電子商務的圖像搜索：看到收入和滿意度飆升

已發表: 2020-06-22

您正在尋找獨特的東西，並且可以在腦海中想像它，但沒有任何運氣在網上找到它。聽起來有點熟？您並不孤單——這就是為什麼電子商務的圖像搜索已成為零售商的必備品。

客戶在網上購買時沒有太大的耐心，因此提供數千種產品目錄的電子商務企業不一定有用。在線商店允許人們通過僅提供基於文本的搜索來搜索其目錄和網站（或在線商店）中的時尚商品，但在客戶體驗方面卻錯失良機。

客戶使用基於文本的搜索來嘗試描述他們喜歡的產品，但很少能在搜索結果中找到合適的商品。用特定的紋理來描述一件夾克或具有獨特圖案的太陽鏡並不容易，需要用文字來解釋它們。

按產品類別篩选和手動搜索都非常耗時，有時甚至不成功。在多次體驗失敗後，客戶經常放棄，對轉化率和收入產生負面影響。

當涉及到購物者識別產品和做出決定的能力時，視覺是強大的資源。

事實上，據估計，人腦可以在 13 毫秒內處理整個圖像，這意味著它們的處理速度比文本快 6 到 600 倍。

電子商務的圖像搜索：視覺搜索優化可提高參與度和轉化率

如果電子商務網站升級他們的平台和搜索策略以支持基於圖像的搜索，用戶可以使用圖像，包括產品搜索其他類似產品，客戶體驗將大大提升。

電子商務的圖像搜索將顯著改善：

為了進行有效的搜索，需要開發自動化的方法來學習圖像特徵。機器學習方法是一種可能的解決方案。

在算法的幫助下，機器學習可以從歷史數據中訓練系統，從而開發出一個可以做出決策的智能平台。然後，它根據訓練數據預測下一步。

電子商務和圖像搜索可以利用機器學習，為客戶提供有價值的個性化體驗。機器學習使搜索引擎變得更加智能，而深度學習是機器學習的一個分支，對圖像搜索很有用。

對於計算機而言，圖像是表示二維矩陣的數據，它包含數十萬個像素。同時，圖像是語義圖案、線條、曲線、紋理和顏色的排列。

電子商務的圖像搜索 2

圖像搜索有不同類型的機器學習算法。在這裡，我們談論兩種流行的算法：卷積神經網絡 (CNN) 和 k-最近鄰 (k-NN)。

上圖顯示了兩個階段：離線和在線。

在離線階段，我們通過 CNN 算法訓練一個電子商務商店的目錄。 CNN 是一系列層；每一層的輸入是前一層的輸出。圖像輸入到第一層，第一層提取低級特徵，如邊緣。最後提取有意義的特徵。輸出是特徵向量列表。

在在線階段，我們已經有了電子商務商店目錄中每個圖像的矢量表示。存儲的向量包括有意義的描述，可用於捕捉一幅圖像與另一幅圖像之間的鏈接。在 CNN 的幫助下，我們從客戶上傳的圖像中提取潛在含義，並且更容易進行圖像與圖像的比較以找到視覺上最相似的匹配。

然而，我們仍然需要另一個步驟來比較提取的特徵向量的相似性。 K-NN 是監督學習的分類算法之一。目標是在特徵向量中搜索與上傳圖像最接近的匹配。

以下步驟總結了使用機器學習進行圖像搜索的工作原理：

借助由機器學習技術提供支持的圖像搜索，您的電子商務業務將獲得諸多好處。

借助強大的引擎機器學習，您的企業可以享受：

更快的決策：機器學習算法可以優先考慮和自動化決策。他們還可以標記應立即採取的機會和明智的行動——這樣您就可以獲得最佳結果。
適應性：人工智能不只是查看客戶的歷史數據。它可以處理實時輸入——因此您的站點推薦可以即時調整。想像一下，一位顧客剛剛在火車上看到一件他/她喜歡的夾克，然後他們進入您的網站尋找它，只需輸入一些功能，您的電子商務網站就可以提供相關產品。
更深入的洞察力：機器學習可以分析大數據、複雜數據和流式數據，並發現超出人類能力的洞察力——包括預測性洞察力。客戶瀏覽多個包含不同形式的媒體/內容的網站和平台。通常，該旅程是通過多種設備完成的。機器學習可以分析所有這些接觸點以找到洞察力，然後根據這些洞察力觸發行動。
更好的結果：從根據新的機會和風險觸發智能行動，到在做出決策之前準確預測結果，機器學習可以幫助您推動更好的業務成果。