本發(fā)明涉及交易管理，尤其涉及一種基于多交易客體交互的交易管理方法及系統(tǒng)。

背景技術：

1、隨著電子商務和在線交易平臺的快速發(fā)展，用戶在購物過程中往往會將多個交易客體加入購物車，并期望在一次交易中滿足多樣化的需求?，F(xiàn)代消費者不僅關注單個商品的質量和價格，還非常重視商品之間的搭配和整體購物體驗。例如，用戶在購買電子產品時，可能會同時考慮購買手機、保護殼和配件，希望這些商品能夠互相兼容且功能互補；在購買服裝時，可能會關注不同衣物的搭配效果，希望這些商品能夠形成統(tǒng)一的風格。

2、然而，傳統(tǒng)的交易管理方法通常主要關注單個商品的推薦，依賴于商品的銷量、用戶的歷史購買記錄和簡單的關聯(lián)規(guī)則。這種推薦方式雖然在某些場景下有效，但在處理多個商品之間的復雜交互關系時顯得力不從心。用戶需要花費大量時間和精力手動篩選和匹配商品，增加了購物的復雜性。同時，現(xiàn)有的交易管理方法也缺乏對多商品組合的優(yōu)化分析，無法從整體上考慮商品之間的兼容性和功能互補性。例如，用戶在購買一套家具時，可能希望這套家具在顏色、風格和尺寸上都能協(xié)調一致，而現(xiàn)有技術往往無法提供這樣的組合推薦。這導致用戶在面對購物車中的多個商品時，常常難以做出最優(yōu)的選擇，從而無法充分滿足其多樣化的需求。

3、為了解決這些問題，本技術設計了一種基于多交易客體交互的交易管理方法及系統(tǒng)。

技術實現(xiàn)思路

1、為了克服現(xiàn)有技術存在的缺陷與不足，本發(fā)明提供一種基于多交易客體交互的交易管理方法及系統(tǒng)，通過分析用戶購物車中多個交易客體組合的交易優(yōu)先程度，得到最優(yōu)的交易客體組合。能夠有效解決現(xiàn)有技術中單一商品推薦、缺乏用戶需求精準分析、組合推薦缺乏依據和優(yōu)先級排序不明確等技術問題，提高用戶的購物體驗和滿意度。

2、為了達到上述目的，本發(fā)明采用以下技術方案：

3、第一方面，本發(fā)明實施例提供一種基于多交易客體交互的交易管理方法，包括下述步驟：

4、s1、獲取用戶購物車中多個交易客體的特征數據和功能數據，同時獲取用戶的交易需求數據；

5、s2、將交易需求數據導入交易客體交易需求分析模型中，分析用戶的交易需求；

6、s3、將多個交易客體的特征數據和功能數據導入交易客體組合交易匹配程度分析模型中分析用戶購物車中多個交易客體的組合交易匹配程度，根據組合交易匹配程度分析結果，得到多個交易客體組合，并獲取多個交易客體組合的組合屬性數據；

7、s4、根據用戶的交易需求分析結果和多個交易客體組合的組合屬性數據，分析用戶購物車中多個交易客體組合的交易優(yōu)先程度；

8、s5、根據交易優(yōu)先程度分析結果，將最優(yōu)交易客體組合推薦給用戶。

9、在本發(fā)明的一種實現(xiàn)方式中，步驟s2包括以下具體步驟：

10、s21、提取用戶的交易需求數據，其中，所述交易需求數據包括用戶對歷史交易客體的評價文本數據和用戶購物車中交易客體種類數據；

11、s22、獲取用戶對與購物車中某個交易客體同種類的多個歷史交易客體的評價文本數據，將所述多個歷史交易客體的評價文本數據導入詞頻分析模型中，對多個歷史交易客體的評價文本數據進行名詞詞頻分析，將分析得到的多個名詞的詞頻求和并取平均值，獲取大于等于平均值的詞頻對應的多個名詞作為用戶對購物車中某個交易客體的交易需求；

12、s23、獲取用戶對購物車中所有交易客體的交易需求，并將用戶對購物車中所有交易客體的交易需求的交集作為用戶的交易需求。

13、在本發(fā)明的一種實現(xiàn)方式中，步驟s3包括以下具體步驟：

14、s31、提取用戶購物車中多個交易客體的特征數據和功能數據，其中，所述特征數據包括交易客體的交易客體圖像；所述功能數據包括從預設的交易客體數據庫中提取到的交易客體的功能列表；

15、s32、將交易客體圖像進行圖像特征提取，得到交易客體的圖像特征向量；將交易客體的功能列表進行功能特征提取，得到交易客體的功能特征向量；將圖像特征向量和功能特征向量進行拼接處理，得到交易客體的多維特征向量，其中，交易客體的多維特征向量的維度數量為圖像特征向量的維度數量與功能特征向量的維度數量之和。

16、在本發(fā)明的一種實現(xiàn)方式中，步驟s3還包括以下具體步驟：

17、s33、獲取用戶購物車中所有交易客體的多維特征向量；

18、s34、根據步驟s33，構建交易客體組合內特征差異值計算公式：

19、；

20、其中，wcv表示交易客體組合內特征差異值，表示第q個交易客體組合中第i個交易客體的多維特征向量中第j個特征值，表示第q個交易客體組合中所有交易客體的多維特征向量中第j個特征值的平均值，q表示交易客體組合數量，m表示第q個交易客體組合中交易客體總數，n表示第q個交易客體組合中第i個交易客體的多維特征向量中特征值的數量；j為1至n中任一項，i為1至m中任一項，q為1至q中任一項；

21、s35、根據步驟s33，構建交易客體組合間特征差異值計算公式：

22、；

23、其中bcv表示交易客體組合間特征差異值，表示所有交易客體組合中所有交易客體的多維特征向量中第j個特征值的平均值；

24、s36、構建目標函數；其中a、b分別表示交易客體組合內特征差異權重系數、交易客體組合間特征差異權重系數；

25、s37、提取用戶購物車中所有交易客體進行多次隨機組合而產生的多組交易客體組合序列，其中，交易客體組合序列中包括每次隨機組合而產生的多個交易客體組合，將每組交易客體組合序列中對應的所有交易客體的多維特征向量代入步驟s34-s36的公式中，獲取使得目標函數j取得最大值時對應的交易客體組合序列作為組合交易匹配程度分析結果；

26、s38、獲取組合交易匹配程度分析結果中多個交易客體組合，獲取每個交易客體組合的組合屬性數據，其中，所述組合屬性數據包括交易客體組合中所有交易客體的歷史交易評價文本數據、好評率和價格。

27、在本發(fā)明的一種實現(xiàn)方式中，步驟s4包括以下具體步驟：

28、s41、提取用戶的交易需求和多個交易客體組合的組合屬性數據；將每個交易客體組合中每個交易客體的歷史交易評價文本數據導入詞頻分析模型中對每個交易客體的歷史交易評價進行名詞詞頻分析，將分析得到的多個名詞的詞頻進行求和并取平均值，獲取大于等于平均值的詞頻對應的多個名詞作為對應交易客體的需求特征；獲取每個交易客體組合中所有交易客體的需求特征，并剔除每個交易客體組合中所有交易客體的需求特征中重復的需求特征，將經過剔除后的每個交易客體組合中所有交易客體的需求特征作為每個交易客體組合的需求特征；

29、s42、將用戶的交易需求、多個交易客體組合的需求特征和組合屬性數據代入交易優(yōu)先指數計算公式中計算每個交易客體組合的交易優(yōu)先指數；所述交易優(yōu)先指數計算公式為：

30、；

31、其中，jyq表示第q個交易客體組合的交易優(yōu)先指數，表示第q個交易客體組合中所有交易客體的好評率的均值，jx表示用戶的交易需求，xt表示第q個交易客體組合的需求特征，num()表示取括號內元素的數量，表示取用戶的交易需求和第q個交易客體組合的需求特征的交集，表示取用戶的交易需求和第q個交易客體組合的需求特征的并集，pq表示第q個交易客體組合中所有交易客體的價格之和的均值，表示所有交易客體組合中所有交易客體的價格之和的均值。

32、在本發(fā)明的一種實現(xiàn)方式中，步驟s5包括以下具體內容：

33、獲取計算得到的所有交易客體組合的交易優(yōu)先指數中最大值對應的交易客體組合作為最優(yōu)交易客體組合推薦給用戶。

34、第二方面，本發(fā)明實施例還提供一種基于多交易客體交互的交易管理系統(tǒng)，包括：

35、數據獲取模塊，用于獲取用戶購物車中多個交易客體的特征數據和功能數據，同時獲取用戶的交易需求數據；

36、交易需求分析模塊，用于將交易需求數據導入交易客體交易需求分析模型中，分析用戶的交易需求；

37、組合交易匹配分析模塊，用于將多個交易客體的特征數據和功能數據導入交易客體組合交易匹配程度分析模型中分析用戶購物車中多個交易客體的組合交易匹配程度，根據組合交易匹配程度分析結果，得到多個交易客體組合，并獲取多個交易客體組合的組合屬性數據；

38、交易優(yōu)先程度分析模塊，用于根據用戶的交易需求分析結果和多個交易客體組合的組合屬性數據，分析用戶購物車中多個交易客體組合的交易優(yōu)先程度；

39、最優(yōu)交易客體組合推薦模塊，用于根據交易優(yōu)先程度分析結果，將最優(yōu)交易客體組合推薦給用戶；

40、控制模塊，用于控制所述數據獲取模塊、所述交易需求分析模塊、所述組合交易匹配分析模塊、所述交易優(yōu)先程度分析模塊和所述最優(yōu)交易客體組合推薦模塊的運行。

41、第三方面，本發(fā)明實施例提供的一種電子設備，包括：處理器和存儲器，其中，所述存儲器中存儲有可供處理器調用的計算機程序，所述處理器通過調用所述存儲器中存儲的計算機程序，執(zhí)行一種基于多交易客體交互的交易管理方法。

42、第四方面，本發(fā)明實施例提供的一種計算機可讀存儲介質，儲存有指令，當所述指令在計算機上運行時，使得計算機執(zhí)行一種基于多交易客體交互的交易管理方法。

43、本發(fā)明與現(xiàn)有技術相比，具有如下優(yōu)點和有益效果：

44、本發(fā)明通過交易需求數據分析用戶的交易需求；通過多個交易客體的特征數據和功能數據分析用戶購物車中多個交易客體的組合交易匹配程度，根據組合交易匹配程度分析結果，得到多個交易客體組合，并獲取多個交易客體組合的組合屬性數據；根據用戶的交易需求分析結果和多個交易客體組合的組合屬性數據，分析用戶購物車中多個交易客體組合的交易優(yōu)先程度；根據交易優(yōu)先程度分析結果，將最優(yōu)交易客體組合推薦給用戶。能夠解決現(xiàn)有技術中單一商品推薦、缺乏用戶需求精準分析、組合推薦缺乏依據和優(yōu)先級排序不明確等技術問題，提高用戶的購物體驗和滿意度。