CN114706957B - 一种商标推荐平台及方法 - Google Patents

Abstract

本发明公开了一种商标推荐平台，包括：商标全集数据模型单元，用于根据商标类别和全集商标数据预先建立商标全集数据模型库；商标模型语义解析单元，用于建立对应全集商标数据模型库的输入类型与模型映射关系，通过语言解析进行集合配组语义解析；解析结果智库分析单元，用于将集合配组语义解析结果和全集商标数据模型库中的模型进行智能配对，并得到预推送商标分析信息；推荐模板生成推送单元，用于根据预推送商标分析信息，生成商标推荐展示模板并推送到平台显示器进行显示；一种商标推荐方法；可以提高商标推荐的全面覆盖性及自动化智能化水平。

Description

一种商标推荐平台及方法

技术领域

本发明涉及智能推荐商标数据领域，更具体地说，本发明涉及一种商标推荐平台及方法。

背景技术

目前，商标推荐通常通过简单的输入内容转化文字模板进行简单推荐，难以形成全面专业智能化的商标推荐；尚较少建立商标全集数据模型库尚建立以及对应全集商标数据模型库的输入类型与模型映射关系；如何通过商标数据模型得到预推送商标分析信息尚待完善；如何更智能化的生成商标推荐展示模板仍需提高；因此，有必要提出一种商标推荐平台及方法，以至少部分地解决现有技术中存在的问题。

发明内容

在发明内容部分中引入了一系列简化形式的概念，这将在具体实施方式部分中进一步详细说明；本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。

为至少部分地解决上述问题，本发明提供了一种商标推荐平台，包括：

商标全集数据模型单元，用于根据商标类别和全集商标数据预先建立商标全集数据模型库；

商标模型语义解析单元，用于建立对应全集商标数据模型库的输入类型与模型映射关系，通过语言解析进行集合配组语义解析；

解析结果智库分析单元，用于将集合配组语义解析结果和全集商标数据模型库中的模型进行智能配对，并得到预推送商标分析信息；

推荐模板生成推送单元，用于根据预推送商标分析信息，生成商标推荐展示模板并推送到平台显示器进行显示。

优选的，所述商标全集数据模型单元包括：

商标类型组别数据子单元，用于通过基础代码编程对商标模板进行基础编程，获得商标模板基础模块；

类型组别组合全集子单元，用于将商标模板基础模块进行模块样本组合，创建商标模板样本全集模型；

组合全集模型生成子单元，用于将单一语言文字字母数据输入商标模板样本全集模型，获得商标全集数据模型库。

优选的，所述商标模型语义解析单元包括：

商标模型语义映射子单元，用于将第一类型输入和第二类型输入建立对应全集商标数据模型库的输入类型与模型映射关系；

语义映射集合配组子单元，用于根据输入类型与模型映射关系将语义集合进行集合配比权重组合；

集合配组语义解析子单元，用于将集合配比权重组合通过语言解析进行集合配组语义解析，获得集合配组语义解析结果。

优选的，所述解析结果智库分析单元包括：

解析结果智库匹配子单元，用于将集合配组语义解析结果和全集商标数据模型库中的模型进行智能配对，获得解析智库匹配对；

智库匹配条件判断子单元，用于通过匹配条件对解析智库匹配对进行判断，获得解析匹配判断结果；

条件判断智库分析子单元，用于根据解析匹配判断结果对预推送的商标进行分析，获得预推送商标分析信息。

优选的，所述推荐模板生成推送单元包括：

分析结果模型调用子单元，用于根据预推送商标分析信息调用商标全集数据模型单元的商标全集数据模型；

模型调用模板生成子单元，用于将调用的商标全集数据模型通过模板渲染生成预推荐商标渲染模板；

模板生成展示推送子单元，用于将预推荐商标渲染模板渲染后结果生成商标推荐展示模板并推送到平台显示器进行显示。

一种商标推荐方法，包括：

S100，根据商标类别和全集商标数据预先建立商标全集数据模型库；

S200，建立对应全集商标数据模型库的输入类型与模型映射关系，通过语言解析进行集合配组语义解析；

S300，将集合配组语义解析结果和全集商标数据模型库中的模型进行智能配对，并得到预推送商标分析信息；

S400，根据预推送商标分析信息，生成商标推荐展示模板并推送到平台显示器进行显示。

优选的，所述S100包括：

S101，通过基础代码编程对商标模板进行基础编程，获得商标模板基础模块；

S102，将商标模板基础模块进行模块样本组合，创建商标模板样本全集模型；

S103，将单一语言文字字母数据输入商标模板样本全集模型，获得商标全集数据模型库。

优选的，所述S200包括：

S201，将第一类型输入和第二类型输入建立对应全集商标数据模型库的输入类型与模型映射关系；

S202，根据输入类型与模型映射关系将语义集合进行集合配比权重组合；

S203，将集合配比权重组合通过语言解析进行集合配组语义解析，获得集合配组语义解析结果。

优选的，所述S300包括：

S301，将集合配组语义解析结果和全集商标数据模型库中的模型进行智能配对，获得解析智库匹配对；

S302，通过匹配条件对解析智库匹配对进行判断，获得解析匹配判断结果；

S303，根据解析匹配判断结果对预推送的商标进行分析，获得预推送商标分析信息；根据解析匹配判断结果对预推送的商标进行分析包括：根据解析匹配判断结果,调用商标名称、商标类别,并转换商标虚拟模板按照设计模式进行组织；将形成设计模式组织按组织方式分类,将形成的分类构建商标推送结构；将商标推送结构再拆分成不同方向的推送结构模块,推送结构模块拆分成推送结构元；通过关键词间语义关系将推送结构元进行动态关联；将内容按需重组，采用动态关联组合推送技术实现动态关联组合推送。

优选的，所述S400包括：

S401，根据预推送商标分析信息调用商标全集数据模型单元的商标全集数据模型；

S402，将调用的商标全集数据模型通过模板渲染生成预推荐商标渲染模板；确定当前模板的商标特征点和包围点、及各所述商标特征点和包围点的偏移量；其中，由各所述包围点构成的包围线，用以将各所述商标特征点包围；根据各所述商标特征点和包围点、及上一个模板在渲染时所采用的骨架化模板，确定所述当前模板的骨架化模板；根据所述当前模板的骨架化模板及各所述商标特征点和包围点的偏移量，对所述当前模板进行渲染，得到渲染后的模板；所述根据各所述商标特征点和包围点、及上一个模板在渲染时所采用的骨架化模板，确定所述当前模板的骨架化模板，包括：判断上一个模板在渲染时所采用的骨架化模板是否满足预设准则；在所述上一个模板在渲染时所采用的骨架化模板满足所述预设准则时，将所述上一个模板在渲染时所采用的骨架化模板确定为所述当前模板的骨架化模板；在所述上一个模板在渲染时所采用的骨架化模板不满足所述预设准则时，根据各所述商标特征点和包围点，对所述当前模板进行骨架化，得到所述当前模板的骨架化模板；

S403，将预推荐商标渲染模板渲染后结果生成商标推荐展示模板并推送到平台显示器进行显示。

相比现有技术，本发明至少包括以下有益效果：

本发明一种商标推荐平台，通过商标全集数据模型单元，根据商标类别和商标全集数据预建立商标全集数据模型库；商标模型语义解析单元，建立对应商标全集数据模型库的输入类型与模型映射关系，通过语言解析进行集合配组语义解析；解析结果智库分析单元，用于将集合配组语义解析结果和商标全集数据模型库中的模型进行智能配对，并得到预推送商标分析信息；推荐模板生成推送单元，根据预推送商标分析信息，生成商标推荐展示模板并推送到平台显示器进行显示；商标全集数据模型单元和商标模型语义解析单元分别连接解析结果智库分析单元，解析结果智库分析单元同时连接推荐模板生成推送单元；将商标类别和商标全集数据根据商标数据特点集建立商标全集数据模型库；利用语言解析器以及文字识别，将语音输入、文字输入以及指令输入进行识别，并根据识别结果调取商标全集数据模型库中的数据，与商标全集数据模型库中的模型进行智能配对，根据预推送商标分析信息，生成商标推荐展示模板；能够进一步全面自动智能化进行商标推荐，提高商标推荐的全面覆盖性及自动化智能化水平。

本发明所述的一种商标推荐平台及方法，本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明所述的一种商标推荐平台框图。

图2为本发明所述的一种商标推荐方法实施例1图。

图3为本发明所述的一种商标推荐方法实施例2图。

具体实施方式

下面结合附图以及实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施；如图1-3所示，本发明提供了一种商标推荐平台，包括：

商标全集数据模型单元，用于根据商标类别和全集商标数据预先建立商标全集数据模型库；

商标模型语义解析单元，用于建立对应全集商标数据模型库的输入类型与模型映射关系，通过语言解析进行集合配组语义解析；

解析结果智库分析单元，用于将集合配组语义解析结果和全集商标数据模型库中的模型进行智能配对，并得到预推送商标分析信息；

推荐模板生成推送单元，用于根据预推送商标分析信息，生成商标推荐展示模板并推送到平台显示器进行显示。

上述技术方案的工作原理为，一种商标推荐平台，包括：商标全集数据模型单元，用于根据商标类别和商标全集数据预建立商标全集数据模型库；商标模型语义解析单元，用于建立对应商标全集数据模型库的输入类型与模型映射关系，通过语言解析进行集合配组语义解析；解析结果智库分析单元，用于将集合配组语义解析结果和商标全集数据模型库中的模型进行智能配对，并得到预推送商标分析信息；推荐模板生成推送单元，用于根据预推送商标分析信息，生成商标推荐展示模板并推送到平台显示器进行显示；商标全集数据模型单元和商标模型语义解析单元分别连接解析结果智库分析单元，解析结果智库分析单元同时连接推荐模板生成推送单元；将商标类别和商标全集数据根据商标数据特点集建立商标全集数据模型库；利用语言解析器以及文字识别，将语音输入、文字输入以及指令输入进行识别，并根据识别结果调取商标全集数据模型库中的数据，与商标全集数据模型库中的模型进行智能配对，根据预推送商标分析信息，生成商标推荐展示模板。

上述技术方案的有益效果为，一种商标推荐平台，通过商标全集数据模型单元，根据商标类别和商标全集数据预建立商标全集数据模型库；商标模型语义解析单元，建立对应商标全集数据模型库的输入类型与模型映射关系，通过语言解析进行集合配组语义解析；解析结果智库分析单元，用于将集合配组语义解析结果和商标全集数据模型库中的模型进行智能配对，并得到预推送商标分析信息；推荐模板生成推送单元，根据预推送商标分析信息，生成商标推荐展示模板并推送到平台显示器进行显示；商标全集数据模型单元和商标模型语义解析单元分别连接解析结果智库分析单元，解析结果智库分析单元同时连接推荐模板生成推送单元；将商标类别和商标全集数据根据商标数据特点集建立商标全集数据模型库；利用语言解析器以及文字识别，将语音输入、文字输入以及指令输入进行识别，并根据识别结果调取商标全集数据模型库中的数据，与商标全集数据模型库中的模型进行智能配对，根据预推送商标分析信息，生成商标推荐展示模板；能够进一步全面自动智能化进行商标推荐，提高商标推荐的全面覆盖性及自动化智能化水平。

在一个实施例中，所述商标全集数据模型单元包括：

商标类型组别数据子单元，用于通过基础代码编程对商标模板进行基础编程，获得商标模板基础模块；

类型组别组合全集子单元，用于将商标模板基础模块进行模块样本组合，创建商标模板样本全集模型；

组合全集模型生成子单元，用于将单一语言文字字母数据输入商标模板样本全集模型，获得商标全集数据模型库。

上述技术方案的工作原理为，所述商标全集数据模型单元包括：

商标类型组别数据子单元，用于通过基础代码编程对商标模板进行基础编程，获得商标模板基础模块；

类型组别组合全集子单元，用于将商标模板基础模块进行模块样本组合，创建商标模板样本全集模型；

组合全集模型生成子单元，用于将单一语言文字字母数据输入商标模板样本全集模型，获得商标全集数据模型库。

上述技术方案的有益效果为，所述商标全集数据模型单元包括：商标类型组别数据子单元，用于通过基础代码编程对商标模板进行基础编程，获得商标模板基础模块；类型组别组合全集子单元，用于将商标模板基础模块进行模块样本组合，创建商标模板样本全集模型；组合全集模型生成子单元，用于将单一语言文字字母数据输入商标模板样本全集模型，获得商标全集数据模型库。

在一个实施例中，所述商标模型语义解析单元包括：

商标模型语义映射子单元，用于将第一类型输入和第二类型输入建立对应全集商标数据模型库的输入类型与模型映射关系；

语义映射集合配组子单元，用于根据输入类型与模型映射关系将语义集合进行集合配比权重组合；

集合配组语义解析子单元，用于将集合配比权重组合通过语言解析进行集合配组语义解析，获得集合配组语义解析结果。

上述技术方案的工作原理为，所述商标模型语义解析单元包括：

商标模型语义映射子单元，用于将第一类型输入和第二类型输入建立对应全集商标数据模型库的输入类型与模型映射关系；

语义映射集合配组子单元，用于根据输入类型与模型映射关系将语义集合进行集合配比权重组合；

集合配组语义解析子单元，用于将集合配比权重组合通过语言解析进行集合配组语义解析，获得集合配组语义解析结果。

上述技术方案的有益效果为，所述商标模型语义解析单元包括：商标模型语义映射子单元，用于将第一类型输入和第二类型输入建立对应全集商标数据模型库的输入类型与模型映射关系；语义映射集合配组子单元，用于根据输入类型与模型映射关系将语义集合进行集合配比权重组合；集合配组语义解析子单元，用于将集合配比权重组合通过语言解析进行集合配组语义解析，获得集合配组语义解析结果。

在一个实施例中，所述解析结果智库分析单元包括：

解析结果智库匹配子单元，用于将集合配组语义解析结果和全集商标数据模型库中的模型进行智能配对，获得解析智库匹配对；

智库匹配条件判断子单元，用于通过匹配条件对解析智库匹配对进行判断，获得解析匹配判断结果；

条件判断智库分析子单元，用于根据解析匹配判断结果对预推送的商标进行分析，获得预推送商标分析信息。

上述技术方案的工作原理为，所述解析结果智库分析单元包括：

解析结果智库匹配子单元，用于将集合配组语义解析结果和全集商标数据模型库中的模型进行智能配对，获得解析智库匹配对；

智库匹配条件判断子单元，用于通过匹配条件对解析智库匹配对进行判断，获得解析匹配判断结果；

条件判断智库分析子单元，用于根据解析匹配判断结果对预推送的商标进行分析，获得预推送商标分析信息。

上述技术方案的有益效果为，所述解析结果智库分析单元包括：解析结果智库匹配子单元，用于将集合配组语义解析结果和全集商标数据模型库中的模型进行智能配对，获得解析智库匹配对；智库匹配条件判断子单元，用于通过匹配条件对解析智库匹配对进行判断，获得解析匹配判断结果；条件判断智库分析子单元，用于根据解析匹配判断结果对预推送的商标进行分析，获得预推送商标分析信息。

在一个实施例中，所述推荐模板生成推送单元包括：

分析结果模型调用子单元，用于根据预推送商标分析信息调用商标全集数据模型单元的商标全集数据模型；

模型调用模板生成子单元，用于将调用的商标全集数据模型通过模板渲染生成预推荐商标渲染模板；

模板生成展示推送子单元，用于将预推荐商标渲染模板渲染后结果生成商标推荐展示模板并推送到平台显示器进行显示。

上述技术方案的工作原理为，所述推荐模板生成推送单元包括：

分析结果模型调用子单元，用于根据预推送商标分析信息调用商标全集数据模型单元的商标全集数据模型；

模型调用模板生成子单元，用于将调用的商标全集数据模型通过模板渲染生成预推荐商标渲染模板；

模板生成展示推送子单元，用于将预推荐商标渲染模板渲染后结果生成商标推荐展示模板并推送到平台显示器进行显示。

上述技术方案的有益效果为，所述推荐模板生成推送单元包括：分析结果模型调用子单元，用于根据预推送商标分析信息调用商标全集数据模型单元的商标全集数据模型；模型调用模板生成子单元，用于将调用的商标全集数据模型通过模板渲染生成预推荐商标渲染模板；模板生成展示推送子单元，用于将预推荐商标渲染模板渲染后结果生成商标推荐展示模板并推送到平台显示器进行显示。

一种商标推荐方法，包括：

S100，根据商标类别和全集商标数据预先建立商标全集数据模型库；

S200，建立对应全集商标数据模型库的输入类型与模型映射关系，通过语言解析进行集合配组语义解析；

S300，将集合配组语义解析结果和全集商标数据模型库中的模型进行智能配对，并得到预推送商标分析信息；

S400，根据预推送商标分析信息，生成商标推荐展示模板并推送到平台显示器进行显示。

本发明公开了一种商标推荐方法，包括：

S100，根据商标类别和全集商标数据预先建立商标全集数据模型库；

S200，建立对应全集商标数据模型库的输入类型与模型映射关系，通过语言解析进行集合配组语义解析；

S300，将集合配组语义解析结果和全集商标数据模型库中的模型进行智能配对，并得到预推送商标分析信息；

S400，根据预推送商标分析信息，生成商标推荐展示模板并推送到平台显示器进行显示。

上述技术方案的工作原理为，一种商标推荐方法，包括：根据商标类别和全集商标数据预先建立商标全集数据模型库；建立对应全集商标数据模型库的输入类型与模型映射关系，通过语言解析进行集合配组语义解析；将集合配组语义解析结果和全集商标数据模型库中的模型进行智能配对，并得到预推送商标分析信息；根据预推送商标分析信息，生成商标推荐展示模板并推送到平台显示器进行显示；商标全集数据模型单元和商标模型语义解析单元分别连接解析结果智库分析单元，解析结果智库分析单元同时连接推荐模板生成推送单元；将商标类别和商标全集数据根据商标数据特点集建立商标全集数据模型库；利用语言解析器以及文字识别，将语音输入、文字输入以及指令输入进行识别，并根据识别结果调取商标全集数据模型库中的数据，与商标全集数据模型库中的模型进行智能配对，根据预推送商标分析信息，生成商标推荐展示模板。

上述技术方案的有益效果为，一种商标推荐方法，包括：根据商标类别和全集商标数据预先建立商标全集数据模型库；建立对应全集商标数据模型库的输入类型与模型映射关系，通过语言解析进行集合配组语义解析；将集合配组语义解析结果和全集商标数据模型库中的模型进行智能配对，并得到预推送商标分析信息；根据预推送商标分析信息，生成商标推荐展示模板并推送到平台显示器进行显示；商标全集数据模型单元和商标模型语义解析单元分别连接解析结果智库分析单元，解析结果智库分析单元同时连接推荐模板生成推送单元；将商标类别和商标全集数据根据商标数据特点集建立商标全集数据模型库；利用语言解析器以及文字识别，将语音输入、文字输入以及指令输入进行识别，并根据识别结果调取商标全集数据模型库中的数据，与商标全集数据模型库中的模型进行智能配对，根据预推送商标分析信息，生成商标推荐展示模板；能够进一步全面自动智能化进行商标推荐，提高商标推荐的全面覆盖性及自动化智能化水平。

在一个实施例中，所述S100包括：

S101，通过基础代码编程对商标模板进行基础编程，获得商标模板基础模块；

S102，将商标模板基础模块进行模块样本组合，创建商标模板样本全集模型；

S103，将单一语言文字字母数据输入商标模板样本全集模型，获得商标全集数据模型库。

上述技术方案的工作原理为，所述S100包括：

S101，通过基础代码编程对商标模板进行基础编程，获得商标模板基础模块；

S102，将商标模板基础模块进行模块样本组合，创建商标模板样本全集模型；

S103，将单一语言文字字母数据输入商标模板样本全集模型，获得商标全集数据模型库。

上述技术方案的有益效果为，通过基础代码编程对商标模板进行基础编程，获得商标模板基础模块；将商标模板基础模块进行模块样本组合，创建商标模板样本全集模型；将单一语言文字字母数据输入商标模板样本全集模型，获得商标全集数据模型库。

在一个实施例中，所述S200包括：

S201，将第一类型输入和第二类型输入建立对应全集商标数据模型库的输入类型与模型映射关系；

S202，根据输入类型与模型映射关系将语义集合进行集合配比权重组合；

S203，将集合配比权重组合通过语言解析进行集合配组语义解析，获得集合配组语义解析结果；计算集合配比权重组合权重相对误差值百分比，计算公式如下：

其中，ΔEzi为集合配比权重组合权重相对误差值百分比，z为集合配比权重数量，i为第i个集合配比权重，Yzi为集合配比权重组合数量预测值，Rzi为集合配比权重组合数量实际值；若集合配比权重组合权重超过高阈值但预测过低，虚拟机将不被迁移但性能下降很快，用户应用受到极大影响；若集合配比权重组合权重小于低阈值但预测过高，造成集合配比权重组合不准确；尽量避免预测过低和过高，特别是尽可能避免预测过低，以防止集合配比权重组合权重下降无法保障解析情况；预测过高则有正误差，预测过低则有负误差。

上述技术方案的工作原理为，所述S200包括：

S201，将第一类型输入和第二类型输入建立对应全集商标数据模型库的输入类型与模型映射关系；

S202，根据输入类型与模型映射关系将语义集合进行集合配比权重组合；

S203，将集合配比权重组合通过语言解析进行集合配组语义解析，获得集合配组语义解析结果；计算集合配比权重组合权重相对误差值百分比，计算公式如下：

其中，ΔEzi为集合配比权重组合权重相对误差值百分比，z为集合配比权重数量，i为第i个集合配比权重，Yzi为集合配比权重组合数量预测值，Rzi为集合配比权重组合数量实际值；若集合配比权重组合权重超过高阈值但预测过低，虚拟机将不被迁移但性能下降很快，用户应用受到极大影响；若集合配比权重组合权重小于低阈值但预测过高，造成集合配比权重组合不准确；尽量避免预测过低和过高，特别是尽可能避免预测过低，以防止集合配比权重组合权重下降无法保障解析情况；预测过高则有正误差，预测过低则有负误差；通过计算集合配比权重组合权重相对误差值百分比，使集合配组语义解析结果更真实。

上述技术方案的有益效果为，将第一类型输入和第二类型输入建立对应全集商标数据模型库的输入类型与模型映射关系；根据输入类型与模型映射关系将语义集合进行集合配比权重组合；将集合配比权重组合通过语言解析进行集合配组语义解析，获得集合配组语义解析结果；计算集合配比权重组合权重相对误差值百分比，其中，ΔEzi为集合配比权重组合权重相对误差值百分比，z为集合配比权重数量，i为第i个集合配比权重，Yzi为集合配比权重组合数量预测值，Rzi为集合配比权重组合数量实际值；若集合配比权重组合权重超过高阈值但预测过低，虚拟机将不被迁移但性能下降很快，用户应用受到极大影响；若集合配比权重组合权重小于低阈值但预测过高，造成集合配比权重组合不准确；尽量避免预测过低和过高，特别是尽可能避免预测过低，以防止集合配比权重组合权重下降无法保障解析情况；预测过高则有正误差，预测过低则有负误差；通过计算集合配比权重组合权重相对误差值百分比，使集合配组语义解析结果更真实。

在一个实施例中，所述S300包括：

S301，将集合配组语义解析结果和全集商标数据模型库中的模型进行智能配对，获得解析智库匹配对；

S302，通过匹配条件对解析智库匹配对进行判断，获得解析匹配判断结果；

S303，根据解析匹配判断结果对预推送的商标进行分析，获得预推送商标分析信息；根据解析匹配判断结果对预推送的商标进行分析包括：根据解析匹配判断结果,调用商标名称、商标类别,并转换商标虚拟模板按照设计模式进行组织；将形成设计模式组织按组织方式分类,将形成的分类构建商标推送结构；将商标推送结构再拆分成不同方向的推送结构模块,推送结构模块拆分成推送结构元；通过关键词间语义关系将推送结构元进行动态关联；将内容按需重组，采用动态关联组合推送技术实现动态关联组合推送。

上述技术方案的工作原理为，将集合配组语义解析结果和全集商标数据模型库中的模型进行智能配对，获得解析智库匹配对；通过匹配条件对解析智库匹配对进行判断，获得解析匹配判断结果；根据解析匹配判断结果对预推送的商标进行分析，获得预推送商标分析信息；根据解析匹配判断结果对预推送的商标进行分析包括：根据解析匹配判断结果,调用商标名称、商标类别,并转换商标虚拟模板按照设计模式进行组织；将形成设计模式组织按组织方式分类,将形成的分类构建商标推送结构；将商标推送结构再拆分成不同方向的推送结构模块,推送结构模块拆分成推送结构元；通过关键词间语义关系将推送结构元进行动态关联；将内容按需重组，采用动态关联组合推送技术实现动态关联组合推送。

上述技术方案的有益效果为，将集合配组语义解析结果和全集商标数据模型库中的模型进行智能配对，获得解析智库匹配对；通过匹配条件对解析智库匹配对进行判断，获得解析匹配判断结果；根据解析匹配判断结果对预推送的商标进行分析，获得预推送商标分析信息；根据解析匹配判断结果对预推送的商标进行分析包括：根据解析匹配判断结果,调用商标名称、商标类别,并转换商标虚拟模板按照设计模式进行组织；将形成设计模式组织按组织方式分类,将形成的分类构建商标推送结构；将商标推送结构再拆分成不同方向的推送结构模块,推送结构模块拆分成推送结构元；通过关键词间语义关系将推送结构元进行动态关联；将内容按需重组，采用动态关联组合推送技术实现动态关联组合推送；能够进一步提升商标推荐的智能化水平，并进一步细化设计模式，提高各种语言类型推荐的关联组合效果。

在一个实施例中，所述S400包括：

S401，根据预推送商标分析信息调用商标全集数据模型单元的商标全集数据模型；

S402，将调用的商标全集数据模型通过模板渲染生成预推荐商标渲染模板；确定当前模板的商标特征点和包围点、及各所述商标特征点和包围点的偏移量；其中，由各所述包围点构成的包围线，用以将各所述商标特征点包围；根据各所述商标特征点和包围点、及上一个模板在渲染时所采用的骨架化模板，确定所述当前模板的骨架化模板；根据所述当前模板的骨架化模板及各所述商标特征点和包围点的偏移量，对所述当前模板进行渲染，得到渲染后的模板；所述根据各所述商标特征点和包围点、及上一个模板在渲染时所采用的骨架化模板，确定所述当前模板的骨架化模板，包括：判断上一个模板在渲染时所采用的骨架化模板是否满足预设准则；在所述上一个模板在渲染时所采用的骨架化模板满足所述预设准则时，将所述上一个模板在渲染时所采用的骨架化模板确定为所述当前模板的骨架化模板；在所述上一个模板在渲染时所采用的骨架化模板不满足所述预设准则时，根据各所述商标特征点和包围点，对所述当前模板进行骨架化，得到所述当前模板的骨架化模板；

S403，将预推荐商标渲染模板渲染后结果生成商标推荐展示模板并推送到平台显示器进行显示。

上述技术方案的工作原理为，根据预推送商标分析信息调用商标全集数据模型单元的商标全集数据模型；将调用的商标全集数据模型通过模板渲染生成预推荐商标渲染模板；确定当前模板的商标特征点和包围点、及各所述商标特征点和包围点的偏移量；其中，由各所述包围点构成的包围线，用以将各所述商标特征点包围；根据各所述商标特征点和包围点、及上一个模板在渲染时所采用的骨架化模板，确定所述当前模板的骨架化模板；根据所述当前模板的骨架化模板及各所述商标特征点和包围点的偏移量，对所述当前模板进行渲染，得到渲染后的模板；所述根据各所述商标特征点和包围点、及上一个模板在渲染时所采用的骨架化模板，确定所述当前模板的骨架化模板，包括：判断上一个模板在渲染时所采用的骨架化模板是否满足预设准则；在所述上一个模板在渲染时所采用的骨架化模板满足所述预设准则时，将所述上一个模板在渲染时所采用的骨架化模板确定为所述当前模板的骨架化模板；在所述上一个模板在渲染时所采用的骨架化模板不满足所述预设准则时，根据各所述商标特征点和包围点，对所述当前模板进行骨架化，得到所述当前模板的骨架化模板；将预推荐商标渲染模板渲染后结果生成商标推荐展示模板并推送到平台显示器进行显示。

上述技术方案的有益效果为，根据预推送商标分析信息调用商标全集数据模型单元的商标全集数据模型；将调用的商标全集数据模型通过模板渲染生成预推荐商标渲染模板；确定当前模板的商标特征点和包围点、及各所述商标特征点和包围点的偏移量；其中，由各所述包围点构成的包围线，用以将各所述商标特征点包围；根据各所述商标特征点和包围点、及上一个模板在渲染时所采用的骨架化模板，确定所述当前模板的骨架化模板；根据所述当前模板的骨架化模板及各所述商标特征点和包围点的偏移量，对所述当前模板进行渲染，得到渲染后的模板；所述根据各所述商标特征点和包围点、及上一个模板在渲染时所采用的骨架化模板，确定所述当前模板的骨架化模板，包括：判断上一个模板在渲染时所采用的骨架化模板是否满足预设准则；在所述上一个模板在渲染时所采用的骨架化模板满足所述预设准则时，将所述上一个模板在渲染时所采用的骨架化模板确定为所述当前模板的骨架化模板；在所述上一个模板在渲染时所采用的骨架化模板不满足所述预设准则时，根据各所述商标特征点和包围点，对所述当前模板进行骨架化，得到所述当前模板的骨架化模板；将预推荐商标渲染模板渲染后结果生成商标推荐展示模板并推送到平台显示器进行显示；能够进一步增强商标推荐模板渲染的效果，并减少推荐的错误概率，进一步增加多种商标推荐及复杂结果的显示。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节与这里示出与描述的图例。

Claims (6)

1.一种商标推荐平台，其特征在于，包括：

商标全集数据模型单元，用于根据商标类别和全集商标数据预先建立商标全集数据模型库；

商标模型语义解析单元，用于建立对应全集商标数据模型库的输入类型与模型映射关系，通过语言解析进行集合配组语义解析；

解析结果智库分析单元，用于将集合配组语义解析结果和全集商标数据模型库中的模型进行智能配对，并得到预推送商标分析信息；

推荐模板生成推送单元，用于根据预推送商标分析信息，生成商标推荐展示模板并推送到平台显示器进行显示；

所述商标模型语义解析单元包括：

商标模型语义映射子单元，用于将第一类型输入和第二类型输入建立对应全集商标数据模型库的输入类型与模型映射关系；

语义映射集合配组子单元，用于根据输入类型与模型映射关系将语义集合进行集合配比权重组合；

集合配组语义解析子单元，用于将集合配比权重组合通过语言解析进行集合配组语义解析，获得集合配组语义解析结果；

计算集合配比权重组合权重相对误差值百分比，计算公式如下：

其中，ΔEzi为集合配比权重组合权重相对误差值百分比，z为集合配比权重数量，i为第i个集合配比权重，Yzi为集合配比权重组合数量预测值，Rzi为集合配比权重组合数量实际值；若集合配比权重组合权重超过高阈值但预测过低，虚拟机将不被迁移但性能下降很快，用户应用受到极大影响；若集合配比权重组合权重小于低阈值但预测过高，造成集合配比权重组合不准确；尽量避免预测过低和过高，特别是尽可能避免预测过低，以防止集合配比权重组合权重下降无法保障解析情况；预测过高则有正误差，预测过低则有负误差；

将商标类别和商标全集数据根据商标数据特点集建立商标全集数据模型库；利用语言解析器以及文字识别，将语音输入、文字输入以及指令输入进行识别，并根据识别结果调取商标全集数据模型库中的数据，与商标全集数据模型库中的模型进行智能配对，根据预推送商标分析信息，生成商标推荐展示模板；

所述推荐模板生成推送单元包括：

分析结果模型调用子单元，用于根据预推送商标分析信息调用商标全集数据模型单元的商标全集数据模型；

模型调用模板生成子单元，用于将调用的商标全集数据模型通过模板渲染生成预推荐商标渲染模板；确定当前模板的商标特征点和包围点、及各所述商标特征点和包围点的偏移量；其中，由各所述包围点构成的包围线，用以将各所述商标特征点包围；根据各所述商标特征点和包围点、及上一个模板在渲染时所采用的骨架化模板，确定所述当前模板的骨架化模板；根据所述当前模板的骨架化模板及各所述商标特征点和包围点的偏移量，对所述当前模板进行渲染，得到渲染后的模板；所述根据各所述商标特征点和包围点、及上一个模板在渲染时所采用的骨架化模板，确定所述当前模板的骨架化模板，包括：判断上一个模板在渲染时所采用的骨架化模板是否满足预设准则；在所述上一个模板在渲染时所采用的骨架化模板满足所述预设准则时，将所述上一个模板在渲染时所采用的骨架化模板确定为所述当前模板的骨架化模板；在所述上一个模板在渲染时所采用的骨架化模板不满足所述预设准则时，根据各所述商标特征点和包围点，对所述当前模板进行骨架化，得到所述当前模板的骨架化模板；

模板生成展示推送子单元，用于将预推荐商标渲染模板渲染后结果生成商标推荐展示模板并推送到平台显示器进行显示。

2.根据权利要求1所述的一种商标推荐平台，其特征在于，所述商标全集数据模型单元包括：

商标类型组别数据子单元，用于通过基础代码编程对商标模板进行基础编程，获得商标模板基础模块；

类型组别组合全集子单元，用于将商标模板基础模块进行模块样本组合，创建商标模板样本全集模型；

组合全集模型生成子单元，用于将单一语言文字字母数据输入商标模板样本全集模型，获得商标全集数据模型库。

3.根据权利要求1所述的一种商标推荐平台，其特征在于，所述解析结果智库分析单元包括：

解析结果智库匹配子单元，用于将集合配组语义解析结果和全集商标数据模型库中的模型进行智能配对，获得解析智库匹配对；

智库匹配条件判断子单元，用于通过匹配条件对解析智库匹配对进行判断，获得解析匹配判断结果；

条件判断智库分析子单元，用于根据解析匹配判断结果对预推送的商标进行分析，获得预推送商标分析信息。

4.一种商标推荐方法，其特征在于，包括：

S100，根据商标类别和全集商标数据预先建立商标全集数据模型库；

S200，建立对应全集商标数据模型库的输入类型与模型映射关系，通过语言解析进行集合配组语义解析；

S300，将集合配组语义解析结果和全集商标数据模型库中的模型进行智能配对，并得到预推送商标分析信息；

S400，根据预推送商标分析信息，生成商标推荐展示模板并推送到平台显示器进行显示；

所述S200包括：

S201，将第一类型输入和第二类型输入建立对应全集商标数据模型库的输入类型与模型映射关系；

S202，根据输入类型与模型映射关系将语义集合进行集合配比权重组合；

S203，将集合配比权重组合通过语言解析进行集合配组语义解析，获得集合配组语义解析结果；计算集合配比权重组合权重相对误差值百分比，计算公式如下：

其中，ΔEzi为集合配比权重组合权重相对误差值百分比，z为集合配比权重数量，i为第i个集合配比权重，Yzi为集合配比权重组合数量预测值，Rzi为集合配比权重组合数量实际值；若集合配比权重组合权重超过高阈值但预测过低，虚拟机将不被迁移但性能下降很快，用户应用受到极大影响；若集合配比权重组合权重小于低阈值但预测过高，造成集合配比权重组合不准确；尽量避免预测过低和过高，特别是尽可能避免预测过低，以防止集合配比权重组合权重下降无法保障解析情况；预测过高则有正误差，预测过低则有负误差；

将商标类别和商标全集数据根据商标数据特点集建立商标全集数据模型库；利用语言解析器以及文字识别，将语音输入、文字输入以及指令输入进行识别，并根据识别结果调取商标全集数据模型库中的数据，与商标全集数据模型库中的模型进行智能配对，根据预推送商标分析信息，生成商标推荐展示模板；

所述S400包括：

S401，根据预推送商标分析信息调用商标全集数据模型单元的商标全集数据模型；

S402，将调用的商标全集数据模型通过模板渲染生成预推荐商标渲染模板；确定当前模板的商标特征点和包围点、及各所述商标特征点和包围点的偏移量；其中，由各所述包围点构成的包围线，用以将各所述商标特征点包围；根据各所述商标特征点和包围点、及上一个模板在渲染时所采用的骨架化模板，确定所述当前模板的骨架化模板；根据所述当前模板的骨架化模板及各所述商标特征点和包围点的偏移量，对所述当前模板进行渲染，得到渲染后的模板；所述根据各所述商标特征点和包围点、及上一个模板在渲染时所采用的骨架化模板，确定所述当前模板的骨架化模板，包括：判断上一个模板在渲染时所采用的骨架化模板是否满足预设准则；在所述上一个模板在渲染时所采用的骨架化模板满足所述预设准则时，将所述上一个模板在渲染时所采用的骨架化模板确定为所述当前模板的骨架化模板；在所述上一个模板在渲染时所采用的骨架化模板不满足所述预设准则时，根据各所述商标特征点和包围点，对所述当前模板进行骨架化，得到所述当前模板的骨架化模板；

S403，将预推荐商标渲染模板渲染后结果生成商标推荐展示模板并推送到平台显示器进行显示。

5.根据权利要求4所述的一种商标推荐方法，其特征在于，所述S100包括：

S101，通过基础代码编程对商标模板进行基础编程，获得商标模板基础模块；

S102，将商标模板基础模块进行模块样本组合，创建商标模板样本全集模型；

S103，将单一语言文字字母数据输入商标模板样本全集模型，获得商标全集数据模型库。

6.根据权利要求4所述的一种商标推荐方法，其特征在于，所述S300包括：

S301，将集合配组语义解析结果和全集商标数据模型库中的模型进行智能配对，获得解析智库匹配对；

S302，通过匹配条件对解析智库匹配对进行判断，获得解析匹配判断结果；

S303，根据解析匹配判断结果对预推送的商标进行分析，获得预推送商标分析信息；根据解析匹配判断结果对预推送的商标进行分析包括：根据解析匹配判断结果,调用商标名称、商标类别,并转换商标虚拟模板按照设计模式进行组织；将形成设计模式组织按组织方式分类,将形成的分类构建商标推送结构；将商标推送结构再拆分成不同方向的推送结构模块,推送结构模块拆分成推送结构元；通过关键词间语义关系将推送结构元进行动态关联；将内容按需重组，采用动态关联组合推送技术实现动态关联组合推送。

Images