《网络购物导航方法》由会员分享，可在线阅读，更多相关《网络购物导航方法（2页珍藏版）》请在金锄头文库上搜索。
1、网络购物导航方法专利名称：网络购物导航方法技术领域：本发明属于网络购物技术领域，尤其涉及一种网络购物导航方法。背景技术：随着信息技术的发展，网上商城像雨后春笋般的出现，海量商品的出现使得如何 组织这些信息成了新的难题。传统的按品牌和样式分类的方法已经无法满足网络购物日益 增长的需要。消费者在进行网络购物是一般都会针对自己的需求进行搜索，以缩小需要浏 览的商品数量。即便如此，在一些大型的网上商城中仍然会有大量的商品进入搜索结果。例 如，在某些大型的网络购物平台中，商家卖的男女式鞋多达几十万双，即便对鞋的种类、样 式、尺码、价格等进行限定，搜索得到的鞋的数量往往仍然有数千甚至上万双，要在这里面 找
2、一双特定样式的鞋就如大海捞针，逐页翻阅式的购物体验让消费者难以接受。目前已经应用的针对特定商品的搜索技术全都是基于商品的文字信息的搜索，具 体地说，信息的提供者先将商品的各种信息以文字形式输入，而消费者在购物的过程中通 过文字来限定搜索的内容、并在搜索的结果中选择特定的商品进行详细的查阅。这种搜索 方法的缺点在于完全忽视了商品的图片所包含的大量的形状、纹理、颜色等信息，而这些直 观的信息在网购过程中给消费者提供巨大的便利并且对客户最终下决心购买起着相当重 要的作用。因此，现有技术存在缺陷，有待进一步改进和发展。发明内容本发明的目的在于提供一种网络购物导航方法，使用户在网络的海量商品中能够 便捷
3、地找到自己所需要的商品。本发明的技术方案如下种网络购物导航方法，客户端通过图片搜索引擎在服务器端查找实体商品图片 的关联群的商品图片展示，包括以下步骤A、所述服务器端接收商品图片，建立所有商品图片相似度的关联群；B、所述客户端的显示界面通过所述图片搜索引擎发送被点击商品图片的检索指 令；C、所述服务器端将被点击商品图片的关联群的商品图片通过搜索引擎发送给所 述客户端在显示界面展示。所述的方法，其中，所述步骤A还包括图片商品特征的提取和存储，商品特征之间 的距离的计算和存储，特征权重的计算和存储以及商品图片的关联群的计算和存储。所述的方法，其中，所述步骤A中的商品特征的提取还包括特征的正态分布规
4、整 化过程，得到特征的相对值。所述的方法，其中，所述步骤A中采用K-means算法或者强化学习分类器算法计算 产品特征之间相似度的关联群。所述的方法，其中，所述特征权重的计算包括初始权重和实时权重的计算。所述的方法，其中，所述步骤C中客户端将商品多个特征以多维度的方式展示。所述的方法，其中，所述步骤C中客户端将多维度的特征以二维笛卡尔坐标的方 式投影展示。所述的方法，其中，所述步骤C中关联群中的商品图片按照二维笛卡尔坐标之间 的距离填充满所述二维笛卡尔坐标，并将填充满关联群的商品图片的二维笛卡尔坐标图在 所述显示界面显示。所述的方法，其中，所述笛卡尔坐标之间的距离为欧氏距离或者马氏距离。与现有
5、技术相比，本发明提供了一种网络购物导航方法，客户端将被点击商品图 片的信息通过图片搜索引擎发送给服务器端，服务器端将被点击商品图片的关联群的商品 图片发送通过图片搜索引擎返回给客户端，客户端的显示界面显示被点击商品图片的关联 群的商品图片。本发明的网络购物导航方法，以商品图片关联群的方式为用户导购商品，使 用户能够在减少点击次数的情况下迅速找到目标商品，提高网络购物的效率。图1为本发明网络购物导航系统的结构图；图2为本发明服务器端的结构图。图3为本发明鞋头特征的稀疏分布图；图4为本发明鞋头特征的正态分布图；图5为客户端显示界面上显示商品陈列的示意图；图6为客户端多维度模块表示的特征向量的示意图
6、；图7为客户端二维展示投影模块表示的二维笛卡尔坐标的示意图；图8为客户端显示界面检索指令示意图。具体实施例方式下面结合附图，对本发明的较佳实施例作进一步详细说明。本发明提供的网络购物导航系统，可以用于网络上任何实体商品购物导航，现在 以鞋为例，对网络购物导航系统做出详细的说明。所述网络购物导航系统通过图片展示、图片搜索为网络购物导航，如图1所示，具 有服务器端，包括数据服务器端和计算服务器端，所述数据服务器端存储商品图片、 商品图片的特征、商品特征之间的距离、特征权重等数据；所述计算服务器用于分析计算商 品图片的特征、商品特征之间的距离、特征权重；图片搜索引擎，根据客户端的检索指令，在所述服务
7、器端查询相应指令的图片，并 返回给所述客户端；客户端，用于与服务器端建立连接，并发送购物的检索指令。鞋的外围轮廓、颜色、鞋头、鞋帮、鞋底、纹理对客户的最终下决心购买起着相当重 要的作用，而传统的文字搜索只能对相关的文字进行索引，完全忽视了产品图片所包含的 鞋的外围轮廓、颜色、鞋头、鞋帮、鞋底、纹理等信息。根据鞋的商品图片，利用图像分析技术提取图片的特征，包括外围轮廓、颜色、鞋 头、鞋帮、鞋底、纹理等信息。所述计算服务器包括预处理单元，能够对接收的不规则的图片 进行处理，以得到用于显示和图片分析的素材。本发明的计算服务器包括产品输入单元，用于商品图片的输入；特征提取单元，用 于商品图片特征的值的
8、提取。所述产品输入单元也可以是与所述服务器分离的一个客户端。对于鞋这种商品来说，所述特征提取单元可以包括外围轮廓提取模块、颜色提取 模块、鞋头提取模块、鞋帮提取模块、鞋底提取模块和纹理提取模块。所述外围轮廓提取模块可以利用商品图片中鞋的外形计算得到鞋的外围轮廓特 征。颜色提取模块可以根据鞋的图片使用HSV的颜色直方图得到鞋的颜色特征。鞋头提 取模块可以根据图片中鞋头的特征做由开口到闭口、由尖到钝的分析，从而得到鞋头特征。 鞋帮提取模块就是根据图片中鞋帮相应位置的特性分析得到鞋的鞋帮特征。鞋底提取模 块是根据对图片中鞋底的形状做边缘检测得到鞋的鞋底特征，边缘检测方法采用Prewitt/ cann
9、y算法。纹理提取模块是通过对鞋的图像进行灰度处理后再进行离散小波变换得到鞋 的纹理特征所述鞋的外围轮廓特征、颜色特征、鞋头特征、鞋帮特征、鞋底特征、纹理特征这六 个特征，可以用特征向量S(Sl，s2, s3, s4, s5, s6)，而S向量中的每个特征值的权重为T(t1; t2，t3，t4，t5, t6)，这样每个鞋子的总体特征值就是K = S*T，而每两双鞋子(K1, K2)之间的 相似度就可以用IK1-K2I来表示。在使用这些向量表示的特征做鞋子之间相似度比较之前，我们要先进行特征的相 对值处理，因为特征的绝对值是没有意义的，只是相对值才有意义。比如对每双鞋的鞋头特征S3而言，有2万双的
10、鞋，就用2万个离散的点，这两万个 点可能是均勻分布的，但是更多的可能性是不均勻分布的，某个区域非常的密集，而另外的 区域非常的稀疏如图3所示。为了更好的反映相似度，将特征的数据进行正态分布的规整化，使得反映这2万 双鞋的曲线是符合正态分布的，如图4所示。本发明的服务器端设置规整化模块，用于将特征提取单元提取的特征做正态分布 规整化，得到特征的相对值。所述数据库服务器的特征存储单元可以存储特征的相对值。如何计算出每个特征的权重是本发明的关键，本发明的解决方案如下特征的权重包括初始权重和实时权重。初始权重是网络购物导航系统最初为每个特征设置的权重，例如取样本集的数量 为100，就是有100双鞋子，
11、用人工的方法将这100双鞋的每个特征排队，保证相邻的鞋子 之间的相似度是最高的，这样排序好的任意三双鞋子ABC之间的距离，|A-B| 权利要求一种网络购物导航方法，客户端通过图片搜索引擎在服务器端查找实体商品图片的关联群的商品图片展示，包括以下步骤A、所述服务器端接收商品图片，建立所有商品图片相似度的关联群；B、所述客户端的显示界面通过所述图片搜索引擎发送被点击商品图片的检索指令；C、所述服务器端将被点击商品图片的关联群的商品图片通过搜索引擎发送给所述客户端在显示界面展示。2.根据权利要求1所述的方法，其特征在于，所述步骤A还包括图片商品特征的提取和 存储，商品特征之间的距离的计算和存储，特征
12、权重的计算和存储以及商品图片的关联群 的计算和存储。3.根据权利要求2所述的方法，其特征在于，所述步骤A中的商品特征的提取还包括 特征的正态分布规整化过程，得到特征的相对值。4.根据权利要求3所述的方法，其特征在于，所述步骤A中采用K-means算法或者强化 学习分类器算法计算产品特征之间相似度的关联群。5.根据权利要求2所述的方法，其特征在于，所述特征权重的计算包括初始权重和实 时权重的计算。6.根据权利要求1所述的方法，其特征在于，所述步骤C中客户端将商品多个特征以多 维度的方式展示。7.根据权利要求6所述的方法，其特征在于，所述步骤C中客户端将多维度的特征以二 维笛卡尔坐标的方式投影展示
13、。8.根据权利要求7所述的方法，其特征在于，所述步骤C中关联群中的商品图片按照二 维笛卡尔坐标之间的距离填充满所述二维笛卡尔坐标，并将填充满关联群的商品图片的二 维笛卡尔坐标图在所述显示界面显示。9.根据权利要求8所述的方法，其特征在于，所述笛卡尔坐标之间的距离为欧氏距离 或者马氏距离。全文摘要一种网络购物导航方法，客户端通过图片搜索引擎在服务器端查找实体商品图片的关联群的商品图片展示，包括以下步骤所述服务器端接收商品图片，建立所有商品图片相似度的关联群；所述客户端的显示界面通过所述图片搜索引擎发送被点击商品图片的检索指令；所述服务器端将被点击商品图片的关联群的商品图片通过搜索引擎发送给所述客户端在显示界面展示。本发明的网络购物导航方法，以商品图片关联群的方式为用户导购商品，使用户能够在减少点击次数的情况下迅速找到目标商品，提高网络购物的效率。
