一种基于人工智能的订单生成方法及系统与流程

1.本发明涉及人工智能领域，特别是一种基于人工智能的订单生成方法及系统。


背景技术：

2.国内互联网行业的兴起，伴随着电商平台的繁荣发展，在电商平台进行下单购买商品时，通常需要进行商品查找、商品搜索和商铺查找，在查找到对应商品后，用户进行下单，然后针对下单好的商品进行结算，此时平台的商品交易订单才算完成。因此电商平台下单通常是一个时间花费比较长的过程；现有技术中，商品供应方为了推广自己的商品，经常会进行一些促销活动，对商品进行价格给予一定的让利，从而增加销量或者推广产品。店铺是否很好地执行商品供应方的营销策略，商品供应方无法控制也无法感知。因此如何提升电商平台的下单效率，利用人工智能技术促进平台的订单生成，是现阶段丞待解决的技术问题。


技术实现要素：

3.本发明的目的是为了解决上述问题，设计了一种基于人工智能的订单生成方法及系统。
4.实现上述目的本发明的技术方案为，进一步，在上述一种基于人工智能的订单生成方法中，所述订单生成方法包括以下步骤：获取数据库中的用户历史订单数据，对所述用户历史订单数据进行数据预处理，得到用户订单训练数据集；建立初始srnn切片递归神经网络模型，将所述用户订单训练数据集输入初始srnn切片递归神经网络模型中进行训练，得到第一用户兴趣度；利用平均绝对百分比误差mape和均方根误差rmse作为所述初始srnn切片递归神经网络模型的损失函数；基于condafp框架，利用遗传算法的设计空间探索自动搜索初始srnn切片递归神经网络模型的配置参数，得到目标srnn切片递归神经网络模型；基于所述第一用户兴趣度生成对应的初始商品类型数据，在用户的移动终端显示所述初始商品类型数据，获取所述初始商品类型数据中用户点击次数最多的用户兴趣商品数据；将所述用户兴趣商品数据输入目标srnn切片递归神经网络模型中进行训练，得到第二用户兴趣度；基于所述第二用户兴趣度生成对应的实时商品类型数据，在用户的移动终端显示所述实时商品类型数据，获取实时下单数据信息；获取所述实时下单数据信息的结算时效，根据所述结算时效对结算订单进行分类，将结算时效最快的结算订单输入至所述目标srnn切片递归神经网络模型中进行训练；根据所述实时下单数据信息生成订单信息，将所述订单信息输入至所述数据库中进行存储。
5.进一步，在上述订单生成方法中，所述获取数据库中的用户历史订单数据，对所述
用户历史订单数据进行数据预处理，得到用户订单训练数据集，包括：获取数据库中的用户历史订单数据，所述用户历史订单数据至少包括订单商品信息、订单金额信息、订单品类信息、订单结算时间、订单编号信息、订单用户信息；获取所述用户历史订单数据，对用户历史订单数据进行数据脱敏，得到脱敏订单数据；获取所述脱敏订单数据，对所述脱敏订单数据进行去除重复值处理，得到去重订单数据；获取所述去重订单数据，利用回归插值法对所述去重订单数据进行填补缺失，得到完整订单数据；利用k-means算法对所述完整订单数据进行分类，去除订单数据中的异常值，得到用户订单训练数据集。
6.进一步，在上述订单生成方法中，所述建立初始srnn切片递归神经网络模型，将所述用户订单训练数据集输入初始srnn切片递归神经网络模型中进行训练，得到第一用户兴趣度，包括：基于rnn递归神经网络，利用lstm神经网络作为循环单元，建立初始srnn切片递归神经网络模型；获取所述用户订单训练数据集，将所述用户订单训练数据集输入初始srnn切片递归神经网络模型中进行训练；预设输入特征包括商品的价格、商品的品类、商品的质量、商品的销量；利用lstm神经网络预测用户的兴趣度，基于所述初始srnn切片递归神经网络模型得到第一用户兴趣度。
