CN104424230A - 一种网络商品推荐方法及装置 - Google Patents

一种网络商品推荐方法及装置 Download PDF

Info

Publication number
CN104424230A
CN104424230A CN201310376347.1A CN201310376347A CN104424230A CN 104424230 A CN104424230 A CN 104424230A CN 201310376347 A CN201310376347 A CN 201310376347A CN 104424230 A CN104424230 A CN 104424230A
Authority
CN
China
Prior art keywords
picture
commodity
commodity picture
checked
recommended
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201310376347.1A
Other languages
English (en)
Other versions
CN104424230B (zh
Inventor
曹阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alibaba Group Holding Ltd
Original Assignee
Alibaba Group Holding Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201310376347.1A priority Critical patent/CN104424230B/zh
Priority to TW103100360A priority patent/TWI616834B/zh
Priority to US14/461,139 priority patent/US9984402B2/en
Priority to PCT/US2014/051518 priority patent/WO2015031095A1/en
Priority to JP2016530106A priority patent/JP6228307B2/ja
Priority to SG11201510059VA priority patent/SG11201510059VA/en
Priority to KR1020167002213A priority patent/KR20160028454A/ko
Priority to EP14758461.9A priority patent/EP3039577B1/en
Publication of CN104424230A publication Critical patent/CN104424230A/zh
Priority to HK15105119.8A priority patent/HK1204688A1/zh
Application granted granted Critical
Publication of CN104424230B publication Critical patent/CN104424230B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5846—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using extracted text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0222—During e-commerce, i.e. online transactions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0623—Item investigation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0623—Item investigation
    • G06Q30/0625—Directed, with specific intent or strategy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0623—Item investigation
    • G06Q30/0625—Directed, with specific intent or strategy
    • G06Q30/0629—Directed, with specific intent or strategy for generating comparisons
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Library & Information Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Mathematical Physics (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)

Abstract

本申请公开了一种网络商品推荐方法及装置，包括定位商品图片的主商品区域，将主商品区域划分为若干局部区域并分别提取颜色特征；根据各局部区域的颜色特征，查找与待查询商品图片具有共同性的待推荐商品图片；在确定的待推荐商品图片中，匹配出与待查询商品图片在颜色搭配上具有高相似度的商品图片，并作为推荐商品图片。本申请经过两次相似度筛选，实现了在颜色搭配上的相似性商品推荐，大大提高了推荐准确率。进一步地，本申请中依赖倒排索引通过搜索完成具有共同性的相似商品图片的查找，大大提高了海量数据处理的速度；而对于耗费时间的颜色搭配比较，仅在少量待推荐商品图片中完成，因此，本申请方法查询速度高。

