一种应用于数字化经济的跨境电商大数据分析系统的制作方法

本技术涉及商务数据预测，更具体地，涉及一种应用于数字化经济的跨境电商大数据分析系统。

背景技术：

1、应用于数字化经济的跨境电商大数据分析，涉及云计算、大数据、人工智能、物联网、区块链、移动通信、gis、社交网络、网络安全和电子商务等关键技术。这些技术为跨境电商企业提供了强大的数据处理和分析能力，有助于提高企业的运营效率和竞争力。通过这些技术，跨境电商企业可以更好地理解用户需求，进行精准营销，优化物流配送路线，保障交易的安全性和透明度，以及提供更加个性化的服务。随着技术的不断发展，跨境电商企业可以更好地利用这些技术，实现业务的持续增长和优化。

2、现有技术中，因为商务数据种类多，数量大，往往采用时间序列数据，数据冗余程度高，导致大数据分析的个性化推荐的准确性低、适应性差。

3、因此，如何提高个性化推荐的精度和适应性，是目前有待解决的技术问题。

技术实现思路

1、本发明提供一种应用于数字化经济的跨境电商大数据分析系统，用以解决现有技术中个性化推荐的精度和适应性低的技术问题。所述方法包括：

2、构建模块，用于定义电商平台上的事件，并确定标准用户事件路径，获取用户的电商数据，从用户的电商数据中提取事件信息，构建事件序列数据集；

3、确定模块，用于从标准用户事件路径中选择多个事件作为关键事件，以关键事件为节点截取事件序列数据集，得到事件子序列数据集，在事件子序列数据集中筛选频繁子序列，通过拼接不同关键事件所对应的频繁子序列，得到每个用户的实际用户事件路径；

4、划分模块，用于比对标准用户事件路径和实际用户事件路径确认用户的典型事件路径和偏好，并建立用户id与典型事件路径-偏好的映射列表，从而确定用户忠诚度，将用户划分成不同的用户群体；

5、推荐模块，用于定义用户群体个性化推荐所涉及的转化阶段，确定转化阶段的转化率，根据转化率、用户id与典型事件路径-偏好的映射列表、事件序列数据集构建个性化推荐模型；

6、展示模块，用于通过个性化推荐模型对用户进行个性化内容的推荐，并将推荐的个性化内容进行映射，从而将个性化内容进行可视化展示。

7、本技术一些实施例中，所述构建模块，用于：

8、根据电商环节类型确定起始点事件和终点事件，分析起始点事件和终点事件之间的固定事件和非固定事件；

9、根据历史上用户的固定事件和非固定事件的顺序和出现频率来确定起始点事件和终点事件之间的固定事件顺序和非固定事件顺序，以此得到标准用户事件路径。

10、本技术一些实施例中，所述确定模块，用于：

11、计算起始点事件和终点事件之间中的每个事件对下一个事件的贡献度和对终点事件的贡献度，对两种贡献度进行加权求和，得到起始点事件和终点事件之间中的每个事件的贡献度指数，并进行从小到大的排序，将贡献度指数超过中位数的事件作为关键事件。

12、本技术一些实施例中，所述确定模块，还用于：

13、将事件序列数据集按照一个完整的电商环节类型周期进行拆分，得到表征一个完整的电商环节类型周期的一个事件序列数据集；

14、计算每个事件序列数据集对应的事件复杂度；

15、；

16、其中，为第x个时间序列数据集对应事件复杂度，和分别为第x个时间序列数据集中的固定事件和非固定事件对应的复杂转化系数，和分别为第x个时间序列数据集中的固定事件种类数量和非固定事件种类数量，为第k种固定事件的复杂权重，为第k种固定事件出现的频次，为第k种固定事件的持续时间，为第g种非固定事件的复杂权重，为第g种非固定事件出现的频次，为第g种非固定事件的持续时间；

17、以关键事件为节点截取事件序列数据集，得到起始点事件-关键事件之间的时间节点、多个关键事件-关键事件之间的时间节点和关键事件-终点事件之间的时间节点三种时间节点段所对应的事件子序列数据集，根据三种时间节点段的长度将事件复杂度进行分配，得到每个事件子序列数据集的事件复杂度；

18、通过每个事件子序列数据集的事件复杂度确定事件种类数量和支持度阈值，根据事件种类数量在每个事件子序列数据集找到几个备选子序列，计算多个周期内的三种时间节点段所对应的事件子序列数据集中每个备选子序列的支持度，将支持度超过对应支持度阈值的备选子序列作为频繁子序列。

19、本技术一些实施例中，所述确定模块，还用于：

20、将起始点事件-关键事件之间的时间节点、多个关键事件-关键事件之间的时间节点和关键事件-终点事件之间的时间节点三种时间节点段所对应的事件子序列数据集中的不同频繁子序列进行拼接，得到一条完整的事件子序列数据集，通过分析该事件子序列数据集确定每个用户的实际用户事件路径。

21、本技术一些实施例中，所述划分模块，还用于：

22、根据用户id与典型事件路径-偏好的映射列表分别得到购买频率、购买金额、商品偏好指数、平台使用时长和平台注册时长；

23、通过购买频率、购买金额、商品偏好指数、平台使用时长和平台注册时长确定用户忠诚度；

24、；

25、其中，p为用户忠诚度，为购买频率的相对忠诚权重，为购买频率，为购买金额的相对忠诚权重，为购买金额，为商品偏好的相对忠诚权重，为商品偏好指数，为平台使用时长，为平台注册时长，a为预设常数；

26、通过用户忠诚度所属的不同区间，将用户划分成不同的用户群体。

27、本技术一些实施例中，所述推荐模块，用于：

28、将应用了个性化推荐服务的事件记作推荐事件，将每个用户群体的实际用户事件路径中推荐事件与相邻事件的转化过程记作第一转化阶段，将每个用户群体的实际用户事件路径中推荐事件与关键事件的转化过程记作第二转换阶段，并计算第一转化阶段和第二转换阶段的转化率。

29、本技术一些实施例中，所述推荐模块，还用于：

30、将第一转化阶段和第二转换阶段的转化率分别进行整合，并加权求和得到每个用户群体的转化率指标；

31、通过每个用户的典型事件路径和偏好确定各自的事件序列数据集，根据每个用户群体的转化率指标确定训练集、测试集和验证集的划分比例，按照划分比例将两种事件序列数据集划分成训练集、测试集和验证集；

32、通过训练集、测试集和验证集构建个性化推荐模型。

33、通过应用以上技术方案，构建模块，用于定义电商平台上的事件，并确定标准用户事件路径，获取用户的电商数据，从用户的电商数据中提取事件信息，构建事件序列数据集；确定模块，用于从标准用户事件路径中选择多个事件作为关键事件，以关键事件为节点截取事件序列数据集，得到事件子序列数据集，在事件子序列数据集中筛选频繁子序列，通过拼接不同关键事件所对应的频繁子序列，得到每个用户的实际用户事件路径；划分模块，用于比对标准用户事件路径和实际用户事件路径确认用户的典型事件路径和偏好，并建立用户id与典型事件路径-偏好的映射列表，从而确定用户忠诚度，将用户划分成不同的用户群体；推荐模块，用于定义用户群体个性化推荐所涉及的转化阶段，确定转化阶段的转化率，根据转化率、用户id与典型事件路径-偏好的映射列表、事件序列数据集构建个性化推荐模型；展示模块，用于通过个性化推荐模型对用户进行个性化内容的推荐，并将推荐的个性化内容进行映射，从而将个性化内容进行可视化展示。本技术通过构建事件序列数据集，减少了以往时间序列数据或其它维度数据所带来的冗余度，保证了数据的有效性。通过拼接不同关键事件所对应的频繁子序列，得到每个用户的实际用户事件路径，精准的反映了用户的事件行为模式。根据转化率、用户id与典型事件路径-偏好的映射列表、事件序列数据集构建个性化推荐模型，保证了个性化推荐的适应性和准确性。