CN111522979B - 图片排序推荐方法、装置、电子设备、存储介质 - Google Patents

Abstract

本发明提供一种图片排序推荐方法、装置、电子设备、存储介质，方法包括：利用第一训练集，训练预分类模型；将预分类模型的一中间层作为一编码器；利用具有场景标签的第二训练集，通过编码器，训练场景分类模型；利用具有优美度标签的第三训练集，通过编码器，训练第一优美度分类模型；利用图像属性，对第一优美度分类模型输出的优美度评分进行修正获得第二优美度模型；将待处理图片输入场景分类模型获得该待处理图片的场景类型；将待处理图片输入第二优美度模型获得该待处理图片的经修正的优美度评分；依据场景类型，按经修正的优美度评分对图片进行排序；以及按图片的排序顺序进行图片的推送。本发明提供的方法及装置提高用户体验。

Description

图片排序推荐方法、装置、电子设备、存储介质

技术领域

本发明涉及计算机应用技术领域，尤其涉及一种图片排序推荐方法、装置、电子设备、存储介质。

背景技术

随着互联网技术的发展，OTA(Online Travel Agency，在线旅行社)应运而生。OTA指"旅游消费者通过网络向旅游服务提供商预定旅游产品或服务，并通过网上支付或者线下付费，即各旅游主体可以通过网络进行产品营销或产品销售"。OTA的出现将原来传统的旅行社销售模式放到网络平台上，更广泛的传递了线路信息，互动式的交流更方便了客人的咨询和订购。

目前，深度学习的兴起使得图像智能化处理成为可能,图像AI技术广泛应用于安防、金融、医疗、交通、工业制造等领域，如何将该技术应用于OTA领域，是本领域技术人员需要研究的课题。

在旅游信息的获取上，图片信息相比文字是一种更为直观的和消费者交流的方式。图像是向用户展示吃喝玩乐住等旅游场景的重要手段之一。面对海量的图像数据和井喷式的图像数量的增长，传统依靠人工复核、挑选图片的工作已经不能满足业务需求。深度学习的兴起使得图像智能化处理成为可能，然而，如何通过深度学习以实现图片的快速排序和精准推送是本领域技术人员亟待解决的技术问题。

发明内容

本发明为了克服上述现有技术存在的缺陷，提供一种图片排序推荐方法、装置、电子设备、存储介质，以实现图片的快速排序和精准推送。

根据本发明的一个方面，提供一种图片排序推荐方法，包括：

利用第一训练集，训练预分类模型；

将所述预分类模型的一中间层作为一编码器；

利用具有场景标签的第二训练集，通过所述编码器，训练场景分类模型；

利用具有优美度标签的第三训练集，通过所述编码器，训练第一优美度分类模型；

利用图像属性，对所述第一优美度分类模型输出的优美度评分进行修正获得第二优美度模型；

将待处理图片输入所述场景分类模型获得该待处理图片的场景类型；

将待处理图片输入所述第二优美度模型获得该待处理图片的经修正的优美度评分；

依据所述场景类型，按所述经修正的优美度评分对图片进行排序；以及

按图片的排序顺序进行图片的推送。

在本发明的一些实施例中，所述预分类模型及所述场景分类模型采用迁移学习来训练。

在本发明的一些实施例中，所述第三训练集中每一图片除了所述优美度标签，还标记有主题类别标签。

在本发明的一些实施例中，所述第一优美度分类模型采用多任务迁移学习来训练。

在本发明的一些实施例中，所述场景分类模型中包括L2范式层。

在本发明的一些实施例中，所述场景分类模型采用Triplet Loss作为损失函数。

在本发明的一些实施例中，所述利用图像属性，对所述第一优美度分类模型输出的优美度评分进行修正获得第二优美度模型包括：

将至少一所述图像属性及所述第一优美度分类模型输出的优美度评分进行特征聚合；

基于聚合的特征，采用回归模型对所述第一优美度分类模型输出的优美度评分进行拟合获得第二优美度模型。

根据本发明的又一方面，还提供一种图片排序推荐装置，包括：

第一训练模块，用于利用第一训练集，训练预分类模型；

编码器模块，用于将所述预分类模型的一中间层作为一编码器；

第二训练模块，用于利用具有场景标签的第二训练集，通过所述编码器，训练场景分类模型；

第三训练模块，用于利用具有优美度标签的第三训练集，通过所述编码器，训练第一优美度分类模型；

修正模块，用于利用图像属性，对所述第一优美度分类模型输出的优美度评分进行修正获得第二优美度模型；

第一获取模块，用于将待处理图片输入所述场景分类模型获得该待处理图片的场景类型；

第二获取模块，用于将待处理图片输入所述第二优美度模型获得该待处理图片的经修正的优美度评分；

排序模块，用于依据所述场景类型，按所述经修正的优美度评分对图片进行排序；以及

推送模块，用于按图片的排序顺序进行图片的推送。

根据本发明的又一方面，还提供一种电子设备，所述电子设备包括：处理器；存储介质，其上存储有计算机程序，所述计算机程序被所述处理器运行时执行如上所述图片排序推荐方法的步骤。

根据本发明的又一方面，还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上所述图片排序推荐方法的步骤。

相比现有技术，本发明的优势在于：

通过利用学习好的模型对图片进行标签化入库，同时能对图片的优美图给出较为客观的分值，方便使用规则来判断该图片是否适合用于推介场景，可以大规模应用于智能选图，后期只需要少量人工进行复核即可，本发明简化推介场景选图流程，使机器代替人工进行操作，提高了识图选图的效率。

附图说明

通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。

图1示出了根据本发明实施例的图片排序推荐方法的流程图。

图2示出了根据本发明具体实施例的场景分类模型的示意图。

图3示出了根据本发明实施例的利用图像属性，对所述第一优美度分类模型输出的优美度评分进行修正获得第二优美度模型的流程图。

图4示出了根据本发明实施例的图片排序推荐装置的模块图。

图5示意性示出本公开示例性实施例中一种计算机可读存储介质示意图。

图6示意性示出本公开示例性实施例中一种电子设备示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

为了解决现有技术的缺陷，实现图片的快速排序和精准推送，本发明提供一种图片排序推荐方法、装置、电子设备、存储介质。

首先参见图1，图1示出了根据本发明实施例的图片排序推荐方法的示意图。图片排序推荐方法包括如下步骤：

步骤S110：利用第一训练集，训练预分类模型；

步骤S120：将所述预分类模型的一中间层作为一编码器；

步骤S130：利用具有场景标签的第二训练集，通过所述编码器，训练场景分类模型；

步骤S140：利用具有优美度标签的第三训练集，通过所述编码器，训练第一优美度分类模型；

步骤S150：利用图像属性，对所述第一优美度分类模型输出的优美度评分进行修正获得第二优美度模型；

步骤S160：将待处理图片输入所述场景分类模型获得该待处理图片的场景类型；

步骤S170：将待处理图片输入所述第二优美度模型获得该待处理图片的经修正的优美度评分；

步骤S180：依据所述场景类型，按所述经修正的优美度评分对图片进行排序；以及

步骤S190：按图片的排序顺序进行图片的推送。

在本发明提供的图片排序推荐方法中，通过利用学习好的模型对图片进行标签化入库，同时能对图片的优美图给出较为客观的分值，方便使用规则来判断该图片是否适合用于推介场景，可以大规模应用于智能选图，后期只需要少量人工进行复核即可，本发明简化推介场景选图流程，使机器代替人工进行操作，提高了识图选图的效率。

具体而言，所述第一训练集例如可以是Place365数据集，本发明并非以此为限制。上述步骤S110可以利用开源的深度学习平台，采用迁移学习的方式来训练卷积神经网络，使用一个在Place365数据集上训练好的分类精度和速度都较好的卷积神经网络模型，作为预分类模型。

具体而言，卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。它包括卷积层(convolutional layer)和池化层(pooling layer)。CNN已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。CNN的基本结构可以包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。

具体而言，步骤S120中，将将所述预分类模型的一中间层作为一编码器从而为在后续步骤的模型训练输入提供编码功能，以将第二训练集和第三训练集的图片特征输入至模型中。由此，在训练分类模型和优美度模型前，我们在公开数据集Place365数据集上训练好一个分类精度和速度都较好的CNN模型用作预训练模型，预训练模型对分类模型和优美度模型的拟合有较大帮助，能大幅度提高模型收敛速度

具体而言，在第二训练集中，各图片具有场景标签。场景标签可以包括游船、雪山、科技馆等，本发明并非以此为限制。在本发明中，可以按多个场景做好描述文本，如{图片名，场景A，B，。。。F}。建立场景识别的训练库。

具体而言，步骤S120中的编码器也可以被称为提取器(extractor)。将该编码器应用到第二训练集中，提取训练所需的特征库，利用提取的特征，学习如图2所示的网络模型，完成迁移学习，得到场景分类模型。

具体而言，图2中示出依次连接的编码器210、CNN结构220、L2范式层230、嵌入层240、Triplet Loss层250以及softmax层260。

具体而言，Triplet loss层250和softmax层提供两种不同的约束计算方法，共同作用于网络的训练，网络的总的损失等于两种损失之和。

具体而言，本发明在场景分类模型中加入L2范式层，解决了样本分布不均衡引起的网络不收敛或者是收敛慢的问题。同时，在嵌入层240之后。加入Triplet Loss(一种损失函数)用于压缩类别与类别之间的差异，使CNN网络能够学习到场景类别的更多细节，从而得到更加准确的类别信息。Softmax为另一种损失函数，尤其适用于多分类的模型。

