本技術(shù)涉及智能營銷分賬領(lǐng)域，且更為具體地，涉及一種基于ai的商戶營銷分賬處理方法及系統(tǒng)。

背景技術(shù)：

1、在現(xiàn)代電子商務(wù)和零售行業(yè)中，商戶營銷分賬處理是一個(gè)重要環(huán)節(jié)，它涉及到如何合理分配銷售收入給不同的渠道、合作伙伴或營銷活動(dòng)。這一過程不僅關(guān)系到商戶的盈利模式，還直接影響到市場(chǎng)推廣的效果和合作伙伴的積極性。

2、然而，傳統(tǒng)的商戶營銷分賬處理方法通常是基于手動(dòng)操作和簡單的數(shù)據(jù)分析手段進(jìn)行的。具體地，在傳統(tǒng)的商戶營銷分賬處理中，由于主要依賴人工操作，整個(gè)過程不僅繁瑣而且容易出錯(cuò)，而且由于人眼和大腦處理信息的局限性，很難做到全面和深入的分析。此外，傳統(tǒng)的手動(dòng)分賬由于依賴于歷史數(shù)據(jù)和預(yù)設(shè)規(guī)則，這限制了對(duì)市場(chǎng)動(dòng)態(tài)的即時(shí)響應(yīng)能力。例如，在節(jié)假日促銷或突發(fā)事件導(dǎo)致的商品需求激增時(shí)，手動(dòng)分賬無法迅速調(diào)整以反映這些變化，從而可能錯(cuò)失優(yōu)化利潤分配的機(jī)會(huì)。同時(shí)，這種方法通常只關(guān)注如銷售額、利潤等直觀指標(biāo)，忽視了交易數(shù)據(jù)和商品描述中的語義關(guān)聯(lián)。這種片面的數(shù)據(jù)分析無法充分挖掘數(shù)據(jù)背后的深層次特征和潛在價(jià)值，從而影響分賬的準(zhǔn)確性和公平性。

3、因此，期望一種優(yōu)化的商戶營銷分賬處理方案。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)針對(duì)現(xiàn)有技術(shù)中的缺點(diǎn)，提供了一種基于ai的商戶營銷分賬處理方法及系統(tǒng)。

2、根據(jù)本技術(shù)的一個(gè)方面，提供了一種基于ai的商戶營銷分賬處理方法，其包括：

3、提取第一商品的交易數(shù)據(jù)的時(shí)間隊(duì)列；

4、提取所述第一商品的信息描述；

5、對(duì)所述第一商品的信息描述進(jìn)行語義編碼以得到第一商品信息描述語義編碼特征向量；

6、使用交易嵌入編碼矩陣分別對(duì)所述第一商品的交易數(shù)據(jù)的時(shí)間隊(duì)列中的各個(gè)交易數(shù)據(jù)進(jìn)行嵌入編碼以得到交易數(shù)據(jù)嵌入編碼向量的時(shí)間隊(duì)列；

7、將所述交易數(shù)據(jù)嵌入編碼向量的時(shí)間隊(duì)列輸入基于節(jié)點(diǎn)特征顯著性衰減引導(dǎo)的特征聚合分析網(wǎng)絡(luò)以得到第一商品交易時(shí)序聚合表示向量；

8、將所述第一商品交易時(shí)序聚合表示向量和所述第一商品信息描述語義編碼特征向量輸入顯著性驅(qū)動(dòng)的主成分特征融合網(wǎng)絡(luò)以得到第一商品交易-屬性主成分多模態(tài)融合表示向量；

9、基于所述第一商品交易-屬性主成分多模態(tài)融合表示向量，得到評(píng)估結(jié)果，并基于所述評(píng)估結(jié)果，生成分賬推薦建議。

10、在上述基于ai的商戶營銷分賬處理方法中，將所述交易數(shù)據(jù)嵌入編碼向量的時(shí)間隊(duì)列輸入基于節(jié)點(diǎn)特征顯著性衰減引導(dǎo)的特征聚合分析網(wǎng)絡(luò)以得到第一商品交易時(shí)序聚合表示向量，包括：計(jì)算所述交易數(shù)據(jù)嵌入編碼向量的時(shí)間隊(duì)列中的各個(gè)交易數(shù)據(jù)嵌入編碼向量的特征顯著性描述因子，其中，所述特征顯著性描述因子與所述各個(gè)交易數(shù)據(jù)嵌入編碼向量的均值和方差有關(guān)；基于所述交易數(shù)據(jù)嵌入編碼向量的時(shí)間隊(duì)列中的各個(gè)交易數(shù)據(jù)嵌入編碼向量與當(dāng)前的交易數(shù)據(jù)嵌入編碼向量之間的距離跨度，構(gòu)造所述各個(gè)交易數(shù)據(jù)嵌入編碼向量的特征顯著性衰減因子；基于所述各個(gè)交易數(shù)據(jù)嵌入編碼向量的特征顯著性衰減因子對(duì)所述各個(gè)交易數(shù)據(jù)嵌入編碼向量的特征顯著性描述因子進(jìn)行調(diào)制以得到交易數(shù)據(jù)特征顯著性衰減描述因子的序列；將所述交易數(shù)據(jù)特征顯著性衰減描述因子的序列輸入門控掩碼模塊以得到交易數(shù)據(jù)特征顯著性衰減權(quán)重因子的序列；以所述交易數(shù)據(jù)特征顯著性衰減權(quán)重因子的序列作為權(quán)重的序列，計(jì)算所述交易數(shù)據(jù)嵌入編碼向量的時(shí)間隊(duì)列的加權(quán)和以得到所述第一商品交易時(shí)序聚合表示向量；其中，將所述交易數(shù)據(jù)特征顯著性衰減描述因子的序列輸入門控掩碼模塊以得到交易數(shù)據(jù)特征顯著性衰減權(quán)重因子的序列，包括：對(duì)所述交易數(shù)據(jù)特征顯著性衰減描述因子的序列中的每個(gè)交易數(shù)據(jù)特征顯著性衰減描述因子進(jìn)行基于sigmoid函數(shù)的歸一化處理以得到歸一化交易數(shù)據(jù)特征顯著性衰減描述因子的集合；將所述歸一化交易數(shù)據(jù)特征顯著性衰減描述因子的集合中的每個(gè)歸一化交易數(shù)據(jù)特征顯著性衰減描述因子輸入門控函數(shù)進(jìn)行掩碼化處理以得到所述交易數(shù)據(jù)特征顯著性衰減權(quán)重因子的序列。

11、在上述基于ai的商戶營銷分賬處理方法中，計(jì)算所述交易數(shù)據(jù)嵌入編碼向量的時(shí)間隊(duì)列中的各個(gè)交易數(shù)據(jù)嵌入編碼向量的特征顯著性描述因子，包括：分別計(jì)算所述交易數(shù)據(jù)嵌入編碼向量的均值和方差以得到交易數(shù)據(jù)特征均值和交易數(shù)據(jù)特征方差；計(jì)算所述交易數(shù)據(jù)嵌入編碼向量與所述交易數(shù)據(jù)特征均值的按位置差值以得到交易數(shù)據(jù)差分向量；計(jì)算所述交易數(shù)據(jù)差分向量中每個(gè)特征值的四次方以得到交易數(shù)據(jù)調(diào)制差異向量；計(jì)算所述交易數(shù)據(jù)調(diào)制差異向量的期望值以得到交易數(shù)據(jù)期望值；將所述交易數(shù)據(jù)期望值與所述交易數(shù)據(jù)特征方差的平方進(jìn)行相除以得到所述交易數(shù)據(jù)嵌入編碼向量對(duì)應(yīng)的特征顯著性描述因子。

12、在上述基于ai的商戶營銷分賬處理方法中，基于所述交易數(shù)據(jù)嵌入編碼向量的時(shí)間隊(duì)列中的各個(gè)交易數(shù)據(jù)嵌入編碼向量與當(dāng)前的交易數(shù)據(jù)嵌入編碼向量之間的距離跨度，構(gòu)造所述各個(gè)交易數(shù)據(jù)嵌入編碼向量的特征顯著性衰減因子，包括：提取所述各個(gè)交易數(shù)據(jù)嵌入編碼向量中的最大值以得到交易數(shù)據(jù)特征最大值的序列；提取所述當(dāng)前的交易數(shù)據(jù)嵌入編碼向量的最大值以得到當(dāng)前交易數(shù)據(jù)特征最大值；計(jì)算所述當(dāng)前交易數(shù)據(jù)特征最大值與所述交易數(shù)據(jù)特征最大值的序列之間的按位置相減以得到交易數(shù)據(jù)特征偏移值的序列；統(tǒng)計(jì)所述各個(gè)交易數(shù)據(jù)嵌入編碼向量與所述當(dāng)前的交易數(shù)據(jù)嵌入編碼向量之間的距離跨度值以得到交易數(shù)據(jù)距離跨度值的序列，并計(jì)算所述交易數(shù)據(jù)距離跨度值的序列中各個(gè)值的平方以得到交易數(shù)據(jù)距離跨度調(diào)制值的序列；將所述交易數(shù)據(jù)特征偏移值的序列與所述交易數(shù)據(jù)距離跨度調(diào)制值的序列進(jìn)行按位置相除以得到所述各個(gè)交易數(shù)據(jù)嵌入編碼向量的特征顯著性衰減因子。

13、在上述基于ai的商戶營銷分賬處理方法中，將所述第一商品交易時(shí)序聚合表示向量和所述第一商品信息描述語義編碼特征向量輸入顯著性驅(qū)動(dòng)的主成分特征融合網(wǎng)絡(luò)以得到第一商品交易-屬性主成分多模態(tài)融合表示向量，包括：對(duì)所述第一商品交易時(shí)序聚合表示向量和所述第一商品信息描述語義編碼特征向量進(jìn)行標(biāo)準(zhǔn)化處理以得到標(biāo)準(zhǔn)化第一商品交易時(shí)序聚合表示向量和標(biāo)準(zhǔn)化第一商品信息描述語義編碼特征向量；計(jì)算所述標(biāo)準(zhǔn)化第一商品交易時(shí)序聚合表示向量和所述標(biāo)準(zhǔn)化第一商品信息描述語義編碼特征向量的樣本協(xié)方差矩陣以得到第一商品交易時(shí)序聚合樣本協(xié)方差矩陣和第一商品信息描述語義樣本協(xié)方差矩陣；對(duì)所述第一商品交易時(shí)序聚合樣本協(xié)方差矩陣和所述第一商品信息描述語義樣本協(xié)方差矩陣進(jìn)行基于矩陣分解的特征向量提取以得到第一商品交易時(shí)序聚合主成分特征向量的集合和第一商品信息描述主成分特征向量的集合；將所述第一商品交易時(shí)序聚合主成分特征向量的集合和所述第一商品信息描述主成分特征向量的集合輸入最大近似查詢匹配網(wǎng)絡(luò)以得到第一商品交易時(shí)序聚合主成分特征向量和第一商品信息描述主成分特征向量的最佳匹配對(duì)的集合；將所述第一商品交易時(shí)序聚合主成分特征向量和第一商品信息描述主成分特征向量的最佳匹配對(duì)的集合中的各個(gè)第一商品交易時(shí)序聚合主成分特征向量和第一商品信息描述主成分特征向量的最佳匹配對(duì)輸入語義細(xì)粒度門控聯(lián)合模塊以得到第一商品交易-信息描述主成分融合特征向量的集合；將所述第一商品交易-信息描述主成分融合特征向量的集合進(jìn)行級(jí)聯(lián)以得到所述第一商品交易-屬性主成分多模態(tài)融合表示向量；其中，計(jì)算所述標(biāo)準(zhǔn)化第一商品交易時(shí)序聚合表示向量和所述標(biāo)準(zhǔn)化第一商品信息描述語義編碼特征向量的樣本協(xié)方差矩陣以得到第一商品交易時(shí)序聚合樣本協(xié)方差矩陣和第一商品信息描述語義樣本協(xié)方差矩陣，包括：將所述標(biāo)準(zhǔn)化第一商品交易時(shí)序聚合表示向量的轉(zhuǎn)置向量與所述標(biāo)準(zhǔn)化第一商品交易時(shí)序聚合表示向量進(jìn)行相乘后，將得到的標(biāo)準(zhǔn)化第一商品交易時(shí)序聚合關(guān)聯(lián)矩陣與所述標(biāo)準(zhǔn)化第一商品交易時(shí)序聚合表示向量的長度減一得到的數(shù)值進(jìn)行按位置相除以得到所述第一商品交易時(shí)序聚合樣本協(xié)方差矩陣；將所述標(biāo)準(zhǔn)化第一商品信息描述語義編碼特征向量的轉(zhuǎn)置向量與所述標(biāo)準(zhǔn)化第一商品信息描述語義編碼特征向量進(jìn)行相乘后，將得到的標(biāo)準(zhǔn)化第一商品信息描述語義關(guān)聯(lián)矩陣與所述標(biāo)準(zhǔn)化第一商品信息描述語義編碼特征向量的長度減一得到的數(shù)值進(jìn)行按位置相除以得到所述第一商品信息描述語義樣本協(xié)方差矩陣。

14、在上述基于ai的商戶營銷分賬處理方法中，對(duì)所述第一商品交易時(shí)序聚合表示向量和所述第一商品信息描述語義編碼特征向量進(jìn)行標(biāo)準(zhǔn)化處理以得到標(biāo)準(zhǔn)化第一商品交易時(shí)序聚合表示向量和標(biāo)準(zhǔn)化第一商品信息描述語義編碼特征向量，包括：分別計(jì)算所述第一商品交易時(shí)序聚合表示向量的均值和標(biāo)準(zhǔn)差以得到第一商品交易時(shí)序聚合特征均值和第一商品交易時(shí)序聚合特征標(biāo)準(zhǔn)差；將所述第一商品交易時(shí)序聚合表示向量與所述第一商品交易時(shí)序聚合特征均值進(jìn)行按位置相減后，計(jì)算得到的第一商品交易時(shí)序偏移向量與所述第一商品交易時(shí)序聚合特征標(biāo)準(zhǔn)差的按位置除法以得到所述標(biāo)準(zhǔn)化第一商品交易時(shí)序聚合表示向量；分別計(jì)算所述第一商品信息描述語義編碼特征向量的均值和標(biāo)準(zhǔn)差以得到第一商品信息描述語義特征均值和第一商品信息描述語義特征標(biāo)準(zhǔn)差；將所述第一商品信息描述語義編碼特征向量與所述第一商品信息描述語義特征均值進(jìn)行按位置相減后，計(jì)算得到的第一商品信息描述語義偏移向量與所述第一商品信息描述語義特征標(biāo)準(zhǔn)差的按位置除法以得到所述標(biāo)準(zhǔn)化第一商品信息描述語義編碼特征向量。

15、在上述基于ai的商戶營銷分賬處理方法中，將所述第一商品交易時(shí)序聚合主成分特征向量的集合和所述第一商品信息描述主成分特征向量的集合輸入最大近似查詢匹配網(wǎng)絡(luò)以得到第一商品交易時(shí)序聚合主成分特征向量和第一商品信息描述主成分特征向量的最佳匹配對(duì)的集合，包括：提取所述第一商品交易時(shí)序聚合主成分特征向量的集合中預(yù)定的第一商品交易時(shí)序聚合主成分特征向量；計(jì)算所述預(yù)定的第一商品交易時(shí)序聚合主成分特征向量與所述第一商品信息描述主成分特征向量的集合中每個(gè)第一商品信息描述主成分特征向量之間的余弦相似度以得到匹配查詢相似度的集合；將所述匹配查詢相似度的集合中最大的所述匹配查詢相似度所對(duì)應(yīng)的的第一商品信息描述主成分特征向量與所述預(yù)定的第一商品交易時(shí)序聚合主成分特征向量作為所述預(yù)定的第一商品交易時(shí)序聚合主成分特征向量和所述第一商品信息描述主成分特征向量的最佳匹配對(duì)。

16、在上述基于ai的商戶營銷分賬處理方法中，將所述第一商品交易時(shí)序聚合主成分特征向量和第一商品信息描述主成分特征向量的最佳匹配對(duì)的集合中的各個(gè)第一商品交易時(shí)序聚合主成分特征向量和第一商品信息描述主成分特征向量的最佳匹配對(duì)輸入語義細(xì)粒度門控聯(lián)合模塊以得到第一商品交易-信息描述主成分融合特征向量的集合，包括：分別計(jì)算所述第一商品交易時(shí)序聚合主成分特征向量和第一商品信息描述主成分特征向量的最佳匹配對(duì)之間的按位置差值、按位置點(diǎn)乘和按位置加法以得到第一商品交易-信息描述主成分差分向量、第一商品交易-信息描述主成分點(diǎn)乘向量和第一商品交易-信息描述主成分加和向量；將所述第一商品交易-信息描述主成分差分向量、所述第一商品交易-信息描述主成分點(diǎn)乘向量和所述第一商品交易-信息描述主成分加和向量進(jìn)行級(jí)聯(lián)后進(jìn)行一維卷積編碼以得到第一商品交易-信息描述主成分多維度融合向量；對(duì)所述第一商品交易-信息描述主成分多維度融合向量進(jìn)行基于局部窗口的最大池化處理以得到所述第一商品交易-信息描述主成分融合特征向量。

17、在上述基于ai的商戶營銷分賬處理方法中，基于所述第一商品交易-屬性主成分多模態(tài)融合表示向量，得到評(píng)估結(jié)果，并基于所述評(píng)估結(jié)果，生成分賬推薦建議，包括：將所述第一商品交易-屬性主成分多模態(tài)融合表示向量輸入基于分類器的商品類型評(píng)估器以得到所述評(píng)估結(jié)果，所述評(píng)估結(jié)果用于表示第一商品是否為高利潤商品；響應(yīng)于所述評(píng)估結(jié)果為第一商品為高利潤商品，生成所述分賬推薦建議，所述分賬推薦建議用于表示提高分賬比例。

18、根據(jù)本技術(shù)的另一方面，提供了一種基于ai的商戶營銷分賬處理系統(tǒng)，其包括：

19、本技術(shù)由于采用了以上的技術(shù)方案，具有顯著的技術(shù)效果：

20、商品交易時(shí)間隊(duì)列數(shù)據(jù)提取模塊，用于提取第一商品的交易數(shù)據(jù)的時(shí)間隊(duì)列；

21、商品信息描述提取模塊，用于提取所述第一商品的信息描述；

22、商品信息描述語義編碼模塊，用于對(duì)所述第一商品的信息描述進(jìn)行語義編碼以得到第一商品信息描述語義編碼特征向量；

23、商品交易時(shí)間隊(duì)列數(shù)據(jù)嵌入編碼模塊，用于使用交易嵌入編碼矩陣分別對(duì)所述第一商品的交易數(shù)據(jù)的時(shí)間隊(duì)列中的各個(gè)交易數(shù)據(jù)進(jìn)行嵌入編碼以得到交易數(shù)據(jù)嵌入編碼向量的時(shí)間隊(duì)列；

24、商品交易時(shí)序特征集合分析模塊，用于將所述交易數(shù)據(jù)嵌入編碼向量的時(shí)間隊(duì)列輸入基于節(jié)點(diǎn)特征顯著性衰減引導(dǎo)的特征聚合分析網(wǎng)絡(luò)以得到第一商品交易時(shí)序聚合表示向量；

25、商品多模態(tài)特征融合模塊，用于將所述第一商品交易時(shí)序聚合表示向量和所述第一商品信息描述語義編碼特征向量輸入顯著性驅(qū)動(dòng)的主成分特征融合網(wǎng)絡(luò)以得到第一商品交易-屬性主成分多模態(tài)融合表示向量；分賬推薦建議生成模塊，用于基于所述第一商品交易-屬性主成分多模態(tài)融合表示向量，得到評(píng)估結(jié)果，并基于所述評(píng)估結(jié)果，生成分賬推薦建議。

26、本技術(shù)提供的基于ai的商戶營銷分賬處理方法及系統(tǒng)，其采用基于ai的數(shù)據(jù)分析和處理技術(shù)來對(duì)第一商品交易數(shù)據(jù)進(jìn)行嵌入編碼和時(shí)序聚合，對(duì)第一商品的信息描述進(jìn)行語義編碼，以此根據(jù)交易數(shù)據(jù)時(shí)序聚合后的特征和第一商品描述語義特征之間的主成分多模態(tài)融合表示特征來智能地評(píng)估第一商品是否為高利潤商品，并基于該評(píng)估結(jié)果，判斷是否提高分賬比例。這樣，能夠快速響應(yīng)市場(chǎng)變化，并且還能在深入理解商品特性和市場(chǎng)表現(xiàn)的同時(shí)減少人工操作，有利于提高商戶營銷分賬處理的智能化程度。