[发明专利]商品属性生成模型的训练方法及生成、搜索方法和系统

权利要求书

1.一种商品属性生成模型的训练方法，其特征在于，所述训练方法包括：

获取多个商品的商品信息，所述商品信息包括文本和图片；

标注所述多个商品的属性信息，所述属性信息包括至少一个属性分词；

构造多组训练数据，每组训练数据包括同一商品的商品信息和属性信息；

根据所述多组训练数据训练所述商品属性生成模型，所述商品属性生成模型用于根据商品信息生成属性信息。

2.如权利要求1所述的商品属性生成模型的训练方法，其特征在于，所述根据所述多组训练数据训练商品属性生成模型的步骤包括：

利用编码-解码模型框架训练所述多组训练数据。

3.如权利要求2所述的商品属性生成模型的训练方法，其特征在于，所述利用编码-解码模型框架训练所述多组训练数据的步骤包括：

对于每组训练数据，对文本进行分词，得到分词序列；

将所述分词序列转换成分词向量；

对所述分词向量进行编码，得到编码向量；

提取图片的特征向量；

根据所述编码向量和所述特征向量进行解码，得到属性信息。

4.如权利要求3所述的商品属性生成模型的训练方法，其特征在于，在所述根据所述编码向量和所述特征向量进行解码的步骤之前，所述训练方法还包括：

将所述编码向量和所述特征向量输入注意力模型；

计算当前时刻所述编码向量和所述特征向量的注意力分布值；

所述根据所述编码向量和所述特征向量进行解码的步骤具体包括：

根据当前时刻的注意力分布值以及上一时刻得到的解码分词进行解码，得到当前时刻的解码分词；

其中，所述解码分词为属性分词。

5.如权利要求3所述的商品属性生成模型的训练方法，其特征在于，所述将所述分词序列转换成分词向量的步骤包括：

利用word2vec模型将所述分词序列转换成分词向量；

所述提取图片的特征向量的步骤包括：

利用resnet模型提取图片的特征向量。

6.如权利要求5所述的商品属性生成模型的训练方法，其特征在于，所述利用word2vec模型将所述分词序列转换成分词向量的步骤包括：

利用外部数据预先训练所述word2vec模型；

所述利用resnet模型提取图片的特征向量的步骤包括：

利用imagenet数据预先训练所述resnet模型。

7.如权利要求1所述的商品属性生成模型的训练方法，其特征在于，所述多个商品包括：

商品信息中的文本与标注的属性信息相似度高于第一阈值的商品；

和/或，根据搜索词进行商品搜索，返回的搜索结果中点击率高于第二阈值的商品。

8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的商品属性生成模型的训练方法。

9.一种计算机可读存储介质，其上存储有计算机程序，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1-7中任一项所述的商品属性生成模型的训练方法的步骤。

10.一种商品属性的生成方法，其特征在于，所述生成方法包括：

利用如权利要求1-7中任一项所述的商品属性生成模型的训练方法训练商品属性生成模型；

获取商品的商品信息，所述商品信息包括文本和图片；

将所述商品信息输入所述商品属性生成模型；

输出所述商品的属性信息。

11.如权利要求10所述的商品属性的生成方法，其特征在于，所述属性信息包括至少一个属性分词，所述输出属性信息的步骤包括：

选择预设数量的属性分词；

输出经选择的所述预设数量的属性分词。