一种用于跨境电商的数据处理方法及其系统技术方案

本申请涉及数据处理技术领域，其具体地公开了一种用于跨境电商的数据处理方法及其系统，其利用基于深度学习的人工智能技术，从待分析产品在预定时间周期内的商品点击量和商品交易达成量中提取在时间维度上的转化关联隐含特征的变化特征分布信息，进而通过解码回归来得到待分析产品的推荐指数。这样，能够精准地了解用户的兴趣所在，从而推荐适宜的商品，提高商品的交易成功率。提高商品的交易成功率。提高商品的交易成功率。

【技术实现步骤摘要】
一种用于跨境电商的数据处理方法及其系统


[0001]本申请涉及数据处理
，且更为具体地，涉及一种用于跨境电商的数据处理方法及其系统。

技术介绍

[0002]跨境电商作为一种国际贸易新业态，是将传统国际贸易加以网络化、电子化，以电子技术和物流为主要手段，以商务为核心，把传统的销售、购物渠道移到网上，打破国家与地区有形无形的壁垒，因其能减少中间环节，节约成本等优势，在全世界范围内迅猛发展。
[0003]随着跨境交易数量的激增，各大跨境电商系统中会产生大量数据。对这些数据进行处理和分析可以精准地了解用户的兴趣所在，从而推荐适宜的商品，提高商品的交易成功率。
[0004]因此，期待一种用于跨境电商的数据处理方案。

