[发明专利]一种基于OCR的商品查询关键字自动生成方法

摘要

本发明公开了一种基于OCR的商品查询关键字自动生成方法，首先建立商品信息数据库。然后利用OCR技术提取产品包装图中的文字信息，获得包含产品信息的单词组。接着通过计算单词组与数据库中单词的相似性，矫正错误字符，完成单词组标准化。接着通过打分规则将得分最高的商品类别作为单词组所代表产品的类别。随后选择该商品类别对应的单词共生表并计算单词组中各单词的共生性得分来过滤掉无用单词。最后，通过该商品类别的品牌打分表和打分规则选择得分最高的品牌作为单词组代表产品的品牌名，将该品牌名结合过滤后的单词组作为商品查询关键字供用户检索使用。本发明计算效率高，对数据库的更新方便，极大地提高用户查询商品信息时的正确性。

主权项

1.一种基于OCR的商品查询关键字自动生成方法，其特征在于：首先构建所有商品的产品名表、单词表、单词共生表和品牌打分表，综合所有的单词表形成商品类别打分表，并所有的表存入数据库中；然后基于商品类别打分表进行商品查询关键字自动生成；其中所述商品查询关键字自动生成包括以下步骤：步骤1：利用OCR技术提取产品包装图中的全部可识别文字信息，并对返回的字符数据集进行预处理，去掉单个字符长度的单词和非数字、非字母的符号，形成包含产品信息的一个单词组；步骤2：分别采用Levenshtein Distance和Damerau–Levenshtein Distance两种编辑距离方法，计算步骤1中获得的单词组中每个单词与数据库单词表中所有单词的相似性，并把两个相似性结果的调和平均值作为该单词对数据库单词表中每个单词的相似性值；将单词组中对数据库所有单词的相似性都低于给定阈值τs的单词丢弃；对于剩余的单词，使用数据库中与其相似性值最大的单词来替换，并保存各自的最大相似性值Smax，完成单词组的标准化工作；步骤3：若标准化后的产品信息单词组中含有某一产品品牌，则直接将该品牌所在的商品类别作为单词组所代表产品的商品类别；否则就根据标准化后的产品信息单词组对不同的商品类别进行打分，并且对于每个商品类别，记录单词组中只在该商品类别中出现的单词的个数，将得分最高的商品类别作为单词组所代表产品的类别；若所有商品类别的得分相同，则独占单词数最多的商品类别作为单词组所代表产品的类别；否则无法判断；步骤4：对确定了商品类别的单词组选择相应的单词共生表，对于单词组中的每一个单词，计算其与单词组中其它单词的共生性得分；若单词组中每个单词的共生性得分均一致，不丢弃任何单词，否则认为得分低于给定的阈值τa的单词代表的是无用信息，丢弃该单词，完成单词过滤；步骤5：若过滤后的商品信息单词组中含有某一产品品牌，将该品牌名结合过滤后的单词组作为商品查询关键字返回，商品查询关键字生成过程结束；否则通过过滤后的商品信息单词组和对应的品牌打分表对所有品牌的打分，选取得分最高的品牌作为该产品的品牌名，将该品牌名结合过滤后的单词组作为商品查询关键字返回。