基于大数据的电子商务管理系统及其方法与流程

1.本技术涉及大数据领域，且更为具体地，涉及一种基于大数据的电子商务管理系统及其方法。


背景技术：

2.电子商务是一种利用互联网技术进行商品或服务交易的商业模式，它具有交易范围广、交易速度快、交易成本低等优势。随着互联网的发展，电子商务平台上产生了海量的数据，包括用户数据、商品数据、交易数据等。这些数据不仅反映了用户的消费行为和偏好，也包含了商品的特征和价值，以及市场的需求和变化。因此，如何有效地收集、存储、分析和利用这些数据，是提高电子商务管理系统的效率和智能化水平的关键。


技术实现要素：

3.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于大数据的电子商务管理系统及其方法，其通过采用基于深度学习的人工智能技术，综合利用历史交易记录、搜索历史数据和浏览历史数据来实现消费者购物偏好预测的目的。通过这样的方式，利用电子商务系统中的大数据，对用户的购物偏好进行准确预测，从而为用户提供更个性化和智能化的商品推荐服务。
4.根据本技术的一个方面，提供了一种基于大数据的电子商务管理系统，其包括：
5.用户数据获取模块，用于从电子商务系统中提取被分析用户的相关数据，其中，所述相关数据包括历史交易记录、搜索历史数据和浏览历史数据；
6.用户画像构建模块，用于基于所述被分析用户的相关数据，构建所述被分析用户的用户画像，其中，所述用户画像包括基本属性、购买行为、兴趣爱好和购买意图；
7.词嵌入模块，用于将所述被分析用户的用户画像中的各个属性项通过词嵌入层以得到多个属性项词嵌入向量；
8.属性值添加模块，用于将所述被分析用户的用户画像中的各个属性项的属性值分别添加于所述各个属性项词嵌入向量的尾部以得到多个用户画像属性词嵌入向量；
9.第一语义理解模块，用于将所述多个用户画像属性词嵌入向量通过基于转换器的上下文编码器以得到第一尺度用户画像语义理解特征向量；
10.第二语义理解模块，用于将所述多个用户画像属性词嵌入向量排列为二维特征矩阵后通过文本卷积神经网络模型以得到第二尺度用户画像语义理解特征向量；
11.特征融合模块，用于融合所述第一尺度用户画像语义理解特征向量和所述第二尺度用户画像语义理解特征向量以得到用户画像语义理解特征向量；以及
12.标签划分模块，用于将所述用户画像语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示购物偏好类型标签。
13.在上述i cu重症监护护理用消毒装置中，所述动静数据关联模块，用于：以如下级联公式将所述功率时序输入向量和所述功率变化时序输入向量进行级联以得到功率时序
多尺度输入向量；其中，所述公式为：
[0014]vc
＝concat[v1，v2]
[0015]
其中，v1表示所述功率时序输入向量，v2表示所述功率变化时序输入向量，concat[
·
,
·
]表示级联函数，vc表示所述功率时序多尺度输入向量。
[0016]
在上述基于大数据的电子商务管理系统中，所述词嵌入模块，包括：一维展开单元，用于将所述被分析用户的用户画像中的各个属性项展开为一维像素向量以得到多个一维像素向量的序列；以及，嵌入编码单元，用于使用所述嵌入层的权重矩阵对所述多个一维像素向量的序列中的一维像素向量进行嵌入编码以得到所述多个属性项词嵌入向量。
[0017]
在上述基于大数据的电子商务管理系统中，所述第一语义理解模块，包括：查询向量构造单元，用于将所述多个用户画像属性词嵌入向量进行一维排列以得到全局用户画像特征向量；自注意单元，用于计算所述全局用户画像特征向量与所述多个用户画像属性词嵌入向量中各个用户画像属性词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；注意力施加单元，用于分别以所述多个概率值中各个概率值作为权重对所述多个用户画像属性词嵌入向量中各个用户画像属性词嵌入向量进行加权以得到所述多个上下文语义用户画像特征向量；以及，级联单元，用于将所述多个上下文语义用户画像特征向量进行级联以得到所述第一尺度用户画像语义理解特征向量。
[0018]
在上述基于大数据的电子商务管理系统中，所述第二语义理解模块，包括：使用所述文本卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述文本卷积神经网络的最后一层的输出为所述第二尺度用户画像语义理解特征向量，所述作为文本卷积神经网络的第一层的输入为所述多个用户画像属性词嵌入向量排列得到的二维特征矩阵。
[0019]
在上述基于大数据的电子商务管理系统中，所述特征融合模块，进一步用于：以如下公式对所述第一尺度用户画像语义理解特征向量和所述第二尺度用户画像语义理解特征向量进行深层空间封装语义匹配融合以得到所述用户画像语义理解特征向量；其中，所述公式为：
[0020][0021]
其中，v1是所述第一尺度用户画像语义理解特征向量，v2是所述第二尺度用户画像语义理解特征向量，||
·
||1和||
·
||2分别表示向量的一范数和二范数，ω和∈分别为权重和偏置超参数，d(v1,v2)表示所述第一尺度用户画像语义理解特征向量和所述第二尺度用户画像语义理解特征向量之间的按位置距离矩阵，且i为单位矩阵，
⊙
分别表示按位置加法、按位置减法和按位置点乘，vc是所述用户画像语义理解特征向量。
[0022]
在上述基于大数据的电子商务管理系统中，所述标签划分模块，包括：全连接编码单元，用于使用所述分类器的多个全连接层对所述用户画像语义理解特征向量进行全连接
编码以得到编码用户画像语义理解特征向量；以及，分类结果生成单元，用于将所述编码用户画像语义理解特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
[0023]
根据本技术的另一方面，提供了一种基于大数据的电子商务管理方法，其包括：
[0024]
