阅读说明：本技术 一种用于商店内消费者行为事件元数据聚合、数据验证及其用于数据解释的人工智能分析和相关动作触发的系统 (System for in-store consumer behavior event metadata aggregation, data verification and artificial intelligence analysis and related action triggering for data interpretation ) 是由 迪佩什·艾夫拉尼 肖恩·塔赫尼 卡尔·吉尼 于 2018-06-22 设计创作，主要内容包括：本发明提供一种用于商店内消费者行为事件元数据聚合、数据验证及其用于数据解释的人工智能分析和相关动作触发的系统。所述系统可以从多个消费电子设备收集商店内消费者行为事件元数据,然后使用经过训练的人工智能分析引擎来提供对这些消费者有用的各种人工智能洞察,所述人工智能洞察可进一步修改消费者行为。所述经过训练的人工智能分析引擎可以具有数据解释控制器,所述数据解释控制器被配置为智能地解释此类聚合的商店内消费者行为事件元数据,并相应地触发动作,所述动作随后以电子方式发送到所述消费者电子设备。所述数据解释控制器可以具有数据验证控制器,所述数据验证控制器被配置成根据可用性和其它元数据优化表示多个消费品的消费品元数据数据库的数据完整性。(The invention provides a system for in-store consumer behavior event metadata aggregation, data verification and artificial intelligence analysis for data interpretation and related action triggering thereof. The system can collect in-store consumer behavior event metadata from multiple consumer electronic devices and then use trained artificial intelligence analysis engines to provide various artificial intelligence insights useful to those consumers that can further modify consumer behavior. The trained artificial intelligence analysis engine can have a data interpretation controller configured to intelligently interpret such aggregated in-store consumer behavior event metadata and trigger an action accordingly, which is then electronically transmitted to the consumer electronic device. The data interpretation controller may have a data validation controller configured to optimize data integrity of a consumer product metadata database representing a plurality of consumer products as a function of availability and other metadata.)

一种用于商店内消费者行为事件元数据聚合、数据验证及其 用于数据解释的人工智能分析和相关动作触发的系统

技术领域

本发明一般涉及智能分析引擎，更具体地说，本发明涉及一种用于店内消费者行为事件元数据聚合、数据验证及其用于数据解释的人工智能分析和相关动作触发的系统，适用于现实世界中的商店内应用。

背景技术

消费者行为数据聚合分析和事件触发在网上司空见惯。例如，各种提供商利用跟踪技术(包括cookies的使用)跟踪包括消费者利益在内的消费者行为，在确定消费者利益之后，相应地向消费者提供有针对性的广告。

然而，此类系统并不容易适用于实际应用，例如用于店内消费者行为分析和消费者行为修改。

寻求在现实世界中部署此类分析引擎所涉及的问题包括消费品元数据完整性问题，因为不同商店的产品在可用性和定价方面差异很大。

此外，从现实世界中获取消费者行为元数据存在困难。

此外，现有技术的在线目标广告分析引擎通常只提供根据确定的用户兴趣从广告数据库中选择的目标广告。然而，对于能够做更多事情的系统来说，这将是理想的选择，包括生成对现实世界中的消费者有用的进一步人工智能洞察。

本发明寻求提供一种能够克服或实质上改善现有技术的至少一些缺陷的系统和相关方法，或者至少提供一种替代方案。

应当理解，如果在此提及任何现有技术信息，则所述提及不构成承认所述信息构成所属领域、澳大利亚或任何其它国家的共同常识的一部分。

发明内容

在下面的实施例中，提供了一种用于商店内消费者行为事件元数据聚合、数据验证及其用于数据解释的人工智能分析和相关动作触发的系统，其克服或至少改善现有技术系统的问题，或者至少提供了另一种选择。

下文将进一步详细说明，所述系统从多个消费者电子设备收集店内消费者行为事件元数据，然后使用经过培训的人工智能分析引擎，为这些消费者提供各种有用的人工智能见解，从而进一步修改消费者行为。

如下文将进一步详细描述的，经过训练的人工智能分析引擎具有数据解释控制器，其配置用于智能地解释此类聚合的店内消费者行为事件元数据，并相应地触发动作，然后以电子方式发送给消费者电子设备。

在实施例中，数据解释控制器包括数据验证控制器，数据验证控制器被配置成根据可用性和其它元数据(例如商店内位置、定价等)优化表示多个消费产品的消费产品元数据数据库的数据完整性。因此，数据验证控制器被配置为首先以一种方式构建相对准确的消费品元数据模型，以解决在现实世界中此类数据聚合的挑战，在现实世界中，一旦构建了此类相对准确的数据模型，所述系统还可以进行进一步的人工智能洞察。

在这方面，系统还可以包括智能产品建议功能，其中数据解释控制器包括产品建议控制器。

本系统使用经由多个消费电子设备的显示设备显示的购物清单图形用户界面(GUI)、购物清单GUI、配置成显示多个特定于消费者的消费品和清单格式，其中显示的每个消费品包括指示其购买的相关购买确认输入(复选框等)。

因此，通过使用这些特定于消费者的购物清单，特别是上面列出的消费品，产品建议控制器能够智能地建议供消费者考虑的产品。

在实施例中，产品建议控制器能够以智能方式建议产品类别内的特定产品，例如，可以从消费者特定参数确定，或者从其它消费者获得的店内消费者行为事件元数据的机器学习中获得。

