CN110825968A - 信息推送方法、装置、存储介质和计算机设备 - Google Patents
信息推送方法、装置、存储介质和计算机设备 Download PDFInfo
- Publication number
- CN110825968A CN110825968A CN201911063824.2A CN201911063824A CN110825968A CN 110825968 A CN110825968 A CN 110825968A CN 201911063824 A CN201911063824 A CN 201911063824A CN 110825968 A CN110825968 A CN 110825968A
- Authority
- CN
- China
- Prior art keywords
- user
- image data
- color
- information
- determining
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 230000002996 emotional effect Effects 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000008451 emotion Effects 0.000 claims description 121
- 239000013598 vector Substances 0.000 claims description 44
- 238000003066 decision tree Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 10
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 238000012546 transfer Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000005266 casting Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种信息推送方法、装置、存储介质和计算机设备，所述方法包括：获取用户选择图像历史记录，提取用户选择图像历史记录对应图像数据的显著图，根据显著图对图像数据中像素点参数进行加权处理，得到目标图像数据，根据预设的色彩参数信息确定目标图像数据中各像素点的颜色类别，根据各像素点的颜色类别确定目标图像数据的主色调参数，并根据主色调参数确定用户情感偏好，根据用户情感偏好确定待推送信息，推送待推送信息。本申请提供的方案可以实现信息的有效推送，提高有效信息推送效率。
Description
技术领域
本申请涉及数据处理技术领域，特别是涉及一种信息推送方法、装置、存储介质和计算机设备。
背景技术
随着计算机技术的发展，出现了信息推送技术。信息推送技术是指通过服务器向用户推送信息的技术，通过采用信息推送技术，使用户获取到有效信息。
传统的信息推送方法主要为通过大规模撒网的方式推送海量信息至用户，用户虽然可以获取到有效信息，但是在获取有效信息的过程用户需要剔除掉大量无意义的“噪音”信息，无法给用户带来便捷；另一方面，信息推送方无法将信息有针对性的推送至用户，有效信息推送效率低下。
例如，在对用户进行广告投放时，一方面，用户需要从海量广告信息中剔除掉大量无意义的广告信息，筛选出有效广告信息进行购买，另一方面，广告投放方只能投放海量广告信息至用户，无法将广告信息有针对性的推送至用户，有效信息推送效率低下。
发明内容
基于此，有必要针对有效信息推送效率低的技术问题，提供一种信息推送方法、装置、存储介质和计算机设备。
一种信息推送方法，包括：
获取用户选择图像历史记录，提取用户选择图像历史记录对应图像数据的显著图；
根据显著图对图像数据中像素点参数进行加权处理，得到目标图像数据；
根据预设的色彩参数信息确定目标图像数据中各像素点的颜色类别；
根据各像素点的颜色类别确定目标图像数据的主色调参数，并根据主色调参数确定用户情感偏好；
根据用户情感偏好确定待推送信息，推送待推送信息。
一种信息推送装置，包括：
提取模块，用于获取用户选择图像历史记录，提取用户选择图像历史记录对应图像数据的显著图；
加权模块，用于根据显著图对图像数据中像素点参数进行加权处理，得到目标图像数据；
分类模块，用于根据预设的色彩参数信息确定目标图像数据中各像素点的颜色类别；
处理模块，用于根据各像素点的颜色类别确定目标图像数据的主色调参数，并根据主色调参数确定用户情感偏好；
推送模块，用于根据用户情感偏好确定待推送信息，推送待推送信息。
一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取用户选择图像历史记录，提取用户选择图像历史记录对应图像数据的显著图；
根据显著图对图像数据中像素点参数进行加权处理，得到目标图像数据；
根据预设的色彩参数信息确定目标图像数据中各像素点的颜色类别；
根据各像素点的颜色类别确定目标图像数据的主色调参数，并根据主色调参数确定用户情感偏好；
根据用户情感偏好确定待推送信息，推送待推送信息。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现以下步骤：
获取用户选择图像历史记录，提取用户选择图像历史记录对应图像数据的显著图；
根据显著图对图像数据中像素点参数进行加权处理，得到目标图像数据；
根据预设的色彩参数信息确定目标图像数据中各像素点的颜色类别；
根据各像素点的颜色类别确定目标图像数据的主色调参数，并根据主色调参数确定用户情感偏好；
根据用户情感偏好确定待推送信息，推送待推送信息。
上述信息推送方法、装置、存储介质和计算机设备，获取用户选择图像历史记录，提取用户选择图像历史记录对应图像数据的显著图，并根据显著图对图像数据中像素点参数进行加权处理，能够得到特征显著的目标图像数据，进而根据预设的色彩参数信息确定目标图像数据中各像素点的颜色类别，并根据各像素点的颜色类别确定目标图像数据的主色调参数，根据主色调参数确定用户情感偏好，实现了基于对目标图像数据的颜色分析对用户情感偏好的确定，从而可以根据用户情感偏好确定待推送信息，推送待推送信息，实现了信息的有效推送，提高了有效信息推送效率。
附图说明
图1为一个实施例中信息推送方法的应用环境图；
图2为一个实施例中信息推送方法的流程示意图；
图3为一个实施例中双向信息传递模型的示意图；
图4为一个实施例中信息推送方法的示意图；
