CN109523281A - 一种确定房源图片类别的方法及装置 - Google Patents
一种确定房源图片类别的方法及装置 Download PDFInfo
- Publication number
- CN109523281A CN109523281A CN201811418035.1A CN201811418035A CN109523281A CN 109523281 A CN109523281 A CN 109523281A CN 201811418035 A CN201811418035 A CN 201811418035A CN 109523281 A CN109523281 A CN 109523281A
- Authority
- CN
- China
- Prior art keywords
- source
- picture
- houses
- classification
- houses picture
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013145 classification model Methods 0.000 claims abstract description 32
- 238000012550 audit Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000012015 optical character recognition Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G06Q30/018—Certifying business or products
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/16—Real estate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本申请实施例公开了一种确定房源图片类别的方法及装置,包括:获取待审核的房源信息中包含的房源图片,然后利用预先建立的图片分类模型,确定该房源图片分别属于不同类别的概率值,接着,比较该房源图片分别属于不同类别的概率值的大小,以得到最大概率值,将最大概率值所对应的类别,确定为该房源图片所属的目标类别,以便于根据该房源图片所属的目标类别,确定出该房源图片是否违规。可见,利用最大概率值确定出该房源图片所属的类别,进而根据该类别确定出房源图片是否违规,这样,就可以自动检测出待审核的房源信息中是否包含有违规的房源图片,而不用由审核人员去进行检测,从而减少了审核人员的工作量,减轻了审核人员的工作负担。
Description
技术领域
本申请涉及图片处理技术领域,具体涉及一种确定房源图片类别的方法及装置。
背景技术
目前,房源发布平台每天都会收到大量待审核的房源信息,通常情况下,每条待审核的房源信息,会包括该房源的房源图片以及文字描述等信息。其中,部分待审核的房源信息可能会包含不符合规范的内容,比如,部分待审核的房源信息可能包含有携带违规水印、广告文字以及无关内容的图片等。
为了保证房源发布平台上的房源信息的质量,房源信息的审核人员需要对每天待审核的房源信息进行审核,将其中包含有违规水印、广告文字以及无关内容的图片进行删除,或者禁止该待审核的房源信息在房源发布平台上进行发布等。而房源发布平台每天可能会有数万条待审核的房源信息需要发布,这就使得审核人员的工作量较大,工作负担较重。
发明内容
有鉴于此,本申请实施例提供一种确定房源图片类别的方法及装置,通过确定出房源图片的类别,可以明确待审核的房源信息中是否包含不符合规范的房源图片,而不用审核人员再对房源图片进行审核,从而减少了房源信息的审核人员的工作量。
为解决上述问题,本申请实施例提供的技术方案如下:
第一方面,本申请实施例提供了一种确定房源图片类别的方法,该方法包括:
获取房源图片,所述房源图片为待审核的房源信息中的图片;
利用预先建立的图片分类模型,得到所述房源图片分别属于不同类别的概率值,其中,所述图片分类模型基于第一历史房源图片以及所述第一历史房源图片所属的类别进行训练得到;
比较所述房源图片分别属于不同类别的概率值的大小;
将最大概率值对应的类别,确定为所述房源图片所属的第一目标类别,以便于根据所述房源图片所属的第一目标类别,确定出所述房源图片是否违规。
在一些可能的实施方式中,所述第一历史房源图片所属的类别,包括:第一类别、第二类别、第三类别以及第四类别,其中,所述第一类别下的图片为正常图片,所述第二类别下的图片为包含违规水印的图片,所述第三类别下的图片为包含文字的图片,所述第四类别下的图片为与房源无关的图片。
在一些可能的实施方式中,所述将最大概率值对应的类别,确定为所述房源图片所属的第一目标类别,包括:
若最大概率值对应的类别为第一类别或第三类别,则判断第一概率值与第二概率值之间差值的绝对值是否超出预设阈值,其中,所述第一概率值是指所述房源图片为正常图片的概率值,所述第二概率值是指所述房源图片为包含广告文字的图片的概率值;
若所述绝对值超出所述预设阈值,则将最大概率值对应的类别,确定为所述房源图片所属的第一目标类别。
在一些可能的实施方式中,所述方法还包括:
若所述绝对值未超出所述预设阈值,则利用文字检测软件检测所述房源图片是否包含文字;
若所述房源图片未包含文字,则将第一类别确定为所述房源图片所属的第一目标类别;
若所述房源图片包含文字,则将第三类别确定为所述房源图片所属的第一目标类别。
在一些可能的实施方式中,所述方法还包括:
若所述第一目标类别为第一类别,则确定所述房源图片未违规;
若所述第一目标类别为第二类别、第三类别或第四类别,则确定所述房源图片违规。
在一些可能的实施方式中,所述方法还包括:
若所述房源图片属于第一类别,则将所述房源图片输入至预先建立的室内室外户型模型,以便得到所述房源图片所属的第二目标类别;
其中,所述室内室外户型模型为基于第二历史房源图片以及所述第二历史房源图片所属的类别进行训练得到,所述第二历史房源图片所属的类别包括室内图、室外图以及户型图。
在一些可能的实施方式中,所述方法还包括:
获取至少一个目标房源图片,所述目标房源图片为所述待审核的房源信息中属于室内图的房源图片;
将所述目标图片输入至预先建立的评分模型,以便得到所述目标房源图片的评分。
在一些可能的实施方式中,所述方法还包括:
按照目标房源图片的评分由高到低的顺序,在房源发布平台上依次排列展示所述目标房源图片。
第二方面,本申请实施例还提供了一种确定房源图片类别的装置,所述装置包括:
获取单元,用于获取房源图片,所述房源图片为待审核的房源信息中的图片;
概率值得到单元,用于利用预先建立的图片分类模型,得到所述房源图片分别属于不同类别的概率值,其中,所述图片分类模型基于第一历史房源图片以及所述第一历史房源图片所属的类别进行训练得到;
比较单元,用于比较所述房源图片分别属于不同类别的概率值的大小;
确定单元,用于将最大概率值对应的类别,确定为所述房源图片所属的第一目标类别,以便于根据所述房源图片所属的第一目标类别,确定出所述房源图片是否违规。
在一些可能的实施方式中,所述第一历史房源图片所属的类别,包括:第一类别、第二类别、第三类别以及第四类别,其中,所述第一类别下的图片为正常图片,所述第二类别下的图片为包含违规水印的图片,所述第三类别下的图片为包含文字的图片,所述第四类别下的图片为与房源无关的图片。
在一些可能的实施方式中,所述确定单元,包括:
判断子单元,用于若最大概率值对应的类别为第一类别或第三类别,则判断第一概率值与第二概率值之间差值的绝对值是否超出预设阈值,其中,所述第一概率值是指所述房源图片为正常图片的概率值,所述第二概率值是指所述房源图片为包含广告文字的图片的概率值;
第一确定子单元,用于若所述绝对值超出所述预设阈值,则将最大概率值对应的类别,确定为所述房源图片所属的第一目标类别。
在一些可能的实施方式中,所述装置还包括:
检测单元,用于若所述绝对值未超出所述预设阈值,则利用文字检测软件检测所述房源图片是否包含文字;
第一类别确定单元,用于若所述房源图片未包含文字,则将第一类别确定为所述房源图片所属的第一目标类别;
第二类别确定单元,用于若所述房源图片包含文字,则将第三类别确定为所述房源图片所属的第一目标类别。
在一些可能的实施方式中,所述确定单元还包括:
第一违规确定子单元,用于若所述第一目标类别为第一类别,则确定所述房源图片未违规;
第二违规确定子单元,用于若所述第一目标类别为第二类别、第三类别或第四类别,则确定所述房源图片违规。
在一些可能的实施方式中,所述装置还包括:
第一输入单元,用于若所述房源图片属于第一类别,则将所述房源图片输入至预先建立的室内室外户型模型,以便得到所述房源图片所属的第二目标类别;
其中,所述室内室外户型模型为基于第二历史房源图片以及所述第二历史房源图片所属的类别进行训练得到,所述第二历史房源图片所属的类别包括室内图、室外图以及户型图。
在一些可能的实施方式中,所述装置还包括:
目标房源图片获取单元,用于获取至少一个目标房源图片,所述目标房源图片为所述待审核的房源信息中属于室内图的房源图片;
第二输入单元,用于将所述目标图片输入至预先建立的评分模型,以便得到所述目标房源图片的评分。
在一些可能的实施方式中,所述装置还包括:
展示单元,用于按照目标房源图片的评分由高到低的顺序,在房源发布平台上依次排列展示所述目标房源图片。
由此可见,本申请实施例具有如下有益效果:
本申请实施例可以获取待审核的房源信息中包含的房源图片,然后利用预先建立的图片分类模型,确定该房源图片分别属于不同类别的概率值,其中,预先建立的图片分类模型是基于历史房源图片以及该历史房源图片所属的类别进行训练得到的,接着,可以比较该房源图片分别属于不同类别的概率值的大小,以得到最大概率值,最后,可以将最大概率值所对应的类别,确定为该房源图片所属的目标类别,以便于根据该房源图片所属的目标类别,确定出该房源图片是否违规。可见,由于房源图片属于某一类别的概率值越大,表明该房源图片就越有可能属于该类别,因此,对于待审核的房源信息中的每一张房源图片,都可以利用最大概率值确定出该房源图片所属的类别,进而根据该类别确定出房源图片是否违规,这样,就可以自动检测出待审核的房源信息中是否包含有违规的房源图片,而不用由审核人员去进行检测,从而减少了审核人员的工作量,减轻了审核人员的工作负担。
附图说明
图1为本申请实施例提供的一种示例性应用场景示意图;
图2为本申请实施例提供的一种确定房源图片类别的方法流程示意图;
图3为本申请实施例提供的又一种确定房源图片类别的方法流程示意图;
图4为本申请实施例提供的一种确定房源图片类别的装置结构示意图。
具体实施方式
为了给出减少房源信息的审核人员工作量的实现方案,本发明实施例提供了一种确定房源图片类别的方法及装置,以下结合说明书附图对本发明的部分实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。并且在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
目前,为了保证房源发布平台上所发布的房源信息的质量,审核人员需要对房源发布平台接收到的每条待审核的房源信息进行审核,并判断该待审核的房源信息中是否包含不符合规范的房源图片,比如,部分待审核的房源信息中可能存在包含违规水印、广告文字的图片,或者是存在二维码等与房源内容无关的图片。一般情况下,当待审核的房源信息中包含不符合规范的房源图片时,审核人员通常会将不符合规范的房源图片进行删除,或者是禁止该房源信息在房源发布平台上进行发布。
但是,实际应用中,房源发布平台每天可能会接收到大量待审核的房源信息,比如,部分房源发布平台每天可能会接收到数万甚至是数十万条待审核的房源信息,由审核人员对每条待审核的房源信息进行审核,对审核人员而言造成了较重的工作负担,使得审核人员的工作量较大。
为了解决上述问题,本申请提供了一种确定房源图片类别的方法,通过确定出房源图片的类别,可以明确待审核的房源信息中是否包含不符合规范的房源图片,而不用审核人员再对房源图片进行审核,从而减少了房源信息的审核人员的工作量。具体的,可以获取待审核的房源信息中包含的房源图片,然后利用预先建立的图片分类模型,确定该房源图片分别属于不同类别的概率值,其中,预先建立的图片分类模型是基于历史房源图片以及该历史房源图片所属的类别进行训练得到的,接着,可以比较该房源图片分别属于不同类别的概率值的大小,以得到最大概率值,最后,可以将最大概率值所对应的类别,确定为该房源图片所属的目标类别,以便于根据该房源图片所属的目标类别,确定出该房源图片是否违规。
可见,由于房源图片属于某一类别的概率值越大,表明该房源图片就越有可能属于该类别,因此,对于待审核的房源信息中的每一张房源图片,都可以利用最大概率值确定出该房源图片所属的类别,进而根据该类别确定出房源图片是否违规,这样,就可以自动检测出待审核的房源信息中是否包含有违规的房源图片,而不用由审核人员去进行检测,从而减少了审核人员的工作量,减轻了审核人员的工作负担。
举例来说,本申请实施例可以应用于如图1所示的示例性应用场景。在该场景中,房源信息的发布者通过终端100向服务器200发送待审核的房源信息,该房源信息中包含至少一张房源图片;服务器200中的网络服务端201可以通过调用API(ApplicationProgramming Interface,应用程序编程接口)接收该待审核的房源信息,并将该房源信息发送给模型服务端202,由模型服务端202将待审核的房源信息中的房源图片依次输入至预先建立的图片分类模型中,并由图片分类模型依次输出每张房源图片分别属于不同类别的概率值,其中,该图片分类模型已经预先基于历史房源图片以及该历史房源图片所属的类别完成了训练;然后,模型服务端202可以针对于每张房源图片,比较该房源图片分别属于不同类别的概率值的大小,以确定出最大概率值,并将该最大概率值所对应的类别,确定为该房源图片所属的目标类别;接着,模型服务端202可以根据该房源图片所属的目标类别,确定出该房源图片是否违规,以此可以实现对待审核的房源信息中的每一张房源图片进行审核。
当然,上述应用场景仅作为示例性说明,并不用于对本申请实施例的应用场景进行限定,事实上,本申请实施例可以应用于任意可适用的应用场景中。
参阅图2,图2示出了本申请实施例中一种确定房源图片类别的方法流程示意图。该方法具体可以包括:
S201:获取房源图片,该房源图片为待审核的房源信息中的图片。
实际应用中,为了便于用户更好的了解房源信息的发布者所提供购买或者租赁的房源,发布者向房源发布平台发布的房源信息,通常会包含与该房源相关的图片,比如,房源信息中可以包含该房源客厅、主卧、次卧、储物室等室内图片,也可以是该房源外型、所在小区等室外图片,还可以是表征该房源户型结构的户型图片等。但是在部分待审核的房源信息中,可能会存在不符合规范的图片,比如,需要发布在“搜房网”房源发布平台上的房源信息中,可能会存在包含“安居客”、“58同城”等其它房源发布平台水印的房源图片,或者,待审核的房源信息中包含了广告文字的图片,或者,待审核的房源信息中包含了二维码等与房源无关的图片。因此,本实施例中,针对于每张待审核的房源信息中的房源图片,可以审核该房源图片是否符合规范。
作为一种示例性的具体实施方式,可以获取待审核的房源信息中房源图片的URL地址列表,该URL地址列表中URL地址与房源信息中的房源图片一一对应,然后,根据已获取的URL地址,可以通过网络下载得到与该URL地址相对应的房源图片。
S202:利用预先建立的图片分类模型,确定房源图片属于不同类别的概率值,其中,该图片分类模型基于第一历史房源图片以及第一历史房源图片所属的类别进行训练得到。
作为一种示例性的具体实现方式,在获得房源图片后,可以将该房源图片输入至预先建立的图片分类模型中,由该图片分类模型输出该房源图片分别属于不同类别的概率值。每个概率值,对应着房源图片属于该概率值对应的类别的可能性,其中,概率值越大,表明房源图片属于该类别的可能性也就越大;反之,概率值越小,表明房源图片属于该类别的可能性也就越小。
需要说明的是,房源图片可能属于的类别可以预先进行设定。在一种示例中,可以预先设定第一历史房源图片所属的类别,可以包括:第一类别、第二类别、第三类别以及第四类别,其中,第一类别下的图片为正常图片,第二类别下的图片为包含违规水印的图片,第三类别下的图片为包含文字的图片,第四类别下的图片为与房源无关的图片。当然,也可以是存在其它的设定方式,比如,房源图片的类别可以被设定为正常图片、包含违规水印的图片;也可以被设定为反映房源附近交通状况的交通图、房源所在楼盘的规划图以及房源所在楼盘的设计效果图等。具体实现时,可以根据实际应用的需要进行设定,在此并不作限定。
本实施例中,图片分类模型可以预先通过历史数据进行建立。作为一种训练图片分类模型的示例,可以获取一组第一历史房源图片,并且,可以由数据标注人员预先对该第一历史房源图片的类别进行标注,然后,利用第一历史房源图片以及第一历史房源图片的类别来训练出图片分类模型,其中,所训练出的图片分类模型的输入为房源图片,输出为该房源图片属于不同类别的概率值。当然,针对于每张房源图片,利用图片分类模型而得到的概率值的个数取决于预先设定的类别个数,比如,若预先设定房源图片可能为正常图片、包含违规水印的图片两种,则利用图片分类模型而得到的概率值的个数为2;若预先设定房源图片可能为正常图片、包含违规水印的图片、包含广告文字的图片以及与房源无关的图片四种,则利用图片分类模型而得到的概率值的个数为4。在一些可能的实施方式中,图片分类模型所输出的各个概率值的和为1。
S203:比较房源图片分别属于不同类别的概率值的大小。
针对于房源信息中的每一张图片,在得到该房源图片属于不同类别的概率值后,可以将各个概率值进行大小比较,从中可以确定出最大概率值,进而可以确定出最大概率值所对应的类别。
S204:将最大概率值对应的类别,确定为房源图片所属的第一目标类别,以便于根据该房源图片所属的第一目标类别,确定出该房源图片是否违规。
可以理解,由于图片分类模型所输出的概率值,对应着房源图片属于该概率值对应的类别的可能性,因此,最大概率值所对应的类别,也即为房源图片最有可能属于的类别。举例来说,假设图片分类模型输出房源图片属于正常图片的概率值为38%,属于包含违规水印的图片的概率值为5%,属于包含广告文字的图片的概率值为43%,属于与房源无关的图片的概率值为14%,由于属于包含广告文字的图片的概率值最大,为43%,则可以确定房源图片属于包含广告文字的图片,也即,第一目标类别下的图片为包含广告文字的图片。
实际应用一些场景中,虚假房源信息的发布者可能会发布包含广告文字的图片,用于达到其它目的的宣传,并且,该图片中的广告文字的呈现形式具有多样化,使得图片分类模型无法精确区分出房源图片为包含广告文字的图片还是正常图片。在一些可能的实施方式中,为了更加准确的确定房源图片所属的类别,本实施例中还可以结合房源图片为包含文字的图片的概率值以及为正常图片的概率值作出进一步的判断。具体的,如果最大概率值所对应的类别为第一类别或者是为第三类别,即,根据最大概率值判断出房源图片为正常图片或者为包含文字的图片时,则继续判断第一概率值与第二概率值之间差值的绝对值是否超出预设阈值,其中,第一概率值是指房源图片为正常图片的概率值,第二概率值是指房源图片为包含文字的图片的概率值;如果第一概率值与第二概率值之间差值的绝对值超出了预设阈值,则可以将最大概率值对应的类别,确定为所述房源图片所属的第一目标类别,当然,如果第一概率值与第二概率值之间差值的绝对值没有超出预设阈值,表明房源图片为正常图片以及为包含文字的图片的可能性相近,则可以继续对房源图片所属的类别进行下一步判别。
在一些可能的实施方式中,如果第一概率值与第二概率值之间差值的绝对值没有超出预设阈值,则可以利用OCR(光学字符识别,Optical Character Recognition)等文字检测软件来检测该房源图片中是否包含文字,如果房源图片没有包含文字,则可以将第一类别确定为房源图片所属的第一目标类别,即,可以确定出房源图片为正常图片;当然,如果房源图片包含文字,则可以将第三类别确定为房源图片所属的第一目标类别,即,可以确定出房源图片为包含文字的图片,实际应用中,可以对该类房源图片进行标注,并由审核人员对已标注的房源图片进行审核。
举例来说,当需要利用OCR检测房源图片中是否包含文字时,可以将该房源图片输入至OCR中,并由OCR返回一个坐标列表。如果该坐标列表上不存在位置坐标,表明该房源图片上不包含有文字,则可以确定该房源图片为正常图片;如果该坐标列表上存在至少一组位置坐标,表明该房源图片上在该组位置坐标处存在广告文字,则可以确定该房源图片为包含文字的图片,则可以为该房源图片添加复审标识,由审核人员将包含复审标识的房源图片进行审核。
可以理解,本实施例中如果房源图片所属的第一目标类别为第一类别,即房源图片为正常图片,则可以确定房源图片并未违规;但是,如果房源图片所属的第一目标类别为第二类别、第三类别或第四类别,即房源图片为包含违规水印的图片,或者是包含文字的图片,或者与房源无关的图片,则可以确定该房源图片违规。
实际应用中,如果确定出房源图片为违规图片,则可以在待审核的房源信息中将该房源图片进行删除,但是,当待审核的房源信息中所剩余的正常图片的数量低于一定阈值时,则可以拒绝该房源信息在房源发布平台上进行发布。
实际应用中,房源发布平台在发布房源信息时,通常按照户型图、室内图以及室外图三种类别依次呈现房源信息中的房源图片,因此,本实施例中,还可以进一步将待审核的房源信息中属于第一类别的房源图片进行户型图、室内图以及室外图三种类别的划分。具体的,如果按照前述过程确定出房源图片所属的第一目标类别为第一类别后,则可以将该房源图片输入至预先建立的室内室外户型模型中,以便根据室内室外户型模型所输出的结果得到该房源图片所属的第二目标类别。
其中,该室内室外户型模型可以预先利用历史数据进行训练得到。具体的,在一种示例中,可以预先获取一组第二历史房源图片,并且,可以由数据标注人员预先对该第二历史房源图片所属的类别进行标注,然后,利用第二房源图片以及第该二历史房源图片所属的类别,可以训练得到室内室外户型模型。其中,该第二历史房源图片的类别包括有室内图、室外图以及户型图。这样,所训练出的室内室外户型模型的输入为房源图片,输出为该房源图片的类别具体为室内图、室外图还是户型图。
进一步的,对于属于室内图的房源图片,还可以对其进行评分,比如,可以是按照该房源图片的美观程度,对房源图片进行相应的评分等。具体的,在一些可能的实施方式中,可以获取待审核的房源信息中属于室内图的房源图片,并将其作为目标房源图片,然后,将该目标房源图片输入至预先建立的评分模型中,由评分模型输出该目标房源图片的评分结果,以便于得到该目标房源图片的评分。
同样,该评分模型也可以预先通过历史数据来训练得到。具体的,可以预先获取一组历史房源图片,该历史房源图片预先由数据标注人员基于相同的评分标准进行评分。比如,可以按照房源图片的美观程度,从图片的内容、色彩、构图、分辨率以及受遮挡情况等方面,来衡量房源图片的美观程度,并且由数据标注人员对该房源图片进行分数标定,通常情况下,分数越高,表明该房源图片的美观程度越好,分数越低,表明该房源图片的美观程度越差。当然,不仅仅局限于房源图片的美观程度,也可以是用户对房源图片的关注度等。具体来说,实际应用中,用户对主卧、次卧等房源图片的关注度可能会更高,而对于储物室、阳台等房源图片的关注度相对较低,则可以将按照用户对房源图片的关注度对房源图片进行评分,并且,通常情况下,分数越高,表明用户对该房源图片的关注度越高,分数越低,表明用户对该房源图片的关注度越低。
然后,利用该历史房源图片以及该历史房源图片被标注的评分,可以训练得到评分模型。其中,该评分模型的输入为房源图片,输出为该房源图片的分数。
实际应用中,为了尽可能提高用户的使用体验,房源发布平台在向用户呈现房源信息时,可以将评分较高的房源图片优先展示。具体的,可以按照目标房源图片的评分由高到低的顺序,在房源发布平台上依次排列展示目标房源图片。比如,鉴于用户通常是习惯于从左向右的阅读顺序,可以将评分较高的目标房源图片按照从左到右的顺序依次排列展示,对于同一行展示的目标房源图片,评分较高的目标房源图片,展示的位置靠左,评分较低的目标房源图片,展示的位置靠右。当两个目标房源图片的评分相同时,可以按照预先设定的规则确定这两个目标房源图片展示的位置,如随机确定这两个目标房源图片展示的位置等。
本实施例中,可以获取待审核的房源信息中包含的房源图片,然后利用预先建立的图片分类模型,确定该房源图片分别属于不同类别的概率值,其中,预先建立的图片分类模型是基于历史房源图片以及该历史房源图片所属的类别进行训练得到的,接着,可以比较该房源图片分别属于不同类别的概率值的大小,以得到最大概率值,最后,可以将最大概率值所对应的类别,确定为该房源图片所属的目标类别,以便于根据该房源图片所属的目标类别,确定出该房源图片是否违规。可见,由于房源图片属于某一类别的概率值越大,表明该房源图片就越有可能属于该类别,因此,对于待审核的房源信息中的每一张房源图片,都可以利用最大概率值确定出该房源图片所属的类别,进而根据该类别确定出房源图片是否违规,这样,就可以自动检测出待审核的房源信息中是否包含有违规的房源图片,而不用由审核人员去进行检测,从而减少了审核人员的工作量,减轻了审核人员的工作负担。
为了便于理解本申请实施例的技术方案,下面将结合具体应用场景对本申请实施例的技术方案进行描述。在该场景中,房源信息的发布者向房源发布平台发送待审核的房源信息,由房源发布平台上的应用程序对该房源信息进行审核,剔除房源信息中违规的房源图片。具体的,参阅图3,图3示出了本申请实施例中一种确定房源图片类别的方法的流程示意图,该方法具体可以包括:
S301:获取待审核的房源信息中的房源图片。
通常情况下,发布者会向房源发布平台上发送房源的房源信息,并且,房源发布平台需要对接收到的房源信息中包含的房源图片进行审核,确定该房源信息中是否抱哈违规的房源图片。
S302:针对于房源信息中的每一张房源图片,利用预先建立的图片分类模型,确定该房源图片属于第一类别至第四类别的概率值。
房源发布平台在接收到该房源图片后,可以将该房源图片输入至预先建立的图片分类模型中,由图片分类模型输出该房源图片分别属于第一类别、第二类别、第三类别以及第四类别的概率值。其中,第一类别下的图片为正常图片,第二类别下的图片为包含违规水印的图片,第三类别下的图片为包含文字的图片,第四类别下的图片为与房源无关的图片;并且,房源图片分别属于第一类别至第四类别的概率值的和为1。
其中,图片分类模型的输入为房源图片,输出为该房源图片分别属于第一类别至第四类别的概率值。
S303:比较该房源图片分别属于第一类别至第四类别的概率值的大小,以确定出最大概率值。
针对于房源信息中的每一张图片,在得到该房源图片属于不同类别的概率值后,可以将各个概率值进行大小比较,从中可以确定出最大概率值,进而可以确定出最大概率值所对应的类别。
比如,假设房源图片属于第一类别的概率值为38%,属于第二类别的概率值为5%,属于第三类别的概率值为43%,属于第四类别的概率值为14%,由于房源图片属于第三类别的概率值最大,为43%,则可以确定房源图片最有可能所属的类别为第三类别,也即为该房源图片最有可能为包含广告文字的图片。
S304:将最大概率值对应的类别,确定为该房源图片所属的第一目标类别,以此得到房源信息中每一张房源图片所属的第一目标类别。
S305:将第一目标类别为第一类别的房源图片依次输入至预先建立的室内室外户型模型中,以便于确定每一张属于第一目标类别的房源图片所属的第二目标类别。
属于第一类别下的房源图片,可能为室内图,也有可能为室外图,还有可能为户型图,因此,当确定出房源图片为正常图片后,可以继续确定出属于第一类别下的每张房源图片所属的第二目标类别。
其中,室内室外户型模型的输入为属于正常图片的房源图片,输出为该房源图片的第二目标类别,该第二目标类别为室内图、室外图以及户型图中的其中一种。
S306:将第二目标类别为室内图的房源图片依次输入至预先建立的美观程度评分模型中,以便于得到每一张属于第二目标类别的房源图片的评分。
利用预先建立的美观程度评分模型,可以得到每张属于室内图的房源图片的评分。通常情况下,房源图片的评分越高,表明该房源图片的美观程度越好,房源图片的评分越低,表明该房源图片美观程度越低。
其中,美观程度评分模型的输入为属于室内图的房源图片,输出为表征该房源图片美观程度的评分。
S307:按照房源图片的评分由高到低的顺序,依次展示该房源图片。
在得到房源图片美观程度的评分后,房源发布平台可以按照房源图片的评分由高到低的顺序,依次展示房源图片,这样,美观程度较高的房源图片可以优先进行展示。
本实施例中,由于房源图片属于某一类别的概率值越大,表明该房源图片就越有可能属于该类别,因此,对于待审核的房源信息中的每一张房源图片,都可以利用最大概率值确定出该房源图片所属的类别,进而根据该类别确定出房源图片是否违规,这样,就可以自动检测出待审核的房源信息中是否包含有违规的房源图片,而不用由审核人员去进行检测,从而减少了审核人员的工作量,减轻了审核人员的工作负担;而且,还可以对未违规的房源图片进行分类,区分出该房源图片是室内图、室外图还是户型图;另外,通过对室内图进行评分,可以将美观程度较好的房源图片优先进行展示,提高了用户体验。
此外,本申请实施例还提供了一种确定房源图片类别的装置。参阅图4,图4示出了本申请实施例中一种确定房源图片类别的装置结构示意图,该装置400具体可以包括:
获取单元401,用于获取房源图片,所述房源图片为待审核的房源信息中的图片;
概率值得到单元402,用于利用预先建立的图片分类模型,得到所述房源图片分别属于不同类别的概率值,其中,所述图片分类模型基于第一历史房源图片以及所述第一历史房源图片所属的类别进行训练得到;
比较单元403,用于比较所述房源图片分别属于不同类别的概率值的大小;
确定单元404,用于将最大概率值对应的类别,确定为所述房源图片所属的第一目标类别,以便于根据所述房源图片所属的第一目标类别,确定出所述房源图片是否违规。
在一些可能的实施方式中,所述第一历史房源图片所属的类别,包括:第一类别、第二类别、第三类别以及第四类别,其中,所述第一类别下的图片为正常图片,所述第二类别下的图片为包含违规水印的图片,所述第三类别下的图片为包含文字的图片,所述第四类别下的图片为与房源无关的图片。
在一些可能的实施方式中,所述确定单元404,包括:
判断子单元,用于若最大概率值对应的类别为第一类别或第三类别,则判断第一概率值与第二概率值之间差值的绝对值是否超出预设阈值,其中,所述第一概率值是指所述房源图片为正常图片的概率值,所述第二概率值是指所述房源图片为包含广告文字的图片的概率值;
第一确定子单元,用于若所述绝对值超出所述预设阈值,则将最大概率值对应的类别,确定为所述房源图片所属的第一目标类别。
在一些可能的实施方式中,所述装置400还包括:
检测单元,用于若所述绝对值未超出所述预设阈值,则利用文字检测软件检测所述房源图片是否包含文字;
第一类别确定单元,用于若所述房源图片未包含文字,则将第一类别确定为所述房源图片所属的第一目标类别;
第二类别确定单元,用于若所述房源图片包含文字,则将第三类别确定为所述房源图片所属的第一目标类别。
在一些可能的实施方式中,所述确定单元404还包括:
第一违规确定子单元,用于若所述第一目标类别为第一类别,则确定所述房源图片未违规;
第二违规确定子单元,用于若所述第一目标类别为第二类别、第三类别或第四类别,则确定所述房源图片违规。
在一些可能的实施方式中,所述装置400还包括:
第一输入单元,用于若所述房源图片属于第一类别,则将所述房源图片输入至预先建立的室内室外户型模型,以便得到所述房源图片所属的第二目标类别;
其中,所述室内室外户型模型为基于第二历史房源图片以及所述第二历史房源图片所属的类别进行训练得到,所述第二历史房源图片所属的类别包括室内图、室外图以及户型图。
在一些可能的实施方式中,所述装置400还包括:
目标房源图片获取单元,用于获取至少一个目标房源图片,所述目标房源图片为所述待审核的房源信息中属于室内图的房源图片;
第二输入单元,用于将所述目标图片输入至预先建立的评分模型,以便得到所述目标房源图片的评分。
在一些可能的实施方式中,所述装置400还包括:
展示单元,用于按照目标房源图片的评分由高到低的顺序,在房源发布平台上依次排列展示所述目标房源图片。
本实施例中,由于房源图片属于某一类别的概率值越大,表明该房源图片就越有可能属于该类别,因此,对于待审核的房源信息中的每一张房源图片,都可以利用最大概率值确定出该房源图片所属的类别,进而根据该类别确定出房源图片是否违规,这样,就可以自动检测出待审核的房源信息中是否包含有违规的房源图片,而不用由审核人员去进行检测,从而减少了审核人员的工作量,减轻了审核人员的工作负担。
需要说明的是,本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种确定房源图片类别的方法,其特征在于,所述方法包括:
获取房源图片,所述房源图片为待审核的房源信息中的图片;
利用预先建立的图片分类模型,得到所述房源图片分别属于不同类别的概率值,其中,所述图片分类模型基于第一历史房源图片以及所述第一历史房源图片所属的类别进行训练得到;
比较所述房源图片分别属于不同类别的概率值的大小;
将最大概率值对应的类别,确定为所述房源图片所属的第一目标类别,以便于根据所述房源图片所属的第一目标类别,确定出所述房源图片是否违规。
2.根据权利要求1所述的方法,其特征在于,所述第一历史房源图片所属的类别,包括:第一类别、第二类别、第三类别以及第四类别,其中,所述第一类别下的图片为正常图片,所述第二类别下的图片为包含违规水印的图片,所述第三类别下的图片为包含文字的图片,所述第四类别下的图片为与房源无关的图片。
3.根据权利要求2所述的方法,其特征在于,所述将最大概率值对应的类别,确定为所述房源图片所属的第一目标类别,包括:
若最大概率值对应的类别为第一类别或第三类别,则判断第一概率值与第二概率值之间差值的绝对值是否超出预设阈值,其中,所述第一概率值是指所述房源图片为正常图片的概率值,所述第二概率值是指所述房源图片为包含广告文字的图片的概率值;
若所述绝对值超出所述预设阈值,则将最大概率值对应的类别,确定为所述房源图片所属的第一目标类别。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
若所述绝对值未超出所述预设阈值,则利用文字检测软件检测所述房源图片是否包含文字;
若所述房源图片未包含文字,则将第一类别确定为所述房源图片所属的第一目标类别;
若所述房源图片包含文字,则将第三类别确定为所述房源图片所属的第一目标类别。
5.根据权利要求2至4任意一项所述的方法,其特征在于,所述根据所述房源图片所属的第一目标类别,确定出所述房源图片是否违规,包括:
若所述第一目标类别为第一类别,则确定所述房源图片未违规;
若所述第一目标类别为第二类别、第三类别或第四类别,则确定所述房源图片违规。
6.根据权利要求2所述的方法,其特征在于,所述方法还包括:
若所述房源图片属于第一类别,则将所述房源图片输入至预先建立的室内室外户型模型,以便得到所述房源图片所属的第二目标类别;
其中,所述室内室外户型模型为基于第二历史房源图片以及所述第二历史房源图片所属的类别进行训练得到,所述第二历史房源图片所属的类别包括室内图、室外图以及户型图。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
