CN105989510A - 一种基于神经网络的在线商品推荐系统、装置及移动终端 - Google Patents
一种基于神经网络的在线商品推荐系统、装置及移动终端 Download PDFInfo
- Publication number
- CN105989510A CN105989510A CN201510064056.8A CN201510064056A CN105989510A CN 105989510 A CN105989510 A CN 105989510A CN 201510064056 A CN201510064056 A CN 201510064056A CN 105989510 A CN105989510 A CN 105989510A
- Authority
- CN
- China
- Prior art keywords
- network model
- unit
- training
- neural
- weighted value
- 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
Links
Abstract
本发明公开了一种基于神经网络的在线商品推荐系统、装置及移动终端,属于神经网络技术领域;系统包括采集装置,获取商品图像并转换为时间脉冲序列输出;识别装置,连接采集装置,通过第一神经网络模型,根据时间脉冲序列识别商品图像,并远程输出相应的识别结果;服务端基于一第二神经网络模型,根据识别结果处理形成推荐信息并反馈;用户端还包括:结果反馈装置,连接识别装置,获取基于推荐信息进行的操作结果并输出;识别装置根据操作结果,对第一神经网络模型和/或对第二神经网络进行更新。上述技术方案的有益效果是:降低移动终端应用数学处理模型对网络带宽的依赖程度;提升图像识别和数据处理的效率,提升使用者的使用体验。
Description
技术领域
本发明涉及神经网络技术领域,尤其涉及一种基于神经网络的在线商品推荐系统、装置及移动终端。
背景技术
现有技术中,针对移动终端的在线商品推荐系统,通常会采用设置于移动终端内部的一些数据处理模型实现。这些数学处理模型需要根据使用者个人的习惯的变动进行相适应的调整。
但是现有技术中,于移动终端内部实现商品识别并且推荐相应商品的功能,通常受制于移动终端相对较小的运算能力,以及移动终端内部相对固定的数学处理模型,其数据处理依赖于远程服务端的支持,且处理方式比较固定,并不灵活。
发明内容
根据现有技术中存在的问题,现提供一种基于神经网络的在线商品推荐系统、装置及移动终端的技术方案,旨在解决现有技术中于移动终端内采用数学处理模型进行在线商品推荐处理时受制于预先固定的处理模型以及模型本身的运算能力而导致的处理方式灵活度较差以及计算能力较差的问题。
上述技术方案具体包括:
一种基于神经网络的在线商品推荐系统,其中,包括多个用户端以及分别与所述用户端远程连接的服务端,每个所述用户端分别设置于一移动终端内:
所述用户端包括:
采集装置,用于获取在线推荐的商品图像,并将所述商品图像转换为相应的时间脉冲序列输出;
识别装置,连接所述采集装置,通过一预先训练的第一神经网络模型,根据所述时间脉冲序列识别所述商品图像,并向所述服务端远程输出相应的识别结果;
所述服务端基于一预先训练的第二神经网络模型,根据所述识别结果处理形成相应的推荐信息并反馈给所述用户端;
所述用户端还包括:
结果反馈装置,连接所述识别装置,用于获取使用者基于所述推荐信息进行的操作结果并发送至所述识别装置;
所述识别装置根据所述操作结果,对所述第一神经网络模型进行更新,和/或根据所述操作结果发送至所述服务端,以对所述第二神经网络进行更新。
优选的,该在线商品推荐系统,其中,所述识别装置包括:
训练数据单元,其中预设有多个训练数据,所述训练单元用于输出所述训练数据;
模型训练单元,连接所述训练数据单元,用于根据所述训练数据训练建立相应的所述第一神经网络模型;
所述模型训练单元还基于所述识别记录更新所述第一神经网络模型。
优选的,该在线商品推荐系统,其中,所述训练数据包括训练输入数据以及相应的期望输出数据;
所述模型训练单元中包括:
处理模块,基于一预设的所述第一神经网络模型,根据所述训练输入数据处理输出相应的训练输出数据;
比对模块,连接所述处理模块,用于将所述训练输出数据与所述期望输出数据进行比对,输出相应的比对结果;
训练模块,分别连接所述处理模块和所述比对模块,用于根据所述比对结果训练更新所述处理单元所依据的所述第一神经网络模型;
所述训练更新模块根据所述比对结果循环更新所述第一神经网络模型,以最终形成训练完毕的所述第一神经网络模型,以供所述识别装置使用。
优选的,该在线商品推荐系统,其中,所述操作结果包括用于表示所述识别装置是否能够正确识别所述商品图像的第一结果信息;
所述操作结果与相应的所述商品图像结合形成一条相应的识别记录;
所述识别装置包括:
权重设定单元,根据所述第一结果信息,设定相应的所述识别记录于更新所述第一神经网络模型过程中的权重值;
更新单元,连接所述权重设定单元,用于根据相应的所述权重值,确定是否需要根据相应的所述识别记录更新所述第一神经网络模型,并对所述第一神经网络模型进行更新。
优选的,该在线商品推荐系统,其中,当所述第一结果信息表示所述识别装置能够识别所述商品图像时,所述权重设定单元将相应的所述权重值设定为一第一预设值;
当所述第一结果信息表示所述识别装置无法识别所述第二预设值时,所述权重设定单元将相应的所述权重值设定为一第二预设值;
所述更新单元根据所述权重值为第二预设值的所述第一结果信息更新所述第一神经网络模型。
