基于图像相似度的商品相似计算方法及商品推荐系统的制作方法
【专利摘要】本发明涉及互联网电子商务领域，特别涉及基于图像相似度的商品相似计算方法及商品推荐系统，所述方法包括：对目标图像进行预处理，去除亮度、色差等光照条件的变化所带来的图像差异；对目标图像进行处理检测出前景框；通过双线性插值，把前景框内的商品图像变换为不同尺度的像素图，在不同尺度下的获取前景框中商品图像不同维度的属性特征；计算前景框中商品图像属性特征向量与商品样本图像属性特征向量在不同维度下属性特征相似度；采用决策森林模型联合不同维度下的属性特征相似度，计算前景框中商品图像与商品样本图像在不同尺度的像素图像下的商品图像的相似度；以商品图像作为商品在不同商务平台的统一标识，极大地增加了推荐系统的可靠性。
【专利说明】基于图像相似度的商品相似计算方法及商品推荐系统
【技术领域】
[0001] 本发明设及互联网电子商务【技术领域】，特别设及基于图像相似度的商品相似计算 方法及商品推荐系统。 技术背景
[0002] 协同过滤是当前用户推荐中广泛使用的技术。协同过滤分析用户兴趣，在用户群 中找到指定用户的相似（兴趣）用户，综合相似用户对某一信息的评价，形成对该指定用户 对此信息的喜好程度预测。
[0003] 协同过滤通过用户的购买行为，建立用户-商品矩阵，W此矩阵为基础，进行"相 似用户的协同过滤"W及"相关商品的协同过滤"。
[0004] "相似用户的协同过滤"是从用户-商品矩阵的"用户行"为出发点，通过比较用户 和当前浏览平台中其它用户的历史购买数据，获得用户购买行为的相似度（譬如喜好，关 注点），W相似度高的用户曾发生的购买行为作为推荐依据。
[0005] 表1相似用户的协同过滤
[0006]
【权利要求】
1. 基于图像相似度的商品相似计算方法，其特征在于：包括： 步骤101、对目标图像进行预处理，去除亮度、色差等光照条件的变化所带来的图像差 异； 步骤102、对目标图像进行处理检测出前景框； 步骤103、通过双线性插值，把前景框内的商品图像变换为不同尺度的像素图，在不同 尺度下的获取前景框中商品图像不同维度的属性特征； 步骤104、计算前景框中商品图像属性特征向量与商品样本图像属性特征向量在不同 维度下属性特征相似度； 步骤105、采用决策森林模型联合不同维度下的属性特征相似度，计算前景框中商品图 像与商品样本图像在不同尺度的像素图像下的商品图像的相似度。
2. 根据权利要求1所述基于图像相似度的商品相似计算方法，其特征在于：所述对目 标图像进行处理检测出前景框包括： 102 - 1、通过图像分割算法从目标图像生成若干候选框； 102 - 2、对每个候选框采用卷积神经网络提取属性特征，即通过卷积神经网络的卷积 核对候选框中的图像像素值进行卷积运算得到卷积值； 102 - 3、采用支持向量机SVM分类器将候选框分成候选前景框或非前景框； 102 - 4、从候选前景框中选择置信度最大的作为商品图像的前景框。
3. 根据权利要求2所述基于图像相似度的商品相似计算方法，其特征在于： 所述卷积神经网络通过以下方式建立： A) 建立样本库，包含NX种不同的商品，NX是样本数，取值范围为5000 - 20000 ; B) 在3种光照条件下，从3种拍摄角度拍摄商品图片； C) 以步骤A得到的不同商品作为不同的类别，建立分类器，以卷积神经网络的输出为 该分类器所采用的分类特征，以步骤B得到的商品图片为评估样本；通过"后向反馈"的方 法，逐层调整卷积神经网络中的卷积层，使得以卷积神经网络的输出作为分类特征的分类 器，在评估样本上达到最好的分类精度。
4. 根据权利要求1所述基于图像相似度的商品相似计算方法，其特征在于： 所述属性特征相似度通过以下方式计算：
其中，是前景框中商品图像在一个尺度下属性i的特征向量，/eafwre,.'是商品 样本图像在相同尺度下属性i的特征向量，i取自然数。
5. 根据权利要求1所述基于图像相似度的商品相似计算方法，其特征在于： 所述商品图像的相似度采用以下方式计算：
其中，TreeWeightn是第n个决策树的权重；Scoren是从第n个决策树的决策路径上获 得的相似度分值。
6. 根据权利要求1所述基于图像相似度的商品相似计算方法，其特征在于： 所述采用的决策森林模型通过"成对排序学习"迭代构建，具体包括： 每次迭代时，选择进行分支扩展的节点，分支扩展所需的属性特征及相似度阈值，以及 扩展分支的相似度分值； 每次迭代的选择，使得商品样本中任意两个商品的相似度分值差距，与其来自决策森 林的商品图像相似度差距，尽可能一致，即最大化以下公式：
其中，Samplem，m=l，23,…代表第m个商品样本；FSimilaritymj，j=l，2, 3…代表第m个商品样本中第j个商品从决策森林获得的商品图像的相似度；LSimilaritymi代表第m 个商品样本中第i个商品被标注的相似度分值。
7. 基于图像相似度的商品推荐系统，其特征在于：包括： 历史购买商品收集模块（100)，用于从当前用户正在浏览的电子商务系统的购买记录 中，收集用户在当前电子商务系统的历史购买商品，收集当前电子商务系统中其他用户在 当前电子商务系统的历史购买商品，提供给相似商品合并模块； 跨系统历史购买商品收集模块（200)，用于解析其他电子商务系统的购买链接，收集用 户在其他电子商务系统的历史购买商品图像，收集当前电子商务系统中其他用户在其他电 子商务系统的历史购买商品图像； 线下购买商品收集模块（300)，用于上传在线下商户购买的商品图片，收集用户在线下 的历史购买商品图像，收集当前电子商务系统中其他用户在线下的历史购买商品图像； 相似商品合并模块（500)，用于通过上述权利要求1一6任一基于图像相似度的商品相 似计算方法计算商品图像的相似度，合并来自不同商家的同一款商品，把图像相似度>〇. 95 的商赋予相同的商品标识，建立用户-商品矩阵； 推荐商品计算模块（400)，用于根据相似商品合并模块（500)的用户-商品矩阵计算推 荐商品。
8. 根据权利要求7所述基于图像相似度的商品推荐系统，其特征在于：所述相似商品 合并模块（500)还用于： 获取所述当前电子商务系统中其他用户在其他电子商务系统的历史购买商品图像，通 过上述权利要求1一 6任一基于图像相似度的商品相似计算方法计算商品图像的相似度， 把这些历史购买商品合并到用户-商品矩阵中，即把图像相似度〈0. 95的商品赋予新的商 品标识，添加为新的商品，更新用户-商品矩阵； 获取所述当前电子商务系统中其他用户在线下的历史购买商品图像；通过上述权利要 求1 一 6任一基于图像相似度的商品相似计算方法计算商品图像相似度，把这些历史购买 商品合并到用户-商品矩阵中，即把图像相似度〈〇. 95的商品赋予新的商品标识，添加为新 的商品，更新用户-商品矩阵。
9. 根据权利要求7所述基于图像相似度的商品推荐系统，其特征在于： 所述推荐商品计算模块（400)包括相似用户计算模块（401A)和推荐商品获取模块 (401B)； 所述相似用户计算模块（401A)用于根据所述用户-商品矩阵计算该用户行与其他用 户行的商品重合数，基于商品重合数计算用户之间的相似度，选择用户相似度>0. 75的用 户作为该用户的相似用户； 所述基于商品重合数计算用户之间的相似度为：
其中，AmountITEMUSOTl是用户1的历史购买商品数，AmountITEMusw2是用户2的历史购 头商品数；AmountSITEMusejrlvs.usegr2是用户1和用户2重合的商品数； 所述推荐商品获取模块（401B)用于从用户正在浏览的电子商务系统中，选择和相似 用户的历史购买商品相似度>0.95的商品，计算所选商品的商品推荐指数，将商品推荐指 数>0. 8的商品作为推荐商品； 所述计算所选商品的商品推荐指数为：
其中，AmountSUSCT是相似用户的数量，ImageSimilarity是该商品与相似用户购买商品 的图像相似度。
10.根据权利要求7所述基于图像相似度的商品推荐系统，其特征在于： 所述推荐商品计算模块（400)包括相似商品计算模块（402A)和推荐商品获取模块 (402B)； 所述相似商品计算模块（402A)用于根据所述用户-商品矩阵计算该用户正在浏览的 商品列与其他商品列的用户重合数，基于用户重合数计算商品之间的相关度，将商品相关 度>0. 75的商品作为相关商品； 优选地，所述基于用户重合数计算商品之间的相关度为：
其中，AmountUSERiteml是购买商品1的用户数，AmountUSERitem2是购买商品2的用户数；AmountSUSERitMlvs.it"2是商品1和2的用户重合数； 所述推荐商品获取模块（402B)用于从用户正在浏览的电子商务系统中，选择和相关 商品相似度>〇. 95的商品作为推荐商品。
【文档编号】G06F17/30GK104504055SQ201410798968
【公开日】2015年4月8日 申请日期:2014年12月19日 优先权日:2014年12月19日
【发明者】姚志强 申请人:常州飞寻视讯信息科技有限公司