CN116188887A - 属性识别预训练模型生成方法、属性识别模型生成方法 - Google Patents

Abstract

本公开的实施例公开了属性识别预训练模型生成方法、属性识别模型生成方法。该方法的一具体实施方式包括：获取第一物品信息；将第一物品图像输入至图像特征提取模型，得到第一图像特征矩阵，以及将每个预存物品属性信息输入至属性特征提取模型，得到多个第一属性特征向量；将多个第一属性特征向量输入至掩码处理模型，得到多个掩码后属性特征向量集；将第一图像特征矩阵和多个掩码后属性特征向量集输入至掩码属性信息生成模型，生成至少一个掩码属性信息；对初始属性识别模型进行训练，得到训练后属性识别模型，作为属性识别预训练模型。该实施方式与人工智能有关，可以得到生成识别属性信息更为精准的属性识别预训练模型。

Description

属性识别预训练模型生成方法、属性识别模型生成方法

技术领域

本公开的实施例涉及计算机技术领域，具体涉及属性识别预训练模型生成方法、属性识别模型生成方法。

背景技术

目前，物品属性信息可以是物品的基础物品信息。物品属性信息在各个应用场景下有着至关重要的作用。对于目标物品的物品属性信息的识别，通常采用的方式为：将目标物品的图像信息输入至预先训练的属性识别模型，以输出物品属性信息。其中，属性识别模型可以是基于与属性相关的预训练模型生成的模型。

然而，发明人发现，当采用上述方式来识别物品属性信息，经常会存在如下技术问题：

属性识别模型仅通过物品的图像特征信息来识别物品属性信息，存在识别不够精准、识别效果不佳的问题。

该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了属性识别预训练模型生成方法、属性识别模型生成方法，来解决以上背景技术部分提到的技术问题。

第一方面，本公开的一些实施例提供了一种属性识别预训练模型生成方法，包括：获取针对第一目标物品的第一物品信息，其中，上述第一物品信息包括：第一物品图像和多个预存物品属性信息；将上述第一物品图像输入至初始属性识别模型包括的图像特征提取模型，得到第一图像特征矩阵，以及将上述多个预存物品属性信息中的每个预存物品属性信息输入至上述初始属性识别模型包括的属性特征提取模型，以生成第一属性特征向量，得到多个第一属性特征向量；将上述多个第一属性特征向量输入至上述初始属性识别模型包括的掩码处理模型，以对上述多个第一属性特征向量中的至少一个第一属性特征向量进行掩码处理，得到多个掩码后属性特征向量；将上述第一图像特征矩阵和上述多个掩码后属性特征向量输入至上述初始属性识别模型包括的掩码属性信息生成模型，生成至少一个掩码属性信息；根据上述至少一个第一属性特征向量和上述至少一个掩码属性信息，对上述初始属性识别模型进行训练，得到训练后属性识别模型，作为属性识别预训练模型。

可选地，上述将上述第一图像特征矩阵和上述多个掩码后属性特征向量输入至上述初始属性识别模型包括的掩码属性信息生成模型，生成至少一个掩码属性信息，包括：对上述第一图像特征矩阵进行线性变化，以生成变化向量集；将上述变化向量集与上述多个掩码后属性特征向量进行向量融合，得到第一融合向量；将上述第一融合向量输入至掩码属性信息生成模型包括的掩码向量生成模型，以生成上述至少一个掩码预测向量；将上述至少一个掩码预测向量中的每个掩码预测向量输入至掩码属性信息生成模型包括的分类模型，以生成掩码属性信息，得到上述至少一个掩码属性信息。

可选地，上述根据上述至少一个第一属性特征向量和上述至少一个掩码属性信息，对上述初始属性识别模型进行训练，得到训练后属性识别模型，作为属性识别预训练模型，包括：获取上述至少一个第一属性特征向量对应的至少一个第一属性信息；根据上述至少一个第一属性信息和上述至少一个掩码属性信息，生成针对上述第一目标物品的损失值；根据上述损失值，对上述初始属性识别模型进行训练，得到训练后属性识别模型，作为属性识别预训练模型。

第二方面，本公开的一些实施例提供了一种属性识别预训练模型生成装置，包括：第一获取单元，被配置成获取针对第一目标物品的第一物品信息，其中，上述第一物品信息包括：第一物品图像和多个预存物品属性信息；第一输入单元，被配置成将上述第一物品图像输入至初始属性识别模型包括的图像特征提取模型，得到第一图像特征矩阵，以及将上述多个预存物品属性信息中的每个预存物品属性信息输入至上述初始属性识别模型包括的属性特征提取模型，以生成第一属性特征向量，得到多个第一属性特征向量；第二输入单元，被配置成将上述多个第一属性特征向量输入至上述初始属性识别模型包括的掩码处理模型，以对上述多个第一属性特征向量中的至少一个第一属性特征向量进行掩码处理，得到多个掩码后属性特征向量；第三输入单元，被配置成将上述第一图像特征矩阵和上述多个掩码后属性特征向量输入至上述初始属性识别模型包括的掩码属性信息生成模型，生成至少一个掩码属性信息；第一训练单元，被配置成根据上述至少一个第一属性特征向量和上述至少一个掩码属性信息，对上述初始属性识别模型进行训练，得到训练后属性识别模型，作为属性识别预训练模型。

可选地，第三输入单元可以被配置成：对上述第一图像特征矩阵进行线性变化，以生成变化向量集；将上述变化向量集与上述多个掩码后属性特征向量进行向量融合，得到第一融合向量；将上述第一融合向量输入至掩码属性信息生成模型包括的掩码向量生成模型，以生成上述至少一个掩码预测向量；将上述至少一个掩码预测向量中的每个掩码预测向量输入至掩码属性信息生成模型包括的分类模型，以生成掩码属性信息，得到上述至少一个掩码属性信息。

可选地，第一训练单元可以被配置成：获取上述至少一个第一属性特征向量对应的至少一个第一属性信息；根据上述至少一个第一属性信息和上述至少一个掩码属性信息，生成针对上述第一目标物品的损失值；根据上述损失值，对上述初始属性识别模型进行训练，得到训练后属性识别模型，作为属性识别预训练模型。

第三方面，本公开的一些实施例提供了一种属性识别模型生成方法，包括：获取属性识别预训练模型和针对第二目标物品的物品标注信息；确定下游任务对应的任务信息，其中，上述下游任务为与物品属性相关联的任务；响应于确定上述任务信息为属性识别任务信息，对上述属性识别预训练模型进行第一模型结构调整，以生成调整后属性识别模型；根据上述物品标注信息，对上述调整后属性识别模型进行模型训练，得到属性识别模型。

可选地，上述方法还包括：响应于确定上述任务信息不为属性识别任务信息，根据上述任务信息，对上述属性识别预训练模型的模型结构进行第二模型结构调整，以生成针对上述任务信息的初始任务模型；根据上述物品标注信息，对上述初始任务模型进行训练，得到训练后任务模型。

