CN116245619B - 商品向量嵌入方法、商品相似度评估方法及商品陈列方法 - Google Patents
商品向量嵌入方法、商品相似度评估方法及商品陈列方法 Download PDFInfo
- Publication number
- CN116245619B CN116245619B CN202310530484.XA CN202310530484A CN116245619B CN 116245619 B CN116245619 B CN 116245619B CN 202310530484 A CN202310530484 A CN 202310530484A CN 116245619 B CN116245619 B CN 116245619B
- Authority
- CN
- China
- Prior art keywords
- commodity
- vector
- commodities
- initial
- historical
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
-
- 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
- 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]
- G06Q30/0603—Catalogue ordering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明涉及一种商品向量嵌入方法,包括步骤:获取待嵌入商品的历史商品陈列信息,确定所述历史商品陈列信息中位于所述待嵌入商品预设距离内的商品为目标商品;对所述目标商品的第一向量进行求和平均计算,得到对应的初始商品向量;根据所述初始商品向量进行商品识别,得到对应的商品识别结果;若所述商品识别结果未指向所述待嵌入商品,则更新所述商品识别中的可训练参数和所述初始商品向量;若所述商品识别结果指向所述待嵌入商品,确定当前初始商品向量为所述待嵌入商品的商品向量。相对于现有技术,能够准确嵌入商品的重要特征,以提高基于商品向量的数据分析结果的准确性。
Description
技术领域
本发明涉及商品向量嵌入技术领域,尤其是涉及一种商品向量嵌入方法、装置,一种商品相似度评估方法、装置,及一种基于商品向量的商品陈列方法、装置。
背景技术
在新零售时代,智能零售终端成为快消行业的营销运营的重要工具。智能零售终端通过摄像头采集商品销售信息,并通过通信模块将该商品销售信息传输至后端的运营中心进行数据智能分析,根据分析结果能够采取相应的营销措施,如对商品进行合理并科学的陈列,以提高商品销量。
在对商品进行的数据智能分析中,通常需要将商品嵌入为计算机可识别的向量表示,以便于计算机对其进行相关的计算分析,如商品识别、商品分类、商品相关度计算等。而目前对于商品的商品向量表示并不能准确嵌入商品的重要特征,导致在基于商品向量的计算分析的结果准确性低,从而无法获得精准的营销数据。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种商品向量嵌入方法,能够准确嵌入商品的重要特征,以提高基于商品向量的数据分析结果的准确性。
本发明是通过以下技术方案实现的:一种商品向量嵌入方法,包括如下步骤:
获取待嵌入商品的历史商品陈列信息,确定所述历史商品陈列信息中位于所述待嵌入商品预设距离内的商品为目标商品;
对所述目标商品的第一向量进行求和平均计算,得到对应的初始商品向量;
根据所述初始商品向量进行商品识别,得到对应的商品识别结果;
若所述商品识别结果未指向所述待嵌入商品,则更新所述商品识别中的可训练参数和所述初始商品向量;
若所述商品识别结果指向所述待嵌入商品,确定当前初始商品向量为所述待嵌入商品的商品向量。
相对于现有技术,本发明通过商品陈列信息来描述商品的特征,并将初始商品向量作为商品识别模型的训练参数,对初始商品向量进行调整,以使商品识别模型能够将当前初始商品向量识别为目标商品,由此能够得到准确的商品向量。
进一步地,根据所述初始商品向量进行商品识别,得到对应的商品识别结果,包括步骤:
对每一所述初始商品向量进行加权处理后,输入商品霍夫曼树进行商品节点的选取;
所述商品识别中的可训练参数包括所述加权处理的权重参数和所述商品霍夫曼树的节点选取参数。
进一步地,若所述商品识别结果未指向所述待嵌入商品,则更新所述第一向量。
