本發明涉及計算機，具體涉及一種基于零售大模型的自動交互方法和系統。

背景技術：

1、零售行業是商業活動中直接面向消費者的銷售和服務部分，它涵蓋了從實體店鋪到電子商務的各種銷售渠道。隨著技術的進步和消費者偏好的變化，零售行業正經歷著深刻的轉型，越來越多的交易活動轉移至網絡平臺，同時隨著ai技術和大數據分析的發展，為了優化商品推薦和提高交易效率，會采用ai技術根據用戶偏好和歷史行為為每個顧客提供獨特的產品和服務，如中國專利公開的基于圖數據庫的數據處理的零售推薦方法、系統和介質（公告號：cn115797020b），該專利技術中，方法包括：采集商品交互信息和消費特性信息輸入零售事件圖數據庫生成零售關系模型組織樹，并生成目標消費群特征畫像，再提取消費傾向數據并與圖數據庫中商品數據信息進行相似度對比獲得商品零售意向數據，對消費傾向數據與商品零售意向數據進行處理獲得供銷契合關聯指數，再與預設零售關系擬合閾值進行閾值對比判斷零售商品推薦的有效情況；從而運用圖數據庫獲得消費傾向數據，與商品數據信息對比獲得的商品零售意向數據進行契合度處理并判斷零售商品推薦情況，實現通過圖數據庫技術和大數據對消費群和零售商品進行推薦和判斷技術，其工作時，不僅需要對用戶的信息和行為進行分析，也需要對所存儲的商品進行預處理，一般的處理方法是設置數據映射關系，通過眾多數據映射關系來處理商品之間的關聯度，通過人工手動、規格庫劃分或者ai技術自動處理等方法為商品添加若干個關聯產品，最終實現關聯商品的存儲，雖然能夠一定程度地降低ai模型占用的算力資源，但數據規模龐大的映射關系表也會帶來較大的數據存儲壓力，且后續維護時增減數據操作較為復雜，營運成本較高。

技術實現思路

1、本發明所要解決的技術問題：現有的商品推薦方法依賴于ai技術，面對數據規模龐大的商品處理工作時，將會占用較多的算力資源，推薦效果較差，商品的存儲也較為困難，數據存儲壓力大，后續維護時增減數據操作較為復雜，營運成本較高。

2、為解決上述技術問題，本發明的第一方面采用如下技術方案：一種基于零售大模型的自動交互方法，包括以下步驟：

3、s1：接入用戶，獲取歷史用戶畫像，實時記錄用戶行為；

4、s2：調用預設的零售大模型根據用戶畫像和用戶行為，獲取預設的資產庫中相匹配的資產矩陣；

5、s3：根據用戶與資產的契合度，依次關聯推送資產矩陣中的若干個資產，采用零售大模型根據用戶行為記錄判斷用戶偏好的資產，并按照偏好程度依序生成偏好資產列表；

6、s4：獲取偏好資產列表中的若干個資產，根據所選資產特征預設的排序規則劃分建立檢索矩陣，通過檢索矩陣在資產庫中對應資產特征的資產矩陣中進行檢索，獲取相匹配的資產矩陣，轉入步驟s3。

7、本發明工作時，能夠通過零售大模型根據用戶畫像和用戶行為自動為其優化推送契合度高的資產，并能夠在推送過程中循環獲取用戶偏好的資產，同時根據所偏好資產的資產特征建立檢索矩陣來在資產庫中進行檢索，使得零售大模型僅需對用戶進行分析，減少了分析商品的流程，僅通過特征匹配即可大幅縮減商品推送時需要調用數據的規模，在大幅降低所占用算力資源的同時，還能夠提高資產庫的數據安全系數。

8、作為優選，在所述步驟s1中，接入用戶，獲取歷史用戶畫像，實時記錄用戶行為時，采用以下步驟，接入用戶，獲取歷史用戶畫像，用戶瀏覽時，實時記錄用戶行為，記錄的用戶行為至少包括用戶搜索信息、用戶瀏覽信息、用戶頁面停留時間、用戶點擊記錄中的一種。

9、作為優選，在所述步驟s2中，調用預設的零售大模型根據用戶畫像和用戶行為，獲取預設的資產庫中相匹配的資產矩陣時，采用以下步驟：

10、a1：獲取用戶的用戶畫像和用戶行為，調用預設的零售大模型根據該用戶的用戶畫像和用戶行為拆分出若干個該用戶相關的資產特征，根據當前場景對若干個資產特征進行動態賦權后，采用聚合統計的方法獲取若干個資產特征的統計結果并排列存儲，得到該用戶偏好的資產特征集；

