CN113127728A - 一种处理物品场景图的方法和装置 - Google Patents
一种处理物品场景图的方法和装置 Download PDFInfo
- Publication number
- CN113127728A CN113127728A CN202010047478.5A CN202010047478A CN113127728A CN 113127728 A CN113127728 A CN 113127728A CN 202010047478 A CN202010047478 A CN 202010047478A CN 113127728 A CN113127728 A CN 113127728A
- Authority
- CN
- China
- Prior art keywords
- scene
- item
- article
- target
- graph
- 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 57
- 238000012545 processing Methods 0.000 title claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 24
- 238000012216 screening Methods 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 abstract description 20
- 230000001419 dependent effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000012015 optical character recognition Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000013589 supplement Substances 0.000 description 4
- 230000009194 climbing Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 229910000838 Al alloy Inorganic materials 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229920000049 Carbon (fiber) Polymers 0.000 description 1
- 241000253999 Phasmatodea Species 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000004917 carbon fiber Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种处理物品场景图的方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:从目标物品的场景图中识别出场景物品及其所属类别;根据所述场景物品的所属类别,从物品库中匹配出所述场景物品对应的推荐物品;将所述推荐物品加入到所述目标物品的推荐候选集合中。该实施方式能够解决过于依赖用户历史行为的技术问题。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种处理物品场景图的方法和装置。
背景技术
随着互联网技术的发展,电子商务(Electronic Business,E-Business)在我们的日常生活中随处可见。其中,推荐系统至关重要,通过使用有效的推荐算法,向用户提供物品信息和建议。
目前,现有的推荐算法通常是根据用户的历史行为(比如浏览记录、对商品的评分、购买记录等),找出与该用户相似的目标用户,然后根据查找到的该用户的偏好为目标用户进行物品推荐,期望找到用户感兴趣的物品。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
通常基于用户偏好本身而向用户推荐其感兴趣的物品,存在着一个问题,那就是过于依赖用户的历史行为。如果一个新的物品从来没有销售历史,便不会被算法进行推荐,只能通过其他方法进行强制曝光;另外,根据用户历史行为进行推荐,只会将推荐结果限制在用户历史行为对应的物品中,其他的物品很难脱颖而出。
发明内容
有鉴于此,本发明实施例提供一种处理物品场景图的方法和装置,以解决过于依赖用户历史行为的技术问题。
为实现上述目的,根据本发明实施例的一个方面,提供了一种处理物品场景图的方法,包括:
从目标物品的场景图中识别出场景物品及其所属类别;
