CN112417956A - 信息推荐方法及装置、电子设备及计算机可读存储介质 - Google Patents
信息推荐方法及装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112417956A CN112417956A CN202011097316.9A CN202011097316A CN112417956A CN 112417956 A CN112417956 A CN 112417956A CN 202011097316 A CN202011097316 A CN 202011097316A CN 112417956 A CN112417956 A CN 112417956A
- Authority
- CN
- China
- Prior art keywords
- user
- face
- information
- face image
- target person
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/535—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种信息推荐方法及装置、电子设备及计算机可读存储介质,其中,信息推荐方法,所述方法包括:获取用户提供的人脸图像;利用训练好的人脸识别网络获取所述用户提供的人脸图像对应的人脸特征信息;在人脸特征信息库中检索出与所述人脸特征信息的相似度大于预设阈值的目标人物;所述人脸特征信息库是通过所述训练好的人脸识别网络进行预先建立的;将所述目标人物的关联信息推荐给所述用户。上述方案,能够对用户可以进行有效地推荐。
Description
技术领域
本申请涉及信息处理技术领域,特别是涉及一种信息推荐方法及装置、电子设备及计算机可读存储介质。
背景技术
大数据时代中,个性化信息系统可以根据用户的信息需求、喜好等,将用户可能感兴趣的信息或产品等推荐给用户,好的推荐系统能够挖掘出用户的深层喜好,为用户提供独特的个性化服务,对于app拉新与留存可以起到极其关键的作用。
如何构建一个具有个性化服务的推荐系统,对于一个app的生态构建是极其重要的,但是推荐系统构建过程中,面对纷繁复杂的用户行为习惯,难以确定什么是引起用户真正感兴趣的特征。因此,如何进行有效地推荐成为亟待解决的问题。
发明内容
本申请主要解决的技术问题是提供一种信息推荐方法及装置、电子设备及计算机可读存储介质,使得对用户可以进行有效地推荐。
为了解决上述问题,本申请第一方面提供了一种信息推荐方法,所述方法包括:获取用户提供的人脸图像;利用训练好的人脸识别网络获取所述用户提供的人脸图像对应的人脸特征信息;在人脸特征信息库中检索出与所述人脸特征信息的相似度大于预设阈值的目标人物;所述人脸特征信息库是通过所述训练好的人脸识别网络进行预先建立的;将所述目标人物的关联信息推荐给所述用户。
为了解决上述问题,本申请第二方面提供了一种信息推荐装置,包括:人脸图像获取模块,用于获取用户提供的人脸图像;人脸特征信息获取模块,用于利用训练好的人脸识别网络获取所述用户提供的人脸图像对应的人脸特征信息;检索模块,用于在人脸特征信息库中检索出与所述人脸特征信息的相似度大于预设阈值的目标人物;所述人脸特征信息库是通过所述训练好的人脸识别网络进行预先建立的;推荐模块,用于将所述目标人物的关联信息推荐给所述用户。
为了解决上述问题,本申请第三方面提供了一种电子设备,包括相互耦接的存储器和处理器,所述处理器用于执行所述存储器中存储的程序指令,以实现上述第一方面的信息推荐方法。
为了解决上述问题,本申请第四方面提供了一种计算机可读存储介质,其上存储有程序指令,所述程序指令被处理器执行时实现上述第一方面的信息推荐方法。
本发明的有益效果是:区别于现有技术的情况,本申请的信息推荐方法,在获取到用户提供的人脸图像后,可以利用训练好的人脸识别网络获取用户提供的人脸图像对应的人脸特征信息,然后在人脸特征信息库中检索出与人脸特征信息的相似度大于预设阈值的目标人物,其中人脸特征信息库是通过训练好的人脸识别网络进行预先建立的,于是可以将目标人物的关联信息推荐给用户。本申请利用训练好的人脸识别网络进行人脸特征信息库的构建,然后根据人脸特征信息库检索出与用户提供的人脸图像对应的人脸特征信息的相似度大于预设阈值的目标人物,并进行目标人物的关联信息的推荐,可以避免从纷繁的用户兴趣与习惯等构建出来的内容去分析用户可能感兴趣资料并进行推荐的繁琐步骤,对用户可以进行有效地推荐,这对于用户的吸引度有着不小的增益,从而获得不错的拉新与留存。
附图说明
图1是本申请信息推荐方法一实施例的流程示意图;
图2是人脸特征信息相似性样例示意图;
图3是本申请信息推荐方法另一实施例的流程示意图;
图4是图3中步骤S31一实施例的流程示意图;
图5是本申请信息推荐装置一实施例的框架示意图;
图6是本申请信息推荐装置另一实施例的框架示意图;
图7是本申请电子设备一实施例的框架示意图;
图8是本申请计算机可读存储介质一实施例的框架示意图。
具体实施方式
下面结合说明书附图,对本申请实施例的方案进行详细说明。
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、接口、技术之类的具体细节,以便透彻理解本申请。
本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。此外,本文中的“多”表示两个或者多于两个。
请参阅图1,图1是本申请信息推荐方法一实施例的流程示意图。具体而言,可以包括如下步骤:
步骤S11:获取用户提供的人脸图像。
随着直播行业的快速发展,直播已经给人们的日常生活和工作带来了很多便利。对于直播平台而言,如何在用户停留的最短时间内向用户推荐其感兴趣的信息,提高信息推荐的精准性,这是影响用户体验的一个关键点,也是影响用户观看频率和时长的一个关键因素,这一因素也极大影响直播平台的发展。本实施例中,信息推荐方法可以运用于进行直播的终端设备中,本申请中的直播可以是各种类型的直播形式,例如游戏类直播、电商类直播、娱乐类直播等,当用户在进行直播的观看时,可以向终端设备输入人脸图像,例如,用户可以拍摄或者选取设备中的图像,即终端设备可以获取用户提供的人脸图像。
步骤S12:利用训练好的人脸识别网络获取所述用户提供的人脸图像对应的人脸特征信息。
具体地,可以利用训练好的人脸识别网络对用户提供的人脸图像进行人脸特征向量的抽取,所抽取到的人脸特征向量可以作为用户提供的人脸图像所对应的人脸特征信息。特征向量是用于表征图像信息特征的向量,能够以简单的数据表征图像信息,通过提取图像的特征向量可以简化后续的比对过程。
在一实施例中,可以提取用户提供的人脸图像的基于深度学习的特征向量。采用深度卷积神经网络进行特征提取,由于深度学习能够自动从图像的数据中学习,因此能够适用多种环境,能够提高后续相似度获取的准确率,并且省去了复杂的预处理操作。另外,人脸特征向量可以经过归一化处理,归一化处理是要把需要处理的数据通过某种算法限制在的一定范围内的处理过程,通过对人脸特征向量进行归一化处理,可以简化后续相似度计算过程,加快了人脸特征信息比对的速度。
步骤S13:在人脸特征信息库中检索出与所述人脸特征信息的相似度大于预设阈值的目标人物。其中,所述人脸特征信息库是通过所述训练好的人脸识别网络进行预先建立的。
步骤S14:将所述目标人物的关联信息推荐给所述用户。
请结合图2,图2是人脸特征信息相似性样例示意图。可以发现,图2中右边部分列出了,与对应左边一列的人脸特征信息经过相似性度量计算,得出相似值大的样例,可以明显看出,左边一列与对应的右边的人脸图像的五官具有一定程度的相似性,因此说明人脸特征信息是能够作出相似性推荐的基础依据的。于是,本申请可以通过训练好的人脸识别网络预先建立人脸特征信息库,在获取到用户提供的人脸图像对应的人脸特征信息后,就可以在人脸特征信息库中检索出与所述人脸特征信息的相似度大于预设阈值的目标人物。
而在人脸识别的研究过程中发现,对于人脸图像抽取的人脸特征向量,其具备在特征空间中有相似性聚合的特性,即五官相似的人脸所抽取的人脸特征向量在进行相似度计算时,会获得比较大的值,因此,可以在推荐系统中添加人脸特征信息,于是在人脸特征信息库中检索出与用户提供的人脸图像对应的人脸特征信息的相似度大于预设阈值的目标人物后,可以将该目标人物的关联信息推荐给用户,从而能够使推荐系统在为用户作出推荐行为时提供更有意思的个性化推荐。
上述方案,通过利用训练好的人脸识别网络进行人脸特征信息库的构建,然后根据人脸特征信息库检索出与用户提供的人脸图像对应的人脸特征信息的相似度大于预设阈值的目标人物,并进行目标人物的关联信息的推荐,可以避免从纷繁的用户兴趣与习惯等构建出来的内容去分析用户可能感兴趣资料并进行推荐的繁琐步骤,对用户可以进行有效地推荐,这对于用户的吸引度有着不小的增益,从而获得不错的拉新与留存。
在一个实施场景中,所述用户提供的人脸图像包括用户的人脸图像。此时,上述步骤S11可以包括:从所述用户的账户信息中获取所述用户的人脸图像,或,利用所述用户使用的终端设备的摄像装置获取所述用户的人脸图像。可以理解的是,关于用户自己的人脸图像的获取,可以在用户使用终端设备进行直播观看时,通过用户使用的终端设备的摄像装置进行获取,又或者,在用户的直播账户的账户信息中,可以保存有用户自己的人脸图像,因此,可以从用户的账户信息中获取用户的人脸图像。
进一步地,上述步骤S14可以包括:当所述目标人物包括其他用户时,将所述其他用户的观看兴趣列表推荐给所述用户;当所述目标人物包括主播时,将所述主播的直播间推荐给所述用户。可以理解的是,由于用户提供的人脸图像包括用户自己的人脸图像,因此,目标人物为人脸特征信息与用户自己具有较大相似度的人物。当目标人物包括其他用户时,即其他用户与当前用户的人脸特征信息具有较大相似度,因此,可以将其他用户的观看兴趣列表推荐给该当前用户;而当目标人物包括主播时,即该主播与当前用户的人脸特征信息具有较大相似度,因此,可以将该主播的直播间推荐给该当前用户。
在一实施方式中,关于其他用户的观看兴趣列表,可以基于该用户的行为日志数据,提取用户观看、搜索等行为的日志数据,关联相应的直播间特征,计算该用户在直播内容的类别、主播类型等多个维度的偏好模型,并根据各个维度的权重,得到该用户的观看兴趣偏好,并形成观看兴趣列表。
本实施例中,利用普通用户对于外表与自己具备一定相似度的人物会抱有一定的感兴趣程度,从而对于与自己相似的人物的兴趣也会抱有一定的兴趣,因此,在推荐系统构建时,将与当前用户的外表具有一定相似度的其他用户的观看兴趣列表推荐给该当前用户,或者将与当前用户的外表具有一定相似度的主播的直播间推荐给该当前用户,能够省掉很多的繁琐分析工具,且能够进行更有意思的推荐,并且获得不错的拉新与留存。
进一步地,当所述目标人物包括其他用户时,上述信息推荐方法还可以包括:将所述用户的观看兴趣列表推荐给所述其他用户。可以理解的是,当目标人物包括其他用户时,即其他用户与当前用户的人脸特征信息具有较大相似度,因此,除了可以将其他用户的观看兴趣列表推荐给该当前用户之外,还可以由当前用户主动将其自身的观看兴趣列表推荐给其他用户,关于这种方式,在涉及到构建网络社区时,可以将用户与用户之间人脸特征信息的相似度高作为标签,当社区中大家具有一定的相似性外表时,则感兴趣的主播的分享的操作可以由用户之间进行自发推荐,提高推荐效率的同时还可以使用户之间实现较好的互动。
另外,当上述方案中的当前用户本身为主播时,在该主播举办活动的时候,该主播可以从水友中挑选出人脸特征信息与自己最相似的一个或者一群人一起进行活动,从而制造噱头;而在线上活动时,用户彼此具备相似性,能够有助于在活动开展的开始阶段消除尴尬感觉,同时与自己长得相似的用户一起参与活动能够使得活动更具备噱头。
在一个实施场景中,所述用户提供的人脸图像包括用户喜爱的主播的人脸图像。此时,上述步骤S11可以包括:从所述用户的浏览记录中获取所述用户喜爱的主播的人脸图像。可以理解的是,关于用户喜爱的主播的人脸图像的获取,可以参考用户的浏览记录,用户的浏览记录包括有用户观看的直播信息,从而可以分析出用户喜爱的主播,进而可以获取到用户喜爱的主播的人脸图像。
具体地,当所述用户对某个直播间的历史访问次数达到预设次数,和/或,所述用户在某个直播间的累计观看时长超过预设时长时,则选取该直播间主播的人脸图像作为所述用户喜爱的主播的人脸图像。可以理解的是,当用户对某个直播间的历史访问次数达到预设次数,即可表明用户对该直播间的主播较为喜爱,因此可将选取该直播间主播的人脸图像作为用户喜爱的主播的人脸图像;而用户在某个直播间的累计观看时长超过预设时长,也可表明用户喜欢该类型的主播,因此可将选取该直播间主播的人脸图像作为用户喜爱的主播的人脸图像。
进一步地,上述步骤S14可以包括:所述目标人物包括其他主播,将所述其他主播的直播间推荐给所述用户。可以理解的是,由于此时用户提供的人脸图像包括用户喜爱的主播的人脸图像,因此,目标人物为人脸特征信息与用户喜爱的主播具有较大相似度的人物。此时,用户的目的主要是找到与自己喜爱的主播相类似的其他主播,因此,此时目标人物包括其他主播,即其他主播与当前用户喜爱的主播的人脸特征信息具有较大相似度,因此,可以将其他主播的直播间推荐给该当前用户。
可以理解的是,通过上述方案,可以根据主播的人脸特征信息构建具有相似性的主播数据库,于是根据用户的关注与历史观看等信息可以获得用户针对某人脸特征信息类型的主播的喜好,并以此作为推荐标签,将相似的人脸特征信息类型的主播推荐给用户。
请参阅图3,图3是本申请信息推荐方法另一实施例的流程示意图。具体而言,可以包括如下步骤:
步骤S31:对所述人脸识别网络进行训练。
请结合图4,图4是图3中步骤S31一实施例的流程示意图。具体地,上述步骤S31可以包括:
步骤S311:收集人脸图像并进行标注,构建人脸识别训练集。
首先进行人脸图像的收集,并进行标注,收集的图片应该包含不同性别、不同年龄、不同肤色、不同光照、不同姿态、不同表情和不同清晰度等条件下的人脸图像,从而保证人脸识别训练集中人脸图像的多样性。
步骤S312:利用所述人脸识别训练集对所述人脸识别网络进行训练,得到训练好的人脸识别网络。
在这一过程中,可以预先构建一个初始的人脸识别网络,然后利用上述的人脸识别训练集对该初始的人脸识别网络进行训练,可以得到训练好的人脸识别网络,而基于人脸识别训练集训练得到的人脸识别网络,其对复杂场景下采集的人脸图像具有更为准确的划分效果,可以提高相似度的对比精度,鲁棒性更高。
步骤S32:获取用户提供的人脸图像。
步骤S33:利用训练好的人脸识别网络获取所述用户提供的人脸图像对应的人脸特征信息。
步骤S34:在人脸特征信息库中检索出与所述人脸特征信息的相似度大于预设阈值的目标人物。其中,所述人脸特征信息库是通过所述训练好的人脸识别网络进行预先建立的。
步骤S35:对所述用户的推荐需求进行询问,并判断在预设时间内是否接受到所述用户的接受推荐指令。若接收到用户的接受推荐指令,则执行步骤S36,若没有接收到用户的接受推荐指令,则表示用户没有推荐需求,则不需要进行目标人物的关联信息的推荐,流程结束。
步骤S36:将所述目标人物的关联信息推荐给所述用户。
本实施例中,步骤S32-S34、S36与本申请上述实施例的步骤S11-S14基本类似,此处不再赘述。
本实施例中,在推荐系统构建时,将与当前用户的外表具有一定相似度的其他用户的观看兴趣列表推荐给该当前用户,或者将与当前用户的外表具有一定相似度的主播的直播间推荐给该当前用户,能够省掉很多的繁琐分析工具,同时该推荐系统也可以采用提问式的推荐方式,来为用户推荐与自己长相相似的人物的兴趣列表或者观看喜好,亦或者主播人物,能够进行更有意思的推荐,这对于用户的吸引度有着不小的增益,可以获得不错的拉新与留存。
请参阅图5,图5是本申请信息推荐装置一实施例的框架示意图。信息推荐装置50包括:图像获取模块500,用于获取用户提供的人脸图像;特征获取模块502,用于利用训练好的人脸识别网络获取所述用户提供的人脸图像对应的人脸特征信息;目标获取模块504,用于在人脸特征信息库中检索出与所述人脸特征信息的相似度大于预设阈值的目标人物;其中,所述人脸特征信息库是通过所述训练好的人脸识别网络进行预先建立的;推荐模块506,用于将所述目标人物的关联信息推荐给所述用户。
上述方案,通过利用训练好的人脸识别网络进行人脸特征信息库的构建,然后目标获取模块504根据人脸特征信息库检索出与用户提供的人脸图像对应的人脸特征信息的相似度大于预设阈值的目标人物,并由推荐模块506进行目标人物的关联信息的推荐,可以避免从纷繁的用户兴趣与习惯等构建出来的内容去分析用户可能感兴趣资料并进行推荐的繁琐步骤,对用户可以进行有效地推荐,这对于用户的吸引度有着不小的增益,从而获得不错的拉新与留存。
在一些实施例中,所述用户提供的人脸图像包括用户的人脸图像;图像获取模块500具体可以用于从所述用户的账户信息中获取所述用户的人脸图像,或,利用所述用户使用的终端设备的摄像装置获取所述用户的人脸图像。
在一些实施例中,推荐模块506具体可以用于:当所述目标人物包括其他用户时,将所述其他用户的观看兴趣列表推荐给所述用户;当所述目标人物包括主播时,将所述主播的直播间推荐给所述用户。
在一些实施例中,当所述目标人物包括其他用户时,推荐模块506还可以用于将所述用户的观看兴趣列表推荐给所述其他用户。
在一些实施例中,所述用户提供的人脸图像包括用户喜爱的主播的人脸图像;图像获取模块500具体可以用于从所述用户的浏览记录中获取所述用户喜爱的主播的人脸图像。
在一些实施例中,图像获取模块500执行上述从所述用户的浏览记录中获取所述用户喜爱的主播的人脸图像的步骤,可以包括:当所述用户对某个直播间的历史访问次数达到预设次数,和/或,所述用户在某个直播间的累计观看时长超过预设时长时,则选取该直播间主播的人脸图像作为所述用户喜爱的主播的人脸图像。
在一些实施例中,推荐模块506具体可以用于:所述目标人物包括其他主播,将所述其他主播的直播间推荐给所述用户。
请参阅图6,图6是本申请信息推荐装置另一实施例的框架示意图。进一步地,在一些实施例中,信息推荐装置50还包括判断模块508,判断模块508用于对所述用户的推荐需求进行询问,并判断在预设时间内是否接受到所述用户的接受推荐指令。若判断模块508判断在预设时间内接受到所述用户的接受推荐指令,则推荐模块506执行上述将所述目标人物的关联信息推荐给所述用户的步骤。
在一些实施例中,信息推荐装置50还包括训练模块510,训练模块510用于对所述人脸识别网络进行训练。具体地,训练模块510执行对所述人脸识别网络进行训练的步骤包括:收集人脸图像并进行标注,构建人脸识别训练集;利用所述人脸识别训练集对所述人脸识别网络进行训练,得到训练好的人脸识别网络。
请参阅图7,图7是本申请电子设备一实施例的框架示意图。电子设备70包括相互耦接的存储器71和处理器72,处理器72用于执行存储器71中存储的程序指令,以实现上述任一信息推荐方法实施例的步骤。在一个具体的实施场景中,电子设备70可以包括但不限于:微型计算机、服务器。
具体而言,处理器72用于控制其自身以及存储器71以实现上述任一信息推荐方法实施例的步骤。处理器72还可以称为CPU(Central Processing Unit,中央处理单元)。处理器72可能是一种集成电路芯片,具有信号的处理能力。处理器72还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,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。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。另外,处理器72可以由集成电路芯片共同实现。
上述方案,处理器通过利用训练好的人脸识别网络进行人脸特征信息库的构建,然后根据人脸特征信息库检索出与用户提供的人脸图像对应的人脸特征信息的相似度大于预设阈值的目标人物,并进行目标人物的关联信息的推荐,可以避免从纷繁的用户兴趣与习惯等构建出来的内容去分析用户可能感兴趣资料并进行推荐的繁琐步骤,对用户可以进行有效地推荐,这对于用户的吸引度有着不小的增益,从而获得不错的拉新与留存。
请参阅图8,图8是本申请计算机可读存储介质一实施例的框架示意图。计算机可读存储介质80存储有能够被处理器运行的程序指令800,程序指令800用于实现上述任一信息推荐方法实施例的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法、装置,可以通过其它的方式实现。例如,以上所描述的装置实施方式仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性、机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元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,本申请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全部或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)或处理器(processor)执行本申请各个实施方式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。
Claims (12)
1.一种信息推荐方法,其特征在于,所述方法包括:
获取用户提供的人脸图像;
利用训练好的人脸识别网络获取所述用户提供的人脸图像对应的人脸特征信息;
在人脸特征信息库中检索出与所述人脸特征信息的相似度大于预设阈值的目标人物;所述人脸特征信息库是通过所述训练好的人脸识别网络进行预先建立的;
将所述目标人物的关联信息推荐给所述用户。
2.根据权利要求1所述的信息推荐方法,其特征在于,所述用户提供的人脸图像包括所述用户的人脸图像;
所述获取用户提供的人脸图像,包括:
从所述用户的账户信息中获取所述用户的人脸图像,或,
利用所述用户使用的终端设备的摄像装置获取所述用户的人脸图像。
3.根据权利要求2所述的信息推荐方法,其特征在于,所述将所述目标人物的关联信息推荐给所述用户,包括:
当所述目标人物包括其他用户时,将所述其他用户的观看兴趣列表推荐给所述用户;
当所述目标人物包括主播时,将所述主播的直播间推荐给所述用户。
4.根据权利要求3所述的信息推荐方法,其特征在于,当所述目标人物包括其他用户时,所述方法还包括:
将所述用户的观看兴趣列表推荐给所述其他用户。
5.根据权利要求1所述的信息推荐方法,其特征在于,所述用户提供的人脸图像包括用户喜爱的主播的人脸图像;
所述获取用户提供的人脸图像,包括:
从所述用户的浏览记录中获取所述用户喜爱的主播的人脸图像。
6.根据权利要求5所述的信息推荐方法,其特征在于,所述从所述用户的浏览记录中获取所述用户喜爱的主播的人脸图像,包括:
当所述用户对某个直播间的历史访问次数达到预设次数,和/或,所述用户在某个直播间的累计观看时长超过预设时长时,则选取直播间的主播的人脸图像作为所述用户喜爱的主播的人脸图像。
7.根据权利要求5或6所述的信息推荐方法,其特征在于,所述将所述目标人物的关联信息推荐给所述用户,包括:
所述目标人物包括其他主播,将所述其他主播的直播间推荐给所述用户。
8.根据权利要求1所述的信息推荐方法,其特征在于,在所述将所述目标人物的关联信息推荐给所述用户之前,还包括:
对所述用户的推荐需求进行询问,并判断在预设时间内是否接受到所述用户的接受推荐指令;
若是,则执行所述将所述目标人物的关联信息推荐给所述用户的步骤。
9.根据权利要求1所述的信息推荐方法,其特征在于,在所述获取用户提供的人脸图像之前,所述方法还包括:
对所述人脸识别网络进行训练;
所述对所述人脸识别网络进行训练的步骤,包括:
收集人脸图像并进行标注,构建人脸识别训练集;
利用所述人脸识别训练集对所述人脸识别网络进行训练,得到训练好的所述人脸识别网络。
10.一种信息推荐装置,其特征在于,包括:
图像获取模块,用于获取用户提供的人脸图像;
特征获取模块,用于利用训练好的人脸识别网络获取所述用户提供的人脸图像对应的人脸特征信息;
目标获取模块,用于在人脸特征信息库中检索出与所述人脸特征信息的相似度大于预设阈值的目标人物;所述人脸特征信息库是通过所述训练好的人脸识别网络进行预先建立的;
推荐模块,用于将所述目标人物的关联信息推荐给所述用户。
11.一种电子设备,其特征在于,包括相互耦接的存储器和处理器,所述处理器用于执行所述存储器中存储的程序指令,以实现权利要求1至9任一项所述的信息推荐方法。
12.一种计算机可读存储介质,其上存储有程序指令,其特征在于,所述程序指令被处理器执行时实现权利要求1至9任一项所述的信息推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011097316.9A CN112417956A (zh) | 2020-10-14 | 2020-10-14 | 信息推荐方法及装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011097316.9A CN112417956A (zh) | 2020-10-14 | 2020-10-14 | 信息推荐方法及装置、电子设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112417956A true CN112417956A (zh) | 2021-02-26 |
Family
ID=74854994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011097316.9A Pending CN112417956A (zh) | 2020-10-14 | 2020-10-14 | 信息推荐方法及装置、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112417956A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114581192A (zh) * | 2022-03-08 | 2022-06-03 | 山东大学 | 基于用户隐性数据的金融产品推荐方法及系统 |
-
2020
- 2020-10-14 CN CN202011097316.9A patent/CN112417956A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114581192A (zh) * | 2022-03-08 | 2022-06-03 | 山东大学 | 基于用户隐性数据的金融产品推荐方法及系统 |
CN114581192B (zh) * | 2022-03-08 | 2024-01-26 | 山东大学 | 基于用户隐性数据的金融产品推荐方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107404656B (zh) | 直播视频推荐方法、装置及服务器 | |
CN109033149B (zh) | 信息推荐方法、装置、服务器及存储介质 | |
CN110222233B (zh) | 视频推荐方法、装置、服务器及存储介质 | |
CN111310019A (zh) | 信息推荐方法、信息处理方法、系统及设备 | |
CN114707074B (zh) | 一种内容推荐方法、设备和系统 | |
EP4086786A1 (en) | Video processing method, video searching method, terminal device, and computer-readable storage medium | |
CN111954087B (zh) | 视频中图像的截取方法和装置、存储介质和电子设备 | |
CN110769312A (zh) | 一种直播应用中推荐信息的方法及装置 | |
CN114245185B (zh) | 视频推荐方法、模型训练方法、装置、电子设备及介质 | |
CN111191133B (zh) | 业务搜索处理方法、装置及设备 | |
CN112199582A (zh) | 一种内容推荐方法、装置、设备及介质 | |
CN106844724B (zh) | 一种基于用户已安装应用来推荐应用的方法和装置 | |
CN111597446A (zh) | 基于人工智能的内容推送方法、装置、服务器和存储介质 | |
CN109391829A (zh) | 视频打点位置分析系统、分析方法及储存媒体 | |
CN112417956A (zh) | 信息推荐方法及装置、电子设备及计算机可读存储介质 | |
CN111400609A (zh) | 用户推荐方法、装置、存储介质及服务器 | |
JP2011186854A (ja) | 質問推薦装置及び方法及びプログラム | |
KR20210060375A (ko) | 유망 콘텐츠 선정 방법, 장치 및 컴퓨터프로그램 | |
CN108848152B (zh) | 一种对象推荐的方法及服务器 | |
CN108810577B (zh) | 一种用户画像的构建方法、装置及电子设备 | |
CN115795156A (zh) | 物料召回和神经网络训练方法、装置、设备及存储介质 | |
CN114385936A (zh) | 媒体内容收藏列表的更新方法、装置、设备及存储介质 | |
CN108153863B (zh) | 一种视频信息的表示方法及装置 | |
CN113194360B (zh) | 视频推荐方法、装置、服务器及存储介质 | |
CN113626638A (zh) | 短视频推荐处理方法、装置、智能终端及存储介质 |
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 |