此外，在实施例中，产品建议控制器能够建议看似不相关但可能与用户相关的产品，如通过机器学习算法执行的分析识别的产品。

此外，在实施例中，经过训练的人工智能分析引擎能够生成可能有助于消费者的智能消费产品信息通知。这种消费品信息通知可以进一步从机器学习算法中导出。

根据一个方面，提供了一种用于商店内消费者行为事件元数据聚合、数据验证及其人工智能分析的系统，用于数据解释和相关动作触发，所述系统包括：数据模型，所述数据模型具有：消费品元数据，所述消费品元数据至少包括：消费品ID元数据；以及消费品位置元数据，所述系统配置用于：接收来自多个消费电子设备的店内消费行为事件元数据，店内消费者行为事件元数据至少部分来自由每个消费者电子设备的显示设备显示的购物清单GUI，购物清单GUI包括消费者特定消费产品的清单和指示其购买的相关购买确认输入，输入在将消费者行为事件元数据商店内到经过训练的人工智能分析引擎中，人工智能分析引擎已使用机器学习算法进行训练，所述机器学习算法具有作为商店内消费者行为事件元数据训练数据的输入，并且其中机器学习算法至少按照利用从购买确认输入导出的购买确认数据，分析引擎包括：数据解释控制器，包括：数据验证数据解释控制器和动作触发控制器，动作触发控制器包括：数据验证动作控制器，其中，数据验证数据解释控制器被配置成根据商店内的消费者行为事件元数据识别数据验证机会匹配；并且使用数据验证动作控制器生成数据验证动作，根据商店内的消费者行为事件元数据配置的数据验证动作；向多个消费者电子设备中的至少一个发送数据验证动作电子通信；从至少一个购物者电子设备接收响应于数据验证动作电子通信的产品数据元数据响应数据；以及使用产品数据元数据响应数据更新消费品数据。

数据解释控制器还可以包括：产品建议数据解释控制器，其中动作触发控制器还可以包括：产品建议动作控制器，其中，在使用中：产品建议数据解释控制器可以被配置用于识别产品建议机会根据店内消费者行为事件元数据进行匹配；并且产品建议动作控制器可以被配置为生成和发送产品建议动作以供购物清单GUI显示。

产品建议动作可以包括产品建议的商店内位置数据。

店内位置数据可以指示过道编号和货架中的至少一个。

电子设备还可以包括用于感测商店内位置数据的传感器，其中商店内消费者行为事件元数据可以进一步包括商店内位置数据。

传感器可以包括近场通信传感器和蓝牙信标(BLE)传感器中的至少一个。

电子设备还可包括用于捕获产品图像的图像传感器，其中产品数据可从所述图像导出。

产品数据可以包括产品ID和产品定价数据中的至少一个。

数据解释控制器还可以包括：信息通知数据解释控制器；其中，动作触发控制器还可以包括：信息通知动作控制器，其中，使用中：信息通知数据解释控制器可以配置为根据商店内的消费者行为事件元数据来识别和信息通知机会匹配，并且信息通知动作控制器可以配置为向至少一个电子设备发送通知装置。

可以使用机器学习算法优化数据解释控制器。

可以使用机器学习算法优化动作触发控制器。

机器学习算法可被配置为根据从购物清单GUI导出的购买确认输入数据来优化产品建议控制器。

机器学习算法可以被配置成根据接收产品数据元数据响应数据的概率来优化数据验证数据解释控制器。

机器学习算法可以被配置为根据产品数据元数据响应数据的数据完整性来优化数据验证数据解释控制器。

机器学习算法可被配置为根据具有信息通知提示的消费者交互优化信息控制器。

消费品元数据可以包括至少一个产品类别。

产品数据元数据响应数据可以包括产品价格元数据。

商店内的消费者行为事件元数据可以包括图像数据，其中，机器学习算法可以被配置为优化用于图像数据的对象识别的产品建议动作控制器。

还公开了本发明的其它方面。

附图说明

尽管属于本发明范围内的可能有任何其它形式，但现在将仅通过示例，参考附图来描述本发明的优选实施例，其中：

图1为根据实施例的用于店内消费者行为事件元数据聚合、数据验证的计算机网络及其用于数据解释的人工智能分析和相关动作触发；

图2为根据实施例进一步详细说明图1的网络的服务器和电子设备的计算架构；

图3为根据实施例的服务器和电子设备的每个的示例性数据模型、控制器和接口模块表示；

图4为根据实施例的用于店内消费者行为事件元数据聚合、数据验证的检查前数据流及其用于数据解释的人工智能分析和相关动作触发；

图5为根据实施例的图2的系统的电子设备显示的示例性购物清单图形用户界面；

图6为根据实施例的图2系统的电子设备显示的示例性信息通知提示；且

图7为与系统的示范性个人行为互动。

具体实施方式

现在参看图1，示出了消费电子设备213的示例性网络100。可以看出，网络100包括多个消费电子设备213，每个消费电子设备213通过数据网络与分析引擎服务器222进行可操作通信。

消费电子设备213属于不同的消费者，并且可以位于不同的位置，包括那些可以由网络100根据虚拟地理围栏101分类的位置，在实施例中，网络100可以表示各种商店。

下文将进一步详细说明，消费者在商店内使用这样的消费电子设备213，使得网络100能够从这样的消费电子设备213接收商店内的消费者行为事件元数据，以便能够相应地执行本文描述的机器学习和人工智能分析。

