CN108319723B - 一种图片分享方法和装置、终端、存储介质 - Google Patents

Abstract

本发明实施例公开了一种图片分享方法和装置、终端、存储介质，其中，该方法包括：获取目标用户在终端上的操作行为数据；响应于目标用户当前的图片分享行为，针对获取的操作行为数据分析得到与目标用户当前的分享行为对应的分享行为特征参数；根据分享行为特征参数，利用预先训练好的推荐标签筛选模型预测得到目标用户的推荐标签集；识别目标用户的图片，将与推荐标签集中的推荐标签相匹配的图片推荐给目标用户，以供目标用户分享。本发明实施例可以实现快速定位目标用户想要分享的图片以及针对不同用户的个性化图片分享的效果。

Description

一种图片分享方法和装置、终端、存储介质

技术领域

本发明实施例涉及计算机技术领域，尤其涉及一种图片分享方法和装置、终端、存储介质。

背景技术

随着互联网的普及，信息共享已成为人们日常生活的一种常态。图片作为一种形象化的信息交流方式，图片分享越来越受到人们的青睐。

现有技术中的图片分享方法，通常是通过用户自己逐次浏览相册，手动选择想要分享的图片，但是随着图片数量的增加，这一操作就非常耗时，用户无法快速定位想要分享的照片。例如，用户想要分享自己曾经拍摄的照片，必须在手机的默认相册中进行浏览翻找，直到找到该照片为止。此外，大多数图片分享方法对所有用户而言，实现方案几乎相同，并没有针对不同用户进行方案调整。

因此，现有的图片分享方法无法快速定位用户想要分享的图片，也无法实现针对不同用户的个性化图片分享。

发明内容

本发明实施例提供一种图片分享方法和装置、终端、存储介质，以实现快速定位目标用户想要分享的图片以及针对不同用户的个性化图片分享的效果。

第一方面，本发明实施例提供了一种图片分享方法，该方法包括：

获取目标用户在终端上的操作行为数据；

响应于目标用户当前的图片分享行为，针对所述操作行为数据分析得到与所述当前的分享行为对应的分享行为特征参数；

根据所述分享行为特征参数，利用预先训练好的推荐标签筛选模型预测得到目标用户的推荐标签集；

识别目标用户的图片，将与所述推荐标签集中的推荐标签相匹配的图片推荐给目标用户，以供目标用户分享。

第二方面，本发明实施例还提供了一种图片分享装置，该装置包括：

操作行为数据获取模块，用于获取目标用户在终端上的操作行为数据；

分享行为特征参数分析模块，用于响应于目标用户当前的图片分享行为，针对所述操作行为数据分析得到与所述当前的分享行为对应的分享行为特征参数；

推荐标签集预测模块，用于根据所述分享行为特征参数，利用预先训练好的推荐标签筛选模型预测得到目标用户的推荐标签集；

图片推荐模块，用于识别目标用户的图片，将与所述推荐标签集中的推荐标签相匹配的图片推荐给目标用户，以供目标用户分享。

第三方面，本发明实施例还提供了一种终端，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任一实施例所述的图片分享方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例所述的图片分享方法。

本发明实施例通过响应于目标用户当前的图片分享行为，对获取的目标用户在终端上的操作行为数据进行分析，得到与目标用户当前的分享行为对应的分享行为特征参数，然后利用预先训练好的推荐标签筛选模型预测得到目标用户的推荐标签集，进而通过识别目标用户的图片，将与推荐标签集中的推荐标签相匹配的图片推荐给目标用户，以供目标用户分享。本发明实施例解决了现有的图片分享方法无法快速定位目标用户想要分享的图片，且无法实现针对不同用户的个性化图片分享的问题，实现了快速而准确地定位目标用户想要分享的图片以及针对不同用户的个性化图片分享的效果。

附图说明

图1是本发明实施例一提供的图片分享方法的流程图；

图2是本发明实施例二提供的图片分享方法的流程图；

图3是本发明实施例三提供的图片分享方法的流程图；

图4是本发明实施例四提供的图片分享方法的流程图；

图5是本发明实施例五提供的图片分享装置的结构示意图；

图6是本发明实施例六提供的一种终端的结构示意图。

具体实施方式

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

实施例一

图1是本发明实施例一提供的图片分享方法的流程图，本实施例可适用于分享图片的情况，该方法可以由图片分享装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成在一种终端中，例如电脑和移动终端等智能产品中。如图1所示，该方法具体包括：

S110、获取目标用户在终端上的操作行为数据。

终端系统具有操作痕迹记录功能，目标用户在终端上的任何操作行为，例如目标用户对各种应用程序所包括的内容的点击与滑动操作等，终端均会对应生成操作行为数据并进行保存。获取的操作行为数据包括目标用户的当前操作行为数据，也包括目标用户的历史操作行为数据。

可选的，获取的目标用户的操作行为数据包括目标用户在终端上对图片、文字和/或音视频的操作行为数据。

例如，目标用户近期拍摄图片和/或视频、网上浏览的图片、文字和/或音视频，或者在公众平台分享或点赞图片等操作行为数据，这些数据相当于是对目标用户的行为偏好与兴趣的一个统计表征。通过数据统计与分析，操作行为数据可以用于目标用户的行为预测。

S120、响应于目标用户当前的图片分享行为，针对获取的操作行为数据分析得到与目标用户当前的分享行为对应的分享行为特征参数。

当终端响应于目标用户当前的图片分享行为时，终端的行为分析引擎会基于获取的操作行为数据等，通过图像识别、关键词提取、语义解析或音视频分析等，有目标性地得到目标用户的当前分享行为对应的分享行为特征参数。目标用户的操作行为数据为实现对目标用户的特征分析提供了充分的数据支持，其中不仅包括与目标用户的分享行为相关的数据，还包括与分享行为无关的数据，因此，需要结合目标用户的分享行为请求，有目标性地得到分享行为特征参数，为预测目标用户的分享行为奠定基础。

具体的，目标用户当前的分享行为对应的分享行为特征参数至少包括如下之一：目标用户的用户画像特征、图片分享行为产生时在聊天记录中的上下文语义、已分享过的图片标签和剪贴板的图片标签。

其中，用户画像是网络产品供应商根据不同的用户差异性形成的一种虚拟代表，例如百度用户画像等，是分析与预测目标用户行为的重要参考因素之一，是保证目标用户行为的准确预测所必不可少的参考因素。

图片分享行为产生时在聊天记录中的上下文语义，可以通过对当前聊天记录内容的关键词提取和语义分析得到，结合聊天语义可以得到目标用户当前聊天的具体场景，进而联想与预测目标用户可能会分享的图片。此外，配置有图片分享装置的终端具有记忆能力，例如当目标用户在当前聊天场景下分享图片后，终端会对此场景下的目标用户分享行为特征进行记忆，同样的，无论是目标用户在聊天场景下或者非聊天场景下已分享过的图片标签和剪贴板的图片标签，也均会被终端记忆，当再次出现类似的分享行为场景时，终端的推荐引擎直接通过特征联想，实现场景再现，为目标用户提供相似的图片推荐。

S130、根据分享行为特征参数，利用预先训练好的推荐标签筛选模型预测得到目标用户的推荐标签集。

推荐标签筛选模型是基于终端的机器学习能力，为了达到不同用户使用不同的推荐标签集合进行推荐预测与筛选的目的，输入的是用户特征与行为，输出的是推荐标签的集合。具体而言，推荐标签集是终端根据目标用户当前的分享行为特征参数预测的分享图片标签。不同的用户使用不同的推荐标签，且推荐标签准确吻合用户的分享意图。推荐标签集中还包括根据目标用户的历史分享图片行为的场景进行记忆重现与联想而继续推荐的图片标签。通过利用目标用户的当前分享行为与历史分享行为之间的关联性，解决了现有图片分享方法缺少记忆能力和联想能力的问题，为目标用户的图片分享提供客观关联因素的辅助作用，使得图片分享不再是仅仅依赖目标用户的主观行为，增强了图片分享的智能化。

示例性的，在预测目标用户的推荐标签集的过程中，终端的推荐引擎会根据操作行为数据判断目标用户当前行为是否是在聊天，若是，则解析聊天记录中的上下文语义；继续判断目标用户是否在类似场景下分享过图片，如分享过，则获取已分享图片的标签；然后继续判断终端剪贴板中是否有图片，若有，获取剪切板中的图片标签，基于上述信息，再结合用户画像，生成目标用户的当前分享行为对应的分享行为特征参数，即目标用户的分享行为向量，将此分享行为向量作为推荐标签筛选模型的输入数据，预测得到目标用户的推荐标签集。

可选的，推荐标签筛选模型的训练过程包括：

获取目标用户在终端上的历史分享行为对应的历史分享行为特征参数；

将获取的历史分享行为特征参数作为输入，将预先标注好的目标用户分享的图片标签结果作为输出，利用机器学习的方法训练得到推荐标签筛选模型。

历史分享行为特征参数可以是定期累积的数据分析得到的目标用户的分享行为特征参数。推荐标签筛选模型会根据目标用户的分享行为特征参数的变化而进行更新与优化，这不仅保证了模型训练的准确性，而且保证了推荐标签集的动态性与扩展性，实时精准匹配目标用户的分享行为。

S140、识别目标用户的图片，将与推荐标签集中的推荐标签相匹配的图片推荐给目标用户，以供目标用户分享。

基于图像识别技术对目标用户的图片进行识别，当存在与推荐标签集中的推荐标签相匹配的图片时，终端的推荐引擎便将匹配图片推荐给目标用户。目标用户的图片包括终端本地图片也包括目标用户的云端相册中的图片。对云端相册中的图片识别需要保证终端的网路连接正常，基于网络通信实现对云端相册中图片的识别，并将匹配的图片传输至终端，推荐给目标用户。推荐的图片可以根据匹配度进行先后排序，即优先推荐匹配度较高的图片，推荐图片的张数N可以根据目标用户的需求进行设置，推荐图片可以缩略图的形式进行展示。

通过终端的自动化图片的识别与推荐，避免了目标用户在分享图片的过程中手动查找的繁琐操作，自动为目标用户筛选图片，简化了图片分享过程，提高了图片分享效率，并且，图片的推荐与目标用户的分享行为密切相关，对于不同的用户其分享行为会所差异，而本实施例方案可以针对不同用户的分享行为实现差异化的图片推荐，达到“千人千面”。

示例一：目标用户在聊天时说道：“给你看看我家的猫”，终端的行为分析引擎预测目标用户要分享猫，给出推荐标签“猫”，终端的推荐引擎便将终端相册中与猫相关的图片推荐给目标用户，达到预测目标用户分享意图的目的。

示例二：目标用户曾经分享了一张猫的图片，或者剪贴板有一张猫的图片，此图片的标签是“宠物”，当目标用户再次分享关于宠物的图片时，终端的行为分析引擎通过情景联想记忆，给出推荐标签“宠物”，考虑目标用户分享猫的图片后，还可能分享其他宠物的图片，因此，终端的推荐引擎为目标用户推荐“宠物”相关的图片，达到分享推荐的目的。

本实施例的技术方案通过响应于目标用户当前的图片分享行为，对获取的目标用户在终端上的操作行为数据进行分析，得到与目标用户当前的分享行为对应的分享行为特征参数，然后利用推荐标签筛选模型预测得到目标用户的推荐标签集，进而通过识别目标用户的图片，将与推荐标签集中的推荐标签相匹配的图片推荐给目标用户，以供目标用户分享。本发明实施例解决了现有的单一图片分享方法无法快速定位目标用户想要分享的图片，且无法实现针对不同用户的个性化图片分享的问题，避免了目标用户在分享图片的过程中手动查找的繁琐操作，实现了快速而准确地定位目标用户想要分享的图片，展现了很好的预测能力，提高了图片分享效率，并且，通过针对目标用户特征的差异化图片推荐，实现了个性化的图片分享效果，此外，通过利用目标用户的当前分享行为与历史分享行为之间的关联性，解决了现有图片分享方法缺少记忆能力和联想能力的问题，增强了图片分享的智能化。

实施例二

图2是本发明实施例二提供的图片分享方法的流程图，本实施例是在上述实施例的基础上进一步进行优化。如图2所示，该方法包括：

S210、获取目标用户在终端上的操作行为数据。

S220、响应于目标用户当前的图片分享行为，针对获取的操作行为数据分析得到与目标用户当前的分享行为对应的分享行为特征参数。

S230、根据分享行为特征参数，利用预先训练好的推荐标签筛选模型预测得到目标用户的推荐标签集。

S240、对目标用户的图片进行分类，得到至少一种图片分类集，至少一种图片分类集中的每一种图片分类集对应至少一个分类标签。

将目标用户的终端上的图片进行分类，具体可以由终端的分类引擎来实现。不同的图片因其内容信息不同对应不同的标签，终端的分类引擎会根据图片内容信息为图片自动打标签，标签的类型包括时间、定位、人像、背景、动物和植物等以及至少两种类型的组合等，然后将标签相同的图片归类到一种图片分类集中。图片分类集可以暂时缓存在终端中，当图片分享行为结束后释放缓存，也可以根据用户设置定周期释放缓存。图片经过分类管理后，根据图片的分类标签便可以快速定位到想要查找的图片，不再需要目标用户逐张地手动翻找。

S250、将推荐标签集中的推荐标签与至少一个分类标签进行匹配。

标签之间的匹配可以通过标签内容信息的提取与识别来实现，例如，可以计算两个标签的相似度，相似度值越大，则标签匹配度越高。当推荐标签与图片本身的分类标签相匹配的个数越多时，说明目标用户分享图片的概率越大，本实施例的图片分享方案愈加可靠与有效。通过目标用户的图片本身的分类标签与推荐标签的匹配，可以保证推荐图片的准确性，并且利用标签匹配定位推荐图片可以提高图片推荐的效率。

S260、将至少一个分类标签与推荐标签相匹配的标签对应的图片分类集中的图片推荐给目标用户，以供目标用户分享。

需要说明的是，现有的图片分享智能化实现方式都是针对“分享图片已经选择完成”之后的方案，例如谷歌可以根据分享的图片中包括的人脸匹配出分享人的电话，但是，本实施例是结合目标用户特征与行为，预测目标用户的分享意向，在目标用户选择分享图片之前主动为其推荐相关的候选图片，方便其图片分享行为。

本实施例的技术方案通过基于目标用户的分享行为特征参数，利用推荐标签筛选模型预测得到目标用户的推荐标签集，然后通过目标用户的图片分类标签与推荐标签之间匹配，确定可分享的推荐图片，解决了现有的图片分享方法无法快速定位目标用户想要分享的图片，且无法实现针对不同用户的个性化图片分享的问题，避免了目标用户在分享图片的过程中手动查找的繁琐操作，实现了快速而准确地向目标用户推荐图片，提高了图片分享效率，并且，通过针对目标用户特征的差异化图片推荐，实现了个性化的图片分享效果。

实施例三

图3是本发明实施例三提供的图片分享方法的流程图，本实施例是在上述实施例的基础上进一步进行优化。如图3所示，该方法包括：

S310、获取目标用户在终端上的操作行为数据。

S320、响应于目标用户当前的图片分享行为，针对获取的操作行为数据分析得到与目标用户当前的分享行为对应的分享行为特征参数。

S330、根据分享行为特征参数，利用预先训练好的推荐标签筛选模型预测得到目标用户的推荐标签集。

S340、利用标签筛选模型，根据目标用户的特征信息预测目标用户的分类标签集，其中，标签筛选模型是根据目标用户的历史特征信息预先训练得到，用于预测目标用户的分类标签。

标签筛选模型是为了达到不同用户使用不同的标签集合进行图片分类的目的，输入的是目标用户特征，输出的是分类标签集合，继而使用该分类标签集合为目标用户图片进行分类。目标用户的特征信息可以表征目标用户的行为偏好与兴趣，基于此，预测出的分类标签与目标用户的行为偏好与兴趣更加贴合，图片分类更加有效。标签筛选模型是终端基于目标用户的历史特征信息通过训练得到，历史特征信息可以通过定期对目标用户的行为进行统计与分析得到。此外，根据统计的目标用户的特征信息的变化，标签筛选模型会相应的进行更新与完善，这不仅保证了模型训练的准确性，而且保证了预测分类标签集的动态性与准确性。

可选的，目标用户的特征信息包括目标用户的用户画像和根据目标用户在终端上的操作行为数据分析得到的行为参数，其中，行为参数用于表征目标用户的特征。

通过对目标用户在终端上对图片、文字和/或音视频的操作行为数据进行图像识别、关键词提取、语义解析或音视频分析等，得到表征目标用户的特征的行为参数，例如，行为参数可包括行为代表的参数(如分享、点赞或浏览)、数据类型参数(如分享的图片、文字或语音)以及分享的数据语义参数(如猫)等。结合用户画像，进一步为训练标签筛选模型和预测分类标签的准确性提供保证。

S350、对目标用户的图片进行图片识别，得到与分类标签集中的每一个分类标签相对应的至少一种图片分类集。

可选的，对目标用户的图片进行图片识别，得到与分类标签集中的每一个分类标签相对应的至少一种图片分类集，包括：

依据分类标签集中分类标签的类型，确定与分类标签集对应的至少一个图像识别模型；

利用至少一个图像识别模型对目标用户的图片进行图片识别，得到与分类标签集中的每一个分类标签相对应的至少一种图片分类集。

不同的类型标签对应的图片可以通过不同的识别算法进行识别，因此，不同的类型标签便对应不同的图像识别模型，例如，人脸类标签对应的图片可以通过人脸识别算法进行识别，地点类标签对应的图片可以通过地点匹配算法进行识别，人脸类标签对应的图片和地点类标签对应的图片便对应不同的图像识别模型。利用对应分类标签类型的图像识别模型，实现对目标用户图片的快速分类。

可选的，图像识别模型的训练过程包括：将带有分类标签标注的历史图片集合作为输入，将标注的分类标签作为输出，利用机器学习的方法训练得到基于不同分类标签的图像识别模型。

S360、将推荐标签集中的推荐标签与分类标签集中的分类标签进行匹配。

S370、将分类标签集中的分类标签与推荐标签相匹配的标签对应的图片分类集中的图片推荐给目标用户，以供目标用户分享。

本实施例的技术方案通过基于目标用户的分享行为特征参数，利用推荐标签筛选模型预测得到目标用户的推荐标签集，然后利用标签筛选模型预测目标用户的分类标签集，通过图像识别模型对目标用户的图片进行识别，实现图片分类，最后通过分类标签与推荐标签的匹配，快速定位推荐图片，解决了现有的图片分享方法无法快速定位目标用户想要分享的图片，且无法实现针对不同用户的个性化图片分享的问题，避免了目标用户在分享图片的过程中手动查找的繁琐操作，实现了快速而准确地向目标用户推荐图片，提高了图片分享效率，并且，通过针对目标用户特征的差异化图片推荐，实现了个性化的图片分享效果。

实施例四

图4是本发明实施例四提供的图片分享方法的流程图，本实施例是在上述实施例的基础上进一步进行优化。如图4所示，该方法包括：

S410、获取目标用户在终端上的操作行为数据。

S420、响应于目标用户当前的图片分享行为，针对获取的操作行为数据分析得到与目标用户当前的分享行为对应的分享行为特征参数。

S430、根据分享行为特征参数，利用从云端获取的推荐标签筛选模型预测得到目标用户的推荐标签集。

推荐标签筛选模型是基于目标用户的云端数据中的历史分享行为特征参数训练得到，并由云端进行模型管理，例如，基于目标用户的不同分享行为向量和已分享图片标签集合，训练得到推荐标签筛选模型。目标用户的云端数据是服务器从终端收集的可以表征目标用户特征的信息数据，只有通过目标用户授权之后，云端才可以利用目标用户的云端数据，例如，当云端收到终端传输的目标用户标识，便认为是通过授权。根据目标用户的云端数据的变化，推荐标签筛选模型会进行同步更新与优化。当云端收到终端的模型获取请求之后，便会将当前的推荐标签筛选模型下发到终端。同时，云端会对当前的推荐标签筛选模型是否更新进行判断，以保证下发到终端的是最新的推荐标签筛选模型。终端获取到云端下发的推荐标签筛选模型后会保存在本地，预测目标用户的推荐标签集，其中该预测可以是在线预测也可以是离线预测。

S440、利用从云端获取的标签筛选模型，根据目标用户的特征信息预测目标用户的分类标签集。

S450、利用从云端获取的图像识别模型对目标用户的图片进行图片识别，得到与分类标签集中的每一个分类标签相对应的至少一种图片分类集。

与推荐标签筛选模型类似，标签筛选模型和图像识别模型也是分别由云端根据目标用户的云端数据中的特征信息和带有分类标签标注的历史图片集合进行训练得到，并根据云端数据的更新同步进行更新与优化。云端根据终端的模型需求请求，将最新的模型下发到终端，终端获取后保存至本地。

S460、将推荐标签集中的推荐标签与分类标签集中的分类标签进行匹配。

S470、将分类标签集中的分类标签与推荐标签相匹配的标签对应的图片分类集中的图片推荐给目标用户，以供目标用户分享。

图片分享过程中涉及的模型均是在云端训练完成，减轻了终端模型训练的程序运行的压力，保证了终端在完成图片分享过程中的系统运行的流畅度，并且终端通过云端获取所需模型并保存在本地，使得分享终端本地图片的推荐不会受到终端网络连接状态的限制，可以是在线推荐，也可以是离线推荐。此外，针对目标用户的云端相册中的图片，可以利用标签筛选模型和图像识别模型直接在云端进行识别分类，然后将与推荐标签相匹配的图片传输至终端，共目标用户分享。

本实施例的技术方案通过从云端获取推荐标签筛选模型、标签筛选模型以及图像识别模型，实现针对目标用户分享行为的推荐标签集预测与针对目标用户图片的分类标签集预测以及图片识别，进而实现目标用户的图片分类，最后通过分类标签与推荐标签的匹配，快速定位推荐图片，解决了现有的图片分享方法无法快速定位目标用户想要分享的图片，且无法实现针对不同用户的个性化图片分享的问题，实现了快速而准确地向目标用户推荐图片，提高了图片分享效率，并且，通过针对目标用户特征的差异化图片推荐，实现了个性化的图片分享效果，此外，终端所需模型保存在本地，使得终端本地图片的分享推荐不会受到终端网络连接状态的限制。

实施例五

图5是本发明实施例五提供的图片分享装置的结构示意图，本实施例可适用于分享图片的情况。本发明实施例所提供的图片分享装置可执行本发明任意实施例所提供的图片分享方法，具备执行方法相应的功能模块和有益效果。如图5所示，该装置包括操作行为数据获取模块510、分享行为特征参数分析模块520、推荐标签集预测模块530和图片推荐模块540，其中：

操作行为数据获取模块510，用于获取目标用户在终端上的操作行为数据。

可选的，操作行为数据获取模块510具体用于：获取目标用户在终端上对图片、文字和/或音视频的操作行为数据。

分享行为特征参数分析模块520，用于响应于目标用户当前的图片分享行为，针对获取的操作行为数据分析得到与目标用户当前的分享行为对应的分享行为特征参数。

可选的，分享行为特征参数分析模块520具体用于：

响应于目标用户当前的图片分享行为，针对获取的操作行为数据分析得到与目标用户当前的分享行为对应的分享行为特征参数，该分享行为特征参数至少包括如下之一：目标用户的用户画像特征、图片分享行为产生时在聊天记录中的上下文语义、已分享过的图片标签和剪贴板的图片标签。

推荐标签集预测模块530，用于根据分享行为特征参数，利用预先训练好的推荐标签筛选模型预测得到目标用户的推荐标签集。

图片推荐模块540，用于识别目标用户的图片，将与推荐标签集中的推荐标签相匹配的图片推荐给目标用户，以供目标用户分享。

可选的，该图片分享装置还包括：

推荐标签筛选模型训练模块，用于训练得到目标用户的推荐标签筛选模型；其中，推荐标签筛选模型训练模块包括：

历史分享行为特征参数获取单元，用于获取目标用户在终端上的历史分享行为对应的历史分享行为特征参数；

推荐标签筛选模型训练单元，用于将获取的历史分享行为特征参数作为输入，将预先标注好的目标用户分享的图片标签结果作为输出，利用机器学习的方法训练得到推荐标签筛选模型。

在上技术方案的基础上，进一步的，图片推荐模块540包括：

图片分类集确定单元，用于对目标用户的图片进行分类，得到至少一种图片分类集，至少一种图片分类集中的每一种图片分类集对应至少一个分类标签；

标签匹配单元，用于将推荐标签集中的推荐标签与至少一个分类标签进行匹配；

图片推荐单元，用于将至少一个分类标签与推荐标签相匹配的标签对应的图片分类集中的图片推荐给目标用户，以供目标用户分享。

可选的，图片分类集确定单元包括：

分类标签集预测子单元，用于利用标签筛选模型，根据目标用户的特征信息预测目标用户的分类标签集，其中，标签筛选模型是根据目标用户的历史特征信息预先训练得到，用于预测目标用户的分类标签；

图片识别子单元，用于对目标用户的图片进行图片识别，得到与分类标签集中的每一个分类标签相对应的至少一种图片分类集。

可选的，分类标签集预测子单元具体用于：利用标签筛选模型，根据目标用户的用户画像和根据目标用户在终端上的操作行为数据分析得到的行为参数预测目标用户的分类标签集，其中，行为参数用于表征目标用户的特征。

进一步的，图片识别子单元包括：

图像识别模型确定子单元，用于依据分类标签集中分类标签的类型，确定与分类标签集对应的至少一个图像识别模型；

图像识别模型识别子单元，用于利用至少一个图像识别模型对目标用户的图片进行图片识别，得到与分类标签集中的每一个分类标签相对应的至少一种图片分类集。

本实施例的技术方案通过响应于目标用户当前的图片分享行为，对获取的目标用户在终端上的操作行为数据进行分析，得到与目标用户当前的分享行为对应的分享行为特征参数，然后利用预先训练好的推荐标签筛选模型预测得到目标用户的推荐标签集，进而通过识别目标用户的图片，将与推荐标签集中的推荐标签相匹配的图片推荐给目标用户，以供目标用户分享。本发明实施例解决了现有的图片分享方法无法快速定位目标用户想要分享的图片，且无法实现针对不同用户的个性化图片分享的问题，避免了目标用户在分享图片的过程中手动查找的繁琐操作，实现了快速而准确地定位目标用户想要分享的图片，提高了图片分享效率，并且，通过针对不同用户特征的差异化图片推荐，实现了个性化的图片分享效果，增强了图片分享的智能化。

实施例六

图6是本发明实施例六提供的一种终端的结构示意图。图6示出了适于用来实现本发明实施方式的示例性终端612的框图。图6显示的终端612仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图6所示，终端612以通用终端的形式表现。终端612的组件可以包括但不限于：一个或者多个处理器616，存储装置628，连接不同系统组件(包括存储装置628和处理器616)的总线618。

总线618表示几类总线结构中的一种或多种，包括存储装置总线或者存储装置控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry SubversiveAlliance，ISA)总线，微通道体系结构(Micro Channel Architecture，MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。

终端612典型地包括多种计算机系统可读介质。这些介质可以是任何能够被终端612访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储装置628可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory，RAM)630和/或高速缓存存储器632。终端612可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统634可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘，例如只读光盘(Compact Disc Read-Only Memory，CD-ROM),数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线618相连。存储装置628可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块642的程序/实用工具640，可以存储在例如存储装置628中，这样的程序模块642包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块642通常执行本发明所描述的实施例中的功能和/或方法。

终端612也可以与一个或多个外部设备614(例如键盘、指向设备、显示器624等)通信，还可与一个或者多个使得用户能与该终端612交互的设备通信，和/或与使得该终端612能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口622进行。并且，终端612还可以通过网络适配器620与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网(Wide Area Network，WAN)和/或公共网络，例如因特网)通信。如图6所示，网络适配器620通过总线618与终端612的其它模块通信。应当明白，尽管图中未示出，可以结合终端612使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks，RAID)系统、磁带驱动器以及数据备份存储系统等。

处理器616通过运行存储在存储装置628中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的图片分享方法，该方法包括：

获取目标用户在终端上的操作行为数据；

响应于目标用户当前的图片分享行为，针对所述操作行为数据分析得到与所述当前的分享行为对应的分享行为特征参数；

根据所述分享行为特征参数，利用预先训练好的推荐标签筛选模型预测得到目标用户的推荐标签集；

识别目标用户的图片，将与所述推荐标签集中的推荐标签相匹配的图片推荐给目标用户，以供目标用户分享。

实施例七

本发明实施例七还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的图片分享方法，该方法包括：

获取目标用户在终端上的操作行为数据；

响应于目标用户当前的图片分享行为，针对所述操作行为数据分析得到与所述当前的分享行为对应的分享行为特征参数；

根据所述分享行为特征参数，利用预先训练好的推荐标签筛选模型预测得到目标用户的推荐标签集；

识别目标用户的图片，将与所述推荐标签集中的推荐标签相匹配的图片推荐给目标用户，以供目标用户分享。

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

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

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

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

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

Claims (16)

1.一种图片分享方法，其特征在于，包括：

获取目标用户在终端上的操作行为数据；

响应于目标用户当前的图片分享行为，针对所述操作行为数据分析得到与所述当前的分享行为对应的分享行为特征参数；

根据所述分享行为特征参数，利用预先训练好的推荐标签筛选模型预测得到目标用户的推荐标签集；

识别目标用户的图片，将与所述推荐标签集中的推荐标签相匹配的图片推荐给目标用户，以供目标用户分享；

其中，所述分享行为特征参数至少包括如下之一：目标用户的用户画像特征、已分享过的图片标签和剪贴板的图片标签。

2.根据权利要求1所述的方法，其特征在于，所述分享行为特征参数还包括：图片分享行为产生时在聊天记录中的上下文语义。

3.根据权利要求1所述的方法，其特征在于，所述识别目标用户的图片，将与所述推荐标签集中的推荐标签相匹配的图片推荐给目标用户，以供目标用户分享，包括：

对目标用户的图片进行分类，得到至少一种图片分类集，所述至少一种图片分类集中的每一种图片分类集对应至少一个分类标签；

将所述推荐标签集中的推荐标签与所述至少一个分类标签进行匹配；

将所述至少一个分类标签与所述推荐标签相匹配的标签对应的图片分类集中的图片推荐给目标用户，以供目标用户分享。

4.根据权利要求3所述的方法，其特征在于，所述对目标用户的图片进行分类，得到至少一种图片分类集，所述至少一种图片分类集中的每一种图片分类集对应至少一个分类标签，包括：

利用标签筛选模型，根据目标用户的特征信息预测目标用户的分类标签集，其中，所述标签筛选模型是根据目标用户的历史特征信息预先训练得到，用于预测目标用户的分类标签；

对目标用户的图片进行图片识别，得到与所述分类标签集中的每一个分类标签相对应的至少一种图片分类集。

5.根据权利要求4所述的方法，其特征在于，所述对目标用户的图片进行图片识别，得到与所述分类标签集中的每一个分类标签相对应的至少一种图片分类集，包括：

依据所述分类标签集中分类标签的类型，确定与所述分类标签集对应的至少一个图像识别模型；

利用所述至少一个图像识别模型对目标用户的图片进行图片识别，得到与所述分类标签集中的每一个分类标签相对应的至少一种图片分类集。

6.根据权利要求4所述的方法，其特征在于，所述目标用户的特征信息包括目标用户的用户画像和根据目标用户在所述终端上的操作行为数据分析得到的行为参数，其中，所述行为参数用于表征目标用户的特征。

7.根据权利要求1所述的方法，其特征在于，所述操作行为数据包括目标用户在终端上对图片、文字和/或音视频的操作行为数据。

8.一种图片分享装置，其特征在于，包括：

操作行为数据获取模块，用于获取目标用户在终端上的操作行为数据；

分享行为特征参数分析模块，用于响应于目标用户当前的图片分享行为，针对所述操作行为数据分析得到与所述当前的分享行为对应的分享行为特征参数；

推荐标签集预测模块，用于根据所述分享行为特征参数，利用预先训练好的推荐标签筛选模型预测得到目标用户的推荐标签集；

图片推荐模块，用于识别目标用户的图片，将与所述推荐标签集中的推荐标签相匹配的图片推荐给目标用户，以供目标用户分享；

其中，所述分享行为特征参数至少包括如下之一：目标用户的用户画像特征、已分享过的图片标签和剪贴板的图片标签。

9.根据权利要求8所述的装置，其特征在于，所述分享行为特征参数分析模块具体用于：

响应于目标用户当前的图片分享行为，针对所述操作行为数据分析得到与所述当前的分享行为对应的分享行为特征参数，所述分享行为特征参数还包括：图片分享行为产生时在聊天记录中的上下文语义。

10.根据权利要求8所述的装置，其特征在于，所述图片推荐模块包括：

图片分类集确定单元，用于对目标用户的图片进行分类，得到至少一种图片分类集，所述至少一种图片分类集中的每一种图片分类集对应至少一个分类标签；

标签匹配单元，用于将所述推荐标签集中的推荐标签与所述至少一个分类标签进行匹配；

图片推荐单元，用于将所述至少一个分类标签与所述推荐标签相匹配的标签对应的图片分类集中的图片推荐给目标用户，以供目标用户分享。

11.根据权利要求10所述的装置，其特征在于，所述图片分类集确定单元包括：

分类标签集预测子单元，用于利用标签筛选模型，根据目标用户的特征信息预测目标用户的分类标签集，其中，所述标签筛选模型是根据目标用户的历史特征信息预先训练得到，用于预测目标用户的分类标签；

图片识别子单元，用于对目标用户的图片进行图片识别，得到与所述分类标签集中的每一个分类标签相对应的至少一种图片分类集。

12.根据权利要求11所述的装置，其特征在于，所述图片识别子单元包括：

图像识别模型确定子单元，用于依据所述分类标签集中分类标签的类型，确定与所述分类标签集对应的至少一个图像识别模型；

图像识别模型识别子单元，用于利用所述至少一个图像识别模型对目标用户的图片进行图片识别，得到与所述分类标签集中的每一个分类标签相对应的至少一种图片分类集。

13.根据权利要求11所述的装置，其特征在于，所述分类标签集预测子单元具体用于：利用标签筛选模型，根据目标用户的用户画像和根据目标用户在所述终端上的操作行为数据分析得到的行为参数预测目标用户的分类标签集，其中，所述行为参数用于表征目标用户的特征。

14.根据权利要求8所述的装置，其特征在于，所述操作行为数据获取模块具体用于：获取目标用户在所述终端上对图片、文字和/或音视频的操作行为数据。

15.一种终端，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1～7中任一所述的图片分享方法。

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如权利要求1～7中任一所述的图片分享方法。

Images