跨境电商大数据智能处理传输方法及平台

1.本发明涉及人工智能技术领域，具体涉及一种跨境电商大数据智能处理传输方法及平台。

背景技术：

2.随着互联网和区块链技术的发展，跨境电商的交易模式、数据传输和物流运输等问题，都经历了巨大的变革。通过引入大数据分析，实现跨境电子商务企业资源的模块化、标准化、系统化。通过优化信息资源、客户资源、运输能力资源等内外部资源的组合，并结合区块链形成全新的跨境电商服务模式。

3.本领域的技术人员发现现有技术存在以下问题：现有的跨境电子商务信息传输存在信息量巨大，运输距离、时间较长，跨境审核繁琐等问题，会造成用户对跨境消费的体验感较差，用户预购买 的分析算法不够健全。

技术实现要素：

4.为了解决上述技术问题，本发明的目的在于提供一种跨境电商大数据智能处理传输方法及平台，所采用的技术方案具体如下：

5.本发明实施例提供了一种跨境电商大数据智能处理传输方法，该方法包括以下具体步骤：

6.基于用户数据获取每个用户的行为数据集合，所述行为数据集合包括当前商品的浏览停留时间、浏览点击次数、加入购物车频率和加入数量，根据所述行为数据集合和每个行为数据的初始热度值计算每个用户对当前商品的初始购买热度；

7.根据用户之间所述行为数据集合的相似程度得到当前商品在用户间的相关热度指标；基于当前用户的多个商品的所述行为数据集合计算其当前商品与其他商品之间的自相关指标，结合每个用户的所述自相关指标得到当前商品与其他商品之间的整体自相关指标；

8.基于电商数据计算当前商品的热度衰减值，所述电商数据包括当前商品的退换货频率和售后评价数据；结合所述初始购买热度、所述相关热度指标、所述整体自相关指标和所述热度衰减值计算当前用户对当前商品的购买热度指标；

9.基于所述购买热度指标确认当前商品的有效用户和有效购买热度指标，根据所述有效用户的所在地区和所述有效购买热度指标对多个所述有效用户进行聚类，得到多个聚类簇；统计每个所述聚类簇中对应所述有效用户所需当前商品的预需总数量，结合所述聚类簇对应地区仓储中当前商品的实际总数量和所述预需总数量对每个地区仓储中的当前商品进行数量调节。

10.进一步地，对每个所述聚类簇对应的所述预需总数量进行优化的方法，包括：

11.由当前商品的存储单价、退换单价、热度衰减值和所述预需总数量计算每个所述聚类簇对应的预支付风险值；所述预支付风险值分别与所述存储单价、所述退换单价、所述

热度衰减值和所述预需总数量呈正相关关系；

12.当所述预支付风险值大于风险阈值时，将对应所述聚类簇中的有效用户数量进行剔除，基于剔除结果得到每个所述聚类簇的实际预需总数量。

13.进一步地，所述剔除方法包括：

14.将当前所述聚类簇中每个所述有效用户对当前商品的所述购买热度值进行从小到大进行剔除，直到当前所述聚类簇的所述预支付风险值小于或等于风险阈值。

15.进一步地，所述结合所述聚类簇对应地区仓储中当前商品的实际总数量和所述预需总数量对每个地区仓储中的当前商品进行数量调节的方法，包括：

16.当任意一个地区仓储的当前商品的所述实际总数量大于或等于所述预需总数量时，则该地区仓储不需要对当前商品进行调用分配；反之，当任意一个地区仓储的当前商品的所述实际总数量小于所述预需总数量时，则对距离该地区近且所述实际总数量大于所述预需总数量的地区进行调用分配。

17.进一步地，所述购买热度指标与所述初始购买热度呈正相关关系、所述购买热度指标与所述相关热度指标呈正相关关系、所述购买热度指标与所述整体自相关指标呈正相关关系、所述购买热度指标与所述热度衰减值呈负相关关系。

18.进一步地，所述基于电商数据计算当前商品的热度衰减值的方法，包括：

19.基于电商数据获取历史用户对当前商品的所述退换货频率和所述售后评价数据，所述售后评价数据包括正面评价数据和负面评价数据；计算所述负面评价数据的数量与所述售后评价数据的总数量之间的比值，将所述比值与所述退换货频率之间的总和作为当前商品的所述热度衰减值。