图5为另一个实施例中信息推送方法的示意图；
图6为一个实施例中信息推送方法的应用场景图；
图7为另一个实施例中信息推送方法的流程示意图；
图8为一个实施例中信息推送装置的结构框图；
图9为一个实施例中计算机设备的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
图1为一个实施例中信息推送方法的应用环境图。参照图1，该信息推送方法应用于信息推送系统。该信息推送系统包括终端110和服务器120。终端110和服务器120通过网络连接。服务器120获取用户选择图像历史记录，提取用户选择图像历史记录对应图像数据的显著图，根据显著图对图像数据中像素点参数进行加权处理，得到目标图像数据，根据预设的色彩参数信息确定目标图像数据中各像素点的颜色类别，根据各像素点的颜色类别确定目标图像数据的主色调参数，并根据主色调参数确定用户情感偏好，根据用户情感偏好确定待推送信息，推送待推送信息至终端110。终端110具体可以是台式终端或移动终端，移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
如图2所示，在一个实施例中，提供了一种信息推送方法。本实施例主要以该方法应用于上述图1中的服务器120来举例说明。参照图2，该信息推送方法具体包括如下步骤S202至S210。
步骤S202，获取用户选择图像历史记录，提取用户选择图像历史记录对应图像数据的显著图。
其中，用户选择图像历史记录是指用户自主选择图像的历史记录，即用户按照自己的喜好选择图像的历史记录。比如，用户选择图像历史记录具体可以是用户在使用应用程序时点击图像的历史记录。举例说明，用户在使用应用程序时点击图像之后，应用程序会生成一条用户选择图像记录，并将用户选择图像记录上传至与应用程序对应的服务器。用户选择图像历史记录对应图像数据是指用户所选择的图像对应的图像数据。比如，用户选择图像历史记录对应图像数据具体可以是用户在使用应用程序时点击的图像对应的图像数据。
图像数据是指图像参数，包括图像中各像素点的像素点参数。像素点参数是指用于表示像素点颜色的颜色标准参数值和颜色空间参数值。比如，像素点参数具体可以是用于表示像素点颜色的RGB(Red，Green，Blue，红色，绿色，蓝色)参数和HSV(Hue,Saturation,Value，色调，饱和度，明度)参数。显著图是指显示每个像素独特性的图像。显著图的目标在于将一般图像的表示简化或是改变为更容易分析的样式。举例来说，某个像素在一张彩色图中具有较高的灰阶，其会在显著图中以较为明显的方式被显示出来。视觉刺激的观点上，如果某些特征特别能够被捕捉到注意力，这样子的特性在心理学上被称为显著性。
在一个实施例中，获取用户选择图像历史记录，提取用户选择图像历史记录对应图像数据的显著图包括：
获取用户选择图像历史记录，根据用户选择图像历史记录获取携带像素点参数的图像数据；
对图像数据进行视觉显著性检测，提取图像数据的显著图。
其中，视觉显著性是指面对一个场景时，人类自动地对感兴趣区域进行处理而选择性地忽略不感兴趣区域，这些人们感兴趣区域被称之为显著性区域。视觉显著性检测指通过智能算法模拟人的视觉特点，提取图像中的显著区域(即人类感兴趣的区域)。
具体的，服务器会获取用户选择图像历史记录，根据用户选择图像历史记录获取用户选择图像标识，根据用户选择图像标识从预设的图像数据库中获取携带像素点参数的图像数据。用户选择图像标识是指用于识别用户选择图像的标识，比如，用户选择图像标识具体可以是图像标识码。预设的图像数据库中存储了与用户选择图像标识具有对应关系的图像数据，所以通过用户选择图像标识就可以从预设的图像数据库中获取携带像素点参数的图像数据。通过用户选择图像历史记录获取携带像素点参数的图像数据，并对图像数据进行视觉显著性检测，提取图像数据的显著图，能够确定用户感兴趣的显著性区域，从而为信息推送提供依据。
在一个实施例中，对图像数据进行视觉显著性检测，得到图像数据的显著图包括：
对图像数据进行多尺度特征提取，得到图像数据的多尺度特征图；
对各尺度特征图进行上下文特征提取，得到各尺度特征图的特征数据；
通过预设的门控双向信息传递网络，对各尺度特征图的特征数据进行信息整合，得到各尺度特征图的目标特征数据；
将各尺度特征图的目标特征数据进行特征融合，得到图像数据的显著图。
其中，多尺度特征提取是指从多个不同尺度对图像数据进行特征提取，通过多尺度特征提取，可以得到图像数据的多尺度特征图。比如，多尺度特征提取具体可以是采用多个不同膨胀率空洞卷积层进行空洞卷积。上下文特征提取是指对各尺度特征图进行上下文语义特征提取，通过卷积的方式，得到各尺度特征图的特征数据。门控双向信息传递网络用于通过双向信息传递，实现信息整合。在信息传递时，门控双向信息传递网络首先会对各尺度特征图分别做上、下采样，将低层尺度特征图的特征数据向高层尺度特征图传递，并将高层尺度特征图的特征数据向低层尺度特征图传递，然后再对两个方向传递来的特征数据进行信息融合，信息融合方式可以为将两个方向传递的特征图先拼接再卷积并进行relu(Rectified linear unit，修正线性单元)操作，最后，因为不同尺度下的特征图会有不同，因此在传递信息时需要加权处理，即添加门操作。通过这种方式，能够提取并融合不同尺度的特征，并有效利用上下文信息，从而得到高精度的数据图像的显著图。
具体的，服务器可以通过BMPM(Bi-directional Message Passing Model，双向信息传递模型)得到图像数据的显著图。BMPM的结构图如图3所示。该算法首先使用五个不同膨胀率空洞卷积层(Conv1-2、Conv2-2、Conv3-3、Conv4-3、Conv5-3、)分别进行空洞卷积，得到图像数据的多尺度特征图，接着通过MCFEM(Multi-scale Context-aware FeatureExtraction Module，多尺度情感感知特征提取模型)对各尺度特征图进行上下文语义特征提取，然后通过GBMP(Gated Bi-directional Message Passing，门控双向信息传递)采用双向流动的策略对各尺度的特征数据进行整合，最后由高层向底层特征融合得出图像数据的显著图(Saliency map)。
步骤S204，根据显著图对图像数据中像素点参数进行加权处理，得到目标图像数据。
其中，显著图中携带了各像素点的加权因子，用于表示各像素点的显著性。比如，加权因子具体可以是0～1范围内的任意float(浮点型)值。进行加权处理是指通过显著图中各像素点的加权因子对图像数据中各像素点的像素点参数进行加权处理，通过这种方式，能够得到显著性突出的目标图像数据。目标图像数据是指加权过后的图像数据。