7.进一步，在上述订单生成方法中，所述利用平均绝对百分比误差mape和均方根误差rmse作为所述初始srnn切片递归神经网络模型的损失函数；基于condafp框架，利用遗传算法的设计空间探索自动搜索初始srnn切片递归神经网络模型的配置参数，得到目标srnn切片递归神经网络模型，包括：利用平均绝对百分比误差mape和均方根误差rmse作为所述srnn切片递归神经网络模型的损失函数；基于condafp框架，利用遗传算法的设计空间探索自动搜索初始srnn切片递归神经网络模型的配置参数；condafp框架根据初始srnn切片递归神经网络模型中每个个体染色体的基因表达，分别执行基于条件激活的模型优化策略和基于滤波器剪枝的模型优化策略，得到压缩srnn切片递归神经网络模型；根据基因中每个阶段对应的阈值，使用熵感知的进行激活，通过具有不同计算复杂度的多个阶段预测不同难度的输入样本，移除不重要的滤波器压缩初始srnn切片递归神经网络模型；condafp框架根据压缩的多阶段模型的准确率和flops评估对应个体的适应性，根据适应性对个体排序；对染色体集合进行更新，得到下一代个体，经过迭代，得到目标srnn切片递归神经网络模型。
8.进一步，在上述订单生成方法中，所述基于所述第一用户兴趣度生成对应的初始商品类型数据，在用户的移动终端显示所述初始商品类型数据，获取所述初始商品类型数据中用户点击次数最多的用户兴趣商品数据，包括：基于所述第一用户兴趣度生成对应的初始商品类型数据，在用户的移动终端显示所述初始商品类型数据；获取所述初始商品类型数据中用户点击次数最多的用户兴趣商品数据；获取用户浏览页面的商品点击次数和商品浏览时间，确定用户兴趣影响因子α；获取商品点击次数a，若a》α，则调整对应的用户兴趣影响因子α，获取商品浏览时间b，若b》α，则调整对应的用户兴趣影响因子α；根据用户兴趣影响因子α生成对应的用户兴趣商品数据。
9.进一步，在上述订单生成方法中，所述将所述用户兴趣商品数据输入目标srnn切片递归神经网络模型中进行训练，得到第二用户兴趣度；基于所述第二用户兴趣度生成对应的实时商品类型数据，在用户的移动终端显示所述实时商品类型数据，获取实时下单数据信息，包括：将所述用户兴趣商品数据输入目标srnn切片递归神经网络模型中进行训练；预设输入特征包括商品的价格、商品的品类、商品的质量、商品的销量、商品的浏览时间、商品的点击次数；利用lstm神经网络预测用户的兴趣度，基于目标srnn切片递归神经网络模型得到第二用户兴趣度；基于所述第二用户兴趣度生成对应的实时商品类型数据，在用户的移动终端显示所述实时商品类型数据，获取实时下单数据信息。
10.进一步，在上述订单生成方法中，所述获取所述实时下单数据信息的结算时效，根据所述结算时效对结算订单进行分类，将结算时效最快的结算订单输入至所述目标srnn切片递归神经网络模型中进行训练，根据所述实时下单数据信息生成订单信息，将所述订单信息输入至所述数据库中进行存储，包括：获取所述实时下单数据信息的结算时效，根据所述结算时效对结算订单进行分类；所述结算时效至少包括1s-10s结算订单、1min-10min结算订单、大于10min结算订单；将结算时效为1s-10s结算订单输入至所述目标srnn切片递归神经网络模型中进行训练；根据所述实时下单数据信息生成订单信息，所述订单信息至少包括订单商品信息、订单金额信息、订单品类信息、订单结算时间、订单编号信息、订单用户信息；将所述订单信息输入至所述数据库中进行存储，所述数据库用于对目标srnn切片递归神经网络模型进行训练。
11.进一步，在上述一种基于人工智能的订单生成系统中，所述订单生成系统，包括：数据处理模块，用于获取数据库中的用户历史订单数据，对所述用户历史订单数据进行数据预处理，得到用户订单训练数据集；模型建立模块，用于建立初始srnn切片递归神经网络模型，将所述用户订单训练
