CN108509466A - 一种信息推荐方法和装置 - Google Patents

一种信息推荐方法和装置 Download PDF

Info

Publication number
CN108509466A
CN108509466A CN201710243429.7A CN201710243429A CN108509466A CN 108509466 A CN108509466 A CN 108509466A CN 201710243429 A CN201710243429 A CN 201710243429A CN 108509466 A CN108509466 A CN 108509466A
Authority
CN
China
Prior art keywords
image
information
similarity
target image
target
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.)
Pending
Application number
CN201710243429.7A
Other languages
English (en)
Inventor
姚伶伶
何琪
王芊
郭永
项则远
陈骥远
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 CN201710243429.7A priority Critical patent/CN108509466A/zh
Publication of CN108509466A publication Critical patent/CN108509466A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Abstract

本发明提供一种信息推荐方法和装置，若检测到用户针对目标对象执行目标事件，则获取所述目标对象的目标图像；识别所述目标图像的分类，并在预设信息对象库中查找图像分类与所述目标图像的分类相同，且图像与所述目标图像的相似度满足预设条件的N个信息对象，其中，所述预设信息对象库中每个信息对象包括至少一张图像，所述N为大于或者等于1的整数；向所述用户推荐所述N个信息对象中的信息对象。这样可以实现向用户推荐的信息对象与用户当前关注目标对象图像相似的信息对象，从而可以提高推荐效果。

Description

一种信息推荐方法和装置
技术领域
本发明涉及互联网技术领域，尤其涉及一种信息推荐方法和装置。
背景技术
随着互联网技术的发展，用户使用互联网的场景越来越多，例如：网上购物、上网浏览新闻或者网上聊天等等。且一些平台为了提升用户体验，往往会根据历史行为，选择一些信息对象作为推荐信息对象向用户推荐。例如：针对一个购物平台，该购物平台可以收集各用户的购买历史行为，在商品库中选择与该用户的购买历史行为匹配的商品，并推荐给用户。然而，在实际应用中，用户的行为是经常变化的，例如：用户在某一段时间经常在网上购买生活用品，但在另一时间可能是需要购买办公用品，或者用户在某一段时间经常浏览风景图像，但在另一时间可能是想浏览人物图像。这样按照历史行为向用户推荐信息对象，就会存在推荐效果较差的问题。
发明内容
本发明实施例提供一种信息推荐方法和装置，以解决推荐效果较差的问题。
第一方面，本发明实施例提供了一种信息推荐方法，包括：
若检测到用户针对目标对象执行目标事件，则获取所述目标对象的目标图像；
识别所述目标图像的分类，并在预设信息对象库中查找图像分类与所述目标图像的分类相同，且图像与所述目标图像的相似度满足预设条件的N个信息对象，其中，所述预设信息对象库中每个信息对象包括至少一张图像，所述N为大于或者等于1的整数；
向所述用户推荐所述N个信息对象中的信息对象。
第二方面，本发明实施例还提供一种信息推荐装置，其特征在于，包括：
第一获取模块，用于若检测到用户针对目标对象执行目标事件，则获取所述目标对象的目标图像；
查找模块，用于识别所述第一获取模块获取的所述目标图像的分类，并在预设信息对象库中查找图像分类与所述目标图像的分类相同，且图像与所述目标图像的相似度满足预设条件的N个信息对象，其中，所述预设信息对象库中每个信息对象包括至少一张图像，所述N为大于或者等于1的整数；
推荐模块，用于向所述用户推荐所述查找模块查找的所述N个信息对象中的信息对象。
本发明的上述技术方案至少具有如下有益效果：
本发明实施例中，若检测到用户针对目标对象执行目标事件，则获取所述目标对象的目标图像；识别所述目标图像的分类，并在预设信息对象库中查找图像分类与所述目标图像的分类相同，且图像与所述目标图像的相似度满足预设条件的N个信息对象，其中，所述预设信息对象库中每个信息对象包括至少一张图像，所述N为大于或者等于1的整数；向所述用户推荐所述N个信息对象中的信息对象。这样可以实现向用户推荐的信息对象与用户当前关注目标对象图像相似的信息对象，从而可以提高推荐效果。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的信息推荐方法可应用的场景示意图；
图2是本发明实施例提供的一种服务器的结构图；
图3是本发明实施例提供的一种信息推荐方法的流程图；
图4是本发明实施例提供的另一种信息推荐方法的流程图；
图5是本发明实施例提供的一种神经网络的示意图；
图6是本发明实施例提供的一种图像特征数据的示意图；
图7是本发明实施例提供的一种信息推荐装置的结构图；
图8是本发明实施例提供的另一种信息推荐装置的结构图；
图9是本发明实施例提供的另一种信息推荐装置的结构图；
图10是本发明实施例提供的另一种信息推荐装置的结构图；
图11是本发明实施例提供的另一种信息推荐装置的结构图；
图12是本发明实施例提供的另一种信息推荐装置的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参考图1，图1是本发明实施例提供的信息推荐方法可应用的场景示意图，如图1所示，该场景包括用户终端110和服务器120，用户终端110和服务器120通过网络进行通信。其中，用户终端110可为智能手机、平板电脑、笔记本电脑、台式计算机等，但并不限于此。可选的，图1中的服务器120的内部结构如图2所示，服务器120包括通过系统总线连接的处理器、存储介质、内存和网络接口。其中，该服务器120的存储介质存储有操作系统、数据库和一种信息推荐装置，数据库用于存储数据，如存储信息对象和神经网络等，该信息推荐装置用于实现一种适用于服务器120的信息推荐方法。该服务器120的处理器用于提供计算和控制能力，支撑整个服务器120的运行。该服务器120的内存为存储介质中的信息推荐装置的运行提供环境。该服务器120的网络接口用于与外部的用户终端110通过网络连接通信，比如向用户终端110推荐信息对象。例如：以信息对象为商品对象为例，服务器120通过信息推荐装置检测到用户收藏、购买或者点击某商品对象时，就可以在数据库中查找图像与该商品对象的图像相似满足预设条件的N个商品对象(例如：选择相似度大于90％的N个商品对象)，并通过网络接口向该用户的用户终端110推荐。
请参考图3，图3是本发明实施例提供的一种信息推荐方法的流程图，如图3所示，包括以下步骤：
S301、若检测到用户针对目标对象执行目标事件，则获取所述目标对象的目标图像。
其中，上述目标对象可以是商品对象，例如：某购物网站中的商品，而上述目标图像就可以是该商品对象的展示图像，且上述目标事件可以是收藏事件、购买事件、点击事件和浏览事件中的至少一项。即检测到用户针对商品对象执行收藏、购买、点击和浏览中的至少一项事件时，就获取该商品对象的目标图像。且若商品对象包括多个图像时上述目标图像可以是该商品对象中的一个或者多个图像。另外，上述目标对象还可以是新闻或者视频等包括图像的信息对象，而针对新闻或者视频等包括图像的信息对象，上述目标事件可以是浏览事件、点击事件和收藏事件中的至少一项。即检测到用户针对新闻或者视频等包括图像的信息对象进行执行浏览、点击和收藏中的至少一项事件时，就可以获取这些信息对象的目标图像.例如：针对新闻，就可以获取新闻的封面图像或者人物图像等；而针对视频，就可以获取视频的首帧图像或者其他任意帧的图像。
上述检测到用户针对目标对象执行目标事件可以是，在用户针对目标对象执行目标事件时服务器检测的，因为，目标对象为服务器向用户提供的，那么，用户在对目标对象执行任何事件时，服务器均可以检测到。例如：用户在收藏、购买、点击或者浏览某商品对象时，服务器均可以检测这些事件。且本发明实施例中，用户可以理解为用户账号，例如：购物网站的账号、社交网站的账号或者即时通讯账号等，或者用户还可以理解为用户终端，例如：手机、计算机或者笔记本电脑等，当然，在一些场景中上述用户也可以直接理解为人。
S302、识别所述目标图像的分类，并在预设信息对象库中查找图像分类与所述目标图像的分类相同，且图像与所述目标图像的相似度满足预设条件的N个信息对象，其中，所述预设信息对象库中每个信息对象包括至少一张图像，所述N为大于或者等于1的整数。
其中，上述识别目标图像的分类可以是使用神经网络对目标图像进行分类，也可以是预先对各图像进行了分类，从而步骤S102就可以查找到目标图像的分类。例如：上述目标对象也为上述预设信息对象库中一信息对象，该预设信息对象库中对各信息对象的图像均进行了分类，从而直接在该预设信息对象库中查找到上述目标图像的分类。
上述N个信息对象可以是图像与上述目标图像的分类相同，且相似度大于预设相似度值的N个信息对象，即上述预设条件为相似度大于预设相似度值，或者上述N个信息对象可以是图像与上述目标图像的分类相同，且相似度在从高到低的排序中的前N个信息对象，即上述预设条件为从高到低的排序中的前N个。且上述N可以是预先设置的整数。
上述预设信息对象库可以是包括多个信息对象的数据库，该数据库中可以存储各信息对象的图像，且每个信息对象包括至少一张图像。例如：针对商品对象，则上述预设信息对象库就可以包括多个商品对象，而每个商品对象均可以包括相应文字和图像等其他信息，如衣服的图像和文字描述信息。具体的，针对某一购物网站，上述预设信息对象库可以包括该购物网站的全部或者部分的商品对象的文字信息和图像。
另外，上述预设信息对象数据库可以是预先存储的信息对象库，即存储在本地的信息对象数据库，或者可以是存储在云端的信息对象数据库，即存储在远端的信息对象库。
S303、向所述用户推荐所述N个信息对象中的信息对象。
当查找到上述N个信息对象时，就可以向用户推荐N个信息对象中的全部或者部分信息对象。其中，上述推荐可以是上述用户对应的用户终端发送信息对象。且推荐多个信息对象时，可以按照特定顺序向用户推荐，例如：按照图像的相似度的高低向用户推荐，或者可以是按照点击率的高低向用户推荐。当用户对应的用户终端接收到上述信息对象时就可以显示，以让用户查看到。
通过上述步骤就可以实现当用户针对目标对象执行上述目标事件时，就可以确定用户当前关注该目标对象，这样向用户推荐的信息对象与用户当前关注目标对象图像相似的信息对象，从而可以提高推荐效果。例如：当检测到用户收藏、点击、购买或者浏览某件衣服时，就可以从商品库中选择图像与该衣服的图像相似的N件衣服，并向用户推荐这N件衣服，从而用户可以直接查看到相似的其他衣服，以提升用户购物的便捷性和趣味性。
需要说明的是，上述方法可以应用于图1所示的服务器外，在一些场景中，上述方法也可以应用于用户终端，例如：用户终端可以通过网络或者本地查找到上述N个信息对象，并显示给用户查看，达到向用户推荐这N个信息对象的效果。
本发明实施例中，若检测到用户针对目标对象执行目标事件，则获取所述目标对象的目标图像；识别所述目标图像的分类，并在预设信息对象库中查找图像分类与所述目标图像的分类相同，且图像与所述目标图像的相似度满足预设条件的N个信息对象，其中，所述预设信息对象库中每个信息对象包括至少一张图像，所述N为大于或者等于1的整数；向所述用户推荐所述N个信息对象中的信息对象。这样可以实现向用户推荐的信息对象与用户当前关注目标对象图像相似的信息对象，从而可以提高推荐效果。
请参考图4，图4是本发明实施例提供的一种信息推荐方法的流程图，如图4所示，包括以下步骤：
S401、若检测到用户针对目标对象执行目标事件，则获取所述目标对象的目标图像。
其中，步骤S401可以参见步骤S301的说明，此处不作赘述。
S402、识别所述目标图像的分类，并在所述预设信息对象库中查找所述分类下的若干张候选图像，其中，所述预设信息对象库中每个信息对象包括至少一张图像，且所述预设信息对象库中各信息对象按照图像的分类进行存储。
本发明实施例中，由于可以预先对上述预设信息对象库中各信息对象的图像进行分类，这样可以快速地获取到上述若干张候选图像，且上述目标对象也可以是上述预设信息对象库中的信息对象，从而也可以直接获取到目标图像的分类，进而提高推荐的效率。可选的，上述预设信息对象库可以建立图像分类至信息对象的倒排索引，即通过分类中的图像索引到信息对象，以提高信息对象查找的效率。例如：以商品对象为例，上述预设信息对象库中可以建立类目至商品的倒排索引，输入一个图像，查询该倒排索引，得到该分类下的所有商品对象的图像。
可选的，所述识别所述目标图像的分类，并在所述预设信息对象库中查找所述分类下的若干张候选图像的步骤之前，所述方法还包括：
使用预先获取的图像分类模型对所述预设信息对象库中各图像进行分类，其中，所述图像分类模型是使用多个分类的图像训练数据进行神经网络训练得到的。
其中，上述图像分类模型可以是一神经网络，例如：卷积神经网络，其中，卷积神经网络可以采用如图5所示的经典卷积神经网络，经典卷积神经网络的整个网络结构包括五层卷积层和三层全连接层，如图5所示，网络的最前端是输入图像的原始像素点，最后端是图像的分类结果。其中，一个完整的卷积层可以包括一层卷积、一层激活函数(RectifiedLinear Units)，一层马克斯池(max-pooling)和一层归一化(normalization)。且卷积层相比较于全连接层，主要的区别有两个，一个是局部感受野，另一个则是卷积滤波的权值共享。通过这样两个特性，可以降低了卷积神经网络的复杂度，使其布局更接近于实际的生物神经网络。
另外，上述图像分类模型可以是预先训练好的，即使用上述多个分类的图像训练数据进行神经网络训练得到的。其中，上述多个分类的图像训练数据可以是某一图像数据库中的多个分类的图像训练图像，即上述图像分类模型可以按照该图像数据库的多个分类(如1000或者2000个分类)的训练数据进行分类，以实现将图像分类为多个分类(如1000或者2000个分类)。另外，上述神经网络训练可以是基于预先获取的训练平台使用反向传播(Back-propagation)算法对上述多个分类的图像训练数据进行训练，以得到上述图像分类模型。其中，反向传播算法可以是主要由激励传播和权重更新这两个环节反复循环迭代，即神经网络训练可以是对图像训练图像进行激励传播和权重更新的反复循环迭代，直到神经网络对输入的图像特征数据达到预定的类型为止，即识别出图像属于上述1000或者2000个分类中的一个。当然，上述图像分类模型还可以是预先接收其他设备发送的等，对此不作限定。
上述使用图像分类模型对所述预设信息对象库中各图像进行分类可以是，将各图像的各局部感受区域作为图像分类模块的层级结构的最低层输入，信息再依次传输到不同的层，每层通过一个数字滤波器去获得观测数据的最显著特征，以达到图像分类的效果。
另外，上述在所述预设信息对象库中查找所述分类下的若干张候选图像可以是，在所述预设信息对象库中查找所述分类下的所有图像，这些图像称作候选图像。
S403、分别计算各候选图像与所述目标图像的相似度。
其中，计算候选图像与上述目标图像的相似度可以是采用神经网络进行计算，例如：上述分别计算各候选图像与所述目标图像的相似度的步骤，可以包括：
使用预先获取的神经网络模型对所述目标图像进行特征提取操作，获取所述神经网络模型中目标层针对所述目标图像提取的特征数据，其中，所述目标层包括所述神经网络模型中的至少一个卷积层和/或至少一个全连接层；
获取所述神经网络模型中所述目标层对各候选图像提取的特征数据；
将各候选图像的特征数据分别与所述目标图像的特征数据进行相似度比较，基于各候选图像的特征数据与所述目标图像的特征数据的相似度，获取所述各候选图像与所述目标图像的相似度。
其中，上述特征提取操作可以是将目标图像直接输入到上述神经网络，然后做前向传导，以实现对目标图像进行特征提取操作。且上述神经网络模型可以是预先训练好的卷积神经网络模型，可选的，该神经网络可以是与上述介绍的图像分类模型的神经网络为同一个深度卷积神经网络，这样可以实现基于卷积神经网络的特征提取和图像分类的训练可以同时进行，并同时在训练中产生，以通过训练图像分类模型，也得到一个图像特征抽取模，进而节约设备功耗，以及提升效率。
另外，所述目标层包括所述神经网络模型中的至少一个卷积层和/或至少一个全连接层可以理解为，上述目标层可以是上述神经网络模型的一个或者多个卷积层，例如：第一个卷积层、第二个卷积层和/或第三个卷积层等；或者上述目标层可以是上述神经网络模型的一个或者多个全连接层，例如：第一个全连接层、第二个全连接层和/或第三个全连接层；或者上述目标层即包括上述神经网络模型中的卷积层，又可以包括全连接层，例如：第五个卷积层和至少一个全连接层。
另外，上述目标层针对所述目标数据提取的特征数据可以是，目标层针对上述目标图像输出的特征数据，例如：如图5所示的神经网络，针对目标图像各层均会有特征数据输出。另外，关于各候选图像的特征数据可以是预先获取的，即可以预先使用上述神经网络对上述预设信息对象库中各信息对象进行特征提取操作，从而预先获取到各候选图像的特征数据，这样提高推荐的效率。当然，也可以是在步骤403中使用上述神经网络对各候选图像进行特征提取操作，以得到各候选数据的特征数据。
其中，上述基于各候选图像的特征数据与所述目标图像的特征数据的相似度，获取所述各候选图像与所述目标图像的相似度可以是，将基于各候选图像的特征数据与所述目标图像的特征数据的相似度，作为各候选图像与所述目标图像的相似度，例如：目标层为神经网络模型中的一个层时。或者上述目标层包括多个层时，上述基于各候选图像的特征数据与所述目标图像的特征数据的相似度，获取所述各候选图像与所述目标图像的相似度还可以是，将基于各候选图像的特征数据与所述目标图像的特征数据的相似度直接相加或者乘以预设权重再相加，以得到各候选图像与所述目标图像的相似度。
该实施方式中，由于通过上述神经网络对各图像进行特征提取，可以避免显式的特征抽取，而隐式地从训练数据进行学习特征。另外，由于低层次网络的输出表征图片的细节特征，譬如纹理，位移，边缘；高层次网络的输出表征图片的语义特征，譬如场景和类别。例如：如图6所示，图6是利用反卷积绘制出来的层1(Layer1)～层(Layer3)的特征图像(Feature Map)的输出。这样通过目标层提取的特征数据，就可以提高图像相似度比较的准确性，因为目标层可以是神经网络模型中的高层，以及还可以提高相似度比较的灵活性，因为目标层可以是上述神经网络模型中的任意一或者多层。
可选的，所述目标层包括至少两个卷积层或者至少两个全连接层，或者所述目标层包括至少一个卷积层和至少一个全连接层，所述将各候选图像的特征数据分别与所述目标图像的特征数据进行相似度比较，基于各候选图像的特征数据与所述目标图像的特征数据的相似度，获取所述各候选图像与所述目标图像的相似度的步骤，包括：
针对每一候选图像，将该候选图像的特征数据与所述目标图像的特征数据按层进行相似度比较，得到该候选图像与所述目标图像在各层的相似度；
将该候选图像与所述目标图像在各层的相似度分别与各层对应的预设权重进行相乘，得到该候选图像与所述目标图像在各层的权重相似度；
将该候选图像与所述目标图像在各层的权重相似度相加，得到该候选图像与所述目标图像的相似度。
该实施方式中，可以实现针对目标层为多层时，可以将候选图像的特征数据与目标图像的特征数据按层进行相似度比较，即候选图像中各层提取的特征数据与目标图像中对应层提取的特征数据进行比较。例如：目标层包括第一卷积层和第二卷积层时，将候选图像的第一卷积层的特征数据与目标图像的第一卷积层的特征数据进行相似度比较，得到第一卷积层的相似度，以及将候选图像的第二卷积层的特征数据与目标图像的第二卷积层的特征数据进行相似度比较，得到第二卷积层的相似度。另外，该实施方式中，每个层均可以预先配置权重，这样在得到候选图像与所述目标图像在各层的相似度后，就可以将各层的相似度乘以对应的权重，例如：将第一卷积层的相似度乘以第一卷积层的权重，得到第一卷积层的权重相似度，将第二卷积层的相似度乘以第二卷积层的权重，得到第二卷积层的权重相似度。之后，就可以将各层的权重相似度相加，得到候选图像与目标图像的相似度，例如：第一卷积层的权重相似度加上第二卷积层的权重相似度，得到候选图像与目标图像的相似度。
该实施方式中，由于这样针对不同层采用相应的权重，这样可以提高图像相似度计算的准确性。
可选的，上述目标层包括所述神经网络模型中向全连接层输出特征数据的卷积层，以及还包括所述神经网络模型的各全连接层。
其中，所述神经网络模型中向全连接层输出特征数据的卷积层可以理解为，上述神经网络的结构中与全连接层连接的卷积层，即最后一个卷积层。例如：如图5所示的神经网络就的第五个卷积层，即最后一个卷积层。
需要说明的是，上述神经网络可以包括多个全连接层，那么，各图像的特征数据就均会包括多个全连接层提取的特征数据。例如：以八层神经网络为例，第五层是卷积层，后面三层是全连接层，这样可以将这四层的特征数据分别记为四个向量fv1,fv2,fv3,fv4，每层的特征维度可以分别为43264(＝256×13×13)、4096、4096和1000。且上述每个全连接层可以对应相同或者不同的第一预设权重值。
例如：对于每一层特征向量，均可以使用如下公式计算相似度：
simlayern＝cosine(fvni,fvnj)
其中，n表示卷积网络层数，i,j表示两张任意不同的图片，即表示目标图像和某一候选图像。
另外，由于采用了余弦相似性来计算每层特征向量之间的相似度。而各层特征表示图像不同的意义，低层特征更细节，高层特征更抽象，这样针对不同层采用相应的权重，可以提高图像相似度计算的准确性。例如：采用线性回归方法，通过如下公式计算图像的相似度：
similarity＝a*simlayer5+b*simlayer6+c*simlayer7+d*simlayer8
其中，a,b,c,d表示各层特征在最终相似性度量里所占的权重，且满足a+b+c+d＝1。其中，这些权值可以是预设设置好的，例如：可以由人工评测一部分图片相似性数据，再根据评测数据训练得到这四个权重。similarity属于[0,1]区间，值越大表示越相似，相同图片的similarity为1。
该实施方式中，由于上述目标层均是神经网络模型中的高层，从而可以提高图像相似度的准确性。
需要说明的是，本发明实施例中，计算候选图像与目标图像的相似度还可以采用通用搜索树(Generalized Search Trees，GIST)或者尺度不变特征变换(Scale-invariantfeature transform，SIFT)等其他方法计算相似度。且在使用神经网络进行相似度计算时，还可以是基于不同的训练数据训练不同场景的卷积神经网络，或者训练深度自动编码器以实现图像特征数据的提取，以进行图像相似度的计算。
S404、在所述若干张候选图像中，选择N张图像，所述N张图像为所述若干张图像中按照相似度从高到低的排序中前N张图像，或者所述N张图像为所述若干张图像中与所述目标图像的相似度大于预设阈值的N张图像，所述N为大于或者等于1的整数。
在计算得到各候选图像与目标图像的相似度后，就可以选择按照相似度从高到低的排序，选择前N张图像，或者选择相似度大于预设阈值的N张图像。
S405、在所述预设信息对象库中，选择所述N张图像对应的N个信息对象。
上述N张图像确定后，就可以在上述预设信息对象库中选择上述N个信息对象，因为每个信息对象均包括图像，从而图像确定了，对应的信息对象也就确定了。可选的，上述预设信息对象库中可以建立图像到信息对象的倒排索引，从而通过图像就可以快速索引到对应的信息对象。
S406、向所述用户推荐所述N个信息对象中的信息对象。
作为一种可选的实施方式，所述方法还包括：
获取所述N个信息对象的参数信息；
基于所述N个信息对象的参数信息，在所述N个信息对象中选择M个信息对象，所述M为小于或者等于所述N的正整数；
所述向所述用户推荐所述N个信息对象中的信息对象，包括：
向所述用户推荐所述M个信息对象。
其中，上述获取N个信息对象的参数信息可以是在预设信息对象库中查找到的，即预设信息对象库中可以预先存储的各信息对象的参数信息。当然，也可以是通过网络从互联网中查找到的参数信息。另外，上述参数信息可以是点击参数、曝光参数、价格和评分中的至少一项，而上述点击参数可以是点击日志，而上述曝光参数可以是曝光日志或者曝光率。
上述基于所述N个信息对象的参数信息，在所述N个信息对象中选择M个信息对象可以是，选择基于参数信息选择用户期望值最高的M个信息对象，这里用户期望值可以是对各信息对象进行打分，例如：用户购买期望值、收藏期望值或者点击期望值等。
该实施方式中，由于在N个信息对象基于参数信息进一步做的筛选，从而可以进一步提高推荐的效果。需要说明的是，该实施方式也可以应用于图1所示的实施例，且可以达到相同有益效果。
可选的，上述参数信息包括曝光参数和点击参数中的至少一项，即每个信息对象的参数信息均包括曝光参数和点击参数中的至少一项。所述基于所述N个信息对象的参数信息，在所述N个信息对象中选择M个信息对象，包括：
使用所述N个信息对象各自的所述参数信息，预估各信息对象的点击率预测值，按照点击率预测值从高到低的排序，从所述N个信息对象中选择前M个信息对象。
其中，上述预估各信息对象的点击率预测值可以理解为，对各信息对象进行离线信息对象打分模型进行精排。且上述预估各信息对象的点击率预测值可以是使用预先获取的信息对象点击率预估模型实现的，即输入是信息对象，输出则是该信息对象的点击率预测值。该模型使用的训练数据来源于之前获取的曝光参数和点击参数，所采用的机器学习模型可以是逻辑回归(Logistic regression)，也可以是随机森林(Gradient BoostDecision Tree，GBDT)，对此本发明实施例不作限定。
该实施方式中，由于选择点击预测值最高的M个信息对象，从而可以进一步提高推荐的效果。
可选的，上述基于所述N个信息对象的参数信息，在所述N个信息对象中选择M个信息对象，包括：
若所述参数信息包括价格，分别计算所述N个信息对象与所述目标对象的价格绝对差值，按照价格绝对差值从低到高的排序，从所述N个信息对象中选择前M个信息对象，其中，所述目标对象的价格为预先获取的；或者
若所述参数信息包括评分，按照评分从高到低的排序，从所述N个信息对象中选择前M个信息对象。
该实施方式中，可以实现向用户推荐价格相近的M个信息对象，以提升推荐效果，例如：用户收藏的是一套价格100元的衣服，从而向推荐用户100元左右的衣服。且该实施方式中，还可以实现向用户推荐评分最高的M个信息对象，这样同样可以提升推荐效果，因为，往往评分越高，信息对象越好，例如：商品对象的评分越高，商品对象的质量越好。
本实施例中，通过步骤S401至步骤S405可以实现向用户推荐的信息对象与用户当前关注目标对象图像相似的信息对象，从而可以提高推荐效果，以及由于可以预先对上述预设信息对象库中各信息对象的图像进行分类，这样可以快速地获取到上述若干张候选图像，且上述目标对象也可以是上述预设信息对象库中的信息对象，从而也可以直接获取到目标图像的分类，进而提高推荐的效率。
请参考图7，图7是本发明实施例提供的一种信息推荐装置的结构示意图，如图7所示，信息推荐装置700包括：
第一获取模块701，用于若检测到用户针对目标对象执行目标事件，则获取所述目标对象的目标图像。
其中，上述目标对象、目标事件和检测到用户针对目标对象执行目标事件等均可以参考本发明方法实施例的相应说明，此处不作赘述。
查找模块702，用于识别所述第一获取模块701获取的所述目标图像的分类，并在预设信息对象库中查找图像分类与所述目标图像的分类相同，且图像与所述目标图像的相似度满足预设条件的N个信息对象，其中，所述预设信息对象库中每个信息对象包括至少一张图像，所述N为大于或者等于1的整数。
其中，上述预设信息对象库和N个信息对象等均可以参考本发明方法实施例的相应说明，此处不作赘述。
推荐模块703，用于向所述用户推荐所述查找模块702查找的所述N个信息对象中的信息对象。
其中，推荐的方式可以参考本发明方法实施例中的相应说明，此处不作赘述。
通过上述模块就可以实现当用户针对目标对象执行上述目标事件时，就可以确定用户当前关注该目标对象，这样向用户推荐的信息对象与用户当前关注目标对象图像相似的信息对象，从而可以提高推荐效果。例如：当检测到用户收藏、点击、购买或者浏览某件衣服时，就可以从商品库中选择图像与该衣服的图像相似的N件衣服，并向用户推荐这N件衣服，从而用户可以直接查看到相似的其他衣服，以提升用户购物的便捷性和趣味性。
作为一种可选的实施方式，如图8所示，信息推荐装置700还包括：
第二获取模块704，用于获取所述查找模块702查找的所述N个信息对象的参数信息；
选择模块705，用于基于所述第二获取模块704获取的所述N个信息对象的参数信息，在所述N个信息对象中选择M个信息对象，所述M为小于或者等于所述N的正整数；
所述推荐模块703用于向所述用户推荐所述选择模块705选择的所述M个信息对象。
其中，上述参数信息和M个信息对象等均可以参考本发明方法实施例中的相应说明，此处不作赘述。另外，该实施方式中，由于在N个信息对象基于参数信息进一步做的筛选，从而可以进一步提高推荐的效果。
优先的，所述参数信息包括曝光参数和点击参数中的至少一项，所述选择模块705用于使用所述N个信息对象各自的所述参数信息，预估各信息对象的点击率预测值，按照点击率预测值从高到低的排序，从所述N个信息对象中选择前M个信息对象。
其中，上述曝光参数、点击参数和点击率预测值等均可以参考本发明方法实施例中的相应说明，此处不作赘述。另外，该实施方式中，由于选择点击预测值最高的M个信息对象，从而可以进一步提高推荐的效果。
可选的，选择模块705用于若所述参数信息包括价格，则分别计算所述N个信息对象与所述目标对象的价格绝对差值，按照价格绝对差值从低到高的排序，从所述N个信息对象中选择前M个信息对象，其中，所述目标对象的价格为预先获取的；或者
所述选择模块705用于若所述参数信息包括评分，则按照评分从高到低的排序，从所述N个信息对象中选择前M个信息对象。
该实施方式中，可以实现向用户推荐价格相近的M个信息对象，以提升推荐效果，例如：用户收藏的是一套价格100元的衣服，从而向用户100元左右的衣服。且该实施方式中，还可以实现向用户推荐评分最高的M个信息对象，这样同样可以提升推荐效果，因为，往往评分越高，信息对象越好，例如：商品对象的评分越高，商品对象的质量越好。
作为一种可选的实施方式，所述预设信息对象库中各信息对象按照图像的分类进行存储，如图9所示，所述查找模块702包括：
查找单元7021，用于识别所述获取模块获取的所述目标图像的分类，并在所述预设信息对象库中查找所述分类下的若干张候选图像；
计算单元7022，用于分别计算所述查找单元7021查找的各候选图像与所述目标图像的相似度；
第一选择单元7023，用于在所述查找单元7021查找的所述若干张候选图像中，选择N张图像，所述N张图像为所述若干张候选图像中按照相似度从高到低的排序中前N张图像，或者所述N张图像为所述若干张候选图像中与所述目标图像的相似度大于预设阈值的N张图像；
第二选择单元7024，用于在所述预设信息对象库中，选择所述第一选择单元7023选择的所述N张图像对应的N个信息对象。
其中，上述若干张候选图像、相似度计算、N张图像和N个信息对象等均可以参考本发明方法实施例中的相应说明，此处不作赘述。另外，该实施方式中，由于可以预先对上述预设信息对象库中各信息对象的图像进行分类，这样可以快速地获取到上述若干张候选图像，且上述目标对象也可以是上述预设信息对象库中的信息对象，从而也可以直接获取到目标图像的分类，进而提高推荐的效率。
可选的，如图10所示，计算单元7022包括：
第一获取子单元70221，用于使用预先获取的神经网络模型对所述目标图像进行特征提取操作，获取所述神经网络模型中目标层针对所述目标图像提取的特征数据，其中，所述目标层包括所述神经网络模型中的至少一个卷积层和/或至少一个全连接层；
第二获取子单元70222，用于获取所述神经网络模型中所述目标层对各候选图像提取的特征数据；
比较子单元70223，用于将各候选图像的特征数据分别与所述目标图像的特征数据进行相似度比较，基于各候选图像的特征数据与所述目标图像的特征数据的相似度，获取所述各候选图像与所述目标图像的相似度。
其中，上述特征数据和相似度比较等均可以参考本发明方法实施例中的相应说明，此处不作赘述。另外，该实施方式中，由于通过全连接层特征数据和卷积层特征数据，就可以提高图像相似度比较的准确性，因为目标层可以是神经网络模型中的高层，以及还可以提高相似度比较的灵活性，因为目标层可以是上述神经网络模型中的任意一或者多层。
可选的，所述目标层包括至少两个卷积层或者至少两个全连接层，或者所述目标层包括至少一个卷积层和至少一个全连接层，比较子单元70223用于针对每一候选图像，将该候选图像的特征数据与所述目标图像的特征数据按层进行相似度比较，得到该候选图像与所述目标图像在各层的相似度；以及将该候选图像与所述目标图像在各层的相似度分别与各层对应的预设权重进行相乘，得到该候选图像与所述目标图像在各层的权重相似度；以及将该候选图像与所述目标图像在各层的权重相似度相加，得到该候选图像与所述目标图像的相似度。
其中，上述相似度比较均可以参考本发明方法实施例中的相应说明，此处不作赘述。另外，该实施方式中，由于针对不同层采用相应的权重，可以提高图像相似度计算的准确性。
可选的，所述目标层包括所述神经网络模型中向全连接层输出特征数据的卷积层，以及还包括所述神经网络模型的各全连接层。
其中，上述目标层可以参考本发明方法实施例中的相应说明，此处不作赘述。另外，该实施方式中，由于上述目标层均是神经网络模型中的高层，从而可以提高图像相似度的准确性。
可选的，如图11所示，信息推荐装置700还包括：
分类模块706，用于使用预先获取的图像分类模型对所述预设信息对象库中各图像进行分类，其中，所述图像分类模型是使用多个分类的图像训练数据进行神经网络训练得到的。
其中，上述图像分类模型、图像分类和神经网络训练均可以参考本发明方法实施例中的相应说明，此处不作赘述。另外，该实施方式中，由于可以使用预先图像分类模型对所述预设信息对象库中各图像进行分类，从而可以提高信息推荐的灵活性，例如：当在新的信息对象添加时，就可以及时对其进行分类。
作为一种可选的实施方式，所述目标对象包括商品对象，所述目标事件包括收藏事件、购买事件、点击事件和浏览事件中的至少一项。
该实施方式中，可以实现针对商品对象，在用户执行收藏、购买、点击和浏览中的至少一项时，均可以向用户推荐的信息对象与用户当前关注目标对象图像相似的信息对象，从而可以提高推荐效果。
其中，信息推荐装置700可以是图1所示的服务器中的信息推荐装置，当然，在一些场景中，信息推荐装置700也可以是用户终端中的信息推荐装置。
本发明实施例中，若检测到用户针对目标对象执行目标事件，则获取所述目标对象的目标图像；识别所述目标图像的分类，并在预设信息对象库中查找图像分类与所述目标图像的分类相同，且图像与所述目标图像的相似度满足预设条件的N个信息对象，其中，所述预设信息对象库中每个信息对象包括至少一张图像，所述N为大于或者等于1的整数；向所述用户推荐所述N个信息对象中的信息对象。这样可以实现向用户推荐的信息对象与用户当前关注目标对象图像相似的信息对象，从而可以提高推荐效果。
请参考图12，图12是本发明实施提供的一种信息推荐装置的结构图，如图12所示，信息推荐装置1200包括：至少一个处理器1201、存储器1202、至少一个网络接口1204和用户接口1203。信息推荐装置1200中的各个组件通过总线系统1205耦合在一起。可理解，总线系统1205用于实现这些组件之间的连接通信。总线系统1205除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图12中将各种总线都标为总线系统1205。
其中，用户接口1203可以包括显示器、键盘或者点击设备(例如，鼠标，轨迹球(trackball)、触感板或者触摸屏等。
可以理解，本发明实施例中的存储器1202可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DRRAM)。本文描述的系统和方法的存储器1202旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中，存储器1202存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集：操作系统12021和应用程序12022。
其中，操作系统12021，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序12022，包含各种应用程序，例如媒体播放器(Media Player)、浏览器(Browser)等，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序12022中。
在本发明实施例中，通过调用存储器1202存储的程序或指令，具体的，可以是应用程序12022中存储的程序或指令，处理器1201用于：
若检测到用户针对目标对象执行目标事件，则获取所述目标对象的目标图像；
识别所述目标图像的分类，并在预设信息对象库中查找图像分类与所述目标图像的分类相同，且图像与所述目标图像的相似度满足预设条件的N个信息对象，其中，所述预设信息对象库中每个信息对象包括至少一张图像，所述N为大于或者等于1的整数；
向所述用户推荐所述N个信息对象中的信息对象。
上述本发明实施例揭示的方法可以应用于处理器1201中，或者由处理器1201实现。处理器1201可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器1201中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1201可以是通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1202，处理器1201读取存储器1202中的信息，结合其硬件完成上述方法的步骤。
可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(ApplicationSpecific Integrated Circuits，ASIC)、数字信号处理器(Digital Signal Processing，DSP)、数字信号处理设备(DSP Device，DSPD)、可编程逻辑设备(Programmable LogicDevice，PLD)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现，可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
作为一种可选的实施方式，处理器1201还用于：
获取所述N个信息对象的参数信息；
基于所述N个信息对象的参数信息，在所述N个信息对象中选择M个信息对象，所述M为小于或者等于所述N的正整数；
处理器1201执行的所述向所述用户推荐所述N个信息对象中的信息对象，包括：
向所述用户推荐所述M个信息对象。
可选的，所述参数信息包括曝光参数和点击参数中的至少一项，处理器1201执行的基于所述N个信息对象的参数信息，在所述N个信息对象中选择M个信息对象，包括：
使用所述N个信息对象各自的所述参数信息，预估各信息对象的点击率预测值，按照点击率预测值从高到低的排序，从所述N个信息对象中选择前M个信息对象。
可选的，处理器1201执行的所述基于所述N个信息对象的参数信息，在所述N个信息对象中选择M个信息对象，包括：
若所述参数信息包括价格，分别计算所述N个信息对象与所述目标对象的价格绝对差值，按照价格绝对差值从低到高的排序，从所述N个信息对象中选择前M个信息对象，其中，所述目标对象的价格为预先获取的；或者
若所述参数信息包括评分，按照评分从高到低的排序，从所述N个信息对象中选择前M个信息对象。
作为一种可选的实施方式，所述预设信息对象库中各信息对象按照图像的分类进行存储，处理器1201执行的识别所述目标图像的分类，并在预设信息对象库中查找图像分类与所述目标图像的分类相同，且图像与所述目标图像的相似度满足预设条件的N个信息对象的步骤，包括：
识别所述目标图像的分类，并在所述预设信息对象库中查找所述分类下的若干张候选图像；
分别计算各候选图像与所述目标图像的相似度；
在所述若干张候选图像中，选择N张图像，所述N张图像为所述若干张候选图像中按照相似度从高到低的排序中前N张图像，或者所述N张图像为所述若干张候选图像中与所述目标图像的相似度大于预设阈值的N张图像；
在所述预设信息对象库中，选择所述N张图像对应的N个信息对象。
可选的，处理器1201执行的所述分别计算各候选图像与所述目标图像的相似度包括：
使用预先获取的神经网络模型对所述目标图像进行特征提取操作，获取所述神经网络模型中目标层针对所述目标图像提取的特征数据，其中，所述目标层包括所述神经网络模型中的至少一个卷积层和/或至少一个全连接层；
获取所述神经网络模型中所述目标层对各候选图像提取的特征数据；
将各候选图像的特征数据分别与所述目标图像的特征数据进行相似度比较，基于各候选图像的特征数据与所述目标图像的特征数据的相似度，获取所述各候选图像与所述目标图像的相似度。
可选的，所述目标层包括至少两个卷积层或者至少两个全连接层，或者所述目标层包括至少一个卷积层和至少一个全连接层，处理器1201执行的将各候选图像的特征数据分别与所述目标图像的特征数据进行相似度比较，基于各候选图像的特征数据与所述目标图像的特征数据的相似度，获取所述各候选图像与所述目标图像的相似度，包括：
针对每一候选图像，将该候选图像的特征数据与所述目标图像的特征数据按层进行相似度比较，得到该候选图像与所述目标图像在各层的相似度；
将该候选图像与所述目标图像在各层的相似度分别与各层对应的预设权重进行相乘，得到该候选图像与所述目标图像在各层的权重相似度；
将该候选图像与所述目标图像在各层的权重相似度相加，得到该候选图像与所述目标图像的相似度。
可选的，所述目标层包括所述神经网络模型中向全连接层输出特征数据的卷积层，以及还包括所述神经网络模型的各全连接层。
可选的，识别所述目标图像的分类，并在所述预设信息对象库中查找所述分类下的若干张候选图像的步骤之前，处理器1201还用于：
使用预先获取的图像分类模型对所述预设信息对象库中各图像进行分类，其中，所述图像分类模型是使用多个分类的图像训练数据进行神经网络训练得到的。
作为一种可选的实施方式，所述目标对象包括商品对象，所述目标事件包括收藏事件、购买事件、点击事件和浏览事件中的至少一项。
需要说明的是，上述装置可以是服务器，在一些场景中，上述装置也是用户终端，例如：用户终端可以通过网络查找到上述N个信息对象，并显示给用户查看，达到向用户推荐这N个信息对象的效果。
本发明实施例中，若检测到用户针对目标对象执行目标事件，则获取所述目标对象的目标图像；识别所述目标图像的分类，并在预设信息对象库中查找图像分类与所述目标图像的分类相同，且图像与所述目标图像的相似度满足预设条件的N个信息对象，其中，所述预设信息对象库中每个信息对象包括至少一张图像，所述N为大于或者等于1的整数；向所述用户推荐所述N个信息对象中的信息对象。这样可以实现向用户推荐的信息对象与用户当前关注目标对象图像相似的信息对象，从而可以提高推荐效果。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (18)

1.一种信息推荐方法，其特征在于，包括：
若检测到用户针对目标对象执行目标事件，则获取所述目标对象的目标图像；
识别所述目标图像的分类，并在预设信息对象库中查找图像分类与所述目标图像的分类相同，且图像与所述目标图像的相似度满足预设条件的N个信息对象，其中，所述预设信息对象库中每个信息对象包括至少一张图像，所述N为大于或者等于1的整数；
向所述用户推荐所述N个信息对象中的信息对象。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述N个信息对象的参数信息；
基于所述N个信息对象的参数信息，在所述N个信息对象中选择M个信息对象，所述M为小于或者等于所述N的正整数；
所述向所述用户推荐所述N个信息对象中的信息对象的步骤，包括：
向所述用户推荐所述M个信息对象。
3.根据权利要求2所述的方法，其特征在于，所述参数信息包括曝光参数和点击参数中的至少一项，所述基于所述N个信息对象的参数信息，在所述N个信息对象中选择M个信息对象的步骤，包括：使用所述N个信息对象各自的所述参数信息，预估各信息对象的点击率预测值，按照点击率预测值从高到低的排序，从所述N个信息对象中选择前M个信息对象。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述预设信息对象库中各信息对象按照图像的分类进行存储，所述识别所述目标图像的分类，并在预设信息对象库中查找图像分类与所述目标图像的分类相同，且图像与所述目标图像的相似度满足预设条件的N个信息对象的步骤，包括：
识别所述目标图像的分类，并在所述预设信息对象库中查找所述分类下的若干张候选图像；
分别计算各候选图像与所述目标图像的相似度；
在所述若干张候选图像中，选择N张图像，所述N张图像为所述若干张候选图像中按照相似度从高到低的排序中前N张图像，或者所述N张图像为所述若干张候选图像中与所述目标图像的相似度大于预设阈值的N张图像；
在所述预设信息对象库中，选择所述N张图像对应的N个信息对象。
5.根据权利要求4所述的方法，其特征在于，所述分别计算各候选图像与所述目标图像的相似度的步骤，包括：
使用预先获取的神经网络模型对所述目标图像进行特征提取操作，获取所述神经网络模型中目标层针对所述目标图像提取的特征数据，其中，所述目标层包括所述神经网络模型中的至少一个卷积层和/或至少一个全连接层；
获取所述神经网络模型中所述目标层对各候选图像提取的特征数据；
将各候选图像的特征数据分别与所述目标图像的特征数据进行相似度比较，基于各候选图像的特征数据与所述目标图像的特征数据的相似度，获取所述各候选图像与所述目标图像的相似度。
6.根据权利要求5所述的方法，其特征在于，所述目标层包括至少两个卷积层或者至少两个全连接层，或者所述目标层包括至少一个卷积层和至少一个全连接层，所述将各候选图像的特征数据分别与所述目标图像的特征数据进行相似度比较，基于各候选图像的特征数据与所述目标图像的特征数据的相似度，获取所述各候选图像与所述目标图像的相似度的步骤，包括：
针对每一候选图像，将该候选图像的特征数据与所述目标图像的特征数据按层进行相似度比较，得到该候选图像与所述目标图像在各层的相似度；
将该候选图像与所述目标图像在各层的相似度分别与各层对应的预设权重进行相乘，得到该候选图像与所述目标图像在各层的权重相似度；
将该候选图像与所述目标图像在各层的权重相似度相加，得到该候选图像与所述目标图像的相似度。
7.根据权利要求6所述的方法，其特征在于，所述目标层包括所述神经网络模型中向全连接层输出特征数据的卷积层，以及还包括所述神经网络模型的各全连接层。
8.根据权利要求4所述的方法，其特征在于，所述识别所述目标图像的分类，并在所述预设信息对象库中查找所述分类下的若干张候选图像的步骤之前，所述方法还包括：
使用预先获取的图像分类模型对所述预设信息对象库中各图像进行分类，其中，所述图像分类模型是使用多个分类的图像训练数据进行神经网络训练得到的。
9.根据权利要求1至3中任一项所述的方法，其特征在于，所述目标对象包括商品对象，所述目标事件包括收藏事件、购买事件、点击事件和浏览事件中的至少一项。
10.一种信息推荐装置，其特征在于，包括：
第一获取模块，用于若检测到用户针对目标对象执行目标事件，则获取所述目标对象的目标图像；
查找模块，用于识别所述第一获取模块获取的所述目标图像的分类，并在预设信息对象库中查找图像分类与所述目标图像的分类相同，且图像与所述目标图像的相似度满足预设条件的N个信息对象，其中，所述预设信息对象库中每个信息对象包括至少一张图像，所述N为大于或者等于1的整数；
推荐模块，用于向所述用户推荐所述查找模块查找的所述N个信息对象中的信息对象。
11.根据权利要求10所述的装置，其特征在于，所述装置还包括：
第二获取模块，用于获取所述查找模块查找的所述N个信息对象的参数信息；
选择模块，用于基于所述第二获取模块获取的所述N个信息对象的参数信息，在所述N个信息对象中选择M个信息对象，所述M为小于或者等于所述N的正整数；
所述推荐模块用于向所述用户推荐所述选择模块选择的所述M个信息对象。
12.根据权利要求11所述的装置，其特征在于，所述参数信息包括曝光参数和点击参数中的至少一项，所述选择模块用于使用所述N个信息对象各自的所述参数信息，预估各信息对象的点击率预测值，按照点击率预测值从高到低的排序，从所述N个信息对象中选择前M个信息对象。
13.根据权利要求10至12中任一项所述的装置，其特征在于，所述预设信息对象库中各信息对象按照图像的分类进行存储，所述查找模块包括：
查找单元，用于识别所述获取模块获取的所述目标图像的分类，并在所述预设信息对象库中查找所述分类下的若干张候选图像；
计算单元，用于分别计算所述查找单元查找的各候选图像与所述目标图像的相似度；
第一选择单元，用于在所述查找单元查找的所述若干张候选图像中，选择N张图像，所述N张图像为所述若干张候选图像中按照相似度从高到低的排序中前N张图像，或者所述N张图像为所述若干张候选图像中与所述目标图像的相似度大于预设阈值的N张图像；
第二选择单元，用于在所述预设信息对象库中，选择所述第一选择单元选择的所述N张图像对应的N个信息对象。
14.根据权利要求13所述的装置，其特征在于，所述计算单元包括：
第一获取子单元，用于使用预先获取的神经网络模型对所述目标图像进行特征提取操作，获取所述神经网络模型中目标层针对所述目标图像提取的特征数据，其中，所述目标层包括所述神经网络模型中的至少一个卷积层和/或至少一个全连接层；
第二获取子单元，用于获取所述神经网络模型中所述目标层对各候选图像提取的特征数据；
比较子单元，用于将各候选图像的特征数据分别与所述目标图像的特征数据进行相似度比较，基于各候选图像的特征数据与所述目标图像的特征数据的相似度，获取所述各候选图像与所述目标图像的相似度。
15.根据权利要求14所述的装置，其特征在于，所述目标层包括至少两个卷积层或者至少两个全连接层，或者所述目标层包括至少一个卷积层和至少一个全连接层，所述比较子单元用于针对每一候选图像，将该候选图像的特征数据与所述目标图像的特征数据按层进行相似度比较，得到该候选图像与所述目标图像在各层的相似度；以及将该候选图像与所述目标图像在各层的相似度分别与各层对应的预设权重进行相乘，得到该候选图像与所述目标图像在各层的权重相似度；以及将该候选图像与所述目标图像在各层的权重相似度相加，得到该候选图像与所述目标图像的相似度。
16.根据权利要求15所述的装置，其特征在于，所述目标层包括所述神经网络模型中向全连接层输出特征数据的卷积层，以及还包括所述神经网络模型的各全连接层。
17.根据权利要求13所述的装置，其特征在于，所述装置还包括：
分类模块，用于使用预先获取的图像分类模型对所述预设信息对象库中各图像进行分类，其中，所述图像分类模型是使用多个分类的图像训练数据进行神经网络训练得到的。
18.根据权利要求10至12中任一项所述的装置，其特征在于，所述目标对象包括商品对象，所述目标事件包括收藏事件、购买事件、点击事件和浏览事件中的至少一项。
CN201710243429.7A 2017-04-14 2017-04-14 一种信息推荐方法和装置 Pending CN108509466A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710243429.7A CN108509466A (zh) 2017-04-14 2017-04-14 一种信息推荐方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710243429.7A CN108509466A (zh) 2017-04-14 2017-04-14 一种信息推荐方法和装置

Publications (1)

Publication Number Publication Date
CN108509466A true CN108509466A (zh) 2018-09-07

Family

ID=63373304

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710243429.7A Pending CN108509466A (zh) 2017-04-14 2017-04-14 一种信息推荐方法和装置

Country Status (1)

Country Link
CN (1) CN108509466A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109949089A (zh) * 2019-03-18 2019-06-28 腾讯科技（深圳）有限公司 一种确定展示率的方法、装置及终端
CN110659701A (zh) * 2019-10-09 2020-01-07 京东数字科技控股有限公司 信息处理方法、装置、电子设备及介质
CN110717058A (zh) * 2019-09-23 2020-01-21 Oppo广东移动通信有限公司 信息推荐方法及装置、存储介质
WO2020056999A1 (zh) * 2018-09-21 2020-03-26 平安科技（深圳）有限公司 图片推荐方法、装置、计算机设备及存储介质
CN110992141A (zh) * 2019-11-28 2020-04-10 上海识装信息科技有限公司 基于识别商品图像推荐商品的方法、装置和电子设备
CN111191836A (zh) * 2019-12-27 2020-05-22 东软集团股份有限公司 一种井漏预测方法、装置及设备
WO2020107624A1 (zh) * 2018-11-29 2020-06-04 北京微播视界科技有限公司 信息推送方法、装置、电子设备及计算机可读存储介质
CN111325217A (zh) * 2018-12-14 2020-06-23 北京海益同展信息科技有限公司 数据处理方法、装置、系统和介质
CN111415185A (zh) * 2019-01-08 2020-07-14 腾讯科技（深圳）有限公司 业务处理方法、装置、终端及存储介质
CN111882404A (zh) * 2020-08-06 2020-11-03 上海风秩科技有限公司 一种关联推送处理方法及装置
CN111984873A (zh) * 2020-09-21 2020-11-24 北京信息科技大学 一种服务推荐系统和方法
CN112487513A (zh) * 2020-12-11 2021-03-12 广东电网有限责任公司 一种用于设计方案图纸整合推优的方法、装置和系统
US11017261B1 (en) 2017-06-16 2021-05-25 Markable, Inc. Systems and methods for improving visual search using summarization feature
CN112989198A (zh) * 2021-03-30 2021-06-18 北京三快在线科技有限公司 推送内容的确定方法、装置、设备及计算机可读存储介质
CN115375412A (zh) * 2022-09-29 2022-11-22 郭哲 基于图像识别的商品智能推荐处理方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104537027A (zh) * 2014-12-19 2015-04-22 百度在线网络技术（北京）有限公司 信息推荐方法及装置
CN105117491A (zh) * 2015-09-22 2015-12-02 北京百度网讯科技有限公司 页面推送方法和装置
CN105469376A (zh) * 2014-08-12 2016-04-06 腾讯科技（深圳）有限公司 确定图片相似度的方法和装置
CN105468596A (zh) * 2014-08-12 2016-04-06 腾讯科技（深圳）有限公司 图片检索方法和装置
CN106202362A (zh) * 2016-07-07 2016-12-07 Tcl集团股份有限公司 图像推荐方法和图像推荐装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105469376A (zh) * 2014-08-12 2016-04-06 腾讯科技（深圳）有限公司 确定图片相似度的方法和装置
CN105468596A (zh) * 2014-08-12 2016-04-06 腾讯科技（深圳）有限公司 图片检索方法和装置
CN104537027A (zh) * 2014-12-19 2015-04-22 百度在线网络技术（北京）有限公司 信息推荐方法及装置
CN105117491A (zh) * 2015-09-22 2015-12-02 北京百度网讯科技有限公司 页面推送方法和装置
CN106202362A (zh) * 2016-07-07 2016-12-07 Tcl集团股份有限公司 图像推荐方法和图像推荐装置

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11017261B1 (en) 2017-06-16 2021-05-25 Markable, Inc. Systems and methods for improving visual search using summarization feature
US11715294B2 (en) 2017-06-16 2023-08-01 Markable, Inc. Systems and methods for improving visual search using summarization feature
WO2020056999A1 (zh) * 2018-09-21 2020-03-26 平安科技（深圳）有限公司 图片推荐方法、装置、计算机设备及存储介质
WO2020107624A1 (zh) * 2018-11-29 2020-06-04 北京微播视界科技有限公司 信息推送方法、装置、电子设备及计算机可读存储介质
CN111325217A (zh) * 2018-12-14 2020-06-23 北京海益同展信息科技有限公司 数据处理方法、装置、系统和介质
CN111325217B (zh) * 2018-12-14 2024-02-06 京东科技信息技术有限公司 数据处理方法、装置、系统和介质
CN111415185A (zh) * 2019-01-08 2020-07-14 腾讯科技（深圳）有限公司 业务处理方法、装置、终端及存储介质
CN109949089A (zh) * 2019-03-18 2019-06-28 腾讯科技（深圳）有限公司 一种确定展示率的方法、装置及终端
CN109949089B (zh) * 2019-03-18 2022-11-22 腾讯科技（深圳）有限公司 一种确定展示率的方法、装置及终端
CN110717058A (zh) * 2019-09-23 2020-01-21 Oppo广东移动通信有限公司 信息推荐方法及装置、存储介质
CN110717058B (zh) * 2019-09-23 2023-06-09 Oppo广东移动通信有限公司 信息推荐方法及装置、存储介质
CN110659701B (zh) * 2019-10-09 2022-08-12 京东科技控股股份有限公司 信息处理方法、装置、电子设备及介质
CN110659701A (zh) * 2019-10-09 2020-01-07 京东数字科技控股有限公司 信息处理方法、装置、电子设备及介质
CN110992141A (zh) * 2019-11-28 2020-04-10 上海识装信息科技有限公司 基于识别商品图像推荐商品的方法、装置和电子设备
CN111191836A (zh) * 2019-12-27 2020-05-22 东软集团股份有限公司 一种井漏预测方法、装置及设备
CN111882404A (zh) * 2020-08-06 2020-11-03 上海风秩科技有限公司 一种关联推送处理方法及装置
CN111984873B (zh) * 2020-09-21 2023-04-25 北京信息科技大学 一种服务推荐系统和方法
CN111984873A (zh) * 2020-09-21 2020-11-24 北京信息科技大学 一种服务推荐系统和方法
CN112487513A (zh) * 2020-12-11 2021-03-12 广东电网有限责任公司 一种用于设计方案图纸整合推优的方法、装置和系统
CN112989198B (zh) * 2021-03-30 2022-06-07 北京三快在线科技有限公司 推送内容的确定方法、装置、设备及计算机可读存储介质
CN112989198A (zh) * 2021-03-30 2021-06-18 北京三快在线科技有限公司 推送内容的确定方法、装置、设备及计算机可读存储介质
CN115375412A (zh) * 2022-09-29 2022-11-22 郭哲 基于图像识别的商品智能推荐处理方法及系统
CN115375412B (zh) * 2022-09-29 2023-11-17 尚恰实业有限公司 基于图像识别的商品智能推荐处理方法及系统

Similar Documents

Publication Publication Date Title
CN108509466A (zh) 一种信息推荐方法和装置
US10846775B1 (en) Identifying item recommendations through recognized navigational patterns
KR102122373B1 (ko) 사용자 포트레이트를 획득하는 방법 및 장치
TWI512653B (zh) Information providing method and apparatus, method and apparatus for determining the degree of comprehensive relevance
US20180218435A1 (en) Systems and methods for customizing search results and recommendations
CN103164804B (zh) 一种个性化的信息推送方法及装置
CN107209762B (zh) 视觉交互式搜索
JP2016522523A (ja) 情報を推薦するための方法およびシステム
WO2018040069A1 (zh) 信息推荐系统及方法
CN111815415A (zh) 一种商品推荐方法、系统及设备
CN109766491A (zh) 商品搜索方法、装置、计算机设备和存储介质
CN105512180B (zh) 一种搜索推荐方法及装置
WO2008005796A2 (en) System and method for generating a display of tags
CN109447729A (zh) 一种产品的推荐方法、终端设备及计算机可读存储介质
US11682060B2 (en) Methods and apparatuses for providing search results using embedding-based retrieval
CN110866805A (zh) 一种推荐对象的方法和系统
CN111738785A (zh) 选品方法、系统及存储介质
CN110347935A (zh) 基于用户兴趣变化的个性化影视项目推荐方法及系统
CN109446402B (zh) 一种搜索方法及装置
CN111861605A (zh) 业务对象推荐方法
CN114820123A (zh) 团购商品推荐方法、装置、设备及存储介质
CN107093122B (zh) 对象分类方法及装置
CN112488781A (zh) 搜索推荐方法、装置、电子设备及可读存储介质
CN109063120A (zh) 一种基于聚类的协同过滤推荐方法和装置
CN113763089A (zh) 物品推荐方法及装置、计算机可存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180907