CN110827099B - 一种家居商品推荐方法、客户端及服务器 - Google Patents

Abstract

本申请实施方式公开了一种家居商品推荐方法、客户端及服务器，其中，所述方法提供有与家居相关联的图像样本库，所述图像样本库中包括场景图像样本和场景图像样本关联的商品图像样本，商品图像样本表征的家居商品位于场景图像样本表征的场景中，其中，场景图像样本具备场景标签，方法包括：接收客户端发来的室内的拍摄图像，并基于预先训练的神经网络，从拍摄图像中识别出拍摄图像的场景标签；根据识别出的拍摄图像的场景标签，从图像样本库中确定与拍摄图像相匹配的目标场景图像样本；将目标场景图像样本关联的商品图像样本表征的家居商品反馈给客户端。本申请提供的技术方案，能够在降低家居购物成本的同时，提高用户的家居购物体验。

Description

一种家居商品推荐方法、客户端及服务器

技术领域

本申请涉及互联网技术领域，特别涉及一种家居商品推荐方法、客户端及服务器。

背景技术

随着互联网技术的不断发展，越来越多的人们选择在网上购物。针对一些传统行业，例如家具家装行业等，在网上选购家居商品的时候，用户往往需要判断挑选的家居商品是否与自己家里的真实家居环境搭配合理。

目前，为了挑选到与真实家居环境搭配合理的家居商品，用户往往需要预约设计师上门，以便设计师根据用户家里的真实家居环境，并提供一些家居商品搭配建议或家具定制的建议，这样，用户便可以根据设计师给出的建议，在网上选购与真实家居环境搭配合理的家居商品。然而，这种家居商品的购物方式需要通过线下人工服务才能在网上选购合适的家居商品，选购过程比较繁琐，并且成本较高，从而降低了用户的家居购物体验。

发明内容

本申请实施方式的目的是提供一种家居商品推荐方法、客户端及服务器，能够在降低家居购物成本的同时，提高用户的家居购物体验。

为实现上述目的，本申请实施方式提供一种家居商品推荐方法，提供有与家居相关联的图像样本库，所述图像样本库中包括场景图像样本和所述场景图像样本关联的商品图像样本，所述商品图像样本表征的家居商品位于所述场景图像样本表征的场景中，其中，所述场景图像样本具备场景标签，所述方法包括：接收客户端发来的室内的拍摄图像，并基于预先训练的神经网络，从所述拍摄图像中识别出所述拍摄图像的场景标签；根据识别出的所述拍摄图像的场景标签，从所述图像样本库中确定与所述拍摄图像相匹配的目标场景图像样本；将所述目标场景图像样本关联的商品图像样本表征的家居商品反馈给所述客户端。

为实现上述目的，本申请实施方式还提供一种服务器，所述装置包括存储器和处理器，所述存储器中存储计算机程序和与家居相关联的图像样本库，所述图像样本库中包括场景图像样本和所述场景图像样本关联的商品图像样本，所述商品图像样本表征的家居商品位于所述场景图像样本表征的场景中，其中，所述场景图像样本具备场景标签，所述计算机程序被所述处理器执行时，实现以下步骤：接收客户端发来的室内的拍摄图像，并基于预先训练的神经网络，从所述拍摄图像中识别出所述拍摄图像的场景标签；根据识别出的所述拍摄图像的场景标签，从所述图像样本库中确定与所述拍摄图像相匹配的目标场景图像样本；将所述目标场景图像样本关联的商品图像样本表征的家居商品反馈给所述客户端。

为实现上述目的，本申请实施方式还提供一种家居商品推荐方法，提供有与家居相关联的图像样本库，所述图像样本库中包括场景图像样本和所述场景图像样本关联的商品图像样本，所述商品图像样本表征的家居商品位于所述场景图像样本表征的场景中，其中，所述场景图像样本具备场景标签，所述方法包括：获取室内的拍摄图像，并基于预先训练的神经网络，从所述拍摄图像中识别出所述拍摄图像的场景标签；根据识别出的所述拍摄图像的场景标签，从所述图像样本库中确定与所述拍摄图像相匹配的目标场景图像样本；展示所述目标场景图像样本关联的商品图像样本表征的家居商品。

为实现上述目的，本申请实施方式还提供一种客户端，所述计算机存储介质中存储计算机程序和与家居相关联的图像样本库，所述图像样本库中包括场景图像样本和所述场景图像样本关联的商品图像样本，所述商品图像样本表征的家居商品位于所述场景图像样本表征的场景中，其中，所述场景图像样本具备场景标签，所述计算机程序被处理器执行时，实现以下步骤：获取室内的拍摄图像，并基于预先训练的神经网络，从所述拍摄图像中识别出所述拍摄图像的场景标签；根据识别出的所述拍摄图像的场景标签，从所述图像样本库中确定与所述拍摄图像相匹配的目标场景图像样本；展示所述目标场景图像样本关联的商品图像样本表征的家居商品。

由上可见，在本申请中，可以通过对室内设计师设计的大量的室内家居的场景图像样本进行收集并整理，从而归纳出与家居相关联的图像样本库。在该图像样本库中，可以包括各个场景图像样本所述场景图像样本关联的商品图像样本，所述商品图像样本表征的家居商品位于所述场景图像样本表征的场景中。由于室内设计师在设计过程中，这些场景图像样本会自带场景标签，例如，场景标签可以是例如客厅或卧室等场景类目，也可以是日式或欧式等场景风格。这样，在该图像样本库中，所述场景图像样本可以具备各种场景标签。那么，在接收到客户端发来室内的拍摄图像之后，首先，可以基于预先训练的神经网络，从所述拍摄图像中识别出所述拍摄图像的场景标签。接着，可以根据识别出的所述拍摄图像的场景标签，从该图像样本库中确定与所述拍摄图像相匹配的目标场景图像样本。最后，可以将所述目标场景图像样本关联的商品图像样本表征的家居商品反馈给所述客户端。由上可知，本申请提供的技术方案，无需通过线下人工服务便可以在网上轻松选购合适的家居商品，选购过程比较简单，能够在降低家居购物成本的同时，提高用户的家居购物体验。

附图说明

为了更清楚地说明本申请实施方式或现有技术中的技术方案，下面将对实施方式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申请中记载的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施方式中一种家居商品推荐方法的流程图；