20.进一步地，所述相关热度指标的计算公式为：

[0021][0022]

其中，sim为所述相关热度指标；cos(ii,ij)为第i个用户的所述行为数据集合与第j个用户的所述行为数据集合之间的余弦值；α

ji

为第i个用户和第j个用户之间对应所述余弦值的增强参数；

[0023]

其中，所述增强参数其中，w(ii)为第i个用户的所述行为数据集合的数据维度；w(ij)为第j个用户的所述行为数据集合的数据维度。

[0024]

进一步地，所述自相关指标的获取方法，包括：

[0025]

结合当前商品与每个其他商品之间所述行为数据集合的相关系数和商品潜在相关系数得到当前用户对应的当前商品与其他商品之间的所述自相关指标。

[0026]

进一步地，本发明实施例还提供了一种跨境电商大数据智能处理传输平台，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述一种跨境电商大数据智能处理传输方法中任意一项所述方法的步骤。

[0027]

本发明实施例至少具有如下有益效果：基于电商大数据分析用户对商品的购买热度指标，且结合用户所在地区对每个地区仓储的商品进行预分配处理，能够有效降低物流

的零散运输成本和物流运输过程中的时间成本，有利于提高电商平台用户的体验感和购买热度。

附图说明

[0028]

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。

[0029]

图1为本发明一个实施例提供的一种跨境电商大数据智能处理传输方法的步骤流程图。

具体实施方式

[0030]

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种跨境电商大数据智能处理传输方法及平台，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

[0031]

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

[0032]

下面结合附图具体的说明本发明所提供的一种跨境电商大数据智能处理传输方法及平台的具体方案。

[0033]

本发明实施例所针对的场景为：通过电商平台获取用户对商品的浏览等行为操作，来分析用户对商品的购买热度以进行各个地区仓储的商品预准备。

[0034]

请参阅图1，其示出了本发明一个实施例提供的一种跨境电商大数据智能处理传输方法的步骤流程图，该方法包括以下步骤：

[0035]

步骤s001，基于用户数据获取每个用户的行为数据集合，行为数据集合包括当前商品的浏览停留时间、浏览点击次数、加入购物车频率和加入数量，根据行为数据集合和每个行为数据的初始热度值计算每个用户对当前商品的初始购买热度。

[0036]

具体的，跨境电商大数据包括多个区块数据，主要为物流管理区块、仓储数据区块、电商数据区块、平台交易数据区块和用户数据区块。根据用户数据区块中实时用户数据获取每个用户的行为数据集合，行为数据集合包括用户在电商平台对当前商品的浏览停留时间t、浏览点击次数c、加入购物车频率p和加入数量m。令行为数据的总热度值为100，基于总热度值对每个行为数据分配初始热度值，如浏览停留时间的初始热度值为25、浏览点击次数的初始热度值为15、加入购物车频率的初始热度值为50、加入数量的热度值为10，进而结合每个用户的行为数据集合和行为数据的初始热度值计算每个用户对当前商品的初始购买热度，则初始购买热度的计算公式为：

[0037]

score＝s0+(25t+15c+50p+10m)-s(t)

[0038]

其中，score为用户对当前商品的初始购买热度；s0为当前商品的喜爱程度；s(t)为时间衰减参数。

[0039]

需要说明的是，时间衰减参数其中，t1表示当前商品与用户交互的时间，t0为当前商品的发布时间，β为调节因子，本发明实施例中令β＝1。

[0040]

步骤s002，根据用户之间行为数据集合的相似程度得到当前商品在用户间的相关热度指标；基于当前用户的多个商品的行为数据集合计算其当前商品与其他商品之间的自相关指标，结合每个用户的自相关指标得到当前商品与其他商品之间的整体自相关指标。

[0041]

具体的，基于实时用户数据能够得到多个用户对当前商品的行为数据集合，根据用户之间行为数据集合的相似程度计算当前商品在用户之间的相关热度指标，则相关热度指标的计算公式为：其中，sim为相关热度指标；cos(ii,ij)为第i个用户的行为数据集合与第j个用户的行为数据集合之间的余弦值；α

ji

为第i个用户和第j个用户之间对应余弦值的增强参数。

[0042]