数据集输入初始srnn切片递归神经网络模型中进行训练，得到第一用户兴趣度；模型优化模块，用于利用平均绝对百分比误差mape和均方根误差rmse作为所述初始srnn切片递归神经网络模型的损失函数；基于condafp框架，利用遗传算法的设计空间探索自动搜索初始srnn切片递归神经网络模型的配置参数，得到目标srnn切片递归神经网络模型；模型训练模块，用于基于所述第一用户兴趣度生成对应的初始商品类型数据，在用户的移动终端显示所述初始商品类型数据，获取所述初始商品类型数据中用户点击次数最多的用户兴趣商品数据；实时下单模块，用于将所述用户兴趣商品数据输入目标srnn切片递归神经网络模型中进行训练，得到第二用户兴趣度；基于所述第二用户兴趣度生成对应的实时商品类型数据，在用户的移动终端显示所述实时商品类型数据，获取实时下单数据信息；订单生成模块，用于获取所述实时下单数据信息的结算时效，根据所述结算时效对结算订单进行分类，将结算时效最快的结算订单输入至所述目标srnn切片递归神经网络模型中进行训练；根据所述实时下单数据信息生成订单信息，将所述订单信息输入至所述数据库中进行存储。
12.进一步，在上述一种基于人工智能的订单生成系统中，所述数据处理模块包括以下子模块：获取子模块，用于获取数据库中的用户历史订单数据，所述用户历史订单数据至少包括订单商品信息、订单金额信息、订单品类信息、订单结算时间、订单编号信息、订单用户信息；脱敏子模块，用于获取所述用户历史订单数据，对用户历史订单数据进行数据脱敏，得到脱敏订单数据；去重子模块，用于获取所述脱敏订单数据，对所述脱敏订单数据进行去除重复值处理，得到去重订单数据；填补子模块，用于获取所述去重订单数据，利用回归插值法对所述去重订单数据进行填补缺失，得到完整订单数据；分类子模块，用于利用k-means算法对所述完整订单数据进行分类，去除订单数据中的异常值，得到用户订单训练数据集。
13.进一步，在上述一种基于人工智能的订单生成系统中，所述订单生成模块包括以下子模块：获取子模块，用于获取所述实时下单数据信息的结算时效，根据所述结算时效对结算订单进行分类；时效子模块，用于所述结算时效至少包括1s-10s结算订单、1min-10min结算订单、大于10min结算订单；训练子模块，用于将结算时效为1s-10s结算订单输入至所述目标srnn切片递归神经网络模型中进行训练；生成子模块，用于根据所述实时下单数据信息生成订单信息，所述订单信息至少包括订单商品信息、订单金额信息、订单品类信息、订单结算时间、订单编号信息、订单用户信息；
存储子模块，用于将所述订单信息输入至所述数据库中进行存储，所述数据库用于对目标srnn切片递归神经网络模型进行训练。
14.其有益效果在于，1、通过建立人工智能技术，可以向用户精准的推荐感兴趣的商品，提高平台的下单成功率；2、进一步提高用户的平台使用体验；3、在保障用户的数据安全同时还有效地整合系统的数据信息，实现订单关联营销活动实现的自动化，降低活动成本和提高数据处理效率，并提高推荐的准确度；4、促进平台的订单生成效率。
附图说明
15.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。
16.图1为本发明实施例中一种基于人工智能的订单生成方法的第一个实施例示意图；图2为本发明实施例中一种基于人工智能的订单生成方法的第二个实施例示意图；图3为本发明实施例中一种基于人工智能的订单生成方法的第三个实施例示意图；图4为本发明实施例中一种基于人工智能的订单生成系统的第一个实施例示意图。
具体实施方式
17.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
18.本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“所述”也可包括复数形式。应所述进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
19.下面结合附图对本发明进行具体描述，如图1所示，一种基于人工智能的订单生成方法，订单生成方法包括以下步骤：步骤101、获取数据库中的用户历史订单数据，对用户历史订单数据进行数据预处理，得到用户订单训练数据集；具体的，本实施例中获取数据库中的用户历史订单数据，用户历史订单数据至少包括订单商品信息、订单金额信息、订单品类信息、订单结算时间、订单编号信息、订单用户信息；获取用户历史订单数据，对用户历史订单数据进行数据脱敏，得到脱敏订单数据；获取脱敏订单数据，对脱敏订单数据进行去除重复值处理，得到去重订单数据；获取去重订单数据，利用回归插值法对去重订单数据进行填补缺失，得到完整订单数据；利用k-means算法对完整订单数据进行分类，去除订单数据中的异常值，得到用户订单训练数据集。
