一种人工智能B2B网站用户的智能评价系统

技术领域

本发明属于信息技术领域，尤其涉及一种人工智能B2B网站用户的智能评价系统。

背景技术

目前：近年来，随着通信技术的发展以及互联网用户数的显著增长，基于互联网的各种应用应运而生，给人们的日常生活带来了极大的便利。网上购物因其所具备的跨地域性、可交互性和全天候性等优点受到越来越多消费者的青睐。由于在互联网上销售商品相比实体店的销售模式具有一些特色和优势，因而引发不少商品供应商纷纷触网，买卖双方通过B2B网站进行网上交易，能大大减少流通环节，节约成本和降低采购难度。然而，随着B2B网站注册用户数的增长，以及网上交易次数的增多，用户诚信与交易风险问题凸显。为了更好地评估网上交易的成交可能性和尽可能地预防交易风险，对网站注册用户进行科学、客观的评价是一件非常重要和有意义的工作。

然而，现有的B2B网站对于用户评价的参考指标少，评价不准确。

通过上述分析，现有技术存在的问题及缺陷为：现有的B2B网站对于用户评价的参考指标少，评价不准确。

发明内容

针对现有技术存在的问题，本发明提供了一种人工智能B2B网站用户的智能评价系统。

本发明是这样实现的，一种人工智能B2B网站用户的智能评价系统，所述人工智能B2B网站用户的智能评价系统包括：

数据挖掘模块，与中央控制模块连接，用于利用大数据挖掘技术采集用户的相应评论信息以及浏览数据；

所述利用大数据挖掘技术采集用户的相应评论信息以及浏览数据包括：

确定本地对象与远程数据源同步频率，其中远程数据源即远程Web上的专业数据库；

利用泊松过程来表示远程数据源平均变化频率λ

确定平均新颖度：由得到的平均变化频率λ

根据数据时新性确定更新频率：

在时刻t数据抓取系统所维护的第i个数据记录r

则由N个数据记录组成的数据记录集合S的平均时新性如下：

所述数据记录集合S在时间上取平均值加以衡量：

利用拉格朗日乘子计算得到各对象的理论同步频率，然后按理论同步频率对对象数据进行同步，使本地数据库的平均新颖度达到最大值；

所述按理论同步频率对对象数据进行同步，包括：

对于所有的(s,a)初始化表项Q

其中，Q表示计算机机器学习领域的专业表示，即Q为增强学习的表示形式，s表示状态，a表示动作，Q(s,a)表示应用动作a到状态s的结果状态；初始化为0值，即未进行学习初始化值；在每个情节中，将对数据源的范围作为其活动，得到回报值为R

并在时段0-t内，对Q值进行更新：

其中q

在资源限制的前提下，即与服务器最大交互次数M为固定值常量，使得新颖度

偏好提取模块，与中央控制模块连接，用于基于采集的用户个人信息、历史交易信息以及挖掘的浏览数据及其他数据挖掘用户的偏好特征；

评价体系构建模块，与中央控制模块连接，用于基于用户个人信息、交易信息、评论信息、浏览数据、偏好特征构建用户评价体系；

评价指标确定模块，与中央控制模块连接，用于基于构建的用户评价体系确定用户的评价指标；

权重确定模块，与中央控制模块连接，用于确定评价体系中各个指标的相应权重；

评价模块，与中央控制模块连接，用于基于评价指标、权重进行用户的评价。

进一步，所述人工智能B2B网站用户的智能评价系统还包括：

用户信息采集模块，与中央控制模块连接，用于采集用户的个人信息、历史交易信息；

中央控制模块，与用户信息采集模块、数据挖掘模块、数据处理模块、偏好提取模块、评价体系构建模块、评价指标确定模块、权重确定模块、评价模块以及输出模块连接，用于利用单片机或控制器控制各个模块正常工作；

数据处理模块，与中央控制模块连接，用于对挖掘的数据进行归一化、去重及其他处理；

输出模块，与中央控制模块连接，用于输出用户评价的结果。

进一步，所述偏好提取模块基于采集的用户个人信息、历史交易信息以及挖掘的浏览数据及其他数据挖掘用户的偏好特征包括：

(1)获取用户的历史交易行为，并基于所述历史交易行为得到行为序列；

(2)根据所述待推荐用户的行为序列，确定所述待推荐用户的偏好特征；其中，所述正向转化行为事件与所述偏好特征正相关，所述负向转化行为事件与所述偏好特征负相关；

(3)根据所述历史行为数据和所述条件数据，确定所述偏好特征的第一发生概率；以及根据所述条件数据确定第二发生概率；

(4)确定所述第一发生概率与第二发生概率之间的距离；根据所述第一发生概率以及所述距离，确定用户对于所述偏好特征的偏好值。

进一步，所述行为序列是按照历史交易时间，对所述用户针对各个物品的历史交易事件进行排序后获得的，所述历史操作事件包括正向转化行为事件和负向转化行为事件。

进一步，所述根据所述待推荐用户的行为序列，确定所述待推荐用户的偏好特征包括：

采用卷积神经网络对所述用户的属性信息进行特征提取，获得所述用户的第一特征向量；采用时序图神经网络对所述行为序列进行特征提取，获得所述用户的第二特征向量，将所述第一特征向量与所述第二特征向量融合，获得所述用户的偏好特征。

进一步，所述第一发生概率为在所述条件数据影响下所述偏好特征在所述历史行为数据中发生的概率，所述第二发生概率为在用户无偏好时所述偏好特征发生的概率。

进一步，所述确定评价体系中各个指标的相应权重包括：

1)确定评价体系的多层级指标结构，所述多层级指标结构包括具有父子关联关系的多个指标层，其中，父指标层中的每个第一指标与其关联的子指标层中的多个第二指标具有父子关系；

2)根据预先收集的所述用户评价时所产生的指标关联数据，确定父指标层的每个第一指标的层级权重以及确定与所述第一指标具有父子关系的子指标层中第二指标的层级权重；所述层级权重用于表征指标在所属于指标层级中相比与其关联同一父指标的其他指标的重要程度；

3)根据子指标层中第二指标的层级权重和第二指标所关联的父指标的层级权重，确定子指标层中第二指标的全局权重，所述全局权重用于表征指标在其所属指标层级中相比其他指标的重要程度。

结合上述的所有技术方案，本发明所具备的优点及积极效果为：发明利用用户的个人信息、交易数据、浏览数据进行偏好提取，并基于偏好进行指标体系的构建，利用构建的包含多个不同指标的指标体系对用户进行综合、全面、准确的评价，有效预防网上交易风险。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的人工智能B2B网站用户的智能评价系统结构示意图；

图中：1、用户信息采集模块；2、数据挖掘模块；3、中央控制模块；4、数据处理模块；5、偏好提取模块；6、评价体系构建模块；7、评价指标确定模块；8、权重确定模块；9、评价模块；10、输出模块。

图2是本发明实施例提供的人工智能B2B网站用户的智能评价方法流程图。

图3是本发明实施例提供的偏好提取模块基于采集的用户个人信息、历史交易信息以及挖掘的浏览数据及其他数据挖掘用户的偏好特征的方法流程图。

图4是本发明实施例提供的根据所述待推荐用户的行为序列，确定所述待推荐用户的偏好特征的方法流程图。

图5是本发明实施例提供的确定评价体系中各个指标的相应权重的方法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有技术存在的问题，本发明提供了一种人工智能B2B网站用户的智能评价系统，下面结合附图对本发明作详细的描述。

如图1所示，本发明实施例提供的人工智能B2B网站用户的智能评价系统包括：

用户信息采集模块1，与中央控制模块3连接，用于采集用户的个人信息、历史交易信息；

数据挖掘模块2，与中央控制模块3连接，用于利用大数据挖掘技术采集用户的相应评论信息以及浏览数据；

中央控制模块3，与用户信息采集模块1、数据挖掘模块2、数据处理模块4、偏好提取模块5、评价体系构建模块6、评价指标确定模块7、权重确定模块8、评价模块9以及输出模块10连接，用于利用单片机或控制器控制各个模块正常工作；

数据处理模块4，与中央控制模块3连接，用于对挖掘的数据进行归一化、去重及其他处理；

偏好提取模块5，与中央控制模块3连接，用于基于采集的用户个人信息、历史交易信息以及挖掘的浏览数据及其他数据挖掘用户的偏好特征；

评价体系构建模块6，与中央控制模块3连接，用于基于用户个人信息、交易信息、评论信息、浏览数据、偏好特征构建用户评价体系；

评价指标确定模块7，与中央控制模块3连接，用于基于构建的用户评价体系确定用户的评价指标；

权重确定模块8，与中央控制模块3连接，用于确定评价体系中各个指标的相应权重；

评价模块9，与中央控制模块3连接，用于基于评价指标、权重进行用户的评价；

输出模块10，与中央控制模块3连接，用于输出用户评价的结果。

如图2所示，本发明实施例提供的人工智能B2B网站用户的智能评价方法包括：

S101，通过用户信息采集模块采集用户的个人信息、历史交易信息；通过数据挖掘模块利用大数据挖掘技术采集用户的相应评论信息以及浏览数据；

S102，通过中央控制模块利用单片机或控制器控制数据处理模块对挖掘的数据进行归一化、去重及其他处理；通过偏好提取模块基于采集的用户个人信息、历史交易信息以及挖掘的浏览数据及其他数据挖掘用户的偏好特征；

S103，通过评价体系构建模块基于用户个人信息、交易信息、评论信息、浏览数据、偏好特征构建用户评价体系；通过评价指标确定模块基于构建的用户评价体系确定用户的评价指标；

S104，通过权重确定模块确定评价体系中各个指标的相应权重；通过评价模块基于评价指标、权重进行用户的评价；通过输出模块输出用户评价的结果。

本发明实施例提供的利用大数据挖掘技术采集用户的相应评论信息以及浏览数据包括：

确定本地对象与远程数据源同步频率，其中远程数据源即远程Web上的专业数据库；

利用泊松过程来表示远程数据源平均变化频率λi，其中，i＝1,2,…,n，n代表远程数据源的个数；

确定平均新颖度：由得到的平均变化频率λi，确定各对象即远程Web上专业数据库中各数据项ei对应的同步频率fi，在满足同步资源限制的条件下，使本地数据库的平均新颖度

根据数据时新性确定更新频率：

在时刻t数据抓取系统所维护的第i个数据记录ri的时新性如下：

则由N个数据记录组成的数据记录集合S的平均时新性如下：

所述数据记录集合S在时间上取平均值加以衡量：

利用拉格朗日乘子计算得到各对象的理论同步频率，然后按理论同步频率对对象数据进行同步，使本地数据库的平均新颖度达到最大值；

所述按理论同步频率对对象数据进行同步，包括：

对于所有的(s,a)初始化表项Q0(s,a)＝0；

其中，Q表示计算机机器学习领域的专业表示，即Q为增强学习的表示形式，s表示状态，a表示动作，Q(s,a)表示应用动作a到状态s的结果状态；初始化为0值，即未进行学习初始化值；在每个情节中，将对数据源的范围作为其活动，得到回报值为Ri：

并在时段0-t内，对Q值进行更新：

其中qj表示第j个数据记录在时段0-t内进行增强学习得到的结果状态值，Rj表示第j个数据记录在时段0-t内进行增强学习得到的回报值；

在资源限制的前提下，即与服务器最大交互次数M为固定值常量，使得新颖度

如图3所示，本发明实施例提供的偏好提取模块基于采集的用户个人信息、历史交易信息以及挖掘的浏览数据及其他数据挖掘用户的偏好特征包括：

S201，获取用户的历史交易行为，并基于所述历史交易行为得到行为序列；

S202，根据所述待推荐用户的行为序列，确定所述待推荐用户的偏好特征；其中，所述正向转化行为事件与所述偏好特征正相关，所述负向转化行为事件与所述偏好特征负相关；

S203，根据所述历史行为数据和所述条件数据，确定所述偏好特征的第一发生概率；以及根据所述条件数据确定第二发生概率；

S204，确定所述第一发生概率与第二发生概率之间的距离；根据所述第一发生概率以及所述距离，确定用户对于所述偏好特征的偏好值。

本发明实施例提供的行为序列是按照历史交易时间，对所述用户针对各个物品的历史交易事件进行排序后获得的，所述历史操作事件包括正向转化行为事件和负向转化行为事件。

如图4所示，本发明实施例提供的根据所述待推荐用户的行为序列，确定所述待推荐用户的偏好特征包括：

S301，采用卷积神经网络对所述用户的属性信息进行特征提取，获得所述用户的第一特征向量；

S302，采用时序图神经网络对所述行为序列进行特征提取，获得所述用户的第二特征向量；

S303，将所述第一特征向量与所述第二特征向量融合，获得所述用户的偏好特征。

本发明实施例提供的第一发生概率为在所述条件数据影响下所述偏好特征在所述历史行为数据中发生的概率，所述第二发生概率为在用户无偏好时所述偏好特征发生的概率。

如图5所示，本发明实施例提供的确定评价体系中各个指标的相应权重包括：

S401，确定评价体系的多层级指标结构，所述多层级指标结构包括具有父子关联关系的多个指标层，其中，父指标层中的每个第一指标与其关联的子指标层中的多个第二指标具有父子关系；

S402，根据预先收集的所述用户评价时所产生的指标关联数据，确定父指标层的每个第一指标的层级权重以及确定与所述第一指标具有父子关系的子指标层中第二指标的层级权重；所述层级权重用于表征指标在所属于指标层级中相比与其关联同一父指标的其他指标的重要程度；

S403，根据子指标层中第二指标的层级权重和第二指标所关联的父指标的层级权重，确定子指标层中第二指标的全局权重，所述全局权重用于表征指标在其所属指标层级中相比其他指标的重要程度。

以上所述，仅为本发明较优的具体的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。