TWI530899B

TWI530899B - 商品上架方法

Info

Publication number: TWI530899B
Application number: TW103146145A
Authority: TW
Inventors: 洪俊銘
Original assignee: 崑山科技大學
Priority date: 2014-12-29
Filing date: 2014-12-29
Publication date: 2016-04-21
Also published as: TW201624386A

Description

商品上架方法

本發明是有關於一種商品上架方法，特別是有關於一種藉由商品圖片之特徵疊合進行分類，並藉由錯誤學習樹優化商品分類之正確性，以達到快速且正確分類之商品上架方法。

現今網際網路十分發達普遍，並逐漸融入大眾生活之中，其中，大眾對網際網路的依賴程度由網路購物之風行便可略知一二。

而，承上述所提到的網路購物，有關於其平台商品之上價方式，以現有網際網路電子商務技術，仍是以人工分類為主，亦即，經人工分類後將圖文資訊關聯寫入特定格式EXCEL檔後，再進行後續分類作業。

然，上述分類方式之缺點在於分類過程中所花費之考慮時間過長、過程複雜且需專屬人力投入；此外，容易將商品上架至賣家主觀的分類結構中，而未整體考慮商店街現有營運分類架構，致分類混亂，降低由訪問者轉換為買家的客戶轉換率。

有鑒於上述習知技藝之問題，本發明之目的就是在提供一種商品上架方法，以解決習知所待改善之問題。

根據本發明之目的，提出一種商品上架方法，適用於商品銷售平台，其包含下列步驟：上傳複數個商品圖片至商品銷售平台。取得各商品圖片之六值向量。兩兩比對複數個商品圖片之六值向量，以產生樹狀結構矩陣，並據以輸出第一集合。比對第一集合及商品銷售平台之第二集合，以使各商品圖片具有相似度分數。比對各相似度分數及至少一門檻值，以取得各商品圖片之複數個所屬類別。於各商品圖片之複數個所屬類別中，以拖曳方式選擇其中一所屬類別。記錄選擇調整所屬類別前後之商品圖片之樹狀結構之節點關係變化，並據以產生以編輯成本為基礎之錯誤學習樹。依據錯誤學習樹進行差異性比較，且據以調整上升函數。

較佳地，商品上架方法更可包含下列步驟：依據上升函數決定是否修正商品圖片之所屬類別。

較佳地，商品圖片經灰階化後，可取得商品外部結構輪廓之陣列值，再由源自動差理論之傳統特徵萃取方法取得動差不變量，並據以產生該六值向量。

較佳地，六值向量可藉由薄曲面內插函數之非剛性映射方法，產生全域仿射變換矩陣及區域彎曲非仿射變換矩陣，並取得物理變形後之商品圖片之相似性關係之N維矩陣，並將N維矩陣之行列維度各擴增一維而成N+1維矩陣。

較佳地，可由由全域仿射變換矩陣取得樹狀結構。

較佳地，藉由Sinkhorn平衡理論反覆正規化N+1維矩陣之行列內之元素且限制在0至1之間，並將差值平衡至N+1維，而在矩陣列的N+1維內，節點數值最大者可為該樹狀結構之根節點，根節點對應之矩陣行非零數值之節點可為根節點之子節點，再於子節點中找出矩陣行非零數值之節點為子節點的子節點，且記錄已處理之節點。

較佳地，樹狀結構矩陣可代表複數個商品圖片之六值向量經過兩兩比較後，所產生N*(N-1)/2組相似性關係矩陣，其中，N為該商品圖片之數量。

較佳地，第一集合可為XML格式檔案，而第二集合亦為XML格式檔案，且儲存於商品銷售平台。

較佳地，錯誤學習樹可為包含數學運算式之剖析樹。

較佳地，數學運算式可包含運算子及運算元。

承上所述，本發明之商品上架方法可藉由自動分類以簡化複雜的上架過程，進而提昇商家上架商品的意願，同時也強化商品目錄結構的健全，讓買家能快速找到需求的商品，增加由訪問者轉換為買家的客戶轉換率；此外，藉由錯誤學習樹調整上升函數，以不斷地優化商品分類的正確性。

S11至S17‧‧‧步驟

第1圖係為本發明之商品上架方法之流程圖。

第2圖係為本發明之商品上架方法之錯誤學習樹之編輯成本之第一計算示意圖。

第3圖係為本發明之商品上架方法之錯誤學習樹之編輯成本之第二計算示意圖。

第4圖係為本發明之商品上架方法之錯誤學習樹之編輯成本之第三計算示意圖。

第5圖係為本發明之商品上架方法之錯誤學習樹之編輯成本之第四計算示意圖。

為利貴審查員瞭解本發明之技術特徵、內容與優點及其所能達成之功效，茲將本發明配合圖式，並以實施例之表達形式詳細說明如下，而其中所使用之圖式，其主旨僅為示意及輔助說明書之用，未必為本發明實施後之真實比例與精準配置，故不應就所附之圖式的比例與配置關係解讀、侷限本發明於實際實施上的權利範圍，合先敘明。

請參閱第1圖，其係為本發明之商品上架方法之方塊圖。如圖所示，一種商品上架方法，適用於商品銷售平台，其包含下列步驟：在步驟S11中：上傳複數個商品圖片至商品銷售平台，取得各商品圖片之六值向量。

在步驟S12中：兩兩比對複數個商品圖片之六值向量，以產生樹狀結構矩陣，並據以輸出第一集合。

在步驟S13中：比對第一集合及商品銷售平台之第二集合，以使各商品圖片具有相似度分數。

在步驟S14中：比對各相似度分數及至少一門檻值，以取得各商品圖片之複數個所屬類別。

在步驟S15中：於各商品圖片之複數個所屬類別中，以拖曳方式選擇其中一所屬類別。

在步驟S16中：記錄選擇調整所屬類別前後之商品圖片之樹狀結構之節點關係變化，並據以產生以編輯成本為基礎之錯誤學習樹。

在步驟S17中：依據錯誤學習樹進行差異性比較，且據以調整上升函數；進而，便可依據上升函數決定是否修正商品圖片之所屬類別。

續言之，本發明之方法商品上架方法係提供使用者上載所有商品圖片之集合至商品銷售平台(如網站)；接著，每一張商品圖片將會經灰階化後，而取得商品圖片中外部結構輪廓之陣列值，並以源自動差 (moment spaces)理論(Dresher,1953)的傳統特徵萃取方法，取得動差不變量(moment invariant)(Hu,1962)，產生代表商品圖片之特徵的六值向量。

由於六值向量經物理變形後，部份數值可能會改變，而考量到相同商品可能具有以不同角度拍攝之商品圖片，因此，必需將六值向量F_i(i=1~6)之變化關係經結構化後，形成階層性資料結構，亦為樹狀結構。

承上述，藉由源自於薄曲面內插(Thin Plate Spline)(Wahba,1990)函數的非剛性(non-rigid)映射方法(Chui and Rangarajan,2000)，分解六值向量對平移與旋轉放大縮小所代表的幾何變形成矩陣表示式，產生全域仿射變換矩陣及區域彎曲非仿射變換矩陣，接著找出物理變形後商品圖片之相似性關係的N維矩陣，並將N維矩陣行列之維度各擴增一維成N+1維。而上述所提到之樹狀結構係由全域仿射變換矩陣所產生之。

進一步地，藉由Sinkhorn平衡理論(Sinkhorn,1964)反覆正規化矩陣行列內之元素以限制在0至1之間，並將差值平衡至N+1維；在矩陣列的N+1維內，選擇節點數值最大者當作樹狀結構的樹根，樹根對應之矩陣行非零數值節點當作樹根的子節點；且，由子節點找出矩陣行非零數值節點當作子節點的子節點，並記錄已處理過的節點以避免形成迴路，經由上述步驟以反覆形成樹狀結構。

而後，當具有N張商品圖片時，將兩兩比較各商品圖片之六值向量，進而產生N*(N-1)/2組相似性關係矩陣所代表之樹狀結構矩陣，並令其輸出為XML(Extensible Markup Language)格式檔案，稱為X₁集合(測試集)。

另一方面，利用快速樹狀結構比對法(Zhang and Shasha,1989)以X₁集合比對商品銷售平台中現有分類所屬產品圖之內存XML檔案X₂集合(訓練集)，進而產生相似度分數S集合，S集合內元素較高者表示其所屬分類則屬於該類別，藉由一個預定門檻值，各商品圖片輸出相似度分數S_i超過此門檻值的屬於同一類別，因此一張商品圖片可具有一個以上之所屬類別，此乃稱作分類組合。

更進一步地，將上述所提到之分類組合提供予使用者進行確認，使用者可藉由拖曳之方式進行確認；舉例來說，商品以隨身碟為例，當使用者瀏覽隨身碟之商品圖片時，將會提供分類組合予使用者，分類組合中會包含電子裝置類、儲存裝置類等所屬類別；當使用者藉由拖曳方式將商品圖片拖至其中一所屬類別以修正並確認該商品圖片之所屬類別之後，將記錄調整前後該商品圖片之樹狀結構的父子節點所屬關係之變化，並據以產生以編輯成本為基礎之錯誤學習樹。

請參閱第2至5圖，第2至5圖係分別為本發明之商品上架方法之錯誤學習樹之編輯成本之第一至第四計算示意圖。如圖所示，錯誤學習樹係為內含數學式之剖析樹，其中包含了運算子(Operator)及運算元(Operand)；而於本發明中，運算子包含了+、-及=，運算元則包含特徵向量元素W1至W6。

續言之，當在一次新增的動作中，新增了一個特徵向量元素W3，其編輯成本則為1(如第2圖所示)；當在一次新增的動作中，將運算元+更改為-，其編輯成本則為1(如第3圖所示)；當在一次新增的動作中，新增了兩個特徵向量元素W3及W5，其編輯成本則為2(如第4圖所示)；當在一次新增的動作中，刪除了一個特徵向量元素W2，其編輯成本則為1(如第5圖所示)。因此，由上述內容可知，當編輯成本越大，則表示商品分類之結果越不準確。

接著，藉由錯誤學習樹進行差異性比較，其中，差異性比較與傳統相似性比較不同，其係藉由錯誤學習樹指引分類正確性指標單調上升函數，以確保分類品質越來越好。其中，上升函數係指經由錯誤學習樹以達到分類結果越來越準確。

綜觀上述，本發明之商品上架方法乃為習知技術所不能及者，確實已達到所欲增進之功效，且也非熟悉該項技藝者所易於思及，其所具之進步性、實用性，顯然已符合專利之申請要件，爰依法提出專利申請，懇請貴局核准本件發明專利申請案，以勵創作，至感德便。

S11至S17‧‧‧步驟

Claims

一種商品上架方法，適用於一商品銷售平台，其包含下列步驟：上傳複數個商品圖片至該商品銷售平台；取得各該商品圖片之一六值向量；兩兩比對該複數個商品圖片之該六值向量，以產生一樹狀結構矩陣，並據以輸出一第一集合；比對該第一集合及該商品銷售平台之一第二集合，以使各該商品圖片具有一相似度分數；比對各該相似度分數及至少一門檻值，以取得各該商品圖片之複數個所屬類別；於各該商品圖片之該複數個所屬類別中，以拖曳方式選擇其中一該所屬類別；記錄選擇調整該所屬類別前後之該商品圖片之一樹狀結構之節點關係變化，並據以產生以一編輯成本為基礎之一錯誤學習樹；以及依據該錯誤學習樹進行一差異性比較，且據以調整一上升函數；其中，該商品圖片經灰階化後，係取得商品外部結構輪廓之陣列值，再由源自動差理論之傳統特徵萃取方法取得動差不變量，並據以產生該六值向量。
如申請專利範圍第1項所述之商品上架方法，其更包含下列步驟：依據該上升函數決定是否修正該商品圖片之該所屬類別。
如申請專利範圍第2項所述之商品上架方法，其中該該六值向量係藉由薄曲面內插函數之非剛性映射方法，產生全域仿射變換矩陣及區域彎曲非仿射變換矩陣，並取得物理變形後之該商品圖片之相似性關係之一N維矩陣，並將該N維矩陣之行列維度各擴增一維而成N+1維矩陣。
如申請專利範圍第3項所述之商品上架方法，其中由全域仿射變換矩陣取得該樹狀結構。
如申請專利範圍第4項所述之商品上架方法，其中藉由Sinkhorn平衡理論反覆正規化該N+1維矩陣之行列內之元素且限制在0至1之間，並將差值平衡至N+1維，而在矩陣列的N+1維內，節點數值最大者係為該樹狀結構之根節點，根節點對應之矩陣行非零數值之節點係為根節點之子節點，再於子節點中找出矩陣行非零數值之節點為子節點的子節點，且記錄已處理之節點。
如申請專利範圍第5項所述之商品上架方法，其中該樹狀結構矩陣係代表複數個商品圖片之該六值向量經過兩兩比較後，所產生N*(N-1)/2組相似性關係矩陣，其中，N係為該商品圖片之數量。
如申請專利範圍第2項所述之商品上架方法，其中該第一集合係為一XML格式檔案，而該第二集合亦為該XML格式檔案，且儲存於該商品銷售平台。
如申請專利範圍第2項所述之商品上架方法，其中該錯誤學習樹係為包含一數學運算式之剖析樹。
如申請專利範圍第8項所述之商品上架方法，其中該數學運算式係包含運算子及運算元。