CN112837137A - 基于大数据的人工智能的界面生成方法 - Google Patents
基于大数据的人工智能的界面生成方法 Download PDFInfo
- Publication number
- CN112837137A CN112837137A CN202110288080.5A CN202110288080A CN112837137A CN 112837137 A CN112837137 A CN 112837137A CN 202110288080 A CN202110288080 A CN 202110288080A CN 112837137 A CN112837137 A CN 112837137A
- Authority
- CN
- China
- Prior art keywords
- color
- characteristic
- colors
- chroma value
- feature
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 11
- 239000003086 colorant Substances 0.000 claims abstract description 101
- 230000003068 static effect Effects 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 2
- 239000013598 vector Substances 0.000 description 7
- 238000013507 mapping Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 235000019557 luminance Nutrition 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000007 visual effect Effects 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]
- G06Q30/0641—Shopping interfaces
- G06Q30/0643—Graphical representation of items or shoppers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/38—Creation or generation of source code for implementing user interfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Abstract
本发明提供了一种基于大数据的人工智能的界面生成方法,该方法包括:标识包括商品母项的特定子分类的图像集合;确定图像集合中的颜色集合;将颜色集合中的第一和第二颜色分配到颜色元组;确定颜色元组的特征颜色;生成特定图像的第一色度值分布表示;基于聚合色度值分布表示修改第一色度值分布表示,以生成特定图像的第二色度值分布表示;基于第二色度值分布表示,选择特征颜色作为主题色;修改界面源文件,以利用主题色生成特征图像;生成包括主题色的特征图像。本发明的方法为子分类展示更准确表示具有多个主题色的子分类图像的特征图像。
Description
技术领域
本发明涉及界面生成,特别涉及一种基于大数据的人工智能的界面生成方法。
背景技术
在电商领域中,用户可以通过商品特定属性在后台数据库进行搜索,符合上述条件的商品信息将在前端展示页面展示给用户。通常情况下,通过商品图片进行展示的视觉维度的信息在前端展示页面会占据较大的空间,更容易吸引用户的眼球,所以此类商品信息的展示方式将在很大程度上影响用户浏览商品信息的时长,进而影响对商品的购买欲。商品可以有多种不同的子分类可供选择。例如,特定商品包括各种尺寸、颜色和款式的子分类方便用户选择。在电商平台中搜索或浏览这些商品时,可能会出现各种样品图,显示可供选择的不同颜色或款式。然而从商品的特定子分类的图像中选择一种颜色来表示特征图像中的变化是不容易实现的,特别是在子分类的图像中存在多种颜色的情况。
发明内容
为解决上述现有技术所存在的问题,本发明提出了一种基于大数据的人工智能的界面生成方法,包括:
标识包括商品母项的特定子分类的图像的图像集合;
确定所述图像集合中的颜色集合;
将所述颜色集合中的第一颜色和第二颜色分配到颜色元组;
确定所述颜色元组的特征颜色;
生成特定图像的第一色度值分布表示,其中第一色度值分布表示将所述特定图像中具有对应于所述第一颜色或所述第二颜色的色度值的每个像素与特征颜色的色度值相关联;
生成所述图像集合的聚合色度值分布表示;
基于所述聚合色度值分布表示来修改第一色度值分布表示,以生成特定图像的第二色度值分布表示;
基于所述第二色度值分布表示,选择所述特征颜色作为主题色,以包含在对应于所述特定子分类的特征图像中;
修改界面源文件,以利用主题色生成所述特征图像;以及
响应于对界面内容的请求,生成包括主题色的特征图像,其中所述特征图像表示母项的特定子分类的主题色。
优选地,方法进一步包括:
标识存在于所述第二色度值分布表示中的色簇;
确定色簇的分值;
确定分值是否达到或超过阈值;
以及基于分值是否满足或超过阈值来选择所述特征颜色作为所述主题色。
优选地,方法进一步包括:其中将所述第一颜色和所述第二颜色分配到所述颜色元组包括,确定所述第一颜色的第一色度值和所述第二颜色的第二色度值之间的颜色距离在阈值颜色距离内。
优选地,将所述第一颜色分配到所述颜色元组包括:确定所述第一颜色的色度值和对应于已被分配到现有颜色元组的所述颜色集合中的多种其他颜色中的每一种的相应色度值之间的距离超过阈值颜色距离;以及将第一颜色分配到新的颜色元组,其中新的颜色元组是颜色元组。
优选地,方法进一步包括:确定所述颜色元组的特征颜色包括,通过执行所述颜色集合的位深度压缩,将所述颜色集合归并为特征颜色集合。
优选地,方法进一步包括:其中对应于所述特征颜色的色度值是从对应于所述颜色元组中的每种颜色的相应色度值生成的统计量。
优选地,方法进一步包括:其中所述第一色度值分布表示包括第一颜色直方图,所述第二色度值分布表示包括第二颜色直方图,并且所述聚合色度值分布表示包括所述图像集合的平均颜色直方图,并且其中修改所述第一颜色直方图包括:
对于每个特征颜色,从平均颜色直方图中特征颜色的相应像素数减去第一颜色直方图中特征颜色的相应像素数,或
对于每个特征颜色,从第一颜色直方图中特征颜色的相应像素数中减去平均颜色直方图中特征颜色的相应像素数;
所述特征颜色是第一特征颜色,其中所述特征颜色中的第二特征颜色对应于所述图像集中的静态元素,对应于所述第二颜色直方图中的所述第二特征颜色的像素数小于对应于所述第一颜色直方图中的所述第二特征颜色的像素数。
优选地,其中所述特征颜色是第一特征颜色,并且所述第一特征颜色的色度值是第一色度值,并且其中标识所述色簇包括:
确定所述第一色度值在距所述第二色度值分布表示中的第二特征颜色的第二色度值的阈值颜色距离内;并且确定色簇包括第一特征颜色和第二特征颜色;
其中确定所述色簇的分值包括:基于具有对应于所述色簇中的多种颜色的色度值的总像素数来确定所述色簇的强度度量;以及与特定子分类相关联的颜色别名的色度值之间的颜色距离来划分强度度量;
其中所述色簇和所述颜色别名的色度值之间的颜色距离包括:所述颜色别名的色度值和所述色簇中的第一色度值、第二色度值或第三特征颜色的第三色度值之一之间的颜色距离,或所述色簇的平均色度值和所述颜色别名的色度值之间的颜色距离;
所述方法还包括:
存储所述特征颜色的色度值;
传输所述特征颜色的色度值,用于生成所述特定子分类的特征图像。
本发明相比现有技术,具有以下优点:
本发明提出了一种基于大数据的人工智能的界面生成方法,能够在商品子分类的特征图像中显示更大范围和粒度的颜色,或为子分类展示更准确表示具有多个主题色的子分类图像的特征图像。
附图说明
图1是根据本发明实施例的基于大数据的人工智能的界面生成方法的流程图。
具体实施方式
下文与图示本发明原理的附图一起提供对本发明多个实施例的详细描述。结合这样的实施例描述本发明,但是本发明不限于任何实施例。本发明的范围仅由权利要求书限定,并且本发明涵盖诸多替代、修改和等同物。在下文描述中阐述诸多具体细节以便提供对本发明的透彻理解。出于示例的目的而提供这些细节,并且无这些具体细节中的一些或所有细节也可以根据权利要求书实现本发明。
本发明的一方面提供了一种基于大数据的人工智能的界面生成方法,确定项目的子分类的图像中存在的多种主题色,并存储表示主题色的多个色度值,以生成对应于包括主题色的子分类的特征图像。图1是根据本发明实施例的基于大数据的人工智能的界面生成方法流程图。
本发明的方法广泛适用于选择商品的子分类的多种属性,以包括在对应于子分类的特征图像中。所述属性可以包括形状、款式、颜色等。
本发明的方法首先需要标识商品母项。商品母项可为由特定供应商制造的和/或相关联的商品项。商品母项是具有可选择的各种子分类的任何合适的商品。用户可以选择母项的任意数量的子分类。例如,特定的商品项目可以有多种不同的颜色、风格、尺寸,每一种颜色、风格、尺寸分类作为子分类。可以根据特定子分类中的特定图案来排列多种颜色。子分类的某个部分可以是第一颜色,而子分类的另一部分可以是根据重复图案排列的第二颜色。
母项的每个子分类与对应的标识符相关联。将每个子分类标识符链接到与母项关联的标识符。子分类标识符通过任何合适的机制链接到相应的母项,例如结构化数据XML,例如通过维护将每个子分类标识符链接到母项标识符的多个数据库表。
母项的每个子分类可以在相应的图像中描述。通过本发明公开的算法来标识每个子分类图像中存在的多个主题色,并且存储对应于主题色的色度值,用于生成对应于子分类的特征图像。更具体地,生成包含主题色的特征图像,并将其展示为对应子分类的颜色样式。
当母项的多个子分类被标识时,确定子分类的图像中存在的所有颜色的集合。例如分析所述子分类的每个图像,以确定图像中存在的每个颜色。在某些示例中,确定图像中每个像素的色度值。所述色度值可以表示为任何合适的颜色空间中的坐标值,如XYZ颜色空间, LAB颜色空间等,或基于RGB模型、CMYK模型的颜色空间。
通过映射函数将给定的颜色模型映射到基础颜色空间,以在基础颜色空间内建立色域,所述色域定义颜色模型的绝对颜色空间。所述基础颜色空间包括LAB或XYZ颜色空间。此外,每个色度值由任何合适的位深度来表示,其中位深度是用于表示像素颜色的比特数或用于表示像素的每个颜色分量的比特数。示例位深度可以包括1位色度值如单色图像、8位色度值如灰度图像、24位色度值如真彩色图像。
在确定存在于所有子分类图像中的所有颜色的集合之后,将颜色集合分类为颜色元组,其中每个颜色元组包括视觉相似的颜色。如果表示特定颜色空间内的两种颜色的相应元组之间的距离在相应的阈值内,则确定两种颜色在视觉上相似。例如,在LAB颜色空间中,色域内的每种颜色可由元组(L*,a*,b*)表示。因此,由元组(L*1,a*1,b*1)和(L*2,a*2,b*2)表示的LAB颜色空间中两种颜色之间的距离可以由下式给出。
ΔElab=sqrt((L*2-L*1)2+(a*2-a*1)2+(b*2-b*1)2)
sqrt为平方根运算符。将差值在预定阈值t内的颜色(L*1,a*1,b*1)和(L*2,a*2,b*2)确定为视觉上相似,即ΔElab≤t,并且将其分类为相同的颜色元组。在实际情况下,阈值t可为用于标识可被感知为视觉相似的颜色的任何合适值。
将阈值t的颜色分类到同一颜色元组中,所述阈值t对不同的颜色元组可以是相同的,或对于多个颜色元组可以是不同的。在具体实施例中,阈值t可以是Lab空间中的色差临界距离。当从该组子分类图像中标识每一种新颜色时,将新颜色的相关色度值与已分类的颜色的色度值进行比较,以确定新色度值是否处于当前颜色元组中的颜色的色度值的阈值t内,或是否需要为新色度值创建新的颜色元组。
在将颜色分类成颜色元组之后,为每个颜色元组选择相应的特征颜色。特定的特征颜色可以是平均色度值,其表示在相应颜色元组内分类的所有颜色。例如,如果特定颜色元组中的每种颜色由LAB颜色空间中的相应元组(L*,a*,b*)表示,则通过对颜色元组内所有颜色的对应元组值进行平均,以获得该元组的平均色度值(L*,,b*)。此外,颜色元组的特征颜色可以是颜色中间值或作为颜色元组内色度值的表示的其他度量。
所述特征颜色将所有子分类图像展示的颜色集合减少到更小的特征颜色集合。对于一组子分类图像中的每种颜色,标识包含该颜色的颜色元组,并且利用对应于该颜色元组的特征颜色来替换该颜色。并且较小的特征颜色集合可以通过位深度压缩来压缩颜色空间而获得。
如果利用n位深度的颜色来表示子分类图像集中可能存在的所有可能的颜色,则可以利用(n-x)位深度的颜色来表示所有可能的特征颜色,其中x是大于零的整数。由此,被分类到同一颜色元组中并由n位色度值表示的颜色集合可由更小的(n-x)位色度值表示。将特定颜色元组中的所有n位色度值映射到指示该颜色元组的特征颜色的所述单个(n-x)位色度值。
然后,为每个子分类图像生成相应的第一色度值分布表示。色度值分布表示指示子分类图像中存在的色度值的分布。所述表示可为颜色直方图,所述颜色直方图指示图像中具有图像中存在的相应色度值的每个特征颜色的相应像素数。例如,标识子分类图像中具有被分类在特定颜色元组内的色度值的像素,所述像素的数量在颜色直方图中与该特定颜色元组的特征颜色的色度值相关联。针对子分类图像的所有像素,重复上述标识过程,以使图像的颜色直方图可指示图像中对应于每一个特征颜色的相应像素数。通过为每个子分类图像类似地生成色度值分布表示,利用得到的特征颜色集合代替原始颜色集合来生成颜色直方图,以减少引入到子分类图像的噪声和色度值变化的影响。
在生成每个相应的第一色度值分布表示之后,确定所有子分类图像的聚合色度值分布表示。聚合色度值分布表示可为平均颜色直方图,其指示具有对应于特定特征颜色的色度值的所有子分类图像的平均像素数。将每个相应的第一色度值分布表示和/或聚合色度值分布表示可以正则化,以考虑图像尺寸的差异。
然后,基于相应的第一色度值分布表示和聚合色度值分布表示为每个子分类图像生成相应的第二色度值分布表示。例如,对于每个子分类图像,通过从平均颜色直方图中减去对应的第一颜色直方图,生成图像的第二颜色直方图。或通过从每个第一颜色直方图中减去平均颜色直方图,以生成相应的第二颜色直方图。由此,对应于图像中静态元素的像素的色度值可以被排除在第二色度值分布表示的考虑之外。所述静态元素可以包括图像背景。在某些示例中,某些元素与子分类本身无关的图像可能会随子分类图像的不同而不同。此时,利用滤波器来过滤属于对应于元素颜色范围的色度值范围内的色度值。
在为子分类图像生成第二色度值分布表示之后,进一步包括标识子分类图像中存在的多种主题色。所述标识过程包括,首先确定是否已为该子分类指定颜色别名。在某些情况下,颜色别名由所述子分类的相关母项的供应商分配到所述子分类。在某些示例中,多个颜色别名与特定的子分类相关联。例如,商品项的子分类包括两种交替颜色的条纹图案,此时与每种颜色相关联的颜色别名可以与子分类相关联。
如果多个颜色别名已与子分类相关联,则执行数据库搜索来标识每个颜色的相应色度值。色度值可以是任何合适的颜色空间中的元组,例如LAB颜色空间中的元组、RGB颜色空间中的元组等。在标识与子分类相关联的每个颜色别名的相应色度值后,分析子分类图像的第二色度值分布表示,以标识多个色簇。如果没有颜色别名与子分类相关联,则跳过上述数据库搜索步骤,继续标识色簇。
所述色簇是指在第二色度值分布中表示的多种颜色的组。在某些示例中,阈值是LAB颜色空间中颜色之间的色差临界距离。如果第二色度值分布是颜色直方图,则阈值对应于色簇的范围。
在完成色簇标识之后,确定表示色簇强度的度量。该度量包括第二颜色直方图中对应于色簇内的特征颜色的像素数。然后利用强度度量来计算色簇的分值。在颜色别名与子分类相关联的示例中,色簇的分值可通过将强度度量除以色簇距与所述颜色别名相关联的色度值的距离来计算。选择色簇中特定特征颜色的色度值,以确定色簇与关联于颜色别名的色度值的距离。在其他示例中,还可选择色簇内每种颜色的平均色度值来计算距离。如果多个颜色别名已与子分类相关联,例如,具有交替颜色的条纹图案的商品,则相对于每个颜色别名计算色簇的分值。此外,还可以从色簇中选择任何合适的色度值来计算距离。而在没有颜色别名预先与子分类相关联的示例中,所有颜色距离可被正则化为1,此时强度度量本身可表示色簇的分值。
优选地,将为每个标识的色簇计算的分值与所述阈值进行比较,以确定是否从色簇中选择一种颜色作为主题色,用于子分类的特征图像中。如果为色簇计算的分值达到或超过阈值,则来自色簇的特定特征颜色可被标识为主题色。如果多个色簇满足阈值,则选择多个主题色用于样本颜色图像。在没有色簇满足阈值的示例中,选择色簇中具有最高分值的颜色作为主题色。
色簇中的每种颜色可能无法与色簇中的其他颜色区分开,因此,将色簇中具有满足阈值的分值的任一种颜色选择为主题色。例如,可以选择颜色直方图中具有最大峰值的颜色。或可以对色簇中每种颜色的色度值进行平均,并且可以选择平均色度值作为主题色。还可以从分值满足阈值的色簇中随机选择一种颜色作为主题色。
当多个颜色已被标识为在子分类中占多数时,选择第一主题色用于子分类的特征图像的第一子集,并且选择第二主题色用于子分类的特征图像的第二子集。在优选实施例中,选择数据、搜索或浏览的历史数据等的用户数据,以确定第一主题色是否比第二主题色更匹配于当前子分类。或基于用户特定的选择数据、搜索或浏览历史数据而从子分类内的多个主题色中选择特定主题色用于特征图像。例如,如果特定用户已表现出对特定主题色的兴趣,则选择该颜色用于展示给该特定用户的子分类的特征图像中,而忽略其他主题色。
具体地,本发明的界面生成引擎从多个界面数据库接收输入数据,并且可以对输入数据执行处理以生成界面数据库中的输出数据。所述输入数据可以包括:子分类数据,其包括多个母项的子分类的图像、指示颜色别名的字符串到相应子分类的映射、以及字符串到颜色别名的相应色度值的映射;颜色空间数据,其指示与形成对应于多个颜色空间的多个色域的一部分的颜色相关联的色度值;以及阈值数据,其指示多个阈值,由界面生成引擎在进行多个比较时使用。所述阈值数据可以包括:第一阈值,将两种颜色之间的颜色距离与该第一阈值进行比较,以确定这些颜色是否与同一颜色元组相关联;第二阈值,将色度值分布表示中所表示的颜色之间的颜色距离与该第二阈值进行比较,以确定这些颜色是否形成同一色簇的一部分;以及第三阈值,将色簇分值与该第三阈值进行比较,以确定该色簇是否包括存在于相应子分类中的主题色。
其中第一、第二和/或第三阈值中的可以是相等的数值。此外任何数量的其他阈值也可以包括于阈值数据中,并且被界面生成引擎用于进行比较。例如,第一颜色元组包括彼此在第一阈值颜色距离内的颜色,而第二颜色元组包括彼此在第二不同阈值颜色距离内的颜色。类似地,将为第一色簇计算的分值与第一分值阈值进行比较,并且可以将第二色簇的分值与第二不同分值阈值进行比较,以确定第一和/或第二色簇是否包括属于特征图像中的主题色。
其中,存储于界面数据库中的输出数据包括:颜色分类数据,其指示子分类图像中存在的每种颜色已被分配到的颜色元组以及各种颜色元组的特征颜色的色度值;色度值分布数据,其包括每个子分类图像的第一和第二色度值分布表示,以及该组子分类图像的平均色度值分布表示;以及分值数据,其包括为已标识的各种色簇计算的分值。界面数据库还可存储其他数据,例如用户选择数据、搜索或浏览数据。与包括子分类的第二主题色的第二组特征图像相比,指示包括子分类的第一主题色的第一组特征图像的性能的数据等,其中性能基于子分类的选择数据、搜索或浏览数据等来测量。
界面生成引擎确定在母项的子分类的特征图像中利用的多种主题色。对应于主题色的色度值被存储为子分类数据的一部分,并且利用存储的色度值生成特征图像,并且结合子分类图像来显示特征图像。例如将商品项的特定子分类的图像显示在商品页面上。子分类图像包括展示在子分类项目上的多种颜色。所述图像还包括子分类商品中不存在的其他颜色,例如背景颜色,还可进一步包括被确定为不占主导的子分类的其他颜色。界面生成引擎将特定颜色标识为主题色,并且将主题色的特征图像与子分类图像相关联地展示。
在本发明进一步的示例中,还包括对提供给客户端的相似商品的多个候选内容的数据进行管理。界面生成引擎从多个候选内容中选择出的相似商品提供给客户端。候选相似商品的数据可以是表示广告的内容的图像数据。另外,由界面生成引擎管理的候选内容存储在内容服务器中,或者存储在界面数据库,由界面生成引擎读取。
所述界面生成引擎指定作为相似商品的嵌入位置的商品页面的特征颜色。商品页面的特征颜色与上述商品的特征颜色不同,页面的特征颜色是客户端显示的商品页面的主色,或在商品页面内显示的显示颜色中占据最大面积的颜色。
界面生成引擎确定从内容服务器向客户端提供的相似商品的内容和显示颜色。所述界面生成引擎将嵌入在商品页面中的相似商品的显示颜色设置为与所确定的特征颜色相关联的颜色。具体地,所述界面生成引擎通过从多个候选内容中选择根据商品页面的特征颜色的候选内容作为相似商品,来确定相似商品的颜色。可选地,通过将基于其它条件选择出的相似商品中包含的颜色信息转换为根据商品页面的特征颜色来设置相似商品的颜色。
所述界面生成引擎根据商品页面的特征颜色来确定相似商品的颜色。由此,以与商品页面的特征颜色匹配的颜色来显示相似商品。可选地,根据供应商的请求显示相对于商品页面的特征颜色更容易引起注意的颜色的相似商品。
以下对执行的特征颜色确定的具体示例进行说明。基于商品页面中的关联显示区域AR内的显示颜色,确定商品页面的特征颜色。关联显示区域AR是包含商品页面内的商品显示区域CR的区域。关联显示区域AR可以是沿商品显示区域CR的外周的区域。这种情况下的关联显示区域AR的大小可以根据商品显示区域CR的大小来确定。此外,关联显示区域AR也可以是客户端初始显示商品页面时显示在客户端内的区域。在这种情况下,从客户端获取表示客户端中的显示商品页面的区域的大小的信息。关联显示区域AR的大小根据客户端显示商品页面时的显示环境而发生变化,如客户端自身的尺寸、分辨率、客户端内的网络浏览器程序的显示区域的大小等。
优选地,关联显示区域AR根据描述商品页面的XML文档数据中包含的XML元素的信息来确定。因此,预先确定在其内部包含嵌入相似商品的商品显示区域CR的上位XML元素,将由该上位XML元素所划定的区域作为关联显示区域AR。其中,上位XML元素不限于与商品显示区域CR对应的XML元素的直接父元素,也可以是祖先元素等多级上位XML元素。
然后基于以上方法确定的关联显示区域AR内的显示颜色来确定特征颜色。从服务器或客户端获取页面数据,生成商品页面。另外,累加所生成的商品页面中的关联显示区域AR中包含的各像素的颜色数据,生成表示各颜色的出现频率的直方图。将颜色直方图中出现频度最高的颜色,即在关联显示区域AR内占据最大面积的颜色确定为特征颜色。或者提取颜色直方图中出现频率占预定比例以上的颜色,将提取出的颜色的平均颜色确定为商品页面的特征颜色。
可选地,通过将关联显示区域AR内包含的各像素的颜色分类为多个色块来确定特征颜色。
具体地,色块是将色相环均等地分割为预定数量而得到的区块。根据色调将颜色分类为多个色块时,将各像素的颜色转换为包含色调的色系的值。作为具体示例,以色相为基础,将色度为预定义值以上的颜色分类为12个色块,对于色度小于预定义值的颜色,如果其亮度小于预定义的第1阈值则分类为黑色块,如果其亮度大于等于第1阈值则分类为灰色块。
通过将关联显示区域AR中包含的各像素的颜色分类为多个色块,能够生成表示每个色块的出现频率的直方图。将表示该色块单位的颜色分布的直方图称为色块直方图。基于该色块直方图中频度最高的色块中包含的显示颜色,确定商品页面的特征颜色。例如将比例最大的系统所包含的显示颜色中,比例最大的颜色确定为商品页面的特征颜色。或将属于比例最大的色块的色调范围的中央值对应的颜色作为商品页面的特征颜色。
在实际描述商品页面时,通过确定关联显示区域AR内的各像素的显示颜色来确定特征颜色。基于包括在商品页面中的位图图像中,并且实际显示在关联显示区域AR中的颜色来确定特征颜色。也可以从样式表数据中获取商品页面中包含的XML元素的配色信息,并基于该配色信息设置的颜色来确定特征颜色。在一个具体实施例中,将包含商品显示区域CR的上位XML元素设置为背景色、或商品页面整体的背景色的颜色确定为特征颜色。
在从预设的多个候选相似商品中选择具有特定特征颜色的相似商品的过程中,首先需要指定候选内容各自的特征颜色。特征颜色可将整个候选相似商品作为关联显示区域来确定特征颜色,或将创建候选相似商品的数据的供应商指定的颜色信息确定为该候选相似商品的特征颜色。当从数据供应商接收候选内容的数据时,接收指定特征颜色的配色信息,并与各候选相似商品相关联地存储所确定的候选相似商品的特征颜色的信息。所述界面生成引擎利用该预先确定的各候选相似商品的特征颜色和商品页面的特征颜色,从多个候选相似商品中选择出待提供的相似商品。具体地,所述界面生成引擎从多个候选相似商品中选择出其特征颜色满足与商品页面的特征颜色之间的预定义对应关系的候选相似商品作为相似商品。
假设所述预定义对应关系是相似商品的特征颜色的色调和商品页面的特征颜色的色调成为互补色的关系,通过选择出与商品页面的特征颜色具有补色关系的特征颜色的候选相似商品作为相似商品,使商品页面和相似商品协调。
作为具体示例,假设在候选相似商品中,包含背景色例如为红色或蓝色的候选相似商品等颜色不同的数据。所述界面生成引擎首先确定根据给定的选择出基础提供的商品分类。例如从客户端获取用户的偏好信息和属性信息等,并且基于该信息来确定作为关联商品。然后,从显示颜色相互不同的多个候选相似商品中,选择出根据商品页面的特征颜色而确定的颜色的相似商品。通过对相同商品准备多个颜色的候选相似商品,选择出与商品页面的特征颜色协调的颜色的候选相似商品作为相似商品。
其中,在颜色特征提取阶段,本发明优选地利用线性分类器进行特征的确定,对所提取特征进行分析,并输出与商品图像相关联的多个颜色属性。当从线性分类器接收到图像中商品的潜在颜色属性列表,则将商品描述中提供的颜色属性与线性分类器输出的颜色属性进行比较,以识别冲突的颜色属性。或将用户提供的反馈用于更新线性分类器的训练。在其他实施例中,可以利用由线性分类器输出的全部颜色属性来校正由用户提供的项目描述。在接收由线性分类器输出的多个潜在颜色属性的列表之后。用户可以提供反馈,标识哪些潜在颜色属性是正确的,哪些潜在颜色属性是不正确的,用于更新线性分类器的训练。
在有监督的情况下,利用训练图像数据库中的所有图像来训练线性分类器。例如通过以下特征提取方式从图像中提取颜色特征来训练线性分类器。将颜色特征进行组合以生成特征向量x∈Rd,其中d是颜色特征的总的维度,R为实数域。对于每一类颜色属性,对于各分类的元素,将标签y定义为等于1,并且对于所有其他分类的元素,将y定义为等于-1。然后为每个分类生成权重向量w∈Rd,使得正确标签的概率p(y|w,x)根据w的L2范数约束最小化。利用的模型如下:
其中λ为预设L2范数约束阈值。
在无监督的情况下,利用存储在界面数据库中的所有图像来训练颜色向量模型。如下所述,颜色向量模型可用于识别与用户所选择的项相似的项。利用多个提取的特征来识别所述项中的颜色属性,利用颜色向量模型来生成项的表示,并且在降低的维度空间中比较表示两者的接近度,以标识可能包括相似颜色属性的项。
在提取特征之前,将图像归一化到预设尺寸,并生成颜色值列表,列表中每个像素对应一个元素,然后利用颜色值的向量来计算颜色描述符。所述颜色描述符表示从图像中的多个片段中提取的局部图像统计数据被聚类之后形成的生成固定大小的图像描述符。将图像中的每个片段分配至其最近的聚类中心,并计算图像中所有片段的聚类中心的直方图。
然后,利用相对大的数据集计算近似核函数,将核函数表示如下:
其中x表示直方图x轴上的值,y表示直方图y轴上的值。d是颜色特征的总的维度。所述近似核函数将数据点投影到高维特征空间,将非线性依赖改变为线性依赖。通过上述近似核函数,识别颜色属性和标签之间的非线性依赖关系,以帮助训练线性分类器。
为通过所述特征向量来识别图像中对象的颜色属性,将颜色属性作为字符串,并且将所述字符串匹配用于训练线性分类器的标记图像中存在的字符串。在一个实施例中,将线性分类器输出的颜色属性进行合并,并指示线性分类器计算图像中相应颜色属性的项的置信度分值。置信度分值可用于确定项目描述被自动校正还是请求来自用户的反馈。例如,如果与颜色属性相关联的置信度分值低于阈值,则请求用户关于所识别的颜色属性的反馈。如果与颜色属性相关联的置信度分值高于阈值,则利用所识别的颜色属性来自动校正项目的描述。
综上所述,本发明提出了一种基于大数据的人工智能的界面生成方法,能够在商品子分类的特征图像中显示更大范围和粒度的颜色,或为子分类展示更准确表示具有多个主题色的子分类图像的特征图像。
显然,本领域的技术人员应该理解,上述的本发明的各模块或各步骤可以用通用的计算系统来实现,它们可以集中在单个的计算系统上,或分布在多个计算系统所组成的网络上,可选地,它们可以用计算系统可执行的程序代码来实现,从而,可以将它们存储在存储系统中由计算系统来执行。这样,本发明不限制于任何特定的硬件和软件结合。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或这种范围和边界的等同形式内的全部变化和修改例。
Claims (8)
1.一种基于大数据的人工智能的界面生成方法,其特征在于,包括:
标识包括商品母项的特定子分类的图像的图像集合;
确定所述图像集合中的颜色集合;
将所述颜色集合中的第一颜色和第二颜色分配到颜色元组;
确定所述颜色元组的特征颜色;
生成特定图像的第一色度值分布表示,其中第一色度值分布表示将所述特定图像中具有对应于所述第一颜色或所述第二颜色的色度值的每个像素与特征颜色的色度值相关联;
生成所述图像集合的聚合色度值分布表示;
基于所述聚合色度值分布表示来修改第一色度值分布表示,以生成特定图像的第二色度值分布表示;
基于所述第二色度值分布表示,选择所述特征颜色作为主题色,以包含在对应于所述特定子分类的特征图像中;
修改界面源文件,以利用主题色生成所述特征图像;以及
响应于对界面内容的请求,生成包括主题色的特征图像,其中所述特征图像表示母项的特定子分类的主题色。
2.根据权利要求1所述的方法,其特征在于,进一步包括:
标识存在于所述第二色度值分布表示中的色簇;
确定色簇的分值;
确定分值是否达到或超过阈值;
以及基于分值是否满足或超过阈值来选择所述特征颜色作为所述主题色。
3.根据权利要求1所述的方法,其中将所述第一颜色和所述第二颜色分配到所述颜色元组包括,确定所述第一颜色的第一色度值和所述第二颜色的第二色度值之间的颜色距离在阈值颜色距离内。
4.根据权利要求1所述的方法,其中将所述第一颜色分配到所述颜色元组包括:确定所述第一颜色的色度值和对应于已被分配到现有颜色元组的所述颜色集合中的多种其他颜色中的每一种的相应色度值之间的距离超过阈值颜色距离;以及将第一颜色分配到新的颜色元组,其中新的颜色元组是颜色元组。
5.根据权利要求1所述的方法,其中,确定所述颜色元组的特征颜色包括,通过执行所述颜色集合的位深度压缩,将所述颜色集合归并为特征颜色集合。
6.根据权利要求1所述的方法,其中对应于所述特征颜色的色度值是从对应于所述颜色元组中的每种颜色的相应色度值生成的统计量。
7.根据权利要求1所述的方法,其中所述第一色度值分布表示包括第一颜色直方图,所述第二色度值分布表示包括第二颜色直方图,并且所述聚合色度值分布表示包括所述图像集合的平均颜色直方图,并且其中修改所述第一颜色直方图包括:
对于每个特征颜色,从平均颜色直方图中特征颜色的相应像素数减去第一颜色直方图中特征颜色的相应像素数,或
对于每个特征颜色,从第一颜色直方图中特征颜色的相应像素数中减去平均颜色直方图中特征颜色的相应像素数;
所述特征颜色是第一特征颜色,其中所述特征颜色中的第二特征颜色对应于所述图像集中的静态元素,对应于所述第二颜色直方图中的所述第二特征颜色的像素数小于对应于所述第一颜色直方图中的所述第二特征颜色的像素数。
8.根据权利要求1所述的方法,其中所述特征颜色是第一特征颜色,并且所述第一特征颜色的色度值是第一色度值,并且其中标识所述色簇包括:
确定所述第一色度值在距所述第二色度值分布表示中的第二特征颜色的第二色度值的阈值颜色距离内;并且确定色簇包括第一特征颜色和第二特征颜色;
其中确定所述色簇的分值包括:基于具有对应于所述色簇中的多种颜色的色度值的总像素数来确定所述色簇的强度度量;以及与特定子分类相关联的颜色别名的色度值之间的颜色距离来划分强度度量;
其中所述色簇和所述颜色别名的色度值之间的颜色距离包括:所述颜色别名的色度值和所述色簇中的第一色度值、第二色度值或第三特征颜色的第三色度值之一之间的颜色距离,或所述色簇的平均色度值和所述颜色别名的色度值之间的颜色距离;
所述方法还包括:
存储所述特征颜色的色度值;
传输所述特征颜色的色度值,用于生成所述特定子分类的特征图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110288080.5A CN112837137B (zh) | 2021-03-17 | 2021-03-17 | 基于大数据的人工智能的界面生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110288080.5A CN112837137B (zh) | 2021-03-17 | 2021-03-17 | 基于大数据的人工智能的界面生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112837137A true CN112837137A (zh) | 2021-05-25 |
CN112837137B CN112837137B (zh) | 2024-02-02 |
Family
ID=75930189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110288080.5A Active CN112837137B (zh) | 2021-03-17 | 2021-03-17 | 基于大数据的人工智能的界面生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112837137B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655983A (zh) * | 2008-08-18 | 2010-02-24 | 索尼(中国)有限公司 | 主颜色提取装置和方法 |
CN108206917A (zh) * | 2017-12-29 | 2018-06-26 | 中兴通讯股份有限公司 | 图像处理的方法及装置、存储介质、电子装置 |
CN109783178A (zh) * | 2019-01-24 | 2019-05-21 | 北京字节跳动网络技术有限公司 | 一种界面组件的颜色调整方法、装置、设备和介质 |
CN110298365A (zh) * | 2019-07-04 | 2019-10-01 | 浙江大学滨海产业技术研究院 | 一种基于人眼视觉的主题色提取方法 |
US10672049B1 (en) * | 2014-09-23 | 2020-06-02 | Amazon Technologies, Inc. | Sample color selection for online retail items |
-
2021
- 2021-03-17 CN CN202110288080.5A patent/CN112837137B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655983A (zh) * | 2008-08-18 | 2010-02-24 | 索尼(中国)有限公司 | 主颜色提取装置和方法 |
US10672049B1 (en) * | 2014-09-23 | 2020-06-02 | Amazon Technologies, Inc. | Sample color selection for online retail items |
CN108206917A (zh) * | 2017-12-29 | 2018-06-26 | 中兴通讯股份有限公司 | 图像处理的方法及装置、存储介质、电子装置 |
CN109783178A (zh) * | 2019-01-24 | 2019-05-21 | 北京字节跳动网络技术有限公司 | 一种界面组件的颜色调整方法、装置、设备和介质 |
CN110298365A (zh) * | 2019-07-04 | 2019-10-01 | 浙江大学滨海产业技术研究院 | 一种基于人眼视觉的主题色提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112837137B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9348844B2 (en) | System and method for normalization and codification of colors for dynamic analysis | |
US9116925B2 (en) | Hierarchical ranking of facial attributes | |
US11238617B2 (en) | Normalization of color from a digital image into a universal digital color system for specification and matching | |
JP6315524B2 (ja) | 色パレットを使用した自動的な画像ベースの推奨 | |
US8417568B2 (en) | Generation of contextual image-containing advertisements | |
JP7469330B2 (ja) | 機械画像色の抽出および抽出された色を用いた機械画像構築 | |
US6556710B2 (en) | Image searching techniques | |
US20150262549A1 (en) | Color Palette Generation | |
US20130249934A1 (en) | Color-based identification, searching and matching enhancement of supply chain and inventory management systems | |
US20020090148A1 (en) | Image and text searching techniques | |
CN107862562B (zh) | 一种根据用户的图片喜好选择进行商品推荐的方法及装置 | |
US20160371854A1 (en) | System for normalizing, codifying and categorizing color-based product and data based on a univerisal digital color system | |
CN114997956B (zh) | 基于大数据的母婴产品智能推荐系统 | |
US6522780B1 (en) | Indexing of images and/or text | |
CN112837137B (zh) | 基于大数据的人工智能的界面生成方法 | |
US6522779B2 (en) | Representing an image with a posterized joint histogram | |
CN112380450A (zh) | 一种基于云库存用商品库检索系统 | |
US20220284499A1 (en) | Feature-level recommendations for content items | |
CN112218006B (zh) | 一种多媒体数据处理方法、装置、电子设备及存储介质 | |
JP3492991B2 (ja) | 画像処理装置及び画像処理方法並びに記録媒体 | |
US6671402B1 (en) | Representing an image with weighted joint histogram | |
Roberto e Souza et al. | A Hybrid Approach Using the k‐means and Genetic Algorithms for Image Color Quantization | |
WO2013184804A1 (en) | System and method for normalization and codificaton of colors for dyanamic analysis | |
Barrilero et al. | In-network content based image recommendation system for Content-aware Networks | |
CN116862626B (zh) | 一种多模态商品对齐方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |