CN107357995A - 一种陶瓷设计的推荐方法和设备 - Google Patents

Abstract

本发明提出了一种陶瓷设计的推荐方法和设备，其中该方法包括：获取陶瓷设计的请求；其中，所述请求中包含有设计需要；从所述请求中提取设计需要；基于所述设计需要与预设的陶瓷设计神经网络生成推荐信息；其中，所述推荐信息中包括有对所述设计需要的陶瓷设计方案。以此通过本发明实施例的方案，实现了自动推荐，提高了效率，另外，是基于设计需要在陶瓷设计神经网络中生成推荐信息，在提高效率的同时，还保证了推荐的效果，减少了用户的劳动，保证了用户的使用体验。

Description

一种陶瓷设计的推荐方法和设备

技术领域

本发明涉及神经网络以及数据处理领域，特别涉及一种陶瓷设计的推荐方法和设备。

背景技术

现有的陶瓷设计方案，若是想参考或者想得到一个新的设计方案，都是基于人工看陶瓷展，以及陶瓷设计相关的书籍，并以人工的方式来进行借鉴才能生成的；很明显，这种方式费时费力，且由于全靠人工，而人力有限，无法借鉴到所有目前已存在的陶瓷设计方案，导致一则效率低下，二则借鉴的效果也没法控制。

发明内容

针对现有技术中的缺陷，本发明提出了一种陶瓷设计的推荐方法和设备，自动根据需要利用陶瓷设计神经网络推荐陶瓷设计，提高了效率，且保证了推荐的效果。

具体的，本发明提出了以下具体的实施例：

本发明实施例提出了一种陶瓷设计的推荐方法，包括：

获取陶瓷设计的请求；其中，所述请求中包含有设计需要；

从所述请求中提取设计需要；

基于所述设计需要与预设的陶瓷设计神经网络生成推荐信息；其中，所述推荐信息中包括有对所述设计需要的陶瓷设计方案。

在一个具体的实施例中，所述陶瓷设计神经网络是通过数量超过一定数量的样本陶瓷设计方案进行训练生成的；其中所述样本陶瓷设计方案中包括陶瓷设计方案以及与陶瓷设计方案对应的反馈结果。

在一个具体的实施例中，还包括：

获取与所述推荐信息对应的反馈信息；其中，所述反馈信息中包含有反馈结果；

基于所述反馈结果对推荐信息中的陶瓷设计方案进行标注，生成样本陶瓷设计方案；

基于所生成的样本陶瓷设计方案对所述陶瓷设计神经网络进行训练。

在一个具体的实施例中，还包括：

在对所述陶瓷设计神经网络进行训练后，获取训练后的所述陶瓷设计神经网络所对应的损失函数；

若所述损失函数满足预设要求，则确定当前对所述陶瓷设计神经网络的训练完成；

若所述损失函数不满足预设要求，则对训练过程中的预设训练参数进行调整后重新对所述陶瓷设计神经网络进行训练。

在一个具体的实施例中，所述样本陶瓷设计方案包括：陶瓷设计三元组数据；其中，所述陶瓷设计三元组数据包括：样本陶瓷设计方案中随机获取的源设计方案、以及与所述源设计方案同属一类的正向设计方案、与所述源设计方案分属不同类的反向设计方案；

其中，所述源设计方案为所述样本陶瓷设计方案中随机获取的任一设计方案；

所述正向设计方案为在所述样本陶瓷设计方案中随机获取的与所述源设计方案的反馈结果一致的设计方案；

所述反向设计方案为在所述样本陶瓷设计方案中随机获取的与所述源设计方案的反馈结果不一致的设计方案。

本发明实施例还提出了一种陶瓷设计的推荐设备，包括：

获取模块，用于获取陶瓷设计的请求；其中，所述请求中包含有设计需要；

提取模块，用于从所述请求中提取设计需要；

推荐模块，用于基于所述设计需要与预设的陶瓷设计神经网络生成推荐信息；其中，所述推荐信息中包括有对所述设计需要的陶瓷设计方案。

在一个具体的实施例中，所述陶瓷设计神经网络是通过数量超过一定数量的样本陶瓷设计方案进行训练生成的；其中所述样本陶瓷设计方案中包括陶瓷设计方案以及与陶瓷设计方案对应的反馈结果。

