CN109919740B - 一种生成购衣建议的方法及装置 - Google Patents
一种生成购衣建议的方法及装置 Download PDFInfo
- Publication number
- CN109919740B CN109919740B CN201910242742.8A CN201910242742A CN109919740B CN 109919740 B CN109919740 B CN 109919740B CN 201910242742 A CN201910242742 A CN 201910242742A CN 109919740 B CN109919740 B CN 109919740B
- Authority
- CN
- China
- Prior art keywords
- user
- clothes
- scoring
- fitting
- module
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种生成购衣建议的方法及装置,涉及互联网技术领域,有助于用户及时地获取到更加客观、有效地购衣建议,本发明的主要技术方案为:通过比对试穿衣服前后用户的体征数据,预测所述用户对所述衣服的喜好程度;通过比对所述衣服特征与所述用户特征,判断所述衣服与所述用户的匹配程度;获取其他用户对所述用户试穿所述衣服的评价信息;根据所述喜好程度、所述匹配程度以及所述评价信息,得到购衣建议并推送给所述用户。本发明应用于向用户提供购衣建议。
Description
技术领域
本发明涉及互联网技术领域,尤其涉及一种生成购衣建议的方法及装置。
背景技术
生活中,逛街购物大家都喜欢结伴出行,这是因为不仅互相可以交流,更是因为在选购产品时,身边的朋友可以给与建议,但独自逛街也并不在少数,独自逛街时,当试穿完衣服后,独自逛街的用户往往是通过即时通讯应用程序与朋友分享试穿图片、视频而向朋友展示试穿效果、征询购买建议的。
但是,由于利用即时通讯应用程序以试穿图片、视频形式向朋友展示的试穿效果图往往可能会与现场用户试穿效果存在很大偏差,再加上朋友反馈的建议也是偏主观的,有时甚至是不能及时反馈的,所以独自逛街用户实际上也还是没有得到有效的购衣建议,仍然会面对拿不定主意是否要购买的情形,这时候可能就会因为犹豫不决而错过,或者受到导购的影响冲动消费。
发明内容
有鉴于此,本发明提供一种生成购衣建议的方法及装置,主要目的在于通过综合用户对衣服的喜好程度、衣服与用户的匹配程度和其他人对用户试衣效果的评价信息,以更加客观地得到对试衣效果的数据化评价,进而有助于用户及时地获取到更加客观、有效地购衣建议。
为了达到上述目的,本发明主要提供如下技术方案:
一方面,本发明提供了一种生成购衣建议的方法,该方法包括:
通过比对试穿衣服前后用户的体征数据,预测所述用户对所述衣服的喜好程度;
通过比对所述衣服特征与所述用户特征,判断所述衣服与所述用户的匹配程度;
获取其他用户对所述用户试穿所述衣服的评价信息;
根据所述喜好程度、所述匹配程度以及所述评价信息,得到购衣建议。
可选地,所述通过比对试穿衣服前后用户的体征数据,预测所述用户对所述衣服的喜好程度,包括:
获取用户试衣之前在预设时间内的体征数据平均值;
获取所述用户试衣之后在所述预设时间内的体征数据平均值;
通过比对试衣之后对应的体征数据平均值与试衣之前对应的体征数据平均值,得到试穿衣服前后对应的体征数据的数值变化比;
利用第一打分规则,对所述数值变化比进行打分,得到所述用户对衣服的喜好程度的打分结果。
可选地,所述体征数据包括:体温数值、心率数值以及血压数值。
可选地,所述通过比对所述衣服特征与所述用户特征,判断所述衣服与所述用户的匹配程度,包括:
获取用户特征的描述信息;
利用标签生成规则处理所述用户特征的描述信息,得到所述用户特征对应的加分标签和减分标签,所述加分标签是指与所述用户特征匹配的衣服类型,所述减分标签是指与所述用户特征不相匹配的衣服类型;
接收所述用户上传的试衣效果图;
利用深度学习模型对所述试衣效果图进行处理,输出所述试衣效果图对应的多个标签;
通过将所述多个标签与所述加分标签和所述减分标签进行比较,统计在所述多个标签中存在加分标签的数目和减分标签的数目。
根据所述加分标签的数目和所述减分标签的数目,利用第二打分规则对所述多个标签进行打分,得到评价所述衣服与所述用户的匹配程度的打分结果。
可选地,获取其他用户对所述用户试穿所述衣服的评价信息,包括:
接收用户上传的试衣效果图;
将所述试衣效果图上传至信息共享应用平台;
接收所述其他用户反馈的打分结果;
根据所述其他用户反馈的打分结果,生成所述其他用户反馈的试穿所述衣服的评价信息的打分结果。
可选地,所述根据所述喜好程度、所述匹配程度以及所述评价信息,得到购衣建议,包括:
利用第三打分规则,根据所述喜好程度的打分结果、所述匹配程度的打分结果、所述评价信息的打分结果,生成所述购衣建议。
可选地,所述方法还包括:将所述购衣建议推送给所述用户。
另一方面,本发明还提供了一种生成购衣建议的装置,该装置包括:
预测单元,用于通过比对试穿衣服前后用户的体征数据,预测所述用户对所述衣服的喜好程度;
判断单元,用于通过比对所述衣服特征与所述用户特征,判断所述衣服与所述用户的匹配程度;
获取单元,用于获取其他用户对所述用户试穿所述衣服的评价信息;
