1.基于边缘计算的电商直播实时互动质量评估系统，其特征在于，包括多模态交互数据采集模块：通过分布式边缘计算节点集群，实时采集直播流的多模态交互数据，并构建多维质量特征向量，其中，多模态交互数据包括视频编码参数、音频质量指标、用户交互行为数据和网络传输状态数据；

互动质量分析模块：利用边缘节点内置的轻量化时空注意力神经网络模型，对多模态交互数据进行实时融合分析，生成实时互动质量评估指标；

评估策略生成模块：采用深度强化学习网络的生成器模型结合实时互动质量评估指标与历史优化策略生成质量优化方案，判别器模型根据用户终端反馈信息评估质量优化方案的有效性；

动态调整策略模块：通过自适应模糊推理系统对质量优化方案进行实时修正，结合当前网络带宽波动和终端设备资源状态对深度强化学习网络生成的质量优化方案进行动态参数调整；

反馈执行模块：基于动态参数调整后执行的质量优化方案，结合边缘节点的分布式决策机制，对视频编码参数、传输协议和资源分配策略进行协同优化，以动态控制直播质量，边缘计算节点再对电商直播质量进行实时评估，并将评估结果反馈给直播平台和商家。

2.根据权利要求1所述的基于边缘计算的电商直播实时互动质量评估系统，其特征在于，所述多模态交互数据采集模块，包括边缘部署单元：在内容分发网络CDN边缘节点和用户终端均部署轻量化多模态数据采集阵列，形成分布式数据采集网络；

多模态同步单元：分布式数据采集网络通过时间戳对齐机制同步采集视频帧率、编码比特率、音频延迟、用户点赞、评论频率及网络抖动率的多维度数据，生成一个全面反映直播间内互动情况的原始数据；

预处理单元：对原始数据进行滤波去噪和归一化处理，构建结构化的互动质量特征矩阵；

特征提取单元：利用边缘计算资源对互动质量特征矩阵进行实时特征提取，生成包含时域‑空域特征的多维质量特征向量；

边缘传输单元：采用分层压缩技术将特征提取处理后的多维质量特征向量进行压缩后，通过CDN边缘网络传输至分析节点。

3.根据权利要求2所述的基于边缘计算的电商直播实时互动质量评估系统，其特征在于，所述互动质量分析模块，包括数据融合单元：将视频质量指标、音频同步度、交互响应延迟和网络QoS参数进行时空对齐融合；

模型输入单元：将融合后的多维特征输入预训练的时空注意力神经网络，其中，时空注意力神经网络包含视频质量注意力分支和交互体验注意力分支；

指标生成单元：时空注意力神经网络经过学习输出包含画面流畅度评分、音画同步度、交互响应指数和综合QoE评分的评估指标集；

阈值比较单元：将实时输出的评估指标与预设的动态质量阈值进行对比分析，生成质量异常特征图谱；

结果输出单元：根据评估指标集对互动质量进行数据分析，生成分析结果，并将分析结果编码为深度强化学习网络可识别的质量状态特征向量。

4.根据权利要求3所述的基于边缘计算的电商直播实时互动质量评估系统，其特征在于，所述评估策略生成模块，包括策略生成单元：深度强化学习网络中的生成器模型接收质量状态特征向量和历史优化记录，生成包含码率调整、帧率优化和传输协议选择的候选策略集，其中，历史优化记录包括过去t0时间内码率调整策略的执行效果；

策略评估单元：判别器模型依据用户终端上报的实际体验数据，计算候选策略集中各个候选策略的预期质量提升效益，其中，实际体验数据包括卡顿率、交互成功率、解码耗时；

优化决策单元：采用强化学习决策ε‑greedy算法在探索与利用之间平衡，选择最优质量优化策略；

经验回放单元：将决策过程存入边缘节点的经验池，用于模型在线更新；

模型更新单元：定期同步更新边缘节点间的模型参数，保持评估策略的一致性。

5.根据权利要求4所述的基于边缘计算的电商直播实时互动质量评估系统，其特征在于，所述动态调整策略模块，包括策略解析单元：将强化学习网络输出的最优质量优化策略分解为可执行的参数调整指令；

编码调整单元：根据网络带宽预测动态调整H.265/AV1编码参数，实现码率‑画质的帕累托优化；

传输优化单元：采用自适应多路径传输技术，根据网络状态动态选择最优传输协议组合；

资源分配单元：通过边缘计算资源调度算法，为关键质量指标保障分配优先计算资源；

容错处理单元：当检测到突发网络波动时，启动降级策略保障基本互动体验。

6.根据权利要求5所述的基于边缘计算的电商直播实时互动质量评估系统，其特征在于，所述反馈执行模块，包括质量监控单元：持续监测最优质量优化策略执行后的实际质量指标变化；

参数调节单元：通过模糊PID控制器动态调整视频编码器的量化参数和GOP结构；

传输更新单元：根据实时网络诊断结果动态更新前向纠错策略和重传机制；

资源再分配单元：基于边缘节点的负载状态动态调整视频处理任务的分布；

闭环控制单元：将执行效果反馈至强化学习网络，形成持续优化的控制环路。

7.根据权利要求6所述的基于边缘计算的电商直播实时互动质量评估系统，其特征在于，所述时空注意力神经网络，包括：时空特征提取与融合组件：在电商直播场景中，提取直播过程中的时空特征，并使用动态时间规整和仿射变换进行数据时间和空间上的对齐整合，其中，时空特征包括视频帧率、音频延迟、用户点赞/评论/下单热区的异构数据；

互动质量预测组件：通过学习历史数据中时空特征与互动质量之间的关系，根据融合后的时空特征，对电商直播的实时互动质量进行预测，输出质量评估；

异常检测组件：通过注意力机制识别直播过程中的卡顿高发时段或画面区域的异常情况，并及时采取措施保障直播质量。

8.根据权利要求7所述的基于边缘计算的电商直播实时互动质量评估系统，其特征在于，所述强化学习模型，包括：质量优化策略探索生成组件：根据当前网络状态和用户互动数据的直播状态，在带宽波动时探索新型参数的调整，生成质量优化策略，以动态调整码率、帧率、传输协议；

模型智能体优化策略组件：环境设置奖励函数，基于Actor‑Critic框架，并采用近端策略优化ppo，通过重要性质量指标采样来实现稳定更新；

资源分配最大化收益组件：根据优先级经验回放PER和边缘节点定期双延迟深度确定性策略梯度TD3，使得智能体根据直播的实时需求和边缘节点的资源状态，分配计算资源、网络带宽，以最大化直播互动质量和资源利用效率，并利用执行反馈持续改进时空网络的评估精度。

9.一种计算机设备，包括：存储器和处理器；所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的基于边缘计算的电商直播实时互动质量评估系统的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的基于边缘计算的电商直播实时互动质量评估系统的步骤。