CN101937549A

CN101937549A - 网络购物导航系统

Info

Publication number: CN101937549A
Application number: CN2010105010251A
Authority: CN
Inventors: 姚建
Original assignee: Individual
Current assignee: Individual
Priority date: 2010-10-09
Filing date: 2010-10-09
Publication date: 2011-01-05
Anticipated expiration: 2030-10-09
Also published as: CN101937549B

Abstract

一种网络购物导航系统，通过实体商品的图片展示和图片搜索为网络购物导航，包括：服务器端，存储商品图片、分析存储商品图片的特征、构建商品特征之间的关联群；图片搜索引擎，根据客户端的检索指令，在所述服务器端查询相应指令的图片，并返回给所述客户端；客户端，通过所述图片搜索引擎与服务器端建立连接，向所述服务器端发送购物的检索指令、展示商品图片以及展示商品图片关联群中的商品图片。本发明的网络购物导航系统，通过商品图片的检索和建立商品图片的关联群，提高网络商品的检索效率，并具有直观、方便的优点。

Description

网络购物导航系统

技术领域

本发明属于网络购物技术领域，尤其涉及一种网络购物导航系统。

背景技术

随着信息技术的发展，网上商城像雨后春笋般的出现，海量商品的出现使得如何组织这些信息成了新的难题。传统的按品牌和样式分类的方法已经无法满足网络购物日益增长的需要。消费者在进行网络购物是一般都会针对自己的需求进行搜索，以缩小需要浏览的商品数量。即便如此，在一些大型的网上商城中仍然会有大量的商品进入搜索结果。例如，在某些大型的网络购物平台中，商家卖的男女式鞋多达几十万双，即便对鞋的种类、样式、尺码、价格等进行限定，搜索得到的鞋的数量往往仍然有数千甚至上万双，要在这里面找一双特定样式的鞋就如大海捞针，逐页翻阅式的购物体验让消费者难以接受。

目前已经应用的针对特定商品的搜索技术全都是基于商品的文字信息的搜索，具体地说，信息的提供者先将商品的各种信息以文字形式输入，而消费者在购物的过程中通过文字来限定搜索的内容、并在搜索的结果中选择特定的商品进行详细的查阅。这种搜索方法的缺点在于完全忽视了商品的图片所包含的大量的形状、纹理、颜色等信息，而这些直观的信息在网购过程中给消费者提供巨大的便利并且对客户最终下决心购买起着相当重要的作用。

因此，现有技术存在缺陷，有待进一步改进和发展。

发明内容

本发明的目的在于提供一种网络购物导航系统，使用户在网络的海量商品中能够便捷地找到自己所需要的商品。

本发明的技术方案如下：

一种网络购物导航系统，通过实体商品的图片展示和图片搜索为网络购物导航，包括：

服务器端，存储商品图片、分析存储商品图片的特征、构建商品特征之间的关联群；

图片搜索引擎，根据客户端的检索指令，在所述服务器端查询相应指令的图片，并返回给所述客户端；

客户端，通过所述图片搜索引擎与服务器端建立连接，向所述服务器端发送购物的检索指令、展示商品图片以及展示商品图片关联群中的商品图片。

所述的系统，其中，所述服务器端包括计算服务器端和数据服务器端；

所述计算服务器包括产品输入单元、分析计算商品图片的特征的特征提取单元、对商品权重做计算和调整的权重学习单元、计算商品特征之间距离的距离计算单元、计算关联群的关联群计算单元；