技术实现思路

[0005]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于跨境电商的数据处理方法及其系统，其利用基于深度学习的人工智能技术，从待分析产品在预定时间周期内的商品点击量和商品交易达成量中提取在时间维度上的转化关联隐含特征的变化特征分布信息，进而通过解码回归来得到待分析产品的推荐指数。这样，能够精准地了解用户的兴趣所在，从而推荐适宜的商品，提高商品的交易成功率。
[0006]根据本申请的一个方面，提供了一种用于跨境电商的数据处理方法，其包括：
[0007]获取待分析产品在预定时间周期内的商品点击量和商品交易达成量；
[0008]将预定时间周期内的商品点击量和商品交易达成量按照时间维度排列为点击输入向量和交易输入向量；
[0009]将所述点击输入向量和所述交易输入向量按位置相除以得到转化率量化向量；
[0010]将所述转化率量化向量通过第一一维卷积神经网络模型以得到第一尺度时序转化率特征向量；
[0011]将所述转化率量化向量通过第二一维卷积神经网络模型以得到第二尺度时序转化率特征向量，其中，所述第二一维卷积神经网络模型和所述第一一维卷积神经网络模型使用具有不同尺度的一维卷积核；
[0012]融合所述第一尺度时序转化率特征向量和所述第二尺度时序转化率特征向量以得到解码特征向量；以及
[0013]将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示待分析产品的推荐指数。
[0014]在上述用于跨境电商的数据处理方法中，将所述点击输入向量和所述交易输入向量按位置相除以得到转化率量化向量，包括：以如下公式将所述点击输入向量和所述交易输入向量按位置相除以得到转化率量化向量；其中，所述公式为：其中，V
a
表示所述点击输入向量，V
b
表示所述交易输入向量，V
t
表示所述转化率量化向量，表示按位置相除。
[0015]在上述用于跨境电商的数据处理方法中，将所述转化率量化向量通过第一一维卷积神经网络模型以得到第一尺度时序转化率特征向量，包括：使用所述第一一维卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于第一一维卷积核的卷积处理和非线性激活处理以由所述第一一维卷积神经网络模型的最后一层输出所述第一尺度时序转化率特征向量，其中，所述第一一维卷积神经网络模型的第一层的输入为所述转化率量化向量。
[0016]在上述用于跨境电商的数据处理方法中，将所述转化率量化向量通过第二一维卷积神经网络模型以得到第二尺度时序转化率特征向量，包括：使用所述第二一维卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于第二一维卷积核的卷积处理和非线性激活处理以由所述第二一维卷积神经网络模型的最后一层输出所述第二尺度时序转化率特征向量，其中，所述第二一维卷积神经网络模型的第一层的输入为所述转化率量化向量。
[0017]在上述用于跨境电商的数据处理方法中，融合所述第一尺度时序转化率特征向量和所述第二尺度时序转化率特征向量以得到解码特征向量，包括：计算所述第一尺度时序转化率特征向量和所述第二尺度时序转化率特征向量之间的关联
‑
概率密度分布仿射映射因数以得到第一关联
‑
概率密度分布仿射映射因数和第二关联
‑
概率密度分布仿射映射因数；以所述第一关联
‑
概率密度分布仿射映射因数和所述第二关联
‑
概率密度分布仿射映射因数作为权重，分别对所述第一尺度时序转化率特征向量和所述第二尺度时序转化率特征向量进行加权以得到优化后第一尺度时序转化率特征向量和优化后第二尺度时序转化率特征向量；以及，将所述优化后第一尺度时序转化率特征向量和所述优化后第二尺度时序转化率特征向量进行级联以得到所述解码特征向量。
[0018]在上述用于跨境电商的数据处理方法中，计算所述第一尺度时序转化率特征向量和所述第二尺度时序转化率特征向量之间的关联
‑
概率密度分布仿射映射因数以得到第一关联
‑
概率密度分布仿射映射因数和第二关联
‑
概率密度分布仿射映射因数，包括：以如下公式计算所述第一尺度时序转化率特征向量和所述第二尺度时序转化率特征向量之间的关联
‑
概率密度分布仿射映射因数以得到第一关联
‑
概率密度分布仿射映射因数和第二关联
‑
概率密度分布仿射映射因数；其中，所述公式为：
[0019][0020][0021]其中，V1和V2分别表示所述第一尺度时序转化率特征向量和所述第二尺度时序转化率特征向量，M为所述第一尺度时序转化率特征向量和所述第二尺度时序转化率特征向量之间的逐位置关联得到的关联矩阵，μ和∑是所述第一尺度时序转化率特征向量和所述第二尺度时序转化率特征向量构成的高斯密度图的均值向量和协方差矩阵，表示矩阵乘法，exp(
·
)表示自然指数函数运算，w1和w2分别表示所述第一关联
‑
概率密度分布仿射映射
因数和所述第二关联
‑
概率密度分布仿射映射因数。
[0022]在上述用于跨境电商的数据处理方法中，将所述优化后第一尺度时序转化率特征向量和所述优化后第二尺度时序转化率特征向量进行级联以得到所述解码特征向量，包括：以如下公式将所述优化后第一尺度时序转化率特征向量和所述优化后第二尺度时序转化率特征向量进行级联以得到所述解码特征向量；其中，所述公式为：
[0023]X＝Concat[V
′1,V
′2][0024]其中，V
′1表示所述优化后第一尺度时序转化率特征向量，V
′2表示所述优化后第二尺度时序转化率特征向量，Concat[
·
,
·
]表示级联函数，X表示所述解码特征向量。
[0025]在上述用于跨境电商的数据处理方法中，将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示待分析产品的推荐指数，包括：使用所述解码器以如下公式对所述解码特征向量进行解码回归以获得所述解码值；其中，所述公式为：其中X是所述解码特征向量，Y是所述解码值，W是权本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于跨境电商的数据处理方法，其特征在于，包括：获取待分析产品在预定时间周期内的商品点击量和商品交易达成量；将预定时间周期内的商品点击量和商品交易达成量按照时间维度排列为点击输入向量和交易输入向量；将所述点击输入向量和所述交易输入向量按位置相除以得到转化率量化向量；将所述转化率量化向量通过第一一维卷积神经网络模型以得到第一尺度时序转化率特征向量；将所述转化率量化向量通过第二一维卷积神经网络模型以得到第二尺度时序转化率特征向量，其中，所述第二一维卷积神经网络模型和所述第一一维卷积神经网络模型使用具有不同尺度的一维卷积核；融合所述第一尺度时序转化率特征向量和所述第二尺度时序转化率特征向量以得到解码特征向量；以及将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示待分析产品的推荐指数。2.根据权利要求1所述的用于跨境电商的数据处理方法，其特征在于，将所述点击输入向量和所述交易输入向量按位置相除以得到转化率量化向量，包括：以如下公式将所述点击输入向量和所述交易输入向量按位置相除以得到转化率量化向量；其中，所述公式为：其中，V
a
表示所述点击输入向量，V
b
表示所述交易输入向量，V
t
表示所述转化率量化向量，表示按位置相除。3.根据权利要求2所述的用于跨境电商的数据处理方法，其特征在于，将所述转化率量化向量通过第一一维卷积神经网络模型以得到第一尺度时序转化率特征向量，包括：使用所述第一一维卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于第一一维卷积核的卷积处理和非线性激活处理以由所述第一一维卷积神经网络模型的最后一层输出所述第一尺度时序转化率特征向量，其中，所述第一一维卷积神经网络模型的第一层的输入为所述转化率量化向量。4.根据权利要求3所述的用于跨境电商的数据处理方法，其特征在于，将所述转化率量化向量通过第二一维卷积神经网络模型以得到第二尺度时序转化率特征向量，包括：使用所述第二一维卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于第二一维卷积核的卷积处理和非线性激活处理以由所述第二一维卷积神经网络模型的最后一层输出所述第二尺度时序转化率特征向量，其中，所述第二一维卷积神经网络模型的第一层的输入为所述转化率量化向量。5.根据权利要求4所述的用于跨境电商的数据处理方法，其特征在于，融合所述第一尺度时序转化率特征向量和所述第二尺度时序转化率特征向量以得到解码特征向量，包括：计算所述第一尺度时序转化率特征向量和所述第二尺度时序转化率特征向量之间的关联
‑
概率密度分布仿射映射因数以得到第一关联
‑
概率密度分布仿射映射因数和第二关联
‑
概率密度分布仿射映射因数；以所述第一关联
‑
概率密度分布仿射映射因数和所述第二关联
‑
概率密度分布仿射映
射因数作为权重，分别对所述第一尺度时序转化率特征向量和所述第二尺度时序转化率特征向量进行加权以得到优化后第一尺度时序转化率特征向量和优化后第二尺度时序转化率特征向量；以及将所述优化后第一尺度时序转化率特征向量和所述优化后第二尺度时序转化率特征向量进行级联以得到所述解码特征向量。6.根据权利要求5所述的用于跨境电商的数据处理方法，其特征在于，计算所述第一尺度时序转化率特征向量和所述第二尺度时序转化率特征向量之间的关联
‑
概率密度分布仿射映射因数以得到第一关联
‑
概率密度分布仿射映射因数和第...

【专利技术属性】
技术研发人员：贾龙龙，龚徐凯，蔡飞，
申请(专利权)人：杭州展俊科技有限公司，
类型：发明
国别省市：