在一个具体的实施例中，还包括：

反馈训练模块，用于获取与所述推荐信息对应的反馈信息；其中，所述反馈信息中包含有反馈结果；

基于所述反馈结果对推荐信息中的陶瓷设计方案进行标注，生成样本陶瓷设计方案；

基于所生成的样本陶瓷设计方案对所述陶瓷设计神经网络进行训练。

在一个具体的实施例中，还包括：

评估模块，用于在对所述陶瓷设计神经网络进行训练后，获取训练后的所述陶瓷设计神经网络所对应的损失函数；

若所述损失函数满足预设要求，则确定当前对所述陶瓷设计神经网络的训练完成；

若所述损失函数不满足预设要求，则对训练过程中的预设训练参数进行调整后重新对所述陶瓷设计神经网络进行训练。

在一个具体的实施例中，所述样本陶瓷设计方案包括：陶瓷设计三元组数据；其中，所述陶瓷设计三元组数据包括：样本陶瓷设计方案中随机获取的源设计方案、以及与所述源设计方案同属一类的正向设计方案、与所述源设计方案分属不同类的反向设计方案；

其中，所述源设计方案为所述样本陶瓷设计方案中随机获取的任一设计方案；

所述正向设计方案为在所述样本陶瓷设计方案中随机获取的与所述源设计方案的反馈结果一致的设计方案；

所述反向设计方案为在所述样本陶瓷设计方案中随机获取的与所述源设计方案的反馈结果不一致的设计方案。

以此，本发明实施例提出了一种陶瓷设计的推荐方法和设备，其中该方法包括：获取陶瓷设计的请求；其中，所述请求中包含有设计需要；从所述请求中提取设计需要；基于所述设计需要与预设的陶瓷设计神经网络生成推荐信息；其中，所述推荐信息中包括有对所述设计需要的陶瓷设计方案。以此通过本发明实施例的方案，实现了自动推荐，提高了效率，另外，是基于设计需要在陶瓷设计神经网络中生成推荐信息，在提高效率的同时，还保证了推荐的效果，减少了用户的劳动，保证了用户的使用体验。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例提出的一种陶瓷设计的推荐方法的流程示意图；

图2为本发明实施例提出的一种陶瓷设计的推荐方法的流程示意图；

图3为本发明实施例提出的一种陶瓷设计的推荐设备的结构示意图；

图4为本发明实施例提出的一种陶瓷设计的推荐设备的结构示意图；

图5为本发明实施例提出的一种陶瓷设计的推荐设备的结构示意图。

具体实施方式

在下文中，将更全面地描述本公开的各种实施例。本公开可具有各种实施例，并且可在其中做出调整和改变。然而，应理解：不存在将本公开的各种实施例限于在此公开的特定实施例的意图，而是应将本公开理解为涵盖落入本公开的各种实施例的精神和范围内的所有调整、等同物和/或可选方案。

在下文中，可在本公开的各种实施例中使用的术语“包括”或“可包括”指示所公开的功能、操作或元件的存在，并且不限制一个或更多个功能、操作或元件的增加。此外，如在本公开的各种实施例中所使用，术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。

在本公开的各种实施例中，表述“或”或“A或/和B中的至少一个”包括同时列出的文字的任何组合或所有组合。例如，表述“A或B”或“A或/和B中的至少一个”可包括A、可包括B或可包括A和B二者。

在本公开的各种实施例中使用的表述(诸如“第一”、“第二”等)可修饰在各种实施例中的各种组成元件，不过可不限制相应组成元件。例如，以上表述并不限制所述元件的顺序和/或重要性。以上表述仅用于将一个元件与其它元件区别开的目的。例如，第一用户装置和第二用户装置指示不同用户装置，尽管二者都是用户装置。例如，在不脱离本公开的各种实施例的范围的情况下，第一元件可被称为第二元件，同样地，第二元件也可被称为第一元件。

应注意到：如果描述将一个组成元件“连接”到另一组成元件，则可将第一组成元件直接连接到第二组成元件，并且可在第一组成元件和第二组成元件之间“连接”第三组成元件。相反地，当将一个组成元件“直接连接”到另一组成元件时，可理解为在第一组成元件和第二组成元件之间不存在第三组成元件。

在本公开的各种实施例中使用的术语“用户”可指示使用电子装置的人或使用电子装置的装置(例如，人工智能电子装置)。

在本公开的各种实施例中使用的术语仅用于描述特定实施例的目的并且并非意在限制本公开的各种实施例。如在此所使用，单数形式意在也包括复数形式，除非上下文清楚地另有指示。除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本公开的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本公开的各种实施例中被清楚地限定。

实施例1

本发明实施例1公开了一种陶瓷设计的推荐方法，如图1所示，包括：

步骤101、获取陶瓷设计的请求；其中，所述请求中包含有设计需要；

具体的，请求可以为文字请求，其中包括通过文字来描述的设计需要，例如颜色，形状，流派、当前的流行程度等各种与陶瓷设计相关的特征信息，还可以直接以图片或者视频等方式作为请求，后续对该种请求中的图片或者视频进行识别，以便进行特征提取，进而提炼出设计的需要。

步骤102、从所述请求中提取设计需要；

具体的，请求不同，提取的方式有所不同，以文字请求为例来进行说明，则进行分词处理以及进行语意识别，从而获取到设计需要，在该实施例中，设计需要为以文字的形式，而请求的不同，后续生成的设计需要的实施例有所不同；具体的设计需要的实施例与请求进行对应。

具体的，获取的设计需要越多，后续的推荐结果越准。

设计需要的数量越多，后续的结果越准，而在另一个具体的实施例中，各设计需要还可以有不同的推荐权重，具体的该推荐权重可以为用户自定义的，也可以为***自动生成，也可以各个设计需要对应的推荐权重都是一样的。

步骤103、基于所述设计需要与预设的陶瓷设计神经网络生成推荐信息；其中，所述推荐信息中包括有对所述设计需要的陶瓷设计方案。

具体的在一个实施例中，为了进一步提高处理的效率，还可以将设计需要转换为二进制的数据格式，再输入陶瓷设计神经网络中进行处理，由于机器语言为二进制，因此通过二进制的数据格式，可以加快识别的过程，在进行识别时，不需要再额外进行数据的转换，因此可以有效提高识别的效率。

在一个实施例中，所述陶瓷设计神经网络是通过数量超过一定数量的样本陶瓷设计方案进行训练生成的；其中所述样本陶瓷设计方案中包括陶瓷设计方案以及与陶瓷设计方案对应的反馈结果。

在一个具体的实施例中，如图2所示，该方法还包括：

步骤104、获取与所述推荐信息对应的反馈信息；其中，所述反馈信息中包含有反馈结果；

步骤105、基于所述反馈结果对推荐信息中的陶瓷设计方案进行标注，生成样本陶瓷设计方案；

步骤106、基于所生成的样本陶瓷设计方案对所述陶瓷设计神经网络进行训练。

在此，以一个具体的例子来进行说明，例如生成的陶瓷设计方案1的反馈效果中评分为100分，在此情况下，基于陶瓷设计1的评分，生成标本陶瓷设计方案1(其中包括有陶瓷设计方案1与与之对应的评分100分)，然后再继续给予标本陶瓷设计方案1来对陶瓷设计神经网络进行训练，以便生成更新的陶瓷设计神经网络。

在一个具体的实施例中，对陶瓷设计神经网络进行训练后，是利用损失函数来进行评估的，具体的在此情况下，该方法还包括：

在对所述陶瓷设计神经网络进行训练后，获取训练后的所述陶瓷设计神经网络所对应的损失函数；

若所述损失函数满足预设要求，则确定当前对所述陶瓷设计神经网络的训练完成；

若所述损失函数不满足预设要求，则对训练过程中的预设训练参数进行调整后重新对所述陶瓷设计神经网络进行训练。

具体的，通过上述方案，不断对陶瓷设计神经网络进行训练，直到陶瓷设计神经网络训练出的损失函数满足预设要求，则确认当前的陶瓷设计神经网络合格；至于随着应用环境等的变化，预设要求也可以随之发生变化，后续再基于变化后的预设要求进行训练。

在一个具体的实施例中，所述样本陶瓷设计方案包括：陶瓷设计三元组数据；其中，所述陶瓷设计三元组数据包括：样本陶瓷设计方案中随机获取的源设计方案、以及与所述源设计方案同属一类的正向设计方案、与所述源设计方案分属不同类的反向设计方案；

其中，所述源设计方案为所述样本陶瓷设计方案中随机获取的任一设计方案；

所述正向设计方案为在所述样本陶瓷设计方案中随机获取的与所述源设计方案的反馈结果一致的设计方案；

所述反向设计方案为在所述样本陶瓷设计方案中随机获取的与所述源设计方案的反馈结果不一致的设计方案。

具体的，进一步的，在此以一个具体的实施例来进行说明，陶瓷设计三元组数据例如可以分别为：在样本陶瓷设计方案中随机获取的专业陶瓷设计人员所设计的成功方案(例如对应评分为100分，对应源设计方案)、在样本陶瓷设计方案中随机获取的非专业人员所设计的成功方案(例如对应评分为70分，对应正向设计方案)、以及在样本陶瓷设计方案中随机获取的失败的设计方案(例如对应评分为低于20分，对应反向设计方案)，以此通过正反对比，更有效训练了陶瓷识别神经网络的识别准确性。

实施例2

本发明实施例2还公开了一种陶瓷设计的推荐设备，如图3所示，包括：

获取模块201，用于获取陶瓷设计的请求；其中，所述请求中包含有设计需要；

提取模块202，用于从所述请求中提取设计需要；

推荐模块203，用于基于所述设计需要与预设的陶瓷设计神经网络生成推荐信息；其中，所述推荐信息中包括有对所述设计需要的陶瓷设计方案。

在一个具体的实施例中，所述陶瓷设计神经网络是通过数量超过一定数量的样本陶瓷设计方案进行训练生成的；其中所述样本陶瓷设计方案中包括陶瓷设计方案以及与陶瓷设计方案对应的反馈结果。

在一个具体的实施例中，如图4所示，该设备还包括：

反馈训练模块204，用于获取与所述推荐信息对应的反馈信息；其中，所述反馈信息中包含有反馈结果；

基于所述反馈结果对推荐信息中的陶瓷设计方案进行标注，生成样本陶瓷设计方案；

基于所生成的样本陶瓷设计方案对所述陶瓷设计神经网络进行训练。

在一个具体的实施例中，如图5所示，该设备还包括：

评估模块205，用于在对所述陶瓷设计神经网络进行训练后，获取训练后的所述陶瓷设计神经网络所对应的损失函数；

若所述损失函数满足预设要求，则确定当前对所述陶瓷设计神经网络的训练完成；

若所述损失函数不满足预设要求，则对训练过程中的预设训练参数进行调整后重新对所述陶瓷设计神经网络进行训练。

在一个具体的实施例中，所述样本陶瓷设计方案包括：陶瓷设计三元组数据；其中，所述陶瓷设计三元组数据包括：样本陶瓷设计方案中随机获取的源设计方案、以及与所述源设计方案同属一类的正向设计方案、与所述源设计方案分属不同类的反向设计方案；

其中，所述源设计方案为所述样本陶瓷设计方案中随机获取的任一设计方案；

所述正向设计方案为在所述样本陶瓷设计方案中随机获取的与所述源设计方案的反馈结果一致的设计方案；

所述反向设计方案为在所述样本陶瓷设计方案中随机获取的与所述源设计方案的反馈结果不一致的设计方案。

以此，本发明实施例提出了一种陶瓷设计的推荐方法和设备，其中该方法包括：获取陶瓷设计的请求；其中，所述请求中包含有设计需要；从所述请求中提取设计需要；基于所述设计需要与预设的陶瓷设计神经网络生成推荐信息；其中，所述推荐信息中包括有对所述设计需要的陶瓷设计方案。以此通过本发明实施例的方案，实现了自动推荐，提高了效率，另外，是基于设计需要在陶瓷设计神经网络中生成推荐信息，在提高效率的同时，还保证了推荐的效果，减少了用户的劳动，保证了用户的使用体验。

本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

上述本发明序号仅仅为了描述，不代表实施场景的优劣。

以上公开的仅为本发明的几个具体实施场景，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (10)

1.一种陶瓷设计的推荐方法，其特征在于，包括：

获取陶瓷设计的请求；其中，所述请求中包含有设计需要；

从所述请求中提取设计需要；

基于所述设计需要与预设的陶瓷设计神经网络生成推荐信息；其中，所述推荐信息中包括有对所述设计需要的陶瓷设计方案。

2.如权利要求1所述的一种陶瓷设计的推荐方法，其特征在于，所述陶瓷设计神经网络是通过数量超过一定数量的样本陶瓷设计方案进行训练生成的；其中所述样本陶瓷设计方案中包括陶瓷设计方案以及与陶瓷设计方案对应的反馈结果。

3.如权利要求1所述的一种陶瓷设计的推荐方法，其特征在于，还包括：

获取与所述推荐信息对应的反馈信息；其中，所述反馈信息中包含有反馈结果；

基于所述反馈结果对推荐信息中的陶瓷设计方案进行标注，生成样本陶瓷设计方案；

基于所生成的样本陶瓷设计方案对所述陶瓷设计神经网络进行训练。

4.如权利要求3所述的一种陶瓷设计的推荐方法，其特征在于，还包括：

在对所述陶瓷设计神经网络进行训练后，获取训练后的所述陶瓷设计神经网络所对应的损失函数；

若所述损失函数满足预设要求，则确定当前对所述陶瓷设计神经网络的训练完成；

若所述损失函数不满足预设要求，则对训练过程中的预设训练参数进行调整后重新对所述陶瓷设计神经网络进行训练。

5.如权利要求2-4中任意一项所述的一种陶瓷设计的推荐方法，其特征在于，

所述样本陶瓷设计方案包括：陶瓷设计三元组数据；其中，所述陶瓷设计三元组数据包括：样本陶瓷设计方案中随机获取的源设计方案、以及与所述源设计方案同属一类的正向设计方案、与所述源设计方案分属不同类的反向设计方案；

其中，所述源设计方案为所述样本陶瓷设计方案中随机获取的任一设计方案；

所述正向设计方案为在所述样本陶瓷设计方案中随机获取的与所述源设计方案的反馈结果一致的设计方案；

所述反向设计方案为在所述样本陶瓷设计方案中随机获取的与所述源设计方案的反馈结果不一致的设计方案。

6.一种陶瓷设计的推荐设备，其特征在于，包括：

获取模块，用于获取陶瓷设计的请求；其中，所述请求中包含有设计需要；

提取模块，用于从所述请求中提取设计需要；

推荐模块，用于基于所述设计需要与预设的陶瓷设计神经网络生成推荐信息；其中，所述推荐信息中包括有对所述设计需要的陶瓷设计方案。

7.如权利要求6所述的一种陶瓷设计的推荐设备，其特征在于，所述陶瓷设计神经网络是通过数量超过一定数量的样本陶瓷设计方案进行训练生成的；其中所述样本陶瓷设计方案中包括陶瓷设计方案以及与陶瓷设计方案对应的反馈结果。

8.如权利要求6所述的一种陶瓷设计的推荐设备，其特征在于，还包括：

反馈训练模块，用于获取与所述推荐信息对应的反馈信息；其中，所述反馈信息中包含有反馈结果；

基于所述反馈结果对推荐信息中的陶瓷设计方案进行标注，生成样本陶瓷设计方案；

基于所生成的样本陶瓷设计方案对所述陶瓷设计神经网络进行训练。

9.如权利要求8所述的一种陶瓷设计的推荐设备，其特征在于，还包括：

评估模块，用于在对所述陶瓷设计神经网络进行训练后，获取训练后的所述陶瓷设计神经网络所对应的损失函数；

若所述损失函数满足预设要求，则确定当前对所述陶瓷设计神经网络的训练完成；

若所述损失函数不满足预设要求，则对训练过程中的预设训练参数进行调整后重新对所述陶瓷设计神经网络进行训练。

10.如权利要求7-9中任意一项所述的一种陶瓷设计的推荐设备，其特征在于，

所述样本陶瓷设计方案包括：陶瓷设计三元组数据；其中，所述陶瓷设计三元组数据包括：样本陶瓷设计方案中随机获取的源设计方案、以及与所述源设计方案同属一类的正向设计方案、与所述源设计方案分属不同类的反向设计方案；

其中，所述源设计方案为所述样本陶瓷设计方案中随机获取的任一设计方案；

所述正向设计方案为在所述样本陶瓷设计方案中随机获取的与所述源设计方案的反馈结果一致的设计方案；

所述反向设计方案为在所述样本陶瓷设计方案中随机获取的与所述源设计方案的反馈结果不一致的设计方案。