CN110992141A - 基于识别商品图像推荐商品的方法、装置和电子设备 - Google Patents
基于识别商品图像推荐商品的方法、装置和电子设备 Download PDFInfo
- Publication number
- CN110992141A CN110992141A CN201911194745.5A CN201911194745A CN110992141A CN 110992141 A CN110992141 A CN 110992141A CN 201911194745 A CN201911194745 A CN 201911194745A CN 110992141 A CN110992141 A CN 110992141A
- Authority
- CN
- China
- Prior art keywords
- commodity
- image
- sample
- category information
- category
- 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 45
- 238000012549 training Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000002574 poison Substances 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004073 vulcanization 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种基于识别商品图像推荐商品的方法,通过结合用户浏览的商品图像,利用构建的商品类别识别模型自动地预估用户浏览的商品图像中商品的类别信息,根据预估到的商品类别信息向用户推荐同一类别的商品,由于商品图像中携带的信息能够更直接反映商品的类别信息,因此,通过对商品图像来预测商品的类别,使得商品推荐全面且准确,不受为图像配注关键字的限制,适用范围广。
Description
技术领域
本申请涉及计算机领域,尤其涉及一种基于识别商品图像推荐商品的方法、装置和电子设备。
背景技术
用户浏览的商品一定程度上能表明用户的需求,因此,对于线上商店,会为用户根据用户感兴趣的商品为其推荐类似的商品,便于用户进行选择、对比等行为。
发明内容
本说明书实施例提供一种基于识别商品图像推荐商品的方法、装置和电子设备。用以解决现有技术中推荐商品时准确度和全面性差的问题。
本申请提供一种基于识别商品图像推荐商品的方法,包括:
确定用户浏览的商品图像;
利用构建的商品类别识别模型预估所述商品图像的商品类别信息;
基于预估到的所述商品类别信息向所述用户推荐同一类别的商品。
可选地,在利用构建的商品类别识别模型预估所述商品图像的商品类别信息之前,还包括:
构建商品库,所述商品库中具有样本商品图像和为所述样本商品图像配置的商品类别信息;
基于所述样本商品图像和所述商品类别信息构建商品类别识别模型。
可选地,所述基于所述样本商品图像和所述商品类别信息构建商品类别识别模型,包括:
以所述样本商品图像为训练样本,以所述商品类别信息为标签,以监督学习的方式训练商品类别识别模型。
可选地,所述构建商品库,包括:
收集样本商品图像;
基于所述样本商品图像的图像特征为所述样本商品图像配置商品类别信息,所述图像特征包括商标形状、商品序列号、商品形状和商品颜色中的至少一个。
可选地,所述商品类别信息包括商品品牌、商品系列、商品款式中的至少一个。
可选地,所述基于预估到的所述商品类别信息向所述用户推荐同一类别的商品,包括:
向所述用户推荐同一品牌的商品、同一系列的商品、同一款式的商品中的至少一者。
可选地,在所述利用构建的商品类别识别模型预估所述商品图像的商品类别信息之前,还包括:
基于训练的目标商品判别模型判别所述商品图像中是否具有目标商品。
可选地,所述目标商品判别模型是以含有目标商品的图像为正样本,以不含目标商品的图像为负样本训练得到的。
可选地,所述商品图像携带有商品类别信息的图像。
本申请还提供一种基于识别商品图像推荐商品的装置,包括:
图像获取模块,确定用户浏览的商品图像;
识别模块,利用构建的商品类别识别模型预估所述商品图像的商品类别信息;
推荐模块,基于预估到的所述商品类别信息向所述用户推荐同一类别的商品。
可选地,还包括,模型模块,用于构建商品库;
基于所述样本商品图像和所述商品类别信息构建商品类别识别模型,所述商品库中具有样本商品图像和为所述样本商品图像配置的商品类别信息。
可选地,所述基于所述样本商品图像和所述商品类别信息构建商品类别识别模型,包括:
以所述样本商品图像为训练样本,以所述商品类别信息为标签,以监督学习的方式训练商品类别识别模型。
可选地,所述构建商品库,包括:
收集样本商品图像;
基于所述样本商品图像的图像特征为所述样本商品图像配置商品类别信息,所述图像特征包括商标形状、商品序列号、商品形状和商品颜色中的至少一个。
可选地,所述商品类别信息包括商品品牌、商品系列、商品款式中的至少一个。
可选地,所述基于预估到的所述商品类别信息向所述用户推荐同一类别的商品,包括:
向所述用户推荐同一品牌的商品、同一系列的商品、同一款式的商品中的至少一者。
可选地,所述识别模块,还用于在所述利用构建的商品类别识别模型预估所述商品图像的商品类别信息之前,基于训练的目标商品判别模型判别所述商品图像中是否具有目标商品。
可选地,所述目标商品判别模型是以含有目标商品的图像为正样本,以不含目标商品的图像为负样本训练得到的。
可选地,所述商品图像携带有商品类别信息的图像。
本申请还提供一种电子设备,其中,该电子设备包括:
处理器;以及,
存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行上述任一项方法。
本申请还提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被处理器执行时,实现上述任一项方法。
本说明书记载的各种实施例通过结合用户浏览的商品图像,利用构建的商品类别识别模型自动地预估用户浏览的商品图像中商品的类别信息,根据预估到的商品类别信息向用户推荐同一类别的商品,由于商品图像中携带的信息能够更直接反映商品的类别信息,因此,通过对商品图像来预测商品的类别,使得商品推荐全面且准确,不受为图像配注关键字的限制,因此适用性强,适用范围广。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本说明书提供的一种基于识别商品图像推荐商品的方法的原理示意图;
图2为本说明书提供的一种基于识别商品图像推荐商品的装置的结构示意图;
图3为本说明书实施例提供的一种电子设备的结构示意图。
具体实施方式
对现有的推荐策略进行分析发现,现有的商品推荐方法,其本质上线上商店基于商户人工录入的关键字之间的关联来推荐同类商品,比如,用户在浏览“蓝灰色篮球鞋”时,平台可能识别到“蓝灰色”、“篮球鞋”等关键字,既而在该商户或者其他商户的商品中搜索具有该关键字的商品,推荐给用户。
这种方式依赖于商家商品时为商品录入的关键字,由于人工录入的关键字受人为主观因素影响,不同商户录入关键字的习惯也可能存在差异,而且,以不同属性看待商品会得到不同的关键字,这就使得,基于人工录入的关键字来推荐商品,其准确度和全面性存在缺陷,而且,在遇到特殊场景时,比如,在用户在非交易性的页面浏览到商品图像时,比如,微博、朋友圈等咨讯、社交平台中发布的图像,这种情况下,发布图像的用户并不一定会为图像中的商品配注商品类别的关键字,因而没有对应的推荐商品的方法,这就使得,利用关键字推荐商品的方法的适用性上也存在一定的缺陷。
本说明书提供一种基于识别商品图像推荐商品的方法,包括:
确定用户浏览的商品图像;
利用构建的商品类别识别模型预估所述商品图像的商品类别信息;
基于预估到的所述商品类别信息向所述用户推荐同一类别的商品。
通过结合用户浏览的商品图像,利用构建的商品类别识别模型自动地预估用户浏览的商品图像中商品的类别信息,根据预估到的商品类别信息向用户推荐同一类别的商品,由于商品图像中携带的信息能够更直接反映商品的类别信息,因此,通过对商品图像来预测商品的类别,使得商品推荐全面且准确,此外这种方式不受为图像配注关键字的限制,因此适用性强,适用范围广。
现在将参考附图更全面地描述本发明的示例性实施例。然而,示例性实施例能够以多种形式实施,且不应被理解为本发明仅限于在此阐述的实施例。相反,提供这些示例性实施例能够使得本发明更加全面和完整,更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分,因而将省略对它们的重复描述。
在符合本发明的技术构思的前提下,在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中,本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是,并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
术语“和/或”或者“及/或”包括相关联的列出项目中的任一个或多者的所有组合。
图1为本说明书实施例提供的一种基于识别商品图像推荐商品的方法的原理示意图,该方法可以包括:
S101:确定用户浏览的商品图像。
在本说明书实施例中,商品图像可以是实物商品的拍照,由于实物商品本身具有特定的形状、颜色、商标,因此,这些都可以反映商品的品牌、款式,因此可以以此描述商品的类别,甚至如果商品外表面能携带了商品的系列号,那么商品的序列号也可以作为商品的类别。
可见,商品类别可以是从多种属性来判断的,而同一商品,可以归属于多个属性的类别,比如,按照品牌可以归为一类,按照款式又可以归为一类、按照颜色,也可以归为一类。
在本说明书实施例中,商品图像的类别可以通过图像特征来体现,比如,商标、序列号的形状,商品的形状,商品的颜色等。
因此,图像特征可以包括商标形状、商品序列号、商品形状和商品颜色中的至少一个。
S102:利用构建的商品类别识别模型预估所述商品图像的商品类别信息。
以构建的模型自动地识别商品图像中所隐含的商品类别信息,能够更直接的得到该商品的类别,没有人为主观因素的干扰,提高了准确度和全面性。
可选地,在利用构建的商品类别识别模型预估所述商品图像的商品类别信息之前,还包括:
构建商品库,所述商品库中具有样本商品图像和为所述样本商品图像配置的商品类别信息;
基于所述样本商品图像和所述商品类别信息构建商品类别识别模型。
这里,通过构建商品库,可以以统一的分类规则来对商品进行分类,相比于线上交易平台中各个商户独自配注关键字的方式,统一的分类使得商品类别的识别更准确。
