本发明涉及商品动态展示，更具体地说，本发明涉及一种基于多场景商品动态展示方法及系统。
背景技术：
1、申请公开号为cn113420244a的专利公开了一种动效模板生成方法、图片动态展示方法、装置及电子设备，其中，图片动态展示方法包括接收待展示的商品图片；基于所述商品图片的特征，确定匹配的动效模板；根据所述动效模板，在客户端上对所述商品图片进行动态展示。本发明实施例中，通过在客户端上根据接收到的商品图片来灵活匹配动效模板，并基于动效模板来动态展示商品图片，用户只需要提供静态的商品图片即可以实现动态展示，整个过程不需要服务器存储和传输视频文件，并且可以基于动效模板进行灵活多变的动态展示。
2、但是依然存在现有的商品展示方式缺乏个性化和动态调整能力，无法根据用户的实际行为数据量化分析用户偏好倾向，也无法结合场景相似度动态优化展示顺序，导致无法最大限度地吸引用户注意力，影响了产品曝光率和购买转化率，难以带来丰富愉悦的购物体验，其次，无法充分深入挖掘商品图像，导致后续的商品分析和处理效果不佳，无法对用户商品评价倾向的深入挖掘和量化分析，无法准确反映用户的评价偏好。
3、鉴于此，本发明提出一种基于多场景商品动态展示方法及系统以解决上述问题。
技术实现思路
1、为了克服现有技术的上述缺陷，为实现上述目的，本发明提供如下技术方案：一种基于多场景商品动态展示方法，包括：s1、获取商品图像数据和用户行为数据；
2、s2、将商品图像数据划分到n个场景类别中，对每个场景类别中的商品图像数据进行特征提取，得到对应的高级语义特征向量；
3、s3、采用改进高斯混合模型对每个场景类别中的高级语义特征向量进行聚类，得到每个场景类别中的m个商品图像特征子集；
4、s4、提取每个商品图像特征子集中商品图像特征数据的主成分特征向量，将每个场景类别中的主成分特征向量拼接为对应的场景特征向量；
5、s5、基于场景特征向量，构建场景相似度矩阵；根据场景相似度矩阵和用户行为数据，采用改进马尔可夫决策算法获取最优动态场景顺序，按照最优动态场景顺序动态展示商品图像。
6、进一步地，所述用户行为数据包括用户浏览商品数据、用户购买商品数据和用户商品评价偏重系数；
7、用户浏览商品数据包括浏览商品类别、浏览商品次数和商品停留时间；
8、用户购买商品数据包括购买商品类别和商品购买次数。
9、进一步地，所述用户商品评价偏重系数的获取方式包括：
10、采集用户对商品的评价文本数据，并将评价文本数据进行预处理，得到评价词语组成的集合，记为评价词语集合；预处理的方式包括分词、去除停用词和去除标点符号；
11、人工标注评价词语集合中m个评价词语的情感极性，情感极性为正面、中面或负面；利用种子词扩展方法将评价词语集合自动扩展成情感词典；
12、对于评价词语集合中的每个词语，查询情感词典并获取其情感极性值；累加所有词语的情感极性值作为该评价文本数据的情感极性得分；
13、采集历史评价文本数据，将每个评价文本转换为情感极性得分构成的向量，记为情感极性得分向量；
14、将情感极性得分向量对应的评价文本进行人工标注类别标签，将情感极性得分向量与人工标注的类别标签组成训练数据；
15、利用训练数据中的样本构建并训练情感极性分类器模型，将支持向量机作为情感极性分类器模型的基础框架，将情感极性得分向量划分为线性可分和线性不可分；定义情感极性分类器模型的优化目标函数和约束条件函数；
16、，对于线性可分，，且大于或等于1；
17、对于线性不可分，且大于或等于，式中，为定义的超平面的法向量，为超平面的截距；为第个样本的情感极性得分向量，第个样本的类别标签，为第个样本松弛变量，且大于或等于0，是惩罚系数，且大于0；为样本总数，为权重超参数；
