CN108108102B - 图像推荐方法及电子设备 - Google Patents
图像推荐方法及电子设备 Download PDFInfo
- Publication number
- CN108108102B CN108108102B CN201810001863.9A CN201810001863A CN108108102B CN 108108102 B CN108108102 B CN 108108102B CN 201810001863 A CN201810001863 A CN 201810001863A CN 108108102 B CN108108102 B CN 108108102B
- Authority
- CN
- China
- Prior art keywords
- image
- images
- sharing
- target
- candidate
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000013473 artificial intelligence Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 4
- 230000002618 waking effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 66
- 238000012549 training Methods 0.000 description 20
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000002688 persistence Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
- G06F3/04842—Selection of displayed objects or displayed text elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供了一种图像推荐方法及电子设备,若获得用于触发分享图像的第一操作,可以获取当前待分享的至少一个候选图像;优先展示所述至少一个候选图像,以便从所述至少一个候选图像中选择至少一个待分享图像。即对于用户而言,电子设备展示的多个候选图像很大概率上为用户当前想要分享的图像,以便用户可以直接从多个候选图像中找到自己需要分享的图像,无需从大量没有关联的图像中选择待分享的图像,从而节省了用户选择待分享图像的时间,提高了电子设备分享图像的效率,提高了用户体验。
Description
技术领域
本发明涉及通信技术领域,更具体涉及图像推荐方法及电子设备。
背景技术
目前,用户可以利用电子设备分享图像,例如,用户可以基于电子设备中的社交软件分享图像,社交软件可以为微信、微博、QQ空间、贴吧等等。
用户在通过社交软件分享图像时,需要从大量的图像中选择待分享的图像。
发明内容
有鉴于此,本发明提供了一种图像推荐方法及电子设备,以克服现有技术中用户在通过社交软件分享图像时,需要从大量的图像中选择待分享的图像,导致电子设备分享图像的效率较低的问题。
为实现上述目的,本发明提供如下技术方案:
一种图像推荐方法,应用于电子设备,包括:
获取第一操作,所述第一操作用于触发分享图像的操作;
获取当前待分享的至少一个候选图像;
优先展示所述至少一个候选图像,以便从所述至少一个候选图像中选择至少一个待分享图像。
一种电子设备,包括:
存储器,用于存储程序;
处理器,用于执行所述程序,所述程序具体用于:
获取第一操作,所述第一操作用于触发分享图像的操作;
获取当前待分享的至少一个候选图像;
优先展示所述至少一个候选图像,以便从所述至少一个候选图像中选择至少一个待分享图像。
经由上述的技术方案可知,与现有技术相比,本发明实施例提供了一种图像推荐方法,若获得用于触发分享图像的第一操作,可以获取当前待分享的至少一个候选图像;优先展示所述至少一个候选图像,以便从所述至少一个候选图像中选择至少一个待分享图像。即对于用户而言,电子设备展示的多个候选图像很大概率上为用户当前想要分享的图像,以便用户可以直接从多个候选图像中找到自己需要分享的图像,无需从大量没有关联的图像中选择待分享的图像,从而节省了用户选择待分享图像的时间,提高了电子设备分享图像的效率,提高了用户体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的图像推荐方法的一种应用场景示意图;
图2为本发明实施例提供的图像推荐方法的流程图;
图3为本发明实施例提供的图像推荐方法中获取第一操作一种实现方式的流程图;
图4为本发明实施例提供的图像推荐方法中获取第一操作的另一种实现方式的流程图;
图5为本发明实施例提供的图像推荐方法中获取当前待分享的至少一个候选图像的一种实现方式的流程图;
图6为本发明实施例提供的图像推荐方法中获取当前待分享的至少一个候选图像的另一种实现方式的流程图;
图7a至图7c为本发明实施例提供的电子设备展示所述至少一个候选图像的示意图;
图8为本发明实施例提供的图像推荐方法中文字推荐方法的流程图;
图9a至图9b为本发明实施例提供的正样本图像和负样本图像的示意图;
图10为本发明实施例提供的电子设备的一种实现方式的结构图;
图11为本发明实施例提供的电子设备的另一实现方式的内部结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供的一种图像推荐方法可以应用于电子设备。电子设备可以为诸如台式机、移动终端(例如智能手机)、ipad、服务器等电子设备。
在一个示例中,图像推荐方法可应用于运行在电子设备中的客户端,例如微信、QQ等即时通信客户端。该客户端可以是应用程序客户端,也可以是网页客户端。
为了本领域技术人员更加理解本发明实施例提供的图像推荐方法,举例说明图像推荐方法的应用场景。
第一种应用场景:
如图1所示,为本发明实施例提供的图像推荐方法的一种应用场景示意图。
用户对移动终端11进行操作,例如,拍摄照片的操作或地理位置发生变更的操作;服务器12检测该操作是否为用于触发分享图像的操作的第一操作;若该操作为第一操作,则确定当前待分享的至少一个候选图像的特征,并发送至移动终端11,移动终端11从自身存储的多个图像中获取当前待分享的至少一个候选图像;并优先展示所述至少一个候选图像,以便从所述至少一个候选图像中选择至少一个待分享图像。
在一可选实施例中,服务器12检测到该操作为第一操作时,向移动终端11发送该操作为第一操作的指示信息,以便移动终端11获得第一操作后,确定当前待分享的至少一个候选图像。
在一可选实施例中,服务器12可以存储有移动终端11包含的各图像,例如,智能手机中包含的图像都存储在相应的云端服务器中,服务器12可以从移动终端11中包含的各图像确定出当前待分享的至少一个候选图像,并发送至移动终端11。
第二种应用场景:
用户对移动终端11进行操作,例如,拍摄照片的操作或地理位置发生变更的操作;移动终端11检测该操作是否为用于触发分享图像的操作的第一操作;若该操作为第一操作,则从自身存储的多个图像中获取当前待分享的至少一个候选图像;并优先展示所述至少一个候选图像,以便从所述至少一个候选图像中选择至少一个待分享图像。
下面结合上述两种应用场景对本发明实施例提供的图像推荐方法进行说明。
如图2所示,为本发明实施例提供的图像推荐方法的流程图,该方法包括:
步骤S201:获取第一操作,所述第一操作用于触发分享图像的操作。
该步骤可以为移动终端11或服务器12执行的。
获取第一操作的方法有多种,本发明实施例提供但不限于以下几种方式:
方式一:
目标用户(本发明实施例中将电子设备所属用户称为目标用户,以和其他用户进行区分)打开分享图像的应用程序,点击该应用程序中用于分享图像的虚拟按键或物理按键,从而获得第一操作。
方式二:
目标用户当前拍摄了一个或多个图像,目标用户拍摄完成一个或多个图像对应的操作可以为第一操作。
在实际应用中,目标用户想要分享的图像大都是刚刚拍摄的图像,因此,可以将拍摄完成一个或多个图像对应的操作作为第一操作,拍摄完成一个或多个图像对应的操作可以为:关闭拍摄应用程序的操作,或,退出拍摄应用程序界面的操作,或,拍摄应用程序由前台运行变为后台运行的操作。
方式三:
目标用户的移动终端11可以定位自身当前所在的地理位置,可以基于该地理位置的特征信息,确定目标用户在该地理位置分享图像的概率;若概率较大,则将开启具有分享图像功能的应用程序的操作,或,利用拍照应用程序执行完毕拍照后对应的操作,确定为第一操作。
地理位置的特征信息可以包括:地理位置对应的旅游景点的类型,和/或,用户到达该地理位置的次数。
例如,目标用户若首次来到一个旅游景点,则目标用户分享图像的概率会很大。若此时,目标用户还拍摄了照片,则很大程度上目标用户会分享这些照片。
若目标用户就生活在该地理位置处,则目标用户分享图像的概率可能很小。
步骤S202:获取当前待分享的至少一个候选图像。
该步骤可以为移动终端11或服务器12执行的。
目前,若目标用户需要分享图像,则电子设备例如智能手机,会随机展示电子设备中存储的图像,或,按照拍摄或下载图像的时间,按照时间由近及远,依次展示各图像。目标用户需要从大量图像中查找自己当前需要分享的待分享图像。
而本发明实施例中的步骤S202是在给目标用户展示图像之前,先从电子设备存储的大量图像中,获得目标用户分享概率较大的候选图像;然后,在将图像展示给目标用户时,优先展示候选图像,以便目标用户可以立即找到自己想要分享的图像,无需从大量图像中查找,提高了用户体验。
步骤S203:优先展示所述至少一个候选图像,以便从所述至少一个候选图像中选择至少一个待分享图像。
本发明实施例提供了一种图像推荐方法,若获得用于触发分享图像的第一操作,可以获取当前待分享的至少一个候选图像;优先展示所述至少一个候选图像,以便从所述至少一个候选图像中选择至少一个待分享图像。即对于用户而言,电子设备展示的多个候选图像很大概率上为目标用户当前想要分享的图像,以便目标用户可以直接从多个候选图像中找到自己需要分享的图像,无需从大量没有关联的图像中选择待分享的图像,从而节省了用户选择待分享图像的时间,提高了电子设备分享图像的效率,提高了目标用户体验。
在一可选实施例中,获取第一操作可以是通过预先构建的人工智能模型获得的。且通过预先构建的人工智能模型获得第一操作的方式有多种,下面进行说明。
第一种方法与步骤S201中的方式二相对应,如图3所示,为本发明实施例提供的图像推荐方法中获取第一操作一种实现方式的流程图,该方法包括:
步骤S301:获取当前拍摄的至少一个图像。
步骤S302:将所述当前拍摄的所述至少一个图像输入至预构建的第一人工智能模型中,所述第一人工智能模型具有获得的目标用户分享所述至少一个图像的预测概率趋于目标用分享所述至少一个图像的真实概率的能力。
获得第一人工智能模型的过程可以包括:
获取多个样本图像;将各样本图像分别作为神经网络的输入,训练得到所述第一人工智能模型。
多个样本图像包括多个正样本图像和多个负样本图像,其中,正样本图像可以是从目标用户的历史分享图像,和/或,目标用户的好友的历史分享图像,和/或,与目标用户的画像相似的各用户的历史分享图像中获得的。其中,画像可以包括:学历,和/或,工作类型,和/或,收入水平,和/或,所在城市,和/或,消费水平,和/或,年龄,和/或,婚姻状态等等;负样本图像可以是从目标用户的电子设备中存储的但未分享的图像,和/或,目标用户的好友的电子设备中存储的但未分享的图像,和/或,与目标用户的画像相似的各用户的电子设备中存储的但未分享的图像。
利用样本图像训练神经网络的过程包括:
1、将各样本图像输入神经网络(在训练得到第一人工智能模型之前,第一人工智能模型称为神经网络),获得神经网络输出的用户(可能是目标用户,也可能是其他用户)可能分享各样本图像分别对应的预测概率。
2、对于每一样本图像,基于该样本图像对应的预测概率与真实概率(若样本图像被分享了,则真实概率为1,若未被分享则真实概率为0)的差值,更新神经网络的参数。直至满足终止条件,得到第一人工智能模型。
神经网络可以利用反向传播梯度下降算法进行神经网络的参数更新,实现神经网络的迭代训练和收敛。
可选的,神经网络可以选用全连接神经网络(如MLP网络,MLP表示Multi-layerPerceptron,是多层感知器的意思),也可以选用其他形式的神经网络(如卷积神经网络、深度神经网络等)。
需要说明的是,神经网络开始所使用的参数可以是初始化的随机参数,神经网络先基于随机参数对各样本图像分别进行处理,并基于处理结果,对参数进行更新;然后神经网络再基于更新后的参数对各样本图像分别进行处理;基于处理结果再次对参数进行更新;经过多次迭代后,若迭代次数大于预设次数,或者,神经网络预测的各样本图像的预测概率的准确率达到第一预设值则停止训练,得到最终的第一人工智能模型。
将当前拍摄的至少一个图像输入至第一人工智能模型后,第一人工智能模型可以输出用户分享所述至少一个图像的预测概率。
步骤S303:通过所述第一人工智能模型,获取分享所述至少一个图像的预测概率。
步骤S304:若所述预测概率大于或等于第一预设阈值,将拍摄完成所述至少一个图像对应的操作确定为所述第一操作。
在一可选实施例中,若拍摄完成所述至少一个图像对应的操作确定为所述第一操作,则获取当前待分享的至少一个候选图像包括:将所述至少一个图像确定为所述至少一个候选图像。
第二种方法与步骤S201中的方式三相对应,如图4所示,为本发明实施例提供的图像推荐方法中获取第一操作的另一种实现方式的流程图,该方法包括:
步骤S401:获取所述电子设备当前所在的地理位置的特征信息。
步骤S402:将所述地理位置的特征信息输入至预构建的第二人工智能模型中,所述第二人工智能模型具有获得的在所述地理位置分享图像的预测概率趋于在所述地理位置分享图像的真实概率的能力。
获得第二人工智能模型的过程可以包括:
获取多个样本地理位置的特征信息;将各样本地理位置的特征信息分别作为神经网络的输入,训练得到所述第二人工智能模型。
一个样本地理位置的特征信息可以包括:该样本地理位置对应的旅游景点的类型,和/或,用户(可能是目标用户,也可能是其他用户)到达该地理位置的次数。
很多用户(可能是目标用户,也可能是其他用户)都达到过同一个样本地理位置,各用户在同一个样本地理位置处可能分享了图像,也可能未分享图像;本发明实施例中,首先,按照样本地理位置将各用户进行划分,每一样本地理位置对应一个用户集合;然后将每一样本地理位置对应的用户集合划分为第一用户集合和第二用户集合,其中第一用户集合包括在该样本地理位置分享图像的用户,第二用户集合包括在该样本地理位置未分享图像的用户。
多个各样本地理位置包括多个正样本地理位置和多个负样本地理位置,其中,多个正样本地理位置的特征信息可以从各样本地理位置分别对应的第一用户集合中获得;多个负样本地理位置的特征信息可以从各样本地理位置分别对应的第二用户集合中获得。
获取每一样本地理位置的特征信息的方法包括:
获取该样本地理位置对应的各用户分别到达该样本地理位置的次数,和/或,该样本地理位置对应的旅游景点的类型。
训练第二人工智能模型的过程可以包括:
1、将各样本地理位置分别对应的特征信息输入神经网络(在训练得到第二人工智能模型之前,第二人工智能模型称为神经网络),获得神经网络输入的用户(可能是目标用户,也可能是其他用户)分别在各样本地理位置分享图像的预测概率。
2、对于每一样本地理位置,基于该样本地理位置对应的预测概率和真实概率的差值,更新神经网络的参数。直至满足终止条件,得到第二人工智能模型。
神经网络可以利用反向传播梯度下降算法进行神经网络的参数更新,实现神经网络的迭代训练和收敛。
可选的,神经网络可以选用全连接神经网络(如MLP网络,MLP表示Multi-layerPerceptron,是多层感知器的意思),也可以选用其他形式的神经网络(如卷积神经网络、深度神经网络等)。
需要说明的是,神经网络开始所使用的参数可以是初始化的随机参数,神经网络先基于随机参数对各样本地理位置对应的特征信息分别进行处理,并基于处理结果,对参数进行更新;然后神经网络再基于更新后的参数对各样本地理位置的特征信息分别进行处理;基于处理结果再次对参数进行更新;经过多次迭代后,若迭代次数大于预设次数,或者,神经网络获得的各用户分别在各样本地理位置分享图像的预测概率的准确率达到第二预设值,则停止训练,得到最终的第二人工智能模型。
因此,将所述电子设备当前所在的地理位置的特征信息输入至第二人分工智能模型中,则第二人工智能模型可以输出用户在该地理位置分享图像的预测概率。
步骤S403:通过所述第二人工智能模型,获取在所述地理位置分享图像的预测概率。
步骤S404:若所述预测概率大于或等于第二预设阈值,将唤醒所述电子设备的操作,或,启动具有分享图像功能的应用程序的操作,或,利用拍照应用程序执行完毕拍照后对应的操作,确定为所述第一操作。
本发明实施例提供的“获取当前待分享的至少一个候选图像”的方式有多种,本发明实施例提供但不限于以下几种。
第一种方法:如图5所示,为本发明实施例提供的图像推荐方法中获取当前待分享的至少一个候选图像的一种实现方式的流程图,该方法包括:
步骤S501:获取目标用户的历史分享图像,和/或,与所述目标用户相关联的各用户的历史分享图像。
与所述目标用户相关联的各用户可以包括:所述目标用户的好友,和/或,与所述目标用户的画像相似的各用户。
步骤S502:基于所述目标用户的历史分享图像,和/或,与所述目标用户相关联的各用户的历史分享图像,获得当前待分享图像所属的至少一个目标类别,一个目标类别对应一类图像集,一类图像集至少包括一个图像。
步骤S503:从所述电子设备预先存储的各类图像集中,获取所述至少一个目标类别分别对应的图像集。
电子设备预先将自身存储的各图像划分图像类别,一个图像类别对应一类图像集。
电子设备中存储各图像可能为用户下载的图像,或用户拍摄的图像;若为用户下载的图像,则可以获得该图像的下载来源;若为用户拍摄的图像,则可以获得该图像的拍摄时间,和/或,拍摄该图像的地理位置。
基于各图像的下载来源,和/或,各图像的拍摄时间,和/或,各图像对应的地理位置,和/或,各图像包含的人物,和/或各图像包含的景物等信息,将各图像进行划分。
一个图像可能属于多个不同类的图像集。
步骤S504:从所述至少一个目标类别分别对应的图像集中,获得所述至少一个候选图像。
在一可选实施例中,可以从所述至少一个目标类别分别对应的图像集中,获得清晰度较高的,和/或,相似度较低的图像。
因为在一类图像集中可能包含多张相似度较高图像,对于用户而言,可能仅分享多张相似度较高的图像中的一个图像。
第二种方法:如图6所示,为本发明实施例提供的图像推荐方法中获取当前待分享的至少一个候选图像的另一种实现方式的流程图,该方法包括:
步骤S601:获取目标用户的历史分享图像,和/或,与所述目标用户相关联的各用户的历史分享图像。
步骤S602:将所述目标用户的历史分享图像,和/或,与所述目标用户相关联的各用户的历史分享图像输入至预构建的第三人工智能模型中,所述第三人工智能模型具有获取的所述目标用户当前待分享图像所属预测类别趋于所述目标用户当前待分享的图像所属真实类别的能力。
获得第三人工智能模型的过程可以包括:
获取多个样本图像;将各样本图像分别作为神经网络的输入,训练得到所述第三人工智能模型。
多个样本图像可以是从各用户分别对应的历史分享图像中获得的,其中每一用户对应的历史分享图像包括:该用户(可能是目标用户,也可能是其他用户)的历史分享图像,和/或,该用户的好友的历史分享图像,和/或,与该用户的画像相似的其他用户的历史分享图像中获得的。其中,画像可以包括:学历,和/或,工作类型,和/或,收入水平,和/或,所在城市,和/或,消费水平,和/或,年龄,和/或,婚姻状态等等。
利用样本图像训练神经网络的过程包括:
1、将各样本图像输入神经网络(在训练得到第三人工智能模型之前,第三人工智能模型称为神经网络),获得神经网络输出的各样本图像分别所属预测类别。
2、对于每一样本图像,获得该样本图像对应的预测类别与该样本图像对应的真实类别的比较结果,基于该比较结果更新神经网络参数。直至满足终止条件,得到第三人工智能模型。
神经网络可以利用反向传播梯度下降算法进行神经网络的参数更新,实现神经网络的迭代训练和收敛。
可选的,神经网络可以选用全连接神经网络(如MLP网络,MLP表示Multi-layerPerceptron,是多层感知器的意思),也可以选用其他形式的神经网络(如卷积神经网络、深度神经网络等)。
需要说明的是,神经网络开始所使用的参数可以是初始化的随机参数,神经网络先基于随机参数对各样本图像分别进行处理,并基于处理结果,对参数进行更新;然后神经网络再基于更新后的参数对各样本图像分别进行处理;基于处理结果再次对参数进行更新;经过多次迭代后,若迭代次数大于预设次数,或者,神经网络预测的各样本图像所属预测类别的准确率达到第三预设值则停止训练,得到最终的第三人工智能模型。
因此,第三人工智能模型可以准确的获得目标用户当前待分享图像所属的至少一个目标类别。
步骤S603:通过所述第三人工智能模型,获得所述目标用户当前待分享图像所属的至少一个目标类别。
在一可选实施例中,还可以基于目标用户的历史分享图像,和/或,与所述目标用户相关联的各用户的历史分享图像,获得目标用户分享所述至少一个目标类别的优先级别。
由于第三人工智能模型可以将目标用户的历史分享图像和/或与所述目标用户相关联的各用户的历史分享图像划分类别,可以基于各类别包含的图像数目,确定目标用户分享所述至少一个目标类别的优先级别。
在一可选实施例中,所述优先展示所述至少一个候选图像,包括:
基于所述优先级别,依次展示所述至少一个目标类别分别对应的候选图像。
假设,所述至少一个目标类别分别包括第一目标类别以及第二目标类别,且该优先级别为第一目标类别高于第二目标类别,则电子设备优先展示第一目标类别对应的候选图像,再展示第二目标类别对应的候选图像。
在一可选实施例中,电子设备一次能够分享的图像的最大数目是有限的,例如,社交类应用程序中,一次能够分享的图像的最大数目为9。因此,从所述至少一个目标类别分别对应的图像集中,获得所述至少一个候选图像,包括:
从所述至少一个目标类别分别对应的图像集中,分别获得预设数目个候选图像,所述预设数目是基于所述目标用户的历史分享图像数目获得的,或,所述预设数目为所述电子设备一次所能分享图像的最大数目。
在一可选实施例中,基于所述优先级别,依次展示所述至少一个目标类别分别对应的候选图像,包括:基于所述优先级别,依次展示所述至少一个目标类别分别对应的预设数目个候选图像。
如图7a至图7c所示,为本发明实施例提供的电子设备展示所述至少一个候选图像的示意图。
假设预设数目为3,所述至少一个目标类别包括第一目标类别、第二目标类别以及第三目标类别;所述至少一个目标类别的优先级别为:第一目标类别>第二目标类别>第三目标类别。
如图7a所示,首先,展示第一目标类别对应的三个图像,包括:图像1、图像2以及图像3;再次,展示第二目标类别对应的三个图像,包括:图像4、图像5以及图像6;最后,展示第三目标类别对应的三个图像,包括:图像7、图像8以及图像9。
在一可选实施例中,展示完所述至少一个目标类别分别对应的图像后,还可以展示其他图像,例如,随机展示图像,或者,按照图像拍摄的时间由近及远依次展示图像。
在一可选实施例中,目标用户可能从排名第一的目标类别(例如第一目标类别)对应的候选图像中选择待分享图像,说明目标用户应该从排名第一的目标类型对应的图像集中选择待分享图像,因此,将展示的后续排名多个候选图像,更换为排名第一的目标类别所属图像集包含的各图像。
假设排名第一的目标类别为第一目标类别,第一目标类别对应的图像集还包括:图像11、图像12、图像13、图像14、图像15、图像16等,如图7b所示,电子设备展示的图像全为第一目标类别对应的图像。