Description

一种网络商品推荐方法及装置
技术领域
本申请涉及网络购物技术，尤指一种网络商品推荐方法及装置。
背景技术
网络购物已经成为一种常用的购物手段，而在淘宝、天猫等购物网站上存在海量商品，以供消费者挑选，但是，这么海量的商品，消费者要找到合意商品的代价通常很大。当消费者对某些商品表达出倾向性（比如点击或收藏某个商品）时，如果能根据这些商品，自动为其在全网商品中发掘出相似的商品，将极大地提升消费者的购物体验，从而为其避免反复找寻比价的过程，缩短购物路径。特别是，当消费者选择的原商品价位不合适，或尺码短缺，或某些细节尚不如意时，消费者能方便地在推荐商品中继续逛起来，以避免跳失，提高转化率。
对于购物网站运营来说，经常需要制作各种导购栏目、专辑，并要求这些栏目和专辑中陈列的商品，在设计风格上具有一致性，符合当季营销的主题。在没有相似商品推荐引擎之前，通常需要运营手工地在海量商品池中选取，大量耗费了人工，且不能保证一定召回率。通过相似推荐技术，运营只需要指定种子商品，相似商品推荐引擎便能快速且准确地为其在全网中发掘相似商品，自动形成专辑或栏目，极大地提高了运营的工作效率。
目前，相似商品推荐技术有多种实现方案。最传统的是基于文本推荐，也就是通过商品本身的描述文字来建立商品之间的关联。通常，这些文本是由网站卖家自行填写的，质量参差不齐，往往还会出现各种乱标乱写的欺诈行为，导致了推荐效果的有限性。
另外还有一种业界流行的推荐解决方案，就是通过用户行为的关联，如看了又看或买了又买，来为消费者推荐商品。其推荐的核心思想是：通过发掘历史数据，找到大部分同类消费者在对这件商品表达过倾向性行为之后，通常也会向哪些商品表达倾向性行为，来作为推荐的商品。这种技术确实能提高转化率，但是，由于其技术方案并不涉及对商品内容的理解，仅仅是对于消费者惯常行为的模仿，导致了其推荐结果不可控，从而无法确保其推荐商品的一致性或稳定性。比如，无法获知消费者感兴趣的商品与推荐商品间的关联性是由于颜色搭配上、或款式设计上、或人为导流量行为、或仅仅是两个商品摆放位置相近等所引起的。因此，这种推荐技术仅能为消费者推荐商品，但无法作为运营工具。特别地，这种推荐技术需要依赖海量历史数据，还会碰到冷启动或稀疏性等问题，影响了推荐效果。
发明内容
为了解决上述技术问题，本申请提供了一种网络商品推荐方法及装置，能够实现在颜色搭配上的相似性商品推荐，大大提高推荐准确率。
为了达到本申请目的，本申请提供一种网络商品推荐方法，包括：定位商品图片的主商品区域，将主商品区域划分为若干局部区域并分别提取颜色特征；
根据各局部区域的颜色特征，查找与待查询商品图片具有共同性的待推荐商品图片；
在确定的待推荐商品图片中，匹配出与待查询商品图片在颜色搭配上具有高相似度的商品图片，并作为推荐商品图片。
所述主商品区域由高维向量组成；
其中，每一维向量对应一个词频，并将其概率分布量化为0～255；根据词频为所述商品图片建立倒排索引。
所述查找与待查询商品图片具有共同性的待推荐商品图片包括：
对于待查询商品图片P中出现的词频，依次访问对应的所述倒排索引条目，根据所述待查询商品图片P与可推荐商品图片Q的词频所组成的两个高维向量在高维空间中的夹角的余弦值计算所述待查询商品图片P和可推荐商品图片Q的相似性；
根据计算得到的结果，选择排名在前面的预设数量M个可推荐商品图片作为待推荐商品图片；其中，M为大于1的整数。
按照下面公式计算所述待查询商品图片P和可推荐商品图片Q的相似性为：
其中w表示每幅商品图片中包含的高维向量的数量，w=r×m，r表示每幅图片被划分的局部区域数量，m表示每个局部区域包含的颜色数量；||表示取模运算符， pi表示待查询商品图片P中第i个高维向量元素对应的词频，qi表示待推荐商品图片Q中第i个高维向量元素对应的词频；背景区域的词频为0。
所述匹配出与待查询商品图片在颜色搭配上具有高相似度的商品图片包括：
对所述待推荐商品图片一一进行匹配计算，根据所述匹配的两幅图片共有的主色调，弱化其在这些颜色区间上的差异；根据所述匹配的两幅图片的细节或不同颜色部分，强化其在这些颜色区间上的差异，以获得各待推荐商品图片Q与待查询商品图片P在颜色搭配上的相似度colorsim(P,Q)；
从所述待推荐商品图片中获取相似度排名在前的预先设置数量N个商品图片，作为在颜色搭配上与待查询商品图片相似的推荐商品图片，其中N为大于1的整数；或者，从所述待推荐商品图片中，选取与待查询商品图片的相似度大于预先设置的相似度阈值的商品图片作为推荐商品图片。
所述得到各待推荐商品图片Q与待查询商品图片P在颜色搭配上的相似度colorsim(P,Q)为：
本申请还提供一种网络商品推荐装置，至少包括预处理模块、第一处理模块和第二处理模块，其中，
预处理模块，用于定位商品图片的主商品区域，将主商品区域划分为若干局部区域并分别提取颜色特征；
第一处理模块，用于根据各局部区域的颜色特征，查找与待查询商品图片具有共同性的待推荐商品图片，并输出给第二处理模块；
第二处理模块，用于在待推荐商品图片中，匹配出与待查询商品图片在颜色搭配上具有高相似度的商品图片，并作为推荐商品图片。
所述第一处理模块，具体用于：
对于待查询商品图片P中出现的词频，依次访问对应的所述倒排索引条目，根据所述待查询商品图片P与可推荐商品图片Q的词频所组成的两个高维向量在高维空间中的夹角的余弦值计算所述待查询商品图片P和可推荐商品图片Q的相似性；
根据计算得到的结果，选择排名在前面的预设数量M个可推荐商品图片作为待推荐商品图片；其中，M为大于1的整数。
按照下面公式计算所述待查询商品图片P和可推荐商品图片Q的相似性为：
其中w表示每幅商品图片中包含的高维向量的数量，w=r×m，r表示每幅图片被划分的局部区域数量，m表示每个局部区域包含的颜色数量；||表示取模运算符， pi表示待查询商品图片P中第i个高维向量元素对应的词频，qi表示待推荐商品图片Q中第i个高维向量元素对应的词频；背景区域的词频为0。
所述第二处理模块，具体用于：
对所述待推荐商品图片一一进行匹配，根据所述匹配的两幅图片共有的主色调，弱化其在这些颜色区间上的差异；根据所述匹配的两幅图片的细节或不同颜色部分，强化其在这些颜色区间上的差异，以获得各待推荐商品图片Q与待查询商品图片P在颜色搭配上的相似度colorsim(P,Q)；
从所述待推荐商品图片中获取相似度排名在前的预先设置数量N个商品图片，作为在颜色搭配上与待查询商品图片相似的推荐商品图片，其中N为大于1的整数；或者，从所述待推荐商品图片中，选取与待查询商品图片的相似度大于预先设置的相似度阈值的商品图片作为推荐商品图片。
所述得到各待推荐商品图片Q与待查询商品图片P在颜色搭配上的相似度colorsim(P,Q)为：
其中，r表示每幅图片被划分的局部区域数量； colorsim ( P j , Q j ) = χ 2 ( P j , Q j ) = 1 2 Σ k = 1 m ( p k - q k ) 2 p k + q k , m表示每个局部区域包含的颜色数量。
本申请提供的方案包括定位商品图片的主商品区域，将主商品区域划分为若干局部区域并分别提取颜色特征；根据各局部区域的颜色特征，查找与待查询商品图片具有共同性的待推荐商品图片；在确定的待推荐商品图片中，匹配出与待查询商品图片在颜色搭配上具有高相似度的商品图片，并作为推荐商品图片。本申请根据商品图片中各局部区域的颜色特征发掘出与待查询商品图片最有共同性的待推荐商品图片，然后再从颜色搭配上更细致地比较待推荐商品图片与待查询商品图片，经过两次相似度筛选，实现了在颜色搭配上的相似性商品推荐，大大提高了推荐准确率。
进一步地，本申请中依赖倒排索引通过搜索完成具有共同性的相似商品图片的查找，大大提高了海量数据处理的速度；而对于耗费时间的颜色搭配比较，仅在少量待推荐商品图片中完成，因此，本申请方法查询速度高。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本申请技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。
