本技術涉及商品數據處理領域，尤其涉及一種基于大數據的用戶分析方法、系統、產品及介質。

背景技術：

1、隨著移動互聯網技術的發展，電商平臺在用戶消費行為分析方面投入了大量資源，通過對用戶行為數據的深入分析，電商平臺能夠更好地理解用戶需求，其中，促銷活動作為重要的營銷手段，可以對用戶的購物決策產生一定的影響。

2、在相關技術中，可以采用基于用戶歷史行為的分析系統來處理滿減場景下的用戶數據，該分析系統基于用戶歷史行為數據，通過建立用戶標簽體系，將用戶的歷史購買記錄、瀏覽軌跡等數據進行分類統計，形成固定的用戶畫像。

3、然而，在滿減活動期間，用戶的購物決策往往受到促銷規則的動態影響，其行為模式與歷史數據存在較大差異，導致系統生成的推薦結果無法滿足用戶的實際需求。

技術實現思路

1、本技術提供了一種基于大數據的用戶分析方法、系統、產品及介質，用于提高電商平臺對用戶推送商品的準確性。

2、第一方面，本技術提供了一種基于大數據的用戶分析方法，應用于用戶分析系統，該方法包括：獲取當前用戶在當前滿減促銷場景下的具體操作序列，該當前滿減促銷場景為包含商品滿減門檻金額和優惠金額的電商促銷規則，該具體操作序列包含用戶進入滿減活動頁面的時間點、購物車商品金額變化記錄、商品類目間切換路徑、商品增刪改操作記錄和商品瀏覽順序；根據預設用戶行為分析規則提取該具體操作序列中的湊單決策行為特征，該湊單決策行為特征包含異常購物行為；基于該湊單決策行為特征，對用戶加購的每個商品計算湊單可能性得分，該湊單可能性得分根據商品加購時距離滿減門檻的金額差距、加購時的用戶操作頻率、商品與用戶歷史購買行為的相似度計算得出；根據該湊單可能性得分確定每個該商品的推薦權重，當目標商品的該湊單可能性得分超過預設得分閾值時，降低該目標商品在該當前滿減促銷場景下的推薦權重至預設權重。

3、通過采用上述技術方案，獲取用戶在滿減促銷場景下的具體操作序列，包括進入時間點、購物車金額變化等多方面信息，能全面記錄用戶行為，提取湊單決策行為特征，尤其是異常購物行為，可精準把握用戶為湊單而產生的特殊操作模式，基于此計算湊單可能性得分并確定推薦權重，當得分超閾值降低推薦權重，避免過度推薦湊單商品，使推薦更貼合用戶真實需求，提升用戶推薦的準確性和有效性，優化用戶購物體驗。

4、結合第一方面的一些實施例，在一些實施例中，該根據預設用戶行為分析規則提取該具體操作序列中的湊單決策行為特征的步驟，具體包括：獲取該具體操作序列中該當前用戶進入滿減活動頁面后的操作時間序列；計算該操作時間序列中相鄰操作之間的時間間隔；當檢測到操作片段存在連續多次操作的時間間隔小于預設時間閾值時，將該操作片段標記為高頻操作片段；分析該高頻操作片段內的購物車商品金額的變化記錄，當該購物車商品金額的變化方向發生多次反向調整且調整金額接近滿減門檻金額時，判定為異常購物行為；基于該當前用戶在該高頻操作片段內的商品類目間切換路徑，統計該當前用戶在相鄰操作之間的類目切換距離，當該類目切換距離大于預設距離閾值且切換次數超過預設次數閾值時，判定為異常購物行為；整合該高頻操作片段的時間特征、購物車金額變化特征和類目切換特征，得到該當前用戶的湊單決策行為特征。

