用于选择眼镜装备的服务器、方法和计算机可读存储介质
文献发布时间:2023-06-19 11:55:48
背景技术
本文提供的“背景技术”说明是为了总体上介绍本披露的背景。当前提名的发明人的工作在本背景技术部分中所描述的程度上、以及在提交时间时可能不被认定为现有技术的本说明的方面,既没有明确地也没有隐含地承认是针对本发明的现有技术。
线上业务需要个性化的产品推荐,以将合适的视觉装备在合适的时间推送给消费者。例如,一些消费者对时尚和趋势的敏感度超过了任何其他标准。通常,眼镜装备或产品推荐可以通过形态规则、对风格、生活方式和/或性格问卷的分析、以及对消费者浏览历史的分析来完成。然而,需要更个性化的、更准确的眼镜装备推荐。
发明内容
根据所披露主题的方面,一种服务器包括处理电路系统,该处理电路系统被配置用于接收一个或多个图像,该一个或多个图像包括人的一个或多个表示。另外,该处理电路系统被配置用于将神经网络应用于该一个或多个图像,其中,该神经网络对该一个或多个图像中的每个图像的至少一个美学成分进行分类,针对该一个或多个图像中的每个图像生成有美学成分分数。进一步地,该处理电路系统被配置用于为用户生成用户眼镜装备简档,该用户与来自人物形象数据库的人物形象相匹配,该人物形象数据库中的每个人物形象被链接到一个或多个人物形象眼镜装备简档,该一个或多个人物形象眼镜装备简档基于该美学成分分数,以及基于所生成的用户眼镜装备简档为该用户选择眼镜装备。
前述段落是作为一般性介绍提供的,而不旨在限制以下权利要求的范围。通过参照以下结合附图的详细说明,将充分理解所描述的实施例以及进一步优点。
附图说明
将容易获得对本披露的更全面了解及其许多的伴随优点,因为这些优点通过参照以下详细说明、在结合附图考虑时将变得更好理解,在附图中:
图1展示了根据所披露主题的一个或多个方面的眼镜装备推荐系统;
图2展示了根据所披露主题的一个或多个方面的眼镜装备推荐工作流程;
图3展示了根据所披露主题的一个或多个方面的示例性神经网络的可视化表示;
图4展示了根据所披露主题的一个或多个方面的用于确定人物形象池中的一个或多个人物形象的最流行的眼镜特征的示例性工作流程;
图5展示了根据所披露主题的一个或多个方面的用于识别什么人物形象对应于消费者的示例性工作流程;
图6展示了根据所披露主题的一个或多个方面的能够将眼镜装备简档与特定名人相关联的示例性工作流程;
图7展示了根据所披露主题的一个或多个方面的用于通过将特定名人的意见通知给消费者来自动吸引消费者的示例性工作流程;
图8展示了根据所披露主题的一个或多个方面的用于选择眼镜装备的方法的算法流程图;
图9是根据所披露主题的一个或多个方面的用于创建训练词汇表的向量表示的方法的算法流程图;
图10是根据所披露主题的一个或多个方面的用于将神经网络应用于一个或多个图像的方法的算法流程图;
图11是根据所披露主题的一个或多个方面的用于基于用例确定要输出哪些统计数据的方法的算法流程图;
图12是根据所披露主题的一个或多个方面的用于将眼镜装备与人物形象相关联的方法的算法流程图;
图13展示了根据所披露主题的一个或多个方面的用于将用户与一个眼镜装备简档相关联的方法的算法流程图;以及
图14是根据所披露主题的一个或多个示例性方面的服务器的硬件框图。
具体实施方式
以下结合附图阐述的说明旨在作为所披露主题的各种实施例的说明,并不一定旨在表示仅有的(多个)实施例。在某些情况下,所述说明包括用于提供对于所披露主题的理解的具体细节。然而,对于本领域技术人员显而易见的是,实施例可以在没有这些具体细节的情况下实施。在一些实例中,可以用框图形式示出公知的结构和部件,以便避免模糊所披露主题的构思。
整个说明书中对“一个实施例”或“实施例”的引用意指结合实施例所描述的特定特征、结构、特点、操作或功能包括在所披露主题的至少一个实施例中。因此,在说明书中出现的短语“在一个实施例中”或“在实施例中”不一定指的是同一实施例。进一步地,特定特征、结构、特性、操作或功能可以以任何合适的方式组合在一个或多个实施例中。进一步地,所披露主题的实施例旨在能够并且确实涵盖所描述的实施例的修改和变化。
必须注意,如说明书和所附权利要求中所使用的,单数形式“一(a,an)”和“所述(the)”包括复数个指示物,除非上下文另有明确说明。也就是说,除非另有明确说明,否则如本文中所使用的,词语“一(a,an)”等具有“一个或多个”的含义。另外,诸如“第一”、“第二”、“第三”等术语仅标识本文所述的多个部分、部件、参考点、操作和/或功能中的一个,并且同样不一定将所披露主题的实施例限制于任何特定配置或取向。
现在参考附图,其中相同的附图标记在若干视图中表示相同或对应的部分,图1展示了根据所披露主题的一个或多个方面的眼镜装备推荐系统100(本文中称为系统100)。系统100可以包括经由网络130通信地耦合的服务器110、远程设备120和数据库140。
服务器110可以表示经由网络130通信地耦合至远程设备120和数据库140的一个或多个服务器。服务器110可以包括计算机、膝上型计算机、智能电话、平板电脑、PDA等。服务器110可以包括处理电路系统,该处理电路系统被配置用于使用神经网络为用户选择眼镜装备,以分析时尚趋势,并基于将该用户匹配到链接到特定眼镜装备的人物形象来向该用户推荐该眼镜装备,该特定眼镜装备进而可以被链接到该用户,如本文中进一步描述的。
远程设备120可以表示经由网络130通信地耦合至服务器110和数据库140的一个或多个远程设备。远程设备120可以包括计算机、膝上型计算机、智能电话、平板电脑、PDA等。
数据库140可以表示经由网络130通信地耦合至服务器110和远程设备120的一个或多个数据库。
网络130可以表示将服务器110、远程设备120以及数据库140相连接的一个或多个网络。网络130可以是公共网络,比如因特网、专用网络,比如局域网(LAN)或广域网(WAN)网络,或是其任何组合,并且还可以包括公共交换电话网络(PSTN)或综合业务数字网(ISDN)子网络。网络130还可以是有线的,比如以太网网络或USB端口,或者可以是无线的,比如蜂窝网络,包括EDGE、3G、4G、LTE/LTE-A等无线蜂窝系统。无线网络还可以是Wi-Fi、蓝牙、或已知的任何其他无线通信形式。
应当了解的是,在整个说明书中,术语“眼镜装备”和“视觉装备”可以互换。另外,术语“照片”、“图片”和“图像”可以互换。进一步地,术语“用户”和“消费者”可以互换。
通常,系统100可以基于与用户相关联的眼镜装备特征向该用户推荐眼镜装备。例如,该用户可以是客户/消费者和/或潜在客户。为了基于用户的眼镜装备特征推荐眼镜装备,系统100可以检测一个或多个时尚趋势,并且基于该一个或多个时尚趋势识别预定人物形象的流行眼镜特征。然后,系统100可以基于与用户对应的预定人物形象来识别该用户的眼镜装备特征。一旦识别出眼镜装备特征,系统100就可以基于用户的眼镜装备特征进行眼镜装备推荐。
