CN116542686A - 无人购物引导方法、装置、存储介质及电子设备 - Google Patents
无人购物引导方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116542686A CN116542686A CN202310485033.9A CN202310485033A CN116542686A CN 116542686 A CN116542686 A CN 116542686A CN 202310485033 A CN202310485033 A CN 202310485033A CN 116542686 A CN116542686 A CN 116542686A
- Authority
- CN
- China
- Prior art keywords
- information
- user
- behavior
- shopping
- unmanned
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 113
- 230000008569 process Effects 0.000 claims abstract description 37
- 230000006399 behavior Effects 0.000 claims description 216
- 238000001514 detection method Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 17
- 230000003542 behavioural effect Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 230000001737 promoting effect Effects 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 238000012549 training Methods 0.000 description 10
- 210000003462 vein Anatomy 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 241000234295 Musa Species 0.000 description 3
- 235000018290 Musa x paradisiaca Nutrition 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 2
- 244000141359 Malus pumila Species 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 235000021016 apples Nutrition 0.000 description 2
- RYYVLZVUVIJVGH-UHFFFAOYSA-N caffeine Chemical compound CN1C(=O)N(C)C(=O)C2=C1N=CN2C RYYVLZVUVIJVGH-UHFFFAOYSA-N 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000002407 reforming Methods 0.000 description 2
- LPHGQDQBBGAPDZ-UHFFFAOYSA-N Isocaffeine Natural products CN1C(=O)N(C)C(=O)C2=C1N(C)C=N2 LPHGQDQBBGAPDZ-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 235000008429 bread Nutrition 0.000 description 1
- 229960001948 caffeine Drugs 0.000 description 1
- VJEONQKOZGKCAK-UHFFFAOYSA-N caffeine Natural products CN1C(=O)N(C)C(=O)C2=C1C=CN2C VJEONQKOZGKCAK-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 210000000554 iris Anatomy 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002023 wood Substances 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
- G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
- G06V20/36—Indoor scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Human Computer Interaction (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例公开了一种无人购物引导方法、装置、存储介质及电子设备,采集用户在无人购物场所中进行购物时的行为信息,通过分析行为信息,向用户推送与该行为关联的目标物品的第一引导信息,例如,第一引导信息可以是目标物品的促销活动信息和/或使用信息,或是用户违规处理目标物品时的警告信息,从而引导用户在无人购物场所中购物,改善用户的购物体验。
Description
技术领域
本说明书涉及信息推荐领域,尤其涉及一种无人购物引导方法、装置、存储介质及电子设备。
背景技术
随着智能零售技术的发展,无人值守的超市、便利店或零售柜越来越普及,为用户提供自助购物服务。例如,基于延长原有超市的营业时间的同时节约人力成本的考虑,对原有超市改造得到的无人值守超市,或建造的24小时无人零售超市,用户通过身份认证、扫入门码等方式进入无人值守超市或无人零售超市中自助购物并结账离开。而由于无人值守的特性,如何针对用户进行无人购物引导成为智能零售技术发展中一个重要的问题。
发明内容
本说明书实施例提供了一种无人购物引导方法、装置、存储介质及电子设备,可以引导用户在无人购物场所中购物,改善用户的购物体验。所述技术方案如下:
第一方面,本说明书实施例提供了一种无人购物引导方法,所述方法包括:
检测到用户进入无人购物场所后,获取所述用户在购物过程中的行为信息;
根据所述行为信息,向所述用户推送与所述行为信息关联的目标物品的第一引导信息。
第二方面,本说明书实施例提供了一种无人购物引导装置,所述装置包括:
行为检测模块,用于检测到用户进入无人购物场所后,获取所述用户在购物过程中的行为信息;
第一引导模块,用于根据所述行为信息,向所述用户推送与所述行为信息关联的目标物品的第一引导信息。
第三方面,本说明书实施例提供一种计算机存储介质,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行上述的方法步骤。
第四方面,本说明书实施例提供一种计算机程序产品,所述计算机程序产品存储有多条指令,所述指令适于由处理器加载并执行上述的方法步骤。
第五方面,本说明书实施例提供一种电子设备,可包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行上述的方法步骤。
本说明书一些实施例提供的技术方案带来的有益效果至少包括:
本说明书实施例采集用户在无人购物场所中进行购物时的行为信息,通过分析行为信息,向用户推送与该行为信息关联的目标物品的第一引导信息,例如,第一引导信息可以是目标物品的促销活动信息和/或使用信息,以引导用户了解该目标物品的促销活动和/或使用方法,提高用户购买目标物品的可能性,从而提高无人购物场所的营业额,第一引导信息还可以是用户违规处理目标物品时的警告信息,以警告用户偷拿、盗吃、放入异物等行为,保护无人购物场所的资产安全,换而言之,本说明书可以在降低零售业人力成本的同时引导用户在无人购物场所中购物,改善用户的购物体验。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,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说明书的一些实施例,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是本说明书实施例提供的一种无人购物场所的场景示意图;
图2是本说明书实施例提供的一种无人购物方法的流程示意图;
图3是本说明书实施例提供的一种用户在无人购物场所中购物的场景示意图;
图4是本说明书实施例提供的一种无人购物方法的流程示意图;
图5是本说明书实施例提供的一种用户进入无人购物场所的场景示意图;
图6是本说明书实施例提供的一种无人购物方法的流程示意图;
图7是本说明书实施例提供的一种无人购物装置的结构示意图;
图8是本说明书实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本说明书实施例中的附图,对本说明书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说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
在本说明书的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。在本说明书的描述中,需要说明的是,除非另有明确的规定和限定,“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本说明书中的具体含义。此外,在本说明书的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
下面结合具体的实施例对本说明书进行详细说明。
随着智能零售技术的发展,无人值守的超市、便利店或零售柜越来越普及,为用户提供自助购物服务。例如,基于延长原有超市的营业时间的同时节约人力成本的考虑,对原有超市改造得到的无人值守超市,或建造的24小时无人零售超市,用户通过身份认证、扫入门码等方式进入无人值守超市或无人零售超市中自助购物并结账离开。
如图1所示,为本说明书实施例提供的一种无人购物场所的场景示意图,无人购物场所包括图像采集设备101、物品结算设备102、物品展示设备1031、物品展示设备1032、物品展示设备1033和门禁检测设备104。无人购物场所为向用户提供可售卖物品的场所,可以是大型综合超市、社区便利店、水果店、面包店、美妆店等任意一种类型的购物场所。
图像采集设备101可以是红外图像采集设备、深度图像采集设备、彩色图像采集设备等任意一种图像采集设备或其集合,用于采集用户在无人购物场所中进行购物的行为图像。在一些实施例中,图像采集设备101包括至少两个摄像头,该两个摄像头分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及虚拟现实(VirtualReality,VR)拍摄功能或者其他融合拍摄功能。在另一些实施例中,图像采集设备101还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
物品结算设备102用于结算用户购买的物品,并允许用户通过电子支付、信用卡、现金等任意一种支付方式支付购买的物品。例如,物品结算设备102为销售终端(Point OfSale,POS)机。
物品展示设备1031、物品展示设备1032、物品展示设备1033用于向用户提供各式物品以供用户挑选购买。例如,物品展示设备1031、物品展示设备1032、物品展示设备1033为金属展示柜、木质展示柜、玻璃展示柜等。
门禁检测设备104用于检测用户的身份信息,以及当用户的身份信息合法时允许用户进入无人购物场所。具体而言,门禁检测设备104处于关闭状态,在允许用户进入无人购物场所时从关闭状态切换为开启状态,还可以在所允许的用户进入后,从开启状态切换为关闭状态,以阻挡后续的其他用户进入并对其他用户进行身份检测。
无人购物场所中还包括处理器,该处理器用于执行无人购物引导方法,并向图像采集设备101、物品结算设备102、物品展示设备1031、物品展示设备1032、物品展示设备1033和门禁检测设备104分别发送指令,以使各设备响应于接收的指令执行对应的操作。处理器、图像采集设备101、物品结算设备102、物品展示设备1031、物品展示设备1032、物品展示设备1033和门禁检测设备104之间通过通信电路连接,通信电路为各设备之间进行通信的任意通信电路、设备或其集合。该通信电路可以被配置为使用任何一个或多个通信技术(例如,无线或有线通信)和相关联的协议(例如,以太网、蓝牙、WiFi、WiMAX、CDMA、TD-CDMA、LTE)来实现这样的通信。
由于无人值守的特性,如何针对用户进行无人购物引导成为智能零售技术发展中一个重要的问题。在一个实施例中,如图2所示,为本说明书实施例提出的一种无人购物引导方法的流程示意图,该方法可依赖于计算机程序实现,可运行于基于冯诺依曼体系的无人购物引导装置上。该计算机程序可集成在应用中,也可作为独立的工具类应用运行。
具体地,该无人购物引导方法包括:
S102、检测到用户进入无人购物场所后,获取用户在购物过程中的行为信息。
行为信息,包括用户在进入无人购物场所后进行购物的过程中所做行为的行为特征,还包括用户的行为特征出现的时间信息和位置信息。例如,行为特征对应用户正在挑选物品的行为,该行为特征发生的位置为图1所示的物品展示设备1033前,该行为特征发生的时间为X年X月X日北京时间14点。
在一个实施例中,获取用户的行为信息的方法包括:检测到用户进入无人购物场所后,采集用户在购物过程中的行为图像;根据行为图像,获取用户在购物过程中的行为信息。
首先,检测到用户进入无人购物场所后,采集用户在购物过程中的行为图像。图像是指对自然事物或客观对象(人、动物、植物、景观等)的一种相似性、生动性的描述或写真,或图像可以理解为是自然事物或客观对象(人、动物、植物、景观等)的一种表示方式,它包含了被描述对象的有关信息。通常图像就是具有视觉效果的画面。行为图像,也即包括用户行为的图像。采集用户在购物过程中的行为图像可以通过图1所示的图像采集设备101,图像采集设备101的种类和功能参见上述图1所示,此处不再赘述。
进一步地,对行为图像进行分析处理,提取行为图像中用户行为对应的行为特征,从而根据行为特征得到行为信息。在一个实施例中,根据行为特征提取模型从行为图像中提取行为特征。该行为特征提取模型由任意一种神经网络模型构成,神经网络模型是由许多节点中各节点的简单非线性模拟处理要素密集互连配置而成的,是一种模仿生物神经元的系统模型。
具体而言,神经网络模型通过至少一个节点的输入端与每一个节点的输出端连接形成,类似于真实神经元的突触连接。每个神经元表达了一种特定的输出函数,即激励函数,每两个神经元之间的连接都包含一个连接强度,即作用于通过该连接的信号的加权值。
通常神经网络模型学习到的信息或知识储存在每个单元节点之间的连接矩阵上。神经网络模型可以是基于卷积神经网络(Convolutional Neural Network,CNN)模型,深度神经网络(Deep Neural Network,DNN)模型、循环神经网络(RecurrentNeural Networks,RNN)、模型、嵌入(embedding)模型、梯度提升决策树(GradientBoosting Decision Tree,GBDT)模型、逻辑回归(Logistic Regression,LR)模型等模型中的一种或多种的拟合实现的。
在本实施例中,优选采用基于深度神经网络的隐马尔可夫模型,即DNN-HMM,在现有神经网络模型基础上引入误差反向传播算法进行优化,提高神经网络模型对行为图像中行为特征乃至行为信息的识别准确率。
在本实施例中,将打上标签的行为图像输入至神经网络模型进行训练,得到训练之后的神经网络模型作为行为特征提取模型,该行为特征提取模型具有行为特征抽取、行为特征知识概括和学习记忆的能力。
具体而言,训练得到行为特征提取模型的方法包括:采集待处理的行为图像,对待处理的行为图像进行预处理后得到行为图像,对行为图像进行数字化处理,其中,预处理包括下述处理的一种或多种:图像去模糊,图像亮度增强、图像对比度增强、图像超分辨率重建和图像校正,数字化处理包括下述处理的一种或多种:反混叠滤波、采样、A/D转换等等;进一步的,基于预设规则对行为图像中包括的行为特征打上标签,例如,标签包括“手持物品”“(从物品展示设备中)拿出物品”“(向物品展示设备中)放入物品”等;将打上标签的行为图像输入到神经网络模型中进行训练,在训练过程中,计算神经网络模型的实际输出值与期望输出值的期望误差,基于期望误差调整神经网络模型的参数,直至训练预设轮数或训练效果达到预设,生成行为特征提取模型。
可选的,对神经网络模型进行训练,可以是采用基于动态时间规整的训练方法DTW,还可以是基于矢量量化的训练方法VQ,还可以是时间序列的训练方法(HMM),等等。
S104、根据行为信息,向用户推送与行为信息关联的目标物品的第一引导信息。
根据行为信息,获取行为信息关联的目标物品,进一步根据行为信息对应的具体内容,向用户推送与目标物品和行为信息对应的第一引导信息。
首先,获取与行为信息关联的目标物品的方法可以是对用户的行为图像进行识别码识别处理,识别码包括任意一种表征目标物品类别的识别码,例如,识别码为无线射频识别条码(Radio Frequency Identification,RFID),通过识别行为图像上包括的RFID码,获取该RFID码对应的目标物品的类别。或者对行为图像进行图像识别处理,识别行为图像中目标物品的形状或颜色,从而判断目标物品的类型。
在另一个实施例中,获取与行为信息关联的目标物品的方法可以是识别物品展示设备上缺少的目标物品。具体而言,在每个物品展示设备上设置图像采集设备,例如,在货架上每层搁架对应位置安装摄像头。进一步的,通过安装好的摄像头进行实时图像采集或者在物品展示设备自开启状态至关闭状态变化前后进行图像采集,得到物品图像。进一步的,对物品图像进行图像识别处理,以确定与用户的行为信息关联的目标物品,其中,图像识别结果中缺少的物品或多余的物品即确定为与用户的行为信息关联的目标物品。
在其他实施例中,获取与行为信息关联的目标物品的方法可以是通过重量检测装置识别物品展示设备上的目标物品是否被取出,从而确定用户的行为信息关联的目标物品。具体而言,可将物品展示设备的每层搁架隔层作小格分布,且每个格子底部安装重量检测装置,当目标物品被取出或目标物品被放入时,每个格子底部的重量检测装置将重量变化信息输出至处理器,处理器根据接收到的重量变化信息确定每个格子中的目标物品是否被取出,以及每个格子中是否被放入目标物品,从而确定为与用户的行为信息关联的目标物品。
本说明书实施例还包括其他任意一种确定与用户行为信息关联的目标物品的方法,上述方法仅为示例。
如图3所示,图3是本说明书实施例提供的一种用户在无人购物场所中购物的场景示意图,用户201正在无人购物场所中购物,具体的,用户201正在挑选目标物品202,该目标物品202为香蕉。对图像采集设备采集的如图3所示的图像进行目标物品的图像识别和行为特征的特征提取,从而确定用户201的行为特征为挑选目标物品202,且目标物品202的类别为香蕉。