所述数据服务器包括特征存储单元、距离存储单元、权重存储单元、关联群存储单元。

所述的系统，其中，所述服务器还包括规整化模块，用于将特征提取单元提取的特征做正态分布规整化，得到特征的相对值。

所述的系统，其中，所述关联计算单元采用K-means算法或者强化学习分类器算法计算产品特征之间相似度的关联群。

所述的系统，其中，所述客户端包括显示界面，所述显示界面显示被点击商品图片的关联群中的商品图片。

所述的系统，其中，所述客户端包括商品展示单元，所述商品展示单元包括多维度模块和二维展示投影模块。

所述的系统，其中，所述二维展示投影模块用二维的笛卡尔坐标表示商品的特征。

所述的系统，其中，所述客户端还包括产品填充模块，所述产品填充模块按照二维笛卡尔坐标之间的距离填充商品图片。

所述的系统，其中，所述二维笛卡尔坐标之间的距离欧氏距离或者马氏距离。

与现有技术相比，本发明提供了一种网络购物导航系统，所述购物导航系统在服务器端将输入商品图片提取特征，并根据特征的权重计算出商品图片之间的关联群；所述购物导航系统的客户端可以通过在一个商品图片被点击后，将商品图片的点击信息通过图片搜索引擎发送给服务器端；所述服务器端将被点击商品图片的关联群的图片通过图片搜索引擎反馈给所述客户端在显示界面显示。本发明的网络购物导航系统，通过商品图片的检索和建立商品图片的关联群，提高网络商品的检索效率。

附图说明

图1为本发明网络购物导航系统的结构图；

图2为本发明服务器端的结构图。

图3为本发明鞋头特征的稀疏分布图；

图4为本发明鞋头特征的正态分布图；

图5为客户端显示界面上显示商品陈列的示意图；

图6为客户端多维度模块表示的特征向量的示意图；

图7为客户端二维展示投影模块表示的二维笛卡尔坐标的示意图；

图8为客户端显示界面检索条件示意图。

具体实施方式

下面结合附图，对本发明的较佳实施例作进一步详细说明。

本发明提供的网络购物导航系统，可以用于网络上任何实体商品购物导航，现在以鞋为例，对网络购物导航系统做出详细的说明。

所述网络购物导航系统通过图片展示、图片搜索为网络购物导航，如图1所示，具有：

服务器端，包括数据服务器端和计算服务器端，所述数据服务器端存储商品图片、商品图片的特征、商品特征之间的距离、特征权重等数据；所述计算服务器用于分析计算商品图片的特征、商品特征之间的距离、特征权重；

客户端，用于与服务器端建立连接，并发送购物的检索指令。

鞋的外围轮廓、颜色、鞋头、鞋帮、鞋底、纹理对客户的最终下决心购买起着相当重要的作用，而传统的文字搜索只能对相关的文字进行索引，完全忽视了产品图片所包含的鞋的外围轮廓、颜色、鞋头、鞋帮、鞋底、纹理等信息。

根据鞋的商品图片，利用图像分析技术提取图片的特征，包括外围轮廓、颜色、鞋头、鞋帮、鞋底、纹理等信息。所述计算服务器包括预处理单元，能够对接收的不规则的图片进行处理，以得到用于显示和图片分析的素材。

本发明的计算服务器包括产品输入单元，用于商品图片的输入；特征提取单元，用于商品图片特征的值的提取。所述产品输入单元也可以是与所述服务器分离的一个客户端。

对于鞋这种商品来说，所述特征提取单元可以包括外围轮廓提取模块、颜色提取模块、鞋头提取模块、鞋帮提取模块、鞋底提取模块和纹理提取模块。

所述外围轮廓提取模块可以利用图片中鞋的外形计算得到鞋的外围轮廓特征。颜色提取模块可以根据鞋的图片使用HSV的颜色直方图得到鞋的颜色特征。鞋头提取模块可以根据图片中鞋头的特征做由开口到闭口、由尖到钝的分析，从而得到鞋头特征。鞋帮提取模块就是根据图片中鞋帮相应位置的特性分析得到鞋的鞋帮特征。鞋底提取模块是根据对图片中鞋底的形状做边缘检测得到鞋的鞋底特征，边缘检测方法采用Prewitt/canny算法。纹理提取模块是通过对鞋的图像进行灰度处理后再进行离散小波变换得到鞋的纹理特征

