CN114445198B - 一种基于压缩与激励网络的商品分类方法 - Google Patents

Abstract

本发明提出了一种基于压缩与激励网络的商品分类方法，涉及商品自动化分类技术领域，主要包括一个四阶段处理方法。第一阶段为商品信息的预处理阶段，将商品信息传入预处理模型，经过预处理模型得到商品的文本数据、图像数据以及视频数据。第二阶段为特征提取阶段，针对不同的数据类型建立不同的神经网络进行特征提取。第三阶段为特征增强阶段，建立压缩激励网络，通过学习的方式获取各个通道的重要程度，依据这个重要特征对原特征进行加权，增强有用信息，抑制无用信息。第四阶段是融合输出阶段，将商品的文本特征、图像特征以及视频特征进行融合得到商品特征，建立分类器模型进行训练，输出商品分类结果，提取了商品的文本、图像、以及视频特征，将其融合为商品特征，提取到的商品特征更加准确、丰富。

Description

一种基于压缩与激励网络的商品分类方法

技术领域

本发明涉及商品自动化分类技术领域，为一种基于压缩与激励网络的商品分类方法。

背景技术

科学技术的发展，给人们生活带来了巨大的变化，随着互联网的发展，电商平台快速崛起，网络购物已经成为时下主流的购物方式之一，如何实现快速而正确分类对于电商平台而言愈发显得重要。好的分类算法不但使得消费者能够快速而准确地找到想要的商品，而且也能提高电商平台的成交率。如何实现商品的快速分类，目前还存在着诸多问题与挑战，比如，现在的商品数量高达数亿种，现存的商品分类方法大多是采用人工进行分类，大量耗费人力物力。同时，现存的商品分类方法中，对于商品的特征提取往往只关注商品的标题等文本信息，提取到的商品特征不全。

发明内容

本发明的目的就是为了解决现有技术的上述缺陷而提出通过建立一种四阶段分类模型，融合商品的文本、图像以及视频特征，实现商品的自动化分类的基于压缩与激励网络的商品分类方法。

本发明提供一种基于压缩与激励网络的商品分类方法，包括以下步骤：

步骤1：建立商品数据预处理模块，定义数据的结构为，data表示数据集，表示数据集中第个数据，表示数据的文本数据，表示数据的图片数据，表示数据的视频数据，将数据集中的商品数据传入商品数据预处理模块，提取商品的文本数据，商品的图像数据，商品的视频数据，经过预处理阶段得到商品文本信息，商品图像信息，商品视频信息；

步骤2：建立商品数据特征提取模块，将步骤1经过预处理的商品数据传入商品数据特征提取模块，经过数据特征提取得到商品的文本特征，商品的图像特征，商品的视频特征；

步骤3：建立特征增强模块，将步骤2中得到的商品特征数据传入特征增强模块，通过学习的方式来自动获取到每个特征通道的重要程度，然后依照这个重要程度去增强有用的特征并抑制对当前任务用处不大的特征，经过处理得到商品的文本特征，图像特征，视频特征；

步骤4：建立融合输出模块，对步骤3得到的经过增强的商品特征进行融合得到商品特征信息，建立分类器模型进行训练，输出分类结果。

作为本发明的进一步技术方案，

前述的基于压缩与激励网络的商品分类方法，在步骤2中，针对文本数据，其主要内容是商品标题信息，首先对文本信息进行分词，消除停用词处理，将得到的词序列进行对齐填充，文本的词序列中通常也包含有一些信息，为了保留这些信息，采用词嵌入模型得到文本信息的词向量；针对图片数据，对其进行预处理，图像数据的预处理主要包括几何变换以及灰度处理，针对图像的灰度处理，本发明采用加权平均法，此外，图像数据中可能会含有非商品信息的数据如促销信息，针对促销进行，进行随机裁剪，最后统一图像大小得到图像数据；针对视频数据，对视频数据进行预处理，提取关键帧，以及进行采样处理，得到视频数据，如果视频数据不存在，采用特定数据进行补齐。

前述的基于压缩与激励网络的商品分类方法，建立商品信息的特征提取模块：对于文本数据，采用卷积网络用于特征提取，为了捕获不同尺度下的文本特征，使用了四种不同尺度的卷积核(, )，在卷积核作用后的特征向量可表示为，商品的文本特征可表示为：

；

公式1；

其中，表示第个卷积核，表示向量在低维度的拼接；

对于图像数据，将其传入卷积网络中进行特征提取，采用的网络结构为进行特征提取，提取商品的图像特征为；对于视频数据，将其传入特征提取模型，根据数据类型，进入特征提取模块，提取商品的视频特征，由于商品视频的特殊性，其主要关注点应该在视频中的商品特征上，首先采用时域分割对视频进行处理，得到{},对，采用卷积网络进行特征提取，得到特征向量，最后采用聚合函数聚合得到视频特征。

前述的基于压缩与激励网络的商品分类方法，建立特征增强模块，特征增强模块主要分为压缩与扩展两个阶段。

前述的基于压缩与激励网络的商品分类方法，压缩阶段的主要作用是顺空间维度进行压缩，输入数据维度为，其中， 表示特征高度， 表示特征宽度， 表示特征通道数。经过压缩操作，将每个二维通道压缩为一个实数，这个实数具有全局的特征。首先是先进行一个卷积操作，表示卷积操作，其次是压缩操作，本发明采用全局平均池化来进行实现，并且输出的维度和输入维度的特征通道数相匹配，压缩后的特征向量可表示为：

；

公式2；

其中， 表示压缩操作， 表示特征高度， 表示特征宽度，表示卷积操作的结果。

前述的基于压缩与激励网络的商品分类方法，扩展阶段的主要作用是对压缩后的增强特征进行扩展，学习权值矩阵以建立特征通道之间的相关性，通道权值向量可表示为：

；

公式3；

其中，表示函数，将提取特征映射到[0,1]，表示全局池化操作，表示激活函数，表示参数矩阵。

最后，基于特征增强阶段处理的加权特征矩阵，可表示为：

；

公式4；

其中，表示通道权值向量，。

前述的基于压缩与激励网络的商品分类方法，建立融合输出模块：所述的特征增强的商品的文本特征、图像特征以及文本特征，将其传入融合输出模块，获得商品的预测分类；在融合输出模块中对商品特征进行低维度的拼接得到商品特征，商品的预测分类可表示为：

；

公式5；

其中为全连接层的参数矩阵，为全连接层的偏执向量，softmax为激活函数；

定义模型损失函数表示如下：

；

公式6；

其中，表示商品数量，代表商品的分类的第个分量，代表商品预测的分类的第个分量。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：本发明实现了一种商品的自动化分类方法，本发明通过建立一个四阶段分类模型，实现商品的自动化分类，极大节省人力物力；在对商品的特征提取中，传统的商品分类算法通常只关注了商品的文本信息，关注过于片面，本发明除了关注商品的文本信息外，还关注了商品的图像特征以及视频特征，并对特征进行融合，提取到的商品特征更加完整，分类结果更加准确。

附图说明

图1为本发明商品分类算法流程图；

图2 为本发明商品分类预处理流程图；

图3为本发明商品分类文本特征提取网络图；

图4为本发明商品分类图像特征提取网络图；

图5为本发明商品分类视频特征提取网络图；

图6为本发明压缩激励网络结构图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：如图1所示；

本实施例提出了一种基于压缩与激励网络的商品分类方法，包括以下步骤：

步骤1：对数据集进行随机划分，划分为训练集和测试集。数据集中的商品数据包含标题等文本数据，图像数据以及视频数据，定义数据的结构为，data表示数据集，表示数据集中第个数据，表示数据的文本数据，表示数据的图片数据，表示数据的视频数据；

步骤2：商品信息预处理（如图2所示）：将数据集中的商品数据传入商品数据预处理模块，提取商品的文本数据，商品的图像数据，商品的视频数据，经过预处理阶段得到商品文本信息，商品图像信息，商品视频信息；

步骤2.1：根据步骤1中的数据结构提取商品数据中的文本数据,经过分词以及消除停用词处理得到文本词序列，接着进行对齐填充，最后经过词嵌入模型，本文选用进行训练，得到词向量；

步骤2.2：根据步骤1中的数据结构提取商品数据中的图像数据,经过灰度化、几何变换、图像剔除等操作得到图像数据；

步骤2.3：根据步骤1中的数据结构提取商品数据中的图像数据video,首先对视频进行降噪处理，消除因商品、商品活动等因素产生的影响，其次进行镜头边界检测，采用像素差异法，设置一定的阈值，通过计算两帧连续图像之间的差异，如果大于这个阈值，就认为发生了场景切换，最后对视频进行关键帧提取以及采样操作，得到视频数据，如果视频数据不存在，采用特定数据进行补齐；

步骤3：特征提取（如图3-图5所示）：建立商品数据特征提取模块，将步骤2经过预处理的商品数据传入商品数据特征提取模块，经过数据特征提取得到商品的文本特征，商品的图像特征，商品的视频特征；

步骤3.1：对于文本数据，采用卷积网络用于特征提取，为了捕获不同尺度下的文本特征，使用了四种不同尺度的卷积核()，其网络结构如图3所示，其中表示嵌入维度，表示一维卷积操作，利用卷积核卷积后，通过激活函数的作用，再采用归一化处理，将得到的4个特征矩阵经过最大池化层进行拼接融合，得到商品的文本特征，在卷积核作用后的特征向量可表示为，商品的图像特征可表示为：

；

其中，表示第个卷积核，表示向量在低维度的拼接；

步骤3.2：对于图像数据，将其传入卷积网络中，提取商品的图像特征，采用的网络结构为，具体网络结构如图4所示，卷积核大小为，步长为，采用双层卷积网络用于图像特征提取，为卷积层，为激活层。为池化层，为规范化层；

步骤3.3：对于视频数据，将其传入特征提取模型，根据数据类型，进入特征提取模块，提取商品的视频特征，由于商品视频的特殊性，其主要关注点应该在视频中的商品特征上，首先采用时域分割对视频进行处理，得到{},对，采用卷积网络进行特征提取，得到特征向量，最后采用聚合函数聚合得到视频特征；

步骤4：特征增强：建立特征增强模块，将步骤3中得到的商品特征数据传入特征增强模块，通过学习的方式来自动获取到每个特征通道的重要程度，然后依照这个重要程度去增强有用的特征并抑制对当前任务用处不大的特征，经过处理得到商品的文本特征，图像特征，视频特征；

步骤4.1：压缩阶段（如图6所示），压缩阶段的主要作用是顺空间维度进行压缩，将每个二维通道压缩为一个实数，这个实数具有全局的特征，本发明采用全局平均池化来进行实现，并且输出的维度和输入维度的特征通道数相匹配，压缩后的特征向量可表示为：

；

其中表示激活函数，表示全局池化操作，表示卷积操作的参数矩阵；

步骤4.2：扩展阶段，扩展阶段的主要作用是对压缩后的增强特征进行扩展，学习权值矩阵以建立特征通道之间的相关性，通道权值向量可表示为：

；

最后，基于特征增强阶段处理的加权特征矩阵可表示为：

；

其中，表示通道权值向量，；

步骤5：融合输出：对步骤4得到的经过增强的商品特征进行融合得到商品特征信息，建立分类器模型进行训练，输出分类结果；

步骤5.1：特征融合阶段，对商品特征进行低维度的拼接得到商品特征；

步骤5.2：预测商品的分类，商品的预测分类可表示为：

；

其中为全连接层的参数矩阵，为全连接层的偏执向量，softmax为激活函数；

定义模型损失函数表示如下：

；

其中，表示商品数量，代表商品的分类的第个分量，代表商品预测的分类的第个分量。

本发明提出一种基于压缩与激励网络的商品分类方法，通过建立一个四阶段分类模型，实现商品的自动化分类，极大节省人力物力。同时在对商品的特征提取中，传统的商品分类算法通常只关注了商品的文本信息，关注过于片面，本发明除了关注商品的文本信息外，还关注了商品的图像特征以及视频特征，并对特征进行融合，提取到的商品特征更加完整，分类结果更加准确。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (4)

1.一种基于压缩与激励网络的商品分类方法，其特征在于，包括以下步骤：

步骤1：建立商品数据预处理模块，定义数据的结构为，data表示数据集，表示数据集中第个数据，表示数据的文本数据，表示数据的图片数据，表示数据的视频数据，将数据集中的商品数据传入商品数据预处理模块，提取商品的文本数据，商品的图像数据，商品的视频数据，经过预处理阶段得到商品文本信息，商品图像信息，商品视频信息；

步骤2：建立商品数据特征提取模块，将步骤1经过预处理的商品数据传入商品数据特征提取模块，经过数据特征提取得到商品的文本特征，商品的图像特征，商品的视频特征；

步骤3：建立特征增强模块，所述的特征增强模块主要分为压缩与扩展两个阶段，将步骤2中得到的商品特征数据传入特征增强模块，通过学习的方式来自动获取到每个特征通道的重要程度，然后依照这个重要程度去增强有用的特征并抑制对当前任务用处不大的特征，经过处理得到商品的文本特征，图像特征，视频特征，所述的压缩阶段的主要作用是顺空间维度进行压缩，输入数据维度为，其中， 表示特征高度，表示特征宽度， 表示特征通道数，经过压缩操作，将每个二维通道压缩为一个实数，这个实数具有全局的特征，首先是先进行一个卷积操作，表示卷积操作，其次是压缩操作，采用全局平均池化来进行实现，并且输出的维度和输入维度的特征通道数相匹配，压缩后的特征向量可表示为：

；

公式2；

其中， 表示压缩操作， 表示特征高度， 表示特征宽度，表示卷积操作的结果，

所述的扩展阶段的主要作用是对压缩后的增强特征进行扩展，学习权值矩阵以建立特征通道之间的相关性，通道权值向量可表示为：

；

公式3；

其中，表示函数，将提取特征映射到[0,1]，表示全局池化操作，表示激活函数，表示参数矩阵；

最后，基于特征增强阶段处理的加权特征矩阵，可表示为：

；

公式4；

其中，表示通道权值向量，；

步骤4：建立融合输出模块，对步骤3得到的经过增强的商品特征进行融合得到商品特征信息，建立分类器模型进行训练，输出分类结果。

2.根据权利要求1所述的基于压缩与激励网络的商品分类方法，其特征在于：在所述步骤2中，针对文本数据，其主要内容是商品标题信息，首先对文本信息进行分词，消除停用词处理，将得到的词序列进行对齐填充，文本的词序列中通常也包含有一些信息，为了保留这些信息，采用词嵌入模型得到文本信息的词向量；针对图片数据，对其进行预处理，图像数据的预处理主要包括几何变换以及灰度处理，针对图像的灰度处理，采用加权平均法，此外，图像数据中会含有非商品信息的数据如促销信息，针对促销进行随机裁剪，最后统一图像大小得到图像数据；针对视频数据，对视频数据进行预处理，提取关键帧，以及进行采样处理，得到视频数据，如果视频数据不存在，采用特定数据进行补齐。

3. 根据权利要求1所述的基于压缩与激励网络的商品分类方法，其特征在于：建立商品信息的特征提取模块：对于文本数据，采用卷积网络用于特征提取，为了捕获不同尺度下的文本特征，使用了四种不同尺度的卷积核(, )，在卷积核作用后的特征向量可表示为，商品的文本特征可表示为：

；

公式1；

其中，表示第个卷积核，表示向量在低维度的拼接；

对于图像数据，将其传入卷积网络中进行特征提取，采用的网络结构为进行特征提取，提取商品的图像特征为；对于视频数据，将其传入特征提取模型，根据数据类型，进入特征提取模块，提取商品的视频特征，由于商品视频的特殊性，其主要关注点应该在视频中的商品特征上，首先采用时域分割对视频进行处理，得到{},对，采用卷积网络进行特征提取，得到特征向量，最后采用聚合函数聚合得到视频特征。

4.根据权利要求1所述的基于压缩与激励网络的商品分类方法，其特征在于：建立融合输出模块：所述的特征增强的商品的文本特征、图像特征以及文本特征，将其传入融合输出模块，获得商品的预测分类；在融合输出模块中对商品特征进行低维度的拼接得到商品特征，商品的预测分类可表示为：

；

其中为全连接层的参数矩阵，为全连接层的偏执向量，softmax为激活函数；

定义模型损失函数表示如下：

；

公式6；

其中，表示商品数量，代表商品的分类的第个分量，代表商品预测的分类的第个分量。