CN112307231A - 信息处理、模型训练、特征库创建方法及电子设备 - Google Patents
信息处理、模型训练、特征库创建方法及电子设备 Download PDFInfo
- Publication number
- CN112307231A CN112307231A CN201910691472.9A CN201910691472A CN112307231A CN 112307231 A CN112307231 A CN 112307231A CN 201910691472 A CN201910691472 A CN 201910691472A CN 112307231 A CN112307231 A CN 112307231A
- Authority
- CN
- China
- Prior art keywords
- commodity
- image
- information
- price
- image 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
- 238000012549 training Methods 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 97
- 230000010365 information processing Effects 0.000 title claims abstract description 55
- 238000003672 processing method Methods 0.000 title claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims description 140
- 239000000523 sample Substances 0.000 claims description 124
- 239000013074 reference sample Substances 0.000 claims description 63
- 238000005457 optimization Methods 0.000 claims description 15
- 238000005094 computer simulation Methods 0.000 claims description 12
- 239000000470 constituent Substances 0.000 claims description 12
- 230000004048 modification Effects 0.000 claims description 8
- 238000012986 modification Methods 0.000 claims description 8
- 230000006872 improvement Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 description 30
- 238000010586 diagram Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 16
- 238000004590 computer program Methods 0.000 description 7
- 230000001960 triggered effect Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 229910003460 diamond Inorganic materials 0.000 description 2
- 239000010432 diamond Substances 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical group [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0278—Product appraisal
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种信息处理、模型训练、特征库创建方法及电子设备。其中，信息处理方法包括：获取目标对象的图像信息；基于所述图像信息，获取所述目标对象所属类目；根据所述图像信息及所述目标对象所属类目，确定所述目标对象的参照价格；显示所述参照价格。本申请实施例提供的技术方案，基于目标对象的图像信息，为目标对象确定出一个参照价格，这个参照价格可以是一具体价格，也可以是一个价格范围，这样发布该目标对象的用户便可基于该参照价格，为该目标对象定出一个较为合适的价格。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种信息处理、模型训练、特征库创建方法及电子设备。
背景技术
在二手市场中，合适的商品价格是促进商品快速流通的重要因素。然而，一般用户难以直接给出合适价格，进而影响商品的销售。另外，二手市场网站与电商网站不同，用户通过客户端应用上传的有关商品的信息往往是不全的，比如，有些商品仅有图片。
如何基于商品的图像进行合理的价格预估是一个需要解决的问题，以帮助用户定出一个更合适的价格。
发明内容
本申请各实施例提供一种解决或部分解决现有技术的信息处理、模型训练、特征库创建方法及电子设备。
在本申请的一个实施例中，提供了一种信息处理方法。该方法包括：
获取目标对象的图像信息；
基于所述图像信息，获取所述目标对象所属类目；
根据所述图像信息及所述目标对象所属类目，确定所述目标对象的参照价格；
显示所述参照价格。
在本申请的另一个实施例中，提供了一种信息处理方法。该方法包括：
获取商品的图像信息；
将所述图像信息作为计算模型的输入，执行所述计算模型得到所述商品的参照价格；
其中，所述计算模型是基于已交易商品的商品图像及交易价格训练得到。
在本申请的另一个实施例中，提供了一种信息处理方法。该方法包括：
获取商品的图像信息；
利用判别模型判定所述图像信息属于困难类型时，基于图像特征索引库，检索与所述图像信息符合相似度要求的至少一个参照样本；
根据所述至少一个参照样本各自对应的价格，确定所述商品的参照价格；
其中，所述判别模型是基于样本图像及所述样本图像所属难易类型训练得到。
在本申请的又一个实施例中，提供了一种模型训练方法。该方法包括：
获取第一训练样本；其中，所述第一训练样本包括：已交易商品的商品图像及交易价格；
将所述商品图像作为待训练计算模型的输入，执行所述计算模型得到第一输出结果；
根据所述第一输出结果及所述交易价格，对所述计算模型进行参数优化；
其中，完成训练的所述计算模型，用于根据商品的图像信息确定所述商品的参照价格。
在本申请的又一个实施例中，提供了一种模型训练方法。该训练方法，包括：
获取第二训练样本，其中，所述第二训练样本中包含：已交易商品的商品图像及所述商品图像所属难易类型；
将所述商品图像作为待训练判别模型的输入，执行所述判别模型得到第三输出结果；
根据所述第三输出结果与所述难易类型，优化所述判别模型的参数；
其中，训练完成的所述判别模型，用于根据商品的图像信息判定所述图像信息是否能利用计算模型完成基于图像信息的商品参照价格计算。
在本申请的又一实施例中，提供了一种特征库创建方法。该方法包括：
收集已交易商品的商品信息；其中，所述商品信息包括：商品图像及交易价格；
利用预估模型，从收集到的多个商品信息中，区分出作为困难样本的部分商品信息；
基于困难样本，创建图像特征索引库，以用于检索与目标商品的图像信息符合相似度要求的参照样本，便于根据参照样本对应的价格，确定所述目标商品的参照价格。
在本申请的又一个实施例中，提供了一种电子设备。该电子设备包括存储器、处理器及显示器；其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：
获取目标对象的图像信息；
基于所述图像信息，获取所述目标对象所属类目；
根据所述图像信息及所述目标对象所属类目，确定所述目标对象的参照价格；
控制所述显示器显示所述参照价格。
在本申请的又一个实施例中，提供了一种电子设备。该电子设备包括存储器及处理器；其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：
获取商品的图像信息；
将所述图像信息作为计算模型的输入，执行所述计算模型得到所述商品的参照价格；
其中，所述计算模型是基于已交易商品的商品图像及交易价格训练得到。
在本申请的又一个实施例中，提供了一种电子设备。该电子设备包括存储器及处理器；其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：
获取商品的图像信息；
利用判别模型判定所述图像信息属于困难类型时，基于图像特征索引库，检索与所述图像信息符合相似度要求的至少一个参照样本；
根据所述至少一个参照样本各自对应的价格，确定与所述商品的参照价格；
其中，所述判别模型是基于样本图像及所述样本图像所属难易类型训练得到。
在本申请的又一个实施例中，提供了一种电子设备。该电子设备包括存储器及处理器；其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：
获取第一训练样本；其中，所述第一训练样本包括：已交易商品的商品图像及交易价格；
将所述商品图像作为待训练计算模型的输入，执行所述计算模型得到第一输出结果；
根据所述第一输出结果及所述交易价格，对所述计算模型进行参数优化；
其中，完成训练的所述计算模型，用于根据商品的图像信息确定所述商品的参照价格。
在本申请的又一个实施例中，提供了一种电子设备。该电子设备包括存储器及处理器；其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：
获取第二训练样本，其中，所述第二训练样本中包含：已交易商品的商品图像及所述商品图像所属难易类型；
将所述商品图像作为待训练判别模型的输入，执行所述判别模型得到第三输出结果；
根据所述第三输出结果与所述难易类型，优化所述判别模型的参数；
其中，训练完成的所述判别模型，用于根据商品的图像信息判定所述图像信息是否能利用计算模型完成基于图像信息的商品参照价格计算。
在本申请的又一个实施例中，提供了一种电子设备。该电子设备包括存储器及处理器；其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：
收集已交易商品的商品信息；其中，所述商品信息包括：商品图像及交易价格；
利用预估模型，从收集到的多个商品信息中，区分出作为困难样本的部分商品信息；
基于困难样本，创建图像特征索引库，以用于检索与目标商品的图像信息符合相似度要求的参照样本，便于根据参照样本对应的价格，确定所述目标商品的参照价格。
