CN118037403A - 商品参数的确定方法及其装置 - Google Patents
商品参数的确定方法及其装置 Download PDFInfo
- Publication number
- CN118037403A CN118037403A CN202410288821.3A CN202410288821A CN118037403A CN 118037403 A CN118037403 A CN 118037403A CN 202410288821 A CN202410288821 A CN 202410288821A CN 118037403 A CN118037403 A CN 118037403A
- Authority
- CN
- China
- Prior art keywords
- commodity
- acquiring
- key point
- class
- candidate
- 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 50
- 238000012545 processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000012163 sequencing technique Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 150000001450 anions Chemical class 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 206010019049 Hair texture abnormal Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
- G06F16/2433—Query languages
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了商品参数的确定方法及其装置，涉及智能推荐技术领域，尤其涉及排序技术等技术领域。该方法包括：获取多个候选品类的商品数据，并基于商品数据构建知识库，知识库包括每个候选品类对应的知识文本，知识文本包括多个要点因素、每个要点因素关联的一个或多个要点参数、每个要点参数的参数解释；获取包含目标对象需求的查询语句；基于查询语句，从多个候选品类中确定目标品类，并基于知识库获取目标品类对应的知识文本；基于查询语句、目标品类对应的知识文本，获取结构化的商品参数。本公开可以辅助深度理解长尾的商品需求，并且提升商品检索的效率和准确度，精准的找到商品品类，根据查询语句检索出与需求高度相关的商品。
Description
技术领域
本公开涉及智能推荐技术领域，尤其涉及排序技术等技术领域。
背景技术
相关技术中，进行商品检索时，若查询语句(商品描述字段)较长时，由于复杂需求难以理解，基于字粒度或者语义的检索，可能会导致无法精准的找到商品品类，进而无法检索出高度相关的商品。
因此，如何辅助深度理解长尾的商品需求，并且提升商品检索的效率和准确度，精准的找到商品品类，根据查询语句检索出与需求高度相关的商品，已经成为重要的研究方向之一。
发明内容
本公开提供了一种商品参数的确定方法及其装置。
根据本公开的一方面，提供了一种商品参数的确定方法，包括：
获取多个候选品类的商品数据，并基于商品数据构建知识库，知识库包括每个候选品类对应的知识文本，知识文本包括多个要点因素、每个要点因素关联的一个或多个要点参数、每个要点参数的参数解释；
获取包含目标对象需求的查询语句；
基于查询语句，从多个候选品类中确定目标品类，并基于知识库获取目标品类对应的知识文本；
基于查询语句、目标品类对应的知识文本，获取结构化的商品参数。
本公开实施例中，获取多个候选品类的商品数据，并基于商品数据构建知识库，可以提升模型对问题的理解，基于查询语句，从多个候选品类中确定目标品类，可以提取查询语句中的核心信息，精准的找到商品品类。基于知识库获取目标品类对应的知识文本，可以从知识库中筛选与查询语句相关的知识文本，基于查询语句、目标品类对应的知识文本，获取结构化的商品参数，可以深度理解长尾的商品需求，并且提升商品检索的效率和准确度。
根据本公开的另一方面，提供了一种商品参数的确定装置，包括：
构建模块，用于获取多个候选品类的商品数据，并基于商品数据构建知识库，知识库包括每个候选品类对应的知识文本，知识文本包括多个要点因素、每个要点因素关联的一个或多个要点参数、每个要点参数的参数解释；
第一获取模块，用于获取包含目标对象需求的查询语句；
第二获取模块，用于基于查询语句，从多个候选品类中确定目标品类，并基于知识库获取目标品类对应的知识文本；
处理模块，用于基于查询语句、目标品类对应的知识文本，获取结构化的商品参数。
根据本公开的另一方面，提供了一种电子设备，包括至少一个处理器，以及
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开第一个方面实施例的商品参数的确定方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行根据本公开第一个方面实施例的商品参数的确定方法。
根据本公开的另一方面，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本公开第一个方面实施例的商品参数的确定方法的步骤。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开一个实施例的商品参数的确定方法的流程图；
图2是根据本公开一个实施例的商品参数的确定方法的流程图；
图3是根据本公开一个实施例的商品参数的确定方法的流程图；
图4是根据本公开一个实施例的商品参数的确定方法的示意图；
图5是根据本公开一个实施例的商品参数的确定装置的结构图；
图6是用来实现本公开实施例的方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
本公开实施例涉及计算机视觉、深度学习等人工智能技术领域。
智能推荐技术领域是指应用机器学习和数据挖掘等技术，对用户的历史行为、兴趣偏好、社交关系等数据进行分析和建模，从而帮助用户发现他们可能感兴趣的内容、产品或服务。
排序技术领域是指应用机器学习和数据挖掘等技术，对输入的数据进行排序，并根据一定的排序规则和目标函数，输出一组有序的结果。排序技术广泛应用于电子商务、搜索引擎、推荐系统等领域。
下面结合参考附图描述本公开的商品参数的确定方法及其装置。
图1是根据本公开一个实施例的商品参数的确定方法的流程图，如图1所示，该方法包括以下步骤：
S101，获取多个候选品类的商品数据，并基于商品数据构建知识库。
其中，知识库包括每个候选品类对应的知识文本，知识文本包括多个要点因素、每个要点因素关联的一个或多个要点参数、每个要点参数的参数解释。
在一些实施方式中，针对每个候选品类，调用语言模型基于候选品类的商品数据，确定候选品类的多个要点因素和每个要点因素关联的要点参数，基于每个要点因素关联的要点参数，构建第一提示词prompt，并基于第一prompt对预设数据库进行检索，以获取参数解释。
可选地，语言模型例如可以是自然语言处理模型(GPT语言模型)。
其中，要点因素包括商品类型、应用场景、商品属性信息中的一种或几种。
本公开实施例中，参数解释也就是对要点参数进行详细的描述。
在一些实施方式中，以要点参数为存储格式(如XC格式)为例进行说明，可以构建第一prompt为“手机内存卡的XC格式是什么”，在一些实施方式中，可以基于预设数据库对第一prompt进行搜索，获取参数解释，在一些实施方式中，可以调用预设的检索应用程序对第一prompt进行搜索，得到搜索结果展示的摘要内容，作为参数解释。
在一些实施方式中，可以基于众测对摘要内容进行判别，以清除坏案例badcase，其中，众测是一种通过互联网平台将软件或应用程序的测试任务分发，以进行测试的方法。
在一些实施方式中，还可以对参数解释进一步进行文字处理，例如，可以对参数解释的字数进行限制，可选地，可以基于语言模型的文本压缩能力对参数解释进行总结，获取总结文本，基于总结文本对参数解释进行更新。
其中，以候选品类为手机内存卡，商品属性信息包括存储空间、写入速度、存储规格为例进行说明，该候选品类对应的知识文本可以如表1所示。
表1
S102，获取包含目标对象需求的查询语句。
本申请实施例中，查询语句可能包含目标对象的多种复杂需求，举例说明，查询语句可以是“300元内能卷出大波浪的自动卷发棒推荐”，或者也可以是“客厅12平米，有一个两岁的小男孩，想买一款五千元以内的沙发”。
S103，基于查询语句，从多个候选品类中确定目标品类，并基于知识库获取目标品类对应的知识文本。
在一些实施方式中，基于查询语句中的实体信息确定目标品类，在一些实施方式中，基于查询语句识别目标对象的意图，再根据目标对象的意图，从多个候选品类中确定目标品类。例如，查询语句是“300元内能卷出大波浪的自动卷发棒推荐”，目标品类为卷发棒，对应的知识文本为“尺寸:[9mm、13mm、16mm、22mm、25mm、28mm、32mm、36mm、26mm、40mm]，试用发质:[干湿两用、千发、湿发]，功能:[恒温控制、防烫、自动断电、负离子护发、蓬松、红外线护发]”。
可选地，可以基于目标品类对知识库进行检索，获取目标品类对应的知识文本。可选地，可以通过字典的形式(键K-值V对的形式)查询知识库，获取目标品类对应的知识文本。
S104，基于查询语句、目标品类对应的知识文本，获取结构化的商品参数。
在一些实施方式中，可以调用语言模型，基于目标品类对应的知识文本对查询语句进行理解，从而将复杂的需求精简映射为结构化的商品参数。
本公开实施例中，获取多个候选品类的商品数据，并基于商品数据构建知识库，可以提升模型对问题的理解，基于查询语句，从多个候选品类中确定目标品类，可以提取查询语句中的核心信息，精准的找到商品品类。基于知识库获取目标品类对应的知识文本，可以从知识库中筛选与查询语句相关的知识文本，基于查询语句、目标品类对应的知识文本，获取结构化的商品参数，可以深度理解长尾的商品需求，并且提升商品检索的效率和准确度。
图2是根据本公开一个实施例的商品参数的确定方法的流程图，如图2所示，该方法包括以下步骤：
S201，获取多个候选品类的商品数据，并基于商品数据构建知识库。
其中，知识库包括每个候选品类对应的知识文本，知识文本包括多个要点因素、每个要点因素关联的一个或多个要点参数、每个要点参数的参数解释。
S202，获取包含目标对象需求的查询语句。
关于步骤S201～步骤S202的介绍可以参见上述实施例中的相关内容，此处不再赘述。
S203，将查询语句输入意图识别模型，获取查询语句对应的意图识别结果。
基于意图识别模型对输入的查询语句进行分类并预测其对应的意图，得到意图识别结果。可选地，意图识别模型可以是深度学习中的循环神经网络(RNN)或卷积神经网络(CNN)。
S204，根据意图识别结果，从候选品类中确定一个或多个目标品类。
在一些实施方式中，可以基于预设的神经网络，将意图识别结果映射到候选品类，从候选品类中确定一个或多个目标品类。
S205，响应于目标品类为多个目标品类，获取每个目标品类的页面浏览量。
在一些实施方式中，若目标品类为多个目标品类，可以获取每个目标品类的页面浏览量，以便于后续根据每个目标品类的页面浏览量对目标品类进行进一步筛选。
S206，基于页面浏览量对目标品类进行筛选。
在一些实施方式中，可以基于页面浏览量对目标品类进行排序，将排序靠前的预设数量阈值的目标品类作为筛选后的目标品类。
在一些实施方式中，可以清除页面浏览量低于预设浏览量阈值的目标品类，得到筛选后的目标品类。也就是说，将页面浏览量大于或等于预设浏览量阈值的目标品类作为筛选后的目标品类。
S207，基于知识库获取目标品类对应的知识文本。
S208，基于查询语句、目标品类对应的知识文本，获取结构化的商品参数。
关于步骤S207～步骤S208的介绍可以参见上述实施例中的相关内容，此处不再赘述。
本公开实施例中，将查询语句输入意图识别模型，获取查询语句对应的意图识别结果，根据意图识别结果，从候选品类中确定一个或多个目标品类，可以提取查询语句中的核心信息，精准的找到商品品类，响应于目标品类为多个目标品类，获取每个目标品类的页面浏览量，基于页面浏览量对目标品类进行筛选，可以进一步提升商品检索的准确度，根据查询语句检索出与需求高度相关的商品。
图3是根据本公开一个实施例的商品参数的确定方法的流程图，如图3所示，该方法包括以下步骤：
S301，获取多个候选品类的商品数据，并基于商品数据构建知识库。
其中，知识库包括每个候选品类对应的知识文本，知识文本包括多个要点因素、每个要点因素关联的一个或多个要点参数、每个要点参数的参数解释。
S302，获取包含目标对象需求的查询语句。
S303，基于查询语句，从多个候选品类中确定目标品类，并基于知识库获取目标品类对应的知识文本。
关于步骤S301～步骤S303的内容可以参见上述实施例中的相关介绍，此处不再赘述。
S304，基于查询语句、目标品类对应的知识文本，构建第二prompt。
例如，第二prompt可以是“基于目标品类对应的知识文本对查询语句进行理解推理，获取商品参数”。
S305，将第二prompt输入语言模型，调用语言模型对第二prompt进行推理，获取商品参数。
本公开实施例中，语言模型可以是GPT语言模型。举例说明，商品参数可以是“双人位布艺可拆洗沙发”、或“干发负离子护发25mm卷发棒”。
S306，根据推理过程获取商品参数的推荐理由，调用终端设备对推荐理由进行展示。
推荐理由可以是语言模型对第二prompt进行推理，获取的推荐理由，例如查询语句是“300元内能卷出大波浪的自动卷发棒推荐”，商品参数是“干发负离子护发25mm卷发棒”，推荐理由是“根据您的指述，需要推荐一款300元内能卷出大波浪的自动稳发棒。结合商品知识，参考适用发质:大波浪一般需要较长的头发，所以可以选择适用于干发或湿发的自动卷发棒，功能:为了卷出大波浪，可以选择具有恒温控制和负离子护发功能的卷发棒，以保持头发的健康和卷曲效果。尺寸:大波浪对应的尺寸为22mn以上”。
S307，调用终端设备对商品参数进行展示。
S308，基于商品参数获取商品标识，调用终端设备对商品标识进行展示。
在一些实施方式中，直接通过终端设备将商品参数展示给目标对象；在一些实施方式中，可以基于商品参数，对商品进行检索，获取符合商品参数的商品标识，调用终端设备对商品标识关联的图文进行展示，将相关商品推荐给目标对象。
本公开实施例中，基于查询语句、目标品类对应的知识文本，构建第二prompt，将第二prompt输入语言模型，调用语言模型对第二prompt进行推理，获取商品参数，可以进一步提升商品检索的准确度，从而检索出与需求高度相关的商品，根据推理过程获取商品参数的推荐理由，调用终端设备对推荐理由进行展示，可以进一步提高商品检索的灵活性，调用终端设备对商品参数进行展示，或基于商品参数获取商品标识，调用终端设备对商品标识进行展示，可以提高展示商品参数的灵活性。
图4是根据本公开一个实施例的商品参数的确定方法的示意图，如图4所示，本公开实施中，获取多个候选品类的商品数据，并基于商品数据构建知识库，获取包含目标对象需求的查询语句，将查询语句输入意图识别模型，获取查询语句对应的意图识别结果；根据意图识别结果，从候选品类中确定一个或多个目标品类，并基于知识库获取目标品类对应的知识文本；基于查询语句、目标品类对应的知识文本，构建第二prompt；将第二prompt输入语言模型，调用语言模型对第二prompt进行推理，获取商品参数和商品参数的推荐理由。本公开实施例中，可以辅助深度理解长尾的商品需求，并且提升商品检索的效率和准确度，精准的找到商品品类，根据查询语句检索出与需求高度相关的商品。
图5是根据本公开一个实施例的商品参数的确定装置的结构图，如图5所示，商品参数的确定装置500包括：
构建模块510，用于获取多个候选品类的商品数据，并基于商品数据构建知识库，知识库包括每个候选品类对应的知识文本，知识文本包括多个要点因素、每个要点因素关联的一个或多个要点参数、每个要点参数的参数解释；
第一获取模块520，用于获取包含目标对象需求的查询语句；
第二获取模块530，用于基于查询语句，从多个候选品类中确定目标品类，并基于知识库获取目标品类对应的知识文本；
处理模块540，用于基于查询语句、目标品类对应的知识文本，获取结构化的商品参数。
在一些实施方式中，构建模块510，还用于：
针对每个候选品类，调用语言模型基于候选品类的商品数据，确定候选品类的多个要点因素和每个要点因素关联的要点参数；
基于每个要点因素关联的要点参数，构建第一提示词prompt，并基于第一prompt对预设数据库进行检索，以获取参数解释；
其中，要点因素包括商品类型、应用场景、商品属性信息中的一种或几种。
在一些实施方式中，构建模块510，还用于：
基于语言模型的文本压缩能力对参数解释进行总结，获取总结文本；
基于总结文本对参数解释进行更新。
在一些实施方式中，第二获取模块530，还用于：
将查询语句输入意图识别模型，获取查询语句对应的意图识别结果；
根据意图识别结果，从候选品类中确定一个或多个目标品类。
在一些实施方式中，第二获取模块530，还用于：
响应于目标品类为多个目标品类，获取每个目标品类的页面浏览量；
基于页面浏览量对目标品类进行筛选。
在一些实施方式中，处理模块540，还用于：
基于查询语句、目标品类对应的知识文本，构建第二prompt；
将第二prompt输入语言模型，调用语言模型对第二prompt进行推理，获取商品参数。
在一些实施方式中，处理模块540，还用于：
根据推理过程获取商品参数的推荐理由；
调用终端设备对推荐理由进行展示。
在一些实施方式中，处理模块540，还用于：
调用终端设备对商品参数进行展示；或
基于商品参数获取商品标识，调用终端设备对商品标识进行展示。
本公开实施例中，获取多个候选品类的商品数据，并基于商品数据构建知识库，可以提升模型对问题的理解，基于查询语句，从多个候选品类中确定目标品类，可以提取查询语句中的核心信息，精准的找到商品品类。基于知识库获取目标品类对应的知识文本，可以从知识库中筛选与查询语句相关的知识文本，基于查询语句、目标品类对应的知识文本，获取结构化的商品参数，可以深度理解长尾的商品需求，并且提升商品检索的效率和准确度。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6是用来实现本公开实施例的电子设备的框图。该电子设备可以实现本公开实施例的商品参数的确定方法，电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
本公开技术方案中对数据的获取、存储、使用、处理等均符合相关法律法规的规定。
如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元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。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如商品参数的确定方法。例如，在一些实施例中，商品参数的确定方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的商品参数的确定方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行商品参数的确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与目标对象的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向目标对象显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，目标对象可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与目标对象的交互；例如，提供给目标对象的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自目标对象的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形目标对象界面或者网络浏览器的目标对象计算机，目标对象可以通过该图形目标对象界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (19)
1.一种商品参数的确定方法，其中，包括：
获取多个候选品类的商品数据，并基于所述商品数据构建知识库，所述知识库包括每个候选品类对应的知识文本，所述知识文本包括多个要点因素、每个所述要点因素关联的一个或多个要点参数、每个所述要点参数的参数解释；
获取包含目标对象需求的查询语句；
基于所述查询语句，从多个所述候选品类中确定目标品类，并基于所述知识库获取所述目标品类对应的所述知识文本；
基于所述查询语句、所述目标品类对应的所述知识文本，获取结构化的商品参数。
2.根据权利要求1所述的方法，其中，所述基于所述商品数据构建知识库，包括：
针对每个候选品类，调用语言模型基于所述候选品类的所述商品数据，确定所述候选品类的多个所述要点因素和每个所述要点因素关联的所述要点参数；
基于每个所述要点因素关联的所述要点参数，构建第一提示词prompt，并基于所述第一prompt对预设数据库进行检索，以获取所述参数解释；
其中，所述要点因素包括商品类型、应用场景、商品属性信息中的一种或几种。
3.根据权利要求2所述的方法，其中，所述获取所述参数解释之后，还包括：
基于所述语言模型的文本压缩能力对所述参数解释进行总结，获取总结文本；
基于所述总结文本对所述参数解释进行更新。
4.根据权利要求1所述的方法，其中，所述基于所述查询语句，从多个所述候选品类中确定目标品类，包括：
将所述查询语句输入意图识别模型，获取所述查询语句对应的意图识别结果；
根据所述意图识别结果，从所述候选品类中确定一个或多个所述目标品类。
5.根据权利要求4所述的方法，其中，还包括：
响应于所述目标品类为多个目标品类，获取每个所述目标品类的页面浏览量；
基于所述页面浏览量对所述目标品类进行筛选。
6.根据权利要求1-5任一项所述的方法，其中，所述基于所述查询语句、所述目标品类对应的所述知识文本，获取结构化的商品参数，包括：
基于所述查询语句、所述目标品类对应的所述知识文本，构建第二prompt；
将所述第二prompt输入所述语言模型，调用所述语言模型对所述第二prompt进行推理，获取所述商品参数。
7.根据权利要求6所述的方法，其中，所述调用所述语言模型对所述第二prompt进行推理之后，还包括：
根据推理过程获取所述商品参数的推荐理由；
调用终端设备对所述推荐理由进行展示。
8.根据权利要求6所述的方法，其中，所述获取所述商品参数之后，还包括：
调用终端设备对所述商品参数进行展示；或
基于所述商品参数获取商品标识，调用所述终端设备对所述商品标识进行展示。
9.一种商品参数的确定装置，其中，包括：
构建模块，用于获取多个候选品类的商品数据，并基于所述商品数据构建知识库，所述知识库包括每个候选品类对应的知识文本，所述知识文本包括多个要点因素、每个所述要点因素关联的一个或多个要点参数、每个所述要点参数的参数解释；
第一获取模块，用于获取包含目标对象需求的查询语句；
第二获取模块，用于基于所述查询语句，从多个所述候选品类中确定目标品类，并基于所述知识库获取所述目标品类对应的所述知识文本；
处理模块，用于基于所述查询语句、所述目标品类对应的所述知识文本，获取结构化的商品参数。
10.根据权利要求9所述的装置，其中，所述构建模块，还用于：
针对每个候选品类，调用语言模型基于所述候选品类的所述商品数据，确定所述候选品类的多个所述要点因素和每个所述要点因素关联的所述要点参数；
基于每个所述要点因素关联的所述要点参数，构建第一提示词prompt，并基于所述第一prompt对预设数据库进行检索，以获取所述参数解释；
其中，所述要点因素包括商品类型、应用场景、商品属性信息中的一种或几种。
11.根据权利要求10所述的装置，其中，所述构建模块，还用于：
基于所述语言模型的文本压缩能力对所述参数解释进行总结，获取总结文本；
基于所述总结文本对所述参数解释进行更新。
12.根据权利要求9所述的装置，其中，所述第二获取模块，还用于：
将所述查询语句输入意图识别模型，获取所述查询语句对应的意图识别结果；
根据所述意图识别结果，从所述候选品类中确定一个或多个所述目标品类。
13.根据权利要求12所述的装置，其中，所述第二获取模块，还用于：
响应于所述目标品类为多个目标品类，获取每个所述目标品类的页面浏览量；
基于所述页面浏览量对所述目标品类进行筛选。
14.根据权利要求9-13任一项所述的装置，其中，所述处理模块，还用于：
基于所述查询语句、所述目标品类对应的所述知识文本，构建第二prompt；
将所述第二prompt输入所述语言模型，调用所述语言模型对所述第二prompt进行推理，获取所述商品参数。
15.根据权利要求14所述的装置，其中，所述处理模块，还用于：
根据推理过程获取所述商品参数的推荐理由；
调用终端设备对所述推荐理由进行展示。
16.根据权利要求14所述的装置，其中，所述处理模块，还用于：
调用终端设备对所述商品参数进行展示；或
基于所述商品参数获取商品标识，调用所述终端设备对所述商品标识进行展示。
17.一种电子设备，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，
所述存储器存储有可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，以使所述至少一个处理器能够执行执行权利要求1-8任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8任一项所述的方法。
19.一种计算机程序产品，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1-8中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410288821.3A CN118037403A (zh) | 2024-03-13 | 2024-03-13 | 商品参数的确定方法及其装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410288821.3A CN118037403A (zh) | 2024-03-13 | 2024-03-13 | 商品参数的确定方法及其装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118037403A true CN118037403A (zh) | 2024-05-14 |
Family
ID=90993143
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410288821.3A Pending CN118037403A (zh) | 2024-03-13 | 2024-03-13 | 商品参数的确定方法及其装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118037403A (zh) |
-
2024
- 2024-03-13 CN CN202410288821.3A patent/CN118037403A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113590776B (zh) | 基于知识图谱的文本处理方法、装置、电子设备及介质 | |
| JP2022191412A (ja) | マルチターゲット画像テキストマッチングモデルのトレーニング方法、画像テキスト検索方法と装置 | |
| CN113836314B (zh) | 知识图谱构建方法、装置、设备以及存储介质 | |
| CN113360711B (zh) | 视频理解任务的模型训练和执行方法、装置、设备及介质 | |
| CN114116997A (zh) | 知识问答方法、装置、电子设备及存储介质 | |
| CN113239295A (zh) | 搜索方法、装置、电子设备以及存储介质 | |
| CN112560461A (zh) | 新闻线索的生成方法、装置、电子设备及存储介质 | |
| EP3992814A2 (en) | Method and apparatus for generating user interest profile, electronic device and storage medium | |
| CN114048315A (zh) | 确定文档标签的方法、装置、电子设备和存储介质 | |
| CN112528146B (zh) | 内容资源推荐方法、装置、电子设备及存储介质 | |
| CN113919424A (zh) | 文本处理模型的训练、文本处理方法、装置、设备和介质 | |
| CN117633194A (zh) | 大模型提示数据处理方法、装置、电子设备及存储介质 | |
| CN117271884A (zh) | 确定推荐内容的方法、装置、电子设备及存储介质 | |
| CN116955856A (zh) | 信息展示方法、装置、电子设备以及存储介质 | |
| CN116597443A (zh) | 素材标签处理方法、装置、电子设备及介质 | |
| CN113704494B (zh) | 基于知识图谱的实体检索方法、装置、设备以及存储介质 | |
| CN114417862A (zh) | 文本匹配方法、文本匹配模型的训练方法和装置 | |
| CN118037403A (zh) | 商品参数的确定方法及其装置 | |
| CN114328855A (zh) | 文档查询方法、装置、电子设备和可读存储介质 | |
| CN112818221A (zh) | 实体的热度确定方法、装置、电子设备及存储介质 | |
| CN113239273A (zh) | 用于生成文本的方法、装置、设备以及存储介质 | |
| CN113377921B (zh) | 用于匹配信息的方法、装置、电子设备以及介质 | |
| CN116244432B (zh) | 语言模型的预训练方法、装置及电子设备 | |
| CN116127948B (zh) | 待标注文本数据的推荐方法、装置及电子设备 | |
| CN116610782B (zh) | 文本检索方法、装置、电子设备及介质 |
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 |