System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及电商数据分析领域,且更为具体地,涉及一种基于大数据的电商数据分析系统及其方法。
技术介绍
1、随着电子商务的迅速发展,电商平台上的商品种类繁多,竞争激烈。为了提高销售效益,电商企业需要进行电商数据的分析,以便于及时了解市场价格的变动情况,从而制定有效的销售和定价策略。
2、然而,传统电商数据分析系统通常需要人工使用简单的统计方法和规则来分析数据,这无法充分挖掘数据中的潜在模式和关联关系,限制了对复杂市场环境的深入理解和准确预测。并且,人工处理的方式效率低下且容易出现错误,无法满足实时性和大规模数据处理的需求。此外,传统的电商数据分析系统可能只能使用有限的数据源,如内部销售数据或少数公开数据,这限制了对市场和竞争情况的全面了解,影响了决策的准确性和可靠性。
3、因此,期望一种基于大数据的电商数据分析系统。
技术实现思路
1、有鉴于此,本申请提出了一种基于大数据的电商数据分析系统及其方法,其可以自动监测市场商品的价格变动,并根据竞价情况实时调整定价策略,从而帮助电商企业提高销售效益。
2、根据本申请的一方面,提供了一种基于大数据的电商数据分析系统,其包括:
3、竞品价格数据采集模块,用于获取由互联网采集的多个竞争方在预定时间周期内多天的竞品价格;
4、竞品价格时序排列模块,用于将所述多个竞争方在预定时间周期内多天的竞品价格分别按照时间维度排列为输入向量以得到多个竞品价格时序输入向量;
5、竞品价格时序特征
6、竞争方间竞品价格关联特征分析模块,用于对所述多个竞品价格时序特征向量进行竞争方间竞品价格关联特征分析以得到竞品价格局部关联特征图;
7、竞品价格关联特征自注意力强化模块,用于将所述竞品价格局部关联特征图通过自注意力强化模块以得到自强化竞品价格局部关联特征;以及
8、定价策略调整模块,用于基于所述自强化竞品价格局部关联特征,确定定价策略调整意见标签。
9、进一步地,所述基于深度神经网络模型的竞品价格时序特征提取器为基于一维卷积层的竞品价格时序特征提取器。
10、进一步地,所述竞争方间竞品价格关联特征分析模块,用于:
11、将所述多个竞品价格时序特征向量按照时间维度排列为竞品价格全局时序特征矩阵后,将所述竞品价格全局时序特征矩阵通过基于卷积层的竞争方间竞品价格关联特征提取器以得到所述竞品价格局部关联特征图。
12、进一步地,所述竞品价格关联特征自注意力强化模块,包括:
13、第一卷积单元,用于将所述竞品价格局部关联特征图通过所述自注意力强化模块的第一卷积层以得到第一特征图;
14、第二卷积单元,用于将所述第一特征图通过所述自注意力强化模块的第二卷积层以得到第二特征图;
15、展开单元,用于将所述第二特征图沿通道维度的各个特征矩阵展开为特征向量以得到第一特征向量的序列;
16、余弦相似度计算单元,用于计算所述第一特征向量的序列中的任意两个第一特征向量之间的余弦相似度以得到余弦相似性特征图;
17、归一化单元,用于将所述余弦相似性特征图通过softmax函数进行归一化处理以得到归一化余弦相似性特征图;
18、按位置点乘单元,用于将所述归一化余弦相似性特征图与所述余弦相似性特征图进行按位置点乘以得到相似度映射优化特征图;
19、第一反卷积单元,用于将所述相似度映射优化特征图通过所述自注意力强化模块的第一反卷积层以得到第一反卷积特征图;
20、一次逐元素和单元,用于计算所述第一反卷积特征图和所述第一特征图的逐元素和以得到第一融合特征图;
21、第二反卷积单元,用于将所述第一融合特征图通过所述自注意力强化模块的第二反卷积层以得到第二反卷积特征图;以及
22、二次逐元素和单元,用于计算所述第二反卷积特征图和所述竞品价格局部关联特征图的逐元素和以得到自强化竞品价格局部关联特征图作为所述自强化竞品价格局部关联特征。
23、进一步地,所述定价策略调整模块,包括:
24、特征分布优化单元,用于对所述自强化竞品价格局部关联特征图进行特征优化以得到优化自强化竞品价格局部关联特征图;以及
25、定价策略调整意见生成单元,用于将所述优化自强化竞品价格局部关联特征图通过分类器以得到分类结果,所述分类结果用于表示定价策略调整意见标签。
26、进一步地,所述定价策略调整意见生成单元,包括:
27、展开子单元,用于将所述优化自强化竞品价格局部关联特征图按照行向量或列向量展开为优化自强化竞品价格局部关联特征向量;
28、全连接编码子单元,用于使用所述分类器的全连接层对所述优化自强化竞品价格局部关联特征向量进行全连接编码以得到编码分类特征向量;以及
29、分类子单元,用于将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。
30、进一步地,所述定价策略调整意见标签包括保持定价、提高定价和降低定价。
31、根据本申请的另一方面,提供了一种基于大数据的电商数据分析方法,其包括:
32、获取由互联网采集的多个竞争方在预定时间周期内多天的竞品价格;
33、将所述多个竞争方在预定时间周期内多天的竞品价格分别按照时间维度排列为输入向量以得到多个竞品价格时序输入向量;
34、通过基于深度神经网络模型的竞品价格时序特征提取器对所述多个竞品价格时序输入向量进行特征提取以得到多个竞品价格时序特征向量;
35、对所述多个竞品价格时序特征向量进行竞争方间竞品价格关联特征分析以得到竞品价格局部关联特征图;
36、将所述竞品价格局部关联特征图通过自注意力强化模块以得到自强化竞品价格局部关联特征;以及
37、基于所述自强化竞品价格局部关联特征,确定定价策略调整意见标签。
38、进一步地,所述基于深度神经网络模型的竞品价格时序特征提取器为基于一维卷积层的竞品价格时序特征提取器。
39、进一步地,对所述多个竞品价格时序特征向量进行竞争方间竞品价格关联特征分析以得到竞品价格局部关联特征图,包括:
40、将所述多个竞品价格时序特征向量按照时间维度排列为竞品价格全局时序特征矩阵后,将所述竞品价格全局时序特征矩阵通过基于卷积层的竞争方间竞品价格关联特征提取器以得到所述竞品价格局部关联特征图。
41、本申请首先将多个竞争方在预定时间周期内多天的竞品价格分别按照时间维度排列为输入向量以得到多个竞品价格时序输入向量,然后,通过基于深度神经网络模型的竞品价格时序特征提取器对所述多个竞品价格时序输入向量进行特征提取以得到多个竞品价格时序本文档来自技高网...
【技术保护点】
1.一种基于大数据的电商数据分析系统,其特征在于,包括:
2.根据权利要求1所述的基于大数据的电商数据分析系统,其特征在于,所述基于深度神经网络模型的竞品价格时序特征提取器为基于一维卷积层的竞品价格时序特征提取器。
3.根据权利要求2所述的基于大数据的电商数据分析系统,其特征在于,所述竞争方间竞品价格关联特征分析模块,用于:
4.根据权利要求3所述的基于大数据的电商数据分析系统,其特征在于,所述竞品价格关联特征自注意力强化模块,包括:
5.根据权利要求4所述的基于大数据的电商数据分析系统,其特征在于,所述定价策略调整模块,包括:
6.根据权利要求5所述的基于大数据的电商数据分析系统,其特征在于,所述定价策略调整意见生成单元,包括:
7.根据权利要求6所述的基于大数据的电商数据分析系统,其特征在于,所述定价策略调整意见标签包括保持定价、提高定价和降低定价。
8.一种基于大数据的电商数据分析方法,其特征在于,包括:
9.根据权利要求8所述的基于大数据的电商数据分析方法,其特征在于,所述基于
10.根据权利要求9所述的基于大数据的电商数据分析方法,其特征在于,对所述多个竞品价格时序特征向量进行竞争方间竞品价格关联特征分析以得到竞品价格局部关联特征图,包括:
...【技术特征摘要】
1.一种基于大数据的电商数据分析系统,其特征在于,包括:
2.根据权利要求1所述的基于大数据的电商数据分析系统,其特征在于,所述基于深度神经网络模型的竞品价格时序特征提取器为基于一维卷积层的竞品价格时序特征提取器。
3.根据权利要求2所述的基于大数据的电商数据分析系统,其特征在于,所述竞争方间竞品价格关联特征分析模块,用于:
4.根据权利要求3所述的基于大数据的电商数据分析系统,其特征在于,所述竞品价格关联特征自注意力强化模块,包括:
5.根据权利要求4所述的基于大数据的电商数据分析系统,其特征在于,所述定价策略调整模块,包括:
6.根据权利要求5所述的基于大数...
【专利技术属性】
技术研发人员:曾高,李洪明,刘彪,刘湖,刘丹,钟星,王德发,刘得彪,何备,凌宇,张玉婷,
申请(专利权)人:长沙八穆科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。