一種基于神經(jīng)網(wǎng)絡(luò)的在線商品推薦系統(tǒng)、裝置及移動(dòng)終端的制作方法
【專利摘要】本發(fā)明公開了一種基于神經(jīng)網(wǎng)絡(luò)的在線商品推薦系統(tǒng)、裝置及移動(dòng)終端，屬于神經(jīng)網(wǎng)絡(luò)技術(shù)領(lǐng)域；系統(tǒng)包括采集裝置，獲取商品圖像并轉(zhuǎn)換為時(shí)間脈沖序列輸出；識(shí)別裝置，連接采集裝置，通過第一神經(jīng)網(wǎng)絡(luò)模型，根據(jù)時(shí)間脈沖序列識(shí)別商品圖像，并遠(yuǎn)程輸出相應(yīng)的識(shí)別結(jié)果；服務(wù)端基于一第二神經(jīng)網(wǎng)絡(luò)模型，根據(jù)識(shí)別結(jié)果處理形成推薦信息并反饋；用戶端還包括：結(jié)果反饋裝置，連接識(shí)別裝置，獲取基于推薦信息進(jìn)行的操作結(jié)果并輸出；識(shí)別裝置根據(jù)操作結(jié)果，對第一神經(jīng)網(wǎng)絡(luò)模型和/或?qū)Φ诙窠?jīng)網(wǎng)絡(luò)進(jìn)行更新。上述技術(shù)方案的有益效果是：降低移動(dòng)終端應(yīng)用數(shù)學(xué)處理模型對網(wǎng)絡(luò)帶寬的依賴程度；提升圖像識(shí)別和數(shù)據(jù)處理的效率，提升使用者的使用體驗(yàn)。
【專利說明】
-種基于神經(jīng)網(wǎng)絡(luò)的在線商品推薦系統(tǒng)、裝置及移動(dòng)終端
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及神經(jīng)網(wǎng)絡(luò)技術(shù)領(lǐng)域，尤其設(shè)及一種基于神經(jīng)網(wǎng)絡(luò)的在線商品推薦系 統(tǒng)、裝置及移動(dòng)終端。
【背景技術(shù)】
[0002] 現(xiàn)有技術(shù)中，針對移動(dòng)終端的在線商品推薦系統(tǒng)，通常會(huì)采用設(shè)置于移動(dòng)終端內(nèi) 部的一些數(shù)據(jù)處理模型實(shí)現(xiàn)。運(yùn)些數(shù)學(xué)處理模型需要根據(jù)使用者個(gè)人的習(xí)慣的變動(dòng)進(jìn)行相 適應(yīng)的調(diào)整。
[0003] 但是現(xiàn)有技術(shù)中，于移動(dòng)終端內(nèi)部實(shí)現(xiàn)商品識(shí)別并且推薦相應(yīng)商品的功能，通常 受制于移動(dòng)終端相對較小的運(yùn)算能力，W及移動(dòng)終端內(nèi)部相對固定的數(shù)學(xué)處理模型，其數(shù) 據(jù)處理依賴于遠(yuǎn)程服務(wù)端的支持，且處理方式比較固定，并不靈活。

【發(fā)明內(nèi)容】

[0004] 根據(jù)現(xiàn)有技術(shù)中存在的問題，現(xiàn)提供一種基于神經(jīng)網(wǎng)絡(luò)的在線商品推薦系統(tǒng)、裝 置及移動(dòng)終端的技術(shù)方案，旨在解決現(xiàn)有技術(shù)中于移動(dòng)終端內(nèi)采用數(shù)學(xué)處理模型進(jìn)行在線 商品推薦處理時(shí)受制于預(yù)先固定的處理模型W及模型本身的運(yùn)算能力而導(dǎo)致的處理方式 靈活度較差W及計(jì)算能力較差的問題。 陽0化]上述技術(shù)方案具體包括：
[0006] 一種基于神經(jīng)網(wǎng)絡(luò)的在線商品推薦系統(tǒng)，其中，包括多個(gè)用戶端W及分別與所述 用戶端遠(yuǎn)程連接的服務(wù)端，每個(gè)所述用戶端分別設(shè)置于一移動(dòng)終端內(nèi)：
[0007] 所述用戶端包括：
[0008] 采集裝置，用于獲取在線推薦的商品圖像，并將所述商品圖像轉(zhuǎn)換為相應(yīng)的時(shí)間 脈沖序列輸出；
[0009] 識(shí)別裝置，連接所述采集裝置，通過一預(yù)先訓(xùn)練的第一神經(jīng)網(wǎng)絡(luò)模型，根據(jù)所述時(shí) 間脈沖序列識(shí)別所述商品圖像，并向所述服務(wù)端遠(yuǎn)程輸出相應(yīng)的識(shí)別結(jié)果；
[0010] 所述服務(wù)端基于一預(yù)先訓(xùn)練的第二神經(jīng)網(wǎng)絡(luò)模型，根據(jù)所述識(shí)別結(jié)果處理形成相 應(yīng)的推薦信息并反饋給所述用戶端；
[0011] 所述用戶端還包括：
[0012] 結(jié)果反饋裝置，連接所述識(shí)別裝置，用于獲取使用者基于所述推薦信息進(jìn)行的操 作結(jié)果并發(fā)送至所述識(shí)別裝置；
[0013] 所述識(shí)別裝置根據(jù)所述操作結(jié)果，對所述第一神經(jīng)網(wǎng)絡(luò)模型進(jìn)行更新，和/或根 據(jù)所述操作結(jié)果發(fā)送至所述服務(wù)端，W對所述第二神經(jīng)網(wǎng)絡(luò)進(jìn)行更新。
[0014] 優(yōu)選的，該在線商品推薦系統(tǒng)，其中，所述識(shí)別裝置包括：
[0015] 訓(xùn)練數(shù)據(jù)單元，其中預(yù)設(shè)有多個(gè)訓(xùn)練數(shù)據(jù)，所述訓(xùn)練單元用于輸出所述訓(xùn)練數(shù) 據(jù)；
[0016] 模型訓(xùn)練單元，連接所述訓(xùn)練數(shù)據(jù)單元，用于根據(jù)所述訓(xùn)練數(shù)據(jù)訓(xùn)練建立相應(yīng)的 所述第一神經(jīng)網(wǎng)絡(luò)模型；
[0017] 所述模型訓(xùn)練單元還基于所述識(shí)別記錄更新所述第一神經(jīng)網(wǎng)絡(luò)模型。
[0018] 優(yōu)選的，該在線商品推薦系統(tǒng)，其中，所述訓(xùn)練數(shù)據(jù)包括訓(xùn)練輸入數(shù)據(jù)W及相應(yīng)的 期望輸出數(shù)據(jù)；
[0019] 所述模型訓(xùn)練單元中包括：
[0020] 處理模塊，基于一預(yù)設(shè)的所述第一神經(jīng)網(wǎng)絡(luò)模型，根據(jù)所述訓(xùn)練輸入數(shù)據(jù)處理輸 出相應(yīng)的訓(xùn)練輸出數(shù)據(jù)；
[0021] 比對模塊，連接所述處理模塊，用于將所述訓(xùn)練輸出數(shù)據(jù)與所述期望輸出數(shù)據(jù)進(jìn) 行比對，輸出相應(yīng)的比對結(jié)果；
[0022] 訓(xùn)練模塊，分別連接所述處理模塊和所述比對模塊，用于根據(jù)所述比對結(jié)果訓(xùn)練 更新所述處理單元所依據(jù)的所述第一神經(jīng)網(wǎng)絡(luò)模型；
[0023] 所述訓(xùn)練更新模塊根據(jù)所述比對結(jié)果循環(huán)更新所述第一神經(jīng)網(wǎng)絡(luò)模型，W最終形 成訓(xùn)練完畢的所述第一神經(jīng)網(wǎng)絡(luò)模型，W供所述識(shí)別裝置使用。
[0024] 優(yōu)選的，該在線商品推薦系統(tǒng)，其中，所述操作結(jié)果包括用于表示所述識(shí)別裝置是 否能夠正確識(shí)別所述商品圖像的第一結(jié)果信息；
[0025] 所述操作結(jié)果與相應(yīng)的所述商品圖像結(jié)合形成一條相應(yīng)的識(shí)別記錄；
[00%] 所述識(shí)別裝置包括：
[0027] 權(quán)重設(shè)定單元，根據(jù)所述第一結(jié)果信息，設(shè)定相應(yīng)的所述識(shí)別記錄于更新所述第 一神經(jīng)網(wǎng)絡(luò)模型過程中的權(quán)重值.
[0028] 更新單元，連接所述權(quán)重設(shè)定單元，用于根據(jù)相應(yīng)的所述權(quán)重值，確定是否需要根 據(jù)相應(yīng)的所述識(shí)別記錄更新所述第一神經(jīng)網(wǎng)絡(luò)模型，并對所述第一神經(jīng)網(wǎng)絡(luò)模型進(jìn)行更 新。
[0029] 優(yōu)選的，該在線商品推薦系統(tǒng)，其中，當(dāng)所述第一結(jié)果信息表示所述識(shí)別裝置能夠 識(shí)別所述商品圖像時(shí)，所述權(quán)重設(shè)定單元將相應(yīng)的所述權(quán)重值設(shè)定為一第一預(yù)設(shè)值；
[0030] 當(dāng)所述第一結(jié)果信息表示所述識(shí)別裝置無法識(shí)別所述第二預(yù)設(shè)值時(shí)，所述權(quán)重設(shè) 定單元將相應(yīng)的所述權(quán)重值設(shè)定為一第二預(yù)設(shè)值；
[0031] 所述更新單元根據(jù)所述權(quán)重值為第二預(yù)設(shè)值的所述第一結(jié)果信息更新所述第一 神經(jīng)網(wǎng)絡(luò)模型。
[0032] 優(yōu)選的，該在線商品推薦系統(tǒng)，其中，所述操作結(jié)果包括用于表示使用者是否忽略 所述推薦信息的第二結(jié)果信息；
[0033] 所述操作結(jié)果與相應(yīng)的所述商品圖像結(jié)合形成一條相應(yīng)的識(shí)別記錄；
[0034] 所述識(shí)別裝置包括：
[0035] 權(quán)重設(shè)定單元，根據(jù)所述第二結(jié)果信息，設(shè)定相應(yīng)的所述識(shí)別記錄于更新所述第 二神經(jīng)網(wǎng)絡(luò)模型過程中的權(quán)重值.
[0036] 更新單元，連接所述權(quán)重設(shè)定單元，用于根據(jù)所述權(quán)重值確定是否需要更新所述 第二神經(jīng)網(wǎng)絡(luò)模型，并將相應(yīng)的所述識(shí)別記錄發(fā)送至所述服務(wù)端W更新所述第二神經(jīng)網(wǎng)絡(luò) 模型。
[0037] 優(yōu)選的，該在線商品推薦系統(tǒng)，其中，當(dāng)所述第二結(jié)果信息表示使用者對所述推薦 信息進(jìn)行操作時(shí)，所述權(quán)重設(shè)定單元將相應(yīng)的所述權(quán)重值設(shè)定為一第一預(yù)設(shè)值；
[0038] 當(dāng)所述第二結(jié)果信息表示使用者忽略所述推薦信息時(shí)，所述權(quán)重設(shè)定單元將相應(yīng) 的所述權(quán)重值設(shè)定為一第二預(yù)設(shè)值；
[0039] 所述更新單元將所述權(quán)重值為第二預(yù)設(shè)值的所述第二結(jié)果信息對應(yīng)的所述識(shí)別 記錄發(fā)送至所述服務(wù)端，W更新所述第二神經(jīng)網(wǎng)絡(luò)模型。
[0040] 優(yōu)選的，該在線商品推薦系統(tǒng)，其中，所述操作結(jié)果包括用于表示使用者選擇所述 推薦信息的順次的第Ξ結(jié)果信息；
[0041] 所述識(shí)別裝置包括：
[0042] 權(quán)重設(shè)定單元，根據(jù)所述第Ξ結(jié)果信息，設(shè)定相應(yīng)的所述識(shí)別記錄于更新所述第 二神經(jīng)網(wǎng)絡(luò)模型過程中的權(quán)重值.
[0043] 更新單元，連接所述權(quán)重設(shè)定單元，用于根據(jù)所述權(quán)重值確定是否需要更新所述 第二神經(jīng)網(wǎng)絡(luò)模型，并將相應(yīng)的所述識(shí)別記錄發(fā)送至所述服務(wù)端W更新所述第二神經(jīng)網(wǎng)絡(luò) 模型。
[0044] 優(yōu)選的，該在線商品推薦系統(tǒng)，其中，當(dāng)所述第Ξ結(jié)果信息表示使用者所選擇的所 述推薦信息為第一順次時(shí)，所述權(quán)重設(shè)定單元將相應(yīng)的所述權(quán)重值設(shè)定為一第一預(yù)設(shè)值；
[0045] 當(dāng)所述第Ξ結(jié)果信息表示使用者所選的所述推薦信息不為第一順次時(shí)，所述權(quán)重 設(shè)定單元將相應(yīng)的所述權(quán)重值設(shè)定為一第二預(yù)設(shè)值；
[0046] 所述更新單元將所述權(quán)重值為第二預(yù)設(shè)值的所述第二結(jié)果信息對應(yīng)的所述識(shí)別 記錄發(fā)送至所述服務(wù)端，W更新所述第二神經(jīng)網(wǎng)絡(luò)模型。
[0047] 優(yōu)選的，該在線商品推薦系統(tǒng)，其中：
[0048] 所述權(quán)重設(shè)定單元將所述第一預(yù)設(shè)值設(shè)定為一正常值；
[0049] 所述權(quán)重設(shè)定單元將所述第二預(yù)設(shè)值設(shè)定為高于所述正常值。
[0050] 優(yōu)選的，該在線商品推薦系統(tǒng)，其中，所述采集裝置為所述移動(dòng)終端的攝像頭。
[0051] 優(yōu)選的，該在線商品推薦系統(tǒng)，其中，所述第一神經(jīng)網(wǎng)絡(luò)模型和所述第二網(wǎng)絡(luò)模型 均為脈沖神經(jīng)網(wǎng)絡(luò)模型。
[0052] 一種識(shí)別裝置，應(yīng)用于移動(dòng)終端；其中，所述識(shí)別裝置通過W多行多列排布并相互 關(guān)聯(lián)的多個(gè)神經(jīng)單元模塊塊處理形成的神經(jīng)網(wǎng)絡(luò)模型對外部輸入的商品圖像進(jìn)行識(shí)別；
[0053] 外部輸入的商品圖像被轉(zhuǎn)換成相應(yīng)的時(shí)間脈沖序列并發(fā)送至所述識(shí)別裝置內(nèi)。
[0054] 優(yōu)選的，該識(shí)別裝置，其中，經(jīng)所述商品圖像轉(zhuǎn)換的所述時(shí)間脈沖序列由多個(gè)子脈 沖序列構(gòu)成； 陽化5] 每個(gè)所述神經(jīng)單元模塊用于處理一個(gè)所述子脈沖序列；
[0056] 所述識(shí)別裝置中包括：
[0057] 排程設(shè)定單元，分別連接每個(gè)所述神經(jīng)單元模塊，用于獲取每個(gè)所述神經(jīng)單元模 塊的工作狀態(tài)，并控制每個(gè)所述神經(jīng)單元模塊的排程；
[0058] 序列存儲(chǔ)單元，連接所述排程設(shè)定單元，用于按序保存所有所述子脈沖序列；
[0059] 所述排程設(shè)定單元控制處于空閑狀態(tài)的所述神經(jīng)單元模塊處理所述序列存儲(chǔ)單 元中保存的一個(gè)預(yù)設(shè)的所述子脈沖序列；
[0060] 所述排程設(shè)定單元從所述序列存儲(chǔ)單元中刪除已被處理的所述子脈沖序列。
[0061] 優(yōu)選的，該識(shí)別裝置，其中，每個(gè)所述神經(jīng)單元模塊中包括W多行多列排布并相互 關(guān)聯(lián)的神經(jīng)單元。
[0062] 優(yōu)選的，該識(shí)別裝置，其中，所述第一神經(jīng)網(wǎng)絡(luò)模型和所述第二神經(jīng)網(wǎng)絡(luò)模型均為 脈沖神經(jīng)網(wǎng)絡(luò)模型。
[0063] 一種移動(dòng)終端，其中，包括上述的在線商品推薦系統(tǒng)中的用戶端。
[0064] 一種移動(dòng)終端，其中，包括上述的識(shí)別裝置。
[00化]上述技術(shù)方案的有益效果是：
[0066] 1)將識(shí)別對象轉(zhuǎn)換成相應(yīng)的時(shí)間脈沖序列并進(jìn)行神經(jīng)網(wǎng)絡(luò)模型的識(shí)別和處理，減 少向遠(yuǎn)程服務(wù)端傳輸?shù)臄?shù)據(jù)量，降低移動(dòng)終端應(yīng)用數(shù)學(xué)處理模型對網(wǎng)絡(luò)帶寬的依賴程度；
[0067] 2)在實(shí)際應(yīng)用的同時(shí)對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行不斷訓(xùn)練更新，W根據(jù)使用者的個(gè)人習(xí) 慣完善神經(jīng)網(wǎng)絡(luò)模型，提升圖像識(shí)別和數(shù)據(jù)處理的效率，提升使用者的使用體驗(yàn)。
【附圖說明】
[0068] 圖1是本發(fā)明的較佳的實(shí)施例中，一種在線商品推薦系統(tǒng)的結(jié)構(gòu)示意圖；
