智能生成个性化组合促销方案的方法及具有该方法的系统技术方案

本发明专利技术公开了一种智能生成个性化组合促销方案的方法，用于人机互动并针对用户画像个性化推荐促销方案，其特征在于，包括云平台、用户端；所述智能生成个性化组合促销方案的方法包括以下步骤：步骤S1：在云平台预先创建包括有多个用户画像的画像数据库，以及多个促销方案的促销方案数据库，基于画像数据库中的用户画像，建立其所对应的促销方案规则的预训练数学模型；步骤S2：通过用户端获取用户特征、浏览行为、设备信息，获取用户的样本用户画像；及步骤S3：所述预训练数学模型通过相似度计算，以将其对应样本用户画像的促销方案推荐至用户，并记录用户对所推荐的促销方案结的反馈结果，将其作为样本值进行训练以对预训练数学模型进行优化。

【技术实现步骤摘要】
智能生成个性化组合促销方案的方法及具有该方法的系统
本专利技术涉及智能促销领域，具体涉及一种智能生成个性化组合促销方案的方法及具有该方法的系统。
技术介绍
人机交互方式随着人工智能以及互联网的发展不断更新升级，用户在日常生活中和智能终端设备的交互变得愈加频繁，在网络技术飞速发展的今天，信息和资源也随之迅猛增长；在网络方面这种趋势显得尤为突出。面对Web上如此庞大的信息资源，Web上的“信息迷航”和“信息过载”等问题也在加剧。“促销”是产品营销活动推广的有效手段和途径，由此一个好的促销方案尤为重要，现今社会中，促销方案完全依靠营销者制定，具有不可预见性，用户自主去筛选掉不感兴趣的促销方案十分困难，导致很多平台的促销信息利用率十分低下，为了防止此类问题的愈演愈烈，有必要提供一种智能生成个性化组合促销方案的方法，在Web上寻找更相关的促销方案以满足不同用户的个性化需求。
技术实现思路
为克服上述问题，本专利技术提供一种智能生成个性化组合促销方案的方法及具有该方法的系统。为解决上述技术问题，本专利技术提供一种技术方案，即一种智能生成个性化组合促销方案的方法，用于人机互动并针对用户画像个性化推荐促销方案，包括云平台、用户端；所述智能生成个性化组合促销方案的方法包括以下步骤：步骤S1：在云平台预先创建包括有多个用户画像的画像数据库，以及多个促销方案的促销方案数据库，基于画像数据库中的用户画像，建立其所对应的促销方案规则的预训练数学模型；步骤S2：通过用户端获取用户特征、浏览行为、设备信息，获取用户的样本用户画像；及步骤S3：所述预训练数学模型通过相似度计算，以将其对应样本用户画像的促销方案推荐至用户，并记录用户对所推荐的促销方案的反馈结果，将其作为样本值进行训练以对预训练数学模型进行优化。优选地，所述步骤S1包括：步骤S101：预先通过人工采集用户的用户特征、浏览行为、设备信息，并对其进行预处理以及标准化；步骤S102：基于步骤S101，建立深度学习的卷积神经网络模型以对用户进行分类并标记标签，从而形成用户画像；步骤S103：将不同的促销方案抽象成词，利用深度学习的Word2vec模型将促销方案训练为特征向量；及步骤S104：基于步骤S101~步骤S103，建立用户的协同过滤模型，通过行向量和/或列向量进行相似度计算，从而获得预训练数学模型。优选地，所述步骤S2中，用户特征包括性别、昵称、头像、年龄段、职业、收入水平、籍贯、当前位置、居住地的任一种或者多种的组合；浏览行为包括浏览器的创建和消除、鼠标滚轮滑动以及点击、页面停留时间、购买、滑窗、收藏、关注、添加购物车的任一种或者多种的组合。优选地，所述步骤S2中，其中获取所述浏览行为的方法为：步骤S201：收集每个页面的停留时间以及页面内容信息；步骤S202：对页面内容进行文本分析，获得页面的特征项；步骤S203：根据页面停留时间和特征项，分析出用户对每个特征项的兴趣程度，得到用户兴趣类权值；步骤S204：将权值较高的兴趣类作为关键词，从而得到用户浏览行为。优选地，其中步骤S3包括：步骤S301：将同个样本用户画像对促销方案有过行为视为context，建立样本用户画像-context的矩阵；步骤S302：基于word2vec的模型计算所述促销方案的向量表达，进一步通过所述促销方案间以及样本用户画像之间的特征向量相似度计算，实现相似用户之间的商品和促销方案规则的推荐；及步骤S303：以相似用户对所推荐促销方案有过行为作为目标对数学模型进行训练优化。优选地，进一步包括步骤S4，步骤S4：当步骤S2无法获取到样本用户画像时，将所述促销方案数据库和当前热门促销数据求得并集，使用Bandit算法从所述并集中推荐促销方案规则给用户，直至获取到样本用户画像，则进入步骤S3。优选地，所述步骤S3中的相似度计算利用word2vec模型中的相似词在线查询功能。为了解决上述技术问题，本专利技术提供另一技术方案如下：即一种智能生成个性化组合促销方案的系统，包括：云平台模块：用于预先创建包括有多个用户画像的画像数据库，以及多个促销方案的促销方案数据库，基于画像数据库中的用户画像，建立其所对应的促销方案规则，并建立预训练数学模型。为了更好的解决上述技术问题，本专利技术提供再一技术方案如下：即一种计算机可读介质，其特征在于，所述计算机可读介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述的智能生成个性化组合促销方案的方法。为了更好的解决上述技术问题，本专利技术提供又一技术方案如下：即一种设备，可和云平台以及用户端形成信息连接，所述设备包括电子控制单元、存储器，所述电子控制单元、存储器均采用电性连接；该所述存储器内部所储程序在执行时，需要利用到上述的智能生成个性化组合促销方案的方法。与现有技术相比，本专利技术所提供的一种智能生成个性化组合促销方案的方法具有如下的有益效果：1、当本专利技术提供的方法应用领域涉及在互联网的促销时，本专利技术首先在云平台实时预备好促销方案，再通过将用户特征以及环境信息发送至后端的云平台进行分析，从而云平台通过计算将与用户特征以及环境信息对应的促销方案反馈至用户端，用户端将促销方案下载后用于对用户进行个性化推荐的促销。这样的好处在于，通过上述，云平台提供的促销方案组合完全针对用户进行个性化设置，因此本专利技术提供的方法和用户的互动性很强，促销方案在促销中更接近用户感兴趣的范围；相比较下针对性更强更容易接近用户真实需求，使得用户在使用过程中无需付出太多的主动性操作即可达到信息利用率最大化；同时实时采用云平台预存促销方案，实现了云端运用，很大程度上降低了商家制定和/或选择促销方案的成本。具体而言，本专利技术首先在云平台预备好多个用户画像的画像数据库，以及多个促销方案的促销方案数据库，再通过采集各个用户端的样本用户画像，将用户特征信息发送至后端云平台进行计算，从而云平台通过计算将与用户特征对应的促销方案反馈至用户端，用户端将促销方案在Web、APP应用对用户进行个性化推荐的促销。当然，本领域技术人员也应当理解，使用该推荐的商用环境不仅仅限定于手机、平板等硬件，如将其方法整合其他设备中，也均应涵盖在本专利技术的权利范围内；如当本专利技术提供的方法应用领域涉及在公共设备或者娱乐设备时，同理可针对用户进行促销，如无人售货机、汽车、电视、可穿戴设备等，此时用户端应该等同于该类设备，用户在使用该类设备时，设备可通过实时授权访问的形式收集用户的样本用户画像，从而对用户实现智能化个性推荐。当本专利技术提供的方法应用领域涉及在交通工具时，可随着用户端周边的环境变化，即所获取的样本用户画像的变化，可实时根据用户画像的地理位置信息，推荐周边店铺所举行的促销方案，给予用户更精确的促销方案，同时使得信息的传递率高效化，从而带来更智能化的交互体验。通过上述，该专利技术所提出的方法并不局限于某一应用场景，在应用范围上不具备创造性的扩展也应涵盖于本专利技术的权利范围内。2、通过综合环境信息、用户特征计算、历史促销记录并计算其和促销方本文档来自技高网...

【技术保护点】
1.一种智能生成个性化组合促销方案的方法，用于人机互动并针对用户画像个性化推荐促销方案，其特征在于，包括云平台、用户端；/n所述智能生成个性化组合促销方案的方法包括以下步骤：/n步骤S1：在云平台预先创建包括有多个用户画像的画像数据库，以及多个促销方案的促销方案数据库，基于画像数据库中的用户画像，建立其所对应的促销方案规则的预训练数学模型；/n步骤S2：通过用户端获取用户特征、浏览行为、设备信息，获取用户的样本用户画像；及/n步骤S3：所述预训练数学模型通过相似度计算，以将其对应样本用户画像的促销方案推荐至用户，并记录用户对所推荐的促销方案的反馈结果，将其作为样本值进行训练以对预训练数学模型进行优化。/n

【技术特征摘要】
1.一种智能生成个性化组合促销方案的方法，用于人机互动并针对用户画像个性化推荐促销方案，其特征在于，包括云平台、用户端；
所述智能生成个性化组合促销方案的方法包括以下步骤：
步骤S1：在云平台预先创建包括有多个用户画像的画像数据库，以及多个促销方案的促销方案数据库，基于画像数据库中的用户画像，建立其所对应的促销方案规则的预训练数学模型；
步骤S2：通过用户端获取用户特征、浏览行为、设备信息，获取用户的样本用户画像；及
步骤S3：所述预训练数学模型通过相似度计算，以将其对应样本用户画像的促销方案推荐至用户，并记录用户对所推荐的促销方案的反馈结果，将其作为样本值进行训练以对预训练数学模型进行优化。


2.如权利要求1所述的智能生成个性化组合促销方案的方法，其特征在于，
所述步骤S1包括：
步骤S101：预先通过人工采集用户的用户特征、浏览行为、设备信息，并对其进行预处理以及标准化；
步骤S102：基于步骤S101，建立深度学习的卷积神经网络模型以对用户进行分类并标记标签，从而形成用户画像；
步骤S103：将不同的促销方案抽象成词，利用深度学习的Word2vec模型将促销方案训练为特征向量；及
步骤S104：基于步骤S101~步骤S103，建立用户的协同过滤模型，通过行向量和/或列向量进行相似度计算，从而获得预训练数学模型。


3.如权利要求1中所述智能生成个性化组合促销方案的方法，
所述步骤S2中，用户特征包括性别、昵称、头像、年龄段、职业、收入水平、籍贯、当前位置、居住地的任一种或者多种的组合；
浏览行为包括浏览器的创建和消除、鼠标滚轮滑动以及点击、页面停留时间、购买、滑窗、收藏、关注、添加购物车的任一种或者多种的组合。


4.如权利要求1所述的智能生成个性化组合促销方案的方法，其特征在于，
所述步骤S2中，其中获取所述浏览行为的方法为：
步骤S201：收集每个页面的停留时间以及页面内容信息；
步骤S202：对页面内容进行文本分析，获得页面的特征项；
步骤S203：根据页面停留时间和特征项，分析出用户对每个特征项的兴趣程度，得到用...

【专利技术属性】
技术研发人员：陈包容，
申请(专利权)人：陈包容，
类型：发明
国别省市：湖南;43