20.步骤102、建立初始srnn切片递归神经网络模型，将用户订单训练数据集输入初始
srnn切片递归神经网络模型中进行训练，得到第一用户兴趣度；具体的，本实施例中基于rnn递归神经网络，利用lstm神经网络作为循环单元，建立初始srnn切片递归神经网络模型；获取用户订单训练数据集，将用户订单训练数据集输入初始srnn切片递归神经网络模型中进行训练；预设输入特征包括商品的价格、商品的品类、商品的质量、商品的销量；利用lstm神经网络预测用户的兴趣度，基于初始srnn切片递归神经网络模型得到第一用户兴趣度。
21.步骤103、利用平均绝对百分比误差mape和均方根误差rmse作为初始srnn切片递归神经网络模型的损失函数；基于condafp框架，利用遗传算法的设计空间探索自动搜索初始srnn切片递归神经网络模型的配置参数，得到目标srnn切片递归神经网络模型；具体的，本实施例中利用平均绝对百分比误差mape和均方根误差rmse作为srnn切片递归神经网络模型的损失函数；基于condafp框架，利用遗传算法的设计空间探索自动搜索初始srnn切片递归神经网络模型的配置参数；condafp框架根据初始srnn切片递归神经网络模型中每个个体染色体的基因表达，分别执行基于条件激活的模型优化策略和基于滤波器剪枝的模型优化策略，得到压缩srnn切片递归神经网络模型；根据基因中每个阶段对应的阈值，使用熵感知的进行激活，通过具有不同计算复杂度的多个阶段预测不同难度的输入样本，移除不重要的滤波器压缩初始srnn切片递归神经网络模型；condafp框架根据压缩的多阶段模型的准确率和flops评估对应个体的适应性，根据适应性对个体排序；对染色体集合进行更新，得到下一代个体，经过迭代，得到目标srnn切片递归神经网络模型。
22.具体的，本实施例中还包括通过基于遗传算法的设计空间探索，自动搜索合理的配置参数，以将基于条件激活的模型优化策略和基于滤波器剪枝的模型优化策略有效结合，充分利用不同优化策略的优势，从而在满足模型准确率需求的前提下，提高智能设备上深度神经网络的实际性能。主要包括生成模型，评估模型，更新染色体集合三个重要步骤。首先，对于原始的深度神经网络模型，condafp 根据每个个体染色体的基因表达，分别执行基于条件激活的模型优化策略和基于滤波器剪枝的模型优化策略，生成一个压缩的多阶段模型。它根据基因表达中阶段的可达性，在原始模型中附加退出分支，以构建多阶段的条件激活模型，图中黄色、绿色、蓝色标记出了可达的阶段，并且，根据基因中每个阶段对应的阈值，使用熵感知的激活方式，通过具有不同计算复杂度的多个阶段预测不同难度的输入样本，然后，通过移除不重要的滤波器来压缩模型，从而进一步降低深度神经网络模型的计算量。接着，condafp根据压缩的多阶段模型的准确率和 flops 评估对应个体的适应性，并且根据适应性对个体排序。然后，它对染色体集合进行更新，生成下一代个体。重复以上步骤，经过多代个体的进化，我们可以获得实现最优性能的多个个体。
23.步骤104、基于第一用户兴趣度生成对应的初始商品类型数据，在用户的移动终端显示初始商品类型数据，获取初始商品类型数据中用户点击次数最多的用户兴趣商品数据；具体的，本实施例中基于第一用户兴趣度生成对应的初始商品类型数据，在用户的移动终端显示初始商品类型数据；获取初始商品类型数据中用户点击次数最多的用户兴趣商品数据；获取用户浏览页面的商品点击次数和商品浏览时间，确定用户兴趣影响因子α；获取商品点击次数a，若a》α，则调整对应的用户兴趣影响因子α，获取商品浏览时间b，若b》α，则调整对应的用户兴趣影响因子α；根据用户兴趣影响因子α生成对应的用户兴趣商品
