CN110060121A - 基于特征排序的商品推荐方法、装置和存储介质 - Google Patents
基于特征排序的商品推荐方法、装置和存储介质 Download PDFInfo
- Publication number
- CN110060121A CN110060121A CN201910191547.7A CN201910191547A CN110060121A CN 110060121 A CN110060121 A CN 110060121A CN 201910191547 A CN201910191547 A CN 201910191547A CN 110060121 A CN110060121 A CN 110060121A
- Authority
- CN
- China
- Prior art keywords
- commodity
- list
- similar
- commercial product
- product recommending
- 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
- 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]
- G06Q30/0603—Catalogue ordering
-
- 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]
- G06Q30/0631—Item recommendations
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于特征排序的商品推荐方法、装置和存储介质。获取基准商品所对应的基准图像哈希码后,从特征编码数据库中获取其他商品所对应的图像哈希码,计算基准图像哈希码和图像希码之间的汉明距离,根据汉明距离的从小到大获取对应的相似商品组成相似商品组,并将相似商品按顺序依次添加至商品推荐列表中,同时将商品评分列表和相似商品进行等距离分布于商品推荐列表中,实现了商品评分结合商品外观的商品推荐,大大提升了用户体验,有利于提高用户的购买率。
Description
技术领域
本发明涉及数据处理领域,特别是一种基于特征排序的商品推荐方法、装置和存储介质。
背景技术
目前,随着电子商务的发展,越来越多的消费者选择线上购物平台进行购物。为了提高消费者的购买率,各电商平台通常在一些页面中显示消费者感兴趣的推荐商品,因此商品推荐的方法越能贴近消费者的兴趣,对促进购物越有效。现有的方案中,主要根据协同过滤推荐算法进行商品推荐,这种方法虽然能够根据商品的相似性和预测评分生成推荐商品评分列表,但是协同过滤算法主要依靠对商品属性的文字描述,对于以外观为主的商品,文字描述的商品属性并不能直观地体现出消费者的兴趣,因此对于外观为主的商品而言,协同过滤推荐算法很难进行有价值的商品推荐。
发明内容
为了克服现有技术的不足,本发明的目的在于提供一种基于特征排序的商品推荐方法、装置和存储介质,在实际使用中结合商品外观生成商品推荐列表,提高所推荐的商品的参考价值。
本发明解决其问题所采用的技术方案是:第一方面,本发明提供了一种基于特征排序的商品推荐方法,包括以下步骤:
客户端读取基准商品,从特征编码数据库中获取所述基准商品的基准图像哈希码;
所述客户端从所述特征编码数据库中获取所述基准图像哈希码与所有的图像哈希码之间的汉明距离,根据所述汉明距离从小到大依次获取图像哈希码所对应的相似商品,生成相似商品组;
所述客户端将所述相似商品组添加到商品推荐列表中。
进一步,所述图像哈希码通过迭代量化卷积神经网络所提取的图像特征所得,所述卷积神经网络的卷积层和全连接层之间设置有空间金字塔池化层。
进一步,所述相似商品组中的相似商品根据其图像哈希码与所述基准图像哈希码之间的汉明距离从小到大排序。
进一步,还包括:所述客户端获取用户已购清单,将包括在用户已购清单中的相似商品从相似商品组中删除。
进一步,所述将所述相似商品组添加到商品推荐列表中具体包括以下步骤:
所述客户端获取商品评分列表,并将所述商品评分列表中的商品按照评分从高到低依次添加至所述商品推荐列表中,所述商品评分列表为根据协同过滤推荐算法获取的列表;
所述客户端依次检测所述相似商品组中的相似商品是否包括在所述商品推荐列表中,若包括,则对下一个相似商品进行检测,否则将所述相似商品添加至商品推荐列表中。
进一步,所述相似商品在所述商品推荐列表中等间隔添加。
第二方面,本发明提供了基于特征排序的商品推荐装置,包括以下装置:
基准图像哈希码获取单元,用于客户端读取基准商品,从特征编码数据库中获取所述基准商品的基准图像哈希码;
相似商品组生成单元,用于所述客户端从所述特征编码数据库中获取所述基准图像哈希码与所有的图像哈希码之间的汉明距离,根据所述汉明距离从小到大依次获取图像哈希码所对应的相似商品,生成相似商品组;
商品推荐列表生成单元,用于所述客户端将所述相似商品组添加到商品推荐列表中。
进一步,还包括以下装置:
已购商品识别单元,用于所述客户端获取用户已购清单,将包括在用户已购清单中的相似商品从相似商品组中删除;
商品评分列表获取单元,用于所述客户端获取商品评分列表,并将所述商品评分列表中的商品按照评分从高到低依次添加至所述商品推荐列表中,所述商品评分列表为根据协同过滤推荐算法获取的列表;
相似商品添加单元,用于所述客户端依次检测所述相似商品组中的相似商品是否包括在所述商品推荐列表中,若包括,则对下一个相似商品进行检测,否则将所述相似商品添加至商品推荐列表中。
第三方面,本发明提供了基于特征排序的商品推荐设备,包括至少一个控制处理器和用于与至少一个控制处理器通信连接的存储器;存储器存储有可被至少一个控制处理器执行的指令,指令被至少一个控制处理器执行,以使至少一个控制处理器能够执行如上所述的基于特征排序的商品推荐方法。
第四方面,本发明提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,计算机可执行指令用于使计算机执行如上所述的基于特征排序的商品推荐方法。
第五方面,本发明还提供了一种计算机程序产品,所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使计算机执行如上所述的基于特征排序的商品推荐方法。
本发明实施例中提供的一个或多个技术方案,至少具有如下有益效果:本发明采用了一种基于特征排序的商品推荐方法、装置和存储介质。获取基准商品所对应的基准图像哈希码后,从特征编码数据库中获取其他商品所对应的图像哈希码,计算基准图像哈希码和图像希码之间的汉明距离,根据汉明距离的从小到大获取对应的相似商品组成相似商品组,并将相似商品按顺序依次添加至商品推荐列表中,对比起现有技术而言,本发明通过汉明距离对商品图像的外观的相似度进行特征排序,实现了在商品推荐列表中添加外观相似的商品。同时,本申请还将商品评分列表和相似商品进行等距离分布于商品推荐列表中,大大提升了用户体验,有利于提高用户的购买率。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明实施例一提供的基于特征排序的商品推荐方法的流程图;
图2是本发明实施例一提供的基于特征排序的商品推荐方法中将所述相似商品组添加到商品推荐列表中的流程图;
图3是本发明实施例一提供的基于特征排序的商品推荐方法中所使用的神经网络的结构图;
图4是本发明实施例一提供的基于特征排序的商品推荐方法的完整步骤图;
图5是本发明实施例二提供的基于特征排序的商品推荐装置的装置示意图;
图6是本发明实施例三提供的基于特征排序的商品推荐设备的结构示意图。
具体实施方式
目前,随着电子商务的发展,越来越多的消费者选择线上购物平台进行购物。为了提高消费者的购买率,各电商平台通常在一些页面中显示消费者感兴趣的推荐商品,因此商品推荐的方法越能贴近消费者的兴趣,对促进购物越有效。现有的方案中,主要根据协同过滤推荐算法进行商品推荐,这种方法虽然能够根据商品的相似性和预测评分生成推荐商品评分列表,但是协同过滤算法主要依靠对商品属性的文字描述,对于以外观为主的商品,文字描述的商品属性并不能直观地体现出消费者的兴趣,因此对于外观为主的商品而言,协同过滤推荐算法很难进行有价值的商品推荐。
基于此,本发明采用了基于特征排序的商品推荐方法、装置和存储介质。获取基准商品所对应的基准图像哈希码后,从特征编码数据库中获取其他商品所对应的图像哈希码,计算基准图像哈希码和图像希码之间的汉明距离,根据汉明距离的从小到大获取对应的相似商品组成相似商品组,并将相似商品按顺序依次添加至商品推荐列表中,对比起现有技术而言,本发明通过汉明距离对商品图像的外观的相似度进行特征排序,实现了在商品推荐列表中添加外观相似的商品。同时,本申请还将商品评分列表和相似商品进行等距离分布于商品推荐列表中,大大提升了用户体验,有利于提高用户的购买率。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
需要说明的是,如果不冲突,本发明实施例中的各个特征可以相互结合,均在本发明的保护范围之内。另外,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。
参照图1,本发明提供了基于特征排序的商品推荐方法,包括以下步骤:
步骤S100,客户端读取基准商品,从特征编码数据库中获取所述基准商品的基准图像哈希码;
步骤S200,所述客户端从所述特征编码数据库中获取所述基准图像哈希码与所有的图像哈希码之间的汉明距离,根据所述汉明距离从小到大依次获取图像哈希码所对应的相似商品,生成相似商品组;
步骤S300,所述客户端将所述相似商品组添加到商品推荐列表中。
其中,在本实施例中,所述基准商品为用于生成推荐列表的商品,可以是用户已购列表中的任意商品,也可以是用户正在浏览页面中的商品。本实施例中优选根据客户端当前所处的页面情况确定,当客户端的当前页面为商品页面时,将商品页面中的商品作为基准商品,当用户端的当前页面为非商品页面时,将用户已购列表中的商品按照购买时间顺序设置为基准商品。
其中,在本实施例中,所述特征编码数据库可以是在添加每个商品时更新,也可以是定期更新,本实施例中优选定期更新,由于电商平台中商品的添加和删除频率较快,频繁操作会增加服务器负担,因此定期更新能够更合理地利用服务器资源,例如每天更新一次。
其中,在本实施例中,可以采用任意类型的特征编码表达商品外观之间的相似度,本实施例中优选采用哈希码,通过卷积神经网络算法提取出的特征能够更好地表达商品的外观特征,而对外观特征进行迭代量化转换成哈希码后,不同的哈希码之间的汉明距离越近,意味着相似的特征越多,也就意味着两件商品的外观相似度越高。
其中,在本实施例中,相似商品获取的数量可以是任意数量,也可以是在客户端中预先设定的数量,本实施例中优选在客户端中预先设定所获取的相似商品的数量,即预先设定相似商品组中商品的数量。由于电商平台中的商品较多,不对相似商品组中的商品数量进行限定,会导致计算的负担较大,对于汉明距离过大的商品相似性也较差,并不具有较好的参考度,因此本实施例在客户端中预先设定好相似商品组中的商品数量,在获取足够的商品时停止计算,更有利于节约服务器的资源。
参考图3,进一步,在本发明的另一个实施例中,所述图像哈希码通过迭代量化卷积神经网络所提取的图像特征所得,所述卷积神经网络的卷积层和全连接层之间设置有空间金字塔池化层。
其中,在本实施例中,用于编码的图像特征可以由任意类型的特征提取网络提取,本实施例中优选卷积神经网络,由于卷积神经网络具有层次深,维度高的特点,所提取的特征通常能够较为精准地描述图形的特征。例如,本实施例中优选采用如图2所示的卷积神经网络,包括9层卷积层、2层全连接层和1层softmax层,其中卷积层的卷积核大小为3×3,步长为1,全连接层的卷积核为2×2,步长为2。
其中,在本实施例中,可以仅使用卷积神经网路进行图像特征提取,也可以在卷积层和最大池化层之间添加空间金字塔池化层。由于不同商品的图像大小不同,而全连接层通常需要输入固定大小的图形,空间金字塔池化层能够在获取不同大小的输入图像后,输出固定大小的图像,有利于确保成功提取特征。本实施例中优选空间金字塔池化层中3层的维度参数分别为8×8、4×4和2×2,在输入图像的存为M×N×3的情况下,通过空间金字塔池化层之后的输出为84×512维,即输入至全连接层中的特征维度为4096维。
其中,在本实施例中,哈希码的换算可以是任意方式,本实施例中优选迭代量化。迭代量化能够不断逼近图像特征与设定比特数的哈希码之间的量化误差最小值,从而实现量化误差的最小化,得出的哈希码更为准确。
进一步,在本发明的另一个实施例中,所述相似商品组中的相似商品根据其图像哈希码与所述基准图像哈希码之间的汉明距离从小到大排序。
其中,在本实施例中,所获取的相似商品可以根据任意顺序排列,例如商品价格,商品购买量等,本实施例中优选根据图像哈希码之间的汉明距离从小到大排序,更好地体现商品外观的相关性。
进一步,在本发明的另一个实施例中,还包括,所述客户端获取用户已购清单,将包括在用户已购清单中的相似商品从相似商品组中删除。
其中,在本实施例中,可以对任意商品进行推荐,本实施例中优选对用户未购买的商品进行推荐,有利于提高用户体验。优选地,本实施例中根据逐一将相似商品与用户已购清单中的商品进行比对,从而判断是否未购买的商品,避免全部商品同时进行比对,造成服务器负担较大。
进一步,在本发明的另一个实施例中,所述将所述相似商品组添加到商品推荐列表中具体包括以下步骤:
步骤S310,所述客户端获取商品评分列表,并将所述商品评分列表中的商品按照评分从高到低依次添加至所述商品推荐列表中,所述商品评分列表为根据协同过滤推荐算法获取的列表;
步骤S320,所述客户端依次检测所述相似商品组中的相似商品是否包括在所述商品推荐列表中,若包括,则对下一个相似商品进行检测,否则将所述相似商品添加至商品推荐列表中。
其中,在本实施例中,可以仅使用相似商品组中的商品作为商品推荐列表中的商品,也可以结合其他形式的推荐列表。本实施例中优选根据协同过滤推荐算法获取商品评分列表,优选地,用于生成商品评分列表的商品为已购清单和已评分清单中的商品,根据用户购买习惯和评分习惯获取出商品的预测评分,从而获取商品评分列表。
其中,在本实施例中,由于先将商品评分列表中的商品添加到商品推荐列表中,因此为了避免重复商品,本实施例中优选对相似商品进行判断是否已包括在商品推荐列表中,若相似商品已在商品推荐列表中,不再重复添加,对下一个顺序的相似商品继续进行判断。
进一步,在本发明的另一个实施例中,所述相似商品在所述商品推荐列表中等间隔添加。
其中,在本实施例中,可以通过任意形式添加相似商品,本实施例中优选等间隔添加,即在商品推荐列表已有的商品顺序中等距离***,例如已有商品1,、商品2和商品3,分别要添加相似商品1、相似商品2和相似商品3,添加后按顺序排列为商品1、相似商品1、商品2、相似商品2、商品3、相似商品3。能够提供更好的用户体验。
参考图4,另外,本发明的另一个实施例还提供了基于特征排序的商品推荐方法,包括以下步骤:
步骤S4100、客户端读取基准商品,从特征编码数据库中获取所述基准商品的基准图像哈希码;
步骤S4210、所述客户端从所述特征编码数据库中获取所述基准图像哈希码与所有的图像哈希码之间的汉明距离,根据所述汉明距离从小到大依次获取图像哈希码所对应的相似商品,生成相似商品组;
步骤S4220、所述客户端获取用户已购清单,将包括在用户已购清单中的相似商品从相似商品组中删除;
步骤S4310、所述客户端根据协同过滤推荐算法获取商品评分列表;
步骤S4320、将所述商品评分列表中的商品按照评分从高到低依次添加至所述商品推荐列表中;
步骤S4400、逐一检测相似商品是否已包括在所述商品推荐列表中,若是,执行步骤S4520,否则执行步骤S4510;
步骤S4510、将所述相似商品等间隔添加至商品推荐列表中;
步骤S4520、不将相似商品添加至商品推荐列表中。
参照图5,本发明的第二实施例还提供了基于特征排序的商品推荐装置,在该基于特征排序的商品推荐装置5000中,包括但不限于:基准图像哈希码获取单元5100、相似商品组生成单元5200、商品推荐列表生成单元5300。
其中,基准图像哈希码获取单元5100用于客户端读取基准商品,从特征编码数据库中获取所述基准商品的基准图像哈希码;
相似商品组生成单元5200用于所述客户端从所述特征编码数据库中获取所述基准图像哈希码与所有的图像哈希码之间的汉明距离,根据所述汉明距离从小到大依次获取图像哈希码所对应的相似商品,生成相似商品组;
商品推荐列表生成单元5300用于所述客户端将所述相似商品组添加到商品推荐列表中。
进一步,本发明的另一个实施例中,还包括但不限于:已购商品识别单元5210、商品评分列表获取单元5310和相似商品添加单元5320;
其中,已购商品识别单元5210用于所述客户端获取用户已购清单,将包括在用户已购清单中的相似商品从相似商品组中删除;
商品评分列表获取单元5310用于所述客户端获取商品评分列表,并将所述商品评分列表中的商品按照评分从高到低依次添加至所述商品推荐列表中,所述商品评分列表为根据协同过滤推荐算法获取的列表;
相似商品添加单元5320用于所述客户端依次检测所述相似商品组中的相似商品是否包括在所述商品推荐列表中,若包括,则对下一个相似商品进行检测,否则将所述相似商品添加至商品推荐列表中。
需要说明的是,由于本实施例中的基于特征排序的商品推荐装置与上述的基于特征排序的商品推荐方法基于相同的发明构思,因此,方法实施例中的相应内容同样适用于本装置实施例,此处不再详述。
参照图6,本发明实施例还提供了基于特征排序的商品推荐设备,该基于特征排序的商品推荐设备6000可以是任意类型的智能终端,例如手机、平板电脑、个人计算机等。
具体地,该基于特征排序的商品推荐设备6000包括:一个或多个控制处理器6001和存储器6002,图6中以一个控制处理器6001为例。
控制处理器6001和存储器6002可以通过总线或者其他方式连接,图6中以通过总线连接为例。
存储器6002作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块,如本发明实施例中的基于特征排序的商品推荐设备对应的程序指令/模块,例如,图5中所示的基准图像哈希码获取单元5100和相似商品组生成单元5200。控制处理器6001通过运行存储在存储器6002中的非暂态软件程序、指令以及模块,从而执行基于特征排序的商品推荐装置5000的各种功能应用以及数据处理,即实现上述方法实施例的基于特征排序的商品推荐方法。
存储器6002可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据基于特征排序的商品推荐装置5000的使用所创建的数据等。此外,存储器6002可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器6002可选包括相对于控制处理器6001远程设置的存储器,这些远程存储器可以通过网络连接至该基于特征排序的商品推荐设备6000。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器6002中,当被所述一个或者多个控制处理器6001执行时,执行上述方法实施例中的基于特征排序的商品推荐方法,例如,执行以上描述的图1中的方法步骤S100至S300,图2中的方法步骤S310至S320,实现图5中的装置5100-5300的功能。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个控制处理器执行,例如,被图6中的一个控制处理器6001执行,可使得上述一个或多个控制处理器6001执行上述方法实施例中的基于特征排序的商品推荐方法,例如,执行以上描述的图1中的方法步骤S100至S300,图2中的方法步骤S310至S320,实现图5中的装置5100-5300的功能。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的装置可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络装置上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述,本领域技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现。本领域技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(ReadOnly Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
以上是对本发明的较佳实施进行了具体说明,但本发明并不局限于上述实施方式,熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.基于特征排序的商品推荐方法,其特征在于,包括以下步骤:
客户端读取基准商品,从特征编码数据库中获取所述基准商品的基准图像哈希码;
所述客户端从所述特征编码数据库中获取所述基准图像哈希码与所有的图像哈希码之间的汉明距离,根据所述汉明距离从小到大依次获取图像哈希码所对应的相似商品,生成相似商品组;
所述客户端将所述相似商品组添加到商品推荐列表中。
2.根据权利要求1所述的基于特征排序的商品推荐方法,其特征在于:所述图像哈希码通过迭代量化卷积神经网络所提取的图像特征所得,所述卷积神经网络的卷积层和全连接层之间设置有空间金字塔池化层。
3.根据权利要求1所述的基于特征排序的商品推荐方法,其特征在于:所述相似商品组中的相似商品根据其图像哈希码与所述基准图像哈希码之间的汉明距离从小到大排序。
4.根据权利要求1所述的基于特征排序的商品推荐方法,其特征在于,还包括:所述客户端获取用户已购清单,将包括在用户已购清单中的相似商品从相似商品组中删除。
5.根据权利要求1所述的基于特征排序的商品推荐方法,其特征在于,所述将所述相似商品组添加到商品推荐列表中具体包括以下步骤:
所述客户端获取商品评分列表,并将所述商品评分列表中的商品按照评分从高到低依次添加至所述商品推荐列表中,所述商品评分列表为根据协同过滤推荐算法获取的列表;
所述客户端依次检测所述相似商品组中的相似商品是否包括在所述商品推荐列表中,若包括,则对下一个相似商品进行检测,否则将所述相似商品添加至商品推荐列表中。
6.根据权利要求5所述的基于特征排序的商品推荐方法,其特征在于:所述相似商品在所述商品推荐列表的已有商品中等间隔添加。
7.基于特征排序的商品推荐装置,其特征在于,包括以下装置:
基准图像哈希码获取单元,用于客户端读取基准商品,从特征编码数据库中获取所述基准商品的基准图像哈希码;
相似商品组生成单元,用于所述客户端从所述特征编码数据库中获取所述基准图像哈希码与所有的图像哈希码之间的汉明距离,根据所述汉明距离从小到大依次获取图像哈希码所对应的相似商品,生成相似商品组;
商品推荐列表生成单元,用于所述客户端将所述相似商品组添加到商品推荐列表中。
8.根据权利要求7所述的基于特征排序的商品推荐装置,其特征在于,还包括以下装置:
已购商品识别单元,用于所述客户端获取用户已购清单,将包括在用户已购清单中的相似商品从相似商品组中删除;
商品评分列表获取单元,用于所述客户端获取商品评分列表,并将所述商品评分列表中的商品按照评分从高到低依次添加至所述商品推荐列表中,所述商品评分列表为根据协同过滤推荐算法获取的列表;相似商品添加单元,用于所述客户端依次检测所述相似商品组中的相似商品是否包括在所述商品推荐列表中,若包括,则对下一个相似商品进行检测,否则将所述相似商品添加至商品推荐列表中。
9.一种基于特征排序的商品推荐设备,其特征在于:包括至少一个控制处理器和用于与所述至少一个控制处理器所通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如权利要求1-6任一项所述的基于特征排序的商品推荐方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1-6任一项所述的基于特征排序的商品推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910191547.7A CN110060121A (zh) | 2019-03-14 | 2019-03-14 | 基于特征排序的商品推荐方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910191547.7A CN110060121A (zh) | 2019-03-14 | 2019-03-14 | 基于特征排序的商品推荐方法、装置和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110060121A true CN110060121A (zh) | 2019-07-26 |
Family
ID=67317029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910191547.7A Pending CN110060121A (zh) | 2019-03-14 | 2019-03-14 | 基于特征排序的商品推荐方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110060121A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110659962A (zh) * | 2019-09-20 | 2020-01-07 | 苏州大学 | 一种商品信息输出方法及相关装置 |
CN110992141A (zh) * | 2019-11-28 | 2020-04-10 | 上海识装信息科技有限公司 | 基于识别商品图像推荐商品的方法、装置和电子设备 |
CN113377973A (zh) * | 2021-06-10 | 2021-09-10 | 电子科技大学 | 一种基于对抗哈希的物品推荐方法 |
CN113763067A (zh) * | 2020-06-19 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 一种物品信息推送方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101657588B1 (ko) * | 2015-11-13 | 2016-09-19 | (주)제이케이소프트 | 웹을 이용한 상품 이미지 기반 상품 거래 정보 제공 시스템 및 방법 |
CN106202362A (zh) * | 2016-07-07 | 2016-12-07 | Tcl集团股份有限公司 | 图像推荐方法和图像推荐装置 |
CN109146640A (zh) * | 2018-08-30 | 2019-01-04 | 湖北工业大学 | 一种线上商品搜索方法及*** |
CN109165306A (zh) * | 2018-08-09 | 2019-01-08 | 长沙理工大学 | 基于多任务哈希学习的图像检索方法 |
CN109447713A (zh) * | 2018-10-31 | 2019-03-08 | 国家电网公司 | 一种基于知识图谱的推荐方法及装置 |
-
2019
- 2019-03-14 CN CN201910191547.7A patent/CN110060121A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101657588B1 (ko) * | 2015-11-13 | 2016-09-19 | (주)제이케이소프트 | 웹을 이용한 상품 이미지 기반 상품 거래 정보 제공 시스템 및 방법 |
CN106202362A (zh) * | 2016-07-07 | 2016-12-07 | Tcl集团股份有限公司 | 图像推荐方法和图像推荐装置 |
CN109165306A (zh) * | 2018-08-09 | 2019-01-08 | 长沙理工大学 | 基于多任务哈希学习的图像检索方法 |
CN109146640A (zh) * | 2018-08-30 | 2019-01-04 | 湖北工业大学 | 一种线上商品搜索方法及*** |
CN109447713A (zh) * | 2018-10-31 | 2019-03-08 | 国家电网公司 | 一种基于知识图谱的推荐方法及装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110659962A (zh) * | 2019-09-20 | 2020-01-07 | 苏州大学 | 一种商品信息输出方法及相关装置 |
CN110659962B (zh) * | 2019-09-20 | 2022-03-15 | 苏州大学 | 一种商品信息输出方法及相关装置 |
CN110992141A (zh) * | 2019-11-28 | 2020-04-10 | 上海识装信息科技有限公司 | 基于识别商品图像推荐商品的方法、装置和电子设备 |
CN113763067A (zh) * | 2020-06-19 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 一种物品信息推送方法、装置、设备及存储介质 |
CN113377973A (zh) * | 2021-06-10 | 2021-09-10 | 电子科技大学 | 一种基于对抗哈希的物品推荐方法 |
CN113377973B (zh) * | 2021-06-10 | 2022-06-14 | 电子科技大学 | 一种基于对抗哈希的物品推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110060121A (zh) | 基于特征排序的商品推荐方法、装置和存储介质 | |
CN111523010B (zh) | 推荐方法、装置、终端设备及计算机存储介质 | |
US8718369B1 (en) | Techniques for shape-based search of content | |
CN109166017A (zh) | 基于重聚类的推送方法、装置、计算机设备及存储介质 | |
CN105354202B (zh) | 数据推送方法及装置 | |
CN109508419A (zh) | 一种基于知识学习的推荐方法和*** | |
CN103092861B (zh) | 一种商品代表图的选取方法和*** | |
CN103248705B (zh) | 服务器、客户端及视频处理方法 | |
CN105022811A (zh) | 一种菜谱生成方法及终端 | |
CN110674391B (zh) | 基于大数据的产品数据推送方法、***和计算机设备 | |
CN103377443A (zh) | 网络交易平台及其处理方法 | |
CN106708883A (zh) | 推荐方法及装置 | |
CN111695960A (zh) | 一种对象推荐***、方法、电子设备及存储介质 | |
CN106354734A (zh) | 提供业务对象信息的方法及装置 | |
CN105335368B (zh) | 一种产品聚类方法及装置 | |
CN109962975A (zh) | 基于物体识别的信息推送方法、装置、电子设备及*** | |
JP7231317B2 (ja) | 推定装置、推定方法及び推定プログラム | |
CN104809637A (zh) | 计算机实现的商品推荐方法及*** | |
CN112307352B (zh) | 内容推荐方法、***、装置和存储介质 | |
CN104615721A (zh) | 用于基于退货关联信息推荐商品的方法和*** | |
CN115423555A (zh) | 一种商品推荐方法、装置、电子设备及存储介质 | |
CN104615639B (zh) | 一种用于提供图片的呈现信息的方法和设备 | |
CN109919433A (zh) | 订单信息生成方法、装置及计算机设备 | |
CN111753180A (zh) | 搜索方法、装置、电子设备及计算机存储介质 | |
CN105224588A (zh) | 根据照片主色调生成背景音乐的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20190726 |