CN116433339A - 订单数据的处理方法、装置、设备及存储介质 - Google Patents

订单数据的处理方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116433339A
CN116433339A CN202310705913.2A CN202310705913A CN116433339A CN 116433339 A CN116433339 A CN 116433339A CN 202310705913 A CN202310705913 A CN 202310705913A CN 116433339 A CN116433339 A CN 116433339A
Authority
CN
China
Prior art keywords
feature
order
distribution space
target
labels
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310705913.2A
Other languages
English (en)
Other versions
CN116433339B (zh
Inventor
周志胜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
All House Premium Technology Shenzhen Co ltd
Original Assignee
All House Premium Technology Shenzhen Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by All House Premium Technology Shenzhen Co ltd filed Critical All House Premium Technology Shenzhen Co ltd
Priority to CN202310705913.2A priority Critical patent/CN116433339B/zh
Publication of CN116433339A publication Critical patent/CN116433339A/zh
Application granted granted Critical
Publication of CN116433339B publication Critical patent/CN116433339B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06Q30/0635—Processing of requisition or of purchase orders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及数据处理领域，公开了一种订单数据的处理方法、装置、设备及存储介质，用于提高订单数据处理的准确率。方法包括：基于家居服务***获取目标用户的历史家居订单数据，并进行订单数据分类，得到正常已完成订单以及异常未完成订单；对正常已完成订单进行订单特征提取和创建第一特征分布空间；对异常未完成订单进行订单特征分析和创建第二特征分布空间；对第一特征分布空间进行交叉感兴趣分析和特征搜索，得到第三特征分布空间；根据第二特征分布空间，对第三特征分布空间进行特征分布筛选和剔除，生成目标特征分布空间；根据目标特征分布空间生成目标推送列表，并通过家居服务***对目标推送列表进行家居服务推送。

Description

订单数据的处理方法、装置、设备及存储介质
技术领域
本发明涉及数据处理领域，尤其涉及一种订单数据的处理方法、装置、设备及存储介质。
背景技术
近年来，越来越多的家居电商需要更好地为客户提供个性化的家居服务，以及对客户偏好和行为有更深入的了解。本实施例中，随着机器学习算法和数据处理技术的不断发展，研究家居订单数据处理方法成为了一种热门的领域。
现有技术中的不足包括以下方面：家居订单数据的质量可能不完全精确或具有误导性，因此需要确保数据质量和准确性。目前的数据分析方法可能不能处理家居订单数据的多样性和高维度，需要更加先进的算法和技术来处理这些数据。一些现有的推荐***可能缺乏个性化程度或准确性，需要更加准确和智能的推荐***来满足客户需求，即现有方***率低。
发明内容
本发明提供了一种订单数据的处理方法、装置、设备及存储介质，用于提高订单数据处理的准确率。
本发明第一方面提供了一种订单数据的处理方法，所述订单数据的处理方法包括：
基于预置的家居服务***获取目标用户对应的历史家居订单数据，并对所述历史家居订单数据进行订单数据分类，得到正常已完成订单以及异常未完成订单；
对所述正常已完成订单进行订单特征提取，得到多个第一订单特征标签以及多个第一家居属性特征标签，并根据所述多个第一订单特征标签以及所述多个第一家居属性特征标签创建第一特征分布空间；
对所述异常未完成订单进行订单特征分析，得到多个第二订单特征标签以及多个第二家居属性特征标签，并根据所述多个第二订单特征标签以及所述多个第二家居属性特征标签创建第二特征分布空间；
对所述第一特征分布空间进行交叉感兴趣分析和特征搜索，得到第三特征分布空间；
根据所述第二特征分布空间，对所述第三特征分布空间进行特征分布筛选和剔除，生成目标特征分布空间；
根据所述目标特征分布空间生成所述目标用户的目标推送列表，并通过所述家居服务***对所述目标推送列表进行家居服务推送。
结合第一方面，在本发明第一方面的第一实施方式中，所述基于预置的家居服务***获取目标用户对应的历史家居订单数据，并对所述历史家居订单数据进行订单数据分类，得到正常已完成订单以及异常未完成订单，包括：
获取目标用户的用户信息，并根据所述用户信息从预置的家居服务***中查询目标时间段内的订单，得到历史家居订单数据；
对所述历史家居订单数据进行数据去重和数据格式标准化处理，得到标准家居订单数据；
根据预设的订单节点信息，对所述标准家居订单数据进行订单数据分类，得到正常已完成订单以及异常未完成订单。
结合第一方面，在本发明第一方面的第二实施方式中，所述对所述正常已完成订单进行订单特征提取，得到多个第一订单特征标签以及多个第一家居属性特征标签，并根据所述多个第一订单特征标签以及所述多个第一家居属性特征标签创建第一特征分布空间，包括：
对所述正常已完成订单进行订单特征提取，得到多个第一订单特征标签，其中，所述多个第一订单特征标签包括：购买频率、订单金额、订单类型以及订单时间；
对所述正常已完成订单进行家居属性特征提取，得到多个第一家居属性特征标签，其中，所述多个第一家居属性特征标签包括：家居产品类型、颜色以及材质；
对所述多个第一订单特征标签进行特征标签聚类，得到多个第一特征聚类点，以及对所述多个第一家居属性特征标签进行特征标签聚类，得到多个第二特征聚类点；
对所述多个第一特征聚类点和所述多个第二特征聚类点进行特征分布空间映射，生成第一特征分布空间。
结合第一方面，在本发明第一方面的第三实施方式中，所述对所述异常未完成订单进行订单特征分析，得到多个第二订单特征标签以及多个第二家居属性特征标签，并根据所述多个第二订单特征标签以及所述多个第二家居属性特征标签创建第二特征分布空间，包括：
对所述异常未完成订单进行订单特征提取，得到多个第二订单特征标签，其中，所述多个第二订单特征标签包括：订单运输状态、订单取消情况以及订单提醒内容；
对所述异常未完成订单进行家居属性特征提取，得到多个第二家居属性特征标签，其中，所述多个第二家居属性特征标签包括：家居产品尺寸、质量以及退货时间；
对所述多个第二订单特征标签进行特征标签聚类，得到多个第三特征聚类点，以及对所述多个第二家居属性特征标签进行特征标签聚类，得到多个第四特征聚类点；
对所述多个第三特征聚类点和所述多个第四特征聚类点进行特征分布空间映射，生成第二特征分布空间。
结合第一方面，在本发明第一方面的第四实施方式中，所述对所述第一特征分布空间进行交叉感兴趣分析和特征搜索，得到第三特征分布空间，包括：
分别构建每个第一订单特征标签与家居产品类型之间的关联规则，得到多个产品关联规则；
基于所述第一特征分布空间确定对应的多个第一特征点，其中，所述多个第一特征点包括：订单量最大、利润最高、销售额最高以及推荐访问量最多；
根据所述多个产品关联规则，对每个第一特征点进行交叉感兴趣分析，得到每个第一特征点的交叉关联数据；
根据所述第一特征分布空间以及每个第一特征点的交叉关联数据，生成第三特征分布空间。
结合第一方面，在本发明第一方面的第五实施方式中，所述根据所述第二特征分布空间，对所述第三特征分布空间进行特征分布筛选和剔除，生成目标特征分布空间，包括：
对所述第二特征分布空间和所述第三特征分布空间进行重叠点和差异点识别，得到目标重叠点和目标差异点；