生成单元,用于根据所述喜好程度、所述匹配程度以及所述评价信息,得到购衣建议。
可选地,所述预测单元包括:
获取模块,用于获取用户试衣之前在预设时间内的体征数据平均值;
所述获取模块,还用于获取所述用户试衣之后在所述预设时间内的体征数据平均值;
比对模块,用于通过比对试衣之后对应的体征数据平均值与试衣之前对应的体征数据平均值,得到试穿衣服前后对应的体征数据的数值变化比;
打分模块,用于利用第一打分规则,对所述数值变化比进行打分,得到所述用户对衣服的喜好程度的打分结果。
可选地,所述体征数据包括:体温数值、心率数值以及血压数值。
可选地,所述判断单元包括:
获取模块,用于获取用户特征的描述信息;
第一处理模块,用于利用标签生成规则处理所述用户特征的描述信息,得到所述用户特征对应的加分标签和减分标签,所述加分标签是指与所述用户特征匹配的衣服类型,所述减分标签是指与所述用户特征不相匹配的衣服类型;
接收模块,用于接收所述用户上传的试衣效果图;
第二处理模块,用于利用深度学习模型对所述试衣效果图进行处理,输出所述试衣效果图对应的多个标签;
统计模块,用于通过将所述多个标签与所述加分标签和所述减分标签进行比较,统计在所述多个标签中存在加分标签的数目和减分标签的数目。
打分模块,用于根据所述加分标签的数目和所述减分标签的数目,利用第二打分规则对所述多个标签进行打分,得到评价所述衣服与所述用户的匹配程度的打分结果。
可选地,所述获取单元包括:
接收模块,用于接收用户上传的试衣效果图;
上传模块,用于将所述试衣效果图上传至信息共享应用平台;
所述接收模块,还用于接收其他用户反馈的打分结果。
生成模块,用于根据所述其他用户反馈的打分结果,生成所述其他用户反馈的试穿所述衣服的评价信息的打分结果。
可选地,所述生成单元包括:
生成模块,用于利用第三打分规则,根据所述喜好程度的打分结果、所述匹配程度的打分结果、所述评价信息的打分结果,生成所述购衣建议。
可选地,所述装置还包括:推送单元;
所述推送单元,用于将所述购衣建议推送给所述用户。
借由上述技术方案,本发明提供的技术方案至少具有下列优点:
本发明提供的一种生成购衣建议的的方法及装置,本发明是通过比对试衣前后用户体征数据来预测用户对衣服的喜好程度、通过比对衣服特征与用户特征来判断衣服与用户的匹配程度、获取其他人对用户的试衣效果进行评价,以方便于综合用户对衣服的喜好程度、衣服与用户的匹配程度和其他人对用户试衣效果的评价信息来更加客观地得到对试衣效果的数据化评价。相较于现有技术,解决了利用即时通讯应用平台向他人征询购衣建议得到建议偏主观、不及时的问题,本发明能够有助于用户及时地获取到更加客观、有效地购衣建议。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本发明实施例提供的一种生成购衣建议的方法流程图;
图2为本发明实施例提供的一种预测用户对衣服喜好程度方法流程图;
图3为本发明实施例提供的一种判断衣服与用户的匹配程度的方法流程图;
图4为本发明实施例提供的一种生成购衣建议的装置的组成框图;
图5为本发明实施例提供的另一种生成购衣建议的装置的组成框图;
图6为本发明实施例提供的一种生成购衣建议的系统。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
本发明实施例提供了一种生成购衣建议的方法,如图1所示,该方法是通过综合用户对衣服的喜好程度、衣服与用户的匹配程度和其他人对用户试衣效果的评价信息以更加客观地得到对试衣效果的数据化评价,对此本发明实施例提供以下具体步骤:
在此需要事先说明的是,在本发明实施例中,是利用定制开发的客户端应用程序向用户推送购衣建议,该客户端应用程序可以是但不限于是被下载在智能手机设备上,进而通过人机交互的方式完成向用户反馈购衣建议。
101、通过比对试穿衣服前后用户的体征数据,预测用户对衣服的喜好程度。
其中,体征数据可以是体温、心率、血压等。
在本发明实施例中,可以借助手表、手环等设备监测用户试衣之前和之后一段时间内体征数据,当用户在试衣前后发生情绪波动时,就很大可能地导致体征数据产生相应的波动,比如:当用户从镜子中看到试穿衣服显得非常美丽、有气质时,心情也会变得十分愉悦,情绪波动大,很大可能会反映在身体体温、心跳、血压上;而如果用户对试穿效果没什么感觉时,情绪比较平静、甚至低落,相应的身体体温、心跳和血压也不会发生太大的变化。所以本发明实施例是根据比对试衣前后用户的体温、心率、血压的变化来预测用户对衣服的喜好程度,具体的,喜好程度的表征包括但不限于是分值的形式。
102、通过比对衣服特征与用户特征,判断衣服与用户的匹配程度。
在本发明实施例中,是利用客户端应用程序实现比对衣服特征与用户特征,例如:在将试衣图片输入客户端应用程序之后,由客户端应用程序扫描图片得到衣服的特征,比如修身类型上衣,与预先录入客户端应用程序的用户特征相比,比如:上身肥胖,通过客户端应用程序智能比较得到:该衣服并不适合用户,进而完成判断该衣服与用户之前匹配程度很低。
在本发明实施例中,客户端应用程序实现的智能化比对方法可以是由编程人员预先设定的,衣服与用户的匹配程度的表征包括但不限于是分值的形式。
103、获取其他用户对用户试穿所述衣服的评价信息。
在本发明实施例中,在用户试衣时,可以随时地通过客户端应用程序将试衣图片上传到微信、微博、QQ等社交应用平台,以在线等待好友查看并反馈相应评价信息。具体的,可以以分值的形式量化评价信息包含的内容,比如:构建模型,用于对评价信息进行分类,得到评价信息对应的分类结果,并以分值的形式表征出来;又或者,在用户上传试衣图片时同时还发布要求打分的需求,进而直接得到其他用户对试衣图片的直观评价。
104、根据用户对衣服的喜好程度、衣服与用户的匹配程度以及其他用户对用户试穿衣服的评价信息,得到购衣建议。
在本发明实施例中,是综合用户对衣服的喜好程度、衣服与用户的匹配程度以及其他关联用户对用户试穿衣服的评价信息,从这三个方面来最终得到对试衣效果的更加客观的评价,具体的,可以以打分的形式量化上述的喜好程度、匹配程度和其他关联用户对用户试穿衣服的评价信息,得到最终的统计分值,而后再根据预设的分值区间,给出相应的购衣建议,比如:3分以下,对应不建议购买;3分至6分,对应性价比合适且可选择性购买;6分至10分,对应建议购买,但随着分值高低,可比较出建议购买的程度。
本发明实施例提供的一种生成购衣建议的方法,本发明实施例是通过比对试衣前后用户体征数据来预测用户对衣服的喜好程度、通过比对衣服特征与用户特征来判断衣服与用户的匹配程度、获取其他关联用户对用户的试衣效果进行评价,方便于综合用户对衣服的喜好程度、衣服与用户的匹配程度和其他人对用户试衣效果的评价信息以能够更加客观地得到对试衣效果的数据化评价。相较于现有技术,解决了利用即时通讯应用平台向他人征询购衣建议得到建议偏主观、不及时的问题,本发明实施例能够有助于用户及时地获取到更加客观、有效地购衣建议。
为了对上述实施例做出更加详细的说明,本发明实施例还提供了预测用户对衣服喜好程度的具体方法,在本发明实施例中,用户体征数据以测量的体温、心率和血压的数值为例,如图2所示,对此本发明实施例提供以下具体步骤:
201、获取用户试衣之前在预设时间内的体征数据平均值。
对于本发明实施例,获取用户试衣之前在预设时间内的平均体温数值、平均心率数值以及平均血压数值,得到由体温、心率以及血压三个维度组成的试衣前数据。
202、获取用户试衣之后在预设时间内的体征数据平均值。
对于本发明实施例,获取用户试衣之后在预设时间内的平均体温数值、平均心率数值以及平均血压数值,得到由体温、心率以及血压三个维度组成的试衣后数据。
在本发明实施例中,对于上述步骤201-202进行详细说明,具体如下:
其中,预设时间是指在用户试衣之前的特定时间长度,在本发明实施例中是在用户试衣之前和之后选取相同的预设时间,用于分析在该预设时间内用户的体温、心率和血压的变化情况。在此需要强调的是,由于选取预设时间的目的是用于计算在用户试衣之前和之后的指定时间段内平均体温数值、平均心率数值和平均血压数值,所以预设时间不适于选取时间长度过长,如果预设时间选取的时间长度过长可能会导致计算得到的试衣之前的平均体温数值、平均心率数值和平均血压数值与试衣之后没有明显变化,使得该数据无法用于预测用户对衣服的喜好程度。
在本发明实施例中,可以借助手表设备、手环设备等智能设备监测用户的体温、心率和血压,该智能设备与客户端应用程序建立通信,以方便于实时或者按照预定时间间隔向客户端应用程序上报监测到的体温、心率和血压数据。对于客户端应用程序,用户可以通过与客户端应用程序之间的人机互来使得客户端应用程序获知试衣时间起点、结束点,进而根据这个时间起点和结束点,客户端应用程序获取并分析用户在试衣之前指定时间段内平均体温数值、平均心率数值以及平均血压数值,组成对应的试衣前数据,以及在试衣之后相同时间内的平均体温数值、平均心率数值以及平均血压数值,组成对应的试衣后数据。
203、通过比对试衣之后对应的体征数据平均值与试衣之前对应的体征数据平均值,得到试穿衣服前后对应的体征数据的数值变化比。
在本发明实施例中,可以利用下述公式(1)、(2)、(3)分别对应得到在体温维度、心率维度和血压维度上用户试衣之前和之后数据变化百分比(即:变化率)。
其中,t指代体温、h指代心率、v指代血压;t1和t2分别是试衣之前和之后预设时间内平均体温数值;h1和h2分别是试衣之前和之后预设时间内平均心率数值;v1和v2分别是试衣之前和之后预设时间内平均血压数值。
204、利用第一打分规则,对数值变化比进行打分,得到用户对衣服的喜好程度的打分结果。
其中,预设第一打分规则可以是:以体温维度为例,将试衣前后的体温数值变化率与预设体温变化值区间进行比较,如果试衣前后的体温数值变化率在这个区间内,则表明用户体温无明显波动,继而推测用户对试衣效果无明显情绪波动,则不给予打分,如果试衣前后的体温数值变化率小于区间的下限阈值,则表明用户有明显情绪波动,但是很大概率是低落而对衣服不满意,所以相应的扣分,如果试衣前后的体温数值变化率大于区间的上限阈值,则表明用户有明显情绪波动,但是很大概率是兴奋而对衣服满意,所以相应的加分。
在本发明实施例中,同理分析,可以将上述打分规则以及对应的实施方法应用到心率维度和血压维度,在此不再赘述。通过统计在体温维度、心率维度以及血压维度上分别对应的打分结果,得到预测用户对衣服的喜好程度。
例如,可以根据第一打分规则,得到在体温维度、心率维度和血压维度上对应的分值,对该分值求和可以得到总分值,用于预测用户对衣服的喜好程度,具体的,可以根据以往记录的利用客户端应用程序实现大量预测喜好程度分值和分值对应用户是否实施购买行为的日志数据,预先对分值与用户购买意愿程度建立正比关系,进而当得到总分值时,就可以根据预先建立的正比关系,确定推测用户购物意愿程度,完成预测用户对衣服的喜好程度。
