基于卷积神经网络的电商客服平台图像检索方法技术

本申请公开了一种基于卷积神经网络的电商客服平台图像检索方法，包括如下步骤：将买家发送的图片输入卷积神经网络模型进行图片预处理；将经过图片预处理的图片输入另一卷积神经网络进行图片特征提取；根据图片特征提取的数据在特征数据库中进行相似度匹配值计算，提取特征数据库中相似度匹配值最高且高于预设阈值的商品数据。本申请的有益之处在于提供了一种能够精细到电商平台的具体产品且便于应用到智能客服系统的基于卷积神经网络的电商客服平台图像检索方法。商客服平台图像检索方法。商客服平台图像检索方法。

【技术实现步骤摘要】
基于卷积神经网络的电商客服平台图像检索方法


[0001]本申请涉及一种电商客服平台图像检索方法，具体而言，涉及一种基于卷积神经网络的电商客服平台图像检索方法。

技术介绍

[0002]在电商领域，商品图像检索已经有成熟的应用，如淘宝的拍立淘等，但这些应用的服务对象是电商平台本身，无法精准为特定商家服务，而且由于平台商品基数过大，其算法的精准度和运行效率面临极大的挑战，因而检索粒度比较粗。为了跨平台地为特定商家进行服务，提供商品级甚至SKU(最小库存单元)级的检索精度，并提高准确率，本专利技术提出了一种基于CNN的电商店铺图像检索系统，该系统可以嵌入到智能客服体系中。传统的智能客服大多只能处理语言文字信息，而缺乏处理图片或者多模态的输入的能力，显得并不那么“智能”，图像分类和图像检索模块的嵌入赋予了智能客服对图片的处理能力。
[0003]从商品图像检索算法在电商平台的应用来看，目前主要是平台范围内粗粒度的检索，无法提供店铺级别的细粒度检索；从智能客服的应用来看，目前的智能客服主要基于语言文字理解，对图像的处理能力还不完善。

技术实现思路

[0004]为了解决现有技术的不足之处，本身请提供了一种基于卷积神经网络的电商客服平台图像检索方法，包括如下步骤：将买家发送的图片输入第一卷积神经网络和第二卷积神经网络模型进行图片预处理，所述图片预处理包括商品图片的筛选和商品图片中主体部分的提取；将经过图片预处理的图片输入第三卷积神经网络进行图片特征提取；根据图片特征提取的数据在特征数据库中进行相似度匹配值计算，提取特征数据库中相似度匹配值最高且高于预设阈值的商品数据。
[0005]进一步地，所述基于卷积神经网络的电商客服平台图像检索方法还包括：在商品上架时更新所述特征数据库中的数据。
[0006]进一步地，所述在商品上架时更新所述特征数据库中的数据包括如下步骤：输入上架商品的商品数据；将上架商品的图片输入至所述第一卷积神经网络模型进行图片预处理；将经过预处理的图片输入至所述第二卷积神经网络模型进行图片特征提取；将所述商品数据、预处理后的图片和图片特征对应存储于所述特征数据库中。
[0007]进一步地，所述基于卷积神经网络的电商客服平台图像检索方法还包括：在商品下架时更新所述特征数据库中的数据。
[0008]进一步地，在商品下架时更新所述特征数据库中的数据包括如下步骤：输入下架商品的商品数据；删除所述索引数据库中对应的商品数据、商品图片以及图片特征的信息。
[0009]进一步地，在商品下架时更新所述特征数据库中的数据包括如下步骤：删除所述索引数据库中对应的索引数据。
[0010]进一步地，所述商品数据包括：商品ID信息、商品属性或/和商品链接。
[0011]进一步地，所述图片特征提取为所述第三卷积神经网络提取所述商品图片主体部分的CNN特征。
[0012]进一步地，所述第一卷积神经网络模型基于ResNet50构建模型；所述第二卷积神经网络模型基于ImageNet预训练的ResNet50网络结合semihard sampled triplet loss训练构建模型。
[0013]进一步地，根据图片特征提取的数据在特征数据库中进行相似度匹配值计算包括：计算目标图片特征向量与所述图像索引库中所有图片特征向量的欧氏距离或者余弦距离。
[0014]本申请的有益之处在于：提供了一种能够精细到电商平台的具体产品且便于应用到智能客服系统的基于卷积神经网络的电商客服平台图像检索方法。
附图说明
[0015]构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0016]图1是根据本申请一种实施例的基于卷积神经网络的电商客服平台图像检索方法的步骤流程示意图。
[0017]图2是一个待处理图片集合示意图；
[0018]图3是一个买家发送的待检测的图片；
[0019]图4是进行图片检索的界面示意图；
[0020]图5是一个卷积神经网络的示意图。
具体实施方式
[0021]为了使本
的人员更好地理解本申请方案，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的实施例，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做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。
[0022]需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0023]在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。
[0024]并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其
他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。
[0025]此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
[0026]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0027]如图1所示，本身请提供了一种基于卷积神经网络的电商客服平台图像检索方法，包括如下步骤：
[0028]将买家发送的图片输入第一卷积神经网络和第二卷积神经网络模型进行图片预处理，图片预处理包括商品图片的筛选和商品图片中主体部分的提取；
[0029]将经过图片预处理的图片输入第三卷积神经网络进行图片特征提取；
[0030]根据图片特征提取的数据在特征数据库中进行相似度匹配值计算，提取特征数据库中相似度匹配值最高且高于预设阈值的商品数据。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的电商客服平台图像检索方法，其特征在于：所述基于卷积神经网络的电商客服平台图像检索方法包括如下步骤：将买家发送的图片输入第一卷积神经网络和第二卷积神经网络模型进行图片预处理，所述图片预处理包括商品图片的筛选和商品图片中主体部分的提取；将经过图片预处理的图片输入第三卷积神经网络进行图片特征提取；根据图片特征提取的数据在特征数据库中进行相似度匹配值计算，提取特征数据库中相似度匹配值最高且高于预设阈值的商品数据。2.根据权利要求1所述的基于卷积神经网络的电商客服平台图像检索方法，其特征在于：所述基于卷积神经网络的电商客服平台图像检索方法还包括：在商品上架时更新所述特征数据库中的数据。3.根据权利要求2所述的基于卷积神经网络的电商客服平台图像检索方法，其特征在于：所述在商品上架时更新所述特征数据库中的数据包括如下步骤：输入上架商品的商品数据；将上架商品的图片输入至所述第一卷积神经网络模型进行图片预处理；将经过预处理的图片输入至所述第二卷积神经网络模型进行图片特征提取；将所述商品数据、预处理后的图片和图片特征对应存储于所述特征数据库中。4.根据权利要求1所述的基于卷积神经网络的电商客服平台图像检索方法，其特征在于：所述基于卷积神经网络的电商客服平台图像检索方法还包括：在商品下架时更新所述特征数据库中的数据。5.根据权利要求4所述的基于卷积神经网络的...

【专利技术属性】
技术研发人员：徐桦，余卓，卞龙鹏，张翼翔，石克阳，
申请(专利权)人：杭州微洱网络科技有限公司，
类型：发明
国别省市：