根据所述场景物品的所属类别,从物品库中匹配出所述场景物品对应的推荐物品;
将所述推荐物品加入到所述目标物品的推荐候选集合中。
可选地,从目标物品的场景图中识别出场景物品之前,还包括:
获取目标物品的详情图;其中,所述详情图至少包括场景图;
从所述目标物品的详情图中筛选出场景图。
可选地,从所述目标物品的详情图中筛选出场景图,包括:
采用文字识别算法识别出所述目标物品的每一张详情图的文字数量;
若存在任意一张详情图的文字数量小于预设的数量阈值,则将该张详情图作为所述目标物品的场景图。
可选地,从目标物品的场景图中识别出场景物品及其所属类别,包括:
通过训练集训练神经网络,得到训练后的神经网络;所述训练集包括多张物品图以及每张物品图中各个物品的所属类别;
采用训练后的神经网络,从目标物品的场景图中识别出各个物品及其所属类别;
从所述各个物品中剔除所述目标物品,从而得到所述场景物品及其所属类别。
可选地,所述神经网络为Region-CNN,所述神经网络的训练方法为随机梯度下降法。
可选地,根据所述场景物品的所属类别,从物品库中匹配出所述场景物品对应的推荐物品,包括:
根据所述场景物品的所属类别,从物品库中匹配出所述场景物品对应的物品集合;
基于预设规则,从所述物品集合中筛选出至少一个物品作为所述场景物品对应的推荐物品。
可选地,将所述推荐物品加入到所述目标物品的推荐候选集合中之前,还包括:
根据所述目标物品的所属类别,从物品库中匹配出所述目标物品对应的推荐候选集合。
另外,根据本发明实施例的另一个方面,提供了一种处理物品场景图的装置,包括:
识别模块,用于从目标物品的场景图中识别出场景物品及其所属类别;
匹配模块,用于根据所述场景物品的所属类别,从物品库中匹配出所述场景物品对应的推荐物品;
推荐模块,用于将所述推荐物品加入到所述目标物品的推荐候选集合中。
可选地,所述识别模块还用于:
从目标物品的场景图中识别出场景物品之前,获取目标物品的详情图;其中,所述详情图至少包括场景图;
从所述目标物品的详情图中筛选出场景图。
可选地,所述识别模块还用于:
采用文字识别算法识别出所述目标物品的每一张详情图的文字数量;
若存在任意一张详情图的文字数量小于预设的数量阈值,则将该张详情图作为所述目标物品的场景图。
可选地,所述识别模块还用于:
通过训练集训练神经网络,得到训练后的神经网络;所述训练集包括多张物品图以及每张物品图中各个物品的所属类别;
采用训练后的神经网络,从目标物品的场景图中识别出各个物品及其所属类别;
从所述各个物品中剔除所述目标物品,从而得到所述场景物品及其所属类别。
可选地,所述神经网络为Region-CNN,所述神经网络的训练方法为随机梯度下降法。
可选地,所述匹配模块还用于:
根据所述场景物品的所属类别,从物品库中匹配出所述场景物品对应的物品集合;
基于预设规则,从所述物品集合中筛选出至少一个物品作为所述场景物品对应的推荐物品。
可选地,所述推荐模块还用于:
将所述推荐物品加入到所述目标物品的推荐候选集合中之前,根据所述目标物品的所属类别,从物品库中匹配出所述目标物品对应的推荐候选集合。
根据本发明实施例的另一个方面,还提供了一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述任一实施例所述的方法。
根据本发明实施例的另一个方面,还提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现上述任一实施例所述的方法。
上述发明中的一个实施例具有如下优点或有益效果:因为采用从目标物品的场景图中识别出场景物品及其所属类别,根据场景物品的所属类别从物品库中匹配出场景物品对应的推荐物品的技术手段,所以克服了现有技术中过于依赖用户历史行为的技术问题。本发明实施例对目标物品的场景图进行识别,识别出场景图中包含的场景物品,然后在物品库中进行匹配,将匹配出的推荐物品将入到目标物品原有的推荐候选集合中作为补充,整个过程操作简洁且时间短,大大提高了推荐物品的丰富度,进而提高推荐的效果,增加用户满意度。本发明实施例基于物品本身的特点及其应用场景,不再需要用户历史行为,因此新品和老品的推荐优先级没有区别;并且不会将推荐结果局限在用户历史行为对应的物品中,只要是可能会出现在同一个应用场景中的物品都可能会被推荐出来,从而准确地命中用户的需求。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的处理物品场景图的方法的主要流程的示意图;
图2是根据本发明一个可参考实施例的处理物品场景图的方法的主要流程的示意图;
图3是根据本发明实施例的商详图的示意图;
图4是根据本发明实施例的场景图的示意图;
图5是根据本发明实施例的处理物品场景图的装置的主要模块的示意图;
图6是本发明实施例可以应用于其中的示例性系统架构图;
图7是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
推荐算法通常使用物品的单边特征、用户交互行为的双边特征等作为数据特征,建立模型进行推荐,比如协同过滤算法等。这些模型的共同点是需要依赖用户的历史行为,比如浏览记录、对物品的评分、购买记录等,一旦历史记录稀疏便可能会遇到冷启动或者推荐结果受限的问题。
为了解决现有技术中存在的技术问题,本发明实施例提出了一种处理物品场景图的方法,该方法从物品本身的特征和所在场景进行推荐,从而向用户推荐其从事某种活动或处于某种场景下所需要的其他物品,从而准确地命中用户的需求。
图1是根据本发明实施例的处理物品场景图的方法的主要流程的示意图。作为本发明的一个实施例,如图1所示,所述处理物品场景图的方法可以包括:
步骤101,从目标物品的场景图中识别出场景物品及其所属类别。
一般来说,场景图中都会包含目标物品和场景物品,为了向用户推荐其从事某种活动或处于某种场景下所需要的其他物品,需要先从包含目标物品的场景图中识别出场景物品以及各个场景物品的所属类别。
可选地,从目标物品的场景图中识别出场景物品之前,还包括:获取目标物品的详情图;其中,所述详情图至少包括场景图;从所述目标物品的详情图中筛选出场景图。在本发明的实施例中,目标物品的详情图也就是商详图,商详图的全称为物品介绍详情图,指的是物品介绍页面出现的对物品的外观、属性、作用等进行详细介绍的图片,一般包括物品介绍图、使用说明图、场景图等。
商家上传物品时,往往会上传物品介绍详情图(简称商详图),包括物品介绍图、使用说明图、使用场景图等,来帮助消费者更快地了解物品的特点。这些图片通常会包含本物品的应用场景,比如户外场景、运动场景、卧室场景、洁厕场景等。处于同一场景的物品之间往往有较强的关联,用户在购买物品时很可能会对同一个场景中的其他物品也有需求。在获得商家上传的商详图后,对商详图进行初步过滤,筛选出场景图,场景图中既包含了场景信息也包含了该场景下的具有较强关联的物品。
可选地,从所述目标物品的详情图中筛选出场景图,包括:采用文字识别算法识别出所述目标物品的每一张详情图的文字数量;若存在任意一张详情图的文字数量小于预设的数量阈值,则将该张详情图作为所述目标物品的场景图。可选地,可以采用OCR识别出每一张详情图的文字数量,从而筛选出文字数量小于数量阈值的详情图,将其作为场景图。在本发明的实施例中,OCR(Optical Character Recognition,光学字符识别)是指电子设备(例如扫描仪或数码相机)检查纸上打印的字符,通过检测暗、亮的模式确定其形状,然后用字符识别方法将形状翻译成计算机文字的过程。
需要指出的是,数量阈值可以预先设定,如果详情图中的文字数量小于设定的数量阈值,可以将该张详情图识别为场景图。由于详情图可以包括物品介绍图、使用说明图、使用场景图,而这些图可能不止一张,因此需要采用文字识别算法依次识别出每张详情图的文字数量,从而筛选出至少一个场景图。一般来说,这些场景图中都会包含目标物品。
可选地,步骤101可以包括:通过训练集训练神经网络,得到训练后的神经网络;所述训练集包括多张物品图以及每张物品图中各个物品的所属类别;采用训练后的神经网络,从目标物品的场景图中识别出各个物品及其所属类别;从所述各个物品中剔除所述目标物品,从而得到所述场景物品及其所属类别。在本发明的实施例中,可以采用预先训练的神经网络,对场景图中的各个物品进行识别,以得到各个物品的所属类别,剔除目标物品后的物品即为场景物品。
需要指出的是,所属类别可以是一级品类、二级品类、三级品类等,训练样本的标签决定了神经网络识别出的各个物品的所属类别,本发明实施例对标签的粒度不作限制,可以根据需要进行标记。而且,每张物品图中可以包含一个或多个物品,可以分别对物品图中的各个物品标记标签,并将物品图中的每个物品框选出来。
可选地,所述神经网络为Region-CNN。Region-CNN(Region-ConvolutionalNeural Networks)是第一个成功将深度学习应用到目标检测上的算法,在图片上使用穷举法选出所有物品可能出现的区域框,对这些区域框提取特征并使用图像识别方法分类,最终输出图片中所包含的所有物品。
可选地,所述神经网络的训练方法为随机梯度下降法。随机梯度下降法(Stochastic Gradient Descent,SGD)是一种对神经网络进行训练的经典方法,用来解决深度学习中多元目标函数的最优值问题。此方法使用梯度的链式法则和梯度下降原理,对神经网络的参数进行多次更新迭代,使得神经网络的损失函数尽可能接近全局最小值。
步骤102,根据所述场景物品的所属类别,从物品库中匹配出所述场景物品对应的推荐物品。
根据步骤102得到各个场景物品的所属类别之后,将这些场景物品的所属类别输入到物品库中,从而从物品库中匹配出这些场景物品对应的推荐物品。
可选地,步骤102可以包括:根据所述场景物品的所属类别,从物品库中匹配出所述场景物品对应的物品集合;基于预设规则,从所述物品集合中筛选出至少一个物品作为所述场景物品对应的推荐物品。一般来说,通过场景物品的所述类别可以从物品库中匹配出大量的物品,为了提高推荐精准性,可以进一步结合预设规则从这些物品集合中进一步过滤出少量的物品作为推荐物品。可选地,预设规则是在物品销量排序中靠前的若干种物品,也可以是当季热销的若干种物品,还可以是当前主推的若干种物品,等。
步骤103,将所述推荐物品加入到所述目标物品的推荐候选集合中。
通常来说,每个目标物品都有其对应的推荐候选集合,比如当某个用户在浏览目标物品时,服务端会将推荐候选集合中的物品推送给该用户。将步骤102中匹配出的推荐物品加入到目标物品的推荐候选集合中,那么当用户在浏览目标物品时,也会将步骤102中匹配出的推荐物品推送给该用户,从而准确地命中用户的需求。
可选地,在步骤103之前,还包括:根据所述目标物品的所属类别,从物品库中匹配出所述目标物品对应的推荐候选集合。可以采用推荐算法根据所述目标物品的所属类别,从物品库中匹配出所述目标物品对应的推荐候选集合。
根据上面所述的各种实施例,可以看出本发明通过从目标物品的场景图中识别出场景物品及其所属类别,根据场景物品的所属类别从物品库中匹配出场景物品对应的推荐物品的技术手段,解决了现有技术中过于依赖用户历史行为的技术问题。本发明实施例对目标物品的场景图进行识别,识别出场景图中包含的场景物品,然后在物品库中进行匹配,将匹配出的推荐物品将入到目标物品原有的推荐候选集合中作为补充,整个过程操作简洁且时间短,大大提高了推荐物品的丰富度,进而提高推荐的效果,增加用户满意度。本发明实施例基于物品本身的特点及其应用场景,不再需要用户历史行为,因此新品和老品的推荐优先级没有区别;并且不会将推荐结果局限在用户历史行为对应的物品中,只要是可能会出现在同一个应用场景中的物品都可能会被推荐出来,从而准确地命中用户的需求。
图2是根据本发明一个可参考实施例的处理物品场景图的方法的主要流程的示意图。作为本发明的另一个实施例,如图2所示,所述处理物品场景图的方法可以包括:
步骤201,获取目标物品的详情图。
以某款登山背包作为目标物品,则从数据库中获取某款登山背包的商详图,如图3所示,所述商详图(即登山背包的详情图)包括物品介绍图、使用说明图和场景图。
步骤202,从所述目标物品的详情图中筛选出场景图。
可选地,步骤202包括:采用文字识别算法识别出所述目标物品的每一张详情图的文字数量;若存在任意一张详情图的文字数量小于预设的数量阈值,则将该张详情图作为所述目标物品的场景图。比如,可以采用OCR识别每一张商详图的文字数量,如果文字数量小于预设的数量阈值(比如3、5或6等),则将该张商详图作为场景图。通常来说,场景图中的文字数量较少,通过该方法可以过滤掉商详图中的非场景图。
步骤203,采用训练后的神经网络,从目标物品的场景图中识别出各个物品及其所属类别。
需要指出的是,在步骤203之前,需要先训练神经网络,比如可以通过训练集训练Region-CNN,并使用随机梯度下降法进行训练,得到训练后的Region-CNN。其中,所述训练集包括多张物品图以及每张物品图中各个物品的所属类别。训练后的Region-CNN可以准确地识别出场景图中的各个物品及其所属类别。
如图4所示,将场景图输入到训练后的Region-CNN中,采用训练后的Region-CNN对图3中的场景图进行识别,识别结果为背包、冲锋衣、登山杖和帐篷。其中,背包为目标物品,冲锋衣、登山杖和帐篷为场景物品。
步骤204,从所述各个物品中剔除所述目标物品,从而得到所述场景物品及其所属类别。
步骤205,根据所述场景物品的所属类别,从物品库中匹配出所述场景物品对应的物品集合。
以图4所示的识别结果为例,通过步骤204可以得到场景物品的所属类别包括:冲锋衣;登山杖;帐篷。
将这三个场景物品的所属类别输入到物品库中,从物品库中分别匹配出冲锋衣、登山杖、帐篷对应的物品集合。
步骤206,基于预设规则,从所述物品集合中筛选出至少一个物品作为所述场景物品对应的推荐物品。
由于通过步骤205匹配出的物品集合中包含较多的物品,不适合直接将大量的物品作为推荐物品加入到推荐候选集合中,因此可以基于预设规则,对物品集合中的各个物品进行过滤,从而筛选出至少一个物品作为各个物品场景对应的推荐物品。可选地,预设规则是在物品销量排序中靠前的若干种物品。
比如,以上述锋衣、登山杖和帐篷为例,
冲锋衣可以匹配到的推荐物品包括:
1)冲锋衣男女款三合一可拆卸抓绒内胆户外登山服冬季外套情侣款户外旅行套装潮牌加厚保暖防风防水服;
2)户外冲锋衣男女三合一保暖透气抓绒内胆两件套防风防水登山服冲锋衣裤。
登山杖可以匹配到的推荐物品包括:
1)碳素碳纤维登山杖超轻短多功能碳素手杖可折叠伸缩户外便携爬山装备拐棍男女款通用;
2)户外登山杖手杖健走杖拐杖铝合金超短三节伸缩便携徒步老人杖。
帐篷可以匹配到的推荐物品包括:
1)3-4人多人加大全自动帐篷野外野营露营双人双层牛津布帐篷;
2)全自动帐篷户外防雨野营双人双层免搭建3-4人野外露营帐篷。
步骤207,根据所述目标物品的所属类别,从物品库中匹配出所述目标物品对应的推荐候选集合。
通常来说,每个目标物品都有其对应的推荐候选集合,比如当某个用户在浏览目标物品时,服务端会将推荐候选集合中的物品推送给该用户。
步骤208,将所述推荐物品加入到所述目标物品的推荐候选集合中。
将步骤206中匹配出的推荐物品加入到目标物品的推荐候选集合中,那么当用户在浏览目标物品时,也会将步骤206中匹配出的推荐物品推送给该用户,从而准确地命中用户的需求。
另外,在本发明一个可参考实施例中处理物品场景图的方法的具体实施内容,在上面所述处理物品场景图的方法中已经详细说明了,故在此重复内容不再说明。
图5是根据本发明实施例的处理物品场景图的装置的主要模块的示意图,如图5所示,所述处理物品场景图的装置500包括识别模块501、匹配模块502和推荐模块503。其中,识别模块501用于从目标物品的场景图中识别出场景物品及其所属类别;匹配模块502用于根据所述场景物品的所属类别,从物品库中匹配出所述场景物品对应的推荐物品;推荐模块503用于将所述推荐物品加入到所述目标物品的推荐候选集合中。
可选地,所述识别模块501还用于:
从目标物品的场景图中识别出场景物品之前,获取目标物品的详情图;其中,所述详情图至少包括场景图;
从所述目标物品的详情图中筛选出场景图。
可选地,所述识别模块501还用于:
采用文字识别算法识别出所述目标物品的每一张详情图的文字数量;
若存在任意一张详情图的文字数量小于预设的数量阈值,则将该张详情图作为所述目标物品的场景图。
可选地,所述识别模块501还用于:
通过训练集训练神经网络,得到训练后的神经网络;所述训练集包括多张物品图以及每张物品图中各个物品的所属类别;
采用训练后的神经网络,从目标物品的场景图中识别出各个物品及其所属类别;
从所述各个物品中剔除所述目标物品,从而得到所述场景物品及其所属类别。
可选地,所述神经网络为Region-CNN,所述神经网络的训练方法为随机梯度下降法。
可选地,所述匹配模块502还用于:
根据所述场景物品的所属类别,从物品库中匹配出所述场景物品对应的物品集合;
基于预设规则,从所述物品集合中筛选出至少一个物品作为所述场景物品对应的推荐物品。
可选地,所述推荐模块503还用于:
将所述推荐物品加入到所述目标物品的推荐候选集合中之前,根据所述目标物品的所属类别,从物品库中匹配出所述目标物品对应的推荐候选集合。
根据上面所述的各种实施例,可以看出本发明通过从目标物品的场景图中识别出场景物品及其所属类别,根据场景物品的所属类别从物品库中匹配出场景物品对应的推荐物品的技术手段,解决了现有技术中过于依赖用户历史行为的技术问题。本发明实施例对目标物品的场景图进行识别,识别出场景图中包含的场景物品,然后在物品库中进行匹配,将匹配出的推荐物品将入到目标物品原有的推荐候选集合中作为补充,整个过程操作简洁且时间短,大大提高了推荐物品的丰富度,进而提高推荐的效果,增加用户满意度。本发明实施例基于物品本身的特点及其应用场景,不再需要用户历史行为,因此新品和老品的推荐优先级没有区别;并且不会将推荐结果局限在用户历史行为对应的物品中,只要是可能会出现在同一个应用场景中的物品都可能会被推荐出来,从而准确地命中用户的需求。
需要说明的是,在本发明所述处理物品场景图的装置的具体实施内容,在上面所述处理物品场景图的方法中已经详细说明了,故在此重复内容不再说明。
图6示出了可以应用本发明实施例的处理物品场景图的方法或处理物品场景图的装置的示例性系统架构600。
如图6所示,系统架构600可以包括终端设备601、602、603,网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备601、602、603通过网络604与服务器605交互,以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器605可以是提供各种服务的服务器,例如对用户利用终端设备601、602、603所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的物品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、物品信息——仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的处理物品场景图的方法一般由服务器605执行,相应地,所述处理物品场景图的装置一般设置在服务器605中。本发明实施例所提供的处理物品场景图的方法也可以由终端设备601、602、603执行,相应地,所述处理物品场景图的装置可以设置在终端设备601、602、603中。
