[go: up one dir, main page]

CN111639207A - 线下目标物推荐方法、装置、电子设备及存储介质 - Google Patents

线下目标物推荐方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111639207A
CN111639207A CN202010473511.0A CN202010473511A CN111639207A CN 111639207 A CN111639207 A CN 111639207A CN 202010473511 A CN202010473511 A CN 202010473511A CN 111639207 A CN111639207 A CN 111639207A
Authority
CN
China
Prior art keywords
sample
information
offline
sample image
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010473511.0A
Other languages
English (en)
Inventor
陈静静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
OneConnect Financial Technology Co Ltd Shanghai
Original Assignee
OneConnect Financial Technology Co Ltd Shanghai
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by OneConnect Financial Technology Co Ltd Shanghai filed Critical OneConnect Financial Technology Co Ltd Shanghai
Priority to CN202010473511.0A priority Critical patent/CN111639207A/zh
Publication of CN111639207A publication Critical patent/CN111639207A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5862—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using texture
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Library & Information Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及大数据技术，揭露了一种线下目标物推荐方法，包括：获取样本图像集、样本信息集与线下目标集并建立索引关系；计算所述样本图像集中每个样本图像的图片特征并进行特征分类，得到所述样本图像集中每个样本图像的类别信息；接收客户的客户图像，提取衣物特征得到衣物特征集；搜索所述样本图像集中与所述衣物特征集对应的一个或多个样本图像，得到一个或者多个样本图像的类别信息；搜索样本图像及在所述样本信息集中搜索样本信息；并搜索所述线下目标集中的一个或者多个线下目标物，向客户做推荐。本发明还提出一种线下目标物推荐方法、装置以及一种计算机可读存储介质。其中，样本图像集、样本信息集与线下目标集可以存储在区块链中。

Description

线下目标物推荐方法、装置、电子设备及存储介质
技术领域
本发明涉及大数据技术领域，尤其涉及一种线下目标物推荐方法、装置、电子设备及可读存储介质。
背景技术
个性化目标物推荐系统是大数据技术发展的产物，是建立在海量数据挖掘基础上的一种高级商务智能平台，向顾客提供个性化的信息服务、决策、商品等的决策支持。
目前对于线上目标物的智能推荐已经做得很完善，比如线上商城会根据用户的搜索记录、浏览记录、购买记录甚至用户的操作喜好等智能推荐相应的感兴趣的商品，增加商品的展示度，提高客户的购买欲。
而对于线下目标物，如线下商场中的产品，由于客户穷富水平不一，需求更不一致，且由于商场的多元化，客户在进入一家线下商场时，多半会因为不知如何选择而错过一家特别合适的店铺，而店铺也会因为不了解客户的需求而错过很多潜在的客户，目前缺少对线下目标物的推荐方法。
发明内容
本发明提供一种线下目标物推荐方法、装置、电子设备及计算机可读存储介质，其主要目的在于提供线下目标物的推荐方案。
为实现上述目的，本发明提供的一种线下目标物推荐方法，包括：
获取样本图像集、样本信息集与线下目标集，并建立所述样本图像集、样本信息集与线下目标集的索引关系；
计算所述样本图像集中每个样本图像的图片特征；
根据所述图片特征对所述样本图像集进行特征分类，得到所述样本图像集中每个样本图像的类别信息；
接收客户的客户图像，提取所述客户图像的衣物特征，得到衣物特征集；
根据所述衣物特征集搜索所述样本图像集中与所述衣物特征集对应的一个或多个样本图像，得到与所述衣物特征集对应的一个或者多个样本图像的类别信息；
