一种商品拍卖的智能化需求预测分析方法及系统与流程

本发明涉及商业数据分析，尤其涉及一种商品拍卖的智能化需求预测分析方法及系统。

背景技术：

1、随着互联网的发展和电子商务的普及，线上商品拍卖平台逐渐成为一种重要的商品交易方式。拍卖作为一种竞价购买方式，吸引了大量用户参与，随着用户数量和拍卖商品种类的增加，如何准确预测用户的需求成为了一个关键问题。需求预测不仅可以帮助拍卖平台优化拍卖策略，提升用户体验，还可以为平台和卖家提供数据支持，促进商品的精准推荐与销售。然而，现有的商品需求分析方法对于商品本体信息的无法精准表达，还需通过人工对商品进行标注或简单类型信息进行分类，并且对于用户需求的分析通过历史数据或用户浏览行为分析等，从而导致无法精准捕捉用户的实时拍品需求变化。

技术实现思路

1、基于此，本发明提供一种商品拍卖的智能化需求预测分析方法及系统，以解决至少一个上述技术问题。

2、为实现上述目的，一种商品拍卖的智能化需求预测分析方法，包括以下步骤：

3、步骤s1：获取线上商品拍卖平台的拍品本体数据；根据拍品本体数据进行拍品本体特征分析，生成拍品本体特征数据；

4、步骤s2：根据拍品本体特征数据进行拍品本体增益特征筛选处理，生成拍品本体增益特征数据；

5、步骤s3：通过拍品本体增益特征数据建立拍品本体属性矩阵集；基于拍品本体属性矩阵集进行拍品本体的动态关联网络分析，生成动态拍品本体关联网络；

6、步骤s4：侦测线上商品拍卖平台中用户交互数据；根据用户交互数据进行用户交互行为特征分析处理，生成用户交互行为特征数据；基于用户交互行为特征数据进行聚类用户交互行为习惯类型的交互行为特征分析处理，生成聚类用户交互行为特征数据；

7、步骤s5：根据聚类用户交互行为特征数据进行聚类用户的优化需求拍品分类概率树模型构建，生成优化聚类用户需求拍品概率树模型；将用户交互行为特征数据传输至优化聚类用户需求拍品概率树模型进行即时用户需求拍品概率预测，生成即时用户需求拍品概率预测数据；将即时用户需求拍品概率预测数据传输至动态拍品本体关联网络进行即时用户关联需求拍品智能分析，生成即时用户关联需求拍品预测数据，并将即时用户关联需求拍品预测数据传输至终端执行需求拍品智能预测的可视化反馈作业。

8、进一步的，步骤s1包括以下步骤：

9、步骤s11：获取线上商品拍卖平台的拍品本体数据；

10、步骤s12：提取拍品本体数据的拍品本体结构化数据以及拍品本体非结构化数据；

11、步骤s13：基于拍品本体非结构化数据进行拍品非结构化映射特征分析处理，生成拍品非结构化映射特征数据；

12、步骤s14：根据拍品本体结构化数据以及拍品非结构化映射特征数据进行拍品本体特征分析，生成拍品本体特征数据。

13、进一步的，步骤s13包括以下步骤：

14、步骤s131：对拍品本体非结构化数据进行非结构化类型划分处理，生成分类拍品本体非结构化数据；

15、步骤s132：基于分类拍品本体非结构化数据进行拍品多模态非结构化映射特征的卷积层分析处理，生成拍品多模态映射特征卷积层；

16、步骤s133：基于拍品多模态映射特征卷积层设计拍品多模态映射特征卷积神经网络模型；

17、步骤s134：根据拍品多模态映射特征卷积神经网络模型对拍品本体非结构化数据进行初步拍品非结构化映射特征处理，生成初步拍品非结构化映射特征数据；并对初步拍品非结构化映射特征数据进行特征全连接映射优化处理，生成拍品非结构化映射特征数据。

18、进一步的，步骤s2包括以下步骤：

19、步骤s21：对拍品本体特征数据进行特征离散化处理，生成拍品本体特征离散化数据；

20、步骤s22：基于拍品本体特征离散化数据进行拍品本体特征条件熵分析，生成拍品本体特征条件熵数据；

21、步骤s23：根据拍品本体特征条件熵数据对拍品本体特征数据进行拍品本体增益特征筛选处理，生成拍品本体增益特征数据。

22、进一步的，步骤s22包括以下步骤：

23、步骤s221：对拍品本体特征离散化数据进行频域数据分析，生成拍品本体特征频域数据；

24、步骤s222：根据拍品本体特征频域数据进行拍品本体特征标签熵分析，生成拍品本体特征标签熵数据；

25、步骤s223：通过拍品本体特征频域数据以及拍品本体特征标签熵数据进行拍品本体特征条件熵分析，生成拍品本体特征条件熵数据。

26、进一步的，步骤s3包括以下步骤：

27、步骤s31：通过拍品本体增益特征数据中各增益特征类型设计分类拍品本体属性矩阵节点，并将拍品本体增益特征数据传输至拍品本体属性矩阵节点建立拍品本体属性矩阵集；

28、步骤s32：基于拍品本体属性矩阵集进行拍品本体属性矩阵的关联聚合分析，生成拍品矩阵关联聚合系数；

29、步骤s33：通过拍品本体属性矩阵集设计拍品本体关联网络，并通过矩阵关联聚合系数作为拍品关联注意力权重参数对拍品本体关联网络进行拍品本体关联程度动态更新，生成动态拍品本体关联网络。

30、进一步的，步骤s32包括以下步骤：

31、步骤s321：通过拍品本体属性矩阵集中各类型的矩阵节点作为第一拍品本体属性数据，并随机选取第一拍品本体属性节点数据对应类型中剩余拍品本体属性矩阵集的矩阵节点作为第二拍品本体属性节点数据；

32、步骤s322：对第一拍品本体属性节点数据以及第二拍品本体属性节点数据进行节点相似度计算，生成节点相似度数据；

33、步骤s323：对第一拍品本体属性节点数据以及第二拍品本体属性节点数据进行节点访问重叠度计算，生成节点访问重叠度数据；

34、步骤s324：根据节点相似度数据以及节点访问重叠度数据对拍品本体属性矩阵集进行拍品本体属性矩阵的关联聚合分析，生成拍品矩阵关联聚合系数。

35、进一步的，步骤s4包括以下步骤：

36、步骤s41：侦测线上商品拍卖平台中用户交互数据；

37、步骤s42：根据用户交互数据进行用户交互行为特征分析处理，生成用户交互行为特征数据；

38、步骤s43：根据用户交互行为特征数据进行用户交互行为习惯聚类分析，生成用户交互行为习惯聚类数据；

39、步骤s44：根据用户交互行为习惯聚类数据对用户交互行为特征数据进行聚类用户交互行为习惯类型的数据划分处理，生成聚类用户交互行为特征数据。

40、进一步的，步骤s5包括以下步骤：

41、步骤s51：根据聚类用户交互行为特征数据进行聚类用户需求拍品转化特征分析，生成聚类用户需求拍品转化特征数据；

42、步骤s52：将聚类用户交互行为特征数据作为聚类用户需求拍品概率因子；基于预设的决策树分类算法对聚类用户需求拍品概率因子建立聚类用户的需求拍品分类概率映射关系，以得到聚类用户需求拍品概率树模型；通过聚类用户需求拍品转化特征数据对聚类用户需求拍品概率树模型进行树节点概率系数优化调节，生成优化聚类用户需求拍品概率树模型；

43、步骤s53：将用户交互行为特征数据传输至优化聚类用户需求拍品概率树模型进行即时用户需求拍品概率预测，生成即时用户需求拍品概率预测数据；

44、步骤s54：将即时用户需求拍品概率预测数据传输至动态拍品本体关联网络进行即时用户关联需求拍品智能分析，生成即时用户关联需求拍品预测数据，并将即时用户关联需求拍品预测数据传输至终端执行需求拍品智能预测的可视化反馈作业。

45、本说明书中提供一种商品拍卖的智能化需求预测分析系统，用于执行如上述所述的商品拍卖的智能化需求预测分析方法，该商品拍卖的智能化需求预测分析系统包括：

46、拍品本体特征分析模块，用于获取线上商品拍卖平台的拍品本体数据；根据拍品本体数据进行拍品本体特征分析，生成拍品本体特征数据；

47、增益特征筛选模块，用于根据拍品本体特征数据进行拍品本体增益特征筛选处理，生成拍品本体增益特征数据；

48、动态拍品本体关联模块，用于通过拍品本体增益特征数据建立拍品本体属性矩阵集；基于拍品本体属性矩阵集进行拍品本体的动态关联网络分析，生成动态拍品本体关联网络；

49、聚类用户交互行为分析模块，用于侦测线上商品拍卖平台中用户交互数据；根据用户交互数据进行用户交互行为特征分析处理，生成用户交互行为特征数据；基于用户交互行为特征数据进行聚类用户交互行为习惯类型的交互行为特征分析处理，生成聚类用户交互行为特征数据；

50、即时用户关联需求拍品预测模块，用于根据聚类用户交互行为特征数据进行聚类用户的优化需求拍品分类概率树模型构建，生成优化聚类用户需求拍品概率树模型；将用户交互行为特征数据传输至优化聚类用户需求拍品概率树模型进行即时用户需求拍品概率预测，生成即时用户需求拍品概率预测数据；将即时用户需求拍品概率预测数据传输至动态拍品本体关联网络进行即时用户关联需求拍品智能分析，生成即时用户关联需求拍品预测数据，并将即时用户关联需求拍品预测数据传输至终端执行需求拍品智能预测的可视化反馈作业。

51、本技术有益效果在于，通过获取和分析商品拍卖平台中的拍品本体数据，结合商品的结构化和非结构化特征，利用多模态非结构化映射特征卷积神经网络模型，深入分析拍品的复杂特性。传统方法通常只依赖于结构化数据的简单分析，忽略了商品本体非结构化数据的丰富信息。通过卷积层神经网络对非结构化数据进行深入处理，能够更精准地捕捉拍品的潜在特征，进而提高了对商品需求的精准预测。同时，通过特征增益筛选和条件熵分析等多维度特征处理，有效消除了冗余特征，提升了预测模型的效率与精度。通过对拍品本体增益特征数据进行关联分析，并构建关联网络，该网络基于商品本体特征之间的相似性以及关联的用户访问行为，不断进行动态更新，实时反映商品之间的关联程度以及用户需求的变化，能够随着用户需求变化和商品特征不断更新，实现商品之间关联度的动态管理与分析。通过详细分析用户在拍卖平台中的交互行为特征，并通过聚类分析对不同类型用户的交互行为习惯进行分类。在此基础上，构建聚类用户的需求拍品分类概率树模型，针对不同用户群体的行为模式和需求特点进行个性化的需求预测。这种基于用户行为特征的深度聚类分析不仅有助于平台更好地理解不同用户行为习惯，优化拍品推荐策略，还能够提升预测结果的个性化和针对性，从而满足不同用户的多样化需求。聚类用户需求拍品分类概率树模型能够根据用户的即时交互行为快速更新预测结果，从而使需求预测能够随着用户行为变化进行实时调整，极大提升了预测分析的响应速度和动态适应性。将生成的用户需求预测结果通过智能化预测反馈机制传输至终端，形成可视化反馈作业。这种即时反馈机制不仅为平台管理者提供了决策支持，还为用户提供了更加直观的需求预测结果展示，有助于提升拍卖参与者的用户体验，增加用户对平台的粘性和满意度。此外，平台可以根据需求预测结果优化拍品的推荐和拍卖策略，从而提高交易效率和成功率，最终促进平台整体效益的提升。因此，本发明的一种商品拍卖的智能化需求预测分析方法能够提取拍品本体的关键表示特征，并且筛选拍品本体中的高增益特征类型以提高数据处理效率的同时精准表达拍品信息，并且通过拍品本体中高增益特征中的关联特性建立动态拍品本体关联网络，从而动态反映各商品的关联关系，当用户对某拍品有兴趣时，根据动态拍品本体关联网络中拍品的动态关联关系对用户进行智能推荐。并且对于用户需求的分析通过对用户交互行为进行聚类用户分析，以反映不同聚类用户的交互习惯，再通过决策树算法对不同聚类用户的喜好拍品概率进行预测，反映不同用户对于不同喜好拍品的分布信息，以反映用户拍品需求预测概率。结合动态拍品本体关联网络以及用户拍品需求预测概率从而对分析即时用户关联需求拍品智能分析，以反映用户的即时需求拍品以及相应的量化需求信息，以提高商品拍卖平台中的需求预测的精准性及效率。