从电子商务系统中提取被分析用户的相关数据，其中，所述相关数据包括历史交易记录、搜索历史数据和浏览历史数据；
[0025]
基于所述被分析用户的相关数据，构建所述被分析用户的用户画像，其中，所述用户画像包括基本属性、购买行为、兴趣爱好和购买意图；
[0026]
将所述被分析用户的用户画像中的各个属性项通过词嵌入层以得到多个属性项词嵌入向量；
[0027]
将所述被分析用户的用户画像中的各个属性项的属性值分别添加于所述各个属性项词嵌入向量的尾部以得到多个用户画像属性词嵌入向量；
[0028]
将所述多个用户画像属性词嵌入向量通过基于转换器的上下文编码器以得到第一尺度用户画像语义理解特征向量；
[0029]
将所述多个用户画像属性词嵌入向量排列为二维特征矩阵后通过文本卷积神经网络模型以得到第二尺度用户画像语义理解特征向量；
[0030]
融合所述第一尺度用户画像语义理解特征向量和所述第二尺度用户画像语义理解特征向量以得到用户画像语义理解特征向量；以及
[0031]
将所述用户画像语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示购物偏好类型标签。
[0032]
根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于大数据的电子商务管理方法。
[0033]
根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于大数据的电子商务管理方法。
[0034]
与现有技术相比，本技术提供的一种基于大数据的电子商务管理系统及其方法，其通过采用基于深度学习的人工智能技术，综合利用历史交易记录、搜索历史数据和浏览历史数据来实现消费者购物偏好预测的目的。通过这样的方式，利用电子商务系统中的大数据，对用户的购物偏好进行准确预测，从而为用户提供更个性化和智能化的商品推荐服务。
附图说明
[0035]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0036]
图1为根据本技术实施例的基于大数据的电子商务管理系统的框图；
[0037]
图2为根据本技术实施例的基于大数据的电子商务管理系统的系统架构图；
[0038]
图3为根据本技术实施例的基于大数据的电子商务管理系统中第一语义理解模块
的框图；
[0039]
图4为根据本技术实施例的基于大数据的电子商务管理系统中文本卷积神经网络编码的流程图；
[0040]
图5为根据本技术实施例的基于大数据的电子商务管理方法的流程图；
[0041]
图6为根据本技术实施例的电子设备的框图。
具体实施方式
[0042]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0043]
申请概述
[0044]
针对上述技术问题，本技术的技术构思是结合深度学习和人工智能技术，并综合利用历史交易记录、搜索历史数据和浏览历史数据来实现消费者购物偏好预测的目的。通过这样的方式，利用电子商务系统中的大数据，对用户的购物偏好进行准确预测，从而为用户提供更个性化和智能化的商品推荐服务。
[0045]
具体地，在本技术的技术方案中，首先，从电子商务系统中提取被分析用户的相关数据，其中，所述相关数据包括历史交易记录、搜索历史数据和浏览历史数据。这里，所述历史交易记录可以反映用户的购买习惯、购买力和购买频率，所述搜索历史数据可以反映用户的搜索意图、搜索关键词和搜索结果，所述浏览历史数据可以反映用户的浏览兴趣、浏览时长和浏览内容。这些数据可以帮助构建用户画像。
[0046]
考虑到所述被分析用户的相关数据无法直接用于计算机模型的运算当中，在本技术的技术方案中，首先，基于所述被分析用户的相关数据，构建所述被分析用户的用户画像，其中，所述用户画像包括基本属性、购买行为、兴趣爱好和购买意图。应可以理解，所述用户画像是对所述被分析用户的综合描述，它可以从多个维度反映所述被分析用户的个性化信息。具体而言，所述基本属性是用户的一些固定特征，如年龄、性别、地域、职业等，它们可以反映用户的消费水平和偏好；所述购买行为是用户在电子商务平台上的实际交易情况，如购买频率、购买金额、购买品类等，它们可以反映用户的消费能力和习惯；所述兴趣爱好是用户在电子商务平台上的非交易行为，如搜索关键词、浏览商品、收藏商品等，它们可以反映用户的消费兴趣和需求；所述购买意图是用户在电子商务平台上的潜在交易行为，如加入购物车、点击结算、填写订单等，它们可以反映用户的消费动机和决策。通过这样的方式，可以更全面地理解用户的消费心理和行为。接着，将所述被分析用户的用户画像中的各个属性项通过词嵌入层以得到多个属性项词嵌入向量。这里，所述词嵌入层可以将离散的词语转换为连续的向量表示。也就是，通过词嵌入层可以将用户画像中的各个属性项(基本属性、购买行为、兴趣爱好和购买意图)转换为多个属性项词嵌入向量，以便于后续计算机模型的运算与处理。然后，将所述被分析用户的用户画像中的各个属性项的属性值分别添加于所述各个属性项词嵌入向量的尾部以得到多个用户画像属性词嵌入向量。通过这样的方式，使得所述多个用户画像属性词嵌入向量不仅包含属性项的语义信息，还包含属性值的具体信息，从而提高用户画像的表征能力。
[0047]
由于用户画像属性词嵌入向量中的每个属性项和属性值都是有意义的语义单元，
它们之间可能存在着复杂的语义关联和逻辑推理，例如，用户的年龄、性别、职业等基本属性可能影响用户的兴趣爱好和购买意图，用户的搜索历史数据和浏览历史数据可能反映用户的购买行为和偏好等。
[0048]
为挖掘这种语义关联和逻辑推理关系，在本技术的技术方案中，将所述多个用户画像属性词嵌入向量通过基于转换器的上下文编码器以得到第一尺度用户画像语义理解特征向量。也就是，通过所述基于转换器的上下文编码器，可以有效地对所述多个用户画像属性词嵌入向量进行全局语义理解，输出的所述第一尺度用户画像语义理解特征向量能够表达用户画像中各个属性项和属性值之间的长距离依赖语义关系。同时，将所述多个用户画像属性词嵌入向量排列为二维特征矩阵后通过文本卷积神经网络模型以得到第二尺度用户画像语义理解特征向量。这里，所述文本卷积神经网络模型能够从文本数据中提取局部的语义信息。具体而言，所述文本卷积神经网络模型通过使用卷积核对文本数据进行滑动窗口操作，从而捕捉局部邻域内的语义特征。
