CN111798286A - 物品搭配方法、物品搭配模型的构建方法和计算机 - Google Patents

物品搭配方法、物品搭配模型的构建方法和计算机 Download PDF

Info

Publication number
CN111798286A
CN111798286A CN202010337449.2A CN202010337449A CN111798286A CN 111798286 A CN111798286 A CN 111798286A CN 202010337449 A CN202010337449 A CN 202010337449A CN 111798286 A CN111798286 A CN 111798286A
Authority
CN
China
Prior art keywords
article
collocation
articles
collocated
cluster
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
Application number
CN202010337449.2A
Other languages
English (en)
Inventor
石凡
王林芳
于伟
梅涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jingdong Century Trading Co Ltd
Beijing Wodong Tianjun Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Wodong Tianjun Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jingdong Century Trading Co Ltd, Beijing Wodong Tianjun Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN202010337449.2A priority Critical patent/CN111798286A/zh
Publication of CN111798286A publication Critical patent/CN111798286A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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]
    • G06Q30/0621—Item configuration or customization
    • 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
    • G06Q30/0643—Graphical representation of items or shoppers

Abstract

本公开提出一种物品搭配方法、物品搭配模型的构建方法和计算机，涉及计算机应用领域。根据待搭配物品的视觉特征和品类信息等多模态信息以及各品类下属的物品聚类簇，从待搭配物品所属品类下属的各物品聚类簇中确定待搭配物品所属的物品聚类簇，结合预先构建的物品聚类簇间搭配关系模型，确定与待搭配物品匹配的物品聚类簇，从该匹配的物品聚类簇的物品中，确定与待搭配物品搭配的物品，相对于从海量物品中寻找搭配的物品，降低了计算量，提高了搭配效率，并且，物品聚类簇间搭配关系模型是预先构建的物品聚类簇间合理的搭配关系，基于该模型确定与待搭配物品匹配的物品聚类簇和搭配的物品，避免出现有违常识的搭配，提高搭配质量。

