CN106354768B - 基于颜色的用户与商品的匹配方法及商品匹配推荐方法 - Google Patents

Abstract

本发明公开了一种基于颜色的用户与商品的匹配方法，包括：获取商品的颜色数据，所述颜色数据包括商品颜色的色相、明度以及纯度；根据所述颜色数据初始化色彩演算模型；所述色彩演算模型根据所述颜色数据计算得到所述商品的颜色意象标签；获取当前用户的类型标签，根据预定义的颜色意象标签与类型标签之间的匹配数据计算当前用户与所述商品之间的匹配度；根据所述匹配度对所述商品数据进行过滤。上述的方法将商品的颜色属性演算成对应的颜色意象标签，并进一步根据颜色意象标签来计算与当前用户之间的匹配度，整体的计算效率非常高，并且可以对呈现给用户的商品数据按匹配度进行排序，使得展现给用户的商品都是与用户匹配程度较高的商品。

Description

基于颜色的用户与商品的匹配方法及商品匹配推荐方法

技术领域

本发明涉及商品推荐技术，尤其涉及基于颜色的用户与商品的匹配方法及商品匹配推荐方法。

背景技术

目前的电子商务已经发展的相当成熟，很多的用户都会直接在网上购买衣服、鞋帽等各种服饰商品，网上购物虽然方便，却有着无法现场试穿的缺点。在网上购买服饰等商品的时候主要通过浏览商家发布的图片来判断是否适合自己，然后买回来试穿，不合适的时候必须进行退货处理，由于商品的个人属性影响较大，造成退货率较高。如若能够在提升推荐给用户的商品与用户之间的匹配度，无疑会增加用户成功购买的几率，降低退货率。

发明内容

针对现有技术的不足，本发明的目的在于提供一种基于颜色的用户与商品的匹配方法及商品匹配推荐方法，可以为个人提供较高匹配度的商品推荐、商品数据派发功能。

为了实现上述目的，本发明提供了如下技术方案：

一种基于颜色的用户与商品的匹配方法，包括：

获取商品的颜色数据，所述颜色数据包括商品颜色的色相、明度以及纯度；

根据所述颜色数据初始化色彩演算模型；

所述色彩演算模型根据所述颜色数据计算得到所述商品的颜色意象标签；

获取当前用户的类型标签，根据预定义的颜色意象标签与类型标签之间的匹配数据计算当前用户与所述商品之间的匹配度；

根据所述匹配度对所述商品数据进行过滤。

一种基于颜色的商品搭配推荐方法，包括：

建立颜色搭配规则，所述颜色搭配规则中的每条规则定义两种或以上颜色的属性区间，所述属性包括色相、明度及纯度；

将所述颜色搭配规则与待搭配的商品的所有组合进行比较以过滤掉所有不可搭配的商品组合，从而获取可搭配的商品组合；

根据可搭配的商品组合的颜色数据获取对应的颜色意象标签；

获取当前用户的类型标签，根据预定义的颜色意象标签与类型标签之间的匹配数据计算当前用户与所述商品之间的匹配度；

根据所述匹配度对所述可搭配的商品组合进行过滤。

根据本实施例的技术方案，通过采用色彩演算模型，可以将商品的颜色属性演算成对应的颜色意象标签，并进一步根据颜色意象标签来计算与当前用户之间的匹配度，整体的计算效率非常高，并且可以对呈现给用户的商品数据按匹配度进行排序，使得展现给用户的商品都是与用户匹配程度较高的商品，方便用户选择与其自身更加匹配的商品，降低了退货率，而且能够提升用户购物体验。

附图说明

图1为本发明实施例提供的个性化商品匹配推荐系统的示意图。

图2为图1的个性化商品匹配推荐系统的颜色子系统的示意图。

图3为图2的颜色子系统采用的色相环的示意图。

图4为图1的个性化商品匹配推荐系统的形状子系统的示意图。

图5为图1的个性化商品匹配推荐系统的风格子系统的示意图。

图6为图1的个性化商品匹配推荐系统建立的商品模型示意图。

图7为图1的个性化商品匹配推荐的采用的用户模型的示意图。

图8为实施例1提供的商品数据匹配推荐方法流程图。

图9为实施例2提供的商品数据匹配推荐系统的框图。

图10为实施例3提供的基于颜色的用户与商品的匹配方法的流程图。

图11为实施例4提供的基于颜色的用户与商品的匹配系统的框图。

图12为实施例5提供的基于颜色的商品搭配方法的流程图。

图13为实施例6提供的基于颜色的商品搭配系统的框图。

图14为实施例7提供的基于形状的用户与商品的匹配方法的流程图。

图15为实施例8提供的基于形状的用户与商品的匹配系统的框图。

图16为实施例9提供的基于形状的商品搭配方法的流程图。

图17为实施例10提供的基于形状的商品搭配系统的框图。

具体实施方式

下面结合附图详细说明本发明的优选实施方式。

图1出示本发明个性化商品匹配推荐系统的实施例结构示意图，如图1所示，本发明实施例提供一种个性化商品匹配推荐系统，包括：数据采集装置10、数据存储装置20、匹配推荐装置30、以及客户端40。

数据采集装置10例如可为服务器、计算机、笔记本电脑、智能手机、便携式图像采集仪等，还可以是由客户端设备与服务器共同构成的数据采集系统。数据采集装置用于采集商品数据。采集的商品数据包括但并不限于商品的尺寸、图片、描述标签、名称、分类等。

数据采集装置10采集的商品数据可以存储在数据存储装置20内。除了数据采集装置10采集的数据，数据存储装置20还可以存储其他数据，例如，用户数据，用户数据包括但并不限于用户的身材类型、体型数据、商品偏好数据、性别、年龄、职业、心理调查问卷结果等。体型数据包括但并不限于：五官的形状与尺寸、身高、体重、腰围、臀围、肩宽、臂长、腿长、臂粗、脖颈直径、腿形等一切有关于人形状态描述的数据。除了这些静态的数据，用户的体型数据还可以用三维模型来表达。人体的三维模型可以通过立体摄像头扫描获取。

匹配推荐装置30内建商品的匹配推荐模型，用于根据商品数据与用户数据实现商品与用户之间的匹配以及商品与商品之间的匹配，从而实现个性化的商品数据派发服务，以将符合需求的数据发送给客户端40以供用户50查看。

上述的匹配推荐模型可包括：颜色子系统31、形状子系统32、以及风格子系统33。其中，颜色子系统31用于依据颜色实现商品的匹配推荐，形状子系统32用于依据形状实现商品的匹配推荐，风格模型33用于依据产品的风格实现商品的匹配推荐。以下具体描述各模型的细节。

参阅图2，颜色子系统31包括：颜色解析模块311、风格标签模块312以及用户匹配模块313、以及商品搭配模块314。

颜色解析模块311用于解析商品的颜色以获取商品的各个维度的颜色数据。基础的颜色数据例如可包括每种颜色的色相、明度、纯度、所占的面积比例等。进一步地，颜色解析模块311还在基础颜色数据的基础上按预定义的模型计算附加的颜色属性值。

色相，即各类色彩的相貌称谓，如大红、普蓝、柠檬黄等。色相是色彩的首要特征，是区别各种不同色彩的最准确的标准。任何黑白灰以外的颜色都有色相的属性，而色相也就是由原色、间色和复色来构成的。

最初的基本色相为：红、橙、黄、绿、蓝、紫。在各色中间加插一两个中间色，其头尾色相，按光谱顺序为：红、橙红、黄橙、黄、黄绿、绿、绿蓝、蓝绿、蓝、蓝紫，紫。红紫、红和紫中再加个中间色，可制出十二基本色相。以此类推，可以获得更多的色相。

色彩的明度是指色彩的明亮程度。各种有色物体由于它们反射光量的区别就产生颜色的明暗强弱。色彩的明度有两种情况：一是同一色相不同明度；二是各种颜色的不同明度。

色彩的纯度是指色彩的纯净程度。它表示颜色中所含有色成分的比例，比例愈大，色彩愈纯，比例愈小，则色彩的纯度也愈低。除了三原色外，其他所有的颜色的纯度都不会高于100％。

一般来说，在图像处理系统中，颜色值是用一种颜色体系如RGB、CMYK或者其他任意的颜色体系来表达的，根据这些颜色值，经过转换即可直接得到颜色的色相、明度以及纯度值。

在一个具体的实施方式中，商品包括两种或三种颜色，颜色解析模块311还将该两种或三种颜色置于一个色相环上，可以理解，每种颜色对应于色相环上的一个点。颜色解析模块311可以计算相邻的两个颜色点的圆心角的绝对值|θ|。

根据上述的基础颜色数据以及附加的颜色属性值，颜色解析模块311获取所述商品的颜色意象标签。颜色意象标签可包括：年龄标签、性别标签、着装场合标签、审美属性标签、以及情绪标签，其中：

年龄标签例如可包括：儿童色、青年色、老年色、中年色等，其用于描述某个颜色是否适合该标签对应的年龄层的人。

性别标签例如可包括：男性色、女性色等，其用于描述某个颜色是否适合该标签对应的性别。

着装场合标签例如可包括：家居、晚会、办公室、郊游等，其用于描述某个颜色是否适合该标签对应的着装场合。

审美属性标签例如可包括：朴素、深邃、稳重、活泼等，其用于描述某个颜色对应的人们的审美感受。

情绪标签例如可包括：兴奋、冷静、温暖等，其用于描述某个颜色对应的人的情绪感受。

此外，可以理解，颜色意象标签的种类并不限制于以上所列举的清单。

具体来说，当商品内只包括单个颜色时，颜色解析模块311基于以下步骤将实现从颜色数据到颜色意象标签的解析：

颜色解析模块311将明度与纯度分别定义成多个连续的明度区间以及纯度区间。例如，若整个明度区间为1-10(值越低表示明度越高)，则可定义1-3为高调、4-7为中高、8-10为低调。与此类似，也可以按纯度的高低将纯度定义为鲜调(1-3)、中调(4-7)、低调(8-10)。

另一方面，颜色解析模块311可以预定义或在数据库中获取明度区间与纯度区间的组合与各种颜色意象标签之间的映射表。也就是说，当颜色数据(色相、明度及纯度)确定了，根据映射表就可以获取到对应的颜色意象标签。

可以理解的是，一个颜色可能对应于多个不同类型的颜色意象标签，即使是同一个标签类型也可能对应于多个标签。例如同一颜色可以同时属于男性色与女性色。

而当商品包括两种或三种颜色时，如上所述，颜色解析模块311会计算两个颜色在色相环上的圆心角的绝对值|θ|。有以下颜色关系：当|θ|＝0时，该两种颜色属于同种色；当0<|θ|≤15°时，该两种颜色属于邻近色；当15°<|θ|≤30°时，该两种颜色属于类似色；当30°<|θ|≤90°时，该两种颜色属于中差色；当90°<|θ|≤120°时，该两种颜色属于对比色；当12°<|θ|≤180°时，该两种颜色属于互补色。当两种颜色相互搭配时，其在色相环上的圆心角|θ|会极大的影响该商品颜色给人的审美感受，并能影响商品的风格。

参阅图3，其为一个色相环的示意图，色相环可以分成多个区间，假设每个区间的角度为1°，则区间的数量为360个，而每个区间从圆心到外径又分为多个子区间，每个子区间代表着纯度的不同，若将纯度分为10个子区间，分别代表着1-10的纯度等级。如此，该色相环被拆分为3600个子区间。

基于上述的描述，两种颜色在色相环上的角度以及纯度会影响颜色给人的感受，并能影响商品的风格。因此，颜色解析模块311可以给出3600个子区间内，任意两个子区间的组合与对应的颜色意象标签之间的对应关系。这个对应关系可以是基于经验规则由人工输入或者机器学习得到。如此，当商品内包括两种颜色时，根据两种颜色查找此对应关系，即可获取得到商品的颜色意象标签。

此外，当两种颜色相互搭配时，除了颜色本身，颜色的面积比例也是影响外观感受的重要因素，因此，在上述的子区间的组合与颜色意象标签的对应关系中，还可以考虑颜色的面积比例的影响，也就是说，相同的颜色组合，但具有不同的面积比便，可以具有不同的颜色意象标签。举例来说，同样的蓝色与白色，90％的蓝度上白色的图案，与90％的白底上蓝色的图案给人的感受就是完全不同的。

颜色解析模块311还可以给出图3所示3600个子区间内，任意三个子区间的组合与对应的颜色意象标签之间的对应关系。如此，当商品内包括三种颜色时，根据三种颜色查找此对应关系，即可获取得到商品的颜色意象标签。

当产品内包括的颜色为四种或以上时，颜色解析模块311可以给出颜色组合的列表，列表内的每个项目定义出四种或以上的颜色、面积比例等范围，以及与此相对应的颜色意象标签。当检测到商品内包括四种或以上的颜色时，将商品的颜色数据与颜色组合的列表去做比较，当查找到匹配的项目时，直接将列表内给出的颜色意象标签作为商品的颜色意象标签。采用此种方案，可以避免四种颜色组合所带来的巨大工作量，但提供了四种或以上颜色组合情形下颜色意象标签的获取。

风格标签模块312用于根据商品的颜色数据获取商品所对应的审美、艺术风格类型，例如巴洛克风格、洛可可风格、朋克风格、百老汇风格、中国民国风格、20年代风格、超现实主义风格、波普风格等等。每个标签还可具有对应的年代以及地域。因此，风格标签可以按照年代和/或地域进行过滤。

具体来说，风格标签模块312可预定义每种风格的代表性颜色模式，此处的颜色模式是指颜色的色相、明度、纯度组合区间，多种颜色共同出现时每种颜色的面积比例等。当某个商品的颜色数据满足某个风格的典型颜色模式时风格标签模块312即可判定该商品具有对应的风格标签。可以理解的是，同一颜色模式也可能对应于多个风格，也就是具有多个不同的风格标签。例如，某个颜色可能同时属于超现实主义风格以及洛可可风格。

用户匹配模块313用于根据颜色数据实现商品与用户的匹配。具体地，用户匹配模块313可以基于三个层次实现颜色数据与用户的匹配。

第一，基于颜色本身，例如，用户可以设定自己想要的商品颜色，则用户匹配模块313可以将商品颜色与用户设定的目标颜色进行比较，当颜色相符合时才对商品作进一步的处理，或者直接发送客户端40。举例来说，当用户希望选取一件酒红色的大衣，则可酒红色这个条件可以直接用来与商品的颜色数据进行匹配运算，只有符合的商品才会出现在匹配结果中。

第二，基于用户设定的颜色意象标签。这是指可以将常用的颜色意象标签提供给用户选择，用户可以选择某个颜色意象标签，例如用户可以选择“活泼”标签，则可以将用户选择的颜色意象标签与商品的颜色意象标签相比较，当商品的颜色意象标签包括用户选择的颜色意象标签时才对商品作进一步的处理，或者直接将商品数据发送给客户端40。

第三，基于颜色意象标签与用户之间的匹配模型。具体的，用户匹配模块313首先可以获取用户的类型标签。此处的用户类型标签用于描述用户的个人属性，例如年龄、职业、审美取向等。而每个具体的用户类型标签与所有的颜色意象标签之间都一个预设的匹配度(此匹配度可以通过人工方式预先设定或者通过机器学习的方式获取存储在数据库中)，此处的匹配度可以是简单的二元值，即匹配与不匹配，也可以是一个具体的数值，代表匹配度的高低。根据这个预设的匹配度，当商品的颜色意象标签确定时，用户匹配模块313即可根据颜色意象标签计算与当前用户之间的匹配度。而计算得到的匹配度可以用于对商品数据进行排序、筛选、及派发等功能。

商品搭配模块314基于颜色数据实现商品之间的相互搭配。在一个具体的实施方式中，可以参考上述过程首先获取商品的颜色意象标签，当两个商品的颜色意象标签相同或者相互匹配时，两个商品之间可以搭配，否则不可以搭配。

在一个具体的实施方式中，上述的基于颜色数据实现商品之间的相互搭配包括以下步骤：建立颜色搭配规则，其用于定义两种或以上颜色的搭配规则，每条规则内定义每种颜色的颜色属性(包括色相、明度及纯度)区间，且每条规则可具有一个对应的颜色意象标签。搭配规则可包括正向规则或者负向规则，正向规则是指符合规则的属于可搭配，而负向规则是指符合规定的属于不可搭配。当两个或者更多商品相互搭配时，将待搭配的商品的颜色与颜色搭配规则里的每个规则相比较，对于正向规则，当找不到表明该两种颜色可以搭配的规则时，则该两个商品不可搭配。对所有的商品组合执行此过程，即可将所有不可搭配的商品组合过滤出去，剩下可以搭配的商品组合。由于每个颜色搭配规则都有一个对应的颜色意象标签，因此，在商品的搭配过程中，每个商品的组合也具有一个对应的颜色意象标签。此颜色意象标签可以用来让用户筛选商品，或者与用户的类型做匹配运算，当与用户的类型匹配时才将可以搭配的商品组合派发给用户或者客户端。可以理解，当进行三个或以上的商品进行搭配处理时，既可以对三个商品的所有组合执行上述过程，也可以是先进行任意两个商品的搭配处理，再将可搭配的商品组合与第三件商品进行搭配处理。采用后一种方式，可以降低运算量，加快搭配处理的速度。

参阅图4，形状子系统32包括：形状解析模块321、用户匹配模块322、商品搭配模块323。

形状解析模块321用于解析商品的形状数据以获取商品的形状模型，商品的形状模型至少包括商品廓形(立体形状)以及各部件的形状(平面形状)。廓形是指商品的整体外观类型。以字母分类法表示，一般可以分为A、H、X、T型。

其中A型：上衣和大衣以不收腰、宽下摆，或收腰、宽下摆为基本特征。上衣一般肩部较窄或裸肩，衣摆宽松肥大；裙子和裤子均以紧腰阔摆为特征。

H型:上衣和大衣以不收腰、窄下摆为基本特征。衣身呈直筒状；裙子和裤子也以上下等宽的直筒状为特征。

X型:上衣和大衣以宽肩、阔摆、收腰为基本特征；裙子和裤子也以上下肥大、中间瘦紧为特征。

T型:上衣、大衣、连衣裙等以夸张肩部、收缩下摆为主要特征。

商品的廓形可以通过对商品的整体照片进行图像识别分析得到，直接在商品数据录入系统时由人工直接输入，或者由商品数据提供方直接提供。

部件的形状可分为两个层级：大类与小类。如下表所示：

可以理解，上述的表格内的形状分类仅为示意，并非用以限定本发明，其他的分类方式一样可以应用于本发明实施例中。

商品部件的形状可以由下步骤得到：首先，对商品的图片进行识别，以获取每个部件的款式，以领型为例，其可能的款式包括：圆领、小圆领、一字领、以及V领。另一方面，形状解析模块321预先建立部件的款式与部件形状之间的映射表，如下表所示：

如此，当通过图像识别技术识别出某个部件的款式时，根据这个映射表即可获取得到该部件的形状。对商品的所有部件执行上述流程，即可获取商品的形状模型。在一个具体的实施例中，获取的形状模型的部件部分如下：

部件	款式	形状
			领型	圆领	圆形
肩型	溜肩	圆形
			袖型	泡泡褶皱袖	圆形
前摆	圆弧	圆形
			后摆	圆弧	圆形
版型	前胸截片	方形

此外，可以理解的是，第一，上述的示例以上衣为例进行说明，但相似的流程可以运用至任意商品中；第二，商品部件的形状也不限于由上述方式获取，例如，一个商品的形状模型可以直接由商品数据提供方式提供无须再进行解析。

进一步地，形状解析模块321还可以对部件的形状进行数量统计，例如在上表的示例中，圆形出现的次数为5，而方形出现的次数为1，如此，若将出现次数最多的形状作为该商品的整体形状，则该商品的整体形状也为圆形(即商品的整体形状风格类型)。这些数量统计的结果也构成形状模型的一部分。

用户匹配模块322基于上述的形状模型实现商品与用户之间的匹配。具体地，用户匹配模块322处理以下两种关系：服装廓形和人体形状特征之间的匹配关系(A)、服装尺寸和人体形状特征之间的匹配关系(B)。

对于关系A，用户匹配模块322预先建立服装廓形与用户体型特征之间的匹配关系映射表A，此处的用户体型特征采用身体模型来表达，身材模型可包括但并不限于以下数据：身材类型、颈型、五官形状、身高、体重、臂长、腿长等。

用户的身材类型例如可包括：沙漏形、倒三角形、正三角形、矩形等。在一个具体的实施方式中，对应于每种身材类型，将用户的体型数据分成12个子区间。每个子区间具有对应的身高与体重范围。每个子区间对应于每种廓形，具有一个对应的匹配度。例如，匹配度可以为：“可以搭配”(数字1)、“一般”(数字2)、“不可搭配”(数字3)等3个评定级别。

在一个具体的实施方式中，映射表A的部分结构如下：

根据映射表A，当用户的体型特征数据确定了，服装(商品)的廓形确定了，就可以获取商品与当前用户之间的匹配度。而其他的体型特征可以采用类似的方式处理。

进一步地，用户的身材模型也不限于采用上述的数据来表达，还可以采用更加精准的三维模型，此时，映射表A可以存储服装廓形与用户身材模型的特征范围的匹配度。经过相似的流程，同样可以确定商品与用户之间的匹配度。

对于关系B，用户匹配模块322预先建立服装尺寸与用户体型特征之间的匹配关系映射表B，映射表B根据人体的体型特征数据对应于每种身材类型定义多个子区间，而每个子区间具有不同的身高及体重范围，对应于每个子区间映射表B内存储其与每种服装尺寸的匹配度。

服装尺寸可以采用标准的国际通用尺码S、M、L、XL、XXL等表示，但除了国际通用尺码外，还可以采用服装上某个特定尺寸(如肩宽、胸围、腰宽、袖长、臀围等)来表示，这样会使得尺寸与人体体型特征之间的匹配度更加精准。

在一个具体的实施方式中，映射表B的部分结构如下：

根据映射表B，当用户的体型特征数据以及服装的尺寸或者其他尺寸确定了，就可以准确的获取服装与当前用户之间的匹配度。

商品搭配模块323用于基于两个商品的形状模型计算两者之间相互搭配时的匹配度。

在一个具体的实施方式中，商品搭配模块323基于两个商品的廓形计算两者之间相搭配时的匹配度。具体来说，每两种廓形之间有一个预设的匹配度，匹配度可以为：“可以搭配”(数字1)、“一般”(数字2)、“不可搭配”(数字3)等3个评定级别。因此，当两个商品的廓形确定之后，根据这个预设的匹配度，即可获取到两个商品搭配时的匹配度。

在一个具体的实施方式中，商品搭配模块323基于两个商品部件计算两者相互搭配时的匹配度。具体来说，商品搭配模块323预先定义两个不同部件之间的匹配度。因此，当商品的部件确定时，其相互之间的匹配度也就确定了。

在一个具体的实施方式中，商品搭配模块323基于两个商品部件的形状分布计算两者相互搭配时的匹配度。具体来说，商品的形状模型内包括各部件的形状，首先，商品搭配模块323基于各部件的形状进行数量统计以得到商品的形状代表形状。而商品的不同形状之间的匹配度可以预先定义，如此依据商品部件的整体形状，就可以获得基于整体形状的匹配度。

可以理解的是，以上的各种方式可以单独使用，也可以任意组合使用。而且在根据不同的商品搭配场景，采用其中的一种或多种方式可以获得最佳的匹配效果。例如，对于服装搭配来说，上衣与下衣的搭配采用基于商品的廓形进行匹配会具有较佳的搭配效果，内装与外装的搭配采用基于部件或者部件的形状进行匹配会具有较佳的搭配效果，而两种不同类别的商品的搭配采用于基于部件的形状进行匹配会具有较佳的搭配效果。这些在特定场景下使用何种搭配方式的规则可以预先定义，在实际使用时根据预定义的规则执行即可。也就是说，商品搭配模块323首先确定搭配类型，然后获取与搭配类型最匹配的基于形状的商品搭配方案，最后依据该方案计算两个商品之间搭配时的匹配度，并根据匹配度实现对商品的过滤、筛选、排序等操作。

根据上述的形状子系统32，可以基于商品的形状实现商品与用户之间的匹配，以及两个商品之间搭配。

参阅图5，风格子系统33包括：风格解析模块331、用户匹配模块332以及商品搭配模块333。

风格解析模块331用于根据商品数据解析得到商品的风格模型。风格模型中包括以下维度的数据：材质、图案、颜色、形状、廓形、工艺、款式、部件等。可以理解，这些维度的数据除了材质与图案外，其他的数据均已经在前述的颜色子系统31与形状子系统32中描述。而材质与图案数据可以是通过图像识别技术获取、由人工输入、或者直接由数据提供方提供。

另一方面，风格解析模块331可以给出每种风格的特征，风格的特征可包括以下维度的数据：材质、图案、颜色、廓形、工艺、款式、部件等。然后将商品的风格模型与这些特征相匹配，若匹配成功，则赋予该商品一个对应的风格标签。

用户匹配模块332用于基于商品的风格模型实现用户与商品的匹配。具体地，对于给定的用户模型与风格模型，用户匹配模块332可以给出预设的匹配度，从而获取用户与商品之间基于风格标签的匹配度。而用户模型例如可以包括用户的偏好、以及体貌特征等。

在一个具体的实施方式中，对应于每种材质，用户匹配模块332给出材质所匹配的用户类型，若当前用户类型与该材质所对应的用户类型相同，则视为当前用户与该商品相互匹配。举例来说，若商品的材质为棉质材质，其所对应的人的类型为自然型。若当前用户为自然型，则与该商品匹配。此处人的类型是基于用户数据例如偏好数据、职业数据、穿着场合、体貌数据等数据得到的。而具体哪种偏好、职业、场合对应于自然型是基于经验规则或者机器学习获取，并不受任何限制。

在一个具体的实施方式中，对应于每种图案，用户匹配模块332给出图案所匹配的用户类型，若当前用户类型与该图案所对应的用户类型相同，则视为当前用户与该商品相互匹配。举例来说，若商品的图案为19世纪瑞士常见的雪图案，其所对应的人的类型为自然型。若当前用户为自然型，则与该商品匹配。

商品搭配模块333用于基于商品的风格模型实现商品之间要相互搭配。具体来说，可以基于材质和/或图案来实现相互搭配。商品搭配模块333可以给出，每种图案之间是否可以搭配。因此，当两个商品上的材质和/或图案确定了以后，根据这个预设的是否可以搭配的关系，即可实现两个商品之间的搭配。

根据上述的风格子系统33，可以基于商品的风格实现商品与用户之间的匹配，以及两个商品之间搭配。

参阅图5，其为依据上述的个性化商品匹配推荐系统所建立的商品的模型的示意图。商品模型包括三个子模型：颜色模型、形状模型以及风格模型。而每个子模型又包括次级子模型。例如颜色模型包括单色、双色、三色以及多色次级子模型，形状包括廓形与部件次级子模型，风格包括材质与图案次级子模型。这次子模型共同构成了一个商品的完整画像，从各个维度对商品进行了表达。可以理解的是，上述的子模型与次级子模型仅为示例，并非用以限定本发明。商品模型里的任意子模型、次级子模型的组合都可以用来实现商品与商品之间的搭配，还可实现单个商品或者组合商品与用户之间的匹配。而具体的商品之间的搭配逻辑已经在上述各子系统中进行了描述。

参阅图6，其为上述的个性化商品匹配推荐系统所采用的用户模型的示意图。用户模型包括三个子模型：体形特征模型、用户偏好设定以及社会心理模型。其中体型特征模型定义用户的身高、体重、肩围、腰围、腿高、臀围、胸围、五官、臂长等各种体型特征数据。偏好设定保存用户的永久或临时的偏好，例如颜色、风格、着装场合等。而社会心理模型定义用户的职业、性别、社会心理分析结果等。在进行用户与商品的匹配时，商品模型的次级子模型可以与用户模型的一个或多个子模型进行匹配运算。而运算的基础是大量预设或经过机器学习后存储的规则。

实施例1

参阅图7，其为实施例1提供的商品数据匹配推荐方法的流程图。如图7所示，该方法包括以下步骤：

步骤S101，获取当前用户的用户模型。

如上所述，用户模型内包括多个维度的数据，这需要用户提供。具体来说，可以提供界面或接口让用户可以输入其自己的各种数据，如体型特征数据、偏好数据以及社会心理数据。若用户模型所需要的数据已经完备，并存储在数据存储装置20中，则可以直接从存储装置20中读取当前用户的用户模型。

步骤S102，将待推荐的商品与用户模型做匹配度运算，并根据匹配度过滤待推荐的商品。

上述的待推荐的商品例如是所有正在出售的商品，将每个商品依据上述的描述的方式与用户模型之间进行匹配运算以得到该商品是否与当前用户匹配，并过滤掉所有不匹配的商品。

步骤S103，将过滤后的商品列表发送给客户端以进行展示。

根据本实施例的方法，用户在登陆某个购物网站或者应用程序后，只要用户进行了登陆，并进行了用户模型所需要数据的采集，那么该购物网站或者应用程序所展示的所有商品都是与当前匹配的商品，这无疑会大方便用户的使用，提升了网络购物效率，减少了用户筛选商品的时间。

实施例2

参阅图8，其为实施例2提供的商品数据匹配推荐方法的流程图。如图8所示，该方法包括以下步骤：

步骤S201，获取用户选择的商品。

例如，在一个购物网站或者应用程序，可以提供用户选择商品的界面，当用户选择某一个商品后，可以向应用服务器30发送一个请求，将用户选择的商品包括在该请求内。相应地，应用服务器30会接收到该请求，并获取用户选择的商品。

步骤S202，获取与所述用户选择的商品匹配的推荐商品。

步骤S203，将所述推荐商品与用户模型做匹配运算并根据匹配度过滤推荐商品。

从数据库中获取所有备选商品，将每个备选商品依据上述的描述的方式与用户模型之间进行匹配运算以得到该商品是否与当前用户匹配，并过滤掉所有不匹配的商品。

步骤S204，将过滤后的商品推荐列表发送给客户端以进行展示。

根据本实施例的方法，在购物网站或者应用程序中，当用户选择一个基本商品后，可以采用本发明实施例的匹配推荐方法获取与用户选择的商品相互匹配的商品，供用户选择，降低了用户搭配商品的时间，提升了购物的效率。

实施例3

参阅图9，实施例3提供一种基于颜色的用户与商品的匹配方法，如图9所示，该方法包括：

步骤S301，获取商品的颜色数据，所述颜色数据包括商品颜色的色相、明度以及纯度；

步骤S302，根据所述颜色数据初始化色彩演算模型。

可以理解，此处的色彩演算模型即为上述的从单颜色、双色、三色以及多色至颜色意象标签的映射关系模型，可以相互参照。

步骤S303，所述色彩演算模型根据所述颜色数据计算得到所述商品的颜色意象标签。

步骤S304，获取当前用户的类型标签，根据预定义的颜色意象标签与类型标签之间的匹配数据计算当前用户与所述商品之间的匹配度；

步骤S305，根据所述匹配度对所述商品数据进行过滤。

根据本实施例的方法，通过将颜色的值转换为对应颜色意象标签，可以高效的处理颜色与用户的匹配。

实施例4

参阅图10，实施例4提供一种基于颜色的用户与商品的匹配系统，如图10所示，该系统包括：颜色解析模块41、用户匹配模块42、以及数据匹配模块43。

颜色解析模块41用于获取商品的颜色数据，所述颜色数据包括商品所包括的颜色的色相、明度以及纯度，根据所述颜色数据初始化色彩演算模型以根据所述颜色数据计算得到所述商品的颜色意象标签；

用户匹配模块42用于获取当前用户的类型标签，根据预定义的颜色意象标签与类型标签之间的匹配数据计算当前用户与所述商品之间的匹配度；

数据匹配模块43用于根据所述匹配度对所述商品数据进行过滤。

根据本实施例的系统，通过将颜色的值转换为对应颜色意象标签，可以高效的处理颜色与用户的匹配。

实施例5

参阅图11，实施例5提供一种基于颜色的商品的搭配方法，如图11所示，该方法包括：

步骤S501，获取商品的颜色数据，所述颜色数据包括商品所包括的颜色的色相、明度以及纯度；

步骤S502，根据所述颜色数据初始化色彩演算模型；

步骤S503，所述色彩演算模型根据所述颜色数据计算得到所述商品的颜色意象标签；

步骤S504，判断所述待匹配的两种商品的颜色意象标签是否相同或者匹配，若是，则返回所述待匹配的两种商品可搭配的结果。

根据本实施例的方法，通过将颜色的值转换为对应颜色意象标签，可以高效的处理商品与商品的搭配运算。

实施例6

参阅图12，实施例6提供一种基于颜色的商品搭配系统，如图12所示，该系统包括：颜色解析模块61、以及用户匹配模块62。

颜色解析模块61用于获取待匹配的两种商品的颜色数据，所述颜色数据包括商品所包括的颜色的色相、明度以及纯度，根据所述颜色数据初始化色彩演算模型以根据所述颜色数据计算得到每种商品的颜色意象标签；

商品搭配模块62用于判断所述待匹配的两种商品的颜色意象标签是否相同或者匹配，若是，则返回所述待匹配的两种商品可搭配的结果。

根据本实施例的方法，通过将颜色的值转换为对应颜色意象标签，可以高效的处理商品与商品的搭配运算。

实施例7

参阅图13，实施例7提供一种基于颜色的商品的区配方法，如图13所示，该方法包括：

步骤S701，建立商品形状类型与用户身材类型之间匹配关系映射表，所述映射表根据用户的体型数据对应于每种身材类型定义多个子区间，每个子区间具有至少部分不重叠的身高及体重区间，对应于每个子区间所述映射表存储其与每种形状类型之间的匹配度；

步骤S702，解析商品的图像以获取商品的形状类型；

步骤S703，获取当前用户的身材类型以及体型数据；

步骤S704，根据所述身材类型以及体型数据检索所述映射表以获取所述商品与所述当前用户之间的匹配度，并根据所述匹配度对商品进行过滤。

根据本实施例的方法，通过将商品形状类型与身材类型实现用户与商品之间的匹配运算，具有很高的匹配效率及效果。

实施例8

参阅图14，实施例8提供一种基于形状的用户与商品的匹配系统，如图14所示，该系统包括：映射表建立模块81、形状解析模块82、数据获取模块83以及用户匹配模块84。

映射表建立模块81用于建立商品形状类型与用户身材类型之间匹配关系映射表，所述映射表根据用户的体型数据对应于每种身材类型定义多个子区间，每个子区间具有至少部分不重叠的身高及体重区间，对应于每个子区间所述映射表存储其与每种形状类型之间的匹配度；

形状解析模块82用于解析商品的图像以获取商品的形状类型；

数据获取模块83用于获取当前用户的身材类型以及体型数据；

用户匹配模块84用于根据所述身材类型以及体型数据检索所述映射表以获取所述商品与所述当前用户之间的匹配度，根据所述匹配度对商品进行过滤。

根据本实施例的系统，通过将商品形状类型与身材类型实现用户与商品之间的匹配运算，具有很高的匹配效率及效果。

实施例9

参阅图15，实施例9提供一种基于形状的商品搭配方法，如图15所示，该方法包括：

步骤S901，建立搭配类型与搭配模型之间的映射关系；

步骤S902，根据待搭配的两种商品的类别确定搭配类型；

步骤S903，根据所述映射关系获取与所述搭配类型对应的搭配模型；

步骤S904，基于所述搭配模型计算待搭配的两种商品之间的匹配度并返回计算结果。

根据本实施例的方法，基于商品的形状实现商品之间的搭配，处理效率高，且搭配效果好。

实施例10

参阅图16，实施例10提供一种基于形状的商品搭配系统，如图16所示，该系统包括：映射表建立模块1001、搭配类型确定模块1002、搭配模型确定模块1003、商品搭配模块1004。

映射表建立模块1001用于建立搭配类型与搭配模型之间的映射关系；

搭配类型确定模块1002用于根据待搭配的两种商品的类别确定搭配类型；

搭配模型确定模块1003用于根据所述映射关系获取与所述搭配类型对应的搭配模型；

商品搭配模块1004用于基于所述搭配模型计算待搭配的两种商品之间的匹配度并返回计算结果。

根据本实施例的系统，基于商品的形状实现商品之间的搭配，处理效率高，且搭配效果好。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于颜色的用户与商品的匹配方法，其特征在于，包括：

获取商品的颜色数据，所述颜色数据包括商品颜色的色相、明度以及纯度；

根据所述颜色数据初始化色彩演算模型，所述色彩演算模型将明度以及纯度分别定义为多个连续的明度区间及纯度区间；

所述色彩演算模型根据所述颜色数据所在的明度区间及纯度区间计算得到所述商品的颜色意象标签；

获取当前用户的类型标签，根据预定义的颜色意象标签与类型标签之间的匹配数据计算当前用户与所述商品之间的匹配度；

根据所述匹配度对所述商品数据进行过滤，将过滤后的商品数据按匹配度进行排序，将排序后的商品数据发送给用户的客户端，以指示客户端按照该排序展示匹配度高的商品数据。

2.如权利要求1所述的基于颜色的用户与商品的匹配方法，其特征在于，还包括：所述色彩演算模型根据预定义的明度区间与纯度区的间组合与颜色意象标签之间的映射关系获取所述商品的颜色意象标签。

3.如权利要求1所述的基于颜色的用户与商品的匹配方法，其特征在于，所述颜色意象标签包括：年龄标签、性别标签、着装场合标签、审美属性标签、以及情绪标签。

4.如权利要求1所述的基于颜色的用户与商品的匹配方法，其特征在于，还包括：将色相环划分成多个依次相邻的子区间，而每个子区间又划分为多个次级子区间派；建立任意两个或三个次级子区间的颜色组合与颜色意象标签的映射表；当检测到所述颜色数据包括两种或三种颜色时，从所述映射表中查找对应的颜色意象标签。

5.如权利要求1所述的基于颜色的用户与商品的匹配方法，其特征在于，还包括：建立颜色组合列表，该列表中的每个项目对应一个包括至少四种颜色的组合以及对应的颜色意象标签；当检测到所述颜色数据包括四种或以上的颜色时，将所述商品的颜色数据与所述颜色组合列表中的每个项目比较，当所述商品的颜色数据与所述列表中的某一个项目匹配时，给所述商品设定与该项目对应的颜色意向标签。

6.一种基于颜色的商品搭配推荐方法，其特征在于，包括：建立颜色搭配规则，所述颜色搭配规则中的每条规则定义两种或以上颜色的属性区间，所述属性包括色相、明度及纯度，每条规则对应一个颜色意向标签；

将所述颜色搭配规则与待搭配的商品的所有组合进行比较以过滤掉所有不可搭配的商品组合，从而获取可搭配的商品组合；

根据可搭配的商品组合的颜色数据获取对应的颜色意象标签；

获取当前用户的类型标签，根据预定义的颜色意象标签与类型标签之间的匹配数据计算当前用户与所述商品之间的匹配度；

根据所述匹配度对所述可搭配的商品组合进行过滤，将过滤后的商品组合按匹配度进行排序，将排序后的商品组合发送给用户的客户端，以指示客户端按照该排序展示匹配度高的商品组合。

7.如权利要求6所述的基于颜色的商品搭配推荐方法，其特征在于，所述根据可搭配的商品组合的颜色数据获取对应的颜色意象标签包括：将明度以纯度分别定义为多个连续的明度区间及纯度区间，获取所述商品组合内商品的颜色数据所在明度区间以及纯度区间，并根据预定义的明度区间与纯度区的间组合与颜色意象标签之间的映射关系获取所述商品的颜色意象标签。

8.如权利要求6所述的基于颜色的商品搭配推荐方法，其特征在于，所述颜色意象标签包括：年龄标签、性别标签、着装场合标签、审美属性标签、以及情绪标签。

9.如权利要求6所述的基于颜色的商品搭配推荐方法，其特征在于，所述根据可搭配的商品组合的颜色数据获取对应的颜色意象标签包括：将色相环划分成多个依次相邻的子区间，而每个子区间又划分为多个次级子区间派；建立任意两个或三个次级子区间的颜色组合与颜色意象标签的映射表；当检测到所述颜色数据包括两种或三种颜色时，从所述映射表中查找对应的颜色意象标签。

10.如权利要求6所述的基于颜色的商品搭配推荐方法，其特征在于，所述根据可搭配的商品组合的颜色数据获取对应的颜色意象标签包括：建立颜色组合列表，该列表中的每个项目对应一个包括至少四种颜色的组合以及对应的颜色意象标签；当检测到所述颜色数据包括四种或以上的颜色时，将所述商品的颜色数据与所述颜色组合列表中的每个项目比较，当所述商品的颜色数据与所述列表中的某一个项目匹配时，给所述商品设定与该项目对应的颜色意向标签。

Images