CN107861972B - 一种用户录入商品信息后显示商品全结果的方法及设备 - Google Patents
一种用户录入商品信息后显示商品全结果的方法及设备 Download PDFInfo
- Publication number
- CN107861972B CN107861972B CN201710833187.7A CN201710833187A CN107861972B CN 107861972 B CN107861972 B CN 107861972B CN 201710833187 A CN201710833187 A CN 201710833187A CN 107861972 B CN107861972 B CN 107861972B
- Authority
- CN
- China
- Prior art keywords
- commodity
- information
- attributes
- picture
- attribute
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- 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]
- G06Q30/0623—Item investigation
- G06Q30/0625—Directed, with specific intent or strategy
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Library & Information Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用户录入商品信息后显示商品全结果的方法,该方法包括:录入商品信息,包括商品的图片信息或商品的图片信息及文本信息的组合;利用预先训练的神经网络提取商品的图片信息中的图片特征,获取与图片特征对应的商品属性;和/或提取商品的文本信息中的关键词,获取与所述关键词对应的商品属性;从商品信息中获取的商品属性与已建立的商品知识图谱中的商品属性进行匹配,确定具有所述商品属性的目标商品。本发明还公开了应用该方法的设备。本发明通过图像识别、结合图像对应的商品知识图谱,实现了用户录入商品信息后显示更加准确、完备的商品全结果,给用户带来便捷、高效和准确的搜索及购物体验。
Description
技术领域
本发明涉及计算机技术领域,特别涉及一种用户录入商品信息后显示商品全结果的的方法及设备。
背景技术
近些年电商进入蓬勃发展的高速阶段,一些大型B2C在纷纷涌向资本市场的同时,一些专注面向B2C的导购平台也在纷纷突起。电商导购平台发展的前期阶段主要是单纯为用户提供流量引导和商品推荐。而且,现有电商导购一般采用用户搜索查询或者分类查询的方式来找到目标商品。
商品录入信息主要包括品牌、商品名称、规格属性、尺码等相关信息,原本录入工作时由供货商直接将所有信息录入到数据库中,但是由于商品本身信息不全和录入失败等主客观原因,很大一部分商品属性的数据并没有被写入数据库,或者存在数据库中商品信息录入错误的情况,为后期消费者检索感兴趣商品带来不便。
因此,商品信息的完备、准确对于用户搜索和购买的意义重大,亟需一种基于图片属性提取的用户录入商品信息后显示商品全结果的方法和设备的建立,对于商品确失的信息能够在录入包括图片信息后及时、快速、准确显示出完整的结果,并能够结合补充的信息做更精准的推荐,商品信息更加准确、完备,给用户带来便捷、高效和准确的搜索及购物体验。
发明内容
为了解决现有技术中商品信息录入不完备的问题,本发明实施例提供了一种利用图片属性提取完成录入信息补全的方法及设备,所述技术方案如下:
一方面,提供了一种用户录入商品信息后显示商品全结果的方法,所述方法包括:
录入商品信息,所述商品信息包括商品的图片信息或商品的图片信息及文本信息的组合;
利用预先训练的神经网络提取商品的图片信息中的图片特征,获取与所述图片特征对应的商品属性;和/或
提取商品的文本信息中的关键词,获取与所述关键词对应的商品属性;
将所述从商品信息中获取的商品属性与已建立的商品知识图谱中的商品属性进行匹配,确定具有所述商品属性的目标商品。
其中,所述录入目标商品的商品信息的方式包括用户在电商平台的主动输入的商品信息和搜索、浏览、购买或收藏的行为触发被动输入的商品信息。
具体地,所述利用预先训练的神经网络提取商品的图片信息中的图片特征,获取与所述图片特征对应的商品属性具体包括:
利用预先训练的神经网络识别商品信息中的图片信息,提取图片中商品的图片特征,进行对目标商品的图像属性预测;
获取与所述图片特征相对应的语义特征,将语义特征定义为商品属性。
进一步地,所述提取商品的文本信息中的关键词,获取与所述关键词对应的商品属性具体包括:
提取商品的文本信息中的关键词,获取关键词对应的语义特征,定义所述语义特征为商品属性;
且利用商品的文本信息对商品属性类型进行确认。
进一步地,所述商品知识图谱的创建方法具体包括:
创建包含基于商品类别和商品属性类型之间的关联关系的初始商品知识图谱框架和基于基本商品属性的知识单元的集合生成初始商品知识图谱;
判断新的商品信息单元的类型;
以初始商品知识图谱的框架为约束条件,基于新的商品信息单元的类型识别单一商品信息单元中的商品属性以及商品属性、商品属性类型之间的关联关系;
提取新的商品信息单元集合中新增商品属性和商品属性、属性类型间新增的关联关系形成候选商品知识项;
对候选商品知识项进行修正,根据修正后的商品知识项更新初始商品知识图谱。
其中,所述商品属性包括颜色、材料质地、品质、类型、风格、品牌、产地。
进一步地,将所述从商品信息中获取的商品属性与已建立的商品知识图谱中的商品属性进行匹配的具体方式为:
根据预先创建的商品知识图谱,分别计算从商品信息中获取的每个商品属性与所述商品知识图谱中的每个商品属性的相似度;
将相似度超过第一预设阈值的商品属性确定为与用户录入商品信息的商品相匹配的商品属性。
进一步地,确定具有所述商品属性的目标商品的全结果具体方式为:
根据预先创建的商品知识图谱,获取与所述相匹配的目标商品的商品属性具有相同商品属性且与所述商品信息中的商品属于同一商品类别的多个商品,确定所述多个商品的商品信息为所述目标商品全结果。
另一方面,本发明还公开一种用户录入商品信息后显示商品全结果的设备,所述设备包括:
录入模块,用于录入商品信息,包括商品的图片信息或商品的图片信息及文本信息的组合;
第一获取模块,用于利用预先训练的神经网络提取商品的图片特征并获取与所述图片特征对应的商品属性;
第二获取模块,用于提取商品的文本信息中的关键词,获取与所述关键词对应的商品属性;
匹配模块,用于将所述从商品信息中获取的商品属性与已建立的商品知识图谱中的商品属性进行匹配;
确定模块,用于确定具有所述商品属性的目标商品;
其中,所述录入模块的输出端分别与所述第一获取模块和第二获取模块的输入端相连;所述第一获取模块和第二获取模块的输出端分别与所述匹配模块的输入端相连;所述匹配模块的输出端与所述确定模块的输入端相连。
进一步地,所述设备还包括:
数据提取模块和数据清理模块分别对录入的文本信息进行数据提取和清理;