所述鞋的外围轮廓特征、颜色特征、鞋头特征、鞋帮特征、鞋底特征、纹理特征这六个特征，可以用特征向量S(s₁，s₂，s₃，s₄，s₅，s₆)，而S向量中的每个特征值的权重为T(t₁，t₂，t₃，t₄，t₅，t₆)，这样每个鞋子的总体特征值就是K＝S*T，而每两双鞋子(K₁，K₂)之间的相似度就可以用|K₁-K₂|来表示。

在使用这些向量表示的特征做鞋子之间相似度比较之前，我们要先进行特征的相对值处理，因为特征的绝对值是没有意义的，只是相对值才有意义。

比如对每双鞋的鞋头特征s₃而言，有2万双的鞋，就用2万个离散的点，这两万个点可能是均匀分布的，但是更多的可能性是不均匀分布的，某个区域非常的密集，而另外的区域非常的稀疏如图3所示。

为了更好的反映相似度，将特征的数据进行正态分布的规整化，使得反映这2万双鞋的曲线是符合正态分布的，如图4所示。

本发明的服务器端设置规整化模块，用于将特征提取单元提取的特征做正态分布规整化，得到特征的相对值。所述数据库服务器的特征存储单元可以存储特征的相对值。

如何计算出每个特征的权重是本发明的关键，本发明的解决方案如下：

特征的权重包括初始权重和实时权重。

初始权重是网络购物导航系统最初为每个特征设置的权重，例如取样本集的数量为100，就是有100双鞋子，用人工的方法将这100双鞋的每个特征排队，保证相邻的鞋子之间的相似度是最高的，这样排序好的任意三双鞋子ABC之间的距离，|A-B|＜|A-C|且|B-C|＜|A-C|，这样就能找到适应所有这100个顺序的权重值T。

实时权重是以初始权重为基础，根据客户的点击和选择做机器学习，然后对权重进行调整。当然对不同类型的鞋都要有一套不同的权重值，例如凉鞋的权重值和运动鞋的权重值不同。具体的，所述计算服务器包括权重学习单元，根据用户对特征的点击和选择不断调节相应特征的权重计算出实时权重，例如：

客户在选鞋的过程中依次挑选了A、B、C三双鞋子，A的特征的权重小于B，B的特征的权重小于C，所述权重学习单元根据用户的选择来调整T向量。

实时权重的调整主要是计算出对不同种类鞋子调整时，权重的间隔，或者是权重的步长。而权重步长的计算是通过一组的训练集，用人眼的观察通过强化学习的方法逐步逼近获得的。比如对于运动鞋而言总体的特征值是1到100，本发明假设权重的步长为5，对这一组的训练集进行挑选，比如这组的训练集找到目标鞋子的点击数是(10，8，2，15，7，......4，10)，而理想的找到目标的点击数是：1，尽量的少；2，每个鞋子点击数的差值也是尽量的小。有了这两个标准，就可以不停地改变步长，找到最适合的逼近步长。

数据库服务器端的权重存储单元包括具有与客户端相应的实时权重存储模块，可以存储权重学习单元计算出的具体客户的实时权重向量。

本发明根据特征之间的相似度，建立商品之间的关联群，在分析好这些特征距离后，利用商品之间的相似度建立起关联群。所述计算服务器包括关联计算单元，用于实现商品之间相似度的关联群。

所述关联计算单元的一种关联方式，是按照鞋的种类将鞋分为N种不同的鞋作为初始条件；具体的关联计算方式如下：

首先、将鞋分为运动鞋、休闲鞋、凉鞋等不同种类，以建立运动鞋的关联群为例，介绍关联计算单元的计算方法。

其次、选取运动鞋中一双鞋的特征的向量S作为初始特征向量。

第三、依次计算每一双运动鞋的特征向量S到初始特征向量之间的距离，根据运动鞋特征向量之间的距离，建立关联群。本发明的距离就是相似度，不过相似度是眼睛看出的标准，而距离是利用特征值算出来的数值，本发明就是利用距离标识眼睛相似度的差异。

