CN108287857B - 表情图片推荐方法及装置 - Google Patents

表情图片推荐方法及装置 Download PDF

Info

Publication number
CN108287857B
CN108287857B CN201710075877.0A CN201710075877A CN108287857B CN 108287857 B CN108287857 B CN 108287857B CN 201710075877 A CN201710075877 A CN 201710075877A CN 108287857 B CN108287857 B CN 108287857B
Authority
CN
China
Prior art keywords
expression
user
pictures
image
group
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
Application number
CN201710075877.0A
Other languages
English (en)
Other versions
CN108287857A (zh
Inventor
万伟
李霖
刘龙坡
陈谦
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201710075877.0A priority Critical patent/CN108287857B/zh
Priority to PCT/CN2018/074136 priority patent/WO2018145577A1/zh
Priority to PCT/CN2018/074561 priority patent/WO2018145590A1/zh
Publication of CN108287857A publication Critical patent/CN108287857A/zh
Priority to US16/432,386 priority patent/US10824669B2/en
Priority to US16/437,271 priority patent/US10949000B2/en
Application granted granted Critical
Publication of CN108287857B publication Critical patent/CN108287857B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/535—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
    • H04L51/07—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail characterised by the inclusion of specific contents
    • H04L51/10—Multimedia information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
    • H04L51/52—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail for supporting social networking services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Abstract

本发明是关于一种表情图片推荐方法及装置。该方法包括：获取用户使用过的各组表情图片的使用记录，各组表情图片中的每组表情图片对应至少一种图像风格，获取指定表情图片的修正前的推荐指数，并获取指定表情图片的图像风格，根据使用记录，每组表情图片的图像风格，以及指定表情图片的图像风格，对修正前的推荐指数进行修正，当修正后的推荐指数满足推荐条件时，向用户推荐指定表情图片。本方法向用户推荐的表情图片是综合考虑了用户对表情图片的图像风格的喜好程度的表情图片，提高了表情图片的推荐效果。

