【技术实现步骤摘要】
本专利技术涉及鞋类数据管理，具体为基于ai模型的鞋类数据管理方法及系统。
技术介绍
1、随着科技的飞速发展，互联网已经深入我们生活的每一个角落。网络技术的不断革新，不仅改变了我们的工作方式，也极大地改变了我们的生活方式。其中网络购物就是这种变化的一个明显例证；随着互联网技术和电子商务的兴起，网上购物已经成为一种越来越普遍的购物方式。无论是在电脑还是移动设备上，随时随地都可以方便地进行网上购物，给消费者带来了极大的便利。
2、在现有的技术下，用户在网上进行购物时由于鞋类款式多样并且存在鞋类尺码不标准等原因，导致不同的鞋子尺码也会不同，使得用户在对鞋码选择方面造成一定的困难，并且提高了商品的退换率。
技术实现思路
1、本专利技术的目的在于提供基于ai模型的鞋类数据管理方法及系统，以解决上述
技术介绍
中提出的问题。
2、为了解决上述技术问题，本专利技术提供如下技术方案：基于ai模型的鞋类数据管理方法，所述鞋类数据管理方法具体包括以下步骤：
3、s100、当消费平台接收到实时用户的购买需求时生成需求属性特征，并且数据管理系统获取消费平台中用户个人历史购买记录；基于所述需求属性特征对用户个人历史购买记录进行筛选生成历史数据集；
4、s200、基于所述历史数据集以及消费平台中用户的购买需求构建ai模型，通过ai模型对用户购买码数进行分析并且对用户进行码数推荐；
5、s300、基于所述历史数据集以及用户的实际购买情况对用户退换货的概率进行
6、s400、通过所述用户退换货的概率对商品存放空间进行标记，依据所述标记结果对商品库存管理进行决策。
7、进一步的，所述s100中对用户个人历史购买记录进行筛选生成历史数据集的具体方法如下：
8、s101、消费平台接收到实时用户的购买需求时，通过实时用户的购买需求生成需求属性特征集为sa，其中需求属性特征集为实时用户需要购买的物品的特性，例如：衣物、鞋子、饰品等具备的特征属性，数据管理系统获取消费平台中用户个人历史购买记录并提取出历史购买物品的属性特征集为si，i＝1、2、3...i，i表示为用户在消费平台中历史购买次数；根据公式：lai＝|sa∩si|/|sa∪si|＝|sa∩si|/(|sa|+|si|-|sa∩si|)，计算得到实时用户的需求属性特征集与历史购买物品的属性特征集之间的相似度，lai表示为需求属性特征集sa与用户第i次在消费平台中购买物品的属性特征集之间的相似度；
9、s102、当lai≥l’时，说明用户的购买需求与消费平台中用户第i次历史购买物品的属性特征相似，即实时用户想要购买的物品与用户在消费平台中第i次历史购买物品为同类型物品，对用户在消费平台中第i次历史购买物品进行标记，并且提取出历史购买物品的数据信息；当lai＜l’时，说明用户的购买需求与消费平台中用户第i次的历史购买物品不相似，即实时用户想要购买的物品与用户在消费平台中第i次历史购买物品为不同类型物品，对用户在消费平台中第i次历史购买物品进行剔除；
10、s103、对消费平台中用户个人历史购买记录进行遍历，得到历史数据集为si’，si’表示为筛选后第i’个历史购买物品数据集，i’＝1、2、3...i’，i’表示为与实时用户的购买需求相似的历史购买物品的数量且i’≤i。
11、进一步的，所述s200中构建ai模型并且通过ai模型对用户购买码数进行分析的具体方法如下：
12、s201、对历史数据集si’进行预处理，并且构建ai模型，将用户购买物品交易成功的历史样本数据集输入前馈神经网络模型的输入层，将用户购买物品交易成功的对应码数的历史样本数据送入到前反馈神经网络模型的输出层，通过对历史样本数据集进行训练得到ai模型；
13、s203、基于ai模型：yj’＝q(gj’)，ga＝∑ωtj’xt-θj’，将实时用户需要购买物品的数据集输入到ai模型输出得到推荐码数，其中q(gj’)表示为激活函数，yj’表示为用户购买物品交易成功的对应码数，xt表示为用户购买物品交易成功的历史样本数据集，ωtj’表示为xt到yj’的连接权值，θj’表示为偏置项；其中j’＝1、2、3...j’，j’表示为输出数量，t＝1、2、3...t，t表示为输入数量。
14、进一步的，所述s300中基于用户个人历史购买记录以及实时用户的实际购买情况对用户退换货概率进行分析的具体方法如下：
15、s301、通过对历史数据集si’进行分析，历史数据集si’中包括了历史购买物品的购买信息，例如：交易时间、订单号、交易完成、物品退货等，所以获取得到用户在消费平台中历史购买物品的处理结果，所述历史购买物品的处理结果包括交易完成、物品退货和物品换货三种处理结果，令交易完成的历史购买物品特征向量为集合pj，令用户产生物品退货以及物品换货两种行为的历史购买物品特征向量分别为集合pn和pr；
16、s302、构建用户画像：
17、hu＝αu0+(β/|pj|)*∑kj∈pjkj-(γ/|pn|)*∑kn∈pnkn-(δ/|pr|)*∑kr∈prkr
18、计算得到实时用户u的用户画像向量，通过用rocchio算法构建用户画像向量时，通常假设该向量与用户完成交集的历史购买物品特征之间的相关性最大，与用户产生退换货行为的历史购买物品特征之间的相关性最小；其中u0表示为实时用户的初始特征向量，α、β、γ、δ分别表示为用户初始特征向量、正反馈以及负反馈的权重比；|pj|、|pn|和|pr|分别表示为交易完成、退换货的历史购买物品特征向量集合中的元素个数，因为在实际应用中正反馈的重要性比负反馈的大，并且在构建用户画像时物品退货的重要性比物品换货的重要性大，所以β＞γ＞δ，kj表示为第j个历史购买物品的特征向量，kn表示为第n个历史购买物品的特征向量，kr表示为第r个历史购买物品的特征向量；
19、s303、根据公式：
20、e(u，m)＝|hu|*(∑εumc-∑ηumv-∑λumz)
21、计算得到实时用户u对购买物品m的匹配程度，其中|hu|为用户u的用户画像向量的模值，umc表示为购买物品m的特征向量与集合pj中历史购买物品c特征向量的相似度，umv表示为购买物品m的特征向量与集合pn中历史购买物品v特征向量的相似度，umz表示为购买物品m的特征向量与集合pr中历史购买物品z特征向量的相似度；ε、η和λ为用户购买物品与历史购买物品之间特征向量相似度的权值；基于所述实时用户u对购买物品m的匹配程度计算得到退换货概率为f＝1/e(u，m)。
22、进一步的，所述s400中依据所述标记结果对商品库存管理进行决策的具体方法如下：当f小于等于预设概率阈值f时，说明物品m与实时用户的匹配度高，用户退换货的概率低，即无需对商品存放空间进行标记，并且在库存中空出商品的存放空间，避免由于仓库爆仓等原因导致存放空间不够使得商品损坏本文档来自技高网...
【技术保护点】
1.基于AI模型的鞋类数据管理方法，其特征在于：所述鞋类数据管理方法具体包括以下步骤：
2.根据权利要求1所述的基于AI模型的鞋类数据管理方法，其特征在于：所述S100中对用户个人历史购买记录进行筛选生成历史数据集的具体方法如下：
3.根据权利要求2所述的基于AI模型的鞋类数据管理方法，其特征在于：所述S200中构建AI模型并且通过AI模型对进行个性化分析推荐的具体方法如下：
4.根据权利要求3所述的基于AI模型的鞋类数据管理方法，其特征在于：所述S300中基于用户个人历史购买记录以及用户的实际购买情况对用户退换货概率进行分析的具体方法如下：
5.根据权利要求4所述的基于AI模型的鞋类数据管理方法，其特征在于：所述S400中依据所述标记结果对商品库存管理进行决策的具体方法如下：当f小于等于预设概率阈值F时，无需对商品存放空间进行标记，并且在库存中空出商品的存放空间；当f大于预设概率阈值F时，进行告警提醒对商品存放空间进行标记，在库存中预留出商品的存放空间，并且在商品退货后第一时间进行签收检查，确保能够及时完成售后服务。
7.根据权利要求6所述的基于AI模型的鞋类数据管理系统，其特征在于：所述数据采集模块包括用户购买需求采集单元和历史购买记录采集单元；所述用户购买需求采集单元是用于采集用户的购买需求；所述历史购买记录采集单元是用于采集用户在消费平台中的历史购买记录。
8.根据权利要求7所述的基于AI模型的鞋类数据管理系统，其特征在于：所述数据分析模块包括历史购买记录筛选单元、模型构建单元和码数推荐单元；所述历史购买记录筛选单元是依据用户要购买的物品与用户在消费平台中历史购买物品进行种类筛选，并且提取出历史购买物品的数据信息；所述模型构建单元是基于历史购买记录构建AI模型；所述码数推荐单元是依据AI模型对用户的码数进行推荐。
9.根据权利要求8所述的基于AI模型的鞋类数据管理系统，其特征在于：所述库存监管模块包括退换货概率分析单元和库存存放空间监管单元；所述退换货概率分析单元是分析用户在购买商品之后退换货的概率；所述库存存放空间监管单元是对商品在库存中的存放空间进行管理，当退换货概率小于等于预设概率阈值，对库存中商品的存放空间进行释放；当退换货概率大于预设概率阈值，在库存中预留出商品的存放空间。
10.根据权利要求9所述的基于AI模型的鞋类数据管理系统，其特征在于：所述告警提醒模块包括决策单元和告警提醒单元；所述决策单元是对商品在库存中的存放空间的释放和预留进行决策；所述告警提醒单元是当商品退换货的概率大于预设概率阈值时进行告警提醒。
...【技术特征摘要】
1.基于ai模型的鞋类数据管理方法，其特征在于：所述鞋类数据管理方法具体包括以下步骤：
2.根据权利要求1所述的基于ai模型的鞋类数据管理方法，其特征在于：所述s100中对用户个人历史购买记录进行筛选生成历史数据集的具体方法如下：
3.根据权利要求2所述的基于ai模型的鞋类数据管理方法，其特征在于：所述s200中构建ai模型并且通过ai模型对进行个性化分析推荐的具体方法如下：
4.根据权利要求3所述的基于ai模型的鞋类数据管理方法，其特征在于：所述s300中基于用户个人历史购买记录以及用户的实际购买情况对用户退换货概率进行分析的具体方法如下：
5.根据权利要求4所述的基于ai模型的鞋类数据管理方法，其特征在于：所述s400中依据所述标记结果对商品库存管理进行决策的具体方法如下：当f小于等于预设概率阈值f时，无需对商品存放空间进行标记，并且在库存中空出商品的存放空间；当f大于预设概率阈值f时，进行告警提醒对商品存放空间进行标记，在库存中预留出商品的存放空间，并且在商品退货后第一时间进行签收检查，确保能够及时完成售后服务。
6.基于ai模型的鞋类数据管理系统，其特征在于：所述鞋类数据管理系统包括数据采集模块、数据分析模块、库存监管模块和告警提醒模块；所述数据采集模块的输出端与数据分析模块的输入端连接，所述数据分析模块的输出端与库存监管模块的输入端连接，所述库存监管模块的输出端与告警提醒模块的输入端连接；所述数据采集模块是用于接收用户的购买需求以及采集用户在消费平台中的历史购买记录；所述数据分析模块是用于对历史购买记录进行筛选并且对用户进行码数...
【专利技术属性】
技术研发人员：王雄，葛明明，谢林林，
申请(专利权)人：浙江惠利玛产业互联网有限公司，
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。