CN113674054B - 商品类别的配置方法、装置及系统 - Google Patents
商品类别的配置方法、装置及系统 Download PDFInfo
- Publication number
- CN113674054B CN113674054B CN202110931637.2A CN202110931637A CN113674054B CN 113674054 B CN113674054 B CN 113674054B CN 202110931637 A CN202110931637 A CN 202110931637A CN 113674054 B CN113674054 B CN 113674054B
- Authority
- CN
- China
- Prior art keywords
- commodity
- category
- class
- standard
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000002372 labelling Methods 0.000 claims description 61
- 238000012790 confirmation Methods 0.000 claims description 23
- 238000004891 communication Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 5
- 238000010801 machine learning Methods 0.000 description 22
- 235000011888 snacks Nutrition 0.000 description 12
- 235000021185 dessert Nutrition 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 238000012423 maintenance Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 235000009508 confectionery Nutrition 0.000 description 8
- 230000015654 memory Effects 0.000 description 5
- 235000006025 Durio zibethinus Nutrition 0.000 description 4
- 240000000716 Durio zibethinus Species 0.000 description 4
- 235000015110 jellies Nutrition 0.000 description 4
- 239000008274 jelly Substances 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000002283 diesel fuel Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000011194 food seasoning agent Nutrition 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- CZMRCDWAGMRECN-UGDNZRGBSA-N Sucrose Chemical compound O[C@H]1[C@H](O)[C@@H](CO)O[C@@]1(CO)O[C@@H]1[C@H](O)[C@@H](O)[C@H](O)[C@@H](CO)O1 CZMRCDWAGMRECN-UGDNZRGBSA-N 0.000 description 1
- 229930006000 Sucrose Natural products 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 235000011850 desserts Nutrition 0.000 description 1
- 239000000499 gel Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002453 shampoo Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 235000021419 vinegar Nutrition 0.000 description 1
- 239000000052 vinegar Substances 0.000 description 1
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]
- G06Q30/0621—Item configuration or customization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
Abstract
本申请公开了一种商品类别的配置方法、装置及系统,涉及电子技术领域。服务器能够基于新增商品的商品信息确定该新增商品在目标销售平台的标准类别,进而能够自动配置该新增商品的标准类别。由于无需人工手动配置,因此不仅有效提高了商品类别的配置效率,而且可以避免手动配置过程中出现操作失误,进而提高了商品类别配置的准确性。
Description
技术领域
本申请涉及电子技术领域,特别涉及一种商品类别的配置方法、装置及系统。
背景技术
为了便于对商品进行分类管理,在线购物平台会按照预设的标准类别对商品进行分类。
相关技术中,对于要上传到在线购物平台的商品,商户可以手动输入或选择该商品的标准类别,从而实现商品的类别配置。
但是,上述手动配置商品类别的方法效率较低,且容易出错。
发明内容
本申请提供了一种商品类别的配置方法、装置及系统,可以解决相关技术的手动配置商品类别的方法效率较低,且容易出错的问题。所述技术方案如下:
一方面,提供了一种商品类别的配置方法,该方法包括:
将获取到的新增商品的商品信息输入至类别识别模型,得到类别识别模型输出的该新增商品的目标识别类别;
基于类别知识库中记录的识别类别与目标销售平台中的标准类别的对应关系,确定该目标识别类别对应的第一标准类别;
将第一标准类别配置为该新增商品在目标销售平台中的标准类别。
另一方面,提供了一种服务器,所述服务器包括处理器和通信模块;
所述通信模块,用于获取新增商品的商品信息;
所述处理器,用于:
将获取到的新增商品的商品信息输入至类别识别模型,得到所述类别识别模型输出的所述新增商品的目标识别类别;
基于类别知识库中记录的识别类别与目标销售平台中的标准类别的对应关系,确定所述目标识别类别对应的第一标准类别;
将所述第一标准类别配置为所述新增商品在所述目标销售平台中的标准类别。
可选地,所述通信模块,还用于向终端发送配置提示信息,所述配置提示信息用于供所述终端确认所述第一标准类别;
所述处理器,用于响应于所述终端发送的确认指示,将所述第一标准类别配置为所述新增商品在所述目标销售平台中的标准类别。
可选地,所述处理器,用于若所述通信模块未接收到所述终端发送的确认指示,且接收到了所述终端发送的所述新增商品的第二标准类别,则将所述第二标准类别配置为所述新增商品在所述目标销售平台中的标准类别,并在所述类别知识库中记录所述目标识别类别与所述第二标准类别的对应关系。
可选地,所述处理器,用于若确定所述目标识别类别与所述第二标准类别的对应关系校验通过,则在所述类别知识库中记录所述目标识别类别与所述第二标准类别的对应关系。
可选地,所述通信模块还用于获取所述目标销售平台中至少一个历史商品的商品信息;
所述处理器还用于:
将每个所述历史商品的商品信息输入至所述类别识别模型,得到所述类别识别模型输出的所述历史商品的识别类别;
在所述类别知识库中记录每个所述历史商品的识别类别与所述历史商品在所述目标销售平台中的标准类别的对应关系。
可选地,所述类别识别模型包括:标注子模型和识别子模型;所述处理器用于:
将获取到的新增商品的商品信息输入至所述标注子模型;
若所述标注子模型输出一个候选类别,则将所述候选类别确定为所述新增商品的目标识别类别;
若所述标注子模型输出多个候选类别,则将所述多个候选类别输入至所述识别子模型,得到所述识别子模型输出的所述新增商品的目标识别类别。
可选地,所述处理器,还用于:获取多个样本数据,每个所述样本数据包括商品样本的商品信息,以及所述商品样本在任一销售平台中的标准类别;采用所述多个样本数据对初始模型进行训练,得到所述类别识别模型。
又一方面,提供了一种服务器,所述服务器包括:存储器,处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述方面所述的商品类别的配置方法。
再一方面,提供了一种商品类别的配置系统,所述系统包括终端,以及上述任一方面提供的服务器;其中,所述终端用于向所述服务器发送新增商品的商品信息。
再一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序由处理器加载并执行以实现如上述方面所述的商品类别的配置方法。
再一方面,提供了一种包含指令的计算机程序产品,当所述计算机程序产品在所述计算机上运行时,使得所述计算机执行上述方面所述的商品类别的配置方法。
本申请提供的技术方案带来的有益效果至少包括:
本申请提供了一种商品类别的配置方法、装置及系统,服务器能够基于新增商品的商品信息确定该新增商品在目标销售平台的标准类别,进而能够自动配置该新增商品的标准类别。由于无需人工手动配置,因此不仅有效提高了商品类别的配置效率,而且可以避免手动配置过程中出现操作失误,进而提高了商品类别配置的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种商品类别的配置系统的结构示意图;
图2是本申请实施例提供的一种商品类别的配置方法的流程图;
图3是本申请实施例提供的另一种商品类别的配置方法的流程图;
图4是本申请实施例提供的另一种商品类别的配置系统的结构示意图;
图5是本申请实施例提供的又一种商品类别的配置方法的流程图;
图6是本申请实施例提供的一种显示有配置提示信息的界面的示意图;
图7是本申请实施例提供的又一种商品类别的配置系统的结构示意图;
图8是本申请实施例提供的一种服务器的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
图1是本申请实施例提供的一种商品类别的配置系统的结构示意图。参见图1,该系统可以包括服务器110和终端120。该服务器110与终端120之间建立有线或无线通信连接。
可选地,该服务器110可以是一台服务器,或者可以是由若干台服务器组成的服务器集群,又或者还可以是一个云计算服务中心。该终端120可以为手机,平板电脑,笔记本电脑,台式电脑,车载终端,智能家居设备或可穿戴设备等。例如,参见图1,该终端120可以为手机。
可以理解的是,该终端120中可以安装有商品管理应用程序(application,APP),该服务器110为该商品管理APP的后台服务器。
本申请实例提供了一种商品类别的配置方法,该方法可以应用于服务器,例如图1所示系统中的服务器110。参见图2,该方法包括:
步骤101、将获取到的新增商品的商品信息输入至类别识别模型,得到类别识别模型输出的该新增商品的目标识别类别。
在本申请实施例中,当商户需要在目标销售平台中上线新增商品时,可以在终端中输入新增商品的商品信息,终端进而可以将该商品信息发送至服务器。服务器中预先存储有类别识别模型,该服务器接收到新增商品的商品信息后,可以将该商品信息输入至类别识别模型,得到类别识别模型输出的该新增商品的目标识别类别。
其中,商品信息可以包括下述信息中的至少一种:商品名称和商品的描述信息等。该描述信息可以用于描述商品的特征,该特征可以包括:商品的颜色、尺寸、重量、形状、口感、口味、用途和产地等。
步骤102、基于类别知识库中记录的识别类别与目标销售平台中的标准类别的对应关系,确定该目标识别类别对应的第一标准类别。
服务器中存储有类别知识库,该类别知识库中记录有识别类别与目标销售平台中的标准类别的对应关系。服务器确定出新增商品的目标识别类别后,可以在类别知识库中查找与该目标识别类别对应的第一标准类别。
其中,每个识别类别对应一个标准类别,且不同识别类别对应的标准类别可以相同,也可以不同。或者可以理解为:该识别类别为标准类别的子类别。
应理解的是,该标准类别是由该目标销售平台划分的,且不同销售平台划分的标准类别可能不同。也即是,同一识别类别在不同销售平台中对应的标准类别可能不同。
步骤103、将第一标准类别配置为该新增商品在目标销售平台中的标准类别。
服务器确定出第一标准类别后,即可将该第一标准类别配置为该新增商品在目标销售平台的标准类别。
