买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：深圳市秦丝科技有限公司

摘要：本发明提供一种基于强化学习算法的动态陈列调整方法及系统，涉及动态陈列技术领域，包括获取目标场所的历史数据，并按照时间序列进行排序，基于因果表示学习构建销售预测模型，通过因果驱动的预测算法得到销售预测值；构建商品关联模型，基于预设的不同商品之间的关联规则，通过计算商品相似度，确定互补关系和替代关系，计算商品推荐得分；以商品的当前陈列数据为基础，确定状态空间；基于商品的陈列动作，确定动作空间；确定奖励函数，构建动态陈列模型；确定待调整的状态特征，输入动态陈列模型，通过计算动作的概率分布，结合探索衰减因子和软化因子，从动作空间中选择最优动作，确定最优动态陈列策略，进行陈列调整。

主权项：1.基于强化学习算法的动态陈列调整方法，其特征在于，包括：获取目标场所的历史数据，所述历史数据包括销售数据、商品属性数据、用户行为数据和陈列数据，对所述历史数据进行预处理，并按照时间序列进行排序，基于因果表示学习构建销售预测模型，通过因果驱动的预测算法得到销售预测值；构建商品关联模型，基于预设的不同商品之间的关联规则，通过计算商品相似度，确定互补关系和替代关系，计算商品推荐得分；以商品的当前陈列数据为基础，结合所述销售预测值和所述商品推荐得分，确定状态空间；基于商品的陈列位置调整动作、陈列数量调整动作、陈列增删动作和陈列替换动作，确定动作空间；以销售利润和用户满意度为正相关因素，确定奖励函数；基于所述状态空间、所述动作空间和所述奖励函数，构建动态陈列模型；基于所述状态空间，确定待调整的状态特征，输入动态陈列模型，通过计算动作的概率分布，结合探索衰减因子和软化因子，从动作空间中选择最优动作，确定最优动态陈列策略，基于所述最优动态陈列策略，进行陈列调整；构建商品关联模型，基于预设的不同商品之间的关联规则，通过计算商品相似度，确定互补关系和替代关系，计算商品推荐得分包括：对商品属性数据进行预处理，得到商品属性特征，利用卷积神经网络对商品的文本描述和图像数据进行特征提取，得到文本特征向量和图像特征向量，将商品属性特征、文本特征向量和图像特征向量拼接，得到商品融合特征；基于用户行为数据，统计每个用户对每个商品的交互次数，对不同类型的交互行为赋予对应的权重，计算用户-商品交互矩阵；以用户-商品交互矩阵作为二部图，使用图卷积神经网络对所述二部图进行特征学习，通过聚合所述二部图中每个节点的邻域信息，得到用户和商品的隐含表示，提取用户-商品偏好特征；将所述商品融合特征和所述用户-商品偏好特征作为两个不同的视图，使用多视图图注意力网络对视图中的节点特征进行学习和更新，通过注意力机制自适应聚合邻域节点信息，将两个视图的输出进行拼接，得到商品综合表示；基于所述商品综合表示，计算不同商品之间的余弦相似度，构建商品相似度矩阵；根据预设的商品关联规则，将所述商品相似度矩阵作为边的权重，构建商品关联图，使用门控图神经网络对商品关联图进行推理，通过多步消息传递和门控单元，更新节点的隐状态，得到商品之间的互补关系和替代关系；将商品的综合表示、互补关系和替代关系表示拼接，构建商品特征矩阵，对所述商品特征矩阵和所述用户-商品交互矩阵，使用非负矩阵分解，得到商品隐因子矩阵和用户隐因子矩阵，通过所述商品隐因子矩阵和所述用户隐因子矩阵的内积，计算每个用户对每个商品的推荐得分。

全文数据：

权利要求：

百度查询： 深圳市秦丝科技有限公司 基于强化学习算法的动态陈列调整方法及系统