【技術實現步驟摘要】
本專利技術涉及計算機，尤其涉及物品屬性識別模型的訓練方法、物品屬性識別方法和裝置。
技術介紹
1、為了使物品獲取更多的搜索流量，除了配置一些物品本身相關的基礎信息外，還會在屬性位置配置一些與本物品無關的屬性信息，導致整體物品基礎信息與本物品匹配度較小。
2、在實現本專利技術過程中，專利技術人發現相關技術中至少存在如下問題：
3、目前的物品屬性識別模型訓練所用的樣本標注成本較高，訓練效率低，識別結果的準確性差。
技術實現思路
1、有鑒于此，本專利技術實施例提供的物品屬性識別模型的訓練方法、物品屬性識別方法和裝置，能夠利用少量的樣本進行弱監督訓練，并且基于記憶網絡對圖片編碼向量進行特征增強，降低了樣本標注的成本，提高了訓練效率以及識別結果的準確性。
2、為實現上述目的，根據本專利技術實施例的一個方面，提供了一種物品屬性識別模型的訓練方法，包括：
3、對獲取到的物品的主圖信息和標題信息分別進行特征編碼處理，得到圖片編碼向量和標題文本編碼向量；
4、基于預先構建的記憶網絡對圖片編碼向量進行特征增強處理，將特征增強處理后的圖片編碼向量和標題文本編碼向量進行特征融合，生成多模態屬性特征；
5、根據多模態屬性特征利用弱監督學習策略訓練得到物品屬性識別模型。
6、可選地，對獲取到的物品的主圖信息和標題信息分別進行特征編碼處理，得到圖片編碼向量和標題文本編碼向量，包括：
7、利用圖像編碼器將物品的主圖信息
8、可選地，記憶網絡包括動態記憶網絡和靜態記憶網絡；基于預先構建的記憶網絡對圖片編碼向量進行特征增強處理，包括：
9、響應于樣本數量為零，基于動態記憶網絡中的歷史圖片特征，對圖片編碼向量進行特征增強處理；或者，響應于樣本數量少于預設數量閾值，基于靜態記憶網絡中的歷史圖片特征，對圖片編碼向量進行特征增強處理。
10、可選地，將特征增強處理后的圖片編碼向量和標題文本編碼向量進行特征融合，生成多模態屬性特征，包括：
11、基于多頭自注意力機制確定特征增強處理后的圖片編碼向量和標題文本編碼向量之間的關聯關系；
12、根據關聯關系將特征增強處理后的圖片編碼向量和標題文本編碼向量進行特征融合，生成多模態屬性特征。
13、可選地，基于預先構建的記憶網絡對圖片編碼向量進行特征增強處理之前，還包括：
14、基于圖片編碼向量更新預先構建的記憶網絡的內存，得到更新后的記憶網絡，以根據更新后的記憶網絡對圖片編碼向量進行優化處理。
15、可選地，基于預先構建的記憶網絡對圖片編碼向量進行特征增強處理，包括：
16、基于交叉注意力機制將圖片編碼向量與記憶網絡中存儲的歷史圖片特征進行加權求和，得到加權后的圖片編碼向量，以根據加權后的圖片編碼向量和標題文本編碼向量進行特征融合。
17、根據本專利技術實施例的第二方面，提供一種物品屬性識別方法，包括：
18、獲取目標物品的主圖信息和標題信息；
19、將主圖信息和標題信息輸入至物品屬性識別模型，物品屬性識別模型輸出目標物品的屬性識別結果；其中，物品屬性識別模型是通過本專利技術實施例的第一方面中任一的方法得到的；
20、將物品的屬性識別結果展示給用戶。
21、根據本專利技術實施例的第三方面，提供一種物品屬性識別模型的訓練裝置，包括：
22、特征編碼模塊，用于對獲取到的物品的主圖信息和標題信息分別進行特征編碼處理，得到圖片編碼向量和標題文本編碼向量；
23、特征融合模塊，用于基于預先構建的記憶網絡對圖片編碼向量進行特征增強處理，將特征增強處理后的圖片編碼向量和標題文本編碼向量進行特征融合，生成多模態屬性特征；
24、模型訓練模塊，用于根據多模態屬性特征利用弱監督學習策略訓練得到物品屬性識別模型。
25、根據本專利技術實施例的第四方面，提供一種物品屬性識別裝置，包括：
26、信息獲取模塊，用于獲取目標物品的主圖信息和標題信息；
27、模型識別模塊，用于將主圖信息和標題信息輸入至物品屬性識別模型，物品屬性識別模型輸出物品的屬性識別結果；其中，物品屬性識別模型是通過本專利技術實施例的第一方面中任一的方法得到的；
28、結果展示模塊，用于將物品的屬性識別結果展示給用戶。
29、根據本專利技術實施例的第五方面，提供一種電子設備，包括：
30、一個或多個處理器；
31、存儲裝置，用于存儲一個或多個程序，
32、當一個或多個程序被一個或多個處理器執行，使得一個或多個處理器實現上述任一實施例的方法。
33、根據本專利技術實施例的第六方面，提供一種計算機可讀介質，其上存儲有計算機程序，程序被處理器執行時實現上述任一實施例的方法。
34、根據本專利技術實施例的第七方面，提供一種計算機程序產品，包括計算機程序，計算機程序被處理器執行時實現上述任一實施例的方法。
35、上述專利技術中的一個實施例具有如下優點或有益效果：通過對獲取到的物品的主圖信息和標題信息分別進行特征編碼處理，得到圖片編碼向量和標題文本編碼向量；基于預先構建的記憶網絡對圖片編碼向量進行特征增強處理，將特征增強處理后的圖片編碼向量和標題文本編碼向量進行特征融合，生成多模態屬性特征；根據多模態屬性特征利用弱監督學習策略訓練得到物品屬性識別模型；由此能夠利用少量的樣本進行弱監督訓練，并且基于記憶網絡對圖片編碼向量進行特征增強，降低了樣本標注的成本，提高了訓練效率以及識別結果的準確性。通過獲取目標物品的主圖信息和標題信息；將主圖信息和標題信息輸入至物品屬性識別模型，物品屬性識別模型輸出目標物品的屬性識別結果；其中，物品屬性識別模型是通過本專利技術實施例的第一方面中任一的方法得到的；將物品的屬性識別結果展示給用戶；提高了物品屬性識別的準確性和用戶體驗感。
36、上述的非慣用的可選方式所具有的進一步效果將在下文中結合具體實施方式加以說明。
本文檔來自技高網...【技術保護點】
1.一種物品屬性識別模型的訓練方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，對獲取到的物品的主圖信息和標題信息分別進行特征編碼處理，得到圖片編碼向量和標題文本編碼向量，包括：
3.根據權利要求1所述的方法，其特征在于，所述記憶網絡包括動態記憶網絡和靜態記憶網絡；基于預先構建的記憶網絡對所述圖片編碼向量進行特征增強處理，包括：
4.根據權利要求1所述的方法，其特征在于，將特征增強處理后的圖片編碼向量和所述標題文本編碼向量進行特征融合，生成多模態屬性特征，包括：
5.根據權利要求1所述的方法，其特征在于，基于預先構建的記憶網絡對所述圖片編碼向量進行特征增強處理之前，還包括：
6.根據權利要求1或5所述的方法，其特征在于，基于預先構建的記憶網絡對所述圖片編碼向量進行特征增強處理，包括：
7.一種物品屬性識別方法，其特征在于，包括：
8.一種物品屬性識別模型的訓練裝置，其特征在于，包括：
9.一種物品屬性識別裝置，其特征在于，包括：
10.一種電子設備，其特征
11.一種計算機可讀介質，其上存儲有計算機程序，其特征在于，所述程序被處理器執行時實現如權利要求1-7中任一所述的方法。
12.一種計算機程序產品，包括計算機程序，其特征在于，所述計算機程序被處理器執行時實現如權利要求1-7中任一所述的方法。
...【技術特征摘要】
1.一種物品屬性識別模型的訓練方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，對獲取到的物品的主圖信息和標題信息分別進行特征編碼處理，得到圖片編碼向量和標題文本編碼向量，包括：
3.根據權利要求1所述的方法，其特征在于，所述記憶網絡包括動態記憶網絡和靜態記憶網絡；基于預先構建的記憶網絡對所述圖片編碼向量進行特征增強處理，包括：
4.根據權利要求1所述的方法，其特征在于，將特征增強處理后的圖片編碼向量和所述標題文本編碼向量進行特征融合，生成多模態屬性特征，包括：
5.根據權利要求1所述的方法，其特征在于，基于預先構建的記憶網絡對所述圖片編碼向量進行特征增強處理之前，...
【專利技術屬性】
技術研發人員：謝奇奇，朱陽光，張屹峰，
申請(專利權)人：北京沃東天駿信息技術有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。