步骤S206，根据预设的色彩参数信息确定目标图像数据中各像素点的颜色类别。
其中，色彩参数信息是指各颜色类别信息以及用于表示各颜色类别的颜色参数。比如，颜色参数具体可以是用于表示各颜色类别的RGB参数和HSV参数。如图4所示，为各颜色类别的示意图，在图4的示意图中包括130种颜色类别，每个颜色类别的颜色参数都不相同。各像素点的颜色类别与色彩参数信息中各颜色类别相对应。根据预设的色彩参数信息确定目标图像数据中各像素点的颜色类别即确定各像素点的颜色类别与色彩参数信息中各颜色类别的对应关系。
在一个实施例中，根据预设的色彩参数信息确定目标图像数据中各像素点的颜色类别包括：
根据目标图像数据中各像素点的像素点参数以及色彩参数信息中各颜色类别的颜色参数，获取各像素点与各颜色类别的余弦距离；
根据余弦距离确定目标图像数据中各像素点的颜色类别。
其中，余弦距离是指各像素点的像素点参数组成的像素点向量与各颜色类别的颜色参数组成的颜色类别向量之间的向量距离。
具体的，服务器会根据各像素点的像素点向量和各颜色类别的颜色类别向量，计算各像素点与各颜色类别的余弦距离，并根据余弦距离和预设的距离阈值确定目标图像数据中各像素点的颜色类别。距离阈值是指余弦距离基准值，距离阈值可按照需要自行设置，当像素点与某一颜色类别的余弦距离大于预设的距离阈值时，即可确定该颜色类别为像素点的颜色类别。当像素点同时与多个颜色类别的余弦距离均大于预设的距离阈值时，服务器会根据余弦距离对各颜色类别进行排序，确定与像素点的余弦距离最大的颜色类别为该像素点的颜色类别。通过这种方式，能够根据色彩参数信息中各颜色类别的颜色参数以及各像素点的像素点参数对各像素点进行分析，实现对各像素点的颜色类别的确定。
步骤S208，根据各像素点的颜色类别确定目标图像数据的主色调参数，并根据主色调参数确定用户情感偏好。
其中，主色调是指能够表示目标图像数据的主要颜色，它能够表示目标图像数据中图像色彩的总体倾向。主色调参数是指用于表示主色调的参数。比如，主色调参数具体可以是用于表示主色调的向量值，该向量值可以基于主色调和色彩参数信息进行编码得到。具体的，编码方式可以为One-Hot编码，One-Hot编码，又称为一位有效编码，主要是采用N位状态寄存器来对N个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效。举例说明，在色彩参数信息中包括多个颜色类别，在主色调参数中，每个颜色类别都可以用0或者1来表示，即主色调中包括的颜色类别用1来表示，主色调中未包括的颜色类别用0来表示，通过这种方式，就可以得到各主色调的主色调参数。
用户情感偏好是指色彩情绪，即与主色调对应的用户色彩情绪，通过对主色调参数进行分析就可以确定对应的色彩情绪。比如，用户情感偏好具体可以是漂亮的、休闲的、跳跃的、华丽的、种族的、浪漫的、自然的、优雅的、时髦的、传统的、上等的、正式的、清晰的、清爽的、时尚的等等。
在一个实施例中，根据各像素点的颜色类别确定目标图像数据的主色调参数，并根据主色调参数确定用户情感偏好包括：
根据各像素点的颜色类别进行颜色类别统计，并根据颜色类别统计结果对各颜色类别进行排序，确定目标图像数据的主色调；
对色彩参数信息中各颜色类别进行编号，并确定主色调中各颜色类别的编号，根据主色调中各颜色类别的编号对主色调进行编码，得到目标图像数据的主色调参数；
将主色调参数输入预设的用户情感偏好模型，确定用户情感偏好，用户情感偏好模型基于预设的携带情感偏好标签向量的样本色调数据得到。
其中，进行颜色类别统计即确定各像素点的颜色类别分布，统计各颜色类别在目标图像数据中出现的次数。颜色类别统计结果即各颜色类别在目标图像数据中出现的次数。根据颜色类别统计结果对各颜色类别进行排序即根据各颜色类别在目标图像数据中出现的次数对各颜色类别进行排序。通过对各颜色类别进行排序，可以确定在目标图像数据中出现次数较多的颜色类别，从而可以确定目标图像数据的主色调。具体的，可根据预设的主色调值确定目标图像数据的主色调，主色调值是指主色调数量。举例说明，当主色调值为3时，服务器会根据排序结果将在目标图像数据中出现次数最多的三个颜色类别作为主色调；当主色调值为4，服务器会根据排序结果将在目标图像数据中出现次数最多的四个颜色类别作为主色调。
其中，对色彩参数信息中各颜色类别进行编号是指给各颜色类别分配编号，举例说明，进行编号可以为给如图4所示的色彩参数信息中各颜色类别分配编号，分配的方式可以为随机分配，每个颜色类别的编号不同。由于主色调中各颜色类别都可以由色彩参数信息中的颜色类别进行表示，所以可以根据色彩参数信息中各颜色类别的编号确定主色调中各颜色类别的编号。根据主色调中各颜色类别的编号对主色调进行编码是指将主色调中各颜色类别对应的编号位标识出来，从而得到目标图像数据的主色调参数，具体的方式可以为将主色调中各颜色类别对应的编号位置为1，主色调中不存在的各颜色类别对应的编号位置为0。
举例说明，如图4所示，在色彩参数信息中包括130种颜色类别，则主色调参数具体可以是用于表示主色调的、由130个二进制数组成的向量值，每种颜色类别都有对应的编号，如果主色调中包括某颜色类别，则在主色调参数中该颜色类别对应的编号位的值为1。例如，如果主色调包括的三个颜色类别编号为1，3，6，则编码的过程为将编号1，3，6置为1，其他编号置为0，该主色调的主色调参数为10100100000…
其中，用户情感偏好模型是指用于根据主色调参数确定用户情感偏好的模型，该用户情感偏好模型基于预设的携带情感偏好标签向量的样本色调数据得到。情感偏好标签向量是指根据情感类别和用户情感偏好确定的向量。举例说明，情感偏好标签向量可以为维数与情感类别数量相同的向量，在该向量中，各维度与情感类别相对应，与用户情感偏好对应的情感类别的维度值为1，其他情感类别的维度值为0。样本色调数据是指服务器预先获取的样本色调参数，样本色调参数与主色调参数相似，是用于表示样本色调的参数。比如，样本色调参数具体可以是用于表示样本色调的数值。举例说明，在样本色调参数中，每个颜色类别都可以用0或者1来表示，即样本色调中包括的颜色类别用1来表示，样本色调中未包括的颜色类别用0来表示，通过这种方式，就可以得到各样本色调的样本色调参数。
具体的，用户情感偏好模型是基于预设的携带情感偏好标签向量的样本色调数据进行有监督学习得到的，训练的方式为：以样本色调数据作为输入，以样本色调数据的情感偏好标签向量作为期望输出，进行有监督学习，得到用户情感偏好模型。有监督学习是从标签化训练数据集中推断出函数的机器学习任务。在监督学习中，每一个例子都是一对由一个输入对象(通常是一个向量)和一个期望的输出值(也被称为监督信号)。比如，在本实施例中，输入对象具体是指样本色调数据，期望的输出值具体是指与样本色调数据对应的情感偏好标签向量。通过这种有监督学习的方式，可以得到能够准确预测用户情感偏好的用户情感偏好模型，因此，通过将主色调参数输入训练后的用户情感偏好模型，就可以得到准确地用户情感偏好。
