CN114169952B - 一种商品推荐方法、服务器、购物车和购物系统 - Google Patents

一种商品推荐方法、服务器、购物车和购物系统 Download PDF

Info

Publication number
CN114169952B
CN114169952B CN202010951273.XA CN202010951273A CN114169952B CN 114169952 B CN114169952 B CN 114169952B CN 202010951273 A CN202010951273 A CN 202010951273A CN 114169952 B CN114169952 B CN 114169952B
Authority
CN
China
Prior art keywords
commodity
information
recommended
shopping
user
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
Application number
CN202010951273.XA
Other languages
English (en)
Other versions
CN114169952A (zh
Inventor
张梦蕾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BOE Technology Group Co Ltd
Beijing BOE Optoelectronics Technology Co Ltd
Original Assignee
BOE Technology Group Co Ltd
Beijing BOE Optoelectronics Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by BOE Technology Group Co Ltd, Beijing BOE Optoelectronics Technology Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN202010951273.XA priority Critical patent/CN114169952B/zh
Priority to US17/471,649 priority patent/US12125093B2/en
Publication of CN114169952A publication Critical patent/CN114169952A/zh
Application granted granted Critical
Publication of CN114169952B publication Critical patent/CN114169952B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of 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
    • 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
    • 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]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种商品推荐方法、服务器、购物车、购物系统、计算机可读存储介质以及计算机设备。商品推荐方法包括：接收放置在购物车中的商品的商品图像，利用预存储的商品识别模型识别商品图像以获取商品信息；利用预存储的商品推荐模型根据商品信息输出预设推荐数量的推荐商品；将各推荐商品传输至所述购物车，使得购物车呈现推荐商品。本发明提供的实施例通过获取购物车中商品的商品图像、识别并推荐商品、并将推荐商品传输至购物车以呈现给使用该购物车的用户，从而提供了一种新的商超购物解决方案，能够改变现有的购物方式，提高购买者的购物效率，提升购物体验。

Description

一种商品推荐方法、服务器、购物车和购物系统
技术领域
本发明涉及物联网技术领域，特别是涉及一种商品推荐方法、服务器、购物车、购物系统、存储介质和计算机设备。
背景技术
超市的出现方便和丰富了人们的生活，选择超市购物的人占据着很大一部分，人们往往在超市不仅为了购买日常所需，更是为了满足实体购物体验。但目前，商超的购物模式较为原始，商场和超市仅将商品按大类摆放，用户需自行寻找所需的商品，并且商品的价格、促销信息等标识不清，用户购买需进行多次确认，不仅增加购物的时间成本，还会造成用户对商场的不信任感，影响购物体验。
发明内容
为了解决上述问题至少之一，本发明第一个实施例提供一种商品推荐方法，应用于服务器，包括：接收放置在购物车中的商品的商品图像，利用预存储的商品识别模型识别商品图像以获取商品信息；利用预存储的商品推荐模型根据商品信息输出预设推荐数量的推荐商品；将各推荐商品传输至购物车，使得购物车呈现推荐商品。
在一些可选的实施例中，商品图像包括至少两个不同视角的图像，接收放置在购物车中的商品的商品图像，利用预存储的商品识别模型识别商品图像以获取商品信息进一步包括：根据至少两个不同视角的图像获取商品图像中的各商品的边缘边框，将各商品的边缘边框传输至商品识别模型以获取商品信息。
在一些可选的实施例中，在接收放置在购物车中的商品的商品图像，利用预存储的商品识别模型识别商品图像以获取商品信息之前，商品推荐方法还包括：建立商品识别模型，商品识别模型包括具有多个卷积神经网络和聚合单元的特征提取器；接收第一样本图像，对第一样本图像进行图像处理和标注以输出第一训练样本，第一训练样本的标注标签包括商品的边缘边框；扩增第一训练样本；利用扩增后的第一训练样本训练商品识别模型。
在一些可选的实施例中，在利用预存储的商品推荐模型根据商品信息输出预设推荐数量的推荐商品之前，商品推荐方法还包括：
建立商品推荐模型，商品推荐模型包括商品相关系数矩阵，用于根据接收的商品信息输出与商品信息相关度高的预设推荐数量的推荐商品。
在一些可选的实施例中，将各所述推荐商品传输至购物车，使得购物车呈现推荐商品进一步包括：将推荐商品按照销量纪录和/或促销力度进行排序并传输至购物车，使得购物车按照正序顺序呈现推荐商品。
在一些可选的实施例中，
在利用预存储的商品推荐模型根据商品信息输出预设推荐数量的推荐商品之前，商品推荐方法还包括：
接收使用购物车的用户的身份信息，并根据身份信息获取用户的历史
购物信息；
利用预存储的商品推荐模型根据商品信息输出预设推荐数量的推荐商品进一步包括：
利用预存储的商品推荐模型根据商品信息和历史购物信息输出预设推荐数量的推荐商品。
在一些可选的实施例中，利用预存储的商品推荐模型根据商品信息和历史购物信息输出预设推荐数量的推荐商品进一步包括：
根据历史购物信息获取商品信息的购买周期，按照历史购物信息输出与购买周期相同或相近的预设推荐数量的推荐商品；
和/或
根据历史购物信息获取商品信息的商品属性，按照历史购物信息输出与商品属性相同或相近的预设推荐数量的推荐商品。
在一些可选的实施例中，
在利用预存储的商品推荐模型根据商品信息输出预设推荐数量的推荐商品之前，商品推荐方法还包括：
接收使用购物车的用户的个人信息，并根据个人信息利用预存储的用
户需求模型获取用户的预测购物信息；
利用预存储的商品推荐模型根据商品信息输出预设推荐数量的推荐商品进一步包括：
利用预存储的商品推荐模型根据商品信息和预测购物信息输出预设推荐数量的推荐商品。
在一些可选的实施例中，在接收使用购物车的用户的个人信息，并根据个人信息利用预存储的用户需求模型获取用户的预测购物信息之前，商品推荐方法还包括：建立用户需求模型，用户需求模型包括决策树模型，用于根据接收的个人信息输出对应的用户标签并根据用户标签输出对应的预测购物信息。
本申请第二方面提供一种商品推荐方法，应用于购物车，包括：采集放置在购物车中的商品的商品图像并传输至服务器中，使得服务器根据商品图像获取商品信息，并根据商品信息输出预设推荐数量的推荐商品；接收并呈现推荐商品。
在一些可选的实施例中，商品图像包括至少两个不同视角的图像，采集放置在购物车中的商品的商品图像并传输至服务器中进一步包括：利用放置在购物车中不同视角的至少两个采集单元分别采集放置在购物车中的商品的图像。
在一些可选的实施例中，
在采集放置在购物车中的商品的商品图像并传输至服务器中，使得服务器根据商品图像获取商品信息，并根据商品信息输出预设推荐数量的推荐商品之前，商品推荐方法还包括：
接收使用所述购物车的用户的身份信息并传输至服务器，使得服务器
根据身份信息获取用户的历史购物信息；
采集放置在购物车中的商品的商品图像并传输至服务器中，使得服务器根据商品图像获取商品信息，并根据商品信息输出预设推荐数量的推荐商品进一步包括：
使得服务器根据商品信息和历史购物信息输出预设推荐数量的推荐
商品；
或者
在采集放置在购物车中的商品的商品图像并传输至服务器中，使得服务器根据商品图像获取商品信息，并根据商品信息输出预设推荐数量的推荐商品之前，商品推荐方法还包括：
接收使用购物车的用户的个人信息并传输至服务器，使得服务器根据个人信息利用预存储的用户需求模型获取用户的预测购物信息；
采集放置在购物车中的商品的商品图像并传输至服务器中，使得服务器根据商品图像获取商品信息，并根据商品信息输出预设推荐数量的推荐商品进一步包括：
使得服务器根据所述商品信息和预测购物信息输出预设推荐数量的推荐商品。
本申请第三方面提供一种服务器，包括商品识别单元、商品推荐单元和第一通信单元，其中第一通信单元，用于与购物车进行数据传输；商品识别单元，用于根据第一通信单元接收的购物车中放置的商品的商品图像，利用预存储的商品识别模型识别商品图像以获取商品信息；商品推荐单元，用于根据商品信息利用预存储的商品推荐模型输出预设推荐数量的推荐商品，并通过第一通信单元传输至购物车以呈现推荐商品。
在一些可选的实施例中，还包括历史数据单元，用于根据第一通信单元接收的使用购物车的用户的身份信息获取用户的历史购物信息，使得商品推荐单元根据商品信息和所述历史购物信息利用预存储的商品推荐模型输出预设推荐数量的推荐商品；或者还包括预测数据单元，用于根据第一通信单元接收的使用购物车的用户的个人信息，并根据个人信息利用预存储的用户需求模型获取用户的预测购物信息，使得商品推荐单元根据商品信息和所述预测购物信息利用预存储的商品推荐模型输出预设推荐数量的推荐商品。
本申请第四方面提供一种购物车，包括采集单元、显示单元和第二通信单元，其中：所述第二通信单元，用于与服务器进行数据传输；采集单元，用于采集放置在购物车中的商品的商品图像并通过第二通信单元传输至服务器中，使得服务器利用预存储的商品识别模型识别商品图像以获取商品信息并利用预存储的商品推荐模型根据商品信息输出预设推荐数量的推荐商品；显示单元，用于呈现通过第二通信单元接收的推荐商品。
在一些可选的实施例中，还包括输入单元，用于接收使用购物车的用户输入的身份信息并传输至所述服务器，使得服务器根据所述身份信息获取用户的历史购物信息、并根据商品信息和历史购物信息输出预设推荐数量的推荐商品；或者用于接收使用购物车的用户输入的个人信息并传输至服务器，使得服务器根据个人信息获取用户的预测购物信息、并根据商品信息和预测购物信息输出预设推荐数量的推荐商品。
本申请第五方面提供一种购物系统，包括如本申请第三方面所述的服务器，以及本申请第二方面所述的购物车。
本申请第六方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本申请第一方面所述的方法；或者该程序被处理器执行时实现本申请第二方面所述的方法。
本申请第六方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行程序时实现本申请第一方面所述的方法；或者该处理器执行程序时实现本申请第二方面所述的方法。
本发明的有益效果如下：
本发明针对目前现有的问题，制定一种商品推荐方法、服务器、购物车、购物系统、存储介质、以及计算机设备。具体地，服务器通过与购物车进行信息交互，根据采集的购物车中商品的图像进行识别和商品推荐，并通过购物车将推荐的商品呈现给使用该购物车的用户，从而改变现有商超的购物方式，针对用户特性为用户提供个性化的便捷购物体验，从而提高购买者的购买需求和购物效率，并进一步提升商超的运营效率，具有广泛的应用前景。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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为根据本申请的实施例的商品推荐方法的示例性框图。
图2为根据本申请的实施例的购物系统的示例性框图。
图3为根据本申请的实施例的商品推荐方法的示例性通信流图。
图4为根据本申请实施例的购物车的结构示意图。
图5为根据本申请的实施例的商品识别模型的总体结构示意图。
图6为根据本申请的实施例的服务器的示例性框图。
图7为根据本申请的实施例的购物车的示例性框图。
图8为根据本申请的实施例的一种计算机设备的结构示意图。
具体实施方式
为了更清楚地说明本申请，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本申请的保护范围。
需要说明的是，在本申请的描述中，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，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
如图1所示，本发明的一个实施例提供了一种商品推荐方法，应用于服务器，包括：接收放置在购物车中的商品的商品图像，利用预存储的商品识别模型识别商品图像以获取商品信息；利用预存储的商品推荐模型根据商品信息输出预设推荐数量的推荐商品；将各推荐商品传输至购物车，使得购物车呈现推荐商品。
在本实施例中，服务器通过与购物车进行信息交互，根据采集的购物车中商品的图像进行识别和商品推荐，并通过购物车将推荐的商品呈现给使用该购物车的用户，从而改变现有商超的购物方式，针对用户特性提供个性化的便捷购物体验，从而提高购买者的购买需求和购物效率，并进一步提升商超的运营效率，具有广泛的应用前景。
在一个具体的示例中，如图2所示，图2示出了根据本申请的实施例的购物系统10。购物系统10可以包括服务器100和多个购物车200-1、200-2、200-3，…，200-n，其中n为正整数，n≥2，当不需要区分时，以标号200表示购物车。本申请实施例的服务器100包括商品识别单元、商品推荐单元和第一通信单元。其可以是应用于商场、超市或其它购物场所中的中央服务器，也可以是为该商场、超市或其它购物场所提供物联网服务的云服务器，本申请对其具体形式不做限制。多个购物车200-1、200-2、200-3，…，200-n中每一个包括采集单元、显示单元和第二通信单元。在本申请中，购物系统10中的服务器100和购物车200可以利用第一通信单元和第二通信单元通过有线或无线网络通信。
下面结合图3和图4描述本申请的一个实施例的商品推荐方法，图3为根据本申请的实施例的商品推荐方法的示例性通信流图；图4为根据本申请实施例的购物车的结构示意图。
如图3和图4所示，根据本申请的商品推荐方法，具体包括：
在步骤S103中，购物车200在启动后以预定间隔(例如，间隔1分钟或其它时间间隔)自动进行拍摄以采集购物车200中的商品的商品图像，并经由第二通信单元将获取的商品图像传输至服务器100。
本申请对采集单元的数量不作限定，本领域技术人员应当根据实际应用需求，选择适当数量的采集单元采集商品图像。优选地，商品图像包括至少两个不同视角的图像以提高商品识别性能，即可以使用放置于两个不同视角位置的两个采集单元。例如，本领域技术人员根据实际应用需求，为进一步提高商品识别性能，也可以使用多个采集单元从各角度采集购物车中的商品图像。参照图4，其示出购物车200包括两个采集单元的情况，采集单元可以是用于拍摄图像的摄像头，两个摄像头采集以两个不同的视角定期拍摄的两个商品图像。在该示例中，通过采集包括俯视视角和侧视视角的两个摄像头采集俯视视角和侧视视角的商品图像。本申请对摄像头的类型也不做限制，本领域技术人员可以根据需要选择，只要能够获取满足设计人员要求的清晰程度的图像即可。此外，尽管图4中示出作为采集单元的摄像头中的一个设置在购物车车体长边侧，一个设置在短边侧的显示单元旁的情形，本申请并不限于此，也可以根据需要将摄像头设置在其他位置，以能够以更全面的角度采集商品的图像为准。此外，当需要将摄像头设置于显示单元对应的位置时，该摄像头也可以与显示单元集成在一起，本申请对摄像头的设置形式也不做限制。
在一个具体的实施例中，服务器100接收的商品图像包括至少两个不同视角的图像，接收放置在购物车中的商品的商品图像，利用预存储的商品识别模型识别商品图像以获取商品信息进一步包括：根据至少两个不同视角的图像获取商品图像中的各商品的边缘边框，将各商品的边缘边框传输至商品识别模型以获取商品信息，从而提高商品识别的准确性。
当服务器100通过第一通信单元接收到在步骤S103中采集的商品图像时，在步骤S105中，服务器100利用预存储的商品识别模型识别商品图像以获取商品信息，商品信息可以为商品属性、商品类别、商品规格等。在本实施例中，商品信息包括商品类别。
在一个具体的实施例中，服务器100在接收放置在购物车200中的商品的商品图像，利用预存储的商品识别模型识别商品图像以获取商品信息之前，首先对商品识别模型的进行深度学习模型开发，包括以下步骤。
建立商品识别模型，该步骤构建模型的整体框架。不同地，本申请中建立的商品识别模型的特征提取器包括具有多个卷积神经网络和聚合单元，以及分类和回归拟合单元，参照图5所示的商品识别模型的示意图，可以采用基于SSD原理的物体检测模型进行深度学习模型框架的搭建，包括：选取多种卷积神经网络的混合卷积层，对各个卷积层进行聚合处理的聚合单元，二者作为一个完整的特征提取器，卷积层后该特征提取器后再接卷积层，最后接入分类和回归拟合单元，该单元可以将每一层的输出均作为输入数据进行分类和回归拟合，在本实施例中包括4个混合的不同卷积层，第一卷积神经网络为Inception V3、第二卷积神经网络为Inception V4、第三卷积神经网络为Resnet 50、第四卷积神经网络为Resnet 101(本领域技术人员应理解这只是示例性地，也可以选择其他卷积神经网络)，模型框架还可以设计包括分类任务的损失函数(未示出)。
接收第一样本图像，对第一样本图像进行图像处理和标注以输出第一训练样本，在本申请中，第一训练样本的标注标签包括商品的边缘边框和商品类别，该第一样本图像可以是大量采集的在售商品图像，包括各种角度、覆盖各种规格的图像。在本实施例中，与一般的正方形标签相比，通过设计沿商品的边缘抠出来的大量非规则的边缘边框获得不规则的标签，以增加特征学习结果的准确度。
扩增第一训练样本，具体地，为了丰富训练图像数据集，尽可能多的覆盖实际使用场景，对图像做一系列的模拟及扩增处理，例如通过将单一物品由商品的边缘边框分割，再随机数量及种类地将图像组合拼接，并在单一物体边缘增加阴影，模拟实际的购物场景；另外对整幅商品图像，随机进行色彩、色调、亮度的处理，增加高斯噪声等处理，物品的boundary box成为实际模型训练的标签，每个box有相应的类别。通过以抠出的边缘边框获得的标签为基础进行扩增，可以根据已有的商品图像扩增出更多的场景，例如现实场景中无法拍摄到的图像场景，从而产生更多的场景变化，实现对第一训练样本的扩增，增加特征学习结果的准确度。
利用扩增后的第一训练样本训练商品识别模型，该步骤为深度学习模型的训练过程。具体地，该步骤是以搭建的整体模型框架为基础，同样参照图5中示出的步骤过程，将扩增后的第一训练样本输入商品识别模型，通过多种卷积神经网络分别提取各训练样本的特征以训练特征提取器，再将各个特征提取器提取的特征进行聚合处理，将聚合后的特征输出至卷积层，将每一层的输出均作为输入数据输入到分类和回归拟合中，选用CrossEntropy Loss作为分类任务的损失函数，以L2loss作为位置回归的损失函数，将两个loss function结合后作为总体的loss function，输入前面扩增后的数据进行训练，得到满足预定识别率的商品识别模型。
在本实施例中，通过搭建具有多种卷积层的商品识别模型进一步提高特征提取的准确度，具有灵活性更好，准确度更高的特点；同时，利用标注标签为商品边缘边框的训练样本，可以在组合拼接中产生多种组合方式，增加训练样本的个数和种类，有效增加模型训练过程中更多的购物场景，提高泛化性。
训练完成的图像识别模型存储在服务器100中，当服务器100在步骤S103中接收到购物车200上的采集单元自动拍摄的商品图像时，在步骤S105中利用图像识别模型对接收到的商品图像进行识别，并输出识别的商品信息，其中，商品信息至少包括种类信息。优选地，仅输出种类信息，当接收至少两个具有不同视角的商品的图像时，将对至少两个商品的图像识别出的结果做并集，并存储该结果，将该结果作为一次识别结果。进一步地，确定本次识别结果与上一次存储的识别结果之间的差异，并将两次商品识别结果的差异作为商品推荐模型的输入数据。本领域技术人员应理解，输出两次商品识别结果的差异，即为识别出新放入购物车中的商品的商品信息。当识别结果为商品类别时，商品识别模型输出的是新放入购物车中的商品的商品类别。
进一步地，参考图3，
在步骤S107中，服务器100利用预存储的商品推荐模型根据商品信息输出预设推荐数量的推荐商品。
在步骤S109中，将推荐商品输出至购物车200。
具体地，在服务器100利用预存储的商品推荐模型根据商品信息向购物车200输出预设推荐数量的推荐商品之前，先建立商品推荐模型，该模型包括商品相关系数矩阵，可以针对每一种类商品计算其他种类商品与它的相关性从而形成相关系数矩阵，用于根据接收的商品信息输出与商品信息相关度高的预设推荐数量的推荐商品。可选地，商品推荐模型可以是以商超的大量商超购物记录作为输入并利用上述相关系数矩阵构建和训练的数据挖掘模型，但并不限于此。此外，在实际推荐时，可选地，对于任意一件商品，可以设置选取相关性系数最高的五个种类输出。将这五个种类的商品输出到购物车200以推送给用户。
在一个可选的实施例中，在将各推荐商品传输至购物车200，使得购物车200呈现推荐商品时，还可以将推荐商品按照销量纪录或促销力度、或者销量纪录和促销力度进行排序并传输至购物车200，使得购物车200按照正序顺序呈现推荐商品，该正序顺序表示按照销量纪录或者促销力度递减的顺序。可选地，如果用户根据呈现的推荐商品选取了某个种类，则推送这个种类下的促销信息和/或销量最高的商品。通过本实施例的推荐方法，可以针对用户的选择进行更加精准的推荐，提高了用户的购物效率，同时提高了用户的购买体验。
为了进一步准确地向用户推荐商品，在一个可选的实施例中，在步骤S103之前，商品推荐方法还包括：
在步骤S101中，用户可以通过购物车200的第二通信单元向服务器100发送登录请求信息。
在本实施例中，用户在使用购物车时，可以基于用户账号进行登录。例如，用户可以通过购物车上的用户界面向服务器发送请求登录其个人用户账号的登录请求信息，登录请求信息可以是注册的用户名和密码。本领域技术人员可以理解，该用户账号可以是本次购买前注册的，可以是通过购物车上的用户界面注册的，也可以是通过其他用户终端通过该商场、超市或其他购物场所的网上平台或其授权关联的app注册的。本领域技术人员还应理解，当用户为未注册用户时，可以通过以上方式先向服务器申请注册用户账号再请求登录用户账号，也可以不注册直接使用购物车。本申请实施例的购物车200包括显示单元，当显示单元为触控显示面板时，用户可以通过显示单元进行登录/注册操作，用户界面也可以是其他形式的输入界面，本申请对此不做限制。
在本实施例中，用户可以使用用户名和密码进行登录，服务器100的第一通信单元接收登录请求信息，服务器100基于一致的登录请求信息授权用户登录，并根据该登录请求信息获取用户的身份信息或个人信息。
在一个可选的实施例中，在服务器100利用预存储的商品推荐模型根据商品信息向购物车200输出预设推荐数量的推荐商品之前，可以利用接收的使用购物车200的用户的身份信息，根据该身份信息调取存储在服务器100中的该用户的历史购物信息，再利用建立的商品推荐模型根据接收的商品信息和历史购物信息输出预设数量的推荐商品。
优选地，在输出推荐商品前，在步骤S107中进一步利用用户的购买记录对推荐结果进行修正。具体的，可以根据历史购物信息获取推荐的各商品信息的购买周期，按照历史购物信息输出与购买周期相同或相近的预设推荐数量的推荐商品，同时还可以，从历史购物信息获取推荐的商品信息的商品属性，按照历史购物信息输出与商品属性相同或相近的预设推荐数量的推荐商品，所述商品属性包括商品的品牌、规格等属性信息。
在本实施例中，服务器通过该用户的历史购物信息获取该用户使用诸如某个日用品的使用频次，利用此数据建立针对该用户的商品消耗估算模型，估算日用品的消耗时间，根据用户的购买记录，利用商品消耗评估模型如估算结果显示用户的常用日用品即将使用完毕，则最推荐结果修正，加推此类商品，并且推送商品将优先推送用户购买过的品牌和规格。
在一个可选的实施例中，在服务器100利用预存储的商品推荐模型根据商品信息向购物车200输出预设推荐数量的推荐商品之前，也可以利用接收的使用购物车200的用户的个人信息，根据个人信息利用预存储的用户需求模型获取用户的预测购物信息，再利用预存储的商品推荐模型根据商品信息和预测购物信息输出预设推荐数量的推荐商品。个人信息为用户输入的包括用户的身份信息、年龄信息、性别信息、家庭成员信息和工作信息中的至少一个。
具体地，服务器100还可以在根据个人信息利用预存储的用户需求模型获取用户的预测购物信息之前，建立用户需求模型，该模型包括决策树模型，用于根据接收的个人信息输出对应的用户标签并根据用户标签输出对应的预测购物信息。
具体地，可以根据商超大数据建立决策树模型，即用户回答简单的判断题，根据将用户的反馈输入模型中，如以用户的年龄、性别、家庭成员人数、工作性质等因素建立模型，对用户进行分类，并推断商超中所有商品的购买可能性，并在各个类目下计算最大化概率的商品组合。
对于每一个人群标签，可以根据0-1规划原理建立产品推荐组合模型：
max∑pixi
s.t.f(x)≤B
其中，xi为是否购买种类为i的产品，x为其矩阵，pi为i产品的利润，f()为商品特性，根据销量、评分、单价等因素拟合，B为购物体验指数，根据产品总价、重量等因素与产品特性拟合。
在上述推荐决策逻辑下产生最大化概率下的推荐组合，实现了根据用户标签进行商品组合推荐，即预测购物信息。在利用预存储的商品推荐模型根据商品信息输出预设推荐数量的推荐商品时，利用预存储的商品推荐模型根据商品信息和预测购物信息输出预设推荐数量的推荐商品，也就是根据用户的实际购买行为对用户标签进行修正，修正商品推荐内容。
值得说明的是，本实施例中用户的个人信息为用户根据商超提供的用户信息表填写的，本领域技术人员应当理解，作为商品推荐模型的输入，用户信息越丰富则输出的推荐商品的准确度越高。
进一步具体地，在步骤S111中，将各推荐商品传输至购物车200，使得购物车200呈现推荐商品。服务器100可以利用第一通信单元将各推荐商品传输至购物车200，购物车经由第二通信单元接收各推荐商品，并可以利用显示单元想向用户呈现推荐商品。
在步骤S113中，根据购物车200的呈现，用户可以基于人机交互界面选择推荐的商品，例如当显示单元为触控显示面板时，可以直接在显示单元上选择一个或多个推荐商品，购物车200通过第二通信单元将用户的选择发送至服务器100。
在步骤S115中，服务器基于接收到的用户选择，以用户当前位置为起点，收银区为终点，为用户规划获取一个或多个商品的最优购物路线，并在步骤S117中通过购物车的显示单元显示该购物路线或显示导航。
本申请的实施例，通过购物车采集的商品图像，并通过服务器利用预先建立的商品识别模型来识别商品信息并利用商品推荐模型推荐商品，提高购买者的购买需求和购物效率，并基于对商品的有效识别以及基于用户信息的精准预测，为用户定制个性化的推荐服务，增加了用户的购物体验，具有广阔的应用前景。
值得说明的是，当用户未挑选产品时，服务器没有接收到商品图像，或者未从接收到的商品图像中识别出有效商品，即服务器的商品推荐模型的输入为空时，服务器的商品推荐模型可以根据当前销量纪录或促销力度、或者销量纪录和促销力度进行排序并传输至购物车，以便于用户从推荐商品中进行选择。
相应于商品推荐方法，如图6所示，本申请的一个实施例还提供一种服务器，包括商品识别单元、商品推荐单元和第一通信单元，其中第一通信单元，用于与购物车进行数据传输；商品识别单元，用于根据第一通信单元接收的购物车中放置的商品的商品图像，利用预存储的商品识别模型识别并获取商品图像的商品信息；商品推荐单元，用于根据商品信息利用预存储的商品推荐模型输出预设推荐数量的推荐商品，并通过第一通信单元传输至购物车以呈现推荐商品。
在本实施例中，服务器通过与购物车进行信息交互，根据采集的购物车中商品的图像进行识别和商品推荐，并通过购物车将推荐的商品呈现给使用该购物车的用户，从而改变现有商超的购物方式，针对用户特性提供个性化的便捷购物体验，从而提高购买者的购买需求和购物效率，并进一步提升商超的运营效率，具有广泛的应用前景。本实施例的具体实施方式同前述实施例，在此不再赘述。
在一个可选的实施例中，如图6所示，服务器还包括：
历史数据单元，可选地，历史数据单元可以是各种类型的存储器，用于根据第一通信单元接收的使用购物车的用户的身份信息获取用户的历史购物信息，商品推荐单元根据商品信息和历史购物信息利用预存储的商品推荐模型输出预设推荐数量的推荐商品；
或者
预测数据单元，用于根据第一通信单元接收的使用购物车的用户的个人信息，并根据个人信息利用预存储的用户需求模型获取用户的预测购物信息，商品推荐单元根据各商品信息和预测购物信息利用预存储的商品推荐模型输出预设推荐数量的推荐商品。
以上所述方式，服务器通过使用购物车的用户的身份信息调取历史购物信息，或者，服务器通过使用购物车的用户的个人信息获取预测购物信息，并进一步使服务器基于通过商品识别模型获得的商品信息和历史购物信息或预测购物信息来输出预设推荐数量的推荐商品，使得在为用户提供推荐商品时，提供更加个性化的推荐服务，提高购买者的购买需求和购物效率，进一步提高用户的购物体验，具有广泛的应用前景。本实施例的具体实施方式同前述实施例，在此不再赘述。
本申请的一个实施例还提供一种商品推荐方法，应用于购物车，包括：
采集放置在购物车中的商品的商品图像并传输至服务器中，使得服务器根据商品图像获取商品信息，并根据商品信息输出预设推荐数量的推荐商品；接收并呈现推荐商品。
在本实施例中，通过设置在购物车上的采集单元采集购物车中的商品的商品图像，并通过与服务器进行信息交互，利用服务器基于商品图像利用商品识别模型和商品推荐模型对商品进行识别并进一步推荐商品，并将推荐商品呈现在购物车上，从而改变现有的购物方式，为用户提供个性化的便捷购物体验，提高购买者的购买需求和购物效率，并进一步提升商超的运营效率，具有广泛的应用前景。本实施例的具体实施方式同前述实施例，在此不再赘述。
在一个可选的实施例中，商品图像包括至少两个不同视角的图像，采集放置在购物车中的商品的商品图像并传输至服务器中进一步包括：利用放置在购物车中不同视角的至少两个采集单元分别采集放置在购物车中的商品的图像。
在本实施例中，通过设置在购物车中不同的采集单元采集购物车中不同视角的至少两个图像，并通过与服务器进行信息交互，从而利用服务器基于采集到的图像根据商品识别模型和商品推荐模型对商品进行识别并进一步提高推荐商品的准确性。
在一个可选的实施例中，在采集放置在购物车中的商品的商品图像并传输至服务器中，使得服务器根据商品图像获取商品信息，并根据商品信息输出预设推荐数量的推荐商品之前，商品推荐方法还包括：
接收使用购物车的用户的身份信息并传输至服务器，使得服务器根据
身份信息获取用户的历史购物信息；
采集放置在购物车中的商品的商品图像并传输至服务器中，使得服务器根据商品图像获取商品信息，并根据商品信息输出预设推荐数量的推荐商品进一步包括：
使得服务器根据商品信息和历史购物信息输出预设推荐数量的推荐商品。
以上所述方式，通过使用购物车的用户输入的身份信息，服务器调取历史购物信息，并进一步使服务器根据商品识别模型识别得到的商品信息和历史购物信息输出预设推荐数量的推荐商品，使得在为用户提供推荐商品时，提供更加个性化的推荐服务，提高购买者的购买需求和购物效率，进一步提高用户的购物体验，具有广泛的应用前景。本实施例的具体实施方式同前述实施例，在此不再赘述。
在一个可选的实施例中，在采集放置在购物车中的商品的商品图像并传输至服务器中，使得服务器根据商品图像获取商品信息，并根据商品信息输出预设推荐数量的推荐商品之前，商品推荐方法还包括：
接收使用购物车的用户的个人信息并传输至服务器，使得服务器根据个人信息利用预存储的用户需求模型获取用户的预测购物信息；
采集放置在购物车中的商品的商品图像并传输至服务器中，使得服务器根据商品图像获取商品信息，并根据商品信息输出预设推荐数量的推荐商品进一步包括：
使得服务器根据商品信息和预测购物信息输出预设推荐数量的推荐商品。
以上所述方式，通过使用购物车的用户输入的个人信息，服务器获取预测购物信息，并进一步使服务器基于通过商品识别模型识别而得到的商品信息和预测购物信息输出预设推荐数量的推荐商品，使得在为用户提供推荐商品时，提供更加个性化的推荐服务，提高购买者的购买需求和购物效率，进一步提高用户的购物体验，具有广泛的应用前景。本实施例的具体实施方式同前述实施例，在此不再赘述。
相应于上述商品推荐方法，如图7所示，本申请的一个实施例还提供一种购物车，包括采集单元、显示单元和第二通信单元，其中：第二通信单元，用于与服务器进行数据传输；采集单元，用于采集放置在购物车中的商品的商品图像并通过第二通信单元传输至服务器中，使得服务器利用预存储的商品识别模型识别商品图像以获取商品信息并利用预存储的商品推荐模型根据商品信息输出预设推荐数量的推荐商品；显示单元，用于呈现通过第二通信单元接收的推荐商品。
在本实施例中，通过设置在购物车中的采集单元采集的购物车中的商品的商品图像，并通过与服务器进行信息交互，利用服务器的商品识别模型和商品推荐模型对商品进行识别并进一步推荐商品、并在购物车上呈现推荐的商品，从而能够改变现有的购物方式，为用户提供个性化的便捷购物体验，提高购买者的购买需求和购物效率，并进一步提升商超的运营效率，具有广泛的应用前景。本实施例的具体实施方式同前述实施例，在此不再赘述。
在一个可选的实施例中，如图7所示，购物车还包括输入单元：用于接收使用购物车的用户输入的身份信息并传输至服务器，使得服务器根据身份信息获取用户的历史购物信息、并根据各商品信息和历史购物信息输出预设推荐数量的推荐商品。
以上所述方式，通过使用购物车的用户输入的身份信息，服务器调取历史购物信息，并进一步使服务器基于通过商品识别模型识别而得到的商品信息和历史购物信息输出预设推荐数量的推荐商品，使得在为用户提供推荐商品时，提供更加个性化的推荐服务，提高购买者的购买需求和购物效率，进一步提高用户的购物体验，具有广泛的应用前景。本实施例的具体实施方式同前述实施例，在此不再赘述。
在另一个可选的实施例中，如图7所示，购物车还包括输入单元：用于接收使用购物车的用户输入的个人信息并传输至服务器，使得服务器根据个人信息获取用户的预测购物信息、并根据商品信息和预测购物信息输出预设推荐数量的推荐商品。
以上所述方式，通过使用购物车的用户输入的个人信息，服务器获取预测购物信息，并进一步使服务器基于通过商品识别模型识别而得到的商品信息和预测购物信息二者来输出预设推荐数量的推荐商品，使得在为用户提供推荐商品时，提供更加个性化的推荐服务，提高购买者的购买需求和购物效率，进一步提高用户的购物体验，具有广泛的应用前景。本实施例的具体实施方式同前述实施例，在此不再赘述。
本申请的实施例还提供一种购物系统，包括以上实施例的服务器以及多个以上实施例的购物车。
在本实施例中，通过服务器和购物车进行信息交互、利用服务器中存储的商品识别模型和商品推荐模型识别购物车内的商品并依据用户已选商品进行推荐，具体通过采集的购物车中商品的商品图像，利用商品识别模型对商品图像进行识别，并以识别出的商品信息作为商品推荐模型的输入以输出针对用户需求的推荐商品，并通过在购物车上呈现推荐的商品以使得用户能够更加精准的挑选商品，从而改变现有的购物方式，为用户提供个性化的便捷购物体验，提高购买者的购买需求和购物效率，并进一步提升商超的运营效率，具有广泛的应用前景。本实施例的具体实施方式同前述实施例，在此不再赘述。
本发明的另一个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现：接收放置在购物车中的商品的商品图像，利用预存储的商品识别模型识别商品图像以获取商品信息；利用预存储的商品推荐模型根据商品信息输出预设推荐数量的推荐商品；将各推荐商品传输至购物车，使得所述购物车呈现推荐商品。
本发明的另一个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现：采集放置在购物车中的商品的商品图像并传输至服务器中，使得所述服务器根据商品图像获取商品信息，并根据商品信息输出预设推荐数量的推荐商品；接收并呈现推荐商品。
在实际应用中，所述计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本实施例中，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。
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。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
如图8所示，本发明的另一个实施例提供的一种计算机设备的结构示意图。图8显示的计算机设备12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8所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图8未显示，通常称为“硬盘驱动器”)。尽管图8中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图8所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图8中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的商品推荐方法。
本发明针对目前现有的问题，制定一种商品推荐方法、服务器、购物车、购物系统、存储介质、以及计算机设备。具体的，服务器通过与购物车进行信息交互，根据采集的购物车中商品的图像进行识别和商品推荐，并通过购物车将推荐的商品呈现给使用该购物车的用户，从而改变现有商超的购物方式，针对用户特性用户提供个性化的便捷购物体验，从而提高购买者的购买需求和购物效率，并进一步提升商超的运营效率，具有广泛的应用前景。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (17)

1.一种商品推荐方法，应用于服务器，其特征在于，包括：
接收放置在购物车中的商品的商品图像，利用预存储的商品识别模型识别所述商品图像以获取商品信息；
利用预存储的商品推荐模型根据所述商品信息输出预设推荐数量的推荐商品；
将各所述推荐商品传输至所述购物车，使得所述购物车呈现所述推荐商品；
在所述利用预存储的商品推荐模型根据所述商品信息输出预设推荐数量的推荐商品之前，所述商品推荐方法还包括：
接收使用所述购物车的用户的个人信息，并根据所述个人信息利用预存储的用户需求模型获取用户的预测购物信息；
所述利用预存储的商品推荐模型根据所述商品信息输出预设推荐数量的推荐商品进一步包括：
利用预存储的商品推荐模型根据所述商品信息和所述预测购物信息输出预设推荐数量的推荐商品；
在所述接收使用所述购物车的用户的个人信息，并根据所述个人信息利用预存储的用户需求模型获取用户的预测购物信息之前，所述商品推荐方法还包括：
建立用户需求模型，所述用户需求模型包括决策树模型，用于根据接收的个人信息输出对应的用户标签并根据所述用户标签输出对应的预测购物信息；所述决策树模型根据商超大数据建立，响应于用户回答简单的判断题并将用户的反馈输入决策树模型中，包括以用户的年龄、性别、家庭成员人数、工作性质因素建立模型，对用户进行分类，并推断商超中所有商品的购买可能性，并在各个类目下计算最大化概率的商品组合；对于每一个人群标签，根据0-1规划原理建立产品推荐组合模型：
maxΣpixi；
s.t.f(x)≤B；
其中，xi为是否购买种类为i的产品，x为其矩阵，pi为i产品的利润，f()为商品特性，根据包括销量、评分、单价因素拟合，B为购物体验指数，根据包括产品总价、重量因素与产品特性拟合。
2.根据权利要求1所述的商品推荐方法，其特征在于，所述商品图像包括至少两个不同视角的图像，所述接收放置在购物车中的商品的商品图像，利用预存储的商品识别模型识别所述商品图像以获取商品信息进一步包括：
根据所述至少两个不同视角的图像获取所述商品图像中的各商品的边缘边框，将所述各商品的边缘边框传输至所述商品识别模型以获取商品信息。
3.根据权利要求2所述的商品推荐方法，其特征在于，在所述接收放置在购物车中的商品的商品图像，利用预存储的商品识别模型识别所述商品图像以获取商品信息之前，所述商品推荐方法还包括：
建立所述商品识别模型，所述商品识别模型包括具有多个卷积神经网络和聚合单元的特征提取器；
接收第一样本图像，对所述第一样本图像进行图像处理和标注以输出第一训练样本，所述第一训练样本的标注标签包括所述商品的边缘边框；
扩增所述第一训练样本；
利用扩增后的第一训练样本训练所述商品识别模型。
4.根据权利要求1所述的商品推荐方法，其特征在于，在所述利用预存储的商品推荐模型根据所述商品信息输出预设推荐数量的推荐商品之前，所述商品推荐方法还包括：
建立所述商品推荐模型，所述商品推荐模型包括商品相关系数矩阵，用于根据接收的商品信息输出与所述商品信息相关度高的预设推荐数量的推荐商品。
5.根据权利要求4所述的商品推荐方法，其特征在于，所述将各所述推荐商品传输至所述购物车，使得所述购物车呈现所述推荐商品进一步包括：
将所述推荐商品按照销量纪录和/或促销力度进行排序并传输至所述购物车，使得所述购物车按照正序顺序呈现所述推荐商品。
6.根据权利要求1-5中任一项所述的商品推荐方法，其特征在于，
在所述利用预存储的商品推荐模型根据所述商品信息输出预设推荐数量的推荐商品之前，所述商品推荐方法还包括：
接收使用所述购物车的用户的身份信息，并根据所述身份信息获取所述用户的历史购物信息；
所述利用预存储的商品推荐模型根据所述商品信息输出预设推荐数量的推荐商品进一步包括：
利用预存储的商品推荐模型根据所述商品信息和所述历史购物信息输出预设推荐数量的推荐商品。
7.根据权利要求6所述的商品推荐方法，其特征在于，所述利用预存储的商品推荐模型根据所述商品信息和所述历史购物信息输出预设推荐数量的推荐商品进一步包括：
根据所述历史购物信息获取所述商品信息的购买周期，按照所述历史购物信息输出与所述购买周期相同或相近的预设推荐数量的推荐商品；
和/或
根据所述历史购物信息获取所述商品信息的商品属性，按照所述历史购物信息输出与所述商品属性相同或相近的预设推荐数量的推荐商品。
8.一种商品推荐方法，应用于购物车，其特征在于，包括：
采集放置在购物车中的商品的商品图像并传输至服务器中，使得所述服务器根据所述商品图像获取商品信息，并根据所述商品信息输出预设推荐数量的推荐商品；在所述采集放置在购物车中的商品的商品图像并传输至服务器中，使得所述服务器根据所述商品图像获取商品信息，并根据所述商品信息输出预设推荐数量的推荐商品之前，所述商品推荐方法还包括：使得所述服务器建立用户需求模型，所述用户需求模型包括决策树模型，用于根据接收的个人信息输出对应的用户标签并根据所述用户标签输出对应的预测购物信息；所述决策树模型根据商超大数据建立，响应于用户回答简单的判断题并将用户的反馈输入决策树模型中，包括以用户的年龄、性别、家庭成员人数、工作性质因素建立模型，对用户进行分类，并推断商超中所有商品的购买可能性，并在各个类目下计算最大化概率的商品组合；对于每一个人群标签，根据0-1规划原理建立产品推荐组合模型：maxΣpixi；s.t.f(x)≤B；其中，xi为是否购买种类为i的产品，x为其矩阵，pi为i产品的利润，f()为商品特性，根据包括销量、评分、单价因素拟合，B为购物体验指数，根据包括产品总价、重量因素与产品特性拟合；接收使用所述购物车的用户的个人信息并传输至所述服务器，使得所述服务器根据所述个人信息利用预存储的用户需求模型获取用户的预测购物信息；
所述采集放置在购物车中的商品的商品图像并传输至服务器中，使得所述服务器根据所述商品图像获取商品信息，并根据所述商品信息输出预设推荐数量的推荐商品进一步包括：
使得所述服务器根据所述商品信息和所述预测购物信息输出预设推荐数量的推荐商品；
接收并呈现所述推荐商品。
9.根据权利要求8所述的商品推荐方法，其特征在于，所述商品图像包括至少两个不同视角的图像，所述采集放置在购物车中的商品的商品图像并传输至服务器中进一步包括：利用放置在所述购物车中不同视角的至少两个采集单元分别采集放置在购物车中的商品的图像。
10.根据权利要求8所述的商品推荐方法，其特征在于，
在所述采集放置在购物车中的商品的商品图像并传输至服务器中，使得所述服务器根据所述商品图像获取商品信息，并根据所述商品信息输出预设推荐数量的推荐商品之前，所述商品推荐方法还包括：
接收使用所述购物车的用户的身份信息并传输至所述服务器，使得所述服务器根据所述身份信息获取所述用户的历史购物信息；
所述采集放置在购物车中的商品的商品图像并传输至服务器中，使得所述服务器根据所述商品图像获取商品信息，并根据所述商品信息输出预设推荐数量的推荐商品进一步包括：
使得所述服务器根据所述商品信息和所述历史购物信息输出预设推荐数量的推荐商品。
11.一种应用如权利要求1-7中任一项所述的商品推荐方法的服务器，其特征在于，包括商品识别单元、商品推荐单元和第一通信单元，其中
所述第一通信单元，用于与购物车进行数据传输；
所述商品识别单元，用于根据所述第一通信单元接收的所述购物车中放置的商品的商品图像，利用预存储的商品识别模型识别所述商品图像以获取商品信息；
所述商品推荐单元，用于根据所述商品信息利用预存储的商品推荐模型输出预设推荐数量的推荐商品，并通过所述第一通信单元传输至所述购物车以呈现所述推荐商品；
还包括预测数据单元，用于根据所述第一通信单元接收的使用所述购物车的用户的个人信息，并根据所述个人信息利用预存储的用户需求模型获取用户的预测购物信息，使得所述商品推荐单元根据所述商品信息和所述预测购物信息利用预存储的商品推荐模型输出预设推荐数量的推荐商品。
12.根据权利要求11所述的服务器，其特征在于，
还包括历史数据单元，用于根据所述第一通信单元接收的使用所述购物车的用户的身份信息获取所述用户的历史购物信息，使得所述商品推荐单元根据所述商品信息和所述历史购物信息利用预存储的商品推荐模型输出预设推荐数量的推荐商品。
13.一种应用如权利要求8-10中任一项所述的商品推荐方法的购物车，其特征在于，包括采集单元、显示单元和第二通信单元，其中：
所述第二通信单元，用于与服务器进行数据传输；
所述采集单元，用于采集放置在购物车中的商品的商品图像并通过所述第二通信单元传输至服务器中，使得所述服务器利用预存储的商品识别模型识别所述商品图像以获取商品信息并利用预存储的商品推荐模型根据所述商品信息输出预设推荐数量的推荐商品；
所述显示单元，用于呈现通过所述第二通信单元接收的所述推荐商品；
还包括输入单元，用于接收使用所述购物车的用户输入的个人信息并传输至所述服务器，使得所述服务器根据所述个人信息获取所述用户的预测购物信息、并根据所述商品信息和所述预测购物信息输出预设推荐数量的推荐商品。
14.根据权利要求13所述的购物车，其特征在于，输入单元还用于接收使用所述购物车的用户输入的身份信息并传输至所述服务器，使得所述服务器根据所述身份信息获取所述用户的历史购物信息、并根据所述商品信息和所述历史购物信息输出预设推荐数量的推荐商品。
15.一种购物系统，其特征在于，包括如权利要求11或12所述的服务器，以及多个如权利要求13或14所述的购物车。
16.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，
该程序被处理器执行时实现如权利要求1-7中任一项所述的方法；
或者
该程序被处理器执行时实现如权利要求8-10中任一项所述的方法。
17.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，
所述处理器执行所述程序时实现如权利要求1-7中任一项所述的方法；或者
所述处理器执行所述程序时实现如权利要求8-10中任一项所述的方法。
CN202010951273.XA 2020-09-11 2020-09-11 一种商品推荐方法、服务器、购物车和购物系统 Active CN114169952B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010951273.XA CN114169952B (zh) 2020-09-11 2020-09-11 一种商品推荐方法、服务器、购物车和购物系统
US17/471,649 US12125093B2 (en) 2020-09-11 2021-09-10 Commodity recommendation method, server, shopping cart and shopping system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010951273.XA CN114169952B (zh) 2020-09-11 2020-09-11 一种商品推荐方法、服务器、购物车和购物系统

Publications (2)

Publication Number Publication Date
CN114169952A CN114169952A (zh) 2022-03-11
CN114169952B true CN114169952B (zh) 2024-08-23

Family

ID=80476106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010951273.XA Active CN114169952B (zh) 2020-09-11 2020-09-11 一种商品推荐方法、服务器、购物车和购物系统

Country Status (1)

Country Link
CN (1) CN114169952B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024187359A1 (zh) * 2023-03-14 2024-09-19 广州尚拓贸易有限公司 一种线上销售推荐方法、装置、设备及存储介质
CN117542031A (zh) * 2024-01-10 2024-02-09 成都阿加犀智能科技有限公司 一种基于智能购物车的商品识别方法、装置、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108320213A (zh) * 2018-01-31 2018-07-24 深圳春沐源控股有限公司 电商商品推荐方法和电商平台服务器
CN108764313A (zh) * 2018-05-17 2018-11-06 西安电子科技大学 基于深度学习的超市商品识别方法
CN109064270A (zh) * 2018-07-23 2018-12-21 京东方科技集团股份有限公司 智能购物车、服务器、智能购物系统及方法
CN109684538A (zh) * 2018-12-03 2019-04-26 重庆邮电大学 一种基于用户个人特征的推荐方法及推荐系统

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1588400A (zh) * 2004-10-21 2005-03-02 上海交通大学 电子商务中推荐商品的方法
US20070033098A1 (en) * 2005-08-05 2007-02-08 International Business Machines Corporation Method, system and storage medium for creating sales recommendations
US8396758B2 (en) * 2009-12-13 2013-03-12 Intuit Inc. Systems and methods for confirming purchases of products from a retail establishment using a mobile device
CN107256513A (zh) * 2017-06-19 2017-10-17 数据堂（北京）科技股份有限公司 一种对象的搭配推荐方法及装置
CN107403345A (zh) * 2017-09-22 2017-11-28 北京京东尚科信息技术有限公司 畅销商品预测方法及系统、存储介质及电子终端
CN108229379A (zh) * 2017-12-29 2018-06-29 广东欧珀移动通信有限公司 图像识别方法、装置、计算机设备和存储介质
US10540700B1 (en) * 2019-04-11 2020-01-21 RoboSystems, Inc. Personal shopping assistant
CN110148042A (zh) * 2019-05-23 2019-08-20 北京小米移动软件有限公司 智能购物车、购物辅助方法、装置、设备及可读存储介质
CN110309832A (zh) * 2019-06-19 2019-10-08 创新奇智(成都)科技有限公司 一种基于图像的物体分类方法、系统及电子设备
CN111339846B (zh) * 2020-02-12 2022-08-12 深圳市商汤科技有限公司 图像识别方法及装置、电子设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108320213A (zh) * 2018-01-31 2018-07-24 深圳春沐源控股有限公司 电商商品推荐方法和电商平台服务器
CN108764313A (zh) * 2018-05-17 2018-11-06 西安电子科技大学 基于深度学习的超市商品识别方法
CN109064270A (zh) * 2018-07-23 2018-12-21 京东方科技集团股份有限公司 智能购物车、服务器、智能购物系统及方法
CN109684538A (zh) * 2018-12-03 2019-04-26 重庆邮电大学 一种基于用户个人特征的推荐方法及推荐系统

Also Published As

Publication number Publication date
CN114169952A (zh) 2022-03-11
US20220084102A1 (en) 2022-03-17

Similar Documents

Publication Publication Date Title
US11341515B2 (en) Systems and methods for sensor data analysis through machine learning
US11164195B2 (en) Increasing sales efficiency by identifying customers who are most likely to make a purchase
US11127032B2 (en) Optimizing and predicting campaign attributes
US20170053299A1 (en) System and methods for effectively taking surveys using mobile devices
US11049170B1 (en) Checkout flows for autonomous stores
JP2003271084A (ja) 情報提供装置および情報提供方法
US11455499B2 (en) Method, system, and computer program product for image segmentation in a sensor-based environment
CN108846724A (zh) 数据分析方法和系统
US20130166372A1 (en) Utilizing real-time metrics to normalize an advertisement based on consumer reaction
CN114169952B (zh) 一种商品推荐方法、服务器、购物车和购物系统
US10706371B2 (en) Data processing techniques
US20190370885A1 (en) Data processing method, device and storage medium
CN110750697B (zh) 商户分类方法、装置、设备及存储介质
CN108805644A (zh) 贩售机的商品售卖方法以及贩售机
CN111967924A (zh) 商品推荐方法、商品推荐装置、计算机设备和介质
CN116894711A (zh) 商品推荐理由生成方法及其装置、电子设备
JP7476881B2 (ja) 情報処理装置、情報処理方法およびプログラム
CN113674043B (zh) 商品推荐方法及装置、计算机可读存储介质、电子设备
KR20200013164A (ko) 전자 장치, 및 전자 장치의 제어 방법
JP6522173B1 (ja) 情報処理装置及び情報処理プログラム
CN112396481A (zh) 线下产品信息发送方法、系统、电子设备和存储介质
CN107180037B (zh) 人机交互方法和装置
US12125093B2 (en) Commodity recommendation method, server, shopping cart and shopping system
EP3794539A1 (en) Interactive system for shopping place and implementation method thereof
JP7351887B2 (ja) 情報処理装置、情報処理システム、および情報処理方法

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