基於圖像相似度的商品相似計算方法及商品推薦系統的製作方法
2023-04-24 12:05:21 2
基於圖像相似度的商品相似計算方法及商品推薦系統的製作方法
【專利摘要】本發明涉及網際網路電子商務領域，特別涉及基於圖像相似度的商品相似計算方法及商品推薦系統，所述方法包括：對目標圖像進行預處理，去除亮度、色差等光照條件的變化所帶來的圖像差異；對目標圖像進行處理檢測出前景框；通過雙線性插值，把前景框內的商品圖像變換為不同尺度的像素圖，在不同尺度下的獲取前景框中商品圖像不同維度的屬性特徵；計算前景框中商品圖像屬性特徵向量與商品樣本圖像屬性特徵向量在不同維度下屬性特徵相似度；採用決策森林模型聯合不同維度下的屬性特徵相似度，計算前景框中商品圖像與商品樣本圖像在不同尺度的像素圖像下的商品圖像的相似度；以商品圖像作為商品在不同商務平臺的統一標識，極大地增加了推薦系統的可靠性。
【專利說明】基於圖像相似度的商品相似計算方法及商品推薦系統
【技術領域】
[0001] 本發明設及網際網路電子商務【技術領域】，特別設及基於圖像相似度的商品相似計算 方法及商品推薦系統。 技術背景
[0002] 協同過濾是當前用戶推薦中廣泛使用的技術。協同過濾分析用戶興趣，在用戶群 中找到指定用戶的相似（興趣）用戶，綜合相似用戶對某一信息的評價，形成對該指定用戶 對此信息的喜好程度預測。
[0003] 協同過濾通過用戶的購買行為，建立用戶-商品矩陣，W此矩陣為基礎，進行"相 似用戶的協同過濾"W及"相關商品的協同過濾"。
[0004] "相似用戶的協同過濾"是從用戶-商品矩陣的"用戶行"為出發點，通過比較用戶 和當前瀏覽平臺中其它用戶的歷史購買數據，獲得用戶購買行為的相似度（譬如喜好，關 注點），W相似度高的用戶曾發生的購買行為作為推薦依據。
[0005] 表1相似用戶的協同過濾
[0006]
【權利要求】
1. 基於圖像相似度的商品相似計算方法，其特徵在於：包括： 步驟101、對目標圖像進行預處理，去除亮度、色差等光照條件的變化所帶來的圖像差 異； 步驟102、對目標圖像進行處理檢測出前景框； 步驟103、通過雙線性插值，把前景框內的商品圖像變換為不同尺度的像素圖，在不同 尺度下的獲取前景框中商品圖像不同維度的屬性特徵； 步驟104、計算前景框中商品圖像屬性特徵向量與商品樣本圖像屬性特徵向量在不同 維度下屬性特徵相似度； 步驟105、採用決策森林模型聯合不同維度下的屬性特徵相似度，計算前景框中商品圖 像與商品樣本圖像在不同尺度的像素圖像下的商品圖像的相似度。
2. 根據權利要求1所述基於圖像相似度的商品相似計算方法，其特徵在於：所述對目 標圖像進行處理檢測出前景框包括： 102 - 1、通過圖像分割算法從目標圖像生成若干候選框； 102 - 2、對每個候選框採用卷積神經網絡提取屬性特徵，即通過卷積神經網絡的卷積 核對候選框中的圖像像素值進行卷積運算得到卷積值； 102 - 3、採用支持向量機SVM分類器將候選框分成候選前景框或非前景框； 102 - 4、從候選前景框中選擇置信度最大的作為商品圖像的前景框。
3. 根據權利要求2所述基於圖像相似度的商品相似計算方法，其特徵在於： 所述卷積神經網絡通過以下方式建立： A) 建立樣本庫，包含NX種不同的商品，NX是樣本數，取值範圍為5000 - 20000 ; B) 在3種光照條件下，從3種拍攝角度拍攝商品圖片； C) 以步驟A得到的不同商品作為不同的類別，建立分類器，以卷積神經網絡的輸出為 該分類器所採用的分類特徵，以步驟B得到的商品圖片為評估樣本；通過"後向反饋"的方 法，逐層調整卷積神經網絡中的卷積層，使得以卷積神經網絡的輸出作為分類特徵的分類 器，在評估樣本上達到最好的分類精度。
4. 根據權利要求1所述基於圖像相似度的商品相似計算方法，其特徵在於： 所述屬性特徵相似度通過以下方式計算：
其中，是前景框中商品圖像在一個尺度下屬性i的特徵向量，/eafwre,.'是商品 樣本圖像在相同尺度下屬性i的特徵向量，i取自然數。
5. 根據權利要求1所述基於圖像相似度的商品相似計算方法，其特徵在於： 所述商品圖像的相似度採用以下方式計算：
其中，TreeWeightn是第n個決策樹的權重；Scoren是從第n個決策樹的決策路徑上獲 得的相似度分值。
6. 根據權利要求1所述基於圖像相似度的商品相似計算方法，其特徵在於： 所述採用的決策森林模型通過"成對排序學習"迭代構建，具體包括： 每次迭代時，選擇進行分支擴展的節點，分支擴展所需的屬性特徵及相似度閾值，以及 擴展分支的相似度分值； 每次迭代的選擇，使得商品樣本中任意兩個商品的相似度分值差距，與其來自決策森 林的商品圖像相似度差距，儘可能一致，即最大化以下公式：
其中，Samplem，m=l，23,…代表第m個商品樣本；FSimilaritymj，j=l，2, 3…代表第m個商品樣本中第j個商品從決策森林獲得的商品圖像的相似度；LSimilaritymi代表第m 個商品樣本中第i個商品被標註的相似度分值。
7. 基於圖像相似度的商品推薦系統，其特徵在於：包括： 歷史購買商品收集模塊（100)，用於從當前用戶正在瀏覽的電子商務系統的購買記錄 中，收集用戶在當前電子商務系統的歷史購買商品，收集當前電子商務系統中其他用戶在 當前電子商務系統的歷史購買商品，提供給相似商品合併模塊； 跨系統歷史購買商品收集模塊（200)，用於解析其他電子商務系統的購買連結，收集用 戶在其他電子商務系統的歷史購買商品圖像，收集當前電子商務系統中其他用戶在其他電 子商務系統的歷史購買商品圖像； 線下購買商品收集模塊（300)，用於上傳在線下商戶購買的商品圖片，收集用戶在線下 的歷史購買商品圖像，收集當前電子商務系統中其他用戶在線下的歷史購買商品圖像； 相似商品合併模塊（500)，用於通過上述權利要求1一6任一基於圖像相似度的商品相 似計算方法計算商品圖像的相似度，合併來自不同商家的同一款商品，把圖像相似度>〇. 95 的商賦予相同的商品標識，建立用戶-商品矩陣； 推薦商品計算模塊（400)，用於根據相似商品合併模塊（500)的用戶-商品矩陣計算推 薦商品。
8. 根據權利要求7所述基於圖像相似度的商品推薦系統，其特徵在於：所述相似商品 合併模塊（500)還用於： 獲取所述當前電子商務系統中其他用戶在其他電子商務系統的歷史購買商品圖像，通 過上述權利要求1一 6任一基於圖像相似度的商品相似計算方法計算商品圖像的相似度， 把這些歷史購買商品合併到用戶-商品矩陣中，即把圖像相似度〈0. 95的商品賦予新的商 品標識，添加為新的商品，更新用戶-商品矩陣； 獲取所述當前電子商務系統中其他用戶在線下的歷史購買商品圖像；通過上述權利要 求1 一 6任一基於圖像相似度的商品相似計算方法計算商品圖像相似度，把這些歷史購買 商品合併到用戶-商品矩陣中，即把圖像相似度〈〇. 95的商品賦予新的商品標識，添加為新 的商品，更新用戶-商品矩陣。
9. 根據權利要求7所述基於圖像相似度的商品推薦系統，其特徵在於： 所述推薦商品計算模塊（400)包括相似用戶計算模塊（401A)和推薦商品獲取模塊 (401B)； 所述相似用戶計算模塊（401A)用於根據所述用戶-商品矩陣計算該用戶行與其他用 戶行的商品重合數，基於商品重合數計算用戶之間的相似度，選擇用戶相似度>0. 75的用 戶作為該用戶的相似用戶； 所述基於商品重合數計算用戶之間的相似度為：
其中，AmountITEMUSOTl是用戶1的歷史購買商品數，AmountITEMusw2是用戶2的歷史購 頭商品數；AmountSITEMusejrlvs.usegr2是用戶1和用戶2重合的商品數； 所述推薦商品獲取模塊（401B)用於從用戶正在瀏覽的電子商務系統中，選擇和相似 用戶的歷史購買商品相似度>0.95的商品，計算所選商品的商品推薦指數，將商品推薦指 數>0. 8的商品作為推薦商品； 所述計算所選商品的商品推薦指數為：
其中，AmountSUSCT是相似用戶的數量，ImageSimilarity是該商品與相似用戶購買商品 的圖像相似度。
10.根據權利要求7所述基於圖像相似度的商品推薦系統，其特徵在於： 所述推薦商品計算模塊（400)包括相似商品計算模塊（402A)和推薦商品獲取模塊 (402B)； 所述相似商品計算模塊（402A)用於根據所述用戶-商品矩陣計算該用戶正在瀏覽的 商品列與其他商品列的用戶重合數，基於用戶重合數計算商品之間的相關度，將商品相關 度>0. 75的商品作為相關商品； 優選地，所述基於用戶重合數計算商品之間的相關度為：
其中，AmountUSERiteml是購買商品1的用戶數，AmountUSERitem2是購買商品2的用戶數；AmountSUSERitMlvs.it"2是商品1和2的用戶重合數； 所述推薦商品獲取模塊（402B)用於從用戶正在瀏覽的電子商務系統中，選擇和相關 商品相似度>〇. 95的商品作為推薦商品。
【文檔編號】G06F17/30GK104504055SQ201410798968
【公開日】2015年4月8日 申請日期:2014年12月19日 優先權日:2014年12月19日
【發明者】姚志強 申請人:常州飛尋視訊信息科技有限公司