CN108304435B - 信息推荐方法、装置、计算机设备及存储介质 - Google Patents

信息推荐方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN108304435B
CN108304435B CN201710806375.0A CN201710806375A CN108304435B CN 108304435 B CN108304435 B CN 108304435B CN 201710806375 A CN201710806375 A CN 201710806375A CN 108304435 B CN108304435 B CN 108304435B
Authority
CN
China
Prior art keywords
user
information
tag set
recommendation
standard
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
CN201710806375.0A
Other languages
English (en)
Other versions
CN108304435A (zh
Inventor
石智灵
林立
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 CN201710806375.0A priority Critical patent/CN108304435B/zh
Publication of CN108304435A publication Critical patent/CN108304435A/zh
Priority to PCT/CN2018/100235 priority patent/WO2019047672A1/zh
Priority to US16/592,085 priority patent/US11514260B2/en
Application granted granted Critical
Publication of CN108304435B publication Critical patent/CN108304435B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F16/56—Information retrieval; Database structures therefor; File system structures therefor of still image data having vectorial format
    • 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
    • G06F16/90—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
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/30—Scenes; Scene-specific elements in albums, collections or shared content, e.g. social network photos or video
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Library & Information Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提出了一种信息推荐方法，该方法包括：获取图像信息，图像信息存在对应的用户标识，根据图像信息生成用户标识对应的用户标签集；根据用户标签集中的各个用户标签和对应的图像信息形成与用户标识对应的特征向量；将特征向量输入已训练的信息推荐模型，输出用户对待推荐信息的推荐参数；根据推荐参数，向用户标识对应的终端推荐待推荐信息。通过图像信息建立能够反映用户特点的用户标签集，并且根据用户标签集采用已训练的信息推荐模型预测用户对推荐信息的推荐参数，然后根据推荐参数进行推荐，不但提高了推荐的准确度，而且对信息不感兴趣的用户的打扰。此外，还提出了一种信息推荐装置、计算机设备及存储介质。

