CN111695971A - 物品推荐方法、装置和设备及计算机存储介质 - Google Patents
物品推荐方法、装置和设备及计算机存储介质 Download PDFInfo
- Publication number
- CN111695971A CN111695971A CN202010540135.2A CN202010540135A CN111695971A CN 111695971 A CN111695971 A CN 111695971A CN 202010540135 A CN202010540135 A CN 202010540135A CN 111695971 A CN111695971 A CN 111695971A
- Authority
- CN
- China
- Prior art keywords
- target
- article
- information
- picture
- conversion rate
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000006243 chemical reaction Methods 0.000 claims abstract description 155
- 238000012549 training Methods 0.000 claims description 41
- 238000010586 diagram Methods 0.000 claims description 34
- 239000000463 material Substances 0.000 claims description 33
- 238000012546 transfer Methods 0.000 claims description 33
- 230000015654 memory Effects 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 16
- 238000005516 engineering process Methods 0.000 description 19
- 238000013527 convolutional neural network Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 239000000843 powder Substances 0.000 description 6
- 241000282414 Homo sapiens Species 0.000 description 5
- 230000006399 behavior Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 230000001976 improved effect Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000005406 washing Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000013526 transfer learning 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
-
- 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)
- 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
本申请公开了一种物品推荐方法、装置和设备及计算机存储介质，涉及人工智能技术领域，尤其涉及智能推荐技术领域，用于基于物品的电子资源转化率为用户推荐物品，提升推荐成功率。在该方法中，通过对目标图片进行物品识别，获取目标图片中目标物品的物品信息，并基于物品信息从平台中获取相应的电子资源信息，进而根据物品信息以及电子资源信息对目标物品进行资源转化率的判定，从而在物品的资源转化率低时，为用户推荐资源转化率更高的关联类型物品。一般对于用户而言，更为倾向于使用电子资源交换资源转化率高的物品，因而为用户推荐的物品的资源转化率更高，更能够促进用户使用电子资源交换为其推荐的物品，从而使得物品推荐的成功率更高。
Description
技术领域
本申请涉及人工智能技术领域，尤其涉及智能推荐技术领域，提供一种物品推荐方法、装置和设备及计算机存储介质。
背景技术
随着互联网技术的不断发展，线上消费行为越来越普及。如今，线上购物平台的普及使得大量商家入驻，线上商品的品牌以及型号也数不胜数，用户很难快速找到适合自己的商品，因而大多数线上物资转移平台都会拥有自己的商品推荐系统，或根据用户的历史购物行为或者查看记录为用户推荐商品，或对用户进行画像，以用类似用户的购买倾向为用户进行商品推荐，或者为用户推荐时下流行的商品等。
但是，商品的数量的激增，使得消费者对于商品的选择更为困难，上述的推荐方式已无法完全满足消费者的商品推荐需求，使得为用户推荐商品的成功率不高。
发明内容
本申请实施例提供一种物品推荐方法、装置和设备及计算机存储介质，用于基于物品的电子资源转化率为用户进行物品推荐，提升物品的推荐成功率。
一方面，提供一种物品推荐方法，包括：
获取目标用户关联的目标图片，并确定所述目标图片中包含的目标物品的物品信息；
根据所述目标物品的物品信息，从物资转移平台中获取所述目标物品的电子资源信息，所述物资转移平台用于以电子资源来交换物品的所有权；
根据所述目标物品的物品信息以及所述电子资源信息，确定所述目标物品对应的电子资源的资源转化率；所述资源转化率用于表征单位物品对应的电子资源的大小；
若所述目标物品的资源转化率不高于预设转化率阈值，则向所述目标用户推荐资源转化率大于所述目标物品的资源转化率的关联类型物品。
一方面，提供一种物品推荐装置，包括：
物品识别单元，用于获取目标用户关联的目标图片，并确定所述目标图片中包含的目标物品的物品信息；
资源信息获取单元，用于根据所述目标物品的物品信息，从物资转移平台中获取所述目标物品的电子资源信息，所述物资转移平台用于以电子资源来交换物品的所有权；
转化率确定单元，用于根据所述目标物品的物品信息以及所述电子资源信息，确定所述目标物品对应的电子资源的资源转化率；所述资源转化率用于表征单位物品对应的电子资源的大小；
推荐单元，用于若所述目标物品的资源转化率不高于预设转化率阈值，则向所述目标用户推荐资源转化率大于所述目标物品的资源转化率的关联类型物品。
可选的，所述物品信息包括所述目标物品在所述目标图片中所在区域的区域图片，则所述转化率确定单元，用于：
根据所述区域图片以及所述电子资源信息，使用已训练的转化率判定模型，确定所述目标物品的资源转化率；其中，所述转化率判定模型是通过多个图片训练样本训练得到的，每一个图片训练样本标注了图片中物品的电子资源信息以及资源转化率。
可选的，所述物品识别单元，用于：
获取所述目标用户上传的所述目标图片；或者，
从所述物资转移平台的物品评论中下载所述目标用户对于已购买物品的评论图片，作为所述目标图片。
可选的，若所述目标图片为评论图片，所述物品识别单元还用于：
确定所述目标物品中的主体物品，所述主体物品为所述评论图片对应的已购买物品；
则所述资源信息获取单元，用于：
