CN109685090A - 热度评测模型的训练方法、热度评测方法以及相关设备 - Google Patents
热度评测模型的训练方法、热度评测方法以及相关设备 Download PDFInfo
- Publication number
- CN109685090A CN109685090A CN201710980272.6A CN201710980272A CN109685090A CN 109685090 A CN109685090 A CN 109685090A CN 201710980272 A CN201710980272 A CN 201710980272A CN 109685090 A CN109685090 A CN 109685090A
- Authority
- CN
- China
- Prior art keywords
- image
- target object
- temperature
- hot value
- user
- 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
- 238000012549 training Methods 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 141
- 238000012360 testing method Methods 0.000 title claims abstract description 134
- 238000011156 evaluation Methods 0.000 title claims abstract description 109
- 230000006399 behavior Effects 0.000 claims description 40
- 238000013135 deep learning Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 9
- 238000012512 characterization method Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 27
- 238000009412 basement excavation Methods 0.000 abstract description 3
- 238000005065 mining Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 12
- 241000406668 Loxodonta cyclotis Species 0.000 description 5
- 241001269238 Data Species 0.000 description 4
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 4
- 244000046052 Phaseolus vulgaris Species 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003760 hair shine Effects 0.000 description 4
- 230000003542 behavioural effect Effects 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 210000003813 thumb Anatomy 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 210000000887 face Anatomy 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 230000001429 stepping effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Abstract
本申请实施例提供的一种热度评测模型的训练方法和装置,用于根据包含对象的人体特征的图像训练得到热度评测模型,该热度评测模型用于对目标对象进行热度评测,以提高热度评测的精准性和效率。本申请实施例还提供了一种热度评测方法、装置和系统,用于利用目标对象的包含人体特征的图像,对图像进行分析得到该目标对象的潜在热度值,本申请实施例能够抛开人为主观因素,为网红的发掘工作提供较准确的数据依据,使得整个挖掘过程更客观,更具有系统性和可控性。
Description
技术领域
本申请涉及互联网技术领域,特别涉及一种热度评测模型的训练方法、训练装置、一种热度评测方法、评测装置以及评测系统。
背景技术
网络红人是指在现实或网络生活中被网民关注从而走红的人,近年来,越来越多的网红已经通过广告、电商、签约、创业等方式实现个人品牌的变现,随着网红经济的发展,网红的产业化趋势也不断加强。因此,如何发掘网红,如何对网红的未来流行情况进行评测,这已经成为许多企业所关注的主流技术方向。
发明内容
有鉴于此,本申请实施例提供了一种热度评测方法,该方法通过对目标对象的图像进行图像处理,通过图像中的人体特征评测目标对象的潜在热度。
本申请实施例还提供了一种热度评测模型的训练方法,利用已有对象的人体特征的图像训练得到用以评测目标对象的热度值的热度评测模型,该热度评测模型能够用于上述热度评测方法中。
为了保证上述方法在实际中的应用与实现,本申请实施例还提供了对应的装置和系统。
在本申请第一方面提供了一种热度评测系统,包括:
图像采集装置,用于获取目标对象的包含人体特征的图像;
热度评测装置,用于根据所述目标对象的包含人体特征的图像,经过图像处理得到所述目标对象的潜在热度值。
在本申请第二方面提供了一种热度评测模型的训练方法,包括:
采集训练数据,所述训练数据包括:多个对象的包含人体特征的图像和与每个对象相关的用户行为数据;
采用深度学习算法对所述训练数据进行遍历性训练得到热度评测模型,以用于评测目标对象的潜在热度。
在本申请第三方面提供了一种热度评测方法,包括:
获取目标对象的包含人体特征的图像;
对所述图像进行图像处理得到所述图像对应的热度值;
根据所述图像对应的热度值计算所述目标对象的潜在热度值。
在本申请第四方面提供了一种热度评测模型的训练装置,包括:
采集模块,用于采集训练数据,所述训练数据包括:多个对象的包含人体特征的图像和与每个对象相关的用户行为数据;
训练模块,用于采用深度学习算法对所述训练数据进行遍历性训练得到热度评测模型,以用于评测目标对象的潜在热度值。
在本申请第五方面提供了一种热度评测装置,包括:
获取模块,用于获取目标对象的包含人体特征的图像;
处理模块,用于对所述图像进行图像处理得到所述图像对应的热度值;
计算模块,用于根据所述图像对应的热度值计算所述目标对象的潜在热度值。
在本申请第六方面提供了一种热度评测方法,包括:
接收用户上传的图像,所述图像是包含用户人体特征的图像;
对所述图像进行图像处理得到所述图像对应的热度值;
根据所述图像对应的热度值计算所述用户的潜在热度值。
在本申请第七方面提供了一种热度评测装置,包括:
接收模块,用于接收用户上传的图像,所述图像是包含用户人体特征的图像;
处理模块,用于对所述图像进行图像处理得到所述图像对应的热度值;
计算模块,用于根据所述图像对应的热度值计算所述用户的潜在热度值。
在本申请第八方面提供了一种热度评测方法,包括:
保存用户的热度相关信息,所述热度相关信息包括:用户的图像和用户的潜在热度值;
响应于查询请求,反馈用户的热度相关信息。
在本申请第九方面提供了一种热度评测装置,包括:
保存模块,用于保存用户的热度相关信息,所述热度相关信息包括:用户的图像和用户的潜在热度值;
反馈模块,用于响应于查询请求,反馈用户的热度相关信息。
与现有技术相比,本申请提供的技术方案包括以下优点:
本申请提供的热度评测模型的训练方法,通过采集已有对象的包含人体特征的图像以收集训练数据,由于人体特征能够给人最直接的视觉印象,而网红的走红流行情况极大程度上取决于其给网民的视觉印象是否满足网民的视觉审美,因此,在将这些图像作为训练数据,采用深度学习算法对这些训练数据进行训练得到热度评测模型,该热度评测模型是以对象的包含人体特征的图像为输入,以该对象的潜在热度值为输出的一种数学模型,该模型能够从数学角度计算出一个目标对象的潜在热度值,即该目标对象的人体特征所表征的该目标对象会走红流行的潜在流行指数。
本申请提供的目标对象的热度评测方法,获取目标对象的包含人体特征的图像,对所述图像进行图像处理得到所述图像对应的热度值;根据所述图像对应的热度值计算所述目标对象的潜在热度值,该热度评测方法是以目标对象的人体特征为数据基础,由于人体特征能够给人最直接的视觉印象,而网红的走红流行情况极大程度上取决于其给网民的视觉印象是否满足网民的视觉审美,因此,通过人体特征能够准确评测出目标对象的热度值。相比人们肉眼衡量目标对象的流行指数的方式,该方法能够抛开人为主观因素,为网红的发掘工作提供较准确的数据依据,使得整个挖掘过程更客观,更具有系统性和可控性。
当然,实施本申请的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对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申请的一些实施例,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是本申请在实际应用中的场景示例图;
图2是本申请实施例提供的一种热度评测系统的结构图;
图3是本申请实施例提供的一种热度评测方法的流程图;
图4是本申请实施例提供的一种评测结果的展示示意图;
图5是本申请实施例提供的另一种评测结果的展示示意图;
图6是本申请实施例提供的一种热度评测模型的训练方法的流程图;
图7是本申请实施例提供的单个样本图像的训练过程示意图;
图8是本申请实施例提供的一种热度评测模型的训练方法的实现过程示例图;
图9是本申请实施例提供的一种热度评测装置的结构图;
图10是本申请实施例提供的一种热度评测模型的训练装置的结构图;
图11是本申请实施例提供的一种热度评测方法的流程图;
图12是本申请实施例提供的一种热度评测装置的结构图;
图13是本申请实施例提供的另一种热度评测方法的流程图;
图14是本申请实施例提供的另一种热度评测装置的结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了便于理解本申请提供的技术方案,下面先对本申请技术方案的研究背景进行简单说明。
随着网红经济的发展,如何用科学的方法来评测网红等对象的流行趋势,如何更客观地评估和预测对象的流行指数,是网红经济发展急需解决的问题。
基于此,本申请实施例提出了一种热度评测模型的训练方法和装置,多个对象的包含人体特征的图像和与每个对象相关的用户行为数据作为训练数据,收集大量的训练数据,采用深度学习算法对所述训练数据进行遍历性训练得到热度评测模型,以用于评测目标对象的潜在热度。
另外,本申请实施例还提出了一种热度评测方法和装置,获取目标对象的包含人体特征的图像,对所述图像进行图像处理得到所述图像对应的热度值;根据所述图像对应的热度值计算所述目标对象的潜在热度值,该热度评测方法将根据目标对象的人体特征所表现出来的目标对象在网络中的流行趋势进行指标量化,不再依赖人工肉眼去评测,其使得对目标对象的热度评测更客观,更具有系统性和可控性。
在本申请实施例提供的技术方案中,目标对象为人,可以是直播平台的主播,网络红人,也可以是普通大众,但为了方便描述下文仅以目标对象为主播为例进行解释说明。
下面先对本申请实施例的技术方案在实际应用中的应用场景进行介绍。
参见图1,图1为本申请在实际应用中的场景示例图,如图1所示,热度评测模型训练装置104通过对大量的训练数据进行训练得到热度评测模型;该热度评测装置102应用该热度评测模型实现对目标对象的热度评测,该热度评测模型可内置于该热度评测装置中。在具体实现时,该热度评测模型训练装置104与该热度评测装置102可以相互独立部署,也可以集成在同一设备中;在实际应用中,先通过图像采集装置101采集目标对象的包含人体特征图像,然后,图像采集装置101向热度评测装置102发送该图像,该图像采集装置101可以是照相机、摄像机、或者具有照相功能的终端设备;该图像采集设备101可集成在热度评测装置102中,也可以相互独立部署,也可以集成在同一设备中;热度评测装置102将该目标对象的图像输入至热度评测模型中,通过热度评测模型对该图像进行处理得到目标对象的潜在热度值。该热度评测装置102可具有显示屏,通过该显示屏直接向用户展示评测结果,当然,该热度评测装置102也可以向用户端103发送该评测结果,用户通过用户端查看评测结果,用户端103是指能够展示信息的用户设备,如智能手机、笔记本、平板等。
在实际应用中,该热度评测装置102可以为独立的服务器,也可以为集群服务器,当待评测的目标对象的数量比较大时,利用集群服务器可快速并行地实现对目标对象的评测。
例如:用户想要知道自己会不会在网络中走红流行,则通过自己手机拍摄一张包含人体特征的图像,例如脸部图像,然后经过热度评测装置对该图像进行处理得到评测结果,向用户手机发送该评测结果,这样,用户就能够通过个人手机快速查看表征自己走红流行指数的潜在热度值。
本申请实施例提供的一种热度评测系统,该系统能够适用于任何一种需要评测一个人在网络中流行走红趋势的场景中,例如可以应用于经纪公司选拔网络新人的场景中,例如可以应用于直播平台选拔优质直播的场景中,再例如可以应用于普通大众测试个人是否能够走红的场景中,等等。下面对该系统进行解释说明。
参见图2,图2示出了本申请实施例提供的一种热度评测系统,如图2所示,该系统包括:
图像采集装置201,用于获取目标对象的包含人体特征的图像;
在本申请实施例中,该图像采集装置可以为具有照相功能的装置,用户可以通过该图像采集装置拍摄自身的图像;该图像采集装置也可以为用户提供网页版的图像上传界面,用户通过该图像上传界面上提供的控件,上传自身的图像。
热度评测装置202,用于根据所述目标对象的包含人体特征的图像,经过图像处理得到所述目标对象的潜在热度值。可选的,该热度评测装置102的实现可以参见图3所示方法实施例的实现。
本申请实施例提供的该热度评测系统提出了对目标对象的走红流行趋势进行评测的通用化平台,可面向任何类型的应用主体,将根据目标对象的人体特征所表现出来的目标对象在网络中的流行趋势进行指标量化,不再依赖人工肉眼去评测,其使得对目标对象的热度评测更客观,更具有系统性和可控性。
本申请实施例提供了一种热度评测方法,下面对该方法进行解释说明。
参见图3,图3为本申请实施例提供的一种热度评测方法的流程图,如图3所示,该方法包括以下步骤:
301,获取目标对象的包含人体特征的图像;
在本申请实施例中,目标对象是指需要评测流行指数的对象,该对象是指个人,例如主播、网红、素人,等等。为了便于描述,下文仅以目标对象为直播平台的主播为例进行说明。
在本申请实施例中,可以通过以下方式获取目标对象的包含人体特征的图像,一种方式是,为用户提供的图像上传通道,该上传通道为网页、APP、邮箱等形式,用户在需要时,主动通过该上传通道上传目标对象的包含人体特征的图像,用户上传的图像会被保存在图像数据库中,在图像数据库中存储有用户名以及该用户上传的目标对象的脸部图像;则在具体实现时,从图像数据库中直接读取待评测的目标对象的图像。另一种方式是,直播平台中建立有主播数据库,该主播数据库中存储主播相关信息,包括主播唯一标识信息和主播的个人图像,用户先指定待评测的主播名称、主播编号或其他形式的主播唯一标识信息,则在具体实现时,从主播数据库中直接获取主播的图像。另一种方式是,为用户提供拍摄通道,待评测的目标对象通过该拍摄通道拍摄个人的图像,则在具体实现时,通过该拍摄通道实时获取该目标对象的图像。还有一种方式是,用户先指定待评测的主播,在具体实现时,从该待评测的主播的相关直播视频中截取该主播的包含人体特征的图像。
在本申请实施例中,该图像可以是目标对象的全身照或者目标对象的局部照,例如可以是目标对象的手部照,脚部照,腿部照,背部照,上半身照,等等。考虑到在实际网络中,大家对人的审美首先定位到脸部特征,也比较关注脸部审核,因此,可选的,该图像可以是目标对象的脸部照,即,步骤301具体为获取目标对象的包含脸部特征的图像。
在本申请实施例中,针对一个目标对象可以仅获取一张图像,也可以获取多张图像,更具体的,为了更全面的分析目标对象的人体特征,可以获取目标对象的多个不同人体角度的图像;例如,可以获取一个目标对象的多张脸部不同角度的脸部图像,例如,正脸图像、左侧脸图像、右侧脸图像。在具体实现时,也可以获取多张不同像素的图像,等等。
302,对所述图像进行图像处理得到所述图像对应的热度值;
在本申请实施例中,以图像所包含的人体特征为主,利用图像处理算法对解析出该图像中的人体特征,基于该人体特征计算出该图像对应的热度值。可选的,本申请实施例提供了一种实现方式,利用预先训练的热度评测模型对该图像进行图像处理得到图像对应的热度值,该热度评测模型可以是通过深度学习算法对训练数据进行训练得到的卷积神经网络模型。
该模型能够从数学角度根据人体脸部特征分析出目标对象流行走红的流行指数,即潜在热度值。即,该模型是以目标对象的脸部图像为输入,以目标对象的潜在热度值为输出的一种数学模型。该模型在数据处理时,是以目标对象的单个图像为基准处理的,针对一个图像处理后就得到对应的一个热度值。关于如何训练得到该热度评测模型此次暂不说明,在下文会给出具体实施例进行说明。
在本申请实施例中,考虑到大众对男性和女性的视觉审美观念不同,在具体实现时,可预先训练得到两个热度评测模型,一个适用于女性目标对象的评测,另一个适用于男性目标对象的评测,这样以提高评测结果的精准性。基于此,在步骤301之后,可选的,还包括:
获取所述目标对象的性别类型;
则步骤302具体为,从预先训练的热度评测模型中选择适用于所述目标对象的性别类型的热度评测模型,利用所选的热度评测模型对所述目标对象的图像进行图像处理得到所述图像对应的热度值。
在本申请实施例中,可通过以下方式获取目标对象的性别类型,一种方式时,用户上传目标对象的图像时,同时上传该目标对象的性别类型信息,如男性或者女性,则在图像数据库中一并记录该目标对象的性别类型,则在具体实现时,获取目标对象的脸部图像时,同时获取目标对象的性别类型;另一种方式是,在主播数据库中保存的主播个人信息中包括主播性别类型,则在具体实现时,直接从主播数据库中获取待评测的主播的性别类型;还有一种方式是,根据获取的目标对象的脸部图像,采用人脸识别算法识别出该目标对象的性别类型。
举例说明,若预先针对性别建立有两个热度评测模型,记为男性热度评测模型HotModel0和女性热度评测模型HotModel1,主播A(男)和主播B(女)均想知道自己在网络中流行指数,则主播A提供脸部图像记图像1并标注性别为男性,主播B提供脸部图像记为图像2并标注性别为女,则在评测阶段,将主播A的图像1输入至HotModel0,由该HotModel0对图像1进行处理得到主播A对应的潜在热度值X1,将主播B的图像2输入至HotModel1,通过HotModel1对图像2进行处理,得到主播B对应的热度值X2。
由于男性和女性的脸部特征区别较大,因此,在本申请实施例中,从对象的性别角度出发,分别利用预先训练好的适配女性或适配男性的热度评测模型,使得在对目标对象进行评估时,采用与性别适配的热度评测模型,使得其评测结果更精准。
303,根据所述图像对应的热度值计算所述目标对象的潜在热度值。
在本申请实施例中,通过步骤301针对一个目标对象可以获取一张图像,因此通过步骤302仅计算得到该图像对应的一个热度值,则步骤303直接将该热度值作为该目标对象的潜在热度值。本申请实施例中,潜在热度值是指根据目标对象的脸部特征评测的,在该目标对象给大众的视觉印象表征该目标对象受大众喜欢的流行指数。在本申请实施例中,通过步骤301针对一个目标对象可以获取多张图像,因此通过步骤302计算得到每张图像各自对应的热度值,则步骤303具体为对所述目标对象的每个图像对应的热度值进行加权平均运算得到所述目标对象的潜在热度值。
在具体实现时,由于大众对人体不同角度有不同的审美标准,因此,可针对不同角度的人体图像对应的热度值设置不同的权重,然后,按照加权平均算法对目标对象的所有图像的热度值进行处理,得到该目标对象的潜在热度值。在设置权重时,可根据不同角度的图像所表现出的人体特征的多少,设置不同的权重,也可以分配相同的权重,当分配相同的权重时,该加权平均运算就是取平均值运算;也可根据不同的角度为图像的热度值设置不同的权重,例如,若获取的脸部图像包括正脸图像、左侧脸图像、右侧脸图像,则对正脸图像设置较大的权重,对左侧脸图像和右侧脸图像分别设置相同的权重。
举例说明,以待评测目标对象为主播C为例,假设获取该主播C的三张脸部图像分别记为正脸图像1、左脸图像2、右脸图像3,分别对这三张脸部图像进行评测得到对应的热度值记为X1,X2,X3,而若这三种角度脸部图像对应的权重分别为2/3,1/6,1/6,则采用加权平均算法对这三个热度值进行加权平均得到该主播C的热度值X=(X1/3+X2/6+X3/6);若这三种角度脸部图像对应的权重相同均为1/3,则采用加权平均算法对这三个热度值进行加权平均得到该主播C的热度值X=(X1/3+X2/3+X3/3),记为这三个热度值的平均数。
由于一张图像可能表征的脸部特征不全面,不够精准,因此,利用上述方式通过对多张脸部图像的处理以全方位地学习目标对象的脸部特征,从而更准确的评测该目标对象的热度值。
为了更准确地评估目标对象的走红流行趋势,通过步骤301可以获取一个目标对象的多张不同角度的图像,这多张不同角度的图像能够更全面的表征目标对象的实际体征,利用这多张不同角度的图像能够更准确的评测目标对象的热度值。
在本申请实施例中,通过目标对象的包含人体特征图像从视觉印象角度评测该目标对象的潜在热度值,即该目标对象的人体特征所表征的该目标对象的流行走红指数。
另外,在实际应用中,一些目标对象已经在网络中产生了一定的行为,其已经积累了一定的粉丝群体,则认为这些目标对象已经有网民关注和喜欢,喜欢这些目标对象的网民会对目标对象产生已经的网络交互行为,例如,点赞目标对象,关注目标对象,收藏目标对象等等,与目标对象相关的用户行为在一定程度上能够反映出该目标对象在网络中的受欢迎程度,即实际流行走红趋势,在本申请实施例中将该实际流行走红趋势量化为已有热度值。例如,在直播平台中,一个优质主播已经发布了200个直播,其有200万个粉丝,这200万个粉丝对该主播有点赞、平均、收藏等等交互操作,这足以表明该主播在网络上是非常受欢迎的,通过该主播相关的用户行为数据能够分析出该主播在网络中的实际受欢迎程度,即已有热度值。
在本申请实施例中,针对这一类目标对象,为了更准确地评测其热度值,还提出了结合这一类目标对象的人体特征的图像和用户行为数据来进行综合评估,既考虑目标对象的人体特征所表现出的潜在热度值,还考虑目标对象的已有热度值,以综合评测该目标对象的热度值。
基于此,本申请实施例还提供了一种可选的方法,参见图3虚线部分所示,该方法可以在图3所示方法的基础上增加如下步骤:
304,根据所述目标对象的用户行为数据计算所述目标对象的已有热度值,所述用户行为数据是与所述目标对象相关的、表征网络交互行为的数据;
在本申请实施例中,可以通过以下方式计算已有热度值,该方式包括:
根据所述目标对象的用户行为数据统计表征目标对象被用户关注程序的人气参数;以及,根据所述人气参数计算得到所述目标对象的已有热度值。
其中,目标对象的用户行为数据是指与目标对象相关的用户的历史行为所产生的数据,与目标对象相关的用户是指在网络中与目标对象产生过网络交集的用户;仅以目标对象为主播为例进行说明,与主播相关的用户是指关注过主播的用户,查看过主播发布的视频的用户,收藏过主播的用户,评价过主播的用户,等等,在具体实现时,该用户行为数据包括:收藏过该主播的用户个数,该主播发布的视频被查看次数,该主播发布的视频被查看时长,该主播被点赞次数,等等。
在具体实现时,目标对象的用户行为数据是指在网络中用户对该目标对象实施一些交互操作的行为数据,该交互操作包括:收藏、点赞、评价、查看、关注,等等操作。这些行为数据一定程度上能表征用户对该目标对象的关注和喜爱程度。
在具体实现时,先收集与目标对象相关的用户行为数据,再统计分析出该目标对象的人气参数,该人气参数是指用于表征该目标对象在网络中受欢迎程度的参数,例如:该人气参数包括:关注该目标对象的用户个数、该目标对象被收藏的次数,该目标对象发布的资源被查看的次数,该目标对象被点赞次数,该目标对象的资源被查看时长,等等。
