CN110084658B - 物品匹配的方法和装置 - Google Patents

物品匹配的方法和装置 Download PDF

Info

Publication number
CN110084658B
CN110084658B CN201810076738.4A CN201810076738A CN110084658B CN 110084658 B CN110084658 B CN 110084658B CN 201810076738 A CN201810076738 A CN 201810076738A CN 110084658 B CN110084658 B CN 110084658B
Authority
CN
China
Prior art keywords
matched
article
word segmentation
vector
target
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
Application number
CN201810076738.4A
Other languages
English (en)
Other versions
CN110084658A (zh
Inventor
安旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jingdong Century Trading Co Ltd, Beijing Jingdong Shangke Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN201810076738.4A priority Critical patent/CN110084658B/zh
Publication of CN110084658A publication Critical patent/CN110084658A/zh
Application granted granted Critical
Publication of CN110084658B publication Critical patent/CN110084658B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06Q30/0629—Directed, with specific intent or strategy for generating comparisons
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Accounting & Taxation (AREA)
  • Evolutionary Computation (AREA)
  • Finance (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Strategic Management (AREA)
  • Evolutionary Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Development Economics (AREA)

Abstract

本申请实施例公开了物品匹配的方法和装置。该方法的一具体实施方式包括：对于目标物品和多个第一待匹配物品，获取目标物品的特征信息和各第一待匹配物品的特征信息；利用所获取的目标物品的特征信息和各第一待匹配物品的特征信息，确定目标物品和各第一待匹配物品之间的特征匹配向量；将各特征匹配向量输入预先训练的支持向量机模型以从多个第一待匹配物品中选取第二待匹配物品；从各第二待匹配物品中确定出与目标物品匹配的第三待匹配物品，其中，第三待匹配物品为各第二待匹配物品中标题的句向量与目标物品的标题的句向量间的相似度大于预设阈值的物品。该实施方式提高了物品匹配方法的召回和匹配效率率，降低了人工成本。