图1为本申请网络商品推荐方法的流程图；
图2为本申请网络商品推荐方法的实施例中待查询商品图片示意图；
图3为本申请实施例中待查询商品图片的局部图片示意图；
图4为本申请网络商品推荐装置的组成结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白，下文中将结合附图对本申请的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
在本申请一个典型的配置中，计算设备包括一个或多个处理器（CPU）、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器（RAM）和/或非易失性内存等形式，如只读存储器（ROM）或闪存（flashRAM）。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存（PRAM）、静态随机存取存储器（SRAM）、动态随机存取存储器（DRAM）、其他类型的随机存取存储器（RAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、快闪记忆体或其他内存技术、只读光盘只读存储器（CD-ROM）、数字多功能光盘（DVD）或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体（transitory media），如调制的数据信号和载波。
在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
大数据下的以图搜图技术出现于近二十年左右，主要的技术挑战在于其索引量、准确率、召回率和相应时间。
目前，业界的图像搜索引擎主要针对解决相同物体（商品）在不同环境不同仿射形变下的召回，也就是找“相同”。具体实现大致包括：对于图片，首先检测并抽取局部特征，并将局部特征在高维空间下量化成一个个的“视觉词”。所有归并到同一个词的局部特征，被认为是同一个物体的局部在不同形变下的表示。在倒排索引的加速下，通过对视觉词的匹配，找回同一个物体（商品）。但是，只要目标物体（商品）本身有一定的变化，便无法找回。
在推荐的应用场景中，如果引擎仅能找回相同物品，显然会造成比价行为，从而影响商品推荐的商业价值。特别地，在很多场景下，消费者其实是希望看到更多相似但不相同的商品，以便有更大的挑选空间。
在网络购物中，商品摆放形式各异，背景五花八门。通常的图像搜索引擎，是以对整幅图片进行处理来建索引或发起搜索，无法避免由于位移或背景而造成的误召回。
目前，在网络购物中推荐商品的方案主要有：主颜色法，以及淘淘搜。
其中，主颜色法可以对每一幅商品图像抽取1～N个主颜色。将这些主颜色同样表征为一个概率分布，通过计算或其他度量概率分布的方法，可以得到两个商品在主要颜色上的相似性。其缺点在于，主颜色法仅能提取商品在整体感官上有限的几个主颜色，但是无法有效比较两个商品在颜色搭配上的相似性，特别是图案和花纹这些细节信息。同时，由于丢失商品的结构信息，商品的局部匹配结果可能有误，比如基于主颜色法，对于图片中上红下黄的衣服与图片中上黄下红的衣服，得出的相似性是很高的。
对于淘淘搜的相似颜色推荐，从实际推荐效果上看，该推荐方案受图片背景影响很大，而且在推荐排序上过多考虑了文本等特征。也就是说，无法避免由于背景而造成的误召回，误推荐率还是比较高的。
图1为本申请网络商品推荐方法的流程图，如图1所示，包括：
步骤100：定位商品图片的主商品区域，将主商品区域划分为若干局部区域并分别提取颜色特征。本步骤中，首先，对于商品图片，按照长宽等比例地缩放成最长边为128的标准大小的图片，并定位其主要商品所在区域即主商品区域。对于主商品区域的定位方法，可以参考申请人2012年8月4号递交的申请号为201210279081.4，发明名称为《在商品图片中提取商品主体的方法和装置》的专利申请中的描述，这里不再赘述。也可以采用其他现有方法来定位主商品区域。需要说明的是，本申请中对商品图片的处理中涉及的数据只是举例说明而已，并不用于限定本申请的保护范围，也就是说，只要商品图片在整个处理中前后保持一致，可以选择任意合理的大小来确定主商品区域。
接着，获得主商品区域后，去除图片背景，并计算其重心，之后将主商品的重心对齐到128×128图片的中心。然后，将128×128的图片等距划分成8×8个区域，每个区域为边长16×16的正方形，这样主商品区域被切分成r=64个局部区域，其中，r表示每幅商品图片被划分的局部区域的数量。具体实现属于本领域技术人员的惯用技术手段，这里不再赘述。
最后，将整个颜色空间在色彩、纯度和明度（HSV）空间下均匀划分，其中，色彩（H）空间被划分成12等份，纯度（S）和明度（V）空间同时考虑，划分成3等分。这样，每个局部区域的整个颜色空间在HSV空间下均匀划分为共36个等分，加上灰度空间的3等分（黑、白、灰），总共39种颜色。对于每个局部区域，按照得到的39种颜色做直方图统计，即，对于每个像素的颜色，按最近距离原则，划归到这39色之一。其中，对于被扣除的背景区域，定义为第40色。这样，每个局部区域，可以表征为40维的特征向量，其含义为该局部区域在这m=40色上的概率分布，其中，m表示每个局部区域包含的颜色数量。具体实现属于本领域技术人员的惯用技术手段，这i类不再赘述。
对于每幅商品图片，在经过本步骤的颜色特征提取后，可以表征为w=r×m=64×40=2560的高维向量，其中，w表示每幅商品图片中包含的高维向量的数量。将每一维看成一个颜色词，并将其概率分布量化为0～255作为这个词的词频。从而，每幅图片可以表征为1～2560个词的“文档”，其每个词有一个词频。按此方法，为可推荐商品图片建立一个倒排索引，这个倒排索引有2560个条目，每个条目下，列举所有出现了该词的文档标号和其在此文档中的词频。
本步骤借助主商品区域定位及重心对齐，避免了由于背景或主商品位移而导致的误召回。每个局部区域的颜色被划分成若干份如40份，即保证了颜色匹配的准确率，又在一定程度上容忍了局部颜色的渐变。
步骤101：根据各局部区域的颜色特征，查找与待查询商品图片具有共同性的待推荐商品图片。
给定一幅待查询商品图片P，对于P中出现的词频，依次访问对应的倒排索引条目，即可查询到哪些文档同样出现了P中出现的词频。对于一幅待推荐商品图片Q，在该轮排序中，待查询商品图片P和可推荐商品图片Q的相似性定义公式(1)所示：
sim ( P , Q ) = Σ i = 1 w p i q i | P | | Q | - - - ( 1 )
在公式(1)中，w表示每幅商品图片中包含的高维向量的数量，w=r×m，r表示每幅图片被划分的局部区域数量，m表示每个局部区域包含的颜色数量；||表示取模运算符， pi表示待查询商品图片P中第i个高维向量元素对应的词频，qi表示待推荐商品图片Q中第i个高维向量元素对应的词频。公式(1)用于衡量待查询商品图片P与可推荐商品图片Q的词频所组成的两个高维向量在高维空间中的夹角的余弦值。通过公式(1)计算得到的结果越大，表示两个高维向量的夹角越小，其方向越相同，意味着相应的两幅图片在颜色搭配上的共性越大。
需要说明的是，每个局部区域的颜色特征中，第40维为背景色，在本步骤中排序中，强制定义每个局部区域的第40维词频为0，对于整幅商品图片来讲，即第40、80...2650个高维向量对应的词频均为0。这样，很好地避免了由于待查询商品图片与待推荐商品图片的背景局部区域的面积占比相似而认为这两个局部区域具有相似性。根据计算得到的结果，选择排名在前面的预设数量M个可推荐商品图片作为待推荐商品图片；其中，M为大于1的整数。