在具体实现时,一个目标对象会有多个人气参数,则在计算已有热度值时,可利用加权平均算法对一个目标对象的多个人气参数进行加权平均,在具体实现时,可根据实际需求对不同人气参数设置不同的权重,例如,对人气参数:关注该目标对象的用户个数、该目标对象被收藏的次数,该目标对象发布的资源被查看的次数,该目标对象被点赞次数,该目标对象的资源被查看时长,设置的权重大小关系为从大到小。当然,也可以对所有人气参数设置相同的权重。
305,根据所述目标对象的潜在热度值和所述目标对象的已有热度值,计算所述目标对象的热度值。
在本申请实施例中,提出了一种可选的计算目标对象的热度值的方式,该方式包括:
对目标对象的潜在热度值和目标对象的已有热度值分别作归一化处理;以及,根据预先设置的二元函数对所述归一化处理后的潜在热度值和已有热度值进行运算得到所述目标对象的热度值。
在本申请实施例中,归一化处理过程是对数据进行统一变换,使得处理后的数据化为无量纲的表达式,例如,使得处理后的数据取值在0-1区间,一种方式是,从所有数据中选择数值最大的数据,其他数据除以该最大值以得到归一化处理后的数据。在本申请实施例中,二元函数是指目标对象的热度值随着潜在热度值和已有热度值这两个因子的变化而产生变化的函数,其函数运算法则可以根据具体情况进行具体设定,可以为潜在热度值和已有热度值依据实际情况设置不同的权重,也可以设置为相同的权重。
举例说明,最终评测结果,目标对象的热度值记为objectHotValue,目标对象的已有热度值记为objectExisting HotValue,目标对象的潜在热度值记为objectCnnHotValue,二元函数objectHotValue=h(objectCnnHotValue,objectExistingHotValue),对于计算objectHotValue=h(objectCnnHotValue,objectExistingHot Value)的方法,具体为:
S11,对objectCnnHotValue和objectExistingHotValue都做归一化处理,使其取值范围为:
0.0<=objectCnnHotValue<=1.0;
0.0<=objectExistingHotValue<=1.0;
S12,令中间变量k0,
k0=(objectCnnHotValue-1.0)*(objectCnnHotValue-1.0);
k1=(objectExistingHotValue-1.0)*(objectExistingHotValue-1.0);
S13,objectHotValue=h(objectCnnHotValue,objectExistingHot Value)=h(k0,k1)=sin(2*(c0*k0+c1*k1))/(c0*k0+c1*k1);
其中,参数c0和c1代表对已有热度和潜力热度的不同权值考虑,c0和c1取值均为0.0~1.0,且c0+c1=1.0,例如c0=0.4,c1=0.6;例如c0=0.3,c1=0.7。
需要说明的是,该方法还可适用于还未有用户行为数据的目标对象,例如,待挖掘的新人,未被网民关注的主播,等等,针对这些目标对象,计算得到对应的已有热度值为0,即objectExistingHotValue=0即可。
利用本申请实施例,既可以对已经产生一定用户行为数据的目标对象进行评测,以评测其在网络中的走红流行指数,又能够对纯粹的新人,即没有任何用户行为数据的目标对象进行评测,以评测其在网络中的走红流行指数,该方法不依赖于人的主观意志,而是从实际的图像数据为基准进行数据分析,使得评测的效率高,评测结果的可靠性强。
考虑到,一些网红经济公司、直播平台等企业,会对大量的目标对象进行评测,以根据评测结果从中选拔一些优质人才,进行重点培养。因此,为了给选拔者提供更可靠的数据,为了提高选拔效率,本申请实施例还提供了另一种方法,该方法是在图3所示基础上,还可以增加以下步骤:
306,按照目标对象的潜在热度值的大小关系,对多个目标对象进行排序。
在本申请实施例中,若计算的到目标对象的热度值,则根据目标对象的热度值的大小关系,对目标对象进行排序。
在本申请实施例中,给出了几种可选的排序方式,一种方式是按照热度值由大到小的顺序对目标对象进行排序,记录当前目标对象的排名位置。则用户根据目标对象的排名位置即可知道该目标对象在网络中的热度排名情况。另一种方式是,计算所有被评测的目标对象的热度值的平均值,计算当前目标对象的热度值与平均值的差距,记录当前目标对象的热度值高于平均值的百分比,或者低于该平均值的百分比。还有一种可选的方式,分别计算被评测的目标对象的潜在热度值、已有热度值、热度值各自对应的平均值,基于每种热度值对应的平均值分别对当前目标对象进行排序,记录当前目标对象的每种热度值与平局值之间的差距。
在具体实现时,针对一个目标对象排序处理后,可展示该目标对象的评测结果,具体显示结果如图4所示,可展示该目标对象的基本信息、用户行为数据(x,y,z),已有热度值n,潜在热度值m,热度值H(n,m),以及当前系统中所有目标对象的平均热度值Average,以方便用户根据这些信息衡量自己的流行情况。
在具体实现时,针对直播平台或者经纪公司等企业用户,其目标对象数量较多,因此,在对大量的目标对象进行热度评测之后,可以按照热度值大小对目标对象进行排序,根据排序结果展示目标对象的评测结果,具体显示结果如图5所示,可展示目标对象名称、目标对象热度值排名i、热度值H(ni,mi)、潜在热度值mi、已有热度值ni,等等。当目标对象数量较大无法一页显示完毕时,则可分页显示,另外,若目标对象有男性和女性时,可分类显示,用户可通过相关控件查看对应的评测结果。
为了使得上述目标对象的热度评测方法能够达到更好的评测效率和更准确的评测结果,本申请实施例还提供了一种热度评测模型的训练方法,下面对该方法进行解释说明。
参见图6,图6示出了本申请实施例提供的一种热度评测模型的训练方法的流程图,该方法包括以下步骤:
601,采集训练数据,所述训练数据包括:多个对象的包含人体特征的图像和与每个对象相关的用户行为数据;
在本申请实施例中,在采集训练数据时优先采集在网络中已经具有一定网络热度的对象的相关数据,例如采集直播平台中的优质主播的图像和相关的用户行为数据,再例如采集网络中具有较高粉丝量的网络红人,等等。
其中,该图像可以是人体全身照,也可以是手部照,脚部照,上半身照,腿部照,背部照,脸部照,等等,只有其包含人体一部分或者全部特征即可。在具体实现时,考虑到人们的审美首先会定位在脸部特征,因此,可选的该图像为包含脸部特征的脸部图像。但需要说明是,对图像所包含的人体特征的具体形式,本申请实施例并不作限定。
602,采用深度学习算法对所述训练数据进行遍历性训练得到热度评测模型,以用于评测目标对象的潜在热度。
在本申请实施例提出一种可选的训练方式,具体的,采用深度学习算法建立卷积神经网络模型,利用所述训练数据对所述卷积神经网络模型进行训练,将训练后的卷积神经网络模型作为热度评测模型。
在本申请实施例中,采集到大量的训练数据之后,采用深度学习算法对这些训练数据进行遍历性训练以训练得到热度评测模型,该方法将真实的网络中已经走红的对象的包含人体特征的图像和相关用户行为数据作为训练数据,训练数据的数据真实性保证了模型的可靠性,再者该方法提出了人体特征带给网民的视觉印象是决定对象走红流程趋势的核心因素,因此,提出了将包含人体特征的图像作为训练数据来训练模型,能够使得该模型就有较高的适用性。
考虑到在实际网络环境中,大众对于男性和女性有不同的审美标准,例如,女性的娃娃脸比较流行,而男性的国字脸比较流行;因此,在训练热度评测模型时,提出针对不同的性别训练不同的模型,以使得在实际的热度评测时,更有针对性的进行评测,提高评测结果的准确性。
具体的,步骤601的基础上,还可以增加如下步骤:
按照对象的性别对所述训练数据进行分类得到第一类训练数据和第二类训练数据;
则步骤602具体为:
采用深度学习算法对所述第一类训练数据和所述第二类训练数据分别进行训练,得到适用于对男性目标对象进行热度评测的热度评测模型和适用于对女性目标对象进行热度评测的热度评测模型。