根据所述目标重叠点，对所述第三特征分布空间进行重叠点剔除，得到初始特征分布空间；
对所述初始特征分布空间中的目标差异点进行相邻点搜索，得到一级相邻点；
在依次遍历所述目标差异点后，依次继续遍历所述一级相邻点的二级相邻点，直至所述初始特征分布空间中没有满足预设要求的相邻点，得到原始特征分布空间；
对所述原始特征分布空间进行特征点分布整合，得到目标特征分布空间。
结合第一方面，在本发明第一方面的第六实施方式中，所述根据所述目标特征分布空间生成所述目标用户的目标推送列表，并通过所述家居服务***对所述目标推送列表进行家居服务推送，包括：
获取所述目标特征分布空间中的多个第二特征点，并计算所述多个第二特征点与所述目标用户的关联权重系数，得到每个第二特征点的关联权重系数；
根据每个第二特征点的关联权重系数，对所述目标用户的关联产品进行排序，得到所述目标用户的目标推送列表；
基于所述家居服务***匹配所述目标推送列表对应的目标推送模式，并根据所述目标推送模式和所述目标推送列表进行家居服务推送。
本发明第二方面提供了一种订单数据的处理装置，所述订单数据的处理装置包括：
获取模块，用于基于预置的家居服务***获取目标用户对应的历史家居订单数据，并对所述历史家居订单数据进行订单数据分类，得到正常已完成订单以及异常未完成订单；
第一创建模块，用于对所述正常已完成订单进行订单特征提取，得到多个第一订单特征标签以及多个第一家居属性特征标签，并根据所述多个第一订单特征标签以及所述多个第一家居属性特征标签创建第一特征分布空间；
第二创建模块，用于对所述异常未完成订单进行订单特征分析，得到多个第二订单特征标签以及多个第二家居属性特征标签，并根据所述多个第二订单特征标签以及所述多个第二家居属性特征标签创建第二特征分布空间；
分析模块，用于对所述第一特征分布空间进行交叉感兴趣分析和特征搜索，得到第三特征分布空间；
筛选模块，用于根据所述第二特征分布空间，对所述第三特征分布空间进行特征分布筛选和剔除，生成目标特征分布空间；
推送模块，用于根据所述目标特征分布空间生成所述目标用户的目标推送列表，并通过所述家居服务***对所述目标推送列表进行家居服务推送。
本发明第三方面提供了一种订单数据的处理设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述订单数据的处理设备执行上述的订单数据的处理方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的订单数据的处理方法。
本发明提供的技术方案中，对正常已完成订单进行订单特征提取和创建第一特征分布空间；对异常未完成订单进行订单特征分析和创建第二特征分布空间；对第一特征分布空间进行交叉感兴趣分析和特征搜索，得到第三特征分布空间；根据第二特征分布空间，对第三特征分布空间进行特征分布筛选和剔除，生成目标特征分布空间；根据目标特征分布空间生成目标推送列表，并通过家居服务***对目标推送列表进行家居服务推送，本发明根据客户历史订单数据，通过机器学习算法和交叉感兴趣分析，更准确地预测目标特征分布空间，交叉销售和个性化推荐可以提高客户的客单价和购买频次，间接提高利润率，本实施例中通过推荐和推送列表可以更好地与客户互动和沟通，建立更加密切的客户关系，进而提高订单数据处理的准确率。
附图说明
图1为本发明实施例中订单数据的处理方法的一个实施例示意图；
图2为本发明实施例中创建第一特征分布空间的流程图；
图3为本发明实施例中交叉感兴趣分析和特征搜索的流程图；
图4为本发明实施例中特征分布筛选和剔除的流程图；
图5为本发明实施例中订单数据的处理装置的一个实施例示意图；
图6为本发明实施例中订单数据的处理设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种订单数据的处理方法、装置、设备及存储介质，用于提高订单数据处理的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中订单数据的处理方法的一个实施例包括：
S101、基于预置的家居服务***获取目标用户对应的历史家居订单数据，并对历史家居订单数据进行订单数据分类，得到正常已完成订单以及异常未完成订单；
可以理解的是，本发明的执行主体可以为订单数据的处理装置，是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，服务器获取目标用户的用户信息，并根据用户信息从预置的家居服务***中查询目标时间段内的订单，得到历史家居订单数据。服务器对历史家居订单数据进行数据去重和数据格式标准化处理，得到标准家居订单数据。服务器根据预设的订单节点信息，对标准家居订单数据进行订单数据分类，得到正常已完成订单以及异常未完成订单。例如，服务器首先获取目标用户的用户信息，例如目标用户的用户ID为123456。服务器根据目标用户的用户ID从预置的家居服务***中查询2022年1月1日至2023年4月31日期间的订单数据。家居服务***返回了目标用户在该时间段内的所有订单数据，包括订单号、下单时间、商品信息、价格等。服务器对获取到的历史家居订单数据进行数据去重和数据格式标准化处理。通过去重操作，服务器排除了重复的订单数据，确保每个订单只计算一次。本实施例中，通过数据格式标准化处理，服务器统一了订单数据的字段、单位和命名方式，使其具有一致性和易于处理的特点。进一步地，根据预设的订单节点信息，服务器对标准家居订单数据进行订单数据分类。根据订单确认、发货和签收等节点的状态，服务器将订单分为正常已完成订单和异常未完成订单。正常已完成订单是指在各个节点上都有记录且已完成的订单，而异常未完成订单是指在某个节点上缺失记录或状态异常的订单。本实施例中，服务器基于预置的家居服务***获取目标用户对应的历史家居订单数据，并对历史家居订单数据进行订单数据分类，得到正常已完成订单以及异常未完成订单的结果。这样的分类可以帮助家居服务***更好地了解用户的订单情况，及时发现异常情况，并采取相应措施解决问题，提升用户体验和服务质量。
S102、对正常已完成订单进行订单特征提取，得到多个第一订单特征标签以及多个第一家居属性特征标签，并根据多个第一订单特征标签以及多个第一家居属性特征标签创建第一特征分布空间；
具体的，服务器特征分布空间是指一组特征相互作用形成的空间，在这个空间中，每一个点代表一个样本，而每一个维度则代表一个特征。特征分布空间通常用于数据分析和机器学***台，其中的订单数据包括购买频率、订单金额、订单类型以及订单时间等信息。服务器从家居服务***中获取目标用户的历史家居订单数据。根据目标用户的用户信息和时间范围，服务器查询***并获得该目标用户过去一年内的订单数据。服务器对这些历史订单数据进行数据去重和格式标准化处理，确保数据的准确性和一致性。进一步地，服务器得到了标准的家居订单数据，方便后续的分析和处理。服务器进行订单特征提取。对于购买频率，服务器计算目标用户在过去一年内的购买次数，发现该目标用户平均每月购买家居产品3次。对于订单金额，服务器统计该目标用户的订单金额，发现该目标用户的平均订单金额为500元。此外，服务器还观察到目标用户的订单类型主要是在线下单。而在订单时间方面，服务器分析目标用户的下单时间，并发现该目标用户倾向于在周末下单，特别是周六下午。除了订单特征，服务器还提取了家居属性特征。通过分析订单中的商品信息，服务器提取出目标用户购买的家居产品类型、颜色和材质等特征标签。例如，该目标用户购买了家具、灯具和装饰品等不同类型的家居产品。在颜色方面，该目标用户倾向于购买白色和灰色系列的产品。而在材质方面，该目标用户购买了木制、金属和布艺等不同材质的家居产品。随后，服务器对这些特征标签进行聚类分析。对于订单特征标签，服务器将购买频率、订单金额和订单类型进行聚类，从而识别出不同的用户群体。对于家居属性特征标签，服务器将家居产品类型、颜色和材质进行聚类，以了解用户对不同特征的偏好。进一步地，将第一特征聚类点和第二特征聚类点映射到特征分布空间。例如，在二维空间中，第一特征聚类点可以表示为(x1，y1)，第二特征聚类点可以表示为(x2，y2)。通过映射，服务器在特征分布空间中形成一个由这些聚类点构成的图像。假设服务器得到的第一特征聚类点为(3，8)表示高频购买、高金额订单、在线下单的聚类点，第二特征聚类点为(2，5)表示购买家具、白色、木制材质的聚类点。在特征分布空间中，这两个聚类点的位置和相对位置可以反映出高频购买订单和购买家具、白色、木制材质之间的关系。通过创建第一特征分布空间，服务器更直观地了解订单特征和家居属性之间的关联性。这有助于服务器识别不同类型的用户群体和他们的购买偏好，进而优化营销策略、个性化推荐和定制化服务。本实施例中，通过对正常已完成订单进行订单特征提取，得到多个第一订单特征标签以及多个第一家居属性特征标签，并根据这些特征标签创建第一特征分布空间，服务器能够更好地理解和分析用户的购买行为和偏好，从而为家居服务***提供更精准的个性化服务和决策支持。
