CN107705066A - 一种商品入库时信息录入方法及电子设备 - Google Patents

Abstract

本发明公开了一种商品入库时信息录入方法及电子设备，属于计算机技术领域。所述方法包括：当商品入库时，获取供应商提供的商品的商品信息；若原有商品信息不齐全，则利用预先训练的神经网络对商品图片进行识别，从商品图片中提取商品的属性信息；根据商品的属性信息，从预先建立的商品知识图谱的关系网络中获取与属性信息对应的商品信息；以及应用获取的商品信息对商品的录入信息进行不全，并入库。从而通过商品图片属性自动提取和商品知识图谱相结合的方式，自动的获取商品入库时所需要的商品信息，整个过程自动完成，无需人工查询归类，极大降低了入库信息录入的人工成本，提高了商品入库的效率，提高准确率。

Description

一种商品入库时信息录入方法及电子设备

技术领域

本发明涉及计算机技术领域，特别涉及一种商品入库时信息录入方法及电子设备。

背景技术

现有的电商物流在商品入库、以及商品在中转仓库间中转时，一般采用商品名称以及原有的分类进行入库；其入库的信息采用供应商或电商录入的商品信息，但是供应商或电商录入的商品信息常常存在着不全或者不相符的情况，这是会采用对商品信息查询归类等获取进一步的商品信息。比如衣服会根据颜色，材质，性别，价格，品牌等，整个商品信息录入过程效率低下以及操作繁琐；同时，此种方法采用人工的方式，其出现人工错误的概率很高，并且仍然有部分商品存在属性缺失的情况。所以需要提供一种快捷方便且信息齐全的商品信息录入方法。

