一种商品推荐方法、装置、设备和介质与流程

1.本发明涉及商品推荐技术领域，尤其涉及一种商品推荐方法、装置、设备和介质。


背景技术：

2.随着门店规模的不断扩大，商品种类与个数快速增长，客户在门店预览的过程中，需要花费大量的时间去找寻适合自己的商品。而大量无关的信息和产品浏览会逐渐消磨客户的耐心，容易导致客户的流失。
3.为防止客户流失，门店在商品销售的过程中需要进行适量的商品推荐。在传统的商品推荐过程中，通常是通过门店销售人员对路过或进入门店的客户进行推销，但上述推荐方式缺乏针对性，无法针对客户需求准确推荐合适的商品，商品推荐效率较低。


技术实现要素：

4.本发明提供了一种商品推荐方法、装置、设备和介质，解决了现有的门店销售人员推销的方式由于缺乏客户针对性所导致的无法准确高效地推荐商品的技术问题。
5.本发明第一方面提供的一种商品推荐方法，包括：
6.当检测到预设的购物区域存在人员时，实时采集所述人员对应的多个购物人物图像；
7.响应接收到的商品结算请求，获取所述商品结算请求所对应的结算商品和结算人物图像；
8.关联相同的所述购物人物图像、所述结算人物图像和所述结算商品，构建商品关联数据集；
9.采用所述商品关联数据集训练预设的分类模型，得到商品推荐模型；
10.当从所述商品区域采集到更新人物图像时，将所述更新人物图像输入所述商品推荐模型，生成推荐商品信息并显示。
11.可选地，所述关联相同的所述购物人物图像、所述结算人物图像和所述结算商品，构建商品关联数据集的步骤，包括：
12.从所述结算人物图像中提取预定类别的局部特征；
13.按照所述局部特征检索多个所述购物人物图像，确定具有所述局部特征的目标人物图像；
14.采用所述目标人物图像关联所述结算人物图像和所述结算商品，得到商品关联数据；
15.采用全部所述商品关联数据构建商品关联数据集。
16.可选地，所述局部特征包括多个局部子特征；所述按照所述局部特征检索多个所述购物人物图像，确定具有所述局部特征的目标人物图像的步骤，包括：
17.按照所述局部子特征分别检索多个所述购物人物图像，确定各个所述购物人物图像对应的相似特征；
18.分别计算所述局部子特征和所述相似特征之间的距离，确定各个所述购物人物图像对应的特征相似度；
19.按照所述特征相似度的排序结果，从多个所述购物人物图像中确定具有所述局部特征的目标人物图像。
20.可选地，所述采用所述商品关联数据集训练预设的分类模型，得到商品推荐模型的步骤，包括：
21.从所述商品关联数据集内提取所述购物人物图像，并构建损失函数；
22.将所述购物人物图像输入到预设的分类模型，得到所述购物人物图像对应的初始分类商品；
23.基于所述初始分类商品和所述结算商品的比对结果，确定损失函数值；
24.采用预设的梯度下降法调整所述分类模型的权重参数，直至所述损失函数值满足预设阈值，得到商品推荐模型。
25.可选地，所述分类模型包括池化层、分类层、残差网络层和多个不同维度的卷积层；所述将所述购物人物图像输入到预设的分类模型，得到所述购物人物图像对应的初始分类商品的步骤，包括：
26.将所述购物人物图像输入到预设的分类模型；
27.通过多个不同维度的所述卷积层依次对所述购物人物图像执行卷积操作，提取所述购物人物图像对应的卷积特征，并输入所述池化层；
28.通过所述池化层对所述卷积特征执行全局池化操作，得到卷积特征图，并输入所述分类层；
29.通过所述分类层根据预设的商品类别对所述卷积特征图进行分类，得到所述购物人物图像对应的初始分类商品；
30.其中，所述残差网络层设置在不同维度的所述卷积层之间，用于计算上一维度的所述卷积层输出的所述卷积特征对应的残差，并结合所述卷积特征输入下一维度的所述卷积层。
31.可选地，所述采用预设的梯度下降法调整所述分类模型的权重参数，直至所述模型准确率满足预设阈值，得到商品推荐模型的步骤，包括：
32.对所述损失函数进行求导，得到下降梯度；
33.按照预定的步长沿所述下降梯度方向调整所述分类模型的权重参数；
34.跳转执行所述将所述购物人物图像输入到预设的分类模型，得到所述购物人物图像对应的初始分类商品的步骤；
35.当所述损失函数值满足预设阈值，得到商品推荐模型。
36.可选地，所述当从所述商品区域采集到更新人物图像时，将所述更新人物图像输入所述商品推荐模型，生成推荐商品信息并显示的步骤，包括：
37.当从所述商品区域采集到更新人物图像时，将所述更新人物图像输入所述商品推荐模型；
38.通过所述商品推荐模型提取所述更新人物图像对应的更新外观特征；
39.通过所述商品推荐模型按照所述更新外观特征进行分类，确定所述更新外观特征对应的推荐商品类别；
40.按照所述推荐商品类别所对应的商品销售量的顺序，生成推荐商品信息并显示。
41.本发明第二方面提供了一种商品推荐装置，包括：
42.购物人物图像获取模块，用于当检测到预设的购物区域存在人员时，实时采集所述人员对应的多个购物人物图像；
43.结算数据获取模块，用于响应接收到的商品结算请求，获取所述商品结算请求所对应的结算商品和结算人物图像；
44.商品关联数据集构建模块，用于关联相同的所述购物人物图像、所述结算人物图像和所述结算商品，构建商品关联数据集；
45.商品推荐模型训练模块，用于采用所述商品关联数据集训练预设的分类模型，得到商品推荐模型；
46.推荐商品信息生成模块，用于当从所述商品区域采集到更新人物图像时，将所述更新人物图像输入所述商品推荐模型，生成推荐商品信息并显示。
47.本发明第三方面提供了一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如本发明第一方面任一项所述的商品推荐方法的步骤。
48.本发明第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如本发明第一方面任一项所述的商品推荐方法。
49.从以上技术方案可以看出，本发明具有以下优点：
50.当商品推荐装置检测到预设的购物区域存在人员时，可以实时跟踪该人员的位置，采集该人员对应的多个购物人物图像进行存储，而当在商品推荐装置所连接的收银台接收到商品结算请求时，对结算商品的人员进行图像采集，以获取到结算人物图像和对应的结算商品。为分析人员的消费规律，可以结算人物图像为类别关联对应的购物人物图像和结算商品，以此构建商品关联数据集，再采用商品关联数据集训练预设的分类模型，根据数据的规律性对分类模型内的权重参数或模型参数进行调整，得到商品推荐模型；此时若是商品推荐装置从商品区域再次采集到另一人员所对应的更新人物图像时，可以将更新人物图像输入到商品推荐模型进行分析，以生成与该更新人物图像的外观特征相关联的推荐商品信息并显示在门店外部显示屏，从而解决了现有的商品推荐方法由于门店销售人员推销的方式缺乏客户针对性且容易引起客户反感所导致的无法准确高效地推荐商品的技术问题，通过商品推荐模型分析和门店外部显示，更为高效准确地推荐符合客户外观特征的商品推荐信息。
附图说明
51.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
52.图1为本发明实施例一提供的一种商品推荐方法的步骤流程图；
53.图2为本发明实施例二提供的一种商品推荐方法的步骤流程图；
54.图3为本发明实施例二提供的一种商品推荐模型的结构示意图；
55.图4为本发明实施例三提供的一种商品推荐装置的结构框图。
具体实施方式
56.本发明实施例提供了一种商品推荐方法、装置、设备和介质，用于解决现有的门店销售人员推销的方式由于缺乏客户针对性所导致的无法准确高效地推荐商品的技术问题。
57.为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
58.请参阅图1，图1为本发明实施例一提供的一种商品推荐方法的步骤流程图，本实施例中的商品推荐方法可以通过商品推荐装置实现，该商品推荐装置可以由软件和/或硬件的方式实现，以下对本方法的具体实施过程进行进一步说明。
59.本发明提供的一种商品推荐方法，包括以下步骤：
60.步骤101，当检测到预设的购物区域存在人员时，实时采集人员对应的多个购物人物图像；
61.本技术实施例中的购物区域指的是距离门店一定距离的区域以及门店内的各个商品摆放的区域，例如门店外部显示器可观看区域等。
62.本技术实施例中的购物人物图像指的是客户在门店外徘徊、停驻或进入到门店时所采集的图像，可以通过设置在门店内外的各个摄像设备进行实时获取和跟踪。
63.在本技术实施例中，商品推荐装置可以对购物区域进行运动对象检测，当检测到客户进入购物区域时，通过设置在门店内外的摄像设备对购物区域内的客户进行购物人物图像进行实时采集，以实现对客户的购物意向位置跟踪。
64.步骤102，响应接收到的商品结算请求，获取商品结算请求所对应的结算商品和结算人物图像；
65.本技术实施例中的商品结算请求指的是收银台的扫描设备所扫描到的商品条形码，或客户终端的付款码等信息所触发的请求。
66.在本技术实施例中，本商品推荐装置还可以实时连接到收银台，当从收银台接收到商品结算请求时，也就是收银台的扫描设备开始对商品的条形码进行扫描时，此时可以通过收银台内置的摄像设备获取当前的结算人物图像。同时响应所扫描的商品条形码，从装置内置的数据库确定对应的结算商品。
67.步骤103，关联相同的购物人物图像、结算人物图像和结算商品，构建商品关联数据集；
68.在本技术实施例中，当获取到购物人物图像、结算人物图像和结算商品后，可以结算人物图像为类别关联购物人物图像和结算商品，以构建商品关联数据，采用多个商品关联数据构建得到商品关联数据集。
69.在具体实现中，每个商品关联数据均包括结算人物图像、具备与结算人物图像的局部特征的购物人物图像和结算商品。在获取到结算人物图像后，可以利用计算机视觉技术从中获取到预定类别的局部特征，通过检索实时采集的多个购物人物图像，从中选取具
备该局部特征的购物人物图像进行关联，以弥补固定摄像头的视觉局限性，实现跨设备的图像关联。与此同时，在建立结算人物图像和具备局部特征的购物人物图像之间的关联关系后，还可以进一步将结算商品的商品类别一并加入到上述关联关系中，以得到存有结算人物图像—购物人物图像—结算商品的商品关联数据。而随着结算人物图像的不断增加，构建的商品关联数据也随之增加，当商品关联数据的数量达到一定的阈值时，采用全部商品关联数据构建对应的商品关联数据集。
70.步骤104，采用商品关联数据集训练预设的分类模型，得到商品推荐模型；
71.本技术实施例中的分类模型指的是对标多种已知商品类别以及相应的样本标签进行训练所获得的机器学习模型，该分类模型可以包括多个网络层，如包括卷积层、池化层、激活层、全连接层等，该分类模型可以是采用例如k最近邻(k
‑
nearest neighbors)、决策树(decision trees)、朴素贝叶斯(naive bayes)、随机森林(random forest)或梯度boosting(gradient boosting)算法等拟合而成的模型。
72.在本技术实施例中，在构建得到商品关联数据集后，通过采用商品关联数据集对分类模型进行训练，以对分类模型中的各个网络层的权重参数或者模型参数进行适应性调整。当参数调整达到一定次数或者模型输出的准确率达到一定的阈值时，得到符合客户消费习惯的商品推荐模型。
73.步骤105，当从商品区域采集到更新人物图像时，将更新人物图像输入商品推荐模型，生成推荐商品信息并显示。
74.在具体实现中，在商品推荐模型训练完成后，本装置对商品区域内的客户进行实时监控，若是商品区域内出现新的客户时，可以通过摄像设备采集到与新的客户对应的图像作为更新人物图像。再将该更新人物图像输入到商品推荐模型，以通过商品推荐模型根据更新人物图像的外观特征进行分析，确定该客户所需要或感兴趣的推荐商品信息并显示。
75.需要说明的是，在门店外部可以设置有显示屏实时播放商品信息，当上述商品推荐模型生成推荐商品信息后，可以实时在该显示屏上进行显示。
76.在本技术实施例中，当商品推荐装置检测到预设的购物区域存在人员时，可以实时跟踪该人员的位置，采集该人员对应的多个购物人物图像进行存储，而当在商品推荐装置所连接的收银台接收到商品结算请求时，对结算商品的人员进行图像采集，以获取到结算人物图像和对应的结算商品。为分析人员的消费规律，可以结算人物图像为类别关联对应的购物人物图像和结算商品，以此构建商品关联数据集，再采用商品关联数据集训练预设的分类模型，根据数据的规律性对分类模型内的权重参数或模型参数进行调整，得到商品推荐模型；此时若是商品推荐装置从商品区域再次采集到另一人员所对应的更新人物图像时，可以将更新人物图像输入到商品推荐模型进行分析，以生成与该更新人物图像的外观特征相关联的推荐商品信息并显示在门店外部显示屏，从而解决了现有的商品推荐方法由于门店销售人员推销的方式缺乏客户针对性且容易引起客户反感所导致的无法准确高效地推荐商品的技术问题，通过商品推荐模型分析和门店外部显示的方式，更为高效准确地推荐符合客户外观特征的商品推荐信息。
77.请参阅图2，图2为本发明实施例二提供的一种商品推荐方法的步骤流程图。
78.本发明提供的一种商品推荐方法，包括以下步骤：
79.步骤201，当检测到预设的购物区域存在人员时，实时采集人员对应的多个购物人物图像；
80.本技术实施例中的购物区域指的是距离门店一定距离的区域以及门店内的各个商品摆放的区域，例如门店外部显示器可观看区域等。
81.本技术实施例中的购物人物图像指的是客户在门店外徘徊、停驻或进入到门店时所采集的图像，可以通过设置在门店内外的各个摄像设备进行实时获取和跟踪。
82.在本技术实施例中，商品推荐装置可以对购物区域进行运动对象检测，当检测到客户进入购物区域时，通过设置在门店内外的摄像设备对购物区域内的客户进行购物人物图像进行实时采集，以实现对客户的购物意向位置跟踪。
83.步骤202，响应接收到的商品结算请求，获取商品结算请求所对应的结算商品和结算人物图像；
84.本技术实施例中的商品结算请求指的是收银台的扫描设备所扫描到的商品条形码，或客户终端的付款码等信息所触发的请求。
85.在本技术实施例中，本商品推荐装置还可以实时连接到收银台，当从收银台接收到商品结算请求时，也就是收银台的扫描设备开始对当前商品的条形码进行扫描时，此时可以通过收银台内置的摄像设备采集对当前商品进行结算的人物图像作为结算人物图像，同时响应所扫描的商品条形码，从商品推荐装置内置的数据库中查询与该商品条形码匹配的商品作为与当前的商品结算请求对应的结算商品。
86.步骤203，关联相同的购物人物图像、结算人物图像和结算商品，构建商品关联数据集；
87.可选地，步骤203可以包括以下子步骤s11
‑
s14：
88.s11、从结算人物图像中提取预定类别的局部特征；
89.在本技术实施例中的局部特征指的是结算人物图像中人物的局部外观特征，其中预定类别可以包括但不限于衣物颜色、衣物种类、头发颜色、背包形状和背包颜色等。
90.在本技术实施例中，可以采用特征提取模型响应用户输入的预定类别，对结算人物图像内的各个特征进行识别并进行特征提取，以获取到与预定类型对应的局部特征。
91.需要说明的是，特征提取模型可以为卷积神经网络cnn、残差神经网络resnet，深度卷积神经网络vggnet等，通过响应用户输入的预定类别，经过7*7卷积层对结算人物图像进行处理，以获取到64张图片，由于步长是2，大小变为112x112，每一种特征提取方法对应一组参数，这些参数对每7x7个像素进行同样处理，最终生成一个新的像素。换言之，就是构造了64种特征提取方法，分别提取了颜色，形状，边缘等特征，也可以看到由于处理以卷积为基础，图像位置关系得以保留。然后依次传入四个bottlenext子网络(原理同上)，分别称为conv2,conv3,conv4,conv5(也有名为layer1,layer2,layer3,layer4)，输出的大小也逐层递减，最终减致2048x7x7＝100352，长宽分别是原始参数的1/32。mask
‑
rcnn中就可获取r
‑
50的第4和第5次作为特征，对特征进行池化以得到局部特征。
92.s12、按照局部特征检索多个购物人物图像，确定具有局部特征的目标人物图像；
93.进一步地，局部特征包括多个局部子特征，步骤s12可以包括以下子步骤：
94.按照局部子特征分别检索多个购物人物图像，确定各个购物人物图像对应的相似特征；
95.分别计算局部子特征和相似特征之间的距离，确定各个购物人物图像对应的特征相似度；
96.按照特征相似度的排序结果，从多个购物人物图像中确定具有局部特征的目标人物图像。
97.在本技术的一个示例中，局部特征包括多个不同种类的局部子特征，例如局部特征为头发颜色类别的局部特征时，局部子特征可以包括具体的头发颜色如赤橙黄绿青蓝紫黑等。按照局部子特征分别检索多个购物人物图像，已确定每个购物图像中与局部子特征对应的相似特征，再分别计算局部子特征和相似特征之间的距离，以确定各个购物人物图像所对应的特征相似度。再按照各个特征相似度从高到低的排序结果，从中选取预定数量的购物人物图像或者特征相似度大于预定相似度阈值的购物人物图像，从而确定具有局部特征的目标人物图像。其中，局部子特征和相似特征都可以用向量的形式表示，计算局部子特征和相似特征之间的距离可以理解为计算两个向量之间的余弦距离或jaccard距离，具体的距离计算方式本实施例对此不作限定。
98.在具体实现中，可以采用行人重识别(reid，person re
‑
identification)的方法进行目标人物图像的归类。采用resnet50获得描述特征，对目标样本与测试样本之间的相似性进行初始排序，对相似排序得到的样本构建相似样本集合，获得每个类别的聚类中心和样本距离聚类中心的最小、最大、均值距离，基于距离的比较确定特征相似度的排序结果，从而从多个购物人物图像中确定具有局部特征目标人物图像。
99.以局部特征为头发颜色类别的局部特征为例，此时局部子特征可以为具体的头发颜色并通过向量形式表示，分别采用赤橙黄绿青蓝紫黑的局部子特征检索各个购物人物图像，首先从各个购物人物图像中识别得到人物的位置，获取购物人物图像中人物头发图像，并提取该人物头发图像的相似特征，以向量的形式进行表示；计算相似特征与局部子特征之间的向量距离，以确定购物人物图像的特征相似度；重复上述过程得到各个购物人物图像的特征相似度后，根据特征相似度从高到低的排序结果，选取预定数量的购物人物图像或者特征相似度大于预定相似度阈值的购物人物图像作为目标人物图像。
100.s13、采用目标人物图像关联结算人物图像和结算商品，得到商品关联数据；
101.s14、采用全部商品关联数据构建商品关联数据集。
102.在本技术实施例中，为提供后续商品推荐模型所需要的数据基础，可以通过采用目标人物图像关联相同的结算人物图像和结算商品，得到一个商品关联数据。而在具体实现中，由于结算人物图像的多样性和结算商品的多样性，可以并行获取到多个目标人物图像、多个结算人物图像和结算商品，在相关联各个图像以及商品得到商品关联数据后，可采用全部商品关联数据以构建得到商品关联数据集。
103.步骤204，从商品关联数据集内提取购物人物图像，并构建损失函数；
104.在本技术的一个示例中，在构建得到商品关联数据集后，可以从中提取各个购物人物图像，并构建分类模型所对应的损失函数。
105.损失函数(loss function)或代价函数(cost function)是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。在应用中，损失函数通常作为学习准则与优化问题相联系，即通过最小化损失函数求解和评估模型。
106.步骤205，将购物人物图像输入到预设的分类模型，得到购物人物图像对应的初始
分类商品；
107.可选地，分类模型包括池化层、分类层、残差网络层和多个不同维度的卷积层，步骤205可以包括以下子步骤：
108.将购物人物图像输入到预设的分类模型；
109.通过多个不同维度的卷积层依次对购物人物图像执行卷积操作，提取购物人物图像对应的卷积特征，并输入池化层；
110.通过池化层对卷积特征执行全局池化操作，得到卷积特征图，并输入分类层；
111.通过分类层根据预设的商品类别对卷积特征图进行分类，得到购物人物图像对应的初始分类商品；
112.其中，残差网络层设置在不同维度的卷积层之间，用于计算上一维度的卷积层输出的卷积特征对应的残差，并结合卷积特征输入下一维度的卷积层。
113.本技术实施例中的分类模型指的是对标多种已知商品类别以及相应的样本标签进行训练所获得的机器学习模型，该分类模型可以选择卷积神经网络cnn、残差神经网络resnet、循环神经网络rnn、深度卷积神经网络vggnet、深度神经网络googlenet等模型的任意一个模型进行改进和训练得到，本实施例对此不作具体限定。
114.请参阅图3，通过在多个不同维度的卷积层之间设置残差网络层，通过计算上一维度的卷积层1输出的卷积特征所计算得到的残差，并结合卷积特征输入到下一维度的卷积层2，通过卷积层1、2、
……
、n分别对购物人物图像执行卷积操作，以提取到购物人物图像对应的卷积特征并输入到池化层，通过池化层对卷积特征执行全局池化操作，以得到卷积特征图并输入到分类层，通过分类层按照预设的商品类别对卷积特征图进行分类，以确定购物人物图像所对应的初始分类商品。
115.需要说明的是，深度网络的训练问题称为退化问题，残差单元可以解决退化问题的背后逻辑在于此：想象一个网络a，其训练误差为x。现在通过在网络a上面堆积更多的层来构建网络b，这些新增的层什么也不做，仅仅复制前面a的输出。这些新增的层称为层c。这意味着网络b应该和网络a的训练误差一样。那么，如果训练网络b其训练误差应该不会差于网络a。但是实际上却是更差，唯一的原因是让增加的层c学习恒等映射并不容易。为了解决这个退化问题，残差模块在输入和输出之间建立了一个直接连接，这样新增的层c仅仅需要在原来的输入层基础上学习新的特征，即学习残差，会比较容易。例如，在googlenet、resnet中，均采用了残差学习的网络架构。利用残差模块，可以训练152层的残差网络，其准确度比vggnet和googlenet要高，且计算效率也比vggnet高。152层的resnet其top
‑
5准确度为95.51％。
116.步骤206，基于初始分类商品和结算商品的比对结果，确定损失函数值；
117.在采用多个购物人物图像输入到分类模型，得到多个初始分类商品后，可以基于多个初始分类商品和结算商品的比对结果，以确定分类模型在该次训练过程中的准确度，并采用损失函数计算对应的损失函数值。
118.步骤207，采用预设的梯度下降法调整分类模型的权重参数，直至损失函数值满足预设阈值，得到商品推荐模型。
119.可选地，步骤207可以包括以下子步骤：
120.对损失函数进行求导，得到下降梯度；
121.按照预定的步长沿下降梯度方向调整分类模型的权重参数；
122.跳转执行将购物人物图像输入到预设的分类模型，得到购物人物图像对应的初始分类商品的步骤；
123.当损失函数值满足预设阈值，得到商品推荐模型。
124.梯度下降法指的是，计算过程就是沿梯度下降方向求解极小值(也可以沿梯度上升方向求解极大值)。其迭代公式为a
k 1
＝a
k
p
k
s
(k)
,其中s
(k)
代表梯度负方向，p
k
表示梯度方向上的搜索步长。梯度方向我们可以通过对函数求导得到，步长的确定比较麻烦，太大了的话可能会发散，太小收敛速度又太慢。一般确定步长的方法是由线性搜索算法来确定，即把下一个点的坐标看作是a
k 1
的函数，然后求满足f(a
k 1
)的最小值的a
k 1
即可。因为一般情况下，梯度向量为0的话说明是到了一个极值点，此时梯度的幅值也为0。而采用梯度下降算法进行最优化求解时，算法迭代的终止条件是梯度向量的幅值接近0即可，可以设置个非常小的常数阈值。
125.在本技术实施例中，可以对损失函数进行求导以确定下降梯度的方向，按照预定步长沿下降梯度方向调整分类模型的权重参数，再次跳转步骤205，以进行模型的再次训练，当损失函数值满足预设阈值时，将当前时刻对应的分类模型确定为商品推荐模型。
126.步骤208，当从商品区域采集到更新人物图像时，将更新人物图像输入商品推荐模型，生成推荐商品信息并显示。
127.可选地，步骤208可以包括以下子步骤：
128.当从商品区域采集到更新人物图像时，将更新人物图像输入商品推荐模型；
129.通过商品推荐模型提取更新人物图像对应的更新外观特征；
130.通过商品推荐模型按照更新外观特征进行分类，确定更新外观特征对应的推荐商品类别；
131.按照推荐商品类别所对应的商品销售量的顺序，生成推荐商品信息并显示。
132.本技术实施例中的更新外观特征指的是当商品推荐装置从商品区域检测到新的人员时，由商品推荐模型对摄像设备从新的人员采集到的更新人物图像进行特征提取后得到的外观特征，具体可参见步骤205的卷积特征图提取过程。
133.在本技术的一个示例中，当商品推荐装置从商品区域检测到新的人员时，可以通过摄像设备从商品区域采集对应的更新人物图像，将更新人物图像输入到商品推荐模型后，通过商品推荐模型提取更新人物图像对应的更新外观特征，具体过程为将更新人物图像输入到商品推荐模型后，通过在商品推荐模型内多个不同维度的卷积层之间设置残差网络层，通过计算上一维度的卷积层1输出的更新卷积特征所计算得到的残差，并结合更新卷积特征输入到下一维度的卷积层2，通过卷积层1、2、
……
、n分别对更新人物图像执行卷积操作，以提取到更新人物图像对应的更新卷积特征并输入到池化层，通过池化层对更新卷积特征执行全局池化操作，以得到更新外观特征。
134.最后通过商品推荐模型的分类层按照预设的商品类别对更新外观特征进行分类，以确定更新外观特征对应的推荐商品类别，例如文具类、玩具类、生活用品类或家具类等。最后按照推荐商品类别所对应的商品销售量从高到低的排序，选取销售量较高的预设数量的商品生成对应的推荐商品信息，并传输至安装在门店外部的显示屏中进行显示。
135.在本技术实施例中，当商品推荐装置检测到预设的购物区域存在人员时，可以实
时跟踪该人员的位置，采集该人员对应的多个购物人物图像进行存储，而当在商品推荐装置所连接的收银台接收到商品结算请求时，对结算商品的人员进行图像采集，以获取到结算人物图像和对应的结算商品。为分析人员的消费规律，可以结算人物图像为类别关联对应的购物人物图像和结算商品，以此构建商品关联数据集，再采用商品关联数据集训练预设的分类模型，根据数据的规律性对分类模型内的权重参数或模型参数进行调整，得到商品推荐模型；此时若是商品推荐装置从商品区域再次采集到另一人员所对应的更新人物图像时，可以将更新人物图像输入到商品推荐模型进行分析，以生成与该更新人物图像的外观特征相关联的推荐商品信息并显示在门店外部显示屏，从而解决了现有的商品推荐方法由于门店销售人员推销的方式缺乏客户针对性且容易引起客户反感所导致的无法准确高效地推荐商品的技术问题，通过商品推荐模型分析和门店外部显示的方式，更为高效准确地推荐符合客户外观特征的商品推荐信息。
136.请参阅图4，图4为本发明实施例三提供的一种商品推荐装置的结构框图。
137.本发明实施例提供了一种商品推荐装置，包括：
138.购物人物图像获取模块401，用于当检测到预设的购物区域存在人员时，实时采集人员对应的多个购物人物图像；
139.结算数据获取模块402，用于响应接收到的商品结算请求，获取商品结算请求所对应的结算商品和结算人物图像；
140.商品关联数据集构建模块403，用于关联相同的购物人物图像、结算人物图像和结算商品，构建商品关联数据集；
141.商品推荐模型训练模块404，用于采用商品关联数据集训练预设的分类模型，得到商品推荐模型；
142.推荐商品信息生成模块405，用于当从商品区域采集到更新人物图像时，将更新人物图像输入商品推荐模型，生成推荐商品信息并显示。
143.可选地，商品关联数据集构建模块403包括：
144.局部特征提取子模块，用于从结算人物图像中提取预定类别的局部特征；
145.目标人物图像确定子模块，用于按照局部特征检索多个购物人物图像，确定具有局部特征的目标人物图像；
146.图像关联子模块，用于采用目标人物图像关联结算人物图像和结算商品，得到商品关联数据；
147.数据集构建子模块，用于采用全部商品关联数据构建商品关联数据集。
148.可选地，局部特征包括多个局部子特征；目标人物图像确定子模块具体用于：
149.按照局部子特征分别检索多个购物人物图像，确定各个购物人物图像对应的相似特征；
150.分别计算局部子特征和相似特征之间的距离，确定各个购物人物图像对应的特征相似度；
151.按照特征相似度的排序结果，从多个购物人物图像中确定具有局部特征的目标人物图像。
152.可选地，商品推荐模型训练模块404包括：
153.图像提取子模块，用于从商品关联数据集内提取购物人物图像，并构建损失函数；
154.分类商品确定子模块，用于将购物人物图像输入到预设的分类模型，得到购物人物图像对应的初始分类商品；
155.损失函数值确定子模块，用于基于初始分类商品和结算商品的比对结果，确定损失函数值；
156.权重调整子模块，用于采用预设的梯度下降法调整分类模型的权重参数，直至损失函数值满足预设阈值，得到商品推荐模型。
157.可选地，分类模型包括池化层、分类层、残差网络层和多个不同维度的卷积层；分类商品确定子模块具体用于：将购物人物图像输入到预设的分类模型；通过多个不同维度的卷积层依次对购物人物图像执行卷积操作，提取购物人物图像对应的卷积特征，并输入池化层；
158.通过池化层对卷积特征执行全局池化操作，得到卷积特征图，并输入分类层；通过分类层根据预设的商品类别对卷积特征图进行分类，得到购物人物图像对应的初始分类商品；
159.其中，残差网络层设置在不同维度的卷积层之间，用于计算上一维度的卷积层输出的卷积特征对应的残差，并结合卷积特征输入下一维度的卷积层。
160.可选地，权重调整子模块具体用于：对损失函数进行求导，得到下降梯度；按照预定的步长沿下降梯度方向调整分类模型的权重参数；跳转执行将购物人物图像输入到预设的分类模型，得到购物人物图像对应的初始分类商品的步骤；当损失函数值满足预设阈值，得到商品推荐模型。
161.可选地，推荐商品信息生成模块405包括：
162.模型输入子模块，用于当从商品区域采集到更新人物图像时，将更新人物图像输入商品推荐模型；
163.更新外观特征提取子模块，用于通过商品推荐模型提取更新人物图像对应的更新外观特征；
164.推荐商品类别确定子模块，用于通过商品推荐模型按照更新外观特征进行分类，确定更新外观特征对应的推荐商品类别；
165.推荐商品信息生成子模块，用于按照推荐商品类别所对应的商品销售量的顺序，生成推荐商品信息并显示。
166.本发明实施例还提供了一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如本发明任一实施例所述的商品推荐方法的步骤。
167.本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如本发明任一实施例所述的商品推荐方法。
168.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置、模块和子模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
169.在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的
相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
170.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
171.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
172.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
173.以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。