进一步的,本发明实施例还提供了判断衣服与用户的匹配程度的具体方法,如图3所示,对此本发明实施例提供以下具体步骤:
301、获取用户特征的描述信息。
在本发明实施例中,客户端应用程序是根据用户向其输入的特征信息来生成对用户特征的描述信息。
其中,用户特征的描述信息是指对用户特征的描述,比如:肤色白皙程度、体型、额外信息(脖子长,头小或头大,腿细等)。
在本发明实施例中,以对体型的描述为例,是预先在客户端应用程序存储12种体型类型:苹果型、H型、梨型、细沙漏型、长方形、V型、圆型、胖沙漏型、五五型、瘦小型、超高型、I型。其中,以以H型为例:当腰围,胸围,臀围相差不大,腰围在65-70cm之间,腿长/身高大于0.6,可称为H型。所以,当用户向客户端应用程序输入自己的身高、体重、胸围、腰围、臀围、肩宽、腿长、脖长、胯宽等信息时,客户端应用程序根据相关的计算方法,就可以输出该用户体型类型。
对于本步骤,给出一种例举,比如:用户通过人机交互向客户端应用程序输入自己的性别、年龄、肤色、身高、体重、胸围、腰围、臀围、肩宽、腿长、脖长、胯宽等信息。相应的,客户端应用程序通过对上述特征进行综合处理而生成对应的描述信息,比如:女生,25岁,肤色偏黑,H型身材,脖子长,头小等等。
302、利用标签生成规则处理用户特征的描述信息,得到用户特征对应的加分标签和减分标签。
其中,标签生成规则是预先录入客户端应用程序的,相当于是记载特征与标签之间映射关系的数据库,比如:体型H型,对应加分标签可以是:上衣4个标签(即:蝙蝠袖、一字肩、灯笼袖、高领);裤子2个标签(即:高腰裤、阔腿裤);裙子3个标签(即:A字裙、荷叶边、百褶裙)。相应的,减分标签可以是:上衣2个标签(即:贴身、过于肥大)。在此需要说明的是:加分标签是指与用户特征匹配的衣服类型,减分标签是指与用户特征不相匹配的衣服类型。
所以,对于本发明实施例,利用标签生成规则处理用户特征的描述信息,就可以得到用户特征对应的加分标签和减分标签。多个加分标签组成加分标签池,多个减分标签组成减分标签池,且标签池内可以包含多个维度的标签,比如:上衣、裤子、裙子。
303、接收用户上传的试衣效果图。
在本发明实施例中,可以利用客户端将试衣效果图实时地上传到对应服务器(即:用于生成购衣建议的服务平台),以方便于服务器对试衣效果图进行相应地分析。
304、利用深度学习模型对试衣效果图进行处理,输出试衣效果图对应的多个标签。
其中,深度学习模型是预先通过大量的数据集而训练得到的,由于试衣图片可以是上衣、裤子、裙子,所以对于不同的客体,可以分别训练多个深度学习模型,方便于从上衣、裤子、裙子三个类别分别对试衣图片进行分析。
例如:预先训练三个深度学习模型A、B、C,分别适用于分析上衣、裤子和裙子,同时也预先设定模型A对应上衣类别的M个不同标签(比如:蝙蝠袖、一字肩、灯笼袖、高领等等),模型B对应裤子类别的N个不同标签,模型C对应裙子类别的Q个不同标签。以对试穿上衣图片进行分析为例,在用户上传试衣图片的同时还需要向客户端应用程序指定说明试穿图片是上衣图片,以方便于客户端应用程序选择上述A模型对试衣图片进行处理,相应的输出M个不同标签分别对应的概率值,每个概率值代表对应标签存在的概率,进而概率值越高,则对应标签存在的可能性就越大。比如:可以选取概率值大于指定阈值的多个标签,作为试衣图片对应的标签。比如:选取概率值大于0.6的多个标签是:蝙蝠袖、一字肩,则相应的,将蝙蝠袖、一字肩作为试穿该上衣图片对应的标签。
在本发明实施例中,利用预设深度学习模型对用户上传的试衣图片进行处理,相当于是实现利用客户端应用程序智能的分析试衣效果具有的特征,同理分析,试穿裤子或者裙子的图片,在此不再赘述。
需要说明的是,对于步骤302提及的“标签生成规则”和步骤304提及的“深度学习模型”可以存储在云端服务器上,以方便于编程人员更新“标签生成规则”和“深度学习模型”代码时,可以直接替换云端服务器上存储旧版本,并向客户端应用程序发布更新通知,进而方便于管控不同智能设备上的客户端应用程序以相同版本的“标签生成规则”和“深度学习模型”完成步骤302和304的操作。
305、通过将多个标签与加分标签和减分标签进行比较,统计在多个标签中存在加分标签的数目和减分标签的数目。
本步骤是将步骤304得到的多个标签与步骤302用户特征对应的加分标签和减分标签进行比较,相当于是查找试穿的衣服信息内包含多少个适合用户的因素和不适合用户的因素。
例如:以女生A为例,输出的试衣图片对应标签包括3个:“一字肩”、“贴身”、“黄色”。通过与女生A特征对应的加分标签和减分标签作比较,“一字肩”是女生A加分标签,“贴身”和“黄色”是减分标签。
306、根据加分标签的数目和所述减分标签的数目,利用第二打分规则对多个标签进行打分,得到评价衣服与用户的匹配程度的打分结果。
其中,预设第二打分规则是预先设定的,为试衣图片对应的多个标签进行打分的标准,接续上述步骤305的例举,打分规则可以是:统计在试衣图片对应的多个标签中存在加分标签的数目和减分标签的数目,对于加分标签,相应的加1分,对于减分标签,相应的加1分,所以上述女生A本次试衣,得到负1分。
在本发明实施例中,可以根据步骤306的第二打分规则,得到衣服与用户的匹配程度对应的分值,用于判断衣服与用户的匹配程度,具体的,可以预设是否匹配的分值标准,进而低于分值标准,就判断不匹配,高于分值标准就判断匹配,在此本发明实施例,不做具体限定。
进一步的,本发明实施例还提供了获取其他人对用户试穿衣服的评价信息的具体方法,对此本发明实施例提供以下具体步骤:
首先,将用户试穿效果图上传至信息共享应用平台,该应用平台上包含征询向试穿效果图进行打分的界面,其次,接收其他用户反馈的打分结果,该打分结果就就相当于是本次其他人反馈的对用户试穿效果评价信息对应的打分结果。
进一步的,总结以上,在本发明实施例中,是以打分形式衡量用户对衣服的喜好程度、衣服与用户的匹配程度以及分析其他人对用户试穿衣服的评价信息,所以综合上述三个方面得到最终试衣评价并向用户推送购衣建议的方法,可以包括如下:
一种方法是:对喜好程度、匹配程度以及评价信息分别对应的分值执行求和运算,若计算的分值结果达到指定阈值,则向用户显示所述分值结果并提示建议购买。
另一种方法是:向喜好程度、匹配程度以及评价信息分配权重,根据权重对所述喜好程度、匹配程度以及评价信息分别对应的分值求和,若统计分值结果达到指定阈值,则向用户显示分值结果并提示建议购买。
进一步的,作为对上述图1、图2、图3所示方法的实现,本发明实施例提供了一种生成购衣建议的装置。该装置实施例与前述方法实施例对应,为便于阅读,本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述,但应当明确,本实施例中的装置能够对应实现前述方法实施例中的全部内容。具体如图4所示,该装置包括:
预测单元41,用于通过比对试穿衣服前后用户的体征数据,预测所述用户对所述衣服的喜好程度;
判断单元42,用于通过比对所述衣服特征与所述用户特征,判断所述衣服与所述用户的匹配程度;
获取单元43,用于获取其他用户对所述用户试穿所述衣服的评价信息;
生成单元44,用于根据所述喜好程度、所述匹配程度以及所述评价信息,得到购衣建议。
可选地,如图5所示,所述预测单元41包括:
获取模块411,用于获取用户试衣之前在预设时间内的体征数据平均值;
所述获取模块411,还用于获取所述用户试衣之后在所述预设时间内的体征数据平均值;
比对模块412,用于通过比对试衣之后对应的体征数据平均值与试衣之前对应的体征数据平均值,得到试穿衣服前后对应的体征数据的数值变化比;
打分模块413,用于利用第一打分规则,对所述数值变化比进行打分,得到所述用户对衣服的喜好程度的打分结果。
可选地,所述体征数据包括:体温数值、心率数值以及血压数值。
可选地,如图5所示,所述判断单元42包括:
获取模块421,用于获取用户特征的描述信息;
第一处理模块422,用于利用标签生成规则处理所述用户特征的描述信息,得到所述用户特征对应的加分标签和减分标签,所述加分标签是指与所述用户特征匹配的衣服类型,所述减分标签是指与所述用户特征不相匹配的衣服类型;
接收模块423,用于接收所述用户上传的试衣效果图;
第二处理模块424,用于利用深度学习模型对所述试衣效果图进行处理,输出所述试衣效果图对应的多个标签;
统计模块425,用于通过将所述多个标签与所述加分标签和所述减分标签进行比较,统计在所述多个标签中存在加分标签的数目和减分标签的数目。
打分模块426,用于根据所述加分标签的数目和所述减分标签的数目,利用第二打分规则对所述多个标签进行打分,得到评价所述衣服与所述用户的匹配程度的打分结果。
进一步的,如图5所示,所述获取单元43包括:
接收模块431,用于接收用户上传的试衣效果图;
上传模块432,用于将所述试衣效果图上传至信息共享应用平台;
所述接收模块431,还用于接收其他用户反馈的打分结果。
生成模块433,用于根据所述其他用户反馈的打分结果,生成所述其他用户反馈的试穿所述衣服的评价信息的打分结果。
可选地,如图5所示,所述生成单元44包括:
生成模块441,用于利用第三打分规则,根据所述喜好程度的打分结果、所述匹配程度的打分结果、所述评价信息的打分结果,生成所述购衣建议。
进一步的,如图5所示,所述装置还包括:推送单元45;
所述推送单元45,用于将所述购衣建议推送给所述用户。
综上所述,本发明实施例提供的一种购衣建议的推送方法方法及装置,本发明实施例是通过比对试衣前后用户的体温、心率、血压的数值来预测用户对衣服的喜好程度,通过比对衣服特征与用户特征来判断衣服与用户的匹配程度,通过利用信息共享应用平台来获取其他关联用户对用户的试衣效果进行评价,进而综合上述三个方面并以打分的形式分别衡量喜好程度、匹配程度以及其他评价信息,进而可以综合上述三方面的数据化评价。相较于现有技术,解决了利用即时通讯应用平台向他人征询购衣建议得到建议偏主观、不及时的问题,本发明实施例能够有助于用户及时地获取到更加客观、有效地购衣建议。
本发明实施例还提供一个生成购衣建议的系统,如图6所示,该系统包括如上实施例所述的生成购衣建议的装置51、可穿戴设备52和云端服务器53。
其中,生成购衣建议的装置51应用于移动终端,主要包含的虚拟功能模块有:传感器处理模块、数据处理模块、无线通信模块、人机交互模块、评价模块和显示模块。传感器处理模块用于接收可穿戴设备传输的用户体征数据;数据处理模块主要包含预测单元41、判断单元42和获取单元43,用于综合用户对衣服的喜好程度、衣服与用户的匹配程度和其他人对用户试衣效果的评价信息;无线通信模块用于使得该生成购衣建议的装置与可穿戴设备、云端服务器之间实现互联网通信;人机交互模块用于通过触摸屏或语音交互实现该生成购衣建议的装置与用户之间的交互;评价模块,主要包括生成单元44,用于对数据处理模块输出的数据进行处理生成对应的打分结果;显示模块主要包括推送单元45,用于将购衣建议显示给用户。
其中,可穿戴设备52主要包含的虚拟功能模块有:数据采集模块和无线通信模块。数据采集模块包括:体温检测单元、心率采集单元和血压采集单元,用于采集用户的体征数据。无线通信模块用于使得该可穿戴设备与生成购衣建议的装置、云端服务器之间实现互联网通信。在此需要说明的是:该系统也可以不包括可穿戴设备,上述虚拟功能模块也可以直接设置在生成购衣建议的装置上,由移动终端代替可穿戴设备完成数据采集工作。
其中,云端服务器53主要包含的虚拟功能模块有:无线通信模块、数据存储模块和更新模块。无线通信模块用于使得该云端服务器与生成购衣建议的装置、可穿戴设备之间实现互联网通信;数据存储模块用于存储打分规则、标签生成规则、深度学习模型。该打分规则、标签生成规则、深度学习模型都是被应用在生成购衣建议的装置,用于生成购衣建议所遵循的标准;更新模块,是指存储打分规则、标签生成规则、深度学习模型分别对应的版本状态,若打分规则、标签生成规则、深度学习模型存在新版本,则将更新后的打分规则、标签生成规则、深度学习模型存储在数据存储模块。在此需要说明的是:该系统也可以不包括云端服务器,将上述虚拟功能模块也可以直接设置在生成购衣建议的装置上,由移动终端代替云端服务器完成对打分规则、标签生成规则、深度学习模型备份、更新操作。
本发明实施例还提供了一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时,实现如上述实施例的购衣建议的推送方法。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序运行时实现如上述实施例的购衣建议的推送方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、设备(系统)、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。
存储器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)。存储器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(traHsitorymedia),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,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请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,本申请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。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请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 (14)
1.一种生成购衣建议的方法,其特征在于,所述方法包括:
通过比对试穿衣服前后用户的体征数据,预测所述用户对所述衣服的喜好程度;
通过比对所述衣服特征与所述用户特征,判断所述衣服与所述用户的匹配程度,包括:获取用户特征的描述信息;利用标签生成规则处理所述用户特征的描述信息,得到所述用户特征对应的加分标签和减分标签,所述加分标签是指与所述用户特征匹配的衣服类型,所述减分标签是指与所述用户特征不相匹配的衣服类型;接收所述用户上传的试衣效果图;利用深度学习模型对所述试衣效果图进行处理,输出所述试衣效果图对应的多个标签;通过将所述多个标签与所述加分标签和所述减分标签进行比较,统计在所述多个标签中存在加分标签的数目和减分标签的数目;根据所述加分标签的数目和所述减分标签的数目,利用第二打分规则对所述多个标签进行打分,得到评价所述衣服与所述用户的匹配程度的打分结果;
获取其他用户对所述用户试穿所述衣服的评价信息;
根据所述喜好程度、所述匹配程度以及所述评价信息,得到所述购衣建议。
2.根据权利要求1所述的方法,其特征在于,所述通过比对试穿衣服前后用户的体征数据,预测所述用户对所述衣服的喜好程度,包括:
获取用户试衣之前在预设时间内的体征数据平均值;
获取所述用户试衣之后在所述预设时间内的体征数据平均值;
通过比对试衣之后对应的体征数据平均值与试衣之前对应的体征数据平均值,得到试穿衣服前后对应的体征数据的数值变化比;
利用第一打分规则,对所述数值变化比进行打分,得到所述用户对衣服的喜好程度的打分结果。
3.根据权利要求1或2所述的方法,其特征在于,所述体征数据包括:体温数值、心率数值以及血压数值。
4.根据权利要求1所述的方法,其特征在于,获取其他用户对所述用户试穿所述衣服的评价信息,包括:
接收用户上传的试衣效果图;
将所述试衣效果图上传至信息共享应用平台;
接收所述其他用户反馈的打分结果;
根据所述其他用户反馈的打分结果,生成所述其他用户反馈的试穿所述衣服的评价信息的打分结果。
5.根据权利要求1或2或4所述的方法,其特征在于,所述根据所述喜好程度、所述匹配程度以及所述评价信息,得到所述购衣建议,包括:
利用第三打分规则,根据所述喜好程度的打分结果、所述匹配程度的打分结果、所述评价信息的打分结果,生成所述购衣建议。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:将所述购衣建议推送给所述用户。
7.一种生成购衣建议的装置,其特征在于,所述装置包括:
预测单元,用于通过比对试穿衣服前后用户的体征数据,预测所述用户对所述衣服的喜好程度;
判断单元,用于通过比对所述衣服特征与所述用户特征,判断所述衣服与所述用户的匹配程度;
所述判断单元包括:
获取模块,用于获取用户特征的描述信息;
第一处理模块,用于利用标签生成规则处理所述用户特征的描述信息,得到所述用户特征对应的加分标签和减分标签,所述加分标签是指与所述用户特征匹配的衣服类型,所述减分标签是指与所述用户特征不相匹配的衣服类型;
接收模块,用于接收所述用户上传的试衣效果图;
第二处理模块,用于利用深度学习模型对所述试衣效果图进行处理,输出所述试衣效果图对应的多个标签;
统计模块,用于通过将所述多个标签与所述加分标签和所述减分标签进行比较,统计在所述多个标签中存在加分标签的数目和减分标签的数目;
打分模块,用于根据所述加分标签的数目和所述减分标签的数目,利用第二打分规则对所述多个标签进行打分,得到评价所述衣服与所述用户的匹配程度的打分结果;
获取单元,用于获取其他用户对所述用户试穿所述衣服的评价信息;
生成单元,用于根据所述喜好程度、所述匹配程度以及所述评价信息,得到所述购衣建议。
8.根据权利要求7所述的装置,其特征在于,所述预测单元包括:
获取模块,用于获取用户试衣之前在预设时间内的体征数据平均值;
所述获取模块,还用于获取所述用户试衣之后在所述预设时间内的体征数据平均值;
比对模块,用于通过比对试衣之后对应的体征数据平均值与试衣之前对应的体征数据平均值,得到试穿衣服前后对应的体征数据的数值变化比;
打分模块,用于利用第一打分规则,对所述数值变化比进行打分,得到所述用户对衣服的喜好程度的打分结果。
9.根据权利要求7或8所述的装置,其特征在于,所述体征数据包括:体温数值、心率数值以及血压数值。
10.根据权利要求7所述的装置,其特征在于,所述获取单元包括:
接收模块,用于接收用户上传的试衣效果图;
上传模块,用于将所述试衣效果图上传至信息共享应用平台;
所述接收模块,还用于接收其他用户反馈的打分结果;
生成模块,用于根据所述其他用户反馈的打分结果,生成所述其他用户反馈的试穿所述衣服的评价信息的打分结果。
11.根据权利要求7或8或10所述的装置,其特征在于,所述生成单元包括:
生成模块,用于利用第三打分规则,根据所述喜好程度的打分结果、所述匹配程度的打分结果、所述评价信息的打分结果,生成所述购衣建议。
12.根据权利要求7所述的装置,其特征在于,所述装置还包括:推送单元;
所述推送单元,用于将所述购衣建议推送给所述用户。
13.一种电子设备,其特征在于,包括:存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时,实现如权利要求1-6中任一所述的生成购衣建议的方法。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序运行时实现如权利要求1-6中任一所述的生成购衣建议的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910242742.8A CN109919740B (zh) | 2019-03-28 | 2019-03-28 | 一种生成购衣建议的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910242742.8A CN109919740B (zh) | 2019-03-28 | 2019-03-28 | 一种生成购衣建议的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109919740A CN109919740A (zh) | 2019-06-21 |
CN109919740B true CN109919740B (zh) | 2021-03-02 |
Family
ID=66967352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910242742.8A Active CN109919740B (zh) | 2019-03-28 | 2019-03-28 | 一种生成购衣建议的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919740B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113060345A (zh) * | 2021-02-04 | 2021-07-02 | 四川大学 | 一种试穿数据统计系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472652A (zh) * | 2018-12-28 | 2019-03-15 | 出门问问信息科技有限公司 | 智慧门店的管理方法、装置、电子设备及计算机存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101425166A (zh) * | 2008-10-17 | 2009-05-06 | 幻境湾网络科技(北京)有限公司 | 店内智能试衣系统、智能试衣系统及方法 |
