一种基于人工智能的商品推荐系统及方法与流程

1.本发明涉及人工智能技术领域，具体涉及一种基于人工智能的商品推荐系统及方法。


背景技术：

2.随着科技的进步、市场经济的发展和人们生活水平的提高，出现了大量的商品，不仅商品的种类多，而且不同种类下具有同样性能或者类似性能的商品特别多，顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。
3.为了解决这些问题，个性化推荐系统应运而生，它是根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户。和搜索引擎相比推荐系统通过研究用户的兴趣偏好，进行个性化计算，由系统发现用户的兴趣点，从而引导用户发现自己的信息需求。一个好的推荐系统不仅能为用户提供个性化的服务，还能和用户之间建立密切关系，让用户对推荐产生依赖。个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。
4.但现有的商品推荐方法，通常只通过跟踪用户在线上的商品浏览记录、消费记录等来推荐相关商品，而忽略了其他影响因素；同时，现有系统的推荐形式也不够智能，用户体验不到购物的乐趣。


技术实现要素：

5.本发明正是基于上述问题，提出了一种基于人工智能的商品推荐系统及方法，通过虚拟商场构建模块、商品数据获取模块、商品分类模块、用户数据获取模块、数据处理模块、用户模型构建模块、商品推荐模块和显示模块的设置，不仅能实现精准地商品推荐，而且能提供身临其境般的线上购物体验，进一步地满足了用户的购物需求。
6.有鉴于此，本发明的一方面提出了一种基于人工智能的商品推荐系统，包括虚拟商场构建模块、商品数据获取模块、商品分类模块、用户数据获取模块、数据处理模块、用户模型构建模块、商品推荐模块和显示模块；
7.所述虚拟商场构建模块，用于根据获取的实体商场的商场建筑数据和用户对所述实体商场的商场喜好数据建立虚拟商场的商场三维模型；其中，所述商场三维模型包括各店铺的店铺三维模型；
8.所述商品数据获取模块，用于获取商品数据，其中，所述商品数据包括商品编号、商品属性、商品图像和商品品牌类别；
9.所述商品分类模块，用于将所述商品数据输入第一卷积神经网络对商品进行分类得到商品分类数据；
10.所述数据处理模块，用于处理所述商品数据和所述商品分类数据得到商品展示数据，将所述商品展示数据与对应的所述店铺三维模型关联；
11.所述用户数据获取模块，用于获取用户数据，其中，所述用户数据包括用户编号、用户购物地点、用户购物时间、交互商品编号和交互行为；
12.所述用户模型构建模块，用于根据所述用户数据和第二卷积神经网络构建用户模型；
13.所述商品推荐模块，用于建立用户偏好商品库以及向所述用户进行商品推荐；
14.所述显示模块，用于将购物入口显示在用户终端的界面供所述用户选择；
15.所述显示模块，还用于在用户选择购物入口后，以所述用户的第一视角形式显示所述商场三维模型；
16.所述显示模块，还用于在接收用户的店铺选择指令后，以所述用户的第一视角形式显示所述店铺三维模型及店铺内的商品的三维图像。
17.可选地，所述用户模型构建模块用于根据所述用户数据和第二卷积神经网络构建用户模型，具体是：
18.将所述用户数据输入所述第二卷积神经网络，根据所述交互商品编号和所述交互行为，获得所述用户基于不同的购物地点和/或不同的购物时间的用户购物特征数据；
19.根据所述用户购物特征数据和所述用户数据构建所述用户模型。
20.可选地，所述商品分类模块用于将所述商品数据输入第一卷积神经网络对商品进行分类得到商品分类数据，包括：
21.从预先获取的商品库中确定任意的商品为当前商品，所述商品库中的其他商品为参考商品；
22.基于所述当前商品的所述商品数据构建当前商品向量，基于所述参考商品的所述商品数据分别构建各参考商品向量；
23.分别计算所述当前商品向量与每个所述参考商品向量之间的相似度，并确定其相似度大于相似度阈值的所述参考商品向量对应商品为相似商品；
24.所述商品推荐模块用于建立用户偏好商品库以及向所述用户进行商品推荐，具体是：
25.从所述用户模型中获取用户特征向量，将所述用户特征向量与所述当前商品向量计算出关联值，当所述关联值大于关联值阈值时，确定所述当前商品向量对应的商品及相似商品为所述用户偏好商品库；
26.生成所述用户偏好商品库中的各个商品的三维图像并同步至对应的所述店铺三维模型。
27.可选地，还包括商场建筑数据获取模块；所述商场建筑数据获取模块用于识别实体商场建筑图纸和实地照片，并提取出所述商场建筑数据；
28.所述虚拟商场构建模块用于根据获取的实体商场的商场建筑数据和用户对所述实体商场的商场喜好数据建立虚拟商场的商场三维模型，具体是：
29.根据获取的实体商场的商场建筑数据和用户对所述实体商场的商场喜好数据建立所述虚拟商场bim模型；
30.将所述虚拟商场bim模型经解析、转换、渲染、轻量化后，导入三维建模软件，生成所述商场三维模型。
31.可选地，还包括个性化定制模块；
32.所述个性化定制模块用于根据所述用户偏好商品库和所述用户模型，生成待定制商品模型；
33.根据所述待定制商品模型构建所述待定制产品的三维图像；
34.并将所述待定制产品的三维图像同步至对应的所述店铺三维模型。
35.本发明的另一方面提出一种基于人工智能的商品推荐方法，应用于基于人工智能的商品推荐系统，所述基于人工智能的商品推荐系统包括虚拟商场构建模块、商品数据获取模块、商品分类模块、用户数据获取模块、数据处理模块、用户模型构建模块、商品推荐模块和显示模块；所述方法包括：
36.根据获取的实体商场的商场建筑数据和用户对所述实体商场的商场喜好数据建立虚拟商场的商场三维模型；其中，所述商场三维模型包括各店铺的店铺三维模型；
37.获取商品数据，所述商品数据包括商品编号、商品属性、商品图像和商品品牌类别；
38.将所述商品数据输入第一卷积神经网络对商品进行分类得到商品分类数据；
39.根据所述商品数据和所述商品分类数据得到商品展示数据，将所述商品展示数据与对应的所述店铺三维模型关联；
40.获取用户数据，所述用户数据包括用户编号、用户购物地点、用户购物时间、交互商品编号和交互行为；
41.根据所述用户数据和第二卷积神经网络构建用户模型；
42.建立用户偏好商品库以及向所述用户进行商品推荐；
43.将购物入口显示在用户终端的界面供所述用户选择；
44.所在用户选择购物入口后，以所述用户的第一视角形式显示所述商场三维模型；
45.在接收用户的店铺选择指令后，以所述用户的第一视角形式显示所述店铺三维模型及店铺内的商品的三维图像。
46.可选地，在所述根据所述用户数据和第二卷积神经网络构建用户模型的步骤中，具体是：
47.将所述用户数据输入所述第二卷积神经网络，根据所述交互商品编号和所述交互行为，获得所述用户基于不同的购物地点和/或不同的购物时间的用户购物特征数据；
48.根据所述用户购物特征数据和所述用户数据构建所述用户模型。
49.可选地，所述将所述商品数据输入第一卷积神经网络对商品进行分类得到商品分类数据的步骤，包括：
50.从预先获取的商品库中确定任意的商品为当前商品，所述商品库中的其他商品为参考商品；
51.基于所述当前商品的所述商品数据构建当前商品向量，基于所述参考商品的所述商品数据分别构建各参考商品向量；
52.分别计算所述当前商品向量与每个所述参考商品向量之间的相似度，并确定其相似度大于相似度阈值的所述参考商品向量对应商品为相似商品；
53.所述建立用户偏好商品库以及向所述用户进行商品推荐的步骤具体是：
54.从所述用户模型中获取用户特征向量，将所述用户特征向量与所述当前商品向量计算出关联值，当所述关联值大于关联值阈值时，确定所述当前商品向量对应的商品及相
似商品为所述用户偏好商品库；
55.生成所述用户偏好商品库中的各个商品的三维图像并同步至对应的所述店铺三维模型。
56.可选地，所述方法还包括步骤：识别实体商场建筑图纸和实地照片，并提取出所述商场建筑数据；
57.所述根据获取的实体商场的商场建筑数据和用户对所述实体商场的商场喜好数据建立虚拟商场的商场三维模型的步骤，具体是：
58.根据获取的实体商场的商场建筑数据和用户对所述实体商场的商场喜好数据建立所述虚拟商场bim模型；
59.将所述虚拟商场bim模型经解析、转换、渲染、轻量化后，导入三维建模软件，生成所述商场三维模型。
60.可选地，所述方法还包括步骤：
61.根据所述用户偏好商品库和所述用户模型，生成待定制商品模型；
62.根据所述待定制商品模型构建所述待定制产品的三维图像；
63.并将所述待定制产品的三维图同步至对应的所述店铺三维模型。
64.采用本发明的技术方案，基于人工智能的商品推荐系统设置虚拟商场构建模块、商品数据获取模块、商品分类模块、用户数据获取模块、数据处理模块、用户模型构建模块、商品推荐模块和显示模块。通过虚拟商场构建模块构建虚拟商场的三维模型、商品数据获取模块和商品分类模块实现相似商品的分类、用户数据获取模块和用户模型构建模块对用户进行特征提取与画像、商品推荐模块选择出与用户匹配的商品并由显示模块在用户终端上进行显示，不仅能实现精准地商品推荐，而且能提供身临其境般的线上购物体验，进一步地满足了用户的购物需求。
附图说明
65.图1是本发明一个实施例提供的基于人工智能的商品推荐系统的示意框图；
66.图2是本发明另一个实施例提供的基于人工智能的商品推荐方法流程图。
具体实施方式
67.为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
68.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
69.在本发明的描述中，术语“多个”则指两个或两个以上，除非另有明确的限定，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。术语“连接”、“安装”、“固定”等均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直
接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
70.在本说明书的描述中，术语“一个实施例”、“一些实施方式”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
71.下面参照图1至图2来描述根据本发明一些实施方式提供的一种基于人工智能的商品推荐系统及方法。
72.如图1所示，本发明一个实施例提供一种基于人工智能的商品推荐系统，包括：虚拟商场构建模块、商品数据获取模块、商品分类模块、用户数据获取模块、数据处理模块、用户模型构建模块、商品推荐模块和显示模块；
73.所述虚拟商场构建模块，用于根据获取的实体商场的商场建筑数据和用户对所述实体商场的商场喜好数据建立虚拟商场的商场三维模型；其中，所述商场三维模型包括各店铺的店铺三维模型；
74.所述商品数据获取模块，用于获取商品数据，其中，所述商品数据包括商品编号、商品属性、商品图像和商品品牌类别；
75.所述商品分类模块，用于将所述商品数据输入预先训练好的第一卷积神经网络对商品进行分类得到商品分类数据；
76.所述数据处理模块，用于处理所述商品数据和所述商品分类数据得到商品展示数据，将所述商品展示数据与对应的所述店铺三维模型关联；
77.所述用户数据获取模块，用于获取用户数据，其中，所述用户数据包括用户编号、用户购物地点、用户购物时间、交互商品编号和交互行为，所述交互行为包括点击产品、浏览、访问频次、收藏、添加到购物车、从购物车中移除、收藏、购买、分享、注册会员、领取购物券、退货、换货、投诉、退款、评论、刷卡、充值；
78.所述用户模型构建模块，用于根据所述用户数据和预先训练好的第二卷积神经网络构建用户模型；
79.所述商品推荐模块，用于建立用户偏好商品库以及向所述用户进行商品推荐；
80.所述显示模块，用于将购物入口显示在用户终端的界面供所述用户选择；
81.所述显示模块，还用于在用户选择购物入口后，以所述用户的第一视角形式显示所述商场三维模型；
82.所述显示模块，还用于在接收用户的店铺选择指令后，以所述用户的第一视角形式显示所述店铺三维模型及店铺内的商品的三维图像。
83.采用该实施例的技术方案，基于人工智能的商品推荐系统设置虚拟商场构建模块、商品数据获取模块、商品分类模块、用户数据获取模块、数据处理模块、用户模型构建模块、商品推荐模块和显示模块。通过虚拟商场构建模块构建虚拟商场的三维模型、商品数据
获取模块和商品分类模块实现相似商品的分类、用户数据获取模块和用户模型构建模块对用户进行特征提取与画像、商品推荐模块选择出与用户匹配的商品并由显示模块在用户终端上进行显示，不仅能实现精准地商品推荐，而且能提供身临其境般的线上购物体验，进一步地满足了用户的购物需求。
84.本技术的实施例可以基于人工智能技术对相关的数据进行获取和处理。人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。基于大数据和深度学习模型，能够根据用户的基本特征、浏览行为、访问频次、购买行为等信息构建用户画像，多维度了解用户的兴趣爱好、购买能力、消费习惯等，做到更清晰、全面地认识用户，而非简单地以区域分布、年龄、性别等人口统计学特征来划分用户。
85.应当知道的是，图1所示的基于人工智能的商品推荐系统的框图仅作示意，其所示出的各模块的数量并不对本发明的保护范围进行限定。
86.在本发明一些可能的实施方式中，所述用户模型构建模块用于根据所述用户数据和第二卷积神经网络构建用户模型，具体是：
87.将所述用户数据输入所述第二卷积神经网络，根据所述交互商品编号和所述交互行为，获得所述用户基于不同的购物地点和/或不同的购物时间的用户购物特征数据；
88.根据所述用户购物特征数据和所述用户数据构建所述用户模型。
89.可以理解的是，为了向用户推荐更贴合其需求的商品，在本发明的实施例中，将所述用户数据输入训练好的第二卷积神经网络，根据所述交互商品编号和所述交互行为，获得所述用户基于不同的购物地点和/或不同的购物时间的用户购物特征数据，需要说明的是，用户在不同的购物地点、不同一购物时间的交互行为可能存在较大的区别，如果不将其区分，可能影响最终向用户推荐商品的精度，例如用户在工作地点的浏览对象可能为办公用品或者同事推荐的商品，而在家浏览的对象可能更多不家居用品；而时间上的差异，更多体现在季节、节日等方面。因此，本发明的实施例中，会基于不同的购物地点和/或不同的购物时间，利用所述用户购物特征数据和所述用户数据构建多个所述用户模型。
90.在本发明一些可能的实施方式中，所述商品分类模块用于将所述商品数据输入第一卷积神经网络对商品进行分类得到商品分类数据，包括：
91.从预先获取的商品库中确定任意的商品为当前商品，所述商品库中的其他商品为参考商品；
92.基于所述当前商品的所述商品数据构建当前商品向量，基于所述参考商品的所述商品数据分别构建各参考商品向量；
93.分别计算所述当前商品向量与每个所述参考商品向量之间的相似度，并确定其相似度大于相似度阈值的所述参考商品向量对应商品为相似商品；
94.所述商品推荐模块用于建立用户偏好商品库以及向所述用户进行商品推荐，具体是：
95.从所述用户模型中获取用户特征向量，将所述用户特征向量与所述当前商品向量计算出关联值，当所述关联值大于关联值阈值时，确定所述当前商品向量对应的商品及相似商品为所述用户偏好商品库；
96.生成所述用户偏好商品库中的各个商品的三维图像并同步至对应的所述店铺三
维模型。
97.可以理解的是，从所述用户模型中获取的用户特征向量包含有用户对商品的喜好信息，将所述用户特征向量与所述当前商品向量进行向量计算，得到的关联值即为所述当前商品向量对应的商品与用户的匹配情况，关联值越大，则匹配度越高，说明所述当前商品向量对应的商品越接近用户的真实需求商品，从而可以把当前商品向量对应的商品及相似商品作为用户的偏好商品推荐给用户。通过计算所述当前商品向量与每个所述参考商品向量之间的相似度可以为预先获取的商品库中的每个商品确定其相似商品，从而实现对商品的精准分类，为后面利用所述用户特征向量与所述当前商品向量计算出关联度进而准确快速地选取出用户的偏好商品库提供了条件。
98.可以理解的是，在一些可能的实施例中，对所述用户模型与其他用户的用户模型进行相似度计算，当所述相似度在于预设的相似度阈值时，可以认定二者互为相似用户，可将与其他用户的用户模型相匹配的商品推荐给所述用户模型对应的用户。
99.在本发明一些可能的实施方式中，还包括商场建筑数据获取模块；所述商场建筑数据获取模块用于识别实体商场建筑图纸和实地照片，并提取出所述商场建筑数据；
100.所述虚拟商场构建模块用于根据获取的实体商场的商场建筑数据和用户对所述实体商场的商场喜好数据建立虚拟商场的商场三维模型，具体是：
101.根据获取的实体商场的商场建筑数据和用户对所述实体商场的商场喜好数据建立所述虚拟商场bim模型；
102.将所述虚拟商场bim模型经解析、转换、渲染、轻量化后，导入三维建模软件，生成所述商场三维模型。
103.可以理解的是，bim模型即建筑信息模型(building information modeling，bim)。进一步地，为了使得所述商场三维模型显得更真实逼真，所述实体商场建筑图纸可以通过从现有的资料库里调取，所述实地照片也可以通过带摄像头的无人机和机器人进行现场拍摄得到。建筑图纸主要包含建筑施工图、结构施工图、设备施工图、竣工图以及工程变更资料等，其中建筑施工图用来表示建筑物的规划位置、外部形状、内部各房间的布置情况，主要包括总平面图、平面图、立面图、剖面图和构造详图等；结构施工图用来表示建筑物承重结构的结构类型、结构布置、构件种类、数量等，主要包括结构平面布置图和各构件的结构详图等；设备施工图用来表示建筑物的给排水、暖气通风、供电照明等设备的布置和施工要求，主要包括给排水、采暖通风、电气等设备的平面布置图、系统图和安装详图；竣工图是根据施工实际情况绘制的图纸，包含了土建工程、房屋建筑工程、电气安装工程、给排水工程中管道的实际走向和其他设备的实际安装情况；可以根据建立三维模型的不同要求确定所需要的图纸类型，选择了实体商场的建筑图纸后，可以将图纸导入bim建模平台(如revit)，并根据用户对实体商场的喜好数据进行参数的修改，建立所述虚拟商场bim模型。
104.当然，也可以通过配置有三维激光扫描仪的无人机或机器人采集既有建筑的点云数据以获取实体商场的实际几何信息，基于点云数据建立的bim模型可表达既有建筑的真实几何信息和属性信息。获取实体商场的点云数据和图纸数据后，通过将图纸数据和点云数据导入至同一bim建模平台(如revit)并结合用户对实体商场的喜好数据完成bim建模，此方法解决了融合时数据信息丢失或结构变形等问题，提高了融合后的bim模型的准确性。
105.将所述虚拟商场bim模型经解析、转换、渲染、轻量化后，导入三维建模软件(如
smart3d)，生成所述商场三维模型。
106.在本发明一些可能的实施方式中，所述系统还包括个性化定制模块；
107.所述个性化定制模块用于根据所述用户偏好商品库和所述用户模型，生成待定制商品模型；
108.根据所述待定制商品模型构建所述待定制产品的三维图像；
109.并将所述待定制产品的三维图像同步至对应的所述店铺三维模型。
110.可以理解的是，为了给用户提供更贴合其需求的商品，所述系统还包括个性化定制模块以提供定制商品。根据所述用户偏好商品库，可以得到最接近用户需求的商品的数据；再从所述用户模型中得到用户的需求数据和兴趣数据，以此需求数据和兴趣数据对最接近用户需求的商品进行修正，生成待定制商品模型，进而构建所述待定制产品的三维图像，并将所述待定制产品的三维图像同步至对应的所述店铺三维模型，以在所述店铺三维模型展示所述待定制产品的三维图像，供用户浏览选择。
111.为了进一步获取用户的真实需求，在本发明的另一可能的实施例中，所述系统还包括配置有脑电波采集模块的智能头戴设备；所述用户终端为具有通信功能和显示功能的智能设备；
112.所述智能头戴设备可以通过的有线或无线网络连接所述智能设备，所述智能设备包括计算机、手机、掌上电脑等，所述智能头戴设备采集视觉刺激诱发的脑电信号，获得分析需要的数据；
113.所述智能设备配置有脑电波编译模块，其可接收所述脑电采集模块采集并发送的脑电信号，并对所述脑电信号进行分析，将分析后的信号编译成对所述用户交互行为进行标记的标记指令传输到所述智能设备；所述标记指令主要是用于标记所述用户交互行为，如根据表示“喜欢”的脑电信号的强弱，可以得到“非常喜欢”、“一般喜欢”、“不怎么喜欢”等程度的信息，所述智能设备可以此为准对所述用户交互行为进行标记。
114.所述智能设备收到编译后的所述标记指令，执行所述标记指令，并对收到的所述标记指令进行整理后储存。
115.所述智能设备将执行结果反馈给用户，用户可以对所述执行结果进行评价，以调整所述脑电波编译模块的工作准确率。
116.参见图2，本发明的另一实施例提出一种基于人工智能的商品推荐方法，应用于基于人工智能的商品推荐系统，所述基于人工智能的商品推荐系统包括虚拟商场构建模块、商品数据获取模块、商品分类模块、用户数据获取模块、数据处理模块、用户模型构建模块、商品推荐模块和显示模块；所述方法包括：
117.根据获取的实体商场的商场建筑数据和用户对所述实体商场的商场喜好数据建立虚拟商场的商场三维模型；其中，所述商场三维模型包括各店铺的店铺三维模型；
118.获取商品数据，所述商品数据包括商品编号、商品属性、商品图像和商品品牌类别；
119.将所述商品数据输入第一卷积神经网络对商品进行分类得到商品分类数据；
120.根据所述商品数据和所述商品分类数据得到商品展示数据，将所述商品展示数据与对应的所述店铺三维模型关联；
121.获取用户数据，所述用户数据包括用户编号、用户购物地点、用户购物时间、交互
商品编号和交互行为，所述交互行为包括点击产品、浏览、访问频次、收藏、添加到购物车、从购物车中移除、收藏、购买、分享、注册会员、领取购物券、退货、换货、投诉、退款、评论、刷卡、充值；
122.根据所述用户数据和第二卷积神经网络构建用户模型；
123.建立用户偏好商品库以及向所述用户进行商品推荐；
124.将购物入口显示在用户终端的界面供所述用户选择；
125.所在用户选择购物入口后，以所述用户的第一视角形式显示所述商场三维模型；
126.在接收用户的店铺选择指令后，以所述用户的第一视角形式显示所述店铺三维模型及店铺内的商品的三维图像。
127.采用该实施例的技术方案，基于人工智能的商品推荐系统设置虚拟商场构建模块、商品数据获取模块、商品分类模块、用户数据获取模块、数据处理模块、用户模型构建模块、商品推荐模块和显示模块。通过虚拟商场构建模块构建虚拟商场的三维模型、商品数据获取模块和商品分类模块实现相似商品的分类、用户数据获取模块和用户模型构建模块对用户进行特征提取与画像、商品推荐模块选择出与用户匹配的商品并由显示模块在用户终端上进行显示，不仅能实现精准地商品推荐，而且能提供身临其境般的线上购物体验，进一步地满足了用户的购物需求。
128.在本发明一些可能的实施方式中，在所述根据所述用户数据和第二卷积神经网络构建用户模型的步骤中，具体是：
129.将所述用户数据输入所述第二卷积神经网络，根据所述交互商品编号和所述交互行为，获得所述用户基于不同的购物地点和/或不同的购物时间的用户购物特征数据；
130.根据所述用户购物特征数据和所述用户数据构建所述用户模型。
131.可以理解的是，为了向用户推荐更贴合其需求的商品，在本发明的实施例中，将所述用户数据输入训练好的第二卷积神经网络，根据所述交互商品编号和所述交互行为，获得所述用户基于不同的购物地点和/或不同的购物时间的用户购物特征数据，需要说明的是，用户在不同的购物地点、不同一购物时间的交互行为可能存在较大的区别，如果不将其区分，可能影响最终向用户推荐商品的精度，例如用户在工作地点的浏览对象可能为办公用品或者同事推荐的商品，而在家浏览的对象可能更多不家居用品；而时间上的差异，更多体现在季节、节日等方面。因此，本发明的实施例中，会基于不同的购物地点和/或不同的购物时间，利用所述用户购物特征数据和所述用户数据构建多个所述用户模型。
132.在本发明一些可能的实施方式中，所述将所述商品数据输入第一卷积神经网络对商品进行分类得到商品分类数据的步骤，包括：
133.从预先获取的商品库中确定任意的商品为当前商品，所述商品库中的其他商品为参考商品；
134.基于所述当前商品的所述商品数据构建当前商品向量，基于所述参考商品的所述商品数据分别构建各参考商品向量；
135.分别计算所述当前商品向量与每个所述参考商品向量之间的相似度，并确定其相似度大于相似度阈值的所述参考商品向量对应商品为相似商品；
136.所述建立用户偏好商品库以及向所述用户进行商品推荐的步骤具体是：
137.从所述用户模型中获取用户特征向量，将所述用户特征向量与所述当前商品向量
计算出关联值，当所述关联值大于关联值阈值时，确定所述当前商品向量对应的商品及相似商品为所述用户偏好商品库；
138.生成所述用户偏好商品库中的各个商品的三维图像并同步至对应的所述店铺三维模型。
139.可以理解的是，从所述用户模型中获取的用户特征向量包含有用户对商品的喜好信息，将所述用户特征向量与所述当前商品向量进行向量计算，得到的关联值即为所述当前商品向量对应的商品与用户的匹配情况，关联值越大，则匹配度越高，说明所述当前商品向量对应的商品越接近用户的真实需求商品，从而可以把当前商品向量对应的商品及相似商品作为用户的偏好商品推荐给用户。通过计算所述当前商品向量与每个所述参考商品向量之间的相似度可以为预先获取的商品库中的每个商品确定其相似商品，从而实现对商品的精准分类，为后面利用所述用户特征向量与所述当前商品向量计算出关联度进而准确快速地选取出用户的偏好商品库提供了条件。
140.可以理解的是，在一些可能的实施例中，对所述用户模型与其他用户的用户模型进行相似度计算，当所述相似度在于预设的相似度阈值时，可以认定二者互为相似用户，可将与其他用户的用户模型相匹配的商品推荐给所述用户模型对应的用户。
141.在本发明一些可能的实施方式中，所述方法还包括步骤：识别实体商场建筑图纸和实地照片，并提取出所述商场建筑数据；
142.所述根据获取的实体商场的商场建筑数据和用户对所述实体商场的商场喜好数据建立虚拟商场的商场三维模型的步骤，具体是：
143.根据获取的实体商场的商场建筑数据和用户对所述实体商场的商场喜好数据建立所述虚拟商场bim模型；
144.将所述虚拟商场bim模型经解析、转换、渲染、轻量化后，导入三维建模软件，生成所述商场三维模型。
145.进一步地，为了使得所述商场三维模型显得更真实逼真，所述实体商场建筑图纸可以通过从现有的资料库里调取，所述实地照片也可以通过带摄像头的无人机和机器人进行现场拍摄得到。建筑图纸主要包含建筑施工图、结构施工图、设备施工图、竣工图以及工程变更资料等，其中建筑施工图用来表示建筑物的规划位置、外部形状、内部各房间的布置情况，主要包括总平面图、平面图、立面图、剖面图和构造详图等；结构施工图用来表示建筑物承重结构的结构类型、结构布置、构件种类、数量等，主要包括结构平面布置图和各构件的结构详图等；设备施工图用来表示建筑物的给排水、暖气通风、供电照明等设备的布置和施工要求，主要包括给排水、采暖通风、电气等设备的平面布置图、系统图和安装详图；竣工图是根据施工实际情况绘制的图纸，包含了土建工程、房屋建筑工程、电气安装工程、给排水工程中管道的实际走向和其他设备的实际安装情况；可以根据建立三维模型的不同要求确定所需要的图纸类型，选择了实体商场的建筑图纸后，可以将图纸导入bim建模平台(如revit)，并根据用户对实体商场的喜好数据进行参数的修改，建立所述虚拟商场bim模型。
146.当然，也可以通过配置有三维激光扫描仪的无人机或机器人采集既有建筑的点云数据以获取实体商场的实际几何信息，基于点云数据建立的bim模型可表达既有建筑的真实几何信息和属性信息。获取实体商场的点云数据和图纸数据后，通过将图纸数据和点云数据导入至同一bim建模平台(如revit)并结合用户对实体商场的喜好数据完成bim建模，
此方法解决了融合时数据信息丢失或结构变形等问题，提高了融合后的bim模型的准确性。
147.将所述虚拟商场bim模型经解析、转换、渲染、轻量化后，导入三维建模软件(如smart3d)，生成所述商场三维模型。
148.在本发明一些可能的实施方式中，所述方法还包括步骤：
149.根据所述用户偏好商品库和所述用户模型，生成待定制商品模型；
150.根据所述待定制商品模型构建所述待定制产品的三维图像；
151.并将所述待定制产品的三维图同步至对应的所述店铺三维模型。
152.可以理解的是，为了给用户提供更贴合其需求的商品，所述系统还包括个性化定制模块以提供定制商品。根据所述用户偏好商品库，可以得到最接近用户需求的商品的数据；再从所述用户模型中得到用户的需求数据和兴趣数据，以此需求数据和兴趣数据对最接近用户需求的商品进行修正，生成待定制商品模型，进而构建所述待定制产品的三维图像，并将所述待定制产品的三维图像同步至对应的所述店铺三维模型，以在所述店铺三维模型展示所述待定制产品的三维图像，供用户浏览选择。
153.为了进一步获取用户的真实需求，在本发明的另一可能的实施例中，所述系统还包括配置有脑电波采集模块的智能头戴设备；所述用户终端为具有通信功能和显示功能的智能设备；
154.所述智能头戴设备可以通过的有线或无线网络连接所述智能设备，所述智能设备包括计算机、手机、掌上电脑等，所述智能头戴设备采集视觉刺激诱发的脑电信号，获得分析需要的数据；
155.所述智能设备配置有脑电波编译模块，其可接收所述脑电采集模块采集并发送的脑电信号，并对所述脑电信号进行分析，将分析后的信号编译成对所述用户交互行为进行标记的标记指令传输到所述智能设备；所述标记指令主要是用于标记所述用户交互行为，如根据表示“喜欢”的脑电信号的强弱，可以得到“非常喜欢”、“一般喜欢”、“不怎么喜欢”等程度的信息，所述智能设备可以此为准对所述用户交互行为进行标记。
156.所述智能设备收到编译后的所述标记指令，执行所述标记指令，并对收到的所述标记指令进行整理后储存。
157.所述智能设备将执行结果反馈给用户，用户可以对所述执行结果进行评价，以调整所述脑电波编译模块的工作准确率。
158.应当说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
159.依照本发明的实施例如上文所述，这些实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施例。显然，根据以上描述，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地利用本发明以及在本发明基础上的修改使用。本发明仅受权利
要求书及其全部范围和等效物的限制。