CN111241318B - 选取对象推送封面图的方法、装置、设备、存储介质 - Google Patents

Abstract

本公开提供选取对象推送封面图的方法，包括：获取登录客户端app的用户id；将网站内的目标对象的图片输入到已训练好的神经网络中，所述神经网络输出表示每张所述图片作为推送图片的可行度的值的第1推送分数、以及表示预测每张所述图片属于多个类别中每一类别的概率的值的第1类别分数；根据所述用户id的浏览记录来计算表示用户对多个类别封面图中的每一类别感兴趣程度的第2类别分数；融合所述第1推送分数、所述第1类别分数、以及所述第2类别分数这三者，得到与三者成正相关关系的图片推送分数；以及选取所述图片推送分数最高的图片作为封面图并向所述用户id的app推送。

Description

选取对象推送封面图的方法、装置、设备、存储介质

技术领域

本公开涉及计算机软件技术领域，尤其涉及一种选取对象推送封面图的方法、装置、设备、存储介质。

背景技术

随着互联网技术、计算机技术的发展，人们在需要购买实体商品或服务商品等对象时，例如购房或者租房时，逐渐从依赖于实体店房屋中介机构转变到通过互联网查找房源，由此提高查找房源的效率。通过互联网查找房源时，经常在智能终端上使用找房、租房APP(应用软件)。

作为APP的运营方，为了提高业绩，会通过APP推送包含了楼市政策、银行利率变化等房产新闻，也有的app包含了个性化房源推送。个性化房源推送指的是根据用户的购租房兴趣，推送符合用户兴趣的二手房、新房、出租房。个性化对象推送，例如个性化房源推送对于提高用户留存、提升用户粘性有很大的帮助。在个性化对象推送中，如果推送的内容带上对象相关的图片，则能够给用户对于该对象最直接的印象，因此能够一定程度上提升推送内容的点击率。

发明内容

本公开提供一种选取对象推送封面图的方法、装置、设备、存储介质。本公开提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

为了解决上述技术问题，本公开实施例提供一种选取对象推送封面图的方法，其特征在于，包括：

获取登录客户端app的用户id；

将网站内的目标对象的图片输入到已训练好的神经网络中，所述神经网络输出表示每张所述图片作为推送图片的可行度的值的第1推送分数、以及表示预测每张所述图片属于多个类别中每一类别的概率的值的第1类别分数；

根据所述用户id的浏览记录来计算表示用户对多个类别封面图中的每一类别感兴趣程度的第2类别分数；

融合所述第1推送分数、所述第1类别分数、以及所述第2类别分数这三者，得到与三者成正相关关系的图片推送分数；以及

选取所述图片推送分数最高的图片作为封面图并向所述用户id的app推送。

本公开实施例提供一种选取对象推送封面图的方法，其特征在于，包括：

获取登录客户端app的用户id；

将网站内的目标对象的图片输入到已训练好的神经网络中，所述神经网络输出表示预测每张所述图片属于多个类别中每一类别的概率的值的第1类别分数；

根据所述用户id的浏览记录来计算表示用户对多个类别封面图中的每一类别感兴趣程度的第2类别分数；

融合所述第1类别分数、以及所述第2类别分数这两者，得到与两者成正相关关系的图片推送分数；以及

选取所述图片推送分数最高的图片作为封面图并向所述用户id的app推送。

本公开实施例提供一种选取对象推送封面图的装置，其特征在于，包括：

第1运算模块，其利用训练好的神经网络模块，以目标对象的图片作为输入，并输出表示每张所述图片作为推送图片的可行度的值的第1推送分数、以及表示预测每张所述图片属于多个类别中每一类别的概率的值的第1类别分数；

第2运算模块，其根据用户id的浏览记录来计算表示用户对多个类别封面图中的每一类别感兴趣程度的第2类别分数；

推送分数计算模块，其从所述第2运算模块获取所述用户id和所述第2类别分数，并从所述第1运算模块获取所述第1推送分数、所述第1类别分数，融合所述第1推送分数、所述第1类别分数、以及所述第2类别分数这三者，得到与三者成正相关关系的图片推送分数；以及

推送模块，其选取所述图片推送分数最高的图片作为封面图并向所述用户id的app推送。

本公开实施例提供一种选取对象推送封面图的装置，其特征在于，包括：

第1运算模块，其利用训练好的神经网络模块，以目标对象的图片作为输入，并输出表示预测每张所述图片属于多个类别中每一类别的概率的值的第1类别分数；

第2运算模块，其根据用户id的浏览记录来计算表示用户对多个类别封面图中的每一类别感兴趣程度的第2类别分数；

推送分数计算模块，其从所述第2运算模块获取所述用户id和所述第2类别分数，并从所述第1运算模块获取所述第1类别分数，融合所述第1类别分数、以及所述第2类别分数这两者，得到与两者成正相关关系的图片推送分数；以及

推送模块，其选取所述图片推送分数最高的图片作为封面图并向所述用户id的app推送。

本公开实施例提供

一种电子设备，其特征在于，包括：至少一个存储器和至少一个处理器；

其中，存储器用于存储程序代码，

所述处理器用于调用所述存储器所存储的程序代码执行上述的任一项所述的选取对象推送封面图的方法。

本公开实施例提供一种存储介质，所述存储介质用于存储程序代码，所述程序代码用于执行上述的选取对象推送封面图的方法。

根据本公开的技术方案，能够通过预测图片分类、预测用户兴趣以及在线实时计算用户对某个对象的一些图片的感兴趣分数，预测用户对每个类别对象图片的感兴趣程度，从而决定将哪个图片选用为对象推送封面图，能够迅速且准确地瞄准用户需求，提高用户的使用体验，从而提高用户留存、提升用户粘性。

附图说明

图1是本公开可以应用于其中的示例性系统架构图；

图2是示出了本公开的选取对象推送封面图的方法的一个实施例的流程图。

图3是示出了本公开的神经网络的示意图。

图4是示出了本公开的选取对象推送封面图的方法的一个实施例的流程图。

图5是示出了本公开的选取对象推送封面图的方法的一个实施例的流程图。

图6是示出了本公开的选取对象推送封面图的方法的一个实施例的流程图。

图7是示出了适于用来实现本公开实施例的电子设备的结构示意图。

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本公开的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本公开；本公开的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本公开的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本公开的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

下面，以个性化房源推送为例来说明本公开，但是，应当理解本公开不限于房源推送，能够适用于很多实物商品、服务商品等对象。

当前，在个性化房源推送中，一套房子往往对应很多张照片，选择的图片的质量、类型对推送的点击率也有一定的影响。尤其是封面图，给用户带来第一感官印象，如果其与用户的兴趣不匹配，则用户可能不会点击该推送消息，存在影响推送消息的点击率的问题，仍需要进一步改进。

本公开针对上述的问题，根据个性化房源推送的特点，给出选择推送房源封面图的一种方法。本方法的特点是能够利用机器学习的方法，预测用户对每张房源图片的感兴趣程度，从而决定哪张图片被选用为封面图。

为了使本技术领域的人员更好地理解本公开方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。

[系统结构]

首先，说明本公开的一个实施例的系统的结构。如图1所示，系统结构100可以包括终端设备101、102、103、104，网络105和服务器106。网络105用以在终端设备101、102、103、104和服务器106之间提供通信链路的介质。

在本实施例中，选取对象推送封面图的方法运行于其上的电子设备(例如图1所示的终端设备101、102、103或104)可以通过网络105进行各种信息的传输。网络105可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、Wi-Fi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB连接、以及其他现在已知或将来开发的无线连接方式。

用户可以使用终端设备101、102、103、104通过网络105与服务器106交互，以接收或发送消息等。终端设备101、102、103或104上可以安装有各种客户端应用，例如视频直播与播放类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103或104可以是支持运行本公开所涉及的选取对象推送封面图的方法的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等。

服务器106可以是提供各种服务的服务器，例如对终端设备101、102、103或104上显示的页面提供支持的后台服务器。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

这里，终端设备可以独立或通过与其他电子终端设备配合运行安卓系统中的应用实现本公开的实施例方法，也可以运行其他操作系统中的应用例如iOS系统、Windows系统、鸿蒙系统等的应用实现本公开的实施例方法。

[选取对象推送封面图的方法]

实施例1

图2示出了本公开的选取对象推送封面图的方法的一个实施例的流程图。在实施例1中以推送房源为了进行说明，以下的其他实施例也同样，所述选取对象推送封面图的方法包括以下步骤：

离线步骤，在服务端收集现有的图片，对每张所述图片标注表示其可否作为某种对象的推送图片的训练用推送分数以及图片类别信息，针对每张所述图片得到至少包含图片、训练用推送分数、以及图片类别信息在内的第1多元组，在服务端使用所述第1多元组训练神经网络，此处的神经网络例如可以是卷积神经网络。

具体而言，服务端既可以是上述的服务器、也可以是上述的终端设备。服务端收集一些现有的图片，可以是离线操作也可以是在线操作，图片的来源不限，可以是本网站内的图片，也可以是来源于外部的图片。针对每张图片，由运营方根据图片的清晰度、美观性、与实物的匹配度等影响因素(也可称为图片质量)，将该图片分为可推送/不可推送，如果判断为可推送，则该图片的训练用推送分数为1，如果判断为不可推送，则该图片的训练用推送分数为0。另外，由运营方根据图片的内容，判断图片的类别，例如可分为小区、卧室、客厅、厨房、卫生间、户型图等类别。由此，针对每张图片，得到一个三元组(图片，训练用推送分数，图片类别信息)。此处，虽然举例说明了三元组，但是，也可以包含其它标注信息，并以多元组的形式进行存储，以下也以三元组为例进行说明，但应当理解并不限于三元组。

