CN112396481A - 线下产品信息发送方法、系统、电子设备和存储介质 - Google Patents
线下产品信息发送方法、系统、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112396481A CN112396481A CN201910743842.9A CN201910743842A CN112396481A CN 112396481 A CN112396481 A CN 112396481A CN 201910743842 A CN201910743842 A CN 201910743842A CN 112396481 A CN112396481 A CN 112396481A
- Authority
- CN
- China
- Prior art keywords
- offline
- user
- information
- product
- association
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000005540 biological transmission Effects 0.000 title claims description 13
- 230000015654 memory Effects 0.000 claims description 19
- 230000004044 response Effects 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000001815 facial effect Effects 0.000 claims description 6
- 230000007547 defect Effects 0.000 abstract description 3
- 238000004891 communication Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 12
- 239000013598 vector Substances 0.000 description 9
- 238000013136 deep learning model Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 238000011176 pooling Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 235000011888 snacks Nutrition 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 235000009508 confectionery Nutrition 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 235000013410 fast food Nutrition 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010200 validation analysis 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
-
- 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
- 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
- G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting
-
- 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
- G06Q30/0282—Rating or review of business operators or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种线下产品信息发送方法、系统、电子设备和存储介质。所述方法包括：识别处于线下场景的用户的身份信息；根据所述身份信息获取所述用户的线上产品关联信息；根据所述线上产品关联信息构建关联模型，所述关联模型用于计算产品与所述用户的关联强度；利用所述关联模型从若干候选线下产品中挑选与所述用户对应的候选线下产品作为待发送线下产品；将所述待发送线下产品的产品信息发送至所述用户的终端。本发明实施例利用用户的线上产品关联信息计算产品与用户的关联强度，进而向用户发送与用户关联性强的线下产品的产品信息，弥补了难以或无法掌握用户线下消费习惯的不足，打通线上线下。
Description
技术领域
本发明属于计算机领域，尤其涉及一种线下产品信息发送方法、系统、电子设备和存储介质。
背景技术
随着科技的发展，人工智能技术被越来越多地重视和运用，无人超市作为一种兴起的新生事物，获得了迅速发展。现有无人超市的购物流程主要包括三个步骤：进店，选货，支付离店。用户扫码进店，挑选产品时货架上的摄像头会跟踪并记录用户拿起或放下的动作，再通过红外传感器和压力感应装置等手段判断用户购买了哪些产品，消费信息实时传输到门店信息中枢，并自动在用户账户上完成结算，整个过程无人工参与，使得线下零售效率提升，运营优化。但是正是因为整个过程无人工参与，用户在选购产品时只能凭感觉或是自己先看到了哪个产品而先入为主，缺少产品推荐和客观指导。另外，没有工作人员可以向用户提供帮助，用户的咨询需求无法满足，影响用户体验。
发明内容
本发明实施例要解决的技术问题是现有技术无法向线下消费用户发送产品信息的缺陷，提供一种线下产品信息发送方法、系统、电子设备和存储介质。
本发明实施例是通过以下技术方案解决上述技术问题的：
一种线下产品信息发送方法，包括：
识别处于线下场景的用户的身份信息；
根据所述身份信息获取所述用户的线上产品关联信息；
根据所述线上产品关联信息构建关联模型，所述关联模型用于计算产品与所述用户的关联强度；
利用所述关联模型从若干候选线下产品中挑选与所述用户对应的候选线下产品作为待发送线下产品；
将所述待发送线下产品的产品信息发送至所述用户的终端。
较佳地，所述身份信息关联所述用户的线上消费账号，所述线上消费账号关联所述线上产品关联信息。
较佳地，利用所述关联模型从若干候选线下产品中挑选与所述用户对应的候选线下产品作为待发送线下产品的步骤包括：
召回预设数量的候选线下产品；
将所述候选线下产品的产品信息分别输入至所述关联模型，得到所述关联模型对所述候选线下产品与所述用户的关联强度的打分；
按照打分排序，挑选打分最高的N个候选线下产品作为所述待发送线下产品，N为正整数。
较佳地，识别处于线下场景的用户的身份信息的步骤具体包括：
利用线下场景中的摄像头采集所述用户的面部信息；
采用人脸识别技术识别所述身份信息。
较佳地，所述线下产品信息发送方法还包括：
提供与所述终端的对话服务。
较佳地，提供与所述用户的对话服务的步骤包括：
接收所述终端的对话信息；
对所述对话信息进行用户意图分类；
对所述对话信息进行语义理解；
向所述终端反馈应答结果。
较佳地，基于深度学习算法进行用户意图分类和语义理解以及构建所述关联模型。
较佳地，基于卷积神经网络或分段的卷积神经网络进行用户意图分类，基于长短期记忆网络进行语义理解。
一种线下产品信息发送系统，包括：
身份识别模块，用于识别处于线下场景的用户的身份信息；
线上获取模块，用于根据所述身份信息获取所述用户的线上产品关联信息；
模型构建模块，用于根据所述线上产品关联信息构建关联模型，所述关联模型用于计算产品与所述用户的关联强度；
线下挑选模块，用于利用所述关联模型从若干候选线下产品中挑选与所述用户对应的候选线下产品作为待发送线下产品；
信息发送模块，用于将所述待发送线下产品的产品信息发送至所述用户的终端。
较佳地，所述身份信息关联所述用户的线上消费账号，所述线上消费账号关联所述线上产品关联信息。
较佳地，所述线下挑选模块具体用于：
召回预设数量的候选线下产品；
将所述候选线下产品的产品信息分别输入至所述关联模型，得到所述关联模型对所述候选线下产品与所述用户的关联强度的打分；
按照打分排序，挑选打分最高的N个候选线下产品作为所述待发送线下产品，N为正整数。
较佳地，所述身份识别模块具体用于：
利用线下场景中的摄像头采集所述用户的面部信息；
采用人脸识别技术识别所述身份信息。
较佳地，所述线下产品信息发送系统还包括：
对话服务模块，用于提供与所述终端的对话服务。
较佳地，所述对话服务模块具体用于：
接收所述终端的对话信息；
对所述对话信息进行用户意图分类；
对所述对话信息进行语义理解；
向所述终端反馈应答结果。
较佳地，基于深度学习算法进行用户意图分类和语义理解以及构建所述关联模型。
较佳地，基于卷积神经网络或分段的卷积神经网络进行用户意图分类，基于长短期记忆网络进行语义理解。
一种电子设备，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程序时实现如上所述的线下产品信息发送方法。
一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述的线下产品信息发送方法的步骤。
在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。
本发明的积极进步效果在于：本发明实施例利用用户的线上产品关联信息计算产品与用户的关联强度，进而向用户发送与用户关联性强的线下产品的产品信息，弥补了难以或无法掌握用户线下消费习惯的不足，打通线上线下，为用户线下消费提供客观指导，提高用户体验，尤其适用于无人超市场景，在无工作人员提供服务的情况下帮助用户自助消费。
附图说明
图1为本发明实施例1的一种线下产品信息发送方法的流程图；
图2为本发明实施例2的一种线下产品信息发送方法中提供与所述终端的对话服务的流程图；
图3为本发明实施例3的一种线下产品信息发送系统的示意框图；
图4为本发明实施例4的一种线下产品信息发送系统的示意框图；
图5为本发明实施例5的一种电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
实施例1
图1示出了本实施例的一种线下产品信息发送方法，其可以对处于线下场景中的用户进行产品推荐。所述线下产品信息发送方法可以包括以下步骤：
步骤11：识别处于线下场景的用户的身份信息。所述的线下场景的一种较佳选择是无人超市场景，当然本实施例并不局限于此，其他线下场景，如商场、普通超市，本实施例同样适用。识别所述身份信息可以采用多种方式，如利用线下场景中的摄像头采集所述用户的面部信息，采用人脸识别技术识别所述身份信息；或是通过采集用户指纹的方式识别所述身份信息。所述身份信息可以包括用户姓名、ID或账号等。
步骤12：根据所述身份信息获取所述用户的线上产品关联信息。所述身份信息可以与所述用户的线上消费账号相关联，所述线上消费账号可以是所述用户线上消费时常用或用过的账号，所述线上消费账号可以关联所述线上产品关联信息。所述线上产品关联信息可以存储于用户线上消费网站的数据后台中，通过访问所述数据后台获取所述用户的离线消费表，比如用户订单表、用户浏览表、用户加入购物车表、用户点击表、用户关注表等，从各类表中读取所述线上产品关联信息，所述线上产品关联信息可以包括用户线上购买的产品的信息、用户线上浏览的产品的信息、用户线上加入购物车的产品的信息、用户线上点击的产品的信息、用户线上关注的产品的信息等。
步骤13：根据所述线上产品关联信息构建关联模型，所述关联模型用于计算产品与所述用户的关联强度。构建所述关联模型的具体过程可以包括：从所述线上产品关联信息中抽取出用户的线上消费特征和标签。所述线上消费特征可以包括用户维度特征(比如性别、年龄、用户常用地址、用户购买等级、用户是否为线上VIP会员等)，用户品类交叉特征(比如用户三级品类短期偏好、用户三级品类长期偏好、用户实时品类偏好等)，用户产品交叉特征(比如用户最近7天已浏览产品、用户加入购物车未下单的产品、用户偏好的产品标签)。标签可以是用户是否曝光点击的标签(产品曝光给用户后，如果用户点击标记为1，如果用户不点击标记为0)。上述的特征和标签的数据联合起来作为所述关联模型的训练数据。利用上述的特征和标签可以实现有监督的机器学习，所述关联模型可以是深度学习模型，可以是传统的机器学习模型(如逻辑回归模型)，也可以同时构建基于不同算法的多种模型。在实际应用中，产品与用户的关联强度越强，产品可能越符合用户的产品偏好，用户对其有需求的可能性越高，例如用户偏好糖果类产品。
步骤14：利用所述关联模型从若干候选线下产品中挑选与所述用户对应的候选线下产品作为待发送线下产品。步骤14具体可以包括：
步骤141：召回预设数量的候选线下产品，所述候选线下产品可以是线下场景有售的任意产品、或经过预筛选的产品、或根据实际需求提供的产品；
步骤142：将所述候选线下产品的产品信息分别输入至所述关联模型，得到所述关联模型对所述候选线下产品与所述用户的关联强度的打分；
步骤143：按照打分排序，挑选打分最高的N个候选线下产品作为所述待发送线下产品，N为正整数，其中，可以只基于深度学习模型进行打分排序，或只基于传统的机器学习模型进行打分排序，将打分最高的N个候选线下产品作为后续发送产品信息的待发送线下产品，当然也可以在构建了多种模型的情况下结合各模型的挑选结果进行综合打分，例如分别基于深度学习模型和传统的机器学习模型对同一产品打分，计算总分，选取总分最高的N个产品作为后续发送产品信息的待发送线下产品。
步骤15：将所述待发送线下产品的产品信息发送至所述用户的终端。所述待发送线下产品的产品信息具体可以通过网络、蓝牙、短信等方式发送至所述终端，所述产品信息可以在终端上显示或语音播报等形式展示。在具体展示前，还可以先对待发送线下产品的展示形式进行策略优化，然后展示给用户，比如同一个三级品类需要隔断，不同品牌产品穿插打散等，以进一步提升用户体验。
本实施例的线下产品信息发送方法可以根据用户的线上产品关联信息训练关联模型，并基于关联模型挑选待发送线下产品，最终完成线下产品信息的发送，可以应用于对线下场景，尤其是无人超市，的真实用户进行导购，猜测用户最感兴趣的产品进行推荐，提高推荐的准确率。线下发送给用户的产品的产品信息，因为同步了线上消费账号，也可以和线上形成互动，对用户的线下消费行为进行记录，串联起了线上线下的消费，提高用户体验。
实施例2
本实施例是在实施例1的基础上的进一步改进。所述线下产品信息发送方法还可以包括：提供与所述终端的对话服务。所述对话服务可以发生于向所述终端推荐了线下产品之后，解答用户对推荐的线下产品的疑惑，如在所述终端发出“推荐的线下产品在哪”的询问后，给出引导用户到相应货架位置的地图导航；也可以发生于向所述终端推荐线下产品之前，初步了解用户的消费需求，如在所述终端发出“可以推荐好吃的零食吗”的询问后，给出推荐的零食列表，更有利产品推荐的准确性；也可以与推荐线下产品不产生捆绑关系，用作日常消费咨询与提醒，如回复产品的价格咨询，提醒用户加热购买的方便食品或包装袋的放置位置。
本实施例给出了一种提供与所述用户的对话服务的具体步骤，如图2所示，其包括：
步骤21：接收所述终端的对话信息。其中，所述对话信息可以是语音，对于语音需要进行语音识别，将其转化为文本。当然，所述对话信息直接就是用户输入的文本。
步骤22：对所述对话信息进行用户意图分类。可以基于深度学习算法进行用户意图分类，如基于卷积循环网络(CNN)或分段的卷积循环网络(PCNN)。
步骤23：对所述对话信息进行语义理解。可以基于深度学习算法进行语义理解，如基于长短期记忆网络(LSTM)。
步骤24：向所述终端反馈应答结果。在应答时可以结合知识图谱和当前上下文语境，给出最佳答复。
基于CNN进行用户意图分类的主要步骤如下：
初始化权值和偏置；
构建卷积层；
局部响应归一化层；
构建池化层；
构建全联接层与dropout层；
参数训练与模型评估。
PCNN网络搭建主要包括：
向量表示层：字词的embedding目的是抓住句子语法和语义的分布式信息，给定一个句子先分词，然后每个词语用一个m维度的向量表示，同时句子中的每个字用一个n维的向量表示；
卷积层：语义理解中实体关系抽取的一个难点是输入句子长度灵活多变，而关键信息可能出现在一句话的任何位置，本实施例使用局部特征预测全局信息，卷积核为1*1,3*3,5*5分别捕获句子的特征，卷积层自动挖掘有价值信息，减少了人工标注的工作量；
Piecewise池化层：卷积层提取特征之后，拼接在一起可以确保句子长度的一致性，传统的max-polling是抓住了局部信息，没有较好地捕获两个实体之间的关系，在实体关系抽取的任务中，用户输入句子以实体为界可以分成三部分，piecewise池化返回每一段的最大值替换传统整句话池化的最大值，每个卷积核由三个部分组成ci＝{ci1,ci2,ci3},数学表达式如下：pij＝max(cij),1≤i≤n,1≤j≤3；分段池化后，得到一个三维的向量{pi1,pi2,pi3}，然后将这个三维向量拼接，接入非线性的映射函数；
Softmax激活输出层：为了计算候选集合的实体关系，特征向量输入到sigmoid函数，输出实体关系的置信度概率。
用于意图分类的深度学习模型、用于语义理解的深度学习模型，参数调试如下：
字词向量训练模型选取；
字词向量特征维度设置；
字词向量滑动窗口设置；
标注样本和远距离监督训练样本比例；
CNN池化方式设置；
卷积核尺寸设置；
关于上述模型的训练、验证、测试集：用来拟合模型，本实施例的训练集可以是线上数据，人工标注样本加远距离监督标注的样本，共10万条，在训练集上设置参数训练模型；训练集通过多次迭代，训练出多个模型后，为了找出效果最佳的模型，使用各个模型对验证集数据进行预测，记录准确率，保存评估指标最好的模型，选其参数作为模型调参的参考值；通过训练集和验证集得出模型后，使用测试集进行模型预测，用来衡量最优模型的性能和泛化能力。
训练好的模型可以导入到Redis集群。经算法端、服务端和客户端联调测试，确保代码运行性能可靠，逻辑正确。模型的离线评估指标，准确率和F1值都在0.85以上；
在实际应用中，在模型上线后，可以对线上数据进行人工评测，确定其是否满足上线预期；对于人工评测过程中发现的badcase可以分析原因，并且对其进行迭代优化。
本实施例的对话服务不仅可用于与用户之间的咨询解答与提醒，还可用于智能风险监控，例如根据对话记录从多个维度预测用户购买某个产品的概率，如果预测购买的概率很大，但是没有支付结账就会发出报警。
实施例3
图3示出了本实施例的一种线下产品信息发送系统，其可以对处于线下场景中的用户进行产品推荐。所述线下产品信息发送系统可以包括：身份识别模块31、线上获取模块32、模型构建模块33、线下挑选模块34和信息发送模块35。
所述身份识别模块31可以用于识别处于线下场景的用户的身份信息。所述的线下场景的一种较佳选择是无人超市场景，当然本实施例并不局限于此，其他线下场景，如商场、普通超市，本实施例同样适用。所述身份识别模块31识别所述身份信息可以采用多种方式，如利用线下场景中的摄像头采集所述用户的面部信息，采用人脸识别技术识别所述身份信息；或是通过采集用户指纹的方式识别所述身份信息。所述身份信息可以包括用户姓名、ID或账号等。
所述线上获取模块32可以用于根据所述身份信息获取所述用户的线上产品关联信息。所述身份信息可以与所述用户的线上消费账号相关联，所述线上消费账号可以是所述用户线上消费时常用或用过的账号，所述线上消费账号可以关联所述线上产品关联信息。所述线上产品关联信息可以存储于用户线上消费网站的数据后台中，通过访问所述数据后台获取所述用户的离线消费表，比如用户订单表、用户浏览表、用户加入购物车表、用户点击表、用户关注表等，从各类表中读取所述线上产品关联信息，所述线上产品关联信息可以包括用户线上购买的产品的信息、用户线上浏览的产品的信息、用户线上加入购物车的产品的信息、用户线上点击的产品的信息、用户线上关注的产品的信息等。
所述模型构建模块33可以用于根据所述线上产品关联信息构建关联模型，所述关联模型用于计算产品与所述用户的关联强度。构建所述关联模型的具体过程可以包括：从所述线上历史订单信息中抽取出用户的线上消费特征和标签。所述线上消费特征可以包括用户维度特征(比如性别、年龄、用户常用地址、用户购买等级、用户是否为线上VIP会员等)，用户品类交叉特征(比如用户三级品类短期偏好、用户三级品类长期偏好、用户实时品类偏好等)，用户产品交叉特征(比如用户最近7天已浏览产品、用户加入购物车未下单的产品、用户偏好的产品标签)。标签可以是用户是否曝光点击的标签(产品曝光给用户后，如果用户点击标记为1，如果用户不点击标记为0)，这些特征和标签的数据联合起来作为关联模型的训练数据。利用上述的特征和标签可以实现有监督的机器学习，所述关联模型可以是深度学习模型，可以是传统的机器学习模型(如逻辑回归模型)，也可以同时构建基于不同算法的多种模型。在实际应用中，产品与用户的关联强度越强，产品可能越符合用户的产品偏好，用户对其有需求的可能性越高，例如用户偏好糖果类产品。
所述线下挑选模块34可以用于利用所述关联模型从若干候选线下产品中挑选与所述用户对应的候选线下产品作为待发送线下产品。所述线下挑选模块34可以具体用于：召回预设数量的候选线下产品；将所述候选线下产品的产品信息分别输入至所述关联模型，得到所述关联模型对所述候选线下产品与所述用户的关联强度的打分；按照打分排序，挑选打分最高的N个候选线下产品作为所述待发送线下产品，N为正整数。其中，可以只基于深度学习模型进行打分排序，或只基于传统的机器学习模型进行打分排序，将打分最高的N个候选线下产品作为后续发送产品信息的待发送线下产品，当然也可以在构建了多种模型的情况下结合各模型的挑选结果进行综合打分，例如分别基于深度学习模型和传统的机器学习模型对同一产品打分，计算总分，选取总分最高的N个产品作为后续发送产品信息的待发送线下产品。
所述信息发送模块35可以用于将所述待发送线下产品的产品信息发送至所述用户的终端。所述待发送线下产品的产品信息具体可以通过网络、蓝牙、短信等方式发送至所述终端，所述产品信息可以在终端上显示或语音播报等形式展示。在具体展示前，还可以先对待发送线下产品的展示形式进行策略优化，然后展示给用户，比如同一个三级品类需要隔断，不同品牌产品穿插打散等，以进一步提升用户体验。
本实施例的线下产品信息发送系统可以根据用户的线上产品关联信息训练关联模型，并基于关联模型挑选待发送线下产品，最终完成线下产品信息的发送，可以应用于对线下场景，尤其是无人超市，的真实用户进行导购，猜测用户最感兴趣的产品进行推荐，提高推荐的准确率。线下发送给用户的产品的产品信息，因为同步了线上消费账号，也可以和线上形成互动，对用户的线下消费行为进行记录，串联起了线上线下的消费，提高用户体验。
实施例4
本实施例是在实施例3的基础上的进一步改进。如图4所示，所述线下产品信息发送系统还可以包括：对话服务模块36。所述对话服务模块36可以用于提供与所述终端的对话服务。所述对话服务可以发生于向所述终端推荐了线下产品之后，解答用户对推荐的线下产品的疑惑，如在所述终端发出“推荐的线下产品在哪”的询问后，给出引导用户到相应货架位置的地图导航；也可以发生于向所述终端推荐线下产品之前，初步了解用户的消费需求，如在所述终端发出“可以推荐好吃的零食吗”的询问后，给出推荐的零食列表，更有利产品推荐的准确性；也可以与推荐线下产品不产生捆绑关系，用作日常消费咨询与提醒，如回复产品的价格咨询，提醒用户加热购买的方便食品或包装袋的放置位置。
本实施例中，所述对话服务模块可以36具体用于：
接收所述终端的对话信息，其中，所述对话信息可以是语音，对于语音需要进行语音识别，将其转化为文本，当然，所述对话信息直接就是用户输入的文本；
对所述对话信息进行用户意图分类，具体可以基于深度学习算法进行用户意图分类，如基于卷积循环网络(CNN)或分段的卷积循环网络(PCNN)；
对所述对话信息进行语义理解，具体可以基于深度学习算法进行语义理解，如基于长短期记忆网络(LSTM)；
向所述终端反馈应答结果，在应答时可以具体结合知识图谱和当前上下文语境，给出最佳答复。
关于CNN、PCNN网络搭建等具体说明请参见实施例2，在此不再赘述。
实施例5
图5为本发明实施例5提供的一种电子设备的结构示意图。所述电子设备包括存储器、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程序时实现实施例1-2的任意一种线下产品信息发送方法。图5显示的电子设备40仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，电子设备40可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备40的组件可以包括但不限于：上述至少一个处理器41、上述至少一个存储器42、连接不同系统组件(包括存储器42和处理器41)的总线43。
总线43包括数据总线、地址总线和控制总线。
存储器42可以包括易失性存储器，例如随机存取存储器(RAM)421和/或高速缓存存储器422，还可以进一步包括只读存储器(ROM)423。
存储器42还可以包括具有一组(至少一个)程序模块424的程序/实用工具425，这样的程序模块424包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器41通过运行存储在存储器42中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1或2所提供的线下产品信息发送方法。
电子设备40也可以与一个或多个外部设备44(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口45进行。并且，模型生成的设备40还可以通过网络适配器46与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图5所示，网络适配器46通过总线43与模型生成的设备40的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的设备40使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例6
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现实施例1-2所提供的任意一种线下产品信息发送方法的步骤。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行实现实施例1-2所述的任意一种线下产品信息发送方法中的步骤。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。
Claims (18)
1.一种线下产品信息发送方法，其特征在于，包括：
识别处于线下场景的用户的身份信息；
根据所述身份信息获取所述用户的线上产品关联信息；
根据所述线上产品关联信息构建关联模型，所述关联模型用于计算产品与所述用户的关联强度；
利用所述关联模型从若干候选线下产品中挑选与所述用户对应的候选线下产品作为待发送线下产品；
将所述待发送线下产品的产品信息发送至所述用户的终端。
2.如权利要求1所述的线下产品信息发送方法，其特征在于，所述身份信息关联所述用户的线上消费账号，所述线上消费账号关联所述线上产品关联信息。
3.如权利要求1所述的线下产品信息发送方法，其特征在于，利用所述关联模型从若干候选线下产品中挑选与所述用户对应的候选线下产品作为待发送线下产品的步骤包括：
召回预设数量的候选线下产品；
将所述候选线下产品的产品信息分别输入至所述关联模型，得到所述关联模型对所述候选线下产品与所述用户的关联强度的打分；
按照打分排序，挑选打分最高的N个候选线下产品作为所述待发送线下产品，N为正整数。
4.如权利要求1所述的线下产品信息发送方法，其特征在于，识别处于线下场景的用户的身份信息的步骤具体包括：
利用线下场景中的摄像头采集所述用户的面部信息；
采用人脸识别技术识别所述身份信息。
5.如权利要求1所述的线下产品信息发送方法，其特征在于，所述线下产品信息发送方法还包括：
提供与所述终端的对话服务。
6.如权利要求5所述的线下产品信息发送方法，其特征在于，提供与所述用户的对话服务的步骤包括：
接收所述终端的对话信息；
对所述对话信息进行用户意图分类；
对所述对话信息进行语义理解；
向所述终端反馈应答结果。
7.如权利要求6所述的线下产品信息发送方法，其特征在于，基于深度学习算法进行用户意图分类和语义理解以及构建所述关联模型。
8.如权利要求7所述的线下产品信息发送方法，其特征在于，基于卷积神经网络或分段的卷积神经网络进行用户意图分类，基于长短期记忆网络进行语义理解。
9.一种线下产品信息发送系统，其特征在于，包括：
身份识别模块，用于识别处于线下场景的用户的身份信息；
线上获取模块，用于根据所述身份信息获取所述用户的线上产品关联信息；
模型构建模块，用于根据所述线上产品关联信息构建关联模型，所述关联模型用于计算产品与所述用户的关联强度；
线下挑选模块，用于利用所述关联模型从若干候选线下产品中挑选与所述用户对应的候选线下产品作为待发送线下产品；
信息发送模块，用于将所述待发送线下产品的产品信息发送至所述用户的终端。
10.如权利要求9所述的线下产品信息发送系统，其特征在于，所述身份信息关联所述用户的线上消费账号，所述线上消费账号关联所述线上产品关联信息。
11.如权利要求9所述的线下产品信息发送系统，其特征在于，所述线下挑选模块具体用于：
召回预设数量的候选线下产品；
将所述候选线下产品的产品信息分别输入至所述关联模型，得到所述关联模型对所述候选线下产品与所述用户的关联强度的打分；
按照打分排序，挑选打分最高的N个候选线下产品作为所述待发送线下产品，N为正整数。
12.如权利要求9所述的线下产品信息发送系统，其特征在于，所述身份识别模块具体用于：
利用线下场景中的摄像头采集所述用户的面部信息；
采用人脸识别技术识别所述身份信息。
13.如权利要求9所述的线下产品信息发送系统，其特征在于，所述线下产品信息发送系统还包括：
对话服务模块，用于提供与所述终端的对话服务。
14.如权利要求13所述的线下产品信息发送系统，其特征在于，所述对话服务模块具体用于：
接收所述终端的对话信息；
对所述对话信息进行用户意图分类；
对所述对话信息进行语义理解；
向所述终端反馈应答结果。
15.如权利要求14所述的线下产品信息发送系统，其特征在于，基于深度学习算法进行用户意图分类和语义理解以及构建所述关联模型。
16.如权利要求15所述的线下产品信息发送系统，其特征在于，基于卷积神经网络或分段的卷积神经网络进行用户意图分类，基于长短期记忆网络进行语义理解。
17.一种电子设备，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程序时实现权利要求1至8中任一项所述的线下产品信息发送方法。
18.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至8中任一项所述的线下产品信息发送方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910743842.9A CN112396481A (zh) | 2019-08-13 | 2019-08-13 | 线下产品信息发送方法、系统、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910743842.9A CN112396481A (zh) | 2019-08-13 | 2019-08-13 | 线下产品信息发送方法、系统、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112396481A true CN112396481A (zh) | 2021-02-23 |
Family
ID=74602516
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910743842.9A Pending CN112396481A (zh) | 2019-08-13 | 2019-08-13 | 线下产品信息发送方法、系统、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112396481A (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106354835A (zh) * | 2016-08-31 | 2017-01-25 | 上海交通大学 | 基于上下文语义理解的人工对话辅助系统 |
| CN107330120A (zh) * | 2017-07-14 | 2017-11-07 | 三角兽（北京）科技有限公司 | 询问应答方法、询问应答装置及计算机可读存储介质 |
| CN108280368A (zh) * | 2018-01-22 | 2018-07-13 | 北京腾云天下科技有限公司 | 一种线上数据和线下数据的关联方法及计算设备 |
| CN108319585A (zh) * | 2018-01-29 | 2018-07-24 | 北京三快在线科技有限公司 | 数据处理方法及装置、电子设备、计算机可读介质 |
| CN108345692A (zh) * | 2018-03-16 | 2018-07-31 | 北京京东尚科信息技术有限公司 | 一种自动问答方法和系统 |
| CN108427722A (zh) * | 2018-02-09 | 2018-08-21 | 卫盈联信息技术（深圳）有限公司 | 智能交互方法、电子装置及存储介质 |
| CN108510364A (zh) * | 2018-03-30 | 2018-09-07 | 杭州法奈昇科技有限公司 | 基于声波纹身份识别的大数据智能导购系统 |
| CN108876526A (zh) * | 2018-06-06 | 2018-11-23 | 北京京东尚科信息技术有限公司 | 商品推荐方法、装置和计算机可读存储介质 |
| CN109165997A (zh) * | 2018-07-19 | 2019-01-08 | 阿里巴巴集团控股有限公司 | 一种线下购物推荐内容的生成方法及装置 |
| CN109992763A (zh) * | 2017-12-29 | 2019-07-09 | 北京京东尚科信息技术有限公司 | 语言标注处理方法、系统、电子设备及计算机可读介质 |
| CN110046221A (zh) * | 2019-03-01 | 2019-07-23 | 平安科技（深圳）有限公司 | 一种机器对话方法、装置、计算机设备及存储介质 |
| CN110096570A (zh) * | 2019-04-09 | 2019-08-06 | 苏宁易购集团股份有限公司 | 一种应用于智能客服机器人的意图识别方法及装置 |
| CN110097886A (zh) * | 2019-04-29 | 2019-08-06 | 贵州小爱机器人科技有限公司 | 意图识别方法及装置、存储介质、终端 |
-
2019
- 2019-08-13 CN CN201910743842.9A patent/CN112396481A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106354835A (zh) * | 2016-08-31 | 2017-01-25 | 上海交通大学 | 基于上下文语义理解的人工对话辅助系统 |
| CN107330120A (zh) * | 2017-07-14 | 2017-11-07 | 三角兽（北京）科技有限公司 | 询问应答方法、询问应答装置及计算机可读存储介质 |
| CN109992763A (zh) * | 2017-12-29 | 2019-07-09 | 北京京东尚科信息技术有限公司 | 语言标注处理方法、系统、电子设备及计算机可读介质 |
| CN108280368A (zh) * | 2018-01-22 | 2018-07-13 | 北京腾云天下科技有限公司 | 一种线上数据和线下数据的关联方法及计算设备 |
| CN108319585A (zh) * | 2018-01-29 | 2018-07-24 | 北京三快在线科技有限公司 | 数据处理方法及装置、电子设备、计算机可读介质 |
| CN108427722A (zh) * | 2018-02-09 | 2018-08-21 | 卫盈联信息技术（深圳）有限公司 | 智能交互方法、电子装置及存储介质 |
| CN108345692A (zh) * | 2018-03-16 | 2018-07-31 | 北京京东尚科信息技术有限公司 | 一种自动问答方法和系统 |
| CN108510364A (zh) * | 2018-03-30 | 2018-09-07 | 杭州法奈昇科技有限公司 | 基于声波纹身份识别的大数据智能导购系统 |
| CN108876526A (zh) * | 2018-06-06 | 2018-11-23 | 北京京东尚科信息技术有限公司 | 商品推荐方法、装置和计算机可读存储介质 |
| CN109165997A (zh) * | 2018-07-19 | 2019-01-08 | 阿里巴巴集团控股有限公司 | 一种线下购物推荐内容的生成方法及装置 |
| CN110046221A (zh) * | 2019-03-01 | 2019-07-23 | 平安科技（深圳）有限公司 | 一种机器对话方法、装置、计算机设备及存储介质 |
| CN110096570A (zh) * | 2019-04-09 | 2019-08-06 | 苏宁易购集团股份有限公司 | 一种应用于智能客服机器人的意图识别方法及装置 |
| CN110097886A (zh) * | 2019-04-29 | 2019-08-06 | 贵州小爱机器人科技有限公司 | 意图识别方法及装置、存储介质、终端 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11093992B2 (en) | Smart matching for real estate transactions | |
| US20210342658A1 (en) | Polysemant meaning learning and search result display | |
| CN111444428A (zh) | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 | |
| WO2017190610A1 (zh) | 目标用户定向方法、装置和计算机存储介质 | |
| US10922342B2 (en) | Schemaless systems and methods for automatically building and utilizing a chatbot knowledge base or the like | |
| US20180218427A1 (en) | Recommendation integrated online digital sales service chat system | |
| CN111429161B (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
| CN113239173B (zh) | 问答数据的处理方法、装置、存储介质与电子设备 | |
| CN113946754A (zh) | 基于用户画像的权益推荐方法、装置、设备及存储介质 | |
| Wang et al. | Webpage depth viewability prediction using deep sequential neural networks | |
| CN115659008A (zh) | 大数据信息反馈的信息推送系统、方法、电子设备及介质 | |
| CN111523315B (zh) | 数据处理方法、文本识别方法、装置及计算机设备 | |
| CN116205700A (zh) | 目标产品的推荐方法、装置、计算机设备和存储介质 | |
| CN113469752A (zh) | 内容推荐方法、装置、存储介质及电子设备 | |
| CN115222433A (zh) | 一种信息推荐方法、装置及存储介质 | |
| KR102546328B1 (ko) | 온라인 마케팅을 위한 콘텐츠 정보 모니터링 및 콘텐츠 기획 자동화 솔루션 제공 방법, 장치 및 시스템 | |
| CN117112775A (zh) | 自动填写输入表单以生成列表的技术 | |
| CN117057855A (zh) | 一种数据处理方法及相关装置 | |
| WO2023082864A1 (zh) | 内容推荐模型的训练方法、装置、设备及存储介质 | |
| US20230015090A1 (en) | Systems and Methods for Dynamically Classifying Products and Assessing Applicability of Product Regulations | |
| CN113377640B (zh) | 解释业务场景下模型的方法、介质、装置和计算设备 | |
| CN112396481A (zh) | 线下产品信息发送方法、系统、电子设备和存储介质 | |
| CN111507366B (zh) | 推荐概率模型的训练方法、智能补全方法及相关装置 | |
| CN111460122A (zh) | 基于深度学习的尺码识别方法与系统 | |
| CN113781149B (zh) | 信息推荐方法、装置、计算机可读存储介质及电子设备 |
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 |