在具体训练过程中,推荐将男性样本和女性样本分成两组进行训练,分别得到不同的热度评测模型HotModel0和HotModel1。不论分成两组分别进行训练,或是男女样本数据混合在一起进行训练,其训练步骤和方法都是相同的,不同的只是输入的样本数据和训练得到的模型参数。
下面对步骤602的具体实现进行解释说明,步骤602可以包括
根据所述训练数据中每个对象的用户行为数据计算每个对象各自对应的理论热度值;
采用深度学习算法对训练数据中图像进行训练得到一个图像对应的热度值,作为迭代热度值;
根据一个图像对应的对象的理论热度值和迭代热度值的差值,对深度学习算法建立的模型中参数进行调整,再利用调整后的模型对下一个图像进行训练,将所有图像训练完毕时的模型作为热度评测模型。
在具体实现时,可以基于卷积神经网络模型来训练热度评测模型,则采用深度学习算法进行学习时,具体是针对训练数据中的每一张图像进行学习,每学习一次对卷积神经网络模型的模板参数调整更新一次,最终遍历了所有的训练数据之后,训练得到热度评测模型,下面对单个图像的训练过程进行解释说明。
参见图7,图7示出了对单个图像进行训练的方法流程图,该方法是以人脸图像作为训练数据为例进行说明,该方法包括以下步骤:
701,通过人脸检测算法检测图像中的人脸;
在具体检测时,如果图像中包含人脸,则根据得到的该图像中的人脸位置,裁剪得到正好包含人脸的正方形图像,并将其缩放至预设的像素尺寸,例如96*96像素的尺寸。如果图像中没有人脸,则认为此图像为无效样本,不对训练结果产生影响,直接结束对此图像样本的处理过程,并返回状态量bIfSuccess为false。
702,通过使用32个5*5的卷积模板(记为A1~A32),对人脸图像进行卷积处理,得到32张92*92的局部特征图。
在本申请实施例中提出了三层卷积模板,但本申请实施例的实现并不局限于三层卷积模板,也可以是两层,或者更多层。下面仅以三层卷积模板为例进行说明。
其中,卷积模板A1~A32为模板参数,这些模板参数的具体数值在每一次训练过程中都会被不断的动态调整,最后一次训练后,模板参数则被确定,以用于在对目标对象的热度评测时使用。该卷积模型为卷积神经网络模型中的第一层卷积模板,在实际应一种,卷积模板是为了局部特征提取,一旦一个特征被提取处理,就相当于其他特征的位置被近似保留下来,弱化了它精确位置的重要性,突出了特征本身。
703,通过使用64个5*5卷积模板(记为B1~B64),对92*92的局部特征图进行卷积处理,得到64张88*88的细化局部特征图。
其中,卷积模板B1~B64为模板参数,这些模板参数的数值在每一次训练过程中都会被不断的动态调整,最后一次训练后,模板参数则被确定,以用于在对目标对象的热度评测时使用。704,通过2*2的池化模板对细化局部特征图进行池化处理,得到64张44*44的降维局部特征图。
在实际操作中,该池化模板可以设计为取4个相邻像素的最大值或均值。该池化模板设置在卷积模板之后,池化层也叫降采样层,即将小邻域内的特征点整合得到新的特征;通过池化模板来降低卷积层输出的特征向量,同时改善卷积层可能出现的过拟合的结果。
705,通过使用128个5*5的卷积模板(记为C1~C128),对上一步得到的降维局部特征图进行卷积处理,得到128张50*50像素细化局部特征图。
其中,卷积模板C1~C128为模板参数,这些模板参数的数值在每一次训练过程中都会被不断的动态调整,最后一次训练后,模板参数则被确定,以用于在对目标对象的热度评测时使用。
706,通过2*2的池化模板对细化局部特征图进行池化处理,得到128张20*20像素降维局部特征图。
其中,该池化模板可以为取4个相邻像素的最大值或者均值。707,将128张降维局部特征图拼接成一个向量,将其输入包含w个神经元的全连接层中,得到一个w长度的一维向量。
在具体实现时,w可以取值为200~400中的任一个值,则w个神经元的激励函数可采用经典的修正线性单元(ReLU)函数。
708,将一维向量输入softmax分类器,得到归一化的热度值hotValue。
709,设置返回状态量bIfSuccess为true,并返回hotValue值。
通过上述图7所示的单个图像的训练过程,可知通过704是通过当前的卷积神经网络模型对图像进行处理得到该图像对应的热度值,其是一个测量值。在图6所示的训练方法中,通过用户行为数据计算目标对象的理论热度值,理论热度值与预测的测量值之间必定有一定的差距,模型训练过程就是通过对卷积模板参数的调整,使得经过模型评测的热度值能够逼近理论值,能反映出实际情况。
即,对训练数据中的每个图像按照上文图7所示方法进行处理,再利用调整后的卷积神经网络模型对下一个图像进行训练,以此循环,直到遍历所有的图像。
由于,图像对应的理论热度值与计算的迭代热度值之间的差值,表示的是该卷积神经网络学习结果与真实情况之间的差异,根据该差值对卷积神经网络模型的模板参数进行调整,使得调整后的模型性能更好,更稳定,利用调整后的模型对目标对象进行评测,其评测结果更贴近真实情况。
下面通过一个具体实例对如何训练热度评测模型进行示例性说明。参见图8图8为热度评测模型的方法一种实现过程示例图,该方法包括:
801,初始化工作,准备待训练数据,并将待训练的图像个数记为M,并令iUnProcessedCnt=M。
802,对待训练样本集中的所有主播(编号为vip_j,j=1,2,…N),对其用户数x、用户观看量y、用户点赞数z等用户行为数据,根据数学模型f(x,y,z,…)计算得到该主播对应的理论热度值hot_j(j=1,2,…N)。
在实际操作中,函数f的定义可以根据不同平台偏重点的不同而有所不同,例如:一种最简单的实现方式是将f定义为对所有用户行为变量x,y,z,…的加权求和,而对于最能反应该主播热度的变量取较大权重。
803,如果待训练样本集中的样本个数iUnProcessedCnt>0,就不断重复以下步骤804到步骤809。
804,从待训练样本集中取出下一个样本图像Image_i(i=1,2,…M)。对Image_i,执行上文所描述的图7所示的“单个样本图像处理过程”。若该“单个样本图像的处理过程”返回状态为ture,则执行步骤805到步骤809;否则直接执行步骤809。其中,单个样本图像的处理过程可参见图7所示流程。
805,将该“单个样本图像的处理过程”计算得到的hotValue记为当前训练过程中的迭代热度值hot_iteration_i,即hot_iteration_i=hotValue。
806,从样本集中取出图像Image_i对应的主播的编号vip_j和理论热度值hot_j。
807,计算hot_iteration_i与理论热度值hot_j的差值,记为误差delta_i,delta_i=hot_iteration_i-hot_j。
808,使用经典的最小化均方误差代价函数,反向地对上文描述的“单个样本图像的正向处理过程”中各层的模板值进行调整。
在实际操作中可使用BP反向传播算法来实现,具体的BP反向传播算法分为两步进行,正向传播:输入的样本从输入层经过隐单元一层一层进行处理,通过所有的隐层之后,传向输出层;反向传播:把误差信号按原来正向传播的通路反向传回,并对每个隐层的各个神经元的权系数进行修改,以使误差信号趋向最小。BP算法的实质是,求取误差函数最小值问题,符合步骤708的使用需求。
809,从待训练样本集中删除图像Image_i,且令iUnProcessedCnt=iUnProcessedCnt-1。
本申请实施例提供的热度评测模型的训练方法,根据深度学习算法对训练数据进行训练得到热度评测模型,该热度评测模型是以包含人体特征的图像为输入,以目标对象对应的热度值为输出的一种数学模型,利用该热度评测模型对目标对象进行评测时,能够评测出根据人体特征所表现出来该目标对象的流行指数。
与上述图3所示方法相对应的,本申请实施例还提供了一种热度评测装置,下面对该装置进行解释说明。
参见图9,图9为本申请实施例提供的一种热度评测装置的结构图,如图9所示,该装置包括:
获取模块901,用于获取目标对象的包含人体特征的图像;
处理模块902,用于对所述图像进行图像处理得到所述图像对应的热度值;
计算模块903,用于根据所述图像对应的热度值计算所述目标对象的潜在热度值。
可选的,所述处理模块,具体用于利用预先训练的热度评测模型对所述图像进行图像处理得到所述图像对应的热度值。
可选的,所述热度评测模型是通过深度学习算法对训练数据进行训练得到的卷积神经网络模型。
可选的,所述图像为包含脸部特征的脸部图像。
可选的,所述装置还包括:
第二计算模块,用于根据所述目标对象的用户行为数据计算所述目标对象的已有热度值,所述用户行为数据是与所述目标对象相关的、表征网络交互行为的数据;
第三计算模块,用于根据所述目标对象的潜在热度值和所述目标对象的已有热度值,计算所述目标对象的热度值。
可选的,所述第二计算模块,包括:
根据所述目标对象的用户行为数据统计表征目标对象被用户关注程序的人气参数;
根据所述人气参数计算得到所述目标对象的已有热度值。
可选的,所述获取模块,包括:
获取目标对象的多个不同人体角度的图像;
则所述计算模块具体用于对所述目标对象的每个图像对应的热度值进行加权平均运算得到所述目标对象的潜在热度值。
可选的,所述装置还包括:
第二获取模块,用于获取所述目标对象的性别类型;
则所述处理模块具体用于从预先训练的热度评测模型中选择适用于所述目标对象的性别类型的热度评测模型,利用所选的热度评测模型对所述目标对象的图像进行图像处理得到所述图像对应的热度值。
可选的,所述装置还包括:
排序模块,用于按照目标对象的潜在热度值的大小关系,对多个目标对象进行排序。
需要说明的是,本申请实施例提供的一种热度评测装置的各个功能模块的实现可参见上文图3所示方法实施例的各步骤的实现,此处不再赘述。
与上述图6所示方法相对应的,本申请实施例还提供了一种热度评测模型的训练装置,下面对该装置进行解释说明。
参见图10,图10为本申请实施例提供的一种热度评测模型的训练装置,该装置包括:
采集模块1001,用于采集训练数据,所述训练数据包括:多个对象的包含人体特征的图像和与每个对象相关的用户行为数据;
训练模块1002,用于采用深度学习算法对所述训练数据进行遍历性训练得到热度评测模型,以用于评测目标对象的潜在热度值。
可选的,所述图像为包含脸部特征的脸部图像。
可选的,所述训练模块,具体用于采用深度学习算法建立卷积神经网络模型,利用所述训练数据对所述卷积神经网络模型进行训练,将训练后的卷积神经网络模型作为热度评测模型。
可选的,所述装置还包括:
分类模块,用于按照对象的性别对所述训练数据进行分类得到第一类训练数据和第二类训练数据;
则所述训练模块,具体用于采用深度学习算法对所述第一类训练数据和所述第二类训练数据分别进行训练,得到适用于对男性目标对象进行热度评测的热度评测模型和适用于对女性目标对象进行热度评测的热度评测模型。
可选的,所述训练模块包括:
计算子模块,用于根据所述训练数据中每个对象的用户行为数据计算每个对象各自对应的理论热度值;
训练子模块,用于采用深度学习算法对训练数据中图像进行训练得到一个图像对应的热度值,作为迭代热度值;
调整子模块,用于根据一个图像对应的对象的理论热度值和迭代热度值的差值,对深度学习算法建立的模型中参数进行调整,以使所述训练子模块再利用调整后的模型对下一个图像进行训练,将所有图像训练完毕时的模型作为热度评测模型。
需要说明的是,本申请实施例提供的一种热度评测模型的训练装置的各个功能模块的实现可参见上文图6所示方法实施例的各步骤的实现,此处不再赘述。
本申请实施例还提供了一种热度评测方法,该方法可以以客户端的形式应用中终端中,为用户提供热度评测服务,下面对该方法进行解释说明。
参见图11,图11为本申请实施例提供的一种热度评测方法的流程图,如图11所示,该方法包括以下步骤:
步骤1101,接收用户上传的图像,所述图像是包含用户人体特征的图像。
用户在自己的终端设备上,安装用于实现该热度评测方法的客户端,其中,终端设备可以是手机、平板电脑等,客户端可以是应用程序,也可以是已有应用程序的功能模块。
用户想要评测自己在网络中的热度时,上传自己的图像,在本申请实施例中,客户端可以支持拍照上传图像的方式,也可以支持从终端本地选择图像进行上传的方式,还可以支持通过终端间的图像传输上传图像的方式。
举例说明,用户可以在终端本地相册中选择图像,用户一次可以上传一张图像也可以上传多张图像;再例如,用户可以启动终端上的相机拍摄自己的照片,将拍摄的图像进行上传;再例如,用户通过终端之间的数据传输,例如通过蓝牙、数据线等方式,将另一终端中的图像上传到用户终端上。当然,本申请实施例对上传图像的方式不作具体限定。
举例说明,用户甲可以在手机上安装实现该热度评测方法的客户端,记为热度评测APP,用户甲觉得自己的手部比较修长、美观,想要评测一下自己能不能当手模,通过该热度评测APP就能够实现对用户甲在网络中的走红趋势。用户甲启动该热度评测APP,然后选择“上传照片”→“拍照”;拍摄完一组不同角度的手部图像后,点击“上传”;上传完成后,热度评测APP的界面上回弹出的“上传成功!”的消息,则该热度评测APP通过对图像处理得出该用户甲的潜在热度值,为用户甲显示其潜在热度值,这样,用户甲就能够了解到自己会走红的概率。
需要说明的是,用户上传到客户端上的图像,可以是一张图像,也可以是多张图像;当上传的为多张图像时,可以是多张体现相同人体特征的图像,也可以是多张体现不同人体特征的图像。
需要说明的是,在本申请实施例中,该图像是指包含人体特征的图像,例如,脸部图像、手部图像、脚部图像等。在具体实现时,由于用户失误,上传的图像也可能不是脸部图像,针对这种情况,本申请实施例还可以对接收到的图像进行识别,若该图像不包含人体特征,则反馈提示信息,以提示用户重新上传包含人体特征的图像。例如,比如,用户失误上传一个风景图,则识别出该风景图不包含人体特征,此时,显示文字提示信息,该提示信息为,请上传包含人体特征的图像,比如,脸部图像;用户根据该提示信息可以重新上传图像。
步骤1102,对所述图像进行图像处理得到所述图像对应的热度值。
步骤1103,根据所述图像对应的热度值计算所述用户的潜在热度值。
上述步骤1102和步骤1103中具体的实现,可以参见上文方法实施例中相关步骤的描述,此处不再赘述。
通过本申请实施例提供的方法,用户仅通过上传自己的图像,就能够快速获知自己未来在网络中的走红趋势。
考虑到在实际应用中,很多网红挖掘公司需要面试大量的人来挖掘网红,耗费大量的人力,其挖掘效率还不高,基于此,本申请实施例还提供了一种可选的实现方式,具体是在上述方法的基础上,还可以增加如下步骤:
向服务器发送所述用户的图像和所述用户的潜在热度值。
在具体实现时,终端可以周期性地向服务器发送一个周期内的用户的图像以及用户的潜在热度值;例如,终端先将接收到的用户的图像和评测得到的用户的潜在热度值,在本地缓存;当周期时间到达时,将一个周期内缓存的用户的图像和用户的潜在热度值一并向服务器发送。终端也可以实时地向服务器发送用户的图像和用户的潜在热度值。
利用该实现方式能够快速有效地收集用户的图像和用户的潜在热度值,有效地为网红挖掘工作者提供真实可靠地数据,提高挖掘效率。
与上述图11所示方法相对应的,本申请实施例还提供了一种热度评测装置,下面对该装置进行解释说明。
参见图12,图12为本申请实施例提供的一种热度评测装置的结构图,该装置包括:
接收模块1201,用于接收用户上传的图像,所述图像是包含用户人体特征的图像;
处理模块1202,用于对所述图像进行图像处理得到所述图像对应的热度值;
计算模块1203,用于根据所述图像对应的热度值计算所述用户的潜在热度值。
需要说明的是,本申请实施例提供的一种热度评测装置的各个功能模块的实现可参见上文图11所示方法实施例的各步骤的实现,此处不再赘述。
本申请实施例还提供了一种热度评测方法,该方法可以以服务端的形式应用于服务器,以为用户提供热度评测信息查询服务,下面对该方法进行解释说明。
参见图13,图13为本申请实施例提供的一种热度评测方法的流程图,如图13所示,该方法包括以下步骤:
步骤1301,保存用户的热度相关信息,所述热度相关信息包括:用户的图像和用户的潜在热度值。
在具体实现时,服务器接收终端发送的用户的图像和用户的潜在热度值,将这些信息作为用户的热度相关信息保存起来,从而为网红挖掘工作提供真实可靠的数据依据。服务器可以周期性接收终端发送的热度相关信息,也可以实时地接收终端发送的热度相关信息。服务器可以在本地存储器中保存用户的热度相关信息,也可以在云端数据库中进行保存。
步骤1302,响应于查询请求,反馈用户的热度相关信息。