Description

表情图片推荐方法及装置
技术领域
本发明涉及网络应用技术领域，特别涉及一种表情图片推荐方法及装置。
背景技术
发布表情图片是用户使用社交网络应用时常用的功能之一。在社交网络应用中，除了内置的表情图片之外，社交网络应用还可以向用户提供第三方开发者开发的表情图片，由用户选择下载和使用。
随着第三方开发者开发的表情图片的增加，用户自己很难从海量的表情图片中快速选择出喜欢的表情图片，对此，在相关技术中，社交网络应用通常会向用户推荐当前较为热门的表情图片，或者，向用户推荐与该用户有共同特征或共同爱好的其他用户使用较多的表情图片，由用户从中选择自己喜欢的表情图片。
在上述相关技术中，社交网络应用向用户推荐的表情图片是大众用户或与该用户有共同特征或共同爱好的其他用户使用较多的表情图片，其中可能并不包括当前用户喜欢的表情图片，从而导致表情图片的推荐效果较差。
发明内容
为了解决现有技术中社交网络应用向用户推荐的表情图片中可能并不包括当前用户喜欢的表情图片，或者，当前用户喜欢的表情图片没有被推荐，从而导致表情图片的推荐效果较差的问题，本发明实施例提供了一种表情图片推荐方法及装置，技术方案如下：
第一方面，提供了一种表情图片推荐方法，所述方法包括：
获取用户使用过的各组表情图片的使用记录，所述各组表情图片中的每组表情图片对应至少一种图像风格，所述每组表情图片中包含至少一个图片；
获取指定表情图片的修正前的推荐指数，并获取所述指定表情图片的图像风格，所述推荐指数用于指示向所述用户推荐所述指定表情图片的优先程度；
根据所述使用记录，所述每组表情图片的图像风格，以及所述指定表情图片的图像风格，对所述修正前的推荐指数进行修正，获得修正后的推荐指数；
当所述修正后的推荐指数满足推荐条件时，向所述用户推荐所述指定表情图片。
第二方面，提供了一种表情图片推荐装置，所述装置包括：
记录获取模块，用于获取用户使用过的各组表情图片的使用记录，所述各组表情图片中的每组表情图片对应至少一种图像风格，所述每组表情图片中包含至少一个图片；
推荐指数获取模块，用于获取指定表情图片的修正前的推荐指数，并获取所述指定表情图片的图像风格，所述推荐指数用于指示向所述用户推荐所述指定表情图片的优先程度；
修正模块，用于根据所述使用记录，所述每组表情图片的图像风格，以及所述指定表情图片的图像风格，对所述修正前的推荐指数进行修正，获得修正后的推荐指数；
推荐模块，用于当所述修正后的推荐指数满足推荐条件时，向所述用户推荐所述指定表情图片。
本发明实施例提供的技术方案可以包括以下有益效果：
通过获取用户使用过的各组表情图片的使用记录以及各组表情图片的图像风格，以及指定表情图片的图像风格，对指定表情图片的推荐指数进行修正后，按照修正后的推荐指数向用户推荐的表情图片就是综合考虑了用户对表情图片的图像风格的喜好程度的表情图片，从而实现了结合用户对表情图片的图像风格的个人喜好向用户进行个性化的表情图片的推荐，提高了针对单个用户的表情图片的推荐效果。
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和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种表情图片推荐系统的结构示意图；
图2是根据一示例性实施例示出的一种表情图片推荐方法的流程图；
图3是图2所示的实施例涉及的一种函数图形示意图；
图4是根据一示例性实施例示出的一种表情图片推荐方法的流程图；
图5是一种服务器集群向用户推荐表情图片的实现过程的示意图；
图6是根据一示例性实施例示出的一种表情图片推荐装置的结构方框图；
图7是根据一示例性实施例示出的一种服务器的结构示意图。
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发明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、本发明的一些方面相一致的装置和方法的例子。
图1是本发明一示例性实施例示出的一种表情图片推荐系统的结构示意图。该系统包括：若干个用户终端120和服务器集群140。
用户终端120可以是手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExperts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPicture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
用户终端120与服务器集群140之间通过通信网络相连。可选的，通信网络是有线网络或无线网络。
服务器集群140是一台服务器，或者由若干台服务器，或者是一个虚拟化平台，或者是一个云计算服务中心。可选的，服务器集群140可以包括用于实现表情图片管理平台142的服务器，可选的，服务器集群140还包括用于实现社交网络平台144的服务器；可选的，服务器集群140还包括用户操作记录管理服务器146。
可选的，表情图片管理平台142包括：用于实现表情图片推荐的服务器以及用于实现表情图片下载管理的服务器。
可选的，社交网络平台144包括：用于实现社交信息收发的服务器、用于管理和存储各个用户账号的服务器、用于管理和存储各个群组账号的服务器、用于管理各个用户账号或群组账号的联系人列表的服务器。社交网络平台144与用户操作记录管理服务器146之间通过通信网络相连。
可选的，用户操作记录管理服务器146包括：用于统计用户对表情图片的历史使用记录的服务器、用于存储用户对表情图片的历史使用记录的服务器。
可选的，用户操作记录管理服务器146在用户授权认可的前提下，可以从本地的社交网络平台144，或者，从其它关联的社交网络应用平台中获取用户对表情图片的操作记录数据，并根据获取到的操作记录统计用户对表情图片的历史使用记录。
可选的，该系统还可以包括管理设备160，该管理设备160与服务器集群140之间通过通信网络相连。可选的，通信网络是有线网络或无线网络。
可选的，上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也可以是任何网络，包括但不限于局域网(Local Area Network，LAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合)。在一些实施例中，使用包括超文本标记语言(Hyper Text Mark-up Language，HTML)、可扩展标记语言(Extensible MarkupLanguage，XML)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(Secure Socket Layer，SSL)、传输层安全(Trassport Layer Security，TLS)、虚拟专用网络(Virtual Private Network，VPN)、网际协议安全(Internet ProtocolSecurity，IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中，还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
用户通常是因为表情图片的图像风格而喜欢某个或某些表情图片，并且，不同的用户所喜欢的表情图片的图像风格也各不相同。在本发明实施例中，在向用户推荐表情图片时，可以获取用户使用过的各组表情图片的使用记录，各组表情图片中的每组表情图片对应至少一种图像风格，每组表情图片中包含至少一个图片，获取指定表情图片的修正前的推荐指数，并获取指定表情图片的图像风格，其中，该推荐指数用于指示向用户推荐指定表情图片的优先程度，根据使用记录，以及指定表情图片的图像风格，对修正前的推荐指数进行修正，获得修正后的推荐指数，当修正后的推荐指数满足推荐条件时，向用户推荐指定表情图片。
由于用户对表情图片的使用次数，以及用户使用过的表情图片的图像风格，可以在一定程度上指示用户对各种图像风格的表情图片的偏好程度，因此，在上述方案中，通过用户使用过的各组表情图片的使用记录以及各组表情图片的图像风格，以及指定表情图片的图像风格，对指定表情图片的推荐指数进行修正后，按照修正后的推荐指数向用户推荐的表情图片就是综合考虑了用户对表情图片的图像风格的喜好程度的表情图片，从而实现了结合用户对表情图片的图像风格的个人喜好向用户进行个性化的表情图片的推荐，提高了针对单个用户的表情图片的推荐效果。
图2是根据一示例性实施例示出的一种表情图片推荐方法的流程图，以应用于如图1所示的系统中的服务器集群为例，该表情图片推荐方法可以包括如下几个步骤：
步骤201，获取用户使用过的各组表情图片的使用记录，各组表情图片中的每组表情图片对应至少一种图像风格，每组表情图片中包含至少一个图片。
在本发明实施例中，服务器集群可以预先设置表情图片的图像风格的分类体系。具体比如，一个分类体系中的图像风格可以包括：可爱2D表情、搞怪2D表情、可爱3D表情、搞怪3D表情、真人表情、真实动物表情以及艺术字表情等等。本发明实施例仅以上述分类体系中包含的各种图像风格为例进行说明，在实际应用中，服务器集群中可以按照实际应用的需求来设置更多或者更少的图像风格，本发明实施例对于上述分类体系中的图像风格的种类不做限定。
由于第三方开发者在开发表情图片时，大多是成套的开发表情图片，每一套表情图片中通常包含至少两个图片，且同一套表情图片中的各个图片的图像风格通常是保持一致的，因此，在本发明实施例中，可以将每套表情图片作为一种图像风格的一组表情图片。
可选的，用户在使用社交网络应用的过程中，也可能会通过涂鸦方式创造表情图片，或者，收藏其他用户在社交网络应用中发布的表情图片，或者，也可以从其它社交网络应用中复制表情图片并在当前的社交网络应用中使用等等。上述这些表情图片通常是独立存在的，并不与其它的表情图片成套出现，对于此类表情图片，可以将这些表情图片中的每个图片单独作为一组进行处理。
在实际应用中，每组表情图片可以只对应一种图像风格，也可以对应两种或两种以上的图像风格，比如，以上述的分类体系为例，一组表情图片可以只对应可爱3D表情这一种图像风格，也可以同时对应可爱3D表情和真人表情这两种图像风格。
对于一组表情图片，当该组表情图片中只包含一个图片时，该组表情图片的图像风格就是这一个图片的图像风格。而当该组表情图片中包含至少两个图片时，该组表情图片的图像风格是该组表情图片中每个图片的图像风格。比如，一组表情图片中包含10个图片，则该组表情图片的图像风格为可爱3D表情，即表示上述10个图片中每个图片的图像风格都是可爱3D表情，而该组表情图片的图像风格为可爱3D表情和真人表情这两种图像风格，即表示上述10个图片中每个图片的图像风格都是可爱3D表情和真人表情。
可选的，上述获取用户使用过的各组表情图片的使用记录的步骤可以由图1所示的服务器集群中的用户操作记录管理服务器146来执行，比如，用户操作记录管理服务器146可以从社交网络平台144中获取用户的在社交网络应用中的操作记录，从中提取出用户使用表情图片的操作记录，并统计生成用户对上述各组表情图片的使用记录。
具体例如，以上述使用记录中包含用户对各组表情图片的使用次数为例，用户操作记录管理服务器146统计用户每一次使用的表情图片，并将该表情图片所在的那一组表情图片对应的使用次数加1，最后获得用户对各组表情图片的使用次数。
可选的，在本发明实施例中，上述用户使用过的各组表情图片的使用记录，具体是指该用户对其使用过的各组表情图片的使用记录，即上述步骤201中获取到的使用记录，是当前用户对上述各组表情图片的使用记录。
可选的，上述用户使用表情图片可以是指用户在社交网络应用中，通过社交应用消息发布表情图片，其中，社交应用消息可以是即时通讯消息或者个人动态，即用户使用表情图片可以是指用户通过即时通讯窗口、群组聊天窗口或者个人动态发布表情图片。
在实际应用中，用户在使用社交应用消息发布表情图片的过程中，可能会在同一个社交应用消息中发布两个或两个以上相同的表情图片(比如，用户在一条消息或一条个人动态中发布多个完全一样的表情图片)，为了排除这种情况的干扰，准确统计用户使用各组表情图片的频次，当用户操作记录管理服务器146统计用户每一次使用的表情图片时，对于在同一社交应用消息中发布的多个相同的表情图片，对应该社交应用消息，将该表情图片所在的那一组表情图片对应的使用次数加1。
比如，以某一组表情图片中包含表情图片1和表情图片2为例，用户在发布个人动态时，在一条个人动态中发布3个表情图片1和2个表情图片2，则用户操作记录管理服务器146统计用户的表情图片的使用记录时，针对该条个人动态中的表情图片1，将该组表情图片对应的使用次数加1，并针对该条个人动态中的表情图片2，将该组表情图片对应的使用次数再加1。
或者，在另一种可能的实现方式中，用户在同一条社交应用消息中发布两个或两个以上相同的表情图片，也可以看作是用户更偏爱该表情图片，因此，当用户操作记录管理服务器146统计用户每一次使用的表情图片时，对于在同一社交应用消息中发布的多个相同的表情图片，对应该社交应用消息，将该表情图片所在的那一组表情图片对应的使用次数加上该表情图片在社交应用消息中的个数。
比如，以某一组表情图片中包含表情图片1和表情图片2为例，用户在发布个人动态时，在一条个人动态中发布3个表情图片1和2个表情图片2，则用户操作记录管理服务器146统计用户的表情图片的使用记录时，针对该条个人动态中的表情图片1，将该组表情图片对应的使用次数加3，并针对该条个人动态中的表情图片2，将该组表情图片对应的使用次数再加2。
可选的，由于用户偏好的表情图片的图像风格可能会有一定的周期性，比如，在曾经的一段时间内，用户使用可爱2D表情较多，而在另一段时间内，用户可能更喜欢使用真人表情。对此，为了提高推荐的准确性，在本发明实施例中，用户操作记录管理服务器146获取用户对各组表情图片的使用记录时，可以获取距离当前时间最近的预定长度时间段内，用户对各组表情图片的使用记录，从而使得后续的推荐结果能够更接近用户最近一段时间内的偏好。其中，该预定长度时间段的时间长度可以是由管理人员手动设置，或者，用户操作记录管理服务器146中默认设置的一个固定时间长度；比如，假设该固定时间长度为1个月，则用户操作记录管理服务器146在获取用户使用过的各组表情图片的使用记录时，可以获取该用户在距离当前时间最近的一个月内，对各组表情图片的使用记录。
步骤202，获取指定表情图片的修正前的推荐指数，并获取指定表情图片的图像风格。
其中，推荐指数可以用于指示向上述用户推荐指定表情图片的优先程度。比如，该推荐指数的数值越高，向上述用户推荐该指定表情图片时，该指定表情图片越容易被用户所接受。
可选的，服务器集群可以根据基于协同过滤的推荐算法计算获得指定表情的修正前的推荐指数。
具体的，该步骤202可以由图1所示的服务器集群中的表情图片管理平台142来执行。其中，基于协同过滤的推荐算法是一类推荐算法的统称，其核心思路为：先构建user-item矩阵，即各个用户对项目(本发明实施例中为每一组表情图片)评分的矩阵，然后再根据构建的user-item矩阵，基于协同过滤的推荐算法找到与当前用户具有相似喜好的其他用户(即与当前用户偏好相同的表情图片的其他用户)的user-item矩阵，并根据与当前用户具有相似喜好的其他用户的user-item矩阵来预测用户可能喜欢的表情图片。
具体比如，假设用户使用某一组表情图片的频次越高，用户对这组表情图片的喜好程度就越高，即通过用户对各组表情图片的使用频次来代替一般意义上的用户评分，表情图片管理平台142针对每个用户对各组表情图片的使用频次来构建各个用户对应的user-item矩阵，在一个用户对应的user-item矩阵中，每个元素对应用户使用一组表情图片的频次。由于不同用户的使用习惯不同，上述构建的不同用户对应的user-item矩阵中，表示用户对各组表情的使用频次的原始数值差异会非常大，因此，为了降低后续计算过程的复杂度，在进一步处理之前，表情图片管理平台142对上述构建的各个用户的user-item矩阵进行归一化。此处归一化是指对每个用户对应的user-item矩阵单独进行归一化，即对于每个用户，该用户的user-item矩阵中每个元素的值等于用户使用该元素对应的一组表情图片的频次除以该用户使用的各组表情图片分别对应的频次中的最大值，其公式如下：
Figure BDA0001224317780000091
其中f(u，e)为用户u使用一组表情图片e的频次，K为所有表情图片的组数。uimatrix[u,e]为用户对应的user-item矩阵中对应该组表情图片e的元素归一化之后的数值。用户未使用过的各组表情图片(即f(u，e)＝0的各组表情图片)，就是推荐算法需要预测打分(也就是上述推荐指数)的表情图片。
在对各个用户的user-item矩阵进行归一化之后，表情图片管理平台142基于各个用户的user-item矩阵，通过基于协同过滤的推荐算法找出与当前用户具有相似喜好的其他用户的user-item矩阵，并结合与当前用户具有相似喜好的其他用户的user-item矩阵计算当前用户的user-item矩阵中为0的元素的预测值，其中，当前用户的user-item矩阵中为0的元素所对应的表情图片即可以是上述指定表情图片，通过该元素的预测值可以获得该指定表情图片的推荐指数，比如，可以直接将该元素的预测值作为该指定表情图片的推荐指数，即针对每一个用户，对该用户未使用过的各组表情图片计算一个推荐指数，以此作为推荐的依据。
可选的，上述方案以根据基于协同过滤的推荐算法获取修正前的推荐指数为例进行说明，在实际应用中，服务器集群也可以根据实际的应用需求，使用其它类型的推荐算法来获取修正前的推荐指数，比如，其它类型的推荐算法可以有基于内容的推荐算法、基于关联规则的推荐算法以及基于知识的推荐算法等，甚至于，服务器集群还可以根据两种或两种以上的推荐算法的组合来获取上述修正前的推荐系数。对于服务器集群获取修正前的推荐系数所使用的推荐算法，本发明实施例不做限定。
可选的，在另一种可能的实现方式中，服务器集群也可以不使用具体的推荐算法来获取修正前的推荐指数，比如，服务器集群可以将指定表情图片的修正前的推荐指数设置为一个固定的数值，所有待推荐的表情图片的修正前的推荐指数都相同，即服务器集群不结合其它的推荐算法，只根据用户对其使用过的各组表情图片的使用记录向用户推荐表情图片。
步骤203，根据用户使用过的各组表情图片的使用记录，以及每组表情图片的图像风格，生成用户的兴趣向量。
其中，上述兴趣向量中的每一个元素指示用户使用一种图像风格的表情图片的次数。
可选的，当使用记录中包含用户对各组表情图片中的每组表情图片的使用次数时，生成用户的兴趣向量的过程可以如下述的步骤a至步骤c所示。
步骤a，根据图像风格的种类数生成初始化兴趣向量，初始化兴趣向量中对应每一种图像风格的元素的值均为1。
由于用户在使用表情图片时，通常只会使用少部分的图像风格的表情图片，而其它大部分图像风格的表情图片用户可能从不使用。为了避免用户的兴趣向量中出现过多的0值而导致向量过于稀疏，提高后续计算的准确性，本发明实施例所示的方法，可以默认用户对每一种图像风格的表情图片都至少使用了一次。即上述初始化兴趣向量是一个全1向量v＝[1，1，…，1]，向量v中的元素的个数为上述表情图像的分类体系中的图像风格的种类数(假设为n)，且向量v中的每个元素对应其中一种图像风格。
步骤b，对于每组表情图片，在初始化兴趣向量中，将每组表情图片的图像风格对应的元素的值叠加上用户对每组表情图片的使用次数，获得叠加后的向量。
服务器集群可以根据上述使用记录，统计用户使用的所有表情图片及其频次。对每组表情图片和对应的使用频次m，确定该组表情图片对应的图像风格对应在上述向量v中的元素，比如第i个元素，然后在向量v的第i个元素上加上m，即：
v[i]＝v[i]+m。
比如，假设上述向量v中的第1个元素对应可爱2D表情，第2个元素对应搞怪2D表情，最后一个元素对应艺术字表情，根据上述使用记录统计确定用户数对可爱2D表情的使用次数为200次，对搞怪2D表情的使用次数为0次，对艺术字表情的使用次数为30次，则叠加后的向量v＝[201，1，…，31]。
可选的，当一组表情图片对应两种或两种以上图像风格时，则对于用户每次使用该组表情图片的使用记录，将用户对该两种或两种以上图像风格的表情图片的使用次数分别加1。
比如，某一组表情图片同时对应可爱2D表情和真人表情，且用户对该组表情图片的使用次数为10次，则在统计用户对可爱2D表情和真人表情的使用次数时，根据用户对该组表情图片的使用记录，将用户对可爱2D表情和真人表情的使用次数分别加上10。
步骤c，对叠加后的向量进行归一化，获得用户的兴趣向量。
服务器集群在对叠加后的向量进行归一化时，可以将向量v的所有元素都除以向量v的长度，使得归一化后获得的用户的兴趣向量的长度为1，归一化公式如下：
Figure BDA0001224317780000111
其中，v[i]为向量v中的第i个元素，v[j]为向量v中的第j个元素，n为向量v的长度。
步骤204，根据兴趣向量、指定表情图片的图像风格以及预设的修正公式，对指定表情图片的推荐指数进行修正，获得修正后的推荐指数。
可选的，上述修正公式为：
Figure BDA0001224317780000112
其中，rp(u,e)为修正后的推荐指数，cf(u,e)为修正前的推荐指数，v(u)是用户的兴趣向量。
另外，frq(u)是用户在每个单位时间段内使用表情图片的平均次数。上述单位时间段可以是预先设置的固定时长的时间段，比如，上述单位时间段可以是一天或一小时等等。用户在每个单位时间段内使用表情图片的平均次数是上述使用记录中的统计出的用户使用各组表情图片的总次数平均到上述使用记录对应的各个单位时间段上的使用次数。比如，假设上述使用记录是用户在30天内的使用记录，单位时间段是1天，上述使用记录中统计出的用户使用表情图片的总次数为10000，则用户在每个单位时间段内使用表情图片的平均次数为10000/30≈333次。
上述公式中的
Figure BDA0001224317780000113
是与用户在每个单位时间段内使用表情图片的平均次数相关的一个函数。
图3示出了本发明实施例涉及的一种函数图形示意图，如图3所示，上述与用户在每个单位时间段内使用表情图片的平均次数相关的函数是半个s形函数，用户单位时间段内的平均使用频次为0时，该函数值为0，表示使用用户的兴趣向量对推荐指数进行修正的可信度为0，完全不可用；随着用户单位时间段内的平均使用频次的增大，该函数先明显增大，然后逐渐平缓，其极限值为1.0，这种变化趋势表示，随着用户单位时间段内平均使用表情图片频次的增大，使用用户的兴趣向量对推荐指数进行修正也越来越可信。
上述公式中的var(v(u))是用户的兴趣向量中各个元素的方差值。方差值越大，说明该用户使用的表情图片的图像风格越集中，反之，若方差值越小，则表示该用户使用的表情图片的图像风格越分散。其中，用户使用表情图片的图像风格越集中，则该公式对上述推荐指数修正的幅度越大，反之，该公式对上述推荐指数修正的幅度越小。
上述公式中的sim(e,v(u))是指定表情图片与兴趣向量之间的余弦相似度。
其中，在计算上述余弦相似度时，服务器集群可以确定指定表情图片对应的图像风格向量，该图像风格向量与用户的兴趣向量类似，也包含n个元素，每个元素对应一种图像风格，且其中对应于指定表情图片的图像风格的元素的值为1，其它元素均为0，服务器集群取出图像风格向量与用户的兴趣向量中对应位置都不为0的元素相乘并求和，再除以2个向量的长度，获得的结果即为上述余弦相似度。
可选的，当指定表情图片只对应一种图像风格时，由于用户的兴趣向量v(u)经过了归一化处理，而在同样维度的向量空间内，指定表情图片只有在一个元素(假设为第i个元素)上的值为1，其余都为0，此时图像风格向量与用户的兴趣向量中只有1组对应位置都不为0的元素，而且两个向量长度都为1，因此，根据上述余弦相似度计算公式，用户的兴趣向量中的第i个元素的值即为上述余弦相似度。即当指定表情图片只对应一种图像风格时，上述余弦相似度的计算方法为：首先确定指定表情图片的图像风格对应在用户的兴趣向量v(u)中的元素(假设为第i个元素)，然后将sim(e,v(u))的值确定为向量v(u)的第i个元素的值。
步骤205，当修正后的推荐指数满足推荐条件时，向用户推荐指定表情图片。
其中，上述推荐条件可以包括以下条件中的至少一种：
修正后的推荐指数高于预设的指数阈值，以及，修正后的推荐指数在待推荐的表情图片的推荐指数中的排名高于预设的排名阈值。
在本发明实施例中，服务器集群对向用户推荐指定表情图片的推荐指数进行修正后，可以只根据该指定表情图片的修正后的推荐指数确定是否推荐该指定表情图片，比如，服务器集群中可以预先设置上述指数阈值(可以是由管理人员手动设置的一个数值)，当修正后的推荐指数高于该指数阈值时，服务器集群即可以向用户推荐该指定表情图片。
或者，服务器集群也可以结合其它待推荐的表情图片的推荐指数确定是否推荐该指定表情图片，比如，服务器集群可以按照各个待推荐的表情图片各自对应的修正后的推荐指数，对各个待推荐的表情图片进行排名，并将排名在前x位的表情图片推荐给用户，如果该指定表情图片排名在前x位，则服务器集群向用户推荐该指定表情图片；其中，x就是上述的排名阈值，其可以是管理人员在服务器集群中设置的数值，或者，也可以是服务器集群中默认设置的数值。
或者，服务器集群也可以结合推荐指数的排名以及推荐指数的具体数值来确定是否推荐该指定表情图片。比如，服务器集群可以按照各个待推荐的表情图片各自对应的修正后的推荐指数，对各个待推荐的表情图片进行排名，若该指定表情图片排名在前x位，且该指定表情图片的修正后的推荐指数高于指数阈值，则服务器集群向用户推荐该指定表情图片，反之，若该指定表情图片排名在前x位之外，或者，该指定表情图片的修正后的推荐指数不高于指数阈值，则服务器集群不向用户推荐该指定表情图片。
可选的，在本发明实施例中，上述指定表情图片可以是待向用户推荐的表情图片中的任意一组图片，相当于对表情图片进行分类后，通过本发明实施例所示的方法，可以对任意一组表情图片进行推荐指数的修正。或者，上述指定表情图片也可以是待向用户推荐的表情图片中，对应的修正前的推荐指数最高的若干组表情图片中的任意一组图片。
可选的，在本发明实施例中，服务器集群可以按照定期执行上述步骤201至步骤205，比如，以半个月或一个月为周期执行上述方案，以定期更新向用户推荐的表情图片。
综上所述，本发明实施例提供的表情图片推荐方法，通过用户对其使用过的各组表情图片的使用记录以及各组表情图片的图像风格，以及指定表情图片的图像风格，对指定表情图片的推荐指数进行修正后，按照修正后的推荐指数向用户推荐的表情图片就是综合考虑了用户对表情图片的图像风格的喜好程度的表情图片，从而实现了结合用户对表情图片的图像风格的个人喜好向用户进行个性化的表情图片的推荐，提高了针对单个用户的表情图片的推荐效果。