发明内容

为了提高商品入库效率，降低商品录入错误率，提高准确率，同时降低人工成本，本发明实施例提供了一种商品入库时信息录入方法及电子设备。所述技术方案如下：

第一方面，提供了一种商品入库时信息录入方法，所述方法包括：

当商品入库时，获取供应商和/或电商提供的所述商品的商品信息，所述商品信息包括商品图片和原有商品文本信息；

若所述原有商品信息不齐全，则利用预先训练的神经网络对所述商品图片进行识别，从所述商品图片中提取所述商品的属性信息；

根据所述商品的属性信息，从预先建立的商品知识图谱的关系网络中获取与所述属性信息对应的商品信息；以及

应用获取的所述商品信息对所述商品的录入信息进行补全，并入库。

结合第一方面，在第一种可能实现的方式中，所述利用预先训练的神经网络对所述商品图片进行识别，从所述商品图片中提取所述商品的属性信息包括：

对所述商品的图片进行预处理；

通过深度学习模型从一张图中提取出若干局部细节图；以及

使用训练好的多任务模型进行属性信息预测，或者使用训练好的多个单一任务模型进行属性信息预测。

结合第一方面的第一种可能实现的方式，在第二种可能实现的方式中，所述根据所述商品的属性信息，从预先建立的商品知识图谱中获取与所述属性信息对应的商品文本信息包括：

根据预测的所述属性信息，在所述商品知识图谱中全局搜索对应的商品信息；

若搜索不到，则创建与所述属性信息对应的商品信息，并对所述商品知识图谱更新。

结合第一方面的第二种可能实现的方式，在第三种可能实现的方式中，所述商品知识图谱的建立包括：

搜集大量的带有各种文字的图片，将这些带有文字说明的图片数据经过处理作为知识图谱的基础数据，所述基础数据中包括图片和图片的文本信息；

对所述基础数据进行实体抽取、关系抽取、属性抽取以及知识抽取，获取有效文本；

并根据所述有效文本建立所述商品知识图谱；

其中，所述商品知识图谱中构建了不同种商品及商品属性类别之间的关系，以及同类别商品中不容种个体之间的关系。

结合第一方面至第一方面的第三种任意一种可能实现的方式，在第四种可能实现的方式中，所述方法还包括：

根据所述商品知识图谱，创建和商品知识图谱对应的图像属性特征。

第二方面，提供了一种电子设备，所述电子设备包括：

第一商品信息获取模块，用于当商品入库时，获取供应商和/或电商提供的所述商品的商品信息，所述商品信息包括商品图片和原有商品文本信息；

属性信息获取模块，用于当所述原有商品信息不齐全时，则利用预先训练的神经网络对所述商品图片进行识别，从所述商品图片中提取所述商品的属性信息；

第二商品信息获取模块，用于根据所述商品的属性信息，从预先建立的商品知识图谱的关系网络中获取与所述属性信息对应的商品信息；

录入模块，用于应用获取的所述商品信息对所述商品的录入信息进行补全，并入库。

结合第二方面，在第一种可能实现的方式中，所述属性信息获取模块具体包括：

预处理单元，用于对所述商品的图片进行预处理；

细节图提取单元，用于通过深度学习模型从一张图中提取出若干局部细节图；以及

预测单元，用于使用训练好的多任务模型进行属性信息预测，或者使用训练好的多个单一任务模型进行属性信息预测。

结合第二方面的第一种可能实现的方式，在第二种可能实现的方式中，所述第二商品信息获取模块具体包括：

搜索单元，用于根据预测的所述属性信息，在所述商品知识图谱中全局搜索对应的商品信息；

第一创建单元，用于当搜索不到时，则创建与所述属性信息对应的商品信息，并对所述商品知识图谱更新。

结合第二方面的第二种可能实现的方式，在第三种可能实现的方式中，所述设备还包括商品图谱建立模块，具体包括：

基础数据获取单元，用于搜集大量的带有各种文字的图片，将这些带有文字说明的图片数据经过处理作为知识图谱的基础数据，所述基础数据中包括图片和图片的文本信息；

有效文本获取单元，用于对所述基础数据进行实体抽取、关系抽取、属性抽取以及知识抽取，获取有效文本；

第二创建单元，用于并根据所述有效文本建立所述商品知识图谱；

其中，所述商品知识图谱中构建了不同种商品及商品属性类别之间的关系，以及同类别商品中不容种个体之间的关系。

结合第二方面至第二方面的第三种任意一种可能实现的方式，在第四种可能实现的方式中，所述设备还包括：

图像属性特征创建模块，用于根据所述商品知识图谱，创建和商品知识图谱对应的图像属性特征。

本发明实施例提供的技术方案带来的有益效果是：

本发明实施例提供了一种商品入库时信息录入方法及电子设备，方法通过当在商品入库，若原有商品信息不齐全，利用预先训练的神经网络对所述商品图片进行识别，从所述商品图片中提取所述商品的属性信息，再根据所述商品的属性信息，从预先建立的商品知识图谱的关系网络中获取与所述属性信息对应的商品信息，从而对商品的录入信息进行补全，使得通过商品图片属性自动提取和商品知识图谱相结合的方式，自动的获取商品入库时所需要的商品信息，以对商品信息不齐全进行补全，整个过程自动完成，相较于传统的人工查询归类进行补全的方式而言，该过程无需人工参与，极大降低了入库信息录入的人工成本，提高了商品入库的信息录入效率，从而提高了商品入库效率；同时，传统的通过人工分类进行入库，操作繁琐且效率低，本发明只需将商品图片输入预先训练的神经网络，自动完成信息补充，整个过程操作简捷且短时间内完成，进一步提高了商品入库效率；另外，传统的通过人工分类或查询归类的方式，容易出现错误，而通过本发明实施例所提供的方式，通过预先训练的神经网络和商品知识图谱自动进行，能够降低商品录入的错误率，进一步提高商品入库效率，满足快速物流过程中需要对商品进行及时录入的需求。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，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是本发明实施例提供的一种商品入库时信息录入方法流程图；

图2是本发明实施例提供的一种商品知识图谱建立的过程流程图；

图3是本发明实施例提供的一种根据有效文本建立商品知识图谱的过程流程图；

图4是本发明实施例提供的一种电子设备结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

实施例一

本发明实施例提供了一种商品入库时信息录入方法，参照图1所示，该方法包括：

101、当商品入库时，获取供应商和/或电商提供的商品的商品信息。

商品信息包括商品图片和原有商品文本信息。

具体的，供应商提供的商品的商品信息包括商品名称以及原有的分类等，比如衣服，供应商提供的商品信息可以包括颜色、材质、品牌、适用性别以及价格等；电商提供的商品信息可以是对商品的描述信息，如适用少女、上班族等，春装或夏装，或修身等信息。

其中，商品的图片来自电商上传的图片。

102、若原有商品信息不齐全，则利用预先训练的神经网络对商品图片进行识别，从商品图片中提取商品的属性信息。

具体的，以上衣为例，说明商品入库时所需信息可以包括：衣服名称、品牌信息、适用性别、适用人群、适用季节；以及款式相关信息，如修身、适中、宽松；衣服细节信息，如领型、袖型，袖长，衣长；材质信息等等，还可以包括其他，此处只是以衣服进行示例说明，还包括其他商品的入库时所需的信息，此处不再一一列举，在实际应用中根据需求进行设置。

