基于人工智能的电商平台兴趣分析式商品推荐方法及系统与流程

1.本发明涉及数据处理技术领域，具体而言，涉及一种基于人工智能的电商平台兴趣分析式商品推荐方法及系统。


背景技术：

2.随着互联网技术和移动支付的发展，电商平台成为了现代社会购物的主流方式之一。对于用户来说，电商平台中拥有着更加丰富的商品种类和规格，能够满足他们日益增长的个性化需求；对于商家来说，电商平台不仅能够降低经营成本，而且能够增加曝光率和销售量。
3.然而，电商平台中的商品种类较多，用户往往无法高效地选取目标商品，极大地增加了用户在商品挑选过程中的时间成本。随着人工智能领域技术的发展，能够对用户的兴趣爱好进行充分分析，并为商品的针对性推荐提供直接的支持。因此，提出一种基于人工智能的电商平台兴趣分析式商品推荐方法及系统有非常重要的价值和意义。


技术实现要素：

4.为了克服上述问题或者至少部分地解决上述问题，本发明提供一种基于人工智能的电商平台兴趣分析式商品推荐方法及系统，结合基于视频帧优选的多维度图像编码匹配式身份校验模型、基于语音去噪及多识别模块联合应用的端到端语音识别模型、基于分类置信度分析的自适应消耗式专注度检测模型，实现精准的用户身份识别校验、语音识别及专注度检测，进而实现精准有效的商品推荐。
5.为解决上述技术问题，本发明采用的技术方案为：
6.第一方面，本发明提供一种基于人工智能的电商平台兴趣分析式商品推荐方法，包括以下步骤：
7.当用户利用对应的用户账号及密码登录电商平台系统后，基于音视频提取设备提取用户语音信号和包含用户人脸的视频信号；
8.截取任意一段视频信号作为待检测视频，利用基于视频帧优选的多维度图像编码匹配式身份校验模型，对用户身份进行识别校验，生成校验结果；
9.若校验结果为用户身份与用户账号一致，则利用基于语音去噪及多识别模块联合应用的端到端语音识别模型，对用户语音信号进行识别，以得到语音识别结果；
10.利用基于分类置信度分析的自适应消耗式专注度检测模型，对视频信号中每一帧图像进行专注度检测，以得到多个专注度检测结果；
11.根据语音识别结果和多个专注度检测结果确定并记录用户兴趣度高的商品，并在电商平台系统中提取相关商品，形成商品推荐集，并推荐给对应用户。
12.首先，本发明提出了基于视频帧优选的多维度图像编码匹配式身份校验模型，对用户身份进行识别校验；该模型对视频的优质帧图像进行选取，在此基础上将视频优质帧图像和模板人脸图像进行多维度编码匹配，从而实现更加精准的身份识别校验。其次，本发
明提出了基于语音去噪及多识别模块联合应用的端到端语音识别模型，对语音信号进行识别；该模型能够将语音去噪网络模块、多个语音识别网络模块、语音识别结果对比模块进行联合应用，从而实现端到端的精准式语音识别。最后，本发明还提出了基于分类置信度分析的自适应消耗式专注度检测模型，对视频信号中的每一帧图像进行专注度检测；当使用简单的专注度检测模型时，若已经能够得到分类置信度较高的专注度检测结果，则无需利用较为复杂的专注度检测模型；反之，则利用复杂的专注度检测模型完成专注度检测。采用该专注度检测方式不仅能够保证专注度检测的精度，而且能够降低计算资源消耗。
13.基于第一方面，进一步地，上述利用基于视频帧优选的多维度图像编码匹配式身份校验模型，对用户身份进行识别校验的方法包括以下步骤：
14.利用峰值信噪比检测模型对待检测视频中的每一帧图像进行检测，以选取多幅优质帧图像；
15.利用高维度自编码器分别对各幅优质帧图像和预置的模板人脸图像进行高维度编码，并计算各幅优质帧图像与模板人脸图像之间的相似度，以得到多个高维度相似度结果；
16.利用低维度自编码器分别对各幅优质帧图像和预置的模板人脸图像进行高维度编码，并计算各幅优质帧图像与模板人脸图像之间的相似度，以得到多个低维度相似度结果；
17.若所有高维度相似度结果和低维度相似度结果均高于预置的相似度阈值，则认定用户身份与用户账号一致。
18.基于第一方面，进一步地，上述利用基于语音去噪及多识别模块联合应用的端到端语音识别模型，对用户语音信号进行识别的方法包括以下步骤：
19.将采用不同语音识别算法的多个语音识别网络模块进行并联，并在多个语音识别网络模块的前端共同连接一个语音去噪网络模块，在多个语音识别网络模块的后端共同连接一个语音识别结果比对模块，以组成端到端的语音识别模型；
20.通过端到端的语音识别模型对用户语音信号进行识别。
21.基于第一方面，进一步地，上述通过端到端的语音识别模型对用户语音信号进行识别的方法包括以下步骤：
22.将用户语音信号输入至语音去噪网络模块进行去噪处理，以得到去噪语音信号；
23.将去噪语音信号分别输入至多个语音识别网络模块进行语音识别，以得到多个识别结果；
24.将多个识别结果输入至语音识别结果比对模块进行比对分析，若多个识别结果一致，则输出最终的语音识别结果。
25.基于第一方面，进一步地，上述利用基于分类置信度分析的自适应消耗式专注度检测模型，对视频信号中每一帧图像进行专注度检测的方法包括以下步骤：
26.选取若干专注度高的人脸图像作为正样本，选取若干专注度低的人员图像作为负样本；
27.选取部分正样本和部分负样本对svm模型进行训练，以得到基于svm模型的专注度检测模型；
28.利用所有正样本和所有负样本对卷积神经网络进行训练，以得到基于卷积神经网
络的专注度检测模型；
29.针对任意一帧图像，进行多尺度重建，以得到多个尺度的图像；
30.利用基于svm模型的专注度检测模型对多个尺度的图像进行检测，以得到多个检测结果；
31.若多个检测结果一致，则输出最终的专注度检测结果；反之，则利用基于卷积神经网络的专注度检测模型对该图像进行检测，以得到最终的专注度检测结果。
32.第二方面，本发明提供一种基于人工智能的电商平台兴趣分析式商品推荐系统，包括信号提取模块、身份校验模块、语音识别模块、专注度检测模块以及商品推荐模块，其中：
33.信号提取模块，用于当用户利用对应的用户账号及密码登录电商平台系统后，基于音视频提取设备提取用户语音信号和包含用户人脸的视频信号；
34.身份校验模块，用于截取任意一段视频信号作为待检测视频，利用基于视频帧优选的多维度图像编码匹配式身份校验模型，对用户身份进行识别校验，生成校验结果；
35.语音识别模块，用于若校验结果为用户身份与用户账号一致，则利用基于语音去噪及多识别模块联合应用的端到端语音识别模型，对用户语音信号进行识别，以得到语音识别结果；
36.专注度检测模块，用于利用基于分类置信度分析的自适应消耗式专注度检测模型，对视频信号中每一帧图像进行专注度检测，以得到多个专注度检测结果；
37.商品推荐模块，用于根据语音识别结果和多个专注度检测结果确定并记录用户兴趣度高的商品，并在电商平台系统中提取相关商品，形成商品推荐集，并推荐给对应用户。
38.本系统通过信号提取模块、身份校验模块、语音识别模块、专注度检测模块以及商品推荐模块等多个模块的结合，实现精准的用户身份识别校验、语音识别及专注度检测，进而实现精准有效的商品推荐。首先，本系统利用了基于视频帧优选的多维度图像编码匹配式身份校验模型，对用户身份进行识别校验；该模型对视频的优质帧图像进行选取，在此基础上将视频优质帧图像和模板人脸图像进行多维度编码匹配，从而实现更加精准的身份识别校验。其次，本系统利用了基于语音去噪及多识别模块联合应用的端到端语音识别模型，对语音信号进行识别；该模型能够将语音去噪网络模块、多个语音识别网络模块、语音识别结果对比模块进行联合应用，从而实现端到端的精准式语音识别。最后，本系统还利用了基于分类置信度分析的自适应消耗式专注度检测模型，对视频信号中的每一帧图像进行专注度检测；当使用简单的专注度检测模型时，若已经能够得到分类置信度较高的专注度检测结果，则无需利用较为复杂的专注度检测模型；反之，则利用复杂的专注度检测模型完成专注度检测。采用该专注度检测方式不仅能够保证专注度检测的精度，而且能够降低计算资源消耗。
39.第三方面，本技术提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器；当一个或多个程序被处理器执行时，实现如上述第一方面中任一项的方法。
40.第四方面，本技术提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面中任一项的方法。
41.本发明至少具有如下优点或有益效果：
42.本发明提供一种基于人工智能的电商平台兴趣分析式商品推荐方法及系统，结合
基于视频帧优选的多维度图像编码匹配式身份校验模型、基于语音去噪及多识别模块联合应用的端到端语音识别模型、基于分类置信度分析的自适应消耗式专注度检测模型，实现精准的用户身份识别校验、语音识别及专注度检测，进而实现精准有效的商品推荐。
附图说明
43.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
44.图1为本发明实施例一种基于人工智能的电商平台兴趣分析式商品推荐方法的流程图；
45.图2为本发明实施例一种基于人工智能的电商平台兴趣分析式商品推荐方法中进行用户身份识别校验的流程图；
46.图3为本发明实施例一种基于人工智能的电商平台兴趣分析式商品推荐方法中进行语音识别的流程图；
47.图4为本发明实施例一种基于人工智能的电商平台兴趣分析式商品推荐系统的原理框图；
48.图5为本发明实施例提供的一种电子设备的结构框图。
49.附图标记说明：100、信号提取模块；200、身份校验模块；300、语音识别模块；400、专注度检测模块；500、商品推荐模块；101、存储器；102、处理器；103、通信接口。
具体实施方式
50.为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
51.因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
52.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
53.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
54.在本发明实施例的描述中，“多个”代表至少2个。
55.实施例：
56.如图1-图3所示，第一方面，本发明提供一种基于人工智能的电商平台兴趣分析式商品推荐方法，包括以下步骤：
57.s1、当用户利用对应的用户账号及密码登录电商平台系统后，基于音视频提取设备提取用户语音信号和包含用户人脸的视频信号；
58.s2、截取任意一段视频信号作为待检测视频，利用基于视频帧优选的多维度图像编码匹配式身份校验模型，对用户身份进行识别校验，生成校验结果；
59.进一步地，如图2所示，包括：
60.s21、利用峰值信噪比检测模型对待检测视频中的每一帧图像进行检测，以选取多幅优质帧图像；
61.s22、利用高维度自编码器分别对各幅优质帧图像和预置的模板人脸图像进行高维度编码，并计算各幅优质帧图像与模板人脸图像之间的相似度，以得到多个高维度相似度结果；
62.s23、利用低维度自编码器分别对各幅优质帧图像和预置的模板人脸图像进行高维度编码，并计算各幅优质帧图像与模板人脸图像之间的相似度，以得到多个低维度相似度结果；
63.s24、若所有高维度相似度结果和低维度相似度结果均高于预置的相似度阈值，则认定用户身份与用户账号一致。
64.在本发明的一些实施例中，截取部分视频信号(3-5秒钟即可)作为待检测视频，利用基于视频帧优选的多维度图像编码匹配式身份校验模型，对用户身份进行识别校验。如果用户身份和账号对应身份一致，则继续进行下一步。
65.上述基于视频帧优选的多维度图像编码匹配式身份校验模型具体包括：利用峰值信噪比检测模型对待检测视频中的每一帧图像进行检测，选取若干(通常10幅即可)峰值信噪比较高的帧图像作为优质帧图像。对于第1幅优质帧图像和模板人脸图像(系统中已经存储了账号对应的模板人脸图像)，利用高维度自编码器将它们分别进行高维度编码，利用欧式距离计算二者的相似度，得到高维度编码相似度；利用低维度自编码器将它们分别进行低维度编码，利用欧式距离计算二者的相似度，得到低维度编码相似度。如果不同维度的编码相似度都较高，认定第1幅优质帧图像和模板人脸图像的相似度较高。按照上述方法，计算余下优质帧图像和模板人脸图像的相似度。如果所有优质帧图像和模板人脸图像的相似度均较高，则认定用户身份和账号对应身份一致。注：高维度自编码器可以得到维度较高的编码结果；低维度自编码器可以得到维度较低的编码结果。
66.s3、若校验结果为用户身份与用户账号一致，则利用基于语音去噪及多识别模块联合应用的端到端语音识别模型，对用户语音信号进行识别，以得到语音识别结果；
67.进一步地，包括：将采用不同语音识别算法的多个语音识别网络模块进行并联，并在多个语音识别网络模块的前端共同连接一个语音去噪网络模块，在多个语音识别网络模块的后端共同连接一个语音识别结果比对模块，以组成端到端的语音识别模型；通过端到端的语音识别模型对用户语音信号进行识别。
68.进一步地，如图3所示，包括：
69.s31、将用户语音信号输入至语音去噪网络模块进行去噪处理，以得到去噪语音信号；
70.s32、将去噪语音信号分别输入至多个语音识别网络模块进行语音识别，以得到多个识别结果；
71.s33、将多个识别结果输入至语音识别结果比对模块进行比对分析，若多个识别结果一致，则输出最终的语音识别结果。
72.在本发明的一些实施例中，利用基于语音去噪及多识别模块联合应用的端到端语音识别模型，对语音信号进行识别。如果识别到用户说出了
‘
太棒了’、
‘
我喜欢’等表达喜欢、满意或赞同的词汇，认定用户对此时所观看商品的兴趣度较高。
73.上述基于语音去噪及多识别模块联合应用的端到端语音识别模型具体包括:将语音识别网络模块a、语音识别网络模块b、语音识别网络模块c进行并联(几个网络模块用到的语音识别算法各不相同)，在它们的前端共同连接一个语音去噪网络模块，在它们的后端共同连接一个语音识别结果比对模块，上述模块共同组成端到端的语音识别模型。首先，输入语音信号经过语音去噪网络模块得到去噪后的语音信号。其次，去噪后的语音信号经过语音识别网络模块a，得到语音识别结果a；去噪后的语音信号经过语音识别网络模块b，得到语音识别结果b；去噪后的语音信号经过语音识别网络模块c，得到语音识别结果c。最后，语音识别结果a、语音识别结果b、语音识别结果c共同经过语音识别结果比对模块，若三种语音识别结果一致才将最终的语音识别结果输出。
74.s4、利用基于分类置信度分析的自适应消耗式专注度检测模型，对视频信号中每一帧图像进行专注度检测，以得到多个专注度检测结果；
75.进一步地，包括：选取若干专注度高的人脸图像作为正样本，选取若干专注度低的人员图像作为负样本；选取部分正样本和部分负样本对svm模型进行训练，以得到基于svm模型的专注度检测模型；利用所有正样本和所有负样本对卷积神经网络进行训练，以得到基于卷积神经网络的专注度检测模型；针对任意一帧图像，进行多尺度重建，以得到多个尺度的图像；利用基于svm模型的专注度检测模型对多个尺度的图像进行检测，以得到多个检测结果；若多个检测结果一致，则输出最终的专注度检测结果；反之，则利用基于卷积神经网络的专注度检测模型对该图像进行检测，以得到最终的专注度检测结果。
76.在本发明的一些实施例中，对于一段时间内(5秒钟左右即可)所有帧图像中的绝大多数帧图像，能够检测到用户的专注度较高，认定用户对此时所观看商品的兴趣度较高。
77.上述基于分类置信度分析的自适应消耗式专注度检测模型具体包括：选取足量专注度较高的人脸图像作为正样本，选取足量专注度较低的人脸图像作为负样本。选取部分正样本和部分负样本，对svm模型进行训练，得到基于svm的专注度检测模型。利用所有的正样本和所有的负样本，对卷积神经网络进行训练，得到基于卷积神经网络的专注度检测模型。对于某一帧图像，将其构建为多种尺度的图像，利用基于svm的专注度检测模型对多种尺度的图像分别进行检测。如果多种尺度的图像检测结果一致(专注度均较高或均较低)，直接得出专注度检测结果；如果多种尺度的图像检测结果不一致，则利用基于卷积神经网络的专注度检测模型对该帧图像进行检测(在原尺度下进行检测即可)，得到最终的专注度检测结果。
78.s5、根据语音识别结果和多个专注度检测结果确定并记录用户兴趣度高的商品，
并在电商平台系统中提取相关商品，形成商品推荐集，并推荐给对应用户。
79.在上述步骤s3、s4中，若有任意一个步骤得到用户对此时所观看商品的兴趣度较高的结果，直接将用户观看的商品进行记录，并将同类别及其他高度相关类别的商品推荐给用户观看。任意一个步骤得到用户对此时所观看商品的兴趣度较高的结果，直接将用户观看的商品进行记录，并将同类别及其他高度相关类别的商品推荐给用户观看。
80.首先，本发明提出了基于视频帧优选的多维度图像编码匹配式身份校验模型，对用户身份进行识别校验；该模型对视频的优质帧图像进行选取，在此基础上将视频优质帧图像和模板人脸图像进行多维度编码匹配，从而实现更加精准的身份识别校验。其次，本发明提出了基于语音去噪及多识别模块联合应用的端到端语音识别模型，对语音信号进行识别；该模型能够将语音去噪网络模块、多个语音识别网络模块、语音识别结果对比模块进行联合应用，从而实现端到端的精准式语音识别。最后，本发明还提出了基于分类置信度分析的自适应消耗式专注度检测模型，对视频信号中的每一帧图像进行专注度检测；当使用简单的专注度检测模型时，若已经能够得到分类置信度较高的专注度检测结果，则无需利用较为复杂的专注度检测模型；反之，则利用复杂的专注度检测模型完成专注度检测。采用该专注度检测方式不仅能够保证专注度检测的精度，而且能够降低计算资源消耗。
81.如图4所示，第二方面，本发明实施例提供一种基于人工智能的电商平台兴趣分析式商品推荐系统，包括信号提取模块100、身份校验模块200、语音识别模块300、专注度检测模块400以及商品推荐模块500，其中：
82.信号提取模块100，用于当用户利用对应的用户账号及密码登录电商平台系统后，基于音视频提取设备提取用户语音信号和包含用户人脸的视频信号；
83.身份校验模块200，用于截取任意一段视频信号作为待检测视频，利用基于视频帧优选的多维度图像编码匹配式身份校验模型，对用户身份进行识别校验，生成校验结果；
84.语音识别模块300，用于若校验结果为用户身份与用户账号一致，则利用基于语音去噪及多识别模块联合应用的端到端语音识别模型，对用户语音信号进行识别，以得到语音识别结果；
85.专注度检测模块400，用于利用基于分类置信度分析的自适应消耗式专注度检测模型，对视频信号中每一帧图像进行专注度检测，以得到多个专注度检测结果；
86.商品推荐模块500，用于根据语音识别结果和多个专注度检测结果确定并记录用户兴趣度高的商品，并在电商平台系统中提取相关商品，形成商品推荐集，并推荐给对应用户。
87.本系统通过信号提取模块100、身份校验模块200、语音识别模块300、专注度检测模块400以及商品推荐模块500等多个模块的结合，实现精准的用户身份识别校验、语音识别及专注度检测，进而实现精准有效的商品推荐。首先，本系统利用了基于视频帧优选的多维度图像编码匹配式身份校验模型，对用户身份进行识别校验；该模型对视频的优质帧图像进行选取，在此基础上将视频优质帧图像和模板人脸图像进行多维度编码匹配，从而实现更加精准的身份识别校验。其次，本系统利用了基于语音去噪及多识别模块联合应用的端到端语音识别模型，对语音信号进行识别；该模型能够将语音去噪网络模块、多个语音识别网络模块、语音识别结果对比模块进行联合应用，从而实现端到端的精准式语音识别。最后，本系统还利用了基于分类置信度分析的自适应消耗式专注度检测模型，对视频信号中
的每一帧图像进行专注度检测；当使用简单的专注度检测模型时，若已经能够得到分类置信度较高的专注度检测结果，则无需利用较为复杂的专注度检测模型；反之，则利用复杂的专注度检测模型完成专注度检测。采用该专注度检测方式不仅能够保证专注度检测的精度，而且能够降低计算资源消耗。
88.如图5所示，第三方面，本技术实施例提供一种电子设备，其包括存储器101，用于存储一个或多个程序；处理器102。当一个或多个程序被处理器102执行时，实现如上述第一方面中任一项的方法。
89.还包括通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
90.其中，存储器101可以是但不限于，随机存取存储器(random access memory，ram)，只读存储器(read only memory，rom)，可编程只读存储器(programmable read-only memory，prom)，可擦除只读存储器(erasable programmable read-only memory，eprom)，电可擦除只读存储器(electric erasable programmable read-only memory，eeprom)等。
91.处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processing，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
92.在本技术所提供的实施例中，应该理解到，所揭露的方法及系统，也可以通过其它的方式实现。以上所描述的方法及系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的方法及系统、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，所述模块、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方式中，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，两个连续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，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动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。
93.另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
94.第四方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器102执行时实现如上述第一方面中任一项的方法。所述功能如果以软件功能模块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，本技术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)执行本技术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。
95.以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
96.对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其它的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

技术特征：
1.一种基于人工智能的电商平台兴趣分析式商品推荐方法，其特征在于，包括以下步骤：当用户利用对应的用户账号及密码登录电商平台系统后，基于音视频提取设备提取用户语音信号和包含用户人脸的视频信号；截取任意一段视频信号作为待检测视频，利用基于视频帧优选的多维度图像编码匹配式身份校验模型，对用户身份进行识别校验，生成校验结果；若校验结果为用户身份与用户账号一致，则利用基于语音去噪及多识别模块联合应用的端到端语音识别模型，对用户语音信号进行识别，以得到语音识别结果；利用基于分类置信度分析的自适应消耗式专注度检测模型，对视频信号中每一帧图像进行专注度检测，以得到多个专注度检测结果；根据语音识别结果和多个专注度检测结果确定并记录用户兴趣度高的商品，并在电商平台系统中提取相关商品，形成商品推荐集，并推荐给对应用户。2.根据权利要求1所述的一种基于人工智能的电商平台兴趣分析式商品推荐方法，其特征在于，所述利用基于视频帧优选的多维度图像编码匹配式身份校验模型，对用户身份进行识别校验的方法包括以下步骤：利用峰值信噪比检测模型对待检测视频中的每一帧图像进行检测，以选取多幅优质帧图像；利用高维度自编码器分别对各幅优质帧图像和预置的模板人脸图像进行高维度编码，并计算各幅优质帧图像与模板人脸图像之间的相似度，以得到多个高维度相似度结果；利用低维度自编码器分别对各幅优质帧图像和预置的模板人脸图像进行高维度编码，并计算各幅优质帧图像与模板人脸图像之间的相似度，以得到多个低维度相似度结果；若所有高维度相似度结果和低维度相似度结果均高于预置的相似度阈值，则认定用户身份与用户账号一致。3.根据权利要求1所述的一种基于人工智能的电商平台兴趣分析式商品推荐方法，其特征在于，所述利用基于语音去噪及多识别模块联合应用的端到端语音识别模型，对用户语音信号进行识别的方法包括以下步骤：将采用不同语音识别算法的多个语音识别网络模块进行并联，并在多个语音识别网络模块的前端共同连接一个语音去噪网络模块，在多个语音识别网络模块的后端共同连接一个语音识别结果比对模块，以组成端到端的语音识别模型；通过端到端的语音识别模型对用户语音信号进行识别。4.根据权利要求3所述的一种基于人工智能的电商平台兴趣分析式商品推荐方法，其特征在于，所述通过端到端的语音识别模型对用户语音信号进行识别的方法包括以下步骤：将用户语音信号输入至语音去噪网络模块进行去噪处理，以得到去噪语音信号；将去噪语音信号分别输入至多个语音识别网络模块进行语音识别，以得到多个识别结果；将多个识别结果输入至语音识别结果比对模块进行比对分析，若多个识别结果一致，则输出最终的语音识别结果。5.根据权利要求1所述的一种基于人工智能的电商平台兴趣分析式商品推荐方法，其
特征在于，所述利用基于分类置信度分析的自适应消耗式专注度检测模型，对视频信号中每一帧图像进行专注度检测的方法包括以下步骤：选取若干专注度高的人脸图像作为正样本，选取若干专注度低的人员图像作为负样本；选取部分正样本和部分负样本对svm模型进行训练，以得到基于svm模型的专注度检测模型；利用所有正样本和所有负样本对卷积神经网络进行训练，以得到基于卷积神经网络的专注度检测模型；针对任意一帧图像，进行多尺度重建，以得到多个尺度的图像；利用基于svm模型的专注度检测模型对多个尺度的图像进行检测，以得到多个检测结果；若多个检测结果一致，则输出最终的专注度检测结果；反之，则利用基于卷积神经网络的专注度检测模型对该图像进行检测，以得到最终的专注度检测结果。6.一种基于人工智能的电商平台兴趣分析式商品推荐系统，其特征在于，包括信号提取模块、身份校验模块、语音识别模块、专注度检测模块以及商品推荐模块，其中：信号提取模块，用于当用户利用对应的用户账号及密码登录电商平台系统后，基于音视频提取设备提取用户语音信号和包含用户人脸的视频信号；身份校验模块，用于截取任意一段视频信号作为待检测视频，利用基于视频帧优选的多维度图像编码匹配式身份校验模型，对用户身份进行识别校验，生成校验结果；语音识别模块，用于若校验结果为用户身份与用户账号一致，则利用基于语音去噪及多识别模块联合应用的端到端语音识别模型，对用户语音信号进行识别，以得到语音识别结果；专注度检测模块，用于利用基于分类置信度分析的自适应消耗式专注度检测模型，对视频信号中每一帧图像进行专注度检测，以得到多个专注度检测结果；商品推荐模块，用于根据语音识别结果和多个专注度检测结果确定并记录用户兴趣度高的商品，并在电商平台系统中提取相关商品，形成商品推荐集，并推荐给对应用户。7.一种电子设备，其特征在于，包括：存储器，用于存储一个或多个程序；处理器；当所述一个或多个程序被所述处理器执行时，实现如权利要求1-5中任一项所述的方法。8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-5中任一项所述的方法。

技术总结
本发明公开了一种基于人工智能的电商平台兴趣分析式商品推荐方法及系统，涉及数据处理技术领域。该方法包括：提取用户语音信号和包含用户人脸的视频信号；截取任意一段视频信号作为待检测视频，对用户身份进行识别校验，若校验结果为用户身份与用户账号一致，则对用户语音信号进行识别，以得到语音识别结果；利用对视频信号中每一帧图像进行专注度检测，以得到多个专注度检测结果；根据语音识别结果和多个专注度检测结果确定并记录用户兴趣度高的商品，并在电商平台系统中提取相关商品，形成商品推荐集，并推荐给对应用户。本发明结合多种模型，实现精准的用户身份识别校验、语音识别及专注度检测，进而实现精准有效的商品推荐。荐。荐。


技术研发人员：黄建浩
受保护的技术使用者：北京海上升科技有限公司
技术研发日：2023.06.07
技术公布日：2023/9/14