[0049]
在本技术的技术方案中，所述基于转换器的上下文编码器和所述文本卷积神经网络模型分别以不同的尺度来捕捉用户画像属性间的隐含关系。更进一步地，融合所述第一尺度用户画像语义理解特征向量和所述第二尺度用户画像语义理解特征向量以得到用户画像语义理解特征向量。这样，增强所述用户画像语义理解特征向量的表达能力和泛化能力。
[0050]
继而，将所述用户画像语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示购物偏好类型标签。这里，所述分类器能够根据训练数据中的用户画像语义理解特征向量和购物偏好类型标签的对应关系，学习出一个分类规则，从而对推断时的用户画像语义理解特征向量进行预测，输出相应的购物偏好类型标签。值得一提的是，所述购物偏好类型标签是一种对用户购物偏好的简化和归纳，它能够将用户分为不同的类别，例如价格敏感型、品牌忠诚型、品质追求型等，在后续应用中，可以根据实际情况而修改。
[0051]
在本技术的技术方案中，所述第一尺度用户画像语义理解特征向量和所述第二尺度用户画像语义理解特征向量分别表达不同尺度下的被分析用户的用户画像的各个属性项的文本关联语义特征，因此，在融合所述第一尺度用户画像语义理解特征向量和所述第二尺度用户画像语义理解特征向量得到所述用户画像语义理解特征向量时，为了提升所述第一尺度用户画像语义理解特征向量和所述第二尺度用户画像语义理解特征向量的融合效果，需要对所述第一尺度用户画像语义理解特征向量和所述第二尺度用户画像语义理解特征向量进行特征语义层面上的融合。
[0052]
因此，本技术的申请人对所述第一尺度用户画像语义理解特征向量，例如表示为v1和所述第二尺度用户画像语义理解特征向量，例如表示为v2进行深层空间封装语义匹配融合，以得到所述用户画像语义理解特征向量，例如表示为vc，其中，所述用户画像语义理解特征向量vc具体为：
[0053][0054]
||
·
||1和||
·
||2分别表示向量的一范数和二范数，ω和∈分别为权重和偏置超参数，d(v1,v2)表示所述第一尺度用户画像语义理解特征向量v1和所述第二尺度用户画像语义理解特征向量v2之间的按位置距离矩阵，即所述按位置距离矩阵的每个位置的特征值
为所述第一尺度用户画像语义理解特征向量v1和所述第二尺度用户画像语义理解特征向量v2的相应位置的特征值之间的距离，表示为d
ij
＝d(v
1i
,v
2j
)，且i为单位矩阵。
[0055]
这里，对于深度特征空间中的所述第一尺度用户画像语义理解特征向量v1和所述第二尺度用户画像语义理解特征向量v2，其语义表达被封装到了深层空间内，这使得特征向量的整体分布中的细粒度特征中同时包含低层级语义分布和高层级语义分布，由此，通过所述深层空间封装语义匹配融合，可以通过平衡低层级语义分布和高层级语义分布来进行分类模式层面的语义级别的匹配，以实现特征在特征空间内的语义受控的编译融合，从而获得所述第一尺度用户画像语义理解特征向量v1和所述第二尺度用户画像语义理解特征向量v2在特征融合空间内的语义协同，提升了所述用户画像语义理解特征向量vc对所述第一尺度用户画像语义理解特征向量v1和所述第二尺度用户画像语义理解特征向量v2的语义融合效果，也就提升了所述用户画像语义理解特征向量的表达效果，从而提升了所述用户画像语义理解特征向量通过分类器获得的分类结果的准确性。
[0056]
基于此，本技术提出了一种基于大数据的电子商务管理系统，其包括：用户数据获取模块，用于从电子商务系统中提取被分析用户的相关数据，其中，所述相关数据包括历史交易记录、搜索历史数据和浏览历史数据；用户画像构建模块，用于基于所述被分析用户的相关数据，构建所述被分析用户的用户画像，其中，所述用户画像包括基本属性、购买行为、兴趣爱好和购买意图；词嵌入模块，用于将所述被分析用户的用户画像中的各个属性项通过词嵌入层以得到多个属性项词嵌入向量；属性值添加模块，用于将所述被分析用户的用户画像中的各个属性项的属性值分别添加于所述各个属性项词嵌入向量的尾部以得到多个用户画像属性词嵌入向量；第一语义理解模块，用于将所述多个用户画像属性词嵌入向量通过基于转换器的上下文编码器以得到第一尺度用户画像语义理解特征向量；第二语义理解模块，用于将所述多个用户画像属性词嵌入向量排列为二维特征矩阵后通过文本卷积神经网络模型以得到第二尺度用户画像语义理解特征向量；特征融合模块，用于融合所述第一尺度用户画像语义理解特征向量和所述第二尺度用户画像语义理解特征向量以得到用户画像语义理解特征向量；以及，标签划分模块，用于将所述用户画像语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示购物偏好类型标签。
[0057]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0058]
示例性系统
[0059]
图1为根据本技术实施例的基于大数据的电子商务管理系统的框图。如图1所示，根据本技术实施例的基于大数据的电子商务管理系统300，包括：用户数据获取模块310；用户画像构建模块320；词嵌入模块330；属性值添加模块340；第一语义理解模块350；第二语义理解模块360；特征融合模块370；以及，标签划分模块380。
[0060]
其中，所述用户数据获取模块310，用于从电子商务系统中提取被分析用户的相关数据，其中，所述相关数据包括历史交易记录、搜索历史数据和浏览历史数据；所述用户画像构建模块320，用于基于所述被分析用户的相关数据，构建所述被分析用户的用户画像，其中，所述用户画像包括基本属性、购买行为、兴趣爱好和购买意图；所述词嵌入模块330，用于将所述被分析用户的用户画像中的各个属性项通过词嵌入层以得到多个属性项词嵌入向量；所述属性值添加模块340，用于将所述被分析用户的用户画像中的各个属性项的属
性值分别添加于所述各个属性项词嵌入向量的尾部以得到多个用户画像属性词嵌入向量；所述第一语义理解模块350，用于将所述多个用户画像属性词嵌入向量通过基于转换器的上下文编码器以得到第一尺度用户画像语义理解特征向量；所述第二语义理解模块360，用于将所述多个用户画像属性词嵌入向量排列为二维特征矩阵后通过文本卷积神经网络模型以得到第二尺度用户画像语义理解特征向量；所述特征融合模块370，用于融合所述第一尺度用户画像语义理解特征向量和所述第二尺度用户画像语义理解特征向量以得到用户画像语义理解特征向量；以及，所述标签划分模块380，用于将所述用户画像语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示购物偏好类型标签。
[0061]
图2为根据本技术实施例的基于大数据的电子商务管理系统的系统架构图。如图2所示，在该网络架构中，首先通过所述用户数据获取模块310从电子商务系统中提取被分析用户的相关数据，其中，所述相关数据包括历史交易记录、搜索历史数据和浏览历史数据；接着，所述用户画像构建模块320基于所述用户数据获取模块310获取的被分析用户的相关数据，构建所述被分析用户的用户画像，其中，所述用户画像包括基本属性、购买行为、兴趣爱好和购买意图；所述词嵌入模块330将所述用户画像构建模块320得到的被分析用户的用户画像中的各个属性项通过词嵌入层以得到多个属性项词嵌入向量；所述属性值添加模块340将所述被分析用户的用户画像中的各个属性项的属性值分别添加于所述各个属性项词嵌入向量的尾部以得到多个用户画像属性词嵌入向量；然后，所述第一语义理解模块350将所述属性值添加模块340得到的多个用户画像属性词嵌入向量通过基于转换器的上下文编码器以得到第一尺度用户画像语义理解特征向量；所述第二语义理解模块360将所述属性值添加模块340得到的多个用户画像属性词嵌入向量排列为二维特征矩阵后通过文本卷积神经网络模型以得到第二尺度用户画像语义理解特征向量；所述特征融合模块370融合所述第一语义理解模块350得到的第一尺度用户画像语义理解特征向量和所述第二语义理解模块360得到的第二尺度用户画像语义理解特征向量以得到用户画像语义理解特征向量；以及所述标签划分模块380将所述特征融合模块370融合所得的用户画像语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示购物偏好类型标签。
[0062]
具体地，在所述基于大数据的电子商务管理系统300的运行过程中，所述用户数据获取模块310，用于从电子商务系统中提取被分析用户的相关数据，其中，所述相关数据包括历史交易记录、搜索历史数据和浏览历史数据。在本技术的技术方案中，通过综合分析上述数据以此来实现消费者购物偏好预测的目的。在一个示例中，所述历史交易记录可以反映用户的购买习惯、购买力和购买频率，所述搜索历史数据可以反映用户的搜索意图、搜索关键词和搜索结果，所述浏览历史数据可以反映用户的浏览兴趣、浏览时长和浏览内容。这些数据可以帮助构建用户画像。
[0063]
具体地，在所述基于大数据的电子商务管理系统300的运行过程中，所述用户画像构建模块320，用于基于所述被分析用户的相关数据，构建所述被分析用户的用户画像，其中，所述用户画像包括基本属性、购买行为、兴趣爱好和购买意图。考虑到所述被分析用户的相关数据无法直接用于计算机模型的运算当中，在本技术的技术方案中，首先，基于所述被分析用户的相关数据，构建所述被分析用户的用户画像，其中，所述用户画像包括基本属性、购买行为、兴趣爱好和购买意图。应可以理解，所述用户画像是对所述被分析用户的综合描述，它可以从多个维度反映所述被分析用户的个性化信息。具体而言，所述基本属性是
用户的一些固定特征，如年龄、性别、地域、职业等，它们可以反映用户的消费水平和偏好；所述购买行为是用户在电子商务平台上的实际交易情况，如购买频率、购买金额、购买品类等，它们可以反映用户的消费能力和习惯；所述兴趣爱好是用户在电子商务平台上的非交易行为，如搜索关键词、浏览商品、收藏商品等，它们可以反映用户的消费兴趣和需求；所述购买意图是用户在电子商务平台上的潜在交易行为，如加入购物车、点击结算、填写订单等，它们可以反映用户的消费动机和决策。通过这样的方式，可以更全面地理解用户的消费心理和行为。
[0064]
具体地，在所述基于大数据的电子商务管理系统300的运行过程中，所述词嵌入模块330和所述属性值添加模块340，用于将所述被分析用户的用户画像中的各个属性项通过词嵌入层以得到多个属性项词嵌入向量；以及，将所述被分析用户的用户画像中的各个属性项的属性值分别添加于所述各个属性项词嵌入向量的尾部以得到多个用户画像属性词嵌入向量。也就是，通过词嵌入层可以将用户画像中的各个属性项转换为多个属性项词嵌入向量，以便于后续计算机模型的运算与处理。在一个具体示例中，首先，将所述被分析用户的用户画像中的各个属性项展开为一维像素向量以得到多个一维像素向量的序列；再使用所述嵌入层的权重矩阵对所述多个一维像素向量的序列中的一维像素向量进行嵌入编码以得到所述多个属性项词嵌入向量。在得到所述多个属性项词嵌入向量后，将所述被分析用户的用户画像中的各个属性项的属性值分别添加于所述各个属性项词嵌入向量的尾部以得到多个用户画像属性词嵌入向量。通过这样的方式，使得所述多个用户画像属性词嵌入向量不仅包含属性项的语义信息，还包含属性值的具体信息，从而提高用户画像的表征能力。
[0065]