Description

物品匹配的方法和装置
技术领域
本申请实施例涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及物品匹配的方法和装置。
背景技术
随着互联网用户不断壮大，电子商务的发展方兴未艾，涌现出了许多电商平台。对于用户而言，在网购时，如何能够在不同电商平台之间匹配出同一款物品进行比较具有现实意义，对于电商企业本身也是如此。现有的方法通常采用基于人工规则的物品匹配，通过判断两个物品之间的主要属性值是否相同来确定两个物品之间是否匹配，该方法需要消耗大量的人力资源且召回率低。
发明内容
本申请实施例提出了物品匹配的方法和装置。
第一方面，本申请实施例提供了一种物品匹配的方法，该方法包括：对于目标物品和多个第一待匹配物品，获取目标物品的特征信息和各第一待匹配物品的特征信息；利用所获取的目标物品的特征信息和各第一待匹配物品的特征信息，确定目标物品和各第一待匹配物品之间的特征匹配向量；将各特征匹配向量输入预先训练的支持向量机模型以从多个第一待匹配物品中选取第二待匹配物品，其中，第二待匹配物品为各第一待匹配物品中与目标物品相关的物品，支持向量机模型用于从多个第一待匹配物品中过滤与目标物品无关的物品；从各第二待匹配物品中确定出与目标物品匹配的第三待匹配物品，其中，第三待匹配物品为各第二待匹配物品中标题的句向量与目标物品的标题的句向量间的相似度大于预设阈值的物品。
在一些实施例中，支持向量机模型通过如下步骤训练得到：获取多个第一物品对和多个第二物品对，其中，第一物品对中的两个物品的匹配关系为相关，第二物品对中的两个物品的匹配关系为无关；确定各第一物品对的特征匹配向量和第一物品对的匹配关系为正样本集，其中，正样本包括任一第一物品对的特征匹配向量和该第一物品对的匹配关系；确定各第二物品对的特征匹配向量和第二物品对的匹配关系为负样本集，其中，负样本包括任一第二物品对的特征匹配向量和该第二物品对的匹配关系；利用正样本集和负样本集训练支持向量机模型。
在一些实施例中，特征匹配向量包括：目标物品与其中一个第一待匹配物品之间的雅可比相似度和目标物品的标题中的特征词与其中一个第一待匹配物品的标题中的特征词的匹配度；利用所获取的目标物品的特征信息和各第一待匹配物品的特征信息，确定目标物品和各第一待匹配物品之间的特征匹配向量，包括：获取目标物品的标题和多个第一待匹配物品的标题，对目标物品的标题和各第一待匹配物品的标题进行分词处理，生成目标物品的第一分词集合和各第一待匹配物品的第二分词集合；获取第一分词集合与各第二分词集合的交集和并集，确定交集与并集的比值为目标物品的标题和第一待匹配物品的标题之间的雅可比相似度；从第一分词集合和各第二分词集合中获取至少一种类型的特征词，并将从第一分词集合中所获取的特征词和从各第二分词集合中所获取的特征词进行匹配，生成各类型的特征词的匹配度。
在一些实施例中，从各第二待匹配物品中确定出与目标物品匹配的第三待匹配物品，包括：获取各第二待匹配物品的第二分词集合，将所获取的第二分词集合中的各分词和第一分词集合中的各分词输入预先训练的词向量模型，得到各分词的分词向量；分别对所获取的各第二分词集合中分词的分词向量和第一分词集合中分词的分词向量求和，得到各第二待匹配物品的标题的句向量和目标物品的标题的句向量；计算目标物品的标题的句向量和任一第二待匹配物品的标题的句向量间的余弦相似度；若确定任一第二待匹配物品的标题的句向量与目标物品的标题的句向量间的余弦相似度大于预设阈值，则确定该第二待匹配物品为与目标物品匹配的第三待匹配物品。
在一些实施例中，特征匹配度还包括目标物品的标题与其中一个第一待匹配物品的标题的句向量间的余弦相似度；利用所获取的目标物品的特征信息和各第一待匹配物品的特征信息，确定目标物品和各第一待匹配物品之间的特征匹配向量，还包括：将第一分词集合中的各分词和第二分词集合中的各分词输入预先训练的词向量模型，获取各分词的分词向量；分别对第一分词集合中的分词的分词向量和各第二分词集合中的分词的分词向量求和，得到目标物品的标题的句向量和各第一待匹配物品的标题的句向量；计算目标物品的标题的句向量和各第一待匹配物品的标题的句向量间的余弦相似度。
在一些实施例中，词向量模型通过如下步骤训练得到：对于多个物品，将各物品的标题进行分词处理；生成各物品的标题的分词的分词向量，得到第一训练样本集；利用第一训练样本集训练词向量模型，其中，词向量模型用于将分词转化为分词向量。
第二方面，本申请实施例提供了一种物品匹配的装置，装置包括：获取单元，配置用于对于目标物品和多个第一待匹配物品，获取目标物品的特征信息和各第一待匹配物品的特征信息；特征匹配向量确定单元，配置用于利用所获取的目标物品的特征信息和各第一待匹配物品的特征信息，确定目标物品和各第一待匹配物品之间的特征匹配向量；选取单元，配置用于将各特征匹配向量输入预先训练的支持向量机模型以从多个第一待匹配物品中选取第二待匹配物品，其中，第二待匹配物品为各第一待匹配物品中与目标物品相关的物品，支持向量机模型用于从多个第一待匹配物品中过滤与目标物品无关的物品；第三待匹配物品确定单元，配置用于从各第二待匹配物品中确定出与目标物品匹配的第三待匹配物品，其中，第三待匹配物品为各第二待匹配物品中标题的句向量与目标物品的标题的句向量间的相似度大于预设阈值的物品。
在一些实施例中，支持向量机模型通过如下步骤训练得到：获取多个第一物品对和多个第二物品对，其中，第一物品对中的两个物品的匹配关系为相关，第二物品对中的两个物品的匹配关系为无关；确定各第一物品对的特征匹配向量和第一物品对的匹配关系为正样本集，其中，正样本包括任一第一物品对的特征匹配向量和该第一物品对的匹配关系；确定各第二物品对的特征匹配向量和第二物品对的匹配关系为负样本集，其中，负样本包括任一第二物品对的特征匹配向量和该第二物品对的匹配关系；利用正样本集和负样本集训练支持向量机模型。
在一些实施例中，特征匹配向量包括：目标物品与其中一个第一待匹配物品之间的雅可比相似度和目标物品的标题中的特征词与其中一个第一待匹配物品的标题中的特征词的匹配度；特征匹配向量确定单元具体配置用于：获取目标物品的标题和多个第一待匹配物品的标题，对目标物品的标题和各第一待匹配物品的标题进行分词处理，生成目标物品的第一分词集合和各第一待匹配物品的第二分词集合；获取第一分词集合与各第二分词集合的交集和并集，确定交集与并集的比值为目标物品的标题和第一待匹配物品的标题之间的雅可比相似度；从第一分词集合和各第二分词集合中获取至少一种类型的特征词，并将从第一分词集合中所获取的特征词和从各第二分词集合中所获取的特征词进行匹配，生成各类型的特征词的匹配度。
