一种商品分类方法和装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种商品分类方法和装置。

背景技术

随着商品种类的日益增加，为方便对商品进行管理，同时便于用户从海量商品中快速找到感兴趣或者意欲购买的商品，需要对商品进行分类。

目前，常用的商品分类方法是，采用人工设定的层级分类结构，通过人工分类的方式对商品进行分类，如，一台平板电视机，被归类为“家用电器、大家电、平板电视”，其中，“家用电器”是最高级分类，“大家电”是第二级分类，“平板电视”是末级分类。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：由于商品种类繁多，人工进行分类需要的劳动量大，使得商品分类效率偏低；同一个商品可能归于多个类别，而人工分类难以找到最合适的商品类别；人工设定的层级分类结构自身具有局限性，不便于调整，且无法很好地适应新出的商品类别。

发明内容

有鉴于此，本发明实提供了一种商品分类的方法和装置，既能够实现对商品的自动分类，又能够在现有商品分类的基础上，挖掘出可能的新的商品分类。

为实现上述目的，根据本发明的第一方面，提供了一种商品分类的方法，包括：

获取商品分类训练数据，所述商品分类训练数据包括商品描述信息及对应的商品类别，其中，所述商品描述信息是根据商品标识获得的，所述商品类别定义于预定义的商品分类表；

使用所述商品分类训练数据，基于神经网络，训练得到用于进行商品分类的商品分类模型；

根据待分类商品的商品描述信息，使用所述商品分类模型，预测所述待分类商品归属于所述商品分类表中的商品类别的概率，及所述待分类商品的商品描述信息中的词作为商品类别的概率；根据所预测的概率由高到低的顺序，确定所述待分类商品所归属的商品类别。

可选地，在确定所述待分类商品的描述信息中的词为所述待分类商品所归属的商品分类时，或在所述词作为商品类别的概率大于阈值概率时，将所述词作为商品分类添加至所述商品分类表。

可选地，所述获取商品分类训练数据，包括：

获取商品点击数据，所述商品点击数据包括用于搜索商品的一个或多个搜索关键词及根据所述搜索关键词而被选择的商品的商品标识；

在所述搜索关键词为所述商品分类表中所定义的商品类别的情况下，确定所述商品标识对应的商品描述信息，将所述搜索关键词对应的商品类别和所述商品描述信息构建为商品分类训练数据。

可选地，还包括：在所述商品根据一个或多个作为所述商品类别的搜索关键词而被选择时，将导致所述商品被选择最多次数的所述搜索关键词对应的商品类别和所述商品的商品描述信息构建为商品分类训练数据。

可选地，还包括：在作为所述商品类别的搜索关键词对应于一个或多个商品标识时，将预定义比例的商品标识确定为所述商品类别对应的商品标识，将所述商品类别和所述预定义比例的商品标识对应的商品描述信息构建为商品分类训练数据。

可选地，所述神经网络包括分词处理层、商品类别识别层和商品类别预测层；所述使用所述商品分类训练数据，基于神经网络，训练得到用于进行商品分类的商品分类模型，包括：

使用所述分词处理层将所述商品描述信息中的一个或多个词处理为词向量；

使用所述商品类别识别层计算所述词向量对应的词作为商品类别的概率，并根据所述词向量和所述词向量对应的词作为商品类别的概率，计算商品描述向量；

使用所述商品类别预测层，根据所述商品描述向量预测商品归属于所述商品分类表中的商品类别的概率；

调整所述神经网络，指示所预测的概率最大值对应的商品类别为所述商品分类训练数据中所述商品描述信息对应的商品类别。

为实现上述目的，根据本发明的第二方面，提供了一种商品分类的装置：包括：商品分类训练数据获取模块、商品分类模型确定模块、商品类别预测模块；其中，

所述商品分类训练数据获取模块，用于获取商品分类训练数据，所述商品分类训练数据包括商品描述信息及对应的商品类别，其中，所述商品描述信息是根据商品标识获得的，所述商品类别定义于预定义的商品分类表；

所述商品分类模型确定模块，用于使用所述商品分类训练数据，基于神经网络，训练得到用于进行商品分类的商品分类模型；

所述商品类别预测模块，用于根据待分类商品的描述信息，使用所述商品分类模型，预测所述待分类商品归属于所述商品分类表中的商品类别的概率，及所述待分类商品的商品描述信息中的词作为商品类别的概率；根据所预测的概率由高到低的顺序，确定所述待分类商品所归属的商品类别。

可选地，所述商品分类训练数据获取模块，还用于，在确定所述待分类商品的描述信息中的词为所述待分类商品所归属的商品分类时，或在所述词作为商品分类的概率大于阈值概率时，将所述词向量作为商品分类添加至所述商品分类表。

可选地，所述获取商品分类训练数据，包括：

获取商品点击数据，所述商品点击数据包括用于搜索商品的一个或多个搜索关键词及根据所述搜索关键词而被选择的商品的商品标识；

在所述搜索关键词为所述商品分类表中所定义的商品类别的情况下，确定所述商品标识对应的商品描述信息，将所述搜索关键词对应的商品类别和所述商品描述信息构建为商品分类训练数据。

可选地，还包括：在所述商品根据一个或多个作为所述商品类别的搜索关键词而被选择时，将导致所述商品被选择最多次数的所述搜索关键词对应的商品类别和所述商品的商品描述信息构建为商品分类训练数据。

可选地，还包括：在作为所述商品类别的搜索关键词对应于一个或多个商品标识时，将预定义比例的商品标识确定为所述商品类别对应的商品标识，将所述商品类别和所述预定义比例的商品标识对应的商品描述信息构建为商品分类训练数据。

可选地，所述神经网络包括分词处理层、商品类别识别层和商品类别预测层；所述使用所述商品分类训练数据，基于神经网络，训练得到用于进行商品分类的商品分类模型，包括：

使用所述分词处理层将所述商品描述信息中的一个或多个词处理为词向量；

使用商品类别识别层计算所述词向量对应的词作为商品类别的概率，并根据所述词向量和所述词向量对应的词作为商品类别的概率，计算商品描述向量；

使用所述商品类别预测层，根据所述商品描述向量预测商品归属于所述商品分类表中的商品类别的概率；

调整所述神经网络，直至所预测的概率最大值对应的商品类别为所述商品分类训练数据中所述商品描述信息对应的商品类别。

为实现上述目的，根据本发明的第三方面，提供了一种用于商品分类的服务器，其特征在于，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述商品分类方法中任一所述的方法。

为实现上述目的，根据本发明的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如上所述商品分类方法中任一所述的方法。

上述发明中的一个实施例具有如下优点或有益效果：基于预定义的商品分类表和海量的商品点击数据，获取了用于确定商品分类模型的训练数据，保证了训练数据的全面性、有效性；同时，通过商品分类模型，对商品描述信息进行处理，不仅可以自动预测商品在预定义的商品分类表中的归属，还可挖掘出新的可用作商品分类的词，进而可以扩充预定义的商品分类表，提高了商品分类的准确性。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明实施例的商品分类的方法的主要流程的示意图；

图2a是根据本发明实施例的神经网络的主要结构的示意图；

图2b是根据本发明实施例的分词处理层的主要结构的示意图；

图3是根据本发明实施例的商品分类的装置的主要结构的示意图；

图4是本发明实施例可以应用于其中的示例性系统架构图；

图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

如图1所示，本发明实施例提供了一种商品分类的方法，具体可以包括的步骤如下：

步骤S101，获取商品分类训练数据，所述商品分类训练数据包括商品描述信息及对应的商品类别，其中，所述商品描述信息是根据商品标识获得的，所述商品类别定义于预定义的商品分类表。

商品标识为可用于标识商品的任何信息，如商品ID等，且根据商品标识可以从电商平台、商品信息库、数据库等多种渠道获取商品对应的商品描述信息，如商品标题、商品型号等；预定义的商品分类表定义了商品类别，如人工设定的商品三级分类表等。

在一种可选的实施方式中，所述获取商品分类训练数据，包括：获取商品点击数据，所述商品点击数据包括用于搜索商品的一个或多个搜索关键词及根据所述搜索关键词而被选择的商品的商品标识；在所述搜索关键词为所述商品分类表中所定义的商品类别的情况下，确定所述商品标识对应的商品描述信息，将所述搜索关键词对应的商品类别和所述商品描述信息构建为商品分类训练数据。

可以理解的是，用同一个搜索关键词搜索后被选取(如以点击的方式进行选取)的商品可能有一个或多个，对应的商品标识也可能有一个或多个，且同一个商品也可能被多次选取，因而对应的同一个商品标识可能出现多次，每一次均对应一次选取记录，因此，可以根据商品标识出现的次数计算对应的商品被选取的次数。

具体地，参见表1，商品点击数据中包含的用于搜索商品的搜索关键词包括：搜索关键词1、搜索关键词2、搜索关键词3等；以搜索关键词1为例进行说明，使用搜索关键词1进行搜索以后，被搜索用户点击或者选取的商品对应的商品标识包括：商品标识1、商品标识2、商品标识3、商品标识1，其中商品标识1对应有2条记录，即表明商品标识1对应的被选取的次数为2；使用不同的搜索关键词也可能搜索到一个或多个相同的商品，因而不同的搜索关键词可能对应相同的商品标识，如下表1中的搜索关键词1与搜索关键词2均对应有商品标识1。

在此基础上，由于搜索关键词为用户自行设定或者输入的，很多搜索关键词与想要搜索的目标商品不匹配或者无法很好地搜索到目标商品，因此，为保证商品分类训练数据的有效性，可对获取到的商品点击数据进行筛选，即判断搜索关键词1、搜索关键词2、搜索关键词3是否是预定义的商品分类表中的商品类别，仍以搜索关键词1为例进行说明：若搜索关键词1不是商品类别，则过滤掉搜索关键词1及对应的商品标识；若搜索关键词1是商品类别，则根据索关键词对应的商品标识1、商品标识2、商品标识3获取对应的商品描述信息，进而选取搜索关键词1及对应的商品描述信息用以构成商品分类训练数据。

表1.商品点击数据示例

在一种可选的实施方式中，在所述商品根据一个或多个作为所述商品类别的搜索关键词而被选择时，将导致所述商品被选择最多次数的所述搜索关键词对应的商品类别和所述商品的商品描述信息构建为商品分类训练数据。具体地，仍参见表1，以搜索关键词1、搜索关键词2均为商品类别进行说明，使用搜索关键词1或搜索关键词2进行搜索时，商品标识1对应的商品均被选取过，但不同之处在于，以搜索关键词1进行搜索时，商品标识1对应的商品被选取的次数为2，而以搜索关键词2进行搜索时，商品标识1对应的商品被选取的次数为1，因而判定商品标识1归属于搜索关键词1对应的商品类别的可能性大，进而选取搜索关键词1对应的商品类别以及商品标识1对应的商品描述信息用以组成商品分类训练数据，与此同时，放弃搜索关键词2、商品标识1该条数据。

在一种可选的实施方式中，在作为所述商品类别的搜索关键词对应于一个或多个商品标识时，将预定义比例的商品标识确定为所述商品类别对应的商品标识，将所述商品类别和所述预定义比例的商品标识对应的商品描述信息构建为商品分类训练数据。预定义比例可以是按照实际需求设定的任一比例，如20％、25％、50％等。具体地，仍参见表1，以搜索关键词1为商品类别进行说明，在使用搜索关键词1进行搜索时，选取的商品标识总数量为3，即商品标识1、商品标识2、商品标识3；其中，商品标识1出现的次数为2、商品标识2出现的次数为1、商品标识3出现的次数为1；商品标识出现的次数越高，则对应的商品被选取的次数也越高，即商品归属于该搜索关键词1的概率也越高，因此可以根据商品标识出现的次数，按照次数由高到低的顺序选取一定比例的商品标识，如以选取50％的商品标识为例进行说明，选取后搜索关键词1下包含的商品标识为：商品标识1、商品标识2。在此基础上，选取搜索关键词1及商品标识1、商品标识2对应的商品描述信息构成商品分类训练数据。

步骤S102，使用所述商品分类训练数据，基于神经网络，训练得到用于进行商品分类的商品分类模型。

也即是说，基于神经网络，使用商品分类训练数据中包含的商品描述信息、商品类别进行训练。具体地，以商品描述信息、商品类别分别为“家用绿色小沙发”、“小沙发”为例进行说明，将商品描述信息输入到预先设定的神经网络中，如卷积神经网络、螺旋残差神经网络中进行处理，使得神经网络可以根据输入的商品描述信息预测商品描述信息对应的商品类别，并根据预测的商品类别与“小沙发”是否一致，对预设的神经网络进行调整，直至神经网络预测的商品类别为“小沙发”，则确定当前神经网络为用于进行商品分类的商品分类模型。

参见图2a，在一种可选的实施方式中，所述神经网络包括分词处理层、商品类别识别层和商品类别预测层；所述使用所述商品分类训练数据，基于神经网络，训练得到用于进行商品分类的商品分类模型，包括：使用所述分词处理层将所述商品描述信息中的一个或多个词处理为词向量；使用所述商品类别识别层计算所述词向量对应的词作为商品类别的概率，并根据所述词向量和所述词向量对应的词作为商品类别的概率，计算商品描述向量；使用所述商品类别预测层，根据所述商品描述向量预测商品归属于所述商品分类表中的商品类别的概率；调整所述神经网络，直至所预测的概率最大值对应的商品类别为所述商品分类训练数据中所述商品描述信息对应的商品类别。可以理解的是，分词处理层、商品类别识别层和商品类别预测层可以是根据实际需要设定的一层多层神经网络，如卷积神经网络、循环神经网络、螺旋残差神经网络等。

进一步地，参见图2b，分词处理层可以包括一层或多层字符级卷积层、一层或多层螺旋残差隐层，其中，字符级卷积层用以将从商品描述信息中切分得到的一个或多个词处理为初级词向量；螺旋残差隐藏层则进一步根据一个或多个词的组合特征(如各个字间的大小、比例、搭配关系等)将初级词向量处理为词向量。

更具体地，以商品描述信息、商品类别分别为“家用绿色小沙发”、“小沙发”为例进行说明。在使用商品描述信息前，对商品描述信息进行分词处理，如将商品描述信息“家用绿色小沙发”拆分为3个词：“家用”、“绿色”、“小沙发”；将拆分后的“家用”、“绿色”、“小沙发”输入至分词处理层，分词处理层根据输入的词中每个字对应的标识，将每一个字分别映射为字向量，进而得到“家用”、“绿色”、“小沙发”对应的词向量分别记为S1、S2、S3，得到的词向量均是具有同一个维度数(如5维)的向量；将词向量输入到商品类别识别层中，商品类别识别层可以依据分类识别函数，如softmax分类函数等，确定词向量对应的3个词分别作为商品描述信息对应的商品类别的概率记为P1、P2、P3；将词向量S1、S2、S3及词向量对应的词作为商品类别的概率P1、P2、P3输入到商品类别预测层中，并通过如下所述的公式计算得到商品描述向量：

商品描述向量＝S1*P1+S2*P2+S3*P3

在此基础上，商品类别预测层根据得到的描述向量分别计算预定义的商品分类表中商品类别是对应的商品描述信息所归属的商品类别的概率p1、p2、p3等，如以商品分类表中包含“沙发椅”“电视机”“手表”为例进行说明，得到的是商品描述信息所归属的商品类别的概率分别为0.8、0.1、0.1，则可知，商品描述信息“家用绿色小沙发”归属于商品类别“沙发椅”的概率0.8最高，因而预测“家用绿色小沙发”对应的商品类别为“沙发椅”。

步骤S103，根据待分类商品的商品描述信息，使用所述商品分类模型，预测所述待分类商品归属于所述商品分类表中的商品类别的概率，及所述待分类商品的商品描述信息中的词作为商品类别的概率；根据所预测的概率由高到低的顺序，确定所述待分类商品所归属的商品类别。

也即是说，根据待分类商品的商品描述信息，使用商品分类模型预测待分类商品的商品类别时，不仅可以自动预测商品在预定义的商品分类表中的归属，还可挖掘出商品描述信息中的词用作商品分类，进而可以扩充预定义的商品分类表，提高了商品分类的准确性。

在一种可选的实施方式中，在确定所述待分类商品的描述信息中的词为所述待分类商品所归属的商品分类时，或在所述词作为商品类别的概率大于阈值概率时，将所述词作为商品分类添加至所述商品分类表。

在商品预定义的商品分类表中不具有与商品描述信息匹配的商品类别时，或者无法将商品描述信息很好地归属于商品分类表中时，或者判定商品描述信息中含有的词汇可以用做待分类商品的商品类别时，可以将可用作商品类别的词汇添加至商品分类表中，使得新生成的商品分类表可以实时更新，同时可以更好地适用于商品的分类。具体地，可以根基实际需求设定阈值概率(如为0.6)，仍以商品描述信息、商品类别分别为“家用绿色小沙发”、“小沙发”为例进行说明，使用softmax分类函数确定词向量或者对应的3个词(“家用”、“绿色”、“小沙发”)分别作为商品描述信息对应的商品类别的概率记为0.1、0.1、0.8时，则“小沙发”对应的概率0.8大于阈值概率0.6，故而确定商品描述信息中识别的词汇“小沙发”可以用做商品描述信息“家用绿色小沙发”所归属的商品类别，并将“小沙发”增加至预定义的商品分类表中。

可以理解的是，除却使用概率P1、P2、P3以及概率p1、p2、p3表示商品描述信息归属于识别词汇或者商品分类表中的商品类别的可能性之外，还可以使用打分的方式，表示商品描述信息归属于识别词汇或者商品分类表中的商品类别的可能性，且得到的分数值与可能性成正相关，进而通过归一化处理，分别计算商品描述信息“家用绿色小沙发”归属于识别词汇(“家用”、“绿色”、“小沙发”)以及预定义的商品类别(“沙发椅”“电视机”“手表”)的概率，并使得所得概率之和为1，并根据所得概率的最大值确定商品描述信息所归属的商品类别。

值得注意的是，在确定了用于商品分类的商品分类模型后，可以根据待分类商品的描述信息，预测待分类商品的商品类别，且预测的待分类商品，不仅可以包括商品分类预测层确定的预定义的商品分类表中的商品类别，还可以包括商品分类识别层从待分类商品的商品描述信息中识别的可以用作商品类别的新增词汇。

基于上述实施例，通过对商品点击数据中搜索关键词的筛选、商品标识对应的搜索关键词的筛选、搜索关键词对应的一个或多个商品标识的筛选等多重筛选，保证了商品分类训练数据中商品类别和商品描述信息对应关系的有效性及可靠性；同时，除却从预定义的商品分类表中预测商品类别以外，还可以从商品描述信息中识别可能用作商品描述信息对应的商品类别的词汇，不仅增加了预测的商品分类的准确性，还扩充了预定义的商品分类表，使得商品分类表可以实时更新，具有更广泛的适用性。

参见图3，本发明实施例提供了一种商品分类的装置300，包括：商品分类训练数据获取模块301、商品分类模型确定模块302、商品类别预测模块；其中，

所述商品分类训练数据获取模块301，用于获取商品分类训练数据，所述商品分类训练数据包括商品描述信息及对应的商品类别，其中，所述商品描述信息是根据商品标识获得的，所述商品类别定义于预定义的商品分类表；

所述商品分类模型确定模块302，用于使用所述商品分类训练数据，基于神经网络，训练得到用于进行商品分类的商品分类模型；

所述商品类别预测模块303，用于根据待分类商品的描述信息，使用所述商品分类模型，预测所述待分类商品归属于所述商品分类表中的商品类别的概率，及所述待分类商品的商品描述信息中的词作为商品类别的概率；根据所预测的概率由高到低的顺序，确定所述待分类商品所归属的商品类别。

在一种可选的实施方式中，所述商品分类训练数据获取模块301，还用于，在确定所述待分类商品的描述信息中的词为所述待分类商品所归属的商品分类时，或在所述词作为商品分类的概率大于阈值概率时，将所述词向量作为商品分类添加至所述商品分类表。

在一种可选的实施方式中，所述获取商品分类训练数据，包括：

获取商品点击数据，所述商品点击数据包括用于搜索商品的一个或多个搜索关键词及根据所述搜索关键词而被选择的商品的商品标识；

在所述搜索关键词为所述商品分类表中所定义的商品类别的情况下，确定所述商品标识对应的商品描述信息，将所述搜索关键词对应的商品类别和所述商品描述信息构建为商品分类训练数据。

在一种可选的实施方式中，所述获取商品分类训练数据，还包括：在所述商品根据一个或多个作为所述商品类别的搜索关键词而被选择时，将导致所述商品被选择最多次数的所述搜索关键词对应的商品类别和所述商品的商品描述信息构建为商品分类训练数据。

在一种可选的实施方式中，所述获取商品分类训练数据，还包括：

在作为所述商品类别的搜索关键词对应于一个或多个商品标识时，将预定义比例的商品标识确定为所述商品类别对应的商品标识，将所述商品类别和所述预定义比例的商品标识对应的商品描述信息构建为商品分类训练数据。

在一种可选的实施方式中，所述神经网络包括分词处理层、商品类别识别层和商品类别预测层；

所述使用所述商品分类训练数据，基于神经网络，训练得到用于进行商品分类的商品分类模型，包括：

使用所述分词处理层将所述商品描述信息中的一个或多个词处理为词向量；

使用所述商品类别识别层计算所述词向量对应的词作为商品类别的概率，并根据所述词向量和所述词向量对应的词作为商品类别的概率，计算商品描述向量；

使用所述商品类别预测层，根据所述商品描述向量预测商品归属于所述商品分类表中的商品类别的概率；

调整所述神经网络，直至所预测的概率最大值对应的商品类别为所述商品分类训练数据中所述商品描述信息对应的商品类别。

图4示出了可以应用本发明实施例的商品分类方法或商品分类装置的示例性系统架构400。

如图4所示，系统架构400可以包括终端设备401、402、403，网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备401、402、403通过网络404与服务器405交互，以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器405可以是提供各种服务的服务器，例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(预测的商品分类)反馈给终端设备。

需要说明的是，本发明实施例所提供的商品分类方法一般由服务器405执行，相应地，商品分类装置一般设置于服务器405中。

应该理解，图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

下面参考图5，其示出了适于用来实现本发明实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括商品分类训练数据获取模块、商品分类模型确定模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，商品分类模型确定模块还可以被描述为“使用所述商品分类训练数据，基于神经网络，训练得到用于进行商品分类的商品分类模型的模块”。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：获取商品分类训练数据，所述商品分类训练数据包括商品描述信息及对应的商品类别，其中，所述商品描述信息是根据商品标识获得的，所述商品类别定义于预定义的商品分类表；使用所述商品分类训练数据，基于神经网络，训练得到用于进行商品分类的商品分类模型；根据待分类商品的商品描述信息，使用所述商品分类模型，预测所述待分类商品归属于所述商品分类表中的商品类别的概率，及所述待分类商品的商品描述信息中的词作为商品类别的概率；根据所预测的概率由高到低的顺序，确定所述待分类商品所归属的商品类别。

根据本发明实施例的技术方案，通过对商品点击数据中搜索关键词的筛选、商品标识对应的搜索关键词的筛选、搜索关键词对应的一个或多个商品标识的筛选等多重筛选，保证了商品分类训练数据中商品类别和商品描述信息对应关系的有效性及可靠性；同时，除却从预定义的商品分类表中预测商品类别以外，还可以从商品描述信息中识别可能用作商品描述信息对应的商品类别的词汇，不仅增加了预测的商品分类的准确性，还扩充了预定义的商品分类表，使得商品分类表可以实时更新，具有更广泛的适用性。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。