具体地，在所述基于大数据的电子商务管理系统300的运行过程中，所述第一语义理解模块350，用于将所述多个用户画像属性词嵌入向量通过基于转换器的上下文编码器以得到第一尺度用户画像语义理解特征向量。考虑到所述用户画像属性词嵌入向量中的每个属性项和属性值都是有意义的语义单元，它们之间可能存在着复杂的语义关联和逻辑推理，因此，在本技术的技术方案中，将所述多个用户画像属性词嵌入向量通过基于转换器的上下文编码器以得到第一尺度用户画像语义理解特征向量。也就是，通过所述基于转换器的上下文编码器，可以有效地对所述多个用户画像属性词嵌入向量进行全局语义理解，输出的所述第一尺度用户画像语义理解特征向量能够表达用户画像中各个属性项和属性值之间的长距离依赖语义关系。
[0066]
图3为根据本技术实施例的基于大数据的电子商务管理系统中第一语义理解模块的框图。如图3所示，所述第一语义理解模块350，包括：查询向量构造单元351，用于将所述多个用户画像属性词嵌入向量进行一维排列以得到全局用户画像特征向量；自注意单元352，用于计算所述全局用户画像特征向量与所述多个用户画像属性词嵌入向量中各个用户画像属性词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化单元353，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算单元354，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；注意力施加单元355，用于分别以所述多个概率值中各个概率值作为权重对所述多个用户画像属性词嵌入向量中各个用户画像属性词嵌入向量进行加权以得到所述多个上下文
语义用户画像特征向量；以及，级联单元356，用于将所述多个上下文语义用户画像特征向量进行级联以得到所述第一尺度用户画像语义理解特征向量。
[0067]
具体地，在所述基于大数据的电子商务管理系统300的运行过程中，所述第二语义理解模块360，用于将所述多个用户画像属性词嵌入向量排列为二维特征矩阵后通过文本卷积神经网络模型以得到第二尺度用户画像语义理解特征向量。也就是，使用在局部的语义信息提取方面具有优异表现的文本卷积神经网络模型对所述多个用户画像属性词嵌入向量排列得到的二维特征矩阵进行卷积编码以此来通过使用卷积核对文本数据进行滑动窗口操作，从而捕捉局部邻域内的语义特征。在一个具体示例中，所述文本卷积神经网络包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述文本卷积神经网络的编码过程中，所述文本卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。
[0068]
图4为根据本技术实施例的基于大数据的电子商务管理系统中文本卷积神经网络编码的流程图。如图4所示，在所述文本卷积神经网络编码过程中，包括：使用所述文本卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：s210，对输入数据进行卷积处理以得到卷积特征图；s220，对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，s230，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述文本卷积神经网络的最后一层的输出为所述第二尺度用户画像语义理解特征向量，所述作为文本卷积神经网络的第一层的输入为所述多个用户画像属性词嵌入向量排列得到的二维特征矩阵。
[0069]
具体地，在所述基于大数据的电子商务管理系统300的运行过程中，所述特征融合模块370，用于融合所述第一尺度用户画像语义理解特征向量和所述第二尺度用户画像语义理解特征向量以得到用户画像语义理解特征向量。也就是，在得到所述第一尺度用户画像语义理解特征向量和所述第二尺度用户画像语义理解特征向量后，进一步将两者进行特征融合以此来不同的尺度来捕捉用户画像属性间的隐含关系。所述第一尺度用户画像语义理解特征向量和所述第二尺度用户画像语义理解特征向量分别表达不同尺度下的被分析用户的用户画像的各个属性项的文本关联语义特征，因此，在融合所述第一尺度用户画像语义理解特征向量和所述第二尺度用户画像语义理解特征向量得到所述用户画像语义理解特征向量时，为了提升所述第一尺度用户画像语义理解特征向量和所述第二尺度用户画像语义理解特征向量的融合效果，需要对所述第一尺度用户画像语义理解特征向量和所述第二尺度用户画像语义理解特征向量进行特征语义层面上的融合。因此，本技术的申请人对所述第一尺度用户画像语义理解特征向量，例如表示为v1和所述第二尺度用户画像语义理解特征向量，例如表示为v2进行深层空间封装语义匹配融合，以得到所述用户画像语义理解特征向量，例如表示为vc，其中，所述用户画像语义理解特征向量vc具体为：
[0070][0071]
||
·
||1和||
·
||2分别表示向量的一范数和二范数，ω和∈分别为权重和偏置超参数，d(v1,v2)表示所述第一尺度用户画像语义理解特征向量v1和所述第二尺度用户画像
语义理解特征向量v2之间的按位置距离矩阵，即所述按位置距离矩阵的每个位置的特征值为所述第一尺度用户画像语义理解特征向量v1和所述第二尺度用户画像语义理解特征向量v2的相应位置的特征值之间的距离，表示为d
ij
＝d(v
1i
,v
2j
)，且i为单位矩阵。这里，对于深度特征空间中的所述第一尺度用户画像语义理解特征向量v1和所述第二尺度用户画像语义理解特征向量v2，其语义表达被封装到了深层空间内，这使得特征向量的整体分布中的细粒度特征中同时包含低层级语义分布和高层级语义分布，由此，通过所述深层空间封装语义匹配融合，可以通过平衡低层级语义分布和高层级语义分布来进行分类模式层面的语义级别的匹配，以实现特征在特征空间内的语义受控的编译融合，从而获得所述第一尺度用户画像语义理解特征向量v1和所述第二尺度用户画像语义理解特征向量v2在特征融合空间内的语义协同，提升了所述用户画像语义理解特征向量vc对所述第一尺度用户画像语义理解特征向量v1和所述第二尺度用户画像语义理解特征向量v2的语义融合效果，也就提升了所述用户画像语义理解特征向量的表达效果，从而提升了所述用户画像语义理解特征向量通过分类器获得的分类结果的准确性。