Description

信息推荐方法、装置、计算机设备及存储介质
技术领域
本发明涉及计算机处理领域，特别是涉及一种信息推荐方法、装置、计算机设备及存储介质。
背景技术
随着互联网的发展，人们的生活越来越多的与互联网紧密联系在了一起。在这个快节奏的时代，用户希望能够通过互联网快速的找到自己需要的产品，但是海量的产品数据每天不断地在互联网中产生，这导致互联网用户很难快速的找到自己需要的或者感兴趣的信息。为了方便用户获取信息以及内容，很多领域都会为用户推荐相关信息。但是传统的推荐方式往往是向所有用户推荐相同的信息，显然，这种信息推荐方式不够准确，且容易对其他用户造成打扰。
发明内容
基于此，有必要针对上述信息推荐不准确，容易造成信息浪费的问题，提供了一种可以能够提高推荐准确性的信息推荐方法、装置、计算机设备及存储介质。
一种信息推荐方法，所述方法包括：
获取图像信息，所述图像信息存在对应的用户标识，根据图像信息生成所述用户标识对应的用户标签集；
根据所述用户标签集中的各个用户标签和对应的图像信息形成与所述用户标识对应的特征向量；
将所述特征向量输入已训练的信息推荐模型，输出所述用户对待推荐信息的推荐参数；
根据所述推荐参数，向所述用户标识对应的终端推荐所述待推荐信息。
一种信息推荐装置，所述装置包括：
生成模块，用于获取图像信息，所述图像信息存在对应的用户标识，根据图像信息生成所述用户标识对应的用户标签集；
形成模块，用于根据所述用户标签集中的各个用户标签和对应的图像信息形成与所述用户标识对应的特征向量；
输出模块，用于将所述特征向量输入已训练的信息推荐模型，输出所述待推荐信息的推荐参数；
推荐模块，用于根据所述推荐参数，向所述用户标识对应的终端推荐所述待推荐信息。
在其中一个实施例中，所述图像信息包括图像内容信息和图像采集信息；所述生成模块还用于根据图像内容信息对图像进行分类，确定与内容信息对应的用户标签集，根据图像采集信息对图像进行分类，确定与图像采集信息对应的用户标签集。
在其中一个实施例中，所述形成模块包括：匹配模块，用于当所述用户标识对应的用户标签集的规模小于预设规模时，根据所述用户标签集中已存在的用户标签和对应的图像信息与预设的各个标准用户模型进行匹配，确定所述用户标识匹配的目标标准用户模型；特征向量确定模块，用于获取与所述目标标准用户模型对应的标准用户特征向量，将所述标准用户特征向量作为所述用户标识对应的特征向量。
在其中一个实施例中，所述匹配模块还用于根据所述用户标签集中已存在的用户标签和对应的图像信息计算所述用户标识对应的用户与所述各个标准用户模型的匹配度，将计算得到的匹配度最大的标准用户模型作为与所述用户标识匹配的目标标准用户模型。
在其中一个实施例中，所述匹配模块还用于从各个标准用户模型中获取第一标准用户模型作为当前待匹配标准用户模型，获取所述用户标签集中已存在的用户标签对应的图像数目，根据所述图像数目所在的数量级别确定各个已存在的用户标签对应的当前分数值，获取当前待匹配标准用户模型中与所述已存在的用户标签相同的标准用户标签对应的标准分数值，根据标准分数值和对应的当前分数值计算得到用户标签集中已存在的用户标签与标准用户标签的相似度，根据所述相似度得到所述用户标识对应的用户与所述当前待匹配标准用户模型的匹配度，获取下一个标准用户模型作为当前待匹配标准用户模型，重复进入所述获取当前待匹配标准用户模型中与所述已存在的用户标签相同的标准用户标签对应的标准分数值的步骤，直到得到所述用户与各个标准用户模型的匹配度。
在其中一个实施例中，所述装置还包括：训练用户标签集生成模块，用于获取训练图像信息，根据所述训练图像信息生成训练用户标签集；训练特征向量形成模块，用于根据所述训练用户标签集中的各个训练用户标签和对应的图像信息形成训练特征向量；标准输出结果获取模块，用于获取与所述训练特征向量对应的标准输出结果；训练模块，用于将所述训练特征向量作为所述信息推荐模型的输入，将对应的所述标准推荐结果作为期望的输出进行训练，得到目标信息推荐模型。
在其中一个实施例中，生成模块还用于根据图像信息确定与所述用户标识对应的一级用户标签集，提取所述一级用户标签集的特征生成对应的二级用户标签集，根据所述一级用户标签集和所述二级用户标签集形成与所述用户标识对应的用户标签集。
在其中一个实施例中，所述待推荐信息为多个，各个待推荐信息存在对应的信息推荐模型；所述输出模块还用于将所述特征向量输入已训练的各个信息推荐模型，输出对应的推荐参数集，所述推荐参数集中的各个推荐参数用于确定各个待推荐信息的推荐概率，根据各个待推荐信息的对应的推荐概率生成与所述用户标识对应的信息推荐列表，根据所述信息推荐列表确定所述用户标识对应的目标待推荐信息。
在其中一个实施例中，所述推荐模块还用于若是所述推荐参数大于预设阈值，则将所述待推荐信息以图片的形式推送给与所述用户标识对应的终端。
一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述计算机程序时实现以下步骤：
获取图像信息，所述图像信息存在对应的用户标识，根据图像信息生成所述用户标识对应的用户标签集；
根据所述用户标签集中的各个用户标签和对应的图像信息形成与所述用户标识对应的特征向量；
将所述特征向量输入已训练的信息推荐模型，输出所述待推荐信息的推荐参数；
根据所述推荐参数，向所述用户标识对应的终端推荐所述待推荐信息。在其中一个实施例中，所述图像信息包括图像内容信息和图像采集信息；所述根据图像信息生成所述用户标识对应的用户标签集的步骤包括：根据图像内容信息对图像进行分类，确定与内容信息对应的用户标签集；根据图像采集信息对图像进行分类，确定与图像采集信息对应的用户标签集。
在其中一个实施例中，根据所述用户标签集中的各个用户标签和对应的图像信息形成与所述用户标识对应的特征向量的步骤包括：当所述用户标识对应的用户标签集的规模小于预设规模时，根据所述用户标签集中已存在的用户标签和对应的图像信息与预设的各个标准用户模型进行匹配，确定所述用户标识匹配的目标标准用户模型；获取与所述目标标准用户模型对应的标准用户特征向量，将所述标准用户特征向量作为所述用户标识对应的特征向量。
在其中一个实施例中，所述根据所述用户标签集中已存在的用户标签和对应的图像信息与预设的各个标准用户模型进行匹配，确定所述用户标识匹配的目标标准用户模型的步骤包括：根据所述用户标签集中已存在的用户标签和对应的图像信息计算所述用户标识对应的用户与所述各个标准用户模型的匹配度；将计算得到的匹配度最大的标准用户模型作为与所述用户标识匹配的目标标准用户模型。
在其中一个实施例中，所述根据所述用户标签集中已存在的用户标签和对应的图像信息计算所述用户标识对应的用户与所述各个标准用户模型的匹配度的步骤包括：从各个标准用户模型中获取第一标准用户模型作为当前待匹配标准用户模型；获取所述用户标签集中已存在的用户标签对应的图像数目；根据所述图像数目所在的数量级别确定各个已存在的用户标签对应的当前分数值；获取当前待匹配标准用户模型中与所述已存在的用户标签相同的标准用户标签对应的标准分数值；根据标准分数值和对应的当前分数值计算得到用户标签集中已存在的用户标签与标准用户标签的相似度；根据所述相似度得到所述用户标识对应的用户与所述当前待匹配标准用户模型的匹配度；获取下一个标准用户模型作为当前待匹配标准用户模型，重复进入所述获取当前待匹配标准用户模型中与所述已存在的用户标签相同的标准用户标签对应的标准分数值的步骤，直到得到所述用户与各个标准用户模型的匹配度。
在其中一个实施例中，所述处理器在所述将所述特征向量输入已训练的信息推荐模型，输出所述用户对待推荐信息的推荐参数的步骤之前，还用于执行以下步骤：获取训练图像信息，根据所述训练图像信息生成训练用户标签集；根据所述训练用户标签集中的各个训练用户标签和对应的图像信息形成训练特征向量；获取与所述训练特征向量对应的标准输出结果；将所述训练特征向量作为所述信息推荐模型的输入，将对应的所述标准推荐结果作为期望的输出进行训练，得到目标信息推荐模型。
在其中一个实施例中，所述根据图像信息生成所述用户标识对应的用户标签集的步骤包括：根据图像信息确定与所述用户标识对应的一级用户标签集；提取所述一级用户标签集的特征生成对应的二级用户标签集；根据所述一级用户标签集和所述二级用户标签集形成与所述用户标识对应的用户标签集。
在其中一个实施例中，所述待推荐信息为多个，各个待推荐信息存在对应的信息推荐模型；所述将所述特征向量输入已训练的信息推荐模型，输出所述用户对待推荐信息的推荐参数的步骤包括：将所述特征向量输入已训练的各个信息推荐模型，输出对应的推荐参数集，所述推荐参数集中的各个推荐参数用于确定各个待推荐信息的推荐概率；根据各个待推荐信息的对应的推荐概率生成与所述用户标识对应的信息推荐列表；根据所述信息推荐列表确定所述用户标识对应的目标待推荐信息。
在其中一个实施例中，所述根据所述推荐参数，向所述用户标识对应的终端推荐所述待推荐信息的步骤包括：若是所述推荐参数大于预设阈值，则将所述待推荐信息以图片的形式推送给与所述用户标识对应的终端。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以下步骤：
获取图像信息，所述图像信息存在对应的用户标识，根据图像信息生成所述用户标识对应的用户标签集；
根据所述用户标签集中的各个用户标签和对应的图像信息形成与所述用户标识对应的特征向量；
将所述特征向量输入已训练的信息推荐模型，输出所述待推荐信息的推荐参数；
根据所述推荐参数，向所述用户标识对应的终端推荐所述待推荐信息。
上述信息推荐方法、装置、计算机设备及存储介质，通过图像信息建立能够反映用户特点的用户标签集，并且根据用户标签集采用已训练的信息推荐模型预测用户对推荐信息的推荐参数，然后根据推荐参数进行推荐，不但提高了推荐的准确度，而且避免了对信息不感兴趣的用户的打扰。
一种信息推荐方法，所述方法包括：
获取图像信息，所述图像信息存在对应的用户标识，根据图像信息生成所述用户标识对应的当前用户标签集；
获取待推荐信息，获取与所述待推荐信息对应的期望用户标签集；
计算所述当前用户标签集与所述期望用户标签集的相似度；
根据所述相似度，向所述用户标识对应的终端推荐所述待推荐信息。
一种信息推荐装置，所述装置包括：
当前用户标签集生成模块，用于获取图像信息，所述图像信息存在对应的用户标识，根据图像信息生成所述用户标识对应的当前用户标签集；
期望用户标签集获取模块，用于获取待推荐信息，获取与所述待推荐信息对应的期望用户标签集；
相似度计算模块，用于计算所述当前用户标签集与所述期望用户标签集的相似度；
信息推荐模块，用于根据所述相似度，向所述用户标识对应的终端推荐所述待推荐信息。在其中一个实施例中，所述当前用户标签集生成模块还用于获取图像信息，所述图像信息存在对应的用户标识，根据图像信息生成所述用户标识对应的一级用户标签集，提取所述一级用户标签集的特征生成对应的二级用户标签集；所述相似度计算模块还用于计算所述二级用户标签集与所述期望用户标签集的相似度。
在其中一个实施例中，所述相似度计算模块还用于获取所述当前用户标签集中各个当前用户标签对应的图像数目；根据所述图像数目所在的数量级别确定各个当前用户标签对应的当前分数值；获取期望用户标签集中每个用户标签对应的期望分数值；根据所述当前分数值和所述期望分数值计算得到当前用户标签集与所述期望用户标签集的相似度。
一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述计算机程序时实现以下步骤：
获取图像信息，所述图像信息存在对应的用户标识，根据图像信息生成所述用户标识对应的当前用户标签集；
获取待推荐信息，获取与所述待推荐信息对应的期望用户标签集；
计算所述当前用户标签集与所述期望用户标签集的相似度；
根据所述相似度，向所述用户标识对应的终端推荐所述待推荐信息。
在其中一个实施例中，所述获取图像信息，所述图像信息存在对应的用户标识，根据图像信息生成所述用户标识对应的当前用户标签集的步骤包括：获取图像信息，所述图像信息存在对应的用户标识，根据图像信息生成所述用户标识对应的一级用户标签集；提取所述一级用户标签集的特征生成对应的二级用户标签集；所述计算所述当前用户标签集与所述期望用户标签集的相似度的步骤包括：计算所述二级用户标签集与所述期望用户标签集的相似度。
在其中一个实施例中，所述计算所述当前用户标签集与所述期望用户标签集的相似度的步骤包括：获取所述当前用户标签集中各个当前用户标签对应的图像数目；根据所述图像数目所在的数量级别确定各个当前用户标签对应的当前分数值；获取期望用户标签集中每个用户标签对应的期望分数值；根据所述当前分数值和所述期望分数值计算得到当前用户标签集与所述期望用户标签集的相似度。
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以下步骤：
获取图像信息，所述图像信息存在对应的用户标识，根据图像信息生成所述用户标识对应的当前用户标签集；
获取待推荐信息，获取与所述待推荐信息对应的期望用户标签集；
计算所述当前用户标签集与所述期望用户标签集的相似度；
根据所述相似度，向所述用户标识对应的终端推荐所述待推荐信息。
上述信息推荐方法、装置、计算机设备及存储介质，通过图像信息建立能够反映用户特点的当前用户标签集，并且获取待推荐信息对应的期望用户标签集，根据当前用户标签集和期望用户标签集的相似度向用户标识对应的终端进行推荐，该方法不但提高了推荐的准确度，而且避免了对信息不感兴趣的用户的打扰。
附图说明
图1为一个实施例中信息推荐方法的应用环境图；
图2为一个实施例中信息推荐方法的流程图；
图3为一个实施例中根据图像信息生成用户标识对应的用户标签集的方法流程图；
图4A为一个实施例中基于内容分类结果的界面示意图；
图4B为一个实施例中基于节假日分类结果的界面示意图；
图5为一个实施例中根据用户标签集中的各个用户标签和对应的图像信息形成与用户标识对应的特征向量的方法流程图；
图6为一个实施例中确定用户标识匹配的目标标准用户模型的方法流程图；
图7为一个实施例中计算用户标识对应的用户与各个标准用户模型的匹配度的方法流程图；
图8为一个实施例中建立信息推荐模型的方法流程图；
图9为一个实施例中根据图像信息生成用户标识对应的用户标签集的方法流程图；
图10为一个实施例中将特征向量输入已训练的信息推荐模型，输出待推荐信息的推荐参数的方法流程图；
图11为另一个实施例中信息推荐方法的流程图；
图12为又一个实施例中信息推荐方法的流程图；
图13为一个实施例中根据图像信息得到二级用户标签的流程示意图；
图14为一个实施例中计算当前用户标签集与期望用户标签集的相似度的方法流程图；
图15为再一个实施例中信息推荐方法的流程图；
图16为一个实施例中信息推荐装置的结构框图；
图17为一个实施例中形成模块的结构框图；
图18为另一个实施例中信息推荐装置的结构框图；
图19为又一个实施例中信息推荐装置的结构框图；
图20为一个实施例中计算机设备的内部结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，在一个实施例中，一种信息推荐方法可应用于如图1所示的应用环境中，在该应用环境中，终端102与服务器104通过网络连接。其中，终端102可以是智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此。服务器104可以是独立的服务器，也可以是多个服务器组成的服务器集群。服务器104首先从终端102获取图像信息，图像信息存在对应的用户标识，根据图像信息生成用户标识对应的用户标签集，根据用户标签集中的各个用户标签和对应的图像信息形成与用户标识对应的特征向量，将特征向量输入已训练的信息推荐模型，输出待推荐信息的推荐参数，根据推荐参数，向用户标识对应的终端102推荐待推荐信息。
如图2所示，在一个实施例中，提出了一种信息推荐方法，下面以应用于服务器为例，该方法具体包括以下步骤：
步骤S202，获取图像信息，图像信息存在对应的用户标识，根据图像信息生成用户标识对应的用户标签集。
其中，图像信息包括图像内容信息、图像采集信息、图像数目信息等中的至少一种。图像可以是图片，也可以是视频，视频可以看作是一帧帧的图片组成的。获取到的图像信息与用户标识对应，用户标识用于唯一标识一个用户，用户标识可以是用户注册的账号、也可以是终端标识、还可以是为用户分配的唯一编号等。用户标签集是由多个用户标签组成的，用户标签代表了用户的特征。用户标签可以是用户的年龄、性别、爱好、经济能力、作息规律等。在一个实施例中，图像信息可以是终端通过对图像进行识别得到的信息，比如，首先由终端使用图像识别技术识别出图像内容，然后将识别出的图像内容上传到服务器，服务器获取图像信息，根据获取到的图像信息进行分类，比如，将识别出的山、大海、雪地、天空等统一归类为风景类，将识别出的包含有两个人物以上的图像统一归类为合照等。然后根据分类的结果生成用户标识对应的用户标签集，比如，用户标签包括风景、合照、自拍、美食等。在另一个实施例中，图像信息也可以是图像本身，终端直接将终端中的图像上传到服务器，然后服务器通过照片识别技术对图像进行识别，根据识别的结果进行分类，然后根据分类的结果生成用户标识对应的用户标签集。
步骤S204，根据用户标签集中的各个用户标签和对应的图像信息形成与用户标识对应的特征向量。
其中，用户标签集中的每个用户标签代表了一个用户特征，根据每个用户标签和对应的图像信息确定与每个用户标签对应的特征值，根据各个用户标签对应的特征值形成与用户标识对应的特征向量。特征向量是指能够全面反映用户特征的向量。举个例子，假设用户标签集中的用户标签包括美食、风景、合照、自拍、动物、建筑等6个用户标签，将每个用户标签对应的图片数作为相应的特征值，比如，美食有5张，风景有10张、合照有20张、自拍有15张、动物有3张、建筑有18张，预先设置用户标签的排列顺序，比如，排列顺序为美食、风景、合照、自拍、动物、建筑，那么对应的特征向量可以表示为(5,10,20,15,3,18)。
步骤S206，将特征向量输入已训练的信息推荐模型，输出待推荐信息的推荐参数。
其中，信息推荐模型用于预测用户对待推荐信息是否感兴趣，输出相应的对待推荐信息的推荐参数，推荐参数反映了用户对待推荐信息的感兴趣情况。待推荐信息是指需要投放给用户的目标信息。在一个实施例中，推荐参数为输出的对待推荐信息是否推荐的结果，即推荐参数为推荐或不推荐，后续直接根据该推荐结果即可确定是否推荐待推荐信息。在另一个实施例中，推荐参数为计算得到的推荐概率或不推荐概率，即输出的是用户对待推荐信息感兴趣的概率，后续根据推荐概率确定是否推荐待推荐信息。
步骤S208，根据推荐参数，向用户标识对应的终端推荐待推荐信息。
其中，推荐参数反映了用户对待推荐信息的感兴趣情况。若推荐参数是一个推荐概率，则预先设置一个推荐阈值，若推荐参数大于预设的推荐阈值，则说明用户对待推荐信息感兴趣，将待推荐信息推送到与用户标识对应的终端。若推荐参数是推荐或不推荐的结果，则直接根据得到的推荐或不推荐结果来确定是否向用户标识对应的终端推送待推荐信息，即如果推荐参数为推荐，则向用户标识对应的终端进行推送，若推荐参数为不推荐，则不向用户标识对应的终端进行推送。
上述信息推荐方法，通过获取图像信息，根据图像信息生成用户标识对应的用户标签集，然后根据用户标签集中的各个用户标签和对应的图像信息形成与用户标识对应的特征向量，将特征向量输入已训练的信息推荐模型，输出待推荐信息的推荐参数，根据推荐参数向用户标识对应的终端推荐待推荐信息。该信息推荐方法通过图像信息建立能够反映用户特点的用户标签集，并且根据用户标签集采用已训练的信息推荐模型预测用户对推荐信息的推荐参数，然后根据推荐参数进行推荐，不但提高了推荐的准确度，而且避免了对信息不感兴趣的用户的打扰。
如图3所示，在一个实施例中，所述图像信息包括图像内容信息和图像采集信息；所述根据图像信息生成所述用户标识对应的用户标签集的步骤包括：
步骤S202A，根据图像内容信息对图像进行分类，确定与内容信息对应的用户标签集。
其中，图像信息包括图像内容信息和图像采集信息。图像内容信息是指图像中包含的内容信息，根据图像中包含的内容信息对图像进行分类，比如，可以根据内容信息将图片分为风景、美食、宝宝、合照、自拍等。在一个实施例中，将图像内容信息为山、大海、雪地、天空、树林等风景类的图片统一归为风景，将含有小宝宝的图片统一归为宝宝，将通过终端自拍得到的图片统一归为自拍等，如图4A所示，为一个实施例中，基于内容分类结果的界面示意图。然后根据分类的结果确定与每类内容信息对应的用户标签，形成基于内容分类的用户标签集。举个例子，假设根据图像信息内容进行分类，得到的分类结果包括风景、合照、美食、自拍；那么将会把风景、合照、美食、自拍分别作为相应的用户标签。也就是说，将基于识别到的内容进行分类后得到的用户标签集作为与内容信息对应的用户标签集。
步骤S202B，根据图像采集信息对图像进行分类，确定与图像采集信息对应的用户标签集。
其中，图像采集信息包括采集时间信息、采集位置信息等中的至少一种。即可以单独根据采集时间对图像进行分类，也可以单独根据采集位置对图像进行分类，还可以同时根据采集时间和采集位置对图像进行分类。在一个实施例中，根据采集位置(拍摄地点)对图像进行分类。首先，获取每一张图像对应的采集位置信息，得出每一张图像所在的拍摄城市，然后统计每个城市出现的次数或频率，将次数或频率最高的城市作为用户的常住地，将常住地以外的地方作为旅游地。可以将同一地点拍摄的图像归为一类，这样不但可以得出用户所在的城市，而且可以统计出外出旅游的次数，包括国内旅游的次数和国外旅游的次数，这些都可以作为用户标签。在另一个实施例中，根据采集时间对图像进行分类。如果是在假期或者特定节日拍摄的照片，可以将照片分为春节相册、国庆节相册等，如图4B为一个实施例中，基于节假日分类结果的界面示意图。节日相册也是用户的一个标签，反映了用户的日常生活状态和拍照喜好。比如，如果用户的拍照时间都是集中在节假日，说明用户是标准的上班族。通过根据图像采集信息对图像进行分类获取到的用户标签集作为与图像信息对应的用户标签集。在另一个实施例中，图像采集信息还包括采集设备信息，将相应的采集设备信息也作为一个用户标签，比如，采集设备为IPhone7，那么将该IPone7也作为一个用户标签。
如图5所示，在一个实施例中，根据用户标签集中的各个用户标签和对应的图像信息形成与用户标识对应的特征向量的步骤S204包括：
步骤S204A，判断用户标识对应的用户标签集的规模是否小于预设规模，若是，则进入步骤S204B，若否，则直接进入步骤S204D。
其中，用户标签集的规模用于衡量用户标签的完整度，包括用户标签的数目、用户标签集对应的图像总数目等中的至少一种。考虑到某些用户标识对应的用户标签集的规模比较小，比如，某些用户由于刚换手机，导致手机存储的照片比较少，那么仅凭已有图像得到的用户标签势必会比较少，而根据少量的用户标签得到的预测结果很容易失真。所以有必要针对这些标签信息不够完整的用户，建立辅助标签系统来完善用户的标签。首先，预先设置用户标签集的预设规模，其中，预设规模可以是预先设置的用户标签的数目，比如，预设用户标签数目为10作为预设规模；预设规模也可以是预先设置的图像总数目，比如，预设图像总数目为50作为预设规模；当然，预设规模也可以既包括预先设置的用户标签数目，也包括图像总数目，即预设规模包括预先设置的用户标签数目和图像总数目，只有同时满足这两个条件才算是达到了预设规模。具体地，首先根据用户标识对应的用户标签集的规模来判断是否达到了预设规模，若是达到了预设规模，说明用户标识对应的用户标签集已经比较完善，直接可以根据已有的用户标签集中的各个用户标签和对应的图像信息形成与用户标识对应的特征向量。若没有达到预设规模，说明用户标识对应的用户标签集需要进一步的完善。
步骤S204B，根据用户标签集中已存在的用户标签和对应的图像信息与预设的各个标准用户模型进行匹配，确定用户标识匹配的目标标准用户模型。
其中，标准用户模型是指预先设置的能够代表某一类人群特征的用户模型。比如，代表年轻妈妈这类人群的标准年轻母亲模型。将具有相同或相似特征的用户划分为同一群体，并且设置能够代表该群体特征的标准用户模型，标准用户模型是通过能够反映相应群体特征的用户标签集来描述的。具体地，预先设置多个标准用户模型，比如，设置标准年轻母亲模型、标准年轻男孩模型、标准二次元女孩模型等，当用户标识对应的用户标签集的规模小于预设规模时，获取用户标签集中已存在的用户标签，根据已存在的用户标签与相应的标准用户模型对应的用户标签集进行匹配，将与该用户标识匹配度最高的标准用户模型作为匹配的目标标准用户模型。在一个实施例中，可以根据具有相同用户标签的数目来计算匹配度，比如，待完善用户标签集的用户标识所对应的已存在的用户标签有6个，假设标准用户模型有3个，分别为A、B、C，假设A模型对应的用户标签中与上述已存在的用户标签一共有4个相同的用户标签，那么相应的匹配度为4，与B模型的用户标签相同的有3个，相应的匹配度为3，与C模型用户标签相同的有5个，相应的匹配度为5，那么由于C与上述用户具有相同的用户标签最多，所以将C模型作为匹配的目标标准用户模型。
步骤S204C，获取与目标标准用户模型对应的标准用户特征向量，将标准用户特征向量作为用户标识对应的特征向量。
其中，标准用户特征向量是指标准用户模型对应的特征向量，其是根据标准用户模型对应的用户标签集以及相应的图像信息来确定的。用户标签集中的每个用户标签代表一个用户特征，根据每个用户标签对应的图像信息确定与该用户标签对应的特征值，根据标准用户模型对应的各个用户标签对应的特征值形成了与用户标识对应的特征向量。标准用户特征向量能够全面反映标准用户特征的向量。具体地，在确定了与用户标识匹配的目标标准用户模型后，获取与目标标准用户模型对应的标准用户特征向量，可以直接将该标准用户特征向量作为用户标识对应的特征向量，便于后续根据该特征向量进行推荐参数的计算。当用户标识对应的用户标签集不够完善时，通过与预设的标准用户模型进行匹配，然后将匹配得到的目标标准用户模型所对应的特征向量作为该用户标识对应的特征向量，有利于提高推荐的准确性。
步骤204D，根据用户标签集中的各个用户标签和对应的图像信息形成与用户标识对应的特征向量。
具体地，当用户标签集的规模大于预设规模时，说明用户标签集中的用户标签比较完善，直接根据用户标签集中的用户标签和对应的图像信息既可确定与该用户标识对应的特征向量。其中，特征向量是指能够全面反映用户特征的向量。
如图6所示，在一个实施例中，所述根据所述用户标签集中已存在的用户标签和对应的图像信息与预设的各个标准用户模型进行匹配，确定所述用户标识匹配的目标标准用户模型的步骤S204B包括：
步骤S602，根据用户标签集中已存在的用户标签和对应的图像信息计算用户标识对应的用户与各个标准用户模型的匹配度。
其中，匹配度是指用户标识对应的用户与标准用户模型所代表的标准用户的匹配度。已存在的用户标签是指已获取到的用户标签。由于用户标签集中的用户标签不够完善，所以需要根据已存在的用户标签来获取未知的用户标签。为了获取到未知的用户标签，首先需要预先设置标准用户模型，标准用户模型代表的是具有相同特征或相似特征的一类群体，其对应有相应的标准用户标签集。通过计算用户与各个标准用户模型的匹配度，进而确定与该用户匹配的标准用户模型，将标准用户模型所对应的标准用户标签集作为该用户的用户标签集，从而完善了该用户的用户标签集。具体地，首先，根据已存在的用户标签和对应的图像信息确定每个用户标签对应的当前特征值，然后获取各个标准用户模型中与已存在用户标签相同的用户标签所对应的标准特征值，根据当前特征值和标准特征值来计算用户标识对应的用户与各个标准用户模型的匹配度。
步骤S604，将计算得到的匹配度最大的标准用户模型作为与用户标识匹配的目标标准用户模型。
其中，目标标准用户模型是指计算得到的与用户标签匹配的标准用户模型。具体地，在计算得到用户标识对应的用户与各个标准用户模型的匹配度后，将计算得到的与用户标识对应的用户匹配度最大的标准用户模型作为目标标准用户模型。通过匹配标准用户模型，将标准用户模型所对应的标准用户标签集作为用户标识对应的用户标签集有利于提高后续推荐信息的准确度。
如图7所示，在一个实施例中，根据用户标签集中已存在的用户标签和对应的图像信息计算用户标识对应的用户与各个标准用户模型的匹配度的步骤S602包括：
步骤S602A，从各个标准用户模型中获取第一标准用户模型作为当前待匹配标准用户模型。