数据传输模块和数据存储模块分别用于将所述商品信息对应的商品属性上传至并存储至信息库;
图像识别模块,用于利用深度神经网络对商品的图像进行识别;
图像特征提取模块,用于利用深度神经网络对商品的图像进行特征提取;
商品属性类别确认模块用于利用商品的商品属性的文本信息对商品属性类别进行确认;
图像属性预测模块,用于对商品的图片属性预测,获得商品属性的预测分数;
所述录入模块的输出端与所述数据提取模块的输入端相连,所述数据提取模块的输出端与所述数据清理模块输入端相连;所述录入模块的输出端与所述图像识别模块和图像特征提取模块的输入端相连,所述图像特征提取模块的输出端和商品属性类别确认模块的输入端相连,所述商品属性类别确认模块的输出端与所述图像属性预测模块的输入端相连。
本发明实施例提供的技术方案带来的有益效果是:
1、本发明涉及的一种用户录入商品信息后显示商品全结果的方法,对于用户录入商品信息结合已建立的商品知识图谱进行及时、快速、准确补充,使得商品信息更加准确、完备,给用户带来便捷、高效和准确的搜索及购物体验;
2、本发明涉及的一种用户录入商品信息后显示商品全结果的方法,采用了计算机识别商品的图片并进行图像特征提取,转换成对应的文字描述,利用自然语言处理相关技术将文字描述与用户和商品的专属特性对应起来,完成用户录入商品信息的后续补充,以全结果方式显示,为商品搜索提供更精准的信息源;
3、本发明涉及的一种用户录入商品信息后显示商品全结果的方法,采用了图像补充信息的新的信息录入模式,经历了图像录入、属性识别、属性预测、信息补全的逻辑链条,使得更准确的获取商品信息的关键词,有利于快速便捷准确补充完全用户感兴趣的目标商品的商品信息,为后期用户搜索商品提供了更便捷、高效、准确的信息基础;
4、本发明涉及的一种用户录入商品信息后显示商品全结果的设备结构紧凑,功能完备,采用了图像补充信息的新的信息录入模式,实现对缺失的商品信息的及时、快速、准确补充,以全结果形式显示出来。
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1提供的用户录入商品信息后显示商品全结果的方法的方法流程图;
图2是本发明实施例2提供的提取商品的图片特征、进行对目标商品的图像属性预测的方法流程图;
图3是本发明实施例3提供的用户录入黑色连衣裙显示商品全结果的知识图谱示例图;
图4是本发明实施例4提供的用户录入商品信息后显示商品全结果的设备结构示意图;
图中标号表示为:41-录入模块,421-第一获取模块,422-第二获取模块, 43-匹配模块,44-确定模块,45-数据提取模块,46-数据清理模块,47-数据传输模块,48-数据存储模块,49-图像识别模块,410-图像特征提取模块,411-商品属性类别确认模块,412-图像属性预测模块,431-计算子模块,432-确定属性子模块,433-获取子模块。
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1
本发明实施例提供了一种用户录入商品信息后显示商品全结果的方法,如图1所示,该方法包括:
S1、录入商品信息,所述商品信息包括商品的图片信息或商品的图片信息及文本信息的组合;
具体地,所述录入目标商品的商品信息的方式包括用户在电商平台的主动输入的商品信息和搜索、浏览、购买或收藏行为触发被动输入的商品信息。
S2、利用预先训练的神经网络提取商品的图片信息中的图片特征,获取与所述图片特征对应的商品属性;
进一步地,所述利用预先训练的神经网络提取商品的图片信息中的图片特征,获取与所述图片特征对应的商品属性具体包括:
利用预先训练的神经网络识别商品信息中的图片信息,提取图片中商品的图片特征,进行对目标商品的图像属性预测;
获取与所述图片特征相对应的语义特征,将语义特征定义为商品属性。
S3、提取商品的文本信息中的关键词,获取与所述关键词对应的商品属性;
具体地,所述提取商品的文本信息中的关键词,获取与所述关键词对应的商品属性具体包括:
提取商品的文本信息中的关键词,获取关键词对应的语义特征,定义所述语义特征为商品属性;
且利用商品的文本信息对商品属性类型进行确认。
S4、将所述从商品信息中获取的商品属性与已建立的商品知识图谱中的商品属性进行匹配,确定具有所述商品属性的目标商品;
其中,将所述从商品信息中获取的商品属性与已建立的商品知识图谱中的商品属性进行匹配的具体方式为:
根据预先创建的商品知识图谱,分别计算从商品信息中获取的每个商品属性与所述商品知识图谱中的每个商品属性的相似度;
将相似度超过第一预设阈值的商品属性确定为与用户录入商品信息的商品相匹配的商品属性。
进一步地,确定具有所述商品属性的目标商品的全结果具体方式为:
根据预先创建的商品知识图谱,获取与所述相匹配的目标商品的商品属性具有相同商品属性且与所述商品信息中的商品属于同一商品类别的多个商品,
确定所述多个商品为所述目标商品全结果。
在本发明实施例中,所述商品属性包括但不限于颜色、材料质地、品质、类型、风格、品牌、产地。
本发明实施例提供的技术方案带来的有益效果是:
1、本发明涉及的一种用户录入商品信息后显示商品全结果的方法,对于用户录入商品信息结合已建立的商品知识图谱进行及时、快速、准确补充,使得商品信息更加准确、完备,给用户带来便捷、高效和准确的搜索及购物体验;
2、本发明涉及的一种用户录入商品信息后显示商品全结果的方法,采用了计算机识别商品的图片并进行图像特征提取,转换成对应的文字描述,利用自然语言处理相关技术将文字描述与用户和商品的专属特性对应起来,完成用户录入商品信息的后续补充,以全结果方式显示,为商品搜索提供更精准的信息源;
3、本发明涉及的一种用户录入商品信息后显示商品全结果的方法,采用了图像补充信息的新的信息录入模式,经历了图像录入、属性识别、属性预测、信息补全的逻辑链条,使得更准确的获取商品信息的关键词,有利于快速便捷准确补充完全用户感兴趣的目标商品的商品信息,为后期用户搜索商品提供了更便捷、高效、准确的信息基础;
4、本发明涉及的一种用户录入商品信息后显示商品全结果的设备结构紧凑,功能完备,采用了图像补充信息的新的信息录入模式,实现对缺失的商品信息的及时、快速、准确补充,以全结果形式显示出来。
实施例2
本发明实施例提供了一种用户录入商品信息后显示商品全结果的方法,如图1所示,该方法包括:
S1、录入商品信息,所述商品信息包括商品的图片信息或商品的图片信息及文本信息的组合;
具体地,所述录入目标商品的商品信息的方式包括用户在电商平台的主动输入的商品信息和搜索、浏览、购买或收藏行为触发被动输入的商品信息。
之前现有技术中只有商品的单一的文本信息,本发明具体实施中,录入目标商品的信息增加了图片信息,不仅极大程度的丰富了信息量,而且信息描述更加客观、真实;具体地,供应商终端录入目标商品的商品信息的方法包括但不限于用户在电商平台主动输入的商品信息和搜索、浏览、购买和收藏的商品信息。
S2、利用预先训练的神经网络提取商品的图片信息中的图片特征,获取与所述图片特征对应的商品属性;
进一步地,所述利用预先训练的神经网络提取商品的图片信息中的图片特征,获取与所述图片特征对应的商品属性具体包括:
利用预先训练的神经网络识别商品信息中的图片信息,提取图片中商品的图片特征,进行对目标商品的图像属性预测;
获取与所述图片特征相对应的语义特征,将语义特征定义为商品属性。
在所述识别图片信息步骤之前,还包括以下步骤:
对商品图片进行预处理,通过深度学习模型从一张图片中提出多个局部细节图,利用预先训练的神经网络提取商品的图片特征,获取与上述图片特征相对应的语义特征,将语义特征定义为商品属性;
具体地,对商品图片进行预处理的步骤包括模式的采集、模数转换、滤波、消除模糊、减少噪声、纠正几何失真。
所述图像特征提取包括图像形状特征提取、图像纹理特征提取和图像颜色特征提取。
S3、提取商品的文本信息中的关键词,获取与所述关键词对应的商品属性;
具体地,所述提取商品的文本信息中的关键词,获取与所述关键词对应的商品属性具体包括:
提取商品的文本信息中的关键词,获取关键词对应的语义特征,定义所述语义特征为商品属性;
对商品的文本信息进行数据提取和清理,将所述文本信息对应的商品属性上传并存储至信息库;先将文本信息进行提取,获得与之对应的商品属性,存入信息库中,与图片中提取的商品属性做比对;利用商品的文本信息对商品属性类型进行确认。
需要说明的是,本发明实施例中涉及的商品属性包括但不限于颜色、材料质地、品质、类型、风格、品牌、产地。
在进行图片的商品属性提取时,利用预先训练的神经网络提取商品的图片信息中的图片特征,进行对目标商品的图像属性预测;所述图像属性预测的具体方式为:
比较商品属性的预测分数与设置阈值的相对大小,将预测分数高于设置阈值的商品属性补入数据库或更新原有商品属性。
所述比较商品属性的预测分数与设置阈值的相对大小的步骤还包括:
比较目标商品的商品属性的预测分数与设置的阈值的相对大小,
若所得预测分数大于等于设置的阈值,则将该商品属性值直接录入数据库或更新原有商品属性值;
若所得预测分数小于设置的阈值,则将该商品属性被弃去。
所述方法还包括对数据库中的属性值进行自然语言化处理,得到目标商品补充后的商品属性的文本信息。
S4、将所述从商品信息中获取的商品属性与已建立的商品知识图谱中的商品属性进行匹配,确定具有所述商品属性的目标商品;
S4a、创建商品知识图谱;
其中,商品知识图谱的创建是本发明实施例实施的技术基础和信息源;创建商品知识图谱的方法具体包括:
创建包含基于商品类别和商品属性类型之间的关联关系的初始商品知识图谱框架和基于基本商品属性的知识单元的集合生成初始商品知识图谱;
判断新的商品信息单元的类型;
以初始商品知识图谱的框架为约束条件,基于新的商品信息单元的类型识别单一商品信息单元中的商品属性以及商品属性、商品属性类型之间的关联关系;
提取新的商品信息单元集合中新增商品属性和商品属性、属性类型间新增的关联关系形成候选商品知识项;
对候选商品知识项进行修正,根据修正后的商品知识项更新初始商品知识图谱。
其中,所述新增商品信息单元及新增关联关系的步骤还包括:
根据商品信息单元集合中文本和图片中提取的商品属性之间的关联关系,以及商品信息所属文字段落或图像区域的属性进行类聚及分类处理;
与初始用户兴趣库比较,得到新增商品属性和商品属性间新增的关联关系,并对新增商品属性和商品属性间新增的关联关系赋予置信度形成候选知识项。
S4b、将所述从商品信息中获取的商品属性与已建立的商品知识图谱中的商品属性进行匹配;
进一步地,根据已经创建的商品知识图谱,结合通过上述在录入的商品信息中图片识别和文字提取所获得的商品属性,将所述从商品信息中获取的商品属性与已建立的商品知识图谱中的商品属性进行匹配,具体方式为:
根据预先创建的商品知识图谱,分别计算从商品信息中获取的每个商品属性与所述商品知识图谱中的每个商品属性的相似度;
将相似度超过第一预设阈值的商品属性确定为与用户录入商品信息的商品相匹配的商品属性;
在具体实施中,可通过商品协同过滤匹配和用户协同过滤匹配实现对于录入商品信息中商品属性与商品知识图谱中商品属性的匹配;
具体地,所述商品协同过滤匹配包括以下具体步骤:
将用户录入的商品信息中获取的商品属性及商品类别属性与商品知识图谱中的商品属性进行文字重复率比对,并定义属性值文字重复率的加和为商品相似值;
依据计算得到商品近似值由高到低进行排序,得到推荐商品列表。
具体地,所述用户协同过滤匹配包括以下具体步骤:
利用用户录入的商品的商品属性的文本信息对商品属性类别进行提取,确认用户的当前商品偏好;
定义该用户的感兴趣商品的每一个商品属性值为该商品属性的基础标准值,获取其他用户基于主动输入和搜索、浏览、收藏等行为触发的被动输入的相同或类似商品的相同商品属性,并计算其他用户的相同商品属性的值与所述基础标准值的商,并定义这个商为相似度权重;
计算得到其他用户相对于目标用户的相似度权重,并确认其他用户的当前商品偏好;
将计算得到其他用户相对于目标用户相似度权重进行排序,预测该用户潜在商品偏好,得到显示商品结果的列表。
S4c、确定具有所述商品属性的目标商品的全结果;
在匹配步骤之后,进一步地,根据商品属性的匹配结果确定具有所述商品属性的目标商品的全结果,具体方式为:
根据预先创建的商品知识图谱,获取与所述相匹配的目标商品的商品属性具有相同商品属性且与所述商品信息中的商品属于同一商品类别的多个商品,
确定所述多个商品的商品信息为所述目标商品全结果。
在具体实施方式中,获取上述相似度超过第一预设阈值的商品属性的所对应确定的多个商品后,还可以进一步地,将与所述选取的商品属性的匹配度超过第二预设阈值的商品确定为最终显示的商品结果。
本发明实施例提供的技术方案带来的有益效果是:
1、本发明涉及的一种用户录入商品信息后显示商品全结果的方法,对于用户录入商品信息结合已建立的商品知识图谱进行及时、快速、准确补充,使得商品信息更加准确、完备,给用户带来便捷、高效和准确的搜索及购物体验;
2、本发明涉及的一种用户录入商品信息后显示商品全结果的方法,采用了计算机识别商品的图片并进行图像特征提取,转换成对应的文字描述,利用自然语言处理相关技术将文字描述与用户和商品的专属特性对应起来,完成用户录入商品信息的后续补充,以全结果方式显示,为商品搜索提供更精准的信息源;
3、本发明涉及的一种用户录入商品信息后显示商品全结果的方法,采用了图像补充信息的新的信息录入模式,经历了图像录入、属性识别、属性预测、信息补全的逻辑链条,使得更准确的获取商品信息的关键词,有利于快速便捷准确补充完全用户感兴趣的目标商品的商品信息,为后期用户搜索商品提供了更便捷、高效、准确的信息基础;
4、本发明涉及的一种用户录入商品信息后显示商品全结果的设备结构紧凑,功能完备,采用了图像补充信息的新的信息录入模式,实现对缺失的商品信息的及时、快速、准确补充,以全结果形式显示出来。
实施例3
本发明实施例提供了一种用户录入商品信息后显示商品全结果的方法,以 XXXX的黑色连衣裙的商品为例,所述方法包括:
S1、录入商品信息,该商品信息包括黑色连衣裙商品的图片和文本信息“XXXX”、“连衣裙”的组合;
相对于之前现有技术中只有商品的单一的文本信息,本发明具体实施中,白色连衣裙的图片信息极大程度的丰富了信息量,信息描述也更加客观、真实。
在具体实施中,录入目标商品的商品信息的方式除了包括用户在电商平台的主动输入上述商品信息外,还包括搜索、浏览、购买或收藏行为触发被动输入上述黑色连衣裙的商品信息。
S2、利用预先训练的神经网络提取商品黑色连衣裙的图片信息中的图片特征,获取与所述图片特征对应的商品属性;
进一步地,如图2所示,利用预先训练的神经网络提取黑色连衣裙商品的图片信息中的图片特征,获取与上述图片特征对应的商品属性具体包括:
利用预先训练的神经网络识别黑色连衣裙商品信息中的图片信息,提取图片中商品的图片特征,进行对目标商品的图像属性预测;
获取与所述图片特征相对应的语义特征,将语义特征定义为商品。在本发明实施例中,商品的属性及商品的类别属性包括但不限于颜色、材料质地、品质、类型、风格、品牌、产地等。
在所述识别图片信息步骤之前,还包括以下步骤:
对黑色连衣裙的商品图片进行预处理,通过深度学习模型从一张图片中提出多个局部细节图,利用预先训练的神经网络提取商品的图片特征,获取与上述图片特征相对应的语义特征,将语义特征定义为商品属性;
具体地,对黑色连衣裙的商品图片进行预处理的步骤包括模式的采集、模数转换、滤波、消除模糊、减少噪声、纠正几何失真。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。
具体地,图像特征提取包括图像形状特征提取、图像纹理特征提取和图像颜色特征提取。
通过图片识别及图像特征提取,如图3所示,可获得的商品属性连带其商品类型属性,包括:“领型”为“一字领”,“裙长”为“中长裙”,组合形式为“两件套”,“门襟”为“套头”,“图案”为“纯色”。
S3、提取商品的文本信息中的关键词,获取与所述关键词对应的商品属性;
具体地,所述提取商品的文本信息中的关键词,获取与所述关键词对应的商品属性具体包括:
提取商品的文本信息中的关键词,获取关键词对应的语义特征,定义所述语义特征为商品属性;对商品对应的数据库中的文本信息品牌“XXXX”和“连衣裙”进行数据提取和清理,获得所述文本信息对应的商品属性。
对商品的文本信息进行数据提取和清理,将所述文本信息对应的商品属性上传并存储至信息库;先将文本信息进行提取,获得与之对应的商品属性,存入信息库中,与图片中提取的商品属性做比对;利用商品的文本信息对商品属性类型进行确认。
需要说明的是,本发明实施例中涉及的商品属性包括但不限于颜色、材料质地、品质、类型、风格、品牌、产地。
在进行图片的商品属性提取时,利用预先训练的神经网络提取商品的图片信息中的图片特征,进行对目标商品的图像属性预测;所述图像属性预测的具体方式为:
通过深度学习模型从这个单张图片中提出多个局部细节图,利用预先训练的深度卷曲神经网络提取黑色连衣裙的图片特征,具体包括图像形状特征提取、图像纹理特征提取和图像颜色特征提取;获取与上述图片特征相对应的语义特征,将语义特征定义为商品属性,赋予商品属性值;并且经过VGG图像分类模型,将提取到的商品属性进行分类。
利用目标商品的商品属性的文本信息“XXXX”、“连衣裙”对商品属性类别进行确认;
结合获得的黑色连衣裙的商品类别属性,应用训练得到的多任务CNN模型进行商品属性预测,获得商品属性的预测分数。
比较商品属性的预测分数与设置阈值的相对大小,将预测分数高于设置阈值的商品属性补入数据库或更新原有商品属性。
所述比较商品属性的预测分数与设置阈值的相对大小的步骤还包括:
比较目标商品的商品属性的预测分数与设置的阈值的相对大小,
若所得预测分数大于等于设置的阈值,则将该商品属性值直接录入数据库或更新原有商品属性值;
若所得预测分数小于设置的阈值,则将该商品属性被弃去。
所述方法还包括对数据库中的属性值进行自然语言化处理,得到目标商品补充后的商品属性的文本信息。
S4、将所述从商品信息中获取的商品属性与已建立的商品知识图谱中的商品属性进行匹配,确定具有所述商品属性的目标商品;
S4a、创建商品知识图谱;
其中,商品知识图谱的创建是本发明实施例实施的技术基础和信息源;创建商品知识图谱的方法具体包括:
创建包含基于商品类别和商品属性类型之间的关联关系的初始商品知识图谱框架和基于基本商品属性的知识单元的集合生成初始商品知识图谱;
判断新的商品信息单元的类型;
以初始商品知识图谱的框架为约束条件,基于新的商品信息单元的类型识别单一商品信息单元中的商品属性以及商品属性、商品属性类型之间的关联关系;
提取新的商品信息单元集合中新增商品属性和商品属性、属性类型间新增的关联关系形成候选商品知识项;
对候选商品知识项进行修正,根据修正后的商品知识项更新初始商品知识图谱。
其中,所述新增商品信息单元及新增关联关系的步骤还包括:
根据商品信息单元集合中文本和图片中提取的商品属性之间的关联关系,以及商品信息所属文字段落或图像区域的属性进行类聚及分类处理;
与初始用户兴趣库比较,得到新增商品属性和商品属性间新增的关联关系,并对新增商品属性和商品属性间新增的关联关系赋予置信度形成候选知识项。
S4b、将所述从商品信息中获取的商品属性与已建立的商品知识图谱中的商品属性进行匹配;
进一步地,根据已经创建的商品知识图谱,结合通过上述在录入的商品信息中图片识别和文字提取所获得的商品属性,将所述从商品信息中获取的商品属性与已建立的商品知识图谱中的商品属性进行匹配,如本发明实施例中,结合用户录入的黑色连衣裙的图片和“XXXX”和“连衣裙”的文本信息,在商品知识图谱中根据已建立的商品信息单元和商品信息单元的关联关系,如图3所示,其他商品属性如“女款”“纯黑”“长袖”“套头”“针织衫”“百搭”“舒适”等对应的商品属性也以文本信息的形式显示出来。
具体方式为:
根据预先创建的商品知识图谱,分别计算从商品信息中获取的每个商品属性与所述商品知识图谱中的每个商品属性的相似度;
将相似度超过第一预设阈值的商品属性确定为与用户录入商品信息的商品相匹配的商品属性;
在具体实施中,可通过商品协同过滤匹配和用户协同过滤匹配实现对于录入商品信息中商品属性与商品知识图谱中商品属性的匹配;
具体地,所述商品协同过滤匹配包括以下具体步骤:
将用户录入的商品信息中获取的商品属性及商品类别属性与商品知识图谱中的商品属性进行文字重复率比对,并定义属性值文字重复率的加和为商品相似值;
依据计算得到商品近似值由高到低进行排序,得到推荐商品列表。
具体地,所述用户协同过滤匹配包括以下具体步骤:
利用用户录入的商品的商品属性的文本信息对商品属性类别进行提取,确认用户的当前商品偏好;
定义该用户的感兴趣商品的每一个商品属性值为该商品属性的基础标准值,获取其他用户基于主动输入和搜索、浏览、收藏等行为触发的被动输入的相同或类似商品的相同商品属性,并计算其他用户的相同商品属性的值与所述基础标准值的商,并定义这个商为相似度权重;
计算得到其他用户相对于目标用户的相似度权重,并确认其他用户的当前商品偏好;
将计算得到其他用户相对于目标用户相似度权重进行排序,预测该用户潜在商品偏好,得到显示商品结果的列表。
S4c、确定具有所述商品属性的目标商品的全结果;
在匹配步骤之后,进一步地,根据商品属性的匹配结果确定具有所述商品属性的目标商品的全结果,具体方式为:
根据预先创建的商品知识图谱,获取与所述相匹配的目标商品的商品属性具有相同商品属性且与所述商品信息中的商品属于同一商品类别的多个商品,
确定所述多个商品为所述目标商品全结果。
在具体实施方式中,获取上述相似度超过第一预设阈值的商品属性的所对应确定的多个商品后,还可以进一步地,将与所述选取的商品属性的匹配度超过第二预设阈值的商品确定为最终显示的商品结果。
本发明实施例提供的技术方案带来的有益效果是:
1、本发明涉及的一种用户录入商品信息后显示商品全结果的方法,对于用户录入商品信息结合已建立的商品知识图谱进行及时、快速、准确补充,使得商品信息更加准确、完备,给用户带来便捷、高效和准确的搜索及购物体验;
2、本发明涉及的一种用户录入商品信息后显示商品全结果的方法,采用了计算机识别商品的图片并进行图像特征提取,转换成对应的文字描述,利用自然语言处理相关技术将文字描述与用户和商品的专属特性对应起来,完成用户录入商品信息的后续补充,以全结果方式显示,为商品搜索提供更精准的信息源;
3、本发明涉及的一种用户录入商品信息后显示商品全结果的方法,采用了图像补充信息的新的信息录入模式,经历了图像录入、属性识别、属性预测、信息补全的逻辑链条,使得更准确的获取商品信息的关键词,有利于快速便捷准确补充完全用户感兴趣的目标商品的商品信息,为后期用户搜索商品提供了更便捷、高效、准确的信息基础;
4、本发明涉及的一种用户录入商品信息后显示商品全结果的设备结构紧凑,功能完备,采用了图像补充信息的新的信息录入模式,实现对缺失的商品信息的及时、快速、准确补充,以全结果形式显示出来。
实施例4
本发明实施例公开了一种用户录入商品信息后显示商品全结果的设备,如图3所示,该设备包括:
录入模块41,用于录入商品信息,所述商品信息包括商品的图片信息或商品的图片信息及文本信息的组合;
之前现有技术中录入的只有商品的单一的文本信息,本发明具体实施中,录入目标商品的信息增加了图片信息,不仅极大程度的丰富了信息量,而且信息描述更加客观、真实;具体地,供应商终端录入目标商品的商品信息的方法包括但不限于用户在电商平台主动输入的商品信息和搜索、浏览、购买和收藏等行为触发的被动录入的商品信息。
第一获取模块421,用于利用预先训练的神经网络提取商品的图片特征并获取与所述图片特征对应的商品属性;
第二获取模块422,用于提取商品的文本信息中的关键词,获取与所述关键词对应的商品属性;
匹配模块43,用于将所述从商品信息中获取的商品属性与已建立的商品知识图谱中的商品属性进行匹配;
确定模块44,用于确定具有所述商品属性的目标商品;
其中,录入模块41的输出端分别与所述第一获取模块421和第二获取模块422的输入端相连;所述第一获取模块421和第二获取模块422的输出端分别与所述匹配模块43的输入端相连;所述匹配模块43的输出端与所述确定模块44 的输入端相连。
进一步地,该设备还包括:
数据提取模块45和数据清理模块46分别对录入的文本信息进行数据提取和清理;对于录入的文本信息进行了数据的提取并存入数据库中,对于数据库中已有信息进行清理;是后期信息补全和校正的信息基础。
数据传输模块47和数据存储模块48分别用于将所述商品信息对应的商品属性值上传至并存储至数据库;
图像识别模块49,用于利用深度神经网络对目标商品的图像进行识别;
图像特征提取模块410,用于利用深度神经网络对目标商品的图像进行特征提取;
商品属性类别确认模块411用于利用目标商品的商品属性的文本信息对商品属性类别进行确认;
图像属性预测模块412用于对目标商品的图片属性预测,获得商品属性的预测分数;
基于神经网络进行物品识别、训练学习之后去识别录入的图片,读取图片中商品的信息,将提取的图片特征转换为对应的语义特征,在转换为商品的属性值,与上述文本信息中提取的属性值进行比对,图片中商品属性值的确定是本发明实施例的技术基础和信息基础。
所述录入模块41的输出端与所述数据提取模块45的输入端相连,所述数据提取模块45的输出端与所述数据清理模块46输入端相连;所述第一获取模块421的输出端与所述图像识别模块49和图像特征提取模块410的输入端相连,所述图像特征提取模块410的输出端和商品属性类别确认模块411输入端相连,所述商品属性类别确认模块411的输出端与所述图像属性预测模块412的输入端相连。
具体地,所述匹配模块43还包括:
计算子模块431,用于根据预先创建的商品知识图谱,分别计算从商品信息中获取的每个商品属性与所述商品知识图谱中的每个商品属性的相似度;
确定属性子模块432,用于将相似度超过第一预设阈值的商品属性确定为与用户录入商品信息的商品相匹配的商品属性。
具体地,所述确定模块43还包括:
获取子模块433,用于根据预先创建的商品知识图谱,获取与所述相匹配的目标商品的商品属性具有相同商品属性且与所述商品信息中的商品属于同一商品类别的多个商品。
在具体实施中,所述设备还包括再次获取子模块和再次确定子模块,所述再次获取子模块具体用于获取所述商品属性的匹配度超过第二预设阈值的商品;所述再次确定子模块用于再次确定所述商品为所述目标商品全结果。
本发明实施例提供的技术方案带来的有益效果是:
1、本发明涉及的一种用户录入商品信息后显示商品全结果的设备,对于用户录入商品信息结合已建立的商品知识图谱进行及时、快速、准确补充,使得商品信息更加准确、完备,给用户带来便捷、高效和准确的搜索及购物体验;
2、本发明涉及的一种用户录入商品信息后显示商品全结果的设备,采用了计算机识别商品的图片并进行图像特征提取,转换成对应的文字描述,利用自然语言处理相关技术将文字描述与用户和商品的专属特性对应起来,完成用户录入商品信息的后续补充,以全结果方式显示,为商品搜索提供更精准的信息源;
3、本发明涉及的一种用户录入商品信息后显示商品全结果的设备,采用了图像补充信息的新的信息录入模式,经历了图像录入、属性识别、属性预测、信息补全的逻辑链条,使得更准确的获取商品信息的关键词,有利于快速便捷准确补充完全用户感兴趣的目标商品的商品信息,为后期用户搜索商品提供了更便捷、高效、准确的信息基础;
4、本发明涉及的一种用户录入商品信息后显示商品全结果的设备,结构紧凑,功能完备,采用了图像补充信息的新的信息录入模式,实现对缺失的商品信息的及时、快速、准确补充,以全结果形式显示出来。
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,在本发明的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
需要说明的是,上述实施例提供的用户录入商品信息后显示商品全结果的设备在用户录入商品信息后显示商品全结果的方法时,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,上述实施例提供的商品推荐设备与商品推荐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联的硬件完成,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 (5)
1.一种用户录入商品信息后显示商品全结果的方法,其特征在于,所述方法包括:
录入商品信息,所述商品信息包括商品的图片信息及文本信息的组合;
利用预先训练的神经网络提取商品的图片信息中的图片特征,获取与所述图片特征对应的商品属性,包括:
对所述商品的图片信息进行预处理,通过深度学习模型从一张图片中提出多个局部细节图,利用预先训练的神经网络识别商品信息中的图片信息,提取图片中商品的图片特征,进行对录入商品的图像属性预测,获取与所述图片特征相对应的语义特征,将语义特征定义为商品属性;