在一个实施例中，将主色调参数输入预先训练好的用户情感偏好模型，确定用户情感偏好之前，还包括：
获取携带情感偏好标签向量的样本色调数据；
将样本色调数据输入预设的初始决策树中，得到样本色调数据的预测值；
根据情感偏好标签向量和预测值，得到损失函数；
根据损失函数和预设的迭代次数，对初始决策树进行迭代训练，得到用户情感偏好模型。
其中，决策树是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。在机器学习中，决策树是一个预测模型，它代表的是对象属性与对象值之间的一种映射关系。样本色调数据的预测值是指初始决策树的输出值，损失函数是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。在应用中，损失函数通常作为学习准则与优化问题相联系，即通过最小化损失函数求解和评估模型。预设的迭代次数可按照需要自行设置。
在一个实施例中，获取携带情感偏好标签向量的样本色调数据包括获取基于多色彩情感分析的色彩搭配数据，并根据色彩相似性和色彩搭配数据进行待训练数据扩充，得到携带情感偏好标签向量的样本色调数据。其中，多色彩情感分析是指结合心理学，对色彩搭配组合进行分析，确定各色彩搭配组合对应的情感偏好。色彩搭配数据是指基于多色彩情感分析得到的携带情感偏好标签向量的色彩搭配组合的集合。根据色彩相似性和色彩搭配数据进行待训练数据扩充，是指基于色彩相似性，确定与色彩搭配数据相似的色彩搭配组合，将色彩搭配数据对应的情感偏好作为该相似的色彩搭配组合的情感偏好。
在一个实施例中，根据色彩相似性和色彩搭配数据进行待训练数据扩充的方式可以为：随机调整色彩搭配数据中任意颜色的颜色参数，计算该颜色的颜色参数与调整后的颜色的颜色参数的余弦距离，当余弦距离大于预设的相似度阈值时，即可将调整后的颜色作为该颜色的相似颜色，进而根据该调整后的颜色和色彩搭配数据中其他未调整的颜色，得到新的色彩搭配数据，相似度阈值可根据需要自行设置。如图5所示，因为色彩搭配数据中包括多个颜色，每个颜色又包括多个颜色参数，通过这种方式进行扩充，能够得到丰富的样本色调数据，从而根据该样本色调数据进行模型训练，能够得到更准确的用户情感偏好模型。举例说明，对于一个参考颜色C，可以基于RGB和HSV两个色彩空间6维向量描述，定义为V1＝【Rc,Gc,Bc,Hc,Sc,Vc】，随机调整1-2个维度的值，假设调整后的色彩为C1，6维向量为V2＝【Rc1,Gc,Bc,Hc,Sc,Vc】，然后计算V1和V2的余弦距离D，如果D大于预设的相似度阈值,则将C1视为C的相似颜色。
在一个实施例中，根据情感偏好标签向量和预测值，得到损失函数包括：根据情感偏好标签向量和预测值得到残差值，根据残差值得到损失函数。残差值是指情感偏好标签向量和预测值的差值，预测值是与情感偏好标签向量维度相同的向量，向量中的每个维度值代表的是样本色调数据归属于每个情感类别的概率。通过计算情感偏好标签向量与预测值的残差，就可以进一步根据该残差计算本次训练的损失函数，从而根据该损失函数和预设的迭代次数，对初始决策树进行迭代训练，得到用户情感偏好模型。对初始决策树进行迭代训练就是不断优化损失函数，使损失函数最小化的过程，这个优化的过程就是逐步调整决策树节点上的参数的过程。举例说明，用户情感偏好模型具体可以是梯度提升决策树GBDT(Gradient Boosting Decision Tree，梯度提升树)模型，GBDT是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案，GBDT的思想使其具有天然优势可以发现多种有区分性的特征以及特征组合。训练后的梯度提升决策树参数可以为：n_estimators＝300,max_depth＝5,verbose＝1,max_leaf_nodes＝11,random_state＝1。
步骤S210，根据用户情感偏好确定待推送信息，推送待推送信息。
其中，待推送信息是指待推送给用户的有效信息。服务器会根据用户情感偏好确定待推送信息，并推送待推送信息至用户。
在一个实施例中，根据用户情感偏好确定待推送信息，推送待推送信息包括：
将用户情感偏好作为用户标签，根据用户标签构建用户画像；
根据用户画像对预设的待推送信息集合进行搜索，确定与用户画像对应的待推送信息，并推送待推送信息。
其中，用户标签是指对用户特征的概括，在本实施例中，即是将用户情感偏好作为用户特征。用户画像是一种勾画目标用户、联系用户诉求与设计方向的有效工具，用户画像在各领域得到了广泛的应用。通过利用用户标签可以将用户形象具体化，从而为用户提供有针对性的服务。在本实施例中，即将用户情感偏好作为用户标签，利用用户情感偏好将用户形象具体化，从而为用户提供有针对性的信息推送，实现信息的有效推送。待推送信息集合是指携带情感偏好标识的待推送信息集合。因此，服务器根据用户画像中的情感偏好标签对预设的待推送信息集合进行搜索，就可以得到与用户画像对应的待推送信息，进而通过推送待推送信息，实现信息的有效推送。
在一个实施例中，根据用户情感偏好确定待推送信息还包括：
根据用户选择图像历史记录，确定用户参考情感偏好；
根据用户情感偏好和用户参考情感偏好，确定目标用户情感偏好；
根据目标用户情感偏好确定待推送信息。
其中，用户参考情感偏好是指在不考虑显著性的情况下，基于用户选择图像历史记录得到的色彩情绪。服务器会根据用户选择图像历史记录，提取用户选择图像历史记录对应图像数据作为参考图像数据，进而对该参考图像数据中各像素点进行分析，根据像素点参数以及预设的色彩参数信息确定该参考图像数据中各像素点的颜色类别，根据各像素点的颜色类别确定参考图像数据的主色调参数，并根据主色调参数确定用户参考情感偏好，最后综合用户情感偏好和用户参考情感偏好，确定目标用户情感偏好，根据目标用户情感偏好确定待推送信息。在不考虑显著性的情况下，用户情感偏好可能与用户参考情感偏好不相同，本实施例是为了从多个不同维度去考虑用户情感偏好，从而准确确定用户情感偏好。
其中，综合用户情感偏好和用户参考情感偏好，确定目标用户情感偏好的方式可以为：当用户情感偏好和用户参考情感偏好不同时，将用户情感偏好和用户参考情感偏好都作为目标用户情感偏好，进而既推送与用户情感偏好对应的信息，也推送与用户参考情感偏好对应的信息。
上述信息推送方法，获取用户选择图像历史记录，提取用户选择图像历史记录对应图像数据的显著图，并根据显著图对图像数据中像素点参数进行加权处理，能够得到特征显著的目标图像数据，进而根据预设的色彩参数信息确定目标图像数据中各像素点的颜色类别，并根据各像素点的颜色类别确定目标图像数据的主色调参数，根据主色调参数确定用户情感偏好，实现了基于对目标图像数据的颜色分析对用户情感偏好的确定，从而可以根据用户情感偏好确定待推送信息，推送待推送信息，实现了信息的有效推送，提高了有效信息推送效率。
在一个实施例中，以图6的应用场景为例，对本申请的信息推送方法进行说明。
用户点击终端上的应用程序中的图片，应用程序生成一条用户选择图像记录，并通过终端将用户选择图像记录上传至与应用程序对应的服务器，服务器获取用户选择图像历史记录，根据用户选择图像历史记录获取携带像素点参数的图像数据，对图像数据进行多尺度特征提取，得到图像数据的多尺度特征图，对各尺度特征图进行上下文特征提取，得到各尺度特征图的特征数据，通过预设的门控双向信息传递网络，对各尺度特征图的特征数据进行信息整合，得到各尺度特征图的目标特征数据，将各尺度特征图的目标特征数据进行特征融合，得到图像数据的显著图，根据显著图对图像数据中像素点参数进行加权处理，得到目标图像数据，根据目标图像数据中各像素点的像素点参数以及预设的色彩参数信息中各颜色类别的颜色参数，获取各像素点与各颜色类别的余弦距离，根据余弦距离确定目标图像数据中各像素点的颜色类别，根据各像素点的颜色类别进行颜色类别统计，并根据颜色类别统计结果对各颜色类别进行排序，确定目标图像数据的主色调，对色彩参数信息中各颜色类别进行编号，并确定主色调中各颜色类别的编号，根据主色调中各颜色类别的编号对主色调进行编码，得到目标图像数据的主色调参数，获取携带情感偏好标签向量的样本色调数据，将样本色调数据输入预设的初始决策树中，得到样本色调数据的预测值，根据情感偏好标签向量和预测值，得到损失函数，根据损失函数和预设的迭代次数，对初始决策树进行迭代训练，得到用户情感偏好模型，将主色调参数输入预设的用户情感偏好模型，确定用户情感偏好，用户情感偏好模型基于预设的携带情感偏好标签向量的样本色调数据得到，将用户情感偏好作为用户标签，根据用户标签构建用户画像，根据用户画像对预设的待推送信息集合进行搜索，确定与用户画像对应的待推送信息，并推送待推送信息，该待推送信息可在终端的应用程序中显示。
在一个实施例中，如图7所示，通过一个最具体实施例来说明本申请中的信息推送方法。该方法包括如下步骤S702至步骤S726。
步骤S702，获取用户选择图像历史记录，根据用户选择图像历史记录获取携带像素点参数的图像数据；
步骤S704，对图像数据进行多尺度特征提取，得到图像数据的多尺度特征图；
步骤S706，对各尺度特征图进行上下文特征提取，得到各尺度特征图的特征数据；
步骤S708，通过预设的门控双向信息传递网络，对各尺度特征图的特征数据进行信息整合，得到各尺度特征图的目标特征数据；
步骤S710：将各尺度特征图的目标特征数据进行特征融合，得到图像数据的显著图；
步骤S712，根据显著图对图像数据中像素点参数进行加权处理，得到目标图像数据；
步骤S714，根据目标图像数据中各像素点的像素点参数以及预设的色彩参数信息中各颜色类别的颜色参数，获取各像素点与各颜色类别的余弦距离；
步骤S716，根据余弦距离确定目标图像数据中各像素点的颜色类别；
步骤S718，根据各像素点的颜色类别进行颜色类别统计，并根据颜色类别统计结果对各颜色类别进行排序，确定目标图像数据的主色调；
步骤S720，对色彩参数信息中各颜色类别进行编号，并确定主色调中各颜色类别的编号，根据主色调中各颜色类别的编号对主色调进行编码，得到目标图像数据的主色调参数；
步骤S722，获取携带情感偏好标签向量的样本色调数据；
步骤S724，将样本色调数据输入预设的初始决策树中，得到样本色调数据的预测值；
步骤S726，根据情感偏好标签向量和预测值，得到损失函数；
步骤S728，根据损失函数和预设的迭代次数，对初始决策树进行迭代训练，得到用户情感偏好模型；
步骤S730，将主色调参数输入预设的用户情感偏好模型，确定用户情感偏好，用户情感偏好模型基于预设的携带情感偏好标签向量的样本色调数据得到；
步骤S732，将用户情感偏好作为用户标签，根据用户标签构建用户画像；
步骤S734，根据用户画像对预设的待推送信息集合进行搜索，确定与用户画像对应的待推送信息，并推送待推送信息。
图7为一个实施例中信息推送方法的流程示意图。应该理解的是，虽然图7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图7中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
如图8所示，在一个实施例中，提供了一种信息推送装置。该信息推送装置包括提取模块802、加权模块804、分类模块806、处理模块808以及推送模块810。
提取模块802，用于获取用户选择图像历史记录，提取用户选择图像历史记录对应图像数据的显著图。
在一个实施例中，提取模块802包括检测单元，检测单元用于获取用户选择图像历史记录，根据用户选择图像历史记录获取携带像素点参数的图像数据，对图像数据进行视觉显著性检测，提取图像数据的显著图。
在一个实施例中，检测单元包括显著性检测组件，显著性检测组件用于对图像数据进行多尺度特征提取，得到图像数据的多尺度特征图，对各尺度特征图进行上下文特征提取，得到各尺度特征图的特征数据，通过预设的门控双向信息传递网络，对各尺度特征图的特征数据进行信息整合，得到各尺度特征图的目标特征数据，将各尺度特征图的目标特征数据进行特征融合，得到图像数据的显著图。
加权模块804，用于根据显著图对图像数据中像素点参数进行加权处理，得到目标图像数据。
分类模块806，用于根据预设的色彩参数信息确定目标图像数据中各像素点的颜色类别。
在一个实施例中，分类模块806包括颜色分类单元，颜色分类单元用于根据目标图像数据中各像素点的像素点参数以及色彩参数信息中各颜色类别的颜色参数，获取各像素点与各颜色类别的余弦距离，根据余弦距离确定目标图像数据中各像素点的颜色类别。
处理模块808，用于根据各像素点的颜色类别确定目标图像数据的主色调参数，并根据主色调参数确定用户情感偏好。
在一个实施例中，处理模块808包括情感偏好确定单元，情感偏好确定单元用于根据各像素点的颜色类别进行颜色类别统计，并根据颜色类别统计结果对各颜色类别进行排序，确定目标图像数据的主色调，对色彩参数信息中各颜色类别进行编号，并确定主色调中各颜色类别的编号，根据主色调中各颜色类别的编号对主色调进行编码，得到目标图像数据的主色调参数，将主色调参数输入预设的用户情感偏好模型，确定用户情感偏好，用户情感偏好模型基于预设的携带情感偏好标签向量的样本色调数据得到。
