CN111310037B - 家居素材的推荐方法、装置及电子设备 - Google Patents

Abstract

本发明提供了一种家居素材的推荐方法、装置及电子设备，该方法包括：获取用户选择的当前家居素材的素材图像和第一素材信息；将素材图像输入至预先训练的类型推荐模型，得到与当前家居素材适配的素材类型；获取候选家居素材，并从候选家居素材中确定与素材类型对应的候选家居素材；识别素材类型对应的候选家居素材的第二素材信息；其中，第一素材信息和第二素材信息均包括风格信息和/或色调信息；基于第一素材信息和第二素材信息，从素材类型对应的候选家居素材中推荐当前家居素材对应的家居素材。本发明可以有效提高家装设计的效率。

Description

家居素材的推荐方法、装置及电子设备

技术领域

本发明涉及家居素材技术领域，尤其是涉及一种家居素材的推荐方法、装置及电子设备。

背景技术

随着互联网技术的发展，现已推出多种家装设计平台(或软件/网站)，家装设计平台中可以为家装设计师提供多种家居素材，诸如不同风格色调的桌椅、沙发或茶几等，家装设计师可以根据家装设计平台中提供的家居素材进行家装设计。目前，家装设计师需要根据经验与审美偏好手动浏览家装设计平台提供的家居素材，并从中选择所需要的家居素材进行搭配，但是由于家装设计平台中提供的家居素材较多，家装设计师无法便捷快速地从中选择所需的家居素材，且很难抉择如何选择合适的家居素材进行搭配，从而导致家装设计效率较低。

发明内容

有鉴于此，本发明的目的在于提供一种家居素材的推荐方法、装置及电子设备，可以有效提高家装设计的效率。

第一方面，本发明实施例提供了一种家居素材的推荐方法，包括：获取用户选择的当前家居素材的素材图像和第一素材信息；将所述素材图像输入至预先训练的类型推荐模型，得到与所述当前家居素材适配的素材类型；获取候选家居素材，并从所述候选家居素材中确定与所述素材类型对应的候选家居素材；识别所述素材类型对应的候选家居素材的第二素材信息；其中，所述第一素材信息和所述第二素材信息均包括风格信息和/或色调信息；基于所述第一素材信息和所述第二素材信息，从所述素材类型对应的候选家居素材中推荐所述当前家居素材对应的家居素材。

在一种实施方式中，在所述获取候选家居素材的步骤之前，所述方法还包括：对预设数据库中存储的已有家居素材进行统计，得到共现矩阵；其中，所述共现矩阵用于表征各个所述已有家居素材的组合出现的次数；利用所述共现矩阵，对所述预设数据库中存储的已有家居素材进行粗召回处理，得到所述已有家居素材对应的素材排序；基于所述素材排序从所述已有家居素材中确定指定数量的候选家居素材。

在一种实施方式中，所述类型推荐模型的训练方法，包括：获取历史的素材类型搭配方案；利用所述素材类型搭配方案训练word2vec模型，得到类型推荐模型。

在一种实施方式中，所述识别所述素材类型对应的候选家居素材的第二素材信息的步骤，包括：将所述素材类型对应的候选家居素材输入至预先训练得到的风格识别模型，得到第二素材信息中的风格信息；和/或，将所述素材类型对应的候选家居素材输入至预先训练得到的色调识别模型，得到第二素材信息中的色调信息。

在一种实施方式中，所述风格识别模型的训练步骤，包括：将标注有素材风格标签的训练图像输入至预训练的ResNet152模型，并利用微调算法对所述ResNet152模型的参数进行调整，得到风格识别模型；所述色调识别模型的训练步骤，包括：将标注有素材色调标签的训练图像输入至预训练的ResNet152模型，并利用微调算法对所述ResNet152模型的参数进行调整，得到色调识别模型。

在一种实施方式中，所述基于所述第一素材信息和所述第二素材信息，从所述素材类型对应的候选家居素材中推荐所述当前家居素材对应的家居素材的步骤，包括：计算所述第一素材信息与所述第二素材信息的相似度；基于所述相似度调整所述素材类型对应的候选家居素材的排序；基于调整排序后的所述素材类型对应的候选家居素材生成推荐列表，以使所述用户从所述推荐列表中确定所述当前家居素材对应的目标家居素材。

