CN107577660A - 类目信息识别方法、装置及服务器 - Google Patents

Abstract

本说明书实施例提供一种类目信息识别方法、装置及服务器。该方法包括：获取需要进行类目信息识别的目标店铺的店铺名称；确定该店铺名称的词向量，该店铺名称的词向量包括基于店铺名称训练数据训练得到的店铺名称的词向量和基于通用语料训练得到的店铺名称的词向量；接着，将确定出的店铺名称的词向量输入类目信息识别模型，可以得到所述目标店铺的类目信息。

Description

类目信息识别方法、装置及服务器

技术领域

本说明书实施例涉及互联网通信技术领域，特别涉及一种类目信息识别方法、装置及服务器。

背景技术

随着互联网消费时代的发展，越来越多的人会通过购物网站进行购物消费。在一些应用场合，会遇到需要根据店铺的类目信息对店铺进行划分以进行搜索、营销、风险防控等处理的情况。因此，为了便于在基于类目信息的搜索、营销、风险防控等处理过程中可以直接确定出准确的店铺，需要识别出店铺的类目信息。

现有技术中，店铺名称作为店铺的标志，往往会利用店铺名称来识别店铺的类目信息。在利用店铺名称确定店铺的类目信息的方法中，对于店铺名称中包括类目信息的情况，常常是基于店铺名称中的类目信息进行店铺的类目划分，如店铺名称：阿喜面馆，ZooCoffee等，会提取“面馆”，“Coffee”这样的类目信息以确定店铺的类目，当店铺名称中不包含这些明显的类目信息时，常常需要借助基于通用语料训练得到的类目信息识别模型进行店铺划分，在基于通用语料训练得到类目信息识别模型的过程中仅考虑了词语通用语义的特征，很难满足店铺名称这种特定场景下语义相关性，导致训练得到的类目信息识别模型对店铺的类目信息识别力差。因此，需要提供能够更准确识别店铺的类目信息的方案。

发明内容

本说明书实施例的目的是提供一种类目信息识别方法、装置及服务器，可以快速准确的识别出店铺的类目信息。

本说明书实施例是这样实现的：

一种类目信息识别方法，包括：

获取目标店铺的店铺名称；

确定所述店铺名称的词向量，所述店铺名称的词向量包括第一部分词向量和第二部分词向量，其中，所述第一部分词向量包括基于店铺名称训练数据训练得到的店铺名称的词向量；所述第二部分词向量包括基于通用语料训练得到的店铺名称的词向量；

将所述店铺名称的词向量输入类目信息识别模型，得到所述目标店铺的类目信息。

一种类目信息识别装置，包括：

店铺名称获取模块，用于获取目标店铺的店铺名称；

词向量确定模块，用于确定所述店铺名称的词向量，所述店铺名称的词向量包括第一部分词向量和第二部分词向量，其中，所述第一部分词向量包括基于店铺名称训练数据训练得到的店铺名称的词向量；所述第二部分词向量包括基于通用语料训练得到的店铺名称的词向量；

类目信息识别模块，用于将所述店铺名称的词向量输入类目信息识别模型，得到所述目标店铺的类目信息。

一种类目信息识别服务器，包括处理器及存储器，所述存储器存储由所述处理器执行的计算机程序指令，所述计算机程序指令包括：

获取目标店铺的店铺名称；

确定所述店铺名称的词向量，所述店铺名称的词向量包括第一部分词向量和第二部分词向量，其中，所述第一部分词向量包括基于店铺名称训练数据训练得到的店铺名称的词向量；所述第二部分词向量包括基于通用语料训练得到的店铺名称的词向量；

将所述店铺名称的词向量输入类目信息识别模型，得到所述目标店铺的类目信息。

由以上可见，本说明书一个或多个实施例在类目信息识别过程中可以确定出基于店铺名称训练数据训练得到的店铺名称的词向量和基于通用语料训练得到的店铺名称的词向量，保证词向量可以反映店铺名称这种特定场景下词语之间的语义关联性。然后，将店铺名称的词向量输入类目信息识别模型进行训练，可以准确的确定出目标店铺的类目信息，保证店铺的类目信息的识别准确率。后续根据店铺的类目信息进行搜索、营销、风险防控等处理时，可以快速准确确定出店铺，改善了用户体验。