提取商品的文本信息中的关键词,获取与所述关键词对应的商品属性,包括:
提取商品的文本信息中的关键词,获取关键词对应的语义特征,定义所述语义特征为商品属性,与图片中提取的商品属性做比对,利用商品的文本信息对商品属性类型进行确认;
将确认后的商品属性与已建立的商品知识图谱中的商品属性进行匹配,确定具有所述商品属性的目标商品,所述商品知识图谱是基于商品属性和商品属性类型之间的关联关系建立的,所述商品属性包括颜色、材料质地、品质、类型、风格、品牌、产地;
根据预先创建的商品知识图谱,获取相匹配的目标商品的商品属性具有相同商品属性且与所述商品信息中的商品属于同一商品类别的多个商品,确定所述多个商品的商品信息为所述目标商品全结果。
2.根据权利要求1所述的用户录入商品信息后显示商品全结果的方法,其特征在于,所述录入商品信息的方式包括用户在电商平台的主动输入的商品信息和搜索、浏览、购买或收藏的行为触发被动输入的商品信息。
3.根据权利要求1所述的用户录入商品信息后显示商品全结果的方法,其特征在于,所述商品知识图谱的创建方法具体包括:
创建包含基于商品类别和商品属性类型之间的关联关系的初始商品知识图谱框架和基于基本商品属性的知识单元的集合生成初始商品知识图谱;
判断新的商品信息单元的类型;
以初始商品知识图谱的框架为约束条件,基于新的商品信息单元的类型识别单一商品信息单元中的商品属性以及商品属性、商品属性类型之间的关联关系;
提取新的商品信息单元集合中新增商品属性和商品属性、属性类型间新增的关联关系形成候选商品知识项;
对候选商品知识项进行修正,根据修正后的商品知识项更新初始商品知识图谱。
4.根据权利要求1所述的用户录入商品信息后显示商品全结果的方法,
其特征在于,将确认后的商品属性与已建立的商品知识图谱中的商品属性进行匹配的具体方式为:
根据预先创建的商品知识图谱,分别计算从商品信息中获取的每个商品属性与所述商品知识图谱中的每个商品属性的相似度;
将相似度超过第一预设阈值的商品属性确定为与用户录入商品信息的商品相匹配的商品属性。
5.一种用户录入商品信息后显示商品全结果的设备,其特征在于,所述设备包括:
录入模块,用于录入商品信息,包括商品的图片信息或商品的图片信息及文本信息的组合;
第一获取模块,用于利用预先训练的神经网络提取商品的图片特征并获取与所述图片特征对应的商品属性;
第二获取模块,用于提取商品的文本信息中的关键词,获取与所述关键词对应的商品属性;
匹配模块,用于将确认后的商品属性与已建立的商品知识图谱中的商品属性进行匹配,所述商品知识图谱是基于商品属性和商品属性类型之间的关联关系建立的,所述商品属性包括颜色、材料质地、品质、类型、风格、品牌、产地;
确定模块,用于确定具有所述商品属性的目标商品;
其中,所述第一获取模块对所述商品的图片信息进行预处理,通过深度学习模型从一张图片中提出多个局部细节图,利用预先训练的神经网络识别商品信息中的图片信息,提取图片中商品的图片特征,进行对录入商品的图像属性预测,获取与所述图片特征相对应的语义特征,将语义特征定义为商品属性;
所述第二获取模块提取商品的文本信息中的关键词,获取关键词对应的语义特征,定义所述语义特征为商品属性,与图片中提取的商品属性做比对,利用商品的文本信息对商品属性类型进行确认;
所述录入模块的输出端分别与所述第一获取模块和第二获取模块的输入端相连;所述第一获取模块和第二获取模块的输出端分别与所述匹配模块的输入端相连;所述匹配模块的输出端与所述确定模块的输入端相连;
所述设备根据预先创建的商品知识图谱,获取相匹配的目标商品的商品属性具有相同商品属性且与所述商品信息中的商品属于同一商品类别的多个商品,确定所述多个商品的商品信息为所述目标商品全结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710833187.7A CN107861972B (zh) | 2017-09-15 | 2017-09-15 | 一种用户录入商品信息后显示商品全结果的方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710833187.7A CN107861972B (zh) | 2017-09-15 | 2017-09-15 | 一种用户录入商品信息后显示商品全结果的方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107861972A CN107861972A (zh) | 2018-03-30 |
CN107861972B true CN107861972B (zh) | 2022-02-22 |
Family
ID=61698229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710833187.7A Active CN107861972B (zh) | 2017-09-15 | 2017-09-15 | 一种用户录入商品信息后显示商品全结果的方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107861972B (zh) |
Families Citing this family (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255290B (zh) * | 2018-07-27 | 2021-06-25 | 北京三快在线科技有限公司 | 菜单识别方法、装置、电子设备及存储介质 |
CN109118325A (zh) * | 2018-08-02 | 2019-01-01 | 广州友米科技有限公司 | 多电商商品信息采集及实时比价方法 |
CN109348043A (zh) * | 2018-08-23 | 2019-02-15 | Oppo广东移动通信有限公司 | 信息的收藏方法、装置、存储介质及电子设备 |
CN109063188A (zh) * | 2018-08-28 | 2018-12-21 | 国信优易数据有限公司 | 一种实体推荐方法和装置 |
CN109040461A (zh) * | 2018-08-29 | 2018-12-18 | 优视科技新加坡有限公司 | 一种基于对象识别的业务处理方法和装置 |
CN109189938A (zh) * | 2018-08-31 | 2019-01-11 | 北京字节跳动网络技术有限公司 | 用于更新知识图谱的方法和装置 |
CN109408645B (zh) * | 2018-10-15 | 2021-02-26 | 国信优易数据股份有限公司 | 一种实体类型确定方法和装置 |
CN109461061A (zh) * | 2018-11-15 | 2019-03-12 | 深圳市福尔科技有限公司 | 一种基于线上交易的商品管理方法及系统 |
CN111242712B (zh) * | 2018-11-29 | 2023-04-28 | 阿里巴巴集团控股有限公司 | 一种商品展示方法及其装置 |
