CN113628011B - 一种商品搭配方法及装置 - Google Patents
一种商品搭配方法及装置 Download PDFInfo
- Publication number
- CN113628011B CN113628011B CN202110938990.3A CN202110938990A CN113628011B CN 113628011 B CN113628011 B CN 113628011B CN 202110938990 A CN202110938990 A CN 202110938990A CN 113628011 B CN113628011 B CN 113628011B
- Authority
- CN
- China
- Prior art keywords
- commodity
- picture
- matching
- feature vector
- title
- 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
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]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5846—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using extracted text
-
- 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
- G06F18/24—Classification techniques
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Finance (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种商品搭配方法及装置,通过获取目标商品图片和目标商品标题,将目标商品图片输入匹配度计算模型,得到目标商品图片的匹配特征向量,再基于所述目标商品标题,得到用于表征目标商品的商品信息的标题特征向量,基于匹配特征向量和标题特征向量,确定与目标商品匹配的搭配商品。在本申请中通过对获取的目标商品图片和目标商品标题进行处理,得到目标商品的匹配特征向量和标题特征向量,可以从目标商品图片和目标商品标题两个方面,确定与目标商品匹配的搭配商品,从而实现对目标商品的搭配。
Description
技术领域
本申请涉及搭配推荐领域,尤其涉及一种商品搭配方法及装置。
背景技术
随着经济的不断发展和互联网技术的不断进步,人们的购买需求不断增大的同时,购物的方式也逐渐由线下转到了线上,越来越多的人开始通过网络去购买自己所需要的商品。当前通过线上购物的方式购买商品,商品往往是单独出现,想要找与之相搭配的其他商品,还需要重新去搜索,给用户造成了不便,所以目前线上商家开始将各类商品进行预先的搭配,以便于用户可以选择与目标商品相搭配的其他商品。比如,用户需要购买一条裙子,当用户按照自己的需求找到合适的裙子之后,由于商家已经预先为裙子搭配了一件上衣,所以在用户有上衣的购买需求时,用户就可以很快的找到合适的上衣。但是,当前线上商家搭配商品的方式,还只是人为进行预先搭配,搭配的方式比较单一,无法满足用户的需求,因此,如何进行商品搭配是人们一直关注的问题。
发明内容
有鉴于此,本申请提供了一种商品搭配方法及装置,以便于对商品进行搭配。
为了实现上述目的,现提出的方案如下:
一种商品搭配方法,包括:
获取目标商品图片和目标商品标题;
将所述目标商品图片输入匹配度计算模型,得到所述目标商品图片的匹配特征向量,其中,所述匹配度计算模型被配置为,具备对输入的商品图片进行处理,以得到所述商品图片对应的匹配特征向量,并基于所述匹配特征向量计算不同商品图片之间匹配度的能力;
基于所述目标商品标题,得到所述标题特征向量,所述标题特征向量用于表征目标商品的商品信息;
基于所述匹配特征向量和所述标题特征向量,确定与目标商品匹配的搭配商品。
可选的,基于所述匹配特征向量和所述标题特征向量,确定与目标商品匹配的搭配商品,包括:
获取有关目标商品的历史交易记录;