S103、对异常未完成订单进行订单特征分析，得到多个第二订单特征标签以及多个第二家居属性特征标签，并根据多个第二订单特征标签以及多个第二家居属性特征标签创建第二特征分布空间；
需要说明的是，服务器从预置的家居服务***中获取目标用户的异常未完成订单数据。根据用户信息和筛选条件，服务器查询***并获取目标时间段内的异常未完成订单数据。服务器对这些异常未完成订单数据进行订单特征提取。例如，服务器提取订单的运输状态，以了解订单当前的配送状态是处于运输中、延迟还是其他情况。服务器提取订单的取消情况，判断订单是否被取消或处于待定状态。此外，服务器提取订单中的提醒内容，以了解是否有需要用户关注或处理的重要信息。本实施例中，服务器进行家居属性特征提取。对于异常未完成订单，服务器提取家居产品的尺寸、质量以及退货时间等特征标签。这些特征可以帮助服务器分析异常订单中存在的问题，例如尺寸不匹配、质量问题或退货时间延迟等。服务器对这些第二订单特征标签和第二家居属性特征标签进行聚类分析。通过聚类，服务器将具有相似特征的订单和家居属性归类为同一类别，以便更好地理解和分析异常订单的共性和差异性。例如，服务器将运输状态、取消情况和提醒内容进行聚类，以识别出不同类型的异常订单。进一步地，服务器将这些第三特征聚类点和第四特征聚类点在特征分布空间中进行映射，从而创建第二特征分布空间。这个特征分布空间可以用来可视化异常订单的特征关系，帮助服务器更好地理解和分析异常订单的特征分布情况。例如，假设服务器从家居服务***中获取了目标用户的异常未完成订单数据。通过订单特征提取，服务器发现其中一些订单的运输状态为延迟，另一些订单被取消，还有一些订单中包含了退货提醒内容。本实施例中，通过家居属性特征提取，服务器发现其中一些订单涉及到尺寸不匹配的问题，另一些订单涉及到质量问题，还有一些订单中退货时间延迟。服务器对这些第二订单特征标签进行聚类分析，发现存在延迟运输类别和取消订单类别等。本实施例中，对第二家居属性特征标签进行聚类分析，服务器可能发现尺寸不匹配类别和质量问题类别。进一步地，通过在特征分布空间中映射这些第三特征聚类点和第四特征聚类点，服务器创建第二特征分布空间。在这个空间中，服务器清晰地看到不同类型的异常未完成订单以及它们的家居属性特征之间的关系。例如，服务器可能观察到延迟运输类别的订单集中在特定的区域，而取消订单类别的订单则分布在另一个区域。本实施例中，尺寸不匹配类别和质量问题类别的订单也可能在特征分布空间中呈现出不同的聚集模式。这样的第二特征分布空间为服务器进一步分析和理解异常未完成订单提供了有价值的视觉化工具。通过观察和比较不同特征标签的分布情况，服务器识别出潜在的问题和异常模式，从而采取相应的措施来改进订单流程、解决问题，并提高用户满意度和业务效率。总而言之，通过对异常未完成订单进行订单特征分析并创建第二特征分布空间，服务器能够更全面地了解订单特征和家居属性之间的关系，并从中获得洞察力，以支持后续的业务决策和改进措施的制定。
S104、对第一特征分布空间进行交叉感兴趣分析和特征搜索，得到第三特征分布空间；
具体的，服务器将每个第一订单特征标签与家居产品类型之间的关系进行关联规则的构建。关联规则分析是一种用于发现特征之间的相关性和依赖关系的方法。通过分析订单特征标签与家居产品类型之间的数据，服务器确定它们之间的关联规则，例如购买频率与家居产品类型之间的关系规则。这些产品关联规则可以帮助服务器更好地理解订单特征与家居属性之间的联系。服务器基于第一特征分布空间确定相应的多个第一特征点。第一特征点是在特征分布空间中具有显著特征的数据点，例如订单量最大、利润最高、销售额最高或推荐访问量最多的点。通过对第一特征分布空间进行分析和计算，服务器确定这些特征点，它们代表着订单数据中的关键特征。服务器根据产品关联规则，服务器对每个第一特征点进行交叉感兴趣分析。交叉感兴趣分析是一种方法，用于研究两个或多个特征之间的关联性和交互作用。服务器将应用产品关联规则中的特征标签，对每个第一特征点进行分析，以确定它们与其他特征的关系和重要性。例如，对于订单量最大的特征点，服务器可能会分析与该特征点相关的其他特征，如购买频率、订单金额等，以了解它们之间的交叉关联数据。进一步地，根据第一特征分布空间和每个第一特征点的交叉关联数据，服务器生成第三特征分布空间。第三特征分布空间是在交叉分析和特征搜索的基础上生成的，它提供了更全面的特征关联视图。在这个空间中，服务器清晰地看到第一特征点以及与其相关的其他特征之间的关系。通过观察第三特征分布空间，服务器获得关于订单特征、家居属性和它们之间关联的更深入的洞察，从而支持更精确的业务决策和战略规划。例如，假设服务器在第一特征分布空间中确定了订单量最大的特征点，并构建了与家居产品类型之间的关联规则。其中一条关联规则是：当购买频率高、订单金额大且订单类型为家居装饰品时，家居产品类型为壁挂装饰画的概率较高。服务器针对订单量最大的特征点进行交叉感兴趣分析。服务器结合关联规则中的特征标签，例如购买频率、订单金额和订单类型，对该特征点进行分析。通过分析发现，该特征点对应的订单中购买频率高，订单金额大且订单类型为家居装饰品的情况较多。进一步地，基于第一特征分布空间和每个第一特征点的交叉关联数据，服务器生成了第三特征分布空间。在这个空间中，服务器看到订单量最大的特征点与家居装饰品类型以及其他特征之间的关系。通过观察第三特征分布空间，服务器发现订单量最大的特征点与购买频率高、订单金额大以及特定家居产品类型之间存在明显的交叉关联。通过对第一特征分布空间进行交叉感兴趣分析和特征搜索，服务器得到了第三特征分布空间，它提供了更深入的洞察力和理解订单特征与家居属性之间的关系。这样的分析和视觉化工具能够帮助服务器发现潜在的市场趋势、用户偏好和业务机会，从而支持更精确的产品定位、市场推广和业务决策。
S105、根据第二特征分布空间，对第三特征分布空间进行特征分布筛选和剔除，生成目标特征分布空间；
具体的，服务器对第二特征分布空间和第三特征分布空间进行重叠点和差异点的识别。通过比较两个特征分布空间，服务器找到它们之间的重叠点和差异点。重叠点表示在两个特征分布空间中具有相似特征分布的数据点，而差异点则表示在两个特征分布空间中具有不同特征分布的数据点。服务器基于目标重叠点，服务器对第三特征分布空间进行重叠点的剔除。通过将目标重叠点从第三特征分布空间中移除，服务器得到初始特征分布空间。这一步骤旨在去除第三特征分布空间中与第二特征分布空间重叠较高的数据点，以便更准确地捕捉目标特征的分布情况。服务器对初始特征分布空间中的目标差异点进行相邻点搜索，以得到一级相邻点。相邻点是指与目标差异点在特征空间中具有相邻关系的数据点。通过搜索相邻点，服务器进一步扩展服务器的特征分布空间，并找到与目标差异点相关联的其他特征点。在遍历目标差异点并搜索一级相邻点之后，服务器继续遍历一级相邻点的二级相邻点，直到在初始特征分布空间中没有满足预设要求的相邻点为止。这个过程可以帮助服务器捕捉到更广泛范围的特征点，并进一步丰富服务器的特征分布空间。进一步地，服务器对原始特征分布空间进行特征点分布整合，以得到目标特征分布空间。通过整合和汇总经过筛选和搜索的特征点，服务器得到一个更完整和准确地反映特征分布的目标特征分布空间。例如，假设服务器的第二特征分布空间包含订单运输状态和订单取消情况两个特征，第三特征分布空间包含家居产品尺寸和退货时间两个特征。服务器识别出两个特征分布空间的重叠点和差异点，并剔除了与第二特征分布空间重叠较高的重叠点。在这个例子中，服务器从第三特征分布空间中剔除了与第二特征分布空间重叠较高的重叠点。服务器对剩余的目标差异点进行相邻点搜索，以扩展服务器的特征分布空间。假设在搜索过程中，服务器找到了一个目标差异点，该点代表了家居产品尺寸较大但退货时间较短的订单。服务器搜索了该点的一级相邻点，发现了与其相邻并具有相似特征分布的数据点，例如家居产品尺寸稍小但退货时间较长的订单。继续搜索二级相邻点，服务器可能会发现其他具有相似特征分布的订单，例如家居产品尺寸和退货时间都与目标差异点相似的订单。通过这个过程，服务器逐步扩展了特征分布空间，从而获得了更多与目标差异点相关的特征点。最终，服务器对原始特征分布空间进行特征点分布整合，得到了目标特征分布空间，该空间包含了与第二特征分布空间和第三特征分布空间差异明显的特征点。本实施例中，通过对第二特征分布空间和第三特征分布空间进行重叠点和差异点的识别、重叠点的剔除、相邻点的搜索以及特征点的整合，服务器能够生成目标特征分布空间。这个空间能够更准确地反映订单特征和家居属性之间的关系，为后续的分析和决策提供有价值的信息。
S106、根据目标特征分布空间生成目标用户的目标推送列表，并通过家居服务***对目标推送列表进行家居服务推送。