综上所述,本申请实施例提供了一种商品类别的配置方法,服务器能够基于新增商品的商品信息确定该新增商品在目标销售平台的标准类别,进而能够自动配置该新增商品的标准类别。由于无需人工手动配置,因此不仅有效提高了商品类别的配置效率,而且可以避免手动配置过程中出现操作失误,进而提高了商品类别配置的准确性。
本申请实施例提供了另一种商品类别的配置方法,该方法可以应用于商品类别的配置系统,例如图1所示的商品类别的配置系统。参见图3,该方法包括:
步骤201、服务器获取多个样本数据。
其中,每个样本数据包括一个商品样本的商品信息,以及该商品样本在任一销售平台中的标准类别。
可选地,该服务器可以为某个销售平台的后台服务器,则该服务器能够将已在该销售平台上线的多个商品作为商品样本,并获取其存储的多个商品样本的商品信息以及标准类别,得到样本数据。或者,该服务器可以与多个销售平台的后台服务器连接,并可以获取该多个销售平台的后台服务器发送的样本数据。其中每个销售平台的后台服务器发送的每个样本数据包括已在该销售平台上线的一个商品的商品信息以及标准类别。
可以理解的是,上述商品样本的商品信息以及标准类别可以是商户手动输入并上传至销售平台的后台服务器的。
步骤202、服务器采用多个样本数据对初始模型进行训练,得到类别识别模型。
服务器获取到多个样本数据后,可以按照机器学习的方法,采用该多个样本数据对初始模型进行训练,得到类别识别模型。通过获取到的多个样本数据对初始模型进行多次训练,得到类别识别模型,可以保证类别识别模型识别商品类别的准确性。
可选地,该初始模型可以包括第一机器学习模型和第二机器学习模型。对于每个样本数据,服务器可以先将该样本数据输入至第一机器学习模型,得到该第一机器学习模型输出的标注结果。之后,服务器可以将该标注结果和样本数据中的标准类别作为候选类别输入至第二机器学习模型,从而得到该第二机器学习模型输出的商品样本的目标识别类别。服务器采用多个样本数据对该第一机器学习模型和第二机器学习模型进行训练后,可以将第一机器学习模型训练为标注子模型,并可以将第二机器学习模型训练为识别子模型。
其中,该第一机器学习模型可以为基于长短期记忆网络(long short-termmemory,LSTM)和条件随机场(conditional random field,CRF)的模型。该第二机器学习模型可以为基于卷积神经网络(convolutional neural network,CNN)和柔性传输值最大值函数(softmax)的模型。
示例的,假设每个样本数据中的商品信息包括商品名称,则对于每个样本数据,服务器可以先将商品名称和标准类别合并成一个文本,并将文本中的文字转化为字向量输入至第一机器学习模型。该第一机器学习模型能够对输入的字向量进行标注,并输出标注结果,且第一机器学习模型输出的标注结果的个数可能是0个、1个或多个。其中,每个标注结果可以是从商品名称和标准类别中提取出的一个关键词。之后,服务器可以将标注结果和标准类别均作为候选类别,并将每个候选类别分别转化为词向量后输入至第二机器学习模型。该第二机器学习模型进而能够输出商品样本的目标识别类别。
步骤203、服务器获取目标销售平台中至少一个历史商品的商品信息。
其中,历史商品是指该目标销售平台中已上线的商品。该商品信息可以包括商品名称和该商品在目标销售平台的标准类别。若服务器为该目标销售平台的后台服务器,则该服务器可以直接获取其存储的目标销售平台中已上线的多个历史商品的商品信息。若该服务器独立于目标销售平台的后台服务器,则该服务器可以从该目标销售平台的后台服务器中获取至少一个历史商品的商品信息。
可以理解的是,上述历史商品的商品信息以及标准类别可以是商户手动输入并上传至目标销售平台的后台服务器的。
步骤204、服务器将每个历史商品的商品信息输入至类别识别模型,得到类别识别模型输出的该历史商品的识别类别。
服务器获取到至少一个历史商品的商品信息后,可以将每个历史商品的商品信息分别输入至类别识别模型,以得到每个历史商品的识别类别。
可选地,若该类别识别模型包括标注子模型和识别子模型,则服务器可以先将历史商品的商品信息输入至标注子模型,标注子模型对该历史商品的商品信息进行标注,并输出标注结果。之后,服务器可以将标注结果作为候选类别,并将候选类别输入至识别子模型。该识别子模型进而能够输出该历史商品的目标识别类别。
步骤205、服务器在类别知识库中记录每个历史商品的识别类别与该历史商品在目标销售平台中的标准类别的对应关系。
服务器确定出任一历史商品的识别类别后,可以在目标销售平台的类别知识库中记录该历史商品的识别类别与该历史商品在目标销售平台中的标准类别的对应关系。其中,目标销售平台中的标准类别可以是该目标销售平台划分的,且不同销售平台划分的标准类别可能不同。并且,每个识别类别对应一个标准类别,且不同识别类别对应的标准类别可以相同,也可以不同。或者可以理解为:该识别类别为标准类别的子类别。
可选地,每个商品的标准类别可以包括多个不同层级的类别。例如可以包括一级标准类别和二级标准类别。其中,每个二级标准类别属于一个一级标准类别,即该二级标准类别为一级标准类别的子类别。每个识别类别属于一个二级标准类别,即该识别类别为二级标准类别的子类别。
表1
识别类别 | 二级标准类别 | 一级标准类别 | 校验标志 |
坚果 | 坚果炒货 | 零食甜品 | 0 |
榴莲糖 | 糖果果冻 | 零食甜品 | 0 |
示例的,目标销售平台的类别知识库可以如表1所示。参见表1,识别类别“坚果”对应的标准类别包括:一级标准类别“零食甜品”,二级标准类别“坚果炒货”。识别类别“榴莲糖”对应的标准类别包括:一级标准类别“零食甜品”,二级标准类别“糖果果冻”。
可选地,在本申请实施例中,为了确保该类别知识库中记录的对应关系的可靠性,还可以由运维人员对该类别知识库中记录的对应关系进行人工校验。若类别知识库中的某个对应关系校验通过,则运维人员可以将该对应关系的校验标志由初始值更新为目标值。若类别知识库中的某个对应关系校验失败,则运维人员可以修改该对应关系中的标准类别,并将修改后的对应关系的校验标志由初始值更新为目标值。或者,对于校验失败的对应关系,运维人员也可以直接将该对应关系从类别知识库中删除。其中,该初始值可以为0,目标值可以为1。
示例的,运维人员可以对表1所示的类别知识库中的对应关系进行人工校验。假设该表1中的两个对应关系均校验通过,则结合表1和表2可知,运维人员可以将该两个对应关系的校验标志均由0更新为1。
表2
识别类别 | 二级标准类别 | 一级标准类别 | 校验标志 |
坚果 | 坚果炒货 | 零食甜品 | 1 |
榴莲糖 | 糖果果冻 | 零食甜品 | 1 |
