[发明专利]一种基于社交电商的珠宝玉石定制方法

权利要求书

1.一种基于社交电商的珠宝玉石定制方法，其特征在于：所述珠宝玉石定制方法基于社交电商平台，所述社交电商平台包括社交电商互联网平台、消费终端以及商户终端；所述社交电商互联网平台中存储有佣金分配程序，执行佣金分配程序用于完成以下步骤：

步骤一，社交电商互联网平台接收消费终端的初次消费指令，解析初次消费指令中对应的商户终端，消费终端与对应商户终端建立关联关系，消费终端仅能与社交电商互联网平台上一个商户终端建立关联关系；

步骤二，社交电商互联网平台接收到步骤一所述消费终端的后续消费指令，根据后续消费指令提取佣金；

步骤三，社交电商互联网平台将佣金分配给所述消费终端，与所述消费终端存有关联关系的商户终端与社交电商互联网平台自身；

所述消费终端分得的佣金仅能在社交电商互联网平台内商户终端使用；

所述社交电商互联网平台设有虚拟单元空间，虚拟单元空间包含一个商户终端和消费终端；社交电商互联网平台接收消费终端或商户终端的指令，并将指令反馈给虚拟单元空间中另一空间；所述指令包括社交交互指令、展示商品指令；

所述虚拟单元空间包含直播模块，直播模块用于直播商户终端的珠宝玉石定制全过程；

所述商户终端的使用者包括销售珠宝玉石原石的销售商以及珠宝玉石雕刻匠人；

所述社交电商互联网平台还设置有竞价拍卖模块，竞价拍卖模块用于实现特定时间的竞价排名；

所述社交电商互联网平台中还存储有商户终端推荐程序，执行商户终端推荐程序完成以下步骤：

步骤A，采集商户终端在社交电商互联网平台中的所有足迹，生成足迹数据，对足迹数据进行预处理，对预处理后的数据按照时间顺序生成表征商户终端平台足迹的平台足迹点序列；

步骤B，将多个平台足迹点序列同时输入到门控循环单元神经网络学习模型中，将同批次的其他足迹点作为负例，抽取有效负例，使用多条平台足迹同时训练的方法进行训练，生成足迹得分，按照足迹得分生成推荐列表；

步骤C，在所有足迹点中找到足迹得分最高的足迹点，计算所有负例足迹点的总分值，计算足迹得分最高的足迹点的足迹得分与总分值的比值，按照比值赋予负例权重值；

步骤D，根据所有负例权重值来计算损失函数，使用排序方法更新推荐列表；损失函数为

其中，S_n表示样本大小，S_m表示负例q与得分最高负例的比值，p代表正例，q代表负例，r代表足迹点的得分，r_q表示足迹点q的得分，r_p表示足迹点p的得分。

2.根据权利要求1所述的基于社交电商的珠宝玉石定制方法，其特征在于：所述预处理包括剔除无效数据，无效数据定义为时序上相邻足迹点的时间间隔小于有效时间阈值的足迹数据。

3.根据权利要求1所述的基于社交电商的珠宝玉石定制方法，其特征在于：所述门控循环单元神经网络学习模型中包括足迹点特征学习层、GRU隐层及足迹点得分输出层；足迹点特征学习层中，所有足迹点使用一位有效编码方法表示，足迹点特征学习层输入的长度等于足迹点的个数，把一位有效编码方法表示的结果嵌入到足迹点特征学习层并用低维向量表示；

GRU隐层的输入是足迹点的一位有效编码方法表示；足迹点得分输出层中，足迹点得分输出层把GRU隐层的输出通过Tanh激活函数后计算出每个足迹点的足迹得分，足迹得分是表示推荐权重值的大小。

4.根据权利要求1所述的基于社交电商的珠宝玉石定制方法，其特征在于：多条平台足迹同时训练方法包括：

步骤a，每条平台足迹相对应的位置定义为同一批次，把同一批次中其他平台足迹的足迹点作为负例来训练门控循环单元神经网络学习模型；

步骤b，创建一个窗口，窗口大小为DX，DX表征DX条平台足迹同时训练；

步骤c，对每个平台足迹进行排序，使用第一个足迹点作为第一个输入，第二个足迹点作为第二个输入，以此类推，直到一个平台足迹结束，每一条平台足迹训练完成后均重置赋值权重矩阵；

步骤d，在已有的负例集合上加入提前抽取好的有效负例集合组成全新的负例集合；

所述有效负例集合中的有效负例的产生方法如下：

把其他平台足迹中同一批次中的足迹点设为负例集合A；

把所有足迹点采取随机抽样的方法取出一部分作为额外的负例集合B；

所有足迹点里的得分最高的负例足迹点，把负例集合里的所有足迹点得分与得分最高的负例足迹点的得分进行比值，得到每个足迹点的赋值权重；

将赋值权重用于更新损失函数。