CN117556117A - 基于ai图像模型的酒店房型检索方法及系统 - Google Patents
基于ai图像模型的酒店房型检索方法及系统 Download PDFInfo
- Publication number
- CN117556117A CN117556117A CN202311522409.5A CN202311522409A CN117556117A CN 117556117 A CN117556117 A CN 117556117A CN 202311522409 A CN202311522409 A CN 202311522409A CN 117556117 A CN117556117 A CN 117556117A
- Authority
- CN
- China
- Prior art keywords
- hotel room
- room type
- hotel
- similarity
- image model
- 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 60
- 239000013598 vector Substances 0.000 claims abstract description 58
- 238000013136 deep learning model Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 8
- 238000004590 computer program Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000000605 extraction Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000002372 labelling Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 241000157593 Milvus Species 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9532—Query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/532—Query formulation, e.g. graphical querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/535—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/538—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9538—Presentation of query results
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- 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
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于AI图像模型的酒店房型检索方法及系统,所述方法包括:获取用户提供的酒店房型图片;基于深度学习模型实时提取所述酒店房型图片的特征向量;基于所述特征向量通过图片相似度计算方法,分别计算向量数据库中的酒店房型图片和所述用户提供的酒店房型图片间的相似度;选出相似度最高的n个酒店房型,并推送给客户;其中n为预设的酒店房型数量。通过本公开的处理方案,能够得到与实际相似度更高的搜索结果。
Description
技术领域
本发明涉及图片识别技术领域,特别是涉及一种基于AI图像模型的酒店房型检索方法及系统。
背景技术
现有技术中的相似搜索功能,通常需要先基于维护酒店或房型的关键信息(文本形式),然后增加人工标注,用于描述酒店或房型的特征,应用时在识别用户某类特征意图后,与已有标注的特征进行检索匹配,以实现酒店或房型之间的关联。
然而,酒店、房型信息标注和用户意图识别,这两个环节的信息加工,使得这种方法存在着工作量大、准确度低的问题。
由此可见,上述现有的相似搜索方法在使用上,显然仍存在有不便与缺陷,而亟待加以进一步改进。如何能创设一种新的准确率高的相似酒店房型搜索方法,成为当前业界急需改进的目标。
发明内容
有鉴于此,本公开实施例提供一种基于AI图像模型的酒店房型检索方法,至少部分解决现有技术中存在的问题。
第一方面,本公开实施例提供了一种基于AI图像模型的酒店房型检索方法,所述方法包括以下步骤:
获取用户提供的酒店房型图片;
基于深度学习模型实时提取所述酒店房型图片的特征向量;
基于所述特征向量通过图片相似度计算方法,分别计算向量数据库中的酒店房型图片和所述用户提供的酒店房型图片间的相似度;
选出相似度最高的n个酒店房型,并推送给客户;其中n为预设的酒店房型数量。
根据本公开实施例的一种具体实现方式,所述方法还包括:
基于深度学习模型对图片进行特征提取和分类;
根据提取到的图片特征进行识别和标注;
将所述识别和标注的特征转换为多维向量,并将所述向量存储到向量数据库中。
根据本公开实施例的一种具体实现方式,所述特征包括:房屋的类型、风格、面积、朝向和装修。
根据本公开实施例的一种具体实现方式,所述深度学习模型,包括:卷积神经网络、生成对抗网络、变分自编码器中的至少一项。
根据本公开实施例的一种具体实现方式,所述图片相似度计算方法,包括:基于欧氏距离、余弦相似度和汉明距离中的至少一项计算图片相似度。
根据本公开实施例的一种具体实现方式,所述方法还包括:结合距离、价格、星级、房型类型中的至少一项对选取的酒店房型进行筛选和优化。
第二方面,本公开实施例提供了一种基于AI图像模型的酒店房型检索系统,所述系统包括:
数据获取模块,被配置用于获取用户提供的酒店房型图片;
AI图像模型模块,被配置用于基于深度学习模型实时提取所述酒店房型图片的特征向量;以及,
基于所述特征向量通过图片相似度计算方法,分别计算向量数据库中的酒店房型图片和所述用户提供的酒店房型图片间的相似度;
查询模块,被配置用于选出相似度最高的n个酒店房型,并推送给客户;其中n为预设的酒店房型数量。
根据本公开实施例的一种具体实现方式,所述系统还包括:
存储模块,被配置用于基于深度学习模型对图片进行特征提取和分类;
根据提取到的图片特征进行识别和标注;
将所述识别和标注的特征转换为多维向量,并将所述向量存储到向量数据库中。
第三方面,本公开实施例还提供了一种电子设备,该电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有能够被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行时,使所述至少一个处理器前述第一方面或第一方面的任一实现方式中的任一项所述的基于AI图像模型的酒店房型检索方法。
第四方面,本公开实施例还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令当由至少一个处理器执行时使所述至少一个处理器执行前述第一方面或第一方面的任一实现方式中的基于AI图像模型的酒店房型检索方法。
第五方面,本公开实施例还提供了一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使该计算机执行前述第一方面或第一方面的任一实现方式中的基于AI图像模型的酒店房型检索方法。
本公开实施例中的基于AI图像模型的酒店房型检索方法,通过这一技术方案,可以使酒店或房型间的关联更直观,更符合人类的视觉直觉,用户体验更好,关联检索或查询更方便快捷。同时由于减少了数据加工环节,更易提供实际相似度更高的搜索结果。使用该方案后,能够使售罄/满房场景下的成单率提高10个百分点。
附图说明
上述仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1为本公开实施例提供的一种基于AI图像模型的酒店房型检索方法流程示意图;
图2为本公开实施例提供的一种基于AI图像模型的训练方法流程框图;
图3为本公开实施例提供的一种基于AI图像模型的酒店房型检索方法流程框图;
图4为本公开实施例提供的一种基于AI图像模型的酒店房型检索系统结构示意图;以及
图5为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其他方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其他结构及/或功能性实施此设备及/或实践此方法。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
为了解决现有技术的问题,本发明提出了利用图片匹配、无需加工的技术。
本发明实施例提供了一种基于AI图像模型的酒店房型检索方法,基于当前用户选择的图片实时计算图片特征,从已有的酒店图片中检索出特征近似度最高的n个酒店房型的方法,该方法能够根据用户提供的酒店或房型图片,实时提取图片的特征,从已有的酒店图片中检索出特征近似度最高的n个酒店房型,同时辅助其他条件,如距离、价格、星级、房型类型等信息,匹配到符合用户需求的酒店或房型,提升用户体验和特定场景下的成单率。
图1为本公开实施例提供的基于AI图像模型的酒店房型检索方法流程的示意图。
图2为与图1对应的基于AI图像模型的酒店房型检索方法流程框图。
如图1所示,在步骤S110处,获取用户提供的酒店房型图片。
更具体地,前端界面模块向用户提供查询功能入口,在用户需要的场景下提供图片相似酒店房型的搜索功能。该模块可以是任何一种能够接收用户提供的酒店或房型图片和展示检索或匹配结果的系统,例如网页、APP、小程序等。该系统可以提供一个用户友好的界面,让用户可以方便地提供或选择自己喜欢的酒店或房型图片,并查看检索出的酒店或房型的详细信息,并提供一个可视化的展示方式,让用户可以直观地查看检索或匹配结果,并选择自己满意的酒店或房型进行预订或购买。
在本发明实施例中,如图3所示,获取用户提供的酒店房型图片之前,所述方法还包括:基于深度学习模型对图片进行特征提取和分类;根据提取到的图片特征进行识别和标注;将所述识别和标注的特征转换为多维向量,并将所述向量存储到向量数据库中。
