CN117495513B - 一种基于大数据和人工智能的购物推荐方法及系统 - Google Patents

Abstract

本申请提供一种基于大数据和人工智能的购物推荐方法及系统，涉及数据处理技术领域；方法包括：采集用户购买目标类型商品的历史行为数据，分割得到每个购买行为对应的购物特征数据；生成每组购物特征数据的浏览行为向量，确定每组购物特征数据的目标浏览行为；生成用户购买目标类型商品的浏览行为参考列表；采集用户对多个目标类型商品的浏览行为数据，基于浏览行为数据和浏览行为参考列表计算每个目标类型商品的行为评分；将每个目标类型商品的商品特征数据和行为评分输入到商品分析模型中，生成多个待推荐商品的评分，根据每个待推荐商品的评分向用户进行购物推荐。本申请可以提升推荐的精准度以及提升用户的购物体验。

Description

一种基于大数据和人工智能的购物推荐方法及系统

技术领域

本发明涉及数据处理技术领域，特别地涉及一种基于大数据和人工智能的购物推荐方法及系统。

背景技术

现有的购物推荐方法中通过分析用户的历史购买数据以及用户对不同商品的评分数据分析用户的喜好，用户在搜索商品的过程中，电商平台通过分析用户的历史数据，从符合客户搜索条件的商品中选择适合用户喜好的商品进行推荐。然而，部分用户在购买商品后并不一定会对商品做出评价，导致收集到的评分数据不够完整，单纯分析用户的评分数据的推荐效果有待提升。在购物过程中，用户对商品的浏览行为包含了较多的信息，例如不同的用户对于商品的视频、图片、评论等信息的倾向不同，有效利用用户的浏览行为倾向信息，可以进一步提升推荐的准确度。

发明内容

本申请实施例的目的在于提供一种基于大数据和人工智能的购物推荐方法及系统，通过分析用户浏览行为数据分析用户对不同浏览行为的倾向信息，以提高商品推荐的准确率。

本申请实施例的第一方面提供一种基于大数据和人工智能的购物推荐方法，包括：

采集用户购买目标类型商品的历史行为数据，基于用户的多个购买行为对历史行为数据进行分割，得到每个购买行为对应的购物特征数据；

提取每组购物特征数据中对于已购买商品的第一行为特征向量和已浏览商品的第二行为特征向量，行为特征向量包括有多个浏览行为的时长占比，其中，浏览行为包括图片浏览、视频浏览、评论浏览、问答浏览中的一种或多种；

基于多组存在关联的第一行为特征向量和第二行为特征向量生成每组购物特征数据的浏览行为向量，基于多个浏览行为向量确定每组购物特征数据的目标浏览行为；

根据多个目标浏览行为生成用户购买目标类型商品的浏览行为参考列表，包括每个浏览行为的行为分值；

采集用户对多个目标类型商品的浏览行为数据，基于浏览行为数据和浏览行为参考列表计算每个目标类型商品的行为评分；

将每个目标类型商品的商品特征数据和行为评分输入到商品分析模型中，生成多个待推荐商品的评分，根据每个待推荐商品的评分向用户进行购物推荐；

基于多组存在关联的第一行为特征向量和第二行为特征向量生成每组购物特征数据的浏览行为向量，包括：

式中，为浏览行为向量，/>、/>分别为第一行为特征向量和第二行为特征向量，/>为第一权重参数，/>为第二权重参数，/>、/>满足/>。

进一步地，基于多个浏览行为向量确定每组购物特征数据的目标浏览行为，包括：

对于任意一组购物特征数据，根据购物特征数据的浏览行为向量中每个浏览行为的时长占比对多个浏览行为进行排序，生成购物特征数据的浏览行为列表；

依次遍历浏览行为列表中的每个浏览行为，若第个浏览行为/>的时长占比/>和第/>个浏览行为/>的时长占比/>的相对偏差大于预设阈值，则将第/>个浏览行为记为目标浏览行为；否则停止遍历，输出购物特征数据的目标浏览行为和每个目标浏览行为的时长占比。

进一步地，根据多个目标浏览行为生成用户购买目标类型商品的浏览行为参考列表，包括：

基于行为类型对多个目标浏览行为进行聚类，得到多个行为类簇，统计每个行为类簇的时长占比的总和，将每个行为类簇的时长占比的总和作为行为类簇对应浏览行为的行为分值，生成用户购买目标类型商品的浏览行为参考列表。