其次,在确定与行为信息关联的目标物品后,根据行为信息中行为特征的具体内容,确定第一引导信息。在一个实施例中,确定第一引导信息的方法为:根据行为信息,检测行为信息中包括的行为特征是否对应至少一个预设的行为特征;在检测到行为特征对应预设的目标行为特征时,根据目标行为特征以及与行为信息关联的目标物品,向用户推送第一引导信息。预设的行为特征,可以理解为预先存储在存储单元中的行为特征,用于与采集的行为特征进行对比。预设的行为特征主要分为两类,一类行为特征为合规合法的行为特征,另一类行为类型为违法违规的行为特征。
在一个实施例中,目标行为特征为用户挑选目标物品且挑选时长达到时长阈值,第一引导信息包括目标物品的促销活动信息。采集的用户的行为特征在至少一个预设的行为特征中对应的行为特征即为目标行为特征。目标物品的促销活动信息可以是预设或联网获取的,可以包括下述信息中的一种或多种:目标物品的历史折扣信息、当前折扣信息、与其他物品的满减信息等。目标物品的促销活动信息还可以包括目标物品的使用信息,例如,目标物品的使用场景、使用方法等。
换而言之,当根据行为图像检测到用户的行为特征为用户挑选目标物品且挑选时长达到时长阈值,时长阈值可以是任意一种按需设置的阈值。例如,如图3所示,检测到用户201挑选目标物品202的行为的持续时长达到时长阈值,则向用户201推送目标物品202的促销活动信息,以提高用户201购买目标物品202的可能性。
在另一个实施例中,目标行为特征为用户违规处理目标物品,第二引导信息包括目标行为特征对应的违规警告信息。根据目标行为特征的具体内容或违规的严重程度,输出与具体内容对应或与严重程度对应的第二引导信息。例如,如图3所示,检测到用户201挑选目标物品202的行为结束后,用户201的下一个行为为剥皮吃掉目标物品202,则确定用户201的行为特征对应的目标行为特征为违规处理目标物品,第二引导信息包括警告用户偷吃的违规警告信息。
最后,确定第一引导信息的具体内容后,向用户推送第一引导信息。在一个实施例中,向用户推送第一引导信息的方法可以是通过设置语音播报、投影仪、LED显示屏、LCD显示屏等,上述语音播报装置、各类显示装置可以是设置在购物推车上、无人购物场所的墙壁或天花板上或物品展示设备上。在另一个实施例中,向用户推送第一引导信息的方法还可以通过用户的移动终端向用户推送,用户的移动终端包括智能手机、手提电脑等电子设备,还包括眼镜、手表等可穿戴电子设备。
本说明书实施例采集用户在无人购物场所中进行购物时的行为信息,通过分析行为信息,向用户推送与该行为信息关联的目标物品的第一引导信息,例如,第一引导信息可以是目标物品的促销活动信息和/或使用信息,以引导用户了解该目标物品的促销活动和/或使用方法,提高用户购买目标物品的可能性,从而提高无人购物场所的营业额,第一引导信息还可以是用户违规处理目标物品时的警告信息,以警告用户偷拿、盗吃、放入异物等行为,保护无人购物场所的资产安全,换而言之,本说明书可以在降低零售业人力成本的同时引导用户在无人购物场所中购物,改善用户的购物体验。
在一个实施例中,如图4所示,为本说明书实施例提出的一种无人购物引导方法的流程示意图,该方法可依赖于计算机程序实现,可运行于基于冯诺依曼体系的无人购物引导装置上。该计算机程序可集成在应用中,也可作为独立的工具类应用运行。
具体地,该无人购物引导方法包括:
S202、检测到用户进入无人购物场所时,获取用户的身份信息。
无人购物场所设置有门禁检测设备,该门禁检测设备用于检测用户的身份信息,以及当用户的身份信息合法时允许用户进入无人购物场所。具体而言,门禁检测设备处于关闭状态,在允许用户进入无人购物场所时从关闭状态切换为开启状态。
在一个实施例中,获取用户的身份信息的方法可以是通过识别用户的生物识别特征。具体地,生物识别特征包括下述特征中的一种或多种:掌脉纹、掌纹、脸部图像、指纹和虹膜。例如,生物识别特征为掌脉纹,由于每个人的掌脉纹互不相同,又不易被复制,利用掌脉纹验证用户的身份信息并允许用户进入无人购物场所,可以充分保证身份验证的可靠性。另外,掌脉纹的面积较大,易于识别,所以可以实现用户的快速识别,提高用户的入店速度。
具体地,可以在无人购物场所门口设立掌脉纹采集设备。用户在准备进入之前,将手掌放置在掌脉纹采集设备上,等待掌脉纹采集设备采集用户的掌脉纹并将其发送给处理器确定用户的身份信息,当用户的身份信息合法时,无人购物场所的门禁检测设备从关闭状态切换为开启状态。
在另一个实施例中,获取用户的身份信息的方法还可以是通过识别用户的识别码。具体地,识别码包括电子识别码或实体识别码。电子识别码包括用户通过移动终端的应用程序出示的二维码、条形码等任意一种识别码,用户通过蓝牙、显示屏展示、WiFi、近场通信NFC等方式向无人购物场所的处理器发送电子识别码。实体识别码主要为实体卡片的形式,实体卡片内置或外置识别码,用户通过向无人购物场所的卡片识别设备展示实体识别码,以使无人购物场所的处理器通过获取实体卡片的卡片信息进而获取用户的身份信息。
在本说明书实施例中,用户的身份信息包括:用户的基础身份信息、地理位置信息、用户的购买力信息、偏好物品信息和历史购物行为信息。具体而言,检测到用户进入无人购物场所时,获取用户的基础身份信息、地理位置信息和历史购物数据,身份信息包括用户的基础身份信息和地理位置信息;对用户的历史购物数据进行分析处理,得到用户的购买力信息、偏好物品信息和历史购物行为信息,身份信息还包括用户的购买力信息、偏好物品信息和历史购物行为信息。
基础身份信息包括用户的姓名、年纪、联系方式等。在检测到用户进入无人购物场所时,通过识别用户的识别码或用户的生物识别特征获取用户的基础身份信息。
地理位置信息包括用户的常住地址的人群属性,人群属性表征该地址的用户的购买偏好,通过统计大量该地址的用户的购买物品得到。例如,用户的常住地址为上海,用户的地理位置信息包括上海的人群属性,该人群属性表征上海的用户偏好含咖啡因的饮料。获取地理位置信息的方法可以是通过检测用户进入的无人购物场所的地理位置得到。
历史购物数据表征用户的购买力信息、偏好物品信息和历史购物行为信息,包括历史时间段内用户在无人购物场所中或其他购物平台上的购物数据。购买力信息表征用户的消费水平,例如,用户的周均消费额、月均消费额和年均消费额。偏好物品信息表征用户在历史时间段内多次购买的物品的类型和数量,例如,用户在最近一周内每天都会购买一袋苹果,用户的偏好物品信息包括用户偏好苹果。历史购物行为信息表征用户在历史时间段内的购物行为,包括下述信息中的一种或多种:Recency(用户最近一次购买距今多久)、Frequency(用户的购买频率)和Monetary(用户的购买金额)等。
本说明书实施例的身份信息还可以包括其他维度的信息,由相关人员按需设置。在本实施例中,通过多个维度的信息组成用户的身份信息,可以精准刻画出用户的购物画像,以便更好地引导用户购物,提高用户的购物体验。
S204、根据身份信息预测用户所需的至少一个物品,以及向用户推送与至少一个物品关联的第二引导信息。
根据用户的身份信息,预测用户可能需要的至少一个物品。例如,用户的身份信息包括:用户的基础身份信息、地理位置信息、用户的购买力信息、偏好物品信息和历史购物行为信息,根据上述多个维度的信息预测用户所需的至少一个物品。
预测用户所需的至少一个物品的方法可以是通过神经网络模型或机器学习(Machine Learning,ML)的方法。例如,优选采用基于深度神经网络的隐马尔可夫模型,即DNN-HMM,在现有神经网络模型基础上引入误差反向传播算法进行优化,提高神经网络模型对根据身份细腻预测用户所需的至少一个物品的识别准确率。在本实施例中,将打上标签的身份数据输入至神经网络模型进行训练,得到训练之后的神经网络模型作为物品预测模型,该物品预测模型具有行为物品预测、物品预测知识概括和学习记忆的能力。
预测出用户所需的至少一个物品,确定与至少一个物品关联的第二引导信息,向用户推送第二引导信息。在一个实施例中,第二引导信息包括下述的一种或多种:至少一个物品分别对应的促销活动信息、无人购物场所的促销活动信息。例如,至少一个物品分别对应的促销活动信息可以是预设或联网获取的,可以包括下述信息中的一种或多种:物品的历史折扣信息、当前折扣信息、与其他物品的满减信息等。无人购物场所的促销活动信息可以是当前大型综合超市、社区便利店、水果店、面包店、美妆店等任意一种类型的购物场所提供的促销活动,例如,满减活动、储值返利活动、折扣活动和满赠活动等。
如图5所示,图5是本说明书实施例提供的一种用户进入无人购物场所的场景示意图。用户301站在无人购物场所的门禁检测设备前,门禁检测设备获取用户301的身份信息,并将身份信息发送给无人购物场所的处理器,以使处理器根据用户的身份信息预测用户所需的至少一个物品。例如,根据身份信息包括的偏好物品信息,预测用户需要的至少一个物品包括香蕉。无人购物场所的信息显示设备302向用户推送至少一个物品关联的第二引导信息,如图3所示,信息显示设备302为无人购物场所门口设置的包括LED显示器的设备。在其他实施例中,还可以通过语音播报的方式向用户推送第二引导信息。
S206、检测到用户进入无人购物场所后,获取用户在购物过程中的行为信息。
参见上述S102,此处不再赘述。
S208、根据行为信息和身份信息,向用户推送与行为信息关联的目标物品的第一引导信息。
向用户推送的第一引导信息不仅与目标物品关联,还与用户的身份信息关联。在一个实施例中,用户的身份信息包括无人购物场所对用户的评分,用户的评分对应用户的等级。例如,用户的等级可划分为黑名单用户、恶意用户、普通用户和优质用户等。可以理解的是,用户的评分越高,用户的等级越高,其中,用户的评分最高可为100分,则用户的等级可根据评分区间来进行相应的设定,例如60分以下为黑名单用户、60分至79分为恶劣用户、80分至85分为普通用户、86分至100为优质用户。用户的评分可以根据用户的购买力信息和历史购物行为信息中的一种或多种计算得到,还可以根据用户与无人购物场所的交互评论得到,交互评论包括用户通过移动终端的应用程序为无人购物场所打分或评论、填写无人购物场所的处理器发送的调查问卷等。
根据行为信息和身份信息确定第二引导信息。例如,用户的身份信息表征用户为该无人购物场所的黑名单用户,则第二引导信息的内容为提示该用户无法在该无人购物场所中进行购物,以及用户为黑名单用户的原因,以保障无人购物场所的利益。
又例如,用户的身份信息表征用户为该无人购物场所的恶劣用户,第二引导信息包括提示该用户的购物行为正在被监测,以及用户为恶劣用户的原因,例如用户的历史违规行为。同时,无人购物场所的处理器发出提示信息到目标服务器,以提示目标服务器的工作人员重点监测该用户在无人购物场所中的购物行为,以保障无人购物场所的利益。
又例如,根据用户的身份信息中用户的等级,向用户推送与用户的等级匹配的目标物品的促销活动信息。具体而言,在检测到用户的行为特征满足预设的行为特征时,根据行为特征关联的目标物品对应不同用户等级的促销等级,向用户推送符合用户等级的促销等级的第二引导信息。
本说明书实施例采集用户在无人购物场所中进行购物时的行为信息,通过分析行为信息,向用户推送与该行为信息关联的目标物品的第一引导信息,例如,第一引导信息可以是目标物品的促销活动信息和/或使用信息,以引导用户了解该目标物品的促销活动和/或使用方法,提高用户购买目标物品的可能性,从而提高无人购物场所的营业额,第一引导信息还可以是用户违规处理目标物品时的警告信息,以警告用户偷拿、盗吃、放入异物等行为,保护无人购物场所的资产安全,换而言之,本说明书可以在降低零售业人力成本的同时引导用户在无人购物场所中购物,改善用户的购物体验。
在一个实施例中,如图6所示,为本说明书实施例提出的一种无人购物引导方法的流程示意图,该方法可依赖于计算机程序实现,可运行于基于冯诺依曼体系的无人购物引导装置上。该计算机程序可集成在应用中,也可作为独立的工具类应用运行。
具体地,该无人购物引导方法包括:
S302、检测到用户进入无人购物场所时,获取用户的身份信息。
参见上述S202,此处不再赘述。
S304、根据身份信息预测用户所需的至少一个物品,以及向用户推送与至少一个物品关联的第二引导信息。
参见上述S204,此处不再赘述。
S306、检测到用户进入无人购物场所后,获取用户在购物过程中的行为信息。
参见上述S206,此处不再赘述。
S308、根据行为信息,向用户推送与行为信息关联的目标物品的第一引导信息。
参见上述S208,此处不再赘述。
S310、检测到用户离开无人购物场所后,向用户推送第三引导信息。
检测到用户结束购物行为并离开无人购物场所。在一个实施例中,通过识别用户的生物识别特征检测用户是否离开无人购物场所。例如,无人购物场所的门禁检测设备设置有红外检测装置,从而通过红外检测装置检测是否有用户站在无人购物场所的门口等待离开。
在一个实施例中,第三引导信息包括下述中的一种或多种:与行为信息关联的调查问卷、无人购物场所的储值活动信息和/或会员活动信息。例如,根据用户在无人购物场所中所有的购物行为,生成包括对每个购物行为的体验进行评分的调查问卷。向用户推送第三引导信息的方法可以是向用户的移动终端发送短信、电话、应用程序的消息等。本实施例中,通过向完成购物的用户发送第三引导信息,收集用户针对购物过程的体验信息,从而根据用户的体验信息改善无人购物场所的运营方案,提高用户的购物体验。
本说明书实施例采集用户在无人购物场所中进行购物时的行为信息,通过分析行为信息,向用户推送与该行为信息关联的目标物品的第一引导信息,例如,第一引导信息可以是目标物品的促销活动信息和/或使用信息,以引导用户了解该目标物品的促销活动和/或使用方法,提高用户购买目标物品的可能性,从而提高无人购物场所的营业额,第一引导信息还可以是用户违规处理目标物品时的警告信息,以警告用户偷拿、盗吃、放入异物等行为,保护无人购物场所的资产安全,换而言之,本说明书可以在降低零售业人力成本的同时引导用户在无人购物场所中购物,改善用户的购物体验。
下述为本说明书装置实施例,可以用于执行本说明书方法实施例。对于本说明书装置实施例中未披露的细节,请参照本说明书方法实施例。
请参见图7,其示出了本说明书一个示例性实施例提供的无人购物引导装置的结构示意图。该购物引导装置可以通过软件、硬件或者两者的结合实现成为装置的全部或一部分。本说明书提供的无人购物引导装置包括行为检测模块701和第一引导模块702。
行为检测模块701,用于检测到用户进入无人购物场所后,获取所述用户在购物过程中的行为信息;
第一引导模块702,用于根据所述行为信息,向所述用户推送与所述行为信息关联的目标物品的第一引导信息。
在一个实施例中,无人购物引导装置还包括:
身份检测模块,用于检测到所述用户进入所述无人购物场所时,获取所述用户的身份信息;
第二引导模块,用于根据所述身份信息预测所述用户所需的至少一个物品,以及向所述用户推送与所述至少一个物品关联的第二引导信息。
在一个实施例中,第一引导模块702,包括:
第一引导单元,用于根据所述行为信息和所述身份信息,向所述用户推送与所述行为信息关联的目标物品的第一引导信息。
在一个实施例中,身份检测模块,包括:
第一获取单元,用于检测到所述用户进入所述无人购物场所时,获取所述用户的基础身份信息、地理位置信息和历史购物数据,所述身份信息包括所述用户的基础身份信息和地理位置信息;
第二获取单元,用于对所述用户的历史购物数据进行分析处理,得到所述用户的购买力信息、偏好物品信息和历史购物行为信息,所述身份信息还包括所述用户的购买力信息、偏好物品信息和历史购物行为信息。
在一个实施例中,所述第二引导信息包括下述的一种或多种:所述至少一个物品分别对应的促销活动信息、所述无人购物场所的促销活动信息。
在一个实施例中,行为检测模块701,包括:
图像采集单元,用于检测到用户进入无人购物场所后,采集所述用户在购物过程中的行为图像;
行为检测单元,用于根据所述行为图像,获取所述用户在购物过程中的行为信息。
在一个实施例中,第一引导模块702,包括:
预设对应单元,用于根据所述行为信息,检测所述行为信息中包括的行为特征是否对应至少一个预设的行为特征;
信息确定单元,用于在检测到所述行为特征对应预设的目标行为特征时,根据所述目标行为特征以及与所述行为信息关联的目标物品,向所述用户推送第一引导信息。
在一个实施例中,所述目标行为特征为所述用户挑选所述目标物品且挑选时长达到时长阈值,所述第一引导信息包括所述目标物品的促销活动信息。
在一个实施例中,所述目标行为特征为所述用户违规处理所述目标物品,所述第二引导信息包括所述目标行为特征对应的违规警告信息。
在一个实施例中,无人购物引导装置,还包括:
第三引导模块,用于检测到所述用户离开所述无人购物场所后,向所述用户推送第三引导信息。
在一个实施例中,所述第三引导信息包括下述的一种或多种:与所述行为信息关联的调查问卷、所述无人购物场所的储值活动信息和/或会员活动信息。
本说明书实施例采集用户在无人购物场所中进行购物时的行为信息,通过分析行为信息,向用户推送与该行为信息关联的目标物品的第一引导信息,例如,第一引导信息可以是目标物品的促销活动信息和/或使用信息,以引导用户了解该目标物品的促销活动和/或使用方法,提高用户购买目标物品的可能性,从而提高无人购物场所的营业额,第一引导信息还可以是用户违规处理目标物品时的警告信息,以警告用户偷拿、盗吃、放入异物等行为,保护无人购物场所的资产安全,换而言之,本说明书可以在降低零售业人力成本的同时引导用户在无人购物场所中购物,改善用户的购物体验。
需要说明的是,上述实施例提供的无人购物引导装置在执行无人购物引导方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的无人购物引导装置与无人购物引导方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
上述本说明书实施例序号仅仅为了描述,不代表实施例的优劣。
本说明书实施例还提供了一种计算机存储介质,所述计算机存储介质可以存储有多条指令,该指令适于由处理器加载并执行如上述图1-图6所示实施例的无人购物引导方法,具体执行过程可以参见图1-图6所示实施例的具体说明,在此不进行赘述。
本说明书还提供了一种计算机程序产品,该计算机程序产品存储有至少一条指令,该至少一条指令由处理器加载并执行如上述图1-图6所示实施例的无人购物引导方法,具体执行过程可以参见图1-图6所示实施例的具体说明,在此不进行赘述。
请参见图8,为本说明书实施例提供了一种电子设备的结构示意图。如图8所示,所述电子设备800可以包括:至少一个处理器801,至少一个网络接口804,用户接口803,存储器805,至少一个通信总线802。
其中,通信总线802用于实现这些组件之间的连接通信。
其中,用户接口803可以包括显示屏(Display)、摄像头(Camera),可选用户接口803还可以包括标准的有线接口、无线接口。
其中,网络接口804可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器801可以包括一个或者多个处理核心。处理器801利用各种接口和线路连接整个服务器800内的各个部分,通过运行或执行存储在存储器805内的指令、程序、代码集或指令集,以及调用存储在存储器805内的数据,执行服务器800的各种功能和处理数据。可选的,处理器801可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(ProgrammableLogic Array,PLA)中的至少一种硬件形式来实现。处理器801可集成中央处理器(CentralProcessing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器801中,单独通过一块芯片进行实现。