所述关联计算单元可以采用K-means算法或者强化学习分类器算法来计算产品特征之间相似度的关联群。K-MEANS算法接受输入量k；然后将n个数据对象划分为k个聚类以便使得所获得的聚类满足，同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。

本发明的客户端包括用户显示界面，所述用户显示界面包括检索条件展示单元，如图8所示，包括商品的种类，例如：衣服、鞋、包等；包括商品的类型，例如运动鞋、皮鞋、凉鞋等。

所述商品类型可以用图片陈列，例如图5陈列出不同类型鞋的图片。由于每张图片都具有关联群，用户点击图片中的任意一种，被点击商品图片的关联群的商品图片会显示在显示界面。显示界面的每种图片都可以通过图片搜索引擎和服务器端的关联存储单元连接。

所述每张图片具有信息显示单元，所述信息显示单元可以通过图片搜索引擎从服务器端的商品价格链接存储单元查询到数据。所述信息显示单元将查询到的商品价格链接在显示界面显示，为用户提供购买的途径和信息。

所述客户端还包括商品展示单元，所述商品展示单元包括多维度模块和二维展示投影模块。

所述多维度模块用于表示一种商品的特征向量，商品的每个特征占据一个维度，如图6所示。

所述二维展示投影模块，是用二维的笛卡尔坐标，来表示商品的特征向量，具体的将特征向量中的一个特征作为二维笛卡尔坐标的一个轴，商品其他的商品的特征向量的综合作为二维笛卡尔坐标的另外一个轴。

例如，如图7所示的鞋的二维展示，横轴是形状特征，横轴综合了外围轮廓、鞋头、鞋帮、鞋底、纹理等5大特性，而纵坐标则是鞋的颜色特征。如图7所示的产品的特征的二维展示，以原点(左上)为起始点，右下方为终点，越是离起始点距离近的点，越相似，而越是离起始点远的点，则相似性就越差。本发明可以使用欧氏距离(Euclidean distance)或者马氏距离(Mahalanobis)作为特性向量的距离。

本发明的二维展示投影模块，就是把多维的特征向量投影到二维坐标中，通过减少维度来解决问题的复杂度。简单的说就是多维度模块建立外围轮廓、颜色、鞋头、鞋帮、鞋底、纹理6维的向量。二维展示投影模块将6为的向量投影到二维的坐标系中，每一个维度的延伸就是这个向量值的欧氏或马氏距离，而任意两个轴之间的部分就是二者综合的距离。

所述二维展示投影模块建立二维笛卡尔坐标后，所述客户端还包括产品填充模块。所述填充模块将鞋的图片按照如图7所示的二维坐标之间的距离填充显示。

所述填充模块具有不同的填充算法，原则是，离原点越近的点越是先填充，这样由原点出发可以画出无数的同心圆，而在每一个特定的圆周上，填充的方向可以是顺时针的，或者逆时针的。这样的填充效果就如雷达扫描一样，由近及远依次将二维坐标填充满。在每一小块的扇形区域，由于是处于两个特征之间，可以计算出他到相邻两个特征轴线(reference)的距离，这样用这两个特征的距离加上距离的权重，就可以将中间的扇形区域填充好了。

在投影的二维笛卡尔坐标中，某个特征是沿着某一方向的递增而递减的，例如图片的轮廓相似度是沿着X轴的递增而递减的，纹理的相似度是沿着X，Y轴45度夹角的递增而递减的，而颜色的相似度是沿着Y轴的递增而递减的。这样随着原点的扇形向外辐射，图片相似度是按照一定的规律向外延伸，在某种意义上就是模拟了人眼对商品相似度的递增规律。

本发明提供的网络购物导航方法，通过图片商品特征相似度的关联群，以图片搜索引擎的方式，将产品按照相似度关联群的方式为用户提供商品图片的展示，使网站产品图片规律呈现给客户，非常方便客户挑选产品。

以网络购鞋为例，网络购物导航方法包括以下步骤：

步骤1，导航系统的服务器端接收鞋的图片，建立所有图片上鞋的相似度的关联群，具体包括：

步骤101，服务器端提取图片的特征，包括鞋的外围轮廓特征、颜色特征、鞋头特征、鞋帮特征、鞋底特征、纹理特征，并将这些特征用正态分布规整化后的向量S(s₁，s₂，s₃，s₄，s₅，s₆)表示，并将正态分布规整化后的特征值或向量的数值存储在服务器端。

步骤102，服务器端设置鞋每个特征的初始权重，并将初始权重T(t₁，t₂，t₃，t₄，t₅，t₆)存储。

步骤103，服务器端计算每个鞋子的总体特征就是K＝S*T，而每两双鞋子(K₁，K₂)之间的相似度就可以用|K₁-K₂|来表示。本发明的网络购物导航方法用相似度的数值标识产品肉眼对产品相似度的差异分辨。

步骤104，服务器端采用K-means算法或者强化学习分类器算法来计算产品之间相似度的关联，构建相似度的关联群。

步骤2，客户端包括用于显示商品的显示界面，显示界面设置检索条件；还包括表示特征向量的多维度模块，以及将特征向量以二维笛卡尔坐标标识的二维展示投影模块。显示界面按照特征向量投影后的二维笛卡尔坐标，将商品的图片以二维的方式在显示界面排列显示。

步骤3，客户端显示界面的任意一张商品图片被点击，该被点击的图片通过图片搜索引擎，在服务器端查询到该被点击图片的相似度关联群，并将关联群的图片按照关联群的二维笛卡尔坐标展示，如图7所示。

在用户点击图片的同时，图片搜索引擎将点击的图片的记录发送给服务器端，服务器端根据点击记录，计算商品的实时权重。

由于点击每张商品图片，客户端会显示被点击图片的相似度关联群的照片，例如显示界面50个商品，每个商品的相似度关联群都有50个类似的商品，这样2次的点击就涵盖了2500个商品，三次点击可以覆盖12.5万的商品，四次点击就能到达几百万的商品，考虑到里面可以有重复的商品，这样在7，8次的点击后，绝大多数的客户都能快速的通过网络图片搜索找到目标商品。本发明虽然以鞋的检索为实施例，但是服装、箱包等任何实体商品都可以通过本发明在网络上以图片形式快速检索到，提高了检索的效率。

应当理解的是，上述针对本发明较佳实施例的表述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本发明的专利保护范围应以所附权利要求为准。

Claims

1.一种网络购物导航系统，通过实体商品的图片展示和图片搜索为网络购物导航，包括：

2.根据权利要求1所述的系统，其特征在于，所述服务器端包括计算服务器端和数据服务器端；

3.根据权利要求2所述的系统，其特征在于，所述服务器还包括规整化模块，用于将特征提取单元提取的特征做正态分布规整化，得到特征的相对值。

4.根据权利要求3所述的系统，其特征在于，所述关联计算单元采用K-means算法或者强化学习分类器算法计算产品特征之间相似度的关联群。

5.根据权利要求1所述的系统，其特征在于，所述客户端包括显示界面，所述显示界面显示被点击商品图片的关联群中的商品图片。

6.根据权利要求2所述的系统，其特征在于，所述客户端包括商品展示单元，所述商品展示单元包括多维度模块和二维展示投影模块。

7.根据权利要求6所述的系统，其特征在于，所述二维展示投影模块用二维的笛卡尔坐标表示商品的特征。

8.根据权利要求7所述的系统，其特征在于，所述客户端还包括产品填充模块，所述产品填充模块按照二维笛卡尔坐标之间的距离填充商品图片。

9.根据权利要求8所述的系统，其特征在于，所述二维笛卡尔坐标之间的距离为欧氏距离或者马氏距离。