[0072]
具体地，在所述基于大数据的电子商务管理系统300的运行过程中，所述标签划分模块380，用于将所述用户画像语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示购物偏好类型标签。在本技术的技术方案中，在得到所述用户画像语义理解特征向量后，进一步将其作为分类特征向量通过分类器进行分类处理以得到用于表示购物偏好类型标签的分类结果。具体地，所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的softmax层。其中，在所述分类器的分类处理中，使用所述分类器的多个全连接层对所述用户画像语义理解特征向量进行全连接编码以得到编码用户画像语义理解特征向量；进而，将所述编码用户画像语义理解特征向量输入所述分类器的softmax层，即，使用所述softmax分类函数对所述编码用户画像语义理解特征向量进行分类处理以得到分类标签。这里，所述分类器能够根据训练数据中的用户画像语义理解特征向量和购物偏好类型标签的对应关系，学习出一个分类规则，从而对推断时的用户画像语义理解特征向量进行预测，输出相应的购物偏好类型标签。值得一提的是，所述购物偏好类型标签是一种对用户购物偏好的简化和归纳，它能够将用户分为不同的类别，例如价格敏感型、品牌忠诚型、品质追求型等，在后续应用中，可以根据实际情况而修改。
[0073]
综上，根据本技术实施例的基于大数据的电子商务管理系统300被阐明，其通过采用基于深度学习的人工智能技术，综合利用历史交易记录、搜索历史数据和浏览历史数据来实现消费者购物偏好预测的目的。通过这样的方式，利用电子商务系统中的大数据，对用户的购物偏好进行准确预测，从而为用户提供更个性化和智能化的商品推荐服务。
[0074]
如上所述，根据本技术实施例的基于大数据的电子商务管理系统可以实现在各种终端设备中。在一个示例中，根据本技术实施例的基于大数据的电子商务管理系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于大数据的电子商务管理系统300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于大数据的电子商务管理系统300同样可以是该终端设备的众多硬件模块之一。
[0075]
替换地，在另一示例中，该基于大数据的电子商务管理系统300与该终端设备也可以是分立的设备，并且该基于大数据的电子商务管理系统300可以通过有线和/或无线网络
连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0076]
示例性方法
[0077]
图5为根据本技术实施例的基于大数据的电子商务管理方法的流程图。如图5所示，根据本技术实施例的基于大数据的电子商务管理方法，包括步骤：s110，从电子商务系统中提取被分析用户的相关数据，其中，所述相关数据包括历史交易记录、搜索历史数据和浏览历史数据；s120，基于所述被分析用户的相关数据，构建所述被分析用户的用户画像，其中，所述用户画像包括基本属性、购买行为、兴趣爱好和购买意图；s130，将所述被分析用户的用户画像中的各个属性项通过词嵌入层以得到多个属性项词嵌入向量；s140，将所述被分析用户的用户画像中的各个属性项的属性值分别添加于所述各个属性项词嵌入向量的尾部以得到多个用户画像属性词嵌入向量；s150，将所述多个用户画像属性词嵌入向量通过基于转换器的上下文编码器以得到第一尺度用户画像语义理解特征向量；s160，将所述多个用户画像属性词嵌入向量排列为二维特征矩阵后通过文本卷积神经网络模型以得到第二尺度用户画像语义理解特征向量；s170，融合所述第一尺度用户画像语义理解特征向量和所述第二尺度用户画像语义理解特征向量以得到用户画像语义理解特征向量；以及，s180，将所述用户画像语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示购物偏好类型标签。
[0078]
在一个示例中，在上述基于大数据的电子商务管理方法中，所述步骤s130，包括：将所述被分析用户的用户画像中的各个属性项展开为一维像素向量以得到多个一维像素向量的序列；以及，使用所述嵌入层的权重矩阵对所述多个一维像素向量的序列中的一维像素向量进行嵌入编码以得到所述多个属性项词嵌入向量。
[0079]
在一个示例中，在上述基于大数据的电子商务管理方法中，所述步骤s150，包括：将所述多个用户画像属性词嵌入向量进行一维排列以得到全局用户画像特征向量；计算所述全局用户画像特征向量与所述多个用户画像属性词嵌入向量中各个用户画像属性词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述多个用户画像属性词嵌入向量中各个用户画像属性词嵌入向量进行加权以得到所述多个上下文语义用户画像特征向量；以及，将所述多个上下文语义用户画像特征向量进行级联以得到所述第一尺度用户画像语义理解特征向量。
[0080]
在一个示例中，在上述基于大数据的电子商务管理方法中，所述步骤s160，包括：使用所述文本卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述文本卷积神经网络的最后一层的输出为所述第二尺度用户画像语义理解特征向量，所述作为文本卷积神经网络的第一层的输入为所述多个用户画像属性词嵌入向量排列得到的二维特征矩阵。
[0081]
在一个示例中，在上述基于大数据的电子商务管理方法中，所述步骤s170，包括：以如下公式对所述第一尺度用户画像语义理解特征向量和所述第二尺度用户画像语义理
解特征向量进行深层空间封装语义匹配融合以得到所述用户画像语义理解特征向量；其中，所述公式为：
[0082][0083]