第二方面，本发明实施例还提供一种家居素材的推荐装置，包括：当前素材获取模块，用于获取用户选择的当前家居素材的素材图像和第一素材信息；类型推荐模块，用于将所述素材图像输入至预先训练的类型推荐模型，得到与所述当前家居素材适配的素材类型；候选素材确定模块，用于获取候选家居素材，并从所述候选家居素材中确定与所述素材类型对应的候选家居素材；信息识别模块，用于识别所述素材类型对应的候选家居素材的第二素材信息；其中，所述第一素材信息和所述第二素材信息均包括风格信息和/或色调信息；目标素材确定模块，用于基于所述第一素材信息和所述第二素材信息，从所述素材类型对应的候选家居素材中推荐所述当前家居素材对应的家居素材。

在一种实施方式中，所述装置还包括候选素材配置模块，用于：对预设数据库中存储的已有家居素材进行统计，得到共现矩阵；其中，所述共现矩阵用于表征各个所述已有家居素材的组合出现的次数；利用所述共现矩阵，对所述预设数据库中存储的已有家居素材进行粗召回处理，得到所述已有家居素材对应的素材排序；基于所述素材排序从所述已有家居素材中确定指定数量的候选家居素材。

第三方面，本发明实施例还提供一种电子设备，包括处理器和存储器；所述存储器上存储有计算机程序，所述计算机程序在被所述处理器运行时执行如第一方面提供的任一项所述的方法。

第四方面，本发明实施例还提供一种计算机存储介质，用于储存为第一方面提供的任一项所述方法所用的计算机软件指令。

本发明实施例提供的一种家居素材的推荐方法、装置及电子设备，首先获取用户选择的当前家居素材的素材图像和第一素材信息，然后将素材图像输入至预先训练的类型推荐模型，得到与当前家居素材适配的素材类型，获取候选家居素材并从候选家居素材中确定与素材类型对应的候选家居素材，识别素材类型对应的候选家居素材的第二素材信息，最终基于第一素材信息和第二素材信息，从素材类型对应的候选家居素材中推荐当前家居素材对应的目标家居素材。上述方式利用类型推荐模型为用户推荐与当前家居素材适配的素材类型，并识别素材类型对应的候选家具素材的第二素材信息，从而基于当前家居素材的第一素材信息和识别得到的第二素材信息，从素材类型对应的候选家具素材中确定当前家居素材对应的目标家居素材，相较于现有技术中仅通过用户人为地从大量家居素材中选择所需的家居素材，本发明实施例可以便于用户在选择任意一款家居素材的情况下，为用户快速推荐多款与选择的家居素材向适配的家居素材，从而在一定程度上提高家装设计的效率。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种家居素材的推荐方法的流程示意图；

图2为本发明实施例提供的另一种家居素材的推荐方法的流程示意图；

图3为本发明实施例提供的一种家居素材的推荐装置的结构示意图；

图4为本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

目前，现有的家装设计平台无法快速地为用户推荐家居素材，基于此，本发明实施提供了一种家居素材的推荐方法、装置及电子设备，可以有效提高家装设计的效率。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种家居素材的推荐方法进行详细介绍，参见图1所示的一种家居素材的推荐方法的流程示意图，该方法主要包括以下步骤S102至步骤S110：

步骤S102，获取用户选择的当前家居素材的素材图像和第一素材信息。

其中，当前家居素材可以为家居素材的3D(3Dimensions，三维)模型，第一素材信息包括当前家居素材的风格信息和色调信息。在一种实施方式中，可以将多种不同素材类型对应的3D模型和3D模型对应的素材图像存储至预设数据库中，用户可从预设数据中选择所需的3D模型作为当前家居素材。另外，当前家居素材的第一素材信息可以采用预先训练的神经网络模型进行识别，例如，利用训练好的风格识别模型识别当前家居素材的风格信息，以及利用训练好的色调识别模型识别当前家居素材的色调信息，从而得到当前家居素材的第一素材信息。

步骤S104，将素材图像输入至预先训练的类型推荐模型，得到与当前家居素材适配的素材类型。

其中，类型推荐模型用于根据输入的素材图像输出与该素材图像适配的素材类型。在一种实施方式中，可以获取历史的素材类型搭配方案，例如，“沙发-茶几”、“沙发-电视”或“电视-单人沙发”等，并将素材类型搭配方案作为训练集输入至word2vec模型，以对word2vec模型进行训练，并将训练后的word2vec模型作为类型推荐模型，如果输入的素材图像为沙发图像，则类型推荐模型输出的素材类型可以包括茶几类型、电视类型或单人沙发类型等。

步骤S106，获取候选家居素材，并从候选家居素材中确定与素材类型对应的候选家居素材。

其中，候选家居素材也即上述预设数据库中存储的家居素材，由于预设数据库中存储得劲家居素材的类型较多，不便于用户查找与当前家居素材相适配的目标家居素材，因此本发明实施例仅获取与上述步骤S104确定的素材类型对应的候选家居素材，从而在一定程度上减少候选家具素材的数量。

步骤S108，识别素材类型对应的候选家居素材的第二素材信息。

其中，第一素材信息和第二素材信息均包括风格信息和/或色调信息。考虑到在进行家装设计的过程中，各个家居素材之间的风格和色调应互相配合，以提供更好的视觉效果，因此本发明实施例还应对素材类型对应的候选家居素材的第二素材信息进行识别。在一种实施方式中，可以采用预先训练的神经网络模型识别第二素材信息，例如，利用训练好的风格识别模型识别素材类型对应的候选家居素材的风格信息，以及利用训练好的色调识别模型识别素材类型对应的候选家居素材的色调信息，从而得到素材类型对应的候选家居素材的第二素材信息。

步骤S110，基于第一素材信息和第二素材信息，从素材类型对应的候选家居素材中推荐当前家居素材对应的目标家居素材。

在一种实施方式中，可以将第一素材信息与第二素材信息完全一致的候选家居素材作为当前家居类型对应的目标家居素材；在另一种实施方式中，可以基于第一素材信息和的人素材信息之间的相似度对素材类型对应的候选家居素材进行排序，并按照排序结果确定当前家居素材对应的目标家居素材，例如将排序结果中前20个候选家具素材作为当前家居素材对应的目标家居素材。

本发明实施例提供的上述家居素材的推荐方法，首先获取用户选择的当前家居素材的素材图像和第一素材信息，然后将素材图像输入至预先训练的类型推荐模型，得到与当前家居素材适配的素材类型，获取候选家居素材并从候选家居素材中确定与素材类型对应的候选家居素材，识别素材类型对应的候选家居素材的第二素材信息，最终基于第一素材信息和第二素材信息，从素材类型对应的候选家居素材中推荐当前家居素材对应的目标家居素材。上述方式利用类型推荐模型为用户推荐与当前家居素材适配的素材类型，并识别素材类型对应的候选家具素材的第二素材信息，从而基于当前家居素材的第一素材信息和识别得到的第二素材信息，从素材类型对应的候选家具素材中确定当前家居素材对应的目标家居素材，相较于现有技术中仅通过用户人为地从大量家居素材中选择所需的家居素材，本发明实施例可以便于用户在选择任意一款家居素材的情况下，为用户快速推荐多款与选择的家居素材向适配的家居素材，从而在一定程度上提高家装设计的效率。

本发明实施例在获取候选家居素材之前，需要对候选家居素材进行配置，在一种具体的实施方式中，可以参照如下步骤1至步骤3：

步骤1，对预设数据库中存储的已有家居素材进行统计，得到共现矩阵。其中，共现矩阵用于表征各个已有家居素材的组合出现的次数。为便于对共现矩阵进行理解，本发明实施例以表格形式表征共现矩阵，参见如下表1所示的一种共现矩阵，其中表1的行表征共现矩阵的行，表1的列表征共现矩阵的列，以第一行为例，表明家居素材1与家居素材1的组合出现次数为0，家居素材1与家居素材2的组合出现的次数为2，家居素材1与家居素材3的组合出现的次数为1。

