CN106445977A - 图片推送方法及装置 - Google Patents

Abstract

本申请提供一种图片推送方法及装置，其中的方法包括：提取目标用户的多维度用户特征；将所述目标用户的多维度用户特征在预设的多个数学模型中分别进行训练；其中，所述多个数学模型分别对应不同的图片类别；所述数学模型表征用户针对该数学模型对应的图片类别的点击概率；当训练完成后，基于训练结果为所述目标用户确定目标图片类别，并从该目标图片类别，以在该目标用户的客户端界面上显示。本申请在可以在进行页面内容设计时针对不同的人群实现差异化设计。

Description

图片推送方法及装置

技术领域

本申请涉及通信领域，尤其涉及一种图片推送方法及装置。

背景技术

在现有实现中，UED(User Experience Design)设计师在针对各种不同场景进行页面内容设计时，针对不同的用户人群，页面中的展示图片应该设计成什么样的图案、颜色，展示什么样的文字内容，并没有统一的标准，更多的是依赖设计师个人的经验，因此很难针对不同的人群进行差异化设计。

发明内容

本申请提出一种图片推送方法，该方法包括：

提取目标用户的多维度用户特征；

将所述目标用户的多维度用户特征在预设的多个数学模型中分别进行训练；其中，所述多个数学模型分别对应不同的图片类别；所述数学模型表征用户针对该数学模型对应的图片类别的点击概率；

当训练完成后，基于训练结果为所述目标用户确定目标图片类别，并从该目标图片类别中为所述目标用户选择并推送图片。

可选的，所述基于训练结果为所述目标用户确定目标图片类别包括：

将所述训练结果中点击概率最高的数学模型对应的图片类别确定为所述目标图片类别。

可选的，所述方法还包括：

针对图片库中的图片进行多维度图片特征的提取；

基于提取出的所述多维度图片特征中的每个维度对所述图片库中的图片进行分类，得到与所述多维度图片特征中的每个维度一一对应的多个图片类别。

可选的，所述基于提取出的多维度的图片特征对所述图片库中的图片进行分类之前，还包括：

针对所述多维度图片特征进行离散化处理。

可选的，所述方法还包括：

获取针对所述多个图片类别中每个图片类别的点击数据，以及与该点击数据关联的多维度用户特征；

将所述每个图片类别的点击数据作为表现变量，将与该点击数据关联的多维度用户特征作为预测变量分别构建对应的数学模型，得到所述预设的多个数学模型。

可选的，所述图片包括广告图片；所述数学模型包括统计模型或者机器学习模型。

本申请还提出一种图片推送装置，该装置包括：

第一提取模块，用于提取目标用户的多维度用户特征；

训练模块，用于将所述目标用户的多维度用户特征在预设的多个数学模型中分别进行训练；其中，所述多个数学模型分别对应不同的图片类别；所述数学模型表征用户针对该数学模型对应的图片类别的点击概率；

推送模块，用于在训练完成后，基于训练结果为所述目标用户确定目标图片类别，并从该目标图片类别中为所述目标用户选择并推送图片。

可选的，所述推送模块具体用于：

将所述训练结果中点击概率最高的数学模型对应的图片类别确定为所述目标图片类别。

可选的，所述装置还包括：

第二提取模块，用于针对图片库中的图片进行多维度图片特征的提取；

分类模块，用于基于提取出的所述多维度图片特征中的每个维度对所述图片库中的图片进行分类，得到与所述多维度图片特征中的每个维度一一对应的多个图片类别。

可选的，所述装置还包括：

处理模块，用于在分类模块基于提取出的多维度的图片特征对所述图片库中的图片进行分类之前，针对所述多维度图片特征进行离散化处理。

可选的，所述装置还包括：

获取模块，用于获取针对所述多个图片类别中每个图片类别的点击数据，以及与该点击数据关联的多维度用户特征；

构建模块，用于将所述每个图片类别的点击数据作为表现变量，将与该点击数据关联的多维度用户特征作为预测变量分别构建对应的数学模型，得到所述预设的多个数学模型。

可选的，所述图片包括广告图片；所述数学模型包括统计模型或者机器学习模型。

本申请通过提取目标用户的多维度用户特征；将所述目标用户的多维度用户特征在预设的多个数学模型中分别进行训练；其中，所述多个数学模型分别对应不同的图片类别；所述数学模型表征用户针对该数学模型对应的图片类别的点击概率；当训练完成后，基于训练结果为所述目标用户确定目标图片类别，并从该目标图片类别中为所述目标用户选择并推送图片，以在该目标用户的客户端界面上显示，从而可以在进行页面内容设计时针对不同的人群实现差异化设计。

附图说明

图1是本申请一实施例提供的一种图片推送方法的流程图；

图2是本申请一实施例提供的一种多维度的图片特征宽表的示意图；

图3是本申请一实施例提供的一种多维度的用户特征宽表的示意图；

图4是本申请一实施例提供的一种图片推送装置的逻辑框图；

图5是本申请一实施例提供的承载所述图片推送装置的服务端的硬件结构图。

具体实施方式

在现有实现中，UED(User Experience Design)设计师在针对各种不同场景进行页面内容设计时，针对不同的用户人群，页面中的展示图片应该设计成什么样的图案、颜色，展示什么样的文字内容，并没有统一的标准，更多的是依赖设计师个人的经验。

依赖UED设计师个人经验进行页面内容设计，其不足之处主要体现在：

其一，个人经验的无法科学化衡量，不利于传播及复用；其二，用户群体的种类比较多的情况下，无法进行差异化设计。

有鉴于此，本申请提出一种图片推送方法，通过提取目标用户的多维度用户特征；将所述目标用户的多维度用户特征在预设的多个数学模型中分别进行训练；其中，所述多个数学模型分别对应不同的图片类别；所述数学模型表征用户针对该数学模型对应的图片类别的点击概率；当训练完成后，基于训练结果为所述目标用户确定目标图片类别，并从该目标图片类别中为所述目标用户选择并推送图片，以在该目标用户的客户端界面上显示，从而可以在进行页面内容设计时针对不同的人群实现差异化设计。

下面通过具体实施例并结合具体的应用场景对本申请进行描述。

请参考图1，图1是本申请一实施例提供的一种图片推送方法，该方法的执行主体可以为服务端，其中服务端可以是服务器、服务器集群或者云平台，执行以下方法：

步骤101，提取目标用户的多维度用户特征；

步骤102，将所述目标用户的多维度用户特征在预设的多个数学模型中分别进行训练；其中，所述多个数学模型分别对应不同的图片类别；所述数学模型表征用户针对该数学模型对应的图片类别的点击概率；

步骤103，当训练完成后，基于训练结果为所述目标用户确定目标图片类别，并从该目标图片类别中为所述目标用户选择并推送图片，以在该目标用户的客户端界面上显示。

在本实施例中，上述预设的多个数据模型，可以由服务端基于图片的多维度图片特征，将本地图片库中的图片划分为多个图片分类，然后将每一个图片分类的点击数据作为表现变量，将与每一个图片分类的点击数据关联的用户的多维度用户特征作为预测变量进行数据训练，以完成数据模型的构建。

以下从准备阶段、数据样本采集阶段和模型构建阶段等三个阶段对上述预设的多个数学模型的构建过程进行详细描述。

1)准备阶段

在准备阶段，服务端首先可以基于预设的图像特征提取算法对本地图片库中的图片分别进行多维度图片特征的提取；其中，所述图像特征提取算法在本实施例中不进行特别限定；所述多维度图片特征可以是指多个维度的图片特征的组合；例如，该多维度图片特征可以包括图片结构、图片颜色、图片文案内容等多个维度的图片特征。

当服务端针对本地图片库中的图片进行了多个维度的图片特征的提取后，服务端可以对提取出的多个维度的图片特征进行自动组合，作为该图片的多维度图片特征；例如，假设服务端提取出的图片特征可以包括图片结构、图片颜色、图片文案内容等多个维度的图片特征，服务端可以基于提取出的图片结构、图片颜色以及图片文案内容等多个维度图片特征来组合构建出一个多维度的图片特征宽表，通过该图片特征宽表来描述图片库中的图片的特征。当然，在实现时，也可以由UED设计师从服务端提取出的图片特征中人工指定出多个维度的图片特征进行组合，作为该图片的多维度图片特征。

当服务端完成针对图片库中的图片进行多维度图片特征的提取后，可以基于提取出的多维度图片特征中的每个维度对图片库中的图片进行分类。

其中，在针对图片库中的图片进行分类前，服务端还可以对提取出的多维度图片特征进行离散化处理，从而使得在基于提取出的多维度图片特征对图片库中的图片进行分类时，更加易于分类。其中，所述离散化处理可以包括0-1离散化处理。

请参见图2，以所述离散化处理为0-1离散化处理为例，假设提取出的图片特征包括Z1、Z2、Z3等3个维度的图片特征，可以基于Z1、Z2、Z3等3个维度建立如图2所示出的多维度的图片特征宽表，其中该宽表的横向为图片编号，纵向为Z1、Z2、Z3等3个维度的图片特征；在针对Z1、Z2、Z3等3个维度的图片特征进行离散化处理时，如果某图片具备上述特征中的任一特征时，则在上述多维度的图片特征宽表中与该特征的对应位置取值为1；如果某图片不具备上述特征中的任一特征时，则在上述多维度的图片特征宽表中与该特征的对应位置取值为0。比如，请参见图2，图2中示出的多维度的图片特征宽表中第一行描述的内容为：图片1具有特征Z1和Z3，不具有特征Z2。

当离散化处理完成后，服务端可以基于提取出的所述多维度图片特征中的每个维度对图片库中离散化处理后的图片进行分类，得到多个图片类别，其中分类完成后得到的多个图片类别，分别与所述多维度图片特征中的每个维度一一对应。

仍以图2所示出的多维度的图片特征宽表为例，服务端在针对图片库中离散化处理后的图片进行分类时，可以遍历图2所示出的多维度的图片特征宽表，将所有具有特征Z1，即上述多维度的图片特征宽表中Z1取值为1的图片划分为一类，生成一个图片类别A；以此类推，还可以将所有具有特征Z2以及Z3的图片分别划分为图片类别B和图片类别C。可见，在对图片库中的图片进行分类前针对提取出的多维的图片特征进行离散化处理，可以使图片的分类更加便利。

2)数据样本采集阶段

数据样本采集阶段可以包括针对分类完成后的每一个图片类别的点击数据的提取，以及与点击数据关联的多维度用户特征的提取。

在本实施例中，服务端在提取每一个图片类别的点击数据，以及与点击数据关联的用户的多维度用户特征时，可以通过收集用户通过客户端与服务端进行交互过程中产生的交互数据来实现；其中，用户通过客户端与服务端进行交互过程中产生的交互数据可以包括cookie数据。

例如，客户端面向用户提供的图形用户界面(GUI)中，通常包括若干由服务端推送的用于在客户端界面中显示的图片，比如广告图片，当这些图片在用户的客户端上进行了展示或者用户对这些图片执行了点击操作后，都会触发客户端与服务端产生交互生成cookie数据，该cookie数据中可以记录图片的展示事件、点击事件、该图片的ID以及用户的特征数据等。因此服务端通过收集用户的客户端与服务端交互过程中生成的cookie数据，就可以提取到图片的ID，对应的点击数据，以及与本次点击数据关联的用户的特征数据。

其中，多维度用户特征，可以是指多个维度的用户特征的组合；例如，该多维度用户特征可以包括年龄、性别、职业等多个维度的用户特征。

服务端在从用户客户端与服务端进行交互过程中产生的交互数据中提取用户的特征数据时，可以基于多个维度进行提取，然后由服务端将提取出的针对每一个图片类别的点击数据，以及提取出的与该点击数据关联的多个维度的用户特征进行自动组合，作为该用户的多维度用户特征。当然，在实现时，也可以由UED设计师从服务端提取出的与该点击数据关联的用户特征中人工指定出多个维度的用户特征，与该点击数据进行自动组合，作为该用户的多维度用户特征。

请参见图3，服务端从用户客户端与服务端进行交互过程中产生的交互数据中，提取出了针对每一个图片类别的点击数据，以及与该点击数据关联的用户特征(即执行本次点击操作的用户的特征)后，假设提取出的点击数据用Y来标识，提取出的用户特征可以包括X1、X2…Xn等多个维度的用户特征，服务端可以将提取出的点击数据Y，以及与该点击数据Y关联的用户的X1、X2…Xn等多个维度的用户特征，来组合构建出一个如图3所示出的多维度的用户特征宽表，通过该用户特征宽表来描述用户的特征。

其中，该宽表的横向为图片编号，纵向为点击数据Y以及与之关联的X1、X2…Xn等n个维度的用户特征。服务端在构建上述多维度的用户特征宽表时，可以针对每一个图片类别分别构建一张上述多维的用户特征宽表。

另外，由于针对每一个图片类别的点击数据，以及与该点击数据关联的用户特征最终会作为样本数据构建数学模型，因此在开始构建数学模型之前，还需要预先对点击数据，以及与该点击数据关联的用户特征进行数据处理，处理成为可用的离散数据。

其中，在将点击数据，以及与该点击数据关联的用户特征转换处理为可用的离散数据时，仍然可以采用0-1离散化处理的方式。

例如，仍以图3所示出的多维度的用户特征宽表为例，在将点击数据，以及与该点击数据关联的用户特征转换为可用的离散数据时，对于点击数据Y，如果对应的图片在客户端上进行了展示并且发生了点击，则在上述多维度的用户特征宽表中与该图片的对应位置取值为1；如果对应的图片仅仅在客户端上进行了展示并未发生点击，则在上述多维度的用户特征宽表中与该图片的对应位置取值为0。对于与上述点击数据Y关联的用户特征，如果该用户特征中具备X1、X2…Xn等n个维度中的任意一个维度的用户特征时，则在上述多维度的用户特征宽表中与该维度的用户特征对应的位置取值为1，反之则取值为0。

比如，请继续参见图3，假设服务端通过提取到的点击数据判断出图3中的图片1在客户端上进行了展示并且发生了点击，而与本次点击数据关联的用户特征，具备X1、X2…Xn等n个维度中的X1和X2维度的用户特征，那么在图3中所示出的多维度的用户特征宽表中与图片1对应的点击数据Y的位置取值为1，与图片1对应的X1和X2的位置取值为1，其它位置取值为0。

服务端在将提取到的针对每一个图片类别的点击数据，以及与该点击数据关联的用户特征转换为可用的离散数据后，后续可以利用这些可用的离散数据进行数学模型的构建。

3)模型构建阶段

在本实施中，服务端可以针对每一个图片分类，分别构建一个对应的可以用于表征用户针对该图片分类的点击概率的数学模型。例如，假设服务端基于提取出多维度的图片特征对图片库中的图片进行分类后，得到图片分类A、图片分类B和图片分类C三个分类。服务端在构建上述数学模型时，可以针对图片分类A、图片分类B和图片分类C分别构建一个对应的数学模型。

服务端在构建模型时，首先可以从划分出的多个图片分类中选择一个图片分类，由于服务端已经预先为每个图片分类分别构建了如图3所示出的多维度的用户特征宽表，并且该用户特征宽表中记录的点击数据以及与该点击数据关联的用户特征已经转换为可用的离散化数据，因此服务端可以直接从与该图片分类对应的多维度的用户特征宽表中，读取已经离散化处理后的点击数据以及与该点击数据关联的用户特征数据，然后将读取到的点击数据作为表现变量，将与该点击数据关联的用户特征数据作为预测变量进行数据训练，来构建对应的数学模型。当该图片分类对应的数据模型构建完成后，服务端重复以上过程，从划分出的多个图片分类中再选择一个图片分类进行数据模型构建，直到为所有图片分类分别构建出一个对应的数学模型。

在本实施例中，所述数学模型可以包括统计模型或者机器学习模型，在本实施例中不进行特别限定。

例如，在实现时，所述数学模型可以采用诸如线性模型或者逻辑回归模型等统计模型，也可以采用诸如多层神经网、卷积神经网等机器学习模型。由于在构建数学模型的过程中，所采用的表现变量为图片的点击数据，所采用的预测变量为与上述图片的点击数据关联的用户特征数据，因此最终构建出的数学模型可以用于表征用户针对与该数学模型对应图片分类的点击概率。

其中，值得说明的是，对于构建完成的数学模型，服务端还可以基于预设的大量样本数据对该数学模型的准确性进行评估，例如，服务端可以将提取到多维度的用户特征数据作为样本数据输入到构建完成的数学模型中进行训练，然后将实际产生的点击数据作为参照，与训练出的结果进行比对来验证训练结果的准确性，如果训练结果不准确，还可以通过对该数学模型中的参数进行整，不断的对该数据模型进行优化，直到该数学模型的准确度达到一定的准确度阈值。

在本实施例中，对于构建完成的数学模型，可以将目标用户的多维度用户特征作为训练样本分别输入到构建完成的数学模型中进行训练，来对目标用户进行图片偏好度量。由于每一个数学模型分别对应一个图片分类，而且不同的图片分类均对应不同维度的图片特征，因此将目标用户的多维度用户特征作为训练样本输入到构建完成的数学模型中分别进行训练后，训练出的结果可以用于表征该目标用户针对不同图片分类的偏好。

例如，将目标用户的多维度特征作为训练样本，分别输入到构建完成的多个数学模型中后，可以分别得到一个点击概率值。对于不同的图片分类，由于对应不同维度的图片特征，训练出的点击概率值可能各不相同，而点击概率值越高表明用户可能对该图片分类中的图片有所偏好，因此通过比对训练出的点击概率值的差异，就可以了解到用户针对不同图片分类的偏好。

在本实施例中，服务端可以利用上述训练结果，为目标用户确定目标图片类别，并从该目标图片类别中为该目标用户选择并推送图片，以在该目标用户的客户端界面中进行显示，因此在针对不同的目标用户的客户端界面进行页面内容设计时，服务端可以针对不同的目标用户推送不同类别的图片，从而可以实现差异化设计。

例如，在本实施例示出的一种实施方式中，当将目标用户的多维度用户特征作为训练样本分别输入到构建完成的多个数学模型中后，服务端在为该目标用户确定目标图片分类时，可以对训练出的点击概率值分别进行比对，然后将训练出的点击概率值最高的数学模型所对应的图片类别确定为上述目标图片类别，并从该目标图片类别中为该目标用户选择图片，然后将选择出的图片推送到该目标用户的客户端，在该目标用户的客户端界面上显示。通过这种方式，在针对不同的目标用户的客户端界面进行页面内容设计时，由于服务端针对目标用户推送的图片为训练出的点击概率值最高的图片类别中的图片，因此在页面内容设计完成后可以提高用户针对客户端界面中显示的图片的点击概率。

当然，服务端在为目标用户确定目标图片类别时，除了以上描述的将训练出的点击概率值最高的数学模型对应的图片类别确定为上述目标图片类别的实施方式以外，也可以通过其它的实施方式来实现。

例如，在针对不同的目标用户进行页面内容设计时，在目标用户的客户端界面中显示什么样的图片，除了需要考虑用户针对不同图片类别的偏好程度以外，通常可能还需要将用户的偏好与其他因素结合起来综合考虑。比如，为了提升用户针对客户端界面的整体观感，除了需要考虑用户针对不同图片类别的偏好以外，通常还可能需要考虑到图片与客户端界面外观上的匹配程度(比如色调等)，因此服务端在为目标用户确定目标图片类别时，可以基于上述训练结果，在用户针对不同图片类别的偏好程度的基础上，再通过引入其他因素进行综合分析，来为用户确定目标图片分类。其中，该其他因素在本申请中不进行特别限定，可以根据具体的用户需求进行选择。

在本实施例中，当将目标用户的多维度特征作为训练样本，分别在构建完成的上述多个数据模型中训练完成后，服务端还可以将上述训练结果直接呈现给UED设计人员，由于该训练结果表征用户针对不同图片类别的偏好程度，因此UED设计人员可以参考上述训练结果，针对不同的目标用户分别推送不同类别的图片，从而在针对不同的目标用户的客户端界面进行页面内容设计时，可以实现差异化设计。

以下通过一个具体的应用场景对以上实施例的技术方案进行描述。

在实际应用中，上述实施例中的技术方案可以应用到广告图片设计的应用场景中，在广告图片设计的应用场景中，上述图片库可以是服务端本地的广告图片库。

服务端可以基于广告图片库中的图片的多维度图片特征，将广告图片库中的广告图片划分成为多个广告图片分类，并提取每一个广告图片分类的点击数据以及关联的用户特征，然后将针对每一个广告图片分类的点击数据作为表现变量，将关联的用户特征作为预测变量进行数据训练，为上述多个广告图片分类分别构建一个对应的数学模型。此时训练完成的数据模型表征用户针对该数据模型对应的广告图片分类的点击概率。

在针对目标用户的客户端界面进行广告图片设计的过程中，当需要向目标用户的客户端界面推送广告图片时，服务端可以将该目标用户的多维度特征作为输入数据在构建完成的数学模型中分别进行训练，由于已构建完成的数学模型分别对应一个广告图片分类，因此将该目标用户的多维度特征在训练完成的数学模型中分别进行训练后，可以得到目标用户针对每一个广告图片分类的点击概率值。

一方面，服务端可以自动对训练出的点击概率值进行比对，然后在训练出的点击概率值最高的数学模型对应的广告图片分类中，为该目标用户选择并推送广告图片，在该目标用户的客户端界面中进行显示。

另一方面，可以将训练出的点击概率值作为目标用户针对不同广告图片分类的偏好，呈现给UED设计人员，UED设计人员可以通过对训练结果进行人工分析，从训练出的点击概率值最高的数学模型对应的广告图片分类中，为该目标用户选择并推送广告图片，在该目标用户的客户端界面中进行显示。

可见，由于不同的目标用户的多维度特征，在构建完成的数学模型中分别进行训练后，所得到的针对每一个广告图片分类的点击概率值可能各不相同，因此通过这种方式，不仅可以针对不同目标用户推送不同类别的广告图片，来实现广告图片的差异化设计，还可以提高目标用户针对客户端界面中显示的广告图片的点击率。

由上述实施例可见，本申请通过提取目标用户的多维度用户特征；将所述目标用户的多维度用户特征在预设的多个数学模型中分别进行训练；其中，所述多个数学模型分别对应不同的图片类别；所述数学模型表征用户针对该数学模型对应的图片类别的点击概率；当训练完成后，基于训练结果为所述目标用户确定目标图片类别，并从该目标图片类别中为所述目标用户选择并推送图片，以在该目标用户的客户端界面上显示，从而可以在进行页面内容设计时针对不同的人群实现差异化设计。

当本申请的技术方案应用于广告图片设计的应用场景时，不仅可以针对不同目标用户推送不同类别的广告图片，来实现广告图片的差异化设计，还可以提高目标用户针对客户端界面中显示的广告图片的点击率。

与上述方法实施例相对应，本申请还提供了装置的实施例。

请参见图4，本申请提出一种图片推送装置40，应用于服务端，该终端可以是服务服务器、服务器集群或者云平台；其中，请参见图5，作为承载所述图片推送装置40的服务端所涉及的硬件架构中，通常包括CPU、内存、非易失性存储器、网络接口以及内部总线等；以软件实现为例，所述图片推送装置40通常可以理解为加载在内存中的计算机程序，通过CPU运行之后形成的软硬件相结合的逻辑装置，所述装置40包括：

第一提取模块401，用于提取目标用户的多维度用户特征；

训练模块402，用于将所述目标用户的多维度用户特征在预设的多个数学模型中分别进行训练；其中，所述多个数学模型分别对应不同的图片类别；所述数学模型表征用户针对该数学模型对应的图片类别的点击概率；

推送模块403，用于在训练完成后，基于训练结果为所述目标用户确定目标图片类别，并从该目标图片类别中为所述目标用户选择并推送图片。

在本实施例中，所述推送模块403具体用于：

将所述训练结果中点击概率最高的数学模型对应的图片类别确定为所述目标图片类别。

在本实施例中，所述装置40还包括：

第二提取模块404，用于针对图片库中的图片进行多维度图片特征的提取；

分类模块405，用于基于提取出的所述多维度图片特征中的每个维度对所述图片库中的图片进行分类，得到与所述多维度图片特征中的每个维度一一对应的多个图片类别。

在本实施例中，所述装置40还包括：

处理模块406，用于在分类模块基于提取出的多维度的图片特征对所述图片库中的图片进行分类之前，针对所述多维度图片特征进行离散化处理。

在本实施例中，所述装置40还包括：

获取模块407，用于获取针对所述多个图片类别中每个图片类别的点击数据，以及与该点击数据关联的多维度用户特征；

构建模块408，用于将所述每个图片类别的点击数据作为表现变量，将与该点击数据关联的多维度用户特征作为预测变量分别构建对应的数学模型，得到所述预设的多个数学模型。

在本实施例中，所述图片包括广告图片；所述数学模型包括统计模型或者机器学习模型。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (12)

1.一种图片推送方法，其特征在于，该方法包括：

提取目标用户的多维度用户特征；

将所述目标用户的多维度用户特征在预设的多个数学模型中分别进行训练；其中，所述多个数学模型分别对应不同的图片类别；所述数学模型表征用户针对该数学模型对应的图片类别的点击概率；

当训练完成后，基于训练结果为所述目标用户确定目标图片类别，并从该目标图片类别中为所述目标用户选择并推送图片。

2.根据权利要求1所述的方法，其特征在于，所述基于训练结果为所述目标用户确定目标图片类别包括：

将所述训练结果中点击概率最高的数学模型对应的图片类别确定为所述目标图片类别。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

针对图片库中的图片进行多维度图片特征的提取；

基于提取出的所述多维度图片特征中的每个维度对所述图片库中的图片进行分类，得到与所述多维度图片特征中的每个维度一一对应的多个图片类别。

4.根据权利要求3所述的方法，其特征在于，所述基于提取出的多维度的图片特征对所述图片库中的图片进行分类之前，还包括：

针对所述多维度图片特征进行离散化处理。

5.根据权利要求3所述的方法，其特征在于，所述方法还包括：

获取针对所述多个图片类别中每个图片类别的点击数据，以及与该点击数据关联的多维度用户特征；

将所述每个图片类别的点击数据作为表现变量，将与该点击数据关联的多维度用户特征作为预测变量分别构建对应的数学模型，得到所述预设的多个数学模型。

6.根据权利要求1所述的方法，其特征在于，所述图片包括广告图片；所述数学模型包括统计模型或者机器学习模型。

7.一种图片推送装置，其特征在于，该装置包括：

第一提取模块，用于提取目标用户的多维度用户特征；

训练模块，用于将所述目标用户的多维度用户特征在预设的多个数学模型中分别进行训练；其中，所述多个数学模型分别对应不同的图片类别；所述数学模型表征用户针对该数学模型对应的图片类别的点击概率；

推送模块，用于在训练完成后，基于训练结果为所述目标用户确定目标图片类别，并从该目标图片类别中为所述目标用户选择并推送图片。

8.根据权利要求7所述的装置，其特征在于，所述推送模块具体用于：

将所述训练结果中点击概率最高的数学模型对应的图片类别确定为所述目标图片类别。

9.根据权利要求7所述的装置，其特征在于，所述装置还包括：

第二提取模块，用于针对图片库中的图片进行多维度图片特征的提取；

分类模块，用于基于提取出的所述多维度图片特征中的每个维度对所述图片库中的图片进行分类，得到与所述多维度图片特征中的每个维度一一对应的多个图片类别。

10.根据权利要求9所述的装置，其特征在于，所述装置还包括：

处理模块，用于在分类模块基于提取出的多维度的图片特征对所述图片库中的图片进行分类之前，针对所述多维度图片特征进行离散化处理。

11.根据权利要求9所述的装置，其特征在于，所述装置还包括：

获取模块，用于获取针对所述多个图片类别中每个图片类别的点击数据，以及与该点击数据关联的多维度用户特征；

构建模块，用于将所述每个图片类别的点击数据作为表现变量，将与该点击数据关联的多维度用户特征作为预测变量分别构建对应的数学模型，得到所述预设的多个数学模型。

12.根据权利要求5所述的装置，其特征在于，所述图片包括广告图片；所述数学模型包括统计模型或者机器学习模型。