在一可选实施例中,目标用户可能不从排名第一的目标类别对应的候选图像中选择待分享图像,此时,需要获取所述目标用户选择的第一个待分享图像所属的类别;将展示的排名第一的目标类别所属图像集对应的多个候选图像,更换为所述第一个待分享图像所属的类别对应的图像集包含的各图像。
假设,目标用户从排名第二的目标类别对应的候选图像中选择待分享图像,排名第二的目标类别为第二目标类别,第二目标类别对应的图像集还包括:图像17、图像18、图像19、图像20、图像21、图像22等。如图7c所示,电子设备展示的图像可以全为第二目标类别对应的图像。
可以理解的是,用户在分享图像时,可能会输入相应的文字,如图8所示,为本发明实施例提供的图像推荐方法中文字推荐方法的流程图,该方法包括:
步骤S801:基于所述目标用户选择的所述至少一个待分享图像,获取所述目标用户当前待分享的至少一个候选文字信息。
在一可选实施例中,步骤S801可以包括:
将所述目标用户选择所述至少一个待分享图像,输入预构建的第四人工智能模型中,所述第四人工智能模型具有获得所述至少一个待分享图像对应预测文字信息类别趋于所述至少一个待分享图像对应的真实文字信息类别的能力,所述预测文字信息类别包括所述至少一个候选文字信息;
通过所述第四人工智能模型,获得所述至少一个待分享图像对应的预测文字信息类别,从所述预测文字信息类别中获得所述至少一个候选文字信息。
获得第四人工智能模型的过程可以包括:
获取多个样本图像;将各样本图像分别作为神经网络的输入,训练得到所述第四人工智能模型。
多个样本图像包括多个正样本图像和多个负样本图像;其中,正样本图像为已经分享的图像,且该图像对应有文字评论,如图9a所示,为正样本图像91;负样本图像为已经分享的图像,且该图像未对应有文字评论,如图9b所示,为负样本图像92。
利用样本图像训练神经网络的过程包括:
1、首先,将各样本图像分别对应的文字信息进行划分,获得各文字信息类别,一个文字信息类别包括至少一个文字信息。
文字信息类别可以包括:针对美景的文字信息类别,和/或,针对孩子的文字信息类别,和/或,针对美食的文字信息类别,和/或,针对衣服的文字信息类别等等。
2、将各样本图像输入神经网络(在训练得到第四人工智能模型之前,第一人工智能模型称为神经网络),获得各样本图像分别所属的预测文字信息类别。
3、对于每一样本图像,基于该样本图像对应的预测文字信息类别与真实文字信息类别的比较结果,更新神经网络的参数。直至满足终止条件,得到第四人工智能模型。
神经网络可以利用反向传播梯度下降算法进行神经网络的参数更新,实现神经网络的迭代训练和收敛。
可选的,神经网络可以选用全连接神经网络(如MLP网络,MLP表示Multi-layerPerceptron,是多层感知器的意思),也可以选用其他形式的神经网络(如卷积神经网络、深度神经网络等)。
需要说明的是,神经网络开始所使用的参数可以是初始化的随机参数,神经网络先基于随机参数对各样本图像分别进行处理,并基于处理结果,对参数进行更新;然后神经网络再基于更新后的参数对各样本图像分别进行处理;基于处理结果再次对参数进行更新;经过多次迭代后,若迭代次数大于预设次数,或者,神经网络获得的各样本图像对应的预测文字信息类别的准确率达到第三预设值,则停止训练,得到最终的第四人工智能模型。
因此,将所述目标用户选择的所述至少一个待分享图像输入至第四人工智能模型,第四人工智能模型可以输入所述至少一个待分享图像对应的预测文字信息类别,该预测文字信息类别包含的一个或多个文字信息为所述至少一个候选文字信息。
步骤S802:展示所述至少一个候选文字信息,使得所述目标用户从所述至少一个候选文字信息中确定待分享文字信息。
如图10所示,为本发明实施例提供的电子设备的一种实现方式的结构图,该电子设备包括:
第一获取模块1001,用于获取第一操作,所述第一操作用于触发分享图像的操作;
第二获取模块1002,用于获取当前待分享的至少一个候选图像;
展示模块1003,用于优先展示所述至少一个候选图像,以便从所述至少一个候选图像中选择至少一个待分享图像。
可选的,第一获取模块1001包括:
第一获取单元,用于获取当前拍摄的至少一个图像;
第一输入单元,用于将所述当前拍摄的所述至少一个图像输入至预构建的第一人工智能模型中,所述第一人工智能模型具有获得的分享所述至少一个图像的预测概率趋于分享所述至少一个图像的真实概率的能力;
第二获取单元,用于通过所述第一人工智能模型,获取分享所述至少一个图像的预测概率;
第一确定单元,用于若所述预测概率大于或等于第一预设阈值,将拍摄完成所述至少一个图像对应的操作确定为所述第一操作。
可选的,第二获取模块1002包括:
第二确定单元,用于将所述至少一个图像确定为所述至少一个候选图像。
可选的,第一获取模块1001包括:
第三获取单元,用于获取所述电子设备当前所在的地理位置的特征信息;
第二输入单元,用于将所述地理位置的特征信息输入至预构建的第二人工智能模型中,所述第二人工智能模型具有获得的在所述地理位置分享图像的预测概率趋于在所述地理位置分享图像的真实概率的能力;
第四获取单元,用于通过所述第二人工智能模型,获取在所述地理位置分享图像的预测概率;
第三确定单元,用于若所述预测概率大于或等于第二预设阈值,将唤醒所述电子设备的操作,或,启动具有分享图像功能的应用程序的操作,或,利用拍照应用程序执行完毕拍照后对应的操作,确定为所述第一操作。
可选的,第二获取模块1002包括:
第五获取单元,用于获取目标用户的历史分享图像,和/或,与所述目标用户相关联的各用户的历史分享图像;
第六获取单元,用于基于所述目标用户的历史分享图像,和/或,与所述目标用户相关联的各用户的历史分享图像,获得当前待分享图像所属的至少一个目标类别,一个目标类别对应一类图像集,一类图像集至少包括一个图像;
第七获取单元,用于从所述电子设备预先存储的各类图像集中,获取所述至少一个目标类别分别对应的图像集;
第八获取单元,用于从所述至少一个目标类别分别对应的图像集中,获得所述至少一个候选图像。
可选的,第六获取单元包括:
第一输入子单元,用于将所述目标用户的历史分享图像,和/或,与所述目标用户相关联的各用户的历史分享图像输入至预构建的第三人工智能模型中,所述第三人工智能模型具有获取的所述目标用户当前待分享图像所属预测类别趋于所述目标用户当前待分享的图像所属真实类别的能力;
第一获取子单元,用于通过所述第三人工智能模型,获得所述目标用户当前待分享图像所属的至少一个目标类别。
可选的,还包括:
第三获取模块,用于基于所述目标用户的历史分享图像,和/或,与所述目标用户相关联的各用户的历史分享图像,获得所述目标用户分享所述至少一个目标类别对应的候选图像的优先级别;
展示模块1003包括:
展示单元,用于基于所述优先级别,依次展示所述至少一个目标类别分别对应的候选图像。
可选的,还包括:
第一更新模块,用于若所述目标用户选择的第一个待分享图像属于当前展示的排名第一的目标类别所属的图像集,将展示的后续排名多个候选图像,更换为排名第一的目标类别所属图像集包含的各图像;
第四获取模块,用于若所述目标用户选择的第一个待分享图像不属于当前展示的排名第一的目标类别所属图像集,获取所述第一个待分享图像所属的类别;
第二更新模块,用于将展示的排名第一的目标类别所属图像集对应的多个候选图像,更换为所述第一个待分享图像所属的类别对应的图像集包含的各图像。
可选的,还包括:
第五获取模块,用于基于所述目标用户选择的所述至少一个待分享图像,获取所述目标用户当前待分享的至少一个候选文字信息;
第二展示模块,用于展示所述至少一个候选文字信息,使得所述目标用户从所述至少一个候选文字信息中确定待分享文字信息。
如图11所示,为本发明实施例提供的电子设备的另一实现方式的内部结构图。
电子设备可包括总线、存储器1101、处理器1102、通信接口1103、输入设备1104和输出设备1105。处理器1102、存储器1101、通信接口1103、输入设备1104和输出设备1105通过总线相互连接。其中:
总线可包括一通路,在计算机系统各个部件之间传送信息。
存储器1101中保存有执行本发明技术方案的程序,还可以保存有操作系统和其他关键业务。具体地,程序可以包括程序代码,程序代码包括计算机操作指令。更具体的,存储器1101可以包括只读存储器(read-only memory,ROM)、可存储静态信息和指令的其他类型的静态存储设备、随机存取存储器(random access memory,RAM)、可存储信息和指令的其他类型的动态存储设备、磁盘存储器、flash等等。
存储器1101可以存储有图像推荐方法对应的程序。
处理器1102可以是通用处理器,例如通用中央处理器(CPU)、网络处理器(NetworkProcessor,简称NP)、微处理器等,也可以是特定应用集成电路(application-specificintegrated circuit,ASIC),或一个或多个用于控制本发明方案程序执行的集成电路。还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
处理器1102可包括主处理器,还可包括基带芯片、调制解调器等。
处理器1102可以执行存储器1中存储的程序。
输入设备1104可包括接收用户输入的数据和信息的装置,例如键盘、鼠标、摄像头、扫描仪、光笔、语音输入装置、触摸屏、计步器或重力感应器等。
输出设备1105可包括允许输出信息给用户的装置,例如显示屏、打印机、扬声器等。
通信接口1103可包括使用任何收发器一类的装置,以便与其他设备或通信网络通信,如以太网,无线接入网(RAN),无线局域网(WLAN)等。
处理器1102执行存储器1101中所存放的程序,以及调用其他设备,可用于实现本发明实施例所提供的图像推荐方法中的各个步骤。
本发明实施例还提供了一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如上述任一项所述的图像推荐方法的各个步骤。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种图像推荐方法,其特征在于,应用于电子设备,包括:
获取第一操作,所述第一操作用于触发分享图像的操作,所述第一操作包括拍摄完成图像对应的操作,所述拍摄完成图像对应的操作对应的分享图像的概率大于第一预设阈值,或者基于定位所述电子设备当前所在的地理位置分享图像的概率大于第二预设阈值;
获取当前待分享的至少一个候选图像;
优先展示所述至少一个候选图像,以便从所述至少一个候选图像中选择至少一个待分享图像;
所述获取当前待分享的至少一个候选图像包括:
获取目标用户的历史分享图像,和/或,与所述目标用户相关联的各用户的历史分享图像;
基于所述目标用户的历史分享图像,和/或,与所述目标用户相关联的各用户的历史分享图像,获得至少一个目标类别,一个目标类别对应一类图像集,一类图像集至少包括一个图像;
从所述电子设备预先存储的各类图像集中,获取所述至少一个目标类别分别对应的图像集;
从所述至少一个目标类别分别对应的图像集中,获得所述至少一个候选图像。
2.根据权利要求1所述图像推荐方法,其特征在于,所述获取第一操作包括:
获取当前拍摄的至少一个图像;
将所述当前拍摄的所述至少一个图像输入至预构建的第一人工智能模型中,所述第一人工智能模型具有获得的分享所述至少一个图像的预测概率趋于分享所述至少一个图像的真实概率的能力;
通过所述第一人工智能模型,获取分享所述至少一个图像的预测概率;
若所述预测概率大于或等于第一预设阈值,将拍摄完成所述至少一个图像对应的操作确定为所述第一操作。
3.根据权利要求2所述图像推荐方法,其特征在于,所述获取当前待分享的至少一个候选图像包括:
将所述至少一个图像确定为所述至少一个候选图像。
4.根据权利要求1所述图像推荐方法,其特征在于,所述获取第一操作包括:
获取所述电子设备当前所在的地理位置的特征信息;
将所述地理位置的特征信息输入至预构建的第二人工智能模型中,所述第二人工智能模型具有获得的在所述地理位置分享图像的预测概率趋于在所述地理位置分享图像的真实概率的能力;
通过所述第二人工智能模型,获取在所述地理位置分享图像的预测概率;
若所述预测概率大于或等于第二预设阈值,将唤醒所述电子设备的操作,或,启动具有分享图像功能的应用程序的操作,或,利用拍照应用程序执行完毕拍照后对应的操作,确定为所述第一操作。
5.根据权利要求1所述图像推荐方法,其特征在于,所述基于所述目标用户的历史分享图像,和/或,与所述目标用户相关联的各用户的历史分享图像,获得至少一个目标类别,包括:
将所述目标用户的历史分享图像,和/或,与所述目标用户相关联的各用户的历史分享图像输入至预构建的第三人工智能模型中,所述第三人工智能模型具有获取的预测类别趋于所述目标用户当前待分享的图像所属真实类别的能力;
通过所述第三人工智能模型,获得至少一个目标类别。
6.根据权利要求1或5所述图像推荐方法,其特征在于,还包括:
基于所述目标用户的历史分享图像,和/或,与所述目标用户相关联的各用户的历史分享图像,获得所述目标用户分享所述至少一个目标类别对应的候选图像的优先级别;
所述优先展示所述至少一个候选图像,包括:
基于所述优先级别,依次展示所述至少一个目标类别分别对应的候选图像。
7.根据权利要求6所述图像推荐方法,其特征在于,还包括:
若所述目标用户选择的第一个待分享图像属于当前展示的排名第一的目标类别所属的图像集,将展示的后续排名多个候选图像,更换为排名第一的目标类别所属图像集包含的各图像;
若所述目标用户选择的第一个待分享图像不属于当前展示的排名第一的目标类别所属图像集,获取所述第一个待分享图像所属的类别;
将展示的排名第一的目标类别所属图像集对应的多个候选图像,更换为所述第一个待分享图像所属的类别对应的图像集包含的各图像。
8.根据权利要求1所述图像推荐方法,其特征在于,还包括:
基于所述目标用户选择的所述至少一个待分享图像,获取所述目标用户当前待分享的至少一个候选文字信息;
展示所述至少一个候选文字信息,使得所述目标用户从所述至少一个候选文字信息中确定待分享文字信息。
9.一种电子设备,其特征在于,包括:
存储器,用于存储程序;
处理器,用于执行所述程序,所述程序具体用于:
获取第一操作,所述第一操作用于触发分享图像的操作,所述第一操作包括拍摄完成图像对应的操作,所述拍摄完成图像对应的操作对应的分享图像的概率大于第一预设阈值,或者基于定位所述电子设备当前所在的地理位置分享图像的概率大于第二预设阈值;
获取当前待分享的至少一个候选图像;
优先展示所述至少一个候选图像,以便从所述至少一个候选图像中选择至少一个待分享图像;
所述获取当前待分享的至少一个候选图像包括:
获取目标用户的历史分享图像,和/或,与所述目标用户相关联的各用户的历史分享图像;
基于所述目标用户的历史分享图像,和/或,与所述目标用户相关联的各用户的历史分享图像,获得至少一个目标类别,一个目标类别对应一类图像集,一类图像集至少包括一个图像;
从所述电子设备预先存储的各类图像集中,获取所述至少一个目标类别分别对应的图像集;
从所述至少一个目标类别分别对应的图像集中,获得所述至少一个候选图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810001863.9A CN108108102B (zh) | 2018-01-02 | 2018-01-02 | 图像推荐方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810001863.9A CN108108102B (zh) | 2018-01-02 | 2018-01-02 | 图像推荐方法及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108108102A CN108108102A (zh) | 2018-06-01 |
CN108108102B true CN108108102B (zh) | 2024-01-23 |
Family
ID=62219492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810001863.9A Active CN108108102B (zh) | 2018-01-02 | 2018-01-02 | 图像推荐方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108108102B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110580486B (zh) * | 2018-06-07 | 2024-04-12 | 斑马智行网络(香港)有限公司 | 一种数据处理方法、装置、电子设备和可读介质 |
EP3662417A1 (en) * | 2018-10-08 | 2020-06-10 | Google LLC. | Digital image classification and annotation |
CN110708574B (zh) * | 2019-10-23 | 2022-01-21 | 上海连尚网络科技有限公司 | 用于发布信息的方法和设备 |
CN113688266A (zh) * | 2021-09-13 | 2021-11-23 | 上海联影医疗科技股份有限公司 | 图像优先级确定方法和图像处理方法、装置、设备、介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631457A (zh) * | 2015-12-17 | 2016-06-01 | 小米科技有限责任公司 | 选择图片的方法及装置 |
CN106227844A (zh) * | 2016-07-27 | 2016-12-14 | 深圳市金立通信设备有限公司 | 一种应用推荐的方法以及终端 |
CN106484913A (zh) * | 2016-10-26 | 2017-03-08 | 腾讯科技(深圳)有限公司 | 一种目标图片确定的方法以及服务器 |
CN106649774A (zh) * | 2016-12-27 | 2017-05-10 | 北京百度网讯科技有限公司 | 基于人工智能的对象推送方法及装置 |
WO2017181612A1 (zh) * | 2016-04-18 | 2017-10-26 | 乐视控股(北京)有限公司 | 个性化视频推荐方法及装置 |
CN107391121A (zh) * | 2017-06-30 | 2017-11-24 | 广东欧珀移动通信有限公司 | 一种相片分享方法、装置及存储介质、计算机设备 |
-
2018
- 2018-01-02 CN CN201810001863.9A patent/CN108108102B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631457A (zh) * | 2015-12-17 | 2016-06-01 | 小米科技有限责任公司 | 选择图片的方法及装置 |
WO2017181612A1 (zh) * | 2016-04-18 | 2017-10-26 | 乐视控股(北京)有限公司 | 个性化视频推荐方法及装置 |
CN106227844A (zh) * | 2016-07-27 | 2016-12-14 | 深圳市金立通信设备有限公司 | 一种应用推荐的方法以及终端 |
CN106484913A (zh) * | 2016-10-26 | 2017-03-08 | 腾讯科技(深圳)有限公司 | 一种目标图片确定的方法以及服务器 |
CN106649774A (zh) * | 2016-12-27 | 2017-05-10 | 北京百度网讯科技有限公司 | 基于人工智能的对象推送方法及装置 |
CN107391121A (zh) * | 2017-06-30 | 2017-11-24 | 广东欧珀移动通信有限公司 | 一种相片分享方法、装置及存储介质、计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108108102A (zh) | 2018-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108108102B (zh) | 图像推荐方法及电子设备 | |
US11663468B2 (en) | Method and apparatus for training neural network, and storage medium | |
US10725765B2 (en) | Enhancing a multitasking user interface of an operating system | |
AU2016204455B2 (en) | System and method of controlling external apparatus connected with device | |
US20210117726A1 (en) | Method for training image classifying model, server and storage medium | |
US9749233B2 (en) | Techniques for smart data routing | |
CN108280115B (zh) | 识别用户关系的方法及装置 | |
US20140304615A1 (en) | Method and apparatus for facilitating message selection and organization with group-level actions | |
US9736636B1 (en) | Geofence prioritization | |
WO2015176560A1 (zh) | 识别用户行为的方法、用户设备及行为识别服务器 | |
CN106909271B (zh) | 计算方法和计算设备 | |
WO2012129400A2 (en) | Sharing content among multiple devices | |
US20170371925A1 (en) | Query data structure representation | |
WO2018205999A1 (zh) | 一种数据处理方法及装置 | |
CN108875993B (zh) | 邀请行为预测方法及装置 | |
CN107729946B (zh) | 图片分类方法、装置、终端及存储介质 | |
CN112134784A (zh) | 消息展示方法、装置、终端、服务器、系统及存储介质 | |
RU2645282C2 (ru) | Способ и устройство для вызова по облачным визиткам | |
JP7167229B2 (ja) | 融合関係ネットワークの構築方法、融合関係ネットワークの構築装置、電子デバイス、記憶媒体及びプログラム | |
CN109716370B (zh) | 用于在消息应用中传送响应的系统和方法 | |
US20230325947A1 (en) | Automatic analysis of digital messaging content method and apparatus | |
US20190287081A1 (en) | Method and device for implementing service operations based on images | |
CN108874827B (zh) | 一种搜索方法及相关装置 | |
CN110309339A (zh) | 图片标签生成方法及装置、终端及存储介质 | |
US20190124466A1 (en) | Geographically-driven group communications |
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 |