表1

	家居素材1	家居素材2	家居素材3
				家居素材1	0	2	1
家居素材2	2	1	4
				家居素材3	1	4	0

步骤2，利用共现矩阵对预设数据库中存储的已有家居素材进行粗召回处理，得到已有家居素材对应的素材排序。其中，上述共现矩阵也即利用协同过滤推荐算法(Item-Based Collaborative Filtering Recommendation Algorithms)对家装设计师设计的大量家装设计方案进行统计得到的，也可称之为协同过滤矩阵。在一种实施方式中，可以对计算共现矩阵中各个家居素材与家居素材之间的余弦值，并将计算得到的余弦值作为家居素材与家居素材之间的匹配程度，按照匹配程度又高到低的顺序对预设数据库中存储的已有家居素材进行排序，得到素材排序。

步骤3，基于素材排序从已有家居素材中确定指定数量的候选家居素材。假设指定数量为20％，则可以将素材排序中前20％的已有家居素材作为候选家居素材。

对于前述步骤S104，本发明实施例提供了一种类型推荐模型的训练方法，可以获取历史的素材类型搭配方案，然后利用素材类型搭配方案训练word2vec模型，得到类型推荐模型。其中，word2vec模型包括CBOW(连续词袋)模型或者Skip-gram模型。例如，素材类型搭配方案包括“沙发-茶几”、“沙发-电视”或“电视-单人沙发”等，并将素材类型搭配方案作为训练集输入至word2vec模型，以对word2vec模型进行训练，并将训练后的word2vec模型作为类型推荐模型。

本发明实施例还提供了一种上述步骤S108的一种具体实施方式，具体可参见如下方式：

方式一：将素材类型对应的候选家居素材输入至预先训练得到的风格识别模型，得到第二素材信息中的风格信息。其中，风格识别模型可以选择ResNet152(残差网络)模型，为使风格识别模型能够较为准确地识别出素材类型对应的候选家具素材的风格信息，需要对风格识别模型进行训练，在一种实施方式中，可以将标注有素材风格标签的训练图像输入至预训练的ResNet152模型，并利用微调(Finetune)算法对ResNet152模型的参数进行调整，得到风格识别模型，其中，训练图像标注的素材风格标签可以为专业的家装设计师标注的。为进一步提高风格识别模型的识别准确率，本发明实施例可以利用ImageNet数据集对ResNet152模型进行预训练，再将标注有素材风格标签的训练图像输入至预训练的RwsNet152模型后，利用微调算法对预训练的ResNet152模型的参数进行调整，以得到识别准确率较高的风格识别模型。

方式二：将素材类型对应的候选家居素材输入至预先训练得到的色调识别模型，得到第二素材信息中的色调信息。其中，色调识别模型也可以选择ResNet152(残差网络)模型，为使色调识别模型能够较为准确地识别出素材类型对应的候选家具素材的色调信息，需要对色调识别模型进行训练，在一种实施方式中，可以将标注有素材色调标签的训练图像输入至预训练的ResNet152模型，并利用微调算法对ResNet152模型的参数进行调整，得到色调识别模型，其中，训练图像标注的素材色调标签可以为专业的家装设计师标注的。为进一步提高色调识别模型的识别准确率，本发明实施例可以利用ImageNet数据集对ResNet152模型进行预训练，再将标注有素材色调标签的训练图像输入至预训练的RwsNet152模型后，利用微调算法对预训练的ResNet152模型的参数进行调整，以得到识别准确率较高的色调识别模型。

在实际应用中，可以选择上述方式一或方式二任意一种方式识别素材类型对应的候选家居素材的第二素材信息，也可以结合上述方式一和方式二对素材类型对应的候选家居素材的第二素材信息进行识别。

