CN108052650A - 信息推荐方法、装置和电子设备 - Google Patents

信息推荐方法、装置和电子设备 Download PDF

Info

Publication number
CN108052650A
CN108052650A CN201711433721.1A CN201711433721A CN108052650A CN 108052650 A CN108052650 A CN 108052650A CN 201711433721 A CN201711433721 A CN 201711433721A CN 108052650 A CN108052650 A CN 108052650A
Authority
CN
China
Prior art keywords
information
tone
pixel
recommended
tone characteristics
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201711433721.1A
Other languages
English (en)
Other versions
CN108052650B (zh
Inventor
吴鸿焕
王海涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201711433721.1A priority Critical patent/CN108052650B/zh
Publication of CN108052650A publication Critical patent/CN108052650A/zh
Application granted granted Critical
Publication of CN108052650B publication Critical patent/CN108052650B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种信息推荐方法、装置和电子设备，其中，信息推荐方法包括：获取待推荐信息的文本特征和色调特征；根据文本特征和色调特征，基于预先训练的推荐模型获取候选信息；对候选信息进行排序，并根据排序结果输出推荐信息。本发明实施例的信息推荐方法、装置和电子设备，通过获取待推荐信息的文本特征和色调特征，再根据文本特征和色调特征，基于预先训练的推荐模型获取候选信息，然后对候选信息进行排序，并根据排序结果输出推荐信息，将文本特征和色调特征结合在一起，向用户推荐更符合需求的个性化信息。

Description

信息推荐方法、装置和电子设备
技术领域
本发明涉及信息处理技术领域，尤其涉及一种信息推荐方法、装置和电子设备。
背景技术
随着互联网的高速发展，网络中的信息呈数量级增长，如何从海量的信息中向用户推荐符合需求的内容，是互联网内容平台重点关注的方向之一。目前，信息推荐系统主要是基于用户对浏览内容的历史行为以及浏览内容本身的语义理解，来获取用户对不同类别信息的偏好，从而向用户进行个性化推荐。但是，仅从上述维度进行考虑，并未对内容进行深挖，推荐的信息并不能准确地符合用户的需求。
发明内容
本发明提供一种信息推荐方法、装置和电子设备，以解决上述技术问题中的至少一个。
本发明实施例提供一种信息推荐方法，包括：获取待推荐信息的文本特征和色调特征；根据所述文本特征和所述色调特征，基于预先训练的推荐模型获取候选信息；对所述候选信息进行排序，并根据排序结果输出推荐信息。
可选的，获取待推荐信息的色调特征，包括：
获取所述待推荐信息的图片中每个像素的颜色值；
根据所述每个像素的颜色值计算出整张图片的色调均值；
计算所述每个像素的颜色值与所述色调均值的色差值；
确定所述色差值大于预设数值的像素属于主色调区；
若所述主色调区包含的像素数与所述整张图片的像素数的比值大于预设比值，则将属于所述主色调区的像素的色调均值作为所述色调特征；
否则，将所述整张图片的色调均值作为所述色调特征。
可选的，所述方法还包括：训练所述推荐模型。
可选的，训练所述推荐模型，包括：
获取信息样本的色调特征；
根据所述信息样本的色调特征，基于用户对所述信息样本的历史行为数据，训练所述推荐模型。
可选的，所述推荐模型包括GBDT决策树模型。
本发明另一实施例提供一种信息推荐装置，包括：第一获取模块，用于获取待推荐信息的文本特征和色调特征；
第二获取模块，用于根据所述文本特征和所述色调特征，基于预先训练的推荐模型获取候选信息；
输出模块，用于对所述候选信息进行排序，并根据排序结果输出推荐信息。
可选的，所述第一获取模块，用于：
获取所述待推荐信息的图片中每个像素的颜色值；
根据所述每个像素的颜色值计算出整张图片的色调均值；
计算所述每个像素的颜色值与所述色调均值的色差值；
确定所述色差值大于预设数值的像素属于主色调区；
若所述主色调区包含的像素数与所述整张图片的像素数的比值大于预设比值，则将属于所述主色调区的像素的色调均值作为所述色调特征；
否则，将所述整张图片的色调均值作为所述色调特征。
可选的，装置还包括：
训练模块，用于训练所述推荐模型。
可选的，所述训练模块，用于：
获取信息样本的色调特征；
根据所述信息样本的色调特征，基于用户对所述信息样本的历史行为数据，训练所述推荐模型。
可选的，所述推荐模型包括GBDT决策树模型。
本发明还一实施例提供一种非临时性计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如本发明第一方面实施例所述的信息推荐方法。
本发明又一实施例提供一种电子设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器用于执行本发明第一方面实施例所述的信息推荐方法。
本发明实施例提供的技术方案可以包括以下有益效果：通过获取待推荐信息的文本特征和色调特征，再根据所述文本特征和所述色调特征，基于预先训练的推荐模型获取候选信息，然后对所述候选信息进行排序，并根据排序结果输出推荐信息，将文本特征和所述色调特征结合在一起，向用户推荐更符合需求的个性化信息。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本发明一个实施例的信息推荐方法的流程图；
图2是根据本发明另一个实施例的信息推荐方法的流程图；
图3是根据本发明一个具体实施例的流程示意图；
图4是根据本发明一个实施例的信息推荐装置的结构框图；
图5是根据本发明另一个实施例的信息推荐装置的结构框图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的信息推荐方法、装置和电子设备。
图1是根据本发明一个实施例的信息推荐方法的流程图。
如图1所示，该信息推荐方法包括：
S101，获取待推荐信息的文本特征和色调特征。
目前，信息推荐系统主要是基于用户对浏览内容的历史行为如点击、点赞等，以及浏览内容(文本)本身的语义理解，来获取用户对不同类别信息的偏好，从而向用户进行个性化推荐。但是，信息推荐的载体除了文本内容外，还有包括图片内容。也就是说，用户对浏览文章产生点击行为，除了被这篇文章的文本内容所吸引外，还可能被这篇文章包含的图片的色调所影响。有学者研究发现，不同色调会对人的心理有较大影响。暖色系的色调一般让人感觉很温暖。对于情绪不高的人来说，暖色系会让人们感觉很舒服。因此，本申请提出一种信息推荐方法，融入用户对图片的色调的喜好，使用户个性化推荐更加精准，用户视觉体验更好。
在本发明的一个实施例中，可先获取待推荐信息的图片中每个像素的颜色值，然后根据每个像素的颜色值计算出整张图片的色调均值。在计算出色调均值之后，可计算每个像素的颜色值与色调均值的色差值。然后基于色差值来确定像素是否属于主色调区。也就是说，色差值大于预设数值的像素，属于主色调区。如果主色调区包含的像素数与整张图片的像素数的比值大于预设比值，则将属于主色调区的像素的色调均值作为色调特征；否则，将整张图片的色调均值作为色调特征。
举例来说，首先计算整张图片的色调均值q，然后遍历所有像素，计算每个像素与色调均值q的色差。如果色差大于一定数值，则将对应的像素放入主色调区。如果主色调区中的像素数，其占比超过了整张图片的25％，则取主色调区的均值作为中心色，否则以整张图片的色调均值作中心色。
其中，冷暖色调的定义：中心色为红色、橙色、黄色为暖色调。中心色为青色、蓝色为冷色调。中心色为紫色、绿色、黑色、灰色、白色的为中性色调。
此外，在获取待推荐信息的文本特征时，则采用传统的语义解析方法，来提取待推荐信息中的文本特征。
S102，根据文本特征和色调特征，基于预先训练的推荐模型获取候选信息。
在获得文本特征和色调特征之后，可将上述特征作为输入，输入至预先训练的推荐模型，利用推荐模型来获取候选信息。应当理解的是，每个用户的对色调的喜好，以及对内容的偏好是不同的，因此每个用户均对应有自己的推荐模型。
S103，对候选信息进行排序，并根据排序结果输出推荐信息。
在获取候选信息之后，可对选信息进行排序，然后根据排序结果输出推荐信息，例如将得分最高的信息推荐给用户。
在本发明的另一个实施例中，如图2所示，还可包括以下步骤：
S104，训练推荐模型。
在本发明的一个实施例中，可先获取信息样本的色调特征，然后根据信息样本的色调特征，再基于用户对信息样本的历史行为数据，训练推荐模型。其中，推荐模型包括GBDT(决策树，Gradient Boosting Decision Tree)模型。
下面以一个具体示例进行说明：
如图3所示，可基于用户对信息样本的历史行为数据，计算出用户色调喜好分布。以用户浏览且不点击的文章图片为负样本，用户点击的图片为正样本。取用户三个月的历史行为，针对定义好色调的图片，训练GBDT模型，得到用户对不同色调图片的点击情况，如暖色调占0.6，冷色调占0.1，而中性色调占0.3。再结合用户点击过的文章的文本语义，生成一个用户模型。另一方面，针对文章图片，对其进行主色调识别，生成一个内容模型。该内容模型用于定义文章的文本语义和色调特征。结合用户模型和内容模型，在资源召回充足的情况下，尽可能让召回与用户喜好分布保持一致的资源。然后对资源进行排序如针对用户喜欢的色调进行适当的加权，对用户不喜欢的色调进行适当的降权。最后，按照排序的结果向用户进行推荐。在此之后，再将用户对该推荐资源的行为作为输入，迭代至用户模型中，进一步优化用户模型，从而为用户推荐更符合需求的资源。
本发明实施例的信息推荐方法，通过获取待推荐信息的文本特征和色调特征，再根据文本特征和色调特征，基于预先训练的推荐模型获取候选信息，然后对候选信息进行排序，并根据排序结果输出推荐信息，将文本特征和色调特征结合在一起，向用户推荐更符合需求的个性化信息。
为了实现上述实施例，本发明还提出了一种信息推荐装置，图4是根据本发明一个实施例的信息推荐装置的结构框图，如图4所示，该装置包括第一获取模块410、第二获取模块420和输出模块430。
其中，第一获取模块410，用于获取待推荐信息的文本特征和色调特征；
第二获取模块420，用于根据文本特征和色调特征，基于预先训练的推荐模型获取候选信息；
输出模块430，用于对候选信息进行排序，并根据排序结果输出推荐信息。
如图5所示，该装置还可包括训练模块440。
训练模块440，用于训练推荐模型。
需要说明的是，前述对信息推荐方法的解释说明，也适用于本发明实施例的信息推荐装置，本发明实施例中未公布的细节，在此不再赘述。
本发明实施例的信息推荐装置，通过获取待推荐信息的文本特征和色调特征，再根据文本特征和色调特征，基于预先训练的推荐模型获取候选信息，然后对候选信息进行排序，并根据排序结果输出推荐信息，将文本特征和色调特征结合在一起，向用户推荐更符合需求的个性化信息。
为了实现上述实施例，本发明还提出了一种电子设备。
电子设备包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序，处理器用于执行本发明第一方面实施例的信息推荐方法。
例如，计算机程序可被处理器执行以完成以下步骤的信息推荐方法：
S101’，获取待推荐信息的文本特征和色调特征。
目前，信息推荐系统主要是基于用户对浏览内容的历史行为如点击、点赞等，以及浏览内容(文本)本身的语义理解，来获取用户对不同类别信息的偏好，从而向用户进行个性化推荐。但是，信息推荐的载体除了文本内容外，还有包括图片内容。也就是说，用户对浏览文章产生点击行为，除了被这篇文章的文本内容所吸引外，还可能被这篇文章包含的图片的色调所影响。有学者研究发现，不同色调会对人的心理有较大影响。暖色系的色调一般让人感觉很温暖。对于情绪不高的人来说，暖色系会让人们感觉很舒服。因此，本申请提出一种信息推荐方法，融入用户对图片的色调的喜好，使用户个性化推荐更加精准，用户视觉体验更好。
在本发明的一个实施例中，可先获取待推荐信息的图片中每个像素的颜色值，然后根据每个像素的颜色值计算出整张图片的色调均值。在计算出色调均值之后，可计算每个像素的颜色值与色调均值的色差值。然后基于色差值来确定像素是否属于主色调区。也就是说，色差值大于预设数值的像素，属于主色调区。如果主色调区包含的像素数与整张图片的像素数的比值大于预设比值，则将属于主色调区的像素的色调均值作为色调特征；否则，将整张图片的色调均值作为色调特征。
举例来说，首先计算整张图片的色调均值q，然后遍历所有像素，计算每个像素与色调均值q的色差。如果色差大于一定数值，则将对应的像素放入主色调区。如果主色调区中的像素数，其占比超过了整张图片的25％，则取主色调区的均值作为中心色，否则以整张图片的色调均值作中心色。
其中，冷暖色调的定义：中心色为红色、橙色、黄色为暖色调。中心色为青色、蓝色为冷色调。中心色为紫色、绿色、黑色、灰色、白色的为中性色调。
此外，在获取待推荐信息的文本特征时，则采用传统的语义解析方法，来提取待推荐信息中的文本特征。
S102’，根据文本特征和色调特征，基于预先训练的推荐模型获取候选信息。
在获得文本特征和色调特征之后，可将上述特征作为输入，输入至预先训练的推荐模型，利用推荐模型来获取候选信息。应当理解的是，每个用户的对色调的喜好，以及对内容的偏好是不同的，因此每个用户均对应有自己的推荐模型。
S103’，对候选信息进行排序，并根据排序结果输出推荐信息。
在获取候选信息之后，可对选信息进行排序，然后根据排序结果输出推荐信息，例如将得分最高的信息推荐给用户。
本发明实施例的电子设备，通过获取待推荐信息的文本特征和色调特征，再根据文本特征和色调特征，基于预先训练的推荐模型获取候选信息，然后对候选信息进行排序，并根据排序结果输出推荐信息，将文本特征和色调特征结合在一起，向用户推荐更符合需求的个性化信息。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (12)

1.一种信息推荐方法，其特征在于，包括：
获取待推荐信息的文本特征和色调特征；
根据所述文本特征和所述色调特征，基于预先训练的推荐模型获取候选信息；
对所述候选信息进行排序，并根据排序结果输出推荐信息。
2.如权利要求1所述的方法，其特征在于，获取待推荐信息的色调特征，包括：
获取所述待推荐信息的图片中每个像素的颜色值；
根据所述每个像素的颜色值计算出整张图片的色调均值；
计算所述每个像素的颜色值与所述色调均值的色差值；
确定所述色差值大于预设数值的像素属于主色调区；
若所述主色调区包含的像素数与所述整张图片的像素数的比值大于预设比值，则将属于所述主色调区的像素的色调均值作为所述色调特征；
否则，将所述整张图片的色调均值作为所述色调特征。
3.如权利要求1所述的方法，其特征在于，还包括：
训练所述推荐模型。
4.如权利要求3所述的方法，其特征在于，训练所述推荐模型，包括：
获取信息样本的色调特征；
根据所述信息样本的色调特征，基于用户对所述信息样本的历史行为数据，训练所述推荐模型。
5.如权利要求4所述的方法，其特征在于，所述推荐模型包括GBDT决策树模型。
6.一种信息推荐装置，其特征在于，包括：
第一获取模块，用于获取待推荐信息的文本特征和色调特征；
第二获取模块，用于根据所述文本特征和所述色调特征，基于预先训练的推荐模型获取候选信息；
输出模块，用于对所述候选信息进行排序，并根据排序结果输出推荐信息。
7.如权利要求6所述的装置，其特征在于，所述第一获取模块，用于：
获取所述待推荐信息的图片中每个像素的颜色值；
根据所述每个像素的颜色值计算出整张图片的色调均值；
计算所述每个像素的颜色值与所述色调均值的色差值；
确定所述色差值大于预设数值的像素属于主色调区；
若所述主色调区包含的像素数与所述整张图片的像素数的比值大于预设比值，则将属于所述主色调区的像素的色调均值作为所述色调特征；
否则，将所述整张图片的色调均值作为所述色调特征。
8.如权利要求6所述的装置，其特征在于，还包括：
训练模块，用于训练所述推荐模型。
9.如权利要求8所述的装置，其特征在于，所述训练模块，用于：
获取信息样本的色调特征；
根据所述信息样本的色调特征，基于用户对所述信息样本的历史行为数据，训练所述推荐模型。
10.如权利要求9所述的装置，其特征在于，所述推荐模型包括GBDT决策树模型。
11.一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权利要求1～5任一项所述的信息推荐方法。
12.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1～5任一项所述的信息推荐方法。
CN201711433721.1A 2017-12-26 2017-12-26 信息推荐方法、装置和电子设备 Active CN108052650B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711433721.1A CN108052650B (zh) 2017-12-26 2017-12-26 信息推荐方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711433721.1A CN108052650B (zh) 2017-12-26 2017-12-26 信息推荐方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN108052650A true CN108052650A (zh) 2018-05-18
CN108052650B CN108052650B (zh) 2023-04-07

Family

ID=62128030

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711433721.1A Active CN108052650B (zh) 2017-12-26 2017-12-26 信息推荐方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN108052650B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109359239A (zh) * 2018-09-06 2019-02-19 安徽华米信息科技有限公司 图片推荐方法及装置
CN110795657A (zh) * 2019-09-25 2020-02-14 腾讯科技（深圳）有限公司 文章推送及模型训练方法、装置、存储介质和计算机设备
CN110825968A (zh) * 2019-11-04 2020-02-21 腾讯科技（深圳）有限公司 信息推送方法、装置、存储介质和计算机设备
CN111506803A (zh) * 2020-03-17 2020-08-07 北京百度网讯科技有限公司 内容推荐方法、装置、电子设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103164423A (zh) * 2011-12-09 2013-06-19 百度在线网络技术（北京）有限公司 一种用于确定渲染网页的浏览器内核类型的方法与设备
CN103577592A (zh) * 2013-11-13 2014-02-12 西安工程大学 基于性格相似度匹配计算的网络社区用户好友推荐方法
CN104112009A (zh) * 2014-07-17 2014-10-22 华为技术有限公司 数据处理的方法和装置
CN104281964A (zh) * 2014-09-29 2015-01-14 深圳市百科在线科技发展有限公司 基于实时人体模型的服饰产品推荐辅助决策方法及系统
CN104298749A (zh) * 2014-10-14 2015-01-21 杭州淘淘搜科技有限公司 一种图像视觉和文本语义融合商品检索方法
US20150058160A1 (en) * 2013-08-26 2015-02-26 Alibaba Group Holding Limited Method and system for recommending online products
CN105205081A (zh) * 2014-06-27 2015-12-30 华为技术有限公司 物品推荐方法和装置
CN105580006A (zh) * 2013-02-07 2016-05-11 禅色公司 基于颜色进行识别、搜索和匹配产品的系统和方法
CN106354768A (zh) * 2016-08-18 2017-01-25 向莉妮 基于颜色的用户与商品的匹配方法及商品匹配推荐方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103164423A (zh) * 2011-12-09 2013-06-19 百度在线网络技术（北京）有限公司 一种用于确定渲染网页的浏览器内核类型的方法与设备
CN105580006A (zh) * 2013-02-07 2016-05-11 禅色公司 基于颜色进行识别、搜索和匹配产品的系统和方法
US20150058160A1 (en) * 2013-08-26 2015-02-26 Alibaba Group Holding Limited Method and system for recommending online products
CN103577592A (zh) * 2013-11-13 2014-02-12 西安工程大学 基于性格相似度匹配计算的网络社区用户好友推荐方法
CN105205081A (zh) * 2014-06-27 2015-12-30 华为技术有限公司 物品推荐方法和装置
CN104112009A (zh) * 2014-07-17 2014-10-22 华为技术有限公司 数据处理的方法和装置
CN104281964A (zh) * 2014-09-29 2015-01-14 深圳市百科在线科技发展有限公司 基于实时人体模型的服饰产品推荐辅助决策方法及系统
CN104298749A (zh) * 2014-10-14 2015-01-21 杭州淘淘搜科技有限公司 一种图像视觉和文本语义融合商品检索方法
CN106354768A (zh) * 2016-08-18 2017-01-25 向莉妮 基于颜色的用户与商品的匹配方法及商品匹配推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
山清水秀IOS: "获取图片的主色调", 《HTTPS://BLOG.CSDN.NET/WEIXIN_30904593/ARTICLE/DETAILS/99014460》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109359239A (zh) * 2018-09-06 2019-02-19 安徽华米信息科技有限公司 图片推荐方法及装置
CN110795657A (zh) * 2019-09-25 2020-02-14 腾讯科技（深圳）有限公司 文章推送及模型训练方法、装置、存储介质和计算机设备
CN110795657B (zh) * 2019-09-25 2023-10-27 腾讯科技（深圳）有限公司 文章推送及模型训练方法、装置、存储介质和计算机设备
CN110825968A (zh) * 2019-11-04 2020-02-21 腾讯科技（深圳）有限公司 信息推送方法、装置、存储介质和计算机设备
CN110825968B (zh) * 2019-11-04 2024-02-13 腾讯科技（深圳）有限公司 信息推送方法、装置、存储介质和计算机设备
CN111506803A (zh) * 2020-03-17 2020-08-07 北京百度网讯科技有限公司 内容推荐方法、装置、电子设备及存储介质
CN111506803B (zh) * 2020-03-17 2023-10-31 阿波罗智联(北京)科技有限公司 内容推荐方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN108052650B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN108052650A (zh) 信息推荐方法、装置和电子设备
