基于电商平台AI助手优化的模型分析

基金项目：天津工业大学2023级大学生创新创业训练计划资助项目，项目编号：202410058183。

第一作者简介：

于琪，女（2005，08-），汉族，籍贯江苏，天津工业大学本科在读，研究方向：工业工程。

张银伟，女（2005，07-），汉族，籍贯河北，天津工业大学本科在读，研究方向：工业工程。

韩雨欣，女（2004，08-），汉族，籍贯天津，天津工业大学本科在读，研究方向：通信工程。

宋源博，男（2003，11-），汉族，籍贯天津，天津工业大学本科在读，研究方向：数据科学与大数据技术。

刘光浩，男（2004，08-），汉族，籍贯贵州，天津工业大学本科生在读，研究方向：物联网工程。

毛庆伟，男（2004，01-），汉族，籍贯天津，天津工业大学本科在读，研究方向：化学工程与工艺。

摘要：

随着电商发展，部分传统机制难以满足用户需求。因此，我们针对研发了一款网页模型——“艾小二”。本文首先分析了传统电商搜索机制的局限性，随后介绍了该模型的创新搜索机制，包括情感化、场景化和故事化搜索。接着，文章深入分析了电商售后机制的痛点，并提出了双向评分的解决方案。此外，还详细阐述了该模型的软件需求、技术路线选择和开发路线。最后，文章总结了它的优势和挑战，并展望了未来的发展方向。

关键词：

电商、AI助手、优化、搜索机制、售后机制

1.引言

随着电子商务的迅速发展，用户对购物体验的要求不断提高。传统的电商搜索机制主要基于关键词匹配，难以充分满足用户复杂多样的需求，“艾小二”的创新搜索机制引入情感化、场景化和故事化元素，旨在为用户提供更加个性化、贴心的购物服务；除此之外，电商的信用和评价体系是其核心组成部分之一，旨在保障买卖双方的交易安全和诚信，提升用户购物体验。但是也存在一部分问题，以下是我们利用AI助手——艾小二希望可以改进的方面。

2.搜索机制分析

2.1情感化搜索

2.1.1情感标签设置与选择

（1）可以设置丰富的情感标签，如温馨、惊喜、浪漫、实用等。用户在搜索时可以根据自己的情感需求选择相应的标签，系统据此推荐符合情感倾向的商品。

（2）例如，当用户搜索 “礼物” 并选择 “温馨” 标签时，系统可以推荐定制的带有温馨话语的首饰盒、柔软的围巾等商品。

2.1.2基于搜索历史和评价语言的情感需求推断

（1）分析用户的搜索历史，了解用户过去购买礼物的情感倾向。如果用户经常搜索温馨的礼物，那么在后续搜索中可以优先推荐温馨情感的商品。

（2）从用户的评价语言中提取情感关键词，如 “很惊喜”“非常浪漫” 等，用于推断用户的情感需求。下次用户搜索类似商品时，系统可以根据这些情感需求进行推荐。

2.2场景化搜索

2.2.1购物场景构建

（1）可以构建各种具体的购物场景，如户外野餐场景、露营场景、婚礼场景等。每个场景都包含一系列相关的商品类别和品牌。

（2）对于户外野餐场景，系统推荐野餐篮、野餐垫、美味的野餐食品、户外餐具等商品，为用户提供一站式的购物解决方案。

2.2.2小众实用好物推荐

（1）在场景化搜索中，除了推荐常规商品，系统还可以通过数据分析和用户反馈，挖掘一些小众但实用的露营好物，如便携烧烤架、星空投影仪等。

（2）这些小众好物可以丰富用户的购物选择，提升用户在特定场景下的购物体验。

2.3故事化搜索

2.3.1故事内容分析与商品推荐

（1）当用户以讲述故事的方式描述购物需求时，系统利用自然语言处理技术分析故事内容，提取关键信息，如 “复古主题派对”“服装”“配饰” 等。

（2）然后，根据这些关键信息在商品知识图谱中进行搜索，推荐符合复古主题的波点连衣裙、珍珠项链等服装和配饰。

2.3.2结合用户画像的故事化搜索

（1）考虑用户的年龄、性别、兴趣爱好等画像信息，对故事化搜索进行优化。例如，对于年轻时尚的用户，推荐更加潮流的复古服装和配饰。

（2）通过结合用户画像，可以提高故事化搜索的准确性和个性化程度，更好地满足用户的需求。

2.4创新搜索机制的优势与挑战

2.4.1优势

（1）提升用户购物体验：情感化、场景化和故事化搜索能够更好地理解用户需求，为用户提供更加个性化、贴心的购物服务，提升用户的购物满意度。

（2）增加用户粘性：通过满足用户的情感需求和提供丰富的购物场景，使用户更加愿意在电商平台上购物，增加用户粘性。

（3）促进商品销售：精准的商品推荐可以提高商品的曝光率和销售量，为商家带来更多的商业机会。

2.4.2挑战

（1）技术实现难度：情感分析、故事理解等技术需要大量的数据和复杂的算法支持，实现难度较大。

（2）数据隐私问题：在分析用户行为数据时，需要注意保护用户的隐私，避免数据泄露。

（3）用户习惯培养：用户可能需要一定的时间来适应新的搜索方式，需要进行用户教育和引导。

3.售后机制分析

3.1痛点

从消费者的角度来看：

（1）质量问题

消费者货比三家下单买到的商品质量堪忧，而在和商家进行售后服务的过程中却十分费时费力，这其中的运费和浪费的时间也不是个小数目。

（2）货不对版，与商品描述不符

许多商家为了提高销量，降低成本。只有部分衣服是和宣传一致的，大多退款也是因为衣服的货不对版，大小尺寸材质面料均能产生问题。

从商家的角度来看：

（1）有些优质商家商品的材质性能都很好，也不存在虚假宣传的问题。但是由于小部分消费者群体喜欢贪小便宜，不论产品质量好不好，直接采用仅退款这样据为己有的方式，有的商家甚至因此破产倒闭。

（2）现在电商的经营模式是c2c，盲目以顾客为中心，不能吸引好的商家，也不能留住优质用户，进行一个恶性循环。

3.2评价体系

针对以上的问题，我们的AI助理决定采用一个双向评分的方式，既对商家进行评分也对用户进行评分，在这种双向评分的情况下既保障消费者权益，又可以留住优质商家，保证商品品质。具体操作：在售后问题上，通过AI客服助理决定二者的流程。商家和消费者均采用5分制评价体系。在评分4.8分以上的用户在售后方面如果采用仅退款直接通过，不通过商家一方。而在这种情况下如果商家评分也在4.8以上则需要人工客服的介入。在评分3.5到4.7的用户消费者进行售后服务时，商家选择退货退款直接通过，运费问题则由商家和消费者的过错一方进行承担，此时需要人工客服的辅助。在评分3.4以下的用户进行售后服务，需要和商家交流，而在交流未果后AI客服助理通过提取关键字，来进行更加完善的一个售后服务，全过程是在人工客服的关注之下完成的。

4.“艾小二”模型分析

http：//101.42.139.129：8080/ui/chat/1e330deece15d7ff

4.1软件需求分析

本项目旨在实现一个智能客服和智能商品推荐系统

4.1.1智能客服功能：

提供24/7自动化客服支持，能够解答用户常见问题，如商品信息查询、售后服务、物流查询等。

具备自然语言处理能力，能够理解并回答用户的多种表述方式。

系统应具备自我学习和适应能力，能够随着使用者的互动提升其问题回答的准确性和相关性。

4.1.2智能商品推荐功能：

基于用户的历史行为、浏览习惯和偏好，提供个性化商品推荐。

实时根据商品库存、价格波动、用户需求等信息调整推荐策略。

4.2软件技术路线选择

由于本系统涉及到智能客服与智能商品推荐功能，这两个功能都需要强大的自然语言处理和机器学习能力。为了在保证成本效益的同时提高系统效果，故选择以下技术路线：

自行训练一个全面的大模型在资源和时间上的投入非常巨大。尤其是在对准确度有较高要求的情况下，所以选择一个已经在广泛数据上进行训练的大模型作为基础，能大大节省时间和成本。然后为了增强模型在购物领域的表现，通过外挂知识库来提供深层次的专业知识。这些知识库包括商品目录、商品客户评价、商品内用户的问答，客服与用户对话等结构化信息。使得智能客服在回答用户提出的商品信息、库存情况、售后政策等问题，能够游刃有余，并且保证足够的专业性。

4.3开发路线

首先本项目基于开源知识库问答系统作为项目的基础，在此基础上进行二次开发。

本项目后端基于python，前端基于Vue，数据库采用PostgreSql。

由于原项目主要运行在web端的改造主要集中在适配手机的界面，完善应用启动逻辑，使其能够以App形式完美的运行在手机端并能够完成商品页面的跳转。

4.3.1后端：

对后端的修改主要集中在修改目前运行过程中存在的bug。还有调用大模型进行对话时的逻辑问题。

后端的逻辑实现大概是，首先获得用户的第一次输入，然后把这次输入提交给大模型进行需求分析得到用户需要的服务，使得程序可以做到即使用户第一次进入不会使用该系统也能尽快上手。

然后在系统知道用户的需求后会读入相关的知识库，例如如果用户需要的商品推荐，那系统就会读入最新的商品目录，商品评价，商品内的问答，然后通过后续的连续几轮的需求问答，建立用户需求商品的指标，然后根据指标找到适合的商品，再做推荐。

智能客服也是差不多，再得到用户的需求后会读取用户最近的购买记录和购买的商品的详情，还有一些售后处理相关的知识库。然后根据用户需要处理的商品读取对应的信息，合理的处理售后任务。

同时为保证用户中途变更需求，其实第一步一直在检测，当实时检测到用户的需求变化时会改变对应的大模型和知识库的相关数据。

4.3.2前端：

前端的处理主要是将原先只适配web端的网页重构成适用于手机上的App，并且由于原先的应用程序并不能实现应用间的跳转，所以当用户在得到推荐的商品后，可以通过点击操作会自动跳转到手机上已安装的电商。

4.3.3知识库：

由于获取商品详情的难度过于庞大，所以只添加了部分近年来的相对较新的商品何其对应的信息（老旧数据大模型中一般已含有）。至于客服相关则为人工整理的网络上相关的客服手册，客服处理案例，商品政策标准等数据。

5.相关技术分析

5.1大模型在自然语言处理中的应用

大模型如深度学习语言模型具有强大的语言理解和生成能力。在电商搜索中，可以利用大模型分析用户的搜索语句，提取情感倾向、场景信息和故事关键要素，从而实现更精准的商品推荐。

5.2用户行为数据分析技术

通过对用户的搜索历史、购买记录和评价语言等行为数据进行分析，可以推断用户的情感需求和偏好。同时，结合协同过滤等算法，可以为用户提供个性化的搜索结果。

5.3商品知识图谱构建

构建商品知识图谱，将商品的属性、类别、品牌等信息以及它们之间的关系进行整合。在搜索过程中，利用知识图谱可以更好地理解用户需求，实现更准确的商品推荐和场景化搜索。

6.结论

艾小二的创新搜索机制为电商带来了新的发展机遇，通过情感化、场景化和故事化搜索，能够更好地满足用户的购物需求，提升用户购物体验。然而，实现这些创新也面临着技术、隐私和用户习惯等方面的挑战。未来，需要进一步研究和探索更加先进的技术和方法，不断优化搜索机制，为用户提供更加优质的购物服务。同时，也需要加强数据隐私保护，培养用户的新购物习惯，推动电子商务的持续发展

参考文献

[1]温婷.AI赋能跨境电商市场份额持续扩大[N].上海证券报，2024-10-18（006）.

[2]林烁.AI在跨境电商营销中的应用与效果[J].大众投资指南，2024，（29）：131-133.

[3]王郁彪，杨昕怡.从“电商+AI”到“AI电商”，人工智能如何重塑电商生态？[N].每日经济新闻，2024-03-15（007）.

[4]卢新元，易亚琦，卢泉，等.电商导购平台在网购中对顾客决策和忠诚度的影响研究——以“什么值得买”为例[J].情报科学，2021，39（10）：3-10+31.

[5]李金海.基于在线评论挖掘的网络购物混合推荐模型及策略研究[D].江苏大学，2016.

[6]王军，张璐，张文君.基于用户需求的电商导购机制设计[J].情报学报，2016，35（07）：730-738.

[7]许鼎.电商网站的搜索与推荐引擎的设计与实现[D].哈尔滨工业大学，2018.

[8]禹亦歆，刘征驰.网络信息披露、大数据评级与电商小额贷款[J].管理现代化，2016，36（04）：10-12.

[9]刘宇.新零售典型创新模式分析[J].江苏商论，2021，（07）：8-11.

[10]陆丽芳.主流移动电商APP存在的问题及对策探讨[J].计算机时代，2019，（05）：30-32+36.

[11]王杰.电商推荐系统关键技术研究[D].山东科技大学，2018.

[12]姚志安.基于深度神经网络的电商评论情感极性分析研究[D].上海师范大学，2020.

[13]李梦.node2vec模型在推荐系统中的应用[D].西南大学，2022.

[14]宋双志.生物领域电商网站搜索引擎的设计与实现[D].湖南科技大学，2017.

[15]李晶莹.电子商务个性化推荐关键技术研究[D].北京邮电大学，2016.

[16]魏建兵.基于数据挖掘的购物网站的商品推荐系统模型研究[J].中国包装，2017，37（05）：71-77.

[17]郇长武，朱琳，陈俊材，等.基于“互联网+”的多能融合个性化方案推荐平台设计[J].电子设计工程，2020，28（08）：30-33+38.

[18]张昊.基于文本挖掘技术的电子商务网站个性化推荐分析[J].电子制作，2021，（22）：65-67.

[19]武晓丽.基于深度学习的商品推荐系统技术研究[D].海南大学，2021.

[20]张重.电商模式存在的问题及对策研究[J].现代商业研究，2023，（02）：64-66.