尺码推荐方法、装置、计算机设备和存储介质与流程

1.本技术涉及人工智能技术领域，特别是涉及一种尺码推荐方法、装置、计算机设备和存储介质。


背景技术：

2.随着信息时代的发展，电商网站的用户越来越庞大，网络购物成为人们的日常，然而，与传统实体店购物体验相比，网络购物缺乏试穿试用的直观感受，特别是针对于服装商品的购买，用户根据商家提供的服装照片和文字描述来选购商品，用户往往缺乏准确地选择合适的尺码。
3.现有技术中，通过录入用户的体型特征数据，从预设的尺码列表中获取于体型特征数据对应尺码，并将该尺码作为用户的推荐尺码。然而。目前的尺码推荐方法存在尺码推荐准确率低的问题。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提高尺码推荐准确率的尺码推荐方法、装置、计算机设备和存储介质。
5.第一方面，本技术提供了一种尺码推荐方法，方法包括：
6.获取用户的体型特征数据；
7.将体型特征数据输入尺码分类推荐模型，通过尺码分类推荐模型，获取目标尺码数据；
8.将目标尺码数据作为针对用户的推荐尺码数据。
9.在其中一个实施例中，通过尺码分类推荐模型，获取目标尺码数据，包括：
10.获取多个参考体型特征数据，以及多个参考体型特征数据分别对应的多个尺码数据；
11.获取多个参考体型特征数据，分别与体型特征数据之间的多个相似度；
12.从多个相似度中获取满足预设条件的相似度，并根据满足预设条件的相似度对应的参考体型特征数据的尺码数据，得到目标尺码数据。
13.在其中一个实施例中，满足预设条件的相似度的数量为预设个数；
14.从多个相似度中获取满足预设条件的相似度，包括：
15.从多个相似度中获取预设个数最大的相似度；
16.根据满足预设条件的相似度对应的参考体型特征数据的尺码数据，得到目标尺码数据，包括：
17.从预设个数最大的相似度对应的预设个数的尺码数据中，将数量最多的尺码数据作为目标尺码数据。
18.在其中一个实施例中，体型特征数据包括身高数据、胸围数据和腰围数据；参考体型特征数据包括参考身高数据、参考胸围数据和参考腰围数据；
19.获取多个参考体型特征数据，分别与体型特征数据之间的多个相似度，包括：
20.对于任意一个参考体型特征数据，根据身高数据、胸围数据、腰围数据，与参考身高数据、参考胸围数据、参考腰围数据之间的欧式距离，得到任意一个参考体型特征数据与体型特征数据之间的相似度。
21.在其中一个实施例中，尺码分类推荐模型的生成方式包括：
22.获取样本用户的样本体型特征数据、以及样本体型特征数据对应的样本尺码数据；
23.获取多个参考体型特征数据，分别与样本体型特征数据之间的多个样本相似度；
24.获取多个不相同的预设个数；
25.对于任意一个预设个数，从多个样本相似度中获取预设个数最大的样本相似度；从预设个数最大的样本相似度对应的预设个数的尺码数据中，将数量最多的尺码数据作为预测尺码数据；
26.根据多个预测尺码数据，以及样本尺码数据之间的匹配度，从多个不相同的预设个数中确定目标预设个数；
27.基于目标预设个数，生成尺码分类推荐模型。
28.在其中一个实施例中，将目标尺码数据作为针对用户的推荐尺码数据之后，还包括：
29.将目标尺码数据相邻的尺码数据作为备选推荐尺码。
30.第二方面，本技术还提供了一种尺码推荐装置，装置包括：
31.特征数据获取模块，用于获取用户的体型特征数据；
32.目标尺码获取模块，用于将体型特征数据输入尺码分类推荐模型，通过尺码分类推荐模型，获取目标尺码数据；
33.推荐尺码确定模块，用于将目标尺码数据作为针对用户的推荐尺码数据。
34.第三方面，本技术还提供了一种计算机设备。该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上述的方法的步骤。
35.第四方面，本技术还提供了一种计算机可读存储介质。该计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的方法的步骤。
36.第五方面，本技术还提供了一种计算机程序产品。该计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的方法的步骤。
37.上述尺码推荐方法、装置、计算机设备和存储介质，通过获取用户的体型特征数据；将体型特征数据输入尺码分类推荐模型，通过尺码分类推荐模型，获取目标尺码数据；将目标尺码数据作为针对用户的推荐尺码数据。本技术通过尺码分类推荐模型，能够实时利用参考体型特征数据，对输入的用户的体型特征数据进行尺码推荐，与传统的技术相比，本技术利用参考体型特征数据进行尺码推荐，并且能够基于更新的参考体型特征数据进行尺码推荐的实时调整，能够避免固定的尺码列表中的尺码数据不符合用户的体型特征数据的问题，从而能够提高尺码推荐的准确率。
附图说明
38.图1为一个实施例中尺码推荐方法的应用环境图；
39.图2为一个实施例中尺码推荐方法的流程示意图；
40.图3为另一个实施例中尺码推荐方法的流程示意图；