进一步地,所述商品霍夫曼树是通过如下步骤进行构建:
针对每一所述商品节点,根据对应的商品在一定历史时间段内的所有历史商品陈列信息中的出现频次设置商品节点的节点权重;
将每一商品节点作为独立的树构建商品霍夫曼森林,将所述商品霍夫曼森林中所有树的最高节点的节点权重进行比较,将其中节点权重最小的两棵树的最高节点的节点权重相加,并合并为新的树,直至所述商品霍夫曼森林中剩下最后一颗树,确定该树为商品霍夫曼树。
进一步地,通过梯度上升法更新所述商品识别中的可训练参数和所述初始商品向量。
进一步地,通过梯度上升法更新所述第一向量。
基于同一发明构思,本申请还提供一种商品相似度评估方法,包括如下步骤:
获取每一商品的商品向量,所述商品向量是通过上述商品向量嵌入方法得到的;
针对每一商品,将该商品的商品向量与所有商品中其他商品的商品向量进行相似度计算,确定其中相似度最高的若干商品为该商品的历史相关商品。
基于同一发明构思,本申请还提供一种基于商品向量的商品陈列方法,包括如下步骤:
获取待陈列商品信息,并获取待陈列商品信息中商品对象对应的历史销量信息;
确定待陈列商品信息中历史销量最高的商品对象为第一商品,得到第一商品序列;
获取第一商品的若干历史相关商品,确定该历史相关商品对应的商品对象为第二商品,将第二商品按与第一商品的相似度进行排序,得到第二商品序列;
确定待陈列商品信息中除第一商品和第二商品以外的商品为第三商品,将第三商品按历史销量进行排序,得到第三商品序列;
将第一商品序列、第二商品序列和第三商品序列依序进行排列,得到商品陈列信息;
其中,所述第一商品的若干历史相关商品是通过上述商品相似度评估方法得到的。
基于同一发明构思,本申请还提供一种商品向量嵌入装置,包括:
目标商品获取模块,用于获取待嵌入商品的历史商品陈列信息,确定所述历史商品陈列信息中位于所述待嵌入商品预设距离内的商品为目标商品;
初始商品向量获取模块,用于对所述目标商品的第一向量进行求和平均计算,得到对应的初始商品向量;
商品识别模块,用于根据所述初始商品向量进行商品识别,得到对应的商品识别结果;
参数更新模块,用于若所述商品识别结果未指向所述待嵌入商品,则更新所述商品识别中的可训练参数和所述初始商品向量;
商品向量确定模块,用于若所述商品识别结果指向所述待嵌入商品,确定当前初始商品向量为所述待嵌入商品的商品向量。
基于同一发明构思,本申请还提供一种商品相似度评估装置,包括:
商品向量获取模块,用于获取每一商品的商品向量,所述商品向量是通过上述商品向量嵌入方法得到的;
相似度计算模块,用于针对每一商品,将该商品的商品向量与所有商品中其他商品的商品向量进行相似度计算,确定其中相似度最高的若干商品为该商品的历史相关商品。
基于同一发明构思,本申请还提供一种基于商品向量的商品陈列装置,包括:
信息获取模块,用于获取待陈列商品信息,并获取待陈列商品信息中商品对象对应的历史销量信息;
第一商品获取模块,用于确定待陈列商品信息中历史销量最高的商品对象为第一商品,得到第一商品序列;
第二商品获取模块,用于获取第一商品的若干历史相关商品,确定该历史相关商品对应的商品对象为第二商品,将第二商品按与第一商品的相似度进行排序,得到第二商品序列;
第三商品获取模块,用于确定待陈列商品信息中除第一商品和第二商品以外的商品为第三商品,将第三商品按历史销量进行排序,得到第三商品序列;
序列排列模块,用于将第一商品序列、第二商品序列和第三商品序列依序进行排列,得到商品陈列信息;
其中,所述第一商品的若干历史相关商品是通过上述商品相似度评估方法得到的。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1为根据一示例性实施例示出的一种商品陈列方法的应用环境示意图;
图2为实施例的商品陈列方法的流程示意图;
图3为用于执行图2所示商品陈列方法的商品陈列装置;
图4为实施例的商品相似度评估方法的步骤流程图;
图5为用于执行图4所示步骤的商品相似度评估装置;
图6为实施例的商品向量嵌入方法的步骤流程图;
图7为用于执行图6所示步骤的商品向量嵌入装置;
图8为另一实施例的商品向量嵌入方法的步骤流程示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施例方式作进一步地详细描述。