图2为本申请实施方式中家居商品推荐方法的一种应用场景的示意图；

图3为本申请实施方式中服务器的结构示意图；

图4为本申请实施方式中另一种家居商品推荐方法的流程图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本申请一部分实施方式，而不是全部的实施方式。基于本申请中的实施方式，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方式，都应当属于本申请保护的范围。

本申请提供一种家居商品推荐方法，所述方法可以应用于客户端和服务器的系统架构中。所述客户端可以是具有拍摄功能的电子设备。具体地，所述客户端例如可以是平板电脑、笔记本电脑、智能手机、智能可穿戴设备等。或者，所述客户端也可以为能够运行于上述电子设备中的软件。所述的客户端可以具有通信模块，可以与远程的服务器进行通信连接，实现与所述服务器的数据传输。所述服务器可以是存储图像样本的设备。具体地，所述服务器可以为一个具有数据运算、存储功能以及网络交互功能的电子设备；也可以为运行于该电子设备中，为数据处理、存储和网络交互提供支持的软件。在本实施方式中并不具体限定所述服务器的数量。所述服务器可以为一个服务器，还可以为几个服务器，或者，若干服务器形成的服务器集群。一些应用场景中，客户端一侧可以将现场拍摄采集的室内家居图像数据实时发送给服务器，由服务器一侧进行家居商品的推荐，推荐结果可以反馈给客户端。服务器一侧的处理的实施方案，家居商品推荐等处理由服务器一侧执行，处理速度通常高于客户端一侧，可以减少客户端处理压力，提高商品推荐速度。当然，本说明书不排除其他的实施例中上述全部或部分处理由客户端一侧实现，如客户端一侧进行实时商品推荐。

本申请实施方式提供一种家居商品推荐方法，所述家居商品推荐方法可以应用于上述的服务器中。所述方法可以提供有与家居相关联的图像样本库，所述图像样本库中包括场景图像样本和表征所述场景图像样本中的家居商品的商品图像样本，以及所述场景图像样本关联的场景标签和所述商品图像样本关联的商品标签。

在本实施方式中，所述服务器可以针对室内设计师设计的大量的室内家居的场景图像样本，归纳出与家居相关联的图像样本库。其中，所述图像样本库可以是存储图像样本的数据集。所述图像样本库可以采用MySQL、Oracle、DB2、Sybase等数据库格式中的任意一种。所述图像样本库可以部署在服务器中的存储介质上。在所述场景图像样本表征的场景中可以包括多种家居商品，在室内设计过程中，这些家居商品通常可以通过与所述场景图像样本关联的商品图像样本来表征。这样，所述图像样本库中可以包括各种场景图像样本和所述场景图像样本关联的商品图像样本。其中，所述场景图像样本可以是室内设计师设计的室内的三维家居场景图像，也可以是在不同的视角下对这些三维家居场景图像进行投影变换后得到的二维家居场景图像，不仅如此，所述场景图像样本还可以是其他优秀的室内设计照片。所述商品图像样本可以是二维家居商品图像。所述商品图像样本表征的家居商品可以包括单一商品或组合商品。所述组合商品例如可以是书桌与台灯的组合商品、沙发与茶几的组合商品等。

在本实施方式中，由于在室内设计过程中，所述场景图像样本和所述场景图像样本关联的商品图像样本可以分别自带场景标签和商品标签。这样，在该图像样本库中，所述场景图像样本可以具备各种场景标签，所述商品图像样本可以具备各种商品标签。其中，所述场景图像样本的场景标签可以按照不同的场景标签类型进行划分。例如，所述场景标签类型可以是场景类目、场景风格、场景色彩或场景材质等等。其中，所述场景类目对应的场景标签可以是客厅、餐厅或卧室等，所述场景风格对应的场景标签可以是日式、美式或欧式等，所述场景色彩对应的场景标签可以是红色、蓝色或白色等，所述场景材质对应的场景标签可以是原木或玻璃等。同样地，所述商品图像样本的商品标签可以按照不同的商品标签类型进行划分。例如，所述商品标签类型可以是商品类目、商品色彩、商品形状、商品位置或商品搭配等等。其中，所述商品类目对应的商品标签可以是沙发、床、电视柜、衣柜或餐桌等，所述商品色彩对应的商品标签可以是黄色、白色、灰色或黑色等，所述商品形状对应的商品标签可以是方形或圆形等，所述商品位置对应的商品标签可以中间或边缘等，所述商品搭配对应的商品标签可以是沙发配茶几、床配床头柜或餐桌配餐边柜等。

请参阅图1，本申请提供的家居商品推荐方法，可以包括以下步骤。

S11：接收客户端发来室内的拍摄图像，并基于预先训练的神经网络，从所述拍摄图像中识别出所述拍摄图像的场景标签。

在本实施方式中，所述服务器可以通过与所述客户端建立的远程连接，实时接收到所述客户端发来图像数据。例如，用户可以在室内打开所述客户端上的某家居商品推荐应用，并在该家居商品推荐应用上启动所述客户端上的摄像头，并对室内的家居场景进行取景拍摄，以通过所述客户端将拍摄的场景图像实时发送给所述服务器。

在一个实施方式中，在接收到所述拍摄图像之前，所述服务器可以预先构建神经网络，例如深度神经网络，利用预先收集的场景图像样本进行训练，这些场景图像样本可以预先人工分别进行场景标签和所关联的商品图像的商品标签的打标，也可以在室内设计过程中分别自带的场景标签和所关联的商品图像的商品标签。通过深度神经网络的样本训练，可以得到包括场景图像的场景标签和场景图像关联的商品图像的商品标签的识别模型。所述的深度神经网络可以包括多种网络模型，优选的实施方案中可以使用卷积神经网络(Convolutional Neural Network，CNN)进行训练。一般的，卷积神经网络具有较为强大的图片分类预测能力，本说明书的一些实施例中可以根据实施场景和设计需求设计网络模型结构，如隐藏层的层数，或者再结合池化层、全连接层等构建训练模型。在本实施方式中，所述深度神经网络，可以采用离线预先构建的方式生成，可以预先选取场景图像样本进行训练，训练完成后再在线上使用。本说明书不排除所述深度神经网络可以采用在线构建或更新/维护的方式，在计算机能力足够的情况下，所述服务器可以在线构建出深度神经网络，构建出深度神经网络可以即时在线使用，对拍摄图像的场景标签和拍摄图像关联的商品图像的商品标签进行识别处理。

在本实施方式中，在接收到所述拍摄图像之后，所述服务器可以基于预先训练的神经网络，例如上述预先训练的深度神经网络，识别出所述拍摄图像的各种场景标签以及所述拍摄图像关联的商品图像的商品标签。

S13：根据识别出的所述拍摄图像的场景标签，从所述图像样本库中确定与所述拍摄图像相匹配的目标场景图像样本。

在本实施方式中，在确定所述拍摄图像的场景标签之后，所述服务器可以根据识别出的所述拍摄图像的场景标签，从所述图像样本库中确定与所述拍摄图像相匹配的目标场景图像样本，以便后续参照所确定的目标场景图像样本，推荐与所述拍摄图像相匹配的家居商品。具体地，在确定与所述拍摄图像相匹配的目标场景图像样本时，由于场景图像样本通常具备多种场景标签类型的场景标签，所述服务器可以预先设定这些场景标签类型的初始权重值。这样，在确定所述拍摄图像的场景标签之后，首先，在所述图像样本库中，所述服务器可以计算属于目标场景标签类型的所述场景图像样本的场景标签与所述拍摄图像的场景标签之间的场景标签相似度。其中，所述目标场景标签类型可以是指所述场景图像样本的多种场景标签类型中的一种场景标签类型。那么，针对不同场景标签类型，所述服务器可以分别计算得到各个场景标签类型对应的场景标签相似度。然后，可以根据计算的所述目标场景标签类型对应的场景标签相似度，以及所述目标场景标签类型的初始权重值，确定所述场景图像样本与所述拍摄图像之间的场景相似度。例如，可以将各个场景标签类型的场景标签相似度与初始权重值的乘积之和，作为所述场景图像样本与所述拍摄图像之间的场景相似度。针对所述图像样本库中的各个场景图像样本，可以确定所述拍摄图像分别与各个所述场景图像样本之间的场景标签相似度。最后，可以根据所述场景相似度，确定所述目标场景图像样本。例如，针对所述图像样本库中的各个场景图像样本，可以将最大场景相似度对应的场景图像样本作为所述目标场景图像样本。

在本实施方式中，在计算属于目标场景标签类型的各个场景图像样本的场景标签别与所述拍摄图像的场景标签之间的场景标签相似度时，可以通过词向量(wordvector)的方式来分别表示各个场景图像样本的场景标签和所述拍摄图像关联的场景标签。这样，可以通过两个词向量之间的空间距离来表示这两者之间的场景标签相似度。两个词向量之间的空间距离越近，表明两者之间的场景标签相似度越高；相反地，两个词向量之间的空间距离越远，表明两者之间的场景标签相似度越低。这样，在实际应用场景中，可以将两个词向量之间的空间距离的倒数，作为场景图像样本的场景标签和所述拍摄图像的场景标签之间的场景标签相似度。将依次计算所述拍摄图像的场景标签与各个场景图像样本的场景标签之间的场景标签相似度之后，可以将计算得到的最高场景标签相似度对应的场景图像样本作为与所述拍摄图像相匹配的目标场景图像样本。

在一个实施方式中，为了向用户推荐更加符合用户需求的目标场景图像样本，所述服务器还可以将场景相似度大于指定场景相似度阈值的场景图像样本作为所述目标场景图像样本，并将这些目标场景图像样本反馈给所述客户端，以便所述客户端按照所述场景相似度的顺序展示这些目标场景图像样本。那么，用户便可以在展示的这些目标场景图像样本中选择自己需要的场景图像样本。在用户选定场景图像样本之后，所述客户端可以捕捉从展示的这些目标场景图像样本中被选定的场景图像样本，并将所述被选定的场景图像样本发送至所述服务器。在接收到所述被选定的场景图像样本之后，所述服务器可以将所述被选定的场景图像样本作为新的目标场景图像样本。在一个实施方式中，在确定所述目标场景图像样本之后，所述服务器可以根据所述被选定的场景图像样本，调整所述场景标签类型的初始权重值，以便下一次向用户推荐场景图像样本将会更加符合用户的需求。具体地，可以分别将所述被选定的场景图像样本的各个场景标签类型对应的场景标签相似度与初始权重值的乘积，作为所述被选定的场景图像样本的各个场景标签类型对应的推荐值。接着可以根据所述被选定的场景图像样本的场景标签类型对应的推荐值，对所述场景标签类型的初始权重值进行校正，以使得对应的推荐值越高的场景标签类型对应的校正后的初始权重值越大。例如，所述服务器从所述图像样本库中获得了10种目标场景图像样本，这些目标场景图像样本的场景标签类型分别为场景类目、场景风格、场景色彩和场景材质，分别对应的初始权重为0.6、0.2、0.1和0.1。可以将这些目标场景图像样本按照所述场景相似度由大到小的顺序展示在所述客户端上，由于场景类目的初始权重较高，通常情况下会将场景类目对应的场景标签相似度较大的目标场景图像样本排在前面，然而，如果用户选定排在后面目标场景图像样本，例如，排在第6位的目标场景图像样本，这时，若该目标场景图像样本的场景风格对应的推荐值，比场景类目对应的推荐值更大，那么表明用户比较关注场景风格，而对场景类目不太关注，这样，便可以将场景风格的初始权重值增大，并将场景类目的初始权重值增大。这样，便可以下一次向用户推荐场景图像样本将会更加符合用户的需求，从而可以增加对与所述拍摄图像相匹配的场景图像样本的预测的准确度。

S15：将所述目标场景图像样本关联的商品图像样本表征的家居商品反馈给所述客户端。

在本实施方式中，在确定与所述拍摄图像相匹配的目标场景图像样本之后，所述服务器可以直接将所述目标场景图像样本关联的商品图像样本表征的家居商品反馈给所述客户端，以便通过所述客户端向需要置换室内部分家居商品或全部家居商品的用户推荐与所述拍摄图像相匹配的家居商品。

在一个实施方式中，针对一些需要在室内添置部分家居商品的用户，在确定与所述拍摄图像相匹配的目标场景图像样本之后，还可以向该用户推荐一些与目标场景图像样本相适配，但与所述目标场景图像样本关联的商品图像样本表征的家居商品不完全相同的家居商品，以便参照所述目标场景图像，向该用户推荐与用户拍摄图像相匹配的可添置的家居商品。具体地，在确定与所述拍摄图像相匹配的目标场景图像样本之后，可以从所述图像样本库中确定与所述目标场景图像样本之间的场景相似度大于所述指定场景相似度的第一场景图像样本。接着可以从所述第一场景图像样本关联的第一商品图像样本中确定与所述目标场景图像样本相适配的目标商品图像样本，并可以将所述目标商品图像样本表征的家居商品反馈给所述客户端。其中，所述目标商品图像样本的商品标签中至少包括与所述目标场景图像样本关联的商品图像样本的商品标签不同的商品标签。例如，针对从所述图像样本库中确定的6个与所述目标场景图像样本之间的场景相似度大于所述指定场景相似度的场景图像样本，在这些场景图像样本关联的商品图像样本表征的家居商品中，可以包括一些与所述目标场景图像表征的场景中的家居商品不完全相同的家居商品，例如，所述目标场景图像的场景类目为客厅，虽然所述目标场景图像样本的表征的场景中包括放置在地板上电视柜，在这些场景图像样本关联的商品图像样本表征的家居商品中，可以包括例如挂在电视机周围的相搭配的柜子，或者沙发边上的小鞋柜等与放置在地板上电视柜不完全相同的家居商品，以便参照所述目标场景图像，向用户推荐这些不一样但又比较搭配的家居商品。

在本实施方式中，在从所述第一场景图像样本关联的第一商品图像样本中确定与所述目标场景图像样本相适配的目标商品图像样本时，由于所述第一商品图像样本通常具备多种商品标签类型的商品标签，所述服务器可以预先设定这些商品标签类型的初始权重值。这样，在确定所述第一场景图像样本之后，首先可以在所述第一场景图像样本关联的第一商品图像样本中，可以计算属于目标商品标签类型的所述第一商品图像样本的商品标签与所述目标场景图像样本关联的商品图像样本的商品标签之间的商品标签适配度。其中，所述目标商品标签类型可以是指所述第一商品图像样本的多种商品标签类型中的一种商品标签类型。那么，针对不同商品标签类型，可以分别计算得到各个商品标签类型对应的商品标签适配度。然后，可以根据计算的所述目标商品标签类型对应的商品标签适配度，以及所述目标商品标签类型的初始权重值，确定所述第一商品图像样本与所述目标场景图像样本之间的商品适配度。例如，可以将各个商品标签类型的商品标签相似度与初始权重值的乘积之和，作为所述第一商品图像样本与所述目标场景图像样本之间的商品适配度。最后，便可以根据所述商品适配度，确定所述目标商品图像样本。例如，针对所述第一商品图像样本集中的各个商品图像样本，可以将最大商品适配度对应的第一商品图像样本作为与所述目标场景图像样本相适配的目标商品图像样本。从而可以将所述目标商品图像样本表征的家居商品作为与所述拍摄图像相适配的家居商品，并可以向所述客户端反馈所述目标商品图像样本，以推荐给用户。

在本实施方式中，在计算属于目标商品标签类型的所述第一商品图像样本关联的商品标签与所述目标场景图像样本关联的商品图像样本的商品标签之间的商品标签适配度时，可以根据不同商品标签类型，采用不同计算方式来计算。具体地，当所述商品标签类型为商品类目或商品位置时，确定所述商品标签适配度，具体可以包括，当所述第一商品图像样本的商品标签与所述目标场景图像样本关联的商品标签相同时，所述商品标签适配度可以为第一指定值。当所述第一商品图像样本的商品标签与所述目标场景图像样本关联的商品标签不同时，所述商品标签适配度为第二指定值。其中，所述第二指定值大于所述第一指定值，所述第一指定值与所述第二指定值之和为1。例如，所述第一指定值可以为0，所述第二指定值可以为1。当所述商品标签类型为商品色彩、商品形状或商品搭配时，确定所述商品标签适配度，具体可以包括，可以先计算所述第一商品图像样本的商品标签与所述目标场景图像样本关联的商品标签之间的商品标签相似度。例如，可以通过词向量(wordvector)的方式来分别表示各个第一商品图像样本的商品标签和所述目标场景图像样本关联的商品图像样本的商品标签。这样，可以通过两个词向量之间的空间距离来表示这两者之间的商品标签相似度。两个词向量之间的空间距离越近，表明两者之间的商品标签相似度越高；相反地，两个词向量之间的空间距离越远，表明两者之间的商品标签相似度越低。这样，在实际应用场景中，可以将两个词向量之间的空间距离的倒数，作为第一商品图像样本的商品标签和所述目标场景图像样本关联的商品图像样本的商品标签之间的商品标签相似度。可以将依次计算所述目标场景图像样本关联的商品图像样本的商品标签与各个第一商品图像样本的商品标签之间的商品标签相似度之后，可以将所述商品标签相似度作为所述商品标签适配度。

在一个实施方式中，为了向用户推荐更加符合用户需求的目标商品图像样本，所述服务器还可以将商品适配度大于指定商品适配度阈值的第一商品图像样本作为所述目标商品图像样本，并将这些目标商品图像样本反馈给所述客户端，以便所述客户端按照所述商品适配度的顺序展示这些目标商品图像样本。那么，用户便可以在展示的这些目标商品图像样本中选择自己需要的商品图像样本。在用户选定商品图像样本之后，所述客户端可以捕捉从展示的所述目标商品图像样本中被选定的商品图像样本，并将所述被选定的商品图像样本发送至所述服务器。在接收到所述被选定的商品图像样本之后，所述服务器可以将所述被选定的商品图像样本作为新的目标商品图像样本。在一个实施方式中，在确定所述目标商品图像样本之后，所述服务器可以根据所述被选定的商品图像样本，调整所述商品标签类型的初始权重值，以便下一次向用户推荐商品图像样本将会更加符合用户的需求。具体地，可以分别将所述被选定的商品图像样本的各个商品标签类型对应的商品标签相似度与初始权重值的乘积，作为所述被选定的商品图像样本的各个商品标签类型对应的推荐值。接着可以根据所述被选定的商品图像样本的商品标签类型对应的推荐值，对所述商品标签类型的初始权重值进行校正，以使得对应的推荐值越高的商品标签类型对应的校正后的初始权重值越大。例如，所述服务器从所述图像样本库中获得了20种目标商品图像样本，这些目标商品图像样本关联的商品标签类型分别为商品类目、商品搭配、商品位置、商品色彩和商品形状，分别对应的初始权重为0.5、0.2、0.1、0.1和0.1。可以将这些目标商品图像样本按照所述商品适配度由大到小的顺序展示在所述客户端上，由于商品类目的初始权重较高，通常情况下会将商品类目对应的商品标签适配度较大的目标商品图像样本排在前面，然而，如果用户选定排在后面目标商品图像样本，例如，排在第10位的目标商品图像样本，这时，若该目标商品图像样本的商品搭配对应的推荐值，比商品类目对应的推荐值更大，那么表明用户比较关注商品搭配，而对商品类目不太关注，这样，便可以将商品搭配的初始权重值增大，并将商品类目的初始权重值增大。这样，便可以下一次向用户推荐商品图像样本将会更加符合用户的需求，从而可以增加对与所述拍摄图像相匹配的商品图像样本的预测的准确度。

