CN115131068B - 一种店铺分类方法、装置和计算机存储介质 - Google Patents
一种店铺分类方法、装置和计算机存储介质 Download PDFInfo
- Publication number
- CN115131068B CN115131068B CN202210806281.4A CN202210806281A CN115131068B CN 115131068 B CN115131068 B CN 115131068B CN 202210806281 A CN202210806281 A CN 202210806281A CN 115131068 B CN115131068 B CN 115131068B
- Authority
- CN
- China
- Prior art keywords
- matrix
- decomposition
- store
- sample
- classified
- 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 58
- 239000011159 matrix material Substances 0.000 claims abstract description 295
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 140
- 239000013598 vector Substances 0.000 claims description 97
- 238000010801 machine learning Methods 0.000 claims description 19
- 238000013145 classification model Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 19
- 230000009467 reduction Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- -1 e.g. Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000017105 transposition Effects 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及计算机技术领域,特别涉及一种店铺分类方法、装置和计算机存储介质;分类方法包括:获取目标矩阵;目标矩阵表征多个待分类店铺与多种商品的销售信息的对应关系;对目标矩阵进行矩阵分解,得到店铺特征矩阵;店铺特征矩阵表征多个待分类店铺与多个商品潜在特征之间的关系,多个商品潜在特征的数量小于多种商品的数量;基于店铺特征矩阵,确定与多个待分类店铺各自对应的店铺特征;基于多个待分类店铺各自对应的店铺特征进行店铺分类,得到与多个待分类店铺各自对应的店铺分类标签;本申请通过提取商品销售信息的潜在特征,以同时对大量店铺进行自动分类,提高店铺分类效率,以及提高分类精确性。
Description
技术领域
本申请涉及计算机技术领域,特别涉及一种店铺分类方法、装置和计算机存储介质。
背景技术
店铺所经营的类目是支撑店铺风险等级管理的核心信息,精确的销售类别能够帮助店铺进行个性化的风险管控;现有技术中,多为人工浏览商品销售信息后,对店铺类别进行标注;在店铺数量较多以及销售信息较多的情况下,人工分类标注方法的效率低下,且容易造成分类错误,从而不利于店铺风险管控;此外,不同店铺销售的商品销售信息不同,以致于难以同时对大量店铺进行分类。
发明内容
针对现有技术的上述问题,本申请的目的在于提取商品销售信息的潜在特征,以同时对大量店铺进行自动分类,提高店铺分类效率,以及提高分类精确性。
为了解决上述问题,本申请提供了一种店铺分类方法,所述方法包括:
获取目标矩阵;所述目标矩阵表征多个待分类店铺与多种商品的销售信息的对应关系;
对所述目标矩阵进行矩阵分解,得到店铺特征矩阵;所述店铺特征矩阵表征所述多个待分类店铺与多个商品潜在特征之间的关系,所述多个商品潜在特征的数量小于所述多种商品的数量;
基于所述店铺特征矩阵,确定与所述多个待分类店铺各自对应的店铺特征;
基于所述多个待分类店铺各自对应的店铺特征进行店铺分类,得到与所述多个待分类店铺各自对应的店铺分类标签。
在本申请实施例中,所述对所述目标矩阵进行矩阵分解,得到店铺特征矩阵,包括:
基于矩阵分解模型对所述目标矩阵进行分解,得到所述店铺特征矩阵;
所述方法还包括所述矩阵分解模型的训练方法,所述训练方法包括:
获取样本矩阵;所述样本矩阵表征多个样本店铺与多种样本商品的销售信息的对应关系;
基于预设机器学习模型对所述样本矩阵进行矩阵分解,得到第一分解矩阵、以及第二分解矩阵;所述第一分解矩阵表征所述多个样本店铺与多个样本潜在特征之间的关系,所述多个样本潜在特征的数量小于所述多种样本商品的数量;
基于所述第一分解矩阵、所述第二分解矩阵以及所述样本矩阵,确定分解损失信息;
基于所述分解损失信息对所述预设机器学习模型进行参数更新,得到所述矩阵分解模型。
在本申请实施例中,所述基于所述第一分解矩阵、所述第二分解矩阵以及所述样本矩阵,确定分解损失信息,包括:
从所述第一分解矩阵中确定出多个行向量;所述多个行向量的数量与所述样本店铺的数量一致;
从所述第二分解矩阵中确定出多个列向量;所述多个列向量的数量与所述样本商品的数量一致;
分别计算每个行向量和每个列向量之间的相似度;
基于所述每个行向量和所述每个列向量之间的相似度,确定相似度矩阵;所述相似度矩阵的维度与所述样本矩阵的维度一致;
基于元素对确定所述分解损失信息;每个元素对包括所述样本矩阵中的第一元素,以及所述相似度矩阵中的第二元素,所述第一元素在所述样本矩阵中的元素位置,与所述第二元素在所述相似度矩阵中的元素位置相同。
在本申请实施例中,所述基于元素对确定所述分解损失信息,包括:
对每个元素对中的第一元素进行归一化处理,得到归一化后的第一元素;
基于所述归一化后的第一元素,以及所述每个元素对中的第二元素,计算与所述每个元素对对应的损失信息;
基于与所述每个元素对对应的损失信息,计算所述分解损失信息。
在本申请实施例中,所述基于所述每个行向量与所述每个列向量之间的相似度,确定相似度矩阵,包括:
在所述相似度矩阵中存在待替换元素的情况下,用参考值替换对应的所述待替换元素;所述待替换元素小于或等于零,所述参考值大于零,且所述参考值与零的差值小于等于预设值。
在本申请实施例中,所述基于所述多个待分类店铺各自对应的店铺特征进行店铺分类,得到与所述多个待分类店铺各自对应的店铺分类标签,包括:
将每个待分类店铺对应的店铺特征输入到分类模型中,得到与所述每个分类店铺对应的分类结果;所述分类结果包括与多个预设店铺分类标签对应的概率;
从所述预设店铺分类标签中确定出所述每个待分类店铺对应的目标店铺分类标签;所述目标店铺分类标签对应的概率大于或等于预设概率。
在本申请实施例中,所述获取目标矩阵,包括:
获取所述多个待分类店铺的商品销售信息;所述商品销售信息包括已销售商品的商品类目信息、以及所述已销售商品的销售数量;
基于所述多个待分类店铺的所述已销售商品的商品类目信息、以及所述已销售商品的销售数量,构建所述目标矩阵。
另一方面,本申请还提供一种店铺分类装置,所述装置包括:
矩阵获取模块,用于获取目标矩阵;所述目标矩阵表征多个待分类店铺与多种商品的销售信息的对应关系;
矩阵分解模块,用于对所述目标矩阵进行矩阵分解,得到店铺特征矩阵;所述店铺特征矩阵表征所述多个待分类店铺与多个商品潜在特征之间的关系,所述多个商品潜在特征的数量小于所述多种商品的数量;
特征确定模块,用于基于所述店铺特征矩阵,确定与所述多个待分类店铺各自对应的店铺特征;
分类确定模块,用于基于所述多个待分类店铺各自对应的店铺特征进行店铺分类,得到与所述多个待分类店铺各自对应的店铺分类标签。
另一方面,本申请还提供一种电子设备,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述店铺分类方法。
另一方面,本申请还提供一种计算机存储介质,所述存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如上述店铺分类方法。
由于上述技术方案,本申请所述的一种店铺分类方法具有以下有益效果:
通过将表征多个待分类店铺与多种商品的销售信息对应关系的目标矩阵进行矩阵分解,提取商品的销售信息中的商品潜在特征,且商品潜在特征数量小于商品数量,降低了矩阵的稀疏性,进而能够基于店铺各自对应的店铺特征进行分类,实现同时对多个待分类店铺的分类,提高了店铺分类效率;此外,通过提取商品潜在特征进行分类,进而提高了分类精确性。
附图说明
为了更清楚地说明本申请的技术方案,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的介绍。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它附图。
图1是本申请实施例提供的一种店铺分类方法流程示意图;
图2是本申请实施例提供的一种矩阵分解模型结构示意图;
图3是本申请实施例提供的一种店铺分类方法中矩阵分解模型训练方法流程示意图;
图4是本申请实施例提供的一种店铺分类方法中确定矩阵分解模型的分解损失信息的流程示意图;
图5是本申请实施例提供的一种店铺分类方法中矩阵分解模型中归一化处理的流程示意图;
图6是本申请实施例提供的一种店铺分类方法中基于店铺特征分类的流程示意图;
图7是本申请实施例提供的一种店铺分类方法中分类模型的结构示意图;
图8是本申请实施例提供的一种店铺分类方法中目标矩阵获取的流程示意图;
图9是本申请实施例提供的一种店铺分类装置的结构示意图;
图10是本申请实施例提供的一种店铺分类方法的硬件结构框图。
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的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。
此处所称的“一个实施例”或“实施例”是指可包含于本申请至少一个实现方式中的特定特征、结构或特性。在本申请的描述中,需要理解的是,术语“上”、“下”、“左”、“右”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含的包括一个或者更多个该特征。而且,术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
结合图1,介绍本申请实施例提供的一种店铺分类方法,该方法包括:
S101、获取目标矩阵;目标矩阵表征多个待分类店铺与多种商品的销售信息的对应关系;待分类店铺是指不清楚店铺分类标签的店铺,店铺分类标签用于表征该店铺中的销售类别,例如,店铺分类标签可以是服饰店、夏装店和母婴店;商品的销售信息包括商品销售的商品类目、商品价格和销售数量等信息,商品类目是指商品的具体种类,例如,商品类目可以是上衣、短袖和喇叭裤;销售类别包括多种商品类目,例如,服饰店表征该店铺的销售类别为服饰,服饰包括上衣、短袖、喇叭裤等商品类目;不同店铺对于类似商品的商品类目名称可能不一致,例如,某些店铺中商品类目为上衣(tops),在其他店铺中的商品类目为T恤(tees)或衬衫(shirts)。
在本申请实施例中,目标矩阵中每一行表征一个待分类店铺中多种商品类目的销售数量;目标矩阵中每一列表征一个商品类目在多个待分类店铺中的销售数量;在待分类店铺不存在某一商品类目销售的情况下,其销售数量为零;在具体应用中,商品类目数量众多,而每一个待分类店铺仅销售少部分商品类目的商品,且存在不同店铺对于类似商品类目的名称不一致的情况,从而导致目标矩阵为稀疏矩阵。
在本申请具体实施例中,若待分类店铺U={u1,u2,…,uM},商品类目V={v1,v2,…,vN},则目标矩阵为Y;具体的,Y∈RM×N;其中,RM×N是指M×N阶矩阵,M是指待分类店铺的数量,N是指商品类目数量;具体的,N≥500;在目标矩阵Y中的任意元素为Yij,Yij是指在目标矩阵中店铺i出售商品j的销售数量。
S103、对目标矩阵进行矩阵分解,得到店铺特征矩阵;店铺特征矩阵表征多个待分类店铺与多个商品潜在特征之间的关系,多个商品潜在特征的数量小于多种商品的数量;矩阵分解是指将目标矩阵进行分解;商品潜在特征表征对多种商品销售信息的语义提炼。
在本申请实施例中,将表征多个待分类店铺与多种商品的销售信息对应关系的目标矩阵进行矩阵分解,得到店铺特征矩阵,其中,商品潜在特征数量小于商品数量,通过低维的商品潜在特征对商品进行表征,从而降低店铺分类所需矩阵的稀疏性,以便于基于店铺各自对应的店铺特征进行分类。
在本申请具体实施例中,将目标矩阵Y进行分解,得到店铺特征矩阵P和商品特征矩阵Q;商品特征矩阵表征多种商品类目与多个店铺潜在特征之间的关系;多个店铺潜在特征的数量等于多个商品潜在特征的数量;店铺潜在特征表征对多个待分类店铺的语义提炼;具体的,P∈RM×k1,Q∈Rk2×N;其中,RM×k1是指M×k阶矩阵,M是指待分类店铺的数量,k1是指商品潜在特征的数量;Rk2×N是指k×N阶矩阵,N是指商品类目数量,k2是指店铺潜在特征的数量;具体的,N>k1=k2,以及M>k1=k2。
在本申请具体实施例中,商品潜在特征数量与商品数量可以相差两个数量级,例如,商品数量为1000个,那么潜在特征数量可以是10个,也可以是15个。
S105、基于店铺特征矩阵,确定与多个待分类店铺各自对应的店铺特征;每个店铺特征是指某一待分类店铺对应的所有商品潜在特征。
S107、基于多个待分类店铺各自对应的店铺特征进行店铺分类,得到与多个待分类店铺各自对应的店铺分类标签。
在本申请实施例中,通过将目标矩阵进行矩阵分解,提取商品的销售信息中的商品潜在特征,且商品潜在特征数量小于商品数量,降低了矩阵的稀疏性,进而能够基于店铺各自对应的店铺特征进行分类,实现同时对多个待分类店铺的分类,提高了店铺分类效率;此外,通过提取商品潜在特征进行分类,进而提高了分类容错率。
在本申请实施例中,通过将目标矩阵进行矩阵分解,提取商品潜在特征后,再进行分类,简化了分类输入的数值,从而降低了分类难度。
在本申请具体实施例中,S103包括:
基于矩阵分解模型对目标矩阵进行分解,得到店铺特征矩阵;其中,矩阵分解模型是基于样本矩阵对预设机器学习模型进行矩阵分解训练得到的,具体的,店铺分类方法包括矩阵分解模型的训练方法。
在本申请实施例中,通过矩阵分解模型对目标矩阵进行分解,提高了矩阵分解的精确性,从而提高了店铺特征矩阵的可靠性。
参考图2,矩阵分解模型包括输入层、神经网络层、输出层;输入层用于获取目标矩阵,神经网络层用于进行矩阵分解,输出层用于输出分解后的矩阵。
参考图3,矩阵分解模型的训练方法如下:
S201、获取样本矩阵;样本矩阵可以表征多个样本店铺与多种样本商品的销售信息的对应关系。
在本申请具体实施例中,样本矩阵为Y1,具体的,Y1∈RA×N;其中,RA×N是指A×N阶矩阵,A是指待分类店铺的数量,N是指商品类目数量;具体的,N≥500;在目标矩阵Y1中的任意元素为 是指在样本矩阵中店铺i出售商品j的销售数量;需要说明的是,样本矩阵中商品类目名称和数量,等同于目标矩阵中商品类目名称和数量。
S203、基于预设机器学习模型对样本矩阵进行矩阵分解,得到第一分解矩阵、以及第二分解矩阵;第一分解矩阵表征多个样本店铺与多个样本潜在特征之间的关系,多个样本潜在特征的数量小于多种样本商品的数量;第二分解矩阵表征多种样本商品与多个样本店铺潜在特征之间的关系。
在本申请具体实施例中,将样本矩阵Y1进行分解,得到第一分解矩阵P1和第二分解矩阵Q1;具体的,P1∈RA×k1,Q1∈Rk2×N;其中,RA×k1是指A×k阶矩阵,A是指样本店铺的数量,k1是指样本潜在特征的数量;Rk2×N是指k×N阶矩阵,N是指商品类目数量,k2是指样本店铺潜在特征的数量;具体的,N>k1=k2,以及M>k1=k2。
在本申请实施例中,矩阵分解过程包括将样本矩阵拆分成多个行向量和多个列向量,行向量的数量与样本店铺的数量一致,列向量的数量与样本商品的数量一致;分别对多个行向量和多个列向量进行降维计算,得到多个降维行向量和降维列向量;将多个降维行向量进行组合得到第一分解矩阵,将多个降维列向量进行组合得到第二分解矩阵;多个降维行向量的排布顺序与样本矩阵中样本店铺排布顺序一致,多个降维列向量的排布顺序与样本商品的排布顺序一致。
在本申请具体实施例中,分别对多个行向量和多个列向量进行降维计算的计算公式如下:
pi=f(…f(WU2f(WU1Yi* T)))T (1)
qj=f(…f(WV2f(WV1Y*j))) (2)
其中,pi是指降维行向量,Yi*是指多个行向量中的第i行的行向量,Yi* T第i行的行向量的转置,qj是指降维列向量,Y*j是指多个列向量中的第j行的行向量,WU1、WU2、WV1、WV2是指矩阵分解模型中的参数,f是指激活函数;具体的,矩阵分解模型中的参数可以是权重矩阵,激活函数可以采用ReLU函数。
在本申请实施例中,通过采用上述降维计算公式进行降维,避免了需要对商品类目进行排序,降低了矩阵分解的复杂性,进而提高了分类效率。
S205、基于第一分解矩阵、第二分解矩阵以及样本矩阵,确定分解损失信息。
S207、基于分解损失信息对预设机器学习模型进行参数更新,得到矩阵分解模型。
在本申请实施例中,通过基于分解损失信息对预设机器学习模型进行参数更新,提高了矩阵分解模型的可靠性,以及提高了矩阵分解的精确性。
参考图4,在本申请实施例中,S205包括:
S301、从第一分解矩阵中确定出多个行向量;多个行向量的数量与样本店铺的数量一致;具体的,从第一分解矩阵中确定出的多个行向量即为上述降维行向量pi。
S303、从第二分解矩阵中确定出多个列向量;多个列向量的数量与样本商品的数量一致;具体的,从第二分解矩阵中确定出的多个列向量即为上述降维列向量qj。
S305、分别计算每个行向量和每个列向量之间的相似度;相似度表征每个行向量和每个列向量之间的契合程度,相似度越高,行向量和列向量之间越契合。
在本申请具体实施例中,相似度的计算公式如下:
其中,是指第i行的行向量与第j行的列向量之间的相似度,pi是指降维行向量,qj是指降维列向量,cosine是指降维行向量和降维列向量之间的余弦值,pi T是指降维行向量的转置,‖pi‖是指降维行向量的模数,||qj||是指降维列向量的模数。
S307、基于每个行向量和每个列向量之间的相似度,确定相似度矩阵;相似度矩阵的维度与样本矩阵的维度一致;可以是由多个依照顺序组成相似度矩阵;相似度矩阵中的元素位置能够得知行向量位于第一分解矩阵中的位置,以及列向量位于第二分解矩阵中的位置;例如,相似度矩阵中第一行第一列的元素为第一分解矩阵中第一行,以及第二分解矩阵中第一列进行相似度计算得到的相似度。
S309、基于元素对确定分解损失信息;每个元素对包括样本矩阵中的第一元素,以及相似度矩阵中的第二元素,第一元素在样本矩阵中的元素位置,与第二元素在相似度矩阵中的元素位置相同。
在本申请实施例中,通过基于样本元素矩阵中第一元素和相似度矩阵中第二元素确定分解损失信息,从而提高了分解损失信息的计算精度,进而提高矩阵分解模型的可靠性。
在本申请实施例中,S307包括:
在相似度矩阵中存在待替换元素的情况下,用参考值替换对应的待替换元素;待替换元素小于或等于零,参考值大于零,且参考值与零的差值小于等于预设值。
在本申请实施例中,在计算的相似度值小于或等于零的情况下,表征计算的行向量和列向量之间的夹角大于或等于90°,也就是说计算的行向量与列向量之间的相关性差距较大,从而需要对其进行舍弃,故而对计算出的相似度进行取正处理,具体的,将参考值与相似度矩阵中的每个元素进行比对,在相似度矩阵中的某一元素小于或等于零的情况下,用参考值替换对应的某一元素,参考值的大于零,且参考值与零的差值小于预设值;具体的,预设值可以是10-6、也可以是10-8或10-9等。
在本申请实施例中,通过对计算得到的相似度值进行取正处理,从而能够提前排除相似度差距较大的数值,利用参考值替换相似度矩阵中的负数值,从而能够简化相似度矩阵的复杂性,从而简化分解损失信息的计算;进而提高矩阵分解效率。
在本申请具体实施例中,参考值替换对应的某一元素的具体计算公式如下:
其中,是指在进行取正处理后的相似度矩阵中的第i行第j列的元素,μ是指参考值,/>是指在未进行取正处理前的相似度矩阵中的第i行第j列的元素,max是指取参考值或相似度矩阵中的第i行第j列的元素中的最大值。
参考图5,在本申请实施例中,S309包括:
S401、对每个元素对中的第一元素进行归一化处理,得到归一化后的第一元素;
S403、基于归一化后的第一元素,以及每个元素对中的第二元素,计算与每个元素对对应的损失信息;
S405、基于与每个元素对对应的损失信息,计算分解损失信息。
在本申请实施例中,通过对第一元素进行归一化处理,从而简化分解损失信息的计算,进而提高店铺分类效率;通过对每个元素对中的第一元素进行归一化处理,从而统一第一元素和第二元素的衡量标准,进而提高运算速率,进而提高矩阵分解效率。
在本申请具体实施例中,分解损失信息的计算公式如下:
其中,是指在进行取正处理后的相似度矩阵中的第i行第j列的元素,μ是指参考值,/>是指在未进行取正处理前的相似度矩阵中的第i行第j列的元素,max(Y)是指相似度矩阵中的最大值。
在本申请实施例中,通过采用上述分解损失信息的计算公式,降低了商品潜在特征中的信息损失率,从而提高了矩阵分解的精确性和可靠性。
在本申请实施例中,分解损失信息小于第一预设阈值的情况下,确定更新的机器学习模型为矩阵分解模型。
在本申请具体实施例中,第一预设阈值可以是0.01。
参考图6,在本申请实施例中,S107包括:
S501、将每个待分类店铺对应的店铺特征输入到分类模型中,得到与每个分类店铺对应的分类结果;分类结果包括与多个预设店铺分类标签对应的概率;其中,分类模型是基于样本店铺特征对预设机器学习模型进行分类训练得到的。
参考图7,分类模型包括输入层、隐藏层和输出层,输入层用于获取店铺特征,隐藏层用于对店铺特征进行分析,输出层用于输出分类结果,以及分类损失信息。
在本申请实施例中,方法还包括分类模型的训练方法,分类模型的训练方法包括:
获取多个样本特征;样本特征表征样本店铺对应的店铺特征;样本店铺包括对应的店铺分类标签。
在本申请具体实施例中,样本特征可以是样本特征向量,例如,样本特征向量pi,其中,样本特征向量的长度与降维矩阵的长度一致。
基于预设机器学习模型对样本特征进行多层感知处理,得到多层感知结果;多层感知处理是指对店铺特征进行从肤浅到深入、复杂、抽象的多次分析,多层感知结果是指对店铺特征进行分析后得到的结果。
在本申请具体实施例中,对样本特征进行多层感知处理的计算公式如下:
Hn=f(WHn-1+b) (6)
其中,Hn是指多层感知处理过程中任意一层的输出结果,Hn-1是指输出结果上一层的输出结果,第一层中,H0等于f是指偏置函数,b、W是指分类模型中任意一层的参数;具体的,b可以是偏置项,W可以是权重矩阵。
将多层感知结果进行概率映射,得到每个样本店铺对应的分类结果;
在本申请具体实施例中,将多层感知结果进行概率映射采用softmax函数,具体的:
其中,0是指预设店铺分类标签对应的概率,是指多层感知处理过程中最后一层的输出结果,bH、WH分类模型中的参数;具体的,bH可以是偏置项,WH可以是权重矩阵。
基于分类结果和店铺分类标签,确定分类损失信息。
在本申请具体实施例中,分类损失信息的计算公式如下:
其中,Loss是指分类损失信息,c是指样本店铺数量,yi是指分类标识信息,oi是指分类模型得出的样本店铺属于某一店铺分类标签的最大概率;具体的,在样本店铺的店铺分类标签正确的情况下,分类标识信息为1;在样本店铺的店铺分类标签错误的情况下,分类标识信息为0。
基于分类损失信息对预设机器学习模型进行参数更新,得到分类模型。
在本申请实施例中,分类损失信息小于第二预设阈值的情况下,确定更新的机器学习模型为分类模型。
在本申请具体实施例中,第二预设阈值可以是0.02。
S503、从店铺预设分类标签中确定出每个待分类店铺对应的目标店铺分类标签;目标店铺分类标签对应的概率大于或等于预设概率。
在本申请实施例中,目标店铺分类标签之间没有相互重叠部分,例如,目标店铺标签为服饰店、食品店、数码店;每个待分类店铺可以对应一个目标店铺分类标签,分类结果中的多个预设店铺分类标签对应的概率总和为1,进而预设概率可以是0.8,也可以是0.9。
在本申请其他实施例中,目标店铺分类标签之间存在相互重叠部分,例如,母婴店、服饰店,具体的母婴店内包括婴儿服饰;那么每个待分类店铺可以对应多个目标店铺分类标签,分类结果中的多个预设店铺分类标签对应的概率总和不为1,进而预设概率可以是0.8,也可以是0.9。
在本申请实施例中,在目标店铺分类标签对应的概率大于或等于预设概率的情况下,确定对应的目标标签,从而提高了分类的精确性,以及店铺分类的适用性。
在本申请具体实施例中,分类模型包括多层分类模型,方法还包括:
在得到第一分类标签的情况下,确定与第一分类标签对应的次级分类模型;
基于次级分类模型对第一分类标签下的待分类店铺进行分类,得到次级分类标签;第一分类标签包括对应次级分类标签下的所有商品类目,例如,第一分类标签为服饰店,次级分类标签可以是男装店、女装店和夏装店。
在本申请实施例中,通过在得到第一分类标签的情况下,确定次级分类模型,并得到次级分类标签,从而提高了分类精确度,以及提高了分类的细粒度。
参考图8,在本申请实施例中,S101包括:
S601、获取多个待分类店铺的商品销售信息;商品销售信息包括已销售商品的商品类目信息、以及已销售商品的销售数量;商品销售信息是指店铺对已销售的信息进行统计的信息;商品类目信息是指商品类目名称,不同店铺对于类似或相同商品的类目名称不一致,例如,某些店铺中商品类目为上衣(tops),但在其他店铺中的商品类目为T恤(tees)或衬衫(shirts);已销售商品的销售数量包括多个商品类目名称对应的销售数量。
S603、基于多个待分类店铺的已销售商品的商品类目信息、以及已销售商品的销售数量,构建目标矩阵。
在本申请实施例中,目标矩阵中每一行表征一个待分类店铺中多种商品类目的销售数量;目标矩阵中每一列表征一个商品类目在多个待分类店铺中的销售数量;在待分类店铺不存在某一商品类目销售的情况下,其销售数量为零;在具体应用中,商品类目数量众多,而每一个待分类店铺仅销售少部分商品类目的商品,且存在不同店铺对于类似商品类目的名称不一致的情况,从而导致目标矩阵为稀疏矩阵。
在本申请具体实施例中,已知待分类店铺A和B,其中A店铺中已销售的商品类目信息包括上衣100件,下装50件;B店铺中已销售的商品类目信息包括手机50部;那么目标矩阵可以为其中,目标矩阵中的第一行表示A店铺的商品类目信息,第二行表示B店铺的商品类目信息,每一列对应每一种商品类目在不同店铺的销售情况。
在本申请实施例中,通过基于多个待分类店铺的已销售商品的商品类目信息,以及已销售商品的销售数量,构建目标矩阵,从而使得目标矩阵与店铺实际销售情况对应,进而在进行店铺分类后,便于店铺风险的管控。
结合图9,介绍本申请实施例提供的一种店铺分类装置,分类装置包括:
矩阵获取模块,用于获取目标矩阵;目标矩阵表征多个待分类店铺与多种商品的销售信息的对应关系;
矩阵分解模块,用于对目标矩阵进行矩阵分解,得到店铺特征矩阵;店铺特征矩阵表征多个待分类店铺与多个商品潜在特征之间的关系,多个商品潜在特征的数量小于多种商品的数量;
特征确定模块,用于基于店铺特征矩阵,确定与多个待分类店铺各自对应的店铺特征;
分类确定模块,用于基于多个待分类店铺各自对应的店铺特征进行店铺分类,得到与多个待分类店铺各自对应的店铺分类标签。
矩阵分解模块包括:
矩阵分解单元,用于基于矩阵分解模型对目标矩阵进行分解,得到店铺特征矩阵;
分类装置还包括分解训练模块,分解训练模块包括:
样本获取单元,用于获取样本矩阵;样本矩阵表征多个样本店铺与多种样本商品的销售信息的对应关系;
机器学习单元,用于基于预设机器学习模型对样本矩阵进行矩阵分解,得到第一分解矩阵、以及第二分解矩阵;第一分解矩阵表征多个样本店铺与多个样本潜在特征之间的关系,多个样本潜在特征的数量小于多种样本商品的数量;
损失确定单元,用于基于第一分解矩阵、第二分解矩阵以及样本矩阵,确定分解损失信息;
参数更新单元,用于基于分解损失信息对预设机器学习模型进行参数更新,得到矩阵分解模型。
损失确定单元包括:
行向量确定子单元,用于从第一分解矩阵中确定出多个行向量;多个行向量的数量与样本店铺的数量一致;
列向量确定子单元,用于从第二分解矩阵中确定出多个列向量;多个列向量的数量与样本商品的数量一致;
相似度计算子单元,用于分别计算每个行向量和每个列向量之间的相似度;
相似度矩阵确定子单元,用于基于每个行向量和每个列向量之间的相似度,确定相似度矩阵;相似度矩阵的维度与样本矩阵的维度一致;
损失信息确定子单元,用于基于元素对确定分解损失信息;每个元素对包括样本矩阵中的第一元素,以及相似度矩阵中的第二元素,第一元素在样本矩阵中的元素位置,与第二元素在相似度矩阵中的元素位置相同。
损失信息确定子单元包括:
归一处理子单元,用于对每个元素对中的第一元素进行归一化处理,得到归一化后的第一元素;
损失计算子单元,用于基于归一化后的第一元素,以及每个元素对中的第二元素,计算与每个元素对对应的损失信息;
损失累加子单元,用于基于与每个元素对对应的损失信息,计算分解损失信息。
相似度矩阵确定子单元包括:
取正子单元,用于在相似度矩阵中存在待替换元素的情况下,用参考值替换对应的待替换元素;待替换元素小于或等于零,参考值大于零,且参考值与零的差值小于等于预设值。
分类确定模块包括:
分类结果确定单元,用于将每个待分类店铺对应的店铺特征输入到分类模型中,得到与每个分类店铺对应的分类结果;分类结果包括与多个预设店铺分类标签对应的概率;
标签确定单元,用于从预设店铺分类标签中确定出每个待分类店铺对应的目标店铺分类标签;目标店铺分类标签对应的概率大于或等于预设概率。
矩阵获取模块包括:
商品销售信息获取单元,用于获取多个待分类店铺的商品销售信息;商品销售信息包括已销售商品的商品类目信息、以及已销售商品的销售数量;
矩阵构建单元,用于基于多个待分类店铺的已销售商品的商品类目信息、以及已销售商品的销售数量,构建目标矩阵。
本申请实施例还提供一种电子设备,该电子设备包括处理器和存储器,储器中存储有至少一条指令或至少一段程序,至少一条指令或至少一段程序由处理器加载并执行以实现如上述的店铺分类方法。
存储器可用于存储软件程序以及模块,处理器通过运行存储在存储器的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、功能所需的应用程序等;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个硬盘存储器件、闪存器件或其他易失性固态存储器件。相应的,存储器还可以包括存储器控制器,以提供处理器对存储器的访问。
本申请实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置等电子设备中执行。图10是本申请实施例提供的一种店铺分类方法的硬件框架图。如图10所示,该电子设备900可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(CentrAl Processing Units,CPU)910(处理器910可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器930,一个或一个以上存储应用程序923或数据922的存储介质920(例如一个或一个以上海量存储设备)。其中,存储器930和存储介质920可以是短暂存储或持久存储。存储在存储介质920的程序可以包括一个或一个以上模块,每个模块可以包括对电子设备中的一系列指令操作。更进一步地,中央处理器910可以设置为与存储介质920通信,在电子设备900上执行存储介质920中的一系列指令操作。电子设备900还可以包括一个或一个以上电源960,一个或一个以上有线或无线网络接口950,一个或一个以上输入输出接口940,和/或,一个或一个以上操作系统921,例如Windows ServerTM,MAc OS XTM,UnixTM,LinuxTM,Free店铺分类装置SDTM等等。
输入输出接口940可以用于经由一个网络接收或者发送数据。上述的网络具体实例可包括电子设备900的通信供应商提供的无线网络。在一个实例中,输入输出接口940包括一个网络适配器(Network InterfAce Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,输入输出接口940可以为射频(RAdioFrequency,RF)模块,其用于通过无线方式与互联网进行通讯。
本领域普通技术人员可以理解,图10所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,电子设备900还可包括比图10中所示更多或者更少的组件,或者具有与图10所示不同的配置。
本申请的实施例还提供一种存储介质,该存储介质中存储有至少一条指令或至少一段程序,至少一条指令或至少一段程序由处理器加载并执行以实现如上述的店铺分类方法。
上述说明已经充分揭露了本申请的具体实施方式。需要指出的是,熟悉该领域的技术人员对本申请的具体实施方式所做的任何改动均不脱离本申请的权利要求书的范围。相应地,本申请的权利要求的范围也并不仅仅局限于前述具体实施方式。
Claims (8)
1.一种店铺分类方法,其特征在于,包括:
获取目标矩阵;所述目标矩阵表征多个待分类店铺与多种商品的销售信息的对应关系;
基于矩阵分解模型对所述目标矩阵进行分解,得到店铺特征矩阵;所述店铺特征矩阵表征所述多个待分类店铺与多个商品潜在特征之间的关系,所述多个商品潜在特征的数量小于所述多种商品的数量;
基于所述店铺特征矩阵,确定与所述多个待分类店铺各自对应的店铺特征;
基于所述多个待分类店铺各自对应的店铺特征进行店铺分类,得到与所述多个待分类店铺各自对应的店铺分类标签;
所述方法还包括所述矩阵分解模型的训练方法,所述训练方法包括:
获取样本矩阵;所述样本矩阵表征多个样本店铺与多种样本商品的销售信息的对应关系;
基于预设机器学习模型对所述样本矩阵进行矩阵分解,得到第一分解矩阵、以及第二分解矩阵;所述第一分解矩阵表征所述多个样本店铺与多个样本潜在特征之间的关系,所述多个样本潜在特征的数量小于所述多种样本商品的数量;
基于所述第一分解矩阵、所述第二分解矩阵以及所述样本矩阵,确定分解损失信息;
基于所述分解损失信息对所述预设机器学习模型进行参数更新,得到所述矩阵分解模型;
所述基于所述第一分解矩阵、所述第二分解矩阵以及所述样本矩阵,确定分解损失信息,包括:
从所述第一分解矩阵中确定出多个行向量;所述多个行向量的数量与所述样本店铺的数量一致;
从所述第二分解矩阵中确定出多个列向量;所述多个列向量的数量与所述样本商品的数量一致;
分别计算每个行向量和每个列向量之间的相似度;
基于所述每个行向量和所述每个列向量之间的相似度,确定相似度矩阵;所述相似度矩阵的维度与所述样本矩阵的维度一致;
基于元素对确定所述分解损失信息;每个元素对包括所述样本矩阵中的第一元素,以及所述相似度矩阵中的第二元素,所述第一元素在所述样本矩阵中的元素位置,与所述第二元素在所述相似度矩阵中的元素位置相同。
2.根据权利要求1所述的一种店铺分类方法,其特征在于,所述基于元素对确定所述分解损失信息,包括:
对每个元素对中的第一元素进行归一化处理,得到归一化后的第一元素;
基于所述归一化后的第一元素,以及所述每个元素对中的第二元素,计算与所述每个元素对对应的损失信息;
基于与所述每个元素对对应的损失信息,计算所述分解损失信息。
3.根据权利要求1所述的一种店铺分类方法,其特征在于,所述基于所述每个行向量与所述每个列向量之间的相似度,确定相似度矩阵,包括:
在所述相似度矩阵中存在待替换元素的情况下,用参考值替换对应的所述待替换元素;所述待替换元素小于或等于零,所述参考值大于零,且所述参考值与零的差值小于等于预设值。
4.根据权利要求1所述的一种店铺分类方法,其特征在于,所述基于所述多个待分类店铺各自对应的店铺特征进行店铺分类,得到与所述多个待分类店铺各自对应的店铺分类标签,包括:
将每个待分类店铺对应的店铺特征输入到分类模型中,得到与所述每个分类店铺对应的分类结果;所述分类结果包括与多个预设店铺分类标签对应的概率;
从所述预设店铺分类标签中确定出所述每个待分类店铺对应的目标店铺分类标签;所述目标店铺分类标签对应的概率大于或等于预设概率。
5.根据权利要求1所述的一种店铺分类方法,其特征在于,所述获取目标矩阵,包括:
获取所述多个待分类店铺的商品销售信息;所述商品销售信息包括已销售商品的商品类目信息、以及所述已销售商品的销售数量;
基于所述多个待分类店铺的所述已销售商品的商品类目信息、以及所述已销售商品的销售数量,构建所述目标矩阵。
6.一种店铺分类装置,其特征在于,包括:
矩阵获取模块,用于获取目标矩阵;所述目标矩阵表征多个待分类店铺与多种商品的销售信息的对应关系;
矩阵分解模块,用于对所述目标矩阵进行矩阵分解,得到店铺特征矩阵;所述店铺特征矩阵表征所述多个待分类店铺与多个商品潜在特征之间的关系,所述多个商品潜在特征的数量小于所述多种商品的数量;
特征确定模块,用于基于所述店铺特征矩阵,确定与所述多个待分类店铺各自对应的店铺特征;
分类确定模块,用于基于所述多个待分类店铺各自对应的店铺特征进行店铺分类,得到与所述多个待分类店铺各自对应的店铺分类标签;
矩阵分解模块包括:
矩阵分解单元,用于基于矩阵分解模型对所述目标矩阵进行分解,得到所述店铺特征矩阵;
分类装置还包括分解训练模块,分解训练模块包括:
样本获取单元,用于获取样本矩阵;所述样本矩阵表征多个样本店铺与多种样本商品的销售信息的对应关系;
机器学习单元,用于基于预设机器学习模型对所述样本矩阵进行矩阵分解,得到第一分解矩阵、以及第二分解矩阵;所述第一分解矩阵表征所述多个样本店铺与多个样本潜在特征之间的关系,所述多个样本潜在特征的数量小于所述多种样本商品的数量;
损失确定单元,用于基于所述第一分解矩阵、所述第二分解矩阵以及所述样本矩阵,确定分解损失信息;
参数更新单元,用于基于所述分解损失信息对所述预设机器学习模型进行参数更新,得到所述矩阵分解模型;
损失确定单元包括:
行向量确定子单元,用于从所述第一分解矩阵中确定出多个行向量;所述多个行向量的数量与所述样本店铺的数量一致;
列向量确定子单元,用于从所述第二分解矩阵中确定出多个列向量;所述多个列向量的数量与所述样本商品的数量一致;
相似度计算子单元,用于分别计算每个行向量和每个列向量之间的相似度;
相似度矩阵确定子单元,用于基于所述每个行向量和所述每个列向量之间的相似度,确定相似度矩阵;所述相似度矩阵的维度与所述样本矩阵的维度一致;
损失信息确定子单元,用于基于元素对确定所述分解损失信息;每个元素对包括所述样本矩阵中的第一元素,以及所述相似度矩阵中的第二元素,所述第一元素在所述样本矩阵中的元素位置,与所述第二元素在所述相似度矩阵中的元素位置相同。
7.一种电子设备,其特征在于,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如权利要求1-5任一所述的店铺分类方法。
8.一种计算机存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如权利要求1-5任一所述的店铺分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210806281.4A CN115131068B (zh) | 2022-07-08 | 2022-07-08 | 一种店铺分类方法、装置和计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210806281.4A CN115131068B (zh) | 2022-07-08 | 2022-07-08 | 一种店铺分类方法、装置和计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115131068A CN115131068A (zh) | 2022-09-30 |
CN115131068B true CN115131068B (zh) | 2023-12-26 |
Family
ID=83382136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210806281.4A Active CN115131068B (zh) | 2022-07-08 | 2022-07-08 | 一种店铺分类方法、装置和计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115131068B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899660A (zh) * | 2015-06-15 | 2015-09-09 | 西北工业大学 | 基于奇异值分解的商铺受欢迎度预测方法 |
CN110599281A (zh) * | 2018-06-13 | 2019-12-20 | 北京京东尚科信息技术有限公司 | 一种确定目标店铺的方法和装置 |
WO2020001106A1 (zh) * | 2018-06-25 | 2020-01-02 | 阿里巴巴集团控股有限公司 | 分类模型的训练方法、店铺分类的方法及装置 |
CN112801720A (zh) * | 2021-04-12 | 2021-05-14 | 连连(杭州)信息技术有限公司 | 一种店铺类目识别模型生成、店铺类目识别的方法及装置 |
CN113268656A (zh) * | 2021-04-15 | 2021-08-17 | 北京沃东天骏信息技术有限公司 | 一种用户推荐方法、装置、电子设备及计算机存储介质 |
CN113378050A (zh) * | 2021-06-11 | 2021-09-10 | 北京百度网讯科技有限公司 | 用户分类方法、装置和电子设备 |
CN113554455A (zh) * | 2021-06-30 | 2021-10-26 | 杭州拼便宜网络科技有限公司 | 基于人工智能的店铺商品分析方法、装置及存储介质 |
CN114638276A (zh) * | 2020-12-16 | 2022-06-17 | 顺丰科技有限公司 | 物流网点分类方法、装置、计算机设备和存储介质 |
-
2022
- 2022-07-08 CN CN202210806281.4A patent/CN115131068B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899660A (zh) * | 2015-06-15 | 2015-09-09 | 西北工业大学 | 基于奇异值分解的商铺受欢迎度预测方法 |
CN110599281A (zh) * | 2018-06-13 | 2019-12-20 | 北京京东尚科信息技术有限公司 | 一种确定目标店铺的方法和装置 |
WO2020001106A1 (zh) * | 2018-06-25 | 2020-01-02 | 阿里巴巴集团控股有限公司 | 分类模型的训练方法、店铺分类的方法及装置 |
CN114638276A (zh) * | 2020-12-16 | 2022-06-17 | 顺丰科技有限公司 | 物流网点分类方法、装置、计算机设备和存储介质 |
CN112801720A (zh) * | 2021-04-12 | 2021-05-14 | 连连(杭州)信息技术有限公司 | 一种店铺类目识别模型生成、店铺类目识别的方法及装置 |
CN113268656A (zh) * | 2021-04-15 | 2021-08-17 | 北京沃东天骏信息技术有限公司 | 一种用户推荐方法、装置、电子设备及计算机存储介质 |
CN113378050A (zh) * | 2021-06-11 | 2021-09-10 | 北京百度网讯科技有限公司 | 用户分类方法、装置和电子设备 |
CN113554455A (zh) * | 2021-06-30 | 2021-10-26 | 杭州拼便宜网络科技有限公司 | 基于人工智能的店铺商品分析方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115131068A (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220084308A1 (en) | Method and device for image search, and storage medium | |
CN110866181B (zh) | 资源推荐的方法、装置及存储介质 | |
CN112541056B (zh) | 医学术语标准化方法、装置、电子设备及存储介质 | |
CN110503459B (zh) | 基于大数据的用户信用度评估方法、装置及存储介质 | |
CN111914159B (zh) | 一种信息推荐方法及终端 | |
CN110580278A (zh) | 根据用户画像的个性化搜索方法、系统、设备及存储介质 | |
US20220284990A1 (en) | Method and system for predicting affinity between drug and target | |
CN116662839A (zh) | 基于多维智能采集的关联大数据聚类分析方法及装置 | |
CN115131068B (zh) | 一种店铺分类方法、装置和计算机存储介质 | |
CN109144999B (zh) | 一种数据定位方法、装置及存储介质、程序产品 | |
CN112836754A (zh) | 一种面向图像描述模型泛化能力评估方法 | |
CN112100202A (zh) | 一种产品识别及产品信息补全方法、存储介质及机器人 | |
CN116842330A (zh) | 一种可对比历史记录的保健信息处理方法及装置 | |
CN110442674B (zh) | 标签传播的聚类方法、终端设备、存储介质及装置 | |
CN107943943B (zh) | 用户相似度的确定方法、装置、电子设备及存储介质 | |
CN109299291A (zh) | 一种基于卷积神经网络的问答社区标签推荐方法 | |
CN112989022B (zh) | 虚拟文本智能选取方法、装置以及计算机设备 | |
CN107622048A (zh) | 一种文本模式识别方法及系统 | |
CN113722437A (zh) | 基于人工智能的用户标签识别方法、装置、设备及介质 | |
CN113393303A (zh) | 物品推荐方法、装置、设备及存储介质 | |
CN114139530A (zh) | 同义词提取方法、装置、电子设备及存储介质 | |
CN109885710B (zh) | 基于差分演化算法的用户画像刻画方法及服务器 | |
CN112131485A (zh) | 房源推荐方法及装置 | |
CN111784403A (zh) | 基于网上商城的用户类别分析方法、装置和计算机设备 | |
CN113657971B (zh) | 物品推荐方法、装置及电子设备 |
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 |