1.一种基于数据分析的酒类信息智能管理方法,其特征在于,包括以下步骤:
获取酒类销售数据,将所述酒类销售数据进行预处理,对预处理后的酒类销售数据进行聚类,根据聚类结果对客户进行分类;
根据客户的分类结果获取不同类别客户的客户类别特征,通过所述客户类别特征获取酒类销售数据的标签数据集;
基于深度学习构建营销方案推荐模型,利用所述酒类销售数据的标签数据集对所述营销方案推荐模型进行训练,为不同类别客户提供不同的酒类营销服务;
通过所述酒类销售数据提取订单信息,获取不同订单信息的关联度,根据所述关联度对酒类营销进行优化,并将所述订单信息匹配酒品库存信息,根据订单信息的动态变化生成库位调整方案。
2.根据权利要求1所述的一种基于数据分析的酒类信息智能管理方法,其特征在于,对预处理后的酒类销售数据进行聚类,根据聚类结果对客户进行分类,具体为:获取目标地区在预设时间内的酒类销售数据,将所述酒类销售数据进行数据清洗及异常数据剔除,预处理与脱敏后的客户标识进行匹配,根据时序构建酒类销售数据集;
基于所述酒类销售数据集进行低维表示构建无向异构图,在所述无向异构图中提取客户与酒类项目的二部图结构,通过图卷积神经网络对所述二部图结构进行表示学习,更新客户节点表示及酒类项目节点表示;
根据更新后的客户节点表示及酒类项目节点表示进行邻域聚合,获取客户对应的酒类销售特征,根据不同客户的酒类销售特征构建酒类销售特征数据集;
初始化粒子群算法的参数,通过粒子群算法对K‑means聚类算法中的聚类个数K进行寻优,获取聚类个数K,在所述酒类销售特征数据集中随机选取K个客户的酒类特征数据点作为聚类中心;
计算酒类销售特征数据集剩余数据到聚类中心的曼哈顿距离,分配至距离最近的聚类中心生成类簇,获取每个类簇的均值作为聚类中心,当标准测度函数满足预设标准或迭代次数大于等于最大迭代次数,则结束聚类;
获取聚类结果,根据所述聚类结果获取客户的分类结果。
3.根据权利要求1所述的一种基于数据分析的酒类信息智能管理方法,其特征在于,根据客户的分类结果获取不同类别客户的客户类别特征,通过所述客户类别特征获取酒类销售数据的标签数据集,具体为:构建堆叠自编码器,通过逐层无监督方式对所述堆叠自编码器进行训练,利用训练样本数据进行编码与重构,获取训练参数作为隐藏层特征进行保存,并输入下一隐藏层中,进行逐层训练;
获取特征重构误差,将所述特征重构误差进行反向传播,对堆叠自编码器的参数信息进行优化,输出符合预设标准的堆叠自编码器;
根据客户的分类结果将酒类销售特征数据集划分为若干子数据集,在所述子数据集中通过堆叠自编码器进行编码学习,获取各子数据集中的客户类别特征;
通过所述客户类别特征生成各子数据集的标签信息,对子数据集对应的特征数据进行标记后生成酒类销售数据的标签数据集。
4.根据权利要求1所述的一种基于数据分析的酒类信息智能管理方法,其特征在于,基于深度学习构建营销方案推荐模型,具体为:基于图卷积神经网络构建营销方案推荐模型提取客户与酒类项目交互的隐性关系,根据客户与酒类项目的二部图结构获取客户隐性关系图及酒类项目隐性关系图,将酒类项目对应的关键词信息作为隐性关系图中节点的辅助特征;
通过图卷积神经网络获取客户节点表示及酒类项目节点表示生成对应的特征向量,将所述特征向量引入图注意力机制,对所述客户隐性关系图及酒类项目隐性关系图进行处理;
通过多头注意力获取不同邻域节点的注意力分数,生成注意力权重向量,获取具有权重的邻域特征信息,生成不同隐性关系图中客户节点嵌入表示及酒类项目节点嵌入表示;
利用客户节点嵌入表示与酒类项目节点嵌入表示进行内积计算生成评分信息,根据所述评分信息获取不同客户的感兴趣酒类项目,生成对应的针对性营销方案。
5.根据权利要求1所述的一种基于数据分析的酒类信息智能管理方法,其特征在于,通过所述酒类销售数据提取订单信息,获取不同订单信息的关联度,根据所述关联度对酒类营销进行优化,具体为:根据所述酒类销售数据提取订单信息,将所述订单信息进行预处理及关键词提取,获取订单信息对应的词向量集合,在所述词向量集合中筛选酒类词向量;
获取客户对应订单信息中的酒类词向量的出现频次,根据所述出现频次生成初始权重信息,对无向异构图中对应的酒类项目节点进行设置;
根据所述初始权重信息结合酒类词向量与客户对应的客户类别特征进行相似度对比,若所述相似度小于预设相似度阈值,则对客户进行重新分类;
获取客户对应不同订单信息的时间戳差异及不同订单信息中的重复酒类项目,根据皮尔逊相关系数获取不同订单的关联度;
筛选关联度符合预设标准的订单信息,提取所述订单信息中的酒类项目,对针对性营销方案中酒类项目进行更新,并根据用户的交互反馈获取优化后营销方案。
6.根据权利要求1所述的一种基于数据分析的酒类信息智能管理方法,其特征在于,将所述订单信息匹配酒品库存信息,根据订单信息的动态变化生成库位调整方案,具体为:将所述订单信息匹配酒品库存信息,获取不同订单中不同酒类项目的出库时间,筛选关联度符合预设标准的订单信息,提取所述订单信息中的酒类项目,将所述酒类项目进行标记;
提取标记酒类项目出库时间,获取不同标记酒类项目出库时间之间的时间差,获取时间差大于预设时间差阈值的标记酒类项目,生成酒类项目组合;
根据酒类项目组合的酒品库存信息生成库位信息,获取酒类项目组合中出库时间短的酒类项目所在库位,并根据单位出库速度及时间差获取出库时间短的酒类项目所在库位的预设区域;
在所述区域中将酒类项目组合中出库时间长的酒类项目与其他酒类项目的库位进行替换,实现库位信息调整,使得所述时间差小于或等于预设时间差阈值;
并根据订单关联度的动态变化不断更新酒类项目的库位调整方案。
7.一种基于数据分析的酒类信息智能管理系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包括基于数据分析的酒类信息智能管理方法程序,所述基于数据分析的酒类信息智能管理方法程序被所述处理器执行时实现如下步骤:获取酒类销售数据,将所述酒类销售数据进行预处理,对预处理后的酒类销售数据进行聚类,根据聚类结果对客户进行分类;
根据客户的分类结果获取不同类别客户的客户类别特征,通过所述客户类别特征获取酒类销售数据的标签数据集;
基于深度学习构建营销方案推荐模型,利用所述酒类销售数据的标签数据集对所述营销方案推荐模型进行训练,为不同类别客户提供不同的酒类营销服务;
通过所述酒类销售数据提取订单信息,获取不同订单信息的关联度,根据所述关联度对酒类营销进行优化,并将所述订单信息匹配酒品库存信息,根据订单信息的动态变化生成库位调整方案。
8.根据权利要求7所述的一种基于数据分析的酒类信息智能管理系统,其特征在于,对预处理后的酒类销售数据进行聚类,根据聚类结果对客户进行分类,具体为:获取目标地区在预设时间内的酒类销售数据,将所述酒类销售数据进行数据清洗及异常数据剔除,预处理与脱敏后的客户标识进行匹配,根据时序构建酒类销售数据集;
基于所述酒类销售数据集进行低维表示构建无向异构图,在所述无向异构图中提取客户与酒类项目的二部图结构,通过图卷积神经网络对所述二部图结构进行表示学习,更新客户节点表示及酒类项目节点表示;
根据更新后的客户节点表示及酒类项目节点表示进行邻域聚合,获取客户对应的酒类销售特征,根据不同客户的酒类销售特征构建酒类销售特征数据集;
初始化粒子群算法的参数,通过粒子群算法对K‑means聚类算法中的聚类个数K进行寻优,获取聚类个数K,在所述酒类销售特征数据集中随机选取K个客户的酒类特征数据点作为聚类中心;
计算酒类销售特征数据集剩余数据到聚类中心的曼哈顿距离,分配至距离最近的聚类中心生成类簇,获取每个类簇的均值作为聚类中心,当标准测度函数满足预设标准或迭代次数大于等于最大迭代次数,则结束聚类;
获取聚类结果,根据所述聚类结果获取客户的分类结果。
9.根据权利要求7所述的一种基于数据分析的酒类信息智能管理系统,其特征在于,基于深度学习构建营销方案推荐模型,具体为:基于图卷积神经网络构建营销方案推荐模型提取客户与酒类项目交互的隐性关系,根据客户与酒类项目的二部图结构获取客户隐性关系图及酒类项目隐性关系图,将酒类项目对应的关键词信息作为隐性关系图中节点的辅助特征;
通过图卷积神经网络获取客户节点表示及酒类项目节点表示生成对应的特征向量,将所述特征向量引入图注意力机制,对所述客户隐性关系图及酒类项目隐性关系图进行处理;
通过多头注意力获取不同邻域节点的注意力分数,生成注意力权重向量,获取具有权重的邻域特征信息,生成不同隐性关系图中客户节点嵌入表示及酒类项目节点嵌入表示;
利用客户节点嵌入表示与酒类项目节点嵌入表示进行内积计算生成评分信息,根据所述评分信息获取不同客户的感兴趣酒类项目,生成对应的针对性营销方案。
10.根据权利要求7所述的一种基于数据分析的酒类信息智能管理系统,其特征在于,通过所述酒类销售数据提取订单信息,获取不同订单信息的关联度,根据所述关联度对酒类营销进行优化,具体为:根据所述酒类销售数据提取订单信息,将所述订单信息进行预处理及关键词提取,获取订单信息对应的词向量集合,在所述词向量集合中筛选酒类词向量;
获取客户对应订单信息中的酒类词向量的出现频次,根据所述出现频次生成初始权重信息,对无向异构图中对应的酒类项目节点进行设置;
根据所述初始权重信息结合酒类词向量与客户对应的客户类别特征进行相似度对比,若所述相似度小于预设相似度阈值,则对客户进行重新分类;
获取客户对应不同订单信息的时间戳差异及不同订单信息中的重复酒类项目,根据皮尔逊相关系数获取不同订单的关联度;
筛选关联度符合预设标准的订单信息,提取所述订单信息中的酒类项目,对针对性营销方案中酒类项目进行更新,并根据用户的交互反馈获取优化后营销方案。