Description

物品搭配方法、物品搭配模型的构建方法和计算机
技术领域
本公开涉及计算机应用领域，特别涉及一种物品搭配方法、物品搭配模型的构建方法和计算机。
背景技术
多物品搭配可以为商家提供组合营销服务，为消费者提供多元化的服务。例如，消费者准备购买一件上衣，通过多物品搭配技术可以向用户推荐与该上衣匹配的其他服饰，如裤子、鞋靴等。
在一些相关技术中，利用计算机视觉技术，基于颜色等视觉要素寻找相似的物品，将这些相似物品确定为可以搭配的物品。
发明内容
发明人发现，相关物品搭配技术单纯依靠视觉要素在海量物品中寻找搭配的物品，计算量非常大，搭配效率低，并且，容易出现有违常识的搭配，例如，浅色的羽绒服搭配浅色的短裤，影响搭配质量。
本公开实施例根据待搭配物品的视觉特征和品类信息等多模态信息以及各品类下属的物品聚类簇，从待搭配物品所属品类下属的各物品聚类簇中确定待搭配物品所属的物品聚类簇，结合预先构建的物品聚类簇间搭配关系模型，确定与待搭配物品匹配的物品聚类簇，从该匹配的物品聚类簇的物品中，确定与待搭配物品搭配的物品，相对于从海量物品中寻找搭配的物品，降低了计算量，提高了搭配效率，并且，物品聚类簇间搭配关系模型是预先构建的物品聚类簇间合理的搭配关系，基于该模型确定与待搭配物品匹配的物品聚类簇，进而从中确定与待搭配物品搭配的物品，可以避免出现有违常识的搭配，提高搭配质量。
本公开的一些实施例提出一种物品搭配方法，包括：
利用视觉特征提取模型提取待搭配物品的视觉特征；
根据所述待搭配物品的视觉特征和品类信息以及各品类下属的物品聚类簇，从所述待搭配物品所属品类下属的各物品聚类簇中确定所述待搭配物品所属的物品聚类簇；
根据所述待搭配物品所属的物品聚类簇和预先构建的物品聚类簇间搭配关系模型，确定与所述待搭配物品匹配的物品聚类簇，其中，所述物品聚类簇间搭配关系模型是以物品聚类簇为节点、以物品聚类簇间的搭配关系为边、以物品聚类簇间的搭配权重为边的值所构建的图；
根据与所述待搭配物品匹配的物品聚类簇的物品，确定与所述待搭配物品搭配的物品。
在一些实施例中，确定所述待搭配物品所属的物品聚类簇包括：根据所述待搭配物品的视觉特征与所述待搭配物品所属品类下属的各物品聚类簇的中心的视觉特征之间的距离，从所述待搭配物品所属品类下属的各物品聚类簇中确定所述待搭配物品所属的物品聚类簇。
在一些实施例中，确定与所述待搭配物品匹配的物品聚类簇包括：从所述物品聚类簇间搭配关系模型中，选择与所述待搭配物品所属的物品聚类簇具有搭配关系且搭配权重符合预设权重条件的物品聚类簇，作为与所述待搭配物品匹配的物品聚类簇。
在一些实施例中，确定与所述待搭配物品搭配的物品包括：按照预设的物品筛选条件，从与所述待搭配物品匹配的物品聚类簇的物品中，筛选出与所述待搭配物品搭配的物品。
在一些实施例中，所述物品筛选条件包括季节筛选条件、销量筛选条件、仓储位置筛选条件中的一项或者多项。
在一些实施例中，所述物品聚类簇间搭配关系模型是基于搭配信息库构建的，搭配信息库包括多个物品的视觉信息和非视觉信息以及物品间的搭配关系，所述非视觉信息包括物品所属的品类信息；所述物品聚类簇间搭配关系模型的构建方法包括：
基于搭配信息库中的每个物品的视觉信息，提取相应所述物品的视觉特征；
根据物品的视觉特征和品类信息，对搭配信息库中每个品类的物品分别进行聚类，得到各品类下属的物品聚类簇；
根据物品所属的物品聚类簇以及物品间的搭配关系，确定物品聚类簇间的搭配关系以及搭配权重；
以物品聚类簇为节点，以物品聚类簇间的搭配关系为边，以物品聚类簇间的搭配权重为边的值，构建物品聚类簇间搭配关系模型。
在一些实施例中，所述方法还包括：向用户推荐与所述待搭配物品搭配的物品的信息。
在一些实施例中，物品包括服饰品。
本公开的一些实施例提出一种物品搭配模型的构建方法，所述物品搭配模型包括视觉特征提取模型和物品聚类簇间搭配关系模型，
所述方法包括：
将搭配信息库中的每个物品的视觉信息输入视觉特征提取模型，以提取相应所述物品的视觉特征；
根据物品的视觉特征和品类信息，对搭配信息库中每个品类的物品分别进行聚类，得到各品类下属的物品聚类簇；
