[发明专利]一种商品的风格分类确定方法及装置

说明书

技术领域

本申请属于图像信息数据处理技术领域，尤其涉及一种商品的风格分类确定方法及装置。

背景技术

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。

发明内容

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