CN108563663A - 图片推荐方法、装置、设备及存储介质 - Google Patents

Abstract

本发明实施例公开了一种图片推荐方法、装置、设备及存储介质。所述方法包括：获取用户的第一历史图片操作信息，所述第一历史图片操作信息包括：操作图片以及与所述操作图片对应的操作类型；获取与所述操作图片对应的内容特征向量；获取与所述操作类型对应的行为特征向量；根据所述内容特征向量以及所述行为特征向量确定与所述用户匹配的图片分类模型；获取与所述图片分类模型的输出结果匹配的图片，并将所述图片推荐给所述用户。通过本发明的技术方案，能够优化推荐效果，提高用户体验。

Description

图片推荐方法、装置、设备及存储介质

技术领域

本发明实施例涉及计算机技术，尤其涉及一种图片推荐方法、装置、设备及存储介质。

背景技术

随着智能手表的上市，用户可以选择安装表盘作为手表壁纸，相应的表盘壁纸商店应运而生，用户下载表盘后在手表上可以切换不同的表盘作为手表壁纸，如果不喜欢，用户会删除该表盘。若在用户挑选表盘的过程中加入推荐服务，为用户推荐符合用户喜好的壁纸，则可以大大节省用户的挑选时间。

传统的表盘推荐服务主要是，根据用户的历史挑选记录，为该用户推荐与之前使用过的表盘具有相同标签或同样类别的表盘。由于现有方案中大多需要预先人为地对各个待选表盘进行分类和贴上标签，且仅仅是单纯地基于用户的挑选行为来选择应该为该用户推荐的表盘，因而推荐效果不佳，降低了用户体验。

发明内容

本发明实施例提供一种图片推荐方法、装置、设备及存储介质，以实现优化推荐效果，提高用户体验。

第一方面，本发明实施例提供了一种图片推荐方法，包括：

获取用户的第一历史图片操作信息，所述第一历史图片操作信息包括：操作图片以及与所述操作图片对应的操作类型；

获取与所述操作图片对应的内容特征向量；

获取与所述操作类型对应的行为特征向量；

根据所述内容特征向量以及所述行为特征向量确定与所述用户匹配的图片分类模型；

获取与所述图片分类模型的输出结果匹配的图片，并将所述图片推荐给所述用户。

进一步的，所述内容特征向量包括图片特征向量和描述特征向量；

所述获取与所述操作图片对应的内容特征向量，包括：

对所述操作图片进行特征提取，获取对应的图片特征向量；

对与所述操作图片匹配的描述信息进行特征提取，获取对应的描述特征向量。

进一步的，所述对与所述操作图片匹配的描述信息进行特征提取，获取对应的描述特征向量，包括：

对与所述操作图片匹配的内容描述信息进行分词处理，获取至少一个关键词；

使用卷积神经网络算法，对由所述关键词对应的词向量组合而成的词矩阵进行滤波，获取对应的描述特征向量。

进一步的，所述获取与所述操作类型对应的行为特征向量，包括：

获取与所述操作类型匹配的标识符；

对所述标识符以及与所述操作图片匹配的编号组成的向量进行特征提取，获取对应的行为特征向量。

进一步的，所述根据所述内容特征向量以及所述行为特征向量确定与所述用户匹配的图片分类模型，包括：

基于深度神经网络算法将所述内容特征向量以及所述行为特征向量输入至与所述用户匹配的原始分类模型中，所述原始分类模型包括根据第二历史图片操作信息确定的分类模型，所述第二历史图片操作信息的操作时间先于所述第一历史图片操作信息；

根据所述原始分类模型的输出结果以及所述操作类型确定所述原始分类模型的预测损失值；

基于反向传播算法将所述预测损失值反馈至所述原始分类模型的输入端，得到与所述用户匹配的图片分类模型。

进一步的，所述根据所述原始分类模型的输出结果以及所述操作类型确定所述原始分类模型的预测损失值，包括：

若所述操作图片对应的操作类型包括按照时间先后顺序组合的下载动作以及收藏动作，则根据正相关损失函数以及所述原始分类模型的输出结果确定所述原始分类模型的预测损失值；

若所述操作图片对应的操作类型包括按照时间先后顺序组合的下载动作以及删除动作，则根据负相关损失函数以及所述原始分类模型的输出结果确定所述原始分类模型的预测损失值。

进一步的，所述损失函数包括：指数损失函数和hinge损失函数。

进一步的，所述获取与所述图片分类模型的输出结果匹配的图片，并将所述图片推荐给所述用户，包括：

获取反馈至所述原始分类模型输入端的反馈结果，并将所述反馈结果作为所述图片分类模型的输出结果；

根据所述输出结果更新与所述用户匹配的推荐图片库中的图片；

将更新后的所述推荐图片库中的图片推荐给所述用户。

进一步的，所述获取用户的第一历史图片操作信息，包括：

获取所述用户在设定表盘商店中，针对设定表盘图片的第一历史图片操作信息。

第二方面，本发明实施例还提供了一种图片推荐装置，该装置包括：

信息获取模块，用于获取用户的第一历史图片操作信息，所述第一历史图片操作信息包括：操作图片以及与所述操作图片对应的操作类型；

内容获取模块，用于获取与所述操作图片对应的内容特征向量；

行为获取模块，用于获取与所述操作类型对应的行为特征向量；

模型确定模块，用于根据所述内容特征向量以及所述行为特征向量确定与所述用户匹配的图片分类模型；

图片获取模块，用于获取与所述图片分类模型的输出结果匹配的图片，并将所述图片推荐给所述用户。

进一步的，所述内容特征向量包括图片特征向量和描述特征向量；

所述内容获取模块，包括：

图片向量获取子模块，用于对所述操作图片进行特征提取，获取对应的图片特征向量；

描述向量获取子模块，用于对与所述操作图片匹配的描述信息进行特征提取，获取对应的描述特征向量。

进一步的，所述描述向量获取子模块具体用于：

对与所述操作图片匹配的内容描述信息进行分词处理，获取至少一个关键词；

使用卷积神经网络算法，对由所述关键词对应的词向量组合而成的词矩阵进行滤波，获取对应的描述特征向量。

进一步的，所述行为获取模块具体用于：

获取与所述操作类型匹配的标识符；

对所述标识符以及与所述操作图片匹配的编号组成的向量进行特征提取，获取对应的行为特征向量。

进一步的，所述模型确定模块，包括：

特征向量输入子模块，用于基于深度神经网络算法将所述内容特征向量以及所述行为特征向量输入至与所述用户匹配的原始分类模型中，所述原始分类模型包括根据第二历史图片操作信息确定的分类模型，所述第二历史图片操作信息的操作时间先于所述第一历史图片操作信息；

损失值确定子模块，用于根据所述原始分类模型的输出结果以及所述操作类型确定所述原始分类模型的预测损失值；

损失值反馈子模块，用于基于反向传播算法将所述预测损失值反馈至所述原始分类模型的输入端，得到与所述用户匹配的图片分类模型。

进一步的，所述损失值确定子模块具体用于：

若所述操作图片对应的操作类型包括按照时间先后顺序组合的下载动作以及收藏动作，则根据正相关损失函数以及所述原始分类模型的输出结果确定所述原始分类模型的预测损失值；

若所述操作图片对应的操作类型包括按照时间先后顺序组合的下载动作以及删除动作，则根据负相关损失函数以及所述原始分类模型的输出结果确定所述原始分类模型的预测损失值。

进一步的，所述损失函数包括：指数损失函数和hinge损失函数。

进一步的，所述图片获取模块具体用于：

获取反馈至所述原始分类模型输入端的反馈结果，并将所述反馈结果作为所述图片分类模型的输出结果；

根据所述输出结果更新与所述用户匹配的推荐图片库中的图片；

将更新后的所述推荐图片库中的图片推荐给所述用户。

进一步的，所述信息获取模块具体用于：

获取所述用户在设定表盘商店中，针对设定表盘图片的第一历史图片操作信息。

第三方面，本发明实施例还提供了一种计算机设备，该设备包括：

一个或多个处理器；

存储器，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实施例中任一所述的图片推荐方法。

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实施例中任一所述的图片推荐方法。

本发明实施例通过获取用户的第一历史图片操作信息，获取操作图片对应的内容特征向量以及操作类型对应的行为特征向量，并根据该内容特征向量以及行为特征向量确定与用户匹配的图片分类模型，获取与图片分类模型的输出结果匹配的图片，并将该图片推荐给用户，利用了推荐过程中在用户行为特征的基础上结合图片内容特征的优点，解决了现有技术中按标签推荐和仅基于用户的单一挑选行为进行推荐，而导致的推荐效果不佳、降低用户体验的问题，实现了优化推荐效果，提高用户体验的效果。

附图说明

图1是本发明实施例一提供的一种图片推荐方法的流程示意图；

图2是本发明实施例二提供的一种图片推荐方法的流程示意图；

图3是本发明实施例三提供的一种图片推荐方法的流程示意图；

图4是本发明实施例四提供的一种图片推荐装置的结构示意图；

图5是本发明实施例五提供的一种计算机设备的结构示意图。

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为本发明实施例一提供的一种图片推荐方法的流程示意图。该方法可适用于为用户推荐符合用户风格的图片的情况，该方法可以由图片推荐装置来执行，该装置可由硬件和/或软件组成，并一般可集成在网商服务器以及所有包含图片推荐功能的终端中。具体包括如下：

S110、获取用户的第一历史图片操作信息，第一历史图片操作信息包括：操作图片以及与操作图片对应的操作类型。

可选的，可调取目标用户最近在网上商城中的图片挑选记录，从中获取用户的第一历史图片操作信息，其中，第一历史图片操作信息中包括的操作图片可以是用户最近的历史挑选记录中有操作记录的图片，而与该操作图片对应的操作类型可以是用户针对该操作图片进行的至少一种操作类型，例如可以是下载、删除、收藏等行为中的一种或几种。

S120、获取与操作图片对应的内容特征向量。

可选的，与操作图片对应的内容特征向量可用于表征操作图片的显示内容，例如可以是从图片的相应描述中提取的具有代表性的特征，也可以是从图片上显示的图像中提取的具有代表性的特征，也可以是上述二者按照一定权重组合提取的特征，在此不作限定。

获取与操作图片对应的内容特征向量的目的在于，在推荐过程中加入图片内容特征，而不仅仅是人为地对图片进行简单分类和贴标签，考虑到了图片内容的多样性，从而可以优化推荐效果，为用户推荐更符合用户风格的图片。

S130、获取与操作类型对应的行为特征向量。

可选的，与操作类型对应的行为特征向量可用于表征用户对操作图片进行操作的类型，例如可以是从对操作图片进行下载的操作中提取的行为特征，也可以是从对操作图片进行收藏的操作中提取的行为特征，也可以是从对操作图片进行删除的操作中提取的行为特征，也可以是上述任意组合操作中提取的行为特征，在此不作限定。

优选的，获取与操作类型对应的行为特征向量，包括：

获取与操作类型匹配的标识符；

对标识符以及与操作图片匹配的编号组成的向量进行特征提取，获取对应的行为特征向量。

可选的，可预先为预设的多种操作类型分配不同的标识符，用于代表不同的操作类型。可选的，还可预先为每张图片分配一个唯一编号，用于区别不同的图片。示例性的，可将与操作类型匹配的标识符以及与操作图片匹配的编号按照预设方式进行组合，例如前后串接组合，对组合生成的向量进行特征提取，得到对应的行为特征向量。其中，特征提取方式可以包括对向量进行编码处理、对向量进行分解、利用卷积神经网络(ConvolutionalNeural Network，CNN)算法对向量进行特征提取等方式，也可直接将该组合向量作为对应的行为特征向量，在此不作限定。

S140、根据内容特征向量以及行为特征向量确定与用户匹配的图片分类模型。

其中，图片分类模型可通过采用神经网络算法训练得到，优选的，可采用深度前馈神经网络(Deep Neural Network，DNN)算法对图片分类模型进行训练。可选的，图片分类模型可用于按照内容特征向量和行为特征向量对用户喜欢的图片风格进行区分。示例性的，可将获取的内容特征向量和行为特征向量作为图片分类模型的输入值，并利用图片分类模型的输出值反向对该图片分类模型进行训练，使得分类模型能随着用户的喜好及时做出调整，提高图片推荐的准确性，提高用户体验。

S150、获取与图片分类模型的输出结果匹配的图片，并将图片推荐给用户。

其中，图片分类模型的输出结果可以是与用户风格及其图片内容有关的数据，可选的，可通过该数据寻找具有相似内容的图片，并将符合用户风格的图片推荐给该用户。通过建立图片分类模型来获取符合用户风格的图片，综合考虑用户的多种操作行为以及图片的内容，相较于简单地为图片分类和贴标签，以及单纯地考虑用户单一操作行为，而得到的推荐图片而言，推荐更准确，更个性化、风格化，推荐效果更优，更容易匹配到符合用户个性化需求的图片。

本实施例的技术方案，通过获取用户的第一历史图片操作信息，获取操作图片对应的内容特征向量以及操作类型对应的行为特征向量，并根据该内容特征向量以及行为特征向量确定与用户匹配的图片分类模型，获取与图片分类模型的输出结果匹配的图片，并将该图片推荐给用户，利用了在推荐过程中在用户行为特征的基础上结合图片内容特征的优点，解决了现有技术中按标签推荐和仅基于用户挑选行为进行推荐，而导致的推荐效果不佳、降低用户体验的问题，实现了优化推荐效果，提高用户体验的效果。

实施例二

图2为本发明实施例二提供的一种图片推荐方法的流程示意图。本实施例以上述实施例为基础进行优化，提供了优选的图片推荐方法，具体是，将内容特征向量进一步优化为包括图片特征向量和描述特征向量。具体步骤如下：

S210、获取用户的第一历史图片操作信息，第一历史图片操作信息包括：操作图片以及与操作图片对应的操作类型。

S220、对操作图片进行特征提取，获取对应的图片特征向量。

可选的，可采用CNN算法对操作图片进行特征提取。示例性的，可先通过对操作图片进行预处理，得到一个浮点数矩阵，即一个操作图片对应于一个浮点数矩阵，其中，预处理方式例如可以是遍历操作图片中图像对应的每个像素点，获取每个像素点的像素值，并将每个像素点的像素值按照像素点位置进行排布组成一个浮点数矩阵；也可以是将图像的像素点划分为多个区域，并将每个区域的像素点的像素和(或像素平均值)按照区域位置顺序进行排布组成一个浮点数矩阵，在此不作限定。预处理后的浮点数矩阵经多次滤波后可映射为一个设定维数的向量，即图片特征向量。

S230、对与操作图片匹配的描述信息进行特征提取，获取对应的描述特征向量。

可选的，描述信息可以是预先设置的，用文字形式描述操作图片的信息，不同的操作图片根据显示内容的不同可对应设置不同的描述信息。示例性的，可采用CNN算法对与操作图片匹配的描述信息进行特征提取，具体的，可先将描述信息进行数字化标识，例如一个字对应于一串标识符，或一个词对应于一串标识符，再进行相应的特征提取，最终映射为一个设定维数的向量，即描述特征向量。

优选的，对与操作图片匹配的描述信息进行特征提取，获取对应的描述特征向量，包括：

对与操作图片匹配的内容描述信息进行分词处理，获取至少一个关键词；

使用卷积神经网络算法，对由关键词对应的词向量组合而成的词矩阵进行滤波，获取对应的描述特征向量。

其中，分词指的是将一个汉字序列切分成一个一个单独的词，也就是将连续的字序列按照一定的规范重新组合成词序列的过程。可选的，可通过采用基于字符串匹配的分词方法、基于理解的分词方法或基于统计的分词方法，对描述信息进行分词处理，以从处理得到的词序列中获取至少一个关键词。示例性的，每个关键词可对应于一个设定维数的词向量，其中，词向量可以是在一个更大的语料集中训练形成的，由此，可将所有获得的关键词均分别对应为一个设定维数的词向量，并根据关键词的个数生成一个词矩阵，也即一个内容描述信息可对应生成一个词矩阵，例如设定维数为d维，获取的关键词为m个，则可生成一个m×d的词矩阵。

示例性的，采用CNN算法对词矩阵进行滤波，每个滤波的窗口大小为k，即每次对连续的k个词的词向量进行滤波，最终经多层滤波后，可获得一个d维向量，即描述特征向量。

S240、获取与操作类型对应的行为特征向量。

S250、根据图片特征向量、描述特征向量以及行为特征向量确定与用户匹配的图片分类模型。

S260、获取与图片分类模型的输出结果匹配的图片，并将图片推荐给用户。

本实施例的技术方案，通过对获取的第一历史图片操作信息中包括的操作图片进行特征提取，获取对应的图片特征向量，以及与操作图片匹配的描述信息进行特征提取，获取对应的描述特征向量，来更好地将操作图片的图像特征以及内容特征以向量形式输入至对与用户匹配的图片分类模型中，从而能够利用图片中的丰富信息优化推荐效果，提升用户体验。

实施例三

图3为本发明实施例三提供的一种图片推荐方法的流程示意图。本实施例以上述实施例为基础进行优化，提供了优选的图片推荐方法，具体是，对根据内容特征向量以及行为特征向量对与用户匹配的图片分类模型进行更新训练进行了进一步优化。具体包括如下：

S310、获取用户的第一历史图片操作信息，第一历史图片操作信息包括：操作图片以及与操作图片对应的操作类型。

S320、获取与操作图片对应的内容特征向量。

S330、获取与操作类型对应的行为特征向量。

S340、基于深度神经网络算法将内容特征向量以及行为特征向量输入至与用户匹配的原始分类模型中。

其中，原始分类模型包括根据第二历史图片操作信息确定的分类模型，第二历史图片操作信息的操作时间先于第一历史图片操作信息。当然，原始分类模型还可以包括预设的图片标准分类模型。可选的，第二历史图片操作信息与第一历史图片操作信息类似，也即，根据第二历史图片操作信息确定分类模型的过程也可与根据第一历史图片操作信息确定分类模型的过程一样，以达到可以根据用户的爱好习惯不断更新训练分类模型的效果。

示例性的，可先将内容特征向量以及行为特征向量进行拼接，再采用DNN算法中的前馈方式将拼接后得到的向量输入至与用户匹配的原始分类模型中。其中，拼接方式可以是前后串接，也可以是组合成的多维向量，一个特征向量作为该多维向量中的一个列向量(或行向量)。采用深度神经网络算法进行训练和建模的好处在于，可以提高辨识率，增加匹配图片的准确性。

S350、根据原始分类模型的输出结果以及操作类型确定原始分类模型的预测损失值。

可选的，可采用交叉熵计算损失函数，并通过将原始分类模型的输出结果以及操作类型代入至损失函数中，计算得到该原始分类模型的预测损失值。其中，原始分类模型的预测损失值可依据原始分类模型的输出结果以及操作类型的改变而不断改变。相对于传统的损失函数计算中只考虑到了用户的单一操作行为，本实施例在设计损失函数时将用户的多种行为结合在一起，即考虑到了操作类型对预测损失值的影响，从而在输出结果的基础上综合了操作类型来计算原始分类模型的预测损失值，使得预测损失值的确定更加准确，训练得到图片分类模型的过程更加优化，进而优化推荐结果，提升用户体验。

优选的，根据原始分类模型的输出结果以及操作类型确定原始分类模型的预测损失值，包括：

若操作图片对应的操作类型包括按照时间先后顺序组合的下载动作以及收藏动作，则根据正相关损失函数以及原始分类模型的输出结果确定原始分类模型的预测损失值；

若操作图片对应的操作类型包括按照时间先后顺序组合的下载动作以及删除动作，则根据负相关损失函数以及原始分类模型的输出结果确定原始分类模型的预测损失值。

可选的，操作图片对应的操作类型可以是下载动作、收藏动作和删除动作中的单个动作或按照时间先后顺序组合的几个动作，其中，动作执行顺序可以是同时执行的，例如下载动作和收藏动作，也可以是顺序执行的，例如下载动作和删除动作。若历史记录中操作图片对应的操作类型包括按照时间先后顺序组合的多个动作，则可选择离当前时间最近的动作。例如，若历史记录中操作图片对应的操作类型按照时间顺序先后进行了“下载”、“收藏”以及“删除”，则由于“删除”是基于“下载”基础之上的，因此可选择“下载”和“删除”作为选择损失函数的依据。

示例性的，以用户的下载和收藏为例，用户下载了某个图片的同时对其进行了收藏，则可认为用户对该图片有更强的兴趣，也即下载动作和收藏动作是正相关的，因此，可选择正相关损失函数来计算预测损失值。优选的，损失函数包括：指数损失函数和hinge损失函数。

例如，选择的正相关损失函数如下：

loss(x；y1,y2)＝w1×log(1+exp(-y1×f(x)))+w2×max(0,y2×(c-f(x)))

其中，loss(x；y1,y2)为预测损失值，f(x)为DNN原始分类模型输出的预测概率值，第一项采用指数损失函数，对应用户的下载动作的损失函数计算，y1＝0表示用户没有进行下载动作，y1＝1表示用户有进行下载动作，第二项采用hinge损失函数，对应用户的收藏动作的损失函数计算，y2＝-1表示用户没有进行收藏动作，y2＝1表示用户有进行收藏动作，c表示hinge损失函数的分类分界边缘。示例性的，如果用户有收藏动作，则y2＝1，也即模型进行更新训练的目标是增加f(x)的预测值，使得c<f(x)，进而使得第二项的损失值为零。

示例性的，以用户的下载和删除为例，用户下载了某个图片以后又对其进行了删除，则可认为用户对该图片的兴趣减弱，也即下载动作和删除动作是负相关的，因此，可选择负相关损失函数来计算预测损失值。优选的，损失函数包括：指数损失函数和hinge损失函数。

例如，选择的负相关损失函数如下：

loss(x；y1,y2)＝w1×log(1+exp(-y1×f(x)))+w2×max(0,y2×(c+f(x)))

其中，loss(x；y1,y2)为预测损失值；f(x)为DNN原始分类模型输出的预测概率值；第一项采用指数损失函数，对应用户的下载动作的损失函数计算，y1＝0表示用户没有进行下载动作，y1＝1表示用户有进行下载动作；第二项采用hinge损失函数，对应用户的删除动作的损失函数计算，y2＝-1表示用户没有进行删除动作，y2＝1表示用户有进行删除动作；c表示hinge损失函数的分类分界边缘。示例性的，如果用户有删除动作，则y2＝1，也即模型进行更新训练的目标是减小f(x)的预测值，使得c+f(x)≤0，进而使得第二项的损失值为零。

S360、基于反向传播算法将预测损失值反馈至原始分类模型的输入端，得到与用户匹配的图片分类模型。

示例性的，DNN通过反向传播算法将原始分类模型的预测损失值反馈到DNN的输入层，从DNN的输入层同时直接反馈到特征提取过程中，得到与用户匹配的图片分类模型。由于整个图片分类模型的确定过程是一个联合训练过程，因此，图片分类模型的预测误差能够直接反馈到特征的建模之中，使得在实际的训练和测试上，采用该模型的AUC(Areaunder curve，曲线下面积)为0.9，相比传统模型提高了20％。

S370、获取反馈至原始分类模型输入端的反馈结果，并将反馈结果作为图片分类模型的输出结果。

示例性的，在图片分类模型的确定过程中，每产生一个新的用户操作记录则更新训练一次该模型，并将反馈至图片分类模型输入端的反馈结果，作为该模型的输出结果，例如将反馈得到的包含图片信息和操作信息的矩阵(或向量)作为最新确定出的图片分类模型的输出结果。可选的，通过该输出结果可能匹配出用户喜欢的图片信息，也可能匹配出用户不喜欢的图片信息，根据该输出结果可进行相应的预测。

S380、根据输出结果更新与用户匹配的推荐图片库中的图片。

示例性的，可先将输出结果进行分解处理，例如若输出的是一个矩阵，则进行矩阵分解，获取不同位置的信息作为图片信息和操作信息。由于存有待选图片的总图片库中，每张图片都可经特征提取而对应于一个内容特征向量，因而可通过比对并计算从输出结果中获取的图片信息以及每张待选图片对应的内容特征向量之间的相似度，从而将相似度超过预设阈值的图片作为与输出结果相匹配的图片。可选的，匹配结果中可以包含一张图片，也可包含多张图片，在此不作限定，其中，匹配到的图片具有与输入的操作图片相似的风格。另外，可根据从输出结果中获取的操作信息来判断用户是否喜欢匹配到的图片，进而根据判断结果添加或删除与用户匹配的推荐图片库中的图片，完成推荐图片库中图片的更新。

S390、将更新后的推荐图片库中的图片推荐给用户。

示例性的，可将更新后的推荐图片库中的图片以缩略图的形式，显示在商城中，并在用户使用自己账号登录商城时主动推荐给用户，也可在用户使用自己账号登录商城且在用户挑选图片时对应的显示在挑选区域，进而推荐给用户，具体的推荐方式在此不作限定。

本实施例的技术方案，通过深度神经网络算法对原始分类模型进行更新训练，并将获取的反馈至原始分类模型输入端的反馈结果作为图片分类模型的输出结果，进而根据该结果更新与用户匹配的推荐图片库中的图片，最后将更新后的推荐图片库中的图片推荐给用户，通过根据用户喜好实时更新训练分类模型，进而实时更新推荐图片，使得推荐结果更加优化，提升了用户体验。

在以上各实施例的基础上，优选的，获取用户的第一历史图片操作信息，包括：

获取用户在设定表盘商店中，针对设定表盘图片的第一历史图片操作信息。

示例性的，可将该方案应用于智能手表的表盘商店对表盘壁纸的推荐情况，因此采集的第一历史图片操作信息可以是在设定表盘商店中，针对设定的表盘壁纸图片的第一历史图片操作信息。通过采集表盘图片以及用户对表盘的操作行为，对用户和表盘进行建模，利用深度学习技术在表盘商店中为用户推荐符合其口味和爱好的表盘，从而提高了整个表盘时长的活跃度。

实施例四

图4为本发明实施例四提供的一种图片推荐装置的结构示意图。参考图4，图片推荐装置包括：信息获取模块410、内容获取模块420、行为获取模块430、模型确定模块440和图片获取模块450，下面对各模块进行具体说明。

信息获取模块410，用于获取用户的第一历史图片操作信息，第一历史图片操作信息包括：操作图片以及与操作图片对应的操作类型；

内容获取模块420，用于获取与操作图片对应的内容特征向量；

行为获取模块430，用于获取与操作类型对应的行为特征向量；

模型确定模块440，用于根据所述内容特征向量以及所述行为特征向量确定与所述用户匹配的图片分类模型；

图片获取模块450，用于获取与图片分类模型的输出结果匹配的图片，并将图片推荐给用户。

本实施例提供的图片推荐装置通过获取用户的第一历史图片操作信息，获取操作图片对应的内容特征向量以及操作类型对应的行为特征向量，并根据该内容特征向量以及行为特征向量确定与用户匹配的图片分类模型，获取与图片分类模型的输出结果匹配的图片，并将该图片推荐给用户，利用了在推荐过程中在用户行为特征的基础上结合图片内容特征的优点，解决了现有技术中按标签推荐和仅基于用户的单一挑选行为进行推荐，而导致的推荐效果不佳、降低用户体验的问题，实现了优化推荐效果，提高用户体验的效果。

可选的，内容特征向量可以包括图片特征向量和描述特征向量；

内容获取模块420，可以包括：

图片向量获取子模块，用于对操作图片进行特征提取，获取对应的图片特征向量；

描述向量获取子模块，用于对与操作图片匹配的描述信息进行特征提取，获取对应的描述特征向量。

可选的，描述向量获取子模块具体可以用于：

对与操作图片匹配的内容描述信息进行分词处理，获取至少一个关键词；

使用卷积神经网络算法，对由关键词对应的词向量组合而成的词矩阵进行滤波，获取对应的描述特征向量。

进一步的，行为获取模块430具体可以用于：

获取与操作类型匹配的标识符；

对标识符以及与操作图片匹配的编号组成的向量进行特征提取，获取对应的行为特征向量。

进一步的，模型确定模块440，可以包括：

特征向量输入子模块，用于基于深度神经网络算法将内容特征向量以及行为特征向量输入至与用户匹配的原始分类模型中，其中，原始分类模型包括根据第二历史图片操作信息确定的分类模型，第二历史图片操作信息的操作时间先于第一历史图片操作信息；

损失值确定子模块，用于根据原始分类模型的输出结果以及操作类型确定原始分类模型的预测损失值；

损失值反馈子模块，用于基于反向传播算法将预测损失值反馈至原始分类模型的输入端，以实现对与用户匹配的图片分类模型进行更新训练。

进一步的，损失值确定子模块具体可以用于：

若操作图片对应的操作类型包括按照时间先后顺序组合的下载动作以及收藏动作，则根据正相关损失函数以及原始分类模型的输出结果确定原始分类模型的预测损失值；

若操作图片对应的操作类型包括按照时间先后顺序组合的下载动作以及删除动作，则根据负相关损失函数以及原始分类模型的输出结果确定原始分类模型的预测损失值。

进一步的，损失函数可以包括：指数损失函数和hinge损失函数。

进一步的，图片获取模块450具体可以用于：

获取反馈至原始分类模型输入端的反馈结果，并将反馈结果作为图片分类模型的输出结果；

根据输出结果更新与用户匹配的推荐图片库中的图片；

将更新后的推荐图片库中的图片推荐给用户。

进一步的，信息获取模块410具体可以用于：

获取用户在设定表盘商店中，针对设定表盘图片的第一历史图片操作信息。

上述产品可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。

实施例五

图5为本发明实施例五提供的一种计算机设备的结构示意图，如图5所示，本实施例提供的一种计算机设备，包括：处理器51和存储器52。该计算机设备中的处理器可以是一个或多个，图5中以一个处理器51为例，所述计算机设备中的处理器51和存储器52可以通过总线或其他方式连接，图5中以通过总线连接为例。

本实施例中计算机设备的处理器51中集成了上述实施例提供的图片推荐装置。此外，该计算机设备中的存储器52作为一种计算机可读存储介质，可用于存储一个或多个程序，所述程序可以是软件程序、计算机可执行程序以及模块，如本发明实施例中图片推荐方法对应的程序指令/模块(例如，附图4所示的图片推荐装置中的模块，包括：信息获取模块410、内容获取模块420、行为获取模块430、模型确定模块440和图片获取模块450)。处理器51通过运行存储在存储器52中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述方法实施例中图片推荐方法。

存储器52可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器52可进一步包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

并且，当上述计算机设备所包括一个或者多个程序被所述一个或者多个处理器51执行时，程序进行如下操作：

获取用户的第一历史图片操作信息，所述第一历史图片操作信息包括：操作图片以及与所述操作图片对应的操作类型；获取与所述操作图片对应的内容特征向量；获取与所述操作类型对应的行为特征向量；根据所述内容特征向量以及所述行为特征向量确定与所述用户匹配的图片分类模型；获取与所述图片分类模型的输出结果匹配的图片，并将所述图片推荐给所述用户。

实施例六

本发明实施例六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，该程序被图片推荐装置执行时实现如本发明实施例一提供的图片推荐方法，该方法包括：获取用户的第一历史图片操作信息，所述第一历史图片操作信息包括：操作图片以及与所述操作图片对应的操作类型；获取与所述操作图片对应的内容特征向量；获取与所述操作类型对应的行为特征向量；根据所述内容特征向量以及所述行为特征向量确定与所述用户匹配的图片分类模型；获取与所述图片分类模型的输出结果匹配的图片，并将所述图片推荐给所述用户。

当然,本发明实施例所提供的一种计算机可读存储介质,其上存储的计算机程序被执行时不限于实现如上所述的方法操作,还可以实现本发明任意实施例所提供的图片推荐方法中的相关操作。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。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可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，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的方法。

值得注意的是，上述图片推荐装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

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 (12)

1.一种图片推荐方法，其特征在于，包括：

获取用户的第一历史图片操作信息，所述第一历史图片操作信息包括：操作图片以及与所述操作图片对应的操作类型；

获取与所述操作图片对应的内容特征向量；

获取与所述操作类型对应的行为特征向量；

根据所述内容特征向量以及所述行为特征向量确定与所述用户匹配的图片分类模型；

获取与所述图片分类模型的输出结果匹配的图片，并将所述图片推荐给所述用户。

2.根据权利要求1所述的方法，其特征在于，所述内容特征向量包括图片特征向量和描述特征向量；

所述获取与所述操作图片对应的内容特征向量，包括：

对所述操作图片进行特征提取，获取对应的图片特征向量；

对与所述操作图片匹配的描述信息进行特征提取，获取对应的描述特征向量。

3.根据权利要求2所述的方法，其特征在于，所述对与所述操作图片匹配的描述信息进行特征提取，获取对应的描述特征向量，包括：

对与所述操作图片匹配的内容描述信息进行分词处理，获取至少一个关键词；

使用卷积神经网络算法，对由所述关键词对应的词向量组合而成的词矩阵进行滤波，获取对应的描述特征向量。

4.根据权利要求1所述的方法，其特征在于，所述获取与所述操作类型对应的行为特征向量，包括：

获取与所述操作类型匹配的标识符；

对所述标识符以及与所述操作图片匹配的编号组成的向量进行特征提取，获取对应的行为特征向量。

5.根据权利要求1所述的方法，其特征在于，所述根据所述内容特征向量以及所述行为特征向量确定与所述用户匹配的图片分类模型，包括：

基于深度神经网络算法将所述内容特征向量以及所述行为特征向量输入至与所述用户匹配的原始分类模型中，所述原始分类模型包括根据第二历史图片操作信息确定的分类模型，所述第二历史图片操作信息的操作时间先于所述第一历史图片操作信息；

根据所述原始分类模型的输出结果以及所述操作类型确定所述原始分类模型的预测损失值；

基于反向传播算法将所述预测损失值反馈至所述原始分类模型的输入端，得到与所述用户匹配的图片分类模型。

6.根据权利要求5所述的方法，其特征在于，所述根据所述原始分类模型的输出结果以及所述操作类型确定所述原始分类模型的预测损失值，包括：

若所述操作图片对应的操作类型包括按照时间先后顺序组合的下载动作以及收藏动作，则根据正相关损失函数以及所述原始分类模型的输出结果确定所述原始分类模型的预测损失值；

若所述操作图片对应的操作类型包括按照时间先后顺序组合的下载动作以及删除动作，则根据负相关损失函数以及所述原始分类模型的输出结果确定所述原始分类模型的预测损失值。

7.根据权利要求6所述的方法，其特征在于，所述损失函数包括：指数损失函数和hinge损失函数。

8.根据权利要求5所述的方法，其特征在于，所述获取与所述图片分类模型的输出结果匹配的图片，并将所述图片推荐给所述用户，包括：

获取反馈至所述原始分类模型输入端的反馈结果，并将所述反馈结果作为所述图片分类模型的输出结果；

根据所述输出结果更新与所述用户匹配的推荐图片库中的图片；

将更新后的所述推荐图片库中的图片推荐给所述用户。

9.根据权利要求1-8任一项所述的方法，其特征在于，所述获取用户的第一历史图片操作信息，包括：

获取所述用户在设定表盘商店中，针对设定表盘图片的第一历史图片操作信息。

10.一种图片推荐装置，其特征在于，包括：

信息获取模块，用于获取用户的第一历史图片操作信息，所述第一历史图片操作信息包括：操作图片以及与所述操作图片对应的操作类型；

内容获取模块，用于获取与所述操作图片对应的内容特征向量；

行为获取模块，用于获取与所述操作类型对应的行为特征向量；

模型确定模块，用于根据所述内容特征向量以及所述行为特征向量确定与所述用户匹配的图片分类模型；

图片获取模块，用于获取与所述图片分类模型的输出结果匹配的图片，并将所述图片推荐给所述用户。

11.一种计算机设备，其特征在于，所述设备包括：

一个或多个处理器；

存储器，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1-9中任一所述的图片推荐方法。

12.一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1-9中任一所述的图片推荐方法。