CN111199439A - 一种商品信息处理方法及其装置 - Google Patents

Abstract

本申请公开了一种商品信息处理方法及其装置，所述方法包括：根据商品信息确定候选品牌和候选品牌类目；判断候选品牌是否属于候选品牌类目；若候选品牌属于候选品牌类目，则将所述候选品牌确定为商品的品牌。采用本申请，可有效地提高对商品的品牌的识别率。

Description

一种商品信息处理方法及其装置

技术领域

本申请涉及计算机技术领域，尤其涉及一种商品信息处理方法及其装置。

背景技术

通过网络销售和购买商品已经成为大家日常生活密不可分的一部分。为了将商品呈现给用户，商家需要将商品信息输入到终端设备中。但是某些商家在输入商品信息的过程中存在将商品品牌输错或漏输的情况，而商品品牌作为重要的商品信息，在后续的商品推荐和商品分类起到关键性的作用，因此，商家需要确保商品信息中的商品品牌是正确的。此外，由于同一品牌可能对应不同的类目，因此，存在品牌与类目不对应的情况。

在现有技术中通常利用基于规则的方法对商品信息中的商品品牌及其类目进行提取，随后利用人力进行品牌及其类目确定，而这种方法除了需要预先利用大量人力去收集品牌外后续还需要人力确定，成本太高。因此，现有技术需要一种能够低成本的确定商品品牌及其类目的商品信息处理方法。

发明内容

本申请的主要目的在于提供一种商品信息处理方法及其装置，旨在解决以上提到的确定商品品牌及其类目的问题。

本申请的示例性实施例提供一种商品信息处理方法，所述方法包括:根据商品信息确定候选品牌和候选品牌类目；判断候选品牌是否属于候选品牌类目；若候选品牌属于候选品牌类目，则将所述候选品牌确定为商品的品牌。

本申请的另一示例性实施例提供一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述指令被执行时实现上述方法。

本申请的另一示例性实施例提供一种商品信息处理装置，所述装置包括处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：根据商品信息确定候选品牌和候选品牌类目；判断候选品牌是否属于候选品牌类目；若候选品牌属于候选品牌类目，则将所述候选品牌确定为商品的品牌。

本申请的另一示例性实施例提供一种商品信息处理方法，包括：输入商品信息；获取文本预测机器学习模型组件和/或图片预测机器学习模型组件利用商品信息确定的商品品牌和商品的类目。

本申请的另一示例性实施例提供一种商品信息处理方法，所述方法包括:根据商品信息确定与商品对应的候选品牌；将商品信息分别输入到第一机器学习模型组件和/或第二机器学习模型组件，从而确定商品的候选品牌类目；判断候选品牌是否属于候选品牌类目；若候选品牌属于候选品牌类目，则将所述候选品牌确定为商品的品牌。

本申请的另一示例性实施例提供一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述指令被执行时实现上述方法。

本申请的另一示例性实施例提供一种商品信息处理装置，所述装置包括处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：根据商品信息确定候选品牌；通过商品信息分别输入到第一机器学习模型组件和/或第二机器学习模型组件获取第一候选品牌类目和/或第二候选品牌类目，确定商品的候选品牌类目；判断候选品牌是否属于候选品牌类目；若候选品牌属于候选品牌类目，则将所述候选品牌确定为商品的品牌。

本申请示例性实施例采用的上述至少一个技术方案能够确定候选品牌和候选品牌类目的情况下利用候选品牌和候选品牌类目相互进行确定，从而确保品牌及其类目的正确性。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1示出应用根据本申请的示例性实施例的商品处理方法的场景图；

图2是根据本申请的示例性实施例的时序数据按行存储的示意图；

图3是本申请的示例性实施例的用于存储时序数据的装置的框图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

在介绍本申请的示例性实施例前，为了方便本领域技术人员更好的理解本申请，首先对本申请中涉及的术语进行解释。

语料，即语言材料，是构成语料库的基本单元。

类目，是指商品所属的类型，例如，饮品、数码、水果、生鲜等。

以下结合附图，详细说明本申请各实施例提供的技术方案。

图1示出应用根据本申请的示例性实施例的商品处理方法的场景图。如图1所示，商家利用终端设备100输入商品信息，所述商品信息可指示用于描述商品的信息，包括且不限于以文字表示的文字信息和以图片表示的图片信息，此外，终端设备100是指由商家使用并用于与网站服务器进行通信的装置，根据本申请的终端设备可包括但不限于以下任意设备：个人计算机(PC)、移动装置(诸如，蜂窝电话、个人数字助理(PDA)、数码相机、便携式游戏控制台、MP3播放器、便携式/个人多媒体播放器(PMP)、手持电子书、平板PC、便携式膝上型PC和全球定位***(GPS)导航仪)、智能TV等。

网络是用于在服务器200和终端设备100以及服务器200与终端设备300之间提供通信链接的介质。网络可以包括各种连接类型，例如有线、无线通信链接或者光纤电缆等等。

例如，商家可在发布商品的网站上利用终端设备100的外设键盘输入商品信息“苹果金色、移动联通电信4G手机、双卡双待、新品上市、更大屏幕、双卡双待、商务必备”，随后，终端设备100可将商品信息发送到网站对应的服务器200，服务器200可对与网站相关的商品信息执行处理，例如，可按照某种存储方式存储商品信息，并对商品信息进行分析。应注意，虽然图1中仅示出了一个终端设备100，但这仅为示例性的，各个商家可通过不同的终端设备输入商品信息。同理，服务器200的数量也不限于图1中所示，用户可根据需求确定服务器的数量。

随后，用户可利用移动终端300搜索所需商品，例如，用户可在购物应用(例如，京东、淘宝等)的界面上输入关键词“苹果”，随后移动终端300接收到来自服务器的商品推荐，并在界面上显示这些商品的商品信息。在应用根据本申请的示例性实施例的商品信息处理方法后，移动终端300所呈现的商品包括同一品牌的所有商品，而不会存在由于商家疏忽导致商品品牌输错而无法推荐的问题，此外，在应用根据本申请的示例性实施例的商品信息处理方法后，移动终端300可显示同一类目下的商品推荐。

图2是示出根据本申请的示例性实施例的商品信息处理方法的流程图。如图2所示，在步骤S210，根据商品信息确定候选品牌和候选品牌类目，其中，所述商品信息是用户输入的关于商品的信息，包括文本信息和图片信息。

根据本申请的示例性实施例，在执行步骤S210前，所述方法可预先存储品牌库，商品品牌与其所述的类目可对应地存储在品牌库中，例如，在品牌库中可包括(娃哈哈、饮品)、(阿根廷红虾、生鲜)、(光明、牛奶)、(光明、家居)(tata、女鞋)、(tata、木门)等。可以看出，在品牌库中，同一类目可包括多个不同的品牌，而相同的品牌可能属于不同的类目。

具体来说，可先提取商品信息中的文本信息，其中，所述文本信息是指以文字描述的信息，应注意，本领域技术人员可利用各种文本信息提取方法来提取文本信息，在此将不再赘述。随后，可对所述文本信息进行分词处理，获取与文本信息对应的多个分词，例如，所述文本信息可以是“我特别喜欢安全没有味道的tata”，可将其执行分词处理。应注意，可在执行分词处理时自动剔除无具体语意的词语，比如语气词、助词等，获得“我”、“特别”、“喜欢”、“安全”、“味道”、“tata”、。最后，将获取的分词中的每个分词分别与品牌库中的品牌进行匹配，如上例所述，可将“我”、“特别”、“喜欢”、“安全”、“味道”、“tata”分别与品牌库进行匹配，最终匹配成功的品牌为“tata”，则将“tata”作为候选品牌。

在步骤S210，在根据商品信息确定与商品对应的候选品牌的情况下，还可根据商品信息确定与商品对应的候选品牌类目。具体来说，提取商品信息中的文本信息；利用文本预测机器学习模型组件，对文本信息执行候选品牌类目预测，从而确定与商品对应的候选品牌类目，其中，文本预测机器学习模型组件包括快速文本分类器(FastText)组件、决策树组件和支持向量机(SVM)组件。

根据本申请的示例性实施例，还可提取商品信息中的图片信息，利用图片预测机器学习模型组件，对图片进行执行候选品牌类目预测，从而确定与商品对应的候选品牌类目，其中，图片预测机器学习模型组件包括卷积神经网络(CNN)组件、深层神经网络(DNN)组件和循环神经网络(RNN)组件。

此外，也可按照如上所述的方法分别从文本信息和图片信息两个方面来确定候选商品类目，也就是说，所述方法可分别提取商品信息中的文本信息和图片信息；利用文本预测机器学习模型组件，对文本信息执行候选品牌类目预测，从而确定与商品对应的第一候选品牌类目；利用图片预测机器学习模型组件，对图片进行执行候选品牌类目预测，从而确定与商品对应的第二候选品牌类目；判断第一候选品牌类目与第二候选品牌类目是否相同；若相同，则将第一候选品牌类目或第二候选品牌类目确定为与商品对应的候选品牌类目。这样可提高确定的候选商品类目的准确性。

此外，根据本申请的示例性实施例可根据类目获取方法来获取与商品对应的候选品牌类目，其中，类目获取方法可包括第一类目获取方法和/或第二类目获取方法。具体来说，首先可按照如上所述方式提取商品信息中的文本信息，随后可利用第一类目获取方法获取候选品牌类目，第一类目获取方法包括：将所述文本信息输入至第一机器学习模型组件中，获取与商品对应的候选品牌类目，其中，第一机器学习模型组件根据已存在的商品的文本信息与该商品对应的类目之间的对应关系进行机器训练得到。根据本申请的示例性实施例，第一机器学习模型组件包括快速文本分类器(FastText)组件、决策树组件和支持向量机(SVM)组件。

此外，可利用图片提取方法提取出商品信息中的图片信息，例如，可通过提取各种图片格式的数据的方式提取出图片信息，随后，可利用第二类目获取方法获取候选品牌类目，第二类目获取方法包括：将所述图片信息输入至第二机器学习模型组件中，获取与商品对应的候选品牌类目，其中，第二机器学习模型组件根据已存在的商品的图片信息与该商品对应的类目之间的对应关系进行机器训练得到。根据本申请的示例性实施例，第二机器学习模型组件包括卷积神经网络(CNN)组件、深层神经网络(DNN)组件和循环神经网络(RNN)组件。

此外，当利用第一类目获取方法和第二类目获取方法获取商品的候选品牌类目时，所述方法还包括判断利用第一类目获取方法获取的第一候选品牌类目与利用第二类目获取方法确定的第二候选品牌类目是否相同。若相同，则将第一候选品牌类目或第二候选品牌类目确定为与商品对应的候选品牌类目。

随后，在步骤S220，判断候选品牌是否属于候选品牌类目。具体来说，将候选品牌类目与候选品牌在品牌库中对应的候选类目进行匹配；若匹配成功，则所述候选品牌属于候选品牌类目。举例来说，当候选品牌类目为牛奶，而候选品牌为光明，而光明在品牌库中对应的候选类目为家居和牛奶，可以看出，光明在品牌库中对应的候选类目包括牛奶。

最后，在步骤S230，若候选品牌属于候选品牌类目，则将所述候选品牌确定为商品的品牌。并且根据本申请的示例性实施例，可将候选品牌类目确定为商品的品牌类目，如以上所描述的示例，由于候选品牌光明属于候选品牌类目牛奶，则可将候选品牌光明确定为商品的品牌光明，并且候选品牌类目牛奶确定为商品的品牌类目。

而若候选品牌不属于候选品牌类目，则说明候选品牌不能作为商品的商品品牌，则说明该候选品牌的是错误的，用户可设置提醒操作，一旦候选品牌不属于候选品牌类目，则可向商家发出警告，使得商家可及时更改商品品牌。

根据本申请的示例性实施例，提供一种商品信息处理方法，所述方法包括根据商品信息确定与商品对应的候选品牌；通过商品信息分别输入到第一机器学习模型组件和/或第二机器学习模型组件获取第一候选品牌类目和/或第二候选品牌类目，确定商品的候选品牌类目；判断候选品牌是否属于候选品牌类目；若候选品牌属于候选品牌类目，则将所述候选品牌确定为商品的品牌。

可选地，将所述候选品牌确定为商品的品牌后还包括：将候选品牌类目确定为商品的品牌类目。

可选地，第一机器学习模型组件包括快速文本分类器(FastText)组件、决策树组件和支持向量机(SVM)组件。

可选地，第二机器学习模型组件包括卷积神经网络(CNN)组件、深层神经网络(DNN)组件和循环神经网络(RNN)组件。

根据本申请的示例性实施例，提供一种商品信息处理方法，所述方法包括：输入商品信息；获取文本预测机器学习模型组件和/或图片预测机器学习模型组件利用商品信息确定的商品品牌和商品的类目。应注意，所述方法可应用在用户侧(例如，商户等)，所述用户在输入商品信息后即可获知已经检查过的所输入的商品的品牌及其类目。

综上所述，本申请的示例性实施例的商品信息处理方法可在确定候选品牌和候选品牌类目的情况下利用候选品牌和候选品牌类目相互进行确定，从而确保品牌的正确性，更进一步地，可确定商品的类目，以便于后续操作。当将根据本申请的示例性实施例的商品信息处理方法应用于图1的场景时，用户可在显示界面上观看同一品牌的所有商品，而不会存在由于商家疏忽导致商品品牌输错而无法推荐的问题，此外，还可以向用户推荐同一类目下的商品。

为了更清楚地明白本申请的示例性实施例的发明构思，以下将参照图3描述本申请的示例性实施例的商品信息处理装置的框图。本领域普通技术人员将理解：图3中的装置仅示出了与本示例性实施例相关的组件，所述装置中还包括除了图3中示出的组件之外的通用组件。

图3示出本申请的示例性实施例的商品信息处理装置的框图。参考图3，在硬件层面，该装置包括处理器、内部总线和计算机可读存储介质，其中，所述计算机可读存储介质包括易失性存储器和非易失性存储器。处理器从非易失性存储器中读取对应的计算机程序然后运行。当然，除了软件实现方式之外，本申请并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

具体来说，所述处理器执行以下操作：根据商品信息确定候选品牌和候选品牌类目；判断候选品牌是否属于候选品牌类目；若候选品牌属于候选品牌类目，则将所述候选品牌确定为商品的品牌。

可选地，所述处理器在实现步骤所述候选品牌确定为商品的品牌后还包括：将候选品牌类目确定为商品的品牌类目。

可选地，所述处理器在实现步骤根据商品信息确定与商品对应的候选品牌包括：提取商品信息中的文本信息；通过对文本信息执行分词处理，获得与文本信息对应的多个分词；将所述多个分词中的每个分词分别与预存的品牌库中的品牌进行匹配；将匹配成功的品牌作为与商品对应的候选品牌。

可选地，所述处理器在实现步骤根据商品信息确定与商品对应的候选品牌类目包括：提取商品信息中的文本信息；利用文本预测机器学习模型组件，对文本信息执行候选品牌类目预测，从而确定与商品对应的候选品牌类目。

可选地，文本预测机器学习模型组件包括快速文本分类器(FastText)组件、决策树组件和支持向量机(SVM)组件。

可选地，所述处理器在实现步骤根据商品信息确定与商品对应的候选品牌类目包括：提取商品信息中的图片信息；利用图片预测机器学习模型组件，对图片进行执行候选品牌类目预测，从而确定与商品对应的候选品牌类目。

可选地，图片预测机器学习模型组件包括卷积神经网络(CNN)组件、深层神经网络(DNN)组件和循环神经网络(RNN)组件。

可选地，所述处理器在实现步骤根据商品信息确定候选品牌类目包括：分别提取商品信息中的文本信息和图片信息；利用文本预测机器学习模型组件，对文本信息执行候选品牌类目预测，从而确定与商品对应的第一候选品牌类目；利用图片预测机器学习模型组件，对图片进行执行候选品牌类目预测，从而确定与商品对应的第二候选品牌类目；判断第一候选品牌类目与第二候选品牌类目是否相同；若相同，则将第一候选品牌类目或第二候选品牌类目确定为与商品对应的候选品牌类目。

可选地，所述处理器在实现步骤判断候选品牌是否属于候选品牌类目包括：将候选品牌类目与候选品牌在品牌库中对应的候选类目进行匹配；若匹配成功，则所述候选品牌属于候选品牌类目。

根据本申请的示例性实施例，提供一种商品信息处理装置，所述装置包括处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如下操作：根据商品信息确定与商品对应的候选品牌；通过商品信息分别输入到第一机器学习模型组件和/或第二机器学习模型组件获取第一候选品牌类目和/或第二候选品牌类目，确定商品的候选品牌类目；判断候选品牌是否属于候选品牌类目；若候选品牌属于候选品牌类目，则将所述候选品牌确定为商品的品牌。

可选地，所述处理器实现步骤将所述候选品牌确定为商品的品牌后还包括：将候选品牌类目确定为商品的品牌类目。

可选地，第一机器学习模型组件包括快速文本分类器(FastText)组件、决策树组件和支持向量机(SVM)组件。

可选地，第二机器学习模型组件包括卷积神经网络(CNN)组件、深层神经网络(DNN)组件和循环神经网络(RNN)组件。

如上所述，本申请的示例性实施例的商品信息处理装置可在确定候选品牌和候选品牌类目的情况下利用候选品牌和候选品牌类目相互进行确定，从而确保品牌的正确性，更进一步地，可确定商品的类目，以便于后续操作。当将根据本申请的示例性实施例的商品信息处理装置应用于图1的场景时，用户可在显示界面上观看同一品牌的所有商品，而不会存在由于商家疏忽导致商品品牌输错而无法推荐的问题，此外，还可以向用户推荐同一类目下的商品。

需要说明的是，实施例1所提供方法的各步骤的执行主体均可以是同一设备，或者，该方法也由不同设备作为执行主体。比如，步骤21和步骤22的执行主体可以为设备1，步骤23的执行主体可以为设备2；又比如，步骤21的执行主体可以为设备1，步骤22和步骤23的执行主体可以为设备2；等等。

本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、***或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (15)

1.一种商品信息处理方法，其特征在于，包括：

根据商品信息确定候选品牌和候选品牌类目；

判断候选品牌是否属于候选品牌类目；

若候选品牌属于候选品牌类目，则将所述候选品牌确定为商品的品牌。

2.如权利要求1所述的方法，其特征在于，还包括：将候选品牌类目确定为商品的品牌类目。

3.如权利要求1所述的方法，其特征在于，根据商品信息确定候选品牌包括：

提取商品信息中的文本信息；

对文本信息执行分词处理，获得与文本信息对应的多个分词；

将所述多个分词中的每个分词分别与预存的品牌库中的品牌进行匹配；

将匹配成功的品牌作为候选品牌。

4.如权利1所述的方法，其特征在于，根据商品信息确定候选品牌类目包括：

提取商品信息中的文本信息；

利用文本预测机器学习模型组件，对文本信息执行候选品牌类目预测，从而确定候选品牌类目。

5.如权利要求4所述的方法，其特征在于，所述文本预测机器学习模型组件包括快速文本分类器FastText组件、决策树组件和支持向量机SVM组件。

6.如权利1所述的方法，其特征在于，根据商品信息确定候选品牌类目包括：

提取商品信息中的图片信息；

利用图片预测机器学习模型组件，对图片进行执行候选品牌类目预测，从而确定候选品牌类目。

7.如权利要求6所述的方法，其特征在于，所述图片预测机器学习模型组件包括卷积神经网络CNN组件、深层神经网络DNN组件和循环神经网络RNN组件。

8.如权利要求1所述的方法，其特征在于，根据商品信息确定候选品牌类目包括：

分别提取商品信息中的文本信息和图片信息；

利用文本预测机器学习模型组件，对文本信息执行候选品牌类目预测，从而确定第一候选品牌类目；

利用图片预测机器学习模型组件，对图片进行执行候选品牌类目预测，从而确定第二候选品牌类目；

判断第一候选品牌类目与第二候选品牌类目是否相同；

若相同，则将第一候选品牌类目或第二候选品牌类目确定为候选品牌类目。

9.如权利要求1所述的方法，其特征在于，判断候选品牌是否属于候选品牌类目包括：

将候选品牌类目与候选品牌在品牌库中对应的候选类目进行匹配；

若匹配成功，则所述候选品牌属于候选品牌类目。

10.一种商品信息处理装置，其特征在于，包括：

处理器；以及

用于存储计算机可执行指令的存储器，所述可执行指令可被处理器执行以实现权利要求1至9中的任一权利要求所述的方法。

11.一种商品信息处理方法，其特征在于，包括：

输入商品信息；

获取文本预测机器学习模型组件和/或图片预测机器学习模型组件利用商品信息确定的商品品牌和商品的类目。

12.一种商品信息处理方法，其特征在于，包括：

根据商品信息确定候选品牌；

通过商品信息分别输入到第一机器学习模型组件和/或第二机器学习模型组件获取第一候选品牌类目和/或第二候选品牌类目，确定商品的候选品牌类目；

判断候选品牌是否属于候选品牌类目；

若候选品牌属于候选品牌类目，则将所述候选品牌确定为商品的品牌。

13.如权利要求12所述的方法，其特征在于，将所述候选品牌确定为商品的品牌后还包括：将候选品牌类目确定为商品的品牌类目。

14.如权利要求12所述的方法，其特征在于，第一机器学习模型组件包括快速文本分类器FastText组件、决策树组件和支持向量机SVM组件。

15.如权利要求12所述的方法，其特征在于，第二机器学习模型组件包括卷积神经网络CNN组件、深层神经网络DNN组件和循环神经网络RNN组件。

Images