其中，v1是所述第一尺度用户画像语义理解特征向量，v2是所述第二尺度用户画像语义理解特征向量，||
·
||1和||
·
||2分别表示向量的一范数和二范数，ω和∈分别为权重和偏置超参数，d(v1,v2)表示所述第一尺度用户画像语义理解特征向量和所述第二尺度用户画像语义理解特征向量之间的按位置距离矩阵，且i为单位矩阵，
⊙
分别表示按位置加法、按位置减法和按位置点乘，vc是所述用户画像语义理解特征向量。
[0084]
在一个示例中，在上述基于大数据的电子商务管理方法中，所述步骤s180，包括：使用所述分类器的多个全连接层对所述用户画像语义理解特征向量进行全连接编码以得到编码用户画像语义理解特征向量；以及，将所述编码用户画像语义理解特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
[0085]
综上，根据本技术实施例的基于大数据的电子商务管理方法被阐明，其通过采用基于深度学习的人工智能技术，综合利用历史交易记录、搜索历史数据和浏览历史数据来实现消费者购物偏好预测的目的。通过这样的方式，利用电子商务系统中的大数据，对用户的购物偏好进行准确预测，从而为用户提供更个性化和智能化的商品推荐服务。
[0086]
示例性电子设备
[0087]
下面，参考图6来描述根据本技术实施例的电子设备。
[0088]
图6图示了根据本技术实施例的电子设备的框图。
[0089]
如图6所示，电子设备10包括一个或多个处理器11和存储器12。
[0090]
处理器11可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
[0091]
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的基于大数据的电子商务管理系统中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如用户画像语义理解特征向量等各种内容。
[0092]
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
[0093]
该输入装置13可以包括例如键盘、鼠标等等。
[0094]
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
[0095]
当然，为了简化，图6中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
[0096]
示例性计算机程序产品和计算机可读存储介质
[0097]
除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本技术各种实施例的基于大数据的电子商务管理方法中的功能中的步骤。
[0098]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0099]
此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本技术各种实施例的基于大数据的电子商务管理方法中的功能中的步骤。
[0100]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0101]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0102]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0103]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0104]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0105]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技
术人员将认识到其某些变型、修改、改变、添加和子组合。

技术特征：
1.一种基于大数据的电子商务管理系统，其特征在于，包括：用户数据获取模块，用于从电子商务系统中提取被分析用户的相关数据，其中，所述相关数据包括历史交易记录、搜索历史数据和浏览历史数据；用户画像构建模块，用于基于所述被分析用户的相关数据，构建所述被分析用户的用户画像，其中，所述用户画像包括基本属性、购买行为、兴趣爱好和购买意图；词嵌入模块，用于将所述被分析用户的用户画像中的各个属性项通过词嵌入层以得到多个属性项词嵌入向量；属性值添加模块，用于将所述被分析用户的用户画像中的各个属性项的属性值分别添加于所述各个属性项词嵌入向量的尾部以得到多个用户画像属性词嵌入向量；第一语义理解模块，用于将所述多个用户画像属性词嵌入向量通过基于转换器的上下文编码器以得到第一尺度用户画像语义理解特征向量；第二语义理解模块，用于将所述多个用户画像属性词嵌入向量排列为二维特征矩阵后通过文本卷积神经网络模型以得到第二尺度用户画像语义理解特征向量；特征融合模块，用于融合所述第一尺度用户画像语义理解特征向量和所述第二尺度用户画像语义理解特征向量以得到用户画像语义理解特征向量；以及标签划分模块，用于将所述用户画像语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示购物偏好类型标签。2.根据权利要求1所述的基于大数据的电子商务管理系统，其特征在于，所述词嵌入模块，包括：一维展开单元，用于将所述被分析用户的用户画像中的各个属性项展开为一维像素向量以得到多个一维像素向量的序列；以及嵌入编码单元，用于使用所述嵌入层的权重矩阵对所述多个一维像素向量的序列中的一维像素向量进行嵌入编码以得到所述多个属性项词嵌入向量。3.根据权利要求2所述的基于大数据的电子商务管理系统，其特征在于，所述第一语义理解模块，包括：查询向量构造单元，用于将所述多个用户画像属性词嵌入向量进行一维排列以得到全局用户画像特征向量；自注意单元，用于计算所述全局用户画像特征向量与所述多个用户画像属性词嵌入向量中各个用户画像属性词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；注意力施加单元，用于分别以所述多个概率值中各个概率值作为权重对所述多个用户画像属性词嵌入向量中各个用户画像属性词嵌入向量进行加权以得到所述多个上下文语义用户画像特征向量；以及级联单元，用于将所述多个上下文语义用户画像特征向量进行级联以得到所述第一尺度用户画像语义理解特征向量。4.根据权利要求3所述的基于大数据的电子商务管理系统，其特征在于，所述第二语义
