CN113570427A - 一种提取识别线上或系统商品特征信息的系统 - Google Patents
一种提取识别线上或系统商品特征信息的系统 Download PDFInfo
- Publication number
- CN113570427A CN113570427A CN202110829138.2A CN202110829138A CN113570427A CN 113570427 A CN113570427 A CN 113570427A CN 202110829138 A CN202110829138 A CN 202110829138A CN 113570427 A CN113570427 A CN 113570427A
- Authority
- CN
- China
- Prior art keywords
- commodity
- information
- characteristic information
- characteristic
- module
- 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
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 238000000926 separation method Methods 0.000 claims abstract description 4
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000007787 long-term memory Effects 0.000 claims description 6
- 238000012015 optical character recognition Methods 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000009193 crawling Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 3
- 230000001915 proofreading effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000000034 method Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 239000013598 vector Substances 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]
- G06Q30/0623—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
- G06F18/21—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
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Finance (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Accounting & Taxation (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种提取识别线上或系统商品特征信息的系统,所述商品特征信息识别是将描述特定商品的属性字段进行提取,涉及商品信息特征识别领域。所述的特征提取模块包括:标题模块301、文字描述模块302、图片描述模块303、符号分隔模块304,标题模块301获取商品标题文字,将标题进行分词,计算词组权重,输出品牌名称和商品特征属性;本发明通过设置深度神经网络模型,可以根据类别预测描述商品特征信息,增强商品本身特征信息计算的权重,提高准确率。
Description
技术领域
本发明属于商品信息特征识别领域,特别涉及一种提取识别线上或系统商品特征信息的系统。
背景技术
商品的特征信息能够区别商品在不同领域的差异性,商品特征属性是商品性质的集合,是商品差异性的集合。而电商平台上商品存在的商品特征信息是不规则的、没有经过同一的信息,当我们想利用商品的特征信息来确定商品的唯一性时,原始的数据是完全不可以使用的,因此不利于后续工作的开展。
而当我们将线上商品的特征信息进行提取并且进行加工整理之后,可以通过描述商品的特征信息字段,来确认上商品本身,则需要一种能够识别线上商品特征信息的系统,完成这一工作。
发明内容
针对上述技术问题本发明提供一种提取识别线上或系统商品特征信息的系统,能够对描述线上商品的特征信息进行提取,工作效率高。
为解决上述技术问题,本发明采用的技术方案为:一种提取识别线上或系统商品特征信息的系统,其特征在于:所述商品特征信息识别是将描述特定商品的属性字段进行提取,其具体的步骤为:
步骤S10:收集电商平台商品特征信息,通过人工数据校对、标注,使数据为字典形式,字典格式为:{类别,特征属性},将商品特征信息放入循环神经网络模型中进行训练,计算类别与特征属性的相关度,并保存网络模型参数;
步骤S20:输入商品地址或推送商品信息系统,特征提取模块获取商品详情状态,判断文字描述信息和图片描述信息的存在状态,选择不同的工作模式:
1)只存在文字描述信息;
2)文字描述信息和图片描述信息同时存在;
步骤S30:基于步骤S20的工作模式,利用特征提取模块,对商品的特征信息进行识别并提取,将提取的特征信息保存到原始信息库中;
步骤S40:将原始信息库中的特征信息进行数据处理,通过分词、清洗、预测、整理等步骤,使原始信息库中的特征信息转化为标准信息库中的特征信息,对商品的特征信息进行格式化处理;
步骤S50:将提取到的特征信息进行格式化组合:首先计算提取到的每一项特征信息与已知商品的特征信息计算相关度,得出该特征信息可以描述商品的置信度,然后将高置信度的特征信息进行有序组合,使特征信息能够完整的描述商品,此特征信息包含描述商品的所有字段。
进一步的,步骤S10中训练循环神经网络模型的具体步骤为:
步骤S101:首先爬取商品销售平台的公开数据,提取商品类别及商品的各种描述特征,并以表格形式存储;
步骤S102:通过人工对数据校对、标注,使数据形成{类别,特征属性}的形式,建立词表,类别为商品在电商平台的上位分类,特征属性为多个描述商品的属性;
步骤S103:将人工标注过的数据输入到长短期记忆网络模型中,建立特征与形与类别的损失函数,优化损失函数,通过输入商品的特征信息,学习并预测商品的类别,构成编码器;网络模型通过反向传播更新参数;
步骤S104:训练长短期记忆网络模型为解码器用于输出:当输入商品类别时,商品的特征属性,通过反向传播更新参数计算;将编码器和解码器组合,构建可以预测商品特征信息的神经网络系统。
进一步的,所述的特征提取模块包括:标题模块301、文字描述模块302、图片描述模块303、符号分隔模块304,标题模块301获取商品标题文字或商品系统推荐信息,将标题进行分词,计算词组权重,输出品牌名称和商品特征属性;通过判断是否存在图片描述信息来决定图片描述模块是否工作,图片描述模块通过对图片进行OCR识别,提取图片描述的文字信息;文字描述模块和图片描述模块获取到的文字,通过字符分割模块的作用,将获取到的文字通过段落,特殊符号等分割信息进行分割,将特征信息有的划分段落,使数据格式整齐;通过对比文字描述模块和图片描述模块提取的信息,补全商品特征信息。
进一步的,步骤S40中进行数据处理的具体步骤为:
步骤S401:首先将标题进行分词处理,将分词结果以词表的形式保存,然后去除营销标题热词,消除对商品描述的高频无用信息;
步骤S402:将清洗后的数据传入到长短期记忆网络模型中,通过模型计算该商品类别下描述该商品相关度高的特征信息,计算已知商品特征信息与清洗后的数据之间的置信度,进而在通过数据计算特征信息权重时,提高清洗后数据的商品特征信息的权重;
步骤S403:输出权重高的特征信息,特征信息包含描述该商品的所有特征信息字段,根据特征信息字段可以确定商品本身。
进一步的,所述的输出的特征信息可作为用于扩充训练网络模型的数据存储在数据库中。
进一步的,所述的系统包含深度神经网络模型和存储数据的数据库。
本发明与现有技术相比的有益效果是:(1)本发明基于特征提取模块将线上商品的特征信息进行提取,利用商品描述将商品标题特征进行补全,使商品特征信息提取完整;(2)本发明通过设置深度神经网络模型,可以根据类别预测描述商品特征信息,增强商品本身特征信息计算的权重,提高准确率。
附图说明
图1为本发明整体工作流程图。
图2为本发明训练神经网络的步骤流程图。
图3为本发明特征提取模块的组成结构图。
图4为本发明判断图片描述流程图。
图5为本发明输出特征信息计算图。
具体实施方式
下面结合具体实施例对本发明作进一步描述,在此发明的示意性实施例以及说明用来解释本发明,但并不作为对本发明的限定。
实施例:一种提取识别线上或系统商品特征信息的系统,所述商品特征信息识别是将描述特定商品的属性字段进行提取,其具体的步骤为:
步骤S10:收集电商平台商品特征信息,通过人工数据校对、标注,使数据为字典形式,字典格式为:{类别,特征属性},将商品特征信息放入循环神经网络模型中进行训练,计算类别与特征属性的相关度,并保存网络模型参数;
步骤S20:输入商品地址,特征提取模块获取商品详情状态,判断是否存在文字描述信息和图片描述信息,进而选择不同的工作模式:
1)只存在文字描述信息;
2)文字描述信息和图片描述信息同时存在;
步骤S30:基于步骤S20的工作模式,利用特征提取模块,对商品的特征信息进行识别并提取,将提取的特征信息保存到原始信息库中;
步骤S40:将原始信息库中的特征信息进行数据处理,通过分词、清洗、预测、整理等步骤,使原始信息库中的特征信息转化为标准信息库中的特征信息将商品的特征信息进行格式化处理;
步骤S50:将提取到的特征信息进行格式化组合:首先计算提取到的每一项特征信息与已知商品的特征信息计算相关度,得出该特征信息可以描述商品的置信度,然后将高置信度的特征信息进行有序组合,使特征信息能够完整的描述商品,此特征信息包含描述商品的所有字段。
进一步的,步骤S10中训练神经网络模型的具体步骤为:
步骤S101:首先爬取商品销售平台的公开数据,提取商品类别及商品描述特征;将数据汇总到表格内,按照商品的类别命名表格名称;
步骤S102:通过人工对数据校对、标注,使数据形成{类别,特征属性}的形式,建立词表,类别为商品在电商平台的上位分类,特征属性为多个描述商品的属性;例如,裤子、T恤所述电商平台分类为“服饰”,描述裤子的特征属性有:“长裤”、“九分裤”、“腰围”、“裤长”等;
步骤S103:将人工标注过的数据输入到长短期记忆网络模型中,特征属性与类别是对应关系,将商品的特征属性转换为对应的特征向量,在网络模型中输出特征属性对应的分类,并计算损失,更新参数;
步骤S104:长短期记忆网络模型设置解码器用于输出:当输入商品类别时,商品的特征属性,通过反向传播更新参数计算,通过编码器和解码器的配合工作,将损失达到最小,使网络框架预测结果更准确。
进一步的,特征提取模块包括:标题模块301、文字描述模块302、图片描述模块303、符号分隔模块304,标题模块301获取商品标题文字或系统推荐信息,将标题进行分词,计算词组权重,输出品牌名称和商品特征属性;通过判断是否存在图片描述信息来决定图片描述模块是否工作,图片描述模块通过对图片进行OCR识别,提取图片描述的文字信息;文字描述模块和图片描述模块获取到的文字,通过字符分割模块的作用,将获取到的文字通过段落,特殊符号等分割信息进行分割,将特征信息有的划分段落,使数据格式整齐;通过对比文字描述模块和图片描述模块提取的信息,补全商品特征信息。
进一步的,步骤S40中进行数据处理的具体步骤为:
步骤S401:首先将标题进行分词处理,去除营销标题热词,消除对商品描述的高频无用信息;
步骤S402:将清洗后的数据传入到长短期记忆网络模型中,通过模型计算该商品类别下描述该商品相关度高的特征信息,计算已知商品特征信息与清洗后的数据之间的置信度,进而在通过数据计算特征信息权重时,提高清洗后数据的商品特征信息的权重;
步骤S403:输入权重高的特征信息,特征信息包含描述该商品的所有特征信息字段,根据特征信息字段可以确定商品本身。
上述步骤中,输出的特征信息可作为用于扩充训练网络模型的数据存储在数据库中。
本实施例中,所提到的识别系统,包含深度神经网络模型和存储数据的数据库。
Claims (6)
1.一种提取识别线上或系统商品特征信息的系统,其特征在于:所述商品特征信息识别是将描述特定商品的属性字段进行提取,其具体的步骤为:步骤S10:收集电商平台商品特征信息,通过人工数据校对、标注,使数据为字典形式,字典格式为:{类别,特征属性},将商品特征信息放入循环神经网络模型中进行训练,计算类别与特征属性的相关度,并保存网络模型参数;
步骤S20:输入商品地址或推送商品信息系统,特征提取模块获取商品详情状态,判断文字描述信息和图片描述信息的存在状态,选择不同的工作模式:
1)只存在文字描述信息;
2)文字描述信息和图片描述信息同时存在;
步骤S30:基于步骤S20的工作模式,利用特征提取模块,对商品的特征信息进行识别并提取,将提取的特征信息保存到原始信息库中;
步骤S40:将原始信息库中的特征信息进行数据处理,通过分词、清洗、预测、整理等步骤,使原始信息库中的特征信息转化为标准信息库中的特征信息,对商品的特征信息进行格式化处理;
步骤S50:将提取到的特征信息进行格式化组合:首先计算提取到的每一项特征信息与已知商品的特征信息计算相关度,得出该特征信息可以描述商品的置信度,然后将高置信度的特征信息进行有序组合,使特征信息能够完整的描述商品,此特征信息包含描述商品的所有字段。
2.根据权利要求1所述的一种提取识别线上或系统商品特征信息的系统,其特征在于:步骤S10中训练循环神经网络模型的具体步骤为:
步骤S101:首先爬取商品销售平台的公开数据,提取商品类别及商品的各种描述特征,并以表格形式存储;
步骤S102:通过人工对数据校对、标注,使数据形成{类别,特征属性}的形式,建立词表,类别为商品在电商平台的上位分类,特征属性为多个描述商品的属性;
步骤S103:将人工标注过的数据输入到长短期记忆网络模型中,建立特征与形与类别的损失函数,优化损失函数,通过输入商品的特征信息,学习并预测商品的类别,构成编码器;网络模型通过反向传播更新参数;
步骤S104:训练长短期记忆网络模型为解码器用于输出:当输入商品类别时,商品的特征属性,通过反向传播更新参数计算;将编码器和解码器组合,构建可以预测商品特征信息的神经网络系统。
3.根据权利要求1所述的一种提取识别线上或系统商品特征信息的系统,其特征在于:所述的特征提取模块包括:标题模块301、文字描述模块302、图片描述模块303、符号分隔模块304,标题模块301获取商品标题文字或系统推荐信息,将标题进行分词,计算词组权重,输出品牌名称和商品特征属性;通过判断是否存在图片描述信息来决定图片描述模块是否工作,图片描述模块通过对图片进行OCR识别,提取图片描述的文字信息;文字描述模块和图片描述模块获取到的文字,通过字符分割模块的作用,将获取到的文字通过段落,特殊符号等分割信息进行分割,将特征信息有的划分段落,使数据格式整齐;通过对比文字描述模块和图片描述模块提取的信息,补全商品特征信息。
4.根据权利要求1所述的一种提取识别线上或系统商品特征信息的系统,其特征在于:步骤S40中进行数据处理的具体步骤为:
步骤S401:首先将标题进行分词处理,将分词结果以词表的形式保存,然后去除营销标题热词,消除对商品描述的高频无用信息;
步骤S402:将清洗后的数据传入到长短期记忆网络模型中,通过模型计算该商品类别下描述该商品相关度高的特征信息,计算已知商品特征信息与清洗后的数据之间的置信度,进而在通过数据计算特征信息权重时,提高清洗后数据的商品特征信息的权重;
步骤S403:输出权重高的特征信息,特征信息包含描述该商品的所有特征信息字段,根据特征信息字段可以确定商品本身。
5.根据权利要求1所述的一种提取识别线上或系统商品特征信息的系统,其特征在于:所述的输出的特征信息可作为用于扩充训练网络模型的数据存储在数据库中。
6.根据权利要求1-5任一项所述的一种提取识别线上或系统商品特征信息的系统,其特征在于:所述的系统包含深度神经网络模型和存储数据的数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110829138.2A CN113570427A (zh) | 2021-07-22 | 2021-07-22 | 一种提取识别线上或系统商品特征信息的系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110829138.2A CN113570427A (zh) | 2021-07-22 | 2021-07-22 | 一种提取识别线上或系统商品特征信息的系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113570427A true CN113570427A (zh) | 2021-10-29 |
Family
ID=78166252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110829138.2A Pending CN113570427A (zh) | 2021-07-22 | 2021-07-22 | 一种提取识别线上或系统商品特征信息的系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113570427A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114358821A (zh) * | 2021-12-27 | 2022-04-15 | 创优数字科技(广东)有限公司 | 商品细类特征提取方法、装置、计算机设备和存储介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559267A (zh) * | 2013-11-04 | 2014-02-05 | 北京中搜网络技术股份有限公司 | 一种基于商品属性归一和聚类识别产品的方法 |
CN103605815A (zh) * | 2013-12-11 | 2014-02-26 | 焦点科技股份有限公司 | 一种适用于b2b电子商务平台的商品信息自动分类推荐方法 |
CN103699523A (zh) * | 2013-12-16 | 2014-04-02 | 深圳先进技术研究院 | 产品分类方法和装置 |
CN107729900A (zh) * | 2017-09-15 | 2018-02-23 | 广州唯品会研究院有限公司 | 一种利用图片属性提取完成录入信息补全的方法及设备 |
CN107784372A (zh) * | 2016-08-24 | 2018-03-09 | 阿里巴巴集团控股有限公司 | 目标对象属性的预测方法、装置和系统 |
CN107861972A (zh) * | 2017-09-15 | 2018-03-30 | 广州唯品会研究院有限公司 | 一种用户录入商品信息后显示商品全结果的方法及设备 |
CN108563782A (zh) * | 2018-04-25 | 2018-09-21 | 平安科技(深圳)有限公司 | 商品信息格式处理方法、装置、计算机设备和存储介质 |
CN110032654A (zh) * | 2019-04-19 | 2019-07-19 | 济南浪潮高新科技投资发展有限公司 | 一种基于人工智能的超市商品录入方法及系统 |
CN110223095A (zh) * | 2018-03-02 | 2019-09-10 | 阿里巴巴集团控股有限公司 | 确定商品属性的方法、装置、设备和存储介质 |
CN110674305A (zh) * | 2019-10-10 | 2020-01-10 | 天津师范大学 | 一种基于深层特征融合模型的商品信息分类方法 |
CN110956018A (zh) * | 2019-11-22 | 2020-04-03 | 腾讯科技(深圳)有限公司 | 文本处理模型的训练方法、文本处理方法、装置及存储介质 |
CN110968775A (zh) * | 2018-09-30 | 2020-04-07 | 北京京东尚科信息技术有限公司 | 商品属性生成模型的训练方法及生成、搜索方法和系统 |
CN111507812A (zh) * | 2020-07-02 | 2020-08-07 | 成都晓多科技有限公司 | 一种基于属性和标题的商品搭配推荐方法及装置 |
CN111986007A (zh) * | 2020-10-26 | 2020-11-24 | 北京值得买科技股份有限公司 | 一种商品聚合并计算相似度的方法 |
CN112801720A (zh) * | 2021-04-12 | 2021-05-14 | 连连(杭州)信息技术有限公司 | 一种店铺类目识别模型生成、店铺类目识别的方法及装置 |
-
2021
- 2021-07-22 CN CN202110829138.2A patent/CN113570427A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559267A (zh) * | 2013-11-04 | 2014-02-05 | 北京中搜网络技术股份有限公司 | 一种基于商品属性归一和聚类识别产品的方法 |
CN103605815A (zh) * | 2013-12-11 | 2014-02-26 | 焦点科技股份有限公司 | 一种适用于b2b电子商务平台的商品信息自动分类推荐方法 |
CN103699523A (zh) * | 2013-12-16 | 2014-04-02 | 深圳先进技术研究院 | 产品分类方法和装置 |
CN107784372A (zh) * | 2016-08-24 | 2018-03-09 | 阿里巴巴集团控股有限公司 | 目标对象属性的预测方法、装置和系统 |
CN107729900A (zh) * | 2017-09-15 | 2018-02-23 | 广州唯品会研究院有限公司 | 一种利用图片属性提取完成录入信息补全的方法及设备 |
CN107861972A (zh) * | 2017-09-15 | 2018-03-30 | 广州唯品会研究院有限公司 | 一种用户录入商品信息后显示商品全结果的方法及设备 |
CN110223095A (zh) * | 2018-03-02 | 2019-09-10 | 阿里巴巴集团控股有限公司 | 确定商品属性的方法、装置、设备和存储介质 |
CN108563782A (zh) * | 2018-04-25 | 2018-09-21 | 平安科技(深圳)有限公司 | 商品信息格式处理方法、装置、计算机设备和存储介质 |
CN110968775A (zh) * | 2018-09-30 | 2020-04-07 | 北京京东尚科信息技术有限公司 | 商品属性生成模型的训练方法及生成、搜索方法和系统 |
CN110032654A (zh) * | 2019-04-19 | 2019-07-19 | 济南浪潮高新科技投资发展有限公司 | 一种基于人工智能的超市商品录入方法及系统 |
CN110674305A (zh) * | 2019-10-10 | 2020-01-10 | 天津师范大学 | 一种基于深层特征融合模型的商品信息分类方法 |
CN110956018A (zh) * | 2019-11-22 | 2020-04-03 | 腾讯科技(深圳)有限公司 | 文本处理模型的训练方法、文本处理方法、装置及存储介质 |
CN111507812A (zh) * | 2020-07-02 | 2020-08-07 | 成都晓多科技有限公司 | 一种基于属性和标题的商品搭配推荐方法及装置 |
CN111986007A (zh) * | 2020-10-26 | 2020-11-24 | 北京值得买科技股份有限公司 | 一种商品聚合并计算相似度的方法 |
CN112801720A (zh) * | 2021-04-12 | 2021-05-14 | 连连(杭州)信息技术有限公司 | 一种店铺类目识别模型生成、店铺类目识别的方法及装置 |
Non-Patent Citations (2)
Title |
---|
宋雯雯;: "基于无监督学习的电子商务网页中商品信息自动提取方法", 科技经济导刊, no. 36, pages 125 * |
邓朝晖 等: "《凸轮智能高速磨削理论及其关键技术》", 华中科技大学出版社, pages: 67 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114358821A (zh) * | 2021-12-27 | 2022-04-15 | 创优数字科技(广东)有限公司 | 商品细类特征提取方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107861972B (zh) | 一种用户录入商品信息后显示商品全结果的方法及设备 | |
CN107705066B (zh) | 一种商品入库时信息录入方法及电子设备 | |
CN107735782B (zh) | 图像和文本数据层级分类器 | |
CN107633007B (zh) | 一种基于层次化ap聚类的商品评论数据标签化系统和方法 | |
CN110110577B (zh) | 识别菜名的方法及装置、存储介质、电子装置 | |
US9898464B2 (en) | Information extraction supporting apparatus and method | |
CN110827112B (zh) | 深度学习的商品推荐方法、装置、计算机设备及存储介质 | |
CN112163424A (zh) | 数据的标注方法、装置、设备和介质 | |
CN112015721A (zh) | 一种基于大数据的电商平台存储数据库的优化方法 | |
CN111291158B (zh) | 一种信息查询方法、装置、电子设备及存储介质 | |
CN107526721B (zh) | 一种对电商产品评论词汇的歧义消除方法及装置 | |
CN111667337A (zh) | 一种商品评价的排序方法和系统 | |
CN111324698B (zh) | 深度学习方法、评价观点提取方法、装置和系统 | |
CN112395881B (zh) | 物料标签的构建方法、装置、可读存储介质及电子设备 | |
CN111666766A (zh) | 数据处理方法、装置和设备 | |
CN112182145A (zh) | 文本相似度确定方法、装置、设备和存储介质 | |
CN111782793A (zh) | 智能客服处理方法和系统及设备 | |
CN112541077A (zh) | 一种用于电网用户服务评价的处理方法及系统 | |
CN112308059A (zh) | 用于电子商务的商品信息翻译方法、系统和可读存储介质 | |
CN113570427A (zh) | 一种提取识别线上或系统商品特征信息的系统 | |
CN110738050A (zh) | 基于分词和命名实体识别的文本重组方法及装置、介质 | |
CN113592512A (zh) | 一种线上商品身份唯一性识别确认系统 | |
CN112989053A (zh) | 一种期刊推荐方法及装置 | |
CN117420998A (zh) | 一种客户端ui交互组件生成方法、装置、终端及介质 | |
CN104462065A (zh) | 事件情感类型的分析方法和装置 |
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 |