CN113220917A - 一种背景图推荐方法、设备及存储介质 - Google Patents

Abstract

本申请实施例提供一种背景图推荐方法、设备及存储介质。在本申请实施例中，可预先构建已知主体与背景图之间的关联关系，基于此，在接收到主体处理请求的情况下，可从已知主体与背景图之间的关联关系中，查找与待处理主体匹配的目标已知主体，并将与目标已知主体关联的目标背景图输出，作为与所述待处理主体搭配的背景图。据此，本申请实施例中，根据用户提供的待处理主体即可向用户推荐与待处理主体搭配的背景图，这可有效降低用户的学习成本，提高背景图的推荐效率和准确率。

Description

一种背景图推荐方法、设备及存储介质

技术领域

本申请涉及数据处理技术领域，尤其涉及一种背景图推荐方法、设备及存储介质。

背景技术

电商广告或宣传海报等设计图中主要包含背景图和主体。其中，背景图可以是设计图中最底层的图片，起到渲染烘托气氛、突出主体的作用。主体可以是实体的商品、虚拟的服务或口号标语等等，其在设计图中的表现形式可以是图像或文本等。

目前，设计师在制作设计图的过程中，需要人工从海量图片中选出与主体适配的背景图，不仅效率低而且经常错失优秀的背景图。

发明内容

本申请的多个方面提供一种图片推荐方法、设备及存储介质，用以提高背景图的推荐效率及准确性。

本申请实施例提供一种背景图推荐方法，包括：

接收主体处理请求，所述主体处理请求中包含待处理主体；

从预先构建的已知主体与背景图之间的关联关系中，查找与所述待处理主体匹配的目标已知主体，以获得所述目标已知主体关联的目标背景图；

输出所述目标背景图，作为与所述待处理主体搭配的背景图。

本申请实施例还提供一种计算设备，包括存储器和处理器；

所述存储器用于存储一条或多条计算机指令；

所述处理器与所述存储器耦合，用于执行所述一条或多条计算机指令，以用于：

接收主体处理请求，所述主体处理请求中包含待处理主体；

从预先构建的已知主体与背景图之间的关联关系中，查找与所述待处理主体匹配的目标已知主体，以获得所述目标已知主体关联的目标背景图；

输出所述目标背景图，作为与所述待处理主体搭配的背景图。

本申请实施例还提供一种存储计算机指令的计算机可读存储介质，当所述计算机指令被一个或多个处理器执行时，致使所述一个或多个处理器执行前述的背景图推荐方法。

在本申请实施例中，可预先构建已知主体与背景图之间的关联关系，基于此，在接收到主体处理请求的情况下，可从已知主体与背景图之间的关联关系中，查找与待处理主体匹配的目标已知主体，并将与目标已知主体关联的目标背景图输出，作为与所述待处理主体搭配的背景图。据此，本申请实施例中，根据用户提供的待处理主体即可向用户推荐与待处理主体搭配的背景图，这可有效降低用户的学习成本，提高背景图的推荐效率和准确率。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1a为本申请一示例性实施例提供的一种背景图推荐方法的流程示意图；

图1b为本申请一示例性实施例提供的一种背景图推荐方法的逻辑示意图；

图2为本申请一示例性实施例提供的一种已知主体与背景图之间的关联关系的预先构建过程的逻辑示意图；

图3为本申请一示例性实施例提供的一种已知主体与背景图之间的关联关系的示意图；

图4为本申请另一示例性实施例提供的一种计算设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，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，都属于本申请保护的范围。

目前，设计师在制作设计图的过程中，需要人工从海量图片中选出与主体适配的背景图，不仅效率低而且经常错失优秀的背景图，为了改善目前存在的技术问题，本申请实施例提供一种解决方案，基本思路之一是：可预先构建已知主体与背景图之间的关联关系，基于此，在接收到主体处理请求的情况下，可从已知主体与背景图之间的关联关系中，查找与待处理主体匹配的目标已知主体，并将与目标已知主体关联的目标背景图输出，作为与所述待处理主体搭配的背景图。据此，本申请实施例中，根据用户提供的待处理主体即可向用户推荐与待处理主体搭配的背景图，这可有效降低用户的学习成本，提高背景图的推荐效率和准确率。

以下结合附图，详细说明本申请各实施例提供的技术方案。

图1a为本申请一示例性实施例提供的一种背景图推荐方法的流程示意图。本实施例提供的背景图推荐方法可以由一背景图推荐装置来执行，该背景图推荐装置可以实现为软件或实现为软件和硬件的组合，该背景图推荐装置可集成设置在计算设备中。如图1a所示，该方法包括：

步骤100、接收主体处理请求，主体处理请求中包含待处理主体；

步骤101、从预先构建的已知主体与背景图之间的关联关系中，查找与待处理主体匹配的目标已知主体，以获得目标已知主体关联的目标背景图；

步骤102、输出目标背景图，作为与待处理主体搭配的背景图。

本实施例提供的背景图推荐方法可应用于各种需要进行背景图推荐的场景中，例如，电商广告或宣传海报等等。本实施例对应用场景不作限定。

在步骤100中，可接收主体处理请求，主体处理请求中可包含待处理主体。本实施例中，对主体处理请求的来源不作限定。

主体处理请求可来源于设计师，此时用户为人。这种情况下，本实施例中可提供人机交互界面，用户可在人机交互界面中执行主体处理操作，以产生护体处理请求。例如，用户可在人机交互界面中输入一张图片作为待处理主体。

主体处理请求还可来源于应用程序，此时用户为应用程序。其中，其它应用程序可以是各种设计图智能设计系统等等，这类应用程序可发出主体处理请求，并在主体处理请求中携带待处理主体。而本实施例的输出结果则可为智能设计提供设计基础。