CN109584012B (zh) * | 2018-11-30 | 2021-09-10 | 北京字节跳动网络技术有限公司 | 用于生成物品推送信息的方法和装置 |
CN110413869B (zh) * | 2018-12-05 | 2022-04-26 | 北京京东尚科信息技术有限公司 | 用于推送信息的方法和装置 |
CN111539779A (zh) * | 2019-01-21 | 2020-08-14 | 阿里巴巴集团控股有限公司 | 商品页面的生成方法、电子设备及计算机存储介质 |
CN109902733A (zh) * | 2019-02-22 | 2019-06-18 | 北京三快在线科技有限公司 | 录入物品信息的方法、装置及存储介质 |
CN109960797A (zh) * | 2019-02-28 | 2019-07-02 | 上海浪潮云计算服务有限公司 | 一种提取在线商品重量信息的方法和系统 |
CN111753118A (zh) * | 2019-03-29 | 2020-10-09 | 杭州海康威视数字技术股份有限公司 | 车辆检索方法、装置、电子设备及可读存储介质 |
CN110321408B (zh) * | 2019-05-30 | 2023-07-14 | 广东省智湾汇科技有限公司 | 基于知识图谱的搜索方法、装置、计算机设备和存储介质 |
CN112559783A (zh) * | 2019-09-26 | 2021-03-26 | 北京京东尚科信息技术有限公司 | 一种基于图像分析的商品数据提取方法和装置 |
CN110992140A (zh) * | 2019-11-28 | 2020-04-10 | 浙江由由科技有限公司 | 一种用于识别模型的匹配方法和系统 |
CN111179031B (zh) * | 2019-12-23 | 2023-09-26 | 第四范式(北京)技术有限公司 | 一种商品推荐模型的训练方法、装置及系统 |
CN113191834B (zh) * | 2020-01-14 | 2024-09-06 | 阿里巴巴集团控股有限公司 | 商品对象发布、识别方法、装置、电子设备和存储介质 |
CN111291555B (zh) * | 2020-02-28 | 2024-02-27 | 深圳市微购科技有限公司 | 商品规格的识别方法、装置和计算机可读存储介质 |
CN112149653B (zh) * | 2020-09-16 | 2024-03-29 | 北京达佳互联信息技术有限公司 | 信息处理方法、装置、电子设备及存储介质 |
CN112329653A (zh) * | 2020-11-09 | 2021-02-05 | 北京沃东天骏信息技术有限公司 | 数据处理方法、装置、计算机系统及可读存储介质 |
CN112395429A (zh) * | 2020-12-02 | 2021-02-23 | 上海三稻智能科技有限公司 | 基于图神经网络的hs编码判定、推送、应用方法、系统及存储介质 |
US11935106B2 (en) | 2020-12-30 | 2024-03-19 | Beijing Wodong Tianjun Information Technology Co., Ltd. | System and method for product recommendation based on multimodal fashion knowledge graph |
CN112884542A (zh) * | 2021-01-21 | 2021-06-01 | 北京电解智科技有限公司 | 商品推荐方法和装置 |
CN113762309B (zh) * | 2021-01-25 | 2023-06-27 | 北京沃东天骏信息技术有限公司 | 对象匹配方法、装置及设备 |
CN112861684A (zh) * | 2021-01-29 | 2021-05-28 | 北京电解智科技有限公司 | 一种物品展示方法和装置 |
CN112966681B (zh) * | 2021-04-12 | 2022-05-10 | 深圳市秦丝科技有限公司 | 商品拍照智能识别建档检索的方法、设备及存储介质 |
CN113191858A (zh) * | 2021-06-10 | 2021-07-30 | 数贸科技(北京)有限公司 | 基于图片搜索的商品展示方法及装置 |
CN113688269B (zh) * | 2021-07-21 | 2023-05-02 | 北京三快在线科技有限公司 | 图文匹配结果确定方法、装置、电子设备及可读存储介质 |
CN113592512A (zh) * | 2021-07-22 | 2021-11-02 | 上海普洛斯普新数字科技有限公司 | 一种线上商品身份唯一性识别确认系统 |
CN113570427A (zh) * | 2021-07-22 | 2021-10-29 | 上海普洛斯普新数字科技有限公司 | 一种提取识别线上或系统商品特征信息的系统 |
CN114049368A (zh) * | 2021-12-15 | 2022-02-15 | 西安捷成优禾智能科技有限公司 | 一种“iid+参树网”智能工业设计软件 |
CN115271880B (zh) * | 2022-08-10 | 2023-11-03 | 江苏衫数科技集团有限公司 | 一种服装选款的方法和系统 |
Citations (10)
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 |
CN102567543A (zh) * | 2012-01-12 | 2012-07-11 | 北京搜狗信息服务有限公司 | 一种服装图片的搜索方法和装置 |
CN103678305A (zh) * | 2012-08-31 | 2014-03-26 | 北京网秦天下科技有限公司 | 一种基于图片识别显示咨询信息的方法和系统 |
CN103927352A (zh) * | 2014-04-10 | 2014-07-16 | 江苏唯实科技有限公司 | 利用知识库海量关联信息的中文名片ocr数据修正系统 |
US9037529B2 (en) * | 2011-06-15 | 2015-05-19 | Ceresis, Llc | Method for generating visual mapping of knowledge information from parsing of text inputs for subjects and predicates |
CN106355627A (zh) * | 2015-07-16 | 2017-01-25 | 中国石油化工股份有限公司 | 一种用于生成知识图谱的方法及系统 |
CN106529606A (zh) * | 2016-12-01 | 2017-03-22 | 中译语通科技(北京)有限公司 | 一种提升图像识别准确率的方法 |
CN106875203A (zh) * | 2015-12-14 | 2017-06-20 | 阿里巴巴集团控股有限公司 | 一种确定商品图片的款式信息的方法及装置 |