根据物品所属的物品聚类簇以及物品间的搭配关系，确定物品聚类簇间的搭配关系以及搭配权重；
以物品聚类簇为节点，以物品聚类簇间的搭配关系为边，以物品聚类簇间的搭配权重为边的值，构建物品聚类簇间搭配关系模型。
在一些实施例中，确定物品聚类簇间的搭配关系以及搭配权重包括：任意两个物品具有搭配关系，确定所述任意两个物品各自所属的物品聚类簇具有搭配关系，根据具有搭配关系的任意两个物品聚类簇内的任意两个物品的搭配关系的数量，确定所述任意两个物品聚类簇间的搭配权重。
在一些实施例中，确定所述任意两个物品聚类簇间的搭配权重包括：利用任意两个物品的销量信息对所述任意两个物品的搭配关系进行加权；根据具有搭配关系的任意两个物品聚类簇内的任意两个物品的加权后的搭配关系的数量，确定所述任意两个物品聚类簇间的搭配权重。
在一些实施例中，所述方法还包括：根据搭配信息库中的每个物品的视觉信息和所属的品类对神经网络进行训练，直至神经网络分类输出的品类与输入的品类之间的误差符合预设条件，所述神经网络包括卷积层、全连接层和分类层；将训练好的神经网络的卷积层和全连接层作为视觉特征提取模型。
本公开的一些实施例提出一种计算机，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行任一个实施例所述的物品搭配方法，和/或，任一个实施例所述的物品搭配模型的构建方法。
本公开的一些实施例提出一种非瞬时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一个实施例所述的物品搭配方法，和/或，任一个实施例所述的物品搭配模型的构建方法。
附图说明
下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍。根据下面参照附图的详细描述，可以更加清楚地理解本公开。
显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1示出本公开一些实施例的物品搭配模型的构建方法流程示意图。
图2示出本公开一些实施例的物品聚类簇间搭配关系模型的示意图。
图3示出本公开一些实施例的物品搭配方法的流程示意图。
图4示出本公开一些实施例的计算机的示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。
图1示出本公开一些实施例的物品搭配模型的构建方法的流程示意图。物品搭配模型包括视觉特征提取模型和物品聚类簇间搭配关系模型。
如图1所示，该实施例的方法包括：步骤100-130。
在步骤100，通过预训练获得视觉特征提取模型。
利用专业的搭配信息库，对神经网络进行预训练，获得视觉特征提取模型。专业的搭配信息库包括多个物品的视觉信息和非视觉信息以及物品间专业的搭配关系。物品的视觉信息例如是物品的图片(如透底图)或物品的视频帧等图像。非视觉信息例如包括物品所属的品类信息、物品名称和规格参数等描述信息、物品的销售数据等信息。神经网络例如包括卷积层、全连接层和分类层(如softmax层)。神经网络例如选用SENet。
预训练过程例如包括：根据搭配信息库中的每个物品的视觉信息(图片或视频帧等)和所属的品类输入神经网络对神经网络进行训练，神经网络的卷积层对物品的视觉信息进行卷积处理，全连接层输出物品的视觉特征，分类层基于物品的视觉特征输出物品的品类，直至神经网络分类输出的品类与输入的品类之间的误差符合预设条件，再停止训练；然后，无视最后一层的分类层，将训练好的神经网络的卷积层和全连接层作为视觉特征提取模型。
在步骤110，将搭配信息库中的每个物品的视觉信息输入视觉特征提取模型，以提取相应物品的视觉特征。
也即，搭配信息库中的每个物品的视觉信息经过训练好的神经网络的卷积层和全连接层的处理，全连接层输出相应物品的视觉特征。
在步骤120，根据物品的视觉特征和品类信息，对搭配信息库中每个品类的物品分别进行聚类，得到各品类下属的物品聚类簇。
也即，根据物品的品类信息，寻找属于同一品类的多个物品，然后，基于物品的视觉特征，对属于同一品类的多个物品进行聚类，得到该品类下属的一个或多个物品聚类簇。