在具体实现时,服务器可以提供查询界面,在该查询界面上显示可选的查询因子以及查询控件,当用户需要查询热度相关信息时,可以选择一些查询因子通过触发查询控件发起查询请求;服务器接收到查询请求后,从数据库中查找该查询请求所需要的热度相关信息,并反馈给用户。
这里的查询因子,可以包括:用户的个人属性信息,例如,年龄、身高、体重、学历、肤色等等,也可以包括:用户的个人图像等。当然,用户在实际查询时,也可以不选择查询因子,而是直接触发查询控件,则服务器可以根据用户的潜在热度值的高低顺序反馈对应的热度相关信息,也可以根据被查看的次数的高低顺序反馈对应的热度相关信息。当然,服务器也可以从数据库中随机地读取一些热度相关信息进行反馈。
考虑到在实际应用中,服务器中会存储海量的信息,为了方便用户查询,提高数据查询效率,服务器可以通过以下方式进行信息存储,该方式包括:
根据用户属性信息对用户的热度相关信息进行分类存储;
则所述响应于查询请求,反馈用户的热度相关信息,包括:
接收查询请求,所述查询请求包括特定用户属性信息;
查询属于所述特定用户属性信息的用户的热度相关信息,反馈查询到的热度相关信息。
在具体实现时,服务器在接收到客户端发送的用户的热度相关信息后,按照用户属性信息对热度相关信息进行分类存储。
其中,用户属性信息包括:出生年份、性别、身高、体重、发型、肤色、籍贯、人体特征区域(如脸部、手部、腿部等等)等一种或者多种信息。例如,服务器按照“性别+人体特征区域”对用户的热度相关信息进行分类保存,则按照以下几个类型进行保存:男性脸部、女性脸部、男性手部、女性手部等等。
基于此,服务器向用户提供查询界面,在该查询界面上显示可选的用户属性信息和查询控件,可选的用户属性信息是根据服务器的实际分类情况而确定的;用户根据实际查询需求,选择特定的用户属性信息并触发查询控件,则生成携带有特定的用户属性信息的查询请求,服务器响应该查询请求,为用户反馈相应的热度相关信息。
例如,用户选择的特定的用户属性信息为“男性+手部”,则生成的查询请求包括该特定的用户属性信息,服务器接收到查询请求后,为用户反馈符合该特定的用户属性信息的用户的热度相关信息。
通过本申请实施例提供的方法,为用户提供快速查询用户热度相关信息的服务,为网红挖掘工作者提供真实的、可靠地数据依据,以提高挖掘工作效率。
与上述图13所示方法相对应的,本申请实施例还提供了一种热度评测装置,下面对该装置进行解释说明。
参见图14,图14为本申请实施例提供的一种热度评测装置,该装置包括:
保存模块1401,用于保存用户的热度相关信息,所述热度相关信息包括:用户的图像和用户的潜在热度值;
反馈模块1402,用于响应于查询请求,反馈用户的热度相关信息。
需要说明的是,本申请实施例提供的一种热度评测装置的各个功能模块的实现可参见上文图13所示方法实施例的各步骤的实现,此处不再赘述。
需要说明的是,本说明书中的各个实施例均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的部分互相参见即可。对于装置类实施例、系统类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
最后,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。
以上对本申请实施例所提供的一种热度评测模型的训练方法、一种热度评测方法,以及相关设备进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (23)
1.一种热度评测系统,其特征在于,包括:
图像采集装置,用于获取目标对象的包含人体特征的图像;
热度评测装置,用于根据所述目标对象的包含人体特征的图像,经过图像处理得到所述目标对象的潜在热度值。
2.一种热度评测模型的训练方法,其特征在于,包括:
采集训练数据,所述训练数据包括:多个对象的包含人体特征的图像和与每个对象相关的用户行为数据;
采用深度学习算法对所述训练数据进行遍历性训练得到热度评测模型,以用于评测目标对象的潜在热度。
3.根据权利要求2所述方法,其特征在于,
所述图像为包含脸部特征的脸部图像。
4.根据权利要求2所述方法,其特征在于,所述采用深度学习算法对所述训练数据进行遍历性训练得到热度评测模型,包括:
采用深度学习算法建立卷积神经网络模型,利用所述训练数据对所述卷积神经网络模型进行训练,将训练后的卷积神经网络模型作为热度评测模型。
5.根据权利要求2所述方法,其特征在于,所述方法还包括:
按照对象的性别对所述训练数据进行分类得到第一类训练数据和第二类训练数据;
则所述采用深度学习算法对所述训练数据进行遍历性训练得到热度评测模型,包括:
采用深度学习算法对所述第一类训练数据和所述第二类训练数据分别进行训练,得到适用于对男性目标对象进行热度评测的热度评测模型和适用于对女性目标对象进行热度评测的热度评测模型。
6.根据权利要求2所述方法,其特征在于,所述采用深度学习算法对所述训练数据进行遍历性训练得到热度评测模型,包括:
根据所述训练数据中每个对象的用户行为数据计算每个对象各自对应的理论热度值;
采用深度学习算法对训练数据中图像进行训练得到一个图像对应的热度值,作为迭代热度值;
根据一个图像对应的对象的理论热度值和迭代热度值的差值,对深度学习算法建立的模型中参数进行调整,再利用调整后的模型对下一个图像进行训练,将所有图像训练完毕时的模型作为热度评测模型。
7.一种热度评测方法,其特征在于,包括:
获取目标对象的包含人体特征的图像;
对所述图像进行图像处理得到所述图像对应的热度值;
根据所述图像对应的热度值计算所述目标对象的潜在热度值。
8.根据权利要求7所述方法,其特征在于,
利用预先训练的热度评测模型对所述图像进行图像处理得到所述图像对应的热度值。
9.根据权利要求8所述方法,其特征在于,
所述热度评测模型是通过深度学习算法对训练数据进行训练得到的卷积神经网络模型。
10.根据权利要求7所述方法,其特征在于,
所述图像为包含脸部特征的脸部图像。
11.根据权利要求7所述方法,其特征在于,所述方法还包括:
根据所述目标对象的用户行为数据计算所述目标对象的已有热度值,所述用户行为数据是与所述目标对象相关的、表征网络交互行为的数据;
根据所述目标对象的潜在热度值和所述目标对象的已有热度值,计算所述目标对象的热度值。
12.根据权利要求11所述方法,其特征在于,所述根据所述目标对象的用户行为数据计算所述目标对象的已有热度值,包括:
根据所述目标对象的用户行为数据统计表征目标对象被用户关注程序的人气参数;
根据所述人气参数计算得到所述目标对象的已有热度值。
13.根据权利要求7所述方法,其特征在于,所述获取目标对象的图像,包括:
获取目标对象的多个不同人体角度的图像;
则所述根据所述图像对应的热度值计算所述目标对象的潜在热度值,包括:
对所述目标对象的每个图像对应的热度值进行加权平均运算得到所述目标对象的潜在热度值。
14.根据权利要求8所述方法,其特征在于,所述方法还包括:
获取所述目标对象的性别类型;
则所述利用预先训练的热度评测模型对所述图像进行图像处理得到所述图像对应的热度值,包括:
从预先训练的热度评测模型中选择适用于所述目标对象的性别类型的热度评测模型,利用所选的热度评测模型对所述目标对象的图像进行图像处理得到所述图像对应的热度值。
15.根据权利要求7所述方法,其特征在于,在对多个目标对象进行热度评测之后,所述方法还包括:
按照目标对象的潜在热度值的大小关系,对多个目标对象进行排序。
16.一种热度评测模型的训练装置,其特征在于,包括:
采集模块,用于采集训练数据,所述训练数据包括:多个对象的包含人体特征的图像和与每个对象相关的用户行为数据;
训练模块,用于采用深度学习算法对所述训练数据进行遍历性训练得到热度评测模型,以用于评测目标对象的潜在热度值。
17.一种热度评测装置,其特征在于,包括:
获取模块,用于获取目标对象的包含人体特征的图像;
处理模块,用于对所述图像进行图像处理得到所述图像对应的热度值;
计算模块,用于根据所述图像对应的热度值计算所述目标对象的潜在热度值。
18.一种热度评测方法,其特征在于,包括:
接收用户上传的图像,所述图像是包含用户人体特征的图像;
对所述图像进行图像处理得到所述图像对应的热度值;
根据所述图像对应的热度值计算所述用户的潜在热度值。
19.根据权利要求18所述方法,其特征在于,所述方法还包括:
向服务器发送所述用户的图像和所述用户的潜在热度值。
20.一种热度评测装置,其特征在于,包括:
接收模块,用于接收用户上传的图像,所述图像是包含用户人体特征的图像;
处理模块,用于对所述图像进行图像处理得到所述图像对应的热度值;
计算模块,用于根据所述图像对应的热度值计算所述用户的潜在热度值。
21.一种热度评测方法,其特征在于,包括:
保存用户的热度相关信息,所述热度相关信息包括:用户的图像和用户的潜在热度值;
响应于查询请求,反馈用户的热度相关信息。
22.根据权利要求21所述方法,其特征在于,还包括:
根据用户属性信息对用户的热度相关信息进行分类存储;
则所述响应于查询请求,反馈用户的热度相关信息,包括:
接收查询请求,所述查询请求包括特定用户属性信息;
查询属于所述特定用户属性信息的用户的热度相关信息,反馈查询到的热度相关信息。
23.一种热度评测装置,其特征在于,包括:
保存模块,用于保存用户的热度相关信息,所述热度相关信息包括:用户的图像和用户的潜在热度值;
反馈模块,用于响应于查询请求,反馈用户的热度相关信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710980272.6A CN109685090A (zh) | 2017-10-19 | 2017-10-19 | 热度评测模型的训练方法、热度评测方法以及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710980272.6A CN109685090A (zh) | 2017-10-19 | 2017-10-19 | 热度评测模型的训练方法、热度评测方法以及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109685090A true CN109685090A (zh) | 2019-04-26 |
Family
ID=66183155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710980272.6A Pending CN109685090A (zh) | 2017-10-19 | 2017-10-19 | 热度评测模型的训练方法、热度评测方法以及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109685090A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079529A (zh) * | 2019-11-07 | 2020-04-28 | 广州华多网络科技有限公司 | 信息提示方法、装置、电子设备及存储介质 |
CN112001434A (zh) * | 2020-08-14 | 2020-11-27 | 深圳世间乐见科技有限公司 | 一种颜值预测方法、装置、终端及介质 |
CN113298597A (zh) * | 2020-08-06 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 对象热度分析系统、方法及装置 |
CN115119044A (zh) * | 2021-03-18 | 2022-09-27 | 阿里巴巴新加坡控股有限公司 | 视频处理方法、设备、系统及计算机存储介质 |
CN116503791A (zh) * | 2023-06-30 | 2023-07-28 | 腾讯科技(深圳)有限公司 | 模型的训练方法、装置、电子设备及存储介质 |
-
2017
- 2017-10-19 CN CN201710980272.6A patent/CN109685090A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079529A (zh) * | 2019-11-07 | 2020-04-28 | 广州华多网络科技有限公司 | 信息提示方法、装置、电子设备及存储介质 |
CN113298597A (zh) * | 2020-08-06 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 对象热度分析系统、方法及装置 |
CN112001434A (zh) * | 2020-08-14 | 2020-11-27 | 深圳世间乐见科技有限公司 | 一种颜值预测方法、装置、终端及介质 |
CN115119044A (zh) * | 2021-03-18 | 2022-09-27 | 阿里巴巴新加坡控股有限公司 | 视频处理方法、设备、系统及计算机存储介质 |
CN115119044B (zh) * | 2021-03-18 | 2024-01-05 | 阿里巴巴新加坡控股有限公司 | 视频处理方法、设备、系统及计算机存储介质 |
CN116503791A (zh) * | 2023-06-30 | 2023-07-28 | 腾讯科技(深圳)有限公司 | 模型的训练方法、装置、电子设备及存储介质 |
CN116503791B (zh) * | 2023-06-30 | 2023-09-15 | 腾讯科技(深圳)有限公司 | 模型的训练方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685090A (zh) | 热度评测模型的训练方法、热度评测方法以及相关设备 | |
CN107481327B (zh) | 关于增强现实场景的处理方法、装置、终端设备及系统 | |
CN108009871B (zh) | 基于增强现实视点的产品推荐 | |
CN104965920B (zh) | 用于确定目标地址的方法和装置 | |
US9654593B2 (en) | Discovering signature of electronic social networks | |
CN109902708A (zh) | 一种推荐模型训练方法及相关装置 | |
CN108304435A (zh) | 信息推荐方法、装置、计算机设备及存储介质 | |
CN109086439A (zh) | 信息推荐方法及装置 | |
CN105184708B (zh) | 一种留学申请匹配方法及系统 | |
CN109416805A (zh) | 用于具有自动广告的媒体集的呈现的方法和系统 | |
CN103365936A (zh) | 视频推荐系统及其方法 | |
CN105874447A (zh) | 用于被引导用户动作的系统和方法 | |
CN110163076A (zh) | 一种图像数据处理方法和相关装置 | |
CN108197618A (zh) | 用于生成人脸检测模型的方法和装置 | |
CN112100221B (zh) | 一种资讯推荐方法、装置、推荐服务器及存储介质 | |
CN108920577A (zh) | 电视智能推荐方法 | |
CN108269128A (zh) | 广告的投放方法、装置、设备及存储介质 | |
CN110321863A (zh) | 年龄识别方法及装置、存储介质 | |
CN110366043A (zh) | 视频处理方法、装置、电子设备及可读介质 | |
CN108595493A (zh) | 媒体内容的推送方法和装置、存储介质、电子装置 | |
CN107885873A (zh) | 用于输出信息的方法和装置 | |
CN110428412A (zh) | 图像质量的评价及模型生成方法、装置、设备和存储介质 | |
CN108596520B (zh) | 一种餐厅选址优化方法及装置 | |
KR102432158B1 (ko) | 스포츠 이벤트 지원 플랫폼 서비스 제공 시스템 | |
JP2012078768A (ja) | 人物マッチング装置、方法及びプログラム |
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: 20190426 |