应该理解,图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图7,其示出了适于用来实现本发明实施例的终端设备的计算机系统700的结构示意图。图7示出的终端设备仅仅是一个示例,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7所示,计算机系统700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机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。而在本发明中,计算机可读的信号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,其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、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。计算机可读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、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括识别模块、匹配模块和推荐模块,其中,这些模块的名称在某种情况下并不构成对该模块本身的限定。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:从目标物品的场景图中识别出场景物品及其所属类别;根据所述场景物品的所属类别,从物品库中匹配出所述场景物品对应的推荐物品;将所述推荐物品加入到所述目标物品的推荐候选集合中。
根据本发明实施例的技术方案,因为采用从目标物品的场景图中识别出场景物品及其所属类别,根据场景物品的所属类别从物品库中匹配出场景物品对应的推荐物品的技术手段,所以克服了现有技术中过于依赖用户历史行为的技术问题。本发明实施例对目标物品的场景图进行识别,识别出场景图中包含的场景物品,然后在物品库中进行匹配,将匹配出的推荐物品将入到目标物品原有的推荐候选集合中作为补充,整个过程操作简洁且时间短,大大提高了推荐物品的丰富度,进而提高推荐的效果,增加用户满意度。本发明实施例基于物品本身的特点及其应用场景,不再需要用户历史行为,因此新品和老品的推荐优先级没有区别;并且不会将推荐结果局限在用户历史行为对应的物品中,只要是可能会出现在同一个应用场景中的物品都可能会被推荐出来,从而准确地命中用户的需求。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种处理物品场景图的方法,其特征在于,包括:
从目标物品的场景图中识别出场景物品及其所属类别;
根据所述场景物品的所属类别,从物品库中匹配出所述场景物品对应的推荐物品;
将所述推荐物品加入到所述目标物品的推荐候选集合中。
2.根据权利要求1所述的方法,其特征在于,从目标物品的场景图中识别出场景物品之前,还包括:
获取目标物品的详情图;其中,所述详情图至少包括场景图;
从所述目标物品的详情图中筛选出场景图。
3.根据权利要求2所述的方法,其特征在于,从所述目标物品的详情图中筛选出场景图,包括:
采用文字识别算法识别出所述目标物品的每一张详情图的文字数量;
若存在任意一张详情图的文字数量小于预设的数量阈值,则将该张详情图作为所述目标物品的场景图。
4.根据权利要求1所述的方法,其特征在于,从目标物品的场景图中识别出场景物品及其所属类别,包括:
通过训练集训练神经网络,得到训练后的神经网络;其中,所述训练集包括多张物品图以及每张物品图中各个物品的所属类别;
采用训练后的神经网络,从目标物品的场景图中识别出各个物品及其所属类别;
从所述各个物品中剔除所述目标物品,从而得到所述场景物品及其所属类别。
5.根据权利要求4所述的方法,其特征在于,所述神经网络为Region-CNN,所述神经网络的训练方法为随机梯度下降法。
6.根据权利要求1所述的方法,其特征在于,根据所述场景物品的所属类别,从物品库中匹配出所述场景物品对应的推荐物品,包括:
根据所述场景物品的所属类别,从物品库中匹配出所述场景物品对应的物品集合;
基于预设规则,从所述物品集合中筛选出至少一个物品作为所述场景物品对应的推荐物品。
7.根据权利要求1所述的方法,其特征在于,将所述推荐物品加入到所述目标物品的推荐候选集合中之前,还包括:
根据所述目标物品的所属类别,从物品库中匹配出所述目标物品对应的推荐候选集合。
8.一种处理物品场景图的装置,其特征在于,包括:
识别模块,用于从目标物品的场景图中识别出场景物品及其所属类别;
匹配模块,用于根据所述场景物品的所属类别,从物品库中匹配出所述场景物品对应的推荐物品;
推荐模块,用于将所述推荐物品加入到所述目标物品的推荐候选集合中。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,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如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010047478.5A CN113127728A (zh) | 2020-01-16 | 2020-01-16 | 一种处理物品场景图的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010047478.5A CN113127728A (zh) | 2020-01-16 | 2020-01-16 | 一种处理物品场景图的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113127728A true CN113127728A (zh) | 2021-07-16 |
Family
ID=76771930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010047478.5A Pending CN113127728A (zh) | 2020-01-16 | 2020-01-16 | 一种处理物品场景图的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113127728A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850567A (zh) * | 2014-02-19 | 2015-08-19 | 阿里巴巴集团控股有限公司 | 一种识别网络用户之间关联关系的方法和装置 |
CN105718184A (zh) * | 2014-12-05 | 2016-06-29 | 北京搜狗科技发展有限公司 | 一种数据处理方法和装置 |
CN106846122A (zh) * | 2017-02-20 | 2017-06-13 | 北京京东尚科信息技术有限公司 | 商品数据处理方法和装置 |
CN107341185A (zh) * | 2017-06-05 | 2017-11-10 | 北京小米移动软件有限公司 | 信息显示的方法及装置 |
CN107730346A (zh) * | 2017-09-25 | 2018-02-23 | 北京京东尚科信息技术有限公司 | 物品聚类的方法和装置 |
CN108073605A (zh) * | 2016-11-10 | 2018-05-25 | 阿里巴巴集团控股有限公司 | 一种业务数据的加载、推送、交互信息的生成方法和装置 |
CN109190316A (zh) * | 2018-10-30 | 2019-01-11 | 上海与德科技有限公司 | 一种布设物品的推荐方法、装置、存储介质及移动终端 |
CN109726303A (zh) * | 2018-12-28 | 2019-05-07 | 维沃移动通信有限公司 | 一种图像推荐方法和终端 |
CN110264291A (zh) * | 2018-03-12 | 2019-09-20 | 北京京东尚科信息技术有限公司 | 信息推荐方法和装置 |
CN110569428A (zh) * | 2019-08-08 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 一种推荐模型的构建方法、装置及设备 |
-
2020
- 2020-01-16 CN CN202010047478.5A patent/CN113127728A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850567A (zh) * | 2014-02-19 | 2015-08-19 | 阿里巴巴集团控股有限公司 | 一种识别网络用户之间关联关系的方法和装置 |
CN105718184A (zh) * | 2014-12-05 | 2016-06-29 | 北京搜狗科技发展有限公司 | 一种数据处理方法和装置 |
CN108073605A (zh) * | 2016-11-10 | 2018-05-25 | 阿里巴巴集团控股有限公司 | 一种业务数据的加载、推送、交互信息的生成方法和装置 |
CN106846122A (zh) * | 2017-02-20 | 2017-06-13 | 北京京东尚科信息技术有限公司 | 商品数据处理方法和装置 |
CN107341185A (zh) * | 2017-06-05 | 2017-11-10 | 北京小米移动软件有限公司 | 信息显示的方法及装置 |
CN107730346A (zh) * | 2017-09-25 | 2018-02-23 | 北京京东尚科信息技术有限公司 | 物品聚类的方法和装置 |
CN110264291A (zh) * | 2018-03-12 | 2019-09-20 | 北京京东尚科信息技术有限公司 | 信息推荐方法和装置 |
CN109190316A (zh) * | 2018-10-30 | 2019-01-11 | 上海与德科技有限公司 | 一种布设物品的推荐方法、装置、存储介质及移动终端 |
CN109726303A (zh) * | 2018-12-28 | 2019-05-07 | 维沃移动通信有限公司 | 一种图像推荐方法和终端 |
CN110569428A (zh) * | 2019-08-08 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 一种推荐模型的构建方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11657084B2 (en) | Correlating image annotations with foreground features | |
CN104239408B (zh) | 基于由移动设备记录的图像的内容的数据访问 | |
CN110059271B (zh) | 运用标签知识网络的搜索方法及装置 | |
US20170278135A1 (en) | Image recognition artificial intelligence system for ecommerce | |
CN112637629B (zh) | 直播内容推荐方法及装置、电子设备和介质 | |
CN104636371B (zh) | 信息推荐方法及设备 | |
US10956948B2 (en) | System and method for hotel discovery and generating generalized reviews | |
WO2019218660A1 (zh) | 文章生成 | |
CN114332680A (zh) | 图像处理、视频搜索方法、装置、计算机设备和存储介质 | |
KR20210002410A (ko) | 외형인식모델 학습용 데이터셋 구축 방법, 장치 및 프로그램 | |
CN107729453A (zh) | 一种提取中心产品词的方法和装置 | |
KR102117667B1 (ko) | 소셜미디어 및 사용자 로그를 이용한 큐레이션 기반 데일리 코디 서비스 제공 방법 | |
CN111767420A (zh) | 一种生成服饰搭配数据的方法和装置 | |
CN110647688A (zh) | 信息呈现方法、装置、电子设备和计算机可读介质 | |
CN112989177B (zh) | 信息处理方法、装置、电子设备及计算机存储介质 | |
CN112446214A (zh) | 广告关键词的生成方法、装置、设备及存储介质 | |
CN111988668A (zh) | 一种视频推荐方法、装置、计算机设备及存储介质 | |
CN112784156A (zh) | 基于意图识别的搜索反馈方法、系统、设备及存储介质 | |
KR101754124B1 (ko) | 레스토랑 추천 시스템 및 추천 방법 | |
JP2014078100A (ja) | 配信装置及びコンピュータプログラム | |
CN113127728A (zh) | 一种处理物品场景图的方法和装置 | |
CN113744011A (zh) | 物品搭配方法和物品搭配装置 | |
US20200226167A1 (en) | Methods and systems for dynamic content provisioning | |
CN110263182A (zh) | 画作推荐方法及系统、终端设备、计算机设备及介质 | |
CN110874771A (zh) | 一种商品搭配的方法和装置 |
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 |