具体地，由于存在多个标准用户模型，需要分别计算与每个标准用户模型的匹配度，首先，从多个标准用户模型中获取一个标准用户模型(第一标准用户模型)作为当前待匹配的标准用户模型。
步骤S602B，获取用户标签集中已存在的用户标签对应的图像数目。
具体地，从与已存在的用户标签对应的图像信息中获取与已存在的用户标签对应的图像数目。图像数目是指图片的个数。比如，假设已存在的用户标签有美食、风景、自拍、合照等，其中，美食对应的图片数目为7个，风景对应的图像数目为5个，自拍对应的图像数目为10个，合照对应的图像数目为5个。
步骤S602C，根据图像数目所在的数量级别确定各个已存在的用户标签对应的当前分数值。
其中，当前分数值是指根据用户标签对应的图像数目所确定的与用户标签对应的分数值。具体地，预先设置图像数目与分数值的对应关系，在获取到已存在的用户标签所对应的图像数目后，根据图像数目所在的数量级别来确定相应的当前分数值。比如，设置标签赋分系统，当用户标签所对应的图像数目在[1，10)区间内时，设置该用户标签对应的当前分数值为1分，在[10，50)区间内时，设置用户标签对应的当前分数值为2分，在在[50，100)区间内时，设置用户标签对应的当前分数值为3分，在[100，200)区间内时，设置用户标签对应的当前分数值为4分，达到200张及以上时，设置用户标签对应的当前分数值为5分。假设用户A已存在的用户标签包括美食、游戏、风景三个标签，而美食有10张，游戏有5张，风景有20张，那么该用户A已存在的用户标签对应的当前分数值分别为：美食2分，游戏1分，风景2分。
步骤S602D，获取当前待匹配标准用户模型中与已存在的用户标签相同的标准用户标签对应的标准分数值。
其中，标准分数值是指标准用户模型中标准用户标签所对应的分数值。首先获取当前待匹配标准用户模型中与已存在的用户标签相同的标准用户标签，然后再获取相应的标准分数值。假设已存在的用户标签有美食、游戏、风景，那么获取标准用户模型中的美食、游戏、风景标签，然后获取与美食、游戏、风景对应的标准分数值。如果标准用户标签中不存在与已存在的用户标签相同的标准用户标签，那么将相应的标准用户标签的标准分数值为0，比如，标准用户模型对应的标准用户标签集中没有美食这个用户标签，那么将该标准用户模型中美食标签对应的标准分数值设为0。
步骤S602E，根据标准分数值和对应的当前分数值计算得到用户标签集中已存在的用户标签与标准用户标签的相似度。
其中，相似度是指当前用户所对应的用户标签与标准用户模型中的标准用户标签的标签相似度。标准用户标签是指与已存在的用户标签相同的标准用户模型中标签。在一个实施例中，已存在的用户标签与标准用户标签的相似度是根据两者所对应的分数值的比值来确定的，即根据当前分数值和标准分数值的比值来确定的，通过将当前分数值和标准分数值中较大的值作为分母，将较小的值作为分子，然后确定两者的相似度。比如，美食标签对应的当前分数值为2，标准分数值为3，那么将2作为分子，将3作为分母，得到两者的相似度为2/3。通过这种方式可以计算得到每个已存在的用户标签与标准用户标签的相似度。
步骤S602F，根据相似度得到用户标识对应的用户与当前待匹配标准用户模型的匹配度。
其中，在计算得到每个已存在的用户标签与标准用户标签的相似度后，根据相似度来计算用户标识对应的用户与当前待匹配标准用户模型的匹配度。在一个实施例中，可以将各个已存在的用户标签与标准用户标签的相似度之和作为两者的匹配度。举个例子，假设用户A对应的已存在的用户标签有演出、风景、截图、美女，如表1中所示，演出对应的当前分数值为3分，风景对应的当前分数值为1分，截图对应的当前分数值为2分，美女对应的当前分数值为1分。而标准用户模型1中相应的标准用户标签的分数值分别为：演出对应的标准分数值为0分，风景对应的标准分数值为2分，截图对应的标准分数值为4分，美女对应的标准分数值为1分。
表1
用户 演出 风景 截图 美女
用户A 3分 1分 2分 1分
标准用户模型1 0分 2分 4分 1分
首先，计算标签的相似度，演出标签的相似度为0，风景标签的相似度为1/2，截图标签对应的相似度为2/4，美女标签对应的相似度为1。若直接将相似度之和作为匹配度，则匹配度＝0+1/2+2/4+1＝2。在另一个实施例中，匹配度等于总的相似度除以总的用户标签数目，即匹配度＝相似度总和/标签数目。
步骤S602G，判断当前待匹配标准用户模型是否为最后一个标准用户模型，若是，则结束，若否，则进入步骤S602H。
具体地，如果当前待匹配标准用户模型为最后一个标准用户模型，则结束，如果不是最后一个，那么继续获取下一个标准用户模型作为当前待匹配标准用户模型，继续计算用户与下一个标准用户模型的匹配度。
步骤S602H，获取下一个标准用户模型作为当前待匹配标准用户模型，重复执行步骤S602D-S602G。
其中，计算完用户与当前标准用户模型的匹配度后，获取下一个标准用户模型作为当前待匹配标准用户模型，然后重复进入获取当前待匹配标准用户模型中与已存在的用户标签相同的标准用户标签对应的标准分数值的步骤，直到得到用户与各个标准用户模型的匹配度。
如图8所示，在将特征向量输入已训练的信息推荐模型，输出用户对待推荐信息的推荐参数的步骤之前还包括：建立信息推荐模型。建立信息推荐模型的步骤包括：
步骤S201A，获取训练图像信息，根据训练图像信息生成训练用户标签集。
其中，训练图像信息是指用于作为信息推荐模型训练数据的图像信息。训练用户标签集是根据训练图像信息得到的。通过对训练图像信息按照如上述预测时相同的分类处理方式得到训练用户标签集。训练用户标签集是由多个训练用户标签组成的，训练用户标签代表了用户的特征，训练用户标签可以是训练用户的年龄、性别、爱好、经济能力、作息规律等。需要说明的是，建立信息推荐模型中获取训练图像信息，根据训练图像信息生成训练用户标签集与上述在使用已训练的信息推荐模型前，获取图像信息，以及根据图像信息生成用户标签集的处理方式保持一致，提取的用户标签也保持一致。
步骤S201B，根据训练用户标签集中的各个训练用户标签和对应的图像信息形成训练特征向量。
其中，训练用户标签集中的每个用户标签代表了一个用户特征，根据每个训练用户标签对应的图像信息确定与该训练用户标签对应的训练特征值，根据各个训练用户标签对应的训练特征值形成训练特征向量。训练特征向量是指能够全面反映训练用户特征的向量。
步骤S201C，获取与训练特征向量对应的标准输出结果。
其中，标准输出结果是指与训练特征向量对应的已知结果。将已知用户行为结果的图像信息作为训练数据，将相应的已知行为结果作为标准输出结果。
步骤S201D，将训练特征向量作为信息推荐模型的输入，将对应的标准输出结果作为期望的输出进行训练，得到目标信息推荐模型。
其中，将代表训练用户特征的训练特征向量作为待训练的信息推荐模型的输入，将对应的标准输出结果作为期望的输出进行训练。在训练的过程中通过不断调整信息推荐模型的模型参数使得实际输出的推荐结果与标准输出结果不断接近，直到两者的误差符合条件完成对模型的训练。具体地，对信息推荐模型进行训练的方法有多种，比如，线性回归，神经网络、支持向量机等多种机器学习模型。
下面以线性回归模型的训练算法为例介绍一下具体的训练过程。1)确定训练特征。根据用户标签集中的用户标签以及相应的图像信息来确定训练特征，比如设置用户特征包括用户的年龄、性别、总的图像数、分类相册数、国内旅游相册数、国外旅游相册数、节日相册数、宝宝图片数、风景图片数、自拍图片数、合照图片数和美食图片数等12个特征。2)根据确定的训练特征组成特征向量。设置特征向量中各个特征的排列顺序，比如，设置特征向量＝<年龄、性别、总的图像数、分类相册数、国内旅游相册数、国外旅游相册数、节日相册数、宝宝图片数、风景图片数、自拍图片数、合照图片数、美食图片数>。其中，性别分别用0或1来表示男或女。举个例子，某男性用户，20岁，对应的总的图像数为200、分类相册数为5、国内旅游相册数为3、国外旅游相册数为1、节日相册数为1、宝宝图片数为0、风景图片数为50、自拍图片数为10、合照图片数100、美食图片数为40。对应的特征向量可以表示为<20，0,200，5,3，1，1，0，50，10，100，40>。3)获取与特征向量对应的用户行为数据，比如，点击了待推荐信息，则标记为1，未点击待推荐信息，则标记为0。4)确定训练数据。一条完整的训练数据表示为<特征向量，标记>。5)采用基于训练回归的模型训练方法。首先，假设用户特征与行为结果满足线性关系，相应的公式表示如下：
Figure BDA0001402800950000201
其中，
Figure BDA0001402800950000202
表示特征向量，w表示权重矩阵，b表示偏移矩阵。线性回归就是用一条曲线去拟合训练数据的输出与标准输出，使得两者的误差尽量小，具体地，定义一个损失函数：
Figure BDA0001402800950000203
代表了实际输出值与标准输出值的均方误差。其中，n表示n条训练数据，f(xi)表示第i条训练数据的实际输出，yi表示第i条训练数据对应的标准输出结果。我们的目的是通过调节权重和偏移是的上述损失函数最小。具体求解的方式可以采用梯度下降法、最小二乘法等。
如图9所示，所述根据图像信息生成用户标识对应的用户标签集的步骤包括：
步骤S202A，根据图像信息确定与用户标识对应的一级用户标签集。
其中，一级用户标签是指根据图像信息直接可以获取得到的用户标签，即根据图像本身的信息即可得到的用户标签称为“一级用户标签”，由一级用户标签组成的标签集称为“一级用户标签集”。其中，图像信息包括图像内容信息、图像采集信息、图像数目信息等，根据图像内容信息、图像采集信息、图像数目信息直接得到的用户标签都是一级用户标签。比如，根据图像内容信息进行分类直接得到的风景、合照、自拍、美食等用户标签都是一级用户标签。
步骤S202B，提取一级用户标签集的特征生成对应的二级用户标签集。
其中，二级用户标签是指通过提取一级用户标签的特征间接获取到标签。具体地，预先设置一级用户标签与二级用户标签的映射关系，其中，一级用户标签与二级用户标签可以是多对一的关系，通过提取一级标签所对应的特征来确定相应的二级用户标签。比如，根据用户对应的“宝宝”、“性别”、“年龄”三个标签对应的特征来确定相应的二级用户标签，比如，假设“宝宝”标签对应的照片数(特征)为100，性别标签对应的特征为女，年龄标签对应的特征为25，那么可以推测用户为一个年轻妈妈，相应地将“年轻妈妈”作为用户的二级标签。根据用户对应的“合照”标签所对应的合照数(特征)来提取用户的社交属性，如果合照标签对应的照片数比较多，则可以推测用户为“社交广”的用户，将“社交广”作为用户的二级标签。根据用户拍摄机型、拍摄地点可以推测出用户的经济能力，比如，若用户拍摄机型普通，拍摄地点也比较普通，说明该用户经济能力一般，将“经济能力普通”作为相应的二级用户标签。
步骤S202C，根据一级用户标签集和二级用户标签集形成与用户标识对应的用户标签集。
具体地，为了更好更准确地进行信息推荐，将得到的一级用户标签集和二级用户标签集都作为与用户标识对应的用户标签集，即用户标签集既包括一级用户标签，也包括二级用户标签。通过加入二级用户标签有利于进一步提高信息推荐准确性。
如图10所示，所述待推荐信息为多个，各个待推荐信息存在对应的信息推荐模型；所述将所述特征向量输入已训练的信息推荐模型，输出待推荐信息的推荐参数的步骤S208包括：
步骤S208A，将特征向量输入已训练的各个信息推荐模型，输出对应的推荐参数集，推荐参数集中的各个推荐参数用于确定各个待推荐信息的推荐概率。
其中，待推荐信息有多个时，每个待推荐信息都对应存在一个信息推荐模型，即信息推荐模型相应的有多个。将特征向量输入已训练的各个信息推荐模型，得到每个信息推荐模型输出的推荐参数，构成推荐参数集。推荐参数集中的各个推荐参数用于确定各个待推荐信息的推荐概率。具体地，假设有N个待推荐信息，相应的有N个信息推荐模型，继而得到N个推荐参数，根据每个推荐参数确定相应待推荐信息的推荐概率，即根据N个推荐参数确定N个推荐概率。
步骤S208B，根据各个待推荐信息的对应的推荐概率生成与用户标识对应的信息推荐列表。
具体地，在确定了每个待推荐信息对应的推荐概率后，根据推荐概率的大小生成与用户标识对应的信息推荐列表。在一个实施例中，根据各个待推荐信息对应的推荐概率，按照推荐概率从大到小的顺序进行排列，生成信息推荐列表。
步骤S208C，根据信息推荐列表确定用户标识对应的目标待推荐信息。
具体地，确定了信息推荐列表后，根据信息推荐列表来确定用户标识对应的目标待推荐信息。在一个实施例中，将信息推荐列表中的前预设个数信息(比如，前3个)作为目标待推荐信息进行推送。在另一个实施例中，将信息推荐列表中推荐概率大于预设概率阈值(比如，60％)的待推荐信息作为目标待推荐信息进行推送。
在一个实施例中，所述根据所述推荐参数，向所述用户标识对应的终端推荐所述待推荐信息的步骤包括：若是所述推荐参数大于预设阈值，则将所述待推荐信息以图片的形式推送给与所述用户标识对应的终端。
其中，推荐参数的大小反映了用户对待推荐信息的感兴趣程度，预先设置推荐参数阈值，当推荐参数大于预设阈值时，则将待推荐信息以图片的形式推送给用户标识对应的终端。比如，在进行广告投放的时候，将广告内容伪装为照片的形式下发到用户界面，以便吸引用户注意。
如图11所示，提出了一种信息推荐方法，该方法包括以下步骤：
步骤S1101，获取训练图像信息，根据训练图像信息生成训练用户标签集。
步骤S1102，根据训练用户标签集中的各个训练用户标签和对应的图像信息形成训练特征向量。
步骤S1103，获取与训练特征向量对应的标准输出结果。
步骤S1104，将训练特征向量作为信息推荐模型的输入，将对应的标准输出结果作为期望的输出进行训练，得到目标信息推荐模型。
步骤S1105，获取图像信息，图像信息存在对应的用户标识，图像信息包括图像内容信息和图像采集信息；
步骤S1106，根据图像内容信息对图像进行分类，确定与内容信息对应的用户标签集，根据图像采集信息对图像进行分类，确定与图像采集信息对应的用户标签集。
步骤S1107，判断用户标识对应的用户标签集的规模是否小于预设规模，若是，则进入步骤S1108，若否，则进入步骤S1109。
步骤S1108，根据用户标签集中已存在的用户标签和对应的图像信息与预设的各个标准用户模型进行匹配，确定用户标识匹配的目标标准用户模型，获取与目标标准用户模型对应的标准用户特征向量，将标准用户特征向量作为用户标识对应的特征向量。
步骤S1109，根据用户标签集中的各个用户标签和对应的图像信息形成与用户标识对应的特征向量。
步骤S1110，将特征向量输入已训练的信息推荐模型，输出待推荐信息的推荐参数。
步骤S1111，根据推荐参数，向用户标识对应的终端推荐待推荐信息。
如图12所示，在一个实施例中，提出了一种信息推荐方法，该方法包括：
步骤S1202，获取图像信息，图像信息存在对应的用户标识，根据图像信息生成用户标识对应的当前用户标签集。
其中，图像信息包括图像内容信息、图像采集信息、图像数目信息等中的至少一种。图像可以是图片，也可以是视频，视频可以看作是一帧帧的图片组成的。获取到的图像信息与用户标识对应，用户标识用于唯一标识一个用户，用户标识可以是用户注册的账号、也可以是终端标识、还可以是为用户分配的唯一编号等。当前用户标签集是由多个当前用户标签组成的，当前用户标签代表了当前用户的特征。当前用户标签可以是用户的年龄、性别、爱好、经济能力、作息规律等。在一个实施例中，图像信息可以是终端通过对图像进行识别得到的信息，比如，首先由终端使用图像识别技术识别出图像内容，然后将识别出的图像内容上传到服务器，服务器获取图像信息，根据获取到的图像信息进行分类，比如，将识别出的山、大海、雪地、天空等统一归类为风景类，将识别出的包含有两个人物以上的图像统一归类为合照等。然后根据分类的结果生成用户标识对应的当前用户标签集，比如，当前用户标签包括风景、合照、自拍、美食等。在另一个实施例中，图像信息也可以是图像本身，终端直接将终端中的图像上传到服务器，然后服务器通过照片识别技术对图像进行识别，根据识别的结果进行分类，然后根据分类的结果生成用户标识对应的当前用户标签集。
步骤S1204，获取待推荐信息，获取与待推荐信息对应的期望用户标签集。
其中，期望用户标签集用于表示待推荐信息对应的目标用户群体所对应的特征。预先设置待推荐信息对应的期望用户标签集。在一个实施例中，期望用户标签集的确定可以通过获取已知的对待推荐信息感兴趣的用户群体，将该用户群体中所共有的用户标签作为期望用户标签，形成期望用户标签集。
步骤S1206，计算当前用户标签集与期望用户标签集的相似度。
其中，为了确定当前用户是否为待推荐信息对应的目标用户，在获取到当前用户对应的当前用户标签集后，计算当前用户标签集与期望用户标签集的相似度，便于根据相似度确定当前用户是否为待推荐信息所对应的目标用户。在一个实施例中，可以通过计算当前用户标签集中的当前用户标签与期望用户标签集中的期望用户标签的重合度来计算两者的相似度，比如，当前用户标签集中当前用户标签有20个，期望用户标签集中的期望用户标签有25个，其中当前用户标签与期望用户标签重合的用户标签有15个，那么两者的重合度为15/25，可以将两者的重合度作为相似度，即两者的相似度为3/5。为了更精确地计算当前用户标签集与期望用户标签集的相似度，在一个实施例中，除了获取用户标签，还需要获取每个用户标签的特征值，即除了计算用户标签的重合度，还需要计算相同用户标签之间的相似度，根据当前用户标签对应的特征值与期望用户标签对应的特征值来具体确定标签相似度，根据各个用户标签的相似度来确定当前用户标签集与期望用户标签集的相似度。
步骤S1208，根据相似度，向用户标识对应的终端推荐待推荐信息。
具体地，预先设置相似度阈值，判断计算得到的相似度是否大于预设的相似度阈值，若是，则向用户标识对应的终端推荐待推荐信息，若否，则不推荐。
上述信息推荐方法，通过图像信息建立能够反映用户特点的当前用户标签集，并且获取待推荐信息对应的期望用户标签集，根据当前用户标签集和期望用户标签集的相似度向用户标识对应的终端进行推荐，该方法不但提高了推荐的准确度，而且避免了对信息不感兴趣的用户的打扰。
在一个实施例中，所述获取图像信息，所述图像信息存在对应的用户标识，根据图像信息生成所述用户标识对应的用户标签集的步骤S1202包括：获取图像信息，所述图像信息存在对应的用户标识，根据图像信息生成所述用户标识对应的一级用户标签集；提取一级用户标签集的特征生成对应的二级用户标签集
其中，一级用户标签是指根据图像信息直接可以获取得到的用户标签，即根据图像本身的信息即可得到的用户标签称为“一级用户标签”，由一级用户标签组成的标签集称为“一级用户标签集”。其中，图像信息包括图像内容信息、图像采集信息、图像数目信息等，根据图像内容信息、图像采集信息、图像数目信息直接得到的用户标签都是一级用户标签。比如，根据图像内容信息进行分类直接得到的风景、合照、自拍、美食等用户标签都是一级用户标签。二级用户标签是指通过提取一级用户标签的特征间接获取到标签。具体地，预先设置一级用户标签与二级用户标签的映射关系，其中，一级用户标签与二级用户标签可以是多对一的关系，通过提取一级标签所对应的特征来确定相应的二级用户标签。比如，根据用户对应的“宝宝”、“性别”、“年龄”三个标签对应的特征来确定相应的二级用户标签，比如，假设“宝宝”标签对应的照片数(特征)为100，性别标签对应的特征为女，年龄标签对应的特征为25，那么可以推测用户为一个年轻妈妈，相应地将“年轻妈妈”作为用户的二级标签。根据用户对应的“合照”标签所对应的合照数(特征)来提取用户的社交属性，如果合照标签对应的照片数比较多，则可以推测用户为“社交广”的用户，将“社交广”作为用户的二级标签。根据用户拍摄机型、拍摄地点可以推测出用户的经济能力，比如，若用户拍摄机型普通，拍摄地点也比较普通，说明该用户经济能力一般，将“经济能力普通”作为相应的二级用户标签。如图13所示，为一个实施例中，由图像信息得到一级用户标签，然后由一级用户标签得到二级用户标签的流程示意图。
所述计算所述用户标签集与所述期望用户标签集的相似度的步骤S1206包括：计算二级用户标签集与期望用户标签集的相似度。
其中，期望用户标签集中的期望用户标签可以采用目标用户群体所对应的二级用户标签。在获取到当前用户对应的二级用户标签集后，计算当前用户对应的二级用户标签集与期望用户标签集的相似度。具体地，可以首先计算每个二级用户标签与相应的期望用户标签的标签相似度，然后根据标签相似度计算二级用户标签集与期望用户标签集的相似度。
如图14所示，在一个实施例中，所述计算所述当前用户标签集与所述期望用户标签集的相似度的步骤S1206包括：
步骤S1206A，获取当前用户标签集中各个当前用户标签对应的图像数目。
其中，从与当前用户标签集对应的图像信息中获取与各个当前用户标签对应的图像数目。图像数目是指图片的个数。比如，假设用户标签有美食、风景、自拍、合照等，其中，美食对应的图片数目为7个，风景对应的图像数目为5个，自拍对应的图像数目为10个，合照对应的图像数目为5个。
步骤S1206B，根据图像数目所在的数量级别确定各个当前用户标签对应的当前分数值。
其中，当前分数值是指根据当前用户标签所对应的图像数目所确定的与当前用户标签对应的分数值。具体地，预先设置图像数目与分数值的对应关系，在获取到当前用户标签所对应的图像数目后，根据图像数目所在的数量级别来确定相应的当前分数值。比如，设置标签赋分系统，当用户标签所对应的图像数目在[1，10)区间内时，设置该用户标签对应的当前分数值为1分，在[10，50)区间内时，设置用户标签对应的当前分数值为2分，在在[50，100)区间内时，设置用户标签对应的当前分数值为3分，在[100，200)区间内时，设置用户标签对应的当前分数值为4分，达到200张及以上时，设置用户标签对应的当前分数值为5分。假设用户A的当前用户标签包括美食、游戏、风景三个标签，而美食有10张，游戏有5张，风景有20张，那么该用户A的当前用户标签对应的当前分数值分别为：美食2分，游戏1分，风景2分。
步骤S1206C，获取期望用户标签集中每个期望用户标签对应的期望分数值。
其中，期望分数值是指期望用户标签集中期望用户标签所对应的分数值。预先设置期望用户标签集中每个期望用户标签对应的期望分数值，期望分数值的设置方式与确定当前用户标签对应的当前分数值的方式保持一致。
步骤S1206D，根据当前分数值和期望分数值计算得到当前用户标签集与期望用户标签集的相似度。
其中，相似度是指当前用户所对应的当前用户标签集与期望用户标签集的相似度。具体地，首先，计算当前用户标签集中的每个当前用户标签与相应的期望用户标签集中的期望用户标签的标签相似度。然后根据每个用户标签的标签相似度计算得到当前用户标签集与期望用户标签集的相似度。在一个实施例中，当前用户标签与期望用户标签的标签相似度是根据两者所对应的分数值的比值来确定的，即根据当前分数值和期望分数值的比值来确定的，通过将当前分数值和标准分数值中较大的值作为分母，将较小的值作为分子，然后确定两者的相似度。比如，美食标签对应的当前分数值为2，期望分数值为3，那么将2作为分子，将3作为分母，得到两者的相似度为2/3。通过这种方式可以计算得到每个当前用户标签与期望用户标签的标签相似度。需要说明的是，标签相似度的计算是针对相同标签的计算，比如，计算的是当前标签集中的“美食”标签与期望标签集中的“美食”标签的相似度。在计算得到各个用户标签对应的标签相似度后，就可以确定当前用户标签集与期望用户标签集的相似度。在一个实施例中，可以直接将各个标签相似度之和作为当前用户标签集与期望用户标签集的相似度。
如图15所示，在一个实施例中，提出了一种信息推荐方法，该方法包括以下步骤：
步骤S1501，获取图像信息，图像信息存在对应的用户标识，根据图像信息生成所述用户标识对应的一级用户标签集；
步骤S1502，提取一级用户标签集的特征生成对应的二级用户标签集。
步骤S1503，获取待推荐信息，获取与待推荐信息对应的期望用户标签集。
步骤S1504，获取当前用户标签集中各个当前用户标签对应的图像数目。
步骤S1505，根据图像数目所在的数量级别确定各个当前用户标签对应的当前分数值。
步骤S1506，获取期望用户标签集中每个期望用户标签对应的期望分数值。
步骤S1507，根据当前分数值和期望分数值计算得到当前用户标签集与期望用户标签集的相似度。
步骤S1508，根据相似度，向用户标识对应的终端推荐待推荐信息。
如图16所示，在一个实施例中，提出了一种信息推荐装置，该装置包括：
生成模块1602，用于获取图像信息，所述图像信息存在对应的用户标识，根据图像信息生成所述用户标识对应的用户标签集；
形成模块1604，用于根据所述用户标签集中的各个用户标签和对应的图像信息形成与所述用户标识对应的特征向量；
输出模块1606，用于将所述特征向量输入已训练的信息推荐模型，输出所述待推荐信息的推荐参数；
推荐模块1608，用于根据所述推荐参数，向所述用户标识对应的终端推荐所述待推荐信息。
在一个实施例中，所述图像信息包括图像内容信息和图像采集信息；所述生成模块还用于根据图像内容信息对图像进行分类，确定与内容信息对应的用户标签集，根据图像采集信息对图像进行分类，确定与图像采集信息对应的用户标签集。
如图17所示，在一个实施例中，形成模块1604包括：
匹配模块1604A，用于当所述用户标识对应的用户标签集的规模小于预设规模时，根据所述用户标签集中已存在的用户标签和对应的图像信息与预设的各个标准用户模型进行匹配，确定所述用户标识匹配的目标标准用户模型。
特征向量确定模块1604B，用于获取与所述目标标准用户模型对应的标准用户特征向量，将所述标准用户特征向量作为所述用户标识对应的特征向量。
在一个实施例中，匹配模块1604A还用于根据所述用户标签集中已存在的用户标签和对应的图像信息计算所述用户标识对应的用户与所述各个标准用户模型的匹配度，将计算得到的匹配度最大的标准用户模型作为与所述用户标识匹配的目标标准用户模型。
在一个实施例中，匹配模块1604A还用于从各个标准用户模型中获取第一标准用户模型作为当前待匹配标准用户模型，获取所述用户标签集中已存在的用户标签对应的图像数目，根据所述图像数目所在的数量级别确定各个已存在的用户标签对应的当前分数值，获取当前待匹配标准用户模型中与所述已存在的用户标签相同的标准用户标签对应的标准分数值，根据标准分数值和对应的当前分数值计算得到用户标签集中已存在的用户标签与标准用户标签的相似度，根据所述相似度得到所述用户标识对应的用户与所述当前待匹配标准用户模型的匹配度，获取下一个标准用户模型作为当前待匹配标准用户模型，重复进入所述获取当前待匹配标准用户模型中与所述已存在的用户标签相同的标准用户标签对应的标准分数值的步骤，直到得到所述用户与各个标准用户模型的匹配度。
如图18所示，在一个实施例中，上述信息推荐装置还包括：
训练用户标签集生成模块1610，用于获取训练图像信息，根据所述训练图像信息生成训练用户标签集；
训练特征向量形成模块1612，用于根据所述训练用户标签集中的各个训练用户标签和对应的图像信息形成训练特征向量；
标准输出结果获取模块1614，用于获取与所述训练特征向量对应的标准输出结果；
训练模块1616，用于将所述训练特征向量作为所述信息推荐模型的输入，将对应的所述标准推荐结果作为期望的输出进行训练，得到目标信息推荐模型。
在一个实施例中，生成模块还用于根据图像信息确定与所述用户标识对应的一级用户标签集，提取所述一级用户标签集的特征生成对应的二级用户标签集，根据所述一级用户标签集和所述二级用户标签集形成与所述用户标识对应的用户标签集。
在一个实施例中，所述待推荐信息为多个，各个待推荐信息存在对应的信息推荐模型；所述输出模块还用于将所述特征向量输入已训练的各个信息推荐模型，输出对应的推荐参数集，所述推荐参数集中的各个推荐参数用于确定各个待推荐信息的推荐概率，根据各个待推荐信息的对应的推荐概率生成与所述用户标识对应的信息推荐列表，根据所述信息推荐列表确定所述用户标识对应的目标待推荐信息。
在一个实施例中，所述推荐模块还用于若是所述推荐参数大于预设阈值，则将所述待推荐信息以图片的形式推送给与所述用户标识对应的终端。
如图19所示，在一个实施例中，提出了一种信息推荐装置，该装置包括：
当前用户标签集生成模块1902，用于获取图像信息，所述图像信息存在对应的用户标识，根据图像信息生成所述用户标识对应的当前用户标签集；
期望用户标签集获取模块1904，用于获取待推荐信息，获取与所述待推荐信息对应的期望用户标签集；
相似度计算模块1906，用于计算所述当前用户标签集与所述期望用户标签集的相似度；
信息推荐模块1908，用于根据所述相似度，向所述用户标识对应的终端推荐所述待推荐信息。
在一个实施例中，所述当前用户标签集生成模块还用于获取图像信息，所述图像信息存在对应的用户标识，根据图像信息生成所述用户标识对应的一级用户标签集，提取所述一级用户标签集的特征生成对应的二级用户标签集；所述相似度计算模块还用于计算所述二级用户标签集与所述期望用户标签集的相似度。
在一个实施例中，所述相似度计算模块还用于获取所述当前用户标签集中各个当前用户标签对应的图像数目；根据所述图像数目所在的数量级别确定各个当前用户标签对应的当前分数值；获取期望用户标签集中每个用户标签对应的期望分数值；根据所述当前分数值和所述期望分数值计算得到当前用户标签集与所述期望用户标签集的相似度。
如图20所示，为一个实施例中计算机设备的内部结构示意图。参照图20，该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、内存储器和网络接口。其中，该计算机设备的非易失性存储介质可存储操作系统和计算机程序，该计算机程序被执行时，可使得处理器执行一种信息推荐方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该内存储器中可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行一种信息推荐方法。计算机设备的网络接口用于进行网络通信。本领域技术人员可以理解，图20中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的信息推荐装置可以实现为一种计算机程序的形式，计算机程序可在如图20所示的计算机设备上运行，计算机设备的非易失性存储介质可存储组成信息推荐装置的各个程序模块，比如，图16中的获取模块1602，形成模块1604，输出模块1606，推荐模块1608。各个程序模块中包括计算机程序，计算机程序用于使计算机设备执行本说明书中描述的本申请各个实施例的信息推荐方法中的步骤，计算机设备中的处理器能够调用计算机设备的非易失性存储介质中存储的信息推荐装置的各个程序模块，运行对应的可读指令，实现本说明书中信息推荐装置的各个模块对应的功能。各个程序模块中包括计算机程序，计算机程序用于使计算机设备执行本说明书中描述的本申请各个实施例的信息推荐方法中的步骤，计算机设备中的处理器能够调用计算机设备的非易失性存储介质中存储的信息推荐装置的各个程序模块，运行对应的可读指令，实现本说明书中信息推荐装置的各个模块对应的功能。例如，计算机设备可以通过如图16所示的信息推荐装置中的生成模块1602获取图像信息，所述图像信息存在对应的用户标识，根据图像信息生成所述用户标识对应的用户标签集；通过形成模块1604根据所述用户标签集中的各个用户标签和对应的图像信息形成与所述用户标识对应的特征向量；通过输出模块1606将所述特征向量输入已训练的信息推荐模型，输出所述待推荐信息的推荐参数；通过推荐模块1608根据所述推荐参数，向所述用户标识对应的终端推荐所述待推荐信息。
在一个实施例中，提出了一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述计算机程序时实现以下步骤：获取图像信息，所述图像信息存在对应的用户标识，根据图像信息生成所述用户标识对应的用户标签集；根据所述用户标签集中的各个用户标签和对应的图像信息形成与所述用户标识对应的特征向量；将所述特征向量输入已训练的信息推荐模型，输出所述待推荐信息的推荐参数；根据所述推荐参数，向所述用户标识对应的终端推荐所述待推荐信息。
在一个实施例中，所述图像信息包括图像内容信息和图像采集信息；所述根据图像信息生成所述用户标识对应的用户标签集的步骤包括：根据图像内容信息对图像进行分类，确定与内容信息对应的用户标签集；根据图像采集信息对图像进行分类，确定与图像采集信息对应的用户标签集。
在一个实施例中，根据所述用户标签集中的各个用户标签和对应的图像信息形成与所述用户标识对应的特征向量的步骤包括：当所述用户标识对应的用户标签集的规模小于预设规模时，根据所述用户标签集中已存在的用户标签和对应的图像信息与预设的各个标准用户模型进行匹配，确定所述用户标识匹配的目标标准用户模型；获取与所述目标标准用户模型对应的标准用户特征向量，将所述标准用户特征向量作为所述用户标识对应的特征向量。
在一个实施例中，所述根据所述用户标签集中已存在的用户标签和对应的图像信息与预设的各个标准用户模型进行匹配，确定所述用户标识匹配的目标标准用户模型的步骤包括：根据所述用户标签集中已存在的用户标签和对应的图像信息计算所述用户标识对应的用户与所述各个标准用户模型的匹配度；将计算得到的匹配度最大的标准用户模型作为与所述用户标识匹配的目标标准用户模型。
在一个实施例中，所述根据所述用户标签集中已存在的用户标签和对应的图像信息计算所述用户标识对应的用户与所述各个标准用户模型的匹配度的步骤包括：从各个标准用户模型中获取第一标准用户模型作为当前待匹配标准用户模型；获取所述用户标签集中已存在的用户标签对应的图像数目；根据所述图像数目所在的数量级别确定各个已存在的用户标签对应的当前分数值；获取当前待匹配标准用户模型中与所述已存在的用户标签相同的标准用户标签对应的标准分数值；根据标准分数值和对应的当前分数值计算得到用户标签集中已存在的用户标签与标准用户标签的相似度；根据所述相似度得到所述用户标识对应的用户与所述当前待匹配标准用户模型的匹配度；获取下一个标准用户模型作为当前待匹配标准用户模型，重复进入所述获取当前待匹配标准用户模型中与所述已存在的用户标签相同的标准用户标签对应的标准分数值的步骤，直到得到所述用户与各个标准用户模型的匹配度。
在一个实施例中，所述处理器在所述将所述特征向量输入已训练的信息推荐模型，输出所述用户对待推荐信息的推荐参数的步骤之前，还用于执行以下步骤：获取训练图像信息，根据所述训练图像信息生成训练用户标签集；根据所述训练用户标签集中的各个训练用户标签和对应的图像信息形成训练特征向量；获取与所述训练特征向量对应的标准输出结果；将所述训练特征向量作为所述信息推荐模型的输入，将对应的所述标准推荐结果作为期望的输出进行训练，得到目标信息推荐模型。
在一个实施例中，所述根据图像信息生成所述用户标识对应的用户标签集的步骤包括：根据图像信息确定与所述用户标识对应的一级用户标签集；提取所述一级用户标签集的特征生成对应的二级用户标签集；根据所述一级用户标签集和所述二级用户标签集形成与所述用户标识对应的用户标签集。
在一个实施例中，所述待推荐信息为多个，各个待推荐信息存在对应的信息推荐模型；所述将所述特征向量输入已训练的信息推荐模型，输出所述用户对待推荐信息的推荐参数的步骤包括：将所述特征向量输入已训练的各个信息推荐模型，输出对应的推荐参数集，所述推荐参数集中的各个推荐参数用于确定各个待推荐信息的推荐概率；根据各个待推荐信息的对应的推荐概率生成与所述用户标识对应的信息推荐列表；根据所述信息推荐列表确定所述用户标识对应的目标待推荐信息。
在一个实施例中，所述根据所述推荐参数，向所述用户标识对应的终端推荐所述待推荐信息的步骤包括：若是所述推荐参数大于预设阈值，则将所述待推荐信息以图片的形式推送给与所述用户标识对应的终端。
在一个实施例中，一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述计算机程序时实现以下步骤：获取图像信息，所述图像信息存在对应的用户标识，根据图像信息生成所述用户标识对应的当前用户标签集；获取待推荐信息，获取与所述待推荐信息对应的期望用户标签集；计算所述当前用户标签集与所述期望用户标签集的相似度；根据所述相似度，向所述用户标识对应的终端推荐所述待推荐信息。
在一个实施例中，所述获取图像信息，所述图像信息存在对应的用户标识，根据图像信息生成所述用户标识对应的当前用户标签集的步骤包括：获取图像信息，所述图像信息存在对应的用户标识，根据图像信息生成所述用户标识对应的一级用户标签集；提取所述一级用户标签集的特征生成对应的二级用户标签集；所述计算所述当前用户标签集与所述期望用户标签集的相似度的步骤包括：计算所述二级用户标签集与所述期望用户标签集的相似度。
在一个实施例中，所述计算所述当前用户标签集与所述期望用户标签集的相似度的步骤包括：获取所述当前用户标签集中各个当前用户标签对应的图像数目；根据所述图像数目所在的数量级别确定各个当前用户标签对应的当前分数值；获取期望用户标签集中每个用户标签对应的期望分数值；根据所述当前分数值和所述期望分数值计算得到当前用户标签集与所述期望用户标签集的相似度。
在一个实施例中，提出了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以下步骤：获取图像信息，所述图像信息存在对应的用户标识，根据图像信息生成所述用户标识对应的用户标签集；根据所述用户标签集中的各个用户标签和对应的图像信息形成与所述用户标识对应的特征向量；将所述特征向量输入已训练的信息推荐模型，输出所述待推荐信息的推荐参数；根据所述推荐参数，向所述用户标识对应的终端推荐所述待推荐信息。
在一个实施例中，所述图像信息包括图像内容信息和图像采集信息；所述根据图像信息生成所述用户标识对应的用户标签集的步骤包括：根据图像内容信息对图像进行分类，确定与内容信息对应的用户标签集；根据图像采集信息对图像进行分类，确定与图像采集信息对应的用户标签集。
在一个实施例中，根据所述用户标签集中的各个用户标签和对应的图像信息形成与所述用户标识对应的特征向量的步骤包括：当所述用户标识对应的用户标签集的规模小于预设规模时，根据所述用户标签集中已存在的用户标签和对应的图像信息与预设的各个标准用户模型进行匹配，确定所述用户标识匹配的目标标准用户模型；获取与所述目标标准用户模型对应的标准用户特征向量，将所述标准用户特征向量作为所述用户标识对应的特征向量。
在一个实施例中，所述根据所述用户标签集中已存在的用户标签和对应的图像信息与预设的各个标准用户模型进行匹配，确定所述用户标识匹配的目标标准用户模型的步骤包括：根据所述用户标签集中已存在的用户标签和对应的图像信息计算所述用户标识对应的用户与所述各个标准用户模型的匹配度；将计算得到的匹配度最大的标准用户模型作为与所述用户标识匹配的目标标准用户模型。
在一个实施例中，所述根据所述用户标签集中已存在的用户标签和对应的图像信息计算所述用户标识对应的用户与所述各个标准用户模型的匹配度的步骤包括：从各个标准用户模型中获取第一标准用户模型作为当前待匹配标准用户模型；获取所述用户标签集中已存在的用户标签对应的图像数目；根据所述图像数目所在的数量级别确定各个已存在的用户标签对应的当前分数值；获取当前待匹配标准用户模型中与所述已存在的用户标签相同的标准用户标签对应的标准分数值；根据标准分数值和对应的当前分数值计算得到用户标签集中已存在的用户标签与标准用户标签的相似度；根据所述相似度得到所述用户标识对应的用户与所述当前待匹配标准用户模型的匹配度；获取下一个标准用户模型作为当前待匹配标准用户模型，重复进入所述获取当前待匹配标准用户模型中与所述已存在的用户标签相同的标准用户标签对应的标准分数值的步骤，直到得到所述用户与各个标准用户模型的匹配度。
在一个实施例中，所述处理器在所述将所述特征向量输入已训练的信息推荐模型，输出所述用户对待推荐信息的推荐参数的步骤之前，还用于执行以下步骤：获取训练图像信息，根据所述训练图像信息生成训练用户标签集；根据所述训练用户标签集中的各个训练用户标签和对应的图像信息形成训练特征向量；获取与所述训练特征向量对应的标准输出结果；将所述训练特征向量作为所述信息推荐模型的输入，将对应的所述标准推荐结果作为期望的输出进行训练，得到目标信息推荐模型。
在一个实施例中，所述根据图像信息生成所述用户标识对应的用户标签集的步骤包括：根据图像信息确定与所述用户标识对应的一级用户标签集；提取所述一级用户标签集的特征生成对应的二级用户标签集；根据所述一级用户标签集和所述二级用户标签集形成与所述用户标识对应的用户标签集。
在一个实施例中，所述待推荐信息为多个，各个待推荐信息存在对应的信息推荐模型；所述将所述特征向量输入已训练的信息推荐模型，输出所述用户对待推荐信息的推荐参数的步骤包括：将所述特征向量输入已训练的各个信息推荐模型，输出对应的推荐参数集，所述推荐参数集中的各个推荐参数用于确定各个待推荐信息的推荐概率；根据各个待推荐信息的对应的推荐概率生成与所述用户标识对应的信息推荐列表；根据所述信息推荐列表确定所述用户标识对应的目标待推荐信息。
在一个实施例中，所述根据所述推荐参数，向所述用户标识对应的终端推荐所述待推荐信息的步骤包括：若是所述推荐参数大于预设阈值，则将所述待推荐信息以图片的形式推送给与所述用户标识对应的终端。
在一个实施例中，提出了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以下步骤：获取图像信息，所述图像信息存在对应的用户标识，根据图像信息生成所述用户标识对应的当前用户标签集；获取待推荐信息，获取与所述待推荐信息对应的期望用户标签集；计算所述当前用户标签集与所述期望用户标签集的相似度；根据所述相似度，向所述用户标识对应的终端推荐所述待推荐信息。
在一个实施例中，所述获取图像信息，所述图像信息存在对应的用户标识，根据图像信息生成所述用户标识对应的当前用户标签集的步骤包括：获取图像信息，所述图像信息存在对应的用户标识，根据图像信息生成所述用户标识对应的一级用户标签集；提取所述一级用户标签集的特征生成对应的二级用户标签集；所述计算所述当前用户标签集与所述期望用户标签集的相似度的步骤包括：计算所述二级用户标签集与所述期望用户标签集的相似度。
在一个实施例中，所述计算所述当前用户标签集与所述期望用户标签集的相似度的步骤包括：获取所述当前用户标签集中各个当前用户标签对应的图像数目；根据所述图像数目所在的数量级别确定各个当前用户标签对应的当前分数值；获取期望用户标签集中每个用户标签对应的期望分数值；根据所述当前分数值和所述期望分数值计算得到当前用户标签集与所述期望用户标签集的相似度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (16)

1.一种信息推荐方法，所述方法包括：
获取图像信息，所述图像信息存在对应的用户标识，根据图像信息确定与所述用户标识对应的一级用户标签集；
获取预先设置的一级用户标签与二级用户标签的对应关系，所述对应关系包括多个一级用户标签对应一个二级用户标签的关系；
根据所述对应关系以及所述一级用户标签集生成对应的二级用户标签集；
根据所述一级用户标签集中的一级用户标签和对应的图像数量确定每个所述一级用户标签对应的特征值，根据所述二级用户标签集中的二级用户标签和对应的图像数量确定每个所述二级用户标签对应的特征值；
根据每个所述一级用户标签对应的特征值以及每个所述二级用户标签对应的特征值形成与所述用户标识对应的特征向量；
将所述特征向量输入已训练的信息推荐模型，输出待推荐信息的推荐参数；
根据所述推荐参数，向所述用户标识对应的终端推荐所述待推荐信息。
2.根据权利要求1所述的方法，其特征在于，所述图像信息包括图像内容信息和图像采集信息；所述根据图像信息确定与所述用户标识对应的一级用户标签集的步骤包括：
根据图像内容信息对图像进行分类，确定与内容信息对应的一级用户标签集；
根据图像采集信息对图像进行分类，确定与图像采集信息对应的一级用户标签集。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述一级用户标签集和所述二级用户标签集形成与所述用户标识对应的用户标签集；
当所述用户标识对应的用户标签集的规模小于预设规模时，根据所述用户标签集中已存在的用户标签和对应的图像信息与预设的各个标准用户模型进行匹配，确定所述用户标识匹配的目标标准用户模型；
获取与所述目标标准用户模型对应的标准用户特征向量，将所述标准用户特征向量作为所述用户标识对应的特征向量。
4.根据权利要求3所述的方法，其特征在于，所述根据所述用户标签集中已存在的用户标签和对应的图像信息与预设的各个标准用户模型进行匹配，确定所述用户标识匹配的目标标准用户模型的步骤包括：
根据所述用户标签集中已存在的用户标签和对应的图像信息计算所述用户标识对应的用户与所述各个标准用户模型的匹配度；
将计算得到的匹配度最大的标准用户模型作为与所述用户标识匹配的目标标准用户模型。
5.根据权利要求4所述的方法，其特征在于，所述根据所述用户标签集中已存在的用户标签和对应的图像信息计算所述用户标识对应的用户与所述各个标准用户模型的匹配度的步骤包括：
从各个标准用户模型中获取第一标准用户模型作为当前待匹配标准用户模型；
获取所述用户标签集中已存在的用户标签对应的图像数目；
根据所述图像数目所在的数量级别确定各个已存在的用户标签对应的当前分数值；
获取当前待匹配标准用户模型中与所述已存在的用户标签相同的标准用户标签对应的标准分数值；
根据标准分数值和对应的当前分数值计算得到用户标签集中已存在的用户标签与标准用户标签的相似度；
根据所述相似度得到所述用户标识对应的用户与所述当前待匹配标准用户模型的匹配度；
获取下一个标准用户模型作为当前待匹配标准用户模型，重复进入所述获取当前待匹配标准用户模型中与所述已存在的用户标签相同的标准用户标签对应的标准分数值的步骤，直到得到所述用户与各个标准用户模型的匹配度。
6.根据权利要求1所述的方法，其特征在于，在所述将所述特征向量输入已训练的信息推荐模型，输出待推荐信息的推荐参数的步骤之前还包括：
获取训练图像信息，根据所述训练图像信息生成训练用户标签集；
根据所述训练用户标签集中的各个训练用户标签和对应的图像信息形成训练特征向量；
获取与所述训练特征向量对应的标准输出结果；
将所述训练特征向量作为所述信息推荐模型的输入，将对应的所述标准推荐结果作为期望的输出进行训练，得到目标信息推荐模型。
7.根据权利要求1所述的方法，其特征在于，所述根据所述对应关系以及所述一级用户标签集生成对应的二级用户标签集的步骤包括：
提取所述一级用户标签集的特征，根据所述一级用户标签集的特征以及所述对应关系生成对应的二级用户标签集。
8.根据权利要求1所述的方法，其特征在于，所述待推荐信息为多个，各个待推荐信息存在对应的信息推荐模型；所述将所述特征向量输入已训练的信息推荐模型，输出所述用户对待推荐信息的推荐参数的步骤包括：
将所述特征向量输入已训练的各个信息推荐模型，输出对应的推荐参数集，所述推荐参数集中的各个推荐参数用于确定各个待推荐信息的推荐概率；
根据各个待推荐信息的对应的推荐概率生成与所述用户标识对应的信息推荐列表；
根据所述信息推荐列表确定所述用户标识对应的目标待推荐信息。
9.根据权利要求1所述的方法，其特征在于，所述根据所述推荐参数，向所述用户标识对应的终端推荐所述待推荐信息的步骤包括：
若是所述推荐参数大于预设阈值，则将所述待推荐信息以图片的形式推送给与所述用户标识对应的终端。
10.一种信息推荐方法，所述方法包括：
获取图像信息，所述图像信息存在对应的用户标识，根据图像信息确定与所述用户标识对应的一级用户标签集；
获取预先设置的一级用户标签与二级用户标签的对应关系，所述对应关系包括多个一级用户标签对应一个二级用户标签的关系；
根据所述对应关系以及所述一级用户标签集生成对应的二级用户标签集；
获取待推荐信息，获取与所述待推荐信息对应的期望用户标签集；
计算所述二级用户标签集与所述期望用户标签集的相似度；
根据所述相似度，向所述用户标识对应的终端推荐所述待推荐信息。
11.根据权利要求10所述的方法，其特征在于，所述根据所述对应关系以及所述一级用户标签集生成对应的二级用户标签集的步骤包括：
提取所述一级用户标签集的特征，根据所述一级用户标签集的特征以及所述对应关系生成对应的二级用户标签集。
12.根据权利要求10所述的方法，其特征在于，所述计算所述二级用户标签集与所述期望用户标签集的相似度的步骤包括：
获取所述二级用户标签集中各个二级用户标签对应的图像数目；
根据所述图像数目所在的数量级别确定各个二级用户标签对应的当前分数值；
获取所述期望用户标签集中每个用户标签对应的期望分数值；
根据所述当前分数值和所述期望分数值计算得到所述二级用户标签集与所述期望用户标签集的相似度。
13.一种信息推荐装置，所述装置包括：
生成模块，用于获取图像信息，所述图像信息存在对应的用户标识，根据图像信息确定与所述用户标识对应的一级用户标签集；获取预先设置的一级用户标签与二级用户标签的对应关系，所述对应关系包括多个一级用户标签对应一个二级用户标签的关系；根据所述对应关系以及所述一级用户标签集生成对应的二级用户标签集；
形成模块，用于根据所述一级用户标签集中的一级用户标签和对应的图像数量确定每个所述一级用户标签对应的特征值，根据所述二级用户标签集中的二级用户标签和对应的图像数量确定每个所述二级用户标签对应的特征值；根据每个所述一级用户标签对应的特征值以及每个所述二级用户标签对应的特征值形成与所述用户标识对应的特征向量；
输出模块，用于将所述特征向量输入已训练的信息推荐模型，输出待推荐信息的推荐参数；
推荐模块，用于根据所述推荐参数，向所述用户标识对应的终端推荐所述待推荐信息。
14.一种信息推荐装置，所述装置包括：
当前用户标签集生成模块，用于获取图像信息，所述图像信息存在对应的用户标识，根据图像信息确定与所述用户标识对应的一级用户标签集；获取预先设置的一级用户标签与二级用户标签的对应关系，所述对应关系包括多个一级用户标签对应一个二级用户标签的关系；根据所述对应关系以及所述一级用户标签集生成对应的二级用户标签集；
期望用户标签集获取模块，用于获取待推荐信息，获取与所述待推荐信息对应的期望用户标签集；
相似度计算模块，用于计算所述二级用户标签集与所述期望用户标签集的相似度；
信息推荐模块，用于根据所述相似度，向所述用户标识对应的终端推荐所述待推荐信息。
15.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述计算机程序时实现权利要求1-12任意一项所述方法的步骤。
16.一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1-12任意一项所述方法的步骤。
CN201710806375.0A 2017-09-08 2017-09-08 信息推荐方法、装置、计算机设备及存储介质 Active CN108304435B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201710806375.0A CN108304435B (zh) 2017-09-08 2017-09-08 信息推荐方法、装置、计算机设备及存储介质
PCT/CN2018/100235 WO2019047672A1 (zh) 2017-09-08 2018-08-13 信息推荐方法、计算机设备及存储介质
US16/592,085 US11514260B2 (en) 2017-09-08 2019-10-03 Information recommendation method, computer device, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710806375.0A CN108304435B (zh) 2017-09-08 2017-09-08 信息推荐方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN108304435A CN108304435A (zh) 2018-07-20
CN108304435B true CN108304435B (zh) 2020-08-25

Family

ID=62869548

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710806375.0A Active CN108304435B (zh) 2017-09-08 2017-09-08 信息推荐方法、装置、计算机设备及存储介质

Country Status (3)

Country Link
US (1) US11514260B2 (zh)
CN (1) CN108304435B (zh)
WO (1) WO2019047672A1 (zh)

Families Citing this family (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108304435B (zh) * 2017-09-08 2020-08-25 腾讯科技（深圳）有限公司 信息推荐方法、装置、计算机设备及存储介质
CN110855731A (zh) * 2018-08-21 2020-02-28 阿里巴巴集团控股有限公司 消息处理、推送及模型训练方法、装置、设备及存储介质
CN110969222A (zh) * 2018-09-29 2020-04-07 西门子股份公司 信息提供方法和系统
CN109391697B (zh) * 2018-11-21 2021-12-28 深圳市商汤科技有限公司 信息推送方法、用户终端、服务器及门禁控制终端
CN110730121A (zh) * 2018-12-03 2020-01-24 上海掌门科技有限公司 一种用户信息传递方法、设备及存储介质
CN109711931A (zh) * 2018-12-14 2019-05-03 深圳壹账通智能科技有限公司 基于用户画像的商品推荐方法、装置、设备及存储介质
CN109801100A (zh) * 2018-12-26 2019-05-24 北京达佳互联信息技术有限公司 广告投放方法、装置和计算机可读存储介质
CN111382619B (zh) * 2018-12-28 2023-04-18 广州市百果园信息技术有限公司 图片推荐模型的生成、图片推荐方法、装置、设备及介质
CN111460273B (zh) * 2019-01-18 2023-03-31 北京字节跳动网络技术有限公司 信息推送方法和装置
CN109978836B (zh) * 2019-03-06 2021-01-19 华南理工大学 基于元学习的用户个性化图像美感评价方法、系统、介质和设备
CN110263265B (zh) * 2019-04-10 2024-05-07 腾讯科技（深圳）有限公司 用户标签生成方法、装置、存储介质和计算机设备
CN112016582B (zh) * 2019-05-31 2023-11-24 口口相传(北京)网络技术有限公司 菜品推荐方法及其装置
CN110472499B (zh) * 2019-07-09 2024-01-30 平安科技（深圳）有限公司 一种行人重识别的方法及装置
CN110533634A (zh) * 2019-07-26 2019-12-03 深圳壹账通智能科技有限公司 基于人工智能的方案推荐方法、装置、计算机设备及存储介质
CN110633740B (zh) * 2019-09-02 2024-04-09 平安科技（深圳）有限公司 一种图像语义匹配方法、终端及计算机可读存储介质
CN112511448B (zh) 2019-09-16 2024-09-20 华为技术有限公司 处理网络拥塞的方法、更新模型的方法和相关装置
CN110889045B (zh) * 2019-10-12 2024-04-23 平安科技（深圳）有限公司 标签分析方法、装置及计算机可读存储介质
CN112749292B (zh) * 2019-10-31 2024-05-03 深圳云天励飞技术有限公司 用户标签生成方法及装置、计算机装置和存储介质
CN110795582A (zh) * 2019-10-31 2020-02-14 京东方科技集团股份有限公司 一种图像推荐方法、系统、终端设备及服务器
CN111292168B (zh) * 2020-02-06 2022-08-02 腾讯科技（深圳）有限公司 数据处理方法、装置及设备
CN111260449B (zh) * 2020-02-17 2023-04-07 腾讯科技（深圳）有限公司 一种模型训练的方法、商品推荐的方法、装置及存储介质
CN111368219B (zh) * 2020-02-27 2024-04-26 广州腾讯科技有限公司 信息推荐方法、装置、计算机设备以及存储介质
CN111400582A (zh) * 2020-03-09 2020-07-10 Oppo广东移动通信有限公司 好友推荐方法、装置、存储介质及电子设备
CN111526253B (zh) * 2020-03-09 2022-02-08 深圳追一科技有限公司 呼叫控制方法、装置、计算机设备和存储介质
CN111400591B (zh) * 2020-03-11 2023-04-07 深圳市雅阅科技有限公司 资讯信息推荐方法、装置、电子设备及存储介质
CN111523981A (zh) * 2020-04-29 2020-08-11 深圳追一科技有限公司 虚拟试用方法、装置、电子设备及存储介质
CN111723287B (zh) * 2020-06-03 2021-03-05 开普云信息科技股份有限公司 一种基于大规模机器学习的内容和服务推荐方法及其系统
CN112131472B (zh) * 2020-09-24 2024-05-24 腾讯科技（深圳）有限公司 信息推荐方法、装置、电子设备和存储介质
CN112053200A (zh) * 2020-09-30 2020-12-08 中国银行股份有限公司 一种信息推荐方法及装置
US20220245554A1 (en) * 2021-02-03 2022-08-04 Disney Enterprises, Inc. Tagging Performance Evaluation and Improvement
CN113672800B (zh) * 2021-07-12 2024-09-06 浪潮软件股份有限公司 实名认证自然人用户的事项推荐方法及存储介质
CN113689125A (zh) * 2021-08-26 2021-11-23 阿波罗智联(北京)科技有限公司 信息推送方法和装置
CN114154052A (zh) * 2021-08-30 2022-03-08 平安国际融资租赁有限公司 信息推荐方法、装置、计算机设备及存储介质
CN113742614A (zh) * 2021-09-02 2021-12-03 掌阅科技股份有限公司 生成、显示推荐信息的方法、电子设备及存储介质
CN115378890B (zh) * 2022-08-12 2023-08-18 腾讯科技（武汉）有限公司 信息输入方法、装置、存储介质及计算机设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105955994A (zh) * 2016-04-19 2016-09-21 乐视控股（北京）有限公司 基于图库的信息推荐方法和信息推荐装置
CN105975641A (zh) * 2016-07-15 2016-09-28 合网络技术（北京）有限公司 视频推荐方法及装置
CN106686063A (zh) * 2016-12-07 2017-05-17 乐视控股（北京）有限公司 一种信息推荐方法、装置及电子设备
CN106815351A (zh) * 2017-01-18 2017-06-09 腾讯科技（深圳）有限公司 一种标签推荐方法及服务器
CN107016567A (zh) * 2017-03-09 2017-08-04 成都视达科信息技术有限公司 一种基于视频应用的餐饮资源推荐方法及系统
WO2017142361A1 (ko) * 2016-02-17 2017-08-24 옴니어스 주식회사 스타일 특징을 이용한 상품 추천 방법

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101224312B1 (ko) * 2010-11-23 2013-01-21 한국과학기술원 소셜 네트워킹 서비스 사용자를 위한 친구 추천 방법, 이를 위한 기록 매체 및 이를 이용하는 소셜 네트워킹 서비스 및 서버
US8831358B1 (en) * 2011-11-21 2014-09-09 Google Inc. Evaluating image similarity
US9256807B1 (en) * 2012-09-27 2016-02-09 Google Inc. Generating labeled images
CN103559504B (zh) * 2013-11-04 2016-08-31 北京京东尚科信息技术有限公司 图像目标类别识别方法及装置
US10043112B2 (en) * 2014-03-07 2018-08-07 Qualcomm Incorporated Photo management
CN105354307B (zh) * 2015-11-06 2021-01-15 腾讯科技（深圳）有限公司 一种图像内容识别方法及装置
CN106021364B (zh) * 2016-05-10 2017-12-12 百度在线网络技术（北京）有限公司 图片搜索相关性预测模型的建立、图片搜索方法和装置
US10140315B1 (en) * 2016-06-20 2018-11-27 Shutterstock, Inc. Identifying visual portions of visual media files responsive to visual portions of media files submitted as search queries
CN106250532A (zh) * 2016-08-04 2016-12-21 广州优视网络科技有限公司 应用推荐方法、装置及服务器
CN108304435B (zh) * 2017-09-08 2020-08-25 腾讯科技（深圳）有限公司 信息推荐方法、装置、计算机设备及存储介质
CN110069650B (zh) * 2017-10-10 2024-02-09 阿里巴巴集团控股有限公司 一种搜索方法和处理设备
US10515275B2 (en) * 2017-11-17 2019-12-24 Adobe Inc. Intelligent digital image scene detection

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017142361A1 (ko) * 2016-02-17 2017-08-24 옴니어스 주식회사 스타일 특징을 이용한 상품 추천 방법
CN105955994A (zh) * 2016-04-19 2016-09-21 乐视控股（北京）有限公司 基于图库的信息推荐方法和信息推荐装置
CN105975641A (zh) * 2016-07-15 2016-09-28 合网络技术（北京）有限公司 视频推荐方法及装置
CN106686063A (zh) * 2016-12-07 2017-05-17 乐视控股（北京）有限公司 一种信息推荐方法、装置及电子设备
CN106815351A (zh) * 2017-01-18 2017-06-09 腾讯科技（深圳）有限公司 一种标签推荐方法及服务器
CN107016567A (zh) * 2017-03-09 2017-08-04 成都视达科信息技术有限公司 一种基于视频应用的餐饮资源推荐方法及系统

Also Published As

Publication number Publication date
CN108304435A (zh) 2018-07-20
US11514260B2 (en) 2022-11-29
US20200034656A1 (en) 2020-01-30
WO2019047672A1 (zh) 2019-03-14

Similar Documents

Publication Publication Date Title
CN108304435B (zh) 信息推荐方法、装置、计算机设备及存储介质
CN109547814B (zh) 视频推荐方法、装置、服务器及存储介质
CN110297848B (zh) 基于联邦学习的推荐模型训练方法、终端及存储介质
CN110837579B (zh) 视频分类方法、装置、计算机以及可读存储介质
JP6536058B2 (ja) ユーザの人口統計学特性を推定する方法、コンピュータ・システム、及びプログラム
US9977951B2 (en) Picture ranking method, and terminal
CN110019896A (zh) 一种图像检索方法、装置及电子设备
CN109086439A (zh) 信息推荐方法及装置
CN105139040A (zh) 一种排队状态信息检测方法及其系统
CN106575280B (zh) 用于分析用户关联图像以产生非用户生成标签以及利用该生成标签的系统和方法
CN110489574B (zh) 一种多媒体信息推荐方法、装置和相关设备
CN105631404B (zh) 对照片进行聚类的方法及装置
CN113204659B (zh) 多媒体资源的标签分类方法、装置、电子设备及存储介质
CN112364204A (zh) 视频搜索方法、装置、计算机设备及存储介质
KR101782590B1 (ko) 이미지 분석기반의 관계형 태그생성 및 추천 방법
CN113657087A (zh) 信息的匹配方法及装置
KR20220058915A (ko) 이미지 검출 및 관련 모델 트레이닝 방법, 장치, 기기, 매체 및 프로그램
CN111814846A (zh) 属性识别模型的训练方法、识别方法及相关设备
CN111191065B (zh) 一种同源图像确定方法及装置
CN116958730A (zh) 图像识别模型的训练方法和装置、存储介质及电子设备
KR20160044858A (ko) 얼굴 정보를 이용한 실종 가족 찾기 시스템 및 방법 그리고 이를 구현하는 프로그램을 기록한 기록 매체
JP2017033307A (ja) プログラム，グループ予測装置，及びグループ予測方法
KR20200009888A (ko) 다중 메타데이터 분석기반의 관계형 개인화 태그생성 및 추천 방법
KR101720685B1 (ko) 웹 데이터 기반 방송 콘텐츠 객체 식별 검증 장치 및 방법
CN110620877B (zh) 位置信息生成方法、装置、终端及计算机可读存储介质

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