CN112269928A - 用户推荐方法及装置、电子设备、计算机可读介质 - Google Patents
用户推荐方法及装置、电子设备、计算机可读介质 Download PDFInfo
- Publication number
- CN112269928A CN112269928A CN202011148035.1A CN202011148035A CN112269928A CN 112269928 A CN112269928 A CN 112269928A CN 202011148035 A CN202011148035 A CN 202011148035A CN 112269928 A CN112269928 A CN 112269928A
- Authority
- CN
- China
- Prior art keywords
- user
- recommendation
- feature
- preset
- user attribute
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims description 75
- 238000012549 training Methods 0.000 claims description 51
- 230000001815 facial effect Effects 0.000 claims description 46
- 230000006399 behavior Effects 0.000 claims description 26
- 238000002372 labelling Methods 0.000 claims description 22
- 238000012937 correction Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 208000035126 Facies Diseases 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 206010048245 Yellow skin Diseases 0.000 description 13
- 210000004709 eyebrow Anatomy 0.000 description 11
- 210000004209 hair Anatomy 0.000 description 11
- 210000001061 forehead Anatomy 0.000 description 8
- 230000002452 interceptive effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000001960 triggered effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000013475 authorization Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 210000000744 eyelid Anatomy 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 244000144730 Amygdalus persica Species 0.000 description 1
- 241000282994 Cervidae Species 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 240000001008 Dimocarpus longan Species 0.000 description 1
- 241000283070 Equus zebra Species 0.000 description 1
- 235000000235 Euphoria longan Nutrition 0.000 description 1
- 241000282320 Panthera leo Species 0.000 description 1
- 244000018633 Prunus armeniaca Species 0.000 description 1
- 235000009827 Prunus armeniaca Nutrition 0.000 description 1
- 235000006040 Prunus persica var persica Nutrition 0.000 description 1
- 241000124033 Salix Species 0.000 description 1
- 239000011324 bead Substances 0.000 description 1
- 210000000941 bile Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013101 initial test Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 210000002221 olecranon process Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect 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
- 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种用户推荐方法，涉及机器学习、图像数据处理等人工智能技术领域。该方法包括：响应于第一用户对应的推荐请求，将预先获取的所述第一用户的用户属性特征输入预设的初始特征匹配模型，得到所述第一用户的用户属性特征与其所属特征类别中各预设的用户属性特征分别对应的推荐系数；对于每个预设待推荐的第二用户，根据该第二用户的各用户属性特征分别对应的推荐系数，确定出该第二用户对应的推荐值；基于各所述第二用户对应的推荐值，向所述第一用户进行用户推荐。本公开还提供了一种用户推荐装置、电子设备及计算机可读介质。本公开能够有效提高用户推荐的准确性及效率。
Description
技术领域
本公开涉及图像数据处理、机器学习等人工智能领域，特别涉及一种用户推荐方法及装置、电子设备、计算机可读介质。
背景技术
目前，随着互联网和移动互联网的发展，人和人之间的社交行为，不再仅仅局限于线下面对面社交，而逐渐开始通过网络进行多种社交形式的社交。为了满足用户的各种社交需求，互联网上出现了各式各样的陌生人社交应用，让人和人之间产生连接，使得陌生人间的社交变得更加容易。
但当下互联网上的各类社交产品，普遍具有用户筛选目标社交用户的成本高、效率低，且用户间的匹配成功率低等缺陷，用户需要自主进行大量的筛选行为，才有可能找到可以继续社交的目标用户，导致用户体验度不佳。
发明内容
本公开旨在至少解决现有技术中存在的技术问题之一，提供一种用户推荐方法及装置、电子设备、计算机可读介质。
第一方面，本公开提供了一种用户推荐方法，该用户推荐方法包括：响应于第一用户对应的推荐请求，将预先获取的所述第一用户的用户属性特征输入预设的初始特征匹配模型，得到所述第一用户的用户属性特征与其所属特征类别中各预设的用户属性特征之间分别对应的推荐系数；对于每个预设待推荐的第二用户，根据该第二用户的各用户属性特征分别对应的推荐系数，确定出该第二用户对应的推荐值；基于各所述第二用户对应的推荐值，向所述第一用户进行用户推荐。
第二方面，本公开提供了一种用户推荐装置，该用户推荐装置包括：特征匹配模块，用于响应于第一用户对应的推荐请求，将预先获取的所述第一用户的用户属性特征输入预设的初始特征匹配模型，得到所述第一用户的用户属性特征与其所属特征类别中各预设的用户属性特征之间分别对应的推荐系数；推荐值计算模块，用于对于每个预设待推荐的第二用户，根据该第二用户的各用户属性特征分别对应的推荐系数，确定出该第二用户对应的推荐值；用户推荐模块，用于基于各所述第二用户对应的推荐值，向所述第一用户进行用户推荐。
第三方面，本公开提供了一种电子设备，该电子设备包括：至少一个处理器，以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的一个或多个指令，一个或多个所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一所述的用户推荐方法。
第四方面，本公开提供了一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被执行时实现如上述任一所述的用户推荐方法。
本公开所提供的用户推荐方法及装置、电子设备、计算机可读介质，基于第一用户的用户属性特征和预设的初始特征匹配模型，预测出各预设的用户属性特征分别对应的推荐系数，对于每个预设待推荐的第二用户，根据该第二用户的各用户属性特征分别对应的推荐系数确定出该第二用户对应的推荐值，基于各第二用户的推荐值向第一用户进行用户推荐。本公开实施例的用户推荐方法，无需用户自主进行筛选即可自动帮助用户筛选出目标社交用户，从而有效降低了用户的筛选成本和提高了筛选效率，且基于利用算法得到的待推荐用户的推荐值向用户进行用户推荐，提高了用户找到自己喜欢、有社交想法陌生人的效率和准确性，从而提高了用户间的匹配成功率，继而提高了用户的体验度。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用来提供对本公开的进一步理解，并且构成说明书的一部分，与本公开的实施例一起用于解释本公开，并不构成对本公开的限制。通过参考附图对详细示例实施例进行描述，以上和其他特征和优点对本领域技术人员将变得更加显而易见，在附图中：
图1为本公开实施例提供的一种用户推荐方法的流程图；
图2为本公开实施例提供的另一种用户推荐方法的流程图；
图3为一种特征识别模型的训练方法的流程图；
图4为一种特征识别模型的模型优化方法的流程图；
图5为一种初始特征匹配模型的构建方法的流程图；
图6为本公开实施例提供的又一种用户推荐方法的流程图；
图7为本公开实施例所提供的一种用户推荐方法的应用场景示意图；
图8为本公开实施例提供的一种用户推荐装置的组成框图；
图9为本公开实施例提供的另一种用户推荐装置的组成框图；
图10为本公开实施例提供的一种电子设备的组成框图。
具体实施方式
为使本领域的技术人员更好地理解本公开的技术方案，以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在不冲突的情况下，本公开各实施例及实施例中的各特征可相互组合。
如本文所使用的，术语“和/或”包括一个或多个相关列举条目的任何和所有组合。
本文所使用的术语仅用于描述特定实施例，且不意欲限制本公开。如本文所使用的，单数形式“一个”和“该”也意欲包括复数形式，除非上下文另外清楚指出。还将理解的是，当本说明书中使用术语“包括”和/或“由……制成”时，指定存在所述特征、整体、步骤、操作、元件和/或组件，但不排除存在或添加一个或多个其它特征、整体、步骤、操作、元件、组件和/或其群组。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。
除非另外限定，否则本文所用的所有术语(包括技术和科学术语)的含义与本领域普通技术人员通常理解的含义相同。还将理解，诸如那些在常用字典中限定的那些术语应当被解释为具有与其在相关技术以及本公开的背景下的含义一致的含义，且将不解释为具有理想化或过度形式上的含义，除非本文明确如此限定。
图1为本公开实施例提供的一种用户推荐方法的流程图。
参照图1，本公开实施例提供一种用户推荐方法，该方法可以由用户推荐装置来执行，该装置可以通过软件和/或硬件的方式实现，该装置可以集成在如服务器等电子设备中。该用户推荐方法包括：
步骤S1、响应于第一用户对应的推荐请求，将预先获取的第一用户的用户属性特征输入预设的初始特征匹配模型，得到第一用户的用户属性特征与其所属特征类别中各预设的用户属性特征之间分别对应的推荐系数。
步骤S2、对于每个预设待推荐的第二用户，根据该第二用户的各用户属性特征分别对应的推荐系数，确定出该第二用户对应的推荐值。
步骤S3、基于各第二用户对应的推荐值，向第一用户进行用户推荐。
本公开实施例所提供的用户推荐方法，基于第一用户的用户属性特征和预设的初始特征匹配模型，预测出各预设的用户属性特征分别对应的推荐系数，对于每个预设待推荐的第二用户，根据该第二用户的各用户属性特征分别对应的推荐系数确定出该第二用户对应的推荐值，基于各第二用户的推荐值向第一用户进行用户推荐。本公开实施例的用户推荐方法，无需用户自主进行筛选即可自动帮助用户筛选出目标社交用户，从而有效降低了用户的筛选成本和提高了筛选效率，且基于利用算法得到的待推荐用户的推荐值向用户进行用户推荐，提高了用户找到自己喜欢、有社交想法陌生人的效率和准确性，从而提高了用户间的匹配成功率，继而提高了用户的体验度。
在一些应用场景中，第一用户、第二用户可以是社交应用客户端的注册用户，用户推荐装置可以集成于该社交应用客户端对应的服务器中，其中，该服务器可以是社交应用客户端的后台服务器，社交应用客户端安装于用户终端(例如智能手机、平板电脑等)。
在步骤S1中，响应于第一用户终端发送的第一用户对应的推荐请求，将预先获取的第一用户的用户属性特征输入预设的初始特征匹配模型，具体地，响应于第一用户终端上安装的社交应用客户端所发送的第一用户对应的推荐请求，将预先获取的第一用户的用户属性特征输入预设的初始特征匹配模型。其中，第一用户对应的推荐请求可以是在第一用户登录社交应用客户端时客户端自动生成并触发，也可以是在第一用户登录社交应用客户端后由第一用户主动触发，还可以是在第一用户更新其用户数据后客户端自动生成并触发。需要说明的是，在本公开实施例中，第一用户对应的推荐请求还可以在其他合适的情况下触发，本公开实施例对于推荐请求的触发方式不作限制，具体可以根据实际情况确定。
在一些实施例中，在步骤S1中，第一用户的用户属性特征可以是在响应于第一用户对应的推荐请求之前预先根据第一用户的用户数据获取，或者第一用户的用户属性特征可以是响应于第一用户对应的推荐请求时根据第一用户的用户数据获取。
图2为本公开实施例提供的另一种用户推荐方法的流程图。
在一些实施例中，如图2所示，在步骤S1之前，该用户推荐方法还可以进一步包括步骤S01和步骤S02。
步骤S01、获取第一用户的用户数据。
在步骤S01中，获取第一用户通过第一用户终端上传的用户数据。在一些实施例中，获取第一用户通过第一用户终端上传至社交应用客户端的用户数据。在一些实施例中，为了保障第一用户自身利益，在获取第一用户的用户数据之前，向第一用户进行数据授权，在用户授权后，获取第一用户的用户数据。
在一些实施例中，为了便于第一用户实现社交需求，第一用户需要预先上传其用户数据至社交应用客户端，以便客户端对应的后台服务器获取该用户数据进行用户推荐。
在实际应用中，第一用户可以是在注册社交应用客户端时将用户数据进行上传，也可以是在注册社交应用客户端成功之后将用户数据进行上传，本公开实施例对此不作限制。
在一些实施例中，第一用户的用户数据包括但不限于：用户图像数据和/或用户文本数据，用户图像数据可以包括第一用户的面部图像，用户文本数据包括描述第一用户的用户属性的文本。
其中，第一用户的面部图像可以是第一用户从第一用户终端的本地相册中预先存储的面部图像中选择并上传的面部图像，第一用户的面部图像还可以是客户端在获得用户授权的情形下通过访问第一用户终端的摄像头而获取的第一用户的面部图像，本实施例对于第一用户的面部图像的数量不作限制，第一用户可以上传包含多个拍摄角度的多个面部图像；用户文本数据可以是第一用户按照客户端提供的预设的用户属性描述模板进行用户属性的描述并提交上传的文本数据。
步骤S02、根据用户数据获取第一用户的用户属性特征。
在一些实施例中，用户属性特征包括但不限于：社会属性特征和面相属性特征。其中，社会属性特征包括但不限于：性别属性特征、年龄属性特征中的至少一者；面相属性特征包括但不限于：脸型属性特征、肤色属性特征、头发属性特征、额头属性特征、眉毛属性特征、眼睛属性特征、鼻型属性特征、嘴型属性特征、下巴属性特征中的至少一者。
在一些实施例中，用户数据包括用户文本数据，在步骤S02中，从用户文本数据中识别出描述用户属性的文本，并生成相应的用户属性特征。
在一些实施例中，用户数据包括用户图像数据，在获取用户图像数据之后，首先利用预设的人脸识别算法识别第一用户上传的用户图像数据中是否包含人脸，若包含，则获得第一用户的面部图像，若不包含，则请求第一用户重新上传有效图像数据。
在一些实施例中，在用户数据包括第一用户的面部图像的情形下，步骤S02可以进一步包括：利用预设的特征识别模型，从面部图像中识别出第一用户的用户属性特征。其中，作为示例，预设的特征识别模型可以是基于预设的机器学习算法训练得到的识别模型，其输入为面部图像，输出为对应的用户属性特征。
图2仅示例性示出了步骤S01～步骤S02在步骤S1之前执行的情形，在一些实施例中，步骤S01和步骤S02还可以在步骤S1中，在将预先获取的第一用户的用户属性特征输入预设的初始特征匹配模型之前执行，即在步骤S1中，响应于第一用户对应的推荐请求，获取第一用户的用户数据，并根据用户数据获取第一用户的用户属性特征，而后将第一用户的用户属性特征输入预设的初始特征匹配模型。需要说明的是，本实施例对于步骤S01、步骤S02的执行时机不作限制，可以根据实际需要进行调整。
图3为一种特征识别模型的训练方法的流程图，作为示例，在步骤S02中，利用预设的特征识别模型，从面部图像中识别出第一用户的用户属性特征之前，还包括训练特征识别模型的步骤，如图3所示，该训练方法具体包括：步骤11～步骤12。
步骤11、获取多个模型训练数据，模型训练数据包括训练面部图像及其对应的标注数据，标注数据包括该训练面部图像对应的用户属性特征。
作为示例，预先设置有用户属性特征的分类标准列表，基于该分类标准列表获取相应的图像数据以作为模型训练数据，其中用户属性特征包括社会属性特征和面相属性特征，表1示例性示出了社会属性特征的分类标准，表2示例性示出了面相属性特征的分类标准。
如表1所示，社会属性特征包括性别属性特征和年龄属性特征两种特征类别，对于性别属性特征类别，其按照男性特征和女性特征进行划分，对于年龄属性特征类别，其按照不同年龄段进行划分，年龄段可以根据实际需要划分。
表1
如表2所示，面相属性特征包括脸型属性特征类别、肤色属性特征类别、头发属性特征类别、额头属性特征类别、眉毛属性特征类别、眼睛属性特征类别、鼻型属性特征类别、嘴型属性特征类别、下巴属性特征类别。作为示例，对于脸型属性特征类别，可以划分为棱形脸型、圆形脸型、三角形脸型、椭圆形脸型、方形脸型、长形脸型、倒三角形脸型等；对于肤色属性特征类别，可以划分为白色肤色、黄色肤色、黑色肤色；对于头发属性特征类别，可以按直卷划分为直发、卷发，按长短划分为长发、短发，按颜色划分为深色系、浅色系；对于额头属性特征类别，可以划分为圆额头和方额头；对于眉毛属性特征类别，可以划分为一字眉、高挑眉、柳叶眉、上挑眉、拱形眉和标准眉；对于眼睛属性特征，可以按单双眼皮划分为单眼皮和双眼皮，按形状划分为桃花眼、瑞凤眼、睡凤眼、柳叶眼、杏眼、狐狸眼、铜铃眼、龙眼、丹凤眼、小鹿眼；对于鼻型属性特征类别，可以划分为塌鼻、鹰钩鼻、朝天鼻、希腊鼻、驼峰鼻、猪胆鼻、狮子鼻、垂肉鼻、短鼻、拱鼻；对于嘴型属性特征类别，可以划分为M型、嘟嘟唇、微笑唇、厚嘴唇、爱心唇、覆舟唇、薄唇、含珠唇；对于下巴属性特征类别，可以划分为翘下巴、双下巴、方下巴和宽下巴。
表2
作为示例，按照上述预设的用户属性特征的分类标准列表，针对每个社会属性特征、面相属性特征的每种分类，分别寻找对应的多张(例如500张)标准的面部图像，以作为模型训练数据，例如男性对应的500张面部图像、21～30岁对应的500张面部图像、菱形脸型对应的500张面部图像、白皮肤对应的500张面部图像等。
作为示例，对于模型训练数据，可以采用人工标注的方式对训练面部图像的用户属性特征进行标注，从而得到训练面部图像对应的标注数据。
步骤12、以训练面部图像作为输入，训练面部图像对应的用户属性特征作为输出，利用预设的机器学习算法进行模型训练，得到特征识别模型。
在步骤12中，通过上述基于预设的分类标准列表获取的模型训练数据，利用预设的机器学习算法进行模型训练，得到初始的特征识别模型。其中，该识别模型的输入为面部图像，输出为该面部图像对应的用户属性特征，即社会属性特征和面相属性特征，例如输出为：男性、25岁、圆脸、黄皮肤、深色系的直短发、圆额头…。
需要说明的是，本公开实施例对于预设的机器学习算法不作具体限制，可以采用任何合适的机器学习算法，只要能够训练得到特征识别模型即可。
图4为一种特征识别模型的模型优化方法的流程图，为了能够有效提高特征识别模型的识别准确率，在一些实施例中，在训练得到特征识别模型之后，可以利用识别数据与实际数据的误差进行模型调整，以优化特征识别模型。具体地，如图4所示，在步骤12中，在训练得到特征识别模型之后，还包括调整模型的步骤，具体包括步骤13～步骤16。
步骤13、获取模型校正数据，模型校正数据包括校正面部图像及对该校正面部图像进行用户属性特征标注的标注结果。
其中，校正面部图像可以是新获取的训练面部图像，也可以是社交应用客户端的注册用户上传的面部图像。标注结果可以是人工标注的结果，其包括该校正面部图像对应的用户属性特征。
步骤14、将校正面部图像输入特征识别模型，得到预测结果，预测结果包括预测的该校正面部图像所对应的用户属性特征。
步骤15、将预测结果和标注结果进行比对，得到误差数据。
具体地，按照属于同一特征分类的原则将预测的用户属性特征和标注的用户属性特征一一对应进行比对，从而得到误差数据。
步骤16、利用误差数据对特征识别模型进行模型调整，得到优化后的特征识别模型。
具体地，利用误差数据调整当前的特征识别模型的模型参数，从而得到优化后的特征识别模型。
在一些实施例中，每获取到新的模型校正数据时，均可以重复执行上述模型调整的步骤，即步骤13～步骤16，以持续不断地对特征识别模型进行校正、优化，从而持续提高模型识别的准确率。
在一些实施例中，为了能够有效提高特征识别模型的识别准确率，在训练得到特征识别模型之后，还可以利用人工对预测结果的校正数据继续训练更新模型，以优化特征识别模型。具体地，在特征识别模型的使用阶段，可以执行以下模型更新步骤：1)将特征识别模型针对输入的面部图像所输出的用户属性特征进行显示；2)接收用户或技术人员针对所显示的用户属性特征输入的校正信息；3)使用输入的面部图像和校正信息组成训练样本，使用该训练样本进一步训练特征识别模型，从而得到优化后的特征识别模型。
图5为一种初始特征匹配模型的构建方法的流程图，在一些实施例中，在步骤S1之前，还包括构建初始特征匹配模型的步骤，具体地，如图5所示，该初始特征匹配模型的构建方法包括：步骤21～步骤24。
步骤21、针对预设的多个测试用户中的每个测试用户，获取该测试用户对其他测试用户的行为数据以及该测试用户的用户属性特征。
作为示例，为了构建出社交产品的初始特征匹配模型，可以预先找到多个测试用户，例如1000名男性用户和1000名女性用户，该多个测试用户的用户属性特征应至少覆盖上述分类标准列表中各种预设的用户属性特征，对于各测试用户上传的面部图像，可以利用人工标注的方式标注该测试用户的面部图像对应的用户属性特征，还可以利用预先训练好的特征识别模型识别该测试用户的面部图像对应的用户属性特征。
作为示例，在社交产品的初始测试阶段，对于每个测试用户，向其推荐其他测试用户，并得到该测试用户对推荐给该测试用户的其他测试用户的行为数据，该行为数据可以按照“喜欢”或“不喜欢”进行标注。例如，针对每一测试用户，依次向其推荐其他各测试用户的面部图像，在推荐界面上配置有“喜欢”和“不喜欢”的标识按钮，基于该测试用户对其他测试用户的面部图像的“喜欢”或“不喜欢”按钮的点击行为操作，获得该测试用户对其他测试用户的行为数据。
步骤22、基于所有测试用户的行为数据和用户属性特征，统计出各预设的用户属性特征与其所属特征类别中各预设的用户属性特征之间的匹配度。
作为示例，按照上述分类标准列表，预设的特征类别包括性别属性特征类别、年龄属性特征类别、脸型属性特征类别、肤色属性特征类别、头发属性特征类别、额头属性特征类别、眉毛属性特征类别、眼睛属性特征类别、鼻型属性特征类别、嘴型属性特征类别、下巴属性特征类别。每种特征类别分别对应的各预设的用户属性特征可以参见上述分类标准列表，此处不再赘述，例如，在上述分类标准列表中，对于性别属性特征类别，其对应的各预设的用户属性特征分别为男性属性特征、女性属性特征。
作为示例，在步骤22中，根据所有测试用户的行为数据，统计所有男性测试用户中，喜欢具有男性属性特征的测试用户的数量，计算该数量与男性测试用户的总数量的比值，从而得到男性属性特征与男性属性特征之间的匹配度，该匹配度为该数量与男性测试用户的总数量的比值，例如1000名男性测试用户中，有10名男性测试用户喜欢具有男性属性特征的测试用户，则男性属性特征与所属性别属性特征类别中的男性属性特征之间的匹配度为10/1000＝0.01；统计所有男性测试用户中，喜欢具有女性属性特征的测试用户的数量，计算该数量与男性测试用户的总数量的比值，从而得到男性属性特征与女性属性特征之间的匹配度，该匹配度为该数量与男性测试用户的总数量的比值，例如在1000名男性测试用户中，有990名男性测试用户喜欢具有女性属性特征的测试用户，则男性属性特征与所属性别属性特征类别中的女性属性特征之间的匹配度为990/1000＝0.99；对于所有女性测试用户，均进行类似男性测试用户的统计操作，从而得到女性属性特征与所属性别属性特征类别中的女性属性特征之间的匹配度，以及，女性属性特征与所属性别属性特征类别中的男性属性特征之间的匹配度。
作为示例，对于所有具有白色肤色属性特征的测试用户，统计所有具有白色肤色属性特征的测试用户中，喜欢具有黑色肤色属性特征的测试用户的数量，计算该数量与具有白色肤色属性特征的测试用户的总数量的比值，从而得到白色肤色属性特征与黑色肤色属性特征之间的匹配度，该匹配度为该数量与具有白色肤色属性特征的测试用户的总数量的比值，例如在1000名白色肤色的测试用户中，只有20名白色肤色的测试用户喜欢具有黑色肤色属性特征的测试用户，则白色肤色属性特征与所属肤色属性特征类别中的黑色肤色属性特征之间的匹配度为20/1000＝0.02；统计所有具有白色肤色属性特征的测试用户中，喜欢具有黄色肤色属性特征的测试用户的数量，计算该数量与具有白色肤色属性特征的测试用户的总数量的比值，从而得到白色肤色属性特征与黄色肤色属性特征之间的匹配度，该匹配度为该数量与具有白色肤色属性特征的测试用户的总数量的比值，例如在1000名白色肤色的测试用户中，只有100名白色肤色的测试用户喜欢具有黄色肤色属性特征的测试用户，则白色肤色属性特征与所属肤色属性特征类别中的黄色肤色属性特征之间的匹配度为100/1000＝0.1；统计所有具有白色肤色属性特征的测试用户中，喜欢具有白色肤色属性特征的测试用户的数量，计算该数量与具有白色肤色属性特征的测试用户的总数量的比值，从而得到白色肤色属性特征与白色肤色属性特征之间的匹配度，该匹配度为该数量与具有白色肤色属性特征的测试用户的总数量的比值，例如在1000名白色肤色的测试用户中，有880名白色肤色的测试用户喜欢具有白色肤色属性特征的测试用户，则白色肤色属性特征与所属肤色属性特征类别中的白色肤色属性特征之间的匹配度为880/1000＝0.88。
对于所有具有黑色肤色属性特征的测试用户、对于所有具有黄色肤色属性特征的测试用户，均进行类似针对白色肤色的测试用户的统计操作，从而得到黑色肤色属性特征与所属肤色属性特征类别中的各用户属性特征之间的匹配度，黄色肤色属性特征与所属肤色属性特征类别中的各用户属性特征之间的匹配度。
依此类推，通过上述类似的统计方式，即可统计出每个预设的用户属性特征与其所属特征类别中各用户属性特征分别对应的匹配度。
步骤23、基于各预设的用户属性特征与其所属特征类别中各预设的用户属性特征之间的匹配度，确定出各用户属性特征与其所属特征类别中各预设的用户属性特征之间分别对应的推荐系数。
在一些实施例中，预设的用户属性特征与其所属特征类别中各预设的用户属性特征之间的匹配度分别乘以预设基数(例如10)，得到该用户属性特征与其所属特征类别中各预设的用户属性特征之间分别对应的推荐系数。其中，预设基数可以根据实际需要进行设置，本公开实施例对此不作限制。
作为示例，表3示例性示出了部分用户属性特征中的每个用户属性特征与其所属特征类别中各用户属性特征之间的推荐系数。以男性属性特征为例，其与所属的性别属性特征类别中的男性属性特征之间的推荐系数为0.1，而与所属的性别属性特征类别中的女性属性特征之间的推荐系数为9.9，表明一个具有男性属性特征的用户更大概率会喜欢具有女性属性特征的用户，也即推荐系数越高，用户喜欢的概率越大，例如，根据表3可知，一个0～10岁、白皮肤、菱形脸…的男性用户，更大概率会喜欢0～10岁、白皮肤、方形脸…的女性用户。
表3
步骤24、基于各用户属性特征与其所属特征类别中各预设的用户属性特征分别对应的推荐系数，建立初始特征匹配模型。
其中，初始特征匹配模型包括用户属性特征与其所属特征类别中各预设的用户属性特征、推荐系数的对应关系。
因此，在步骤S1中，将第一用户的用户属性特征输入预设的初始特征匹配模型，即可得到第一用户的用户属性特征与其所属特征类别中各预设的用户属性特征的推荐系数。例如，第一用户为一个25岁、黄色肤色、棱形脸型、……的男性用户，在将第一用户的用户属性特征输入到初始特征匹配模型之后，可以得到待推荐的用户属性特征列表，其包括各预设的用户属性特征分别对应于第一用户的推荐系数，例如，男性属性特征对应的推荐系数为0.1，女性属性特征对应的推荐系数为9.9，20～30岁的年龄属性特征对应的推荐系数为8.0，…，黄色肤色属性特征对应的推荐系数为8.8，…，方形脸型属性特征对应的推荐系数为7.0，…。
在一些实施例中，预设待推荐的第二用户为社交应用客户端的除第一用户之外的其他注册用户，第二用户的各用户属性特征可以预先识别获取，步骤S2可以进一步包括：根据该第二用户的所有用户属性特征对应的推荐系数之和，确定出该第二用户对应的推荐值，该推荐值为该第二用户的所有用户属性特征对应的推荐系数的求和结果。
其中，可以理解的是，第二用户的所有用户属性特征对应的推荐系数，是根据上述步骤S1中获得的各预设的用户属性特征分别对应于第一用户的推荐系数获取的。
在一些实施例中，在步骤S3中，基于各第二用户对应的推荐值，向第一用户进行用户推荐，可以进一步包括：将各第二用户对应的推荐值按照大小顺序排序，并按照推荐值从大到小的顺序，依次向第一用户推荐对应的第二用户。
在一些实施例中，在步骤S3中，基于各第二用户对应的推荐值，向第一用户进行用户推荐，可以进一步包括：步骤S31和步骤S32。
步骤S31、根据所有第二用户对应的推荐值，从所有第二用户中确定出目标第二用户。
在步骤S31中，根据所有第二用户对应的推荐值，从所有第二用户中确定出目标推荐列表，目标推荐列表包括至少一个目标第二用户。作为示例，在步骤S31中，对于所有第二用户，将推荐值大于或等于预设阈值的第二用户确定为目标第二用户，从而得到目标推荐列表。其中，预设阈值可以根据实际需要进行配置，本公开实施例对此不作限制。
步骤S32、向第一用户推荐目标第二用户。
作为示例，在目标第二用户的数量为多个的情形下，在步骤S32中，可以按照推荐值从大到小的顺序，依次向第一用户推荐对应的目标第二用户。
在一些实施例中，在向第一用户推荐第二用户或目标第二用户之前，还可以包括：根据第二用户的推荐值生成该第二用户与第一用户之间的匹配度的步骤。作为示例，由于推荐值越高，表示第一用户喜欢该第二用户的概率越大，因此可以将推荐值转换为百分制数值，例如将该推荐值除以前述预设基数(例如10)后乘以百分百，从而得到推荐值对应的百分制数值，该百分制数值即表示该第二用户与第一用户之间的匹配度。
在一些实施例中，向第一用户推荐第二用户或目标第二用户的步骤可以包括：向第一用户推送该第二用户的用户信息，该第二用户的用户信息包括但不限于：该第二用户的面部图像、该第二用户与该第一用户之间的匹配度、该第二用户授权可访问的个人资料或简介等。
图6为本公开实施例提供的又一种用户推荐方法的流程图，为了提高用户推荐准确率，在一些实施例中，在步骤S3中，向第一用户推荐进行用户推荐之后，还可以进一步针对用户对基于初始特征匹配模型的推荐结果的行为反馈，构建用户对应的个性化特征匹配模型，从而提高每个用户的用户推荐准确率。具体地，在步骤S3之后，还包括构建个性化特征匹配模型的步骤，具体包括步骤S4～步骤S6。
步骤S4、获取第一用户针对本次推荐结果的行为反馈信息。
该行为反馈信息可以按照“喜欢”或“不喜欢”进行标注。例如，在向第一用户展示的推荐界面上配置有“喜欢”和“不喜欢”的标识按钮，基于该第一用户对推荐的第二用户或目标第二用户的“喜欢”或“不喜欢”按钮的点击行为操作，获得该第一用户针对本次推荐结果的行为反馈信息。
步骤S5、根据第一用户针对本次推荐结果的行为反馈信息，调整预设的初始特征匹配模型中相应的推荐系数，以生成第一用户对应的个性化特征匹配模型。
例如，例如第一用户的肤色是白皮肤，基于初始特征匹配模型，白皮肤对应的推荐系数较高，因此在本次用户推荐中，向第一用户推荐了较多的白皮肤的异性用户，但实际上第一用户很喜欢黄皮肤的用户，因此尽管系统向其推荐了很多白皮肤的异性用户，其均点击了“不喜欢”按钮，同时其更多地对黄皮肤的用户点击了“喜欢”按钮，通过分析其行为反馈信息，调整初始特征匹配模型中相应的推荐系数，例如将相应的推荐系数调高或调低，从而达到训练个性化特征匹配模型的效果，从而提高了用户推荐的准确率。
步骤S6、在下次响应于第一用户的推荐请求时，基于第一用户对应的个性化特征匹配模型对第一用户进行用户推荐。
在本公开实施例中，对于特征识别模型和特征匹配模型，会随着用户的持续使用，数据量不断积累，分析准确率和推荐效率都会得到持续提升，大大提高了用户找到自己喜欢、有社交想法陌生人的效率。
图7为本公开实施例所提供的一种用户推荐方法的应用场景示意图，如图7所示，在一些应用场景中，该用户推荐方法应用于社交应用中，图7示例性示出了一种社交应用的用户交互界面示意图，第一交互界面M1为用户上传用户的面部图像的交互界面，用户可以通过该第一交互界面M1上传其面部图像，后台服务器接收到用户上传的面部图像后，利用预设的特征识别模型识别出其对应的用户属性特征。在识别出该用户的用户属性特征之后，还可以向该用户展示其用户属性特征，展示界面为第二交互界面M2，在第二交互界面M2上可以提供推荐请求的触发按钮，即M2中的“去找人聊天”按钮。同时还可以根据用户属性特征，对该用户的颜值进行打分并在第二交互界面M2上进行显示。
当该用户点击“去找人聊天”按钮时，触发推荐请求，后台服务器响应于该推荐请求，将该用户的用户属性特征输入预设的特征匹配模型，得到该用户的用户属性特征与其所属特征类别中各用户属性特征之间分别对应的推荐系数，并针对社交应用的每个其他用户，利用其他用户的各用户属性特征相对于该用户的推荐系数，计算其他用户的推荐值，基于其他用户的推荐值向该用户进行用户推荐，推荐界面为第三交互界面M3，在第三交互界面M3上显示推荐目标的面部图像，并显示表示“喜欢”、“不喜欢”的标识按钮，同时还可以显示该用户与推荐目标的面相匹配度。当该用户点击了“喜欢”的标识按钮，且在此时或此前该推荐目标同样对该用户点击了“喜欢”的标识按钮时，则进入第四交互界面M4，在第四交互界面M4显示该用户与该推荐目标匹配成功。当该用户点击“喜欢”标识按钮，而在此时或此前该推荐目标对该用户点击了“不喜欢”的标识按钮，或者该用户点击“不喜欢”的标识按钮时，则向该用户推荐下一个目标用户。
本公开实施例所提供的用户推荐方法，基于第一用户的用户属性特征和预设的初始特征匹配模型，预测出各预设的用户属性特征分别对应的推荐系数，对于每个预设待推荐的第二用户，根据该第二用户的各用户属性特征分别对应的推荐系数确定出该第二用户对应的推荐值，基于各第二用户的推荐值向第一用户进行用户推荐。本公开实施例的用户推荐方法，无需用户自主进行筛选即可自动帮助用户筛选出目标社交用户，从而有效降低了用户的筛选成本和提高了筛选效率，且基于利用算法得到的待推荐用户的推荐值向用户进行用户推荐，提高了用户找到自己喜欢、有社交想法陌生人的效率和准确性，从而提高了用户间的匹配成功率，继而提高了用户的体验度。
图8为本公开实施例提供的一种用户推荐装置的组成框图。
参照图8，本公开实施例提供了一种用户推荐装置300，该用户推荐装置300包括：特征匹配模块301、推荐值计算模块302和用户推荐模块303。
其中，特征匹配模块301用于响应于第一用户对应的推荐请求，将预先获取的第一用户的用户属性特征输入预设的初始特征匹配模型，得到第一用户的用户属性特征与其所属特征类别中各预设的用户属性特征之间分别对应的推荐系数。推荐值计算模块302用于对于每个预设待推荐的第二用户，根据该第二用户的各用户属性特征分别对应的推荐系数，确定出该第二用户对应的推荐值。用户推荐模块303用于基于各第二用户对应的推荐值，向第一用户进行用户推荐。
图9为本公开实施例提供的另一种用户推荐装置的组成框图。
如图9所示，在一些实施例中，该用户推荐装置还包括用户数据获取模块304和特征识别模块305。其中，用户数据获取模块304用于获取第一用户的用户数据；特征识别模块305用于根据用户数据获取第一用户的用户属性特征。
在一些实施例中，用户数据包括第一用户的面部图像；特征识别模块305具体用于利用预设的特征识别模型，从面部图像中识别出第一用户的用户属性特征。
在一些实施例中，如图9所示，该用户推荐装置还包括：识别模型训练模块306。识别模型训练模块306用于：获取多个模型训练数据，模型训练数据包括训练面部图像及其对应的标注数据，标注数据包括该训练面部图像对应的用户属性特征；以训练面部图像作为输入，训练面部图像对应的用户属性特征作为输出，利用预设的机器学习算法进行模型训练，得到特征识别模型。
在一些实施例中，如图9所示，该用户推荐装置还包括：识别模型优化模块307。识别模型优化模块307用于：获取模型校正数据，模型校正数据包括校正面部图像及对该校正面部图像进行用户属性特征标注的标注结果；将校正面部图像输入特征识别模型，得到预测结果，预测结果包括预测的该校正面部图像所对应的用户属性特征；将预测结果和标注结果进行比对，得到误差数据；利用误差数据对特征识别模型进行模型调整，得到优化后的特征识别模型。
在一些实施例中，如图9所示，该用户推荐装置还包括：匹配模型建立模块308；匹配模型建立模块308用于：针对预设的多个测试用户中的每个测试用户，获取该测试用户对其他测试用户的行为数据以及该测试用户的用户属性特征；基于所有测试用户的行为数据和用户属性特征，统计出各预设的用户属性特征与其所属特征类别中各预设的用户属性特征之间的匹配度；基于各预设的用户属性特征与其所属特征类别中各预设的用户属性特征之间的匹配度，确定出各用户属性特征与其所属特征类别中各预设的用户属性特征之间分别对应的推荐系数；基于各用户属性特征与其所属特征类别中各预设的用户属性特征分别对应的推荐系数，建立初始特征匹配模型，初始特征匹配模型包括用户属性特征与其所属特征类别中各预设的用户属性特征、推荐系数的对应关系。
在一些实施例中，如图9所示，该用户推荐装置还包括：匹配模型优化模块309；匹配模块优化模块309用于：获取第一用户针对本次推荐结果的行为反馈信息；根据第一用户针对本次推荐结果的行为反馈信息，调整预设的初始特征匹配模型中相应的推荐系数，以生成第一用户对应的个性化特征匹配模型；在下次响应于第一用户的推荐请求时，基于第一用户对应的个性化特征匹配模型对第一用户进行用户推荐。
此外，本公开实施例所提供的用户推荐装置用于实现上述的用户推荐方法，关于该用户推荐装置的相关描述可参见上述的用户推荐方法的描述，此处不再赘述。
图10为本公开实施例提供的一种电子设备的组成框图。
第六方面，参照图10，本公开实施例提供了一种电子设备，该电子设备包括至少一个处理器401，以及与至少一个处理器401通信连接的存储器402，以及用于连接各部件的接口，该接口可以包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器401为例。
存储器402存储有可被至少一个处理器401执行的一个或多个指令，一个或多个指令被至少一个处理器401执行，以使至少一个处理器401能够执行上述的用户推荐方法。
存储器402作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本公开实施例中的用户推荐方法对应的程序指令/模块。处理器401通过运行存储在存储器402中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的斑马线信息获取方法或者地图更新方法。
存储器402可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
在本公开实施例中，电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
电子设备还可以包括：输入装置403和输出装置404。处理器401、存储器402、输入装置403和输出装置404可以通过总线或者其他方式连接，图10中以通过总线连接为例。
输入装置403可接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置404可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此外，本公开实施例还提供一种计算机可读介质，其上存储有计算机程序，其中，该计算机程序被执行时实现上述的用户推荐方法。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本公开实施例的技术方案，基于第一用户的用户属性特征和预设的初始特征匹配模型，预测出各预设的用户属性特征分别对应的推荐系数，对于每个预设待推荐的第二用户，根据该第二用户的各用户属性特征分别对应的推荐系数确定出该第二用户对应的推荐值，基于各第二用户的推荐值向第一用户进行用户推荐。本公开实施例的用户推荐方法，无需用户自主进行筛选即可自动帮助用户筛选出目标社交用户，从而有效降低了用户的筛选成本和提高了筛选效率，且基于利用算法得到的待推荐用户的推荐值向用户进行用户推荐，提高了用户找到自己喜欢、有社交想法陌生人的效率和准确性，从而提高了用户间的匹配成功率，继而提高了用户的体验度。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
可以理解的是，以上实施方式仅仅是为了说明本公开的原理而采用的示例性实施方式，上述具体实施方式并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (20)
1.一种用户推荐方法，包括：
响应于第一用户对应的推荐请求，将预先获取的所述第一用户的用户属性特征输入预设的初始特征匹配模型，得到所述第一用户的用户属性特征与其所属特征类别中各预设的用户属性特征之间分别对应的推荐系数；
对于每个预设待推荐的第二用户，根据该第二用户的各用户属性特征分别对应的推荐系数，确定出该第二用户对应的推荐值；
基于各所述第二用户对应的推荐值，向所述第一用户进行用户推荐。
2.根据权利要求1所述的用户推荐方法，其中所述将预先获取的所述第一用户的用户属性特征输入预设的初始特征匹配模型之前，还包括：
获取第一用户的用户数据；
根据所述用户数据获取所述第一用户的用户属性特征。
3.根据权利要求2所述的用户推荐方法，其中所述用户数据包括所述第一用户的面部图像；
所述根据所述用户数据获取所述第一用户的用户属性特征，包括：
利用预设的特征识别模型，从所述面部图像中识别出所述第一用户的用户属性特征。
4.根据权利要求3所述的用户推荐方法，其中所述用户属性特征包括社会属性特征和面相属性特征。
5.根据权利要求3所述的用户推荐方法，其中所述利用预设的特征识别模型，从所述面部图像中识别出所述第一用户的用户属性特征之前，还包括：
获取多个模型训练数据，所述模型训练数据包括训练面部图像及其对应的标注数据，所述标注数据包括该训练面部图像对应的用户属性特征；
以所述训练面部图像作为输入，所述训练面部图像对应的用户属性特征作为输出，利用预设的机器学习算法进行模型训练，得到所述特征识别模型。
6.根据权利要求5所述的用户推荐方法，其中所述得到所述特征识别模型之后，还包括：
获取模型校正数据，所述模型校正数据包括校正面部图像及对该校正面部图像进行用户属性特征标注的标注结果；
将所述校正面部图像输入所述特征识别模型，得到预测结果，所述预测结果包括预测的该校正面部图像所对应的用户属性特征；
将所述预测结果和所述标注结果进行比对，得到误差数据；
利用所述误差数据对所述特征识别模型进行模型调整，得到优化后的所述特征识别模型。
7.根据权利要求1所述的用户推荐方法，其中所述将预先获取的所述第一用户的用户属性特征输入预设的初始特征匹配模型之前，还包括：
针对预设的多个测试用户中的每个测试用户，获取该测试用户对其他测试用户的行为数据以及该测试用户的用户属性特征；
基于所有测试用户的行为数据和用户属性特征，统计出各预设的用户属性特征与其所属特征类别中各预设的用户属性特征之间的匹配度；
基于各预设的用户属性特征与其所属特征类别中各预设的用户属性特征之间的匹配度，确定出各用户属性特征与其所属特征类别中各预设的用户属性特征之间分别对应的推荐系数；
基于各用户属性特征与其所属特征类别中各预设的用户属性特征分别对应的推荐系数，建立所述初始特征匹配模型，所述初始特征匹配模型包括用户属性特征与其所属特征类别中各预设的用户属性特征、推荐系数的对应关系。
8.根据权利要求1所述的用户推荐方法，其中所述基于各所述第二用户对应的推荐值，向所述第一用户进行用户推荐，包括：
根据所有所述第二用户对应的所述推荐值，从所有所述第二用户中确定出目标第二用户；
向所述第一用户推荐所述目标第二用户。
9.根据权利要求8所述的用户推荐方法，其中，初始特征匹配模型包括用户属性特征与其所属特征类别中各预设的用户属性特征、推荐系数的对应关系，所述向所述第一用户推荐所述目标第二用户之后，还包括：
获取所述第一用户针对本次推荐结果的行为反馈信息；
根据所述第一用户针对本次推荐结果的行为反馈信息，调整所述预设的初始特征匹配模型中相应的推荐系数，以生成所述第一用户对应的个性化特征匹配模型；
在下次响应于所述第一用户的推荐请求时，基于所述第一用户对应的个性化特征匹配模型对所述第一用户进行用户推荐。
10.根据权利要求8所述的用户推荐方法，其中所述根据所有所述第二用户对应的所述推荐值，从所有所述第二用户中确定出目标第二用户，包括：
将推荐值大于或等于预设阈值的第二用户确定为所述目标第二用户。
11.根据权利要求1所述的用户推荐方法，其中所述对于每个预设待推荐的第二用户，根据该第二用户的各用户属性特征分别对应的推荐系数，确定出该第二用户对应的推荐值，包括：
根据该第二用户的所有用户属性特征对应的推荐系数之和，确定出该第二用户对应的推荐值。
12.一种用户推荐装置，包括：
特征匹配模块，用于响应于第一用户对应的推荐请求，将预先获取的所述第一用户的用户属性特征输入预设的初始特征匹配模型，得到所述第一用户的用户属性特征与其所属特征类别中各预设的用户属性特征之间分别对应的推荐系数；
推荐值计算模块，用于对于每个预设待推荐的第二用户，根据该第二用户的各用户属性特征分别对应的推荐系数，确定出该第二用户对应的推荐值；
用户推荐模块，用于基于各所述第二用户对应的推荐值，向所述第一用户进行用户推荐。
13.根据权利要求12所述的用户推荐装置，其中还包括：用户数据获取模块和特征识别模块；
所述用户数据获取模块用于获取第一用户的用户数据；
所述特征识别模块用于根据所述用户数据获取所述第一用户的用户属性特征。
14.根据权利要求13所述的用户推荐装置，其中所述用户数据包括所述第一用户的面部图像；
所述特征识别模块具体用于利用预设的特征识别模型，从所述面部图像中识别出所述第一用户的用户属性特征。
15.根据权利要求14所述的用户推荐装置，其中还包括：识别模型训练模块；
所述识别模型训练模块用于：获取多个模型训练数据，所述模型训练数据包括训练面部图像及其对应的标注数据，所述标注数据包括该训练面部图像对应的用户属性特征；以所述训练面部图像作为输入，所述训练面部图像对应的用户属性特征作为输出，利用预设的机器学习算法进行模型训练，得到所述特征识别模型。
16.根据权利要求15所述的用户推荐装置，其中还包括：识别模型优化模块；
所述识别模型优化模块用于：获取模型校正数据，所述模型校正数据包括校正面部图像及对该校正面部图像进行用户属性特征标注的标注结果；将所述校正面部图像输入所述特征识别模型，得到预测结果，所述预测结果包括预测的该校正面部图像所对应的用户属性特征；将所述预测结果和所述标注结果进行比对，得到误差数据；利用所述误差数据对所述特征识别模型进行模型调整，得到优化后的所述特征识别模型。
17.根据权利要求12所述的用户推荐装置，其中还包括：匹配模型建立模块；
所述匹配模型建立模块用于：针对预设的多个测试用户中的每个测试用户，获取该测试用户对其他测试用户的行为数据以及该测试用户的用户属性特征；基于所有测试用户的行为数据和用户属性特征，统计出各预设的用户属性特征与其所属特征类别中各预设的用户属性特征之间的匹配度；基于各预设的用户属性特征与其所属特征类别中各预设的用户属性特征之间的匹配度，确定出各用户属性特征与其所属特征类别中各预设的用户属性特征之间分别对应的推荐系数；基于各用户属性特征与其所属特征类别中各预设的用户属性特征分别对应的推荐系数，建立所述初始特征匹配模型，所述初始特征匹配模型包括用户属性特征与其所属特征类别中各预设的用户属性特征、推荐系数的对应关系。
18.根据权利要求17所述的用户推荐装置，其中还包括：匹配模型优化模块；
所述匹配模块优化模块用于：获取所述第一用户针对本次推荐结果的行为反馈信息；根据所述第一用户针对本次推荐结果的行为反馈信息，调整所述预设的初始特征匹配模型中相应的推荐系数，以生成所述第一用户对应的个性化特征匹配模型；在下次响应于所述第一用户的推荐请求时，基于所述第一用户对应的个性化特征匹配模型对所述第一用户进行用户推荐。
19.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的一个或多个指令，一个或多个所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-11中任一项所述的用户推荐方法。
20.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被执行时实现如权利要求1-11中任一项所述的用户推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011148035.1A CN112269928A (zh) | 2020-10-23 | 2020-10-23 | 用户推荐方法及装置、电子设备、计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011148035.1A CN112269928A (zh) | 2020-10-23 | 2020-10-23 | 用户推荐方法及装置、电子设备、计算机可读介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112269928A true CN112269928A (zh) | 2021-01-26 |
Family
ID=74341330
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011148035.1A Pending CN112269928A (zh) | 2020-10-23 | 2020-10-23 | 用户推荐方法及装置、电子设备、计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112269928A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113010562A (zh) * | 2021-03-16 | 2021-06-22 | 北京三快在线科技有限公司 | 一种信息推荐的方法以及装置 |
| CN113658013A (zh) * | 2021-08-16 | 2021-11-16 | 上海花千树信息科技有限公司 | 一种在婚恋或社交软件上推荐自拍照的方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110320462A1 (en) * | 2010-06-29 | 2011-12-29 | International Business Machines Corporation | Method and apparatus for recommending information to users within a social network |
| CN105701680A (zh) * | 2015-12-31 | 2016-06-22 | 华南师范大学 | 基于相反属性知识库的个性化推荐方法和系统 |
| CN107947951A (zh) * | 2017-12-21 | 2018-04-20 | 广东欧珀移动通信有限公司 | 用户群组推荐方法、装置及存储介质和服务器 |
| CN110033353A (zh) * | 2019-04-15 | 2019-07-19 | 腾讯科技（深圳）有限公司 | 用户对象推荐方法、装置、计算机可读存储介质和计算机设备 |
| CN110084709A (zh) * | 2018-01-23 | 2019-08-02 | 百度在线网络技术（北京）有限公司 | 基于面部特征的好友处理方法、服务器及计算机可读介质 |
| CN110110124A (zh) * | 2019-04-23 | 2019-08-09 | 上海掌门科技有限公司 | 好友推荐方法、系统、服务器、终端及存储介质 |
| CN110351318A (zh) * | 2018-04-04 | 2019-10-18 | 腾讯科技（深圳）有限公司 | 应用推荐的方法、终端和计算机存储介质 |
| CN110472145A (zh) * | 2019-07-25 | 2019-11-19 | 维沃移动通信有限公司 | 一种内容推荐方法和电子设备 |
| CN111209490A (zh) * | 2020-04-24 | 2020-05-29 | 深圳市爱聊科技有限公司 | 基于用户信息的交友推荐方法、电子装置及存储介质 |
-
2020
- 2020-10-23 CN CN202011148035.1A patent/CN112269928A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110320462A1 (en) * | 2010-06-29 | 2011-12-29 | International Business Machines Corporation | Method and apparatus for recommending information to users within a social network |
| CN105701680A (zh) * | 2015-12-31 | 2016-06-22 | 华南师范大学 | 基于相反属性知识库的个性化推荐方法和系统 |
| CN107947951A (zh) * | 2017-12-21 | 2018-04-20 | 广东欧珀移动通信有限公司 | 用户群组推荐方法、装置及存储介质和服务器 |
| CN110084709A (zh) * | 2018-01-23 | 2019-08-02 | 百度在线网络技术（北京）有限公司 | 基于面部特征的好友处理方法、服务器及计算机可读介质 |
| CN110351318A (zh) * | 2018-04-04 | 2019-10-18 | 腾讯科技（深圳）有限公司 | 应用推荐的方法、终端和计算机存储介质 |
| CN110033353A (zh) * | 2019-04-15 | 2019-07-19 | 腾讯科技（深圳）有限公司 | 用户对象推荐方法、装置、计算机可读存储介质和计算机设备 |
| CN110110124A (zh) * | 2019-04-23 | 2019-08-09 | 上海掌门科技有限公司 | 好友推荐方法、系统、服务器、终端及存储介质 |
| CN110472145A (zh) * | 2019-07-25 | 2019-11-19 | 维沃移动通信有限公司 | 一种内容推荐方法和电子设备 |
| CN111209490A (zh) * | 2020-04-24 | 2020-05-29 | 深圳市爱聊科技有限公司 | 基于用户信息的交友推荐方法、电子装置及存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113010562A (zh) * | 2021-03-16 | 2021-06-22 | 北京三快在线科技有限公司 | 一种信息推荐的方法以及装置 |
| CN113010562B (zh) * | 2021-03-16 | 2022-05-10 | 北京三快在线科技有限公司 | 一种信息推荐的方法以及装置 |
| CN113658013A (zh) * | 2021-08-16 | 2021-11-16 | 上海花千树信息科技有限公司 | 一种在婚恋或社交软件上推荐自拍照的方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11714816B2 (en) | Information search method and apparatus, device and storage medium | |
| CN109165249B (zh) | 数据处理模型构建方法、装置、服务器和用户端 | |
| US9449256B1 (en) | Providing image candidates based on diverse adjustments to an image | |
| CN110795569B (zh) | 知识图谱的向量表示生成方法、装置及设备 | |
| CN110399476A (zh) | 人才画像的生成方法、装置、设备及存储介质 | |
| CN110741377A (zh) | 人脸图像处理方法、装置、存储介质及电子设备 | |
| CN112241764A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
| CN111460384B (zh) | 策略的评估方法、装置和设备 | |
| CN111553428A (zh) | 用于训练判别模型的方法、装置、设备及可读存储介质 | |
| CN112487242A (zh) | 用于识别视频的方法、装置、电子设备及可读存储介质 | |
| CN112001366A (zh) | 模型训练方法、人脸识别方法、装置、设备和介质 | |
| CN111611990A (zh) | 用于识别图像中表格的方法和装置 | |
| CN113240778A (zh) | 虚拟形象的生成方法、装置、电子设备和存储介质 | |
| CN111090778A (zh) | 一种图片生成方法、装置、设备及存储介质 | |
| CN112269928A (zh) | 用户推荐方法及装置、电子设备、计算机可读介质 | |
| CN112149635A (zh) | 跨模态人脸识别模型训练方法、装置、设备以及存储介质 | |
| CN114245155A (zh) | 直播方法、装置及电子设备 | |
| CN107609487B (zh) | 一种用户头像的生成方法和装置 | |
| CN112487973A (zh) | 用户图像识别模型的更新方法和装置 | |
| CN112101552A (zh) | 用于训练模型的方法、装置、设备以及存储介质 | |
| CN111523467A (zh) | 人脸跟踪方法和装置 | |
| CN111241225B (zh) | 常驻区域变更的判断方法、装置、设备及存储介质 | |
| CN112464009A (zh) | 用于生成配对图像的方法、装置、电子设备及存储介质 | |
| CN110889392B (zh) | 人脸图像处理的方法及装置 | |
| CN112116548A (zh) | 人脸图像的合成方法、装置 |
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 |