CN116628245A - 一种基于人工智能的商标智能推荐方法和*** - Google Patents
一种基于人工智能的商标智能推荐方法和*** Download PDFInfo
- Publication number
- CN116628245A CN116628245A CN202310903819.8A CN202310903819A CN116628245A CN 116628245 A CN116628245 A CN 116628245A CN 202310903819 A CN202310903819 A CN 202310903819A CN 116628245 A CN116628245 A CN 116628245A
- Authority
- CN
- China
- Prior art keywords
- trademark
- target
- name
- user
- inputting
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 25
- 238000013461 design Methods 0.000 claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 23
- 238000004891 communication Methods 0.000 claims description 15
- 239000003086 colorant Substances 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/532—Query formulation, e.g. graphical querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/535—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/18—Legal services
- G06Q50/184—Intellectual property management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Technology Law (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于人工智能的商标智能推荐方法和***，通过获取商标库海量商标数据；将商标数据至少包括商标类别和每个商标类别下的商标名称；将商标数据输入初始人工智能模型进行训练，得到第一推荐模型；获取用户设计需求，将用户设计需求输入第一推荐模型中，输出得到目标商标名称；将用户设计需求和目标商标名称输入预先创建的第二推荐模型中，输出得到目标商标图形；依据目标商标名称和目标商标图形组合生成目标商标；本方法可以智能帮助用户筛选商标名称，避免重复名称，影响审核期限，并根据用户需求和生成的目标商标名称自动生成商标图形（logo），方便快捷地为用户生成商标，提升用户体验。
Description
技术领域
本发明涉及数据预测技术领域，具体涉及一种基于人工智能的商标智能推荐方法和***。
背景技术
商标（trade mark）是一个专门的法律术语，商标是用以识别和区分商品或者服务来源的标志。任何能够将自然人、法人或者其他组织的商品与他人的商品区别开的标志，包括文字、图形、字母、数字、三维标志、颜色组合和声音等，以及上述要素的组合，均可以作为商标申请注册；品牌或品牌的一部分在政府有关部门依法注册后，称为“商标”。商标受法律的保护，注册者有专用权。
随着商标申请量的逐年增加，商标申请的时候，商标的名称和图形在审查时能否通过起着决定性的作用，而现在用户要想申请一个商标，一般都是自己去想一些商标名称意向词和设计图形，这对于没有设计经验的用户来说比较困难，且费时费力，如何依据用户设计需求自动为用户生成商标是亟待解决的技术问题。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于人工智能的商标智能推荐方法和***。
根据本发明的一个方面，提供了一种基于人工智能的商标智能推荐方法，包括：
获取商标库海量商标数据；将商标数据至少包括商标类别和每个商标类别下的商标名称；
将商标数据输入初始人工智能模型进行训练，得到第一推荐模型；
获取用户设计需求，将用户设计需求输入第一推荐模型中，输出得到目标商标名称；
将用户设计需求和目标商标名称输入预先创建的第二推荐模型中，输出得到目标商标图形；其中，第二推荐模型内至少包括：海量设计模板数据库；
依据目标商标名称和目标商标图形组合生成目标商标；
其中，用户设计需求至少包括：用户的起名意向词、用户需求的商标字体、商标类别、商标配色。
根据本发明的另一方面，提供了一种基于人工智能的商标智能推荐***，包括：
名称生成模块，用于获取商标库海量商标数据；其中，所述商标数据至少包括商标类别和每个商标类别下的商标名称；将所述商标数据输入初始人工智能模型进行训练，得到第一推荐模型；获取用户设计需求，将所述用户设计需求输入所述第一推荐模型中，输出得到目标商标名称；
