CN105787490A - 基于深度学习的商品潮流识别方法及装置 - Google Patents

基于深度学习的商品潮流识别方法及装置 Download PDF

Info

Publication number
CN105787490A
CN105787490A CN201610170685.3A CN201610170685A CN105787490A CN 105787490 A CN105787490 A CN 105787490A CN 201610170685 A CN201610170685 A CN 201610170685A CN 105787490 A CN105787490 A CN 105787490A
Authority
CN
China
Prior art keywords
commodity
trend
vector
label
picture
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.)
Pending
Application number
CN201610170685.3A
Other languages
English (en)
Inventor
王海强
牟川
梁超
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.)
Nanjing Xinyili Culture Communication Co ltd
Original Assignee
Nanjing Xinyili Culture Communication Co 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 Nanjing Xinyili Culture Communication Co ltd filed Critical Nanjing Xinyili Culture Communication Co ltd
Priority to CN201610170685.3A priority Critical patent/CN105787490A/zh
Publication of CN105787490A publication Critical patent/CN105787490A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的商品潮流识别方法及装置，首先通过获得潮流商品的图片，对商品的图像进行特征抽取，然后对商品的潮流标签进行抽取，使得每一个商品都一个潮流风格相关的向量，再通过将已有标签的特征和目标潮流向量进行神经网络训练，训练获得该神经网络的系数，最后通过系数的确定，将潮流向量映射为潮流标签，形成商品的潮流风格标签。

Description

基于深度学习的商品潮流识别方法及装置
技术领域
本发明涉及一种智能识别商品潮流风格的方法和装置，尤其是在电子商务领域，方便消费者快速寻找自己想要风格的商品潮流智能识别系统，具体为基于深度学习的商品潮流识别方法及装置。
背景技术
现在互联网已经成为人们购物的主要途径，尤其是年轻人群更愿意选择网上购物，提供网上商品销售服务的网站也非常的多。如何更好地了解流行的趋势和动向，在网上购物的时候可以快速便捷地了解到世界范围的潮流动态以及潮流商品，目前，消费者只能通过人工设置搜索或者口碑推荐等方式去了解与购买潮品，在购买体验上需要花费更多的时间和精力，无法实时获得商品的潮流风格。
为了提供更快更好的消费体验，让消费者在网络购物的时候随时了解到商品的潮流资讯，本发明提出了一种基于深度学习的商品潮流识别方法及装置，根据商品的图片来判断该商品的潮流风格，将视觉感受到的商品图案的潮流相关的量化为潮流风格，做风格推荐。
发明内容
本发明为了解决现有技术中的问题，提出一种基于深度学习的商品潮流识别方法及装置，包括以下步骤：
步骤1：商品图像特征抽取：对电商平台上售卖的所有潮流商品，采用深度学习对商品图片进行特征提取，将原始的图片数据转化为代表图片内容的向量特征进行表达；
步骤2：商品潮流标签抽取：在各个三级品类,类目下的所有的商品，按照人工标注的部分商品，将潮流标签标示成为目标的向量。
步骤3：特征到目标变量的神经网络训练：将以有标签的特征和目标潮流向量进行神经网络训练，训练获得该神经网络的系数。
步骤4：确定系数：对新的商品抽取CNN的特征变量，然后利用步骤3训练得到的系数，进行神经网络的计算，计算得到的向量即为目标的潮流向量。
步骤5：根据步骤2的映射关系，将潮流向量映射为潮流标签，获得商品的潮流风格标签。
进一步地，步骤1所述的采用深度学习算法对商品图片进行特征提取，具体步骤是：
图片转化为向量，将图片转化为256*256像素大小，256灰度来进行表示，再加上RGB3个通道，图片的原始值为256*256*3的向量；
深度学习模型采用CNN模型提取特征，输入图像通过和三个可训练的滤波器和可加偏置进行卷积，卷积后在C1层产生三个特征映射图，然后特征映射图中每组的四个像素再进行求和，加权值，加偏置，通过一个Sigmoid函数得到三个S2层的特征映射图，映射图再进过滤波得到C3层，这个层级结构再和S2一样产生S4，像素值被光栅化，并连接成一个向量输入到传统的神经网络，得到输出。
进一步地，步骤2所述的商品潮流标签抽取，设置V1对应第1个商品的潮流标签，V2对应第2个商品的潮流标签……Vn对应N个潮流的标签，针对第i个潮流标签该商品标注为yes，则该Vi的值为1，否则为0。
进一步地，步骤3所述的特征到目标变量的神经网络训练，具体过程如下，输入层即为步骤1得到的商品图片的向量。输出层即为步骤2得到的潮流风格向量。整个训练过程是计算中间各层之间的系数W。
进一步地，步骤4所述的确定系数，具体过程如下：对于未知潮流风格的数据按照计算公式：
T=f(a1*w1+…..+an*wn+b)
f=1/1+math.exp(-y)
计算出输出向量，该向量为小数类型的值，然后取阈值0.5，大于的为1，小于的为0.最后的向量就是潮流风格的向量。
进一步地，步骤5所述的根据步骤2的映射关系，将潮流向量映射为潮流标签，具体过程如下：将该向量中为1的值与对应的风格标签一一对应，组合成为新标签，新标签就是商品的潮流风格标签。
本发明方案将商品图片所蕴含的潮流风格挖掘出来，直接与图片比对，实时获取商品的潮流风格，对基于风格的推荐做数据基础。
附图说明
图1为本发明的整体流程示意图。
图2为CNN模型的网络结构图。
图3为神经网络计算结构图。
图4为卷积层计算公式示意图。
具体实施方式
下面结合具体实施例，对本发明的技术方案做进一步的详细说明。
以下实施例在本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本实施例是基于深度学习的商品潮流识别方法及装置，包括以下步骤：步骤1：商品图像特征抽取：对电商平台上售卖的所有潮流商品，采用深度学习对商品图片进行特征提取，将原始的图片数据转化为代表图片内容的向量特征进行表达；
步骤2：商品潮流标签抽取：在各个三级品类,类目下的所有的商品，按照人工标注的部分商品，将潮流标签标示成为目标的向量。
步骤3：特征到目标变量的神经网络训练：将以有标签的特征和目标潮流向量进行神经网络训练。训练获得该神经网络的系数；
步骤4：确定系数：对新的商品抽取CNN的特征变量，然后利用地3步训练得到的系数，进行神经网络的计算。计算得到的向量即为目标的潮流向量；
步骤5：根据步骤2的映射关系，将潮流向量映射为潮流标签，获得商品的潮流风格标签。
进一步地，步骤1所述的采用深度学习算法对商品图片进行特征提取，具体步骤是：
图片转化为向量，将图片转化为256*256像素大小，256灰度来进行表示，再加上RGB3个通道，图片的原始值为256*256*3的向量；
参考附图2，深度学习模型采用CNN模型提取特征，输入图像通过和三个可训练的滤波器和可加偏置进行卷积，卷积后在C1层产生三个特征映射图，然后特征映射图中每组的四个像素再进行求和，加权值，加偏置，通过一个Sigmoid函数得到三个S2层的特征映射图，映射图再进过滤波得到C3层，这个层级结构再和S2一样产生S4，像素值被光栅化，并连接成一个向量输入到传统的神经网络，得到输出。
C层为特征提取层，每个神经元的输入与前一层的局部感受野相连，并提取该局部的特征，一旦该局部特征被提取后，它与其他特征间的位置关系也随之确定下来；S层是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射为一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。原始的图像数据通过CNN，在C3层提取得到的向量即为图片的特征向量。
进一步地，步骤2所述的商品潮流标签抽取，设置V1对应第1个商品的潮流标签，V2对应第2个商品的潮流标签……Vn对应N个潮流的标签，针对第i个潮流标签该商品标注为yes，则该Vi的值为1，否则为0。
举例来说，按如下表将三级品类商品划分：
序号 一级类目 二级类目 三级类目
1 上衣 T恤 长袖T恤
2 上衣 T恤 短袖T恤
潮流标签分类如下：街头、个性、摩登、运动学院、英伦、商务、休闲，
首先人工标注的商品如下：
商品ID 商品 街头 个性摩登 运动 学院 英伦 商务 休闲
1 Lightning Bear HOLLYWOOD系列泰迪熊TEE 0 1 0 1 0 0 1
最终每个商品有一个潮流风格相关的向量,表示为：（0,1,0,1,0,0,1）；
进一步地，步骤3所述的特征到目标变量的神经网络训练，具体过程如下，参加附图3，输入层即为步骤1得到的商品图片的向量。输出层即为步骤2得到的潮流风格向量，参考附图4，整个训练过程是计算中间各层之间的系数W。
进一步地，步骤4所述的确定系数，具体过程如下：对于未知潮流风格的数据按照计算公式
T=f(a1*w1+…..+an*wn+b)
f=1/1+math.exp(-y)
计算出输出向量，参考附图4，该向量为小数类型的值，然后取阈值0.5，大于的为1，小于的为0.最后的向量就是潮流风格的向量。
进一步地，步骤5所述的根据步骤2的映射关系，将潮流向量映射为潮流标签，具体过程如下：将该向量中为1的值与对应的风格标签一一对应，组合成为新标签，新标签就是商品的潮流风格标签。

Claims (6)

1.一种基于深度学习的商品潮流识别方法及装置，其特征在于：包括以下步骤：
步骤1：商品图像特征抽取：对电商平台上售卖的所有潮流商品，采用深度学习对商品图片进行特征提取，将原始的图片数据转化为代表图片内容的向量特征进行表达；
步骤2：商品潮流标签抽取：在各个三级品类,类目下的所有的商品，按照人工标注的部分商品，将潮流标签标示成为目标的向量；
步骤3：特征到目标变量的神经网络训练：将以有标签的特征和目标潮流向量进行神经网络训练，训练获得该神经网络的系数；
步骤4：确定系数：对新的商品抽取CNN的特征变量，然后利用步骤3训练得到的系数，进行神经网络的计算，计算得到的向量即为目标的潮流向量；
步骤5：根据步骤2的映射关系，将潮流向量映射为潮流标签，获得商品的潮流风格标签。
2.根据权利要求1所述的一种基于深度学习的商品潮流识别方法及装置，其特征在于：步骤1所述的采用深度学习算法对商品图片进行特征提取，具体步骤是：
图片转化为向量，将图片转化为256*256像素大小，256灰度来进行表示，再加上RGB3个通道，图片的原始值为256*256*3的向量；
深度学习模型采用CNN模型提取特征，输入图像通过和三个可训练的滤波器和可加偏置进行卷积，卷积后在C1层产生三个特征映射图，然后特征映射图中每组的四个像素再进行求和，加权值，加偏置，通过一个Sigmoid函数得到三个S2层的特征映射图，映射图再进过滤波得到C3层，这个层级结构再和S2一样产生S4，像素值被光栅化，并连接成一个向量输入到传统的神经网络，得到输出。
3.根据权利要求1所述的一种基于深度学习的商品潮流识别方法及装置，其特征在于：步骤2所述的商品潮流标签抽取，设置V1对应第1个商品的潮流标签，V2对应第2个商品的潮流标签……Vn对应N个潮流的标签，针对第i个潮流标签该商品标注为yes，则该Vi的值为1，否则为0。
4.根据权利要求1所述的一种基于深度学习的商品潮流识别方法及装置，其特征在于：步骤3所述的特征到目标变量的神经网络训练，具体过程如下，输入层为步骤1得到的商品图片的向量，输出层为步骤2得到的潮流风格向量，整个训练过程是计算中间各层之间的系数W。
5.根据权利要求1所述的一种基于深度学习的商品潮流识别方法及装置，其特征在于：步骤4所述的确定系数，具体过程如下：
对于未知潮流风格的数据按照计算公式：
T=f(a1*w1+…..+an*wn+b)
f=1/1+math.exp(-y)
计算出输出向量，该向量为小数类型的值，然后取阈值0.5，大于的为1，小于的为0.最后的向量就是潮流风格的向量。
6.根据权利要求1所述的一种基于深度学习的商品潮流识别方法及装置，其特征在于：步骤5所述的根据步骤2的映射关系，将潮流向量映射为潮流标签，具体过程如下：
将该向量中为1的值与对应的风格标签一一对应，组合成为新标签，新标签就是商品的潮流风格标签。
CN201610170685.3A 2016-03-24 2016-03-24 基于深度学习的商品潮流识别方法及装置 Pending CN105787490A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610170685.3A CN105787490A (zh) 2016-03-24 2016-03-24 基于深度学习的商品潮流识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610170685.3A CN105787490A (zh) 2016-03-24 2016-03-24 基于深度学习的商品潮流识别方法及装置

Publications (1)

Publication Number Publication Date
CN105787490A true CN105787490A (zh) 2016-07-20

Family

ID=56390803

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610170685.3A Pending CN105787490A (zh) 2016-03-24 2016-03-24 基于深度学习的商品潮流识别方法及装置

Country Status (1)

Country Link
CN (1) CN105787490A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106326852A (zh) * 2016-08-18 2017-01-11 无锡天脉聚源传媒科技有限公司 一种基于深度学习的商品识别方法及装置
CN106569991A (zh) * 2016-10-28 2017-04-19 杭州慕锐科技有限公司 一种纺织印染品的花型智能排版方法
CN106971202A (zh) * 2017-03-24 2017-07-21 南京大学 一种基于卷积神经网络的中国水墨画风格提取方法
CN107491433A (zh) * 2017-07-24 2017-12-19 成都知数科技有限公司 基于深度学习的电商异常金融商品识别方法
CN107767152A (zh) * 2016-08-16 2018-03-06 平安科技（深圳）有限公司 产品购买倾向分析方法及服务器
CN108197574A (zh) * 2018-01-04 2018-06-22 张永刚 人物风格识别方法、终端及计算机可读存储介质
CN108520194A (zh) * 2017-12-18 2018-09-11 上海云拿智能科技有限公司 基于影像监测的货品感知系统及货品感知方法
CN108875910A (zh) * 2018-05-23 2018-11-23 山东大学 基于注意力知识提取的服装搭配方法、系统及存储介质
CN109272003A (zh) * 2017-07-17 2019-01-25 华东师范大学 一种消除深度学习模型中未知错误的方法与装置
CN109559453A (zh) * 2017-09-27 2019-04-02 缤果可为（北京）科技有限公司 用于自动结算的人机交互装置及其应用
CN111680201A (zh) * 2019-12-31 2020-09-18 江苏工程职业技术学院 服装潮流趋势样品展示板的制作方法及其潮流趋势册
WO2022021395A1 (zh) * 2020-07-31 2022-02-03 深圳齐心集团股份有限公司 一种电子商务商品推荐系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010262425A (ja) * 2009-05-01 2010-11-18 Palo Alto Research Center Inc 衣服を認識および分類するためのコンピュータ実行方法
CN104345886A (zh) * 2014-10-09 2015-02-11 深圳码隆科技有限公司 一种实现时尚体验的智能眼镜系统及个性化时尚体验方法
CN104463324A (zh) * 2014-11-21 2015-03-25 长沙马沙电子科技有限公司 一种基于大规模高性能集群的卷积神经网络并行处理方法
CN104715023A (zh) * 2015-03-02 2015-06-17 北京奇艺世纪科技有限公司 基于视频内容的商品推荐方法和系统
CN104866524A (zh) * 2015-04-10 2015-08-26 大连交通大学 一种商品图像精细分类方法
CN105117739A (zh) * 2015-07-29 2015-12-02 南京信息工程大学 一种基于卷积神经网络的服装分类方法
CN105426455A (zh) * 2015-11-12 2016-03-23 中国科学院重庆绿色智能技术研究院 基于图片处理来对衣服进行分类管理的方法和装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010262425A (ja) * 2009-05-01 2010-11-18 Palo Alto Research Center Inc 衣服を認識および分類するためのコンピュータ実行方法
CN104345886A (zh) * 2014-10-09 2015-02-11 深圳码隆科技有限公司 一种实现时尚体验的智能眼镜系统及个性化时尚体验方法
CN104463324A (zh) * 2014-11-21 2015-03-25 长沙马沙电子科技有限公司 一种基于大规模高性能集群的卷积神经网络并行处理方法
CN104715023A (zh) * 2015-03-02 2015-06-17 北京奇艺世纪科技有限公司 基于视频内容的商品推荐方法和系统
CN104866524A (zh) * 2015-04-10 2015-08-26 大连交通大学 一种商品图像精细分类方法
CN105117739A (zh) * 2015-07-29 2015-12-02 南京信息工程大学 一种基于卷积神经网络的服装分类方法
CN105426455A (zh) * 2015-11-12 2016-03-23 中国科学院重庆绿色智能技术研究院 基于图片处理来对衣服进行分类管理的方法和装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SUSANA ZOGHBI 等: "Cross-Modal Attribute Recognition in Fashion", 《RESEARCHGATE》 *
张恒亨: "基于传统方法和深度学习的图像精细分类研究", 《万方数据知识服务平台》 *
纪娟 等: "基于HOG和几何特征的服装细节要素识别与分类", 《图学学报》 *
钟晓东: "基于认知特征的服装风格自主分类的研究与实现", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107767152B (zh) * 2016-08-16 2020-11-20 平安科技（深圳）有限公司 产品购买倾向分析方法及服务器
CN107767152A (zh) * 2016-08-16 2018-03-06 平安科技（深圳）有限公司 产品购买倾向分析方法及服务器
CN106326852A (zh) * 2016-08-18 2017-01-11 无锡天脉聚源传媒科技有限公司 一种基于深度学习的商品识别方法及装置
CN106569991A (zh) * 2016-10-28 2017-04-19 杭州慕锐科技有限公司 一种纺织印染品的花型智能排版方法
CN106569991B (zh) * 2016-10-28 2019-05-28 杭州米绘科技有限公司 一种纺织印染品的花型智能排版方法
CN106971202A (zh) * 2017-03-24 2017-07-21 南京大学 一种基于卷积神经网络的中国水墨画风格提取方法
CN109272003A (zh) * 2017-07-17 2019-01-25 华东师范大学 一种消除深度学习模型中未知错误的方法与装置
CN107491433A (zh) * 2017-07-24 2017-12-19 成都知数科技有限公司 基于深度学习的电商异常金融商品识别方法
CN109559453A (zh) * 2017-09-27 2019-04-02 缤果可为（北京）科技有限公司 用于自动结算的人机交互装置及其应用
CN108520194A (zh) * 2017-12-18 2018-09-11 上海云拿智能科技有限公司 基于影像监测的货品感知系统及货品感知方法
US11501523B2 (en) 2017-12-18 2022-11-15 Shanghai Cloudpick Smart Technology Co., Ltd. Goods sensing system and method for goods sensing based on image monitoring
CN108197574A (zh) * 2018-01-04 2018-06-22 张永刚 人物风格识别方法、终端及计算机可读存储介质
CN108197574B (zh) * 2018-01-04 2020-09-08 张永刚 人物风格识别方法、终端及计算机可读存储介质
CN108875910A (zh) * 2018-05-23 2018-11-23 山东大学 基于注意力知识提取的服装搭配方法、系统及存储介质
CN111680201A (zh) * 2019-12-31 2020-09-18 江苏工程职业技术学院 服装潮流趋势样品展示板的制作方法及其潮流趋势册
CN111680201B (zh) * 2019-12-31 2023-12-22 江苏工程职业技术学院 服装潮流趋势样品展示板的制作方法及其潮流趋势册
WO2022021395A1 (zh) * 2020-07-31 2022-02-03 深圳齐心集团股份有限公司 一种电子商务商品推荐系统

Similar Documents

Publication Publication Date Title
CN105787490A (zh) 基于深度学习的商品潮流识别方法及装置
CN111784455B (zh) 一种物品推荐方法及推荐设备
KR102102161B1 (ko) 이미지 내 객체의 대표 특성을 추출하는 방법, 장치 및 컴퓨터 프로그램
Sun et al. Problems of encoder-decoder frameworks for high-resolution remote sensing image segmentation: Structural stereotype and insufficient learning
AU2019201787B2 (en) Compositing aware image search
KR20190117584A (ko) 스트리밍 비디오 내의 객체를 검출하고, 필터링하고 식별하기 위한 방법 및 장치
CN109934619A (zh) 用户画像标签建模方法、装置、电子设备及可读存储介质
CN111144933B (zh) 商品推荐方法、装置、电子设备及存储介质
CN106504064A (zh) 基于深度卷积神经网络的服装分类与搭配推荐方法及系统
CN109903117A (zh) 一种用于商品推荐的知识图谱处理方法及装置
CN112258260A (zh) 基于用户特征的页面展示方法、装置、介质及电子设备
Chen et al. Recognizing the style of visual arts via adaptive cross-layer correlation
US20220292328A1 (en) Convolutional artificial neural network based recognition system in which registration, search, and reproduction of image and video are divided between and performed by mobile device and server
He et al. FashionNet: Personalized outfit recommendation with deep neural network
CN115131698B (zh) 视频属性确定方法、装置、设备及存储介质
Kang Combining grey relationship analysis and neural network to develop attractive automobile booth design
CN115687760A (zh) 一种基于图神经网络的用户学习兴趣标签预测方法
CN117475258A (zh) 虚拟试衣模型的训练方法、虚拟试衣方法及电子设备
CN111522979A (zh) 图片排序推荐方法、装置、电子设备、存储介质
CN115641179A (zh) 信息推送方法、装置及电子设备
CN110570226B (zh) 一种联合主题模型和异质信息网络的评分预测方法
Ou et al. An Intelligent Recommendation System for Real Estate Commodity.
CN116703523A (zh) 基于大数据的电子商务系统及其方法
KR20210041733A (ko) 패션 상품 추천 방법, 장치 및 컴퓨터 프로그램
Pradeep et al. Data science and deep learning applications in the e-commerce industry: A survey

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20160720

WD01 Invention patent application deemed withdrawn after publication