Yang et al. Building brand authenticity on social media: The impact of Instagram ad model genuineness and trustworthiness on perceived brand authenticity and consumer responses
Davis et al. Understanding the role of interpersonal identification in online review evaluation: An information processing perspective
US20180218436A1 (en) Virtual Personal Shopping System
Matz et al. Predicting the personal appeal of marketing images using computational methods
Sartori et al. Who's afraid of itten: Using the art theory of color combination to analyze emotions in abstract paintings
JP2012089171A (ja) コンテキスト画像入り広告の生成
Wang Integrating Kansei engineering with conjoint analysis to fulfil market segmentation and product customisation for digital cameras
CN109543359B (zh) 一种基于物联网大数据的人工智能包装设计方法及系统
CN106557576A (zh) 基于人工智能的提示信息推荐方法以及装置
CN106227786A (zh) 用于推送信息的方法和装置
Han et al. Color trend analysis using machine learning with fashion collection images
CN110069699A (zh) 排序模型训练方法和装置
Chandra The Effect of Social Media Influencer on Purchase Intention with Brand Image and Customer Engagement as Intervening Variables.
CN1623158A (zh) 时装顾问系统
D’Souza et al. Green consumption: Strategic retail considerations and consumer confidence
CN117474631A (zh) 基于电商平台评论的数据挖掘与情感分析的推荐算法
Cui et al. A probabilistic-based extendable quantitative evaluation method for 3D printing service in cloud manufacturing
Ghalachyan et al. Development of Apparel Product Evaluation (APE) framework: a systematic classification of evaluative criteria
Volokhova OF THE CORPORATE IDENTITY, IMAGE, AND REPUTATIONAL STUDIES
CN109840336A (zh) 服装设计样本推荐方法和装置
CN113946745A (zh) 通用个性化推荐方法、推荐系统及训练方法
KITTIDECHA et al. Application of affective engineering and fuzzy analytical hierarchy process in thai ceramic manufacturing
Suk et al. Prediction of individual preference for movie poster designs based on graphic elements using machine learning classification
Sartori et al. Computational modeling of affective qualities of abstract paintings

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant