CN109993595A - 个性化推荐商品及服务的方法、***及设备 - Google Patents

Abstract

本申请涉及一种个性化推荐商品及服务的方法、***及设备，所述方法包括：获取或输入关于顾客的至少一幅影像；根据所获取或输入的影像，识别所述顾客的购物倾向；根据所识别的购物倾向对所述顾客进行商品或服务推荐；以及将所推荐的商品或服务信息向顾客进行发送或显示。通过所提出的可以识别顾客购物倾向的方法和***，可以根据所识别的购物倾向，在增强现实购物应用中对相关的产品和服务对顾客进行高质量的个性化推荐。

Description

个性化推荐商品及服务的方法、***及设备

技术领域

本申请涉及模式识别和计算机视觉领域，具体而言，本申请涉及一种个性化推荐商品及服务的方法、***及设备。

背景技术

现有的商品推荐技术往往利用与顾客的购买历史相关的数据(例如购物记录、商品的浏览记录等)进行推荐。在下文中，将列举出关于商品推荐技术的一些现有的专利文献以及相关技术。

在一些专利文献中，提出了一些个性化的推荐方法。在这些方法中，基于顾客的在线购买记录或在线浏览记录，对顾客推荐与之前购买或浏览的商品类似的商品。

然而，这种个性化的推荐方法只适用于顾客的在线购买行为。对于顾客在实体商店的购买行为，这些推荐方法并不适用。

此外，当顾客在实体商店购物时，工作人员可以通过顾客的购买记录来对顾客进行推荐。然而，当顾客首次访问某个实体商店时，由于缺乏以往的购买或浏览记录，因此无法对顾客进行适当的推荐。

增强现实技术可以用于在现实场景中为用户叠加显示相关的信息，从而增强用户的体验。在现有的应用领域中，增强现实主要应用于三个方面，包括终端显示、内容生成以及用户交互。本申请中采用了增强现实技术中的用户交互技术。具体而言，在增强现实购物中，为了从涉及大量商品的数据中选出顾客感兴趣的信息进行显示，需要对顾客的购物倾向进行识别。

发明内容

本申请的目的旨在至少解决上述技术缺陷之一，通过所提出的可以识别顾客购物倾向的***和方法，可以根据所识别的购物倾向，在增强现实购物应用中对相关的产品和服务对顾客进行高质量的个性化推荐。

根据本申请的一方面，提供了一种个性化推荐商品及服务的方法，包括：获取或输入关于顾客的至少一幅影像；根据所获取或输入的影像，识别所述顾客的购物倾向；根据所识别的购物倾向对所述顾客进行商品或服务推荐；以及将所推荐的商品或服务信息向顾客进行发送或显示。

根据本申请的另一方面，提供了一种个性化推荐商品及服务的***，包括：影像获取单元，用于获取或输入关于顾客的至少一幅影像；识别单元，用于根据所获取或输入的影像，识别所述顾客的购物倾向；判断单元，用于根据所识别的购物倾向对所述顾客进行商品或服务推荐；以及网络单元，用于将所推荐的商品或服务信息向顾客进行发送或显示。

根据本申请的另一方面，提供了一种个性化推荐商品及服务的设备，包括：处理器；以及存储器，其中存储可由事实上处理器执行的指令，当所述指令由所述处理器执行时，使所述处理器执行如下方法步骤：获取或输入关于顾客的至少一幅影像；根据所获取或输入的影像，识别所述顾客的购物倾向；根据所识别的购物倾向对所述顾客进行商品或服务推荐；以及将所推荐的商品或服务信息向顾客进行发送或显示。

附图说明

从以下结合附图的描述中，本公开的某些实施例的上述和其它方面、特征和优点将更加明显，在附图中：

图1示出了根据本申请的发明构思的对顾客进行商品推荐的方法的概略图；

图2示出了根据本申请的发明构思的获取和输入影像的方法的流程图；

图3示出了根据本申请的发明构思的用于识别顾客购物倾向的方法的示意图；

图4示出了根据本申请的发明构思的用于通过在线购物数据库来建立购物倾向模型的方法的示意图；

图5示出了根据本申请的发明构思的一种基于深度学习的购物倾向模型提取方法的流程图；

图6示出了根据本申请的发明构思的一种时尚类别商品的深度神经元网络推荐模型的示意图；

图7示出了根据本申请的发明构思的一种分别为每个顾客群建立每个类别商品的特征向量的方法的示意图；

图8示出了根据本申请的发明构思的一种通过实体店购物数据库来建立购物倾向模型的方法的示意图；

图9示出了根据本申请的发明构思的一种基于神经元网络的顾客影像的分析方法的示意图；

图10示出了根据本申请的发明构思的一种基于神经元网络的匹配顾客影像和商品影像的方法的示意图；

图11示出了根据本申请的发明构思的一种根据识别的顾客购物倾向进行商品或服务推荐的方法的流程图；

图12示出了根据本申请的发明构思的一种向实体店的顾客的增强显示设备进行商品推荐的方法的示意图；

图13示出了根据本申请的发明构思的一种向实体店的顾客附近的显示器显示商品推荐的方法的示意图；

图14示出了根据本申请的发明构思的一种向实体店内的销售助理的增强现实显示设备显示顾客信息和商品推荐的方法的示意图；以及

图15示出了根据本申请的发明构思的一种在浏览器显示的人脸图像上显示顾客信息和商品推荐的方法的示意图。

具体实施方式

图1示出了根据本申请的发明构思的对顾客进行商品推荐的方法的概略图。应当注意的是，该图仅为示例，并不意图限制本申请所请求保护的范围。

如图1所示，对顾客进行商品推荐的方法包括如下步骤：

在步骤S110中，获取或输入关于顾客的至少一幅影像；

在步骤S120中，通过所获取或输入的影像，识别顾客的购物倾向；

在步骤S130中，根据所识别的顾客的购物倾向进行商品或服务推荐；

在步骤S140中，将所推荐的商品或服务信息向顾客进行发送或显示。

图2示出了根据本申请的发明构思的获取和输入影像的方法的流程图。该图仅为示例，并不意图限制本申请所请求保护的范围。

如图所示，该获取和输入影像的方法由包含一个或多个相机的设备完成，其中，该设备处于实体店中，并且，该一个或多个相机的视野可以覆盖该实体店的所有区域。

在该方法中，该设备首先对处于实体店的购物区域内的顾客进行检测并对检测到的顾客进行跟踪，其中，在检测到该顾客之后，识别顾客并搜索与其匹配的顾客ID；如果未找到匹配结果，则针对该顾客建立顾客ID。如果顾客离开了某个相机的视野，则由该设备内与该相机的视野相邻的相机继续对该顾客进行检测和跟踪。如果根据跟踪信息，确定顾客已经离开了该实体店的购物区域，则结束对顾客的跟踪并在该顾客ID下保存相应信息。

在检测和跟踪的整个过程中，将顾客的影像和顾客ID输出至用于识别顾客购物倾向的方法，并对该顾客进行相应的推荐。根据购物倾向识别方法的需要，可能需要从检测和跟踪过程中输入一幅或多幅影像，并且这些影像可能在跟踪的不同时刻输入。

当顾客离开购物区域时，所保留的相应信息可以包括顾客ID、顾客的影像数据，并保存顾客实际的购买记录。其中，顾客的购买记录可以包括但不限于所购买的商品类型、商品的品牌、规格、数量以及价格等。

图3示出了根据本申请的发明构思的用于识别顾客购物倾向的方法的示意图。该图仅为示例，并不意图限制本申请所请求保护的范围。

在识别顾客购物倾向的方法中包含两个子过程，一个子过程是离线进行的，其用于构建一个购物倾向模型数据库；另一个子过程是在线进行的，其中，在接收顾客的影像之后，根据该顾客的外表视觉特征自动地从该购物倾向模型数据库中查找一个最匹配的购物倾向模型，并将其作为该顾客的购物倾向模型。

如图3所示，在该购物倾向模型数据库中包含若干购物倾向模型，这些模型在离线的情况下由购物行为数据库通过算法的统计分析而得到。其中，每个购物倾向模型描述了一类具有代表性的顾客平均购物倾向，每个购物倾向模型由若干特征向量组成，包括但不限于时尚类别商品特征向量、顾客影像特征向量、非时尚类别商品特征向量等。其中，从顾客影像特征向量进行分析，可以得到关于顾客的年龄、性别、种族等个人信息，以及统计顾客在实体店内的购物行为等；此外，通过分析顾客影像特征向量，还可通过对顾客图像进行分割，基于对不同衣着部分(例如上衣、裤子等)的分析，提取衣物的特征并判断顾客对时尚类别商品的特征偏好。非时尚类别商品特征向量可能包括多个分向量，每个分向量分别与不同类别的非时尚商品相对应。

对于某位目标顾客，当接收顾客的影像后，可以从中提取顾客的特征。根据这些特征，可以在购物倾向数据库中，根据如时尚类别商品特征向量、顾客影像特征向量等特征，查找到一个最为匹配的购物倾向模型以作为该顾客的购物倾向模型。

图4示出了根据本申请的发明构思的用于通过在线购物数据库来建立购物倾向模型的方法的示意图。该图仅为示例，并不意图限制本申请所请求保护的范围。

如图4所示，构建购物倾向模型数据库的一种可能的方式是通过在线购物数据库来构建购物倾向模型。在线购物数据库中可以包括大量顾客的在线购物记录，其中包括但不限于：顾客ID、顾客购买的商品、顾客的浏览记录等。顾客购买的商品可以包括时尚类别商品，也可以包括非时尚类别商品等。

以时尚类别商品为例，通过针对顾客对于时尚类别商品的喜好特征向量进行统计学习，可以将购买相似的时尚类别商品的顾客分成不同类别的群。对于每个顾客群，可以统计不同类别商品的购买数据，并分别建立不同类别商品的特征向量。针对每个顾客群可以构建的购物倾向模型包括：时尚类别商品特征向量、非时尚类别商品特征向量。

具体而言，可以首先通过对顾客的在线购物记录进行统计学习，然后根据顾客对时尚类别商品的购买记录矩阵(矩阵第i行第j列的元素代表顾客i对商品j的购买记录)，利用矩阵分解来确定每个顾客的特征向量；随后根据顾客的特征向量进行聚类以将顾客分类成不同的顾客群，其中顾客之间的相似性可以通过顾客的特征向量之间的内积来确定。

在建立不同的顾客群之后，根据不同的顾客群对某特定类别的商品的购买记录矩阵，确定每个顾客群对该类别商品的特征向量。以时尚类别商品为例，可以确定该时尚类别商品的特征向量。

图5示出了根据本申请的发明构思的一种基于深度学习的购物倾向模型提取方法的流程图。该图仅为示例，并不意图限制本申请所请求保护的范围。

如图5所示，首先，从在线购物数据库中提取“顾客-商品”关联向量，其中，该向量是长度等于商品类别数量的二值向量；对于某位顾客，如果该顾客购买了属于某种商品类别的商品，则该商品类别所对应的向量位为1，否则为0。从在线购物数据库中也可以获取时尚类别商品的商品图像。针对时尚类别商品，利用大量的顾客-商品关联向量和时尚类别商品图像，可以训练一个关于时尚类别商品的深度神经元网络推荐模型。该推荐模型可以对某位顾客是否会购买一件时尚类别商品进行预测。具体地，输入该顾客的“顾客-商品”关联向量和该时尚类别商品的图像，该推荐模型输出一个处于0和1之间的小数，该小数即为该顾客购买该时尚类别商品的概率。该神经网络的隐含层可以表示一个顾客的购物倾向属性，作为该顾客的购物倾向特征向量进行输出。

根据在线购物数据库中大量顾客的购物倾向特征向量，可以对顾客进行聚类处理以得到顾客群。其中，对于每个顾客群，均具有类似的时尚类别商品购物倾向。将每个顾客群作为一个虚拟的代表性顾客来考虑，这个代表性顾客的购物记录可以从在线购物数据库中获得。从该在线购物数据库中针对每个顾客群的每个代表性顾客，可以构建“顾客-商品”关联矩阵，对该关联矩阵进行分解，可以获得每个代表性顾客在不同类别的商品上的购物倾向特征向量。

图6示出了根据本申请的发明构思的一种时尚类别商品的深度神经元网络推荐模型的示意图。该图仅为示例，并不意图限制本申请所请求保护的范围。

如图6所示，该推荐模型的输入包括两路，其中，第一路输入是某位顾客的“顾客-商品”关联向量，该向量首先通过一个降维投影，从原始数据映射到一个顾客特征向量；该降维投影可以由一个矩阵实现，也可以由一个多层神经元网络实现；例如，如果降维之前的顾客-商品关联向量为N维，且降维之后的特征向量位M维，则可以通过MatrixFactorization Techniques for Recommender Systems(Y.Koren等，August 2009，IEEEComputer)中的方法，或者采用多层神经元网络，通过多层感知机(Multiple LayerPerceptron,MLP)技术实现降维。第二路输入时某个时尚类别商品的一幅图像，该图像首先通过一个深度卷积神经元网络进行视觉特征提取并得到商品特征向量。将第一路输入得到的顾客特征向量和第二路输入得到的商品特征向量串联，并得到一个特征向量，将该得到的特征向量输入一个编码神经元网络中，该编码神经元网络中的神经元个数逐层减少，最后输入一个0和1之间的数值，该数值代表该顾客购买该时尚类别商品的概率。

可以通过在线购物数据库生成针对上述模型的大量训练时间，并采用反向传播算法对该模型进行训练。

图7示出了根据本申请的发明构思的一种分别为每个顾客群建立每个类别商品的特征向量的方法的示意图。该图仅为示例，并不意图限制本申请所请求保护的范围。

如图所示，可以从在线购买数据库中查找属于该顾客群的每个顾客购买的商品。将整个顾客群考虑为一个代表性顾客，则可以获得该代表性顾客购买了哪些商品。对于这些商品，按照商品类别分别建立购物倾向特征向量。例如，对于非时尚类别商品的某个商品类别的商品，考虑“顾客-商品”关联向量，可以建立不同的代表性顾客与不同的商品类别的购买矩阵。通过使用协同滤波方法，对该购买矩阵进行分解，从而可以得到不同类别商品的购物倾向特征向量。这些特征向量构成了该代表性顾客(即该顾客群)的购物倾向模型。

图8示出了根据本申请的发明构思的一种通过实体店购物数据库来建立购物倾向模型的方法的示意图。该图仅为示例，并不意图限制本申请所请求保护的范围。

以上描述了如何通过在线购物数据库来构建购物倾向模型。在图8中，示出了如何通过实体店购物数据库来建立购物倾向模型。这里，实体店购物数据库包括顾客的顾客ID、顾客的影像以及顾客的购物记录等。

通过对顾客的影像分析，可以获得的信息包括但不限于：顾客的外表信息、顾客的购物行为信息等。其中，顾客的外表信息可以包括：顾客的年龄、性别、发型、服饰特征、首饰特征、装饰的品牌特征等；顾客的购物行为特征可以包括：顾客在实体店内的轨迹、顾客在店内的不同区域(包括但不限于购物区域)的驻留时间等。

根据在图3构建的购物倾向模型中从顾客影像提取的特征，可以将顾客分成不同的顾客群。针对每个顾客群，可以统计不同商品类别的购买数据，并分别建立不同类别商品的特征向量。针对每个顾客群，可以构建的购物倾向模型包括：时尚类别商品的特征向量、顾客影像的特征向量、非时尚类别商品的特征向量等。

对于一位目标顾客，在获取该顾客的影像之后，可以提取该顾客的影像特征。根据这些影像特征，可以在该购物倾向模型数据库中，根据如时尚类别商品的特征向量、顾客影像的特征向量等特征，查找到最匹配的购物倾向模型以作为该顾客的购物倾向模型。查找与顾客最匹配的购物倾向模型的一种实现方法是，计算该顾客的影像特征向量与所有购物倾向模型中的视觉相关特征向量的内积，比较所得到的所有内积，并将与最大内积相对应的购物倾向模型，作为与该顾客相匹配的购物倾向模型。

图9示出了根据本申请的发明构思的一种基于神经元网络的顾客影像的分析方法的示意图。该图仅为示例，并不意图限制本申请所请求保护的范围。

如图9所示，在该分析方法中，使用基于深度学习的方法，将顾客图像的每个像素进行分类，这些分类包括但不限于：背景、帽子、头发、脸、太阳镜、围巾、上衣、套裙、外套、手套、裤子、连体衣、短裙、左臂、右臂、左腿、右腿、左脚、右脚、袜子、包、首饰、手表等。

根据像素的分类结果，可以从顾客图像中提取与不同时尚类别商品对应的图像窗口，并通过去除被分类为背景的像素，去除背景物体的颜色和纹理等所带来的噪声。

图10示出了根据本申请的发明构思的一种基于神经元网络的匹配顾客影像和商品影像的方法的示意图。该图仅为示例，并不意图限制本申请所请求保护的范围。

在获取目标顾客的影像之后，提取顾客身上穿着的服饰图像，针对这些图像，在和每个购物倾向模型管理的时尚类别商品影像中，查找风格最为匹配的影像。

这里需要考虑的一个问题是，在衣物风格相同的情况下，在穿着状态下的衣物以及处于在线购物网站的展示状态下的衣物，二者的图像特征存在明显区别。这里，本申请采用了一种基于神经元网络的方法来评价一组顾客影像和时尚类别商品影像之间的风格匹配程度。

如图10所示，该方法采用了一种多任务孪生卷积网络结构，两个卷积网络的分支分别与顾客图像和时尚类别商品图像对应，并共享神经元网络参数；在输出层，两个卷积网络的分支分别输出图像中时尚类别商品的类别(如衣服、裤子、包、太阳镜等)，同时，两个卷积网络的分支分别输出嵌入向量，并可以通过计算内积来比较所输入的两幅图像的风格的相似性。

图11示出了根据本申请的发明构思的一种根据识别的顾客购物倾向进行商品或服务推荐的方法的流程图。该图仅为示例，并不意图限制本申请所请求保护的范围。

如图11所示，针对***检测到的顾客进行推荐时，首先决定要推荐的商品类别。待推荐的商品类别可以由该顾客通过交互界面指定，也可以由***通过计算来自动确定，例如，所基于的原则可以包括顾客所处的购物区域、商场的销售策略等。

当决定待推荐的商品类别后，从商品数据库中可以检索到该类别的商品信息，其中包括其存储的用于抽象描述该商品的属性的特征向量；根据“协同滤波”算法，通过矩阵分解的方法可以获取商品的特征向量，其具体计算方法可以参考“Matrix FactorizationTechniques for Recommender Systems”。针对目标顾客，通过识别相应的购物倾向模型，找到模型中对应商品类别的购物倾向特征向量，通过计算购物倾向特征向量和商品的特征向量的内积，从而得到顾客和商品的匹配分数。选择商品中匹配分数最高的若干件商品向顾客推荐。

当针对某位顾客确定了要推荐的商品或服务信息后，可以通过以下几种方式将其向顾客进行发送或显示。

图12示出了根据本申请的发明构思的一种向实体店的顾客的增强现实设备进行商品推荐的方法的示意图。该图仅为示例，并不意图限制本申请所请求保护的范围。

如图12所示，在该推荐***中，实体店的相机检测到顾客，并向顾客通过无线信号发送推送邀请。当顾客所佩戴的增强现实设备(如头盔、眼镜、手机等)检测到邀请后，由增强现实管理应用决定是否接受邀请。如果接受邀请，***根据顾客的影像进行购物倾向模型预测，并进行商品推荐。在跟踪的过程中，可以根据顾客的状态来更新推荐内容。例如，当顾客处于实体店的水果区时，推荐水果类商品；当顾客处于实体店的文件区时，推荐文件类商品。

图13示出了根据本申请的发明构思的一种向实体店的顾客附近的显示器显示商品推荐的方法的示意图。该图仅为示例，并不意图限制本申请所请求保护的范围。

如图13所示，在***中，实体店内的相机安装于货架附近，当检测到顾客时，***根据顾客的影像进行购物倾向模型预测，并进行商品推荐，被推荐的商品信息显示在顾客附近的显示器上。在跟踪的过程中，可以根据顾客的状态来更新推荐内容。例如，当显示器前的顾客发生变化时，根据新顾客的购物倾向模型进行推荐。

图14示出了根据本申请的发明构思的一种向实体店内的销售助理的增强现实显示设备显示顾客信息和商品推荐的方法的示意图。该图仅为示例，并不意图限制本申请所请求保护的范围。

如图14所示，在***中，实体店内的销售助理佩戴有增强现实设备，当增强现实设备上的相机检测到顾客时，***根据顾客的影像进行购物倾向模型预测，并针对所预测的购物倾向模型进行商品推荐，被推荐的商品信息显示在销售助理的增强现实显示设备上。在跟踪的过程中，可以根据顾客的状态来更新推荐内容。例如，当销售助理前的顾客发生变化时，根据新顾客的购物倾向模型进行推荐。

***中的销售助理也可以是一个机器人代理，其具有显示图像和对话等功能，根据接收到的推荐信息，该机器人代理向实体店内的顾客提供导购服务。

图15示出了根据本申请的发明构思的一种在浏览器显示的人脸图像上显示顾客信息和商品推荐的方法的示意图。该图仅为示例，并不意图限制本申请所请求保护的范围。

如图15所示，当用户在用户设备上显示人物图像时，对于一个在图像中选择的人物，可以对其进行购物倾向模型预测并显示其购物倾向，以针对性地进行商品推荐，并在图像上显示被推荐的商品信息。

从以上针对多个实施例的描述中可见，本申请首先基于大量的顾客购物时间构建一组购物倾向模型。对于某位目标顾客，本申请通过相机拍摄该顾客的影像信息，并利用深度学习方法来分析该顾客的视觉特征，从而找到一个最匹配的顾客倾向模型，以此为依据对该顾客进行商品或服务推荐。

进一步地，本申请提出了在若干不同的增强现实购物场景下使用该技术的实现方案，包括：顾客在实体店使用增强现实设备购物、为实体店的购物助理提供辅助信息、以及在浏览器上对图像中顾客的购物倾向信息进行增强现实。

与现有技术不同的是，在本申请的技术中，当进行推荐时，可以不需要顾客的任何历史购物数据，也无需顾客进行任何输入或选择任何商品。本申请可以推荐的商品，包括但不限于时尚类别商品等具有图像视觉特征的商品，也可以是不具有视觉区分特征的商品或服务。

本技术领域技术人员可以理解，本发明包括涉及用于执行本申请中所述操作中的一项或多项的设备。这些设备可以为所需的目的而专门设计和制造，或者也可以包括通用计算机中的已知设备。这些设备具有存储在其内的计算机程序，这些计算机程序选择性地激活或重构。这样的计算机程序可以被存储在设备(例如，计算机)可读介质中或者存储在适于存储电子指令并分别耦联到总线的任何类型的介质中，所述计算机可读介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory，只读存储器)、RAM(Random Access Memory，随即存储器)、EPROM(Erasable ProgrammableRead-Only Memory，可擦写可编程只读存储器)、EEPROM(Electrically ErasableProgrammable Read-Only Memory，电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是，可读介质包括由设备(例如，计算机)以能够读的形式存储或传输信息的任何介质。

本技术领域技术人员可以理解，可以用计算机程序指令来实现这些结构图和/或框图和/或流图中的每个框以及这些结构图和/或框图和/或流图中的框的组合。本技术领域技术人员可以理解，可以将这些计算机程序指令提供给通用计算机、专业计算机或其他可编程数据处理方法的处理器来实现，从而通过计算机或其他可编程数据处理方法的处理器来执行本发明公开的结构图和/或框图和/或流图的框或多个框中指定的方案。

本技术领域技术人员可以理解，本发明中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本发明中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本发明中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。

以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (16)

1.一种个性化推荐商品或服务的方法，包括：

获取顾客的影像；

根据所获取的影像，确定为所述顾客推荐的商品或服务；以及

提供所推荐的商品或服务相关的信息。

2.如权利要求1所述的方法，其中，根据所获取的影像，确定为所述顾客推荐的商品或服务，包括：

根据所获取的影像识别所述顾客的购物倾向；

根据所识别的购物倾向对所述顾客进行商品或服务推荐。

3.如权利要求1所述的方法，其中，获取顾客的影像包括：

通过一个或多个相机来获取顾客的至少一幅影像，并且所述一个或多个相机的视野覆盖实体商店的部分或全部购物区域。

4.如权利要求1所述的方法，其中，获取顾客的影像包括：

从用户设备上显示的图像中获取顾客的至少一幅影像。

5.如权利要求1所述的方法，其中，根据所获取的影像，确定为所述顾客推荐的商品或服务包括：

从所述顾客的影像信息提取顾客的影像特征；

根据所述影像特征，确定为所述顾客推荐的商品或服务。

6.如权利要求5所述的方法，其中：

在在线情况下，根据所述顾客的影像信息从购物倾向数据库中查找最匹配的购物倾向模型，并将其作为所述顾客的购物倾向模型，根据所述顾客的购物倾向模型确定为所述顾客推荐的商品或服务。

7.如权利要求6所述的方法，其中：

所述购物倾向模型数据库中包含多个购物倾向模型，每个购物倾向模型中包括时尚类别商品特征向量、顾客影像特征向量、非时尚类别商品特征向量；

根据所述顾客的影像信息从购物倾向数据库中查找最匹配的购物倾向模型，包括：

从所述顾客的影像信息提取顾客的影像特征；并且

基于所述影像特征，根据时尚类别商品特征向量、顾客影像特征向量、非时尚类别商品特征向量，查找匹配度最高的购物倾向模型并将其作为所述顾客的购物倾向模型。

8.如权利要求6所述的方法，其中，所述购物倾向模型数据库通过如下方式被构建：

通过在线购物数据库构建购物倾向模型，从而构建所述购物倾向模型数据库。

9.如权利要求8所述的方法，其中，通过在线购物数据库构建购物倾向模型包括：

通过顾客的在线购物记录进行统计学习；

对顾客购买商品的购买记录矩阵进行分解，确定顾客的特征向量；

根据顾客的特征向量进行聚类，将顾客分成不同的顾客群；以及

针对每个顾客群，根据不同商品类别的购买数据，确定不同商品类别的特征向量。

10.如权利要求6所述的方法，其中，所述购物倾向模型数据库通过如下方式被构建：

通过实体商店购物数据库构建购物倾向模型，从而构建所述购物倾向模型数据库。

11.如权利要求10所述的方法，其中，通过实体商店购物数据库构建购物倾向模型包括：

从所述实体商店购物数据库提取包括如下的信息：顾客ID、顾客影像以及顾客的购物记录；

通过对所述顾客影像进行分析，获取所述顾客的外表信息、顾客的购物行为信息；并且

通过对所述顾客影像所获取的信息，将顾客分类成不同的顾客群；

其中，对于每个顾客群，根据不同商品类别的购买数据，建立不同商品类别的特征向量。

12.如权利要求6所述的方法，其中，根据所述顾客的购物倾向模型确定为所述顾客推荐的商品或服务包括：

针对所述购物倾向模型中的特定商品类别的商品，基于神经元网络，将所述顾客影像与商品影像进行匹配；并且

将所述特定商品类别中匹配度最高的若干件商品，向顾客进行推荐。

13.如权利要求1-12任一项所述的方法，其中，提供所推荐的商品或服务相关的信息，包括以下至少之一：

通过无线信号，向顾客发送推送邀请，如果所述顾客佩戴有增强现实设备，则从所述增强现实设备接收确定是否接受邀请的信息；如果接收到确定所述顾客接受邀请的信息，则向所述顾客进行商品推荐；

将所推荐的商品或服务相关的信息，发送到所述顾客附近的显示器上进行显示；

将所推荐的商品或服务相关的信息发送到工作人员或者所述顾客的设备。

14.如权利要求1至13任一项所述的方法，其中，根据所获取的影像，确定为所述顾客推荐的商品或服务，包括：

根据所述顾客所处的购物区域和所获取的影像，确定为所述顾客推荐的商品或服务。

15.一种个性化推荐商品或服务的***，包括：

影像获取单元，用于获取顾客的影像；

确定单元，用于根据所获取的影像，确定为所述顾客推荐的商品或服务；

以及

网络单元，用于提供所推荐的商品或服务相关的信息。

16.一种个性化推荐商品或服务的设备，包括：

处理器；以及

存储器，其中存储可由所述处理器执行的指令，当所述指令由所述处理器执行时，使所述处理器执行如下方法步骤：

获取顾客的影像；

根据所获取的影像，确定为所述顾客推荐的商品或服务；以及

提供所推荐的商品或服务相关的信息。