这里构建的商品库,作用之一是收集构建商品类别识别模型的样本,此外,由于商品库中具有多种商品类别信息,因此,在识别到图像中隐含的商品类别信息后,可以结合商品库查询该类别下的商品,进行推荐。
可选地,所述基于所述样本商品图像和所述商品类别信息构建商品类别识别模型,包括:
以所述样本商品图像为训练样本,以所述商品类别信息为标签,以监督学习的方式训练商品类别识别模型。
其中,训练的识别模型可以是深度神经网络,深度神经网络表现出良好的性能,速度快,精度高,通用性强的特点使其成为当前最好的目标检测模型之一。
在本说明书实施例中,可以采用多目标监督的方式商品类别识别模型,是该模型学习到多种属性的商品类别信息。
对于其一种实施方式,目标函数可以是:
L=wp*Lp+ws*Ls+wc*Lc
其中:L为总的目标函数,Lp为图像单品识别的目标函数,Ls为图像所属系列识别的目标函数,lc为鞋子单品对比目标函数。而wp、ws、wc分别为三个目标函数的权重。
可选地,所述构建商品库,包括:
收集样本商品图像;
基于所述样本商品图像的图像特征为所述样本商品图像配置商品类别信息,所述图像特征包括商标形状、商品序列号、商品形状和商品颜色中的至少一个。
其中,商品库可以看作存储商品信息的数据库。
其中,构建商品库可以是对常见品牌如李宁、安踏等品牌鞋子按照单品进行入库(商品库)操作,同时记录每一款单品的价格、所属系列、颜色、鞋码、图像、品牌等等信息,这样,每一款鞋子能够唯一对应数据库中每一条数据,一条数据可以具有多个属性的商品类别信息。
在建立商品库以后,需要针对商品库中的每款商品进行图像采集和标注,比如,标注商标所处的物体框(相当于标注商标所处的区域),为不同的商标标注对应的品牌,再比如,标注商品的轮廓形状,为不同轮廓的商品标注对应的款式,在此不做具体阐述和限制。
通过在样本商品图像中标注商品区域位置来构建识别模型,可以使该识别模型自动的对商品所处区域的图像进行处理,得到商品类别。
在所述利用构建的商品类别识别模型预估所述商品图像的商品类别信息之前,还包括:
基于训练的目标商品判别模型判别所述商品图像中是否具有目标商品。
可选地,所述目标商品判别模型是以含有目标商品的图像为正样本,以不含目标商品的图像为负样本训练得到的。
在其中的一种实施方式中,为了减少样本商品图像中多余因素的干扰,可以裁剪出商品图像,去除背景图像,因此,以所述样本商品图像为训练样本,以所述商品类别信息为标签,以监督学习的方式训练商品类别识别模型,还可以包括:
在所述样本商品图像中裁剪出以商品的轮廓为边界的图像。
S103:基于预估到的所述商品类别信息向所述用户推荐同一类别的商品。
该方法通过结合用户浏览的商品图像,利用构建的商品类别识别模型自动地预估用户浏览的商品图像中商品的类别信息,根据预估到的商品类别信息向用户推荐同一类别的商品,由于商品图像中携带的信息能够更直接反映商品的类别信息,因此,通过对商品图像来预测商品的类别,使得商品推荐更全面且准确,不受为图像配注关键字的限制,因此适用性强,适用范围广。
在本说明书实施例中,基于预估到的所述商品类别信息向所述用户推荐同一类别的商品,可以包括:
向所述用户推荐同一品牌的商品、同一系列的商品、同一款式的商品中的至少一者。
在其中的一种应用中,商品可以是鞋子,随着国内外Sneaker(Sneaker的原意是胶底鞋,也是我们通称的一次硫化布胶鞋)文化的传播,使得鞋子不仅仅只是用来穿着的,鞋子也变成了一种文化,而随着鞋子的逐步商业化,鞋子也开始出现很多噱头,如限量版本、限定版、球员版、特殊版等价格不菲的商品,国内外也涌现出毒app(鉴定鞋子品牌真伪的应用程序)等基于潮鞋交易的电商平台,因此,向用户推荐鞋子一定程度上可以满足用户的潜在需求,达到个性化推荐的效果。
在其中的一种应用场景中,获取用户点击或者阅读图像,利用目标商品判别模型来检测该图像是否含有鞋子,并裁剪出鞋子所在的物体框。然后将裁剪的图像输入到商品类别识别模型,对鞋子图像进行类别识别。最后根据鞋子款式信息对用户推送鞋子广告。
通过识别鞋子单品图像中隐含的商品类别信息推荐商品,兼顾图像中鞋子的具体信息(款式、系列、品牌),对用户点击的图像进行鞋款识别后投放对应款式和系列的精准广告。由于基于商品单品的多个属性的商品类别信息构建识别模型,使得该模型可从多个维度来识别鞋子的类别,识别结果全面、准确。
此外,上述方法构建了一个详细的鞋子商品库,并对商品鞋子库中的数据进行标注,便于利用该商品库对用户推荐鞋子信息。
在一个实施例中,S103可以包括:则是利用S102中识别出的商品类别信息,从商品库中获取具有相同类别信息的鞋子,对用户推荐对应单品。
因此,所述基于预估到的所述商品类别信息向所述用户推荐同一类别的商品,可以包括:
基于构建的商品库和预估得到的所述商品类别信息向所述用户推荐同一类别的商品。
基于同一发明构思,本说明书实施例还提供一种大额度业务授信的装置。
图2为本说明书实施例提供的一种基于识别商品图像推荐商品的装置的结构示意图,该装置可以包括:
图像获取模块201,确定用户浏览的商品图像;
识别模块202,利用构建的商品类别识别模型预估所述商品图像的商品类别信息;
推荐模块203,基于预估到的所述商品类别信息向所述用户推荐同一类别的商品。
可选地,该装置还可以还包括,模型模块,用于构建商品库;
基于所述样本商品图像和所述商品类别信息构建商品类别识别模型,所述商品库中具有样本商品图像和为所述样本商品图像配置的商品类别信息。
可选地,所述基于所述样本商品图像和所述商品类别信息构建商品类别识别模型,包括:
以所述样本商品图像为训练样本,以所述商品类别信息为标签,以监督学习的方式训练商品类别识别模型。
可选地,所述构建商品库,包括:
收集样本商品图像;
基于所述样本商品图像的图像特征为所述样本商品图像配置商品类别信息,所述图像特征包括商标形状、商品序列号、商品形状和商品颜色中的至少一个。
可选地,所述商品类别信息包括商品品牌、商品系列、商品款式中的至少一个。
可选地,所述基于预估到的所述商品类别信息向所述用户推荐同一类别的商品,包括:
向所述用户推荐同一品牌的商品、同一系列的商品、同一款式的商品中的至少一者。
可选地,所述识别模块,还用于在所述利用构建的商品类别识别模型预估所述商品图像的商品类别信息之前,基于训练的目标商品判别模型判别所述商品图像中是否具有目标商品。
可选地,所述目标商品判别模型是以含有目标商品的图像为正样本,以不含目标商品的图像为负样本训练得到的。
可选地,所述商品图像携带有商品类别信息的图像。
该装置通过结合用户浏览的商品图像,利用构建的商品类别识别模型自动地预估用户浏览的商品图像中商品的类别信息,根据预估到的商品类别信息向用户推荐同一类别的商品,由于商品图像中携带的信息能够更直接反映商品的类别信息,因此,通过对商品图像来预测商品的类别,使得商品推荐更全面且准确,不受为图像配注关键字的限制,因此适用性强,适用范围广。
基于同一发明构思,本说明书实施例还提供一种电子设备。
下面描述本发明的电子设备实施例,该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节,应视为对于上述方法或装置实施例的补充;对于在本发明电子设备实施例中未披露的细节,可以参照上述方法或装置实施例来实现。
图3为本说明书实施例提供的一种电子设备的结构示意图。下面参照图3来描述根据本发明该实施例的电子设备300。图3显示的电子设备300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3所示,电子设备300以通用计算设备的形式表现。电子设备300的组件可以包括但不限于:至少一个处理单元310、至少一个存储单元320、连接不同系统组件(包括存储单元320和处理单元310)的总线330、显示单元340等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元310执行,使得所述处理单元310执行本说明书上述处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元310可以执行如图1所示的步骤。
所述存储单元320可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)3201和/或高速缓存存储单元3202,还可以进一步包括只读存储单元(ROM)3203。
所述存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204,这样的程序模块3205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线330可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备300也可以与一个或多个外部设备400(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备300交互的设备通信,和/或与使得该电子设备300能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口350进行。并且,电子设备300还可以通过网络适配器360与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器360可以通过总线330与电子设备300的其它模块通信。应当明白,尽管图3中未示出,可以结合电子设备300使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,本发明描述的示例性实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时,使得该计算机可读介质能够实现本发明的上述方法,即:如图1所示的方法。
所述计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
所述计算机可读存储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,其中承载了可读程序代码。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。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。可读存储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、有线、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的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述,本发明可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,本发明不与任何特定计算机、虚拟装置或者电子设备固有相关,各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述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 (20)
1.一种基于识别商品图像推荐商品的方法,其特征在于,包括:
确定用户浏览的商品图像;
利用构建的商品类别识别模型预估所述商品图像的商品类别信息;
基于预估到的所述商品类别信息向所述用户推荐同一类别的商品。
2.根据权利要求1所述的方法,其特征在于,在利用构建的商品类别识别模型预估所述商品图像的商品类别信息之前,还包括:
构建商品库,所述商品库中具有样本商品图像和为所述样本商品图像配置的商品类别信息;
基于所述样本商品图像和所述商品类别信息构建商品类别识别模型。
3.根据权利要求2所述的方法,其特征在于,所述基于所述样本商品图像和所述商品类别信息构建商品类别识别模型,包括:
以所述样本商品图像为训练样本,以所述商品类别信息为标签,以监督学习的方式训练商品类别识别模型。
4.根据权利要求2所述的方法,其特征在于,所述构建商品库,包括:
收集样本商品图像;
基于所述样本商品图像的图像特征为所述样本商品图像配置商品类别信息,所述图像特征包括商标形状、商品序列号、商品形状和商品颜色中的至少一个。
5.根据权利要求2所述的方法,其特征在于,所述商品类别信息包括商品品牌、商品系列、商品款式中的至少一个。
6.根据权利要求5所述的方法,其特征在于,所述基于预估到的所述商品类别信息向所述用户推荐同一类别的商品,包括:
向所述用户推荐同一品牌的商品、同一系列的商品、同一款式的商品中的至少一者。
7.根据权利要求1所述的方法,其特征在于,在所述利用构建的商品类别识别模型预估所述商品图像的商品类别信息之前,还包括:
基于训练的目标商品判别模型判别所述商品图像中是否具有目标商品。
8.根据权利要求7所述的方法,其特征在于,所述目标商品判别模型是以含有目标商品的图像为正样本,以不含目标商品的图像为负样本训练得到的。
9.根据权利要求1所述的方法,其特征在于,所述商品图像携带有商品类别信息的图像。
10.一种基于识别商品图像推荐商品的装置,其特征在于,包括:
图像获取模块,确定用户浏览的商品图像;
识别模块,利用构建的商品类别识别模型预估所述商品图像的商品类别信息;
推荐模块,基于预估到的所述商品类别信息向所述用户推荐同一类别的商品。
11.根据权利要求10所述的装置,还包括,模型模块,用于构建商品库;
基于所述样本商品图像和所述商品类别信息构建商品类别识别模型,所述商品库中具有样本商品图像和为所述样本商品图像配置的商品类别信息。
12.根据权利要求11所述的装置,所述基于所述样本商品图像和所述商品类别信息构建商品类别识别模型,包括:
以所述样本商品图像为训练样本,以所述商品类别信息为标签,以监督学习的方式训练商品类别识别模型。
13.根据权利要求11所述的装置,所述构建商品库,包括:
收集样本商品图像;
基于所述样本商品图像的图像特征为所述样本商品图像配置商品类别信息,所述图像特征包括商标形状、商品序列号、商品形状和商品颜色中的至少一个。
14.根据权利要求11所述的装置,所述商品类别信息包括商品品牌、商品系列、商品款式中的至少一个。
15.根据权利要求14所述的装置,所述基于预估到的所述商品类别信息向所述用户推荐同一类别的商品,包括:
向所述用户推荐同一品牌的商品、同一系列的商品、同一款式的商品中的至少一者。
16.根据权利要求10所述的装置,所述识别模块,还用于在所述利用构建的商品类别识别模型预估所述商品图像的商品类别信息之前,基于训练的目标商品判别模型判别所述商品图像中是否具有目标商品。
17.根据权利要求16所述的装置,所述目标商品判别模型是以含有目标商品的图像为正样本,以不含目标商品的图像为负样本训练得到的。
18.根据权利要求10所述的装置,所述商品图像携带有商品类别信息的图像。
19.一种电子设备,其中,该电子设备包括:
处理器;以及,
存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行根据权利要求1-9中任一项所述的方法。
20.一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被处理器执行时,实现权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911194745.5A CN110992141A (zh) | 2019-11-28 | 2019-11-28 | 基于识别商品图像推荐商品的方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911194745.5A CN110992141A (zh) | 2019-11-28 | 2019-11-28 | 基于识别商品图像推荐商品的方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110992141A true CN110992141A (zh) | 2020-04-10 |
Family
ID=70087933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911194745.5A Pending CN110992141A (zh) | 2019-11-28 | 2019-11-28 | 基于识别商品图像推荐商品的方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110992141A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344108A (zh) * | 2021-06-25 | 2021-09-03 | 视比特(长沙)机器人科技有限公司 | 一种商品识别与姿态估计方法及装置 |
CN113535015A (zh) * | 2020-04-17 | 2021-10-22 | 北京搜狗科技发展有限公司 | 一种信息推荐方法、装置和电子设备 |
CN113674054A (zh) * | 2021-08-13 | 2021-11-19 | 青岛海信智慧生活科技股份有限公司 | 商品类别的配置方法、装置及系统 |
CN114581207A (zh) * | 2022-05-09 | 2022-06-03 | 北京嘉沐安科技有限公司 | 一种面向电商平台的商品图像大数据精准推送方法及系统 |
CN114997944A (zh) * | 2022-05-18 | 2022-09-02 | 拉扎斯网络科技(上海)有限公司 | 实体对象推荐方法、电子设备和计算机可读存储介质 |
WO2024093440A1 (zh) * | 2022-10-31 | 2024-05-10 | 深圳新度博望科技有限公司 | 广告投放方法、装置、计算机设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504055A (zh) * | 2014-12-19 | 2015-04-08 | 常州飞寻视讯信息科技有限公司 | 基于图像相似度的商品相似计算方法及商品推荐系统 |
CN107862562A (zh) * | 2017-09-15 | 2018-03-30 | 广州唯品会研究院有限公司 | 一种根据用户的图片喜好选择进行商品推荐的方法及装置 |
CN108509466A (zh) * | 2017-04-14 | 2018-09-07 | 腾讯科技(深圳)有限公司 | 一种信息推荐方法和装置 |
CN110060121A (zh) * | 2019-03-14 | 2019-07-26 | 五邑大学 | 基于特征排序的商品推荐方法、装置和存储介质 |
-
2019
- 2019-11-28 CN CN201911194745.5A patent/CN110992141A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504055A (zh) * | 2014-12-19 | 2015-04-08 | 常州飞寻视讯信息科技有限公司 | 基于图像相似度的商品相似计算方法及商品推荐系统 |
CN108509466A (zh) * | 2017-04-14 | 2018-09-07 | 腾讯科技(深圳)有限公司 | 一种信息推荐方法和装置 |
CN107862562A (zh) * | 2017-09-15 | 2018-03-30 | 广州唯品会研究院有限公司 | 一种根据用户的图片喜好选择进行商品推荐的方法及装置 |
CN110060121A (zh) * | 2019-03-14 | 2019-07-26 | 五邑大学 | 基于特征排序的商品推荐方法、装置和存储介质 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113535015A (zh) * | 2020-04-17 | 2021-10-22 | 北京搜狗科技发展有限公司 | 一种信息推荐方法、装置和电子设备 |
CN113344108A (zh) * | 2021-06-25 | 2021-09-03 | 视比特(长沙)机器人科技有限公司 | 一种商品识别与姿态估计方法及装置 |
CN113674054A (zh) * | 2021-08-13 | 2021-11-19 | 青岛海信智慧生活科技股份有限公司 | 商品类别的配置方法、装置及系统 |
CN113674054B (zh) * | 2021-08-13 | 2023-12-05 | 青岛海信智慧生活科技股份有限公司 | 商品类别的配置方法、装置及系统 |
CN114581207A (zh) * | 2022-05-09 | 2022-06-03 | 北京嘉沐安科技有限公司 | 一种面向电商平台的商品图像大数据精准推送方法及系统 |
CN114581207B (zh) * | 2022-05-09 | 2022-09-13 | 农夫铺子发展集团有限公司 | 一种面向电商平台的商品图像大数据精准推送方法及系统 |
CN114997944A (zh) * | 2022-05-18 | 2022-09-02 | 拉扎斯网络科技(上海)有限公司 | 实体对象推荐方法、电子设备和计算机可读存储介质 |
WO2024093440A1 (zh) * | 2022-10-31 | 2024-05-10 | 深圳新度博望科技有限公司 | 广告投放方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110992141A (zh) | 基于识别商品图像推荐商品的方法、装置和电子设备 | |
US20230316442A1 (en) | Document term recognition and analytics | |
US10891585B2 (en) | Cognitive fashion-ability score driven fashion merchandising acquisition | |
CN109389442A (zh) | 商品推荐方法及装置、存储介质及电子终端 | |
Zhao et al. | Neo-fashion: A data-driven fashion trend forecasting system using catwalk analysis | |
US8793201B1 (en) | System and method for seeding rule-based machine learning models | |
WO2012071543A2 (en) | Price and model prediction system and method | |
Wang et al. | Database submission—market dynamics and user-generated content about tablet computers | |
US20190080352A1 (en) | Segment Extension Based on Lookalike Selection | |
CN112818218B (zh) | 信息推荐方法、装置、终端设备及计算机可读存储介质 | |
CN111754278A (zh) | 物品推荐方法、装置、计算机存储介质和电子设备 | |
CN113516496A (zh) | 广告转化率预估模型构建方法、装置、设备及其介质 | |
CN111553765A (zh) | 一种电商搜索排序方法、装置及计算设备 | |
CN114997916A (zh) | 潜在用户的预测方法、系统、电子设备和存储介质 | |
US11392919B2 (en) | Credit data analysis | |
CN111523315B (zh) | 数据处理方法、文本识别方法、装置及计算机设备 | |
Liu et al. | Extracting, ranking, and evaluating quality features of web services through user review sentiment analysis | |
CN118193806A (zh) | 一种目标检索方法、装置、电子设备及存储介质 | |
CN113793161B (zh) | 广告投放方法、广告投放装置、可读存储介质及电子设备 | |
CN113674043B (zh) | 商品推荐方法及装置、计算机可读存储介质、电子设备 | |
KR20100123206A (ko) | 인공지능에 기반한 랭킹 분석 방법, 이를 기록한 기록 매체, 그 장치 | |
US20180211297A1 (en) | Automatic Update Of A Shadow Catalog Database Based On Transactions Made Using A Catalog Database | |
CN112015970A (zh) | 产品推荐方法、相关设备及计算机存储介质 | |
CN113297471B (zh) | 生成数据对象标签、数据对象搜索方法、装置及电子设备 | |
Brackmann et al. | Identifying Application Areas for Machine Learning in the Retail Sector: A Literature Review and Interview Study |
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 | ||
CB02 | Change of applicant information |
Country or region after: China Address after: Room 6416, Building 13, No. 723 Tongxin Road, Hongkou District, Shanghai 200080 Applicant after: Shanghai Dewu Information Group Co.,Ltd. Address before: Room B6-2005, No. 121 Zhongshan North 1st Road, Hongkou District, Shanghai Applicant before: SHANGHAI SHIZHUANG INFORMATION TECHNOLOGY Co.,Ltd. Country or region before: China |