获取至少一个目标房源图片,所述目标房源图片为所述待审核的房源信息中属于室内图的房源图片;
将所述目标图片输入至预先建立的评分模型,以便得到所述目标房源图片的评分。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
按照目标房源图片的评分由高到低的顺序,在房源发布平台上依次排列展示所述目标房源图片。
9.一种确定房源图片类别的装置,其特征在于,所述装置包括:
获取单元,用于获取房源图片,所述房源图片为待审核的房源信息中的图片;
概率值得到单元,用于利用预先建立的图片分类模型,得到所述房源图片分别属于不同类别的概率值,其中,所述图片分类模型基于第一历史房源图片以及所述第一历史房源图片所属的类别进行训练得到;
比较单元,用于比较所述房源图片分别属于不同类别的概率值的大小;
确定单元,用于将最大概率值对应的类别,确定为所述房源图片所属的第一目标类别,以便于根据所述房源图片所属的第一目标类别,确定出所述房源图片是否违规。
10.根据权利要求9所述的装置,其特征在于,所述第一历史房源图片所属的类别,包括:第一类别、第二类别、第三类别以及第四类别,其中,所述第一类别下的图片为正常图片,所述第二类别下的图片为包含违规水印的图片,所述第三类别下的图片为包含文字的图片,所述第四类别下的图片为与房源无关的图片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811418035.1A CN109523281A (zh) | 2018-11-26 | 2018-11-26 | 一种确定房源图片类别的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811418035.1A CN109523281A (zh) | 2018-11-26 | 2018-11-26 | 一种确定房源图片类别的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109523281A true CN109523281A (zh) | 2019-03-26 |
Family
ID=65779136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811418035.1A Pending CN109523281A (zh) | 2018-11-26 | 2018-11-26 | 一种确定房源图片类别的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109523281A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110189196A (zh) * | 2019-05-16 | 2019-08-30 | 深圳远航股份有限公司 | 一种基于图片质量分搭建入口图卖场的方法 |
CN110634050A (zh) * | 2019-09-06 | 2019-12-31 | 北京无限光场科技有限公司 | 一种鉴别房源类型的方法、装置、电子设备及存储介质 |
CN110874496A (zh) * | 2020-01-20 | 2020-03-10 | 广东博智林机器人有限公司 | 基于强化学习的楼栋摆放方法、装置、存储介质及计算机设备 |
CN111383032A (zh) * | 2020-02-12 | 2020-07-07 | 北京城市网邻信息技术有限公司 | 一种房源信息的真实性检测方法和装置 |
CN111967493A (zh) * | 2020-06-29 | 2020-11-20 | 北京百度网讯科技有限公司 | 图像审核方法、装置、电子设备和存储介质 |
CN113658118A (zh) * | 2021-08-02 | 2021-11-16 | 维沃移动通信有限公司 | 图像噪声程度估计方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104615656A (zh) * | 2014-12-31 | 2015-05-13 | 小米科技有限责任公司 | 图片分类方法及装置 |
CN107194898A (zh) * | 2017-06-23 | 2017-09-22 | 携程计算机技术(上海)有限公司 | 酒店图像的展示方法、存储介质及酒店信息的推送方法 |
CN108491866A (zh) * | 2018-03-06 | 2018-09-04 | 平安科技(深圳)有限公司 | 色情图片鉴定方法、电子装置及可读存储介质 |
CN108734227A (zh) * | 2018-06-13 | 2018-11-02 | 北京宏岸图升网络技术有限公司 | 一种图片的分类方法及装置 |
CN108960782A (zh) * | 2018-07-10 | 2018-12-07 | 北京木瓜移动科技股份有限公司 | 内容审核方法以及装置 |
-
2018
- 2018-11-26 CN CN201811418035.1A patent/CN109523281A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104615656A (zh) * | 2014-12-31 | 2015-05-13 | 小米科技有限责任公司 | 图片分类方法及装置 |
CN107194898A (zh) * | 2017-06-23 | 2017-09-22 | 携程计算机技术(上海)有限公司 | 酒店图像的展示方法、存储介质及酒店信息的推送方法 |
CN108491866A (zh) * | 2018-03-06 | 2018-09-04 | 平安科技(深圳)有限公司 | 色情图片鉴定方法、电子装置及可读存储介质 |
CN108734227A (zh) * | 2018-06-13 | 2018-11-02 | 北京宏岸图升网络技术有限公司 | 一种图片的分类方法及装置 |
CN108960782A (zh) * | 2018-07-10 | 2018-12-07 | 北京木瓜移动科技股份有限公司 | 内容审核方法以及装置 |
Non-Patent Citations (1)
Title |
---|
李英 等: "一种图像中的文字区域检测新方法", 《西安电子科技大学学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110189196A (zh) * | 2019-05-16 | 2019-08-30 | 深圳远航股份有限公司 | 一种基于图片质量分搭建入口图卖场的方法 |
CN110634050A (zh) * | 2019-09-06 | 2019-12-31 | 北京无限光场科技有限公司 | 一种鉴别房源类型的方法、装置、电子设备及存储介质 |
CN110634050B (zh) * | 2019-09-06 | 2023-04-07 | 北京无限光场科技有限公司 | 一种鉴别房源类型的方法、装置、电子设备及存储介质 |
CN110874496A (zh) * | 2020-01-20 | 2020-03-10 | 广东博智林机器人有限公司 | 基于强化学习的楼栋摆放方法、装置、存储介质及计算机设备 |
CN111383032A (zh) * | 2020-02-12 | 2020-07-07 | 北京城市网邻信息技术有限公司 | 一种房源信息的真实性检测方法和装置 |
CN111383032B (zh) * | 2020-02-12 | 2023-11-14 | 北京城市网邻信息技术有限公司 | 一种房源信息的真实性检测方法和装置 |
CN111967493A (zh) * | 2020-06-29 | 2020-11-20 | 北京百度网讯科技有限公司 | 图像审核方法、装置、电子设备和存储介质 |
CN113658118A (zh) * | 2021-08-02 | 2021-11-16 | 维沃移动通信有限公司 | 图像噪声程度估计方法、装置、电子设备及存储介质 |
WO2023011280A1 (zh) * | 2021-08-02 | 2023-02-09 | 维沃移动通信有限公司 | 图像噪声程度估计方法、装置、电子设备及存储介质 |
CN113658118B (zh) * | 2021-08-02 | 2024-08-27 | 维沃移动通信有限公司 | 图像噪声程度估计方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109523281A (zh) | 一种确定房源图片类别的方法及装置 | |
CN1312615C (zh) | 为媒体内容管理系统索引数字信息信号的方法和设备 | |
CN106127505A (zh) | 一种刷单识别方法及装置 | |
CN104239526B (zh) | 一种电子地图的poi标注方法及装置 | |
CN103366247B (zh) | 标准有效性判断系统及方法 | |
CN104834731A (zh) | 一种自媒体信息的推荐方法及装置 | |
CN107896335B (zh) | 基于大数据技术的视频检测和评级方法 | |
CN108985285A (zh) | 一种基于机器识别的商品专利获取方法及系统 | |
Ball | Environmental risk assessment and the intrusion of bias | |
CN114359590A (zh) | Nft图像作品侵权检测方法、装置、及计算机存储介质 | |
CN115063084A (zh) | 一种卷烟零售商户库存盘点方法及系统 | |
CN114155004A (zh) | 客户管理方法及装置 | |
CN114819985B (zh) | 一种基于人工智能的软件自动化测试管理系统及方法 | |
CN117151822A (zh) | 一种基于大数据分析的信用评估系统 | |
Davey | An analysis of country, socio‐economic and time factors on worldwide zoo attendance during a 40 year period | |
CN109166012B (zh) | 针对行程预定类用户的分类及信息推送的方法和装置 | |
CN109858900A (zh) | 一种支付信息推送方法、装置及终端设备 | |
CN107480272A (zh) | 识别分析艺术品真伪的方法及其系统 | |
CN112819509A (zh) | 自动筛选广告图片的方法、系统、电子设备和存储介质 | |
JP2022007878A (ja) | 不動産取引価格増減予測プログラム | |
CN107341461A (zh) | 智能识别与分析技术鉴别艺术品真伪的方法及其系统 | |
CN115796600A (zh) | 一种舆情风险预警方法、系统、介质及电子设备 | |
CN110310146A (zh) | 确定网红商户的方法、装置、电子设备及存储介质 | |
CN106649321A (zh) | 思维导图的显示方法及装置 | |
CN108134798A (zh) | 电表信息处理方法及装置 |
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 |
Application publication date: 20190326 |
|
RJ01 | Rejection of invention patent application after publication |