在本发明实施例中,所述特征包括:房屋的类型、风格、面积、朝向和装修。
更具体地,AI图像模型模块用于识别和标注酒店、房型图片,处理为向量。AI图像模型模块可以是任何一种能够对图片进行特征提取和分类的深度学习模型,例如:卷积神经网络(CNN)、生成对抗网络(GAN)、变分自编码器(VAE)等。
AI图像模型可以根据不同的任务和数据集进行训练和优化,以提高特征提取和分类的准确性和效率,并可以对酒店或房型图片中的各种特征进行识别和标注,例如:房屋的类型(如公寓、别墅、民宿等)、风格(如现代、古典、田园等)、面积(如大、中、小等)、朝向(如东、南、西、北等)、装修(如简约、豪华、温馨等)等。
AI图像模型可以将识别和标注出来的特征转换为一个多维向量,并将该向量存储到向量数据库中。向量数据库可以是任何一种能够存储和管理向量数据的数据库,例如MongoDB、Elasticsearch、Milvus等。向量数据库可以对向量数据进行索引和压缩,以提高检索和计算的速度和效率。
存储模块用于存储图片向量,利用AI图像模型,将酒店或房型图片中的特征提取出来,转换为向量的形式存储到向量数据库中。
基于AI图像模型的特征提取与存储,通过利用深度学习模型,将酒店或房型图片中的特征提取出来,并以向量形式存储到向量数据库中,实现了对图片特征的自动化提取,克服了传统人工标注和维护的问题。
除了基于图像相似度,本发明还支持其他条件,如距离、价格、星级、房型类型等,结合图片相似度进行多维度条件辅助综合筛选,满足用户个性化需求,提高了检索的灵活性和多样性。
相较于现有的人工标注或手动分类,人力进行图片标注和维护会耗费大量的人力资源,且准确度较低,成本高且效率低下,本申请使用的自动化特征提取节省成本,采用AI图像模型和向量数据库技术,实现了对酒店或房型图片特征的自动提取和存储,无需人工标注和维护,节省了人力和时间成本。
更具体地,接下来转到步骤S120。
在步骤S120处,基于深度学习模型实时提取所述酒店房型图片的特征向量。
在本发明实施例中,所述深度学习模型,包括:卷积神经网络、生成对抗网络、变分自编码器中的至少一项。
接下来转到步骤S130。
在步骤S130处,基于所述特征向量通过图片相似度计算方法,分别计算向量数据库中的酒店房型图片和所述用户提供的酒店房型图片间的相似度。
查询模块中包含图片相似度算法模块,用于在用户查询时计算与存储模块中数据相似度。
在本发明实施例中,所述图片相似度计算方法,包括:基于欧氏距离、余弦相似度和汉明距离中的至少一项计算图片相似度。
在本发明实施例中,所述方法还包括:结合距离、价格、星级、房型类型中的至少一项对选取的酒店房型进行筛选和优化。
更具体地,图片相似度计算方法可以是任何一种能够比较两张图片之间的相似度的方法,例如:基于欧氏距离、余弦相似度、汉明距离等,该计算方法可以根据不同的场景和需求进行选择和调整,以提高相似度的准确性和合理性。
图片相似度计算方法可以对用户提供的图片和向量数据库中的数据进行比较,计算出每一对图片之间的相似度,并根据相似度的大小进行排序,选出相似度最高的n个酒店或房型。同时,图片相似度计算方法可以结合其他条件,如距离、价格、星级、房型类型等信息,对检索出的酒店或房型进行筛选和优化,以匹配到符合用户需求的酒店或房型;采用单一维度的筛选,难以满足用户的个性化需求。
相较于现有技术使用基于像素相似度的匹配精确度低,无法实时处理大规模的图像库,本申请使用的实时特征匹配与相似度计算方法,对用户提供的图片实时提取特征向量,利用欧氏距离、余弦相似度等方式,在向量数据库中进行检索和计算,实现了快速准确的图片相似度匹配,为用户提供了直观的选项。
接下来转到步骤S140。
在步骤S140处,选出相似度最高的n个酒店房型,并推送给客户;其中n为预设的酒店房型数量。
更具体地,通过查询端对用户提供的酒店或房型图片实时提取特征向量,利用图片相似度计算方法,对向量数据库中的数据进行检索和计算,同时辅助其他条件,如距离、价格、星级、房型类型等信息,匹配到相似度最高的n个酒店或房型,并通过前端界面系统展示给用户。
本发明提出的基于AI图像模型的酒店房型检索方法,可以使酒店或房型间的关联更直观,更符合人类的视觉直觉,用户体验更好,关联检索或查询更方便快捷。同时由于减少了数据加工环节,更易提供实际相似度更高的搜索结果。使用该方案后,能够使售罄/满房场景下的成单率提高10个百分点。
图4示出了本发明提供的基于AI图像模型的酒店房型检索系统300,包括数据获取模块410、AI图像模型模块420和查询模块430。
数据获取模块410用于获取用户提供的酒店房型图片;
AI图像模型模块420用于基于深度学习模型实时提取所述酒店房型图片的特征向量;以及,
基于所述特征向量通过图片相似度计算方法,分别计算向量数据库中的酒店房型图片和所述用户提供的酒店房型图片间的相似度;
查询模块430用于选出相似度最高的n个酒店房型,并推送给客户;其中n为预设的酒店房型数量。
在本发明实施例中,所述系统还包括:
存储模块440用于基于深度学习模型对图片进行特征提取和分类;根据提取到的图片特征进行识别和标注;将所述识别和标注的特征转换为多维向量,并将所述向量存储到向量数据库中。
参见图5,本公开实施例还提供了一种电子设备50,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述方法实施例中的基于AI图像模型的酒店房型检索方法。
本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述方法实施例中的基于AI图像模型的酒店房型检索方法。
本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述方法实施例中的基于AI图像模型的酒店房型检索方法。
下面参考图5,其示出了适于用来实现本公开实施例的电子设备50的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示,电子设备50可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备50操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备50与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备50,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。
特别地,根据本公开的实施例,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。在这样的实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开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。
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:获取至少两个网际协议地址;向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求,其中,所述节点评价设备从所述至少两个网际协议地址中,选取网际协议地址并返回;接收所述节点评价设备返回的网际协议地址;其中,所获取的网际协议地址指示内容分发网络中的边缘节点。
或者,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:接收包括至少两个网际协议地址的节点评价请求;从所述至少两个网际协议地址中,选取网际协议地址;返回选取出的网际协议地址;其中,接收到的网际协议地址指示内容分发网络中的边缘节点。
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。
描述于本公开实施例中所涉及到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。其中,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“获取至少两个网际协议地址的单元”。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于AI图像模型的酒店房型检索方法,其特征在于,所述方法包括以下步骤:
获取用户提供的酒店房型图片;
基于深度学习模型实时提取所述酒店房型图片的特征向量;
基于所述特征向量通过图片相似度计算方法,分别计算向量数据库中的酒店房型图片和所述用户提供的酒店房型图片间的相似度;
选出相似度最高的n个酒店房型,并推送给客户;其中n为预设的酒店房型数量。
2.根据权利要求1所述的基于AI图像模型的酒店房型检索方法,其特征在于,所述方法还包括:
基于深度学习模型对图片进行特征提取和分类;
根据提取到的图片特征进行识别和标注;
将所述识别和标注的特征转换为多维向量,并将所述向量存储到向量数据库中。
3.根据权利要求2所述的基于AI图像模型的酒店房型检索方法,其特征在于,所述特征包括:房屋的类型、风格、面积、朝向和装修。
4.根据权利要求1所述的基于AI图像模型的酒店房型检索方法,其特征在于,所述深度学习模型,包括:
卷积神经网络、生成对抗网络、变分自编码器中的至少一项。
5.根据权利要求1所述的基于AI图像模型的酒店房型检索方法,其特征在于,所述图片相似度计算方法,包括:基于欧氏距离、余弦相似度和汉明距离中的至少一项计算图片相似度。
6.根据权利要求1所述的基于AI图像模型的酒店房型检索方法,其特征在于,所述方法还包括:结合距离、价格、星级、房型类型中的至少一项对选取的酒店房型进行筛选和优化。
7.一种基于AI图像模型的酒店房型检索系统,其特征在于,所述系统包括:
数据获取模块,被配置用于获取用户提供的酒店房型图片;
AI图像模型模块,被配置用于基于深度学习模型实时提取所述酒店房型图片的特征向量;以及,
基于所述特征向量通过图片相似度计算方法,分别计算向量数据库中的酒店房型图片和所述用户提供的酒店房型图片间的相似度;
查询模块,被配置用于选出相似度最高的n个酒店房型,并推送给客户;其中n为预设的酒店房型数量。
8.根据权利要求7所述的基于AI图像模型的酒店房型检索系统,其特征在于,所述系统还包括:
存储模块,被配置用于基于深度学习模型对图片进行特征提取和分类;
根据提取到的图片特征进行识别和标注;
将所述识别和标注的特征转换为多维向量,并将所述向量存储到向量数据库中。
9.一种电子设备,其特征在于,该电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有能够被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行时,使所述至少一个处理器执行如权利要求1至6中的任一项所述的基于AI图像模型的酒店房型检索方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令当由至少一个处理器执行时使所述至少一个处理器执行如权利要求1至6中的任一项所述的基于AI图像模型的酒店房型检索方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311522409.5A CN117556117A (zh) | 2023-11-15 | 2023-11-15 | 基于ai图像模型的酒店房型检索方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311522409.5A CN117556117A (zh) | 2023-11-15 | 2023-11-15 | 基于ai图像模型的酒店房型检索方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117556117A true CN117556117A (zh) | 2024-02-13 |
Family
ID=89819954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311522409.5A Pending CN117556117A (zh) | 2023-11-15 | 2023-11-15 | 基于ai图像模型的酒店房型检索方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117556117A (zh) |
-
2023
- 2023-11-15 CN CN202311522409.5A patent/CN117556117A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111381909B (zh) | 一种页面展示方法、装置、终端设备及存储介质 | |
WO2019144850A1 (zh) | 一种基于视频内容的视频搜索方法和视频搜索装置 | |
CN110619076B (zh) | 一种搜索词推荐方法、装置、计算机及存储介质 | |
CN109036397B (zh) | 用于呈现内容的方法和装置 | |
WO2020107624A1 (zh) | 信息推送方法、装置、电子设备及计算机可读存储介质 | |
CN109241319B (zh) | 一种图片检索方法、装置、服务器和存储介质 | |
CN113806588B (zh) | 搜索视频的方法和装置 | |
CN111782977A (zh) | 兴趣点处理方法、装置、设备及计算机可读存储介质 | |
CN111738316B (zh) | 零样本学习的图像分类方法、装置及电子设备 | |
WO2020124966A1 (zh) | 节目搜索方法、装置、设备及介质 | |
CN110930220A (zh) | 一种显示方法、装置、终端设备及介质 | |
WO2023016349A1 (zh) | 一种文本输入方法、装置、电子设备和存储介质 | |
CN111291258A (zh) | 搜索热词的推荐方法、装置、电子设备及可读介质 | |
CN110737824B (zh) | 内容查询方法和装置 | |
CN110990598A (zh) | 资源检索方法、装置、电子设备及计算机可读存储介质 | |
CN111401044A (zh) | 一种标题生成方法、装置、终端设备及存储介质 | |
CN111738791B (zh) | 一种文本处理方法、装置、设备和存储介质 | |
CN113204691A (zh) | 一种信息展示方法、装置、设备及介质 | |
CN112766284A (zh) | 图像识别方法和装置、存储介质和电子设备 | |
CN114417169A (zh) | 信息推荐优化方法、设备、介质及程序产品 | |
CN113343069B (zh) | 用户信息的处理方法、装置、介质及电子设备 | |
CN108509442B (zh) | 搜索方法和装置、服务器以及计算机可读存储介质 | |
CN112148962B (zh) | 用于推送信息的方法和装置 | |
CN111260445A (zh) | 房源信息展示方法、装置、终端及存储介质 | |
CN112883218A (zh) | 一种图文联合表征的搜索方法、系统、服务器和存储介质 |
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 |