CN117635275A - 基于大数据的智能电商运营商品管理平台及方法 - Google Patents
基于大数据的智能电商运营商品管理平台及方法 Download PDFInfo
- Publication number
- CN117635275A CN117635275A CN202311750792.XA CN202311750792A CN117635275A CN 117635275 A CN117635275 A CN 117635275A CN 202311750792 A CN202311750792 A CN 202311750792A CN 117635275 A CN117635275 A CN 117635275A
- Authority
- CN
- China
- Prior art keywords
- commodity
- display image
- semantic feature
- semantic
- feature vector
- 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 abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 185
- 238000005457 optimization Methods 0.000 claims abstract description 31
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000007726 management method Methods 0.000 claims description 38
- 238000012937 correction Methods 0.000 claims description 33
- 230000004927 fusion Effects 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 abstract description 8
- 238000000605 extraction Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000014509 gene expression Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
公开了一种基于大数据的智能电商运营商品管理平台及方法。其首先获取待优化商品的文本描述,接着,对所述待优化商品的文本描述进行语义编码以得到商品文本描述词粒度语义特征向量的序列,然后,获取所述待优化商品的初始展示图像,接着,通过基于深度神经网络模型的图像风格特征提取器对所述初始展示图像进行特征提取以得到初始展示图像风格语义特征向量,然后,基于所述商品文本描述词粒度语义特征向量的序列,对所述初始展示图像风格语义特征向量进行优化以得到更新展示图像风格语义特征,最后,基于所述更新展示图像风格语义特征,生成优化展示图像。这样,可以增加商品的曝光率和转化率,提升商品的吸引力和竞争力。
Description
技术领域
本申请涉及智能电商运营领域,且更为具体地,涉及一种基于大数据的智能电商运营商品管理平台及方法。
背景技术
随着电商平台的发展,商品的数量和种类越来越多,用户面临着海量的商品选择。在这种情况下,如何有效地展示商品,吸引消费者的注意力,提高商品的曝光率和转化率,成为电商运营的重要问题。
传统的电商平台通常通过展示商品的图片和文字描述来吸引用户的注意力。然而,商品展示图片通常是由商家自行上传或者平台统一规范的,这些图片往往只能展示商品的外观,不能充分反映商品的文本描述中所包含的信息,也无法完整地传达商品的特点和优势,导致商品的展示效果不佳,影响消费者的购买意愿。而商品的文本描述虽然可以提供更多的信息,但用户往往没有足够的耐心去仔细阅读每个商品的描述,导致商品的曝光率和转化率较低。
因此,期望一种基于大数据的智能电商运营商品管理平台。
发明内容
有鉴于此,本申请提出了一种基于大数据的智能电商运营商品管理平台及方法,其可以通过获取商品的文本描述和展示图像,并在后端引入语义理解和图像处理算法来进行商品的文本描述和展示图像的分析,以基于商品的文本描述来优化商品的展示图片,使其更加符合商品的属性、标题和特征描述,从而增加商品的曝光率和转化率,并提升商品的吸引力和竞争力。
根据本申请的一方面,提供了一种基于大数据的智能电商运营商品管理平台,其包括:
商品文本描述采集模块,用于获取待优化商品的文本描述,其中,所述文本描述包括商品属性、标题和特征描述;
文本语义编码模块,用于对所述待优化商品的文本描述进行语义编码以得到商品文本描述词粒度语义特征向量的序列;
商品展示图像采集模块,用于获取所述待优化商品的初始展示图像;
图像特征分析模块,用于通过基于深度神经网络模型的图像风格特征提取器对所述初始展示图像进行特征提取以得到初始展示图像风格语义特征向量;
展示图像特征优化更新模块,用于基于所述商品文本描述词粒度语义特征向量的序列,对所述初始展示图像风格语义特征向量进行优化以得到更新展示图像风格语义特征;以及
优化展示图像生成模块,用于基于所述更新展示图像风格语义特征,生成优化展示图像。
根据本申请的另一方面,提供了一种基于大数据的智能电商运营商品管理方法,其包括:
获取待优化商品的文本描述,其中,所述文本描述包括商品属性、标题和特征描述;
对所述待优化商品的文本描述进行语义编码以得到商品文本描述词粒度语义特征向量的序列;
获取所述待优化商品的初始展示图像;
通过基于深度神经网络模型的图像风格特征提取器对所述初始展示图像进行特征提取以得到初始展示图像风格语义特征向量;
基于所述商品文本描述词粒度语义特征向量的序列,对所述初始展示图像风格语义特征向量进行优化以得到更新展示图像风格语义特征;以及
基于所述更新展示图像风格语义特征,生成优化展示图像。
根据本申请的实施例,其首先获取待优化商品的文本描述,接着,对所述待优化商品的文本描述进行语义编码以得到商品文本描述词粒度语义特征向量的序列,然后,获取所述待优化商品的初始展示图像,接着,通过基于深度神经网络模型的图像风格特征提取器对所述初始展示图像进行特征提取以得到初始展示图像风格语义特征向量,然后,基于所述商品文本描述词粒度语义特征向量的序列,对所述初始展示图像风格语义特征向量进行优化以得到更新展示图像风格语义特征,最后,基于所述更新展示图像风格语义特征,生成优化展示图像。这样,可以增加商品的曝光率和转化率,提升商品的吸引力和竞争力。
根据下面参考附图对示例性实施例的详细说明,本申请的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面,并且用于解释本申请的原理。
图1示出根据本申请的实施例的基于大数据的智能电商运营商品管理平台的框图。
图2示出根据本申请的实施例的基于大数据的智能电商运营商品管理方法的流程图。
图3示出根据本申请的实施例的基于大数据的智能电商运营商品管理方法的架构示意图。
图4示出根据本申请的实施例的基于大数据的智能电商运营商品管理平台的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,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,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
另外,为了更好的说明本申请,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本申请同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本申请的主旨。
针对上述技术问题,本申请的技术构思为通过获取商品的文本描述和展示图像,并在后端引入语义理解和图像处理算法来进行商品的文本描述和展示图像的分析,以基于商品的文本描述来优化商品的展示图片,使其更加符合商品的属性、标题和特征描述,从而增加商品的曝光率和转化率,并提升商品的吸引力和竞争力。
图1示出根据本申请的实施例的基于大数据的智能电商运营商品管理平台的框图示意图。如图1所示,根据本申请实施例的基于大数据的智能电商运营商品管理平台100,包括:商品文本描述采集模块110,用于获取待优化商品的文本描述,其中,所述文本描述包括商品属性、标题和特征描述;文本语义编码模块120,用于对所述待优化商品的文本描述进行语义编码以得到商品文本描述词粒度语义特征向量的序列;商品展示图像采集模块130,用于获取所述待优化商品的初始展示图像;图像特征分析模块140,用于通过基于深度神经网络模型的图像风格特征提取器对所述初始展示图像进行特征提取以得到初始展示图像风格语义特征向量;展示图像特征优化更新模块150,用于基于所述商品文本描述词粒度语义特征向量的序列,对所述初始展示图像风格语义特征向量进行优化以得到更新展示图像风格语义特征;以及,优化展示图像生成模块160,用于基于所述更新展示图像风格语义特征,生成优化展示图像。
应可以理解,商品文本描述采集模块110负责采集商品的文本信息,为后续的处理提供输入数据。文本语义编码模块120将商品文本描述转化为语义特征向量,可以用于后续的商品分析和优化。商品展示图像采集模块130负责采集商品的展示图像,为后续的特征提取和优化提供输入数据。图像特征分析模块140可以提取图像的特征,用于后续的图像分析和优化。展示图像特征优化更新模块150利用文本描述的语义特征和图像特征进行优化,以改进展示图像的质量和风格。优化展示图像生成模块160模块利用优化后的图像特征生成新的展示图像,以提升商品的展示效果和吸引力。这些模块组成了基于大数据的智能电商运营商品管理平台的核心功能,通过文本和图像的处理与优化,提升商品的描述和展示效果,从而提高电商运营的效率和用户体验。
具体地,在本申请的技术方案中,首先,获取待优化商品的文本描述,其中,所述文本描述包括商品属性、标题和特征描述。接着,考虑到商品的文本描述通常包括商品的属性、标题和特征描述等信息,这些文本描述中包含了丰富的语义信息,并且这种语义信息是基于词粒度的。因此,为了能够对于该文本描述进行语义分析和理解,在本申请的技术方案中,进一步对所述待优化商品的文本描述进行语义编码,以提取出所述待优化商品的文本描述中的基于词粒度的语义理解特征信息,从而得到商品文本描述词粒度语义特征向量的序列。
相应地,所述文本语义编码模块120,包括:分词单元,用于对所述待优化商品的文本描述进行分词处理以将所述待优化商品的文本描述转化为由多个词组成的词序列;嵌入编码单元,用于使用上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列;以及,上下文语义编码单元,用于使用所述上下文编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述商品文本描述词粒度语义特征向量的序列。
应可以理解,分词处理是自然语言处理(NLP)中的一项基本任务,它将连续的自然语言文本切分成具有一定意义的词或标记序列。分词的目的是将文本划分为离散的词语单位,以便计算机能够更好地理解和处理文本。以下是分词处理的一些用途:1.语言理解和语义分析:分词是语言处理的基础步骤,它将文本转化为离散的语义单元,有助于理解句子的结构和语义。在自然语言处理任务中,如文本分类、命名实体识别、情感分析等,分词可以提供更准确的语义表示,帮助计算机理解文本的含义。2.信息检索和搜索引擎:在信息检索和搜索引擎中,分词可以将查询词和文档进行统一的表示,以便进行匹配和检索。将查询词和文档分成独立的词语,可以提高搜索的准确性和召回率。3.机器翻译:在机器翻译任务中,分词可以将源语言和目标语言的句子切分成对应的词语序列,以便进行翻译和对齐。分词对于翻译的准确性和流畅性至关重要。4.文本预处理:在文本分析和文本挖掘任务中,分词是一项重要的预处理步骤。通过将文本切分成词语序列,可以进行词频统计、词向量表示、特征提取等操作,为后续的分析和建模提供有意义的输入。5.信息抽取和知识图谱:分词可以帮助从文本中提取出实体、关系和事件等信息,构建知识图谱或图数据库。通过词语的切分,可以更好地识别和提取出文本中的实体名词、动词等关键信息。换言之,分词处理在自然语言处理和文本分析中起着重要的作用,它能够将连续的自然语言文本转化为离散的词语序列,为后续的处理和分析提供基础。
嵌入层(Embedding Layer)是文本处理中的一种常见技术,用于将离散的词语表示(如单词)映射到连续的向量空间中,即将每个词转换为词向量。嵌入层通过学习词语之间的关联性,将词语的语义信息编码为向量表示。嵌入层的作用是将文本数据转换为计算机可以理解和处理的形式,同时保留了一定的语义信息。通过将词语映射到连续的向量空间中,嵌入层能够捕捉到词语之间的语义相似性和关联性。这样,相似的词在嵌入空间中的距离也会更近,从而方便后续的语义分析和处理。在文本语义编码模块中,嵌入编码单元使用上下文编码器的嵌入层将词序列中的每个词映射到词向量,即将文本描述中的每个词转换为向量表示。这样可以将文本描述转化为由词向量组成的序列,以便后续的上下文语义编码。总体而言,嵌入层的作用是将文本中的词语转换为向量表示,以便计算机能够理解和处理文本数据,并提供了一种方式来捕捉词语之间的语义关联性。在文本语义编码模块中,嵌入层用于将待优化商品的文本描述转化为词向量的序列,为后续的上下文语义编码提供输入。
然后,再获取所述待优化商品的初始展示图像,并使用在图像的隐含特征提取方面具有优异表现性能的基于卷积神经网络模型的图像风格特征提取器对所述初始展示图像进行特征挖掘,以提取出所述初始展示图像中有关于商品的风格语义特征信息,从而得到初始展示图像风格语义特征向量。
相应地,在所述图像特征分析模块140中,所述深度神经网络模型为卷积神经网络模型。值得一提的是,卷积神经网络(Convolutional Neural Network,简称CNN)是一种深度学习模型,特别适用于处理图像和视觉数据,它是由多个卷积层、池化层和全连接层组成的神经网络结构。卷积神经网络通过卷积操作来提取图像中的特征,并通过多个卷积层和池化层的堆叠来逐渐提取更高级别的抽象特征。卷积层使用一组可学习的滤波器(也称为卷积核)对输入图像进行卷积操作,从而捕捉图像中的局部空间信息。池化层则用于减小特征图的尺寸,并保留最显著的特征。卷积神经网络在图像处理领域具有广泛的应用,包括图像分类、目标检测、图像分割等任务。由于卷积神经网络能够自动学习图像中的特征表示,它可以有效地提取图像的视觉特征,并在各种图像任务中取得出色的性能。在图像特征分析模块140中,使用基于深度神经网络模型的卷积神经网络来进行图像特征提取。通过训练好的卷积神经网络模型,可以从待优化商品的初始展示图像中提取出具有语义信息的特征向量。这些特征向量可以用于后续的图像分析、优化和生成,以改进商品的展示效果和风格。因此,在电商运营中,卷积神经网络模型在图像处理中发挥着重要的作用。
应可以理解,所述商品文本描述词粒度语义特征向量的序列和所述初始展示图像风格语义特征向量分别表示了有关于所述待优化商品的文本描述基于词粒度的语义理解特征和展示图片风格语义特征。但是,考虑到所述商品的展示图片风格语义无法完整地传达商品的特点和优势。而商品的文本描述语义可以提供更多的信息,包括商品的属性、标题和特征描述等。因此,为了实现商品的文本描述语义和图像语义之间的信息交互和融合,从而得到更全面、准确的展示图像风格语义特征表示,在本申请的技术方案中,进一步使用跨模态信息传递融合模块,将所述商品文本描述词粒度语义特征向量的序列融合入所述初始展示图像风格语义特征向量以得到更新展示图像风格语义特征向量。应可以理解,通过将所述商品文本描述词粒度语义特征向量的序列融合入所述初始展示图像风格语义特征向量,可以利用有关于商品的文本描述基于词粒度的语义特征来进行商品图像的风格语义优化表达和更新,以此来生成具有更丰富、准确的图像语义表示。具体来说,所述跨模态信息传递融合模块可以根据商品文本描述语义的重要性和相关性来调整商品展示图像的特征表示,使其更好地反映商品的特点和优势。
相应地,所述展示图像特征优化更新模块150,用于:使用跨模态信息传递融合模块,将所述商品文本描述词粒度语义特征向量的序列融合入所述初始展示图像风格语义特征向量以得到更新展示图像风格语义特征向量作为所述更新展示图像风格语义特征。
具体地,所述展示图像特征优化更新模块150,用于:使用跨模态信息传递融合模块,以如下融合公式将所述商品文本描述词粒度语义特征向量的序列融合入所述初始展示图像风格语义特征向量以得到所述更新展示图像风格语义特征向量;其中,所述融合公式为:
其中,v表示所述初始展示图像风格语义特征向量,A表示1×Nw的矩阵,Nw等于所述初始展示图像风格语义特征向量的尺度,B是1×Nh的矩阵,Nh等于所述商品文本描述词粒度语义特征向量的序列中商品文本描述词粒度语义特征向量的数量,hi表示所述商品文本描述词粒度语义特征向量的序列中的各个商品文本描述词粒度语义特征向量,N表示所述商品文本描述词粒度语义特征向量的序列中的各个商品文本描述词粒度语义特征向量的尺度,σ是Sigmoid函数,s为权重系数,Mw(·)和Mh(·)表示1×1卷积核的卷积操作,表示所述更新展示图像风格语义特征向量。
继而,再将所述更新展示图像风格语义特征向量通过基于AIGC的展示图片优化生成器以得到优化展示图像。也就是说,利用经过商品基于词粒度的语义特征来优化表达后的商品图像更新语义特征信息来进行商品展示图片的优化生成,以得到更具吸引力和表现力的优化展示图像。
相应地,所述优化展示图像生成模块160,包括:更新展示图像风格语义特征校正单元,用于对所述更新展示图像风格语义特征向量进行特征分布校正以得到校正后更新展示图像风格语义特征向量;以及,图片优化生成单元,用于将所述校正后更新展示图像风格语义特征向量通过基于AIGC的展示图片优化生成器以得到所述优化展示图像。
应可以理解,更新展示图像风格语义特征校正单元用于对更新展示图像风格语义特征向量进行特征分布校正,以获得校正后的更新展示图像风格语义特征向量,这个单元的作用是调整特征向量的分布,使其更符合期望的特征分布,通过特征分布校正,可以改善特征向量的表达能力,使其更适合后续的图像优化生成。图片优化生成单元则是使用校正后的更新展示图像风格语义特征向量,通过基于AIGC(Artificial IntelligenceGenerated Content)的展示图片优化生成器,生成优化后的展示图像,这个单元的作用是将校正后的特征向量输入到优化生成器中,通过生成器的运算和优化算法,生成具有优化效果的展示图像,生成器可以根据特征向量中的语义信息和风格特征,生成更符合期望的展示图像,以提升商品的展示效果和吸引力。综合来说,更新展示图像风格语义特征校正单元用于调整特征向量的分布,以获得更好的特征表示;图片优化生成单元则通过优化生成器,利用校正后的特征向量生成优化后的展示图像。这两个单元在优化展示图像生成模块中起到了不同的作用,共同协作以实现对展示图像的优化和生成。
值得一提的是,AIGC是Artificial Intelligence Generated Content的缩写,意为人工智能生成内容。AIGC是指利用人工智能技术生成各种形式的内容,如图像、音频、视频、文本等,通过机器学习、深度学习和生成模型等技术,可以让计算机***学习和模仿人类创造内容的能力,生成具有一定创造性和表现力的内容。AIGC可以应用于多个领域,AIGC的发展受益于深度学习和生成模型的进步,特别是生成对抗网络(GAN)和变分自编码器(VAE)等模型的出现。这些模型可以学习真实数据的分布,并生成与之相似的新数据。通过训练这些模型,可以生成具有多样性和创造性的内容,拓展了人工智能在内容生成领域的应用。
特别地,在上述技术方案中,所述商品文本描述词粒度语义特征向量的序列表达所述待优化商品的文本描述的文本语义特征,而所述初始展示图像风格语义特征向量表达所述初始展示图像的用于表示图像风格的图像语义特征,考虑到所述商品文本描述词粒度语义特征向量的序列与所述初始展示图像风格语义特征向量之间的特征模态差异,在使用跨模态信息传递融合模块将所述商品文本描述词粒度语义特征向量的序列融合入所述初始展示图像风格语义特征向量时,所述商品文本描述词粒度语义特征向量的序列与所述初始展示图像风格语义特征向量之间会存在显著的跨模态信息对应稀疏性,从而影响所述更新展示图像风格语义特征向量的表达效果,因此,需要基于所述商品文本描述词粒度语义特征向量的序列与所述初始展示图像风格语义特征向量各自的特征表达的语义显著性和关键性来进行跨模态信息对应性优化,从而提升所述更新展示图像风格语义特征向量的表达效果。
基于此,本申请的申请人对于所述商品文本描述词粒度语义特征向量的序列与所述初始展示图像风格语义特征向量进行校正。
在一个示例中,所述更新展示图像风格语义特征校正单元,包括:特征校正子单元,用于对所述商品文本描述词粒度语义特征向量的序列与所述初始展示图像风格语义特征向量进行校正以得到校正特征向量;以及,校正特征融合子单元,用于将所述校正特征向量与所述更新展示图像风格语义特征向量进行融合以得到所述校正后更新展示图像风格语义特征向量。
应可以理解,特征校正子单元用于对商品文本描述词粒度语义特征向量的序列和初始展示图像风格语义特征向量进行校正,以得到校正特征向量,其作用是通过对文本描述和初始图像特征进行校正,提升特征向量的表达能力和语义一致性。具体而言,特征校正子单元可能采用一些校正技术,例如特征映射、特征融合、特征对齐等方法,将文本描述和图像特征进行有效融合和校正,生成更准确、更具表达力的校正特征向量。校正特征融合子单元则用于将校正特征向量与更新展示图像风格语义特征向量进行融合,以得到校正后的更新展示图像风格语义特征向量。这个子单元的作用是将经过特征校正的文本描述特征和初始图像特征进行融合,以获得更全面、更丰富的特征表示。融合的方式可以是简单的向量拼接、加权求和等方法,将两个特征向量融合成一个综合的特征向量。融合后的特征向量包含了文本描述和图像特征的信息,可以更好地描述商品的风格和语义特征。综合来说,特征校正子单元用于对文本描述和初始图像特征进行校正,生成校正特征向量;校正特征融合子单元则将校正特征向量与更新展示图像风格语义特征向量进行融合,得到校正后的更新展示图像风格语义特征向量。这两个子单元在更新展示图像风格语义特征校正单元中起到了不同的作用,共同协作以实现对特征向量的校正和融合。
其中,所述特征校正子单元,用于:以如下校正公式对所述商品文本描述词粒度语义特征向量的序列与所述初始展示图像风格语义特征向量进行校正以得到校正特征向量;其中,所述校正公式为:
其中,V1是所述商品文本描述词粒度语义特征向量的序列级联后的级联特征向量,且V2是所述初始展示图像风格语义特征向量,表示特征向量的逐位置开方,v1max -1和v2max -1分别是特征向量V1和V2最大特征值的倒数,α和β是权重超参数,⊙表示按位置点乘,表示向量减法,Vc是所述校正特征向量。
这里,通过所述级联特征向量V1和所述初始展示图像风格语义特征向量V2的各个特征值的开方值来获得特征值集合的预分割的局部组,并从其中回归所述级联特征向量V1和所述初始展示图像风格语义特征向量V2的关键最大值特征,这样,可以基于最远点采样的思想来提升特征值的按位置显著性分布,从而通过具有显著分布的关键特征来进行特征向量间的稀疏交互控制,以实现校正特征向量Vc对于所述商品文本描述词粒度语义特征向量的序列的级联特征向量V1和所述初始展示图像风格语义特征向量V2的原始流形几何的还原。这样,再将所述校正特征向量Vc与所述更新展示图像风格语义特征向量融合,就可以提升所述更新展示图像风格语义特征向量的表达效果,从而提升其通过基于AIGC的展示图片优化生成器得到的优化展示图像的图像质量。这样,能够基于商品的文本描述来优化商品的展示图片,使得商品的展示图片更加符合商品的属性、标题和特征描述,从而增加商品的曝光率和转化率,并提升商品的吸引力和竞争力。
综上,基于本申请实施例的基于大数据的智能电商运营商品管理平台100被阐明,其可以增加商品的曝光率和转化率,提升商品的吸引力和竞争力。
如上所述,根据本申请实施例的所述基于大数据的智能电商运营商品管理平台100可以实现在各种终端设备中,例如具有基于大数据的智能电商运营商品管理算法的服务器等。在一个示例中,基于大数据的智能电商运营商品管理平台100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于大数据的智能电商运营商品管理平台100可以是该终端设备的操作***中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于大数据的智能电商运营商品管理平台100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于大数据的智能电商运营商品管理平台100与该终端设备也可以是分立的设备,并且该基于大数据的智能电商运营商品管理平台100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图2示出根据本申请的实施例的基于大数据的智能电商运营商品管理方法的流程图。图3示出根据本申请的实施例的基于大数据的智能电商运营商品管理方法的***架构的示意图。如图2和图3所示,根据本申请实施例的基于大数据的智能电商运营商品管理方法,其包括:S110,获取待优化商品的文本描述,其中,所述文本描述包括商品属性、标题和特征描述;S120,对所述待优化商品的文本描述进行语义编码以得到商品文本描述词粒度语义特征向量的序列;S130,获取所述待优化商品的初始展示图像;S140,通过基于深度神经网络模型的图像风格特征提取器对所述初始展示图像进行特征提取以得到初始展示图像风格语义特征向量;S150,基于所述商品文本描述词粒度语义特征向量的序列,对所述初始展示图像风格语义特征向量进行优化以得到更新展示图像风格语义特征;以及,S160,基于所述更新展示图像风格语义特征,生成优化展示图像。
在一种可能的实现方式中,对所述待优化商品的文本描述进行语义编码以得到商品文本描述词粒度语义特征向量的序列,包括:对所述待优化商品的文本描述进行分词处理以将所述待优化商品的文本描述转化为由多个词组成的词序列;使用上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列;以及,使用所述上下文编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述商品文本描述词粒度语义特征向量的序列。
在一种可能的实现方式中,所述深度神经网络模型为卷积神经网络模型。
这里,本领域技术人员可以理解,上述基于大数据的智能电商运营商品管理方法中的各个步骤的具体操作已经在上面参考图1的基于大数据的智能电商运营商品管理平台的描述中得到了详细介绍,并因此,将省略其重复描述。
图4示出根据本申请的实施例的基于大数据的智能电商运营商品管理平台的应用场景图。如图4所示,在该应用场景中,首先,获取待优化商品的文本描述(例如,图4中所示意的D1)和所述待优化商品的初始展示图像(例如,图4中所示意的D2),其中,所述文本描述包括商品属性、标题和特征描述,然后,将所述待优化商品的文本描述和所述初始展示图像输入至部署有基于大数据的智能电商运营商品管理算法的服务器(例如,图4中所示意的S)中,其中,所述服务器能够使用所述基于大数据的智能电商运营商品管理算法对所述待优化商品的文本描述和所述初始展示图像进行处理以得到优化展示图像。
附图中的流程图和框图显示了根据本申请的多个实施例的***、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,所述模块、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。
以上已经描述了本申请的各实施例,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员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的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种基于大数据的智能电商运营商品管理平台,其特征在于,包括:
商品文本描述采集模块,用于获取待优化商品的文本描述,其中,所述文本描述包括商品属性、标题和特征描述;
文本语义编码模块,用于对所述待优化商品的文本描述进行语义编码以得到商品文本描述词粒度语义特征向量的序列;
商品展示图像采集模块,用于获取所述待优化商品的初始展示图像;
图像特征分析模块,用于通过基于深度神经网络模型的图像风格特征提取器对所述初始展示图像进行特征提取以得到初始展示图像风格语义特征向量;
展示图像特征优化更新模块,用于基于所述商品文本描述词粒度语义特征向量的序列,对所述初始展示图像风格语义特征向量进行优化以得到更新展示图像风格语义特征;以及
优化展示图像生成模块,用于基于所述更新展示图像风格语义特征,生成优化展示图像。
2.根据权利要求1所述的基于大数据的智能电商运营商品管理平台,其特征在于,所述文本语义编码模块,包括:
分词单元,用于对所述待优化商品的文本描述进行分词处理以将所述待优化商品的文本描述转化为由多个词组成的词序列;
嵌入编码单元,用于使用上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列;以及
上下文语义编码单元,用于使用所述上下文编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述商品文本描述词粒度语义特征向量的序列。
3.根据权利要求2所述的基于大数据的智能电商运营商品管理平台,其特征在于,所述深度神经网络模型为卷积神经网络模型。
4.根据权利要求3所述的基于大数据的智能电商运营商品管理平台,其特征在于,所述展示图像特征优化更新模块,用于:
使用跨模态信息传递融合模块,将所述商品文本描述词粒度语义特征向量的序列融合入所述初始展示图像风格语义特征向量以得到更新展示图像风格语义特征向量作为所述更新展示图像风格语义特征。
5.根据权利要求4所述的基于大数据的智能电商运营商品管理平台,其特征在于,所述展示图像特征优化更新模块,用于:
使用跨模态信息传递融合模块,以如下融合公式将所述商品文本描述词粒度语义特征向量的序列融合入所述初始展示图像风格语义特征向量以得到所述更新展示图像风格语义特征向量;其中,所述融合公式为:
其中,v表示所述初始展示图像风格语义特征向量,A表示1×Nw的矩阵,Nw等于所述初始展示图像风格语义特征向量的尺度,B是1×Nh的矩阵,Nh等于所述商品文本描述词粒度语义特征向量的序列中商品文本描述词粒度语义特征向量的数量,hi表示所述商品文本描述词粒度语义特征向量的序列中的各个商品文本描述词粒度语义特征向量,N表示所述商品文本描述词粒度语义特征向量的序列中的各个商品文本描述词粒度语义特征向量的尺度,σ是Sigmoid函数,s为权重系数,Mw(·)和Mh(·)表示1×1卷积核的卷积操作,v,表示所述更新展示图像风格语义特征向量。
6.根据权利要求5所述的基于大数据的智能电商运营商品管理平台,其特征在于,所述优化展示图像生成模块,包括:
更新展示图像风格语义特征校正单元,用于对所述更新展示图像风格语义特征向量进行特征分布校正以得到校正后更新展示图像风格语义特征向量;以及
图片优化生成单元,用于将所述校正后更新展示图像风格语义特征向量通过基于AIGC的展示图片优化生成器以得到所述优化展示图像。
7.根据权利要求6所述的基于大数据的智能电商运营商品管理平台,其特征在于,所述更新展示图像风格语义特征校正单元,包括:
特征校正子单元,用于对所述商品文本描述词粒度语义特征向量的序列与所述初始展示图像风格语义特征向量进行校正以得到校正特征向量;以及
校正特征融合子单元,用于将所述校正特征向量与所述更新展示图像风格语义特征向量进行融合以得到所述校正后更新展示图像风格语义特征向量。
8.一种基于大数据的智能电商运营商品管理方法,其特征在于,包括:
获取待优化商品的文本描述,其中,所述文本描述包括商品属性、标题和特征描述;
对所述待优化商品的文本描述进行语义编码以得到商品文本描述词粒度语义特征向量的序列;
获取所述待优化商品的初始展示图像;
通过基于深度神经网络模型的图像风格特征提取器对所述初始展示图像进行特征提取以得到初始展示图像风格语义特征向量;
基于所述商品文本描述词粒度语义特征向量的序列,对所述初始展示图像风格语义特征向量进行优化以得到更新展示图像风格语义特征;以及
基于所述更新展示图像风格语义特征,生成优化展示图像。
9.根据权利要求8所述的基于大数据的智能电商运营商品管理方法,其特征在于,对所述待优化商品的文本描述进行语义编码以得到商品文本描述词粒度语义特征向量的序列,包括:
对所述待优化商品的文本描述进行分词处理以将所述待优化商品的文本描述转化为由多个词组成的词序列;
使用上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列;以及
使用所述上下文编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述商品文本描述词粒度语义特征向量的序列。
10.根据权利要求9所述的基于大数据的智能电商运营商品管理方法,其特征在于,所述深度神经网络模型为卷积神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311750792.XA CN117635275B (zh) | 2023-12-19 | 2023-12-19 | 基于大数据的智能电商运营商品管理平台及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311750792.XA CN117635275B (zh) | 2023-12-19 | 2023-12-19 | 基于大数据的智能电商运营商品管理平台及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117635275A true CN117635275A (zh) | 2024-03-01 |
CN117635275B CN117635275B (zh) | 2024-05-24 |
Family
ID=90021416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311750792.XA Active CN117635275B (zh) | 2023-12-19 | 2023-12-19 | 基于大数据的智能电商运营商品管理平台及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117635275B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117611245A (zh) * | 2023-12-14 | 2024-02-27 | 浙江博观瑞思科技有限公司 | 用于电商运营活动策划的数据分析管理***及方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886330A (zh) * | 2019-02-18 | 2019-06-14 | 腾讯科技(深圳)有限公司 | 文本检测方法、装置、计算机可读存储介质和计算机设备 |
CN111402365A (zh) * | 2020-03-17 | 2020-07-10 | 湖南大学 | 一种基于双向架构对抗生成网络的由文字生成图片的方法 |
CN114266840A (zh) * | 2021-12-21 | 2022-04-01 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN114329025A (zh) * | 2021-10-29 | 2022-04-12 | 南京南邮信息产业技术研究院有限公司 | 基于对抗生成网络的跨模态文本到图像生成方法 |
CN114898349A (zh) * | 2022-05-25 | 2022-08-12 | 广州欢聚时代信息科技有限公司 | 目标商品识别方法及其装置、设备、介质、产品 |
US20220351251A1 (en) * | 2021-04-30 | 2022-11-03 | Zeta Global Corp. | Generating accompanying text creative |
CN115760607A (zh) * | 2022-11-11 | 2023-03-07 | 抖音视界有限公司 | 图像修复方法、装置、可读介质以及电子设备 |
CN115760646A (zh) * | 2022-12-09 | 2023-03-07 | 中山大学·深圳 | 一种针对不规则孔洞的多模态人脸图像修复方法和*** |
CN116597039A (zh) * | 2023-05-22 | 2023-08-15 | 阿里巴巴(中国)有限公司 | 图像生成的方法和服务器 |
CN117058271A (zh) * | 2023-07-11 | 2023-11-14 | 浙江天猫技术有限公司 | 用于生成商品主图背景的方法及计算设备 |
CN117151826A (zh) * | 2023-09-13 | 2023-12-01 | 广州数说故事信息科技有限公司 | 多模态电商商品对齐方法、装置、电子设备及存储介质 |
-
2023
- 2023-12-19 CN CN202311750792.XA patent/CN117635275B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886330A (zh) * | 2019-02-18 | 2019-06-14 | 腾讯科技(深圳)有限公司 | 文本检测方法、装置、计算机可读存储介质和计算机设备 |
CN111402365A (zh) * | 2020-03-17 | 2020-07-10 | 湖南大学 | 一种基于双向架构对抗生成网络的由文字生成图片的方法 |
US20220351251A1 (en) * | 2021-04-30 | 2022-11-03 | Zeta Global Corp. | Generating accompanying text creative |
CN114329025A (zh) * | 2021-10-29 | 2022-04-12 | 南京南邮信息产业技术研究院有限公司 | 基于对抗生成网络的跨模态文本到图像生成方法 |
CN114266840A (zh) * | 2021-12-21 | 2022-04-01 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN114898349A (zh) * | 2022-05-25 | 2022-08-12 | 广州欢聚时代信息科技有限公司 | 目标商品识别方法及其装置、设备、介质、产品 |
CN115760607A (zh) * | 2022-11-11 | 2023-03-07 | 抖音视界有限公司 | 图像修复方法、装置、可读介质以及电子设备 |
CN115760646A (zh) * | 2022-12-09 | 2023-03-07 | 中山大学·深圳 | 一种针对不规则孔洞的多模态人脸图像修复方法和*** |
CN116597039A (zh) * | 2023-05-22 | 2023-08-15 | 阿里巴巴(中国)有限公司 | 图像生成的方法和服务器 |
CN117058271A (zh) * | 2023-07-11 | 2023-11-14 | 浙江天猫技术有限公司 | 用于生成商品主图背景的方法及计算设备 |
CN117151826A (zh) * | 2023-09-13 | 2023-12-01 | 广州数说故事信息科技有限公司 | 多模态电商商品对齐方法、装置、电子设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117611245A (zh) * | 2023-12-14 | 2024-02-27 | 浙江博观瑞思科技有限公司 | 用于电商运营活动策划的数据分析管理***及方法 |
CN117611245B (zh) * | 2023-12-14 | 2024-05-31 | 浙江博观瑞思科技有限公司 | 用于电商运营活动策划的数据分析管理***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117635275B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110781347B (zh) | 一种视频处理方法、装置、设备以及可读存储介质 | |
CN111858954A (zh) | 面向任务的文本生成图像网络模型 | |
CN111079532A (zh) | 一种基于文本自编码器的视频内容描述方法 | |
CN107145485B (zh) | 用于压缩主题模型的方法和装置 | |
CN110083729B (zh) | 一种图像搜索的方法及*** | |
US11158349B2 (en) | Methods and systems of automatically generating video content from scripts/text | |
CN111324774A (zh) | 一种视频去重方法和装置 | |
WO2022134701A1 (zh) | 视频处理方法及装置 | |
CN117635275B (zh) | 基于大数据的智能电商运营商品管理平台及方法 | |
CN111985520A (zh) | 一种基于图卷积神经网络的多模态分类方法 | |
CN115964560B (zh) | 基于多模态预训练模型的资讯推荐方法及设备 | |
CN111324773A (zh) | 一种背景音乐构建方法、装置、电子设备和存储介质 | |
CN113641797A (zh) | 数据处理方法、装置、设备、存储介质及计算机程序产品 | |
CN114281982B (zh) | 一种多模态融合技术的图书宣传摘要生成方法和*** | |
CN116977457A (zh) | 一种数据处理方法、设备以及计算机可读存储介质 | |
CN112085120A (zh) | 多媒体数据的处理方法、装置、电子设备及存储介质 | |
CN117114063A (zh) | 用于训练生成式大语言模型和用于处理图像任务的方法 | |
CN111988668B (zh) | 一种视频推荐方法、装置、计算机设备及存储介质 | |
CN117131222A (zh) | 基于开放世界大模型的半自动化标注方法和装置 | |
CN116955591A (zh) | 用于内容推荐的推荐语生成方法、相关装置和介质 | |
CN116756363A (zh) | 一种由信息量引导的强相关性无监督跨模态检索方法 | |
CN113806536B (zh) | 文本分类方法及其装置、设备、介质、产品 | |
CN116955707A (zh) | 内容标签的确定方法、装置、设备、介质及程序产品 | |
CN117009577A (zh) | 一种视频数据处理方法、装置、设备及可读存储介质 | |
CN115269901A (zh) | 拓展图像生成方法、装置和设备 |
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 |