本实施例中，待处理主体可以是图片或文本等等，本实施例对待处理主体的表现形式不作限定。

在步骤101中，可调用预先构建的已知主体与背景图之间的关联关系。

本实施例中，预先收集了若干已知主体以及若干背景图，并构建了已知主体与背景图之间的关联关系。

基于此，本实施例中，可以已知主体与背景图之间的关联关系作为索引，查找与待处理主体匹配的目标已知主体。

其中，目标已知主体可以是一个或多个，本实施例对此不作限定。

根据已知主体与背景图之间的关联关系，可确定出目标已知主体关联的目标背景图。

其中，目标背景图可以是一个或多个，本实施例对此也不作限定。

由于目标已知主体与待处理主体匹配，本实施例中，可将目标已知主体关联的目标背景图，确定为与待处理主体搭配的背景图。

在步骤102中，可输出目标背景图。承接上文中提及的，主体处理请求的来源可能是多种多样的，本实施例中，可将目标背景图输出至发起主体处理请求的请求方，例如，请求方可以是前文中的设计师或者应用程序等。

其中，在目标背景图为多个的情况下，用户可从中选择一个目标背景图用于对待处理主体进行处理，用户也可发起背景图融合请求，并在背景融合请求中指定期望融合的至少两个目标背景图。

基于此，本实施例中，可将背景融合请求所请求融合的至少两个目标背景图融合，以获得融合后背景图，并根据融合后背景图对待处理主体进行处理。

例如，对于待处理主体A来说，目标背景图有多个，用户对其中的一张远景图a和一张近景图b感兴趣，这种情况下，用户可请求将这两张图进行融合。这样，可生成一张由图a和图b融合而成的图c，用户可创作待处理主体A的设计图时，将图c用作待处理主体A的背景图。

本实施例中，可预先构建已知主体与背景图之间的关联关系，基于此，在接收到主体处理请求的情况下，可从已知主体与背景图之间的关联关系中，查找与待处理主体匹配的目标已知主体，并将与目标已知主体关联的目标背景图输出，作为与所述待处理主体搭配的背景图。据此，本申请实施例中，根据用户提供的待处理主体即可向用户推荐与待处理主体搭配的背景图，这可有效降低用户的学习成本，提高背景图的推荐效率和准确率。

在上述或下述实施例中，可采用多种实现方式确定目标已知主体。

在一种实现方式中，可从已知主体与背景图之间的关联关系中，查找与待处理主体相同的已知主体，作为目标已知主体。

在该实现方式中，可在接收到主体处理请求的情况下，确定已知主体与背景图之间的关联关系中是否存在与待处理主体相同的已知主体，若存在，则将与待处理主体相同的已知主体作为目标已知主体。

例如，已知主体与背景图之间的关联关系中存在已知主体A与待处理主体相同，则已知主体A可被作为目标已知主体之一。

在另一种实现方式中，可从已知主体与背景图之间的关联关系中，查找与待处理主体相似的已知主体，作为目标已知主体。

在该实现方式下，可在接收到主体处理请求的情况下，确定已知主体与背景图之间的关联关系中是否存在与待处理主体相同的已知主体，若不存在，则将与待处理主体相似的已知主体作为目标已知主体。

该实现方式下，可采用协同过滤的方案，查找与待处理主体相似的已知主体，进而将与待处理主体相似的已知主体关联的背景图，也作为与待处理主体可搭配的背景图，推荐给用户。实际应用中，协同过滤方案可采用矩阵分解的技术实现，当然，在此不作限定。

例如，已知主体与背景图之间的关联关系中不存在与待处理主体相同的已知主体，但存在与待处理主体相似的已知主体B，则已知主体B可被作为目标已知主体之一。

在又一种实现方式中，可从已知主体与背景图之间的关联关系中，查找与待处理主体相同的已知主体和相似的已知主体，作为目标已知主体。

例如，已知主体与背景图之间的关联关系中存在已知主体A与待处理主体相同，还存在与待处理主体相似的已知主体B，则已知主体A和已知主体B都可被作为目标已知主体。

在上述几种实现方式中，可从至少一种属性维度计算待处理主体与各已知主体之间的相似度；根据相似度，确定与待处理主体相同或相似的已知主体。

其中，属性维度可以为视觉维度、语义维度、创建时间维度、修改时间维度、行业类目维度或目标人群维度等等，本实施例并不限于此。

对于无法从待处理实体中直接提取出的属性维度，例如，前述的行业类目维度或目标人群维度等。本实施例中，用户可在主体处理请求中配置这类属性维度下的属性参数，据此，在接收到主体处理请求的情况下，可获取到待处理主体在这类属性维度下的属性参数，进而基于获取到的属性参数，确定待处理主体与各已知主体在这类属性维度下的相似度。

实际应用中，可采用卷积神经网络、深度学习网络等算法模型计算待处理主体与各已知主体之间的相似度，而且，可为不同表现形式的待处理主体，选用适配的算法模型。例如，若待处理主体为图片，则可使用基于卷积神经网络的算法模型，分别提取待处理主体和各已知主体中的图片特征并进行比对，以确定待处理主体与各已知主体之间的相似度。

当然，这仅是示例性的，本实施例中计算待处理主体与各已知主体之间的相似度的实现方式并不限于此。另外，在查找目标已知主体的过程中，可采用遍历的方式，且在上述第一种实现方式下，可在查找到与待处理主体相同的目标已知主体的情况下，不再对后续的已知主体进行判断，这可节省计算资源。

本实施例中，从预先构建的已知主体与背景图的关联关系中，查找到与待处理主体匹配的目标已知主体，在查找目标已知主体的过程中考虑了各种属性维度的影响，这可有效保证目标已知主体的准确性。在此基础上，可将目标已知主体关联的目标背景图作为与待处理主体搭配的背景图，这可有效提高背景图的推荐效率和准确率。

在上述或下述实施例中，已知主体与背景图之间的关联关系中，可包括已知主体与背景图之间的搭配关系。

其中，搭配关系与关联关系有所不同。本实施例中，搭配关系可理解为符合预设搭配标准的关联关系。例如，已知主体A与背景图a和b都存在关联，但是背景b并不符合预设搭配标准，而背景图a则符合预设搭配标准，这种情况下，背景图a和b均与已知主体A之间存在关联关系，背景图a与已知主体A之间存在搭配关系，而背景图B与已知主体A之间则不存在搭配关系。

值得说明的是，已知主体与背景图之间的搭配关系也是预先构建好的。

基于此，本实施例中，可从已知主体与背景图之间的搭配关系中，确定出与目标已知主体搭配的背景图，作为目标背景图。也即是，将与目标已知主体关联的，且符合预设搭配标准的背景图，作为目标背景图。这可有效保证所推荐背景图的准确性，从而提高所推荐背景图的质量。

