WO2022156530A1 - 商品推荐方法和装置 - Google Patents
商品推荐方法和装置 Download PDFInfo
- Publication number
- WO2022156530A1 WO2022156530A1 PCT/CN2022/070179 CN2022070179W WO2022156530A1 WO 2022156530 A1 WO2022156530 A1 WO 2022156530A1 CN 2022070179 W CN2022070179 W CN 2022070179W WO 2022156530 A1 WO2022156530 A1 WO 2022156530A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- information
- commodity
- attribute information
- purchased
- product
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000000605 extraction Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 8
- 239000000047 product Substances 0.000 description 155
- 238000010586 diagram Methods 0.000 description 8
- 230000004927 fusion Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012358 sourcing Methods 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000013066 combination product Substances 0.000 description 1
- 229940127555 combination product Drugs 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002304 perfume Substances 0.000 description 1
- 238000005057 refrigeration Methods 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0623—Item investigation
- G06Q30/0625—Directed, with specific intent or strategy
- G06Q30/0627—Directed, with specific intent or strategy using item specifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/43—Querying
- G06F16/432—Query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/43—Querying
- G06F16/432—Query formulation
- G06F16/433—Query formulation using audio data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/43—Querying
- G06F16/432—Query formulation
- G06F16/434—Query formulation using image data, e.g. images, photos, pictures taken by a user
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0277—Online advertisement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Definitions
- the recommended product is displayed to the user.
- the recommended commodity is obtained by matching from a knowledge graph, and the knowledge graph includes attribute information of each commodity, including:
- the attribute information of the purchased commodity includes preset key attribute information
- a recommended commodity is obtained by matching from the knowledge graph.
- the method further includes:
- the knowledge graph is constructed according to the target attribute of the product and the normalized attribute value.
- the display module is used to display the recommended product to the user.
- Entity extraction is performed on the recognized text content
- the attribute of the purchased product is determined according to the category information of the purchased product and the extracted entity.
- the extraction module identifies the category information of the purchased commodity according to the extracted entity, specifically:
- the matching module is specifically configured to: when the attribute information of the purchased product includes preset key attribute information, match and obtain the recommended product from the knowledge graph according to the attribute information of the purchased product.
- a recommended product is obtained by matching from the knowledge graph according to the attribute information of the purchased product.
- the knowledge graph is constructed according to the target attribute of the product and the normalized attribute value.
- the present disclosure provides an electronic device, comprising: at least one processor and a memory;
- the memory stores computer-executable instructions
- the at least one processor executes the computer-executable instructions stored in the memory, causing the at least one processor to perform the method as described in any one of the first aspect and optional means of the present disclosure.
- the present disclosure provides a computer-readable storage medium, where computer-executable instructions are stored in the computer-readable storage medium. The method described in any one of the options.
- the present disclosure provides a computer program product, including a computer program, which, when executed by a processor, implements the method according to any one of the first aspect and optional manners of the present disclosure.
- Fig. 1 is the business flow chart of the commodity recommendation method provided by the present disclosure
- FIG. 2 is a flowchart of a product recommendation method provided by an embodiment of the present disclosure
- 3 is a schematic diagram of attribute information of a commodity
- Figure 4 is a schematic diagram of commodity matching
- FIG. 6 is a flowchart of a product recommendation method provided by an embodiment of the present disclosure.
- FIG. 7 is a flowchart of a product recommendation method provided by an embodiment of the present disclosure.
- FIG. 8 is a schematic structural diagram of a product recommendation device provided by an embodiment of the present disclosure.
- FIG. 9 is a schematic structural diagram of an electronic device according to an embodiment of the present disclosure.
- the present disclosure provides a commodity recommendation method, which can be applied to an enterprise procurement platform to facilitate enterprise users to purchase commodities and improve enterprise procurement efficiency. It may also be applied to an existing shopping platform or shopping application (application, app for short), which is not limited in this embodiment.
- the purchase order may be in a Portable Document Format (PDF for short) format or a PPT formula, a word format, or an EXCEL format.
- PDF Portable Document Format
- EXCEL EXCEL
- Guided sourcing is used to guide customers to supplement missing key information. By guiding customers to supplement missing key information, customers can clarify their purchasing needs and further recommend products to users through intelligent matching.
- reference products or alternative products may also be recommended for users based on existing demand information, or reference products or alternative products may be recommended for users according to the user's supplemented purchasing needs, by recommending reference products or alternative products for users, It avoids the inability to match products for users due to unclear purchasing needs of users, and improves user experience.
- Intelligent Matching Users can match products through intelligent matching algorithms according to clear customer needs, and further match the suppliers of products.
- Fig. 2 is a flow chart of a method for recommending products provided by an embodiment of the present disclosure. As shown in Fig. 2, the method provided by this embodiment includes the following steps:
- S101 Receive purchase demand description information input by a user, where the purchase demand description information includes any one of the following formats: picture format, voice format, text format, or PDF format.
- the user can take a photo of the product through the camera and upload it to the product search box, or the user can take a photo of the purchase demand recorded on the computer or paper page and upload it to the product search box.
- the purchase demand in the picture format can also be a picture selected by the user from the pictures saved locally, and the purchase demand in the picture format is input, which is convenient for the user to operate and improves the user's purchasing experience.
- the purchase demand description information in the voice format can be input by the user through the microphone of the terminal device.
- the purchase demand description information can be input by voice to improve the user experience, or it can be from the locally saved audio data. Selected, to avoid purchasing demand errors or missing information when purchasing personnel inform each other about purchasing demand by voice.
- Users can upload the purchase demand description information sent by the customer or pre-made in PDF format to the product search box for product recommendation, without the need to enter text every time according to the purchase demand description information in PDF format, which is convenient for users to operate. Improve user input efficiency.
- the product recommendation method of this embodiment can receive purchase demand description information in various formats, and is no longer limited to the purchase demand description information in text format, which improves the input efficiency of the purchase demand description information. Input errors or misunderstanding of purchasing requirements can lead to input deviations and affect product recommendation.
- the method of this embodiment supports purchasing demand description information in various formats, thereby improving the accuracy of purchasing demand input.
- S102 Extract attribute information of the commodity purchased by the user from the description information of the purchasing requirement.
- the purchase demand description information When the purchase demand description information is in a non-text format, first identify the text content in the non-text format purchase demand description information, perform entity extraction on the identified text content, and determine the attribute information of the purchased commodity according to the extracted entity.
- the purchase demand description information is in text format, no text conversion is required, and entity extraction is directly performed on the text content corresponding to the purchase demand description information.
- Purchase demand description information in non-text format includes, but is not limited to, information in picture format, voice format, and PDF format.
- the smart image recognition model or other image recognition models can be used to identify the products in the picture and product information.
- the voice information may be recognized by a voice recognition model and then converted into text content.
- the purchase demand description information is in PDF format, you can convert the PDF document into a word document to obtain text content, or convert the PDF format into an image format first, and then use the image recognition format to identify the text content.
- the entity refers to the vocabulary that can express the category or a certain concept or content.
- the entity is usually a noun, such as mobile phone, computer, box, camera, Official subsidiary store, etc.
- the attributes of the product are used to describe some key information of the product.
- the attributes of the product include common attributes and some unique attributes.
- the common attributes are usually attributes that all products have.
- An attribute can also be understood as an entity, which is called an attribute entity.
- the entity extracted from the text content can be called the description entity of the product, and the attribute entity of the product is determined according to the description entity of the product.
- Common attributes of commodities include categories and brands. Categories are also called categories and categories. A category can include one or more entities.
- the unique attributes are usually related to the category of the product.
- the unique attributes of different categories of products are different.
- the unique attributes of mobile phones include model, CPU model, memory, and camera.
- the unique attributes of refrigerators also include refrigeration capacity and volume. Attributes include screen size, resolution, memory size, etc.
- the unique attributes of perfume include specifications, origin, and applicable groups.
- the attribute information of the purchased product includes the attribute and attribute value of the product.
- the attribute value is the specific content of the attribute.
- the attribute of the attribute brand is A brand
- the attribute value of the attribute memory is 256G
- the attribute value of the attribute resolution is Ultra HD 4K.
- Fig. 3 is a schematic diagram of the attribute information of the commodity.
- the commodity name is AAAV5
- the properties of the commodity include category, brand, model, memory, camera, and store, and each attribute corresponds to an attribute value, for example,
- the attribute value of the category is mobile phone
- the attribute value of brand is A1
- the attribute value of model is V5
- the attribute value of memory is 256G
- the attribute value of camera is 50 million pixels
- the attribute value of store is B1 official.
- a recommended commodity is obtained by matching a knowledge graph of the commodity, and the knowledge graph includes attribute information of each commodity.
- the knowledge graph of a commodity includes the knowledge graph of a large number of commodities in the procurement platform.
- One or more attributes are defined for each commodity in the knowledge graph.
- the attributes of different categories of commodities may be different.
- Figure 4 is a schematic diagram of commodity matching. As shown in Figure 4, the left side is the attribute information of the commodity, the right side is the knowledge map of the commodity, the category of the purchased commodity in the figure is a computer, and the attributes include a central processing unit (Central Processing Unit, Abbreviated as CPU) model, SSD capacity, mechanical hard drive capacity, display interface, display interface includes VGA and HDMI.
- the category of goods in the knowledge map is desktop, and the attributes also include CPU model, hard disk capacity, and video interface.
- Video interfaces include VGA interface and HDMI interface.
- match the attributes of the computer of the purchased commodity with the corresponding attributes of the desktop computer in the knowledge graph for example, match the CPU model of the computer with the CPU signal of the desktop computer, and match the display interface of the computer with the video interface of the desktop computer. to match.
- the attribute information of the purchased product is used to retrieve the closest product entity in the knowledge graph.
- the entity alignment algorithm needs to take the attributes of the purchased commodities as the corresponding nodes of the knowledge graph, and search for its nearest entity relationship to determine the matching commodity entities.
- different entity alignment algorithms can be selected according to different categories.
- the commonly used algorithms include semantic matching algorithms, which can measure the degree of alignment between entities.
- Common semantic matching algorithms include bilinear and tensor two. types of matching algorithms.
- the knowledge graph also includes the supplier information of the product.
- the supplier information of the product is obtained from the knowledge graph, and the supplier information of the product is displayed to the user, which is convenient for the user to base on the product. Suppliers of goods make purchases or other decisions about goods.
- the BM25 algorithm or other algorithms can be used to sort the recommended products.
- the extracted entities may be matched with category entities in the knowledge graph to obtain a first similarity score, and the category of the purchased commodity may be determined according to the first similarity score.
- the first similarity score between the extracted entity and a certain category is greater than or equal to the set score threshold, it is determined that the category is the category corresponding to the entity, that is, the category is the category of purchased goods.
- the first similarity score between the entity and a certain category is less than the set score threshold, it is determined that the category is not the category corresponding to the entity, that is, the category is not the category of purchased goods.
- the category of the product is, for example, mobile phones, computers, televisions, refrigerators, cups, etc. After the category of the product is determined, the attribute scope of the product is narrowed down. Model, memory, camera type, pixel, screen size, color, CPU model, network type (such as 4G or 5G), resolution, network mode (dual card dual standby or single card), operating system, battery capacity, battery type, etc. , then the extracted entities are matched with the attributes of the mobile phone in the knowledge graph to obtain the attributes of the purchased goods.
- the matching scope of the product attributes is narrowed.
- FIG. 6 is a flowchart of a method for recommending products provided by an embodiment of the present disclosure. This embodiment describes step S103 in the foregoing embodiment in detail. As shown in FIG. 6 , S103 includes the following steps:
- the preset key attribute information may be one or more attributes or attribute values.
- the preset key attribute information is the category, brand or model of the commodity, and may also be the key attribute after the category is determined. For example, when it is determined that the category of purchased goods is paper, the unit is very important, whether it is "box" or "piece".
- step S1032 When the attribute information of the purchased commodity lacks at least one preset key attribute information, step S1032 is executed, and when the attribute information of the purchased commodity does not lack the preset key attribute information, step S1033 is executed.
- guide information is output to prompt or guide the user to input the missing attribute information.
- the following guidance information will pop up on the user interface: "Please enter the brand of the mobile phone you want to buy” or "The mobile phone of the following brand is more popular with the public, you can choose the brand you want to buy”. Or, when there is no category in the attribute information of the purchased product, but there is brand information, the following guide information can be output "The following products of brand A are popular among the public, please select the product you want to buy”.
- Step S1034 is executed after step S1032.
- step S103 For the specific implementation of this step, reference is made to the relevant description of step S103 in the foregoing embodiment, and details are not repeated here.
- the user selects the category, brand, and model of the commodity to be purchased, or the price and quantity of the commodity to be purchased.
- the first information is new purchase demand description information re-entered by the user according to the guidance information, and the new purchase demand description information includes missing key attribute information, and the procurement platform according to the guide information.
- the new purchase requirement description information redefines the attribute information of the purchased commodity.
- FIG. 7 is a flowchart of a method for recommending products provided by an embodiment of the present disclosure.
- the method in this embodiment is used to build a knowledge graph, and the steps in this embodiment may be performed before step S101 in the foregoing embodiment.
- this embodiment The method provided by the embodiment has the following steps:
- the extracted entities have association relationships, and the association relationships of entities include commodity relationships, attribute relationships, etc., and fusion includes commodity fusion and attribute fusion.
- Commodity relationship includes whether two commodities are the same or similar commodities, whether the commodities are combined commodities, etc.
- Combination commodities refer to commodities that are usually sold together when they are sold. For example, the relationship between printers and ink cartridges is a combination commodity, and the relationship between a teapot and a teacup is Combination relationship, the relationship between a computer and a keyboard is a combination product. Attribute relationship refers to whether two attributes are the same attribute or similar attributes.
- Clustering refers to classifying similar attributes into one category, for example, attributes “EXTRA-volume”, “EXTRA-capacity”, “function-total Volume (Liters)” and “Size-Volume” are similar properties.
- Attribute fusion is to define the attribute value of the specification, and fuse the similar attributes obtained by the above aggregation into the attribute value of the new specification. ", "Function-Total Volume (Liters)” and “Specification-Volume” are all merged into the attribute "Volume”.
- the attribute value is normalized, that is, the form of the attribute value is determined.
- the same attribute can be described by multiple attribute values in different forms.
- the attribute value needs to be standardized uniformly. For example, there may be multiple attribute values for the attribute volume, such as liters (L), milliliters (ml), gallons, cubic meters, etc., then the attribute value of the attribute "volume” can be normalized to a uniform attribute value "number + Lift".
- FIG. 8 is a schematic structural diagram of a product recommendation apparatus provided by an embodiment of the present disclosure. As shown in FIG. 8 , the apparatus 100 provided by this embodiment includes:
- the receiving module 11 is configured to receive the purchase demand description information input by the user, and the purchase demand description information includes any one of the following formats: picture format, voice format, text format or portable document PDF format;
- the extraction module 12 is used for extracting the attribute information of the commodity purchased by the user from the description information of the purchasing requirement;
- the matching module 13 is configured to match and obtain recommended products from the knowledge map of the products according to the attribute information of the purchased products, and the knowledge map includes the attribute information of each product;
- the display module 14 is configured to display the recommended commodity to the user.
- the extraction module 12 is specifically used for:
- Entity extraction is performed on the recognized text content
- the attribute information of the purchased commodity is determined according to the extracted entity.
- the extraction module 12 determines the attribute information of the purchased commodity according to the extracted entity, specifically:
- Identify the category information of the purchased commodity according to the extracted entity includes one or more of the following information: category, brand;
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供一种商品推荐方法和装置,可以应用于企业采购平台或者个人采购平台,该方法包括:接收用户输入的采购需求描述信息,该采购需求描述信息包括以下格式中的任意一种:图片格式、语音格式、文本格式或者PDF格式,从采购需求描述信息中抽取用户采购商品的属性信息,根据采购商品的属性信息,从知识图谱中匹配得到推荐商品,该知识图谱中包括各商品的属性信息,将推荐商品展示给用户。
Description
本公开要求于2021年1月21日提交中国专利局、申请号为202110083711.X、申请名称为“商品推荐方法和装置”的中国专利申请的优先权,其全部内容通过引用结合在本公开中。
本公开涉及互联网技术,尤其涉及一种商品推荐方法和装置。
企业采购是现今市场经济下一种常见的采购方式,其特点是大批量商品的采购。为了方便企业采购,提高企业采购的效率,商品供应商或者第三方厂商提供了企业采购平台供企业选择采购的商品,企业采购平台能够为企业用户提供差异化、定制化的专属综合采购解决方案。
企业用户会发出各种形式的采购需求,有PDF形式、图片形式、文本形式、语音形式等,不同企业的不同采购人员发出的采购需求格式各样,即有多元异构的数据形态,又呈现非结构化数据结构。目前,主要依靠人工对多种形式的采购需求进行识别,以获取采购需求所要描述的商品信息,然后根据采购需求所要描述的商品信息从企业采购平台搜索对应的商品。
但是,上述商品采购方法需要人工识别大量不同形式的采购需求,导致采购效率低。
发明内容
本公开提供一种商品推荐方法和装置,用以解决现有技术中商品采购效率低的问题。
第一方面,本公开提供一种商品推荐方法,包括:
接收用户输入的采购需求描述信息,所述采购需求描述信息包括以下格式中的任意一种信息:图片格式、语音格式、文本格式或者便携式文档PDF格式;
从所述采购需求描述信息中抽取用户采购商品的属性信息;
根据所述采购商品的属性信息,从商品的知识图谱中匹配得到推荐商品,所述知识图 谱中包括各商品的属性信息;
将所述推荐商品展示给用户。
可选的,所述从所述采购需求描述信息中抽取用户采购商品的属性信息,包括:
当所述采购需求描述信息为非文本格式时,识别所述非文本格式的采购需求描述信息中的文本内容;
对识别得到的文本内容进行实体抽取;
根据抽取的实体确定所述采购商品的属性信息。
可选的,所述根据抽取的实体确定所述采购商品的属性信息,包括:
根据所述抽取的实体识别所述采购商品的类别信息,所述类别信息包括以下信息中的一个或者多个:类目、品牌;
根据所述采购商品的类别信息,以及所述抽取的实体确定所述采购商品的属性。
可选的,所述根据所述抽取的实体识别所述采购商品的类别信息,包括:
将所述抽取的实体与所述知识图谱中的类目实体进行匹配,得到第一相似度打分;
根据所述第一相似度打分确定所述采购商品的类目;
将所述抽取的实体与所述知识图谱中的品牌实体进行匹配,得到第二相似度打分;
根据所述第二相似度打分确定所述采购商品的品牌。
可选的,所述根据所述采购商品的属性信息,从知识图谱中匹配得到推荐商品,所述知识图谱中包括各商品的属性信息,包括:
当所述采购商品的属性信息中包括预设的关键属性信息时,根据所述采购商品的属性信息,从所述知识图谱中匹配得到推荐商品。
可选的,所述根据所述采购商品的属性信息,从知识图谱中匹配得到推荐商品,所述知识图谱中包括各商品的属性信息,包括:
当所述采购商品的属性信息中缺少至少一个预设的关键属性信息时,向用户输出引导信息,所述引导信息用于引导用户输入缺少的预设的关键属性信息;
接收用户根据所述引导信息输入的第一信息;
根据所述第一信息更新所述采购商品的属性信息;
当更新后的所述采购商品的属性信息包括所述预设的关键属性信息时,根据所述采购商品的属性信息,从所述知识图谱中匹配得到推荐商品。
可选的,所述方法还包括:
抽取原始商品数据中的商品的属性以及属性值;
对所述商品的属性进行修正;
对修正后的商品的属性进行聚类和融合,得到商品的目标属性;
根据商品的目标属性对商品的属性值进行规范化处理;
根据商品的目标属性和规范化后的属性值构建所述知识图谱。
第二方面,本公开提供一种商品推荐装置,包括:
接收模块,用于接收用户输入的采购需求描述信息,所述采购需求描述信息包括以下格式中的任意一种信息:图片格式、语音格式、文本格式或者便携式文档PDF格式;
抽取模块,用于从所述采购需求描述信息中抽取用户采购商品的属性信息;
匹配模块,用于根据所述采购商品的属性信息,从商品的知识图谱中匹配得到推荐商品,所述知识图谱中包括各商品的属性信息;
展示模块,用于将所述推荐商品展示给用户。
可选的,所述抽取模块具体用于:
当所述采购需求描述信息为非文本格式时,识别所述非文本格式的采购需求描述信息中的文本内容;
对识别得到的文本内容进行实体抽取;
根据抽取的实体确定所述采购商品的属性信息。
可选的,所述抽取模块根据抽取的实体确定所述采购商品的属性信息,具体为:
根据所述抽取的实体识别所述采购商品的类别信息,所述类别信息包括以下信息中的一个或者多个:类目、品牌;
根据所述采购商品的类别信息,以及所述抽取的实体确定所述采购商品的属性。
可选的,所述抽取模块根据所述抽取的实体识别所述采购商品的类别信息,具体为:
将所述抽取的实体与所述知识图谱中的类目实体进行匹配,得到第一相似度打分;
根据所述第一相似度打分确定所述采购商品的类目;
将所述抽取的实体与所述知识图谱中的品牌实体进行匹配,得到第二相似度打分;
根据所述第二相似度打分确定所述采购商品的品牌。
可选的,所述匹配模块具体用于:当所述采购商品的属性信息中包括预设的关键属性信息时,根据所述采购商品的属性信息,从所述知识图谱中匹配得到推荐商品。
可选的,所述匹配模块具体用于:
当所述采购商品的属性信息中缺少至少一个预设的关键属性信息时,向用户输出引导信息,所述引导信息用于引导用户输入缺少的预设的关键属性信息;
接收用户根据所述引导信息输入的第一信息;
根据所述第一信息更新所述采购商品的属性信息;
当更新后的所述采购商品的属性信息包括所述预设的关键属性信息时,根据所述采购商品的属性信息,从所述知识图谱中匹配得到推荐商品。
可选的,还包括知识图谱构建模块,用于:
抽取原始商品数据中的商品的属性以及属性值;
对所述商品的属性进行修正;
对修正后的商品的属性进行聚类和融合,得到商品的目标属性;
根据商品的目标属性对商品的属性值进行规范化处理;
根据商品的目标属性和规范化后的属性值构建所述知识图谱。
第三方面,本公开提供一种电子设备,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如本公开第一方面以及可选方式中任一项所述的方法。
第四方面,本公开提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如本公开第一方面以及可选方式中任一项所述的方法。
第五方面,本公开提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时,实现如本公开第一方面以及可选方式中任一项所述的方法。
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1为本公开提供的商品推荐方法的业务流程图;
图2为本公开实施例提供的商品推荐方法的流程图;
图3为商品的属性信息的一种示意图;
图4为商品匹配的示意图;
图5为本公开实施例提供的商品推荐方法的流程图;
图6为本公开实施例提供的商品推荐方法的流程图;
图7为本公开实施例提供的商品推荐方法的流程图;
图8为本公开实施例提供的商品推荐装置的结构示意图;
图9为本公开实施例提供的电子设备的一种结构示意图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附 图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本公开提供一种商品推荐方法,可以应用在企业采购平台,方便企业用户采购商品,提高企业采购效率。也可以应用在已有的购物平台或者购物应用(application,简称app),本实施例并不对此进行限制。
图1为本公开提供的商品推荐方法的业务流程图,如图1所示,该商品推荐方法包括四个阶段:采购需求识别、需求推理、引导式寻源和智能匹配。
其中,在采购需求识别阶段主要进行以下操作:商品照片识别、采购单识别、语音/语义识别和关键信息抽取。其中,采购单可以是便携式文档(Portable Document Format,简称PDF)格式或者PPT公式、word格式或者EXCEL格式等。通过该识别过程识别出照片、采购单以及语音中描述的商品的文本信息。进一步的,还可以从识别结果中提取关键信息,即提取与采购商品相关的内容,将无关内容筛除。
需求推理主要是为了明确或者确定客户的采购需求,客户的采购需求即客户需要采集什么样的商品,或者客户要采购的商品的特征,可以通过理解用户输入的商品照片、语音、采购单以及需求描述等信息,基于客户画像以及历史数据预测通过智能解析确定客户采购需求,如果客户采购需求明确则进入智能匹配阶段。如果客户采购需求不明确,则进入引导式寻源。
引导式寻源用于引导客户补充缺少的关键信息,通过引导客户补充缺少的关键信息,明确客户采购需求,进一步通过智能匹配为用户推荐商品。可选的,还可以根据已有的需求信息为用户推荐参考商品或者替代性商品,或者,根据用户补充后的采购需求为用户推荐参考商品或者替代商品,通过为用户推荐参考商品或者替代商品,避免由于用户的采购需求不明确,无法为用户匹配到商品,提高了用户体验。
智能匹配用户根据明确的客户需求通过智能匹配算法匹配到商品,进一步的还能匹配到商品的供应商。
图2为本公开实施例提供的商品推荐方法的流程图,如图2所示,本实施例提供 的方法包括以下步骤:
S101、接收用户输入的采购需求描述信息,该采购需求描述信息包括以下格式中的任意一种信息:图片格式、语音格式、文本格式或者PDF格式。
当用户想要采购某个商品时,用户可以通过摄像头对商品进行拍照,上传到商品搜索框内,或者,用户将记录在电脑或者纸质页面上的采购需求拍照后上传到商品搜索框中,该图片格式的采购需求也可以是用户从本地保存的图片中选择的图片,输入图片格式的采购需求,方便用户操作,提高了用户的采购体验。
该语音格式的采购需求描述信息可以是用户通过终端设备的麦克风输入的,当用户不方便打字时,可以通过语音输入采购需求描述信息,提高了用户体验,也可以是从本地保存的音频数据中选择的,避免采购人员之间互相语音告知采购需求时,导致采购需求发生错误或者漏信息。
用户可以将客户发送来的或者预先制作的PDF格式的采购需求描述信息上传至商品搜索框中,进行商品推荐,不需要每次都根据PDF格式的采购需求描述信息进行文本输入,方便用户操作,提高了用户是输入效率。
本实施例的商品推荐方法,能够接收各种格式的采购需求描述信息,不再局限于文本格式的采购需求描述信息,提高了采购需求描述信息的输入效率,另外,用户通过文本输入采购需求时能够导致输入错误或者对于采购需求理解错误导致输入偏差,影响商品推荐,本实施例的方法支持各种格式的采购需求描述信息,从而提高了采购需求输入的准确性。
S102、从采购需求描述信息中抽取用户采购商品的属性信息。
本步骤是根据采购需求描述信息进行需求推理,明确客户的采购需求,本实施例中,用户的采购需求通过采购商品的属性信息表示,所以根据采购需求描述信息进行需求推理可以理解为根据采购需求描述信息确定采购商品的属性信息。
当采购需求描述信息为非文本格式时,先识别该非文本格式的采购需求描述信息中的文本内容,对识别得到的文本内容进行实体抽取,根据抽取的实体确定采购商品的属性信息。当采购需求描述信息为文本格式时,不需要进行文本转换,直接对采购需求描述信息对应的文本内容进行实体抽取。
非文本格式的采购需求描述信息包括但不限于图片格式、语音格式以及PDF格式的信息,当采购需求描述信息为图片格式时,可以使用智慧识图模型或者其他图片识别模型,识别图片中的商品以及商品信息。当采购需求描述信息为语音格式时,可能采用语音识别模型识别语音信息后,转换为文本内容。当采购需求描述信息为PDF格式时,可以将PDF文档转换为word文档,得到文本内容,或者,先将PDF格式转换为图片格式,然后采用 图片识别的格式进行识别得到文本内容。
在得到采购需求描述信息对应的文本内容时,从文本内容中进行实体提取,实体是指能够表达类别或者某一概念或内容的词汇,实体通常是名词,例如,手机、电脑、箱、摄像头、官方旗舰店等。
商品的属性用于描述商品的一些关键信息,商品的属性包括通用属性以及一些特有属性,通用属性通常为所有商品都有的属性。属性也可以理解为一个实体,称为属性实体,从文本内容中抽取的实体可以称为商品的描述实体,根据商品的描述实体确定商品的属性实体。商品的通用属性包括类目和品牌,类目也称为类别、品类,一个类别可以包括一个或者多个实体。
特有属性通常与商品的类别有关,不同类别的商品的特有属性不同,例如,手机的特有属性还包括型号、CPU型号、内存、摄像头,冰箱的特有属性还包括冷藏容量、体积大小,电视的特有属性包括屏幕尺寸、分辨率、内存大小等,香水的特有属性包括规格、产地、适用人群等。
采购商品的属性信息包括商品的属性和属性值,属性值是属性的具体内容,例如,属性品牌的属性为A品牌,属性内存的属性值为256G,属性分辨率的属性值为超高清4K。
图3为商品的属性信息的一种示意图,如图3所示,商品名称为AAAV5,商品的属性包括类目、品牌、型号、内存、摄像头、店铺,每个属性对应有属性值,例如,类目的属性值为手机,品牌属性值为A1,型号的属性值为V5内存的属性值为256G,摄像头的属性值为5000万像素,店铺的属性值为B1官方。
S103、根据采购商品的属性信息,从商品的知识图谱中匹配得到推荐商品,该知识图谱中包括各商品的属性信息。
商品的知识图谱中包括采购平台中的大量商品的知识谱图,在知识图谱中为每个商品定义了一个或者多个属性,不同类目的商品的属性可能不同。图4为商品匹配的示意图,如图4所示,左侧为商品的属性信息,右侧为商品的知识图谱,图中采购商品的类目为计算机,属性包括中央处理器(Central Processing Unit,简称CPU)型号、固态硬盘容量、机械硬盘容量、显示器接口,显示器接口包括VGA和HDMI。知识图谱中商品的类目为台式机,属性还包括CPU型号、硬盘容量、视频接口,视频接口包括VGA接口和HDMI接口。在进行匹配时,将采购商品计算机的属性与知识图谱中台式机的对应属性进行匹配,例如,将计算机的CPU型号与台式机的CPU信号进行匹配,将计算机的显示器接口与台式机的视频接口进行匹配。
将采购商品的属性信息通过实体对齐算法,在知识图谱中检索最相近的商品实体。实 体对齐算法需要将采购商品的属性作为知识图谱的相应节点,寻找其最邻近的实体关系,以确定匹配的商品实体。
本实施例中,可以根据不同类目选择不同的实体对齐算法,目前常用的算法有语义匹配算法,语义匹配算法能够度量实体间的对齐程度,常见的语义匹配算法有双线性和张量两种类型的匹配算法。
可选的,该知识图谱中还包括商品的供应商信息,通过上述智能匹配得到推荐商品后,从知识图谱中得到商品的供应商信息,并将商品的供应商信息展示给用户,便于用户根据商品的供应商对商品进行购买或者进行其他决策。
在匹配得到推荐商品之后,可以采用BM25算法或者其他算法对推荐商品进行排序。
S104、将该推荐商品展示给用户。
通过将推荐商品展示给用户,便于个人用户或者企业用户进行线上或者线下购买,用户还可以根据推荐商品进行其他决策,例如,商品的对比。
本实施例中,接收用户输入的采购需求描述信息,该采购需求描述信息包括以下格式中的任意一种:图片格式、语音格式、文本格式或者PDF格式,从采购需求描述信息中抽取用户采购商品的属性信息,根据采购商品的属性信息,从知识图谱中匹配得到推荐商品,该知识图谱中包括各商品的属性信息,将推荐商品展示给用户。通过从用户输入的各种格式的采购需求描述信息中抽取用户采购商品的属性信息,根据属性信息从知识图谱中为用户推荐商品,从而能够快速准确获取到用户的实际采购需求,为用户推荐合适的商品,提高了个人用户以及企业用户的商品采购效率。
图5为本公开实施例提供的商品推荐方法的流程图,本实施例对前述实施例中步骤S102进行详细描述,如图5所示,S102包括以下步骤:
S1021、判断采购需求描述信息是否为文本格式。
当采购需求描述信息为文本格式时,执行步骤S1023,当采购需求描述信息不是文本格式时,执行步骤S1022,其中,非文本格式包括但不限于图片格式、语音格式、PDF格式。
S1022、识别非文本格式的采购需求描述信息中的文本内容。
S1023、对采购需求描述信息对应的文本内容进行实体抽取。
步骤S1022和S1023的具体描述参照前述实施例的相关描述,这里不再赘述。
S1024、根据抽取的实体识别采购商品的类别信息。
该类别信息包括以下信息中的一个或者多个:类目、品牌,商品的类目和品牌是商品重要的属性,通过识别商品的类目或品牌可以缩小采购需求与商品的匹配范围。可以只识别采购商品的类型或者品牌,也可以即识别采购商品的类目又识别采购商品的品牌。
示例性的,可以将抽取的实体与知识图谱中的类目实体进行匹配,得到第一相似度打分,根据第一相似度打分确定采购商品的类目。当抽取的实体与某个类目的第一相似性打分大于或等于设定的分值阈值时,确定该类目为实体对应的类目,即该类目是采购商品的类目,当抽取的实体与某个类目的第一相似性打分小于设定的分值阈值时,确定该类目不是实体对应的类目,即该类目不是采购商品的类目。
同样,可以将抽取的实体与知识图谱中的品牌实体进行匹配,得到第二相似度打分,根据第二相似度打分确定采购商品的品牌。当抽取的实体与某个品牌的第二相似性打分大于或等于设定的分值阈值时,确定该品牌为实体对应的品牌,即该品牌是采购商品的品牌,当抽取的实体与某个品牌的第二相似性打分小于设定的分值阈值时,确定该品牌不是实体对应的品牌,即该品牌不是采购商品的品牌。
其中,在进行类目和品牌匹配时,可以采用BM25算法。
S1025、根据采购商品的类别信息,以及抽取的实体确定采购商品的属性。
商品的类目例如为手机、电脑、电视、冰箱、杯子等,在确定商品的类目之后,商品的属性范围被缩小,例如,在确定商品的品类为手机之后,手机的属性通常包括品牌、型号、内存、摄像头类型、像素、屏幕尺寸、颜色、CPU型号、网络类型(例如4G或者5G)、分辨率、网络模式(双卡双待或者单卡)、操作***、电池容量、电池类型等,那么将抽取的实体与知识图谱中手机的属性进行匹配,得到采购商品的属性。
同样,在确定商品的品牌之后,缩小了商品属性的匹配范围,在将采购商品的实体与知识图谱进行匹配时,只需要将采购商品的实体与知识谱图中该品牌对应的商品的属性实体进行匹配。
本实施例中,通过先提取商品的类目和品牌属性中至少一个,进而根据提取的属性提取商品的其他属性,提高了属性信息提取的效率和准确性。
图6为本公开实施例提供的商品推荐方法的流程图,本实施例对前述实施例中步骤S103进行详细描述,如图6所示,S103包括以下步骤:
S1031、判断采购商品的属性信息中是否缺少预设的关键属性信息。
该预设的关键属性信息可以为一个或者多个属性或者属性值,示例性的,该预设的关键属性信息为商品的类目、品牌或者型号,还可以为确定类目后的关键属性,例 如,当确定采购商品的类目为纸品类后,则单位非常重要,是“箱”还是“个”。
当采购商品的属性信息中缺少至少一个预设的关键属性信息时,执行步骤S1032,当采购商品的属性信息中不缺少预设的关键属性信息时,执行步骤S1033。
S1032、向用户输出引导信息,该引导信息用于引导用户输入缺少的预设的关键属性信息。
当采购商品的属性信息中缺少至少一个预设的关键属性信息时,输出引导信息,以提示或者引导用户输入缺失的属性信息,示例性的,当采购商品的属性信息中缺少品牌信息之后,可以在用户界面上弹出以下引导信息“请输入您想要购买到的手机的品牌”或者“以下品牌的手机比较受大众喜欢,您可以选择想要购买的品牌”。或者,当采购商品的属性信息中缺少类目,但是有品牌信息时,可以输出如下引导信息“A品牌的以下商品比较受大众喜欢,请选择您想购买的商品”。在步骤S1032之后执行步骤S1034。
S1033、根据采购商品的属性信息,从知识图谱中匹配得到推荐商品。
本步骤的具体实现方式参照前述实施例中步骤S103的相关描述,这里不再赘述。
S1034、接收用户根据引导信息输入的第一信息。
用户根据该引导信息,选择想要购买的商品的类目、品牌以及型号等,或者想要购买的商品的价格和数量等。
S1035、根据第一信息更新采购商品的属性信息。
根据用户输入的第一信息确定采购商品缺少的关键属性信息,将该缺少的关键的属性信息添加到采购商品的属性信息中,完成采购商品的属性信息的更新。如果用户通过引导信息输入了非缺少的属性信息,则可以将该非缺少的属性信息增加到采购商品的属性信息中,使得商品的属性信息更加完善。
可选的,在一种可能的实现方式中,第一信息为用户根据该引导信息重新输入的新的采购需求描述信息,该新的采购需求描述信息中包括缺少的关键属性信息,采购平台根据该新的采购需求描述信息重新确定采购商品的属性信息。
S1036、当更新后的采购商品的属性信息包括预设的关键属性信息时,根据采购商品的属性信息,从知识图谱中匹配得到推荐商品。
当更新后的采购商品的属性信息包括预设的关键属性信息时,按照上述的智能推荐方法为用户推荐商品。
本实施例中,当采购商品的属性信息中缺少至少一个预设的关键属性信息时,向用户输出引导信息,该引导信息用于引导用户输入缺少的预设的关键属性信息,接收用户根据 引导信息输入的第一信息,根据第一信息更新采购商品的属性信息,当更新后的采购商品的属性信息包括预设的关键属性信息时,根据采购商品的属性信息,从知识图谱中匹配得到推荐商品。通过输出引导信息,引导用户输入缺少的关键属性信息,能够更好的为用户推荐商品,避免了现有技术中由于用户输入的采购需求描述信息不规范,导致无法为用户推荐商品的情况。现有技术中,当用户输入的采购需求描述信息不准确时,可能导致无法为用户推荐商品或者推荐的商品不符合用户需求,导致用户体验不好。
图7为本公开实施例提供的商品推荐方法的流程图,本实施例的方法用于构建知识图谱,本实施例的步骤可以在上述实施例的步骤S101之前执行,如图7所示,本实施例提供的方法以下步骤:
S201、抽取原始商品数据中的商品的属性以及属性值。
从原始商品数据中抽取实体,实体包括商品、商品的属性以及属性值等,可以抽取各商品现有的所有候选属性,将出现频次较高的候选属性作为商品的属性,例如,商品003共有8个候选属性,而只有其中5个候选属性出现频次较高,那么可以将该5个候选属性作为商品的属性。
S202、对商品的属性进行修正。
商品的属性是不规则的,不同的厂商或者运营商对于同一个属性可能有不同的名称或者不同的表现形式,例如,在描述冰箱的冷藏室的大小时,厂商1用的功能-冷藏室(升)表示,那么可以将该属性修正为“冷藏室容积”。
S203、对修正后的商品的属性进行聚类和融合,得到商品的目标属性。
抽取的实体之间具有关联关系,实体的关联关系包括商品关系、属性关系等,融合包括商品融合以及属性融合等。商品关系包括两个商品是否为相同商品或者相似商品,商品是否为组合商品等,组合商品是指出售时通常一起出售的商品,例如,打印机和墨盒的关系为组合商品,茶壶和茶杯的关系为组合关系,电脑和键盘的关系为组合商品。属性关系是指两个属性是否为相同属性或者相似属性。
各个厂商的商品的属性规范不一样,存在一些类似或者相似的属性,聚类是指将类似的属性归为一类,例如,将属性“EXTRA-容积”“EXTRA-容量”、“功能-总容积(升)”和“规格-容积”都是类似属性。
属性融合是定义规范的属性值,将上述聚合得到的类似属性都融合到该新规范的属性值中,例如,定义一个规范的属性“容积”,将上述属性“EXTRA-容积”“EXTRA-容量”、“功能-总容积(升)”和“规格-容积”都融合为属性“容积”。
S204、根据商品的目标属性对商品的属性值进行规范化处理。
对属性值进行规范化处理,即确定属性值的形式,针对同一个属性可以通过多个不同形式的属性值进行描述,本实施例中,需要对属性值进行统一的规范。例如,对于属性容积的属性值可能有多个,例如,升(L)、毫升(ml)、加仑、立方米等,那么可以将属性“容积”的属性值规范化为统一的属性值“数字+升”。
S205、根据商品的目标属性和规范化后的属性值构建知识图谱。
在确定各商品的规范化的属性和属性值之后,按照预设的格式存储商品的属性和属性值,得到该知识图谱。
本实施例中,通过从原始商品数据中抽取实体,对抽取的商品的属性和属性值进行规范化处理,根据规范化后的属性和属性值得到知识图谱,便于后续提供商品匹配的准确性。
图8为本公开实施例提供的商品推荐装置的结构示意图,如图8所示,本实施例提供的装置100包括:
接收模块11,用于接收用户输入的采购需求描述信息,所述采购需求描述信息包括以下格式中的任意一种信息:图片格式、语音格式、文本格式或者便携式文档PDF格式;
抽取模块12,用于从所述采购需求描述信息中抽取用户采购商品的属性信息;
匹配模块13,用于根据所述采购商品的属性信息,从商品的知识图谱中匹配得到推荐商品,所述知识图谱中包括各商品的属性信息;
展示模块14,用于将所述推荐商品展示给用户。
可选的,所述抽取模块12具体用于:
当所述采购需求描述信息为非文本格式时,识别所述非文本格式的采购需求描述信息中的文本内容;
对识别得到的文本内容进行实体抽取;
根据抽取的实体确定所述采购商品的属性信息。
可选的,所述抽取模块12根据抽取的实体确定所述采购商品的属性信息,具体为:
根据所述抽取的实体识别所述采购商品的类别信息,所述类别信息包括以下信息中的一个或者多个:类目、品牌;
根据所述采购商品的类别信息,以及所述抽取的实体确定所述采购商品的属性。
可选的,所述抽取模块12根据所述抽取的实体识别所述采购商品的类别信息,具体为:
将所述抽取的实体与所述知识图谱中的类目实体进行匹配,得到第一相似度打分;
根据所述第一相似度打分确定所述采购商品的类目;
将所述抽取的实体与所述知识图谱中的品牌实体进行匹配,得到第二相似度打分;
根据所述第二相似度打分确定所述采购商品的品牌。
可选的,所述匹配模块13具体用于:当所述采购商品的属性信息中包括预设的关键属性信息时,根据所述采购商品的属性信息,从所述知识图谱中匹配得到推荐商品。
可选的,所述匹配模块13具体用于:
当所述采购商品的属性信息中缺少至少一个预设的关键属性信息时,向用户输出引导信息,所述引导信息用于引导用户输入缺少的预设的关键属性信息;
接收用户根据所述引导信息输入的第一信息;
根据所述第一信息更新所述采购商品的属性信息;
当更新后的所述采购商品的属性信息包括所述预设的关键属性信息时,根据所述采购商品的属性信息,从所述知识图谱中匹配得到推荐商品。
可选的,还包括知识图谱构建模块,用于:
抽取原始商品数据中的商品的属性以及属性值;
对所述商品的属性进行修正;
对修正后的商品的属性进行聚类和融合,得到商品的目标属性;
根据商品的目标属性对商品的属性值进行规范化处理;
根据商品的目标属性和规范化后的属性值构建所述知识图谱。
本实施例的装置,可用于执行上述任一方法实施例所述的方法,具体实现方式和技术效果类似,这里不再赘述。
图9为本公开实施例提供的电子设备的一种结构示意图,如图9所示,该电子设备200包括:处理器21、存储器22和收发器23,所述存储器22用于存储指令,所述收发器23用于和其他设备通信,所述处理器21用于执行所述存储器中存储的指令,以使所述电子设备200执行如上述任一方法实施例所述的方法步骤,具体实现方式和技术效果类似,这里不再赘述。
本公开实施例七提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如上述任一方法实施例所述的方法步骤,具体实现方式和技术效果类似,这里不再赘述。
本公开实施例八提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时,实现上述任一方法实施例所述的方法步骤,具体实现方式和技术效果类似,这里不再赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求书指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。
Claims (12)
- 一种商品推荐方法,其特征在于,包括:接收用户输入的采购需求描述信息,所述采购需求描述信息包括以下格式中的任意一种信息:图片格式、语音格式、文本格式或者便携式文档PDF格式;从所述采购需求描述信息中抽取用户采购商品的属性信息;根据所述采购商品的属性信息,从商品的知识图谱中匹配得到推荐商品,所述知识图谱中包括各商品的属性信息;将所述推荐商品展示给用户。
- 根据权利要求1所述的方法,其特征在于,所述从所述采购需求描述信息中抽取用户采购商品的属性信息,包括:当所述采购需求描述信息为非文本格式时,识别所述非文本格式的采购需求描述信息中的文本内容;对识别得到的文本内容进行实体抽取;根据抽取的实体确定所述采购商品的属性信息。
- 根据权利要求2所述的方法,其特征在于,所述根据抽取的实体确定所述采购商品的属性信息,包括:根据所述抽取的实体识别所述采购商品的类别信息,所述类别信息包括以下信息中的一个或者多个:类目、品牌;根据所述采购商品的类别信息,以及所述抽取的实体确定所述采购商品的属性。
- 根据权利要求3所述的方法,其特征在于,所述根据所述抽取的实体识别所述采购商品的类别信息,包括:将所述抽取的实体与所述知识图谱中的类目实体进行匹配,得到第一相似度打分;根据所述第一相似度打分确定所述采购商品的类目;将所述抽取的实体与所述知识图谱中的品牌实体进行匹配,得到第二相似度打分;根据所述第二相似度打分确定所述采购商品的品牌。
- 根据权利要求1所述的方法,其特征在于,所述根据所述采购商品的属性信息,从知识图谱中匹配得到推荐商品,所述知识图谱中包括各商品的属性信息,包括:当所述采购商品的属性信息中包括预设的关键属性信息时,根据所述采购商品的属性信息,从所述知识图谱中匹配得到推荐商品。
- 根据权利要求1所述的方法,其特征在于,所述根据所述采购商品的属性信息, 从知识图谱中匹配得到推荐商品,所述知识图谱中包括各商品的属性信息,包括:当所述采购商品的属性信息中缺少至少一个预设的关键属性信息时,向用户输出引导信息,所述引导信息用于引导用户输入缺少的预设的关键属性信息;接收用户根据所述引导信息输入的第一信息;根据所述第一信息更新所述采购商品的属性信息;当更新后的所述采购商品的属性信息包括所述预设的关键属性信息时,根据所述采购商品的属性信息,从所述知识图谱中匹配得到推荐商品。
- 根据权利要求1-6任一项所述的方法,其特征在于,还包括:抽取原始商品数据中的商品的属性以及属性值;对所述商品的属性进行修正;对修正后的商品的属性进行聚类和融合,得到商品的目标属性;根据商品的目标属性对商品的属性值进行规范化处理;根据商品的目标属性和规范化后的属性值构建所述知识图谱。
- 一种商品推荐装置,其特征在于,包括:接收模块,用于接收用户输入的采购需求描述信息,所述采购需求描述信息包括以下格式中的任意一种信息:图片格式、语音格式、文本格式或者便携式文档PDF格式;抽取模块,用于从所述采购需求描述信息中抽取用户采购商品的属性信息;匹配模块,用于根据所述采购商品的属性信息,从商品的知识图谱中匹配得到推荐商品,所述知识图谱中包括各商品的属性信息;展示模块,用于将所述推荐商品展示给用户。
- 根据权利要求8所述的装置,其特征在于,所述匹配模块具体用于:当所述采购商品的属性信息中缺少至少一个预设的关键属性信息时,向用户输出引导信息,所述引导信息用于引导用户输入缺少的预设的关键属性信息;接收用户根据所述引导信息输入的第一信息;根据所述第一信息更新所述采购商品的属性信息;当更新后的所述采购商品的属性信息包括所述预设的关键属性信息时,根据所述采购商品的属性信息,从所述知识图谱中匹配得到推荐商品。
- 一种电子设备,其特征在于,包括:至少一个处理器和存储器;所述存储器存储计算机执行指令;所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1至7任一项所述的方法。
- 一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1至7任一项所述的方法。
- 一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时,实现权利要求1至7任一项所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110083711.XA CN112884542A (zh) | 2021-01-21 | 2021-01-21 | 商品推荐方法和装置 |
CN202110083711.X | 2021-01-21 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2022156530A1 true WO2022156530A1 (zh) | 2022-07-28 |
Family
ID=76051584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/CN2022/070179 WO2022156530A1 (zh) | 2021-01-21 | 2022-01-04 | 商品推荐方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112884542A (zh) |
WO (1) | WO2022156530A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116308683A (zh) * | 2023-05-17 | 2023-06-23 | 武汉纺织大学 | 基于知识图谱的服装品牌定位推荐方法、设备及存储介质 |
CN116362848A (zh) * | 2023-06-03 | 2023-06-30 | 成都豪杰特科技有限公司 | 基于人工智能的电子商务的推荐方法、***、设备和介质 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884542A (zh) * | 2021-01-21 | 2021-06-01 | 北京电解智科技有限公司 | 商品推荐方法和装置 |
CN113987026A (zh) * | 2021-11-03 | 2022-01-28 | 北京沃东天骏信息技术有限公司 | 用于输出信息的方法、装置、设备以及存储介质 |
CN114820142B (zh) * | 2022-06-29 | 2022-09-16 | 国能(北京)商务网络有限公司 | 面向b端采购用户的商品信息推荐方法 |
CN116051247B (zh) * | 2023-03-23 | 2023-07-14 | 新立讯科技股份有限公司 | 一种基于多模态知识图谱的农林牧产品推荐方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010073170A (ja) * | 2008-09-22 | 2010-04-02 | Yahoo Japan Corp | 推薦商品選択装置、推薦商品選択プログラムおよび商品検索装置 |
CN107833082A (zh) * | 2017-09-15 | 2018-03-23 | 广州唯品会研究院有限公司 | 一种商品图片的推荐方法和装置 |
CN107861972A (zh) * | 2017-09-15 | 2018-03-30 | 广州唯品会研究院有限公司 | 一种用户录入商品信息后显示商品全结果的方法及设备 |
CN110532462A (zh) * | 2019-07-25 | 2019-12-03 | 北京三快在线科技有限公司 | 一种推荐方法、装置、设备及可读存储介质 |
CN112884542A (zh) * | 2021-01-21 | 2021-06-01 | 北京电解智科技有限公司 | 商品推荐方法和装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881410B (zh) * | 2014-02-27 | 2020-03-17 | 腾讯科技(深圳)有限公司 | 客户平台信息交互方法、装置及*** |
CN107783977B (zh) * | 2016-08-24 | 2021-11-26 | 阿里巴巴集团控股有限公司 | 资源对象信息推荐方法、客户端及*** |
CN107862562B (zh) * | 2017-09-15 | 2022-01-07 | 唯品会(海南)电子商务有限公司 | 一种根据用户的图片喜好选择进行商品推荐的方法及装置 |
CN111753198B (zh) * | 2020-06-22 | 2024-01-12 | 北京百度网讯科技有限公司 | 信息推荐方法和装置、以及电子设备和可读存储介质 |
-
2021
- 2021-01-21 CN CN202110083711.XA patent/CN112884542A/zh active Pending
-
2022
- 2022-01-04 WO PCT/CN2022/070179 patent/WO2022156530A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010073170A (ja) * | 2008-09-22 | 2010-04-02 | Yahoo Japan Corp | 推薦商品選択装置、推薦商品選択プログラムおよび商品検索装置 |
CN107833082A (zh) * | 2017-09-15 | 2018-03-23 | 广州唯品会研究院有限公司 | 一种商品图片的推荐方法和装置 |
CN107861972A (zh) * | 2017-09-15 | 2018-03-30 | 广州唯品会研究院有限公司 | 一种用户录入商品信息后显示商品全结果的方法及设备 |
CN110532462A (zh) * | 2019-07-25 | 2019-12-03 | 北京三快在线科技有限公司 | 一种推荐方法、装置、设备及可读存储介质 |
CN112884542A (zh) * | 2021-01-21 | 2021-06-01 | 北京电解智科技有限公司 | 商品推荐方法和装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116308683A (zh) * | 2023-05-17 | 2023-06-23 | 武汉纺织大学 | 基于知识图谱的服装品牌定位推荐方法、设备及存储介质 |
CN116362848A (zh) * | 2023-06-03 | 2023-06-30 | 成都豪杰特科技有限公司 | 基于人工智能的电子商务的推荐方法、***、设备和介质 |
CN116362848B (zh) * | 2023-06-03 | 2023-10-27 | 广州爱特安为科技股份有限公司 | 基于人工智能的电子商务的推荐方法、***、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112884542A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022156530A1 (zh) | 商品推荐方法和装置 | |
US20170103441A1 (en) | Comparing Business Documents to Recommend Organizations | |
WO2022156529A1 (zh) | 企业用户的商品推荐方法和装置 | |
US9460458B1 (en) | Methods and system of associating reviewable attributes with items | |
CN110134931B (zh) | 媒介标题生成方法、装置、电子设备及可读介质 | |
WO2020001106A1 (zh) | 分类模型的训练方法、店铺分类的方法及装置 | |
US20180357703A1 (en) | Recommendations Based Upon Explicit User Similarity | |
CN107292365B (zh) | 商品标签的绑定方法、装置、设备及计算机可读存储介质 | |
KR101889203B1 (ko) | 서치 결과를 조정하는 시스템 및 방법 | |
CN107832338B (zh) | 一种识别核心产品词的方法和*** | |
CN111737418B (zh) | 搜索词和商品的相关性预测方法、设备和存储介质 | |
TWI831239B (zh) | 進行價格比較的飯店預訂方法 | |
US10679015B1 (en) | Utilizing artificial intelligence-based machine translation to augment document summarization | |
US10963686B2 (en) | Semantic normalization in document digitization | |
WO2024051609A1 (zh) | 广告创意数据选取方法及装置、模型训练方法及装置、设备、存储介质 | |
US20210383453A1 (en) | Generalized enterprise catalog classification for shorthand item descriptors | |
CN112085568A (zh) | 商品和富媒体聚合显示方法及设备、电子设备和介质 | |
CN111814481A (zh) | 购物意图识别方法、装置、终端设备及存储介质 | |
US20230401250A1 (en) | Systems and methods for generating interactable elements in text strings relating to media assets | |
WO2023237135A1 (zh) | 关联对象识别方法、装置、电子设备及存储介质 | |
CN112948602A (zh) | 一种内容显示方法、装置、***、设备及存储介质 | |
CN113450172A (zh) | 一种商品推荐方法和装置 | |
US11768867B2 (en) | Systems and methods for generating interactable elements in text strings relating to media assets | |
US11610068B2 (en) | Systems and method for intent messaging | |
CN115705468A (zh) | 自动的同义词、缩写词和首字母缩略词检测 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 22742009 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 22742009 Country of ref document: EP Kind code of ref document: A1 |