做出尽可能好的推荐以及进行推荐的时机对于有效推荐眼镜装备至关重要。在此上下文中,该技术问题的技术解决方案可以包括:根据全局趋势或者根据从普通意见中提取的、或集中于一组预选影响者和/或名人的意见的、针对特定用户个性化的、或以任何对趋势和时尚敏感的人为目标的眼镜特定的趋势,对零售商目录中的所有可用镜架进行自动评分。该组预选影响者和/或名人的意见可以对应于包括社交媒体参与(例如,点赞、评论、分享等)的任何数据源和/或媒体格式。另外,该技术解决方案可以包括通过将特定名人的意见通知给消费者来自动吸引该消费者。进一步地,名人的“意见”可以包括这样的事实,即在名人所出现在的照片中,这些名人实际上也戴着他们向消费者推荐的同款眼镜装备。
更具体地,关于检测时尚趋势,系统100可以接收多个图像,并且该多个图像可以是例如一个或多个人的图像。系统100可以基于估计的趋势级别来计算该多个图像中的每个图像的分数。在一个方面,该趋势级别可以基于该图像中的特定项目和/或美学成分在该多个图像中出现的次数。例如,如果红色在所有接收的多个图像中以高频率出现,则红色可以具有高趋势级别。
另外,系统100可以确定用户是否请求基于所有检测到的趋势的综合的眼镜装备推荐。对于这种类型的请求,系统100可以响应于基于该请求基于所有趋势的综合而输出全局趋势统计数据。进一步地,全局趋势统计数据可以基于针对该多个图像中的每个图像所计算的分数。替代性地或另外地,用户可以请求具体地基于眼镜趋势的眼镜装备推荐。因此,系统100可以输出眼镜趋势统计数据,其可以基于针对该多个图像中的每个图像所计算的分数。另外,在一个方面,当分数大于预定最小分数时,该分数可以被合并到全局趋势统计数据以及眼镜趋势统计数据中。
进一步地,当基于该一个或多个时尚趋势识别预定人物形象的流行眼镜特征时,系统100可以如本文中进一步描述的基于人类典型简档来定义或计算一组人物形象,该人类典型简档可以基于例如从对应于一组预选名人或潮流引领者的公开可用媒体接收的多个图像。然后,系统100可以将每个预选名人或潮流引领者与人物形象数据库中的匹配的人物形象相关联。例如,该关联可以基于预选名人或潮流引领者的物理特征和情景特征。对于每个人物形象,系统100可以将眼镜装备与该人物形象集合中的每个人物形象相关联。
另外,响应于所接收的一个或多个图像是该用户的一个或多个图像,系统100可以为该用户生成简档,将该用户与匹配的人物形象相关联,并且基于该匹配的人物形象将该用户与眼镜装备相关联。因此,可以为该用户进行完全定制化推荐,因为眼镜装备推荐将会基于对该用户有吸引力的趋势并且基于该用户的时尚风格。
图2展示了根据所披露主题的一个或多个方面的眼镜装备推荐工作流程200。工作流程200可以包括时尚趋势框205、用户个性化框210、眼镜装备趋势简档框215、相似性分析框220,该相似性分析框包括与零售商目录进行属性匹配的框225,以及眼镜装备推荐框230。
时尚趋势框205可以包括该时尚趋势的产品范围和该时尚趋势的人群范围。例如,可以从包括检查特定衣服和配饰(比如帽子、珠宝、化妆品、衣服、手提包、鞋子、围巾、形状、颜色等)的一般角度,或者具体地从检查眼镜装备的角度来确定趋势方面。进一步地,可以根据一组有影响力的人的意见或根据一个普通意见(来自比如一般人群的反馈,他们可能在时尚行业中有或者没有任何声誉)来确定这些趋势。换句话说,产品范围可以包括通用范围,其可以对应于请求所有时尚趋势的综合的用户,并且人群范围可以包括通用小组,其可以对应于普通意见,以及细分小组,其可以包括例如一组预选潮流引领者和/或名人的意见。替代性地或另外地,该细分小组可以包括特定类别的人,并且该特定类别可以与例如年龄、性别、社会职业类别等相关联。
在一个实施例中,例如可以基于图像处理来识别时尚趋势框205中的时尚趋势。在这种情况下,可以使用神经网络进行图像处理。
图3展示了根据所披露主题的一个或多个方面的示例性神经网络300的可视化表示。神经网络300可以接收照片305作为输入。例如,照片305可以是一个或多个人的照片。另外,神经网络300可以包括卷积层310和全连接层315。全连接层315可以包括一个或多个层,例如,包括L层320至N-1层325。另外,全连接层315可以包括输出层330。
首先,神经网络300可以接收被标记的照片。需要被标记的照片可以是包括一个或多个人的照片(比如照片305),并且这些照片可以是人的脸和/或整个身体的照片。另外,照片中的人可以佩戴眼镜装备,也可以不佩戴眼镜装备。进一步地,该多个照片中的一个或多个可以具体地是眼镜装备的照片。
对于具体用于检测眼镜趋势的标记过程,可以对人们佩戴眼镜装备的照片中的眼镜装备进行标记。例如,镜架制造商、镜片制造商等可以给该眼镜装备贴上标签,以描述其形状、厚度、镜架材料、颜色、镜片颜色、镜面效果或该眼镜装备的品牌。
对于用于检测总趋势的标记过程,可以收集客观信息和主观信息来标记每个图像。例如,对于每个图像,可以要求任何人提供客观信息以给该图像贴标签,并且可以要求来自时尚行业的人例如基于他们的专业知识针对主观信息给该图像贴标签。客观信息可以包括关于该图片中的人的信息,包括性别、年龄近似值、头发颜色、眼睛颜色、肤色等。另外,该客观信息可以包括关于该人的情景标签,包括该人在做什么、该人在照片中的地点(比如户外、室内、海滩、通勤等)。主观信息可以包括具有包括魅力、时髦、严肃等标签的图像中的人的风格。在这种情况下,应该优先由来自时尚行业的专业人士贴标签。另外,该主观信息可以包括该人所穿戴的服装和配饰的标签,该标签包括物品(包括帽子、珠宝、化妆品、衣服、手提包、鞋子等)的类型、颜色、形状、品牌、图案、质地、产品类别、细节,以及特征。
标记完成后,标记后的图像可以用来建立深度学习数据库。该深度学习数据库例如可以对应于一个或多个数据库140中的一个。接下来,通过针对从每个标记过的图像提取特征图使用卷积层310,并且使用全连接层315从标记过的图像提取属性的向量,可以使用深度学习数据库来训练深度学习算法。一旦训练成功,该算法可以被用于将一个人的任何图片作为输入,该图片仅包括该人的脸部或显示其整个身体,并且神经网络300可以提供各种信息,包括关于该图片中的人的信息(例如,性别、年龄近似值、头发颜色、眼睛颜色、肤色等)、该人的包括活动和地点(例如,户外、室内、海滩和/或通勤)的情景、该人的风格(例如,魅力、时髦、严肃等)、该人穿戴的服装和配饰(包括帽子、珠宝、化妆品、衣服、手提包和鞋子的类型、颜色、形状、品牌、图案、质地、产品类别、细节和特征中的一个或多个)、以及该人穿戴的视觉装备的属性。另外,由神经网络300提供的信息可以包括置信度。
在一个实施例中,另一个或几个其他神经网络可以被用于对来自社交媒体或该用户的文本信息进行文本挖掘(例如,word2vec)。为了构建单词和/或标签训练语料库,词汇表可以被定义为包括如本文中关于标记图像所描述的眼镜装备趋势检测和一般趋势检测。在定义该词汇表之后,可以使用该一个或多个神经网络创建该训练词汇表的向量表示。使用该训练语料库的向量表示,可以接收任何文本并且使用算法(例如,k最近邻算法)来检测信息,该信息包括关于该图片中的人的信息(例如,性别、年龄近似值、头发颜色、眼睛颜色、肤色等)、该人的包括活动和地点(例如,户外、室内、海滩和/或通勤)的情景、该人的风格(例如,魅力、时髦、严肃等)、该人穿戴的服装和配饰(包括帽子、珠宝、化妆品、衣服、手提包和鞋子的类型、颜色、形状、品牌、图案、质地、产品类别、细节和特征中的一个或多个)、以及该人穿戴的视觉装备的属性。另外,word2vec提供的信息可以包括置信度。
回到图2,趋势检测框205可以接收输入。关于该输入的来源,可以向神经网络300提供多个图像,如本文中已经描述的。更具体地,该多个图像可以是关于任何人的开源图像/视频池,或者该开源图像/视频池可以是一组预选名人和/或潮流引领者(例如,具有一定量的关注者),其可以来自公开的社交媒体简档、社区评论、时尚杂志等中的一个或多个。
另外,时尚趋势框305可以被配置用于时尚趋势的选择和打分。例如,在与时尚行业的趋势变化频率一致的特定时间框架内(例如,6个月)选择这些输入。可以根据每个所选输入的估计趋势级别为其计算分数(比如美学成分分数)。该美学成分分数可以是基于项目(例如,类型、颜色、形状、产品、图案、品牌、产品类别等)在一个文本、一个图片或一个视频中,或者几个文本、几个图片或几个视频中的出现次数来计算的。该美学成分分数可以根据一些标准来加权,这些标准包括该图片/文本被发布的时间、与该项目有关的所有输入被发布的时间段、公布该输入的人(例如,潮流影响者/名人可以具有更高的权重)、来自人们关于该输入的反馈(例如,喜欢数、点赞数、正面评论、转发数等),以及相同美学成分的先前分数。结果,可以根据每个输入的分数给出趋势级别。另外,在一个方面,将只处理评价较好的输入。例如,美学成分分数必须大于预定的最小分数(例如,分数>7/10)。
另外,通过神经网络300传递该信息的方式取决于用例。例如,对于第一用例,用户可能想要基于全局趋势的眼镜装备推荐。在这种情况下,可以根据由神经网络300在所选图像上检测到的,或者通过在所选文本上的语义分析检测到的各种特征来计算全局统计数据。该用于计算全局统计数据的各种特征可以包括:该人所穿戴的衣服和配饰(例如,帽子、珠宝、化妆品、衣服、手提包、鞋子等),包括类型、颜色、形状、品牌、图案、质地、产品类别、细节和特征。
在另一个用例中,用户可能想要具体基于眼镜趋势的眼镜装备推荐。在这种情况下,可以根据由神经网络300在所选图像上检测到的,或者通过在所选文本上的语义分析检测到的各种特征来计算眼镜统计数据。例如,该各种特征可以包括这些图像中的人所佩戴的眼镜装备的属性。
时尚趋势框305的输出可以输出描述检测到的趋势的统计数据(例如,基于用例)。另外,这些统计数据可以考虑如本文中所描述的基于美学成分分数计算的趋势级别。关于用户想要基于全局趋势的眼镜装备推荐的第一用例,该全局统计数据输出可以包括流行颜色(例如,红色以9/10的趋势级别被检测为流行)、流行形状(例如,圆形以8/10的趋势级别被检测为流行)、流行材料(例如,皮革以8/10的趋势级别被检测为流行)等。关于用户想要具体基于眼镜趋势(例如,镜架、镜片等)的眼镜装备推荐的用例,这些眼镜趋势统计数据可以包括流行眼镜颜色(例如,红色眼镜架以9/10的趋势级别被检测为流行)、流行眼镜厚度(例如,nylor眼镜以7/10的趋势级别被检测为流行)、流行眼镜形状(例如,圆形镜架以8/10的趋势级别被检测为流行)、流行眼镜材料(例如,醋酸纤维素镜架以8/10的趋势级别被检测为流行)、流行眼镜质地(例如,玳瑁镜架以7.5/10的趋势级别被检测为流行)、流行眼镜效果(例如,具有紫色反射的镜片以8.5/10的趋势级别被检测为流行)等。
关于趋势检测框305的维护,趋势检测框305可以定期更新(例如,六个月更新一次),以捕获时尚行业中的快速趋势演变。例如,每六个月,可以清除所有先前计算的统计数据,可以通过清除先前选择的输入数据来更新输入数据(例如,图像或文本),并且可以再次审查数据源(例如,公开简档社交媒体、社区评论、时尚杂志等)以选择新的输入数据,并且可以从新选择的输入数据计算新的统计数据(例如,全局统计数据和眼镜趋势统计数据)。在一个方面,来自先前周期的趋势信息可以被保留以与新周期的趋势信息进行比较,并且可以被用于将其纳入新周期的统计数据。例如,在趋势中存在明显重叠的情况下(例如,红色仍然是流行颜色),红色的权重可以更大,因为红色是一个强烈的长期趋势。
用户个性化框210可以处理眼镜装备推荐的个性化方面。例如,服务器110可以被配置用于定义或计算一组典型的人物形象(例如,性别、年龄类别、风格、喜爱的品牌、生活方式等)。典型的人可以对应人类典型简档(例如,“喜欢高级品牌的二十多岁的都市女孩”)。在定义或计算这组典型人物形象之后,服务器110可以被配置用于将眼镜装备与图4中的每个人物形象相关联。
图4展示了根据所披露主题的一个或多个方面的用于确定人物形象池415中的一个或多个人物形象(例如,人物形象405和人物形象410)的最流行的眼镜特征的示例性工作流程400。为了将眼镜装备与每个人物形象相关联,可以将神经网络300应用于关于该组预选名人或潮流引领者的开源图像/视频池中的每个图像/视频(例如,输入420)。通过在该池的每个图像/视频上运行神经网络300(该图像/视频一般包括脸部、风格、情景和眼镜装备分析),可以获得关于这些图像/视频中的一个或多个人的各种信息。例如,神经网络300的输出可以提供关于该图片中的人的信息(例如,性别、年龄近似值、头发颜色、眼睛颜色、肤色等)、该人的情景,包括他们在做什么和他们在哪里(例如,户外、室内、海滩、通勤等)、该人的风格(例如,魅力、时髦、严肃等)、该人所穿戴的服装和配饰(例如,帽子、珠宝、化妆品、衣服、手提包、鞋子等),包括类型、颜色、形状、品牌、图案、质地、产品类别、细节和特征,以及该人所佩戴的眼镜装备的属性(包括形状、材料、颜色、质地、厚度、标志性品牌等)。换句话说,神经网络300的输出可以用于确定最佳匹配的人物形象(例如,如箭头425所表示),并且与该人物形象相匹配的人的对应眼镜简档可以被馈送到与该人物形象相对应的视觉装备简档435a、435b(例如,如箭头430所表示)。
接下来,可以将该图片中的每个人关联到与他/她最相似的人物形象(例如,箭头425)。例如,该人将与具有与他/她最相似的特征的人物形象相关联,并且该特征可以基于由神经网络300输出的图片中关于该人的信息。另外,当将该人与该人物形象相关联时,取决于不同情况,不同的权重W
然后,对于每个人物形象,服务器110可以被配置用于确定该人物形象的最流行的眼镜特征,以生成链接到眼镜装备简档440的人物形象池。例如,该人物形象池中的每个人佩戴的眼镜的属性可以被链接到相关联的人物形象,并且如本文中进一步描述的,可以根据这些属性的计算出的与该人物形象相匹配的级别对其进行加权。
再次参考用户个性化框210,服务器110可以被配置用于识别哪个人物形象对应于想要基于链接到视觉装备简档440的人物形象池的眼镜装备推荐的该消费者,如图5中所示。
图5展示了根据所披露主题的一个或多个方面的用于识别什么人物形象对应于消费者的示例性工作流程500。例如,消费者可以上载他们自己的图片和/或视频,这些图片和/或视频在他们喜欢的情景中代表他们。替代性地或另外地,该输入可以是由消费者填写的问卷,例如包括生活方式问题的问卷。如果消费者上传了图片和/或视频,则上述用于匹配关于一组预选名人或潮流引领者的开源图像/视频池的相同过程可以被应用于该消费者提供的该消费者的图片和/或视频。类似地,如果消费者填写了一份问卷,则例如可以基于word2vec过程将该消费者与一个人物形象相关联。因此,工作流程500可以通过识别与该消费者最接近地匹配的人物形象并将与该人物形象相关联的眼镜属性链接到该消费者来确定对于该消费者最流行的眼镜属性。
换句话说,参考图5,消费者可以提供照片505作为神经网络300的输入,该神经网络可以执行如本文中所描述的面部分析、情景分析、风格分析等。神经网络300可以输出包括在该消费者照片505中识别出的所有信息的消费者人物形象简档510。消费者人物形象简档510可以用于将该消费者人物形象简档中包括的特征与被链接到眼镜装备简档440的人物形象池中的一个或多个人物形象相匹配。该匹配过程可以得出最佳匹配(比如匹配515)。例如,匹配515可以对应于消费者与“人物形象2”具有最佳匹配。然后,作为该消费者与“人物形象2”最接近地匹配的结果,与“人物形象2”相关联的眼镜装备简档可以被链接到该消费者,其可以对应于眼镜装备趋势简档215。换句话说,该消费者的眼镜装备趋势简档215可以对应于对于该消费者最流行的眼镜装备。
再次参考图2,相似性分析框220可以被配置用于将眼镜装备趋势简档215的属性与零售商目录中的镜架匹配(即,属性匹配框225)。换句话说,相似性分析框220可以被配置用于使眼镜装备推荐适合于一个或多个特定零售商目录中可用的眼镜装备。例如,根据从趋势检测框205或用户个性化框210识别出的一个或多个个性化属性和眼镜装备的个性化属性的趋势级别,服务器110可以被配置用于从零售商目录中找到与这些属性相对应的眼镜装备的列表。
例如,用于从零售商目录中查找和显示眼镜装备列表的过程可以包括:确定在零售商目录中可用的眼镜的属性,将对于该消费者最流行的眼镜属性(例如,眼镜装备趋势简档215)与在该零售商目录中可用的特定眼镜相关联,以及向用户显示眼镜装备的选择。
确定零售商目录中可用的眼镜装备的属性可以包括识别该眼镜装备的形状、材料、颜色、质地、厚度、标志性品牌等。该零售商目录中的眼镜装备的属性可以手动提供(例如,由人提供)、在零售商目录中查找、从因特网上抓取。然而,这些属性优选地是神经网络300的输出,该神经网络将零售商目录中的眼镜装备的图像池作为输入。
将对于该消费者最流行的眼镜属性与零售商目录中可用的特定眼镜相关联可以包括最大化它们的共同特征(例如,形状、材料、颜色、质地、厚度、标志性品牌等)。另外,最大化它们的共同特征可以包括考虑不同的权重W
D
等式1
例如,由于颜色特征已经被给予0.4的权重,并且红色是流行的并且已经被给予0.9的趋势级别,那么,应用等式1,对于红色的期望级别是:D
因此,根据每个眼镜装备的属性和计算出的期望级别,为其计算出全局趋势级别。等式1可以是眼镜装备的每个属性的期望级别的平均值。具有最佳全局趋势级别的眼镜装备对于该消费者来说可以被认为是流行的,并且被选择,然后根据零售商的需求,可以基于包括促销、库存(即,可用性)、价格、显示项目的数量等在内的其他标准进行附加选择。最后,所选择的眼镜可以例如通过远程设备120显示给该用户/消费者。显示所选择的眼镜可以对应于眼镜装备推荐框230。
在一个实施例中,服务器110可以被配置用于通过将特定名人的意见通知给消费者来自动吸引该消费者。例如,基于特定名人的意见来吸引消费者可以通过两种方式来执行。第一种方式,服务器110可以被配置用于提醒消费者该消费者的形态与特定名人相似,并且向该消费者建议与该特定名人当前佩戴的相似的眼镜装备。第二种方式,服务器110可以被配置用于提醒消费者特定名人佩戴与该消费者当前正在浏览的眼镜装备相似的眼镜装备。
图6展示了根据所披露主题的一个或多个方面的能够将眼镜装备简档与特定名人相关联的示例性工作流程600。为了通过将特定名人的意见通知给消费者来自动吸引消费者,服务器110可以被配置用于定义被认为是潮流引领者的特定名人的集合605。确定名人是否是潮流引领者,可以使用客观的标准来完成,例如,包括社交媒体平台上的关注者和/或好友的数量。接下来,服务器110可以被配置用于构建关于该特定名人的集合605的开源图像/视频的数据库(例如,数据库140),该开源图像/视频可以来自公开社交媒体简档、社区评论、时尚杂志等中的一个或多个。使用该特定名人的集合605作为输入,通过将神经网络300应用于该特定名人的集合605,可以将眼镜装备与每个名人相关联。通常,神经网络300可以执行面部分析、风格分析、情景分析、眼镜装备分析,等等。例如,服务器110可以被配置用于在构成该特定名人的集合605的每个图像/视频上运行神经网络300以基于该图像/视频确定该名人的信息(例如,性别、年龄近似值、头发颜色、眼睛颜色、肤色等)、该名人的情景,包括该名人在做什么和该名人在哪里(例如,户外、室内、海滩、通勤等)、该名人的风格(例如,魅力、时髦、严肃等)、该名人所穿戴的服装和配饰(例如,帽子、珠宝、化妆品、衣服、手提包、鞋子),包括类型、颜色、形状、品牌、图案、质地、产品类别、细节和特征,以及该名人所佩戴的眼镜装备的属性,包括形状、材料、颜色、质地、厚度、标志性品牌等。然后,每个名人可以与一个或多个眼镜装备属性列表相关联。例如,因为可以知道名人的身份,所以可以将每个名人与一个或多个眼镜装备属性列表链接起来。例如,与脸部、风格和情景分析相对应的神经网络300的输出可以被馈送到与特定名人相对应的信息(例如,如箭头615所示),并且与眼镜装备分析相对应的神经网络300的输出可以被馈送到与该名人相对应的眼镜装备简档(如箭头610所示)。因此,神经网络300的输出可以是链接到视觉装备简档620的名人数据库。链接到视觉装备简档620的该名人数据库,例如可以是一个或多个数据库140中的一个。更具体地,链接到视觉装备简档620的该名人数据库可以包括关于名人的形态信息和情景信息以及相关联的眼镜装备属性。使用数据库620的方式取决于用例,如图7所示。
图7展示了根据所披露主题的一个或多个方面的用于通过将特定名人的意见通知给消费者来自动吸引消费者的示例性工作流程700。例如,在该消费者被提醒该消费者的形态与特定名人相似的用例中,服务器110可被配置用于推荐与该特定名人当前佩戴的眼镜装置相似的一个或多个眼镜装备。服务器110可以接收该消费者佩戴眼镜装备或者不佩戴眼镜装备的一个或多个照片和/或视频(例如,消费者照片705)。该一个或多个照片和/或视频可以包括该消费者的脸部和/或该消费者的整个身体的照片和/或视频。神经网络(例如,神经网络300)可以被用于计算来自消费者照片705的信息,包括基于该图像/视频的关于该消费者的信息(例如,性别、年龄近似值、头发颜色、眼睛颜色、肤色等)、该消费者的情景,包括该消费者在做什么和该消费者在哪里(例如,户外、室内、海滩、通勤等)、消费者的风格(例如,魅力、时髦、严肃等)、消费者所穿戴的服装和配饰(例如,帽子、珠宝、化妆品、衣服、手提包、鞋子),包括类型、颜色、形状、品牌、图案、质地、产品类别、细节和特征,以及该消费者所佩戴的眼镜装备的属性,包括形状、材料、颜色、质地、厚度、标志性品牌等。另外,服务器110可以被配置用于浏览数据库620,并且基于使用该消费者照片705作为输入,以及基于来自神经网络300的输出来计算相对于识别出的关于该消费者的信息的、该消费者与每个名人的一个或多个匹配系数(例如,匹配系数710a、710b)。
例如,可以对于每个标准类别计算匹配系数,该标准包括一般信息(例如,性别、年龄、种族等)、形态信息(例如,脸型、头发颜色等)、情景信息(例如,位置、活动)、风格信息、服装、配饰信息(例如,美化配饰)等。例如,匹配系数710a与名人715具有很高形态系数(例如,形态系数为0.92),其可以指示强匹配。对于每个类别,服务器110可以被配置用于查找与该消费者具有最高匹配系数的名人,并且检索链接到每个对应名人的(多个)视觉装备属性。因此,匹配720可以对应于消费者与名人715具有最佳匹配,并且与名人715相关联的眼镜装备简档可以与该消费者链接。随后,服务器110可被配置用于输出推荐725,其对应于基于匹配720为该消费者推荐一个或多个眼镜装备特征。
另外,推荐725可以包括附加提醒以进一步吸引该消费者。第一示例包括作为推荐或与推荐一起输出:“哇!你有没有注意到你长得像瑞恩·高斯林。他现在戴着这些镜架。你觉得怎么样?”该提醒可以进一步包括瑞恩·高斯林的照片和该推荐所提到的镜架的照片中的一项或多项。作为第二示例,该推荐可以包括“嗨!你好像喜欢哥特式装扮,就像麦当娜那样。最近有人看到她戴着这副太阳镜。你觉得怎么样?”该提醒可以进一步包括麦当娜的照片和该推荐所提到的太阳镜的照片中的一项或多项。作为第三个示例,该推荐可以包括“嗨!你好像很欣赏大耳环,就像碧昂丝那样。她还一起戴着太阳镜。你觉得怎么样?”该提醒可以进一步包括碧昂丝的照片和该推荐所提到的太阳镜的照片中的一项或多项。
关于对应于提醒消费者特定名人佩戴与该消费者当前正在浏览的眼镜装备相似的眼镜装备的第二用例,例如,输入可以包括特定眼镜装备(例如,消费者当前正在浏览的眼镜装备)的属性。服务器110可以被配置用于浏览数据库620,并且计算消费者正在浏览的眼镜装备与数据库620中的眼镜装备的匹配系数。另外,服务器110可以被配置用于查找与该消费者正在浏览的眼镜装备具有最高匹配系数的眼镜装备,并且从数据库620检索与该眼镜装备相关联的名人。基于在数据库620中找到与这些名人的眼镜装备最匹配的眼镜装备,服务器110可以被配置用于向检索到最近佩戴与消费者当前正在浏览的眼镜装备相似的眼镜装备的名人的消费者进行提醒。例如,提醒可以包括“你知道伊娃·朗格利亚现在佩戴的镜架与你当前尝试的镜架非常相似吗?”
图8展示了根据所披露主题的一个或多个方面的用于选择眼镜装备的方法的算法流程图。
在S805中,服务器110可以接收一个或多个图像。该一个或多个图像可以包括一个或多个人。例如,如本文中进一步描述的,该一个或多个图像可以是关于任何人或一组预选名人或潮流引领者的开源图像/视频池。另外,所接收的一个或多个图像可以是消费者的图像。
在S810中,可以将神经网络(例如,神经网络300)应用于该一个或多个图像。神经网络300可以对该一个或多个图像中的每个图像的至少一个美学成分进行分类。
在S815中,服务器110可以为该一个或多个图像中的每个图像生成美学成分分数。例如,该美学成分分数可以基于该美学成分的出现次数。另外,该美学成分分数可以被计算为考虑该美学成分的权重(例如,如果一个美学成分被认为与时尚更相关,则其可以具有更高的权重)。
在S820中,服务器110可以为用户生成用户眼镜装备简档。例如,可以将该用户与来自人物形象数据库(例如,数据库440)的人物形象相匹配。
在S825中,服务器110可以将该用户与来自人物形象数据库的人物形象相匹配。换句话说,人物形象数据库中的每个人物形象都可以被链接到一个或多个人物形象眼镜装备简档。然后,可以将该用户链接到与该用户最接近地匹配的人物形象的眼镜装备配置文件。另外,该一个或多个人物形象眼镜装备简档可以基于该美学成分分数。
在S830中,服务器110可以被配置用于基于该用户眼镜装备简档为该用户选择眼镜装备。在为用户选择眼镜装备之后,该过程即可结束。
图9是根据所披露主题的一个或多个方面的用于创建训练词汇表的向量表示的方法的算法流程图。
在S905中,服务器110可以接收与使用描述相对应的文本。
在S910中,服务器110可以训练与所接收到的文本相对应的词汇表。
在S915中,服务器110可以例如使用word2vec创建训练词汇表的向量表示。在创建训练词汇表的向量表示之后,该过程即可结束。
图10是根据所披露主题的一个或多个方面的用于将神经网络应用于一个或多个图像的方法的算法流程图。在图10中,步骤1005至1025可以对应于S810。
在S1005中,服务器110可以被配置用于对一个或多个图像中的每个分类后的美学成分的出现次数进行求和。
在S1010中,服务器110可以对每个分类后的美学成分应用权重。例如,每个分类后的美学成分的出现次数可以根据预定标准进行权衡,该预定标准包括该项目出现在其中的图像被发布的时间、包括该项目的所有多个图像被发布的时间段、提供图像的人、以及其他人关于该图像的反馈(包括社交媒体参与)。
在S1015中,服务器110可以基于每个美学成分在该一个或多个图像中出现的频率来计算该一个或多个图像的每个图像的美学成分分数。
在S1020中,服务器110可以确定是否已经达到预定时尚间隔的结束。例如,基于时尚趋势,预定的时尚间隔可以是六个月。如果确定尚未达到时尚趋势间隔的结束,则该过程可以继续在S1020中检查是否已达到预定的时尚间隔的结束。然而,响应于确定已经达到时尚趋势间隔的结束,服务器110可以在S1025中接收另一组的一个或多个图像。
在S1025中,当已经达到时尚间隔的结束时,服务器110可以接收另一组的一个或多个图像。在接收到该另一组的一个或多个图像之后,该过程即可结束。
图11是根据所披露主题的一个或多个方面的用于基于用例确定要输出哪些统计数据的方法的算法流程图。
在S1105中,服务器110可以被配置用于确定用户是否已经请求了基于所有美学成分的综合的眼镜装备推荐。响应于确定用户已经请求基于所有美学成分的综合的眼镜装备推荐,可以在S1110中输出全局统计数据。全局统计数据可以基于所有美学成分的趋势级别,例如,如本文中所描述的。在输出全局统计数据之后,该过程即可结束。
然而,响应于确定用户没有请求基于所有美学成分的综合的眼镜装备推荐,服务器110可以被配置用于在S1115中确定用户是否已经请求基于眼镜美学成分的眼镜装备推荐。
在S1115中,响应于确定用户没有请求基于眼镜美学成分的眼镜推荐,该过程即可结束。然而,响应于确定用户已经请求基于眼镜美学成分的眼镜装备推荐,服务器110可以在S1120中输出眼镜统计数据。该眼镜统计数据可以基于例如在一个或多个接收的图像中识别出的眼镜的美学特征。在输出该眼镜统计数据之后,该过程即可结束。
图12是根据所披露主题的一个或多个方面的用于将眼镜装备与人物形象相关联的方法的算法流程图。
在S1205中,服务器110可以被配置用于从接收的一个或多个图像中提取属性。例如,该一个或多个图像可以来自与一组预选名人或潮流引领者相对应的公开可用媒体。
在S1210中,服务器110可以通过定义或计算人物形象集合来生成人物形象数据库。例如,人物形象数据库中的每个人物形象都可以有一个人类典型简档。该人类典型简档可以基于该一个或多个图像中的人的物理特征和情景特征,其可以通过将神经网络300应用于该一个或多个图像来识别。
在S1215中,服务器110可以将每个预选名人或潮流引领者与人物形象数据库中的匹配的人物形象相关联。该关联可以基于预选名人或潮流引领者的物理特征和情景特征。换句话说,该预选名人或潮流引领者与最接近地匹配该名人或潮流引领者的外观的人类典型人物形象相关联。
在S1220中,服务器110可以基于预选名人或潮流引领者的眼镜装备的美学成分分数,将眼镜装备与人物形象集合中的每个人物形象相关联。例如,相关联的眼镜装备可以对应于一个或多个人物形象眼镜装备简档。换句话说,该人物形象集合中的每个人物形象都可以被链接到特定的眼镜装备和/或眼镜装备特征。在将眼镜装备关联到该人物形象集合中的每个人物形象之后,该过程即可结束。
图13展示了根据所披露主题的一个或多个方面的用于将用户与一个眼镜装备简档相关联的方法的算法流程图。
在S1305中,服务器110可以基于该用户的物理特征和情景特征为该用户生成简档。例如,服务器可以响应于接收的一个或多个图像是该用户的一个或多个图像而生成简档。
在S1310中,服务器110可以将用户与人物形象数据库中的匹配的人物形象相关联,该匹配的人物形象与基于该用户的物理特征和情景特征为该用户生成的简档最接近地匹配。
在S1315中,服务器110可以基于该匹配的人物形象将用户与用户眼镜装备简档相关联。例如,用户眼镜装备简档可以基于该匹配的人物形象的一个或多个人物形象眼镜装备简档。换句话说,可以将用户与最接近地匹配该用户的人物形象相关联,然后将与该人物形象链接的眼镜装备与该用户链接。在基于该匹配的人物形象将该用户与该用户眼镜装备简档相关联之后,该过程即可结束。
在上面对图8至图13的描述中,流程图中的任何过程、描述或框可以被理解为表示代码的模块、段或部分,其包括用于实现该过程中的特定逻辑功能或步骤的一个或多个可执行指令,并且替代实现包括在本发明的示例性实施例的范围内,其中,功能可以根据所涉及的功能而以与所示或讨论的顺序不同的顺序执行,包括基本上同时地或以相反的顺序执行,如本领域技术人员应该理解的。本文描述的各种元件、特征和过程可以彼此独立地使用,或者可以以各种方式组合。所有可能的组合和子组合意在落入本披露的范围内。
系统100包括若干优点,包括向消费者提供更精确的眼镜装备推荐。另外,该推荐可以包括消费者置信度的提高,因为该眼镜装备将是流行的,并且也是与该消费者的风格很好的匹配。因此,该推荐可以更具体地以该用户为目标。进一步地,除了眼镜特定趋势之外,该眼镜装备还可以基于名人和潮流引领者当前的穿着以及总体趋势来匹配给该消费者。因此,有效地为消费者选择眼镜装备的技术问题可以通过使用神经网络为用户自动选择眼镜装备的技术解决方案来解决,该神经网络用于分析时尚趋势并基于将该用户与被链接到特定眼镜装备的人物形象相匹配来向该用户推荐该眼镜装备,然后该人物形象可以链接到该用户。
接下来,参考图14来描述根据示例性实施例的服务器110的硬件描述。本文描述的硬件描述还可以是远程设备120和/或处理电路系统的硬件描述。在图14中,服务器110包括执行上述/下述过程中的一个或多个的CPU 1400。过程数据和指令可以存储在存储器1402中。这些过程和指令也可以存储在比如硬盘驱动器(HDD)或便携式存储介质等存储介质磁盘1404上,或者可以远程存储。进一步地,要求保护的改进不受存储本发明的过程的指令的计算机可读介质的形式的限制。例如,指令可以存储在CD、DVD、闪速存储器、RAM、ROM、PROM、EPROM、EEPROM、硬盘、或服务器110与其通信的任何其他信息处理设备(比如服务器或计算机)上。另外,例如,图形处理单元(GPU)1428(比如NVIDIA GeFroce RTX 2080Ti)可以处理一些或全部神经网络处理。
进一步地,要求保护的进步可以作为实用应用、后台守护进程、或操作系统的部件或其组合提供,其结合CPU 1400和比如微软Windows、UNIX、Solaris、LINUX、苹果MAC-OS等操作系统和本领域技术人员已知的其他系统来执行。
用于实现服务器110的硬件元件可以通过各种电路系统元件来实现。进一步地,上述实施例的功能中的每一个可以由包括一个或多个处理电路的电路系统实现。如图14所示,处理电路包括特别编程的处理器,例如,处理器(CPU)1400。处理电路还包括比如专用集成电路(ASIC)和被布置为执行所述功能的常规电路部件等设备。
在图14中,服务器110包括执行上述过程的CPU 1400。服务器110可以是通用计算机或特定的专用机器。在一个实施例中,当处理器1400被编程以执行眼镜装备选择(并且特别地,参考图8至图13所讨论的任何过程)时,服务器110成为特定的、专用的机器。
替代性地或另外地,如本领域普通技术人员将认识到的,CPU1400可以在FPGA、ASIC、PLD上或使用分立逻辑电路实现。进一步地,CPU 1400可以被实现为并行协同工作的多个处理器,以执行上述本发明过程的指令。
图14中的服务器110还包括网络控制器1406,比如来自美国的因特尔公司的Intel以太网PRO网络接口卡,以用于与网络130接口连接。如可以了解的是,网络130可以是公共网络,比如因特网,或是专用网络,比如LAN或WAN网络,或上以上的任何组合,并且还可以包括PSTN或ISDN子网络。网络130还可以是有线的,比如以太网网络,或者可以是无线的,比如蜂窝网络,包括EDGE、3G和4G无线蜂窝系统。无线网络还可以是WiFi、蓝牙或已知的任何其他无线通信形式。
服务器110进一步包括用于与显示器1410(比如监视器)连接的显示控制器1408,比如显卡或图形适配器。通用I/O接口1412与键盘和/或鼠标1414、以及在显示器1410上或与之分开的触控屏面板1416连接。通用I/O接口还连接到各种外围设备1418,包括打印机和扫描仪。
声音控制器1420也可以设置在服务器110中,以与扬声器/麦克风1422连接,从而提供声音/音乐。
通用存储控制器1424将存储介质磁盘1404与通信总线1426连接以将服务器110的所有部件互连,所述通信总线可以是ISA、EISA、VESA、PCI或类似物。在此为简洁起见,省略了对显示器1410、键盘和/或鼠标1414、以及显示控制器1408、存储控制器1424、网络控制器1406、声音控制器1420和通用I/O接口1412的一般特征和功能的描述,因为这些特征是已知的。
在本披露的上下文中描述的示例性电路元件可以被其他元件替换,并且可以与本文提供的实例不同地构造。此外,可在多个电路单元(例如,芯片)中实现配置为执行本文所述特征的电路,或者可以将这些特征组合在单个芯片组上的电路中。
本文所述的功能和特征也可以由系统的各种分布式部件来执行。例如,一个或多个处理器可以执行这些系统功能,其中处理器分布在用网络通信的多个部件上。除了各种人机交互装置和通信设备(例如,显示监视器、智能电话、平板电脑、个人数字助理(PDA))之外,分布式部件还可以包括可以共享处理的一个或多个客户端和服务器机器。网络可以是专用网络,比如LAN或WAN,或者可以是公共网络,比如因特网。可以经由直接用户输入来接收对系统的输入,并且可以实时或作为批处理远程接收。附加地,可以在与所描述的模块或硬件不同的模块或硬件上执行一些实现方式。因此,其他实现方式在可以要求保护的范围内。
现在已经描述了所披露主题的实施例,本领域技术人员清楚的是,前述内容仅仅是说明性的而非限制性的、仅作为实例呈现。因此,虽然本文中已经讨论了特定配置,但是也可以采用其他配置。本披露实现了许多修改和其他实施例(例如组合、重新安排等),并且这些修改和其他实施例在本领域普通技术人员的范围内并且预期属于所披露主题及其任何等同物的范围。所披露实施例的特征可以在本发明的范围内组合、重新布置、省略等,以产生附加实施例。另外,某些特征有时可以被用来获得优点而无需相应地使用其他特征。因此,申请人意图包含在所披露主题的精神和范围内的所有这些替代、修改、等同物和变化。
本披露的实施例也可以如以下括号中所述。
(1)一种服务器,包括:处理电路系统,该处理电路系统被配置为:接收一个或多个图像,该一个或多个图像包括人的一个或多个表示,将神经网络应用于该一个或多个图像,其中,该神经网络对该一个或多个图像中的每个图像的至少一个美学成分进行分类,针对该一个或多个图像中的每个图像生成有美学成分分数,为用户生成用户眼镜装备简档,该用户与来自人物形象数据库的人物形象相匹配,该人物形象数据库中的每个人物形象被链接到一个或多个人物形象眼镜装备简档,该一个或多个人物形象眼镜装备简档基于该美学成分分数,以及基于该生成的用户眼镜装备简档为该用户选择眼镜装备。
(2)根据(1)所述的服务器,其中,该处理电路系统进一步被配置用于:对该一个或多个图像中的每个分类后的美学成分的出现次数进行求和,其中,该出现次数根据预定标准被权衡,该预定标准包括以下中的一项或多项:该项目出现在其中的图像被发布的时间、包括该项目的所有该多个图像被发布的时间段、提供该图像的人、以及其他人关于该图像的反馈,包括社交媒体参与,以及基于每个美学成分在该一个或多个图像中出现的频率来计算该一个或多个图像中的每个图像的该美学成分分数,其中,基于一个或多个预定标准对每个美学成分进行加权,并且组合该一个或多个图像中的每个图像中的每个美学成分,以计算该一个或多个图像的美学成分统计数据。
(3)根据(1)或(2)所述的服务器,其中,该处理电路系统进一步被配置用于:确定该用户的眼镜装备选择是否基于该一个或多个图像中的所有美学成分的综合,响应于确定该用户的眼镜装备选择基于该一个或多个图像中的所有美学成分的属性,输出全局统计数据,该全局统计数据基于该美学成分分数,确定该用户的眼镜装备选择是否基于该一个或多个图像中的眼镜美学成分,以及响应于确定该用户的眼镜装备选择基于该一个或多个图像中的所有美学成分,输出眼镜统计数据,该眼镜统计数据基于该美学成分分数,其中,仅当该美学成分分数大于预定的最小美学成分分数时,该美学成分分数被合并到该全局统计数据和该眼镜统计数据中。
(4)根据(1)至(3)的任一项所述的服务器,其中,响应于所接收的一个或多个图像来自与一组预选名人或潮流引领者相对应的公开可用媒体,该处理电路系统进一步被配置用于:通过定义或计算人物形象集合来生成该人物形象数据库,该人物形象数据库中的每个人物形象具有人类典型简档,该人类典型简档基于该一个或多个图像中的该人物的物理特征和情景特征,将每个预选名人或潮流引领者与该人物形象数据库中的匹配的人物形象相关联,该关联基于该预选名人或潮流引领者的物理特征和情景特征,以及基于该预选名人或潮流引领者的眼镜装备的该美学成分分数,将该眼镜装备与该人物形象集合中的每个人物形象相关联,该关联到每个人物形象的眼镜装备对应于该一个或多个人物形象眼镜装备简档。
(5)根据(1)至(4)的任一项所述的服务器,其中,响应于所接收的一个或多个图像是该用户的一个或多个图像,该处理电路系统进一步被配置用于:基于该用户的物理特征和情景特征为该用户生成简档,将该用户与该人物形象数据库中的匹配人物形象相关联,该匹配人物形象与基于该用户的物理特征和情景特征为该用户生成的简档最接近地匹配,以及基于该匹配的人物形象将该用户与该用户眼镜装备简档相关联,该用户眼镜装备简档基于该匹配的人物形象的一个或多个人物形象眼镜装备简档。
(6)根据(1)至(5)的任一项所述的服务器,其中,该处理电路系统进一步被配置用于:接收文本,该文本对应于使用描述,训练对应于所接收的文本的词汇表,以及创建该训练词汇表的向量表示。
(7)根据(1)至(6)的任一项所述的服务器,其中,该至少一个美学成分包括:该一个或多个人的属性、情景属性和眼镜属性。
(8)根据(1)至(7)的任一项所述的服务器,其中,所选择的眼镜装备基于预定零售商目录中可用的眼镜装备来选择。
(9)根据(1)至(8)的任一项所述的服务器,其中,通过计算该人物形象集合生成该人物形象数据库包括:从所接收的一个或多个图像提取属性以基于与该组预选名人或潮流引领者相对应的公开可用媒体构建该人物形象数据库。
(10)根据(1)至(9)的任一项的服务器,其中,以预定间隔生成新的人物形象数据库,该预定间隔对应于已知的时尚趋势变化频率。
(11)根据(1)至(10)的任一项所述的服务器,其中,该美学成分分数基于来自社交媒体简档、社区评论和时尚杂志中的一个或多个的多个开源图像,该多个开源图像对应于一个或多个预选名人或潮流引领者。
(12)根据(1)至(11)的任一项所述的服务器,其中,用于生成该美学成分分数的处理电路系统进一步被配置用于:基于时尚行业中的趋势变化频率来周而复始地接收该多个开源图像,以及基于趋势级别来计算该多个开源图像中的每个图像的分数,该趋势级别基于项目在该多个开源图像中的出现次数,该项目包括类型、颜色、形状、产品、图案、品牌和产品类别中的一个或多个。
(13)根据(1)至(12)的任一项所述的服务器,其中,该分数根据预定标准被权衡,该预定标准包括该项目出现在其中的图像被发布的时间、包括该项目的所有该多个图像被发布的时间段、提供该图像的人、以及其他人关于该图像的反馈,包括社交媒体参与。
(14)根据(1)至(13)的任一项所述的服务器,其中,该分数进一步基于来自先前间隔的相同美学成分的先前分数被加权。
(15)一种用于选择眼镜装备的方法,包括:由处理电路系统接收一个或多个图像,该一个或多个图像包括人的一个或多个表示;由该处理电路系统将神经网络应用于该一个或多个图像,其中该神经网络对该一个或多个图像中的每个图像的至少一个美学成分进行分类,针对该一个或多个图像中的每个图像生成有美学成分分数;由该处理电路系统为用户生成用户眼镜装备简档,该用户与来自人物形象数据库的人物形象相匹配,该人物形象数据库中的每个人物形象被链接到一个或多个人物形象眼镜装备简档,该一个或多个人物形象眼镜装备简档基于该美学成分分数;以及由该处理电路系统基于该生成的用户眼镜装备简档为该用户选择眼镜装备。
(16)根据(15)所述的方法,进一步包括:对该一个或多个图像中的每个分类后的美学成分的出现次数进行求和,其中,该出现次数根据预定标准被权衡,该预定标准包括以下中的一项或多项:该项目出现在其中的图像被发布的时间、包括该项目的所有该多个图像被发布的时间段、提供该图像的人、以及其他人关于该图像的反馈,包括社交媒体参与;以及基于每个美学成分在该一个或多个图像中出现的频率来计算该一个或多个图像中的每个图像的该美学成分分数,其中,基于一个或多个预定标准对每个美学成分进行加权,并且组合该一个或多个图像中的每个图像中的每个美学成分,以计算该一个或多个图像的美学成分统计数据。
(17)根据(15)或(16)所述的方法,进一步包括:确定该用户的眼镜装备选择是否基于该一个或多个图像中的所有美学成分的综合;响应于确定该用户的该眼镜装备选择基于该一个或多个图像中的所有美学成分的属性,输出全局统计数据,该全局统计数据基于该美学成分分数;确定该用户的该眼镜装备选择是否基于该一个或多个图像中的眼镜美学成分;以及响应于确定该用户的眼镜装备选择是基于该一个或多个图像中的眼镜美学成分的,输出眼镜统计数据,该眼镜统计数据是基于该美学成分分数的,其中,仅当该美学成分分数大于预定的最小美学成分分数时,该美学成分分数被合并到该全局统计数据和该眼镜统计数据中。
(18)根据(15)至(17)的任一项所述的方法,响应于所接收的一个或多个图像来自与一组预选名人或潮流引领者相对应的公开可用媒体,进一步包括:通过定义或计算人物形象集合来生成该人物形象数据库,该人物形象数据库中的每个人物形象具有人类典型简档,该人类典型简档基于该一个或多个图像中的人物的物理特征和情景特征;将每个预选名人或潮流引领者与该人物形象数据库中的匹配的人物形象相关联,该关联基于该预选名人或潮流引领者的物理特征和情景特征;以及基于该预选名人或潮流引领者的该眼镜装备的该美学成分分数,将眼镜装备与该人物形象集合中的每个人物形象相关联,该关联到每个人物形象的眼镜装备对应于该一个或多个人物形象眼镜装备简档。
(19)根据(15)至(18)的任一项所述的方法,响应于所接收的一个或多个图像是该用户的一个或多个图像,进一步包括:基于该用户的物理特征和情景特征为该用户生成简档;将该用户与该人物形象数据库中的该匹配的人物形象相关联,该匹配的人物形象与基于该用户的该物理特征和情景特征为该用户生成的该简档最接近地匹配;以及基于该匹配的人物形象将该用户与该用户眼镜装备简档相关联,该用户眼镜装备简档基于该匹配的人物形象的该一个或多个人物形象眼镜装备简档。
(20)一种在其上存储计算机可读指令的非暂态计算机可读存储介质,该计算机可读指令在由计算机执行时使该计算机执行一种方法,该方法包括:接收一个或多个图像,该一个或多个图像包括人的一个或多个表示,将神经网络应用于该一个或多个图像,其中,该神经网络对该一个或多个图像中的每个图像的至少一个美学成分进行分类,针对所述一个或多个图像中的每个图像生成有美学成分分数,为用户生成用户眼镜装备简档,该用户与来自人物形象数据库的人物形象匹配,该人物形象数据库中的每个人物形象被链接到一个或多个人物形象眼镜装备简档,该一个或多个人物形象眼镜装备简档基于该美学成分分数,以及基于所生成的用户眼镜装备简档为该用户选择眼镜装备。
(21)根据(20)所述的非暂态计算机可读存储介质,进一步包括:对该一个或多个图像中的每个分类后的美学成分的出现次数进行求和,其中该出现次数根据预定标准被权衡,该预定标准包括以下中的一项或多项:该项目出现在其中的图像被发布的时间、包括该项目的所有该多个图像被发布的时间段、提供该图像的人、以及其他人关于该图像的反馈,包括社交媒体参与;以及基于每个美学成分在该一个或多个图像中出现的频率来计算该一个或多个图像中的每个图像的该美学成分分数,其中,基于一个或多个预定标准对每个美学成分进行加权,并且组合该一个或多个图像中的每个图像中的每个美学成分,以计算该一个或多个图像的美学成分统计数据。
(22)根据(20)或(21)所述的非暂态计算机可读存储介质,进一步包括:确定该用户的眼镜装备选择是否基于该一个或多个图像中的所有美学成分的综合;响应于确定该用户的该眼镜装备选择基于该一个或多个图像中的所有美学成分的属性,输出全局统计数据,该全局统计数据基于该美学成分分数;确定该用户的该眼镜装备选择是否基于该一个或多个图像中的眼镜美学成分;以及响应于确定该用户的眼镜装备选择是基于该一个或多个图像中的眼镜美学成分的,输出眼镜统计数据,该眼镜统计数据是基于该美学成分分数的,其中,仅当该美学成分分数大于预定的最小美学成分分数时,该美学成分分数被合并到该全局统计数据和该眼镜统计数据中。
(23)根据(20)至(22)的任一项所述的非暂态计算机可读存储介质,响应于所接收的一个或多个图像来自与一组预选名人或潮流引领者相对应的公开可用媒体,进一步包括:通过定义或计算人物形象集合来生成该人物形象数据库,该人物形象数据库中的每个人物形象具有人类典型简档,该人类典型简档基于该一个或多个图像中的人物的物理特征和情景特征;将每个预选名人或潮流引领者与该人物形象数据库中的匹配的人物形象相关联,该关联基于该预选名人或潮流引领者的物理特征和情景特征;以及基于该预选名人或潮流引领者的该眼镜装备的该美学成分分数,将眼镜装备与该人物形象集合中的每个人物形象相关联,该关联到每个人物形象的眼镜装备对应于该一个或多个人物形象眼镜装备简档。
(24)根据(20)至(23)的任一项所述的非暂态计算机可读存储介质,响应于所接收的一个或多个图像是该用户的一个或多个图像,进一步包括:基于该用户的物理特征和情景特征为该用户生成简档;将该用户与该人物形象数据库中的该匹配的人物形象相关联,该匹配的人物形象与基于该用户的物理特征和情景特征为该用户生成的简档最接近地匹配;以及基于该匹配的人物形象将该用户与该用户眼镜装备简档相关联,该用户眼镜装备简档基于该匹配的人物形象的一个或多个人物形象眼镜装备简档。
- 用于选择眼镜装备的服务器、方法和计算机可读存储介质
- 3D眼镜共享方法、服务器、系统及计算机可读存储介质