进一步，本实施例中，已知主体与背景图之间的关联关系中，还可包含背景图之间的相似关系。

其中，背景图之间具有相似关系可理解为背景图之间的相似度满足预设相似标准。承接上例，若存在背景图c，背景图c与背景图a之间符合预设相似标准，则背景图c与背景图a之间存在相似关系；背景图c与背景图b之间不符合预设相似标准，则背景图c与背景图b之间不存在相似关系。

值得说明的是，背景图之间的相似关系也是预先构建好的。

基于此，本实施例中，可基于已知主体与背景图之间的搭配关系，查找与目标已知主体搭配的第一类背景图；基于背景图之间的相似关系，查找与第一类背景图相似的第二类背景图；将第一类背景图和第二类背景图，作为目标背景图。

这样，本实施例中，基于背景图之间的相似关系，针对任一目标已知主体，其关联的背景图除了可包含前述与其具有搭配关系的第一类背景图外，还可包含与第一类背景图具有相似关系的第二类背景图。这可有效扩大所推荐背景图的数量级，从而避免用户错过优质图片，而且可弥补搭配关系可能存在的不完善或不准确等问题。

在上述或下述实施例中，已知主体与背景图之间的搭配关系中包含已知主体与背景图在至少一种搭配维度下的搭配程度。

基于此，主体处理请求中还可包括偏好搭配维度，在步骤102中，可从目标背景图中选择在偏好搭配维度下的搭配程度符合预设标准的偏好背景图；优先输出偏好背景图。

本实施例中，基于已知主体与背景图在至少一种搭配维度下的搭配程度，可以确定出已知主体在不同搭配维度下可搭配的目标背景图。据此，可确定出与已知主体之间在偏好搭配维度下的搭配程度符合预设标准的偏好背景图。其中，这里的预设标准可以根据实际需要进行设定，例如，搭配程度采用搭配得分形式的情况下，可设定最低搭配得分作为预设标准，最低搭配得分可以设定为0分，5分等等。

这是对目标背景图的筛选过程，将更加符合偏好搭配维度的目标背景图筛选出来，并进行优先推荐。

其中，优先推荐的实现形式可是将偏好背景图显示在输出队列中的前部，用户可最先看到偏好背景图。当然，还可以是为偏好背景图配置专用的显示区域，专用的显示区域可部署在显示界面的最显眼位置，用户也可最先看到偏好背景图。本实施例中，优先推荐的实现形式绝不仅限于此。

本实施例中，优先推荐偏好背景图，可保证推荐结果更加符合用户偏好，从而可提高用户体验。

在上述或下述实施例中，可预先构建已知主体与背景图之间的关联关系。图2为本申请一示例性实施例提供的一种已知主体与背景图之间的关联关系的预先构建过程的逻辑示意图。

参考图2，本实施例中，已知主体与背景图之间的关联关系的预先构建过程可以是：

获取若干已知主体及若干背景图；分别确定若干已知主体与若干背景图之间在至少一种搭配维度下的搭配程度；基于至少一种搭配维度下的搭配程度，构建已知主体与背景图之间的关联关系。

其中，本实施例中，不限定若干已知主体以及若干背景图的来源。

本实施例中，搭配维度可以是颜色维度、语义维度、风格维度、创建时间维度、修改时间维度、场景维度、所属业务线维度等等。

以下将以其中几个示例性的搭配维度为例，说明确定若干已知主体与若干背景图之间在至少一种搭配维度下的搭配程度的方案。

值得说明的是，由于针对每个已知主体确定其与若干背景图之间的搭配程度的方案相似，在此以第一已知主体为例进行方案说明。应当理解的是，第一已知主体可以是若干已知主体中的任意一个。

在颜色维度下，可确定第一已知主体对应的主体颜色，第一已知主体为若干已知主体中的任意一个；确定若干背景图各自对应的图片颜色；基于颜色搭配知识，确定主体颜色与图片颜色之间的搭配得分，作为第一已知主体与若干背景图之间的在颜色维度下的搭配程度。

在该属性维度下，可采用卷积神经网络或深度学习网络等算法模型确定第一已知主体对应的主体颜色以及若干背景图各自对应的图片颜色，本实施例对确定颜色的实现方式不作限定。

另外，实际应用中，可重点关注第一已知主体和若干背景图各自的主颜色，也即最主要的颜色，并基于主颜色确定双方之间的搭配得分。

其中，确定搭配得分的操作可借助机器模型实现，机器模型可学习颜色搭配知识。在机器模型中，可从样本数据中学习颜色搭配知识，当然，也可人为定制颜色搭配知识。

一种示例性的颜色搭配知识可以是：定义单种颜色对应的多个的搭配得分段下的颜色组。例如，可定义搭配颜色组和不搭配颜色组，并分别为搭配颜色组和不搭配颜色组内的各颜色设定搭配得分。

例如，对于红色来说，可为红色定义搭配颜色组【黑色、黄色、白色】以及不搭配颜色组【绿色、粉色】，并为搭配颜色组内的各颜色设定搭配得分8-10分，而不搭配颜色组内各颜色设定搭配得分0-3分。

基于此，在确定主体颜色与图片颜色之间的搭配得分的过程中，若一背景图的图片颜色为黑色，则该背景图与第一已知主体之间的搭配得分可输出为10分；若一背景图的图片颜色为绿色，则该背景图与第一已知主体之间的搭配得分可输出为1分；而若一背景图的图片颜色为蓝色，该颜色既不属于搭配颜色组也不属于不搭配颜色组，据此，该背景图与第一已知主体之间的搭配得分可输出为6分(位于4-7之间)。

当然，这仅是示例性的，本实施例中，搭配得分的计算方式、搭配得分段的划分方式、选用的搭配得分段以及搭配得分段下的颜色组构成等均不限于此。

据此，可用较少的颜色搭配规则，实现搭配得分的确定。尤其是对于需要人工定制颜色搭配知识的情况，可大幅减少人力成本。

在语义维度下，可从第一已知主体中提取第一语义信息；从若干背景图中分别提取第二语义信息；计算第一语义信息与第二语义信息之间的匹配度，作为第一已知主体与若干背景图之间的在语义维度下的搭配程度。