41.图4为一个实施例中尺码推荐装置的结构框图；
42.图5为一个实施例中计算机设备的内部结构图。
具体实施方式
43.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术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技术，并不用于限定本技术。
44.本技术实施例提供的尺码推荐方法，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。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。数据存储系统可以存储体型特征数据、尺码数据。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、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。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。
45.在一个实施例中，如图2所示，提供了一种尺码推荐方法，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：
46.步骤s202，获取用户的体型特征数据；
47.步骤s204，将体型特征数据输入尺码分类推荐模型，通过尺码分类推荐模型，获取目标尺码数据；
48.步骤s206，将目标尺码数据作为针对用户的推荐尺码数据。
49.其中，体型特征数据指的是用户用于服装购物时的提体型数据，可以包括身高、胸围、腰围等。尺码分类推荐模型指的是用于进行尺码分类推荐的模型，尺码分类推荐模型可以根据输入的体型特征数据，向用户推荐目标尺码数据。目标尺码数据指的是推荐给用户的尺码数据，例如可以是m码、l码、29码、30码等。
50.示例性地，可以获取用户实时上传的体型特征数据，或者获取该用户预先存储的体型特征数据。将该体型特征数据输入尺码分类推荐模型，尺码分类推荐模型可以根据分类算法，获取与该体型特征数据对应的尺码数据，并将对应的尺码数据作为目标尺码数据，可以将目标尺码数据推荐给用户。例如，尺码分类推荐模型可以根据knn(k-nearest neighbor)分类算法，获取与该体型特征数据对应的尺码数据。
51.本实施例中，通过获取用户的体型特征数据；将体型特征数据输入尺码分类推荐模型，通过尺码分类推荐模型，获取目标尺码数据；将目标尺码数据作为针对用户的推荐尺码数据。本技术通过尺码分类推荐模型，能够实时利用参考体型特征数据，对输入的用户的体型特征数据进行尺码推荐，与传统的技术相比，本技术利用参考体型特征数据进行尺码推荐，并且能够基于更新的参考体型特征数据进行尺码推荐的实时调整，能够避免固定的尺码列表中的尺码数据不符合用户的体型特征数据的问题，从而能够提高尺码推荐的准确率。例如通过knn分类算法，将该体型特征数据分到对应的尺码数据中，能够提高尺码推荐的准确率。
52.在一个实施例中，如图3所示，通过尺码分类推荐模型，获取目标尺码数据，包括：
53.步骤s302，获取多个参考体型特征数据，以及多个参考体型特征数据分别对应的多个尺码数据；
54.步骤s304，获取多个参考体型特征数据，分别与体型特征数据之间的多个相似度；
55.步骤s306，从多个相似度中获取满足预设条件的相似度，并根据满足预设条件的相似度对应的参考体型特征数据的尺码数据，得到目标尺码数据。
56.其中，参考体型特征数据指的是具有对应尺码数据的体型特征数据，例如一个体型特征数据对应的尺码数据为m码，该体型特征数据可以作为参考体型特征数据，可以应用于尺码分类推荐模型中。相似度可以是参考体型特征数据与体型特征数据之间的距离，例如可以是欧式距离。预设条件可以是相似度最大的条件，例如可以是获取n个最大的相似度，则对应的n个相似度满足预设条件。
57.示例性地，可以从预先存储的体型特征数据库中获取多个参考体型特征数据，以及各个参考体型特征数据对应的尺码数据。对于任意一个参考体型特征数据，获取该参考体型特征数据与用户的体型特征数据之间的相似度。从得到的多个相似度中获取满足预设条件的相似度，根据满足预设条件的相似度对应的参考体型特征数据的尺码数据，得到目标尺码数据。例如，可以从多个相似度中获取n个最大的相似度，并根据n个最大的相似度对应的参考体型特征数据的尺码数据，将数量最多的尺码数据作为目标尺码数据。例如，获取3个最大的相似度，3个最大的相似度对应的参考体型特征数据的尺码数据分别为m码、m码和l码，可以确定m码的数量最多，则将m码作为目标尺码数据。
58.本实施例中，根据多个参考体型特征数据，分别与体型特征数据之间的多个相似度；从多个相似度中获取满足预设条件的相似度，并根据满足预设条件的相似度对应的参考体型特征数据的尺码数据，得到目标尺码数据。利用多个参考体型特征数据与用户的体型特征数据之间的多个相似度，能够准确地将用户的体型特征数据进行分类，即将用户的体型特征数据归类到所属的尺码数据，从而可以提高尺码推荐的准确率。
59.在一个实施例中，满足预设条件的相似度的数量为预设个数；
60.从多个相似度中获取满足预设条件的相似度，包括：
61.从多个相似度中获取预设个数最大的相似度；
62.根据满足预设条件的相似度对应的参考体型特征数据的尺码数据，得到目标尺码数据，包括：
63.从预设个数最大的相似度对应的预设个数的尺码数据中，将数量最多的尺码数据作为目标尺码数据。
64.其中，预设个数指的是数量。
65.示例性地，从多个相似度中获取预设个数最大的相似度；例如可以是从多个相似度中获取5个最大的相似度。从预设个数最大的相似度对应的预设个数的尺码数据中，将数量最多的尺码数据作为目标尺码数据；例如可以是从5个最大的相似度对应的5个尺码数据中，将数量最多的尺码数据作为目标尺码数据，例如数量最多的尺码数据为3个m码，则将m码目标尺码数据。
66.本实施例中，根据预设个数最大的相似度，并且从预设个数最大的相似度对应的预设个数尺码数据中，获取数量最多的尺码数据，能够准确地将用户的体型特征数据进行
归类到所属的尺码。
67.在一个实施例中，体型特征数据包括身高数据、胸围数据和腰围数据；参考体型特征数据包括参考身高数据、参考胸围数据和参考腰围数据；
68.获取多个参考体型特征数据，分别与体型特征数据之间的多个相似度，包括：
69.对于任意一个参考体型特征数据，根据身高数据、胸围数据、腰围数据，与参考身高数据、参考胸围数据、参考腰围数据之间的欧式距离，得到任意一个参考体型特征数据与体型特征数据之间的相似度。
70.示例性地，设a1、a2、a3分别为身高数据、胸围数据、腰围数据，b1、b2、b3分别为参考身高数据、参考胸围数据、参考腰围数据。欧式距离如下表达式：
[0071][0072]
其中，d欧式距离，可以用来表征相似度。
[0073]
本实施例中，通过计算用户的体型特征数据与参考体型特征数据之间的欧式距离，可以准确地将用户的体型特征数据进行尺码归类。
[0074]
在一个实施例中，尺码分类推荐模型的生成方式包括：
[0075]
获取样本用户的样本体型特征数据、以及样本体型特征数据对应的样本尺码数据；
[0076]
获取多个参考体型特征数据，分别与样本体型特征数据之间的多个样本相似度；
[0077]
获取多个不相同的预设个数；
[0078]
对于任意一个预设个数，从多个样本相似度中获取预设个数最大的样本相似度；从预设个数最大的样本相似度对应的预设个数的尺码数据中，将数量最多的尺码数据作为预测尺码数据；
[0079]
根据多个预测尺码数据，以及样本尺码数据之间的匹配度，从多个不相同的预设个数中确定目标预设个数；
[0080]
基于目标预设个数，生成尺码分类推荐模型。
[0081]
其中，样本用户指的是作为样本参考的用户，样本体型特征数据指的是具有对应尺码数据的体型特征数据。样本尺码数据指的是样本体型特征数据对应的尺码数据。多个不相同的预设个数指的是预设个数可以是3个、4个、5个、n个。
[0082]
示例性地，对于任意一个参考体型特征数据，获取该参考体型特征数据与样本体型特征数据之间的样本相似度；
[0083]
对于任意一个预设个数，例如预设个数为3的情况下，从多个样本相似度中获取3个最大的样本相似度；并从3个最大的样本相似度对应的3个尺码数据中，将数量最多的尺码数据作为预测尺码数据；
[0084]
例如预设个数为5的情况下，从多个样本相似度中获取5个最大的样本相似度；并从5个最大的样本相似度对应的5个尺码数据中，将数量最多的尺码数据作为预测尺码数据；
[0085]
例如预设个数为n的情况下，从多个样本相似度中获取n个最大的样本相似度；并从n个最大的样本相似度对应的n个尺码数据中，将数量最多的尺码数据作为预测尺码数据；
[0086]
获取多个预测尺码数据与样本体型特征数据对应的样本尺码数据的匹配度，将匹配度最高的预测尺码数据对应的预设个数作为目标预设个数，根据目标预设个数生成尺码分类推荐模型。
[0087]
示例性地，匹配度可以根据以下表达式进行计算：
[0088][0089]
其中sk为正确匹配数量，tk为总测试数据量,pk为正确率。
[0090]
本实施例中，根据样本体型特征数据、以及样本体型特征数据对应的样本尺码数据，来确定目标预设个数，能够利用目标预设个数，建立尺码分类推荐模型，从而能够提高尺码推荐的准确性。
[0091]
在一个实施例中，将目标尺码数据作为针对用户的推荐尺码数据之后，还包括：
[0092]
将目标尺码数据相邻的尺码数据作为备选推荐尺码。
[0093]
示例性地，目标尺码数据为m码，可以将l码和/或s码作为备选尺码。
[0094]
应该理解的是，虽然如上所述的各实施例所涉及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，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0095]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的尺码推荐方法的尺码推荐装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个尺码推荐装置实施例中的具体限定可以参见上文中对于尺码推荐方法的限定，在此不再赘述。
[0096]
在一个实施例中，如图4所示，提供了一种尺码推荐装置，包括：特征数据获取模块410、目标尺码获取模块420和推荐尺码确定模块430，其中：
[0097]
特征数据获取模块410，用于获取用户的体型特征数据。
[0098]
目标尺码获取模块420，用于将体型特征数据输入尺码分类推荐模型，通过尺码分类推荐模型，获取目标尺码数据。
[0099]
推荐尺码确定模块430，用于将目标尺码数据作为针对用户的推荐尺码数据。
[0100]
在一个实施例中，目标尺码获取模块用于获取多个参考体型特征数据，以及多个参考体型特征数据分别对应的多个尺码数据；获取多个参考体型特征数据，分别与体型特征数据之间的多个相似度；从多个相似度中获取满足预设条件的相似度，并根据满足预设条件的相似度对应的参考体型特征数据的尺码数据，得到目标尺码数据。
[0101]
在一个实施例中，满足预设条件的相似度的数量为预设个数；目标尺码获取模块用于从多个相似度中获取预设个数最大的相似度；从预设个数最大的相似度对应的预设个数的尺码数据中，将数量最多的尺码数据作为目标尺码数据。
[0102]
在一个实施例中，体型特征数据包括身高数据、胸围数据和腰围数据；参考体型特征数据包括参考身高数据、参考胸围数据和参考腰围数据；目标尺码获取模块用于对于任
意一个参考体型特征数据，根据身高数据、胸围数据、腰围数据，与参考身高数据、参考胸围数据、参考腰围数据之间的欧式距离，得到任意一个参考体型特征数据与体型特征数据之间的相似度。
[0103]
在一个实施例中，该装置还包括推荐模型生成模块。推荐模型生成模块用于获取样本用户的样本体型特征数据、以及样本体型特征数据对应的样本尺码数据；获取多个参考体型特征数据，分别与样本体型特征数据之间的多个样本相似度；获取多个不相同的预设个数；对于任意一个预设个数，从多个样本相似度中获取预设个数最大的样本相似度；从预设个数最大的样本相似度对应的预设个数的尺码数据中，将数量最多的尺码数据作为预测尺码数据；根据多个预测尺码数据，以及样本尺码数据之间的匹配度，从多个不相同的预设个数中确定目标预设个数；基于目标预设个数，生成尺码分类推荐模型。
[0104]
在一个实施例中，该装置还包括备选推荐尺码模块。备选推荐尺码模块用于将目标尺码数据相邻的尺码数据作为备选推荐尺码。
[0105]
上述尺码推荐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。
[0106]
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5所示。该计算机设备包括处理器、存储器、输入/输出接口(input/output，简称i/o)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。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和内存储器。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尺码数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信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尺码推荐方法。
[0107]
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
[0108]
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，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0109]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0110]
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，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，
ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0111]
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。
[0112]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。