卷积神经网络(CNN)在这里可以用流行的VGG16、VGG19、ResNet、MobileNet等骨干网络。如图3示出了本公开的卷积神经网络的示意图。如图3所示，主要的作用是提取图片的特征，CNN的输出是一个Mx1的向量，图中的fc1表示只有一个神经元的全连接层，其输出为一个0～1之间的数，表示可以推送的概率；图中的fcN表示是有N个神经元的全连接层，N表示上述图片的类别数量。后面的两个全连接层共享特征提取网络，减少了训练的参数量，能够提高训练以及预测效率。在本实施例1中，卷积神经网络使用由运营标记好的第1多元组数据信息进行训练，能够以图片作为输入，以第1推送分数(预测推送分数)和第1类别分数(预测类别分数)作为输出。

需要说明的是，上述的离线步骤并不需要针对每次推送、或者针对每个用户均进行，可利用的卷积神经网络也不限于必须经过离线步骤，也可以由其他途径，例如从其他终端、服务器等导入已训练好的卷积神经网络作为工具，在此，仅是为了便于理解本公开的方法而描述了可能获得卷积神经网络的途径之一。

S201，获取登录客户端app的用户id。

S202，将网站内的目标对象的图片输入到已训练好的神经网络中，所述神经网络输出表示每张所述图片作为推送图片的可行度的值的第1推送分数、以及表示预测每张所述图片属于多个类别中每一类别的概率的值的第1类别分数。

具体而言，服务端的网站给定一套房子的一堆图片以及要向哪个用户推送该房子，需要选择一张图作为该一套房子的推送用的封面图。将上述的一堆图片输入到已训练好的卷积神经网络中，卷积神经网络针对每张图片进行特征提取，并输出每张图片的第1推送分数s、第1类别分数c_i。例如，一张图片通过卷积神经网络得到的分数为(s,c_1,c_2,c_3,…,c_n)，第1推送分数s是预测该图片作为推送图片的可行度的值，为0～1之间的数，第1类别分数c_i是预测该图片属于哪个类别的概率的值，为0～1之间的数，例如c_1表示该图片是卧室图片的概率，c_2表示该图片是厨房图片的概率，c_3表示该图片是户型图片的概率，……以此类推。

S203，根据所述用户id的浏览记录来计算表示用户对多个类别封面图中的每一类别感兴趣程度的第2类别分数。

具体而言，具体而言，这一步骤的作用是根据用户的行为，获取其对不同类别图片的感兴趣程度，也就是用户的看重点，在这里简称为用户的“兴趣”。

客户端可以是上述的终端设备，安装有看房app。在app列表里进行记录，当选用不同类型的图片作为小端展示的封面图片时，用户是否点击的行为，由此得到多个作为第2多元组的三元组，该第2多元组至少包含用户id、封面图片类别、以及点击与否信息(用户，封面图片类别，点击与否信息)。与上述的第1多元组同样，以下也以三元组为例说明第2多元组，但应当理解并不限于三元组。根据所述第2多元组来计算表示用户对多个类别封面图中的每一类别感兴趣程度的第2类别分数，并与用户id建立对应地存储在redis中。

根据上述的第2多元组来统计该用户浏览的房源中，每一种图片作为封面被点击的概率。以卧室图为例，统计用户最近浏览的N套房中，卧室图作为封面时被点击的次数a1与卧室图作为封面被浏览的次数b1，那么可以推测用户对卧室图作为封面的感兴趣的概率是(a1/b1)。即，第2类别分数(类别兴趣分数)是上述的用户对某个图片作为封面的感兴趣的概率，为0～1之间的数。将每个用户的类别兴趣保存在以用户id为键、并以各个类别感兴趣的概率即第2类别分数作为值的redis(Remote Dictionary Server远程字典服务)中。步骤S203既可以由服务端执行，也可以由客户端来执行。

S204，融合所述第1推送分数、所述第1类别分数、以及所述第2类别分数这三者，得到与三者成正相关关系的图片推送分数。

具体而言，服务端从redis中根据用户的id获取用户对每一种图片的感兴趣程度，比如获取得到的分数是(t_1,t_2,t_3,…,t_n)。其中，t_1表示该用户对卧室图片的第2类别分数，t_2表示该用户对厨房图片的第2类别分数，t_3表示该用户对户型图片的第2类别分数，……以此类推。然后，服务端将在步骤S202中得到的第1推送分数、第1类别分数、以及在步骤S203中得到的第2类别分数这三者融合起来，得到每一种图片的图片推送分数，即该用户对某张图片的感兴趣分数。关于融合方法，可例举任选如下算式(1)和算式(2)之一进行计算：

T＝s*(c_1*t_1+c_2*t_2+c_3*t_3+…+c_n*t_n) (1)

T＝s*exp(c_1*t_1+c_2*t_2+c_3*t_3+…+c_n*t_n) (2)

其中，T表示图片推送分数，s表示第1推送分数，c_1、c_2、c_3…c_n表示图片的第1类别分数、t_1、t_2、t_3…t_n表示图片的第2类别分数。

需要说明的是，融合方法不限于上述的2种，主要的原则是最后的分数T与图片的第1推送分数、图片的属于每一种类别的第1类别分数、以及用户对每一类别图片的感兴趣程度即第2类别分数这三者均成正相关关系。

S205，选取所述图片推送分数最高的图片作为封面图并向所述用户id的app推送。

具体而言，服务端从在步骤S204中得到的针对每张图片的图片推送分数中选取最高的图片推送分数，并将该最高的图片推送分数所对应的图片作为该套房子的封面图，向该用户id的app推送。

应该理解的是，虽然附图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，其可以以其他的顺序执行。上述的各个步骤虽然按照顺序进行了编号，但是，其中一部分步骤的执行先后顺序是可调整的，例如，步骤S203、可以在步骤S202之前进行，即，按照步骤S201、S203、S202、S204、S205的顺序进行。而且，附图的流程图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，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他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。

根据实施例1的选取对象推送封面图的方法，能够通过预测图片质量、图片分类、预测用户兴趣以及在线实时计算用户对某个房源的一些图片的感兴趣分数，预测用户对每个类别房源图片的感兴趣程度，从而决定将哪个图片选用为房源推送封面图，能够迅速且准确地瞄准用户需求，提高用户的使用体验，从而提高用户留存、提升用户粘性。

实施例2

图4是示出了本公开的选取对象推送封面图的方法的一个实施例的流程图。实施例2与上述的实施例1相比，省略了第1推送分数的计算和应用，以下具体说明。实施例2的选取对象推送封面图的方法包括以下步骤：

离线步骤，可以参照实施例1中的离线步骤，在此，第1多元组不包含训练用推送分数，卷积神经网络的输出不包括推送分数。

S401，获取登录客户端app的用户id。

S402，将网站内的目标对象的图片输入到已训练好的神经网络中，所述神经网络输出表示预测每张所述图片属于多个类别中每一类别的概率的值的第1类别分数。

关于具体细节，可参照上述的步骤S202，在此，神经网络不输出第1推送分数。

S403，根据所述用户id的浏览记录来计算表示用户对多个类别封面图中的每一类别感兴趣程度的第2类别分数。

关于具体细节，可参照上述的步骤S203。

S404，融合所述第1类别分数、以及所述第2类别分数这两者，得到与两者成正相关关系的图片推送分数。

关于具体细节，可参照上述的步骤S204。

在此，不融合上述的第1推送分数，即，不将图片的清晰度、美观性、与实物的匹配度等影响因素作为重点来关注，仅将图片的类别是否符合用户兴趣作为重点来关注。关于具体细节，可参照上述的步骤S206。融合方法，即图片推送分数的算法可例举如下算式(3)进行计算：

T＝c_1*t_1+c_2*t_2+c_3*t_3+…+c_n*t_n (3)

需要说明的是，融合方法不限于上述的算式(3)，主要的原则是最后的分数T与图片的属于每一种类别的第1类别分数、以及用户对每一类别图片的感兴趣程度即第2类别分数这两者均成正相关关系。

S405，选取所述图片推送分数最高的图片作为封面图并向所述用户id的app推送。

关于具体细节，可参照上述的步骤S205。

根据实施例2的选取对象推送封面图的方法，能够通过预测图片分类、预测用户兴趣以及在线实时计算用户对某个房源的一些图片的感兴趣分数，预测用户对每个类别房源图片的感兴趣程度，从而决定将哪个图片选用为房源推送封面图，能够迅速且准确地瞄准用户需求，提高用户的使用体验，从而提高用户留存、提升用户粘性。

实施例3

图5是示出了本公开的选取对象推送封面图的方法的一个实施例的流程图。如图5所示，实施例3与上述的实施例1相比，增加了图片过滤的步骤，以下具体说明。

实施例3的选取对象推送封面图的方法包括与步骤S201、S203～S205相同的步骤，在步骤S201和步骤S203之间，执行步骤S5021、S5022。

S5021，根据预定的过滤参数来过滤网站内的图片。

具体而言，过滤图片主要是过滤低质量的图片。由于房子图片的质量不一，有些低质量的图片不适合作为推送的封面图推送给用户。主要的衡量标准即过滤参数是图片的亮度、清晰度、分辨率、宽高比以及色彩单一度等信息中的至少一部分。以图片分辨率作为过滤参数的情况为例，在过滤图片这一步需要过滤掉分辨率较低的那些图片，因为较低分辨率在展示的时候不能给用户以很好的体验，分辨率的下限阈值可以根据实际需要具体设定。

S5022，将过滤后的图片输入到已训练好的神经网络中，所述神经网络输出表示每张所述图片作为推送图片的可行度的值的第1推送分数、以及表示预测每张所述图片属于多个类别中每一类别的概率的值的第1类别分数。

关于具体细节，可参照上述的步骤S202。

根据实施例3的选取对象推送封面图的方法，通过过滤图片的步骤能够将不适合作为封面图的图片排除，能够减少后续步骤中的工作量，并且，能够从质量良好的图片中选择封面图，有利于提高用户的使用体验，从而提高用户留存、提升用户粘性。

实施例4

图6是示出了本公开的选取对象推送封面图的方法的一个实施例的流程图。如图6所示，实施例4与上述的实施例2相比，增加了图片过滤的步骤，以下具体说明。

实施例4的选取对象推送封面图的方法包括与步骤S401、S403～S405相同的步骤，在步骤S401和步骤S403之间，执行步骤S6061、S6062。

S6021，根据预定的过滤参数来过滤网站内的图片。

关于具体细节，可参照上述的步骤S5021。

S6022，服务端将过滤后的图片输入到已训练好的神经网络中，所述神经网络输出表示预测每张所述图片属于多个类别中每一类别的概率的值的第1类别分数。

关于具体细节，可参照上述的步骤S402。

根据实施例4的选取对象推送封面图的方法，通过过滤图片的步骤能够将不适合作为封面图的图片排除，能够减少后续步骤中的工作量，并且，能够从质量良好的图片中选择封面图，有利于提高用户的使用体验，从而提高用户留存、提升用户粘性。

以上，基于实施例说明了本公开的选取对象推送封面图的方法。此外，本公开还提供一种选取对象推送封面图的装置、设备、存储介质，以下说明这些选取对象推送封面图的装置、设备、存储介质。

[选取对象推送封面图的装置]

本公开的一个实施例的选取对象推送封面图的装置包括：

第1运算模块，其利用训练好的神经网络模块，以目标对象的图片作为输入，并输出表示每张所述图片作为推送图片的可行度的值的第1推送分数、以及表示预测每张所述图片属于多个类别中每一类别的概率的值的第1类别分数；

第2运算模块，其根据用户id的浏览记录来计算表示用户对多个类别封面图中的每一类别感兴趣程度的第2类别分数；

推送分数计算模块，其从所述第2运算模块获取所述用户id和所述第2类别分数，并从所述第1运算模块获取所述第1推送分数、所述第1类别分数，融合所述第1推送分数、所述第1类别分数、以及所述第2类别分数这三者，得到与三者成正相关关系的图片推送分数；

以及

推送模块，其选取所述图片推送分数最高的图片作为封面图并向所述用户id的app推送。

本公开的一个实施例的选取对象推送封面图的装置包括：

第1运算模块，其利用训练好的神经网络模块，以目标对象的图片作为输入，并输出表示预测每张所述图片属于多个类别中每一类别的概率的值的第1类别分数；

第2运算模块，其根据用户id的浏览记录来计算表示用户对多个类别封面图中的每一类别感兴趣程度的第2类别分数；

推送分数计算模块，其从所述第2运算模块获取所述用户id和所述第2类别分数，并从所述第1运算模块获取所述第1类别分数，融合所述第1类别分数、以及所述第2类别分数这两者，得到与两者成正相关关系的图片推送分数；以及

推送模块，其选取所述图片推送分数最高的图片作为封面图并向所述用户id的app推送。

本公开的一个实施例的选取对象推送封面图的装置还可以包括：图片过滤模块，其根据预定的过滤参数来过滤网站内的图片，并将过滤后的图片提供给所述第1运算模块。

本公开的一个实施例的选取对象推送封面图的装置还可以包括：浏览记录模块，其在app列表中记录用户浏览房源时浏览过的封面图片和点击过的封面图片，得到多个至少包含用户id、封面图片类别、以及点击与否信息在内的第2多元组，作为所述用户id的浏览记录。

对于选取对象推送封面图的装置的实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的选取对象推送封面图的装置的实施例仅仅是示意性的，其中所述作为分离模块说明的模块可以是或者也可以不是分开的。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

[选取对象推送封面图的设备]

为解决上述技术问题，本公开实施例还提供一种电子设备。下面参考图7，其示出了适于用来实现本公开实施例的电子设备(例如图1中的终端设备或服务器)700的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置706被安装，或者从ROM702被安装。在该计算机程序被处理装置701执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，adhoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取至少两个网际协议地址；向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求，其中，所述节点评价设备从所述至少两个网际协议地址中，选取网际协议地址并返回；接收所述节点评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络中的边缘节点。

或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收包括至少两个网际协议地址的节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

根据本公开的一个或多个实施例，提供了一种选取对象推送封面图的方法，其特征在于，包括：

获取登录客户端app的用户id；

将网站内的目标对象的图片输入到已训练好的卷经网络中，所述神经网络输出表示每张所述图片作为推送图片的可行度的值的第1推送分数、以及表示预测每张所述图片属于多个类别中每一类别的概率的值的第1类别分数；

根据所述用户id的浏览记录来计算表示用户对多个类别封面图中的每一类别感兴趣程度的第2类别分数；

融合所述第1推送分数、所述第1类别分数、以及所述第2类别分数这三者，得到与三者成正相关关系的图片推送分数；以及

选取所述图片推送分数最高的图片作为封面图并向所述用户id的app推送。

根据本公开的一个或多个实施例，提供了一种选取对象推送封面图的方法，其特征在于，

融合所述第1推送分数、所述第1类别分数、以及所述第2类别分数这三者，得到与三者成正相关关系的图片推送分数包括：

使用算式(1)和算式(2)之一进行计算，

T＝s*(c_1*t_1+c_2*t_2+c_3*t_3+…+c_n*t_n) (1)

T＝s*exp(c_1*t_1+c_2*t_2+c_3*t_3+…+c_n*t_n) (2)

其中，T表示图片推送分数，s表示第1推送分数，c_1、c_2、c_3…c_n表示图片的第1类别分数、t_1、t_2、t_3…t_n表示图片的第2类别分数。

根据本公开的一个或多个实施例，提供了一种选取对象推送封面图的方法，其特征在于，

还包括：

在获取所述第1推送分数、所述第1类别分数之前，根据预定的过滤参数来过滤网站内的图片。

根据本公开的一个或多个实施例，提供了一种选取对象推送封面图的方法，其特征在于，

所述神经网络的训练包括：

收集现有的图片，对每张所述图片标注表示其可否作为某种对象的推送图片的训练用推送分数以及图片类别信息，针对每张所述图片得到至少包含图片、训练用推送分数、以及图片类别信息在内的第1多元组；以及

使用所述第1多元组训练神经网络。

根据本公开的一个或多个实施例，提供了一种选取对象推送封面图的方法，其特征在于，

所述用户id的浏览记录是通过在app列表中记录用户浏览商品时浏览过的封面图片和点击过的封面图片，从而得到的多个至少包含用户id、封面图片类别、以及点击与否信息在内的第2多元组。

根据本公开的一个或多个实施例，提供了一种选取对象推送封面图的方法，其特征在于，包括：

获取登录客户端app的用户id；

将网站内的目标对象的图片输入到已训练好的神经网络中，所述神经网络输出表示预测每张所述图片属于多个类别中每一类别的概率的值的第1类别分数；

根据所述用户id的浏览记录来计算表示用户对多个类别封面图中的每一类别感兴趣程度的第2类别分数；

融合所述第1类别分数、以及所述第2类别分数这两者，得到与两者成正相关关系的图片推送分数；以及

选取所述图片推送分数最高的图片作为封面图并向所述用户id的app推送。

根据本公开的一个或多个实施例，提供了一种选取对象推送封面图的方法，其特征在于，

融合所述第1类别分数、以及所述第2类别分数这两者，得到与两者成正相关关系的图片推送分数包括：

使用算式(3)进行计算，

T＝c_1*t_1+c_2*t_2+c_3*t_3+…+c_n*t_n (3)

其中，T表示图片推送分数，c_1、c_2、c_3…c_n表示图片的第1类别分数、t_1、t_2、t_3…t_n表示图片的第2类别分数。

根据本公开的一个或多个实施例，提供了一种选取对象推送封面图的方法，其特征在于，

还包括：

在获取所述第1类别分数之前，根据预定的过滤参数来过滤网站内的图片。

根据本公开的一个或多个实施例，提供了一种选取对象推送封面图的方法，其特征在于，

所述神经网络的训练包括：

收集现有的图片，对每张所述图片标注图片类别信息，针对每张所述图片得到至少包含图片、以及图片类别信息在内的第1多元组；以及

使用所述第1多元组训练神经网络。

根据本公开的一个或多个实施例，提供了一种选取对象推送封面图的方法，其特征在于，

所述用户id的浏览记录是通过在app列表中记录用户浏览商品时浏览过的封面图片和点击过的封面图片，从而得到的多个至少包含用户id、封面图片类别、以及点击与否信息在内的第2多元组。

根据本公开的一个或多个实施例，提供了一种选取对象推送封面图的方法，其特征在于，

所述对象是房源。

根据本公开的一个或多个实施例，提供了一种选取对象推送封面图的装置，其特征在于，包括：

第1运算模块，其利用训练好的神经网络模块，以目标对象的图片作为输入，并输出表示每张所述图片作为推送图片的可行度的值的第1推送分数、以及表示预测每张所述图片属于多个类别中每一类别的概率的值的第1类别分数；

第2运算模块，其根据用户id的浏览记录来计算表示用户对多个类别封面图中的每一类别感兴趣程度的第2类别分数；

推送分数计算模块，其从所述第2运算模块获取所述用户id和所述第2类别分数，并从所述第1运算模块获取所述第1推送分数、所述第1类别分数，融合所述第1推送分数、所述第1类别分数、以及所述第2类别分数这三者，得到与三者成正相关关系的图片推送分数；以及

推送模块，其选取所述图片推送分数最高的图片作为封面图并向所述用户id的app推送。

根据本公开的一个或多个实施例，提供了一种选取对象推送封面图的方法，其特征在于，

所述推送分数计算模块使用算式(1)和算式(2)之一进行计算，

T＝s*(c_1*t_1+c_2*t_2+c_3*t_3+…+c_n*t_n) (1)

T＝s*exp(c_1*t_1+c_2*t_2+c_3*t_3+…+c_n*t_n) (2)

其中，T表示图片推送分数，s表示第1推送分数，c_1、c_2、c_3…c_n表示图片的第1类别分数、t_1、t_2、t_3…t_n表示图片的第2类别分数。

根据本公开的一个或多个实施例，提供了一种选取对象推送封面图的方法，其特征在于，

还包括：

图片过滤模块，其根据预定的过滤参数来过滤网站内的图片，并将过滤后的图片提供给所述第1运算模块。

根据本公开的一个或多个实施例，提供了一种选取对象推送封面图的装置，其特征在于，

还包括训练模块，所述训练模块利用针对每张图片至少包含图片、表示该图片可否作为某种对象的推送图片的训练用推送分数、以及图片类别信息在内的第1多元组来练所述神经网络。

根据本公开的一个或多个实施例，提供了一种选取对象推送封面图的方法，其特征在于，

还包括：浏览记录模块，其在app列表中记录用户浏览房源时浏览过的封面图片和点击过的封面图片，得到多个至少包含用户id、封面图片类别、以及点击与否信息在内的第2多元组，作为所述用户id的浏览记录。

根据本公开的一个或多个实施例，提供了一种选取对象推送封面图的装置，其特征在于，包括：

第1运算模块，其利用训练好的神经网络模块，以目标对象的图片作为输入，并输出表示预测每张所述图片属于多个类别中每一类别的概率的值的第1类别分数；

第2运算模块，其根据用户id的浏览记录来计算表示用户对多个类别封面图中的每一类别感兴趣程度的第2类别分数；

推送分数计算模块，其从所述第2运算模块获取所述用户id和所述第2类别分数，并从所述第1运算模块获取所述第1类别分数，融合所述第1类别分数、以及所述第2类别分数这两者，得到与两者成正相关关系的图片推送分数；以及

推送模块，其选取所述图片推送分数最高的图片作为封面图并向所述用户id的app推送。

根据本公开的一个或多个实施例，提供了一种选取对象推送封面图的方法，其特征在于，

所述推送分数计算模块使用使用算式(3)进行计算，

T＝c_1*t_1+c_2*t_2+c_3*t_3+…+c_n*t_n (3)

其中，T表示图片推送分数，c_1、c_2、c_3…c_n表示图片的第1类别分数、t_1、t_2、t_3…t_n表示图片的第2类别分数。

根据本公开的一个或多个实施例，提供了一种选取对象推送封面图的方法，其特征在于，

还包括：

图片过滤模块，其根据预定的过滤参数来过滤网站内的图片，并将过滤后的图片提供给所述第1运算模块。

根据本公开的一个或多个实施例，提供了一种选取对象推送封面图的装置，其特征在于，

还包括训练模块，所述训练模块利用针对每张图片至少包含图片、以及图片类别信息在内的第1多元组来练所述神经网络。

根据本公开的一个或多个实施例，提供了一种选取对象推送封面图的方法，其特征在于，

还包括：浏览记录模块，其在app列表中记录用户浏览房源时浏览过的封面图片和点击过的封面图片，得到多个至少包含用户id、封面图片类别、以及点击与否信息在内的第2多元组，作为所述用户id的浏览记录。

根据本公开的一个或多个实施例，提供了一种选取对象推送封面图的装置，其特征在于，

所述对象是房源。

根据本公开的一个或多个实施例，提供了一种电子设备，其特征在于，包括：至少一个存储器和至少一个处理器；

其中，存储器用于存储程序代码，

所述处理器用于调用所述存储器所存储的程序代码执行所述的选取对象推送封面图的方法。

根据本公开的一个或多个实施例，提供了一种存储介质，所述存储介质用于存储程序代码，所述程序代码用于执行权所述的选取对象推送封面图的方法。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (8)

1.一种选取对象推送封面图的方法，其特征在于，包括：

获取登录客户端app的用户id；

将网站内的目标对象的图片输入到已训练好的神经网络中，所述神经网络输出表示每张所述图片作为推送图片的可行度的值的第1推送分数、以及表示预测每张所述图片属于多个类别中每一类别的概率的值的第1类别分数；

根据所述用户id的浏览记录来计算表示用户对多个类别封面图中的每一类别感兴趣程度的第2类别分数；

融合所述第1推送分数、所述第1类别分数、以及所述第2类别分数这三者，得到与三者成正相关关系的图片推送分数；以及

选取所述图片推送分数最高的图片作为封面图并向所述用户id的app推送，

融合所述第1推送分数、所述第1类别分数、以及所述第2类别分数这三者，得到与三者成正相关关系的图片推送分数包括：

使用算式(1)和算式(2)之一进行计算，

T＝s*(c_1*t_1+c_2*t_2+c_3*t_3+…+c_n*t_n) (1)

T＝s*exp(c_1*t_1+c_2*t_2+c_3*t_3+…+c_n*t_n) (2)

其中，T表示图片推送分数，s表示第1推送分数，c_1、c_2、c_3…c_n表示图片的第1类别分数、t_1、t_2、t_3…t_n表示图片的第2类别分数。

2.根据权利要求1所述的选取对象推送封面图的方法，其特征在于，

还包括：

在获取所述第1推送分数、所述第1类别分数之前，根据预定的过滤参数来过滤网站内的图片。

3.根据权利要求1或2所述的选取对象推送封面图的方法，其特征在于，

所述神经网络的训练包括：

收集现有的图片，对每张所述图片标注表示其可否作为某种对象的推送图片的训练用推送分数以及图片类别信息，针对每张所述图片得到至少包含图片、训练用推送分数、以及图片类别信息在内的第1多元组；以及

使用所述第1多元组训练神经网络。

4.根据权利要求3所述的选取对象推送封面图的方法，其特征在于，

所述用户id的浏览记录是通过在app列表中记录用户浏览商品时浏览过的封面图片和点击过的封面图片，从而得到的多个至少包含用户id、封面图片类别、以及点击与否信息在内的第2多元组。

5.根据权利要求1或2所述的选取对象推送封面图的方法，其特征在于，

所述对象是房源。

6.一种选取对象推送封面图的装置，其特征在于，包括：

第1运算模块，其利用训练好的神经网络模块，以目标对象的图片作为输入，并输出表示每张所述图片作为推送图片的可行度的值的第1推送分数、以及表示预测每张所述图片属于多个类别中每一类别的概率的值的第1类别分数；

第2运算模块，其根据用户id的浏览记录来计算表示用户对多个类别封面图中的每一类别感兴趣程度的第2类别分数；

推送分数计算模块，其从所述第2运算模块获取所述用户id和所述第2类别分数，并从所述第1运算模块获取所述第1推送分数、所述第1类别分数，融合所述第1推送分数、所述第1类别分数、以及所述第2类别分数这三者，得到与三者成正相关关系的图片推送分数；以及

推送模块，其选取所述图片推送分数最高的图片作为封面图并向所述用户id的app推送，

融合所述第1推送分数、所述第1类别分数、以及所述第2类别分数这三者，得到与三者成正相关关系的图片推送分数包括：

使用算式(1)和算式(2)之一进行计算，

T＝s*(c_1*t_1+c_2*t_2+c_3*t_3+…+c_n*t_n) (1)

T＝s*exp(c_1*t_1+c_2*t_2+c_3*t_3+…+c_n*t_n) (2)

其中，T表示图片推送分数，s表示第1推送分数，c_1、c_2、c_3…c_n表示图片的第1类别分数、t_1、t_2、t_3…t_n表示图片的第2类别分数。

7.一种电子设备，其特征在于，包括：至少一个存储器和至少一个处理器；

其中，存储器用于存储程序代码，

所述处理器用于调用所述存储器所存储的程序代码执行权利要求1至5的任一项所述的选取对象推送封面图的方法。

8.一种存储介质，所述存储介质用于存储程序代码，所述程序代码用于执行权利要求1至5的任一项所述的选取对象推送封面图的方法。

Images