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！

申请/专利权人：广州跨易信息科技有限公司

摘要：本发明提出了一种基于云计算和深度学习的跨境电商商品归类方法，包括：从跨境电商平台上收集多模态商品数据并对多模态商品数据进行预处理；对预处理后的多模态商品数据进行多模态特征提取和特征融合；设计元学习框架；使用图神经网络对跨境电商平台上的商品及其关系进行商品关系图构建；构建基于深度学习的归类模型，使用最终的商品特征表示作为归类模型的输入，将归类模型部署到云计算平台；利用云计算平台对归类模型进行分布式训练；将训练好的归类模型部署到跨境电商平台。本发明不仅能够高效处理多模态数据，解决新商品冷启动问题，具备动态适应能力，并充分利用云计算的强大资源，提升了跨境电商平台的商品归类效果。

主权项：1.一种基于云计算和深度学习的跨境电商商品归类方法，其特征在于，所述方法包括：S1、从跨境电商平台上收集多模态商品数据并对多模态商品数据进行预处理，对预处理后的多模态商品数据进行对齐操作和标准化处理；S2、对预处理后的多模态商品数据进行多模态特征提取和特征融合，得到多模态融合特征向量；S3、使用与模型无关的元学习设计元学习框架，并对元学习框架进行多任务训练和少样本学习，并在元学习框架的少样本学习中引入特征增强与自监督学习，使用元学习框架在少样本学习的参数对融合特征向量进行归类预测；S4、使用图神经网络对跨境电商平台上的商品及其关系进行商品关系图构建，商品关系图输出最终的商品特征表示；S5、构建基于深度学习的归类模型，使用最终的商品特征表示作为归类模型的输入，将归类模型部署到云计算平台，利用分布式计算资源进行并行训练，然后对归类模型进行评估和验证；S6、动态分配和管理云计算资源，利用云计算平台对归类模型进行分布式训练；S7、将训练好的归类模型部署到跨境电商平台；其中，所述步骤S3，具体包括：S31、设计元学习框架：将所述S2得到的多模态融合特征向量Ffinal输入到元学习模型中，在学习阶段，使元学习模型学习初始参数θ，然后对元学习模型进行多任务训练，对初始参数θ进行优化，表示如下： 其中，θ为初始参数，Ti为任务，pT为任务分布，为损失函数，α为学习率，θ*表示已学习的模型参数，表示对初始参数θ求梯度，表示使得损失函数最小化的初始参数θ，表示任务Ti上的损失函数；S32、定义不同的商品归类任务，形成任务集合T，在元学习模型的多任务训练阶段，对初始参数θ进行更新：从任务集合T中随机抽取任务Ti，对每个任务Ti，元学习模型使用少量样本进行适应，并计算梯度并更新参数，在每次任务训练结束后，将更新后的参数进行反向传播，优化全局参数θall，表示如下： 其中，β表示元学习率；S33、在元学习阶段结束后，针对具体的新商品归类任务进行少样本学习优化：将新商品的少量训练样本输入到元学习模型中，并使用已学习的模型参数θ*对进行训练样本和元学习模型适应，利用少量样本对模型进行微调，优化新商品归类任务的参数，表示如下： 其中，θnew表示新任务的优化参数，表示新任务的损失函数，表示对已学习的模型参数θ*求梯度；S34、在针对具体的新商品归类任务进行少样本学习优化的基础上，引入特征增强与自监督学习技术，优化少样本学习的训练：使用自监督学习方法，通过对无标签数据的预训练，生成特征向量Fssl，将自监督学习生成的特征向量Fssl与少样本学习生成的特征向量Ffew进行融合，得到增强的特征向量Fenhanced，表示如下：Fssl＝SelfSupervisedLearningXFenhanced＝Ffew+λFssl其中，X表示无标签数据，λ表示融合权重，SelfSupervisedLearning表示自监督学习；S35、使用优化后的参数θnew对融合特征向量Fenhanced进行归类预测：将融合特征向量Fenhanced输入到少样本学习优化后的元学习模型中，利用优化后的元学习模型对新任务的优化参数θnew进行归类预测，输出最终的商品类别，表示如下 其中，表示预测的商品类别，Predict表示归类预测函数。

全文数据：

权利要求：

百度查询： 广州跨易信息科技有限公司 一种基于云计算和深度学习的跨境电商商品归类方法