US20180253785A1 (en) * | 2013-12-16 | 2018-09-06 | Wai Keung Chong | Wardrobe Assistant Device(s) for Matching Apparel |
US10290136B2 (en) * | 2016-08-10 | 2019-05-14 | Zeekit Online Shopping Ltd | Processing user selectable product images and facilitating visualization-assisted coordinated product transactions |
CN108304405A (zh) * | 2017-01-12 | 2018-07-20 | 王道平 | 一种信息匹配及推送的方法及装置 |
CN107358451A (zh) * | 2017-07-17 | 2017-11-17 | 竹间智能科技(上海)有限公司 | 一种交互式智能魔镜 |
CN107833112A (zh) * | 2017-12-01 | 2018-03-23 | 四川世语者科技有限公司 | 基于生理参数的消费行为分析方法和装置、以及系统和存储介质 |
-
2019
- 2019-03-28 CN CN201910242742.8A patent/CN109919740B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472652A (zh) * | 2018-12-28 | 2019-03-15 | 出门问问信息科技有限公司 | 智慧门店的管理方法、装置、电子设备及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109919740A (zh) | 2019-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876526B (zh) | 商品推荐方法、装置和计算机可读存储介质 | |
Choi et al. | Item-level RFID for enhancement of customer shopping experience in apparel retail | |
CN109034973B (zh) | 商品推荐方法、装置、系统及计算机可读存储介质 | |
US20180032818A1 (en) | Providing a personalized fitting room experience | |
CN110363213A (zh) | 服装图像的认知分析和分类 | |
KR20190142500A (ko) | 화장품 추천 서비스 제공 방법 및 이를 실행하기 위한 시스템 | |
CN109165997A (zh) | 一种线下购物推荐内容的生成方法及装置 | |
CN109658188A (zh) | 基于大数据分析的房源推荐方法、装置、设备及存储介质 | |
CN104933075A (zh) | 用户属性预测平台和方法 | |
JP2011065504A (ja) | ユーザの選好関係についての予測モデルを生成する選好予測サーバ及びその方法 | |
US11481811B2 (en) | Electronic device and method for controlling same | |
CN107451832A (zh) | 推送信息的方法和装置 | |
JP2016053784A (ja) | 情報推薦プログラム及び情報処理装置 | |
CN106708871A (zh) | 一种社交业务特征用户的识别方法和装置 | |
CN108764958A (zh) | 基于用户特征标签的推荐方法以及装置 | |
CN114862516A (zh) | 文案推荐方法、存储介质及程序产品 | |
CN116823408A (zh) | 基于虚拟现实的商品推荐方法、装置、终端及存储介质 | |
CN112053205A (zh) | 通过机器人情绪识别的产品推荐方法及装置 | |
EP3673427A1 (en) | Computer system for optimizing garment inventory of retailer based on shapes of users | |
CN109919740B (zh) | 一种生成购衣建议的方法及装置 | |
CN110992095A (zh) | 一种消费者画像生成方法和装置 | |
CN113705792A (zh) | 基于深度学习模型的个性化推荐方法、装置、设备及介质 | |
CN116611897B (zh) | 基于人工智能的消息提醒方法和系统 | |
CN109063758A (zh) | 基于图片的服装识别方法及装置 | |
JP2017167759A (ja) | コーディネート推薦装置、及びプログラム |
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 |