CN111882404A - 一种关联推送处理方法及装置 - Google Patents
一种关联推送处理方法及装置 Download PDFInfo
- Publication number
- CN111882404A CN111882404A CN202010784952.2A CN202010784952A CN111882404A CN 111882404 A CN111882404 A CN 111882404A CN 202010784952 A CN202010784952 A CN 202010784952A CN 111882404 A CN111882404 A CN 111882404A
- Authority
- CN
- China
- Prior art keywords
- target
- targets
- target image
- image
- characteristic information
- 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
- 238000003672 processing method Methods 0.000 title claims description 11
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 30
- 230000006399 behavior Effects 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 18
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 12
- 230000005540 biological transmission Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 229920000742 Cotton Polymers 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 235000015220 hamburgers Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000002268 wool Anatomy 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000013589 supplement Substances 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Finance (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种关联推送处理方法及装置，该方法包括：对当前访问目标商户的目标对象的目标图像进行特征提取，得到所述目标图像的目标图像特征；确定所述目标图像特征与预先存储的多个图像特征信息的相似度；获取大于预设阈值的所述相似度对应的目标图像特征信息对应的一个或多个目标；确定所述一个或多个目标为所述目标对象的关联目标，可以解决相关技术中对于用户行为数据较少的商户或新商户的关联推送存在冷启动的问题，通过预先存储的相似度较大的目标图像特征信息获取关联的一个或多个目标，对于用户行为数据较少的商户或新商户，提高了关联商品推送的准确性。
Description
技术领域
本发明涉及图像处理领域，具体而言，涉及一种关联推送处理方法及装置。
背景技术
在电商领域，推荐算法是进行商品展示的重要方法与手段。随着电商行业的发展，各个电商平台对自身的推荐算法的越来越重视。然而，对于saas模式的电商平台，即电商平台对某一个商户进行服务，用户进入平台后仅看到这个商户的物品(类似微信的小程序进行商品购买)。然而，这类模式对于推荐系统有以下制约：
由于不同商户服务于不同的用户，导致用户很可能只在其中一两个商户有购买等行为，对于传统的推荐系统算法，用户行为不丰富。
在saas模型中，一个商户的用户行为可能过少，导致对于推荐算法的输入会比较稀疏，形成不了更有效的推荐算法(甚至会导致一两个用户就构成这个商户下的推荐算法)。
针对相关技术中对于用户行为数据较少的商户或新商户的关联推送存在冷启动的问题，尚未提出解决方案。
发明内容
本发明实施例提供了一种关联推送处理方法及装置，以至少解决相关技术中对于用户行为数据较少的商户或新商户的关联推送存在冷启动的问题。
根据本发明的一个实施例，提供了一种关联推送处理方法，包括：
对当前访问目标商户的目标对象的目标图像进行特征提取，得到所述目标图像的目标图像特征；
确定所述目标图像特征与预先存储的多个图像特征信息的相似度；