根据除所述主体物品之外的其余目标物品的物品信息，从物资转移平台中获取除所述主体物品之外的其余目标物品的电子资源信息。
可选的，所述物品识别单元，用于：
针对每一目标物品，根据所述目标物品在所述目标图片中的位置和/或各目标物品在所述目标图片中所占的面积信息，获取所述目标物品为主体物品的概率值；
根据各目标物品的概率值，从所述目标物品中确定主体物品。
可选的，所述物品识别单元，用于：
利用已训练的物品识别模型，对所述目标图片进行物品识别，得到所述目标图片中包含的目标物品的物品信息；
其中，所述物品识别模型是通过多个图片训练样本训练得到的，每一个图片训练样本标注了图片中物品的物品信息。
可选的，所述物品识别单元，用于：
根据各像素点的特征对像素点进行分类，以从所有像素点中确定出边框像素点；其中，边框像素点所围成的区域为候选区域；
根据确定出的边框像素点的位置信息，从所述目标图片中确定出各所述候选区域的边框信息。
可选的，所述物品识别单元，用于：
对所述区域特征图对应的候选区域的大小以及范围进行矫正；
对矫正后的区域特征图进行物品分类，获得所述区域特征图中目标物品的物品信息。
一方面，提供一种计算机设备，包括存储器、处理器及存储在存储器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任一种方法的步骤。
一方面，提供一种计算机存储介质，其上存储有计算机程序指令，该计算机程序指令被处理器执行时实现上述任一种方法的步骤。
一方面，本申请一实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时实现上述任一种方法的步骤。
本申请实施例中，通过对用户关联的目标图片进行物品识别，获取目标图片中目标物品的物品信息，并基于物品信息从平台中获取相应的电子资源信息，进而根据物品信息以及电子资源信息对目标物品进行资源转化率的判定，从而在物品的资源转化率低时，为用户推荐资源转化率更高的关联类型物品。一方面来讲，而对于用户而言，更为倾向于使用电子资源交换资源转化率高的物品，因而为用户推荐的物品的资源转化率更高，更能够促进用户使用电子资源交换为其推荐的物品，从而使得物品推荐的成功率更高；另一方面，当平台为用户推荐的物品的资源转化率更高时，用户会更倾向于在该平台进行物品交换，从而提升平台的用户黏性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种场景示意图；
图2为本申请实施例提供的物品推荐方法的流程示意图；
图3为本申请实施例提供的一种图片训练样本的示例图；
图4为本申请实施例提供的物品识别模型的一种网络架构示意图；
图5为本申请实施例提供的一种边框示意图；
图6为本申请实施例提供的另一种边框示意图；
图7为本申请实施例提供的另一种图片训练样本的示例图；
图8为本申请实施例提供的转化率判定模型的一种网络架构示意图；
图9为本申请实施例提供的物品推荐装置的一种结构示意图；
图10为本申请实施例提供的计算机设备的一种结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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例，都属于本申请保护的范围。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任意组合。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
为便于理解本申请实施例提供的技术方案，这里先对本申请实施例使用的一些关键名词进行解释：
物资转移平台：物资转移平台可以用于以电子资源来交换物品的所有权，在物资转移平台中，用户可以选择想要交换的物品，并通过自己所拥有的电子资源来交换选择的物品。例如，物资转移平台可以为线上购物平台，用户在线上购物平台中选择好商品之后，可以通过电子货币购买选择的商品，实现电子货币到商品的资源转移。
电子资源：在物资转移平台中用于进行物品交换的资源，在物资转移平台中，电子资源可以为能够用于物品交换的任何资源。同样以线上购物平台为例，电子资源例如可以既可以为电子货币以及电子购物卡等。
资源转化率：是指单位物品对应的电子资源的大小，或者，单位电子资源所能够交换的物品多少，用于衡量物品交换的性价比高低，例如在线上购物平台中，资源转化率既可以表征指物品的单价高低，即通常理解的性价比。一般而言，物品单价越高，性价比越低，资源转化率越低，相反的，物品单价越低，性价比越高，资源转化率越高。当然，物品的性价比或者资源转化率并不单单与价格相关，还需综合考虑其他因素，例如物品质量高低、材质好坏以及历史价格走向等。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，在不做特别说明的情况下，一般表示前后关联对象是一种“或”的关系。
人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
计算机视觉(Computer Vision，CV)技术是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。
机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，如在智能营销领域中，人工智能技术亦体现出了其重要的价值。在目前的各大线上购物平台中，都会利用大数据分析对用户进行画像，从而向用户进行个性化的商品推荐。但是目前的商品推荐方式中，或根据用户的历史购物行为或者查看记录为用户推荐商品，或以用类似用户的购买倾向为用户进行商品推荐，或者为用户推荐时下流行的商品等，随着商品的数量的激增，使得消费者对于商品的选择更为困难，上述的推荐方式已无法完全满足消费者的商品推荐需求，使得为用户推荐商品的成功率不高。
鉴于现有技术中所存在的问题，本申请实施例提供了一种物品推荐方法，该方法提出了一种新的物品推荐方式，在该方法中，通过对用户关联的目标图片进行物品识别，获取目标图片中目标物品的物品信息，并基于物品信息从平台中获取相应的电子资源信息，进而根据物品信息以及电子资源信息对目标物品进行资源转化率的判定，从而在物品的资源转化率低时，为用户推荐资源转化率更高的关联类型物品。一方面来讲，而对于用户而言，更为倾向于使用电子资源交换资源转化率高的物品，因而为用户推荐的物品的资源转化率更高，更能够促进用户使用电子资源交换为其推荐的物品，从而使得物品推荐的成功率更高；另一方面，当平台为用户推荐的物品的资源转化率更高时，用户会更倾向于在该平台进行物品交换，不仅能够提升平台的用户黏性，还能够为平台引流。
本申请实施例中，目标图片可以为从用户已购买的物品的评论中下载的评论图片，在评论图片中主体物品一般为用户最近购买过的物品，考虑到最近购买过的物品近期一般不会再次购买，因而在物品识别之后，将主体物品从目标物品中筛除主体物品，而只对其余物品进行资源转化率的判定以及后续的物品推荐，进一步提升物品推荐的成功率。
本申请实施例中，通过对图片训练样本人工标注资源转化率，进而通过机器学习获得转化率判定模型，再将转化率判定模型用于资源转化率的判定，提升资源转化率判定的准确性。
本申请实施例中，通过对图片训练样本人工标注物品的物品信息，例如物品在图片中的区域边框、物品名称、类型以及品牌等，进而通过机器学习获得物品识别模型，再将物品识别模型用于目标物品的识别，提升物品识别的准确性。