5、通過采用上述技術方案，獲取操作時間序列并計算相鄰操作時間間隔，能發現高頻操作片段。分析高頻操作片段內購物車金額變化及類目切換路徑，通過判斷金額反向調整、類目切換距離和次數等，準確判定異常購物行為，將相關時間、金額和類目特征作為湊單決策行為特征，有助于系統更精準地識別用戶湊單意圖，從而在推薦商品時做出更合理的決策，提高推薦的精準度和針對性。

6、結合第一方面的一些實施例，在一些實施例中，該基于該湊單決策行為特征，對用戶加購的每個商品計算湊單可能性得分的步驟，具體包括：獲取該當前用戶加購每個商品時的購物車總金額，計算該購物車總金額與滿減門檻金額之間的差額，基于該差額計算第一分項得分；獲取該當前用戶加購每個該商品時的預設時間段內的操作頻率，基于該操作頻率計算第二分項得分；獲取該當前用戶的歷史購買商品列表，計算當前加購商品與歷史購買商品的類目相似度和價格區間相似度，基于該類目相似度和該價格區間相似度計算第三分項得分；根據預設權重將該第一分項得分、該第二分項得分和該第三分項得分進行加權求和，得到每個該商品的湊單可能性得分。

7、通過采用上述技術方案，計算購物車總金額與滿減門檻金額差額得到第一分項得分，獲取預設時間段內操作頻率計算第二分項得分，計算當前加購商品與歷史購買商品的相似度得出第三分項得分，衡量商品與用戶需求的符合度。預設權重加權求和得到湊單可能性得分，提升商品推薦的合理性和有效性，滿足用戶購物期望。

8、結合第一方面的一些實施例，在一些實施例中，該根據該湊單可能性得分確定每個該商品的推薦權重的步驟，具體包括：獲取預設多檔湊單可能性的得分區間及對應的權重調整系數；將每個商品的湊單可能性得分與該得分區間進行匹配，并確定相應的該權重調整系數；獲取每個該商品的原始推薦權重，將該原始推薦權重與該權重調整系數相乘，得到每個該商品的推薦權重。

9、通過采用上述技術方案，使推薦權重分配更合理，推薦列表更符合用戶實際需求，提升推薦系統對用戶行為的適應性，讓推薦商品更精準地滿足用戶在滿減場景下的購物期望，優化購物引導效果。

10、結合第一方面的一些實施例，在一些實施例中，在該當目標商品的該湊單可能性得分超過預設得分閾值時，降低該目標商品在該當前滿減促銷場景下的推薦權重至預設權重的步驟之后，該方法還包括：基于卷積神經網絡提取該當前用戶在滿減活動中的靜態特征，該靜態特征包括商品類目偏好和價格敏感度；基于循環神經網絡rnn提取該當前用戶在購物車操作時的時序特征，該時序特征包含商品增刪改的連續性模式；根據該靜態特征和該時序特征對商品推薦列表進行排序。

11、通過采用上述技術方案，基于卷積神經網絡提取滿減活動中的靜態特征，如商品類目偏好和價格敏感度，能深度挖掘用戶長期穩定的購物傾向，循環神經網絡?rnn?提取購物車操作的時序特征，如商品增刪改連續性模式，捕捉用戶動態行為變化。將靜態和時序特征輸入預設融合模型，綜合分析得到購買傾向概率，結合價格敏感度確定最優推薦價格區間，實現對用戶需求的精準把握，使商品推薦更具針對性，提高推薦商品與用戶期望的匹配度。

12、結合第一方面的一些實施例，在一些實施例中，該根據該靜態特征和該時序特征對商品推薦列表進行排序的步驟，具體包括：將該靜態特征和該時序特征輸入至預設融合模型中，得到該當前用戶對不同商品類目的購買傾向概率；結合該當前用戶的價格敏感度特征，確定最優推薦價格區間；根據該購買傾向概率和該最優推薦價格區間，對商品推薦列表進行排序。

13、通過采用上述技術方案，將靜態特征和時序特征輸入融合模型得到購買傾向概率，反映用戶對不同類目商品的購買可能性，結合價格敏感度確定最優推薦價格區間，綜合考慮用戶價格接受范圍，依據購買傾向概率和最優價格區間對商品推薦列表排序，優先推薦用戶更可能購買且價格合適的商品，使推薦順序更科學合理，讓用戶更易發現心儀商品，提高用戶購物效率，提升推薦系統在引導用戶購物決策方面的有效性，使推薦結果更貼合用戶實際需求，優化用戶購物體驗。

14、結合第一方面的一些實施例，在一些實施例中，在該根據該靜態特征和該時序特征對商品推薦列表進行排序的步驟之后，該方法還包括：對排序后的商品推薦列表進行實時監控，得到監控結果；基于該監控結果調整該靜態特征的權重系數至預設權重閾值。

15、通過采用上述技術方案，對排序后的商品推薦列表進行實時監控，能夠全面收集用戶與推薦商品的交互數據，包括點擊率、停留時長、加購率和購買率等關鍵指標，基于監控結果調整靜態特征的權重系數，可使推薦系統根據用戶實時反饋及時優化特征重要性，例如，若某類商品點擊率低，降低相關靜態特征權重，使推薦更貼合用戶當下需求，從而提高推薦的準確性和有效性，提升用戶購物體驗。

16、第二方面，本技術實施例提供了一種用戶分析系統，該用戶分析系統包括：一個或多個處理器和存儲器；該存儲器與該一個或多個處理器耦合，該存儲器用于存儲計算機程序代碼，該計算機程序代碼包括計算機指令，該一個或多個處理器調用該計算機指令以使得該用戶分析系統執行如第一方面以及第一方面中任一可能的實現方式描述的方法。

17、第三方面，本技術實施例提供一種包含指令的計算機程序產品，當上述計算機程序產品在用戶分析系統上運行時，使得上述用戶分析系統執行如第一方面以及第一方面中任一可能的實現方式描述的方法。

18、第四方面，本技術實施例提供一種計算機可讀存儲介質，包括指令，當上述指令在用戶分析系統上運行時，使得上述用戶分析系統執行如第一方面以及第一方面中任一可能的實現方式描述的方法。

19、可以理解地，上述第二方面提供的用戶分析系統，第三方面提供的計算機程序產品和第四方面提供的計算機存儲介質均用于執行本技術實施例所提供的方法。因此，其所能達到的有益效果可參考對應方法中的有益效果，此處不再贅述。

20、本技術實施例中提供的一個或多個技術方案，至少具有如下技術效果或優點：

21、1、本技術通過獲取用戶在滿減促銷場景下的具體操作序列，包括進入時間點、購物車金額變化等多方面信息，能全面記錄用戶行為，提取湊單決策行為特征，尤其是異常購物行為，可精準把握用戶為湊單而產生的特殊操作模式，基于此計算湊單可能性得分并確定推薦權重，當得分超閾值降低推薦權重，避免過度推薦湊單商品，使推薦更貼合用戶真實需求，提升用戶推薦的準確性和有效性，優化用戶購物體驗。

22、2、本技術通過獲取操作時間序列并計算相鄰操作時間間隔，能發現高頻操作片段。分析高頻操作片段內購物車金額變化及類目切換路徑，通過判斷金額反向調整、類目切換距離和次數等，準確判定異常購物行為，將相關時間、金額和類目特征作為湊單決策行為特征，有助于系統更精準地識別用戶湊單意圖，從而在推薦商品時做出更合理的決策，提高推薦的精準度和針對性。

23、3、本技術通過對排序后的商品推薦列表進行實時監控，能夠全面收集用戶與推薦商品的交互數據，包括點擊率、停留時長、加購率和購買率等關鍵指標，基于監控結果調整靜態特征的權重系數，可使推薦系統根據用戶實時反饋及時優化特征重要性，例如，若某類商品點擊率低，降低相關靜態特征權重，使推薦更貼合用戶當下需求，從而提高推薦的準確性和有效性，提升用戶購物體驗。