进一步地，基于浏览行为数据和浏览行为参考列表计算每个目标类型商品的行为评分，包括：

对于任意一个目标类型商品，分析目标类型商品的浏览行为数据中每个浏览行为的时长占比，基于如下公式计算目标类型商品的行为评分：

式中，为目标类型商品的行为评分，/>为浏览行为的项数，/>为浏览行为的总数，/>为第/>个浏览行为的时长占比，/>为第/>个浏览行为的行为分值。

进一步地，对于商品分析模型，还包括：

采集多个用户购买目标类型商品的购物行为数据，对每个用户的购物行为数据进行分析，生成每个用户购买目标类型商品的浏览行为参考列表；

在对每个用户的购物行为数据进行分割得到多组购物特征数据后，确定每组购物特征数据中每件商品的商品特征数据，基于用户的浏览行为参考列表提取出每组购物特征数据的行为特征数据，包括购物特征数据中每件商品的评分；

生成每组购物特征数据的特征数据集，包括购物特征数据的行为特征数据和每件商品的商品特征数据；

基于任意两组购物特征数据的特征数据集构建一个训练样本子集，对训练样本子集进行随机标注，得到第一特征数据集和第二特征数据集，生成包括多个训练样本子集的训练数据集；

以多个训练样本子集中的第一特征数据集和第二特征数据集中每件商品的商品特征数据作为商品分析模型的输入，多个训练样本子集中第二特征数据集的行为特征数据为训练目标，训练得到商品分析模型。

进一步地，商品分析模型为卷积神经网络模型。

本申请实施例的第二方面提供一种基于大数据和人工智能的购物推荐系统，包括：

数据采集模块，用于采集用户购买目标类型商品的历史行为数据；

数据分割模块，用于基于用户的多个购买行为对历史行为数据进行分割，得到每个购买行为对应的购物特征数据；

行为分析模块，用于提取每组购物特征数据中对于已购买商品的第一行为特征向量和已浏览商品的第二行为特征向量，基于多组存在关联的第一行为特征向量和第二行为特征向量生成每组购物特征数据的浏览行为向量，基于多个浏览行为向量确定每组购物特征数据的目标浏览行为，其中，行为特征向量包括有多个浏览行为的时长占比，浏览行为包括图片浏览、视频浏览、评论浏览、问答浏览中的一种或多种；

列表生成模块，用于根据多个目标浏览行为生成用户购买目标类型商品的浏览行为参考列表，包括每个浏览行为的行为分值；

购物推荐模块，用于采集用户对多个目标类型商品的浏览行为数据，基于浏览行为数据和浏览行为参考列表计算每个目标类型商品的行为评分，将每个目标类型商品的商品特征数据和行为评分输入到商品分析模型中，生成多个待推荐商品的评分，根据每个待推荐商品的评分向用户进行购物推荐。

进一步地，还包括：

模型训练模块，用于采集多个用户购买目标类型商品的购物行为数据，构建训练数据集，基于训练数据集对商品分析模型进行模型训练。

本申请具有以下优点：

本申请通过分析用户购买目标类型商品的历史行为数据，生成用户购买目标类型商品的包括有每个浏览行为的行为分值的浏览行为参考列表，通过浏览行为参考列表和实时采集到的用户对多个目标类型商品的浏览行为数据，计算每个目标类型商品的行为评分，并通过商品分析模型对用户的喜好进行分析，预测用户对待推荐商品的喜好程度，实现向用户的购物推荐，提升推荐的精准度以及用户的购物体验。

附图说明

为了更清楚地说明本申请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申请的一些实施例，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示出的结构获得其他的附图。

图1为本申请实施例中示例性的一种基于大数据和人工智能的购物推荐方法流程图。

图2为本申请实施例中示例性的一种基于大数据和人工智能的购物推荐系统结构框图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请部分实施例进行进一步详细说明。