[0069] 圖2是本發(fā)明的較佳的實(shí)施例中，用戶端的具體結(jié)構(gòu)示意圖； 陽070]圖3是本發(fā)明的較佳的實(shí)施例中，時(shí)間脈沖序列的示意圖；
[0071] 圖4是本發(fā)明的較佳的實(shí)施例中，構(gòu)建識(shí)別裝置中神經(jīng)網(wǎng)絡(luò)模型的示意圖。
[0072] 圖5-6是本發(fā)明的較佳的實(shí)施例中，識(shí)別裝置中神經(jīng)網(wǎng)絡(luò)模型的連接示意圖；
[0073] 圖7是本發(fā)明的較佳的實(shí)施例中，模型訓(xùn)練單元的具體結(jié)構(gòu)示意圖。
【具體實(shí)施方式】
[0074] 下面結(jié)合附圖和具體實(shí)施例對本發(fā)明作進(jìn)一步說明，但不作為本發(fā)明的限定。
[00巧]現(xiàn)有技術(shù)中，傳統(tǒng)的應(yīng)用于移動(dòng)終端等手持設(shè)備上實(shí)現(xiàn)智能識(shí)別的數(shù)學(xué)模型，通 常有兩種實(shí)現(xiàn)方式：
[0076] 1)其中一種實(shí)現(xiàn)方式受制于移動(dòng)終端的硬件計(jì)算能力，需要通過遠(yuǎn)程服務(wù)端的計(jì) 算，也就是云計(jì)算訓(xùn)練移動(dòng)終端內(nèi)部的數(shù)學(xué)處理模型。由于移動(dòng)終端與遠(yuǎn)程服務(wù)端之間傳 輸?shù)臄?shù)據(jù)量可能會(huì)比較大，例如進(jìn)行圖像識(shí)別或者視頻識(shí)別等，因此運(yùn)種方式的實(shí)現(xiàn)受限 于網(wǎng)絡(luò)帶寬的限制，是一種比較不可靠的實(shí)現(xiàn)方式；
[0077] 2)另一種實(shí)現(xiàn)方式可W將預(yù)先訓(xùn)練好的智能數(shù)學(xué)處理模型預(yù)置于移動(dòng)終端內(nèi)部， 并根據(jù)該數(shù)學(xué)處理模型直接進(jìn)行相應(yīng)的識(shí)別處理。運(yùn)種方式所依賴的數(shù)學(xué)處理模型由于是 預(yù)先訓(xùn)練并且預(yù)置于移動(dòng)終端內(nèi)部，因此缺乏一定的靈活性，在使用者改變了個(gè)人書寫習(xí) 慣或者不同的使用者使用時(shí)無法通過自學(xué)習(xí)或者自訓(xùn)練來適應(yīng)使用者的操作。
[0078] 因此，本發(fā)明引入神經(jīng)網(wǎng)絡(luò)模型作為移動(dòng)終端內(nèi)部的數(shù)學(xué)處理模型，W解決現(xiàn)有 技術(shù)中存在的問題。
[0079] 所謂神經(jīng)網(wǎng)絡(luò)，又稱為人工神經(jīng)網(wǎng)絡(luò)，是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分 布式并行信息處理的數(shù)據(jù)處理和計(jì)算的模型。運(yùn)種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過調(diào)整內(nèi) 部大量節(jié)點(diǎn)之間相互連接的關(guān)系，從而達(dá)到處理信息的目的。
[0080] 本發(fā)明的較佳的實(shí)施例中，基于現(xiàn)有技術(shù)中存在的上述問題，提供一種基于神經(jīng) 網(wǎng)絡(luò)的在線商品推薦系統(tǒng)。本發(fā)明的較佳的實(shí)施例中，如圖1所示，該在線商品推薦系統(tǒng)包 括多個(gè)用戶端A W及一服務(wù)端B。
[0081] 本發(fā)明的較佳的實(shí)施例中，服務(wù)端B分別遠(yuǎn)程連接上述多個(gè)用戶端A。
[0082] 本發(fā)明的較佳的實(shí)施例中，每個(gè)用戶端A設(shè)置于相應(yīng)的移動(dòng)終端內(nèi)（未示出）， 即上述在線商品推薦系統(tǒng)包括設(shè)置于移動(dòng)終端內(nèi)部的一端，W及與移動(dòng)終端遠(yuǎn)程連接的一 JLjJU 乂而。
[0083] 本發(fā)明的較佳的實(shí)施例中，如圖2所示，每個(gè)用戶端A中包括：
[0084] 采集裝置1，用于獲取在線推薦的商品圖像，并將商品圖像轉(zhuǎn)換為相應(yīng)的時(shí)間脈沖 序列輸出。
[00化]本發(fā)明的較佳的實(shí)施例中，上述采集裝置1可W為移動(dòng)終端上的攝像頭，即在線 應(yīng)購物等類似應(yīng)用可W控制移動(dòng)終端的攝像頭攝取在線商品的商品圖像。
[0086] 本發(fā)明的較佳的實(shí)施例中，采集單元12獲取相應(yīng)的商品圖像，并將該首席字符轉(zhuǎn) 換成相應(yīng)的時(shí)間脈沖序列輸出。
[0087] 本發(fā)明的較佳的實(shí)施例中，時(shí)間脈沖序列（Spike Sequences)如圖3所示。圖3 中可看到，時(shí)間脈沖序列可W為一種比較稀疏的時(shí)間數(shù)字序列，序列可W由0或1表示，也 可W由其他整數(shù)表示。如圖3所示，一個(gè)經(jīng)由拍攝獲取的商品圖像可W對應(yīng)數(shù)個(gè)子脈沖序 列。
[0088] 本發(fā)明的較佳的實(shí)施例中，于神經(jīng)網(wǎng)絡(luò)模型中處理和傳輸?shù)臄?shù)據(jù)均被轉(zhuǎn)換成如上 文中所述的時(shí)間脈沖序列，由于運(yùn)些時(shí)間脈沖序列相對于原先的商品圖像而言數(shù)據(jù)量更 小，因此通過網(wǎng)絡(luò)傳輸?shù)牧髁控?fù)荷也大大減小，對于網(wǎng)絡(luò)帶寬的依賴程度也相應(yīng)減小。同時(shí) 由于本發(fā)明中將商品圖像轉(zhuǎn)換成各式各樣的脈沖信號，因此大大提升了數(shù)據(jù)傳輸?shù)募用艹?度，保證數(shù)據(jù)傳輸?shù)陌踩浴?br>[0089] 因此，本發(fā)明的較佳的實(shí)施例中所采用的神經(jīng)網(wǎng)絡(luò)模型為脈沖神經(jīng)網(wǎng)絡(luò)模型。
[0090] 本發(fā)明的較佳的實(shí)施例中，仍然如圖2所示，上述手寫字符識(shí)別系統(tǒng)中還包括：
[0091] 識(shí)別裝置2,連接上述采集裝置1。本發(fā)明的較佳的實(shí)施例中，識(shí)別裝置基于一預(yù) 先訓(xùn)練的第一神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)對上述商品圖像的識(shí)別。進(jìn)一步地，本發(fā)明的較佳的實(shí)施 例中，上述識(shí)別裝置2基于一預(yù)先訓(xùn)練的第一神經(jīng)網(wǎng)絡(luò)模型對上述時(shí)間脈沖序列進(jìn)行識(shí) 另IJ，并輸出相應(yīng)的識(shí)別結(jié)果。
[0092] 本發(fā)明的較佳的實(shí)施例中，如圖4所示，上述第一神經(jīng)網(wǎng)絡(luò)模型由多行多列且相 互關(guān)聯(lián)的神經(jīng)單元模塊A構(gòu)成。進(jìn)一步地，本發(fā)明的較佳的實(shí)施例中，仍然如圖3所示，每個(gè) 神經(jīng)單元模塊A中包括P沖個(gè)神經(jīng)單元曰，每個(gè)神經(jīng)單元模塊A中的神經(jīng)單元a同樣W多行 多列排布且相互關(guān)聯(lián)的形式連接。本發(fā)明的較佳的實(shí)施例中，所謂相互關(guān)聯(lián)，是指神經(jīng)單元 與神經(jīng)單元之間，或者神經(jīng)單元模塊與神經(jīng)單元模塊之間可W進(jìn)行相互間的數(shù)據(jù)傳輸。如 上文所述，一個(gè)神經(jīng)單元模塊A可W對應(yīng)處理一個(gè)時(shí)間脈沖序列（a Sp化ing Sequence)，通 過相互連接的神經(jīng)單元模塊A處理形成的數(shù)據(jù)，可W最終輸出采用該脈沖神經(jīng)網(wǎng)絡(luò)模型處 理的識(shí)別結(jié)果。
[0093] 本發(fā)明中所述的神經(jīng)網(wǎng)絡(luò)模型，無論第一神經(jīng)網(wǎng)絡(luò)模型或者第二神經(jīng)網(wǎng)絡(luò)模型均 適用于本發(fā)明技術(shù)方案中所述的結(jié)果描述，下文中不再詳述，僅W神經(jīng)網(wǎng)絡(luò)模型指代第一 神經(jīng)網(wǎng)絡(luò)模型和第二神經(jīng)網(wǎng)絡(luò)模型。