优选的,该在线商品推荐系统,其中,所述操作结果包括用于表示使用者是否忽略所述推荐信息的第二结果信息;
所述操作结果与相应的所述商品图像结合形成一条相应的识别记录;
所述识别装置包括:
权重设定单元,根据所述第二结果信息,设定相应的所述识别记录于更新所述第二神经网络模型过程中的权重值;
更新单元,连接所述权重设定单元,用于根据所述权重值确定是否需要更新所述第二神经网络模型,并将相应的所述识别记录发送至所述服务端以更新所述第二神经网络模型。
优选的,该在线商品推荐系统,其中,当所述第二结果信息表示使用者对所述推荐信息进行操作时,所述权重设定单元将相应的所述权重值设定为一第一预设值;
当所述第二结果信息表示使用者忽略所述推荐信息时,所述权重设定单元将相应的所述权重值设定为一第二预设值;
所述更新单元将所述权重值为第二预设值的所述第二结果信息对应的所述识别记录发送至所述服务端,以更新所述第二神经网络模型。
优选的,该在线商品推荐系统,其中,所述操作结果包括用于表示使用者选择所述推荐信息的顺次的第三结果信息;
所述识别装置包括:
权重设定单元,根据所述第三结果信息,设定相应的所述识别记录于更新所述第二神经网络模型过程中的权重值;
更新单元,连接所述权重设定单元,用于根据所述权重值确定是否需要更新所述第二神经网络模型,并将相应的所述识别记录发送至所述服务端以更新所述第二神经网络模型。
优选的,该在线商品推荐系统,其中,当所述第三结果信息表示使用者所选择的所述推荐信息为第一顺次时,所述权重设定单元将相应的所述权重值设定为一第一预设值;
当所述第三结果信息表示使用者所选的所述推荐信息不为第一顺次时,所述权重设定单元将相应的所述权重值设定为一第二预设值;
所述更新单元将所述权重值为第二预设值的所述第二结果信息对应的所述识别记录发送至所述服务端,以更新所述第二神经网络模型。
优选的,该在线商品推荐系统,其中:
所述权重设定单元将所述第一预设值设定为一正常值;
所述权重设定单元将所述第二预设值设定为高于所述正常值。
优选的,该在线商品推荐系统,其中,所述采集装置为所述移动终端的摄像头。
优选的,该在线商品推荐系统,其中,所述第一神经网络模型和所述第二网络模型均为脉冲神经网络模型。
一种识别装置,应用于移动终端;其中,所述识别装置通过以多行多列排布并相互关联的多个神经单元模块块处理形成的神经网络模型对外部输入的商品图像进行识别;
外部输入的商品图像被转换成相应的时间脉冲序列并发送至所述识别装置内。
优选的,该识别装置,其中,经所述商品图像转换的所述时间脉冲序列由多个子脉冲序列构成;
每个所述神经单元模块用于处理一个所述子脉冲序列;
所述识别装置中包括:
排程设定单元,分别连接每个所述神经单元模块,用于获取每个所述神经单元模块的工作状态,并控制每个所述神经单元模块的排程;
序列存储单元,连接所述排程设定单元,用于按序保存所有所述子脉冲序列;
所述排程设定单元控制处于空闲状态的所述神经单元模块处理所述序列存储单元中保存的一个预设的所述子脉冲序列;
所述排程设定单元从所述序列存储单元中删除已被处理的所述子脉冲序列。
优选的,该识别装置,其中,每个所述神经单元模块中包括以多行多列排布并相互关联的神经单元。
优选的,该识别装置,其中,所述第一神经网络模型和所述第二神经网络模型均为脉冲神经网络模型。
一种移动终端,其中,包括上述的在线商品推荐系统中的用户端。
一种移动终端,其中,包括上述的识别装置。
上述技术方案的有益效果是:
1)将识别对象转换成相应的时间脉冲序列并进行神经网络模型的识别和处理,减少向远程服务端传输的数据量,降低移动终端应用数学处理模型对网络带宽的依赖程度;
2)在实际应用的同时对神经网络模型进行不断训练更新,以根据使用者的个人习惯完善神经网络模型,提升图像识别和数据处理的效率,提升使用者的使用体验。
附图说明
图1是本发明的较佳的实施例中,一种在线商品推荐系统的结构示意图;
图2是本发明的较佳的实施例中,用户端的具体结构示意图;
图3是本发明的较佳的实施例中,时间脉冲序列的示意图;
图4是本发明的较佳的实施例中,构建识别装置中神经网络模型的示意图。
图5-6是本发明的较佳的实施例中,识别装置中神经网络模型的连接示意图;
图7是本发明的较佳的实施例中,模型训练单元的具体结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
现有技术中,传统的应用于移动终端等手持设备上实现智能识别的数学模型,通常有两种实现方式:
1)其中一种实现方式受制于移动终端的硬件计算能力,需要通过远程服务端的计算,也就是云计算训练移动终端内部的数学处理模型。由于移动终端与远程服务端之间传输的数据量可能会比较大,例如进行图像识别或者视频识别等,因此这种方式的实现受限于网络带宽的限制,是一种比较不可靠的实现方式;
2)另一种实现方式可以将预先训练好的智能数学处理模型预置于移动终端内部,并根据该数学处理模型直接进行相应的识别处理。这种方式所依赖的数学处理模型由于是预先训练并且预置于移动终端内部,因此缺乏一定的灵活性,在使用者改变了个人书写习惯或者不同的使用者使用时无法通过自学习或者自训练来适应使用者的操作。
因此,本发明引入神经网络模型作为移动终端内部的数学处理模型,以解决现有技术中存在的问题。
所谓神经网络,又称为人工神经网络,是一种模仿动物神经网络行为特征,进行分布式并行信息处理的数据处理和计算的模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。
本发明的较佳的实施例中,基于现有技术中存在的上述问题,提供一种基于神经网络的在线商品推荐系统。本发明的较佳的实施例中,如图1所示,该在线商品推荐系统包括多个用户端A以及一服务端B。
本发明的较佳的实施例中,服务端B分别远程连接上述多个用户端A。
本发明的较佳的实施例中,每个用户端A设置于相应的移动终端内(未示出),即上述在线商品推荐系统包括设置于移动终端内部的一端,以及与移动终端远程连接的一端。
本发明的较佳的实施例中,如图2所示,每个用户端A中包括:
采集装置1,用于获取在线推荐的商品图像,并将商品图像转换为相应的时间脉冲序列输出。
本发明的较佳的实施例中,上述采集装置1可以为移动终端上的摄像头,即在线应购物等类似应用可以控制移动终端的摄像头摄取在线商品的商品图像。
本发明的较佳的实施例中,采集单元12获取相应的商品图像,并将该首席字符转换成相应的时间脉冲序列输出。
本发明的较佳的实施例中,时间脉冲序列(Spike Sequences)如图3所示。图3中可看到,时间脉冲序列可以为一种比较稀疏的时间数字序列,序列可以由0或1表示,也可以由其他整数表示。如图3所示,一个经由拍摄获取的商品图像可以对应数个子脉冲序列。
本发明的较佳的实施例中,于神经网络模型中处理和传输的数据均被转换成如上文中所述的时间脉冲序列,由于这些时间脉冲序列相对于原先的商品图像而言数据量更小,因此通过网络传输的流量负荷也大大减小,对于网络带宽的依赖程度也相应减小。同时由于本发明中将商品图像转换成各式各样的脉冲信号,因此大大提升了数据传输的加密程度,保证数据传输的安全性。
因此,本发明的较佳的实施例中所采用的神经网络模型为脉冲神经网络模型。
本发明的较佳的实施例中,仍然如图2所示,上述手写字符识别系统中还包括:
识别装置2,连接上述采集装置1。本发明的较佳的实施例中,识别装置基于一预先训练的第一神经网络模型实现对上述商品图像的识别。进一步地,本发明的较佳的实施例中,上述识别装置2基于一预先训练的第一神经网络模型对上述时间脉冲序列进行识别,并输出相应的识别结果。
本发明的较佳的实施例中,如图4所示,上述第一神经网络模型由多行多列且相互关联的神经单元模块A构成。进一步地,本发明的较佳的实施例中,仍然如图3所示,每个神经单元模块A中包括P*P个神经单元a,每个神经单元模块A中的神经单元a同样以多行多列排布且相互关联的形式连接。本发明的较佳的实施例中,所谓相互关联,是指神经单元与神经单元之间,或者神经单元模块与神经单元模块之间可以进行相互间的数据传输。如上文所述,一个神经单元模块A可以对应处理一个时间脉冲序列(a SpikingSequence),通过相互连接的神经单元模块A处理形成的数据,可以最终输出采用该脉冲神经网络模型处理的识别结果。
本发明中所述的神经网络模型,无论第一神经网络模型或者第二神经网络模型均适用于本发明技术方案中所述的结果描述,下文中不再详述,仅以神经网络模型指代第一神经网络模型和第二神经网络模型。
本发明的较佳的实施例中,同一个神经单元模块(block)中,一级神经单元与上一级神经单元之间的连接关系可以参照图5所示。在第k层的神经单元接收到上一层(k-1层)的神经单元(1≤m≤l,l为一层神经单元所能连接的上一层神经单元的最大个数)处理的数据,并且将这些数据与该层神经单元本身的偏置(bias)(或者漏泄时滞Leakage)结合。本发明的较佳的实施例中,当该层神经单元所接收到的数据(全部信号)大于预设的一个阈值时,该神经单元便会发送一个脉冲(Spike)至下一层的神经单元,以启动下一层神经单元的数据处理,而神经单元本身将其电位重设为静息电位(Resting Potential)。
本发明的一个较佳的实施例中,提供下述公式以支持应用神经单元(模块)的排布构建脉冲神经网络模型的实现:
其中,
表示第k层第i个神经单元在时间点t上的电位;
因此,如公式(2)和公式(4)所示,当神经单元的电位在时间点t上超过上文中所述的电位临界点时,该神经单元激发一个脉冲(spike),并且将神经单元的电位重置(reset)为静息电位
本发明的较佳的实施例中,区别于公式(1)和公式(2),公式(3)和公式(4)考虑了个时间延迟的问题来模拟不同远近程度的神经单元之间传递脉冲的时间差的关系。
本发明的较佳的实施例中,于两个相互关联(相互链接)的神经单元a而言,下层神经单元a传输给上层神经单元a的脉冲(spike)的次数越频繁,则两个神经单元a之间的连结强度也会相应增强,相反地,连结强度会相应减弱。这种连结强度的变化也就是脉冲神经网络模型进行机械式自学习的过程。
本发明的其他实施例中,上述神经单元之间的连接以及神经网络模型的自学习方式同样可以应用现有技术中的许多实现形式,例如采用基于脉冲时间的学习规则(Spike Timing-Dependent Plasticity,STDP),其实现方式如下述公式所示,其中LTP表示长时程增强(Long-term Potentiation),即增强神经单元之间的连结强度,LTD表示长时程抑制(Long-term Depression),即减弱神经单元之间的连结强度。
其中,表示神经单元与神经单元之间的连结强度,则相应地表示连结强度的增加量
A+和A-,以及C+和C-均为对应于LTP和LTD可进行设置的参数;
tm为对应于神经单元的时间点;
ti为对应于神经单元的时间点。
本发明的较佳的实施例中,将神经单元a之间的连接扩展到神经单元模块A之间同样适用,即神经单元模块A之间同样适用上文中所述的连接方式以及连结强度的变化方式等。
本发明的较佳的实施例中,如图4所示,于上述识别装置中还包括一排程设定单元(Scheduler)B。本发明的较佳的实施例中,该排程设定单元B分别与每个神经单元模块A连接,并用于控制每个神经单元A的排程(Scheduling)。所谓排程,是指将任务分配至资源的过程,即排程设定单元B将相应的处理任务分配给相应的神经单元模块A。
本发明的较佳的实施例中,排程设定单元B可以获取每个神经单元模块A的工作状态,例如该神经单元模块A处于工作中或者空闲状态。具体地,本发明的一个较佳的实施例中,根据每个神经单元a(可以推广到每个神经单元模块A)处于被脉冲激活的点火状态,或者处于静息电位,来判断该神经单元a(神经单元模块A)是否处于空闲状态。
本发明的较佳的实施例中,如图4所示,上述识别装置中还包括一序列存储单元C,该序列存储单元C连接上述排程设定单元B。
具体地,本发明的较佳的实施例中,由于移动终端本身所能容纳的神经单元的数量有限,因此需要解决当处理一些比较复杂的任务(所需要的神经单元数量超过移动终端所容纳的神经单元数量)时的实现方法。
因此,本发明的较佳的实施例中,假设所需要处理的任务要求N个神经单元模块A进行处理,而移动终端内部容纳的神经单元模块A只有M个,且N>M。在这种情况下,以预设的第l层神经单元模块A为例,任务所需的神经单元模块A为N_l个,而该层神经单元模块A只有M_l个,此时将该N_l个任务所需数据(如上文所述,每个神经单元模块A对应一个子脉冲序列,即对应一个处理数据)暂存于上述序列存储单元C中,随后由排程设定单元B进行控制:当该层神经单元模块A中存在有处于空闲状态的神经单元模块A(例如已经完成相应计算的神经单元模块A),则依序将暂存于上述序列存储单元C中的数据送入该处于空闲状态的神经单元模块A中进行处理。以此类推,从而完成采用M个神经单元模块A处理N个神经单元模块才能处理的数据。上述技术方案使得移动终端能够突破其中包括的神经单元数量的限制而可以进行更复杂的计算。
如图6所示为本发明的一个较佳的实施例中,整个神经网络模型中神经单元模块之间的连接关系,同样可以类推到一个神经单元模块中的多个神经单元之间的连接关系。本发明的较佳的实施例中,图6中采用a(A)的表述方式表示图4中所示的连接结构同样适用神经单元a之间,以及神经单元模块A之间。由于现有技术中对此类连接关系的实现方式有较多描述,因此在此不再赘述。
本发明的较佳的实施例中,仍然如图2所示,上述识别装置2进一步包括:
训练数据单元21。本发明的较佳的实施例中,训练数据单元21中预设有多个训练数据,并用于输出训练数据。
本发明的较佳的实施例中,所谓训练数据,包括训练输入数据和期望输出数据。训练输入数据与期望输出数据一一对应。则本发明的较佳的实施例中,第一神经网络模型的自学习过程即:输入训练输入数据—输出训练输出数据—与期望输出数据进行比对—根据比对结果进行自学习。上述过程在下文中会详述。
模型训练单元22,连接训练数据单元21。本发明的较佳的实施例中,模型训练单元22用于根据训练数据训练建立相应的第一神经网络模型。
进一步地,本发明的较佳的实施例中,如图7所示,上述模型训练单元22包括:
处理模块221。本发明的较佳的实施例中,处理模块221基于一预设的第一神经网络模型,根据训练输入数据处理输出相应的训练输出数据。
本发明的较佳的实施例中,处理模块221第一次根据训练输入数据处理输出训练输出数据时所依据的第一神经网络模型为一预设的神经网络模型,即为一初始的第一神经网络模型。该第一神经网络模型被初始为任意模式,移动终端根据初始的第一神经网络模型进行一步步训练,从而形成最终训练完毕的第一神经网络模型。
比对模块222,连接处理模块221。本发明的较佳的实施例中,比对模块222用于将训练输出数据与期望输出数据进行比对,输出相应的比对结果。
训练模块223,分别连接处理模块221和比对模块222,用于根据比对结果训练更新处理单元所依据的第一神经网络模型。
本发明的较佳的实施例中,上述过程循环进行,从而形成最终训练完毕的第一神经网络模型。
例如,训练输入数据为A和B,期望输出数据中,A对应的输出为1,而B对应的输出为0。在初始化的第一神经网络模型中,A的输出可能对应于0或1,每个输出的概率各为50%。若A的输出为1,则与期望输出比对证明输出正确,此时不需要再对A进行学习,若A的输出为0,则与期望输出比对证明输出错误,需要对A→1进行进一步学习。对于B的处理和输出亦然。上述学习过程循环往复,以最终形成能够正确处理A和B并输出正确结果的第一神经网络模型。
本发明的较佳的实施例中,上述最终形成的第一神经网络模型可以供识别装置进行字符识别使用。但是这个第一神经网络模型在实际使用中还需要进一步地学习和完善,以适应使用者的个人习惯。进一步完善的过程在下文中会详述。
本发明的较佳的实施例中,经过上文中所述的初步学习和训练,形成初步可应用的第一神经网络模型。本发明的较佳的实施例中,该第一神经网络模型在之后的实际应用中会根据反馈结果不断进行自学习和自训练,从而不断完善第一神经网络模型。
本发明的较佳的实施例中,识别装置2基于上述第一神经网络模型,对输入的商品图像进行识别,具体为通过商品图像转换而来的时间脉冲序列识别获得相应的结果。本发明的较佳的实施例中,所谓识别结果,可以为商品的名称以及种类等。
本发明的较佳的实施例中,上述识别装置2将相应的识别结果远程发送至上述服务端B。本发明的较佳的实施例中,上述服务端B中同样基于一预先训练的第二神经网络模型,对识别结果进行处理,以获得相应的推荐信息。
本发明的较佳的实施例中,上述第二神经网络模型的预先训练方式与上述第一神经网络模型的训练方式类似,在此不再赘述。
本发明的较佳的实施例中,服务端基于第二神经网络模型处理得到的推荐信息,可以包括依据对应于商品名称或者种类的其他关联商品。例如,若当前识别结果表示商品为一电吹风,属于小型家电类。则服务端基于第二神经网络模型处理得到相应的推荐信息,可以包括统计得到的购买人数最多的电吹风类型,和/或其他相关联的小型家电例如小型风扇或者小型加湿器等。
因此,本发明的较佳的实施例中,服务端输出的推荐信息包括多个可能的推荐选项,这些推荐选项以预设的顺序排列,以供使用者选择。
本发明的较佳的实施例中,服务端B将上述推荐信息传回至相应的用户端A,即传回至相应的移动终端。
本发明的较佳的实施例中,仍然如图2所示,上述用户端A中还包括:
结果反馈装置3,连接上述识别装置2。本发明的较佳的实施例中,用于获取使用者基于上述服务端B回传的推荐信息进行的操作结果并发送至识别装置;
本发明的较佳的实施例中,识别装置根据操作结果,对第一神经网络模型进行更新,和/或根据操作结果发送至服务端,以对第二神经网络进行更新。
因此,本发明的较佳的实施例中,仍然如图2所示,上述识别装置2还包括:
权重设定单元23。本发明的较佳的实施例中,权重设定单元23用于根据上述操作结果设定相应的权重值。
更新单元24,连接上述权重设定单元23。本发明的较佳的实施例中,更新单元用于根据识别记录相应的权重值,确定是否需要更新上述第一神经网络模型和/或上述第二神经网络模型,并且进行相应的更新。
具体地,本发明的较佳的实施例中,上述操作结果中可以包括:
1)用于表示识别装置2是否能够正确识别商品图像的第一结果信息。本发明的较佳的实施例中,上述第一结果信息用于表示识别装置2是否能够正确识别商品图像。所谓正确识别,是指识别装置2根据输入的时间脉冲序列(对应商品图像)可以正确找到相应的商品名称和/或商品种类。本发明的较佳的实施例中,上述判断于识别装置2处理得到识别结果时即可以做出。
2)用于表示使用者是否忽略推荐信息的第二结果信息。本发明的较佳的实施例中,所谓使用者忽略推荐信息,是指使用者对推荐信息中的所有推荐选项均不做选择。
3)用于表示使用者所选择的推荐选项的顺次的第三结果信息。例如,使用者选了的推荐选项处于第一顺次,则输出该选项为第一顺次的第三结果信息。
本发明的较佳的实施例中,上述操作结果与相应的商品图像结合形成一条相应的识别记录。进一步地,本发明的较佳的实施例中,上述识别记录中包括从对商品图像进行识别、根据识别结果进行推荐以及根据推荐信息进行选择等一系列过程中所包括的信息。
因此,本发明的较佳的实施例中,上述权重设定单元23根据上述操作结果,具体根据操作结果中包括的上述第一结果信息,和/或第二结果信息,和/或第三结果信息,对相应的识别记录设定相应的权重值,具体包括:
1)对于第一结果信息而言,若识别装置2能够识别商品图像对应的时间脉冲序列,则权重设定单元23将相应的识别记录的权重值设定为一第一预设值;
相应地,本发明的较佳的实施例中,若识别装置2无法识别商品图像对应的时间脉冲序列,则权重设定单元23将相应的识别记录的权重值设定为一第二预设值。
具体地,本发明的较佳的实施例中,识别装置2能够识别商品图像,则表示该条识别记录对于本移动终端内的第一神经网络模型的更新没有太大的意义;
相应地,本发明的较佳的实施例中,识别装置2无法识别商品图像,则表示该条识别记录对于本移动终端内的第一神经网络模型的更新具有比较大的意义。
则更新单元24根据相应的权重值,确定是否需要根据相应的识别记录更新第一神经网络模型,并对第一神经网络模型进行更新。
2)对于第二结果信息而言,若使用者未忽略服务端B给出的推荐信息,即在推荐信息给出的推荐选项中做出相应的选择,则权重设定单元23将相应的识别记录的权重值设定为一第一预设值;
相应地,本发明的较佳的实施例中,若使用者忽略服务端B给出的推荐信息,即使用者对于推荐信息给出的推荐选项不做任何选择,则权重设定单元23将相应的识别记录的权重值设定为一第二预设值。
具体地,本发明的较佳的实施例中,使用者未忽略服务端B给出的推荐信息,则表示服务端B给出的推荐信息处于使用者的考虑范围内,则该条识别记录对于服务端B而言训练意义并不大;
相应地,使用者忽略服务端B给出的推荐信息,则表示服务端B给出的推荐信息不处于使用者的考虑范围内,则该条识别记录对于服务端B而言训练意义较大。
则更新单元24根据权重值确定是否需要更新第二神经网络模型,并将相应的识别记录发送至服务端以更新第二神经网络模型。
3)对于第三结果信息而言,若使用者所选择的推荐选项的顺次为第一顺次,则权重设定单元23将该条识别记录的权重值设定为一第一预设值;
相应地,若使用者所选择的推荐选项的顺次不为第一顺次,则权重设定单元23将该条识别记录的权重值设定为一第二预设值。
具体地,本发明的较佳的实施例中,使用者选择的推荐选项为第一顺次,则表示服务端B推荐的第一顺次的选项符合使用者的购买习惯,该条识别记录对服务端B的训练意义不大;
相应地,本发明的较佳的实施例中,若使用者选择的推荐选项不为第一顺次,则表示服务端B推荐的选项顺序不符合使用者的购买习惯,该条识别记录对服务端B的训练意义较大。
则更新单元24将权重值为第二预设值的第二结果信息对应的识别记录发送至服务端,以更新第二神经网络模型。
本发明的较佳的实施例中,上述三种结果信息对应的情况中,对结果信息均进行独立判断,以及独立设定上述“第一预设值”和“第二预设值”。换言之,本发明的较佳的实施例中,对一个结果信息进行判定并设定相应的权重值的过程不影响对另一个结果信息进行判断并设定权重值的过程。
具体地,本发明的较佳的实施例中,以上述操作结果中包括所有三种结果信息为例,说明更新单元24的工作过程:
上述三种结果信息转换成通俗一点的说法就是三个问题:1)是否能够识别图像?2)使用者是否忽略推荐信息?3)使用者选择的推荐选项是否处于第一位?
基于对上述三个问题的解答,更新单元24针对相应的权重值进行相应处理:
1)若三个问题的解答依次为否定,否定和肯定,则表示移动终端目前的第一神经网络模型无法识别商品图像,而服务端能够识别并且能够给出符合使用者购买习惯的选项。则在这种情况下,该条识别记录对于移动终端侧的第一神经网络模型的训练比重较高,而对于服务端的第二神经网络膜性的训练比重较低。更新单元24根据上述判断对第一神经网络模型和/或第二神经网络模型进行训练更新。
2)若三个问题的解答依次为否定,否定和否定,则表示移动终端侧的第一神经网络模型无法识别商品图像,服务端侧的第二神经网络模型虽然能够识别商品图像并给出推荐选项,但是给出的推荐选项的顺次不符合使用者的购买习惯。因此,该条识别记录对于移动终端侧的第一神经网络模型的训练比重较高,对于服务端侧的第二神经网络模型的训练比重同样较高。更新单元24根据上述判断对第一神经网络模型和/或第二神经网络模型进行训练更新。
3)若三个问题的解答依次为肯定,否定和否定时,则表示移动终端侧的第一神经网络模型能够识别商品图像,服务端侧的第二神经网络模型虽然能够给出推荐选项并落入使用者的考虑范围内,但是其推荐的选项顺次不符合使用者的购买习惯。因此,该条识别记录对于移动终端侧的第一神经网络模型的训练比重较低,对于服务端侧的第二神经网络模型的训练比重较高。更新单元24根据上述判断对第一神经网络模型和/或第二神经网络模型进行训练更新。
本发明的另一个较佳的实施例中,上述情况下,考虑到可能是移动终端侧将商品图像识别为另一个商品,从而导致服务端侧相应的不适当的处理,因此也可以将对应第一神经网络模型的训练比重和第二神经网络模型的训练比重均调高。
4)若三个问题的解答依次为肯定,否定和肯定,则表示无论移动终端侧还是服务端侧,其神经网络模型均能够正常识别和处理,并输出符合使用者购买习惯的结果。因此该条识别记录无论对第一神经网络模型还是对第二神经网络模型,对应的训练比重均较低。更新单元24根据上述判断对第一神经网络模型和/或第二神经网络模型进行训练更新。
本发明的较佳的实施例中,在第一神经网络模型实际运行时,依照类似于上文中所述的判断方式对其进行训练更新,以不断完善第一神经网络模型,相应地可以向服务端发出更新请求,以不断完善服务端的第二神经网络模型。
本发明的较佳的实施例中,移动终端侧还可以根据服务端侧发送的经过统计的一些其他移动终端侧使用的比较优化的数据,来更新自身的第一神经网络模型。
本发明的较佳的实施例中,还提供一种移动终端,其中包括上述用户端。
本发明的较佳的实施例中,还提供一种移动终端,其中应用上述基于神经网络模型的识别装置。
以上所述仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (18)
1.一种基于神经网络的在线商品推荐系统,其特征在于,包括多个用户端以及分别与所述用户端远程连接的服务端,每个所述用户端分别设置于一移动终端内:
所述用户端包括:
采集装置,用于获取在线推荐的商品图像,并将所述商品图像转换为相应的时间脉冲序列输出;
识别装置,连接所述采集装置,通过一预先训练的第一神经网络模型,根据所述时间脉冲序列识别所述商品图像,并向所述服务端远程输出相应的识别结果;
所述服务端基于一预先训练的第二神经网络模型,根据所述识别结果处理形成相应的推荐信息并反馈给所述用户端;
所述用户端还包括:
结果反馈装置,连接所述识别装置,用于获取使用者基于所述推荐信息进行的操作结果并发送至所述识别装置;
所述识别装置根据所述操作结果,对所述第一神经网络模型进行更新,和/或根据所述操作结果发送至所述服务端,以对所述第二神经网络进行更新。
2.如权利要求1所述的在线商品推荐系统,其特征在于,所述识别装置包括:
训练数据单元,其中预设有多个训练数据,所述训练单元用于输出所述训练数据;
模型训练单元,连接所述训练数据单元,用于根据所述训练数据训练建立相应的所述神经网络模型;
所述模型训练单元还基于所述识别记录更新所述第一神经网络模型。
3.如权利要求2所述的在线商品推荐系统,其特征在于,所述训练数据包括训练输入数据以及相应的期望输出数据;
所述模型训练单元中包括:
处理模块,基于一预设的所述第一神经网络模型,根据所述训练输入数据处理输出相应的训练输出数据;
比对模块,连接所述处理模块,用于将所述训练输出数据与所述期望输出数据进行比对,输出相应的比对结果;
训练模块,分别连接所述处理模块和所述比对模块,用于根据所述比对结果训练更新所述处理单元所依据的所述第一神经网络模型;
所述训练更新模块根据所述比对结果循环更新所述第一神经网络模型,以最终形成训练完毕的所述第一神经网络模型,以供所述识别装置使用。
4.如权利要求1所述的在线商品推荐系统,其特征在于,所述操作结果包括用于表示所述识别装置是否能够正确识别所述商品图像的第一结果信息;
所述操作结果与相应的所述商品图像结合形成一条相应的识别记录;
所述识别装置包括:
权重设定单元,根据所述第一结果信息,设定相应的所述识别记录于更新所述第一神经网络模型过程中的权重值;
更新单元,连接所述权重设定单元,用于根据相应的所述权重值,确定是否需要根据相应的所述识别记录更新所述第一神经网络模型,并对所述第一神经网络模型进行更新。
5.如权利要求4所述的在线商品推荐系统,其特征在于,当所述第一结果信息表示所述识别装置能够识别所述商品图像时,所述权重设定单元将相应的所述权重值设定为一第一预设值;
当所述第一结果信息表示所述识别装置无法识别所述第二预设值时,所述权重设定单元将相应的所述权重值设定为一第二预设值;
所述更新单元根据所述权重值为第二预设值的所述第一结果信息更新所述第一神经网络模型。
6.如权利要求1所述的在线商品推荐系统,其特征在于,所述操作结果包括用于表示使用者是否忽略所述推荐信息的第二结果信息;
所述操作结果与相应的所述商品图像结合形成一条相应的识别记录;
所述识别装置包括:
权重设定单元,根据所述第二结果信息,设定相应的所述识别记录于更新所述第二神经网络模型过程中的权重值;
更新单元,连接所述权重设定单元,用于根据所述权重值确定是否需要更新所述第二神经网络模型,并将相应的所述识别记录发送至所述服务端以更新所述第二神经网络模型。
7.如权利要求6所述的在线商品推荐系统,其特征在于,当所述第二结果信息表示使用者对所述推荐信息进行操作时,所述权重设定单元将相应的所述权重值设定为一第一预设值;
当所述第二结果信息表示使用者忽略所述推荐信息时,所述权重设定单元将相应的所述权重值设定为一第二预设值;
所述更新单元将所述权重值为第二预设值的所述第二结果信息对应的所述识别记录发送至所述服务端,以更新所述第二神经网络模型。
8.如权利要求1所述的在线商品推荐系统,其特征在于,所述操作结果包括用于表示使用者选择所述推荐信息的顺次的第三结果信息;
所述识别装置包括:
权重设定单元,根据所述第三结果信息,设定相应的所述识别记录于更新所述第二神经网络模型过程中的权重值;
更新单元,连接所述权重设定单元,用于根据所述权重值确定是否需要更新所述第二神经网络模型,并将相应的所述识别记录发送至所述服务端以更新所述第二神经网络模型。
9.如权利要求8所述的在线商品推荐系统,其特征在于,当所述第三结果信息表示使用者所选择的所述推荐信息为第一顺次时,所述权重设定单元将相应的所述权重值设定为一第一预设值;
当所述第三结果信息表示使用者所选的所述推荐信息不为第一顺次时,所述权重设定单元将相应的所述权重值设定为一第二预设值;
所述更新单元将所述权重值为第二预设值的所述第二结果信息对应的所述识别记录发送至所述服务端,以更新所述第二神经网络模型。
10.如权利要求5、7或9中任意一项所述的在线商品推荐系统,其特征在于:
所述权重设定单元将所述第一预设值设定为一正常值;
所述权重设定单元将所述第二预设值设定为高于所述正常值。
11.如权利要求1所述的在线商品推荐系统,其特征在于,所述采集装置为所述移动终端的摄像头。
12.如权利要求1-11中任意一项所述的在线商品推荐系统,其特征在于,所述第一神经网络模型和所述第二神经网络模型均为脉冲神经网络模型。
13.一种识别装置,应用于移动终端;其特征在于,所述识别装置通过以多行多列排布并相互关联的多个神经单元模块处理形成的神经网络模型对外部输入的商品图像进行识别;
外部输入的商品图像被转换成相应的时间脉冲序列并发送至所述识别装置内。
14.如权利要求13所述的识别装置,其特征在于,经所述商品图像转换的所述时间脉冲序列由多个子脉冲序列构成;
每个所述神经单元模块用于处理一个所述子脉冲序列;
所述识别装置中包括:
排程设定单元,分别连接每个所述神经单元模块,用于获取每个所述神经单元模块的工作状态,并控制每个所述神经单元模块的排程;
序列存储单元,连接所述排程设定单元,用于按序保存所有所述子脉冲序列;
所述排程设定单元控制处于空闲状态的所述神经单元模块处理所述序列存储单元中保存的一个预设的所述子脉冲序列;
所述排程设定单元从所述序列存储单元中删除已被处理的所述子脉冲序列。
15.如权利要求13所述的识别装置,其特征在于,每个所述神经单元模块中包括以多行多列排布并相互关联的神经单元。
16.如权利要求13-15中任意一项所述的识别装置,其特征在于,所述神经网络模型为脉冲神经网络模型。
17.一种移动终端,其特征在于,包括如权利要求1-12所述的在线商品推荐系统中的用户端。
18.一种移动终端,其特征在于,包括如权利要求13-16所述的识别装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510064056.8A CN105989510A (zh) | 2015-02-06 | 2015-02-06 | 一种基于神经网络的在线商品推荐系统、装置及移动终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510064056.8A CN105989510A (zh) | 2015-02-06 | 2015-02-06 | 一种基于神经网络的在线商品推荐系统、装置及移动终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105989510A true CN105989510A (zh) | 2016-10-05 |
Family
ID=57036147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510064056.8A Pending CN105989510A (zh) | 2015-02-06 | 2015-02-06 | 一种基于神经网络的在线商品推荐系统、装置及移动终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105989510A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107357995A (zh) * | 2017-07-14 | 2017-11-17 | 深圳码隆科技有限公司 | 一种陶瓷设计的推荐方法和设备 |
CN108242046A (zh) * | 2016-12-27 | 2018-07-03 | 阿里巴巴集团控股有限公司 | 图片处理方法及相关设备 |
WO2019062018A1 (zh) * | 2017-09-27 | 2019-04-04 | 缤果可为(北京)科技有限公司 | 商品自动结算方法、装置、自助收银台 |
CN111344671A (zh) * | 2017-11-10 | 2020-06-26 | 三星电子株式会社 | 电子设备及其操作方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101866339A (zh) * | 2009-04-16 | 2010-10-20 | 周矛锐 | 基于图像的多内容信息在互联网上的识别,及对已识别内容信息中的商品引导购买的应用 |
CN102592116A (zh) * | 2011-12-27 | 2012-07-18 | Tcl集团股份有限公司 | 一种云计算应用方法、系统及终端设备、云计算平台 |
CN103632290A (zh) * | 2013-12-02 | 2014-03-12 | 合肥工业大学 | 一种基于推荐概率融合的混合推荐方法 |
-
2015
- 2015-02-06 CN CN201510064056.8A patent/CN105989510A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101866339A (zh) * | 2009-04-16 | 2010-10-20 | 周矛锐 | 基于图像的多内容信息在互联网上的识别,及对已识别内容信息中的商品引导购买的应用 |
CN102592116A (zh) * | 2011-12-27 | 2012-07-18 | Tcl集团股份有限公司 | 一种云计算应用方法、系统及终端设备、云计算平台 |
CN103632290A (zh) * | 2013-12-02 | 2014-03-12 | 合肥工业大学 | 一种基于推荐概率融合的混合推荐方法 |
Non-Patent Citations (1)
Title |
---|
QIANG YU 等: "Rapid Feedforward Computation by Temporal Encoding and Learning With Spiking Neurons", 《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108242046A (zh) * | 2016-12-27 | 2018-07-03 | 阿里巴巴集团控股有限公司 | 图片处理方法及相关设备 |
CN108242046B (zh) * | 2016-12-27 | 2022-02-18 | 阿里巴巴集团控股有限公司 | 图片处理方法及相关设备 |
CN107357995A (zh) * | 2017-07-14 | 2017-11-17 | 深圳码隆科技有限公司 | 一种陶瓷设计的推荐方法和设备 |
WO2019062018A1 (zh) * | 2017-09-27 | 2019-04-04 | 缤果可为(北京)科技有限公司 | 商品自动结算方法、装置、自助收银台 |
CN111344671A (zh) * | 2017-11-10 | 2020-06-26 | 三星电子株式会社 | 电子设备及其操作方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107241213B (zh) | 一种基于深度强化学习的Web服务组合方法 | |
CN104134351B (zh) | 一种短时交通流预测方法 | |
Pardos et al. | The sum is greater than the parts: Ensembling models of student knowledge in educational software | |
CN105989510A (zh) | 一种基于神经网络的在线商品推荐系统、装置及移动终端 | |
CN108932671A (zh) | 一种采用深度q神经网络调参的lstm风电负荷预测方法 | |
CN105989376B (zh) | 一种基于神经网络的手写识别系统、装置和移动终端 | |
KR101774844B1 (ko) | 뉴로블록체인 콤비네이션을 이용한 인공신경망 모델의 자가 학습 모듈 | |
CN106254330A (zh) | 一种基于bp神经网络的软件定义网络入侵检测方法 | |
CN109165730A (zh) | 交叉阵列神经形态硬件中状态量化网络实现方法 | |
CN109241148A (zh) | 一种高校学生成绩智能大数据数据管理系统 | |
CN109670087A (zh) | 课程智能推荐方法、装置、计算机设备和存储介质 | |
CN112748941A (zh) | 基于反馈信息的目标应用程序的更新方法和装置 | |
CN107194460A (zh) | 金融时间序列预测的量子粒子群优化递归神经网络方法 | |
Ilies et al. | Stepping forward through echoes of the past: forecasting with echo state networks | |
CN115857349A (zh) | 一种忆阻神经网络的指数同步控制方法 | |
CN113132765A (zh) | 码率决策模型训练方法、装置、电子设备及存储介质 | |
Wu et al. | Efficient prediction of link outage in mobile optical wireless communications | |
Donge et al. | Multi-agent graphical games with inverse reinforcement learning | |
CN110619447B (zh) | 一种主播的评价方法、装置、设备和存储介质 | |
CN110450164A (zh) | 机器人控制方法、装置、机器人及存储介质 | |
CN109951243A (zh) | 一种频谱预测方法、系统及电子设备 | |
Chen et al. | Game theoretic Markov decision processes for optimal decision making in social systems | |
CN114116995A (zh) | 基于增强图神经网络的会话推荐方法、系统及介质 | |
CN104766359A (zh) | 一种飞虫运动模型噪声项的确认方法 | |
CN106503665A (zh) | 一种基于协同神经网络的人脸识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161005 |
|
RJ01 | Rejection of invention patent application after publication |