图形生成模块，用于将所述用户设计需求和所述目标商标名称输入预先创建的第二推荐模型中，输出得到目标商标图形；其中，所述第二推荐模型内至少包括：海量设计模板数据库；
目标商标生成模块，用于依据所述目标商标名称和所述目标商标图形组合生成目标商标；
其中，所述用户设计需求至少包括：用户的起名意向词、用户需求的商标字体、商标类别、商标配色。
根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；
存储器用于存放至少一可执行指令，可执行指令使处理器执行上述一种基于人工智能的商标智能推荐方法对应的操作。
根据本发明的再一方面，提供了一种计算机存储介质，存储介质中存储有至少一可执行指令，可执行指令使处理器执行如上述一种基于人工智能的商标智能推荐方法对应的操作。
根据本发明的一种基于人工智能的商标智能推荐方法和***，通过获取商标库海量商标数据；将商标数据至少包括商标类别和每个商标类别下的商标名称；将商标数据输入初始人工智能模型进行训练，得到第一推荐模型；获取用户设计需求，将用户设计需求输入第一推荐模型中，输出得到目标商标名称；将用户设计需求和目标商标名称输入预先创建的第二推荐模型中，输出得到目标商标图形；依据目标商标名称和目标商标图形组合生成目标商标；本方法可以智能帮助用户筛选商标名称，避免重复名称，影响审核期限，并根据用户需求和生成的目标商标名称自动生成商标图形（logo），方便快捷地为用户生成商标，提升用户体验。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种基于人工智能的商标智能推荐方法流程图；
图2示出了本发明实施例提供的一种基于人工智能的商标智能推荐***的结构示意图；
图3示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了本发明一种基于人工智能的商标智能推荐方法实施例的流程图，如图1所示，该方法包括以下步骤：
步骤S110：获取商标库海量商标数据，将商标数据输入初始人工智能模型进行训练，得到第一推荐模型；
其中，商标数据至少包括商标类别和每个商标类别下的商标名称。步骤S110进一步包括：针对每个商标类别，将该商标类别下的商标名称进行排列，输入初始人工智能模型应用去重算法后，得到多个商标类别，每个商标类别对应多个商标名称；将多个商标类别和多个商标名称确定为比对数据库，依据比对数据库构建得到第一推荐模型；
具体地说，本步骤需要预建立资源数据库用于商标局设立的商标类别和每个商标类别下的已申请并审核通过的商标名称；一般来说，商标名称不可重复注册申请，因此，在用户申请前需要避免重名，为了节省申请时间，本实施例可以将商标局设立的商标类别和每个商标类别下的已申请并审核通过的商标名称先存储起来，并输入初始人工智能模型应用去重算法，然后按照商标类别，将所有的商标名称进行分类存储。而这些多个商标类别和多个商标名称可作为比对数据库。需要说明的是，本实施例的第一推荐模型用于推荐目标商标名称。
步骤S120：获取用户设计需求，将用户设计需求输入第一推荐模型中，输出得到目标商标名称；
其中，用户设计需求至少包括：用户的起名意向词、用户需求的商标字体、商标类别、商标配色；
一般来说，商标包括商标名称和商标图形（logo）两部分，而商标logo一般应体现或包含商标名称，因此，本实施例中，先生成目标商标名称，再依据目标商标名称通过人工智能生成logo。
在一种可选的方式中，用户设计需求至少包括：用户的起名意向词；步骤S120进一步包括：将起名意向词输入第一推荐模型中，与第一推荐模型中的比对数据库中的商标名称依次进行相似度计算；若起名意向词与任一商标名称相似度等于预设阈值，则第一推荐模型输出不通过字样，以提示用户重新输入起名意向词，直至第一推荐模型输出通过字样；将通过的起名意向词确定为目标商标名称；其中，目标商标名称为一个或多个。
在一种可选的方式中，步骤S120进一步包括：将起名意向词输入第一推荐模型中生成特征向量，表示为（）；选取比对数据库中特征向量数量与起名意向词相同的商标名称作为目标比对库；针对目标比对库中的每一个商标名称生成特征向量表示为（/>）；其中，/>为起名意向词中拆分字；/>为商标名称中拆分字；按照特征向量的顺序，依次计算/>和/>的相似度。
例如，起名意向词为“东华动画设计”，则可生成（东，华，动，画，设，计）六个特征向量；也就是说，一个汉字生成一个特征向量，需要说明的是，若起名意向词或商标名称中含有英文，则一个字母生成一个特征向量，例如，起名意向词为“hobby”，则可生成（h,o,b,b,y）五个特征向量。
而为了减少相似度计算的计算量，在本步骤中，仅选取比对数据库中特征向量数量与起名意向词相同的商标名称作为目标比对库，例如，若起名意向词生成了六个特征向量，则可只筛选出包括六个特征向量的商标名称作为目标比对库。
在一种可选的方式中，步骤S120进一步包括：若=/>，则相似度加1处理；这里的预设阈值取为n，即相似度等于n时， 第一推荐模型输出不通过字样；其中，预设阈值等于起名意向词的特征向量数量。
也就是说，只有当每一个对应的特征向量都相同的情况下，才确认有与该起名意向词相同的商标名称，因此，比对时，对应位置的起名意向词特征向量只与对应位置的商标名称的特征向量进行比对即可，即只需要与/>进行比对，向若/>=/>，则相似度加1，需要说明的是，相似度初始值为0，因此，只有当相似度=n时，说明目标比对库中有完全相同的商标名称，因此，该起名意向词应该输出不通过提示用户重新输入，直到通过。
需要说明的是，用户可以输入一个或多个起名意向词，若都通过，则可生成一个或多个目标商标名称，若为多个，则用户可进行筛选，确定唯一的一个作为最终目标商标名称。
步骤S130：将用户设计需求和目标商标名称输入预先创建的第二推荐模型中，输出得到目标商标图形；
其中，第二推荐模型内至少包括：海量设计模板数据库；
具体地说，本步骤中，第二推荐模型可以应用开源的人工智能（ArtificialIntelligence,AI）logo生成器完成。这些AI logo生成器可以快速创建商标。找到一个合适的AI logo生成器，输入一些文本，然后等待一分钟即可。一般来说，AI logo生成器中至少包括：海量设计模板数据库， AI Logo生成器可以创建任何大小或格式的商标。
在一种可选的方式中，步骤S130进一步包括：将用户需求的商标字体、商标类别、商标配色和目标商标名称输入预先创建的第二推荐模型中，根据用户需求的商标字体、商标类别、商标配色和目标商标名称应用设计模板数据库中对应的模板生成目标商标图形；其中，目标商标图形为一个或多个。
需要说明的是，针对一个目标商标名称，可能生成多个目标商标图形，用户可以根据自己需求进行筛选。
步骤S140：依据目标商标名称和目标商标图形组合生成目标商标；
在一种可选的方式中，该方法还包括：用户从多个目标商标名称及多个目标商标图形中选择一个目标商标名称和一个目标商标图形，作为最终目标商标名称和最终目标商标图形；或，将目标商标名称和目标商标图形确定为最终目标商标名称和最终目标商标图形；
具体地，若只生成了一个目标商标名称和目标商标图形，则将将目标商标名称和目标商标图形确定为最终目标商标名称和最终目标商标图形，若生成了多个目标商标名称及多个目标商标图形中，用户首先需要先选出一个目标商标名称输入第二推荐模型，若第二推荐模型生成多个目标商标图形，则用户需要选出一个目标商标图形，作为目标商标的最终选择。
采用本实施例的方法，通过获取商标库海量商标数据；将商标数据至少包括商标类别和每个商标类别下的商标名称；将商标数据输入初始人工智能模型进行训练，得到第一推荐模型；获取用户设计需求，将用户设计需求输入第一推荐模型中，输出得到目标商标名称；将用户设计需求和目标商标名称输入预先创建的第二推荐模型中，输出得到目标商标图形；依据目标商标名称和目标商标图形组合生成目标商标；本***可以智能帮助用户筛选商标名称，避免重复名称，影响审核期限，并根据用户需求和生成的目标商标名称自动生成商标图形（logo），方便快捷地为用户生成商标，提升用户体验，进而实现了根据用户需求自动将设计好的商标推荐给用户，实现了商标推荐的智能化与自动化，加快了商标设计的效率。
图2示出了本发明一种基于人工智能的商标智能推荐***实施例的结构示意图。如图2所示，该***包括：名称生成模块210、图形生成模块220和目标商标生成模块230。
名称生成模块210，用于获取商标库海量商标数据；其中，商标数据至少包括商标类别和每个商标类别下的商标名称；将商标数据输入初始人工智能模型进行训练，得到第一推荐模型；获取用户设计需求，将用户设计需求输入第一推荐模型中，输出得到目标商标名称；
在一种可选的方式中，名称生成模块210进一步用于：针对每个商标类别，将该商标类别下的商标名称进行排列，输入初始人工智能模型应用去重算法后，得到多个商标类别，每个商标类别对应多个商标名称；将多个商标类别和多个商标名称确定为比对数据库，依据比对数据库构建得到第一推荐模型；
其中，用户设计需求至少包括：用户的起名意向词、用户需求的商标字体、商标类别、商标配色。
在一种可选的方式中，名称生成模块210进一步用于：若起名意向词与任一商标名称相似度等于预设阈值，则第一推荐模型输出不通过字样，以提示用户重新输入起名意向词，直至第一推荐模型输出通过字样；将通过的起名意向词确定为目标商标名称；其中，目标商标名称为一个或多个。
在一种可选的方式中，名称生成模块210进一步用于：将起名意向词输入第一推荐模型中生成特征向量，表示为（）；选取比对数据库中特征向量数量与起名意向词相同的商标名称作为目标比对库；针对目标比对库中的每一个商标名称生成特征向量表示为（/>）；其中，/>为起名意向词中拆分字；/>为商标名称中拆分字；按照特征向量的顺序，依次计算/>和/>的相似度。
在一种可选的方式中，名称生成模块210进一步用于：若=/>，则相似度加1处理；这里的预设阈值取为n，即相似度等于n时，第一推荐模型输出不通过字样；其中，预设阈值等于起名意向词的特征向量数量。
图形生成模块220，用于将用户设计需求和目标商标名称输入预先创建的第二推荐模型中，输出得到目标商标图形；其中，第二推荐模型内至少包括：海量设计模板数据库；
在一种可选的方式中，图形生成模块220进一步用于：将用户需求的商标字体、商标类别、商标配色和目标商标名称输入预先创建的第二推荐模型中，根据用户需求的商标字体、商标类别、商标配色和目标商标名称应用设计模板数据库中对应的模板生成目标商标图形；其中，目标商标图形为一个或多个。
目标商标生成模块230，用于依据目标商标名称和目标商标图形组合生成目标商标；
在一种可选的方式中，目标商标生成模块230进一步用于：用户从多个目标商标名称及多个目标商标图形中选择一个目标商标名称和一个目标商标图形，作为最终目标商标名称和最终目标商标图形；或，将目标商标名称和目标商标图形确定为最终目标商标名称和最终目标商标图形。
采用本实施例的***，通过获取商标库海量商标数据；将商标数据至少包括商标类别和每个商标类别下的商标名称；将商标数据输入初始人工智能模型进行训练，得到第一推荐模型；获取用户设计需求，将用户设计需求输入第一推荐模型中，输出得到目标商标名称；将用户设计需求和目标商标名称输入预先创建的第二推荐模型中，输出得到目标商标图形；依据目标商标名称和目标商标图形组合生成目标商标；本***可以智能帮助用户筛选商标名称，避免重复名称，影响审核期限，并根据用户需求和生成的目标商标名称自动生成商标图形（logo），方便快捷地为用户生成商标，提升用户体验。
本发明实施例提供了一种非易失性计算机存储介质，计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的一种基于人工智能的商标智能推荐方法。
图3示出了本发明计算设备实施例的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
如图3所示，该计算设备可以包括：
处理器(processor)、通信接口(Communications Interface)、存储器(memory)、以及通信总线；
其中：处理器、通信接口、以及存储器通过通信总线完成相互间的通信。通信接口，用于与其它设备比如客户端或其它服务器等的网元通信。处理器，用于执行程序，具体可以执行上述基于人工智能的商标智能推荐方法实施例中的相关步骤。
具体地，程序可以包括程序代码，该程序代码包括计算机操作指令。
处理器可能是中央处理器CPU，或者是特定集成电路ASIC（Application SpecificIntegrated Circuit），或者是被配置成实施本发明实施例的一个或多个集成电路。服务器包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器，用于存放程序。存储器可能包含高速RAM存储器，也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。
在此提供的算法或显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述，构造这类***所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书（包括伴随的权利要求、摘要和附图）中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书（包括伴随的权利要求、摘要和附图）中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器（DSP）来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序（例如，计算机程序和计算机程序产品）。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。
Claims (10)
1.一种基于人工智能的商标智能推荐方法，其特征在于，包括：
获取商标库海量商标数据；其中，所述商标数据至少包括商标类别和每个商标类别下的商标名称；
将所述商标数据输入初始人工智能模型进行训练，得到第一推荐模型；
获取用户设计需求，将所述用户设计需求输入所述第一推荐模型中，输出得到目标商标名称；
将所述用户设计需求和所述目标商标名称输入预先创建的第二推荐模型中，输出得到目标商标图形；其中，所述第二推荐模型内至少包括：海量设计模板数据库；
依据所述目标商标名称和所述目标商标图形组合生成目标商标；
其中，所述用户设计需求至少包括：用户的起名意向词、用户需求的商标字体、商标类别、商标配色。
2.根据权利要求1所述的方法，其特征在于，所述将所述商标数据输入初始人工智能模型进行训练，得到第一推荐模型进一步包括：
针对每个商标类别，将该商标类别下的商标名称进行排列，输入初始人工智能模型应用去重算法后，得到多个商标类别，每个商标类别对应多个商标名称；
将所述多个商标类别和所述多个商标名称确定为比对数据库，依据所述比对数据库构建得到第一推荐模型。
3.根据权利要求1所述的方法，其特征在于，所述用户设计需求至少包括：用户的起名意向词；
所述将所述用户设计需求输入所述第一推荐模型中，输出得到目标商标名称进一步包括：
将所述起名意向词输入所述第一推荐模型中，与所述第一推荐模型中的比对数据库中的商标名称依次进行相似度计算；
若所述起名意向词与任一商标名称相似度等于预设阈值，则所述第一推荐模型输出不通过字样，以提示用户重新输入起名意向词，直至所述第一推荐模型输出通过字样；
将所述通过的起名意向词确定为目标商标名称；
其中，所述目标商标名称为一个或多个。
4.根据权利要求3所述的方法，其特征在于，所述将所述起名意向词输入所述第一推荐模型中，与所述第一推荐模型中的比对数据库中的商标名称依次进行相似度计算进一步包括：
将所述起名意向词输入所述第一推荐模型中生成特征向量，表示为（）；
选取比对数据库中特征向量数量与所述起名意向词相同的商标名称作为目标比对库；
针对目标比对库中的每一个商标名称生成特征向量表示为（）；其中，为起名意向词中拆分字；/>为商标名称中拆分字；
按照特征向量的顺序，依次计算和/>的相似度。
5.根据权利要求4所述的方法，其特征在于，若所述起名意向词与任一商标名称相似度等于预设阈值，则所述第一推荐模型输出不通过字样进一步包括：
若=/>，则相似度加1处理；这里的预设阈值取为n，即相似度等于n时，所述第一推荐模型输出不通过字样；其中，所述预设阈值等于所述起名意向词的特征向量数量。
6.根据权利要求1所述的方法，其特征在于，所述用户设计需求至少包括：用户需求的商标字体、商标类别、商标配色；
所述将所述用户设计需求和所述目标商标名称输入预先创建的第二推荐模型中，输出得到目标商标图形进一步包括：
将所述用户需求的商标字体、商标类别、商标配色和所述目标商标名称输入预先创建的第二推荐模型中，根据所述用户需求的商标字体、商标类别、商标配色和所述目标商标名称应用所述设计模板数据库中对应的模板生成目标商标图形；
其中，所述目标商标图形为一个或多个。
7.根据权利要求1-6任一项中所述的方法，其特征在于，所述方法还包括：
用户从所述多个目标商标名称及多个目标商标图形中选择一个目标商标名称和一个目标商标图形，作为最终目标商标名称和最终目标商标图形；
或，将所述目标商标名称和所述目标商标图形确定为最终目标商标名称和最终目标商标图形。
8.一种基于人工智能的商标智能推荐***，其特征在于，包括：
名称生成模块，用于获取商标库海量商标数据；其中，所述商标数据至少包括商标类别和每个商标类别下的商标名称；将所述商标数据输入初始人工智能模型进行训练，得到第一推荐模型；获取用户设计需求，将所述用户设计需求输入所述第一推荐模型中，输出得到目标商标名称；
图形生成模块，用于将所述用户设计需求和所述目标商标名称输入预先创建的第二推荐模型中，输出得到目标商标图形；其中，所述第二推荐模型内至少包括：海量设计模板数据库；
目标商标生成模块，用于依据所述目标商标名称和所述目标商标图形组合生成目标商标；
其中，所述用户设计需求至少包括：用户的起名意向词、用户需求的商标字体、商标类别、商标配色。
9.一种计算设备，其特征在于，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的一种基于人工智能的商标智能推荐方法对应的操作。
10.一种计算机存储介质，其特征在于，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7中任一项所述的一种基于人工智能的商标智能推荐方法对应的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310903819.8A CN116628245B (zh) | 2023-07-24 | 2023-07-24 | 一种基于人工智能的商标智能推荐方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310903819.8A CN116628245B (zh) | 2023-07-24 | 2023-07-24 | 一种基于人工智能的商标智能推荐方法和*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116628245A true CN116628245A (zh) | 2023-08-22 |
| CN116628245B CN116628245B (zh) | 2023-10-27 |
Family
ID=87636896
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310903819.8A Active CN116628245B (zh) | 2023-07-24 | 2023-07-24 | 一种基于人工智能的商标智能推荐方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116628245B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104636428A (zh) * | 2014-12-24 | 2015-05-20 | 四川超凡知识产权服务股份有限公司 | 一种商标推荐方法及装置 |
| CN107563720A (zh) * | 2017-08-07 | 2018-01-09 | 深圳益强信息科技有限公司 | 基于大数据及人工智能的商标申请的方法 |
| CN107609022A (zh) * | 2017-08-07 | 2018-01-19 | 深圳益强信息科技有限公司 | 基于大数据及人工智能的商标申请的*** |
| CN107704486A (zh) * | 2017-08-07 | 2018-02-16 | 深圳益强信息科技有限公司 | 一种基于人工智能的图形商标可注册性判断的装置 |
| US20180336285A1 (en) * | 2017-05-20 | 2018-11-22 | C T Corporation System | Automatically Generating and Evaluating Candidate Terms for Trademark Clearance |
| CN109213881A (zh) * | 2018-07-17 | 2019-01-15 | 北京知果科技有限公司 | 一种近似商标查询方法和装置 |
| CN110008315A (zh) * | 2019-04-15 | 2019-07-12 | 重庆天蓬网络有限公司 | 一种商标名称推荐方法及*** |
| CN111813976A (zh) * | 2020-07-16 | 2020-10-23 | 为创生(深圳)科技有限公司 | 图形商标定制方法、装置和存储介质 |
| CN112214681A (zh) * | 2020-12-02 | 2021-01-12 | 北京梦知网科技有限公司 | 商标名称的推荐方法、服务器、用户终端及电子设备 |
| CN112434757A (zh) * | 2020-12-15 | 2021-03-02 | 浙江大学软件学院（宁波）管理中心（宁波软件教育中心） | 一种基于用户偏好的商标自动生成方法及*** |
| CN112507160A (zh) * | 2020-12-03 | 2021-03-16 | 平安科技（深圳）有限公司 | 商标侵权的自动化判定方法、装置、电子设备和存储介质 |
| KR102282636B1 (ko) * | 2021-02-17 | 2021-07-28 | 조민정 | 인공지능을 이용하여 브랜드 네임을 생성하는 방법 및 장치 |
| CN113468885A (zh) * | 2021-07-13 | 2021-10-01 | 安徽大学绿色产业创新研究院 | 一种中文商标相似度计算方法 |
| CN115100665A (zh) * | 2022-07-22 | 2022-09-23 | 贵州中烟工业有限责任公司 | 近似商标筛选方法、模型构建方法及计算机可读存储介质 |
| CN115186628A (zh) * | 2021-04-06 | 2022-10-14 | 阿里巴巴新加坡控股有限公司 | 确定商标相似度的方法、装置及电子设备 |
-
2023
- 2023-07-24 CN CN202310903819.8A patent/CN116628245B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104636428A (zh) * | 2014-12-24 | 2015-05-20 | 四川超凡知识产权服务股份有限公司 | 一种商标推荐方法及装置 |
| US20180336285A1 (en) * | 2017-05-20 | 2018-11-22 | C T Corporation System | Automatically Generating and Evaluating Candidate Terms for Trademark Clearance |
| CN107563720A (zh) * | 2017-08-07 | 2018-01-09 | 深圳益强信息科技有限公司 | 基于大数据及人工智能的商标申请的方法 |
| CN107609022A (zh) * | 2017-08-07 | 2018-01-19 | 深圳益强信息科技有限公司 | 基于大数据及人工智能的商标申请的*** |
| CN107704486A (zh) * | 2017-08-07 | 2018-02-16 | 深圳益强信息科技有限公司 | 一种基于人工智能的图形商标可注册性判断的装置 |
| CN109213881A (zh) * | 2018-07-17 | 2019-01-15 | 北京知果科技有限公司 | 一种近似商标查询方法和装置 |
| CN110008315A (zh) * | 2019-04-15 | 2019-07-12 | 重庆天蓬网络有限公司 | 一种商标名称推荐方法及*** |
| CN111813976A (zh) * | 2020-07-16 | 2020-10-23 | 为创生(深圳)科技有限公司 | 图形商标定制方法、装置和存储介质 |
| CN112214681A (zh) * | 2020-12-02 | 2021-01-12 | 北京梦知网科技有限公司 | 商标名称的推荐方法、服务器、用户终端及电子设备 |
| CN112507160A (zh) * | 2020-12-03 | 2021-03-16 | 平安科技（深圳）有限公司 | 商标侵权的自动化判定方法、装置、电子设备和存储介质 |
| CN112434757A (zh) * | 2020-12-15 | 2021-03-02 | 浙江大学软件学院（宁波）管理中心（宁波软件教育中心） | 一种基于用户偏好的商标自动生成方法及*** |
| KR102282636B1 (ko) * | 2021-02-17 | 2021-07-28 | 조민정 | 인공지능을 이용하여 브랜드 네임을 생성하는 방법 및 장치 |
| CN115186628A (zh) * | 2021-04-06 | 2022-10-14 | 阿里巴巴新加坡控股有限公司 | 确定商标相似度的方法、装置及电子设备 |
| CN113468885A (zh) * | 2021-07-13 | 2021-10-01 | 安徽大学绿色产业创新研究院 | 一种中文商标相似度计算方法 |
| CN115100665A (zh) * | 2022-07-22 | 2022-09-23 | 贵州中烟工业有限责任公司 | 近似商标筛选方法、模型构建方法及计算机可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| AI探索者KEVIN: ""AI时代的LOGO设计：如何用AI制作专业的LOGO和品牌形象 【保姆级教程】"", pages 3 - 5, Retrieved from the Internet <URL:https://zhuanlan.zhihu.com/p/628166136?utm_id=0> * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116628245B (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6790286B2 (ja) | 強化学習を用いたデバイス配置最適化 | |
| CN109101537A (zh) | 基于深度学习的多轮对话数据分类方法、装置和电子设备 | |
| CN109684005B (zh) | 图形界面中组件相似度确定方法及装置 | |
| CN112732899A (zh) | 摘要语句提取方法、装置、服务器及计算机可读存储介质 | |
| JP6569183B2 (ja) | 情報処理装置、方法及びプログラム | |
| CN112347787A (zh) | 方面级别情感分类方法、装置、设备及可读存储介质 | |
| JP6709748B2 (ja) | クラスタリング装置、回答候補生成装置、方法、及びプログラム | |
| US20230177089A1 (en) | Identifying similar content in a multi-item embedding space | |
| CN116737938A (zh) | 基于微调大模型在线数据网络细粒度情感检测方法及装置 | |
| Lee et al. | The Impact of AI Text-to-Image Generator on Product Styling Design | |
| CN116628245B (zh) | 一种基于人工智能的商标智能推荐方法和*** | |
| CN112069820A (zh) | 模型训练方法、模型训练装置和实体抽取方法 | |
| CN116451688A (zh) | 汉语分词方法、装置、服务器及存储介质 | |
| CN113408528B (zh) | 商品图像的质量识别方法、装置、计算设备及存储介质 | |
| CN115408997A (zh) | 一种文本生成方法、文本生成装置和可读存储介质 | |
| CN112989044B (zh) | 文本分类方法、装置、设备及存储介质 | |
| CN111767710B (zh) | 印尼语的情感分类方法、装置、设备及介质 | |
| CN111566665B (zh) | 在自然语言处理中应用图像编码识别的装置和方法 | |
| CN110516169B (zh) | 数据显示方法、装置、***及计算设备 | |
| JP5824429B2 (ja) | スパムアカウントスコア算出装置、スパムアカウントスコア算出方法、及びプログラム | |
| Cabezon Pedroso et al. | Capabilities, limitations and challenges of style transfer with CycleGANs: a study on automatic ring design generation | |
| Yin et al. | Text2VRScene: Exploring the Framework of Automated Text-driven Generation System for VR Experience | |
| US20240153151A1 (en) | Generation of images corresponding to input text using multi-algorithm diffusion sampling | |
| US20240153152A1 (en) | Generation of image corresponding to input text using dynamic value clipping | |
| CN117908929B (zh) | 自动生成客户端的方法、装置、设备及存储介质 |
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 |