当原有的商品信息不齐全时，需要对商品的商品信息进行补全，首先利用预先训练的神经网络对商品图片进行识别，从商品图片中提取商品的属性信息，具体的，该过程可以包括：

a、对商品的图片进行预处理。

具体的，对商品的图片进行预处理可以包括模式的采集、模数转换、滤波、消除模糊、减少噪声、纠正几何失真；

通过预处理步骤保证了计算机识别和图片特征提取步骤的准确和高效。

b、通过深度学习模型从一张图中提取出若干局部细节图。

具体的，该细节图可以包括商品的局部形状特征图、商品纹理特征图和商品颜色特征图等。

c、使用训练好的多任务模型进行属性信息预测，或者使用训练好的多个单一任务模型进行属性信息预测。

将提取的多个局部细节图输入训练好的多任务模型中进行属性信息预测，该多任务模型可以是能够识别不同类别商品或商品特征的模型；或者将提取的额多个局部细节图分别输入训练好的多个单一任务模型中进行属性信息预测。

该多任务模型和单一任务模型是预先训练所得，本发明实施例对具体的训练方式不加以限定。

103、根据商品的属性信息，从预先建立的商品知识图谱中获取与属性信息对应的商品文本信息。

具体的，该过程可以包括：

根据预测的属性信息，在商品知识图谱中全局搜索对应的商品信息，通过商品知识图谱将获取的商品的属性信息转化为商品文本信息；

若搜索不到，则创建与属性信息对应的商品信息，并对商品知识图谱更新；该过程是对商品知识图谱逐渐完善以及更新的过程。

需要说明的是，该商品知识图谱是预先建立的，也可以是使用建立好的商品知识图谱，本发明实施例对具体的商品知识图谱的建立过程不加以限定。

104、应用获取的商品文本信息对商品的录入信息进行补全，并入库。

可选的，方法还包括：

105、根据商品知识图谱，创建和商品知识图谱对应的图像属性特征。

通过创建和商品知识图谱对应的图像属性特征，以使得通过商品知识图谱能够对获取的属性进行匹配到对应的文本信息；该过程也是对商品知识图谱逐渐完善和更新的过程。

可选的，参照图2所示，商品知识图谱的建立的过程可以包括：

201、搜集大量的带有各种文字的图片，将这些带有文字说明的图片数据经过处理作为知识图谱的基础数据，基础数据中包括图片和图片的文本信息。

其中，可以是搜集，也可以从各位购物网站中搜集获取，还可以是从其他地方搜集获取。

利用深度学习(Deep neural network)图像识别技术能够提高图像识别的正确率，深度学习模型的网络模型非常大，训练这个模型需要海量的带有基础数据。所以能够搜集到大量的基础数据是商品知识图谱建立的关键，只有获取到大量的基础数据才能经深度学习进行模型训练。

202、对基础数据进行实体抽取、关系抽取、属性抽取以及知识抽取，获取有效文本。

203、根据有效文本建立商品知识图谱。

其中，商品知识图谱中构建了不同种商品及商品属性类别之间的关系，以及同类别商品中不容种个体之间的关系。

商品知识图谱可以为网络状。

具体的，参照图3中所示，该根据有效文本建立商品知识图谱的过程可以包括：

S1、信息抽取得到网页内有效的文本。

S2、对文本进行中文分词、词性标注。

S3、对该进行中文分词、词性标注后的文本进行文本聚类。

具体的，可以通过利用LDA(Latent Dirichlet Allocation)模型或PLSA(Probabilistic Latent Semantic Analysis)模型对文本进行聚类；

S4、整理聚类结果后进行类别标注，进行有监督学习，对以后的未标注文本进行训练。

具体的，该训练过程可以通过两种方式进行，在第一种训练方式可以包括：

先进行实体名词识别，可以利用CRF(Conditional Random Field，条件随机域)或HMM(Hidden Markov Model，一种统计模型)模型进行；

再利用语言模型或分类器对文本进行分类，可以利用n-gram(一种语言模型)或soft-max classifier(soft-max分类器)进行分类；

最后利用神经网络训练分词向量，具体可以利用RNNLM神经网络。

第二种训练方式可以包括：

先利用神经网络训练分词向量，具体可以利用RNNLM神经网络；

再利用神经网络和语音模型对文本进行分类，该神经网络可以是RNNLM，语言模型可以是n-gram模型。

S5、停用词过滤，抽取关键词。

具体可以利用TF-LDF(term frequency-inverse document frequency)或者TextRank算法对聚类后训练的文本进行关键词抽取。

