一种可应用数字资产或积分作为交易媒介的人工智能型电子商务系统技术方案

本发明专利技术公开了一种可应用数字资产或积分作为交易媒介的人工智能型电子商务系统，包括：人工智能单元，用于根据人工神经网络模型和采集到的与电子商务系统运行相关联的数据构建人工智能模型；然后根据人工智能模型为电子商务系统的用户提供交易相关操作的提示、情况的预测和/或信息的匹配。

【技术实现步骤摘要】
一种可应用数字资产或积分作为交易媒介的人工智能型电子商务系统
本专利技术涉及人工智能电子商务领域，特别是一种可应用数字资产或积分作为交易媒介的人工智能型电子商务系统。
技术介绍
目前，各类电子商务系统仍缺乏智能性，未能实现客户智能定购、支付媒介选择建议、客户需求精准预测、商品智能推广推送、系统自管理、采购/卖出风险提示、商家存货智能管理、价格波动预测提示、二手物品智能评估转卖、快速交易匹配等功能。从而，买卖双方不得不花费大量的时间寻找交易对象，效率低下。同时，随着互联网、区块链、物联网的发展，库存单、提货单、票据、积分等数字资产日益盛行。然而，目前并没有对各类数字资产统一管理的支付账号管理系统(电子钱包)，也缺乏利用各类数字资产作为交换媒介的电子商务系统，以实现各类实物之间、数字资产之间、数字资产与实物或服务以及数字资产与法定货币之间的合理交换。缺乏数字资产或积分作为交换媒介，导致了实物交换的零和游戏，致使整个交换生态的效率降低。同时，这也导致数字资产代表的价值，如算力价值、获利凭证价值、信用价值、推广价值等价值无法以实物或法定货币的价值进行认定。从而导致了数字资产价格低估。此外，电子商务系统普遍信用体系仍不健全，伪造交易、恶意拖欠、物品造假、伪造评论等现象时有发生，给参与交易的双方带来了一定的风险或损失。人工智能(ArtificialIntelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工神经网络(ARTIFICIALNEURALNETWORK，简称ANN)是一种运算模型，是人工智能在计算机上实现的一种模拟人类思考的逻辑方法。人工神经网络模型由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数(ActivationFunction)。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。数字资产是一种以数据作为基础的具有一定价值的资产，包括但不限于各种积分、数字期权、数字期货、库存单、提货单、票据等，其对法定货币的价格具有波动性。数字积分(RewardPoints，简称：积分)系统是一种发行机构利用计算机、互联网等各类技术，通过让目标人群完成一个或多个特定的任务，给予目标人群获得相应奖励或权利的激励手段。数字积分是在数字积分系统中，积分获取者领取奖励的一种权利凭证。数字积分可泛指各类积分、打折券、优惠券、代金券、团购券、抽奖券、优先购买权、优先服务权以及落户权等所有发行机构为鼓励被发行对象完成某种行为以领取某种奖励或成果的数字化权利凭证。其对法定货币的价格具有波动性。区块链(BlockChain)技术是利用块链式数据结构来验证与存储数据、利用分布式节点共识算法来生成和更新数据、利用密码学的方式保证数据传输和访问的安全、利用由自动化脚本代码组成的智能合约来编程和操作数据的一种全新的分布式基础架构与计算方式。一般说来，区块链系统由数据层、网络层、共识层、激励层、合约层和应用层组成。其中，数据层封装了底层数据区块以及相关的数据加密和时间戳等基础数据和基本算法；网络层则包括分布式组网机制、数据传播机制和数据验证机制等；共识层主要封装网络节点的各类共识算法；激励层将经济因素集成到区块链技术体系中来，主要包括经济激励的发行机制和分配机制等；合约层主要封装各类脚本、算法和智能合约，是区块链可编程特性的基础；应用层则封装了区块链的各种应用场景和案例。该模型中，基于时间戳的链式区块结构、分布式节点的共识机制、基于共识算力的经济激励和灵活可编程的智能合约是区块链技术最具代表性的创新点。就目前电子商务体系而言，存在三个问题。一、当前的电子商务系统仍不够智能化，缺乏人工智能体系支持电子商务系统在智能化领域仍有长足的进步空间，并未实现交易数据和相关数据的智能化充分利用。例如，买卖双方交易适合彼此的物品仍需要花费较长的时间；商家或个人仍然无法准确预测市场需求，从而出现货品冗余或物品闲置；商家也无法根据市场的偏好预测未来的需求而进行新产品或新服务的创新。二、国内缺乏以数字资产作为交易媒介的电子商务系统。应用数字资产作为交易媒介的电子商务系统还不常见，此外，服务数字资产作为交易媒介的支付、价格提示、清算结算、账户管理体系等配套技术体系仍属于空白。三、电子商务系统信用体系仍需要加强信用体系整体仍然较弱，仍存在伪造交易、商业欺诈、恶意拖欠以及虚假评论等现象，导致买卖双方的交易选择被误导，从而造成损失。此外，如何利用数字资产的特点，增加电子商务系统的智能性，并加强信用体系的建立，也是本专利技术的核心。因鉴于此，特提出此专利技术。
技术实现思路
本专利技术的目的是提供一种可应用数字资产或积分作为交易媒介的人工智能型电子商务系统。能够为电子商务系统的至少部分功能实现基于人工智能的提示、预测或匹配。为实现上述目的，本专利技术实施例提供一种可应用数字资产或积分作为交易媒介的人工智能型电子商务系统，包括：人工智能单元，用于根据人工神经网络模型和采集到的与电子商务系统运行相关联的数据构建人工智能模型；然后根据人工智能模型为电子商务系统的用户提供交易相关操作的提示、情况的预测和/或信息的匹配。进一步地，所述人工智能分析单元包括信息收集感知模块、计算模块和智能存储模块，所述根据人工神经网络模型和采集到的与电子商务系统运行相关联的数据构建人工智能模型包括：利用信息收集感知模块收集数据；选取经济运行和交易相关数据中的核心相关指标，作为输入神经元节点；调用计算模块，形成神经元网络模型；向神经元网络模型中输入收集到的历史数据，根据预定的算法训练出人工智能模型。进一步地，所述选取经济运行和交易相关数据中的核心相关指标，作为输入神经元节点的同时，还在计算机中设置成相关变量；每个变量都在智能存储模块中具有特定的地址和逻辑存储空间。进一步地，所述调用计算模块，形成神经元网络模型包括：为输入变量节点、隐含变量节点以及输出变量节点之间的相互影响附加连接路径，即权重值，以评估其中一个变量或几个变量发生变化后，对其他变量的影响，并进行量化。进一步地，所述向神经元网络模型中输入收集到的历史数据，根据预定的算法训练出人工智能模型包括：输入海量历史数据，按照逻辑顺序整理各类变量，路径权重以及结果数据；结果数据包括求购者的意向需求、商品的需求量、资产和商品的交易价格、自动快速匹配交易、风险评估以及系统自身运行效率和安全性提示节点中的至少一种节点；数据输入成功后，计算机自行运算，以结果数据为函数，利用线性回归或者非线性回归的数学模型训练方法，寻找确定适合各类变量之间的模型函数关系；计算机通过比较不同的函数图像与散点图的拟合度，确定最佳的函数关系，并存储在智能存储单元中；训练模型的过程中，利用反传网络算法，在得到模型输出的同时，将误差返回给神经网络的每个层级和节点，各个节点修正权重后重新获取输入参数，进行模型检验，直至误差降低至预设的范围；获得有效的各层节点权重值和函数关系后，将这些数据在相应的存储空间本文档来自技高网...

【技术保护点】
1.一种可应用数字资产或积分作为交易媒介的人工智能型电子商务系统，其特征在于，包括：人工智能单元，用于根据人工神经网络模型和采集到的与电子商务系统运行相关联的数据构建人工智能模型；然后根据人工智能模型为电子商务系统的用户提供交易相关操作的提示、情况的预测和/或信息的匹配。

【技术特征摘要】
1.一种可应用数字资产或积分作为交易媒介的人工智能型电子商务系统，其特征在于，包括：人工智能单元，用于根据人工神经网络模型和采集到的与电子商务系统运行相关联的数据构建人工智能模型；然后根据人工智能模型为电子商务系统的用户提供交易相关操作的提示、情况的预测和/或信息的匹配。2.根据权利要求1所述的电子商务系统，其特征在于，所述人工智能分析单元包括信息收集感知模块、计算模块和智能存储模块，所述根据人工神经网络模型和采集到的与电子商务系统运行相关联的数据构建人工智能模型包括：利用信息收集感知模块收集数据；选取经济运行和交易相关数据中的核心相关指标，作为输入神经元节点；调用计算模块，形成神经元网络模型；向神经元网络模型中输入收集到的历史数据，根据预定的算法训练出人工智能模型。3.根据权利要求2所述的电子商务系统，其特征在于，所述选取经济运行和交易相关数据中的核心相关指标，作为输入神经元节点的同时，还在计算机中设置成相关变量；每个变量都在智能存储模块中具有特定的地址和逻辑存储空间。4.根据权利要求2所述的电子商务系统，其特征在于，所述调用计算模块，形成神经元网络模型包括：为输入变量节点、隐含变量节点以及输出变量节点之间的相互影响附加连接路径，即权重值，以评估其中一个变量或几个变量发生变化后，对其他变量的影响，并进行量化。5.根据权利要求2所述的电子商务系统，其特征在于，所述向神经元网络模型中输入收集到的历史数据，根据预定的算法训练出人工智能模型包括：输入海量历史数据，按照逻辑顺序整理各类变量，路径权重以及结果数据；结果数据包括求购者的意向需求、商品的需求量、资产和商品的交易价格、自动快速匹配交易、风险评估以及系统自身运行效率和安全性提示节点中的至少一种节点；数据输入成功后，计算机自行运算，以结果数据为函数，利用线性回归或者非线性回归的数学模型训练方法，寻找确定适合各类变量之间的模型函数关系；计算机通过比较不同的函数图像与散点图的拟合度，确定最佳的函数关系，并存储在智能存储单元中；训练模型的过程中，利用反传网络算法，在得到模型输出的同时，将误差返回给神经网络的每个层级和节点，各个节点修正权重后重新获取输入参数，进行模型检验，直至误差降低至预设的范围；获得有效的各层节点权重值和函数关系后，将这些数据在相应的存储空间中进行数据更新。6.根据权利要求5所述的电子商务系统，其特征在于，所述计算模块还包括判断决策模块，在进行模型检验后，当根据可靠模型需要进行决策时，判断决策模块应用模拟退火算法，对系统的最优判断进行迭代检验，确保决策为全局最优。7.根据权利要求2-5任一所述的电子商务，其特征在于，所...

【专利技术属性】
技术研发人员：王昆，胡肇洋，
申请(专利权)人：王昆，胡肇洋，
类型：发明
国别省市：北京,11