CN113127665A - 基于人工智能的信息推送方法及人工智能云平台 - Google Patents

基于人工智能的信息推送方法及人工智能云平台 Download PDF

Info

Publication number
CN113127665A
CN113127665A CN202110446729.1A CN202110446729A CN113127665A CN 113127665 A CN113127665 A CN 113127665A CN 202110446729 A CN202110446729 A CN 202110446729A CN 113127665 A CN113127665 A CN 113127665A
Authority
CN
China
Prior art keywords
picture
artificial intelligence
query
sequence
region
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.)
Withdrawn
Application number
CN202110446729.1A
Other languages
English (en)
Inventor
曹建华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Xinye Big Data Technology Co ltd
Original Assignee
Jiangsu Xinye Big Data Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Xinye Big Data Technology Co ltd filed Critical Jiangsu Xinye Big Data Technology Co ltd
Priority to CN202110446729.1A priority Critical patent/CN113127665A/zh
Publication of CN113127665A publication Critical patent/CN113127665A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—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
    • 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
    • G06F16/55—Clustering; Classification
    • 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
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5846—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using extracted text
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Library & Information Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及信息处理技术领域，具体涉及一种基于人工智能的信息推送方法及人工智能云平台，旨在解决确定关键词搜索结果不适用于图片，推送信息精准度较低的问题，包括以下步骤：获取查询图片组；从数据库中获得初始判断图片；提取所述初始判断图片和查询图片组的视觉特征参数，并利用图片相似度评价模型计算得到查询图片组的图片相似度评价结果；直至所述图片相似度评价结果的相似度大于预设阙值，则对所述初始判断图片进行视觉特征编码，得到视觉特征向量表示；解码所述视觉特征向量表示，得到推荐查询文本；基于所述推荐查询文本，向用户推送信息。本发明实现了针对图片的信息推送，且推送信息的精准度较高。

Description

基于人工智能的信息推送方法及人工智能云平台
技术领域
本发明涉及信息处理技术领域，具体涉及一种基于人工智能的信息推送方法及人工智能云平台。
背景技术
人工智能，是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
目前，用户在通过搜索引擎进行检索时，通常需要向搜索引擎的输入窗口输入检索关键词以获取搜索结果。搜索引擎在接收到当前关键词后，可以基于当前关键词在所有用户的历史查询关键词中出现的频次以及该用户在历史查询记录中对查询关键词的点击反馈数据，确定当前关键词对应的搜索结果。
然而，目前搜索引擎采用的确定关键词搜索结果的方法不适用于图片搜索，而且由于确定搜索结果时所参考的与用户输入的数据量较少，因此推送的搜索结果的针对性较弱，推送信息的精准度较低。
发明内容
因此，本发明的目的是提供一种基于人工智能的信息推送方法及人工智能云平台，解决现有技术中确定关键词搜索结果不适用于图片，针对性较弱，推送信息精准度较低的问题。
本发明的技术目的是通过以下技术方案得以实现的：
一种基于人工智能的信息推送方法，包括以下步骤：
S1、根据预设数量图片的视觉特征参数及预设的各种图片相似度评价结果进行训练，得到图片相似度评价模型；
S2、获取用户的当前查询图片和/或预订时间内的历史查询图片，得到查询图片组；
S3、获取所述查询图片组中包含检索对象的对象区域A1，根据所述对象区域A1，从数据库中获得图片，并将所获得的图片作为初始判断图片；
S4、提取所述初始判断图片和查询图片组的视觉特征参数，并利用图片相似度评价模型计算得到查询图片组的图片相似度评价结果；
S5、若所述图片相似度评价结果的相似度不大于预设阙值，则重新获得所述查询图片组的对象区域A2，并获得所述对象区域A2的独特性子区域，其中，所述对象区域A2与已获得的对象区域不同，所述独特性子区域为所述对象区域A2内具有显著性特征的区域；根据所述对象区域A2和所述独特性子区域，从所述数据库中选择图片，将所述初始判断图片更新为所选择的图片，并执行步骤S4；
S6、重复步骤S5，直至所述图片相似度评价结果的相似度大于预设阙值，则对所述初始判断图片进行视觉特征编码，得到视觉特征向量表示；
S7、解码所述视觉特征向量表示，得到推荐查询文本；
S8、基于所述推荐查询文本，向用户推送信息。
可选地，所述根据预设数量图片的视觉特征参数及预设的各种图片相似度评价结果进行训练，得到图片相似度评价模型包括：
分别提取预设数量图片的视觉特征参数，构成特征参数集；并且，预设各种图片相似度评价结果；
使用所述特征参数集作为输入，预设的图片相似度评价结果作为期望输出，使用自学习分类方法进行训练，将训练得到的自学习分类器作为所述图片相似度评价模型。
可选地，所述视觉特征参数至少包括其中之一：空间频域特性参数，亮度响应非线性特性参数，掩盖效应特性参数。
可选地，所述空间频域特性参数包括：
对图片中人眼关注度高的像素区域进行增强处理；
对增强后的像素区域进行时域到频域的变换处理；
根据人眼对图像不同频率感知的敏感度不同，对变换中的不同频率的像素值进行加权处理。
可选地，所述亮度响应非线性特性参数包括：
通过轮廓检测方法提取图像中的轮廓信息；
计算所述轮廓信息所指示的轮廓区域中像素的平均主观亮度参数。
可选地，所述掩盖效应特性参数包括：
根据人眼对平滑区域和边缘区域的块效应敏感度的不同，对图像中不同位置的块效应进行加权处理。
可选地，所述解码所述视觉特征向量表示，得到推荐查询文本包括：
将所述视觉特征向量的当前状态添加至当前状态序列，对所述当前状态序列执行以下获取演化步骤以得到向量表示序列组：获取向量表示与所述当前状态序列中各当前状态的相似概率，得到当前相似概率序列，采用最大似然估计获取所述当前相似概率序列中各相似概率与演化至当前状态过程中的所有相似概率的乘积序列，从大到小获取所述乘积序列中预定数量的向量表示，根据各当前状态获取的向量表示将各当前状态演化至下一状态，得到下一状态序列，将所述下一状态序列作为新的当前状态序列，并对所述新的当前状态执行所述获取演化步骤；
基于所述向量表示序列组，得到推荐查询文本序列。
可选地，所述基于所述推荐查询文本，向用户推送信息包括：
从查询数据库中搜索符合各推荐查询文本的推送信息；
向用户推送搜索到的推送信息。
本发明的另一技术目的是通过以下技术方案得以实现的：
一种人工智能云平台，包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、网络接口以及处理器之间通过总线系统相连，所述网络接口用于与至少一个电子商务直播终端通信连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码。
本发明的有益效果：
通过获取查询图片组，并从数据库中获得初始判断图片，然后提取所述初始判断图片和查询图片组的视觉特征参数，并、利用图片相似度评价模型计算得到查询图片组的图片相似度评价结果，直至所述图片相似度评价结果的相似度大于预设阙值，则对所述初始判断图片进行视觉特征编码，得到视觉特征向量表示；解码所述视觉特征向量表示，得到推荐查询文本；基于所述推荐查询文本，向用户推送信息，实现了适用于图片的高效、准确且富于针对性的信息推送。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本实施例，对技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将结合实施例来详细说明本申请。
实施例1：
一种基于人工智能的信息推送方法，包括以下步骤：
S1、根据预设数量图片的视觉特征参数及预设的各种图片相似度评价结果进行训练，得到图片相似度评价模型；
所述训练可以为：使用预设数量图片的视觉特征参数集作为输入，预设的图片相似度评价结果作为期望输出，使用自学习分类方法进行训练，将训练得到的自学习分类器作为所述图片相似度评价模型；其中，所述自学习分类器是指：通过对提供的一组具有代表性的训练子样进行训练，得到分类器的模型，用来识别其他特征子样所属的分类；本发明实施例中，所述分类也即为评价结果，例如所述评价等级。其中，自学习分类器的种类有很多，比如SVM，BP神经网络等，在本发明实施例中均可以使用；一般的，自学习分类器训练得到的所述图片相似度评价模型是以矩阵的形式存储的，矩阵大小跟参与决策的样本数量有关；
而且，这里的视觉特征参数可以包括：空间频域特性，和/或亮度响应非线性特性，和/或掩盖效应等，从而有效综合了体现视觉的主要特征参数，使得最终训练得到的图片相似度评价模型更为客观，更具有普遍性，从而使得根据所述图片相似度评价模型计算得到的图片相似度评价结果更为准确和稳定；
具体地，所述提取图像的空间频域特性可以包括：
A：对图像中人眼关注度高的像素区域进行增强处理；
B：对增强后的像素区域进行时域到频域的变换处理；
C：根据人眼对图像不同频率感知的敏感度不同，对变换中的不同频率的像素值进行加权处理，得到空间频域特性参数；
另外，获取图像的亮度相应非线性特性可以包括：
通过轮廓检测方法提取图像中的轮廓信息；
计算所述轮廓信息所指示的轮廓区域中像素的平均主观亮度参数；
一般的，图像轮廓区域更能引起人眼的关注，而且，轮廓像素间差值较大，因此，用于表征整幅图像的主观亮度会更有针对性。所述提取图像的掩盖效应特性包括：根据人眼对平滑区域和边缘区域的块效应敏感度的不同，对图像中不同位置的块效应进行加权处理，得到块效应评价参数；
S2、获取用户的当前查询图片和/或预订时间内的历史查询图片，得到查询图片组；
S3、获取所述查询图片组中包含检索对象的对象区域A1，根据所述对象区域A1，从数据库中获得图片，并将所获得的图片作为初始判断图片；
S4、提取所述初始判断图片和查询图片组的视觉特征参数，并利用图片相似度评价模型计算得到查询图片组的图片相似度评价结果；
S5、若所述图片相似度评价结果的相似度不大于预设阙值，则重新获得所述查询图片组的对象区域A2，并获得所述对象区域A2的独特性子区域，其中，所述对象区域A2与已获得的对象区域不同，所述独特性子区域为所述对象区域A2内具有显著性特征的区域；根据所述对象区域A2和所述独特性子区域，从所述数据库中选择图片，将所述初始判断图片更新为所选择的图片，并执行步骤S4；
S6、重复步骤S5，直至所述图片相似度评价结果的相似度大于预设阙值，则对所述初始判断图片进行视觉特征编码，得到视觉特征向量表示；
S7、解码所述视觉特征向量表示，得到推荐查询文本；
即将所述视觉特征向量的当前状态添加至当前状态序列，对所述当前状态序列执行以下获取演化步骤以得到向量表示序列组：获取向量表示与所述当前状态序列中各当前状态的相似概率，得到当前相似概率序列，采用最大似然估计获取所述当前相似概率序列中各相似概率与演化至当前状态过程中的所有相似概率的乘积序列，从大到小获取所述乘积序列中预定数量的向量表示，根据各当前状态获取的向量表示将各当前状态演化至下一状态，得到下一状态序列，将所述下一状态序列作为新的当前状态序列，并对所述新的当前状态执行所述获取演化步骤；基于所述向量表示序列组，得到推荐查询文本序列；
S8、基于所述推荐查询文本，向用户推送信息，包括从查询数据库中搜索符合各推荐查询文本的推送信息；向用户推送搜索到的推送信息。
实施例2：
一种人工智能云平台，包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、网络接口以及处理器之间通过总线系统相连，所述网络接口用于与至少一个电子商务直播终端通信连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以执行上述基于人工智能的信息推送方法。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (9)

1.一种基于人工智能的信息推送方法，其特征在于，包括以下步骤：
S1、根据预设数量图片的视觉特征参数及预设的各种图片相似度评价结果进行训练，得到图片相似度评价模型；
S2、获取用户的当前查询图片和/或预订时间内的历史查询图片，得到查询图片组；
S3、获取所述查询图片组中包含检索对象的对象区域A1，根据所述对象区域A1，从数据库中获得图片，并将所获得的图片作为初始判断图片；
S4、提取所述初始判断图片和查询图片组的视觉特征参数，并利用图片相似度评价模型计算得到查询图片组的图片相似度评价结果；
S5、若所述图片相似度评价结果的相似度不大于预设阙值，则重新获得所述查询图片组的对象区域A2，并获得所述对象区域A2的独特性子区域，其中，所述对象区域A2与已获得的对象区域不同，所述独特性子区域为所述对象区域A2内具有显著性特征的区域；根据所述对象区域A2和所述独特性子区域，从所述数据库中选择图片，将所述初始判断图片更新为所选择的图片，并执行步骤S4；
S6、重复步骤S5，直至所述图片相似度评价结果的相似度大于预设阙值，则对所述初始判断图片进行视觉特征编码，得到视觉特征向量表示；
S7、解码所述视觉特征向量表示，得到推荐查询文本；
S8、基于所述推荐查询文本，向用户推送信息。
2.根据权利要求1所述的基于人工智能的信息推送方法，其特征在于，所述根据预设数量图片的视觉特征参数及预设的各种图片相似度评价结果进行训练，得到图片相似度评价模型包括：
分别提取预设数量图片的视觉特征参数，构成特征参数集；并且，预设各种图片相似度评价结果；
使用所述特征参数集作为输入，预设的图片相似度评价结果作为期望输出，使用自学习分类方法进行训练，将训练得到的自学习分类器作为所述图片相似度评价模型。
3.根据权利要求2所述的基于人工智能的信息推送方法，其特征在于，所述视觉特征参数至少包括其中之一：空间频域特性参数，亮度响应非线性特性参数，掩盖效应特性参数。
4.根据权利要求3所述的基于人工智能的信息推送方法，其特征在于，所述空间频域特性参数包括：
对图片中人眼关注度高的像素区域进行增强处理；
对增强后的像素区域进行时域到频域的变换处理；
根据人眼对图像不同频率感知的敏感度不同，对变换中的不同频率的像素值进行加权处理。
5.根据权利要求3所述的基于人工智能的信息推送方法，其特征在于，所述亮度响应非线性特性参数包括：
通过轮廓检测方法提取图像中的轮廓信息；
计算所述轮廓信息所指示的轮廓区域中像素的平均主观亮度参数。
6.根据权利要求3所述的基于人工智能的信息推送方法，其特征在于，所述掩盖效应特性参数包括：
根据人眼对平滑区域和边缘区域的块效应敏感度的不同，对图像中不同位置的块效应进行加权处理。
7.根据权利要求1所述的基于人工智能的信息推送方法，其特征在于，所述解码所述视觉特征向量表示，得到推荐查询文本包括：
将所述视觉特征向量的当前状态添加至当前状态序列，对所述当前状态序列执行以下获取演化步骤以得到向量表示序列组：获取向量表示与所述当前状态序列中各当前状态的相似概率，得到当前相似概率序列，采用最大似然估计获取所述当前相似概率序列中各相似概率与演化至当前状态过程中的所有相似概率的乘积序列，从大到小获取所述乘积序列中预定数量的向量表示，根据各当前状态获取的向量表示将各当前状态演化至下一状态，得到下一状态序列，将所述下一状态序列作为新的当前状态序列，并对所述新的当前状态执行所述获取演化步骤；
基于所述向量表示序列组，得到推荐查询文本序列。
8.根据权利要求1所述的基于人工智能的信息推送方法，其特征在于，所述基于所述推荐查询文本，向用户推送信息包括：
从查询数据库中搜索符合各推荐查询文本的推送信息；
向用户推送搜索到的推送信息。
9.一种人工智能云平台，其特征在于，包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、网络接口以及处理器之间通过总线系统相连，所述网络接口用于与至少一个电子商务直播终端通信连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以执行权利要求1-8中任意一项的基于人工智能的信息推送方法。
CN202110446729.1A 2021-04-25 2021-04-25 基于人工智能的信息推送方法及人工智能云平台 Withdrawn CN113127665A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110446729.1A CN113127665A (zh) 2021-04-25 2021-04-25 基于人工智能的信息推送方法及人工智能云平台

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110446729.1A CN113127665A (zh) 2021-04-25 2021-04-25 基于人工智能的信息推送方法及人工智能云平台

Publications (1)

Publication Number Publication Date
CN113127665A true CN113127665A (zh) 2021-07-16

Family

ID=76779899

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110446729.1A Withdrawn CN113127665A (zh) 2021-04-25 2021-04-25 基于人工智能的信息推送方法及人工智能云平台

Country Status (1)

Country Link
CN (1) CN113127665A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116150420A (zh) * 2023-04-23 2023-05-23 北京微应软件科技有限公司 一种图片任务推送结果的评估方法和系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116150420A (zh) * 2023-04-23 2023-05-23 北京微应软件科技有限公司 一种图片任务推送结果的评估方法和系统
CN116150420B (zh) * 2023-04-23 2023-08-11 北京微应软件科技有限公司 一种图片任务推送结果的评估方法和系统

Similar Documents

Publication Publication Date Title
CN110472090B (zh) 基于语义标签的图像检索方法以及相关装置、存储介质
KR101183391B1 (ko) 메트릭 임베딩에 의한 이미지 비교
CN110070029B (zh) 一种步态识别方法及装置
CN110348362B (zh) 标签生成、视频处理方法、装置、电子设备及存储介质
CN110929848B (zh) 基于多挑战感知学习模型的训练、跟踪方法
CN112699945A (zh) 数据标注方法及装置、存储介质及电子装置
CN115062709A (zh) 模型优化方法、装置、设备、存储介质及程序产品
CN116994021A (zh) 图像检测方法、装置、计算机可读介质及电子设备
CN113127665A (zh) 基于人工智能的信息推送方法及人工智能云平台
CN114090401A (zh) 处理用户行为序列的方法及装置
CN112200862B (zh) 目标检测模型的训练方法、目标检测方法及装置
CN111191059B (zh) 图像处理方法、装置、计算机存储介质及电子设备
CN114943549A (zh) 一种广告投放方法及装置
CN108804492B (zh) 用于多媒体对象推荐的方法及装置
CN115063858A (zh) 视频人脸表情识别模型训练方法、装置、设备及存储介质
CN112364946B (zh) 图像确定模型的训练方法、图像确定的方法、装置和设备
CN115578765A (zh) 目标识别方法、装置、系统及计算机可读存储介质
CN114648679A (zh) 神经网络训练、目标检测的方法及装置、设备及存储介质
CN114445691A (zh) 模型训练方法、装置、电子设备及存储介质
CN114821424A (zh) 视频分析方法、视频分析装置、计算机设备、存储介质
CN114491130A (zh) 图片检索方法、装置以及计算机可读存储介质
CN109215057B (zh) 一种高性能视觉跟踪方法及装置
CN112508135A (zh) 模型训练方法、行人属性预测方法、装置及设备
CN113127663A (zh) 目标图像搜索方法、装置、设备及计算机可读存储介质
CN113191183A (zh) 人员重新识别中的无监督域纠正伪标签方法及装置

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210716

WW01 Invention patent application withdrawn after publication