在一个具体实施场景中，所述客户端可以是智能手机。用户感觉自己家里室内家居装饰比较陈旧，希望重新装饰。这时，如图2所示，用户可以打开该智能手机上的某家居商品推荐应用，并在该家居商品推荐应用上启动该智能手机上的摄像头，并对室内的家居场景进行取景拍摄，以通过该智能手机将拍摄的场景图像实时发送给所述服务器。在接收到该智能手机发来的室内的拍摄图像之后，所述服务器可以基于预先训练的神经网络，从所述拍摄图像中识别出所述拍摄图像的场景标签。接着，可以根据识别出的所述拍摄图像的场景标签，从所述图像样本库中确定与所述拍摄图像相匹配的多个目标场景图像样本。此时，所述服务器可以将这些目标场景图像样本反馈至该智能手机，以在该智能手机上按照与拍摄图像之间的场景相似度的顺序展示这些目标场景图像样本，这样，用户可以根据自己的需求，在该智能手机的展示界面上选定一个目标场景图像样本。这时，该智能手机可以捕捉并展示用户选定的场景图像样本，并向所述服务器反馈用户选定的场景图像样本。在接收到用户选定的场景图像样本之后，所述服务器可以将用户选定的场景图像样本作为新的目标场景图像样本，并可以从所述图像样本库中确定与所述新的目标场景图像样本相适配的多种目标商品图像样本，并向所述客户端反馈这些目标商品图像样本，以在该智能手机上按照与新的目标场景图像之间的商品适配度的顺序展示这些目标商品图像样本，这样，用户仍可以根据自己的需求，在该智能手机的展示界面上选定一个或多个目标商品图像样本，并可以在该智能手机的展示界面上将选定的目标商品图像放置在之前选定的场景图像样本的合适位置。这时，该智能手机可以捕捉并展示用户选定的商品图像样本，并向所述服务器反馈用户选定的商品图像样本。在接收到用户选定的商品图像样本之后，所述服务器可以根据用户选定的商品图像样本，调整商品图像样本对应的商品标签类型的初始权重值，以便下一次向用户推荐商品图像样本将会更加符合用户的需求。

不仅如此，如果用户希望完全置换现在室内的家居商品，所述服务器还可以将用户选定的场景图像样本关联的商品图像样本也反馈至该智能手机上，这样，用户不仅可以参考与被选定的场景图像样本相适配的商品图像样本，还可以参考被选定的场景图像样本关联的商品图像样本。如此，用户无需预约专业室内设计师上门，仅需上传室内的拍摄图像，即可得到专业性的家居商品的搭配建议，从而能够在降低家居购物成本的同时，提高用户的家居购物体验。

在一个实施方式中，针对一些需要在室内添置部分家居商品的用户，在确定与所述拍摄图像相匹配的目标场景图像样本之后，还可以从目标场景图像样本关联的商品图像样本中，挑选一些与所述拍摄图像相适配，但与所述拍摄图像关联的商品图像表征的家居商品不完全相同的家居商品，推荐给用户。具体地，在确定与所述拍摄图像相匹配的目标场景图像样本之后，首先，可以基于所述预先训练的神经网络，从所述拍摄图像中识别出所述拍摄图像关联的商品图像样本的商品标签。然后，可以从所述目标场景图像样本关联的商品图像样本中确定与所述拍摄图像相适配的目标商品图像样本。其中，所述目标商品图像样本关联的商品标签中至少包括与所述拍摄图像关联的商品图像的商品标签不同的商品标签。最后，便可以将所述目标商品图像样本表征的家居商品反馈给所述客户端。在本实施方式中，所述拍摄图像还可以是室内现场实时拍摄的场景图像。

例如，在另一种具体应用场景中，所述客户端可以是智能手机。针对一些正在进行室内装修的用户而言，该用户可能已经购买了部分家居商品，但还需要再添置一些家居商品。这时，用户可以打开该智能手机上的某家居商品推荐应用，并在该家居商品推荐应用上启动该智能手机上的摄像头，并对室内的家居场景进行取景拍摄，以通过该智能手机将拍摄的场景图像实时发送给所述服务器，所述服务器可以基于预先训练的神经网络，从拍摄图像中识别出所述拍摄图像的场景标签。接着，可以根据识别出的所述拍摄图像的场景标签，从所述图像样本库中确定与所述拍摄图像相匹配的目标场景图像样本，并可以从所述目标场景图像样本关联的商品图像样本中确定与所述拍摄图像相适配的目标商品图像样本，其中，所述目标商品图像样本关联的商品标签中至少包括与所述拍摄图像关联的商品标签不同、且与所述目标场景图像样本关联的商品标签相同的商品标签。这样，便可以参照专业的场景图像样本，为用户推荐真实室内场景中缺少的家居商品。最后，可以向该智能手机反馈目标商品图像样本。这时，该智能手机可以通过增强现实(Augmented Reality，AR)技术将所述服务器推荐的商品图像样本直接显示在实际拍摄场景中。所述的增强现实AR通常是指一种实时地计算摄影机影像的位置及角度并加上相应图像、视频、3D模型的技术实现方案，这种方案可以在屏幕上把虚拟世界套在现实世界并进行互动。这样，本说明书实施例结合增强现实技术，不仅展现了用户实际客户端拍摄的室内场景真实信息，而且将推荐的商品图像样本显示在真实的室内场景中，以便用户在真实场景中摆放所推荐的商品图像样本表征的家居商品，从而可以提供更好的商品选购服务体验。

在一个实施方式中，考虑到所述图像样本库中可能有部分场景标签或商品标签，在用户选择的场景图像样本关联的场景标签或商品图像样本关联的商品标签中出现的次数太少，可以将这部分场景标签或商品标签从所述图像样本库中剔除，以便减少推荐这些用户不太关注的商品标签，从而可以提高从所述拍摄图像中识别出的场景标签和商品标签的准确度和效率。具体的，可以统计所述图像样本库中的当前场景标签在确定的所述目标场景图像样本关联的场景标签中出现的第一次数，次数越少，则表示用户的关注度越低。若统计的所述第一次数小于第一指定次数阈值，可以将所述当前场景标签从所述图像样本库中剔除。类似地，还可以统计所述图像样本库中的当前商品标签在确定的所述目标商品图像样本关联的商品标签中出现的第二次数，次数越少，则表示用户的关注度越低。若统计的所述第二次数小于第二指定次数阈值，可以将所述当前商品标签从所述图像样本库中剔除。

本申请还提供一种计算机存储介质，所述计算机存储介质中存储计算机程序和与家居相关联的图像样本库，所述图像样本库中包括场景图像样本和所述场景图像样本关联的商品图像样本，所述商品图像样本表征的家居商品位于所述场景图像样本表征的场景中，其中，所述场景图像样本具备场景标签，所述计算机程序被处理器执行时，实现以下步骤：

S11：接收客户端发来的室内的拍摄图像，并基于预先训练的神经网络，从所述拍摄图像中识别出所述拍摄图像的场景标签；

S13：根据识别出的所述拍摄图像的场景标签，从所述图像样本库中确定与所述拍摄图像相匹配的目标场景图像样本；

S15：将所述目标场景图像样本关联的商品图像样本表征的家居商品反馈给所述客户端。

需要说明的是，上述计算机存储介质中的计算机程序所能实现的功能，均可以参照前述的方法实施实施方式，实现的技术效果也与前述方法实施方式中实现的技术效果类似，这里便不再赘述。

请参阅图3，本申请还提供一种服务器，所述服务器包括存储器和处理器，所述存储器中存储计算机程序和与家居相关联的图像样本库，所述图像样本库中包括场景图像样本和所述场景图像样本关联的商品图像样本，所述商品图像样本表征的家居商品位于所述场景图像样本表征的场景中，其中，所述场景图像样本具备场景标签，所述计算机程序被所述处理器执行时，实现以下步骤：

S11：接收客户端发来的室内的拍摄图像，并基于预先训练的神经网络，从所述拍摄图像中识别出所述拍摄图像的场景标签；

S13：根据识别出的所述拍摄图像的场景标签，从所述图像样本库中确定与所述拍摄图像相匹配的目标场景图像样本；

S15：将所述目标场景图像样本关联的商品图像样本表征的家居商品反馈给所述客户端。

在本实施方式中，所述存储器可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方法的媒体加以存储。本实施方式所述的存储器又可以包括：利用电能方式存储信息的装置，如RAM、ROM等；利用磁能方式存储信息的装置，如硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘；利用光学方式存储信息的装置，如CD或DVD。当然，还有其他方式的存储器，例如量子存储器、石墨烯存储器等等。

在本实施方式中，所述处理器可以按任何适当的方式实现。例如，所述处理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 SpecificIntegratedCircuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。

本说明书实施方式提供的服务器，其存储器和处理器实现的具体功能，可以与本说明书中的前述实施方式相对照解释，并能够达到前述实施方式的技术效果，这里便不再赘述。

本申请还可以提供一种家居商品推荐方法。若客户端的处理能力足够大，所述家居商品推荐方法的执行主体也可以是上述的客户端中。所述方法提供有与家居相关联的图像样本库，所述图像样本库中包括场景图像样本和所述场景图像样本关联的商品图像样本，所述商品图像样本表征的家居商品位于所述场景图像样本表征的场景中，其中，所述场景图像样本具备场景标签。

请参阅图4，本申请提供的家居商品推荐方法，可以包括以下步骤。

S21：获取室内的拍摄图像，并基于预先训练的神经网络，从所述拍摄图像中识别出所述拍摄图像的场景标签。

S23：根据识别出的所述拍摄图像的场景标签，从所述图像样本库中确定与所述拍摄图像相匹配的目标场景图像样本。

S25：展示所述目标场景图像样本关联的商品图像样本表征的家居商品。

在一个实施方式中，在展示与所述目标场景图像样本相适配的目标商品图像样本之前，所述客户端可以展示所述目标场景图像样本或所述拍摄图像，以在所述目标场景图像样本或所述拍摄图像上展示所述目标商品图像样本。

由上可见，本实施方式中的各个步骤的执行过程与前述实施方式中的描述类似，只不过前述实施方式中的部分步骤的执行主体从服务器转变为客户端。各个步骤的具体实现方式，可以参见前述实施方式的描述，这里便不再赘述。

本申请还提供一种计算机存储介质，所述计算机存储介质中存储计算机程序和与家居相关联的图像样本库，所述图像样本库中包括场景图像样本和所述场景图像样本关联的商品图像样本，所述商品图像样本表征的家居商品位于所述场景图像样本表征的场景中，其中，所述场景图像样本具备场景标签，所述计算机程序被处理器执行时，实现以下步骤：

S21：获取室内的拍摄图像，并基于预先训练的神经网络，从所述拍摄图像中识别出所述拍摄图像的场景标签；

S23：根据识别出的所述拍摄图像的场景标签，从所述图像样本库中确定与所述拍摄图像相匹配的目标场景图像样本；

S25：展示所述目标场景图像样本关联的商品图像样本表征的家居商品。

需要说明的是，上述计算机存储介质中的计算机程序所能实现的功能，均可以参照前述的方法实施实施方式，实现的技术效果也与前述方法实施方式中实现的技术效果类似，这里便不再赘述。

本申请还提供一种客户端，所述客户端包括存储器和处理器，所述存储器中存储计算机程序和与家居相关联的图像样本库，所述图像样本库中包括场景图像样本和所述场景图像样本关联的商品图像样本，所述商品图像样本表征的家居商品位于所述场景图像样本表征的场景中，其中，所述场景图像样本具备场景标签，所述计算机程序被所述处理器执行时，实现以下步骤：

S21：获取室内的拍摄图像，并基于预先训练的神经网络，从所述拍摄图像中识别出所述拍摄图像的场景标签。

S23：根据识别出的所述拍摄图像的场景标签，从所述图像样本库中确定与所述拍摄图像相匹配的目标场景图像样本。

S25：展示所述目标场景图像样本关联的商品图像样本表征的家居商品。

在本实施方式中，所述存储器可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方法的媒体加以存储。本实施方式所述的存储器又可以包括：利用电能方式存储信息的装置，如RAM、ROM等；利用磁能方式存储信息的装置，如硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘；利用光学方式存储信息的装置，如CD或DVD。当然，还有其他方式的存储器，例如量子存储器、石墨烯存储器等等。

在本实施方式中，所述处理器可以按任何适当的方式实现。例如，所述处理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 SpecificIntegrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。

本说明书实施方式提供的客户端，其存储器和处理器实现的具体功能，可以与本说明书中的前述实施方式相对照解释，并能够达到前述实施方式的技术效果，这里便不再赘述。

由上可见，在本申请中，可以通过对室内设计师设计的大量的室内家居的场景图像样本进行收集并整理，从而归纳出与家居相关联的图像样本库。在该图像样本库中，可以包括各个场景图像样本所述场景图像样本关联的商品图像样本，所述商品图像样本表征的家居商品位于所述场景图像样本表征的场景中。由于室内设计师在设计过程中，这些场景图像样本会自带场景标签，例如，场景标签可以是例如客厅或卧室等场景类目，也可以是日式或欧式等场景风格。这样，在该图像样本库中，所述场景图像样本可以具备各种场景标签。那么，在接收到客户端发来室内的拍摄图像之后，可以基于预先训练的神经网络，从所述拍摄图像中识别出所述拍摄图像的场景标签，并可以根据识别出的所述拍摄图像的场景标签，从该图像样本库中确定与所述拍摄图像相匹配的目标场景图像样本。最后，可以将所述目标场景图像样本关联的商品图像样本表征的家居商品反馈给所述客户端。由上可知，本申请提供的技术方案，无需通过线下人工服务便可以在网上轻松选购合适的家居商品，选购过程比较简单，能够在降低家居购物成本的同时，提高用户的家居购物体验。

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。

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装置和计算机存储介质以外，完全可以通过将方法步骤进行逻辑编程来使得装置和计算机存储介质以逻辑门、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。因此这种装置和计算机存储介质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。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施方式或者实施方式的某些部分所述的方法。

本说明书中的各个实施方式均采用递进的方式描述，各个实施方式之间相同相似的部分互相参见即可，每个实施方式重点说明的都是与其他实施方式的不同之处。尤其，针对装置和计算机存储介质的实施方式来说，均可以参照前述方法的实施方式的介绍对照解释。

本申请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申请，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。

虽然通过实施方式描绘了本申请，本领域普通技术人员知道，本申请有许多变形和变化而不脱离本申请的精神，希望所附的权利要求包括这些变形和变化而不脱离本申请的精神。

Claims (17)

1.一种家居商品推荐方法，其特征在于，提供有与家居相关联的图像样本库，所述图像样本库中包括场景图像样本和所述场景图像样本关联的商品图像样本，所述商品图像样本表征的家居商品位于所述场景图像样本表征的场景中，其中，所述场景图像样本具备场景标签；所述方法包括：

接收客户端发来的室内的拍摄图像，并基于预先训练的神经网络，从所述拍摄图像中识别出所述拍摄图像的场景标签；

根据识别出的所述拍摄图像的场景标签，从所述图像样本库中确定与所述拍摄图像相匹配的目标场景图像样本；

将所述目标场景图像样本关联的商品图像样本表征的家居商品反馈给所述客户端。

2.根据权利要求1所述的方法，其特征在于，所述场景图像样本的场景标签按照场景标签类型进行划分；所述方法还提供有所述场景标签类型的初始权重值；确定与所述拍摄图像相匹配的目标场景图像样本，包括：

计算属于目标场景标签类型的所述场景图像样本的场景标签与所述拍摄图像的场景标签之间的场景标签相似度；

根据计算的所述目标场景标签类型对应的场景标签相似度，以及所述目标场景标签类型的初始权重值，确定所述场景图像样本与所述拍摄图像之间的场景相似度；

根据所述场景相似度，确定所述目标场景图像样本。

3.根据权利要求2所述的方法，其特征在于，确定所述目标场景图像样本，包括：

将最大场景相似度对应的场景图像样本作为所述目标场景图像样本。

4.根据权利要求2所述的方法，其特征在于，确定所述目标场景图像样本，还包括：

将场景相似度大于指定场景相似度阈值的场景图像样本作为所述目标场景图像样本，并将所述目标场景图像样本反馈至所述客户端，以使得所述客户端按照所述场景相似度的顺序展示所述目标场景图像样本，并捕捉从展示的所述目标场景图像样本中被选定的场景图像样本；

将所述被选定的场景图像样本作为新的目标场景图像样本。

5.根据权利要求4所述的方法，其特征在于，在确定所述目标场景图像样本之后，所述方法还包括：

分别将所述被选定的场景图像样本的各个场景标签类型对应的场景标签相似度与初始权重值的乘积，作为所述被选定的场景图像样本的各个场景标签类型对应的推荐值；

根据所述被选定的场景图像样本的场景标签类型对应的推荐值，对所述场景标签类型的初始权重值进行校正，以使得对应的推荐值越高的场景标签类型对应的校正后的初始权重值越大。

6.根据权利要求1所述的方法，其特征在于，所述场景图像样本关联的商品图像样本具备商品标签；相应地，在确定与所述拍摄图像相匹配的目标场景图像样之后，所述方法还包括：

从所述图像样本库中确定与所述目标场景图像样本之间的场景相似度大于指定场景相似度的第一场景图像样本；

从所述第一场景图像样本关联的第一商品图像样本中确定与所述目标场景图像样本相适配的目标商品图像样本，并将所述目标商品图像样本表征的家居商品反馈给所述客户端；其中，所述目标商品图像样本的商品标签中至少包括与所述目标场景图像样本关联的商品图像样本的商品标签不同的商品标签。

7.根据权利要求6所述的方法，其特征在于，所述场景图像样本关联的商品图像样本的商品标签按照商品标签类型进行划分；所述方法还提供有所述商品标签类型的初始权重值；确定与所述目标场景图像样本相适配的目标商品图像样本，包括：

计算属于目标商品标签类型的所述第一商品图像样本的商品标签与所述目标场景图像样本关联的商品图像样本的商品标签之间的商品标签适配度；

根据计算的所述目标商品标签类型对应的商品标签适配度，以及所述商品标签类型的初始权重值，确定所述第一商品图像样本与所述目标场景图像样本之间的商品适配度；

根据所述商品适配度，确定所述目标商品图像样本。

8.根据权利要求7所述的方法，其特征在于，确定与所述目标场景图像样本相适配的目标商品图像样本，包括：

将最大商品适配度对应的第一商品图像样本作为所述目标商品图像样本。

9.根据权利要求7所述的方法，其特征在于，确定与所述目标场景图像样本相适配的目标商品图像样本，还包括：

将商品适配度大于指定商品适配度阈值的第一商品图像样本作为所述目标商品图像样本，并向所述客户端发送所述目标商品图像样本，以使得所述客户端按照所述商品适配度的顺序展示所述目标商品图像样本，并捕捉从展示的所述目标商品图像样本中被选定的商品图像样本；

将所述被选定的商品图像样本作为新的目标商品图像样本。

10.根据权利要求9所述的方法，其特征在于，在确定与所述目标场景图像样本相适配的目标商品图像样本之后，所述方法还包括：

分别将所述被选定的商品图像样本的各个商品标签类型对应的商品标签相似度与初始权重值的乘积，作为所述被选定的商品图像样本的各个商品标签类型对应的推荐值；

根据所述被选定的商品图像样本的商品标签类型对应的推荐值，对所述商品标签类型的初始权重值进行校正，以使得对应的推荐值越高的商品标签类型对应的校正后的初始权重值越大。

11.根据权利要求7所述的方法，其特征在于，当所述商品标签类型为商品类目或商品位置时，按照下述步骤确定所述商品标签适配度：

当所述第一商品图像样本的商品标签与所述目标场景图像样本关联的商品图像样本的商品标签相同时，所述商品标签适配度为第一指定值；

当所述第一商品图像样本的商品标签与所述目标场景图像样本关联的商品图像样本的商品标签不同时，所述商品标签适配度为第二指定值；其中，所述第二指定值大于所述第一指定值，所述第一指定值与所述第二指定值之和为1。

12.根据权利要求7所述的方法，其特征在于，当所述商品标签类型为商品色彩、商品形状或商品搭配时，按照下述步骤确定所述商品标签适配度：

计算所述第一商品图像样本的商品标签与所述目标场景图像样本关联的商品图像样本的商品标签之间的商品标签相似度；

将所述商品标签相似度作为所述商品标签适配度。

13.根据权利要求1所述的方法，其特征在于，所述场景图像样本关联的商品图像样本具备商品标签；相应地，在确定与所述拍摄图像相匹配的目标场景图像样本之后，所述方法还包括：

基于所述预先训练的神经网络，从所述拍摄图像中识别出所述拍摄图像关联的商品图像样本的商品标签；

从所述目标场景图像样本关联的商品图像样本中确定与所述拍摄图像相适配的目标商品图像样本；其中，所述目标商品图像样本关联的商品标签中至少包括与所述拍摄图像关联的商品图像的商品标签不同的商品标签；

将所述目标商品图像样本表征的家居商品反馈给所述客户端。

14.根据权利要求1所述的方法，其特征在于，在将所述目标场景图像样本关联的商品图像样本表征的家居商品反馈给所述客户端之后，所述方法还包括：

统计所述图像样本库中的当前场景标签在确定的所述目标场景图像样本关联的场景标签中出现的第一次数，若统计的所述第一次数小于第一指定次数阈值，将所述当前场景标签从所述图像样本库中剔除；

统计所述图像样本库中的当前商品标签在确定的目标商品图像样本关联的商品标签中出现的第二次数，若统计的所述第二次数小于第二指定次数阈值，将所述当前商品标签从所述图像样本库中剔除。

15.一种服务器，所述服务器包括存储器和处理器，其特征在于，所述存储器中存储计算机程序和与家居相关联的图像样本库，所述图像样本库中包括场景图像样本和表征所述场景图像样本中的家居商品的商品图像样本，以及所述场景图像样本关联的场景标签和所述商品图像样本关联的商品标签；所述计算机程序被所述处理器执行时，实现如权利要求1至14中任一权利要求所述的方法。

16.一种家居商品推荐方法，其特征在于，提供有与家居相关联的图像样本库，所述图像样本库中包括场景图像样本和所述场景图像样本关联的商品图像样本，所述商品图像样本表征的家居商品位于所述场景图像样本表征的场景中，其中，所述场景图像样本具备场景标签；所述方法包括：

获取室内的拍摄图像，并基于预先训练的神经网络，从所述拍摄图像中识别出所述拍摄图像的场景标签；

根据识别出的所述拍摄图像的场景标签，从所述图像样本库中确定与所述拍摄图像相匹配的目标场景图像样本；

展示所述目标场景图像样本关联的商品图像样本表征的家居商品。

17.一种客户端，所述客户端包括存储器和处理器，其特征在于，所述存储器中存储计算机程序和与家居相关联的图像样本库，所述图像样本库中包括场景图像样本和所述场景图像样本关联的商品图像样本，所述商品图像样本表征的家居商品位于所述场景图像样本表征的场景中，其中，所述场景图像样本具备场景标签；所述计算机程序被所述处理器执行时，实现以下步骤：

获取室内的拍摄图像，并基于预先训练的神经网络，从所述拍摄图像中识别出所述拍摄图像的场景标签；

根据识别出的所述拍摄图像的场景标签，从所述图像样本库中确定与所述拍摄图像相匹配的目标场景图像样本；

展示所述目标场景图像样本关联的商品图像样本表征的家居商品。

Images