现在参看图2，示出了根据一个实施例的计算机系统200，所述计算机系统200进一步详细地示出了网络100的分析引擎服务器222和消费电子设备213。

可以看到，分析引擎服务器222和消费电子设备213中的每一个可以采用具有用于处理数字数据的处理器209的计算设备的形式。

在实施例中，与具有分析引擎服务器222相反，系统200可利用分散的智能合约区块链平台(例如以太坊TM区块链平台)的分布式处理。

处理器209可以通过系统总线208与存储器设备223进行可操作通信。存储器设备223被配置成商店内包括计算机程序代码指令的数字数据。因此，在使用中，处理器209从存储器设备223获取这些计算机代码指令以执行，其中数据结果可以再次商店内在存储器设备223中。

为了便于说明，这些计算机代码指令被分为数据模型201、控制器202和接口203模块。

一般而言，数据模型201包括适用的数据商店内结构(例如关系数据库的表)和商店内在其中的数据。

此外，接口模块203控制各种用户接口GUI的各个方面。

此外，控制器202执行各种计算任务，包括接口203和数据模型201模块的接口。

存储器设备223还可以包括操作系统207，例如Linux内核，或者由处理器209在引导阶段检索的移动操作系统。在使用分散智能合约区块链平台的实施例中，存储器设备223可以商店内相关区块链分类账的全部或部分，包括本文描述的各种交易的数据。

每个计算机设备还可以包括I/O接口210，用于与各种计算机***设备(包括数据商店内、传感器和用户接口***设备)接口。

如关于消费电子设备213所示，I/O接口210可以与用于显示数字数据的数字显示器218接口。数字显示器218可以覆盖触觉传感器，以便能够确定用户界面手势。

I/O接口210可以进一步与GPS传感器216接口，以便能够确定消费电子设备213的位置，包括用于检测上述虚拟地理围栏101的破坏。

在另一实施例中，消费电子设备213可以包括其它传感器217，其中传感器可以包括用于从消费产品读取产品数据的传感器(例如营养信息和产品外观)，过道标签(例如产品位置和过道内产品类别的过道分组)、货架标签(例如店内零售商特定的产品代码/条形码、产品名称、货架价格、价格特殊状态、产品范围分组)、确定店内位置，例如利用特定通道的近场定位技术(例如近场通信(NFC)系统)等。

每个计算机设备还可以包括用于通过数据网络212发送和接收数据的网络接口211。

在实施例中，分析引擎服务器222是“在云中”的，并且可以采用物理机架式服务器的形式，或者可以采用虚拟化服务器实例的形式，例如可以由Amazon Web ServicesTM(AWS)实现。或者，如上所述，分析引擎服务器222可以采用智能合约区块链平台的形式，其中智能合约用于描述区块链用户之间的对等交易的条款，而无需集中式服务器。

此外，消费电子设备213可以采用小尺寸电子设备的形式，所述小尺寸电子设备包括适当的电子电路，用于收集本文所述的数据并通过数据网络212将其发送到分析引擎服务器222。

在实施例中，消费电子设备213可以采用移动通信设备的形式，例如智能手机设备，例如苹果iPhone和/或谷歌安卓设备等。在本实施例中，为了针对本文描述的特定计算过程配置移动通信设备，用户可以通过可下载的软件应用“app”将模块201、202和203下载到存储器设备223，例如，由消费者电子设备213从软件应用商店(例如Apple App Store^TM、Google Chrome App Store^TM或Firefox App Store^TM等)下载以供安装和执行。

现在参看图3，示出了分析引擎服务器222和消费电子设备213的每个的示例性数据模型201、控制器202和接口203表示。

如图所示，分析引擎服务器222控制器202训练的人工智能分析引擎可以包括数据解释控制器，其包括消费品建议控制器308、数据验证控制器313和信息控制器317。

数据解释控制器模块可以根据从多个消费电子设备213接收到的商店内的消费行为事件元数据324，识别来自数据模型201的各种匹配动作323。

然后，这些动作323可以经由分析引擎服务器222的接口模块203和相关联的消费者电子设备213传送给消费者。

具体地，消费电子设备213的接口模块203可以显示购物清单图形用户接口304(如图5所示)。

然而，信息可以以其它方式(例如通过警报接口310)显示在消费电子设备213上。

分析引擎服务器222的数据模型201可以包括消费品和购物元数据301。在实施例中，消费品和购物元数据301采用产品树的形式，如下面进一步详细描述的，所述产品树被连续地更新，以便考虑到不同商店之间的变化和产品信息可用性等。

在实施例中，产品树可以按照产品类别(例如“快速产品”、服务(例如牛奶、面包、糖、理发、电话屏幕修理、汽车调校等)的层次结构排列，并且在这些消费产品和服务类别中，特定消费产品，例如奶农牛奶、保罗牛奶，德文代尔奶油一全脂牛奶1Ltr，润滑油移动50000km服务2013雷诺科雷傲2.5L4CYL四轮驱动汽油机MPFI 2TRA DOHC 16V(08-16)等。

与产品树301中的产品相关联的产品数据307可以是表示各种元数据的产品数据307，例如产品定价、产品流行度、产品组元数据(例如产品多包编号、产品多买伙伴产品、产品多买价格、产品价格变动合作伙伴产品，营养信息、配方等)、产品购买激励、产品元数据准确性、产品元数据更新激励、产品位置，包括商店内位置和商店内位置数据(如通道号、货架号等)和其它适用的产品元数据。

此外，数据模型201可以包括表示使用系统200的各种消费者的用户数据312(例如人口统计数据、个人信息、个人偏好、与朋友的关系、家庭、用户提交的元数据等)。

相对于用户商店内的可以是购物清单316上述特定于消费者的购物清单316、事件324、动作323、产品数据307、产品树项目301、位置319和用户数据312。

购物清单数据316可以表示每个消费者购物清单中的各种消费品(包括配方成分清单、产品元数据更新激励清单(例如所需的价格确认、所需的条形码)，信息更新清单(例如，可能激励交换其它产品的评级等信息)以及其它数据，例如消费者是否购买过此类商品的指示、其它消费者从本地商店提交产品价格的确认状态，有价值的见解(包括消费者将清单上的商品交换到另一个产品或商店、被遗忘的和可能需要的不在购物清单上的商品、在消费者选择的商店内的商品位置、比已经在购物清单上的商品更能满足消费者需求的商品等)等，奖励消费者操作元数据更新事件等。

可以看出，消费电子设备213的数据模型201还可以包括数据模型201内的对应清单数据306。

因此，利用购物清单图形用户界面304，消费者电子设备213能够利用更新控制器305更新清单306。

分析引擎服务器222的数据模型201还可以包括用于训练机器学习算法322的训练数据321。在实施例中，训练数据321可以使用从多个消费电子设备213导出的店内消费行为训练数据，并且可以使用来自第三方源的数据，包括来自社交网络(例如Facebook)、统计数据服务(例如澳大利亚***)等的数据。

如图所示，每个产品建议，数据解释控制器的数据验证和信息通知控制器可以更新清单界面303，或者生成通过在多个消费电子产品的购物清单图形用户界面304或警报界面310上显示的警报来显示的通知309装置213。

消费电子设备213可以包括提示控制器311，所述提示控制器311被配置成根据相关动作生成电子提示，其中，在实施例中，特别是对于数据验证动作、信息通知动作和产品建议动作，用户可以通过由响应控制器318控制的响应接口314响应产品数据元数据响应数据，然后由分析引擎服务器222的接收器控制器320接收所述响应数据，以便使用产品树更新控制器302更新产品树301。此外，在实施例中，还可以存在配置用于更新其它购物信息的更新控制器，例如用户数据312、清单数据316、商店内数据等。

参看图4，示出了系统200的示例性数据流400。

如图所示，从多个消费电子设备213接收商店内的消费行为事件元数据425。

如上所述，店内消费者行为事件元数据425可以至少部分地来自由每个消费者电子设备213的显示设备显示的购物清单图形用户界面304(如图5所示)，还可包括指示消费者购买所展示的每种消费产品的购买确认数据。

如下文将进一步详细描述的，购物清单图形用户界面304还包括消费特定消费品的清单和指示购买的相关购买确认输入(复选框或其它类型的输入)。因此，使用这样的GUI，系统能够识别每个消费者的相关消费品，并且进一步确定每个列出的商品是否已被消费者购买，与相关产品相关的元数据(包括可用性，可能的当前价格，快速产品等)在消费者选择的商店中，用户元数据(包括基于相关产品和购物事件的时间性的消费者细分和与事件相关的元数据收集动作的激励阈值)、商店元数据(包括完成购物的可能努力等)和事件与相关的元数据(包括产品、商店、清单、用户、评论、价格、可用性等的元数据更新激励)。

还可以从每个电子设备接收附加信息，例如经由GPS传感器216接收的位置数据。

此外，可以使用其它类型的传感器217从每个消费电子设备213接收其它信息。

例如，消费者电子设备213可以包括图像传感器，例如，允许消费者捕获产品的图像数据，以便允许系统200识别产品，例如根据产品的各种视觉特征，包括读取上面提供的条形码(包括将产品图像读入经过训练的人工智能对象识别引擎)。

或者，与捕获产品的图像数据相反，可以捕获定价数据，例如通过使用传感器217捕获价格标签显示的相邻产品的图像。

或者，与捕捉产品的图像数据相反，可以捕捉活动水平、美感、舒适性等，例如通过使用传感器217捕捉商店前面、附近商店或停车场的图像。

或者，与捕获产品的图像数据相反，可以捕获购买证明、店内出席等，例如通过使用传感器217捕获二维码的图像。

或者，与捕获产品的图像数据相反，定价信息(价格、单价、特价、折扣率、产品、购买凭证)、清单信息(包括购买的产品、商店内元数据、购买总价、购买方法、注册号、注册助理详细信息，商店内管理器详细信息、购买量、购买量、产品收据别名、税务状态等)可以被捕捉，例如通过使用传感器217捕捉购买收据的图像。

在进一步的实施例中，传感器217被配置用于确定店内消费者的位置，具体地说是向下到过道的分辨率(包括过道编号、过道分组和附近的产品等)以及在进一步的实施例中，货架分辨率。