具体的，服务器从目标特征分布空间中获取多个第二特征点，这些特征点代表与目标用户具有较高关联性的订单特征和家居属性。针对每个第二特征点，服务器计算其与目标用户之间的关联权重系数。关联权重系数反映了第二特征点对目标用户的重要程度，服务器根据特定的算法或评估指标进行计算。例如，服务器使用基于相似度的方法，计算特征点与目标用户之间的相似度得分作为关联权重系数。服务器根据每个第二特征点的关联权重系数，服务器对目标用户的关联产品进行排序，得到目标用户的目标推送列表。将关联权重系数作为排序的依据，较高的权重系数意味着该产品与目标用户的匹配度较高，应该在推送列表中优先考虑。进一步地，服务器能够将最相关和最有潜力的产品排在目标推送列表的前面，提高推送的有效性和个性化程度。进一步地，基于家居服务***，服务器将目标推送列表与相应的目标推送模式进行匹配。目标推送模式是预先定义的推送规则或策略，根据目标用户的偏好、行为和需求来确定。匹配目标推送列表与目标推送模式后，服务器根据具体的家居服务***的功能和能力，通过各种渠道和方式向目标用户进行家居服务推送。例如，可以通过移动应用程序、短信、电子邮件、智能设备等向用户发送个性化的推送信息，提供定制化的家居服务。通过上述流程，服务器能够根据目标特征分布空间生成目标用户的目标推送列表，并通过家居服务***对该列表进行家居服务推送。这样的推送方式可以更好地满足用户的需求和兴趣，提供个性化的家居服务体验，提高用户满意度和服务效果。例如，假设目标特征分布空间中的一个第二特征点表示订单运输状态为延迟的情况。通过计算该特征点与目标用户的关联权重系数，服务器确定了它对目标用户的重要性。在对目标用户的关联产品进行排序时，服务器发现其中一个关联产品是提供加急运输服务的家居配送公司。根据第二特征点与目标用户的关联权重系数，服务器将该产品排在目标推送列表的前面，因为它与目标用户的订单运输状态延迟有较高的关联性。服务器将目标推送列表与相应的目标推送模式进行匹配。假设目标推送模式是根据用户的偏好和需求进行个性化推送。本实施例中，服务器根据目标用户的喜好和订单情况，将推送模式设置为提供快速解决方案和折扣优惠。例如，服务器向目标用户推送一条消息，内容是：“由于您的订单运输状态延迟，服务器为您提供加急运输服务，并额外提供10%的折扣优惠。点击链接查看详情并确认您的订单。”通过这样的个性化推送，服务器满足用户的紧急需求，并提供有针对性的解决方案，本实施例中还提供了折扣优惠作为激励。进一步地，通过家居服务***，服务器将该个性化推送信息发送给目标用户。用户可以通过移动应用程序接收到推送通知，点击通知即可查看详细信息并确认订单。本实施例中，家居服务***记录用户的反馈和行为，用于后续的数据分析和优化推送策略。通过以上的例子，可以看到如何根据目标特征分布空间生成目标用户的目标推送列表，并通过家居服务***进行个性化的家居服务推送。这样的推送方式不仅能够满足用户的需求和偏好，还能提升用户的体验和满意度，促进家居服务的提供和销售。
本发明实施例中，对正常已完成订单进行订单特征提取和创建第一特征分布空间；对异常未完成订单进行订单特征分析和创建第二特征分布空间；对第一特征分布空间进行交叉感兴趣分析和特征搜索，得到第三特征分布空间；根据第二特征分布空间，对第三特征分布空间进行特征分布筛选和剔除，生成目标特征分布空间；根据目标特征分布空间生成目标推送列表，并通过家居服务***对目标推送列表进行家居服务推送，本发明根据客户历史订单数据，通过机器学习算法和交叉感兴趣分析，更准确地预测目标特征分布空间，交叉销售和个性化推荐可以提高客户的客单价和购买频次，间接提高利润率，本实施例中通过推荐和推送列表可以更好地与客户互动和沟通，建立更加密切的客户关系，进而提高订单数据处理的准确率。
在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：
（1）获取目标用户的用户信息，并根据用户信息从预置的家居服务***中查询目标时间段内的订单，得到历史家居订单数据；
（2）对历史家居订单数据进行数据去重和数据格式标准化处理，得到标准家居订单数据；
（3）根据预设的订单节点信息，对标准家居订单数据进行订单数据分类，得到正常已完成订单以及异常未完成订单。
具体的，服务器获取目标用户的用户信息，包括用户ID、姓名和联系方式等。这些信息可以通过用户注册或登录过程中收集到。例如，用户ID为123456，姓名为xx，联系方式为[email protected]。服务器利用目标用户的用户信息从预置的家居服务***中进行查询。服务器根据目标时间段（例如2023年1月1日至2023年3月31日）来获取相应的订单数据。通过***提供的查询接口或数据库查询语言，服务器获取到目标用户在该时间段内的所有家居订单数据。得到历史家居订单数据后，服务器对数据进行去重和数据格式标准化处理，以确保数据的准确性和一致性。去重操作可以通过比较订单号或其他唯一标识符来实现，确保每个订单只出现一次。数据格式标准化处理包括统一日期格式、规范化产品名称和价格格式等，使数据易于处理和分析。根据预设的订单节点信息，服务器对标准家居订单数据进行订单数据分类。订单节点信息包括订单状态、支付状态、交货状态等。服务器根据这些信息将订单数据划分为正常已完成订单和异常未完成订单两个类别。例如，已完成订单可以是那些订单状态为已交付、已支付且没有取消的订单；而未完成订单可以是那些订单状态为待处理、未支付或被取消的订单。本实施例中，服务器获取目标用户的用户信息并查询历史家居订单数据的目标。服务器从***中获取准确且符合标准的订单数据，并将其分类为正常已完成订单和异常未完成订单。这些订单数据和分类结果为后续的分析和决策提供了基础，例如对用户行为的分析、订单趋势的识别以及异常情况的监测和处理。
在一具体实施例中，如图2所示，执行步骤S102的过程可以具体包括如下步骤：
S201、对正常已完成订单进行订单特征提取，得到多个第一订单特征标签，其中，多个第一订单特征标签包括：购买频率、订单金额、订单类型以及订单时间；
S202、对正常已完成订单进行家居属性特征提取，得到多个第一家居属性特征标签，其中，多个第一家居属性特征标签包括：家居产品类型、颜色以及材质；
S203、对多个第一订单特征标签进行特征标签聚类，得到多个第一特征聚类点，以及对多个第一家居属性特征标签进行特征标签聚类，得到多个第二特征聚类点；
S204、对多个第一特征聚类点和多个第二特征聚类点进行特征分布空间映射，生成第一特征分布空间。
具体的，服务器针对正常已完成订单，服务器进行订单特征提取，以获得多个第一订单特征标签。这些特征标签包括购买频率、订单金额、订单类型和订单时间等。购买频率表示用户在一段时间内下单的次数，订单金额表示每个订单的总金额，订单类型表示订单的分类（例如购买、退货、换货等），订单时间表示订单的创建时间或交付时间。通过提取这些特征，服务器了解用户的购买习惯、订单金额分布、订单类型偏好以及下单时间的分布情况等。服务器针对正常已完成订单，服务器进行家居属性特征提取，以获得多个第一家居属性特征标签。这些特征标签包括家居产品类型、颜色和材质等。家居产品类型表示订单中所购买的产品类型，颜色表示产品的颜色属性，材质表示产品的材质属性。通过提取这些特征，服务器了解用户购买的家居产品类型偏好、颜色偏好以及对不同材质的产品的偏好。随后，服务器对多个第一订单特征标签进行特征标签聚类，以得到多个第一特征聚类点。聚类分析可以帮助服务器将相似的订单特征进行归类，以便更好地理解订单特征之间的关联性和相互影响。例如，购买频率和订单金额可能会在一类聚类点中聚集，而订单类型和订单时间可能会在另一类聚类点中聚集。类似地，服务器对多个第一家居属性特征标签进行特征标签聚类，以得到多个第二特征聚类点。这些聚类点可以帮助服务器了解家居属性之间的相关性和共现关系。例如，家居产品类型和颜色可能会在一个聚类点中聚集，而材质可能会在另一个聚类点中聚集。进一步地，服务器对多个第一特征聚类点和多个第二特征聚类点进行特征分布空间映射，从而生成第一特征分布空间。特征分布空间可以帮助服务器可视化和理解不同特征之间的分布情况和相互关系。例如，服务器在特征分布空间中绘制购买频率和订单金额的散点图，以观察它们之间的相关性和趋势。通过这样的分析，服务器发现购买频率较高的客户往往在订单金额上也有较高的倾向，而购买频率较低的客户则可能呈现更为分散的订单金额分布。此外，服务器将家居产品类型、颜色和材质等特征绘制在特征分布空间中，以便观察它们之间的聚集和分布情况。例如，假设服务器得到了一个特征分布空间，其中购买频率和订单金额为两个坐标轴。服务器在该空间中绘制了一些数据点，并发现购买频率较高的点往往位于较高的订单金额区域，而购买频率较低的点则分布在较低的订单金额区域。这暗示着购买频率和订单金额之间可能存在正相关关系，即购买频率高的客户更倾向于下高金额的订单。另外，服务器在特征分布空间中观察家居产品类型、颜色和材质等特征的分布情况。通过对这些特征的聚类分析，服务器发现某些特定类型的家居产品、颜色偏好或材质偏好可能在特征分布空间中形成独特的聚集区域。例如，服务器可能观察到沙发、红色和木质在特征分布空间中形成了一个聚集的区域，这意味着这些特征之间存在一定的关联性。通过生成第一特征分布空间，服务器能够更全面地理解订单特征和家居属性之间的关系，并从中获取有价值的信息。
在一具体实施例中，执行步骤S103的过程可以具体包括如下步骤：
（1）对异常未完成订单进行订单特征提取，得到多个第二订单特征标签，其中，多个第二订单特征标签包括：订单运输状态、订单取消情况以及订单提醒内容；
（2）对异常未完成订单进行家居属性特征提取，得到多个第二家居属性特征标签，其中，多个第二家居属性特征标签包括：家居产品尺寸、质量以及退货时间；
（3）对多个第二订单特征标签进行特征标签聚类，得到多个第三特征聚类点，以及对多个第二家居属性特征标签进行特征标签聚类，得到多个第四特征聚类点；
（4）对多个第三特征聚类点和多个第四特征聚类点进行特征分布空间映射，生成第二特征分布空间。
具体的，针对异常未完成订单，服务器从中提取多个第二订单特征标签。这些特征标签包括订单的运输状态，即订单当前的物流情况，例如正在配送、已发货或待发货等；订单的取消情况，即订单是否被取消或暂停；以及订单的提醒内容，即订单相关的提醒信息，例如逾期提醒或补货提醒等。服务器针对异常未完成订单的家居属性特征提取，服务器得到多个第二家居属性特征标签。这些特征标签包括家居产品的尺寸，即产品的长、宽、高等尺寸信息；家居产品的质量，即产品的重量或材质质量等；以及退货时间，即客户申请退货的时间。服务器对多个第二订单特征标签进行特征标签聚类，以发现彼此相似或相关的特征。通过聚类分析，服务器将具有相似运输状态、取消情况或提醒内容的订单聚集到一起，形成多个第三特征聚类点。本实施例中，对多个第二家居属性特征标签进行特征标签聚类，可以得到多个第四特征聚类点，其中的家居产品具有相似的尺寸、质量或退货时间等特征。进一步地，服务器将多个第三特征聚类点和多个第四特征聚类点映射到特征分布空间中，从而生成第二特征分布空间。在该特征分布空间中，服务器观察到不同聚类点之间的距离、分布和相对位置，以及它们与其他特征的关系。这样的特征分布空间可以帮助服务器更好地理解异常未完成订单的特征分布情况，揭示出订单特征与家居属性之间的潜在关联和规律。例如，假设服务器从异常未完成订单中提取了订单运输状态、订单取消情况和订单提醒内容作为第二订单特征标签，以及家居产品尺寸、质量和退货时间作为第二家居属性特征标签。经过特征标签聚类后，服务器得到了两个第三特征聚类点：一个聚类点代表具有相似运输状态和取消情况的订单集合，另一个聚类点代表具有相似订单提醒内容的订单集合。本实施例中，服务器得到了两个第四特征聚类点：一个聚类点代表具有相似家居产品尺寸的订单集合，另一个聚类点代表具有相似家居产品质量和退货时间的订单集合。将这些第三特征聚类点和第四特征聚类点映射到特征分布空间中，服务器观察到它们在空间中的分布情况。例如，服务器发现具有相似运输状态和取消情况的订单在特征分布空间中聚集在一起，形成一个紧密的簇。同样地，具有相似订单提醒内容的订单也会形成另一个簇。此外，家居产品尺寸相似的订单也可能形成一个聚集点，而具有相似质量和退货时间的订单则可能形成另一个聚集点。通过生成第二特征分布空间，服务器更直观地理解异常未完成订单的特征分布情况。服务器观察不同特征之间的关联关系，例如订单运输状态和订单取消情况之间的相关性，以及家居产品尺寸和质量之间的关联程度。这些信息可以为后续的分析和决策提供重要的参考，例如优化物流管理、改进订单处理流程或优化产品尺寸和质量控制等方面。
在一具体实施例中，如图3所示，执行步骤S104的过程可以具体包括如下步骤：
S301、分别构建每个第一订单特征标签与家居产品类型之间的关联规则，得到多个产品关联规则；
S302、基于第一特征分布空间确定对应的多个第一特征点，其中，多个第一特征点包括：订单量最大、利润最高、销售额最高以及推荐访问量最多；
S303、根据多个产品关联规则，对每个第一特征点进行交叉感兴趣分析，得到每个第一特征点的交叉关联数据；
S304、根据第一特征分布空间以及每个第一特征点的交叉关联数据，生成第三特征分布空间。
具体的，服务器将针对每个第一订单特征标签和家居产品类型之间建立关联规则。这可以通过数据挖掘算法来完成，例如关联规则挖掘算法（如Apriori算法）。服务器将分析订单数据和家居产品类型数据，以发现它们之间的关联性。例如，服务器可能会得到以下产品关联规则：如果订单类型是"家具"，那么家居产品类型可能是"沙发"或"床"。这些关联规则能够揭示订单特征和家居产品类型之间的关系。服务器将基于第一特征分布空间确定多个第一特征点。这些特征点代表了在特定特征值下的订单集合。服务器选择一些重要的特征点，如订单量最大、利润最高、销售额最高和推荐访问量最多。例如，服务器确定订单量最大的特征点，这表示在该特征下具有最大订单数量的订单集合。服务器将利用产品关联规则对每个第一特征点进行交叉感兴趣分析，以获取交叉关联数据。这可以帮助服务器了解每个特征点与其他特征之间的关系。例如，对于订单量最大的特征点，服务器分析它与其他特征（如订单金额、订单类型等）之间的关联关系。这将提供关于不同特征之间的交叉关联数据。进一步地，服务器将结合第一特征分布空间和每个第一特征点的交叉关联数据，生成第三特征分布空间。这个特征分布空间将反映订单特征和家居产品类型之间的综合关系。服务器通过可视化技术来呈现第三特征分布空间，例如绘制散点图或热力图，以展示不同特征之间的关联程度和分布情况。本实施例中，服务器构建产品关联规则，确定第一特征点，并获取第一特征点的交叉关联数据，最终生成第三特征分布空间。这将帮助服务器更好地理解订单特征和家居产品类型之间的关系，为后续的分析和决策提供重要依据。例如，假设服务器正在分析一个家居电商平台的订单数据，并以购买频率为第一订单特征标签，家居产品类型为第一家居属性特征标签。服务器通过关联规则挖掘算法发现以下两个产品关联规则：
规则1：如果购买频率为高频（频率大于5），则家居产品类型可能是沙发或床。
规则2:如果购买频率为中频（频率在3到5之间），则家居产品类型可能是餐桌或椅子。
基于这些关联规则，服务器确定了两个第一特征点：高频购买和中频购买。现在，服务器对这两个特征点进行交叉感兴趣分析，以获取它们的交叉关联数据。对于高频购买的特征点，服务器分析它与其他特征之间的关系。假设服务器发现高频购买的订单中，沙发的销售额最高，床的利润最高，推荐访问量最多的产品是椅子。这些数据反映了高频购买特征点与订单金额、利润和推荐访问量之间的关联。对于中频购买的特征点，服务器进行类似的分析。假设服务器发现中频购买的订单中，餐桌的销售额最高，椅子的利润最高，推荐访问量最多的产品是沙发。这些数据反映了中频购买特征点与订单金额、利润和推荐访问量之间的关联。进一步地，服务器将结合购买频率作为第一特征标签和家居产品类型作为第一家居属性特征标签，以及交叉关联数据，生成第三特征分布空间。在这个特征分布空间中，服务器看到购买频率与订单金额、利润和推荐访问量之间的关联程度，以及家居产品类型与订单金额、利润和推荐访问量之间的关联程度。这样的可视化分析可以帮助服务器发现特征之间的模式和趋势，进一步指导服务器的决策和战略。
在一具体实施例中，如图4所示，执行步骤S105的过程可以具体包括如下步骤：
S401、对第二特征分布空间和第三特征分布空间进行重叠点和差异点识别，得到目标重叠点和目标差异点；
S402、根据目标重叠点，对第三特征分布空间进行重叠点剔除，得到初始特征分布空间；
S403、对初始特征分布空间中的目标差异点进行相邻点搜索，得到一级相邻点；
S404、在依次遍历目标差异点后，依次继续遍历一级相邻点的二级相邻点，直至初始特征分布空间中没有满足预设要求的相邻点，得到原始特征分布空间；
S405、对原始特征分布空间进行特征点分布整合，得到目标特征分布空间。
具体的，服务器将第二特征分布空间和第三特征分布空间进行比较，找出它们之间的共同特征和不同之处。通过比较它们的特征分布情况，可以识别出重叠点和差异点。重叠点是指在两个特征分布空间中本实施例中存在的特征点，而差异点是指仅出现在其中一个特征分布空间中的特征点。服务器将针对目标重叠点进行处理。根据重叠点的位置和特征分布情况，服务器将这些点从第三特征分布空间中剔除，得到初始特征分布空间。这样做的目的是减少重叠点对后续分析和处理的影响，使初始特征分布空间更加清晰和准确。服务器对初始特征分布空间中的目标差异点进行相邻点搜索。相邻点是指与目标差异点在特征空间中距离较近的其他特征点。服务器根据预设的要求，例如距离阈值或特征相似度，来搜索目标差异点的相邻点。一级相邻点是直接与目标差异点相连的特征点，而二级相邻点是间接与目标差异点相连的特征点。在遍历目标差异点和相邻点的过程中，服务器根据具体需求，例如特征之间的关联性或相似性，筛选出满足预设要求的相邻点，逐步扩展搜索范围。这样的迭代搜索过程可以持续进行，直到在初始特征分布空间中无法找到满足要求的相邻点为止。最终得到的特征点集合组成了原始特征分布空间。进一步地，服务器对原始特征分布空间进行特征点分布整合。这一步骤旨在将相似或相关的特征点进行合并，以得到更加综合和全面的目标特征分布空间。通过整合相似的特征点，可以减少特征点的冗余性并突出重要的特征模式和趋势。例如以上过程。假设服务器要分析一个电子商务平台上的用户购买行为和产品属性。第二特征分布空间可以表示用户的购买频率和订单金额，而第三特征分布空间可以表示产品的类型和颜色。通过对这两个特征分布空间进行比较和分析，服务器找到重叠点和差异点。例如，服务器发现某些用户具有高购买频率和高订单金额，而这些用户倾向于购买某个特定类型的产品，如沙发。这些重叠点代表了高价值用户和热门产品的交集。另一方面，差异点可能是指购买频率低或订单金额较低的用户，或是购买其他类型产品的用户。在剔除重叠点并搜索相邻点之后，服务器可能发现一些差异点附近存在一级相邻点，这些相邻点可能表示具有潜在购买潜力或特定偏好的用户群体。进一步搜索二级相邻点可能揭示更多的关联特征或细分市场。最终，通过整合原始特征分布空间中的特征点，服务器获得目标特征分布空间，其中不同特征之间的关系和分布得到了更好的呈现。这样的特征分布空间可以为电商平台的个性化推荐、精细化营销和产品策划提供重要参考依据。本实施例中，通过对重叠点和差异点的识别、剔除和搜索，以及特征点的整合，服务器实现目标特征分布空间的生成，从而更好地理解和利用特征之间的关系，为业务决策提供数据支持和指导。
在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：
（1）获取目标特征分布空间中的多个第二特征点，并计算多个第二特征点与目标用户的关联权重系数，得到每个第二特征点的关联权重系数；
（2）根据每个第二特征点的关联权重系数，对目标用户的关联产品进行排序，得到目标用户的目标推送列表；
（3）基于家居服务***匹配目标推送列表对应的目标推送模式，并根据目标推送模式和目标推送列表进行家居服务推送。
具体的，从目标特征分布空间中选择适当的第二特征点，例如购买频率、订单金额、购买偏好等。这些特征点应该与目标用户的需求和行为相关。服务器针对每个选定的第二特征点，计算其与目标用户之间的关联权重系数。这可以通过各种统计方法、机器学习算法或基于领域知识的规则来实现。关联权重系数表示第二特征点与目标用户之间的相关程度，值越高表示两者之间的关联越强。服务器基于每个第二特征点的关联权重系数，对目标用户的关联产品进行排序。关联权重系数越高的产品与目标用户的关联程度越强，应该优先推送给目标用户。进一步地，将家居服务***根据目标推送列表中的产品和***中预设的目标推送模式进行匹配。目标推送模式定义了推送的策略和方式，可以是基于特定活动、个性化推荐、促销等。例如，假设目标用户是一位家居爱好者，***选择了购买频率、订单金额和购买偏好作为目标特征点。***根据目标用户的购买记录和行为数据，假设目标用户购买频率高的产品有A、B、C三个，对应的关联权重系数分别为0.8、0.6、0.4；订单金额高的产品有D、E、F三个，对应的关联权重系数分别为0.7、0.9、0.5；购买偏好相关性较高的产品有G、H、I三个，对应的关联权重系数分别为0.6、0.8、0.7。根据关联权重系数进行排序后，目标推送列表的顺序可能如下：
产品E：由于订单金额的关联权重系数最高，高订单金额的产品将排在前面，产品E得到了较高的关联权重系数。
产品B：购买频率的关联权重系数较高，产品B是购买频率高的产品之一，因此排在第二位。
产品H：购买偏好的关联权重系数较高，产品H符合目标用户的购买偏好，因此排在第三位。
根据家居服务***中预设的目标推送模式，例如"新品首发"、"促销优惠"等，***匹配目标推送列表并执行相应的家居服务推送策略。例如，如果目标推送模式是"新品首发"，***会基于目标推送列表中购买频率高的产品，向目标用户推送最新上市的家居产品，以满足他们对新品的兴趣和需求。类似地，如果目标推送模式是"促销优惠"，***会根据目标推送列表中订单金额高的产品，向目标用户推送家居产品的促销信息和优惠券，以吸引其购买。综上，通过获取目标特征分布空间中的多个第二特征点并计算关联权重系数，对目标用户的关联产品进行排序，并根据目标推送模式进行家居服务推送，可以提高家居服务的个性化程度和推送效果，从而满足目标用户的需求和提升用户体验。
上面对本发明实施例中订单数据的处理方法进行了描述，下面对本发明实施例中订单数据的处理装置进行描述，请参阅图5，本发明实施例中订单数据的处理装置一个实施例包括：
获取模块501，用于基于预置的家居服务***获取目标用户对应的历史家居订单数据，并对所述历史家居订单数据进行订单数据分类，得到正常已完成订单以及异常未完成订单；
第一创建模块502，用于对所述正常已完成订单进行订单特征提取，得到多个第一订单特征标签以及多个第一家居属性特征标签，并根据所述多个第一订单特征标签以及所述多个第一家居属性特征标签创建第一特征分布空间；
第二创建模块503，用于对所述异常未完成订单进行订单特征分析，得到多个第二订单特征标签以及多个第二家居属性特征标签，并根据所述多个第二订单特征标签以及所述多个第二家居属性特征标签创建第二特征分布空间；
分析模块504，用于对所述第一特征分布空间进行交叉感兴趣分析和特征搜索，得到第三特征分布空间；
筛选模块505，用于根据所述第二特征分布空间，对所述第三特征分布空间进行特征分布筛选和剔除，生成目标特征分布空间；
推送模块506，用于根据所述目标特征分布空间生成所述目标用户的目标推送列表，并通过所述家居服务***对所述目标推送列表进行家居服务推送。
通过上述各个组成部分的协同合作，对正常已完成订单进行订单特征提取和创建第一特征分布空间；对异常未完成订单进行订单特征分析和创建第二特征分布空间；对第一特征分布空间进行交叉感兴趣分析和特征搜索，得到第三特征分布空间；根据第二特征分布空间，对第三特征分布空间进行特征分布筛选和剔除，生成目标特征分布空间；根据目标特征分布空间生成目标推送列表，并通过家居服务***对目标推送列表进行家居服务推送，本发明根据客户历史订单数据，通过机器学习算法和交叉感兴趣分析，更准确地预测目标特征分布空间，交叉销售和个性化推荐可以提高客户的客单价和购买频次，间接提高利润率，本实施例中通过推荐和推送列表可以更好地与客户互动和沟通，建立更加密切的客户关系，进而提高订单数据处理的准确率。
上面图5从模块化功能实体的角度对本发明实施例中的订单数据的处理装置进行详细描述，下面从硬件处理的角度对本发明实施例中订单数据的处理设备进行详细描述。
图6是本发明实施例提供的一种订单数据的处理设备的结构示意图，该订单数据的处理设备600可因配置或性能不同而产生比较大的差异，包括一个或一个以上处理器（central processing units，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序包括一个或一个以上模块（图示没标出），每个模块包括对订单数据的处理设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在订单数据的处理设备600上执行存储介质630中的一系列指令操作。
订单数据的处理设备600还包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作***631，例如Windows Serve，MacOS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的订单数据的处理设备结构并不构成对订单数据的处理设备的限定，包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种订单数据的处理设备，所述订单数据的处理设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述订单数据的处理方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述订单数据的处理方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（randomacceS memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种订单数据的处理方法，其特征在于，所述订单数据的处理方法包括：
基于预置的家居服务***获取目标用户对应的历史家居订单数据，并对所述历史家居订单数据进行订单数据分类，得到正常已完成订单以及异常未完成订单；
对所述正常已完成订单进行订单特征提取，得到多个第一订单特征标签以及多个第一家居属性特征标签，并根据所述多个第一订单特征标签以及所述多个第一家居属性特征标签创建第一特征分布空间；
对所述异常未完成订单进行订单特征分析，得到多个第二订单特征标签以及多个第二家居属性特征标签，并根据所述多个第二订单特征标签以及所述多个第二家居属性特征标签创建第二特征分布空间；
对所述第一特征分布空间进行交叉感兴趣分析和特征搜索，得到第三特征分布空间；
根据所述第二特征分布空间，对所述第三特征分布空间进行特征分布筛选和剔除，生成目标特征分布空间；
根据所述目标特征分布空间生成所述目标用户的目标推送列表，并通过所述家居服务***对所述目标推送列表进行家居服务推送。
2.根据权利要求1所述的订单数据的处理方法，其特征在于，所述基于预置的家居服务***获取目标用户对应的历史家居订单数据，并对所述历史家居订单数据进行订单数据分类，得到正常已完成订单以及异常未完成订单，包括：
获取目标用户的用户信息，并根据所述用户信息从预置的家居服务***中查询目标时间段内的订单，得到历史家居订单数据；
对所述历史家居订单数据进行数据去重和数据格式标准化处理，得到标准家居订单数据；
根据预设的订单节点信息，对所述标准家居订单数据进行订单数据分类，得到正常已完成订单以及异常未完成订单。
3.根据权利要求1所述的订单数据的处理方法，其特征在于，所述对所述正常已完成订单进行订单特征提取，得到多个第一订单特征标签以及多个第一家居属性特征标签，并根据所述多个第一订单特征标签以及所述多个第一家居属性特征标签创建第一特征分布空间，包括：
对所述正常已完成订单进行订单特征提取，得到多个第一订单特征标签，其中，所述多个第一订单特征标签包括：购买频率、订单金额、订单类型以及订单时间；
对所述正常已完成订单进行家居属性特征提取，得到多个第一家居属性特征标签，其中，所述多个第一家居属性特征标签包括：家居产品类型、颜色以及材质；
对所述多个第一订单特征标签进行特征标签聚类，得到多个第一特征聚类点，以及对所述多个第一家居属性特征标签进行特征标签聚类，得到多个第二特征聚类点；
对所述多个第一特征聚类点和所述多个第二特征聚类点进行特征分布空间映射，生成第一特征分布空间。
4.根据权利要求1所述的订单数据的处理方法，其特征在于，所述对所述异常未完成订单进行订单特征分析，得到多个第二订单特征标签以及多个第二家居属性特征标签，并根据所述多个第二订单特征标签以及所述多个第二家居属性特征标签创建第二特征分布空间，包括：
对所述异常未完成订单进行订单特征提取，得到多个第二订单特征标签，其中，所述多个第二订单特征标签包括：订单运输状态、订单取消情况以及订单提醒内容；
对所述异常未完成订单进行家居属性特征提取，得到多个第二家居属性特征标签，其中，所述多个第二家居属性特征标签包括：家居产品尺寸、质量以及退货时间；
对所述多个第二订单特征标签进行特征标签聚类，得到多个第三特征聚类点，以及对所述多个第二家居属性特征标签进行特征标签聚类，得到多个第四特征聚类点；
对所述多个第三特征聚类点和所述多个第四特征聚类点进行特征分布空间映射，生成第二特征分布空间。
5.根据权利要求1所述的订单数据的处理方法，其特征在于，所述对所述第一特征分布空间进行交叉感兴趣分析和特征搜索，得到第三特征分布空间，包括：
分别构建每个第一订单特征标签与家居产品类型之间的关联规则，得到多个产品关联规则；
基于所述第一特征分布空间确定对应的多个第一特征点，其中，所述多个第一特征点包括：订单量最大、利润最高、销售额最高以及推荐访问量最多；
根据所述多个产品关联规则，对每个第一特征点进行交叉感兴趣分析，得到每个第一特征点的交叉关联数据；
根据所述第一特征分布空间以及每个第一特征点的交叉关联数据，生成第三特征分布空间。
6.根据权利要求1所述的订单数据的处理方法，其特征在于，所述根据所述第二特征分布空间，对所述第三特征分布空间进行特征分布筛选和剔除，生成目标特征分布空间，包括：
对所述第二特征分布空间和所述第三特征分布空间进行重叠点和差异点识别，得到目标重叠点和目标差异点；
根据所述目标重叠点，对所述第三特征分布空间进行重叠点剔除，得到初始特征分布空间；
对所述初始特征分布空间中的目标差异点进行相邻点搜索，得到一级相邻点；
在依次遍历所述目标差异点后，依次继续遍历所述一级相邻点的二级相邻点，直至所述初始特征分布空间中没有满足预设要求的相邻点，得到原始特征分布空间；
对所述原始特征分布空间进行特征点分布整合，得到目标特征分布空间。
7.根据权利要求1所述的订单数据的处理方法，其特征在于，所述根据所述目标特征分布空间生成所述目标用户的目标推送列表，并通过所述家居服务***对所述目标推送列表进行家居服务推送，包括：
获取所述目标特征分布空间中的多个第二特征点，并计算所述多个第二特征点与所述目标用户的关联权重系数，得到每个第二特征点的关联权重系数；
根据每个第二特征点的关联权重系数，对所述目标用户的关联产品进行排序，得到所述目标用户的目标推送列表；
基于所述家居服务***匹配所述目标推送列表对应的目标推送模式，并根据所述目标推送模式和所述目标推送列表进行家居服务推送。
8.一种订单数据的处理装置，其特征在于，所述订单数据的处理装置包括：
获取模块，用于基于预置的家居服务***获取目标用户对应的历史家居订单数据，并对所述历史家居订单数据进行订单数据分类，得到正常已完成订单以及异常未完成订单；
第一创建模块，用于对所述正常已完成订单进行订单特征提取，得到多个第一订单特征标签以及多个第一家居属性特征标签，并根据所述多个第一订单特征标签以及所述多个第一家居属性特征标签创建第一特征分布空间；
第二创建模块，用于对所述异常未完成订单进行订单特征分析，得到多个第二订单特征标签以及多个第二家居属性特征标签，并根据所述多个第二订单特征标签以及所述多个第二家居属性特征标签创建第二特征分布空间；
分析模块，用于对所述第一特征分布空间进行交叉感兴趣分析和特征搜索，得到第三特征分布空间；
筛选模块，用于根据所述第二特征分布空间，对所述第三特征分布空间进行特征分布筛选和剔除，生成目标特征分布空间；
推送模块，用于根据所述目标特征分布空间生成所述目标用户的目标推送列表，并通过所述家居服务***对所述目标推送列表进行家居服务推送。
9.一种订单数据的处理设备，其特征在于，所述订单数据的处理设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述订单数据的处理设备执行如权利要求1-7中任一项所述的订单数据的处理方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的订单数据的处理方法。
CN202310705913.2A 2023-06-15 2023-06-15 订单数据的处理方法、装置、设备及存储介质 Active CN116433339B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310705913.2A CN116433339B (zh) 2023-06-15 2023-06-15 订单数据的处理方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310705913.2A CN116433339B (zh) 2023-06-15 2023-06-15 订单数据的处理方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN116433339A true CN116433339A (zh) 2023-07-14
CN116433339B CN116433339B (zh) 2023-08-18

Family

ID=87087677

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310705913.2A Active CN116433339B (zh) 2023-06-15 2023-06-15 订单数据的处理方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116433339B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116681373A (zh) * 2023-08-02 2023-09-01 四川集鲜数智供应链科技有限公司 一种物流供应链管理方法
CN117495512A (zh) * 2023-12-29 2024-02-02 干霸干燥剂(深圳)有限公司 订单数据的管理方法、装置、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100030619A1 (en) * 2005-02-24 2010-02-04 Dolphin Software Ltd. System and method for computerized analyses of shopping basket parameters
CN112116434A (zh) * 2020-10-06 2020-12-22 广州智物互联科技有限公司 基于大数据与电子商城的商品搜索方法、***及云服务平台
CN112307329A (zh) * 2020-09-30 2021-02-02 北京沃东天骏信息技术有限公司 一种资源推荐方法及装置、设备、存储介质
CN113051291A (zh) * 2021-04-16 2021-06-29 平安国际智慧城市科技股份有限公司 工单信息的处理方法、装置、设备及存储介质
KR20210105013A (ko) * 2020-02-18 2021-08-26 주식회사 와이즈패션 상품 추천 및 주문 서비스를 제공하는 장치
US20210319496A1 (en) * 2020-04-09 2021-10-14 Shopify Inc. Componentized order entry and editing system and method
CN115187345A (zh) * 2022-09-13 2022-10-14 深圳装速配科技有限公司 智能家居建材推荐方法、装置、设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100030619A1 (en) * 2005-02-24 2010-02-04 Dolphin Software Ltd. System and method for computerized analyses of shopping basket parameters
KR20210105013A (ko) * 2020-02-18 2021-08-26 주식회사 와이즈패션 상품 추천 및 주문 서비스를 제공하는 장치
US20210319496A1 (en) * 2020-04-09 2021-10-14 Shopify Inc. Componentized order entry and editing system and method
CN112307329A (zh) * 2020-09-30 2021-02-02 北京沃东天骏信息技术有限公司 一种资源推荐方法及装置、设备、存储介质
CN112116434A (zh) * 2020-10-06 2020-12-22 广州智物互联科技有限公司 基于大数据与电子商城的商品搜索方法、***及云服务平台
CN113051291A (zh) * 2021-04-16 2021-06-29 平安国际智慧城市科技股份有限公司 工单信息的处理方法、装置、设备及存储介质
CN115187345A (zh) * 2022-09-13 2022-10-14 深圳装速配科技有限公司 智能家居建材推荐方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈旭辉等: "基于OLAM的制造业商务智能模型", 《兰州理工大学学报》, vol. 35, no. 02, pages 93 - 97 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116681373A (zh) * 2023-08-02 2023-09-01 四川集鲜数智供应链科技有限公司 一种物流供应链管理方法
CN116681373B (zh) * 2023-08-02 2023-10-20 四川集鲜数智供应链科技有限公司 一种物流供应链管理方法
CN117495512A (zh) * 2023-12-29 2024-02-02 干霸干燥剂(深圳)有限公司 订单数据的管理方法、装置、设备及存储介质
CN117495512B (zh) * 2023-12-29 2024-04-16 干霸干燥剂(深圳)有限公司 订单数据的管理方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN116433339B (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
US8775230B2 (en) Hybrid prediction model for a sales prospector
CN116433339B (zh) 订单数据的处理方法、装置、设备及存储介质
Tsiptsis et al. Data mining techniques in CRM: inside customer segmentation
US9262503B2 (en) Similarity matching of products based on multiple classification schemes
US8489532B2 (en) Similarity matching of a competitor's products
US8756095B2 (en) E-commerce consumer-based behavioral target marketing reports
Cheung et al. A quantitative correlation coefficient mining method for business intelligence in small and medium enterprises of trading business
US7908159B1 (en) Method, data structure, and systems for customer segmentation models
US20130268317A1 (en) Arrangement for facilitating shopping and related method
WO2018200996A1 (en) Method and system of managing item assortment based on demand transfer
US10817522B1 (en) Product information integration
KR102000076B1 (ko) 온라인 쇼핑몰 통합 관리 시스템에서의 온라인 판매채널을 추천하는 방법 및 그 서버
US20130249934A1 (en) Color-based identification, searching and matching enhancement of supply chain and inventory management systems
CN108292409B (zh) 消费者决策树生成***
US11762819B2 (en) Clustering model analysis for big data environments
Oliveira Analytical customer relationship management in retailing supported by data mining techniques
US20210090105A1 (en) Technology opportunity mapping
CN116664158A (zh) 基于大数据的新型零售分析方法及***
Wang et al. A reliable location design of unmanned vending machines based on customer satisfaction
Senvar et al. Customer oriented intelligent DSS based on two-phased clustering and integrated interval type-2 fuzzy AHP and hesitant fuzzy TOPSIS
CN111768139B (zh) 备货处理方法、装置、设备及存储介质
Granov Customer loyalty, return and churn prediction through machine learning methods: for a Swedish fashion and e-commerce company
US11922476B2 (en) Generating recommendations based on descriptors in a multi-dimensional search space
US11869063B2 (en) Optimize shopping route using purchase embeddings
Kirana et al. Online-Customers Segmentation on PT. Rumah Mebel Nusantara (Ikea) in Semarang Region By Using K-Means Analysis With SPSS

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant