一种商品的风格分类确定方法及装置制造方法及图纸

本申请提供了一种商品的风格分类确定方法及装置。所述方法包括：获取商品图片，利用训练后卷积神经网络提取所述商品图片的特征向量；计算特征向量的聚类密度，根据聚类密度计算所述特征向量与比所述特征向量聚类密度值大的第一特征向量之间的密度距离；根据特征向量的聚类密度和密度距离确定所述特征向量聚类的初始数量和初始中心；根据所述聚类的初始数量和初始中心对所述商品图片进行特征向量聚类，获取满足设置的聚类稳定条件的聚类结果；根据所述聚类结果确定商品的风格分类。利用本申请实施例提供的技术方案，可以实现为商品的风格类型提供自动、快速、准确、可靠的分类依据，提高商品风格分类的准确性和效率，降低作业人员的工作强度。

Method and device for classifying and classifying goods

The present invention provides a method and a device for determining the style of a commodity. The method comprises: acquiring images of goods, using feature vector convolution neural network of the product images after training; clustering density calculation of feature vectors, based on clustering density calculation of the feature vector and the first feature than the feature vector cluster density value to the distance between the density is determined according to the initial; the feature vector clustering number and the initial clustering center density and density distance feature vector; feature vector clustering based on the initial clustering number and the initial center of the commodity picture, get the clustering results to meet the conditions set by clustering stability; according to the clustering results to determine the style classification of goods. By using the technical scheme provided by the embodiment of the application, it is possible to provide the basis for classification, automatic rapid, accurate and reliable for the style of goods, improve accuracy and efficiency of commodity classification, reduce the working strength of workers.

【技术实现步骤摘要】
一种商品的风格分类确定方法及装置
本申请属于图像信息数据处理
，尤其涉及一种商品的风格分类确定方法及装置。
技术介绍
随着互联网消费时代的发展，消费者可以线上挑选自己喜爱的商品，极大的方便了用户购物。例如消费者可以通过线上商家展示的商品图片选取自己喜欢的商品种类。一般的，消费者在线上购买商品时往往会受到多种概念因素的影响，例如比如品牌、价格、颜色、风格类型等，这些概念因素一般可以由商家在服务操作平台进行人工设置。在众多概念因素中，一些例如服装的品牌、价格、色彩等因素通常是容易定义，且一般有着相对明确、规范的界限进行区分。而对于其他一些商品的概念如风格、款式等，由于概念的语义性较强，受个人主观因素影响严重，导致不同的商家或消费者对具体的某一件商品的款式、风格定义上出现较大偏差。目前现有技术中对于商品风格款式信息的通常是根据各自的运营经验进行定义和设置的。而在实际商品运营展示中，由于商品风格分类的准则往往与行业运营的背景知识紧密相连，不同的运营平台、不同的商家甚至不同的作业人员对商品的风格分类参差不齐，往往不符合实际的分类情况。例如有的风格词对消费者而言范围太大，对应的商品太多，起不到挑选商品的作用，而有的风格词范围太小，对应的商品太少，用户没有挑选的空间。并且，由于人为主观的进行风格分类，还往往导致分类结果的对应关系不清晰，多种风格之间具有很大的重叠空间，导致消费者难以进行区分和判断，降低运营效果。同时，由于线上商品种类繁多，商品信息的增长量较快，采样人工方式进行商品风格分类也会消耗大量的人工和时间成本，降低分类效率。现有技术中采用人工主观判断的方式确定商品的风格分类会导致商品风格分类不够准确、可靠，分类效率低下。
技术实现思路
本申请目的在于提供一种商品的风格分类确定方法及装置，可以实现对商品的风格类型进行自动、快速、准确、可靠的分类，可以提高商品风格分类的准确性和效率，降低作业人员的工作强度。本申请提供一种商品的风格分类确定方法及装置是这样实现的：一种商品的风格分类确定方法，所述方法包括：获取商品图片，利用训练后卷积神经网络提取所述商品图片的特征向量；计算所述特征向量的聚类密度，以及根据所述聚类密度计算所述特征向量与比所述特征向量聚类密度值大的第一特征向量之间的密度距离；根据所述特征向量的聚类密度和密度距离确定所述特征向量聚类的初始数量和初始中心；根据所述聚类的初始数量和初始中心对所述商品图片进行特征向量聚类，获取满足设置的聚类稳定条件的聚类结果；根据所述聚类结果确定商品的风格分类。一种商品的风格分类确定装置，所述装置包括：特征提取模块，用于存储训练后卷积神经网络，还用于获取商品图片，并利用所述训练后卷积神经网络提取所述商品图片的特征向量；密度和距离计算模块，用于计算所述特征向量的聚类密度，以及计算与比所述特征向量聚类密度高的周围特征向量之间的密度距离；初始聚类计算模块，用于根据所述特征向量的聚类密度和密度距离确定所述特征向量聚类的初始数量和初始中心，；聚类处理模块，用于根据所述聚类的初始数量和初始中心对所述商品图片进行特征向量聚类；还用于存储设置的聚类稳定条件，以及判断所述初始聚类计算模块聚类的结果是否满足所述聚类稳定条件，获取满足所述聚类稳定条件的聚类结果；风格分类模块，用于根据所述聚类结果确定商品的风格分类。本申请提供的商品的风格分类确定方法及装置，利用特定网络结构的训练后卷积神经网络提取出特征向量，将商品图片颜色、文字描述转换成预定维数的特征向量值。基于对商品图片特征数据的分布情况，利用聚类方法计算得到的特征向量点对商品图片进行分类，并对聚类的结果进行稳定性评估，获取稳定可靠的聚类分类结果。这样，可以基于商品图片特征向量的聚类信息实现对商品图片的准确、可靠的分类，不同风格分类的输出结果有着较为明显的类别差距，有效解决风格分类概念重叠、对应关系不清晰的问题，大大提高风格分类的准确性和可靠性。利用本申请实施方案，不仅可以提高商品风格分类准确率和可靠性，为商户提供风格分类依据，还可以降低作业人员的工作强度，自动、快速进行商品风格分类，提高分类处理效率。并且，利用本申请实施方案确定的风格分类结果更加符合实际商品图片的风格特点，能在页面或设备终端界面为用提供更为准确的款式、风格导购，提高用户体验，增加商品成交转化率。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本申请提供的商品的风格分类确定方法一种实施例的方法流程图；图2是申请提供的获取训练后卷积神经网络一种实施例的方法流程示意图；图3是本申请提供的预先设置的卷积神经网络一种实施例的模型结构示意图；图4是本申请所述商品的风格分类确定方法另一种实施例的方法流程图；图5是本申请所述商品的风格分类确定装置一种实施例的模块结构示意图；图6是本申请提供的所述密度和距离计算模块一种实施例的模块结构示意图；图7是本申请提供的所述初始聚类计算模块一种实施例的模块结构示意图；图8是本申请提供的所述聚类处理模块一种实施例的模块结构示意图；图9是本申请所述商品的风格分类确定装置另一种实施例的模块结构示意图；图10是是本申请提供的所述特征提取模块一种实施例的模块结构示意图。具体实施方式为了使本
的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。下面结合附图对本申请所述的商品的风格分类确定方法及装置进行详细的说明。图1是本申请提出的商品的风格分类确定方法一种实施例的方法流程图。虽然本申请提供了如下述实施例或附图所示的方法操作步骤或装置结构，但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者更少的操作步骤或模块结构。在逻辑性上不存在必要因果关系的步骤或结构中，这些步骤的执行顺序或装置的模块结构不限于本申请实施例提供的执行顺序或模块结构。所述的方法或模块结构的在实际中的装置或终端产品应用时，可以按照实施例或者附图所示的方法或模块结构连接进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。本申请所述的商品风格分类摒弃了常规的人工观察判断的方式，采用利用对商品的图片信息进行提取的特征向量进行聚类分类，在判断各个聚类之间的差距较为清晰、明显，满足设置的聚类稳定条件后，将相应的聚类作为商品图片的风格分类。本申请提供的商品的风格分类计算方式可以适用于包括但不限于基于服装、鞋、帽、箱、包、装修风格等商品图片的风格分类。本申请以服装商品的风格分类为应用场景进行说明，具体的如图1所示，本申请提供的商品的风格分类确定方法的一种实施例可以包括：S1：获取商品图片，利用训练后卷积神经网络提取所述商品图片的特征向量。本实施例中可以获取服装类的商品图片，具体的获本文档来自技高网...

【技术保护点】
一种商品的风格分类确定方法，其特征在于，所述方法包括：获取商品图片，利用训练后卷积神经网络提取所述商品图片的特征向量；计算所述特征向量的聚类密度，以及根据所述聚类密度计算所述特征向量与比所述特征向量聚类密度值大的第一特征向量之间的密度距离；根据所述特征向量的聚类密度和密度距离确定所述特征向量聚类的初始数量和初始中心；根据所述聚类的初始数量和初始中心对所述商品图片进行特征向量聚类，获取满足设置的聚类稳定条件的聚类结果；根据所述聚类结果确定商品的风格分类。

【技术特征摘要】
1.一种商品的风格分类确定方法，其特征在于，所述方法包括：获取商品图片，利用训练后卷积神经网络提取所述商品图片的特征向量；计算所述特征向量的聚类密度，以及根据所述聚类密度计算所述特征向量与比所述特征向量聚类密度值大的第一特征向量之间的密度距离；根据所述特征向量的聚类密度和密度距离确定所述特征向量聚类的初始数量和初始中心；根据所述聚类的初始数量和初始中心对所述商品图片进行特征向量聚类，获取满足设置的聚类稳定条件的聚类结果；根据所述聚类结果确定商品的风格分类。2.如权利要求1所述的一种商品的风格分类确定方法，其特征在于，所述计算特征向量的聚类密度包括：计算所述特征向量中待处理特征向量与其余特征向量之间的两点距离，获取所述距离中的最大距离值；计算所述待处理特征向量与所述其余特征向量的两点距离与所述最大距离值的比值的平方值，将所述平方值的符号位取反位后的值作为常数e的幂，计算出所述待处理特征向量与所述其余特征向量的两点密度值；求取所述特征向量中所述其余特征向量的两点密度值的和值，将所述和值作为所述待处理特征向量的聚类密度。3.如权利要求1所述的一种商品的风格分类确定方法，其特征在于，所述计算与比所述特征向量聚类密度高的周围特征向量之间的密度距离包括：在判断存在待处理特征向量的第一特征向量时，从所述第一特征向量中选取与所述待处理特征向量距离最小的第二特征向量所对应的距离作为所述待处理特征向量的密度距离；否则，选取与所述待处理特征向量距离最小的特征向量所对应的距离作为所述待处理特征向量的密度距离。4.如权利要求1所述的一种商品的风格分类确定方法，其特征在于，所述根据所述特征向量的聚类密度和密度距离确定所述特征向量聚类的初始数量和初始中心包括：计算所述特征向量的聚类密度和密度距离的乘积值，选取所述乘积值中最大的前K个乘积值所对应的特征向量作为聚类的初始中心，K为设置的聚类的初始数量，K≥2。5.如权利要求1所述的一种商品的风格分类确定方法，其特征在于，所述根据所述聚类的初始数量和初始中心对所述商品图片进行特征向量聚类，获取满足设置的聚类稳定条件的聚类结果包括：将所述特征向量归类到距离所述特征向量最近的初始中心的聚类中；执行重新计算所述聚类的聚类中心、将所述特征向量归类到距离最近的聚类中心，直至满足聚类的收敛条件，获取收敛后聚类数据；判断收敛后聚类数据是否满足设置的聚类稳定条件，若不满足，则调整所述聚类的初始数量，重新计算获取收敛后聚类数据；将满足所述聚类稳定条件的收敛后聚类数据作为聚类结果。6.如权利要求5所述的一种商品的风格分类确定方法，其特征在于，所述聚类稳定条件包括：所述收敛后聚类数据的中心点至相应聚类的所述初始中心的偏移量小于第一预设阀值：获取所述收敛后聚类数据中特征向量的聚类密度与密度距离的乘积中的第一最大值和第二最大值，确定所述第一最大值至所述收敛后聚类数据中心点的第一距离以及所述第一最大值和第二最大值的第二距离，计算出的所述第一距离与所述第二距离的比值小于第二预设阀值。7.如权利要求1所述的一种商品的风格分类确定方法，其特征在于，所述方法还包括下述中的至少一个实施步骤：从所述风格分类中选取出距离聚类中心最近的前T1个商品图片作为所述风格分类的分类代表图片，T1≥1；从当前风格分类中选取距离目标风格分类的聚类中心最近的前T2个商品图片作为当前风格分类的区别代表图片，T2≥1。8.如权利要求1至7中任意一项所述的一种商品的风格分类确定方法，其特征在于，所述训练后卷积神经网络包括采用下述方式训练得到的卷积神经网络：将采集的训练样本图片的颜色信息转换为RGB三通道颜色信息；将所述训练样本图片的短边缩放至第一预设值，相应的，所述训练样本图片的长边按照所述短边的缩放比例进行同比例缩放，形成第一样本图片；以所述第一样本图片的长边和短边的垂直中分线交点为中心点将所述第一样本图片裁剪为边长为所述第一预设值的正方形样本图片；确定出边长为第二预设值的正方形裁剪图片，将所述正方形裁剪图片在所述正方形样本图片内按照指定单位像素进行移动，获取第一扩展样本图片；以所述第一扩展样本图片的一条垂边为轴做镜像翻转生成第二扩展样本图片，将所述第一扩展样本图片和所述第二扩展样本图片作为训练的第二样本图片；将所述第二样本图片在预先设置的卷积神经网络中进行训练，确定出训练后卷积神经网络，所述预先设置的卷积神经网络被设置成，包括：三层卷积层、两层全连通层、三层RELU层、三层Maxpooling层、一层Softmax层。9.一种商品的风格分类确定装置，其特征在于，所述装置包括：特征提取模块，用于存储训练后卷积神经网络，还用于获取商品...

【专利技术属性】
技术研发人员：冯子明，石克阳，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛,KY