可选地，上述对上述属性识别预训练模型进行第一模型结构调整，以生成调整后属性识别模型，包括：将上述属性识别预训练模型包括的掩码处理模型进行模型去除，以及对上述属性识别预训练模型包括的掩码属性信息生成模型进行模型修改，得到调整后属性识别模型。

可选地，上述物品标注信息包括：上述第二目标物品的第二物品图像和多个物品标注属性信息；以及上述根据上述物品标注信息，对上述调整后属性识别模型进行模型训练，得到属性识别模型，包括：将上述第二物品图像输入至初始调整后属性识别模型包括的图像特征提取模型，得到第二图像特征矩阵，以及将上述多个物品标注属性信息中的每个物品标注属性信息输入至上述调整后属性识别模型包括的属性特征提取模型，以生成第二属性特征向量，得到多个第二属性特征向量；对上述第二图像特征矩阵进行线性变化，得到第二变化向量集；将上述第二变化向量集和上述多个第二属性特征向量进行向量融合，以生成第二融合向量；将上述第二融合向量输入至初始调整后属性识别模型包括的属性关联信息生成模型，以生成属性关联特征向量；将上述属性关联特征向量输入至初始调整后属性识别模型包括的分类模型，以生成多个预测属性信息；获取针对上述第二目标物品的多个物品真实属性信息；根据上述多个预测属性信息和上述多个物品真实属性信息，对上述调整后属性识别模型进行模型训练，得到属性识别模型。

第四方面，本公开的一些实施例提供了一种属性识别模型生成装置，包括：第二获取单元，被配置成获取属性识别预训练模型和针对第二目标物品的物品标注信息；确定单元，被配置成确定下游任务对应的任务信息，其中，上述下游任务为与物品属性相关联的任务；模型结构调整单元，被配置成响应于确定上述任务信息为属性识别任务信息，对上述属性识别预训练模型进行第一模型结构调整，以生成调整后属性识别模型；第二训练单元，被配置成根据上述物品标注信息，对上述调整后属性识别模型进行模型训练，得到属性识别模型。

可选地，上述装置还包括：响应于确定上述任务信息不为属性识别任务信息，根据上述任务信息，对上述属性识别预训练模型的模型结构进行第二模型结构调整，以生成针对上述任务信息的初始任务模型；根据上述物品标注信息，对上述初始任务模型进行训练，得到训练后任务模型。

可选地，模型结构调整单元可以被配置成：将上述属性识别预训练模型包括的掩码处理模型进行模型去除，以及对上述属性识别预训练模型包括的掩码属性信息生成模型进行模型修改，得到调整后属性识别模型。

可选地，上述物品标注信息包括：上述第二目标物品的第二物品图像和多个物品标注属性信息；以及第二训练单元可以被配置成：将上述第二物品图像输入至初始调整后属性识别模型包括的图像特征提取模型，得到第二图像特征矩阵，以及将上述多个物品标注属性信息中的每个物品标注属性信息输入至上述调整后属性识别模型包括的属性特征提取模型，以生成第二属性特征向量，得到多个第二属性特征向量；对上述第二图像特征矩阵进行线性变化，得到第二变化向量集；将上述第二变化向量集和上述多个第二属性特征向量进行向量融合，以生成第二融合向量；将上述第二融合向量输入至初始调整后属性识别模型包括的属性关联信息生成模型，以生成属性关联特征向量；将上述属性关联特征向量输入至初始调整后属性识别模型包括的分类模型，以生成预测属性信息；获取针对上述第二目标物品的多个物品真实属性信息；根据上述预测属性信息和上述多个物品真实属性信息，对上述调整后属性识别模型进行模型训练，得到属性识别模型。

第五方面，本公开的一些实施例提供了一种全量物品属性信息生成方法，包括：获取针对第三目标物品的第三物品信息；将上述第三物品信息输入至预先训练的属性识别模型，以输出针对上述第三目标物品的全量物品属性信息，其中，上述属性识别模型是通过本公开一些实施例的属性识别预训练模型生成方法和属性识别模型生成方法生成的。

第六方面，本公开的一些实施例提供了一种全量物品属性信息生成装置，包括：第三获取单元，被配置成获取针对第三目标物品的第三物品信息；第四输入单元，被配置成将上述第三物品信息输入至预先训练的属性识别模型，以输出针对上述第三目标物品的全量物品属性信息，其中，上述属性识别模型是通过本公开一些实施例的属性识别预训练模型生成方法和属性识别模型生成方法生成的。

第七方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面、第三方面和第五方面中任一实现方式描述的方法。

第八方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面、第三方面和第五方面中任一实现方式描述的方法。

第九方面，本公开的一些实施例提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述第一方面、第三方面和第五方面中任一实现方式所描述的方法。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的属性识别预训练模型生成方法可以得到生成识别属性信息更为精准的属性识别预训练模型。具体来说，造成属性识别预训练模型识别属性信息不够精确的原因在于：属性识别模型仅通过物品的图像特征信息来识别物品属性信息，存在识别不够精准、识别效果不佳的问题。基于此，本公开的一些实施例的属性识别预训练模型生成方法，首先，获取针对第一目标物品的第一物品信息。其中，上述第一物品信息包括：第一物品图像和多个预存物品属性信息。在这里，获取第一物品信息以作为后续模型训练的数据基础。除此之外，针对第一目标物品的属性信息标注，通过多个预存物品属性信息可以大大减轻待标注数据较多的问题。接着，将上述第一物品图像输入至初始属性识别模型包括的图像特征提取模型，得到第一图像特征矩阵，以及将上述多个预存物品属性信息中的每个预存物品属性信息输入至上述初始属性识别模型包括的属性特征提取模型，以生成第一属性特征向量，得到多个第一属性特征向量。在这里，通过提取图像特征信息和属性特征信息，用于后续属性识别模型学习图像特征与属性特征之间的对应关系和属性特征与属性特征之间的对应关系。接着，将上述多个第一属性特征向量输入至上述初始属性识别模型包括的掩码处理模型，以对上述多个第一属性特征向量中的至少一个第一属性特征向量进行掩码处理，得到多个掩码后属性特征向量。在这里，通过对至少一个第一属性特征向量进行掩码处理，便于后续确定属性特征与属性特征之间的对应关系。进而，将上述第一图像特征矩阵和上述多个掩码后属性特征向量输入至上述初始属性识别模型包括的掩码属性信息生成模型，生成至少一个掩码属性信息。在这里，通过掩码属性信息生成模型不禁可以有效地学习到第一图像特征矩阵与每个掩码后属性特征向量之间的关联关系，还可以有效地学习到各个掩码后属性特征向量之间的属性关联关系。最后，根据上述至少一个第一属性特征向量和上述至少一个掩码属性信息，对上述初始属性识别模型进行训练，得到训练后属性识别模型，作为属性识别预训练模型。所得到的属性识别预训练模型可以有效地针对图像特征与属性特征之间的对应关系和属性特征与属性特征之间的对应关系，来准确地识别出物品属性信息。综上所述，属性识别模型在训练过程中不仅考虑了图像特征与属性特征之间的对应关系，还充分考虑了属性特征与属性特征之间的对应关系。由此，可以得到生成的识别属性信息更为精准的属性识别预训练模型。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是根据本公开的一些实施例的属性识别预训练模型生成方法的一个应用场景的示意图；

