智能导购方法、系统、共享服务器和智能导购机器人与流程

本公开涉及智能设备技术领域，具体而言，涉及一种智能导购方法、系统、共享服务器和智能导购机器人。

背景技术：

随着科技的进步，现代生活中人们对智能自动化服务的需求逐步提升，一些服务类场所(如商场或超市)配套的智能设备也应运而生。

目前，在部分商场或超市已出现导购机器人，能够实现商场区域路线显示、巡航指引、简单语音对话的功能，满足消费者的一般需求。例如，具有简单的路线显示和商品呈现功能的导购机器人。

消费者的需求多而且个性化较强，对导购机器人提出了更高的要求，不仅需要简单的路线显示和简单商品呈现，还需要提供更加智能化、个性化的购买建议和深层次的服务体验。因此，现有技术中的技术方案还存在有待改进之处。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现要素：

本公开的目的在于提供一种智能导购方法、系统、共享服务器和智能导购机器人，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。

本公开的其他特性和优点将通过下面的详细描述变得清晰，或者部分地通过本公开的实践而习得。

根据本公开的一个方面，提供一种智能导购方法，包括：

根据客户数据进行分类、建模得到包含多个客户类型的客户数据模型；

根据店铺数据以及服装数据进行分类、建模得到包含多个服装类型的服装数据模型；

通过对购买历史进行分类分析，结合所述客户数据模型和所述服装数据模型进行匹配，得到针对某一客户类型的服装推荐方案。

在本公开的一种示例性实施例中，所述客户数据还包括体型特征；

通过图像传感器采集人脸图像，并对所述人脸图像进行分析得到所述客户数据，其中所述客户数据包括年龄特征、性别特征、肤色特征和心理特征；

通过三维扫描传感器对人体进行扫描并分析得到包含所述体型特征的客户数据。

在本公开的一种示例性实施例中，对所述人脸图像进行分析包括：

基于所述人脸图像进行训练，得到人脸模型；

基于所述人脸模型分别对年龄、性别、肤色和心理进行检测和训练，得到所述客户数据模型，其中所述客户数据模型中按照年龄、性别、肤色和心理进行划分包含多个客户类型。

在本公开的一种示例性实施例中，还包括：

将所述客户数据模型上传并存储到共享服务器；

采集到新的人脸图像，并上传到所述共享服务器；

所述新的人脸图像经所述共享服务器中的所述客户数据模型进行人脸区域检测以及特征提取，得到与所述新的人脸相应的年龄特征、性别特征、肤色特征和心理特征。

在本公开的一种示例性实施例中，还包括：通过对已存的推荐成功和推荐失败的记录进行分析，结合所述客户数据模型和所述服装数据模型进行匹配，得到针对某一客户类型的服装推荐方案，根据所述服装推荐方案提供本场导引方案或根据所述服装推荐方案和所述本场导引方案生成试穿效果图和逛店路线图。

根据本公开的另一方面，还提供一种智能导购系统，包括：

客户建模模块，用于根据客户数据进行分类、建模得到包含多个客户类型的客户数据模型；

服装建模模块，用于根据店铺数据以及服装数据进行分类、建模得到包含多个服装类型的服装数据模型；

分析匹配模块，用于通过对购买历史进行分类分析，结合所述客户数据模型和所述服装数据模型进行匹配，得到针对某一客户类型的服装推荐方案。

在本公开的一种示例性实施例中，还包括：

存储模块，用于存储所述客户数据、所述店铺数据和所述服装数据；

输入模块，用于采集人脸图像；

输出模块，用于将所述服装推荐方案以图像或语音的形式呈现出来。

在本公开的再一方面，还提供一种共享服务器，包括：

客户建模模块，用于根据客户数据进行分类、建模得到包含多个客户类型的客户数据模型；

服装建模模块，用于根据店铺数据以及服装数据进行分类、建模得到包含多个服装类型的服装数据模型；

分析匹配模块，用于通过对购买历史进行分类分析，结合所述客户数据模型和所述服装数据模型进行匹配，得到针对某一客户类型的服装推荐方案；

存储模块，用于存储所述客户数据、所述店铺数据和所述服装数据。

在本公开的又一方面，还提供一种智能导购机器人，包括以上所述的智能导购系统和显示屏，所述显示屏为分区显示屏；

所述分区显示屏包括试穿效果显示区、本场推荐显示区和分析建议区，所述试穿效果显示区用于显示针对客户类型所推荐服装的试穿效果的图片或视频，所述本场推荐显示区用于显示在本场内购买所所述所推荐服装的店铺位置，所述分析建议区用于显示推荐的分析和理由。

本公开的某些实施例的智能导购方法中，分别对客户数据、店铺数据和服装数据进行分类建模得到客户数据模型和服装数据模型，通过对购买历史进行分析结合客户数据模型和服装数据模型进行匹配，得到服装推荐方案。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出本公开示例性实施例中一种智能导购方法的流程图。