数据。
24.步骤105、将用户兴趣商品数据输入目标srnn切片递归神经网络模型中进行训练，得到第二用户兴趣度；基于第二用户兴趣度生成对应的实时商品类型数据，在用户的移动终端显示实时商品类型数据，获取实时下单数据信息；具体的，本实施例中将用户兴趣商品数据输入目标srnn切片递归神经网络模型中进行训练；预设输入特征包括商品的价格、商品的品类、商品的质量、商品的销量、商品的浏览时间、商品的点击次数；利用lstm神经网络预测用户的兴趣度，基于目标srnn切片递归神经网络模型得到第二用户兴趣度；基于第二用户兴趣度生成对应的实时商品类型数据，在用户的移动终端显示实时商品类型数据，获取实时下单数据信息。
25.步骤106、获取实时下单数据信息的结算时效，根据结算时效对结算订单进行分类，将结算时效最快的结算订单输入至目标srnn切片递归神经网络模型中进行训练；根据实时下单数据信息生成订单信息，将订单信息输入至数据库中进行存储。
26.具体的，本实施例中获取实时下单数据信息的结算时效，根据结算时效对结算订单进行分类；结算时效至少包括1s-10s结算订单、1min-10min结算订单、大于10min结算订单；将结算时效为1s-10s结算订单输入至目标srnn切片递归神经网络模型中进行训练；根据实时下单数据信息生成订单信息，订单信息至少包括订单商品信息、订单金额信息、订单品类信息、订单结算时间、订单编号信息、订单用户信息；将订单信息输入至数据库中进行存储，数据库用于对目标srnn切片递归神经网络模型进行训练。
27.其有益效果在于，1、通过建立人工智能技术，可以向用户精准的推荐感兴趣的商品，提高平台的下单成功率；2、进一步提高用户的平台使用体验；3、在保障用户的数据安全同时还有效地整合系统的数据信息，实现订单关联营销活动实现的自动化，降低活动成本和提高数据处理效率，并提高推荐的准确度；4、促进平台的订单生成效率。
28.本实施例中，请参阅图2，本发明实施例中一种基于人工智能的订单生成方法的第二个实施例，通过获取数据库中的用户历史订单数据，对用户历史订单数据进行数据预处理，得到用户订单训练数据集包括以下步骤：步骤201、获取数据库中的用户历史订单数据，用户历史订单数据至少包括订单商品信息、订单金额信息、订单品类信息、订单结算时间、订单编号信息、订单用户信息；步骤202、获取用户历史订单数据，对用户历史订单数据进行数据脱敏，得到脱敏订单数据；步骤203、获取脱敏订单数据，对脱敏订单数据进行去除重复值处理，得到去重订单数据；步骤204、获取去重订单数据，利用回归插值法对去重订单数据进行填补缺失，得到完整订单数据；步骤205、利用k-means算法对完整订单数据进行分类，去除订单数据中的异常值，得到用户订单训练数据集。
29.本实施例中，请参阅图3，本发明实施例中一种基于人工智能的订单生成方法的第三个实施例，建立dnn深度网络神经模型，将前导码接入情况输入至dnn深度网络神经模型进行训练，得到前导码接入实际情况包括以下步骤：步骤301、将用户兴趣商品数据输入目标srnn切片递归神经网络模型中进行训练；
步骤302、预设输入特征包括商品的价格、商品的品类、商品的质量、商品的销量、商品的浏览时间、商品的点击次数；步骤303、利用lstm神经网络预测用户的兴趣度，基于目标srnn切片递归神经网络模型得到第二用户兴趣度；步骤304、基于第二用户兴趣度生成对应的实时商品类型数据，在用户的移动终端显示实时商品类型数据，获取实时下单数据信息。