理解模块，包括：使用所述文本卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述文本卷积神经网络的最后一层的输出为所述第二尺度用户画像语义理解特征向量，所述作为文本卷积神经网络的第一层的输入为所述多个用户画像属性词嵌入向量排列得到的二维特征矩阵。5.根据权利要求4所述的基于大数据的电子商务管理系统，其特征在于，所述特征融合模块，进一步用于：以如下公式对所述第一尺度用户画像语义理解特征向量和所述第二尺度用户画像语义理解特征向量进行深层空间封装语义匹配融合以得到所述用户画像语义理解特征向量；其中，所述公式为：其中，v1是所述第一尺度用户画像语义理解特征向量，v2是所述第二尺度用户画像语义理解特征向量，||
·
||1和||
·
||2分别表示向量的一范数和二范数，ω和∈分别为权重和偏置超参数，d(v1,v2)表示所述第一尺度用户画像语义理解特征向量和所述第二尺度用户画像语义理解特征向量之间的按位置距离矩阵，且i为单位矩阵，
⊙
分别表示按位置加法、按位置减法和按位置点乘，v
c
是所述用户画像语义理解特征向量。6.根据权利要求5所述的基于大数据的电子商务管理系统，其特征在于，所述标签划分模块，包括：全连接编码单元，用于使用所述分类器的多个全连接层对所述用户画像语义理解特征向量进行全连接编码以得到编码用户画像语义理解特征向量；以及分类结果生成单元，用于将所述编码用户画像语义理解特征向量通过所述分类器的softmax分类函数以得到所述分类结果。7.一种基于大数据的电子商务管理方法，其特征在于，包括：从电子商务系统中提取被分析用户的相关数据，其中，所述相关数据包括历史交易记录、搜索历史数据和浏览历史数据；基于所述被分析用户的相关数据，构建所述被分析用户的用户画像，其中，所述用户画像包括基本属性、购买行为、兴趣爱好和购买意图；将所述被分析用户的用户画像中的各个属性项通过词嵌入层以得到多个属性项词嵌入向量；将所述被分析用户的用户画像中的各个属性项的属性值分别添加于所述各个属性项词嵌入向量的尾部以得到多个用户画像属性词嵌入向量；将所述多个用户画像属性词嵌入向量通过基于转换器的上下文编码器以得到第一尺度用户画像语义理解特征向量；将所述多个用户画像属性词嵌入向量排列为二维特征矩阵后通过文本卷积神经网络
模型以得到第二尺度用户画像语义理解特征向量；融合所述第一尺度用户画像语义理解特征向量和所述第二尺度用户画像语义理解特征向量以得到用户画像语义理解特征向量；以及将所述用户画像语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示购物偏好类型标签。8.根据权利要求7所述的一种基于大数据的电子商务管理方法，其特征在于，将所述多个用户画像属性词嵌入向量排列为二维特征矩阵后通过文本卷积神经网络模型以得到第二尺度用户画像语义理解特征向量，包括：使用所述文本卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述文本卷积神经网络的最后一层的输出为所述第二尺度用户画像语义理解特征向量，所述作为文本卷积神经网络的第一层的输入为所述多个用户画像属性词嵌入向量排列得到的二维特征矩阵。9.根据权利要求8所述的一种基于大数据的电子商务管理方法，其特征在于，融合所述第一尺度用户画像语义理解特征向量和所述第二尺度用户画像语义理解特征向量以得到用户画像语义理解特征向量，包括：以如下公式对所述第一尺度用户画像语义理解特征向量和所述第二尺度用户画像语义理解特征向量进行深层空间封装语义匹配融合以得到所述用户画像语义理解特征向量；其中，所述公式为：其中，v1是所述第一尺度用户画像语义理解特征向量，v2是所述第二尺度用户画像语义理解特征向量，||
·
||1和||
·
||2分别表示向量的一范数和二范数，ω和∈分别为权重和偏置超参数，d(v1,v2)表示所述第一尺度用户画像语义理解特征向量和所述第二尺度用户画像语义理解特征向量之间的按位置距离矩阵，且i为单位矩阵，
⊙
分别表示按位置加法、按位置减法和按位置点乘，v
c
是所述用户画像语义理解特征向量。10.根据权利要求9所述的一种基于大数据的电子商务管理方法，其特征在于，将所述用户画像语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示购物偏好类型标签，包括：使用所述分类器的多个全连接层对所述用户画像语义理解特征向量进行全连接编码以得到编码用户画像语义理解特征向量；以及将所述编码用户画像语义理解特征向量通过所述分类器的softmax分类函数以得到所述分类结果。

技术总结
本申请涉及大数据领域，其具体地公开了一种基于大数据的电子商务管理系统及其方法，其通过采用基于深度学习的人工智能技术，综合利用历史交易记录、搜索历史数据和浏览历史数据来实现消费者购物偏好预测的目的。通过这样的方式，利用电子商务系统中的大数据，对用户的购物偏好进行准确预测，从而为用户提供更个性化和智能化的商品推荐服务。化和智能化的商品推荐服务。化和智能化的商品推荐服务。


技术研发人员：洪燕仪
受保护的技术使用者：广东百鹿电子科技有限公司
技术研发日：2023.05.11
技术公布日：2023/9/12