سیستم توصیف محصول مبتنی بر تصویر با شبکه عصبی مصنوعی

قیمت: 38,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

سیستم توصیف محصول مبتنی بر تصویر با شبکه عصبی مصنوعی

عنوان لاتین

Image-based Product Recommendation System with Convolutional Neural Networks

بیشتر موتورهای جستجوی خرید آنلاین هنوز به طور عمده به پایگاه دانش بستگی دارند و از کلمات کلیدی استفاده می‌کنند به عنوان استراتژی جستجو برای پیدا کردن به احتمال زیاد محصولی که مصرف کنندگان برای خرید می‌خواهند. این ناکارآمد است به طوری که توصیف محصولات می‌تواند از طرف فروشنده به سمت خریدار بسیار متفاوت باشد. در این مقاله ما یک موتور جستجوی هوشمند برای خرید آنلاین ارائه می‌کنیم. اساساً از تصاویر به عنوان ورودی آن استفاده می‌کند و تلاش می‌کند اطلاعات مربوط به محصولات این تصاویر را درک کند. ما برای اولین بار از یک شبکه عصبی برای طبقه بندی تصویر ورودی به عنوان یکی از دسته‌های محصول استفاده می‌کنیم. سپس از یک شبکه عصبی دیگری برای مدل سازی نمره شباهت بین تصاویر جفت استفاده کنید که برای انتخاب نزدیک‌ترین محصول در پایگاه داده‌ی الکترونیکی ما استفاده می‌شود. ما از شباهت ژاکارد برای محاسبه نمره شباهت برای داده‌های آموزشی استفاده می‌کنیم. ما سوابق اطلاعات محصول (از جمله تصویر، برچسب کلاس و غیره) را از آمازون جمع آوری می‌کنیم تا این مدل‌ها را یاد بگیریم. به طور خاص، مجموعه داده‌های ما حاوی اطلاعاتی درباره 3.5 میلیون محصول با تصویر است و مجموعاً 20 دسته است. روش ما دقت طبقه بندی 0.5 را بدست می‌آورد. در نهایت ما قادر به توصیف محصولات با شباهت بیش از 0.5 هستیم و پشتیبانی سریع و دقیق خرید آنلاین را ارائه می‌دهیم.

Most on-line shopping search engines are still largely depend on knowledge base and use key word matching as their search strategy to find the most likely product that consumers want to buy. This is inefficient in a way that the description of products can vary a lot from the seller’s side to the buyer’s side. In this paper, we present a smart search engine for online shopping. Basically it uses images as its input, and tries to understand the information about products from these images. We first use a neural network to classify the input image as one of the product categories. Then use another neural network to model the similarity score between pair images, which will be used for selecting the closest product in our e-item database. We use Jaccard similarity to calculate the similarity score for training data. We collect product information data (including image, class label etc.) from Amazon to learn these models. Specifically, our dataset contains information about 3.5 million products with image, and there are 20 categories in total. Our method achieves a classification accuracy of 0.5. Finally we are able to recommend products with similarity higher than 0.5, and offer fast and accurate on-line shopping support.