本申请又一实施例，还提供了一种信息处理方法。该信息处理方法包括：
获取目标对象的图像信息；
基于所述图像信息，获取所述目标对象所属类目；
根据所述图像信息及所述目标对象所属类目，为所述目标对象确定参照价格及促使所述目标对象满足第一预设条件的辅助信息；
将所述参照价格与所述辅助信息分别与所述图像信息关联展示。
本申请实施例提供的技术方案，基于目标对象的图像信息，为目标对象确定出一个参照价格，这个参照价格可以是一具体价格，也可以是一个价格范围，这样发布该目标对象的用户便可基于该参照价格，为该目标对象定出一个较为合适的价格。
本申请另一实施例提供的技术方案，利用计算模型可直接根据商品的图像信息，得到该商品的参照价格；其中，计算模型是基于历史上已交易商品的商品图像及交易价格训练得到；便于发布该商品的用户基于该参照价格，为商品定出一个较为合适的价格。
本申请另一实施例提供的技术方案中，利用判别模型判定商品的图像信息是否属于简单类型，当商品的图像信息属于简单类型时利用计算模型完成基于图像信息的商品参数数据的计算；本方案通过增加图像信息难易类型的判别，然后有针对性的选择适合的计算方式得到商品的参照价格，准确率高。
本申请又一实施例提供的技术方案中，在利用判别模型判定商品的图像信息属于困难类型时，基于图像特征索引库检索相似样本；然后根据相似样本对应的参照价格，来确定与所述商品交易有关的参照价格；本方案通过增加图像信息难易类型的判别，然后有针对性的选择适合的确定方式得到商品的参照价格，准确率高。
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一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1a为本申请一实施例提供的一界面图；
图1b为本申请一实施例提供的信息处理方法的流程示意图；
图2a为本申请一实施例提供的另一界面图；
图2b为本申请一实施例提供的又一界面图；
图2c为本申请另一实施例提供的信息处理方法的流程示意图；
图2d为本申请一实施例提供的又一界面图；
图3为本申请又一实施例提供的信息处理方法的流程示意图；
图4为本申请又一实施例提供的信息处理方法的流程示意图；
图5为本申请一实施例提供的模型训练方法的流程示意图；
图6为本申请另一实施例提供的模型训练方法的流程示意图；
图7为本申请一实施例提供的特征库创建方法的流程示意图；
图8为本申请又一实施例提供的信息处理方法的流程示意图；
图9为本申请一实施例提供的信息处理装置的结构示意图；
图10为本申请另一实施例提供的信息处理装置的结构示意图；
图11为本申请又一实施例提供的信息处理装置的结构示意图；
图12为本申请一实施例提供的模型训练装置的结构示意图；
图13为本申请另一实施例提供的模型训练装置的结构示意图；
图14为本申请一实施例提供的特征库创建装置的结构示意图；
图15为本申请一实施例提供的电子设备的结构示意图。
具体实施方式
用户可将自己想要出售商品的图片、出售价格等信息，上传至二手市场应用平台。这样其他用户即可通过相应的客户端应用看到该商品的图片及出售价格等信息。目前，用户出售商品的价格都是自己确定的。若用户对该类商品的二手市场行情不太了解，则可能会给出一个过高或过低的价格。价格过高，该商品可能售出困难；价格过低，会使用户在经济上受损。
二手市场平台上有些商品的商品信息是存在缺失的，如有些商品仅有商品图片。不像电商平台上出售的商品，除商品图片外，还包含有商品的品牌、质地、型号等说明信息。为此提出本申请，以提供一种基于商品的图像信息评估商品价格的方案。
为了使本技术领域的人员更好地理解本申请方案，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。
在本申请的说明书、权利要求书及上述附图中描述的一些流程中，包含了按照特定顺序出现的多个操作，这些操作可以不按照其在本文中出现的顺序来执行或并行执行。操作的序号如101、102等，仅仅是用于区分各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。另外，下述各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。
图1b示出了本申请一实施例提供的信息处理方法的流程示意图。如图1b所示，所述信息处理方法包括：
101、获取目标对象的图像信息。
102、基于所述图像信息，获取所述目标对象所属类目。
103、根据所述图像信息及所述目标对象所属类目，确定所述目标对象的参照价格。
104、显示所述参照价格。
结合具体的应该场景，上述101中目标对象可以是商品，例如：新商品或二手商品。图像信息可包括一个或多个商品的图像。
上述102中，可利用类目确定模型来确定目标对象所属类目。即，将图像信息作为类目确定模型的输入，执行所述类目确定模型得到所述目标对象所属类目。其中，类目确定模型是基于已交易商品的商品图像及已交易商品所属类目训练得到。有关所述类目确定模型的训练过程将在下述实施例有详细说明。
在一种可实现的技术方案中，上述步骤103可利用计算模型完成。例如，图1a所示，所述计算模型是基于已交易商品的商品图像、商品所属类目及交易价格训练得到；或者，利用图像特征索引库，检索与所述图像信息符合相似度要求的至少一个参照样本；然后，再结合参照样本对应的价格，来确定目标对象的参照价格。
其中，为所述目标对象确定出的参照价格可以是一个具体数值，也可以是一个价格范围，本实施例对此不作具体限定。
上述104中，所述参照价格可与图像信息关联显示，如图1a所示，参照价格显示在商品图像上；当然，参照价格也可采用其他显示形式，本实施例对此不作具体限定。
本实施例提供的技术方案，仅基于目标对象的图像信息，为目标对象确定出一个参照价格，这个参照价格可以是一具体价格，也可以是一个价格范围，这样发布该目标对象的用户便可基于该参照价格，为该目标对象定出一个较为合适的价格。
本实施例提供的所述方法的执行主体可以是服务端，也可以是客户端。服务端可以是实体服务器、虚拟服务器、云端服务平台等，本实施例对此不作具体限定。客户端可以是笔记本电脑、台式计算机、智能手机、平板电脑、智能穿戴设备(如智能手表)等任意设备。客户端上安装有客户端应用，如二手物品交易应用。客户端可通过无线网络方式或者有线网络方式与服务端建立通信连接。
假设本实施例提供方法的执行主体为服务端，那么上述101中所述目标对象的图像信息可以是用户通过客户端上传至服务端的。服务端在接收到该图像信息后，即触发为该目标对象确定参照价格的操作(即上述步骤102～103)；或者，服务端在接收到该图像信息后，并不立即进行参照价格的确定；而是在接收到用户通过客户端触发的针对该目标对象的参照价格计算请求后，再触发为目标对象确定参照价格的操作。具体实施时，用户可通过触控客户端应用上的相应控件来触发参照价格计算请求；还可通过发出符合要求的控制语音的方式来触发参照价格计算请求；等等，本实施例对此不作具体限定。
假设本实施例提供方法的执行主体为客户端，则上述101中所述目标对象的图像信息可以是用户从相册导入至相应客户端应用，或用户通过客户端应用上的拍摄功能拍摄到的。同样的，客户端可在用户导入或成功拍摄到目标对象的图像信息后，即触发为该目标对象确定参照价格的操作；也可在用户触发了针对该目标对象的参照价格计算请求后，再执行为该目标对象确定参照价格的动作。
进一步的，上述步骤103“根据所述图像信息及所述目标对象所属类目，确定所述目标对象的参照价格”，可包括：
利用判别模型判定所述图像信息属于简单类型时，将所述图像信息及所述目标对象所属类目作为计算模型的输入，执行所述计算模型得到所述参照价格；
其中，所述判别模型是基于样本图像及样本图像所属难易类型训练得到；所述计算模型是基于已交易商品的商品图像、商品所属类目及交易价格训练得到。
再进一步的，上述步骤103“根据所述图像信息及所述目标对象所属类目，确定所述目标对象的参照价格”，还可包括：
利用判别模型判定所述图像信息属于困难类型时，基于图像特征索引库，检索与所述图像信息符合相似度要求的至少一个参照样本；
根据所述至少一个参照样本各自对应的价格，确定所述目标对象的参照价格。
具体实施时还存在一种情况：即基于图像特征索引库可能检索不到参照样本，此时，本实施例提供的所述方法还可包括如下步骤：
基于所述图像特征索引库未检索出与所述图像信息符合相似度要求的参照样本时，显示拒绝为所述目标对象确定参照价格的提示内容。
在一种可实现的方案中，上述104中，可在目标对象的图像上显示参照价格，例如：价格值或价格范围。图1a中显示的是价格值。
在实际应用中，在为目标对象进行估价后，若估价较低，用户考虑到成本(例如：运费成本)，很可能会放弃出售该目标对象，将该目标对象作为垃圾进行处理。为了方便用户处理垃圾，本实施例提供的所述方法还可包括如下步骤：
根据所述目标对象所属类目，确定所述目标对象所属垃圾类别；
显示所述目标对象所属垃圾类别。
可事先建立多个类目与垃圾类别之间的对应关系，后续即可根据目标对象所属类目以及该对应关系，即可查询得到目标对象所属垃圾类别。
进一步的，本实施例提供的所述方法还可包括如下步骤：
根据预设类目列表，判断所述目标对象所属类目是否满足第二预设条件；
根据所述判断结果，显示相关建议。
在一实例中，可根据实际需要来设置一个预设类目列表。在预设类目列表中，查询到目标对象所属类目时，判定目标对象所属类目满足第二预设条件。
举例来说：预设类目列表中罗列有能够在网络平台上进行出售的所有商品类目。目标对象所属类目在所述预设类目列表中时，可显示“可出售”的建议；目标对象所属类目不在所述预设类目列表中时，可显示“不可出售”的建议。
需要说明的是：在实际应用中，并非所有类目的商品都能够在网络平台上进行出售。例如：在二手车销售网络平台是不能出售服饰类的商品的；再例如：某些违禁商品也是不能在网络平台上进行出售的。
再举例来说：预设类目列表中罗列有持续持有可增值的所有商品类目，例如：黄金、手表。目标对象所属类目在所述预设类目列表中时，可显示“持续持有可增值”的建议；目标对象所属类目不在所述预设类目列表中时，可显示“请尽快出售，持续持有会贬值”的建议。
在实际应用中，一个对象可能由多个组成单元组成，例如：台式电脑由显示器和主机这两个单元组成；再例如：钻石戒指由钻石和铂金戒托这两个单元组成。为了满足用户的拆解售卖的需求，需要预估出构成目标对象的至少一个组成单元的参照价格，提供给用户进行参照。具体地，上述方法，还可包括如下步骤：
根据所述目标对象的参照价格及所述目标对象所属类目，确定组成所述目标对象的至少一个组成单元的参照价格；
显示所述至少一个组成单元的参照价格。
其中，至少一个组成单元可以为组成所述目标对象的部分组成单元或全部组成单元，可根据实际需要来设定，本申请实施例对此不做具体限定。
具体实施时，可事先根据大数据统计，确定组成某一类目下的对象的多个组成单元之间的价格比例关系，并建立类目与价格比例关系之间的对应关系，后续即可根据目标对象的参照价格以及所述目标对象所属类目对应的价格比例关系，确定目标对象的至少一个组成单元中各组成单元的参照价格。例如：杯子这个类目，其组成单元杯身和杯垫的价格比例关系为：3:1。若预测出杯子的参照价格为20元，则杯身的参照价格为15元，杯垫的参照价格为5元。
可在目标对象的图像上，将所述至少一个组成单元中各组成单元的参照价格与各组成单元的影像关联显示。或者，以列表的形式来逐一显示至少一个组成单元中各组成单元的参照价格。如图2d所示，将杯子拆解为杯身和杯垫这两个组成单元，将杯身和杯垫这两个组成单元的参照价格以列表的形式展示出来。
以二手电商应用场景为例，二手商品的售卖用户通常售卖经验比较少。有些用户仅将自己要售出的商品图像通过客户端上传，然后根据参照价格为该商品定了一个出售价格。对于消费者来说，是希望获得更多有关商品的信息，比如，多个角度的图片、商品如何使用的视频、商品购买发票(类似用于证明商品购买时间不长)等。若仅有商品图像及参照价格，消费者购买的欲望不会太高。为了促使商品快速售出，本申请实施例提供的技术方案除为商品提供更为合理的参照价格外，还可为其提供辅助信息。即，本申请提供了如图2a～2c所示的技术方案。
图2c示出了本申请一实施例提供的信息处理方法的流程示意图。如图2c所示，所述方法包括：
101’、获取目标对象的图像信息。
102’、基于所述图像信息，获取所述目标对象所属类目；
103’、根据所述图像信息及所述目标对象所属类目，为所述目标对象确定参照价格及促使所述目标对象满足第一预设条件的辅助信息。
104’、将所述参照价格与所述辅助信息分别与所述图像信息关联展示。
有关上述步骤101’、步骤102’以及步骤103’中参照价格确定的内容，可参见上述实施例中的描述，此处不再赘述。
上述103’中，促使所述目标对象满足第一预设条件的辅助信息可包括但不限于如下中的至少一种：
有关所述图像信息的修改建议；
有关能与所述目标对象形成组合关系的组合对象推荐建议；
有关所述目标对象的改进建议；
有关为所述目标对象增加描述信息的建议。
图2a示出了显示有“有关所述图像信息的修改建议”的界面图，即在界面图中除显示了参照价格外，显示了“仅这一张图片吗？您还能增加其他角度的图片”的建议。图2b示出了显示有“有关能与所述目标对象形成组合关系的组合对象推荐建议”，即在界面图中除显示了参照价格外，显示了“本商品可与下述商品组合出售***茶壶http：//***.YYY.&^&&….”的建议。
在一种可实现的技术方案中，上述步骤103’中“根据所述图像信息及所述目标对象所属类目，为所述目标对象确定促使所述目标对象满足第一预设条件的辅助信息”可包括：
根据所述图像信息，确定有关所述图像信息的修改建议；和/或
根据所述图像信息及所述目标对象所属类目，识别出所述目标对象的商品属性；根据所述商品属性，查询待出售商品池中是否有能与所述目标对象组合出售的商品；若有，则获取所述商品的销售链接，并基于所述销售链接生成有关能与所述目标对象形成组合关系的组合对象推荐建议；和/或
根据所述图像信息及所述目标对象所属类目，识别出所述目标对象的商品属性；基于历史上已销售同类目商品的商品属性，确定有关所述目标对象的改进建议；和/或
根据所述图像信息，识别所述目标对象是否存在缺陷；若识别结果表征所述目标对象存在缺陷，则基于所述识别结果，生成有关所述目标对象的改进建议；和/或
在检测出与所述目标对象有关的内容仅含有所述图像信息的情况下，生成有关为所述目标对象增加描述信息的建议。
上述有关所述图像信息的修改建议可具体包括：增加不同角度图片的建议、增加动图的建议等等。该有关所述图像信息的修改建议可基于图像信息中包含的图片数量来确定。如图像信息中仅含有一张图片时，可生成增加不同角度图片的改进建议。
上述商品属性可包括商品名称，如咖啡杯、玻璃杯等。本地可预设商品组合规则，如茶杯可与茶壶组合、充电线与充电插头组合、被子与被套组合等。具体实施时，可基于预设的商品组合规则，来为目标对象确定能其组合出售的商品。
上述商品属性可包括颜色属性等。举例来说，基于历史上已销售同类目商品的商品属性，如手机的颜色；统计出黑色手机的出货量大；则可基于分析结果，生成建议用户将图像信息所示手机的手机壳更换为黑色的建议。
上述对图像信息进行缺陷识别可采用现有技术实现，本实施例对此不作具体限定。以手机为例，假设基于用户上传的手机图像识别出该手机的屏幕有裂缝，可根据该识别结果生成建议用户为手机更换一块新屏幕的建议。
具体实施时，上述步骤103’中辅助信息可以由图2a和2b中所示的辅助信息生成模块基输入的图像信息及目标对象所属类目生成。其中，辅助信息生成模块可以是具有嵌入式程序的硬件，或应用软件等。
图3示出了本申请一实施例提供的信息处理方法的流程示意图。如图3所示，所述信息处理方法包括：
201、获取商品的图像信息。
202、将所述图像信息作为计算模型的输入，执行所述计算模型得到所述商品的参照价格。
其中，所述计算模型是基于已交易商品的商品图像及交易价格训练得到。
本实施例提供的所述方法的执行主体可以是服务端，也可以是客户端。服务端可以是实体服务器、虚拟服务器、云端服务平台等，本实施例对此不作具体限定。客户端可以是笔记本电脑、台式计算机、智能手机、平板电脑、智能穿戴设备(如智能手表)等任意设备。客户端上安装有客户端应用，如二手物品交易应用。客户端可通过无线网络方式或者有线网络方式与服务端建立通信连接。
假设本实施例提供方法的执行主体为服务端，那么上述201中所述商品的图像信息可以是用户通过客户端上传至服务端的。服务端在接收到该图像信息后，即触发利用计算模型计算该商品参照价格的操作；或者，服务端在接收到该图像信息后，并不立即进行商品参照价格的计算；而是在接收到用户通过客户端触发的针对该商品的参照价格计算请求后，再利用计算模型根据商品的图像信息计算该商品的参照价格。具体实施时，用户可通过触控客户端应用上的相应控件来触发参照价格计算请求；还可通过发出符合要求的控制语音的方式来触发参照价格计算请求；等等，本实施例对此不作具体限定。
假设本实施例提供方法的执行主体为客户端，则上述201中所述商品的图像信息可以是用户从相册导入至相应客户端应用，或用户通过客户端应用上的拍摄功能拍摄到的。同样的，客户端可在用户导入或成功拍摄到商品的图像信息后，即触发发利用计算模型计算该商品参照价格的操作；也可在用户触发了针对该商品的参照价格计算请求后，再利用计算模型根据商品的图像信息计算该商品的参照价格。
上述202中，计算得到的参照价格可以是一个具体的数值，还可以是一个数值区间。
另外，这里需要补充的是：有关所述计算模型的训练过程将在下文中详细说明。
本实施例提供的技术方案，利用计算模型可直接根据商品的图像信息，得到该商品的参照价格；其中，计算模型是基于历史上已交易商品的商品图像及交易价格训练得到；出售该商品的用户可根据该参照价格，为商品定出一个较为合适的价格。
在一种可实现的技术方案中，上述步骤202“将所述图像信息作为计算模型的输入，执行所述计算模型得到所述商品的参照价格”，可具体包括如下步骤：
2021、将所述图像信息作为类目确定模型的输入，执行所述类目确定模型得到所述商品所属类目；
2022、将所述图像信息及所述商品所属类目作为所述计算模型的输入，执行所述计算模型得到所述商品的参照价格。
相应的，所述计算模型是基于已交易商品的商品图像、类目信息及交易价格训练得到。
商品所属类目可包括至少一级类别标识。比如，某一商品为冰箱，那么该商品的类目至少包括两个级类别标识，如一级类别标识为家电、二级类别为冰箱。
增加商品所属类目的确定、并将类目作为计算模型的入参，有助于提高商品参照价格计算的准确度。
举例来说，从商品的照片(即图像信息)来看，该商品的外形都是冰箱的样子。但一个商品是冰箱玩具，还有一个是家电冰箱。玩具与家电，在价格上还是有很大差异。因此，本实施例先确定商品所属类目，再结合图像信息及类目一同来确定商品的参照价格，其准确度会更高。
当然，在具体实现时，计算模型可包含两部分模块，例如分别为第一子模型和第二子模型。所述第一子模型用于根据商品的图像信息，确定所述商品所属类目；第二子模型用于根据所述图像信息及类目，计算商品的参照价格，如价格值或价格范围。
这里需要说明的是：本文中提及的各模型，如计算模型、类目确定模型、下文将提到的判别模型及预估模型、以及上述提及的两个子模型，均可采用现有具有自学习能力的神经网络模型实现，如全连接神经网络模型、卷积神经网络等。各模型中所含网络层可基于各模型的功能需求确定。
进一步的，本实施例提供的所述信息处理方法还可包括如下步骤：
203、将所述图像信息作为判别模型的输入，执行所述判别模型得到判别结果。
204、所述判别结果表征所述图像信息属于简单类型时，触发使用所述计算模型完成对所述商品参照价格的计算；
其中，所述判别模型是基于样本图像及所述样本图像所属难易类型训练得到。同样的，此处的判别模型的训练过程将在下文有详细说明。
本申请的发明人实现本实施例方案的过程中发现：如若所有商品的图像信息不作难易判别，均使用计算模型完成对商品参照价格的计算，有些商品的参照价格计算得到的结果偏差较大。因此，本实施例此处增加了使用判别模型判别图像信息难易类型的步骤，在图像信息属于简单类型时，再触发利用计算模型计算商品参照价格的方案。增加该步骤后，有效地提高了利用计算模型确定商品参照价格的准确率。
进一步的，本实施例提供的所述信息处理方法还可包括如下步骤：
205、所述判别结果表征所述图像信息属于困难类型时，基于图像特征索引库，检索与所述图像信息符合相似度要求的至少一个参照样本。
206、根据所述至少一个参照样本各自对应的价格，确定所述商品的参照价格。
上述205中，图像特征索引库是基于已交易商品的商品信息创建的。商品信息可包括但不限于：商品图像、商品所属类目及交易价格。有关图像特征索引库的创建过程将在下文中有详细说明。
在一种可实现的技术方案中，上述步骤205中“基于图像特征索引库，检索与所述图像信息符合相似度要求的至少一个参照样本”，可具体包括：
2051、基于所述图像信息，提取图像特征；
2052、根据所述图像特征，在所述图像特征索引库中检索出至少一个候选样本；
2053、分别计算所述图像信息与各候选样本的相似度值；
2054、相似度值大于第二阈值的候选样本，即与所述图像信息符合相似度要求的参照样本。
上述2052中，在根据所述图像特征在图像特征索引库中检索时，还可结合所述商品所属类目。即，根据所述图像特征及所述商品所属类目，在所述图像特征索引库中检索出至少一个候选样本。将类目也作为检索依据，目的是为了：检索出的候选样本除符合图像特征相似要求外，还应与商品同属一个类目。将商品所属类目也作为检索依据，可有效提高检索准确度。
这里需要说明的是：图像特征提取、基于图像特征在图像特征索引库中检索候选样本、以及计算图像信息与候选样本的相似度值的具体实现过程，可参见现有技术中的相关内容，此处不作赘述。
上述206中，参照价格的确定可采用多种方式实现，例如如下几种实现方式：
1、将所述至少一个参照样本各自对应的价格的均值，确定为参照价格。
假设与所述图像信息符合相似度要求的参照样本有3个，分别为参照样本A、参照样本B及参照样本C；参照样本A对应的价格为a、参照样本B对应的价格为b及参照样本C对应的价格为c。具体实施时，可将(a+b+c)/3确定为所述商品的参照价格。
2、将所述至少一个参照样本各自对应的价格的加权平均值，确定为参照价格。
具体实施时，可根据各参照样本与所述图像信息的相似度，确定各参照样本对应的权重。继续上述例子，假设参照样本A对应的权重为w1、参照样本B对应的权重为w2、参照样本C对应的权重为w3；那么可将(w1*a+w2*b+w3*c)确定为所述商品的参照价格。
3、根据所述至少一个参照样本各自对应的价格，确定一个数值区间作为参照价格。
继续上述例子，假设a>b>c，可直接将数值区间c～a作为所述商品的参照价格。
当然，还可采用除上述方式外的其他方式实现，本实施例对此不作具体限定。
进一步的，本实施例提供的所述信息处理方法还可包括：
207、基于所述图像特征索引库未检索出与所述图像信息符合相似度要求的参照样本时，输出拒绝为所述商品确定参照价格的提示内容。
进一步的，本实施例提供的所述信息处理方法还可包括：
208、获取与所述商品相关的历史信息。
209、基于所述历史信息，对所述参照价格进行修正。
具体实施，所述历史信息包括但不限于如下中的至少一项：发布所述商品用户的历史发布价格、与所述商品同属一个类目信息的商品的历史发布价格。
通过历史上用户发布过商品的价格，可分析出该用户的价格发布喜好，比如，分析出用户大多发布商品的价格区间，和/或用户发布商品的价格喜好偏高还是偏低等等。基于同类目的其他商品的历史发布价格，可确定出该类目商品的价格区间。比如，该用户偏好定低价，而参照价格在这个价格区间的偏高位置，则可将该参照价格调低；若用户喜好是定价偏高，而参照价格在这个价格区间的偏低的位置，则可将该参照价格调高；等等。具体实施时，可基于实际需求设定的修正规则，或利用相应的模型来完成上述修正过程；本申请实施例对修正过程不作具体限定。
图4示出了本申请另一实施例提供的信息处理方法的流程示意图。如图4所示，所述方法包括：
301、获取商品的图像信息。
302、利用判别模型判定所述图像信息属于困难类型时，基于图像特征索引库，检索与所述图像信息符合相似度要求的至少一个参照样本。
303、根据所述至少一个参照样本各自对应的价格，确定所述商品的参照价格。
其中，所述判别模型是基于样本图像及所述样本图像所属难易类型训练得到。有关所述判别模型的训练过程在下文中有详细说明。
有关上述301和303的具体内容，可参见上述实施例中的相应描述。
上述302中，图像特征索引库可简单理解为：图像特征与参照样本的关系列表。其中，参照样本可以是已交易商品的商品信息，商品信息包括但不限于：商品图像、类目信息及交易价格(如交易价格)。图像特征可包括：图像的颜色特征、纹理特征、形状特征和空间关系特征等。颜色特征是一种全局特征，描述了图像或图像区域所对应的景物的表面性质；纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质；形状特征有两类表示方法，一类是轮廓特征，另一类是区域特征，图像的轮廓特征主要针对物体的外边界，而图像的区域特征则关系到整个形状区域；空间关系特征，是指图像中分割出来的多个目标之间的相互的空间位置或相对方向关系，这些关系也可分为连接/邻接关系、交叠/重叠关系和包含/包容关系等。具体的，基于图像特征索引库检索相似参照样本的过程，可参见现有技术中的图像检索技术，本文不再赘述。
在一种可实现的技术方案中，上述步骤302中“基于图像特征索引库，检索与所述图像信息符合相似度要求的至少一个参照样本”，可包括：
3021、基于所述图像信息，提取图像特征。
3022、根据所述图像特征，在所述图像特征索引库中检索出至少一个候选样本；
3023、分别计算所述图像信息与各候选样本的相似度值；
3033、相似度值大于第二阈值的候选样本，即与所述图像信息符合相似度要求的参照样本。
这里需要补充的是：上述步骤3022可具体为：根据所述图像特征、所述商品所属类目、所述商品的商品标签等，在所述图像特征索引库中检索出至少一个候选样本。对于有些商品来说，用户除上传商品的图像信息外，还上传了一些用户针对该商品的说明性文字。此时，可基于这些文字为该商品确定至少一个商品标签。
本实施例提供的技术方案中，在利用判别模型判定商品的图像信息属于困难类型时，基于图像特征索引库检索相似样本；然后根据相似样本对应的价格，来确定所述商品的参照价格；本方案通过增加图像信息难易类型的判别，然后有针对性的选择适合的确定方式得到商品的参照价格，准确率高。
进一步的，本实施例提供的所述信息处理方法还可包括如下步骤：
304、收集已交易商品的商品信息；其中，商品信息包括：商品的图像信息及交易价格。
305、将满足第一预设要求的商品信息作为简单样本；将满足第二预设要求的商品信息作为困难样本。
306、基于所述困难样本，构建所述图像特征索引库。
收集到的已交易商品的商品信息中，可能存在一些价格异常的商品信息，比如，以1元价格出售的手机等。这类就属于价格异常的商品信息。这些商品信息需删除。具体实施时，可通过价格样本数据分布与人工干预，去除部分过高或过低样本。另外，在具体实施时，对于密集价格区间样本来说，可采用降采样的方式对其进行采样。即在上述步骤307之前还可包括如下步骤：对收集到的所有已交易商品的商品信息进行数据清洗处理。其中，该数据清洗处理可包括：去除异常价格商品信息、采样处理等。
上述305中，可利用预估模型来确定所述商品信息满足第一预设要求，还是满足第二预设要求。其中，所述预估模型是基于已交易商品的商品图像及交易价格训练得到的，或者是基于已交易商品的商品图像、商品所属类目及交易价格训练得到的。这里预估模型可理解为：初级参照价格确定模型；而计算模型可理解为：二级参照价格确定模型。预估模型与计算模型的训练过程类同，不同之处在于训练样本不同。预估模型的训练样本为所有收集到的已交易商品的商品信息。而计算模型的训练样本为：所有简单样本。即本实施例提供的所述信息处理方法还可包括如下步骤：
307、获取预估模型。
308、将所述商品图像作为所述预估模型的输入，执行所述预估模型得到预估参数。
309、所述预估参数与所述交易价格的差异小于第一阈值时，所述商品信息满足所述第一预设要求；所述预估参数与所述交易价格的差异大于或等于所述第一阈值时，所述商品信息满足所述第二预设要求。
预估模型的作用就是对训练样本进行难易类别划分。划分好的困难样本及简单样本，可来训练判别模型。简单样本可用于训练上述实施例提及的计算模型；而困难样本可用于创建图像特征索引库。
如前述提及到的发明人的发现：如若所有商品的图像信息不作难易判别，均使用计算模型完成对商品参照价格的计算，有些商品的参照价格计算得到的结果偏差较大。因此，为了提高商品参照价格的准确率，本实施例先利用预估模型将训练样本分为困难样本和简单样本，然后使用困难样本和简单样本训练判别模型。利用训练好的判别模型判定商品的图像信息所属的难易类型，然后针对商品的图像信息所属的难易类型采用不同的参照价格确定方案，有助于提高参照价格确定的准确率。
图5示出了本申请一实施例提供的模型训练方法的流程示意图。本实施例提供了上述实施例中提及的计算模型的训练方案。具体的，如图5所示，所述方法包括：
401、获取第一训练样本；其中，所述第一训练样本包括：已交易商品的商品图像及交易价格。
402、将所述商品图像作为待训练计算模型的输入，执行所述计算模型得到第一输出结果。
403、根据所述第一输出结果及所述交易价格，对所述计算模型进行参数优化。
其中，完成训练的所述计算模型，用于根据商品的图像信息确定所述商品的参照价格。
上述403中，可采用损失函数来计算所述第一输出结果及交易价格之间的差异。然后，基于差异来优化所述计算模型的参数。即优化过程可具体为：
将所述第一输出结果及交易价格作为第一损失函数的入参，计算得到第一损失值；
所述第一损失值不符合第一设定要求时，基于第一损失值优化所述计算模型的参数；
所述第一损失值符合第一设定要求时，所述计算模型完成训练。
进一步的，所述第一训练样本还包括：所述已交易商品所属类目。相应的，上述步骤402“将所述图像信息作为计算模型的输入，执行所述计算模型得到第一输出结果”，可具体为：
将所述图像信息及所述已交易商品所属类目作为所述计算模型的输入，执行所述计算模型得到第一输出结果。
再进一步的，本实施例提供的所述信息处理方法还可包括如下步骤：
404、将所述图像信息作为待训练类目确定模型的输入，执行所述类目确定模型得到第二输出结果。
405、根据所述第二输出结果与所述已交易商品所属类目，对所述类目确定模型进行参数优化。
其中，完成训练的类目确定模型，用于根据商品的图像信息确定商品所属类目信息。上述步骤404和405为上述实施例中提及的类目确定模型的训练过程。
上述405中，“根据所述第二输出结果与所述已交易商品所属类目，对所述类目确定模型进行参数优化”可具体包括：
将所述第二输出结果及所述已交易商品所属类目作为第二损失函数的入参，计算得到第二损失值；
所述第二损失值不符合第二设定要求时，基于第二损失值优化所述类目确定模型的参数；
所述第二损失值符合设定要求时，所述类目确定模型完成训练。
具体实施时，上述各损失函数可选取现有技术中的函数，如Huber Loss函数或者Truncated Loss函数等，本实施例对此不作具体限定。
进一步的，本实施例提供的所述信息处理方法还可包括如下步骤：
406、收集已交易商品的商品信息；其中，商品信息包括：商品图像及交易价格。
407、将满足第一预设要求的商品信息作为简单样本；将满足第二预设要求的商品信息作为困难样本。
408、将所述简单样本作为所述第一训练样本。
有关406～407的内容，可参见上述实施例中的相应描述。
另外，这里需要补充的是：上述实施例中提及的预估模型也可采用上述401～402的训练过程得到。只是，计算模型在训练时使用的第一训练样本为简单样本；而预估模型在训练时使用的训练样本是收集到的已交易商品的商品信息。具体实施时，预估模型使用第一批训练样本进行训练，训练后的预估模型用于对第二批训练样本进行难易区分，将该第二批训练样本分为简单样本和困难样本。计算模型使用第二批训练样本中的简单样本进行训练。
图6示出了本申请另一实施例提供的模型训练方法的流程示意图。本实施例提供了上述实施例中提及的判别模型的训练方案。如图6所示，所述方法包括：
501、获取第二训练样本，其中，所述第二训练样本中包含：已交易商品的商品图像及所述商品图像所属难易类型。
502、将所述商品图像作为待训练判别模型的输入，执行所述判别模型得到第三输出结果。
503、根据所述第三输出结果与所述难易类型，优化所述判别模型的参数；
其中，训练完成的所述判别模型，用于根据商品的图像信息判定所述图像信息是否属于简单类型，在所述图像信息属于简单类型时能利用计算模型完成基于图像信息的商品参照价格计算。
在一种可实现的技术方案中，上述503“根据所述第三输出结果与所述难易类型，优化所述判别模型的参数”，可具体包括：
将所述第三输出结果及难易类型作为第三损失函数的入参，计算得到第三损失值；
所述第三损失值不符合第三设定要求时，基于第三损失值优化所述判别模型的参数；
所述第三损失值符合设定要求时，所述判别模型完成训练。
这里需要说明的是：本文提及的各损失函数，如上文提及的第一损失函数、第二损失函数和第三损失函数，可采用现有技术中已有损失函数实现，本实施例对此不作具体限定。另外，基于损失值优化模型参数的过程，可参见现有技术中的相关内容，本文不作赘述。
进一步的，本实施例提供的所述模型训练方法还可包括：
504、收集已交易商品的商品信息；其中，商品信息包括：商品图像及交易价格。
505、将所述商品图像作为所述预估模型的输入，执行所述预估模型得到预估参数。
506、所述预估参数与所述交易价格的差异小于第一阈值时，将所述商品图像标记为简单类型；所述预估参数与所述交易价格的差异大于或等于所述第一阈值时，将所述商品图像标记为困难类型。
图7示出了本申请一实施例提供的特征库创建方法的流程示意图。如图7所示，所述特征库创建方法包括：
601、收集已交易商品的商品信息；其中，所述商品信息包括：商品图像及交易价格。
602、利用预估模型，从收集到的多个商品信息中，区分出作为困难样本的部分商品信息。
603、基于困难样本，创建图像特征索引库，以用于检索与目标商品的图像信息符合相似度要求的参照样本，便于根据参照样本对应的价格，确定所述目标商品的参照价格。
在一种可实现的技术方案中，上述步骤602“利用预估模型，从收集到的多个商品信息中，区分出作为困难样本的部分商品信息”，可具体采用如下步骤实现：
6021、将一商品信息的商品图像作为所述预估模型的输入，执行所述预估模型得到预估参数。
6022、所述预估参数与所述商品信息的交易价格的差异大于或等于第一阈值时，将所述商品信息作为困难样本。
有关601～603的具体内容，可参见上述各实施例中的相应描述。
进一步的，上述商品信息中还可包括但限于如下中的至少一种：商品所属类目信息、商品标签等。这些信息均可作为图像的特征，用来创建图像特征索引库。
综上各实施例的内容，本申请各实施例提供的技术方案包括如下几个部分：
一、样本收集
步骤1.1、收集近期发生的成交样本。
具体的，收集已交易商品的商品图像、最终成交价格与商品所属类目。实际上，有些商品的商品图像可能有多个；当有多个的时候，可从中选一个作为样本，可将所有图像都作为样本，还可仅将多个图像中的主图作为样本。
步骤1.2、异常价格样本过滤，过滤后得到训练样本。
例如，通过价格样本数据分布与人工干预，去除部分过高或者过低样本。对于密集价格区间样本进行降采样。
步骤1.3、利用预估模型，将训练样本分为简单样本与困难样本。
二、模型训练
2.1类目确定模型训练
步骤2.1.1、将训练样本中的商品图像作为待训练类目确定模型的输入，执行所述类目确定模型得到类目结果。
步骤2.2.2、根据所述类目结果及所述商品图像关联的类目，优化所述类目确定模型的参数。
2.2计算模型的训练
步骤2.2.1、获取所有简单样本；其中，简单样本中包含商品图像、交易价格及类目。
步骤2.2.2、将商品图像及类目作为待训练计算模型的输入，执行所述计算模型得到计算结果。
步骤2.2.3、基于所述计算结果及所述交易价格，优化所述计算模型的参数。
三、特征库创建
步骤3.1、获取所有困难样本。
步骤3.2、基于收集到的所有困难样本，构建图像特征索引库。
做好上述内容的准备，即可进行基于商品的图片信息对商品的价格进行预估的部分。
四、在线预估的基本流程，如图8所示，包括：
步骤4.1、图像信息预处理。
其中，对图像信息的预处理可包括对图像进行缩放、归一化等操作。
步骤4.2、利用图像类目预测模型，确定图像信息对应商品所属类目。
步骤4.3、将图像信息作为判别模型的输入，执行所述判别模型得到判别结果。
步骤4.4、所述判别结果表征所述图像信息属于简单类型时，将所述图像信息及其对应商品所属类目作为计算模型的输入，执行所述计算模型得到所述商品的参照价格。
步骤4.5、所述判别结果表征所述图像信息属于困难类型时，基于图像特征索引库，检索与所述图像信息符合相似度要求的至少一个参照样本。
步骤4.6、根据所述至少一个参照样本各自对应的价格，确定所述商品的参照价格。
步骤4.7、基于所述图像特征索引库未检索出与所述图像信息符合相似度要求的参照样本时，输出拒绝为所述商品确定参照价格的提示信息。
步骤4.8、获取与所述商品相关的历史信息。
步骤4.9、基于所述历史信息，对所述商品的参照价格进行修正。
步骤4.10、输出修正后的参照价格。
图9示出了本申请一实施例提供的信息处理装置的结构示意图。如图9所示，所述信息处理装置包括：获取模块11、确定模块12及显示模块13。其中，所述获取模块11用于：获取目标对象的图像信息；基于所述图像信息，获取所述目标对象所属类目。所述确定模块12用于根据所述图像信息及所述目标对象所属类目，确定所述目标对象的参照价格。所述显示模块13用于显示所述参照价格。
本实施例提供的技术方案，仅基于目标对象的图像信息，为目标对象确定出一个参照价格，这个参照价格可以是一具体价格，也可以是一个价格范围，这样发布该目标对象的用户便可基于该参照价格，为该目标对象定出一个较为合适的价格。
进一步的，所述确定模块12还用于：利用判别模型判定所述图像信息属于简单类型时，将所述图像信息及所述目标对象所属类目作为计算模型的输入，执行所述计算模型得到所述参照价格。其中，所述判别模型是基于样本图像及样本图像所属难易类型训练得到；所述计算模型是基于已交易商品的商品图像、商品所属类目及交易价格训练得到。
进一步的，所述确定模块12还用于：利用判别模型判定所述图像信息属于困难类型时，基于图像特征索引库，检索与所述图像信息符合相似度要求的至少一个参照样本；根据所述至少一个参照样本各自对应的价格，确定所述目标对象的参照价格。
进一步的，所述显示模块13还用于：基于所述图像特征索引库未检索出与所述图像信息符合相似度要求的参照样本时，显示拒绝为所述目标对象确定参照价格的提示内容。
这里需要说明的是：上述实施例提供的信息处理装置可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述各方法实施例中的相应内容，此处不再赘述。
本申请另一实施例还提供了一种信息处理装置。该信息处理装置的结构与上述图9所示的结构相同。具体的，本实施例提供的所述信息处理装置包括：获取模块、确定模块及显示模块。其中，所述获取模块用于获取目标对象的图像信息；基于所述图像信息，获取所述目标对象所属类目。所述确定模块用于根据所述图像信息及所述目标对象所属类目，为所述目标对象确定参照价格及促使所述目标对象满足第一预设条件的辅助信息。所述显示模块用于将所述参照价格与所述辅助信息分别与所述图像信息关联展示。
进一步的，所述辅助信息包括如下中的至少一种：
有关所述图像信息的修改建议；
有关能与所述目标对象形成组合关系的组合对象推荐建议；
有关所述目标对象的改进建议；
有关为所述目标对象增加描述信息的建议。
图10示出了本申请一实施例提供的信息处理装置的结构示意图。如图10所示，所述信息处理装置包括：获取模块21及执行模块22。其中，所述获取模块21用于获取商品的图像信息。所述执行模块22用于将所述图像信息作为计算模型的输入，执行所述计算模型得到所述商品的参照价格；其中，所述计算模型是基于已交易商品的商品图像及交易价格训练得到。
本实施例提供的技术方案，利用计算模型可直接根据商品的图像信息，得到该商品的参照价格；其中，计算模型是基于历史上已交易商品的商品图像及交易价格训练得到；发布该商品的用户可根据该参照价格，为商品定出一个较为合适的价格。
进一步的，所述执行模块22还用于：
将所述图像信息作为所述类目确定模型的输入，执行所述类目确定模型得到所述商品所属类目信息；
将所述图像信息及所述类目信息作为所述计算模型的输入，执行所述计算模型得到所述参照价格。
进一步的，所述信息处理装置还包括：
所述执行模块22，还用于将所述图像信息作为判别模型的输入，执行所述判别模型得到判别结果；
触发模块，用于所述判别结果表征所述图像信息属于简单类型时，触发使用所述计算模型完成对所述商品参照价格的计算；
其中，所述判别模型是基于样本图像及所述样本图像所属难易类型训练得到。
进一步的，所述信息处理模块还包括：
检索模块，用于所述判别结果表征所述图像信息属于困难类型时，基于图像特征索引库，检索与所述图像信息符合相似度要求的至少一个参照样本；
确定模块，用于根据所述至少一个参照样本各自对应的价格，确定所述商品的参照价格。
进一步的，所述信息处理模块还包括：
输出模块，用于在基于所述图像特征索引库未检索出与所述图像信息符合相似度要求的参照样本时，输出拒绝为所述商品确定参照价格的提示内容。
进一步的，所述信息处理模块还包括：
所述获取模块21，用于获取与所述商品相关的历史信息；
修正模块，用于基于所述历史信息，对所述参照价格进行修正。
进一步的，所述历史信息包括如下中的至少一项：发布所述商品用户的历史发布价格、与所述商品同属一个类目信息的商品的历史发布价格。
这里需要说明的是：上述实施例提供的信息处理装置可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述各方法实施例中的相应内容，此处不再赘述。
图11示出了本申请另一实施例提供的信息处理装置的结构示意图。如图11所示，所述信息处理装置包括：获取模块31、检索模块32及确定模块33。其中，所述获取模块31用于获取商品的图像信息。所述检索模块32用于在利用判别模型判定所述图像信息属于困难类型时，基于图像特征索引库，检索与所述图像信息符合相似度要求的至少一个参照样本。所述确定模块33用于根据所述至少一个参照样本各自对应的价格，确定所述商品的参照价格。其中，所述判别模型是基于样本图像及所述样本图像所属难易类型训练得到。
本实施例提供的技术方案中，在利用判别模型判定商品的图像信息属于困难类型时，基于图像特征索引库检索相似样本；然后根据相似样本对应的参照价格，来确定所述商品的参照价格；本方案通过增加图像信息难易类型的判别，然后有针对性的选择适合的确定方式得到商品的参照价格，准确率高。
进一步的，所述检索模块32还用于：
基于所述图像信息，提取图像特征；
根据所述图像特征，在所述图像特征索引库中检索出至少一个候选样本；
分别计算所述图像信息与各候选样本的相似度值；
相似度值大于第二阈值的候选样本，即与所述图像信息符合相似度要求的参照样本。
进一步的，本实施例提供的所述信息处理装置还可包括：
收集模块，用于收集已交易商品的商品信息；其中，商品信息包括：商品的图像信息及交易价格；
确定模块，用于将满足第一预设要求的商品信息作为简单样本；将满足第二预设要求的商品信息作为困难样本；
构建模块，用于根据所述困难样本，构建所述图像特征索引库。
进一步的，所述确定模块33还用于：
获取预估模型；
将所述商品图像作为所述预估模型的输入，执行所述预估模型得到预估参数；
所述预估参数与所述交易价格的差异小于第一阈值时，所述商品信息满足所述第一预设要求；
所述预估参数与所述交易价格的差异大于或等于所述第一阈值时，所述商品信息满足所述第二预设要求。
这里需要说明的是：上述实施例提供的信息处理装置可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述各方法实施例中的相应内容，此处不再赘述。
图12示出了本申请一实施例提供的模型训练装置。该模型训练装置包括：第一获取模块41、第一执行模块42及第一优化模块43。其中，所述第一获取模块41用于获取第一训练样本；其中，所述第一训练样本包括：已交易商品的商品图像及交易价格。所述第一执行模块42用于将所述商品图像作为待训练计算模型的输入，执行所述计算模型得到第一输出结果。所述第一优化模块43用于根据所述第一输出结果及所述交易价格，对所述计算模型进行参数优化。其中，完成训练的所述计算模型，用于根据商品的图像信息确定与所述商品的参照价格。
进一步的，所述第一训练样本还包括：所述已交易商品的类目信息。相应的，所述第一执行模块42还用于：将所述图像信息及所述类目信息作为所述计算模型的输入，执行所述计算模型得到第一输出结果。
进一步的，所述第一执行模块42还用于：将所述图像信息作为待训练类目确定模型的输入，执行所述类目确定模型得到第二输出结果；
所述第一优化模块43还用于：根据所述第二输出结果与所述类目信息，对所述类目确定模型进行参数优化；
其中，完成训练的类目确定模型，用于根据商品的图像信息确定商品所属类目信息。
进一步的，本实施例提供的所述模型训练装置还包括：
收集模块，用于收集已交易商品的商品信息；其中，商品信息包括：商品图像及交易价格；
确定模块，用于将满足第一预设要求的商品信息作为简单样本；将满足第二预设要求的商品信息作为困难样本；将所述简单样本作为所述第一训练样本。
进一步的，所述第一获取模块41还用于：获取预估模型；所述第一执行模块42还用于：将所述商品图像作为所述预估模型的输入，执行所述预估模型得到预估参数；所述确定模块还用于：所述预估参数与所述交易价格的差异小于第一阈值时，所述商品信息满足所述第一预设要求；所述预估参数与所述交易价格的差异大于或等于所述第一阈值时，所述商品信息满足所述第二预设要求。
这里需要说明的是：上述实施例提供的模型训练装置可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述各方法实施例中的相应内容，此处不再赘述。
图13示出了本申请一实施例提供的模型训练装置的结构示意图。如图13所示，所述模型训练装置包括：第二获取模块51、第二执行模块52及第二优化模块53。其中，所述第二获取模块51用于获取第二训练样本，其中，所述第二训练样本中包含：已交易商品的商品图像及所述商品图像所属难易类型。所述第二执行模块52用于将所述商品图像作为待训练判别模型的输入，执行所述判别模型得到第三输出结果。所述第二优化模块53用于根据所述第三输出结果与所述难易类型，优化所述判别模型的参数。其中，训练完成的所述判别模型，用于根据商品的图像信息判定所述图像信息是否属于简单类型，在所述图像信息属于简单类型时能利用计算模型完成基于图像信息的商品参照价格计算。
进一步的，本实施例提供的所述模型训练装置还包括：
收集模块，用于收集已交易商品的商品信息；其中，商品信息包括：商品图像及交易价格；
所述第二执行模块52，还用于将所述商品图像作为所述预估模型的输入，执行所述预估模型得到预估参数；
标记模块，用于在所述预估参数与所述交易价格的差异小于第一阈值时，将所述商品图像标记为简单类型；在所述预估参数与所述交易价格的差异大于或等于所述第一阈值时，将所述商品图像标记为困难类型。
这里需要说明的是：上述实施例提供的模型训练装置可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述各方法实施例中的相应内容，此处不再赘述。
图14示出了本申请一实施例提供的特征库创建装置的结构示意图。如图14所示，所述特征库创建装置包括：收集模块61、区分模块62及创建模块63。其中，所述收集模块61用于收集已交易商品的商品信息；其中，所述商品信息包括：商品图像及交易价格。所述区分模块62用于利用预估模型，从收集到的多个商品信息中，区分出作为困难样本的部分商品信息。所述创建模块63用于根据困难样本，创建图像特征索引库，以用于检索与目标商品的图像信息符合相似度要求的参照样本，便于根据参照样本对应的价格，确定所述目标商品的参照价格。
进一步的，所述区分模块62还用于：
将一商品信息的商品图像作为所述预估模型的输入，执行所述预估模型得到预估参数；
所述预估参数与所述商品信息的交易价格的差异大于或等于第一阈值时，将所述商品信息作为困难样本。
这里需要说明的是：上述实施例提供的特征库创建装置可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述相应方法实施例中的相应内容，此处不再赘述。
图15示出了本申请一实施例提供的电子设备的结构示意图。如图15所示，所述电子设备包括存储器71、处理器72及显示器74；其中，
所述存储器71，用于存储程序；
所述处理器72，与所述存储器71耦合，用于执行所述存储器71中存储的所述程序，以用于：
获取目标对象的图像信息；
基于所述图像信息，获取所述目标对象所属类目；
根据所述图像信息及所述目标对象所属类目，确定所述目标对象的参照价格；
控制所述显示器显示所述参照价格。
上述存储器71可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令。存储器71可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
上述处理器72在执行存储器71中的程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面各实施例的描述。
进一步，如图15所示，电子设备还包括：通信组件73、显示器74、电源组件75、音频组件76等其它组件。图15中仅示意性给出部分组件，并不意味着电子设备只包括图15所示组件。
本申请又一实施例提供了一种电子设备。该电子设备的结构与上述电子设备实施例类同，可参见上述图15所示。该电子设备包括存储器及处理器；其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：
获取商品的图像信息；
将所述图像信息作为计算模型的输入，执行所述计算模型得到所述商品的参照价格；
其中，所述计算模型是基于已交易商品的商品图像及交易价格训练得到。
其中，处理器在执行存储器中的程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面各实施例的描述。
本申请又一实施例提供了一种电子设备。该电子设备的结构与上述电子设备实施例类同，可参见上述图15所示。该电子设备包括存储器及处理器；其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：
获取商品的图像信息；
利用判别模型判定所述图像信息属于困难类型时，基于图像特征索引库，检索与所述图像信息符合相似度要求的至少一个参照样本；
根据所述至少一个参照样本各自对应的价格，确定所述商品的参照价格；
其中，所述判别模型是基于样本图像及所述样本图像所属难易类型训练得到。
其中，处理器在执行存储器中的程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面各实施例的描述。
相应地，本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，所述计算机程序被计算机执行时能够实现上述各实施例提供的信息处理方法的步骤或功能。
本申请另一实施例提供了一种电子设备。该电子设备的结构与上述电子设备实施例类同，可参见上述图15所示。该电子设备包括存储器及处理器；其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：
获取第一训练样本；其中，所述第一训练样本包括：已交易商品的商品图像及交易价格；
将所述商品图像作为待训练计算模型的输入，执行所述计算模型得到第一输出结果；
根据所述第一输出结果及所述交易价格，对所述计算模型进行参数优化；
其中，完成训练的所述计算模型，用于根据商品的图像信息确定所述商品的参照价格。
其中，处理器在执行存储器中的程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面各实施例的描述。
本申请又一实施例提供一种电子设备。该电子设备的结构与上述电子设备实施例的结构类同，可参见上述图15所示。该电子设备包括：存储器及处理器；其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：
获取第二训练样本，其中，所述第二训练样本中包含：已交易商品的商品图像及所述商品图像所属难易类型；
将所述商品图像作为待训练判别模型的输入，执行所述判别模型得到第三输出结果；
根据所述第三输出结果与所述难易类型，优化所述判别模型的参数；
其中，训练完成的所述判别模型，用于根据商品的图像信息判定所述图像信息是否能利用计算模型完成基于图像信息的商品参照价格计算。
其中，处理器在执行存储器中的程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面各实施例的描述。
相应地，本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，所述计算机程序被计算机执行时能够实现上述各实施例提供的模型训练方法的步骤或功能。
本申请又一实施例提供了一种电子设备。该电子设备的结构与上述电子设备实施例类同，可参见上述图15所示。该电子设备包括存储器及处理器；其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：
收集已交易商品的商品信息；其中，所述商品信息包括：商品图像及交易价格；
利用预估模型，从收集到的多个商品信息中，区分出作为困难样本的部分商品信息；
基于困难样本，创建图像特征索引库，以用于检索与目标商品的图像信息符合相似度要求的参照样本，便于根据参照样本对应的价格，确定所述目标商品的参照价格。
其中，处理器在执行存储器中的程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面各实施例的描述。
相应地，本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，所述计算机程序被计算机执行时能够实现上述各实施例提供的特征库创建方法的步骤或功能。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
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各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (34)
1.一种信息处理方法，其特征在于，包括：
获取目标对象的图像信息；
基于所述图像信息，获取所述目标对象所属类目；
根据所述图像信息及所述目标对象所属类目，确定所述目标对象的参照价格；
显示所述参照价格。
2.根据权利要求1所述的方法，其特征在于，根据所述图像信息及所述目标对象所属类目，确定所述目标对象的参照价格，包括：
利用判别模型判定所述图像信息属于简单类型时，将所述图像信息及所述目标对象所属类目作为计算模型的输入，执行所述计算模型得到所述参照价格；
其中，所述判别模型是基于样本图像及样本图像所属难易类型训练得到；所述计算模型是基于已交易商品的商品图像、商品所属类目及交易价格训练得到。
3.根据权利要求2所述的方法，其特征在于，根据所述图像信息及所述目标对象所属类目，确定所述目标对象的参照价格，还包括：
利用判别模型判定所述图像信息属于困难类型时，基于图像特征索引库，检索与所述图像信息符合相似度要求的至少一个参照样本；
根据所述至少一个参照样本各自对应的价格，确定所述目标对象的参照价格。
4.根据权利要求3所述的方法，其特征在于，还包括：
基于所述图像特征索引库未检索出与所述图像信息符合相似度要求的参照样本时，显示拒绝为所述目标对象确定参照价格的提示内容。
5.根据权利要求1至4中任一项所述的方法，其特征在于，还包括：
根据所述目标对象所属类目，确定所述目标对象所属垃圾类别；
显示所述目标对象所属垃圾类别。
6.根据权利要求1至4中任一项所述的方法，其特征在于，还包括：
根据预设类目列表，判断所述目标对象所属类目是否满足第二预设条件；
根据所述判断结果，显示相关建议。
7.根据权利要求1至4中任一项所述的方法，其特征在于，还包括：
根据所述目标对象的参照价格及所述目标对象所属类目，确定组成所述目标对象的至少一个组成单元的参照价格；
显示所述至少一个组成单元的参照价格。
8.一种信息处理方法，其特征在于，包括：
获取商品的图像信息；
将所述图像信息作为计算模型的输入，执行所述计算模型得到所述商品的参照价格；
其中，所述计算模型是基于已交易商品的商品图像及交易价格训练得到。
9.根据权利要求8所述的方法，其特征在于，将所述图像信息作为计算模型的输入，执行所述计算模型得到所述商品的参照价格，包括：
将所述图像信息作为类目确定模型的输入，执行所述类目确定模型得到所述商品所属类目；
将所述图像信息及所述商品所属类目作为所述计算模型的输入，执行所述计算模型得到所述商品的参照价格；
其中，所述计算模型是基于已交易商品的商品图像、商品所属类目及交易价格训练得到。
10.根据权利要求8或9所述的方法，其特征在于，还包括：
将所述图像信息作为判别模型的输入，执行所述判别模型得到判别结果；
所述判别结果表征所述图像信息属于简单类型时，触发使用所述计算模型完成对所述商品参照价格的计算；
其中，所述判别模型是基于样本图像及所述样本图像所属难易类型训练得到。
11.根据权利要求10所述的方法，其特征在于，还包括：
所述判别结果表征所述图像信息属于困难类型时，基于图像特征索引库，检索与所述图像信息符合相似度要求的至少一个参照样本；
根据所述至少一个参照样本各自对应的价格，确定所述商品的参照价格。
12.根据权利要求11所述的方法，其特征在于，还包括：
基于所述图像特征索引库未检索出与所述图像信息符合相似度要求的参照样本时，输出拒绝为所述商品确定参照价格的提示内容。
13.根据权利要求8或9所述的方法，其特征在于，还包括：
获取与所述商品相关的历史信息；
基于所述历史信息，对所述参照价格进行修正。
14.根据权利要求13所述的方法，其特征在于，所述历史信息包括如下中的至少一项：发布所述商品用户的历史发布价格、与所述商品同属一个类目的商品的历史发布价格。
15.一种信息处理方法，其特征在于，包括：
获取商品的图像信息；
利用判别模型判定所述图像信息属于困难类型时，基于图像特征索引库，检索与所述图像信息符合相似度要求的至少一个参照样本；
根据所述至少一个参照样本各自对应的价格，确定所述商品的参照价格；
其中，所述判别模型是基于样本图像及所述样本图像所属难易类型训练得到。
16.根据权利要求15所述的方法，其特征在于，基于图像特征索引库，检索与所述图像信息符合相似度要求的至少一个参照样本，包括：
基于所述图像信息，提取图像特征；
根据所述图像特征，在所述图像特征索引库中检索出至少一个候选样本；
分别计算所述图像信息与各候选样本的相似度值；
相似度值大于第二阈值的候选样本，即与所述图像信息符合相似度要求的参照样本。
17.根据权利要求15或16所述的方法，其特征在于，还包括：
收集已交易商品的商品信息；其中，商品信息包括：商品的图像信息及交易价格；
将满足第一预设要求的商品信息作为简单样本；
将满足第二预设要求的商品信息作为困难样本；
基于所述困难样本，构建所述图像特征索引库。
18.根据权利要求17所述的方法，其特征在于，还包括：
获取预估模型；
将所述商品图像作为所述预估模型的输入，执行所述预估模型得到预估参数；
所述预估参数与所述交易价格的差异小于第一阈值时，所述商品信息满足所述第一预设要求；
所述预估参数与所述交易价格的差异大于或等于所述第一阈值时，所述商品信息满足所述第二预设要求。
19.一种模型训练方法，其特征在于，包括：
获取第一训练样本；其中，所述第一训练样本包括：已交易商品的商品图像及交易价格；
将所述商品图像作为待训练计算模型的输入，执行所述计算模型得到第一输出结果；
根据所述第一输出结果及所述交易价格，对所述计算模型进行参数优化；
其中，完成训练的所述计算模型，用于根据商品的图像信息确定所述商品的参照价格。
20.根据权利要求19所述的方法，其特征在于，所述第一训练样本还包括：所述已交易商品所属类目；以及
将所述商品图像作为待训练计算模型的输入，执行所述计算模型得到第一输出结果，包括：
将所述商品图像及所述已交易商品所属类目作为所述待训练计算模型的输入，执行所述计算模型得到第一输出结果。
21.根据权利要求20所述的方法，其特征在于，还包括：
将所述图像信息作为待训练类目确定模型的输入，执行所述类目确定模型得到第二输出结果；
根据所述第二输出结果与所述已交易商品所属类目，对所述类目确定模型进行参数优化；
其中，完成训练的类目确定模型，用于根据商品的图像信息确定商品所属类目信息。
22.根据权利要求19至21中任一项所述的方法，其特征在于，还包括：
收集已交易商品的商品信息；其中，商品信息包括：商品图像及交易价格；
将满足第一预设要求的商品信息作为简单样本；
将满足第二预设要求的商品信息作为困难样本；
将所述简单样本作为所述第一训练样本。
23.一种模型训练方法，其特征在于，包括：
获取第二训练样本，其中，所述第二训练样本中包含：已交易商品的商品图像及所述商品图像所属难易类型；
将所述商品图像作为待训练判别模型的输入，执行所述判别模型得到第三输出结果；
根据所述第三输出结果与所述难易类型，优化所述判别模型的参数；
其中，训练完成的所述判别模型，用于根据商品的图像信息判定所述图像信息是否属于简单类型，在所述图像信息属于简单类型时能利用计算模型完成基于图像信息的商品参照价格计算。
24.根据权利要求23所述的方法，其特征在于，还包括：
收集已交易商品的商品信息；其中，商品信息包括：商品图像及交易价格；
将所述商品图像作为所述预估模型的输入，执行所述预估模型得到预估参数；
所述预估参数与所述交易价格的差异小于第一阈值时，将所述商品图像标记为简单类型；
所述预估参数与所述交易价格的差异大于或等于所述第一阈值时，将所述商品图像标记为困难类型。
25.一种特征库创建方法，其特征在于，包括：
收集已交易商品的商品信息；其中，所述商品信息包括：商品图像及交易价格；
利用预估模型，从收集到的多个商品信息中，区分出作为困难样本的部分商品信息；
基于困难样本，创建图像特征索引库，以用于检索与目标商品的图像信息符合相似度要求的参照样本，便于根据参照样本对应的价格，确定所述目标商品的参照价格。
26.根据权利要求25所述的方法，其特征在于，利用预估模型，从收集到的多个商品信息中，区分出作为困难样本的部分商品信息，包括：
将一商品信息的商品图像作为所述预估模型的输入，执行所述预估模型得到预估参数；
所述预估参数与所述商品信息中交易价格的差异大于或等于第一阈值时，将所述商品信息作为困难样本。
27.一种电子设备，其特征在于，包括存储器、处理器及显示器；其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：
获取目标对象的图像信息；
基于所述图像信息，获取所述目标对象所属类目；
根据所述图像信息及所述目标对象所属类目，确定所述目标对象的参照价格；
控制所述显示器显示所述参照价格。
28.一种电子设备，其特征在于，包括存储器及处理器；其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：
获取商品的图像信息；
将所述图像信息作为计算模型的输入，执行所述计算模型得到所述商品的参照价格；
其中，所述计算模型是基于已交易商品的商品图像及交易价格训练得到。
29.一种电子设备，其特征在于，包括存储器及处理器；其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：
获取商品的图像信息；
利用判别模型判定所述图像信息属于困难类型时，基于图像特征索引库，检索与所述图像信息符合相似度要求的至少一个参照样本；
根据所述至少一个参照样本各自对应的价格，确定所述商品的参照价格；
其中，所述判别模型是基于样本图像及所述样本图像所属难易类型训练得到。
30.一种电子设备，其特征在于，包括存储器及处理器；其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：
获取第一训练样本；其中，所述第一训练样本包括：已交易商品的商品图像及交易价格；
将所述商品图像作为待训练计算模型的输入，执行所述计算模型得到第一输出结果；
根据所述第一输出结果及所述交易价格，对所述计算模型进行参数优化；
其中，完成训练的所述计算模型，用于根据商品的图像信息确定所述商品的参照价格。
31.一种电子设备，其特征在于，包括存储器及处理器；其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：
获取第二训练样本，其中，所述第二训练样本中包含：已交易商品的商品图像及所述商品图像所属难易类型；
将所述商品图像作为待训练判别模型的输入，执行所述判别模型得到第三输出结果；
根据所述第三输出结果与所述难易类型，优化所述判别模型的参数；
其中，训练完成的所述判别模型，用于根据商品的图像信息判定所述图像信息是否能利用计算模型完成基于图像信息的商品参照价格计算。
32.一种电子设备，其特征在于，包括存储器及处理器；其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：
收集已交易商品的商品信息；其中，所述商品信息包括：商品图像及交易价格；
利用预估模型，从收集到的多个商品信息中，区分出作为困难样本的部分商品信息；
基于困难样本，创建图像特征索引库，以用于检索与目标商品的图像信息符合相似度要求的参照样本，便于根据参照样本对应的价格，确定所述目标商品的参照价格。
33.一种信息处理方法，其特征在于，包括：
获取目标对象的图像信息；
基于所述图像信息，获取所述目标对象所属类目；
根据所述图像信息及所述目标对象所属类目，为所述目标对象确定参照价格及促使所述目标对象满足第一预设条件的辅助信息；
将所述参照价格与所述辅助信息分别与所述图像信息关联展示。
34.根据权利要求33所述的方法，其特征在于，所述辅助信息包括如下中的至少一种：
有关所述图像信息的修改建议；
有关能与所述目标对象形成组合关系的组合对象推荐建议；
有关所述目标对象的改进建议；
有关为所述目标对象增加描述信息的建议。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910691472.9A CN112307231A (zh) | 2019-07-29 | 2019-07-29 | 信息处理、模型训练、特征库创建方法及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910691472.9A CN112307231A (zh) | 2019-07-29 | 2019-07-29 | 信息处理、模型训练、特征库创建方法及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112307231A true CN112307231A (zh) | 2021-02-02 |
Family
ID=74329987
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910691472.9A Pending CN112307231A (zh) | 2019-07-29 | 2019-07-29 | 信息处理、模型训练、特征库创建方法及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112307231A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113344628A (zh) * | 2021-06-04 | 2021-09-03 | 网易（杭州）网络有限公司 | 一种信息处理方法、装置、计算机设备及存储介质 |
| CN113724069A (zh) * | 2021-08-31 | 2021-11-30 | 平安科技（深圳）有限公司 | 基于深度学习的定价方法、装置、电子设备和存储介质 |
| CN117726849A (zh) * | 2023-09-27 | 2024-03-19 | 书行科技(北京)有限公司 | 一种图像处理方法、装置、设备、可读存储介质及产品 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070150298A1 (en) * | 2005-12-28 | 2007-06-28 | Patentratings, Llc | Method and system for valuing intangible assets |
| CN103412938A (zh) * | 2013-08-22 | 2013-11-27 | 成都数之联科技有限公司 | 一种基于图片交互式多目标提取的商品比价方法 |
| CN107358596A (zh) * | 2017-04-11 | 2017-11-17 | 阿里巴巴集团控股有限公司 | 一种基于图像的车辆定损方法、装置、电子设备及系统 |
| CN107844790A (zh) * | 2017-11-15 | 2018-03-27 | 上海捷售智能科技有限公司 | 一种基于图像识别的菜品识别与收银系统及方法 |
| CN108334906A (zh) * | 2018-02-08 | 2018-07-27 | 杭州华选信息科技有限公司 | 一种金融典当服务的抵押物自动识别评估方法和装置 |
| CN110009433A (zh) * | 2019-04-26 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 评估产品价格的方法及装置 |
-
2019
- 2019-07-29 CN CN201910691472.9A patent/CN112307231A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070150298A1 (en) * | 2005-12-28 | 2007-06-28 | Patentratings, Llc | Method and system for valuing intangible assets |
| CN103412938A (zh) * | 2013-08-22 | 2013-11-27 | 成都数之联科技有限公司 | 一种基于图片交互式多目标提取的商品比价方法 |
| CN107358596A (zh) * | 2017-04-11 | 2017-11-17 | 阿里巴巴集团控股有限公司 | 一种基于图像的车辆定损方法、装置、电子设备及系统 |
| CN107844790A (zh) * | 2017-11-15 | 2018-03-27 | 上海捷售智能科技有限公司 | 一种基于图像识别的菜品识别与收银系统及方法 |
| CN108334906A (zh) * | 2018-02-08 | 2018-07-27 | 杭州华选信息科技有限公司 | 一种金融典当服务的抵押物自动识别评估方法和装置 |
| CN110009433A (zh) * | 2019-04-26 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 评估产品价格的方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 杨波;: "基于智能算法的"互联网+"时代二手车评估定价模型研究", 江苏商论, no. 05, 20 May 2017 (2017-05-20), pages 23 - 26 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113344628A (zh) * | 2021-06-04 | 2021-09-03 | 网易（杭州）网络有限公司 | 一种信息处理方法、装置、计算机设备及存储介质 |
| CN113724069A (zh) * | 2021-08-31 | 2021-11-30 | 平安科技（深圳）有限公司 | 基于深度学习的定价方法、装置、电子设备和存储介质 |
| CN113724069B (zh) * | 2021-08-31 | 2024-02-13 | 平安科技（深圳）有限公司 | 基于深度学习的定价方法、装置、电子设备和存储介质 |
| CN117726849A (zh) * | 2023-09-27 | 2024-03-19 | 书行科技(北京)有限公司 | 一种图像处理方法、装置、设备、可读存储介质及产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105184975B (zh) | 自动售货机管理系统和管理方法 | |
| US10467507B1 (en) | Image quality scoring | |
| CN109558535B (zh) | 基于人脸识别的个性化推送物品的方法及系统 | |
| US20180268458A1 (en) | Automated recommendation and virtualization systems and methods for e-commerce | |
| WO2019056661A1 (zh) | 一种搜索词推送方法、装置及终端 | |
| CN107169806B (zh) | 用于确定商品属性对于购买决策的影响度的方法及装置 | |
| CN112307231A (zh) | 信息处理、模型训练、特征库创建方法及电子设备 | |
| CN104778594A (zh) | 一种新型的智能化网络购衣平台系统及方法 | |
| CN108292425A (zh) | 自动引导的图像捕获和展示 | |
| CN110956527A (zh) | 一种智能分析客户装修需求匹配服务商的平台系统 | |
| CN108492160A (zh) | 信息推荐方法和装置 | |
| CN111949887A (zh) | 物品推荐方法、装置及计算机可读存储介质 | |
| Borges et al. | On measuring popularity bias in collaborative filtering data | |
| CN109712324A (zh) | 一种自动售货机图像识别方法、售货方法及自动售货设备 | |
| CN106547808A (zh) | 图片更新方法、类目排序方法及装置 | |
| CN113689259A (zh) | 基于用户行为的商品个性化推荐方法及系统 | |
| CN113689258A (zh) | 一种商品推荐热度生成方法及系统 | |
| KR102392163B1 (ko) | 인공지능 기반의 스타일 추천과 스타일 피팅 시뮬레이션 서비스 제공 장치 및 방법 | |
| CN109858448A (zh) | 一种零售场景下的物品识别方法及设备 | |
| CN113112335A (zh) | 店铺的商品信息处理方法、装置及计算机设备 | |
| CN109543057A (zh) | 基于智能收银台的商品识别方法、装置、设备及存储介质 | |
| KR102582813B1 (ko) | 오프라인 구매를 위한 개인화된 추천 서비스 제공 방법 및 장치 | |
| JP6932364B1 (ja) | 買取価格推定プログラム | |
| SWPNM et al. | Virtual Dressing Room: Smart Approach to Select and Buy Clothes | |
| JP6210554B2 (ja) | 認識装置、認識プログラム及び認識方法 |
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 |