通过在类别知识库中记录识别类别与目标销售平台中的标准类别的对应关系,可以使得服务器在确定出新增商品的目标识别类别后,能够直接根据该类别知识库中记录的对应关系,得到该新增商品在目标销售平台中的标准类别。由此,有效提高了确定新增商品的标准类别的效率,进而提高了商品类别的配置效率。
由于不同销售平台划分标准类别的方式可能不同,因此每个销售平台均具有各自的类别知识库。相应的,对于需要在目标销售平台上线的新增商品,服务器需基于该目标销售平台的类别知识库确定该新增商品的标准类别,以确保确定出的标准类别的准确性。
应理解的是,对于不同的销售平台,服务器可以采用同一个类别识别模型识别新增商品的目标识别类别,即该类别识别模型可以适用于不同的销售平台。当然,服务器也可以针对每个销售平台,采用该销售平台中的历史商品的商品信息,训练该销售平台专有的类别识别模型。
步骤206、终端向服务器发送新增商品的商品信息。
在本申请实施例中,当商户需要在目标销售平台中上线新增商品时,可以在终端中输入新增商品的商品信息,终端进而可以将该新增商品的商品信息发送至服务器。其中,商品信息可以包括下述信息中的至少一种:商品名称和商品的描述信息等。该描述信息可以用于描述商品的特征,该特征可以包括:商品的颜色、尺寸、重量、形状、口感、口味、用途和产地等。
示例的,参考表3,终端向服务器发送的新增商品的商品信息可以包括商品名称“xx坚果750g成人款”。
表3
商品名称 |
xx坚果750g成人款 |
步骤207、服务器将新增商品的商品信息输入至类别识别模型,得到类别识别模型输出的新增商品的目标识别类别。
图4是本申请实施例提供的另一种商品类别的配置系统的结构示意图,如图4所示,服务器获取到终端发送的新增商品的商品信息后,可以直接将该商品信息输入至预先训练得到的类别识别模型中。该类别识别模型进而能够输出该新增商品的目标识别类别。
可选地,该类别识别模型可以包括:标注子模型和识别子模型。服务器可以先将新增商品的商品信息输入至该标注子模型,得到该标注子模型输出的标注结果。之后,可以将该标注结果作为候选类别输入至识别子模型,从而得到该识别子模型输出的新增商品的目标识别类别。
其中,若该标注子模型输出一个候选类别,则服务器可以直接将该候选类别确定为新增商品的目标识别类别。
若该标注子模型输出多个候选类别,则服务器可以将该多个候选类别输入至识别子模型,得到识别子模型输出的该新增商品的目标识别类别。
当新增商品的商品信息包含过多内容时,该标注子模型可以输出多个候选类别,即不能唯一确定该新增商品的目标识别类别。服务器进而可以将该多个候选类别输入至识别子模型,从而得到该新增商品的目标识别类别。
可选地,若该标注子模型输出0个候选类别,即标注子模型未输出候选类别,则服务器可以确定该类别识别模型无法识别出该新增商品的目标识别类别,并可以向终端发送失败提示信息。该失败提示信息可以用于供终端显示,以提示商户手动配置该新增商品的标准类别。
应理解的是,若终端发送的新增商品的商品信息不够完整时,可能出现标注子模型未输出候选类别的情况。
将新增商品的商品信息先输入至标注子模型,依据标注子模型的输出结果的个数,再决定是否要将标注子模型的输出结果输入至识别子模型进行下一步处理。通过分步处理,可以提高类别识别模型的识别商品类别的效率。
步骤208、服务器基于类别知识库中记录的识别类别与目标销售平台中的标准类别的对应关系,确定该目标识别类别对应的第一标准类别。
服务器确定新增商品的目标识别类别后,可以在目标销售平台的类别知识库中查找与该目标识别类别对应的第一标准类别,即该新增商品的目标识别类别在目标销售平台对应的标准类别。
表4
识别类别 | 二级标准类别 | 一级标准类别 | 校验标志 |
洗发水 | 头发护理 | 生活日用 | 1 |
沐浴露 | 身体护理 | 生活日用 | 1 |
护发素 | 头发护理 | 生活日用 | 1 |
坚果 | 坚果炒货 | 零食甜品 | 1 |
榴莲糖 | 糖果果冻 | 零食甜品 | 1 |
白醋 | 调味料 | 柴米油盐 | 1 |
白糖 | 调味料 | 柴米油盐 | 1 |
示例的,假设目标销售平台的类别知识库如表4所示。若服务器将表3所示的新增商品的商品信息输入至类别识别模型后,得到该新增商品的目标识别类别为“坚果”。则如表5所示,服务器可以基于表4所示的类别知识库,进一步确定该新增商品的标准类别包括:一级标准类别“零食甜品”,二级标准类别“坚果炒货”。
表5
商品名称 | 识别类别 | 二级标准类别 | 一级标准类别 |
xx坚果750g成人款 | 坚果 | 坚果炒货 | 零食甜品 |
参见图5,本申请实施例提供的商品类别的配置方法还可以包括如下步骤:
步骤209、服务器向终端发送配置提示信息。
服务器可以将该新增商品的配置提示信息发送至终端,用于供终端确认该新增商品的第一标准类别。其中,该配置提示信息可以包括新增商品的商品名称,以及服务器确定出的该新增商品的第一标准类别。
可选地,如图4所示,该服务器中还包括提示模块,该提示模块能够基于新增商品的第一标准类别生成配置提示信息,并将该配置提示信息发送至终端。
步骤210、终端显示该配置提示信息。
终端接收到服务器发送的配置提示信息后,可以将该配置提示信息显示在商品管理APP的界面上,以便商户可以确认服务器确定出的第一标准类别是否准确。
示例的,参见图6,对于商品名称为“xx坚果750g成人款”的新增商品,商品管理APP的界面显示的配置提示信息的内容可以为:xx坚果750g成人款:坚果炒货:零食甜品。
步骤211a、终端响应于针对该配置提示信息的确认操作,向服务器发送确认指示。
商户可以根据终端显示的配置提示信息,对服务器确定出的该新增商品在目标销售平台中的第一标准类别进行核对。若核对无误,则可以执行确认操作。终端进而可以响应于该确认操作,向服务器发送确认指示,该确认指示可以用于指示该配置提示信息已核对通过。
可选地,终端在显示该配置提示信息时,还可以在其显示界面中显示确认控件。上述针对该配置提示信息的确认操作可以是点击该确认控件的操作。当然,该确认操作还可以是语音操作。
步骤212a、服务器响应于该确认指示,将第一标准类别配置为该新增商品在目标销售平台中的标准类别。
服务器在接收到终端发送的确认指示后,可以确定该第一标准类别已通过商户的核对。进而,服务器可以将该第一标准类别配置为该新增商品在目标销售平台中的标准类别。服务器在确定第一标准类别已通过商户的核对后,再为该新增商品配置标准类别,确保了对新增商品进行商品类别配置时的准确性。