推送模块810，用于根据用户情感偏好确定待推送信息，推送待推送信息。
在一个实施例中，推送模块810包括第一推送单元，第一推送单元用于将用户情感偏好作为用户标签，根据用户标签构建用户画像，根据用户画像对预设的待推送信息集合进行搜索，确定与用户画像对应的待推送信息，并推送待推送信息。
上述信息推送装置，获取用户选择图像历史记录，提取用户选择图像历史记录对应图像数据的显著图，并根据显著图对图像数据中像素点参数进行加权处理，能够得到特征显著的目标图像数据，进而根据预设的色彩参数信息确定目标图像数据中各像素点的颜色类别，并根据各像素点的颜色类别确定目标图像数据的主色调参数，根据主色调参数确定用户情感偏好，实现了基于对目标图像数据的颜色分析对用户情感偏好的确定，从而可以根据用户情感偏好确定待推送信息，推送待推送信息，实现了信息的有效推送，提高了有效信息推送效率。
在一个实施例中，推送模块810包括第二推送单元，第二推送单元用于根据用户选择图像历史记录，确定用户参考情感偏好，根据用户情感偏好和用户参考情感偏好，确定目标用户情感偏好，根据目标用户情感偏好确定待推送信息。
在一个实施例中，信息推送装置还包括模型训练模块，模型训练模块用于获取携带情感偏好标签向量的样本色调数据，将样本色调数据输入预设的初始决策树中，得到样本色调数据的预测值，根据情感偏好标签向量和预测值，得到损失函数，根据损失函数和预设的迭代次数，对初始决策树进行迭代训练，得到用户情感偏好模型。
图9示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的服务器120。如图9所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现信息推送方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行信息推送方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的信息推送装置可以实现为一种计算机程序的形式，计算机程序可在如图9所示的计算机设备上运行。计算机设备的存储器中可存储组成该信息推送装置的各个程序模块，比如，图8所示的提取模块、加权模块、分类模块、处理模块和推送模块。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的信息推送方法中的步骤。
例如，图9所示的计算机设备可以通过如图8所示的信息推送装置中的提取模块执行获取用户选择图像历史记录，提取用户选择图像历史记录对应图像数据的显著图。计算机设备可通过加权模块执行根据显著图对图像数据中像素点参数进行加权处理，得到目标图像数据。计算机设备可通过分类模块执行根据预设的色彩参数信息确定目标图像数据中各像素点的颜色类别。计算机设备可通过处理模块执行根据各像素点的颜色类别确定目标图像数据的主色调参数，并根据主色调参数确定用户情感偏好。计算机设备可通过推送模块执行根据用户情感偏好确定待推送信息，推送待推送信息。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述信息推送方法的步骤。此处信息推送方法的步骤可以是上述各个实施例的信息推送方法中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述信息推送方法的步骤。此处信息推送方法的步骤可以是上述各个实施例的信息推送方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种信息推送方法，包括：
获取用户选择图像历史记录，提取所述用户选择图像历史记录对应图像数据的显著图；
根据所述显著图对所述图像数据中像素点参数进行加权处理，得到目标图像数据；
根据预设的色彩参数信息确定所述目标图像数据中各像素点的颜色类别；
根据各所述像素点的颜色类别确定所述目标图像数据的主色调参数，并根据所述主色调参数确定用户情感偏好；
根据所述用户情感偏好确定待推送信息，推送所述待推送信息。
2.根据权利要求1所述的方法，其特征在于，所述获取用户选择图像历史记录，提取所述用户选择图像历史记录对应图像数据的显著图包括：
获取用户选择图像历史记录，根据所述用户选择图像历史记录获取携带像素点参数的图像数据；
对所述图像数据进行视觉显著性检测，提取所述图像数据的显著图。
3.根据权利要求2所述的方法，其特征在于，所述对所述图像数据进行视觉显著性检测，得到所述图像数据的显著图包括：
对所述图像数据进行多尺度特征提取，得到所述图像数据的多尺度特征图；
对各尺度特征图进行上下文特征提取，得到各所述尺度特征图的特征数据；
通过预设的门控双向信息传递网络，对各所述尺度特征图的特征数据进行信息整合，得到各所述尺度特征图的目标特征数据；
将各所述尺度特征图的目标特征数据进行特征融合，得到所述图像数据的显著图。
4.根据权利要求1所述的方法，其特征在于，所述根据预设的色彩参数信息确定所述目标图像数据中各像素点的颜色类别包括：
根据所述目标图像数据中各像素点的像素点参数以及所述色彩参数信息中各颜色类别的颜色参数，获取各所述像素点与各所述颜色类别的余弦距离；
根据所述余弦距离确定所述目标图像数据中各像素点的颜色类别。
5.根据权利要求1所述的方法，其特征在于，所述根据各所述像素点的颜色类别确定所述目标图像数据的主色调参数，并根据所述主色调参数确定用户情感偏好包括：
根据各所述像素点的颜色类别进行颜色类别统计，并根据颜色类别统计结果对各颜色类别进行排序，确定所述目标图像数据的主色调；
对所述色彩参数信息中各颜色类别进行编号，并确定所述主色调中各颜色类别的编号，根据所述主色调中各颜色类别的编号对所述主色调进行编码，得到所述目标图像数据的主色调参数；
将所述主色调参数输入预设的用户情感偏好模型，确定用户情感偏好，所述用户情感偏好模型基于预设的携带情感偏好标签向量的样本色调数据得到。
6.根据权利要求5所述的方法，其特征在于，所述将所述主色调参数输入预先训练好的用户情感偏好模型，确定用户情感偏好之前，还包括：
获取携带情感偏好标签向量的样本色调数据；
将所述样本色调数据输入预设的初始决策树中，得到所述样本色调数据的预测值；
根据所述情感偏好标签向量和所述预测值，得到损失函数；
根据所述损失函数和预设的迭代次数，对所述初始决策树进行迭代训练，得到用户情感偏好模型。
