买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉桂林理工大学南宁分校申请的专利一种基于图像识别的商品推荐方法、电子设备、存储介质及应用获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120070000B 。

龙图腾网通过国家知识产权局官网在2025-12-23发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510144738.3，技术领域涉及：G06Q30/0601；该发明授权一种基于图像识别的商品推荐方法、电子设备、存储介质及应用是由王守峰;吴世贵;李高宇;韦洪浪;黄孝平;张亚琼;梁程;周红锴;韦义宏;朱辉;李卫宁;黄建宇;黄程;吴剑园设计研发完成，并于2025-02-10向国家知识产权局提交的专利申请。

本一种基于图像识别的商品推荐方法、电子设备、存储介质及应用在说明书摘要公布了：本发明提供一种基于图像识别的商品推荐方法、电子设备、存储介质及应用，属于商品推荐技术领域，线下商品销售场所通过视频获取每个客户对商品的关注视频信息，根据线下商品销售分区进行将视频分为若干个视频段，从每个视频段中获取若干个标记图，将每个客户的标记图进行汇总得到客户意向商品图，构建三阶学习神经网络模型，将标记图输入到三阶学习神经网络模型识别得到每个客户关注的商品和关注商品细节信息，从线上与线下商品销售场所相关的平台进行将商品推荐给相应的客户。通过将线下销售场所的客户行为信息进行采集，然后图像识别，识别出客户每个动作的细化关注点，然后能够给客户进行精准的推荐需要的商品。

本发明授权一种基于图像识别的商品推荐方法、电子设备、存储介质及应用在权利要求书中公布了：1.一种基于图像识别的商品推荐方法，其特征在于：所述方法包括如下步骤： 步骤1：线下商品销售场所通过视频获取每个客户对商品的关注视频信息； 步骤2：根据线下商品销售分区进行将视频分为若干个视频段； 步骤3：从每个视频段中获取若干个标记图； 步骤4：将每个客户的标记图进行汇总得到客户意向商品图； 步骤5：构建三阶学习神经网络模型； 步骤6：将标记图输入到三阶学习神经网络模型识别得到每个客户关注的商品和关注商品细节信息； 步骤7：从线上与线下商品销售场所相关的平台进行将商品推荐给相应的客户； 步骤5的具体过程为： 步骤5.1：设置感知机进行对图像节点分类，使用两层MLP进行图像节点分类，第一层激活函数为ReLU，并使用归一化层和Dropout防止过拟合，第二层激活函数未Softmax，将图像节点表述转化未类别预测的概率，表达式如下： Z＝DropoutLNσXW0 其中X是原始的图像节点表示，σ表示激活函数，在第一层神经网络中，使用ReLU，LN表示层归一化操作，而Dropout表示随机丢弃神经元，两个操作共同作用，防止过拟合的情况发生，使得模型具备更好的泛化能力，而W0，W1表示两层神经网络的可训练参数，将输入图像节点表示映射到不同类别的预测概率，也就是Y，获得预测结果； 步骤5.2：设计第一级对比学习模块进行引入更多的连边信息，以增强对比学习的效果，第一级对比学习模块为边级对比学习模块，通过多跳图的构建引入更多的连边信息，基于以下规则构建多跳图： 在多跳图的构建中，如果图像节点a是图像节点b的邻居，同时图像节点c是图像节点b的邻居，认为图像节点a是图像节点c的邻居，并建立连边，更多的边信息被引入对比学习，提升图像节点预测的准确性； 边级对比学习的损失函数定义如下： 其中，B表示批量大小，表示图像节点i的邻居集合，simzi，zj表示图像节点i和j的相似度，τ为温度参数，在多跳图中，如果两个图像节点间存在连边，就会使它们的表示更为接近，即相似性simzi，zj增大，通过边级对比学习，相似的图像节点会更加聚拢，而不相似的图像节点会相互远离，对比学习方式能够使图像节点的分布更加紧致，从而使分类器的决策边界更加清晰，最终有效提升预测准确性； 步骤5.3：设置第二级对比学习模块进行生成扰动后的特征表示，进一步优化图像节点分类的决策边界，第二级对比学习模块为特征级对比学习模块，通过利用Dropout的随机性对图像节点表示进行扰动，以强化模型的稳定性，具体公式如下： Z+＝DropoutLNσXW0 其中Z+为通过Dropout生成的扰动图像节点表示，此外，Z+和Z形成一个对比学习样本对，用以下损失函数维持模型训练的稳定性： 其中损失函数的目标是通过约束原始表示Z和扰动后表示Z+的相似性，增强模型的稳定性和鲁棒性，即使在图像节点特征受到扰动的情况下，模型仍能够保持输出结果的可靠性； 步骤5.4：设置第三级对比学习模块引入图像节点顺序扰乱的方式，实现全局信息的学习，而无需增加额外的参数，有效控制模型复杂度，第三级对比学习模块图像节点级对比学习模块，具体过程如下： Z-＝shuffleZ 其中，shuffle表示对图像节点顺序进行扰乱操作，生成负样本Z-，在对比学习中，通过约束图像节点表示Z和扰乱后的图像节点表示Z-的相似度，达到让两者相互远离的目标； 图像节点级对比学习的损失函数定义为： 存在两种情况，第一种为不同类别的图像节点：当扰乱后的图像节点来源于不同类别时，显然它们应该相互远离，增强类别间的区分，第二种为同一类别的图像节点：即使扰乱后的图像节点来源于同一类别，仍要求远离，这是因为每个图像节点都有其独特的特性，通过远离同类别的其他图像节点，模型不仅能捕获类别间的共性，还能挖掘图像节点本身的识别性信息； 步骤5.5：设计总损失函数对神经网络进行训练，总损失函数如下： lfinal＝lce+αledge+βlfeature+γlnode 其中α,β,γ为三个可调节超参数，可通过调节这三个参数，平衡不同损失项在模型训练过程中的作用，完成模型构建。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人桂林理工大学南宁分校，其通讯地址为：532100 广西壮族自治区崇左市扶绥县空港大道21号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。