附图说明

为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本说明书提供的训练类目信息识别模型的一种实施例的流程示意图；

图2是本说明书提供的类目信息识别方法的一种实施例的流程示意图；

图3是本说明书提供的类目信息识别装置的一种实施例的结构示意图。

具体实施方式

本说明书实施例提供一种类目信息识别方法、装置及服务器。

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。

在实际应用中，常常会遇到需要根据店铺的类目信息进行搜索、营销、风险防控等处理的场景。在一个具体的场景中，用户进行购物消费过程中，往往需要根据类目信息找到同一类目下的多家店铺，例如用户在某电商平台搜索“球鞋”，相应的，假设球鞋对应的类目信息为鞋，相应的，当某些店铺所对应的类目信息为鞋时，电商平台就可以根据类目信息“鞋”将这些店铺推荐给用户，这样可以帮助用户在多款鞋子中选择合适的球鞋，增加购买率。另一个具体的场景中，电商平台常常为了增加购买率，需要按照类目进行营销活动，例如在端午节前后，针对节日需求，向用户推送端午节相关产品，相应的，当店铺所对应的类目信息直接为端午节日产品，就可以直接将销售端午节日产品的店铺推荐给用户，这样就可以帮助相应的商家提高销售量。由上述的实例中可见，识别出店铺的类目信息具有重要的意义。在现有的利用店铺名称进行类目信息的识别过程中所采用的类目信息识别模型对店铺的类目信息识别力差，往往是由于类目信息识别模型训练过程中采用的通用语料存在店铺名称与店铺所对应的类目信息语义关联性弱的问题。基于此，可以提高类目信息识别模型训练过程中采用的店铺名称语料之间的语义关联性，以提高类目信息识别模型的准确率。

以下介绍本说明书训练类目信息识别模型的一种实施例的具体实现。图1是本说明书提供的训练类目信息识别模型的一种实施例的流程示意图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图1所示，可以包括：

S102：基于店铺名称训练数据训练得到店铺名称的词向量。

本说明书实施例中获取的所述店铺名称训练数据可以包括收集大量的原始的店铺名称。具体的，在实际应用中，存在一些店铺名称所对应的类目信息是已知的，另一些店铺名称所对应的类目信息是未知的，那么对于一些已知类目信息的店铺名称可以预先对其进行类目信息标注。相应的，所述收集大量的原始的店铺名称可以包括具有类目信息标注的店铺名称和无类目信息标注的店铺名称。

具体的，在实际应用中，每个词语都有相应的一个或多个语义，这里的词语可以包括一个或多个字。词向量可以包括使用K维表示词与词之间语义关联度的实数向量。具体的，两个词语之间的语义关联度越高，相应的两个词语的词向量之间距离越近。例如词语“手机”与“电脑”因均为电子产品，存在语义关联度要高于词语“手机”与“马路”之间的语义关联度。相应的，“手机”与“电脑”所对应的两个词向量之间的距离要比“手机”与“马路”所对应的两个词向量之间的距离更近。因此，可以确定表征词语之间的语义关联度的词向量，然后，基于该词向量之间的距离进行类目识别训练得到类目信息识别模型。

本说明书实施例中，所述基于店铺名称训练数据训练得到店铺名称的词向量可以包括：对店铺名称训练数据进行分词处理；将分词处理后的店铺名称训练数据输入Word2vector模型进行训练，在训练过程中可以将每个词语映射成K维实数向量，后续，可以通过词之间的距离(比如cosine关联度、欧氏距离等)来判断它们之间的语义关联度。相应的，基于Word2vector模型对分词处理后的店铺名称训练数据进行训练，得到店铺名称词向量模型的同时可以得到表征店铺名称中词语之间的语义关联度的词向量的集合。后续，将店铺名称输入店铺名称词向量模型，店铺名称词向量模型可以基于词向量的集合中的词向量确定出该店铺名称的词向量。

具体的，所述店铺名称的词向量可以包括一个或多个词向量。例如，某一店铺名称包括三个分词，相应的，该店铺名称的词向量可以为该三个分词的词向量，也可以包括通过预设规则对该三个分词的词向量进行计算得到的词向量作为店铺名称的词向量，这里的预设规则可以包括但并不限于进行向量平均值计算。