图1示出了本申请实施例中示例性的一种基于大数据和人工智能的购物推荐方法的流程图，请参见图1，本申请实施例示例性的一种基于大数据和人工智能的购物推荐方法，包括：

S101、采集用户购买目标类型商品的历史行为数据，基于用户的多个购买行为对历史行为数据进行分割，得到每个购买行为对应的购物特征数据。

本实施例中，目标类型商品例如是服装、水果、电器、百货等其中一个类型的商品，历史行为数据可以是描述用户在购买相关商品的过程中各个行为的信息，例如商品的浏览信息、评论信息、支付信息等，通过历史行为数据存在的多个购买行为进行数据分割，示例性的，用户每次的支付行为视为一个购买行为，则用户购买该商品之前的行为数据中，上一次购买行为之后的行为数据记为此次购买行为的购物特征数据。

值得说明的是，本实施例中购物特征数据用于指示用户在购买某个商品之前对其它相同类型的行为数据，例如，用户购买了一件秋季外套，则用户在购买该衣服之前对其它的秋季外套的行为数据属于此次购买行为的购物特征数据，本领域技术人员可根据实际需要从历史行为数据中分割出每个购买行为的购物特征数据，本实施例不对其进行具体限定。

S102、提取每组购物特征数据中的第一行为特征向量和第二行为特征向量，基于多组存在关联的第一行为特征向量和第二行为特征向量生成每组购物特征数据的浏览行为向量。

本实施例中，行为特征向量用于表征购物特征数据中用户多个浏览行为的时间分配关系，浏览行为指示用户在浏览商品过程中，对包含商品信息的文字、图像、视频等信息的操作情况，示例性的，行为特征向量包括有多个浏览行为的时长占比，向量中的每个元素分别表示用户对商品的图片、视频、评论、问答等信息的浏览行为。

本实施例中，第一行为特征向量表示购物特征数据的局部特征，具体为用户对已购买商品的浏览行为的记录；第二行为特征向量表示购物特征数据的全局特征，具体为用户对购物特征数据中所有已浏览商品的浏览行为的记录，值得补充的是，用户以购买的商品的浏览行为不在此列。

在确定每组购物特征数据中的第一行为特征向量和第二行为特征向量后，对于同组购物特征数据中，即存在关联的第一行为特征向量和第二行为特征向量进行特征融合，生成每组购物特征数据的浏览行为向量，具体的，对于任意一组购物特征数据，采用如下方式进行特征融合：

式中，为浏览行为向量，/>、/>分别为第一行为特征向量和第二行为特征向量，/>为第一权重参数，/>为第二权重参数，/>、/>满足/>。

S103、基于多个浏览行为向量确定每组购物特征数据的目标浏览行为，根据多个目标浏览行为生成用户购买目标类型商品的浏览行为参考列表。

本实施例中，目标浏览行为具体表示一组购物特征数据中用户的操作时间较长的一个或多个浏览行为，可通过浏览行为向量中指示的每个浏览行为的时长占比进行分析筛选，在确定每组购物特征数据的目标浏览行为，对所有的浏览行为进行统计分析，生成包括用户购买目标类型商品的浏览行为参考列表，浏览行为参考列表包括有每个浏览行为的行为分值，其中，行为分值可通过统计分析每个目标浏览行为的时长占比进行确定，用于量化表征用户对不同浏览行为的倾向程度。

在本实施例中，采用如下方式生成用户购买目标类型商品的浏览行为参考列表：

基于行为类型对多个目标浏览行为进行聚类，得到多个行为类簇，统计每个行为类簇的时长占比的总和，将每个行为类簇的时长占比的总和作为行为类簇对应浏览行为的行为分值，生成用户购买目标类型商品的浏览行为参考列表。

示例性的，不同组购物特征数据的目标浏览行为可能相同也可能不同，按照多个唯一的浏览行为对多个目标浏览行为进行聚类并对时长占比进行统计分析，生成包含每浏览行为的行为分值的浏览行为参考列表。

S104、采集用户对多个目标类型商品的浏览行为数据，基于浏览行为数据和浏览行为参考列表计算每个目标类型商品的行为评分。

值得说明的是，该步骤可具体应用于用户在选购商品这一过程，通过前述内容可分析得到用户对于不同类型商品的浏览行为参考列表，当用户通过电商平台进行商品选购时，在用户键入搜索目标后，例如用户选择冬季的男性棉袄，电商平台将基于用户的历史购物数据分析用户的喜好，并对多个符合用户搜索对象的商品进行匹配度分析，按照商品与用户的匹配度向用户进行商品推荐。而在用户浏览多个商品的过程中，现如今存在的一个问题是，向用户推荐的多个商品中，存在着与用户历史购买的商品相似度较高的商品，具体表现为用户存在与用户历史购买的商品相同但是来源不同的商家的商品，或者同款商品不同配色或型号的商品（此处以服装为例，同一服装但是展示的是不同的配色，以及来源不同的店铺等），这些商品与用户的历史购买数据中的商品契合度较高，因此，用户在滑动浏览多个推荐商品的过程中，对于所展示的与曾经购买过的商品差别不大的商品，可能会产生对该商品的新的浏览行为，容易被误认为用户依旧对该商品感兴趣，而实际上用户可能向想购买其它不同风格的产品，导致推荐效果达不到用户的预期。

本实施例中，通过分析用户对多个目标类型商品的浏览行为数据，结合浏览行为参考列表对每个目标类型商品进行喜好程度分析，具体为通过浏览行为参考列表计算每个目标类型商品的行为评分，从用户的浏览行为倾向入手，量化用户对多个目标类型商品的喜好程度。

示例性的，通过如下方式计算商品的行为评分：

以任意一个目标类型商品为例，通过分析该目标类型商品的浏览行为数据，确定浏览行为数据中每个浏览行为的时长占比，并基于如下公式计算目标类型商品的行为评分：

式中，为目标类型商品的行为评分，/>为浏览行为的项数，/>为浏览行为的总数，/>为第/>个浏览行为的时长占比，/>为第/>个浏览行为的行为分值。

值得说明的是，用户的浏览行为包含了用户对商品的倾向信息，具体的，若用户在选购商品的过程中喜欢浏览商品的评论信息来分析商品是否适合自己，那么用户在搜索商品的过程中，对于所推荐的与之前购买过的商品类似的商品，用户可能在浏览图片或者视频后即选择查看下一个产品，而对于之前未购买过的商品，可能在浏览图片或者视频后继续选择浏览商品的评论信息，以进一步了解商品的详细信息。用户对不同商品的浏览行为数据中包含了丰富的特征信息，通过对用户对不同商品的喜好程度进行量化，可以进一步得到用户对某类产品的喜好数据。

S105、将每个目标类型商品的商品特征数据和行为评分输入到商品分析模型中，生成多个待推荐商品的评分，根据每个待推荐商品的评分向用户进行购物推荐。

本实施例中，商品分析模型具体为预先训练得到的用于通过分析用户对不同商品的评分数据向用户进行推荐的卷积神经网络模型。通过采集用户对不同商品的评分数据分析用户的喜好，在确定用户的喜好后预测用户对其它待推荐商品的喜好并向用户进行推荐具体为本领域人员所熟知的现有技术，此处不再赘述。然而，虽然评价数据包含了用户丰富的喜好信息，实际的购物过程中，用户在购买完商品后并不一定会对此次购买的商品做出对应的评价，导致评价数据的采集较为困难。在这种情况下，对于实时推荐的过程，本实施例中通过浏览行为参考列表分析得到用户对多个目标类型商品的行为评分，将每个目标类型商品的商品特征数据和行为评分作为已知信息，通过商品分析模型对这些数据进行分析，确定用户关于搜索目标的喜好信息，预测用户对多个待推荐商品的喜好程度，生成个待推荐商品的评分，根据评分对多个待推荐商品的排序进行更新，将更契合用户临时需求的商品向用户推荐，提升推荐的精准度以及提升用户的体验。

本实施例中，商品特征数据具体为表征商品特性的相关信息，以服装为例，商品特征数据可以是商品的厂商数据、工艺数据、材料数据、尺寸数据、配色数据等信息，提取商品特征数据并结合用户的行为数据分析用户的喜好为本领域技术人员所熟知的技术，此处不再赘述。

值得说明的是，已知的用户的历史购物数据存在一定的局限性，对于部分用户未曾接触过的商品，可能包含有用户喜好的属性，历史购物数据的局限性使得通过分析用户的历史数据无法难以预测用户对部分未曾接触过的商品属性的喜好程度，因此实时采集用户的浏览行为数据并加以分析，可以得到更契合此次商品搜索行为下用户的对商品的喜好信息，商品推荐结果更为精准。

作为本发明实施例的一个优选，步骤S103中，基于多个浏览行为向量确定每组购物特征数据的目标浏览行为，具体包括：

以任意一组购物特征数据为例，根据购物特征数据的浏览行为向量中每个浏览行为的时长占比对多个浏览行为进行排序，生成购物特征数据的浏览行为列表，通过浏览行为列表确定购物特征数据的目标浏览行为，可选地，按照时长占比从大到小的顺序生成浏览行为列表。

本实施例中，按照时长占比从大到小的顺序遍历浏览行为列表中的每个浏览行为，在遍历的过程中，若第个浏览行为/>的时长占比/>和第/>个浏览行为/>的时长占比/>的相对偏差大于预设阈值，则将第/>个浏览行为记为目标浏览行为；若第/>个浏览行为/>的时长占比/>和第/>个浏览行为/>的时长占比/>的相对偏差不大于预设阈值，则停止遍历并输出购物特征数据的目标浏览行为和每个目标浏览行为的时长占比，其中，相对偏差具体为两个数之差与两个数之和的比值，通过预设阈值作为筛选条件，预设阈值越大则表示浏览行为列表中相邻的两个浏览行为的差异越大，用户对两者的倾向程度越大，最终得到的目标浏览行为更具有代表性。可以想到的是，每组购物特征数据的目标浏览行为的数量可能是0个、1个或多个。

作为本发明实施例的一个优选，对于步骤S105中的商品分析模型，采用如下方式进行训练：

采集多个用户购买目标类型商品的购物行为数据，对每个用户的购物行为数据进行分析，生成每个用户购买目标类型商品的浏览行为参考列表，具体的，通过上述的一种基于大数据和人工智能的购物推荐方法中示出内容确定每个用户购买目标类型商品的浏览行为参考列表，此处不再赘述。

在对每个用户的购物行为数据进行分割得到多组购物特征数据后，确定每组购物特征数据中每件商品的商品特征数据，基于用户的浏览行为参考列表提取出每组购物特征数据的行为特征数据，具体的，以购物特征数据中每件商品的评分作为该组购物特征数据的行为特征数据。

生成每组购物特征数据的特征数据集，基于任意两组购物特征数据的特征数据集构建一个训练样本子集，生成包括多个训练样本子集的训练数据集。

本实施例中，每组购物特征数据的特征数据集包括有该组购物特征数据的行为特征数据和该组购物特征数据中每件商品的商品特征数据，考虑到特征数据集不存在较大差异，训练样本子集的构建可以随机对特征数据集进行选取，每个训练样本子集包括两组购物特征数据，并对训练样本子集进行随机标注，得到第一特征数据集和第二特征数据集，具体的，将训练样本子集中任意一组特征数据集记为第一特征数据集，则另一组特征数据集记为第二特征数据集。

在生成训练数据集后，以多个训练样本子集中的第一特征数据集和第二特征数据集中每件商品的商品特征数据作为商品分析模型的输入，多个训练样本子集中第二特征数据集的行为特征数据为训练目标，训练得到商品分析模型，可通过商品分析模型分析已知的多件商品的商品特征数据以及用户对多件商品的评分信息进行分析，并基于多件待推荐商品的商品特征数据预测用户对多件待推荐商品的喜好程度，具体为通过模型输出的每件待推荐商品的评分表征用户对不同待推荐商品的喜好程度。

值得说明的是，为了提升训练数据集的质量，在确定训练样本子集的过程中，可以基于用户的属性，例如性别、年龄、职业等进行针对性的匹配，本领域技术人员可以具体分析采集到的多个用户购买目标类型商品的购物行为数据中不同用户的属性信息，结合实际情况确定训练样本子集的构建方式，本实施例不对其进行具体限定。

可选地，对于商品分析模型，主要作用在于通过分析已知的用户对部分商品的评分数据，从而提取得到用户对不同商品属性的倾向特征，并对多个待推荐商品进行用户喜好程度的预测，因此，本领域技术人员可以根据实际需要选择具备该功能的数据分析模型，而对于具备相同功能的数据分析模型的训练，也可从用户实际对商品手动评价的信息中采集得到用户的评价数据，量化得到评分数值，从而构建得到对模型进行训练的训练数据集，模型的训练问本领域技术人员所熟知的技术手段，本实施例不对商品分析模型进行具体的限定。

图2示出了本申请实施例中示例性的一种基于大数据和人工智能的购物推荐系统的结构框图，请参见图2，本申请实施例示例性的一种基于大数据和人工智能的购物推荐系统，具体包括：

数据采集模块，用于采集用户购买目标类型商品的历史行为数据；

数据分割模块，用于基于用户的多个购买行为对历史行为数据进行分割，得到每个购买行为对应的购物特征数据；

行为分析模块，用于提取每组购物特征数据中对于已购买商品的第一行为特征向量和已浏览商品的第二行为特征向量，其中，行为特征向量包括有多个浏览行为的时长占比；基于多组存在关联的第一行为特征向量和第二行为特征向量生成每组购物特征数据的浏览行为向量，基于多个浏览行为向量确定每组购物特征数据的目标浏览行为；

列表生成模块，用于根据多个目标浏览行为生成用户购买目标类型商品的浏览行为参考列表，其中，浏览行为参考列表包括每个浏览行为的行为分值；

购物推荐模块，用于采集用户对多个目标类型商品的浏览行为数据，基于浏览行为数据和浏览行为参考列表计算每个目标类型商品的行为评分，将每个目标类型商品的商品特征数据和行为评分输入到商品分析模型中，生成多个待推荐商品的评分，根据每个待推荐商品的评分向用户进行购物推荐。

模型训练模块，用于采集多个用户购买目标类型商品的购物行为数据，构建训练数据集，基于训练数据集对商品分析模型进行模型训练。

对于行为分析模块，基于多组存在关联的第一行为特征向量和第二行为特征向量生成每组购物特征数据的浏览行为向量，具体包括：

式中，为浏览行为向量，/>、/>分别为第一行为特征向量和第二行为特征向量，/>为第一权重参数，/>为第二权重参数，/>、/>满足/>。

本申请实施例提供的一种基于大数据和人工智能的购物推荐方法及系统，通过分析用户购买目标类型商品的历史行为数据，生成用户购买目标类型商品的包括有每个浏览行为的行为分值的浏览行为参考列表，通过浏览行为参考列表和实时采集到的用户对多个目标类型商品的浏览行为数据，计算每个目标类型商品的行为评分，并通过商品分析模型对用户的喜好进行分析，预测用户对待推荐商品的喜好程度，实现向用户的购物推荐，提升推荐的精准度以及用户的购物体验。

在本文中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本申请所附权利要求的保护范围。本说明书中未作详细描述的部分属于本领域专业技术人员公知的现有技术。

Claims (8)

1.一种基于大数据和人工智能的购物推荐方法，其特征在于，包括：

采集用户购买目标类型商品的历史行为数据，基于用户的多个购买行为对历史行为数据进行分割，得到每个购买行为对应的购物特征数据；

提取每组购物特征数据中对于已购买商品的第一行为特征向量和已浏览商品的第二行为特征向量，行为特征向量包括有多个浏览行为的时长占比，其中，浏览行为包括图片浏览、视频浏览、评论浏览、问答浏览中的一种或多种；

基于多组存在关联的第一行为特征向量和第二行为特征向量生成每组购物特征数据的浏览行为向量，基于多个浏览行为向量确定每组购物特征数据的目标浏览行为；

根据多个目标浏览行为生成用户购买目标类型商品的浏览行为参考列表，包括每个浏览行为的行为分值；

采集用户对多个目标类型商品的浏览行为数据，基于浏览行为数据和浏览行为参考列表计算每个目标类型商品的行为评分；

将每个目标类型商品的商品特征数据和行为评分输入到商品分析模型中，生成多个待推荐商品的评分，根据每个待推荐商品的评分向用户进行购物推荐；

基于多组存在关联的第一行为特征向量和第二行为特征向量生成每组购物特征数据的浏览行为向量，包括：

式中，为浏览行为向量，/>、/>分别为第一行为特征向量和第二行为特征向量，为第一权重参数，/>为第二权重参数，/>、/>满足/>。

2.如权利要求1所述的购物推荐方法，其特征在于，基于多个浏览行为向量确定每组购物特征数据的目标浏览行为，包括：

对于任意一组购物特征数据，根据购物特征数据的浏览行为向量中每个浏览行为的时长占比对多个浏览行为进行排序，生成购物特征数据的浏览行为列表；

依次遍历浏览行为列表中的每个浏览行为，若第个浏览行为/>的时长占比/>和第个浏览行为/>的时长占比/>的相对偏差大于预设阈值，则将第/>个浏览行为记为目标浏览行为；否则停止遍历，输出购物特征数据的目标浏览行为和每个目标浏览行为的时长占比。

3.如权利要求2所述的购物推荐方法，其特征在于，根据多个目标浏览行为生成用户购买目标类型商品的浏览行为参考列表，包括：

基于行为类型对多个目标浏览行为进行聚类，得到多个行为类簇，统计每个行为类簇的时长占比的总和，将每个行为类簇的时长占比的总和作为行为类簇对应浏览行为的行为分值，生成用户购买目标类型商品的浏览行为参考列表。

4.如权利要求3所述的购物推荐方法，其特征在于，基于浏览行为数据和浏览行为参考列表计算每个目标类型商品的行为评分，包括：

对于任意一个目标类型商品，分析目标类型商品的浏览行为数据中每个浏览行为的时长占比，基于如下公式计算目标类型商品的行为评分：

式中，为目标类型商品的行为评分，/>为浏览行为的项数，/>为浏览行为的总数，/>为第/>个浏览行为的时长占比，/>为第/>个浏览行为的行为分值。

5.如权利要求4所述的购物推荐方法，其特征在于，对于商品分析模型，还包括：

采集多个用户购买目标类型商品的购物行为数据，对每个用户的购物行为数据进行分析，生成每个用户购买目标类型商品的浏览行为参考列表；

在对每个用户的购物行为数据进行分割得到多组购物特征数据后，确定每组购物特征数据中每件商品的商品特征数据，基于用户的浏览行为参考列表提取出每组购物特征数据的行为特征数据，包括购物特征数据中每件商品的评分；

生成每组购物特征数据的特征数据集，包括购物特征数据的行为特征数据和每件商品的商品特征数据；

基于任意两组购物特征数据的特征数据集构建一个训练样本子集，对训练样本子集进行随机标注，得到第一特征数据集和第二特征数据集，生成包括多个训练样本子集的训练数据集；

以多个训练样本子集中的第一特征数据集和第二特征数据集中每件商品的商品特征数据作为商品分析模型的输入，多个训练样本子集中第二特征数据集的行为特征数据为训练目标，训练得到商品分析模型。

6.如权利要求5所述的购物推荐方法，其特征在于，商品分析模型为卷积神经网络模型。

7.一种基于大数据和人工智能的购物推荐系统，其特征在于，包括：

数据采集模块，用于采集用户购买目标类型商品的历史行为数据；

数据分割模块，用于基于用户的多个购买行为对历史行为数据进行分割，得到每个购买行为对应的购物特征数据；

行为分析模块，用于提取每组购物特征数据中对于已购买商品的第一行为特征向量和已浏览商品的第二行为特征向量，基于多组存在关联的第一行为特征向量和第二行为特征向量生成每组购物特征数据的浏览行为向量，基于多个浏览行为向量确定每组购物特征数据的目标浏览行为，其中，行为特征向量包括有多个浏览行为的时长占比，浏览行为包括图片浏览、视频浏览、评论浏览、问答浏览中的一种或多种；

列表生成模块，用于根据多个目标浏览行为生成用户购买目标类型商品的浏览行为参考列表，包括每个浏览行为的行为分值；

购物推荐模块，用于采集用户对多个目标类型商品的浏览行为数据，基于浏览行为数据和浏览行为参考列表计算每个目标类型商品的行为评分，将每个目标类型商品的商品特征数据和行为评分输入到商品分析模型中，生成多个待推荐商品的评分，根据每个待推荐商品的评分向用户进行购物推荐。

8.如权利要求7所述的购物推荐系统，其特征在于，还包括：

模型训练模块，用于采集多个用户购买目标类型商品的购物行为数据，构建训练数据集，基于训练数据集对商品分析模型进行模型训练。