本發(fā)明屬于數(shù)據(jù)處理，尤其涉及一種向用戶展示數(shù)據(jù)的方法及系統(tǒng)。

背景技術(shù)：

1、隨著電商的快速發(fā)展，消費者線上消費需求已經(jīng)由商品本身延伸到商品背后的服務(wù)體驗，對于消費者而言，需求響應(yīng)速度是影響網(wǎng)上購物體驗的重要因素之一，對于商家而言，更快的響應(yīng)并完成訂單在消費市場中能占據(jù)更大的競爭優(yōu)勢。商品營銷文案是一段描述商品自身特點且用于營銷的文字，能夠提升消費者對商品自身的認知度，從而刺激消費者的購買欲望。商品營銷文案并不需要用非常華麗或者高大上的詞藻去修飾，否則會與消費者之間產(chǎn)生距離感，從而降低購買欲望。然而，大多數(shù)電商平臺都是依靠人工進行商品營銷文案生成，這導(dǎo)致工作效率低下，也不利于將商品信息轉(zhuǎn)換為含有關(guān)鍵信息并個性化推薦給用戶，商品營銷文案主要包括產(chǎn)品介紹、新聞稿等，使得文案比較單一不利于對新用戶進行快速和有效展示商品信息。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明提供了一種可以提升平臺用戶的個性化服務(wù)和快速精準(zhǔn)推薦商品的向用戶展示數(shù)據(jù)的方法及系統(tǒng)，來解決上述存在的技術(shù)問題，具體采用以下技術(shù)方案來實現(xiàn)。

2、第一方面，本發(fā)明提供了一種向用戶展示數(shù)據(jù)的方法，包括以下步驟：

3、獲取用戶訪問電子商務(wù)平臺上的用戶數(shù)據(jù)和商品信息，并對用戶數(shù)據(jù)和商品信息進行數(shù)據(jù)預(yù)處理得到樣本數(shù)據(jù)，其中，用戶數(shù)據(jù)包括用戶注冊信息和用戶操作信息，商品信息包括商品種類和商品數(shù)量；

4、根據(jù)用戶數(shù)據(jù)構(gòu)建用戶畫像模型，基于用戶畫像模型對樣本數(shù)據(jù)進行分類得到用戶價值信息；

5、將樣本數(shù)據(jù)進行特征提取得到圖特征信息，并將圖特征信息輸入已訓(xùn)練的圖卷積神經(jīng)網(wǎng)絡(luò)中訓(xùn)練得到圖分類結(jié)果；

6、將圖分類結(jié)果進行圖分割和嵌入表示以構(gòu)建商品分倉優(yōu)化模型，對商品分倉優(yōu)化模型進行分析得到最小費用流模型；

7、基于最小費用流模型和商品信息建立圖表可視化的圖譜數(shù)據(jù)，并向用戶展示圖譜數(shù)據(jù)以完成商品營銷管理。

8、作為上述技術(shù)方案的優(yōu)選，根據(jù)用戶數(shù)據(jù)構(gòu)建用戶畫像模型，包括：

9、當(dāng)用戶進入電子商務(wù)平臺時提交注冊信息得到用戶畫像模型，用戶畫像模型通過表達式為u＝{(w1，v1)，(w2，v2)...(wm，vm)}，其中，每一個(wm，vm)表示模型的一部分且wm、vm分別表示用戶的興趣關(guān)鍵詞、對應(yīng)該關(guān)鍵詞的權(quán)重，且v表示從左到右依次減小的順序，v是通過tf-idf算法進行計算的且表示關(guān)鍵詞在對應(yīng)的文檔中出現(xiàn)的次數(shù)和含有該關(guān)鍵詞的文檔數(shù)的比值，對應(yīng)的計算表達式為其中，在tn(li，m)中的值是li對應(yīng)的在文檔m中的次數(shù)，n表示文檔的總數(shù)，dn(li)表示含有關(guān)鍵詞li的文檔數(shù)。

10、作為上述技術(shù)方案的優(yōu)選，基于用戶畫像模型對樣本數(shù)據(jù)進行分類得到用戶價值信息，包括：

11、初始簇中心選擇：隨機選取k個點，初始簇中心集合為null，并進行點數(shù)掃描，當(dāng)掃描中獲取的數(shù)據(jù)比選取的點數(shù)少時，將掃描的點數(shù)加入到簇中心的集合，反之，需要隨機的生成一個數(shù)值x，且當(dāng)x＜0時，需要采用數(shù)值x隨機替換到一個網(wǎng)絡(luò)節(jié)點，借助spark廣播該簇中心結(jié)合到一個算法節(jié)點；

12、處理map節(jié)點和reduce節(jié)點：根據(jù)前一次的簇中心信息建立數(shù)據(jù)輸出，在map節(jié)點中將簇中心作為鍵值的標(biāo)識，將輸出的數(shù)據(jù)作為reduce節(jié)點的輸入數(shù)據(jù)，以得到reduce中的簇中心，通過不斷的數(shù)據(jù)處理得到聚類中心的收斂數(shù)據(jù)；

13、將每一個樣本數(shù)據(jù)劃分到不同的聚類中：通過對樣本數(shù)據(jù)進行分析結(jié)合聚類中心的數(shù)據(jù)分析結(jié)果，把樣本數(shù)據(jù)和最近的聚類中心實現(xiàn)劃分，使數(shù)據(jù)達到聚類分析的目的；

14、標(biāo)識用戶價值信息：選取聚類分析中的最高價值用戶并標(biāo)識為1，選取其中的最低價值用戶并標(biāo)識為0；

15、reduce階段實現(xiàn)對數(shù)據(jù)的局部迭代處理和全局迭代處理過程，包括：

16、通過map階段實現(xiàn)本地數(shù)據(jù)樣本的權(quán)值量化和偏移量計算；

17、通過reduce階段實現(xiàn)所有數(shù)據(jù)的權(quán)值量化和偏移量計算；

18、根據(jù)條件實現(xiàn)spark?sql借助數(shù)據(jù)倉庫的交互以實現(xiàn)對局部和全局迭代次數(shù)計算，其中，終止條件是代價函數(shù)小于或達到臨界值，或迭代次數(shù)達到預(yù)期值。

19、作為上述技術(shù)方案的優(yōu)選，將樣本數(shù)據(jù)進行特征提取得到圖特征信息，并將圖特征信息輸入已訓(xùn)練的圖卷積神經(jīng)網(wǎng)絡(luò)中訓(xùn)練得到圖分類結(jié)果，包括：

20、將圖特征信息劃分為m個節(jié)點和n個維度，每個節(jié)點包含自己的特征信息以組成一個m×n維的矩陣b，節(jié)點與相鄰節(jié)點的結(jié)構(gòu)特征表示一個b×b維的矩陣c，矩陣c為鄰接矩陣，b和c為模型的輸入，則對應(yīng)的圖卷積網(wǎng)絡(luò)中上層與下層的關(guān)系表達式為其中，i表示單位矩陣即

21、鄰接矩陣c與第l層的特征矩陣h(l)相乘得到每個節(jié)點與相鄰節(jié)點的特征匯總，將特征匯總結(jié)果乘上第l層的參數(shù)矩陣w(l)，再加上非線性激活函數(shù)σ，經(jīng)過依次非線性變化得到h(l+1)；

22、構(gòu)建一個兩層的圖卷積網(wǎng)絡(luò)，分別使用relu函數(shù)和softmax激活函數(shù)得到一個正向的傳播表達式為對所有帶標(biāo)簽的節(jié)點使用損失函數(shù)進行處理得到節(jié)點的分類模型，對應(yīng)的表達式為

23、作為上述技術(shù)方案的優(yōu)選，采用圖注意力模型對節(jié)點的相鄰節(jié)點進行處理，選取一個節(jié)點i，i的相鄰節(jié)點為j，在節(jié)點i的基礎(chǔ)上，計算節(jié)點i與鄰居j的相似系數(shù)的表達式為eij＝β([whi||whj])，j∈ni，其中，w為共享參數(shù)，采取w的線性映射方式對節(jié)點特征進行增維，將[*||*]運算對節(jié)點i、j進行處理得到對應(yīng)的節(jié)點特征，將節(jié)點特征通過實數(shù)進行歸一化處理得到注意力函數(shù)對應(yīng)的加權(quán)和表達式為將圖注意力模型的輸出定義為h′i，表示節(jié)點i的新特征，σ表示激活函數(shù)。

24、作為上述技術(shù)方案的優(yōu)選，將圖分類結(jié)果進行圖分割和嵌入表示以構(gòu)建商品分倉優(yōu)化模型，包括：

25、超圖(h，g)中的超邊可連接任意數(shù)量的點，一個超圖(hg)可通過一個二元組來表示，預(yù)設(shè)一個超圖(hg)g＝<v，e>，v表示超圖的有限頂點數(shù)，e表示超圖(hg)的超邊(hy)集，其中，每一個超邊e∈e都是v的一個非空集合，e所包含的節(jié)點數(shù)表示其度數(shù)，記為|e|(|e|≥2)，超圖(hg)g可用一個|v|·|e|的矩陣h來表示，行表示不同的節(jié)點，列表示不同的超邊；

