1.一种基于用户行为分析的商品智能推荐方法，其特征在于，包括以下步骤：

获取上一周期内用户历史若干条商品浏览数据；对商品浏览数据进行分类筛选，得到成交转化数据、意向加购数据、浏览流失数据和无效跳转数据；

基于成交转化数据进行分析，提取每一条成交转化数据对应的诱导优惠数据集；基于诱导优惠数据集进行用户行为分析，得到用户购买意图特征；基于意向加购数据和浏览流失数据进行对比分析，得到用户浏览意图特征；

基于用户购买意图特征、用户浏览意图特征建立用户购买兴趣演化模型；根据用户购买兴趣演化模型在预测周期内为用户推荐商品；

对商品浏览数据进行分类筛选的具体步骤，包括：

针对每一条商品浏览数据，获取对应的原始行为数据和用户交互特征；原始行为数据包括用户‑商品标识、浏览时间戳和后续行为类型；用户交互特征包括商品停留时长和页面滚动深度；

根据后续行为类型，直接划分对应的商品浏览数据为成交转化数据、意向加购数据和剩余商品浏览数据；

对于剩余商品浏览数据，获取用户近期浏览商品之间的语义相关性评分；同时，基于商品停留时长和页面滚动深度进行量化评分，得到浏览有效评分；将语义相关性评分和浏览有效评分进行加权计算，得到交互深度评分；

若交互深度评分低于设定浏览阈值，则将剩余商品浏览数据划分为无效跳转数据；否则，将剩余商品浏览数据划分为浏览流失数据；

基于诱导优惠数据集进行用户行为分析的具体步骤，包括：

从成交转化数据中，为每一条成交转化数据关联其在成交前接收到的一个或多个诱导优惠数据，从而构建一个诱导优惠数据集；在诱导优惠数据集中包含有至少一个接受优惠数据，及零个或多个拒绝优惠数据；计算诱导优惠数据集中的购买拐点特征向量；购买拐点特征向量具体包括：接受优惠数据相比于所有拒绝优惠数据中的最大优惠金额差值；从首次接收诱导优惠数据到最终接受优惠数据所经过的时间；在接受诱导优惠数据前，拒绝优惠数据的总次数；

将所有成交转化数据对应的购买拐点特征向量组合，得到购买拐点特征空间；对购买拐点特征空间利用无监督聚类算法进行聚类，得到若干个用户意图类型簇；对每一个用户意图类型簇进行语义化标注，得到用户购买意图特征；

基于意向加购数据和浏览流失数据进行对比分析的具体步骤，包括：

对意向加购数据进行分析，得到对应的加购商品特征数据；对浏览流失数据进行分析，得到对应的流失商品特征数据；计算加购商品特征数据和流失商品特征数据的相似度，将相似度大于商品相似阈值的意向加购数据和浏览流失数据进行组合，得到对偶行为‑商品数据集；

对对偶行为‑商品数据集进行特征提取，得到复合交互特征向量；

以复合交互特征向量作为输入，对应贡献数据类型作为目标标签，构建商品重要性分析模型；

将所有复合交互特征向量输入至商品重要性分析模型中进行分析，提取贡献度较高的复合交互特征向量；对所有贡献度较高的复合交互特征向量进行意图规则分析，得到用户浏览意图特征；

基于用户购买意图特征、用户浏览意图特征建立用户购买兴趣演化模型的具体步骤，包括：对用户浏览意图特征和用户购买意图特征进行差分计算，得到购买转化增益序列；

将每一用户浏览意图特征和用户购买意图特征按浏览时间戳的顺序进行排序，得到用户购买兴趣演化序列；

用户购买兴趣演化模型中包含有内容兴趣演化通道和优惠敏感度演化通道；基于用户购买兴趣演化序列训练内容兴趣演化通道，其中，输出为下一周期内的预测目标商品集；基于购买转化增益序列训练优惠敏感度演化通道，其中，输出为下一周期内的预测优惠敏感度状态。

2.根据权利要求1所述的一种基于用户行为分析的商品智能推荐方法，其特征在于，根据用户购买兴趣演化序列在预测周期内为用户推荐商品的具体步骤，包括：获取预测周期内用户的行为序列；将行为序列输入至用户购买兴趣演化模型中进行双通道分析，得到推荐商品列表和与之匹配的个性化诱导优惠策略；

利用推荐商品列表和与之匹配的个性化诱导优惠策略为用户推荐商品。

3.一种基于用户行为分析的商品智能推荐系统，其特征在于，所述系统应用权利要求

1‑2任一项所述的一种基于用户行为分析的商品智能推荐方法，包括：

行为分析模块，包含有购买行为分析单元和浏览行为分析单元；购买行为分析单元用于获取上一周期内用户历史若干条商品浏览数据；对商品浏览数据进行分类筛选，得到成交转化数据、意向加购数据、浏览流失数据和无效跳转数据；浏览行为分析单元用于基于成交转化数据进行分析，提取每一条成交转化数据对应的诱导优惠数据集；基于诱导优惠数据集进行用户行为分析，得到用户购买意图特征；基于意向加购数据和浏览流失数据进行对比分析，得到用户浏览意图特征；

商品推荐模块，包含有智能推荐单元，用于基于用户购买意图特征、用户浏览意图特征建立用户购买兴趣演化模型；根据用户购买兴趣演化模型在预测周期内为用户推荐商品。