S6、获取相同的近义词及通过相同的实体名词获取同类别词。

S7、利用语法分析、模板、同类实体名词、近义词抽取类别的属性特征。

S8、利用类别中句子词向量的相似度，抽取类别之间的关系，以及利用类别内句子中词向量的相似度，抽取类别内物品或物品属性的关系。

本发明实施例提供了一种商品入库时信息录入方法，通过当在商品入库，若原有商品信息不齐全，利用预先训练的神经网络对商品图片进行识别，从商品图片中提取商品的属性信息，再根据商品的属性信息，从预先建立的商品知识图谱的关系网络中获取与属性信息对应的商品信息，从而对商品的录入信息进行补全，使得通过商品图片属性自动提取和商品知识图谱相结合的方式，自动的获取商品入库时所需要的商品信息，以对商品信息不齐全进行补全，整个过程自动完成，相较于传统的人工查询归类进行补全的方式而言，该过程无需人工参与，极大降低了入库信息录入的人工成本，提高了商品入库的信息录入效率，从而提高了商品入库效率；同时，传统的通过人工分类进行入库，操作繁琐且效率低，本发明只需将商品图片输入预先训练的神经网络，自动完成信息补充，整个过程操作简捷且短时间内完成，进一步提高了商品入库效率；另外，传统的通过人工分类或查询归类的方式，容易出现错误，而通过本发明实施例所提供的方式，通过预先训练的神经网络和商品知识图谱自动进行，能够降低商品录入的错误率，进一步提高商品入库效率，满足快速物流过程中需要对商品进行及时录入的需求。

实施例二

本发明实施例提供了一种电子设备，参照图4所示，该电子设备4包括：

第一商品信息获取模块41，用于当商品入库时，获取供应商和/或电商提供的商品的商品信息，商品信息包括商品图片和原有商品文本信息；

属性信息获取模块42，用于当原有商品信息不齐全时，则利用预先训练的神经网络对商品图片进行识别，从商品图片中提取商品的属性信息；

第二商品信息获取模块43，用于根据商品的属性信息，从预先建立的商品知识图谱的关系网络中获取与属性信息对应的商品文本信息；

录入模块44，用于应用获取的商品文本信息对商品的录入信息进行补全，并入库。

可选的，属性信息获取模块42具体包括：

预处理单元421，用于对商品的图片进行预处理；

细节图提取单元422，用于通过深度学习模型从一张图中提取出若干局部细节图；以及

预测单元423，用于使用训练好的多任务模型进行属性信息预测，或者使用训练好的多个单一任务模型进行属性信息预测。

可选的，第二商品信息获取模块43具体包括：

搜索单元431，用于根据预测的属性信息，在商品知识图谱中全局搜索对应的商品信息；

第一创建单元432，用于当搜索不到时，则创建与属性信息对应的商品信息，并对商品知识图谱更新。

可选的，设备还包括商品图谱建立模块45，具体包括：

基础数据获取单元451，用于搜集大量的带有各种文字的图片，将这些带有文字说明的图片数据经过处理作为知识图谱的基础数据，基础数据中包括图片和图片的文本信息；

有效文本获取单元452，用于对基础数据进行实体抽取、关系抽取、属性抽取以及知识抽取，获取有效文本；

第二创建单元453，用于并根据有效文本建立商品知识图谱；

其中，商品知识图谱中构建了不同种商品及商品属性类别之间的关系，以及同类别商品中不容种个体之间的关系。

可选的，设备还包括：

图像属性特征创建模块46，用于根据商品知识图谱，创建和商品知识图谱对应的图像属性特征。

本发明实施例提供了一种电子设备，该电子设备通过当在商品入库，若原有商品信息不齐全，利用预先训练的神经网络对商品图片进行识别，从商品图片中提取商品的属性信息，再根据商品的属性信息，从预先建立的商品知识图谱的关系网络中获取与属性信息对应的商品信息，从而对商品的录入信息进行补全，使得通过商品图片属性自动提取和商品知识图谱相结合的方式，自动的获取商品入库时所需要的商品信息，以对商品信息不齐全进行补全，整个过程自动完成，相较于传统的人工查询归类进行补全的方式而言，该过程无需人工参与，极大降低了入库信息录入的人工成本，提高了商品入库的信息录入效率，从而提高了商品入库效率；同时，传统的通过人工分类进行入库，操作繁琐且效率低，本发明只需将商品图片输入预先训练的神经网络，自动完成信息补充，整个过程操作简捷且短时间内完成，进一步提高了商品入库效率；另外，传统的通过人工分类或查询归类的方式，容易出现错误，而通过本发明实施例所提供的方式，通过预先训练的神经网络和商品知识图谱自动进行，能够降低商品录入的错误率，进一步提高商品入库效率，满足快速物流过程中需要对商品进行及时录入的需求。

