[发明专利]一种快消行业的访销陈列造假识别方法及装置

权利要求书

1.一种快消行业的访销陈列造假识别方法，其特征在于，该方法基于多源异构特征的无监督表示学习方法，包括：

提取业务员拜访行为数据、零售终端数据、陈列图像数据和图像中SKU识别数据集，集成多源异构数据，其中，所述多源异构数据包括结构化数据和非结构化数据；

设计并训练结构化数据特征的第一编码器，并利用所述第一编码器对所述结构化数据进行编码，得到第一编码结果；

设计并训练非结构化数据特征的第二编码器，并利用所述第二编码器对所述非结构化数据进行编码，得到第二编码结果；

对所述第一编码结果和第二编码结果进行处理，得到用于描述实例的多源异构融合特征；

基于所述多源异构融合特征，设计DNN网络，并训练得到所述多源异构融合特征投影到多维的空间的特征表示向量；

利用所述特征表示向量进行实例间的相似度匹配、分类和聚类的任务，若相似度大于预设的阈值q，则相应实例的两终端陈列为疑似业务员造假的访销陈列。

2.根据权利要求1所述的一种快消行业的访销陈列造假识别方法，其特征在于，所述设计并训练结构化数据特征的第一编码器，并利用所述第一编码器对所述结构化数据进行编码，得到第一编码结果，包括：

对所述多源异构数据进行抽样，以抽样数据为训练集训练结构化特征的第一编码器；

基于已训练的所述第一编码器，对所述多源异构数据中的结构化数据进行推理，得到编码后的第一编码结果。

3.根据权利要求1所述的一种快消行业的访销陈列造假识别方法，其特征在于，所述设计并训练非结构化数据特征的第二编码器，并利用所述第二编码器对所述非结构化数据进行编码，得到第二编码结果，包括：

对所述多源异构数据进行抽样，以抽样数据为训练集训练非结构化特征的第二编码器；

基于已训练的所述第二编码器，对所述多源异构数据中的非结构化数据进行推理，得到编码后的第二编码结果。

4.根据权利要求1所述的一种快消行业的访销陈列造假识别方法，其特征在于，所述基于所述多源异构融合特征，设计DNN网络，并训练得到所述多源异构融合特征投影到多维的空间的特征表示向量，包括：

自定义用于表示学习的DNN网络；

通过将网络中的softmax替换成非参数softmax，将无监督学习表述为实例级判别的方法，通过非参数方法将实例级别的判别描述为一个度量学习问题，其中实例之间的距离是直接从特征以非参数的方式计算出来的；

对问题进行自适应处理，将多类分类问题转化为一组二值分类问题，通过噪声对比估计来近似softmax计算；

基于多源异构融合特征训练DNN，以得到其最优的特征表示向量。

5.一种快消行业的访销陈列造假识别装置，其特征在于，该装置基于多源异构特征的无监督表示学习装置，包括：

提取模块，用于提取业务员拜访行为数据、零售终端数据、陈列图像数据和图像中SKU识别数据集，集成多源异构数据，其中，所述多源异构数据包括结构化数据和非结构化数据；

第一编码器模块，用于设计并训练结构化数据特征的第一编码器，并利用所述第一编码器对所述结构化数据进行编码，得到第一编码结果；

第二编码器模块，用于设计并训练非结构化数据特征的第二编码器，并利用所述第二编码器对所述非结构化数据进行编码，得到第二编码结果；

处理模块，用于对所述第一编码结果和第二编码结果进行处理，得到用于描述实例的多源异构融合特征；

向量模块，用于基于所述多源异构融合特征，设计DNN网络，并训练得到所述多源异构融合特征投影到多维的空间的特征表示向量；

任务模块，用于利用所述特征表示向量进行实例间的相似度匹配、分类和聚类的任务，若相似度大于预设的阈值q，则相应实例的两终端陈列为疑似业务员造假的访销陈列。

6.根据权利要求5所述的一种快消行业的访销陈列造假识别装置，其特征在于，所述第一编码器模块还用于：

对所述多源异构数据进行抽样，以抽样数据为训练集训练结构化特征的第一编码器；

基于已训练的所述第一编码器，对所述多源异构数据中的结构化数据进行推理，得到编码后的第一编码结果。