利用倒排索引，保证了两个文档在有共同词的情况下，才会进行运算比较。因此，公式(1)可以被加速，在海量数据的情况下，提高了对相似商品图片的查找速度。
通过本步骤，获得了具有共同性的被推荐商品图片与待查询商品图片的相似度的排名。
步骤102：在确定的待推荐商品图片中，匹配出与待查询商品图片在颜色搭配上具有高相似度的商品图片，并作为推荐商品图片。
本步骤中，首先，可以从步骤101得到的可推荐商品图片中选择排名在前面的预设数量M个可推荐商品图片（M为大于1的整数），这些图片与待查询商品图片有最高的共同性。分别对M个待推荐商品图片按照公式(2)一一进行匹配计算，以计算待查询商品图片P与M个待推荐商品图片中的待推荐商品图片Q在颜色搭配上的相似度colorsim(P,Q)：
colorsim ( P , Q ) = Σ j = 1 r colorsim ( P j , Q j ) - - - ( 2 )
在公式(2)中，r表示每幅图片被划分的局部区域数量。
在公式(2)中， colorsim ( P j , Q j ) = χ 2 ( P j , Q j ) = 1 2 Σ k = 1 m ( p k - q k ) 2 p k + q k , m表示每个局部区域包含的颜色数量。
根据公式(2)即可计算出M个待推荐商品图片与待查询商品图片在颜色上的相似度，从这M个待推荐商品图片中获取相似度排名在前的预先设置数量N个商品图片（N为大于1的整数），作为最终在颜色搭配上与待查询商品图片相似的推荐商品图片。公式(2)用于衡量待查询商品图片P与M个待推荐商品图片中的待推荐商品图片Q在颜色（词频）分布上的差异。并且，对于两幅图片均大量含有的共同色及两幅图片共有的主色调，公式(2)会弱化其在这些颜色区间上的差异；而对于两幅图片的细节或不同颜色部分，公式(2)会强化其在这些颜色区间上的差异。因此，公式(2)准确刻画了图片在颜色搭配特别是细节上的差异。
本步骤中，也可以预先设置相似度阈值，取M个待推荐商品图片中，与待查询商品图片的相似度大于预先设置的相似度阈值的商品图片作为推荐商品图片。
对于某些查询图片，如果按照本申请方法没有得出推荐结果，则表明不存在与待查询商品图片在颜色搭配上相似的商品图片，可认为该待查询商品图片显示的商品是新颖商品。
本申请方法提供了一种真正的颜色搭配匹配算法，根据商品图片中各局部区域的颜色特征发掘出与待查询商品图片最有共同性的待推荐商品图片，然后再从颜色搭配上更细致地比较待推荐商品图片与待查询商品图片。而且，本申请中依赖倒排索引通过搜索完成具有共同性的相似商品图片的查找，大大提高了海量数据处理的速度；而对于耗费时间的颜色搭配比较，仅在少量待推荐商品图片中完成。因此，本申请方法查询速度高，而且经过两次相似度筛选，实现了在颜色搭配上的相似性商品推荐，大大提高了推荐准确率。
特别地，只要有商品图片就能利用本申请方法对商品进行推荐，不会遇到冷启动或稀疏性等问题。对于消费者来说，推荐具有明确的预期即颜色搭配相似。因此，本申请方法不但适宜出现在各种推荐、广告、导购位，为消费者服务；同时也能作为运营人员的基本工具，自动为其发掘同系列商品，实现了营销和导购的自动化。
下面结合以具体实施例对本申请方法的应用进行详细描述。
图2为本申请网络商品推荐方法的实施例中待查询商品图片示意图，假设需要对图2所示的高跟鞋商品做相似商品推荐，首先对该待查询高跟鞋图片进行主体商品区域定位，如图2中的右图所示。确定主体商品区域中心后，将主体商品区域划分成若干块，对每一块抽取颜色分布。
图3为本申请实施例中待查询商品图片的局部图片示意图，如图3所示，高跟鞋的鞋头的一个局部区域抽取的颜色分布为：黑=115，红=50，黄=25，背景=65（仅显示量化后大于0的色系，且色表为假设的简要色表）。根据黑、红、黄三色，假设在倒排索引条目存在图片1、图片2、图片3和图片4，且这四个图片在鞋头局部区域的待排表结构为表1所示：
黑色 图片1 75 图片3 15 ...
红色 图片1 25 图片2 100 图片3 30
黄色 图片2 65 图片4 45 ...
表1
表1中其他色系条目不显示。首先查找黑色条目，因为待查询商品图片的黑色权重为115，那么，图片1获得得分115×75=8625，图片3获得得分115×15=1725；相应地，通过查找红色条目，图片1获得得分1250，图片2获得得分5000，图片3获得得分1500；通过查找黄色条目，图片2获得得分1625，图片4获得得分1125。
本实施例中仅以图3所示的高跟鞋鞋头局部区域进行排序，那么，对于该局部区域，图片1得分为8625+1250=9875，图片2得分5000+1625=6625，图片3得分1725+1500=3225，图片4获得1125。
本实施例中： | P | = Σ i = 1 w p i 2 = 115 2 + 50 2 + 25 2 + 65 2 = 143.44 .
假设图片1～图片4在对应局部区域的模分别为174、149.42、212.67和214.77。通过公式(1)，不难得出，图片1与待查询商品图片的相似度为：9875/(143.44×174)=39.6%；图片2～图片4与待查询商品图片的相似度分别为：30.9%，10.6%和3.65%。即图片1～图片4在按照步骤101的第一轮排序后得到的高跟鞋鞋头区域的相似度得分。在第一轮排序中，背景色既不会发起查询，也不会在倒排索引中出现。
在实际应用中，会依次查询8×8=64个局部区域，访问对应的倒排索引条目，然后将所有得分累加在一起，再除以待查询商品图片整体的模和对应查找到的待推荐商品图片的整体的模，作为第一轮排序的相似度得分。
经过第一轮排序后，假设选取相似度值排在前的1000张相似度得分最高的图片，然后一一根据公式(2)与待查询商品图片进行颜色搭配上的两两比较，获得颜色搭配上的相似度得分。再根据这个得分，对这1000张待推荐商品图片进行排序，选取相似度值排在前200的商品图片作为最终的推荐商品图片，而这些推荐商品图片对应的商品即是通过本申请网络商品推荐方法为消费者推荐的相似商品。
需要说明的是，本申请并不局限于搜索同类商品，对于搜索跨品类在相似颜色搭配下相似的商品同样适用。同时，本申请方法还可以与其他特征，如文本、纹理、款式等等，实现综合推荐。本申请实施例中涉及的各参数设置不唯一，允许在一定范围内灵活变化。
本申请步骤102中涉及的关于衡量颜色搭配相似度的算法即公式(2)，在应用上不局限于搜索，对于分类、聚类等同样适用。
图4为本申请网络商品推荐装置的组成结构示意图，如图4所示，至少包括预处理模块、第一处理模块和第二处理模块，其中，
预处理模块，用于定位商品图片的主商品区域，将主商品区域划分为若干局部区域并分别提取颜色特征；
第一处理模块，用于根据各局部区域的颜色特征，查找与待查询商品图片具有共同性的待推荐商品图片，并输出给第二处理模块；
第二处理模块，用于在待推荐商品图片中，匹配出与待查询商品图片在颜色搭配上具有高相似度的商品图片，并作为推荐商品图片。
本领域的技术人员应该明白，上述的本申请实施例所提供的装置的各组成部分，以及方法中的各步骤，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上。可选地，它们可以用计算装置可执行的程序代码来实现。从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。
虽然本申请所揭露的实施方式如上，但所述的内容仅为便于理解本申请而采用的实施方式，并非用以限定本申请。任何本申请所属领域内的技术人员，在不脱离本申请所揭露的精神和范围的前提下，可以在实施的形式及细节上进行任何的修改与变化，但本申请的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (11)