其中,存储器805可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器805包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器805可用于存储指令、程序、代码、代码集或指令集。存储器805可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及的数据等。存储器805可选的还可以是至少一个位于远离前述处理器801的存储装置。如图8所示,作为一种计算机存储介质的存储器805中可以包括操作系统、网络通信模块、用户接口模块以及无人购物引导应用程序。
在图8所示的电子设备800中,用户接口803主要用于为用户提供输入的接口,获取用户输入的数据;而处理器801可以用于调用存储器805中存储的无人购物引导应用程序,并具体执行以下操作:
检测到用户进入无人购物场所后,获取所述用户在购物过程中的行为信息;
根据所述行为信息,向所述用户推送与所述行为信息关联的目标物品的第一引导信息。
在一个实施例中,处理器801执行所述检测到用户进入无人购物场所后,获取所述用户在购物过程中的行为信息之前,还执行:
检测到所述用户进入所述无人购物场所时,获取所述用户的身份信息;
根据所述身份信息预测所述用户所需的至少一个物品,以及向所述用户推送与所述至少一个物品关联的第二引导信息。
在一个实施例中,处理器801执行所述根据所述行为信息,向所述用户推送与所述行为信息关联的目标物品的第一引导信息,具体执行:
根据所述行为信息和所述身份信息,向所述用户推送与所述行为信息关联的目标物品的第一引导信息。
在一个实施例中,处理器801执行所述检测到所述用户进入所述无人购物场所时,获取所述用户的身份信息,具体执行:
检测到所述用户进入所述无人购物场所时,获取所述用户的基础身份信息、地理位置信息和历史购物数据,所述身份信息包括所述用户的基础身份信息和地理位置信息;
对所述用户的历史购物数据进行分析处理,得到所述用户的购买力信息、偏好物品信息和历史购物行为信息,所述身份信息还包括所述用户的购买力信息、偏好物品信息和历史购物行为信息。
在一个实施例中,处理器801执行所述第二引导信息包括下述的一种或多种:所述至少一个物品分别对应的促销活动信息、所述无人购物场所的促销活动信息。
在一个实施例中,处理器801执行所述检测到用户进入无人购物场所后,获取所述用户在购物过程中的行为信息,具体执行:
检测到用户进入无人购物场所后,采集所述用户在购物过程中的行为图像;
根据所述行为图像,获取所述用户在购物过程中的行为信息。
在一个实施例中,处理器801执行所述根据所述行为信息,向所述用户推送与所述行为信息关联的目标物品的第一引导信息,具体执行:
根据所述行为信息,检测所述行为信息中包括的行为特征是否对应至少一个预设的行为特征;
在检测到所述行为特征对应预设的目标行为特征时,根据所述目标行为特征以及与所述行为信息关联的目标物品,向所述用户推送第一引导信息。
在一个实施例中,所述目标行为特征为所述用户挑选所述目标物品且挑选时长达到时长阈值,所述第一引导信息包括所述目标物品的促销活动信息。
在一个实施例中,所述目标行为特征为所述用户违规处理所述目标物品,所述第二引导信息包括所述目标行为特征对应的违规警告信息。
在一个实施例中,处理器801执行所述根据所述行为信息,向所述用户推送与所述行为信息关联的目标物品的第一引导信息之后,还执行:
检测到所述用户离开所述无人购物场所后,向所述用户推送第三引导信息。
在一个实施例中,所述第三引导信息包括下述的一种或多种:与所述行为信息关联的调查问卷、所述无人购物场所的储值活动信息和/或会员活动信息。
本说明书实施例采集用户在无人购物场所中进行购物时的行为信息,通过分析行为信息,向用户推送与该行为信息关联的目标物品的第一引导信息,例如,第一引导信息可以是目标物品的促销活动信息和/或使用信息,以引导用户了解该目标物品的促销活动和/或使用方法,提高用户购买目标物品的可能性,从而提高无人购物场所的营业额,第一引导信息还可以是用户违规处理目标物品时的警告信息,以警告用户偷拿、盗吃、放入异物等行为,保护无人购物场所的资产安全,换而言之,本说明书可以在降低零售业人力成本的同时引导用户在无人购物场所中购物,改善用户的购物体验。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本说明书较佳实施例而已,当然不能以此来限定本说明书之权利范围,因此依本说明书权利要求所做的等同变化,仍属本说明书所涵盖的范围。
Claims (15)
1.一种无人购物引导方法,所述方法包括:
检测到用户进入无人购物场所后,获取所述用户在购物过程中的行为信息;
根据所述行为信息,向所述用户推送与所述行为信息关联的目标物品的第一引导信息。
2.根据权利要求1所述的无人购物引导方法,所述检测到用户进入无人购物场所后,获取所述用户在购物过程中的行为信息之前,还包括:
检测到所述用户进入所述无人购物场所时,获取所述用户的身份信息;
根据所述身份信息预测所述用户所需的至少一个物品,以及向所述用户推送与所述至少一个物品关联的第二引导信息。
3.根据权利要求2所述的无人购物引导方法,所述根据所述行为信息,向所述用户推送与所述行为信息关联的目标物品的第一引导信息,包括:
根据所述行为信息和所述身份信息,向所述用户推送与所述行为信息关联的目标物品的第一引导信息。
4.根据权利要求2所述的无人购物引导方法,所述检测到所述用户进入所述无人购物场所时,获取所述用户的身份信息,包括:
检测到所述用户进入所述无人购物场所时,获取所述用户的基础身份信息、地理位置信息和历史购物数据,所述身份信息包括所述用户的基础身份信息和地理位置信息;
对所述用户的历史购物数据进行分析处理,得到所述用户的购买力信息、偏好物品信息和历史购物行为信息,所述身份信息还包括所述用户的购买力信息、偏好物品信息和历史购物行为信息。
5.根据权利要求2所述的无人购物引导方法,所述第二引导信息包括下述的一种或多种:所述至少一个物品分别对应的促销活动信息、所述无人购物场所的促销活动信息。
6.根据权利要求1所述的无人购物引导方法,所述检测到用户进入无人购物场所后,获取所述用户在购物过程中的行为信息,包括:
检测到用户进入无人购物场所后,采集所述用户在购物过程中的行为图像;
根据所述行为图像,获取所述用户在购物过程中的行为信息。
7.根据权利要求1所述的无人购物引导方法,所述根据所述行为信息,向所述用户推送与所述行为信息关联的目标物品的第一引导信息,包括:
根据所述行为信息,检测所述行为信息中包括的行为特征是否对应至少一个预设的行为特征;
在检测到所述行为特征对应预设的目标行为特征时,根据所述目标行为特征以及与所述行为信息关联的目标物品,向所述用户推送第一引导信息。
8.根据权利要求7所述的无人购物引导方法,所述目标行为特征为所述用户挑选所述目标物品且挑选时长达到时长阈值,所述第一引导信息包括所述目标物品的促销活动信息。
9.根据权利要求7所述的无人购物引导方法,所述目标行为特征为所述用户违规处理所述目标物品,所述第二引导信息包括所述目标行为特征对应的违规警告信息。
10.根据权利要求1所述的无人购物引导方法,所述根据所述行为信息,向所述用户推送与所述行为信息关联的目标物品的第一引导信息之后,还包括:
检测到所述用户离开所述无人购物场所后,向所述用户推送第三引导信息。
11.根据权利要求10所述的无人购物引导方法,所述第三引导信息包括下述的一种或多种:与所述行为信息关联的调查问卷、所述无人购物场所的储值活动信息和/或会员活动信息。
12.一种无人购物引导装置,所述装置包括:
行为检测模块,用于检测到用户进入无人购物场所后,获取所述用户在购物过程中的行为信息;
第一引导模块,用于根据所述行为信息,向所述用户推送与所述行为信息关联的目标物品的第一引导信息。
13.一种计算机存储介质,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1~11任意一项的方法步骤。
14.一种计算机程序产品,所述计算机程序产品存储有多条指令,所述指令适于由处理器加载并执行如权利要求1~11任意一项的方法步骤。
15.一种电子设备,包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行如权利要求1~11任意一项的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310485033.9A CN116542686A (zh) | 2023-04-27 | 2023-04-27 | 无人购物引导方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310485033.9A CN116542686A (zh) | 2023-04-27 | 2023-04-27 | 无人购物引导方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116542686A true CN116542686A (zh) | 2023-08-04 |
Family
ID=87455464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310485033.9A Pending CN116542686A (zh) | 2023-04-27 | 2023-04-27 | 无人购物引导方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116542686A (zh) |
-
2023
- 2023-04-27 CN CN202310485033.9A patent/CN116542686A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816441B (zh) | 策略推送方法、系统及相关装置 | |
US11238655B2 (en) | Offline shopping guide method and apparatus | |
CN108876526B (zh) | 商品推荐方法、装置和计算机可读存储介质 | |
CN110033298B (zh) | 信息处理设备及其控制方法、系统和存储介质 | |
CN108292425A (zh) | 自动引导的图像捕获和展示 | |
CN108346050A (zh) | 一种创建用户账户的方法、装置及无人商店 | |
JP5002441B2 (ja) | マーケティングデータ分析方法、マーケティングデータ分析システム、データ分析サーバ装置およびプログラム | |
KR102246109B1 (ko) | 소비자 선호도에 기반한 상품 추천 시스템 및 방법 | |
US11087396B1 (en) | Context aware predictive activity evaluation | |
CN108805644A (zh) | 贩售机的商品售卖方法以及贩售机 | |
CN110060413B (zh) | 物品的出售方法和装置、存储介质及电子装置 | |
CN111222410A (zh) | 一种基于人脸识别的店商消费行为分析引导营销系统 | |
CN110766454A (zh) | 门店的顾客到访信息收集方法以及门店子系统架构 | |
CN114169952A (zh) | 一种商品推荐方法、服务器、购物车和购物系统 | |
CN110443637A (zh) | 用户购物行为分析方法、装置及存储介质 | |
CN107392614A (zh) | 线下交易的实现方法和装置 | |
CN116894711A (zh) | 商品推荐理由生成方法及其装置、电子设备 | |
CN113947425A (zh) | 店铺地址确定方法及装置 | |
CN111178116A (zh) | 无人售货方法、监控摄像机及系统 | |
CN110689389A (zh) | 基于计算机视觉的购物清单自动维护方法及装置、存储介质、终端 | |
CN113887884A (zh) | 商超服务系统 | |
CN116523548A (zh) | 商品的特征信息识别方法及其装置 | |
CN104376427A (zh) | 一种城市超市信息发布方法 | |
CN104484745A (zh) | 城市超市信息发布系统 | |
CN111476613A (zh) | 基于客流分析的导购辅助方法及装置、服务器、存储介质 |
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 |