CN107730343A - 一种基于图片属性提取的用户商品信息推送方法及设备 - Google Patents

Abstract

本发明公开了一种基于图片属性提取的用户商品信息推送方法，其特征在于，所述方法包括：获取触发推荐的指令；根据上述指令提取商品属性，从用户兴趣库中搜索包括上述商品属性的目标商品；形成推荐商品列表并向用户推送商品信息。本发明还公开了使用上述方法的设备。本发明方法简便易行、设备结构紧凑，利用商品的图片属性结合知识图谱，建立相对完善的用户个性化数据库，采用基于用户和商品的协同过滤，实现相似商品的精准推送，为用户带来新颖而舒适的购物体验。

Description

一种基于图片属性提取的用户商品信息推送方法及设备

技术领域

本发明涉及计算机技术领域，特别涉及一种基于图片属性提取的用户商品信息推送方法及设备。

背景技术

近些年电商进入蓬勃发展的高速阶段，一些大型B2C在纷纷涌向资本市场的同时，一些专注面向B2C的导购平台也在纷纷突起。电商导购平台发展的前期阶段主要是单纯为用户提供流量引导和商品推荐，并且所专注的市场也多位女性群体，因此并不能全方面满足用户的针对购物需求。后期一直在定位上更加垂直和精准而努力，以期专门针对用户推荐有强烈需求的商品，使得所推荐的商品完全符合用户需求，因而更具精准和用户体验。

而且，现有电商导购一般采用用户搜索查询或者分类查询的方式来找到目标商品，但是对商品的样式比如衣服的样式，皮包的材质等并不易用简单的文字来描述，为用户准确检索感兴趣的商品提升了难度；而且，只考虑商品的文字描述信息，很容易忽略商品的其他特性，单纯的基于商品的文字描述无法准确的挑选出合适的商品；此外，一般的商品推送都是建立在用户购买和浏览记录的基础上的，根据这些发现用户的购买兴趣，推送内容相对单一，无法帮助当前用户找到符合自己的其他商品。

而近些年，计算机识别和物品特征抽取等计算机技术兴起，同时人工智能、神经网络的推广应用为用户购买的指导提供了新的研发方向。而且知识图谱在电商平台的建立，为垂直精准定位客户需求提供了个性化的信息源。建立图像对应的知识图谱，可以帮助我们描述关键词的含义，把关键词拓展为图像表现出来；同时图像搜索，有助于找到最相似的图像。所以亟需一种基于图像的导购，有助于发现用户的购买兴趣以及更深层的知识，为用户带来便捷、高效、精准的商品搜索和推荐，从而享受新颖的购物体验。

发明内容

为了解决现有技术中用户商品推荐不够垂直精准的问题，本发明实施例提供了一种基于图片属性提取的用户商品信息推送方法及设备。所述技术方案如下：

一方面，本发明提供了一种基于图片属性提取的用户商品信息推送方法，所述方法包括：

获取触发推荐的指令；

根据上述指令提取商品属性，从用户兴趣库中搜索包括上述商品属性的目标商品；

形成推荐商品列表并向用户推送商品信息。

其中，触发推荐的指令包括基于***或商家的被动触发指令和基于用户的主动触发指令；

所述被动触发指令包括天气、时令、生日、节日或***自定义特殊日期；

所述主动触发指令包括用户主动录入预设场景信息。

进一步地，所述根据主动触发指令提取商品属性的步骤包括：

用户在电商平台输入预设场景信息，所述预设场景信息为图片、文本或图片与文本信息的组合；

利用预先训练的神经网络提取图片特征，获取与上述图片特征相对应的语义特征，将语义特征定义为目标商品属性；

所述主动触发指令提取商品属性还包括用户在电商平台输入预设场景信息中的文本信息所提取的商品属性。

进一步地，所述用户兴趣库的创建方法包括：

根据用户在电商平台的图片搜索、浏览、购买和收藏记录，获取电商平台信息库中用户感兴趣商品的商品信息，制得用户/商品基础信息表，所述商品信息至少包括商品图片；

利用预先训练的神经网络提取用户/商品基础信息表中商品的图片特征，获取与上述图片特征相对应的语义特征，将语义特征定义为商品属性；

创建以商品属性为基本知识单元和以商品类别、商品属性类型之间的关联关系为框架的用户兴趣库。

优选地，所述从用户兴趣库中搜索包括商品属性的目标商品的具体方式为以根据触发指令提取的商品属性为关键词对用户兴趣库中的商品进行搜索；所述商品属性包括颜色、材料质地、品质、类型、风格、品牌、产地。

其中，所述形成商品推荐列表的方式包括用户协同过滤和商品协同过滤。

具体地，用户协同过滤的具体方法包括：

利用用户兴趣库中商品的商品属性的文本信息对商品属性类别进行提取，确认用户的当前商品偏好；

定义目标用户的用户兴趣库中每一个商品属性值为该商品属性的基础标准值，计算其他用户兴趣库中相同商品属性的值与所述基础标准值的商，并定义这个商为相似度权重；

计算得到其他用户相对于目标用户的相似度权重，并确认其他用户的当前商品偏好；

获得目标用户相对于其他用户当前没有偏好的商品列表，依据计算得到其他用户相对于目标用户相似度权重进行排序，预测目标用户潜在商品偏好，得到推荐商品列表。

具体地，商品协同过滤包括：

将用户兴趣库中目标商品的图像及对应文字描述与电商平台信息库中的图像及对应文字描述进行比对，分别比较图像相似度和文字重复率，并定义图像相似度和文字重复率的加和为商品相似值；

依据计算得到商品近似值由高到低进行排序，得到推荐商品列表。

另一方面，本发明还提供了一种基于图片属性提取的用户商品信息推送设备，包括：

场景识别模块，用于识别用户在电商平台输入的预设场景信息，所述预设场景信息包括图片、文本或图片与文本信息的组合；

获取模块，用于获取电商平台信息库中用户感兴趣商品的文本信息和图片信息，制得用户/商品基础信息表；

图像特征提取模块，用于利用预先训练的神经网络提取商品的图像特征；所述图像特征提取模块包括图像颜色提取单元、图像形状提取单元、图像纹理提取单元；

商品属性定义模块，用于获取上述图像特征相对应的语义特征，将语义特征定义为商品属性；

用户兴趣库构建模块，用于构建包含商品类别、商品属性类型之间的关联关系的知识图谱框架和商品属性基本知识单元的用户兴趣库；

推荐模块，用于形成推荐商品列表并向用户推送商品信息；

所述场景识别模块的输出端与获取模块的输入端相连，所述获取模块的输出端与图片特征提取模块的输入端相连，所述图片特征提取模块的输出端与所述商品属性定义模块输入端相连，所述商品属性定义模块的输入端与所述用户兴趣库构建模块的输入端相连；所述推荐模块的输入端与所述用户兴趣库构建模块相连。

其中，推荐模块包括：用户协同推荐子模块和商品协同推荐子模块；

所述用户协同推荐子模块，包括频次统计单元、定义基础标准值单元、相似度权重计算单元、相似度权重排序单元；

频次统计单元，用于统计用户在电商平台的搜索、浏览、购买和收藏商品的频次，确认用户的当前偏好；

定义基础标准值单元，用于定义某个目标用户的用户兴趣库中的某一个商品属性值为该商品属性的基础标准值；

相似度权重计算单元，用于计算其他用户兴趣库中相同商品属性的值与所述基础标准值的商；

相似度权重排序单元，用于依据计算得到其他用户相对于目标用户相似度权重进行待推荐商品的排序，形成推荐列表；

所述商品协同推荐子模块，包括比对单元、相似值计算单元、相似值排序单元；

比对单元，用于将用户兴趣库中目标商品的图像及对应文字描述与电商平台信息库中的图像及对应文字描述进行比对，分别比较图像相似度和文字重复率；

相似值计算单元，用于计算图像相似度和文字重复率的加和，并定义此加和为商品相似值；

相似值排序单元，用于依据计算得到商品近似值由高到低进行排序，得到推荐商品列表；

所述频次统计单元、定义基础标准值单元的输入端与用户兴趣库相连，所述频次统计单元、定义基础标准值单元的输出端分别与相似度权重计算单元的输入端相连，所述相似度权重计算单元的输出端与所述相似度权重排序单元相连；

所述比对单元的输出端与所述相似值计算单元的输入端相连，所述相似值计算单元的输出端与所述相似值排序单元的输入端相连。

本发明实施例提供的技术方案带来的有益效果是：

1、本发明涉及的基于图片属性提取的用户商品信息推送方法，利用商品的图片属性结合知识图谱，建立相对完善的用户个性化数据库，采用基于用户和商品的协同过滤，实现相似商品的精准推送，为用户带来新颖而舒适的购物体验；

2、本发明涉及的基于图片属性提取的用户商品信息推送方法在建立用户个性化数据库后，通过用户的协同过滤，发掘用户的其他偏好，推送可能感兴趣的商品，通过商品的协同过滤，综合商品的文字描述和图片所表达的信息，推送相似的商品；

3、本发明涉及的基于图片属性提取的用户商品信息推送方法避开了现有技术单纯考虑商品文字描述信息的局限性，通过图片信息作为搜索的信息源，避免忽略商品的其他特性，实现了更全面、准确的推荐；

4、本发明涉及的基于图片属性提取的用户商品信息推送方法在现有技术中在用户购买和浏览记录发现用户的购买兴趣的基础上，通过用户的协同过滤算法，避免推送内容单一，更有助于帮助当前用户找到符合自己的其他商品。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。

图1是本发明实施例提供的一种基于图片属性提取的用户商品信息推送方法流程图；

图2是本发明实施例涉及的用户主动触发推荐的方法流程图；

图3是本发明实施例涉及的形成推荐列表的方法流程图；

图4是本发明实施例提供的一种基于图片属性提取的用户商品信息推送设备的结构示意图；

图中序号表示为：

41-场景识别模块，42-获取模块，43-图像特征提取模块，44-商品属性定义模块，45-用户兴趣库构建模块，46-推荐模块，461-用户协同推荐子模块，462-商品协同推荐子模块，463-频次统计单元，464-定义基础标准值单元，465-相似度权重计算单元，466-相似度权重排序单元，467-比对单元，468-相似值计算单元，469-相似值排序单元。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

本发明实施例提供了一种基于图片属性提取的用户商品信息推送方法，如图1所示，所述方法包括：

S101：获取触发推荐的指令；

所述指令可以为基于***的被动触发或者基于用户的主动触发，相对于单纯键入文字，在数据库中进行检索，上述指令可以提供更丰富的信息，如图片、图片和文本信息的结合等，避开现有技术单纯考虑商品文字描述信息的局限性，通过图片信息作为搜索的信息源，避免忽略商品的其他特性，实现了更全面、准确的推荐；

S201：根据上述指令提取商品属性，从用户兴趣库中搜索包括上述商品属性的目标商品；

采用了图像搜索的新的导购模式，而且经历了图像录入、属性识别、图像检索的逻辑链条，使得更准确的获取搜索关键词，且把关键词拓展为图像表现出来，有利于快速便捷准确找到用户最感兴趣的图像及其对应的商品，给用户带来新颖而舒适的购物体验；

本发明利用通过计算机识别建立图像对应的知识图谱，结合用户在电商平台的购买和浏览等行为，提取购物兴趣偏好，建立个性化的用户兴趣库；

S301：形成推荐商品列表并向用户推送商品信息；

在建立的用户兴趣库的基础上，采用基于用户和商品的协同过滤，实现相似商品的精准推送，为用户带来新颖而舒适的购物体验。

本发明实施例提供的技术方案带来的有益效果是：

1、本发明涉及的基于图片属性提取的用户商品信息推送方法，利用商品的图片属性结合知识图谱，建立相对完善的用户个性化数据库，采用基于用户和商品的协同过滤，实现相似商品的精准推送，为用户带来新颖而舒适的购物体验；

2、本发明涉及的基于图片属性提取的用户商品信息推送方法在建立用户个性化数据库后，通过用户的协同过滤，发掘用户的其他偏好，推送可能感兴趣的商品，通过商品的协同过滤，综合商品的文字描述和图片所表达的信息，推送相似的商品。

实施例2

本发明提供了一种基于图片属性提取的用户商品信息推送方法，如图1所示，所述方法包括：

S101：获取触发推荐的指令；

其中，S101中触发推荐的指令包括基于***或商家的被动触发指令S101a和基于用户的主动触发指令S101b；

具体地，所述被动触发指令包括天气、时令、生日、节日或***自定义特殊日期；

所述主动触发指令S101b还包括：

S102：用户在电商平台输入预设场景信息，所述预设场景信息为图片、文本或图片与文本信息的组合。

S201：根据上述指令提取商品属性，从创建完成的用户兴趣库中搜索包括上述商品属性的目标商品；

进一步地，如图2所示，S201根据主动触发指令提取商品属性的步骤包括：

S202：利用预先训练的神经网络提取图片特征，获取与上述图片特征相对应的语义特征，将语义特征定义为目标商品属性；

S203：提取用户在电商平台输入预设场景信息中的文本信息中的商品属性。

在提取步骤之后，需要在已经基于对用户感兴趣商品的图像处理、图像识别与知识图谱构建技术的结合创建的针对用户的垂直的、个性化的知识图谱，即用户兴趣库中进行检索。

用户兴趣库是基于用户需求偏好的个性化数据库，本质是针对用户个性化的涵盖用户需求偏好信息的商品知识图谱，在具体实施中，创建商品知识图谱包括应用图像处理技术、自然语言处理技术进行目标识别和图像特征提取，获取实体信息、关系信息、属性信息、知识信息以及应用本体技术、实体对齐技术、知识推理技术架构知识图谱。

具体地，所述用户兴趣库的创建方法包括：

a根据用户在电商平台的图片搜索、浏览、购买和收藏记录，获取电商平台信息库中用户感兴趣商品的商品信息，制得用户/商品基础信息表，所述商品信息至少包括商品图片；

b利用预先训练的神经网络提取用户/商品基础信息表中商品的图片特征，获取与上述图片特征相对应的语义特征，将语义特征定义为商品属性；

c创建以商品属性为基本知识单元和以商品类别、商品属性类型之间的关联关系为框架的用户兴趣库。

其中，所述用户/商品基础信息表的获取基于用户日常浏览和购买记录，提取电商平台网页内的文本信息对于商品进行分类，所述分类基于某一种商品属性或任意多种商品属性的组合。

优选地，所述从用户兴趣库中搜索包括商品属性的目标商品的具体方式为以根据触发指令提取的商品属性为关键词对用户兴趣库中的商品进行搜索；相对于单纯键入文字，在数据库中进行图片的检索，这种图片或图片与文字结合的指令提供了更丰富的信息，避开了现有技术单纯考虑商品文字描述信息的局限性，通过图片信息作为搜索的信息源，避免忽略商品的其他特性，实现了更全面、准确的推荐。

具体地，本发明实施例中所述商品属性包括但不限于颜色、材料质地、品质、类型、风格、品牌、产地。

S301：形成推荐商品列表并向用户推送商品信息。

进一步地，如图3所示，所述形成商品推荐列表的方式包括用户协同过滤S301a和商品协同过滤S301b。

具体地，用户协同过滤S301a的具体步骤包括：

S302a：利用用户兴趣库中商品的商品属性的文本信息对商品属性类别进行提取，确认用户的当前商品偏好；

S303a：定义目标用户的用户兴趣库中每一个商品属性值为该商品属性的基础标准值，计算其他用户兴趣库中相同商品属性的值与所述基础标准值的商，并定义这个商为相似度权重；

S304a：计算得到其他用户相对于目标用户的相似度权重，并确认其他用户的当前商品偏好；

S305a：获得目标用户相对于其他用户当前没有偏好的商品列表，依据计算得到其他用户相对于目标用户相似度权重进行排序，预测目标用户潜在商品偏好，得到推荐商品列表。

具体地，商品协同过滤S301b的具体步骤包括：

S302b：将用户兴趣库中目标商品的图像及对应文字描述与电商平台信息库中的图像及对应文字描述进行比对，分别比较图像相似度和文字重复率，并定义图像相似度和文字重复率的加和为商品相似值；

S303b：依据计算得到商品近似值由高到低进行排序，得到推荐商品列表。

在建立的用户兴趣库的基础上，采用基于用户和商品的协同过滤，实现相似商品的精准推送，为用户带来新颖而舒适的购物体验。

需要说明的是，本发明实施例涉及的基于图片属性提取的用户商品信息推送方法基于已经训练的神经网络，在本实施例中利用深度卷积神经网络(DCNN)，利用16层的VGG模型对图像进行建模、进行图像表达。卷积神经网络利用多层神经网络刻画图像中从简单到复杂的一系列特征，如较低层学习出简单形状，颜色，纹理等简单模式，不断组合形成逐渐复杂的具有语义信息的模式，比如风格特征、衣领特征等等。这样就完成了对图像属性的抽取，如修身、学院风、五分袖、加长款等：

用户个性化数据库建立，需要完成对商品，用户的知识图谱的建立。图像技术在这里是对每一个用户属性的视觉补充。通过几个维度对用户以及商品属性的描述，就已经完成了对商品画像，对用户画像。结合商品和用户的属性，不难发现，这里可以实现对用户购买的精准推荐。

综上所述，本发明实施例提供的技术方案带来的有益效果是：

1、本发明涉及的基于图片属性提取的用户商品信息推送方法，利用商品的图片属性结合知识图谱，建立相对完善的用户个性化数据库，采用基于用户和商品的协同过滤，实现相似商品的精准推送，为用户带来新颖而舒适的购物体验；

2、本发明涉及的基于图片属性提取的用户商品信息推送方法在建立用户个性化数据库后，通过用户的协同过滤，发掘用户的其他偏好，推送可能感兴趣的商品，通过商品的协同过滤，综合商品的文字描述和图片所表达的信息，推送相似的商品；

3、本发明涉及的基于图片属性提取的用户商品信息推送方法避开了现有技术单纯考虑商品文字描述信息的局限性，通过图片信息作为搜索的信息源，避免忽略商品的其他特性，实现了更全面、准确的推荐；

4、本发明涉及的基于图片属性提取的用户商品信息推送方法在现有技术中在用户购买和浏览记录发现用户的购买兴趣的基础上，通过用户的协同过滤算法，避免推送内容单一，更有助于帮助当前用户找到符合自己的其他商品。

实施例3

本发明实施例提供了一种基于图片属性提取的用户商品信息推送设备，如图4所示，包括：

场景识别模块41，用于识别用户在电商平台输入的预设场景信息，所述预设场景信息包括图片、文本或图片与文本信息的组合；

获取模块42，用于获取电商平台信息库中用户感兴趣商品的文本信息和图片信息，制得用户/商品基础信息表；

图像特征提取模块43，用于利用预先训练的神经网络提取商品的图像特征；所述图像特征提取模块包括图像颜色提取单元、图像形状提取单元、图像纹理提取单元；

商品属性定义模块44，用于获取上述图像特征相对应的语义特征，将语义特征定义为商品属性；

用户兴趣库构建模块45，用于构建包含商品类别、商品属性类型之间的关联关系的知识图谱框架和商品属性基本知识单元的用户兴趣库；

推荐模块46，用于形成推荐商品列表并向用户推送商品信息；

所述场景识别模块41的输出端与获取模块42的输入端相连，所述获取模块42的输出端与图片特征提取模块43的输入端相连，所述图片特征提取模块43的输出端与所述商品属性定义模块44输入端相连，所述商品属性定义模块44的输入端与所述用户兴趣库构建模块45的输入端相连；所述推荐模块46的输入端与所述用户兴趣库构建模块45相连。

其中，推荐模块46包括：用户协同推荐子模块461和商品协同推荐子模块462；

进一步地，所述用户协同推荐子模块461，包括频次统计单元463、定义基础标准值单元464、相似度权重计算单元465、相似度权重排序单元466；

频次统计单元463，用于统计用户在电商平台的搜索、浏览、购买和收藏商品的频次，确认用户的当前偏好；

定义基础标准值单元462，用于定义某个目标用户的用户兴趣库中的某一个商品属性值为该商品属性的基础标准值；

相似度权重计算单元463，用于计算其他用户兴趣库中相同商品属性的值与所述基础标准值的商；

相似度权重排序单元464，用于依据计算得到其他用户相对于目标用户相似度权重进行待推荐商品的排序，形成推荐列表；

具体地，所述商品协同推荐子模块462，包括比对单元467、相似值计算单元468、相似值排序单元469；

比对单元467，用于将用户兴趣库中目标商品的图像及对应文字描述与电商平台信息库中的图像及对应文字描述进行比对，分别比较图像相似度和文字重复率；

相似值计算单元468，用于计算图像相似度和文字重复率的加和，并定义此加和为商品相似值；

相似值排序单元469，用于依据计算得到商品近似值由高到低进行排序，得到推荐商品列表；

所述频次统计单元463、定义基础标准值单元464的输入端与用户兴趣库465相连，所述频次统计单元463、定义基础标准值单元464的输出端分别与相似度权重计算单元463的输入端相连，所述相似度权重计算单元463的输出端与所述相似度权重排序464单元相连；

所述比对单元467的输出端与所述相似值计算单元468的输入端相连，所述相似值计算单元468的输出端与所述相似值排序单元469的输入端相连。

值得说明的是，本发明所涉及的基于图片属性提取的用户商品信息推送设备，还可以包括神经网络训练模块，用于通过对物体特征的学***台信息库中商品识别和图像特征提取的神经网络；本发明实施例中创建用于电商平台信息库中商品识别和图像特征提取的神经网络为深度卷积神经网络，利用多层神经网络应用简单形状、颜色、纹理底层图像模式和高层次语义信息模式进行图像特征提取。

综上所述，本发明实施例提供的技术方案带来的有益效果是：

1、本发明涉及的基于图片属性提取的用户商品信息推送设备，结构紧凑，功能完善，利用商品的图片属性结合知识图谱，建立相对完善的用户个性化数据库，采用基于用户和商品的协同过滤，实现相似商品的精准推送，为用户带来新颖而舒适的购物体验；

2、本发明涉及的基于图片属性提取的用户商品信息推送设备在建立用户个性化数据库后，通过用户的协同过滤，发掘用户的其他偏好，推送可能感兴趣的商品，通过商品的协同过滤，综合商品的文字描述和图片所表达的信息，推送相似的商品；

3、本发明涉及的基于图片属性提取的用户商品信息推送设备避开了现有技术单纯考虑商品文字描述信息的局限性，通过图片信息作为搜索的信息源，避免忽略商品的其他特性，实现了更全面、准确的推荐；

4、本发明涉及的基于图片属性提取的用户商品信息推送设备在现有技术中在用户购买和浏览记录发现用户的购买兴趣的基础上，通过用户的协同过滤算法，避免推送内容单一，更有助于帮助当前用户找到符合自己的其他商品。

需要说明的是：上述实施例提供的基于图片属性提取的用户商品信息推送设备在给用户推荐商品时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于图片属性提取的用户商品信息推送设备与基于图片属性提取的用户商品信息推送方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于图片属性提取的用户商品信息推送方法，其特征在于，所述方法包括：

获取触发推荐的指令；

根据上述指令提取商品属性，从用户兴趣库中搜索包括上述商品属性的目标商品；

形成推荐商品列表并向用户推送商品信息。

2.根据权利要求1所述的基于图片属性提取的用户商品信息推送方法，其特征在于，所述触发推荐的指令包括基于***或商家的被动触发指令和基于用户的主动触发指令；

所述被动触发指令包括天气、时令、生日、节日或***自定义特殊日期；

所述主动触发指令包括用户主动录入预设场景信息。

3.根据权利要求2所述的基于图片属性提取的用户商品信息推送方法，其特征在于，所述根据主动触发指令提取商品属性的步骤包括：

用户在电商平台输入预设场景信息，所述预设场景信息为图片、文本或图片与文本信息的组合；

利用预先训练的神经网络提取图片特征，获取与上述图片特征相对应的语义特征，将语义特征定义为目标商品属性；

所述主动触发指令提取商品属性还包括用户在电商平台输入预设场景信息中的文本信息所提取的商品属性。

4.根据权利要求1所述的基于图片属性提取的用户商品信息推送方法，其特征在于，所述用户兴趣库的创建方法包括：

根据用户在电商平台的图片搜索、浏览、购买和收藏记录，获取电商平台信息库中用户感兴趣商品的商品信息，制得用户/商品基础信息表，所述商品信息至少包括商品图片；

利用预先训练的神经网络提取用户/商品基础信息表中商品的图片特征，获取与上述图片特征相对应的语义特征，将语义特征定义为商品属性；

创建以商品属性为基本知识单元和以商品类别、商品属性类型之间的关联关系为框架的用户兴趣库。

5.根据权利要求1所述的基于图片属性提取的用户商品信息推送方法，其特征在于，所述从用户兴趣库中搜索包括商品属性的目标商品的具体方式为以根据触发指令提取的商品属性为关键词对用户兴趣库中的商品进行搜索；所述商品属性包括颜色、材料质地、品质、类型、风格、品牌、产地。

6.根据权利要求1所述的基于图片属性提取的用户商品信息推送方法，其特征在于，所述形成商品推荐列表的方式包括用户协同过滤和商品协同过滤。

7.根据权利要求6所述的基于图片属性提取的用户商品信息推送方法，其特征在于，所述用户协同过滤的具体方法包括：

利用用户兴趣库中商品的商品属性的文本信息对商品属性类别进行提取，确认用户的当前商品偏好；

定义目标用户的用户兴趣库中每一个商品属性值为该商品属性的基础标准值，计算其他用户兴趣库中相同商品属性的值与所述基础标准值的商，并定义这个商为相似度权重；

计算得到其他用户相对于目标用户的相似度权重，并确认其他用户的当前商品偏好；

获得目标用户相对于其他用户当前没有偏好的商品列表，依据计算得到其他用户相对于目标用户相似度权重进行排序，预测目标用户潜在商品偏好，得到推荐商品列表。

8.根据权利要求6所述的基于图片属性提取的用户商品信息推送方法，其特征在于，所述商品协同过滤包括：

将用户兴趣库中目标商品的图像及对应文字描述与电商平台信息库中的图像及对应文字描述进行比对，分别比较图像相似度和文字重复率，并定义图像相似度和文字重复率的加和为商品相似值；

依据计算得到商品近似值由高到低进行排序，得到推荐商品列表。

9.一种基于图片属性提取的用户商品信息推送设备，其特征在于，所述设备包括：

场景识别模块，用于识别用户在电商平台输入的预设场景信息，所述预设场景信息包括图片、文本或图片与文本信息的组合；

获取模块，用于获取电商平台信息库中用户感兴趣商品的文本信息和图片信息，制得用户/商品基础信息表；

图像特征提取模块，用于利用预先训练的神经网络提取商品的图像特征；所述图像特征提取模块包括图像颜色提取单元、图像形状提取单元、图像纹理提取单元；

商品属性定义模块，用于获取上述图像特征相对应的语义特征，将语义特征定义为商品属性；

用户兴趣库构建模块，用于构建包含商品类别、商品属性类型之间的关联关系的知识图谱框架和商品属性基本知识单元的用户兴趣库；

推荐模块，用于形成推荐商品列表并向用户推送商品信息；

所述场景识别模块的输出端与获取模块的输入端相连，所述获取模块的输出端与图片特征提取模块的输入端相连，所述图片特征提取模块的输出端与所述商品属性定义模块输入端相连，所述商品属性定义模块的输入端与所述用户兴趣库构建模块的输入端相连；所述推荐模块的输入端与所述用户兴趣库构建模块相连。

10.根据权利要求9所述的基于图片属性提取的用户商品信息推送设备，其特征在于，所述推荐模块包括：用户协同推荐子模块和商品协同推荐子模块；

所述用户协同推荐子模块，包括频次统计单元、定义基础标准值单元、相似度权重计算单元、相似度权重排序单元；

频次统计单元，用于统计用户在电商平台的搜索、浏览、购买和收藏商品的频次，确认用户的当前偏好；

定义基础标准值单元，用于定义某个目标用户的用户兴趣库中的某一个商品属性值为该商品属性的基础标准值；

相似度权重计算单元，用于计算其他用户兴趣库中相同商品属性的值与所述基础标准值的商；

相似度权重排序单元，用于依据计算得到其他用户相对于目标用户相似度权重进行待推荐商品的排序，形成推荐列表；

所述商品协同推荐子模块，包括比对单元、相似值计算单元、相似值排序单元；

比对单元，用于将用户兴趣库中目标商品的图像及对应文字描述与电商平台信息库中的图像及对应文字描述进行比对，分别比较图像相似度和文字重复率；

相似值计算单元，用于计算图像相似度和文字重复率的加和，并定义此加和为商品相似值；

相似值排序单元，用于依据计算得到商品近似值由高到低进行排序，得到推荐商品列表；

所述频次统计单元、定义基础标准值单元的输入端与用户兴趣库相连，所述频次统计单元、定义基础标准值单元的输出端分别与相似度权重计算单元的输入端相连，所述相似度权重计算单元的输出端与所述相似度权重排序单元相连；

所述比对单元的输出端与所述相似值计算单元的输入端相连，所述相似值计算单元的输出端与所述相似值排序单元的输入端相连。