CN116796023A - 物品匹配方法、装置、电子设备、计算机可读介质和产品 - Google Patents
物品匹配方法、装置、电子设备、计算机可读介质和产品 Download PDFInfo
- Publication number
- CN116796023A CN116796023A CN202310323823.7A CN202310323823A CN116796023A CN 116796023 A CN116796023 A CN 116796023A CN 202310323823 A CN202310323823 A CN 202310323823A CN 116796023 A CN116796023 A CN 116796023A
- Authority
- CN
- China
- Prior art keywords
- information
- text
- image
- similarity
- feature
- 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 59
- 239000013598 vector Substances 0.000 claims abstract description 210
- 238000012545 processing Methods 0.000 claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims description 101
- 230000004044 response Effects 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 17
- 230000001174 ascending effect Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract description 32
- 230000006870 function Effects 0.000 description 66
- 238000012549 training Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开的实施例公开了物品匹配方法、装置、电子设备、计算机可读介质和产品。该方法的一具体实施方式包括:获取第一物品信息和第二物品信息;对第一文本信息、第二文本信息、第一图像和第二图像分别进行特征提取,得到第一文本特征信息、第二文本特征信息、第一图像特征信息和第二图像特征信息;根据第一文本特征信息和第二文本特征信息,生成文本相似度信息;根据第一图像特征信息和第二图像特征信息,生成图像相似度信息;对文本相似度信息和图像相似度信息进行升维合并处理,得到目标向量;根据目标向量,生成同品匹配信息。该实施方式与同品检测有关,提高了同物品检测的准确性,缩短了同物品检测的耗时。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及物品匹配方法、装置、电子设备、计算机可读介质和产品。
背景技术
同物品检测是指确定不同物品是否属于同品的检测。目前,在进行同物品检测时,通常采用的方式为:对比同类目下物品的品牌标识、型号、订货号信息,以进行同物品检测。
然而,发明人发现,当采用上述方式进行同物品检测时,经常会存在如下技术问题:进行比对时仅考虑文本类型的信息,单一文本类型的信息对物品的描述的完整性较差且含有噪声,导致同物品检测的准确性较差,需比对的信息较多时,需预先设定不同的匹配规则,导致同物品检测耗时较长。
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物品匹配方法、装置、电子设备、计算机可读介质和计算机程序产品,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种物品匹配方法,该方法包括:获取第一物品信息和第二物品信息,其中,上述第一物品信息包括第一文本信息和第一图像,上述第二物品信息包括第二文本信息和第二图像;对上述第一文本信息、上述第二文本信息、上述第一图像和上述第二图像分别进行特征提取,得到第一文本特征信息、第二文本特征信息、第一图像特征信息和第二图像特征信息;根据上述第一文本特征信息和上述第二文本特征信息,生成文本相似度信息;根据上述第一图像特征信息和上述第二图像特征信息,生成图像相似度信息;对上述文本相似度信息和上述图像相似度信息进行升维合并处理,得到目标向量;根据上述目标向量,生成同品匹配信息。
可选地,上述第一文本信息包括第一标题信息和第一物品属性信息,上述第二文本信息包括第二标题信息和第二物品属性信息,以及上述对上述第一文本信息、上述第二文本信息、上述第一图像和上述第二图像分别进行特征提取,得到第一文本特征信息、第二文本特征信息、第一图像特征信息和第二图像特征信息,包括:对上述第一标题信息和上述第一物品属性信息分别进行特征提取,得到第一标题特征向量和第一物品属性特征矩阵;将上述第一标题特征向量和上述第一物品属性特征矩阵确定为第一文本特征信息。
可选地,上述对上述第一文本信息、上述第二文本信息、上述第一图像和上述第二图像分别进行特征提取,得到第一文本特征信息、第二文本特征信息、第一图像特征信息和第二图像特征信息,还包括:对上述第二标题信息和上述第二物品属性信息分别进行特征提取,得到第二标题特征向量和第二物品属性特征矩阵;将上述第二标题特征向量和上述第二物品属性特征矩阵确定为第二文本特征信息。
可选地,上述根据上述第一文本特征信息和上述第二文本特征信息,生成文本相似度信息,包括:将上述第一标题特征向量和上述第二标题特征向量的相似度确定为标题相似度;将上述第一物品属性特征矩阵和上述第二物品属性特征矩阵的相似度矩阵确定为属性相似度矩阵;将上述标题相似度和上述属性相似度矩阵确定为文本相似度信息。
可选地,上述对上述文本相似度信息和上述图像相似度信息进行升维合并处理,得到目标向量,包括:根据预设核函数信息集合,对上述标题相似度进行升维处理,得到升维标题信息;根据上述预设核函数信息集合,对上述属性相似度矩阵进行升维处理,得到升维属性相似度信息;根据上述预设核函数信息集合,对上述图像相似度信息进行升维处理,得到升维图像信息;对上述升维标题信息、上述升维图像信息和上述升维属性相似度信息进行合并处理,得到目标向量。
可选地,上述根据上述预设核函数信息集合,对上述属性相似度矩阵进行升维处理,得到升维属性相似度信息,包括:根据上述预设核函数信息集合和上述属性相似度矩阵的各个行向量,生成升维行相似度信息;根据上述预设核函数信息集合和上述属性相似度矩阵的各个列向量,生成升维列相似度信息;将上述升维行相似度信息和上述升维列相似度信息确定为升维属性相似度信息。
可选地,上述根据上述预设核函数信息集合和上述属性相似度矩阵的各个行向量,生成升维行相似度信息,包括:对于上述各个行向量中的每个行向量,执行以下步骤:将上述行向量中满足第一预设数值条件的元素确定为目标行元素;根据上述目标行元素和上述预设核函数信息集合,生成升维行向量;根据所得到的各个升维行向量,生成升维行相似度信息。
