CN112613950B - 品类识别模型训练方法、品类识别方法及相关设备 - Google Patents

品类识别模型训练方法、品类识别方法及相关设备 Download PDF

Info

Publication number
CN112613950B
CN112613950B CN202011584235.1A CN202011584235A CN112613950B CN 112613950 B CN112613950 B CN 112613950B CN 202011584235 A CN202011584235 A CN 202011584235A CN 112613950 B CN112613950 B CN 112613950B
Authority
CN
China
Prior art keywords
product
class identification
class
picture
category
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.)
Active
Application number
CN202011584235.1A
Other languages
English (en)
Other versions
CN112613950A (zh
Inventor
唐剑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Xunmeng Information Technology Co Ltd
Original Assignee
Shanghai Xunmeng Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Xunmeng Information Technology Co Ltd filed Critical Shanghai Xunmeng Information Technology Co Ltd
Priority to CN202011584235.1A priority Critical patent/CN112613950B/zh
Publication of CN112613950A publication Critical patent/CN112613950A/zh
Application granted granted Critical
Publication of CN112613950B publication Critical patent/CN112613950B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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]
    • G06Q30/0623—Item investigation
    • G06Q30/0625—Directed, with specific intent or strategy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06Q30/0635—Processing of requisition or of purchase orders
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Abstract

本发明提供一种品类识别模型训练方法、品类识别方法及相关设备，品类识别模型训练方法包括：对于关联产地的产品，基于产品与发货地的对应关系，获取各订单的产品属性选项；对于未关联产地的产品，获取该产品的产品属性选项；获取对应各产品属性选项的产品链接中的产品图片；将所述产品属性选项指示的产品品类以及所述产品图片关联以作为样本集；采用所述样本集训练品类识别模型。本发明训练品类识别模型，从而在电商平台实现产品的品类识别，且提高品类识别准确率。

Description

品类识别模型训练方法、品类识别方法及相关设备
技术领域
本发明涉及计算机应用领域，尤其涉及一种品类识别模型训练方法、品类识别方法及相关设备。
背景技术
目前，用户在进行线上购物时，往往希望能够获知其具体的品类。例如，当选购辣椒时，用户需要获知辣椒的品类为二荆条、小米辣、朝天椒等。然而，当辣椒产品上线供用户购买时，往往不一定会提供其具体品类，或者具体品类并不显示在醒目的位置，从而用户难以根据产品介绍来获知其具体的品类。然而，不同品类的产品的差异可能较大，例如部分品类的辣椒偏辣，部分品类的辣椒偏甜。当用户无法获知产品品类时，很难能够购买到合适的产品。
现有的产品类型识别技术，通常直接采用产品的实物进行图像识别。然而，对于电商平台而言，由于涉及到的产品的类型过多，且电商平台自身不上线产品，因此没有对各产品的类型进行一一检测的条件。另外，电商平台中，商品的图像往往是经过处理的(诸如经由photoshop等图像处理软件进行处理优化)，其与实物有一定的差别。从而，在电商平台上仅仅基于商品实物来进行训练的模型，对产品的图像来进行识别，判断的准确率较低。
由此，如何训练品类识别模型，从而在电商平台实现产品的品类识别，且提高品类识别准确率，是本领域亟待解决的技术问题。
发明内容
本发明为了克服上述相关技术存在的缺陷，提供一种提供产品分装信息的方法、装置、电子设备以及存储介质，进而训练品类识别模型，从而在电商平台实现产品的品类识别，且提高品类识别准确率。
根据本发明的一个方面，提供一种品类识别模型训练方法，包括：
对于关联产地的产品，基于产品与发货地的对应关系，获取各订单的产品属性选项；
对于未关联产地的产品，获取该产品的产品属性选项；
获取对应各产品属性选项的产品链接中的产品图片；
将所述产品属性选项指示的产品品类以及所述产品图片关联以作为样本集；
采用所述样本集训练品类识别模型。
在本发明的一些实施例中，所述对于关联产地的产品，基于产品与发货地的对应关系，获取各订单的产品属性选项包括：
基于产品获取对应的设定地址级别的发货地；
获取发货地址属于所述发货地的各订单；
获取各订单的产品属性选项。
在本发明的一些实施例中，所述产品与发货地的对应关系根据如下方式生成：
获取订单包含所述产品的产品品类的多个商家的物流数据；
根据所述物流数据获取该多个商家的发货地址；
自所述发货地址中，提取设定地址级别的字段，以作为所述发货地。
在本发明的一些实施例中，所述对于未关联产地的产品，获取该产品的产品属性选项包括：
对该产品的产品属性选项进行语义识别，获得语义识别结果；
根据所述语义识别结果，判断该产品的产品属性选项是否有且仅包含一个产品品类的名称；
若是，则将该产品的产品属性选项用作所述样本集；
若否，则不将该产品的产品属性选项用作所述样本集。
在本发明的一些实施例中，所述获取对应各产品属性选项的产品链接中的产品图片包括：
获取对应各产品属性选项的产品链接中的多个候选图片；
基于一图像识别算法，自多个候选图片中提取产品图片。
在本发明的一些实施例中，所述品类识别模型为遗传算法和/或BP神经网络算法。
在本发明的一些实施例中，所述品类识别模型包括级联的遗传算法以及BP神经网络算法，其中，所述遗传算法用于提取所述产品图片的特征，所述BP神经网络算法以所述遗传算法提取的所述产品图片的特征为输入，进行品类识别。
根据本发明的又一方面，还提供一种品类识别方法，包括：
响应于用户端或商家端的品类识别请求，获取所述用户端或商家端发送的待识别图片；
将所述待识别图像输入如上所述的品类识别模型训练方法训练获得的品类识别模型；
将所述品类识别模型的输出作为所述待识别图片的品类识别结果。
在本发明的一些实施例中，所述将所述品类识别模型的输出作为所述待识别图片的品类识别结果之后，还包括：
接收所述用户端或商家端的品类识别结果的反馈，对所述品类识别模型进行迭代训练。
根据本发明的又一方面，还提供一种品类识别方法，包括：
获取待识别产品的产品属性选项的产品链接中的产品图片；
将所述产品图片输入如上所述的品类识别模型训练方法训练获得的品类识别模型；
将所述品类识别模型的输出作为所述产品图片的品类识别结果。
在本发明的一些实施例中，还包括：
提供所述待识别产品的产品介绍页面，所述产品介绍页面包括一品类显示区域；
将所述所述产品图片的品类识别结果显示于所述品类显示区域。
在本发明的一些实施例中，所述获取待识别产品的产品属性选项的产品链接中的产品图片之前，还包括：
提供所述待识别产品的产品介绍页面，所述产品介绍页面包括一品类显示控件，所述品类显示控件供用户操作以触发所述获取待识别产品的产品属性选项的产品链接中的产品图片的执行。
在本发明的一些实施例中，所述将所述品类识别模型的输出作为所述待识别图片的品类识别结果之后，还包括：
接收所述用户端和/或商家端的品类识别结果的反馈，对所述品类识别模型进行迭代训练。
根据本发明的又一方面，还提供一种品类识别模型训练装置，包括：
第一获取模块，配置成对于关联产地的产品，基于产品与发货地的对应关系，获取各订单的产品属性选项；
第二获取模块，配置成对于未关联产地的产品，获取该产品的产品属性选项；
第三获取模块，配置成获取对应各产品属性选项的产品链接中的产品图片；
样本模块，配置成将所述产品属性选项指示的产品品类以及所述产品图片关联以作为样本集；
训练模块，配置成采用所述样本集训练品类识别模型。
根据本发明的又一方面，还提供一种品类识别装置，包括：
第四获取模块，配置成响应于用户端或商家端的品类识别请求，获取所述用户端或商家端发送的待识别图片；
第一识别模块，配置成将所述待识别图像输入如上所述的品类识别模型训练方法训练获得的品类识别模型；
第一输出模块，配置成将所述品类识别模型的输出作为所述待识别图片的品类识别结果。
根据本发明的又一方面，还提供一种品类识别装置，包括：
第五获取模块，配置成获取待识别产品的产品属性选项的产品链接中的产品图片；
第二识别模块，配置成将所述产品图片输入如上所述的品类识别模型训练方法训练获得的品类识别模型；
第二输出模块，配置成将所述品类识别模型的输出作为所述产品图片的品类识别结果。
根据本发明的又一方面，还提供一种电子设备，所述电子设备包括：处理器；存储介质，其上存储有计算机程序，所述计算机程序被所述处理器运行时执行如上所述的步骤。
根据本发明的又一方面，还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上所述的步骤。
相比现有技术，本发明的优势在于：
本发明通过对于关联产地的产品和未关联产地的产品获取不同的样本数据，从而将所述产品属性选项指示的产品品类以及所述产品图片关联以作为样本集，以进行品类识别模型的训练，一方面，不仅仅采用实物图像进行模型的训练，而是直接使用产品图像，避免实物图像与产品图像的误差导致的识别准确率低的问题；另一方面，结合产品属性选项，以将产品属性选项指示的产品品类作为样本集的一部分，进一步精确提供产品品类的是被结果；再一方面，对于关联产地的产品可以通过多个相同产地的订单来获取其产品属性选项，对于不关联产地的产品可以直接获取其产品属性选项，由此，对于关联产地的产品通过多个订单以获得更为精确地产品品类信息，对于不关联产地的产品也可以通过其本身的产品属性选项来获得产品品类信息，提高整体的识别准确率。由此，通过训练品类识别模型，从而在电商平台实现产品的品类识别，且提高品类识别准确率。
本发明通过上述品类识别模型的训练获得较高准确率的品类识别，由此，可以直接获取用户主动发送的待识别图片，从而能够实现对用户请求识别的图片进行品类识别。
本发明通过上述品类识别模型的训练获得较高准确率的品类识别，由此，可以对电商平台的各产品图片进行品类识别，由此，可以在用户浏览产品信息时，获知该产品的品类识别结果。
附图说明
通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。
图1示出了根据本发明实施例的品类识别模型训练方法的流程图。
图2示出了根据本发明一具体实施例的对于关联产地的产品，基于产品与发货地的对应关系，获取各订单的产品属性选项的流程图。
图3示出了根据本发明一具体实施例的生成产品与发货地的对应关系的流程图。
图4示出了根据本发明一具体实施例的对于未关联产地的产品，获取该产品的产品属性选项的流程图。
图5示出了根据本发明实施例的品类识别方法的流程图。
图6示出了根据本发明实施例的品类识别方法的流程图。
图7示出了根据本发明实施例的品类识别模型训练装置的模块图。
图8示出了根据本发明实施例的品类识别装置的模块图。
图9示出了根据本发明实施例的品类识别装置的模块图。
图10示意性示出本发明示例性实施例中一种计算机可读存储介质示意图。
图11示意性示出本发明示例性实施例中一种电子设备示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此，实际执行的顺序有可能根据实际情况改变。
在本发明的各个实施例中，本发明提供的品类识别模型训练方法可以应用于电商平台中，但本发明的应用场景并非以此为限制，在此不予赘述。
图1示出了根据本发明实施例的品类识别模型训练方法的流程图。品类识别模型训练方法包括如下步骤：
步骤S110：对于关联产地的产品，基于产品与发货地的对应关系，获取各订单的产品属性选项。
具体而言，产品属性选项可以是自产品属性链接(SKU)中提取的属性选项信息。
具体而言，对于关联产地的产品，可以根据产地来判断同一产地的产品属于同一品类，由此，可以对同一产地的各订单的属性选项信息进行归一化、补全等操作，从而提高信息利用率，且提高样本的准确性和完整性。
步骤S110的具体实现将结合图2和图3进行展开说明，在此不予赘述。
步骤S120：对于未关联产地的产品，获取该产品的产品属性选项。
具体而言，对于未关联产地的产品，可以直接获取该产品的产品属性选项。由于没有关联产地，因此，可以无需对获取的产品属性选项做额外的处理，由此，提高数据获取效率。进一步地，步骤S120的具体实现将结合图4进行展开说明，在此不予赘述。
步骤S130：获取对应各产品属性选项的产品链接中的产品图片。
具体而言，步骤S130可以通过如下步骤来实现：获取对应各产品属性选项的产品链接中的多个候选图片；基于一图像识别算法，自多个候选图片中提取产品图片。具体而言，图像识别算法可以是用于识别图片中是否有产品的图像识别算法，由此，可以根据图像识别算法对每一候选图片进行识别，从而判断该候选图片中是否存在产品，若存在则将该候选图片判断为产品图片，若不存在，则不将该候选图片判断为产品图片。图像识别算法可以是经训练的机器学习模型，本发明可以实现更多的变化方式，在此不予赘述。、进一步地，获取的图像还可以经过预处理，诸如去噪、背景分割、去除PS效果等。
步骤S140：将所述产品属性选项指示的产品品类以及所述产品图片关联以作为样本集。
具体而言，在样本集中的每一样本包括产品图片和对应的产品品类。进一步地，样本集可以划分为训练集、验证集等。样本可以包括正样本、负样本。本发明可以实现不同的样本集的形式，在此不予赘述。
步骤S150：采用所述样本集训练品类识别模型。
具体而言，所述品类识别模型可以为任一种或多种机器学习模型。在一个优选例中，所述品类识别模型可以为遗传算法和/或BP神经网络算法。具体而言，当所述品类识别模型包括级联的遗传算法以及BP神经网络算法时，所述遗传算法用于提取所述产品图片的特征，所述BP神经网络算法以所述遗传算法提取的所述产品图片的特征为输入，进行品类识别。
具体而言，可以通过如下步骤采用遗传算法提取所述产品图片的特征：1)编码：使用二进制编码，模拟遗传单位基因型结构数据组成方式；2)生成初始种群：初始群体通过随机产生，包含若干解组成的数据集合；3)计算适应度：将个体遗传机会的大小称为适应度，计算公式为：
F(x)＝∑Sb-∑Sω
其中，F(x)为个体适应度；ΣSb为遗传个体类间距和为A、B两类均值向量；ΣSω为遗传个体类内距和；uA(x)、uB(x)为A、B两类特征向量。4)从群体中选择适应度值高的优秀个体，按大小进行顺序排列；5)交叉：以小概率交换遗传单位基因部分染色体，从而产生新个体，即能够识别部分小范围改变的图像特征，提高了遗传算法的整体搜索能力；6)变异：与交叉类似，遗传单位基因部分染色体发生小概率改变，能够提高遗传算法的局部搜索能力。具体而言，例如可以通过遗传算法实现产品图片的分割，从而基于分割的产品图片实现图像特征的提取。又例如，可以通过遗传算法实现产品图片的背景识别，从而将产品从背景中区分出来。本发明可以实现更多的变化方式，在此不予赘述。
BP神经网络算法(Error Back-Propagation Algorithm)的拓扑结构包括输入层、隐含层、输出层，能够从正反两方面进行信号传播，其中正向传播是沿着拓扑结构进行，直至输出结果，而当正向传播得不到输出结果时，则反向传播发挥作用，实际值沿神经网络回流，一层层修改神经元权值，再从新进行正向传播程序，直至能够输出结果。算法描述如下：
1)正向传播：假设将第P(XP＝{xp1，xp2，…，xpn})个样本输入BP神经网络系统中，计算实际输出公式：
利用S型sigmoid激活函数进行求解；
2)计算均方误差若均方误差不大于最大允许误差，则停止迭代；
3)反向传播：计算并修改神经元权值：
4)重复以上过程至损失函数小于预定阈值或者迭代次数到达次数阈值时，得出结果。
以上仅仅是示意性地描述BP神经网络系统的实现，本发明并非以此为限制。
在本发明提供的品类识别模型训练方法中，通过对于关联产地的产品和未关联产地的产品获取不同的样本数据，从而将所述产品属性选项指示的产品品类以及所述产品图片关联以作为样本集，以进行品类识别模型的训练，一方面，不仅仅采用实物图像进行模型的训练，而是直接使用产品图像，避免实物图像与产品图像的误差导致的识别准确率低的问题；另一方面，结合产品属性选项，以将产品属性选项指示的产品品类作为样本集的一部分，进一步精确提供产品品类的是被结果；再一方面，对于关联产地的产品可以通过多个相同产地的订单来获取其产品属性选项，对于不关联产地的产品可以直接获取其产品属性选项，由此，对于关联产地的产品通过多个订单以获得更为精确地产品品类信息，对于不关联产地的产品也可以通过其本身的产品属性选项来获得产品品类信息，提高整体的识别准确率。由此，通过训练品类识别模型，从而在电商平台实现产品的品类识别，且提高品类识别准确率。
下面参见图2，图2示出了根据本发明一具体实施例的对于关联产地的产品，基于产品与发货地的对应关系，获取各订单的产品属性选项的流程图。图2共示出如下步骤：
步骤S111：基于产品获取对应的设定地址级别的发货地。
具体而言，可以将产品的发货地认为为产品的产地。由此，对于关联产地的产品，其发货地和产品品类之间具有对应关系。步骤S111可以根据产品，获得其发货地址，从而获得设定地址级别(例如城市级别、区县级别等)的发货地。进一步地，在另一些实施例中，可以根据产品和发货地的对应关系，直接获得设定地址级别的发货地。
步骤S112：获取发货地址属于所述发货地的各订单。
具体而言，步骤S112用于将属于同一设定地址级别的发货地的发货地址的订单认为为该产品品类的订单。
步骤S113：获取各订单的产品属性选项。
由此，通过上述步骤可以实现关联产地的产品的产品属性选项的获取。
下面参见图3，图3示出了根据本发明一具体实施例的生成产品与发货地的对应关系的流程图。图3共示出如下步骤：
步骤S101：获取订单包含所述产品的产品品类的多个商家的物流数据。
步骤S102：根据所述物流数据获取该多个商家的发货地址。
步骤S103：自所述发货地址中，提取设定地址级别的字段，以作为所述发货地。
具体而言，设定地址级别例如可以为城市、区县等，本发明并非以此为限制。由此，通过图3所示出的步骤，相当于通过历史订单数据，来聚合获得同一产品品类的设定地址级别的发货地，从而生成产品与发货地的对应关系，以供在图1中的步骤S110中获取。
下面参见图4，图4示出了根据本发明一具体实施例的对于未关联产地的产品，获取该产品的产品属性选项的流程图。图4共示出如下步骤：
步骤S121：对该产品的产品属性选项进行语义识别，获得语义识别结果；
步骤S122：根据所述语义识别结果，判断该产品的产品属性选项是否有且仅包含一个产品品类的名称；
若步骤S122判断为是，则执行步骤S123：将该产品的产品属性选项用作所述样本集；
若步骤S122判断为否，则执行步骤S124：不将该产品的产品属性选项用作所述样本集。
由此，由于未关联产地的产品，没有同一产地的其它订单的产品信息的参考，因此，可以世界获取该产品的产品属性选项，并进行语义识别。通过语义识别结果进行判断，当判断该产品的产品属性选项并非有且仅包含一个产品品类的名称时，若将其作为样本则会影响识别模型的训练准确度，因此，不将该产品的产品属性选项用作所述样本集，而是仅将该产品的产品属性选项有且仅包含一个产品品类的名称的用作样本集，由此，提高模型训练的样本准确度，从而提高模型的准确度。
本发明还提供一种品类识别方法。下面参见图5，图5示出了根据本发明实施例的品类识别方法的流程图。品类识别方法包括：
步骤S211：响应于用户端或商家端的品类识别请求，获取所述用户端或商家端发送的待识别图片。
步骤S212：将所述待识别图像输入如上所述的品类识别模型训练方法训练获得的品类识别模型。
步骤S213：将所述品类识别模型的输出作为所述待识别图片的品类识别结果。
具体而言，输出的结果可以是一个品类或者是多个候选品类和该多个候选品类的概率。本发明可以实现更多的变化方式，在此不予赘述。
具体而言，步骤S213之后还可以包括如下步骤：接收所述用户端或商家端的品类识别结果的反馈，对所述品类识别模型进行迭代训练。由此，通过线上反馈进行模型的迭代训练以提高模型识别准确度，同时避免由于品类变化导致模型识别出错的情况。具体而言，当用户端和/或商家端的品类识别结果的反馈表示识别错误达到预定数量或者基于用户端和/或商家端的品类识别结果的反馈计算获得的模型不准确率小于预定阈值时，再基于反馈迭代训练。由此，无需每次反馈即执行迭代训练，减少迭代训练的次数，降低迭代训练占用的系统资源。
由此，在本发明提供的品类识别方法中，通过上述品类识别模型的训练获得较高准确率的品类识别，由此，可以直接获取用户主动发送的待识别图片，从而能够实现对用户请求识别的图片进行品类识别。
本发明还提供另一种品类识别方法。下面参见图6，图6示出了根据本发明实施例的品类识别方法的流程图。另一种品类识别方法包括：
步骤S221：获取待识别产品的产品属性选项的产品链接中的产品图片；
步骤S222：将所述产品图片输入如上所述的品类识别模型训练方法训练获得的品类识别模型；
步骤S223：将所述品类识别模型的输出作为所述产品图片的品类识别结果。
具体而言，输出的结果可以是一个品类或者是多个候选品类和该多个候选品类的概率。本发明可以实现更多的变化方式，在此不予赘述。
在本发明提供的另一种品类识别方法中，通过上述品类识别模型的训练获得较高准确率的品类识别，由此，可以对电商平台的各产品图片进行品类识别，由此，可以在用户浏览产品信息时，获知该产品的品类识别结果。
在本发明的一些实施例中，图6所示出的品类识别方法还可以包括如下步骤：提供所述待识别产品的产品介绍页面，所述产品介绍页面包括一品类显示区域；将所述所述产品图片的品类识别结果显示于所述品类显示区域。由此，可以由电商平台统一提供一品类的显示区域，无需用户在产品介绍中自行寻找可能存在的品类信息，由此，便于用户直观便捷得获知产品的品类信息。
在本发明的一些实施例中，步骤S221获取待识别产品的产品属性选项的产品链接中的产品图片之前，还可以包括如下步骤：提供所述待识别产品的产品介绍页面，所述产品介绍页面包括一品类显示控件，所述品类显示控件供用户操作以触发所述获取待识别产品的产品属性选项的产品链接中的产品图片的执行。换言之，在该实施例中，可以响应于用户想要获知品类信息的操作(操作品类显示控件)，再进行图片的获取和后续识别步骤，由此，可以节省系统的储存空间，无需事先对所有的产品图片进行识别，仅需对用户操作的产品的产品图片进行识别即可。进一步地，通过该实施例实现品类信息的显示，还可以提高产品介绍信息的页面覆盖率。
在本发明的一些实施例中，所述步骤S223将所述品类识别模型的输出作为所述待识别图片的品类识别结果之后，还可以包括如下步骤：接收所述用户端和/或商家端的品类识别结果的反馈，对所述品类识别模型进行迭代训练。由此，通过线上反馈进行模型的迭代训练以提高模型识别准确度，同时避免由于品类变化导致模型识别出错的情况。具体而言，当用户端和/或商家端的品类识别结果的反馈表示识别错误达到预定数量或者基于用户端和/或商家端的品类识别结果的反馈计算获得的模型不准确率小于预定阈值时，再基于反馈迭代训练。由此，无需每次反馈即执行迭代训练，减少迭代训练的次数，降低迭代训练占用的系统资源。
具体而言，图5示出了电商平台对用户主动提供的图片进行品类识别，图6示出了电商平台对平台上进行售卖的各产品的产品图片进行主动品类识别的方法。图5和图6的品类识别方法可以单独或组合实现，本发明并非以此为限制。
以上仅仅是本发明的品类识别模型训练方法、品类识别方法的多个具体实现方式，各实现方式可以独立或组合来实现，本发明并非以此为限制。进一步地，本发明的流程图仅仅是示意性地，各步骤之间的执行顺序并非以此为限制，步骤的拆分、合并、顺序交换、其它同步或异步执行的方式皆在本发明的保护范围之内。
下面参见图7，图7示出了根据本发明实施例的品类识别模型训练装置的模块图。品类识别模型训练装置300包括第一获取模块310、第二获取模块320、第三获取模块330、样本模块340以及训练模块350。
第一获取模块310配置成对于关联产地的产品，基于产品与发货地的对应关系，获取各订单的产品属性选项；
第二获取模块320配置成对于未关联产地的产品，获取该产品的产品属性选项；
第三获取模块330配置成获取对应各产品属性选项的产品链接中的产品图片；
样本模块340配置成将所述产品属性选项指示的产品品类以及所述产品图片关联以作为样本集；
训练模块350配置成采用所述样本集训练品类识别模型。
在本发明的示例性实施方式的品类识别模型训练装置中，通过对于关联产地的产品和未关联产地的产品获取不同的样本数据，从而将所述产品属性选项指示的产品品类以及所述产品图片关联以作为样本集，以进行品类识别模型的训练，一方面，不仅仅采用实物图像进行模型的训练，而是直接使用产品图像，避免实物图像与产品图像的误差导致的识别准确率低的问题；另一方面，结合产品属性选项，以将产品属性选项指示的产品品类作为样本集的一部分，进一步精确提供产品品类的是被结果；再一方面，对于关联产地的产品可以通过多个相同产地的订单来获取其产品属性选项，对于不关联产地的产品可以直接获取其产品属性选项，由此，对于关联产地的产品通过多个订单以获得更为精确地产品品类信息，对于不关联产地的产品也可以通过其本身的产品属性选项来获得产品品类信息，提高整体的识别准确率。由此，通过训练品类识别模型，从而在电商平台实现产品的品类识别，且提高品类识别准确率。
下面参见图8，图8示出了根据本发明实施例的品类识别装置的模块图。品类识别装置410包括第四获取模块411、第一识别模块412以及第一输出模块413。
第四获取模块411配置成响应于用户端或商家端的品类识别请求，获取所述用户端或商家端发送的待识别图片；
第一识别模块412配置成将所述待识别图像输入如上所述的品类识别模型训练方法训练获得的品类识别模型；
第一输出模块413配置成将所述品类识别模型的输出作为所述待识别图片的品类识别结果。
在本发明的示例性实施方式的品类识别装置中，通过上述品类识别模型的训练获得较高准确率的品类识别，由此，可以直接获取用户主动发送的待识别图片，从而能够实现对用户请求识别的图片进行品类识别。
下面参见图9，图9示出了根据本发明实施例的品类识别装置的模块图。品类识别装置420包括第五获取模块421、第二识别模块422以及第二输出模块423。
第五获取模块421配置成获取待识别产品的产品属性选项的产品链接中的产品图片；
第二识别模块422配置成将所述产品图片输入如上所述的品类识别模型训练方法训练获得的品类识别模型；
第二输出模块423配置成将所述品类识别模型的输出作为所述产品图片的品类识别结果。
在本发明的示例性实施方式的品类识别装置中，通过上述品类识别模型的训练获得较高准确率的品类识别，由此，可以对电商平台的各产品图片进行品类识别，由此，可以在用户浏览产品信息时，获知该产品的品类识别结果。
图7-9仅仅是示意性的分别示出本发明提供的品类识别模型训练装置300、品类识别装置410以及品类识别装置420，在不违背本发明构思的前提下，模块的拆分、合并、增加都在本发明的保护范围之内。本发明提供的品类识别模型训练装置300、品类识别装置410以及品类识别装置420可以由软件、硬件、固件、插件及他们之间的任意组合来实现，本发明并非以此为限。进一步地，图8和9仅仅是示意性的分别示出本发明提供的品类识别装置410以及品类识别装置420，本发明也可以提供一个品类识别系统包括品类识别装置410以及品类识别装置420，由此，即可以实现用户请求的品类识别，也可以实现基于产品图片的线上品类识别。本发明可以实现更多的变化方式，在此不予赘述。
在本发明的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被例如处理器执行时可以实现上述任意一个实施例中所述品类识别模型训练方法和/或品类识别方法的步骤。在一些可能的实施方式中，本发明的各个方面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本说明书上述品类识别模型训练方法和/或品类识别方法部分中描述的根据本发明各种示例性实施方式的步骤。
参考图10所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品700，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
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操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在租户计算设备上执行、部分地在租户设备上执行、作为一个独立的软件包执行、部分在租户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到租户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
在本发明的示例性实施例中，还提供一种电子设备，该电子设备可以包括处理器，以及用于存储所述处理器的可执行指令的存储器。其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一个实施例中所述品类识别模型训练方法和/或品类识别方法的步骤。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图11来描述根据本发明的这种实施方式的电子设备500。图11显示的电子设备500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11所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：至少一个处理单元510、至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530、显示单元540等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书上述品类识别模型训练方法和/或品类识别方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元510可以执行如图1至图2任一幅或多幅附图所示的步骤。
所述存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元(ROM)5203。
所述存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204，这样的程序模块5205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。
总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备500也可以与一个或多个外部设备600(例如键盘、指向设备、蓝牙设备等)通讯，还可与一个或者多个使得租户能与该电子设备500交互的设备通讯，和/或与使得该电子设备500能与一个或多个其它计算设备进行通讯的任何设备(例如路由器、调制解调器等等)通讯。这种通讯可以通过输入/输出(I/O)接口550进行。并且，电子设备500还可以通过网络适配器560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)通讯。网络适配器560可以通过总线530与电子设备500的其它模块通讯。应当明白，尽管图中未示出，可以结合电子设备500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、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明实施方式的上述品类识别模型训练方法和/或品类识别方法。
相比现有技术，本发明的优势在于：
本发明通过对于关联产地的产品和未关联产地的产品获取不同的样本数据，从而将所述产品属性选项指示的产品品类以及所述产品图片关联以作为样本集，以进行品类识别模型的训练，一方面，不仅仅采用实物图像进行模型的训练，而是直接使用产品图像，避免实物图像与产品图像的误差导致的识别准确率低的问题；另一方面，结合产品属性选项，以将产品属性选项指示的产品品类作为样本集的一部分，进一步精确提供产品品类的是被结果；再一方面，对于关联产地的产品可以通过多个相同产地的订单来获取其产品属性选项，对于不关联产地的产品可以直接获取其产品属性选项，由此，对于关联产地的产品通过多个订单以获得更为精确地产品品类信息，对于不关联产地的产品也可以通过其本身的产品属性选项来获得产品品类信息，提高整体的识别准确率。由此，通过训练品类识别模型，从而在电商平台实现产品的品类识别，且提高品类识别准确率。
本发明通过上述品类识别模型的训练获得较高准确率的品类识别，由此，可以直接获取用户主动发送的待识别图片，从而能够实现对用户请求识别的图片进行品类识别。
本发明通过上述品类识别模型的训练获得较高准确率的品类识别，由此，可以对电商平台的各产品图片进行品类识别，由此，可以在用户浏览产品信息时，获知该产品的品类识别结果。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由所附的权利要求指出。

Claims (15)

1.一种品类识别模型训练方法，其特征在于，包括：
对于关联产地的产品，基于产品与发货地的对应关系，获取各订单的产品属性选项；
对于未关联产地的产品，获取该产品的产品属性选项；
获取对应各产品属性选项的产品链接中的产品图片；
将所述产品属性选项指示的产品品类以及所述产品图片关联以作为样本集；
采用所述样本集训练品类识别模型；
所述对于关联产地的产品，基于产品与发货地的对应关系，获取各订单的产品属性选项包括：
基于产品获取对应的设定地址级别的发货地；
获取发货地址属于所述发货地的各订单；
获取各订单的产品属性选项；
所述产品与发货地的对应关系根据如下方式生成：
获取订单包含所述产品的产品品类的多个商家的物流数据；
根据所述物流数据获取该多个商家的发货地址；
自所述发货地址中，提取设定地址级别的字段，以作为所述发货地；
所述对于未关联产地的产品，获取该产品的产品属性选项包括：
对该产品的产品属性选项进行语义识别，获得语义识别结果；
根据所述语义识别结果，判断该产品的产品属性选项是否有且仅包含一个产品品类的名称；
若是，则将该产品的产品属性选项用作所述样本集；
若否，则不将该产品的产品属性选项用作所述样本集。
2.如权利要求1所述的品类识别模型训练方法，其特征在于，所述获取对应各产品属性选项的产品链接中的产品图片包括：
获取对应各产品属性选项的产品链接中的多个候选图片；
基于一图像识别算法，自多个候选图片中提取产品图片。
3.如权利要求1所述的品类识别模型训练方法，其特征在于，所述品类识别模型为遗传算法和/或BP神经网络算法。
4.如权利要求3所述的品类识别模型训练方法，其特征在于，所述品类识别模型包括级联的遗传算法以及BP神经网络算法，其中，所述遗传算法用于提取所述产品图片的特征，所述BP神经网络算法以所述遗传算法提取的所述产品图片的特征为输入，进行品类识别。
5.一种品类识别方法，其特征在于，包括：
响应于用户端或商家端的品类识别请求，获取所述用户端或商家端发送的待识别图片；
将所述待识别图像输入如权利要求1至4任一项所述的品类识别模型训练方法训练获得的品类识别模型；
将所述品类识别模型的输出作为所述待识别图片的品类识别结果。
6.如权利要求5所述的品类识别方法，其特征在于，所述将所述品类识别模型的输出作为所述待识别图片的品类识别结果之后，还包括：
接收所述用户端或商家端的品类识别结果的反馈，对所述品类识别模型进行迭代训练。
7.一种品类识别方法，其特征在于，包括：
获取待识别产品的产品属性选项的产品链接中的产品图片；
将所述产品图片输入如权利要求1至4任一项所述的品类识别模型训练方法训练获得的品类识别模型；
将所述品类识别模型的输出作为所述产品图片的品类识别结果。
8.如权利要求7所述的品类识别方法，其特征在于，还包括：
提供所述待识别产品的产品介绍页面，所述产品介绍页面包括一品类显示区域；
将所述产品图片的品类识别结果显示于所述品类显示区域。
9.如权利要求7所述的品类识别方法，其特征在于，所述获取待识别产品的产品属性选项的产品链接中的产品图片之前，还包括：
提供所述待识别产品的产品介绍页面，所述产品介绍页面包括一品类显示控件，所述品类显示控件供用户操作以触发所述获取待识别产品的产品属性选项的产品链接中的产品图片的执行。
10.如权利要求7所述的品类识别方法，其特征在于，所述将所述品类识别模型的输出作为所述待识别图片的品类识别结果之后，还包括：
接收所述用户端和/或商家端的品类识别结果的反馈，对所述品类识别模型进行迭代训练。
11.一种品类识别模型训练装置，其特征在于，包括：
第一获取模块，配置成对于关联产地的产品，基于产品与发货地的对应关系，获取各订单的产品属性选项；所述对于关联产地的产品，基于产品与发货地的对应关系，获取各订单的产品属性选项包括：基于产品获取对应的设定地址级别的发货地；获取发货地址属于所述发货地的各订单；获取各订单的产品属性选项；其中，所述产品与发货地的对应关系根据如下方式生成：获取订单包含所述产品的产品品类的多个商家的物流数据；根据所述物流数据获取该多个商家的发货地址；自所述发货地址中，提取设定地址级别的字段，以作为所述发货地；
第二获取模块，配置成对于未关联产地的产品，获取该产品的产品属性选项；所述对于未关联产地的产品，获取该产品的产品属性选项包括：对该产品的产品属性选项进行语义识别，获得语义识别结果；根据所述语义识别结果，判断该产品的产品属性选项是否有且仅包含一个产品品类的名称；若是，则将该产品的产品属性选项用作样本集；若否，则不将该产品的产品属性选项用作样本集；
第三获取模块，配置成获取对应各产品属性选项的产品链接中的产品图片；
样本模块，配置成将所述产品属性选项指示的产品品类以及所述产品图片关联以作为样本集；
训练模块，配置成采用所述样本集训练品类识别模型。
12.一种品类识别装置，其特征在于，包括：
第四获取模块，配置成响应于用户端或商家端的品类识别请求，获取所述用户端或商家端发送的待识别图片；
第一识别模块，配置成将所述待识别图像输入如权利要求1至4任一项所述的品类识别模型训练方法训练获得的品类识别模型；
第一输出模块，配置成将所述品类识别模型的输出作为所述待识别图片的品类识别结果。
13.一种品类识别装置，其特征在于，包括：
第五获取模块，配置成获取待识别产品的产品属性选项的产品链接中的产品图片；
第二识别模块，配置成将所述产品图片输入如权利要求1至4任一项所述的品类识别模型训练方法训练获得的品类识别模型；
第二输出模块，配置成将所述品类识别模型的输出作为所述产品图片的品类识别结果。
14.一种电子设备，其特征在于，所述电子设备包括：
处理器；
存储器，其上存储有计算机程序，所述计算机程序被所述处理器运行时执行如下方法中的一种或多种：
如权利要求1至4任一项所述的品类识别模型训练方法；
如权利要求5或6所述的品类识别方法；
如权利要求7至10任一项所述的品类识别方法。
15.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如下方法中的一种或多种：
如权利要求1至4任一项所述的品类识别模型训练方法；
如权利要求5或6所述的品类识别方法；
如权利要求7至10任一项所述的品类识别方法。
CN202011584235.1A 2020-12-28 2020-12-28 品类识别模型训练方法、品类识别方法及相关设备 Active CN112613950B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011584235.1A CN112613950B (zh) 2020-12-28 2020-12-28 品类识别模型训练方法、品类识别方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011584235.1A CN112613950B (zh) 2020-12-28 2020-12-28 品类识别模型训练方法、品类识别方法及相关设备

Publications (2)

Publication Number Publication Date
CN112613950A CN112613950A (zh) 2021-04-06
CN112613950B true CN112613950B (zh) 2024-03-29

Family

ID=75248417

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011584235.1A Active CN112613950B (zh) 2020-12-28 2020-12-28 品类识别模型训练方法、品类识别方法及相关设备

Country Status (1)

Country Link
CN (1) CN112613950B (zh)

Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001350964A (ja) * 2000-06-07 2001-12-21 Yoshio Kobayashi 商品売買システム
KR20030086469A (ko) * 2003-09-22 2003-11-10 장시영 실태와 통계로서 수급 균형을 이루면서 고유인식번호로서 품질이 표시되고 예약주문이 이루어지는 인터넷을 통한 농. 축산물 생산거래시스템.
JP2006048603A (ja) * 2004-08-09 2006-02-16 Fujitsu Ltd 商品検索システム、商品検索方法、およびコンピュータプログラム
CN104899586A (zh) * 2014-03-03 2015-09-09 阿里巴巴集团控股有限公司 对图像中包含的文字内容进行识别方法及装置
CN106250921A (zh) * 2016-07-26 2016-12-21 北京小米移动软件有限公司 图片处理方法及装置
CN108416403A (zh) * 2018-03-08 2018-08-17 上海扩博智能技术有限公司 商品与标签的自动关联方法、系统、设备及存储介质
CN108648064A (zh) * 2018-07-17 2018-10-12 北京引领海逛科技有限公司 产品信息快速上架的方法和装置
CN108764313A (zh) * 2018-05-17 2018-11-06 西安电子科技大学 基于深度学习的超市商品识别方法
CN109035630A (zh) * 2018-08-21 2018-12-18 深圳码隆科技有限公司 商品信息识别方法和系统
CN109063570A (zh) * 2018-07-04 2018-12-21 青岛海信智能商用系统股份有限公司 商品识别训练方法和系统
CN109902636A (zh) * 2019-03-05 2019-06-18 上海扩博智能技术有限公司 商品识别模型训练方法、系统、设备及存储介质
CN110766062A (zh) * 2019-10-15 2020-02-07 广州织点智能科技有限公司 一种商品识别模型训练方法、装置、电子设备及存储介质
WO2020033627A1 (en) * 2018-08-10 2020-02-13 Walmart Apollo, Llc System and method for product recall using blockchain
CN110795992A (zh) * 2019-09-11 2020-02-14 北京云迹科技有限公司 训练数据的获取方法、商品识别方法及对应装置
CN111428698A (zh) * 2020-06-10 2020-07-17 北京云迹科技有限公司 一种模型样本采集方法、更新方法、电子设备及存储介质
US10769198B1 (en) * 2020-02-06 2020-09-08 Caastle, Inc. Systems and methods for product identification using image analysis from image mask and trained neural network
CN111906780A (zh) * 2020-06-30 2020-11-10 上海擎朗智能科技有限公司 物品配送方法、机器人和介质
WO2020228089A1 (zh) * 2019-05-16 2020-11-19 上海追月科技有限公司 货品信息采集装置
CN112101839A (zh) * 2020-07-10 2020-12-18 上海寻梦信息技术有限公司 建立快递送达时间预测模型的方法、预测方法及相关设备
CN113592512A (zh) * 2021-07-22 2021-11-02 上海普洛斯普新数字科技有限公司 一种线上商品身份唯一性识别确认系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111523348B (zh) * 2019-02-01 2024-01-05 百度（美国）有限责任公司 信息生成方法和装置、用于人机交互的设备

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001350964A (ja) * 2000-06-07 2001-12-21 Yoshio Kobayashi 商品売買システム
KR20030086469A (ko) * 2003-09-22 2003-11-10 장시영 실태와 통계로서 수급 균형을 이루면서 고유인식번호로서 품질이 표시되고 예약주문이 이루어지는 인터넷을 통한 농. 축산물 생산거래시스템.
JP2006048603A (ja) * 2004-08-09 2006-02-16 Fujitsu Ltd 商品検索システム、商品検索方法、およびコンピュータプログラム
CN104899586A (zh) * 2014-03-03 2015-09-09 阿里巴巴集团控股有限公司 对图像中包含的文字内容进行识别方法及装置
CN106250921A (zh) * 2016-07-26 2016-12-21 北京小米移动软件有限公司 图片处理方法及装置
CN108416403A (zh) * 2018-03-08 2018-08-17 上海扩博智能技术有限公司 商品与标签的自动关联方法、系统、设备及存储介质
CN108764313A (zh) * 2018-05-17 2018-11-06 西安电子科技大学 基于深度学习的超市商品识别方法
CN109063570A (zh) * 2018-07-04 2018-12-21 青岛海信智能商用系统股份有限公司 商品识别训练方法和系统
CN108648064A (zh) * 2018-07-17 2018-10-12 北京引领海逛科技有限公司 产品信息快速上架的方法和装置
WO2020033627A1 (en) * 2018-08-10 2020-02-13 Walmart Apollo, Llc System and method for product recall using blockchain
CN109035630A (zh) * 2018-08-21 2018-12-18 深圳码隆科技有限公司 商品信息识别方法和系统
WO2020037762A1 (zh) * 2018-08-21 2020-02-27 深圳码隆科技有限公司 商品信息识别方法和系统
CN109902636A (zh) * 2019-03-05 2019-06-18 上海扩博智能技术有限公司 商品识别模型训练方法、系统、设备及存储介质
WO2020228089A1 (zh) * 2019-05-16 2020-11-19 上海追月科技有限公司 货品信息采集装置
CN110795992A (zh) * 2019-09-11 2020-02-14 北京云迹科技有限公司 训练数据的获取方法、商品识别方法及对应装置
CN110766062A (zh) * 2019-10-15 2020-02-07 广州织点智能科技有限公司 一种商品识别模型训练方法、装置、电子设备及存储介质
US10769198B1 (en) * 2020-02-06 2020-09-08 Caastle, Inc. Systems and methods for product identification using image analysis from image mask and trained neural network
CN111428698A (zh) * 2020-06-10 2020-07-17 北京云迹科技有限公司 一种模型样本采集方法、更新方法、电子设备及存储介质
CN111906780A (zh) * 2020-06-30 2020-11-10 上海擎朗智能科技有限公司 物品配送方法、机器人和介质
CN112101839A (zh) * 2020-07-10 2020-12-18 上海寻梦信息技术有限公司 建立快递送达时间预测模型的方法、预测方法及相关设备
CN113592512A (zh) * 2021-07-22 2021-11-02 上海普洛斯普新数字科技有限公司 一种线上商品身份唯一性识别确认系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于产品属性的条件句倾向性分析;杨源;中文信息学报;20110531;第25卷(第3期);86-92 *
大数据驱动生鲜农产品供应链模式创新与运作优化;刘阳阳;;商业经济研究;20200821(第16期);152-154 *
电子元器件识别的工程训练;曹建建;黄乘程;曹亮;;电子世界;20150723(第14期);44-45 *

Also Published As

Publication number Publication date
CN112613950A (zh) 2021-04-06

Similar Documents

Publication Publication Date Title
KR102433722B1 (ko) 정보를 추천하는 방법, 장치, 기기 및 저장 매체
CN109101537B (zh) 基于深度学习的多轮对话数据分类方法、装置和电子设备
US11403532B2 (en) Method and system for finding a solution to a provided problem by selecting a winner in evolutionary optimization of a genetic algorithm
CN108345587B (zh) 一种评论的真实性检测方法与系统
WO2017190610A1 (zh) 目标用户定向方法、装置和计算机存储介质
US20190080352A1 (en) Segment Extension Based on Lookalike Selection
CN111209478A (zh) 任务推送方法及装置、存储介质及电子设备
CN109034853B (zh) 基于种子用户寻找相似用户方法、装置、介质和电子设备
CN105761102A (zh) 一种预测用户购买商品行为的方法和装置
CN111753082A (zh) 基于评论数据的文本分类方法及装置、设备和介质
CN111612581A (zh) 一种物品推荐的方法、装置、设备及存储介质
CN111400584A (zh) 联想词的推荐方法、装置、计算机设备和存储介质
CN111966886A (zh) 对象推荐方法、对象推荐装置、电子设备及存储介质
CN109034199B (zh) 数据处理方法及装置、存储介质和电子设备
CN113283795A (zh) 基于二分类模型的数据处理方法及装置、介质、设备
CN112989050A (zh) 一种表格分类方法、装置、设备及存储介质
WO2023236588A1 (zh) 基于客群偏差平滑优化的用户分类方法及装置
CN112613950B (zh) 品类识别模型训练方法、品类识别方法及相关设备
WO2020252925A1 (zh) 用户特征群中用户特征寻优方法、装置、电子设备及计算机非易失性可读存储介质
CN110717037A (zh) 对用户分类的方法和装置
CN114637850A (zh) 异常行为识别及模型训练方法、装置、设备及存储介质
CN108984680B (zh) 一种信息推荐方法、装置、服务器及存储介质
CN115631008A (zh) 商品推荐方法、装置、设备及介质
JP6734323B2 (ja) 対象物の類似度判定のためのプログラム、システム、及び方法
CN113360788A (zh) 一种地址推荐方法、装置、设备及存储介质

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
GR01 Patent grant
GR01 Patent grant