本發明涉及偏好預測，尤其涉及一種基于人工智能的個性化導購方法及系統。

背景技術：

1、隨著人工智能的興起，個性化智能導購逐漸代替了傳統導購，節約了消費者的時間，提升了購物體驗。個性化智能導購不僅可以縮短消費者與商品之間的距離，還可以在了解消費者的購買意向和商品特征的基礎上，為消費者提供最理想的商品，從而實現以用戶為中心的購物方式。

2、目前關于導購服務主要是在手機購物app上根據商品歷史銷量、商家綜合評價、消費者歷史購買等篩選信息，通過排序等方式直接顯示。雖然這種方式也能輔助消費者正確選擇商品，解決消費者購物時間的問題，但是這種方式還是不能完全滿足消費者的個性化、智能化需求。

3、綜上，目前電商app的篩選方式主要基于商品銷量、商家評價和歷史購買記錄，這種方法在缺乏個性化偏好的背景下，導致推薦商品無法完全匹配用戶需求。

技術實現思路

1、本發明提供了一種基于人工智能的個性化導購方法及系統，能夠注重用戶個性化需求，針對用戶的特定偏好和購買意向提供更精確的商品推薦。

2、第一方面，為了解決上述技術問題，本發明提供了一種基于人工智能的個性化導購方法，包括：獲取用戶基本信息和歷史消費商品屬性；其中，所述用戶基本信息包括用戶的性別、年齡和身高，所述歷史消費商品屬性包括商品的款式、品牌；

3、根據所述用戶基本信息和所述歷史消費商品屬性，進行偏好預測，得到用戶偏好評分；

4、根據所述用戶偏好評分構建決策矩陣，并根據所述用戶偏好評分和所述決策矩陣進行加權計算得到加權評分矩陣；其中，所述決策矩陣由所述用戶偏好評分組成，所述決策矩陣的行表示備選方案，所述決策矩陣的列表示所述歷史消費商品屬性；

5、選擇所述加權評分矩陣中的最大值確定為正理想評分，選擇所述加權評分矩陣中的最小值確定為負理想評分；

6、分別計算所述正理想評分、所述負理想評分與標準化評分之間的距離，得到正理想距離和負理想距離；其中，所述標準化評分由所述用戶偏好評分計算得到；

7、根據所述正理想距離和所述負理想距離，計算偏好評分接近度，并將所述偏好評分接近度進行排序，選擇最大的偏好評分接近度對應的備選方案作為推薦結果。

8、優選地，所述根據所述用戶基本信息和所述歷史消費商品屬性，進行偏好預測，得到用戶偏好評分，包括：

9、根據所述用戶基本信息，基于k-means聚類算法和馬爾科夫鏈算法進行商品預測，得到商品類型；

10、根據所述歷史消費商品屬性和所述商品類型，基于k-means聚類算法進行偏好預測，得到用戶偏好評分。

11、優選地，所述根據所述用戶偏好評分和所述決策矩陣進行加權計算得到加權評分矩陣，包括：

12、根據所述用戶偏好評分，計算標準化評分，得到標準化評分矩陣；其中，所述標準化評分矩陣由所述標準化評分組成；

13、根據所述決策矩陣，計算所述決策矩陣中每一列的列平均值；

14、根據所述列平均值與每一列中的用戶偏好評分，計算列標準差；

15、根據所述列標準差，進行權重計算，得到列權重；

16、將所述列權重與所述標準化評分矩陣中的每個元素相乘，得到加權評分矩陣。

17、優選地，所述根據所述用戶偏好評分，計算標準化評分，得到標準化評分矩陣，包括：

18、根據所述用戶偏好評分，計算標準化評分；

19、根據所述標準化評分，構建標準化評分矩陣；其中，所述標準化評分矩陣由所述標準化評分組成。

20、優選地，所述根據所述用戶偏好評分，計算標準化評分，包括：

21、通過以下公式計算標準化評分：

22、

23、式中，yij為標準化評分，xij為用戶偏好評分，min(xj)表示第j列的最小用戶偏好評分，mαx(xj)表示第j列的最大用戶偏好評分。

24、優選地，所述根據所述列平均值與每一列中的用戶偏好評分，計算列標準差，包括：

25、通過以下公式計算列標準差：

26、

27、式中，σj為列標準差，xij為用戶偏好評分，為列平均值，n為行總數。

28、優選地，所述根據所述列標準差，進行權重計算，得到列權重，包括：

29、通過以下公式計算列權重：

30、

31、式中，wj為列權重，σj為列標準差，表示列標準差的總和。

32、優選地，所述根據所述正理想距離和所述負理想距離，計算偏好評分接近度，包括：

33、通過以下公式計算偏好評分接近度：

34、

35、式中，為負理想距離，為正理想距離，ci為偏好評分接近度。

36、第二方面，本發明提供了一種基于人工智能的個性化導購系統，包括：

37、數據獲取模塊，用于獲取用戶基本信息和歷史消費商品屬性；其中，所述用戶基本信息包括用戶的性別、年齡和身高，所述歷史消費商品屬性包括商品的款式、品牌；

38、偏好預測模塊，用于根據所述用戶基本信息和所述歷史消費商品屬性，進行偏好預測，得到用戶偏好評分；

39、矩陣構建模塊，用于根據所述用戶偏好評分構建決策矩陣，并根據所述用戶偏好評分和所述決策矩陣進行加權計算得到加權評分矩陣；其中，所述決策矩陣由所述用戶偏好評分組成，所述決策矩陣的行表示備選方案，所述決策矩陣的列表示所述歷史消費商品屬性；

40、評分確定模塊，用于選擇所述加權評分矩陣中的最大值確定為正理想評分，選擇所述加權評分矩陣中的最小值確定為負理想評分；

41、距離計算模塊，用于分別計算所述正理想評分、所述負理想評分與標準化評分之間的距離，得到正理想距離和負理想距離；其中，所述標準化評分由所述用戶偏好評分計算得到；

42、推薦計算模塊，用于根據所述正理想距離和所述負理想距離，計算偏好評分接近度，并將所述偏好評分接近度進行排序，選擇最大的偏好評分接近度對應的備選方案作為推薦結果。

43、第三方面，本發明還提供了一種電子設備，包括處理器、存儲器以及存儲在所述存儲器中且被配置為由所述處理器執行的計算機程序，所述處理器執行所述計算機程序時實現上述中任意一項所述的基于人工智能的個性化導購方法。

44、第四方面，本發明還提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質包括存儲的計算機程序，其中，在所述計算機程序運行時控制所述計算機可讀存儲介質所在設備執行上述中任意一項所述的基于人工智能的個性化導購方法。

45、相比于現有技術，本發明具有如下有益效果：本發明實施例提供了一種基于人工智能的個性化導購方法及系統。方法包括：獲取用戶基本信息和歷史消費商品屬性；其中，所述用戶基本信息包括用戶的性別、年齡和身高，所述歷史消費商品屬性包括商品的款式、品牌；根據所述用戶基本信息和所述歷史消費商品屬性，進行偏好預測，得到用戶偏好評分；根據所述用戶偏好評分構建決策矩陣，并根據所述用戶偏好評分和所述決策矩陣進行加權計算得到加權評分矩陣；其中，所述決策矩陣由所述用戶偏好評分組成，所述決策矩陣的行表示備選方案，所述決策矩陣的列表示所述歷史消費商品屬性；選擇所述加權評分矩陣中的最大值確定為正理想評分，選擇所述加權評分矩陣中的最小值確定為負理想評分；分別計算所述正理想評分、所述負理想評分與標準化評分之間的距離，得到正理想距離和負理想距離；其中，所述標準化評分由所述用戶偏好評分計算得到；根據所述正理想距離和所述負理想距離，計算偏好評分接近度，并將所述偏好評分接近度進行排序，選擇最大的偏好評分接近度對應的備選方案作為推薦結果。

46、在本發明中，所述方法能夠在本發明中，所述方法能夠通過獲取用戶的基本信息(如性別、年齡、身高)和歷史消費商品屬性(如商品的款式、品牌)，利用人工智能算法(k-means聚類算法和馬爾科夫鏈算法)進行偏好預測，并結合topsis方法進行推薦計算。具體來說，獲取用戶基本信息和歷史消費商品屬性，基于用戶基本信息(例如性別、年齡、身高)進行k-means聚類，分析用戶與商品的相關性，初步確定適合用戶的商品類型。結合用戶的歷史消費商品屬性，通過馬爾科夫鏈算法分析購買行為轉移概率，進一步精準預測用戶的興趣偏好。構建包含用戶偏好評分的決策矩陣，并通過標準化評分矩陣進行列標準差計算，得到權重分布。利用topsis方法結合理想評分和負理想評分，計算偏好評分接近度并進行排序，最終篩選出最符合用戶需求的商品推薦結果。綜上，所述方法能夠注重用戶個性化需求，針對用戶的特定偏好和購買意向提供更精確的商品推薦。