30.上面对本发明实施例提供的一种基于人工智能的订单生成方法进行了描述，下面对本发明实施例的一种基于人工智能的订单生成系统进行描述，请参阅图4，本发明实施例中订单生成系统一个实施例包括：数据处理模块，用于获取数据库中的用户历史订单数据，对用户历史订单数据进行数据预处理，得到用户订单训练数据集；模型建立模块，用于建立初始srnn切片递归神经网络模型，将用户订单训练数据集输入初始srnn切片递归神经网络模型中进行训练，得到第一用户兴趣度；模型优化模块，用于利用平均绝对百分比误差mape和均方根误差rmse作为初始srnn切片递归神经网络模型的损失函数；基于condafp框架，利用遗传算法的设计空间探索自动搜索初始srnn切片递归神经网络模型的配置参数，得到目标srnn切片递归神经网络模型；模型训练模块，用于基于第一用户兴趣度生成对应的初始商品类型数据，在用户的移动终端显示初始商品类型数据，获取初始商品类型数据中用户点击次数最多的用户兴趣商品数据；实时下单模块，用于将用户兴趣商品数据输入目标srnn切片递归神经网络模型中进行训练，得到第二用户兴趣度；基于第二用户兴趣度生成对应的实时商品类型数据，在用户的移动终端显示实时商品类型数据，获取实时下单数据信息；订单生成模块，用于获取实时下单数据信息的结算时效，根据结算时效对结算订单进行分类，将结算时效最快的结算订单输入至目标srnn切片递归神经网络模型中进行训练；根据实时下单数据信息生成订单信息，将订单信息输入至数据库中进行存储。
31.以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应所述了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变和改进，这些变和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

技术特征：
1.一种基于人工智能的订单生成方法，其特征在于，所述订单生成方法包括以下步骤：获取数据库中的用户历史订单数据，对所述用户历史订单数据进行数据预处理，得到用户订单训练数据集；建立初始srnn切片递归神经网络模型，将所述用户订单训练数据集输入初始srnn切片递归神经网络模型中进行训练，得到第一用户兴趣度；利用平均绝对百分比误差mape和均方根误差rmse作为所述初始srnn切片递归神经网络模型的损失函数；基于condafp框架，利用遗传算法的设计空间探索自动搜索初始srnn切片递归神经网络模型的配置参数，得到目标srnn切片递归神经网络模型；基于所述第一用户兴趣度生成对应的初始商品类型数据，在用户的移动终端显示所述初始商品类型数据，获取所述初始商品类型数据中用户点击次数最多的用户兴趣商品数据；将所述用户兴趣商品数据输入目标srnn切片递归神经网络模型中进行训练，得到第二用户兴趣度；基于所述第二用户兴趣度生成对应的实时商品类型数据，在用户的移动终端显示所述实时商品类型数据，获取实时下单数据信息；获取所述实时下单数据信息的结算时效，根据所述结算时效对结算订单进行分类，将结算时效最快的结算订单输入至所述目标srnn切片递归神经网络模型中进行训练；根据所述实时下单数据信息生成订单信息，将所述订单信息输入至所述数据库中进行存储。2.如权利要求1所述的一种基于人工智能的订单生成方法，其特征在于，所述获取数据库中的用户历史订单数据，对所述用户历史订单数据进行数据预处理，得到用户订单训练数据集，包括：获取数据库中的用户历史订单数据，所述用户历史订单数据至少包括订单商品信息、订单金额信息、订单品类信息、订单结算时间、订单编号信息、订单用户信息；获取所述用户历史订单数据，对用户历史订单数据进行数据脱敏，得到脱敏订单数据；获取所述脱敏订单数据，对所述脱敏订单数据进行去除重复值处理，得到去重订单数据；获取所述去重订单数据，利用回归插值法对所述去重订单数据进行填补缺失，得到完整订单数据；利用k-means算法对所述完整订单数据进行分类，去除订单数据中的异常值，得到用户订单训练数据集。3.如权利要求1所述的一种基于人工智能的订单生成方法，其特征在于，所述建立初始srnn切片递归神经网络模型，将所述用户订单训练数据集输入初始srnn切片递归神经网络模型中进行训练，得到第一用户兴趣度，包括：基于rnn递归神经网络，利用lstm神经网络作为循环单元，建立初始srnn切片递归神经网络模型；获取所述用户订单训练数据集，将所述用户订单训练数据集输入初始srnn切片递归神经网络模型中进行训练；预设输入特征包括商品的价格、商品的品类、商品的质量、商品的销量；利用lstm神经网络预测用户的兴趣度，基于所述初始srnn切片递归神经网络模型得到第一用户兴趣度。
4.如权利要求1所述的一种基于人工智能的订单生成方法，其特征在于，所述利用平均绝对百分比误差mape和均方根误差rmse作为所述初始srnn切片递归神经网络模型的损失函数；基于condafp框架，利用遗传算法的设计空间探索自动搜索初始srnn切片递归神经网络模型的配置参数，得到目标srnn切片递归神经网络模型，包括：利用平均绝对百分比误差mape和均方根误差rmse作为所述srnn切片递归神经网络模型的损失函数；基于condafp框架，利用遗传算法的设计空间探索自动搜索初始srnn切片递归神经网络模型的配置参数；condafp框架根据初始srnn切片递归神经网络模型中每个个体染色体的基因表达，分别执行基于条件激活的模型优化策略和基于滤波器剪枝的模型优化策略，得到压缩srnn切片递归神经网络模型；根据基因中每个阶段对应的阈值，使用熵感知的进行激活，通过具有不同计算复杂度的多个阶段预测不同难度的输入样本，移除不重要的滤波器压缩初始srnn切片递归神经网络模型；condafp框架根据压缩的多阶段模型的准确率和flops评估对应个体的适应性，根据适应性对个体排序；对染色体集合进行更新，得到下一代个体，经过迭代，得到目标srnn切片递归神经网络模型。5.如权利要求1所述的一种基于人工智能的订单生成方法，其特征在于，所述基于所述第一用户兴趣度生成对应的初始商品类型数据，在用户的移动终端显示所述初始商品类型数据，获取所述初始商品类型数据中用户点击次数最多的用户兴趣商品数据，包括：基于所述第一用户兴趣度生成对应的初始商品类型数据，在用户的移动终端显示所述初始商品类型数据；获取所述初始商品类型数据中用户点击次数最多的用户兴趣商品数据；获取用户浏览页面的商品点击次数和商品浏览时间，确定用户兴趣影响因子α；获取商品点击次数a，若a>α，则调整对应的用户兴趣影响因子α，获取商品浏览时间b，若b>α，则调整对应的用户兴趣影响因子α；根据用户兴趣影响因子α生成对应的用户兴趣商品数据。6.如权利要求1所述的一种基于人工智能的订单生成方法，其特征在于，所述将所述用户兴趣商品数据输入目标srnn切片递归神经网络模型中进行训练，得到第二用户兴趣度；基于所述第二用户兴趣度生成对应的实时商品类型数据，在用户的移动终端显示所述实时商品类型数据，获取实时下单数据信息，包括：将所述用户兴趣商品数据输入目标srnn切片递归神经网络模型中进行训练；预设输入特征包括商品的价格、商品的品类、商品的质量、商品的销量、商品的浏览时间、商品的点击次数；利用lstm神经网络预测用户的兴趣度，基于目标srnn切片递归神经网络模型得到第二用户兴趣度；基于所述第二用户兴趣度生成对应的实时商品类型数据，在用户的移动终端显示所述实时商品类型数据，获取实时下单数据信息。
7.如权利要求1所述的一种基于人工智能的订单生成方法，其特征在于，所述获取所述实时下单数据信息的结算时效，根据所述结算时效对结算订单进行分类，将结算时效最快的结算订单输入至所述目标srnn切片递归神经网络模型中进行训练；根据所述实时下单数据信息生成订单信息，将所述订单信息输入至所述数据库中进行存储，包括：获取所述实时下单数据信息的结算时效，根据所述结算时效对结算订单进行分类；所述结算时效至少包括1s-10s结算订单、1min-10min结算订单、大于10min结算订单；将结算时效为1s-10s结算订单输入至所述目标srnn切片递归神经网络模型中进行训练；根据所述实时下单数据信息生成订单信息，所述订单信息至少包括订单商品信息、订单金额信息、订单品类信息、订单结算时间、订单编号信息、订单用户信息；将所述订单信息输入至所述数据库中进行存储，所述数据库用于对目标srnn切片递归神经网络模型进行训练。8.一种基于人工智能的订单生成系统，其特征在于，所述基于人工智能的订单生成系统包括以下模块：数据处理模块，用于获取数据库中的用户历史订单数据，对所述用户历史订单数据进行数据预处理，得到用户订单训练数据集；模型建立模块，用于建立初始srnn切片递归神经网络模型，将所述用户订单训练数据集输入初始srnn切片递归神经网络模型中进行训练，得到第一用户兴趣度；模型优化模块，用于利用平均绝对百分比误差mape和均方根误差rmse作为所述初始srnn切片递归神经网络模型的损失函数；基于condafp框架，利用遗传算法的设计空间探索自动搜索初始srnn切片递归神经网络模型的配置参数，得到目标srnn切片递归神经网络模型；模型训练模块，用于基于所述第一用户兴趣度生成对应的初始商品类型数据，在用户的移动终端显示所述初始商品类型数据，获取所述初始商品类型数据中用户点击次数最多的用户兴趣商品数据；实时下单模块，用于将所述用户兴趣商品数据输入目标srnn切片递归神经网络模型中进行训练，得到第二用户兴趣度；基于所述第二用户兴趣度生成对应的实时商品类型数据，在用户的移动终端显示所述实时商品类型数据，获取实时下单数据信息；订单生成模块，用于获取所述实时下单数据信息的结算时效，根据所述结算时效对结算订单进行分类，将结算时效最快的结算订单输入至所述目标srnn切片递归神经网络模型中进行训练；根据所述实时下单数据信息生成订单信息，将所述订单信息输入至所述数据库中进行存储。9.如权利要求8所述的一种基于人工智能的订单生成系统，其特征在于，所述数据处理模块包括以下子模块：获取子模块，用于获取数据库中的用户历史订单数据，所述用户历史订单数据至少包括订单商品信息、订单金额信息、订单品类信息、订单结算时间、订单编号信息、订单用户信息；脱敏子模块，用于获取所述用户历史订单数据，对用户历史订单数据进行数据脱敏，得到脱敏订单数据；
去重子模块，用于获取所述脱敏订单数据，对所述脱敏订单数据进行去除重复值处理，得到去重订单数据；填补子模块，用于获取所述去重订单数据，利用回归插值法对所述去重订单数据进行填补缺失，得到完整订单数据；分类子模块，用于利用k-means算法对所述完整订单数据进行分类，去除订单数据中的异常值，得到用户订单训练数据集。10.如权利要求8所述的一种基于人工智能的订单生成系统，其特征在于，所述订单生成模块包括以下子模块：获取子模块，用于获取所述实时下单数据信息的结算时效，根据所述结算时效对结算订单进行分类；时效子模块，用于所述结算时效至少包括1s-10s结算订单、1min-10min结算订单、大于10min结算订单；训练子模块，用于将结算时效为1s-10s结算订单输入至所述目标srnn切片递归神经网络模型中进行训练；生成子模块，用于根据所述实时下单数据信息生成订单信息，所述订单信息至少包括订单商品信息、订单金额信息、订单品类信息、订单结算时间、订单编号信息、订单用户信息；存储子模块，用于将所述订单信息输入至所述数据库中进行存储，所述数据库用于对目标srnn切片递归神经网络模型进行训练。

技术总结
本发明涉及人工智能领域，特别是一种基于人工智能的订单生成方法及系统。可以在保障用户的数据安全同时还有效地整合系统的数据信息，实现订单关联营销活动实现的自动化。通过建立初始SRNN切片递归神经网络模型，将用户订单训练数据集输入初始SRNN切片递归神经网络模型中进行训练，得到第一用户兴趣度；将用户兴趣商品数据输入目标SRNN切片递归神经网络模型中进行训练，得到第二用户兴趣度。实时下单数据信息的结算时效，根据结算时效对结算订单进行分类，将结算时效最快的结算订单输入至所述目标SRNN切片递归神经网络模型中进行训练。根据实时下单数据信息生成订单信息，将所述订单信息输入至数据库中进行存储。述订单信息输入至数据库中进行存储。述订单信息输入至数据库中进行存储。


技术研发人员：麦文菁
受保护的技术使用者：山东恒诺尚诚信息科技有限公司
技术研发日：2023.08.17
技术公布日：2023/9/20