本申请实施例提供的方案主要涉及人工智能的图像识别以及机器学习等技术，可以适用于大多数需要进行物品推荐的场景中，如图1所示，为本申请实施例提供的方案能够适用的一种场景，在该应用场景中可以包括终端设备101(包括终端设备101-1、终端设备101-2、……终端设备101-n)和服务器102。
其中，终端设备101和服务器102之间可通过一个或者多个网络103进行连接，其中，该网络103可以是有线网络，也可以是无线网络，例如无线网络可以是移动蜂窝网络，或者可以是无线保真(WIreless-Fidelity，WIFI)网络，当然还可以是其他可能的网络，本发明实施例对此不做限制。
终端设备101包括但不限于个人计算机(personal computer，PC)、移动电话、移动电脑、平板电脑、媒体播放器、智能可穿戴设备、智能电视、车载设备、个人数字助理(personal digital assistant，PDA)等电子设备。
服务器102可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。
这里以物资转移平台为线上购物平台为例，终端设备101上可以安装有线上购物平台的应用程序(Application，APP)，或者通过浏览器打开线上购物平台的网页页面。
在一种购物场景中，用户可通过线上购物平台的应用程序购买自己想要的物品，在物品购买成功且到货时，用户可以根据到货的物品在线上购物平台中对该物品进行评价，此时用户可以上传物品实物图片作为评论依据，相应的，应用程序可以接收到用户上传的物品实物图片，并上传至服务器102，服务器102则可以接收到该物品图片，以作为目标图片为用户进行物品推荐。
服务器102可以为线上购物平台的后台服务器，在接收到物品图片之后，则可以识别出物品图片包含的目标物品以及物品信息，从而根据物品信息获取目标物品的电子资源信息，例如价格或者历史价格走向等，然后对目标物品进行资源转化率的判定，如果资源转化率低，就向用户推荐资源转化率更高的关联类型物品，例如目标物品的其他品牌或者其他型号，并向终端设备101返回推荐结果。相应的，终端设备101则会根据推荐结果在应用程序中显示相应的物品，以供用户选择。
在另一种购物场景中，用户想要在线上购物平台购买某一类型的商品时，可以上传属于该类型的商品的物品图片进行搜索，相应的，应用程序可以接收到用户上传的物品图片，并上传至服务器102，服务器102则可以接收到该物品图片，以作为目标图片为用户进行物品推荐。
服务器102可以对物品图片进行识别，以获取该物品图片中的目标物品的物品信息，从而根据物品信息获取目标物品的电子资源信息，然后对目标物品进行资源转化率的判定，如果资源转化率低，则可以向用户推荐资源转化率更高的关联类型物品，例如物品图片中的物品品牌为A时，则可以提示品牌A的性价比较低，并为用户推荐性价比更高的品牌B的同类型商品，并向终端设备101返回推荐结果。相应的，终端设备101则会根据推荐结果在应用程序中显示相应的物品，以供用户选择。
本申请实施例中，当终端设备101的计算资源允许时，服务器102所执行的过程也可以通过终端设备101来执行，即在该应用场景中，仅包括终端设备101。或者，服务器102也可以不是终端设备101中安装的线上购物平台的应用程序的后台服务器，而为独立的物品推荐服务器，则用户在终端设备101中上传物品图片可以先上传给线上购物平台的后台服务器，而服务器102从后台服务器中获取物品图片，并将通过本申请实施例的物品推荐方法得到的推荐结果返回给后台服务器进行存储，使得后台服务器在用户使用线上购物平台购物时，能够基于存储的推荐结果为用户推荐物品。
当然，本发明实施例提供的方法并不限用于图1所示的应用场景中，还可以用于其他可能的应用场景，本发明实施例并不进行限制。对于图1所示的应用场景的各个设备所能实现的功能将在后续的方法实施例中一并进行描述，在此先不过多赘述。
请参见图2，为本发明实施例提供的物品推荐方法的流程示意图，该方法可以通过图1中的服务器102来执行，该方法的流程介绍如下。
步骤201：获取目标图片。
本申请实施例中，在为目标用户推荐物品之前，首先需要获取目标图片。其中，获取目标图片可以是获取目标用户上传的目标图片，或者，从物资转移平台的物品评论中下载目标用户对于已购买物品的评论图片，作为目标图片。当然，还可以通过其他可能的方式获取目标图片，本申请实施例对此不做限制。
其中，本申请实施例中通过识别图片的物品，来为目标用户推荐物品，因此只要能够获取到包含物品的图片，就可以作为目标图片，因而获取目标图片的方式可以有多种，对应于不同的情景时，可采用不同的图片获取方式。
示例性的，在用户购买某一物品之后，用户可以拍摄的物品图片，作为评论图片对已购买物品进行评价，一般而言，评论图片中除了评价的物品之外，背景中还会包括其他的一些物品，或为以往购买的物品，或为本次一同购买的物品，因而可以从用户的评论中下载评论图片，作为目标图片。
或者，用户想要购买某一类型的物品时，但是还未想好具体购买哪种品牌或者哪个型号的该物品，则可以上传属于该类型物品的物品图片进行搜索，则用户上传的该物品图片也可以作为目标图片。
步骤202：确定目标图片中包含的目标物品的物品信息。
本申请实施例中，首先需要知道要为用户推荐哪些物品，因而在推荐之前，需要从目标图片中识别其中包含的目标物品以及这些目标物品的物品信息。其中，目标物品可以是目标图片中所包括的所有物品，也可以是目标图片中所包括的部分物品。
具体的，可以通过已训练的物品识别模型，对目标图片进行物品识别，得到目标图片中包含的目标物品的物品信息，其中，物品识别模型是通过多个图片训练样本训练得到的，每一个图片训练样本标注了图片中物品的物品信息。其中，图片训练样本的数量是很庞大的，从而使得训练得到的物品识别模型能够有效的进行物品识别。
本申请实施例中，物品信息可以包括物品的标签、品牌以及在目标图片中的边框信息等。该物品识别模型，是通过给定大量的图片训练样本以及监督数据通过预先训练得到的，在训练之前，为每一个图片训练样本标注了物品的物品信息，如图3所示，为本申请实施例提供的图片训练样本的示例图，在每一图片训练样本中，可以为其标注出物品在图片训练样本中所在区域的边框，具体在标注时可以用边框的坐标信息来表示，例如采用表框左上角点坐标和边框长宽组作为标记的边框信息，还可以标注物品的名称，如图3所示的“纸巾”、“饮料”和“泡芙”等，以及标注各物品的品牌和型号等信息，当然，图3中仅示出了部分信息，在实际应用中还可以包括其他可能的标注信息，本申请实施例对此不做限制。其中，标注的物品信息可以作为监督数据对物品识别模型进行训练。
本申请实施例中，若是仅针对某一类型的物品进行推荐，那么在进行标注时，也可以只标注出图片中某一类型的物品，例如只针对快消品，那么可以仅标注快消品的边框信息、物品类型以及品牌等信息，这样物品训练模型只会识别目标图片中的快消品。如图3所示，若是只想针对纸巾进行推荐，那么只需要标注图3中的纸巾即可，通过模型的学习，只会学习识别纸巾相关的特征和参数，最终得到的模型也就只会对输入图片的纸巾产品进行识别。
如图4所示，本申请实施例提供的物品识别模型的架构示意图。其中，物品识别模型可以包括输入层、特征提取层、区域提议层、感兴趣区域(region of interest，ROI)提取层、全连接层和输出层，当然，图4所示的物品识别模型仅为一种可能的模型架构，在实际应用时，本领域技术人员可以根据实际需求选择物品识别模型所包括的层，例如增加或者删减处理层，例如删除全连接层等。