7.根据权利要求1所述的方法，其特征在于，所述根据所述用户情感偏好确定待推送信息，推送所述待推送信息包括：
将所述用户情感偏好作为用户标签，根据所述用户标签构建用户画像；
根据所述用户画像对预设的待推送信息集合进行搜索，确定与所述用户画像对应的待推送信息，并推送所述待推送信息。
8.一种信息推送装置，其特征在于，所述装置包括：
提取模块，用于获取用户选择图像历史记录，提取所述用户选择图像历史记录对应图像数据的显著图；
加权模块，用于根据所述显著图对所述图像数据中像素点参数进行加权处理，得到目标图像数据；
分类模块，用于根据预设的色彩参数信息确定所述目标图像数据中各像素点的颜色类别；
处理模块，用于根据各所述像素点的颜色类别确定所述目标图像数据的主色调参数，并根据所述主色调参数确定用户情感偏好；
推送模块，用于根据所述用户情感偏好确定待推送信息，推送所述待推送信息。
9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911063824.2A CN110825968B (zh) | 2019-11-04 | 2019-11-04 | 信息推送方法、装置、存储介质和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911063824.2A CN110825968B (zh) | 2019-11-04 | 2019-11-04 | 信息推送方法、装置、存储介质和计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110825968A true CN110825968A (zh) | 2020-02-21 |
| CN110825968B CN110825968B (zh) | 2024-02-13 |
Family
ID=69552428
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911063824.2A Active CN110825968B (zh) | 2019-11-04 | 2019-11-04 | 信息推送方法、装置、存储介质和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110825968B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111428805A (zh) * | 2020-04-01 | 2020-07-17 | 南开大学 | 显著性物体的检测方法、装置、存储介质及电子设备 |
| CN111680176A (zh) * | 2020-04-20 | 2020-09-18 | 武汉大学 | 基于注意力与双向特征融合的遥感图像检索方法及系统 |
| CN112489808A (zh) * | 2020-12-15 | 2021-03-12 | 平安银行股份有限公司 | 需求推荐方法、装置、电子设备及存储介质 |
| CN113076347A (zh) * | 2021-03-31 | 2021-07-06 | 北京晶栈信息技术有限公司 | 移动终端上基于情绪的推送程序筛选系统及筛选方法 |
| CN113298154A (zh) * | 2021-05-27 | 2021-08-24 | 安徽大学 | 一种rgb-d图像显著目标检测方法 |
| CN113743109A (zh) * | 2021-09-09 | 2021-12-03 | 浙江工业大学 | 一种基于用户情感的产品智能化配色设计系统 |
| CN113763486A (zh) * | 2020-06-01 | 2021-12-07 | 北京达佳互联信息技术有限公司 | 主色调提取方法、装置、电子设备及存储介质 |
| WO2023124793A1 (zh) * | 2021-12-27 | 2023-07-06 | 北京沃东天骏信息技术有限公司 | 图像推送方法和装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110274348A1 (en) * | 2009-01-20 | 2011-11-10 | Hewlett-Packard Development, Company, L.P. | Image processing |
| CN106406900A (zh) * | 2016-09-28 | 2017-02-15 | 乐视控股（北京）有限公司 | 一种壁纸显示方法及装置 |
| CN106898026A (zh) * | 2017-03-15 | 2017-06-27 | 腾讯科技（深圳）有限公司 | 一种图片的主色调提取方法和装置 |
| CN108052650A (zh) * | 2017-12-26 | 2018-05-18 | 百度在线网络技术（北京）有限公司 | 信息推荐方法、装置和电子设备 |
| CN108984657A (zh) * | 2018-06-28 | 2018-12-11 | Oppo广东移动通信有限公司 | 图像推荐方法和装置、终端、可读存储介质 |
| CN110059211A (zh) * | 2019-03-28 | 2019-07-26 | 华为技术有限公司 | 记录用户情感的方法及相关装置 |
-
2019
- 2019-11-04 CN CN201911063824.2A patent/CN110825968B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110274348A1 (en) * | 2009-01-20 | 2011-11-10 | Hewlett-Packard Development, Company, L.P. | Image processing |
| CN106406900A (zh) * | 2016-09-28 | 2017-02-15 | 乐视控股（北京）有限公司 | 一种壁纸显示方法及装置 |
| CN106898026A (zh) * | 2017-03-15 | 2017-06-27 | 腾讯科技（深圳）有限公司 | 一种图片的主色调提取方法和装置 |
| CN108052650A (zh) * | 2017-12-26 | 2018-05-18 | 百度在线网络技术（北京）有限公司 | 信息推荐方法、装置和电子设备 |
| CN108984657A (zh) * | 2018-06-28 | 2018-12-11 | Oppo广东移动通信有限公司 | 图像推荐方法和装置、终端、可读存储介质 |
