CN110874771A - 一种商品搭配的方法和装置 - Google Patents
一种商品搭配的方法和装置 Download PDFInfo
- Publication number
- CN110874771A CN110874771A CN201810995085.XA CN201810995085A CN110874771A CN 110874771 A CN110874771 A CN 110874771A CN 201810995085 A CN201810995085 A CN 201810995085A CN 110874771 A CN110874771 A CN 110874771A
- Authority
- CN
- China
- Prior art keywords
- commodity
- pictures
- collocation
- picture
- error
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims description 40
- 230000000306 recurrent effect Effects 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 239000002699 waste material Substances 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 11
- 238000013473 artificial intelligence Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000015654 memory Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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]
- G06Q30/0631—Item recommendations
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了商品搭配的方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:接收待搭配的商品图片,以获得待搭配的商品图片的特征信息;根据搭配模型,在预设的商品库中获得包括所述待搭配的商品图片的一组商品搭配的所有商品图片。该实施方式能够解决现有技术针对商品搭配费时费力、效率不高的问题。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种商品搭配的方法和装置。
背景技术
随着人工智能技术的发展,越来越多的领域都可以接入AI(人工智能)技术,其中也希望应用人工智能来帮助运营追踪潮流最前沿,帮助用户获得无论是潮流、时尚服饰抑或是家居装饰,选中任何一件商品,都可以通过最懂时尚的人工智能算法找到潮流搭配。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
目前的服装品类中,还没有采用人工智能来追踪时尚搭配的技术方案,更多的还是基于运营的人工搭配,以及传统机器学习领域的诸如协同过滤等技术的推荐算法。
其中,运营的人工搭配需要人力不停的介入,任何一款新品上架,都需要运行人工搭配一次,费时费力。而采用传统机器学习的推荐算法,必须基于已有的搭配方法,从统计上计算最多人喜欢的搭配,这也并不是真正的人工智能,无法让机器自己去根据服饰的样式,判断最时尚的搭配。
发明内容
有鉴于此,本发明实施例提供一种商品搭配的方法和装置,能够解决现有技术针对商品搭配费时费力、效率不高的问题。
为实现上述目的,根据本发明实施例的一个方面,提供了一种商品搭配的方法,包括接收待搭配的商品图片,以获得待搭配的商品图片的特征信息;根据搭配模型,在预设的商品库中获得包括所述待搭配的商品图片的一组商品搭配的所有商品图片。
可选地,还包括:
获取商品搭配标准图片,提取该商品搭配标准图片中各个商品的图片并存储至商品池中;
提取商品池中一组商品搭配所包括的所有商品图片,通过卷积神经网络以获得每个商品图片的特征信息;
将每个商品图片的特征信息输入循环神经网络,以计算输出与输入的误差;
对误差进行参数迭代使其小于预设阈值,进而获得搭配模型。
可选地,获取商品搭配标准图片,通过MASK RCNN神经网络提取该商品搭配标准图片中各个商品的图片。
可选地,根据预设排序方式,对作为一组商品搭配的各个商品图片进行排序和标记。
可选地,通过反向梯度下降的方式对误差进行参数迭代,以使误差小于预设阈值。
另外,根据本发明实施例的一个方面,提供了一种商品搭配的装置,包括获取模块,用于接收待搭配的商品图片,以获得待搭配的商品图片的特征信息;搭配模块,用于根据搭配模型,在预设的商品库中获得包括所述待搭配的商品图片的一组商品搭配的所有商品图片。
可选地,所述搭配模块,还用于:
获取商品搭配标准图片,提取该商品搭配标准图片中各个商品的图片并存储至商品池中;
提取商品池中一组商品搭配所包括的所有商品图片,通过卷积神经网络以获得每个商品图片的特征信息;
将每个商品图片的特征信息输入循环神经网络,以计算输出与输入的误差;
对误差进行参数迭代使其小于预设阈值,进而获得搭配模型。
可选地,所述搭配模块,还用于:
获取商品搭配标准图片,通过MASK RCNN神经网络提取该商品搭配标准图片中各个商品的图片。
可选地,所述搭配模块,还用于:
根据预设排序方式,对作为一组商品搭配的各个商品图片进行排序和标记。
可选地,所述搭配模块,还用于:
通过反向梯度下降的方式对误差进行参数迭代,以使误差小于预设阈值。
根据本发明实施例的另一个方面,还提供了一种电子设备,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上述任一商品搭配的实施例所述的方法。
根据本发明实施例的另一个方面,还提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现上述任一基于商品搭配的实施例所述的方法。
上述发明中的一个实施例具有如下优点或有益效果:本发明通过接收待搭配的商品图片,以获得待搭配的商品图片的特征信息;根据搭配模型,在预设的商品库中获得包括所述待搭配的商品图片的一组商品搭配的所有商品图片。从而,本发明利用人工智能技术,自动追踪当前最时尚的潮流,并根据用户选择商品的图片,自动搭配出一套符合时尚潮流的搭配。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的商品搭配的方法的主要流程的示意图;
图2是根据本发明可参考实施例的商品搭配的方法的主要流程的示意图;
图3是根据本发明实施例的商品搭配的装置的主要模块的示意图;
图4是本发明实施例可以应用于其中的示例性系统架构图;
图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的商品搭配的方法的主要流程的示意图,所述商品搭配的方法可以包括:
步骤S101,接收待搭配的商品图片,以获得待搭配的商品图片的特征信息。
步骤S102,根据搭配模型,在预设的商品库中获得包括所述待搭配的商品图片的一组商品搭配的所有商品图片。
在进一步地实施例中,搭配模型时通过如下过程获得的:
步骤一:获取商品搭配标准图片,提取该商品搭配标准图片中各个商品的图片并存储至商品池中。
较佳地,通过MASK RCNN神经网络提取该商品搭配标准图片中各个商品的图片。
其中,所述的MASK RCNN神经网络是在Faster RCNN神经网络基础上添加了一个mask网络分支,而所述的Faster RCNN神经网络是一种基于CNN的图像中对象识别与分割的神经网络,它可以将一张图片中不同的物体识别并框出。
还值得说明的是,在将各个商品的图片存储至商品池之前,可以根据预设排序方式,对作为一组商品搭配的各个商品图片进行排序和标记。
步骤二:提取商品池中一组商品搭配所包括的所有商品图片,通过卷积神经网络以获得每个商品图片的特征信息。
步骤三:将每个商品图片的特征信息输入循环神经网络,以计算输出与输入的误差。
其中,循环神经网络又称递归神经网络,是人工神经网络的总称。
步骤四:对误差进行参数迭代使其小于预设阈值,进而获得搭配模型。
较佳地,循环执行步骤三,通过反向梯度下降的方式对误差进行参数迭代,以使误差小于预设阈值。
根据上面所述的各种实施例,本发明采用人工智能的方式自动学习潮流时尚搭配,同时将学习到的时尚自动应用到用户购买商品相关搭配的潮流推荐中。也就是说,用户购买任何一件服饰商品,就可以看到推荐的一整套时尚搭配,让其根据自己的喜好进行选配。
图2是根据本发明可参考实施例的商品搭配的方法的主要流程的示意图,所述商品搭配的方法还可以包括:
步骤S201,获取商品搭配标准图片,通过MASK RCNN神经网络提取该商品搭配标准图片中各个商品的图片。
在实施例中,商品搭配标准图片可以为最新的潮流杂志、巴黎时装周的模特照片、明星最新潮流图片等等,可以通过MASK RCNN神经网络识别并提取图片中各个商品的图片,例如:帽子、衣服、裙子、鞋子等各种商品的图片。
也就是说,通过MASK RCNN神经网络是可以对商品搭配标准图片(例如潮流图片)识别帽子、眼镜、围巾、衣服、裙子、裤子、袜子、鞋子等等各种服饰或者其他商品的。然后针对该商品搭配标准图片的这一套商品就自动变成了一种时尚的搭配,可以将这一组商品搭配中每一件商品编号并保存分割后的单个商品图片。从而,通过MASK RCNN神经网络可以从最潮流、最前沿的时尚图片中提取各种时尚搭配。
步骤S202,将各个商品图片作为一组商品搭配,根据预设排序方式存储至商品池中。
较佳地,所述的预设排序方式可以是根据各个商品的图片在商品搭配标准图片中的位置,从上至下的顺序进行排序。例如:从头到脚的顺序。
还值得说明的是,可以对各个商品图片进行标记存储至商品池中,即[item1、item2、item3、……itemN]。
步骤S203,提取商品池中一组商品搭配所包括的所有商品图片,通过CNN神经网络以获得每个商品图片的特征信息。
较佳地,顺序提取商品池中的一组商品搭配所包括的所有商品图片,输入至CNN神经网络获得每个商品图片的特征信息,以将图片转换成512维的特征向量。其中,CNN神经网络(卷积神经网络)是一种深度前馈人工神经网络,应用于识别图像特征。优选地,可以使用已经训练好的VGG19或者resnet等成熟的卷积神经网络,以获取512维的商品图片特征向量。
例如:从商品池中提取一组商品搭配中三个商品图片,即商品图片item1、商品图片item2和商品图片item3,然后依次将商品图片item1、商品图片item2、商品图片item3输入CNN神经网络,分别获得对应的512维的特征向量。
步骤S204,将每个商品图片的特征信息输入LSTM循环神经网络,以计算输出与输入的误差。
其中,LSTM循环神经网络为长短期记忆人工神经网络是一种时间递归神经网络。
在实施例中,依次将一组商品搭配的每个商品图片(例如:商品图片item1、商品图片item2和商品图片item3)输入LSTM循环神经网络,LSTM循环神经网络每一步输出一个商品池所有商品图片的概率值,即<p1、p2、p3……pN>,其中p1对应商品池中商品图片item1的概率,p2对应商品池中商品图片item2的概率,p3对应商品图片item3的概率,pN对应商品图片itemN的概率。也就是说,当输入商品图片item1时,期望的输出应该是商品图片item2的概率最大,即<0、1、0……0>,而LSTM循环神经网络的实际输出可能是<0.001、0.2、0.03……0.01>,对LSTM循环神经网络的实际输出和期望输出的值计算交叉熵,得出误差LOSS。
步骤S205,通过反向梯度下降的方式对误差进行参数迭代,以降低误差使其小于预设阈值,进而获得搭配模型。
在实施例中,循环步骤S204通过使用反向传播算法对误差LOSS进行梯度下降的参数迭代,以使误差LOSS小于预设阈值,进而获得搭配模型。
步骤S206,接收待搭配的商品图片,获得待搭配的商品图片的特征信息。
较佳地,通过CNN神经网络获得待搭配的商品图片的特征信息。
步骤S207,根据搭配模型,在预设的商品库中获得包括所述待搭配的商品图片的一组商品搭配的所有商品图片。
其中,所述的商品库可以包括前述的商品池,也可以不包括前述的商品池,即可根据具体需求预先设置商品库中的商品图片。
步骤S208,推荐该组商品搭配的所有商品图片。
图3是根据本发明实施例的商品搭配的装置,如图3所示,所述商品搭配的装置包括获取模块301和搭配模型302。其中,获取模块301接收待搭配的商品图片,以获得待搭配的商品图片的特征信息。而搭配模块302根据搭配模型,在预设的商品库中获得包括所述待搭配的商品图片的一组商品搭配的所有商品图片。
在进一步地实施例中,所述搭配模块302可以通过如下过程获得搭配模型,具体地:
步骤一:获取商品搭配标准图片,提取该商品搭配标准图片中各个商品的图片并存储至商品池中。
较佳地,搭配模块302可以通过MASK RCNN神经网络提取该商品搭配标准图片中各个商品的图片。
其中,所述的MASK RCNN神经网络是在Faster RCNN神经网络基础上添加了一个mask网络分支,而所述的Faster RCNN神经网络是一种基于CNN的图像中对象识别与分割的神经网络,它可以将一张图片中不同的物体识别并框出。
还值得说明的是,在将各个商品的图片存储至商品池之前,搭配模块302可以根据预设排序方式,对作为一组商品搭配的各个商品图片进行排序和标记。
步骤二:提取商品池中一组商品搭配所包括的所有商品图片,通过卷积神经网络以获得每个商品图片的特征信息。
步骤三:将每个商品图片的特征信息输入循环神经网络,以计算输出与输入的误差。
其中,循环神经网络又称递归神经网络,是人工神经网络的总称。
步骤四:对误差进行参数迭代使其小于预设阈值,进而获得搭配模型。
较佳地,搭配模块302通过循环执行步骤三,再利用反向梯度下降的方式对误差进行参数迭代,以使误差小于预设阈值。
需要说明的是,在本发明所述商品搭配的装置的具体实施内容,在上面所述商品搭配的方法中已经详细说明了,故在此重复内容不再说明。
图4示出了可以应用本发明实施例的商品搭配的方法或商品搭配的装置的示例性系统架构400。
如图4所示,系统架构400可以包括终端设备401、402、403,网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404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401、402、403通过网络404与服务器405交互,以接收或发送消息等。终端设备401、402、403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(仅为示例)。
终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器405可以是提供各种服务的服务器,例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的商品搭配的方法一般由服务器405执行,相应地,商品搭配的装置一般设置于服务器405中。
应该理解,图4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。
下面参考图5,其示出了适于用来实现本发明实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM503中,还存储有系统500操作所需的各种程序和数据。CPU501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;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507;包括硬盘等的存储部分508;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509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,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510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508。
特别地,根据本发明公开的实施例,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,本发明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509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示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。在本发明中,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。而在本发明中,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。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、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,上述模块、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,框图或流程图中的每个方框、以及框图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。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块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模块和搭配模型。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定。
作为另一方面,本发明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设备中所包含的;也可以是单独存在,而未装配入该设备中。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一个该设备执行时,使得该设备包括:接收待搭配的商品图片,以获得待搭配的商品图片的特征信息;根据搭配模型,在预设的商品库中获得包括所述待搭配的商品图片的一组商品搭配的所有商品图片。
根据本发明实施例的技术方案,能够解决现有技术针对商品搭配费时费力、效率不高的问题。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (12)
1.一种商品搭配的方法,其特征在于,包括:
接收待搭配的商品图片,以获得待搭配的商品图片的特征信息;
根据搭配模型,在预设的商品库中获得包括所述待搭配的商品图片的一组商品搭配的所有商品图片。
2.根据权利要求1所述的方法,其特征在于,还包括:
获取商品搭配标准图片,提取该商品搭配标准图片中各个商品的图片并存储至商品池中;
提取商品池中一组商品搭配所包括的所有商品图片,通过卷积神经网络以获得每个商品图片的特征信息;
将每个商品图片的特征信息输入循环神经网络,以计算输出与输入的误差;
对误差进行参数迭代使其小于预设阈值,进而获得搭配模型。
3.根据权利要求2所述的方法,其特征在于,获取商品搭配标准图片,通过MASK RCNN神经网络提取该商品搭配标准图片中各个商品的图片。
4.根据权利要求2所述的方法,其特征在于,根据预设排序方式,对作为一组商品搭配的各个商品图片进行排序和标记。
5.根据权利要求2所述的方法,其特征在于,通过反向梯度下降的方式对误差进行参数迭代,以使误差小于预设阈值。
6.一种商品搭配的装置,其特征在于,包括:
获取模块,用于接收待搭配的商品图片,以获得待搭配的商品图片的特征信息;
搭配模块,用于根据搭配模型,在预设的商品库中获得包括所述待搭配的商品图片的一组商品搭配的所有商品图片。
7.根据权利要求6所述的装置,其特征在于,所述搭配模块,还用于:
获取商品搭配标准图片,提取该商品搭配标准图片中各个商品的图片并存储至商品池中;
提取商品池中一组商品搭配所包括的所有商品图片,通过卷积神经网络以获得每个商品图片的特征信息;
将每个商品图片的特征信息输入循环神经网络,以计算输出与输入的误差;
对误差进行参数迭代使其小于预设阈值,进而获得搭配模型。
8.根据权利要求7所述的装置,其特征在于,所述搭配模块,还用于:
获取商品搭配标准图片,通过MASK RCNN神经网络提取该商品搭配标准图片中各个商品的图片。
9.根据权利要求7所述的装置,其特征在于,所述搭配模块,还用于:
根据预设排序方式,对作为一组商品搭配的各个商品图片进行排序和标记。
10.根据权利要求7所述的装置,其特征在于,所述搭配模块,还用于:
通过反向梯度下降的方式对误差进行参数迭代,以使误差小于预设阈值。
11.一种电子设备,其特征在于,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1-5中任一所述的方法。
12.一种计算机可读介质,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1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810995085.XA CN110874771A (zh) | 2018-08-29 | 2018-08-29 | 一种商品搭配的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810995085.XA CN110874771A (zh) | 2018-08-29 | 2018-08-29 | 一种商品搭配的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110874771A true CN110874771A (zh) | 2020-03-10 |
Family
ID=69714775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810995085.XA Pending CN110874771A (zh) | 2018-08-29 | 2018-08-29 | 一种商品搭配的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110874771A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504064A (zh) * | 2016-10-25 | 2017-03-15 | 清华大学 | 基于深度卷积神经网络的服装分类与搭配推荐方法及系统 |
CN106846122A (zh) * | 2017-02-20 | 2017-06-13 | 北京京东尚科信息技术有限公司 | 商品数据处理方法和装置 |
CN107220667A (zh) * | 2017-05-24 | 2017-09-29 | 北京小米移动软件有限公司 | 图像分类方法、装置及计算机可读存储介质 |
CN107526725A (zh) * | 2017-09-04 | 2017-12-29 | 北京百度网讯科技有限公司 | 基于人工智能的用于生成文本的方法和装置 |
CN107862239A (zh) * | 2017-09-15 | 2018-03-30 | 广州唯品会研究院有限公司 | 一种结合文本与图片进行图片识别的方法及其装置 |
CN108109049A (zh) * | 2017-12-29 | 2018-06-01 | 广东欧珀移动通信有限公司 | 服饰搭配预测方法、装置、计算机设备及存储介质 |
-
2018
- 2018-08-29 CN CN201810995085.XA patent/CN110874771A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504064A (zh) * | 2016-10-25 | 2017-03-15 | 清华大学 | 基于深度卷积神经网络的服装分类与搭配推荐方法及系统 |
CN106846122A (zh) * | 2017-02-20 | 2017-06-13 | 北京京东尚科信息技术有限公司 | 商品数据处理方法和装置 |
CN107220667A (zh) * | 2017-05-24 | 2017-09-29 | 北京小米移动软件有限公司 | 图像分类方法、装置及计算机可读存储介质 |
CN107526725A (zh) * | 2017-09-04 | 2017-12-29 | 北京百度网讯科技有限公司 | 基于人工智能的用于生成文本的方法和装置 |
CN107862239A (zh) * | 2017-09-15 | 2018-03-30 | 广州唯品会研究院有限公司 | 一种结合文本与图片进行图片识别的方法及其装置 |
CN108109049A (zh) * | 2017-12-29 | 2018-06-01 | 广东欧珀移动通信有限公司 | 服饰搭配预测方法、装置、计算机设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108536650B (zh) | 生成梯度提升树模型的方法和装置 | |
CN107679119B (zh) | 生成品牌衍生词的方法和装置 | |
CN110020162B (zh) | 用户识别方法和装置 | |
US11741094B2 (en) | Method and system for identifying core product terms | |
CN114154013A (zh) | 视频推荐方法、装置、设备及存储介质 | |
CN111160410B (zh) | 一种物体检测方法和装置 | |
CN108512674B (zh) | 用于输出信息的方法、装置和设备 | |
CN110910178A (zh) | 一种生成广告的方法和装置 | |
CN112749323A (zh) | 一种构建用户画像的方法和装置 | |
CN111782850B (zh) | 一种基于手绘图的物品搜索方法和装置 | |
CN111667018B (zh) | 一种对象聚类的方法、装置、计算机可读介质及电子设备 | |
CN110827101B (zh) | 一种店铺推荐的方法和装置 | |
CN112256254A (zh) | 一种生成布局代码的方法和装置 | |
WO2018223993A1 (zh) | 一种应用软件搜索方法、装置及服务器 | |
CN110874771A (zh) | 一种商品搭配的方法和装置 | |
CN113313542B (zh) | 一种推送频道页面的方法和装置 | |
CN110826948A (zh) | 仓库选品方法和装置 | |
CN113516524B (zh) | 用于推送信息的方法和装置 | |
CN114780847A (zh) | 一种对象信息处理、信息推送方法、装置和系统 | |
CN113762535A (zh) | 一种物品召回方法和装置 | |
CN111488537A (zh) | 一种页面展示的方法和装置 | |
CN107180037B (zh) | 人机交互方法和装置 | |
CN112884538A (zh) | 物品推荐的方法和装置 | |
CN111753111A (zh) | 图片搜索方法和装置 | |
CN110858363A (zh) | 一种识别季节性商品的方法和装置 |
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 |