1.基于用户行为大数据的电商智能推荐系统，其特征在于，包括数据采集存储单元（1）、数据预处理单元（2）、模型构建训练单元（3）以及推荐生成输出单元（4）；

所述数据采集存储单元（1）在电商平台各个页面部署埋点，所述埋点用于收集用户的行为数据以及用户的设备信息、地理位置以及访问时间，并将采集到的行为数据存储到分布式数据库中；

所述数据预处理单元（2）从分布式数据库中提取采集的行为数据并进行处理，再将用户的行为数据按照时间顺序排列，构建用户行为序列，其中每个序列包含多个行为节点，每个节点包含商品特征和行为特征，最后对商品特征和行为特征进行编码，将其转换为数值向量；

所述模型构建训练单元（3）引入长短期记忆网络作为核心模型，以预处理后得到的用户行为序列的编码向量作为输入，通过多层长短期记忆网络单元进行特征提取和学习，输出每个时间步的隐藏状态，并在隐藏状态上应用注意力机制，计算每个时间步的注意力权重，通过加权求和的方式得到最终的用户兴趣表示向量，最后定义状态、动作和奖励，采用深度Q网络作为强化学习算法，根据当前状态选择最优的推荐动作，并根据奖励信号更新模型参数；

所述模型构建训练单元（3）包括注意力机制模块（32），所述注意力机制模块（32）在隐藏状态上应用注意力机制时，采用多头注意力机制，具体计算方法如下：设定隐藏状态序列，从隐藏状态序列提取隐藏状态向量，并将隐藏状态向量通过线性变换映射到多个子空间，生成 个头的查询向量、键向量以及值向量；

对于每个头，计算注意力分数，并通过softmax函数得到注意力权重，再计算每个头的上下文向量，最后将 个头的上下文向量拼接并通过线性变换得到最终的注意力输出，所述推荐生成输出单元（4）根据用户的兴趣表示向量，从商品库中筛选出与用户兴趣相关的商品，形成候选商品集合，并输出推荐策略，对候选商品集合进行排序，确定推荐商品的顺序，最后将排序后的推荐商品列表展示给用户，同时记录用户对推荐结果的反馈，所述推荐生成输出单元（4）在对候选商品集合进行排序时，采用融合用户偏好和商品热度的排序算法，具体步骤如下：对于每个候选商品，计算其用户偏好得分，从用户行为数据中提取用户对该商品所属品类以及品牌的偏好程度，并通过加权求和得到用户偏好得分；

计算商品热度得分，通过统计该商品在一定时间内的浏览量以及购买量，按照预设权重进行汇总，最终根据用户偏好得分以及商品热度得分计算候选商品的排序得分；

收集用户对推荐结果的反馈，将这些反馈数据整理成结构化数据形式，并采用关联规则挖掘算法分析反馈数据，根据分析结果优化推荐系统各个单元。

2.根据权利要求1所述的基于用户行为大数据的电商智能推荐系统，其特征在于：所述数据采集存储单元（1）中，埋点收集用户行为数据时采用自适应采样策略，具体步骤如下：定义行为数据重要性指标集合，所述行为数据重要性指标分别为行为与购买转化的关联度、行为的稀有度以及行为的时效性，并为每个指标分配初始权重；

对于每个用户行为事件，根据行为数据重要性指标和其初始权重计算其重要性得分，并根据重要性得分设置动态采样率，通过动态采样率进行自适应采样，获取用户行为数据。

3.根据权利要求2所述的基于用户行为大数据的电商智能推荐系统，其特征在于：所述数据预处理单元（2）在构建用户行为序列时，处理长时间未操作导致的行为序列中断问题的具体方法如下：设定一个时间间隔阈值，当发现用户行为序列中相邻两个行为节点的时间间隔大于时间间隔阈值时，判定为序列中断；

对于中断的序列，采用序列填充策略，即分析中断前的行为特征，若前序行为集中在某一品类商品浏览，则从用户历史浏览的同类商品中选取几个，按照浏览概率插入到中断处，模拟用户后续行为。

4.根据权利要求3所述的基于用户行为大数据的电商智能推荐系统，其特征在于：所述数据预处理单元（2）在对商品特征和行为特征进行编码时，采用基于知识图谱的编码方法，具体步骤如下：构建电商领域知识图谱，节点包括商品、品牌、品类以及属性，边表示它们之间的关联关系，对于商品特征，根据知识图谱找到其对应的品类、品牌以及关键属性节点，将这些节点的嵌入向量进行拼接，作为商品特征的编码向量；

对于行为特征，通过one‑hot编码将其映射为对应的行为向量，然后与所在行为节点的商品特征编码向量进行融合，得到最终包含商品和行为信息的编码向量。

5.根据权利要求4所述的基于用户行为大数据的电商智能推荐系统，其特征在于：所述模型构建训练单元（3）包括提取学习模块（31），所述提取学习模块（31）中多层长短期记忆网络单元在进行特征提取和学习时，引入门控机制，具体操作如下：在长短期记忆网络的输入门、遗忘门和输出门基础上，增加一个自适应调节门，对于输入序列中的每个时间步，设定输入向量和前一时刻的隐藏状态，通过线性变换和sigmoid函数计算输入门、遗忘门以及输出门的输出；

其中，输出门用于控制有多少新信息可以进入细胞状态，遗忘门用于控制上一时刻细胞状态有多少信息需要被遗忘，输出门控制细胞状态有多少信息输出到当前隐藏状态，最后通过线性变换和双曲正切函数计算自适应调节门的输出，自适应调节门根据当前输入和前一状态动态调整特征提取。

6.根据权利要求1所述的基于用户行为大数据的电商智能推荐系统，其特征在于：所述模型构建训练单元（3）包括强化学习模块（33），所述强化学习模块（33）采用深度Q网络作为强化学习算法时，定义状态、动作和奖励的具体方法如下：状态由当前用户的兴趣表示向量、用户当前所在电商页面信息、用户历史行为统计特征组成；

从商品库中选取一定数量的商品作为推荐候选动作，每个动作对应一个候选商品集合；

若用户在看到推荐商品后在一定时间内进行了购买行为，给予正奖励，若用户点击了推荐商品进入详情页，给予二分之一正奖励，若用户未对推荐商品有任何反应，给予负奖励。