[发明专利]商品短名称生成方法、电子价签系统及介质

权利要求书

1.一种商品短名称生成方法，包括：

获取电子货架上的待识别的商品全名称；

将待识别的商品全名称输入目标关键词识别模型，预测所述待识别的商品全名称的实体标签序列；

利用拼接规则拼接所述实体标签序列对应的关键词，生成商品短名称，所述商品短名称显示于所述电子货架中。

2.根据权利要求1所述的商品短名称生成方法，其中，所述目标关键词识别模型是通过如下方式进行训练的：

搜集电子货架中的商品全名称；

对所述搜集的商品全名称逐字进行实体标注，作为待训练样本；

利用所述待训练样本对关键词识别模型进行训练，得到目标关键词识别模型。

3.根据权利要求2所述的商品短名称生成方法，其中，所述对所述搜集的商品全名称逐字进行实体标注，包括：

按照预设的不同实体类型，采用BIO标注模式对所述商品全名称逐字进行实体标注。

4.根据权利要求3所述的商品短名称生成方法，其中，所述预设的不同实体类型包括：商品品牌、型号、颜色、网络类型、内存、商品编码、计量单位、重量或单价中的至少一种。

5.根据权利要求2所述的商品短名称生成方法，其中，所述利用所述待训练样本对关键词识别模型进行训练，包括：

将所述待训练样本进行文本向量化后，输入所述关键词识别模型进行训练；

其中，所述将所述待训练样本进行文本向量化，包括：

利用分布式词向量表示方法Word2vec或全局词频统计Glove通过预训练获取向量矩阵，或者随机初始化形成向量矩阵。

6.根据权利要求5所述的商品短名称生成方法，其中，所述关键词识别模型为BiLSTM-CRF模型，依次包括：look-up层、双向LSTM层和CRF层，所述双向LSTM层用于自动提取句子特征，所述CRF层用于标注类别标签序列。

7.根据权利要求6所述的商品短名称生成方法，其中，所述look-up层利用预训练或随机初始化形成的向量矩阵将所述待训练样本中的每个字由独热编码映射为低维稠密的字向量。

8.根据权利要求2所述的商品短名称生成方法，其中，所述得到目标关键词识别模型的步骤之前，还包括：

构建损失函数，将预测的实体标签序列和经过实体标注的商品全名称输入至所述损失函数中，计算损失值以确定迭代训练次数，直至所述损失值小于预设阈值。

9.根据权利要求1所述的商品短名称生成方法，其中，所述拼接规则是预先创建的拼接规则。

10.根据权利要求3所述的商品短名称生成方法，其中，所述拼接规则还包括：

抽取所述预设的不同实体类型中的至少两种实体类型，将所述至少两种实体类型按照预设顺序排列。

11.一种电子价签系统，包括：

名称获取模块，用于获取电子货架上的待识别的商品全名称；

标签识别模块，用于将待识别的商品全名称输入目标关键词识别模型，预测所述待识别的商品全名称的实体标签序列；以及

拼接显示模块，用于利用拼接规则拼接所述实体标签序列对应的关键词，生成商品短名称，所述商品短名称显示于所述电子货架中。

12.根据权利要求11所述的电子价签系统，其中，所述标签识别模块还包括：

名称搜集单元，用于搜集电子货架中的商品全名称；

实体标注单元，用于对所述搜集的商品全名称逐字进行实体标注，作为待训练样本；

模型训练单元，用于利用所述待训练样本对关键词识别模型进行训练，得到目标关键词识别模型。

13.根据权利要求12所述的电子价签系统，其中，所述实体标注单元还用于按照预设的不同实体类型，采用BIO标注模式对所述商品全名称逐字进行实体标注。