基于所述匹配特征向量、所述标题特征向量和所述历史交易记录,确定与所述目标商品匹配的搭配商品。
可选的,基于所述目标商品标题,得到所述标题特征向量,包括:
从所述目标商品标题中,提取关键词;
基于所述关键词,得到对应的标题特征向量。
可选的,所述匹配度计算模型为,预先以第一商品训练图片和第二商品训练图片作为训练样本,以第一商品训练图片和第二商品训练图片的匹配度作为训练标签训练得到。
可选的,所述匹配度计算模型包括:输入层、匹配特征向量获取层、匹配度计算层;
所述匹配度计算模型的训练过程,包括:
通过输入层,获取第一商品训练图片和第二商品训练图片;
通过匹配特征向量获取层,获取第一商品训练图片对应的第一匹配特征向量,以及第二商品训练图片对应的第二匹配特征向量;
通过匹配度计算层,基于第一匹配特征向量和第二匹配特征向量,计算得到第一商品训练图片和第二商品训练图片的匹配度;
以计算得到的匹配度趋近于第一商品训练图片和第二商品训练图片的匹配度标签为训练目标,更新匹配度计算模型。
可选的,基于所述目标商品图片的匹配特征向量和所述标题特征向量,确定与所述目标商品匹配的搭配商品,包括:
基于所述目标商品图片的匹配特征向量与预先获取的各搭配商品图片的匹配特征向量,得到所述目标商品图片与所述各搭配商品图片的图片匹配度;
基于所述目标商品图片的标题特征向量与预先获取的各搭配商品图片的标题特征向量,得到所述目标商品图片与所述各搭配商品图片的标题匹配度;
基于所述图片匹配度和所述标题匹配度,确定与所述目标商品匹配的搭配商品。
可选的,基于所述图片匹配度和所述标题匹配度,确定与所述目标商品匹配的搭配商品,包括:
将所述图片匹配度和所述标题匹配度进行加权计算,得到整体搭配度;
基于整体搭配度,确定与所述目标商品匹配的搭配商品。
可选的,还包括:
将所述搭配商品按照不同的品类进行分类;
从每一类中选取一件搭配商品,并将选取的搭配商品与所述目标商品组合,以生成搭配图片;
将各所述搭配图片输入搭配值计算模型,得到各所述搭配图片的搭配值,其中,所述搭配值计算模型是以标注有搭配值的搭配训练图片作为训练数据训练得到;
根据所述搭配图片的搭配值,确定最终的搭配图片。
一种商品搭配装置,包括:
信息获取模块,用于获取目标商品图片和目标商品标题;
匹配特征向量获取模块,用于将所述目标商品图片输入匹配度计算模型,得到所述目标商品图片的匹配特征向量,其中,所述匹配度计算模型被配置为,具备对输入的商品图片进行处理,以得到各所述商品图片对应的匹配特征向量,并基于所述匹配特征向量计算各商品之间匹配度的能力;
标题特征向量获取模块,用于基于所述目标商品标题,得到所述标题特征向量,所述标题特征向量用于表征目标商品的商品信息;
搭配商品确定模块,用于基于所述匹配特征向量和所述标题特征向量,确定与所述目标商品匹配的搭配商品。
可选的,还包括:
分类模块,用于将所述搭配商品按照不同的品类进行分类;
搭配图片生成模块,用于从每一类中选取一件搭配商品与所述目标商品,生成搭配图片;
搭配值获取模块,用于将所述搭配图片输入搭配值计算模型,得到所述搭配图片的搭配值,其中,所述搭配值计算模型是以标注由搭配值的搭配训练图片作为训练数据训练得到;
搭配图片确定模块,用于根据所述搭配值,确定最终的搭配图片。
从上述的技术方案可以看出,本申请实施例提供的一种商品搭配方法,通过获取目标商品图片和目标商品标题,将目标商品图片输入匹配度计算模型,得到目标商品图片的匹配特征向量,再基于所述目标商品标题,得到用于表征目标商品的商品信息的标题特征向量,基于匹配特征向量和标题特征向量,确定与目标商品匹配的搭配商品。在本申请中通过对获取的目标商品图片和目标商品标题进行处理,得到目标商品的匹配特征向量和标题特征向量,可以从目标商品图片和目标商品标题两个方面,确定与目标商品匹配的搭配商品,从而实现对目标商品的搭配。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种商品搭配方法流程图;
图2为本申请实施例提供的一种可选的匹配度计算模型的训练方法流程图;
图3为本申请实施例提供的一种确定搭配商品的方法流程图;
图4为本申请实施例提供的一种获取标题特征向量的方法流程图;
图5为本申请实施例提供的另一种确定搭配商品的方法流程图;
图6为本申请实施例提供的另一种商品搭配方法流程图;
图7为本申请实施例提供的一种商品搭配装置结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1为本申请实施例提供的一种商品搭配方法流程图,该方法可以包括以下步骤:
步骤S100、获取目标商品图片和目标商品标题。
具体的,本步骤中获取目标商品图片和目标商品标题的方式,可以是通过获取用户正在浏览的商品的图片及标题,还可以通过获取用户加入购物车的商品的图片及标题。获取的目标商品图片可以是上衣、裤子、帽子或鞋等商品图片。
步骤S101、将目标商品图片输入匹配度计算模型,得到目标商品图片的匹配特征向量。
其中,匹配度计算模型被配置为,具备对输入的商品图片进行处理,以得到商品图片对应的匹配特征向量,并基于匹配特征向量计算不同商品图片之间匹配度的能力。
具体的,本申请可以预先训练匹配度计算模型,并将其配置在服务器中,或者服务器所能访问的其他终端。在此基础上,当获取目标商品图片之后,调用匹配度计算模型,对输入的目标商品图片进行处理,以得到目标商品的匹配特征向量。
步骤S102、基于目标商品标题,得到标题特征向量。
其中,本步骤中的标题特征向量用于表征目标商品的商品信息。
具体的,在上述步骤中得到目标商品标题,可以通过目标商品标题,得到对应的标题特征向量。其中,得到标题特征向量的方式,可以是将目标商品标题输入预先训练好的神经网络模型,从而得到目标商品标题对应的标题特征向量。
步骤S103、基于匹配特征向量和标题特征向量,确定与目标商品匹配的搭配商品。
具体的,在上述步骤中通过匹配度计算模型,得到目标商品图片的匹配特征向量,结合获取的标题特征向量,可以确定与目标商品图片匹配的搭配商品。其中,搭配商品可以预先存储在数据库中,在确定为与目标商品匹配的搭配商品之后,可以直接从数据库中对搭配商品进行调取。
从上述的技术方案可以看出,本申请实施例提供的一种商品搭配方法,通过获取目标商品图片和目标商品标题,将目标商品图片输入匹配度计算模型,得到目标商品图片的匹配特征向量,再基于所述目标商品标题,得到用于表征目标商品的商品信息的标题特征向量,基于匹配特征向量和标题特征向量,确定与目标商品匹配的搭配商品。在本申请中通过对获取的目标商品图片和目标商品标题进行处理,得到目标商品的匹配特征向量和标题特征向量,可以从目标商品图片和目标商品标题两个方面,确定与目标商品匹配的搭配商品,从而实现对目标商品的搭配。
在本申请的一些实施例中,匹配度计算模型可以是预先以第一商品训练图片和第二商品训练图片作为训练样本,以第一商品训练图片和第二商品训练图片的匹配度作为训练标签训练得到。下面结合图2,对本申请实施例提供的一种可选的匹配度计算模型的训练过程进行说明,训练过程可以包括:
步骤S200、通过输入层,获取第一商品训练图片和第二商品训练图片。
具体的,在输入层获取第一商品训练图片和第二商品训练图片后,可以对第一商品训练图片和第二商品训练图片进行向量化表示,并向匹配特征向量获取层输出向量化后的第一商品训练图片和第二商品训练图片。在第一商品训练图片和第二商品训练图片中会对匹配度进行预先的标注。
步骤S201、通过匹配特征向量获取层,获取第一商品训练图片对应的第一匹配特征向量,以及第二商品训练图片对应的第二匹配特征向量。
具体的,匹配特征向量获取层可以获取第一商品训练图片对应的第一匹配特征向量,以及第二商品训练图片对应的第二匹配特征向量。
步骤S202、通过匹配度计算层,基于第一匹配特征向量和第二匹配特征向量,计算得到第一商品和第二商品的匹配度。
步骤S203、以计算得到的匹配度趋近于第一商品和第二商品的匹配度标签为训练目标,更新匹配度计算模型。
在上述本申请实施例提供的匹配度计算模型的训练过程中,在以计算得到的匹配度趋近于第一商品和第二商品的匹配度标签为训练目标,更新匹配度计算模型的同时,还可以通过匹配特征向量获取层获取对应训练图片的匹配特征向量。
在本申请的一些实施例中,对上述步骤S103、基于匹配特征向量和标题特征向量,确定与目标商品匹配的搭配商品的过程进行介绍。
如图3所示,图3为本申请实施例提供的一种确定搭配商品的方法流程图,该方法可以包括以下步骤:
步骤S300、获取有关目标商品的历史交易记录。
具体的,历史交易记录中,可以包括用户在购买该目标商品时,同一购物清单中的不同品类的商品;还可以包括用户在某一时间区间内,购买的不同品类的商品。
步骤S301、基于匹配特征向量、标题特征向量和历史交易记录,确定与目标商品匹配的搭配商品。
具体的,可以先利用匹配特征向量和标题特征向量,确定与目标商品匹配的候选搭配商品,再结合历史交易记录,从候选搭配商品中,选出最终的搭配商品;还可以先利用历史交易记录,选出与目标商品相关的其他商品作为候选搭配商品,再利用匹配特征向量和标题特征向量,从候选搭配商品中,确定最终的搭配商品。
在本申请的一些实施例中,对步骤S102、基于目标商品标题,得到标题特征向量的过程进行介绍。
参考图4所示,图4为本申请实施例提供的一种获取标题特征向量的方法流程图,该方法可以包括以下步骤:
步骤S400、从所述目标商品标题中,提取关键词。
具体的,在获取目标商品标题之后,可以提取目标商品标题中的关键词。其中,关键词可以预先进行设定,比如,外套、裤子、商务、休闲等与衣服相关的关键词。
步骤S401、基于所述关键词,得到对应的标题特征向量。
具体的,通过获取的关键词,可以根据已有的词典查询关键词对应的特征向量;还可以将关键词输入训练好的文本处理模型中,输出关键词的特征向量,或者将关键词输入掩码模型,通过掩码模型来确定关键词的特征向量。在确定对应关键词的特征向量之后,可以将对应关键词的特征向量作为目标商品标题的标题特征向量。
在本申请的一些实施例中,对步骤S103、基于匹配特征向量和标题特征向量,确定与目标商品匹配的搭配商品的过程进行介绍。
结合图5所示,图5为本申请实施例提供的另一种确定搭配商品的方法流程图,该方法可以包括以下步骤:
步骤S500、基于目标商品图片的匹配特征向量与预先获取的各搭配商品图片的匹配特征向量,得到目标商品图片与各搭配商品图片的图片匹配度。
具体的,预先获取的各搭配商品图片的匹配特征向量,可以是预先将数据库中所有的商品图片均输入训练后的匹配度计算模型中,得到各商品图片对应的匹配特征向量。在得到目标商品图片的匹配特征向量之后,与预先获取的各搭配商品图片的匹配特征向量进行计算,从而得到图片匹配度。
通过本步骤的方式,计算目标商品图片与数据库中的其他商品图片的图片匹配度时,可以预先获取其他商品图片的匹配特征向量,从而在用户浏览某一张目标商品图片时,不需要临时将其他商品图片输入匹配度计算模型,以获取其他商品图片的匹配特征向量,只需要临时利用匹配度计算模型对目标商品图片进行处理,获取目标商品图片对应的匹配特征向量,再利用获取的目标商品图片的匹配特征向量和预先获取的其他商品图片的匹配特征向量,计算得到对应的匹配度。相比于直接将目标商品图片和其他商品图片输入匹配度计算模型,以得到目标商品图片和其他商品图片的匹配度,本方案可以调用预先获取的其他商品图片的匹配特征向量,不用临时利用匹配度计算模型来获取其他商品图片的匹配特征向量,避免了对其他商品图片的匹配特征向量的重复获取。
步骤S501、基于目标商品图片的标题特征向量与预先获取的各搭配商品图片的标题特征向量,得到目标商品图片与各搭配商品图片的标题匹配度。
步骤S502、基于所述图片匹配度和所述标题匹配度,确定与所述目标商品匹配的搭配商品。
具体的,在计算得到图片匹配度和标题匹配度之后,可以利用图片匹配度和标题匹配度,确定与目标商品匹配的其他商品作为搭配商品。
其中,利用图片匹配度和所述标题匹配度,确定与所述目标商品匹配的搭配商品的方式有多种,可以将图片匹配度和标题匹配度进行加权计算,得到整体搭配度,再基于整体搭配度,确定与目标商品匹配的搭配商品;还可以将图片匹配度和标题匹配度分别按照匹配度的大小关系进行排序,可以得到某一件商品与目标商品的图片匹配度和标题匹配度的两项排名,再将排名相加得到综合排名后,按照综合排名的大小关系进行重新排序,确定与目标商品匹配的搭配商品。
通过上述实施例,可以确定与目标商品匹配的搭配商品。其中,搭配商品可能会有若干不同品类的商品,通过从每种品类的搭配商品中,选出一件搭配商品与目标商品组成一件完整的搭配图片,可以构建精品搭配展示图。
下面结合图6进行介绍,图6为本申请实施例提供的另一种商品搭配方法流程图,该方法可以包括以下步骤:
步骤S600、获取目标商品图片和目标商品标题。
步骤S601、将目标商品图片输入匹配度计算模型,得到目标商品图片的匹配特征向量。
步骤S602、基于目标商品标题,得到标题特征向量。
步骤S603、基于匹配特征向量和标题特征向量,确定与目标商品匹配的搭配商品。
其中,上述步骤S600-S603与前述实施例中的步骤S100-S103对应,详细参照前述介绍,此处不再赘述。
步骤S604、将搭配商品按照不同的品类进行分类。
具体的,在确定与目标商品匹配的搭配商品之后,可以将确定的搭配商品按照品类进行分类,比如衣服、裤子、鞋子、帽子等服装品类。
步骤S605、从每一类中选取一件搭配商品,并将选取的搭配商品与目标商品组合,以生成搭配图片。
具体的,通过上述步骤对搭配商品进行分类之后,从每一个分类中选取一件搭配商品。再利用选择的搭配商品与目标商品,生成搭配图片。比如,搭配商品可以分为裤子、帽子和鞋子,则可以从裤子分类里随机选择裤子1,再从帽子分类里随机选择帽子1,以及再鞋子分类里随机选择鞋子1,再将选择的裤子1、帽子1、鞋子1和目标商品组合,生成搭配图片。
步骤S606、将各搭配图片输入搭配值计算模型,得到各搭配图片的搭配值。
其中,搭配值计算模型是以标注有搭配值的搭配训练图片作为训练数据训练得到。
具体的,将得到的各搭配图片输入搭配值计算模型,可以得到各搭配图片对应的搭配值。
步骤S607、根据搭配图片的搭配值,确定最终的搭配图片。
具体的,上述步骤中,可以获取各搭配图片的搭配值,可以根据各搭配图片的搭配值,按照从搭配值的大小关系进行排序,从各搭配图片中,选取搭配值最大搭配图片作为最终的搭配图片。
下面对本申请实施例提供的商品搭配装置进行描述,下文描述的商品搭配装置与上文描述的商品搭配方法可相互对应参照。
如图7所示,图7为本申请实施例提供的一种商品搭配装置结构示意图,该商品搭配装置可以包括:
信息获取模块10,用于获取目标商品图片和目标商品标题;
匹配特征向量获取模块20,用于将所述目标商品图片输入匹配度计算模型,得到所述目标商品图片的匹配特征向量,其中,所述匹配度计算模型被配置为,具备对输入的商品图片进行处理,以得到所述商品图片对应的匹配特征向量,并基于所述匹配特征向量计算不同商品图片之间匹配度的能力;
标题特征向量获取模块30,用于基于所述目标商品标题,得到所述标题特征向量,所述标题特征向量用于表征目标商品的商品信息;
搭配商品确定模块40,用于基于所述匹配特征向量和所述标题特征向量,确定与目标商品匹配的搭配商品。
从上述的技术方案可以看出,本申请实施例提供的一种商品搭配装置,在本申请中通过匹配特征向量获取模块20和标题特征向量获取模块30,对获取的目标商品图片和目标商品标题进行处理,得到目标商品的匹配特征向量和标题特征向量,搭配商品确定模块40可以利用目标商品的匹配特征向量和标题特征向量,从目标商品图片和目标商品标题两个方面,确定与目标商品匹配的搭配商品,从而实现对目标商品的搭配。
可选的,商品搭配装置,还可以包括:
分类模块,用于将所述搭配商品按照不同的品类进行分类;
搭配图片生成模块,用于从每一类中选取一件搭配商品,并将选取的搭配商品与所述目标商品组合,以生成搭配图片;
搭配值获取模块,用于将所述搭配图片输入搭配值计算模型,得到所述搭配图片的搭配值,其中,所述搭配值计算模型是以标注有搭配值的搭配训练图片作为训练数据训练得到;
搭配图片确定模块,用于根据所述搭配值,确定最终的搭配图片。
可选的,搭配商品确定模块40,可以包括:
交易记录获取单元,用于获取有关目标商品的历史交易记录;
第一搭配商品确定单元,用于基于所述匹配特征向量、所述标题特征向量和所述历史交易记录,确定与所述目标商品匹配的搭配商品。
可选的,标题特征向量获取模块30,可以包括:
关键词提取单元,用于从所述目标商品标题中,提取关键词;
标题特征向量获取单元,用于基于所述关键词,得到对应的标题特征向量。
可选的,商品搭配装置,还可以包括:
模型训练单元,用于训练得到匹配度计算模型,其中,匹配度计算模型可以包括:输入层、匹配特征向量获取层、匹配度计算层;
所述匹配度计算模型的训练过程,可以包括:
通过输入层,获取第一商品训练图片和第二商品训练图片;
通过匹配特征向量获取层,获取第一商品训练图片对应的第一匹配特征向量,以及第二商品训练图片对应的第二匹配特征向量;
通过匹配度计算层,基于第一匹配特征向量和第二匹配特征向量,计算得到第一商品和第二商品的匹配度;
以计算得到的匹配度趋近于第一商品和第二商品的匹配度标签为训练目标,更新匹配度计算模型。
可选的,搭配商品确定模块40,可以包括:
图片匹配度获取单元,用于基于所述目标商品图片的匹配特征向量与预先获取的各搭配商品图片的匹配特征向量,得到所述目标商品图片与所述各搭配商品图片的图片匹配度;
标题匹配度获取单元,用于基于所述目标商品图片的标题特征向量与预先获取的各搭配商品图片的标题特征向量,得到所述目标商品图片与所述各搭配商品图片的标题匹配度;
第二搭配商品确定单元,用于基于所述图片匹配度和所述标题匹配度,确定与所述目标商品匹配的搭配商品。
可选的,
整体搭配度确定单元,用于将所述图片匹配度和所述标题匹配度进行加权计算,得到整体搭配度;
第三搭配商品确定单元,用于基于整体搭配度,确定与所述目标商品匹配的搭配商品。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间可以相互组合,且相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种商品搭配方法,其特征在于,包括:
获取目标商品图片和目标商品标题;
将所述目标商品图片输入匹配度计算模型,得到所述目标商品图片的匹配特征向量,其中,所述匹配度计算模型被配置为,具备对输入的商品图片进行处理,以得到所述商品图片对应的匹配特征向量,并基于所述匹配特征向量计算不同商品图片之间匹配度的能力;
基于所述目标商品标题,得到所述标题特征向量,所述标题特征向量用于表征目标商品的商品信息;
基于所述匹配特征向量和所述标题特征向量,确定与目标商品匹配的搭配商品,包括:
获取有关目标商品的历史交易记录;
基于所述匹配特征向量、所述标题特征向量和所述历史交易记录,确定与所述目标商品匹配的搭配商品。
2.根据权利要求1所述的方法,其特征在于,基于所述目标商品标题,得到所述标题特征向量,包括:
从所述目标商品标题中,提取关键词;
基于所述关键词,得到对应的标题特征向量。
3.根据权利要求1所述的方法,其特征在于,所述匹配度计算模型为,预先以第一商品训练图片和第二商品训练图片作为训练样本,以第一商品训练图片和第二商品训练图片的匹配度作为训练标签训练得到。
4.根据权利要求3所述的方法,其特征在于,所述匹配度计算模型包括:输入层、匹配特征向量获取层、匹配度计算层;
所述匹配度计算模型的训练过程,包括:
通过输入层,获取第一商品训练图片和第二商品训练图片;
通过匹配特征向量获取层,获取第一商品训练图片对应的第一匹配特征向量,以及第二商品训练图片对应的第二匹配特征向量;
通过匹配度计算层,基于第一匹配特征向量和第二匹配特征向量,计算得到第一商品训练图片和第二商品训练图片的匹配度;
以计算得到的匹配度趋近于第一商品训练图片和第二商品训练图片的匹配度标签为训练目标,更新匹配度计算模型。
5.根据权利要求1所述的方法,其特征在于,基于所述目标商品图片的匹配特征向量和所述标题特征向量,确定与所述目标商品匹配的搭配商品,包括:
基于所述目标商品图片的匹配特征向量与预先获取的各搭配商品图片的匹配特征向量,得到所述目标商品图片与所述各搭配商品图片的图片匹配度;
基于所述目标商品图片的标题特征向量与预先获取的各搭配商品图片的标题特征向量,得到所述目标商品图片与所述各搭配商品图片的标题匹配度;
基于所述图片匹配度和所述标题匹配度,确定与所述目标商品匹配的搭配商品。
6.根据权利要求5所述的方法,其特征在于,基于所述图片匹配度和所述标题匹配度,确定与所述目标商品匹配的搭配商品,包括:
将所述图片匹配度和所述标题匹配度进行加权计算,得到整体搭配度;
基于整体搭配度,确定与所述目标商品匹配的搭配商品。
7.根据权利要求1-6任意一项所述的方法,其特征在于,还包括:
将所述搭配商品按照不同的品类进行分类;
从每一类中选取一件搭配商品,并将选取的搭配商品与所述目标商品组合,以生成搭配图片;
将各所述搭配图片输入搭配值计算模型,得到各所述搭配图片的搭配值,其中,所述搭配值计算模型是以标注有搭配值的搭配训练图片作为训练数据训练得到;
根据所述搭配图片的搭配值,确定最终的搭配图片。
8.一种商品搭配装置,其特征在于,包括:
信息获取模块,用于获取目标商品图片和目标商品标题;
匹配特征向量获取模块,用于将所述目标商品图片输入匹配度计算模型,得到所述目标商品图片的匹配特征向量,其中,所述匹配度计算模型被配置为,具备对输入的商品图片进行处理,以得到所述商品图片对应的匹配特征向量,并基于所述匹配特征向量计算不同商品图片之间匹配度的能力;
标题特征向量获取模块,用于基于所述目标商品标题,得到所述标题特征向量,所述标题特征向量用于表征目标商品的商品信息;
搭配商品确定模块,用于基于所述匹配特征向量和所述标题特征向量,确定与目标商品匹配的搭配商品;
所述搭配商品确定模块具体用于:
获取有关目标商品的历史交易记录;
基于所述匹配特征向量、所述标题特征向量和所述历史交易记录,确定与所述目标商品匹配的搭配商品。
9.根据权利要求8所述的装置,其特征在于,还包括:
分类模块,用于将所述搭配商品按照不同的品类进行分类;
搭配图片生成模块,用于从每一类中选取一件搭配商品,并将选取的搭配商品与所述目标商品组合,以生成搭配图片;
搭配值获取模块,用于将所述搭配图片输入搭配值计算模型,得到所述搭配图片的搭配值,其中,所述搭配值计算模型是以标注有搭配值的搭配训练图片作为训练数据训练得到;
搭配图片确定模块,用于根据所述搭配值,确定最终的搭配图片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110938990.3A CN113628011B (zh) | 2021-08-16 | 2021-08-16 | 一种商品搭配方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110938990.3A CN113628011B (zh) | 2021-08-16 | 2021-08-16 | 一种商品搭配方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113628011A CN113628011A (zh) | 2021-11-09 |
CN113628011B true CN113628011B (zh) | 2023-07-25 |
Family
ID=78385828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110938990.3A Active CN113628011B (zh) | 2021-08-16 | 2021-08-16 | 一种商品搭配方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113628011B (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107730289A (zh) * | 2016-08-11 | 2018-02-23 | 株式会社理光 | 一种用户行为分析方法及用户行为分析装置 |
CN106846122B (zh) * | 2017-02-20 | 2021-02-26 | 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 |
CN107665238B (zh) * | 2017-08-24 | 2021-10-22 | 北京搜狗科技发展有限公司 | 图片处理方法和装置、用于图片处理的装置 |
CN109559209A (zh) * | 2019-01-18 | 2019-04-02 | 深圳创新奇智科技有限公司 | 一种基于多模态信息的电商服装穿搭推荐方法 |
CN111582979A (zh) * | 2020-04-29 | 2020-08-25 | 上海风秩科技有限公司 | 服饰搭配推荐方法和装置及电子设备 |
CN111507812B (zh) * | 2020-07-02 | 2020-10-27 | 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 |
CN112598467A (zh) * | 2020-12-23 | 2021-04-02 | 北京三快在线科技有限公司 | 商品推荐模型的训练方法、商品推荐方法以及装置 |
CN112396479B (zh) * | 2021-01-20 | 2021-05-25 | 成都晓多科技有限公司 | 一种基于知识图谱的服饰搭配推荐方法及系统 |
-
2021
- 2021-08-16 CN CN202110938990.3A patent/CN113628011B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113628011A (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108959603B (zh) | 基于深度神经网络的个性化推荐系统及方法 | |
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 | |
CN107424043B (zh) | 一种产品推荐方法及装置,电子设备 | |
CN111062775B (zh) | 一种基于注意力机制的推荐系统召回方法 | |
CN110020128B (zh) | 一种搜索结果排序方法及装置 | |
CN105787770A (zh) | 一种基于nmf算法的大数据商品及服务推荐方法及系统 | |
JP2012529122A (ja) | ユーザーのジャンル及びスタイルを学習すると共に製品をユーザーの好みにマッチングさせるシステム及び方法 | |
JP6967462B2 (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
US10970296B2 (en) | System and method for data mining and similarity estimation | |
CN110321473B (zh) | 基于多模态注意力的多样性偏好信息推送方法、系统、介质及设备 | |
CN113946752A (zh) | 基于大数据的金融产品推荐方法、装置、设备及存储介质 | |
CN113946754A (zh) | 基于用户画像的权益推荐方法、装置、设备及存储介质 | |
CN111967924A (zh) | 商品推荐方法、商品推荐装置、计算机设备和介质 | |
Malik et al. | EPR-ML: E-Commerce Product Recommendation Using NLP and Machine Learning Algorithm | |
Prasetyo | Searching cheapest product on three different e-commerce using k-means algorithm | |
Aprilianti et al. | Implementation of weighted parallel hybrid recommender systems for e-commerce in indonesia | |
CN110851694A (zh) | 基于用户记忆网络和树形结构的深度模型的个性化推荐系统 | |
CN115641179A (zh) | 信息推送方法、装置及电子设备 | |
CN112989053A (zh) | 一种期刊推荐方法及装置 | |
CN113628011B (zh) | 一种商品搭配方法及装置 | |
Chandra et al. | Content-based recommender system for similar products in E-commerce | |
Tayade et al. | Deep Learning Based Product Recommendation System and its Applications | |
Srinivasarao et al. | Enhanced Movie Recommendation and Sentiment Analysis Model Achieved by Similarity Method through Cosine and Jaccard Similarity algorithms | |
Sonkusare et al. | E-commerce Shopping System with Semantic Search and Recommender System | |
Rani et al. | E-Commerce Product Recommendation System using Collaborative Filtering |
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 |