CN107944026A - 一种图集个性化推荐的方法、装置、服务器和存储介质 - Google Patents

Abstract

本发明实施例公开了一种图集个性化推荐的方法、装置、服务器和存储介质。所述方法包括：确定用户的视觉兴趣点；将所述用户的视觉兴趣点与预先构建的图集资源与视觉兴趣点之间的关联关系进行匹配，得到候选图集资源；对所述候选图集资源进行排序；依据排序结果为用户推荐图集资源。本发明实施例增加了基于视觉兴趣点为用户推荐图集资源，可以提高图集资源个性化推荐的准确率，达到更好的推荐效果。

Description

一种图集个性化推荐的方法、装置、服务器和存储介质

技术领域

本发明实施例涉及通信技术领域，尤其涉及一种图集个性化推荐的方法、装置、服务器和存储介质。

背景技术

随着网络技术的发展，个性化推荐在互联网中的应用越来越广泛，准确的推荐可以帮助用户更快找到所需的内容，节约用户的时间。

目前个性化推荐的方案主要基于文本标签体系进行的，参见图1，首先挖掘可推荐资源的文本标签，并基于文本标签构建用户的兴趣模型，进而进行个性化推荐。然而这种完全基于文本进行的个性化推荐方式，在图集资源的推荐时，存在一定的局限性。

发明内容

本发明实施例提供一种图集个性化推荐的方法、装置、服务器和存储介质，可以提高个性化推荐的准确率。

第一方面，本发明实施例提供了一种图集个性化推荐的方法，包括：

确定用户的视觉兴趣点；

将所述用户的视觉兴趣点与预先构建的图集资源与视觉兴趣点之间的关联关系进行匹配，得到候选图集资源；

对所述候选图集资源进行排序；

依据排序结果为用户推荐图集资源。

第二方面，本发明实施例还提供了一种图集个性化推荐的装置，该装置包括：

视觉兴趣点模块，用于确定用户的视觉兴趣点；

候选图集资源模块，用于将所述用户的视觉兴趣点与预先构建的图集资源与视觉兴趣点之间的关联关系进行匹配，得到候选图集资源；

初步排序模块，用于对所述候选图集资源进行排序；

推荐模块，用于依据排序结果为用户推荐图集资源。

第三方面，本发明实施例还提供了一种服务器，所述服务器包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的图集个性化推荐的方法。

第四方面，本发明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如上所述的图集个性化推荐的方法。

本发明实施例通过确定用户的视觉兴趣点，将所述用户的视觉兴趣点与预先构建的图集资源与视觉兴趣点之间的关联关系进行匹配，得到候选图集资源，并且对所述候选图集资源进行排序，随后依据排序结果为用户推荐图集资源。本发明实施例提供的技术方案增加了基于视觉兴趣点进行个性化推荐，能更好的理解用户对图集的兴趣和需求，弥补了基于文本进行个性化推荐方式的局限性，提高了可触发的资源数和用户数，从而提高个性化推荐的准确率，达到更好的推荐效果。

附图说明

图1为现有技术中基于文本进行的个性化推荐方法的示意图；

图2a为本发明实施例一中的图集个性化推荐的方法的流程图；

图2b为本发明实施例一中的图集个性化推荐的方法中用户视觉兴趣模型构建的示意图；

图3为发明实施例二中的图集个性化推荐的方法的流程图；

图4为本发明实施例三中的图集个性化推荐的装置的结构示意图；

图5为本发明实施例四中的服务器的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图2a为本发明实施例一中的图集个性化推荐的方法的流程图，本实施例可适用于图集个性化推荐的情况，该方法可以由图集个性化推荐的装置来执行，具体可以包括如下：

S110、确定用户的视觉兴趣点。

其中，所述视觉兴趣点可以是当用户对图集资源有展现和/或点击行为时对相应的图集资源添加的视觉标签，视觉兴趣点可以包括视觉精准标签和视觉泛标签，其中视觉精准标签是指针对特定实体的细粒度标签，视觉泛标签是指针对特征类别的粗粒度标签。图集资源中包含有多张图片，还可以包含图片的相关文本信息。一图集资源可以有一个或多个视觉精准标签和视觉泛标签。例如针对一包含千与千寻图片的图集资源，该图集资源的细粒度标签可以是千与千寻，粗粒度标签可以是动漫；针对一包含国家图书馆图片的图集资源，该图集资源的细粒度标签可以是国家图书馆，粗粒度标签可以是建筑物。

具体的，用户的视觉兴趣点可以依据用户的对图集资源的历史行为确定，另外，用户也可以直接输入视觉兴趣点。在依据历史行为确定视觉兴趣点时，可以预先依据用户的历史行为构建用户视觉兴趣模型，从用户视觉兴趣模型中所包含的视觉兴趣点中筛选得到视觉兴趣点。

参见图2b，用户视觉兴趣模型的构建过程可以包括：若检测到用户对任一图集资源有展现和/或点击行为，则确定所述用户视觉兴趣模型中是否包含该图集资源的视觉兴趣点，并依据用户对该图集资讯的浏览行为，确定该图集资源的视觉兴趣点的兴趣权重值；若不包含，且所述兴趣权重值大于权重阈值，则将该图集资源的视觉兴趣点添加到所述用户视觉兴趣模型中；若包含，且所述兴趣权重值大于权重阈值，则在所述用户视觉兴趣模型中更新该图集资源的视觉兴趣点的兴趣权重值。

其中，所述兴趣权重值可以根据该用户对该图集资讯的点击次数、展现次数、关闭次数、不喜欢次数、喜欢次数、评论次数和转发次数中的至少一项来确定。所述权重阈值是经验值，可以根据需要自行预先设置。

并且，将该图集资源的视觉兴趣点添加到用户视觉兴趣模型中之后，还可以对视觉兴趣点进行清理或丢弃处理，可选的，当所述用户视觉兴趣模型中包含的视觉兴趣点的数量大于数量阈值，则依据视觉兴趣点的兴趣权重值进行视觉兴趣点清理。其中，所述数量阈值可以根据需要自行设置。

S120、将所述用户的视觉兴趣点与预先构建的图集资源与视觉兴趣点之间的关联关系进行匹配，得到候选图集资源。

其中，预先构建的图集资源与视觉兴趣点之间的关联关系可以为构建所述视觉兴趣点的倒排索引，示例性的，若要构建视觉精确标签的倒排索引，倒排索引的键(key)可以为视觉精准标签的字符串，例如台北101大楼，值(value)为包含多张图同一主题的至少两张图构成的图集资源的集合，例如台北101大楼图集资源的id列表，这里可以以资源id标识图集资源，则value为资源id的列表。倒排索引排序的排序因子可以为资源的点击率及时间衰减因子，其中所述时间衰减因子为经验公式，依据资源的入库时间进行衰减，入库时间越短，衰减因子越小。

具体的，可以使用S110中确定的用户的视觉兴趣点，查询上述视觉兴趣点的倒排索引，获取到推荐的候选集合为候选图集资源。通过基于用户的视觉兴趣点与图集资源之间的匹配关系确定候选图集资源，后续基于候选图集资源为用户进行图片推荐，能够满足图集资源重图片而轻文字的特点。

S130、对所述候选图集资源进行排序。

具体的，可以依据用户和候选图集资源的相关性对候选图集资源进行排序，还可以依据候选图集资源本身的特征，如清晰度和美观度进行排序。其中，清晰度，美观度可以依据候选图集资源中各图片的像素、分辨率等特征确定。

示例性的，可以依据用户和所述候选图集资源的视觉相关性和文本相关性对所述候选图集资源进行排序；也可以依据所述候选图集资源的点击率，用户和所述候选图集资源的视觉相关性和文本相关性，以及所述候选图集资源的时间衰减因子对所述候选图集资源进行排序。

其中，用户和所述候选图集资源的视觉相关性可以依据候选图集中包含的属于所述用户视觉模型中的视觉兴趣点的数量和兴趣权重确定，例如：用户模型中包含标签费德勒召回的图集资源，根据标签费德勒召回在候选图集资源中的数量和兴趣权重可以确定标签包含标签费德勒召回与候选图集资源的相关性。在排序过程中通过引入视觉相关性这一图像特征，能够更好地进行图集推荐。

S140、依据排序结果为用户推荐图集资源。

具体的，根据S130中的排序结果可以确定推荐图集资源，并推荐给用户，如可以直接将排序在前的预设数值个候选图集资源推荐给用户。

本实施例通过构建用户视觉模型，并从用户视觉兴趣模型所包含的视觉兴趣点中筛选出所述用户的视觉兴趣点，将所述用户的视觉兴趣点与预先构建的图集资源与视觉兴趣点之间的关联关系进行匹配，得到候选图集资源，并依据所述候选图集资源的点击率，用户和所述候选图集资源的视觉相关性和文本相关性，以及所述候选图集资源的时间衰减因子对所述候选图集资源进行排序，随后依据排序结果为用户推荐图集资源。本发明实施例提供的技术方案增加了基于视觉兴趣点进行个性化推荐，能更好的理解用户对图集的兴趣和需求，弥补了基于文本进行个性化推荐方式的局限性，提高了可触发的资源数和用户数，从而提高个性化推荐的准确率，达到更好的推荐效果。

实施例二

图3为发明实施例二中的图集个性化推荐的方法的流程图，本实施例在上述实施例的基础上，进一步优化了上述图集个性化推荐的方法。相应的，本实施例的方法具体包括：

S210、确定用户的视觉兴趣点。

具体的，确定用户的时视觉兴趣点的具体过程可以为：依据所述用户视觉兴趣模型中包含的视觉兴趣点的点击率，依据用户对视觉兴趣点的展现次数确定的长期兴趣因子，以及依据用户对视觉兴趣点的点击时间确定的短期兴趣因子，可以确定所述用户视觉兴趣模型所包含的视觉兴趣点的感兴趣程度。并且依据所述感兴趣程度可以从所述用户视觉兴趣模型所包含的视觉兴趣点中筛选得到固定数量的用户的视觉兴趣点，所述固定数量可以根据需要自行设置。

其中，所述长期兴趣因子可以为基于用户对视觉兴趣点的展现次数来计算用户对该视觉兴趣点的长期感兴趣程度，短期兴趣因子可以为基于用户对视觉兴趣点最后点击时间来计算用户对此兴趣点的短期感兴趣程度。

S220、将所述用户的视觉兴趣点与预先构建的图集资源与视觉兴趣点之间的关联关系进行匹配，得到候选图集资源。

S230、依据所述候选图集资源中包含的属于所述用户视觉兴趣模型中的视觉兴趣点的数量，以及视觉兴趣点的兴趣权重，确定用户和所述候选图集资源的视觉相关性。

S240、依据所述候选图集资源的点击率，用户和所述候选图集资源的视觉相关性和文本相关性，以及所述候选图集资源的时间衰减因子对所述候选图集资源进行排序。

S250、对所述候选图集资源进行初步筛选。

具体的，对所述S240中经过排序的候选图集资源进行初步筛选，筛选出预设数量的图集资源，所述预设数量可以根据需要自行设置，如可以直接筛选出排序在前的100个候选图集资源。

S260、采用预先基于深度学习训练得到的点击率预估模型，依据剩余的所述候选图集资源的资源特征、用户行为特征和流量侧特征预估剩余的所述候选图集资源的点击率。

其中，点击率预估模型可以依据样本图集资源的特征，以及样本图集资源的点击率标签训练得到。所述资源特征可以包括文本兴趣点、视觉兴趣点、入库时间、质量得分、标题切词结果、主题词(标题里的关键词)、图片质量清晰度、美观度和图片张数等。所述用户行为特征可以包括用户近期浏览的历史资源、历史资源的兴趣点、分类和上次刷新时间等。所述流量侧特征可以包括用户的刷新类型如大刷新或小刷新，网络类型和地理位置等。

具体的，将剩余的所述候选图集资源的资源特征、用户行为特征和流量侧特征作为点击率预估模型的输入进行训练，可以得到剩余的所述候选图集资源的点击率。

S270、依据预估得到的点击率对剩余的所述候选图集资源进行排序。

具体的，可以将剩余的所述候选图集资源依据预估得到的点击率的大小按从大到小的顺序排列。

S280、依据排序结果为用户推荐图集资源。

具体的，依据S270的排序结果可以确定为用户推荐的图集资源，如可以直接将点击率排序在前的预设数值个候选图集资源推荐给用户。

本实施例通过确定用户的视觉兴趣点，将所述用户的视觉兴趣点与预先构建的图集资源与视觉兴趣点之间的关联关系进行匹配，得到候选图集资源，对所述候选图集资源实现粗排序和细排序，并依据排序结果为用户推荐图集资源。本实施例提供的技术方案实现了两种维度的图集资源的排序和推荐，能更好地提高个性化推荐的准确率，达到更好的推荐效果。

实施例三

图4为本发明实施例三中的图集个性化推荐的装置的结构示意图，所述装置可以包括：

视觉兴趣点模块310，用于确定用户的视觉兴趣点；

候选图集资源模块320，用于将所述用户的视觉兴趣点与预先构建的图集资源与视觉兴趣点之间的关联关系进行匹配，得到候选图集资源；

初步排序模块330，用于对所述候选图集资源进行排序；

推荐模块340，用于依据排序结果为用户推荐图集资源。

进一步的，所述视觉兴趣点模块310可以包括：

筛选单元，用于从用户视觉兴趣模型所包含的视觉兴趣点中筛选得到所述用户的视觉兴趣点，其中所述用户视觉兴趣模型是预先依据用户对图集资源的历史行为构建的。

进一步的，所述筛选单元具体可以用于：

依据所述用户视觉兴趣模型中包含的视觉兴趣点的点击率，依据用户对视觉兴趣点的展现次数确定的长期兴趣因子，以及依据用户对视觉兴趣点的点击时间确定的短期兴趣因子，确定所述用户视觉兴趣模型所包含的视觉兴趣点的感兴趣程度；

依据所述感兴趣程度从所述用户视觉兴趣模型所包含的视觉兴趣点中筛选得到用户的视觉兴趣点。

进一步的，所述视觉兴趣点模块310还可以包括用户视觉兴趣模型单元，具体用于：

若检测到用户对任一图集资源有展现和/或点击行为，则确定所述用户视觉兴趣模型中是否包含该图集资源的视觉兴趣点，并依据用户对该图集资讯的浏览行为，确定该图集资源的视觉兴趣点的兴趣权重值；

若不包含，且所述兴趣权重值大于权重阈值，则将该图集资源的视觉兴趣点添加到所述用户视觉兴趣模型中；

若包含，且所述兴趣权重值大于权重阈值，则在所述用户视觉兴趣模型中更新该图集资源的视觉兴趣点的兴趣权重值。

进一步的，所述视觉兴趣点模块310还可以包括清理单元，具体用于：

若所述用户视觉兴趣模型中包含的视觉兴趣点的数量大于数量阈值，则依据视觉兴趣点的兴趣权重值进行视觉兴趣点清理。

进一步的，所述初步排序模块330具体可以用于：

依据用户和所述候选图集资源的视觉相关性和文本相关性对所述候选图集资源进行排序。

进一步的，所述初步排序模块330具体还可以用于：

依据所述候选图集资源的点击率，用户和所述候选图集资源的视觉相关性和文本相关性，以及所述候选图集资源的时间衰减因子对所述候选图集资源进行排序。

进一步的，所述初步排序模块330具体还可以用于：

依据所述候选图集资源中包含的属于所述用户视觉兴趣模型中的视觉兴趣点的数量，以及视觉兴趣点的兴趣权重，确定用户和所述候选图集资源的视觉相关性。

进一步的，该装置还可以包括剩余排序模块，具体用于：

对所述候选图集资源进行初步筛选；

采用预先基于深度学习训练得到的点击率预估模型，依据剩余的所述候选图集资源的资源特征、用户行为特征和流量侧特征预估剩余的所述候选图集资源的点击率；

依据预估得到的点击率对剩余的所述候选图集资源进行排序。

本发明实施例所提供的图集个性化推荐的装置可执行本发明任意实施例所提供的图集个性化推荐的方法，具备执行方法相应的功能模块和有益效果。

实施例四

图5为本发明实施例四中的服务器的结构示意图。图5示出了适于用来实现本发明实施方式的示例性服务器412的框图。图5显示的服务器412仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，服务器412以通用计算设备的形式表现。服务器412的组件可以包括但不限于：一个或者多个处理器416，系统存储器428，连接不同系统组件(包括系统存储器428和处理器416)的总线418。

总线418表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器416或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

服务器412典型地包括多种计算机系统可读介质。这些介质可以是任何能够被服务器412访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器428可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)430和/或高速缓存存储器432。服务器412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统434可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储器428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块442的程序/实用工具440，可以存储在例如存储器428中，这样的程序模块442包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。

服务器412也可以与一个或多个外部设备414(例如键盘、指向设备、显示器424等)通信，还可与一个或者多个使得用户能与该服务器412交互的设备通信，和/或与使得该服务器412能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且，服务器412还可以通过网络适配器420与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器420通过总线418与服务器412的其它模块通信。应当明白，尽管图中未示出，可以结合服务器412使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理器416通过运行存储在系统存储器428中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的图集个性化推荐的方法，该方法包括：

确定用户的视觉兴趣点；

将所述用户的视觉兴趣点与预先构建的图集资源与视觉兴趣点之间的关联关系进行匹配，得到候选图集资源；

对所述候选图集资源进行排序；

依据排序结果为用户推荐图集资源。

实施例五

本发明实施例五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如本发明实施例所提供的图集个性化推荐的方法，该方法包括：

确定用户的视觉兴趣点；

将所述用户的视觉兴趣点与预先构建的图集资源与视觉兴趣点之间的关联关系进行匹配，得到候选图集资源；

对所述候选图集资源进行排序；

依据排序结果为用户推荐图集资源。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (17)

1.一种图集个性化推荐的方法，其特征在于，包括：

确定用户的视觉兴趣点；

将所述用户的视觉兴趣点与预先构建的图集资源与视觉兴趣点之间的关联关系进行匹配，得到候选图集资源；

对所述候选图集资源进行排序；

依据排序结果为用户推荐图集资源。

2.根据权利要求1所述的方法，其特征在于，所述确定用户的视觉兴趣点，包括：

从用户视觉兴趣模型所包含的视觉兴趣点中筛选得到所述用户的视觉兴趣点，其中所述用户视觉兴趣模型是预先依据用户对图集资源的历史行为构建的。

3.根据权利要求2所述的方法，其特征在于，所述从用户视觉兴趣模型所包含的视觉兴趣点中筛选得到所述用户的视觉兴趣点，包括：

依据所述用户视觉兴趣模型中包含的视觉兴趣点的点击率，依据用户对视觉兴趣点的展现次数确定的长期兴趣因子，以及依据用户对视觉兴趣点的点击时间确定的短期兴趣因子，确定所述用户视觉兴趣模型所包含的视觉兴趣点的感兴趣程度；

依据所述感兴趣程度从所述用户视觉兴趣模型所包含的视觉兴趣点中筛选得到用户的视觉兴趣点。

4.根据权利要求2所述的方法，其特征在于，所述用户视觉兴趣模型是预先依据用户对图集资源的历史行为构建的，包括：

若检测到用户对任一图集资源有展现和/或点击行为，则确定所述用户视觉兴趣模型中是否包含该图集资源的视觉兴趣点，并依据用户对该图集资讯的浏览行为，确定该图集资源的视觉兴趣点的兴趣权重值；

若不包含，且所述兴趣权重值大于权重阈值，则将该图集资源的视觉兴趣点添加到所述用户视觉兴趣模型中；

若包含，且所述兴趣权重值大于权重阈值，则在所述用户视觉兴趣模型中更新该图集资源的视觉兴趣点的兴趣权重值。

5.根据权利要求4所述的方法，其特征在于，所述将该图集资源的视觉兴趣点添加到用户视觉兴趣模型中之后，还包括：

若所述用户视觉兴趣模型中包含的视觉兴趣点的数量大于数量阈值，则依据视觉兴趣点的兴趣权重值进行视觉兴趣点清理。

6.根据权利要求1所述的方法，其特征在于，对所述候选图集资源进行排序，包括：

依据用户和所述候选图集资源的视觉相关性和文本相关性对所述候选图集资源进行排序。

7.根据权利要求6所述的方法，其特征在于，依据用户和所述候选图集资源的视觉相关性和文本相关性对所述候选图集资源进行排序，包括：

依据所述候选图集资源的点击率，用户和所述候选图集资源的视觉相关性和文本相关性，以及所述候选图集资源的时间衰减因子对所述候选图集资源进行排序。

8.根据权利要求6所述的方法，其特征在于，确定所述用户和所述候选图集资源的视觉相关性，包括：

依据所述候选图集资源中包含的属于所述用户视觉兴趣模型中的视觉兴趣点的数量，以及视觉兴趣点的兴趣权重，确定用户和所述候选图集资源的视觉相关性。

9.根据权利要求1-8任一项所述的方法，其特征在于，所述依据所述候选图集资源的点击率，用户和所述候选图集资源的视觉相关性和文本相关性，以及候选资源的时间衰减因子对所述候选图集资源进行排序之后，还包括：

对所述候选图集资源进行初步筛选；

采用预先基于深度学习训练得到的点击率预估模型，依据剩余的候选图集资源的资源特征、用户行为特征和流量侧特征预估剩余的候选图集资源的点击率；

依据预估得到的点击率对剩余的所述候选图集资源进行排序。

10.一种图集个性化推荐的装置，其特征在于，包括：

视觉兴趣点模块，用于确定用户的视觉兴趣点；

候选图集资源模块，用于将所述用户的视觉兴趣点与预先构建的图集资源与视觉兴趣点之间的关联关系进行匹配，得到候选图集资源；

初步排序模块，用于对所述候选图集资源进行排序；

推荐模块，用于依据排序结果为用户推荐图集资源。

11.根据权利要求10所述的装置，其特征在于，所述视觉兴趣点模块包括：

筛选单元，用于从用户视觉兴趣模型所包含的视觉兴趣点中筛选得到所述用户的视觉兴趣点，其中所述用户视觉兴趣模型是预先依据用户对图集资源的历史行为构建的。

12.根据权利要求11所述的装置，其特征在于，所述筛选单元具体用于：

依据所述用户视觉兴趣模型中包含的视觉兴趣点的点击率，依据用户对视觉兴趣点的展现次数确定的长期兴趣因子，以及依据用户对视觉兴趣点的点击时间确定的短期兴趣因子，确定所述用户视觉兴趣模型所包含的视觉兴趣点的感兴趣程度；

依据所述感兴趣程度从所述用户视觉兴趣模型所包含的视觉兴趣点中筛选得到用户的视觉兴趣点。

13.根据权利要求10所述的装置，其特征在于，所述初步排序模块具体用于：

依据用户和所述候选图集资源的视觉相关性和文本相关性对所述候选图集资源进行排序。

14.根据权利要求13所述的装置，其特征在于，所述初步排序模块具体用于：

依据所述候选图集资源中包含的属于所述用户视觉兴趣模型中的视觉兴趣点的数量，以及视觉兴趣点的兴趣权重，确定用户和所述候选图集资源的视觉相关性。

15.根据权利要求10-14任一所述的装置，其特征在于，还包括剩余排序模块，具体用于：

对所述候选图集资源进行初步筛选；

采用预先基于深度学习训练得到的点击率预估模型，依据剩余的候选图集资源的资源特征、用户行为特征和流量侧特征预估剩余的候选图集资源的点击率；

依据预估得到的点击率对剩余的所述候选图集资源进行排序。

16.一种服务器，其特征在于，所述服务器包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9中任一所述的图集个性化推荐的方法。

17.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-9中任一所述的图集个性化推荐的方法。