CN117611245B - 用于电商运营活动策划的数据分析管理系统及方法 - Google Patents
用于电商运营活动策划的数据分析管理系统及方法 Download PDFInfo
- Publication number
- CN117611245B CN117611245B CN202311726442.XA CN202311726442A CN117611245B CN 117611245 B CN117611245 B CN 117611245B CN 202311726442 A CN202311726442 A CN 202311726442A CN 117611245 B CN117611245 B CN 117611245B
- Authority
- CN
- China
- Prior art keywords
- semantic feature
- sequence
- commodity
- feature vectors
- text description
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 91
- 238000013439 planning Methods 0.000 title claims abstract description 46
- 238000007405 data analysis Methods 0.000 title claims abstract description 43
- 238000007726 management method Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims description 17
- 230000004927 fusion Effects 0.000 claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 270
- 230000014509 gene expression Effects 0.000 claims description 31
- 230000002452 interceptive effect Effects 0.000 claims description 18
- 230000003993 interaction Effects 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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)
- Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及电商运营技术领域,其具体地公开了一种用于电商运营活动策划的数据分析管理系统及方法,其对用户浏览记录信息中的文字描述和图画部分进行语义分析和跨模态融合,以从用户的浏览记录信息中提取用户的浏览意图特征,并理解用户的浏览意图和需求偏好,以确定运营活动策划的主题。这样,能够为用户提供更具个性化和吸引力的运营活动。
Description
技术领域
本申请涉及电商运营技术领域,且更为具体地,涉及一种用于电商运营活动策划的数据分析管理系统及方法。
背景技术
随着电商领域的竞争日益激烈,电商平台需要通过运营活动来吸引用户、提升销量和用户满意度。电商运营活动策划需要根据用户的需求和喜好,设计出吸引用户参与的活动主题和内容。
然而,传统的电商运营活动策划方法往往依赖于人工经验和直觉,缺乏对用户浏览行为数据的深入分析,导致活动主题的选择不够精准和个性化,无法有效提高用户的转化率和满意度。也就是说,随着电商平台数据规模的增加和用户行为的复杂性,传统的运营活动策划方法已经无法满足个性化和精准化的需求。因此,期待一种用于电商运营活动策划的数据分析管理系统及方法。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种用于电商运营活动策划的数据分析管理系统及方法,其对用户浏览记录信息中的文字描述和图画部分进行语义分析和跨模态融合,以从用户的浏览记录信息中提取用户的浏览意图特征,并理解用户的浏览意图和需求偏好,以确定运营活动策划的主题。这样,能够为用户提供更具个性化和吸引力的运营活动。
相应地,根据本申请的一个方面,提供了一种用于电商运营活动策划的数据分析管理方法,其包括:
获取用户浏览记录信息;
从所述用户浏览记录信息提取文字部分和图像部分;
对所述文字部分进行语义编码和语义分析以得到商品文本描述语义特征向量的序列;
对所述图像部分进行图像语义特征提取以得到商品图画语义特征向量的序列;
基于所述商品文本描述语义特征向量的序列和所述商品图画语义特征向量的序列之间的跨模态融合特征,确定运营活动策划的推荐主题。
根据本申请的另一个方面,提供了一种用于电商运营活动策划的数据分析管理系统,其包括:
用户浏览行为数据获取模块,用于获取用户浏览记录信息;
用户浏览行为数据预处理模块,用于从所述用户浏览记录信息提取文字部分和图像部分;
文本信息语义编码模块,用于对所述文字部分进行语义编码和语义分析以得到商品文本描述语义特征向量的序列;
图像信息语义特征提取模块,用于对所述图像部分进行图像语义特征提取以得到商品图画语义特征向量的序列;
活动主题推荐模块,用于基于所述商品文本描述语义特征向量的序列和所述商品图画语义特征向量的序列之间的跨模态融合特征,确定运营活动策划的推荐主题。
与现有技术相比,本申请提供的用于电商运营活动策划的数据分析管理系统及方法,其对用户浏览记录信息中的文字描述和图画部分进行语义分析和跨模态融合,以从用户的浏览记录信息中提取用户的浏览意图特征,并理解用户的浏览意图和需求偏好,以确定运营活动策划的主题。这样,能够为用户提供更具个性化和吸引力的运营活动。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的用于电商运营活动策划的数据分析管理方法的流程图。
图2为根据本申请实施例的用于电商运营活动策划的数据分析管理方法的架构示意图。
图3为根据本申请实施例的用于电商运营活动策划的数据分析管理方法中将所述用户浏览文字描述的集合通过语义编码器以得到所述商品文本描述语义特征向量的序列的流程图。
图4为根据本申请实施例的用于电商运营活动策划的数据分析管理方法中将所述用户浏览图像的集合通过基于ViT图像编码模块的商品图画语义编码器以得到所述商品图画语义特征向量的序列的流程图。
图5为根据本申请实施例的用于电商运营活动策划的数据分析管理方法中将所述用户浏览图像块嵌入向量的序列输入所述商品图画语义编码器以得到所述商品图画语义特征向量的序列的流程图。
图6为根据本申请实施例的用于电商运营活动策划的数据分析管理方法中将所述商品文本描述语义特征向量的序列和所述商品图画语义特征向量的序列通过基于类注意力机制的跨模态交互融合模块以得到用户浏览意图多模态表达语义特征向量的流程图。
图7为根据本申请实施例的用于电商运营活动策划的数据分析管理系统的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
图1为根据本申请实施例的用于电商运营活动策划的数据分析管理方法的流程图。图2为根据本申请实施例的用于电商运营活动策划的数据分析管理方法的架构示意图。如图1和图2所示,根据本申请实施例的用于电商运营活动策划的数据分析管理方法,包括步骤:S1,获取用户浏览记录信息;S2,从所述用户浏览记录信息提取文字部分和图像部分;S3,对所述文字部分进行语义编码和语义分析以得到商品文本描述语义特征向量的序列;S4,对所述图像部分进行图像语义特征提取以得到商品图画语义特征向量的序列;S5,基于所述商品文本描述语义特征向量的序列和所述商品图画语义特征向量的序列之间的跨模态融合特征,确定运营活动策划的推荐主题。
如上述背景技术所言,电商平台为了吸引用户和提升销量,通常会通过运营活动的方式来提高用户满意度。电商运营活动策划需要根据用户的需求和喜好,设计出吸引用户参与的活动主题和内容。在这个过程中,了解用户的行为数据和消费习惯变得至关重要。通过深入分析用户的购物行为、浏览习惯和交易数据,电商平台可以更准确地把握用户的兴趣点和偏好,从而精准地制定各类运营活动。
然而,传统的电商运营活动策划方法往往依赖于人工经验,容易受到个人主观意识的影响,策划活动的方向和内容可能更多地取决于个人经验和偏好,而非客观数据和分析。并且,传统的电商运营活动策划方法往往缺乏对大量数据的分析和应用,无法充分利用用户行为数据和市场趋势,导致活动策划缺乏科学性和针对性,难以实现对用户个性化需求的精准把握和满足,无法实现精细化运营和个性化营销。也就是说,传统的电商运营活动策划方法存在着诸多局限性,难以适应当下快速变化的市场环境和用户需求,需要借助科技手段和数据驱动的方法进行改进。
针对上述技术问题,本申请的技术构思是对用户浏览记录信息中的文字描述和图画部分进行语义分析和跨模态融合,以从用户的浏览记录信息中提取用户的浏览意图特征,并理解用户的浏览意图和需求偏好,以确定运营活动策划的主题,便于为用户提供更具个性化和吸引力的运营活动。
在上述用于电商运营活动策划的数据分析管理方法中,所述步骤S1,获取用户浏览记录信息。应可以理解,通过对所述用户浏览记录信息进行分析,可以揭示用户的购买意图和购买行为,帮助电商平台了解用户的兴趣和偏好,从而更精准地定位用户的需求和关注点,帮助电商平台识别潜在的购买者。并且,基于用户的浏览行为,电商平台可以针对性地设计运营活动,以满足用户的特定需求,提高活动的针对性和吸引力,优化和策划运营活动。
在上述用于电商运营活动策划的数据分析管理方法中,所述步骤S2,从所述用户浏览记录信息提取文字部分和图像部分。应可以理解,用户浏览记录信息通常包括文字部分和图像部分。文字部分通常包括商品标题、描述、评论等,而图像部分则是商品的图片。由于用户浏览记录信息中的文字和图像是不同的数据类型,它们的特征空间和表达方式也不同。因而,在本申请的技术方案中,利用不同的深度学习网络模型对两者分别进行特征提取,以从文字部分和图像部分中提取用户的商品浏览意图和偏好。这样,能够充分利用用户浏览记录信息中的多模态数据,提高对用户浏览意图的理解和把握。
在上述用于电商运营活动策划的数据分析管理方法中,所述步骤S3,对所述文字部分进行语义编码和语义分析以得到商品文本描述语义特征向量的序列。在本申请的技术方案中,为了将所述用户浏览记录信息中的文字部分(即商品的文本描述)转化为计算机能够理解和处理的表示形式,进一步对所述文字部分进行语义编码,以将其转换为具有语义特征信息的商品文本描述语义特征向量的序列。在本申请的一个具体示例中,对所述文字部分进行语义编码和语义分析的步骤包括:S31,将所述文字部分以用户为单位进行划分以得到用户浏览文字描述的集合;S32,将所述用户浏览文字描述的集合通过语义编码器以得到所述商品文本描述语义特征向量的序列。
具体地,所述步骤S31,将所述文字部分以用户为单位进行划分以得到用户浏览文字描述的集合。应可以理解,以用户为单位划分用户浏览信息的文字描述可以更好地实现个性化分析。由于不同用户对商品的描述和评论可能存在差异,通过以用户为单位划分,可以更好地了解每个用户的偏好和习惯,从而更准确地分析用户的浏览行为和购买意图。并且,通过集合化用户浏览信息的文字描述,可以更好地捕捉各个用户在浏览过程中的多样化行为和偏好,更好地构建用户的画像模型,更全面地了解用户的兴趣、偏好和行为特征,为用户画像的建模提供更多的信息支持,有助于电商平台实现更精细化的营销策划。
具体地,所述步骤S32,将所述用户浏览文字描述的集合通过语义编码器以得到所述商品文本描述语义特征向量的序列。在本申请的一个具体示例中,所述语义编码器为基于Transformers的Bert模型。本领域的普通技术人员应知晓,Bert(BidirectionalEncoder Representations from Transformers)模型是一种基于Transformer架构的预训练语言模型。Bert模型包括多个编码器层,这使得Bert能够并行处理输入序列,且更适用于各种自然语言处理任务。Bert的核心创新之一是采用了双向(bidirectional)的训练方式。传统的语言模型通常是单向的,只能利用前面的词语来预测后面的词语,而Bert通过Masked Language Model(MLM)和Next Sentence Prediction(NSP)任务,使得模型在训练时能够同时利用句子中左右两侧的上下文信息,从而更好地理解整个句子的语义。并且,Bert模型首先在大规模文本语料上进行预训练,学习词语的表示和句子的语义信息,在预训练之后,根据具体的任务对Bert进行微调即可适应特定的自然语言处理任务,具有一定的泛化能力。
也就是说,在本申请的技术方案中,通过使用基于Bert模型的语义编码器能够充分挖掘出所述用户浏览文字描述中的语义特征表示,以得到所述商品文本描述语义特征向量的序列,这些向量更好地表示了商品的文本描述的含义,有助于计算机更准确地理解和表示用户浏览的商品描述,从而提高后续分析和推荐的准确性。并且,所述商品文本描述语义特征向量的序列是对商品文本描述的高维信息进行了降维和抽取,保留了描述的重要语义特征,有助于提高后续模型的计算效率,并且更好地捕捉用户浏览的商品的关键特征,为用户行为分析和推荐系统提供更有效的数据支持。
具体地,图3为根据本申请实施例的用于电商运营活动策划的数据分析管理方法中将所述用户浏览文字描述的集合通过语义编码器以得到所述商品文本描述语义特征向量的序列的流程图。如图3所示,所述步骤S32,包括:S321,对所述各个用户浏览文字描述进行分词处理以得到用户浏览词的序列;S322,使用所述语义编码器的词嵌入层分别将所述用户浏览词的序列中各个用户浏览词映射为用户浏览词嵌入向量以得到用户浏览词嵌入向量的序列;S323,使用所述语义编码器的基于转换器的Bert模型对所述用户浏览词嵌入向量的序列进行上下文语义编码以得到所述商品文本描述语义特征向量的序列。
在上述用于电商运营活动策划的数据分析管理方法中,所述步骤S4,对所述图像部分进行图像语义特征提取以得到商品图画语义特征向量的序列。应可以理解,商品图像中蕴含了丰富的视觉信息,包括颜色、纹理、形状、结构等,能够提供关于用户浏览商品的视觉方面的特征信息。并且,所述用户浏览记录信息中的文字部分和图像部分具有不同的表示形式,二者相互补充,通过对所述图像部分进行图像语义特征提取,可以将图像信息与文本信息统一到相同的特征空间中,从而实现对图像和文本信息的统一分析和处理,有助于综合考虑用户行为中的文本描述和图像信息,提高对用户行为的理解和预测准确性。
在本申请的一个具体示例中,所述步骤S4,包括:S41,将所述图像部分以用户为单位进行划分以得到用户浏览图像的集合;S42,将所述用户浏览图像的集合通过基于ViT图像编码模块的商品图画语义编码器以得到所述商品图画语义特征向量的序列。
具体地,所述步骤S41,将所述图像部分以用户为单位进行划分以得到用户浏览图像的集合。同样地,将所述图像部分按用户进行划分,以获得每个用户个性化的图像浏览集合,有助于更好地理解每个用户的偏好、兴趣和行为习惯,从而能够更精准地进行个性化建模,帮助电商平台实现更精细化的营销策划。
具体地,所述步骤S42,将所述用户浏览图像的集合通过基于ViT图像编码模块的商品图画语义编码器以得到所述商品图画语义特征向量的序列。本领域的普通技术人员应知晓,ViT(Vision Transformer)是一种基于Transformer架构的先进的图像处理模型,其在计算机视觉任务中取得了很好的效果。具体来说,首先,输入到ViT模型中的图像被分割成固定大小的图像块(patches)。接着,ViT模型的嵌入层使用一个可学习的嵌入器(embedding)矩阵将各个图像块分别映射到一个向量空间中,以得到对应于各个图像块的嵌入向量。同时,为了将各个图像块的位置信息引入模型,ViT使用位置编码来表示每个图像块的位置。这些位置编码与图像块的嵌入向量相结合,以保留图像块在原始图像中的空间位置关系。接下来,ViT使用Transformer编码器来处理这些图像块嵌入向量。Transformer编码器包括多个自注意力层和前馈神经网络层。自注意力层有助于模型理解图像块之间的关系,而前馈神经网络层有助于对每个位置的特征进行非线性变换。这样,ViT模型将图像处理任务转化为了一个序列处理问题,通过将图像分块并利用Transformer的自注意力机制来捕捉各个图像块之间的关系,使得ViT在图像语义特征提取任务上取得了比传统卷积神经网络更好的性能。
也就是说,在本申请的技术方案中,通过所述基于ViT图像编码模块的商品图画语义编码器对用户浏览的图像集合进行图像语义挖掘,能够有效地提取图像中的重要语义特征,更好地捕捉图像的内容和语义信息,提高对图像信息的抽象表征能力。并且,通过将所述用户浏览图像的集合转换为商品图画语义特征向量的序列,使得图像信息和文本信息处于相同的特征空间中,有助于实现跨模态信息的融合,使得模型能够综合考虑文本描述和图像信息,从而更准确地理解用户行为和需求。
具体地,图4为根据本申请实施例的用于电商运营活动策划的数据分析管理方法中将所述用户浏览图像的集合通过基于ViT图像编码模块的商品图画语义编码器以得到所述商品图画语义特征向量的序列的流程图。如图4所示,所述步骤S42,包括:S421,将所述各个用户浏览图像进行分块处理以得到用户浏览图像块的序列;S422,使用所述ViT图像编码模块的嵌入层分别对所述用户浏览图像块的序列中各个用户浏览图像块进行嵌入编码以得到用户浏览图像块嵌入向量的序列;S423,将所述用户浏览图像块嵌入向量的序列输入所述商品图画语义编码器以得到所述商品图画语义特征向量的序列。
更为具体地,图5为根据本申请实施例的用于电商运营活动策划的数据分析管理方法中将所述用户浏览图像块嵌入向量的序列输入所述商品图画语义编码器以得到所述商品图画语义特征向量的序列的流程图。如图5所示,所述步骤S423,包括:S4231,将所述用户浏览图像块嵌入向量的序列进行一维排列以得到用户浏览图像块全局嵌入向量;S4232,计算所述用户浏览图像块全局嵌入向量与所述用户浏览图像块嵌入向量的序列中各个用户浏览图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵;S4233,分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;S4234,将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过激活函数以得到多个概率值;S4235,分别以所述多个概率值中各个概率值作为权重对所述用户浏览图像块嵌入向量的序列中各个用户浏览图像块嵌入向量进行加权以得到所述商品图画语义特征向量的序列。
在上述用于电商运营活动策划的数据分析管理方法中,所述步骤S5,基于所述商品文本描述语义特征向量的序列和所述商品图画语义特征向量的序列之间的跨模态融合特征,确定运营活动策划的推荐主题。应可以理解,将所述用户浏览记录信息中的文字部分和图像部分分别转换为语义特征向量的表示形式后,为了综合考虑不同模态的信息,更全面、更准确地确定运营活动策划的推荐主题,进一步将所述商品文本描述语义特征向量的序列和所述商品图画语义特征向量的序列进行跨模态特征融合,从而使得推荐主题的确定不再局限于单一模态的信息,提高主题推荐的准确性。并且,所述用户浏览记录信息中的文字部分和图像部分具有一定的关联性和互补性。文字描述用于准确地描述图像中展示的产品,而图像用于直观地展现文字描述中所提及的产品特征,两者相互关联和补充,因此,通过将两者的特征信息进行跨模态融合,能够充分利用用户浏览记录中的文字部分和图像部分的关联性和互补性来提高主题推荐的准确性。
在本申请的一个具体示例中,所述步骤S5,包括:S51,将所述商品文本描述语义特征向量的序列和所述商品图画语义特征向量的序列通过基于类注意力机制的跨模态交互融合模块以得到用户浏览意图多模态表达语义特征向量;S52,对所述用户浏览意图多模态表达语义特征向量进行特征分布校正以得到校正后用户浏览意图多模态表达语义特征向量;S53,将所述校正后用户浏览意图多模态表达语义特征向量通过分类器以得到分类结果,所述分类结果用于表示运营活动策划的推荐主题标签。
具体地,所述步骤S51,将所述商品文本描述语义特征向量的序列和所述商品图画语义特征向量的序列通过基于类注意力机制的跨模态交互融合模块以得到用户浏览意图多模态表达语义特征向量。在本申请的技术方案中,通过所述跨模态交互融合模块来将文字描述和图像信息中的跨模态语义信息进行交互融合,以更全面地表征用户的浏览兴趣和需求。换言之,文字描述和图像信息的融合能够将两者的互补信息结合起来,加强对用户浏览意图的理解和表达。
具体地,图6为根据本申请实施例的用于电商运营活动策划的数据分析管理方法中将所述商品文本描述语义特征向量的序列和所述商品图画语义特征向量的序列通过基于类注意力机制的跨模态交互融合模块以得到用户浏览意图多模态表达语义特征向量的流程图。如图6所示,所述步骤S51,包括:S511,计算所述商品文本描述语义特征向量的序列中各个商品文本描述语义特征向量与所述商品图画语义特征向量的序列中各个商品图画语义特征向量之间的相关度;S512,基于所述商品文本描述语义特征向量的序列中各个商品文本描述语义特征向量与所述商品图画语义特征向量的序列中所有商品图画语义特征向量之间的相关度以及所述商品图画语义特征向量的序列中所有商品图画语义特征向量,对所述商品文本描述语义特征向量的序列中各个商品文本描述语义特征向量进行交互式更新以得到更新商品文本描述语义特征向量的序列;S513,基于所述商品图画语义特征向量的序列中各个商品图画语义特征向量与所述商品文本描述语义特征向量的序列中所有商品文本描述语义特征向量之间的相关度以及所述商品文本描述语义特征向量的序列中所有商品文本描述语义特征向量,对所述商品图画语义特征向量的序列中各个商品图画语义特征向量进行交互式更新以得到更新商品图画语义特征向量的序列;S514,融合所述商品文本描述语义特征向量的序列和所述更新商品文本描述语义特征向量的序列以得到交互融合商品文本描述语义特征向量的序列;S515,融合所述商品图画语义特征向量的序列和所述更新商品图画语义特征向量的序列以得到交互融合商品图画语义特征向量的序列;S516,将所述交互融合商品文本描述语义特征向量的序列和所述交互融合商品图画语义特征向量的序列进行拼接以得到所述用户浏览意图多模态表达语义特征向量。
更为具体地,所述步骤S511,包括:以如下相关度计算公式来计算所述商品文本描述语义特征向量的序列中各个商品文本描述语义特征向量与所述商品图画语义特征向量的序列中各个商品图画语义特征向量之间的相关度;其中,所述相关度计算公式为:
Sij=hi Trj
其中,Sij表示所述商品文本描述语义特征向量的序列中第i个商品文本描述语义特征向量与所述商品图画语义特征向量的序列中第j个商品图画语义特征向量之间的相关度,hi表示所述商品文本描述语义特征向量的序列中第i个商品文本描述语义特征向量,hi T表示所述商品文本描述语义特征向量的序列中第i个商品文本描述语义特征向量的转置,且rj表示所述商品图画语义特征向量的序列中第j个商品图画语义特征向量。
所述基于类注意力机制的跨模态交互融合模块可以学习不同模态在表示用户浏览意图中的重要性权重。例如,对于某些用户而言,文字描述可能更重要,而对于其他用户则更注重图像信息。通过所述基于类注意力机制的跨模态交互融合模块,可以自适应地学习每个模态中各个局部语义特征的权重,使得融合后的多模态表达更加符合用户个性化的浏览偏好。
具体地,所述步骤S52,对所述用户浏览意图多模态表达语义特征向量进行特征分布校正以得到校正后用户浏览意图多模态表达语义特征向量。在上述技术方案中,所述商品文本描述语义特征向量的序列和所述商品图画语义特征向量的序列分别表达所述用户浏览文字描述的文本语义特征和所述用户浏览图像的基于图像源语义上下文关联的图像语义特征,因此,所述商品文本描述语义特征向量的序列和所述商品图画语义特征向量的序列具有基于源数据模态差异的特征分布的显著差异。由此,在将所述商品文本描述语义特征向量的序列和所述商品图画语义特征向量的序列通过基于类注意力机制的跨模态交互融合模块时,期望抑制由于源数据模态差异引起的特征分布差异导致的所述商品文本描述语义特征向量的序列和所述商品图画语义特征向量的序列在高维特征空间内基于与几何变换对应的特征分布方向的高维几何变化差异,从而提升跨模态交互融合效果。
基于此,在本申请的技术方案中,所述步骤S52,包括:以如下校正公式对所述商品文本描述语义特征向量的序列和所述商品图画语义特征向量的序列进一步进行融合校正,以获得校正特征向量,其中,所述校正公式为:
其中,V1是所述商品文本描述语义特征向量的序列级联得到的第一级联特征向量,V2是所述商品图画语义特征向量的序列级联得到的第二级联特征向量,v1i、v2i和vci分别是所述第一级联特征向量V1、所述第二级联特征向量V2和所述校正特征向量的特征值,‖·‖1和‖·‖2分别是特征向量的1范数和2范数,L是特征向量的长度,且α是权重超参数。
具体地,为了在进行跨模态交互融合时提升特征对不同特征分布对应的空间变换的感知和认知能力,基于所述商品文本描述语义特征向量的序列级联得到的第一级联特征向量V1和所述商品图画语义特征向量的序列级联得到的第二级联特征向量V2的距离结构参数来从向量尺度维度进行特征向量的特征分布在不同方向上的旋转控制,以通过相对旋转解缠来保留融合特征的旋转不变性,从而避免融合特征时在高维特征空间内的几何变换导致的特征分布的高维几何变化差异。这样,再将所述校正特征向量与所述用户浏览意图多模态表达语义特征向量进行融合,就可以提升所述用户浏览意图多模态表达语义特征向量的跨模态交互融合表达效果,从而改进其通过分类器得到的分类结果的准确性。
具体地,所述步骤S53,将所述校正后用户浏览意图多模态表达语义特征向量通过分类器以得到分类结果,所述分类结果用于表示运营活动策划的推荐主题标签。应可以理解,分类器是一种机器学习模型,其主要任务是将输入数据分配到不同的类别或标签中。分类器的工作原理是通过学习输入特征与标签之间的关联关系,然后根据学习到的模式,对新的未标记数据进行分类或标记。在本申请的技术方案中,分类器被用于学习所述校正后用户浏览意图多模态表达语义特征向量中的特征信息,进而将所述校正后用户浏览意图多模态表达语义特征向量中所包含的用户浏览意图特征映射到合适的运营活动策划主题标签,以实现对用户的个性化主题推荐,使活动内容更符合用户的偏好,从而提高活动的针对性和吸引力。
综上,根据本申请实施例的用于电商运营活动策划的数据分析管理方法被阐明,其对用户浏览记录信息中的文字描述和图画部分进行语义分析和跨模态融合,以从用户的浏览记录信息中提取用户的浏览意图特征,并理解用户的浏览意图和需求偏好,以确定运营活动策划的主题。这样,能够为用户提供更具个性化和吸引力的运营活动。
图7为根据本申请实施例的用于电商运营活动策划的数据分析管理系统的框图。如图7所示,根据本申请实施例的用于电商运营活动策划的数据分析管理系统100,包括:用户浏览行为数据获取模块110,用于获取用户浏览记录信息;用户浏览行为数据预处理模块120,用于从所述用户浏览记录信息提取文字部分和图像部分;文本信息语义编码模块130,用于对所述文字部分进行语义编码和语义分析以得到商品文本描述语义特征向量的序列;图像信息语义特征提取模块140,用于对所述图像部分进行图像语义特征提取以得到商品图画语义特征向量的序列;活动主题推荐模块150,用于基于所述商品文本描述语义特征向量的序列和所述商品图画语义特征向量的序列之间的跨模态融合特征,确定运营活动策划的推荐主题。
这里,本领域技术人员可以理解,上述用于电商运营活动策划的数据分析管理系统中的各个步骤的具体操作已经在上面参考图1到图6的用于电商运营活动策划的数据分析管理方法的描述中得到了详细介绍,并因此,将省略其重复描述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。在本发明所提供的几个实施例中,应该理解到,所揭露的设备,系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述模块划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元也可以由一个单元通过软件或者硬件来实现。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种用于电商运营活动策划的数据分析管理方法,其特征在于,包括:
获取用户浏览记录信息;
从所述用户浏览记录信息提取文字部分和图像部分;
对所述文字部分进行语义编码和语义分析以得到商品文本描述语义特征向量的序列;
对所述图像部分进行图像语义特征提取以得到商品图画语义特征向量的序列;
基于所述商品文本描述语义特征向量的序列和所述商品图画语义特征向量的序列之间的跨模态融合特征,确定运营活动策划的推荐主题;
其中,基于所述商品文本描述语义特征向量的序列和所述商品图画语义特征向量的序列之间的跨模态融合特征,确定运营活动策划的推荐主题,包括:
将所述商品文本描述语义特征向量的序列和所述商品图画语义特征向量的序列通过基于类注意力机制的跨模态交互融合模块以得到用户浏览意图多模态表达语义特征向量;
对所述用户浏览意图多模态表达语义特征向量进行特征分布校正以得到校正后用户浏览意图多模态表达语义特征向量;
将所述校正后用户浏览意图多模态表达语义特征向量通过分类器以得到分类结果,所述分类结果用于表示运营活动策划的推荐主题标签;
其中,将所述商品文本描述语义特征向量的序列和所述商品图画语义特征向量的序列通过基于类注意力机制的跨模态交互融合模块以得到用户浏览意图多模态表达语义特征向量,包括:
计算所述商品文本描述语义特征向量的序列中各个商品文本描述语义特征向量与所述商品图画语义特征向量的序列中各个商品图画语义特征向量之间的相关度;
基于所述商品文本描述语义特征向量的序列中各个商品文本描述语义特征向量与所述商品图画语义特征向量的序列中所有商品图画语义特征向量之间的相关度以及所述商品图画语义特征向量的序列中所有商品图画语义特征向量,对所述商品文本描述语义特征向量的序列中各个商品文本描述语义特征向量进行交互式更新以得到更新商品文本描述语义特征向量的序列;
基于所述商品图画语义特征向量的序列中各个商品图画语义特征向量与所述商品文本描述语义特征向量的序列中所有商品文本描述语义特征向量之间的相关度以及所述商品文本描述语义特征向量的序列中所有商品文本描述语义特征向量,对所述商品图画语义特征向量的序列中各个商品图画语义特征向量进行交互式更新以得到更新商品图画语义特征向量的序列;
融合所述商品文本描述语义特征向量的序列和所述更新商品文本描述语义特征向量的序列以得到交互融合商品文本描述语义特征向量的序列;
融合所述商品图画语义特征向量的序列和所述更新商品图画语义特征向量的序列以得到交互融合商品图画语义特征向量的序列;
将所述交互融合商品文本描述语义特征向量的序列和所述交互融合商品图画语义特征向量的序列进行拼接以得到所述用户浏览意图多模态表达语义特征向量。
2.根据权利要求1所述的用于电商运营活动策划的数据分析管理方法,其特征在于,对所述文字部分进行语义编码和语义分析以得到商品文本描述语义特征向量的序列,包括:
将所述文字部分以用户为单位进行划分以得到用户浏览文字描述的集合;
将所述用户浏览文字描述的集合通过语义编码器以得到所述商品文本描述语义特征向量的序列。
3.根据权利要求2所述的用于电商运营活动策划的数据分析管理方法,其特征在于,将所述用户浏览文字描述的集合通过语义编码器以得到所述商品文本描述语义特征向量的序列,包括:
对所述各个用户浏览文字描述进行分词处理以得到用户浏览词的序列;
使用所述语义编码器的词嵌入层分别将所述用户浏览词的序列中各个用户浏览词映射为用户浏览词嵌入向量以得到用户浏览词嵌入向量的序列;
使用所述语义编码器的基于转换器的Bert模型对所述用户浏览词嵌入向量的序列进行上下文语义编码以得到所述商品文本描述语义特征向量的序列。
4.根据权利要求3所述的用于电商运营活动策划的数据分析管理方法,其特征在于,对所述图像部分进行图像语义特征提取以得到商品图画语义特征向量的序列,包括:
将所述图像部分以用户为单位进行划分以得到用户浏览图像的集合;
将所述用户浏览图像的集合通过基于ViT图像编码模块的商品图画语义编码器以得到所述商品图画语义特征向量的序列。
5.根据权利要求4所述的用于电商运营活动策划的数据分析管理方法,其特征在于,将所述用户浏览图像的集合通过基于ViT图像编码模块的商品图画语义编码器以得到所述商品图画语义特征向量的序列,包括:
将所述各个用户浏览图像进行分块处理以得到用户浏览图像块的序列;
使用所述ViT图像编码模块的嵌入层分别对所述用户浏览图像块的序列中各个用户浏览图像块进行嵌入编码以得到用户浏览图像块嵌入向量的序列;
将所述用户浏览图像块嵌入向量的序列输入所述商品图画语义编码器以得到所述商品图画语义特征向量的序列。
6.根据权利要求5所述的用于电商运营活动策划的数据分析管理方法,其特征在于,将所述用户浏览图像块嵌入向量的序列输入所述商品图画语义编码器以得到所述商品图画语义特征向量的序列,包括:
将所述用户浏览图像块嵌入向量的序列进行一维排列以得到用户浏览图像块全局嵌入向量;
计算所述用户浏览图像块全局嵌入向量与所述用户浏览图像块嵌入向量的序列中各个用户浏览图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵;
分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;
将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过激活函数以得到多个概率值;
分别以所述多个概率值中各个概率值作为权重对所述用户浏览图像块嵌入向量的序列中各个用户浏览图像块嵌入向量进行加权以得到所述商品图画语义特征向量的序列。
7.根据权利要求6所述的用于电商运营活动策划的数据分析管理方法,其特征在于,计算所述商品文本描述语义特征向量的序列中各个商品文本描述语义特征向量与所述商品图画语义特征向量的序列中各个商品图画语义特征向量之间的相关度,包括:以如下相关度计算公式来计算所述商品文本描述语义特征向量的序列中各个商品文本描述语义特征向量与所述商品图画语义特征向量的序列中各个商品图画语义特征向量之间的相关度;
其中,所述相关度计算公式为:
Sij=hi Trj
其中,Sij表示所述商品文本描述语义特征向量的序列中第i个商品文本描述语义特征向量与所述商品图画语义特征向量的序列中第j个商品图画语义特征向量之间的相关度,hi表示所述商品文本描述语义特征向量的序列中第i个商品文本描述语义特征向量,hi T表示所述商品文本描述语义特征向量的序列中第i个商品文本描述语义特征向量的转置,且rj表示所述商品图画语义特征向量的序列中第j个商品图画语义特征向量。
8.一种用于电商运营活动策划的数据分析管理系统,其特征在于,包括:
用户浏览行为数据获取模块,用于获取用户浏览记录信息;
用户浏览行为数据预处理模块,用于从所述用户浏览记录信息提取文字部分和图像部分;
文本信息语义编码模块,用于对所述文字部分进行语义编码和语义分析以得到商品文本描述语义特征向量的序列;
图像信息语义特征提取模块,用于对所述图像部分进行图像语义特征提取以得到商品图画语义特征向量的序列;
活动主题推荐模块,用于基于所述商品文本描述语义特征向量的序列和所述商品图画语义特征向量的序列之间的跨模态融合特征,确定运营活动策划的推荐主题;
其中,基于所述商品文本描述语义特征向量的序列和所述商品图画语义特征向量的序列之间的跨模态融合特征,确定运营活动策划的推荐主题,包括:
将所述商品文本描述语义特征向量的序列和所述商品图画语义特征向量的序列通过基于类注意力机制的跨模态交互融合模块以得到用户浏览意图多模态表达语义特征向量;
对所述用户浏览意图多模态表达语义特征向量进行特征分布校正以得到校正后用户浏览意图多模态表达语义特征向量;
将所述校正后用户浏览意图多模态表达语义特征向量通过分类器以得到分类结果,所述分类结果用于表示运营活动策划的推荐主题标签;
其中,将所述商品文本描述语义特征向量的序列和所述商品图画语义特征向量的序列通过基于类注意力机制的跨模态交互融合模块以得到用户浏览意图多模态表达语义特征向量,包括:
计算所述商品文本描述语义特征向量的序列中各个商品文本描述语义特征向量与所述商品图画语义特征向量的序列中各个商品图画语义特征向量之间的相关度;
基于所述商品文本描述语义特征向量的序列中各个商品文本描述语义特征向量与所述商品图画语义特征向量的序列中所有商品图画语义特征向量之间的相关度以及所述商品图画语义特征向量的序列中所有商品图画语义特征向量,对所述商品文本描述语义特征向量的序列中各个商品文本描述语义特征向量进行交互式更新以得到更新商品文本描述语义特征向量的序列;
基于所述商品图画语义特征向量的序列中各个商品图画语义特征向量与所述商品文本描述语义特征向量的序列中所有商品文本描述语义特征向量之间的相关度以及所述商品文本描述语义特征向量的序列中所有商品文本描述语义特征向量,对所述商品图画语义特征向量的序列中各个商品图画语义特征向量进行交互式更新以得到更新商品图画语义特征向量的序列;
融合所述商品文本描述语义特征向量的序列和所述更新商品文本描述语义特征向量的序列以得到交互融合商品文本描述语义特征向量的序列;
融合所述商品图画语义特征向量的序列和所述更新商品图画语义特征向量的序列以得到交互融合商品图画语义特征向量的序列;
将所述交互融合商品文本描述语义特征向量的序列和所述交互融合商品图画语义特征向量的序列进行拼接以得到所述用户浏览意图多模态表达语义特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311726442.XA CN117611245B (zh) | 2023-12-14 | 2023-12-14 | 用于电商运营活动策划的数据分析管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311726442.XA CN117611245B (zh) | 2023-12-14 | 2023-12-14 | 用于电商运营活动策划的数据分析管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117611245A CN117611245A (zh) | 2024-02-27 |
CN117611245B true CN117611245B (zh) | 2024-05-31 |
Family
ID=89948121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311726442.XA Active CN117611245B (zh) | 2023-12-14 | 2023-12-14 | 用于电商运营活动策划的数据分析管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117611245B (zh) |
Citations (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090089004A (ko) * | 2008-02-18 | 2009-08-21 | 이승란 | 개인맞춤광고서비스 시스템 및 방법 |
CN103839167A (zh) * | 2012-11-21 | 2014-06-04 | 大连灵动科技发展有限公司 | 一种商品候选集推荐方法 |
US9355352B1 (en) * | 2000-02-24 | 2016-05-31 | Richard Paiz | Personal search results |
CN107679960A (zh) * | 2017-10-12 | 2018-02-09 | 东北大学 | 一种基于服装图像和标签文本双模态内容分析的个性化服装的推荐方法 |
CN110599291A (zh) * | 2019-01-24 | 2019-12-20 | 王俊领 | 商家买家多种市场高效精准融合智能电商运营系统和方法 |
CN111563205A (zh) * | 2020-04-26 | 2020-08-21 | 山东师范大学 | 共享账户中基于自注意力机制的跨域信息推荐方法及系统 |
CN113850649A (zh) * | 2021-09-29 | 2021-12-28 | 中国科学院空天信息创新研究院 | 一种基于多平台用户数据的定制化推荐方法及推荐系统 |
CN113850201A (zh) * | 2021-09-28 | 2021-12-28 | 广州华多网络科技有限公司 | 跨模态商品分类方法及其装置、设备、介质、产品 |
CN113869048A (zh) * | 2021-09-30 | 2021-12-31 | 广州华多网络科技有限公司 | 商品对象搜索方法及其装置、设备、介质、产品 |
CN114443916A (zh) * | 2022-01-25 | 2022-05-06 | 中国人民解放军国防科技大学 | 一种面向试验数据的供需匹配方法及系统 |
CN114492646A (zh) * | 2022-01-28 | 2022-05-13 | 北京邮电大学 | 一种基于跨模态互注意力机制的图文匹配方法 |
WO2022126901A1 (zh) * | 2020-12-18 | 2022-06-23 | 平安科技(深圳)有限公司 | 一种商品推荐方法及其相关设备 |
CN114693397A (zh) * | 2022-03-16 | 2022-07-01 | 电子科技大学 | 一种基于注意力神经网络的多视角多模态商品推荐方法 |
CN115080865A (zh) * | 2022-08-19 | 2022-09-20 | 山东智豆数字科技有限公司 | 基于多维数据分析的电商数据运营管理系统 |
JP2022137145A (ja) * | 2021-07-12 | 2022-09-21 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | マルチモーダルデータ連合学習モデルトレーニング方法及び装置 |
CN115187331A (zh) * | 2022-06-24 | 2022-10-14 | 平安科技(深圳)有限公司 | 基于多模态数据的产品推荐方法、装置、设备及存储介质 |
CN115423429A (zh) * | 2022-08-22 | 2022-12-02 | 平湖市通用电气安装有限公司 | 基于图像和声音信息的多模态一体化配网运营系统 |
CN115658934A (zh) * | 2022-10-13 | 2023-01-31 | 中国电子科技集团公司第十研究所 | 一种基于多类注意力机制的图文跨模态检索方法 |
EP4131026A1 (en) * | 2021-08-05 | 2023-02-08 | Rakuten Group, Inc. | System and method for multi-modal transformer-based catagorization |
CN115731425A (zh) * | 2022-12-05 | 2023-03-03 | 广州欢聚时代信息科技有限公司 | 商品分类方法及其装置、设备、介质 |
CN115860875A (zh) * | 2022-12-26 | 2023-03-28 | 安徽农业大学 | 一种基于双线性池化的多模态知识融合的商品推荐方法 |
WO2023045605A1 (zh) * | 2021-09-22 | 2023-03-30 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、计算机设备及存储介质 |
CN116029782A (zh) * | 2022-11-03 | 2023-04-28 | 阿里巴巴(中国)有限公司 | 多模态信息处理方法、装置、设备及存储介质 |
CN116150480A (zh) * | 2023-01-05 | 2023-05-23 | 合肥工业大学 | 一种融合多模态评论信息的用户个性化需求预测方法 |
WO2023093574A1 (zh) * | 2021-11-25 | 2023-06-01 | 北京邮电大学 | 基于多级图文语义对齐模型的新闻事件搜索方法及系统 |
WO2023134073A1 (zh) * | 2022-01-11 | 2023-07-20 | 平安科技(深圳)有限公司 | 基于人工智能的图像描述生成方法、装置、设备及介质 |
CN116523583A (zh) * | 2022-12-09 | 2023-08-01 | 长春光华学院 | 电子商务数据分析系统及其方法 |
CN116629977A (zh) * | 2023-06-07 | 2023-08-22 | 深圳市齐力创新有限公司 | 基于大数据的电子商务决策方法及其系统 |
CN116703523A (zh) * | 2023-07-03 | 2023-09-05 | 长春职业技术学院 | 基于大数据的电子商务系统及其方法 |
CN116703485A (zh) * | 2023-08-04 | 2023-09-05 | 山东创亿智慧信息科技发展有限责任公司 | 基于大数据的广告精准营销方法及系统 |
CN116739695A (zh) * | 2023-05-11 | 2023-09-12 | 广东百鹿电子科技有限公司 | 基于大数据的电子商务管理系统及其方法 |
CN116738057A (zh) * | 2023-06-27 | 2023-09-12 | 平安科技(深圳)有限公司 | 信息推荐方法、装置、计算机设备及存储介质 |
CN116777572A (zh) * | 2023-08-25 | 2023-09-19 | 乐麦信息技术(杭州)有限公司 | 基于大数据的电子商务交易管理系统及其方法 |
CN116843410A (zh) * | 2023-06-12 | 2023-10-03 | 北京百分点科技集团股份有限公司 | 一种基于大小数据融合的商品推荐方法及系统 |
CN117112902A (zh) * | 2023-08-30 | 2023-11-24 | 南京大学 | 一种基于多模态对比学习的离线强化学习商品推荐系统 |
CN117522923A (zh) * | 2023-11-21 | 2024-02-06 | 昆明茗奥志数据技术有限公司 | 融合多模态特征的目标跟踪系统及方法 |
CN117635275A (zh) * | 2023-12-19 | 2024-03-01 | 浙江博观瑞思科技有限公司 | 基于大数据的智能电商运营商品管理平台及方法 |
CN117671460A (zh) * | 2023-12-05 | 2024-03-08 | 安徽工业大学 | 一种基于混合融合的跨模态图文情感分析方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10872322B2 (en) * | 2008-03-21 | 2020-12-22 | Dressbot, Inc. | System and method for collaborative shopping, business and entertainment |
KR101855147B1 (ko) * | 2011-10-06 | 2018-05-09 | 삼성전자 주식회사 | 사용자 선호도 분석 방법 및 그를 위한 디바이스 |
US20210042662A1 (en) * | 2019-08-06 | 2021-02-11 | Ninghua Albert Pu | Interactive Information Capture and Retrieval with User-Defined and/or Machine Intelligence Augmented Prompts and Prompt Processing |
CN115359383B (zh) * | 2022-07-07 | 2023-07-25 | 北京百度网讯科技有限公司 | 跨模态特征提取、检索以及模型的训练方法、装置及介质 |
-
2023
- 2023-12-14 CN CN202311726442.XA patent/CN117611245B/zh active Active
Patent Citations (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9355352B1 (en) * | 2000-02-24 | 2016-05-31 | Richard Paiz | Personal search results |
KR20090089004A (ko) * | 2008-02-18 | 2009-08-21 | 이승란 | 개인맞춤광고서비스 시스템 및 방법 |
CN103839167A (zh) * | 2012-11-21 | 2014-06-04 | 大连灵动科技发展有限公司 | 一种商品候选集推荐方法 |
CN107679960A (zh) * | 2017-10-12 | 2018-02-09 | 东北大学 | 一种基于服装图像和标签文本双模态内容分析的个性化服装的推荐方法 |
CN110599291A (zh) * | 2019-01-24 | 2019-12-20 | 王俊领 | 商家买家多种市场高效精准融合智能电商运营系统和方法 |
CN111563205A (zh) * | 2020-04-26 | 2020-08-21 | 山东师范大学 | 共享账户中基于自注意力机制的跨域信息推荐方法及系统 |
WO2022126901A1 (zh) * | 2020-12-18 | 2022-06-23 | 平安科技(深圳)有限公司 | 一种商品推荐方法及其相关设备 |
JP2022137145A (ja) * | 2021-07-12 | 2022-09-21 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | マルチモーダルデータ連合学習モデルトレーニング方法及び装置 |
EP4131026A1 (en) * | 2021-08-05 | 2023-02-08 | Rakuten Group, Inc. | System and method for multi-modal transformer-based catagorization |
WO2023045605A1 (zh) * | 2021-09-22 | 2023-03-30 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、计算机设备及存储介质 |
CN113850201A (zh) * | 2021-09-28 | 2021-12-28 | 广州华多网络科技有限公司 | 跨模态商品分类方法及其装置、设备、介质、产品 |
CN113850649A (zh) * | 2021-09-29 | 2021-12-28 | 中国科学院空天信息创新研究院 | 一种基于多平台用户数据的定制化推荐方法及推荐系统 |
CN113869048A (zh) * | 2021-09-30 | 2021-12-31 | 广州华多网络科技有限公司 | 商品对象搜索方法及其装置、设备、介质、产品 |
WO2023093574A1 (zh) * | 2021-11-25 | 2023-06-01 | 北京邮电大学 | 基于多级图文语义对齐模型的新闻事件搜索方法及系统 |
WO2023134073A1 (zh) * | 2022-01-11 | 2023-07-20 | 平安科技(深圳)有限公司 | 基于人工智能的图像描述生成方法、装置、设备及介质 |
CN114443916A (zh) * | 2022-01-25 | 2022-05-06 | 中国人民解放军国防科技大学 | 一种面向试验数据的供需匹配方法及系统 |
CN114492646A (zh) * | 2022-01-28 | 2022-05-13 | 北京邮电大学 | 一种基于跨模态互注意力机制的图文匹配方法 |
CN114693397A (zh) * | 2022-03-16 | 2022-07-01 | 电子科技大学 | 一种基于注意力神经网络的多视角多模态商品推荐方法 |
CN115187331A (zh) * | 2022-06-24 | 2022-10-14 | 平安科技(深圳)有限公司 | 基于多模态数据的产品推荐方法、装置、设备及存储介质 |
CN115080865A (zh) * | 2022-08-19 | 2022-09-20 | 山东智豆数字科技有限公司 | 基于多维数据分析的电商数据运营管理系统 |
CN115423429A (zh) * | 2022-08-22 | 2022-12-02 | 平湖市通用电气安装有限公司 | 基于图像和声音信息的多模态一体化配网运营系统 |
CN115658934A (zh) * | 2022-10-13 | 2023-01-31 | 中国电子科技集团公司第十研究所 | 一种基于多类注意力机制的图文跨模态检索方法 |
CN116029782A (zh) * | 2022-11-03 | 2023-04-28 | 阿里巴巴(中国)有限公司 | 多模态信息处理方法、装置、设备及存储介质 |
CN115731425A (zh) * | 2022-12-05 | 2023-03-03 | 广州欢聚时代信息科技有限公司 | 商品分类方法及其装置、设备、介质 |
CN116523583A (zh) * | 2022-12-09 | 2023-08-01 | 长春光华学院 | 电子商务数据分析系统及其方法 |
CN115860875A (zh) * | 2022-12-26 | 2023-03-28 | 安徽农业大学 | 一种基于双线性池化的多模态知识融合的商品推荐方法 |
CN116150480A (zh) * | 2023-01-05 | 2023-05-23 | 合肥工业大学 | 一种融合多模态评论信息的用户个性化需求预测方法 |
CN116739695A (zh) * | 2023-05-11 | 2023-09-12 | 广东百鹿电子科技有限公司 | 基于大数据的电子商务管理系统及其方法 |
CN116629977A (zh) * | 2023-06-07 | 2023-08-22 | 深圳市齐力创新有限公司 | 基于大数据的电子商务决策方法及其系统 |
CN116843410A (zh) * | 2023-06-12 | 2023-10-03 | 北京百分点科技集团股份有限公司 | 一种基于大小数据融合的商品推荐方法及系统 |
CN116738057A (zh) * | 2023-06-27 | 2023-09-12 | 平安科技(深圳)有限公司 | 信息推荐方法、装置、计算机设备及存储介质 |
CN116703523A (zh) * | 2023-07-03 | 2023-09-05 | 长春职业技术学院 | 基于大数据的电子商务系统及其方法 |
CN116703485A (zh) * | 2023-08-04 | 2023-09-05 | 山东创亿智慧信息科技发展有限责任公司 | 基于大数据的广告精准营销方法及系统 |
CN116777572A (zh) * | 2023-08-25 | 2023-09-19 | 乐麦信息技术(杭州)有限公司 | 基于大数据的电子商务交易管理系统及其方法 |
CN117112902A (zh) * | 2023-08-30 | 2023-11-24 | 南京大学 | 一种基于多模态对比学习的离线强化学习商品推荐系统 |
CN117522923A (zh) * | 2023-11-21 | 2024-02-06 | 昆明茗奥志数据技术有限公司 | 融合多模态特征的目标跟踪系统及方法 |
CN117671460A (zh) * | 2023-12-05 | 2024-03-08 | 安徽工业大学 | 一种基于混合融合的跨模态图文情感分析方法 |
CN117635275A (zh) * | 2023-12-19 | 2024-03-01 | 浙江博观瑞思科技有限公司 | 基于大数据的智能电商运营商品管理平台及方法 |
Non-Patent Citations (5)
Title |
---|
Merging visual features and temporal dynamics in sequential recommendation;Yan Cairong等;NEUROCOMPUTING;20191014;第362卷;全文 * |
Multimodal Recommender Systems:A Survey;QIDONG LIU等;Conference acronym’XX;20230208;第1页第1段、第2-3页"1.1 Procedures of MRS"、第6-7页"2.2 Fusion" * |
Multimodal Review Generation for Recommender Systems;Quoc-Tuan Truong等;World Wide Web Conference (WWW);20191231;全文 * |
互联网信息资源用户获取优化推送仿真研究;崔艳萍;阎知知;王小巍;彭媛;;计算机仿真;20170715(第07期);全文 * |
社交网络用户影响力的发展动态及知识图谱研究;邹文武;;情报科学;20200901(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117611245A (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Frolov et al. | Adversarial text-to-image synthesis: A review | |
Niu et al. | A review on the attention mechanism of deep learning | |
CN110866542B (zh) | 一种基于特征可控融合的深度表示学习方法 | |
CN112163165A (zh) | 信息推荐方法、装置、设备及计算机可读存储介质 | |
Ye et al. | MasterplanGAN: Facilitating the smart rendering of urban master plans via generative adversarial networks | |
CN112119388A (zh) | 训练图像嵌入模型和文本嵌入模型 | |
CN110489582A (zh) | 个性化展示图像的生成方法及装置、电子设备 | |
CN112989835B (zh) | 一种复杂医疗实体抽取方法 | |
CN114936623A (zh) | 一种融合多模态数据的方面级情感分析方法 | |
Halvardsson et al. | Interpretation of swedish sign language using convolutional neural networks and transfer learning | |
CN115964560B (zh) | 基于多模态预训练模型的资讯推荐方法及设备 | |
LU506520B1 (en) | A sentiment analysis method based on multimodal review data | |
Sharma et al. | A comprehensive survey on image captioning: from handcrafted to deep learning-based techniques, a taxonomy and open research issues | |
CN115564469A (zh) | 广告创意选取和模型训练方法、装置、设备及存储介质 | |
Cao et al. | Deep multi-view learning to rank | |
CN111522979B (zh) | 图片排序推荐方法、装置、电子设备、存储介质 | |
Takimoto et al. | Image aesthetics assessment based on multi-stream CNN architecture and saliency features | |
CN117765450B (zh) | 一种视频语言理解方法、装置、设备及可读存储介质 | |
CN114201516A (zh) | 一种用户画像构建的方法、信息推荐的方法以及相关装置 | |
CN117556067B (zh) | 数据检索方法、装置、计算机设备和存储介质 | |
CN117195903B (zh) | 基于噪声感知的生成式、多模态实体关系抽取方法及系统 | |
CN115292439A (zh) | 一种数据处理方法及相关设备 | |
CN117611245B (zh) | 用于电商运营活动策划的数据分析管理系统及方法 | |
Zhong et al. | Multimodal-enhanced hierarchical attention network for video captioning | |
Zeng et al. | Learning cross-modality features for image caption generation |
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 |