商品搜索方法、装置、计算机设备和存储介质与流程

本申请涉及计算机技术领域，特别是涉及一种商品搜索方法、装置、计算机设备和存储介质。

背景技术：

随着互联网技术的不断发展，给人们生活的各个方面带来了便捷，越来越多的人更倾向于在线上购置物品。

在用户进行商品搜索时，各类购物网站、购物app一般都根据用户的浏览记录数据对搜索到的商品进行商品推荐。但是，通过用户的浏览记录数据来确定用户的喜好得到的推荐结果是比较片面的，导致各类购物网站、购物app等向用户推送商品的推荐效果差。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够为用户有效推荐商品搜索结果的商品搜索方法、装置、计算机设备和存储介质。

一种商品搜索方法，所述方法包括：

接收商品搜索指令，并从所述商品搜索指令中提取商品关键词；

查找与所述商品关键词匹配的匹配商品；

计算各所述匹配商品与所述商品关键词的匹配度；

获取各所述匹配商品的微表情标签；

根据所述匹配度和所述微表情标签对所述匹配商品进行排序得到排序结果；

根据所述排序结果生成商品搜索结果。

在其中一个实施例中，所述接收商品搜索指令之前，还包括：

当检测到销售商品的详情页面开启时，采集用户的当前面部图像；

对所述当前面部图像进行微表情分析，得到与所述当前面部图像匹配的预设微表情；

根据匹配的所述预设微表情设定微表情标签；

获取当前用户标识；

将所述当前用户标识、所述微表情标签与所述销售商品进行关联存储。

在其中一个实施例中，所述对所述当前面部图像进行微表情分析，得到与所述当前面部图像匹配的预设微表情，包括：

从所述当前面部图像中提取面部特征点；

根据所述面部特征点计算得到面部动作特征；

将所述面部动作特征输入微表情分类模型得到各预设微表情的概率值；

根据计算出的所述概率值选定与所述当前面部图像匹配的所述预设微表情。

在其中一个实施例中，所述对所述当前面部图像进行微表情分析，得到与所述当前面部图像匹配的预设微表情，包括：

从所述当前面部图像中提取面部特征点；

根据所述面部特征点计算得到面部动作特征；

将所述面部动作特征输入微表情分类模型得到各预设微表情的概率值；

根据计算出的所述概率值选定与所述当前面部图像匹配的所述预设微表情。

在其中一个实施例中，所述查找与所述商品关键词匹配的匹配商品，包括：

查找名称与所述商品关键词匹配的待选商品；

获取当前用户标识；

查找与所述当前用户标识对应的用户信息，并根据所述用户信息计算用户画像标签；

获取各所述待选商品对应的历史购买用户数据；

根据所述历史购买用户数据以及所述用户画像标签对所述待选商品进行筛选得到匹配商品。

在其中一个实施例中，所述根据所述匹配度和所述微表情标签对所述匹配商品进行排序得到排序结果之前，还包括：

对所述匹配商品的所述微表情标签进行识别；

当识别出所述微表情标签包括厌恶标签时，删除对应的所述匹配商品。

在其中一个实施例中，所述根据所述匹配度和所述微表情标签对查找的所述匹配商品进行排序得到排序结果，包括：

获取所述微表情标签对应的表情系数；

获取当前用户标识；

查找与所述当前用户标识对应的用户信息，并根据所述用户信息计算用户画像标签；

查找所述用户画像标签对应的推荐权重；

根据所述匹配度、所述表情系数及所述推荐权重计算出推荐数值；

根据所述推荐数值对查找到的所述匹配商品进行排序得到排序结果。

一种商品搜索装置，所述装置包括：

指令提取模块，用于接收商品搜索指令，并从所述商品搜索指令中提取商品关键词；

商品查找模块，用于查找与所述商品关键词匹配的匹配商品；

匹配度计算模块，用于计算各所述匹配商品与所述商品关键词的匹配度；

标签获取模块，用于获取各所述匹配商品的微表情标签；

排序模块，用于根据所述匹配度和所述微表情标签对所述匹配商品进行排序得到排序结果；

搜索结果生成模块，用于根据所述排序结果生成商品搜索结果。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

上述商品搜索方法、装置、计算机设备和存储介质，根据商品的匹配度和微表情标签对查找到的商品进行排序，并根据排序结果生成商品搜索结果，不仅可以及时合理地向用户推荐其喜爱的商品，提升销售额，也增加了手机软件、网站或网页的访问流量。而且，商品搜索结果是针对用户生成的，提升了用户购物体验。

附图说明

图1为一个实施例中商品搜索方法的应用场景图；

图2为一个实施例中商品搜索方法的流程示意图；

图3为一个实施例中商品搜索方法的流程示意图；

图4为另一个实施例中微表情分析步骤的流程示意图；

图5为另一个实施例中微表情标签设定步骤的流程示意图；

图6为一个实施例中匹配商品查找步骤的流程示意图；

图7为另一个实施例中匹配商品排序步骤的流程示意图；

图8为一个实施例中商品搜索装置的结构框图；

图9为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的商品搜索方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式智能设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。终端102接收用户输入的待检索商品的商品名称等商品关键词，当用户确认需要进行搜索时，终端102生成商品搜索指令；终端102可以将商品搜索指令发送给服务器104；服务器104接收到商品搜索指令后，从商品搜索指令中提取出用户输入的商品关键词；服务器104再查找与商品关键词匹配的匹配商品；服务器104计算匹配商品与商品关键词的匹配度；服务器104获取匹配商品的微表情标签；服务器104可以根据匹配度和微表情标签对匹配商品进行排序得到排序结果；服务器104可以根据排序结果生成商品搜索结果。

在一个实施例中，如图2所示，提供了一种商品搜索方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：

步骤202，接收商品搜索指令，并从所述商品搜索指令中提取商品关键词。

商品搜索指令用于指示搜索与用户输入的商品关键词匹配的商品，含有用户输入的待检索商品的商品名称等商品关键词。商品关键词可以是待检索商品的名称、商品分类和/或对应的品牌名称等等。例如，商品关键词可以是“手机”等。

服务器104可以接收终端102发送来的商品搜索指令，并从商品搜索指令中提取出商品关键词。

步骤204，查找与所述商品关键词匹配的匹配商品。

服务器104可以根据预定规则查找与商品关键词匹配的匹配商品。匹配商品可以是名称与商品关键词完全一致的销售商品，也可以是名称中包含商品关键词的销售商品，也可以是名称与商品关键词有部分字或词组一致的销售商品。预定规则可以是：当商品关键词被商品名称包含时，则判定对应的销售商品为与商品关键词相匹配的匹配商品；预定规则也可以是：当商品关键词与商品名称的部分字或词组一致时，则判定对应的销售商品为与商品关键词相匹配的匹配商品。

步骤206，计算各所述匹配商品与所述商品关键词的匹配度。

服务器104通过计算匹配商品的名称与商品关键词的匹配度得到匹配商品与商品关键词的匹配度。可以事先设定当商品名称与商品关键词完全一致时，匹配度为第一数值；当商品关键词被商品名称包含时，匹配度为第二数值；当商品关键词与商品名称有部分字或词组一致时，匹配度为第三数值，且第一数值＞第二数值＞第三数值。也可以事先设定算法计算商品关键词与商品名称的字符匹配率，并将字符匹配率作为匹配商品与商品关键词的匹配度。

步骤208，获取各所述匹配商品的微表情标签。

微表情标签是根据历史浏览用户在对销售商品进行浏览时的面部图像的微表情分析生成的。服务器104通过对面部图像进行微表情分析，得到用户浏览销售商品时的微表情信息，并根据微表情信息设定销售商品的微表情标签。每个销售商品可以只有一个微表情标签，也可以有多个微表情标签。微表情标签可以有喜爱标签、伤心标签、厌恶标签、惊讶标签等等。服务器104依次获取各个匹配商品对应的微表情标签。

步骤210，根据所述匹配度和所述微表情标签对所述匹配商品进行排序得到排序结果。

服务器104综合考虑匹配度以及微表情标签对匹配商品进行排序得到排序结果。例如可以事先对每个微表情标签设定表情系数，服务器104获取各微表情标签对应的表情系数，再计算匹配度与表情系数的乘积值，而后根据匹配度与表情系数的乘积值从大到小对匹配商品进行排序得到排序结果。

步骤212，根据所述排序结果生成商品搜索结果。

服务器104可以根据排序结果生成商品搜索结果，而后将商品搜索结果发送给终端102，终端102对商品搜索结果进行显示。服务器104也可以将排序结果直接发送给终端102，终端102可以根据排序结果生成商品搜索结果。

上述商品搜索方法中，根据商品的匹配度和微表情标签对查找到的商品进行排序，并根据排序结果生成商品搜索结果，不仅可以及时合理地向用户推荐其喜爱的商品，提升销售额，也增加了手机软件、网站或网页的访问流量。而且，商品搜索结果是根据历史商品浏览大数据针对用户生成的，能够取得更佳的推荐效果，提升了用户购物体验。

在一个实施例中，如图3所示，接收商品搜索指令之前，方法还包括以下步骤：

步骤302，当检测到销售商品的详情页面开启时，采集用户的当前面部图像。

详情页面用于介绍销售商品的商品详细情况。终端102检测销售商品的详情页面是否被开启，当终端102检测到销售商品的详情页面开启时，终端102采集用户的当前面部图像。当前面部图像为在用户操作终端时的终端拍摄的用户面部图像，用户面部图像可以为一至多张。当用户面部图像仅为一张时，该用户面部图像就是当前面部图像；当用户面部图像为多张时，可以设定其中某一张用户面部图像为当前面部图像，也可以设定某几张用户面部图像均为当前面部图像。

步骤304，对所述当前面部图像进行微表情分析，得到与所述当前面部图像匹配的预设微表情。

具体地，终端102可以直接对当前面部图像进行微表情分析，也可以将当前面部图像上传给服务器104，由服务器104进行微表情分析。终端102可通过构建完成的神经网络模型或者3d人脸模型从当前面部图像中提取出图像特征，而后对图像特征进行分析，并查找与图像特征相匹配的预先设定的微表情，进而得到各微表情的概率值，根据概率值确定预设微表情。终端可以事先设定微表情筛选数量，将按概率值大小排序后的预设微表情中排在前列的预设微表情筛选出来，筛选出的数量与微表情筛取数量一致，例如，可以将微表情筛取数量设定为5个等。终端也可以事先设定微表情概率值筛选阈值，将概率值大于微表情概率值筛选阈值的预设微表情筛选出来，例如微表情概率值筛选阈值可以为50％。

例如，当终端102从当前面部图像中提取出的图像特征有“天花板”、“眯眼睛”、“嘴角上扬”、“露牙齿”，经过图像特征分析得到“眯眼睛”、“嘴角上扬”、“露牙齿”与预先设定的微表情匹配，且各微表情的概率值分别为40％、80％以及10％。微表情概率值筛选阈值为50％。因此，与当前面部图像匹配的预设微表情为“嘴角上扬”，且预设微表情的概率值为80％。

步骤306，根据匹配的所述预设微表情设定微表情标签。

终端102可以根据预设微表情以及对应的概率值设定微表情标签。微表情标签可以由用户设定或是终端默认设置，可以包含喜爱标签、伤心标签、厌恶标签、惊讶标签等微表情标签。终端可以根据概率值最大的预设微表情判定微表情标签，也可以获取每个预设微表情在各微表情标签下的情绪分值，根据预设微表情的概率值和情绪分值计算各微表情标签对应的情绪得分，进而根据情绪得分判定销售商品的微表情标签。

步骤308，获取当前用户标识。

当前用户标识是用于识别当前用户的标识，可以是当前用户的账号、手机号、身份证号等等。终端102获取当前用户标识。

步骤310，将所述当前用户标识、所述微表情标签与所述销售商品进行关联存储。

终端102将当前用户标识、微表情标签与销售商品进行关联存储，以便针对用户进行个性化推荐。

上述商品搜索方法中，通过采集并识别用户在浏览销售商品的详情页面时的当前面部图像，并得到预设微表情，而后根据预设微表情判定销售商品的微表情标签，进而将当前用户标识、微表情标签与销售商品进行关联存储，从而为用户构建个性化数据库，在为用户进行搜索推荐时，推荐结果更加符合用户的预期，进而提升了用户购物体验。

在一个实施例中，如图4所示，对所述当前面部图像进行微表情分析，得到与所述当前面部图像匹配的预设微表情，具体包括以下步骤：

步骤402，从所述当前面部图像中提取面部特征点。

面部特征点为五官及脸部轮廓的特征点，如眼睛、嘴巴、鼻子、眉毛等的特征坐标。在进行面部特征提取前，服务器/终端可以对当前面部图像进行预处理，得到符合识别标准的当前面部图像。具体地，服务器/终端可以通过预先训练好的3d人脸模型或者深度学习神经网络对当前面部图像进行面部特征点提取。

步骤404，根据所述面部特征点计算得到面部动作特征。

服务器/终端可以基于提取出的面部特征点再通过预先训练好的3d人脸模型或者深度学习神经网络模型从当前面部图像中提取出面部动作特征，也可以将提取出的各面部特征点进行分类后输入对应的面部动作特征计算模型，得到相应面部动作特征，例如，将属于眼部的面部特征点输入眼动模型可以得到关于眼部的面部动作特征，如眨眼特征、眯眼特征、瞪眼特征等。3d人脸模型、深度学习神经网络模型、面部动作特征计算模型都是通过事先对多张人脸图像深度学习训练得到的。人脸图像可以是用户的人脸图像也可以是大众的人脸图像。

步骤406，将所述面部动作特征输入微表情分类模型得到各预设微表情的概率值。

服务器/终端可以根据3d人脸模型或者深度学习神经网络模型或者面部动作特征计算模型计算各面部动作特征的取值，并将面部动作特征以及取值输入预先训练好的微表情分类模型中，得到各种预设微表情的概率值，此时，所有预设微表情的取值之和为1。微表情分类模型可以采用svm分类器、深度神经网络学习模型、决策树分类模型等多种用于分类的模型，微表情分类模型通过事先对多张人脸图像的面部动作特征训练得到。

步骤408，根据计算出的所述概率值选定与所述当前面部图像匹配的所述预设微表情。

终端可以事先设定微表情筛选数量，将按概率值大小排序后的预设微表情中排在前列的预设微表情筛选出来，筛选出的数量与微表情筛取数量一致，例如，可以将微表情筛取数量设定为5个等。预设微表情的匹配筛选过程可以在终端中进行，也可以由终端将当前面部图像发送至服务器中进行，服务器将筛选出的预设微表情返回给终端。

在一个实施例中，如图5所示，根据匹配的所述预设微表情设定微表情标签，具有以下步骤：

步骤502，获取所述预设微表情对应的各情绪模式下的情绪分值。

具体地，情绪模式可以由用户设置或终端默认设置，例如可以包括喜爱、伤心、厌恶、惊讶等。不同微表情与各情绪模式之间的相关性不一样，所以情绪分值也不一样，例如，微表情“嘴角上扬”与喜爱、伤心、厌恶、惊讶等情绪模式对应的情绪分值分别为7、0、0以及1；微表情“眉眼弯弯”与喜爱、伤心、厌恶、惊讶等情绪模式对应的情绪分值分别为8、0、0、以及3。

步骤504，根据所述预设微表情的概率值和所述情绪分值计算各所述情绪模式对应的情绪得分。

终端分别将各情绪模式下的各预设微表情的情绪分值与概率值相乘后叠加，得到情绪得分。例如，终端得到的预设微表情包括眉眼弯弯、开怀大笑、含情脉脉、乐观豁达、喜笑颜开5种，对应的概率值分别为25％、10％、8％、15％和12％，5种预设微表情在喜爱模式下的情绪分值分别为8、10、6、6和9，则喜爱模式下的情绪得分为25％*8+10％*10+8％*6+15％*6+12％*9＝5.46。

步骤506，将各所述情绪得分输入标签计算模型得到微表情标签。

终端计算出所有情绪模式下的情绪得分后，将各情绪得分输入标签计算模型中得到微表情标签。标签计算模型可以采用svm分类器、深度神经网络学习模型、决策树分类模型等多种用于分类的模型，微表情分类模型通过事先对多个微表情标签以及情绪得分训练得到。

在上述商品搜索方法中，将预设微表情与微表情标签对应，得到的情绪数值可以更准确的体现用户的当前状态，减少微表情标签的判定失误。

在另一个实施例中，如图6所示，查找与所述商品关键词匹配的匹配商品，具体有以下步骤：

步骤602，查找名称与所述商品关键词匹配的待选商品。

服务器104根据商品关键词查找名称匹配的待选商品，待选商品可以是名称与商品关键词完全一致的销售商品，也可以是名称中包含商品关键词的销售商品，也可以是名称与商品关键词有部分字或词组一致的销售商品。例如，当当商品关键词与商品名称有至少一部分字或词组一致时，规定对应的销售商品为与商品关键词相匹配的匹配商品。

步骤604，获取当前用户标识。

服务器104可以从终端获取当前用户的当前用户标识。服务器也可以从携带有用户标识的商品搜索指令中提取出当前用户标识。

步骤606，查找与所述当前用户标识对应的用户信息，并根据所述用户信息计算用户画像标签。

服务器104查找与当前用户标识对应的用户信息，用户信息可以包括用户性别、年龄、爱好、收入水平、历史购买记录等信息。服务器根据用户信息对用户进行画像分析得到用户的用户画像标签。用户画像标签可以是通过大数据归纳总结出的，例如，可以是白富美、科技达人、美妆达人、养生达人、高富帅、探险家等等。不同用户画像标签可以匹配不同的用户信息。同一用户信息可以匹配多个用户画像标签。

步骤608，获取各所述待选商品对应的历史购买用户数据。

服务器104获取各待选商品对应的历史购买用户数据，历史购买用户数据可以用于知悉历史购买人群，并确定历史购买用户的共通点。历史购买用户数据可以包含购买销售商品的历史购买用户的历史用户标签等等。

步骤610，根据所述历史购买用户数据以及所述用户画像标签对所述待选商品进行筛选得到匹配商品。

服务器104可以对历史购买用户数据进行分析，服务器计算各历史用户标签在历史购买用户的标签中出现概率，并根据出现概率的大小从大到小对所有历史用户标签进行排序，选取预定数量排在前序的历史用户标签作为历史购买用户的通用画像标签，通用画像标签是所有购买销售商品的历史购买用户可能存在的共通标签，是通过大数据归纳总结出的。服务器计算通用画像标签与用户画像标签的相似度，并依照相似度的大小从大到小对待选商品进行排序，而后根据可展示的商品数量将排在前列的待选商品筛选为匹配商品。当用户存在多个用户画像标签时，服务器计算每个用户画像标签与通用画像标签的相似度，并从中选取与通用画像标签相似度最大的用户画像标签作为排序依据。

在上述商品搜索方法中，分析用户的用户信息确定用户画像标签，并根据历史购买用户数据确定目标客户群，并为目标客户群设定通用画像标签，而后通过用户画像标签和通用画像标签确定待选商品是否符合用户的喜好，以便更好地为用户进行推荐，提高用户的使用体验。

在一个实施例中，根据所述匹配度和所述微表情标签对所述匹配商品进行排序得到排序结果之前，方法还包括以下步骤：对所述匹配商品的所述微表情标签进行识别；当识别出所述微表情标签包括厌恶标签时，删除对应的所述匹配商品。

用户在不同状态下浏览同一匹配商品时，终端102识别出的微表情标签可能不一致，因而同一匹配商品可以具有多个微表情标签，微表情标签可以同时包括厌恶标签、伤心标签、喜爱标签等。终端102获取查找到的匹配商品所有对应的微表情标签，并对查找到的匹配商品的微表情标签逐一进行识别确认，当终端102识别出微表情标签包括厌恶标签时，终端根据厌恶标签删除对应的匹配商品，而后终端再根据所述匹配度和所述微表情标签对所述匹配商品进行排序得到排序结果。

在上述商品搜索方法中，主动删除用户厌恶的匹配商品，避免用户浏览到厌恶的匹配商品，提高用户的使用体验。

在一个实施例中，如图7所示，根据所述匹配度和所述微表情标签对查找的所述匹配商品进行排序得到排序结果，包括以下步骤：

步骤702，获取所述微表情标签对应的表情系数。

不同的微表情标签都对应不同的表情系数，例如喜爱标签的表情系数可以设置的数值比较高，厌恶标签的表情系数可以设置的数值比较低。表情系数可以由用户设置或终端自行设置。表情系数用于体现当用户处于对应的微表情标签时可能的状况。终端102获取微表情标签对应的表情系数。

步骤704，获取当前用户标识。

终端102获取用户的当前用户标识。当前用户标识可以由用户输入，或是终端直接读取事先存储好的当前用户标识。

步骤706，查找与所述当前用户标识对应的用户信息，并根据所述用户信息计算用户画像标签。

终端102查找与当前用户标识对应的用户信息，用户信息可以包括用户性别、年龄、爱好、收入水平、历史购买记录等信息。终端根据用户信息对用户进行画像分析得到用户的用户画像标签。用户画像标签可以是通过大数据归纳总结出的、也可以是用户根据对自身的了解而设定的，例如，可以是白富美、科技达人、美妆达人、养生达人、高富帅、探险家等等。不同用户画像标签可以匹配不同的用户信息。同一用户信息可以匹配多个用户画像标签。

步骤708，查找所述用户画像标签对应的推荐权重。

推荐权重是由终端事先设置的，为在计算推荐数值时匹配度和表情系数各自所占的比例。终端102查找每个用户画像标签对应的推荐权重，确定计算中匹配度和表情系数的权重。

步骤710，根据所述匹配度、所述表情系数及所述推荐权重计算出推荐数值。

终端102根据推荐权重对推荐数值计算公式中的匹配度和表情系数的权重进行配置，而后将匹配度和表情系数的数值代入推荐数值计算公式中计算推荐数值。

步骤712，根据所述推荐数值对查找到的所述匹配商品进行排序得到排序结果。

终端102根据推荐数值的大小对查找到的匹配商品由大到小进行排序，并将匹配商品排序后的顺序作为排序结果。

在上述商品搜索方法中，根据用户信息确定用户画像标签，并根据用户画像标签对匹配度和微表情标签的表情系数进行配置，综合考虑用户的需求，及时合理地为用户搜索并推荐其喜爱的商品，提高了用户购物体验。

应该理解的是，虽然图2-7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-7中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图8所示，提供了一种商品搜索装置，包括：指令提取模块802、商品查找模块804、匹配度计算模块806、标签获取模块808、排序模块810和搜索结果生成模块812，其中：

指令提取模块802，用于接收商品搜索指令，并从所述商品搜索指令中提取商品关键词。

商品查找模块804，用于查找与所述商品关键词匹配的匹配商品。

匹配度计算模块806，用于计算各所述匹配商品与所述商品关键词的匹配度。

标签获取模块808，用于获取各所述匹配商品的微表情标签。

排序模块810，用于根据所述匹配度和所述微表情标签对所述匹配商品进行排序得到排序结果。

搜索结果生成模块812，用于根据所述排序结果生成商品搜索结果。

在一个实施例中，装置还包括图像采集模块、微表情分析模块、微表情标签设定模块、用户标识获取模块以及存储模块，其中：

图像采集模块，用于当检测到销售商品的详情页面开启时，采集用户的当前面部图像。

微表情分析模块，用于对所述当前面部图像进行微表情分析，得到与所述当前面部图像匹配的预设微表情。

微表情标签设定模块，用于根据匹配的所述预设微表情设定微表情标签。

用户标识获取模块，用于获取当前用户标识。

存储模块，用于将所述当前用户标识、所述微表情标签与所述销售商品进行关联存储。

在另一实施例中，微表情分析模块包括特征点提取单元、特征计算单元、概率值计算单元以及微表情选取单元，其中：

特征点提取单元，用于从所述当前面部图像中提取面部特征点。

特征计算单元，用于根据所述面部特征点计算得到面部动作特征。

概率值计算单元，用于将所述面部动作特征输入微表情分类模型得到各预设微表情的概率值。

微表情选取单元，用于根据计算出的所述概率值选定与所述当前面部图像匹配的所述预设微表情。

在一个实施例中，微表情标签设定模块包括情绪分值获取单元、情绪得分计算单元以及标签获取单元，其中：

情绪分值获取单元，用于获取所述预设微表情对应的各情绪模式下的情绪分值；

情绪得分计算单元，用于根据所述预设微表情的概率值和所述情绪分值计算各所述情绪模式对应的情绪得分；

标签获取单元，用于将各所述情绪得分输入标签计算模型得到微表情标签。

在一些实施例中，商品查找模块包括待选商品查找单元、用户标识获取单元、用户标签确定单元、历史数据获取单元以及筛选单元，其中：

待选商品查找单元，用于查找名称与所述商品关键词匹配的待选商品。

用户标识获取单元，用于获取当前用户标识。

用户标签确定单元，用于查找与所述当前用户标识对应的用户信息，并根据所述用户信息计算用户画像标签。

历史数据获取单元，用于获取各所述待选商品对应的历史购买用户数据。

筛选单元，用于根据所述历史购买用户数据以及所述用户画像标签对所述待选商品进行筛选得到匹配商品。

在一些实施例中，装置还包括标签识别模块和删除模块，其中：

标签识别模块，用于对所述匹配商品的所述微表情标签进行识别。

删除模块，用于当识别出所述微表情标签包括厌恶标签时，删除对应的所述匹配商品。

在另一实施例中，排序模块包括表情系数获取单元、用户标识获取单元、用户标签确定单元、推荐权重查找单元、推荐数值计算单元和排序单元，其中：

表情系数获取单元，用于获取所述微表情标签对应的表情系数；

用户标识获取单元，用于获取当前用户标识；

用户标签确定单元，用于查找与所述当前用户标识对应的用户信息，并根据所述用户信息计算用户画像标签；

推荐权重查找单元，用于查找所述用户画像标签对应的推荐权重；

推荐数值计算单元，用于根据所述匹配度、所述表情系数及所述推荐权重计算出推荐数值；

排序单元，用于根据所述推荐数值对查找到的所述匹配商品进行排序得到排序结果。

关于商品搜索装置的具体限定可以参见上文中对于商品搜索方法的限定，在此不再赘述。上述商品搜索装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储商品搜索数据、用户信息、销售商品以及其历史购买用户数据等等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种商品搜索方法。

本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

接收商品搜索指令，并从所述商品搜索指令中提取商品关键词；

查找与所述商品关键词匹配的匹配商品；

计算各所述匹配商品与所述商品关键词的匹配度；

获取各所述匹配商品的微表情标签；

根据所述匹配度和所述微表情标签对所述匹配商品进行排序得到排序结果；

根据所述排序结果生成商品搜索结果。

在一个实施例中，处理器执行计算机程序时实现接收商品搜索指令的步骤之前，还用于：当检测到销售商品的详情页面开启时，采集用户的当前面部图像；对所述当前面部图像进行微表情分析，得到与所述当前面部图像匹配的预设微表情；根据匹配的所述预设微表情设定微表情标签；获取当前用户标识；将所述当前用户标识、所述微表情标签与所述销售商品进行关联存储。

在一个实施例中，处理器执行计算机程序时实现对所述当前面部图像进行微表情分析，得到与所述当前面部图像匹配的预设微表情的步骤时，还用于：从所述当前面部图像中提取面部特征点；根据所述面部特征点计算得到面部动作特征；将所述面部动作特征输入微表情分类模型得到各预设微表情的概率值；根据计算出的所述概率值选定与所述当前面部图像匹配的所述预设微表情。

在一个实施例中，处理器执行计算机程序时实现根据匹配的所述预设微表情设定微表情标签的步骤时，还用于：获取所述预设微表情对应的各情绪模式下的情绪分值；根据所述预设微表情的概率值和所述情绪分值计算各所述情绪模式对应的情绪得分；将各所述情绪得分输入标签计算模型得到微表情标签。

在一个实施例中，处理器执行计算机程序时实现查找与所述商品关键词匹配的匹配商品的步骤时，还用于：查找名称与所述商品关键词匹配的待选商品；获取当前用户标识；查找与所述当前用户标识对应的用户信息，并根据所述用户信息计算用户画像标签；获取各所述待选商品对应的历史购买用户数据；根据所述历史购买用户数据以及所述用户画像标签对所述待选商品进行筛选得到匹配商品。

在一个实施例中，处理器执行计算机程序时实现根据所述匹配度和所述微表情标签对所述匹配商品进行排序得到排序结果的步骤之前，还用于：对所述匹配商品的所述微表情标签进行识别；当识别出所述微表情标签包括厌恶标签时，删除对应的所述匹配商品。

在一个实施例中，处理器执行计算机程序时实现根据所述匹配度和所述微表情标签对查找的所述匹配商品进行排序得到排序结果的步骤时，还用于：获取所述微表情标签对应的表情系数；获取当前用户标识；查找与所述当前用户标识对应的用户信息，并根据所述用户信息计算用户画像标签；查找所述用户画像标签对应的推荐权重；根据所述匹配度、所述表情系数及所述推荐权重计算出推荐数值；根据所述推荐数值对查找到的所述匹配商品进行排序得到排序结果。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

接收商品搜索指令，并从所述商品搜索指令中提取商品关键词；

查找与所述商品关键词匹配的匹配商品；

计算各所述匹配商品与所述商品关键词的匹配度；

获取各所述匹配商品的微表情标签；

根据所述匹配度和所述微表情标签对所述匹配商品进行排序得到排序结果；

根据所述排序结果生成商品搜索结果。

在一个实施例中，计算机程序被处理器执行时实现接收商品搜索指令的步骤之前还用于：当检测到销售商品的详情页面开启时，采集用户的当前面部图像；对所述当前面部图像进行微表情分析，得到与所述当前面部图像匹配的预设微表情；根据匹配的所述预设微表情设定微表情标签；获取当前用户标识；将所述当前用户标识、所述微表情标签与所述销售商品进行关联存储。

在一个实施例中，计算机程序被处理器执行时实现对所述当前面部图像进行微表情分析，得到与所述当前面部图像匹配的预设微表情的步骤时还用于：从所述当前面部图像中提取面部特征点；根据所述面部特征点计算得到面部动作特征；将所述面部动作特征输入微表情分类模型得到各预设微表情的概率值；根据计算出的所述概率值选定与所述当前面部图像匹配的所述预设微表情。

在一个实施例中，计算机程序被处理器执行时实现根据匹配的所述预设微表情设定微表情标签的步骤时还用于：获取所述预设微表情对应的各情绪模式下的情绪分值；根据所述预设微表情的概率值和所述情绪分值计算各所述情绪模式对应的情绪得分；将各所述情绪得分输入标签计算模型得到微表情标签。

在一个实施例中，计算机程序被处理器执行时实现查找与所述商品关键词匹配的匹配商品的步骤时还用于：查找名称与所述商品关键词匹配的待选商品；获取当前用户标识；查找与所述当前用户标识对应的用户信息，并根据所述用户信息计算用户画像标签；获取各所述待选商品对应的历史购买用户数据；根据所述历史购买用户数据以及所述用户画像标签对所述待选商品进行筛选得到匹配商品。

在一个实施例中，计算机程序被处理器执行时实现根据所述匹配度和所述微表情标签对所述匹配商品进行排序得到排序结果的步骤之前还用于：对所述匹配商品的所述微表情标签进行识别；当识别出所述微表情标签包括厌恶标签时，删除对应的所述匹配商品。

在一个实施例中，计算机程序被处理器执行时实现根据所述匹配度和所述微表情标签对查找的所述匹配商品进行排序得到排序结果的步骤时还用于：获取所述微表情标签对应的表情系数；获取当前用户标识；查找与所述当前用户标识对应的用户信息，并根据所述用户信息计算用户画像标签；查找所述用户画像标签对应的推荐权重；根据所述匹配度、所述表情系数及所述推荐权重计算出推荐数值；根据所述推荐数值对查找到的所述匹配商品进行排序得到排序结果。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。