CN112418333A - 酒类数据推送方法、装置、计算机设备和存储介质 - Google Patents
酒类数据推送方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112418333A CN112418333A CN202011349494.6A CN202011349494A CN112418333A CN 112418333 A CN112418333 A CN 112418333A CN 202011349494 A CN202011349494 A CN 202011349494A CN 112418333 A CN112418333 A CN 112418333A
- Authority
- CN
- China
- Prior art keywords
- information
- image
- wine
- user
- acquiring
- 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.)
- Withdrawn
Links
- 235000014101 wine Nutrition 0.000 title claims abstract description 213
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 42
- 238000004590 computer program Methods 0.000 claims description 24
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000013459 approach Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 235000013334 alcoholic beverage Nutrition 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000001476 alcoholic effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种酒类数据推送方法、装置、计算机设备和存储介质，该方法包括获取当前酒柜中的各酒类的第一图像；将各第一图像输入至卷积神经网络进行学习，获得各第一图像的类别信息；获取当前的场景信息；将各第一图像的类别信息和当前的场景信息输入至酒类匹配模型，基于酒类匹配模型得到当前的场景信息与第一图像的类别信息的对应关系；根据当前的场景信息与第一图像的类别信息的对应关系，推送第一图像对应的酒类标识。通过将第一图像输入至卷积神经网络，获得酒柜内的酒类的类别，根据场景与酒类的类别进行匹配，向用户推送与场景对应的酒类，实现了对用户智能的酒类推送。
Description
技术领域
本发明涉及商品推荐技术领域，特别涉及一种酒类数据推送方法、装置、计算机设备和存储介质。
背景技术
随着互联网时代的发展和大数据时代的到来，人们逐渐从信息过于匮乏的时代走入了信息过载的时代。为了让用户从海量的信息中高效地获取所需要的信息，推荐系统应运而生。推荐系统是通过数据挖掘算法和其他用户的消费偏好对比，进行用户的个性化推荐。推荐系统更多的部署在电商平台，进行精准营销。推荐系统不需要用户提供明确的需求，而是通过分析用户的历史行为来对用户的兴趣进行建模，从而主动给用户推荐可满足他们的兴趣和需求的信息。每个用户所得到的推荐信息都是与自己行为特征和兴趣有关的，而不是笼统的大众信息。推荐系统的主要任务就是联系用户和信息，它一方面帮助用户发现对自己有价值的信息，另一方面让信息能够展现在对它感兴趣的用户面前，从而实现信息消费者和信息生产者的双赢。基于大数据的推荐系统通过分析用户的历史记录了解用户的喜好，从而主动为用户推荐其感兴趣的信息，满足用户的个性化推荐需求。现如今，智能家居的热潮来袭，如何将推荐系统部署在一些智能家居单品上进行创新，变得愈来愈重要。
现在，人们的生活水准越来越高，在越来越重要的日子，人们往往会在家里自己烹饪，以招待到访的客人。在小康的家庭里，往往存放着各种各样的酒，在不同的场合利用不同的酒类招待客人往往会让主人思考良久。如何让主人能够从酒柜中众多的酒类中挑选出适合的酒，是目前智能家居需要解决的问题之一。
发明内容
基于此，有必要针对上述技术问题，提供一种酒类数据推送方法、装置、计算机设备和存储介质。
一种酒类数据推送方法，包括：
获取当前酒柜中的各酒类的第一图像；
将各所述第一图像输入至卷积神经网络进行学习，获得各所述第一图像的类别信息；
通过至少一种获取途径，获取当前的场景信息；
将各所述第一图像的类别信息和当前的所述场景信息输入至酒类匹配模型，基于所述酒类匹配模型得到当前的场景信息与所述第一图像的类别信息的对应关系；
根据当前的场景信息与所述第一图像的类别信息的对应关系，推送所述第一图像对应的酒类标识。
在其中一个实施例中，还包括获取预设数据源的酒类的第二图像；
所述将各所述第一图像输入至卷积神经网络进行学习，获得各所述第一图像的类别信息的步骤包括：
将所述预设数据源的酒类的第二图像和各所述第一图像输入至卷积神经网络进行学习，获得各所述第一图像的类别信息。
在其中一个实施例中，所述通过至少一种获取途径，获取当前的场景信息的步骤中的场景信息包括：用户信息、亲友信息、用户偏好信息和天气信息。
在其中一个实施例中，所述通过至少一种获取途径，获取当前的场景信息的步骤包括：
通过以下至少一种途径，获取所述场景信息：
获取用户输入的语音信息或文字信息，解析所述语音信息或所述文字信息，得到所述场景信息；
通过网络爬虫技术，获取天气信息，根据所述天气信息获取与所述天气信息匹配的所述场景信息；
获取用户信息和亲友信息，根据所述用户信息和所述亲友信息获取与所述用户信息对应的所述场景信息。
在其中一个实施例中，通过以下至少一种获取途径，获取当前的场景信息：
获取以下信息中的至少一种：
用户信息、亲友信息、用户偏好信息和天气信息；
将获取的用户信息、亲友信息、用户偏好信息和天气信息输入至场景匹配模型，得到当前的所述场景信息。
在其中一个实施例中，所述将各所述第一图像的类别信息和当前的所述场景信息输入至酒类匹配模型的步骤之前还包括：
获取多个用户的预设用户信息和预设场景信息，获取预设数据源的酒类的预设场景信息；
将多个用户的预设用户信息和预设场景信息、预设数据源的酒类的预设场景信息输入至卷积神经网络进行学习，获得所述酒类匹配模型。
在其中一个实施例中，所述根据当前的场景信息与所述第一图像的类别信息的对应关系，推送所述第一图像对应的酒类标识的步骤之后还包括：
获取用户选取的酒类标识；
检测用户选取的酒类标识与推送所述第一图像对应的酒类标识是否一致；
当用户选取的酒类标识与推送所述第一图像对应的酒类标识不一致时，根据用户选取的酒类标识修正所述酒类匹配模型。
一种酒类数据推送装置，包括：
第一图像获取模块，用于获取当前酒柜中的各酒类的第一图像；
第一类别信息模块，用于将各所述第一图像输入至卷积神经网络进行学习，获得各所述第一图像的类别信息；
场景信息获取模块，用于通过至少一种获取途径，获取当前的场景信息；
图像场景匹配模块，用于将各所述第一图像的类别信息和当前的所述场景信息输入至酒类匹配模型，基于所述酒类匹配模型得到当前的场景信息与所述第一图像的类别信息的对应关系；
酒类推送模块，用于根据当前的场景信息与所述第一图像的类别信息的对应关系，推送所述第一图像对应的酒类标识。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：
获取当前酒柜中的各酒类的第一图像；
将各所述第一图像输入至卷积神经网络进行学习，获得各所述第一图像的类别信息；
通过至少一种获取途径，获取当前的场景信息；
将各所述第一图像的类别信息和当前的所述场景信息输入至酒类匹配模型，基于所述酒类匹配模型得到当前的场景信息与所述第一图像的类别信息的对应关系；
根据当前的场景信息与所述第一图像的类别信息的对应关系，推送所述第一图像对应的酒类标识。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取当前酒柜中的各酒类的第一图像；
将各所述第一图像输入至卷积神经网络进行学习，获得各所述第一图像的类别信息；
通过至少一种获取途径，获取当前的场景信息；
将各所述第一图像的类别信息和当前的所述场景信息输入至酒类匹配模型，基于所述酒类匹配模型得到当前的场景信息与所述第一图像的类别信息的对应关系；
根据当前的场景信息与所述第一图像的类别信息的对应关系，推送所述第一图像对应的酒类标识。
上述酒类数据推送方法、装置、计算机设备和存储介质，通过将用户当前酒柜中的第一图像输入至卷积神经网络，进而获得酒柜内的酒类的类别，进一步根据用户对应的场景与酒类的类别进行匹配，向用户推送与场景对应的酒类，从而实现了对用户智能的酒类推送，使得酒类选择更为适宜当前的场景，且选择更为快速、便捷。
附图说明
图1为一个实施例中酒类数据推送方法的流程示意图；
图2为一个实施例中酒类数据推送装置的结构框图；
图3为一个实施例中计算机设备的内部结构图；
图4为一个实施例中的智慧酒柜的智能分类整理过程的逻辑示意图；
图5为一个实施例中的智慧酒柜的推荐过程的逻辑示意图；
图6为一个实施例中智慧酒柜的数据处理过程的逻辑示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
实施例一
本实施例中，如图1所示，提供了一种酒类数据推送方法，其包括：
步骤110，获取当前酒柜中的各酒类的第一图像。
具体地，酒柜为用户家居中的酒柜，该用户为家居的主人。该第一图像为酒柜中的各酒类的酒瓶的图像。一个实施例中，通过酒柜内置摄像头拍摄各酒瓶的图像，获得第一图像。一个实施例中，在酒瓶放入酒柜前，通过摄像头拍摄酒瓶的图像，获得第一图像，并且保存第一图像。这样，在每个酒瓶进入酒柜，都可以记录该酒瓶的图像，从而形成该酒柜的酒类图像数据库。一个实施例中，当酒柜的酒瓶被取出后，在当前酒柜的酒类图像数据库中，删除对应的酒瓶的图像。本实施例中，通过读取当前酒柜的酒类图像数据库，获得酒柜中各酒类的第一图像。
步骤120，将各所述第一图像输入至卷积神经网络进行学习，获得各所述第一图像的类别信息。
具体地，该卷积神经网络用于对输入的各第一图像进行分类，从而得到酒柜中的各酒类的类别信息，该类别信息即酒柜中的酒的分类、类别。
卷积神经网络常用于影像数据的分析处理，故在本步骤对第一图像分类过程中采用该算法。卷积神经网络主要应用于图像分类、目标检测和语义分割。在这个场景中，该算法就是用来解决图像分类的。这样，通过将酒柜内的各酒瓶的第一图像输入至该卷积神经网络，即可得到酒柜中各酒类的类别。
步骤130，通过至少一种获取途径，获取当前的场景信息。
本实施例中，该场景信息为用户招待客人的场景，该场景信息可以包括当前的环境、客人的喜好、用户的喜好、用户当前用餐类型等信息，比如，当前的环境为当前的天气。通过获得当前的场景信息，能够获取与当前场景信息匹配的酒类。
步骤140，将各所述第一图像的类别信息和当前的所述场景信息输入至酒类匹配模型，基于所述酒类匹配模型得到当前的场景信息与所述第一图像的类别信息的对应关系。
具体地，该酒类匹配模型也可称为酒类推荐引擎，该酒类匹配模型中记录了多个场景信息与多个酒类图像，该酒类匹配模型中记录的多个场景信息为历史用户或者其他的多个用户在不同场景下的场景信息，酒类匹配模型中记录的多个酒类图像为历史用户或者其他的多个用户在在该场景下选择的酒类的酒类图像，并且该酒类匹配模型记录了多个场景信息与多个酒类图像的对应关系。应该理解的是，在不同场景下，用户选择的酒类不同，通过场景信息和酒类图像的大数据记录，通过机器学习，即可得到包含多个场景信息与多个酒类图像的对应关系的酒类匹配模型。
本步骤中，通过将获取各所述第一图像的类别信息和当前的所述场景信息输入至酒类匹配模型，该酒类匹配模型可输出与该场景信息对应的第一图像的类别信息。
步骤150，根据当前的场景信息与所述第一图像的类别信息的对应关系，推送所述第一图像对应的酒类标识。
本步骤中，通过当前的场景信息，以及当前的场景信息与所述第一图像的类别信息的对应关系，即可确定与当前的场景信息对应第一图像的类别信息，将确定的第一图像对应的酒类标识推送给用户。该酒类标识为用于区分酒类的标识，比如，该酒类标识为酒类的名称，比如，该酒类标识为酒类的图像，比如，该酒类标识为酒类在酒柜中的编号、编码。通过将第一图像对应的酒类标识推送给用户，使得用户能够快捷方便地选择酒类，提高了用户感知。
上述实施例中，通过将用户当前酒柜中的第一图像输入至卷积神经网络，进而获得酒柜内的酒类的类别，进一步根据用户对应的场景与酒类的类别进行匹配，向用户推送与场景对应的酒类，从而实现了对用户智能的酒类推送，使得酒类选择更为适宜当前的场景，且选择更为快速、便捷。
在一个实施例中，酒类数据推送方法还包括获取预设数据源的酒类的第二图像；所述将各所述第一图像输入至卷积神经网络进行学习，获得各所述第一图像的类别信息的步骤包括：将所述预设数据源的酒类的第二图像和各所述第一图像输入至卷积神经网络进行学习，获得各所述第一图像的类别信息。
本实施例中，预设数据源为存储了大量酒类图像的数据源，该预设数据源可以是网络中的各酒类的图像的图像库，也可以是销售平台的图像的图像的图像库，也可以是大数据平台云端所拥有的酒类图像库。应该理解的是，预设数据源的第二图像为预先分类的图像，即每一第二图像都有明确的酒类类别，对应一酒类信息。一个实施例是，获取预设数据源的酒类的第二图像，并获取预设数据源的酒类的第二图像的类别信息，将所述预设数据源的酒类的第二图像以及类别信息和各所述第一图像输入至卷积神经网络进行学习，获得各所述第一图像的类别信息。本实施例中获取用户个人酒柜所有酒的图像，利用云端的酒类图片库，利用卷积神经网络模型对相应酒进行分类，然后自动化整理用户的个人酒柜。
因此，通过将获取的酒柜中的各第一图像输入至预设数据源的酒类的第二图像输入至卷积神经网络进行学习，使得卷积神经网络进行学习能够进行图像对比、分类，根据预设数据源的酒类的第二图像的类别信息，对各所述第一图像进行分类，即可获得各所述第一图像的类别信息。
在一个实施例中，所述通过至少一种获取途径，获取当前的场景信息的步骤中的场景信息包括：用户信息、亲友信息、用户偏好信息和天气信息。
在一个实施例中，所述通过至少一种获取途径，获取当前的场景信息的步骤包括：通过以下至少一种途径，获取所述场景信息：
获取用户输入的语音信息或文字信息，解析所述语音信息或所述文字信息，得到所述场景信息；通过网络爬虫技术，获取天气信息，根据所述天气信息获取与所述天气信息匹配的所述场景信息；获取用户信息和亲友信息，根据所述用户信息和所述亲友信息获取与所述用户信息对应的所述场景信息。
本实施例中，可以通过多种途径获取场景信息，并且通过不同的获取途径获取的场景信息不同。这些场景信息包括用户信息、亲友信息、用户偏好信息和天气信息。其中，用户信息为用户的基本信息，包括用户的年龄、职业、性别、工作类型、居住地、祖籍地等信息，亲友信息包括亲人、亲戚信息和好友信息，亲人信息和好友信息包括亲人或好友的年龄、职业、性别、工作类型、居住地、祖籍地等信息，通过用户信息和亲友信息，能够获知匹配与其年龄、职业、性别、工作类型、居住地、祖籍地相关的消费习惯或者饮食习惯，进而能够精确匹配场景。用户偏好信息为用户的口味的偏好信息，该用户偏好信息可以是用户预先输入，也可以是用户在当前输入的。天气信息为当前酒柜或者用户所在地的天气的信息，该天气信息可以访问网络或者采用网络爬虫技术获取。通过上述的信息，从而获取与上述信息对应的场景信息。
应该理解的是，上述信息，可以是用户输入，也可以是读取获得，用户输入的方式可以是语音输入或者文字输入，根据对语音输入或者文字输入的解析，获得上述信息。
在一个实施例中，通过以下至少一种获取途径，获取当前的场景信息：获取以下信息中的至少一种：用户信息、亲友信息、用户偏好信息和天气信息；将获取的用户信息、亲友信息、用户偏好信息和天气信息输入至场景匹配模型，得到当前的所述场景信息。
本实施例中，场景匹配模型为预先训练获得的模型，该场景匹配模型为通过大量的用户信息、亲友信息、用户偏好信息和天气信息，以及这些信息的对应关系在神经网络中学习，获得的模型。一个实施例是，还包括预先训练得到场景匹配模型的步骤：获取多个用户或者历史用户的用户信息、亲友信息、用户偏好信息和天气信息，以及用户信息、亲友信息、用户偏好信息和天气信息与场景的对应关系，将用户信息、亲友信息、用户偏好信息和天气信息以及用户信息、亲友信息、用户偏好信息和天气信息与场景的对应关系输入至神经网络进行训练，得到场景匹配模型，该场景匹配模型能够对输入的信息进行匹配，找到与该输入信息匹配的场景的场景信息。这样，通过获取用户信息、亲友信息、用户偏好信息和天气信息的至少一种，并且输入至场景匹配模型，即可匹配到与输入的用户信息、亲友信息、用户偏好信息和天气信息对应的场景信息。使得匹配得到的场景信息能够更为适配用户当前的用餐场景。
在一个实施例中，所述将各所述第一图像的类别信息和当前的所述场景信息输入至酒类匹配模型的步骤之前还包括：获取多个用户的预设用户信息和预设场景信息，获取预设数据源的酒类的预设场景信息；将多个用户的预设用户信息和预设场景信息、预设数据源的酒类的预设场景信息输入至卷积神经网络进行学习，获得所述酒类匹配模型。
本实施例中，预先构建酒类匹配模型。具体地，在本实施例中，预先存储大量的用户的的预设用户信息和预设场景信息，这些用户的预设用户信息和预设场景信息可以是历史使用的用户的信息，也可以是当前用户累计操作的形成的操作记录。该预设数据源的酒类的预设场景信息为历史用户的场景信息以及当前用户历史操作对应的场景信息。通过将多个用户的预设用户信息和预设场景信息、预设数据源的酒类的预设场景信息输入至卷积神经网络，即可得到能够关联预设用户信息、预设场景信息、预设数据源的酒类的预设场景信息的酒类匹配模型。这样，用户在输入第一图像的类别信息和当前的所述场景信息后，酒类匹配模型即可输入与场景信息匹配的第一图像。
在一个实施例中，所述根据当前的场景信息与所述第一图像的类别信息的对应关系，推送所述第一图像对应的酒类标识的步骤之后还包括：获取用户选取的酒类标识；检测用户选取的酒类标识与推送所述第一图像对应的酒类标识是否一致；当用户选取的酒类标识与推送所述第一图像对应的酒类标识不一致时，根据用户选取的酒类标识修正所述酒类匹配模型。
本实施例中，当用户选取的酒类并非推送的酒类时，表明推送的酒类与用户当前的用餐场景或者偏好有偏差，因此，根据用户选取的酒类更新用户偏好信息，进而修正酒类匹配模型，以使得后续推送更为精确。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
实施例二
本实施例中，提供一种能够实现酒类数据推送方法的智慧酒柜，该智能酒柜中可以是下述实施例中的计算机设备。
本实施例中，智慧酒柜是立足于云端积累的用户的基本信息数据库以及其好友圈的基本信息数据库、用户偏好分析数据库、天气温度数据库以及各种酒类的云端图片库，提出了基于大数据平台和现实场景进行酒类推荐。智慧酒柜的解决方案主要解决用户在招待客人的酒类推荐。
如图4至图6所示，智能酒柜主要分为三个部分：智能分类整理系统、用户搜索引擎和推荐系统。智能分类整理系统主要是利用用户目前所拥有的所有酒类数据库和大数据平台云端所拥有的酒类图片库，基于深度学习算法-图像识别，将酒柜中所有酒进行分类，然后进行自动化整理。进行自动化处理后的酒柜分类有序。用户搜索引擎主要是利用云端积累的好友圈的基本信息库、亲人圈的基本信息库、用户偏好分析数据库、天气气温数据库构建一个搜索引擎，方便客户输入所要招待的客人标签，以获取对应场景所适合的酒。简而言之，智慧酒柜可以有效地对用户已有的所有酒进行智能化归类整理，并把用户已有的酒类型上传到云端数据库，建立相关搜索引擎，通过用户的所招待客人的客人标签和现实场景，进行相关酒类推荐。
智慧酒柜的实现首先需要大量的数据构建云端数据库：用户基本信息数据库、好友圈的基本信息库、亲人圈的基本信息库、用户偏好分析数据库、天气气温数据库以及各种酒类的云端数据库等。而数据的获取可以通过网络爬虫技术获取，利用脚本自动化收集数据可以提高收集数据效率，构建云端大数据平台的效率。
这里的用户信息、好友信息是基于用户使用该智慧酒柜需要用户提供的一些信息。比如，通过浏览器收集用户个人信息数据，收集用户偏好：比如喜欢哪方面的内容，是电影、还是明星亦或者是体育。相类似，智慧酒柜的原理一样，为了要精准推荐，所有尽可能需要用户主动输入这些类型信息以方便后期推荐引擎的构建。而天气气温数据库和偏好分析数据稍显不同，天气气温数据库是根据产品所在地区，利用天气网站的数据接口，获取的天气气温数据。用户偏好分析数据库：除了前期用户的主动输入，还有当推荐不合适时候，用户拿出自己觉得合适的酒类去招待客人的时候，系统会记录用户的行为，从而修正推荐引擎，提高之后的推荐的准确度。
如图6所示，智能酒柜主要分为三个部分：智能分类整理系统、用户搜索引擎和推荐系统。智能分类整理系统主要是利用用户目前所拥有的酒类图片库和大数据平台云端所拥有的酒类图片库，基于深度学习算法-图像识别，将酒柜中所有酒进行分类，然后进行自动化整理。进行自动化处理后的酒柜分类有序。用户搜索引擎主要是利用云端积累的用户基本信息数据库、云端酒类适应场景的数据库、智能分类的后的用户的酒类数据库和季节气温数据库构建一个搜索引擎方便用户输入想要招待客人的客人标签以及现实场景，以获取相应场景对应的酒类推荐。
智能分类整理系统中可以采用的深度学习算法：卷积神经网络模型(Convolutional Neural Networks，CNN)。卷积神经网络常用于影像数据的分析处理，故在智能分类整理系统中就采用该算法。卷积神经网络主要应用于图像分类、目标检测和语义分割。在这个场景中，该算法就是用来解决图像分类的。智能分类整理系统的操作步骤就是：获取用户个人酒柜所有酒的图像，利用云端的酒类图片库，利用卷积神经网络模型对相应酒进行分类，然后自动化整理用户的个人酒柜。
用户搜索引擎是基于多个云端数据库构建的一个关于客人标签以及现实场景的搜索引擎，用户可以根据输入客人标签以及现实场景，搜索引擎可以反馈给用户相应场景的酒类推荐。
推荐引擎主要有以下三类：基于人口统计学的推荐、基于内容的推荐、基于协同过滤的推荐。基于人口统计学的推荐：根据系统用户的基本信息发现用户的相关程度。基于内容的推荐：根据推荐物品或内容的元数据，发现物品和内容的相关性。基于协同过滤的推荐：根据用户对物品或者信息的偏好，发现物品或者内容本身的相关性，或者是发现用户的相关性。为了让用户拥有更多的推荐选择，在推荐系统采用的机制上用混合推荐机制。在混合推荐机制中，考虑分区的混合。分区的混合就是采用多种推荐机制，并将不同的推荐结果分不同的区显示给用户。这种推荐机制能大大减少用户在款待客人方面关于使用酒类的思考。
实施例三
本实施例中，如图2所示，提供一种酒类数据推送装置，包括：
第一图像获取模块210，用于获取当前酒柜中的各酒类的第一图像；
第一类别信息模块220，用于将各所述第一图像输入至卷积神经网络进行学习，获得各所述第一图像的类别信息；
场景信息获取模块230，用于通过至少一种获取途径，获取当前的场景信息；
图像场景匹配模块240，用于将各所述第一图像的类别信息和当前的所述场景信息输入至酒类匹配模型，基于所述酒类匹配模型得到当前的场景信息与所述第一图像的类别信息的对应关系；
酒类推送模块250，用于根据当前的场景信息与所述第一图像的类别信息的对应关系，推送所述第一图像对应的酒类标识。
在一个实施例中，所述装置还包括：
第二图像获取模块，用于获取预设数据源的酒类的第二图像；
所述第一类别信息模块还用于将所述预设数据源的酒类的第二图像和各所述第一图像输入至卷积神经网络进行学习，获得各所述第一图像的类别信息。
在一个实施例中，场景信息包括：用户信息、亲友信息、用户偏好信息和天气信息。
在一个实施例中，所述场景信息获取模块用于通过以下至少一种途径，获取所述场景信息：
获取用户输入的语音信息或文字信息，解析所述语音信息或所述文字信息，得到所述场景信息；
通过网络爬虫技术，获取天气信息，根据所述天气信息获取与所述天气信息匹配的所述场景信息；
获取用户信息和亲友信息，根据所述用户信息和所述亲友信息获取与所述用户信息对应的所述场景信息。
在一个实施例中，所述场景信息获取模块包括：
信息获取单元，用于获取以下信息中的至少一种：用户信息、亲友信息、用户偏好信息和天气信息；
场景匹配单元，用于将获取的用户信息、亲友信息、用户偏好信息和天气信息输入至场景匹配模型，得到当前的所述场景信息。
在一个实施例中，所述装置还包括：
预设场景获取模块，用于获取多个用户的预设用户信息和预设场景信息，获取预设数据源的酒类的预设场景信息；
匹配模型生成模块，用于将多个用户的预设用户信息和预设场景信息、预设数据源的酒类的预设场景信息输入至卷积神经网络进行学习，获得所述酒类匹配模型。
在一个实施例中，所述装置还包括：
酒类标识选取模块，用于获取用户选取的酒类标识；
标识一致检测模块，用于检测用户选取的酒类标识与推送所述第一图像对应的酒类标识是否一致；
模型修正模块，用于当用户选取的酒类标识与推送所述第一图像对应的酒类标识不一致时，根据用户选取的酒类标识修正所述酒类匹配模型。
关于酒类数据推送装置的具体限定可以参见上文中对于酒类数据推送方法的限定，在此不再赘述。上述酒类数据推送装置中的各个单元可全部或部分通过软件、硬件及其组合来实现。上述各单元可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个单元对应的操作。
实施例四
本实施例中，提供了计算机设备。其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序，且该非易失性存储介质部署有数据库，该数据库用于存储用户行为数据和用户画像。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与部署了应用软件的其他计算机设备通信。该计算机程序被处理器执行时以实现一种酒类数据推送方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取当前酒柜中的各酒类的第一图像；
将各所述第一图像输入至卷积神经网络进行学习，获得各所述第一图像的类别信息；
通过至少一种获取途径，获取当前的场景信息；
将各所述第一图像的类别信息和当前的所述场景信息输入至酒类匹配模型，基于所述酒类匹配模型得到当前的场景信息与所述第一图像的类别信息的对应关系；
根据当前的场景信息与所述第一图像的类别信息的对应关系，推送所述第一图像对应的酒类标识。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取预设数据源的酒类的第二图像；
将所述预设数据源的酒类的第二图像和各所述第一图像输入至卷积神经网络进行学习，获得各所述第一图像的类别信息。
在一个实施例中，场景信息包括：用户信息、亲友信息、用户偏好信息和天气信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
通过以下至少一种途径，获取所述场景信息：
获取用户输入的语音信息或文字信息，解析所述语音信息或所述文字信息，得到所述场景信息；
通过网络爬虫技术，获取天气信息，根据所述天气信息获取与所述天气信息匹配的所述场景信息；
获取用户信息和亲友信息，根据所述用户信息和所述亲友信息获取与所述用户信息对应的所述场景信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取以下信息中的至少一种：
用户信息、亲友信息、用户偏好信息和天气信息；
将获取的用户信息、亲友信息、用户偏好信息和天气信息输入至场景匹配模型，得到当前的所述场景信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取多个用户的预设用户信息和预设场景信息，获取预设数据源的酒类的预设场景信息；
将多个用户的预设用户信息和预设场景信息、预设数据源的酒类的预设场景信息输入至卷积神经网络进行学习，获得所述酒类匹配模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取用户选取的酒类标识；
检测用户选取的酒类标识与推送所述第一图像对应的酒类标识是否一致；
当用户选取的酒类标识与推送所述第一图像对应的酒类标识不一致时，根据用户选取的酒类标识修正所述酒类匹配模型。
实施例五
本实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取当前酒柜中的各酒类的第一图像；
将各所述第一图像输入至卷积神经网络进行学习，获得各所述第一图像的类别信息；
通过至少一种获取途径，获取当前的场景信息；
将各所述第一图像的类别信息和当前的所述场景信息输入至酒类匹配模型，基于所述酒类匹配模型得到当前的场景信息与所述第一图像的类别信息的对应关系；
根据当前的场景信息与所述第一图像的类别信息的对应关系，推送所述第一图像对应的酒类标识。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取预设数据源的酒类的第二图像；
将所述预设数据源的酒类的第二图像和各所述第一图像输入至卷积神经网络进行学习，获得各所述第一图像的类别信息。
在一个实施例中，场景信息包括：用户信息、亲友信息、用户偏好信息和天气信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
通过以下至少一种途径，获取所述场景信息：
获取用户输入的语音信息或文字信息，解析所述语音信息或所述文字信息，得到所述场景信息；
通过网络爬虫技术，获取天气信息，根据所述天气信息获取与所述天气信息匹配的所述场景信息；
获取用户信息和亲友信息，根据所述用户信息和所述亲友信息获取与所述用户信息对应的所述场景信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取以下信息中的至少一种：
用户信息、亲友信息、用户偏好信息和天气信息；
将获取的用户信息、亲友信息、用户偏好信息和天气信息输入至场景匹配模型，得到当前的所述场景信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取多个用户的预设用户信息和预设场景信息，获取预设数据源的酒类的预设场景信息；
将多个用户的预设用户信息和预设场景信息、预设数据源的酒类的预设场景信息输入至卷积神经网络进行学习，获得所述酒类匹配模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取用户选取的酒类标识；
检测用户选取的酒类标识与推送所述第一图像对应的酒类标识是否一致；
当用户选取的酒类标识与推送所述第一图像对应的酒类标识不一致时，根据用户选取的酒类标识修正所述酒类匹配模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种酒类数据推送方法，其特征在于，包括：
获取当前酒柜中的各酒类的第一图像；
将各所述第一图像输入至卷积神经网络进行学习，获得各所述第一图像的类别信息；
通过至少一种获取途径，获取当前的场景信息；
将各所述第一图像的类别信息和当前的所述场景信息输入至酒类匹配模型，基于所述酒类匹配模型得到当前的场景信息与所述第一图像的类别信息的对应关系；
根据当前的场景信息与所述第一图像的类别信息的对应关系，推送所述第一图像对应的酒类标识。
2.根据权利要求1所述的方法，其特征在于，还包括获取预设数据源的酒类的第二图像；
所述将各所述第一图像输入至卷积神经网络进行学习，获得各所述第一图像的类别信息的步骤包括：
将所述预设数据源的酒类的第二图像和各所述第一图像输入至卷积神经网络进行学习，获得各所述第一图像的类别信息。
3.根据权利要求1所述的方法，其特征在于，所述通过至少一种获取途径，获取当前的场景信息的步骤中的场景信息包括：用户信息、亲友信息、用户偏好信息和天气信息。
4.根据权利要求3所述的方法，其特征在于，所述通过至少一种获取途径，获取当前的场景信息的步骤包括：
通过以下至少一种途径，获取所述场景信息：
获取用户输入的语音信息或文字信息，解析所述语音信息或所述文字信息，得到所述场景信息；
通过网络爬虫技术，获取天气信息，根据所述天气信息获取与所述天气信息匹配的所述场景信息；
获取用户信息和亲友信息，根据所述用户信息和所述亲友信息获取与所述用户信息对应的所述场景信息。
5.根据权利要求3所述的方法，其特征在于，通过以下至少一种获取途径，获取当前的场景信息：
获取以下信息中的至少一种：
用户信息、亲友信息、用户偏好信息和天气信息；
将获取的用户信息、亲友信息、用户偏好信息和天气信息输入至场景匹配模型，得到当前的所述场景信息。
6.根据权利要求1-5任一项中所述的方法，其特征在于，所述将各所述第一图像的类别信息和当前的所述场景信息输入至酒类匹配模型的步骤之前还包括：
获取多个用户的预设用户信息和预设场景信息，获取预设数据源的酒类的预设场景信息；
将多个用户的预设用户信息和预设场景信息、预设数据源的酒类的预设场景信息输入至卷积神经网络进行学习，获得所述酒类匹配模型。
7.根据权利要求6所述的方法，其特征在于，所述根据当前的场景信息与所述第一图像的类别信息的对应关系，推送所述第一图像对应的酒类标识的步骤之后还包括：
获取用户选取的酒类标识；
检测用户选取的酒类标识与推送所述第一图像对应的酒类标识是否一致；
当用户选取的酒类标识与推送所述第一图像对应的酒类标识不一致时，根据用户选取的酒类标识修正所述酒类匹配模型。
8.一种酒类数据推送装置，其特征在于，包括：
第一图像获取模块，用于获取当前酒柜中的各酒类的第一图像；
第一类别信息模块，用于将各所述第一图像输入至卷积神经网络进行学习，获得各所述第一图像的类别信息；
场景信息获取模块，用于通过至少一种获取途径，获取当前的场景信息；
图像场景匹配模块，用于将各所述第一图像的类别信息和当前的所述场景信息输入至酒类匹配模型，基于所述酒类匹配模型得到当前的场景信息与所述第一图像的类别信息的对应关系；
酒类推送模块，用于根据当前的场景信息与所述第一图像的类别信息的对应关系，推送所述第一图像对应的酒类标识。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011349494.6A CN112418333A (zh) | 2020-11-26 | 2020-11-26 | 酒类数据推送方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011349494.6A CN112418333A (zh) | 2020-11-26 | 2020-11-26 | 酒类数据推送方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112418333A true CN112418333A (zh) | 2021-02-26 |
Family
ID=74842947
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011349494.6A Withdrawn CN112418333A (zh) | 2020-11-26 | 2020-11-26 | 酒类数据推送方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112418333A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113010760A (zh) * | 2021-03-26 | 2021-06-22 | 青岛九石智能科技股份有限公司 | 用于选酒的方法、装置和智能酒柜 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110021402A (zh) * | 2017-09-21 | 2019-07-16 | 宁波方太厨具有限公司 | 一种基于图像识别的菜谱推荐方法及菜谱推荐系统 |
| CN110084392A (zh) * | 2019-05-05 | 2019-08-02 | 马璐 | 一种宴席定制服务系统、方法及介质 |
| US20190273788A1 (en) * | 2016-11-30 | 2019-09-05 | Alibaba Group Holding Limited | Information presentation method and apparatus |
| CN110634552A (zh) * | 2019-09-19 | 2019-12-31 | 青岛海尔科技有限公司 | 基于物联网操作系统的食谱推送方法和装置 |
-
2020
- 2020-11-26 CN CN202011349494.6A patent/CN112418333A/zh not_active Withdrawn
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190273788A1 (en) * | 2016-11-30 | 2019-09-05 | Alibaba Group Holding Limited | Information presentation method and apparatus |
| CN110021402A (zh) * | 2017-09-21 | 2019-07-16 | 宁波方太厨具有限公司 | 一种基于图像识别的菜谱推荐方法及菜谱推荐系统 |
| CN110084392A (zh) * | 2019-05-05 | 2019-08-02 | 马璐 | 一种宴席定制服务系统、方法及介质 |
| CN110634552A (zh) * | 2019-09-19 | 2019-12-31 | 青岛海尔科技有限公司 | 基于物联网操作系统的食谱推送方法和装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113010760A (zh) * | 2021-03-26 | 2021-06-22 | 青岛九石智能科技股份有限公司 | 用于选酒的方法、装置和智能酒柜 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210398183A1 (en) | Systems and methods for deep learning model based product matching using multi modal data | |
| CN111784455B (zh) | 一种物品推荐方法及推荐设备 | |
| CN108874992B (zh) | 舆情分析方法、系统、计算机设备和存储介质 | |
| US10366119B2 (en) | Customized content stream utilizing dwelltime-based machine learning | |
| US10728203B2 (en) | Method and system for classifying a question | |
| CN108228873B (zh) | 对象推荐、发布内容推送方法、装置、存储介质和设备 | |
| CN104834729B (zh) | 题目推荐方法和题目推荐装置 | |
| US10180979B2 (en) | System and method for generating suggestions by a search engine in response to search queries | |
| CN109582876B (zh) | 旅游行业用户画像构造方法、装置和计算机设备 | |
| CN111898031B (zh) | 一种获得用户画像的方法及装置 | |
| CN110532479A (zh) | 一种信息推荐方法、装置及设备 | |
| CN110019943B (zh) | 视频推荐方法、装置、电子设备和存储介质 | |
| KR102227552B1 (ko) | 상황인지 알고리즘 기반 리뷰 카테고리를 이용한 음식점 노출 개인화 서비스 제공 시스템 | |
| CN110580278B (zh) | 根据用户画像的个性化搜索方法、系统、设备及存储介质 | |
| US20230214895A1 (en) | Methods and systems for product discovery in user generated content | |
| CN105446972A (zh) | 基于及融合用户关系数据的搜索方法、装置和系统 | |
| US20220245706A1 (en) | Methods and apparatuses for providing search results using embedding-based retrieval | |
| US10387432B2 (en) | Methods, systems and techniques for ranking blended content retrieved from multiple disparate content sources | |
| CN109886772A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
| US11727051B2 (en) | Personalized image recommendations for areas of interest | |
| CN112632296B (zh) | 基于知识图谱具有可解释性的论文推荐方法及系统、终端 | |
| CN112488781A (zh) | 搜索推荐方法、装置、电子设备及可读存储介质 | |
| US11514123B2 (en) | Information retrieval system, method and computer program product | |
| US10601747B2 (en) | Method and system for dynamically generating a card | |
| US20170098168A1 (en) | Method and system for providing synthetic answers to a personal question |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210226 |
|
| WW01 | Invention patent application withdrawn after publication |