例如,服务器可以将商品名称为“xx坚果750g成人款”的新增商品的二级标准类别配置为“坚果炒货”,一级标准类别配置为“零食甜品”。
步骤211b、终端向服务器发送该第二标准类别。
在上述步骤210之后,若商户对该新增商品在目标销售平台中的第一标准类别进行核对后,确定该第一标准类别有误,则可以手动配置第二标准类别。终端进而可以向服务器发送商户手动配置的第二标准类别。
可选地,终端在显示该配置提示信息时,还可以在其显示界面中显示取消控件。商户若确定该第一标准类别有误,则可以执行针对该配置提示信息的取消操作。该取消操作可以是点击该取消控件的操作,或者可以是语音操作。终端进而可以响应于该取消操作,显示针对该新增商品的标准类别的配置界面。商户可以在该配置界面中输入或选择该新增商品的第二标准类别。
步骤212b、服务器将该第二标准类别配置为该新增商品在目标销售平台中的标准类别。
服务器若未接收到终端发送的确认指示,且接收到了终端发送的新增商品的商品信息和第二标准类别,则可以将该第二标准类别配置为该新增商品在目标销售平台中的标准类别。
当服务器确定第一标准类别有误时,可以将终端发送的第二标准类别配置为该新增商品在目标销售平台中的标准类别,以确保商品类别配置的准确性。
步骤213、服务器在类别知识库中记录目标识别类别与该第二标准类别的对应关系。
服务器获取到终端发送的第二标准类别后,还可以在目标销售平台的类别知识库中记录该新增商品的目标识别类别与该新增商品的第二标准类别的对应关系。由于该第二标准类别是商户核对后的标准类别,因此可以确保类别知识库中记录的对应关系的可靠性。
可选地,在本申请实施例中,为了进一步确保该类别知识库中记录的对应关系的可靠性,运维人员可以对该新增商品的目标识别类别与该新增商品的第二标准类别的对应关系进行人工校验。若校验通过,则运维人员可以将该对应关系的校验标志由初始值更新为目标值。若校验失败,则运维人员可以修改该对应关系中的标准类别,并将修改后的对应关系的校验标志由初始值更新为目标值。或者,对于校验失败的对应关系,运维人员也可以直接将该对应关系从类别知识库中删除。其中,该初始值可以为0,目标值可以为1。
可选地,在上述步骤210之后,终端若检测到针对该配置提示信息的取消操作,还可以向服务器发送错误指示。服务器可以响应于该错误指示,将新增商品的相关信息(例如商品信息、目标识别类别和第一标准类别)删除。相应的,在上述步骤211b中,终端除了可以向服务器发送第二标准类别,还可以重新向服务器发送该新增商品的商品信息。
图7是本申请实施例提供的又一种商品类别的配置系统的结构示意图,如图7所示,服务器还可以包括类别学习模块。服务器获取到终端发送的新增商品的商品信息和第二标准类别后,可以将该商品信息输入至类别识别模型,得到该类别识别模型输出的该新增商品的目标识别类别。之后,该类别学习模块可以将该目标识别类别与第二标准类别的对应关系记录在类别知识库中。之后,运维人员还可以对该类别知识库中新增的对应关系进行校验。
应理解的是,本申请实施例提供的商品类别的配置方法的步骤的先后顺序可以进行适当调整,步骤也可以根据情况进行相应增减。例如,上述步骤209至211a可以根据情况删除,即服务器确定出新增商品的第一标准类别后,可以直接将该第一标准类别配置为该新增商品在目标销售平台的标准类别,而无需由终端进行确认。或者,上述步骤213可以与步骤212b同步执行,或在步骤212b之前执行。又或者,上述步骤213可以根据情况删除。再或者,上述步骤201至步骤205还可以在步骤206之后周期性的循环执行,即服务器可以在运行过程中,周期性的更新该类别识别模型和类别知识库。任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化的方法,都应涵盖在本申请的保护范围之内,因此不再赘述。
综上所述,本申请实施例提供了一种商品类别的配置方法,服务器能够基于新增商品的商品信息确定该新增商品在目标销售平台的标准类别,进而能够自动配置该新增商品的标准类别。由于无需人工手动配置,因此不仅有效提高了商品类别的配置效率,而且可以避免手动配置过程中出现操作失误,进而提高了商品类别配置的准确性。
图8是本申请实施例提供的一种服务器的结构示意图,该服务器可以执行上述方法实施例提供的由服务器执行的商品类别的配置方法。如图8所示,该服务器110可以包括:处理器1101和通信模块1102。
其中,该通信模块1102用于获取新增商品的商品信息。
该处理器1101用于:
将获取到的新增商品的商品信息输入至类别识别模型,得到类别识别模型输出的新增商品的目标识别类别;
基于类别知识库中记录的识别类别与目标销售平台中的标准类别的对应关系,确定该目标识别类别对应的第一标准类别;
将第一标准类别配置为该新增商品在目标销售平台中的标准类别。
可选地,该通信模块1102,还用于向终端120发送配置提示信息,该配置提示信息用于供终端120确认第一标准类别。
该处理器1101,用于响应于终端120发送的确认指示,将第一标准类别配置为该新增商品在目标销售平台中的标准类别。
可选地,该处理器1101,用于若该通信模块1102未接收到终端120发送的确认指示,且接收到了该终端120发送的该新增商品的第二标准类别,则将第二标准类别配置为该新增商品在目标销售平台中的标准类别,并在类别知识库中记录该目标识别类别与第二标准类别的对应关系。
可选地,该处理器1101,用于若确目标识别类别与第二标准类别的对应关系校验通过,则在类别知识库中记录该目标识别类别与第二标准类别的对应关系。
可选地,该通信模块1102还用于获取该目标销售平台中至少一个历史商品的商品信息。
该处理器1101还用于:
将每个历史商品的商品信息输入至类别识别模型,得到类别识别模型输出的历史商品的识别类别;
在类别知识库中记录每个历史商品的识别类别与历史商品在目标销售平台中的标准类别的对应关系。
可选地,该处理器1101还用于:
将获取到的新增商品的商品信息输入至标注子模型;
若标注子模型输出一个候选类别,则将该候选类别确定为该新增商品的目标识别类别;
若标注子模型输出多个候选类别,则将该多个候选类别输入至识别子模型,得到识别子模型输出的该新增商品的目标识别类别。
可选地,该处理器1101还用于:获取多个样本数据,每个样本数据包括商品样本的商品信息,以及该商品样本在任一销售平台中的标准类别;采用多个样本数据对初始模型进行训练,得到类别识别模型。
综上所述,本申请实施例提供了一种服务器,该服务器能够基于新增商品的商品信息确定该新增商品在目标销售平台的标准类别,进而能够自动配置该新增商品的标准类别。由于无需人工手动配置,因此不仅有效提高了商品类别的配置效率,而且可以避免手动配置过程中出现操作失误,进而提高了商品类别配置的准确性。
本申请实施例提供了一种服务器,该服务器可以包括存储器,处理器及存储在该存储器上并可在该处理器上运行的计算机程序,该处理器执行该计算机程序时实现如上述实施例提供的商品类别的配置方法,例如图2、图3或图5所示的方法。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,该计算机程序由处理器加载并执行以上述实施例提供的商品类别的配置方法,例如图2、图3或图5所示的方法。
本申请实施例还提供了一种包含指令的计算机程序产品,当计算机程序产品在计算机上运行时,使得计算机执行上述方法实施例提供的商品类别的配置方法,例如图2、图3或图5所示的方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
应当理解的是,本申请中术语“至少一个”的含义是指一个或多个,本申请中术语“多个”的含义是指两个或两个以上。
本申请中术语“第一”“第二”等字样用于对作用和功能基本相同的相同项或相似项进行区分,应理解,“第一”、“第二”、“第n”之间不具有逻辑或时序上的依赖关系,也不对数量和执行顺序进行限定。例如,在不脱离各种所述示例的范围的情况下,第一机器学习模型可以被称为第二机器学习模型,并且类似地,第二机器学习模型也可以被称为第一机器学习模型。
以上所述仅为本申请的示例性实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (5)
1.一种商品类别的配置方法,其特征在于,所述方法包括:
获取目标销售平台中至少一个历史商品的商品信息和所述历史商品在所述目标销售平台中的标准类别,所述历史商品为所述目标销售平台中已上线的商品,所述商品信息包括:商品名称和商品描述信息,所述商品描述信息用于描述商品特征,所述商品特征包括:商品颜色、尺寸、重量、形状、口感、口味、用途和产地;
将每个所述历史商品的商品信息输入至类别识别模型包括的标注子模型,得到所述标注子模型输出的对所述历史商品的商品信息进行标注得到的标注结果,所述标注结果为从所述商品信息中提取的关键词;所述类别识别模型适用于不同的销售平台;
将所述标注结果作为候选类别,将所述候选类别输入至所述类别识别模型包括的识别子模型,得到所述识别子模型输出的所述历史商品的识别类别;
在类别知识库中记录每个所述历史商品的识别类别与所述历史商品在所述目标销售平台中的标准类别的对应关系;每个商品的标准类别包括一级标准类别和二级标准类别,所述二级标准类别为所述一级标准类别的子类别,每个所述识别类别为所述二级标准类别的子类别;
将获取到的新增商品的商品信息输入至所述标注子模型,得到所述标注子模型输出的对所述新增商品的商品信息进行标识得到的标注结果,将所述标注子模型输出的标注结果作为候选类别;
若所述标注子模型输出一个候选类别,则将所述候选类别确定为所述新增商品的目标识别类别;
若所述标注子模型输出多个候选类别,则将所述多个候选类别输入至所述识别子模型,得到所述识别子模型输出的所述新增商品的目标识别类别;
基于所述类别知识库中记录的识别类别与目标销售平台中的标准类别的对应关系,确定所述目标识别类别对应的第一标准类别;
向终端发送配置提示信息,所述配置提示信息用于供所述终端确认所述第一标准类别;
响应于所述终端发送的确认指示,将所述第一标准类别配置为所述新增商品在所述目标销售平台中的标准类别,所述确认指示为所述终端针对所述配置提示信息的确认操作向服务器发送的;
若未接收到所述终端发送的确认指示,且接收到了所述终端发送的所述新增商品的第二标准类别,则将所述第二标准类别配置为所述新增商品在所述目标销售平台中的标准类别;
在所述类别知识库中记录所述目标识别类别与所述第二标准类别的对应关系;
若所述标注子模型输出0个候选类别,则向所述终端发送失败提示信息,所述失败提示信息用于供所述终端显示,以提示商户手动配置所述新增商品的标准类别。
2.根据权利要求1所述的方法,其特征在于,在所述类别知识库中记录所述目标识别类别与所述第二标准类别的对应关系,包括:
若确定所述目标识别类别与所述第二标准类别的对应关系校验通过,则在所述类别知识库中记录所述目标识别类别与所述第二标准类别的对应关系。
3.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
获取多个样本数据,每个所述样本数据包括商品样本的商品信息,以及所述商品样本在任一销售平台中的标准类别;
采用所述多个样本数据对初始模型进行训练,得到所述类别识别模型。
4.一种服务器,其特征在于,所述服务器包括:通信模块和处理器;
所述通信模块,用于获取目标销售平台中至少一个历史商品的商品信息和所述历史商品在所述目标销售平台中的标准类别,所述历史商品为所述目标销售平台中已上线的商品,所述商品信息包括:商品名称和商品描述信息,所述商品描述信息用于描述商品特征,所述商品特征包括:商品颜色、尺寸、重量、形状、口感、口味、用途和产地;
所述处理器,用于将每个所述历史商品的商品信息输入至类别识别模型包括的标注子模型,得到所述标注子模型输出的对所述历史商品的商品信息进行标注得到的标注结果,所述标注结果为从所述商品信息中提取的关键词;所述类别识别模型适用于不同的销售平台;
将所述标注结果作为候选类别,将所述候选类别输入至所述类别识别模型包括的识别子模型,得到所述识别子模型输出的所述历史商品的识别类别;
在类别知识库中记录每个所述历史商品的识别类别与所述历史商品在所述目标销售平台中的标准类别的对应关系;每个商品的标准类别包括一级标准类别和二级标准类别,所述二级标准类别为所述一级标准类别的子类别,每个所述识别类别为所述二级标准类别的子类别;
所述通信模块,还用于获取新增商品的商品信息;
所述处理器,还用于:
将获取到的新增商品的商品信息输入至所述标注子模型,得到所述标注子模型输出的对所述新增商品的商品信息进行标识得到的标注结果,将所述标注子模型输出的标注结果作为候选类别;
若所述标注子模型输出一个候选类别,则将所述候选类别确定为所述新增商品的目标识别类别;
若所述标注子模型输出多个候选类别,则将所述多个候选类别输入至所述识别子模型,得到所述识别子模型输出的所述新增商品的目标识别类别;
基于所述类别知识库中记录的识别类别与目标销售平台中的标准类别的对应关系,确定所述目标识别类别对应的第一标准类别;
所述通信模块,还用于向终端发送配置提示信息,所述配置提示信息用于供所述终端确认所述第一标准类别;
所述处理器,还用于:
响应于所述终端发送的确认指示,将所述第一标准类别配置为所述新增商品在所述目标销售平台中的标准类别;
若所述通信模块未接收到所述终端发送的确认指示,且接收到了所述终端发送的所述新增商品的第二标准类别,则将所述第二标准类别配置为所述新增商品在所述目标销售平台中的标准类别;
在所述类别知识库中记录所述目标识别类别与所述第二标准类别的对应关系;
若所述标注子模型输出0个候选类别,则向所述终端发送失败提示信息,所述失败提示信息用于供所述终端显示,以提示商户手动配置所述新增商品的标准类别。
5.一种商品类别的配置系统,其特征在于,所述系统包括:终端,以及如权利要求4所述的服务器;
其中,所述终端用于向所述服务器发送新增商品的商品信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110931637.2A CN113674054B (zh) | 2021-08-13 | 2021-08-13 | 商品类别的配置方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110931637.2A CN113674054B (zh) | 2021-08-13 | 2021-08-13 | 商品类别的配置方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113674054A CN113674054A (zh) | 2021-11-19 |
CN113674054B true CN113674054B (zh) | 2023-12-05 |
Family
ID=78542804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110931637.2A Active CN113674054B (zh) | 2021-08-13 | 2021-08-13 | 商品类别的配置方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113674054B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778205A (zh) * | 2014-01-13 | 2014-05-07 | 北京奇虎科技有限公司 | 一种基于互信息的商品分类方法和系统 |
CN105046274A (zh) * | 2015-07-13 | 2015-11-11 | 浪潮软件集团有限公司 | 一种电子商务商品类别自动标注方法 |
CN106326259A (zh) * | 2015-06-26 | 2017-01-11 | 苏宁云商集团股份有限公司 | 搜索引擎中商品标签的构建方法、系统及搜索方法和系统 |
CN107092600A (zh) * | 2016-02-17 | 2017-08-25 | 阿里巴巴集团控股有限公司 | 一种信息识别方法及装置 |
CN107958026A (zh) * | 2017-11-14 | 2018-04-24 | 天脉聚源(北京)科技有限公司 | 一种商品信息处理方法及装置 |
CN109213866A (zh) * | 2018-09-19 | 2019-01-15 | 浙江诺诺网络科技有限公司 | 一种基于深度学习的税务商品编码分类方法和系统 |
CN110992141A (zh) * | 2019-11-28 | 2020-04-10 | 上海识装信息科技有限公司 | 基于识别商品图像推荐商品的方法、装置和电子设备 |
CN111539209A (zh) * | 2020-04-15 | 2020-08-14 | 北京百度网讯科技有限公司 | 用于实体分类的方法和装置 |
CN112015901A (zh) * | 2020-09-08 | 2020-12-01 | 迪爱斯信息技术股份有限公司 | 文本分类方法及装置、警情分析系统 |
CN112445909A (zh) * | 2019-08-16 | 2021-03-05 | 阿里巴巴集团控股有限公司 | 商品检索方法及装置 |
CN112767063A (zh) * | 2020-09-07 | 2021-05-07 | 肆嘉(上海)商务咨询有限公司 | 用户与卖家实现良性循环网络平台方法和系统 |
CN112767081A (zh) * | 2021-01-19 | 2021-05-07 | 广州新丝路信息科技有限公司 | 一种跨境保税仓商品分类方法及装置 |
CN112883719A (zh) * | 2021-02-01 | 2021-06-01 | 南京苏宁软件技术有限公司 | 一种品类词识别方法、模型训练方法、装置及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200293946A1 (en) * | 2019-03-15 | 2020-09-17 | Accenture Global Solutions Limited | Machine learning based incident classification and resolution |
-
2021
- 2021-08-13 CN CN202110931637.2A patent/CN113674054B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778205A (zh) * | 2014-01-13 | 2014-05-07 | 北京奇虎科技有限公司 | 一种基于互信息的商品分类方法和系统 |
CN106326259A (zh) * | 2015-06-26 | 2017-01-11 | 苏宁云商集团股份有限公司 | 搜索引擎中商品标签的构建方法、系统及搜索方法和系统 |
CN105046274A (zh) * | 2015-07-13 | 2015-11-11 | 浪潮软件集团有限公司 | 一种电子商务商品类别自动标注方法 |
CN107092600A (zh) * | 2016-02-17 | 2017-08-25 | 阿里巴巴集团控股有限公司 | 一种信息识别方法及装置 |
CN107958026A (zh) * | 2017-11-14 | 2018-04-24 | 天脉聚源(北京)科技有限公司 | 一种商品信息处理方法及装置 |
CN109213866A (zh) * | 2018-09-19 | 2019-01-15 | 浙江诺诺网络科技有限公司 | 一种基于深度学习的税务商品编码分类方法和系统 |
CN112445909A (zh) * | 2019-08-16 | 2021-03-05 | 阿里巴巴集团控股有限公司 | 商品检索方法及装置 |
CN110992141A (zh) * | 2019-11-28 | 2020-04-10 | 上海识装信息科技有限公司 | 基于识别商品图像推荐商品的方法、装置和电子设备 |
CN111539209A (zh) * | 2020-04-15 | 2020-08-14 | 北京百度网讯科技有限公司 | 用于实体分类的方法和装置 |
CN112767063A (zh) * | 2020-09-07 | 2021-05-07 | 肆嘉(上海)商务咨询有限公司 | 用户与卖家实现良性循环网络平台方法和系统 |
CN112015901A (zh) * | 2020-09-08 | 2020-12-01 | 迪爱斯信息技术股份有限公司 | 文本分类方法及装置、警情分析系统 |
CN112767081A (zh) * | 2021-01-19 | 2021-05-07 | 广州新丝路信息科技有限公司 | 一种跨境保税仓商品分类方法及装置 |
CN112883719A (zh) * | 2021-02-01 | 2021-06-01 | 南京苏宁软件技术有限公司 | 一种品类词识别方法、模型训练方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113674054A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11164238B1 (en) | Cross selling recommendation engine | |
CN111784455B (zh) | 一种物品推荐方法及推荐设备 | |
US6549752B2 (en) | Apparatus and method accumulating cases to be learned | |
US11257049B1 (en) | Item identification based on receipt image | |
US11507989B2 (en) | Multi-label product categorization | |
US8688603B1 (en) | System and method for identifying and correcting marginal false positives in machine learning models | |
WO2020001106A1 (zh) | 分类模型的训练方法、店铺分类的方法及装置 | |
US20200302346A1 (en) | Data source-based service customizing device, method and system, and storage medium | |
BR112019027187A2 (pt) | sistema para agregação de metadados de eventos de comportamento do consumidor na loja, verificação de dados e análise de inteligência artificial dos mesmos para interpretação dos dados e desencadeamento de ação associada | |
US20220050864A1 (en) | Mapping natural language utterances to nodes in a knowledge graph | |
US11348160B1 (en) | Determining order preferences and item suggestions | |
CN107958406A (zh) | 查询数据的获取方法、装置及终端 | |
US11810550B2 (en) | Determining order preferences and item suggestions | |
CN112507095A (zh) | 基于弱监督学习的信息识别方法及相关设备 | |
CN114756669A (zh) | 问题意图的智能分析方法、装置、电子设备及存储介质 | |
US20190304587A1 (en) | Nutrition performance scorecard and automated shopping list | |
CN113674054B (zh) | 商品类别的配置方法、装置及系统 | |
CN111373395A (zh) | 基于层次聚类的人工智能系统和方法 | |
US20190073620A1 (en) | System, method and computer program product for data analysis | |
US20230015090A1 (en) | Systems and Methods for Dynamically Classifying Products and Assessing Applicability of Product Regulations | |
CN111639274B (zh) | 线上商品智能排序方法、装置、计算机设备和存储介质 | |
CN113095876B (zh) | 一种商品推荐方法及装置 | |
US20230135327A1 (en) | Systems and methods for automated training data generation for item attributes | |
Chen et al. | Teaching black box testing | |
US20240135017A1 (en) | Storing and retrieving data based on experience in categories associated with historical interactions |
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 |