一种基于商户画像分析的信息决策方法及系统与流程

本技术涉及数字化信息，具体而言，涉及一种基于商户画像分析的信息决策方法及系统。

背景技术：

1、随着互联网和电子商务的快速发展，商户在线行为数据已成为众多企业进行商户画像分析、营销决策以及产品推荐等方面的重要依据。然而，商户在线行为数据包括商户的在线行为以及这些行为之间的依赖关系，数据量大、复杂度高，如何有效地获取和理解这些数据，是目前面临的一大挑战。

2、传统的商户行为分析方法主要依赖于统计学或者机器学习方法，通过提取商户行为特征，然后基于这些特征进行商户意图画像分析。然而，这种方法存在两个主要问题：一是商户行为数据的复杂性和动态性使得特征提取困难；二是由于忽视了商户行为之间的依赖关系，这种方法无法准确捕获商户的真实意图。

3、因此，急需一种新的方法，能够有效地获取和理解商户在线行为数据，并基于此进行商户意图画像分析。

技术实现思路

1、有鉴于此，本技术的目的在于提供一种基于商户画像分析的信息决策方法及系统。

2、依据本技术的第一方面，提供一种基于商户画像分析的信息决策方法，应用于基于商户画像分析的信息决策系统，所述方法包括：

3、获取目标商户的商户在线行为数据，所述商户在线行为数据包括商户在线行为和行为依赖关系；

4、基于所述商户在线行为数据生成与所述商户在线行为数据对应的商户行为知识网络，所述商户行为知识网络包括所述商户在线行为对应的知识成员以及所述行为依赖关系对应的知识联系属性；

5、提取所述知识成员的第一知识成员描述向量和所述知识联系属性的第一知识联系属性描述向量，并基于所述知识成员的第一知识成员描述向量、所述知识联系属性的第一知识联系属性描述向量获取迭代式迁移传递的基础加载特征；

6、基于迭代式迁移传递网络中多个迁移传递单元，依据所述基础加载特征在所述知识联系属性上进行迭代式迁移传递，生成所述知识联系属性在经过迭代式迁移传递后的迭代动态特征，所述迭代式迁移传递网络还包括：知识成员描述单元和聚合单元；

7、基于所述迭代动态特征获取所述知识联系属性的目标知识联系向量，基于所述知识成员描述单元将所述知识联系属性的目标知识联系向量转化成所述商户行为知识网络中每个知识成员的知识成员描述向量，基于所述聚合单元对每个知识成员的知识成员描述向量进行聚合，生成所述商户行为知识网络的商户聚焦描述向量；

8、依据所述商户行为知识网络的商户聚焦描述向量对所述商户行为知识网络进行商户意图画像分析，生成目标商户的商户意图画像分析数据。

9、在第一方面的一种可能的实施方式中，基于迭代式迁移传递网络中多个迁移传递单元，依据所述基础加载特征在所述知识联系属性上进行迭代式迁移传递，生成所述知识联系属性在经过迭代式迁移传递后的迭代动态特征，包括：

10、将所述基础加载特征作为本轮迭代迁移传递的本次加载数据，并依据本次加载数据进行本轮迭代迁移传递，每一个迁移传递单元对应一轮次的迁移传递；

11、基于迭代式迁移传递网络中多个迁移传递单元，基于所述知识成员的第一知识成员描述向量、所述知识联系属性的当前知识联系属性描述向量以及过往迭代动态特征，获取所述知识联系属性在本轮迭代迁移传递时的当前迭代动态特征，所述过往迭代动态特征为所述知识联系属性在过往轮次的迁移传递时的迭代动态特征；

12、在进入下一轮次的迁移传递时，基于所述当前迭代动态特征、知识成员的第一知识成员描述向量调整所述本次加载数据，并返回执行依据本次加载数据进行本轮迭代迁移传递的步骤直至完成所有轮次的迁移传递，生成所述知识联系属性在经过迭代式迁移传递后的迭代动态特征。

13、在第一方面的一种可能的实施方式中，基于所述知识成员的第一知识成员描述向量、所述知识联系属性的当前知识联系属性描述向量以及过往迭代动态特征，获取所述知识联系属性在本轮迭代迁移传递时的当前迭代动态特征，包括：

14、确定所述知识联系属性的触发知识成员对应的所有前向知识联系属性； 对所述前向知识联系属性的当前知识联系属性描述向量、所述前向知识联系属性上知识成员的第一知识成员描述向量、以及所述前向知识联系属性在过往迁移传递时的过往迭代动态特征进行聚合，生成所述前向知识联系属性的迁移传递信息；

15、对所有前向知识联系属性的迁移传递信息进行汇聚，生成所述知识联系属性在本轮迭代迁移传递时的迁移传递信息序列；

16、基于第一聚合参数对所述知识联系属性的第一知识联系属性描述向量、所述知识联系属性上知识成员的第一知识成员描述向量进行聚合，生成所述知识联系属性的聚合后知识联系属性描述向量；

17、依据relu函数对聚合后知识联系属性描述向量进行处理，生成所述知识联系属性在候选过往轮次的迁移传递时的候选过往迭代动态特征；

18、基于第二聚合参数对候选过往迭代特征以及所述迁移传递信息进行聚合，生成目标聚合迭代动态特征；

19、依据relu函数对目标聚合迭代动态特征进行处理，生成所述知识联系属性在本轮迭代迁移传递时的当前迭代动态特征。

20、在第一方面的一种可能的实施方式中，对所述前向知识联系属性的当前知识联系属性描述向量、所述前向知识联系属性上知识成员的第一知识成员描述向量、以及所述前向知识联系属性在过往迁移传递时的过往迭代动态特征进行聚合，生成所述前向知识联系属性的迁移传递信息，包括：

21、基于迁移传递参数，对所述前向知识联系属性的当前知识联系属性描述向量、所述前向知识联系属性上知识成员的第一知识成员描述向量、以及所述前向知识联系属性在过往迁移传递时的过往迭代动态特征进行聚合，生成目标聚合特征；

22、依据relu函数对所述目标聚合特征进行处理，生成所述前向知识联系属性的迁移传递信息。

23、在第一方面的一种可能的实施方式中，基于所述知识成员描述单元将所述知识联系属性的目标知识联系向量转化成所述商户行为知识网络中每个知识成员的知识成员描述向量，包括：

24、基于所述知识成员描述单元，针对每个知识成员确定与知识成员相关联的相关知识联系属性，所述相关知识联系属性包括所述知识成员、以及所述知识成员的依赖知识成员；

25、对所有相关知识联系属性的目标知识联系向量进行聚合，生成聚合后相关知识联系属性描述向量；

26、依据第三聚合参数对所述知识成员的当前知识成员描述向量以及所述聚合后相关知识联系属性描述向量进行聚合，生成所述知识成员的知识成员描述向量。

27、在第一方面的一种可能的实施方式中，提取所述知识成员的第一知识成员描述向量和所述知识联系属性的第一知识联系属性描述向量，包括：

28、基于所述商户在线行为的商户在线行为内容构建知识成员的第一知识成员描述向量；

29、基于所述行为依赖关系的行为依赖描述内容提取所述知识联系属性的第一知识联系属性描述向量。

30、在第一方面的一种可能的实施方式中，还包括：

31、获取范例商户的范例商户在线行为数据，所述范例商户在线行为数据包括范例商户在线行为和范例行为依赖关系；

32、基于所述范例商户在线行为数据生成与所述范例商户在线行为数据对应的范例商户行为知识网络，所述范例商户行为知识网络包括所述范例商户在线行为对应的范例知识成员，所述范例行为依赖关系对应的范例知识联系属性；

33、提取所述范例知识成员的范例第一知识成员描述向量和所述范例知识联系属性的范例第一知识联系属性描述向量； 基于预设迭代式迁移传递网络，依据所述知识成员的范例第一知识成员描述向量、所述知识联系属性的范例第一知识联系属性描述向量预测范例商户的商户意图画像，生成范例商户的商户意图画像训练数据；

34、计算范例商户的商户意图画像训练数据与标注商户意图画像数据之间的误差值，并依据所述误差值对所述迭代式迁移传递网络进行参数更新，生成更新后的迭代式迁移传递网络。

35、在第一方面的一种可能的实施方式中，所述方法还包括：

36、基于所述目标商户的商户意图画像分析数据，对所述目标商户进行内容推送决策。

37、依据本技术的第二方面，提供一种基于商户画像分析的信息决策系统，所述基于商户画像分析的信息决策系统包括机器可读存储介质及处理器，所述机器可读存储介质存储有机器可执行指令，所述处理器在执行所述机器可执行指令时，该基于商户画像分析的信息决策系统实现前述的基于商户画像分析的信息决策方法。

38、依据本技术的第三方面，提供提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，当所述计算机可执行指令被执行时，实现前述的基于商户画像分析的信息决策方法。

39、依据上述任意一个方面，本技术中，通过获取目标商户的商户在线行为数据，并利用商户在线行为数据生成商户行为知识网络，通过提取知识成员和知识联系属性的描述向量，并基于这些向量获取迭代式迁移传递的基础加载特征，利用迭代式迁移传递网络中的多个迁移传递单元，在知识联系属性上进行迭代式迁移传递，生成经过迁移传递后的迭代动态特征。进一步，根据迭代动态特征获取知识联系属性的目标知识联系向量，并将其转化成商户行为知识网络中每个知识成员的知识成员描述向量。最后，通过聚合单元对知识成员描述向量进行聚合，生成商户行为知识网络的商户聚焦描述向量。利用商户聚焦描述向量进行商户意图画像分析，从而生成目标商户的商户意图画像分析数据。能够有效地从目标商户的在线行为数据中提取有关其行为模式、知识成员和行为依赖关系的信息，通过迁移传递和聚合过程，可以生成商户行为知识网络的聚焦描述向量，进一步实现对商户意图的分析和画像，有助于了解目标商户的商户意图画像，从而能够更准确地进行内容推送和个性化营销。