通过与所述衣物特征集对应的一个或者多个样本图像的类别信息，基于堆排序算法以及所述索引关系，在所述样本图像集中搜索样本图像及在所述样本信息集中搜索样本信息；
根据所述样本图像和所述样本信息，通过所述索引关系搜索所述线下目标集中的一个或者多个线下目标物，向客户推荐搜索到的所述线下目标物。
可选地，所述样本图像集、样本信息集与线下目标集存储于区块链中。
可选地，所述建立所述样本图像集、样本信息集与线下目标集的索引关系，包括：
根据所述样本图像集、样本信息集与线下目标集中包含的商品名称，建立所述样本图像集中的样本图像、所述样本信息集中的样本信息以及线下所述线下目标集中的商品店铺之间的索引关系。
可选地，所述计算所述样本图像集中每个样本图像的图片特征，包括：
将所述样本图像缩小至n*n的尺寸，得到n2个像素点的缩略图；
将所述缩略图通过图片均值哈希算法进行转换生成n2级灰度，并计算n2个像素点的灰度平均值；
将每个像素点的灰度与所述灰度平均值进行比较；
将大于或等于所述灰度平均值的灰度记为第一标记，将小于所述灰度平均值的灰度记为第二标记；
将所述第一标记的灰度和第二标记的灰度通过图片均值哈希算法进行组合，并生成所述灰度对应的哈希值，利用所述哈希值构成图片特征。
可选地，所述根据所述衣物特征集搜索所述样本图像集中与所述衣物特征集对应的一个或多个样本图像，得到与所述衣物特征集对应的一个或者多个样本图像的类别信息，包括：
将所述衣物特征集中的特征标记，与所述样本图像集的图片特征进行比较，通过相似度算法，得到一个或者多个样本图像，得到与所述衣物特征集对应的一个或者多个样本图像的类别信息，其中，所述特征标记包括色彩、条纹、形状及品牌商标。
可选地，该方法还包括：
获取客户的移动设备中保存的用户账号信息；
访问所述用户账号信息中历史行为记录里的样本信息，根据所述样本信息通过所述索引关系，搜索所述线下目标集中的一个或者多个线下目标物，向客户推荐搜索到的所述线下目标物。
可选地，所述获取客户的移动设备中保存的用户账号信息，包括：
通过局域网获取所述客户的移动设备的MAC地址；
通过所述MAC地址在所述移动设备中搜索所述用户账号信息的存储地址；
通过所述存储地址搜索所述用户账号信息。
可选地，所述访问所述用户账号信息中历史行为记录里的样本信息，包括：
根据所述用户账号信息中的历史缓存记录获取历史行为记录里的样本信息。
为了解决上述问题，本发明还提供一种线下目标物推荐系统装置，所述装置包括：
索引建立模块，用于获取样本图像集、样本信息集与线下目标集，并建立所述样本图像集、样本信息集与线下目标集的索引关系；
特征提取模块，用于计算所述样本图像集中每个样本图像的图片特征，根据所述图片特征对所述样本图像集进行特征分类，得到所述样本图像集中每个样本图像的类别信息，接收客户的客户图像，提取所述客户图像的衣物特征，得到衣物特征集；
特征计算模块，根据所述衣物特征集搜索所述样本图像集中与所述衣物特征集对应的一个或多个样本图像，得到与所述衣物特征集对应的一个或者多个样本图像的类别信息，通过与所述衣物特征集对应的一个或者多个样本图像的类别信息，基于堆排序算法以及所述索引关系，在所述样本图像集中搜索样本图像及在所述样本信息集中搜索样本信息；
所述特征提取模块，还用于根据所述衣物特征集搜索所述图像集中与所述衣物特征集对应的一个或多个样本图像，并得到与所述衣物特征集对应的一个或者多个样本图像的类别信息，通过与所述衣物特征集对应的一个或者多个样本图像的类别信息；
所述索引建立模块，还用于基于堆排序算法以及所述索引关系，在所述样本图像集中搜索样本图像及在所述样本信息集中搜索样本信息；
推荐模块，用于根据所述样本图像和所述样本信息，通过所述索引关系搜索所述线下目标集中的一个或者多个线下目标物，向客户推荐搜索到的所述线下目标物。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述中任意一项所述的线下目标物推荐方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述中任意一项所述的线下目标物推荐方法。
本发明实施例根据样本图像集和样本信息集的对应关系与线下目标集构建索引关系，并计算样本图像集中每个样本图像的图片特征，根据所述图片特征对所述样本图像集进行特征分类，用来将所述样本图像集进行分类，进一步地，本发明通过客户的衣物特征集从所述样本图像集搜索出所述衣物特征集对应的类别信息，从而对用户的喜好进行了定位，进一步地，将衣物特征集通过堆排序算法在对应的样本图像集和样本信息集中搜索对应的样本图像和样本信息，根据所述样本图像和所述样本信息对客户推荐相应的线下店铺地址和商品，达到对线下商品的推荐及导购目的。因此本发明提出的线下目标物推荐方法、装置、电子设备及计算机可读存储介质，有效解决了线下商品的推荐及导购。
附图说明
图1为本发明一实施例提供的线下目标物推荐方法的流程示意图；
图2为本发明一实施例提供的线下目标物推荐装置的模块示意图；
图3为本发明一实施例提供的实现线下目标物推荐方法的电子设备的内部结构示意图；
本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种线下目标物推荐方法。本发明可以通过获取客户的衣物特征和/或用户的线上历史行为记录，通过与线下商场中店铺的商品和价格进行比对，向客户推荐身份相适应的店铺，提高推荐商品信息的准确率和推荐的及时性。如在某线下商场内，出售有各类商品，对于女性而言，她们大多数爱逛美妆店、服装店、首饰店等等，每个店铺的定位各不同，有些店铺定位平民，价格适中，不限年龄段；有些店铺定位高端，价格普遍较贵，定位收入高的、时尚的女性群体。因此，本发明实施例可以根据进入该线下商场内的客户的衣着特征/或用户的线上历史行为记录，为该客户推荐适合的线下商场内的店铺。本发明可应用于智慧城市领域中，从而推动智慧城市的建设。
参照图1所示，为本发明一实施例提供的线下目标物推荐方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，线下目标物推荐方法包括：
S1、获取样本图像集、样本信息集与线下目标集，并建立所述样本图像集、样本信息集与线下目标集的索引关系。
详细地，本发明实施例中的样本图像集可以为商品图像集，样本信息集可以为商品价格集，以及线下目标集可以为线下店铺集。本发明实施例采集线下店铺和线上店铺中的商品图片及商品价格，组成商品图像集和商品价格集。其中，所述商品图像集包括线上商品图像集和线下商品图像集，所述商品价格集包括线上商品价格集和线下商品价格集，所述线下店铺集包括线下商品图像集、线下商品价格集和线下目标物集，所述商品图像集、商品价格集和线下店铺集中包含商品名称集。
可选地，样本图像集、样本信息集与线下目标集存储于区块链中。为保证样本图像集、样本信息集与线下目标集的私密和安全性，上述样本图像集、样本信息集与线下目标集可存储在区块链网络上创建的一个区块内，通过区块链实现信息在不同平台之间的共享。区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。
本发明实施例根据所述商品图像集、商品价格集与线下店铺集中包含的商品名称，建立所述商品图像集中的商品图像、所述商品价格集中的商品价格以及线下所述线下店铺集中的商品店铺之间的索引关系。例如，本发明实施例根据“牛仔裤”这个商品名称，将所述商品图像集中的牛仔裤图像、所述商品价格集中的牛仔裤价格以及所述线下店铺集中卖牛仔裤的店铺之间建立起索引关系。当建立了所述商品价格集中的商品价格以及线下店铺集的商品店铺之间的索引关系之后，根据一张牛仔裤的图像就可以找到该牛仔裤的线上商品价格及线下商品价格，根据该牛仔裤的图像以及线上商品价格和线下商品价格能在所述线下店铺集中找到包含对应产品及价格的商品的一个或者多个线下店铺的店名及地址。
S2、计算所述样本图像集中每个样本图像的图片特征。
本发明实施例通过图片均值哈希算法计算所述样本图像集中每个样本图像的图片特征。
详细地，所述S2包括：
将所述样本图像缩小至n*n的尺寸，得到n2个像素点的缩略图，将所述缩略图通过图片均值哈希算法进行转换生成n2级灰度，并计算n2个像素点的灰度平均值，将每个像素点的灰度与所述灰度平均值进行比较，将大于或等于所述灰度平均值的灰度记为第一标记，将小于所述灰度平均值的灰度记为第二标记，将所述第一标记的灰度和第二标记的灰度通过图片均值哈希算法进行组合，并生成所述灰度对应的哈希值，利用所述哈希值构成图片特征。
本发明实施例中，所述图片特征可以代表颜色、形状及品牌商标等。
S3、根据所述图片特征对所述样本图像集进行特征分类，得到所述样本图像集中每个样本图像的类别信息。
详细地，本发明实施例将所述样本图像集中每个样本图像根据所述图片特征进行颜色、形状及品牌商标等特征标签的归类，得到所述样本图像集中每个样本图像的类别信息，所述类别信息包含颜色项、形状项及品牌商标项等。
S4、接收客户的客户图像，提取所述客户图像的衣物特征，得到衣物特征集。
本发明实施例的其中一个应用场景中，可以利用线下商场内的摄像装置拍摄进入一个该商场的每个客户的客户图像。
本发明较佳实施例采用与步骤S2中计算所述样本图像集中每个样本图像的图片特征相同的算法提取所述客户图像的衣物特征。较佳地，本发明实施例根据所述图片均值哈希算法提取所述客户图像的衣物特征，得到衣物特征集。
例如，当王女士进入商场后，本发明实施例通过商场内的摄像装置对王女士进行图像采集，得到王女士的客户图像，并通过图片均值哈希算法提取所述客户图像中的衣物特征，比如所述客户图像里有服装品牌的商标，通过图片均值哈希算法对所述商标图像上的特征信息进行转换计算，通过灰度比较生成的所述第一标记或第二标记组合构成哈希值，所述哈希值包含有所述商标图像的特征信息，将所述哈希值构成衣物特征集。
S5、根据所述衣物特征集搜索所述样本图像集中与所述衣物特征集对应的一个或多个样本图像，得到与所述衣物特征集对应的一个或者多个样本图像的类别信息。
详细地，本发明实施例将所述衣物特征集中的特征标记与所述样本图像集的图片特征进行比较，通过相似度算法，得到一个或者多个样本图像，得到所述衣物特征集对应的一个或者多个样本图像的类别信息，其中，所述特征标记包括色彩、条纹、形状及品牌商标。
其中，所述相似度算法用来比较两个事物的相似性，一般通过计算事物的特征之间的距离，若特征之间的距离小，则相似度大；若特征之间的距离大，则相似度小。本发明实施例中，特征之间的距离计算公式为：
Figure BDA0002514163210000071
其中，x1表示衣物特征集中的特征标记横坐标，y1表示衣物特征集中的特征标记纵坐标，x2表示样本图像集的图片特征横坐标，y2表示样本图像集的图片特征横坐标。
S6、通过与所述衣物特征集对应的一个或者多个样本图像的类别信息，基于堆排序算法以及所述索引关系，在所述样本图像集中搜索样本图像及在所述样本信息集中搜索样本信息。
所述堆排序算法类似于一棵树，是从树顶通过各个树干找到对应的树枝，并在对应的树枝上找到最终的树叶。本发明实施例中，所述树干为商品图像集和商品价格集，要找到所述商品图像集和商品价格集这两棵树枝上对应的树叶，即商品图片和商品价格。
S7、根据所述样本图像和所述样本信息，通过所述索引关系搜索所述线下目标集中的一个或者多个线下目标物，并向用户推荐所述线下目标物。例如，所述目标物可以线下目标物等。
本发明实施例在S6中找到对应的商品图片和商品价格，根据所述索引关系搜索所述线下店铺集中的一个或者多个线下目标物，向客户推荐搜索到的所述线下目标物。
如上所述，是通过对客户的衣物特征向客户推荐线下店铺和线下样本信息，因为客户是随机的，当客户的衣物特征集不能与所述商品图像集建立索引关系时，可以通过本发明第二实施例，获取用户的线上购物账号中的信息，如历史行为记录，根据所述线上购物账号中的信息，向客户推荐搜索到的线下目标物，方法如下：
获取客户的移动设备中保存的用户账号信息；
访问所述用户账号信息中历史行为记录里存在的样本信息，根据所述样本信息及所述索引关系搜索所述线下目标集中的一个或者多个线下目标物，并向客户推荐搜索到的所述线下目标物。
本发明其中一个应用场景中，所述用户账号信息可以是购物账号信息，所述历史行为记录可以是历史购物记录，所述样本信息可以是商品价格，以及所述目标物可以是线下目标物等。
较佳地，所述获取客户的移动设备中保存的用户账号信息，包括：
通过局域网获取所述客户的移动设备的MAC地址；
通过所述MAC地址在所述移动设备中搜索所述用户账号信息的存储地址；
通过所述存储地址搜索所述用户账号信息。
较佳地，所述访问所述用户账号信息中历史行为记录里存在的样本信息，包括：
根据所述用户账号信息中的历史缓存记录获取历史行为记录里的样本信息。
例如，当王女士进入商场后，王女士的手机连接到商场中的局域网时，手机上会弹出能否获取王女士的手机设备信息的权限，若王女士不同意授权，则系统停止采集线上信息；若王女士同意授权，则系统通过王女士的手机MAC地址并关联查找到对应网上商城账号信息，根据王女士曾经的购物记录和浏览过的商品记录，并获取记录中商品相对应的价格，通过价格来对王女士进行推荐线下商场中相似价格水平的店铺和商品。
如图2所示，是本发明线下目标物推荐系统装置的功能模块图。
本发明所述线下目标物推荐系统装置100可以安装于电子设备中。根据实现的功能，所述线下目标物推荐系统装置可以包括索引建立模块101、特征提取模块102、特征计算模块103和推荐模块104。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述索引建立模块101，用于获取样本图像集、样本信息集与线下目标集，并建立所述样本图像集、样本信息集与线下目标集的索引关系；
所述特征提取模块102，用于计算所述样本图像集中每个样本图像的图片特征，根据所述图片特征对所述样本图像集进行特征聚类，得到所述样本图像集中每个样本图像的类别信息，接收客户的客户图像，提取所述客户图像的衣物特征，得到衣物特征集；
所述特征计算模块103，用于根据所述衣物特征集搜索所述样本图像集中与所述衣物特征集对应的一个或多个样本图像，得到与所述衣物特征集对应的一个或者多个样本图像的类别信息，通过与所述衣物特征集对应的一个或者多个样本图像的类别信息，基于堆排序算法以及所述索引关系，在所述样本图像集中搜索样本图像及在所述样本信息集中搜索样本信息；
所述特征提取模块102，还用于根据所述衣物特征集搜索所述图像集中与所述衣物特征集对应的一个或多个样本图像，并得到与所述衣物特征集对应的一个或者多个样本图像的类别信息，通过与所述衣物特征集对应的一个或者多个样本图像的类别信息；
所述索引建立模块101，还用于基于堆排序算法以及所述索引关系，在所述样本图像集中搜索样本图像及在所述样本信息集中搜索样本信息；
所述推荐模块104，用于根据所述样本图像和所述样本信息，通过所述索引关系搜索所述线下目标集中的一个或者多个线下目标物并向客户推荐搜索到的所述线下目标物。
详细地，所述线下目标物推荐系统装置各模块的具体实施步骤如下：
所述索引建立模块101获取样本图像集、样本信息集与线下目标集，并建立所述样本图像集、样本信息集与线下目标集的索引关系。
详细地，本发明实施例中的样本图像集可以为商品图像集，样本信息集可以为商品价格集，以及线下目标集可以为线下店铺集。本发明实施例采集线下店铺和线上店铺中的商品图片及商品价格，组成商品图像集和商品价格集。其中，所述商品图像集包括线上商品图像集和线下商品图像集，所述商品价格集包括线上商品价格集和线下商品价格集，所述线下店铺集包括线下商品图像集、线下商品价格集和线下目标物集，所述商品图像集、商品价格集和线下店铺集中包含商品名称集。
本发明实施例根据所述商品图像集、商品价格集与线下店铺集中包含的商品名称，建立所述商品图像集中的商品图像、所述商品价格集中的商品价格以及线下所述线下店铺集中的商品店铺之间的索引关系。例如，本发明实施例根据“牛仔裤”这个商品名称，将所述商品图像集中的牛仔裤图像、所述商品价格集中的牛仔裤价格以及所述线下店铺集中卖牛仔裤的店铺之间建立起索引关系。当建立了所述商品价格集中的商品价格以及线下店铺集的商品店铺之间的索引关系之后，根据一张牛仔裤的图像就可以找到该牛仔裤的线上商品价格及线下商品价格，根据该牛仔裤的图像以及线上商品价格和线下商品价格能在所述线下店铺集中找到包含对应产品及价格的商品的一个或者多个线下店铺的店名及地址。
所述特征提取模块102计算所述样本图像集中每个样本图像的图片特征，根据所述图片特征对所述样本图像集进行特征聚类，得到所述样本图像集中每个样本图像的类别信息，接收客户的客户图像，提取所述客户图像的衣物特征，得到衣物特征集。
本发明实施例通过图片均值哈希算法计算所述样本图像集中每个样本图像的图片特征。
详细地，将所述样本图像缩小至n*n的尺寸，得到n2个像素点的缩略图，将所述缩略图通过图片均值哈希算法进行转换生成n2级灰度，并计算n2个像素点的灰度平均值，将每个像素点的灰度与所述灰度平均值进行比较，将大于或等于所述灰度平均值的灰度记为第一标记，将小于所述灰度平均值的灰度记为第二标记，将所述第一标记的灰度和第二标记的灰度通过图片均值哈希算法进行组合，并生成所述灰度对应的哈希值，利用所述哈希值构成图片特征。
本发明实施例中，所述图片特征可以代表颜色、形状及品牌商标等。
详细地，本发明实施例将所述样本图像集中每个样本图像根据所述图片特征进行颜色、形状及品牌商标等特征标签的归类，得到所述样本图像集中每个样本图像的类别信息，所述类别信息包含颜色项、形状项及品牌商标项等。
本发明实施例的其中一个应用场景中，可以利用线下商场内的摄像装置拍摄进入一个该商场的每个客户的客户图像。
本发明较佳实施例采用与计算所述样本图像集中每个样本图像的图片特征相同的算法提取所述客户图像的衣物特征。较佳地，本发明实施例根据所述图片均值哈希算法提取所述客户图像的衣物特征，得到衣物特征集。
例如，当王女士进入商场后，本发明实施例通过商场内的摄像装置对王女士进行图像采集，得到王女士的客户图像，并通过图片均值哈希算法提取所述客户图像中的衣物特征，比如所述客户图像里有服装品牌的商标，通过图片均值哈希算法对所述商标图像上的特征信息进行转换计算，通过灰度比较生成的所述第一标记或第二标记组合构成哈希值，所述哈希值包含有所述商标图像的特征信息，将所述哈希值构成衣物特征集。
所述特征计算模块103据所述衣物特征集搜索所述样本图像集中与所述衣物特征集对应的一个或多个样本图像，得到与所述衣物特征集对应的一个或者多个样本图像的类别信息，通过与所述衣物特征集对应的一个或者多个样本图像的类别信息，基于堆排序算法以及所述索引关系，在所述样本图像集中搜索样本图像及在所述样本信息集中搜索样本信息。
详细地，本发明实施例将所述衣物特征集中的特征标记与所述样本图像集的图片特征进行比较，通过相似度算法，得到一个或者多个样本图像，得到所述衣物特征集对应的一个或者多个样本图像的类别信息，其中，所述特征标记包括色彩、条纹、形状及品牌商标。
其中，所述相似度算法用来比较两个事物的相似性，一般通过计算事物的特征之间的距离，若特征之间的距离小，则相似度大；若特征之间的距离大，则相似度小。本发明实施例中，特征之间的距离计算公式为：
Figure BDA0002514163210000121
其中，x1表示衣物特征集中的特征标记横坐标，y1表示衣物特征集中的特征标记纵坐标，x2表示样本图像集的图片特征横坐标，y2表示样本图像集的图片特征横坐标。
所述堆排序算法类似于一棵树，是从树顶通过各个树干找到对应的树枝，并在对应的树枝上找到最终的树叶。本发明实施例中，所述树干为商品图像集和商品价格集，要找到所述商品图像集和商品价格集这两棵树枝上对应的树叶，即商品图片和商品价格。
所述推荐模块104根据所述样本图像和所述样本信息，通过所述索引关系搜索所述线下目标集中的一个或者多个线下目标物，如线下目标物，向客户推荐搜索到的所述线下目标物。
本发明实施例在所述商品图像集中搜索商品图像及在所述商品价格集中搜索商品价格，根据所述索引关系搜索所述线下店铺集中的一个或者多个线下目标物，向客户推荐搜索到的所述线下目标物。
如上所述，是通过对客户的衣物特征向客户推荐线下店铺和线下样本信息，因为客户是随机的，当客户的衣物特征集不能与所述商品图像建立索引关系时，可以通过本发明第二实施例，获取用户的线上购物账号中的信息，如历史行为记录，根据所述线上购物账号中的信息，向客户推荐搜索到的线下目标物，方法如下：
获取客户的移动设备中保存的用户账号信息；
访问所述用户账号信息中历史行为记录里存在的样本信息，根据所述样本信息及所述索引关系搜索所述线下目标集中的一个或者多个线下目标物，并向客户推荐搜索到的所述线下目标物。
本发明其中一个应用场景中，所述用户账号信息可以是购物账号信息，所述历史行为记录可以是历史购物记录，所述样本信息可以是商品价格，以及所述目标物可以是线下目标物等。
较佳地，所述获取客户的移动设备中保存的用户账号信息，包括：
通过局域网获取所述客户的移动设备的MAC地址；
通过所述MAC地址在所述移动设备中搜索所述用户账号信息的存储地址；
通过所述存储地址搜索所述用户账号信息。
较佳地，所述访问所述用户账号信息中历史行为记录里存在的样本信息，包括：
根据所述用户账号信息中的历史缓存记录获取历史行为记录里的样本信息。
例如，当王女士进入商场后，王女士的手机连接到商场中的局域网时，手机上会弹出能否获取王女士的手机设备信息的权限，若王女士不同意授权，则系统停止采集线上信息；若王女士同意授权，则系统通过王女士的手机MAC地址并关联查找到对应网上商城账号信息，根据王女士曾经的购物记录和浏览过的商品记录，并获取记录中商品相对应的价格，通过价格来对王女士进行推荐线下商场中相似价格水平的店铺和商品。
如图3所示，是本发明实现线下目标物推荐方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如线下目标物推荐系统程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如线下目标物推荐系统的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行线下目标物推荐系统等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的线下目标物推荐系统12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取样本图像集、样本信息集与线下目标集，并建立所述样本图像集、样本信息集与线下目标集的索引关系；
计算所述样本图像集中每个样本图像的图片特征；
根据所述图片特征对所述样本图像集进行特征聚类，得到所述样本图像集中每个样本图像的类别信息；
接收客户的客户图像，提取所述客户图像的衣物特征，得到衣物特征集；
根据所述衣物特征集搜索所述样本图像集中与所述衣物特征集对应的一个或多个样本图像，得到与所述衣物特征集对应的一个或者多个样本图像的类别信息；
通过与所述衣物特征集对应的一个或者多个样本图像的类别信息，基于堆排序算法以及所述索引关系，在所述样本图像集中搜索样本图像及在所述样本信息集中搜索样本信息；
根据所述样本图像和所述样本信息，通过所述索引关系搜索所述线下目标集中的一个或者多个线下目标物，向客户推荐搜索到的所述线下目标物。
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种线下目标物推荐方法，其特征在于，所述方法包括：
获取样本图像集、样本信息集与线下目标集，并建立所述样本图像集、样本信息集与线下目标集的索引关系；
计算所述样本图像集中每个样本图像的图片特征；
根据所述图片特征对所述样本图像集进行特征分类，得到所述样本图像集中每个样本图像的类别信息；
接收客户的客户图像，提取所述客户图像的衣物特征，得到衣物特征集；
根据所述衣物特征集搜索所述样本图像集中与所述衣物特征集对应的一个或多个样本图像，得到与所述衣物特征集对应的一个或者多个样本图像的类别信息；
通过与所述衣物特征集对应的一个或者多个样本图像的类别信息，基于堆排序算法以及所述索引关系，在所述样本图像集中搜索样本图像及在所述样本信息集中搜索样本信息；
根据所述样本图像和所述样本信息，通过所述索引关系搜索所述线下目标集中的一个或者多个线下目标物，向客户推荐搜索到的所述线下目标物。
2.如权利要求1所述的线下目标物推荐方法，其特征在于，所述建立所述样本图像集、样本信息集与线下目标集的索引关系，包括：
根据所述样本图像集、样本信息集与线下目标集中包含的商品名称，建立所述样本图像集中的样本图像、所述样本信息集中的样本信息以及线下所述线下目标集中的商品店铺之间的索引关系。
3.如权利要求1所述的线下目标物推荐方法，其特征在于，所述计算所述样本图像集中每个样本图像的图片特征，包括：
将所述样本图像缩小至n*n的尺寸，得到n2个像素点的缩略图；
将所述缩略图通过图片均值哈希算法进行转换生成n2级灰度，并计算n2个像素点的灰度平均值；
将每个像素点的灰度与所述灰度平均值进行比较；
将大于或等于所述灰度平均值的灰度记为第一标记，将小于所述灰度平均值的灰度记为第二标记；
将所述第一标记的灰度和第二标记的灰度通过图片均值哈希算法进行组合，并生成所述灰度对应的哈希值，利用所述哈希值构成图片特征。
4.如权利要求1所述的线下目标物推荐方法，其特征在于，所述根据所述衣物特征集搜索所述样本图像集中与所述衣物特征集对应的一个或多个样本图像，得到与所述衣物特征集对应的一个或者多个样本图像的类别信息，包括：
将所述衣物特征集中的特征标记，与所述样本图像集的图片特征进行比较，通过相似度算法，得到一个或者多个样本图像，得到与所述衣物特征集对应的一个或者多个样本图像的类别信息，其中，所述特征标记包括色彩、条纹、形状及品牌商标。
5.如权利要求1所述的线下目标物推荐方法，其特征在于，该方法还包括：
获取客户的移动设备中保存的用户账号信息；
访问所述用户账号信息中历史行为记录里的样本信息，根据所述样本信息通过所述索引关系，搜索所述线下目标集中的一个或者多个线下目标物，向客户推荐搜索到的所述线下目标物。
6.如权利要求5所述的线下目标物推荐方法，其特征在于，所述获取客户的移动设备中保存的用户账号信息，包括：
通过局域网获取所述客户的移动设备的MAC地址；
通过所述MAC地址在所述移动设备中搜索所述用户账号信息的存储地址；
通过所述存储地址搜索所述用户账号信息。
7.如权利要求5所述的线下目标物推荐方法，其特征在于，所述访问所述用户账号信息中历史行为记录里的样本信息，包括：
根据所述用户账号信息中的历史缓存记录获取历史行为记录里的样本信息。
8.一种线下目标物推荐系统装置，其特征在于，所述装置包括：
索引建立模块，用于获取样本图像集、样本信息集与线下目标集，并建立所述样本图像集、样本信息集与线下目标集的索引关系；
特征提取模块，用于计算所述样本图像集中每个样本图像的图片特征，根据所述图片特征对所述样本图像集进行特征分类，得到所述样本图像集中每个样本图像的类别信息，接收客户的客户图像，提取所述客户图像的衣物特征，得到衣物特征集；
特征计算模块，用于根据所述衣物特征集搜索所述样本图像集中与所述衣物特征集对应的一个或多个样本图像，得到与所述衣物特征集对应的一个或者多个样本图像的类别信息，通过与所述衣物特征集对应的一个或者多个样本图像的类别信息，基于堆排序算法以及所述索引关系，在所述样本图像集中搜索样本图像及在所述样本信息集中搜索样本信息；
所述特征提取模块，还用于根据所述衣物特征集搜索所述图像集中与所述衣物特征集对应的一个或多个样本图像，并得到与所述衣物特征集对应的一个或者多个样本图像的类别信息，通过与所述衣物特征集对应的一个或者多个样本图像的类别信息；
所述索引建立模块，还用于基于堆排序算法以及所述索引关系，在所述样本图像集中搜索样本图像及在所述样本信息集中搜索样本信息；
推荐模块，用于根据所述样本图像和所述样本信息，通过所述索引关系搜索所述线下目标集中的一个或者多个线下目标物，向客户推荐搜索到的所述线下目标物。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一所述的线下目标物推荐方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一所述的线下目标物推荐方法。
CN202010473511.0A 2020-05-28 2020-05-28 线下目标物推荐方法、装置、电子设备及存储介质 Pending CN111639207A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010473511.0A CN111639207A (zh) 2020-05-28 2020-05-28 线下目标物推荐方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010473511.0A CN111639207A (zh) 2020-05-28 2020-05-28 线下目标物推荐方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN111639207A true CN111639207A (zh) 2020-09-08

Family

ID=72329605

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010473511.0A Pending CN111639207A (zh) 2020-05-28 2020-05-28 线下目标物推荐方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111639207A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113627974A (zh) * 2021-07-23 2021-11-09 广州玺明机械科技有限公司 一种用于娱乐测算机的互动控制和应用系统
CN114820110A (zh) * 2022-03-31 2022-07-29 联想(北京)有限公司 一种信息处理方法、电子设备及计算机可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108961005A (zh) * 2018-07-06 2018-12-07 北京旷视科技有限公司 信息推送方法、装置、电子设备及介质
CN109472677A (zh) * 2018-12-28 2019-03-15 出门问问信息科技有限公司 信息推送方法、装置、电子设备及计算机可读存储介质
US20190205965A1 (en) * 2017-12-29 2019-07-04 Samsung Electronics Co., Ltd. Method and apparatus for recommending customer item based on visual information
CN110322327A (zh) * 2019-07-09 2019-10-11 深圳市炳德区块链技术有限公司 一种基于区块链技术的商场消费者购物推荐方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190205965A1 (en) * 2017-12-29 2019-07-04 Samsung Electronics Co., Ltd. Method and apparatus for recommending customer item based on visual information
CN108961005A (zh) * 2018-07-06 2018-12-07 北京旷视科技有限公司 信息推送方法、装置、电子设备及介质
CN109472677A (zh) * 2018-12-28 2019-03-15 出门问问信息科技有限公司 信息推送方法、装置、电子设备及计算机可读存储介质
CN110322327A (zh) * 2019-07-09 2019-10-11 深圳市炳德区块链技术有限公司 一种基于区块链技术的商场消费者购物推荐方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113627974A (zh) * 2021-07-23 2021-11-09 广州玺明机械科技有限公司 一种用于娱乐测算机的互动控制和应用系统
CN114820110A (zh) * 2022-03-31 2022-07-29 联想(北京)有限公司 一种信息处理方法、电子设备及计算机可读存储介质

Similar Documents

Publication Publication Date Title
US8320707B2 (en) System and method for use of images with recognition analysis
US10031925B2 (en) Method and system of using image recognition and geolocation signal analysis in the construction of a social media user identity graph
US7542610B2 (en) System and method for use of images with recognition analysis
US10360623B2 (en) Visually generated consumer product presentation
CN105518678B (zh) 搜索方法、搜索装置和用户设备
US20180181577A1 (en) System and process for building a catalog using visual objects
CN114912948B (zh) 基于云服务的跨境电商大数据智能处理方法、装置及设备
US20230214895A1 (en) Methods and systems for product discovery in user generated content
WO2023011382A1 (zh) 推荐方法、推荐模型训练方法及相关产品
CN105469262B (zh) 商品资讯信息获取和整合方法及装置
WO2019072098A1 (zh) 一种识别核心产品词的方法和系统
CN107341173A (zh) 一种信息处理方法及装置
AU2019201132A1 (en) Item recognition
CN114662412B (zh) 基于深度学习的服装设计方法、装置、设备及存储介质
US20250298837A1 (en) Methods and systems for dynamic content provisioning
WO2023236742A1 (zh) 一种搜索结果展示方法、装置、计算机设备及存储介质
CN105335386A (zh) 一种提供导航标签的方法及装置
CN111639207A (zh) 线下目标物推荐方法、装置、电子设备及存储介质
CN107977876B (zh) 用于处理订单信息的方法及装置
CN107315984B (zh) 一种行人检索的方法及装置
CN109726615A (zh) 一种道路边界的识别方法和装置
US11410418B2 (en) Methods and systems for tagged image generation
CN114612225A (zh) 产品推荐方法、装置、电子设备及计算机可读存储介质
CN113449002A (zh) 车辆推荐方法、装置、电子设备及存储介质
US20080071553A1 (en) Generation of Commercial Presentations

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200908

WD01 Invention patent application deemed withdrawn after publication