基于深度学习的商业AI营销系统的设计与开发[计算机论文]

计算机软件论文哪里有？本文对当前商业零售系统的管理模式和系统架构进行了分析和研究，设计了一种基于中台技术的分布式系统架构，克服了原有商业销售系统的不足，有效地改善了系统的稳定性、可靠性和灵活性。在中台运用人工智能和深度学习技术，对商业零售进行了动态建模和预测。提出了一种基于网络性能评价的 NP-LSTM 模型，有效地改善了 LSTM 的动态性能，优化了模型结构，提高了预测能力。通过引入分段截取、后向差分的技术策略，解决了数据自身存在的不稳定性问题，有效地提升了模型预测结果的准确率。最后设计了一种基于 NP-LSTM 的长短数据区间混合预测模型，进一步提升了模型的有效性和准确性。

1 绪论

1.2 国内外研究现状
商业智能 BI[5]的概念被广泛的使用是在 1996 年，由 Gartner Group 公司研究员Howard Dressener 提出。商业智能描述了一系列的概念和方法，通过应用基于事实的支持系统来辅助商业决策制定，是一种将计算机技术与商业运营规则相结合的、协助和支撑业务决策的解决途径，主要包括数据的收集、提取、清洗、存储和数据分析及展示的目标。目前，商业智能主要是由 DW、OLAP 和数据挖掘三大主要技术构成，通过建立数据仓库来存储从不同数据源提取的数据，然后使用 OLAP 和数据挖掘从多层次、多维度快速分析，最后通过前端展示工具展示分析结果[6]。
国内外对于商业智能领域的研究文献在 2005 年以前相对较少，由于微软在 2005 年开发出了 Microsoft SQL Server2005 数据库，为商业智能的数据存储提供了支持平台，以至于在 2005 年国内国外相关研究出现明显的增长。在 2005 年至 2012 年，国外商业智能领域相关研究得到逐步的开展。2012 年以后，在企业大数据技术的发展带动下，商业智能的研究和应用得到更进一步的普及。在国内，2005 年到 2015 年期间，由于商业智能方面的尚处于初期阶段，国内企业商业智能建设所需的硬件、数据不够等多种因素，这方面的研究和开发还处于摸索阶段。2015 年以后，随着国家政策的支持以及大数据、人工智能等技术的快速发展，商业智能领域的研究得以迅速增长[7]。
围绕着商业智能，国内外开展了相关的研究和开发，主要为数据挖掘、数据仓库等技术方面。K.Rajaraman 在 2003 年提出了一种基于 CFG 的文本挖掘方法[8]，使用该方法可以明显提高查找的准确率和完整性。A.Salguero[9]在 2007 年提出了一种以数据仓库和数据挖掘功能为基础，利用 RFID 技术和 SQL 语言模糊扩展聚类技术实现向客户个性化报价的体系架构。M.Bouakkazh 和 Y.Ouinten[10]在 2012 年使用 FP-Max 数据挖掘算法提取了对象的频繁属性，并将其进行垂直分组，使总体性能提升了 19%。 .....................

3 基于 LSTM 的营销建模

3.1 模型研究
基于 LSTM 的建模是当前动态系统建模中一个重要的技术手段，其时间和空间的相关特性较好地刻画了动态系统的基本特征。LSTM 的结构和训练方式有多种多样，但在动态系统建模方面还存在着一定的不足和局限，需要从其内部的基本单元做进一步的分析和探索。一个基本的神经网络模型由多层多个神经元构成，神经元本身的动态特性将影响整个网络的动态建模能力。单个神经元的典型的输入输出动态关系主要有 Sigmoid、Tanh 和 ReLU 三种，如图 3.1 所示。 ................................

5 系统的实现与测试

5.1 功能实现
(1)  用户登录管理功能
在系统使用者通过网址或快捷方式进入登录界面后，可使用账号密码进行系统登录，同时本系统引入了 shrio 安全框架，设置了 4 种角色访问权限，控制界面视图。4 种角色分别是上层管理者、区域经理、普通员工和 POS 终端员工。
系统登录界面如图 5.1 所示。系统中的所有用户必须通过登录界面才能进入系统，登录界面是系统与人交互的可视化界面，系统用户输入自己的账户与密码跟系统数据库中存储的用户信息进行校对识别，当账户或密码不匹配时，跳转到登录页面重新登录，当账户和密码核对无误，为当前用户授权，最后进入对应角色权限的系统主界面。 系统使用完成后，可以通过主界面右上角的注销功能安全退出系统，此操作会清除保留在本地的缓存的登录信息。
............................

5.2 AI 接口实现
目前，深度学习模型部署常用方法有 4 种，分别是 TensorFlow Java API 部署、Deeplearning4J Java API 部署、Flash 框架或 Socket 通信实现 Python 服务器端部署。根据实际的应用需求，这里选择 TensorFlow Java API 部署，AI 模型与系统的同步采用不定期的更新策略，为系统提供 AI 的预测支持。 AI 接口设计实现如下：
(1) 将之前训练并保存为 pb 格式的模型文件放入此预测系统项目文件夹中。
(2) 通过 maven 工程的 pom 文件导入 tensorflow 的 JAR 包。
(3) 创建名为 MilkPowderUtils 的接口类，为该类提供 float 类型的三维数组形参，其返回值为 float 类型数值的静态模型 API。
(5) 将预测操作作为参数，实例化 Output 类。
(6) 形参传入数据通过 Tensor 类的 create 方法转化为 Tensor 类型并赋值给名为input_x 的 Tensor 对象。
(7) 最终调用模型会话对象，输入需要的数据，计算预测操作结果并将此预测结果处理后作为方法返回值。
(8) Java 程序查询 MySQL 获取预测需要的数据，归一化处理并封装，调用静态模型调用方法，传入封装数据，获取预测值，反归一化后通过 ECharts 可视化分析预测结果。
.........................

6 总结与展望

6.2 工作展望
本文初步实现了基于深度学习的商业 AI 营销系统，通过设计功能接口实现在此系统中调用商品销售量预测模型统计分析，为深度学习网络模型应用部署提供了一个很好的参考思想，具有一定的应用价值和工程意义。本文系统还存在一些需要完善和改进的地方，主要如下
(1)本文设计实现的基于深度学习的商业 AI 营销系统的功能还较为单一，更丰富的AI 智能如决策、分析还有进一步研究和开发的空间。
(2)多种形式的支付功能还有待于丰富与完善，如 3D 人脸支付等功能，支付系统的模块融合还需更加灵活和方便。
(3)本文采用的训练数据集仅包含商品的月销售量这一项，商品的销售量还会受到其他因素的影响，如节假日、价格、促销活动等因素的影响，还需要进一步研究和建立功能更强和更有效的预测模型。
参考文献（略）