另外，本发明实施例提供的方法，通过基于协同过滤的推荐算法计算获得修正前的推荐指数，并结合用户对表情图片的图像风格的个人喜好对修正前的推荐指数进行修正，实现了结合用户的个人喜好和基于协同过滤的推荐算法向用户推荐表情图片。
此外，本发明实施例提供的方法，在生成用户的兴趣向量时，首先生成对应每一种图像风格的元素的值均为1的初始化兴趣向量，并在初始化兴趣向量的基础上叠加用户对各个图像风格的表情图片的使用次数，获得叠加后的向量并进行归一化处理，避免用户的兴趣向量中出现过多的0值而导致向量过于稀疏的问题，从而提高后续计算的准确性。
另外，本发明实施例提供的方法，在对指定表情图片的推荐指数进行修正时，综合考虑了用户在每个单位时间段内使用表情图片的平均次数以及用户的兴趣集中程度对修正的影响，提高了推荐指数修正的准确性。
图4是根据一示例性实施例示出的一种表情图片推荐方法的流程图，以应用于如图1所示的系统中的服务器集群为例，该表情图片推荐方法可以包括如下几个步骤：
步骤401，获取每一种图像风格对应的表情图片样本，该表情图片样本是表情库中被指定了对应的图像风格的部分表情图片。
其中，表情库中包含用户使用过的各组表情图片以及指定表情图片。比如，以图1所示的系统为例，该表情库可以是设置在表情图片管理平台142中的一个用于存储表情图片的数据库，该表情库中存储有系统中已有的各组表情图片。对于单个用户而言，该表情库中除了存储有该用户使用过的各组表情图片之外，还存储有该用户未使用过，且可能向该用户推荐的指定表情图片。
在本发明实施例中，上述表情图片样本可以由管理人员进行人工标注，服务器集群获取人工标注的，每一种图像风格对应的表情图片样本。
其中，上述表情图片样本也可以按照组别进行标注，比如，管理人员构建表情图片的图像风格的分类体系后，可以先在表情库中所有的各组表情图片中，对应每一种图像风格标注出至少一组表情图片，其中，每一种图像风格标注出的表情图片的组数可以由管理人员按照实际情况自行决定。比如，综合人工成本和后续的机器训练效果的考虑，在一般难度的分类体系下，每个图像风格下可以标注50组左右的表情图片。
步骤402，提取每一种图像风格对应的表情图片样本的图像特征信息。
在本发明实施例中，服务器集群可以通过适用于图像分类的机器学习分类模型来进行图像分类。
目前，适用于图像分类的机器学习分类模型主要分为两大类，一类是传统的机器学习分类模型，比如SVM(Support Vector Machine，支持向量机)模型、最大熵模型或者随机森林模型等等，另一类是深度神经网络模型，比如卷积神经网络模型。这两类机器学习分类模型所需要的图像特征信息的提取方式也不相同。
具体的，若使用传统的机器学习分类模型，则服务器集群可以通过SIFT(Scale-invariant feature transform，尺度不变特征变换)、SURF(Speed-up robust features，加速健壮特征)、ORB(Oriented fast and rotated brief，快速导向和短暂旋转)、HOG(Histogram of Oriented Gradient，方向梯度直方图)、LBP(Local Binary Pattern，局部二值模式)等图像特征提取算法从每一种图像风格对应的表情图片样本中提取图像特征信息。
若使用深度神经网络模型，则服务器集群可以将每一种图像风格对应的表情图片样本中，每个像素点上的RGB(Red Green Blue，红绿蓝)颜色值提取为上述图像特征信息。
步骤403，对图像特征信息以及图像特征信息对应的图像风格进行机器学习训练，获得机器学习分类模型。
在上述步骤中提取每一种图像风格对应的表情图片样本的图像特征信息后，服务器集群即可以将图像特征信息以及图像特征信息对应的图像风格输入选择的机器模型进行训练，以获得用于对表情图片进行分类的机器学习分类模型。
步骤404，将未分类的表情图片的图像特征信息输入机器学习分类模型，获得未分类的表情图片对应的图像风格。
在训练好上述机器学习分类模型后，对于其它未分类(即管理人员未标注图像风格)的各组表情图片，服务器集群可以按照对应的机器学习分类模型，提取各组表情图片的图像特征信息，并将各组表情图片的图像特征信息输入上述机器学习分类模型，该机器学习分类模型即可以输出各组表情图片分别对应的图像风格。
步骤405，获取用户使用过的各组表情图片的使用记录，各组表情图片中的每组表情图片对应至少一种图像风格，每组表情图片中包含至少一个图片。
步骤406，获取指定表情图片的修正前的推荐指数，并获取指定表情图片的图像风格。
步骤407，根据用户使用过的各组表情图片的使用记录，以及每组表情图片的图像风格，生成用户的兴趣向量。
步骤408，根据兴趣向量、指定表情图片的图像风格以及预设的修正公式，对指定表情图片的推荐指数进行修正，获得修正后的推荐指数。
步骤409，当修正后的推荐指数满足推荐条件时，向用户推荐指定表情图片。
其中，上述步骤405至步骤409的执行过程可以参考上述图2所示实施例中的步骤201至步骤205下的描述，此处不再赘述。
综上所述，本发明实施例提供的表情图片推荐方法，通过用户对其使用过的各组表情图片的使用记录以及各组表情图片的图像风格，以及指定表情图片的图像风格，对指定表情图片的推荐指数进行修正后，按照修正后的推荐指数向用户推荐的表情图片就是综合考虑了用户对表情图片的图像风格的喜好程度的表情图片，从而实现了结合用户对表情图片的图像风格的个人喜好向用户进行个性化的表情图片的推荐，提高了针对单个用户的表情图片的推荐效果。
此外，本发明实施例提供的方法，通过提取每一种图像风格对应的表情图片样本的图像特征信息，对所述图像特征信息以及图像特征信息对应的图像风格进行机器学习训练，获得机器学习分类模型，并将未分类的表情图片的图像特征信息输入机器学习分类模型，获得未分类的表情图片对应的图像风格，实现对各组表情图片的图像风格的自动分类。
具体的，请参考图5，其示出了一种服务器集群向用户推荐表情图片的实现过程的示意图。以上述实现过程可以由图1所示的服务器集群中的表情图片管理平台142、社交网络平台144以及用户操作记录管理服务器146实现为例，如图5所示，管理人员通过管理设备160对表情图片管理平台142的表情库中的部分表情图片进行图像风格标注，每种图像风格标注50组左右的表情图片。表情图片管理平台142将管理人员标注了图像风格的表情图片获取为每种图像风格分别对应的表情图片样本，并对表情图片样本进行图像特征信息的提取，对提取到的表情样本的图像特征信息以及图像特征信息对应的图像风格(即用户标注的图像风格)进行机器学习，获得机器学习分类模型。表情图片管理平台142采样同样的方法提取表情库中其它未标注图像风格的各组表情图片的图像特征信息，并将各组表情图片的图像特征信息输入上述机器学习分类模型，并输出各组表情图片各自对应的图像风格，从而获得表情图片管理平台142中管理的各组表情图片各自对应的图像风格。
另一方面，用户A通过用户终端120使用社交网络应用，包括在社交网络应用中使用表情图片。社交网络平台144收集该用户A的操作记录，并将收集到的用户A的操作记录发送给用户操作记录管理服务器146。每隔预定周期，比如每隔一个月，用户操作记录管理服务器146根据用户A的操作记录，生成用户A在最近一个月时间内对各组表情图片的使用记录，该使用记录中包括用户A对各组表情图片的使用次数，用户操作记录管理服务器146将生成的使用记录提供给表情图片管理平台142。
表情图片管理平台142获得用户A在最近一个月时间内对各组表情图片的使用记录后，结合该使用记录以及各组表情图片的图像风格生成用户A的兴趣向量。同时，表情图片管理平台142还根据各个用户在最近一个月时间内对各组表情图片的使用记录，通过基于协同过滤的推荐算法计算出向用户A推荐该用户A未使用过的各组表情图片的修正前的推荐指数。表情图片管理平台142使用上述用户A的兴趣向量对该修正前的推荐指数进行修正，并按照修正后的推荐指数对用户A未使用过的各组表情图片进行排序，根据排序结果向用户A推荐其中推荐指数最高的几组表情图片。
图6是根据一示例性实施例示出的一种表情图片推荐装置的结构方框图。该表情图片推荐装置可以通过硬件或者软硬结合的方式实现为服务器集群中的部分或全部，以执行图2或图4所示实施例中的全部或者部分步骤。该表情图片推荐装置可以包括：记录获取模块601、推荐指数获取模块602、修正模块603以及推荐模块604。
记录获取模块601，用于获取用户使用过的各组表情图片的使用记录，所述各组表情图片中的每组表情图片对应至少一种图像风格，所述每组表情图片中包含至少一个图片。
其中，记录获取模块601所执行的具体步骤可以参考上述图2中步骤201下的描述，此处不再赘述。
推荐指数获取模块602，用于获取指定表情图片的修正前的推荐指数，并获取所述指定表情图片的图像风格，所述推荐指数用于指示向所述用户推荐所述指定表情图片的优先程度。
修正模块603，用于根据所述使用记录，所述每组表情图片的图像风格，以及所述指定表情图片的图像风格，对所述修正前的推荐指数进行修正，获得修正后的推荐指数。
推荐模块604，用于当所述修正后的推荐指数满足推荐条件时，向所述用户推荐所述指定表情图片。
其中，推荐模块604所执行的具体步骤可以参考上述图2中步骤205下的描述，此处不再赘述。
可选的，所述修正模块603，包括：向量生成单元以及修正单元。
向量生成单元，用于根据所述各组表情图片的使用记录，以及所述每组表情图片的图像风格，生成所述用户的兴趣向量，所述兴趣向量中的每一个元素指示所述用户使用一种图像风格的表情图片的次数。
修正单元，用于根据所述兴趣向量、所述指定表情图片的图像风格以及预设的修正公式，对所述指定表情图片的推荐指数进行修正。
其中，修正单元所执行的具体步骤可以参考上述图2中步骤204下的描述，此处不再赘述。
可选的，所述使用记录中包含用户对所述各组表情图片中的每组表情图片的使用次数，所述向量生成单元，包括：生成子单元、叠加子单元以及归一化子单元。
生成子单元，用于根据图像风格的种类数生成初始化兴趣向量，所述初始化兴趣向量中对应每一种图像风格的元素的值均为1；
叠加子单元，用于对于所述每组表情图片，在所述初始化兴趣向量中，将所述每组表情图片的图像风格对应的元素的值叠加上用户对所述每组表情图片的使用次数，获得叠加后的向量；
归一化子单元，用于对所述叠加后的向量进行归一化，获得所述用户的兴趣向量。
其中，向量生成单元所执行的具体步骤可以参考上述图2中步骤203下的描述，此处不再赘述。
可选的，所述修正公式为：
Figure BDA0001224317780000191
其中，rp(u,e)为所述修正后的推荐指数，cf(u,e)为所述修正前的推荐指数，frq(u)是所述用户在每个单位时间段内使用表情图片的平均次数，v(u)是所述兴趣向量，var(v(u))是所述兴趣向量中各个元素的方差值，sim(e,v(u))是所述指定表情图片与所述兴趣向量之间的余弦相似度。
可选的，所述推荐指数获取模块602，用于根据基于协同过滤的推荐算法计算获得所述指定表情的修正前的推荐指数。
其中，推荐指数获取模块602所执行的具体步骤可以参考上述图2中步骤202下的描述，此处不再赘述。
可选的，所述推荐条件包括以下条件中的至少一种：
所述修正后的推荐指数高于预设的指数阈值；
所述修正后的推荐指数在待推荐的表情图片的推荐指数中的排名高于预设的排名阈值。
可选的，所述装置还包括：样本获取模块、特征提取模块、训练模块以及图像风格获取模块。
样本获取模块，用于在所述记录获取模块获取用户使用过的各组表情图片的使用记录之前，获取每一种图像风格对应的表情图片样本，所述表情图片样本是表情库中被指定了对应的图像风格的部分表情图片，所述表情库中包含所述用户使用过的各组表情图片以及所述指定表情图片。
其中，样本获取模块所执行的具体步骤可以参考上述图4中步骤401下的描述，此处不再赘述。
特征提取模块，用于提取所述每一种图像风格对应的表情图片样本的图像特征信息。
其中，特征提取模块所执行的具体步骤可以参考上述图4中步骤402下的描述，此处不再赘述。
训练模块，用于对所述图像特征信息以及所述图像特征信息对应的图像风格进行机器学习训练，获得机器学习分类模型。
其中，训练模块所执行的具体步骤可以参考上述图4中步骤403下的描述，此处不再赘述。
图像风格获取模块，用于将未分类的表情图片的图像特征信息输入所述机器学习分类模型，获得所述未分类的表情图片对应的图像风格，所述未分类的表情图片是所述表情库中除所述表情图片样本之外的其它表情图片。
其中，图像风格获取模块所执行的具体步骤可以参考上述图4中步骤404下的描述，此处不再赘述。
综上所述，本发明实施例提供的表情图片推荐装置，通过用户对其使用过的各组表情图片的使用记录以及各组表情图片的图像风格，以及指定表情图片的图像风格，对指定表情图片的推荐指数进行修正后，按照修正后的推荐指数向用户推荐的表情图片就是综合考虑了用户对表情图片的图像风格的喜好程度的表情图片，从而实现了结合用户对表情图片的图像风格的个人喜好向用户进行个性化的表情图片的推荐，提高了针对单个用户的表情图片的推荐效果。
另外，本发明实施例提供的装置，通过基于协同过滤的推荐算法计算获得修正前的推荐指数，并结合用户对表情图片的图像风格的个人喜好对修正前的推荐指数进行修正，实现了结合用户的个人喜好和基于协同过滤的推荐算法向用户推荐表情图片。
此外，本发明实施例提供的装置，在生成用户的兴趣向量时，首先生成对应每一种图像风格的元素的值均为1的初始化兴趣向量，并在初始化兴趣向量的基础上叠加用户对各个图像风格的表情图片的使用次数，获得叠加后的向量并进行归一化处理，避免用户的兴趣向量中出现过多的0值而导致向量过于稀疏的问题，从而提高后续计算的准确性。
另外，本发明实施例提供的装置，在对指定表情图片的推荐指数进行修正时，综合考虑了用户在每个单位时间段内使用表情图片的平均次数以及用户的兴趣集中程度对修正的影响，提高了推荐指数修正的准确性。
此外，本发明实施例提供的装置，通过提取每一种图像风格对应的表情图片样本的图像特征信息，对所述图像特征信息以及图像特征信息对应的图像风格进行机器学习训练，获得机器学习分类模型，并将未分类的表情图片的图像特征信息输入机器学习分类模型，获得未分类的表情图片对应的图像风格，实现对各组表情图片的图像风格的自动分类。
图7是根据一示例性实施例示出的一种服务器的结构示意图。所述服务器700包括中央处理单元(CPU)701、包括随机存取存储器(RAM)702和只读存储器(ROM)703的系统存储器704，以及连接系统存储器704和中央处理单元701的系统总线705。所述服务器700还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O系统)706，和用于存储操作系统713、应用程序714和其他程序模块715的大容量存储设备707。
所述基本输入/输出系统706包括有用于显示信息的显示器708和用于用户输入信息的诸如鼠标、键盘之类的输入设备709。其中所述显示器708和输入设备709都通过连接到系统总线705的输入输出控制器710连接到中央处理单元701。所述基本输入/输出系统706还可以包括输入输出控制器710以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器710还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备707通过连接到系统总线705的大容量存储控制器(未示出)连接到中央处理单元701。所述大容量存储设备707及其相关联的计算机可读介质为服务器700提供非易失性存储。也就是说，所述大容量存储设备707可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。
不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术，CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器704和大容量存储设备707可以统称为存储器。
根据本发明的各种实施例，所述服务器700还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器700可以通过连接在所述系统总线705上的网络接口单元711连接到网络712，或者说，也可以使用网络接口单元711来连接到其他类型的网络或远程计算机系统(未示出)。
所述存储器还包括一个或者一个以上的程序，所述一个或者一个以上程序存储于存储器中，中央处理器701通过执行该一个或一个以上程序来实现图2或图4所示的表情图片推荐方法。
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，上述指令可由服务器的处理器执行以完成本发明各个实施例所示的表情图片推荐方法。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公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、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发明的一般性原理并包括本发明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，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明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。本发明的范围仅由所附的权利要求来限制。

Claims (14)

1.一种表情图片推荐方法，其特征在于，所述方法包括：
获取用户使用过的各组表情图片的使用记录，所述各组表情图片中的每组表情图片对应至少一种图像风格，所述每组表情图片中包含至少一个图片；
获取指定表情图片的修正前的推荐指数，并获取所述指定表情图片的图像风格，所述推荐指数用于指示向所述用户推荐所述指定表情图片的优先程度；
根据所述各组表情图片的使用记录，以及所述每组表情图片的图像风格，生成所述用户的兴趣向量，所述兴趣向量中的每一个元素指示所述用户使用一种图像风格的表情图片的次数；
根据所述兴趣向量、所述指定表情图片的图像风格以及预设的修正公式，对所述指定表情图片的修正前的推荐指数进行修正；
当修正后的推荐指数满足推荐条件时，向所述用户推荐所述指定表情图片。
2.根据权利要求1所述的方法，其特征在于，所述使用记录中包含用户对所述各组表情图片中的每组表情图片的使用次数，所述根据所述各组表情图片的使用记录，以及所述每组表情图片的图像风格，生成所述用户的兴趣向量，包括：
根据图像风格的种类数生成初始化兴趣向量，所述初始化兴趣向量中对应每一种图像风格的元素的值均为1；
对于所述每组表情图片，在所述初始化兴趣向量中，将所述每组表情图片的图像风格对应的元素的值叠加上用户对所述每组表情图片的使用次数，获得叠加后的向量；
对所述叠加后的向量进行归一化，获得所述用户的兴趣向量。
3.根据权利要求1所述的方法，其特征在于，所述修正公式为：
Figure FDA0002680007120000011
其中，rp(u,e)为所述修正后的推荐指数，cf(u,e)为所述修正前的推荐指数，frq(u)是所述用户在每个单位时间段内使用表情图片的平均次数，v(u)是所述兴趣向量，var(v(u))是所述兴趣向量中各个元素的方差值，sim(e,v(u))是所述指定表情图片的图像风格与所述兴趣向量之间的余弦相似度。
4.根据权利要求1所述的方法，其特征在于，所述获取指定表情图片的修正前的推荐指数，包括：
根据基于协同过滤的推荐算法计算获得所述指定表情图片的修正前的推荐指数。
5.根据权利要求1所述的方法，其特征在于，所述推荐条件包括以下条件中的至少一种：
所述修正后的推荐指数高于预设的指数阈值；
所述修正后的推荐指数在待推荐的表情图片的推荐指数中的排名高于预设的排名阈值。
6.根据权利要求1至5任一所述的方法，其特征在于，在获取用户使用过的各组表情图片的使用记录之前，所述方法还包括：
获取每一种图像风格对应的表情图片样本，所述表情图片样本是表情库中被指定了对应的图像风格的部分表情图片，所述表情库中包含所述用户使用过的各组表情图片以及所述指定表情图片；
提取所述每一种图像风格对应的表情图片样本的图像特征信息；
对所述图像特征信息以及所述图像特征信息对应的图像风格进行机器学习训练，获得机器学习分类模型；
将未分类的表情图片的图像特征信息输入所述机器学习分类模型，获得所述未分类的表情图片对应的图像风格，所述未分类的表情图片是所述表情库中除所述表情图片样本之外的其它表情图片。
7.一种表情图片推荐装置，其特征在于，所述装置包括：
记录获取模块，用于获取用户使用过的各组表情图片的使用记录，所述各组表情图片中的每组表情图片对应至少一种图像风格，所述每组表情图片中包含至少一个图片；
推荐指数获取模块，用于获取指定表情图片的修正前的推荐指数，并获取所述指定表情图片的图像风格，所述推荐指数用于指示向所述用户推荐所述指定表情图片的优先程度；
修正模块，用于根据所述各组表情图片的使用记录，以及所述每组表情图片的图像风格，生成所述用户的兴趣向量，所述兴趣向量中的每一个元素指示所述用户使用一种图像风格的表情图片的次数；
所述修正模块，还用于根据所述兴趣向量、所述指定表情图片的图像风格以及预设的修正公式，对所述指定表情图片的修正前的推荐指数进行修正；
推荐模块，用于当修正后的推荐指数满足推荐条件时，向所述用户推荐所述指定表情图片。
8.根据权利要求7所述的装置，其特征在于，所述使用记录中包含用户对所述各组表情图片中的每组表情图片的使用次数，所述装置还包括：
生成子单元，用于根据图像风格的种类数生成初始化兴趣向量，所述初始化兴趣向量中对应每一种图像风格的元素的值均为1；
叠加子单元，用于对于所述每组表情图片，在所述初始化兴趣向量中，将所述每组表情图片的图像风格对应的元素的值叠加上用户对所述每组表情图片的使用次数，获得叠加后的向量；
归一化子单元，用于对所述叠加后的向量进行归一化，获得所述用户的兴趣向量。
9.根据权利要求7所述的装置，其特征在于，所述修正公式为：
Figure FDA0002680007120000031
其中，rp(u,e)为所述修正后的推荐指数，cf(u,e)为所述修正前的推荐指数，frq(u)是所述用户在每个单位时间段内使用表情图片的平均次数，v(u)是所述兴趣向量，var(v(u))是所述兴趣向量中各个元素的方差值，sim(e,v(u))是所述指定表情图片的图像风格与所述兴趣向量之间的余弦相似度。
10.根据权利要求7所述的装置，其特征在于，
所述推荐指数获取模块，用于根据基于协同过滤的推荐算法计算获得所述指定表情图片的修正前的推荐指数。
11.根据权利要求7所述的装置，其特征在于，所述推荐条件包括以下条件中的至少一种：
所述修正后的推荐指数高于预设的指数阈值；
所述修正后的推荐指数在待推荐的表情图片的推荐指数中的排名高于预设的排名阈值。
12.根据权利要求7至11任一所述的装置，其特征在于，所述装置还包括：
样本获取模块，用于在所述记录获取模块获取用户使用过的各组表情图片的使用记录之前，获取每一种图像风格对应的表情图片样本，所述表情图片样本是表情库中被指定了对应的图像风格的部分表情图片，所述表情库中包含所述用户使用过的各组表情图片以及所述指定表情图片；
特征提取模块，用于提取所述每一种图像风格对应的表情图片样本的图像特征信息；
训练模块，用于对所述图像特征信息以及所述图像特征信息对应的图像风格进行机器学习训练，获得机器学习分类模型；
图像风格获取模块，用于将未分类的表情图片的图像特征信息输入所述机器学习分类模型，获得所述未分类的表情图片对应的图像风格，所述未分类的表情图片是所述表情库中除所述表情图片样本之外的其它表情图片。
13.一种计算机设备，其特征在于，所述计算机设备包含处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至6任一所述的表情图片推荐方法。
14.一种计算机可读存储介质，其特征在于，所述存储介质存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至6任一所述的表情图片推荐方法。
CN201710075877.0A 2017-02-08 2017-02-13 表情图片推荐方法及装置 Active CN108287857B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN201710075877.0A CN108287857B (zh) 2017-02-13 2017-02-13 表情图片推荐方法及装置
PCT/CN2018/074136 WO2018145577A1 (zh) 2017-02-08 2018-01-25 表情推荐方法和装置
PCT/CN2018/074561 WO2018145590A1 (zh) 2017-02-13 2018-01-30 表情图片推荐方法、装置、服务器集群及存储介质
US16/432,386 US10824669B2 (en) 2017-02-13 2019-06-05 Sticker recommendation method and apparatus, server cluster, and storage medium
US16/437,271 US10949000B2 (en) 2017-02-08 2019-06-11 Sticker recommendation method and apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710075877.0A CN108287857B (zh) 2017-02-13 2017-02-13 表情图片推荐方法及装置

Publications (2)

Publication Number Publication Date
CN108287857A CN108287857A (zh) 2018-07-17
CN108287857B true CN108287857B (zh) 2021-02-26

Family

ID=62831525

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710075877.0A Active CN108287857B (zh) 2017-02-08 2017-02-13 表情图片推荐方法及装置

Country Status (3)

Country Link
US (1) US10824669B2 (zh)
CN (1) CN108287857B (zh)
WO (1) WO2018145590A1 (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108287857B (zh) 2017-02-13 2021-02-26 腾讯科技（深圳）有限公司 表情图片推荐方法及装置
US10776656B2 (en) * 2017-12-22 2020-09-15 Laurent Francois MARTIN Methods and systems for applying content aware stickers onto a layout
CN110764627B (zh) * 2018-07-25 2023-11-10 北京搜狗科技发展有限公司 一种输入方法、装置和电子设备
CN109214374B (zh) * 2018-11-06 2020-12-18 北京达佳互联信息技术有限公司 视频分类方法、装置、服务器及计算机可读存储介质
CN109784382A (zh) * 2018-12-27 2019-05-21 广州华多网络科技有限公司 标注信息处理方法、装置以及服务器
CN109918675A (zh) * 2019-03-15 2019-06-21 福建工程学院 一种上下文感知的网络表情图片自动生成方法及装置
CN110516099A (zh) * 2019-08-27 2019-11-29 北京百度网讯科技有限公司 图像处理方法和装置
CN112492389B (zh) * 2019-09-12 2022-07-19 上海哔哩哔哩科技有限公司 视频推送方法、视频播放方法、计算机设备和存储介质
US11252274B2 (en) * 2019-09-30 2022-02-15 Snap Inc. Messaging application sticker extensions
CN112818146B (zh) * 2021-01-26 2022-12-02 山西三友和智慧信息技术股份有限公司 一种基于产品图像风格的推荐方法
CN112991160B (zh) * 2021-05-07 2021-08-20 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105975563A (zh) * 2016-04-29 2016-09-28 腾讯科技（深圳）有限公司 表情推荐方法及装置

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9075882B1 (en) * 2005-10-11 2015-07-07 Apple Inc. Recommending content items
US20090163183A1 (en) * 2007-10-04 2009-06-25 O'donoghue Hugh Recommendation generation systems, apparatus and methods
US9215423B2 (en) * 2009-03-30 2015-12-15 Time Warner Cable Enterprises Llc Recommendation engine apparatus and methods
US20160034970A1 (en) * 2009-10-13 2016-02-04 Luma, Llc User-generated quick recommendations in a media recommendation system
JP5440394B2 (ja) * 2010-05-31 2014-03-12 ソニー株式会社 評価予測装置、評価予測方法、及びプログラム
CN102611785B (zh) * 2011-01-20 2014-04-02 北京邮电大学 面向手机的移动用户个性化新闻主动推荐服务系统及方法
WO2013010024A1 (en) * 2011-07-12 2013-01-17 Thomas Pinckney Recommendations in a computing advice facility
US9208155B2 (en) * 2011-09-09 2015-12-08 Rovi Technologies Corporation Adaptive recommendation system
CN102663092B (zh) * 2012-04-11 2015-01-28 哈尔滨工业大学 一种基于服装组图的风格元素挖掘和推荐方法
JP5593352B2 (ja) * 2012-07-10 2014-09-24 ヤフー株式会社 情報提供装置、情報提供方法および情報提供プログラム
US8861005B2 (en) * 2012-09-28 2014-10-14 Interactive Memories, Inc. Methods for real time discovery, selection, and engagement of most economically feasible printing service vendors among multiple known vendors
US20140310304A1 (en) * 2013-04-12 2014-10-16 Ebay Inc. System and method for providing fashion recommendations
CN103440335B (zh) * 2013-09-06 2016-11-09 北京奇虎科技有限公司 视频推荐方法及装置
CN104394057B (zh) * 2013-11-04 2017-11-17 贵阳朗玛信息技术股份有限公司 表情推荐方法及装置
CN103793498B (zh) * 2014-01-22 2017-08-25 百度在线网络技术（北京）有限公司 图片搜索方法、装置以及搜索引擎
US10013601B2 (en) * 2014-02-05 2018-07-03 Facebook, Inc. Ideograms for captured expressions
CN104834677A (zh) * 2015-04-13 2015-08-12 苏州天趣信息科技有限公司 一种基于属性类别的表情图片显示方法、装置和终端
CN104881798A (zh) * 2015-06-05 2015-09-02 北京京东尚科信息技术有限公司 基于商品图像特征的个性化搜索装置及方法
US10191949B2 (en) * 2015-06-18 2019-01-29 Nbcuniversal Media, Llc Recommendation system using a transformed similarity matrix
US10114824B2 (en) * 2015-07-14 2018-10-30 Verizon Patent And Licensing Inc. Techniques for providing a user with content recommendations
US11393007B2 (en) * 2016-03-31 2022-07-19 Under Armour, Inc. Methods and apparatus for enhanced product recommendations
CN106355429A (zh) * 2016-08-16 2017-01-25 北京小米移动软件有限公司 图像素材的推荐方法及装置
CN108287857B (zh) 2017-02-13 2021-02-26 腾讯科技（深圳）有限公司 表情图片推荐方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105975563A (zh) * 2016-04-29 2016-09-28 腾讯科技（深圳）有限公司 表情推荐方法及装置

Also Published As

Publication number Publication date
WO2018145590A1 (zh) 2018-08-16
US20190286648A1 (en) 2019-09-19
CN108287857A (zh) 2018-07-17
US10824669B2 (en) 2020-11-03

Similar Documents

Publication Publication Date Title
CN108287857B (zh) 表情图片推荐方法及装置
CN107766940B (zh) 用于生成模型的方法和装置
CN110321422B (zh) 在线训练模型的方法、推送方法、装置以及设备
JP6615362B2 (ja) ユーザー似顔絵を取得する方法及び装置
CN108280477B (zh) 用于聚类图像的方法和装置
TWI658420B (zh) 融合時間因素之協同過濾方法、裝置、伺服器及電腦可讀存儲介質
TWI716057B (zh) 服務推薦方法、裝置及設備
US10949000B2 (en) Sticker recommendation method and apparatus
KR20160083900A (ko) 얼굴 표현을 위한 시스템 및 방법
US10360482B1 (en) Crowd-sourced artificial intelligence image processing services
US20210056458A1 (en) Predicting a persona class based on overlap-agnostic machine learning models for distributing persona-based digital content
CN110377587B (zh) 基于机器学习的迁移数据确定方法、装置、设备及介质
WO2020238502A1 (zh) 物品推荐方法及装置、电子设备及存储介质
TW201939400A (zh) 目標用戶群體的確定方法和裝置
US20230025533A1 (en) System and method for intelligent context-based personalized beauty product recommendation and matching
WO2019061664A1 (zh) 电子装置、基于用户上网数据的产品推荐方法及存储介质
US11620683B2 (en) Utilizing machine-learning models to create target audiences with customized auto-tunable reach and accuracy
CN111783810A (zh) 用于确定用户的属性信息的方法和装置
US10996944B2 (en) Automated software selection using matrix factorization
CN113657087B (zh) 信息的匹配方法及装置
Chamoso et al. Social computing for image matching
US11645563B2 (en) Data filtering with fuzzy attribute association
CN112449217B (zh) 一种推送视频的方法、装置、电子设备和计算机可读介质
US20230385903A1 (en) System and method for intelligent context-based personalized beauty product recommendation and matching at retail environments
US20140324523A1 (en) Missing String Compensation In Capped Customer Linkage Model

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