CN112560992B - 优化图片分类模型的方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开提出一种优化图片分类模型的方法、装置、电子设备及存储介质，涉及神经网络和图片分类领域。具体实现方案为：展示第一图片及第一图片的类型，其中，第一图片的类型由图片分类模型根据第一图片确定；接收用户对第一图片的类型的判断结果；在判断结果为正确的情况下，利用第一图片及第一图片的类型扩充训练样本集合，扩充后的训练样本集合用于对图片分类模型进行优化。本公开能够在保证用户数据安全的前提下持续优化图片分类模型。

Description

优化图片分类模型的方法、装置、电子设备及存储介质

技术领域

本公开涉及人工智能技术领域，尤其涉及神经网络和图片分类领域。

背景技术

智能分类是智能相册产品中的核心能力，通过图片分类模型可以将用户相册中相同分类的图片聚合在一起自动创建相册。

当前主流相册产品使用的场景分类模型一般采用公共数据集或者网络图片作为训练集，在图片分类模型训练完成之后，不再根据当前相册实际场景持续优化。

部分相册产品虽然会在产品发布后对图片分类模型进行优化，但是需要收集一定量的数据图片，并对数据图片采用人工标注的方法生成图片的类别标签，这种方式存在泄露用户数据的风险。

可见，现有的相册产品无法在保证用户数据安全的前提下持续优化图片分类模型。

发明内容

本公开提供了一种优化图片分类模型的方法、装置、电子设备以及存储介质。

根据本公开的一方面，提供了一种优化图片分类模型的方法，包括：

展示第一图片及第一图片的类型，其中，第一图片的类型由图片分类模型根据第一图片确定；

接收用户对第一图片的类型的判断结果；

在判断结果为正确的情况下，利用第一图片及第一图片的类型扩充训练样本集合，扩充后的训练样本集合用于对图片分类模型进行优化。

根据本公开的另一方面，提供了一种优化图片分类模型的装置，包括：

展示模块，由于展示第一图片及第一图片的类型，其中，第一图片的类型由图片分类模型根据第一图片确定；

接收模块，由于接收用户对第一图片的类型的判断结果；

样本集合扩充模块，由于在判断结果为正确的情况下，利用第一图片及第一图片的类型扩充训练样本集合，扩充后的训练样本集合用于对图片分类模型进行优化。

根据本公开的另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行本公开任一实施例中的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本公开任一实施例中的方法。

本公开提出的优化图片分类模型的方法可以收集用户反馈的针对图片类型的判断结果，将用户认为正确的图片及其类别作为训练样本集合中的样本数据，免去了由人工标注训练样本的标签，因此能够在保证用户数据安全的前提下持续优化图片分类模型。

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

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是本公开的一种优化图片分类模型的方法实现流程图一；

图2是本公开的一种模型迭代闭环示意图；

图3是本公开的一种主动收集用户反馈的用户界面示意图；

图4是本公开的一种优化图片分类模型的方法实现流程图二；

图5是本公开的一种优化图片分类模型的方法的框架图；

图6是本公开的一种优化图片分类模型的装置600的结构示意图；

图7是本公开的一种优化图片分类模型的装置700的结构示意图；

图8是用来实现本公开实施例的优化图片分类模型的方法的电子设备的框图。

具体实施方式

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。

现有的一些相册产品在发布之后，会被动收集并记录用户的反馈信息，当系统收集到一定量的反馈信息之后，采用人工标注的方式对用户反馈信息涉及的图片进行分析，确定这些图片的分类标签，并将这些图片及分类标签作为训练数据，重新优化图片分类模型。这种人工标注的方式对用户数据的安全性造成威胁，并且由于需要人工标注分类标签，使得模型优化的成本较高、需要的周期较长。

本公开提出一种优化图片分类模型的方法。图1是本公开的一种优化图片分类模型的方法实现流程图一，包括：

S101：展示第一图片及所该第一图片的类型，其中，该第一图片的类型由图片分类模型根据该第一图片确定；

S102：接收用户对该第一图片的类型的判断结果；

S103：在该判断结果为正确的情况下，利用该第一图片及该第一图片的类型扩充训练样本集合，扩充后的训练样本集合用于对图片分类模型进行优化。

本公开设计了一种用户参与的图片分类模型的优化方法，在获取用户授权的前提下，高效且高质量有针对性地收集用户反馈的信息，利用用户反馈的信息对图片分类模型进行型优化，打造完整的模型迭代闭环，且保证用户隐私。

图2是本公开的一种模型迭代闭环示意图，包括用户反馈收集，反馈信息分析，模型优化，新模型分析跟踪这四个步骤，四个步骤依次循环执行。首先，在涉及图片分类模型的产品(例如智能相册产品)上线之后，主动向用户展示图片及由图片分类模型根据图片确定的类型，由用户给出该类型是否正确的判断结果。在多次接收到用户的反馈之后，本公开可以对用户的反馈进行分析，以确定用户的反馈是否可信。如果用户的反馈可信，则可以将经该用户确定正确的图片及对应类型加入正样本。采用扩充后的正样本对图片分类模型进行优化迭代，生成新的图片分类模型。在对新的图片分类模型测试并上线之后，采用该新的图片分类模型为用户推送图片及类型，进行新一轮的模型优化。

本公开采用主动收集用户反馈的方式，能够了解用户的真实意图，提高反馈效率。图3是本公开的一种主动收集用户反馈的用户界面示意图。在图3中，向用户展示一幅图片、以及该图片的类型，该图片可以是用户同步至网络存储服务器(如云存储、云主机)的图片。如图2中该图片的类型为“狗狗”，这个类型不是图片所涉内容的真实类型，而是由图片分类模型判断出的类型。在图2中，为用户提供3个选项，“是”、“不是”和“不能确定”。在用户点击反馈按钮(是/不是/不能确定)后，系统根据反馈信息判断用户反馈该图片分类是否正确并进行不同处理。当用户点击“是”(正反馈)时，表示用户认为该图片属于该分类，则系统不作任何处理；当用户点击“不是”(负反馈)时，表示用户认为模型分类错误，则系统可以将该图片从用户智能相册当前分类中移除(并不会删除用户数据)。当用户点击“不能确定”时，系统可以不做任何处理，只记录反馈信息。

对于用户给出正反馈的图片，本公开可以将该图片及图片类型加入样本集合。在加入样本集合之前，本公开可以采用清洗策略，过滤掉部分噪音数据，例如对该用户的可信度进行分析，在确定用户给出的反馈可信的前提下，将该用户给出正反馈的图片及对应类型加入样本集合。

图4是本公开的一种优化图片分类模型的方法实现流程图二。如图4所示，在一些实施方式中，上述步骤S103之前还可以包括：

S401：确定该用户对多个历史图片的类型的历史判断结果，该历史图片为在该第一图片之前展示的图片；

S402：对该历史判断结果进行分析，根据分析结果确定该用户的判断是否可信；在该用户的判断可信的情况下，继续执行上述步骤S103。

在一些实施方式中，上述步骤S402中可以包括：

确定用户的历史判断结果中，判断结果为正确的数量与历史判断结果的总量的比值；

在该比值属于预设范围的情况下，确定该用户的判断可信；和/或，将该比值与其他用户的比值进行比较，根据比较结果确定该用户的判断是否可信。

进一步地，如图4所示，本公开还可以包括：

S403：在上述多个历史图片中，提取判断结果为正确的类型的历史图片；

S404：利用提取的历史图片及对应的类型扩充训练样本集合。

本公开所述的用户对应唯一的用户标识。当用户采用用户标识登录系统时，系统可以主动向用户多次推送图片及图片分类模型给出的该图片的类型，并接收用户对该类型是否正确的判断结果。在接收到有效反馈的个数大于预设阈值时，可以对历史反馈进行统计分析。前述有效反馈包括上述正反馈和负反馈。例如，当收集到用户的20条有效反馈之后，认为可以根据这些有效反馈对用户的可信度进行分析。

分析方法例如：统计判断结果为正确的数量(即正反馈的数量)与历史判断结果的总量(即有效反馈的总量)的比值；判断该比值是否属于预设范围，如果是，则确定该用户的判断可信。其中，前述预设范围可以根据图片分类模型的准确率确定。例如，如果图片分类模型识别图片类型的正确率为80％，则可以将前述预设范围设置为80％附近的范围，如70％～90％。如果针对某一用户计算出的上述比值在70％～90％之内，可以认为该用户给出的判断结果可信。如果某一用户计算出的上述比值为0％，显著低于上述70％～90％的范围，则可以认为该用户给出的判断结果不可信。

除了与上述预设范围比较确定用户的可信度之外，本公开还可以将某一用户的统计数据与其他用户的统计数据比较，根据比较结果分析该用户给出的判断结果是否可信。例如，针对用户A，计算出该用户的给出的判断结果为正确的数量(即正反馈的数量)与历史判断结果的总量(即有效反馈的总量)的比值；并计算系统中其他用户的前述比值。将用户A的上述比值与其他用户的上述比值进行比较。

例如，确定用户A的上述比值在系统中所有用户的比值中的分位数，如果用户A的上述比值的分位数高于第一预设阈值、或者低于第二预设阈值时，认为用户A给出的判断结果不可信。其中，上述第一预设阈值高于第二预设阈值；反之，如果用户A的上述比值的分位数在上述第一预设阈值和第二预设阈值之间，则认为用户A给出的判断结果可信。

或者，计算系统中所有用户的上述比值的平均值，确定用户A的上述比值与该平均值的差值是否小于预设阈值，如果小于，则认为用户A给出的判断结果可信；否则，认为用户A给出的判断结果不可信。

以上几种分析及判断方式仅为举例，本公开还可以采用其他的方式，如统计用户给出的判断结果为错误的数量(即负反馈的数量)与历史判断结果的总量(即有效反馈的总量)的比值，采用与上述类似的方式确定该用户给出的判断结果是否可信。

由于本公开采用用户识别的图片作为样本，因此不需要人工对用户图片进行标签，既解决了场景化数据获取与隐私授权的问题，也节约了人力和时间资源。

如图4所示，在一些实施方式中，上述方法还可以包括：

S405：采用卷积神经网络提取扩充后的训练样本集合中的各个图片的特征数据；

S406：分别将各个图片的特征数据输入图片分类模型，将该图片分类模型的输出结果与该图片的类型进行比较，根据比较结果优化该图片分类模型。

本公开在步骤S406中提取图片的特征数据，实现了对用户的原始图片进行数据脱敏。即，本公开可以提取用户在网络存储服务器中存储的图片的特征数据，而无需从网络存储服务器中下载用户的原始图片，从而保证了图片的安全。

图5是本公开的一种优化图片分类模型的方法的框架图。如图5所示，对于用户反馈的信息，本公开采用清洗策略，过滤掉部分噪音数据，过滤噪音后产出大量可用的正反馈数据。本公开还设计了脱敏程序，对原始数据进行脱敏，例如采用卷积神经网络提取样本集合中图片的特征数据，采用该特征数据训练图片分类模型，产出优化后的新模型。新的图片分类模型评估上线后，对用户主动推送该新模型分类的结果，收集新一轮的用户反馈，以持续进行模型迭代。

在新一轮的主动推送过程中，可以包括以下步骤：

利用优化后的图片分类模型确定第二图片的类型；

展示第二图片及第二图片的类型；

利用用户对第二图片的类型的判断结果重复优化图片分类模型。

其中，上述第二图片可以为之前没有为用户推送过的图片，即第二图片是与前述第一图片和历史图片不同的图片。

综上可见，本公开提供了用户主动参与的反馈收集流程，可以用于多种需要主动收集用户反馈信息的场景，具有通用性，同时解决了时效性。并且，本公开设计的处理策略帮助系统收集到反馈信息的有效性对比被动收集大幅提升。本公开由用户给出图片的类别标签，而不需要人工对图片进行标注，因此解决了场景化数据获取与隐私授权问题，并且采用脱敏数据进行建模，能够实现全链路隐私保护。同时，由于不需要人工标注类别标签，节约了人力和时间成本，因此模型迭代的效率大大提升。

本公开还提出一种优化图片分类模型的装置，图6是本公开的一种优化图片分类模型的装置600的结构示意图，包括：

展示模块610，由于展示第一图片及第一图片的类型，其中，第一图片的类型由图片分类模型根据第一图片确定；

接收模块620，由于接收用户对第一图片的类型的判断结果；

样本集合扩充模块630，由于在判断结果为正确的情况下，利用第一图片及第一图片的类型扩充训练样本集合，扩充后的训练样本集合用于对图片分类模型进行优化。

图7是本公开的一种优化图片分类模型的装置700的结构示意图。如图7所示，上述装置还可以包括：

可信度确定模块740，用于确定用户对多个历史图片的类型的历史判断结果，历史图片为在第一图片之前展示的图片；对历史判断结果进行分析，根据分析结果确定用户的判断是否可信；在用户的判断可信的情况下，指示样本集合扩充模块630利用第一图片及第一图片的类型扩充训练样本集合。

可选地，上述样本集合扩充模块630还用于：

在用户的判断可信的情况下，在多个历史图片中，提取判断结果为正确的类型的历史图片；利用提取的历史图片及对应的类型扩充训练样本集合。

可选地，上述可信度确定模块740用于：

确定用户的历史判断结果中，判断结果为正确或错误的数量与历史判断结果的总量的比值；

在比值属于预设范围的情况下，确定用户的判断可信；和/或，将比值与其他用户的比值进行比较，根据比较结果确定用户的判断是否可信。

可选地，如图7所示，上述装置还可以包括：

优化模块750，用于采用卷积神经网络提取扩充后的训练样本集合中的各个图片的特征数据；分别将各个图片的特征数据输入图片分类模型，将图片分类模型的输出结果与图片的类型进行比较，根据比较结果优化图片分类模型。

可选地，上述展示模块610还用于：

利用优化后的图片分类模型确定第二图片的类型；展示第二图片及第二图片的类型。

本申请实施例各装置中的各模块的功能可以参见上述优化图片分类模型的方法中的对应描述，在此不再赘述。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。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/或要求的本公开的实现。

如图8所示，电子设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序来执行各种适当的动作和处理。在RAM803中，还可存储电子设备800操作所需的各种程序和数据。计算单元801、ROM802以及RAM803通过总线804彼此相连。输入输出(I/O)接口805也连接至总线804。

电子设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许电子设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如优化图片分类模型的方法。例如，在一些实施例中，优化图片分类模型的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到RAM803并由计算单元801执行时，可以执行上文描述的优化图片分类模型方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行优化图片分类模型的方法。

本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

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。

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。

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，本公开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。

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 (12)

1.一种优化图片分类模型的方法，包括：

展示第一图片及所述第一图片的类型，其中，所述第一图片的类型由图片分类模型根据所述第一图片确定；

接收用户对所述第一图片的类型的判断结果；

在所述判断结果为正确的情况下，利用所述第一图片及所述第一图片的类型扩充训练样本集合，扩充后的训练样本集合用于对所述图片分类模型进行优化；

其中，在所述判断结果为正确的情况下，利用所述第一图片及所述第一图片的类型扩充训练样本集合之前，还包括：确定所述用户对多个历史图片的类型的历史判断结果，所述历史图片为在所述第一图片之前展示的图片；对所述历史判断结果进行分析，根据分析结果确定所述用户的判断是否可信；在所述用户的判断可信的情况下，继续执行所述在所述判断结果为正确的情况下，利用所述第一图片及所述第一图片的类型扩充训练样本集合的步骤。

2.根据权利要求1所述的方法，在所述用户的判断可信的情况下，还包括：

在所述多个历史图片中，提取判断结果为正确的类型的历史图片；

利用所述提取的历史图片及对应的类型扩充训练样本集合。

3.根据权利要求1所述的方法，所述对所述历史判断结果进行分析，根据分析结果确定所述用户的判断是否可信，包括：

确定所述用户的历史判断结果中，判断结果为正确或错误的数量与所述历史判断结果的总量的比值；

在所述比值属于预设范围的情况下，确定所述用户的判断可信；和/或，将所述比值与其他用户的所述比值进行比较，根据比较结果确定所述用户的判断是否可信。

4.根据权利要求1至3任一所述的方法，还包括：

采用卷积神经网络提取扩充后的训练样本集合中的各个图片的特征数据；

分别将所述各个图片的特征数据输入所述图片分类模型，将所述图片分类模型的输出结果与所述图片的类型进行比较，根据比较结果优化所述图片分类模型。

5.根据权利要求4所述的方法，还包括：

利用优化后的图片分类模型确定第二图片的类型；

展示所述第二图片及所述第二图片的类型；

利用用户对所述第二图片的类型的判断结果重复优化所述图片分类模型。

6.一种优化图片分类模型的装置，包括：

展示模块，由于展示第一图片及所述第一图片的类型，其中，所述第一图片的类型由图片分类模型根据所述第一图片确定；

接收模块，由于接收用户对所述第一图片的类型的判断结果；

样本集合扩充模块，由于在所述判断结果为正确的情况下，利用所述第一图片及所述第一图片的类型扩充训练样本集合，扩充后的训练样本集合用于对所述图片分类模型进行优化；

其中，所述装置还包括：可信度确定模块，用于确定所述用户对多个历史图片的类型的历史判断结果，所述历史图片为在所述第一图片之前展示的图片；对所述历史判断结果进行分析，根据分析结果确定所述用户的判断是否可信；在所述用户的判断可信的情况下，指示所述样本集合扩充模块利用所述第一图片及所述第一图片的类型扩充训练样本集合。

7.根据权利要求6所述的装置，所述样本集合扩充模块还用于：

在所述用户的判断可信的情况下，在所述多个历史图片中，提取判断结果为正确的类型的历史图片；利用所述提取的历史图片及对应的类型扩充训练样本集合。

8.根据权利要求6所述的装置，所述可信度确定模块用于：

确定所述用户的历史判断结果中，判断结果为正确或错误的数量与所述历史判断结果的总量的比值；

在所述比值属于预设范围的情况下，确定所述用户的判断可信；和/或，将所述比值与其他用户的所述比值进行比较，根据比较结果确定所述用户的判断是否可信。

9.根据权利要求6至8任一所述的装置，还包括：

优化模块，用于采用卷积神经网络提取扩充后的训练样本集合中的各个图片的特征数据；分别将所述各个图片的特征数据输入所述图片分类模型，将所述图片分类模型的输出结果与所述图片的类型进行比较，根据比较结果优化所述图片分类模型。

10.根据权利要求9所述的装置，所述展示模块还用于：

利用优化后的图片分类模型确定第二图片的类型；展示所述第二图片及所述第二图片的类型。

11. 一种电子设备，其特征在于，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，

所述存储器存储有被所述至少一个处理器执行的指令，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1-6中任一项所述的方法。

12.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使计算机执行权利要求1-5中任一项所述的方法。