选择聚类方法而不是直接使用神经网络最后一层的分类层做分类器的原因，是使视觉相似、品类信息相近的物品在特征表示上拥有更近的度量。
在步骤130，根据物品所属的物品聚类簇以及物品间的搭配关系，确定物品聚类簇间的搭配关系以及搭配权重，以物品聚类簇为节点，以物品聚类簇间的搭配关系为边，以物品聚类簇间的搭配权重为边的值，构建物品聚类簇间搭配关系模型。
在一些实施例中，确定物品聚类簇间的搭配关系以及搭配权重的方法包括：任意两个物品具有搭配关系，确定该任意两个物品各自所属的物品聚类簇具有搭配关系，根据具有搭配关系的任意两个物品聚类簇内的任意两个物品的搭配关系的数量，确定该任意两个物品聚类簇间的搭配权重。任意两个物品聚类簇内的任意两个物品的搭配关系的数量越多，该任意两个物品聚类簇间的搭配权重越大。
在另一些实施例中，确定任意两个物品聚类簇间的搭配权重的方法包括：利用任意两个物品的销量信息对任意两个物品的搭配关系进行加权；根据具有搭配关系的任意两个物品聚类簇内的任意两个物品的加权后的搭配关系的数量，确定任意两个物品聚类簇间的搭配权重。任意两个物品聚类簇内的任意两个物品的搭配关系的数量越多，销量越大，该任意两个物品聚类簇间的搭配权重越大。
下面结合图2举例说明物品聚类簇间搭配关系模型。假设：品类1下属两个物品聚类簇C1和C2，品类2下属两个物品聚类簇C3和C4。物品聚类簇C1和C2中的物品有搭配关系，则物品聚类簇C1和C2具有搭配关系，因此，图2中节点C1和C2之间有一条边，表明物品聚类簇C1和C2具有搭配关系。类似的，图2中节点C1和C3之间有一条边，节点C2和C3之间有一条边，节点C2和C4之间有一条边，由于物品聚类簇C3和C4中的物品没有搭配关系，因此，节点C3和C4之间没有边。确定边的值的一种方法例如为：假设物品聚类簇C1和C2中共有5对物品有搭配关系，则物品聚类簇C1和C2的搭配关系的搭配权重为5，节点C1和C2之间边的值P12为5。确定边的值的另一种方法例如为：假设物品聚类簇C1和C2中共有5对物品有搭配关系，这5对物品的销量占总销量的比例为1/100，则物品聚类簇C1和C2的搭配关系的搭配权重为5/100，节点C1和C2之间边的值P12为5/100。类似的，可以确定节点C1和C3之间边的值P13、节点C2和C3之间边的值P23和节点C2和C4之间边的值P24。
作为一种应用场景，本公开各实施例中的物品例如可以是服饰品，服饰品的品类例如可以包括上衣、下衣、鞋靴、箱包等。按照本公开的方案，视觉特征相似的同品类(如上衣)的物品会被聚类为一簇，但是，视觉特征相似的不同品类(如上衣和下衣)的物品不会被聚类为一簇。
基于构建好的物品搭配模型，可以进行多物品搭配。
图3示出本公开一些实施例的物品搭配方法的流程示意图。
如图3所示，该实施例的物品搭配方法包括：步骤310-350。
步骤310，利用视觉特征提取模型提取待搭配物品的视觉特征。
即，将待搭配物品的图片或视频帧等图像信息输入到视觉特征提取模型，经过卷积层和全连接层的处理，全连接层输出该待搭配物品的视觉特征。
步骤320，根据待搭配物品的视觉特征和品类信息以及各品类下属的物品聚类簇，从待搭配物品所属品类下属的各物品聚类簇中确定待搭配物品所属的物品聚类簇。
根据待搭配物品的视觉特征与待搭配物品所属品类下属的各物品聚类簇的中心的视觉特征之间的距离，从待搭配物品所属品类下属的各物品聚类簇中确定待搭配物品所属的物品聚类簇。距离越近，属于该物品聚类簇的概率越大。
例如，从待搭配物品所属品类下属的各物品聚类簇中，将距离最近的物品聚类簇，确定为待搭配物品所属的物品聚类簇。
步骤330，根据待搭配物品所属的物品聚类簇和预先构建的物品聚类簇间搭配关系模型，确定与待搭配物品匹配的物品聚类簇。
如前所述，物品聚类簇间搭配关系模型是以物品聚类簇为节点、以物品聚类簇间的搭配关系为边、以物品聚类簇间的搭配权重为边的值所构建的图。
确定与待搭配物品匹配的物品聚类簇的方法包括：从物品聚类簇间搭配关系模型中，选择与待搭配物品所属的物品聚类簇具有搭配关系且搭配权重符合预设权重条件的物品聚类簇，作为与待搭配物品匹配的物品聚类簇。