具体而言，在第三训练集中，可以将样本图片按照优美度级别做好标注，如差、中、美等、辅以其主题类别标签(如食物，风景，人物等)，做好描述文本，如{图片名，优美度，类别}，由此第三训练集。具体而言，主题类别标签和场景标签可以以不同的维度供用户检索或者通过页面关键词和标签的匹配以进行待显示图片的推荐。

在本发明的各个实施例中，第一训练集至第三训练集可以采用相同的样本图片。在本发明的一些变化例中，第一训练集至第三训练集可以分别采用不同的样本图片。

具体而言，步骤S120中的编码器也可以被称为提取器(extractor)。将该编码器应用到第三训练集中，提取训练所需的特征库，利用提取的特征，学习新加入到原网络结构中的新的层级，完成多任务的迁移学习，得到第一优美度分类模型。

具体而言，在训练第一优美度分类模型的时候，结合一些常用的图像属性，如图像的物理属性(宽高比)、感官熟悉(饱和度、亮度、色度等)、图像内容属性(第一优美度分类模型输出的优美度评分、ORB特征(ORB-(Oriented Fast and Rotated BRIEF)算法是基于FAST特征检测与BRIEF特征描述子匹配实现，这个定义基于特征点周围的图像灰度值，检测候选特征点周围一圈的像素值，如果候选点周围领域内有足够多的像素点与该候选点的灰度值差别够大，则认为该候选点为一个特征点)、brenner梯度(Brenner梯度函数通过计算相邻两个像素灰度差的平方来进行梯度评价)等)，对第一优美度分类模型拟合出来的优美度评分进行修正，得到第二优美度分类模型，第二优美度分类模型解决了深度模型需要对输入图片归一化到较小尺寸引起的信息缺失问题，获取的图像质量分更为准确。

进一步地，所述步骤S180利用图像属性，对所述第一优美度分类模型输出的优美度评分进行修正获得第二优美度模型的实现可以参见图3。图3共示出如下步骤：

步骤S181：将至少一所述图像属性及所述第一优美度分类模型输出的优美度评分进行特征聚合；

步骤S182：基于聚合的特征，采用回归模型对所述第一优美度分类模型输出的优美度评分进行拟合获得第二优美度模型。

具体而言，采用第一优美度分类模型对图像进行美和丑的二分类，能够对图像的优美度做一个初步的分类，但是还达不到业务需求。自动挑选美图作为推荐页首图还需从第一优美度分类模型获取不到的图像维度进行评价。由于第一优美度分类模型在预测之前一般都会将图像归一化到统一大小，如224*224，而图像原始尺寸比归一化尺寸大的多，图像在下采样过程中会损失掉很多的信息。因此，本发明可以综合人工运营时选图的偏好，将第一优美度分类模型预测结果作为一个参考值，结合图像的物理属性，感官特征，其他特征，在一个图像优美度细分类别较多的稍小数据集上做二次拟合，得到一个优美度识别颗粒度更小的第二优美度模型。其详细做法为，计算图像的第一优美度分类模型输出的优美度评分，宽高比，宽度，高度，亮度，饱和度，色度，brenner梯度，ORB特征并作归一化处理，得到一个融合的低维度特征。在一个优美度标注细分更精准的数据集上作微调，得到更为精细的第二优美度模型。

以上仅仅是示意性地描述本发明的多个实现方式，本发明并非以此为限制。

以上仅仅是本发明的具体实现方式，本发明并非以此为限制。

本发明还提供一种图片排序推荐装置，图4示出了根据本发明实施例的图片排序推荐装置的示意图。图片排序推荐装置300包括第一训练模块310、编码器模块320、第二训练模块330、第三训练模块340、修正模块350、第一获取模块360、第二获取模块370、排序模块380以及推送模块390。

第一训练模块310用于利用第一训练集，训练预分类模型；

编码器模块320用于将所述预分类模型的一中间层作为一编码器；

第二训练模块330用于利用具有场景标签的第二训练集，通过所述编码器，训练场景分类模型；

第三训练模块340用于利用具有优美度标签的第三训练集，通过所述编码器，训练第一优美度分类模型；

修正模块350用于利用图像属性，对所述第一优美度分类模型输出的优美度评分进行修正获得第二优美度模型；

第一获取模块360用于将待处理图片输入所述场景分类模型获得该待处理图片的场景类型；

第二获取模块370用于将待处理图片输入所述第二优美度模型获得该待处理图片的经修正的优美度评分；

排序模块380用于依据所述场景类型，按所述经修正的优美度评分对图片进行排序；以及

推送模块390用于按图片的排序顺序进行图片的推送。

在本发明提供的图片排序推荐装置中，通过利用学习好的模型对图片进行标签化入库，同时能对图片的优美图给出较为客观的分值，方便使用规则来判断该图片是否适合用于推介场景，可以大规模应用于智能选图，后期只需要少量人工进行复核即可，本发明简化推介场景选图流程，使机器代替人工进行操作，提高了识图选图的效率。

图4仅仅是示意性的示出本发明提供的图片排序推荐装置，在不违背本发明构思的前提下，模块的拆分、合并、增加都在本发明的保护范围之内。本发明提供的图片排序推荐装置可以由软件、硬件、固件、插件及他们之间的任意组合来实现，本发明并非以此为限。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被例如处理器执行时可以实现上述任意一个实施例中所述图片排序推荐方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述图片排序推荐方法部分中描述的根据本发明各种示例性实施方式的步骤。

参考图5所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品400，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。

所述计算机可读存储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，其中承载了可读程序代码。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。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，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租户计算设备上执行、部分地在租户设备上执行、作为一个独立的软件包执行、部分在租户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到租户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

在本公开的示例性实施例中，还提供一种电子设备，该电子设备可以包括处理器，以及用于存储所述处理器的可执行指令的存储器。其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一个实施例中所述图片排序推荐方法的步骤。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图6来描述根据本发明的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述图片排序推荐方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1至图3中所示的步骤。

所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。

所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得租户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述图片排序推荐方法。

相比现有技术，本发明的优势在于：

通过利用学习好的模型对图片进行标签化入库，同时能对图片的优美图给出较为客观的分值，方便使用规则来判断该图片是否适合用于推介场景，可以大规模应用于智能选图，后期只需要少量人工进行复核即可，本发明简化推介场景选图流程，使机器代替人工进行操作，提高了识图选图的效率

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

Claims (9)

1.一种图片排序推荐方法，其特征在于，包括：

利用第一训练集，训练预分类模型；

将所述预分类模型的一中间层作为一编码器；

利用具有场景标签的第二训练集，通过所述编码器，训练场景分类模型；

利用具有优美度标签的第三训练集，通过所述编码器，训练第一优美度分类模型；

利用图像属性，对所述第一优美度分类模型输出的优美度评分进行修正获得第二优美度模型，包括：将至少一所述图像属性及所述第一优美度分类模型输出的优美度评分进行特征聚合；基于聚合的特征，采用回归模型对所述第一优美度分类模型输出的优美度评分进行拟合获得第二优美度模型；

将待处理图片输入所述场景分类模型获得该待处理图片的场景类型；

将待处理图片输入所述第二优美度模型获得该待处理图片的经修正的优美度评分；

依据所述场景类型，按所述经修正的优美度评分对图片进行排序；以及

按图片的排序顺序进行图片的推送。

2.如权利要求1所述的图片排序推荐方法，其特征在于，所述预分类模型及所述场景分类模型采用迁移学习来训练。

3.如权利要求1所述的图片排序推荐方法，其特征在于，所述第三训练集中每一图片除了所述优美度标签，还标记有主题类别标签。

4.如权利要求3所述的图片排序推荐方法，其特征在于，所述第一优美度分类模型采用多任务迁移学习来训练。

5.如权利要求1所述的图片排序推荐方法，其特征在于，所述场景分类模型中包括L2范式层。

6.如权利要求1所述的图片排序推荐方法，其特征在于，所述场景分类模型采用Triplet Loss作为损失函数。

7.一种图片排序推荐装置，其特征在于，包括：

第一训练模块，用于利用第一训练集，训练预分类模型；

编码器模块，用于将所述预分类模型的一中间层作为一编码器；

第二训练模块，用于利用具有场景标签的第二训练集，通过所述编码器，训练场景分类模型；

第三训练模块，用于利用具有优美度标签的第三训练集，通过所述编码器，训练第一优美度分类模型；

修正模块，用于利用图像属性，对所述第一优美度分类模型输出的优美度评分进行修正获得第二优美度模型，包括：将至少一所述图像属性及所述第一优美度分类模型输出的优美度评分进行特征聚合；基于聚合的特征，采用回归模型对所述第一优美度分类模型输出的优美度评分进行拟合获得第二优美度模型；

第一获取模块，用于将待处理图片输入所述场景分类模型获得该待处理图片的场景类型；

第二获取模块，用于将待处理图片输入所述第二优美度模型获得该待处理图片的经修正的优美度评分；

排序模块，用于依据所述场景类型，按所述经修正的优美度评分对图片进行排序；以及

推送模块，用于按图片的排序顺序进行图片的推送。

8.一种电子设备，其特征在于，所述电子设备包括：

处理器；

存储介质，其上存储有计算机程序，所述计算机程序被所述处理器运行时执行如权利要求1至6任一项所述的图片排序推荐方法。

9.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至6任一项所述的图片排序推荐方法。