输入层的输入即为目标图片，如图4所示，示意的目标图片中包括物品A、物品B和物品C。
本申请实施例中，特征提取层用于对输入的目标图片进行特征提取，得到目标图片的初始特征图。其中，特征提取层可以通过深度学习卷积神经网络(convolutionalneural networks，CNN)来实现，例如，深度学习卷积神经网络可以为区域卷积神经网络(region convolutional neural networks，RCNN)或者快速-区域卷积神经网络(fast-region convolutional neural networks，Fast-RCNN)等，当然，还可以为其他可能的深度学习卷积神经网络，本申请实施例对此不做限制。
特征提取层提取得到的初始特征图可以包括目标图片中各个像素点的特征，区域提议层能够基于每一像素点的特征，从目标图片中确定出包含目标物品的候选区域的边框信息。也就是说，区域提议层的目的在于对目标图片进行区域提议，即从目标图片中找到存在目标物品的候选区域，其中，区域提议层可以通过区域提议算法来实现，例如可以采用选择性搜索(Selective Search，SS算法或者CNN的区域生成网络(RegionProposal Network，RPN)算法。
具体的，像素点可以划分为非边框像素点和边框像素点，区域提议层则可以根据初始特征图中每一像素点的特征对每一像素点进行分类，以从所有像素点中确定出边框像素点，并可获取各边框像素点的位置信息，例如坐标，边框像素点所围成的区域则是可能存在目标物品的候选区域，那么在确定出边框像素点之后，则可以根据确定出的边框像素点的位置信息，从目标图片中确定出各候选区域的边框信息。
如图5所示，通过区域提议层对各像素进行分类，可以得到目标图片中的边框像素点，即边框1、边框2和边框3包括的像素点，从而这些像素点围起来的区域即为候选区域，从而可以根据这些像素点的坐标得到候选区域的边框信息。
具体的，按照边框的类型，边框像素点还可以继续细分，例如所采用的边框为矩形边框时，则边框像素点的类型可以分为左上像素点、右上像素点、左下像素点以及右下像素点，分别对应于矩形边框的四个顶点。如图6所示，通过区域提议层对各像素进行分类，可以得到目标图片中候选区域边框的顶点，即图中用黑色圆点表示的像素点，这些像素点连接起来构成的矩形则为候选区域的边框，从而可以根据这些像素点的坐标得到候选区域的边框信息。
边框信息可以包括边框的一个顶点坐标和边长，以矩形边框为例，边框信息则可以为矩形的左上角顶点坐标、边框长度和宽度。
区域提议层可以通过支持向量机(Support Vector Machine，SVM)来实现对像素点的分类，当然，也可以采用其他可能的分类器实现分类，本申请实施例对此不做限制。
获取候选区域的边框信息之后，则可以通过ROI提取层从初始特征图中将候选区域提取出来，最终得到一个或者多个区域特征图。也就是说，ROI提取层可以理解成根据边框信息对特征提取层提取得到的初始特征图进行裁剪，从而得到各候选区域所对应的区域特征图。具体的，ROI提取层可以通过感兴趣区域池化(Region of interest pooling，ROIpooling)的方式来实现，当然，也可以通过其他可能的方式来实现，本申请实施例对此不做限制。
本申请实施例中，提取获得区域特征图之后，则可以对区域特征图进行物品分类，以得到区域特征图对应的候选区域中目标物品的物品信息。
本申请实施例中，提取获得区域特征图之后，还可以对区域特征图对应的候选区域进行一定的修正。具体的，可以将每个区域特征图输入至全连接层中，全连接层能够根据初始特征图以及各区域特征图，对区域特征图对应的候选区域的大小范围进行修正，然后再将修正之后的区域特征图送入输出层来进行物品分类，得到区域特征图对应的候选区域中目标物品的物品信息，以提升提取的目标物品特征的准确性，进而提升对于目标物品识别的准确性。
具体的，输出层也可以采用通过SVM来实现物品分类，当然，也可以采用其他可能的分类器实现分类，本申请实施例对此不做限制。
通过上述过程，可以知道目标图片中所包括物品的物品信息，例如物品名称、类型、型号以及品牌等，以帮助后续实现关联类型物品的推荐。在实际应用中，可以针对某一类型的物品进行后续的推荐，因而在通过物品识别模型获取物品信息之后，可以根据物品信息对物品进行筛选，例如对于快消品，消费者通常会多次购买囤货，购买的可能性更高，因而可以针对快消品进行推荐，那么在识别获取物品信息之后，可以从中筛选出属于快消品的物品。
本申请实施例中，物品识别模型输出的物品信息包括的边框信息例如可以是区域提议层得到的边框信息，或者可以是经全连接层修正之后的候选区域的边框信息，基于边框信息则可以相应的从目标图片中将目标物品所在区域的区域图片提取出来。其中，该部分功能可以是集成于物品识别模型中，即物品识别模型最终输出的物品信息即为目标物品所在区域的区域图片以及目标物品的类型、名称以及品牌等信息。
步骤203：确定目标物品中的主体物品，主体物品为评论图片对应的已购买物品。
本申请实施例中，在某些场景中，可以将目标图片中的主体物品从识别的目标物品中筛除，仅根据除主体物品之外的其余目标物品执行后续的流程。例如，当目标图片为评论图片时，评论图片是用户针对近期已购买物品进行的评价，而刚刚购买的物品用户通常不会近期再次购买，因而即使推荐，成功率也不高，因而可以将近期已购买物品筛除。而在进行评论时，用户所拍摄的评论图片通常是将近期已购买物品作为照片的主体，因而在通过物品识别模型识别目标物品之后，可以将目标图片中的主体物品筛除。
以目标图片为评论图片为例，从评论中下载评论图片时，则可以获取到该评论图片所对应的物品，即可以知道用户是针对哪个物品进行评论时上传的该评论图片，那么就可以知道需要筛除的目标物品，则确定主体物品即为评论图片所对应的物品，从而可以直接将评论图片所对应的物品从识别得到的目标物品中筛除。
具体的，主体物品在目标图片中一般占据主要位置，例如位置一般较为居中，且占据图片的范围较大，因而可以根据目标物品在目标图片中的位置和/或各目标物品在目标图片中所占的面积信息，获取各目标物品为主体物品的概率值。其中，目标物品在目标图片中的坐标越接近中心坐标，则目标物品为主体商品的概率值越高；以及目标物品在目标图片中的面积越大，即占据目标图片的范围越大，则目标物品为主体商品的概率值越高。在获得各目标物品的概率值之后，可以按照概率值的大小对所有目标物品进行排序，概率值最大，即排名第一的目标商品即为主体商品。
步骤204：根据目标物品的物品信息，从物资转移平台中获取目标物品的电子资源信息。
本申请实施例中，当识别得到的目标物品的数量为多个时，由于针对每一目标物品的执行过程是相同的，因而后续仅以一个目标物品的执行过程为例进行介绍。
为了后续对目标物品的资源转化率进行评估，需要预先获取目标物品的电子资源信息。具体的，在获取目标物品的物品信息之后，可以根据物品信息中类型、型号以及品牌等信息从物资转移平台中获取目标物品的电子资源信息。其中，电子资源信息可以包括物品的价格以及历史价格走向等信息。例如，当识别得到的目标物品为品牌A的洗衣粉，则可以在购物平台获得品牌A的洗衣粉的价格。
本申请实施例中，步骤203并不是必选的步骤，以及，步骤203和步骤204在执行时并没有实质上的先后顺序，在实际应用时，可以根据实际需求进行选择，本申请实施例对此不做限制。
步骤205：根据目标物品的物品信息以及电子资源信息，确定目标物品对应的电子资源的资源转化率。
本申请实施例中，资源转化率用于表征单位物品对应的电子资源的大小，或者单位电子资源所能交换的物品多少，通常可以理解为性价比。
具体的，当获知目标物品的类型等相关信息以及电子资源信息之后，就可以利用资源转化率判定规则对目标物品的资源转化率进行评价。一般而言，资源转化率判定规则中，电子资源信息表征交换所需要的电子资源越多，则资源转化率越低，或者目标物品的电子资源增幅较大，则资源转化率越低。例如，目标物品为洗衣粉，则洗衣粉的单价越高，则性价比越低。当然，在进行判定时，价格并不是唯一考虑的因素，物品的质量好坏、材质以及用户评分等都可以作为判定依据。
具体的，还可以使用已训练的转化率判定模型，根据目标物品的区域图片以及电子资源信息，来确定目标物品的资源转化率。该转化率判定模型，是通过给定大量的图片训练样本以及监督数据通过模型训练得到的，在模型训练之前，为每一个图片训练样本标注了图片中物品的电子资源信息和资源转化率。如图7所示，是以电子资源信息为价格为例，提供的图片训练样本的示例图，其中，图7中所示的物品图片和价格作为模型的输入数据，资源转化率作为监督数据对转化率判定模型进行训练。针对每一个图片样本，需要给定该图片样本中物品的价格，并且标注该图片样本中物品的资源转化率，例如可以将资源转化率分为高、中、低三档，或者如图7中所示用数值表征性价比的高低，如用数值1表征性价比高，数值0.5表征性价比中，数值0表征性价比低，通过输入的物品图片和价格能够得到该物品图片中物品的资源转化率，与标注的资源转化率进行比较，以对模型参数进行调整，直至最终调整得到的模型所得到的资源转化率能够与标注的资源转化率的差值在预设范围内，则模型训练结束。
如图8所示，本申请实施例提供的转化率判定模型的架构示意图。其中，转化率判定模型可以包括输入层、特征提取层、特征融合层和输出层，当然，图8所示的物品识别模型仅为一种可能的模型架构，在实际应用时，本领域技术人员可以根据实际需求选择物品识别模型所包括的层，例如增加或者删减层。
转化率判定模型的输入为步骤202得到的目标物品对应的区域图片和步骤204得到的电子资源信息，输入层提供的区域图片通过特征提取层进行特征提取，可以得到区域图片的初始特征图。其中，特征提取层可以通过CNN网络来实现，例如RCNN或者Fast-RCNN等，当然，还可以为其他可能的CNN网络，本申请实施例对此不做限制。
特征提取层提取的区域图片的特征，并未包括电子资源信息，因而可以将提取的区域图片的初始特征图与电子资源信息进行特征融合，得到目标物品的融合特征图；以便于后续利用融合特征来判定目标物品的资源转化率。其中，特征融合层可以通过能够实现全连接层功能的算法来实现，例如可以通过多层感知机(Multilayer Perceptron，MLP)来实现。
输出层可以对融合特征层输出的融合特征图进行分类，以确定目标物品的资源转化率。其中，输出层输出的结果可以是目标物品为各个资源转化率的概率值，其中，概率值越高的资源转化率即为目标物品的资源转化率。输出层可以采用通过回归算法来实现资源转化率的判定，当然，也可以采用其他可能的分类算法实现分类，本申请实施例对此不做限制。
步骤206：确定目标物品的资源转化率是否不高于预设转化率阈值。
步骤207：若目标物品的资源转化率不高于预设转化率阈值，则向目标用户推荐资源转化率大于目标物品的资源转化率的关联类型物品。
本申请实施例中，通过上面的过程，可以获取目标图片中每一目标物品或者除主体物品之外的目标物品的资源转化率，进而可以确定各目标物品的资源转化率是否不高于预设转化率阈值，若目标物品的资源转化率不高于预设转化率阈值，则向目标用户推荐资源转化率大于目标物品的资源转化率的关联类型物品，若目标物品的资源转化率高于预设转化率阈值，则流程结束。
其中，预设转化率阈值可以是预先设定好的固定转化率值，例如当资源转化率划分为高、中、低三档时，则可以将预设转化率阈值设置为低，那么在确定目标物品的资源转化率不高于预设转化率阈值时，则向目标用户推荐资源转化率更高的关联类型物品。或者，预设转化率阈值可以是变动的，例如针对一个类型的物品，可以根据当前物资转移平台中该类型物品的资源转化率来设置预设转化率阈值，例如对于洗衣粉，当前购物平台中包括10个品牌的洗衣粉，那么可以获取这10个品牌当前的资源转化率，并将资源转化率的平均值设置为预设转化率阈值，或者将排名较低的几个品牌的资源转化率的平均值设置为预设转化率阈值。
在实际应用过程中，可以预先对资源转移平台中的物品进行资源转化率的判定，以及在物品的电子资源信息更新时更新资源转化率，并将确定的资源转化率相关信息存储在数据库中，当需要时按需读取。这样，在确定目标物品的资源转化率不高于预设转化率阈值时，则可以从数据库中获取资源转化率大于目标物品的资源转化率的关联类型物品，并推荐给目标用户。
本申请实施例中，关联类型物品可以是指相同类型或者相似类型的物品。在实际应用过程中，物品推荐可以是为目标用户推荐单一物资转移平台的物品，还可以为目标用户推荐多个物资转移平台的物品。
综上所述，本申请实施例可以对用户在物资转移平台上传的照片进行物品识别，判定其中包括的物品的资源转化率，如性价比，然后向用户推荐性价比更高的关联类型物品，由于一般而言用户倾向于购买性价比更高的物品，因而向其推荐性价比更高的物品，有助于提升推荐成功率，此外，对于平台而言，该平台中的物品的性价比更高，用户会更倾向于在该平台进行物品交换，不仅能够提升平台的用户黏性，还能够为平台引流。
请参见图9，基于同一发明构思，本发明实施例还提供了一种物品推荐装置90，该装置包括：
物品识别单元901，用于获取目标用户关联的目标图片，并确定目标图片中包含的目标物品的物品信息；
资源信息获取单元902，用于根据目标物品的物品信息，从物资转移平台中获取目标物品的电子资源信息，物资转移平台用于以电子资源来交换物品的所有权；
转化率确定单元903，用于根据目标物品的物品信息以及电子资源信息，确定目标物品对应的电子资源的资源转化率；资源转化率用于表征单位物品对应的电子资源的大小；
推荐单元904，用于若目标物品的资源转化率不高于预设转化率阈值，则向目标用户推荐资源转化率大于目标物品的资源转化率的关联类型物品。
可选的，物品信息包括目标物品在目标图片中所在区域的区域图片，则转化率确定单元903，用于：
根据区域图片以及电子资源信息，使用已训练的转化率判定模型，确定目标物品的资源转化率；其中，转化率判定模型是通过多个图片训练样本训练得到的，每一个图片训练样本标注了图片中物品的电子资源信息以及资源转化率。
可选的，转化率确定单元903，用于：
对区域图片进行特征提取，得到区域图片的初始特征图；
将初始特征图与电子资源信息进行特征融合，得到目标物品的融合特征图；
基于融合特征图得到目标物品的资源转化率。
可选的，物品识别单元901，用于：
获取目标用户上传的目标图片；或者，
从物资转移平台的物品评论中下载目标用户对于已购买物品的评论图片，作为目标图片。
可选的，若目标图片为评论图片，物品识别单元901还用于：
确定目标物品中的主体物品，主体物品为评论图片对应的已购买物品；
则资源信息获取单元902，用于：
根据除主体物品之外的其余目标物品的物品信息，从物资转移平台中获取除主体物品之外的其余目标物品的电子资源信息。
可选的，物品识别单元901，用于：
针对每一目标物品，根据目标物品在目标图片中的位置和/或各目标物品在目标图片中所占的面积信息，获取目标物品为主体物品的概率值；
根据各目标物品的概率值，从目标物品中确定主体物品。
可选的，物品识别单元901，用于：
利用已训练的物品识别模型，对目标图片进行物品识别，得到目标图片中包含的目标物品的物品信息；
其中，物品识别模型是通过多个图片训练样本训练得到的，每一个图片训练样本标注了图片中物品的物品信息。
可选的，物品识别单元901，用于：
对目标图片进行特征提取，得到目标图片的初始特征图；
根据初始特征图中每一像素点的特征，从目标图片中确定包含目标物品的候选区域的边框信息；
基于候选区域的边框信息，从初始特征图中提取候选区域所对应的区域特征图；
对区域特征图进行物品分类，获得区域特征图中目标物品的物品信息。
可选的，物品识别单元901，用于：
根据各像素点的特征对像素点进行分类，以从所有像素点中确定出边框像素点；其中，边框像素点所围成的区域为候选区域；
根据确定出的边框像素点的位置信息，从目标图片中确定出各候选区域的边框信息。
可选的，物品识别单元901，用于：
对区域特征图对应的候选区域的大小以及范围进行矫正；
对矫正后的区域特征图进行物品分类，获得区域特征图中目标物品的物品信息。
该装置可以用于执行图2～图8所示的实施例中所示的方法，因此，对于该装置的各功能模块所能够实现的功能等可参考图2～图8所示的实施例的描述，不多赘述。
请参见图10，基于同一技术构思，本发明实施例还提供了一种计算机设备100，可以包括存储器1001和处理器1002。
所述存储器1001，用于存储处理器1002执行的计算机程序。存储器1001可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据计算机设备的使用所创建的数据等。处理器1002，可以是一个中央处理单元(central processing unit，CPU)，或者为数字处理单元等等。本发明实施例中不限定上述存储器1001和处理器1002之间的具体连接介质。本发明实施例在图10中以存储器1001和处理器1002之间通过总线1003连接，总线1003在图10中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。所述总线1003可以分为地址总线、数据总线、控制总线等。为便于表示，图10中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器1001可以是易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，RAM)；存储器1001也可以是非易失性存储器(non-volatilememory)，例如只读存储器，快闪存储器(flash memory)，硬盘(hard disk drive，HDD)或固态硬盘(solid-state drive，SSD)、或者存储器1001是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器1001可以是上述存储器的组合。
处理器1002，用于调用所述存储器1001中存储的计算机程序时执行如图2～图8所示的实施例中设备所执行的方法。
在一些可能的实施方式中，本发明提供的方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在计算机设备上运行时，所述程序代码用于使所述计算机设备执行本说明书上述描述的根据本发明各种示例性实施方式的方法中的步骤，例如，所述计算机设备可以执行如图2～图8所示的实施例中设备所执行的方法。
所述程序产品可以采用一个或多个可读介质的任意组合。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。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。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (15)
1.一种物品推荐方法，其特征在于，所述方法包括：
获取目标用户关联的目标图片，并确定所述目标图片中包含的目标物品的物品信息；
根据所述目标物品的物品信息，从物资转移平台中获取所述目标物品的电子资源信息，所述物资转移平台用于以电子资源来交换物品的所有权；
根据所述目标物品的物品信息以及所述电子资源信息，确定所述目标物品对应的电子资源的资源转化率；所述资源转化率用于表征单位物品对应的电子资源的大小；
若所述目标物品的资源转化率不高于预设转化率阈值，则向所述目标用户推荐资源转化率大于所述目标物品的资源转化率的关联类型物品。
2.如权利要求1所述的方法，其特征在于，所述物品信息包括所述目标物品在所述目标图片中所在区域的区域图片，则所述根据所述目标物品的物品信息以及电子资源信息，确定所述目标物品对应的电子资源的资源转化率，包括：
根据所述区域图片以及所述电子资源信息，使用已训练的转化率判定模型，确定所述目标物品的资源转化率；其中，所述转化率判定模型是通过多个图片训练样本训练得到的，每一个图片训练样本标注了图片中物品的电子资源信息以及资源转化率。
3.如权利要求2所述的方法，其特征在于，根据所述区域图片以及所述电子资源信息，使用已训练的转化率判定模型，确定所述目标物品的资源转化率，包括：
对所述区域图片进行特征提取，得到所述区域图片的初始特征图；
将所述初始特征图与所述电子资源信息进行特征融合，得到所述目标物品的融合特征图；
基于所述融合特征图得到所述目标物品的资源转化率。
4.如权利要求1所述的方法，其特征在于，所述获取目标用户关联的目标图片，包括：
获取所述目标用户上传的所述目标图片；或者，
从所述物资转移平台的物品评论中下载所述目标用户对于已购买物品的评论图片，作为所述目标图片。
5.如权利要求4所述的方法，其特征在于，若所述目标图片为评论图片，则在确定所述目标图片中包含的目标物品的物品信息之后，所述方法还包括：
确定所述目标物品中的主体物品，所述主体物品为所述评论图片对应的已购买物品；
则根据所述目标物品的物品信息，从物资转移平台中获取所述目标物品的电子资源信息，包括：
根据除所述主体物品之外的其余目标物品的物品信息，从物资转移平台中获取除所述主体物品之外的其余目标物品的电子资源信息。
6.如权利要求5所述的方法，其特征在于，所述确定所述目标物品中的主体物品，包括：
针对每一目标物品，根据所述目标物品在所述目标图片中的位置和/或各目标物品在所述目标图片中所占的面积信息，获取所述目标物品为主体物品的概率值；
根据各目标物品的概率值，从所述目标物品中确定主体物品。
7.如权利要求1～6任一所述的方法，其特征在于，所述确定所述目标图片中包含的目标物品的物品信息，包括：
利用已训练的物品识别模型，对所述目标图片进行物品识别，得到所述目标图片中包含的目标物品的物品信息；
其中，所述物品识别模型是通过多个图片训练样本训练得到的，每一个图片训练样本标注了图片中物品的物品信息。
8.如权利要求7所述的方法，其特征在于，所述利用已训练的物品识别模型，对所述目标图片进行物品识别，得到所述目标图片中包含的目标物品的物品信息，包括：