可选地,上述根据上述预设核函数信息集合和上述属性相似度矩阵的各个列向量,生成升维列相似度信息,包括:对于上述各个列向量中的每个列向量,执行以下步骤:将上述列向量中满足第二预设数值条件的元素确定为目标列元素;根据上述目标列元素和上述预设核函数信息集合,生成升维列向量;根据所得到的各个升维列向量,生成升维列相似度信息。
可选地,上述根据上述目标向量,生成同品匹配信息,包括:将上述目标向量输入至预先训练的同品匹配信息生成模型,得到同品匹配信息。
可选地,方法还包括:根据上述同品匹配信息,确定上述第一物品信息和上述第二物品信息所对应的物品是否为同品;响应于确定上述第一物品信息和上述第二物品信息所对应的物品为同品,确定对应上述第一物品信息的第一库存量和对应上述第二物品信息的第二库存量是否满足同品替换条件;响应于确定上述第一库存量和上述第二库存量满足上述同品替换条件,控制相关联的物品调度设备执行同品调度操作。
可选地,上述确定对应上述第一物品信息的第一库存量和对应上述第二物品信息的第二库存量是否满足同品替换条件,包括:响应于确定上述第一库存量小于第一预设阈值且上述第二库存量大于第二预设阈值,或上述第一库存量大于上述第一预设阈值且上述第二库存量小于上述第二预设阈值,确定上述第一库存量和上述第二库存量满足同品替换条件。
第二方面,本公开的一些实施例提供了一种物品匹配装置,装置包括:获取单元,被配置成获取第一物品信息和第二物品信息,其中,上述第一物品信息包括第一文本信息和第一图像,上述第二物品信息包括第二文本信息和第二图像;特征提取单元,被配置成对上述第一文本信息、上述第二文本信息、上述第一图像和上述第二图像分别进行特征提取,得到第一文本特征信息、第二文本特征信息、第一图像特征信息和第二图像特征信息;第一生成单元,被配置成根据上述第一文本特征信息和上述第二文本特征信息,生成文本相似度信息;第二生成单元,被配置成根据上述第一图像特征信息和上述第二图像特征信息,生成图像相似度信息;升维合并单元,被配置成对上述文本相似度信息和上述图像相似度信息进行升维合并处理,得到目标向量;第三生成单元,被配置成根据上述目标向量,生成同品匹配信息。
可选地,上述第一文本信息包括第一标题信息和第一物品属性信息,上述第二文本信息包括第二标题信息和第二物品属性信息。
可选地,特征提取单元进一步被配置成:对上述第一标题信息和上述第一物品属性信息分别进行特征提取,得到第一标题特征向量和第一物品属性特征矩阵;将上述第一标题特征向量和上述第一物品属性特征矩阵确定为第一文本特征信息。
可选地,特征提取单元进一步被配置成:对上述第二标题信息和上述第二物品属性信息分别进行特征提取,得到第二标题特征向量和第二物品属性特征矩阵;将上述第二标题特征向量和上述第二物品属性特征矩阵确定为第二文本特征信息。
可选地,第一生成单元进一步被配置成:将上述第一标题特征向量和上述第二标题特征向量的相似度确定为标题相似度;将上述第一物品属性特征矩阵和上述第二物品属性特征矩阵的相似度矩阵确定为属性相似度矩阵;将上述标题相似度和上述属性相似度矩阵确定为文本相似度信息。
可选地,升维合并单元进一步被配置成:根据预设核函数信息集合,对上述标题相似度进行升维处理,得到升维标题信息;根据上述预设核函数信息集合,对上述属性相似度矩阵进行升维处理,得到升维属性相似度信息;根据上述预设核函数信息集合,对上述图像相似度信息进行升维处理,得到升维图像信息;对上述升维标题信息、上述升维图像信息和上述升维属性相似度信息进行合并处理,得到目标向量。
可选地,升维合并单元进一步被配置成:根据上述预设核函数信息集合和上述属性相似度矩阵的各个行向量,生成升维行相似度信息;根据上述预设核函数信息集合和上述属性相似度矩阵的各个列向量,生成升维列相似度信息;将上述升维行相似度信息和上述升维列相似度信息确定为升维属性相似度信息。
可选地,升维合并单元进一步被配置成:对于上述各个行向量中的每个行向量,执行以下步骤:将上述行向量中满足第一预设数值条件的元素确定为目标行元素;根据上述目标行元素和上述预设核函数信息集合,生成升维行向量;根据所得到的各个升维行向量,生成升维行相似度信息。
可选地,升维合并单元进一步被配置成:对于上述各个列向量中的每个列向量,执行以下步骤:将上述列向量中满足第二预设数值条件的元素确定为目标列元素;根据上述目标列元素和上述预设核函数信息集合,生成升维列向量;根据所得到的各个升维列向量,生成升维列相似度信息。
可选地,第三生成单元进一步被配置成:将上述目标向量输入至预先训练的同品匹配信息生成模型,得到同品匹配信息。
可选地,物品匹配装置还包括:第一确定单元、第二确定单元和控制单元。其中,第一确定单元被配置成根据上述同品匹配信息,确定上述第一物品信息和上述第二物品信息所对应的物品是否为同品。第二确定单元被配置成响应于确定上述第一物品信息和上述第二物品信息所对应的物品为同品,确定对应上述第一物品信息的第一库存量和对应上述第二物品信息的第二库存量是否满足同品替换条件。控制单元被配置成响应于确定上述第一库存量和上述第二库存量满足上述同品替换条件,控制相关联的物品调度设备执行同品调度操作。
可选地,第二确定单元进一步被配置成:响应于确定上述第一库存量小于第一预设阈值且上述第二库存量大于第二预设阈值,或上述第一库存量大于上述第一预设阈值且上述第二库存量小于上述第二预设阈值,确定上述第一库存量和上述第二库存量满足同品替换条件。
第三方面,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上述第一方面任一实现方式所描述的方法。
第四方面,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上述第一方面任一实现方式所描述的方法。
第五方面,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物品匹配方法,提高了同物品检测的准确性,缩短了同物品检测的耗时。具体来说,造成同物品检测的准确性较差、耗时较长的原因在于:进行比对时仅考虑文本类型的信息,单一文本类型的信息对物品的描述的完整性较差且含有噪声,导致同物品检测的准确性较差,需比对的信息较多时,需预先设定不同的匹配规则,导致同物品检测耗时较长。基于此,本公开的一些实施例的物品匹配方法,首先,获取第一物品信息和第二物品信息。其中,上述第一物品信息包括第一文本信息和第一图像。上述第二物品信息包括第二文本信息和第二图像。由此,可以第一文本信息和第二文本信息可以表征两个物品的文本类型的信息,第一图像和第二图像可以表征两个物品的图像类型的信息,以用于进行同物品检测。然后,对上述第一文本信息、上述第二文本信息、上述第一图像和上述第二图像分别进行特征提取,得到第一文本特征信息、第二文本特征信息、第一图像特征信息和第二图像特征信息。由此,可以从文本类型的信息中抽取文本特征,从图像类型的信息中抽取图像特征。之后,根据上述第一文本特征信息和上述第二文本特征信息,生成文本相似度信息。由此,可以从文本类型信息的维度确定文本相似度相关信息。其次,根据上述第一图像特征信息和上述第二图像特征信息,生成图像相似度信息。由此,可以从图像类型信息的维度确定图像相似度。接着,对上述文本相似度信息和上述图像相似度信息进行升维合并处理,得到目标向量。由此,目标向量可以作为从多维度信息进行同物品检测的依据。最后,根据上述目标向量,生成同品匹配信息。由此,同品匹配信息可以用于确定两个物品是否为同品。也因为进行同物品检测时,综合采用了文本类型和图像类型的信息,提升了对物品描述的完整性,减弱了文本噪声的影响,从而提高了同物品检测的准确性。还因为未采用通过匹配规则进行比对的方式,可以自动进行同物品检测,缩短了同物品检测的耗时。由此,提高了同物品检测的准确性,缩短了同物品检测的耗时。
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物品匹配方法的一个应用场景的示意图;
图2是根据本公开的一些实施例的物品匹配方法的另一个应用场景的示意图;
图3是根据本公开的物品匹配方法的一些实施例的流程图;
图4是根据本公开的物品匹配方法的另一些实施例的流程图;
图5是根据本公开的物品匹配装置的一些实施例的结构示意图;
图6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。
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物品匹配方法的一个应用场景的示意图。
在图1的应用场景中,首先,计算设备101可以获取第一物品信息102和第二物品信息103。其中,上述第一物品信息102可以包括第一文本信息1021和第一图像1022。上述第二物品信息103可以包括第二文本信息1031和第二图像1032。然后,计算设备101可以对上述第一文本信息1021、上述第二文本信息1031、上述第一图像1022和上述第二图像1032分别进行特征提取,得到第一文本特征信息104、第二文本特征信息105、第一图像特征信息106和第二图像特征信息107。之后,计算设备101可以根据上述第一文本特征信息104和上述第二文本特征信息105,生成文本相似度信息108。其次,计算设备101可以根据上述第一图像特征信息106和上述第二图像特征信息107,生成图像相似度信息109。接着,计算设备101可以对上述文本相似度信息108和上述图像相似度信息109进行升维合并处理,得到目标向量110。最后,计算设备101可以根据上述目标向量110,生成同品匹配信息111。
可选地,如图2所示,计算设备101还可以将上述目标向量110输入至预先训练的同品匹配信息生成模型112,得到同品匹配信息111。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备为硬件时,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。当计算设备体现为软件时,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1-2中的计算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计算设备。
继续参考图3,示出了根据本公开的物品匹配方法的一些实施例的流程300。该物品匹配方法,包括以下步骤:
步骤301,获取第一物品信息和第二物品信息。
在一些实施例中,物品匹配方法的执行主体(例如图1所示的计算设备101)可以通过有线连接方式或者无线连接方式获取第一物品信息和第二物品信息。实践中,上述执行主体可以从本地或远程终端获取第一物品信息和第二物品信息。其中,上述第一物品信息和上述第二物品信息可以为需进行同物品检测的两个物品的物品信息。上述第一物品信息对应的物品可以为第一物品。上述第二物品信息对应的物品可以为第二物品。例如,第一物品和第二物品可以为工业物品。上述第一物品信息可以包括第一文本信息和第一图像。上述第一文本信息可以为上述第一物品的文本类型的物品相关信息。上述第一图像可以为上述第一物品的图像。上述第二物品信息可以包括第二文本信息和第二图像。上述第二文本信息可以为上述第二物品的文本类型的物品相关信息。上述第二图像可以为上述第二物品的图像。这里,上述第一文本信息和上述第二文本信息可以为物品的描述信息。第一物品图像和第二物品图像可以为物品的主图。
需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤302,对第一文本信息、第二文本信息、第一图像和第二图像分别进行特征提取,得到第一文本特征信息、第二文本特征信息、第一图像特征信息和第二图像特征信息。
在一些实施例中,上述执行主体可以对上述第一文本信息、上述第二文本信息、上述第一图像和上述第二图像分别进行特征提取,得到第一文本特征信息、第二文本特征信息、第一图像特征信息和第二图像特征信息。实践中,上述执行主体可以利用文本特征抽取器对上述第一文本信息和上述第二文本信息分别进行特征提取,得到第一文本特征信息和第二文本特征信息。例如,上述文本特征抽取器可以为Bert模型。上述文本特征抽取器的输入可以为文本类型的信息,输出可以为输入文本的768维嵌入向量。然后,可以利用图像特征抽取器对上述第一图像和上述第二图像分别进行特征提取,得到第一图像特征信息和第二图像特征信息。例如,上述图像特征抽取器可以为CNN模型。上述图像特征抽取器的输入可以为图像,输出可以为输入图像的300维嵌入向量。
步骤303,根据第一文本特征信息和第二文本特征信息,生成文本相似度信息。
在一些实施例中,上述执行主体可以根据上述第一文本特征信息和上述第二文本特征信息,生成文本相似度信息。实践中,上述执行主体可以将上述第一文本特征信息和上述第二文本特征信息的相似度确定为文本相似度信息。这里,上述第一文本特征信息和上述第二文本特征信息的相似度可以为余弦相似度。
步骤304,根据第一图像特征信息和第二图像特征信息,生成图像相似度信息。
在一些实施例中,上述执行主体可以根据上述第一图像特征信息和上述第二图像特征信息,生成图像相似度信息。实践中,上述执行主体可以将上述第一图像特征信息和上述第二图像特征信息的相似度确定为图像相似度信息。这里,上述第一图像特征信息和上述第二图像特征信息的相似度可以为余弦相似度。
作为示例,上述执行主体可以通过以下公式,生成图像相似度信息:
其中,similarity_Img表示图像相似度信息。productImage1_vector表示上述第一图像特征信息。productImage2_vector表示上述第二图像特征信息。
步骤305,对文本相似度信息和图像相似度信息进行升维合并处理,得到目标向量。
在一些实施例中,上述执行主体可以对上述文本相似度信息和上述图像相似度信息进行升维合并处理,得到目标向量。实践中,上述执行主体可以将上述文本相似度输入至预设核函数集合中的各个预设核函数,得到升维文本向量。其中,上述预设核函数集合可以为预先设定的各个高斯核函数。上述预设核函数集合中的每个预设核函数可以包含两个超参数。例如,上述预设核函数集合中的各个预设核函数的超参数可以符号化表示为[(μ0,σ0),(μ1,σ1),...,(μk,σk)]。上述预设核函数集合中第i个预设核函数可以表示为:
其中,X表示待升维的信息。
然后,可以将上述图像相似度信息输入至上述预设核函数集合中的各个预设核函数,得到升维图像向量。接着,可以将上述升维文本向量和上述升维图像向量拼接为目标向量。这里,目标向量可以为行向量。目标向量的列数可以为2×k列。
需要说明的是,高斯核函数的引入,可以解决低维空间线性不可分问题。
步骤306,根据目标向量,生成同品匹配信息。
在一些实施例中,上述执行主体可以根据上述目标向量,生成同品匹配信息。实践中,上述执行主体可以将上述目标向量与预设权重矩阵的乘积确定为同品匹配信息。上述预设权重矩阵可以为将目标向量降维至二维表示的权重矩阵。上述预设权重矩阵中的各个权重可以是预先设定的。上述预设权重矩阵可以为2×k行、2列的矩阵。上述同品匹配信息可以为降维后的二维表示结果。上述同品匹配信息的第一维可以为表示第一物品和第二物品为同品的同品概率。上述同品匹配信息的第二维可以为表示第一物品和第二物品非同品的非同品概率。
可选地,上述执行主体可以将同品标识添加至上述同品匹配信息。上述同品标识可以为表征第一物品和第二物品是否为同品的标识。上述同品概率大于上述非同品概率时,上述同品标识可以为表征第一物品和第二物品为同品的标识。上述同品概率小于上述非同品概率时,上述同品标识可以为表征第一物品和第二物品为非同品的标识。上述同品概率等于上述非同品概率时,上述同品标识可以为空值。
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目标向量输入至预先训练的同品匹配信息生成模型,得到同品匹配信息。其中,上述同品匹配信息生成模型可以为以目标向量为输入数据、以同品匹配信息为输出数据的神经网络模型。例如,上述神经网络模型可以为前馈神经网络模型。这里,上述同品匹配信息生成模型的权重矩阵的行数与上述目标向量的列数相同。上述权重矩阵的列数为2。上述权重矩阵可以是上述同品匹配信息生成模型训练完成后得到的。
可选地,上述同品匹配信息生成模型可以是通过以下步骤训练得到的:
第一步,获取样本集,其中,上述样本集中的样本包括样本第一物品信息、样本第二物品信息和同品标签。其中,样本第一物品信息、样本第二物品信息可以为作为训练样本的两个物品的物品信息。同品标签可以表征样本第一物品信息和样本第二物品信息对应的物品是否为同品。
第二步,根据上述样本集,生成对应上述样本集中每个样本的样本目标向量,得到样本目标向量集。这里,生成样本目标向量的具体方式可以参考图3对应的那些实施例中的步骤302-305,在此不再赘述。
第三步,基于样本目标向量集,执行以下训练步骤:
第一训练步骤,将样本目标向量集中的至少一个样本目标向量分别输入至初始同品匹配信息生成模型,得到上述至少一个样本目标向量中的每个样本目标向量对应的同品匹配信息。这里,第一次执行第一训练步骤时,初始同品匹配信息生成模型的权重矩阵可以是随机初始化的。
第二训练步骤,将上述至少一个样本目标向量中的每个样本目标向量对应的同品标签与对应的同品匹配信息进行比较。实践中,可以响应于确定同品匹配信息包括的同品概率大于非同品概率,且同品标签表征物品为同品,确定同品匹配信息准确。还可以响应于确定同品匹配信息包括的同品概率小于非同品概率,且同品标签表征物品非同品,确定同品匹配信息准确。
第三训练步骤,根据比较结果确定初始同品匹配信息生成模型是否达到预设的优化目标。实践中,可以响应于确定同品匹配信息的准确率大于等于预设准确率,确定初始同品匹配信息生成模型是否达到预设的优化目标。
第四训练步骤,响应于确定初始同品匹配信息生成模型达到上述优化目标,将初始同品匹配信息生成模型作为训练完成的同品匹配信息生成模型。
第五训练步骤,响应于确定初始同品匹配信息生成模型未达到上述优化目标,调整初始同品匹配信息生成模型的权重矩阵,以及使用未用过的样本目标向量组成样本目标向量集,使用调整后的初始同品匹配信息生成模型作为初始同品匹配信息生成模型,再次执行上述训练步骤。作为示例,可以采用反向传播算法(Back Propagation Algorithm,BP算法)和梯度下降法(例如随机小批量梯度下降算法)对上述初始同品匹配信息生成模型的权重矩阵进行调整。
需要说明的是,训练上述同品匹配信息生成模型的执行主体可以为上述执行主体,也可以为其他计算设备。由此,利用上述同品匹配信息生成模型,可以自动生成同品匹配信息,无需配置匹配规则,缩短了同物品检测耗时。
可选地,首先,上述执行主体还可以根据上述同品匹配信息,确定上述第一物品信息和上述第二物品信息所对应的物品是否为同品。实践中,上述执行主体可以响应于确定上述同品匹配信息包括的同品概率大于非同品概率,确定上述第一物品信息和上述第二物品信息所对应的物品为同品。
然后,可以响应于确定上述第一物品信息和上述第二物品信息所对应的物品为同品,确定对应上述第一物品信息的第一库存量和对应上述第二物品信息的第二库存量是否满足同品替换条件。其中,上述第一库存量可以为第一物品的剩余库存量。上述第二库存量可以为第二物品的剩余库存量。实践中,上述执行主体可以响应于确定上述第一库存量小于第一预设阈值且上述第二库存量大于第二预设阈值,或上述第一库存量大于上述第一预设阈值且上述第二库存量小于上述第二预设阈值,确定上述第一库存量和上述第二库存量满足同品替换条件。这里,对于第一预设阈值和第二预设阈值的具体设定,不作限定。
之后,可以响应于确定上述第一库存量和上述第二库存量满足上述同品替换条件,控制相关联的物品调度设备执行同品调度操作。其中,上述物品调度设备可以为无人运输车。实践中,上述执行主体可以响应于确定上述第一库存量小于第一预设阈值且上述第二库存量大于第二预设阈值,将上述第一预设阈值与上述第一库存量的差确定为第一同品需求量。然后,可以响应于确定上述第二库存量与上述第一同品需求量的差大于上述第二预设阈值,控制上述物品调度设备将上述第一同品需求量的第二物品调度至第一物品的存放位置。其中,第一物品可以为对应第一物品信息的物品。第二物品可以为对应第二物品信息的物品。实践中,上述执行主体还可以响应于确定上述第一库存量大于上述第一预设阈值且上述第二库存量小于第二预设阈值,将上述第二预设阈值与上述第二库存量的差确定为第二同品需求量。然后,可以响应于确定上述第一库存量与上述第二同品需求量的差大于上述第一预设阈值,控制上述物品调度设备将上述第二同品需求量的第一物品调度至第二物品的存放位置。由此,可以在确定第一物品和第二物品为同物品时,进行同品替代。
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物品匹配方法,提高了同物品检测的准确性,缩短了同物品检测的耗时。具体来说,造成同物品检测的准确性较差、耗时较长的原因在于:进行比对时仅考虑文本类型的信息,单一文本类型的信息对物品的描述的完整性较差且含有噪声,导致同物品检测的准确性较差,需比对的信息较多时,需预先设定不同的匹配规则,导致同物品检测耗时较长。基于此,本公开的一些实施例的物品匹配方法,首先,获取第一物品信息和第二物品信息。其中,上述第一物品信息包括第一文本信息和第一图像。上述第二物品信息包括第二文本信息和第二图像。由此,可以第一文本信息和第二文本信息可以表征两个物品的文本类型的信息,第一图像和第二图像可以表征两个物品的图像类型的信息,以用于进行同物品检测。然后,对上述第一文本信息、上述第二文本信息、上述第一图像和上述第二图像分别进行特征提取,得到第一文本特征信息、第二文本特征信息、第一图像特征信息和第二图像特征信息。由此,可以从文本类型的信息中抽取文本特征,从图像类型的信息中抽取图像特征。之后,根据上述第一文本特征信息和上述第二文本特征信息,生成文本相似度信息。由此,可以从文本类型信息的维度确定文本相似度相关信息。其次,根据上述第一图像特征信息和上述第二图像特征信息,生成图像相似度信息。由此,可以从图像类型信息的维度确定图像相似度。接着,对上述文本相似度信息和上述图像相似度信息进行升维合并处理,得到目标向量。由此,目标向量可以作为从多维度信息进行同物品检测的依据。最后,根据上述目标向量,生成同品匹配信息。由此,同品匹配信息可以用于确定两个物品是否为同品。也因为进行同物品检测时,综合采用了文本类型和图像类型的信息,提升了对物品描述的完整性,减弱了文本噪声的影响,从而提高了同物品检测的准确性。还因为未采用通过匹配规则进行比对的方式,可以自动进行同物品检测,缩短了同物品检测的耗时。由此,提高了同物品检测的准确性,缩短了同物品检测的耗时。
进一步参考图4,其示出了物品匹配方法的另一些实施例的流程400。该物品匹配方法的流程400,包括以下步骤:
步骤401,获取第一物品信息和第二物品信息。
在一些实施例中,物品匹配方法的执行主体(例如图1所示的计算设备101)可以通过有线连接方式或者无线连接方式获取第一物品信息和第二物品信息。上述第一文本信息可以包括第一标题信息和第一物品属性信息。上述第一标题信息可以为第一物品的标题的文本表示。第一物品属性信息可以为第一物品的各项物品属性值。例如,第一物品属性信息可以包括但不限于以下中的至少一项:物品品牌、物品型号。上述第二文本信息可以包括第二标题信息和第二物品属性信息。上述第二标题信息可以为第二物品的标题的文本表示。第二物品属性信息可以为第二物品的各项属性信息。例如,第二物品属性信息可以包括但不限于以下中的至少一项:物品品牌、物品型号。
步骤402,对第一标题信息和第一物品属性信息分别进行特征提取,得到第一标题特征向量和第一物品属性特征矩阵。
在一些实施例中,上述执行主体可以对上述第一标题信息和上述第一物品属性信息分别进行特征提取,得到第一标题特征向量和第一物品属性特征矩阵。实践中,上述执行主体可以利用文本特征抽取器对上述第一标题信息进行特征提取,得到第一标题特征向量。例如,第一标题特征向量可以表示为productTitle1_vector·=·[x1,x2,x3,...,x768]。然后,对于上述第一物品属性信息包括的每个物品属性值,上述执行主体可以利用上述文本特征抽取器对上述物品属性值进行特征提取,得到第一物品属性特征向量。之后,可以将所得到的各个第一物品属性特征向量组合为第一物品属性特征矩阵。例如,上述第一物品属性信息可以表示为productKV1=[kv0,kv1,...,kvn]。第一物品属性特征矩阵可以表示为:
步骤403,将第一标题特征向量和第一物品属性特征矩阵确定为第一文本特征信息。
在一些实施例中,上述执行主体可以将上述第一标题特征向量和上述第一物品属性特征矩阵确定为第一文本特征信息。由此,上述第一标题特征向量和上述第一物品属性特征矩阵均可以作为第一物品的文本类型的特征信息。
步骤404,对第二标题信息和第二物品属性信息分别进行特征提取,得到第二标题特征向量和第二物品属性特征矩阵。
在一些实施例中,上述执行主体可以对上述第二标题信息和上述第二物品属性信息分别进行特征提取,得到第二标题特征向量和第二物品属性特征矩阵。实践中,上述执行主体可以利用文本特征抽取器对上述第二标题信息进行特征提取,得到第二标题特征向量。然后,对于上述第二物品属性信息包括的每个物品属性值,上述执行主体可以利用上述文本特征抽取器对物品属性值进行特征提取,得到第二物品属性特征向量。之后,可以将所得到的各个第二物品属性特征向量组合为第二物品属性特征矩阵。
步骤405,将第二标题特征向量和第二物品属性特征矩阵确定为第二文本特征信息。
在一些实施例中,上述执行主体可以将上述第二标题特征向量和上述第二物品属性特征矩阵确定为第二文本特征信息。由此,上述第二标题特征向量和上述第二物品属性特征矩阵均可以作为第二物品的文本类型的特征信息。
步骤406,将第一标题特征向量和第二标题特征向量的相似度确定为标题相似度。
在一些实施例中,上述执行主体可以将上述第一标题特征向量和上述第二标题特征向量的相似度确定为标题相似度。这里,相似度可以为余弦相似度。
作为示例,上述执行主体可以通过以下公式,确定标题相似度:
其中,similarity_Title表示标题相似度。productTiltle1_vector表示上述第一标题特征向量。productTiltle2_vector表示上述第二标题特征向量。
步骤407,将第一物品属性特征矩阵和第二物品属性特征矩阵的相似度矩阵确定为属性相似度矩阵。
在一些实施例中,上述执行主体可以将上述第一物品属性特征矩阵和上述第二物品属性特征矩阵的相似度矩阵确定为属性相似度矩阵。其中,上述相似度矩阵可以为上述第一物品属性特征矩阵中的各个行向量和上述第二物品属性特征矩阵中各个行向量的相似度所组成的矩阵。这里,相似度可以为余弦相似度。
作为示例,属性相似度矩阵可以表示为:
其中,s00表示第一物品属性特征矩阵中的第一个行向量与上述第二物品属性特征矩阵中第一个行向量的相似度。
步骤408,将标题相似度和属性相似度矩阵确定为文本相似度信息。
在一些实施例中,上述执行主体可以将上述标题相似度和上述属性相似度矩阵确定为文本相似度信息。由此,文本相似度信息可以包含标题相似度和属性相似度矩阵。
步骤409,根据第一图像特征信息和第二图像特征信息,生成图像相似度信息。
在一些实施例中,步骤409的具体实现及所带来的技术效果可以参考图3对应的那些实施例中的步骤304,在此不再赘述。
步骤410,对文本相似度信息和图像相似度信息进行升维合并处理,得到目标向量。
在一些实施例中,上述执行主体可以对上述文本相似度信息和上述图像相似度信息进行升维合并处理,得到目标向量。实践中,上述执行主体可以通过各种方式对上述文本相似度信息和上述图像相似度信息进行升维合并处理,得到目标向量。
在一些实施例的一些可选的实现方式中,上述执行主体可以通过以下步骤对上述文本相似度信息和上述图像相似度信息进行升维合并处理,得到目标向量:
第一步,根据预设核函数信息集合,对上述标题相似度进行升维处理,得到升维标题信息。其中,上述预设核函数信息集合可以为各个核函数的各个超参数对。这里,核函数可以为高斯核函数。高斯核函数的公式表示可以参考图3对应的那些实施例中的步骤305,在此不再赘述。实践中,上述执行主体可以将上述标题相似度信息和上述预设核函数信息集合中的每个预设核函数信息输入至高斯核函数,得到各个升维标题向量元素。然后,可以将所得到的各个升维标题向量元素组合为升维标题向量。最后,可以将上述升维标题向量确定为升维标题信息。作为示例,可以升维标题信息可以表示为:
第二步,根据上述预设核函数信息集合,对上述属性相似度矩阵进行升维处理,得到升维属性相似度信息。
在一些实施例的一些可选的实现方式中,首先,上述执行主体可以根据上述预设核函数信息集合和上述属性相似度矩阵的各个行向量,生成升维行相似度信息。实践中,首先,对于上述各个行向量中的每个行向量,上述执行主体可以执行以下步骤:
第一子步骤,将上述行向量中满足第一预设数值条件的元素确定为目标行元素。其中,上述第一预设数值条件可以为元素为行向量中的最大元素。
第二子步骤,根据上述目标行元素和上述预设核函数信息集合,生成升维行向量。实践中,首先,上述执行主体可以将上述目标行元素和上述预设核函数信息集合中的每个预设核函数信息输入至高斯核函数,得到各个升维行向量元素。然后,可以将所得到的各个升维行向量元素组合为升维行向量。
作为示例,升维行向量可以表示为:
其中,Si可以表示上述目标行元素。
然后,可以根据所得到的各个升维行向量,生成升维行相似度信息。实践中,上述执行主体可以将上述各个升维行向量的平均向量确定为升维行相似度信息。
作为示例,升维行相似度信息可以表示为:
之后,可以根据上述预设核函数信息集合和上述属性相似度矩阵的各个列向量,生成升维列相似度信息。实践中,首先,对于上述各个列向量中的每个列向量,上述执行主体可以执行以下步骤:
第一子步骤,将上述列向量中满足第二预设数值条件的元素确定为目标列元素。其中,上述第二预设数值条件可以为元素为列向量中的最大元素。
第二子步骤,根据上述目标列元素和上述预设核函数信息集合,生成升维列向量。实践中,首先,上述执行主体可以将上述目标列元素和上述预设核函数信息集合中的每个预设核函数信息输入至高斯核函数,得到各个升维列向量元素。然后,可以将所得到的各个升维列向量元素组合为升维列向量。
作为示例,升维列向量可以表示为:
其中,Sj可以表示上述目标列元素。
接着,可以根据所得到的各个升维列向量,生成升维列相似度信息。实践中,上述执行主体可以将上述各个升维列向量的平均向量确定为升维列相似度信息。
作为示例,升维列相似度信息可以表示为:
最后,可以将上述升维行相似度信息和上述升维列相似度信息确定为升维属性相似度信息。
第三步,根据上述预设核函数信息集合,对上述图像相似度信息进行升维处理,得到升维图像信息。实践中,上述执行主体可以将上述图像相似度信息和上述预设核函数信息集合中的每个预设核函数信息输入至高斯核函数,得到各个升维图像相似度向量元素。然后,可以将所得到的各个升维图像相似度向量元素组合为升维图像相似度向量。最后,可以将上述升维图像相似度向量确定为升维图像信息。
作为示例,升维图像信息可以表示为:
第四步,对上述升维标题信息、上述升维图像信息和上述升维属性相似度信息进行合并处理,得到目标向量。实践中,上述执行主体可以将上述升维标题信息、上述升维图像信息、上述升维行相似度信息和上述升维列相似度信息拼接为目标向量。这里,目标向量可以为1行、4×k列的行向量。由此,可以从升维标题信息、升维图像信息、升维行相似度信息和升维列相似度信息四种维度对原始数据进行升维处理。
作为示例,目标向量可以表示为:
gaussian_vec=[Kd(d),Xv(v),Kr(R),Kc(C)]1,4*k。
步骤411,根据目标向量,生成同品匹配信息。
在一些实施例中,步骤411的具体实现及所带来的技术效果可以参考图3对应的那些实施例中的步骤306,在此不再赘述。
从图4中可以看出,与图3对应的一些实施例的描述相比,图4对应的一些实施例中的物品匹配方法的流程400体现了对物品属性信息进行扩展的步骤。由此,这些实施例描述的方案可以综合考虑多种属性、多维度信息的相似度度量作为判别物品同品的依据。同时,属性相似度矩阵的引入能够减少属性写法不一致、错写量纲等硬匹配导致的错检、漏检的次数。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种物品匹配装置的一些实施例,这些装置实施例与图3所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,一些实施例的物品匹配装置500包括:获取单元501、特征提取单元502、第一生成单元503、第二生成单元504、升维合并单元505和第三生成单元506。其中,获取单元501被配置成获取第一物品信息和第二物品信息,其中,上述第一物品信息包括第一文本信息和第一图像,上述第二物品信息包括第二文本信息和第二图像;特征提取单元502被配置成对上述第一文本信息、上述第二文本信息、上述第一图像和上述第二图像分别进行特征提取,得到第一文本特征信息、第二文本特征信息、第一图像特征信息和第二图像特征信息;第一生成单元503被配置成根据上述第一文本特征信息和上述第二文本特征信息,生成文本相似度信息;第二生成单元504被配置成根据上述第一图像特征信息和上述第二图像特征信息,生成图像相似度信息;升维合并单元505被配置成对上述文本相似度信息和上述图像相似度信息进行升维合并处理,得到目标向量;第三生成单元505被配置成根据上述目标向量,生成同品匹配信息。
可选地,上述第一文本信息包括第一标题信息和第一物品属性信息,上述第二文本信息包括第二标题信息和第二物品属性信息。
可选地,特征提取单元502可以进一步被配置成:对上述第一标题信息和上述第一物品属性信息分别进行特征提取,得到第一标题特征向量和第一物品属性特征矩阵;将上述第一标题特征向量和上述第一物品属性特征矩阵确定为第一文本特征信息。
可选地,特征提取单元502可以进一步被配置成:对上述第二标题信息和上述第二物品属性信息分别进行特征提取,得到第二标题特征向量和第二物品属性特征矩阵;将上述第二标题特征向量和上述第二物品属性特征矩阵确定为第二文本特征信息。
可选地,第一生成单元503可以进一步被配置成:将上述第一标题特征向量和上述第二标题特征向量的相似度确定为标题相似度;将上述第一物品属性特征矩阵和上述第二物品属性特征矩阵的相似度矩阵确定为属性相似度矩阵;将上述标题相似度和上述属性相似度矩阵确定为文本相似度信息。
可选地,升维合并单元505可以进一步被配置成:根据预设核函数信息集合,对上述标题相似度进行升维处理,得到升维标题信息;根据上述预设核函数信息集合,对上述属性相似度矩阵进行升维处理,得到升维属性相似度信息;根据上述预设核函数信息集合,对上述图像相似度信息进行升维处理,得到升维图像信息;对上述升维标题信息、上述升维图像信息和上述升维属性相似度信息进行合并处理,得到目标向量。
可选地,升维合并单元505可以进一步被配置成:根据上述预设核函数信息集合和上述属性相似度矩阵的各个行向量,生成升维行相似度信息;根据上述预设核函数信息集合和上述属性相似度矩阵的各个列向量,生成升维列相似度信息;将上述升维行相似度信息和上述升维列相似度信息确定为升维属性相似度信息。
可选地,升维合并单元505可以进一步被配置成:对于上述各个行向量中的每个行向量,执行以下步骤:将上述行向量中满足第一预设数值条件的元素确定为目标行元素;根据上述目标行元素和上述预设核函数信息集合,生成升维行向量;根据所得到的各个升维行向量,生成升维行相似度信息。
可选地,升维合并单元505可以进一步被配置成:对于上述各个列向量中的每个列向量,执行以下步骤:将上述列向量中满足第二预设数值条件的元素确定为目标列元素;根据上述目标列元素和上述预设核函数信息集合,生成升维列向量;根据所得到的各个升维列向量,生成升维列相似度信息。
可选地,第三生成单元505可以进一步被配置成:将上述目标向量输入至预先训练的同品匹配信息生成模型,得到同品匹配信息。
可选地,物品匹配装置500还可以包括:第一确定单元、第二确定单元和控制单元(图中未示出)。其中,第一确定单元被配置成根据上述同品匹配信息,确定上述第一物品信息和上述第二物品信息所对应的物品是否为同品。第二确定单元被配置成响应于确定上述第一物品信息和上述第二物品信息所对应的物品为同品,确定对应上述第一物品信息的第一库存量和对应上述第二物品信息的第二库存量是否满足同品替换条件。控制单元被配置成响应于确定上述第一库存量和上述第二库存量满足上述同品替换条件,控制相关联的物品调度设备执行同品调度操作。
可选地,第二确定单元可以进一步被配置成:响应于确定上述第一库存量小于第一预设阈值且上述第二库存量大于第二预设阈值,或上述第一库存量大于上述第一预设阈值且上述第二库存量小于上述第二预设阈值,确定上述第一库存量和上述第二库存量满足同品替换条件。
可以理解的是,该装置500中记载的诸单元与参考图3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装置500及其中包含的单元,在此不再赘述。
下面参考图6,其示出了适于用来实现本公开的一些实施例的电子设备600(例如图1中的计算设备)的结构示意图。图6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6所示,电子设备600可以包括处理装置601(例如中央处理器、图形处理器等),其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605: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606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,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6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609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601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中记载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:获取第一物品信息和第二物品信息,其中,上述第一物品信息包括第一文本信息和第一图像,上述第二物品信息包括第二文本信息和第二图像;对上述第一文本信息、上述第二文本信息、上述第一图像和上述第二图像分别进行特征提取,得到第一文本特征信息、第二文本特征信息、第一图像特征信息和第二图像特征信息;根据上述第一文本特征信息和上述第二文本特征信息,生成文本相似度信息;根据上述第一图像特征信息和上述第二图像特征信息,生成图像相似度信息;对上述文本相似度信息和上述图像相似度信息进行升维合并处理,得到目标向量;根据上述目标向量,生成同品匹配信息。
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:一种处理器包括获取单元、特征提取单元、第一生成单元、第二生成单元、升维合并单元和第三生成单元。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,获取单元还可以被描述为“获取第一物品信息和第二物品信息的单元”。
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物品匹配方法。
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 (15)
1.一种物品匹配方法,包括:
获取第一物品信息和第二物品信息,其中,所述第一物品信息包括第一文本信息和第一图像,所述第二物品信息包括第二文本信息和第二图像;
对所述第一文本信息、所述第二文本信息、所述第一图像和所述第二图像分别进行特征提取,得到第一文本特征信息、第二文本特征信息、第一图像特征信息和第二图像特征信息;
根据所述第一文本特征信息和所述第二文本特征信息,生成文本相似度信息;
根据所述第一图像特征信息和所述第二图像特征信息,生成图像相似度信息;
对所述文本相似度信息和所述图像相似度信息进行升维合并处理,得到目标向量;
根据所述目标向量,生成同品匹配信息。
2.根据权利要求1所述的方法,其中,所述第一文本信息包括第一标题信息和第一物品属性信息,所述第二文本信息包括第二标题信息和第二物品属性信息;以及
所述对所述第一文本信息、所述第二文本信息、所述第一图像和所述第二图像分别进行特征提取,得到第一文本特征信息、第二文本特征信息、第一图像特征信息和第二图像特征信息,包括:
对所述第一标题信息和所述第一物品属性信息分别进行特征提取,得到第一标题特征向量和第一物品属性特征矩阵;
将所述第一标题特征向量和所述第一物品属性特征矩阵确定为第一文本特征信息。
3.根据权利要求2所述的方法,其中,所述对所述第一文本信息、所述第二文本信息、所述第一图像和所述第二图像分别进行特征提取,得到第一文本特征信息、第二文本特征信息、第一图像特征信息和第二图像特征信息,还包括:
对所述第二标题信息和所述第二物品属性信息分别进行特征提取,得到第二标题特征向量和第二物品属性特征矩阵;
将所述第二标题特征向量和所述第二物品属性特征矩阵确定为第二文本特征信息。
4.根据权利要求3所述的方法,其中,所述根据所述第一文本特征信息和所述第二文本特征信息,生成文本相似度信息,包括:
将所述第一标题特征向量和所述第二标题特征向量的相似度确定为标题相似度;
将所述第一物品属性特征矩阵和所述第二物品属性特征矩阵的相似度矩阵确定为属性相似度矩阵;
将所述标题相似度和所述属性相似度矩阵确定为文本相似度信息。
5.根据权利要求4所述的方法,其中,所述对所述文本相似度信息和所述图像相似度信息进行升维合并处理,得到目标向量,包括:
根据预设核函数信息集合,对所述标题相似度进行升维处理,得到升维标题信息;
根据所述预设核函数信息集合,对所述属性相似度矩阵进行升维处理,得到升维属性相似度信息;
根据所述预设核函数信息集合,对所述图像相似度信息进行升维处理,得到升维图像信息;
对所述升维标题信息、所述升维图像信息和所述升维属性相似度信息进行合并处理,得到目标向量。
6.根据权利要求5所述的方法,其中,所述根据所述预设核函数信息集合,对所述属性相似度矩阵进行升维处理,得到升维属性相似度信息,包括:
根据所述预设核函数信息集合和所述属性相似度矩阵的各个行向量,生成升维行相似度信息;
根据所述预设核函数信息集合和所述属性相似度矩阵的各个列向量,生成升维列相似度信息;
将所述升维行相似度信息和所述升维列相似度信息确定为升维属性相似度信息。
7.根据权利要求6所述的方法,其中,所述根据所述预设核函数信息集合和所述属性相似度矩阵的各个行向量,生成升维行相似度信息,包括:
对于所述各个行向量中的每个行向量,执行以下步骤:
将所述行向量中满足第一预设数值条件的元素确定为目标行元素;
根据所述目标行元素和所述预设核函数信息集合,生成升维行向量;
根据所得到的各个升维行向量,生成升维行相似度信息。
8.根据权利要求6所述的方法,其中,所述根据所述预设核函数信息集合和所述属性相似度矩阵的各个列向量,生成升维列相似度信息,包括:
对于所述各个列向量中的每个列向量,执行以下步骤:
将所述列向量中满足第二预设数值条件的元素确定为目标列元素;
根据所述目标列元素和所述预设核函数信息集合,生成升维列向量;
根据所得到的各个升维列向量,生成升维列相似度信息。
9.根据权利要求1所述的方法,其中,所述根据所述目标向量,生成同品匹配信息,包括:
将所述目标向量输入至预先训练的同品匹配信息生成模型,得到同品匹配信息。
10.根据权利要求1-9之一所述的方法,其中,所述方法还包括:
根据所述同品匹配信息,确定所述第一物品信息和所述第二物品信息所对应的物品是否为同品;
响应于确定所述第一物品信息和所述第二物品信息所对应的物品为同品,确定对应所述第一物品信息的第一库存量和对应所述第二物品信息的第二库存量是否满足同品替换条件;
响应于确定所述第一库存量和所述第二库存量满足所述同品替换条件,控制相关联的物品调度设备执行同品调度操作。
11.根据权利要求10所述的方法,其中,所述确定对应所述第一物品信息的第一库存量和对应所述第二物品信息的第二库存量是否满足同品替换条件,包括:
响应于确定所述第一库存量小于第一预设阈值且所述第二库存量大于第二预设阈值,或所述第一库存量大于所述第一预设阈值且所述第二库存量小于所述第二预设阈值,确定所述第一库存量和所述第二库存量满足同品替换条件。
12.一种物品匹配装置,包括:
获取单元,被配置成获取第一物品信息和第二物品信息,其中,所述第一物品信息包括第一文本信息和第一图像,所述第二物品信息包括第二文本信息和第二图像;
特征提取单元,被配置成对所述第一文本信息、所述第二文本信息、所述第一图像和所述第二图像分别进行特征提取,得到第一文本特征信息、第二文本特征信息、第一图像特征信息和第二图像特征信息;
第一生成单元,被配置成根据所述第一文本特征信息和所述第二文本特征信息,生成文本相似度信息;
第二生成单元,被配置成根据所述第一图像特征信息和所述第二图像特征信息,生成图像相似度信息;
升维合并单元,被配置成对所述文本相似度信息和所述图像相似度信息进行升维合并处理,得到目标向量;
第三生成单元,被配置成根据所述目标向量,生成同品匹配信息。
13.一种电子设备,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1-11中任一所述的方法。
14.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-11中任一所述的方法。
15.一种计算机程序产品,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1-11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310323823.7A CN116796023A (zh) | 2023-03-29 | 2023-03-29 | 物品匹配方法、装置、电子设备、计算机可读介质和产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310323823.7A CN116796023A (zh) | 2023-03-29 | 2023-03-29 | 物品匹配方法、装置、电子设备、计算机可读介质和产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116796023A true CN116796023A (zh) | 2023-09-22 |
Family
ID=88033575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310323823.7A Pending CN116796023A (zh) | 2023-03-29 | 2023-03-29 | 物品匹配方法、装置、电子设备、计算机可读介质和产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116796023A (zh) |
-
2023
- 2023-03-29 CN CN202310323823.7A patent/CN116796023A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816589B (zh) | 用于生成漫画风格转换模型的方法和装置 | |
CN109800732B (zh) | 用于生成漫画头像生成模型的方法和装置 | |
CN108280477B (zh) | 用于聚类图像的方法和装置 | |
CN109740018B (zh) | 用于生成视频标签模型的方法和装置 | |
CN108154222B (zh) | 深度神经网络训练方法和系统、电子设备 | |
CN109872242B (zh) | 信息推送方法和装置 | |
US11164004B2 (en) | Keyframe scheduling method and apparatus, electronic device, program and medium | |
CN109961032B (zh) | 用于生成分类模型的方法和装置 | |
CN111831855B (zh) | 用于匹配视频的方法、装置、电子设备和介质 | |
CN110163171B (zh) | 用于识别人脸属性的方法和装置 | |
CN110070076B (zh) | 用于选取训练用样本的方法和装置 | |
CN112766284B (zh) | 图像识别方法和装置、存储介质和电子设备 | |
EP3940600A1 (en) | Method and apparatus with neural network operation processing background | |
CN111783810A (zh) | 用于确定用户的属性信息的方法和装置 | |
CN108229680B (zh) | 神经网络系统、遥感图像识别方法、装置、设备及介质 | |
CN115861400A (zh) | 目标对象检测方法、训练方法、装置以及电子设备 | |
CN111160410A (zh) | 一种物体检测方法和装置 | |
CN112241761B (zh) | 模型训练方法、装置和电子设备 | |
CN113255819B (zh) | 用于识别信息的方法和装置 | |
CN116597430A (zh) | 物品识别方法、装置、电子设备和计算机可读介质 | |
CN116796023A (zh) | 物品匹配方法、装置、电子设备、计算机可读介质和产品 | |
CN112381184B (zh) | 图像检测方法、装置、电子设备和计算机可读介质 | |
WO2022100401A1 (zh) | 基于图像识别的价格信息处理方法、装置、设备和介质 | |
CN111062995B (zh) | 生成人脸图像的方法、装置、电子设备和计算机可读介质 | |
CN113869367A (zh) | 模型能力检测方法、装置、电子设备和计算机可读介质 |
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 |