CN105844302A - 基于深度学习的自动计算商品潮流指数的方法 - Google Patents
基于深度学习的自动计算商品潮流指数的方法 Download PDFInfo
- Publication number
- CN105844302A CN105844302A CN201610211098.4A CN201610211098A CN105844302A CN 105844302 A CN105844302 A CN 105844302A CN 201610211098 A CN201610211098 A CN 201610211098A CN 105844302 A CN105844302 A CN 105844302A
- Authority
- CN
- China
- Prior art keywords
- commodity
- value
- class
- vector
- calculate
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- 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]
- G06Q30/0623—Item investigation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Finance (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学***均值,得出商品的类别指数;步骤4:计算商品到各类中心的距离和加权系数,将步骤2中得出的类别中心向量值和商品任意的特征值,通过公式,算出两者之间的欧式距离和权重向量值;步骤5:将步骤4得出的权重向量W,乘步骤3得出的各个类的潮流指数,即商品最终的潮流指数。
Description
技术领域
本发明涉及一种基于深度学习的自动计算商品潮流指数的方法,尤其是在电子商务领域,方便商品潮流智能识别***快速计算出潮流指数。
背景技术
现在互联网已经成为人们购物的主要途径,尤其是年轻人群更愿意选择网上购物,在网上购物的时候如何根据个人喜好快速找到最新的潮流商品,越来越多地成为年轻人最大的需求。目前,针对视觉感受到的商品图案风格,转化为具体量化潮流指数的技术凤毛麟角,只能通过人工置顶的方式查找,在购买体验上需要花费更多的时间和精力。
发明内容
为了解决上述技术问题,本发明提供了一种基于深度学习的自动计算商品潮流指数的方法,该方法包括如下步骤:
步骤1:对网络平台出售的所有潮流商品,采用CNN深度学习模型对商品图片进行特征提取,将原始的图片数据转化为代表图片内容的向量特征。
步骤2:将商品按照图片特征进行聚类,根据步骤1得出的商品图片特征向量,用K-means算法进行聚类,划分出N个不同的类别(N≧1),每个图片的特征向量都归属到具体的一个类别中,相同类别的所有向量取算术平均值,即得出该类别的中心向量。
步骤3:计算商品的类别指数;
步骤4:计算商品到各类中心的距离;
步骤5:统计加权,将步骤4得出权重向量W,乘以步骤3得出的各个类的潮流指数,即可得出商品最终的潮流指数。
进一步地,步骤3所述的计算商品类别指数,具体步骤有:对各类别进行历史销量统计:统计所有商品的平均点击量和平均销量,最大点击量定义为:Xmax,最小点击量定义为:Xmin,利用公式:(X-Xmin)/(Xmax-Xmin)*100将商品值转化为百分制,得出各类别商品的潮流指数。
进一步地,步骤4所述的计算商品类别指数,具体步骤有:计算商品到各个类中心的距离R,并把所有1/R的值归为和为1的值,该值即为加权系数;将步骤2中得出的类别中心向量值和商品任一的特征值,通过公式r= sqrt( ∑(yi-xi)^2 )算出两者之间的欧式距离,通过公式wi=1/ri/(∑1/ri)算出权重向量值。
由上述技术方案可以看出,与现有技术相比,本申请的优点在于:将商品图片里面具体的内容根据电商用户的操作历史,完全量化位潮流指数。考虑了商品本身的特征,以及用户的喜好,以及众多商品的归类,改变了过去潮流风格完全无法量化,无法指数化的历史。
附图说明
下面结合附图的具体实施例方式作进一步详细的描述。
图1为本发明基于深度学习的自动计算商品潮流指数的方法示意图;
图2是衬衫的1024维的图像语义特征;
图3是衬衫的特征向量。
具体实施方式
为了更充分理解本发明的技术内容,下面结合具体实施例对本发明的技术方案进一步介绍和说明,但不局限于此。
参见附图1,步骤1:采用CNN深度学习模型对商品图片进行特征提取,设定商品1:{x1,x2,...x1024},每个商品根据图片内容提取1024维的图像语义特征,以衬衫为例,如图2所示;
步骤2:将商品按照图2中的特征进行聚类,根据步骤1得出的商品图片特征向量
用K-means算法进行聚类,划分出N个不同的类别(N≧1),每个图片的特征向量都归属到具体的一个类别中,相同类别的所有向量取算术平均值,即得出该类别的中心向量。如图3所示:
Class1:{x1,x2,...x1024},Class2:{x1,x2,...x1024};
步骤3:对各类别进行历史销量统计:统计所有商品的平均点击量和平均销量,最大点击量定义为:Xmax,最小点击量定义为:Xmin,利用公式(X-Xmin)/(Xmax-Xmin)*100将商品值转化为百分制,得出各类别商品的潮流指数。
步骤4:计算商品到各类中心的距离:首先计算商品到各个类中心的距离R,
并把所有1/R的值归为和为1的值,该值即为加权系数;将步骤2中得出的类别中心向量值和商品任一的特征值,通过公式r= sqrt( ∑(yi-xi)^2 )算出两者之间的欧式距离,通过公式wi=1/ri/(∑1/ri)算出权重向量值。
如下表所示:对于新的商品或者未在公司售卖过的商品,提取其特征X={x1,x2,...x1024},计算X与各个类别的计算权重
步骤5:统计加权,将步骤4得出权重向量W,乘以步骤3得出的各个类的潮流指数,即可得出商品最终的潮流指数。
Claims (3)
1.一种基于深度学习的自动计算商品潮流指数的方法,其特征在于:该方法
包括如下步骤:
步骤1:采用CNN深度学习模型对商品图片进行特征提取,将原始的图片数据转化为代表图片内容的向量特征;
步骤2:对步骤1的图片特征向量采用K-means算法进行聚类,划分出N个不同的类别(N≧1),每个图片的特征向量都归属到具体的一个类别中,相同类别的所有向量取算术平均值,得出该类别的中心向量;
步骤3:计算商品的类别指数;
步骤4:计算商品到各类中心的距离;
步骤5:统计加权,将步骤4得出权重向量W,乘以步骤3得出的各个类的潮流指数,得出商品最终的潮流指数。
2.根据权利要求1的基于深度学***均点击量和平均销量,最大点击量定义为:Xmax,最小点击量定义为:Xmin,利用公式(X-Xmin)/(Xmax-Xmin)*100将商品值转化为百分制,得出商品的类别指数。
3.根据权利要求1的基于深度学习的自动计算商品潮流指数的方法,其特征在于:步骤4所述的计算商品到各类中心的距离,具体步骤有:
计算商品到各个类中心的距离R,并把所有1/R的值归为和为1的值,该值为加权系数;将步骤2中得出的类别中心向量值和商品任意的特征值,通过公式r= sqrt( ∑(yi-xi)^2)算出两者之间的欧式距离,通过公式wi=1/ri/(∑1/ri)算出权重向量值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610211098.4A CN105844302A (zh) | 2016-04-07 | 2016-04-07 | 基于深度学习的自动计算商品潮流指数的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610211098.4A CN105844302A (zh) | 2016-04-07 | 2016-04-07 | 基于深度学习的自动计算商品潮流指数的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105844302A true CN105844302A (zh) | 2016-08-10 |
Family
ID=56598014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610211098.4A Pending CN105844302A (zh) | 2016-04-07 | 2016-04-07 | 基于深度学习的自动计算商品潮流指数的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105844302A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108022116A (zh) * | 2016-11-01 | 2018-05-11 | 北京京东尚科信息技术有限公司 | 对用户建模的方法、***及终端设备 |
CN108268898A (zh) * | 2018-01-19 | 2018-07-10 | 大象慧云信息技术有限公司 | 一种基于K-Means的电子***用户聚类方法 |
CN108470285A (zh) * | 2017-02-23 | 2018-08-31 | 北京京东尚科信息技术有限公司 | 用于获取用户数据信息的方法、装置、电子设备和存储介质 |
CN108665300A (zh) * | 2017-04-01 | 2018-10-16 | 北京京东尚科信息技术有限公司 | 一种提供数据的方法、装置、设备和存储介质 |
CN110020695A (zh) * | 2019-04-19 | 2019-07-16 | 杭州电子科技大学 | 用于滤波器组多载波调制光通信***的K-means非均匀量化算法 |
CN114004605A (zh) * | 2021-12-31 | 2022-02-01 | 北京中科闻歌科技股份有限公司 | ***超限量申请审批方法、装置、设备和介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060093185A1 (en) * | 2004-11-04 | 2006-05-04 | Fuji Xerox Co., Ltd. | Moving object recognition apparatus |
CN102841946A (zh) * | 2012-08-24 | 2012-12-26 | 北京国政通科技有限公司 | 商品数据检索排序及商品推荐方法和*** |
CN103092861A (zh) * | 2011-11-02 | 2013-05-08 | 阿里巴巴集团控股有限公司 | 一种商品代表图的选取方法和*** |
CN103345645A (zh) * | 2013-06-27 | 2013-10-09 | 复旦大学 | 面向网购平台的商品图像类别预测方法 |
CN103605765A (zh) * | 2013-11-26 | 2014-02-26 | 电子科技大学 | 一种基于聚类紧凑特征的海量图像检索*** |
CN104142946A (zh) * | 2013-05-08 | 2014-11-12 | 阿里巴巴集团控股有限公司 | 一种同款业务对象聚合、搜索的方法和*** |
CN104732249A (zh) * | 2015-03-25 | 2015-06-24 | 武汉大学 | 基于流行学习和混沌粒子群的深度学习图像分类方法 |
-
2016
- 2016-04-07 CN CN201610211098.4A patent/CN105844302A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060093185A1 (en) * | 2004-11-04 | 2006-05-04 | Fuji Xerox Co., Ltd. | Moving object recognition apparatus |
CN103092861A (zh) * | 2011-11-02 | 2013-05-08 | 阿里巴巴集团控股有限公司 | 一种商品代表图的选取方法和*** |
CN102841946A (zh) * | 2012-08-24 | 2012-12-26 | 北京国政通科技有限公司 | 商品数据检索排序及商品推荐方法和*** |
CN104142946A (zh) * | 2013-05-08 | 2014-11-12 | 阿里巴巴集团控股有限公司 | 一种同款业务对象聚合、搜索的方法和*** |
CN103345645A (zh) * | 2013-06-27 | 2013-10-09 | 复旦大学 | 面向网购平台的商品图像类别预测方法 |
CN103605765A (zh) * | 2013-11-26 | 2014-02-26 | 电子科技大学 | 一种基于聚类紧凑特征的海量图像检索*** |
CN104732249A (zh) * | 2015-03-25 | 2015-06-24 | 武汉大学 | 基于流行学习和混沌粒子群的深度学习图像分类方法 |
Non-Patent Citations (2)
Title |
---|
图书情报工作杂志社: "《电子商务研究与实践进展》", 31 October 2013, 海军出版社 * |
贾世杰: "基于内容的商品图像分类方法研究", 《中国博士学位论文全文数据库》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108022116A (zh) * | 2016-11-01 | 2018-05-11 | 北京京东尚科信息技术有限公司 | 对用户建模的方法、***及终端设备 |
CN108022116B (zh) * | 2016-11-01 | 2021-06-29 | 北京京东尚科信息技术有限公司 | 对用户建模的方法、***及终端设备 |
CN108470285A (zh) * | 2017-02-23 | 2018-08-31 | 北京京东尚科信息技术有限公司 | 用于获取用户数据信息的方法、装置、电子设备和存储介质 |
CN108470285B (zh) * | 2017-02-23 | 2021-11-12 | 北京京东尚科信息技术有限公司 | 用于获取用户数据信息的方法、装置、电子设备和存储介质 |
CN108665300A (zh) * | 2017-04-01 | 2018-10-16 | 北京京东尚科信息技术有限公司 | 一种提供数据的方法、装置、设备和存储介质 |
CN108268898A (zh) * | 2018-01-19 | 2018-07-10 | 大象慧云信息技术有限公司 | 一种基于K-Means的电子***用户聚类方法 |
CN110020695A (zh) * | 2019-04-19 | 2019-07-16 | 杭州电子科技大学 | 用于滤波器组多载波调制光通信***的K-means非均匀量化算法 |
CN114004605A (zh) * | 2021-12-31 | 2022-02-01 | 北京中科闻歌科技股份有限公司 | ***超限量申请审批方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105844302A (zh) | 基于深度学习的自动计算商品潮流指数的方法 | |
CN106651546B (zh) | 一种面向智慧社区的电子商务信息推荐方法 | |
CN103093376B (zh) | 基于奇异值分解算法的聚类协同过滤推荐*** | |
Strehl et al. | Relationship-based clustering and visualization for high-dimensional data mining | |
CN108334592B (zh) | 一种基于内容与协同过滤相结合的个性化推荐方法 | |
CN110674407A (zh) | 基于图卷积神经网络的混合推荐方法 | |
Ba et al. | Clustering collaborative filtering recommendation system based on SVD algorithm | |
CN109947987B (zh) | 一种交叉协同过滤推荐方法 | |
CN108665323A (zh) | 一种用于理财产品推荐***的集成方法 | |
CN106203313B (zh) | 一种基于图像内容的服装分类和推荐方法 | |
CN103377296B (zh) | 一种多指标评价信息的数据挖掘方法 | |
CN105426528A (zh) | 一种商品数据的检索排序方法及*** | |
CN102968506A (zh) | 一种基于扩展特征向量的个性化协同过滤推荐方法 | |
CN106897914A (zh) | 一种基于主题模型的商品推荐方法及*** | |
CN102663026A (zh) | 一种定向投放网络广告的实现方法 | |
CN104298787A (zh) | 一种基于融合策略的个性化推荐方法及装置 | |
CN109903138A (zh) | 一种个性化商品推荐方法 | |
CN112102029B (zh) | 一种基于知识图谱的长尾推荐计算方法 | |
CN108287916A (zh) | 一种资源推荐方法 | |
CN102521420A (zh) | 基于偏好模型的社会化过滤方法 | |
CN108389113B (zh) | 一种协同过滤推荐方法和*** | |
CN110334278A (zh) | 一种基于改进深度学习的web服务推荐方法 | |
US20160171365A1 (en) | Consumer preferences forecasting and trends finding | |
Zhao et al. | Men also do laundry: Multi-attribute bias amplification | |
CN108984551A (zh) | 一种基于多类别联合软聚类的推荐方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160810 |