图2示出本公开示例性实施例中对人脸图像进行分析的流程图。

图3示出进行线下客户数据建模以及线上后续应用模型进行训练得到用户特征的示意图。

图4示出本公开示例性实施例中一种智能导购系统的示意图。

图5示出本公开示例性实施例中另一种智能导购系统的示意图。

图6示出本公开示例性实施例中一种共享服务器的示意图。

图7示出本公开示例性实施例中一种终端的示意图。

图8示出本公开示例性实施例中一种智能导购机器人的示意图。

图9示出本公开示例性实施例中一种智能导购机器人的架构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免喧宾夺主而使得本公开的各方面变得模糊。

附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

消费者在购买一些不涉及自身状态或状况的商品过程中，例如购买一本书，导购机器人只需根据书名以及书的内容即可给出相应的推荐书目；而对于某些会涉及消费者自身状态或状况的购买动作，例如购买服装，导购机器人还需要考虑消费者的一些基本信息(身高、体重等)才能给出更加符合消费者心理的推荐方案。

图1示出本公开示例性实施例中一种智能导购方法的流程图。

如图1所示，在步骤s10中，根据客户数据进行分类、建模得到包含多个客户类型的客户数据模型。

本公开中的客户数据包含的特征信息较为广泛，在一些实施例中，客户数据包括年龄特征、性别特征、肤色特征和心理特征，在另一些实施例中，客户数据除了包括上述特征之外，还可以包括体型特征。并按照这些特征可以从多个维度将客户划分为多个客户类型，例如，按照年龄特征可以将客户分为青年、中年、老年等，按照性别特征可以将客户分为女性和男性，按照肤色特征可以将客户分为肤色偏白、肤色偏黄、肤色适中等，按照心理特征可以将客户分为高兴、平静、悲伤等，按照体型特征可以将客户分为偏胖、偏瘦、体型适中等。因此在客户数据模型中可以包括多个客户子模型。

在一示例性实施例中，描述客户数据模型的特征包括：性别、年龄、肤色、心理、体型等，对于客户数据中不同的特征信息需要通过不同的采集手段获得，其中，性别、年龄、肤色、心理等四个特征可以通过对图像传感器采集到的人脸图像进行分析得到，体型特征可以通过三维扫描传感器对人体进行扫描和分析得到。

在一示例性实施例中，对人脸图像进行分析得到用户画像可以通过两次模型训练得到，图2示出本公开示例性实施例中对人脸图像进行分析的流程图。

如图2所示，在步骤s101中，基于人脸图像进行训练，得到人脸模型。

如图2所示，在步骤s102中，基于人脸模型分别对年龄、性别、肤色和心理进行检测和训练，得到客户数据模型，其中客户数据模型中按照年龄、性别、肤色和心理进行划分包含多个客户类型。

进行模型训练时需要有足够多的样本数据，首先，需要具有足够多的带有人脸标记的样本数据库，然后，分别提取这些样本的haar特征，并利用adaboost等机器学习算法进行训练，最终得到人脸模型。

得到人脸模型之后，还对性别检测、年龄检测、肤色检测、心理检测(高兴、平静、悲伤)的模型进行训练，过程同人脸模型的训练，仍然需要准备充足的样本数据进行训练，并提取lbp(localbinarypattern，局部二值模式)、haar等特征，利用机器学习算法进行训练。lbp是一种用来描述图像局部纹理特征的算子，它具有旋转不变性和灰度不变性等显著的优点。

haar特征是根据图像的区域灰度对比特性进行设计得到的，haar特征值定义为白色区域像素值之和与黑色区域像素值之和的差值。haar特征值反映了图像的灰度变化情况。例如：脸部的一些特征能由矩形特征简单的描述，如：眼睛要比脸颊颜色要深，鼻梁两侧比鼻梁颜色要深，嘴巴比周围颜色要深等。但矩形特征只对一些简单的图形结构，如边缘、线段较敏感，所以只能描述特定走向(水平、垂直、对角)的结构。

adaboost算法是一种自适应的boosting算法，基本思想是选取若干弱分类器，组合成强分类器。弱分类器形式如下：

其中，x是样本，f是提取的haar特征，θ是固定阈值，可手动设置，p是不等式方向的极性。

但是单一弱分类器的分类性能很差，需要adaboost算法进行加权组合多个弱分类器进行强化，步骤如下：

1)给定样本图像(x1,y1),(x2,y2),(x3,y3)…,其中y值表示正负样本，+1是正样本，-1是负样本。

2)初始化样本权重，m和l分别是正负样本数。

3)对于t＝1，…,t

①归一化权值

②选择加权误差最小的弱分类器

③更新权值

如果分类正确，ei＝0，否则ei＝1，

④最终得到的强分类器是：

在客户数据模型建模过程中，不仅仅考虑客户外在的一些特征，例如性别、年龄、肤色等，还考虑到客户的内在的特征信息，例如心理状态是高兴还是悲伤等，使得推荐的结果更加人性化，更有可能接近客户预期。

在一示例性实施例中，得到客户数据模型之后，还可以进一步将客户数据模型上传并存储到共享服务器，例如，可以是云端服务器。利用图像传感器采集新的人脸图像，并将新的人脸图像上传到共享服务器，这样，新的人脸图像经共享服务器中的客户数据模型进行人脸区域检测以及特征提取，得到与新的人脸相应的年龄特征、性别特征、肤色特征和心理特征。通过将客户数据模型上传到共享服务器，每次采集到新的人脸图像之后，还需要将人脸图像也上传到共享服务器就可以计算得到相应的特征信息，有利于图像的快速处理，降低终端处理数据量过大造成的计算压力。

基于上述，图3示出进行线下客户数据建模以及线上后续应用模型进行训练得到用户特征的示意图。

如图1所示，在步骤s20中，根据店铺数据以及服装数据进行分类、建模得到包含多个服装类型的服装数据模型。

在一示例性实施例中，根据不同维度将服装进行分类，一般主要依据客户数据模型的划分标准来对服装进行分类，除此之外，进一步根据客户偏好进行划分，例如按照品牌、风格、价位等划分，将服装数据模型分为多个服装子模型，以方便进行匹配和客户进行选择。

在另一示例性实施例中，除了单纯的对服装进行分类之外，还需要结合本场店铺分布信息对服装进行分类，例如二楼女装，三楼男装等。另外，店铺数据除了楼层还可以进一步具体到摊位号，以及店铺内活动信息等，但本公开并不限定于此。

如图1所示，在步骤s30中，通过对购买历史进行分类分析，结合客户数据模型和服装数据模型进行匹配，得到针对某一客户类型的服装推荐方案。

在示例性实施例中，购买历史为记录的历史客户的购买信息，例如客户的年龄、肤色、体型、偏好、购买力以及购买成功或失败的记录。通过对客户的购买历史进行分析，在结合客户数据和服装数据匹配给出相应的服装推荐方案更加符合客户预期，推荐成功率也会更高。

在示例性实施例中，除了根据购买历史进行推荐，还可以根据别人的记录信息进行推荐，可以包括但不限于以下方法：

通过对已存的推荐成功和推荐失败的记录进行分析，结合客户数据模型和服装数据模型进行匹配，得到针对某一客户类型的服装推荐方案。

以下以客户a为例，首先查询客户a的购买历史，以获得客户a更倾向于购买哪一风格、在哪个价位的服装，从而给出相应的服装推荐方案，给客户提供比较贴切的购买建议。如果对购买历史分析没有找到客户a的购买历史，则结合客户a的年龄、性别、肤色、心理、体型等特征信息，从购买历史中找到特征信息较为接近的客户b的购买历史，同样可以给客户提供比较贴切的购买建议。如果结合客户a的年龄、性别、肤色、心理、体型等特征信息，也没有找到较为接近的购买历史，则查找推荐成功或失败的记录信息给出服装推荐，并在客户对服装推荐方案给出的评价或反映记录为成功或失败，并将这一条推荐存储到共享服务器。例如客户查看某一条服装推荐方案的时间较长则确定为推荐成功，如果客户查看某一条服装推荐方案的时间较短则确定为推荐失败。判断推荐成功或失败的依据还可以有其他参考，本公开不做具体限定。

在一示例性实施例中，除了给出服装推荐方案，还进一步根据服装推荐方案提供本场引导方案，也就是进一步结合店铺数据给客户提供相应的在本场内的导引方案，方便客户按照推荐方案实施购买。

在一示例性实施例中，该智能导购方法还包括根据服装推荐方案和本场引导方案生成试穿效果图和逛店线路图，让客户更加直观的对推荐方案进行考虑。

综上所述，本公开实施方式公开的智能导购方法，分别对客户数据、店铺数据和服装数据进行分类建模得到客户数据模型和服装数据模型，通过对购买历史进行分析结合客户数据模型和服装数据模型进行匹配，得到服装推荐方案。该方法可以用于解决现有的推荐方案不够智能和个性化的问题，通过对客户数据模型和服装数据模型进行匹配，提供更加有针对性的推荐方案，可有效提升客户满意度。

图4示出本公开示例性实施例中一种智能导购系统的示意图。如图4所示，该智能导购系统100包括客户建模模块110、服装建模模块120和分析匹配模块130。

客户建模模块110用于根据客户数据进行分类、建模得到包含多个客户类型的客户数据模型。服装建模模块120用于根据店铺数据以及服装数据进行分类、建模得到包含多个服装类型的服装数据模型。分析匹配模块130用于通过对购买历史进行分类分析，结合客户数据模型和服装数据模型进行匹配，得到针对某一客户类型的服装推荐方案。

该智能导购系统分别对客户数据、店铺数据和服装数据进行分类建模得到客户数据模型和服装数据模型，通过对购买历史进行分析结合客户数据模型和服装数据模型进行匹配，得到服装推荐方案。该方法可以用于解决现有的推荐方案不够智能和个性化的问题，通过对客户数据模型和服装数据模型进行匹配，提供更加有针对性的推荐方案，可有效提升客户满意度。

图5还示出本公开示例性实施例中另一种智能导购系统的示意图。如图5所示，该智能导购系统100包括客户建模模块110、服装建模模块120、分析匹配模块130、存储模块140、输入模块150和输出模块160。

客户建模模块110用于根据客户数据进行分类、建模得到包含多个客户类型的客户数据模型。服装建模模块120用于根据店铺数据以及服装数据进行分类、建模得到包含多个服装类型的服装数据模型。分析匹配模块130用于通过对购买历史进行分类分析，结合客户数据模型和服装数据模型进行匹配，得到针对某一客户类型的服装推荐方案。存储模块140用于存储客户数据、店铺数据和服装数据。输入模块150用于采集人脸图像，输出模块160用于将服装推荐方案以图像或语音的形式呈现出来。

在一示例性实施例中，输入模块150采集客户的人脸图像等信息，存储模块140还用于将采集的原始数据进行预处理，转化为结构化数据后再按照客户数据、服装数据和店铺数据进行存储。存储模块140用于存储客户数据，例如客户的年龄、肤色、性别、体型、购买力、偏好以及向该客户推荐成功或失败的记录，以便根据存储的这些数据进行分析匹配。店铺数据包括摊位号、活动信息等，服装数据包括类别、价格、风格、颜色、尺寸等。存储模块140还用于存储一导引语数据库，导引语就是播放服装推荐方案的语音。

在一示例性实施例中，得到的服装推荐方案可以经输出模块160以图像或语音的形式呈现给客户，可以是以下述至少一种形式：

将图像通过显示屏显示，或打印成纸质文件显示，还或者通过语音播放出来。

图6示出本公开示例性实施例中一种共享服务器的示意图。该共享服务器600包括客户建模模块610、服装建模模块620、分析匹配模块630和存储模块640。

客户建模模块610用于根据客户数据进行分类、建模得到包含多个客户类型的客户数据模型。服装建模模块620用于根据店铺数据以及服装数据进行分类、建模得到包含多个服装类型的服装数据模型。分析匹配模块630用于通过对购买历史进行分类分析，结合客户数据模型和服装数据模型进行匹配，得到针对某一客户类型的服装推荐方案。存储模块640用于存储客户数据、店铺数据和服装数据。

图7示出本公开示例性实施例中一种终端的示意图，该终端700包括输入模块710、输出模块720以及与图6所示共享服务器600进行通信的通信模块730。输入模块710包括但不限于摄像头、扫描仪器、话筒、指纹识别器等，用于采集客户数据。输出模块720包括但不限于显示屏、打印机、语音播放器等。通信模块730用于将输入模块710采集的信息发送给共享服务器600，也用于接收共享服务器600的服装推荐方案并以语音或图像的形式呈现出来。

图8示出本公开示例性实施例中一种智能导购机器人的示意图，该智能导购机器人800除了包括一般机器人多具有的硬件和外观之外，还包括上述实施例中的智能导购系统和显示屏810。

在一示例性实施例中，该显示屏810为分区显示屏，包括试穿效果显示区811、本场推荐显示区812和分析建议区813，试穿效果显示区811用于显示针对客户类型所推荐服装的试穿效果的图片或视频，本场推荐显示区812用于显示在本场内购买所所推荐服装的店铺位置，分析建议区813用于显示推荐的分析和理由。

在一示例性实施例中，该智能导购机器人800还具有打印机820，用于将试穿效果图和逛店路线图通过打印机打印出来供客户取走观看。另外，该智能导购机器人800还具有语音播放器，用于将服装推荐方案以语音播放出来。

在一示例性实施例中，图9示出该智能导购机器人的架构示意图。该智能机器人可以将系统部分包括存储模块、建模单元和分析匹配模块设置在共享服务器中，建模单元用于实现客户数据模型和服装数据模型的监控，而仅保留硬件设备部分的输入模块、输出模块，实现客户数据信息的输入和推荐方案的输出。

此外，上述智能导购系统中进行建模和匹配的各步骤的具体细节，已经在对应的实施例中进行了详细的描述，因此此处不再赘述。而且，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。