例如，在商店内，可以在各种过道或货架中提供多个近场通信标签，然后由传感器217扫描这些标签，以确定消费者电子设备213在商店内的位置。

或者，可以使用蓝牙信标技术，其中传感器217利用接收到的信号强度测量来确定消费者电子设备213相对于商店内的一个或多个蓝牙信标的位置。

在实施例中，并且如图5中所暗示的，这种商店内位置数据可以从用户输入中导出，包括对于不具有这种传感器217的消费电子设备213。

如图所示，事件元数据402来自店内消费者行为事件元数据425。

此类事件元数据402可以表示各种消费者事件，例如购买产品、进入商店(由虚拟地理围栏101的向内突破确定)、返回消费者家(由虚拟地理围栏101的向外突破确定)、快速选择产品，产品优化、到家(内部突破假定的“家”位置地理围栏)、接受激励(如元数据更新、信息激励等)、赎回激励和其它消费者活动。

如图所示，事件元数据402可以包括指示消费者行为事件类型的事件类型元数据403和指示事件位置的位置元数据404。

消费者行为事件和位置元数据404可以从GPS传感器216导出，并且在实施例中，可以由系统200用于确定消费者当前在哪个商店内，以及商店外事件的重要位置(包括家庭、工作、通勤开始和结束等)。重要事件的位置可以通过人工智能模型来确定，人工智能模型被训练来识别最理想的位置(通知、建议、激励等)。模型不仅考虑了当前用户的位置，还考虑了当时网络中其它用户的其它位置和属性。

事件元数据402还可以包括更高分辨率的商店内位置数据405，所述商店内位置数据405表示用户在商店内的位置，例如特定的通道、货架等。

事件元数据402还可以包括清单元数据407，所述清单元数据407可以包括特定于消费者的购物清单，所述购物清单包括包括指示消费者购买其购物的元数据的关联元数据。

此外，事件元数据402还可以包括产品元数据408，所述产品元数据408是适用于各种消费产品的元数据。此类产品元数据408可以表示产品价格、产品位置、产品可用性或其它适用的产品元数据。

如图所示，事件元数据402被馈送到经过训练的人工智能分析引擎413中。

作为输入这样的数据，经过训练的人工智能分析引擎413被配置成生成智能人工智能洞察423，然后可以将其传送回网络213的相关电子设备。此类洞察是指在购物过程中可能对消费者网络有用的任何智能数据和/或通知。

具体地，训练的人工智能分析引擎413可以包括数据解释控制器414。数据解释控制器414解释事件元数据402，以便能够匹配用于生成相关动作的各种机会。

具体地，如图所示，经过训练的人工智能分析引擎413可以包括动作触发控制器418。

因此，对于由数据解释控制器414利用聚合事件元数据402识别的任何潜在匹配机会，经训练的人工智能分析引擎413能够利用动作触发控制器418触发关联的和适用的动作。

如上所示，并且如上所述，数据解释控制器414可以包括产品建议控制器308，所述产品建议控制器308被配置为智能地建议各种消费品。可根据消费者特定参数(包括人口统计、先前购买行为)和其它消费者特定参数(如其它消费者的消费行为习惯)来建议此类消费产品。

数据解释控制器414还可以包括数据验证控制器313，数据验证控制器313被配置用于识别用于增强消费品元数据301、清单元数据、商店内元数据等的完整性的机会。

例如，如果特定消费品的价格是“软的”(即，被识别为潜在不可靠的)，则数据验证控制器313能够识别，以便从数据验证动作控制器420生成相关的数据验证动作，所述数据验证动作控制器420可被传送到相关的电子设备网络设备213由消费者验证，例如，由消费者验证价格、添加条形码、验证过道、验证商店有多忙、验证产品质量等。

数据解释控制器414还可以包括信息控制器317，所述信息控制器317被配置成从信息通知动作控制器421生成各种信息通知动作，所述信息通知动作控制器421通常可以通过推送的方式被传送到网络213的相关电子设备通知、其它GUI警报(例如newsfeed项、比较屏幕上的升级项)、电子邮件等。

如数据流400中所示，这样的众包聚合事件元数据402可以被馈送到机器学习算法322中。

在实施例中，机器学习算法322可以包括优化器，其被配置为优化数据解释控制器414的每个模块。具体地，如图所示，机器学习算法322可以包括用于生成用于优化产品建议控制器308的训练数据422的产品建议模型优化器410。类似地，机器学习算法322可以包括用于优化各自的数据验证控制器313和信息控制器317的数据验证模型优化器411和信息通知模型优化器412。

产品建议模型优化程序410可以配置为优化建议产品的购买。数据验证模型优化器411可以被配置为优化网络范围元数据的准确性和接收到消费者反馈的可能性或概率，或者可选地优化接收到反馈的完整性。

信息通知模型优化器412可被配置为根据对此类通知的接受来优化通知，例如，如图6所示的对通知601的接受。

举例来说，机器学习算法322可以使用递归神经网络(RNN)模型，对聚合事件元数据402进行训练，并且可以识别特定产品建议被消费者购买的频率高于另一产品建议(从购物清单图形用户界面304确定)，因此可以相应地偏向产品建议。

应当注意，机器学习算法322可以进一步被配置为优化动作触发控制器418，以便优化相关动作的触发。

举一个例子，机器学习算法322可以确定，如果在消费者电子设备213进入适用商店的虚拟地理围栏101之前提出了所述产品建议，则所述产品建议被消费者购买的可能性更大，并且因此可以相应地优化动作触发控制器418。

作为另一示例，机器学习算法322可以识别出，如果在虚拟地理围栏101向内突破之前建议女性购买产品，则女性更可能购买产品，而男性则更可能仅在商店中建议时购买产品(即，一旦消费电子设备213已经违反了适用商店的虚拟地理围栏101)，因此可以相应地优化动作触发控制器418。

在实施例中，训练的人工智能分析引擎413可以采用人工神经网络的形式，因此训练的数据422可以表示神经网络的每个节点的优化权重。

现在参看图5，示出了由消费电子设备213显示的示例性图形用户界面500。

如图所示，购物清单包括多种快餐产品，如牛奶、意大利面和面包，此外还有一种特殊产品，即高露洁敏感牙膏。

用户可以通过输入这样的项目来配置这样的清单。在一个实施例中，作为用户类型，接口500使用文本预测来建议来自产品树301的产品。在进一步的实施例中，所述清单可以填充先前购买、经常购买或预测消费者使用AI洞察需要的消费品(作为来自先前事件的建议动作，由所述用户或甚至网络中的其它用户)。在进一步的实施例中，网页数据的文本(整个网页或由用户选择的文本等)可以根据产品参考清单进行解析，或者可以进行智能分析，以便在接口500上覆盖控制(包括用于产品建议501(产品添加、产品比较、产品搜索和新产品例如)，还有数据验证提示503(提交产品评论(包括在网络上发送给社交网络上的朋友)。

现在，如图所示，接口500包括由产品建议控制器308和产品建议动作控制器419生成的产品建议501，以及由数据验证控制器313和数据验证动作控制器420生成的数据验证提示503。

具体地说，对于牛奶速溶产品，购物清单界面501生成产品建议，其中，例如，在此速溶产品类别中的特定和智能建议产品被建议，例如奶农牛奶和保罗牛奶。

额外的人工智能洞察可能与此相关，包括位置和定价洞察，其中，例如，可以看到，对于建议的奶农牛奶，显示了商店的特定位置(第三通道和从顶部起的第二个货架)，对于保罗牛奶，事实上保罗牛奶目前店内最便宜。

然而，如图所示，由于价格较低，产品建议可能会建议将产品放在另一个位置。如图所示，产品建议501还包括对科尔斯牛奶的建议，所述建议仅需1美元，但需要步行250米到另一个地点。

对于如图所示的意大利面快速产品，产品建议501可以进一步智能地推荐特定类型的意大利面。如上所述，所建议的意大利面类型可以由经过训练的人工智能分析引擎413以智能方式生成，以便优化以供消费者购买。例如，特定类型的消费产品可以来自特定于消费者的元数据，例如，其中，为特定消费者建议无麸质意大利面。

或者，可以根据对从其它消费者(包括类似消费者和其它参数)接收的事件元数据402的分析来建议所建议的特定类型的意大利面。

如图所示，产品建议501还可以智能地建议相关的项目，例如面酱，其中机器学习算法322考虑到消费者经常一起购买这些类型的产品，而它们可能属于不同的产品类别。

使用经过训练的人工智能分析引擎413可以进一步生成不直观的人工智能洞察，其中，例如，对于面包快的产品，接口500可以建议擦鞋。虽然这看起来不太直观，但实际上鞋油可能与用户非常相关。

如图所示，接口500显示数据验证提示503，其中，如上所述，数据验证控制器313被识别为增强产品数据307的完整性的机会。

如图所示，对于高露洁敏感牙膏，数据验证提示503询问用户价格是否实际为2.99美元，此外，是否实际在第3通道。如图所示，如果是，用户可以选中复选框，或者输入正确的金额。

在进一步的实施例中，系统200可以被配置为对消费者购买收据执行OCR分析，以便能够相应地收集适当的产品数据307，包括价格数据。

如图所示，接口500包括OCR收据按钮504，用户在使用消费电子设备213的图像传感器217拍摄购买收据的图像时可以使用所述按钮504。

对于购物清单界面500上的每个消费品，用户能够使用相关的购买确认输入(复选框等)来指示产品是否已经购买。

因此，通过利用来自购买确认输入的这种购买行为反馈，机器学习算法322还能够相应地训练人工智能分析引擎413。

使用经过训练的人工智能分析引擎413可进一步生成反欺诈人工智能洞察，其中，例如，用户可能恶意提交不正确的价格更新或其购买的欺诈性照片证明，以向品牌索取报酬。

训练的人工智能分析引擎413可以被配置成通过使用一类支持向量机(SVM)或一类神经网络模型来识别异常。数据验证控制器313不仅可以与购买行为相关，而且还可以与购买前行为相关，例如物品何时何地被添加到清单中，以及用户对于此类更新和索赔的过去历史，数据验证控制器313可以识别异常和不规则行为。这将从数据验证动作控制器420生成相关联的数据验证动作，所述数据验证动作控制器420可被传送到用户的电子设备以要求用户进一步证明购买了所述物品(例如，在家扫描条形码)。

例如，某个品牌可能希望了解其产品在某个特定的本地超市货架、过道上的当前商店内状况，以确保其产品的位置正确，或货架上的存货充足且正确。当用户在本地超市购物时，数据验证控制器313可以从用户对商店中的其它项目的购买确认输入(例如通过复选框用户界面输入等)和其它当前应用行为(例如向内突破地理围栏周界)来预测用户可以与品牌需要当前店内条件信息的产品处于同一通道。因此，动作触发控制器418可以使用数据验证动作控制器420生成关联的数据验证动作，所述数据验证动作控制器420可以被传送到用户的电子设备，以提示用户为品牌拍摄架子的照片，也许是为了奖励。

例如，用户可以提交新的产品描述。经过训练的人工智能分析引擎413可以被配置成为“快速产品”生成智能人工智能类别，例如通过使用多类决策森林或多类神经网络模型。这将从数据验证动作控制器420生成相关的数据验证动作，所述数据验证动作控制器420随后可被传送到网络213的相关电子设备，以便这些用户能够验证和验证所建议的分类

现在参看图6，示出了由信息控制器317生成的信息通知601。

可以看出，通知601已经确定了消费者电子设备213的位置，提醒用户接近智能产品建议，并且进一步显示关于所述建议产品的确定价格的信息。

通过使用按钮输入，用户可以启动导航界面来导航到产品，或者取消警报。

现在将提供各种示例性实施例以进一步说明系统200的功能。应当注意，这些实施例仅是示例性的，并且不必相应地将任何技术限制归因于所有实施例。

第一个示例，用户使用购物清单GUI 500选择快速产品。

作为响应，产品建议控制器308智能地建议与快速产品相关的特定产品。此外，如果数据验证控制器313将与快速产品相关联的任何产品元数据标识为不可靠(“软”)，则数据验证控制器313可以从数据验证动作控制器420触发数据验证动作，以寻求相应地收集进一步的产品元数据。

此外，信息控制器317可以相应地识别与快速产品和通知动作相关的信息。

如上所述，机器学习算法322可以训练数据解释控制器414和/或动作触发控制器418，以优化消费者接受或以其它方式与建议的产品交互的可能性、数据验证请求和/或信息通知。

在另一个示例中，系统200通过确定消费电子设备213的位置来确定消费电子设备213已经向内突破了围绕商店的虚拟地理围栏101的周界。因此，系统200能够推断用户可能要购物。

在识别了这样的可能事件之后，数据解释控制器414可以实现来自动作触发控制器418的任何潜在匹配动作。

此外，各种相关数据可以响应于这样的事件而更新，例如，系统200能够从适当的商店内检索产品数据、产品特价品等。此外，系统200可以分析与同一区域内的其它消费者相关联的最近的或实质性的实时事件元数据402。因此，数据解释控制器414可以使用这些更新的信息来操作。

在另一个实施例中，用户使用购买确认输入(如图5所示的复选框输入)来确认产品的购买或选择(例如，通过从商店提升产品并将其放置在手推车或篮子中)。

因此，从所指示的特定产品，系统200能够推断其它信息，例如消费者的店内位置，例如现在到走道的分辨率。因此，产品建议控制器308能够在相同的店内位置建议其它产品，例如相同或相邻过道内的其它产品。

此外，在接收到此类产品的取货确认之后，产品建议控制器308可以因此不推荐相同或类似的产品。

此外，购物清单接口500可以建议下一个产品根据邻近情况进行挑选。

可以从消费者与购物清单GUI 500的交互中收集其它信息，例如完成商店所花费的时间，例如来自购物清单接口500的第一个和最后一个项目文本之间的时间戳。

此外，可以利用使用接口500的消费者的交互的频率或数量来推断特定商店的繁忙程度，以便允许经过训练的人工智能分析引擎413可能建议在另一时间或地点购物。还可以通过信息通知提示从用户收集此类信息，其中提示询问用户商店内的当前繁忙状态或其它商店内信息。

在进一步的例子中，利用数据验证提示503，用户提交商店内消费品的价格。

因此，数据验证控制器313可以确定消费者愿意提供这种反馈，并且因此可以增加后续请求的频率。

此外，在这种情况下，对于特定产品，数据验证控制器313可以请求与相关消费产品相关的信息，例如同一通道内的其它消费产品。

在另一示例中，系统200检测消费者电子设备213指示消费者已离开商店内位置的虚拟地理围栏101的外部突破。因此，系统200能够推断用户已经完成购物。

因此，在实施例中，产品建议控制器308可以在商店位置附近的其它位置建议消费者可能需要的消费产品，例如，从相邻的新闻机构推荐报纸。

此外，可以分析事件元数据402以识别消费者与商店位置之间的相关性，例如通过分析参数内的消费者数量以及完成购物旅行所花费的时间来估计停车的容易程度。

在另一个例子中，系统200可以检测到表示用户已经返回家园的家庭虚拟地理围栏101的向内突破。因此，系统200能够推断出用户可能要对所购买的消费品进行拆包。

因此，在解包过程中，数据验证控制器313可以从数据验证动作控制器420向用户提示数据验证动作，以提供与所购买的各种产品相关的元数据。

此外，数据验证控制器313可以在购物收据上接收OCR数据，以便能够从中确定产品元数据，例如通过关键字匹配行项目和识别相关的定价信息(价格、单价、特价、折扣率、产品、购买证明)，清单信息(包括购买的产品、商店元数据、购买总价、购买方式、注册号、注册服务员详细信息、商店经理详细信息、购买量、购买数量、产品收据别名、纳税状况等)

此外，数据验证控制器313可以接收与购物相关的文档(包括产品包装标签、过道标签、货架标签/票据等)的OCR数据，以便能够从中确定购物元数据(包括产品、过道、货架等)，例如通过关键字匹配字符和识别相关的购物信息(包括营养信息、评级、产品位置、过道内产品类别的过道分组、店内零售商特定的产品代码/条形码、产品名称、货架价格、价格特殊状态、产品范围分组等)。

此外，对于具有特别需要购买所述产品的关联商店的任何消费产品，信息控制器317可以从所述产品的信息通知操作控制器421向用户提示信息通知操作，其中，例如，提示可以通知用户，如果用户要拍摄特定产品的图像，则用户有资格针对未来的购物旅行申请信用奖励。

现在参看图7，示出了说明系统200的特性和功能的示例性用户情形700。应当注意，场景700仅是示例性的，并且不必相应地将技术限制归因于系统200的所有实施例。此外，在示例性场景700中，店内消费者行为事件元数据425显示为圆，来自数据验证动作控制器420的数据验证动作显示为平行四边形，来自信息通知动作控制器421的信息通知动作显示为矩形，来自产品建议动作控制器419的产品建议操作表示为省略号，对数据模型201的数据更新显示为六边形。

现在，场景700从步骤712开始，其中用户A在家中向本地商店1的购物清单中添加“HP Sauce 120g”，而无价格或条形码。此后，事件712可导致系统200从数据验证控制器313触发一系列数据验证动作，所述数据验证控制器313包括第一动作713，其中系统200向其它消费电子设备213发送数据验证请求713，以向最近购买相同产品的用户请求价格。或者，或者另外，动作714可以被发送到其它消费电子设备213，以向最近购买了相同产品的其它用户请求条形码。

在接收到数据验证动作713、714时，用户B的电子设备可生成事件716，其中用户B在家时使用其购物收据上的价格条目的照片来更新商品的价格。因此，事件716可进一步导致系统200执行数据更新717以使用所提供的定价信息更新项目的价格，但设置表示价格是“未确认”的标志。此外，系统200随后可以发起数据验证动作718以生成数据验证动作以请求来自其它用户的其它电子装置的定价确认，例如，确认其购物收据上的价格条目的照片与来自数据验证动作713的产品和价格匹配。

此外，在用户A已经执行了产品添加事件712(通过键入与产品匹配的搜索词、通过捕获产品包的图像、通过扫描条形码等)的情况下，系统200可以生成AI生成的产品建议动作711，例如，建议用户A将补充项目类别“烤箱烘焙薯片”添加到购物清单中，从购物清单中，系统200已学习使用通常与“HP Sauce 120g”相关联的机器学习算法322。

事件712可进一步导致系统200针对用户C的消费电子设备213发起价格请求数据验证动作715，因为系统200已确定用户C可能在不久的将来在商店内1内或在同一通道内。这种预测可以由机器学习算法322生成，机器学习算法322在各种事件元数据402(包括消费者行为事件和位置元数据404)上进行训练。

在接收到价格请求数据验证动作715时，用户C的电子设备可生成事件701，其中用户C将商店内区1中的价格从例如$1更新到$1.30，并捕获货架价格标签或票据的图像。作为响应，系统200执行数据更新702以更新商店中的价格，并且如果适用，更新同一零售商的相关商店的相应价格(价格协调)。

此外，数据验证控制器313可以从数据验证动作控制器420生成数据验证动作，并向另一用户D的消费电子设备213发送验证请求703以确认价格。当用户D确认货架价格与拍摄的照片匹配时，系统200执行价格确认更新705。

此外，响应于事件701，系统200可以发起产品建议706，以通知系统的所有其它用户在其相关联的购物清单上具有“棕色酱汁”(即项目类别)，例如120g HP酱汁以1.30美元特价出售。在这方面，可以将信息通知动作707发送到其它电子装置。

系统200可进一步生成另一产品建议708，以通知在其购物清单上具有“HP Sauce120g”的所有其它用户所述商品在1号店特价1.30美元。应当注意，通过用户C在事件701更新价格，系统200可以通过检查相关元数据，将最初由原始用户添加的项目的新价格通知原始用户，即使原始用户没有特别要求价格更新。

价格更新事件701还可以包括发送信息通知动作709，所述通知动作709通知可以在商店1购物的用户，在商店中当前存在至少一个活动的其它用户(对于诸如价格检查请求之类的事情，其它用户可能感兴趣，可用性请求等)。当用户E接收到信息通知动作709时，电子设备230可生成事件719，其中用户E希望知道商店1中拥抱尿布的价格，并且提供交易用户C 50点以查明。作为响应，系统200可以生成数据验证动作720以向用户C的消费电子设备213发送通知。

事件701可进一步触发另一产品建议710，所述建议710通知在2号店的购物清单上有“HP Sauce 120g”的用户，鉴于2号店由同一零售商经营，所述商品可能还特价1.30美元。

为了便于解释，上述描述使用了特定的术语来提供对本发明的透彻理解。然而，所属领域的技术人员将清楚地看到，为了实施本发明，不需要特定的细节。因此，为了说明和描述的目的，呈现本发明的特定实施例的前述描述。它们并非旨在详尽无遗或将本发明局限于所公开的精确形式；显然，鉴于上述教导，许多修改和变化是可能的。选择和描述这些实施例是为了最好地解释本发明的原理及其实际应用，从而使所属领域的其它技术人员能够最好地利用本发明和具有适合于预期的特定用途的各种修改的各种实施例。以下权利要求及其等效者限定了本发明的范围。