请参阅图1,其为根据一示例性实施例示出的一种商品陈列方法的应用环境示意图,包括零售终端10和服务器20,零售终端10可以是任何具有通信功能的智能终端,例如,可以具体为智能冰柜、智能零售机等;服务器20可以是计算机,还可以是专用服务器。其中,零售终端10可以通过无线局域网接入路由器,并通过路由器访问公网上的服务器20。零售终端10可以采集商品的销售信息,如商品销量信息、商品陈列信息等,采集方式可以是图像识别、NFC识别等,并将所采集的商品销售信息上传至服务器20;服务器20基于所接收的商品销售信息对待陈列商品信息通过本申请的商品陈列方法进行处理,得到商品陈列信息,并将该商品陈列信息返回至零售终端10,营销人员可以根据该商品陈列信息对零售终端10中的商品进行重新陈列。
请同时参阅图2和图3,其中,图2为本实施例的商品陈列方法的流程示意图;图3为用于执行图2所示商品陈列方法的商品陈列装置。该商品陈列装置包括信息获取模块S10、第一商品获取模块A20、第二商品获取模块S30、第三商品获取模块S40、序列排列模块S50和历史相关商品库A。
具体的,信息获取模块S10用于执行步骤S1:获取待陈列商品信息,并获取待陈列商品信息中所有商品对象对应的历史销量信息。
其中,待陈列商品信息中包括多个待陈列的商品对象,其中可能存在多个商品对象为相同的产品,例如,一示例性的待陈列商品信息包括(商品对象a1、商品对象a2、商品对象b1、商品对象c1、商品对象d1),其中商品对象a1和商品对象a2为完全相同的产品,商品对象a1、商品对象b1、商品对象c1、商品对象d1均为不同产品。
根据需要,待陈列商品信息还可以包含待陈列商品所在的零售终端ID、零售终端所在地点、待陈列商品所在的零售终端的层数、待陈列商品的商品名称、商品编号等相关商品信息。
商品对象对应的历史销量信息为商品对象所属产品在一定历史时间段内的销售数量,该历史销量信息存储于系统数据库中,可以直接像系统数据库发起调取请求进行获取。
第一商品获取模块A20用于执行步骤S2:确定待陈列商品信息中历史销量最高的商品对象为第一商品,得到第一商品序列。
其中,比较待陈列商品信息中所有商品对象对应的历史销量数据,获取其中历史销量最高的商品对象,确定该商品对象为第一商品。若有多个商品对象对应为相同商品,则有多个第一商品,一个或多个第一商品构成第一商品序列。
第二商品获取模块S30用于执行步骤S3:获取第一商品的若干历史相关商品,确定该历史相关商品对应的商品对象为第二商品,将第二商品按与第一商品的相似度进行排序,得到第二商品序列。
其中,从历史相关商品库A中获取第一商品的若干历史相关商品,历史相关商品库A中存储有所有销售商品的历史相关商品,商品的历史相关商品是在所有销售商品中与该商品具有一定相关度的另一商品,两商品间的相关度是根据商品的历史销售信息确定的。
第三商品获取模块S40用于执行步骤S4:确定待陈列商品信息中除第一商品和第二商品以外的商品为第三商品,将第三商品按历史销量进行排序,得到第三商品序列。
序列排列模块S50用于执行步骤S5:将第一商品序列、第二商品序列和第三商品序列依序进行排列,得到商品陈列信息。
其中,将第一商品序列、第二商品序列和第三商品序列依序进行排列,即将第一商品序列排列在第一位,第二商品序列排列在第二位,第三商品序列排列在第三位,第一商品序列、第二商品序列和第三商品序列内的商品对象排序保持为上述步骤中所确定顺序。
历史相关商品库A包括所有销售商品的历史相关商品及对应的商品相似度,以下将对商品相似度评估方法进行介绍。请同时参阅图4和图5,其中图4为本实施例的商品相似度评估方法的步骤流程图,图5为用于执行图4所示步骤的商品相似度评估装置,该历史相关商品获取装置包括商品向量获取模块A10、A20和商品向量库B。
商品向量获取模块A10用于执行步骤A1:从商品向量库B中获取每一商品的商品向量。
A20用于执行步骤A2:针对每一商品,将该商品的商品向量与所有商品中其他商品的商品向量进行相似度计算,确定其中相似度最高的若干商品为该商品的历史相关商品。
其中,相似度计算可以选用余弦相似度。根据所有相似度计算结果对其他商品进行排序,可以将相似度最高的前预设数量个商品作为当前商品的历史相关商品,或者可以将相似度大于预设数值的商品作为当前商品的历史相关商品。
在商品向量库B中,每一商品的商品向量是通过图6所示的步骤对每一商品进行嵌入操作得到的,请同时参阅图7,其为用于执行图6所示步骤的商品向量嵌入装置,该商品向量嵌入装置包括目标商品获取模块B10、初始商品向量获取模块B20、商品识别模块B30、参数更新模块B40和商品向量确定模块B50。