在一些实施例中，第三待匹配物品确定单元进一步配置用于：获取各第二待匹配物品的第二分词集合，将所获取的第二分词集合中的各分词和第一分词集合中的各分词输入预先训练的词向量模型，得到各分词的分词向量；分别对所获取的各第二分词集合中分词的分词向量和第一分词集合中分词的分词向量求和，得到各第二待匹配物品的标题的句向量和目标物品的标题的句向量；计算目标物品的标题的句向量和任一第二待匹配物品的标题的句向量间的余弦相似度；若确定任一第二待匹配物品的标题的句向量与目标物品的标题的句向量间的余弦相似度大于预设阈值，则确定该第二待匹配物品为与目标物品匹配的第三待匹配物品。
在一些实施例中，特征匹配度还包括目标物品的标题与其中一个第一待匹配物品的标题的句向量间的余弦相似度；特征匹配向量确定单元进一步配置用于：将第一分词集合中的各分词和第二分词集合中的各分词输入预先训练的词向量模型，获取各分词的分词向量；分别对第一分词集合中的分词的分词向量和各第二分词集合中的分词的分词向量求和，得到目标物品的标题的句向量和各第一待匹配物品的标题的句向量；计算目标物品的标题的句向量和各第一待匹配物品的标题的句向量间的余弦相似度。
在一些实施例中词向量模型通过如下步骤训练得到：对于多个物品，将各物品的标题进行分词处理；生成各物品的标题的分词的分词向量，得到第一训练样本集；利用第一训练样本集训练词向量模型，其中，词向量模型用于将分词转化为分词向量。
本申请实施例提供的物品匹配的方法和装置，首先获取目标物品和多个第一待匹配物品的特征信息，之后确定目标物品与各第一待匹配物品之间的特征匹配向量，而后将所获取的特征匹配向量输入预先训练的支持向量机模型可以从多个第一待匹配物品中过滤掉与目标物品无关的物品，获取与目标物品相关的第二待匹配物品，最后从各第二待匹配物品中获取与目标物品的标题的句向量的相似度大于预设阈值的物品作为与目标物品相匹配的第三待匹配物品，提高了物品匹配方法的召回率和匹配效率，降低了人工成本。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的物品匹配的方法的一个实施例的流程图；
图3是根据本申请的物品匹配的方法的一个应用场景的示意图；
图4是本实施例的物品匹配的方法中，确定特征匹配向量的一种实现方式的示意性流程图；
图5是本实施例的物品匹配的方法中，确定第三待匹配物品的一种实现方式的示意性流程图；
图6是根据本申请的物品匹配的装置的一个实施例的结构示意图；
图7是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的物品匹配的方法或物品匹配的装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网上购物、网页浏览等功能的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(MovingPicture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103输入的目标物品提供支持的后台服务器。后台服务器可以对接收到的目标物品与第一待匹配物品的特征信息等数据进行相似度计算等处理，还可以将处理结果(例如与目标物品相匹配的物品)反馈给终端设备。这里，第一待匹配物品的特征信息可以是后台服务器从其它平台获取的，或者第一待匹配物品的特征信息还可以是存储在后台服务本地的特征信息。
需要说明的是，本申请实施例所提供的物品匹配的方法一般由服务器105执行，相应地，物品匹配的装置一般设置于服务器105中。
需要指出的是，对于目标物品也可以直接存储在服务器105的本地，此时服务器105可以直接从本地提取目标物品的特征信息，并将目标物品的特征信息和第一待匹配物品的特征信息进行相似度计算等处理，此种情况下，示例性系统架构100可以不存在终端设备101、102、103和网络104。应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的物品匹配的方法的一个实施例的流程200。该物品匹配的方法，包括以下步骤：
步骤201，对于目标物品和多个第一待匹配物品，获取目标物品的特征信息和各第一待匹配物品的特征信息。
在本实施例中，对于目标物品，物品匹配的方法运行于其上的电子设备(例如图1所示的服务器)可以获取该目标物品的特征信息。而后，该电子设备还可以获取多个第一待匹配物品的特征信息，以便于该电子设备可以从所获取的各第一待匹配物品中确定出与该目标物品相匹配的物品。可以理解，上述电子设备可以从本地直接获取各第一待匹配物品的特征信息，或者，上述电子设备还可以利用网络爬虫等技术手段从其它电商平台获取各第一待匹配物品的特征信息。这里，特征信息可以包括物品的标题(标题可以由物品的品牌、产品词和规格等特征词组成)、价格信息等。
通常，用户利用终端上安装的购物类应用来进行购物时，可以在通过搜索获取目标物品的相关信息后，进一步对比与该物品相匹配的物品在其它购物类应用中的价格等相关信息。因此，上述电子设备在获取用户输入的目标物品后，可以从其它购物类应用中获取与该目标物品相匹配的物品，并展示给用户，以便于用户就不同平台中的同一款物品进行对比。这里，与目标物品相匹配的物品可以理解为与目标物品的相似度大于一定阈值的物品。
需要说明的是，上述电子设备可以直接在本地确定目标物品，并获取目标物品的特征信息，以便于其可以在各第一待匹配物品中确定出与目标物品相匹配的物品。此外，上述电子设备还可以通过有线连接方式或者无线连接方式从用户所在的终端设备获取目标物品，并进一步地在本地获取目标物品的特征信息，以便于该电子设备可以在各第一待匹配物品中确定出与目标物品相匹配的物品。其中，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤202，利用所获取的目标物品的特征信息和各第一待匹配物品的特征信息，确定目标物品和各第一待匹配物品之间的特征匹配向量。
在本实施例中，基于步骤201所获取的目标物品的特征信息和各第一待匹配物品的特征信息，上述电子设备可以对目标物品的特征信息和各第一待匹配物品的特征信息进行分析，从而可以获取目标物品和各第一待匹配物品在不同维度下的特征。而后，上述电子设备可以计算目标物品和各第一待匹配物品在不同特征维度下的匹配度，并利用目标物品和各第一待匹配物品在不同维度下的匹配度构成目标物品和第一待匹配物品之间的特征匹配向量。可见，该特征匹配向量中的每个分量可以表示目标物品与第一待匹配物品在某一特征维度下的匹配度。作为示例，对于目标物品a和第一待匹配物品b，特征匹配向量中可以包括目标物品a和第一待匹配物品b在价格维度下的匹配度。
步骤203，将各特征匹配向量输入预先训练的支持向量机模型以从多个第一待匹配物品中选取第二待匹配物品。
在本实施例中，上述电子设备可以预先训练支持向量机(Support VectorMachine，SVM)模型。基于步骤202确定的目标物品和各第一待匹配物品之间的特征匹配向量，上述电子设备可以将所确定的各特征匹配向量输入到上述支持向量机模型，以便于电子设备可以从各第一待匹配物品中选取出第二待匹配物品。其中，第二待匹配物品可以为各第一待匹配物品中与目标物品相关的物品，该支持向量机模型可以用于从多个第一待匹配物品中过滤与目标物品无关的物品。具体地，该支持向量机模型可以将所输入的各第一待匹配物品分为两类(其中一类中的第一待配物品与目标物品相关，另一类中的第一待匹配物品与目标物品无关)，而后从各第一匹配物品中过滤掉与目标物品无关的物品。上述电子设备利用支持向量机模型过滤掉与目标物品无关的干扰数据，提高了物品匹配方法的召回率，并且上述电子设备在在接下来的步骤中只需要处理与目标物品相关的物品的数据即可，提高了物品匹配的效率。
通常，支持向量机模型可以理解为一种分类模型，其基本模型可以定义为特征空间上的间隔最大的线性分类器，其学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。支持向量机模型通常可以利用较小的训练样本得到不错的训练结果，因此采用支持向量机模型可以不依赖大量的匹配数据即可以使得物品匹配方法具有较高的召回率。
在本实施的一些可选的实现方式中，上述支持向量机模型可以通过如下步骤训练得到：第一步，获取多个第一物品对和多个第二物品对，其中，第一物品对中的两个物品间的匹配关系可以为相关、第二物品对中的两个物品间的匹配关系可以为无关；第二步，计算各第一物品对的特征匹配向量，将各第一物品对的特征匹配向量和第一物品对的匹配关系生成正样本集，该正样本集中可以包括多个正样本，每个正样本可以包括任一第一物品对的特征匹配向量和该第一物品对的匹配关系；第三步，计算各第二物品对的特征匹配向量，将各第二物品对的特征匹配向量和第二物品对的匹配关系生成负样本集，该负样本集中可以包括多个负样本，每个负样本可以包括任一第二物品对的特征匹配向量和该第二物品对的匹配关系；第四步，将上述正样本集和负样本集作为训练数据，进行支持向量机模型训练，可以得到训练好的支持向量机模型。
步骤204，从各第二待匹配物品中确定出与目标物品匹配的第三待匹配物品。
在本实施例中，基于步骤203选取出的第二待匹配物品，上述电子设备可以获取目标物品的标题和各第二待匹配物品的标题，而后计算目标物品的标题的句向量和各第二待匹配物品的标题的句向量，最后计算目标物品的标题的句向量与每个第二待匹配物品的标题的句向量间的相似度。上述电子设备可以从各第二待匹配物品中获取标题的句向量与目标物品的标题的句向量的相似度大于预设阈值的物品，并将所获取的物品作为第三待匹配物品。可见，各第三待匹配物品为与目标物品相匹配的物品。通常，物品的标题可以由该物品的多种类型的特征词组成，可以用于对该物品的搜索。作为示例，物品的标题可以包括品牌词、产品词和规格等(例如，某品牌电饭煲的标题可以为品牌名家用5L浓香电压力锅高压锅电饭煲)。可见，用户可以通过对标题中的关键词的搜索来搜索目标物品。
可以理解的是，上述电子设备在计算出目标物品的标题的句向量与每个第二待匹配物品的标题的句向量间的相似度之后，还可以对各第二待匹配物品进行排序，并从中获取标题的句向量与目标物品的标题的句向量间的相似度最高的预设数目的物品作为与目标物品相匹配的第三待匹配物品。
继续参见图3，图3是根据本实施例的物品匹配的方法的应用场景的一个示意图。在图3的应用场景中，对于用户需要搜索的商品A(杯子)，该商品A可以为目标物品，后台服务器可以获取该商品A的特征信息和多个第一待匹配物品的特征信息；之后，后台服务器可以利用商品A和各第一待匹配物品的特征信息确定商品A与各第一待匹配物品间的特征匹配向量；而后，后台服务器可以将各特征匹配向量输入到预先训练的支持向量机模型中以从各第一待匹配物品中获取与商品A相关的第二待匹配物品；最后，后台服务器可以计算各第二待匹配商品的标题的句向量与商品A的标题的句向量之间的相似度，并确定出商品1和商品2的标题的句向量与商品A的标题的句向量之间的相似度大于预设阈值，此时后台服务器可以确定该商品1和商品2是与商品A相匹配的第三待匹配商品。进一步地，后台服务器还可以将商品1和商品2作为商品A的相似商品推送给用户，如图3所示，以使用户可以获取商品1和商品2的来源、价格等信息。
本申请的上述实施例提供的方法，首先获取目标物品和多个第一待匹配物品的特征信息，之后确定目标物品与各第一待匹配物品之间的特征匹配向量，而后将所获取的特征匹配向量输入预先训练的支持向量机模型以从多个第一待匹配物品中获取第二待匹配物品，最后从各第二待匹配物品中获取与目标物品的标题的句向量的相似度大于预设阈值的物品作为与目标物品相匹配的第三待匹配物品，提高了物品匹配方法的召回率，降低了人工成本。
在一些可选的方案中，如图4所示，步骤202中的“利用所获取的目标物品的特征信息和各第一待匹配物品的特征信息，确定目标物品和各第一待匹配物品之间的特征匹配向量”，可以通过如下步骤来实现：
步骤401，获取目标物品的标题和多个第一待匹配物品的标题，对目标物品的标题和各第一待匹配物品的标题进行分词处理，生成目标物品的第一分词集合和各第一待匹配物品的第二分词集合。
在本实现方式中，特征匹配向量可以包括：目标物品与其中一个第一待匹配物品之间的雅可比相似度以及目标物品的标题中的特征词与其中一个第一待匹配物品的标题中的特征词的匹配度。为了计算出目标物品和各第一待匹配品物品之间的特征匹配向量，上述电子设备可以获取目标物品的标题和各第一待匹配物品的标题。而后，上述电子设备可以对所获取的各标题进行分词处理，其中，对目标物品的标题进行分词后可以生成第一分词集合，对任意一个第一待匹配物品的标题进行分词后可以生成该第一待匹配物品的第二分词集合。
步骤402，获取第一分词集合与各第二分词集合的交集和并集，确定交集与并集的比值为目标物品的标题和第一待匹配物品的标题之间的雅可比相似度。
在本实现方式中，基于步骤401生成的第一分词集合和各第二分词集合，上述电子设备可以计算第一分词集合与任意一个第二分词集合的交集和并集。而后，对于第一分词集合与任一第一待匹配物品的第二分词集合的交集和第一分词集合与该第一待匹配物品的第二分词集合的并集，上述电子设备可以计算该交集和并集的比值，该比值即为目标物品与该第一待匹配物品之间的雅可比相似度。如此，上述电子设备可以计算出目标物品与每个第一待匹配物品之间的雅可比相似度。
步骤403，从第一分词集合和各第二分词集合中获取至少一种类型的特征词，并将从第一分词集合中所获取的特征词和从各第二分词集合中所获取的特征词进行匹配，生成各类型的特征词的匹配度。
在本实现方式中，基于步骤401生成的第一分词集合和第二分词集合，上述电子设备可以获取目标物品和各第一待匹配物品的至少一种类型的特征词，例如品牌词、产品词、规格等。而后，针对任一类型的特征词，上述电子设备可以将从第一分词集合中获取的该类型的特征词与从各第二分词集合中获取的该类型的特征词进行匹配，从而可以生成目标物品与各第一待匹配物品的该类型特征词的匹配度。如此，上述电子设备可以针对各类型的特征词，计算出目标物品与各第一待匹配物品的特征词的匹配度。作为示例，上述特征词的匹配度可以用“0”和“1”表示，具体地，若目标物品与任一待匹配物品的特征词相匹配，则可以输出“1”，否则可以输出“0”。需要说明的是，目标物品与各第一待匹配物品的特征词的匹配度还可以为其它数值，不限于“1”和“0”。
在本实现方式中，若目标物品与各第一待匹配物品之间的特征匹配向量包括目标物品与第一待匹配物品之间的雅可比相似度和目标物品的标题中的特征词与第一待匹配物品的标题中的特征词的匹配度，此时，用于训练上述支持向量机模型的正样本集中的各第一物品对的特征匹配向量可以包括各第一物品对之间的雅可比相似度和各第一物品对的标题中各类型的特征词的匹配度。同样地，在本实现方式中用于训练上述支持向量机模型的负样本集中的各第二物品对的特征匹配向量可以包括各第二物品对之间的雅可比相似度和各第二物品对的标题中各类型的特征词的匹配度。上述电子设备可以采用上述方法计算第一物品对和第二物品对的特征匹配向量。利用该支持向量机模型匹配物品，可以过滤大量与目标物品无关的干扰数据，提高了匹配物品的召回率。
在一些可选的实现方式中，上述特征匹配度还可以包括目标物品的标题与其中一个第一待匹配物品的标题的句向量间的余弦相似度。此时，步骤202“利用所获取的目标物品的特征信息和各第一待匹配物品的特征信息，确定目标物品和各第一待匹配物品之间的特征匹配向量”在步骤401～403的基础上还可以包括如下步骤：将目标物品的第一分词集合中的各分词输入预先训练的词向量模型，从而可以获取第一分词集合中各分词的分词向量，以及将各第一待匹配物品的第二分词集合中的各分词输入预先训练的词向量模型，从而可以获取各第二分词集合中各分词的分词向量；而后，分别对第一分词集合中的分词的分词向量和各第二分词集合中的分词的分词向量求和，从而得到目标物品的标题的句向量和各第一待匹配物品的标题的句向量；最后，计算目标物品的标题的句向量和各第一待匹配物品的标题的句向量间的余弦相似度。
在一些可选的方案中，如图5所示，步骤204中的“从各第二待匹配物品中确定出与目标物品匹配的第三待匹配物品”可以通过如下步骤来实现：
步骤501，获取各第二待匹配物品的第二分词集合，将所获取的第二分词集合中的各分词和第一分词集合中的各分词输入预先训练的词向量模型，得到各分词的分词向量。
在本实现方式中，上述电子设备可以预先训练词向量模型，该词向量模型可以用于将输入的分词转化为分词向量。上述电子设备首先可以获取各第二待匹配物品的标题的第二分词集合，以及获取目标物品的标题的第一分词集合。而后，上述电子设备可以将第一分词集合中的分词输入到上述词向量模型中，从而得到目标物品标题的各分词的分词向量，同样地，将第二待匹配物品的第二分词集合中的分词输入到上述词向量模型中，可以得到各第二待匹配物品标题的各分词的分词向量。
在一些可选的实现方式中，上述电子设备可以采用如下步骤训练上述词向量模型：第一步，对于多个物品，可以将各物品的标题进行分词处理；第二步，生成各物品的标题的分词的分词向量，从而可以得到第一训练样本集；第三步，利用该第一训练样本集训练可以得到上述词向量模型。作为示例，在训练上述词向量模型的过程中，可以采用word2vec作为词向量工具，训练出CBOW词向量模型。
步骤502，分别对所获取的各第二分词集合中分词的分词向量和第一分词集合中分词的分词向量求和，得到各第二待匹配物品的标题的句向量和目标物品的标题的句向量。
在本实现方式中，基于步骤501获取的各分词向量，上述电子设备可以针对第一分词集合中各分词的分词向量求和，从而可以得到目标物品的标题的句向量。上述电子设备还可以针对任一第二待匹配物品的第二分词集合中各分词向量求和，从而可以得到该第二待匹配物品的标题的句向量。
步骤503，计算目标物品的标题的句向量和任一第二待匹配物品的标题的句向量间的余弦相似度。
在本实现方式中，基于步骤502得到的目标物品的标题的句向量和各第二待匹配物品的标题的句向量，上述电子设备可以计算目标物品的句向量与每个第二待匹配物品的句向量的余弦相似度。
具体地，可以采用如下公式计算上述余弦相似度：
其中，A为目标物品的句向量，B为任一第二待匹配物品的句向量，cos(θ)为目标物品的句向量与该第二待匹配物品的句向量间的余弦相似度。
步骤504，若确定任一第二待匹配物品的标题的句向量与目标物品的标题的句向量间的余弦相似度大于预设阈值，则确定该第二待匹配物品为与目标物品匹配的第三待匹配物品。
在本实现方式中，基于步骤503计算出的目标物品的标题的句向量与每个第二待匹配物品的标题的句向量之间的余弦相似度，上述电子设备可以判断所计算出的余弦相似度是否大于预设阈值。如果确定任一第二待匹配物品的标题的句向量与目标物品的标题的句向量间的余弦相似度大于预设阈值，则可以确定该第二待匹配物品为与目标物品匹配的第三待匹配物品；如果确定第二待匹配物品的标题的句向量与目标物品的标题的句向量间的余弦相似度小于或等于预设阈值，则可以确定该第二待匹配物品与目标物品不匹配。
在一些可选的实现方式中，上述电子设备还可以从各第二待匹配物品中选取预设数目物品为与目标物品相匹配的物品。此时，上述电子设备可以按照目标物品的标题的句向量与各第二待匹配物品的标题的句向量之间的余弦相似度从大到小的顺序，将各第二待匹配物品进行排序形成物品队列，而后从该物品队列中取前预设数目的第二待匹配物品，这里所取出的第二待匹配物品即为与目标物品相匹配的第三待匹配物品。
在一些可选的实现方式中，若目标物品与各第一待匹配物品之间的特征匹配向量包括目标物品与第一待匹配物品之间的雅可比相似度和目标物品的标题中的特征词与第一待匹配物品的标题中的特征词的匹配度、以及目标物品的标题与第一待匹配物品的标题的句向量间的余弦相似度，此时，用于训练上述支持向量机模型的正样本集中的各第一物品对的特征匹配向量可以包括各第一物品对之间的雅可比相似度、各第一物品对的标题中各类型的特征词的匹配度以及各第一物品对的标题的句向量的余弦相似度。同样地，在本实现方式中用于训练上述支持向量机模型的负样本集中的各第二物品对的特征匹配向量可以包括各第二物品对之间的雅可比相似度、各第二物品对的标题中各类型的特征词的匹配度以及各第二物品的标题的句向量的余弦相似度。上述电子设备可以采用上述方法计算第一物品对和第二物品对的特征匹配向量。
在该实现方式中，利用支持向量机模型可以过滤掉大量的对词向量模型干扰性较强的数据，从而使得词向量模型可以仅需要处理过滤后的物品的相关数据，提高了物品匹配的召回率。
进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种物品匹配的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例的物品匹配的装置600包括：获取单元601、特征匹配向量确定单元602、选取单元603和第三待匹配物品确定单元604。其中，获取单元601配置用于对于目标物品和多个第一待匹配物品，获取目标物品的特征信息和各第一待匹配物品的特征信息；特征匹配向量确定单元602配置用于利用所获取的目标物品的特征信息和各第一待匹配物品的特征信息，确定目标物品和各第一待匹配物品之间的特征匹配向量；选取单元603配置用于将各特征匹配向量输入预先训练的支持向量机模型以从多个第一待匹配物品中选取第二待匹配物品，其中，第二待匹配物品为各第一待匹配物品中与目标物品相关的物品，支持向量机模型用于从多个第一待匹配物品中过滤与目标物品无关的物品；第三待匹配物品确定单元604配置用于从各第二待匹配物品中确定出与目标物品匹配的第三待匹配物品，其中，第三待匹配物品为各第二待匹配物品中标题的句向量与目标物品的标题的句向量间的相似度大于预设阈值的物品。
在本实施例的一些可选的实现方式中，支持向量机模型通过如下步骤训练得到：获取多个第一物品对和多个第二物品对，其中，第一物品对中的两个物品的匹配关系为相关，第二物品对中的两个物品的匹配关系为无关；确定各第一物品对的特征匹配向量和第一物品对的匹配关系为正样本集，其中，正样本包括任一第一物品对的特征匹配向量和该第一物品对的匹配关系；确定各第二物品对的特征匹配向量和第二物品对的匹配关系为负样本集，其中，负样本包括任一第二物品对的特征匹配向量和该第二物品对的匹配关系；利用正样本集和负样本集训练支持向量机模型。
在本实施例的一些可选的实现方式中，特征匹配向量包括：目标物品与其中一个第一待匹配物品之间的雅可比相似度和目标物品的标题中的特征词与其中一个第一待匹配物品的标题中的特征词的匹配度；特征匹配向量确定单元602具体配置用于：获取目标物品的标题和多个第一待匹配物品的标题，对目标物品的标题和各第一待匹配物品的标题进行分词处理，生成目标物品的第一分词集合和各第一待匹配物品的第二分词集合；获取第一分词集合与各第二分词集合的交集和并集，确定交集与并集的比值为目标物品的标题和第一待匹配物品的标题之间的雅可比相似度；从第一分词集合和各第二分词集合中获取至少一种类型的特征词，并将从第一分词集合中所获取的特征词和从各第二分词集合中所获取的特征词进行匹配，生成各类型的特征词的匹配度。
在本实施例的一些可选的实现方式中，第三待匹配物品确定单元604进一步配置用于：获取各第二待匹配物品的第二分词集合，将所获取的第二分词集合中的各分词和第一分词集合中的各分词输入预先训练的词向量模型，得到各分词的分词向量；分别对所获取的各第二分词集合中分词的分词向量和第一分词集合中分词的分词向量求和，得到各第二待匹配物品的标题的句向量和目标物品的标题的句向量；计算目标物品的标题的句向量和任一第二待匹配物品的标题的句向量间的余弦相似度；若确定任一第二待匹配物品的标题的句向量与目标物品的标题的句向量间的余弦相似度大于预设阈值，则确定该第二待匹配物品为与目标物品匹配的第三待匹配物品。
在本实施例的一些可选的实现方式中，特征匹配度还包括目标物品的标题与其中一个第一待匹配物品的标题的句向量间的余弦相似度；特征匹配向量确定单元602进一步配置用于：将第一分词集合中的各分词和第二分词集合中的各分词输入预先训练的词向量模型，获取各分词的分词向量；分别对第一分词集合中的分词的分词向量和各第二分词集合中的分词的分词向量求和，得到目标物品的标题的句向量和各第一待匹配物品的标题的句向量；计算目标物品的标题的句向量和各第一待匹配物品的标题的句向量间的余弦相似度。
在本实施例的一些可选的实现方式中，词向量模型通过如下步骤训练得到：对于多个物品，将各物品的标题进行分词处理；生成各物品的标题的分词的分词向量，得到第一训练样本集；利用第一训练样本集训练词向量模型，其中，词向量模型用于将分词转化为分词向量。
下面参考图7，其示出了适于用来实现本申请实施例的终端设备/服务器的计算机系统700的结构示意图。图7示出的终端设备/服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、特征匹配向量确定单元、选取单元和第三待匹配物品确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“对于目标物品和多个第一待匹配物品，获取目标物品的特征信息和各第一待匹配物品的特征信息的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：对于目标物品和多个第一待匹配物品，获取目标物品的特征信息和各第一待匹配物品的特征信息；利用所获取的目标物品的特征信息和各第一待匹配物品的特征信息，确定目标物品和各第一待匹配物品之间的特征匹配向量；将各特征匹配向量输入预先训练的支持向量机模型以从多个第一待匹配物品中选取第二待匹配物品，其中，第二待匹配物品为各第一待匹配物品中与目标物品相关的物品，支持向量机模型用于从多个第一待匹配物品中过滤与目标物品无关的物品；从各第二待匹配物品中确定出与目标物品匹配的第三待匹配物品，其中，第三待匹配物品为各第二待匹配物品中标题的句向量与目标物品的标题的句向量间的相似度大于预设阈值的物品。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (14)

1.一种物品匹配的方法，包括：
对于目标物品和多个第一待匹配物品，获取所述目标物品的特征信息和各所述第一待匹配物品的特征信息；
利用所获取的目标物品的特征信息和各所述第一待匹配物品的特征信息，确定所述目标物品和各所述第一待匹配物品之间的特征匹配向量；
将各所述特征匹配向量输入预先训练的支持向量机模型以从所述多个第一待匹配物品中选取第二待匹配物品，其中，所述第二待匹配物品为各所述第一待匹配物品中与所述目标物品相关的物品，所述支持向量机模型用于从所述多个第一待匹配物品中过滤与所述目标物品无关的物品；
从各所述第二待匹配物品中确定出与所述目标物品匹配的第三待匹配物品，其中，所述第三待匹配物品为各所述第二待匹配物品中标题的句向量与所述目标物品的标题的句向量间的相似度大于预设阈值的物品。
2.根据权利要求1所述的方法，其中，所述支持向量机模型通过如下步骤训练得到：
获取多个第一物品对和多个第二物品对，其中，所述第一物品对中的两个物品的匹配关系为相关，第二物品对中的两个物品的匹配关系为无关；
确定各所述第一物品对的特征匹配向量和第一物品对的匹配关系为正样本集，其中，正样本包括任一第一物品对的特征匹配向量和该第一物品对的匹配关系；
确定各所述第二物品对的特征匹配向量和第二物品对的匹配关系为负样本集，其中，负样本包括任一第二物品对的特征匹配向量和该第二物品对的匹配关系；
利用所述正样本集和所述负样本集训练所述支持向量机模型。
3.根据权利要求1所述的方法，其中，所述特征匹配向量包括：目标物品与其中一个第一待匹配物品之间的雅可比相似度和目标物品的标题中的特征词与其中一个第一待匹配物品的标题中的特征词的匹配度；
所述利用所获取的目标物品的特征信息和各所述第一待匹配物品的特征信息，确定所述目标物品和各所述第一待匹配物品之间的特征匹配向量，包括：
获取所述目标物品的标题和所述多个第一待匹配物品的标题，对所述目标物品的标题和各第一待匹配物品的标题进行分词处理，生成所述目标物品的第一分词集合和各所述第一待匹配物品的第二分词集合；
获取所述第一分词集合与各所述第二分词集合的交集和并集，确定所述交集与所述并集的比值为所述目标物品的标题和所述第一待匹配物品的标题之间的雅可比相似度；
从所述第一分词集合和各所述第二分词集合中获取至少一种类型的特征词，并将从第一分词集合中所获取的特征词和从各第二分词集合中所获取的特征词进行匹配，生成各类型的特征词的匹配度。
4.根据权利要求3所述的方法，其中，从各所述第二待匹配物品中确定出与所述目标物品匹配的第三待匹配物品，包括：
获取各所述第二待匹配物品的第二分词集合，将所获取的第二分词集合中的各分词和所述第一分词集合中的各分词输入预先训练的词向量模型，得到各分词的分词向量；
分别对所获取的各所述第二分词集合中分词的分词向量和第一分词集合中分词的分词向量求和，得到各所述第二待匹配物品的标题的句向量和所述目标物品的标题的句向量；
计算所述目标物品的标题的句向量和任一所述第二待匹配物品的标题的句向量间的余弦相似度；
若确定任一所述第二待匹配物品的标题的句向量与所述目标物品的标题的句向量间的余弦相似度大于预设阈值，则确定该第二待匹配物品为与所述目标物品匹配的所述第三待匹配物品。
5.根据权利要求3所述的方法，其中，所述特征匹配向量还包括目标物品的标题与其中一个第一待匹配物品的标题的句向量间的余弦相似度；
所述利用所获取的目标物品的特征信息和各所述第一待匹配物品的特征信息，确定所述目标物品和各所述第一待匹配物品之间的特征匹配向量，还包括：
将所述第一分词集合中的各分词和第二分词集合中的各分词输入预先训练的词向量模型，获取各分词的分词向量；
分别对第一分词集合中的分词的分词向量和各所述第二分词集合中的分词的分词向量求和，得到所述目标物品的标题的句向量和各所述第一待匹配物品的标题的句向量；
计算所述目标物品的标题的句向量和各所述第一待匹配物品的标题的句向量间的余弦相似度。
6.根据权利要求4或5所述的方法，其中，所述词向量模型通过如下步骤训练得到：
对于多个物品，将各所述物品的标题进行分词处理；
生成各所述物品的标题的分词的分词向量，得到第一训练样本集；
利用所述第一训练样本集训练所述词向量模型，其中，所述词向量模型用于将分词转化为分词向量。
7.一种物品匹配的装置，包括：
获取单元，配置用于对于目标物品和多个第一待匹配物品，获取所述目标物品的特征信息和各所述第一待匹配物品的特征信息；
特征匹配向量确定单元，配置用于利用所获取的目标物品的特征信息和各所述第一待匹配物品的特征信息，确定所述目标物品和各所述第一待匹配物品之间的特征匹配向量；
选取单元，配置用于将各所述特征匹配向量输入预先训练的支持向量机模型以从所述多个第一待匹配物品中选取第二待匹配物品，其中，所述第二待匹配物品为各所述第一待匹配物品中与所述目标物品相关的物品，所述支持向量机模型用于从所述多个第一待匹配物品中过滤与所述目标物品无关的物品；
第三待匹配物品确定单元，配置用于从各所述第二待匹配物品中确定出与所述目标物品匹配的第三待匹配物品，其中，所述第三待匹配物品为各所述第二待匹配物品中标题的句向量与所述目标物品的标题的句向量间的相似度大于预设阈值的物品。
8.根据权利要求7所述的装置，其中，所述支持向量机模型通过如下步骤训练得到：
获取多个第一物品对和多个第二物品对，其中，所述第一物品对中的两个物品的匹配关系为相关，第二物品对中的两个物品的匹配关系为无关；
确定各所述第一物品对的特征匹配向量和第一物品对的匹配关系为正样本集，其中，正样本包括任一第一物品对的特征匹配向量和该第一物品对的匹配关系；
确定各所述第二物品对的特征匹配向量和第二物品对的匹配关系为负样本集，其中，负样本包括任一第二物品对的特征匹配向量和该第二物品对的匹配关系；
利用所述正样本集和所述负样本集训练所述支持向量机模型。
9.根据权利要求7所述的装置，其中，所述特征匹配向量包括：目标物品与其中一个第一待匹配物品之间的雅可比相似度和目标物品的标题中的特征词与其中一个第一待匹配物品的标题中的特征词的匹配度；
所述特征匹配向量确定单元具体配置用于：
获取所述目标物品的标题和所述多个第一待匹配物品的标题，对所述目标物品的标题和各第一待匹配物品的标题进行分词处理，生成所述目标物品的第一分词集合和各所述第一待匹配物品的第二分词集合；
获取所述第一分词集合与各所述第二分词集合的交集和并集，确定所述交集与所述并集的比值为所述目标物品的标题和所述第一待匹配物品的标题之间的雅可比相似度；
从所述第一分词集合和各所述第二分词集合中获取至少一种类型的特征词，并将从第一分词集合中所获取的特征词和从各第二分词集合中所获取的特征词进行匹配，生成各类型的特征词的匹配度。
10.根据权利要求9所述的装置，其中，所述第三待匹配物品确定单元进一步配置用于：
获取各所述第二待匹配物品的第二分词集合，将所获取的第二分词集合中的各分词和所述第一分词集合中的各分词输入预先训练的词向量模型，得到各分词的分词向量；
分别对所获取的各所述第二分词集合中分词的分词向量和第一分词集合中分词的分词向量求和，得到各所述第二待匹配物品的标题的句向量和所述目标物品的标题的句向量；
计算所述目标物品的标题的句向量和任一所述第二待匹配物品的标题的句向量间的余弦相似度；
若确定任一所述第二待匹配物品的标题的句向量与所述目标物品的标题的句向量间的余弦相似度大于预设阈值，则确定该第二待匹配物品为与所述目标物品匹配的所述第三待匹配物品。
11.根据权利要求9所述的装置，其中，所述特征匹配向量还包括目标物品的标题与其中一个第一待匹配物品的标题的句向量间的余弦相似度；
所述特征匹配向量确定单元进一步配置用于：
将所述第一分词集合中的各分词和第二分词集合中的各分词输入预先训练的词向量模型，获取各分词的分词向量；
分别对第一分词集合中的分词的分词向量和各所述第二分词集合中的分词的分词向量求和，得到所述目标物品的标题的句向量和各所述第一待匹配物品的标题的句向量；
计算所述目标物品的标题的句向量和各所述第一待匹配物品的标题的句向量间的余弦相似度。
12.根据权利要求10或11所述的装置，其中，所述词向量模型通过如下步骤训练得到：
对于多个物品，将各所述物品的标题进行分词处理；
生成各所述物品的标题的分词的分词向量，得到第一训练样本集；
利用所述第一训练样本集训练所述词向量模型，其中，所述词向量模型用于将分词转化为分词向量。
13.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
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，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
CN201810076738.4A 2018-01-26 2018-01-26 物品匹配的方法和装置 Active CN110084658B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810076738.4A CN110084658B (zh) 2018-01-26 2018-01-26 物品匹配的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810076738.4A CN110084658B (zh) 2018-01-26 2018-01-26 物品匹配的方法和装置

Publications (2)

Publication Number Publication Date
CN110084658A CN110084658A (zh) 2019-08-02
CN110084658B true CN110084658B (zh) 2024-01-16

Family

ID=67412251

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810076738.4A Active CN110084658B (zh) 2018-01-26 2018-01-26 物品匹配的方法和装置

Country Status (1)

Country Link
CN (1) CN110084658B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113763061A (zh) * 2020-06-03 2021-12-07 北京沃东天骏信息技术有限公司 相似物品聚合的方法和装置
CN113763082A (zh) * 2020-09-04 2021-12-07 北京沃东天骏信息技术有限公司 一种信息推送方法和装置
CN112256979B (zh) * 2020-12-24 2021-06-04 上海二三四五网络科技有限公司 一种近似物品推荐的控制方法及装置
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
CN113763114A (zh) * 2021-03-04 2021-12-07 北京沃东天骏信息技术有限公司 物品信息搭配方法、装置及存储介质
CN114510559B (zh) * 2022-01-27 2023-08-29 福建博思软件股份有限公司 一种基于深度学习语义蕴含的商品检索方法及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104951478A (zh) * 2014-03-31 2015-09-30 富士通株式会社 信息处理方法和信息处理装置
CN105205081A (zh) * 2014-06-27 2015-12-30 华为技术有限公司 物品推荐方法和装置
CN105765574A (zh) * 2013-10-29 2016-07-13 皮卡佰公司 用于物品和物品集合匹配的系统和方法
WO2017107566A1 (zh) * 2015-12-25 2017-06-29 广州视源电子科技股份有限公司 基于词向量相似度的检索方法和系统
CN107329949A (zh) * 2017-05-24 2017-11-07 北京捷通华声科技股份有限公司 一种语义匹配方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105765574A (zh) * 2013-10-29 2016-07-13 皮卡佰公司 用于物品和物品集合匹配的系统和方法
CN104951478A (zh) * 2014-03-31 2015-09-30 富士通株式会社 信息处理方法和信息处理装置
CN105205081A (zh) * 2014-06-27 2015-12-30 华为技术有限公司 物品推荐方法和装置
WO2017107566A1 (zh) * 2015-12-25 2017-06-29 广州视源电子科技股份有限公司 基于词向量相似度的检索方法和系统
CN107329949A (zh) * 2017-05-24 2017-11-07 北京捷通华声科技股份有限公司 一种语义匹配方法和系统

Also Published As

Publication number Publication date
CN110084658A (zh) 2019-08-02

Similar Documents

Publication Publication Date Title
CN110084658B (zh) 物品匹配的方法和装置
CN107729937B (zh) 用于确定用户兴趣标签的方法及装置
CN107679217B (zh) 基于数据挖掘的关联内容提取方法和装置
CN107797982B (zh) 用于识别文本类型的方法、装置和设备
CN107944481B (zh) 用于生成信息的方法和装置
WO2020088058A1 (zh) 生成信息的方法和装置
CN107644036B (zh) 一种数据对象推送的方法、装置及系统
CN110363604B (zh) 页面生成方法和装置
CN108335177A (zh) 购物推荐方法、用户端、服务端、设备和存储介质
CN107832338B (zh) 一种识别核心产品词的方法和系统
US20240095490A1 (en) Aspect Pre-selection using Machine Learning
CN106354856B (zh) 基于人工智能的深度神经网络强化搜索方法和装置
CN108932625B (zh) 用户行为数据的分析方法、装置、介质和电子设备
CN110111167A (zh) 一种确定推荐对象的方法和装置
CN111695960A (zh) 一种对象推荐系统、方法、电子设备及存储介质
CN103309869A (zh) 数据对象的展示关键词推荐方法及系统
CN110766486A (zh) 确定物品类目的方法和装置
CN111967924A (zh) 商品推荐方法、商品推荐装置、计算机设备和介质
CN110059172B (zh) 基于自然语言理解的推荐答案的方法和装置
CN106600360B (zh) 推荐对象的排序方法及装置
CN108959289B (zh) 网站类别获取方法和装置
CN112446214A (zh) 广告关键词的生成方法、装置、设备及存储介质
CN111782933A (zh) 用于推荐书单的方法和装置
CN113495991A (zh) 一种推荐方法和装置
CN111787042A (zh) 用于推送信息的方法和装置

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