实际应用中，可采用深度学习模型为若干背景图添加语义标签，语义标签用于表征前述的第二语义信息。例如，对于一张包含火山的背景图，可为其添加语义标签【火山】。

当然，语义标签仅是一种示例性的语义信息的承载形式，本实施例并不限于此。

其中，本实施例中，主要关注已知主体及背景图中包含的整体性的语义信息。例如，一张衣服的图片，本实施例中，主要关注其中包含的“衣服”这种整体性的语义信息，而不再关注其中包含的“短袖”、“黑色”、“圆领”等细节性的语义信息。

在该属性维度下，可采用多种实现方式计算第一语义信息与第二语义信息之间的匹配度。

在一种实现方式下，可将第一语义信息与第二语义信息分别转换为语义特征向量；计算语义特征向量之间的匹配度，以确定第一语义信息与第二语义信息之间的匹配度。

例如，第一已知主体为火山岩洁面乳，可为第一已知主体确定出语义标签【火山】、【岩石】等等，而若某一张背景图包含的语义标签为【火山】，则可将第一已知主体的各语义标签以及该背景图的语义标签转换为语义特征向量，进而计算两个语义特征向量之间的匹配度，从而第一已知主体与该背景图之间在语义维度下的匹配度。

又例如，第一已知主体为电冰箱，可为第一已知主体确定出语义标签【冰箱】，而若某一张背景图包含的语义标签为【餐厅】，则可将第一已知主体的各语义标签以及该背景图的语义标签转换为语义特征向量，进而计算两个语义特征向量之间的匹配度，从而第一已知主体与该背景图之间在语义维度下的匹配度。

实际应用中，可利用深度学习模型确定第一已知主体对应的语义标签，再结合前述为若干背景图添加的语义标签，可将各语义标签转换为语义特征向量，并用相似向量检索的方式进行语义匹配。

在该实现方式下，前述的语义标签、语义信息或者语义特征向量等，无需暴露给用户。整个匹配过程对用户来说是无感知的，这使得用户无需学习各种规则及知识，减少了用户的工作量。

在另一种实现方式中，可将第一语义信息与第二语义信息输入语义匹配模型；在语义匹配模型中，基于语义之间的映射关系，确定第一语义信息与第二语义信息之间的匹配度。

其中，语义匹配模型中可预先学习语义之间的映射关系，语义匹配模型可从样本数据中学习语义之间的映射关系，当然，也可人为定制语义之间的映射关系，本实施例对此不作限定。

当然，上述两种实现方式仅是示例性的，本实施例并不限于此，还可采用其它实现方式计算第一语义信息与第二语义信息之间的匹配度。例如，知识图谱等。

据此，可确定出第一已知主体与若干背景图之间的在语义维度下的搭配程度。

在该搭配维度下，可计算不同语义信息之间的匹配度，从而可根据已知主体和背景图各自包含的语义信息，确定已知主体与背景图在语义维度下的搭配程度。

在风格维度下，可确定第一已知主体的风格标签；确定若干背景图各自对应的风格标签；基于预置的风格搭配规则，分别确定第一已知主体的风格标签与若干背景图各自的风格标签之间的搭配得分，作为第一已知主体与若干背景图之间在风格维度下的搭配程度。

实际应用中，可采用深度学习模型为若干背景图以及第一已知主体添加风格标签。例如，风格标签可包括柔美风标签、中国风标签等等，本实施例对风格标签的类别不作限定。

其中，确定搭配得分的操作可借助机器模型实现，机器模型可学习风格搭配规则。在机器模型中，可从样本数据中学习风格搭配规则，当然，也可人为定制风格搭配规则。

一种示例性的风格搭配规则可以是：定义单种风格对应的多个的搭配得分段下的风格组。例如，可定义搭配风格组和不搭配风格组，并分别为搭配风格组和不搭配风格组内的各风格标签设定搭配得分。

例如，对于中国风标签来说，可为中国风标签定义搭配风格组【柔美风标签、新年风标签】以及不搭配风格组【欧洲风标签】，并为搭配风格组内的各风格标签设定搭配得分8-10分，而不搭配风格组内各风格标签设定搭配得分0-3分。

基于此，在确定风格标签之间的搭配得分的过程中，若一背景图包含柔美风标签，则该背景图与第一已知主体之间在风格维度下的搭配得分可输出为10分；若一背景图包含欧洲风标签，则该背景图与第一已知主体之间在风格维度下的搭配得分可输出为1分；而若一背景图包含夜店风标签，该风格既不属于搭配风格组也不属于不搭配风格组，据此，该背景图与第一已知主体之间在风格维度下的搭配得分可输出为6分(位于4-7之间)。

当然，这仅是示例性的，本实施例中，搭配得分的计算方式、搭配得分段的划分方式、选用的搭配得分段以及搭配得分段下的风格组构成等均不限于此。

据此，可用较少的风格搭配规则，实现搭配得分的确定。尤其是对于需要人工定制风格搭配规则的情况，可大幅减少人力成本。

除了上述几种示例性的搭配维度外，本实施例中，还可从其它维度确定第一已知主体与若干背景图之间的搭配程度。例如，上文提及的场景维度，本实施例中，可确定第一已知主体以及各背景图各自可被用于的应用场景，并确定双方在场景维度下的匹配程度，其中，场景可以是双十一、新年、洗发水推广等等，在此不再穷举。再例如上文提及的业务线维度可以是服装业务线、支付业务线等等。在此不再一一赘述。

在此基础上，可基于至少一种搭配维度下的搭配程度，构建已知主体与背景图之间的关联关系。

本实施例中，可从多个搭配维度确定已知主体与背景图之间的搭配程度，从而可使得已知主体与背景图之间的关联关系更加全面、更加准确，这为背景图的推荐提供了准确地推荐基础。

在上述或下述实施例中，可根据若干已知主体与若干背景图之间在至少一种搭配维度下的搭配程度，确定已知主体与背景图之间的搭配关系；基于已知主体与背景图之间的搭配关系，构建已知主体与背景图之间的关联关系。

还是以第一已知主体为例，正如前文对搭配关系的解释，本实施例中，可根据第一已知主体与若干背景图之间在至少一种搭配维度下的搭配程度，为第一已知主体，在至少一个搭配维度下分别确定符合预设搭配标准的背景图，从而确定与第一已知主体具有搭配关系的背景图，进而构建已知主体与背景图之间的搭配关系。

本实施例中，搭配关系可基于至少一种搭配维度下的搭配程度进行体现。在实际应用中，一个已知主体与一个背景图之间的搭配关系中可包含两者在至少一个搭配维度下的搭配程度。

本实施例中，基于已知主体与背景图之间的搭配关系，可采用多种实现方式构建已知主体与背景图之间的关联关系。

在一种实现方式中，可将已知主体与背景图之间的搭配关系，作为已知主体与背景图之间的关联关系。

在另一种实现方式中，可计算背景图之间在至少一种属性维度下的相似度；根据至少一种属性维度下的相似度，确定背景图之间的相似关系；基于已知主体与背景图之间的搭配关系以及背景图之间的相似关系，构建已知主体与背景图之间的关联关系。

其中，属性维度可以是视觉维度、语义维度、创建时间维度、修改时间维度、行业类目维度或目标人群维度。另外，背景图之间的相似关系的确定可参考前述实施例中提及的待处理主体与已知主体之间的相似性确定的方案，在此不再赘述。

上述两种实现方式的区别在于，后一种实现方式下，将背景图之间的相似关系加入了已知主体与背景图之间的关联关系。

以已知主体A为例，背景图a与已知主体A之间具有搭配关系，背景图b与背景图a之间具有相似关系，但背景图b与已知主体A之间并不具有搭配关系。在此情况下，按照前一种实现方式，已知主体A与背景图b之间不具有关联关系，而按照后一种实现方式，已知主体A与背景图b之间可具有关联关系。

据此，后一种实现方式，可有效扩大单个已知主体所关联的背景图的数量级，通过背景图之间的相似关系，补充已知主体与背景图之间的搭配关系，这可提高已知主体与背景图之间的关联关系的全面性、准确性和合理性，进而可为用户推荐更全面、更优质、更准确的背景图。

图3为本申请一示例性实施例提供的一种已知主体与背景图之间的关联关系的示意图。

如图3所示，实际应用中，可基于已知主体与背景图之间的关联关系、已知主体以及背景图，构建一数据库或知识图谱。数据库或知识图谱可用于管理已知主体与背景图之间的关联关系、已知主体以及背景图。

如图3所示，已知主体与背景图之间的关联关系包括两类节点，分别为主体节点和背景图节点，例如，图3中的已知主体A节点、已知主体B节点、背景图a节点以及背景图b节点，还包括三类边，分别为主体相似边、背景图相似边、主体-背景图搭配边。其中，主体节点的属性有主体类别、颜色、风格、目标人群、图片URL、创建时间、修改时间等等；背景图节点的属性有颜色、尺寸、风格、颜色复杂度、纹理复杂度、语义标签、图片URL、版权来源、创建时间、修改时间等等；主体相似边的属性维度有视觉维度、语义维度、创建时间维度、修改时间维度、行业类目维度、目标人群维度等等；背景相似边的属性维度有视觉维度、语义维度、创建时间维度、修改时间维度、行业类目维度、目标人群维度等等；主体-背景图搭配边的属性维度有颜色维度、语义维度、风格维度、场景维度、业务线维度、创建时间维度、修改时间维度等等。

在上述或下述实施例中，可更新已知主体与背景图之间的关联关系。

在一种实现方式中，可接收关联关系更新请求，关联关系更新请求中包含待更新已知主体、待更新背景图以及关系参数；按照关系参数更新待更新已知主体和待更新背景图之间的关联关系。

在该实现方式下，关联关系的管理方可主动发起对关联关系的更新操作，从而主动更新关联关系。

实际应用中，可根据需求，直接修改图3所示的已知主体与背景图之间的关联关系的点属性和边属性。这大大提高了更新已知主体与背景图之间的关联关系的时效性、便捷性和效率。而且可随时丢弃已知主体与背景图之间的关联关系中错误的边属性，从而有效提高已知主体与背景图之间的关联关系的准确性。

在另一种实现方式中，可在输出目标背景图之后，监控对目标背景图的选用操作，确定被选用的背景图；建立待处理主体与被选用的背景图之间的搭配关系；根据待处理主体与被选用的背景图之间的搭配关系，更新已知主体与背景图之间的关联关系。

若已知主体与背景图之间的关联关系中不存在与待处理主体相同的已知主体，为待处理主体确定关联的背景图；将待处理主体以及待处理主体与背景图的关联关系，新增至已知主体与背景图之间的关联关系中。

其中，在为待处理主体确定关联的背景图的过程中，可将待处理主体作为新的已知主体，该过程中涉及到的技术细节可参考前述实施例中确定与第一已知主体存在关联关系的背景图的技术方案，在此不再赘述。

实际应用中，可在已知主体与背景图之间的关联关系中新增主体节点以及主体-背景图搭配边，来实现将待处理主体以及待处理主体与背景图的关联关系，新增至已知主体与背景图之间的关联关系中。

若已知主体与背景图之间的关联关系中存在与待处理主体相同的已知主体，在已知主体与背景图之间的关联关系中增强待处理主体与被选用的背景图之间的搭配程度。

实际应用中，可在已知主体与背景图之间的关联关系中增强与待处理主体相同的已知主体与被选用的背景图之间的搭配边，从而实现在已知主体与背景图之间的关联关系中增强待处理主体与被选用的背景图之间的搭配程度。

在该实现方式中，可基于用户对目标背景图的选用结果，对已知主体与背景图之间的关联关系进行迭代，从而不断地修正和完善已知主体与背景图之间的关联关系，这种自我更新的方案，可有效提高已知主体与背景图之间的关联关系的准确性和生命力。

在又一种实现方式中，可按照不同更新时期对应的待更新已知主体、待更新背景图以及关系参数，定期更新已知主体与背景图之间的关联关系。

该实现方式采用的是一种自主更新的方式，其中，可从季节、节假日等维度确定更新时期，对于不同的更新时期，对应的待更新已知主体、待更新背景图或关系参数可能不完全相同。

该实现方式中，可预先配置不同更新时期对应的待更新已知主体、待更新背景图以及关系参数。实际应用中，可根据需求灵活配置不同更新时期对应的待更新已知主体、待更新背景图以及关系参数，在此对配置规则不作限定。

当然，本实施例中，除上述几种示例性的实现方式外，还可采用其它实现方式更新已知主体与背景图之间的关联关系，本实施例并不限于此。

本实施例中，通过更新已知主体与背景图之间的关联关系，可保持已知主体与背景图之间的关联关系的新鲜度，从而提高背景图推荐结果的准确性。

图1b为本申请一示例性实施例提供的一种背景图推荐方法的逻辑示意图。其中，图1b中以知识图谱的方式表征已知主体与背景图之间的关联关系。

如图1b所示，在接收到针对待处理主体A的主体处理请求的情况下，可从视觉维度、语义维度、创建时间维度、修改时间维度、行业类目维度或目标人群维度等维度对待处理主体A进行特征识别，并根据识别出的特征，从知识图谱中查找与待处理主体A匹配的已知主体。

参考图1b，若确定已知主体A与待处理主体A匹配，则可基于知识图谱，确定出于已知主体A相似的已知主体，作为目标已知主体，并继续确定包括已知主体A和B在内的目标已知主体所关联的背景图，以及与这些背景图相似的背景图，作为目标背景图，将这些目标背景图输出，作为与待处理主体。

用户可从目标背景图中选择感兴趣的背景图，用于对待处理主体A的处理量。

步骤101、从预先构建的已知主体与背景图之间的关联关系中，查找与待处理主体匹配的目标已知主体，以获得目标已知主体关联的目标背景图；

步骤102、输出目标背景图，作为与待处理主体搭配的背景图

需要说明的是，上述实施例所提供方法的各步骤的执行主体均可以是同一设备，或者，该方法也由不同设备作为执行主体。比如，步骤100至步骤101的执行主体可以为设备A；又比如，步骤100和101的执行主体可以为设备A，步骤102的执行主体可以为设备B；等等。

另外，在上述实施例及附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的已知主体、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。

图4为本申请另一示例性实施例提供的一种计算设备的结构示意图。如图4所示，该计算设备包括：存储器40和处理器41。

存储器40，用于存储计算机程序，并可被配置为存储其它各种数据以支持在计算平台上的操作。这些数据的示例包括用于在计算平台上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。

存储器40可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

处理器41，与存储器40耦合，用于执行存储器40中的计算机程序，以用于：

接收主体处理请求，主体处理请求中包含待处理主体；

从预先构建的已知主体与背景图之间的关联关系中，查找与待处理主体匹配的目标已知主体，以获得目标已知主体关联的目标背景图；

输出目标背景图，作为与待处理主体搭配的背景图。

在一可选实施例中，处理器41在从预先构建的已知主体与背景图之间的关联关系中，查找与待处理主体匹配的目标已知主体时，用于：

从已知主体与背景图之间的关联关系中，查找与待处理主体相同的已知主体和/或相似的已知主体，作为目标已知主体。

在一可选实施例中，处理器41还用于：

从至少一种属性维度计算待处理主体与各已知主体之间的相似度；

根据相似度，确定与待处理主体相同或相似的已知主体。

在一可选实施例中，属性维度为视觉维度、语义维度、创建时间维度、修改时间维度、行业类目维度或目标人群维度。

在一可选实施例中，已知主体与背景图之间的关联关系中时，用于已知主体与背景图之间的搭配关系，处理器41在确定目标背景图的过程中，具体用于：

从已知主体与背景图之间的搭配关系中，确定与目标已知主体搭配的背景图，作为目标背景图。

在一可选实施例中，已知主体与背景图之间的关联关系中时，用于已知主体与背景图之间的搭配关系以及背景图之间的相似关系，处理器41在确定目标背景图的过程中具体用于：

基于已知主体与背景图之间的搭配关系，查找与目标已知主体搭配的第一类背景图；

基于背景图之间的相似关系，查找与第一类背景图相似的第二类背景图；

将第一类背景图和第二类背景图，作为目标背景图。

在一可选实施例中，已知主体与背景图之间的搭配关系中包含已知主体与背景图在至少一种搭配维度下的搭配程度，主体处理请求中还包括偏好搭配维度，处理器41在输出目标背景图时，用于：

从目标背景图中选择在偏好搭配维度下的搭配程度符合预设标准的偏好背景图；

优先输出偏好背景图。

在一可选实施例中，处理器41在预先构建已知主体与背景图之间的关联关系的过程中用于：

获取若干已知主体及若干背景图；

分别确定若干已知主体与若干背景图之间在至少一种搭配维度下的搭配程度；

基于至少一种搭配维度下的搭配程度，构建已知主体与背景图之间的关联关系。

在一可选实施例中，处理器41在基于至少一种搭配维度下的搭配程度，构建已知主体与背景图之间的关联关系时，用于：

根据至少一种搭配维度下的搭配程度，确定已知主体与背景图之间的搭配关系；

基于已知主体与背景图之间的搭配关系，构建已知主体与背景图之间的关联关系。

在一可选实施例中，处理器41在基于已知主体与背景图之间的搭配关系，构建已知主体与背景图之间的关联关系时，用于：

计算背景图之间在至少一种属性维度下的相似度；

根据至少一种属性维度下的相似度，确定背景图之间的相似关系；

基于已知主体与背景图之间的搭配关系以及背景图之间的相似关系，构建已知主体与背景图之间的关联关系。

在一可选实施例中，属性维度为视觉维度、语义维度、创建时间维度、修改时间维度、行业类目维度或目标人群维度。

在一可选实施例中，搭配维度包括颜色维度，处理器41在分别确定若干已知主体与若干背景图之间在至少一种搭配维度下的搭配程度时，用于：

针对第一已知主体，确定第一已知主体对应的主体颜色，第一已知主体为若干已知主体中的任意一个；

确定若干背景图各自对应的图片颜色；

基于颜色搭配知识，确定主体颜色与图片颜色之间的搭配得分，作为第一已知主体与若干背景图之间的在颜色维度下的搭配程度。

在一可选实施例中，搭配维度包括语义维度，处理器41在分别确定若干已知主体与若干背景图之间在至少一种搭配维度下的搭配程度时，用于：

针对第一已知主体，从第一已知主体中提取第一语义信息，第一已知主体为若干已知主体中的任意一个；

从若干背景图中分别提取第二语义信息；

计算第一语义信息与第二语义信息之间的匹配度，作为第一已知主体与若干背景图之间的在语义维度下的搭配程度。

在一可选实施例中，处理器41在计算第一语义信息与第二语义信息之间的匹配度时，用于：

将第一语义信息与第二语义信息分别转换为语义特征向量；计算语义特征向量之间的匹配度，以确定第一语义信息与第二语义信息之间的匹配度；或者

将第一语义信息与第二语义信息输入语义匹配模型；在语义匹配模型中，基于语义之间的映射关系，确定第一语义信息与第二语义信息之间的匹配度。

在一可选实施例中，搭配维度包括风格维度，处理器41在分别确定若干已知主体与若干背景图之间在至少一种搭配维度下的搭配程度时，用于：

针对第一已知主体，确定第一已知主体的风格标签，第一已知主体为若干已知主体中的任意一个；

确定若干背景图各自对应的风格标签；

基于预置的风格搭配规则，分别确定第一已知主体的风格标签与若干背景图各自的风格标签之间的搭配得分，作为第一已知主体与若干背景图之间在风格维度下的搭配程度。

在一可选实施例中，搭配维度还包括场景维度、所属业务线维度、创建时间维度或修改时间维度中的一种或多种。

在一可选实施例中，处理器41在输出目标背景图之后，还包括：

监控对目标背景图的选用操作，确定被选用的背景图；

建立待处理主体与被选用的背景图之间的搭配关系；

根据待处理主体与被选用的背景图之间的搭配关系，更新已知主体与背景图之间的关联关系。

在一可选实施例中，处理器41在根据待处理主体与被选用的背景图之间的搭配关系，更新已知主体与背景图之间的关联关系时，用于：

若已知主体与背景图之间的关联关系中不存在与待处理主体相同的已知主体，为待处理主体确定关联的背景图；

将待处理主体以及待处理主体与背景图的关联关系，新增至已知主体与背景图之间的关联关系中。

在一可选实施例中，处理器41还用于：

若已知主体与背景图之间的关联关系中存在与待处理主体相同的已知主体，在已知主体与背景图之间的关联关系中增强待处理主体与被选用的背景图之间的搭配程度。

在一可选实施例中，处理器41还用于：

接收关联关系更新请求，关联关系更新请求中包含待更新已知主体、待更新背景图以及关系参数；

按照关系参数更新待更新已知主体和待更新背景图之间的关联关系。

在一可选实施例中，处理器41还用于：

按照不同更新时期对应的待更新已知主体、待更新背景图以及关系参数，定期更新已知主体与背景图之间的关联关系。

在一可选实施例中，若目标背景图为多个，处理器41还用于：

若接收到背景图融合请求，将背景图融合请求所请求融合的至少两张目标背景图融合，以获得融合后背景图；

根据融合后背景图，对待处理主体进行处理。

值得说明的是，上述关于计算设备的各实施例中涉及到的技术细节，可参考前述背景图推荐方法的各实施例中的相关描述，为节省篇幅，在此不再赘述，但这不应造成对本申请保护范围的损失。

进一步，如图4所示，该计算设备还包括：通信组件42、电源组件43等其它组件。图4中仅示意性给出部分组件，并不意味着计算设备只包括图4所示组件。

相应地，本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，计算机程序被执行时能够实现上述方法实施例中可由计算设备执行的各步骤。

其中，通信组件，被配置为便于通信组件所在设备和其他设备之间有线或无线方式的通信。通信组件所在设备可以接入基于通信标准的无线网络，如WiFi，2G、3G、4G/LTE、5G等移动通信网络，或它们的组合。在一个示例性实施例中，通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

其中，电源组件，为电源组件所在设备的各种组件提供电力。电源组件可以包括电源管理系统，一个或多个电源，及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (24)

1.一种背景图推荐方法，其特征在于，包括：

接收主体处理请求，所述主体处理请求中包含待处理主体；

从预先构建的已知主体与背景图之间的关联关系中，查找与所述待处理主体匹配的目标已知主体，以获得所述目标已知主体关联的目标背景图；

输出所述目标背景图，作为与所述待处理主体搭配的背景图。

2.根据权利要求1所述的方法，其特征在于，所述从预先构建的已知主体与背景图之间的关联关系中，查找与所述待处理主体匹配的目标已知主体，包括：

从所述已知主体与背景图之间的关联关系中，查找与所述待处理主体相同的已知主体和/或相似的已知主体，作为所述目标已知主体。

3.根据权利要求2所述的方法，其特征在于，还包括：

从至少一种属性维度计算所述待处理主体与各已知主体之间的相似度；

根据所述相似度，确定与所述待处理主体相同或相似的已知主体。

4.根据权利要求3所述的方法，其特征在于，所述属性维度为视觉维度、语义维度、创建时间维度、修改时间维度、行业类目维度或目标人群维度。

5.根据权利要求1所述的方法，其特征在于，所述已知主体与背景图之间的关联关系中，包括已知主体与背景图之间的搭配关系，确定所述目标背景图的过程具体包括：

从所述已知主体与背景图之间的搭配关系中，确定与所述目标已知主体搭配的背景图，作为所述目标背景图。

6.根据权利要求1所述的方法，其特征在于，所述已知主体与背景图之间的关联关系中，包括已知主体与背景图之间的搭配关系以及背景图之间的相似关系，确定所述目标背景图的过程具体包括：

基于所述已知主体与背景图之间的搭配关系，查找与所述目标已知主体搭配的第一类背景图；

基于所述背景图之间的相似关系，查找与所述第一类背景图相似的第二类背景图；

将所述第一类背景图和所述第二类背景图，作为所述目标背景图。

7.根据权利要求5或6所述的方法，其特征在于，所述已知主体与背景图之间的搭配关系中包含已知主体与背景图在至少一种搭配维度下的搭配程度，所述主体处理请求中还包括偏好搭配维度，所述输出所述目标背景图，包括：

从所述目标背景图中选择在所述偏好搭配维度下的搭配程度符合预设标准的偏好背景图；

优先输出所述偏好背景图。

8.根据权利要求1所述的方法，其特征在于，所述已知主体与背景图之间的关联关系的预先构建过程为：

获取若干已知主体及若干背景图；

分别确定所述若干已知主体与所述若干背景图之间在至少一种搭配维度下的搭配程度；

基于所述至少一种搭配维度下的搭配程度，构建所述已知主体与背景图之间的关联关系。

9.根据权利要求8所述的方法，其特征在于，所述基于所述至少一种搭配维度下的搭配程度，构建所述已知主体与背景图之间的关联关系，包括：

根据所述至少一种搭配维度下的搭配程度，确定已知主体与背景图之间的搭配关系；

基于所述已知主体与背景图之间的搭配关系，构建所述已知主体与背景图之间的关联关系。

10.根据权利要求9所述的方法，其特征在于，所述基于所述已知主体与背景图之间的搭配关系，构建所述已知主体与背景图之间的关联关系，包括：

计算背景图之间在至少一种属性维度下的相似度；

根据所述至少一种属性维度下的相似度，确定背景图之间的相似关系；

基于所述已知主体与背景图之间的搭配关系以及所述背景图之间的相似关系，构建所述已知主体与背景图之间的关联关系。

11.根据权利要求10所述的方法，其特征在于，所述属性维度为视觉维度、语义维度、创建时间维度、修改时间维度、行业类目维度或目标人群维度。

12.根据权利要求7所述的方法，其特征在于，所述搭配维度包括颜色维度，所述分别确定所述若干已知主体与所述若干背景图之间在至少一种搭配维度下的搭配程度，包括：

针对第一已知主体，确定所述第一已知主体对应的主体颜色，所述第一已知主体为所述若干已知主体中的任意一个；

确定所述若干背景图各自对应的图片颜色；

基于颜色搭配知识，确定所述主体颜色与所述图片颜色之间的搭配得分，作为所述第一已知主体与所述若干背景图之间的在颜色维度下的搭配程度。

13.根据权利要求7所述的方法，其特征在于，所述搭配维度包括语义维度，所述分别确定所述若干已知主体与所述若干背景图之间在至少一种搭配维度下的搭配程度，包括：

针对第一已知主体，从所述第一已知主体中提取第一语义信息，所述第一已知主体为所述若干已知主体中的任意一个；

从所述若干背景图中分别提取第二语义信息；

计算所述第一语义信息与所述第二语义信息之间的匹配度，作为所述第一已知主体与所述若干背景图之间的在语义维度下的搭配程度。

14.根据权利要求13所述的方法，其特征在于，所述计算所述第一语义信息与所述第二语义信息之间的匹配度，包括：

将所述第一语义信息与所述第二语义信息分别转换为语义特征向量；计算语义特征向量之间的匹配度，以确定所述第一语义信息与所述第二语义信息之间的匹配度；或者

将所述第一语义信息与所述第二语义信息输入语义匹配模型；在所述语义匹配模型中，基于语义之间的映射关系，确定所述第一语义信息与所述第二语义信息之间的匹配度。

15.根据权利要求7所述的方法，其特征在于，所述搭配维度包括风格维度，所述分别确定所述若干已知主体与所述若干背景图之间在至少一种搭配维度下的搭配程度，包括：

针对第一已知主体，确定所述第一已知主体的风格标签，所述第一已知主体为所述若干已知主体中的任意一个；

确定所述若干背景图各自对应的风格标签；

基于预置的风格搭配规则，分别确定所述第一已知主体的风格标签与所述若干背景图各自的风格标签之间的搭配得分，作为所述第一已知主体与所述若干背景图之间在风格维度下的搭配程度。

16.根据权利要求7或13-15任一项所述的方法，其特征在于，所述搭配维度还包括场景维度、所属业务线维度、创建时间维度或修改时间维度中的一种或多种。

17.根据权利要求1所述的方法，其特征在于，在所述输出所述目标背景图之后，还包括：

监控对所述目标背景图的选用操作，确定被选用的背景图；

建立所述待处理主体与所述被选用的背景图之间的搭配关系；

根据所述待处理主体与所述被选用的背景图之间的搭配关系，更新所述已知主体与背景图之间的关联关系。

18.根据权利要求17所述的方法，其特征在于，所述根据所述待处理主体与所述被选用的背景图之间的搭配关系，更新所述已知主体与背景图之间的关联关系，包括：

若所述已知主体与背景图之间的关联关系中不存在与所述待处理主体相同的已知主体，为所述待处理主体确定关联的背景图；

将所述待处理主体以及所述待处理主体与背景图的关联关系，新增至所述已知主体与背景图之间的关联关系中。

19.根据权利要求18所述的方法，其特征在于，还包括：

若所述已知主体与背景图之间的关联关系中存在与所述待处理主体相同的已知主体，在所述已知主体与背景图之间的关联关系中增强所述待处理主体与所述被选用的背景图之间的搭配程度。

20.根据权利要求1所述的方法，其特征在于，还包括：

接收关联关系更新请求，所述关联关系更新请求中包含待更新已知主体、待更新背景图以及关系参数；

按照所述关系参数更新所述待更新已知主体和待更新背景图之间的关联关系。

21.根据权利要求1所述的方法，其特征在于，还包括：

按照不同更新时期对应的待更新已知主体、待更新背景图以及关系参数，定期更新所述已知主体与背景图之间的关联关系。

22.根据权利要求1所述的方法，其特征在于，若所述目标背景图为多个，所述方法还包括：

若接收到背景图融合请求，将所述背景图融合请求所请求融合的至少两张目标背景图融合，以获得融合后背景图；

根据所述融合后背景图，对所述待处理主体进行处理。

23.一种计算设备，其特征在于，包括存储器和处理器；

所述存储器用于存储一条或多条计算机指令；

所述处理器与所述存储器耦合，用于执行所述一条或多条计算机指令，以用于：

接收主体处理请求，所述主体处理请求中包含待处理主体；

从预先构建的已知主体与背景图之间的关联关系中，查找与所述待处理主体匹配的目标已知主体，以获得所述目标已知主体关联的目标背景图；

输出所述目标背景图，作为与所述待处理主体搭配的背景图。

24.一种存储计算机指令的计算机可读存储介质，其特征在于，当所述计算机指令被一个或多个处理器执行时，致使所述一个或多个处理器执行权利要求1-22任一项所述的背景图推荐方法。

Images