具体的,目标商品获取模块B10用于执行步骤B1:获取待嵌入商品的历史商品陈列信息,确定历史商品陈列信息中位于待嵌入商品预设距离内的商品为目标商品。
其中,在商品向量嵌入流程中,将当前进行嵌入操作的商品定义为待嵌入商品。待嵌入商品的历史商品陈列信息是在一定历史时间段内待嵌入商品售出时获取的,包含与待嵌入商品陈列在同一特定位置的商品信息,如商品名称、商品编号等,以及对应的陈列位置信息,如陈列序号、位置编号等。特定位置是指特定零售终端、特定零售终端的特定层等。示例性的,历史商品陈列信息可记为,其中,i为待嵌入商品所在零售终端的层数,j为待嵌入商品的陈列序号,n为历史商品陈列信息中商品对象的数量。
通过历史商品陈列信息可以获取与待嵌入商品在陈列在同一特定位置的商品及其与待嵌入商品的位置关系。根据待嵌入商品与历史商品陈列信息中其他商品的位置关系,可以得到其他商品与待嵌入商品的陈列距离。为了数据的有效性,根据其他商品与待嵌入商品的陈列距离来确定用于计算待嵌入商品的商品向量的目标商品。预设距离可以根据实际实施情况进行设置,如设置为距离2个陈列位置内、距离3个陈列位置内等。
初始商品向量获取模块B20用于执行步骤B2:对目标商品的第一向量进行求和平均计算,得到对应的初始商品向量。
其中,商品库中每一商品都设置有一第一向量,该第一向量是为了便于计算处理所赋予的,每一商品的初始的第一向量为随机向量。商品的第一向量存储于系统数据库中,从系统数据库中获取目标商品的第一向量,对所获取的第一向量进行求和平均计算,得到待嵌入商品的初始商品向量,其表达式为:
其中,为第i个目标商品,C为目标商品的数据量。
商品识别模块B30用于执行步骤B3:根据初始商品向量进行商品识别,得到对应的商品识别结果。
其中,可以通过商品识别模型进行商品识别,商品识别模型包括输入层、隐藏层和输出层,将初始商品向量作为输入层的输入,通过一权重矩阵对初始商品向量进行加权处理,以映射到隐藏层,再经过隐藏层的计算,将计算结果通过输出层进行标准化处理得到商品识别结果,该商品识别结果是一个数值,根据预设的商品与商品识别结果数值的关系,可以得知该商品识别结果所对应的商品。
参数更新模块B40用于执行步骤B4:若商品识别结果未指向待嵌入商品,则更新商品识别中的可训练参数、初始商品向量和第一向量。
其中,对商品识别结果进行判断,商品识别结果是否指向待嵌入商品。若根据初始商品向量得到的商品识别结果未指向待嵌入商品,则说明商品识别模型未得到收敛,需要对其进一步优化,对商品识别模型的优化包括其中可训练参数及作为输入节点的初始商品向量的优化,具体可通过梯度上升法来更新可训练参数和初始商品向量。
本实施例中的商品向量实际可以对同一待嵌入商品通过不同的历史陈列信息重复执行步骤S31-S35来进行迭代,以提升商品向量的特征丰富度。因此,在更新初始商品向量的同时,还同步更新目标商品的第一向量,在每次迭代时沿用上次迭代中更新的目标商品的第一向量,能够保证在多次迭代中数据的连贯性。
商品向量确定模块B50用于执行步骤B5:若商品识别结果指向待嵌入商品,确定当前初始商品向量为待嵌入商品的商品向量。
其中,若根据初始商品向量得到的商品识别结果指向待嵌入商品,则说明商品识别模型在当前迭代中得到收敛,可以确定当前初始商品向量为待嵌入商品的商品向量。后续根据需要,可重复执行步骤B1-B5来对商品的商品向量进行迭代。
请参阅图8,其为另一实施例的商品向量嵌入方法的步骤流程示意图,在另一实施例中,仅对图6所示的方法中的步骤B3-B5替换为步骤B3’-B5’:
步骤B3’:对每一初始商品向量进行加权处理后,输入商品霍夫曼树进行商品节点的选取。
其中,通过一权重矩阵对每一初始商品向量进行加权处理。
商品霍夫曼树是一种二叉树,其包括一根节点、多个中间节点和多个商品节点,商品节点为商品霍夫曼树的末端节点,即叶子节点,中间节点为商品节点和根节点之间所有的子孙节点。构建商品霍夫曼树时,包括步骤:针对每一商品节点,根据对应的商品在一定历史时间段内的所有历史商品陈列信息中的出现频次设置商品节点的节点权重,频次越高,则节点权重越大;将每一商品节点作为独立的树构建商品霍夫曼森林,将商品霍夫曼森林中所有树的最高节点的节点权重进行比较,将其中节点权重最小的两棵树的最高节点的节点权重相加,并合并为新的树,直至商品霍夫曼森林中剩下最后一颗树,确定该树为商品霍夫曼树。
在将经过加权处理后的初始商品向量输入商品霍夫曼树进行商品节点的选取时,从商品霍夫曼树的根节点开始,通过二元逻辑回归进行下级节点的选择,二元逻辑回归即根据经过加权处理后的初始商品向量和当前节点的节点选取参数进行节点选取方向的概率计算,根据较高概率的方向到达下一节点,重复前述步骤直至到达一商品节点,该商品节点则为所选取的商品节点。其中,通过sigmoid函数进行节点选取方向的概率计算,计算表达式为:
其中,和/>分别为当前节点的两个节点选取方向,即左子树方向和右子树方向;/>为当前节点的节点选取参数,节点选取参数的初始值为随机值。
步骤B4’:若所选取的商品节点不为待嵌入商品对应的商品节点,更新加权处理的权重参数、商品霍夫曼树的节点选取参数、初始商品向量和第一向量。
其中,判断对所选取的商品节点是否为待嵌入商品对应的商品节点,若所选取的商品节点为待嵌入商品对应的商品节点,则说明当前商品霍夫曼树中的节点选取参数、对初始商品向量的加权处理的权重参数及当前初始商品向量未达到收敛值,需要对其进一步优化。对当前商品霍夫曼树中的节点选取参数、对初始商品向量的加权处理的权重参数、当前初始商品向量及当前第一向量进行优化,可以通过梯度上升法进行,其中,第i-1个节点对应的节点选取参数的的更新表达式为:
其中,为学习率;/>为当前节点做对应的霍夫曼编码,/>∈{0,1}。
初始商品向量的更新表达式为:
每一第一向量的更新表达式为:
步骤B5’:若所选取的商品节点为待嵌入商品对应的商品节点,确定当前初始商品向量为待嵌入商品的商品向量。
其中,若所选取的商品节点为待嵌入商品对应的商品节点,则说明当前商品霍夫曼树中的节点选取参数、对初始商品向量的加权处理的权重参数及当前初始商品向量达到收敛值,可以确定当前初始商品向量为待嵌入商品的商品向量。
相对于现有技术,本发明通过商品陈列信息来描述商品的特征,并将初始商品向量作为商品识别模型的训练参数,对初始商品向量进行调整,以使商品识别模型能够将当前初始商品向量识别为目标商品,由此能够得到准确的商品向量,同时通过该商品向量能够准确评估商品之间的相关性,从而对商品进行更合理的排列,以提高整体商品销量。
基于同一发明构思,本申请还提供一种电子设备,可以是服务器、台式计算设备或移动计算设备(例如,膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。该设备包括一个或多个处理器和存储器,其中处理器用于执行程序实现方法实施例的商品陈列方法;存储器用于存储可由所述处理器执行的计算机程序。
基于同一发明构思,本申请还提供一种电子设备,该设备包括一个或多个处理器和存储器,其中处理器用于执行程序实现方法实施例的商品向量嵌入方法;存储器用于存储可由所述处理器执行的计算机程序。
基于同一发明构思,本申请还提供一种计算机可读存储介质,与前述商品陈列方法的实施例相对应,所述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上述任一实施例所记载的商品陈列方法的步骤。
基于同一发明构思,本申请还提供一种计算机可读存储介质,与前述商品陈列方法的实施例相对应,所述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上述任一实施例所记载的商品向量嵌入方法的步骤。
本申请可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可用存储介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于:相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,则本发明也意图包含这些改动和变形。
Claims (9)
1.一种商品向量嵌入方法,其特征在于,包括如下步骤:
获取待嵌入商品的历史商品陈列信息,确定所述历史商品陈列信息中位于所述待嵌入商品预设距离内的商品为目标商品;
对所述目标商品的第一向量进行求和平均计算,得到对应的初始商品向量;
根据所述初始商品向量进行商品识别,得到对应的商品识别结果;
若所述商品识别结果未指向所述待嵌入商品,则更新所述根据所述初始商品向量进行商品识别中的可训练参数和所述初始商品向量;
若所述商品识别结果指向所述待嵌入商品,确定当前初始商品向量为所述待嵌入商品的商品向量;
根据所述初始商品向量进行商品识别,得到对应的商品识别结果,包括步骤:通过商品识别模型进行商品识别,所述商品识别模型包括输入层、隐藏层和输出层,将所述初始商品向量作为所述输入层的输入,通过一权重矩阵对所述初始商品向量进行加权处理,以映射到所述隐藏层,再经过所述隐藏层的计算,将计算结果通过所述输出层进行标准化处理得到商品识别结果;
或,根据所述初始商品向量进行商品识别,得到对应的商品识别结果,包括步骤:对每一所述初始商品向量进行加权处理后,输入商品霍夫曼树进行商品节点的选取;
所述可训练参数包括所述对每一所述初始商品向量进行加权处理的权重参数和所述商品霍夫曼树的节点选取参数。
2.根据权利要求1所述的方法,其特征在于:若所述商品识别结果未指向所述待嵌入商品,则更新所述第一向量。
3.根据权利要求1所述的方法,其特征在于,所述商品霍夫曼树是通过如下步骤进行构建:
针对每一所述商品节点,根据对应的商品在一定历史时间段内的所有历史商品陈列信息中的出现频次设置商品节点的节点权重;
将每一商品节点作为独立的树构建商品霍夫曼森林,将所述商品霍夫曼森林中所有树的最高节点的节点权重进行比较,将其中节点权重最小的两棵树的最高节点的节点权重相加,并合并为新的树,直至所述商品霍夫曼森林中剩下最后一棵树,确定该树为商品霍夫曼树。
4.根据权利要求2所述的方法,其特征在于:通过梯度上升法更新所述商品识别中的可训练参数、所述初始商品向量和所述第一向量。
5.一种商品相似度评估方法,其特征在于,包括如下步骤:
获取每一商品的商品向量,所述商品向量是通过权利要求1-4中任一项所述的商品向量嵌入方法得到的;
针对每一商品,将该商品的商品向量与所有商品中其他商品的商品向量进行相似度计算,确定其中相似度最高的若干商品为该商品的历史相关商品。
6.一种基于商品向量的商品陈列方法,其特征在于,包括如下步骤:
获取待陈列商品信息,并获取待陈列商品信息中商品对象对应的历史销量信息;
确定待陈列商品信息中历史销量最高的商品对象为第一商品,得到第一商品序列;
获取第一商品的若干历史相关商品,确定该历史相关商品对应的商品对象为第二商品,将第二商品按与第一商品的相似度进行排序,得到第二商品序列;
确定待陈列商品信息中除第一商品和第二商品以外的商品为第三商品,将第三商品按历史销量进行排序,得到第三商品序列;
将第一商品序列、第二商品序列和第三商品序列依序进行排列,得到商品陈列信息;
其中,所述第一商品的若干历史相关商品是通过权利要求5所述的商品相似度评估方法得到的。
7.一种商品向量嵌入装置,其特征在于,包括:
目标商品获取模块,用于获取待嵌入商品的历史商品陈列信息,确定所述历史商品陈列信息中位于所述待嵌入商品预设距离内的商品为目标商品;
初始商品向量获取模块,用于对所述目标商品的第一向量进行求和平均计算,得到对应的初始商品向量;
商品识别模块,用于根据所述初始商品向量进行商品识别,得到对应的商品识别结果;
参数更新模块,用于若所述商品识别结果未指向所述待嵌入商品,则更新所述根据所述初始商品向量进行商品识别中的可训练参数和所述初始商品向量;
商品向量确定模块,用于若所述商品识别结果指向所述待嵌入商品,确定当前初始商品向量为所述待嵌入商品的商品向量;
所述商品识别模块用于通过商品识别模型进行商品识别,所述商品识别模型包括输入层、隐藏层和输出层,将所述初始商品向量作为所述输入层的输入,通过一权重矩阵对所述初始商品向量进行加权处理,以映射到所述隐藏层,再经过所述隐藏层的计算,将计算结果通过所述输出层进行标准化处理得到商品识别结果;
或,所述商品识别模块用于对每一所述初始商品向量进行加权处理后,输入商品霍夫曼树进行商品节点的选取;
所述可训练参数包括所述对每一所述初始商品向量进行加权处理的权重参数和所述商品霍夫曼树的节点选取参数。
8.一种商品相似度评估装置,其特征在于,包括:
商品向量获取模块,用于获取每一商品的商品向量,所述商品向量是通过权利要求1-4中任一项所述的商品向量嵌入方法得到的;
相似度计算模块,用于针对每一商品,将该商品的商品向量与所有商品中其他商品的商品向量进行相似度计算,确定其中相似度最高的若干商品为该商品的历史相关商品。
9.一种基于商品向量的商品陈列装置,其特征在于,包括:
信息获取模块,用于获取待陈列商品信息,并获取待陈列商品信息中商品对象对应的历史销量信息;
第一商品获取模块,用于确定待陈列商品信息中历史销量最高的商品对象为第一商品,得到第一商品序列;
第二商品获取模块,用于获取第一商品的若干历史相关商品,确定该历史相关商品对应的商品对象为第二商品,将第二商品按与第一商品的相似度进行排序,得到第二商品序列;
第三商品获取模块,用于确定待陈列商品信息中除第一商品和第二商品以外的商品为第三商品,将第三商品按历史销量进行排序,得到第三商品序列;
序列排列模块,用于将第一商品序列、第二商品序列和第三商品序列依序进行排列,得到商品陈列信息;
其中,所述第一商品的若干历史相关商品是通过权利要求5所述的商品相似度评估方法得到的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310530484.XA CN116245619B (zh) | 2023-05-12 | 2023-05-12 | 商品向量嵌入方法、商品相似度评估方法及商品陈列方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310530484.XA CN116245619B (zh) | 2023-05-12 | 2023-05-12 | 商品向量嵌入方法、商品相似度评估方法及商品陈列方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116245619A CN116245619A (zh) | 2023-06-09 |
CN116245619B true CN116245619B (zh) | 2023-08-15 |
Family
ID=86631709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310530484.XA Active CN116245619B (zh) | 2023-05-12 | 2023-05-12 | 商品向量嵌入方法、商品相似度评估方法及商品陈列方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116245619B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169806A (zh) * | 2017-06-29 | 2017-09-15 | 北京京东尚科信息技术有限公司 | 用于确定商品属性对于购买决策的影响度的方法及装置 |
WO2021234577A1 (en) * | 2020-05-21 | 2021-11-25 | Element Ai Inc. | Method of and system for training machine learning algorithm for object classification |
CN113763095A (zh) * | 2020-11-27 | 2021-12-07 | 北京京东振世信息技术有限公司 | 信息推荐方法、装置和模型训练方法、装置 |
CN113869264A (zh) * | 2021-10-11 | 2021-12-31 | 广州广电运通金融电子股份有限公司 | 一种商品识别方法、识别系统、存储介质和服务器 |
CN114049174A (zh) * | 2021-11-10 | 2022-02-15 | 北京明略软件系统有限公司 | 用于商品推荐的方法及装置、电子设备、存储介质 |
CN114140696A (zh) * | 2022-01-27 | 2022-03-04 | 深圳市慧为智能科技股份有限公司 | 商品识别系统优化方法、装置、设备及存储介质 |
-
2023
- 2023-05-12 CN CN202310530484.XA patent/CN116245619B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169806A (zh) * | 2017-06-29 | 2017-09-15 | 北京京东尚科信息技术有限公司 | 用于确定商品属性对于购买决策的影响度的方法及装置 |
WO2021234577A1 (en) * | 2020-05-21 | 2021-11-25 | Element Ai Inc. | Method of and system for training machine learning algorithm for object classification |
CN113763095A (zh) * | 2020-11-27 | 2021-12-07 | 北京京东振世信息技术有限公司 | 信息推荐方法、装置和模型训练方法、装置 |
CN113869264A (zh) * | 2021-10-11 | 2021-12-31 | 广州广电运通金融电子股份有限公司 | 一种商品识别方法、识别系统、存储介质和服务器 |
CN114049174A (zh) * | 2021-11-10 | 2022-02-15 | 北京明略软件系统有限公司 | 用于商品推荐的方法及装置、电子设备、存储介质 |
CN114140696A (zh) * | 2022-01-27 | 2022-03-04 | 深圳市慧为智能科技股份有限公司 | 商品识别系统优化方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
叶大枢 ; 黄沛杰 ; 邓振鹏 ; 黄强 ; .限定领域口语对话系统中的商品属性抽取.中文信息学报.2016,(06),第 85-92页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116245619A (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11238065B1 (en) | Systems and methods for generating and implementing knowledge graphs for knowledge representation and analysis | |
CN111291139B (zh) | 基于注意力机制的知识图谱长尾关系补全方法 | |
CN111260243A (zh) | 风险评估方法、装置、设备及计算机可读存储介质 | |
CN112801265A (zh) | 一种机器学习方法以及装置 | |
CN113850381A (zh) | 一种图神经网络训练方法及装置 | |
CN111291867A (zh) | 数据预测模型生成方法、装置及数据预测方法、装置 | |
CN115170565A (zh) | 基于自动神经网络架构搜索的图像欺诈检测方法及装置 | |
CN115391561A (zh) | 图网络数据集的处理方法、装置、电子设备、程序及介质 | |
CN113657510A (zh) | 一种有标注价值的数据样本的确定方法及装置 | |
CN116245619B (zh) | 商品向量嵌入方法、商品相似度评估方法及商品陈列方法 | |
CN115879826B (zh) | 一种基于大数据的精细化工工艺质检方法、系统及介质 | |
CN108229572B (zh) | 一种参数寻优方法及计算设备 | |
US11295229B1 (en) | Scalable generation of multidimensional features for machine learning | |
CN111400413B (zh) | 一种确定知识库中知识点类目的方法及系统 | |
CN113435900A (zh) | 交易风险确定方法、装置和服务器 | |
US11366833B2 (en) | Augmenting project data with searchable metadata for facilitating project queries | |
Joel et al. | Machine Learning Algorithms for Predicting House Prices in a Smart city using its Real-Time Data | |
CN117058498B (zh) | 分割图评估模型的训练方法、分割图的评估方法及装置 | |
CN115994788B (zh) | 一种数据处理分析方法和装置 | |
CN117808441B (zh) | 一种投标信息核查方法及系统 | |
CN111539536B (zh) | 一种评估业务模型超参数的方法和装置 | |
US20230289617A1 (en) | Method and apparatus for learning graph representation for out-of-distribution generalization, device and storage medium | |
CN117523259A (zh) | 半监督模型训练方法、装置、计算机设备和存储介质 | |
CN115205576A (zh) | 图像分类、数据分类、模型训练方法、设备及存储介质 | |
CN114897054A (zh) | 用户信息分类模型的训练、用户信息分类方法及装置 |
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 |