在一种实施方式中，本发明实施例可按照如下步骤a至步骤c执行基于第一素材信息和第二素材信息，从素材类型对应的候选家居素材中推荐当前家居素材对应的家居素材的步骤：

步骤a，计算第一素材信息与第二素材信息的相似度。在一种实施方式中，可以比对第一素材信息中的风格信息和第二素材信息中的风格信息，如果二者一致则可以认为第一素材信息与第二素材信息的相似度较高；也可以比对第一素材信息中的色调信息和第二素材信息中的色调信息，如果二者一致则可以认为第一素材信息与第二素材信息的相似度较高；或在第一素材信息中的风格信息和第二素材信息中的风格信息一致，且第一素材信息中的色调信息和第二素材信息中的色调信息一致时，确定第一素材信息与第二素材信息的相似度较高。

步骤b，基于相似度调整素材类型对应的候选家居素材的排序。在实际应用中，在对预设数据库中存储的已有家居素材进行粗召回时，召回得到的候选家居素材已经具备排列顺序(按照匹配程度由高到低的顺序)，因此在执行步骤b时，可以利用相似度对素材类型对应的候选家居素材的排序进行精细排序，例如，将与第一素材信息一致的第二素材信息对应的候选家居素材的排序向前调整。

步骤c，基于调整排序后的素材类型对应的候选家居素材生成推荐列表，以使用户从推荐列表中确定当前家居素材对应的目标家居素材。

为便于对上述实施例提供的家居素材的推荐方法进行理解，本发明实施例提供了另一种家居素材的推荐方法，参见图2所示的另一种家居素材的推荐方法的流程示意图，具体如下步骤S202至步骤S214：

步骤S202，获取至少一个已有素材类型。

步骤S204，从预设数据库中召回各个已有素材类型对应的指定数量的候选家居素材。在一种实施方式中，可以利用预先统计好的协同过滤矩阵粗召回指定数量的候选家居素材。

步骤S206，获取召回的候选家居素材的素材图像。

步骤S208，获取用户选择的当前家居素材，并将当前家居素材输入至word2vec模型，得到与当前家居素材适配的目标素材类型。

步骤S210，对目标素材类型对应的候选家居素材进行风格识别，得到风格信息。具体可参见前述方式一，本发明实施例在此不再赘述。

步骤S212，对目标素材类型对应的候选家居素材进行色调识别，得到色调信息。具体可参见前述方式二，本发明实施例在此不再赘述。

步骤S214，根据风格信息和色调信息对目标素材类型对应的候选家居素材进行排序。

综上，本发明实施例通过上述方法，可以根据用户已选择的当前家居素材智能推荐具有高度关联性的特定数量的目标家居素材，从而有效提升了家居设计师的设计效率与设计质量。

对于前述实施例提供的家居素材的推荐方法，本发明实施例提供了一种家居素材的推荐装置，参见图3所示的一种家居素材的推荐装置的结构示意图，该装置可以包括以下部分：

当前素材获取模块302，用于获取用户选择的当前家居素材的素材图像和第一素材信息；

类型推荐模块304，用于将素材图像输入至预先训练的类型推荐模型，得到与当前家居素材适配的素材类型；

候选素材确定模块306，用于获取候选家居素材，并从候选家居素材中确定与素材类型对应的候选家居素材；

信息识别模块308，用于识别素材类型对应的候选家居素材的第二素材信息；其中，第一素材信息和第二素材信息均包括风格信息和/或色调信息；

目标素材确定模块310，用于基于第一素材信息和第二素材信息，从素材类型对应的候选家居素材中推荐当前家居素材对应的家居素材。

本发明实施例提供的家居素材的推荐装置，利用类型推荐模型为用户推荐与当前家居素材适配的素材类型，并识别素材类型对应的候选家具素材的第二素材信息，从而基于当前家居素材的第一素材信息和识别得到的第二素材信息，从素材类型对应的候选家具素材中确定当前家居素材对应的目标家居素材，相较于现有技术中仅通过用户人为地从大量家居素材中选择所需的家居素材，本发明实施例可以便于用户在选择任意一款家居素材的情况下，为用户快速推荐多款与选择的家居素材向适配的家居素材，从而在一定程度上提高家装设计的效率。

在一种实施方式中，上述装置还包括候选素材配置模块，用于：对预设数据库中存储的已有家居素材进行统计，得到共现矩阵；其中，共现矩阵用于表征各个已有家居素材的组合出现的次数；利用共现矩阵，对预设数据库中存储的已有家居素材进行粗召回处理，得到已有家居素材对应的素材排序；基于素材排序从已有家居素材中确定指定数量的候选家居素材。

在一种实施方式中，上述装置还包括第一训练模块，用于：类型推荐模型的训练方法，包括：获取历史的素材类型搭配方案；利用素材类型搭配方案训练word2vec模型，得到类型推荐模型。

在一种实施方式中，上述信息识别模块308还用于：将素材类型对应的候选家居素材输入至预先训练得到的风格识别模型，得到第二素材信息中的风格信息；和/或，将素材类型对应的候选家居素材输入至预先训练得到的色调识别模型，得到第二素材信息中的色调信息。

在一种实施方式中，上述装置还包括第二训练模块，用于：将标注有素材风格标签的训练图像输入至预训练的ResNet152模型，并利用微调算法对ResNet152模型的参数进行调整，得到风格识别模型；上述装置还包括第三训练模块，用于：将标注有素材色调标签的训练图像输入至预训练的ResNet152模型，并利用微调算法对ResNet152模型的参数进行调整，得到色调识别模型。

在一种实施方式中，上述目标素材确定模块310还用于：计算第一素材信息与第二素材信息的相似度；基于相似度调整素材类型对应的候选家居素材的排序；基于调整排序后的素材类型对应的候选家居素材生成推荐列表，以使用户从推荐列表中确定当前家居素材对应的目标家居素材。

本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

该设备为一种电子设备，具体的，该电子设备包括处理器和存储装置；存储装置上存储有计算机程序，计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法。

图4为本发明实施例提供的一种电子设备的结构示意图，该电子设备100包括：处理器40，存储器41，总线42和通信接口43，所述处理器40、通信接口43和存储器41通过总线42连接；处理器40用于执行存储器41中存储的可执行模块，例如计算机程序。

其中，存储器41可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口43(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。

总线42可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器41用于存储程序，所述处理器40在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器40中，或者由处理器40实现。

处理器40可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器40中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器40可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41，处理器40读取存储器41中的信息，结合其硬件完成上述方法的步骤。

本发明实施例所提供的可读存储介质的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见前述方法实施例，在此不再赘述。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (7)

1.一种家居素材的推荐方法，其特征在于，包括：

获取用户选择的当前家居素材的素材图像和第一素材信息；

将所述素材图像输入至预先训练的类型推荐模型，得到与所述当前家居素材适配的素材类型；

获取候选家居素材，并从所述候选家居素材中确定与所述素材类型对应的候选家居素材；

识别所述素材类型对应的候选家居素材的第二素材信息；其中，所述第一素材信息和所述第二素材信息均包括风格信息和/或色调信息；

基于所述第一素材信息和所述第二素材信息，从所述素材类型对应的候选家居素材中推荐所述当前家居素材对应的目标家居素材；

所述基于所述第一素材信息和所述第二素材信息，从所述素材类型对应的候选家居素材中推荐所述当前家居素材对应的目标家居素材的步骤，包括：计算所述第一素材信息与所述第二素材信息的相似度；基于所述相似度调整所述素材类型对应的候选家居素材的排序；基于调整排序后的所述素材类型对应的候选家居素材生成推荐列表，以使所述用户从所述推荐列表中确定所述当前家居素材对应的目标家居素材；

所述计算所述第一素材信息与所述第二素材信息的相似度的步骤，包括：比对第一素材信息中的风格信息和第二素材信息中的风格信息，如果二者一致则认为第一素材信息与第二素材信息的相似度较高；或者，比对第一素材信息中的色调信息和第二素材信息中的色调信息，如果二者一致则认为第一素材信息与第二素材信息的相似度较高；或者，在第一素材信息中的风格信息和第二素材信息中的风格信息一致，且第一素材信息中的色调信息和第二素材信息中的色调信息一致时，确定第一素材信息与第二素材信息的相似度较高；

所述基于所述相似度调整所述素材类型对应的候选家居素材的排序的步骤，包括：利用相似度对素材类型对应的候选家居素材的排序进行精细排序，以将与第一素材信息一致的第二素材信息对应的候选家居素材的排序向前调整；

在所述获取候选家居素材的步骤之前，所述方法还包括：

对预设数据库中存储的已有家居素材进行统计，得到共现矩阵；其中，所述共现矩阵用于表征各个所述已有家居素材的组合出现的次数；

利用所述共现矩阵，对所述预设数据库中存储的已有家居素材进行粗召回处理，得到所述已有家居素材对应的素材排序；

基于所述素材排序从所述已有家居素材中确定指定数量的候选家居素材。

2.根据权利要求1所述的方法，其特征在于，所述类型推荐模型的训练方法，包括：

获取历史的素材类型搭配方案；

利用所述素材类型搭配方案训练word2vec模型，得到类型推荐模型。

3.根据权利要求1所述的方法，其特征在于，所述识别所述素材类型对应的候选家居素材的第二素材信息的步骤，包括：

将所述素材类型对应的候选家居素材输入至预先训练得到的风格识别模型，得到第二素材信息中的风格信息；

和/或，

将所述素材类型对应的候选家居素材输入至预先训练得到的色调识别模型，得到第二素材信息中的色调信息。

4.根据权利要求3所述的方法，其特征在于，所述风格识别模型的训练步骤，包括：

将标注有素材风格标签的训练图像输入至预训练的ResNet152模型，并利用微调算法对所述ResNet152模型的参数进行调整，得到风格识别模型；

所述色调识别模型的训练步骤，包括：

将标注有素材色调标签的训练图像输入至预训练的ResNet152模型，并利用微调算法对所述ResNet152模型的参数进行调整，得到色调识别模型。

5.一种家居素材的推荐装置，其特征在于，包括：

当前素材获取模块，用于获取用户选择的当前家居素材的素材图像和第一素材信息；

类型推荐模块，用于将所述素材图像输入至预先训练的类型推荐模型，得到与所述当前家居素材适配的素材类型；

候选素材确定模块，用于获取候选家居素材，并从所述候选家居素材中确定与所述素材类型对应的候选家居素材；

信息识别模块，用于识别所述素材类型对应的候选家居素材的第二素材信息；其中，所述第一素材信息和所述第二素材信息均包括风格信息和/或色调信息；

目标素材确定模块，用于基于所述第一素材信息和所述第二素材信息，从所述素材类型对应的候选家居素材中推荐所述当前家居素材对应的家居素材；

所述目标素材确定模块还用于：计算所述第一素材信息与所述第二素材信息的相似度；基于所述相似度调整所述素材类型对应的候选家居素材的排序；基于调整排序后的所述素材类型对应的候选家居素材生成推荐列表，以使所述用户从所述推荐列表中确定所述当前家居素材对应的目标家居素材；

所述目标素材确定模块还用于：比对第一素材信息中的风格信息和第二素材信息中的风格信息，如果二者一致则认为第一素材信息与第二素材信息的相似度较高；或者，比对第一素材信息中的色调信息和第二素材信息中的色调信息，如果二者一致则认为第一素材信息与第二素材信息的相似度较高；或者，在第一素材信息中的风格信息和第二素材信息中的风格信息一致，且第一素材信息中的色调信息和第二素材信息中的色调信息一致时，确定第一素材信息与第二素材信息的相似度较高；

所述目标素材确定模块还用于：利用相似度对素材类型对应的候选家居素材的排序进行精细排序，以将与第一素材信息一致的第二素材信息对应的候选家居素材的排序向前调整；

所述装置还包括候选素材配置模块，用于：

对预设数据库中存储的已有家居素材进行统计，得到共现矩阵；其中，所述共现矩阵用于表征各个所述已有家居素材的组合出现的次数；

利用所述共现矩阵，对所述预设数据库中存储的已有家居素材进行粗召回处理，得到所述已有家居素材对应的素材排序；

基于所述素材排序从所述已有家居素材中确定指定数量的候选家居素材。

6.一种电子设备，其特征在于，包括处理器和存储器；

所述存储器上存储有计算机程序，所述计算机程序在被所述处理器运行时执行如权利要求1至4任一项所述的方法。

7.一种计算机存储介质，其特征在于，用于储存为权利要求1至4任一项所述方法所用的计算机软件指令。