获取大于预设阈值的所述相似度对应的目标图像特征信息对应的一个或多个目标；
确定所述一个或多个目标为所述目标对象的关联目标。
可选地，对当前访问目标商户的目标对象的目标图像进行特征提取，得到所述目标图像的目标图像特征包括：
将所述目标图像输入预先训练好的目标卷积神经网络模型中，得到所述目标卷积神经网络模型输出的所述目标图像对应每种图像特征信息的概率，其中，所述概率大于预设阈值的图像特征信息确定为所述目标图像的目标图像特征。
可选地，确定所述目标图像特征与预先存储的多个图像特征信息的相似度包括：
判断所述目标商户是否设置有对应的关联商户；
在判断结果为是的情况下，获取所述关联商户对应的多个图像特征信息；
确定所述目标图像特征与所述关联商户对应的多个图像特征信息的相似度。
可选地，获取所述目标图像特征信息对应的一个或多个目标包括：
根据预先存储的图像特征信息与目标的对应关系获取所述目标图像特征信息对应的一个或多个目标。
可选地，在对显示界面中当前访问的目标对象的目标图像进行特征提取，得到所述目标图像的目标图像特征之前，所述方法还包括：
获取针对商户中一个或多个目标的历史行为数据；
根据所述历史行为数据确定所述一个或多个目标的关联目标；
提取所述一个或多个目标对应图像的图像特征信息；
建立所述一个或多个目标的图像特征信息与所述关联目标的对应关系。
可选地，提取所述一个或多个目标对应图像的图像特征信息包括：
将所述一个或多个目标对应图像输入预先训练好的目标卷积神经网络模型中，得到所述目标卷积神经网络模型输出的所述一个或多个目标对应图像对应每种图像特征信息的概率，其中，所述概率大于预设阈值的图像特征信息确定为所述一个或多个目标对应图像的图像特征信息。
可选地，在确定所述一个或多个目标为所述目标对象的关联目标之后，所述方法还包括：
在所述目标对象所在显示界面的预设位置显示所述一个或多个目标。
根据本发明的另一个实施例，还提供了一种关联推送处理装置，包括：
特征提取模块，用于对当前访问目标商户的目标对象的目标图像进行特征提取，得到所述目标图像的目标图像特征；
第一确定模块，用于确定所述目标图像特征与预先存储的多个图像特征信息的相似度；
第一获取模块，用于获取大于预设阈值的所述相似度对应的目标图像特征信息对应的一个或多个目标；
第二确定模块，用于确定所述一个或多个目标为所述目标对象的关联目标。
可选地，所述特征提取模块包括：
第一输入子模块，用于将所述目标图像输入预先训练好的目标卷积神经网络模型中，得到所述目标卷积神经网络模型输出的所述目标图像对应每种图像特征信息的概率，其中，所述概率大于预设阈值的图像特征信息确定为所述目标图像的目标图像特征。
可选地，所述第一确定模块包括：
判断子模块，用于判断所述目标商户是否设置有对应的关联商户；
第一获取子模块，用于在判断结果为是的情况下，获取所述关联商户对应的多个图像特征信息；
确定子模块，用于确定所述目标图像特征与所述关联商户对应的多个图像特征信息的相似度。
可选地，所述第一获取模块包括：
第二获取子模块，用于根据预先存储的图像特征信息与目标的对应关系获取所述目标图像特征信息对应的一个或多个目标。
可选地，所述装置还包括：
第二获取模块，用于获取针对商户中一个或多个目标的历史行为数据；
第三确定模块，用于根据所述历史行为数据确定所述一个或多个目标的关联目标；
提取模块，用于提取所述一个或多个目标对应图像的图像特征信息；
建立模块，用于建立所述一个或多个目标的图像特征信息与所述关联目标的对应关系。
可选地，所述提取模块包括：
第二输入子模块，用于将所述一个或多个目标对应图像输入预先训练好的目标卷积神经网络模型中，得到所述目标卷积神经网络模型输出的所述一个或多个目标对应图像对应每种图像特征信息的概率，其中，所述概率大于预设阈值的图像特征信息确定为所述一个或多个目标对应图像的图像特征信息。
可选地，所述装置还包括：
显示模块，用于在所述目标对象所在显示界面的预设位置显示所述一个或多个目标。
根据本发明的又一个实施例，还提供了一种计算机可读的存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明，对当前访问目标商户的目标对象的目标图像进行特征提取，得到所述目标图像的目标图像特征；确定所述目标图像特征与预先存储的多个图像特征信息的相似度；获取大于预设阈值的所述相似度对应的目标图像特征信息对应的一个或多个目标；确定所述一个或多个目标为所述目标对象的关联目标，可以解决相关技术中对于用户行为数据较少的商户或新商户的关联推送存在冷启动的问题，通过预先存储的相似度较大的目标图像特征信息获取关联的一个或多个目标，对于用户行为数据较少的商户或新商户，提高了关联商品推送的准确性。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明实施例的关联推送处理方法的移动终端的硬件结构框图；
图2是根据本发明实施例的关联推送处理方法的流程图；
图3是根据本发明实施例的基于图像特征提取与特征匹配的冷启动增强的流程图；
图4是根据本发明实施例的关联推送处理装置的框图；
图5是根据本发明优选实施例的关联推送处理装置的框图一；
图6是根据本发明优选实施例的关联推送处理装置的框图二；
图7是根据本发明优选实施例的关联推送处理装置的框图三。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，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组合。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
实施例1
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的关联推送处理方法的移动终端的硬件结构框图，如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，可选地，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的关联推送处理方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
基于上述的移动终端或网络架构，本实施例提供了一种关联推送处理方法，图2是根据本发明实施例的关联推送处理方法的流程图，如图2所示，该流程包括如下步骤：
步骤S202，对当前访问目标商户的目标对象的目标图像进行特征提取，得到所述目标图像的目标图像特征；
进一步的，将所述目标图像输入预先训练好的目标卷积神经网络模型中，得到所述目标卷积神经网络模型输出的所述目标图像对应每种图像特征信息的概率，其中，所述概率大于预设阈值的图像特征信息确定为所述目标图像的目标图像特征。
步骤S204，确定所述目标图像特征与预先存储的多个图像特征信息的相似度；
进一步的，判断所述目标商户是否设置有对应的关联商户；在判断结果为是的情况下，获取所述关联商户对应的多个图像特征信息；确定所述目标图像特征与所述关联商户对应的多个图像特征信息的相似度。
步骤S206，获取大于预设阈值的所述相似度对应的目标图像特征信息对应的一个或多个目标；
进一步的，根据预先存储的图像特征信息与目标的对应关系获取所述目标图像特征信息对应的一个或多个目标。
步骤S208，确定所述一个或多个目标为所述目标对象的关联目标。
通过上述步骤S202至S208，对当前访问目标商户的目标对象的目标图像进行特征提取，得到所述目标图像的目标图像特征；确定所述目标图像特征与预先存储的多个图像特征信息的相似度；获取大于预设阈值的所述相似度对应的目标图像特征信息对应的一个或多个目标；确定所述一个或多个目标为所述目标对象的关联目标，可以解决相关技术中对于用户行为数据较少的商户或新商户的关联推送存在冷启动的问题，通过预先存储的相似度较大的目标图像特征信息获取关联的一个或多个目标，对于用户行为数据较少的商户或新商户，提高了关联商品推送的准确性。
在一可选的实施例中，在确定所述一个或多个目标为所述目标对象的关联目标之后，在所述目标对象所在显示界面的预设位置显示所述一个或多个目标，即将与目标对象的关联目标在显示界面中显示出来，便于用户可以看到与目标对象类似的商品。
在另一可选的实施例中，在对显示界面中当前访问的目标对象的目标图像进行特征提取，得到所述目标图像的目标图像特征之前，获取针对商户中一个或多个目标的历史行为数据；根据所述历史行为数据确定所述一个或多个目标的关联目标；提取所述一个或多个目标对应图像的图像特征信息，进一步的，将所述一个或多个目标对应图像输入预先训练好的目标卷积神经网络模型中，得到所述目标卷积神经网络模型输出的所述一个或多个目标对应图像对应每种图像特征信息的概率，其中，所述概率大于预设阈值的图像特征信息确定为所述一个或多个目标对应图像的图像特征信息；建立所述一个或多个目标的图像特征信息与所述关联目标的对应关系。
本发明实施例，针对小商户或新商户，基于深度学习图片特征提取的冷启动增强推荐，对商品的图片使用ImageNet预训练卷积神经网络进行特征提取，并且采用图片特征距离匹配的方式引入大商户推荐结果的推荐方式。为没有丰富行为的商户的冷启动推荐，提出了新的解决方式。将图片信息对齐引入到微信小程序推荐中，对saas模型的电商平台推荐算法构建，和相应的冷启动、缺少数据的缺点，有着良好的解决效果。本实施例充分使用大商户的推荐结果，使用外部预训练卷积神经网络进行商品图片特征构建。对大小商户进行图片特征对齐匹配，达到小商户冷启动增强的效果。对于商户内商品有限，图片信息不足，本实施例引入外部预训练好的卷积神经网络进行信息补充。
在本实施例中，大商户代指有丰富用户行为(即点击、购买、加购物车等)的商户，小商户指用户行为较少，甚至没有的商户。主要对小商户的商品关联分析，看了又看等基于物品推荐的栏位进行推荐指导。对首页(基于用户)的栏位无法进行推荐指导。图3是根据本发明实施例的基于图像特征提取与特征匹配的冷启动增强的流程图，如图3所示，包括：
步骤一、对大商户搭建基于物品的推荐栏位。
由于大商户内用户行为丰富，可以基于此搭建其推荐系统。搭建的方式可以遵循经典的搭建方式，例如采用协同过滤或者基于图网络的推荐算法。
在本实施例对应的工程当中，对于看了又看(物品栏位)的推荐，采用物品协同过滤算法。对于购物车栏位，采用关联分析算法。
经过步骤一，可以对大商户进行推荐系统的搭建。
步骤二，指定对齐商户。
对于小商户而言，需要一个相似的大商户的推荐结果进行冷启动增强。因此，需要对小商户指定其对应商户。例如，汉堡王属于小商户，肯德基，望湘园属于大商户。则，可以通过运营技术人员指定商户“汉堡王”与商户“肯德基”配对，而不与商户“望湘园”配对。
步骤三，引入预训练卷积神经网络。
卷积神经网络是一种高效的图片特征提取器，通过不断的卷积和池化技术提取图片的抽象特征。
ImageNet是一个图片的分类任务数据集，人们使用卷积神经网络提取图片特征进行分类。
步骤四，对商户内商品图片信息进行信息抽取。
由于卷积神经网络是可以训练的，因此，本实施例使用别人已经训练现成的卷积神经网络进行特征提取。特征提取最后一层的卷积核的特征。
其中，由于卷积神经网络有多种结构特征，在本实施例中使用vgg卷积神经网络，也可以使用resnet、inception等。其中，vgg对于最后一个卷积核大小为7*7*512。即表示，一个224*224*3的图片提取信息后信息维度为7*7*512。将商品的图片通过图片缩放的方式，统一尺寸到224*224，经过预训练的vgg网络得到特征大小7*7*512，即表示为该商品的图片特征。
步骤五，冷启动增强。
通过步骤一，得到大商户的推荐结果。
通过步骤二，得到大小商户的匹配。
通过步骤四，得到大小商户下商品的图片特征。
通过比较步骤四的图片特征的余弦距离，对小商户进行冷启动增强。
下面举例对本发明实施例进行说明。
大商户为女装商户，小商户为男装商户。
对小商户内商品，通过步骤四得到商品的图像特征，查询大商户商品的图像特征，得到对应余弦距离最近的大商户商品。
例如：小商户内商品为：男装纯棉短袖T恤夏季467513 2019新款时尚印花圆领休闲衣服男；最近的大商户商品：女装纯棉短袖T恤夏季440752 2019新款V领休闲衣服女士时尚上衣。
对大商户内商品调用推荐接口，推荐接口可以为看了又看，购物车等。
得到以下对应商品：
女装-柔软美利奴羊毛开襟针织衫473896-1 2019秋新款；
女装圆领长袖条纹连衣裙秋季497060 2019新款舒适莫代尔中长裙；
女装圆领长袖T恤495487 2019新款时尚logo女士基础款上衣。
对大商户的推荐商品，调用步骤四的图片特征，得到小商户的对应商品，得到以下冷启动增强商品:
男装套头打底毛衣350894W休闲男拼色含羊毛针织衫；
男装V领开衫毛衣秋季474787 2019新款翻领长袖舒适针织衫；
男装时尚套头连帽卫衣488108长袖logo上衣男士运动衫2019新款。
本发明实施例通过图片特征对齐的方式，可以通过用户行为多的电商平台，快速将用户行为迁移到小商户平台，进行商品推荐。可以解决冷启动问题以及小商户平台缺少用户行为数据的问题，达到推荐的效果。通过外部预训练模型，对商户内的商品图片特征进行更客观的刻画，提取商品图片特征。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
在本实施例中还提供了一种关联推送处理装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图4是根据本发明实施例的关联推送处理装置的框图，如图4所示，包括：
特征提取模块42，用于对当前访问目标商户的目标对象的目标图像进行特征提取，得到所述目标图像的目标图像特征；
第一确定模块44，用于确定所述目标图像特征与预先存储的多个图像特征信息的相似度；
第一获取模块46，用于获取大于预设阈值的所述相似度对应的目标图像特征信息对应的一个或多个目标；
第二确定模块48，用于确定所述一个或多个目标为所述目标对象的关联目标。
图5是根据本发明优选实施例的关联推送处理装置的框图一，如图5所示，所述特征提取模块42包括：
第一输入子模块52，用于将所述目标图像输入预先训练好的目标卷积神经网络模型中，得到所述目标卷积神经网络模型输出的所述目标图像对应每种图像特征信息的概率，其中，所述概率大于预设阈值的图像特征信息确定为所述目标图像的目标图像特征。
图6是根据本发明优选实施例的关联推送处理装置的框图二，如图6所示，所述第一确定模块44包括：
判断子模块62，用于判断所述目标商户是否设置有对应的关联商户；
第一获取子模块64，用于在判断结果为是的情况下，获取所述关联商户对应的多个图像特征信息；
确定子模块66，用于确定所述目标图像特征与所述关联商户对应的多个图像特征信息的相似度。
图7是根据本发明优选实施例的关联推送处理装置的框图三，如图7所示，所述第一获取模块46包括：
第二获取子模块72，用于根据预先存储的图像特征信息与目标的对应关系获取所述目标图像特征信息对应的一个或多个目标。
可选地，所述装置还包括：
第二获取模块，用于获取针对商户中一个或多个目标的历史行为数据；
第三确定模块，用于根据所述历史行为数据确定所述一个或多个目标的关联目标；
提取模块，用于提取所述一个或多个目标对应图像的图像特征信息；
建立模块，用于建立所述一个或多个目标的图像特征信息与所述关联目标的对应关系。
可选地，所述提取模块包括：
第二输入子模块，用于将所述一个或多个目标对应图像输入预先训练好的目标卷积神经网络模型中，得到所述目标卷积神经网络模型输出的所述一个或多个目标对应图像对应每种图像特征信息的概率，其中，所述概率大于预设阈值的图像特征信息确定为所述一个或多个目标对应图像的图像特征信息。
可选地，所述装置还包括：
显示模块，用于在所述目标对象所在显示界面的预设位置显示所述一个或多个目标。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
实施例3
本发明的实施例还提供了一种计算机可读的存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，对当前访问目标商户的目标对象的目标图像进行特征提取，得到所述目标图像的目标图像特征；
S2，确定所述目标图像特征与预先存储的多个图像特征信息的相似度；
S3，获取大于预设阈值的所述相似度对应的目标图像特征信息对应的一个或多个目标；
S4，确定所述一个或多个目标为所述目标对象的关联目标。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
实施例4
本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，对当前访问目标商户的目标对象的目标图像进行特征提取，得到所述目标图像的目标图像特征；
S2，确定所述目标图像特征与预先存储的多个图像特征信息的相似度；
S3，获取大于预设阈值的所述相似度对应的目标图像特征信息对应的一个或多个目标；
S4，确定所述一个或多个目标为所述目标对象的关联目标。
可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种关联推送处理方法，其特征在于，包括：
对当前访问目标商户的目标对象的目标图像进行特征提取，得到所述目标图像的目标图像特征；
确定所述目标图像特征与预先存储的多个图像特征信息的相似度；
获取大于预设阈值的所述相似度对应的目标图像特征信息对应的一个或多个目标；
确定所述一个或多个目标为所述目标对象的关联目标。
2.根据权利要求1所述的方法，其特征在于，对当前访问目标商户的目标对象的目标图像进行特征提取，得到所述目标图像的目标图像特征包括：
将所述目标图像输入预先训练好的目标卷积神经网络模型中，得到所述目标卷积神经网络模型输出的所述目标图像对应每种图像特征信息的概率，其中，所述概率大于预设阈值的图像特征信息确定为所述目标图像的目标图像特征。
3.根据权利要求1所述的方法，其特征在于，确定所述目标图像特征与预先存储的多个图像特征信息的相似度包括：
判断所述目标商户是否设置有对应的关联商户；
在判断结果为是的情况下，获取所述关联商户对应的多个图像特征信息；
确定所述目标图像特征与所述关联商户对应的多个图像特征信息的相似度。
4.根据权利要求1所述的方法，其特征在于，获取所述目标图像特征信息对应的一个或多个目标包括：
根据预先存储的图像特征信息与目标的对应关系获取所述目标图像特征信息对应的一个或多个目标。
5.根据权利要求1所述的方法，其特征在于，在对显示界面中当前访问的目标对象的目标图像进行特征提取，得到所述目标图像的目标图像特征之前，所述方法还包括：
获取针对商户中一个或多个目标的历史行为数据；
根据所述历史行为数据确定所述一个或多个目标的关联目标；
提取所述一个或多个目标对应图像的图像特征信息；
建立所述一个或多个目标的图像特征信息与所述关联目标的对应关系。
6.根据权利要求5所述的方法，其特征在于，提取所述一个或多个目标对应图像的图像特征信息包括：
将所述一个或多个目标对应图像输入预先训练好的目标卷积神经网络模型中，得到所述目标卷积神经网络模型输出的所述一个或多个目标对应图像对应每种图像特征信息的概率，其中，所述概率大于预设阈值的图像特征信息确定为所述一个或多个目标对应图像的图像特征信息。
7.根据权利要求1至6中任一项所述的方法，其特征在于，在确定所述一个或多个目标为所述目标对象的关联目标之后，所述方法还包括：
在所述目标对象所在显示界面的预设位置显示所述一个或多个目标。
8.一种关联推送处理装置，其特征在于，包括：
特征提取模块，用于对当前访问目标商户的目标对象的目标图像进行特征提取，得到所述目标图像的目标图像特征；
第一确定模块，用于确定所述目标图像特征与预先存储的多个图像特征信息的相似度；
第一获取模块，用于获取大于预设阈值的所述相似度对应的目标图像特征信息对应的一个或多个目标；
第二确定模块，用于确定所述一个或多个目标为所述目标对象的关联目标。
9.一种计算机可读的存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至7中任一项所述的方法。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010784952.2A CN111882404A (zh) | 2020-08-06 | 2020-08-06 | 一种关联推送处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010784952.2A CN111882404A (zh) | 2020-08-06 | 2020-08-06 | 一种关联推送处理方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111882404A true CN111882404A (zh) | 2020-11-03 |
Family
ID=73211498
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010784952.2A Pending CN111882404A (zh) | 2020-08-06 | 2020-08-06 | 一种关联推送处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111882404A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107705175A (zh) * | 2017-09-29 | 2018-02-16 | 北京三快在线科技有限公司 | 确定用户与商户之间相似度的方法、装置及电子设备 |
| CN108182621A (zh) * | 2017-12-07 | 2018-06-19 | 合肥美的智能科技有限公司 | 商品推荐方法及商品推荐装置、设备和存储介质 |
| 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 |
| CN108898459A (zh) * | 2018-06-25 | 2018-11-27 | 中国联合网络通信集团有限公司 | 一种商品推荐方法及装置 |
| CN109523341A (zh) * | 2018-10-12 | 2019-03-26 | 广西师范大学 | 基于区块链技术的匿名跨域推荐方法 |
| CN109741125A (zh) * | 2018-11-27 | 2019-05-10 | 口碑(上海)信息技术有限公司 | 推荐菜品的方法及装置、存储介质、电子装置 |
| WO2019227920A1 (zh) * | 2018-05-31 | 2019-12-05 | 上海掌门科技有限公司 | 用于推送信息、展现信息的方法和设备 |
-
2020
- 2020-08-06 CN CN202010784952.2A patent/CN111882404A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN107705175A (zh) * | 2017-09-29 | 2018-02-16 | 北京三快在线科技有限公司 | 确定用户与商户之间相似度的方法、装置及电子设备 |
| CN108182621A (zh) * | 2017-12-07 | 2018-06-19 | 合肥美的智能科技有限公司 | 商品推荐方法及商品推荐装置、设备和存储介质 |
| WO2019227920A1 (zh) * | 2018-05-31 | 2019-12-05 | 上海掌门科技有限公司 | 用于推送信息、展现信息的方法和设备 |
| CN108898459A (zh) * | 2018-06-25 | 2018-11-27 | 中国联合网络通信集团有限公司 | 一种商品推荐方法及装置 |
| CN109523341A (zh) * | 2018-10-12 | 2019-03-26 | 广西师范大学 | 基于区块链技术的匿名跨域推荐方法 |
| CN109741125A (zh) * | 2018-11-27 | 2019-05-10 | 口碑(上海)信息技术有限公司 | 推荐菜品的方法及装置、存储介质、电子装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI760650B (zh) | 一種神經網路的訓練方法及圖像匹配方法、裝置 | |
| CN101206749B (zh) | 使用多路图像检索模块推荐产品的方法和系统 | |
| KR102318952B1 (ko) | 인공지능을 활용한 의류 추천 및 구매 방법, 장치 및 시스템 | |
| US20130085893A1 (en) | Acquisition and use of query images with image feature data | |
| US11132734B2 (en) | System and method for social style mapping | |
| US11475500B2 (en) | Device and method for item recommendation based on visual elements | |
| CN109597907A (zh) | 服饰管理方法和装置、电子设备、存储介质 | |
| CN110909746A (zh) | 一种服饰推荐方法、相关装置和设备 | |
| WO2014187233A1 (en) | Method,device and storing medium for searching | |
| CN111815404A (zh) | 虚拟物品分享方法及装置 | |
| KR20230042243A (ko) | 코디 조합 생성 시스템 및 코디 조합 생성 방법 | |
| KR20140056962A (ko) | 타깃 검색을 기반으로 하는 패션 정보 제공 시스템 | |
| US10678878B2 (en) | Method, device and storing medium for searching | |
| CN113487373A (zh) | 试衣镜、终端、服装推荐方法及存储介质 | |
| KR20200102009A (ko) | 스타일 코디 제공 방법 | |
| KR20110041628A (ko) | 의상 추천 방법 및 장치 | |
| CN103279519B (zh) | 物品搜索方法和装置 | |
| CN113377970A (zh) | 信息的处理方法和装置 | |
| CN106250541A (zh) | 一种信息的推送方法及装置 | |
| WO2016188278A1 (zh) | 业务对象信息的收藏方法及装置 | |
| CN111882404A (zh) | 一种关联推送处理方法及装置 | |
| CN105117935A (zh) | 智能搭配服饰的实现方法及装置 | |
| KR20200095632A (ko) | 복합형 스타일 코디 제공 방법 | |
| EP3937114A1 (en) | Coordinated outfit assistance server and coordinated outfit assistance system | |
| CN111126179A (zh) | 信息的获取方法和装置、存储介质和电子装置 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231201 Address after: Unit 5B03, 5th Floor, Building 2, No. 277 Longlan Road, Xuhui District, Shanghai, 200000 Applicant after: SHANGHAI SECOND PICKET NETWORK TECHNOLOGY CO.,LTD. Address before: Floors 4, 5 and 6, No. 3, Lane 1473, Zhenguang Road, Putuo District, Shanghai, 200333 Applicant before: Shanghai Fengzhi Technology Co.,Ltd. |