在一些实施例中，所述店铺名称训练数据可以包括采用下述方法确定：

获取具有类目信息标注的且不包含类目信息的店铺名称；

将标注的类目信息添加到相对应的不包含类目信息的店铺名称中，得到包含类目信息的店铺名称；

将所述包含类目信息的店铺名称训练数据作为所述店铺名称训练数据。

具体的，所述类目信息可以包括对商品做出的归类信息。一个类目下还可以包括一个或多个子类目。在一个具体的实施例中，假设商品小米手机note2，相应的，商品小米手机note2所对应的类目信息可以包括手机(手机可以作为电子数码类目下的子类目之一)。

在实际应用中，由于一些店铺名称可能本身没有包含类目信息，且与其他同类目的店铺名称之间没有直接的语义关联。为了提高店铺名称本身与类目信息之间语义关联度，本说明书一个或多个实施例中可以获取具有类目信息标注的且店铺名称中不包含类目信息的店铺名称，将标注的类目信息添加到相对应的不包含类目信息的店铺名称中，得到包含类目信息的店铺名称。

具体的，例如某一店铺名称“漫猫”具有类目信息“咖啡”的标注，且店铺名称“漫猫”中不包含类目信息。相应的，可以将类目信息“咖啡”添加到店铺名称“漫猫”中，得到包含类目信息的店铺名称“漫猫咖啡”，这样就加强了店铺名称“漫猫”与其他包括类目信息“咖啡”的店铺名称，例如与“Zoo Coffee”之间的语义关系；同时，可以增加与店铺名称“漫猫”之间有语义关联的店铺名称与类目信息之间的语义关联度，例如店铺名称“阿狸”与类目信息“咖啡”之间的语义关联度。

此外，需要说明的是，本说明书实施例中所述将标注的类目信息添加到相对应的不包含类目信息的店铺名称中并不仅限于上述的将类目信息作为后缀加入店铺名称中，还可以包括其他形式，例如将类目信息作为前缀等，本说明书实施例并不需以上述为限。

本说明书实施例中将包含类目信息的店铺名称作为店铺名称训练数据进行训练得到店铺名称的词向量，可以提高店铺名称之间，以及店铺名称与类目信息之间的语义关联度，便于将同一类目信息所对应的多种不同名字的店铺名称进行聚类。

S104：基于通用语料训练得到店铺名称的词向量。

在实际应用中，店铺名称训练数据可能存在词语涵盖率不足的问题，即后续需要识别类目信息的店铺名称中的词语没有出现在获取的店铺名称训练数据中。这种情况下，往往不能准确的识别类目信息。相应的，为了提高店铺名称的词向量对词语的涵盖率，本说明书实施例中可以基于通用语料训练得到店铺名称的词向量。由于通用语料数据对词语的涵盖率较广，可以避免因基于店铺名称训练数据训练得到的店铺名称的词向量对词语的涵盖率不足导致的无法识别类目信息的问题。

具体的，基于通用语料训练得到店铺名称的词向量可以包括将通用语料进行分词处理，将分词处理后的通用语料输入Word2vector模型进行训练，在训练过程中可以将每个词语映射成K维实数向量。基于Word2vector模型对通用语料数据进行训练，得到相应的通用词向量模型的同时可以得到表征词语之间的通用语义关联度的词向量的集合。后续，将分词处理后的店铺名称输入该通用词向量模型，该词向量模型可以基于词向量的集合中的词向量确定出该店铺名称的词向量。

S106：基于机器学习算法对店铺名称的词向量进行类目信息识别训练得到的类目信息识别模型。

本说明书实施例中，可以基于机器学习算法对店铺名称的词向量进行类目信息识别训练得到的类目信息识别模型，这里的店铺名称的词向量，可以包括基于店铺名称训练数据训练得到的店铺名称的词向量和基于通用语料训练得到的店铺名称的词向量。

具体的，本说明书实施例所述机器学习算法可以包括卷积神经网络、传统神经网络，或决策树等，但本说明书实施例并不以上述为限。在一个具体的实施例中，以基于卷积神经网络对所述预设词向量集合中的词向量进行类目信息识别训练，得到类目信息识别模型为例，具体的可以包括以下步骤：

将店铺名称的词向量输入预先设置的卷积神经网络进行训练；

调整所述卷积神经网络中各层的参数直至所述卷积神经网络的当前输出类目信息与预设类目信息相匹配，将当前输出类目信息所对应的卷积神经网络作为类目信息识别模型。

此外，在实际应用中，一些店铺名称训练数据中常常会出现一些与店铺的类目信息和该类的类目信息中常见的店铺名称直接无语义关联的干扰信息，为了避免后续对类目信息产生无意义的干扰。本说明书实施例中，还可以包括：

对所述店铺名称训练数据中的干扰信息进行删除处理，得到删除处理后的店铺名称训练数据。

具体的，干扰信息可以包括地点信息和/或带括号的备注信息，例如店铺名称是：A市B街道C便利店、海底捞(D路店)，这里A市B街道以及(D路店)是与店铺的类目信息或该类的类目信息中常见的店铺名称直接无语义关联的干扰信息。因此，本说明书一个或多个实施例中识别出店铺名称中的干扰信息，并删除干扰信息，以避免后续对类目信息产生无意义的干扰。

在另一些实施例中，当所述干扰信息为地点信息时，考虑到店铺名称中的地点信息连续出现多个的情况中，可能有部分地点信息可能与店铺的类目信息或该类的类目信息中常见的店铺名称有语义关联，因此，为了防止误删店铺名称中与店铺的类目信息或该类的类目信息中常见的店铺名称有语义关联的信息，本说明书一个或多个实施例中，当所述干扰信息为地点信息时，所述对所述店铺名称训练数据中的干扰信息进行删除处理，得到删除处理后的店铺名称训练数据可以包括：

确定所述店铺名称训练数据中店铺名称的干扰信息；

确定出所述干扰信息中连续出现的干扰信息个数少于等于预设阈值的干扰信息；

将连续出现的干扰信息个数少于等于预设阈值的干扰信息进行删除处理，得到所述删除处理后的店铺名称训练数据。

具体的，这里的预设阈值可以结合实际应用进行设置，例如设置为2，相应的。当三个或三个以上的干扰信息连续出现时，该三个或三个以上的干扰信息不进行删除处理。

有上述可见，本说明书实施例通过将店铺名称训练数据训练得到的词向量和通用语料训练得到的词向量作为类目信息识别模型训练过程中训练语料，可以反映店铺名称这种特定场景下词语之间的语义关联性，保证类目信息识别模型训练过程中训练语料本身可以反映店铺名称中词语之间的语义关联性，进而可以提高类目信息识别模型的对店铺名称类目信息的识别准确率。

以上介绍训练类目信息识别模型的具体实现方式，下面介绍基于该类目信息识别模型进行目信息识别的一种具体实施例。图2是本说明书提供的类目信息识别方法的一种实施例的流程示意图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图2所示，所述方法可以包括：

S202：获取目标店铺的店铺名称。

具体的，所述目标店铺可以包括需要进行类目信息识别的店铺。具体的，本说明书实施例中所述店铺可以包括网络虚拟店铺也可以包括实体店铺。

S204：确定所述店铺名称的词向量，所述店铺名称的词向量包括第一部分词向量和第二部分词向量，其中，所述第一部分词向量包括基于店铺名称训练数据训练得到的店铺名称的词向量；所述第二部分词向量包括基于通用语料训练得到的店铺名称的词向量。

具体的，结合上述利用Word2vector模型训练得到的词向量模型，可以将目标店铺的店铺名称进行分词处理后输入上述的词向量模型，词向量模型可以通过查询相应的词向量的集合确定出该店铺名称的词向量。

具体的，将所述目标店铺的店铺名称进行分词处理后输入通用词向量模型，通用词向量模型可以通过查询相应的词向量的集合确定出店铺名称相应的词向量。将所述目标店铺的店铺名称进行分词处理后输入店铺名称词向量模型，店铺名称词向量模型可以通过查询相应的词向量的集合确定出店铺名称相应的词向量。相应的，所述店铺名称的词向量可以包括基于店铺名称训练数据训练得到的店铺名称的词向量和基于通用语料训练得到的店铺名称的词向量。

S206：将所述店铺名称的词向量输入类目信息识别模型，得到所述目标店铺的类目信息。

具体的，在得到所述目标店铺所对应的词向量之后，可以将所述词向量输入类目信息识别模型，得到所述目标店铺的类目信息。

由此可见，本说明书一种类目信息识别方法的一个或多个实施例通过将店铺名称训练数据训练得到的词向量和通用语料训练得到的词向量作为类目信息识别模型训练过程中训练语料，可以反映店铺名称这种特定场景下词语之间的语义关联性，保证类目信息识别模型训练过程中训练语料本身可以反映店铺名称中词语之间的语义关联性，进而可以提高类目信息识别模型的对店铺名称类目信息的识别准确率，在类目信息识别过程中可以确定出基于店铺名称训练数据训练得到的店铺名称的词向量和基于通用语料训练得到的店铺名称的词向量，然后，将店铺名称的词向量输入类目信息识别模型进行训练，可以准确的确定出目标店铺的类目信息，保证店铺的类目信息的识别准确率。后续根据店铺的类目信息进行搜索、营销、风险防控等处理时，可以快速准确确定出店铺，改善了用户体验。

本说明书另一方面还提供一种类目信息识别装置，图3是本说明书提供的类目信息识别装置的一种实施例的结构示意图，如图3所示，所述装置300可以包括：

店铺名称获取模块310，可以用于获取目标店铺的店铺名称；

词向量确定模块320，可以用于确定所述店铺名称的词向量，所述店铺名称的词向量包括第一部分词向量和第二部分词向量，其中，所述第一部分词向量包括基于店铺名称训练数据训练得到的店铺名称的词向量；所述第二部分词向量包括基于通用语料训练得到的店铺名称的词向量；

类目信息识别模块330，可以用于将所述店铺名称的词向量输入类目信息识别模型，得到所述目标店铺的类目信息。

另一个实施例中，所述店铺名称训练数据可以包括采用下述方法确定：

获取具有类目信息标注的且不包含类目信息的店铺名称；

将标注的类目信息添加到相对应的不包含类目信息的店铺名称中，得到包含类目信息的店铺名称；

将所述包含类目信息的店铺名称训练数据作为所述店铺名称训练数据。

另一个实施例中，所述装置300还可以包括：

删除处理模块，可以用于对所述店铺名称训练数据中的干扰信息进行删除处理，得到删除处理后的店铺名称训练数据；

相应的，所述基于店铺名称训练数据训练得到的店铺名称的词向量可以包括：基于删除处理后的店铺名称训练数据训练得到的店铺名称的词向量。

另一个实施例中，所述干扰信息可以包括：

地点信息和/或带括号的备注信息。

另一个实施例中，当所述干扰信息为地点信息时，所述删除处理模块可以包括：

第一干扰信息确定单元，可以用于确定所述店铺名称训练数据中店铺名称的干扰信息；

第二干扰信息确定单元，可以用于确定出所述干扰信息中连续出现的干扰信息个数少于等于预设阈值的干扰信息；

删除处理单元，用于将连续出现的干扰信息个数少于等于预设阈值的干扰信息进行删除处理，得到所述删除处理后的店铺名称训练数据。

本说明书实施例提供的上述类目信息识别方法或装置可以在计算机中由处理器执行相应的程序指令来实现，如使用windows操作系统的c++语言在PC端实现，或其他例如使用android、iOS系统程序设计语言在智能终端实现，以及基于量子计算机的处理逻辑实现等。因此，本说明书另一方面还提供一种类目信息识别服务器，包括处理器及存储器，所述存储器存储由所述处理器执行的计算机程序指令，所述计算机程序指令可以包括：

获取目标店铺的店铺名称；

确定所述店铺名称的词向量，所述店铺名称的词向量包括第一部分词向量和第二部分词向量，其中，所述第一部分词向量包括基于店铺名称训练数据训练得到的店铺名称的词向量；所述第二部分词向量包括基于通用语料训练得到的店铺名称的词向量；

将所述店铺名称的词向量输入类目信息识别模型，得到所述目标店铺的类目信息。

具体的，本申请实施例中，所述的处理器可以包括中央处理器(CPU)，当然也可以包括其他的具有逻辑处理能力的单片机、逻辑门电路、集成电路等，或其适当组合。所述存储器可以包括非易失性存储器等。

另一个实施例中，所述店铺名称训练数据可以包括采用下述方法确定：

获取具有类目信息标注的且不包含类目信息的店铺名称；

将标注的类目信息添加到相对应的不包含类目信息的店铺名称中，得到包含类目信息的店铺名称；

将所述包含类目信息的店铺名称训练数据作为所述店铺名称训练数据。

另一个实施例中，所述计算机程序指令还可以包括：

对所述店铺名称训练数据中的干扰信息进行删除处理，得到删除处理后的店铺名称训练数据；

相应的，所述基于店铺名称训练数据训练得到的店铺名称的词向量包括：基于删除处理后的店铺名称训练数据训练得到的店铺名称的词向量。

另一个实施例中，所述干扰信息可以包括：

地点信息和/或带括号的备注信息。

另一个实施例中，当所述干扰信息为地点信息时，所述对所述店铺名称训练数据中的干扰信息进行删除处理，得到删除处理后的店铺名称训练数据可以包括：

确定所述店铺名称训练数据中店铺名称的干扰信息；

确定出所述干扰信息中连续出现的干扰信息个数少于等于预设阈值的干扰信息；

将连续出现的干扰信息个数少于等于预设阈值的干扰信息进行删除处理，得到所述删除处理后的店铺名称训练数据。

由此可见，本说明书一种类目信息识别方法、装置、或服务器的实施例通过将店铺名称训练数据训练得到的词向量和通用语料训练得到的词向量作为类目信息识别模型训练过程中训练语料，可以反映店铺名称这种特定场景下词语之间的语义关联性，保证类目信息识别模型训练过程中训练语料本身可以反映店铺名称中词语之间的语义关联性，进而可以提高类目信息识别模型的对店铺名称类目信息的识别准确率，在类目信息识别过程中可以确定出基于店铺名称训练数据训练得到的店铺名称的词向量和基于通用语料训练得到的店铺名称的词向量，然后，将店铺名称的词向量输入类目信息识别模型进行训练，可以准确的确定出目标店铺的类目信息，保证店铺的类目信息的识别准确率。后续根据店铺的类目信息进行搜索、营销、风险防控等处理时，可以快速准确确定出店铺，改善了用户体验。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包包含计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，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(flash RAM)。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、石墨烯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暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、装置或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置和服务器实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (15)

1.一种类目信息识别方法，包括：

获取目标店铺的店铺名称；

确定所述店铺名称的词向量，所述店铺名称的词向量包括第一部分词向量和第二部分词向量，其中，所述第一部分词向量包括基于店铺名称训练数据训练得到的店铺名称的词向量；所述第二部分词向量包括基于通用语料训练得到的店铺名称的词向量；

将所述店铺名称的词向量输入类目信息识别模型，得到所述目标店铺的类目信息。

2.根据权利要求1所述的方法，其中，所述店铺名称训练数据包括采用下述方法确定：

获取具有类目信息标注的且不包含类目信息的店铺名称；

将标注的类目信息添加到相对应的不包含类目信息的店铺名称中，得到包含类目信息的店铺名称；

将所述包含类目信息的店铺名称训练数据作为所述店铺名称训练数据。

3.根据权利要求1或2所述的方法，其中，所述方法还包括：

对所述店铺名称训练数据中的干扰信息进行删除处理，得到删除处理后的店铺名称训练数据；

相应的，所述基于店铺名称训练数据训练得到的店铺名称的词向量包括：基于删除处理后的店铺名称训练数据训练得到的店铺名称的词向量。

4.根据权利要求3所述的方法，其中，所述干扰信息包括：

地点信息和/或带括号的备注信息。

5.根据权利要求4所述的方法，其中，当所述干扰信息为地点信息时，所述对所述店铺名称训练数据中的干扰信息进行删除处理，得到删除处理后的店铺名称训练数据包括：

确定所述店铺名称训练数据中店铺名称的干扰信息；

确定出所述干扰信息中连续出现的干扰信息个数少于等于预设阈值的干扰信息；

将连续出现的干扰信息个数少于等于预设阈值的干扰信息进行删除处理，得到所述删除处理后的店铺名称训练数据。

6.一种类目信息识别装置，包括：

店铺名称获取模块，用于获取目标店铺的店铺名称；

词向量确定模块，用于确定所述店铺名称的词向量，所述店铺名称的词向量包括第一部分词向量和第二部分词向量，其中，所述第一部分词向量包括基于店铺名称训练数据训练得到的店铺名称的词向量；所述第二部分词向量包括基于通用语料训练得到的店铺名称的词向量；

类目信息识别模块，用于将所述店铺名称的词向量输入类目信息识别模型，得到所述目标店铺的类目信息。

7.根据权利要求6所述的装置，其中，所述店铺名称训练数据包括采用下述方法确定：

获取具有类目信息标注的且不包含类目信息的店铺名称；

将标注的类目信息添加到相对应的不包含类目信息的店铺名称中，得到包含类目信息的店铺名称；

将所述包含类目信息的店铺名称训练数据作为所述店铺名称训练数据。

8.根据权利要求6或7所述的装置，其中，所述装置还包括：

删除处理模块，用于对所述店铺名称训练数据中的干扰信息进行删除处理，得到删除处理后的店铺名称训练数据；

相应的，所述基于店铺名称训练数据训练得到的店铺名称的词向量包括：基于删除处理后的店铺名称训练数据训练得到的店铺名称的词向量。

9.根据权利要求8所述的装置，其中，所述干扰信息包括：

地点信息和/或带括号的备注信息。

10.根据权利要求9所述的装置，其中，当所述干扰信息为地点信息时，所述删除处理模块包括：

第一干扰信息确定单元，用于确定所述店铺名称训练数据中店铺名称的干扰信息；

第二干扰信息确定单元，用于确定出所述干扰信息中连续出现的干扰信息个数少于等于预设阈值的干扰信息；

删除处理单元，用于将连续出现的干扰信息个数少于等于预设阈值的干扰信息进行删除处理，得到所述删除处理后的店铺名称训练数据。

11.一种类目信息识别服务器，包括处理器及存储器，所述存储器存储由所述处理器执行的计算机程序指令，所述计算机程序指令包括：

获取目标店铺的店铺名称；

确定所述店铺名称的词向量，所述店铺名称的词向量包括第一部分词向量和第二部分词向量，所述第一部分词向量包括基于店铺名称训练数据训练得到的店铺名称的词向量；所述第二部分词向量包括基于通用语料训练得到的店铺名称的词向量；

将所述店铺名称的词向量输入类目信息识别模型，得到所述目标店铺的类目信息。

12.根据权利要求11所述的服务器，其中，所述店铺名称训练数据包括采用下述方法确定：

获取具有类目信息标注的且不包含类目信息的店铺名称；

将标注的类目信息添加到相对应的不包含类目信息的店铺名称中，得到包含类目信息的店铺名称；

将所述包含类目信息的店铺名称训练数据作为所述店铺名称训练数据。

13.根据权利要求11或12所述的服务器，其中，所述计算机程序指令还包括：

对所述店铺名称训练数据中的干扰信息进行删除处理，得到删除处理后的店铺名称训练数据；

相应的，所述基于店铺名称训练数据训练得到的店铺名称的词向量包括：基于删除处理后的店铺名称训练数据训练得到的店铺名称的词向量。

14.根据权利要求13所述的服务器，其中，所述干扰信息包括：

地点信息和/或带括号的备注信息。

15.根据权利要求14所述的服务器，其中，当所述干扰信息为地点信息时，所述对所述店铺名称训练数据中的干扰信息进行删除处理，得到删除处理后的店铺名称训练数据包括：

确定所述店铺名称训练数据中店铺名称的干扰信息；

确定出所述干扰信息中连续出现的干扰信息个数少于等于预设阈值的干扰信息；

将连续出现的干扰信息个数少于等于预设阈值的干扰信息进行删除处理，得到所述删除处理后的店铺名称训练数据。