CN106874923A (zh) * | 2015-12-14 | 2017-06-20 | 阿里巴巴集团控股有限公司 | 一种商品的风格分类确定方法及装置 |
CN107122399A (zh) * | 2017-03-16 | 2017-09-01 | 中国科学院自动化研究所 | 基于公共文化知识图谱平台的综合推荐系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021551A (zh) * | 2016-07-01 | 2016-10-12 | 深圳追科技有限公司 | 基于截图信息识别的消费辅助决策方法 |
CN106776710A (zh) * | 2016-11-18 | 2017-05-31 | 广东技术师范学院 | 一种基于垂直搜索引擎的图文知识库构建方法 |
-
2017
- 2017-09-15 CN CN201710833187.7A patent/CN107861972B/zh active Active
Patent Citations (10)
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 |
US9037529B2 (en) * | 2011-06-15 | 2015-05-19 | Ceresis, Llc | Method for generating visual mapping of knowledge information from parsing of text inputs for subjects and predicates |
CN102567543A (zh) * | 2012-01-12 | 2012-07-11 | 北京搜狗信息服务有限公司 | 一种服装图片的搜索方法和装置 |
CN103678305A (zh) * | 2012-08-31 | 2014-03-26 | 北京网秦天下科技有限公司 | 一种基于图片识别显示咨询信息的方法和系统 |
CN103927352A (zh) * | 2014-04-10 | 2014-07-16 | 江苏唯实科技有限公司 | 利用知识库海量关联信息的中文名片ocr数据修正系统 |
CN106355627A (zh) * | 2015-07-16 | 2017-01-25 | 中国石油化工股份有限公司 | 一种用于生成知识图谱的方法及系统 |
CN106875203A (zh) * | 2015-12-14 | 2017-06-20 | 阿里巴巴集团控股有限公司 | 一种确定商品图片的款式信息的方法及装置 |
CN106874923A (zh) * | 2015-12-14 | 2017-06-20 | 阿里巴巴集团控股有限公司 | 一种商品的风格分类确定方法及装置 |
CN106529606A (zh) * | 2016-12-01 | 2017-03-22 | 中译语通科技(北京)有限公司 | 一种提升图像识别准确率的方法 |
CN107122399A (zh) * | 2017-03-16 | 2017-09-01 | 中国科学院自动化研究所 | 基于公共文化知识图谱平台的综合推荐系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107861972A (zh) | 2018-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107861972B (zh) | 一种用户录入商品信息后显示商品全结果的方法及设备 | |
CN110222272B (zh) | 一种潜在客户挖掘与推荐方法 | |
CN107729900B (zh) | 一种利用图片属性提取完成录入信息补全的方法及设备 | |
CN107705066B (zh) | 一种商品入库时信息录入方法及电子设备 | |
CN107515873B (zh) | 一种垃圾信息识别方法及设备 | |
CN110633373B (zh) | 一种基于知识图谱和深度学习的汽车舆情分析方法 | |
US10467507B1 (en) | Image quality scoring | |
US10360623B2 (en) | Visually generated consumer product presentation | |
CN107833082B (zh) | 一种商品图片的推荐方法和装置 | |
CN107944911B (zh) | 一种基于文本分析的推荐系统的推荐方法 | |
WO2017157090A1 (zh) | 相似度挖掘方法及装置 | |
CN109101553B (zh) | 用于购买方非受益方的行业的采购用户评价方法和系统 | |
CN111667337A (zh) | 一种商品评价的排序方法和系统 | |
CN108492160A (zh) | 信息推荐方法和装置 | |
CN112182145A (zh) | 文本相似度确定方法、装置、设备和存储介质 | |
CN110413825B (zh) | 面向时尚电商的街拍推荐系统 | |
CN112434173B (zh) | 搜索内容输出方法、装置、计算机设备及可读存储介质 | |
CN115641179A (zh) | 信息推送方法、装置及电子设备 | |
CN115470322B (zh) | 一种基于人工智能的关键词生成系统及方法 | |
CN116561291A (zh) | 基于自然语言智能转化模型的智能推荐方法和系统 | |
Lodkaew et al. | Fashion finder: A system for locating online stores on instagram from product images | |
KR101754124B1 (ko) | 레스토랑 추천 시스템 및 추천 방법 | |
CN115186165A (zh) | 一种移动电子商务图像搜索购物方法 | |
CN114155057A (zh) | 一种用于电子商务平台的商品推荐系统 | |
CN113763084A (zh) | 产品推荐的处理方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221230 Address after: 510123 building 6, No. 20, Huahai street, Fangcun, Liwan District, Guangzhou, Guangdong (office only) Patentee after: GUANGZHOU PINWEI SOFTWARE Co.,Ltd. Address before: 510000 room 01, No.314, Fangcun Avenue middle, Liwan District, Guangzhou City, Guangdong Province Patentee before: GUANGZHOU WEIPINHUI RESEARCH INSTITUTE CO.,LTD. |