上述所有可选技术方案，可以采用任意结合形成本发明的可选实施例，在此不再一一赘述。

需要说明的是：上述实施例提供的电子设备在执行商品入库时信息录入方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的电子设备与商品入库时信息录入方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种商品入库时信息录入方法，其特征在于，所述方法包括：

当商品入库时，获取供应商和/或电商提供的所述商品的商品信息，所述商品信息包括商品图片和原有商品文本信息；

若所述原有商品信息不齐全，则利用预先训练的神经网络对所述商品图片进行识别，从所述商品图片中提取所述商品的属性信息；

根据所述商品的属性信息，从预先建立的商品知识图谱的关系网络中获取与所述属性信息对应的商品文本信息；以及

应用获取的所述商品文本信息对所述商品的录入信息进行补全，并入库。

2.根据权利要求1所述的方法，其特征在于，所述利用预先训练的神经网络对所述商品图片进行识别，从所述商品图片中提取所述商品的属性信息包括：

对所述商品的图片进行预处理；

通过深度学习模型从一张图中提取出若干局部细节图；以及

使用训练好的多任务模型进行属性信息预测，或者使用训练好的多个单一任务模型进行属性信息预测。

3.根据权利要求2所述的方法，其特征在于，所述根据所述商品的属性信息，从预先建立的商品知识图谱中获取与所述属性信息对应的商品文本信息包括：

根据预测的所述属性信息，在所述商品知识图谱中全局搜索对应的商品信息；

若搜索不到，则创建与所述属性信息对应的商品信息，并对所述商品知识图谱更新。

4.根据权利要求3所述的方法，其特征在于，所述商品知识图谱的建立包括：

搜集大量的带有各种文字的图片，将这些带有文字说明的图片数据经过处理作为知识图谱的基础数据，所述基础数据中包括图片和图片的文本信息；

对所述基础数据进行实体抽取、关系抽取、属性抽取以及知识抽取，获取有效文本；

并根据所述有效文本建立所述商品知识图谱；

其中，所述商品知识图谱中构建了不同种商品及商品属性类别之间的关系，以及同类别商品中不容种个体之间的关系。

5.根据权利要求1-4任意一项所述的方法，其特征在于，所述方法还包括：

根据所述商品知识图谱，创建和商品知识图谱对应的图像属性特征。

6.一种电子设备，其特征在于，所述电子设备包括：

第一商品信息获取模块，用于当商品入库时，获取供应商和/或电商提供的所述商品的商品信息，所述商品信息包括商品图片和原有商品文本信息；

属性信息获取模块，用于当所述原有商品信息不齐全时，则利用预先训练的神经网络对所述商品图片进行识别，从所述商品图片中提取所述商品的属性信息；

第二商品信息获取模块，用于根据所述商品的属性信息，从预先建立的商品知识图谱的关系网络中获取与所述属性信息对应的商品文本信息；

录入模块，用于应用获取的所述商品文本信息对所述商品的录入信息进行补全，并入库。

7.根据权利要求6所述的设备，其特征在于，所述属性信息获取模块具体包括：

预处理单元，用于对所述商品的图片进行预处理；

细节图提取单元，用于通过深度学习模型从一张图中提取出若干局部细节图；以及

预测单元，用于使用训练好的多任务模型进行属性信息预测，或者使用训练好的多个单一任务模型进行属性信息预测。

8.根据权利要求7所述的设备，其特征在于，所述第二商品信息获取模块具体包括：

搜索单元，用于根据预测的所述属性信息，在所述商品知识图谱中全局搜索对应的商品信息；

第一创建单元，用于当搜索不到时，则创建与所述属性信息对应的商品信息，并对所述商品知识图谱更新。

9.根据权利要求8所述的设备，其特征在于，所述设备还包括商品图谱建立模块，具体包括：

基础数据获取单元，用于搜集大量的带有各种文字的图片，将这些带有文字说明的图片数据经过处理作为知识图谱的基础数据，所述基础数据中包括图片和图片的文本信息；

有效文本获取单元，用于对所述基础数据进行实体抽取、关系抽取、属性抽取以及知识抽取，获取有效文本；

第二创建单元，用于并根据所述有效文本建立所述商品知识图谱；

其中，所述商品知识图谱中构建了不同种商品及商品属性类别之间的关系，以及同类别商品中不容种个体之间的关系。

10.根据权利要求6-9任意一项所述的设备，其特征在于，所述设备还包括：

图像属性特征创建模块，用于根据所述商品知识图谱，创建和商品知识图谱对应的图像属性特征。