信息处理方法及装置、电子设备和存储介质制造方法及图纸

本公开是关于一种信息处理方法及装置、电子设备以及计算机可读存储介质，涉及人工智能技术领域，该方法包括：确定目标物品的目标物品信息；根据目标物品图像与目标物品描述信息生成目标物品对应的目标物品特征；获取多个参考物品类别特征，将目标物品特征与多个参考物品类别特征进行对比，以确定目标物品类别；获取目标物品类别对应的物品属性列表，确定与物品属性列表对应的参考物品属性特征；将目标物品特征与多个参考物品属性特征进行对比，以确定与目标物品匹配的目标物品属性。本公开可以仅根据物品图像和描述文字确定出该物品对应的类别与属性，且确定出的类别和属性无需是预先的分类任务中包含的数据，可以提高分类的效率和准确性。率和准确性。率和准确性。

【技术实现步骤摘要】
信息处理方法及装置、电子设备和存储介质


[0001]本公开涉及人工智能
，具体而言，涉及一种信息处理方法、信息处理装置、电子设备以及计算机可读存储介质。

技术介绍

[0002]随着电子商务的快速发展，网络电商平台积累了海量商品数据。电商平台中不同物品的详细分类和属性获取，往往需要耗费大量的资源。目前，主流电商平台的物品数量已达到百亿级别，每个物品的可能具有最多数十种属性进行标注，物品的总属性条目可高达千亿以上，属性种类达到上万级别，并且可能频繁地进行更新。
[0003]在传统电商运营过程中，这些信息往往依赖商家的手工录入，以及平台的人工审核。电商商家每天可能需要登记大量的新物品，而物品属性的录入又往往涉及专业的行业知识，因此这种录入方式不仅耗费人力，同时容易出错。这些错误的标注信息又进一步增加了平台审核和维护的人力成本。
[0004]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0005]本公开的目的在于提供一种信息处理方法、信息处理装置、电子设备以及计算机可读存储介质，进而至少在一定程度上克服现有的物品信息标注方案需要依赖较为复杂的物品信息，且在对频繁更新的物品的类别和属性的预测过程中需要耗费大量的时间，预测效率较低的问题。
[0006]本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本专利技术的实践而习得。
[0007]根据本公开的第一方面，提供一种信息处理方法，包括：确定目标物品的目标物品信息；所述目标物品信息包括目标物品图像与目标物品描述信息；根据所述目标物品图像与所述目标物品描述信息生成所述目标物品对应的目标物品特征；获取物品信息库中多个物品对应的参考物品类别特征，将所述目标物品特征与多个所述参考物品类别特征进行对比，以确定与所述目标物品匹配的目标物品类别；所述参考物品类别特征根据所述物品信息库中的物品进行动态更新；获取所述目标物品类别对应的物品属性列表，确定与所述物品属性列表对应的参考物品属性特征；将所述目标物品特征与多个所述参考物品属性特征进行对比，以确定与所述目标物品匹配的目标物品属性。
[0008]在本公开的一种示例性实施方案中，所述根据所述目标物品图像与所述目标物品描述信息生成所述目标物品对应的目标物品特征，包括：获取预先训练的物品特征提取模型；所述物品特征提取模型包括图像编码器与文本编码器；采用所述图像编码器对所述目标物品图像进行第一编码处理，以得到对应的目标图像特征向量；采用所述文本编码器对所述目标物品描述信息进行第二编码处理，以得到对应的目标文本特征向量；根据所述目
标图像特征向量与所述目标文本特征向量生成所述目标物品特征。
[0009]在本公开的一种示例性实施方案中，所述物品特征提取模型通过下述步骤训练得到：获取预先构建的初始物品特征提取模型，构建所述初始物品特征提取模型对应的对比学习损失函数；所述对比学习损失函数根据第一对比损失函数与第二对比损失函数构建得到；通过所述对比学习损失函数对所述初始物品特征提取模型进行训练，以得到所述物品特征提取模型。
[0010]在本公开的一种示例性实施方案中，上述方法还包括：从所述物品信息库获取多个物品图像与多个物品描述信息；所述物品图像与所述物品描述信息一一对应；确定各所述物品图像对应的正相关物品描述信息与负相关物品描述信息；根据各所述物品图像以及各自对应的所述正相关物品描述信息与所述负相关物品描述信息，构建所述第一对比损失函数；确定各所述物品描述信息对应的正相关物品图像与负相关物品图像；根据各物品描述信息以及各自对应的所述正相关物品图像与所述负相关物品图像，构建所述第二对比损失函数。
[0011]在本公开的一种示例性实施方案中，所述将所述目标物品特征与多个所述参考物品类别特征进行对比，以确定与所述目标物品匹配的目标物品类别，包括：对所述目标物品特征分别与各所述参考物品类别特征进行相似度对比，以确定出第一数量个与所述目标物品特征匹配的可选物品类别；所述参考物品类别特征基于预先构建的类别特征模型得到；接收针对所述第一数量个可选物品类别的类别选取操作，以确定所述目标物品类别。
[0012]在本公开的一种示例性实施方案中，所述类别特征模型通过下述步骤训练得到：获取预先构建的初始类别特征模型，所述初始类别特征模型包括类别描述网络与类别提取网络；确定待训练物品的待训练物品特征与物品类别文本，将所述物品类别文本进行向量转换处理，以生成对应的类别文本向量；将所述类别文本向量输入至所述初始类别特征模型，得到对应的第一类别特征；通过所述类别提取网络对所述待训练物品特征进行类别特征抽取处理，以得到第二类别特征；根据所述第一类别特征与所述第二类别特征构成第一类别训练样本，确定与所述第一类别训练样本对应的第二类别训练样本，根据所述第一类别训练样本与所述第二类别训练样本构建类别对比损失函数；通过所述类别对比损失函数对所述初始类别特征模型进行训练，以得到类别训练模型。
[0013]在本公开的一种示例性实施方案中，所述确定与所述物品属性列表对应的参考物品属性特征，包括：获取所述物品属性列表中包括的多个参考物品属性值，确定各所述参考物品属性值对应的参考物品属性参数；根据每个所述参考物品属性值与对应的所述参考物品属性参数生成所述参考物品属性特征。
[0014]在本公开的一种示例性实施方案中，所述将所述目标物品特征与多个所述参考物品属性特征进行对比，以确定与所述目标物品匹配的目标物品属性，包括：对所述目标物品特征分别与各所述参考物品属性特征进行相似度对比，以确定出第二数量个与所述目标物品特征匹配的可选物品属性；所述参考物品属性特征基于预先构建的属性特征模型得到；接收针对所述第二数量个可选物品属性的属性选取操作，以确定所述目标物品属性。
[0015]在本公开的一种示例性实施方案中，所述属性特征模型通过下述步骤训练得到：获取预先构建的初始属性特征模型，所述初始属性特征模型包括属性描述网络与属性提取网络；所述属性提取网络基于属性名称文本向量与属性参数预测网络生成；获取待训练物
品的待训练物品特征与物品属性文本，将所述物品属性文本进行向量转换处理，以生成对应的属性文本向量；将所述属性文本向量输入至所述初始属性特征模型，得到对应的第一属性特征；将所述属性名称文本向量输入至所述属性参数预测网络，以得到对应的属性预测参数，根据所述属性预测参数构建对应的属性提取网络；通过所述属性提取网络对所述待训练物品特征进行属性特征抽取处理，以得到第二属性特征；根据所述第一属性特征与所述第二属性特征构成第一属性训练样本，确定所述待训练物品对应的第二属性训练样本，根据所述第一属性训练样本与所述第二属性训练样本构建属性对比损失函数；通过所述属性对比损失函数对所述初始属性特征模型进行训练，以得到属性特征模型。
[0016]在本公开的一种示例性实施方案中，所述方法还包括：从所述物品信息库中获取与所述目标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信息处理方法，其特征在于，包括：确定目标物品的目标物品信息；所述目标物品信息包括目标物品图像与目标物品描述信息；根据所述目标物品图像与所述目标物品描述信息生成所述目标物品对应的目标物品特征；获取物品信息库中多个物品对应的参考物品类别特征，将所述目标物品特征与多个所述参考物品类别特征进行对比，以确定与所述目标物品匹配的目标物品类别；所述参考物品类别特征根据所述物品信息库中的物品进行动态更新；获取所述目标物品类别对应的物品属性列表，确定与所述物品属性列表对应的参考物品属性特征；将所述目标物品特征与多个所述参考物品属性特征进行对比，以确定与所述目标物品匹配的目标物品属性。2.根据权利要求1所述的方法，其特征在于，所述根据所述目标物品图像与所述目标物品描述信息生成所述目标物品对应的目标物品特征，包括：获取预先训练的物品特征提取模型；所述物品特征提取模型包括图像编码器与文本编码器；采用所述图像编码器对所述目标物品图像进行第一编码处理，以得到对应的目标图像特征向量；采用所述文本编码器对所述目标物品描述信息进行第二编码处理，以得到对应的目标文本特征向量；根据所述目标图像特征向量与所述目标文本特征向量生成所述目标物品特征。3.根据权利要求2所述的方法，其特征在于，所述物品特征提取模型通过下述步骤训练得到：获取预先构建的初始物品特征提取模型，构建所述初始物品特征提取模型对应的对比学习损失函数；所述对比学习损失函数根据第一对比损失函数与第二对比损失函数构建得到；通过所述对比学习损失函数对所述初始物品特征提取模型进行训练，以得到所述物品特征提取模型。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：从所述物品信息库获取多个物品图像与多个物品描述信息；所述物品图像与所述物品描述信息一一对应；确定各所述物品图像对应的正相关物品描述信息与负相关物品描述信息；根据各所述物品图像以及各自对应的所述正相关物品描述信息与所述负相关物品描述信息，构建所述第一对比损失函数；确定各所述物品描述信息对应的正相关物品图像与负相关物品图像；根据各物品描述信息以及各自对应的所述正相关物品图像与所述负相关物品图像，构建所述第二对比损失函数。5.根据权利要求1所述的方法，其特征在于，所述将所述目标物品特征与多个所述参考物品类别特征进行对比，以确定与所述目标物品匹配的目标物品类别，包括：
对所述目标物品特征分别与各所述参考物品类别特征进行相似度对比，以确定出第一数量个与所述目标物品特征匹配的可选物品类别；所述参考物品类别特征基于预先构建的类别特征模型得到；接收针对所述第一数量个可选物品类别的类别选取操作，以确定所述目标物品类别。6.根据权利要求5所述的方法，其特征在于，所述类别特征模型通过下述步骤训练得到：获取预先构建的初始类别特征模型，所述初始类别特征模型包括类别描述网络与类别提取网络；确定待训练物品的待训练物品特征与物品类别文本，将所述物品类别文本进行向量转换处理，以生成对应的类别文本向量；将所述类别文本向量输入至所述初始类别特征模型，得到对应的第一类别特征；通过所述类别提取网络对所述待训练物品特征进行类别特征抽取处理，以得到第二类别特征；根据所述第一类别特征与所述第二类别特征构成第一类别训练样本，确定与所述第一类别训练样本对应的第二类别训练样本，根据所述第一类别训练样本与所述第二类别训练样本构建类别对比损失函数；通过所述类别对比损失函数对所述初始类别特征模型进行训练，以得到类别训练...

【专利技术属性】
技术研发人员：李博，王秋霖，单新媛，曹俊豪，王希予，张立平，裴积全，徐博，牛彩霞，张健，
申请(专利权)人：京东科技控股股份有限公司，
类型：发明
国别省市：