例如，从物品聚类簇间搭配关系模型中与待搭配物品所属的物品聚类簇具有搭配关系的物品聚类簇中，选取搭配权重较大的预设数量(如3个)的物品聚类簇，作为与待搭配物品匹配的物品聚类簇，或者，选取搭配权重大于预设权重的若干物品聚类簇，作为与待搭配物品匹配的物品聚类簇。
步骤340，根据与待搭配物品匹配的物品聚类簇的物品，确定与待搭配物品搭配的物品。
在一些实施例中，可以将与待搭配物品匹配的物品聚类簇的全部物品，确定为与待搭配物品搭配的物品。
在另一些实施例中，按照预设的物品筛选条件，基于物品的季节属性、销量、仓储位置等非视觉信息，从与待搭配物品匹配的物品聚类簇的物品中，筛选出一部分物品，确定为与待搭配物品搭配的物品。其中，物品筛选条件包括季节筛选条件、销量筛选条件、仓储位置筛选条件中的一项或者多项。
例如，从与待搭配物品匹配的物品聚类簇的物品中，筛选出与待搭配物品的季节属性相同的物品，确定为与待搭配物品搭配的物品。又例如，从与待搭配物品匹配的物品聚类簇的物品中，筛选出销量大于预设销量的物品，确定为与待搭配物品搭配的物品。再例如，从与待搭配物品匹配的物品聚类簇的物品中，筛选出与待搭配物品的仓储位置相同的物品，确定为与待搭配物品搭配的物品。从而，更加准确地实现多物品搭配。
步骤350，可选地，向用户推荐与待搭配物品搭配的物品的信息。
作为一种应用场景，本公开各实施例中的物品例如可以是服饰品。通过多物品搭配技术可以向用户推荐与某服饰品匹配的其他服饰品
上述实施例，根据待搭配物品的视觉特征和品类信息等多模态信息以及各品类下属的物品聚类簇，从待搭配物品所属品类下属的各物品聚类簇中确定待搭配物品所属的物品聚类簇，结合预先构建的物品聚类簇间搭配关系模型，确定与待搭配物品匹配的物品聚类簇，从该匹配的物品聚类簇的物品中，确定与待搭配物品搭配的物品，相对于从海量物品中寻找搭配的物品，降低了计算量，提高了搭配效率，并且，物品聚类簇间搭配关系模型是预先构建的物品聚类簇间合理的搭配关系，基于该模型确定与待搭配物品匹配的物品聚类簇，进而从中确定与待搭配物品搭配的物品，可以避免出现有违常识的搭配，提高搭配质量。
图4示出本公开一些实施例的计算机的示意图。
如图4所示，该实施例的计算机400包括：存储器410以及耦接至该存储器410的处理器420，处理器420被配置为基于存储在存储器410中的指令，执行前述任意一些实施例中的物品搭配方法，和/或，任意一些实施例中的物品搭配模型的构建方法。
即，同一台计算机执行物品搭配模型的构建方法和基于物品搭配模型的物品搭配方法；或者，两台计算机分别执行物品搭配模型的构建方法和基于物品搭配模型的物品搭配方法。其中，执行物品搭配模型的构建方法的计算机可以将执行结果(即构建好的物品搭配模型)提供给执行物品搭配方法的计算机，使其利用构建好的物品搭配模型执行物品搭配方法。
其中，存储器410例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)以及其他程序等。
计算机400还可以包括输入输出接口430、网络接口440、存储接口450等。这些接口430，440，450以及存储器410和处理器420之间例如可以通过总线460连接。其中，输入输出接口430为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口440为各种联网设备提供连接接口。存储接口450为SD卡、U盘等外置存储设备提供连接接口。
本公开一些实施例提出一种非瞬时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述任意一些实施例中的物品搭配方法，和/或，任意一些实施例中的物品搭配模型的构建方法。
本领域内的技术人员应当明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机程序代码的非瞬时性计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的较佳实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (15)

1.一种物品搭配方法，其特征在于，包括：
利用视觉特征提取模型提取待搭配物品的视觉特征；
根据所述待搭配物品的视觉特征和品类信息以及各品类下属的物品聚类簇，从所述待搭配物品所属品类下属的各物品聚类簇中确定所述待搭配物品所属的物品聚类簇；
根据所述待搭配物品所属的物品聚类簇和预先构建的物品聚类簇间搭配关系模型，确定与所述待搭配物品匹配的物品聚类簇，其中，所述物品聚类簇间搭配关系模型是以物品聚类簇为节点、以物品聚类簇间的搭配关系为边、以物品聚类簇间的搭配权重为边的值所构建的图；
根据与所述待搭配物品匹配的物品聚类簇的物品，确定与所述待搭配物品搭配的物品。
2.根据权利要求1所述的方法，其特征在于，确定所述待搭配物品所属的物品聚类簇包括：
根据所述待搭配物品的视觉特征与所述待搭配物品所属品类下属的各物品聚类簇的中心的视觉特征之间的距离，从所述待搭配物品所属品类下属的各物品聚类簇中确定所述待搭配物品所属的物品聚类簇。
3.根据权利要求1所述的方法，其特征在于，确定与所述待搭配物品匹配的物品聚类簇包括：
从所述物品聚类簇间搭配关系模型中，选择与所述待搭配物品所属的物品聚类簇具有搭配关系且搭配权重符合预设权重条件的物品聚类簇，作为与所述待搭配物品匹配的物品聚类簇。
4.根据权利要求1所述的方法，其特征在于，确定与所述待搭配物品搭配的物品包括：
按照预设的物品筛选条件，从与所述待搭配物品匹配的物品聚类簇的物品中，筛选出与所述待搭配物品搭配的物品。
5.根据权利要求4所述的方法，其特征在于，所述物品筛选条件包括季节筛选条件、销量筛选条件、仓储位置筛选条件中的一项或者多项。
6.根据权利要求1所述的方法，其特征在于，所述物品聚类簇间搭配关系模型是基于搭配信息库构建的，搭配信息库包括多个物品的视觉信息和非视觉信息以及物品间的搭配关系，所述非视觉信息包括物品所属的品类信息；
所述物品聚类簇间搭配关系模型的构建方法包括：
基于搭配信息库中的每个物品的视觉信息，提取相应所述物品的视觉特征；
根据物品的视觉特征和品类信息，对搭配信息库中每个品类的物品分别进行聚类，得到各品类下属的物品聚类簇；
根据物品所属的物品聚类簇以及物品间的搭配关系，确定物品聚类簇间的搭配关系以及搭配权重；
以物品聚类簇为节点，以物品聚类簇间的搭配关系为边，以物品聚类簇间的搭配权重为边的值，构建物品聚类簇间搭配关系模型。
7.根据权利要求1所述的方法，其特征在于，还包括：
向用户推荐与所述待搭配物品搭配的物品的信息。
8.根据权利要求1-7任一项所述的方法，其特征在于，物品包括服饰品。
9.一种物品搭配模型的构建方法，其特征在于，所述物品搭配模型包括视觉特征提取模型和物品聚类簇间搭配关系模型，
所述方法包括：
将搭配信息库中的每个物品的视觉信息输入视觉特征提取模型，以提取相应所述物品的视觉特征；
根据物品的视觉特征和品类信息，对搭配信息库中每个品类的物品分别进行聚类，得到各品类下属的物品聚类簇；
根据物品所属的物品聚类簇以及物品间的搭配关系，确定物品聚类簇间的搭配关系以及搭配权重；
以物品聚类簇为节点，以物品聚类簇间的搭配关系为边，以物品聚类簇间的搭配权重为边的值，构建物品聚类簇间搭配关系模型。
10.根据权利要求9所述的方法，其特征在于，确定物品聚类簇间的搭配关系以及搭配权重包括：
任意两个物品具有搭配关系，确定所述任意两个物品各自所属的物品聚类簇具有搭配关系，
根据具有搭配关系的任意两个物品聚类簇内的任意两个物品的搭配关系的数量，确定所述任意两个物品聚类簇间的搭配权重。
11.根据权利要求10所述的方法，其特征在于，确定所述任意两个物品聚类簇间的搭配权重包括：
利用任意两个物品的销量信息对所述任意两个物品的搭配关系进行加权；
根据具有搭配关系的任意两个物品聚类簇内的任意两个物品的加权后的搭配关系的数量，确定所述任意两个物品聚类簇间的搭配权重。
12.根据权利要求9所述的方法，其特征在于，还包括：
根据搭配信息库中的每个物品的视觉信息和所属的品类对神经网络进行训练，直至神经网络分类输出的品类与输入的品类之间的误差符合预设条件，所述神经网络包括卷积层、全连接层和分类层；
将训练好的神经网络的卷积层和全连接层作为视觉特征提取模型。
13.根据权利要求9-12任一项所述的方法，其特征在于，物品包括服饰品。
14.一种计算机，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行权利要求1-8中任一项所述的物品搭配方法，和/或，权利要求9-13中任一项所述的物品搭配模型的构建方法。
15.一种非瞬时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1-8中任一项所述的物品搭配方法，和/或，权利要求9-13中任一项所述的物品搭配模型的构建方法。
CN202010337449.2A 2020-04-26 2020-04-26 物品搭配方法、物品搭配模型的构建方法和计算机 Pending CN111798286A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010337449.2A CN111798286A (zh) 2020-04-26 2020-04-26 物品搭配方法、物品搭配模型的构建方法和计算机

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010337449.2A CN111798286A (zh) 2020-04-26 2020-04-26 物品搭配方法、物品搭配模型的构建方法和计算机

Publications (1)

Publication Number Publication Date
CN111798286A true CN111798286A (zh) 2020-10-20

Family

ID=72805857

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010337449.2A Pending CN111798286A (zh) 2020-04-26 2020-04-26 物品搭配方法、物品搭配模型的构建方法和计算机

Country Status (1)

Country Link
CN (1) CN111798286A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113763014A (zh) * 2021-01-05 2021-12-07 北京沃东天骏信息技术有限公司 物品共现关系确定方法和装置及判定模型获得方法和装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103049513A (zh) * 2012-12-14 2013-04-17 杭州淘淘搜科技有限公司 一种服饰鞋包类商品图像多视觉特征融合方法
US9424598B1 (en) * 2013-12-02 2016-08-23 A9.Com, Inc. Visual search in a controlled shopping environment
WO2018149237A1 (zh) * 2017-02-20 2018-08-23 北京京东尚科信息技术有限公司 物品数据处理方法、装置和计算机可读存储介质
CN109993568A (zh) * 2018-01-03 2019-07-09 北京京东尚科信息技术有限公司 信息推送的方法和装置
CN110110181A (zh) * 2019-05-09 2019-08-09 湖南大学 一种基于用户风格和场景偏好的服装搭配推荐方法
CN110264291A (zh) * 2018-03-12 2019-09-20 北京京东尚科信息技术有限公司 信息推荐方法和装置
CN110825899A (zh) * 2019-09-18 2020-02-21 武汉纺织大学 融合颜色特征和残差网络深度特征的服装图像检索方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103049513A (zh) * 2012-12-14 2013-04-17 杭州淘淘搜科技有限公司 一种服饰鞋包类商品图像多视觉特征融合方法
US9424598B1 (en) * 2013-12-02 2016-08-23 A9.Com, Inc. Visual search in a controlled shopping environment
WO2018149237A1 (zh) * 2017-02-20 2018-08-23 北京京东尚科信息技术有限公司 物品数据处理方法、装置和计算机可读存储介质
CN109993568A (zh) * 2018-01-03 2019-07-09 北京京东尚科信息技术有限公司 信息推送的方法和装置
CN110264291A (zh) * 2018-03-12 2019-09-20 北京京东尚科信息技术有限公司 信息推荐方法和装置
CN110110181A (zh) * 2019-05-09 2019-08-09 湖南大学 一种基于用户风格和场景偏好的服装搭配推荐方法
CN110825899A (zh) * 2019-09-18 2020-02-21 武汉纺织大学 融合颜色特征和残差网络深度特征的服装图像检索方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113763014A (zh) * 2021-01-05 2021-12-07 北京沃东天骏信息技术有限公司 物品共现关系确定方法和装置及判定模型获得方法和装置

Similar Documents

Publication Publication Date Title
US11216861B2 (en) Color based social networking recommendations
US10242396B2 (en) Automatic color palette based recommendations for affiliated colors
US10186054B2 (en) Automatic image-based recommendations using a color palette
CN108960719B (zh) 选品方法和装置以及计算机可读存储介质
US9679532B2 (en) Automatic image-based recommendations using a color palette
US9542704B2 (en) Automatic image-based recommendations using a color palette
CN103914492B (zh) 查询词融合方法、商品信息发布方法和搜索方法及系统
US9697573B1 (en) Color-related social networking recommendations using affiliated colors
US20200257976A1 (en) Algorithmic apparel recommendation
US20150379006A1 (en) Automatic image-based recommendations using a color palette
US9727620B2 (en) System and method for item and item set matching
US11037071B1 (en) Cross-category item associations using machine learning
CN106055710A (zh) 基于视频的商品推荐方法及装置
CN108665333A (zh) 商品推荐方法、装置、电子设备和存储介质
CN110580649A (zh) 一种商品潜力值的确定方法和装置
CN102609422A (zh) 类目错放识别方法和装置
CN105335368B (zh) 一种产品聚类方法及装置
CN110321473B (zh) 基于多模态注意力的多样性偏好信息推送方法、系统、介质及设备
US10832305B1 (en) System and method for image processing and searching for classification in a product database
CN110580489A (zh) 一种数据对象的分类系统、方法以及设备
CN113988978A (zh) 基于知识图谱的服装搭配推荐方法、系统以及设备
Gutierrez et al. Deep learning for automated tagging of fashion images
CN116823410B (zh) 数据处理方法、对象处理方法、推荐方法及计算设备
CN111798286A (zh) 物品搭配方法、物品搭配模型的构建方法和计算机
CN106022860A (zh) 一种匹配方法及装置

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