18、通过交叉验证方法，选择合适的惩罚系数、核函数及其参数，以获得最优的模型性能，得到构建并训练完成的情感极性分类器模型；
19、采集用户对于产品的历史评价数据，使用情感极性分类器预测每个评价的情感极性值，统计每个用户的正面类别的数量、中面类别的数量和负面类别的数量；则用户商品评价偏重系数。
20、进一步地，自动扩展成情感词典的方式包括：
21、初始化一个空白的情感词典，将人工收集m1组明确具有正面或负面情感色彩的种子词，作为初始词库；
22、遍历大规模语料库，统计每个词与种子词同时出现的频率，将与正面情感色彩的种子词同时出现的频率大于预设的正面同现阈值的词，作为潜在的新正面情感的词候选词；将与负面情感色彩的种子词同时出现的频率小于预设的负面同现阈值的词，作为潜在的新负面情感的词候选词；
23、使用词向量模型，计算新候选词与对应种子词的语义相似度；预设同义相似度阈值和反义相似度阈值；将语义相似度大于或等于同义相似度阈值的词判定为种子词的同义词；将语义相似度小于反义相似度阈值的词判定为种子词的反义词；
24、将得到的同义词和反义词进行投票加权，得到投票得分，将投票得分大于预设的得分阈值的词纳入情感词典；
25、将新纳入的词作为新的种子词，重复扩展情感词典，直至词典规模满足于预设的词典要求；
26、所述计算新词候选与对应种子词的语义相似度的方式包括：
27、定义词向量模型的目标函数
28、；其中，为词表大小，为词的词向量，为词的词向量，为词和词的共现次数，为的权重函数，为词的偏置项，为词的偏置项，为种子词的集合，为内的种子词的索引，为与种子词具有相同情感极性的词集合，为中所有词的向量的均值向量，为内的词的索引，为词的词向量，为超参数；
29、对于新候选词，计算和；其中，表示新候选词与正面情感色彩的种子词的集合中最相似词的相似度，表示新候选词与负面情感色彩的种子词的集合中最相似词的相似度，为新候选词的词向量，为新候选词的词向量，为余弦相似度计算函数。
30、进一步地，所述进行特征提取的方式包括：
31、构建特征提取网络模型，特征提取网络模型基于标准的卷积神经网络结构；特征提取网络模型包括n1个卷积层、全局平均池化层、全连接层以及特征向量输出层；
32、对于每个卷积层输出的特征图，计算注意力权重矩阵，计算公式为：；其中，为的注意力函数，为第个卷积层的输出特征图；为第个卷积层的注意力权重矩阵，，式中，为第个卷积层的第一线性变换矩阵，为第个卷积层的第二线性变换矩阵，为是键空间和值空间的维度，为软最大值函数；
33、将注意力权重矩阵与特征图逐元素相乘，得到注意力加权特征图，将注意力加权特征图作为下一层的输入，替代原始的特征图；
34、对于每个卷积层输出的注意力加权特征图，使用全局平均池化层获得一个特征向量；将来自不同卷积层的特征向量进行级联拼接，得到多尺度特征向量；将多尺度特征向量输入到一个全连接层中，进行特征转换和非线性映射，得到最终的高级语义特征向量；
35、定义特征提取网络模型的损失函数；其中，为平衡超参数，为交叉熵损失函数；
36、语义损失函数；式中，为训练样本的数量，为训练样本的索引，第个训练样本的预测的高级语义特征向量，为表示第个训练样本的语义标注；
37、，式中，为的转置，为权重核参数，为密度核参数，且大于或等于0，大于0；
38、构建训练数据集，训练数据集包含m1组商品图像及其对应的语义标注；使用优化算法反向传播，更新特征提取网络模型的参数，最小化损失函数，经过n2轮迭代训练，得到构建完成的特征提取网络模型；
39、将商品图像数据输入至特征提取网络模型中，得到高级语义特征向量，完成特征提取。
40、进一步地，所述改进高斯混合模型的获取方式包括：
41、改进高斯混合模型使用k-means++算法对输入数据进行初始聚类，得到r个初始聚类中心，定义改进高斯混合模型的初始参数，初始参数包括初始均值向量、初始协方差矩阵和初始混合系数；对于第个初始聚类，获取其内样本集为cp，则令初始均值向量为第个初始聚类的均值，初始协方差矩阵为第个初始聚类的协方差，初始混合系数为第个初始聚类的样本占比，
42、将初始协方差矩阵进行正则化得到正则化协方差矩阵；其中，为正则化系数，为单位矩阵；
43、采集历史数据，历史数据包括m3组商品图像数据以及商品图像数据对应的高级语义特征向量；将历史数据组成输入数据集，迭代训练改进高斯混合模型，直至收敛或达到预设的最大迭代次数，迭代训练的方式包括：
44、计算输入数据集中的每个数据点属于各个高斯分量的响应度；
45、响应度的计算公式为：；其中，表示第个数据点属于第个高斯分量的响应度，是一个隐变量；为第个高斯分量的混合系数；为多元正态分布的概率密度函数；为第个高斯分量的均值向量，为第个高斯分量的协方差矩阵；为高斯分量的总数，第个高斯分量的混合系数，为第个高斯分量的均值向量，为第个高斯分量的协方差矩阵；为来自所有个高斯分量的总概率的加权和；
46、基于计算的响应度，重新计算均值向量、协方差矩阵和混合系数；采用小核技巧以及无约束优化算法得到训练完成的改进高斯混合模型。
47、进一步地，所述每个场景类别中的m个商品图像特征子集的获取方式包括：
48、步骤1、针对任一场景类别，根据训练完成的改进高斯混合模型，计算每个高级语义特征向量属于各个高斯分量的响应度；
49、步骤2、对于每个高斯分量，根据响应度从大到小排序所有高级语义特征向量，选取前m个高级语义特征向量及其对应的商品图像数据，构成该高斯分量对应的商品图像特征子集；
50、重复步骤1和2，直至获得对应场景类别中的m个商品图像特征子集。
51、进一步地，所述主成分特征向量的提取方式包括：
52、对于每个商品图像特征子集，对其高级语义特征向量进行中心化，得到中心化后的数据矩阵，其中，是所有高级语义特征向量的均值矩阵；为构建的初始数据矩阵；
53、将中心化后的数据矩阵进行奇异值分解，奇异值分解的公式为：
54、，其中，为正交矩阵，为对角矩阵，为正交矩阵，为的转置；
55、选取前个最大的奇异值对应的主成分方向，即的前列构成的矩阵，作为商品图像特征子集的主成分特征空间的基底，对于第个高级语义特征向量，其在主成分特征空间中的投影为，其中，为高级语义特征向量的均值；即为主成分特征向量；
56、对于每个场景类别，将其对应的m个商品图像特征子集中的主成分特征向量拼接起来，构成该场景类别的场景特征向量。
57、进一步地，所述构建场景相似度矩阵的方式包括：
58、基于场景特征向量构建一个场景相似度矩阵，场景相似度矩阵中第pi行第pj列的元素表示第pi个场景类别与第pj个场景类别之间的相似度；采用余弦相似度来计算两个场景特征向量之间的相似度，作为场景类别之间的相似度；即完成场景相似度矩阵的构建；
59、所述最优动态场景顺序的获取方式包括：
60、定义一个和场景相似度矩阵相同维度的状态转移概率矩阵；根据场景相似度矩阵来初始化状态转移概率矩阵内的元素；
61、初始化的公式为：，其中，为场景相似度矩阵中第行第列的元素，为中第行第列的元素；为场景类别的索引，为场景相似度矩阵中第行第列的元素；
62、基于用户行为数据计算得到场景重要性得分，场景重要性得分的计算公式为：，其中表示第个场景类别的场景重要性得分，为用户浏览第个场景类别商品的次数，为用户购买第个场景类别商品的次数，为用户对第个场景类别商品的用户商品评价偏重系数；为用户浏览第个场景类别商品的商品停留时间；
63、为浏览权重系数，为购买权重系数，为评价权重系数，为停留权重系数；
64、将场景重要性得分和状态转移概率矩阵相结合定义一个评分矩阵，评分矩阵中第行第列的元素表示从第个场景类别转移到第个场景类别的评分，，其中，表示第个场景类别的场景重要性得分，表示第个场景类别的场景重要性得分；
65、定义一个长度为的初始动态场景顺序和场景目标；场景目标为找到一个最优的动态场景顺序，使得沿着该顺序转移的总评分最大，定义从场景类别出发，经过个场景类别后的最大评分；
66、则有递推公式：，其中，表示从第个场景类别转移到第个场景类别的评分；
67、计算出从任意起始场景类别出发，经过任意步数后的最大评分，最终得到的给出了从出发、经过个场景类别的最大评分，并回溯获得对应的最优动态场景顺序。
68、一种基于多场景商品动态展示系统，其用于实现所述的一种基于多场景商品动态展示方法，包括：数据获取模块，用于获取商品图像数据和用户行为数据；
69、特征提取模块，用于将商品图像数据划分到n个场景类别中，对每个场景类别中的商品图像数据进行特征提取，得到对应的高级语义特征向量；
70、聚类模块，用于采用改进高斯混合模型对每个场景类别中的高级语义特征向量进行聚类，得到每个场景类别中的m个商品图像特征子集；
71、主成分拼接模块，用于提取每个商品图像特征子集中商品图像特征数据的主成分特征向量，将每个场景类别中的主成分特征向量拼接为对应的场景特征向量；
72、动态优化展示模块，基于场景特征向量，构建场景相似度矩阵；根据场景相似度矩阵和用户行为数据，采用改进马尔可夫决策算法获取最优动态场景顺序，按照最优动态场景顺序动态展示商品图像。
73、本发明一种基于多场景商品动态展示方法及系统的技术效果和优点：
74、本发明能够极大地提升用户的个性化体验和购物满意度，巧妙地将商品图像划分到不同的场景类别中，深入挖掘图像的高级语义信息，并针对不同场景类别采用聚类算法，获得更加合理的商品图像特征子集划分，能够根据用户的浏览、购买和评价等行为数据，量化分析用户的偏好倾向，并结合场景相似度，采用改进的决策算法动态调整最优的场景展示顺序，个性化的动态展示顺序，最大限度地吸引用户的注意力，提高产品的曝光率和购买转化率，从而带来更加丰富、愉悦的购物体验；同时，引入了用户商品评价倾向的量化分析，通过自动构建情感词典和训练情感极性分类器模型，能够准确把握用户对商品的评价偏好，并将评价偏重系数纳入场景重要性计算，使展示顺序更加贴合用户的主观评价，提高用户的购物满意度，并提升了个性化体验。
1.一种基于多场景商品动态展示方法，其特征在于，包括：s1、获取商品图像数据和用户行为数据；
2.根据权利要求1所述的一种基于多场景商品动态展示方法，其特征在于，所述用户行为数据包括用户浏览商品数据、用户购买商品数据和用户商品评价偏重系数；
3.根据权利要求2所述的一种基于多场景商品动态展示方法，其特征在于，所述用户商品评价偏重系数的获取方式包括：
4.根据权利要求3所述的一种基于多场景商品动态展示方法，其特征在于，自动扩展成情感词典的方式包括：
5.根据权利要求4所述的一种基于多场景商品动态展示方法，其特征在于，所述进行特征提取的方式包括：
6.根据权利要求5所述的一种基于多场景商品动态展示方法，其特征在于，所述改进高斯混合模型的获取方式包括：
7.根据权利要求6所述的一种基于多场景商品动态展示方法，其特征在于，所述每个场景类别中的m个商品图像特征子集的获取方式包括：
8.根据权利要求7所述的一种基于多场景商品动态展示方法，其特征在于，所述主成分特征向量的提取方式包括：
9.根据权利要求8所述的一种基于多场景商品动态展示方法，其特征在于，所述构建场景相似度矩阵的方式包括：
10.一种基于多场景商品动态展示系统，其用于实现权利要求1至9任一项所述的一种基于多场景商品动态展示方法，其特征在于，包括：数据获取模块，用于获取商品图像数据和用户行为数据；