图2是根据本公开的属性识别预训练模型生成方法的一些实施例的流程图；

图3是根据本公开的属性识别预训练模型生成方法的另一些实施例的流程图；

图4是根据本公开的属性识别模型生成方法的一些实施例的流程图；

图5是根据本公开的全量物品属性信息生成方法的一些实施例的流程图；

图6是根据本公开的属性识别预训练模型生成装置的一些实施例的结构示意图；

图7是根据本公开的属性识别模型生成装置的一些实施例的结构示意图；

图8是根据本公开的全量物品属性信息生成装置的一些实施例的结构示意图；

图9是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

本公开中所涉及的物品信息(例如物品图像、物品属性信息)的收集、存储、使用等操作，在执行相应操作之前，相关组织或个人尽到包括开展物品信息安全影响评估、向物品信息主体履行告知义务、事先征得物品信息主体的授权同意等义务。

下面将参考附图并结合实施例来详细说明本公开。

图1是根据本公开一些实施例的属性识别预训练模型生成方法的一个应用场景的示意图。

在图1的应用场景中，首先，电子设备101可以获取针对第一目标物品102的第一物品信息。其中，上述第一物品信息包括：第一物品图像103和多个预存物品属性信息104。在本应用场景中，多个预存物品属性信息104包括：预存物品属性信息1041，预存物品属性信息1042，预存物品属性信息1043，预存物品属性信息1044。预存物品属性信息1041可以是“颜色：绿色”。预存物品属性信息1042可以是“品类：绿茶”。预存物品属性信息1043可以是“价格：123元”。预存物品属性信息1044可以是“重量：500g”。然后，电子设备101可以将上述第一物品图像103输入至初始属性识别模型105包括的图像特征提取模型106，得到第一图像特征矩阵107，以及将上述多个预存物品属性信息104中的每个预存物品属性信息输入至上述初始属性识别模型105包括的属性特征提取模型108，以生成第一属性特征向量，得到多个第一属性特征向量109。在本应用场景中，第一图像特征矩阵107可以是“[[1,2,3,42,123]，[3,4,2,12,533],[7,12,34,2,3]]”。多个第一属性特征向量109可以包括：预存物品属性信息1041对应的第一属性特征向量1091，预存物品属性信息1042对应的第一属性特征向量1092，预存物品属性信息1043对应的第一属性特征向量1093，预存物品属性信息1044对应的第一属性特征向量1094。第一属性特征向量1091可以是“[4,2,13,53,66]”。第二属性特征向量1092可以是“[9,3,42,123,3]”。第三属性特征向量1093可以是“[89,34,2,3,12]”。第四属性特征向量1094可以是“[55,33,12,4,3]”。接着，电子设备101可以将上述多个第一属性特征向量109输入至上述初始属性识别模型105包括的掩码处理模型110，以对上述多个第一属性特征向量109中的至少一个第一属性特征向量进行掩码处理，得到多个掩码后属性特征向量111。在本应用场景中，多个掩码后属性特征向量111可以包括：掩码后属性特征向量1111，掩码后属性特征向量1112，掩码后属性特征向量1113，掩码后属性特征向量1114。掩码后属性特征向量1111可以是“[4,2,13,53,66]”。掩码后属性特征向量1112可以是“[M,M,M,M,M]”。掩码后属性特征向量1113可以是“[89,34,2,3,12]”。掩码后属性特征向量1114可以是“[M,M,M,M,M]”。至少一个第一属性特征向量可以包括：第一属性特征向量1092和第一属性特征向量1094。进而，电子设备101可以将上述第一图像特征矩阵107和上述多个掩码后属性特征向量111输入至上述初始属性识别模型105包括的掩码属性信息生成模型112，生成至少一个掩码属性信息113。在本应用场景中，至少一个掩码属性信息113可以包括：掩码后属性特征向量1112对应的掩码属性信息1131和掩码后属性特征向量1114对应的掩码属性信息1132。掩码属性信息1131可以是“品类：绿茶”。掩码属性信息1132可以是“重量：510g”。最后，电子设备101可以根据上述至少一个第一属性特征向量和上述至少一个掩码属性信息113，对上述初始属性识别模型105进行训练，得到训练后属性识别模型，作为属性识别预训练模型。

需要说明的是，上述电子设备101可以是硬件，也可以是软件。当电子设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当电子设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的电子设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的电子设备。

继续参考图2，示出了根据本公开的属性识别预训练模型生成方法的一些实施例的流程200。该属性识别预训练模型生成方法，包括以下步骤：

步骤201，获取针对第一目标物品的第一物品信息。

在一些实施例中，上述属性识别预训练模型生成方法的执行主体(例如图1所示的电子设备101)可以通过有线连接方式或者无线连接方式来获取针对第一目标物品的第一物品信息，其中，上述第一物品信息包括：第一物品图像和多个预存物品属性信息。上述第一物品图像可以是第一物品的图像。预存物品属性信息可以是针对第一目标物品的、预先存储的物品属性信息。上述多个预存物品属性信息可以是全量物品属性信息，也可以不是全量物品属性信息。全量物品属性信息可以是物品的所有物品属性的属性信息。物品属性信息可以是物品属性的属性值。例如，物品属性可以是但不限于以下至少一项：物品型号，物品颜色，物品尺寸，物品价值。

例如，针对电商场景，第一目标物品可以是商品。第一物品图像可以是商品图像。多个预存物品属性信息可以包括：商品的型号信息，商品的颜色信息，商品的尺寸信息，商品的价格信息。

步骤202，将上述第一物品图像输入至初始属性识别模型包括的图像特征提取模型，得到第一图像特征矩阵，以及将上述多个预存物品属性信息中的每个预存物品属性信息输入至上述初始属性识别模型包括的属性特征提取模型，以生成第一属性特征向量，得到多个第一属性特征向量。

在一些实施例中，上述执行主体可以将上述第一物品图像输入至初始属性识别模型包括的图像特征提取模型，得到第一图像特征矩阵，以及将上述多个预存物品属性信息中的每个预存物品属性信息输入至上述初始属性识别模型包括的属性特征提取模型，以生成第一属性特征向量，得到多个第一属性特征向量。其中，初始物品属性识别模型可以是模型参数未更新完的物品属性识别模型。上述物品属性识别模型可以是识别物品属性信息的神经网络模型。例如，物品属性识别模型可以是多并行连接的卷积神经网络。上述图像特征提取模型可以是提取图像特征信息的模型。例如，图像特征提取模型可以是卷积神经网络。属性特征提取模型可以是提取属性特征信息的模型。例如，属性特征提取模型可以是卷积神经网络。

步骤203，将上述多个第一属性特征向量输入至上述初始属性识别模型包括的掩码处理模型，以对上述多个第一属性特征向量中的至少一个第一属性特征向量进行掩码处理，得到多个掩码后属性特征向量。