1.一种网络商品推荐方法，其特征在于，包括：定位商品图片的主商品区域，将主商品区域划分为若干局部区域并分别提取颜色特征；
根据各局部区域的颜色特征，查找与待查询商品图片具有共同性的待推荐商品图片；
在确定的待推荐商品图片中，匹配出与待查询商品图片在颜色搭配上具有高相似度的商品图片，并作为推荐商品图片。
2.根据权利要求1所述的网络商品推荐方法，其特征在于，所述主商品区域由高维向量组成；
其中，每一维向量对应一个词频，并将其概率分布量化为0～255；根据词频为所述商品图片建立倒排索引。
3.根据权利要求2所述的网络商品推荐方法，其特征在于，所述查找与待查询商品图片具有共同性的待推荐商品图片包括：
对于待查询商品图片P中出现的词频，依次访问对应的所述倒排索引条目，根据所述待查询商品图片P与可推荐商品图片Q的词频所组成的两个高维向量在高维空间中的夹角的余弦值计算所述待查询商品图片P和可推荐商品图片Q的相似性；
根据计算得到的结果，选择排名在前面的预设数量M个可推荐商品图片作为待推荐商品图片；其中，M为大于1的整数。
4.根据权利要求3所述的网络商品推荐方法，其特征在于，按照下面公式计算所述待查询商品图片P和可推荐商品图片Q的相似性为：
其中w表示每幅商品图片中包含的高维向量的数量，w=r×m，r表示每幅图片被划分的局部区域数量，m表示每个局部区域包含的颜色数量；||表示取模运算符， pi表示待查询商品图片P中第i个高维向量元素对应的词频，qi表示待推荐商品图片Q中第i个高维向量元素对应的词频；背景区域的词频为0。
5.根据权利要求3或4所述的网络商品推荐方法，其特征在于，所述匹配出与待查询商品图片在颜色搭配上具有高相似度的商品图片包括：
对所述待推荐商品图片一一进行匹配计算，根据所述匹配的两幅图片共有的主色调，弱化其在这些颜色区间上的差异；根据所述匹配的两幅图片的细节或不同颜色部分，强化其在这些颜色区间上的差异，以获得各待推荐商品图片Q与待查询商品图片P在颜色搭配上的相似度colorsim(P,Q)；
从所述待推荐商品图片中获取相似度排名在前的预先设置数量N个商品图片，作为在颜色搭配上与待查询商品图片相似的推荐商品图片，其中N为大于1的整数；或者，从所述待推荐商品图片中，选取与待查询商品图片的相似度大于预先设置的相似度阈值的商品图片作为推荐商品图片。
6.根据权利要求5所述的网络商品推荐方法，其特征在于，所述得到各待推荐商品图片Q与待查询商品图片P在颜色搭配上的相似度colorsim(P,Q)为：
7.一种网络商品推荐装置，其特征在于，至少包括预处理模块、第一处理模块和第二处理模块，其中，
预处理模块，用于定位商品图片的主商品区域，将主商品区域划分为若干局部区域并分别提取颜色特征；
第一处理模块，用于根据各局部区域的颜色特征，查找与待查询商品图片具有共同性的待推荐商品图片，并输出给第二处理模块；
第二处理模块，用于在待推荐商品图片中，匹配出与待查询商品图片在颜色搭配上具有高相似度的商品图片，并作为推荐商品图片。
8.根据权利要求7所述的网络商品推荐装置，其特征在于，所述第一处理模块，具体用于：
对于待查询商品图片P中出现的词频，依次访问对应的所述倒排索引条目，根据所述待查询商品图片P与可推荐商品图片Q的词频所组成的两个高维向量在高维空间中的夹角的余弦值计算所述待查询商品图片P和可推荐商品图片Q的相似性；
根据计算得到的结果，选择排名在前面的预设数量M个可推荐商品图片作为待推荐商品图片；其中，M为大于1的整数。
9.根据权利要求8所述的网络商品推荐装置，其特征在于，按照下面公式计算所述待查询商品图片P和可推荐商品图片Q的相似性为：
其中w表示每幅商品图片中包含的高维向量的数量，w=r×m，r表示每幅图片被划分的局部区域数量，m表示每个局部区域包含的颜色数量；||表示取模运算符， pi表示待查询商品图片P中第i个高维向量元素对应的词频，qi表示待推荐商品图片Q中第i个高维向量元素对应的词频；背景区域的词频为0。
10.根据权利要求8或9所述的网络商品推荐装置，其特征在于，所述第二处理模块，具体用于：
对所述待推荐商品图片一一进行匹配，根据所述匹配的两幅图片共有的主色调，弱化其在这些颜色区间上的差异；根据所述匹配的两幅图片的细节或不同颜色部分，强化其在这些颜色区间上的差异，以获得各待推荐商品图片Q与待查询商品图片P在颜色搭配上的相似度colorsim(P,Q)；
从所述待推荐商品图片中获取相似度排名在前的预先设置数量N个商品图片，作为在颜色搭配上与待查询商品图片相似的推荐商品图片，其中N为大于1的整数；或者，从所述待推荐商品图片中，选取与待查询商品图片的相似度大于预先设置的相似度阈值的商品图片作为推荐商品图片。
11.根据权利要求10所述的而网络商品推荐装置，其特征在于，所述得到各待推荐商品图片Q与待查询商品图片P在颜色搭配上的相似度colorsim(P,Q)为：
其中，r表示每幅图片被划分的局部区域数量； colorsim ( P j , Q j ) = χ 2 ( P j , Q j ) = 1 2 Σ k = 1 m ( p k - q k ) 2 p k + q k , m表示每个局部区域包含的颜色数量。
CN201310376347.1A 2013-08-26 2013-08-26 一种网络商品推荐方法及装置 Active CN104424230B (zh)

Priority Applications (9)

Application Number Priority Date Filing Date Title
CN201310376347.1A CN104424230B (zh) 2013-08-26 2013-08-26 一种网络商品推荐方法及装置
TW103100360A TWI616834B (zh) 2013-08-26 2014-01-06 Network product recommendation method and device
US14/461,139 US9984402B2 (en) 2013-08-26 2014-08-15 Method, system, and computer program product for recommending online products
JP2016530106A JP6228307B2 (ja) 2013-08-26 2014-08-18 オンライン製品を推薦するための方法及びシステム
PCT/US2014/051518 WO2015031095A1 (en) 2013-08-26 2014-08-18 Method and system for recommending online products
SG11201510059VA SG11201510059VA (en) 2013-08-26 2014-08-18 Method and system for recommending online products
KR1020167002213A KR20160028454A (ko) 2013-08-26 2014-08-18 온라인 제품들을 추천하는 방법 및 시스템
EP14758461.9A EP3039577B1 (en) 2013-08-26 2014-08-18 Method and system for recommending online products
HK15105119.8A HK1204688A1 (zh) 2013-08-26 2015-05-29 種網絡商品推薦方法及裝置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310376347.1A CN104424230B (zh) 2013-08-26 2013-08-26 一种网络商品推荐方法及装置

Publications (2)

Publication Number Publication Date
CN104424230A true CN104424230A (zh) 2015-03-18
CN104424230B CN104424230B (zh) 2019-10-29

Family

ID=52481245

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310376347.1A Active CN104424230B (zh) 2013-08-26 2013-08-26 一种网络商品推荐方法及装置

Country Status (9)

Country Link
US (1) US9984402B2 (zh)
EP (1) EP3039577B1 (zh)
JP (1) JP6228307B2 (zh)
KR (1) KR20160028454A (zh)
CN (1) CN104424230B (zh)
HK (1) HK1204688A1 (zh)
SG (1) SG11201510059VA (zh)
TW (1) TWI616834B (zh)
WO (1) WO2015031095A1 (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105550207A (zh) * 2015-12-02 2016-05-04 合一网络技术(北京)有限公司 一种信息推广方法及装置
CN106485567A (zh) * 2016-09-14 2017-03-08 北京小米移动软件有限公司 物品推荐方法及装置
CN106874330A (zh) * 2016-07-27 2017-06-20 阿里巴巴集团控股有限公司 一种资源推送方法和装置
CN107194312A (zh) * 2017-04-12 2017-09-22 广东银禧科技股份有限公司 一种基于3d打印模型内容的模型推荐方法
CN107862562A (zh) * 2017-09-15 2018-03-30 广州唯品会研究院有限公司 一种根据用户的图片喜好选择进行商品推荐的方法及装置
CN110807095A (zh) * 2018-08-01 2020-02-18 北京京东尚科信息技术有限公司 一种物品匹配方法和装置
CN113837291A (zh) * 2021-09-27 2021-12-24 知守科技(杭州)有限公司 一种基于背光模组与多模板匹配的识别与定位方法及系统

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9384422B2 (en) * 2014-04-04 2016-07-05 Ebay Inc. Image evaluation
JP6263482B2 (ja) * 2015-01-09 2018-01-17 東芝テック株式会社 商品販売入力支援装置及びそのプログラム並びに商品販売処理システム
WO2016152277A1 (ja) * 2015-03-25 2016-09-29 富士フイルム株式会社 リコメンド装置、リコメンドシステム、リコメンド方法、及びプログラム
US11741522B2 (en) * 2015-12-31 2023-08-29 Kodak Alaris, Inc. Method for image product recommendation
TWI635451B (zh) * 2017-07-06 2018-09-11 雲義科技股份有限公司 運用虛擬商品於推薦系統影響相似度分析方法及其系統
CN109474884B (zh) * 2017-09-07 2021-09-14 北京京东尚科信息技术有限公司 数据处理方法及其系统
KR101999172B1 (ko) 2017-09-30 2019-07-11 (주)명인코리아 모바일 어플리케이션을 이용한 제품정보 제공 시스템
CN108052650B (zh) * 2017-12-26 2023-04-07 百度在线网络技术（北京）有限公司 信息推荐方法、装置和电子设备
US10817749B2 (en) 2018-01-18 2020-10-27 Accenture Global Solutions Limited Dynamically identifying object attributes via image analysis
WO2019183347A1 (en) * 2018-03-21 2019-09-26 Walmart Apollo, Llc Product image evaluation system and method
KR102101697B1 (ko) 2018-03-23 2020-04-17 조소영 공간 이미지에 적합한 추천 상품의 매칭 시스템
CN109325796B (zh) * 2018-08-13 2023-09-26 中国平安人寿保险股份有限公司 潜在用户筛选方法、装置、计算机设备及存储介质
US11037222B1 (en) * 2018-08-27 2021-06-15 A9.Com, Inc. Dynamic recommendations personalized by historical data
WO2020105752A1 (ko) * 2018-11-21 2020-05-28 주식회사 일 단말을 통한 제품 커스터마이징 방법
CN112534457A (zh) * 2019-07-17 2021-03-19 株式会社爱世克私 设计支援装置以及设计支援方法
KR102268786B1 (ko) * 2019-08-27 2021-06-24 엔에이치엔애드 (주) 웹 페이지들을 제공하는 네트워크 서버 및 방법
CN110675373B (zh) * 2019-09-12 2023-04-07 珠海格力智能装备有限公司 一种组件安装检测方法、装置和系统
US11216867B2 (en) * 2020-05-01 2022-01-04 Meta Platforms, Inc. Arranging information describing items within a page maintained in an online system based on an interaction with a link to the page
TWI811563B (zh) * 2020-08-26 2023-08-11 睿點行動股份有限公司 整合線上線下消費行為之比價管理系統
US11907992B2 (en) * 2022-04-04 2024-02-20 Shopify Inc. Methods and systems for colour-based image analysis and search
US11900436B1 (en) 2022-10-17 2024-02-13 Inmar Clearing, Inc. Natural language processing based product substitution system and related methods

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101706793A (zh) * 2009-11-16 2010-05-12 中兴通讯股份有限公司 搜索图片的方法和装置
CN101937549A (zh) * 2010-10-09 2011-01-05 姚建 网络购物导航系统
CN101950400A (zh) * 2010-10-09 2011-01-19 姚建 网络购物导航方法
CN102122389A (zh) * 2010-01-12 2011-07-13 阿里巴巴集团控股有限公司 一种图像相似性判断的方法及装置
US20110314031A1 (en) * 2010-03-29 2011-12-22 Ebay Inc. Product category optimization for image similarity searching of image-based listings in a network-based publication system
CN102426583A (zh) * 2011-10-10 2012-04-25 北京工业大学 基于图像内容分析的中医舌象检索方法
CN102567543A (zh) * 2012-01-12 2012-07-11 北京搜狗信息服务有限公司 一种服装图片的搜索方法和装置
CN103049754A (zh) * 2012-12-07 2013-04-17 东软集团股份有限公司 社交网络的图片推荐方法和装置

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100319151B1 (ko) 1999-02-01 2002-01-05 구자홍 다중레벨 이미지 데이터 생성 방법과 다중레벨 이미지 데이터를 이용한 이미지 검색방법
US7809601B2 (en) 2000-10-18 2010-10-05 Johnson & Johnson Consumer Companies Intelligent performance-based product recommendation system
JP4058288B2 (ja) 2002-04-08 2008-03-05 ヤフー株式会社 類似画像提示システム及び方法
US20030208399A1 (en) 2002-05-03 2003-11-06 Jayanta Basak Personalized product recommendation
JP4353503B2 (ja) * 2003-04-30 2009-10-28 キヤノン株式会社 画像処理装置
JP4632830B2 (ja) 2004-08-19 2011-02-16 三菱電機株式会社 画像検索方法及び画像検索装置
KR100511210B1 (ko) * 2004-12-27 2005-08-30 주식회사지앤지커머스 의사 쓰리디 이미지 생성기법을 토대로 한 이용자 적응인공지능 토탈 코디네이션 방법과, 이를 이용한 서비스사업방법
JP4968882B2 (ja) * 2005-06-03 2012-07-04 キヤノン株式会社 画像検索装置、画像検索方法およびプログラム
TWI440836B (zh) 2006-09-21 2014-06-11 Msd Consumer Care Inc 足部照護產品分裝資訊站
WO2008057577A2 (en) * 2006-11-08 2008-05-15 24Eight Llc Method and apparatus for recommending beauty-related products
JP2009251850A (ja) 2008-04-04 2009-10-29 Albert:Kk 類似画像検索を用いた商品推薦システム
KR101127769B1 (ko) 2008-09-03 2012-03-23 에스케이플래닛 주식회사 유사색상 상품 검색 서비스를 제공하기 위한 방법, 검색 서버, 단말기 및 시스템
US8320671B1 (en) * 2010-06-11 2012-11-27 Imad Zoghlami Method for ranking image similarity and system for use therewith
JP2013033392A (ja) 2011-08-02 2013-02-14 Sharp Corp 商品情報提供システム

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101706793A (zh) * 2009-11-16 2010-05-12 中兴通讯股份有限公司 搜索图片的方法和装置
CN102122389A (zh) * 2010-01-12 2011-07-13 阿里巴巴集团控股有限公司 一种图像相似性判断的方法及装置
US20110314031A1 (en) * 2010-03-29 2011-12-22 Ebay Inc. Product category optimization for image similarity searching of image-based listings in a network-based publication system
CN101937549A (zh) * 2010-10-09 2011-01-05 姚建 网络购物导航系统
CN101950400A (zh) * 2010-10-09 2011-01-19 姚建 网络购物导航方法
CN102426583A (zh) * 2011-10-10 2012-04-25 北京工业大学 基于图像内容分析的中医舌象检索方法
CN102567543A (zh) * 2012-01-12 2012-07-11 北京搜狗信息服务有限公司 一种服装图片的搜索方法和装置
CN103049754A (zh) * 2012-12-07 2013-04-17 东软集团股份有限公司 社交网络的图片推荐方法和装置

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105550207A (zh) * 2015-12-02 2016-05-04 合一网络技术(北京)有限公司 一种信息推广方法及装置
CN105550207B (zh) * 2015-12-02 2021-02-09 阿里巴巴（中国）有限公司 一种信息推广方法及装置
CN106874330A (zh) * 2016-07-27 2017-06-20 阿里巴巴集团控股有限公司 一种资源推送方法和装置
CN106485567A (zh) * 2016-09-14 2017-03-08 北京小米移动软件有限公司 物品推荐方法及装置
CN107194312A (zh) * 2017-04-12 2017-09-22 广东银禧科技股份有限公司 一种基于3d打印模型内容的模型推荐方法
CN107862562A (zh) * 2017-09-15 2018-03-30 广州唯品会研究院有限公司 一种根据用户的图片喜好选择进行商品推荐的方法及装置
CN107862562B (zh) * 2017-09-15 2022-01-07 唯品会(海南)电子商务有限公司 一种根据用户的图片喜好选择进行商品推荐的方法及装置
CN110807095A (zh) * 2018-08-01 2020-02-18 北京京东尚科信息技术有限公司 一种物品匹配方法和装置
CN113837291A (zh) * 2021-09-27 2021-12-24 知守科技(杭州)有限公司 一种基于背光模组与多模板匹配的识别与定位方法及系统

Also Published As

Publication number Publication date
TW201508671A (zh) 2015-03-01
TWI616834B (zh) 2018-03-01
EP3039577A1 (en) 2016-07-06
HK1204688A1 (zh) 2015-11-27
US20150058160A1 (en) 2015-02-26
KR20160028454A (ko) 2016-03-11
US9984402B2 (en) 2018-05-29
JP2016531350A (ja) 2016-10-06
JP6228307B2 (ja) 2017-11-08
EP3039577B1 (en) 2018-12-26
SG11201510059VA (en) 2016-01-28
CN104424230B (zh) 2019-10-29
WO2015031095A1 (en) 2015-03-05

Similar Documents

Publication Publication Date Title
CN104424230A (zh) 一种网络商品推荐方法及装置
Prabhu et al. Extreme multi-label learning with label features for warm-start tagging, ranking & recommendation
CN108121737B (zh) 一种业务对象属性标识的生成方法、装置和系统
US20140025533A1 (en) Method and Apparatus of Recommending Clothing Products
CN103914492B (zh) 查询词融合方法、商品信息发布方法和搜索方法及系统
CN102929939B (zh) 个性化信息的提供方法及装置
TWI648642B (zh) Data search processing method and system
CN104679771A (zh) 一种个性化数据搜索方法和装置
CN104866474A (zh) 个性化数据搜索方法及装置
CN110727862B (zh) 一种商品搜索的查询策略的生成方法及装置
US20150356072A1 (en) Method and Apparatus of Matching Text Information and Pushing a Business Object
Sembium et al. Recommending product sizes to customers
CN101950400B (zh) 网络购物导航方法领域的图片检索方法
CN107632984A (zh) 一种聚类数据表的展现方法、装置和系统
CN106919611B (zh) 产品信息推送方法和装置
CN108073667B (zh) 产生用户浏览属性的方法、以及非暂存计算机可读介质
CN104615779A (zh) 一种Web文本个性化推荐方法
CN102609422A (zh) 类目错放识别方法和装置
CN105023178B (zh) 一种基于本体的电子商务推荐方法
CN110619559B (zh) 基于大数据信息在电子商务中精准推荐商品的方法
CN103886486A (zh) 一种基于支持向量机svm的电子商务推荐方法
CN102298650A (zh) 一种海量数字信息的分布式推荐方法
CN104751353A (zh) 基于聚类和Slope One预测的协同过滤方法
CN113837842A (zh) 一种基于用户行为数据的商品推荐方法及设备
CN110288362A (zh) 刷单的预测方法、装置及电子设备

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 1204688

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant