本发明涉及片材加工，具体涉及一种融合大语言模型的新型电商平台商品推荐框架。
背景技术：
1、随着线上电商平台的飞速发展，商品推荐系统成为了日常电商运营的重要组成部分，特别是在竞争激烈的珠宝饰品，美妆，服装等市场。在线上电商平台中，尽管当前的推荐系统配备了基于实体抽取和关键词匹配的前置nlp模块，但它们往往不能深入捕捉和解读买家在对话中的复杂需求。这些传统nlp方法由于其固有设计，无法有效地理解上下文中的连贯性和语义深度。此外，多样化的买家表达，尤其是对商品属性的描述，常常超出了基于规则的实体和关键词匹配系统的理解范围。
2、如中国专利公开的一种基于搜索内容的电商平台商品推荐方法及装置(公开号：cn113706260a)，该专利技术中通过首先获取买家输入信息，并依次进行分词处理和关键词提取处理，确定输入信息关键词集。然后获取买家历史订单信息，并依次进行分词处理和关键词提取处理，确定历史信息关键词集。最后根据所述历史信息关键词集，对所述输入信息关键词集进行遍历处理，确定目标关键词集，并对买家进行商品推荐。其采用关键词提取的方式，虽然在一般场景下效果不错，但仍存在不少局限性，对于复合型的需求描述将会超出该类商品推荐方法的处理范畴。
技术实现思路
1、本发明所要解决的技术问题：现有的商品推荐方法采用关键词提取的方式无法满足复合型的需求描述，推荐效果较差，且无法自动生成推荐话术给买家，人力成本较高。
2、为解决上述技术问题，本发明采用如下技术方案：一种融合大语言模型的新型电商平台商品推荐框架，包括以下步骤：
3、s1：新型电商平台商品推荐框架初始化；
4、s2：持续抓取买家的对话信息，判断买家是否有商品推荐的需求，当有需求时，转入步骤s3，反之，则结束推荐；
5、s3：构建买家的个人画像信息，采用大语言模型根据当前买家的个人画像信息和对话信息生成对预设的若干个商品属性偏好的概率；
6、s4：根据该买家偏好的商品属性由预设的商品库中筛选出合适的商品；
7、s5：通过大语言模型结合买家的个人画像信息以及预设的商品卖点库为筛选出的商品生成推荐话术给买家。
8、本发明工作时，通过构建买家的个人画像信息，采用大语言模型分析获取买家对商品属性的偏好信息，能够筛选出合适的商品推荐给买家，推荐效果好，且能够通过大语言模型自动生成推荐话术，降低了客服的工作强度，提高了工作效率。
9、作为优选，在所述步骤s2中，判断买家是否有商品推荐的需求，当有需求时，转入步骤s3，反之，则结束推荐时，采用以下子步骤：
10、a1：获取买家的对话信息与预设的包括明确表达需要商品推荐相关的关键词的第一关键词词库进行匹配，当存在相匹配的关键词时，为该买家添加第一推荐类型的标记，转入步骤s3，反之，则转入步骤a2；
11、a2：获取买家的对话信息与预设的包括延迟决策相关的关键词和模糊表达需要商品推荐相关的关键词的第二关键词词库进行匹配，当存在相匹配的关键词时，为该买家添加第二推荐类型标记，转入步骤s3，反之，则转入步骤a3；
12、a3：获取买家的对话信息中的提问次数，当提问次数大于预设的阈值时，为该买家添加第三推荐类型标记，转入步骤s3，反之，则结束推荐。
13、作为优选，在所述步骤s4中，根据生成的关于商品偏好属性的概率由预设的商品库中筛选出合适的商品时，采用以下子步骤：
14、b1：遍历本店铺所有的商品，对若干个商品的商品属性进行分析处理，并为若干个商品建立相应的特征向量，然后一一对应地存储为商品库；
15、b2：根据当前买家对商品属性的偏好概率的特征向量与商品库内对应筛选范围内的商品进行计算匹配概率，当买家被标记为第一推荐类型时，商品库中筛选的范围设置为全部商品，当买家被标记为第二推荐类型和第三推荐类型时，商品库中筛选的范围设置为买家在当前对话中提及的商品类型和/或搜索过的商品类型；
16、b3：当存在多个匹配的商品时，通过点乘对应商品属性的特征向量，并得到多个特征向量累加后的分数值，通过比较多个匹配的商品的分数值，优选合适的商品进行推荐，或者根据预设的推广规则优选合适的商品进行推荐，当存在一个匹配的商品时，对该商品进行推荐，当不存在匹配的商品时，结束推荐，或者由商品库中通过预设的推广规则优选合适的商品进行推荐。
17、本发明工作时，能够实现对买家是否需要商品推荐的判断，避免对不需要商品推荐的买家推荐商品，减少了服务器的负载，优化了工作流程，提高了工作效率。
18、作为优选，在所述步骤s3中，构建买家的个人画像信息时，采用以下步骤，获取该买家所有的对话信息，通过数据处理对该买家的年龄、性别、历史购买记录或者搜索记录进行提取，并存储为该买家的个人画像信息。
19、作为优选，在所述步骤s3中，采用大语言模型根据当前买家的个人画像信息和对话信息生成对预设的若干个商品属性偏好的概率时，采用以下子步骤：
20、c1：构建偏好概率提示词，通过将当前买家的个人画像中的买家信息，当前买家的对话信息，以及大数据资料结合预设的偏好概率提示词模板生成若干个商品属性对应的偏好概率提示词；
21、c2：将生成的偏好概率提示词输入大语言模型中，分析并输出当前买家对商品属性的偏好概率，并为每个偏好概率生成相应的特征向量。
22、本发明工作时，能够实现对买家偏好的商品属性的获取，同时通过生成偏好概率的特征向量，能够实现买家对商品属性的偏好的定量表达，方便进行商品推荐。
23、作为优选，在所述步骤s5中，通过大语言模型结合买家的个人画像信息以及预设的商品卖点库为筛选出的商品生成推荐话术给买家时，采用以下子步骤：
24、d1：遍历本店铺所有的商品，对若干个商品的卖点信息进行分析处理后，按照相应的商品属性一一对应地存储为商品卖点库；
25、d2：根据当前买家偏好的商品属性和对应的偏好概率的特征向量，结合预设的推荐话术提示词模板生成对应的推荐话术提示词；
26、d3：将生成的推荐话术提示词输入到大语言模型中，生成相应的推荐话术给买家。
27、本发明工作时，能够实现推荐话术的自动生成，生成速度快，生成的推荐话术准确、匹配度高，可有效减低客服的工作强度，提高工作效率和店铺的转换率。
28、作为优选，大语言模型的训练采用以下步骤：
29、e1：收集训练数据，获取下单的买家与客服的聊天信息，从中筛选出客服的推荐话术，并对客服给出推荐话术前的买家的对话信息进行处理，生成推荐话术提示词，将推荐话术提示词和相应的推荐话术一一对应地存储为训练集；
30、e2：采用生成训练集对大语言模型进行微调训练。
31、本发明工作时，通过对大语言模型进行微调训练，能够提高大语言模型与电商实际应用场景的匹配度，训练后的大语言模型能够适用于巨大的商品数据库和多样化的买家行为数据。
32、作为优选，在所述步骤e1中，还包括以下步骤：
33、f1：选取第一大语言模型和第二大语言模型，第一大语言模型的参数量小于第二大语言模型的参数量；
34、f2：遍历本店铺的商品库和商品卖点库，构建买家对商品属性偏好信息的全集合，通过排列组合生成可能的推荐话术提示词，输入到第一大语言模型中，获取每个推荐话术提示词各自对应的若干个推荐话术；
35、f3：将每个推荐话术和其对应的若干个推荐话术依次输入到第二大语言模型中，进行推荐话术的优选，筛选出合适的推荐话术，将推荐话术提示词和相应的合适的推荐话术一一对应地存储为训练集。
36、本发明工作时，通过参数量较小的第一大语言模型生成推荐话术，并使用参数量较大的第二大语言模型优选推荐话术，能够有效降低推荐话术生成的成本，加快了生成时间，生成周期短，效果好。
37、作为优选，在所述步骤f1中，所述第一大语言模型设置为chatglm-6b，所述第二大语言模型设置为chatglm-130b。
38、作为优选，在所述步骤e2中，采用生成训练集对大语言模型进行微调训练时，采用以下步骤：采用生成的推荐话术提示词和对应的推荐话术通过参数冻结的方法对大语言模型进行微调训练。
39、本发明的有益技术效果包括：
40、1、本发明通过构建买家的个人画像信息，采用大语言模型分析获取买家对商品属性的偏好信息，能够筛选出合适的商品推荐给买家，推荐效果好，且能够通过大语言模型自动生成推荐话术，降低了客服的工作强度，提高了工作效率。
41、2、本发明能够实现对买家是否需要商品推荐的判断，避免对不需要商品推荐的买家推荐商品，减少了服务器的负载，优化了工作流程，提高了工作效率。
42、3、本发明能够实现对买家偏好的商品属性的获取，同时通过生成偏好概率的特征向量，能够实现买家对商品属性的偏好的定量表达，方便进行商品推荐。
43、4、本发明能够实现推荐话术的自动生成，生成速度快，生成的推荐话术准确、匹配度高，可有效减低客服的工作强度，提高工作效率和店铺的转换率。
44、5、本发明通过对大语言模型进行微调训练，能够提高大语言模型与电商实际应用场景的匹配度，训练后的大语言模型能够适用于巨大的商品数据库和多样化的买家行为数据。
45、6、本发明通过参数量较小的第一大语言模型生成推荐话术，并使用参数量较大的第二大语言模型优选推荐话术，能够有效降低推荐话术生成的成本，加快了生成时间，生成周期短，效果好。
46、本发明的其他特点和优点将会在下面的具体实施方式、附图中详细的揭露。
1.一种融合大语言模型的新型电商平台商品推荐框架，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种融合大语言模型的新型电商平台商品推荐框架，其特征在于：在所述步骤s2中，判断买家是否有商品推荐的需求，当有需求时，转入步骤s3，反之，则结束推荐时，采用以下子步骤：
3.根据权利要求2所述的一种融合大语言模型的新型电商平台商品推荐框架，其特征在于：在所述步骤s4中，根据生成的关于商品偏好属性的概率由预设的商品库中筛选出合适的商品时，采用以下子步骤：
4.根据权利要求1所述的一种融合大语言模型的新型电商平台商品推荐框架，其特征在于：在所述步骤s3中，构建买家的个人画像信息时，采用以下步骤，获取该买家所有的对话信息，通过数据处理对该买家的年龄、性别、历史购买记录或者搜索记录进行提取，并存储为该买家的个人画像信息。
5.根据权利要求1所述的一种融合大语言模型的新型电商平台商品推荐框架，其特征在于：在所述步骤s3中，采用大语言模型根据当前买家的个人画像信息和对话信息生成对预设的若干个商品属性偏好的概率时，采用以下子步骤：
6.根据权利要求1所述的一种融合大语言模型的新型电商平台商品推荐框架，其特征在于：在所述步骤s5中，通过大语言模型结合买家的个人画像信息以及预设的商品卖点库为筛选出的商品生成推荐话术给买家时，采用以下子步骤：
7.根据权利要求1所述的一种融合大语言模型的新型电商平台商品推荐框架，其特征在于：大语言模型的训练采用以下步骤：
8.根据权利要求7所述的一种融合大语言模型的新型电商平台商品推荐框架，其特征在于：在所述步骤e1中，还包括以下步骤：
9.根据权利要求8所述的一种融合大语言模型的新型电商平台商品推荐框架，其特征在于：在所述步骤f1中，所述第一大语言模型设置为chatglm-6b，所述第二大语言模型设置为chatglm-130b。
10.根据权利要求7所述的一种融合大语言模型的新型电商平台商品推荐框架，其特征在于：在所述步骤e2中，采用生成训练集对大语言模型进行微调训练时，采用以下步骤：采用生成的推荐话术提示词和对应的推荐话术通过参数冻结的方法对大语言模型进行微调训练。
