一種商品的風格分類確定方法及裝置制造方法及圖紙

本申請提供了一種商品的風格分類確定方法及裝置。所述方法包括：獲取商品圖片，利用訓練后卷積神經網絡提取所述商品圖片的特征向量；計算特征向量的聚類密度，根據聚類密度計算所述特征向量與比所述特征向量聚類密度值大的第一特征向量之間的密度距離；根據特征向量的聚類密度和密度距離確定所述特征向量聚類的初始數量和初始中心；根據所述聚類的初始數量和初始中心對所述商品圖片進行特征向量聚類，獲取滿足設置的聚類穩定條件的聚類結果；根據所述聚類結果確定商品的風格分類。利用本申請實施例提供的技術方案，可以實現為商品的風格類型提供自動、快速、準確、可靠的分類依據，提高商品風格分類的準確性和效率，降低作業人員的工作強度。

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.

【技術實現步驟摘要】
一種商品的風格分類確定方法及裝置
本申請屬于圖像信息數據處理
，尤其涉及一種商品的風格分類確定方法及裝置。
技術介紹
隨著互聯網消費時代的發展，消費者可以線上挑選自己喜愛的商品，極大的方便了用戶購物。例如消費者可以通過線上商家展示的商品圖片選取自己喜歡的商品種類。一般的，消費者在線上購買商品時往往會受到多種概念因素的影響，例如比如品牌、價格、顏色、風格類型等，這些概念因素一般可以由商家在服務操作平臺進行人工設置。在眾多概念因素中，一些例如服裝的品牌、價格、色彩等因素通常是容易定義，且一般有著相對明確、規范的界限進行區分。而對于其他一些商品的概念如風格、款式等，由于概念的語義性較強，受個人主觀因素影響嚴重，導致不同的商家或消費者對具體的某一件商品的款式、風格定義上出現較大偏差。目前現有技術中對于商品風格款式信息的通常是根據各自的運營經驗進行定義和設置的。而在實際商品運營展示中，由于商品風格分類的準則往往與行業運營的背景知識緊密相連，不同的運營平臺、不同的商家甚至不同的作業人員對商品的風格分類參差不齊，往往不符合實際的分類情況。例如有的風格詞對消費者而言范圍太大，對應的商品太多，起不到挑選商品的作用，而有的風格詞范圍太小，對應的商品太少，用戶沒有挑選的空間。并且，由于人為主觀的進行風格分類，還往往導致分類結果的對應關系不清晰，多種風格之間具有很大的重疊空間，導致消費者難以進行區分和判斷，降低運營效果。同時，由于線上商品種類繁多，商品信息的增長量較快，采樣人工方式進行商品風格分類也會消耗大量的人工和時間成本，降低分類效率。現有技術中采用人工主觀判斷的方式確定商品的風格分類會導致商品風格分類不夠準確、可靠，分類效率低下。
技術實現思路
本申請目的在于提供一種商品的風格分類確定方法及裝置，可以實現對商品的風格類型進行自動、快速、準確、可靠的分類，可以提高商品風格分類的準確性和效率，降低作業人員的工作強度。本申請提供一種商品的風格分類確定方法及裝置是這樣實現的：一種商品的風格分類確定方法，所述方法包括：獲取商品圖片，利用訓練后卷積神經網絡提取所述商品圖片的特征向量；計算所述特征向量的聚類密度，以及根據所述聚類密度計算所述特征向量與比所述特征向量聚類密度值大的第一特征向量之間的密度距離；根據所述特征向量的聚類密度和密度距離確定所述特征向量聚類的初始數量和初始中心；根據所述聚類的初始數量和初始中心對所述商品圖片進行特征向量聚類，獲取滿足設置的聚類穩定條件的聚類結果；根據所述聚類結果確定商品的風格分類。一種商品的風格分類確定裝置，所述裝置包括：特征提取模塊，用于存儲訓練后卷積神經網絡，還用于獲取商品圖片，并利用所述訓練后卷積神經網絡提取所述商品圖片的特征向量；密度和距離計算模塊，用于計算所述特征向量的聚類密度，以及計算與比所述特征向量聚類密度高的周圍特征向量之間的密度距離；初始聚類計算模塊，用于根據所述特征向量的聚類密度和密度距離確定所述特征向量聚類的初始數量和初始中心，；聚類處理模塊，用于根據所述聚類的初始數量和初始中心對所述商品圖片進行特征向量聚類；還用于存儲設置的聚類穩定條件，以及判斷所述初始聚類計算模塊聚類的結果是否滿足所述聚類穩定條件，獲取滿足所述聚類穩定條件的聚類結果；風格分類模塊，用于根據所述聚類結果確定商品的風格分類。本申請提供的商品的風格分類確定方法及裝置，利用特定網絡結構的訓練后卷積神經網絡提取出特征向量，將商品圖片顏色、文字描述轉換成預定維數的特征向量值。基于對商品圖片特征數據的分布情況，利用聚類方法計算得到的特征向量點對商品圖片進行分類，并對聚類的結果進行穩定性評估，獲取穩定可靠的聚類分類結果。這樣，可以基于商品圖片特征向量的聚類信息實現對商品圖片的準確、可靠的分類，不同風格分類的輸出結果有著較為明顯的類別差距，有效解決風格分類概念重疊、對應關系不清晰的問題，大大提高風格分類的準確性和可靠性。利用本申請實施方案，不僅可以提高商品風格分類準確率和可靠性，為商戶提供風格分類依據，還可以降低作業人員的工作強度，自動、快速進行商品風格分類，提高分類處理效率。并且，利用本申請實施方案確定的風格分類結果更加符合實際商品圖片的風格特點，能在頁面或設備終端界面為用提供更為準確的款式、風格導購，提高用戶體驗，增加商品成交轉化率。附圖說明為了更清楚地說明本申請實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本申請中記載的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。圖1是本申請提供的商品的風格分類確定方法一種實施例的方法流程圖；圖2是申請提供的獲取訓練后卷積神經網絡一種實施例的方法流程示意圖；圖3是本申請提供的預先設置的卷積神經網絡一種實施例的模型結構示意圖；圖4是本申請所述商品的風格分類確定方法另一種實施例的方法流程圖；圖5是本申請所述商品的風格分類確定裝置一種實施例的模塊結構示意圖；圖6是本申請提供的所述密度和距離計算模塊一種實施例的模塊結構示意圖；圖7是本申請提供的所述初始聚類計算模塊一種實施例的模塊結構示意圖；圖8是本申請提供的所述聚類處理模塊一種實施例的模塊結構示意圖；圖9是本申請所述商品的風格分類確定裝置另一種實施例的模塊結構示意圖；圖10是是本申請提供的所述特征提取模塊一種實施例的模塊結構示意圖。具體實施方式為了使本
的人員更好地理解本申請中的技術方案，下面將結合本申請實施例中的附圖，對本申請實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本申請一部分實施例，而不是全部的實施例。基于本申請中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都應當屬于本申請保護的范圍。下面結合附圖對本申請所述的商品的風格分類確定方法及裝置進行詳細的說明。圖1是本申請提出的商品的風格分類確定方法一種實施例的方法流程圖。雖然本申請提供了如下述實施例或附圖所示的方法操作步驟或裝置結構，但基于常規或者無需創造性的勞動在所述方法或裝置中可以包括更多或者更少的操作步驟或模塊結構。在邏輯性上不存在必要因果關系的步驟或結構中，這些步驟的執行順序或裝置的模塊結構不限于本申請實施例提供的執行順序或模塊結構。所述的方法或模塊結構的在實際中的裝置或終端產品應用時，可以按照實施例或者附圖所示的方法或模塊結構連接進行順序執行或者并行執行(例如并行處理器或者多線程處理的環境)。本申請所述的商品風格分類摒棄了常規的人工觀察判斷的方式，采用利用對商品的圖片信息進行提取的特征向量進行聚類分類，在判斷各個聚類之間的差距較為清晰、明顯，滿足設置的聚類穩定條件后，將相應的聚類作為商品圖片的風格分類。本申請提供的商品的風格分類計算方式可以適用于包括但不限于基于服裝、鞋、帽、箱、包、裝修風格等商品圖片的風格分類。本申請以服裝商品的風格分類為應用場景進行說明，具體的如圖1所示，本申請提供的商品的風格分類確定方法的一種實施例可以包括：S1：獲取商品圖片，利用訓練后卷積神經網絡提取所述商品圖片的特征向量。本實施例中可以獲取服裝類的商品圖片，具體的獲本文檔來自技高網...

【技術保護點】
一種商品的風格分類確定方法，其特征在于，所述方法包括：獲取商品圖片，利用訓練后卷積神經網絡提取所述商品圖片的特征向量；計算所述特征向量的聚類密度，以及根據所述聚類密度計算所述特征向量與比所述特征向量聚類密度值大的第一特征向量之間的密度距離；根據所述特征向量的聚類密度和密度距離確定所述特征向量聚類的初始數量和初始中心；根據所述聚類的初始數量和初始中心對所述商品圖片進行特征向量聚類，獲取滿足設置的聚類穩定條件的聚類結果；根據所述聚類結果確定商品的風格分類。

【技術特征摘要】
1.一種商品的風格分類確定方法，其特征在于，所述方法包括：獲取商品圖片，利用訓練后卷積神經網絡提取所述商品圖片的特征向量；計算所述特征向量的聚類密度，以及根據所述聚類密度計算所述特征向量與比所述特征向量聚類密度值大的第一特征向量之間的密度距離；根據所述特征向量的聚類密度和密度距離確定所述特征向量聚類的初始數量和初始中心；根據所述聚類的初始數量和初始中心對所述商品圖片進行特征向量聚類，獲取滿足設置的聚類穩定條件的聚類結果；根據所述聚類結果確定商品的風格分類。2.如權利要求1所述的一種商品的風格分類確定方法，其特征在于，所述計算特征向量的聚類密度包括：計算所述特征向量中待處理特征向量與其余特征向量之間的兩點距離，獲取所述距離中的最大距離值；計算所述待處理特征向量與所述其余特征向量的兩點距離與所述最大距離值的比值的平方值，將所述平方值的符號位取反位后的值作為常數e的冪，計算出所述待處理特征向量與所述其余特征向量的兩點密度值；求取所述特征向量中所述其余特征向量的兩點密度值的和值，將所述和值作為所述待處理特征向量的聚類密度。3.如權利要求1所述的一種商品的風格分類確定方法，其特征在于，所述計算與比所述特征向量聚類密度高的周圍特征向量之間的密度距離包括：在判斷存在待處理特征向量的第一特征向量時，從所述第一特征向量中選取與所述待處理特征向量距離最小的第二特征向量所對應的距離作為所述待處理特征向量的密度距離；否則，選取與所述待處理特征向量距離最小的特征向量所對應的距離作為所述待處理特征向量的密度距離。4.如權利要求1所述的一種商品的風格分類確定方法，其特征在于，所述根據所述特征向量的聚類密度和密度距離確定所述特征向量聚類的初始數量和初始中心包括：計算所述特征向量的聚類密度和密度距離的乘積值，選取所述乘積值中最大的前K個乘積值所對應的特征向量作為聚類的初始中心，K為設置的聚類的初始數量，K≥2。5.如權利要求1所述的一種商品的風格分類確定方法，其特征在于，所述根據所述聚類的初始數量和初始中心對所述商品圖片進行特征向量聚類，獲取滿足設置的聚類穩定條件的聚類結果包括：將所述特征向量歸類到距離所述特征向量最近的初始中心的聚類中；執行重新計算所述聚類的聚類中心、將所述特征向量歸類到距離最近的聚類中心，直至滿足聚類的收斂條件，獲取收斂后聚類數據；判斷收斂后聚類數據是否滿足設置的聚類穩定條件，若不滿足，則調整所述聚類的初始數量，重新計算獲取收斂后聚類數據；將滿足所述聚類穩定條件的收斂后聚類數據作為聚類結果。6.如權利要求5所述的一種商品的風格分類確定方法，其特征在于，所述聚類穩定條件包括：所述收斂后聚類數據的中心點至相應聚類的所述初始中心的偏移量小于第一預設閥值：獲取所述收斂后聚類數據中特征向量的聚類密度與密度距離的乘積中的第一最大值和第二最大值，確定所述第一最大值至所述收斂后聚類數據中心點的第一距離以及所述第一最大值和第二最大值的第二距離，計算出的所述第一距離與所述第二距離的比值小于第二預設閥值。7.如權利要求1所述的一種商品的風格分類確定方法，其特征在于，所述方法還包括下述中的至少一個實施步驟：從所述風格分類中選取出距離聚類中心最近的前T1個商品圖片作為所述風格分類的分類代表圖片，T1≥1；從當前風格分類中選取距離目標風格分類的聚類中心最近的前T2個商品圖片作為當前風格分類的區別代表圖片，T2≥1。8.如權利要求1至7中任意一項所述的一種商品的風格分類確定方法，其特征在于，所述訓練后卷積神經網絡包括采用下述方式訓練得到的卷積神經網絡：將采集的訓練樣本圖片的顏色信息轉換為RGB三通道顏色信息；將所述訓練樣本圖片的短邊縮放至第一預設值，相應的，所述訓練樣本圖片的長邊按照所述短邊的縮放比例進行同比例縮放，形成第一樣本圖片；以所述第一樣本圖片的長邊和短邊的垂直中分線交點為中心點將所述第一樣本圖片裁剪為邊長為所述第一預設值的正方形樣本圖片；確定出邊長為第二預設值的正方形裁剪圖片，將所述正方形裁剪圖片在所述正方形樣本圖片內按照指定單位像素進行移動，獲取第一擴展樣本圖片；以所述第一擴展樣本圖片的一條垂邊為軸做鏡像翻轉生成第二擴展樣本圖片，將所述第一擴展樣本圖片和所述第二擴展樣本圖片作為訓練的第二樣本圖片；將所述第二樣本圖片在預先設置的卷積神經網絡中進行訓練，確定出訓練后卷積神經網絡，所述預先設置的卷積神經網絡被設置成，包括：三層卷積層、兩層全連通層、三層RELU層、三層Maxpooling層、一層Softmax層。9.一種商品的風格分類確定裝置，其特征在于，所述裝置包括：特征提取模塊，用于存儲訓練后卷積神經網絡，還用于獲取商品...

【專利技術屬性】
技術研發人員：馮子明，石克陽，
申請(專利權)人：阿里巴巴集團控股有限公司，
類型：發明
國別省市：開曼群島,KY