物品分类结果生成方法、装置、设备、介质和程序产品
Patent Information
- Authority / Receiving Office
- CN · China
- Patent Type
- Patents(China)
- Current Assignee / Owner
- JD DIGITS HAIYI INFORMATION TECHNOLOGY CO LTD
- Filing Date
- 2023-08-30
- Publication Date
- 2026-07-17
AI Technical Summary
[0003]然而，发明人发现，当采用上述方式进行物品分类时，经常会存在如下技术问题：计算复杂度较高，图数据包含的节点较多时，导致内存资源浪费，且每个节点都需计算和其他所有节点的注意力值，导致引入了较多冗余信息和噪声信息，从而导致物品分类的准确率较低
[0024]本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的物品分类结果生成方法，节省了内存资源，提高了物品分类结果的准确性。具体来说，造成内存资源、物品分类结果的准确性较低的原因在于：计算复杂度较高，图数据包含的节点较多时，导致内存资源浪费，且每个节点都需计算和其他所有节点的注意力值，导致引入了较多冗余信息和噪声信息，从而导致物品分类的准确率较低。基于此，本公开的一些实施例的物品分类结果生成方法，首先，获取物品图数据。其中，上述物品图数据包括物品信息节点集合和物品关联信息集合。由此，可以获取以图数据结构组织的物品图数据。然后，将上述物品图数据输入至预先训练的物品分类模型的输入层，得到输入向量矩阵。之后，根据上述输入向量矩阵，生成查询矩阵、键矩阵和键值矩阵。由此，可以预先将输入向量矩阵分别转换成查询矩阵、键矩阵和键值矩阵。其次，对上述键矩阵和上述键值矩阵进行压缩处理，得到压缩键矩阵和压缩键值矩阵。由此，可以分别对键矩阵和键值矩阵进行压缩，从而可以使得压缩后的键矩阵和键值矩阵中的向量的维度减小。最后，将上述查询矩阵、上述压缩键矩阵和上述压缩键值矩阵输入至上述物品分类模型的自注意力层，以及执行上述物品分类模型的各个后续任务，得到上述物品分类模型输出的物品分类结果。由此，可以通过物品分类模型的自注意力层根据查询矩阵、压缩键矩阵和压缩键值矩阵生成池化后的自注意力值。自注意力值输入至下游后最终可以得到物品分类结果。也因为在确定自注意力值时，采用的是压缩后的压缩键矩阵和压缩键值矩阵，从而可以降低计算复杂度(从原本的O(n2)降低至O(n))，节省了内存资源。且无需计算每个节点和其他所有节点的注意力值，从而减少了引入的冗余信息和噪声信息，提高了物品分类结果的准确性。由此，节省了内存资源，提高了物品分类结果的准确性。
Smart Images
Figure CN117112869B_ABST