CN106485567A - 物品推荐方法及装置 - Google Patents

Abstract

本公开关于一种物品推荐方法及装置，属于图像处理技术领域。所述方法包括：根据预设算法确定图像中的对象的第一特征向量，所述第一特征向量包括所述对象分别属于预设的v个类别中每个类别的概率，v为正整数；根据所述预设算法确定物品推荐系统中每个待推荐物品的第二特征向量，所述第二特征向量包括所述待推荐物品分别属于所述v个类别中每个类别的概率；分别计算所述第一特征向量与每个第二特征向量之间的相似度；按照相似度由大到小的顺序对所述待推荐物品进行推荐。本公开解决了在对图像的分类不准确，导致推荐物品不准确的问题，达到了提高推荐物品的准确性的效果。

Description

物品推荐方法及装置

技术领域

本公开涉及图像处理技术领域，特别涉及一种物品推荐方法及装置。

背景技术

随着终端的普及，使用终端随时随地的记录生活已经成为用户的生活常态。随着用户保存在终端中的图像越来越多，如何利用这些图像为用户提供个性化推荐服务成为人们研究的热点问题。

相关技术中，终端对存储的图像进行分类，在得到图像的分类结果后，在物品推荐系统中查找该分类结果对应的待推荐物品，向终端的用户推荐该待推荐物品。

发明内容

为解决相关技术中的问题，本公开提供了一种物品推荐方法及装置。

根据本公开实施例的第一方面，提供一种物品推荐方法，所述方法包括：

根据预设算法确定图像中的对象的第一特征向量，所述第一特征向量包括所述对象分别属于预设的v个类别中每个类别的概率，v为正整数；

根据所述预设算法确定物品推荐系统中每个待推荐物品的第二特征向量，所述第二特征向量包括所述待推荐物品分别属于所述v个类别中每个类别的概率；

分别计算所述第一特征向量与每个第二特征向量之间的相似度；

按照相似度由大到小的顺序对所述待推荐物品进行推荐。

可选的，所述分别计算所述第一特征向量与每个第二特征向量之间的相似度，包括：

分别计算所述第一特征向量与每个第二特征向量之间的欧氏距离；

根据所述欧式距离确定所述第一特征向量与对应的第二特征向量之间的相似度，所述欧氏距离与所述相似度呈负相关关系。

可选的，所述分别计算所述第一特征向量与每个第二特征向量之间的欧氏距离，包括：

根据D_i＝||FC₀-FC_i||计算所述第一特征向量与第i个所述第二特征向量之间的欧氏距离；

其中，所述FC₀表示所述第一特征向量，所述FC_i表示第i个所述第二特征向量。

可选的，所述根据预设算法确定图像中的对象的第一特征向量，包括：

按照预设的卷积窗口对所述图像进行卷积，得到全局矩阵；

从所述图像中选取n个滑动窗口，n为正整数；

对于所述n个滑动窗口中的每个滑动窗口，在所述全局矩阵中查找与所述滑动窗口具有映射关系的局部矩阵；

对查找到的n个局部矩阵进行池化处理；

对池化处理得到的n个局部矩阵进行全连接处理，得到n个对象的第一特征向量。

可选的，所述物品推荐系统中的待推荐物品是具有折扣的物品。

根据本公开实施例的第二方面，提供一种物品推荐装置，所述装置包括：

第一确定模块，被配置为根据预设算法确定图像中的对象的第一特征向量，所述第一特征向量包括所述对象分别属于预设的v个类别中每个类别的概率，v为正整数；

第二确定模块，被配置为根据所述预设算法确定物品推荐系统中每个待推荐物品的第二特征向量，所述第二特征向量包括所述待推荐物品分别属于所述v个类别中每个类别的概率；

计算模块，被配置为分别计算所述第一确定模块得到的所述第一特征向量与所述第二确定模块得到的每个第二特征向量之间的相似度；

推荐模块，被配置为按照所述计算模块得到的相似度由大到小的顺序对所述待推荐物品进行推荐。

可选的，所述计算模块，包括：

第一计算子模块，被配置为分别计算所述第一特征向量与每个第二特征向量之间的欧氏距离；

第二计算子模块，被配置为根据所述第一计算子模块得到的所述欧式距离确定所述第一特征向量与对应的第二特征向量之间的相似度，所述欧氏距离与所述相似度呈负相关关系。

可选的，所述第一计算子模块，还被配置为：

根据D_i＝||FC₀-FC_i||计算所述第一特征向量与第i个所述第二特征向量之间的欧氏距离；

其中，所述FC₀表示所述第一特征向量，所述FC_i表示第i个所述第二特征向量。

可选的，所述第一确定模块，包括：

第三计算子模块，被配置为按照预设的卷积窗口对所述图像进行卷积，得到全局矩阵；

选取子模块，被配置为从所述图像中选取n个滑动窗口，n为正整数；

查找子模块，被配置为对于所述选取子模块选取的所述n个滑动窗口中的每个滑动窗口，在所述第三计算子模块得到的所述全局矩阵中查找与所述滑动窗口具有映射关系的局部矩阵；

池化子模块，被配置为对所述查找子模块查找到的n个局部矩阵进行池化处理；

确定子模块，被配置为对所述池化子模块池化处理得到的n个局部矩阵进行全连接处理，得到n个对象的第一特征向量。

可选的，所述物品推荐系统中的待推荐物品是具有折扣的物品。

根据本公开实施例的第三方面，提供一种物品推荐装置，所述装置包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

根据预设算法确定图像中的对象的第一特征向量，所述第一特征向量包括所述对象分别属于预设的v个类别中每个类别的概率，v为正整数；

根据所述预设算法确定物品推荐系统中每个待推荐物品的第二特征向量，所述第二特征向量包括所述待推荐物品分别属于所述v个类别中每个类别的概率；

分别计算所述第一特征向量与每个第二特征向量之间的相似度；

按照相似度由大到小的顺序对所述待推荐物品进行推荐。

本公开的实施例提供的技术方案可以包括以下有益效果：

通过根据预设算法确定图像中的对象的第一特征向量；根据预设算法确定物品推荐系统中每个待推荐物品的第二特征向量；分别计算第一特征向量与每个第二特征向量之间的相似度；按照相似度由大到小的顺序对待推荐物品进行推荐，这样，可以直接根据对象的特征来推荐待推荐物品，而不需要先对图像分类，再根据分类结果推荐待推荐物品，解决了在对图像的分类不准确，导致推荐物品不准确的问题，达到了提高推荐物品的准确性的效果。

物品推荐系统中的待推荐物品是具有折扣的物品，此时，由于推荐的物品具有折扣，因此，终端的用户很可能会购买这些物品，从而提高物品推荐的成功率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本公开说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的一种物品推荐方法的流程图。

图2是根据另一示例性实施例示出的一种物品推荐方法的流程图。

图3是根据一示例性实施例示出的一种物品推荐装置的框图。

图4是根据一示例性实施例示出的一种物品推荐装置的框图。

图5是根据一示例性实施例示出的一种用于物品推荐的装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

图1是根据一示例性实施例示出的一种物品推荐方法的流程图，该物品推荐方法应用于终端中，如图1所示，该物品推荐方法包括以下步骤。

在步骤101中，根据预设算法确定图像中的对象的第一特征向量，第一特征向量包括对象分别属于预设的v个类别中每个类别的概率，v为正整数。

在步骤102中，根据预设算法确定物品推荐系统中每个待推荐物品的第二特征向量，第二特征向量包括待推荐物品分别属于v个类别中每个类别的概率。

在步骤103中，分别计算第一特征向量与每个第二特征向量之间的相似度。

在步骤104中，按照相似度由大到小的顺序对待推荐物品进行推荐。

综上所述，本公开提供的物品推荐方法，通过根据预设算法确定图像中的对象的第一特征向量；根据预设算法确定物品推荐系统中每个待推荐物品的第二特征向量；分别计算第一特征向量与每个第二特征向量之间的相似度；按照相似度由大到小的顺序对待推荐物品进行推荐，这样，可以直接根据对象的特征来推荐待推荐物品，而不需要先对图像分类，再根据分类结果推荐待推荐物品，解决了在对图像的分类不准确，导致推荐物品不准确的问题，达到了提高推荐物品的准确性的效果。

图2是根据另一示例性实施例示出的一种物品推荐方法的流程图，该物品推荐方法应用于终端中，如图2所示，该物品推荐方法包括如下步骤。

在步骤201中，按照预设的卷积窗口对图像进行卷积，得到全局矩阵。

图像可以是终端拍摄得到的图像，也可以是终端从网络中下载并存储的图像，还可以是终端从其他终端获取到的图像，本实施例不限定图像的来源。

其中，终端获取的图像中需要包括对象，对象至少包括物品，还可以包括人物、动物、植物、建筑物等等，本实施例不作限定。

本实施例中，终端将图像输入到预设算法中，利用预设算法对图像进行处理。其中，预设算法可以是Fast(快速)RCNN(Fast Region Based Convolutional NeuralNetwork，基于区域的卷积神经网络)算法，下面以Fast RCNN算法进行举例说明。

在实现时，用户可以预先设置Fast RCNN算法中的卷积窗口，当终端将图像输入到Fast RCNN算法后，终端利用卷积窗口对图像进行卷积，得到全局矩阵。其中，全局矩阵是指对图像进行卷积后得到的完整的矩阵。

本实施例中，全局矩阵可以是二维矩阵，也可以是三维矩阵。当全局矩阵是二维矩阵时，图像没有RGB特征，此时全局矩阵为r×s的全局矩阵；当全局矩阵是三维矩阵时，图像具有RGB特征，此时全局矩阵为r×s×t的全局矩阵，t为3，r、s均为正整数。其中，R代表红色、G代表绿色、B代表蓝色。

在步骤202中，从图像中选取n个滑动窗口，n为正整数。

用户可以预先设置在图像中横向和纵向选取的滑动窗口的数量，终端根据该数量选取n个滑动窗口，n为正整数。本实施例不限定滑动窗口的形状。

由于图像中的对象的尺寸不定，一个滑动窗口内可能包括多个对象，也可能只包括一个对象的部分，因此，为了提高选取的滑动窗口能够包括一个完整的对象的概率，终端还可以对滑动窗口设置不同的尺寸，并在图像中的每个位置选取尺寸不同的至少两个滑动窗口。

例如，假设用户设置在图像中横向选取60个滑动窗口，纵向选取80个滑动窗口，且在每个位置选取3个尺寸不同的滑动窗口，则终端最终选取得到的60×80×3个滑动窗口。

在终端选取到n个滑动窗口后，还需要获取每个滑动窗口的原始坐标，以标识滑动窗口。其中，原始坐标可以由滑动窗口左上角和右下角的坐标确定，也可以由滑动窗口右上角和左下角的坐标确定，还可以由左上角、右上角、左下角、右下角这四者中的三个或四个坐标确定。

原始坐标中的第一个数值指示横向位置，第二个数值指示纵向位置。

其中，本实施例不限定步骤202和步骤203之间的执行顺序。

在步骤203中，对于n个滑动窗口中的每个滑动窗口，在全局矩阵中查找与滑动窗口具有映射关系的局部矩阵。

由于全局矩阵是对图像进行卷积得到的，而每个滑动窗口都是从图像中选取的，因此，每个滑动窗口与全局矩阵中对应位置的部分数据具有映射关系，本实施例中将全局矩阵中与滑动窗口具有映射关系的部分数据称为局部矩阵。

其中，局部矩阵与滑动窗口的位置的表达方式相同。即，如果终端利用滑动窗口的左上角和右下角的坐标表示滑动窗口的原始坐标，那么，终端利用局部矩阵的左上角的数据和右下角的数据的坐标表示局部矩阵的原始坐标。

例如，三维的r×s×t的全局矩阵中，一个滑动窗口对应的局部矩阵为a×b×t，a为小于r的正整数，b为小于s的正整数。

在步骤204中，对查找到的n个局部矩阵进行池化处理。

终端从局部矩阵中每k个数据中提取出一个数据进行保留，删除剩余k-1个数据，以达到降低局部矩阵的维数的目的，减少计算复杂度，k≥2。

在从k个数据中提取一个数据时，终端可以取k个数据中的最大值，将该最大值作为提取出的数据，删除剩余k-1个数据。

可选的，终端还可以循环执行步骤201至步骤205，以提高计算结果的准确性。

在步骤205中，对池化处理得到的n个局部矩阵进行全连接处理，得到n个对象的第一特征向量，第一特征向量包括对象分别属于预设的v个类别中每个类别的概率，v为正整数。

对于池化处理得到的每个局部矩阵，终端按照从左向右、从上向下的顺序纵向排列成一个p×1维的第一向量。其中，由于每个局部矩阵的维数不固定，因此，p可以是任意数值。例如，局部矩阵则确定p为4，得到的第一矩阵m＝[1 2 3 4]^T。

在进行全连接处理时，在第一个全连接层，终端利用w×p维的第一矩阵乘以p×1维的第一向量，得到w×1维的第二向量；在第二个全连接层，终端利用w×w维的第二矩阵乘以w×1维的第二向量，得到w×1维的第三向量；终端再利用v×w维的第三矩阵乘以w×1维的第三向量，得到v×1维的第四向量，将第四向量称为第一特征向量。

通常，w的数值为4096。v表示对象可能的类别，可以在将图像输入到Fast RCNN算法中进行处理之前，由用户指定。本实施例中，v的数值可以等于物品推荐系统中所有物品所属的类别之和。例如，当物品推荐系统包括1000个类别的商品时，v的数值为1000。此时，第一特征向量中的每个数值用于表示对象属于对应的类别的概率。

其中，第一矩阵、第二矩阵和第三矩阵是通过模型训练得到的，在此不作赘述。

其中，步骤205得到的是图像中所有对象的第一特征向量，对于每个对象的第一特征向量，终端执行步骤206至步骤209，以推荐与该对象相似的待推荐物品。

在步骤206中，根据预设算法确定物品推荐系统中每个待推荐物品的第二特征向量，第二特征向量包括待推荐物品分别属于v个类别中每个类别的概率。

由于物品推荐系统中的每个待推荐物品都具有图像，因此，对于物体推荐系统中每个待推荐物品的图像，终端都可以执行步骤201至步骤205来获取每个待推荐物品的特征向量，本实施例中将该特征向量称为第二特征向量。本实施例不对计算第二特征向量的过程作赘述。

在步骤207中，分别计算第一特征向量与每个第二特征向量之间的欧氏距离。

本实施例中，分别计算第一特征向量与每个第二特征向量之间的欧氏距离，包括：根据D_i＝||FC₀-FC_i||计算第一特征向量与第i个第二特征向量之间的欧氏距离；其中，FC₀表示第一特征向量，FC_i表示第i个第二特征向量。

本实施例中，将第一特征向量表示成FC₀，将第i个待推荐物品的第二特征向量表示成FC_i，此时，欧式距离D_i＝||FC₀-FC_i||。

在步骤208中，根据欧式距离确定第一特征向量与对应的第二特征向量之间的相似度，欧氏距离与相似度呈负相关关系。

由于欧氏距离越小，说明第二特征向量与第一特征向量越相似，欧氏距离越大，说明第二特征向量与第一特征向量越不相似，因此，终端可以根据欧式距离确定第一特征向量与第二特征向量之间的相似度，从而确定对象与待推荐物品的相似度。

在步骤209中，按照相似度由大到小的顺序对待推荐物品进行推荐。

终端可以根据按照欧式距离由小到大的顺序对对应的待推荐物品进行排序，并按照排序顺序对待推荐物品进行推荐。即，终端优先推荐欧氏距离小的第二特征向量所对应的待推荐物品，此时，用户可能对该物品比较感兴趣，可以提高推荐的准确性，提升用户体验。

可选的，物品推荐系统中的待推荐物品是具有折扣的物品。由于推荐的物品具有折扣，因此，终端的用户很可能会购买这些物品，从而提高物品推荐的成功率。

综上所述，本公开提供的物品推荐方法，通过根据预设算法确定图像中的对象的第一特征向量；根据预设算法确定物品推荐系统中每个待推荐物品的第二特征向量；分别计算第一特征向量与每个第二特征向量之间的相似度；按照相似度由大到小的顺序对待推荐物品进行推荐，这样，可以直接根据对象的特征来推荐待推荐物品，而不需要先对图像分类，再根据分类结果推荐待推荐物品，解决了在对图像的分类不准确，导致推荐物品不准确的问题，达到了提高推荐物品的准确性的效果。

物品推荐系统中的待推荐物品是具有折扣的物品，此时，由于推荐的物品具有折扣，因此，终端的用户很可能会购买这些物品，从而提高物品推荐的成功率。

图3是根据一示例性实施例示出的一种物品推荐装置的框图，该物品推荐装置应用于终端中，如图3所示，该物品推荐装置包括：第一确定模块310、第二确定模块320、计算模块330和推荐模块340。

该第一确定模块310，被配置为根据预设算法确定图像中的对象的第一特征向量，第一特征向量包括对象分别属于预设的v个类别中每个类别的概率，v为正整数；

该第二确定模块320，被配置为根据预设算法确定物品推荐系统中每个待推荐物品的第二特征向量，第二特征向量包括待推荐物品分别属于v个类别中每个类别的概率；

该计算模块330，被配置为分别计算第一确定模块310得到的第一特征向量与第二确定模块320得到的每个第二特征向量之间的相似度；

该推荐模块340，被配置为按照计算模块330得到的相似度由大到小的顺序对待推荐物品进行推荐。

综上所述，本公开提供的物品推荐装置，通过根据预设算法确定图像中的对象的第一特征向量；根据预设算法确定物品推荐系统中每个待推荐物品的第二特征向量；分别计算第一特征向量与每个第二特征向量之间的相似度；按照相似度由大到小的顺序对待推荐物品进行推荐，这样，可以直接根据对象的特征来推荐待推荐物品，而不需要先对图像分类，再根据分类结果推荐待推荐物品，解决了在对图像的分类不准确，导致推荐物品不准确的问题，达到了提高推荐物品的准确性的效果。

图4是根据一示例性实施例示出的一种物品推荐装置的框图，该物品推荐装置应用于终端中，如图4所示，该物品推荐装置包括：第一确定模块410、第二确定模块420、计算模块430和推荐模块440。

该第一确定模块410，被配置为根据预设算法确定图像中的对象的第一特征向量，第一特征向量包括对象分别属于预设的v个类别中每个类别的概率，v为正整数；

该第二确定模块420，被配置为根据预设算法确定物品推荐系统中每个待推荐物品的第二特征向量，第二特征向量包括待推荐物品分别属于v个类别中每个类别的概率；

该计算模块430，被配置为分别计算第一确定模块410得到的第一特征向量与第二确定模块420得到的每个第二特征向量之间的相似度；

该推荐模块440，被配置为按照计算模块430得到的相似度由大到小的顺序对待推荐物品进行推荐。

终端可以根据按照欧式距离由小到大的顺序对对应的待推荐物品进行排序，并按照排序顺序对待推荐物品进行推荐。即，终端优先推荐欧氏距离小的第二特征向量所对应的待推荐物品，此时，用户可能对该物品比较感兴趣，可以提高推荐的准确性，提升用户体验。

可选的，计算模块430，包括：第一计算子模块431和第二计算子模块432；

该第一计算子模块431，被配置为分别计算第一特征向量与每个第二特征向量之间的欧氏距离；

可选的，第一计算子模块431，还被配置为：

根据D_i＝||FC₀-FC_i||计算第一特征向量与第i个第二特征向量之间的欧氏距离；

其中，FC₀表示第一特征向量，FC_i表示第i个第二特征向量。

本实施例中，将第一特征向量表示成FC₀，将第i个待推荐物品的第二特征向量表示成FC_i，此时，欧式距离D_i＝||FC₀-FC_i||。

该第二计算子模块432，被配置为根据第一计算子模块431得到的欧式距离确定第一特征向量与对应的第二特征向量之间的相似度，欧氏距离与相似度呈负相关关系。

由于欧氏距离越小，说明第二特征向量与第一特征向量越相似，欧氏距离越大，说明第二特征向量与第一特征向量越不相似，因此，终端可以根据欧式距离确定第一特征向量与第二特征向量之间的相似度，从而确定对象与待推荐物品的相似度。

可选的，第一确定模块410，包括：第三计算子模块411、选取子模块412、查找子模块413、池化子模块414和确定子模块415；

该第三计算子模块411，被配置为按照预设的卷积窗口对图像进行卷积，得到全局矩阵；

本实施例中，终端将图像输入到预设算法中，利用预设算法对图像进行处理。其中，预设算法可以是Fast RCNN算法，下面以Fast RCNN算法进行举例说明。

在实现时，用户可以预先设置Fast RCNN算法中的卷积窗口，当终端将图像输入到Fast RCNN算法后，终端利用卷积窗口对图像进行卷积，得到全局矩阵。其中，全局矩阵是指对图像进行卷积后得到的完整的矩阵。

本实施例中，全局矩阵可以是二维矩阵，也可以是三维矩阵。当全局矩阵是二维矩阵时，图像没有RGB特征，此时全局矩阵为r×s的全局矩阵；当全局矩阵是三维矩阵时，图像具有RGB特征，此时全局矩阵为r×s×t的全局矩阵，t为3，r、s均为正整数。其中，R代表红色、G代表绿色、B代表蓝色。

该选取子模块412，被配置为从图像中选取n个滑动窗口，n为正整数；

用户可以预先设置在图像中横向和纵向选取的滑动窗口的数量，终端根据该数量选取n个滑动窗口，n为正整数。本实施例不限定滑动窗口的形状。

由于图像中的对象的尺寸不定，一个滑动窗口内可能包括多个对象，也可能只包括一个对象的部分，因此，为了提高选取的滑动窗口能够包括一个完整的对象的概率，终端还可以对滑动窗口设置不同的尺寸，并在图像中的每个位置选取尺寸不同的至少两个滑动窗口。

该查找子模块413，被配置为对于选取子模块412选取的n个滑动窗口中的每个滑动窗口，在第三计算子模块411得到的全局矩阵中查找与滑动窗口具有映射关系的局部矩阵；

由于全局矩阵是对图像进行卷积得到的，而每个滑动窗口都是从图像中选取的，因此，每个滑动窗口与全局矩阵中对应位置的部分数据具有映射关系，本实施例中将全局矩阵中与滑动窗口具有映射关系的部分数据称为局部矩阵。

该池化子模块414，被配置为对查找子模块413查找到的n个局部矩阵进行池化处理；

终端从局部矩阵中每k个数据中提取出一个数据进行保留，删除剩余k-1个数据，以达到降低局部矩阵的维数的目的，减少计算复杂度，k≥2。

在从k个数据中提取一个数据时，终端可以取k个数据中的最大值，将该最大值作为提取出的数据，删除剩余k-1个数据。

该确定子模块415，被配置为对池化子模块414池化处理得到的n个局部矩阵进行全连接处理，得到对象的第一特征向量。

对于池化处理得到的每个局部矩阵，终端按照从左向右、从上向下的顺序纵向排列成一个p×1维的第一向量。其中，由于每个局部矩阵的维数不固定，因此，p可以是任意数值。例如，局部矩阵则确定p为4，得到的第一矩阵m＝[1 2 3 4]^T。

在进行全连接处理时，在第一个全连接层，终端利用w×p维的第一矩阵乘以p×1维的第一向量，得到w×1维的第二向量；在第二个全连接层，终端利用w×w维的第二矩阵乘以w×1维的第二向量，得到w×1维的第三向量；终端再利用v×w维的第三矩阵乘以w×1维的第三向量，得到v×1维的第四向量，将第四向量称为第一特征向量。

通常，w的数值为4096。v表示对象可能的类别，可以在将图像输入到Fast RCNN算法中进行处理之前，由用户指定。本实施例中，v的数值可以等于物品推荐系统中所有物品所属的类别之和。例如，当物品推荐系统包括1000个类别的商品时，v的数值为1000。此时，第一特征向量中的每个数值用于表示对象属于对应的类别的概率。

其中，第一矩阵、第二矩阵和第三矩阵是通过模型训练得到的，在此不作赘述。

可选的，物品推荐系统中的待推荐物品是具有折扣的物品。

由于推荐的物品具有折扣，因此，终端的用户很可能会购买这些物品，从而提高物品推荐的成功率。

综上所述，本公开提供的物品推荐装置，通过根据预设算法确定图像中的对象的第一特征向量；根据预设算法确定物品推荐系统中每个待推荐物品的第二特征向量；分别计算第一特征向量与每个第二特征向量之间的相似度；按照相似度由大到小的顺序对待推荐物品进行推荐，这样，可以直接根据对象的特征来推荐待推荐物品，而不需要先对图像分类，再根据分类结果推荐待推荐物品，解决了在对图像的分类不准确，导致推荐物品不准确的问题，达到了提高推荐物品的准确性的效果。

物品推荐系统中的待推荐物品是具有折扣的物品，此时，由于推荐的物品具有折扣，因此，终端的用户很可能会购买这些物品，从而提高物品推荐的成功率。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本公开一示例性实施例提供了一种物品推荐装置，能够实现本公开提供的物品推荐方法，该物品推荐装置包括：处理器、用于存储处理器可执行指令的存储器；

其中，处理器被配置为：

根据预设算法确定图像中的对象的第一特征向量，第一特征向量包括对象分别属于预设的v个类别中每个类别的概率，v为正整数；

根据预设算法确定物品推荐系统中每个待推荐物品的第二特征向量，第二特征向量包括待推荐物品分别属于v个类别中每个类别的概率；

分别计算第一特征向量与每个第二特征向量之间的相似度；

按照相似度由大到小的顺序对待推荐物品进行推荐。

图5是根据一示例性实施例示出的一种用于物品推荐的装置500的框图。例如，装置500可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图5，装置500可以包括以下一个或多个组件：处理组件502，存储器504，电源组件506，多媒体组件508，音频组件510，输入/输出(I/O)的接口512，传感器组件514，以及通信组件516。

处理组件502通常控制装置500的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件502可以包括一个或多个处理器518来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件502可以包括一个或多个模块，便于处理组件502和其他组件之间的交互。例如，处理组件502可以包括多媒体模块，以方便多媒体组件508和处理组件502之间的交互。

存储器504被配置为存储各种类型的数据以支持在装置500的操作。这些数据的示例包括用于在装置500上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器504可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件506为装置500的各种组件提供电力。电源组件506可以包括电源管理系统，一个或多个电源，及其他与为装置500生成、管理和分配电力相关联的组件。

多媒体组件508包括在所述装置500和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件508包括一个前置摄像头和/或后置摄像头。当装置500处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件510被配置为输出和/或输入音频信号。例如，音频组件510包括一个麦克风(MIC)，当装置500处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器504或经由通信组件516发送。在一些实施例中，音频组件510还包括一个扬声器，用于输出音频信号。

I/O接口512为处理组件502和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件514包括一个或多个传感器，用于为装置500提供各个方面的状态评估。例如，传感器组件514可以检测到装置500的打开/关闭状态，组件的相对定位，例如所述组件为装置500的显示器和小键盘，传感器组件514还可以检测装置500或装置500一个组件的位置改变，用户与装置500接触的存在或不存在，装置500方位或加速/减速和装置500的温度变化。传感器组件514可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件514还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件514还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件516被配置为便于装置500和其他设备之间有线或无线方式的通信。装置500可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件516经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件516还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置500可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器504，上述指令可由装置500的处理器518执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本领域技术人员在考虑说明书及实践这里的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开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，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开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。本公开的范围仅由所附的权利要求来限制。

Claims (11)

1.一种物品推荐方法，其特征在于，所述方法包括：

根据预设算法确定图像中的对象的第一特征向量，所述第一特征向量包括所述对象分别属于预设的v个类别中每个类别的概率，v为正整数；

根据所述预设算法确定物品推荐系统中每个待推荐物品的第二特征向量，所述第二特征向量包括所述待推荐物品分别属于所述v个类别中每个类别的概率；

分别计算所述第一特征向量与每个第二特征向量之间的相似度；

按照相似度由大到小的顺序对所述待推荐物品进行推荐。

2.根据权利要求1所述的方法，其特征在于，所述分别计算所述第一特征向量与每个第二特征向量之间的相似度，包括：

分别计算所述第一特征向量与每个第二特征向量之间的欧氏距离；

根据所述欧式距离确定所述第一特征向量与对应的第二特征向量之间的相似度，所述欧氏距离与所述相似度呈负相关关系。

3.根据权利要求2所述的方法，其特征在于，所述分别计算所述第一特征向量与每个第二特征向量之间的欧氏距离，包括：

根据D_i＝||FC₀-FC_i||计算所述第一特征向量与第i个所述第二特征向量之间的欧氏距离；

其中，所述FC₀表示所述第一特征向量，所述FC_i表示第i个所述第二特征向量。

4.根据权利要求1所述的方法，其特征在于，所述根据预设算法确定图像中的对象的第一特征向量，包括：

按照预设的卷积窗口对所述图像进行卷积，得到全局矩阵；

从所述图像中选取n个滑动窗口，n为正整数；

对于所述n个滑动窗口中的每个滑动窗口，在所述全局矩阵中查找与所述滑动窗口具有映射关系的局部矩阵；

对查找到的n个局部矩阵进行池化处理；

对池化处理得到的n个局部矩阵进行全连接处理，得到n个对象的第一特征向量。

5.根据权利要求1至4任一所述的方法，其特征在于，所述物品推荐系统中的待推荐物品是具有折扣的物品。

6.一种物品推荐装置，其特征在于，所述装置包括：

第一确定模块，被配置为根据预设算法确定图像中的对象的第一特征向量，所述第一特征向量包括所述对象分别属于预设的v个类别中每个类别的概率，v为正整数；

第二确定模块，被配置为根据所述预设算法确定物品推荐系统中每个待推荐物品的第二特征向量，所述第二特征向量包括所述待推荐物品分别属于所述v个类别中每个类别的概率；

计算模块，被配置为分别计算所述第一确定模块得到的所述第一特征向量与所述第二确定模块得到的每个第二特征向量之间的相似度；

推荐模块，被配置为按照所述计算模块得到的相似度由大到小的顺序对所述待推荐物品进行推荐。

7.根据权利要求6所述的装置，其特征在于，所述计算模块，包括：

第一计算子模块，被配置为分别计算所述第一特征向量与每个第二特征向量之间的欧氏距离；

第二计算子模块，被配置为根据所述第一计算子模块得到的所述欧式距离确定所述第一特征向量与对应的第二特征向量之间的相似度，所述欧氏距离与所述相似度呈负相关关系。

8.根据权利要求7所述的装置，其特征在于，所述第一计算子模块，还被配置为：

根据D_i＝||FC₀-FC_i||计算所述第一特征向量与第i个所述第二特征向量之间的欧氏距离；

其中，所述FC₀表示所述第一特征向量，所述FC_i表示第i个所述第二特征向量。

9.根据权利要求6所述的装置，其特征在于，所述第一确定模块，包括：

第三计算子模块，被配置为按照预设的卷积窗口对所述图像进行卷积，得到全局矩阵；

选取子模块，被配置为从所述图像中选取n个滑动窗口，n为正整数；

查找子模块，被配置为对于所述选取子模块选取的所述n个滑动窗口中的每个滑动窗口，在所述第三计算子模块得到的所述全局矩阵中查找与所述滑动窗口具有映射关系的局部矩阵；

池化子模块，被配置为对所述查找子模块查找到的n个局部矩阵进行池化处理；

确定子模块，被配置为对所述池化子模块池化处理得到的n个局部矩阵进行全连接处理，得到n个对象的第一特征向量。

10.根据权利要求6至9任一所述的装置，其特征在于，所述物品推荐系统中的待推荐物品是具有折扣的物品。

11.一种物品推荐装置，其特征在于，所述装置包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

根据预设算法确定图像中的对象的第一特征向量，所述第一特征向量包括所述对象分别属于预设的v个类别中每个类别的概率，v为正整数；

根据所述预设算法确定物品推荐系统中每个待推荐物品的第二特征向量，所述第二特征向量包括所述待推荐物品分别属于所述v个类别中每个类别的概率；

分别计算所述第一特征向量与每个第二特征向量之间的相似度；

按照相似度由大到小的顺序对所述待推荐物品进行推荐。