11、a2：通過該資產特征集在預設的資產庫中所選資產特征類型對應的資產矩陣中定位相匹配的資產，根據相匹配的資產在該資產矩陣中通過預設的截取規格截取出合適數據規模的資產矩陣。

12、作為優選，所述資產庫的建立采用以下步驟：

13、b1：確定若干個資產特征的關聯層級分布，建立若干個源節點，每個源節點中均填充有相應層級的資產特征為若干個第一子節點，若干個第一子節點之間經預設的排序規則依次排列成行向量；

14、b2：每個第一子節點中均填充有相應層級的資產特征為若干個第二子節點，若干個第二子節點之間經預設的排序規則依次排列成列向量；

15、b3：調用零售大模型分別拆分每個資產的若干個資產特征，在每個資產特征中均添加該資產的索引后將若干個資產特征配置為相匹配的第二子節點；

16、b4：遍歷若干個源節點的若干個行向量分別形成若干個資產矩陣的第一行的元素，并分別填充對應的列向量形成若干列的元素，從而生成若干個資產矩陣，存儲為資產庫。

17、本發明工作時，能夠實現資產的存儲，通過拆分資產特征并通過類別劃分的方法存儲資產，減少了若干個資產之間的關聯操作，能夠在資產規模龐大時節省數據映射關系表，能夠一定程度地減少數據存儲的壓力，同時也方便在增減資產時更新資產庫，優化了工作流程，通過建立若干個資產矩陣還能夠挖掘出不同資產間的隱藏關聯信息，能夠在保證資產推送契合度的同時提高資產推送的轉化率，并且無需占用額外的算力資源，經濟效益高。

18、作為優選，在所述步驟s3中，根據用戶與資產的契合度，依次關聯推送資產矩陣中的若干個資產，采用零售大模型根據用戶行為記錄判斷用戶偏好的資產，并按照偏好程度依序生成偏好資產列表時，采用以下步驟，通過零售大模型根據用戶的偏好特征集在相匹配的資產矩陣中定位相匹配的資產，同時根據零售大模型根據用戶的偏好特征集預測出至少一個預測偏好資產，通過預設的推送算法在資產矩陣中確定關聯推送方向，并依次推送資產矩陣中的若干個資產，采用零售大模型根據用戶行為記錄判斷用戶偏好的資產，并按照偏好程度依序生成偏好資產列表。

19、作為優選，在所述步驟s3中，通過預設的推送算法在資產矩陣中確定關聯推送方向，并依次推送資產矩陣中的若干個資產時，采用以下步驟：

20、c1：獲取相匹配資產對應的資產特征，以及預測偏好資產在當前資產矩陣中的位置，計算相匹配資產到預測偏好資產的初始向量，并計算得到單位向量，根據單位向量和預設的步長計算下一偏好資產的位置；

21、c2：根據下一偏好資產的位置通過預設的截取規格截取出相匹配的資產矩陣，當當前資產矩陣內相匹配的資產推送完畢后，轉入步驟c3；

22、c3：當當前資產矩陣中有新的偏好資產時，轉入步驟c4，反之，則轉入步驟c5；

23、c4：計算當前偏好資產到預設偏好資產的單位向量，以及當前偏好資產到新的偏好資產的單位向量，經向量加法得到修正后的單位向量，根據單位向量和預設的步長計算下一偏好資產的位置，判斷下一偏好資產的位置是否為預測位置或者循環次數是否到達預設的閾值，在是時，結束并記錄所有偏好資產生成偏好資產列表，轉入步驟s4，反之，則轉入步驟c2；

24、c5：根據循環次數動態調整步長，根據單位向量和累加后的步長計算下一偏好資產的位置，判斷下一偏好資產的位置是否為預測位置或者循環次數是否到達預設的閾值，在是時，結束并記錄所有偏好資產生成偏好資產列表，轉入步驟s4，反之，則轉入步驟c2。

25、本發明工作時，通過推送算法在資產矩陣中確定關聯推送方向，實現資產矩陣中若干個資產的依次推送，能夠根據用戶偏好實時變化修正推送路徑，能夠進一步提高資產推送的效果，提高轉化率，同時還能夠實現對最終推送目標的修正，能夠實現用戶畫像的進一步完善，并通過多次循環推送完成用戶畫像的精準刻畫，從而輔助零售大模型推送契合度更高的資產給用戶。

26、作為優選，在所述步驟c2中，還包括以下步驟，根據下一偏好資產的位置通過預設的截取規格截取出相匹配的資產矩陣時，同步記錄截取路徑和每次截取出的資產矩陣，得到若干個優化推送矩陣，通過零售大模型進行若干個優化推送矩陣進行處理，得到若干條用于降低算力資源消耗的資產推送路徑。

27、作為優選，在所述步驟s4中，獲取偏好資產列表中的若干個資產，根據所選資產特征預設的排序規則劃分建立檢索矩陣，通過檢索矩陣在資產庫中對應資產特征的資產矩陣中進行檢索，獲取相匹配的資產矩陣，轉入步驟s3時，采用以下步驟：

28、d1：獲取偏好資產列表中的若干個資產，聚類其資產特征后確定至少一個相同資產特征和至少兩個同類資產特征；

29、d2：根據所選資產的同類資產特征分別根據預設的排序規則確定其矩陣位置，并獲取若干組矩陣位置，分別計算每組矩陣位置中各矩陣位置的距離并進行驗證，剔除距離超過閾值的相關資產特征；

30、d3：獲取預設的截取規格建立矩陣，并填充若干個組矩陣位置中距離驗證合格的相關資產特征，得到檢索矩陣；

31、d4：通過檢索矩陣在資產庫中對應資產特征的資產矩陣中通過模板匹配的方法進行檢索，獲取相匹配的資產矩陣，轉入步驟s3。

32、本發明工作時，采用由若干組矩陣位置填充得到的檢索矩陣在資產矩陣中進行檢索，能夠在保證所截取的資產矩陣高度契合當前用戶的同時，有效挖掘用戶的隱藏偏好，且無需占用額外的算力資源，調用效率高，推送效果好。

33、作為優選，在所述步驟d3中，獲取預設的截取規格建立矩陣，并填充若干個組矩陣位置中距離驗證合格的相關資產特征，得到檢索矩陣時，采用以下步驟，獲取預設的截取規格建立矩陣，根據若干組矩陣位置遍歷所有元素，依次填充合適的資產特征并保證相對應資產特征之間符合各組矩陣位置的距離拘束，依次反復得到檢索矩陣。

34、為解決上述技術問題，本發明的第二方面采用如下技術方案：一種基于零售大模型的自動交互系統，應用如上述的一種基于零售大模型的自動交互方法，所述自動交互系統包括處理器和存儲器，所述存儲器中存儲有至少一條指令、至少一段程序、代碼集或指令集，所述指令、程序、代碼集或指令集由處理器加載并執行如上述的一種基于零售大模型的自動交互方法。

35、本發明的有益技術效果包括：

36、1、本發明能夠通過零售大模型根據用戶畫像和用戶行為自動為其優化推送契合度高的資產，并能夠在推送過程中循環獲取用戶偏好的資產，同時根據所偏好資產的資產特征建立檢索矩陣來在資產庫中進行檢索，使得零售大模型僅需對用戶進行分析，減少了分析商品的流程，僅通過特征匹配即可大幅縮減商品推送時需要調用數據的規模，在大幅降低所占用算力資源的同時，還能夠提高資產庫的數據安全系數。

37、2、本發明能夠實現資產的存儲，通過拆分資產特征并通過類別劃分的方法存儲資產，減少了若干個資產之間的關聯操作，能夠在資產規模龐大時節省數據映射關系表，能夠一定程度地減少數據存儲的壓力，同時也方便在增減資產時更新資產庫，優化了工作流程，通過建立若干個資產矩陣還能夠挖掘出不同資產間的隱藏關聯信息，能夠在保證資產推送契合度的同時提高資產推送的轉化率，并且無需占用額外的算力資源，經濟效益高。

38、3、本發明通過推送算法在資產矩陣中確定關聯推送方向，實現資產矩陣中若干個資產的依次推送，能夠根據用戶偏好實時變化修正推送路徑，能夠進一步提高資產推送的效果，提高轉化率，同時還能夠實現對最終推送目標的修正，能夠實現用戶畫像的進一步完善，并通過多次循環推送完成用戶畫像的精準刻畫，從而輔助零售大模型推送契合度更高的資產給用戶。

39、4、本發明采用由若干組矩陣位置填充得到的檢索矩陣在資產矩陣中進行檢索，能夠在保證所截取的資產矩陣高度契合當前用戶的同時，有效挖掘用戶的隱藏偏好，且無需占用額外的算力資源，調用效率高，推送效果好。

40、本發明的其他特點和優點將會在下面的具體實施方式、附圖中詳細地揭露。