商品属性生成模型的训练方法及生成、搜索方法和系统技术方案

本发明专利技术公开了一种商品属性生成模型的训练方法及生成、搜索方法和系统，其中，训练方法包括：获取多个商品的商品信息，所述商品信息包括文本和图片；标注所述多个商品的属性信息，所述属性信息包括至少一个属性分词；构造多组训练数据，每组训练数据包括同一商品的商品信息和属性信息；根据所述多组训练数据训练所述商品属性生成模型，所述商品属性生成模型用于根据商品信息生成属性信息。本发明专利技术基于深度学习训练了一种商品属性生成模型，进而基于该商品属性生成模块，可以实现根据商品信息，更具体地，根据商品标题和商品图片，来自动生成正确的商品属性信息，从而能够克服当前网络站点中，商品标题书写不规范的缺陷，进而优化搜索结果。

【技术实现步骤摘要】
商品属性生成模型的训练方法及生成、搜索方法和系统
本专利技术涉及互联网
，尤其涉及一种商品属性生成模型的训练方法及生成、搜索方法和系统。
技术介绍
伴随着互联网技术的不断发展，网上购物已经渗透到人们生活的方方面面。网上购物时，往往由于卖家对于商品标题的不规范书写，导致买家使用搜索词搜索商品时遇到搜索结果并不符合需求的情况，这极大的影响了买家的购物体验。例如，搜索词为“七分裤”，搜索结果可能是“迷彩暗花五分七分裤中裤运动短裤男”，而该搜索结果实际指向商品的却是五分裤，也即由于卖家在商品标题中错误添加了五分裤，导致五分裤也陈列在该搜索词的搜索结果之中，影响买家的购物体验。
技术实现思路
本专利技术要解决的技术问题是为了克服现有技术中商品标题书写不规范的缺陷，提供一种商品属性生成模型的训练方法及生成、搜索方法和系统。本专利技术是通过下述技术方案来解决上述技术问题：一种商品属性生成模型的训练方法，其特点在于，所述训练方法包括：获取多个商品的商品信息，所述商品信息包括文本和图片；标注所述多个商品的属性信息，所述属性信息包括至少一个属性分词；构造多组训练数据，每组训练数据包括同一商品的商品信息和属性信息；根据所述多组训练数据训练所述商品属性生成模型，所述商品属性生成模型用于根据商品信息生成属性信息。较佳地，所述根据所述多组训练数据训练商品属性生成模型的步骤包括：利用编码-解码模型框架训练所述多组训练数据。较佳地，所述利用编码-解码模型框架训练所述多组训练数据的步骤包括：对于每组训练数据，对文本进行分词，得到分词序列；将所述分词序列转换成分词向量；对所述分词向量进行编码，得到编码向量；提取图片的特征向量；根据所述编码向量和所述特征向量进行解码，得到属性信息。较佳地，在所述根据所述编码向量和所述特征向量进行解码的步骤之前，所述训练方法还包括：将所述编码向量和所述特征向量输入注意力模型；计算当前时刻所述编码向量和所述特征向量的注意力分布值；所述根据所述编码向量和所述特征向量进行解码的步骤具体包括：根据当前时刻的注意力分布值以及上一时刻得到的解码分词进行解码，得到当前时刻的解码分词；其中，所述解码分词为属性分词。较佳地，所述将所述分词序列转换成分词向量的步骤包括：利用word2vec模型将所述分词序列转换成分词向量；所述提取图片的特征向量的步骤包括：利用resnet模型提取图片的特征向量。较佳地，所述利用word2vec模型将所述分词序列转换成分词向量的步骤包括：利用外部数据预先训练所述word2vec模型；所述利用resnet模型提取图片的特征向量的步骤包括：利用imagenet数据预先训练所述resnet模型。较佳地，所述多个商品包括：商品信息中的文本与标注的属性信息相似度高于第一阈值的商品；和/或，根据搜索词进行商品搜索，返回的搜索结果中点击率高于第二阈值的商品。一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特点在于，所述处理器执行所述计算机程序时实现上述任一种商品属性生成模型的训练方法。一种计算机可读存储介质，其上存储有计算机程序，其特点在于，所述计算机程序被处理器执行时实现上述任一种商品属性生成模型的训练方法的步骤。一种商品属性的生成方法，其特点在于，所述生成方法包括：利用上述任一种商品属性生成模型的训练方法训练商品属性生成模型；获取商品的商品信息，所述商品信息包括文本和图片；将所述商品信息输入所述商品属性生成模型；输出所述商品的属性信息。较佳地，所述属性信息包括至少一个属性分词，所述输出属性信息的步骤包括：选择预设数量的属性分词；输出经选择的所述预设数量的属性分词。一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特点在于，所述处理器执行所述计算机程序时实现上述任一种商品属性的生成方法。一种计算机可读存储介质，其上存储有计算机程序，其特点在于，所述计算机程序被处理器执行时实现上述任一种商品属性的生成方法的步骤。一种商品的搜索方法，其特点在于，所述搜索方法包括：利用上述任一种商品属性的生成方法生成属性信息；输入搜索词；根据所述搜索词搜索所述属性信息；输出搜索结果。一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特点在于，所述处理器执行所述计算机程序时实现上述商品的搜索方法。一种计算机可读存储介质，其上存储有计算机程序，其特点在于，所述计算机程序被处理器执行时实现上述商品的搜索方法的步骤。一种商品属性生成模型的训练系统，其特点在于，所述训练系统包括：第一获取模块，用于获取多个商品的商品信息，所述商品信息包括文本和图片；标注模块，用于标注所述多个商品的属性信息，所述属性信息包括至少一个属性分词；构造模块，用于构造多组训练数据，每组训练数据包括同一商品的商品信息和属性信息；训练模块，用于根据所述多组训练数据训练所述商品属性生成模型，所述商品属性生成模型用于根据商品信息生成属性信息。较佳地，所述训练模块具体用于利用编码-解码模型框架训练所述多组训练数据。较佳地，所述训练模块包括：分词单元，对于每组训练数据，用于对文本进行分词，得到分词序列；向量转换单元，用于将所述分词序列转换成分词向量；文本编码单元，用于对所述分词向量进行编码，得到编码向量；图片编码单元，用于提取图片的特征向量；解码单元，用于根据所述编码向量和所述特征向量进行解码，得到属性信息。较佳地，所述训练模块还包括：注意力单元，用于接收所述编码向量和所述特征向量，并计算当前时刻所述编码向量和所述特征向量的注意力分布值；所述解码单元具体用于根据当前时刻的注意力分布值以及上一时刻得到的解码分词进行解码，得到当前时刻的解码分词；其中，所述解码分词为属性分词。较佳地，所述向量转换单元利用word2vec模型将所述分词序列转换成分词向量；所述图片编码单元利用resnet模型提取图片的特征向量。较佳地，所述word2vec模型利用外部数据预先训练得到，所述resnet模型利用imagenet数据预先训练得到。较佳地，所述多个商品包括：商品信息中的文本与标注的属性信息相似度高于第一阈值的商品；和/或，根据搜索词进行商品搜索，返回的搜索结果中点击率高于第二阈值的商品。一种商品属性的生成系统，其特点在于，所述生成系统包括：上述任一种商品属性生成模型的训练系统，用于训练商品属性生成模型；第二获取模块，用于获取商品的商品信息，所本文档来自技高网...

【技术保护点】
1.一种商品属性生成模型的训练方法，其特征在于，所述训练方法包括：/n获取多个商品的商品信息，所述商品信息包括文本和图片；/n标注所述多个商品的属性信息，所述属性信息包括至少一个属性分词；/n构造多组训练数据，每组训练数据包括同一商品的商品信息和属性信息；/n根据所述多组训练数据训练所述商品属性生成模型，所述商品属性生成模型用于根据商品信息生成属性信息。/n

【技术特征摘要】
1.一种商品属性生成模型的训练方法，其特征在于，所述训练方法包括：
获取多个商品的商品信息，所述商品信息包括文本和图片；
标注所述多个商品的属性信息，所述属性信息包括至少一个属性分词；
构造多组训练数据，每组训练数据包括同一商品的商品信息和属性信息；
根据所述多组训练数据训练所述商品属性生成模型，所述商品属性生成模型用于根据商品信息生成属性信息。


2.如权利要求1所述的商品属性生成模型的训练方法，其特征在于，所述根据所述多组训练数据训练商品属性生成模型的步骤包括：
利用编码-解码模型框架训练所述多组训练数据。


3.如权利要求2所述的商品属性生成模型的训练方法，其特征在于，所述利用编码-解码模型框架训练所述多组训练数据的步骤包括：
对于每组训练数据，对文本进行分词，得到分词序列；
将所述分词序列转换成分词向量；
对所述分词向量进行编码，得到编码向量；
提取图片的特征向量；
根据所述编码向量和所述特征向量进行解码，得到属性信息。


4.如权利要求3所述的商品属性生成模型的训练方法，其特征在于，在所述根据所述编码向量和所述特征向量进行解码的步骤之前，所述训练方法还包括：
将所述编码向量和所述特征向量输入注意力模型；
计算当前时刻所述编码向量和所述特征向量的注意力分布值；
所述根据所述编码向量和所述特征向量进行解码的步骤具体包括：
根据当前时刻的注意力分布值以及上一时刻得到的解码分词进行解码，得到当前时刻的解码分词；
其中，所述解码分词为属性分词。


5.如权利要求3所述的商品属性生成模型的训练方法，其特征在于，所述将所述分词序列转换成分词向量的步骤包括：
利用word2vec模型将所述分词序列转换成分词向量；
所述提取图片的特征向量的步骤包括：
利用resnet模型提取图片的特征向量。


6.如权利要求5所述的商品属性生成模型的训练方法，其特征在于，所述利用word2vec模型将所述分词序列转换成分词向量的步骤包括：
利用外部数据预先训练所述word2vec模型；
所述利用resnet模型提取图片的特征向量的步骤包括：
利用imagenet数据预先训练所述resnet模型。


7.如权利要求1所述的商品属性生成模型的训练方法，其特征在于，所述多个商品包括：
商品信息中的文本与标注的属性信息相似度高于第一阈值的商品；
和/或，根据搜索词进行商品搜索，返回的搜索结果中点击率高于第二阈值的商品。


8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的商品属性生成模型的训练方法。


9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的商品属性生成模型的训练方法的步骤。


10.一种商品属性的生成方法，其特征在于，所述生成方法包括：
利用如权利要求1-7中任一项所述的商品属性生成模型的训练方法训练商品属性生成模型；
获取商品的商品信息，所述商品信息包括文本和图片；
将所述商品信息输入所述商品属性生成模型；
输出所述商品的属性信息。


11.如权利要求10所述的商品属性的生成方法，其特征在于，所述属性信息包括至少一个属性分词，所述输出属性信息的步骤包括：
选择预设数量的属性分词；
输出经选择的所述预设数量的属性分词。


12.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求10或11所述的商品属性的生成方法。


13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求10或11所述的商品属性的生成方法的步骤。<...

【专利技术属性】
技术研发人员：汤海萍，陈海勇，
申请(专利权)人：北京京东尚科信息技术有限公司，北京京东世纪贸易有限公司，
类型：发明
国别省市：北京;11