| CN110059211A (zh) * | 2019-03-28 | 2019-07-26 | 华为技术有限公司 | 记录用户情感的方法及相关装置 |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111428805B (zh) * | 2020-04-01 | 2023-04-18 | 南开大学 | 显著性物体的检测方法、模型、存储介质及电子设备 |
| CN111428805A (zh) * | 2020-04-01 | 2020-07-17 | 南开大学 | 显著性物体的检测方法、装置、存储介质及电子设备 |
| CN111680176A (zh) * | 2020-04-20 | 2020-09-18 | 武汉大学 | 基于注意力与双向特征融合的遥感图像检索方法及系统 |
| CN111680176B (zh) * | 2020-04-20 | 2023-10-10 | 武汉大学 | 基于注意力与双向特征融合的遥感图像检索方法及系统 |
| CN113763486B (zh) * | 2020-06-01 | 2024-03-01 | 北京达佳互联信息技术有限公司 | 主色调提取方法、装置、电子设备及存储介质 |
| CN113763486A (zh) * | 2020-06-01 | 2021-12-07 | 北京达佳互联信息技术有限公司 | 主色调提取方法、装置、电子设备及存储介质 |
| CN112489808A (zh) * | 2020-12-15 | 2021-03-12 | 平安银行股份有限公司 | 需求推荐方法、装置、电子设备及存储介质 |
| CN113076347A (zh) * | 2021-03-31 | 2021-07-06 | 北京晶栈信息技术有限公司 | 移动终端上基于情绪的推送程序筛选系统及筛选方法 |
| CN113076347B (zh) * | 2021-03-31 | 2023-11-10 | 中国科学院心理研究所 | 移动终端上基于情绪的推送程序筛选系统及筛选方法 |
| CN113298154B (zh) * | 2021-05-27 | 2022-11-11 | 安徽大学 | 一种rgb-d图像显著目标检测方法 |
| CN113298154A (zh) * | 2021-05-27 | 2021-08-24 | 安徽大学 | 一种rgb-d图像显著目标检测方法 |
| CN113743109A (zh) * | 2021-09-09 | 2021-12-03 | 浙江工业大学 | 一种基于用户情感的产品智能化配色设计系统 |
| CN113743109B (zh) * | 2021-09-09 | 2024-03-29 | 浙江工业大学 | 一种基于用户情感的产品智能化配色设计系统 |
| WO2023124793A1 (zh) * | 2021-12-27 | 2023-07-06 | 北京沃东天骏信息技术有限公司 | 图像推送方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110825968B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110825968B (zh) | 信息推送方法、装置、存储介质和计算机设备 | |
| CN110929206B (zh) | 点击率预估方法、装置、计算机可读存储介质和设备 | |
| CN110866140B (zh) | 图像特征提取模型训练方法、图像搜索方法及计算机设备 | |
| CN110795657B (zh) | 文章推送及模型训练方法、装置、存储介质和计算机设备 | |
| CN109033107A (zh) | 图像检索方法和装置、计算机设备和存储介质 | |
| CN113177141B (zh) | 基于语义嵌入软相似性的多标签视频哈希检索方法及设备 | |
| CN111783712A (zh) | 一种视频处理方法、装置、设备及介质 | |
| CN111931809A (zh) | 数据的处理方法、装置、存储介质及电子设备 | |
| CN114491084B (zh) | 基于自编码器的关系网络信息挖掘方法、装置及设备 | |
| CN112258250A (zh) | 基于网络热点的目标用户识别方法、装置和计算机设备 | |
| CN114339362B (zh) | 视频弹幕匹配方法、装置、计算机设备和存储介质 | |
| CN113837492B (zh) | 物品供应量的预测方法、设备、存储介质及程序产品 | |
| CN114329004A (zh) | 数字指纹生成、数据推送方法、装置和存储介质 | |
| CN114329028A (zh) | 一种数据处理方法、设备以及计算机可读存储介质 | |
| CN113254687A (zh) | 图像检索、图像量化模型训练方法、装置和存储介质 | |
| CN113705293A (zh) | 图像场景的识别方法、装置、设备及可读存储介质 | |
| Meng et al. | Merged region based image retrieval | |
| CN117435999A (zh) | 一种风险评估方法、装置、设备以及介质 | |
| CN116501979A (zh) | 信息推荐方法、装置、计算机设备及计算机可读存储介质 | |
| CN116958624A (zh) | 指定材质的识别方法、装置、设备、介质及程序产品 | |
| CN113821676A (zh) | 视频检索方法、装置、设备及存储介质 | |
| CN113779248A (zh) | 数据分类模型训练方法、数据处理方法及存储介质 | |
| CN115114467A (zh) | 图片神经网络模型的训练方法以及装置 | |
| US20200167401A1 (en) | Photo sharing in social media networks | |
| CN111090723A (zh) | 一种基于知识图谱的电网安全生产内容推荐方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40021127 Country of ref document: HK |
|
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |