在所述偏好时序序列的频率，作为注意力分数；

根据循环神经网络构建偏好预测模型，将注意力分数作为权重，将所述受众特征信息和长短期偏好分析信息输入至偏好预测模型，分析目标受众的下一个偏好，得到偏好预测信息；

获取现有产品信息，提取所述现有产品信息的产品属性特征，将产品属性特征与偏好预测信息进行相似度计算，分析是否有符合受众偏好的产品；

预设相似产品判断阈值，将计算得到的相似度值与预设阈值进行判断，得到判断结果信息；

根据判断结果信息生成个性化推荐策略，并根据所述个性化推荐策略进行决策优化。

需要说明的是，首先，对受众信息进行特征提取，并将受众在不同时间段的特征与对应的时间匹配，进行时序处理，以更好地了解他们的行为和特征随时间的变化。然后，构建长短期偏好分析模型，通过长短期偏好分析模型了解受众在不同时间段内的兴趣和倾向。接着，利用偏好分析信息，构建偏好时序序列，并使用注意力机制计算各个偏好在序列中的频率，以确定哪些偏好更为重要。然后，建立偏好预测模型，用于预测受众的下一个偏好。接着，将现有产品属性特征与受众的偏好进行相似度计算，以确定是否有产品符合受众的偏好。根据相似度计算结果，生成了个性化推荐策略，向受众推荐与其兴趣相关的产品或决策方案。最后，根据个性化推荐策略进行决策优化，以满足受众的需求和偏好，提高决策的成功率。通过这个过程，可以更好地了解受众，提供个性化的推荐和决策，从而提高营销和决策的效果，增强客户满意度，并提高业务绩效，有助于提高企业的竞争力和市场份额。

进一步的，获取长短期偏好分析信息，根据所述长短期偏好分析信息进行检索获取相似偏好用户信息；提取所述相似偏好用户信息的历史购买订单，得到历史购买订单信息；对所述历史购买订单信息进行特征提取，提取各订单的商品特征，得到历史购买商品特征信息；预设多个属性标签，基于多头注意力机制计算历史购买商品特征信息和属性标签的注意力分数，并与预设阈值进行判断，将历史购买商品与对应的属性进行关联，得到商品属性分析信息；根据所述商品属性分析信息对所述历史购买订单信息进行商品类别关联，将商品与对应的属性进行关联，并结合用户历史购买时间构建商品知识图谱；获取用户实时购买行为信息，包括用户实时购买信息、用户实时访问信息和用户实时互动信息；对所述用户实时购买行为信息进行特征提取，用户实时购买商品信息和浏览商品信息，得到用户实时行为特征信息；将所述用户实时行为特征信息与商品知识图谱进行相似度计算，并与预设阈值进行判断，根据判断结果获取相似商品，得到相似商品信息；根据所述相似商品信息结合商品知识图谱进行检索，提取相似商品所在的商品路径之后的商品，作为潜在感兴趣商品，得到潜在感兴趣商品信息；计算所述潜在感兴趣商品在商品知识图谱中的出现频率，作为推荐权重，对所述潜在感兴趣商品信息进行加权计算；根据加权计算结果进行商品推荐决策，向用户推荐潜在意向产品，从而贴近用户偏好，增强客户满意度，从而提高决策的成功率。

图2为本发明一实施例提供的一种基于人工智能的智能决策优化方法的数据处理流程图；

如图2所示，本发明提供了一种基于人工智能的智能决策优化方法的数据处理流程图，包括:

S202，获取待决策信息，根据所述待决策信息生成初始决策方案；

S204，获取营销信息，进行购买诱因分析，得到主要购买诱因分析信息；

S206，将主要购买诱因分析信息作为权重，对初始决策方案进行加权计算，根据加权计算结果选取最终决策方案；

S208，获取营销受众信息，分析目标受众的长短期偏好，并进行未来偏好预测；

S210，提取所述现有产品信息的产品属性特征，分析是否有符合受众偏好的产品；

S212，提取所述现有产品信息的产品属性特征，分析是否有符合受众偏好的产品，生成个性化推荐策略，并进行决策优化。

进一步的，获取市场热销产品信息，对所述市场热销产品信息进行特征提取，得到热销产品特征信息；获取热销产品用户反馈信息，对所述用户反馈信息进行文本清洗和纠正预处理，得到预处理后的热销产品用户反馈信息；构建用户反馈语义分析模型，将预处理后的热销产品用户反馈信息输入至用户反馈语义分析模型进行分析，得到反馈语义分析信息；基于统计学算法对所述反馈语义分析信息进行关键评价分析，统计各词段的出现频率，并与预设阈值进行判断，得到关键评价分析信息；计算关键评价分析信息和热销产品特征信息的马氏距离，作为相关性判断分数，与预设阈值进行判断，将大于预设阈值的产品特征作为该产品的产品属性，得到热销产品属性分析信息；获取现有产品信息，提取现有产品的产品特征，与所述热销产品属性分析信息进行相似度计算，判断是否有与热销产品相似的现有产品，得到产品判断结果信息；若产品判断结果信息为没有相似的现有产品，则进行产品研发推荐；获取市场背景信息，所述市场背景信息包括社交媒体热点信息和用户行为信息；构建购买风向分析模型，将关键评价分析信息和市场背景信息导入购买风向分析模型中进行分析，得到购买风向分析信息；计算所述热销产品属性分析信息与购买风向分析信息的马氏距离作为热销周期评估分数，并与预设阈值进行判断，得到热销周期评估结果信息；根据所述热销周期评估结果信息判断当前热销产品是否值得研发，根据判断结果结合购买风向分析信息和热销产品属性分析信息制定研发策略。

图3为本发明一实施例提供的一种基于人工智能的智能决策优化系统框图3，该系统包括：存储器31、处理器32，所述存储器31中包含基于人工智能的智能决策优化方法程序，所述基于人工智能的智能决策优化方法程序被所述处理器32执行时实现如下步骤：

获取历史决策实例信息，对所述历史决策实例信息进行分类，并对各类别进行决策效果分析；

对所述历史决策实例信息进行决策背景提取，分析历史决策实例的决策背景与历史决策实例的关联性，得到关联性分析信息；

获取待决策信息，根据所述待决策信息生成初始决策方案，得到初始决策方案；

获取营销信息，根据所述营销信息进行购买诱因分析，通过分析结果选取最终决策方案；

获取营销受众信息，分析目标受众的长短期偏好，并进行未来偏好预测，根据预测结果进行个性化推荐和决策优化。

需要说明的是，本发明提供了一种基于人工智能的智能决策优化方法及系统，通过分析每个类别的历史决策实例的决策效果，例如销售数据、转化率等关键性能指标，以了解不同类别决策的成功与失败。这有助于总结经验教训和为未来决策提供指导。接着，从历史决策实例中提取决策背景信息，如市场情况、竞争对手动态、政策法规等，并分析这些背景与历史决策的关联性。这有助于了解决策背后的关键因素，为后续决策提供参考。然后，基于待决策信息，生成初始决策方案。这可能包括产品推荐、定价策略、营销渠道等。初始决策方案是在尚未考虑个性化因素的情况下的初步决策。接着，根据营销信息，进行购买诱因分析，从而识别影响购买决策的关键因素。这有助于理解为什么客户做出特定的购买决策。最后，获取营销受众信息，包括受众的特征和偏好。分析受众的长短期偏好，并预测未来的偏好趋势。基于这些预测，进行个性化推荐，推荐与受众兴趣相关的产品或决策方案，并进行决策优化，以满足受众的需求和提高决策的成功率。从而优化决策制定和精准营销策略，提高业务绩效和客户满意度，有助于提高决策的智能化和个性化水平。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (2)

1.一种基于人工智能的智能决策优化方法，其特征在于，包括：

获取历史决策实例信息，对所述历史决策实例信息进行分类，并对各类别进行决策效果分析；

对所述历史决策实例信息进行决策背景提取，分析历史决策实例的决策背景与历史决策实例的关联性，得到关联性分析信息；

获取待决策信息，根据所述待决策信息生成初始决策方案，得到初始决策方案；

获取营销信息，根据所述营销信息进行购买诱因分析，通过分析结果选取最终决策方案；

获取营销受众信息，分析目标受众的长短期偏好，并进行未来偏好预测，根据预测结果进行个性化推荐和决策优化；

所述获取历史决策实例信息，对所述历史决策实例信息进行分类，并对各类别进行决策效果分析，具体包括：

获取历史决策实例信息，对所述历史决策实例信息进行特征提取，得到历史决策实例特征信息；

预设特征类别，计算所述历史决策实例特征信息与特征类别的马氏距离，得到马氏距离信息；

预设相关性判断阈值，根据所述马氏距离信息与相关性判断阈值进行相关性分析，得到相关性分析信息；

根据所述相关性分析信息将所述历史决策实例信息进行分类，得到分类决策实例信息；

对所述分类决策实例信息进行特征提取，获取各决策实例的历史销售额信息；

预设多个决策分数判断阈值，将所述历史销售额信息与决策效果判断阈值进行判断，得到决策分数信息；

构建决策效果分析模型，将所述决策分数信息和分类决策实例信息输入至所述决策效果分析模型中进行决策效果分析，得到决策效果分析信息；

所述对所述历史决策实例信息进行决策背景提取，分析历史决策实例的决策背景与历史决策实例的关联性，具体包括：

获取历史决策实例信息，对所述历史决策实例信息进行决策背景提取，得到决策背景提取信息；

所述决策背景提取信息包括：市场情况、竞争对手动态、经济环境、季节性因素、政策法规变化、产品生命周期；

基于Apriori算法构建关联性分析模型，将所述历史决策实例信息和决策背景提取信息输入至所述关联性分析模型中进行关联性分析；

计算各个决策背景在历史决策实例中出现的频率，作为关联性分数，得到关联性分数信息；

预设关联性判断阈值，将所述关联性分数信息与关联性判断阈值进行判断分析，得到关联性分析信息；

所述获取待决策信息，根据所述待决策信息生成初始决策方案，得到初始决策方案，具体包括：

获取决策背景提取信息，基于主成分分析算法，根据关联性分析信息和决策效果分析信息对所述决策背景提取信息进行分析，得到关键决策背景信息；

根据关键决策背景信息、关联性分析信息、决策效果分析信息和历史决策实例信息构建训练样本数据集；

基于遗传算法构建决策方案分析模型，通过所述训练样本数据集进行深度学习和训练，得到符合期望的决策方案分析模型；

获取待决策信息，将所述待决策信息导入决策方案分析模型中进行初始决策方案生成；

将所述待决策信息作为决策目标，生成目标函数和约束条件，随机生成初始种群，计算初始种群的适应度值；

预设停止准则，将计算得到的各初始种群的适应度值与预设阈值进行判断，选取大于预设阈值的种群进行迭代优化，直至符合停止准则，得到初始决策方案；

所述获取营销信息，根据所述营销信息进行购买诱因分析，通过分析结果选取最终决策方案，具体包括：

获取营销信息，所述营销信息包括：购买者信息、购买产品信息和购买背景信息；

对所述营销信息进行特征提取，得到购买者特征信息、购买产品特征信息和购买背景特征信息；

构建购买诱因分析模型，将所述购买者特征信息、购买产品特征信息和购买背景特征信息导入至所述购买诱因分析模型中进行分析，得到购买诱因分析结果信息；

获取历史决策实例特征信息，将所述购买诱因分析结果信息作为关联特征与历史决策实例特征信息进行相似度计算，得到相似度值；

将相似度值与预设阈值进行判断，根据判断结果对各购买诱因出现频率进行统计，并按照频率大小进行排序，得到购买诱因排序图；

预设选取阈值，根据所述选取阈值结合购买诱因排序图进行主要购买诱因选取，得到主要购买诱因分析信息；

获取初始决策方案，将所述主要购买诱因分析信息作为权重，对所述初始决策方案进行加权计算，根据加权计算结果选取最终决策方案；

所述获取营销受众信息，分析目标受众的长短期偏好，并进行未来偏好预测，根据预测结果进行个性化推荐和决策优化，具体包括：

获取营销受众信息，所述营销受众信息包括：受众年龄信息、受众地理位置信息和受众历史行为信息；

对所述营销受众信息进行特征提取，并对提取的特征进行时序处理，将受众在每个时间段的特征与对应的时间进行匹配，得到受众特征信息；

构建长短期偏好分析模型，将所述受众特征信息输入至所述长短期偏好分析模型中进行分析，得到长短期偏好分析信息；

根据所述长短期偏好分析信息构建偏好时序序列，基于注意力机制计算各偏好在所述偏好时序序列的频率，作为注意力分数；

根据循环神经网络构建偏好预测模型，将注意力分数作为权重，将所述受众特征信息和长短期偏好分析信息输入至偏好预测模型，分析目标受众的下一个偏好，得到偏好预测信息；

获取现有产品信息，提取所述现有产品信息的产品属性特征，将产品属性特征与偏好预测信息进行相似度计算，分析是否有符合受众偏好的产品；

预设相似产品判断阈值，将计算得到的相似度值与预设阈值进行判断，得到判断结果信息；

根据判断结果信息生成个性化推荐策略，并根据所述个性化推荐策略进行决策优化。

2.一种基于人工智能的智能决策优化系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包含基于人工智能的智能决策优化方法程序，所述基于人工智能的智能决策优化方法程序被所述处理器执行时实现如下步骤：

获取历史决策实例信息，对所述历史决策实例信息进行分类，并对各类别进行决策效果分析；

对所述历史决策实例信息进行决策背景提取，分析历史决策实例的决策背景与历史决策实例的关联性，得到关联性分析信息；

获取待决策信息，根据所述待决策信息生成初始决策方案，得到初始决策方案；

获取营销信息，根据所述营销信息进行购买诱因分析，通过分析结果选取最终决策方案；

获取营销受众信息，分析目标受众的长短期偏好，并进行未来偏好预测，根据预测结果进行个性化推荐和决策优化；

所述获取历史决策实例信息，对所述历史决策实例信息进行分类，并对各类别进行决策效果分析，具体包括：

获取历史决策实例信息，对所述历史决策实例信息进行特征提取，得到历史决策实例特征信息；

预设特征类别，计算所述历史决策实例特征信息与特征类别的马氏距离，得到马氏距离信息；

预设相关性判断阈值，根据所述马氏距离信息与相关性判断阈值进行相关性分析，得到相关性分析信息；

根据所述相关性分析信息将所述历史决策实例信息进行分类，得到分类决策实例信息；

对所述分类决策实例信息进行特征提取，获取各决策实例的历史销售额信息；

预设多个决策分数判断阈值，将所述历史销售额信息与决策效果判断阈值进行判断，得到决策分数信息；

构建决策效果分析模型，将所述决策分数信息和分类决策实例信息输入至所述决策效果分析模型中进行决策效果分析，得到决策效果分析信息；

所述对所述历史决策实例信息进行决策背景提取，分析历史决策实例的决策背景与历史决策实例的关联性，具体包括：

获取历史决策实例信息，对所述历史决策实例信息进行决策背景提取，得到决策背景提取信息；

所述决策背景提取信息包括：市场情况、竞争对手动态、经济环境、季节性因素、政策法规变化、产品生命周期；

基于Apriori算法构建关联性分析模型，将所述历史决策实例信息和决策背景提取信息输入至所述关联性分析模型中进行关联性分析；

计算各个决策背景在历史决策实例中出现的频率，作为关联性分数，得到关联性分数信息；

预设关联性判断阈值，将所述关联性分数信息与关联性判断阈值进行判断分析，得到关联性分析信息；

所述获取待决策信息，根据所述待决策信息生成初始决策方案，得到初始决策方案，具体包括：

获取决策背景提取信息，基于主成分分析算法，根据关联性分析信息和决策效果分析信息对所述决策背景提取信息进行分析，得到关键决策背景信息；

根据关键决策背景信息、关联性分析信息、决策效果分析信息和历史决策实例信息构建训练样本数据集；

基于遗传算法构建决策方案分析模型，通过所述训练样本数据集进行深度学习和训练，得到符合期望的决策方案分析模型；

获取待决策信息，将所述待决策信息导入决策方案分析模型中进行初始决策方案生成；

将所述待决策信息作为决策目标，生成目标函数和约束条件，随机生成初始种群，计算初始种群的适应度值；

预设停止准则，将计算得到的各初始种群的适应度值与预设阈值进行判断，选取大于预设阈值的种群进行迭代优化，直至符合停止准则，得到初始决策方案；

所述获取营销信息，根据所述营销信息进行购买诱因分析，通过分析结果选取最终决策方案，具体包括：

获取营销信息，所述营销信息包括：购买者信息、购买产品信息和购买背景信息；

对所述营销信息进行特征提取，得到购买者特征信息、购买产品特征信息和购买背景特征信息；

构建购买诱因分析模型，将所述购买者特征信息、购买产品特征信息和购买背景特征信息导入至所述购买诱因分析模型中进行分析，得到购买诱因分析结果信息；

获取历史决策实例特征信息，将所述购买诱因分析结果信息作为关联特征与历史决策实例特征信息进行相似度计算，得到相似度值；

将相似度值与预设阈值进行判断，根据判断结果对各购买诱因出现频率进行统计，并按照频率大小进行排序，得到购买诱因排序图；

预设选取阈值，根据所述选取阈值结合购买诱因排序图进行主要购买诱因选取，得到主要购买诱因分析信息；

获取初始决策方案，将所述主要购买诱因分析信息作为权重，对所述初始决策方案进行加权计算，根据加权计算结果选取最终决策方案；

所述获取营销受众信息，分析目标受众的长短期偏好，并进行未来偏好预测，根据预测结果进行个性化推荐和决策优化，具体包括：

获取营销受众信息，所述营销受众信息包括：受众年龄信息、受众地理位置信息和受众历史行为信息；

对所述营销受众信息进行特征提取，并对提取的特征进行时序处理，将受众在每个时间段的特征与对应的时间进行匹配，得到受众特征信息；

构建长短期偏好分析模型，将所述受众特征信息输入至所述长短期偏好分析模型中进行分析，得到长短期偏好分析信息；

根据所述长短期偏好分析信息构建偏好时序序列，基于注意力机制计算各偏好在所述偏好时序序列的频率，作为注意力分数；

根据循环神经网络构建偏好预测模型，将注意力分数作为权重，将所述受众特征信息和长短期偏好分析信息输入至偏好预测模型，分析目标受众的下一个偏好，得到偏好预测信息；

获取现有产品信息，提取所述现有产品信息的产品属性特征，将产品属性特征与偏好预测信息进行相似度计算，分析是否有符合受众偏好的产品；

预设相似产品判断阈值，将计算得到的相似度值与预设阈值进行判断，得到判断结果信息；

根据判断结果信息生成个性化推荐策略，并根据所述个性化推荐策略进行决策优化。