电子商务的图像搜索：看到收入和满意度飙升

已发表: 2020-06-22

您正在寻找独特的东西，并且可以在脑海中想象它，但没有任何运气在网上找到它。听起来有点熟？您并不孤单——这就是为什么电子商务的图像搜索已成为零售商的必备品。

客户在网上购买时没有太大的耐心，因此提供数千种产品目录的电子商务企业不一定有用。在线商店允许人们通过仅提供基于文本的搜索来搜索其目录和网站（或在线商店）中的时尚商品，但在客户体验方面却错失良机。

客户使用基于文本的搜索来尝试描述他们喜欢的产品，但很少能在搜索结果中找到合适的商品。用特定的纹理来描述一件夹克或具有独特图案的太阳镜并不容易，需要用文字来解释它们。

按产品类别筛选和手动搜索都非常耗时，有时甚至不成功。在多次体验失败后，客户经常放弃，对转化率和收入产生负面影响。

当涉及到购物者识别产品和做出决定的能力时，视觉是强大的资源。

事实上，据估计，人脑可以在 13 毫秒内处理整个图像，这意味着它们的处理速度比文本快 6 到 600 倍。

电子商务的图像搜索：视觉搜索优化可提高参与度和转化率

如果电子商务网站升级他们的平台和搜索策略以支持基于图像的搜索，用户可以使用图像，包括产品搜索其他类似产品，客户体验将大大提升。

电子商务的图像搜索将显着改善：

为了进行有效的搜索，需要开发自动化的方法来学习图像特征。机器学习方法是一种可能的解决方案。

在算法的帮助下，机器学习可以从历史数据中训练系统，从而开发出一个可以做出决策的智能平台。然后，它根据训练数据预测下一步。

电子商务和图像搜索可以利用机器学习，为客户提供有价值的个性化体验。机器学习使搜索引擎变得更加智能，而深度学习是机器学习的一个分支，对图像搜索很有用。

对于计算机而言，图像是表示二维矩阵的数据，它包含数十万个像素。同时，图像是语义图案、线条、曲线、纹理和颜色的排列。

电子商务的图像搜索 2

图像搜索有不同类型的机器学习算法。在这里，我们谈论两种流行的算法：卷积神经网络 (CNN) 和 k-最近邻 (k-NN)。

上图显示了两个阶段：离线和在线。

在离线阶段，我们通过 CNN 算法训练一个电子商务商店的目录。 CNN 是一系列层；每一层的输入是前一层的输出。图像输入到第一层，第一层提取低级特征，如边缘。最后提取有意义的特征。输出是特征向量列表。

在在线阶段，我们已经有了电子商务商店目录中每个图像的矢量表示。存储的向量包括有意义的描述，可用于捕捉一幅图像与另一幅图像之间的链接。在 CNN 的帮助下，我们从客户上传的图像中提取潜在含义，并且更容易进行图像与图像的比较以找到视觉上最相似的匹配。

然而，我们仍然需要另一个步骤来比较提取的特征向量的相似性。 K-NN 是监督学习的分类算法之一。目标是在特征向量中搜索与上传图像最接近的匹配。

以下步骤总结了使用机器学习进行图像搜索的工作原理：

借助由机器学习技术提供支持的图像搜索，您的电子商务业务将获得诸多好处。

借助强大的引擎机器学习，您的企业可以享受：

更快的决策：机器学习算法可以优先考虑和自动化决策。他们还可以标记应立即采取的机会和明智的行动——这样您就可以获得最佳结果。
适应性：人工智能不只是查看客户的历史数据。它可以处理实时输入——因此您的站点推荐可以即时调整。想象一下，一位顾客刚刚在火车上看到一件他/她喜欢的夹克，然后他们进入您的网站寻找它，只需输入一些功能，您的电子商务网站就可以提供相关产品。
更深入的洞察力：机器学习可以分析大数据、复杂数据和流式数据，并发现超出人类能力的洞察力——包括预测性洞察力。客户浏览多个包含不同形式的媒体/内容的网站和平台。通常，该旅程是通过多种设备完成的。机器学习可以分析所有这些接触点以找到洞察力，然后根据这些洞察力触发行动。
更好的结果：从根据新的机会和风险触发智能行动，到在做出决策之前准确预测结果，机器学习可以帮助您推动更好的业务成果。