需要说明的是，增强参数其中，w(ii)为第i个用户的行为数据集合的数据维度；w(ij)为第j个用户的行为数据集合的数据维度。

[0043]

进一步地，基于实时用户数据挖掘每个用户对应当前商品所关联的其他商品，并且得到用户对其他商品的行为数据集合，即一个用户对应一个当前商品的行为数据集合和多个关联商品的行为数据集合，根据一个用户对多个商品的行为数据集合计算当前商品与其他商品之间的自相关指标，则自相关指标的计算公式为：其他商品之间的自相关指标，则自相关指标的计算公式为：其中，cor为一个用户对应的当前商品i与其他商品ii之间的自相关指标；γi当前商品与第i个其他商品之间的潜在相关系数，且γ的取值范围为[0，1]；corr(i,ii)为当前商品与第i个其他商品之间对应行为数据集合的相关系数。

[0044]

需要说明的是，潜在相关系数γi能够根据经验获取，例如手机和耳机、手机膜等配件存在强相关关系，则γ＝1。

[0045]

根据上述自相关指标的计算公式能够得到每个用户对应的当前商品与其他商品之间的自相关指标，然后结合所有用户的自相关指标计算当前商品与其他商品之间的整体自相关指标，则整体自相关指标的计算方法为：对所有自相关指标进行平均值的计算，将平均值作为整体自相关指标。

[0046]

步骤s003，基于电商数据计算当前商品的热度衰减值，电商数据包括当前商品的退换货频率和售后评价数据；结合初始购买热度、相关热度指标、整体自相关指标和热度衰减值计算当前用户对当前商品的购买热度指标。

[0047]

具体的，基于电商数据获取历史用户对当前商品的退换货频率和售后评价数据，售后评价数据包括正面评价数据k2和负面评价数据k1，将历史用户对当前商品的退换货频率和负面评价数量作为用户与当前商品之间的热度负增益数据，则结合当前商品的退换货频率和负面评价数量计算当前商品的热度衰减值，则热度衰减值的计算公式为：

[0048][0049]

其中，nl为当前商品的热度衰减值；m为当前商品的退换货频率；num(k1)为负面评

价数量；num(k1+k2)为售后评价数据的总数量。

[0050]

进一步地，由步骤s001能够得到用户对当前商品的初始购买热度score、步骤s002得到当前商品在用户间的相关热度指标sim和当前商品与其他商品之间的整体自相关指标步骤s003能够得到当前商品的热度衰减值nl，因此结合初始购买热度、相关热度指标、整体自相关指标和热度衰减值计算当前用户对当前商品的购买热度指标，则单个用户对当前商品的购买热度指标的计算公式为：进而能够得到每个用户对当前商品的购买热度指标。

[0051]

需要说明的是，为了方便分析和量纲的统一，对每个购买热度指标进行归一化处理。

[0052]

步骤s004，基于购买热度指标确认当前商品的有效用户和有效购买热度指标，根据有效用户的所在地区和有效购买热度指标对多个有效用户进行聚类，得到多个聚类簇；统计每个聚类簇中对应有效用户所需当前商品的预需总数量，结合聚类簇对应地区仓储中当前商品的实际总数量和预需总数量对每个地区仓储中的当前商品进行数量调节。

[0053]

具体的，为了后续进行物流仓储分配过程中，用户对当前商品的购买热度指标能够提供准确的预测信息，设置热度阈值b＝0.8，当用户对当前商品的购买热度指标大于热度阈值b时，则视为有效预测信息，进而将其视为有效购买热度指标，同时将其对应用户视为有效用户。

[0054]

由于每个有效用户都对应一个所在地区，且每个有效用户都对应一个有效购买热度指标，因此结合每个有效用户的所在地区和有效购买热度指标进行有效用户的聚类，具体为：以有效用户的所在地区为横坐标，且按照地区相邻关系进行分布排序，以有效购买热度指标为纵坐标构建二维空间中每个有效用户对应的数据点，利用dbscan聚类算法对数据点进行聚类得到多个聚类簇，每个聚类簇表示同一地区内对当前商品的购买热度指标相似的有效用户。

[0055]

根据聚类结果，统计每个聚类簇中对应所有有效用户所需当前商品的预需总数量a，同时基于每个聚类簇对应地区仓储中当前商品的实际总数量和预需总数量对每个地区仓储中的当前商品数量进行调节，具体为：当任意一个地区仓储的当前商品的实际总数量大于或等于预需总数量时，则该地区仓储不需要对当前商品进行调用分配；反之，当任意一个地区仓储的当前商品的实际总数量小于预需总数量时，则通过距离该地区近且实际总数量大于预需总数量的地区进行调用分配。

[0056]

需要说明的是，当聚类簇所对应的地区未设置仓储时，则默认选择最近邻的聚类簇所对应的地区仓储进行当前商品的预先储备。

[0057]

进一步地，为了保证电商预交付和仓储预分配过程中所产生的预支付风险，通过对每个聚类簇对应的预需总数量进行优化，以避免部分用户的不确定风险造成预支付风险增大，其预需总数量的优化方法为：对上述每个聚类簇中的数据点进行有效剔除，首先计算每个聚类簇对应所需当前商品产生的预支付风险值，其计算公式为：δi＝nl*(h+q)*ai，其中，δi为第i个聚类簇对应的预支付风险值，ai为第i个聚类簇对应的预需总数量，q表示当前商品存储所产生的存储单价，h表示当前商品在退换过程中所产生的退换单价；然后设定风险阈值ε＝100，此为经验值，当预支付风险值δ》风险阈值ε时，则将对应的聚类簇中的数据点进行剔除，其数据点剔除过程中是根据每个用户对当前商品的购买热度指标进行由小到

大剔除，直到满足预支付风险值δ≤风险阈值ε为止，得到每个聚类簇对应的实际预需总数量。

[0058]

综上所述，本发明实施例提供了一种跨境电商大数据智能处理传输方法，该方法基于用户数据获取每个用户的行为数据集合，根据行为数据集合和每个行为数据的初始热度值计算每个用户对当前商品的初始购买热度；分析当前商品在用户间的相关热度指标以及当前商品与其他商品之间的整体自相关指标；结合初始购买热度、相关热度指标、整体自相关指标和热度衰减值计算每个用户对当前商品的购买热度指标；结合每个用户的所在地区和购买热度指标对每个地方仓储中当前商品进行预分配处理，该方法能够有效降低物流的零散运输成本和物流运输过程中的时间成本，有利于提高电商平台用户的体验感和购买热度。

[0059]

基于与上述方法相同的发明构思，本发明实施例还提供了一种跨境电商大数据智能处理传输平台，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述一种跨境电商大数据智能处理传输方法中任意一项所述方法的步骤。

[0060]

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

[0061]

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

[0062]

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：

1.一种跨境电商大数据智能处理传输方法，其特征在于，该方法包括以下步骤：基于用户数据获取每个用户的行为数据集合，所述行为数据集合包括当前商品的浏览停留时间、浏览点击次数、加入购物车频率和加入数量，根据所述行为数据集合和每个行为数据的初始热度值计算每个用户对当前商品的初始购买热度；根据用户之间所述行为数据集合的相似程度得到当前商品在用户间的相关热度指标；基于当前用户的多个商品的所述行为数据集合计算其当前商品与其他商品之间的自相关指标，结合每个用户的所述自相关指标得到当前商品与其他商品之间的整体自相关指标；基于电商数据计算当前商品的热度衰减值，所述电商数据包括当前商品的退换货频率和售后评价数据；结合所述初始购买热度、所述相关热度指标、所述整体自相关指标和所述热度衰减值计算当前用户对当前商品的购买热度指标；基于所述购买热度指标确认当前商品的有效用户和有效购买热度指标，根据所述有效用户的所在地区和所述有效购买热度指标对多个所述有效用户进行聚类，得到多个聚类簇；统计每个所述聚类簇中对应所述有效用户所需当前商品的预需总数量，结合所述聚类簇对应地区仓储中当前商品的实际总数量和所述预需总数量对每个地区仓储中的当前商品进行数量调节。

2.如权利要求1所述的一种跨境电商大数据智能处理传输方法，其特征在于，对每个所述聚类簇对应的所述预需总数量进行优化的方法，包括：由当前商品的存储单价、退换单价、热度衰减值和所述预需总数量计算每个所述聚类簇对应的预支付风险值；所述预支付风险值分别与所述存储单价、所述退换单价、所述热度衰减值和所述预需总数量呈正相关关系；当所述预支付风险值大于风险阈值时，将对应所述聚类簇中的有效用户数量进行剔除，基于剔除结果得到每个所述聚类簇的实际预需总数量。3.如权利要求2所述的一种跨境电商大数据智能处理传输方法，其特征在于，所述剔除方法包括：将当前所述聚类簇中每个所述有效用户对当前商品的所述购买热度值进行从小到大进行剔除，直到当前所述聚类簇的所述预支付风险值小于或等于所述风险阈值。4.如权利要求1所述的一种跨境电商大数据智能处理传输方法，其特征在于，所述结合所述聚类簇对应地区仓储中当前商品的实际总数量和所述预需总数量对每个地区仓储中的当前商品进行数量调节的方法，包括：当任意一个地区仓储的当前商品的所述实际总数量大于或等于所述预需总数量时，则该地区仓储不需要对当前商品进行调用分配；反之，当任意一个地区仓储的当前商品的所述实际总数量小于所述预需总数量时，则对距离该地区近且所述实际总数量大于所述预需总数量的地区进行调用分配。

5.如权利要求1所述的一种跨境电商大数据智能处理传输方法，其特征在于，所述购买热度指标与所述初始购买热度呈正相关关系、所述购买热度指标与所述相关热度指标呈正相关关系、所述购买热度指标与所述整体自相关指标呈正相关关系、所述购买热度指标与所述热度衰减值呈负相关关系。6.如权利要求1所述的一种跨境电商大数据智能处理传输方法，其特征在于，所述基于电商数据计算当前商品的热度衰减值的方法，包括：

基于电商数据获取历史用户对当前商品的所述退换货频率和所述售后评价数据，所述售后评价数据包括正面评价数据和所述负面评价数据；计算所述负面评价数据的数量与所述售后评价数据的总数量之间的比值，将所述比值与所述退换货频率之间的总和作为当前商品的所述热度衰减值。7.如权利要求1所述的一种跨境电商大数据智能处理传输方法，其特征在于，所述相关热度指标的计算公式为：其中，sim为所述相关热度指标；cos(i

,i

)为第i个用户的所述行为数据集合与第j个用户的所述行为数据集合之间的余弦值；α

ji

为第i个用户和第j个用户之间对应所述余弦值的增强参数；其中，所述增强参数其中，w(i

)为第i个用户的所述行为数据集合的数据维度；w(i

)为第j个用户的所述行为数据集合的数据维度。8.如权利要求1所述的一种跨境电商大数据智能处理传输方法，其特征在于，所述自相关指标的获取方法，包括：结合当前商品与每个其他商品之间所述行为数据集合的相关系数和商品潜在相关系数得到当前用户对应的当前商品与其他商品之间的所述自相关指标。9.一种跨境电商大数据智能处理传输平台，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-8任意一项所述方法的步骤。

技术总结

本发明涉及人工智能技术领域，具体涉及一种跨境电商大数据智能处理传输方法及平台。基于用户数据获取每个用户的行为数据集合，根据行为数据集合和每个行为数据的初始热度值计算每个用户对当前商品的初始购买热度；分析当前商品在用户间的相关热度指标以及当前商品与其他商品之间的整体自相关指标；结合初始购买热度、相关热度指标、整体自相关指标和热度衰减值计算每个用户对当前商品的购买热度指标；结合每个用户的所在地区和购买热度指标对每个地方仓储中当前商品进行预分配处理，该方法能够有效降低物流的零散运输成本和物流运输过程中的时间成本，有利于提高电商平台用户的体验感和购买热度。的体验感和购买热度。的体验感和购买热度。

技术研发人员：赵瑞津 赵小蝶 薛芷筠

受保护的技术使用者：温州大学

技术研发日：2022.02.28

技术公布日：2022/5/30

标签： 跨境电商大数据智能处理传输方法及平台