[0001] 本申请涉及信息处理技术领域，特别是涉及一种商品信息提供模型的构建方法及装置、获得模型训练数据的方法及装置、商品信息提供方法及装置、及AR眼镜。

[0002] 在数字化浪潮的冲击下，线下零售业正遭遇前所未有的挑战。电商平台的便捷性和价格优势，使得消费者越来越倾向于在线购物，导致实体店铺的客流量不断下降。在这样的市场环境下，线下零售商需要不断创新和优化，通过提供高质量的产品和服务，提升顾客体验，提高商品成交转化率，才能在激烈的市场竞争中站稳脚跟。因此，如何降低店铺成本、并提高商品成交转化率，成为线下零售商生存和发展的关键。

[0064] 下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本申请保护的范围。

[0065] 为了降低店铺成本，提高商品成交转化率，开创性的提出一种针对线下实体店铺的全新购物模式。该模式下，实体店铺可以提供多个低成本的增强现实AR(Augmented Reality)眼镜，供消费者用户进店后选戴；同时，可以在店内货架上陈列少量商品，作为供消费者用户查看的样品。如此，消费者用户通过所佩戴AR眼镜浏览店铺内陈列的商品时，AR眼镜可以采集并识别用户视野范围内的商品，并以增强现实的方式展示该商品的相关信息。

[0066] 也就是说，消费者用户通过所佩戴AR眼镜，既可以看到实体店铺的实景画面，又可以看到根据商品的相关信息渲染出的AR内容。优选地，店铺实景画面可以为背景，AR内容以透明方式叠加显示在店铺实景画面之上，以确保消费者用户佩戴AR眼镜的视觉体验。

[0067] 通常，通过AR眼镜展示给消费者用户查看的相关信息，均与用户的购物决策有关，可以在无导购人员的情况下，辅助用户解决购物过程中存在的问题，进而提高商品成交转化率。

[0068] 举例来说，对于线下服饰店铺来说，通过AR眼镜展示的相关信息可以包括以下项目中的至少一个：商品的尺码信息、颜色信息、价格信息、材质信息、设计灵感、穿搭推荐等。对于线下商超门店来说，通过AR眼镜展示的相关信息可以包括以下项目中的至少一个：商品的配料表信息、保质期信息、产地信息、加工工艺信息、使用场景信息(以蔬菜类商品为例，其使用场景信息可以体现为该蔬菜可用的菜谱、对应可搭配的其他食材等)等。

[0069] 在这种全新购物模式下，如何向到店的消费者用户提供更为智能化的导购服务，是提升用户购物效率以及提高商品成交转化率，要解决的关键技术问题。

[0070] 对应于此，本申请实施例提供一种基于AI模型提供智能导购服务的方案。该模型可以部署于实体店铺提供的AR眼镜上，通过AR眼镜向到店消费者用户提供导购服务。

[0071] 下面结合具体示例对本申请实施例提供的模型构建方法的实现过程进行解释说明，参见图1所示流程图，可以包括：

[0072] S101：获得多个训练样本，每个训练样本包括在样本用户佩戴所述AR眼镜的全过程中，根据所述样本用户在所述实体店铺的浏览情况，顺序采集的多组训练数据，每组训练数据包括所述样本用户的位置信息、所查看商品的标识信息、以及所述样本用户对所查看商品的感兴趣程度信息。

[0073] 通常，大部分用户的逛店习惯、购物偏好都基本相似，故而，本申请实施例可以样本用户在实体店铺的浏览动线为训练依据，根据多个样本用户在该实体店铺的实际浏览情况，确定出符合大部分用户习惯的浏览路线，据此引导消费者用户浏览实体店铺提供的可满足用户通用购物偏好的商品。

[0074] 以样本用户1为例，自进店佩戴AR眼镜开始至摘镜离店，通过所佩戴AR眼镜浏览商品的整个过程中，根据其浏览动线可以顺序采集到多组训练数据，且通常每组训练数据分别针对样本用户查看的不同商品，具体可以包括：样本用户的位置信息、所查看商品的标识信息、以及样本用户对所查看商品的感兴趣程度信息。

[0075] 其中，顺序采集的多组训练数据中的位置信息，可用于描述样本用户在店铺内的浏览动线；样本用户对所查看商品的感兴趣程度信息，可用于确定满足用户通用购物偏好的商品。基于这两方面信息生成的实体店铺的浏览路线，是在模型训练过程中发现的、该实体店铺中客观存在的最佳浏览路线，符合大部分用户的逛店习惯以及购物偏好。

[0076] 作为一种示例，感兴趣程度信息可以包括：样本用户在所查看商品处的停留时长、样本用户针对所查看商品进行语音交互的次数、样本用户与所查看商品进行肢体交互的次数、是否执行表示购买意图的操作行为中的至少一个。通常，样本用户在商品处的停留时长越长，针对商品进行语音咨询的次数越多，与商品进行触摸、查看吊牌等肢体交互的次数越多，执行了表示购买意图的操作行为，则表示样本用户对该商品的感兴趣程度越高；反之则表示感兴趣程度越低。

[0077] 其中，表示购买意图的操作行为至少可以包括：针对所查看商品执行加购操作(即将商品加入待结算商品集合，也就是俗称的“购物车”)、下单操作、结算操作、支付操作中的至少一个。

[0078] 当然，在具体购物场景下，感兴趣程度信息还可以体现为该具体购物场景所独有的操作行为，例如，服饰类购物场景下用户针对所查看商品提交了试穿请求，以此表示对该商品高度感兴趣。本申请实施例对感兴趣程度信息的具体表现形式、感兴趣程度的划分等级、各等级对应的判断阈值等不做具体限定。

[0079] 以针对样本用户A采集的训练样本为例，可以包括如下N组训练数据：(位置1，商品1，停留时长1)、(位置2，商品2，语音交互次数2)、……、(位置N，商品N，肢体交互次数N)。

[0080] 在实际应用中，采集到训练样本后，可以先进行样本筛除，例如，筛除包括少量训练数据的样本，保留更具有多样性训练数据的样本。举例来说，包括更多交互方式的训练样本、和/或包括更多操作行为的训练样本等，可以视为具有多样性训练数据的样本。其中，交互方式可以包括驻留查看、语音交互、肢体交互等；操作行为可以包括具有购买意图的行为，如上文所说加购操作、下单操作、结算操作、支付操作等，也可以包括不具有购买意图的行为，如将商品从购物车中删除等。

[0081] S102：构建用于提供导购服务的初始模型。

[0082] 本申请实施例中，可以基于传统的深度学习方式进行模型训练。例如，可以基于卷积神经网络(Convolutional Neural Networks，CNN)确定网络拓扑结构，构建初始模型，再基于大量训练样本和预设损失函数进行模型训练，获得满足使用需求的商品信息提供模型。

[0083] 或者，可以将已有通用模型，例如预训练大模型等确定为初始模型，再基于微调技术，通过少量训练样本获得满足使用需求的商品信息提供模型。

[0084] S103：以训练样本包括的顺序采集的多组训练数据，作为所述初始模型的输入，对所述初始模型进行模型训练，获得所述商品信息提供模型，使得所述商品信息提供模型具有针对所述实体店铺陈列的商品提供浏览路线推荐服务的能力，所述浏览路线基于由所述位置信息确定的所述样本用户在所述实体店铺的浏览动线、以及由所述感兴趣程度信息确定的所述实体店铺中能满足用户通用购物偏好的商品生成。

[0085] 本申请实施例以样本用户在实体店铺的浏览动线为训练依据，故可将不同训练样本各自包括的多组训练数据，分别作为初始模型的输入，参与模型训练，以使得模型从中发现更适合该实体店铺的浏览路线推荐方案。一方面，该浏览路线符合一般用户在该实体店铺的逛店习惯，有助于提高到店消费者用户的逛店体验；另一方面，基于该浏览路线可以尽量全面的将该实体店铺中满足用户通用购物偏好的商品，提供给消费者用户浏览，还有助于提高到店消费者用户的购物效率以及商品成交转化率。

[0086] 作为一种示例，满足用户通用购物偏好的商品可以体现为店铺热门商品。例如，浏览人数多、浏览时间长、销量高的商品等，均可视为本申请实施例中的热门商品。

[0087] 对应的，可以提供如下通过模型训练获得实体店铺浏览路线的方案：在利用所述训练样本对所述初始模型进行模型训练的过程中，获得根据所述感兴趣程度信息确定的所述实体店铺的热门商品，作为所述满足用户通用购物偏好的商品，再基于根据所述顺序采集的位置信息确定的所述样本用户在所述实体店铺的浏览动线，生成所述实体店铺的浏览路线。

[0088] 参见图2所示，关于实体店铺A的部分货架1和2的商品陈列示意图，若根据训练样本中的感兴趣程度信息确定商品A和商品E为热门商品，则在生成实体店铺A的浏览路线时，可以包括商品A到商品E之间的路线。例如，该部分路线可以体现为：在货架1处浏览商品A后，直接导航至货架2，并在路经商品D后导航至商品E处，以浏览商品E。

[0089] 作为另一种示例，满足用户通用购物偏好的商品还可以进一步体现为可搭配售卖的关联商品，即本申请实施例中的具有商品关联性的商品。例如，可穿搭的上衣和裙子、可组合烹饪的多种食材等，均可视为本申请实施例中的关联商品。

[0090] 对应的，如果表示购买意图的操作行为为样本用户针对所查看商品执行购买操作，则可提供如下通过模型训练获得实体店铺浏览路线的方案：在利用所述训练样本对所述初始模型进行模型训练的过程中，还可以获得多个所购买商品之间的商品关联性，并将具有商品关联性的商品作为所述满足用户通用购物偏好的商品。如此，便可基于所述具有商品关联性的商品、所述热门商品以及所述浏览动线生成所述实体店铺的浏览路线。

[0091] 其中，商品关联性也即不同商品之间进行搭配售卖的可能性，商品搭配售卖的可能性越高则商品关联性越高。

[0092] 仍以图2所举示例为例，若根据训练样本中的商品购买信息发现商品C和商品E之间存在关联性，则在生成实体店铺A的浏览路线时，可以包括商品A到商品E到商品C之间的路线。例如，该部分路线可以体现为：在货架1处浏览商品A后，路经商品B后导航至商品C处，以及在浏览商品C后再导航至货架2的商品E处，以浏览商品E。

[0093] 本申请实施例中的热门商品、具有商品关联性的商品，主要依据样本用户在该实体店铺的实际浏览情况确定，亦是在模型训练过程发现的该实体店铺中客观存在的现象，该现象符合大部分用户对店铺商品的感兴趣程度、对关联商品的搭配购买偏好等，基于此生成店铺浏览路线，有助于消费者用户在按照浏览路线逛店的过程中，快速发现满足其购物需求的商品，提高用户购物效率以及商品成交转化率。

[0094] 可选地，基于模型训练确定出的热门商品、具有商品关联性的商品，本申请实施例的商品信息提供模型还可优选提供如下服务：将所述热门商品的标识信息和/或所述具有商品关联性的商品的标识信息，提供给所述实体店铺关联的管理者用户，以供所述管理者用户据此调整所述实体店铺的商品陈列方式。

[0095] 本申请实施例可以提供多种调整店铺商品陈列方式的实现方案，下面进行举例说明。

[0096] 一种方案下，如果热门商品和/或具有商品关联性的商品在店铺的陈列位置较为分散，可以调整这部分商品的陈列位置，对其进行集中展示。例如，可以在实体店铺中确定一固定区域，作为商品热区，将热门商品全部汇总陈列至商品热区，供消费者用户进行集中浏览。如此，还可以优化店铺的浏览路径，使消费者用户以尽量短的路径完成商品浏览，进一步提高逛店效率，进而给消费者用户带来更好的线下逛店体验。

[0097] 另一种方案下，可以调整非热门商品的陈列位置，将这部分商品与热门商品摆放在一起，给这部分非热门商品带来曝光，提高这部分商品的成交转化率。

[0098] 再一种方案下，可以调整具有商品关联性的商品的陈列位置，将具有关联性的至少两个商品摆放在一起，有助于提高商品以组合方式进行搭配售卖的可能性，可以给更多商品带来曝光，亦有助于提高商品成交转化率。

[0099] 此外，在线下购物场景中，对于消费者用户购物过程中存在的问题，通常会有线下导购人员进行针对性的解答。针对线下购物场景对导购人员的特殊需求，本申请实施例的实体店铺可以根据不同商品各自关联的用户关注点，预先配置商品的导购信息，也即，针对用户逛店过程中可能存在的、需要导购人员解答的问题，预先配置与之相关的答案，并将其作为导购信息，在样本用户浏览商品的过程中，针对用户所查看商品进行导购信息推送，促进该商品的成交。

[0100] 从信息类型来说，导购信息至少可以包括：商品的知识解答类信息和/或商品的店铺促销类信息。

[0101] 当然，在实际应用中，还可以根据使用需求，针对上述类型的导购信息作进一步细分。例如，对于知识解答类信息来说，可以细分为针对材质的解答信息、针对穿搭推荐的解答信息、针对尺码选择的解答信息、针对配料成分的解答信息、针对加工工艺的解答信息、针对商品使用场景的解答信息，等等；对于店铺促销类信息，可以细分为店铺会员折扣信息、单品优惠信息、店铺满减信息，等等。通常，导购信息类型划分的越精细，越可以更为精准的定位到影响用户购买决策的因素，如此，在后续向到店消费者用户提供导购服务时，便可更为精准的向消费者用户进行针对性的导购信息推送，亦有助于提高商品成交转化率。

[0102] 也就是说，如果样本用户针对所查看商品执行购买操作，且购买操作是在向样本用户进行导购信息推送后实现，则训练数据中还可以包括：向样本用户进行导购信息推送的推送轮次，以及不同推送轮次下所推送导购信息的类型和内容。

[0103] 对应的，在进行模型训练时，还可以将所述推送轮次以及不同推送轮次下所推送导购信息的类型和内容，作为所述初始模型的输入，对所述初始模型进行模型训练，还使得所述商品信息推送模型具有获得不同类型的导购信息对购物决策的影响程度，并根据所述影响程度确定所述消费者用户当前查看的目标商品对应的导购信息推送方式的能力，所述导购信息推送方式包括所述目标商品关联的导购信息类型以及不同类型的导购信息的推送优先级。

[0104] 也就是说，将与导购信息推送相关的训练数据加入到模型训练过程后，可以使模型学习并发现一个由样本用户的实际购买行为确定的、新的客观存在的现象，该现象可以表示不同类型的导购信息对用户购物决策的影响程度。基于此，在到店消费者用户查看感兴趣的目标商品时，可以有针对性的确定一个导购信息推送方式，以明确向消费者用户进行导购信息推送的轮次，以及每个轮次下对应推送的导购信息类型。

[0105] 本申请实施例中，导购信息可以基于管理者用户、线下导购人员的人为经验进行配置，和/或，可以通过模型训练确定用户针对不同商品的关注点，并根据该关注点进行导购信息配置。

[0106] 一种示例下，AR眼镜装配有语音交互模块，且可向佩戴AR眼镜的用户提供智能问答服务。对应的，可以获得样本用户针对所查看商品进行语音交互时输入的咨询问题，作为训练数据参与模型训练。这些咨询问题更能反映样本用户对所查看商品的真实需求，如此确定的用户关注点更为客观和准确。

[0107] 具体地，可以按照以下方式获得所查看商品关联的用户关注点：将所述咨询问题作为所述初始模型的输入，对所述初始模型进行模型训练，还使得所述商品信息提供模型具有根据所述咨询问题确定所查看商品关联的用户关注点的能力。

[0108] 本申请实施例中，可以商品为基本粒度，确定不同商品各自关联的用户关注点；或者，可以进行粗粒度汇总，例如以商品品类为基本粒度，确定不同品类的商品各自关联的用户关注点。具体可根据使用需要确定。

[0109] 可以理解地，为了使商品信息提供模型可以针对店铺商品提供更为精准的导购服务，还可以根据实体店铺的店铺类型，例如服饰类店铺、商超类店铺等，采集更多与店铺类型相关的信息，作为模型输入参与模型训练，以将商品信息提供模型优化为专为指定类型的店铺提供精准导购服务的垂类模型。

[0110] 对应的，本申请实施例还可以提供一种获得模型训练数据的方法。该方法可应用于实体店铺提供的增强现实AR眼镜中，按照以下方法获得模型训练所需训练数据：

[0111] 在样本用户佩戴所述AR眼镜浏览所述实体店铺陈列商品的全过程中，顺序采集与所查看商品相关的多组训练数据，所述多组训练数据作为一个训练样本用于进行模型训练，以获得向到店消费者用户提供导购服务的商品信息提供模型。其中，训练数据可以包括：所述样本用户的位置信息、所查看商品的标识信息、以及所述样本用户对所查看商品的感兴趣程度信息。

[0112] 本申请实施例中，可以通过AR眼镜采集获得样本用户第一视角下的训练数据，有助于提高训练数据获取的准确性和便捷性，进而提高基于该训练数据训练所得模型的准确性。下面对采集训练数据的实现过程进行举例说明。

[0113] 对于位置信息来说，指的是样本用户有停留的位置，也就是在整个商品浏览过程中，识别出样本用户查看感兴趣的商品时所在的位置，对于浏览过程中途经的商品，则通常不需要获取对应的位置信息。通过顺序采集的多组训练数据中的位置信息，可以描述出样本用户在实体店铺内的浏览动线。

[0114] 一种方案下，可以在实体店铺的不同位置部署多个传感器，通过多个传感器对AR眼镜定位的方式，获得佩戴该AR眼镜的样本用户的位置信息。

[0115] 另一种方案下，可以通过AR眼镜采集的商品图像，识别样本用户所查看商品，进而根据商品在店铺的陈列位置确定样本用户的位置信息。

[0116] 再一种方案下，可以通过AR眼镜采集的背景图像，识别该背景图像对应在店铺的位置，以此确定样本用户的位置信息。

[0117] 对于所查看商品的标识信息以及感兴趣程度信息来说，可以根据AR眼镜采集的信息确定。其中，AR眼镜采集的信息可以包括：AR眼镜视野范围内的图像信息和/或AR眼镜与样本用户之间的语音交互信息。

[0118] 例如，可以通过图像特征提取、二维码识别等方式，从AR眼镜采集的商品图像中识别所查看商品的标识信息；和/或，可以通过语音识别的方式，从AR眼镜采集的语音中识别样本用户针对所查看商品输入的商品名称、货号等，以此明确所查看商品的标识信息。

[0119] 再例如，可以通过图像识别和/或语音识别的方式，确定样本用户在所查看商品处的停留时长、样本用户针对所查看商品进行语音交互的次数、样本用户与所查看商品进行肢体交互的次数、是否执行表示购买意图的操作行为等，据此明确样本用户对所查看商品的感兴趣程度信息。

[0120] 对应的，本申请实施例还可以提供一种基于AI模型实现的商品信息提供方法。该方法可应用于实体店铺提供的增强现实AR眼镜中，基于AR眼镜中部署的商品信息提供模型向到店消费者用户提供导购服务。参见图3所示流程图，该方法可以包括：

[0121] S301：确定所述消费者用户具有店铺导航需求时，获得所述消费者用户当前所在目标位置。

[0122] S302：调用所述商品信息提供模型，所述模型基于多个训练样本训练获得针对所述实体店铺陈列的商品提供浏览路线推荐服务的能力；其中，每个训练样本包括在样本用户佩戴所述AR眼镜的全过程中，根据所述样本用户在所述实体店铺的浏览情况，顺序采集的多组训练数据，每组训练数据包括所述样本用户的位置信息、所查看商品的标识信息、以及所述样本用户对所查看商品的感兴趣程度信息。

[0123] S303：将所述目标位置作为模型输入，获得所述模型在所述浏览路线的基础上输出的目标导航路线，所述目标导航路线以所述目标位置为起点，用以引导所述消费者用户通过所佩戴AR眼镜浏览所述目标导航路线上陈列的商品；其中，所述浏览路线基于由所述位置信息确定的所述样本用户在所述实体店铺的浏览动线、以及由所述感兴趣程度信息确定的所述实体店铺中能满足用户通用购物偏好的商品生成。

[0124] 本申请实施例通过AI模型向用户提供智能导购服务，至少可以体现为以下两方面：

[0125] 第一方面，向消费者用户提供逛店引导服务。

[0126] 也即，通过AR眼镜引导消费者用户按照目标导航路线浏览实体店铺中陈列的商品。该方面下，AI模型提供的商品信息可以体现为，与实体店铺陈列商品相关的路径信息。

[0127] 结合消费者用户的使用需求，模型输出的目标导航路线可以体现为以下两种情况：

[0128] 一种使用需求下，可以在消费者用户进店佩戴AR眼镜后，即提供逛店引导服务。

[0129] 具体可以通过以下方案识别消费者用户的店铺导航需求：

[0130] 例如，AR眼镜可以进行使用状态检测，并在AR眼镜处于使用状态时，确定当前佩戴该AR眼镜的消费者用户具有店铺导航需求。其中，使用状态检测可以体现为以下项目中的至少一项：检测到佩戴动作、检测到AR眼镜进入工作状态、检测到消费者用户通过手机等终端设备对AR眼镜进行扫码绑定、检测到消费者用户执行使用AR眼镜功能的预设手势，等等，均可确定AR眼镜当前处于使用状态。

[0131] 再例如，消费者用户进店佩戴AR眼镜后，可以通过语音交互的方式表达其店铺导航需求，例如语音输入“如何逛店”。对应的，AR眼镜可以根据消费者用户输入的语音，识别其是否具有店铺导航需求。

[0132] 本使用需求下，AR眼镜可以获得所述模型训练生成的浏览路线的起点，作为所述目标位置。对应的，将所述浏览路线的起点输入所述模型后，可以获得所述模型输出的目标导航路线，且所述目标导航路线为所述浏览路线。

[0133] 其中，浏览路线的起点可以体现为模型训练过程中确定的预设位置，例如，预设位置可以为实体店铺的AR眼镜陈列区域、商品陈列区域入口等。

[0134] 也就是说，消费者用户进店佩戴AR眼镜后，AR眼镜中部署的模型便可主动向消费者用户提供逛店引导服务，且在该服务下提供的目标导航路线为模型训练生成的浏览路线的全部。如此，引导消费者用户按照浏览路线的动线进行逛店，可以高效且便捷的查看实体店铺陈列的商品。

[0135] 另一种使用需求下，可以在消费者用户佩戴AR眼镜浏览商品的过程中，提供逛店引导服务。

[0136] 也就是说，如果未在消费者用户进店佩戴AR眼镜后即提供逛店引导服务，或者虽然向消费者用户推荐了浏览路线但用户并未按照路线引导逛店，则在消费者用户通过所佩戴AR眼镜逛店的过程中，可以随时通过AR眼镜提交店铺导航需求，触发商品信息推荐模型向其提供逛店引导服务。

[0137] 具体地，AR眼镜可以通过手势检测、语音识别等方式，识别消费者用户在商品浏览过程中通过所佩戴AR眼镜提交的导航请求，以明确消费者用户何时具有店铺导航需求。

[0138] 本使用需求下，通过对所述AR眼镜定位获得所述目标位置；则，将所述目标位置输入所述模型后，可以获得所述模型输出的目标导航路线，且所述目标导航路线为所述浏览路线的部分或全部。

[0139] 也就是说，消费者用户通过所佩戴AR眼镜浏览商品的过程中，AR眼镜可以在用户请求的触发下，被动向消费者用户提供逛店引导服务，且在该服务下提供的目标导航路线为模型训练生成的浏览路线的部分或全部。

[0140] 例如，可以从浏览路线中确定出距离目标位置最近的路径节点，将目标位置作为目标导航路线的起点，先导航至该路径节点后，再引导消费者用户按照包括该路径节点在内的部分浏览路线的动线进行逛店。或者，从目标位置导航至路径节点后，可以引导消费者用户自该路径节点开始，按照全部浏览路线的动线进行逛店，直至再次回到路径节点后结束逛店。

[0141] 第二方面，向消费者用户提供商品讲解服务。

[0142] 也即，通过所佩戴AR眼镜识别消费者用户当前查看的目标商品后，可以针对性的推送与目标商品相关的导购信息。该方面下，AI模型提供的商品信息可以体现为，与目标商品相关的导购信息。

[0143] 一种示例下，通过AR眼镜识别到消费者用户当前查看的目标商品后，商品信息提供模型可以主动确定该目标商品对应的导购信息推送方式，向消费者用户提供与之对应的导购信息。具体实现过程可参见上文介绍，此处不再举例说明。

[0144] 另一种示例下，通过AR眼镜识别到消费者用户针对当前查看的目标商品语音输入的咨询问题后，触发商品信息提供模型生成与咨询问题相应的答案，提供给消费者用户。也即，商品信息提供模型可以在用户语音的触发下，被动向消费者用户提供用户所需的商品讲解服务。

[0145] 综上所述，本申请实施例可以在样本用户通过所佩戴AR眼镜浏览实体店铺的全过程中，顺序采集多组训练数据，通过该多组训练数据描述样本用户的实际逛店情况。如此，利用多组训练数据构成的训练样本，进行模型训练时，可以发掘该实体店铺中存在的一些客观现象。

[0146] 该客观现象可以体现为符合多数用户逛店习惯以及购物偏好的店铺浏览路线。具体可在模型训练过程中，综合由位置信息确定的样本用户在实体店铺的浏览动线、以及由感兴趣程度信息确定的实体店铺中能满足用户通用购物偏好的商品，生成该实体店铺的浏览路线。该浏览路线符合大部分消费者用户的购物习惯，具有通用性和普适性，如此，通过模型向消费者用户提供智能导购服务时，可以引导消费者用户按照该浏览路线逛店，使用户高效且便捷的查看实体店铺提供的商品，有助于提高用户购物效率以及商品成交转化率。

[0147] 需要说明的是，本申请所涉及用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。

[0148] 与前述方法实施例相对应，本申请实施例还提供了一种商品信息提供模型的构建装置，所述商品信息提供模型部署于实体店铺提供的增强现实AR眼镜中，通过所述AR眼镜向到店消费者用户提供导购服务。参见图4，该装置可以包括：

[0149] 样本获得单元401，用于获得多个训练样本，每个训练样本包括在样本用户佩戴所述AR眼镜的全过程中，根据所述样本用户在所述实体店铺的浏览情况，顺序采集的多组训练数据，每组训练数据包括所述样本用户的位置信息、所查看商品的标识信息、以及所述样本用户对所查看商品的感兴趣程度信息；

[0150] 模型构建单元402，用于构建用于提供导购服务的初始模型；

[0151] 模型训练单元403，用于以训练样本包括的顺序采集的多组训练数据，作为所述初始模型的输入，对所述初始模型进行模型训练，获得所述商品信息提供模型，使得所述商品信息提供模型具有针对所述实体店铺陈列的商品提供浏览路线推荐服务的能力，所述浏览路线基于由所述位置信息确定的所述样本用户在所述实体店铺的浏览动线、以及由所述感兴趣程度信息确定的所述实体店铺中能满足用户通用购物偏好的商品生成。

[0152] 其中，所述感兴趣程度信息包括：所述样本用户在所查看商品处的停留时长、所述样本用户针对所查看商品进行语音交互的次数、所述样本用户与所查看商品进行肢体交互的次数、是否执行表示购买意图的操作行为中的至少一个，

[0153] 所述模型训练单元，具体可用于：在利用所述训练样本对所述初始模型进行模型训练的过程中，获得根据所述感兴趣程度信息确定的所述实体店铺的热门商品，作为所述满足用户通用购物偏好的商品，再基于根据所述顺序采集的位置信息确定的所述样本用户在所述实体店铺的浏览动线，生成所述实体店铺的浏览路线。

[0154] 其中，所述表示购买意图的操作行为为所述样本用户针对所查看商品执行购买操作，

[0155] 所述模型训练单元，具体可用于：在利用所述训练样本对所述初始模型进行模型训练的过程中，还获得多个所购买商品之间的商品关联性，并将具有商品关联性的商品作为所述满足用户通用购物偏好的商品，以便基于所述具有商品关联性的商品、所述热门商品以及所述浏览动线生成所述实体店铺的浏览路线。

[0156] 其中，所述模型训练单元，具体还用于：基于所述商品关联性，还使得所述商品信息提供模型具有识别所述消费者用户当前购买的商品关联的搭配商品，并提供所述搭配商品的商品信息的能力。

[0157] 其中，所述模型训练单元，具体还用于：还使得所述商品信息提供模型具有将所述热门商品的标识信息和/或所述具有商品关联性的商品的标识信息，提供给所述实体店铺关联的管理者用户的能力，以供所述管理者用户调整所述实体店铺的商品陈列方式。

[0158] 其中，所述样本用户针对所查看商品执行购买操作，且所述购买操作是在向所述样本用户进行导购信息推送后实现，所述导购信息由所述实体店铺根据所查看商品关联的用户关注点预先配置，所述导购信息的类型至少包括商品的知识解答类信息和/或商品的店铺促销类信息；

[0159] 则所述训练数据还包括：向所述样本用户进行导购信息推送的推送轮次，以及不同推送轮次下所推送导购信息的类型和内容；

[0160] 所述模型训练单元，具体还用于：将所述推送轮次以及不同推送轮次下所推送导购信息的类型和内容，作为所述初始模型的输入，对所述初始模型进行模型训练，还使得所述商品信息推送模型具有获得不同类型的导购信息对购物决策的影响程度，并根据所述影响程度确定所述消费者用户当前查看的目标商品对应的导购信息推送方式的能力，所述导购信息推送方式包括所述目标商品关联的导购信息类型以及不同类型的导购信息的推送优先级。

[0161] 其中，所述训练数据还包括：所述样本用户针对所查看商品进行语音交互时输入的咨询问题，

[0162] 所述模型训练单元，具体还用于：将所述咨询问题作为所述初始模型的输入，对所述初始模型进行模型训练，还使得所述商品信息提供模型具有根据所述咨询问题确定所查看商品关联的用户关注点的能力。

[0163] 与前述方法实施例相对应，本申请实施例还提供了一种获得模型训练数据的装置，应用于实体店铺提供的增强现实AR眼镜中，该装置可以包括：

[0164] 数据采集单元，用于在样本用户佩戴所述AR眼镜浏览所述实体店铺陈列商品的全过程中，顺序采集与所查看商品相关的多组训练数据，所述多组训练数据作为一个训练样本用于进行模型训练，以获得向到店消费者用户提供导购服务的商品信息提供模型；

[0165] 所述训练数据包括：所述样本用户的位置信息、所查看商品的标识信息、以及所述样本用户对所查看商品的感兴趣程度信息；

[0166] 其中，所述位置信息由所述实体店铺内部署的多个传感器对所述AR眼镜进行定位后获得，所述顺序采集的多组训练数据中的位置信息用于表示所述样本用户在所述实体店铺内的浏览动线；

[0167] 所述所查看商品的标识信息以及所述感兴趣程度信息根据所述AR眼镜采集的信息确定，所述AR眼镜采集的信息包括所述AR眼镜视野范围内的图像信息和/或所述AR眼镜与所述样本用户之间的语音交互信息。

[0168] 与前述方法实施例相对应，本申请实施例还提供了一种商品信息提供装置，应用于实体店铺提供的增强现实AR眼镜中，基于所述AR眼镜中部署的商品信息提供模型向到店消费者用户提供导购服务。参见图5，该装置可以包括：

[0169] 位置获得单元501，用于在确定所述消费者用户具有店铺导航需求时，获得所述消费者用户当前所在目标位置；

[0170] 模型调用单元502，用于调用所述商品信息提供模型，所述模型基于多个训练样本训练获得针对所述实体店铺陈列的商品提供浏览路线推荐服务的能力；其中，每个训练样本包括在样本用户佩戴所述AR眼镜的全过程中，根据所述样本用户在所述实体店铺的浏览情况，顺序采集的多组训练数据，每组训练数据包括所述样本用户的位置信息、所查看商品的标识信息、以及所述样本用户对所查看商品的感兴趣程度信息；

[0171] 导航路线获得单元503，用于将所述目标位置作为模型输入，获得所述模型在所述浏览路线的基础上输出的目标导航路线，所述目标导航路线以所述目标位置为起点，用以引导所述消费者用户通过所佩戴AR眼镜浏览所述目标导航路线上陈列的商品；其中，所述浏览路线基于由所述位置信息确定的所述样本用户在所述实体店铺的浏览动线、以及由所述感兴趣程度信息确定的所述实体店铺中能满足用户通用购物偏好的商品生成。

[0172] 其中，所述消费者用户进店并佩戴所述AR眼镜后，确定所述消费者用户具有店铺导航需求，则

[0173] 所述位置获得单元，具体可用于：获得所述模型训练生成的浏览路线的起点，作为所述目标位置；所述浏览路线基于由所述位置信息确定的所述样本用户在所述实体店铺的浏览动线、以及由所述感兴趣程度信息确定的所述实体店铺中能满足用户通用购物偏好的商品生成；

[0174] 所述导航路线获得单元，具体可用于：将所述浏览路线的起点输入所述模型后，获得所述模型输出的目标导航路线，且所述目标导航路线为所述浏览路线。

[0175] 其中，接收到所述消费者用户在商品浏览过程中通过所佩戴AR眼镜提交的导航请求时，确定所述消费者用户具有店铺导航需求，则

[0176] 所述位置获得单元，具体可用于：通过对所述AR眼镜定位获得所述目标位置；

[0177] 所述导航路线获得单元，具体可用于：将所述目标位置输入所述模型后，获得所述模型输出的目标导航路线，且所述目标导航路线为所述浏览路线的部分或全部。

[0178] 另外，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述方法实施例中任一项所述的方法的步骤。

[0179] 以及一种AR眼镜，包括：

[0180] 一个或多个处理器；以及

[0181] 与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令，所述程序指令在被所述一个或多个处理器读取执行时，执行前述方法实施例中任一项所述的方法的步骤。

[0182] 此外，本申请实施例还提供了一种计算机程序产品，包括计算机程序/计算机可执行指令，所述计算机程序/计算机可执行指令被AR眼镜中的处理器执行时实现前述方法实施例中任一项所述方法的步骤。

[0183] 通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。

[0184] 本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

[0185] 以上对本申请所提供的方案，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本申请的限制。