[0094] 本發(fā)明的較佳的實(shí)施例中，同一個(gè)神經(jīng)單元模塊化lock)中，一級神經(jīng)單元與上 一級神經(jīng)單元之間的連接關(guān)系可W參照圖5所示。在第k層的神經(jīng)單元巧f接收到上一層 化-1層）的神經(jīng)單元拍為一層神經(jīng)單元/7^'所能連接的上一層神經(jīng)單元 的最大個(gè)數(shù)）處理的數(shù)據(jù)，并且將運(yùn)些數(shù)據(jù)與該層神經(jīng)單元巧?本身的偏置化ias) (或者漏泄時(shí)滯Leakage) 結(jié)合。本發(fā)明的較佳的實(shí)施例中，當(dāng)該層神經(jīng)單元度所 接收到的數(shù)據(jù)（全部信號）大于預(yù)設(shè)的一個(gè)闊值時(shí)，該神經(jīng)單元便會(huì)發(fā)送一個(gè)脈 沖（Sp化e)至下一層的神經(jīng)單元，W啟動(dòng)下一層神經(jīng)單元的數(shù)據(jù)處理，而神經(jīng)單元本身 將其電位重設(shè)為靜息電位(Resting Potential)。
[0095] 本發(fā)明的一個(gè)較佳的實(shí)施例中，提供下述公式W支持應(yīng)用神經(jīng)單元（模塊）的排 布構(gòu)建脈沖神經(jīng)網(wǎng)絡(luò)模型的實(shí)現(xiàn)：
[0096]
陽100] 其中， 陽101] 《狂）表示第k層第i個(gè)神經(jīng)單元滋f在時(shí)間點(diǎn)t上的電位； 陽10引因此，如公式（2)和公式（4)所示，當(dāng)神經(jīng)單元凝f |的電位在時(shí)間點(diǎn)t上超過上文 中所述的電位臨界點(diǎn)時(shí)，該神經(jīng)單元激發(fā)一個(gè)脈沖（spike)，并且將神經(jīng)單元if的 去 電位重置（reset)為靜息電位 陽103] 本發(fā)明的較佳的實(shí)施例中，區(qū)別于公式（1)和公式（2)，公式（3)和公式（4)考 慮了緩義個(gè)時(shí)間延遲的問題來模擬不同遠(yuǎn)近程度的神經(jīng)單元之間傳遞脈沖的時(shí)間差的關(guān) 系D
[0104] 本發(fā)明的較佳的實(shí)施例中，于兩個(gè)相互關(guān)聯(lián)（相互鏈接）的神經(jīng)單元a而言，下層 神經(jīng)單元a傳輸給上層神經(jīng)單元a的脈沖（spike)的次數(shù)越頻繁，則兩個(gè)神經(jīng)單元a之間 的連結(jié)強(qiáng)度也會(huì)相應(yīng)增強(qiáng)，相反地，連結(jié)強(qiáng)度會(huì)相應(yīng)減弱。運(yùn)種連結(jié)強(qiáng)度的變化也就 是脈沖神經(jīng)網(wǎng)絡(luò)模型進(jìn)行機(jī)械式自學(xué)習(xí)的過程。
[01化]本發(fā)明的其他實(shí)施例中，上述神經(jīng)單元之間的連接W及神經(jīng)網(wǎng)絡(luò)模型的自學(xué)習(xí)方 式同樣可W應(yīng)用現(xiàn)有技術(shù)中的許多實(shí)現(xiàn)形式，例如采用基于脈沖時(shí)間的學(xué)習(xí)規(guī)則（Spike Timing-Dependent Plasticity, STDP)，其實(shí)現(xiàn)方式如下述公式所示，其中LTP表示長時(shí)程 增強(qiáng)化ong-term化tentiation)，即增強(qiáng)神經(jīng)單元之間的連結(jié)強(qiáng)度，LTD表示長時(shí)程抑制 (Xong-term Depression)，即減弱神經(jīng)單元之間的連結(jié)強(qiáng)度。 陽 106]
(5) 陽107] 其中，表示神經(jīng)單元與神經(jīng)單元;/之間的連結(jié)強(qiáng)度，則相應(yīng)地 "曲，1 "?
表示連結(jié)強(qiáng)度的增加量 陽108] Α+和Α-，W及C+和C-均為對應(yīng)于LTP和LTD可進(jìn)行設(shè)置的參數(shù)； 陽109] tm為對應(yīng)于神經(jīng)單元的時(shí)間點(diǎn)； 陽110] ti為對應(yīng)于神經(jīng)單元/7；^的時(shí)間點(diǎn)。 陽111 ] 本發(fā)明的較佳的實(shí)施例中，將神經(jīng)單元a之間的連接擴(kuò)展到神經(jīng)單元模塊A之間 同樣適用，即神經(jīng)單元模塊A之間同樣適用上文中所述的連接方式化及連結(jié)強(qiáng)度的變化方 式等。
[0112] 本發(fā)明的較佳的實(shí)施例中，如圖4所示，于上述識(shí)別裝置中還包括一排程設(shè)定單 元（Sche化ler)B。本發(fā)明的較佳的實(shí)施例中，該排程設(shè)定單元B分別與每個(gè)神經(jīng)單元模塊 A連接，并用于控制每個(gè)神經(jīng)單元A的排程（Sche化ling)。所謂排程，是指將任務(wù)分配至資 源的過程，即排程設(shè)定單元B將相應(yīng)的處理任務(wù)分配給相應(yīng)的神經(jīng)單元模塊A。
[0113] 本發(fā)明的較佳的實(shí)施例中，排程設(shè)定單元B可W獲取每個(gè)神經(jīng)單元模塊A的工作 狀態(tài)，例如該神經(jīng)單元模塊A處于工作中或者空閑狀態(tài)。具體地，本發(fā)明的一個(gè)較佳的實(shí)施 例中，根據(jù)每個(gè)神經(jīng)單元a (可W推廣到每個(gè)神經(jīng)單元模塊A)處于被脈沖激活的點(diǎn)火狀態(tài)， 或者處于靜息電位，來判斷該神經(jīng)單元a (神經(jīng)單元模塊A)是否處于空閑狀態(tài)。
[0114] 本發(fā)明的較佳的實(shí)施例中，如圖4所示，上述識(shí)別裝置中還包括一序列存儲(chǔ)單元 C，該序列存儲(chǔ)單元C連接上述排程設(shè)定單元B。
[0115] 具體地，本發(fā)明的較佳的實(shí)施例中，由于移動(dòng)終端本身所能容納的神經(jīng)單元的數(shù) 量有限，因此需要解決當(dāng)處理一些比較復(fù)雜的任務(wù)（所需要的神經(jīng)單元數(shù)量超過移動(dòng)終端 所容納的神經(jīng)單元數(shù)量）時(shí)的實(shí)現(xiàn)方法。
[0116] 因此，本發(fā)明的較佳的實(shí)施例中，假設(shè)所需要處理的任務(wù)要求N個(gè)神經(jīng)單元模塊A 進(jìn)行處理，而移動(dòng)終端內(nèi)部容納的神經(jīng)單元模塊A只有Μ個(gè)，且N > Μ。在運(yùn)種情況下，W預(yù) 設(shè)的第1層神經(jīng)單元模塊A為例，任務(wù)所需的神經(jīng)單元模塊A為N_1個(gè)，而該層神經(jīng)單元模 塊A只有M_1個(gè)，此時(shí)將該N_1個(gè)任務(wù)所需數(shù)據(jù)（如上文所述，每個(gè)神經(jīng)單元模塊A對應(yīng)一 個(gè)子脈沖序列，即對應(yīng)一個(gè)處理數(shù)據(jù)）暫存于上述序列存儲(chǔ)單元C中，隨后由排程設(shè)定單元 B進(jìn)行控制：當(dāng)該層神經(jīng)單元模塊A中存在有處于空閑狀態(tài)的神經(jīng)單元模塊A (例如已經(jīng)完 成相應(yīng)計(jì)算的神經(jīng)單元模塊A)，則依序?qū)捍嬗谏鲜鲂蛄写鎯?chǔ)單元C中的數(shù)據(jù)送入該處于 空閑狀態(tài)的神經(jīng)單元模塊A中進(jìn)行處理。W此類推，從而完成采用Μ個(gè)神經(jīng)單元模塊A處 理N個(gè)神經(jīng)單元模塊才能處理的數(shù)據(jù)。上述技術(shù)方案使得移動(dòng)終端能夠突破其中包括的神 經(jīng)單元數(shù)量的限制而可W進(jìn)行更復(fù)雜的計(jì)算。
[0117] 如圖6所示為本發(fā)明的一個(gè)較佳的實(shí)施例中，整個(gè)神經(jīng)網(wǎng)絡(luò)模型中神經(jīng)單元模塊 之間的連接關(guān)系，同樣可W類推到一個(gè)神經(jīng)單元模塊中的多個(gè)神經(jīng)單元之間的連接關(guān)系。 本發(fā)明的較佳的實(shí)施例中，圖6中采用a(A)的表述方式表示圖4中所示的連接結(jié)構(gòu)同樣適 用神經(jīng)單元a之間，W及神經(jīng)單元模塊A之間。由于現(xiàn)有技術(shù)中對此類連接關(guān)系的實(shí)現(xiàn)方 式有較多描述，因此在此不再寶述。
[0118] 本發(fā)明的較佳的實(shí)施例中，仍然如圖2所示，上述識(shí)別裝置2進(jìn)一步包括：
[0119] 訓(xùn)練數(shù)據(jù)單元21。本發(fā)明的較佳的實(shí)施例中，訓(xùn)練數(shù)據(jù)單元21中預(yù)設(shè)有多個(gè)訓(xùn)練 數(shù)據(jù)，并用于輸出訓(xùn)練數(shù)據(jù)。
[0120] 本發(fā)明的較佳的實(shí)施例中，所謂訓(xùn)練數(shù)據(jù)，包括訓(xùn)練輸入數(shù)據(jù)和期望輸出數(shù)據(jù)。訓(xùn) 練輸入數(shù)據(jù)與期望輸出數(shù)據(jù)一一對應(yīng)。則本發(fā)明的較佳的實(shí)施例中，第一神經(jīng)網(wǎng)絡(luò)模型的 自學(xué)習(xí)過程即：輸入訓(xùn)練輸入數(shù)據(jù)一輸出訓(xùn)練輸出數(shù)據(jù)一與期望輸出數(shù)據(jù)進(jìn)行比對一根據(jù) 比對結(jié)果進(jìn)行自學(xué)習(xí)。上述過程在下文中會(huì)詳述。 陽121] 模型訓(xùn)練單元22,連接訓(xùn)練數(shù)據(jù)單元21。本發(fā)明的較佳的實(shí)施例中，模型訓(xùn)練單 元22用于根據(jù)訓(xùn)練數(shù)據(jù)訓(xùn)練建立相應(yīng)的第一神經(jīng)網(wǎng)絡(luò)模型。
[0122] 進(jìn)一步地，本發(fā)明的較佳的實(shí)施例中，如圖7所示，上述模型訓(xùn)練單元22包括：
[0123] 處理模塊221。本發(fā)明的較佳的實(shí)施例中，處理模塊221基于一預(yù)設(shè)的第一神經(jīng)網(wǎng) 絡(luò)模型，根據(jù)訓(xùn)練輸入數(shù)據(jù)處理輸出相應(yīng)的訓(xùn)練輸出數(shù)據(jù)。
[0124] 本發(fā)明的較佳的實(shí)施例中，處理模塊221第一次根據(jù)訓(xùn)練輸入數(shù)據(jù)處理輸出訓(xùn)練 輸出數(shù)據(jù)時(shí)所依據(jù)的第一神經(jīng)網(wǎng)絡(luò)模型為一預(yù)設(shè)的神經(jīng)網(wǎng)絡(luò)模型，即為一初始的第一神經(jīng) 網(wǎng)絡(luò)模型。該第一神經(jīng)網(wǎng)絡(luò)模型被初始為任意模式，移動(dòng)終端根據(jù)初始的第一神經(jīng)網(wǎng)絡(luò)模 型進(jìn)行一步步訓(xùn)練，從而形成最終訓(xùn)練完畢的第一神經(jīng)網(wǎng)絡(luò)模型。
[01巧]比對模塊222,連接處理模塊221。本發(fā)明的較佳的實(shí)施例中，比對模塊222用于 將訓(xùn)練輸出數(shù)據(jù)與期望輸出數(shù)據(jù)進(jìn)行比對，輸出相應(yīng)的比對結(jié)果。 陽126] 訓(xùn)練模塊223,分別連接處理模塊221和比對模塊222,用于根據(jù)比對結(jié)果訓(xùn)練更 新處理單元所依據(jù)的第一神經(jīng)網(wǎng)絡(luò)模型。
[0127] 本發(fā)明的較佳的實(shí)施例中，上述過程循環(huán)進(jìn)行，從而形成最終訓(xùn)練完畢的第一神 經(jīng)網(wǎng)絡(luò)模型。 陽12引例如，訓(xùn)練輸入數(shù)據(jù)為A和B，期望輸出數(shù)據(jù)中，A對應(yīng)的輸出為1，而B對應(yīng)的輸 出為0。在初始化的第一神經(jīng)網(wǎng)絡(luò)模型中，A的輸出可能對應(yīng)于0或1，每個(gè)輸出的概率各 為50%。若A的輸出為1，則與期望輸出比對證明輸出正確，此時(shí)不需要再對A進(jìn)行學(xué)習(xí)， 若A的輸出為0,則與期望輸出比對證明輸出錯(cuò)誤，需要對A - 1進(jìn)行進(jìn)一步學(xué)習(xí)。對于B 的處理和輸出亦然。上述學(xué)習(xí)過程循環(huán)往復(fù)，W最終形成能夠正確處理A和B并輸出正確 結(jié)果的第一神經(jīng)網(wǎng)絡(luò)模型。
[0129] 本發(fā)明的較佳的實(shí)施例中，上述最終形成的第一神經(jīng)網(wǎng)絡(luò)模型可W供識(shí)別裝置進(jìn) 行字符識(shí)別使用。但是運(yùn)個(gè)第一神經(jīng)網(wǎng)絡(luò)模型在實(shí)際使用中還需要進(jìn)一步地學(xué)習(xí)和完善， W適應(yīng)使用者的個(gè)人習(xí)慣。進(jìn)一步完善的過程在下文中會(huì)詳述。
[0130] 本發(fā)明的較佳的實(shí)施例中，經(jīng)過上文中所述的初步學(xué)習(xí)和訓(xùn)練，形成初步可應(yīng)用 的第一神經(jīng)網(wǎng)絡(luò)模型。本發(fā)明的較佳的實(shí)施例中，該第一神經(jīng)網(wǎng)絡(luò)模型在之后的實(shí)際應(yīng)用 中會(huì)根據(jù)反饋結(jié)果不斷進(jìn)行自學(xué)習(xí)和自訓(xùn)練，從而不斷完善第一神經(jīng)網(wǎng)絡(luò)模型。 陽131] 本發(fā)明的較佳的實(shí)施例中，識(shí)別裝置2基于上述第一神經(jīng)網(wǎng)絡(luò)模型，對輸入的商 品圖像進(jìn)行識(shí)別，具體為通過商品圖像轉(zhuǎn)換而來的時(shí)間脈沖序列識(shí)別獲得相應(yīng)的結(jié)果。本 發(fā)明的較佳的實(shí)施例中，所謂識(shí)別結(jié)果，可W為商品的名稱W及種類等。
[0132] 本發(fā)明的較佳的實(shí)施例中，上述識(shí)別裝置2將相應(yīng)的識(shí)別結(jié)果遠(yuǎn)程發(fā)送至上述服 務(wù)端B。本發(fā)明的較佳的實(shí)施例中，上述服務(wù)端B中同樣基于一預(yù)先訓(xùn)練的第二神經(jīng)網(wǎng)絡(luò)模 型，對識(shí)別結(jié)果進(jìn)行處理，W獲得相應(yīng)的推薦信息。
[0133] 本發(fā)明的較佳的實(shí)施例中，上述第二神經(jīng)網(wǎng)絡(luò)模型的預(yù)先訓(xùn)練方式與上述第一神 經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練方式類似，在此不再寶述。
[0134] 本發(fā)明的較佳的實(shí)施例中，服務(wù)端基于第二神經(jīng)網(wǎng)絡(luò)模型處理得到的推薦信息， 可W包括依據(jù)對應(yīng)于商品名稱或者種類的其他關(guān)聯(lián)商品。例如，若當(dāng)前識(shí)別結(jié)果表示商品 為一電吹風(fēng)，屬于小型家電類。則服務(wù)端基于第二神經(jīng)網(wǎng)絡(luò)模型處理得到相應(yīng)的推薦信息， 可W包括統(tǒng)計(jì)得到的購買人數(shù)最多的電吹風(fēng)類型，和/或其他相關(guān)聯(lián)的小型家電例如小型 風(fēng)扇或者小型加濕器等。
[0135] 因此，本發(fā)明的較佳的實(shí)施例中，服務(wù)端輸出的推薦信息包括多個(gè)可能的推薦選 項(xiàng)，運(yùn)些推薦選項(xiàng)W預(yù)設(shè)的順序排列，W供使用者選擇。
[0136] 本發(fā)明的較佳的實(shí)施例中，服務(wù)端B將上述推薦信息傳回至相應(yīng)的用戶端A，即傳 回至相應(yīng)的移動(dòng)終端。
[0137] 本發(fā)明的較佳的實(shí)施例中，仍然如圖2所示，上述用戶端A中還包括：
[0138] 結(jié)果反饋裝置3,連接上述識(shí)別裝置2。本發(fā)明的較佳的實(shí)施例中，用于獲取使用 者基于上述服務(wù)端B回傳的推薦信息進(jìn)行的操作結(jié)果并發(fā)送至識(shí)別裝置；
[0139] 本發(fā)明的較佳的實(shí)施例中，識(shí)別裝置根據(jù)操作結(jié)果，對第一神經(jīng)網(wǎng)絡(luò)模型進(jìn)行更 新，和/或根據(jù)操作結(jié)果發(fā)送至服務(wù)端，W對第二神經(jīng)網(wǎng)絡(luò)進(jìn)行更新。
[0140] 因此，本發(fā)明的較佳的實(shí)施例中，仍然如圖2所示，上述識(shí)別裝置2還包括： 陽141] 權(quán)重設(shè)定單元23。本發(fā)明的較佳的實(shí)施例中，權(quán)重設(shè)定單元23用于根據(jù)上述操作 結(jié)果設(shè)定相應(yīng)的權(quán)重值。 陽142] 更新單元24,連接上述權(quán)重設(shè)定單元23。本發(fā)明的較佳的實(shí)施例中，更新單元用 于根據(jù)識(shí)別記錄相應(yīng)的權(quán)重值，確定是否需要更新上述第一神經(jīng)網(wǎng)絡(luò)模型和/或上述第二 神經(jīng)網(wǎng)絡(luò)模型，并且進(jìn)行相應(yīng)的更新。 陽143] 具體地，本發(fā)明的較佳的實(shí)施例中，上述操作結(jié)果中可W包括：
[0144] 1)用于表示識(shí)別裝置2是否能夠正確識(shí)別商品圖像的第一結(jié)果信息。本發(fā)明的較 佳的實(shí)施例中，上述第一結(jié)果信息用于表示識(shí)別裝置2是否能夠正確識(shí)別商品圖像。所謂 正確識(shí)別，是指識(shí)別裝置2根據(jù)輸入的時(shí)間脈沖序列（對應(yīng)商品圖像）可W正確找到相應(yīng) 的商品名稱和/或商品種類。本發(fā)明的較佳的實(shí)施例中，上述判斷于識(shí)別裝置2處理得到 識(shí)別結(jié)果時(shí)即可W做出。
[0145] 2)用于表示使用者是否忽略推薦信息的第二結(jié)果信息。本發(fā)明的較佳的實(shí)施例 中，所謂使用者忽略推薦信息，是指使用者對推薦信息中的所有推薦選項(xiàng)均不做選擇。 陽146] 3)用于表示使用者所選擇的推薦選項(xiàng)的順次的第Ξ結(jié)果信息。例如，使用者選了 的推薦選項(xiàng)處于第一順次，則輸出該選項(xiàng)為第一順次的第Ξ結(jié)果信息。 陽147] 本發(fā)明的較佳的實(shí)施例中，上述操作結(jié)果與相應(yīng)的商品圖像結(jié)合形成一條相應(yīng)的 識(shí)別記錄。進(jìn)一步地，本發(fā)明的較佳的實(shí)施例中，上述識(shí)別記錄中包括從對商品圖像進(jìn)行識(shí) 另IJ、根據(jù)識(shí)別結(jié)果進(jìn)行推薦W及根據(jù)推薦信息進(jìn)行選擇等一系列過程中所包括的信息。
[0148] 因此，本發(fā)明的較佳的實(shí)施例中，上述權(quán)重設(shè)定單元23根據(jù)上述操作結(jié)果，具體 根據(jù)操作結(jié)果中包括的上述第一結(jié)果信息，和/或第二結(jié)果信息，和/或第Ξ結(jié)果信息，對 相應(yīng)的識(shí)別記錄設(shè)定相應(yīng)的權(quán)重值，具體包括：
[0149] 1)對于第一結(jié)果信息而言，若識(shí)別裝置2能夠識(shí)別商品圖像對應(yīng)的時(shí)間脈沖序 列，則權(quán)重設(shè)定單元23將相應(yīng)的識(shí)別記錄的權(quán)重值設(shè)定為一第一預(yù)設(shè)值；
[0150] 相應(yīng)地，本發(fā)明的較佳的實(shí)施例中，若識(shí)別裝置2無法識(shí)別商品圖像對應(yīng)的時(shí)間 脈沖序列，則權(quán)重設(shè)定單元23將相應(yīng)的識(shí)別記錄的權(quán)重值設(shè)定為一第二預(yù)設(shè)值。 陽15U 具體地，本發(fā)明的較佳的實(shí)施例中，識(shí)別裝置2能夠識(shí)別商品圖像，則表示該條識(shí) 別記錄對于本移動(dòng)終端內(nèi)的第一神經(jīng)網(wǎng)絡(luò)模型的更新沒有太大的意義； 陽15引相應(yīng)地，本發(fā)明的較佳的實(shí)施例中，識(shí)別裝置2無法識(shí)別商品圖像，則表示該條識(shí) 別記錄對于本移動(dòng)終端內(nèi)的第一神經(jīng)網(wǎng)絡(luò)模型的更新具有比較大的意義。
[0153] 則更新單元24根據(jù)相應(yīng)的權(quán)重值，確定是否需要根據(jù)相應(yīng)的識(shí)別記錄更新第一 神經(jīng)網(wǎng)絡(luò)模型，并對第一神經(jīng)網(wǎng)絡(luò)模型進(jìn)行更新。
[0154] 2)對于第二結(jié)果信息而言，若使用者未忽略服務(wù)端B給出的推薦信息，即在推薦 信息給出的推薦選項(xiàng)中做出相應(yīng)的選擇，則權(quán)重設(shè)定單元23將相應(yīng)的識(shí)別記錄的權(quán)重值 設(shè)定為一第一預(yù)設(shè)值；
[0155] 相應(yīng)地，本發(fā)明的較佳的實(shí)施例中，若使用者忽略服務(wù)端B給出的推薦信息，即使 用者對于推薦信息給出的推薦選項(xiàng)不做任何選擇，則權(quán)重設(shè)定單元23將相應(yīng)的識(shí)別記錄 的權(quán)重值設(shè)定為一第二預(yù)設(shè)值。 陽156] 具體地，本發(fā)明的較佳的實(shí)施例中，使用者未忽略服務(wù)端B給出的推薦信息，則表 示服務(wù)端B給出的推薦信息處于使用者的考慮范圍內(nèi)，則該條識(shí)別記錄對于服務(wù)端B而言 訓(xùn)練意義并不大； 陽157] 相應(yīng)地，使用者忽略服務(wù)端B給出的推薦信息，則表示服務(wù)端B給出的推薦信息不 處于使用者的考慮范圍內(nèi)，則該條識(shí)別記錄對于服務(wù)端B而言訓(xùn)練意義較大。
[0158] 則更新單元24根據(jù)權(quán)重值確定是否需要更新第二神經(jīng)網(wǎng)絡(luò)模型，并將相應(yīng)的識(shí) 別記錄發(fā)送至服務(wù)端W更新第二神經(jīng)網(wǎng)絡(luò)模型。
[0159] 3)對于第Ξ結(jié)果信息而言，若使用者所選擇的推薦選項(xiàng)的順次為第一順次，則權(quán) 重設(shè)定單元23將該條識(shí)別記錄的權(quán)重值設(shè)定為一第一預(yù)設(shè)值；
[0160] 相應(yīng)地，若使用者所選擇的推薦選項(xiàng)的順次不為第一順次，則權(quán)重設(shè)定單元23將 該條識(shí)別記錄的權(quán)重值設(shè)定為一第二預(yù)設(shè)值。 陽16U 具體地，本發(fā)明的較佳的實(shí)施例中，使用者選擇的推薦選項(xiàng)為第一順次，則表示服 務(wù)端B推薦的第一順次的選項(xiàng)符合使用者的購買習(xí)慣，該條識(shí)別記錄對服務(wù)端B的訓(xùn)練意 義不大； 陽162] 相應(yīng)地，本發(fā)明的較佳的實(shí)施例中，若使用者選擇的推薦選項(xiàng)不為第一順次，則表 示服務(wù)端B推薦的選項(xiàng)順序不符合使用者的購買習(xí)慣，該條識(shí)別記錄對服務(wù)端B的訓(xùn)練意 義較大。
[0163] 則更新單元24將權(quán)重值為第二預(yù)設(shè)值的第二結(jié)果信息對應(yīng)的識(shí)別記錄發(fā)送至服 務(wù)端，W更新第二神經(jīng)網(wǎng)絡(luò)模型。
[0164] 本發(fā)明的較佳的實(shí)施例中，上述Ξ種結(jié)果信息對應(yīng)的情況中，對結(jié)果信息均進(jìn)行 獨(dú)立判斷，W及獨(dú)立設(shè)定上述"第一預(yù)設(shè)值"和"第二預(yù)設(shè)值"。換言之，本發(fā)明的較佳的實(shí) 施例中，對一個(gè)結(jié)果信息進(jìn)行判定并設(shè)定相應(yīng)的權(quán)重值的過程不影響對另一個(gè)結(jié)果信息進(jìn) 行判斷并設(shè)定權(quán)重值的過程。
[01化]具體地，本發(fā)明的較佳的實(shí)施例中，W上述操作結(jié)果中包括所有Ξ種結(jié)果信息為 例，說明更新單元24的工作過程：
[0166] 上述Ξ種結(jié)果信息轉(zhuǎn)換成通俗一點(diǎn)的說法就是Ξ個(gè)問題：1)是否能夠識(shí)別圖像？ 2)使用者是否忽略推薦信息？ 3)使用者選擇的推薦選項(xiàng)是否處于第一位？
[0167] 基于對上述Ξ個(gè)問題的解答，更新單元24針對相應(yīng)的權(quán)重值進(jìn)行相應(yīng)處理：
[0168] 1)若Ξ個(gè)問題的解答依次為否定，否定和肯定，則表示移動(dòng)終端目前的第一神經(jīng) 網(wǎng)絡(luò)模型無法識(shí)別商品圖像，而服務(wù)端能夠識(shí)別并且能夠給出符合使用者購買習(xí)慣的選 項(xiàng)。則在運(yùn)種情況下，該條識(shí)別記錄對于移動(dòng)終端側(cè)的第一神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練比重較高， 而對于服務(wù)端的第二神經(jīng)網(wǎng)絡(luò)膜性的訓(xùn)練比重較低。更新單元24根據(jù)上述判斷對第一神 經(jīng)網(wǎng)絡(luò)模型和/或第二神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練更新。
[0169] 2)若Ξ個(gè)問題的解答依次為否定，否定和否定，則表示移動(dòng)終端側(cè)的第一神經(jīng)網(wǎng) 絡(luò)模型無法識(shí)別商品圖像，服務(wù)端側(cè)的第二神經(jīng)網(wǎng)絡(luò)模型雖然能夠識(shí)別商品圖像并給出推 薦選項(xiàng)，但是給出的推薦選項(xiàng)的順次不符合使用者的購買習(xí)慣。因此，該條識(shí)別記錄對于移 動(dòng)終端側(cè)的第一神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練比重較高，對于服務(wù)端側(cè)的第二神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練 比重同樣較高。更新單元24根據(jù)上述判斷對第一神經(jīng)網(wǎng)絡(luò)模型和/或第二神經(jīng)網(wǎng)絡(luò)模型 進(jìn)行訓(xùn)練更新。
[0170] 3)若Ξ個(gè)問題的解答依次為肯定，否定和否定時(shí)，則表示移動(dòng)終端側(cè)的第一神經(jīng) 網(wǎng)絡(luò)模型能夠識(shí)別商品圖像，服務(wù)端側(cè)的第二神經(jīng)網(wǎng)絡(luò)模型雖然能夠給出推薦選項(xiàng)并落入 使用者的考慮范圍內(nèi)，但是其推薦的選項(xiàng)順次不符合使用者的購買習(xí)慣。因此，該條識(shí)別記 錄對于移動(dòng)終端側(cè)的第一神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練比重較低，對于服務(wù)端側(cè)的第二神經(jīng)網(wǎng)絡(luò)模 型的訓(xùn)練比重較高。更新單元24根據(jù)上述判斷對第一神經(jīng)網(wǎng)絡(luò)模型和/或第二神經(jīng)網(wǎng)絡(luò) 模型進(jìn)行訓(xùn)練更新。 陽171] 本發(fā)明的另一個(gè)較佳的實(shí)施例中，上述情況下，考慮到可能是移動(dòng)終端側(cè)將商品 圖像識(shí)別為另一個(gè)商品，從而導(dǎo)致服務(wù)端側(cè)相應(yīng)的不適當(dāng)?shù)奶幚?，因此也可W將對應(yīng)第一 神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練比重和第二神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練比重均調(diào)高。
[0172] 4)若Ξ個(gè)問題的解答依次為肯定，否定和肯定，則表示無論移動(dòng)終端側(cè)還是服務(wù) 端側(cè)，其神經(jīng)網(wǎng)絡(luò)模型均能夠正常識(shí)別和處理，并輸出符合使用者購買習(xí)慣的結(jié)果。因此該 條識(shí)別記錄無論對第一神經(jīng)網(wǎng)絡(luò)模型還是對第二神經(jīng)網(wǎng)絡(luò)模型，對應(yīng)的訓(xùn)練比重均較低。 更新單元24根據(jù)上述判斷對第一神經(jīng)網(wǎng)絡(luò)模型和/或第二神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練更新。
[0173] 本發(fā)明的較佳的實(shí)施例中，在第一神經(jīng)網(wǎng)絡(luò)模型實(shí)際運(yùn)行時(shí)，依照類似于上文中 所述的判斷方式對其進(jìn)行訓(xùn)練更新，W不斷完善第一神經(jīng)網(wǎng)絡(luò)模型，相應(yīng)地可W向服務(wù)端 發(fā)出更新請求，W不斷完善服務(wù)端的第二神經(jīng)網(wǎng)絡(luò)模型。
[0174] 本發(fā)明的較佳的實(shí)施例中，移動(dòng)終端側(cè)還可W根據(jù)服務(wù)端側(cè)發(fā)送的經(jīng)過統(tǒng)計(jì)的一 些其他移動(dòng)終端側(cè)使用的比較優(yōu)化的數(shù)據(jù)，來更新自身的第一神經(jīng)網(wǎng)絡(luò)模型。
[01巧]本發(fā)明的較佳的實(shí)施例中，還提供一種移動(dòng)終端，其中包括上述用戶端。
[0176] 本發(fā)明的較佳的實(shí)施例中，還提供一種移動(dòng)終端，其中應(yīng)用上述基于神經(jīng)網(wǎng)絡(luò)模 型的識(shí)別裝置。
[0177] W上所述僅為本發(fā)明較佳的實(shí)施例，并非因此限制本發(fā)明的實(shí)施方式及保護(hù)范 圍，對于本領(lǐng)域技術(shù)人員而言，應(yīng)當(dāng)能夠意識(shí)到凡運(yùn)用本發(fā)明說明書及圖示內(nèi)容所作出的 等同替換和顯而易見的變化所得到的方案，均應(yīng)當(dāng)包含在本發(fā)明的保護(hù)范圍內(nèi)。
【主權(quán)項(xiàng)】
1. 一種基于神經(jīng)網(wǎng)絡(luò)的在線商品推薦系統(tǒng)，其特征在于，包括多個(gè)用戶端以及分別與 所述用戶端遠(yuǎn)程連接的服務(wù)端，每個(gè)所述用戶端分別設(shè)置于一移動(dòng)終端內(nèi)： 所述用戶端包括： 采集裝置，用于獲取在線推薦的商品圖像，并將所述商品圖像轉(zhuǎn)換為相應(yīng)的時(shí)間脈沖 序列輸出； 識(shí)別裝置，連接所述采集裝置，通過一預(yù)先訓(xùn)練的第一神經(jīng)網(wǎng)絡(luò)模型，根據(jù)所述時(shí)間脈 沖序列識(shí)別所述商品圖像，并向所述服務(wù)端遠(yuǎn)程輸出相應(yīng)的識(shí)別結(jié)果； 所述服務(wù)端基于一預(yù)先訓(xùn)練的第二神經(jīng)網(wǎng)絡(luò)模型，根據(jù)所述識(shí)別結(jié)果處理形成相應(yīng)的 推薦信息并反饋給所述用戶端； 所述用戶端還包括： 結(jié)果反饋裝置，連接所述識(shí)別裝置，用于獲取使用者基于所述推薦信息進(jìn)行的操作結(jié) 果并發(fā)送至所述識(shí)別裝置； 所述識(shí)別裝置根據(jù)所述操作結(jié)果，對所述第一神經(jīng)網(wǎng)絡(luò)模型進(jìn)行更新，和/或根據(jù)所 述操作結(jié)果發(fā)送至所述服務(wù)端，以對所述第二神經(jīng)網(wǎng)絡(luò)進(jìn)行更新。2. 如權(quán)利要求1所述的在線商品推薦系統(tǒng)，其特征在于，所述識(shí)別裝置包括： 訓(xùn)練數(shù)據(jù)單元，其中預(yù)設(shè)有多個(gè)訓(xùn)練數(shù)據(jù)，所述訓(xùn)練單元用于輸出所述訓(xùn)練數(shù)據(jù)； 模型訓(xùn)練單元，連接所述訓(xùn)練數(shù)據(jù)單元，用于根據(jù)所述訓(xùn)練數(shù)據(jù)訓(xùn)練建立相應(yīng)的所述 神經(jīng)網(wǎng)絡(luò)模型； 所述模型訓(xùn)練單元還基于所述識(shí)別記錄更新所述第一神經(jīng)網(wǎng)絡(luò)模型。3. 如權(quán)利要求2所述的在線商品推薦系統(tǒng)，其特征在于，所述訓(xùn)練數(shù)據(jù)包括訓(xùn)練輸入 數(shù)據(jù)以及相應(yīng)的期望輸出數(shù)據(jù)； 所述模型訓(xùn)練單元中包括： 處理模塊，基于一預(yù)設(shè)的所述第一神經(jīng)網(wǎng)絡(luò)模型，根據(jù)所述訓(xùn)練輸入數(shù)據(jù)處理輸出相 應(yīng)的訓(xùn)練輸出數(shù)據(jù)； 比對模塊，連接所述處理模塊，用于將所述訓(xùn)練輸出數(shù)據(jù)與所述期望輸出數(shù)據(jù)進(jìn)行比 對，輸出相應(yīng)的比對結(jié)果； 訓(xùn)練模塊，分別連接所述處理模塊和所述比對模塊，用于根據(jù)所述比對結(jié)果訓(xùn)練更新 所述處理單元所依據(jù)的所述第一神經(jīng)網(wǎng)絡(luò)模型； 所述訓(xùn)練更新模塊根據(jù)所述比對結(jié)果循環(huán)更新所述第一神經(jīng)網(wǎng)絡(luò)模型，以最終形成訓(xùn) 練完畢的所述第一神經(jīng)網(wǎng)絡(luò)模型，以供所述識(shí)別裝置使用。4. 如權(quán)利要求1所述的在線商品推薦系統(tǒng)，其特征在于，所述操作結(jié)果包括用于表示 所述識(shí)別裝置是否能夠正確識(shí)別所述商品圖像的第一結(jié)果信息； 所述操作結(jié)果與相應(yīng)的所述商品圖像結(jié)合形成一條相應(yīng)的識(shí)別記錄； 所述識(shí)別裝置包括： 權(quán)重設(shè)定單元，根據(jù)所述第一結(jié)果信息，設(shè)定相應(yīng)的所述識(shí)別記錄于更新所述第一神 經(jīng)網(wǎng)絡(luò)模型過程中的權(quán)重值； 更新單元，連接所述權(quán)重設(shè)定單元，用于根據(jù)相應(yīng)的所述權(quán)重值，確定是否需要根據(jù)相 應(yīng)的所述識(shí)別記錄更新所述第一神經(jīng)網(wǎng)絡(luò)模型，并對所述第一神經(jīng)網(wǎng)絡(luò)模型進(jìn)行更新。5. 如權(quán)利要求4所述的在線商品推薦系統(tǒng)，其特征在于，當(dāng)所述第一結(jié)果信息表示所 述識(shí)別裝置能夠識(shí)別所述商品圖像時(shí)，所述權(quán)重設(shè)定單元將相應(yīng)的所述權(quán)重值設(shè)定為一第 一預(yù)設(shè)值； 當(dāng)所述第一結(jié)果信息表示所述識(shí)別裝置無法識(shí)別所述第二預(yù)設(shè)值時(shí)，所述權(quán)重設(shè)定單 元將相應(yīng)的所述權(quán)重值設(shè)定為一第二預(yù)設(shè)值； 所述更新單元根據(jù)所述權(quán)重值為第二預(yù)設(shè)值的所述第一結(jié)果信息更新所述第一神經(jīng) 網(wǎng)絡(luò)模型。6. 如權(quán)利要求1所述的在線商品推薦系統(tǒng)，其特征在于，所述操作結(jié)果包括用于表示 使用者是否忽略所述推薦信息的第二結(jié)果信息； 所述操作結(jié)果與相應(yīng)的所述商品圖像結(jié)合形成一條相應(yīng)的識(shí)別記錄； 所述識(shí)別裝置包括： 權(quán)重設(shè)定單元，根據(jù)所述第二結(jié)果信息，設(shè)定相應(yīng)的所述識(shí)別記錄于更新所述第二神 經(jīng)網(wǎng)絡(luò)模型過程中的權(quán)重值； 更新單元，連接所述權(quán)重設(shè)定單元，用于根據(jù)所述權(quán)重值確定是否需要更新所述第二 神經(jīng)網(wǎng)絡(luò)模型，并將相應(yīng)的所述識(shí)別記錄發(fā)送至所述服務(wù)端以更新所述第二神經(jīng)網(wǎng)絡(luò)模 型。7. 如權(quán)利要求6所述的在線商品推薦系統(tǒng)，其特征在于，當(dāng)所述第二結(jié)果信息表示使 用者對所述推薦信息進(jìn)行操作時(shí)，所述權(quán)重設(shè)定單元將相應(yīng)的所述權(quán)重值設(shè)定為一第一預(yù) 設(shè)值； 當(dāng)所述第二結(jié)果信息表示使用者忽略所述推薦信息時(shí)，所述權(quán)重設(shè)定單元將相應(yīng)的所 述權(quán)重值設(shè)定為一第二預(yù)設(shè)值； 所述更新單元將所述權(quán)重值為第二預(yù)設(shè)值的所述第二結(jié)果信息對應(yīng)的所述識(shí)別記錄 發(fā)送至所述服務(wù)端，以更新所述第二神經(jīng)網(wǎng)絡(luò)模型。8. 如權(quán)利要求1所述的在線商品推薦系統(tǒng)，其特征在于，所述操作結(jié)果包括用于表示 使用者選擇所述推薦信息的順次的第三結(jié)果信息； 所述識(shí)別裝置包括： 權(quán)重設(shè)定單元，根據(jù)所述第三結(jié)果信息，設(shè)定相應(yīng)的所述識(shí)別記錄于更新所述第二神 經(jīng)網(wǎng)絡(luò)模型過程中的權(quán)重值； 更新單元，連接所述權(quán)重設(shè)定單元，用于根據(jù)所述權(quán)重值確定是否需要更新所述第二 神經(jīng)網(wǎng)絡(luò)模型，并將相應(yīng)的所述識(shí)別記錄發(fā)送至所述服務(wù)端以更新所述第二神經(jīng)網(wǎng)絡(luò)模 型。9. 如權(quán)利要求8所述的在線商品推薦系統(tǒng)，其特征在于，當(dāng)所述第三結(jié)果信息表示使 用者所選擇的所述推薦信息為第一順次時(shí)，所述權(quán)重設(shè)定單元將相應(yīng)的所述權(quán)重值設(shè)定為 一第一預(yù)設(shè)值； 當(dāng)所述第三結(jié)果信息表示使用者所選的所述推薦信息不為第一順次時(shí)，所述權(quán)重設(shè)定 單元將相應(yīng)的所述權(quán)重值設(shè)定為一第二預(yù)設(shè)值； 所述更新單元將所述權(quán)重值為第二預(yù)設(shè)值的所述第二結(jié)果信息對應(yīng)的所述識(shí)別記錄 發(fā)送至所述服務(wù)端，以更新所述第二神經(jīng)網(wǎng)絡(luò)模型。10. 如權(quán)利要求5、7或9中任意一項(xiàng)所述的在線商品推薦系統(tǒng)，其特征在于： 所述權(quán)重設(shè)定單元將所述第一預(yù)設(shè)值設(shè)定為一正常值； 所述權(quán)重設(shè)定單元將所述第二預(yù)設(shè)值設(shè)定為高于所述正常值。11. 如權(quán)利要求1所述的在線商品推薦系統(tǒng)，其特征在于，所述采集裝置為所述移動(dòng)終 端的攝像頭。12. 如權(quán)利要求1-11中任意一項(xiàng)所述的在線商品推薦系統(tǒng)，其特征在于，所述第一神 經(jīng)網(wǎng)絡(luò)模型和所述第二神經(jīng)網(wǎng)絡(luò)模型均為脈沖神經(jīng)網(wǎng)絡(luò)模型。13. -種識(shí)別裝置，應(yīng)用于移動(dòng)終端；其特征在于，所述識(shí)別裝置通過以多行多列排布 并相互關(guān)聯(lián)的多個(gè)神經(jīng)單元模塊處理形成的神經(jīng)網(wǎng)絡(luò)模型對外部輸入的商品圖像進(jìn)行識(shí) 別； 外部輸入的商品圖像被轉(zhuǎn)換成相應(yīng)的時(shí)間脈沖序列并發(fā)送至所述識(shí)別裝置內(nèi)。14. 如權(quán)利要求13所述的識(shí)別裝置，其特征在于，經(jīng)所述商品圖像轉(zhuǎn)換的所述時(shí)間脈 沖序列由多個(gè)子脈沖序列構(gòu)成； 每個(gè)所述神經(jīng)單元模塊用于處理一個(gè)所述子脈沖序列； 所述識(shí)別裝置中包括： 排程設(shè)定單元，分別連接每個(gè)所述神經(jīng)單元模塊，用于獲取每個(gè)所述神經(jīng)單元模塊的 工作狀態(tài)，并控制每個(gè)所述神經(jīng)單元模塊的排程； 序列存儲(chǔ)單元，連接所述排程設(shè)定單元，用于按序保存所有所述子脈沖序列； 所述排程設(shè)定單元控制處于空閑狀態(tài)的所述神經(jīng)單元模塊處理所述序列存儲(chǔ)單元中 保存的一個(gè)預(yù)設(shè)的所述子脈沖序列； 所述排程設(shè)定單元從所述序列存儲(chǔ)單元中刪除已被處理的所述子脈沖序列。15. 如權(quán)利要求13所述的識(shí)別裝置，其特征在于，每個(gè)所述神經(jīng)單元模塊中包括以多 行多列排布并相互關(guān)聯(lián)的神經(jīng)單元。16. 如權(quán)利要求13-15中任意一項(xiàng)所述的識(shí)別裝置，其特征在于，所述神經(jīng)網(wǎng)絡(luò)模型為 脈沖神經(jīng)網(wǎng)絡(luò)模型。17. -種移動(dòng)終端，其特征在于，包括如權(quán)利要求1-12所述的在線商品推薦系統(tǒng)中的 用戶端。18. -種移動(dòng)終端，其特征在于，包括如權(quán)利要求13-16所述的識(shí)別裝置。
【文檔編號】G06Q30/02GK105989510SQ201510064056
【公開日】2016年10月5日
【申請日】2015年2月6日
【發(fā)明人】鄭介誌, 林福輝
【申請人】展訊通信（上海）有限公司