对所述目标图片进行特征提取，得到所述目标图片的初始特征图；
根据所述初始特征图中每一像素点的特征，从所述目标图片中确定包含目标物品的候选区域的边框信息；
基于候选区域的边框信息，从所述初始特征图中提取所述候选区域所对应的区域特征图；
对所述区域特征图进行物品分类，获得所述区域特征图中目标物品的物品信息。
9.如权利要求8所述的方法，其特征在于，根据所述初始特征图中每一像素点的特征，从所述目标图片中确定包含目标物品的候选区域的边框信息，包括：
根据各像素点的特征对像素点进行分类，以从所有像素点中确定出边框像素点；其中，边框像素点所围成的区域为候选区域；
根据确定出的边框像素点的位置信息，从所述目标图片中确定出各所述候选区域的边框信息。
10.如权利要求8所述的方法，其特征在于，在基于候选区域的边框信息，从所述初始特征图中提取所述候选区域所对应的区域特征图之后，所述方法还包括：
对所述区域特征图对应的候选区域的大小以及范围进行矫正；
则对所述区域特征图进行物品分类，获得所述区域特征图中目标物品的物品信息，包括：
对矫正后的区域特征图进行物品分类，获得所述区域特征图中目标物品的物品信息。
11.一种物品推荐装置，其特征在于，所述装置包括：
物品识别单元，用于获取目标用户关联的目标图片，并确定所述目标图片中包含的目标物品的物品信息；
资源信息获取单元，用于根据所述目标物品的物品信息，从物资转移平台中获取所述目标物品的电子资源信息，所述物资转移平台用于以电子资源来交换物品的所有权；
转化率确定单元，用于根据所述目标物品的物品信息以及所述电子资源信息，确定所述目标物品对应的电子资源的资源转化率；所述资源转化率用于表征单位物品对应的电子资源的大小；
推荐单元，用于若所述目标物品的资源转化率不高于预设转化率阈值，则向所述目标用户推荐资源转化率大于所述目标物品的资源转化率的关联类型物品。
12.如权利要求11所述的装置，其特征在于，所述物品信息包括所述目标物品在所述目标图片中所在区域的区域图片，则所述转化率确定单元，用于：
对所述区域图片进行特征提取，得到所述目标物品的初始特征图；
将所述初始特征图与所述电子资源信息进行特征融合，得到所述目标物品的融合特征图；
基于所述融合特征图得到所述目标物品的资源转化率。
13.如权利要求11所述的装置，其特征在于，所述物品识别单元，用于：
对所述目标图片进行特征提取，得到所述目标图片的初始特征图；
根据所述初始特征图中每一像素点的特征，从所述目标图片中确定包含目标物品的候选区域的边框信息；
基于候选区域的边框信息，从所述初始特征图中提取所述候选区域所对应的区域特征图；
对所述区域特征图进行物品分类，获得所述区域特征图中目标物品的物品信息。
14.一种计算机设备，包括存储器、处理器及存储在存储器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至10任一项所述方法的步骤。
15.一种计算机存储介质，其上存储有计算机程序指令，其特征在于，
该计算机程序指令被处理器执行时实现权利要求1至10任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010540135.2A CN111695971B (zh) | 2020-06-12 | 2020-06-12 | 物品推荐方法、装置和设备及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010540135.2A CN111695971B (zh) | 2020-06-12 | 2020-06-12 | 物品推荐方法、装置和设备及计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111695971A true CN111695971A (zh) | 2020-09-22 |
| CN111695971B CN111695971B (zh) | 2024-01-12 |
Family
ID=72480941
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010540135.2A Active CN111695971B (zh) | 2020-06-12 | 2020-06-12 | 物品推荐方法、装置和设备及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111695971B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113516046A (zh) * | 2021-05-18 | 2021-10-19 | 平安国际智慧城市科技股份有限公司 | 区域内生物多样性的监测方法、装置、设备以及存储介质 |
| CN116739840A (zh) * | 2023-08-14 | 2023-09-12 | 贵州优特云科技有限公司 | 基于多目标群优化的旅游套餐推荐方法、装置及存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4536146B1 (ja) * | 2009-08-27 | 2010-09-01 | 株式会社アクティブコア | レコメンド装置、レコメンド方法およびレコメンドプログラム |
| CN102449654A (zh) * | 2009-09-30 | 2012-05-09 | 乐天株式会社 | 建议不存在于图像内的物品的系统 |
| CN102982472A (zh) * | 2012-11-29 | 2013-03-20 | 何松 | 终端自动推荐相似商品的方法及装置 |
| JP2017091353A (ja) * | 2015-11-13 | 2017-05-25 | 株式会社ハピリィホールディングス | 写真販売管理システム、方法、プログラム |
| CN107665238A (zh) * | 2017-08-24 | 2018-02-06 | 北京搜狗科技发展有限公司 | 图片处理方法和装置、用于图片处理的装置 |
| CN107833082A (zh) * | 2017-09-15 | 2018-03-23 | 广州唯品会研究院有限公司 | 一种商品图片的推荐方法和装置 |
| CN108038161A (zh) * | 2017-12-06 | 2018-05-15 | 北京奇虎科技有限公司 | 基于相册的信息推荐方法、装置及计算设备 |
| CN108830147A (zh) * | 2018-05-04 | 2018-11-16 | 广州图匠数据科技有限公司 | 一种基于图像识别的货架商品价格识别方法、装置和系统 |
| CN110197415A (zh) * | 2019-04-23 | 2019-09-03 | 北京三快在线科技有限公司 | 一种推荐方法、装置、电子设备及可读存储介质 |
| CN110880136A (zh) * | 2018-09-06 | 2020-03-13 | 北京京东尚科信息技术有限公司 | 配套产品的推荐方法、系统、设备和存储介质 |
| CN110941727A (zh) * | 2019-11-29 | 2020-03-31 | 北京达佳互联信息技术有限公司 | 一种资源推荐方法、装置、电子设备及存储介质 |
-
2020
- 2020-06-12 CN CN202010540135.2A patent/CN111695971B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4536146B1 (ja) * | 2009-08-27 | 2010-09-01 | 株式会社アクティブコア | レコメンド装置、レコメンド方法およびレコメンドプログラム |
| CN102449654A (zh) * | 2009-09-30 | 2012-05-09 | 乐天株式会社 | 建议不存在于图像内的物品的系统 |
| CN102982472A (zh) * | 2012-11-29 | 2013-03-20 | 何松 | 终端自动推荐相似商品的方法及装置 |
| JP2017091353A (ja) * | 2015-11-13 | 2017-05-25 | 株式会社ハピリィホールディングス | 写真販売管理システム、方法、プログラム |
| CN107665238A (zh) * | 2017-08-24 | 2018-02-06 | 北京搜狗科技发展有限公司 | 图片处理方法和装置、用于图片处理的装置 |
| CN107833082A (zh) * | 2017-09-15 | 2018-03-23 | 广州唯品会研究院有限公司 | 一种商品图片的推荐方法和装置 |
| CN108038161A (zh) * | 2017-12-06 | 2018-05-15 | 北京奇虎科技有限公司 | 基于相册的信息推荐方法、装置及计算设备 |
| CN108830147A (zh) * | 2018-05-04 | 2018-11-16 | 广州图匠数据科技有限公司 | 一种基于图像识别的货架商品价格识别方法、装置和系统 |
| CN110880136A (zh) * | 2018-09-06 | 2020-03-13 | 北京京东尚科信息技术有限公司 | 配套产品的推荐方法、系统、设备和存储介质 |
| CN110197415A (zh) * | 2019-04-23 | 2019-09-03 | 北京三快在线科技有限公司 | 一种推荐方法、装置、电子设备及可读存储介质 |
| CN110941727A (zh) * | 2019-11-29 | 2020-03-31 | 北京达佳互联信息技术有限公司 | 一种资源推荐方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 何海洋: ""基于矩阵分解及其图模型的协同过滤推荐算法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 2 * |
| 王周春: ""基于机器学习的目标探测与识别技术研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 87 - 88 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113516046A (zh) * | 2021-05-18 | 2021-10-19 | 平安国际智慧城市科技股份有限公司 | 区域内生物多样性的监测方法、装置、设备以及存储介质 |
| CN116739840A (zh) * | 2023-08-14 | 2023-09-12 | 贵州优特云科技有限公司 | 基于多目标群优化的旅游套餐推荐方法、装置及存储介质 |
| CN116739840B (zh) * | 2023-08-14 | 2023-11-14 | 贵州优特云科技有限公司 | 基于多目标群优化的旅游套餐推荐方法、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111695971B (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104715023B (zh) | 基于视频内容的商品推荐方法和系统 | |
| CN112131978B (zh) | 一种视频分类方法、装置、电子设备和存储介质 | |
| CN110737783A (zh) | 一种推荐多媒体内容的方法、装置及计算设备 | |
| US20230214895A1 (en) | Methods and systems for product discovery in user generated content | |
| CN103988202A (zh) | 基于索引和搜索的图像吸引力 | |
| US10275819B1 (en) | Reducing incompatible pairings | |
| CN113762309B (zh) | 对象匹配方法、装置及设备 | |
| CN114332680A (zh) | 图像处理、视频搜索方法、装置、计算机设备和存储介质 | |
| CN109962975A (zh) | 基于物体识别的信息推送方法、装置、电子设备及系统 | |
| CN113761253A (zh) | 视频标签确定方法、装置、设备及存储介质 | |
| CN111695971B (zh) | 物品推荐方法、装置和设备及计算机存储介质 | |
| CN112101344B (zh) | 一种视频文本跟踪方法及装置 | |
| CN111274981A (zh) | 目标检测网络构建方法及装置、目标检测方法 | |
| Wang et al. | PalGAN: Image colorization with palette generative adversarial networks | |
| CN113657087A (zh) | 信息的匹配方法及装置 | |
| CN111522979A (zh) | 图片排序推荐方法、装置、电子设备、存储介质 | |
| CN113762257A (zh) | 一种美妆品牌图像中标志的识别方法及装置 | |
| CN113327132A (zh) | 多媒体推荐方法、装置、设备及存储介质 | |
| CN113762041A (zh) | 视频分类方法、装置、计算机设备和存储介质 | |
| Nangoy et al. | Analysis of chatbot-based image classification on Social Commerce line@ platform | |
| CN114359767A (zh) | 产品数据的处理方法、装置、存储介质和处理器 | |
| US20200226167A1 (en) | Methods and systems for dynamic content provisioning | |
| Idrees et al. | Research Article Online Price Recommendation System for Shopping Used Cell Phones | |
| CN111738800B (zh) | 数据推荐方法、装置、计算机设备以及存储介质 | |
| CN117786234B (zh) | 一种基于两阶段对比学习的多模态资源推荐方法 |
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 |