CN111539782B - 基于深度学习的商户信息数据处理方法及其系统 - Google Patents
基于深度学习的商户信息数据处理方法及其系统 Download PDFInfo
- Publication number
- CN111539782B CN111539782B CN202010070878.8A CN202010070878A CN111539782B CN 111539782 B CN111539782 B CN 111539782B CN 202010070878 A CN202010070878 A CN 202010070878A CN 111539782 B CN111539782 B CN 111539782B
- Authority
- CN
- China
- Prior art keywords
- data
- merchant
- deep learning
- module
- logo
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 142
- 238000003672 processing method Methods 0.000 title claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 109
- 238000009877 rendering Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000002372 labelling Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000012163 sequencing technique Methods 0.000 claims abstract description 14
- 238000005516 engineering process Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 14
- 230000003993 interaction Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 230000001965 increasing effect Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 239000003623 enhancer Substances 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 10
- 238000000605 extraction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
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]
- G06Q30/0641—Shopping interfaces
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及基于深度学习的商户信息数据处理方法及其系统。该方法包括:预先收集商户LOGO图像数据并对LOGO图像数据进行标注,将标注数据输入到深度学习网络进行训练并获得深度学习网络模型;拍摄商户LOGO图像,将LOGO图像数据输入到深度学习网络模型中进行LOGO识别,以商户LOGO图像为目标进行跟踪以及动画渲染,对于可识别LOGO图像,根据识别结果向用户投放折扣券;对预先登记的商户数据以及用户刷卡数据进行数据处理,使得对齐用户识别得到的商户LOGO图像和预先登记的商户数据,并基于第二深度学习网络对商户数据进行排序和推荐。根据本发明,能够提高营销决策的准确性,减少人力和时间成本。
Description
技术领域
本发明涉及计算机技术,具体地涉及一种用于基于深度学习的商户信息数据处理方法以及商户信息数据处理系统。
背景技术
大数据时代,用户数据的获取、用户行为的分析对企业的营销和市场策略有重要的辅助决策价值。目前,大部分企业收集数据的渠道有限,多数建立在常见的用户交易和用户交互基础上,数据的规模和灵活性有待提高。利用人工智能和大数据进行精准营销和市场定位,依赖于多样的数据来源、准确的数据信息和数据处理算法。因此,如何扩展数据来源,提高运用数据的能力和丰富数据资产是企业发展的重要课题。
电子商务支付类产品营销中,从用户角度和商户角度,目前的数据获取和营销决策有以下方式:
(1)用户行为和特征信息的获取主要有以下两种渠道:
通过银行卡刷卡行为或电子支付记录获取用户消费信息;
通过电子支付、电子商务类等APP的信息和使用行为获取 用户消费记录和消费特征。
(2)针对用户的营销策略主要有以下几种形式:
网络营销:通过多种网络平台推广产品和活动信息。如:网络视频营销、基于APP营销、博客营销、网络整合营销、社交媒体营销、基于用户位置信息进行个性化推荐等。
广告营销:在线上和线下针对目标受众投入广告进行营销。
促销营销:使用阶梯价格、降价、打折、折扣券等形式吸引用户,刺激消费行为。
(3)商户信息的获取主要通过企业和商户合作的方式,或通过商户在工商部门的注册信息获取。
(4)商户合作和商户定位包含以下几种方式:
利用大数据技术,在海量数据基础上进行智能决策,挑选合作商户以及对商户进行精准营销定位;
针对特定类型、特定品牌、固定规模和知名度的商户进行特约合作;
与某一区域或某一条件范围内商户进行广泛合作。
目前,现有技术存在的问题有:
(1)收集的商户数据与用户数据无法匹配,难以获得精准的用户和商户信息,影响企业数据准确性。以银联获取的数据为例,银联目前获取到大量商户的入网注册信息,如商户注册名等。然而,在很多情形下,商户注册名与商户名并不匹配。例如用户刷卡或使用电子平台支付时,支付信息与消费场所的商户名不同。大规模无法匹配的数据导致用户消费行为和喜好等特征无法描绘,进而影响智能营销决策对合作商户的定位和挖掘。除此以外,对银联内部的数据资产而言,不匹配数据对后续的业务开展和数据运用有很大的局限性。
(2)在商户合作和定位中,传统的决策方案忽视用户的喜好和消费行为等特征,往往无法精准挖掘合作商户和定位商户类型,缺点之一是(1)中提及的无法匹配数据的问题,另一个缺点是以企业和商户合作方式获取商户信息耗费巨大的人力和时间成本。
(3)大数据时代,营销决策需要海量数据作为营销决策基础。现有方案中,用户信息获取的两种渠道都有局限性。大部分企业无法获取用户银行卡刷卡信息,并且刷卡信息中包含的不匹配信息会降低数据库的准确度,影响数据使用。而基于APP中的用户使用和足迹等获取用户信息,依赖APP覆盖用户数量、APP包含的商户数量、APP提供的功能多样性等。以云闪付为例,目前云闪付覆盖的商户数量有限,商户类型不够多元化,用户交互功能有限。仅依赖用户日常使用和交互留下的点击信息无法获取有效的数据,从而影响用户画像刻画及进一步的智能化营销决策。
(4)传统的营销方式难以吸引用户注意力。一方面是大规模的促销和补贴活动会耗费巨大财力。另一方面,用户对现有的视频、广告、促销等常见的营销方式有麻木感,新的营销方式需要从视觉、新奇、情感、科技感等方面创新,吸引用户注意力,激发用户尝试和参与。
发明内容
鉴于上述问题,本发明旨在提出一种能够对商户信息进行优化处理的基于深度学习的商户信息数据处理方法以及商户信息数据处理系统。
本发明的基于深度学习的商户信息数据处理方法,其特征在于,包括:
图像处理步骤,预先收集商户LOGO图像数据并对LOGO图像数据进行标注,将标注数据输入到第一深度学习网络进行训练并获得第一深度学习网络模型;以及
图像扫描步骤,拍摄商户LOGO图像,并将LOGO图像数据输入到所述第一深度学习网络模型中进行LOGO识别,以商户LOGO图像为目标进行跟踪以及动画渲染,对于可识别LOGO图像,根据识别结果向用户投放折扣券。
可选地,在所述图像扫描步骤中,在基于用户折扣券进行刷卡消费的情况下获得用户刷卡数据。
可选地,在所述图像扫描步骤之后进一步包括:
数据处理步骤,对预先登记的商户数据以及通过所述图像扫描步骤获得的用户刷卡数据进行数据处理,使得对齐用户识别得到的商户LOGO图像和预先登记的商户数据,并基于第二深度学习网络对商户数据进行排序和推荐。
可选地,在所述图像扫描步骤中包括下述子步骤:
预先收集商户LOGO图像数据,并且增加未合作商户LOGO图像数据;
对LOGO图像数据进行标注;
对于标注后的数据使用数据增强增加数据量;
将增加数据量后的数据输入到深度学习网络中进行模型训练并得到所述第一深度学习网络模型。
可选地,所述第一深度学习网络是指以下的任意一种:
SSD网络、Faster RCNN、Yolo。
可选地,所述第一深度学习网络采用SSD网络。
可选地,所述SSD网络由基础网络和金字塔网络两部分组成,所述基础网络由VGG-16-Atrous组成,所述金字塔网络由五个特征图逐渐变小的卷积网络组成。
可选地,所述对于标注后的数据使用数据增强增加数据量包括以下一项或者多项:
对图像进行随机裁剪、旋转、翻转、透视变换。
可选地,所述图像扫描步骤包括下述子步骤:
拍摄商户LOGO图像;
将拍摄得到LOGO图像数据输入到所述第一深度学习网络模型中进行LOGO识别;
将以商户LOGO图像为目标进行跟踪以实现虚拟场景和实景的融合;
对于融合后的场景,使用渲染技术进行动画渲染;
对于可识别LOGO图像在动画渲染之后,根据识别结果向用户投放折扣券。
可选地,对于不可识别LOGO图像在动画渲染之后,将不可识别LOGO图像输入到所述深度学习网络模型进行识别。
可选地,在向用户投放折扣券之后,将刷卡信息和商户名称信息输出。
可选地,在进行动画渲染景的同时还设置用户可操作交互功能。
可选地,所述数据处理步骤包括下述子步骤:
对预先登记的商户数据以及通过所述图像扫描步骤获得的用户刷卡数据进行数据处理;
利用所述商户数据以及所述用户刷卡数据,使得对齐用户识别得到LOGO信息和预先登记的商户数据对齐;
基于优化的encoder-decoder的深度学习网络对商户数据进行排序和推荐。
可选地,基于优化的encoder-decoder的深度学习网络对商户数据进行排序和推荐包括:
基于encoder-decoder 的LDA-CDR算法提取用户和商户特征并映射至相同特征空间,得到用户对商户的喜爱程度,并依据喜爱程度对商户进行排序。
本发明的基于深度学习的用户终端,其特征在于,在所述用户终端设置图像扫描模块,
所述图像扫描模块用于拍摄商户LOGO图像,并将LOGO图像数据输入到外部的第一深度学习网络模型中进行LOGO识别,以商户LOGO图像为目标进行跟踪和动画渲染。
可选地,所述图像扫描模块包括:
采集子模块,用于采集商户LOGO图像;
识别子模块,用于将采集到的LOGO图像数据输入到所述第一深度学习网络模型中进行LOGO识别;
融合子模块,用于以商户LOGO图像为目标进行跟踪以实现虚拟场景和实景的融合;以及
渲染子模块,用于对于融合后的场景,使用渲染技术进行动画渲染。
可选地,所述图像扫描模块进一步包括:
交互子模块,实现用户可操作交互功能。
可选地,所述用户终端进一步包括:
第一上传子模块,对于不可识别LOGO图像在动画渲染之后,将不可识别LOGO图像上传到外部;以及
第二上传模块,将刷卡信息上传到外部。
本发明的基于深度学习的服务端,其特征在于,包括:
图像处理模块,用于预先收集商户LOGO图像数据并对LOGO图像数据进行标注,将标注数据输入到深度学习网络进行训练并获得第一深度学习网络模型;
数据处理模块,用于对预先登记的商户数据以及通过从外部的用户终端获得的用户刷卡数据进行数据处理,使得对齐用户识别得到的商户LOGO图像和预先登记的商户数据,并且基于第二深度学习网络对商户数据进行排序和推荐。
可选地,所述第一深度学习网络是指以下的任意一种:
SSD网络、Faster RCNN、Yolo。
可选地,所述第一深度学习网络采用SSD网络。
可选地,所述SSD网络由基础网络和金字塔网络两部分组成,
所述基础网络由VGG-16-Atrous组成,
所述金字塔网络由五个特征图逐渐变小的卷积网络组成。
可选地,所述图像处理模块包括:
收集子模块,用于预先收集商户LOGO图像数据,并且增加未合作商户LOGO图像数据;
标注子模块,用于对LOGO图像数据进行标注;
增强子模块,用于对于标注后的数据使用数据增强增加数据量;以及
训练子模块,拥有将增加数据量后的数据输入到第一深度学习网络中进行模型训练并得到所述第一深度学习网络模型。
可选地,所述数据处理模块包括:
处理子模块,用于对预先登记的商户数据以及通过外部的用户终端获得的用户刷卡数据进行数据处理;
对齐子模块,用于利用所述商户数据以及所述用户刷卡数据,使得对齐用户识别得到LOGO信息和预先登记的商户数据对齐;以及
排序子模块,用于基于优化的encoder-decoder的深度学习网络对商户数据进行排序和推荐。
可选地,所述排序子模块 基于encoder-decoder 的LDA-CDR算法提取用户和商户特征并映射至相同特征空间,得到用户对商户的喜爱程度,并依据喜爱程度对商户进行排序。可选地,
本发明的基于深度学习的商户信息数据处理系统,其特征在于,包括:包括用户终端和服务端,
在所述用户终端设置图像扫描模块,
在所述服务端设置图像处理模块和数据处理模块,
所述图像处理模块用于预先收集商户LOGO图像数据并对LOGO图像数据进行标注,将标注数据输入到深度学习网络进行训练并获得第一深度学习网络模型,
所述图像扫描模块用于拍摄商户LOGO图像,并将LOGO图像数据输入到所述第一深度学习网络模型中进行LOGO识别,以商户LOGO图像为目标进行跟踪和动画渲染,
所述数据处理模块用于对预先登记的商户数据以及通过所述图像扫描模块获得的用户刷卡数据进行数据处理,使得对齐用户识别得到的商户LOGO图像和预先登记的商户数据,并且基于第二深度学习网络对商户数据进行排序和推荐。
可选地,所述图像处理模块包括:
收集子模块,用于预先收集商户LOGO图像数据,并且增加未合作商户LOGO图像数据;
标注子模块,用于对LOGO图像数据进行标注;
增强子模块,用于对于标注后的数据使用数据增强增加数据量;
训练子模块,拥有将增加数据量后的数据输入到第一深度学习网络中进行模型训练并得到所述第一深度学习网络模型。
可选地,所述图像扫描模块包括:
采集子模块,用于采集商户LOGO图像;
识别子模块,用于将采集到的LOGO图像数据输入到所述第一深度学习网络模型中进行LOGO识别;
融合子模块,用于以商户LOGO图像为目标进行跟踪以实现虚拟场景和实景的融合;以及
渲染子模块,用于对于融合后的场景,使用渲染技术进行动画渲染。
可选地,所述用户终端进一步包括:
第一上传子模块,对于不可识别LOGO图像在动画渲染之后,将不可识别LOGO图像上传到所述图像处理模块;
第二上传模块,将刷卡信息上传到所述数据处理模块。
可选地,所述数据处理模块包括:
处理子模块,用于对预先登记的商户数据以及通过所述图像扫描模块获得的用户刷卡数据进行数据处理;
对齐子模块,用于利用所述商户数据以及所述用户刷卡数据,使得对齐用户识别得到LOGO信息和预先登记的商户数据对齐;以及
排序子模块,用于基于优化的encoder-decoder的深度学习网络对商户数据进行排序和推荐。
可选地,所述排序子模块 基于encoder-decoder 的LDA-CDR算法提取用户和商户特征并映射至相同特征空间,得到用户对商户的喜爱程度,并依据喜爱程度对商户进行排序。
本发明的计算机可读介质,其上存储有计算机程序,其特征在于,
该计算机程序被处理器执行时实现上述的基于深度学习的商户信息数据处理方法。
本发明的计算机设备,包括存储模块、处理器以及存储在存储模块上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述的基于深度学习的商户信息数据处理方法。
附图说明
图1是表示本发明的用于基于深度学习的商户信息数据处理方法的概要流程图。
图2是表示本发明一个实施例的基于深度学习的商户信息数据处理方法的流程示意图。
图3是表示本发明的一个实施例的商户信息数据处理系统的构造框图。
具体实施方式
下面介绍的是本发明的多个实施例中的一些,旨在提供对本发明的基本了解。并不旨在确认本发明的关键或决定性的要素或限定所要保护的范围。
出于简洁和说明性目的,本文主要参考其示范实施例来描述本发明的原理。但是,本领域技术人员将容易地认识到,相同的原理可等效地应用于所有类型的基于深度学习的商户信息数据处理方法以及商户信息数据处理系统,并且可以在其中实施这些相同的原理,以及任何此类变化不背离本专利申请的真实精神和范围。
而且,在下文描述中,参考了附图,这些附图图示特定的示范实施例。在不背离本发明的精神和范围的前提下可以对这些实施例进行电、机械、逻辑和结构上的更改。此外,虽然本发明的特征是结合若干实施/实施例的仅其中之一来公开的,但是如针对任何给定或可识别的功能可能是期望和/或有利的,可以将此特征与其他实施/实施例的一个或多个其他特征进行组合。因此,下文描述不应视为在限制意义上的,并且本发明的范围由所附权利要求及其等效物来定义。
诸如“具备”和“包括”之类的用语表示除了具有在说明书和权利要求书中有直接和明确表述的单元(模块)和模块以外,本发明的技术方案也不排除具有未被直接或明确表述的其它单元(模块)和模块的情形。
在说明本发明之前,先对于本发明中将要出现的技术用语进行简单说明。
(1)BA(Bundle Adjustment,光束平差法)
利用非线性最小二乘法来求取相机位姿,三维点坐标。在仅给定相机内部矩阵的条件下,对四周物体进行高精度重建。
(2)半监督学习(Semi-supervised Learning)
是监督学习与无监督学习相结合的一种学习方法,它主要考虑如何利用少量的标注样本和大量的未标注样本进行训练和分类的问题。
(3)深度学习
是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本。深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。
(4)AR(Augmented Reality,增强现实)
将模拟世界与真实世界融合的计算机技术。
(5)SSD(Single-Shot MultiBox Detector,SSD网络)
基于深度学习的目标检测算法。
(6)BA(Bundle Adjustment,光束平差法)
最小化重投影误差校正2D点和3D点对应坐标。
(7)VGG(Visual Geometry Group Network,视觉几何网络)
CNN特征提取网络。
(8)CDR(Collaborative Deep Ranking,协同深度排序)
基于协同深度学习(CDL)的推荐算法。
(6)LDA(Latent Dirichlet Allocation,隐含狄利克雷分布)
三层贝叶斯概率。
接着,说明本发明的用于基于深度学习的商户信息数据处理方法以及用于基于深度学习的商户信息数据处理系统。
图1是表示本发明的用于基于深度学习的商户信息数据处理方法的概要流程图。
如图1所示,从图1自上而下表示用户端的处理流程(由用户端实现)、服务端的图像处理流程以及服务端的数据处理流程。
在图1中,箭头1表示由服务端训练后的目标检测识别模型在用户端实现LOGO识别功能。用户端收集到的手机拍摄数据由箭头2、3、4传入服务端。其中,箭头2表示不可识别LOGO图像由用户端输入到服务端的模型训练,箭头3表示将用户端识别出的LOGO名称等信息传入服务端进行数据处理,箭头4将用户消费后的刷卡信息返回服务端进行数据补充。
首先,说明服务端的图像处理流程。
如图1所示,服务端的图像处理流程包括:
S1:在服务端收集合作商户图像(例如LOGO);
S2:对图像数据进行标注;
S3:通过数据增强增加数据量;
S4:利用处理后的图像数据训练预训练网络,这里作为一个示例使用SSD网络实现图像识别,并将SSD网络模型提供给用户端,另一方面,基于半监督学习,将新图像数据输入SSD网络;
S5:对目标进行定位,即定位待分类LOGO;以及
S6:进行具体分类,即标注分类标签。
可选地,还可以进一步具备:
S7:进一步增加未具体分类样本(others类)并输入到S2中进行图片标注等预处理。
S8: 对SSD网络进行测试验证(这里的测试验证是指深度学习中训练、优化过程中使用验证集调优,测试集进行模型准确率测试,一般也称为模型测试)。
接着,说明用户端的处理流程。
如图1所示,用户端的处理流程包括:
S10:用户持手机扫商户LOGO;
S11:利用服务端提供的SSD模型进行LOGO识别,识别商户;
S12:对LOGO进行目标跟踪和姿态估计;
S13:使用动画渲染(例如3D渲染技术),将画融合实景;
S14:对于可识别LOGO的结合用户定位信息;
S15:对于可识别LOGO的商家,对用户投放折扣券;
S16:如果用户进行消费,则将刷卡信息返回服务端;
S17:对不可识别的商家,将图像反馈至服务端。
最后,说明服务端的数据处理流程。
如图1所示,服务端的数据处理流程包括:
S20:对于可识别LOGO商户的商户信息进行处理,例如, 收集商户和用户信息,对数据进行清洗、转化,抽取特征信息,对系统内的商户入网名和识别得到的商户名进行对齐;
步骤S21:将用户消费情况下的刷卡信息补充到步骤S20所进行的数据处理中;
S22: 基于协同深度排序和编码器(Encoder),结合用户分类信息,降低特征维度,提炼特征信息(feature representation),排序商户得分,基于得分确定合作商户;
S23:对于未出现的商户,利用解码器(Decoder)输出新颖商户推荐得分(confidence value),辅助合作决策;
S24:定义商户类型;
S25:基于群组用户分类刻画群体画像。
S26:决策合作商家。
接着,对于本发明的基于深度学习的商户信息数据处理系统以及基于深度学习的商户信息数据处理方法的一个具体实施例进行说明。
图2是表示本发明一个实施例的基于深度学习的商户信息数据处理方法的流程示意图。
在该实施例中,首先根据当前合作商户图像训练深度学习模型,然后开发结合AR和移动终端的APP的扫商家LOGO获取折扣券功能,利用用户上传的图像数据、深度学习网络识别信息、刷卡信息等,基于优化的encoder-decoder算法提取用户和商户特征,排序并决策合作商户(top-n,排序前n个),并针对未出现的新颖商户进行测评。
该实施例的基于深度学习的商户信息数据处理方法中,由服务端图像处理模块实现图像处理流程,由用户端实现LOGO扫描以及折扣券获取,由服务端数据处理模块实现服务端处理流程。
首先,说明服务端图像处理模块所实现的图像处理流程。该流程主要包括:基于深度学习网络SSD训练目标识别模型,并将模型集成在移动终端的APP中;基于半监督学习,将用户上传的未合作商户LOGO图像进行训练和标注。
如图2所示,服务端图像处理模块所实现的图像处理流程包括:
S100:收集项目初期与该APP进行合作商家的LOGO数据;
S101:与常见深度学习图像标注不同的是,在这里除了商户LOGO图像以外,增加任意未合作商户LOGO图像,并将所有未合作商户图像标记分类为others类;
S102:对图像进行标注预处理;
S103:在图片标注完成后,使用数据增强增加数据量,对图像进行随机裁剪、旋转、翻转、透视变换等操作,然后将图像输入深度学习网络中;
S104:将处理后图像输入SSD网络进行模型训练;
S105:利用SSD网络进行目标定位;
S106:进一步进行具体分类;
S107:对SSD网络进行测试验证。
这里,SSD网络由基础网络和金字塔网络两部分组成,基础网络由VGG-16-Atrous组成,金字塔网络由五个特征图逐渐变小的卷积网络组成,从不同尺度预测目标分类和位置。SSD基于前向传播,在图像中产生包含目标的候选框,实现目标定位并预测box中包含目标的可能性分值。基于迁移学习,我们将LOGO标注图片输入预训练的SSD网络,得到可识别合作商家LOGO的网络模型。
本发明的SSD网与传统SSD网络不同在于,在本发明中,服务端图像处理模块收集用户拍摄的未合作商家LOGO图像。即,除合作商户外,还增加了others标签进行网络训练。当将未合作商家LOGO图像输入网络进行测试时,该LOGO属于others类别,SSD网络输出结果将LOGO区域定位并框定候选框。基于半监督学习的思维,将少量已定位的LOGO添加分类标签,并输入模型进行训练。这种优化方案可以省略人工定位步骤,极大的节约标注成本。
如图2所示,移动终端实现的LOGO扫描以及折扣券获取流程包括:移动终端(例如移动终端中的APP)中进行AR扫图和折扣券获取。其中,AR扫图方案包含三个关键部分:图像识别、相机姿态估计和虚实互动。
具体地包括以下步骤:
S200:用户用移动终端的APP扫描商户LOGO;
S201:图像识别部分使用有服务端图像处理模块提供给移动终端的APP的SSD识别模型进行LOGO识别;
S202:相机姿态估计是指用户手持设备进行跟踪,以实现虚拟场景和实景的实时融合。使用特征点跟踪算法,基于检测得到的LOGO区域,利用Bundle Adjustment求解2D点和虚拟3D模型的对应关系,将虚拟场景贴合至LOGO区域;
S203:使用渲染技术将AR场景进行渲染,并设计用户可操作交互功能,例如,了解更多优惠信息、收藏商户等;
S204:输出可识别LOGO;
S205:对于可识别LOGO在渲染AR交互后,根据识别结果向用户投放折扣券,例如当用户拍照上传合作商户LOGO,系统将向用户投放折扣券;
S206:用户消费后,将刷卡信息(包含用户信息、商户注册名、消费时间、消费金额等)和商户名称信息传至服务端数据处理模块;
S207:对于不可识别LOGO,即用户拍摄到未合作商家,则将不可识别LOGO图像(被分类成others类)输入服务端图像处理模块的SSD网络模型进行识别,由此,能够扩充服务器端数据库内商户图像数据。
这里,作为示例采用了AR技术吸引用户参与采集商户LOGO图像,当然,除了AR技术之外,还可以采用其他计算机视觉、计算机图形学或3D视觉技术。
接着,说明服务端数据处理模块所执行的动作。服务端数据处理模块主要涉及对两方面的数据进行处理:商户数据和用户数据。商户数据有两方面来源,初期的合作商户数据由合作方式获取,后期未合作商户的图像数据由用户上传得到。用户数据由刷卡信息和移动终端的APP交互点击记录获取。
S300:对获取的数据进行清洗、转化、特征提取等的数据处理。
S301:通过数据治理补充和对齐不匹配数据。在服务端内部存储商户入网名称数据,该数据与商户名数据(即用户熟知的商户名称)常常出现不匹配现象,然而,刷卡、电子支付渠道返回的商户数据与入网商户名一致,因此,传统渠道无法补充和对齐名称数据,在本发明中,用户端上传的商户名称与实际商户名一致,用户产生消费后,即可对齐图片识别得到的商户名和系统中的入网商户名,当对齐结果达到一定阈值后(该阈值可以根据需要设置,例如,设置为10000次以上的一致的话,则匹配结果),将商户名补充进系统,完成商户名的对齐。
S302:基于优化的encoder-decoder的深度学习网络对商户进行排序和推荐。这里,传统encoder-decoder算法中的编码器(encoder)针对商户和用户分别编码,在各自的特征空间进行特征提取和降维。在本发明中,需通过用户和商户的交互行为,例如用户拍摄商户名称和LOGO图片对商户进行排序。因此,需将商户和用户的特征投影在同一特征空间。
协同深度排序(Collaborative Deep Ranking, CDR)算法是针对用户喜好(特征)生成排序列表(ranking list)的自编码算法,利用成对的用户-商品数据根据排序为用户进行商品推荐。本发明中,商户排序和推荐的目标是群体用户而非单个用户。因此,简单使用CDR算法无法有效提取群体-商户特征。
为了有效提取群体-商户特征,本发明中,使用用户个人信息、用户喜好、收藏数据、交易时间、交易次数、交易商户等信息,结合商户类簇,使用Latent DirichletAllocation(LDA)算法提取用户群体特征。LDA算法为三层贝叶斯概率模型,广泛应用于文档主题生成。在本发明中,使用LDA算法,对所有用户进行特征提取和聚类,以此生成特定主题(群体)的用户类簇,每位用户可归属于多个主题。
基于encoder-decoder 的LDA-CDR算法提取用户-商户特征并映射至相同特征空间,得到用户群体对商户的喜爱程度,即confidence value。依据confidence value对商户进行排序,top-n商户为选取的合作商户。
S303:对于新颖的商户,即未出现在encoder输入端的待预测商户,可输入解码器(decoder),通过输出特定群体用户的喜好特征(feature)权重得分,得到预测喜爱程度,辅助商户合作决策。
传统APP的合作商家由决策部门依据知名度、用户交易量等信息进行商定。而随着短视频、分享媒体等社交平台的兴起,一些网红店、小众店会得到大众的欢迎,仅仅依据交易量和知名度无法定位潜在商机,而基于用户喜好、拍摄量的方法可以得到可信度高的用户数据,定位类似商家,辅助合作商户决策。
S304:基于Latent Dirichlet Allocation(LDA)实现用户群体特征提取,能够定义商户类型。
S305:基于Latent Dirichlet Allocation(LDA)实现用户群体特征提取,能够刻画消费群体画像。
S306:对后续决策合作商家,定位目标受众、提升用户体验、制定市场决策等有辅助作用。
以上对于本发明的一个实施例的商户信息数据处理方法进行了说明,以下对于本发明的一个实施例的商户信息数据处理系统。
图3是表示本发明的一个实施例的商户信息数据处理系统的构造框图。
如图3所示本发明的一个实施例的商户信息数据处理系统包括用户终端100和服务端200。
其中,在用户终端100设置有图像扫描模块110,在服务端200设置有图像处理模块210和数据处理模块220。
其中,图像处理模块210用于预先收集商户LOGO图像数据并对LOGO图像数据进行标注,将标注数据输入到深度学习网络进行训练并获得第一深度学习网络模型。
其中,图像扫描模块110用于拍摄商户LOGO图像,并将LOGO图像数据输入到所述第一深度学习网络模型中进行LOGO识别,以商户LOGO图像为目标进行跟踪和动画渲染,
其中,数据处理模块220用于对预先登记的商户数据以及通过所述图像扫描模块获得的用户刷卡数据进行数据处理,使得对齐用户识别得到的商户LOGO图像和预先登记的商户数据,并且基于第二深度学习网络对商户数据进行排序和推荐。
这里,首先对于用户终端100进行说明。
用户终端的图像扫描模块110包括:
采集子模块111,用于采集商户LOGO图像;
识别子模块112,用于将采集到的LOGO图像数据输入到所述第一深度学习网络模型中进行LOGO识别;
融合子模块113,用于以商户LOGO图像为目标进行跟踪以实现虚拟场景和实景的融合;
渲染子模块114,用于对于融合后的场景,使用渲染技术进行动画渲染;以及
交互子模块115,用户实现用户可操作交互功能。
优选地,用户终端100进一步包括:
第一上传子模块120,对于不可识别LOGO图像在动画渲染之后,将不可识别LOGO图像上传到图像处理模块210;
第二上传模块130,将刷卡信息上传到数据处理模块220。
接着,说明服务端200。
服务端200的图像处理模块210包括:
收集子模块211,用于预先收集商户LOGO图像数据,并且增加未合作商户LOGO图像数据;
标注子模块212,用于对LOGO图像数据进行标注;
增强子模块213,用于对于标注后的数据使用数据增强增加数据量;
训练子模块214,拥有将增加数据量后的数据输入到第一深度学习网络中进行模型训练并得到所述第一深度学习网络模型。
其中,第一深度学习网络可以是SSD网络、Faster RCNN、Yolo中的任意一种。
作为优选方式,第一深度学习网络采用SSD网络。其中,SSD网络由基础网络和金字塔网络两部分组成,所述基础网络由VGG-16-Atrous组成,所述金字塔网络由五个特征图逐渐变小的卷积网络组成。
其中,数据处理模块220包括:
处理子模块221,用于对预先登记的商户数据以及通过所述图像扫描模块获得的用户刷卡数据进行数据处理;
对齐子模块222,用于利用所述商户数据以及所述用户刷卡数据,使得对齐用户识别得到LOGO信息和预先登记的商户数据对齐;以及
排序子模块223,用于基于优化的encoder-decoder的深度学习网络对商户数据进行排序和推荐。
优选地,排序子模块223 基于encoder-decoder 的LDA-CDR算法提取用户和商户特征并映射至相同特征空间,得到用户对商户的喜爱程度,并依据喜爱程度对商户进行排序。
本发明还提供一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述的基于深度学习的商户信息数据处理方法。
本发明还提供一种计算机设备,包括存储模块、处理器以及存储在存储模块上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的基于深度学习的商户信息数据处理方法。
如上所述,根据本发明的基于深度学习的商户信息数据处理方法以及商户信息数据处理系统,通过利用深度学习和大数据算法能够按照用户对商户的喜爱程度对商户进行排序。而且,通过让用户参与采集商户LOGO图像,能够增加数据获取渠道,收集图像数据并提取有效语义信息,利用语义信息数据和基于深度学习来获得商户的排序,同时能够构造目标用户群体的画像。
与现有方法相比,根据本发明的基于深度学习的商户信息数据处理方法以及商户信息数据处理系统,能够通过对特定的用户下发折劵等的方式吸引用户上传的商户图像并由此能够提取商户和用户特征。
而且,根据本发明的基于深度学习的商户信息数据处理方法以及商户信息数据处理系统能够结合用户折扣券使用行为和支付行为,对齐数据库中的不匹配商户名信息,补充商户名信息,由此,能够提高数据的准确度。
进一步,根据本发明的基于深度学习的商户信息数据处理方法以及商户信息数据处理系统,基于计算机视觉和深度学习网络技术能够提高营销决策的准确性,并同时减少人力和时间成本。
以上例子主要说明了基于深度学习的商户信息数据处理方法以及商户信息数据处理系统。尽管只对其中一些本发明的具体实施方式进行了描述,但是本领域普通技术人员应当了解,本发明可以在不偏离其主旨与范围内以许多其他的形式实施。因此,所展示的例子与实施方式被视为示意性的而非限制性的,在不脱离如所附各权利要求所定义的本发明精神及范围的情况下,本发明可能涵盖各种的修改与替换。
Claims (22)
1.一种基于深度学习的商户信息数据处理方法,其特征在于,包括:
图像处理步骤,预先收集商户LOGO图像数据并对LOGO图像数据进行标注,将标注数据输入到第一深度学习网络进行训练并获得第一深度学习网络模型;以及
图像扫描步骤,拍摄商户LOGO图像,并将LOGO图像数据输入到所述第一深度学习网络模型中进行LOGO识别,以商户LOGO图像为目标进行跟踪以及动画渲染,对于可识别LOGO图像,根据识别结果向用户投放折扣券,对于不可识别LOGO图像,将不可识别LOGO图像在动画渲染之后,输入到所述第一深度学习网络模型进行识别,其中,所述第一深度学习网络采用SSD网络,所述SSD网络由基础网络和金字塔网络两部分组成,所述基础网络由VGG-16-Atrous组成,所述金字塔网络由五个特征图逐渐变小的卷积网络组成,其中,当将不可识别LOGO图像输入网络进行测试时,该LOGO属于others类别,SSD网络输出结果将LOGO区域定位并框定候选框,
其中,在所述图像扫描步骤中包括下述子步骤:
预先收集商户LOGO图像数据,并且增加未合作商户LOGO图像数据;
对LOGO图像数据进行标注;
对于标注后的数据使用数据增强增加数据量;
将增加数据量后的数据输入到深度学习网络中进行模型训练并得到所述第一深度学习网络模型。
2.如权利要求1所述的基于深度学习的商户信息数据处理方法,其特征在于,
在所述图像扫描步骤中,在基于用户折扣券进行刷卡消费的情况下获得用户刷卡数据。
3.如权利要求2所述的基于深度学习的商户信息数据处理方法,其特征在于,在所述图像扫描步骤之后进一步包括:
数据处理步骤,对预先登记的商户数据以及通过所述图像扫描步骤获得的用户刷卡数据进行数据处理,使得对齐用户识别得到的商户LOGO图像和预先登记的商户数据,并基于第二深度学习网络对商户数据进行排序和推荐。
4.如权利要求3所述的基于深度学习的商户信息数据处理方法,其特征在于,
所述对于标注后的数据使用数据增强增加数据量包括以下一项或者多项:
对图像进行随机裁剪、旋转、翻转、透视变换。
5.如权利要求1所述的基于深度学习的商户信息数据处理方法,其特征在于,所述图像扫描步骤包括下述子步骤:
拍摄商户LOGO图像;
将拍摄得到LOGO图像数据输入到所述第一深度学习网络模型中进行LOGO识别;
将以商户LOGO图像为目标进行跟踪以实现虚拟场景和实景的融合;
对于融合后的场景,使用渲染技术进行动画渲染;
对于可识别LOGO图像在动画渲染之后,根据识别结果向用户投放折扣券。
6.如权利要求5所述的基于深度学习的商户信息数据处理方法,其特征在于,
在向用户投放折扣券之后,将刷卡信息和商户名称信息输出。
7.如权利要求5所述的基于深度学习的商户信息数据处理方法,其特征在于,
在进行动画渲染景的同时还设置用户可操作交互功能。
8.如权利要求3所述的基于深度学习的商户信息数据处理方法,其特征在于,所述数据处理步骤包括下述子步骤:
对预先登记的商户数据以及通过所述图像扫描步骤获得的用户刷卡数据进行数据处理;
利用所述商户数据以及所述用户刷卡数据,使得对齐用户识别得到LOGO信息和预先登记的商户数据对齐;
基于优化的encoder-decoder的深度学习网络对商户数据进行排序和推荐。
9.如权利要求8所述的基于深度学习的商户信息数据处理方法,其特征在于,基于优化的encoder-decoder的深度学习网络对商户数据进行排序和推荐包括:
基于encoder-decoder的LDA-CDR算法提取用户和商户特征并映射至相同特征空间,得到用户对商户的喜爱程度,并依据喜爱程度对商户进行排序。
10.一种基于深度学习的用户终端,其特征在于,在所述用户终端设置图像扫描模块,
所述图像扫描模块用于拍摄商户LOGO图像,并将LOGO图像数据输入到外部的第一深度学习网络模型中进行LOGO识别,以商户LOGO图像为目标进行跟踪和动画渲染,对于可识别LOGO图像,根据识别结果想用户投放折扣劵,对于不可识别LOGO图像,将不可识别LOGO图像在动画渲染之后,输入到所述第一深度学习网络模型进行识别,其中,所述第一深度学习网络采用SSD网络,所述SSD网络由基础网络和金字塔网络两部分组成,所述基础网络由VGG-16-Atrous组成,所述金字塔网络由五个特征图逐渐变小的卷积网络组成,其中,当将不可识别LOGO图像输入网络进行测试时,该LOGO属于others类别,SSD网络输出结果将LOGO区域定位并框定候选框,
其中,所述图像扫描模块包括:
采集子模块,用于采集商户LOGO图像;
识别子模块,用于将采集到的LOGO图像数据输入到所述第一深度学习网络模型中进行LOGO识别;
融合子模块,用于以商户LOGO图像为目标进行跟踪以实现虚拟场景和实景的融合;以及
渲染子模块,用于对于融合后的场景,使用渲染技术进行动画渲染,
所述用户终端进一步包括:
第一上传子模块,对于不可识别LOGO图像在动画渲染之后,将不可识别LOGO图像上传到外部。
11.如权利要求10所述的基于深度学习的用户终端,其特征在于,其特征在于,所述图像扫描模块进一步包括:
交互子模块,实现用户可操作交互功能。
12.如权利要求10所述的基于深度学习的用户终端,其特征在于,所述用户终端进一步包括:
第二上传模块,将刷卡信息上传到外部。
13.一种与权利要求10所述用户终端相对应的基于深度学习的服务端,其特征在于,包括:
图像处理模块,用于预先收集商户LOGO图像数据并对LOGO图像数据进行标注,将标注数据输入到深度学习网络进行训练并获得第一深度学习网络模型;
数据处理模块,用于对预先登记的商户数据以及通过从外部的用户终端获得的用户刷卡数据进行数据处理,使得对齐用户识别得到的商户LOGO图像和预先登记的商户数据,并且基于第二深度学习网络对商户数据进行排序和推荐,
其中,所述图像处理模块包括:
收集子模块,用于预先收集商户LOGO图像数据,并且增加未合作商户LOGO图像数据;标注子模块,用于对LOGO图像数据进行标注;
增强子模块,用于对于标注后的数据使用数据增强增加数据量;以及
训练子模块,拥有将增加数据量后的数据输入到第一深度学习网络中进行模型训练并得到所述第一深度学习网络模型。
14.如权利要求13所述的基于深度学习的服务端,其特征在于,所述数据处理模块包括:处理子模块,用于对预先登记的商户数据以及通过外部的用户终端获得的用户刷卡数据进行数据处理;
对齐子模块,用于利用所述商户数据以及所述用户刷卡数据,使得对齐用户识别得到LOGO信息和预先登记的商户数据对齐;以及
排序子模块,用于基于优化的encoder-decoder的深度学习网络对商户数据进行排序和推荐。
15.如权利要求14所述的基于深度学习的服务端,其特征在于,
所述排序子模块基于encoder-decoder的LDA-CDR算法提取用户和商户特征并映射至相同特征空间,得到用户对商户的喜爱程度,并依据喜爱程度对商户进行排序。
16.一种基于深度学习的商户信息数据处理系统,其特征在于,包括:包括用户终端和服务端,
在所述用户终端设置图像扫描模块,
在所述服务端设置图像处理模块和数据处理模块,
所述图像处理模块用于预先收集商户LOGO图像数据并对LOGO图像数据进行标注,将标注数据输入到深度学习网络进行训练并获得第一深度学习网络模型,
所述图像扫描模块用于拍摄商户LOGO图像,并将LOGO图像数据输入到所述第一深度学习网络模型中进行LOGO识别,以商户LOGO图像为目标进行跟踪和动画渲染,对于可识别LOGO图像,根据识别结果想用户投放折扣劵,对于不可识别LOGO图像,将不可识别LOGO图像在动画渲染之后,输入到所述第一深度学习网络模型进行识别,其中,所述第一深度学习网络采用SSD网络,所述SSD网络由基础网络和金字塔网络两部分组成,所述基础网络由VGG-16-Atrous组成,所述金字塔网络由五个特征图逐渐变小的卷积网络组成,其中,当将不可识别LOGO图像输入网络进行测试时,该LOGO属于others类别,SSD网络输出结果将LOGO区域定位并框定候选框,
所述数据处理模块用于对预先登记的商户数据以及通过所述图像扫描模块获得的用户刷卡数据进行数据处理,使得对齐用户识别得到的商户LOGO图像和预先登记的商户数据,并且基于第二深度学习网络对商户数据进行排序和推荐,其中,所述图像处理模块包括:
收集子模块,用于预先收集商户LOGO图像数据,并且增加未合作商户LOGO图像数据;标注子模块,用于对LOGO图像数据进行标注;
增强子模块,用于对于标注后的数据使用数据增强增加数据量;
训练子模块,拥有将增加数据量后的数据输入到第一深度学习网络中进行模型训练并得到所述第一深度学习网络模型,
所述用户终端进一步包括:
第一上传子模块,对于不可识别LOGO图像在动画渲染之后,将不可识别LOGO图像上传到所述图像处理模块。
17.如权利要求16所述的基于深度学习的商户信息数据处理系统,其特征在于,所述图像扫描模块包括:
采集子模块,用于采集商户LOGO图像;
识别子模块,用于将采集到的LOGO图像数据输入到所述第一深度学习网络模型中进行LOGO识别;
融合子模块,用于以商户LOGO图像为目标进行跟踪以实现虚拟场景和实景的融合;以及
渲染子模块,用于对于融合后的场景,使用渲染技术进行动画渲染。
18.如权利要求17所述的基于深度学习的商户信息数据处理系统,其特征在于,所述用户终端进一步包括:
第二上传模块,将刷卡信息上传到所述数据处理模块。
19.如权利要求18所述的基于深度学习的商户信息数据处理系统,其特征在于,所述数据处理模块包括:
处理子模块,用于对预先登记的商户数据以及通过所述图像扫描模块获得的用户刷卡数据进行数据处理;
对齐子模块,用于利用所述商户数据以及所述用户刷卡数据,使得对齐用户识别得到LOGO信息和预先登记的商户数据对齐;以及
排序子模块,用于基于优化的encoder-decoder的深度学习网络对商户数据进行排序和推荐。
20.如权利要求19所述的基于深度学习的商户信息数据处理系统,其特征在于,
所述排序子模块基于encoder-decoder的LDA-CDR算法提取用户和商户特征并映射至相同特征空间,得到用户对商户的喜爱程度,并依据喜爱程度对商户进行排序。
21.一种计算机可读介质,其上存储有计算机程序,其特征在于,
该计算机程序被处理器执行时实现权利要求1~9任意一项所述的基于深度学习的商户信息数据处理方法。
22.一种计算机设备,包括存储模块、处理器以及存储在存储模块上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1~9任意一项所述的基于深度学习的商户信息数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010070878.8A CN111539782B (zh) | 2020-01-21 | 2020-01-21 | 基于深度学习的商户信息数据处理方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010070878.8A CN111539782B (zh) | 2020-01-21 | 2020-01-21 | 基于深度学习的商户信息数据处理方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111539782A CN111539782A (zh) | 2020-08-14 |
CN111539782B true CN111539782B (zh) | 2024-04-30 |
Family
ID=71978477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010070878.8A Active CN111539782B (zh) | 2020-01-21 | 2020-01-21 | 基于深度学习的商户信息数据处理方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539782B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI757854B (zh) * | 2020-08-28 | 2022-03-11 | 中國信託商業銀行股份有限公司 | 業務推薦系統及方法 |
TWI763165B (zh) * | 2020-12-09 | 2022-05-01 | 中華電信股份有限公司 | 預測購物網站的顧客的消費金額的電子裝置和方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268168A (zh) * | 2014-09-10 | 2015-01-07 | 百度在线网络技术(北京)有限公司 | 一种向用户推送信息的方法与装置 |
CN105793881A (zh) * | 2013-12-05 | 2016-07-20 | 谷歌公司 | 针对所接收到的商户标识符确定商户身份 |
CN107423442A (zh) * | 2017-08-07 | 2017-12-01 | 火烈鸟网络(广州)股份有限公司 | 基于用户画像行为分析的应用推荐方法及系统,储存介质及计算机设备 |
CN108335140A (zh) * | 2018-02-09 | 2018-07-27 | 浙江口碑网络技术有限公司 | O2o业务的支付核销一体化方法、装置及系统 |
CN108596693A (zh) * | 2018-05-14 | 2018-09-28 | 浙江口碑网络技术有限公司 | 门店匹配方法及装置 |
JP2018181326A (ja) * | 2017-04-06 | 2018-11-15 | ネイバー コーポレーションNAVER Corporation | ディープラーニングを活用した個人化商品推薦 |
CN109344821A (zh) * | 2018-08-30 | 2019-02-15 | 西安电子科技大学 | 基于特征融合和深度学习的小目标检测方法 |
CN109492170A (zh) * | 2018-09-04 | 2019-03-19 | 西安艾润物联网技术服务有限责任公司 | 信息推送方法及相关产品 |
CN110059692A (zh) * | 2019-04-16 | 2019-07-26 | 厦门商集网络科技有限责任公司 | 一种识别企业所属行业的方法及终端 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10318864B2 (en) * | 2015-07-24 | 2019-06-11 | Microsoft Technology Licensing, Llc | Leveraging global data for enterprise data analytics |
-
2020
- 2020-01-21 CN CN202010070878.8A patent/CN111539782B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105793881A (zh) * | 2013-12-05 | 2016-07-20 | 谷歌公司 | 针对所接收到的商户标识符确定商户身份 |
CN104268168A (zh) * | 2014-09-10 | 2015-01-07 | 百度在线网络技术(北京)有限公司 | 一种向用户推送信息的方法与装置 |
JP2018181326A (ja) * | 2017-04-06 | 2018-11-15 | ネイバー コーポレーションNAVER Corporation | ディープラーニングを活用した個人化商品推薦 |
CN107423442A (zh) * | 2017-08-07 | 2017-12-01 | 火烈鸟网络(广州)股份有限公司 | 基于用户画像行为分析的应用推荐方法及系统,储存介质及计算机设备 |
CN108335140A (zh) * | 2018-02-09 | 2018-07-27 | 浙江口碑网络技术有限公司 | O2o业务的支付核销一体化方法、装置及系统 |
CN108596693A (zh) * | 2018-05-14 | 2018-09-28 | 浙江口碑网络技术有限公司 | 门店匹配方法及装置 |
CN109344821A (zh) * | 2018-08-30 | 2019-02-15 | 西安电子科技大学 | 基于特征融合和深度学习的小目标检测方法 |
CN109492170A (zh) * | 2018-09-04 | 2019-03-19 | 西安艾润物联网技术服务有限责任公司 | 信息推送方法及相关产品 |
CN110059692A (zh) * | 2019-04-16 | 2019-07-26 | 厦门商集网络科技有限责任公司 | 一种识别企业所属行业的方法及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN111539782A (zh) | 2020-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Visual listening in: Extracting brand image portrayed on social media | |
Song et al. | Boosting image sentiment analysis with visual attention | |
Hussain et al. | Cloud-assisted multiview video summarization using CNN and bidirectional LSTM | |
CN108154401B (zh) | 用户画像刻画方法、装置、介质和计算设备 | |
WO2020249125A1 (zh) | 用于自动训练机器学习模型的方法和系统 | |
US10019653B2 (en) | Method and system for predicting personality traits, capabilities and suggested interactions from images of a person | |
Kim et al. | Multimodal post attentive profiling for influencer marketing | |
CN109783730A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
Chen et al. | Discovering informative social subgraphs and predicting pairwise relationships from group photos | |
CN108062377A (zh) | 标签图片集的建立、标签的确定方法、装置、设备及介质 | |
WO2024051609A1 (zh) | 广告创意数据选取方法及装置、模型训练方法及装置、设备、存储介质 | |
CN105022773B (zh) | 包括图像优先级的图像处理系统 | |
Fan et al. | Image visual realism: From human perception to machine computation | |
Ji et al. | Pedestrian attribute recognition based on multiple time steps attention | |
CN113761253A (zh) | 视频标签确定方法、装置、设备及存储介质 | |
CN111539782B (zh) | 基于深度学习的商户信息数据处理方法及其系统 | |
CN105183739B (zh) | 图像处理方法 | |
Su et al. | Personalized clothing recommendation based on user emotional analysis | |
Guo et al. | Intelligent online selling point extraction and generation for e‐commerce recommendation | |
Cucurull et al. | Deep inference of personality traits by integrating image and word use in social networks | |
Deng et al. | A Saliency Detection and Gram Matrix Transform‐Based Convolutional Neural Network for Image Emotion Classification | |
CN116703515A (zh) | 基于人工智能的推荐方法、装置、计算机设备及存储介质 | |
Hasnat et al. | Robust license plate signatures matching based on multi-task learning approach | |
CN115563176A (zh) | 一种电子商务数据处理系统及方法 | |
Loukili et al. | Applications of Text Generation in Digital Marketing: a review |
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 |