26、每個元素的值可由表達式為其中，帶權(quán)超圖賦予每條超邊一個大于0的值，表示該超邊的權(quán)重，對于一條超邊e∈e，記其權(quán)重為w(e)，建立超邊的權(quán)重矩陣，記w(ei)表示超邊ei所占的權(quán)重的表達式為w＝diag(w(ei))；

27、對于每個子集s，預(yù)設(shè)s′＝v/s，超圖分割的超邊表達式為對于一個超圖節(jié)點集v中任意一個子集δ，該子集的容量表達式為vol?s＝∑v∈δd(v)，其中，d(v)＝∑{e∈e|v∈e}w(e)，預(yù)設(shè)δ′＝v/δ，δ中被剪切的超邊為基于此該子集的邊界容量的表達式為

28、對于一個超圖節(jié)點集v中的任意一個子集δ，記為該子集的稀疏度，以表明該子集和其外部節(jié)點的聯(lián)系，若子集s的稀疏度越大，則該子集中的節(jié)點與外部鏈接更緊密，內(nèi)部節(jié)點之間的連接更稀疏；反之，若稀疏度越小，則表明該子集和外部節(jié)點的聯(lián)系更稀疏，內(nèi)部聯(lián)系越緊密；

29、其中，超圖分割是指如何將超圖中的節(jié)點集v劃分為若干個互不相容的子集δ1，δ2...δm，同一子集的內(nèi)部節(jié)點之間連接稠密，不同子集之間的節(jié)點則連接稀疏，超圖分割的目標(biāo)函數(shù)為找到對v的一個合適的劃分為δ1，δ2...δm，使得最小化。

30、作為上述技術(shù)方案的優(yōu)選，預(yù)設(shè)由訂單數(shù)據(jù)組成的超圖g，記h為g的關(guān)聯(lián)矩陣，w為一個對焦矩陣即g的權(quán)重矩陣，對角元素對應(yīng)g中超邊的權(quán)重，dv和de分別表示g的頂點度矩陣和超邊度矩陣，對應(yīng)的超圖拉普拉斯矩陣的表達式為通過求解δ矩陣中的特征值和特征向量，并取前k個最小特征值所對應(yīng)的特征向量{z1，z2...zk}作為超圖中節(jié)點v的嵌入表示矩陣z(z＝[z1，z2...zk])，z中的每一行表示一個節(jié)點的嵌入表示向量，該嵌入表示矩陣包含節(jié)點的關(guān)聯(lián)信息，通過嵌入表示向量之間的歐式距離來量化節(jié)點之間的關(guān)聯(lián)性；

31、預(yù)設(shè)p個商品和q個倉庫，記基于訂單數(shù)據(jù)所得到的商品的嵌入表示矩陣為z，將商品分倉為題轉(zhuǎn)化為帶約束的聚類模型，對應(yīng)的表達式為ep的表達式為其中，zq表示商品vq的嵌入表示向量，em表示第p個類簇的聚類中心，p個ep構(gòu)成聚類中心的嵌入表示矩陣e(e＝[e1，e2…ep])，1≤p≤p，lp對應(yīng)第p個倉庫的容量下限；bp表示由于倉庫大小限制，第p個倉庫最多能容納的商品，二元矩陣x表示商品-倉庫的分配情況：若商品vq被指派到倉庫sp，則分量xq，p＝1，否則中的目標(biāo)函數(shù)表示找到一個指派方案x，將嵌入空間中相近的點放在同一個類中。

32、作為上述技術(shù)方案的優(yōu)選，對商品分倉優(yōu)化模型進行分析得到最小費用流模型，包括：

33、最小費用流模型是一個圖網(wǎng)絡(luò)上的組合優(yōu)化模型即在一個網(wǎng)絡(luò)流中找到效用最小的可行流，預(yù)設(shè)d＝<v，a>為一個有向圖網(wǎng)絡(luò)，網(wǎng)絡(luò)中每條弧aij＝(vi，vj)有對應(yīng)的容量上界c(aij)≥0，以及對應(yīng)的單位運輸費率w(i，j)≥0；

34、圖中的每個節(jié)點vi∈v都有一個供需量d(vi)，當(dāng)d(vi)＞0時表示需要d(vi)個單位數(shù)量的貨物；當(dāng)d(vi)＝0，從該節(jié)點流入的貨物和從該節(jié)點流出的貨物數(shù)量相等，最小費用流問題是指在網(wǎng)絡(luò)d中找到一個可行流，使得貨物能從供給節(jié)點轉(zhuǎn)移到需求節(jié)點，同時使得運輸費率最小，記弧aij流過的流量為fi，j，其目標(biāo)函數(shù)和約束條件為

35、

36、作為上述技術(shù)方案的優(yōu)選，基于最小費用流模型和商品信息建立圖表可視化的圖譜數(shù)據(jù)，包括：

37、圖中的每個節(jié)點以其父節(jié)點位置為中心實現(xiàn)子圖與整體對稱的外在特征，數(shù)據(jù)以層次結(jié)構(gòu)呈現(xiàn)其內(nèi)在層級關(guān)系，函數(shù)isrt(v)用來判斷節(jié)點v是否為根節(jié)點，函數(shù)existsg(v)用來判斷節(jié)點v是否存在兄弟節(jié)點，對應(yīng)的表達式分別為

38、

39、將圖譜數(shù)據(jù)的所有節(jié)點-關(guān)系存儲生成樹，對樹進行廣度遍歷，按照以父節(jié)點為中西內(nèi)的層次布局算法計算各個節(jié)點的極坐標(biāo)，計算的時間復(fù)雜度為ω(n)，其中n表示生成樹t中非葉子節(jié)點的個數(shù)；

40、圖譜數(shù)據(jù)的可視化以關(guān)系圖表示，節(jié)點通過實體名稱填充并以彩色圓形為背景，不同層級、不同屬性類設(shè)置不同顏色，關(guān)系通過淺色實線連接，實線上方會通過標(biāo)簽備注關(guān)系類型。

41、第二方面，本發(fā)明還提供了一種向用戶展示數(shù)據(jù)的系統(tǒng)，包括：

42、數(shù)據(jù)獲取單元，用于獲取用戶訪問電子商務(wù)平臺上的用戶數(shù)據(jù)和商品信息，并對用戶數(shù)據(jù)和商品信息進行數(shù)據(jù)預(yù)處理得到樣本數(shù)據(jù)，其中，用戶數(shù)據(jù)包括用戶注冊信息和用戶操作信息，商品信息包括商品種類和商品數(shù)量；

43、模型構(gòu)建單元，用于根據(jù)用戶數(shù)據(jù)構(gòu)建用戶畫像模型，基于用戶畫像模型對樣本數(shù)據(jù)進行分類得到用戶價值信息；

44、信息訓(xùn)練單元，用于將樣本數(shù)據(jù)進行特征提取得到圖特征信息，并將圖特征信息輸入已訓(xùn)練的圖卷積神經(jīng)網(wǎng)絡(luò)中訓(xùn)練得到圖分類結(jié)果；

45、模型優(yōu)化單元，用于將圖分類結(jié)果進行圖分割和嵌入表示以構(gòu)建商品分倉優(yōu)化模型，對商品分倉優(yōu)化模型進行分析得到最小費用流模型；

46、圖譜展示單元，用于基于最小費用流模型和商品信息建立圖表可視化的圖譜數(shù)據(jù)，并向用戶展示圖譜數(shù)據(jù)以完成商品營銷管理。

47、本發(fā)明提供了一種向用戶展示數(shù)據(jù)的方法及系統(tǒng)，通過獲取用戶訪問電子商務(wù)平臺上的用戶數(shù)據(jù)和商品信息，并對用戶數(shù)據(jù)和商品信息進行數(shù)據(jù)預(yù)處理得到樣本數(shù)據(jù)，根據(jù)用戶數(shù)據(jù)構(gòu)建用戶畫像模型，基于用戶畫像模型對樣本數(shù)據(jù)進行分類得到用戶價值信息，將樣本數(shù)據(jù)進行特征提取得到圖特征信息，并將圖特征信息輸入已訓(xùn)練的圖卷積神經(jīng)網(wǎng)絡(luò)中訓(xùn)練得到圖分類結(jié)果，將圖分類結(jié)果進行圖分割和嵌入表示以構(gòu)建商品分倉優(yōu)化模型，對商品分倉優(yōu)化模型進行分析得到最小費用流模型，基于最小費用流模型和商品信息建立圖表可視化的圖譜數(shù)據(jù)，并向用戶展示圖譜數(shù)據(jù)以完成商品營銷管理，可以深入挖掘電商平臺累積數(shù)據(jù)價值，提升平臺的個性化服務(wù)水平，對用戶畫像進行分析和圖譜數(shù)據(jù)可視化呈現(xiàn)，可以提高商品營銷的準(zhǔn)確率和效率。