本技术涉及专门适用于商业的数据处理系统，尤其涉及一种商品展示方法及装置。
背景技术：
1、随着旅游业的快速发展，在景区内设置一些商品自助柜展示并售卖商品是一种有效的营销手段。
2、尽管现有的推荐系统能够根据顾客的历史购买行为和偏好设置提供一定程度的个性化服务，但传统的商品推荐系统往往采用统一的推荐策略，这些系统往往难以准确捕捉到顾客的即时需求和行为模式的变化。
3、因此现有技术仍然存在一些问题，导致难以准确的满足顾客的需求。
技术实现思路
1、为了解决上述技术问题或者至少部分地解决上述技术问题，本技术提供了一种商品展示方法及装置，能够更准确的满足顾客的需求。
2、第一方面，本技术提供了一种商品展示方法，所述商品展示方法包括：
3、获取旅客上次使用商品自助柜和本次使用商品自助柜之间的时间间隔；
4、获取旅客使用商品自助柜的路径集合，所述路径集合包括旅客当前使用商品自助柜和之前使用过的商品自助柜的标识和相邻两次自助柜之间的距离；
5、在旅客使用商品自助柜时向其提供饮用水瓶，在旅客再次使用商品自助柜时，回收旅客的饮用水瓶，以获取两次使用商品自助柜时的饮用水瓶的重量差；
6、将旅客每次使用商品自助柜的时间间隔、旅客使用商品自助柜的路径集合和每次使用商品自助柜的饮用水瓶的重量差进行拼接以获取得到旅客行为特征矩阵；
7、将旅客行为特征矩阵输入需求分析模型以生成旅客的需求商品，根据所述旅客的需求商品，商品自助柜向旅客优先展示旅客需求的商品。
8、可选的，所述路径集合通过以下步骤获得：
9、获取旅客过去使用过的商品自助柜的标识，并按使用的时间先后进行排序获得第一矩阵；
10、从预先配置好的商品自助柜距离关系矩阵查找得到相邻的商品自助柜的距离，在第一矩阵中的两个商品自助柜标识之间插入相邻的商品自助柜的距离以得到所述路径集合。
11、可选的，输入需求分析模型通过以下步骤获得：
12、分别获取每个商品自助柜的自身的历史数据以生成每个商品自助柜的训练集；
13、分别根据每个商品自助柜的训练集，采用卷积神经网络作为网络框架，以此分别训练得到每个商品自助柜的需求分析子模型；
14、分别获取每个商品自助柜的需求分析子模型中最末端的全连接层的输入节点和输出节点的权重梯度；
15、使用预设的商品自助柜代表提取函数对所有商品自助柜的权重梯度进行整合，以得到每个商品自助柜的代表信息；
16、使用预设的全局信息获取函数根据所有商品自助柜的代表信息进行处理以得到全局商品自助柜的代表信息；
17、计算每个商品自助柜的代表信息和全局商品自助柜的代表信息的余弦相似度；
18、根据所述余弦相似度通过k-means聚类算法对每个商品自助柜进行分组以得到多个商品自助柜组；
19、获取旅客在过去的预设滑动时间窗口内使用过的自助柜，获取这些自助柜对应的商品自助柜组，获取出现次数最多的商品自助柜组作为需求分析专家组；
20、需求分析模型包括所述需求分析专家组的需求分析子模型。
21、可选的，所述需求分析子模型的输出层的前一层为全连接层；
22、所述商品自助柜代表提取函数为：
23、
24、其中，为全连接层的每个神经元与输出层的神经元的连接权重的梯度，其中ωk为第k个商品自助柜的代表信息。
25、可选的，所述全局信息获取函数为：
26、
27、其中，m为全部商品自助柜的训练集的数据总数，nk为第k个商品自助柜的训练集的数据总数，p是一个判断函数，当判断函数内的取值为真时，p取值为1，当判断函数内得到取值为假时，p取值为0，k为所有商品自助柜的总数，g为全局商品自助柜的代表信息。
28、可选的，分别获取每个商品自助柜的自身的历史数据以生成每个商品自助柜的训练集，包括以下步骤：
29、获取每个商品自助柜自身的历史数据，所述历史数据包括：
30、每个旅客行为特征行为矩阵和其对应选择的商品；
31、将每个旅客行为特征行为矩阵和其对应选择的商品形成一个数据元组，对每个商品自助柜收集多组所述数据元组形成每个商品自助柜的训练集；
32、分别根据每个商品自助柜的训练集，采用卷积神经网络作为网络框架，以此分别训练得到每个商品自助柜的需求分析子模型，包括以下步骤：
33、将旅客行为特征行为矩阵作为输入，旅客对应选择的商品作为标签，采用卷积神经网络作为网络框架，对该卷积神经网络进行训练后得到商品自助柜的需求分析子模型。
34、可选的，所述商品展示方法还包括：
35、当前商品自助柜的需求分析子模型还会根据旅客的选择进行更新；在每个商品自助柜的需求分析子模型更新后，商品自助柜组也会进行更新；
36、获取当前商品自助柜至景区终点的所有游玩路线；
37、从所有游玩路线中选择出包含需求分析专家组的商品自助柜数量最多的路线作为推荐路线；
38、将所述推荐路线展示给旅客。
39、可选的，当前商品自助柜的需求分析子模型还会根据旅客的选择进行更新包括：
40、使用一个全连接层以及一个输出层替换当前商品自助柜的需求分析子模型的输出层以形成当前商品自助柜的待学习需求分析子模型；
41、根据预设时间段内收集到的旅客类型和其选择的商品对所述待学习需求分析子模型进行训练，以获得新的当前商品自助柜的需求分析子模型。
42、第二方面，本技术提供了一种商品展示装置，所述商品展示装置包括计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如第一方面任一所述的商品展示方法。
43、本技术提供的技术方案与现有技术相比具有如下优点：
44、其一，该技术方案根据旅客的旅客行为特征矩阵可以推算出旅客选择观光路线和出行方式（如步行或乘坐观光车）所隐含的商品需求，从而动态地调整商品展示策略，针对性地展示旅客可能急需的商品。例如步行旅客可能更需要干纸巾和便携风扇，而乘坐观光车的旅客可能更需要湿纸巾或防晒产品。
45、其二，对于旅游景区而言，一般会推出多条旅行的路线，但是只有少数的人会选择其中的若干条非主流路线，大多数人都会沿着主流路线在旅游景区内观光。如果直接将所有的数据拼合在一起训练出一个推荐模型对所有的人进行商品推荐的话，就会导致选择非主流路线的数据量相对于主流路线的数据量过于的少，训练后的推荐模型不能准确的预测非主流路线中的商品需求。
46、该技术方案通过将自助柜分组实现细分的推荐系统。能够满足那些非主流路线上用户的特殊需求。分组操作使得推荐系统能够更好地理解和预测这部分用户的行为和偏好，因为模型是在更加细分和特定的数据集上训练的，相较于一个大型、一体化的推荐系统，这种细分的方法能够提供更为精确的推荐，从而更有效地满足用户需求并优化资源分配。在这种策略下，即使是走非主流路线的旅客也能获得个性化的商品推荐。
47、其三，该技术方案能够有效适应季节变化导致推荐旅行路线的动态变化，进而向旅客推荐更适合的旅行路线。
48、该技术方案通过定期更新每个商品自助柜的推荐商品来监测不同偏好旅客选择的旅行路线变化，从而实现对相同偏好的旅客推荐更适合的旅行路线。这种做法之所以能产生有益效果，是因为不同的商品自助柜组实际上就代表了不同偏好旅客所选择的路线。
49、通过每隔一段时间更新每一个商品自助柜的需求分析子模型，同时更新每个商品自助柜属于哪个商品自助柜组。
50、通过商品自助柜组的变化就可以获知不同偏好的旅客在这期间其选择的路线出现了何种变化，从而向相同偏好的旅客推荐变化后的旅行路线。
51、因此本技术方案实现了系统跟踪和反应到旅客偏好及其随时间（如季节变化）的变化。通过分析不同旅客群体的行为模式，系统能够精准地识别出流行趋势和新兴的旅行路线，确保推荐的路线既符合旅客当前的兴趣偏好，也适应于当前的环境条件和景点特性。
1.商品展示方法，其特征在于，所述商品展示方法包括：
2.根据权利要求1所述的商品展示方法，其特征在于，所述路径集合通过以下步骤获得：
3.根据权利要求1所述的商品展示方法，其特征在于，输入需求分析模型通过以下步骤获得：
4.根据权利要求3所述的商品展示方法，其特征在于，所述需求分析子模型的输出层的前一层为全连接层；
5.根据权利要求3所述的商品展示方法，其特征在于，所述全局信息获取函数为：
6.根据权利要求3所述的商品展示方法，其特征在于，分别获取每个商品自助柜的自身的历史数据以生成每个商品自助柜的训练集，包括以下步骤：
7.根据权利要求3所述的商品展示方法，其特征在于，所述商品展示方法还包括：
8.根据权利要求7所述的商品展示方法，其特征在于，当前商品自助柜的需求分析子模型还会根据旅客的选择进行更新包括：
9.商品展示装置，其特征在于，所述商品展示装置包括计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1-8任一所述的商品展示方法。
