CN111311316B - 商户画像的刻画方法、装置、电子设备、验证方法及*** - Google Patents
商户画像的刻画方法、装置、电子设备、验证方法及*** Download PDFInfo
- Publication number
- CN111311316B CN111311316B CN202010078806.8A CN202010078806A CN111311316B CN 111311316 B CN111311316 B CN 111311316B CN 202010078806 A CN202010078806 A CN 202010078806A CN 111311316 B CN111311316 B CN 111311316B
- Authority
- CN
- China
- Prior art keywords
- merchant
- business
- photograph
- information
- management
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 126
- 238000012795 verification Methods 0.000 title claims description 92
- 238000012549 training Methods 0.000 claims description 112
- 238000013145 classification model Methods 0.000 claims description 43
- 238000013507 mapping Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 15
- 238000005286 illumination Methods 0.000 claims description 13
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 16
- 238000002790 cross-validation Methods 0.000 description 12
- 235000013399 edible fruits Nutrition 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 235000015243 ice cream Nutrition 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 244000141359 Malus pumila Species 0.000 description 2
- 240000008790 Musa x paradisiaca Species 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 235000021152 breakfast Nutrition 0.000 description 2
- 210000004899 c-terminal region Anatomy 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 235000012055 fruits and vegetables Nutrition 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 244000241235 Citrullus lanatus Species 0.000 description 1
- 235000012828 Citrullus lanatus var citroides Nutrition 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 235000018290 Musa x paradisiaca Nutrition 0.000 description 1
- 244000218514 Opuntia robusta Species 0.000 description 1
- 235000003166 Opuntia robusta Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 235000021016 apples Nutrition 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 235000021015 bananas Nutrition 0.000 description 1
- 239000011324 bead Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 235000011850 desserts Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000012149 noodles Nutrition 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本说明书实施例涉及一种商户画像的刻画方法、装置、电子设备、商户画像验证方法、***及计算机可读存储介质,该刻画方法包括:获取商户经营照;根据商户经营照的类别,将商户经营照输入对应类别的图像识别模型,以得到商户经营照的识别结果;基于识别结果确定商户经营照对应商户的经营信息;根据商户的经营信息对商户画像进行刻画。
Description
技术领域
本说明书实施例涉及图像处理技术领域,更具体地,涉及商户画像的刻画方法、验证方法、商户画像的刻画装置、电子设备、验证***及计算机可读存储介质。
背景技术
很多B2B(Business-to-Business,企业对企业模式的电子商务)一方的商户为了更好地了解另一方商户的经营状况,例如对于垂直模式的B2B,上游公司为更好地了解下游商户的经营状况;例如对于综合模式的B2B,采购商想了解销售商的有关经营信息等,以方便资源投放和活动开展,通常需要做商户画像,采集商户的信息对商户画像进行刻画。
但是,为吸引更多的商户进行开户,通常会降低商户准入门槛,简化开户流程,因此很多商户在开户的时候,提交的商户信息可能不完整。由于商户信息的缺少,对商户的画像刻画增加了很大的难度。
发明内容
本说明书实施例提供一种可以对商户画像进行刻画的新的技术方案。
根据本说明书的第一方面,提供了商户画像的刻画方法的一个实施例,该方法包括:
获取商户经营照;
根据商户经营照的类别,将商户经营照输入对应类别的图像识别模型,以得到商户经营照的识别结果;
基于识别结果确定商户经营照对应商户的经营信息;
根据商户的经营信息对商户画像进行刻画。
可选的,在获取商户经营照之前,该方法还包括:
向目标对象发送提交商户经营照的指令;
其中,获取商户经营照包括:
获取目标对象基于指令提交的商户经营照。
可选的,商户经营照为商户门头照,对应类别的图像识别模型为第一识别模型,第一识别模型用于分类识别商户门头照的物体;
其中,将商户经营照输入对应类别的图像识别模型以得到商户经营照的识别结果包括:
将商户门头照输入预设的第一识别模型;
通过预设的第一识别模型对商户门头照里的物体进行分类识别,得到对应的识别结果;
其中,基于识别结果确定商户经营照对应商户的经营信息包括:
根据识别结果确定商户门头照对应商户的经营场景,其中,将商户的经营场景作为商户的经营信息。
可选的,商户的经营场景的类别包括固定门店、售货车和摊位,第一识别模型分类识别的商户门头照的物体类别包括固定门店、售货车、摊位和其他类;
其中,根据识别结果确定商户门头照对应商户的经营场景包括:
根据分类识别得到的识别结果,确定商户的经营场景为固定门店、售货车或摊位,或者在识别结果为其他类的情况下,确定获取的商户经营照不是商户门头照。
可选的,基于识别结果确定商户经营照对应商户的经营信息还包括:
获取商户的交易LBS信息;
根据交易LBS信息确定商户的交易地理位置;
基于交易地理位置确定商户的经营场景;
根据基于交易地理位置确定的商户的经营场景对识别结果确定的商户的经营场景进行验证;
将通过验证的商户的经营场景作为商户的经营信息。
可选的,基于交易地理位置确定商户的经营场景包括:
确定预定时间周期内交易地理位置是否发生变化;
若交易地理位置未发生变化,确定商户的经营场景为位置固定经营模式;
或者,
若交易地理位置发生变化,确定商户的经营场景为位置流动经营模式。
可选的,该方法还包括:
将商户门头照输入预设的文字提取模型,以得到商户门头照对应的文字数据;
其中,基于识别结果确定商户经营照对应商户的经营信息包括:
根据文字数据确定商户门头照对应商户的经营行业,其中,将商户的经营行业作为商户的经营信息。
可选的,根据文字数据确定商户门头照对应商户的经营行业包括:
将提取的文字数据输入到预设的第一行业分类模型;
通过预设的行业分类模型对文字数据进行映射识别,得到文字数据对应的行业分类;
将文字数据对应的行业分类确定为商户门头照对应商户的经营行业。
可选的,根据文字数据确定商户门头照对应商户的经营行业包括:
获取数据库的行业分类数据;
将提取的文字数据和数据库的行业分类数据进行映射比对;
根据映射比对结果确定文字数据对应的行业分类;
将文字数据对应的行业分类确定为商户门头照对应商户的经营行业。
可选的,该方法还包括生成第一识别模型的步骤,包括:
获取训练样本,其中,每一训练样本包括样本的图像和对应样本的类别,样本的类别表示对应样本为固定门店、售货车、摊位还是其他类;
根据训练样本,训练得到第一识别模型。
可选的,该方法还包括生成文字提取模型的步骤,包括:
获取训练样本,其中,每一训练样本包括样本的文字图像和对应样本的文字数据;
根据训练样本,训练得到文字提取模型。
可选的,该方法还包括生成第一行业分类模型的步骤,包括:
获取训练样本,其中,每一训练样本包括样本的文字数据和对应样本的行业分类类别;
根据训练样本,训练得到第一行业分类模型。
可选的,商户经营照为商户的经营内景照,对应类别的图像识别模型为第二识别模型,第二识别模型用于分类识别经营内景照的物体;
其中,将所述商户经营照输入对应类别的图像识别模型以得到所述商户经营照的识别结果包括:
获取商户的相关信息;
根据商户的相关信息预测所述商户对应的至少两个经营行业;
将经营内景照分别对应输入至少两个预设的第二识别模型,所述至少两个预设的第二识别模型分别与预测的至少两个经营行业对应,以分类识别经营内景照中属于对应的预测经营行业的物体;
通过至少两个预设的第二识别模型对所述经营内景照里属于对应的预测经营行业的物体进行分类识别,获取所述至少两个预设的第二识别模型对应的至少两个识别相似度;
确定所述至少两个识别相似度中识别相似度的最大值;
确定最大值的识别相似度是否大于预定阈值;
在最大值的识别相似度大于预定阈值的情况下,将最大值的识别相似度作为所述识别结果。
可选的,商户经营照为商户的经营内景照,对应类别的图像识别模型为第二识别模型,所述第二识别模型用于分类识别经营内景照的物体;
其中,将所述商户经营照输入对应类别的图像识别模型以得到所述商户经营照的识别结果包括:
获取所述商户的相关信息;
根据商户的相关信息预测所述商户对应的至少两个经营行业;
将经营内景照输入预设的至少两个第二识别模型中的一个,所述至少两个第二识别模型分别与预测的所述至少两个经营行业对应,以分类识别经营内景照中属于对应的预测经营行业的物体;
通过至少两个第二识别模型中的一个对经营内景照里属于对应的预测经营行业的物体进行分类识别,获取至少两个第二识别模型中的一个的识别相似度;
确定所述识别相似度是否大于预定阈值;
在识别相似度大于预定阈值的情况下,将所述识别相似度作为所述识别结果。
可选的,基于识别结果确定商户经营照对应商户的经营信息包括:
确定所述识别相似度对应的预测经营行业为商户的经营行业,其中,将商户的经营行业作为商户的经营信息。
可选的,商户经营照为商户的经营内景照,对应类别的图像识别模型为第二识别模型,第二识别模型用于分类识别经营内景照的物体;
其中,将商户经营照输入对应类别的图像识别模型以得到商户经营照的识别结果包括:
将经营内景照输入预设的第二识别模型;
通过预设的第二识别模型对经营内景照里的多个物体进行分类识别,得到对应的识别结果。
可选的,基于识别结果确定商户经营照对应商户的经营信息包括:
将识别的多个物体的图像分别输入到预设的第二行业分类模型;
通过预设的第二行业分类模型对多个物体分别进行映射识别,得到多个物体分别对应的行业分类;
统计属于同一个行业分类的对应物体的数量,并按数量大小排序;
将属于同一个行业分类且物体数量最多的物体对应的行业分类确定为经营内景照对应商户的经营行业,其中,将商户的经营行业作为商户的经营信息。
可选的,该方法还包括生成第二识别模型的步骤,包括:
获取训练样本,其中,每一训练样本包括样本的图像和对应样本中物体的类别;
根据训练样本,训练得到第二识别模型。
可选的,该方法还包括生成第二行业分类模型的步骤,包括:
获取训练样本,其中,每一训练样本包括样本的图像和对应样本的行业分类类别;
根据训练样本,训练得到第二行业分类模型。
可选的,商户经营照为商户的经营街景照,对应类别的图像识别模型为第三识别模型,第三识别模型用于分类识别经营街景照的标志性建筑;
其中,将商户经营照输入对应类别的图像识别模型以得到商户经营照的识别结果包括:
将经营街景照输入预设的第三识别模型进行图像识别,确定经营街景照中的预定目标,其中,将预定目标作为商户经营照的识别结果。
可选的,基于识别结果确定商户经营照对应商户的经营信息包括:
获取预定目标的地理位置;
根据预定目标与经营街景照中商户的相对地理位置确定商户的地理位置;
根据商户的地理位置确定商户的经营地址,其中,将商户的经营地址作为商户的经营信息。
可选的,该方法还包括生成第三识别模型的步骤,包括:
获取训练样本,其中,每一训练样本包括样本的图像和对应样本的类别,样本为标志性建筑;
根据训练样本,训练得到第三识别模型。
可选的,该方法还包括:
获取商户经营照对应商户的交易信息,以确定商户的交易模式和资金流水数据;
基于交易模式和资金流水数据,对基于识别结果确定的商户的经营信息进行验证,其中,将通过验证的识别结果确定的经营信息作为商户的经营信息。
可选的,商户经营照包括商户门头照和经营内景照,方法还包括:
将商户门头照对应的识别结果和经营内景照对应的识别结果进行交叉验证;其中,将通过交叉验证的识别结果确定的经营信息作为商户的经营信息。
可选的,目标对象包括商户、买家和微客中至少一个;
其中,在目标对象包括商户、买家和微客中至少两个时,该方法还包括:
将目标对象提交的商户经营照对应的识别结果进行交叉验证;其中,将通过交叉验证的识别结果确定的经营信息作为商户的经营信息。
根据本说明书的第二方面,还提供了商户画像的验证方法的一个实施例,该商户画像的验证方法,由终端设备实施,包括:
响应基于对根据商户提交的信息刻画的商户画像的验证请求,向商户的买家发送提交商户的商户经营照的指令;
获取买家基于指令提交的商户经营照;
基于商户经营照,为完成商户画像的验证执行设定操作,其中商户画像的验证包括商户画像的刻画,商户画像的刻画包括:根据商户经营照的类别,将商户经营照输入对应类别的图像识别模型,以得到商户经营照的识别结果;基于识别结果确定商户经营照对应商户的经营信息;根据商户的经营信息对商户画像进行刻画;
比对买家提交的商户经营照刻画的商户画像与根据商户提交的信息刻画的商户画像是否一致,对根据商户提交的信息刻画的商户画像进行验证。
可选的,为完成商户画像的验证执行设定操作包括:
将买家提交的商户经营照发送至服务器进行商户画像的验证;
该方法还包括:接收服务器完成商户画像的验证返回的验证结果。
根据本说明书的第三方面,还提供商户画像的刻画装置的一个实施例,包括:
获取模块,用于获取商户经营照;
识别模块,用于根据商户经营照的类别,将商户经营照输入对应类别的图像识别模型,以得到商户经营照的识别结果;
确定模块,用于基于识别结果确定商户经营照对应商户的经营信息;
刻画模块,用于根据商户的经营信息对商户画像进行刻画。
根据本说明书的第四方面,还提供了电子设备的一个实施例,包括如本说明书的第三方面所述的商户画像的刻画装置,或者,所述电子设备包括:
存储器,用于存储可执行命令;
处理器,用于在所述可执行命令的控制下,执行如本说明书的第一方面或第二方面所述的方法。
根据本说明书的第五方面,还提供了商户画像验证***的一个实施例,包括:
服务器,所述服务器包括存储器和处理器,服务器的存储器用于存储可执行命令;服务器的处理器用于在所述可执行命令的控制下,执行如本说明书的第一方面所述的方法;以及,
终端设备,所述终端设备包括存储器和处理器,终端设备的存储器用于存储可执行命令;终端设备的处理器用于在所述可执行命令的控制下,执行如本说明书的第二方面所述的方法。
根据本说明书的第六方面,还提供了计算机可读存储介质的一个实施例,其存储有可执行指令,所述可执行指令被处理器执行时,执行如本说明书的第一方面或者第二方面所述的方法。
在一个实施例中,利用获取的商户经营照进行图像识别获得的识别结果,可以得到商户对应的经营信息并进行商户画像刻画,可以提高商户画像的覆盖率和准确率,且无需人工审核。
通过以下参照附图对本说明书的示例性实施例的详细描述,本说明书的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本说明书的实施例,并且连同其说明一起用于解释本说明书的原理。
图1是可用于实现一个实施例的商户画像的刻画方法的场景示意图;
图2是可用于实现一个实施例的商户画像的刻画方法的商户画像验证***的硬件配置结构图;
图3是根据一个实施例的商户画像的刻画方法的流程示意图;
图4是本发明一个实施例的商户经营行业确定步骤的流程示意图;
图5是本发明另一个实施例的商户经营行业确定步骤的流程示意图;
图6是根据一个例子的商户画像的刻画方法流程示意图;
图7是根据第一个实施例的商户画像验证方法的流程示意图;
图8是根据一个实施例的商户画像的刻画装置的原理框图;
图9是根据一个实施例的电子设备的原理框图。
具体实施方式
现在将参照附图来详细描述本说明书的各种示例性实施例。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本说明书及其应用或使用的任何限制。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
图1为本说明书一个实施例的商户画像的刻画方法的应用场景示意图。
图1示出了用户通过终端设备1200进行商户画像验证的应用场景。该实施例中,用户可以是B2B模式的一方商户A,打算对另一方商户B的商户画像进行获取和验证,被验证的商户画像可以是根据另一方商户B提交的信息刻画的,商户B提交的用于刻画商户画像的信息可以是商户B开户时或者后续信息补全时提供的文本信息,例如填写的信息,也可以是本发明实施例的商户画像的刻画方法中使用的商户B的经营照信息,该商户经营照由商户B提供。该应用场景中,终端设备1200响应用户基于对根据商户提交的信息刻画的商户画像的验证请求,进入如图1所示的商户画像的验证界面。该商户画像验证界面可提供触发对根据商户提交的信息刻画的商户画像进行验证的命令或请求(即,指令)的按键,在用户点击该按键后,终端设备1200响应于该命令或请求,向被验证商户的买家发送提交所述商户的商户经营照的指令。买家是购买被验证商户的商品的用户,例如根据该商户的交易数据获取对应买家的信息,例如基于买家与该商户的交易LBS(Location Based Services,基于位置的服务信息)获知该买家仍位于该商户附近,或者刚与该商户刚刚进行过交易,则通过短信、问卷或邮件的方式向该买家发送提供该商户的商户经营照的指令,询问买家关于该商户的相关信息。商户经营照可以是商户的门头照、经营内景照及/或商户周围的街景照,买家提供的商户经营照类别可以根据用户发送的指令的要求来发送,例如用户发送的指令要求买家提供该商户的门头照,则买家按照要求提供对应的门头照。
终端设备1300由买家操作,并接收终端设备1200发送的提供商户经营照的指令。终端设备1300基于该指令可以获取对应的商户经营照,例如终端设备1300中已经存储有该商户对应的经营照,或者没有对应经营照的情况下,利用终端设备1300的摄像头拍摄对应的商户经营照。
终端设备1300在获得商户经营照后,向终端设备1200提供,终端设备1200获取买家基于指令提交的商户经营照。
终端设备1200基于买家提供的商户经营照,为完成所述商户画像的验证执行设定操作,在图1的应用场景实施例中,终端设备1200为完成商户画像的验证执行的操作是将买家提供的商户经营照发送至服务器1100进行商户画像验证。服务器1100在收到商户经营照后,根据本发明实施例的商户画像的刻画方法对商户经营照进行处理,并对所述商户画像进行刻画。服务器1100进行商户画像的刻画包括:根据商户经营照的类别,将商户经营照输入对应类别的图像识别模型,以得到所述商户经营照的识别结果;基于识别结果确定商户经营照对应商户的经营信息;根据商户的经营信息对所述商户画像进行刻画。即,根据买家提供的商户经营照得到对应的商户画像。
然后,服务器1100比对根据买家提交的商户经营照刻画的商户画像与商户提交的信息刻画的商户画像是否一致,对商户提交的信息刻画的商户画像进行验证。商户提交的信息刻画的商户画像是事先完成的,可以存储在服务器的存储区域,或者从第三方的存储设备中获取。
如果商户画像通过验证,说明商户提供的信息是准确的,服务器1100会向终端设备1200返回验证通过的通知,终端设备1200可以进行有关“验证通过”的提示,并跳转至下一界面,也可以直接跳转至下一界面;如果商户画像未通过验证,则说明商户提供的信息可能是不真实的经营信息,服务器1100向终端设备1200返回验证失败的通知,该通知可以包含反映验证失败原因的消息,该消息例如是表示买家提供的商户经营照获取的商户经营信息和商户提供的信息不一致而导致商户画像验证失败的消息等,如图1所示,终端设备1200可以根据该通知进行验证失败的提示,并可以提示验证失败的原因。
在上述图1的应用场景实施例中,终端设备1200向买家的终端设备1300发送提交所述商户的商户经营照的指令,在一个应用实施例中,终端设备1200也可以向微客的终端设备发送提供商户的商户经营照的指令。
该应用场景中,在通过商户画像的刻画进行商户画像验证时,可以提高商户画像的准确率。
另外,本实施例的商户画像的刻画方法基于获取的商户经营照得到对应的商户经营信息,并进行商户刻画,这相比现有商户随便填写信息的情况,可以自动化完成商户刻画,并获得更高质量的用户经营信息。此外,利用买家或微客提供的商户经营照刻画的商户画像,对商户自己提供信息刻画的商户画像进行交叉验证,可以避免现有人工审核费时费力的问题。因此,降低商户画像审核的高成本,且提高商户的刻画准确率。
在另外的实施例中,也可以在终端设备1200一侧进行商户画像验证,在此不做限定。例如,在终端设备1200一侧进行上述根据买家提供的商户经营照对商户画像的刻画,以及在终端设备1200一侧比对买家提交的商户经营照刻画的商户画像与根据商户提交的信息刻画的商户画像是否一致的操作,终端设备1200在完成商户画像验证后,可以将验证结果上报给服务器1100,以供服务器1100进行后续操作。
<硬件设备>
图2为可以应用根据本说明书一个实施例的商户画像的刻画方法的商户画像验证***的硬件配置结构图。
如图2所示,本实施例的商户画像验证***1000可以包括服务器1100、终端设备1200以及网络1300。
服务器1100例如可以是刀片服务器、机架式服务器等,服务器1100也可以是部署在云端的服务器集群,在此不做限定。
如图2所示,服务器1100可以包括处理器1110、存储器1120、接口装置1130、通信装置1140、显示装置1150和输入装置1160。处理器1110用于执行程序指令,该程序指令可以采用比如x86、Arm、RISC、MIPS、SSE等架构的指令集。存储器1120例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置1130例如包括USB接口、串行接口等。通信装置1140例如能够进行有线或无线通信。显示装置1150例如是液晶显示屏。输入装置1160例如可以包括触摸屏、键盘等。
本实施例中,服务器1100的存储器1120用于存储指令,该指令用于控制处理器1110进行操作以实施或者支持实施根据本说明书的至少部分实施例的商户画像的刻画方法。技术人员可以根据本说明书所公开方案设计指令。指令如何控制处理器进行操作,这是本领域公知,故在此不再详细描述。
本领域技术人员应当理解,尽管在图2中示出了服务器1100的多个装置,但是,本说明书实施例的服务器1100可以仅涉及其中的部分装置,例如,只涉及处理器1110、存储器1120和通信装置1140等。
如图2所示,终端设备1200可以包括处理器1210、存储器1220、接口装置1230、通信装置1240、显示装置1250、图像采集装置1260、音频输出装置1270、音频拾取装置1280,等等。处理器1210可以是中央处理器CPU、微处理器MCU等。存储器1220例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置1230例如包括USB接口、耳机接口等。通信装置1240例如能够进行有线或无线通信。显示装置1250例如是液晶显示屏、触摸显示屏等。图像采集装置1260例如可以包括摄像头等,用户采集RGB图像。终端设备1200可以通过音频输出装置1270输出音频信息,该音频输出装置1270例如包括扬声器。终端设备1200可以通过音频拾取装置1280拾取用户输入的语音信息,该音频拾取装置1280例如包括麦克风。
该终端设备1200还可以包括键盘、触摸屏等信息输入装置,在此不做限定。
终端设备1200可以是智能手机、便携式电脑、台式计算机、平板电脑等设备。
在本实施例中,终端设备1200的存储器1220用于存储指令,所述指令用于控制所述处理器1210进行操作以实施或者支持实施根据本说明书的至少部分实施例的商户画像的刻画方法。技术人员可以根据本说明书所公开方案设计指令。指令如何控制处理器进行操作,这是本领域公知,故在此不再详细描述。
本领域技术人员应当理解,尽管在图2中示出了终端设备1200的多个装置,但是,本说明书实施例的终端设备1200可以仅涉及其中的部分装置,例如,只涉及处理器1210、存储器1220、图像采集装置1260等。
通信网络1300可以是无线网络也可以是有线网络,可以是局域网也可以是广域网。终端设备1200可以通过通信网络1300与服务器1100进行通信。
图2所示的商户画像验证***1000仅是解释性的,并且决不是为了要限制本说明书、其应用或用途。例如,尽管图2仅示出一个服务器1100和一个终端设备1200,但不意味着限制各自的数量,商户画像验证***1000中可以包含多个服务器1100和/或多个终端设备1200。
<方法实施例一>
本实施例提供了一种商户画像的刻画方法,该方法可以由图2中的服务器1100实施,也可以由图2中的终端设备1200实施,在此不做限定。图3示出了本实施例的商户画像的刻画方法的流程示意图。如图3所示,本实施例的商户画像的刻画方法可以包括以下步骤:
步骤102,获取商户经营照。
该步骤102中,获取商户经营照可以是基于发送给预定目标对象提交对应经营照的指令得到,也就是说,在步骤102之前,还可以包括向目标对象发送提交所述商户经营照的指令的步骤,目标对象可以是商户经营照对应的商户本人,也可以是商户对应的买家,或者是专门用来做微客验证的微客。
在一个实施例中,商户经营照包括商户的门头照、商户实际经营场所(店铺或商铺)的经营内景照和商户实际经营场所周边的街景照。门头照,即门头照片指商户经营场所明显可见的招牌的照片,门头是指一个店铺或品牌的主要外部标志,标准性门头设计能够准确体现商户的类别和经营特色,宣传商户的经营内容和主题,能反映商品特性和内涵。例如,根据门头照,可以反映商户为实体门店(例如,餐饮商铺、日用品商店、服装店等)、交通运输类的售货车(例如早餐车、冰淇淋车、果蔬售卖车等),还是摊位(例如小吃铺、大排档、水果摊等)。
经营内景照是指反映商户经营场所内部的状况的照片,例如对于实体门店的餐厅,其经营内景照例如主要显示餐厅内部就餐区的桌椅、餐具、食品等内景照片;对于固定或流动销售模式的冰淇淋车,其经营内景照主要显示车里面摆放的各种冰淇淋甜品;对于水果摊,其经营内景照例如主要显示摊位摆放的各种水果。
在上述向目标对象发送提交所述商户经营照的指令中,包含需目标对象提交的商户经营照的类别,例如需要目标对象提交商户门头照,商户的经营内容照还是商户周围的街景照。因此,目标对象会基于指令要求的商户经营照类别,提交对应的商户经营照。
步骤104,根据商户经营照的类别,将商户经营照输入对应类别的图像识别模型,以得到所述商户经营照的识别结果。
步骤106,基于所述识别结果确定所述商户经营照对应商户的经营信息。
如上文所述,在一个实施例中,商户经营照例如包括商户门头照,商户的经营内容照和商户的周围街景照。为了保证准确率,可指定相关的照片类别,并通过特定类别的训练样本集进行训练,以期得到准确率较高的图像识别模型,即权衡图像识别模型的通用性和准确率之间的关系。
在本发明实施例中,将刻画商户画像所需的商户经营照片分为三类:商户门头照、经营内景照、周围街景照,这三类照片分别对应不同的图像识别模型。
在一个实施例中,在商户经营照为商户门头照的情况下,对应类别的图像识别模型为第一识别模型,第一识别模型用于分类识别商户门头照的物体。具体地,将所述商户经营照输入对应类别的图像识别模型以得到所述商户经营照的识别结果包括:将所述商户门头照输入预设的第一识别模型,通过预设的第一识别模型对所述商户门头照里的物体进行分类识别,得到对应的识别结果。
在步骤106中,在一个实施例中基于识别结果确定所述商户经营照对应商户的经营信息包括:根据识别结果确定商户门头照对应商户的经营场景,其中,将所述商户的经营场景作为所述商户的经营信息。
经营场景比较容易理解,即如果提交的商户门头照是一个真实门店,则该商户是有固定门店经营的场景;如果提交的商户门头照是一辆车,则是交通运输类;如果商户门头照是一个小摊贩,则可能是流动或者固定摊贩类经营。
在一个实施例中,商户的经营场景的类别包括固定门店、售货车和摊位,第一识别模型分类识别的商户门头照的物体类别包括固定门店、售货车、摊位和其他类。其他类是用于识别输入第一识别模型的照片的物体,从而识别该照片是否是商户门头照。因为可能存在目标对象提交的图片是虚假照片的情况,因此在获取到目标对象根据指令提交商户门头照后,输入第一识别模型先识别提交的照片是不是商户门头照。如果第一识别模型识别照片里的物体非固定门店、售货车、摊位时,则将其识别为其他类。即,识别该照片不是商户门头照。
售货车可以分为固定售货车和流动售货车,摊位也可以分为固定摊位和流动摊位。但是除固定门店之外,商户门头照是无法判断商户的售货车、摊位经营场景是位置固定经营模式还是位置流动经营模式的,可以增加交叉验证方式,后面会展开说明。
如上文所述,在步骤106中,基于识别结果确定商户经营照对应商户的经营信息包括:根据识别结果确定商户门头照对应商户的经营场景,并将商户的经营场景作为所述商户的经营信息。
具体地,在一个实施例中,根据分类识别得到的识别结果,确定所述商户的经营场景为固定门店、售货车或摊位,或者在识别结果为其他类的情况下,确定获取的商户经营照不是商户门头照。
为了得到更精确的商户经营信息对商户经营场景进行刻画,可以利用交易LBS(Location Based Services,基于位置的服务)信息对第一识别模型识别商户门头照确定的商户经营场景进行交叉验证。LBS是利用各类型的定位技术来获取定位设备当前的所在位置,LBS服务中融合了移动通讯、互联网络、空间定位、位置信息、大数据等多种信息技术,利用移动互联网络服务平台进行数据更新和交互,使用户可以通过空间定位来获取相应的服务。
在一个实施例中,基于识别结果确定商户经营照对应商户的经营信息还包括:获取所述商户的交易LBS信息,根据所述交易LBS信息确定商户的交易地理位置。然后,基于交易地理位置确定所述商户的经营场景,根据基于所述交易地理位置确定的商户的经营场景对所述识别结果确定的商户的经营场景进行验证,并将通过验证的商户的经营场景作为所述商户的经营信息。
商户的交易LBS信息可以是单条交易信息,也可以多条交易LBS信息组成的交易簇信息。根据交易LBS信息可以得知该商户对应产生的交易地点,即地理经纬度信息。对于商户具有固定门店经营的场景,交易LBS信息理论上应该是限制在很小区域范围内的。对于售货车或摊位,则其交易LBS信息可能是存在一定的地理位置变化,具体地,售货车具有流动性,可能不局限于某一个固定交易位置,对于果是流动摊贩的摊位,其交易位置也是变化的。因此,可以基于交易LBS信息确定的交易地理位置确定商户的经营场景,具体地,确定预定时间周期内商户的交易地理位置是否发生变化,若交易地理位置未发生变化,确定所述商户的经营场景为位置固定经营模式,包括固定门店、固定摊位,或者固定售货车。若所述交易地理位置发生变化,确定所述商户的经营场景为位置流动经营模式,包括流动售货车或流动摊位。
在进行交叉验证时,若根据第一识别模型确定的识别结果确定的商户的经营场景为固定门店,而根据基于交易地理位置确定的商户的经营场景为位置流动模式,则表示根据商户门头照识别确定的商户经营场景可能不准确,认为该识别结果未通过交叉验证。若根据第一识别模型确定的识别结果确定的商户的经营场景为固定门店,根据基于交易地理位置确定的商户的经营场景为位置固定模式,则可以认为该识别结果通过交叉验证。并将通过验证的商户的固定门店的经营场景作为所述商户的经营信息。
在一个实施例中,本发明实施例的商户画像的刻画方法还包括生成第一识别模型的步骤,生成第一识别模型包括:获取训练样本,其中,每一训练样本包括样本的图像和对应样本的类别,样本的类别表示对应样本为固定门店、售货车、摊位还是其他类;根据训练样本,训练得到第一识别模型。
其中,在步骤106中,在一个实施例中,根据分类识别得到的识别结果,确定商户的经营场景为固定门店、售货车或摊位,或者在所述识别结果为其他类的情况下,确定获取的所述商户经营照不是商户门头照。
此外,通过识别商户门头照除了可以确定商户的经营场景之外,还可以根据商户门头照上出现的文字来识别确定商户的经营行业。
根据行业分类,经营行业分类例如包括餐饮、宾馆、电讯业、房地产、服务、服装业、教育、零售、批发、农业、旅游业、医疗服务等等。
对于经营行业的识别,是在判断上述步骤102获取的商户经营照是商户门头照的基础上,新增门头照上的文字提取功能。门头照上的文字通常是最能体现商户经营内容的文字,例如“如意面馆”、“吉祥超市”等,所以这部分信息的获取对提高商户行业识别的准确率和覆盖率有非常重要的作用。
固定门店、售货车和摊位对应的门头照对可能具有门头文字,例如固定门店的店铺名称,售货车的车篷或车身也可能会写出经营类型或内容的文字,摊位本身虽然不具有承载门头文字的部位,但是很多商贩会在摊位旁边立起标识板或标识牌,上面具有描述摊位经营的类型或内容的文字,例如“早餐摊”、“果蔬摊”等等。
因此,在一个实施例中,本发明实施例的商户画像的刻画方法还包括:将商户门头照输入预设的文字提取模块,以得到所述商户门头照对应的文字数据。文字提取模块可以是根据训练样本训练得到的,每一训练样本包括样本的文字图像和对应样本的文字数据。
在一个实施例中,基于识别结果确定商户经营照对应商户的经营信息,是根据所述文字数据确定所述商户门头照对应商户的经营行业,其中,将所述商户的经营行业作为所述商户的经营信息。
在一个实施例中,根据提取的文字数据确定商户门头照对应商户的经营行业,是将提取的文字数据输入到预设的第一行业分类模型,通过预设的行业分类模型对所述文字数据进行映射识别,得到文字数据对应的行业分类,然后,将文字数据对应的行业分类确定为商户门头照对应商户的经营行业。
从商户门头照提取的文字特征可能为句子,在输入第一行业分类模型之前,可以将提取的句子进行拆分得到各个标准中文词语,每个词语对应一个特征,然后将这些拆分词语拼接成一组特征向量,输入到第一行业分类模型中进行映射识别。
本发明实施例的商户画像的刻画方法还包括生成所述第一行业分类模型的步骤,即,获取训练样本,其中,每一训练样本包括样本的文字数据和对应样本的行业分类类别;根据所述训练样本,训练得到第一行业分类模型。例如,样本的文字数据为“面馆”,则样本标签为“餐饮业”;样本的文字数据为“水果店”,则样本标签为“个体工商业”。通过训练样本,可以得到对应的第一行业分类模型。其中,文字数据可以是多个特征值组成的向量值表示,样本标签可以是标识行业分类类别的数值,例如以特征赋值数值0,1,2,3,……对不同的行业进行分类。
在另一个实施例中,根据文字数据确定商户门头照对应商户的经营行业,包括获取数据库的行业分类数据,将提取的文字数据和数据库的行业分类数据进行映射比对,根据映射比对结果确定文字数据对应的行业分类;并将文字数据对应的行业分类确定为商户门头照对应商户的经营行业。例如,数据库中包括行业分类字段和行业关键词字段,行业分类字段下可以写入不同行业分类数据,及行业关键词字段下写入该行业分类对应的行业关键用词。例如,数据库中,行业分类为“餐饮业”,其对应的行业关键词为“餐厅”、“饭店”或者“家常菜”等等。如果提取的文字数据表示“餐厅”,则通过查找数据库中的行业关键词“餐厅”,可以获得对应映射的行业分类数据,即“餐饮业”。
在一个实施例中,在商户经营照为商户的经营内景照的情况下,对应类别的图像识别模型为第二识别模型,第二识别模型用于分类识别经营内景照的物体。具体地,将商户经营照输入对应类别的图像识别模型以得到商户经营照的识别结果包括:首先,获取所述商户的相关信息。这里商户的相关信息例如包括该商户对应的大数据,例如交易信息(包括采购交易和销售交易),关于该商户的评价信息,商户提供的营业执照里描述的经营行业内容等。
然后,根据商户的相关信息预测所述商户对应的至少一个经营行业。在一个实施例中,预测的经营信息包括至少两个。例如,商户的交易信息包括食品销售,预测该商户的经营行业可能为餐饮行业,根据商户的评价文本信息提取关键信息预测该商户的经营行业可能为烘焙行业。虽然营业执照会写明商户对应的经营范围,但是这个经营范围通常非常大,并不能准确地确定该商户的实际经营行业。
在一个实施例中,商户画像的刻画方法还包括生成第二识别模型的步骤,包括:获取训练样本,其中,每一训练样本包括样本的图像和对应样本中物体的类别;根据所述训练样本,训练得到所述第二识别模型。
上述根据商户相关信息预测商户对应的至少一个经营行业目的在于,根据预先确定的经营行业收集对应行业内景照的物体样本,作为样本训练集来训练第二识别模型,以更准确地识别行业内景照里的物体。
因此,将经营内景照分别对应输入至少一个预设的第二识别模型,至少一个预设的第二识别模型分别与预测的至少一个经营行业对应,以分类识别经营内景照中属于对应的预测经营行业的物体。也就是说,如果预测商户行业为餐饮业,则对应的第二识别模型为根据餐饮业的餐厅内部所可能包括的物体作为样本训练得到的,例如利用桌子、椅子、凳子、盘子、碟子、筷子等餐厅内部出现的物体图像进行训练得到对应的分类模型,即第二识别模型。
如果预测商户行业还可能是售卖大型水果超市的中小型零售业,则对应的第二识别模型为根据水果超市内部可能包括的物体作为样本训练得到的,例如利用苹果、橘子、香蕉、西瓜等水果超市内部出现的物体图像进行训练得到对应的分类模型,即第二识别模型。
下面以预测商户对应至少两个经营行业、对应每个行业训练出至少两个第二识别模型为例,对本发明实施例将商户经营照输入第二识别模型以得到商户经营照的识别结果,以及根据识别结果确定商户的经营行业(为方便描述,下文中称作商户经营行业确定步骤)展开作出说明。
图4为本发明一个实施例的商户经营行业确定步骤的流程图,包括:
步骤202,获取商户的相关信息;
步骤204,根据商户的相关信息预测商户对应的至少两个经营行业;
步骤206,将经营内景照分别对应输入至少两个预设的第二识别模型,至少两个预设的第二识别模型分别与预测的至少两个经营行业对应,以分类识别所述经营内景照中属于对应的预测经营行业的物体;
步骤208,通过至少两个预设的第二识别模型对经营内景照里属于对应的预测经营行业的物体进行分类识别,获取每个第二识别模型对应的识别相似度。
相似度为第二识别模型识别对应预测经营行业的物体时,识别出的各个物体的相似度的平均值。例如,以预测行业对应餐厅、水果店和花店为例,在利用餐厅内的物品图像作为样本训练得到的第二识别模型来识别餐厅内景照时,可能识别其中桌子的相似度为80%,识别碗的相似度为90%,识别筷子的相似度为100%,则得到其平均相似度为90%,即对应识别该经营内景照为餐厅内景照的第二识别模型的识别相似度为90%。
同样地,可以得到识别水果店对应的第二识别模型的识别相似度为30%,得到识别花店对应的第二识别模型的识别相似度为20%。
步骤210,确定所述至少两个识别相似度中识别相似度的最大值,即最大相似度。
仍以上述预测行业对应餐厅、水果店和花店为例,最大相似度为90%。
步骤212,确定最大值的识别相似度是否大于预定阈值。
预定阈值为每个识别对应经营行业的第二识别模型在样本训练时,在训练完成后,确定识别的样本结果为基本正确的情况下,对应的每个物体的平均相似度。以餐厅的物体样本为例,若识别桌子样本的相似度为70%,碗样本的相似度为100%,样本筷子的相似度为70%,平均相似度为80%,而在80%平均相似度的前提下,这些样本的识别正确率为100%,则该预定阈值可以设置为80%。
步骤214,在最大识别相似度大于所述预定阈值的情况下,将最大识别相似度作为所述识别结果。
步骤216,确定最大识别相似度对应的预测经营行业为商户的经营信息。
步骤218,若最大识别相似度不大于预定阈值,则说明获取的商户经营内景照可能不符合要求,需要重新获取经营内景照。在一个实施例中,也可能是预测的经营行业不够,可以重新预测经营行业,并输入利用对应经营行业的物体作为训练样本得到的第二识别模型,再次进行识别和确定。
图5为本发明另一个实施例的商户经营行业确定步骤的流程图,包括:
步骤242,获取商户的相关信息;
步骤244,根据商户的相关信息预测所述商户对应的至少两个经营行业;
步骤246,将经营内景照输入预设的至少两个第二识别模型中的一个,至少两个第二识别模型分别与预测的所述至少两个经营行业对应,以分类识别所述经营内景照中属于对应的预测经营行业的物体;
步骤248,通过至少两个第二识别模型中的一个对经营内景照里属于对应的预测经营行业的物体进行分类识别,获取该第二识别模型的识别相似度。关于识别相似度可以参考上文图4实施例所述内容,这里不再赘述。
步骤250,确定识别相似度是否大于预定阈值。关于预定阈值可以参考上文图4实施例所述内容,这里不再赘述。
步骤252,在识别相似度大于预定阈值的情况下,将该识别相似度作为识别结果。
步骤254,确定识别相似度对应的预测经营行业为商户的经营信息。
步骤256,在识别相似度不大于预定阈值的情况下,需要判断当前对经营内景照进行识别的第二识别模型是否是至少两个第二识别模型中的最后一个识别的模型,即判断当前是否已遍历所有的第二识别模块;
如果没有遍历所有的第二识别模型,则返回步骤246,将经营内景照继续输入到另一个第二识别模型中进行识别;或者,如果判断已经遍历所有的第二识别模型,即判断所有的第二识别模型都已经对经营内景照进行过识别且所有第二识别模型对应的识别相似度都小于预定阈值,说明该经营内景照可能不符合要求,则进入步骤258;
步骤258,重新获取经营内景照;或者重新预测经营行业,并输入利用对应经营行业的物体作为训练样本得到的第二识别模型,再次进行识别和确定。
在预测商户对应一个行业时,第二识别模型只有一个,用于对该行业商户经营内景可能出现的物体进行分类识别。在对商户预测两个或两个以上行业时,对应的第二识别模型也有两个或两个以上,分别用于分类识别对应行业商户经营内景可能出现的物体。对于存在两个或以上第二识别模型时,每个识别模型会得到对应物体的识别相似度,因此这时存在两个或以上的识别相似度,识别相似度大小可能不同。
在利用识别结果确定商户内景照对应的经营行业时,通过超出预定阈值确定的识别相似度对应的预测经营行业为所述商户的经营行业,其中,将所述商户的经营行业作为所述商户的经营信息。
下面在结合另一个实施例中,对本发明实施例将商户经营照输入第二识别模型以得到商户经营照的识别结果,以及根据识别结果确定商户的经营行业展开作出说明。
将经营内景照输入预设的第二识别模型,通过预设的第二识别模型对经营内景照里的多个物体进行分类识别,得到对应的识别结果。
然后,基于识别结果确定所述商户经营照对应商户的经营信息,是将识别的多个物体的图像分别输入到预设的第二行业分类模型,通过预设的第二行业分类模型对所述多个物体分别进行映射识别,得到多个物体分别对应的行业分类。统计属于同一个行业分类的对应物体的数量,并按数量大小排序,将属于同一个行业分类且物体数量最多的物体对应的行业分类确定为经营内景照对应商户的经营行业,其中,将商户的经营行业作为所述商户的经营信息。
在一个实施例中,商户画像的刻画方法还包括生成第二识别模型的步骤,包括:获取训练样本,其中,每一训练样本包括样本的图像和对应样本中物体的类别;根据所述训练样本,训练得到所述第二识别模型。
虽然目前并没有完全通用的图像识别能力,但对特定物体的识别能力已经比较完善,人工智能(AI)已经能够从照片中识别超10万类常见物体。如此可以对商户内景照里的物体进行识别,再通过识别到的物体跟经营行业分类类别进行映射,就可以得到一个较为准确的行业信息。例如,在一个商户的内景照里识别到了桌子、椅子、餐盘、纸巾等,那么这个商户大是一个餐饮店;如果一个商户的内景照里识别到了花瓶、各种花花草草,则这个商户大是一个花店。
在一个实施例中,商户画像的刻画方法还包括生成所述第二行业分类模型的步骤,包括:获取训练样本,其中,每一训练样本包括样本的图像和对应样本的行业分类类别;根据训练样本,训练得到所述第二行业分类模型。与上述第一行业分类模型类似,如果对应的样本物体图像为“桌椅”、“餐具”,则该样本标签定义为“餐饮业”;如果对应的样本物体图像为“苹果”、“香蕉”等,则样本标签为“个体工商业”。通过训练样本,可以得到对应的第二行业分类模型。
在一个实施例中,在商户经营照为商户的经营街景照的情况下,对应类别的图像识别模型为第三识别模型,第三识别模型用于分类识别经营街景照的标志性建筑。生成第三识别模型的步骤,包括:获取训练样本,其中,每一训练样本包括样本的图像和对应样本的类别,样本为标志性建筑;根据训练样本,训练得到第三识别模型。训练样本例如取自地图软件,地图软件具有存储标志性建筑图片的图片库。样本类别例如是表示对应样本图片中标志性建筑类别的标签。
在一个实施例中,步骤104将商户经营照输入对应类别的图像识别模型以得到所述商户经营照的识别结果包括:将经营街景照输入预设的第三识别模型进行图像识别,确定经营街景照中的预定目标,其中,将预定目标作为所述商户经营照的识别结果。
预定目标即表示商户周围的街景照中的标志性建筑,通过将预定目标输入第三识别模型,可以识别该预定目标属于哪个标志性建筑。
例如,商户提供的周围街景照输入第三识别模型后,识别出的标志性建筑为上海东方明珠电视塔。
在一个实施例中,步骤106基于识别结果确定商户经营照对应商户的经营信息包括:获取所述预定目标的地理位置,根据预定目标与经营街景照中所述商户的相对地理位置确定商户的地理位置,根据商户的地理位置确定所述商户的经营地址,其中,将所述商户的经营地址作为所述商户的经营信息。
例如,仍以上述预定目标为东方明珠电视塔为例,在识别出电视塔的地理位置之后,可以根据街景照中电视塔与拍摄照片的角度朝向、相对距离等定位街景照的拍摄位置,即商户的实际地理位置。
对于流动式经营场景的商户,例如流动售货车或流动摊位,虽然商户的经营地址可能是变化的,但是根据周围街景照确定的商户经营地址也可以表现其经营的活动区域或范围。
街景照可以作为对商户门头照和经营内景照的一个重要补充,通过识别街景照中的标志性建筑还可以有助于判断该商户是否处于商圈,对商户的经营地址也可以得到一个有效刻画。商户的具体经营地址虽然可以通过交易的LBS信息从后台数据库获取,但是LBS信息本身会存在500米左右的漂移,而且可能存在获取不及时甚至是不能获取的情况。这样,通过第三识别模型对商户周围的街景照识别出周围的标志性建筑,可以快速定位商户所在的地理位置,包括POI(Point of Interest,兴趣点)位置。
根据上述实施例,商户画像的刻画方法通过获取的商户门头照可以确定商户的实际经营场景,根据商户门头照提取的文字可以确定商户的经营行业类别;通过获取的商户经营内景照可以确定商户的经营行业类别;通过获取的商户周围街景照可以确定商户的经营地址。
在仅具有上述三类商户经营照中一种时,对应确定的商户经营信息是独立的单维度信息。在某些情况下,单维度的信息并不能完全可信。例如,商户提供的经营照可能存在造假的可能。例如在要求商户提交门头照时,商户为了作假,提交了其他商户的门头照,虽然不是该商户本人经营的门头照,但是该照片确实是一个真实门头,这样的情况下根据商户提交的门头照确定的经营信息可能不会被发现异常。
此外,如果是C认证(如商户对应的买家)提交的照片,由于买家本身跟商户的利益冲突较少,准确率会偏高,作弊的可能性会偏低,但是还是可能存在一定的不确定性。
因此,本发明实施例的商户画像方法还需要通过其他大数据信息、包括不同类别商户经营照片之间的交叉验证,才能根据确定的商户经营信息刻画得到一个可信且完整的商户画像。
在一个实施例中,本发明实施例的商户画像方法还包括:获取商户经营照对应商户的交易信息,以确定商户的交易模式和资金流水数据(即,获取商户的大数据信息)。基于交易模式和资金流水数据,对基于识别结果确定的商户的经营信息进行验证,其中,将通过验证的识别结果确定的经营信息作为商户的经营信息。
通过获取商户的交易信息,可以得知商户产生交易的时间和资金数量,例如某商户总是在早、中、晚发生大量的交易数据,且资金数额比较大。若识别商户的门头照识别该商户为大排档摊位,与该商户大数据体现的交易模式和资金流水数据不符合,那可能该商户门头照可能是虚假的照片。
在一个实施例中,在步骤102获取的商户经营照包括商户门头照和经营内景照的情况下,本发明实施例的商户画像方法还可以将商户门头照对应的识别结果和经营内景照对应的识别结果进行交叉验证;如果两种类型的经营照分别识别的经营行业不一致,则表示商户门头照和经营内景照中至少存在一个虚假照片。如果两种类型的经营照分别识别的经营行业一致,则可以认为这两种经营照为真实照片,通过了验证,则将通过交叉验证的识别结果确定的经营信息作为所述商户的经营信息。
在一个实施例中,根据指令提交商户经营照的目标对象包括商户、买家和微客中至少一个,即商户经营照可以由商户本人提交,也可以由买家或微客认证的微客提交。在所述目标对象包括商户、买家和微客中至少两个时,即同时存在向两个或以上目标对象发送提交所述商户经营照的指令时,可以将两个或以上目标对象分别提交的商户经营照对应的识别结果进行交叉验证。即如果识别结果确定的商户经营信息一致,则将通过交叉验证的识别结果确定的经营信息作为所述商户的经营信息。
步骤108,根据确定的商户的经营信息对所述商户画像进行刻画。
这里确定的商户经营信息,可以是根据获取的商户经营照确定,也可以是通过交叉验证后确定的。
<例子>
现在,请参考图6,图6为本发明实施例的商户画像的刻画方法示例流程图,图示流程图的各步骤可以由图2中的服务器实施,也可以由图2中的终端设备1200实施。
如图6所示,该实施例的商户画像的刻画方法包括以下步骤:
步骤302,确定所需商户经营照的类型。
如上文所述,在一个实施例中,商家经营照的类型包括商户门头照、经营内景照和周围街景照。
确定所需的类型可以首先获取该商户的有关信息,例如进行商户的大数据挖掘,获取商户已提供的经营信息,确定缺少的经营信息,并根据补充信息的类别,确定所需要提供的商户经营照。
例如,通过获取该商户的大数据信息可知,该商户还缺少经营场景信息,则可以让补全提交用于确定经营场景信息的商户门头照;若得知该商户缺少经营行业信息,则可以让补全提交用于确定经营行业类别的商户门头照和/或经营内景照;若得知该商户缺少经营地址信息,则可以让补全提交用于确定经营地址的商户周围街景照。
步骤304,确定商户经营照的提交方式。
如上文所述,在一个实施例中,商户经营照的提交方式可以是通过商户、买家和/或微客提交。其中买家提交可以是C端问卷或短信的方式,微客提交则是通过微客认证的方式。
确定提交方式可以根据该商户现有已提交的经营照来确定,如果该商户之前没有提交过经营照,则可以发送指令让商户提交,也可以发送指令由买家或微客提交,以对商家提交的经营照进行交叉验证。如果该商户之前提交过经营照,则可以根据提交的经营照对应确定的经营信息,发送指令由买家或微客提交确定对应经营信息的商户经营照,以对商家提交的经营照确定的经营信息进行交叉验证。
步骤306,获取商户、买家和/或微客上传/提交的商户经营照。
步骤308,判断提交的商户经营照是否通过模型校验。
在一个实施例中,模型校验至少包括以下几种情况:
(1)提交的照片是否是商户门头照,若不是,则不通过校验,需对应提交照片的提交方重新上传商户门头照。
在一个实施例中,可以利用用于分类识别商户门头照的物体的第一识别模型来进行校验,若提交的照片被第一识别模型识别为其他类,则不通过校验,需对应提交商户经营照的提交方重新上传商户经营照。
(2)提交的照片是否是经营内景照,若不是,则不通过校验,需对应提交照片的提交方重新上传经营内景照。
(3)提交的照片是否是周围街景照,若不是,则不通过校验,需对应提交照片的提交方重新上传周围街景照。
在一个实施例中,对应第(2)、(3)种情况,可以由软件实现,或者人工审核。
步骤310,是否通过交叉验证。
如上文所述,在一个实施例中,交叉验证至少包括以下几种情况:
(1)基于该商户的交易信息大数据校验提交的商户经营照确定的商户经营信息。
(2)基于商户本人提交的两个或以上商户经营照的互相交叉验证。
(3)基于买家或微客提交的商户经营照对商户提交的经营照确定的经营信息进行交叉验证。
若其中任一种情况不通过交叉验证,则返回步骤302,重新确定所需的商户经营照类型。若通过交叉验证,则进入步骤312,利用获取的商户经营照的类别对应确定商户的经营信息,即经营行业、经营地址、经营场景,以对该商户的画像进行刻画或完善。
根据本实施例的商户画像的刻画方法,利用商户经营照进行图像识别确定经营信息,并基于图像识别的经营信息对商户进行刻画。能够更全面、完整地获取商户信息,提高商户画像的覆盖率,并且提高了商户画像的准确度。同时,商户画像所需数据可以自动识别和采集,无需人工审核,降低画像成本。
此外,现有存在的C端(买家)认证是通过买家认证商户的相关信息,但是买家提交信息的规范性差,如对于同一家在小区卖杂货的小门店,有的买家提交的信息是“小卖部”,有的买家提交的是“食品”,更有的只会提交其购买的商品名“香烟”。这对后续的行业识别增加了很大的难度。
本发明实施例的商户画像方法通过让买家提供商户的经营照并自动识别和获取该商户经营照对应的经营信息,用于对商户经营信息进行交叉验证,不仅简化了买家提供认证信息的方式,提高买家提交验证信息的配合程度。还可以获取更规范、统一的商户经营信息,提高了商户经营信息验证的准确性和便利性。
<方法实施例二>
本实施例提供了一种商户画像的验证方法,该方法由终端设备实施,例如由图2中的终端设备1200实施。图7示出了该实施例的商户画像的验证方法的流程示意图。如图7所示,该实施例的商户画像的验证方法可以包括如下步骤:
步骤502,响应基于对根据商户提交的信息刻画的商户画像的验证请求,向所述商户的买家发送提交所述商户的商户经营照的指令。
商户提交的用于刻画商户画像的信息可以是商户开户时或者后续补全信息时提供的信息,例如填写的文本信息,也可以是本发明实施例的商户画像的刻画方法中商户提供用于商户画像的经营照信息。
买家与该商户发生经营交易,为了保持买家对商户的记忆度和保证问卷的及时性,通常会在买家的支付成功页推送问卷、短信或邮件,让买家提供该商户特定的商户经营照。买家所提供的商户经营照内容可以根据推送内容的要求提供,例如提供商户门头照还是经营内景照,或者都提供等等。
步骤504,获取所述买家基于所述指令提交的所述商户经营照。
步骤506,基于所述商户经营照,为完成所述商户画像的验证执行设定操作,其中所述商户画像的验证包括商户画像的刻画,所述商户画像的刻画包括:根据所述商户经营照的类别,将所述商户经营照输入对应类别的图像识别模型,以得到所述商户经营照的识别结果;基于所述识别结果确定所述商户经营照对应商户的经营信息;根据所述商户的经营信息对所述商户画像进行刻画。
在一个实施例中,该步骤506中,为完成所述商户画像的验证执行设定操作可以包括:进行商户画像的验证,即,该实施例中,可以由终端设备1200进行该商户画像的验证。
在另一个实施例中,该步骤506中,为完成所述商户画像的验证执行设定操作也可以包括:将买家提交的所述商户经营照发送至服务器,由服务器进行商户画像的验证。
步骤508,比对所述买家提交的所述商户经营照刻画的商户画像与所述根据商户提交的信息刻画的商户画像是否一致,对所述根据商户提交的信息刻画的商户画像进行验证。
如果一致,根据商户提交信息刻画的商户画像通过验证;如果不一致,则根据商户提交信息刻画的商户画像未通过验证,即表示该商户画像的准确性低,可以让该商户重新提取对应的经营信息,例如文本信息或者经营照片信息。
在上述由服务器对商户画像进行验证的实施例中,所述商户画像的验证方法还包括:接收所述服务器完成所述商户画像的验证返回的验证结果。
根据该实施例方法,商户画像的验证引入了图像识别技术对买家提供的商户经营照进行识别及确定对应的经营信息,并进行交叉验证,可以有效防止现有买家提交不规范的文本验证信息造成的商户画像的验证难度和准确度。还简化了买家提供验证信息的方式,提高买家提交验证信息的配合程度。
<装置实施例>
本实施例提供一种商户画像的刻画装置,该装置例如是图8所示的商户画像的刻画装置2000,该商户画像的刻画装置2000包括获取模块2200、识别模块2400、确定模块2600和刻画模块2800。
获取模块2200用于获取商户经营照,识别模块2400用于根据商户经营照的类别,将商户经营照输入对应类别的图像识别模型,以得到所述商户经营照的识别结果。确定模块2600用于基于识别结果确定商户经营照对应商户的经营信息,刻画模块2800用于根据所述户的经营信息对商户画像进行刻画。
在一个实施例中,商户画像的刻画装置2000还包括发送模块(图中未示出),发送模块用于在获取所述商户经营照之前,向目标对象发送提交商户经营照的指令。所述获取模块2200可以用于获取目标对象基于所述指令提交的商户经营照。
在一个实施例中,商户经营照为商户门头照,对应类别的图像识别模型为第一识别模型,第一识别模型用于分类识别商户门头照的物体,识别模块2400用于将商户门头照输入预设的第一识别模型;通过所述预设的第一识别模型对所述商户门头照里的物体进行分类识别,得到对应的识别结果。其中,确定模块2600用于根据识别结果确定商户门头照对应商户的经营场景,其中,将商户的经营场景作为商户的经营信息。
在一个实施例中,商户的经营场景的类别包括固定门店、售货车和摊位,所述第一识别模型分类识别的所述商户门头照的物体类别包括固定门店、售货车、摊位和其他类。其中,确定模块2600用于根据分类识别得到的所述识别结果,确定所述商户的经营场景为固定门店、售货车或摊位,或者在识别结果为其他类的情况下,确定获取的所述商户经营照不是商户门头照。
在一个实施例中,确定模块2600还用于:获取所述商户的交易LBS信息;根据所述交易LBS信息确定所述商户的交易地理位置;基于所述交易地理位置确定所述商户的经营场景;根据基于所述交易地理位置确定的所述商户的经营场景对所述识别结果确定的所述商户的经营场景进行验证;将通过验证的所述商户的经营场景作为所述商户的经营信息。
在一个实施例中,确定模块2600还用于:确定预定时间周期内所述交易地理位置是否发生变化;若所述交易地理位置未发生变化,确定所述商户的经营场景为位置固定经营模式;或者,若所述交易地理位置发生变化,确定所述商户的经营场景为位置流动经营模式。
在一个实施例中,商户画像的刻画装置2000还包括提取模块(图中未示出),用于:将所述商户门头照输入预设的文字提取模型,以得到所述商户门头照对应的文字数据。其中,确定模块2600用于:根据所述文字数据确定所述商户门头照对应商户的经营行业,其中,将所述商户的经营行业作为所述商户的经营信息。
在一个实施例中,确定模块2600用于:将提取的所述文字数据输入到预设的第一行业分类模型;通过所述预设的行业分类模型对所述文字数据进行映射识别,得到所述文字数据对应的行业分类;将所述文字数据对应的行业分类确定为所述商户门头照对应商户的经营行业。
在一个实施例中,确定模块2600用于:获取数据库的行业分类数据;将提取的所述文字数据和所述数据库的行业分类数据进行映射比对;根据映射比对结果确定所述文字数据对应的行业分类;将所述文字数据对应的行业分类确定为所述商户门头照对应商户的经营行业。
在一个实施例中,商户画像的刻画装置2000还包括第一识别模型生成模块(图中未示出),用于生成第一识别模型,第一生成模块用于:获取训练样本,其中,每一训练样本包括样本的图像和对应样本中物体的类别,所述物体的类别表示对应物体为固定门店、售货车、摊位还是其他类;根据所述训练样本,训练得到第一识别模型。
在一个实施例中,商户画像的刻画装置2000还包括文字提取模型生成模块(图中未示出),用于生成文字提取模型,文字提取模型生成模块用于:获取训练样本,其中,每一训练样本包括样本的文字图像和对应样本的文字数据;根据所述训练样本,训练得到所述文字提取模型。
在一个实施例中,商户画像的刻画装置2000还包括:第一行业分类模型生成模块,用于生成第一行业分类模型,第一行业分类模型生成模块用于:获取训练样本,其中,每一训练样本包括样本的文字数据和对应样本的行业分类类别;根据所述训练样本,训练得到所述第一行业分类模型。
在一个实施例中,商户经营照为商户的经营内景照,对应类别的图像识别模型为第二识别模型,第二识别模型用于分类识别经营内景照的物体。其中,识别模块2400用于:获取所述商户的相关信息;根据所述商户的相关信息预测所述商户对应的至少一个经营行业;将所述经营内景照分别对应输入至少一个预设的第二识别模型,所述至少一个预设的第二识别模型分别与预测的所述至少一个经营行业对应,以分类识别所述经营内景照中属于对应的预测经营行业的物体;通过所述至少一个预设的第二识别模型对所述经营内景照里属于对应的预测经营行业的物体进行分类识别,获取所述至少一个预设的第二识别模型对应的至少一个识别,其中将所述至少一个识别作为所述识别结果。
在一个实施例中,确定模块2600用于:确定所述至少一个识别中的最大识别对应的预测经营行业为所述商户的经营行业,其中,将所述商户的经营行业作为所述商户的经营信息。
在一个实施例中,商户经营照为商户的经营内景照,对应类别的图像识别模型为第二识别模型,第二识别模型用于分类识别经营内景照的物体。其中,识别模块2400用于:将所述经营内景照输入预设的第二识别模型;通过所述预设的第二识别模型对所述经营内景照里的多个物体进行分类识别,得到对应的识别结果。
在一个实施例中,确定模块2600用于:将识别的多个物体的图像分别输入到预设的第二行业分类模型;通过所述预设的第二行业分类模型对所述多个物体分别进行映射识别,得到所述多个物体分别对应的行业分类;统计属于同一个行业分类的对应物体的数量,并按数量大小排序;将属于同一个行业分类且物体数量最多的物体对应的行业分类确定为所述经营内景照对应商户的经营行业,其中,将所述商户的经营行业作为所述商户的经营信息。
在一个实施例中,商户画像的刻画装置2000还包括第二识别模型生成模块(图中未示出),用于生成第二识别模型,第二识别模型生成模块用于:获取训练样本,其中,每一训练样本包括样本的图像和对应样本中物体的类别;根据所述训练样本,训练得到所述第二识别模型。
在一个实施例中,商户画像的刻画装置2000还包括第二行业分类模型生成模块(图中未示出),用于生成第二行业分类模型,第二行业分类模型生成模块用于:获取训练样本,其中,每一训练样本包括样本的图像和对应样本的行业分类类别;根据训练样本,训练得到第二行业分类模型。
在一个实施例中,商户经营照为商户的经营街景照,对应类别的图像识别模型为第三识别模型,第三识别模型用于分类识别经营街景照的标志性建筑。识别模块2400用于:将所述经营街景照输入预设的第三识别模型进行图像识别,确定所述经营街景照中的预定目标,其中,将所述预定目标作为所述商户经营照的识别结果。
在一个实施例中,确定模块2600用于:获取所述预定目标的地理位置;根据所述预定目标与所述经营街景照中所述商户的相对地理位置确定所述商户的地理位置;根据所述商户的地理位置确定所述商户的经营地址,其中,将所述商户的经营地址作为所述商户的经营信息。
在一个实施例中,商户画像的刻画装置2000还包括第三识别模型生成模块(图中未示出),用于生成第三识别模型,第三识别模型生成模块用于:获取训练样本,其中,每一训练样本包括样本的图像和对应样本的类别,所述样本为标志性建筑;根据所述训练样本,训练得到所述第三识别模型。
在一个实施例中,商户画像的刻画装置2000还包括第一验证模块(图中未示出):验证模块用于:获取所述商户经营照对应商户的交易信息,以确定所述商户的交易模式和资金流水数据;基于所述交易模式和资金流水数据,对基于所述识别结果确定的所述商户的经营信息进行验证,其中,将通过验证的所述识别结果确定的所述经营信息作为所述商户的经营信息。
在一个实施例中,商户经营照包括商户门头照和经营内景照,商户画像的刻画装置2000还包括第二验证模块(图中未示出),第二验证模块用于:将所述商户门头照对应的识别结果和所述经营内景照对应的识别结果进行交叉验证;其中,将通过交叉验证的所述识别结果确定的所述经营信息作为所述商户的经营信息。
在一个实施例中,目标对象包括商户、买家和微客中至少一个。在目标对象包括商户、买家和微客中至少两个的实施例中,商户画像的刻画装置2000还包括第三验证模块(图中未示出),第三验证模块用于:将所述目标对象提交的商户经营照对应的识别结果进行交叉验证;其中,将通过交叉验证的所述识别结果确定的所述经营信息作为所述商户的经营信息。
<设备实施例>
本实施例中,还提供一种电子设备,该电子设备包括本说明书装置实施例中描述的商户画像的验证装置2000。
在另外的实施例中,如图9所示,该电子设备3000可以包括存储器3200和处理器3400。该存储器3200用于存储可执行命令。该处理器3400用于在存储器3200存储的可执行命令的控制下,执行本说明书任意方法实施例中描述的方法。
该电子设备3000根据所执行的方法实施例的实施主体,可以是服务器,也可以是终端设备,在此不做限定。
在一个实施例中,以上装置实施例中的任意一个模块都可以由处理器3400实现。
<***实施例>
在本实施例中,还提供一种商户画像验证***,该商户画像的验证***例如是如图2所示的商户画像验证***,包括服务器1100和终端设备1200,该服务器用于执行根据第一方法实施例的方法,该终端设备1200用于执行根据第二方法实施例的方法。
该服务器包括存储器和处理器,服务器的存储器用于存储可执行命令;服务器的处理器用于在可执行命令的控制下,执行如本说明书方法实施例一中的任意实施例的方法。
终端设备包括存储器和处理器,终端设备的存储器用于存储可执行命令;终端设备的处理器用于在可执行命令的控制下,执行如本说明书方法实施例二中的任意实施例的方法。
<计算机可读存储介质实施例>
本实施例提供一种计算机可读存储介质,该存储介质中存储有可执行命令,该可执行命令被处理器执行时,执行本说明书任意方法实施例中描述的方法。
本说明书的一个实施例或者多个实施例可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本说明书的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本说明书实施例操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本说明书的各个方面。
这里参照根据本说明书实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本说明书的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本说明书的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人物来说公知的是,通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本说明书的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人物来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人物能理解本文披露的各实施例。本申请的范围由所附权利要求来限定。
Claims (29)
1.一种商户画像的刻画方法,包括:
获取商户经营照;其中,所述商户经营照为商户门头照、经营内景照及/或周围街景照;
根据所述商户经营照的类别,将所述商户经营照输入对应类别的图像识别模型,以得到所述商户经营照的识别结果;
基于所述识别结果确定所述商户经营照对应商户的经营信息;
根据所述商户的经营信息对商户画像进行刻画;
在所述获取所述商户经营照之前,所述方法还包括:
向目标对象发送提交所述商户经营照的指令;
其中,所述获取所述商户经营照包括:
获取所述目标对象基于所述指令提交的所述商户经营照;
所述目标对象包括商户、买家和微客中至少一个;
其中,在所述目标对象包括商户、买家和微客中至少两个时,所述方法还包括:
将所述目标对象提交的商户经营照对应的识别结果进行交叉验证;其中,将通过交叉验证的所述识别结果确定的所述经营信息作为所述商户的经营信息。
2.根据权利要求1所述的方法,所述商户经营照为商户门头照,对应类别的图像识别模型为第一识别模型,所述第一识别模型用于分类识别商户门头照的物体;
其中,所述将所述商户经营照输入对应类别的图像识别模型以得到所述商户经营照的识别结果包括:
将所述商户门头照输入预设的第一识别模型;
通过所述预设的第一识别模型对所述商户门头照里的物体进行分类识别,得到对应的识别结果;
其中,所述基于所述识别结果确定所述商户经营照对应商户的经营信息包括:
根据所述识别结果确定所述商户门头照对应商户的经营场景,其中,将所述商户的经营场景作为所述商户的经营信息。
3.根据权利要求2所述的方法,所述商户的经营场景的类别包括固定门店、售货车和摊位,所述第一识别模型分类识别的所述商户门头照的物体类别包括固定门店、售货车、摊位和其他类;
其中,所述根据所述识别结果确定所述商户门头照对应商户的经营场景包括:
根据分类识别得到的所述识别结果,确定所述商户的经营场景为固定门店、售货车或摊位,或者在所述识别结果为其他类的情况下,确定获取的所述商户经营照不是商户门头照。
4.根据权利要求3所述的方法,所述基于所述识别结果确定所述商户经营照对应商户的经营信息还包括:
获取所述商户的交易LBS信息;
根据所述交易LBS信息确定所述商户的交易地理位置;
基于所述交易地理位置确定所述商户的经营场景;
根据基于所述交易地理位置确定的所述商户的经营场景对所述识别结果确定的所述商户的经营场景进行验证;
将通过验证的所述商户的经营场景作为所述商户的经营信息。
5.根据权利要求4所述的方法,所述基于所述交易地理位置确定所述商户的经营场景包括:
确定预定时间周期内所述交易地理位置是否发生变化;
若所述交易地理位置未发生变化,确定所述商户的经营场景为位置固定经营模式;
或者,
若所述交易地理位置发生变化,确定所述商户的经营场景为位置流动经营模式。
6.根据权利要求2所述的方法,所述方法还包括:
将所述商户门头照输入预设的文字提取模型,以得到所述商户门头照对应的文字数据;
其中,所述基于所述识别结果确定所述商户经营照对应商户的经营信息包括:
根据所述文字数据确定所述商户门头照对应商户的经营行业,其中,将所述商户的经营行业作为所述商户的经营信息。
7.根据权利要求6所述的方法,所述根据所述文字数据确定所述商户门头照对应商户的经营行业包括:
将提取的所述文字数据输入到预设的第一行业分类模型;
通过所述预设的行业分类模型对所述文字数据进行映射识别,得到所述文字数据对应的行业分类;
将所述文字数据对应的行业分类确定为所述商户门头照对应商户的经营行业。
8.根据权利要求6所述的方法,所述根据所述文字数据确定所述商户门头照对应商户的经营行业包括:
获取数据库的行业分类数据;
将提取的所述文字数据和所述数据库的行业分类数据进行映射比对;
根据映射比对结果确定所述文字数据对应的行业分类;
将所述文字数据对应的行业分类确定为所述商户门头照对应商户的经营行业。
9.根据权利要求3所述的方法,还包括生成所述第一识别模型的步骤,包括:
获取训练样本,其中,每一训练样本包括样本的图像和对应样本的类别,所述样本的类别表示对应样本为固定门店、售货车、摊位还是其他类;
根据所述训练样本,训练得到所述第一识别模型。
10.根据权利要求6所述的方法,还包括生成所述文字提取模型的步骤,包括:
获取训练样本,其中,每一训练样本包括样本的文字图像和对应样本的文字数据;
根据所述训练样本,训练得到所述文字提取模型。
11.根据权利要求7所述的方法,还包括生成所述第一行业分类模型的步骤,包括:
获取训练样本,其中,每一训练样本包括样本的文字数据和对应样本的行业分类类别;
根据所述训练样本,训练得到所述第一行业分类模型。
12.根据权利要求1所述的方法,所述商户经营照为商户的经营内景照,对应类别的图像识别模型为第二识别模型,所述第二识别模型用于分类识别经营内景照的物体;
其中,所述将所述商户经营照输入对应类别的图像识别模型以得到所述商户经营照的识别结果包括:
获取所述商户的相关信息;
根据所述商户的相关信息预测所述商户对应的至少两个经营行业;
将所述经营内景照分别对应输入至少两个预设的第二识别模型,所述至少两个预设的第二识别模型分别与预测的所述至少两个经营行业对应,以分类识别所述经营内景照中属于对应的预测经营行业的物体;
通过所述至少两个预设的第二识别模型对所述经营内景照里属于对应的预测经营行业的物体进行分类识别,获取所述至少两个预设的第二识别模型对应的至少两个识别相似度;其中,所述识别相似度为识别出的各个物体的相似度的平均值;
确定所述至少两个识别相似度中识别相似度的最大值;
确定所述最大值的识别相似度是否大于预定阈值;
在所述最大值的识别相似度大于所述预定阈值的情况下,将所述最大值的识别相似度作为所述识别结果。
13.根据权利要求1所述的方法,所述商户经营照为商户的经营内景照,对应类别的图像识别模型为第二识别模型,所述第二识别模型用于分类识别经营内景照的物体;
其中,所述将所述商户经营照输入对应类别的图像识别模型以得到所述商户经营照的识别结果包括:
获取所述商户的相关信息;
根据所述商户的相关信息预测所述商户对应的至少两个经营行业;
将所述经营内景照输入预设的至少两个第二识别模型中的一个,所述至少两个第二识别模型分别与预测的所述至少两个经营行业对应,以分类识别所述经营内景照中属于对应的预测经营行业的物体;
通过所述至少两个第二识别模型中的一个对所述经营内景照里属于对应的预测经营行业的物体进行分类识别,获取所述至少两个第二识别模型中的一个的识别相似度;其中,所述识别相似度为识别出的各个物体的相似度的平均值;
确定所述识别相似度是否大于预定阈值;
在所述识别相似度大于所述预定阈值的情况下,将所述识别相似度作为所述识别结果。
14.根据权利要求12或13所述的方法,所述基于所述识别结果确定所述商户经营照对应商户的经营信息包括:
确定所述识别相似度对应的预测经营行业为所述商户的经营行业,其中,将所述商户的经营行业作为所述商户的经营信息。
15.根据权利要求1所述的方法,所述商户经营照为商户的经营内景照,对应类别的图像识别模型为第二识别模型,所述第二识别模型用于分类识别经营内景照的物体;
其中,所述将所述商户经营照输入对应类别的图像识别模型以得到所述商户经营照的识别结果包括:
将所述经营内景照输入预设的第二识别模型;
通过所述预设的第二识别模型对所述经营内景照里的多个物体进行分类识别,得到对应的识别结果。
16.根据权利要求15所述的方法,所述基于所述识别结果确定所述商户经营照对应商户的经营信息包括:
将识别的多个物体的图像分别输入到预设的第二行业分类模型;
通过所述预设的第二行业分类模型对所述多个物体分别进行映射识别,得到所述多个物体分别对应的行业分类;
统计属于同一个行业分类的对应物体的数量,并按数量大小排序;
将属于同一个行业分类且物体数量最多的物体对应的行业分类确定为所述经营内景照对应商户的经营行业,其中,将所述商户的经营行业作为所述商户的经营信息。
17.根据权利要求12、13或15所述的方法,还包括生成所述第二识别模型的步骤,包括:
获取训练样本,其中,每一训练样本包括样本的图像和对应样本中多个物体的类别;
根据所述训练样本,训练得到所述第二识别模型。
18.根据权利要求16所述的方法,还包括生成所述第二行业分类模型的步骤,包括:
获取训练样本,其中,每一训练样本包括样本的图像和对应样本的行业分类类别;
根据所述训练样本,训练得到所述第二行业分类模型。
19.根据权利要求1所述的方法,所述商户经营照为商户的经营街景照,对应类别的图像识别模型为第三识别模型,所述第三识别模型用于分类识别经营街景照的标志性建筑;
其中,所述将所述商户经营照输入对应类别的图像识别模型以得到所述商户经营照的识别结果包括:
将所述经营街景照输入预设的第三识别模型进行图像识别,确定所述经营街景照中的预定目标,其中,将所述预定目标作为所述商户经营照的识别结果。
20.根据权利要求19所述的方法,所述基于所述识别结果确定所述商户经营照对应商户的经营信息包括:
获取所述预定目标的地理位置;
根据所述预定目标与所述经营街景照中所述商户的相对地理位置确定所述商户的地理位置;
根据所述商户的地理位置确定所述商户的经营地址,其中,将所述商户的经营地址作为所述商户的经营信息。
21.根据权利要求19所述的方法,还包括生成所述第三识别模型的步骤,包括:
获取训练样本,其中,每一训练样本包括样本的图像和对应样本的类别,所述样本为标志性建筑;
根据所述训练样本,训练得到所述第三识别模型。
22.根据权利要求1所述的方法,还包括:
获取所述商户经营照对应商户的交易信息,以确定所述商户的交易模式和资金流水数据;
基于所述交易模式和资金流水数据,对基于所述识别结果确定的所述商户的经营信息进行验证,其中,将通过验证的所述识别结果确定的所述经营信息作为所述商户的经营信息。
23.根据权利要求1所述的方法,所述商户经营照包括商户门头照和经营内景照,所述方法还包括:
将所述商户门头照对应的识别结果和所述经营内景照对应的识别结果进行交叉验证;其中,将通过交叉验证的所述识别结果确定的所述经营信息作为所述商户的经营信息。
24.一种商户画像的验证方法,由终端设备实施,包括:
响应基于对根据商户提交的信息刻画的商户画像的验证请求,向所述商户的买家发送提交所述商户的商户经营照的指令;
获取所述买家基于所述指令提交的所述商户经营照;
基于所述商户经营照,为完成所述商户画像的验证执行设定操作,其中所述商户画像的验证包括商户画像的刻画,所述商户画像的刻画包括:根据所述商户经营照的类别,将所述商户经营照输入对应类别的图像识别模型,以得到所述商户经营照的识别结果;基于所述识别结果确定所述商户经营照对应商户的经营信息;根据所述商户的经营信息对所述商户画像进行刻画;
比对所述买家提交的所述商户经营照刻画的商户画像与所述根据商户提交的信息刻画的商户画像是否一致,对所述根据商户提交的信息刻画的商户画像进行验证。
25.根据权利要求24所述的方法,所述为完成所述商户画像的验证执行设定操作包括:
将所述买家提交的所述商户经营照发送至服务器进行所述商户画像的验证;
所述方法还包括:接收所述服务器完成所述商户画像的验证返回的验证结果。
26.一种商户画像的刻画装置,包括:
获取模块,用于获取商户经营照;其中,所述商户经营照为商户门头照、经营内景照及/或周围街景照;
识别模块,用于根据所述商户经营照的类别,将所述商户经营照输入对应类别的图像识别模型,以得到所述商户经营照的识别结果;
确定模块,用于基于所述识别结果确定所述商户经营照对应商户的经营信息;
刻画模块,用于根据所述商户的经营信息对商户画像进行刻画;
所述商户画像的刻画装置还包括发送模块,所述发送模块用于在获取所述商户经营照之前,向目标对象发送提交商户经营照的指令;所述获取模块用于获取目标对象基于所述指令提交的商户经营照;
所述目标对象包括商户、买家和微客中至少一个;
在所述目标对象包括商户、买家和微客中至少两个时,所述商户画像的刻画装置还包括第三验证模块,所述第三验证模块用于:将所述目标对象提交的商户经营照对应的识别结果进行交叉验证;其中,将通过交叉验证的所述识别结果确定的所述经营信息作为所述商户的经营信息。
27.一种电子设备,包括如权利要求26所述的商户画像的刻画装置,或者,所述电子设备包括:
存储器,用于存储可执行命令;
处理器,用于在所述可执行命令的控制下,执行如权利要求1-25中任一项所述的方法。
28.一种商户画像验证***,包括:
服务器,所述服务器包括存储器和处理器,所述服务器的存储器用于存储可执行命令;所述服务器的处理器用于在所述可执行命令的控制下,执行如权利要求1-23中任一项所述的方法;以及,
终端设备,所述终端设备包括存储器和处理器,所述终端设备的存储器用于存储可执行命令;所述终端设备的处理器用于在所述可执行命令的控制下,执行如权利要求24至25中任一项所述的方法。
29.一种计算机可读存储介质,存储有可执行指令,所述可执行指令被处理器执行时,执行如权利要求1-25中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010078806.8A CN111311316B (zh) | 2020-02-03 | 2020-02-03 | 商户画像的刻画方法、装置、电子设备、验证方法及*** |
CN202310728364.0A CN116843375A (zh) | 2020-02-03 | 2020-02-03 | 商户画像的刻画方法、装置、电子设备、验证方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010078806.8A CN111311316B (zh) | 2020-02-03 | 2020-02-03 | 商户画像的刻画方法、装置、电子设备、验证方法及*** |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310728364.0A Division CN116843375A (zh) | 2020-02-03 | 2020-02-03 | 商户画像的刻画方法、装置、电子设备、验证方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111311316A CN111311316A (zh) | 2020-06-19 |
CN111311316B true CN111311316B (zh) | 2023-05-23 |
Family
ID=71159878
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310728364.0A Pending CN116843375A (zh) | 2020-02-03 | 2020-02-03 | 商户画像的刻画方法、装置、电子设备、验证方法及*** |
CN202010078806.8A Active CN111311316B (zh) | 2020-02-03 | 2020-02-03 | 商户画像的刻画方法、装置、电子设备、验证方法及*** |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310728364.0A Pending CN116843375A (zh) | 2020-02-03 | 2020-02-03 | 商户画像的刻画方法、装置、电子设备、验证方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN116843375A (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753496B (zh) * | 2020-06-22 | 2023-06-23 | 平安付科技服务有限公司 | 行业类别识别方法、装置、计算机设备及可读存储介质 |
CN115271879A (zh) * | 2020-07-01 | 2022-11-01 | 支付宝(杭州)信息技术有限公司 | 一种地理位置的处理方法及*** |
CN112561559A (zh) * | 2020-09-04 | 2021-03-26 | 上海东普信息科技有限公司 | 商户画像模型生成方法、装置、设备及存储介质 |
CN112990939A (zh) * | 2020-11-27 | 2021-06-18 | ***股份有限公司 | 用于验证用户数据的方法、装置和计算机可读介质 |
CN112581271B (zh) * | 2020-12-21 | 2022-11-15 | 上海浦东发展银行股份有限公司 | 一种商户交易风险监测方法、装置、设备及存储介质 |
CN114298774B (zh) * | 2022-03-09 | 2022-06-07 | 广州鹰云信息科技有限公司 | 一种基于品牌知识图谱的商业综合体分析方法及*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520058A (zh) * | 2018-03-30 | 2018-09-11 | 维沃移动通信有限公司 | 一种商家信息推荐方法及移动终端 |
CN108717636A (zh) * | 2018-03-19 | 2018-10-30 | 杭州祐全科技发展有限公司 | 一种网络订餐智能监管方法 |
CN108734184A (zh) * | 2017-04-17 | 2018-11-02 | 苏宁云商集团股份有限公司 | 一种对敏感图像进行分析的方法及装置 |
CN108876465A (zh) * | 2018-06-28 | 2018-11-23 | 阿里巴巴集团控股有限公司 | 一种对商户进行经营模式分群的方法、装置和服务器 |
CN109214280A (zh) * | 2018-07-27 | 2019-01-15 | 北京三快在线科技有限公司 | 基于街景的店铺识别方法、装置、电子设备及存储介质 |
CN109377240A (zh) * | 2018-08-21 | 2019-02-22 | 中国平安人寿保险股份有限公司 | 基于神经网络的商户管理方法、装置、计算机设备及存储介质 |
CN110009364A (zh) * | 2019-01-08 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种行业识别模型确定方法和装置 |
CN110046959A (zh) * | 2019-03-27 | 2019-07-23 | 拉扎斯网络科技(上海)有限公司 | 一种确定商户经营类别的方法、装置、设备和存储介质 |
CN110163204A (zh) * | 2019-04-15 | 2019-08-23 | 平安国际智慧城市科技股份有限公司 | 基于图像识别的商家监管方法、装置及存储介质 |
CN110223050A (zh) * | 2019-06-24 | 2019-09-10 | 广东工业大学 | 一种商户门店名称的验证方法及相关装置 |
CN110728198A (zh) * | 2019-09-20 | 2020-01-24 | 北京三快在线科技有限公司 | 图像处理方法、装置、电子设备及可读存储介质 |
-
2020
- 2020-02-03 CN CN202310728364.0A patent/CN116843375A/zh active Pending
- 2020-02-03 CN CN202010078806.8A patent/CN111311316B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734184A (zh) * | 2017-04-17 | 2018-11-02 | 苏宁云商集团股份有限公司 | 一种对敏感图像进行分析的方法及装置 |
CN108717636A (zh) * | 2018-03-19 | 2018-10-30 | 杭州祐全科技发展有限公司 | 一种网络订餐智能监管方法 |
CN108520058A (zh) * | 2018-03-30 | 2018-09-11 | 维沃移动通信有限公司 | 一种商家信息推荐方法及移动终端 |
CN108876465A (zh) * | 2018-06-28 | 2018-11-23 | 阿里巴巴集团控股有限公司 | 一种对商户进行经营模式分群的方法、装置和服务器 |
CN109214280A (zh) * | 2018-07-27 | 2019-01-15 | 北京三快在线科技有限公司 | 基于街景的店铺识别方法、装置、电子设备及存储介质 |
CN109377240A (zh) * | 2018-08-21 | 2019-02-22 | 中国平安人寿保险股份有限公司 | 基于神经网络的商户管理方法、装置、计算机设备及存储介质 |
CN110009364A (zh) * | 2019-01-08 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种行业识别模型确定方法和装置 |
CN110046959A (zh) * | 2019-03-27 | 2019-07-23 | 拉扎斯网络科技(上海)有限公司 | 一种确定商户经营类别的方法、装置、设备和存储介质 |
CN110163204A (zh) * | 2019-04-15 | 2019-08-23 | 平安国际智慧城市科技股份有限公司 | 基于图像识别的商家监管方法、装置及存储介质 |
CN110223050A (zh) * | 2019-06-24 | 2019-09-10 | 广东工业大学 | 一种商户门店名称的验证方法及相关装置 |
CN110728198A (zh) * | 2019-09-20 | 2020-01-24 | 北京三快在线科技有限公司 | 图像处理方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111311316A (zh) | 2020-06-19 |
CN116843375A (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111311316B (zh) | 商户画像的刻画方法、装置、电子设备、验证方法及*** | |
JP6693502B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
CN107465741B (zh) | 信息推送方法和装置 | |
KR101856120B1 (ko) | 이미지로부터 상가 발견 | |
WO2020077877A1 (zh) | 平台商品入驻方法、装置、计算机设备及存储介质 | |
US20240046643A1 (en) | Augmented Reality, Computer Vision, and Digital Ticketing Systems | |
US20170109615A1 (en) | Systems and Methods for Automatically Classifying Businesses from Images | |
WO2019005594A1 (en) | IDENTIFICATION OF IMPROPER ADDRESSES FOR DELIVERY OF PARCELS | |
US20130141586A1 (en) | System and method for associating an order with an object in a multiple lane environment | |
KR20180100159A (ko) | 스팸 게시물을 검출하는 기법 | |
US20170031952A1 (en) | Method and system for identifying a property for purchase using image processing | |
US20220036443A1 (en) | Method and system of electronic bartering | |
US10248982B2 (en) | Automated extraction of product data from production data of visual media content | |
WO2020037762A1 (zh) | 商品信息识别方法和*** | |
CN110750697B (zh) | 商户分类方法、装置、设备及存储介质 | |
US20180075327A1 (en) | Automated location based comparative market analysis | |
KR102459466B1 (ko) | 메타버스와 nft 기반의 글로벌 이커머스 통합 관리 방법 및 시스템 | |
Hatim et al. | E-FoodCart: An online food ordering service | |
CN106600360B (zh) | 推荐对象的排序方法及装置 | |
Hsu et al. | New generation artificial intelligent vending machine system based on LoRaWan IOT network | |
KR102467616B1 (ko) | 기관 리포지토리와 연계된 개인기록 통합 관리 서비스 제공 시스템 | |
Kaźmierczak | Geoinformation support system for real estate market | |
KR20210155213A (ko) | 식당 정보 제공 시스템 및 방법 | |
JP6773346B1 (ja) | 入居推薦業者提案プログラム、不動産取引価格提案プログラム | |
KR20190043982A (ko) | 영상 이미지 기반 온라인 이사 견적 서비스 방법 및 시스템 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |