本發(fā)明涉及購(gòu)物推薦，尤其涉及具有推薦排名功能的智能購(gòu)物系統(tǒng)。

背景技術(shù)：

1、隨著電子商務(wù)的快速發(fā)展，推薦系統(tǒng)已成為各大平臺(tái)提高用戶體驗(yàn)和商品曝光率的重要工具，通過(guò)分析用戶的行為數(shù)據(jù)，推薦系統(tǒng)能夠?yàn)橛脩籼峁﹤€(gè)性化的商品推薦。然而，現(xiàn)有的推薦系統(tǒng)在實(shí)際應(yīng)用中仍存在以下顯著不足：

2、大多數(shù)推薦系統(tǒng)主要依賴用戶的歷史行為數(shù)據(jù)（如點(diǎn)擊和購(gòu)買(mǎi)記錄）進(jìn)行推薦，但這種方式對(duì)用戶動(dòng)態(tài)需求的捕捉能力較弱，推薦內(nèi)容與用戶實(shí)時(shí)需求的匹配度較低，導(dǎo)致推薦效果不夠精準(zhǔn)。

3、用戶對(duì)商品價(jià)格的敏感度因人而異，但現(xiàn)有系統(tǒng)往往缺乏對(duì)用戶價(jià)格偏好的深度建模，僅將價(jià)格作為輔助特征用于排序，而未充分挖掘用戶在不同時(shí)間段對(duì)價(jià)格的偏好（如低價(jià)偏好、高性價(jià)比偏好和高價(jià)接受度）。此外，商品價(jià)格相關(guān)的特征（如折扣信息、價(jià)格波動(dòng)）也未得到有效整合，導(dǎo)致系統(tǒng)在處理價(jià)格相關(guān)推薦時(shí)表現(xiàn)有限。

4、現(xiàn)有推薦系統(tǒng)通常采用靜態(tài)規(guī)則或預(yù)設(shè)權(quán)重的方式對(duì)推薦內(nèi)容進(jìn)行排序，難以適應(yīng)用戶行為的實(shí)時(shí)變化和市場(chǎng)動(dòng)態(tài)（如促銷活動(dòng)、價(jià)格波動(dòng)）。這不僅降低了推薦內(nèi)容的時(shí)效性，也削弱了用戶的使用體驗(yàn)和購(gòu)買(mǎi)轉(zhuǎn)化率。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供了具有推薦排名功能的智能購(gòu)物系統(tǒng)。

2、具有推薦排名功能的智能購(gòu)物系統(tǒng)，包括：

3、用戶價(jià)格敏感度建模模塊：采集用戶的歷史購(gòu)買(mǎi)記錄、商品瀏覽行為及價(jià)格點(diǎn)擊偏好數(shù)據(jù)；建立價(jià)格敏感度分層模型，包括通過(guò)時(shí)間序列分析提取用戶在不同時(shí)間段的價(jià)格敏感特征，包括低價(jià)偏好、高性價(jià)比偏好及高價(jià)接受度；利用聚類算法對(duì)用戶進(jìn)行價(jià)格敏感度分層，包括高敏感度用戶、中敏感度用戶及低敏感度用戶，生成價(jià)格敏感度因子；

4、商品價(jià)格特征分析模塊：提取商品的價(jià)格區(qū)間、折扣信息、促銷頻率及歷史價(jià)格波動(dòng)數(shù)據(jù)；構(gòu)建商品價(jià)格特征矩陣，并生成商品價(jià)格吸引力因子；

5、推薦排序決策模塊：通過(guò)價(jià)格敏感度因子、商品價(jià)格吸引力因子的加權(quán)計(jì)算生成個(gè)性化推薦評(píng)分r；基于個(gè)性化推薦評(píng)分r進(jìn)行商品排序，通過(guò)強(qiáng)化學(xué)習(xí)不斷優(yōu)化推薦排序策略，確保推薦結(jié)果與用戶偏好和市場(chǎng)動(dòng)態(tài)匹配。

6、可選的，所述用戶價(jià)格敏感度建模模塊具體包括：

7、用戶行為數(shù)據(jù)采集：利用分布式數(shù)據(jù)采集用戶行為數(shù)據(jù)，包括從電商平臺(tái)交易記錄、商品瀏覽日志和用戶點(diǎn)擊行為數(shù)據(jù)中采集用戶的歷史購(gòu)買(mǎi)記錄、商品瀏覽行為及價(jià)格點(diǎn)擊偏好數(shù)據(jù)，對(duì)采集的用戶行為數(shù)據(jù)進(jìn)行格式轉(zhuǎn)換及去重操作，通過(guò)時(shí)間戳關(guān)聯(lián)用戶行為數(shù)據(jù)，構(gòu)建用戶行為序列數(shù)據(jù)庫(kù)；

8、用戶價(jià)格敏感特征提?。夯跁r(shí)間序列分析方法，將用戶的行為數(shù)據(jù)按時(shí)間段進(jìn)行分組，對(duì)各時(shí)間段內(nèi)的價(jià)格偏好進(jìn)行統(tǒng)計(jì)，提取價(jià)格敏感特征，包括：

9、低價(jià)偏好特征因子：用戶購(gòu)買(mǎi)或點(diǎn)擊的商品價(jià)格低于平臺(tái)同類商品平均價(jià)格的比例；

10、高性價(jià)比偏好特征因子：用戶傾向于瀏覽或購(gòu)買(mǎi)折扣力度大的商品的行為頻率；

11、高價(jià)接受度特征因子：用戶點(diǎn)擊或購(gòu)買(mǎi)高于平臺(tái)同類商品平均價(jià)格商品的頻次；

12、將不同時(shí)間段內(nèi)的價(jià)格敏感特征作為輸入數(shù)據(jù)，生成用戶價(jià)格敏感度特征矩陣，表示為：，其中,為用戶價(jià)格敏感特征矩陣；

13、價(jià)格敏感度分層模型建立：基于用戶價(jià)格敏感特征矩陣，采用聚類算法對(duì)用戶進(jìn)行分層，劃分為高敏感度用戶、中敏感度用戶及低敏感度用戶；引入聚類性能評(píng)價(jià)指標(biāo)（如輪廓系數(shù)和聚類均勻性），優(yōu)化分層結(jié)果，確保分層模型的魯棒性和準(zhǔn)確性；根據(jù)分層結(jié)果，分配用戶的價(jià)格敏感度因子，表示用戶的價(jià)格敏感度因子，價(jià)格敏感度因子描述用戶在當(dāng)前時(shí)間段內(nèi)對(duì)商品價(jià)格的敏感程度。

14、可選的，所述聚類算法采用means聚類算法，對(duì)用戶價(jià)格敏感特征矩陣進(jìn)行分層：

15、，其中，表示聚類目標(biāo)函數(shù)，表示用戶的價(jià)格敏感特征向量，表示聚類中心，表示預(yù)設(shè)的聚類數(shù)（如高敏感度用戶、中敏感度用戶和低敏感度用戶）；

16、根據(jù)聚類結(jié)果，分配價(jià)格敏感度因子：

17、，其中，分別表示用戶的低價(jià)偏好、高性價(jià)比偏好和高價(jià)接受度，表示對(duì)應(yīng)因子的權(quán)重，由系統(tǒng)預(yù)設(shè)。

18、可選的，所述價(jià)格敏感度分層模型建立后，還包括價(jià)格敏感度因子動(dòng)態(tài)更新；

19、結(jié)合實(shí)時(shí)采集的用戶行為數(shù)據(jù)，更新價(jià)格敏感度特征矩陣，將實(shí)時(shí)特征因子與歷史特征因子融合，生成更新后的價(jià)格敏感度因子；動(dòng)態(tài)調(diào)整用戶在高敏感度、中敏感度和低敏感度分層中的歸屬，確保價(jià)格敏感度分層模型的準(zhǔn)確性。

20、可選的，所述更新價(jià)格敏感度特征矩陣具體包括：

21、低價(jià)偏好特征因子的更新：；

22、高性價(jià)比偏好特征因子的更新：；

23、高價(jià)接受度特征因子的更新：；

24、其中，為更新后的低價(jià)偏好、高性價(jià)比偏好和高價(jià)接受度；

25、為實(shí)時(shí)計(jì)算的新因子；為權(quán)重系數(shù)，控制實(shí)時(shí)特征因子與歷史特征因子的融合比例；

26、利用更新后的各特征因子重新計(jì)算價(jià)格敏感度因子：

27、，其中，為用戶的更新價(jià)格敏感度因子。

28、可選的，所述商品價(jià)格特征分析模塊具體包括：

29、商品價(jià)格信息數(shù)據(jù)提?。?/p>

30、提取商品的價(jià)格區(qū)間：，其中，為商品價(jià)格區(qū)間，表示商品歷史最低價(jià)格，表示商品歷史最高價(jià)格，數(shù)據(jù)來(lái)源包括商品歷史交易記錄、促銷信息和平臺(tái)價(jià)格調(diào)整日志；

31、提取商品的折扣信息：，其中，表示商品當(dāng)前折扣信息，為商品原價(jià)，為商品當(dāng)前售價(jià)；

32、提取商品的促銷頻率：，其中，為商品促銷頻率，表示商品參與促銷的時(shí)間點(diǎn)集合，表示商品的總上線時(shí)間；

33、提取商品價(jià)格波動(dòng)幅度：，其中，表示商品價(jià)格波動(dòng)幅度，為時(shí)間點(diǎn)對(duì)應(yīng)的價(jià)格，為標(biāo)準(zhǔn)差計(jì)算，用于反映價(jià)格波動(dòng)性；

34、構(gòu)建商品價(jià)格特征矩陣：商品的價(jià)格特征矩陣由以下特征構(gòu)成：,其中,表示商品的價(jià)格特征矩陣，為商品價(jià)格區(qū)間，為商品當(dāng)前折扣信息，為商品促銷頻率，為商品價(jià)格波動(dòng)幅度。

35、可選的，所述生成商品價(jià)格吸引力因子基于價(jià)格特征矩陣獲得，是商品的價(jià)格吸引力因子，表示為：

36、，其中，表示價(jià)格區(qū)間的歸一化函數(shù)，用于標(biāo)準(zhǔn)化價(jià)格范圍，分別為價(jià)格區(qū)間、折扣信息、促銷頻率和價(jià)格波動(dòng)的權(quán)重，權(quán)重由系統(tǒng)預(yù)設(shè)，表示價(jià)格波動(dòng)的反向貢獻(xiàn)，波動(dòng)越小吸引力越高。

37、可選的，所述推薦排序決策模塊中的個(gè)性化推薦評(píng)分通過(guò)用戶的價(jià)格敏感度因子和商品的價(jià)格吸引力因子的加權(quán)計(jì)算生成：，其中，表示商品對(duì)用戶的個(gè)性化推薦評(píng)分，：分別為用戶價(jià)格敏感度因子和商品價(jià)格吸引力因子的權(quán)重，權(quán)重值通過(guò)強(qiáng)化學(xué)習(xí)調(diào)整，確保推薦評(píng)分符合用戶偏好和平臺(tái)運(yùn)營(yíng)目標(biāo)。

38、可選的，所述推薦排序決策模塊中還包括評(píng)分正則化處理：為確保推薦評(píng)分的可比性，對(duì)所有商品的評(píng)分進(jìn)行正則化處理，計(jì)算標(biāo)準(zhǔn)化評(píng)分：，其中，表示標(biāo)準(zhǔn)化后的推薦評(píng)分，范圍為[0,1]，分別為當(dāng)前候選商品集中最高和最低推薦評(píng)分；

39、根據(jù)標(biāo)準(zhǔn)化后的推薦評(píng)分對(duì)商品進(jìn)行排序，生成商品的推薦排名列表。

40、可選的，所述強(qiáng)化學(xué)習(xí)用于動(dòng)態(tài)調(diào)整的值，使得推薦結(jié)果不斷優(yōu)化，表示為：

41、，其中，分別為當(dāng)前權(quán)重值;，分別為用戶反饋對(duì)和的評(píng)分調(diào)整增量，表示學(xué)習(xí)速率參數(shù)，用于控制權(quán)重調(diào)整幅度。

42、本發(fā)明的有益效果：

43、本發(fā)明，通過(guò)用戶價(jià)格敏感度建模模塊，精準(zhǔn)捕捉用戶在不同時(shí)間段的價(jià)格敏感特征，包括低價(jià)偏好、高性價(jià)比偏好及高價(jià)接受度，并利用聚類算法建立價(jià)格敏感度分層模型，結(jié)合商品價(jià)格特征分析模塊中生成的價(jià)格吸引力因子，推薦排序決策模塊能夠以用戶價(jià)格敏感度因子和商品價(jià)格吸引力因子為核心，動(dòng)態(tài)生成個(gè)性化推薦評(píng)分r，與現(xiàn)有推薦系統(tǒng)依賴單一維度數(shù)據(jù)或靜態(tài)規(guī)則的模式相比，通過(guò)多維動(dòng)態(tài)建模提升了推薦內(nèi)容與用戶需求的匹配度，提高了推薦的精準(zhǔn)性和用戶的滿意度。

44、本發(fā)明，通過(guò)強(qiáng)化學(xué)習(xí)算法對(duì)推薦排序權(quán)重進(jìn)行動(dòng)態(tài)調(diào)整，使系統(tǒng)能夠?qū)崟r(shí)優(yōu)化推薦策略，用戶價(jià)格敏感度因子和商品價(jià)格吸引力因子均通過(guò)實(shí)時(shí)行為數(shù)據(jù)不斷更新，確保系統(tǒng)能夠快速響應(yīng)用戶興趣的變化和市場(chǎng)動(dòng)態(tài)，通過(guò)評(píng)分正則化和動(dòng)態(tài)排名調(diào)整機(jī)制，有效解決了傳統(tǒng)推薦系統(tǒng)中排名固化、響應(yīng)滯后的問(wèn)題，尤其在促銷活動(dòng)或用戶短期興趣變化時(shí)表現(xiàn)出極高的適應(yīng)性。

45、本發(fā)明，引入價(jià)格敏感度分層模型，結(jié)合時(shí)間序列分析和聚類算法，將用戶的價(jià)格敏感特征與商品價(jià)格特征深度匹配，構(gòu)建了一個(gè)全新的推薦邏輯框架，價(jià)格吸引力因子綜合了價(jià)格區(qū)間、折扣信息、促銷頻率和價(jià)格波動(dòng)等多維特征，特別是在挖掘高性價(jià)比商品和穩(wěn)定價(jià)格商品的吸引力方面，優(yōu)化了傳統(tǒng)單維度價(jià)格特征的不足，通過(guò)動(dòng)態(tài)更新價(jià)格敏感度因子和實(shí)時(shí)調(diào)整排序規(guī)則，克服了現(xiàn)有技術(shù)中對(duì)用戶需求長(zhǎng)期變化和冷門(mén)商品推薦支持不足的缺陷，推動(dòng)了推薦系統(tǒng)從單一規(guī)則導(dǎo)向向智能動(dòng)態(tài)優(yōu)化的跨越。