在一些实施例中，上述执行主体可以将上述多个第一属性特征向量输入至上述初始属性识别模型包括的掩码处理模型，以对上述多个第一属性特征向量中的至少一个第一属性特征向量进行掩码处理，得到多个掩码后属性特征向量。其中，掩码处理模型可以是对属性特征向量进行掩码处理的模型。例如，第一属性特征向量可以是“[3，4，6，7，13]”。掩码后属性特征向量可以是“[M，M，M，M，M]”。其中，至少一个第一属性特征向量存在对应的至少一个掩码后属性特征向量。例如，掩码处理模型可以是卷积神经网络。

需要说明的是，上述多个第一属性特征向量集所包括的第一属性特征向量的数目可以大于或等于至少一个属性特征向量所包括的属性特征向量的数目。

作为示例，首先，上述执行主体可以利用掩码处理模型，从上述多个第一属性特征向量中随机选择至少一个属性特征向量。然后，上述执行主体可以利用掩码处理模型，对至少一个属性特征向量进行掩码处理，得到至少一个掩码后属性特征向量。最后，将多个第一属性特征向量中未被选择的第一属性特征向量子集和至少一个掩码后属性特征向量进行融合，得到融合向量集，作为多个掩码后属性特征向量。

步骤204，将上述第一图像特征矩阵和上述多个掩码后属性特征向量输入至上述初始属性识别模型包括的掩码属性信息生成模型，生成至少一个掩码属性信息。

在一些实施例中，上述执行主体可以将上述第一图像特征矩阵和上述多个掩码后属性特征向量输入至上述初始属性识别模型包括的掩码属性信息生成模型，生成至少一个掩码属性信息。其中，至少一个掩码属性信息可以是针对上述至少一个掩码后属性特征向量的属性预测信息。上述掩码属性信息生成模型可以是针对掩码后属性特征向量，来生成对应属性预测信息的模型。例如，上述掩码属性信息生成模型可以是Transformer模型，还可以是图卷积网络(GCN，Graph Convolutional Network)模型。

步骤205，根据上述至少一个第一属性特征向量和上述至少一个掩码属性信息，对上述初始属性识别模型进行训练，得到训练后属性识别模型，作为属性识别预训练模型。

在一些实施例中，上述执行主体可以根据上述至少一个第一属性特征向量和上述至少一个掩码属性信息，对上述初始属性识别模型进行训练，得到训练后属性识别模型，作为属性识别预训练模型。

作为示例，首先，上述执行主体可以对上述至少一个掩码属性信息中的每个掩码属性信息进行向量转换，以生成掩码向量，得到至少一个掩码向量。然后，上述执行主体可以确定至少一个掩码向量和至少一个第一属性特征向量中对应向量之间的相似度，得到至少一个相似度。接着，上述执行主体可以确定至少一个相似度对应的方差。最后，将上述方差作为损失值，对上述初始属性识别模型进行训练，得到训练后属性识别模型，作为属性识别预训练模型。

在一些实施例的一些可选的实现方式中，上述根据上述至少一个第一属性特征向量和上述至少一个掩码属性信息，对上述初始属性识别模型进行训练，得到训练后属性识别模型，作为属性识别预训练模型，可以包括以下步骤：

第一步，获取上述至少一个第一属性特征向量对应的至少一个第一属性信息。

其中，至少一个第一属性特征向量中的第一属性特征向量和上述至少一个第一属性信息中的第一属性信息之间存在一一对应关系。

第二步，根据上述至少一个第一属性信息和上述至少一个掩码属性信息，生成针对上述第一目标物品的损失值。

作为示例，首先，上述执行主体可以确定上述至少一个第一属性信息对应的至少一个属性向量。然后，上述执行主体可以确定至少一个掩码属性信息对应的至少一个掩码属性向量。最后，上述执行主体可以将至少一个属性向量和至少一个掩码属性向量输入至交叉熵损失函数，以生成针对上述第一目标物品的损失值。

第三步，根据上述损失值，对上述初始属性识别模型进行训练，得到训练后属性识别模型，作为属性识别预训练模型。

作为示例，响应于确定损失值小于等于预设数值，将上述初始属性识别模型确定为训练后属性识别模型，作为属性识别预训练模型。响应于确定损失值大于预设数值，可以根据损失值，对初始属性识别模型中的模型参数进行参数更新，以得到更新后的模型，作为属性识别预训练模型。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的属性识别预训练模型生成方法可以得到生成识别属性信息更为精准的属性识别预训练模型。具体来说，造成属性识别预训练模型识别属性信息不够精确的原因在于：属性识别模型仅通过物品的图像特征信息来识别物品属性信息，存在识别不够精准、识别效果不佳的问题。基于此，本公开的一些实施例的属性识别预训练模型生成方法，首先，获取针对第一目标物品的第一物品信息。其中，上述第一物品信息包括：第一物品图像和多个预存物品属性信息。在这里，获取第一物品信息以作为后续模型训练的数据基础。除此之外，针对第一目标物品的属性信息标注，通过多个预存物品属性信息可以大大减轻待标注数据较多的问题。接着，将上述第一物品图像输入至初始属性识别模型包括的图像特征提取模型，得到第一图像特征矩阵，以及将上述多个预存物品属性信息中的每个预存物品属性信息输入至上述初始属性识别模型包括的属性特征提取模型，以生成第一属性特征向量，得到多个第一属性特征向量。在这里，通过提取图像特征信息和属性特征信息，用于后续属性识别模型学习图像特征与属性特征之间的对应关系和属性特征与属性特征之间的对应关系。接着，将上述多个第一属性特征向量输入至上述初始属性识别模型包括的掩码处理模型，以对上述多个第一属性特征向量中的至少一个第一属性特征向量进行掩码处理，得到多个掩码后属性特征向量。在这里，通过对至少一个第一属性特征向量进行掩码处理，便于后续确定属性特征与属性特征之间的对应关系。进而，将上述第一图像特征矩阵和上述多个掩码后属性特征向量输入至上述初始属性识别模型包括的掩码属性信息生成模型，生成至少一个掩码属性信息。在这里，通过掩码属性信息生成模型不禁可以有效地学习到第一图像特征矩阵与每个掩码后属性特征向量之间的关联关系，还可以有效地学习到各个掩码后属性特征向量之间的属性关联关系。最后，根据上述至少一个第一属性特征向量和上述至少一个掩码属性信息，对上述初始属性识别模型进行训练，得到训练后属性识别模型，作为属性识别预训练模型。所得到的属性识别预训练模型可以有效地针对图像特征与属性特征之间的对应关系和属性特征与属性特征之间的对应关系，来准确地识别出物品属性信息。综上所述，属性识别模型在训练过程中不仅考虑了图像特征与属性特征之间的对应关系，还充分考虑了属性特征与属性特征之间的对应关系。由此，可以得到生成识别属性更为精准的属性识别预训练模型。

进一步参考图3，示出了根据本公开的属性识别预训练模型生成方法的另一些实施例的流程300。该属性识别预训练模型生成方法，包括以下步骤：

步骤301，获取针对第一目标物品的第一物品信息。

步骤302，将上述第一物品图像输入至初始属性识别模型包括的图像特征提取模型，得到第一图像特征矩阵，以及将上述多个预存物品属性信息中的每个预存物品属性信息输入至上述初始属性识别模型包括的属性特征提取模型，以生成第一属性特征向量，得到多个第一属性特征向量。

步骤303，将上述多个第一属性特征向量输入至上述初始属性识别模型包括的掩码处理模型，以对上述多个第一属性特征向量中的至少一个第一属性特征向量进行掩码处理，得到多个掩码后属性特征向量。

在一些实施例中，步骤301-303的具体实现及其所带来的技术效果，可以参考图2对应的实施例中的步骤201-203，在此不再赘述。

步骤304，对上述第一图像特征矩阵进行线性变化，以生成变化向量集。

在一些实施例中，执行主体(例如图1所示的电子设备101)可以对上述第一图像特征矩阵进行线性变化，以生成变化向量集。

作为示例，首先，上述执行主体可以依据第一目标物品对应物品属性的属性数量。然后，依据属性数量，将上述第一图像特征矩阵线性变化为多个向量，以生成变化向量，得到变化向量集。

步骤305，将上述变化后向量与上述多个掩码后属性特征向量进行向量融合，得到第一融合向量。

在一些实施例中，上述执行主体可以将上述变化后向量与上述多个掩码后属性特征向量进行向量融合，得到第一融合向量。

步骤306，将上述第一融合向量输入至掩码属性信息生成模型包括的掩码向量生成模型，以生成上述至少一个掩码预测向量。

在一些实施例中，上述执行主体可以将上述第一融合向量输入至掩码属性信息生成模型包括的掩码向量生成模型，以生成上述至少一个掩码预测向量。其中，掩码向量生成模型可以是生成掩码预测向量的模型。掩码预测向量可以是掩码后属性特征向量对应的预测属性特征向量。例如，第一属性特征向量可以是“[3，4，6，7，13]”。掩码后属性特征向量可以是“[M，M，M，M，M]”。则掩码预测向量可以是“[3，4，5，7，13]”。例如，上述掩码向量生成模型可以是卷积神经网络。

步骤307，将上述至少一个掩码预测向量中的每个掩码预测向量输入至掩码属性信息生成模型包括的分类模型，以生成掩码属性信息，得到上述至少一个掩码属性信息。

在一些实施例中，上述执行主体可以将上述至少一个掩码预测向量中的每个掩码预测向量输入至掩码属性信息生成模型包括的分类模型，以生成掩码属性信息，得到上述至少一个掩码属性信息。其中，分类模型可以是用于确定掩码预测向量对应属性信息的模型。例如，上述分类模型可以是卷积神经网络。

步骤308，根据上述至少一个第一属性特征向量和上述至少一个掩码属性信息，对上述初始属性识别模型进行训练，得到训练后属性识别模型，作为属性识别预训练模型。

在一些实施例中，步骤308的具体实现及其所带来的技术效果，可以参考图2对应的实施例中的步骤204，在此不再赘述。

从图3中可以看出，与图2对应的一些实施例的描述相比，图3对应的一些实施例中的属性识别预训练模型生成方法的流程300，公开了掩码属性信息生成模型生成至少一个掩码属性信息的具体步骤。在这里，通过利用掩码属性信息生成模型中的掩码向量生成模型，可以有效地依据图像特征与属性特征之间的对应关系、属性特征与属性特征之间的对应关系，来准确地生成掩码预测向量。基于所生成的至少一个掩码预测向量，通过分类模型可以生成更为精准的至少一个掩码属性信息。

继续参考图4，示出了根据本公开的属性识别模型生成方法的一些实施例的流程400。该属性识别模型生成方法，包括以下步骤：

步骤401，获取属性识别预训练模型和针对第二目标物品的物品标注信息。

在一些实施例中，上述属性识别模型生成方法的执行主体(例如图1所示的电子设备101)可以获取属性识别预训练模型和针对第二目标物品的物品标注信息。其中，上述属性识别预训练模型可以是上游预先训练的、基于预存物品属性信息所训练的属性识别模型。物品标注信息可以是对第二目标物品进行物品属性标注的标注信息。

步骤402，确定下游任务对应的任务信息。

在一些实施例中，上述执行主体可以确定下游任务对应的任务信息。其中，上述下游任务为与物品属性相关联的任务。即下游任务可以是涉及物品属性的任务。例如，下游任务可以是图搜任务，还可以是物品检测任务。上述任务信息可以是下游任务的任务内容信息，还可以是下游任务的任务标识。

步骤403，响应于确定上述任务信息为属性识别任务信息，对上述属性识别预训练模型进行第一模型结构调整，以生成调整后属性识别模型。

在一些实施例中，响应于确定上述任务信息为属性识别任务信息，上述执行主体可以对上述属性识别预训练模型进行第一模型结构调整，以生成调整后属性识别模型。其中，属性识别任务信息可以是属性识别任务的任务内容信息，还可以是属性识别任务的标识信息。

作为示例，上述执行主体可以在图像特征提取模型之后，再多增加预定数目个图像特征提取模型，以深度提取图像特征信息。同时，上述执行主体可以在属性特征提取模型之后，再多增加预定数目个属性特征提取模型，以深度提取属性特征信息。

在一些实施例的一些可选的实现方式中，上述执行主体可以将上述属性识别预训练模型包括的掩码处理模型进行模型去除，以及对上述属性识别预训练模型包括的掩码属性信息生成模型进行模型修改，得到调整后属性识别模型。

作为示例，执行主体可以将掩码属性信息生成模型修改为向量融合模型、关联特征信息提取模型和分类模型。其中，向量融合模型可以是进行向量融合的模型。上述关联特征信息提取模型可以是提取图像特征与属性特征之间关联关系、属性特征与属性特征之间关联关系的模型。例如，关联特征信息提取模型可以是Transformer模型。上述关联特征信息提取模型的输出可以是向量形式。分类模型可以是针对关联特征向量来生成属性信息的模型。上述关联特征向量可以是关联特征信息提取模型的输出。

步骤404，根据上述物品标注信息，对上述调整后属性识别模型进行模型训练，得到属性识别模型。

在一些实施例中，上述执行主体可以根据上述物品标注信息，对上述调整后属性识别模型进行模型训练，得到属性识别模型。

在一些实施例的一些可选的实现方式中，在步骤404之后，步骤还包括：

第一步，响应于确定上述任务信息不为属性识别任务信息，根据上述任务信息，对上述属性识别预训练模型的模型结构进行第二模型结构调整，以生成针对上述任务信息的初始任务模型。其中，初始任务模型可以是任务模型的模型参数还未更新结束的模型。上述任务模型可以是执行任务信息对应任务的模型。任务信息为图搜任务的任务内容信息。上述任务模型可以是图搜任务模型。

第二步，根据上述物品标注信息，对上述初始任务模型进行训练，得到训练后任务模型。

作为示例，上述执行主体可以将物品标注信息作为训练数据，对上述初始任务模型进行训练，得到训练后任务模型。

在一些实施例的一些可选的实现方式中，上述物品标注信息包括：上述第二目标物品的第二物品图像和多个物品标注属性信息。物品标注属性信息可以是对第二目标物品进行属性标注的标注信息。

可选地，上述根据上述物品标注信息，对上述调整后属性识别模型进行模型训练，得到属性识别模型，可以包括以下步骤：

第一步，将上述第二物品图像输入至初始调整后属性识别模型包括的图像特征提取模型，得到第二图像特征矩阵，以及将上述多个物品标注属性信息中的每个物品标注属性信息输入至上述调整后属性识别模型包括的属性特征提取模型，以生成第二属性特征向量，得到多个第二属性特征向量。

其中，上述图像特征提取模型可以是提取图像特征信息的模型。例如，图像特征提取模型可以是卷积神经网络。属性特征提取模型可以是提取属性特征信息的模型。例如，属性特征提取模型可以是卷积神经网络。

第二步，将上述第二图像特征矩阵和上述多个第二属性特征向量进行向量融合，以生成第二融合向量。

第三步，将上述第二融合向量输入至初始调整后属性识别模型包括的属性关联信息生成模型，以生成属性关联特征向量。

其中，属性关联信息生成模型可以是生成各个属性之间关联关系信息的模型。例如，上述属性关联信息生成模型可以是Transformer模型。

第四步，将上述属性关联特征向量输入至初始调整后属性识别模型包括的分类模型，以生成多个预测属性信息。

其中，分类模型可以属性信息分类模型。例如，上述分类模型可以是卷积神经网络。

第五步，获取针对上述第二目标物品的多个物品真实属性信息。

其中，多个物品真实属性信息中的物品真实属性信息与多个预测属性信息中的预测属性信息存在一一对应关系。

第六步，根据上述多个预测属性信息和上述多个物品真实属性信息，对上述调整后属性识别模型进行模型训练，得到属性识别模型。

作为示例，首先，上述执行主体可以确定上述多个预测属性信息对应的多个预测属性向量。然后，上述执行主体可以确定多个物品真实属性信息对应的多个物品真实属性向量。接着，上述执行主体可以将多个预测属性向量和多个物品真实属性向量输入至交叉熵损失函数，以生成针对上述第二目标物品的损失值。最后，根据损失值，对上述调整后属性识别模型进行模型训练，得到属性识别模型。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的属性识别模型生成方法，首先，获取属性识别预训练模型和针对第二目标物品的物品标注信息。通过获取属性识别预训练模型，以便于针对下游任务对属性识别预训练模型的模型结构进行调整。通过获取针对第二目标物品的物品标注信息，便于后续模型的训练。接着，确定下游任务对应的任务信息。其中，上述下游任务为与物品属性相关联的任务。通过确定下游任务的任务信息，便于确定如何对属性识别预训练模型进行模型结构调整，以生成针对任务信息的任务模型。进而，响应于确定上述任务信息为属性识别任务信息，对上述属性识别预训练模型进行第一模型结构调整，以生成调整后属性识别模型，以便于后续执行下游任务。最后，根据上述物品标注信息，对上述调整后属性识别模型进行模型训练，得到属性识别模型，以得到生成识别属性信息更为精准的属性识别模型。

继续参考图5，示出了根据本公开的全量物品属性信息生成方法的一些实施例的流程500。该全量物品属性信息生成方法，包括以下步骤：

步骤501，获取针对第三目标物品的第三物品信息。

在一些实施例中，上述全量物品属性信息生成方法的执行主体(例如图1所示的电子设备101)可以通过有线方式或无线方式来获取针对第三目标物品的第三物品信息。其中，上述第三物品信息包括：第三物品图像和多个预存物品属性信息。上述第三物品图像可以是第三物品的图像。预存物品属性信息可以是针对第三目标物品的、预先存储的物品属性信息。上述多个预存物品属性信息可以是全量物品属性信息，也可以不是全量物品属性信息。全量物品属性信息可以是物品的所有物品属性的属性信息。

步骤502，将上述第三物品信息输入至预先训练的属性识别模型，以输出针对上述第三目标物品的全量物品属性信息。

在一些实施例中，上述执行主体可以将上述第三物品信息输入至预先训练的属性识别模型，以输出针对上述第三目标物品的全量物品属性信息。其中，上述属性识别模型是通过本公开一些实施例的属性识别预训练模型生成方法和属性识别模型生成方法生成的。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的全量物品属性信息生成方法可以精准地生成针对第三目标物品的、更全面的全量物品属性信息。

进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种属性识别预训练模型生成装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该属性识别预训练模型生成装置具体可以应用于各种电子设备中。

如图6所示，一种属性识别预训练模型生成装置600包括：第一获取单元601、第一输入单元602、第二输入单元603、第三输入单元604和第一训练单元605。其中，第一获取单元601，被配置成获取针对第一目标物品的第一物品信息，其中，上述第一物品信息包括：第一物品图像和多个预存物品属性信息；第一输入单元602，被配置成将上述第一物品图像输入至初始属性识别模型包括的图像特征提取模型，得到第一图像特征矩阵，以及将上述多个预存物品属性信息中的每个预存物品属性信息输入至上述初始属性识别模型包括的属性特征提取模型，以生成第一属性特征向量，得到多个第一属性特征向量；第二输入单元603，被配置成将上述多个第一属性特征向量输入至上述初始属性识别模型包括的掩码处理模型，以对上述多个第一属性特征向量中的至少一个第一属性特征向量进行掩码处理，得到多个掩码后属性特征向量；第三输入单元604，被配置成将上述第一图像特征矩阵和上述多个掩码后属性特征向量输入至上述初始属性识别模型包括的掩码属性信息生成模型，生成至少一个掩码属性信息；第一训练单元605，被配置成根据上述至少一个第一属性特征向量和上述至少一个掩码属性信息，对上述初始属性识别模型进行训练，得到训练后属性识别模型，作为属性识别预训练模型。

在一些实施例的一些可选的实现方式中，上述属性识别预训练模型生成装置600中的第三输入单元604可以进一步被配置成：对上述第一图像特征矩阵进行线性变化，以生成变化向量集；将上述变化向量集与上述多个掩码后属性特征向量进行向量融合，得到第一融合向量；将上述第一融合向量输入至掩码属性信息生成模型包括的掩码向量生成模型，以生成上述至少一个掩码预测向量；将上述至少一个掩码预测向量中的每个掩码预测向量输入至掩码属性信息生成模型包括的分类模型，以生成掩码属性信息，得到上述至少一个掩码属性信息。

在一些实施例的一些可选的实现方式中，上述属性识别预训练模型生成装置600中的第一训练单元605可以进一步被配置成：获取上述至少一个第一属性特征向量对应的至少一个第一属性信息；根据上述至少一个第一属性信息和上述至少一个掩码属性信息，生成针对上述第一目标物品的损失值；根据上述损失值，对上述初始属性识别模型进行训练，得到训练后属性识别模型，作为属性识别预训练模型。

可以理解的是，该属性识别预训练模型生成装置600中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于属性识别预训练模型生成装置600及其中包含的单元，在此不再赘述。

进一步参考图7，作为对上述各图所示方法的实现，本公开提供了一种属性识别模型生成装置的一些实施例，这些装置实施例与图4所示的那些方法实施例相对应，该属性识别模型生成装置具体可以应用于各种电子设备中。

如图7所示，一种属性识别模型生成装置700包括：第二获取单元701、确定单元702、模型结构调整单元703和第二训练单元704。其中，第二获取单元701，被配置成获取属性识别预训练模型和针对第二目标物品的物品标注信息；确定单元702，被配置成确定下游任务对应的任务信息，其中，上述下游任务为与物品属性相关联的任务；模型结构调整单元703，被配置成响应于确定上述任务信息为属性识别任务信息，对上述属性识别预训练模型进行第一模型结构调整，以生成调整后属性识别模型；第二训练单元704，被配置成根据上述物品标注信息，对上述调整后属性识别模型进行模型训练，得到属性识别模型。

在一些实施例的一些可选的实现方式中，上述属性识别模型生成装置700还可以包括：调整单元和第三训练单元(图中未示出)。以及调整单元可以被配置成：响应于确定上述任务信息不为属性识别任务信息，根据上述任务信息，对上述属性识别预训练模型的模型结构进行第二模型结构调整，以生成针对上述任务信息的初始任务模型。第三训练单元可以被配置成：根据上述物品标注信息，对上述初始任务模型进行训练，得到训练后任务模型。

在一些实施例的一些可选的实现方式中，上述属性识别模型生成装置700中的模型结构调整单元703可以进一步被配置成：将上述属性识别预训练模型包括的掩码处理模型进行模型去除，以及对上述属性识别预训练模型包括的掩码属性信息生成模型进行模型修改，得到调整后属性识别模型。

在一些实施例的一些可选的实现方式中，上述物品标注信息包括：上述第二目标物品的第二物品图像和多个物品标注属性信息；以及上述属性识别模型生成装置700中的第二训练单元704可以进一步被配置成：将上述第二物品图像输入至初始调整后属性识别模型包括的图像特征提取模型，得到第二图像特征矩阵，以及将上述多个物品标注属性信息中的每个物品标注属性信息输入至上述调整后属性识别模型包括的属性特征提取模型，以生成第二属性特征向量，得到多个第二属性特征向量；对上述第二图像特征矩阵进行线性变化，得到第二变化向量集；将上述第二变化向量集和上述多个第二属性特征向量进行向量融合，以生成第二融合向量；将上述第二融合向量输入至初始调整后属性识别模型包括的属性关联信息生成模型，以生成属性关联特征向量；将上述属性关联特征向量输入至初始调整后属性识别模型包括的分类模型，以生成多个预测属性信息；获取针对上述第二目标物品的多个物品真实属性信息；根据上述多个预测属性信息和上述多个物品真实属性信息，对上述调整后属性识别模型进行模型训练，得到属性识别模型。

可以理解的是，该属性识别模型生成装置700中记载的诸单元与参考图4描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于属性识别模型生成装置700及其中包含的单元，在此不再赘述。

进一步参考图8，作为对上述各图所示方法的实现，本公开提供了一种全量物品属性信息生成装置的一些实施例，这些装置实施例与图5所示的那些方法实施例相对应，该全量物品属性信息生成装置具体可以应用于各种电子设备中。

如图8所示，一种全量物品属性信息生成装置800包括：第三获取单元801和第四输入单元802。其中，第三获取单元801，被配置成获取针对第三目标物品的第三物品信息；第四输入单元802，被配置成将上述第三物品信息输入至预先训练的属性识别模型，以输出针对上述第三目标物品的全量物品属性信息，其中，上述属性识别模型是是通过本公开一些实施例的属性识别预训练模型生成方法和属性识别模型生成方法生成的。

可以理解的是，该全量物品属性信息生成装置800中记载的诸单元与参考图5描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于全量物品属性信息生成装置800及其中包含的单元，在此不再赘述。

下面参考图9，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的电子设备101)900的结构示意图。图9示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图9所示，电子设备900可以包括处理装置(例如中央处理器、图形处理器等)901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储装置908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中，还存储有电子设备900操作所需的各种程序和数据。处理装置901、ROM 902以及RAM903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

通常，以下装置可以连接至I/O接口905：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置906；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置907；包括例如磁带、硬盘等的存储装置908；以及通信装置909。通信装置909可以允许电子设备900与其他设备进行无线或有线通信以交换数据。虽然图9示出了具有各种装置的电子设备900，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图9中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置909从网络上被下载和安装，或者从存储装置908被安装，或者从ROM 902被安装。在该计算机程序被处理装置901执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例上述的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或者是上述两者的任意组合。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可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本公开的一些实施例中，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。而在本公开的一些实施例中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取针对第一目标物品的第一物品信息，其中，上述第一物品信息包括：第一物品图像和多个预存物品属性信息；将上述第一物品图像输入至初始属性识别模型包括的图像特征提取模型，得到第一图像特征矩阵，以及将上述多个预存物品属性信息中的每个预存物品属性信息输入至上述初始属性识别模型包括的属性特征提取模型，以生成第一属性特征向量，得到多个第一属性特征向量；将上述多个第一属性特征向量输入至上述初始属性识别模型包括的掩码处理模型，以对上述多个第一属性特征向量中的至少一个第一属性特征向量进行掩码处理，得到多个掩码后属性特征向量；将上述第一图像特征矩阵和上述多个掩码后属性特征向量输入至上述初始属性识别模型包括的掩码属性信息生成模型，生成至少一个掩码属性信息；根据上述至少一个第一属性特征向量和上述至少一个掩码属性信息，对上述初始属性识别模型进行训练，得到训练后属性识别模型，作为属性识别预训练模型。获取属性识别预训练模型和针对第二目标物品的物品标注信息；确定下游任务对应的任务信息，其中，上述下游任务为与物品属性相关联的任务；响应于确定上述任务信息为属性识别任务信息，对上述属性识别预训练模型进行第一模型结构调整，以生成调整后属性识别模型；根据上述物品标注信息，对上述调整后属性识别模型进行模型训练，得到属性识别模型。获取针对第三目标物品的第三物品信息；将上述第三物品信息输入至预先训练的属性识别模型，以输出针对上述第三目标物品的全量物品属性信息，其中，上述属性识别模型是通过本公开一些实施例的属性识别预训练模型生成方法和属性识别模型生成方法生成的。

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公开的一些实施例的操作的计算机程序代码，上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)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一获取单元、第一输入单元、第二输入单元、第三输入单元和第一训练单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取针对第一目标物品的第一物品信息的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

本公开的一些实施例还提供一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述的任一种属性识别预训练模型生成方法、属性识别模型生成方法和全量物品属性信息生成方法。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (14)

1.一种属性识别预训练模型生成方法，包括：

获取针对第一目标物品的第一物品信息，其中，所述第一物品信息包括：第一物品图像和多个预存物品属性信息；

将所述第一物品图像输入至初始属性识别模型包括的图像特征提取模型，得到第一图像特征矩阵，以及将所述多个预存物品属性信息中的每个预存物品属性信息输入至所述初始属性识别模型包括的属性特征提取模型，以生成第一属性特征向量，得到多个第一属性特征向量；

将所述多个第一属性特征向量输入至所述初始属性识别模型包括的掩码处理模型，以对所述多个第一属性特征向量中的至少一个第一属性特征向量进行掩码处理，得到多个掩码后属性特征向量；

将所述第一图像特征矩阵和所述多个掩码后属性特征向量输入至所述初始属性识别模型包括的掩码属性信息生成模型，生成至少一个掩码属性信息；

根据所述至少一个第一属性特征向量和所述至少一个掩码属性信息，对所述初始属性识别模型进行训练，得到训练后属性识别模型，作为属性识别预训练模型。

2.根据权利要求1所述的方法，其中，所述将所述第一图像特征矩阵和所述多个掩码后属性特征向量输入至所述初始属性识别模型包括的掩码属性信息生成模型，生成至少一个掩码属性信息，包括：

对所述第一图像特征矩阵进行线性变化，以生成变化向量集；

将所述变化向量集与所述多个掩码后属性特征向量进行向量融合，得到第一融合向量；

将所述第一融合向量输入至掩码属性信息生成模型包括的掩码向量生成模型，以生成所述至少一个掩码预测向量；

将所述至少一个掩码预测向量中的每个掩码预测向量输入至掩码属性信息生成模型包括的分类模型，以生成掩码属性信息，得到所述至少一个掩码属性信息。

3.根据权利要求1所述的方法，其中，所述根据所述至少一个第一属性特征向量和所述至少一个掩码属性信息，对所述初始属性识别模型进行训练，得到训练后属性识别模型，作为属性识别预训练模型，包括：

获取所述至少一个第一属性特征向量对应的至少一个第一属性信息；

根据所述至少一个第一属性信息和所述至少一个掩码属性信息，生成针对所述第一目标物品的损失值；

根据所述损失值，对所述初始属性识别模型进行训练，得到训练后属性识别模型，作为属性识别预训练模型。

4.一种属性识别模型生成方法，包括：

获取属性识别预训练模型和针对第二目标物品的物品标注信息；

确定下游任务对应的任务信息，其中，所述下游任务为与物品属性相关联的任务；

响应于确定所述任务信息为属性识别任务信息，对所述属性识别预训练模型进行第一模型结构调整，以生成调整后属性识别模型；

根据所述物品标注信息，对所述调整后属性识别模型进行模型训练，得到属性识别模型。

5.根据权利要求4所述的方法，其中，所述方法还包括：

响应于确定所述任务信息不为属性识别任务信息，根据所述任务信息，对所述属性识别预训练模型的模型结构进行第二模型结构调整，以生成针对所述任务信息的初始任务模型；

根据所述物品标注信息，对所述初始任务模型进行训练，得到训练后任务模型。

6.根据权利要求4所述的方法，其中，所述对所述属性识别预训练模型进行第一模型结构调整，以生成调整后属性识别模型，包括：

将所述属性识别预训练模型包括的掩码处理模型进行模型去除，以及对所述属性识别预训练模型包括的掩码属性信息生成模型进行模型修改，得到调整后属性识别模型。

7.根据权利要求6所述的方法，其中，所述物品标注信息包括：所述第二目标物品的第二物品图像和多个物品标注属性信息；以及

所述根据所述物品标注信息，对所述调整后属性识别模型进行模型训练，得到属性识别模型，包括：

将所述第二物品图像输入至初始调整后属性识别模型包括的图像特征提取模型，得到第二图像特征矩阵，以及将所述多个物品标注属性信息中的每个物品标注属性信息输入至所述调整后属性识别模型包括的属性特征提取模型，以生成第二属性特征向量，得到多个第二属性特征向量；

对所述第二图像特征矩阵进行线性变化，得到第二变化向量集；

将所述第二变化向量集和所述多个第二属性特征向量进行向量融合，以生成第二融合向量；

将所述第二融合向量输入至初始调整后属性识别模型包括的属性关联信息生成模型，以生成属性关联特征向量；

将所述属性关联特征向量输入至初始调整后属性识别模型包括的分类模型，以生成多个预测属性信息；

获取针对所述第二目标物品的多个物品真实属性信息；

根据所述多个预测属性信息和所述多个物品真实属性信息，对所述调整后属性识别模型进行模型训练，得到属性识别模型。

8.一种全量物品属性信息生成方法，包括：

获取针对第三目标物品的第三物品信息；

将所述第三物品信息输入至预先训练的属性识别模型，以输出针对所述第三目标物品的全量物品属性信息，其中，所述属性识别模型是基于权利要求1-7之一所述的方法生成的。

9.一种属性识别预训练模型生成装置，包括：

第一获取单元，被配置成获取针对第一目标物品的第一物品信息，其中，所述第一物品信息包括：第一物品图像和多个预存物品属性信息；

第一输入单元，被配置成将所述第一物品图像输入至初始属性识别模型包括的图像特征提取模型，得到第一图像特征矩阵，以及将所述多个预存物品属性信息中的每个预存物品属性信息输入至所述初始属性识别模型包括的属性特征提取模型，以生成第一属性特征向量，得到多个第一属性特征向量；

第二输入单元，被配置成将所述多个第一属性特征向量输入至所述初始属性识别模型包括的掩码处理模型，以对所述多个第一属性特征向量中的至少一个第一属性特征向量进行掩码处理，得到多个掩码后属性特征向量；

第三输入单元，被配置成将所述第一图像特征矩阵和所述多个掩码后属性特征向量输入至所述初始属性识别模型包括的掩码属性信息生成模型，生成至少一个掩码属性信息；

第一训练单元，被配置成根据所述至少一个第一属性特征向量和所述至少一个掩码属性信息，对所述初始属性识别模型进行训练，得到训练后属性识别模型，作为属性识别预训练模型。

10.一种属性识别模型生成装置，包括：

第二获取单元，被配置成获取属性识别预训练模型和针对第二目标物品的物品标注信息；

确定单元，被配置成确定下游任务对应的任务信息，其中，所述下游任务为与物品属性相关联的任务；

模型结构调整单元，被配置成响应于确定所述任务信息为属性识别任务信息，对所述属性识别预训练模型进行第一模型结构调整，以生成调整后属性识别模型；

第二训练单元，被配置成根据所述物品标注信息，对所述调整后属性识别模型进行模型训练，得到属性识别模型。

11.一种全量物品属性信息生成装置，包括：

第三获取单元，被配置成获取针对第三目标物品的第三物品信息；

第四输入单元，被配置成将所述第三物品信息输入至预先训练的属性识别模型，以输出针对所述第三目标物品的全量物品属性信息，其中，所述属性识别模型是基于权利要求1-7之一所述的方法生成的。

12.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。

13.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。

14.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。

Images