CN113283115B - 图像模型生成方法、装置和电子设备 - Google Patents
图像模型生成方法、装置和电子设备 Download PDFInfo
- Publication number
- CN113283115B CN113283115B CN202110658240.0A CN202110658240A CN113283115B CN 113283115 B CN113283115 B CN 113283115B CN 202110658240 A CN202110658240 A CN 202110658240A CN 113283115 B CN113283115 B CN 113283115B
- Authority
- CN
- China
- Prior art keywords
- model
- sub
- adjusted
- user
- image
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Abstract
本公开实施例公开了图像模型生成方法、装置和电子设备。该方法的一具体实施方式包括:将训练样本导入初始复合模型,其中,训练样本包括用户特征、图像特征和搜索用信息;基于以下至少一项:第一子模型输出的用户相关度和第二子模型输出的内容相关度,从该第一子模型和第二子模型中,确定至少一个待调整子模型;对至少一个待调整子模型进行调整;其中,该初始复合模型包括第一子模型和第二子模型。由此,可以提供一种新的图像模型生成方式。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种图像模型生成方法、装置和电子设备。
背景技术
随着互联网的发展,用户越来越多的使用终端设备实现各种功能。例如,用户可以通过终端设备搜索图像。用户可以通过输入文字或者图像搜索图像。搜索得到的图像,可以是单张图片;也可以是图像的集合,例如,动图、视频等。
发明内容
提供该公开内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
第一方面,本公开实施例提供了一种图像模型生成方法,该方法包括:将训练样本导入初始复合模型,其中,训练样本包括用户特征、图像特征和搜索用信息;基于以下至少一项:第一子模型输出的用户相关度和第二子模型输出的内容相关度,从所述第一子模型和第二子模型中,确定至少一个待调整子模型;对至少一个待调整子模型进行调整;其中,所述初始复合模型包括第一子模型和第二子模型;所述第一子模型的输入包括图像特征和用户特征,所述第一子模型的输出包括图像与用户的用户相关度;所述第二子模型的输入包括图像特征和搜索用信息,所述第二子模型的输出包括图像与搜索用信息的内容相关度。
第二方面,本公开实施例提供了一种图像模型生成装置,包括:导入单元,用于将训练样本导入初始复合模型,其中,训练样本包括用户特征、图像特征和搜索用信息;确定单元,用于基于以下至少一项:第一子模型输出的用户相关度和第二子模型输出的内容相关度,从所述第一子模型和第二子模型中,确定至少一个待调整子模型;调整单元,用于对至少一个待调整子模型进行调整;其中,所述初始复合模型包括第一子模型和第二子模型;所述第一子模型的输入包括图像特征和用户特征,所述第一子模型的输出包括图像与用户的用户相关度;所述第二子模型的输入包括图像特征和搜索用信息,所述第二子模型的输出包括图像与搜索用信息的内容相关度。
第三方面,本公开实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面所述的图像模型生成方法。
第四方面,本公开实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面所述的图像模型生成方法的步骤。
本公开实施例提供的图像模型生成方法、装置和电子设备,通过采用包括第一子模型和第二子模型的初始复合模型,对训练样本进行处理,然后可以基于第一子模型输出的用户相关度和/或第二子模型输出的内容相关度,确定至少一个待调整子模型;再后,对至少一个待调整子模型进行调整。由此,可以增强复合模型的可解释性。快速定位模型问题,提升模型的准确度,以及减少模型的调试时间。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1是根据本公开的图像模型生成方法的一个实施例的流程图;
图2是根据初始复合模型的示例性示意图;
图3是根据本公开的图像模型生成装置的一个实施例的结构示意图;
图4是本公开的一个实施例的图像模型生成方法可以应用于其中的示例性系统架构;
图5是根据本公开实施例提供的电子设备的基本结构的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
请参考图1,其示出了根据本公开的图像模型生成方法的一个实施例的流程。如图1所示该图像模型生成方法,包括以下步骤:
步骤101,将训练样本导入初始复合模型。
在本实施例中,图像模型生成方法的执行主体(例如服务器)可以将训练样本导入初始复合模型。
在本实施例中,训练样本可以包括以下至少一项:用户特征、图像特征、搜索用信息。
在这里,训练样本中包括的图像特征,可以是候选图像的特征。
在这里,训练样本中包括的用户特征,可以是用户的特征。可选的,用户特征可能是选中过该候选图像的用户的特征。
在这里,训练样本中的搜索用信息,可能是用户输入的搜索用信息。可选的,训练样本中的搜索用信息,可能是与图像特征匹配的搜索用信息。
在一些应用场景中,用户甲可以输入搜索用信息,然后终端设备可以展示给用户甲多个候选图像。用户甲可以从多个候选图像中选中目标图像。在这里,用户甲的用户特征、用户甲输入的搜索用信息、目标图像的图像特征,这三者可以作为训练样本。
可选的,可以将用户甲的用户特征,替换成用户乙的图像特征;由此,可以从用户特征方面丰富训练样本。
可选的,可以将搜索用信息,替换成其它的搜索用信息;由此,可以从搜索用信息方面丰富训练样本。
在一些实施例中,训练样本具有实际点击率的标签。
在本实施例中,上述初始复合模型可以包括第一子模型和第二子模型。
在本实施例中,上述第一子模型的输入可以包括图像特征和用户特征。上述第一子模型的输出可以包括图像与用户的用户相关度。
在本实施例中,用户相关度可以用于指示图像与用户的相关程度。
在这里,第一子模型可以基于神经网络构建。第一子模型的具体结构,可以根据实际应用场景设置,在此不做限定。
在本实施例中,上述第二子模型的输入可以包括图像特征和搜索用信息。上述第二子模型的输出可以包括图像与搜索用信息的内容相关度。
在这里,搜索用信息可以包括词语或者是对词语处理得到的搜索特征。
在这里,内容相关度,可以用于指示图像与搜索用信息的内容相关度。
这里,第二子模型可以基于神经网络构建。第二子模型的具体结构,可以根据实际应用场景设置,在此不做限定。
步骤102,基于以下至少一项:第一子模型输出的用户相关度和第二子模型输出的内容相关度,从所述第一子模型和第二子模型中,确定至少一个待调整子模型。
在本实施例中,上述执行主体可以基于以下至少一项:第一子模型输出的用户相关度和第二子模型输出的内容相关度,从所述第一子模型和第二子模型中,确定至少一个待调整子模型。
在一些实施例中,可以基于第一子模型输出的用户相关度,从上述两个子模型中,确定至少一个待调整子模型。
在一些实施例中,可以基于第二子模型输出的内容相关度,从上述两个子模型中,确定至少一个待调整子模型。
在一些实施例中,可以基于第一子模型输出的用户相关度和第二子模型输出的内容相关度,从上述两个子模型中,输出至少一个待调整子模型。
在这里,基于至少一个子模型确定至少一个待调整子模型的方式,可以根据实际应用场景设置,在此不做限定。
作为示例,如果用户相关度小于预设的第一相关度阈值,可以将第一子模型确定为待调整子模型。
作为示例,如果内容相关度小于预设的第一相关度阈值,可以将第一子模型确定为待调整子模型。
步骤103,对至少一个待调整子模型进行调整。
在本实施例中,上述执行主体可以对至少一个待调整子模型进行调整。
在这里,对待调整子模型的调整方式,可以根据实际应用场景设置,在此不做限定。
作为示例,可以对于待调整子模型中的权重进行调整。
作为示例,可以对待调整子模型中的输入种类进行调整。
在这里,可以对待调整子模型进行一次或多次调整,得到目标复合模型。可以理解,对待调整子模型进行调整的过程中,也是对初始复合模型的调整。
在这里,图像模型可以理解为对图像进行各种方式的处理的模型。
需要说明的是,本实施例提供的图像模型生成方法,通过采用包括第一子模型和第二子模型的初始复合模型,对训练样本进行处理,然后可以基于第一子模型输出的用户相关度和/或第二子模型输出的内容相关度,确定至少一个待调整子模型;再后,对至少一个待调整子模型进行调整。由此,可以增强复合模型的可解释性。快速定位模型问题,提升模型的准确度,以及减少模型的调试时间。
换句话说,复合模型分为第一子模型和第二子模型,第一子模型和第二子模型的输出相互独立,从而更加直观了解模型是如何进行预测以及更容易发现模型问题所在。由此,可以根据第一子模型的输出和/或第二子模型的输出,快速定位模型问题,即快速定位导致复合模型的准确度瓶颈的子模型,针对性进行调整。从而,可以通过针对性调整,减少调试次数以及调试时间,并且提高复合模型的准确率。
在一些实施例中,上述方法还可以包括:将上述待处理图像导入目标复合模型;根据所述目标复合模型输出的第二预估点击率,确定是否推送待处理图像。
在本实施例中,上述目标复合模型可以用于初始复合模型生成。
在一些应用场景中,可以对初始复合模型进行一次或者多次调整,得到目标复合模型。
在一些应用场景中,与待处理图像一同输入至目标复合模型的,可以包括目标用户特征和目标搜索用信息。可以理解,目标复合模型可以对待处理图像、目标用户特征和目标搜索信息进行处理,输出预估点击率。在这里,预估点击率可以用于指示目标用户选中该待处理图像的概率。
在一些应用场景中,可以根据预估点击率,确定是否推送待处理图像。
作为示例,如果上述预估点击率大于点击率阈值,可以推送上述待处理图像。
作为示例,与目标特征和目标搜索用信息相关的待处理图像可以有多个,可以比较多个待处理图像对应的预估点击率,然后确定待处理图像序列。根据待处理图像序列,确定待推送的图像。
需要说明的是,通过采用上述目标复合模型处理待处理图像,得到的预估点击率可以具有较高的准确性,并且能够兼顾与用户偏好的相关度和与搜索用信息的相关度。
请参考图2,其示出了初始复合模型的示例性结构。在图2中,初始复合模型可以包括第一子模型和第二子模型。
第一子模型和第二子模型可以公用图像特征的接收层和向量层,因此,初始复合模型可以简化为图2中的形式。
可选的,可以针对用户特征设置向量层,用于提取对用户特征进行进一步特征提取。可以针对图像特征设置向量层,用于对图像特征进行进一步特征提取。可以针对搜索用信息设置向量层,用于对搜索用信息进行进一步特征提取。在一些场景中,可以将向量层称为特征提取层。
可选的,可以设置特征交叉层。第一子模型的特征交叉层可以与处理用户特征的向量层连接,还可以与处理图像特征的向量层连接。第二子模型的特征交叉层可以与处理搜索用信息的向量层连接,还可以与处理图像特征的向量层连接。
可选的,特征交叉层的输出可以与第一子模型的特征交叉层连接,还可以与第二子模型的特征交叉层连接。
可以看出,第一子模型可以包括处理用户特征的向量层、处理图像特征的向量层。第一子模型还可以包括与处理用户特征的向量层连接的特征交叉层。
可以看出,第二子模型可以包括处理搜索用信息的向量层、处理图像特征的向量层。第二子模型还可以包括与处理搜索用信息的向量层连接的特征交叉层。
在一些实施例中,训练样本具有指示实际点击率的标签。在这里,实际点击率可以指示用户在输入搜索用信息之后,选中该图像特征指示的图像的概率。
在一些实施例中,上述步骤102,可以包括:获取初始复合模型对训练样本的第一预估点击率;根据所述第一预估点击率、所述标签、所述用户相关度和所述内容相关度,确定所述至少一个待调整子模型。
在这里,将训练样本导入初始复合模型之后,初始复合模型可以输出第一预估点击率。
在一些应用场景中,可以将第一预估点击率与标签进行比对,确定第一预估点击率与标签的差值。如果差值较小,则可以将与第一预估点击率差异程度大的相关性确定为错误相关性。将错误相关性对应的子模型,确定为待调整子模型。
作为示例,第一预估点击率0.5与标签0.9进行比对。用户相关度为0.45,内容相关度为0.05。由此,第一预估点击率与标签差值-0.4较小。在这里,可以看出至少内容相关度预测可能不准确,因此,可以将内容相关度对应第二子模型确定为待调整模型。
在一些应用场景中,可以将第一预估点击率与标签进行比对,确定第一预估点击率与标签的差值。如果差值较大,则可以将与第一预估点击率差异程度小的相关性确定为错误相关性。将错误相关性对应的子模型,确定为待调整子模型。
作为示例,第一预估点击率0.9与标签0.4进行比对。用户相关度为0.8,内容相关度为0.1。由此,第一预估点击率与标签差值0.5较大。在这里,可以看出至少用户相关度预测可能不准确,因此,可以将用户相关度对应第一子模型确定为待调整模型。
可以理解,差值较大还是较小的确定方式,可以根据实际应用场景设置,在此不做限定。
需要说明的是,通过根据初始复合模型输出第一预估点击率和所述标签,以及根据用户相关度和内容相关度,确定至少一个待调整子模型,可以充分利用训练样本的标签信息,以及充分利用初始复合模型整体的预测结果是否准确,确定至少一个待调整子模型,由此,可以确定更为准确的待调整子模型。
在一些实施例中,所述训练样本的标签包括第一子标签,第一子标签用于指示所述训练样本相对于第一子模型是正样本或者负样本。
在一些实施例中,所述102,可以包括:根据所述训练样本的第一子标签和所述用户相关度,确定是否将所述第一子模型确定为待调整子模型。
作为示例,所述第一子标签指示所述训练样本相对于第一子模型是正样本。如果所述用户相关度小于预设相关度阈值,则可以确定第一子模型为待调整子模型;如果所述用户相关度不小于预设相关度阈值,则可以确定第一子模型不是待调整子模型。
作为示例,所述第一子标签指示所述训练样本相对于第一子模型是副样本。如果所述用户相关度不小于预设相关度阈值,则可以确定第一子模型为待调整子模型;如果所述用户相关度小于预设相关度阈值,则可以确定第一子模型不是待调整子模型。
在一些应用场景中,第一子模型的正负样本可以通过如下方式确定:选取用户曾点击过的图像(用户有明确的倾向选择)作为正样本,很少有人点击过的表情包作为负样本。
需要说明的是,通过针对第一子模型的正负样本,可以有针对性地确定第一子模型的输出是否准确。
在一些实施例中,所述根据所述训练样本的第一子标签和所述用户相关度,确定是否将所述第一子模型确定为待调整子模型,包括:获取第一子模型处理正样本得到正样本用户相关度,以及获取第一子模型处理负样本得到的负样本用户相关度;根据所述正样本用户相关度和所述负样本用户相关度,确定是否将所述第一子模型确定为待调整子模型。
在这里,如何根据所述正样本用户相关度和所述负样本用户相关度,确定是否将所述第一子模型确定为待调整子模型,可以采用各种方式实现。
作为示例,可以对比第一子模型处理正样本和负样本分别得到的处理结果。如果处理结果差异较大,则可以将第一子模型确定为待调整子模型;如果处理结果差异较小,则可以将第一子模型确定为待调整子模型。差异较大和差异较小的判断依据,可以根据实际应用场景设置,在此不做限定。
需要说明的是,将第一子模型处理正负样本的处理结果进行对比,根据对比结果判断是否调整第一子模型,即对正负样本处理的差异可以作为第一子模型的性能体现,可以对用户相关性避免设置绝对值,可以避开用户相关性主观程度较强这一特点;并且可以采用较为准确的判断依据,确定是否将第一子模型确定为待调整子模型。
在一些实施例中,所述训练样本的标签包括第二子标签,第二子标签用于指示训练样本中图像特征与搜索用信息的预设相关程度。
在一些实施例中,所述102,可以包括:根据所述训练样本的第二子标签和所述内容相关度,确定是否将所述第二子模型确定为待调整子模型。
作为示例,所述第二子标签指示所述训练样本相对于第二子模型是正样本。如果所述内容相关度小于预设相关度阈值,则可以确定第二子模型为待调整子模型;如果所述内容相关度不小于预设相关度阈值,则可以确定第二子模型不是待调整子模型。
作为示例,所述第二子标签指示所述训练样本相对于第二子模型是副样本。如果所述内容相关度不小于预设相关度阈值,则可以确定第二子模型为待调整子模型;如果所述内容相关度小于预设相关度阈值,则可以确定第二子模型不是待调整子模型。
作为示例,可以根据第二子标签和内容相关度的差异程度,确定是否将第二子模型确定为待调整子模型。
需要说明的是,通过针对第二子模型的正负样本,可以有针对性地确定第二子模型的输出是否准确。
在一些实施例中,待调整子模型包括特征交叉层。
可以理解,第一子模型可以包括特征交叉层,第二子模型也可以包括特征交叉层。由此,无论哪个子模型作为待调整子模型,该待调整子模型可以包括特征交叉层。
在这里,特征交叉层可以用于特征的交叉融合。
作为示例,第一子模型可以用于融合用户特征和图像特征。
作为示例,第二子模型可以用于融合图像特征和搜索用信息的特征。
在一些实施例中,所述103,可以包括:更换待调整子模型中的特征交叉层。
在这里,更换前后的特征交叉层的特征交叉方式不同。
作为示例,更换前可以采用拼接(concat)的方式进行特征交叉。
作为示例,更换后可以采用组合特征以构造高阶特征,进行特征交叉。或者,可以采用因子分解机(Factorization Machine)的方式进行特征组合在模型中加入二阶特征。
需要说明的是,较为简单的特征交叉层,计算量较少,融合程度可能较差。较为复杂的特征交叉层,特征融合程度较好,但是可能计算量较大。在这里对待调整模型的特征交叉层进行灵活选取,然后进行更换,可以根据实际应用场景,确定与实际应用场景匹配的特征交叉方式。由此,可以在得到准确的模型结构,进而提高生成的复合模型的准确度。
在一些实施例中,第一子模型对应至少一个待增加特征,第二子模型对应至少一个待增加特征。
在一些实施例中,第一子模型对应的待增加特征,可以包括:图像的文字特征、用户特征的更多维度。
在一些实施例中,第二子模型对应的待增加特征,可以包括:搜索用信息的各种分词方式对应的搜索用信息特征、图像的文字特征。
在一些实施例中,上述步骤103,可以包括:从待调整子模型的至少一个待增加特征中选取目标待增加特征;将目标待增加特征确定为待调整子模型的输入特征。
在这里,可以采用各种方式,选取出目标待增加特征。
作为示例,可以随机从待调整子模型的至少一个待增加特征中,选取目标增加特征。
作为示例,可以为子模型的待增加特征排序,得到待增加特征序列。可以按照在待增加特征序列中的位次,每次增加的时候依次进行选取。
需要说明的是,增加特征可以提供用户、图像、搜索用信息中的至少一个的相关信息,使得模型的输入更为准确,由此,可以使得模型输出更为准确。从而,可以提高模型的准确率。
在一些实施例中,上述步骤103,可以包括:调整待调整子模型中的权重。
在这里,可以采用反向传播等方式,调整待调整子模型中的权重。
在一些应用场景中,可以初始复合模型的问题建模可以为问题建模为二分类问题(即用户是否点击该图像,若点击则标签为1,若未点击图像则标签为0)。
在一些应用场景中,可以采用交叉熵损失函数,计算损失值。作为示例,对于n个样本,每个样本x的标签为y,y代表有没有被点击,a为模型输出结果,则损失函数形式为
因为正负样本比例不均衡,所以在损失函数中加入权重alpha进行改善,形式可写为
作为示例,α(alpha)可以设定为0.2。
在一些应用场景中,模型可以采用各种更新策略。例如天级更新策略,每天在前一天模型的基础上使用前一天积累的数据更新模型。天级别跟踪用户行为,以达到最优的个性化效果。
进一步参考图3,作为对上述各图所示方法的实现,本公开提供了一种图像模型生成装置的一个实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例的图像模型生成装置包括:导入单元301、确定单元302和调整单元303。其中,导入单元,用于将训练样本导入初始复合模型,其中,训练样本包括用户特征、图像特征和搜索用信息;确定单元,用于基于以下至少一项:第一子模型输出的用户相关度和第二子模型输出的内容相关度,从所述第一子模型和第二子模型中,确定至少一个待调整子模型;调整单元,用于对至少一个待调整子模型进行调整;其中,所述初始复合模型包括第一子模型和第二子模型;所述第一子模型的输入包括图像特征和用户特征,所述第一子模型的输出包括图像与用户的用户相关度;所述第二子模型的输入包括图像特征和搜索用信息,所述第二子模型的输出包括图像与搜索用信息的内容相关度。
在本实施例中,图像模型生成装置的导入单元301、确定单元302和调整单元303的具体处理及其所带来的技术效果可分别参考图1对应实施例中步骤101、步骤102和步骤103的相关说明,在此不再赘述。
在一些实施例中,训练样本具有指示实际点击率的标签;以及所述基于以下至少一项:第一子模型输出的用户相关度和第二子模型输出的内容相关度,从所述第一子模型和第二子模型中,确定至少一个待调整子模型,包括:获取初始复合模型对训练样本的第一预估点击率;根据所述第一预估点击率、所述标签、所述用户相关度和所述内容相关度,确定所述至少一个待调整子模型。
在一些实施例中,所述训练样本的标签包括第一子标签,第一子标签用于指示所述训练样本相对于第一子模型是正样本或者负样本;以及所述基于以下至少一项:第一子模型输出的用户相关度和第二子模型输出的内容相关度,从所述第一子模型和第二子模型中,确定至少一个待调整子模型,包括:根据所述训练样本的第一子标签和所述用户相关度,确定是否将所述第一子模型确定为待调整子模型。
在一些实施例中,所述根据所述训练样本的第一子标签和所述用户相关度,确定是否将所述第一子模型确定为待调整子模型,包括:获取第一子模型处理正样本得到正样本用户相关度,以及获取第一子模型处理负样本得到的负样本用户相关度;根据所述正样本用户相关度和所述负样本用户相关度,确定是否将所述第一子模型确定为待调整子模型。
在一些实施例中,所述训练样本的标签包括第二子标签,第二子标签用于指示训练样本中图像特征与搜索用信息的预设相关程度;以及所述基于以下至少一项:第一子模型输出的用户相关度和第二子模型输出的内容相关度,从所述第一子模型和第二子模型中,确定至少一个待调整子模型,包括:根据所述内容相关度和所述训练样本的第二子标签,确定是否将所述第一子模型确定为待调整子模型。
在一些实施例中,待调整子模型包括特征交叉层;以及所述对至少一个待调整子模型进行调整,包括:更换待调整子模型中的特征交叉层,其中,更换前后的特征交叉层的特征交叉方式不同。
在一些实施例中,第一子模型对应至少一个待增加特征,第二子模型对应至少一个待增加特征;以及所述对至少一个待调整子模型进行调整,包括:从待调整子模型的至少一个待增加特征中选取目标待增加特征;将目标待增加特征确定为待调整子模型的输入特征。
在一些实施例中,上述所述对至少一个待调整子模型进行调整,包括:调整待调整子模型中的权重。
在一些实施例中,所述装置用于:将待处理图像导入目标复合模型,其中,目标复合模型基于初始复合模型生成;根据目标符合模型输出的预估点击率,确定是否推送所述待处理图像。
请参考图4,图4示出了本公开的一个实施例的图像模型生成方法可以应用于其中的示例性系统架构。
如图4所示,系统架构可以包括终端设备401、402、403,网络404,服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备401、402、403可以通过网络404与服务器405交互,以接收或发送消息等。终端设备401、402、403上可以安装有各种客户端应用,例如网页浏览器应用、搜索类应用、新闻资讯类应用。终端设备401、402、403中的客户端应用可以接收用户的指令,并根据用户的指令完成相应的功能,例如根据用户的指令在信息中添加相应信息。
终端设备401、402、403可以是硬件,也可以是软件。当终端设备401、402、403为硬件时,可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备401、402、403为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器405可以是提供各种服务的服务器,例如接收终端设备401、402、403发送的信息获取请求,根据信息获取请求通过各种方式获取信息获取请求对应的展示信息。并展示信息的相关数据发送给终端设备401、402、403。
需要说明的是,本公开实施例所提供的图像模型生成方法可以由终端设备执行,相应地,图像模型生成装置可以设置在终端设备401、402、403中。此外,本公开实施例所提供的图像模型生成方法还可以由服务器405执行,相应地,图像模型生成装置可以设置于服务器405中。
应该理解,图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图5,其示出了适于用来实现本公开实施例的电子设备(例如图4中的终端设备或服务器)的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示,电子设备可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperTextTransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:将训练样本导入初始复合模型,其中,训练样本包括用户特征、图像特征和搜索用信息;基于以下至少一项:第一子模型输出的用户相关度和第二子模型输出的内容相关度,从所述第一子模型和第二子模型中,确定至少一个待调整子模型;对至少一个待调整子模型进行调整;其中,所述初始复合模型包括第一子模型和第二子模型;所述第一子模型的输入包括图像特征和用户特征,所述第一子模型的输出包括图像与用户的用户相关度;所述第二子模型的输入包括图像特征和搜索用信息,所述第二子模型的输出包括图像与搜索用信息的内容相关度。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,导入单元还可以被描述为“将训练样本导入初始复合模型的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
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。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (13)
1.一种图像模型生成方法,其特征在于,包括:
将训练样本导入初始复合模型,其中,训练样本包括用户特征、图像特征和搜索用信息;
基于以下至少一项:第一子模型输出的用户相关度和第二子模型输出的内容相关度,从所述第一子模型和第二子模型中,确定至少一个待调整子模型;
对至少一个待调整子模型进行调整;
其中,所述初始复合模型包括第一子模型和第二子模型;所述第一子模型的输入包括图像特征和用户特征,所述第一子模型的输出包括图像与用户的用户相关度;所述第二子模型的输入包括图像特征和搜索用信息,所述第二子模型的输出包括图像与搜索用信息的内容相关度。
2.根据权利要求1所述的方法,其特征在于,训练样本具有指示实际点击率的标签;以及
所述基于以下至少一项:第一子模型输出的用户相关度和第二子模型输出的内容相关度,从所述第一子模型和第二子模型中,确定至少一个待调整子模型,包括:
获取初始复合模型对训练样本的第一预估点击率;
根据所述第一预估点击率、所述标签、所述用户相关度和所述内容相关度,确定所述至少一个待调整子模型。
3.根据权利要求1所述的方法,其特征在于,所述训练样本的标签包括第一子标签,第一子标签用于指示所述训练样本相对于第一子模型是正样本或者负样本;以及
所述基于以下至少一项:第一子模型输出的用户相关度和第二子模型输出的内容相关度,从所述第一子模型和第二子模型中,确定至少一个待调整子模型,包括:
根据所述训练样本的第一子标签和所述用户相关度,确定是否将所述第一子模型确定为待调整子模型。
4.根据权利要求1所述的方法,其特征在于,所述根据所述训练样本的第一子标签和所述用户相关度,确定是否将所述第一子模型确定为待调整子模型,包括:
获取第一子模型处理正样本得到正样本用户相关度,以及获取第一子模型处理负样本得到的负样本用户相关度;
根据所述正样本用户相关度和所述负样本用户相关度,确定是否将所述第一子模型确定为待调整子模型。
5.根据权利要求4所述的方法,其特征在于,所述训练样本的标签包括第二子标签,第二子标签用于指示训练样本中图像特征与搜索用信息的预设相关程度;以及
所述基于以下至少一项:第一子模型输出的用户相关度和第二子模型输出的内容相关度,从所述第一子模型和第二子模型中,确定至少一个待调整子模型,包括:
根据所述内容相关度和所述训练样本的第二子标签,确定是否将所述第一子模型确定为待调整子模型。
6.根据权利要求1所述的方法,其特征在于,待调整子模型包括特征交叉层;以及
所述对至少一个待调整子模型进行调整,包括:
更换待调整子模型中的特征交叉层,其中,更换前后的特征交叉层的特征交叉方式不同。
7.根据权利要求1所述的方法,其特征在于,第一子模型对应至少一个待增加特征,第二子模型对应至少一个待增加特征;以及
所述对至少一个待调整子模型进行调整,包括:
从待调整子模型的至少一个待增加特征中选取目标待增加特征;
将目标待增加特征确定为待调整子模型的输入特征。
8.根据权利要求7所述的方法,其特征在于,
第一子模型对应的待增加特征,包括以下至少一项:图像的文字特征、至少一个维度的用户特征;
第二子模型对应的待增加特征,包括以下至少一项:搜索用信息的至少一种分词方式对应的搜索用信息特征、图像的文字特征。
9.根据权利要求1所述的方法,上述所述对至少一个待调整子模型进行调整,包括:
调整待调整子模型中的权重。
10.根据权利要求1-9中任一项所述的方法,其特征在于,所述方法还包括:
将待处理图像导入目标复合模型,其中,目标复合模型基于初始复合模型生成;
根据目标符合模型输出的第二预估点击率,确定是否推送所述待处理图像。
11.一种图像模型生成装置,其特征在于,包括:
导入单元,用于将训练样本导入初始复合模型,其中,训练样本包括用户特征、图像特征和搜索用信息;
确定单元,用于基于以下至少一项:第一子模型输出的用户相关度和第二子模型输出的内容相关度,从所述第一子模型和第二子模型中,确定至少一个待调整子模型;
调整单元,用于对至少一个待调整子模型进行调整;
其中,所述初始复合模型包括第一子模型和第二子模型;所述第一子模型的输入包括图像特征和用户特征,所述第一子模型的输出包括图像与用户的用户相关度;所述第二子模型的输入包括图像特征和搜索用信息,所述第二子模型的输出包括图像与搜索用信息的内容相关度。
12.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-10中任一所述的方法。
13.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-10中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110658240.0A CN113283115B (zh) | 2021-06-11 | 2021-06-11 | 图像模型生成方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110658240.0A CN113283115B (zh) | 2021-06-11 | 2021-06-11 | 图像模型生成方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113283115A CN113283115A (zh) | 2021-08-20 |
CN113283115B true CN113283115B (zh) | 2023-08-08 |
Family
ID=77284401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110658240.0A Active CN113283115B (zh) | 2021-06-11 | 2021-06-11 | 图像模型生成方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113283115B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799635A (zh) * | 2012-06-27 | 2012-11-28 | 天津大学 | 一种用户驱动的图像集合排序方法 |
CN105653701A (zh) * | 2015-12-31 | 2016-06-08 | 百度在线网络技术(北京)有限公司 | 模型生成方法及装置、词语赋权方法及装置 |
CN106021364A (zh) * | 2016-05-10 | 2016-10-12 | 百度在线网络技术(北京)有限公司 | 图片搜索相关性预测模型的建立、图片搜索方法和装置 |
CN106951433A (zh) * | 2017-02-04 | 2017-07-14 | 百度在线网络技术(北京)有限公司 | 一种检索方法及装置 |
CN111125422A (zh) * | 2019-12-13 | 2020-05-08 | 北京达佳互联信息技术有限公司 | 一种图像分类方法、装置、电子设备及存储介质 |
CN111598638A (zh) * | 2019-02-21 | 2020-08-28 | 北京沃东天骏信息技术有限公司 | 点击率确定方法、装置及设备 |
CN112507153A (zh) * | 2021-01-29 | 2021-03-16 | 上海众旦信息科技有限公司 | 用于图像检索的方法、计算设备和计算机存储介质 |
-
2021
- 2021-06-11 CN CN202110658240.0A patent/CN113283115B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799635A (zh) * | 2012-06-27 | 2012-11-28 | 天津大学 | 一种用户驱动的图像集合排序方法 |
CN105653701A (zh) * | 2015-12-31 | 2016-06-08 | 百度在线网络技术(北京)有限公司 | 模型生成方法及装置、词语赋权方法及装置 |
CN106021364A (zh) * | 2016-05-10 | 2016-10-12 | 百度在线网络技术(北京)有限公司 | 图片搜索相关性预测模型的建立、图片搜索方法和装置 |
CN106951433A (zh) * | 2017-02-04 | 2017-07-14 | 百度在线网络技术(北京)有限公司 | 一种检索方法及装置 |
CN111598638A (zh) * | 2019-02-21 | 2020-08-28 | 北京沃东天骏信息技术有限公司 | 点击率确定方法、装置及设备 |
CN111125422A (zh) * | 2019-12-13 | 2020-05-08 | 北京达佳互联信息技术有限公司 | 一种图像分类方法、装置、电子设备及存储介质 |
CN112507153A (zh) * | 2021-01-29 | 2021-03-16 | 上海众旦信息科技有限公司 | 用于图像检索的方法、计算设备和计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113283115A (zh) | 2021-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111414498A (zh) | 多媒体信息推荐方法、装置及电子设备 | |
CN111738010B (zh) | 用于生成语义匹配模型的方法和装置 | |
CN113449070A (zh) | 多模态数据检索方法、装置、介质及电子设备 | |
CN112650841A (zh) | 信息处理方法、装置和电子设备 | |
CN111461967B (zh) | 图片处理方法、装置、设备和计算机可读介质 | |
CN111897950A (zh) | 用于生成信息的方法和装置 | |
CN111291258A (zh) | 搜索热词的推荐方法、装置、电子设备及可读介质 | |
CN112241761B (zh) | 模型训练方法、装置和电子设备 | |
CN111262744B (zh) | 多媒体信息发送方法、备份服务器及介质 | |
CN111311358B (zh) | 信息处理方法、装置和电子设备 | |
CN112990176A (zh) | 书写质量评价方法、装置和电子设备 | |
JP2022541832A (ja) | 画像を検索するための方法及び装置 | |
CN113220922B (zh) | 图像搜索方法、装置和电子设备 | |
CN113283115B (zh) | 图像模型生成方法、装置和电子设备 | |
CN111382365B (zh) | 用于输出信息的方法和装置 | |
CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
CN111782895B (zh) | 检索处理方法、装置、可读介质及电子设备 | |
CN113191257A (zh) | 笔顺检测方法、装置和电子设备 | |
CN112182290A (zh) | 一种信息处理方法、装置和电子设备 | |
CN114625876B (zh) | 作者特征模型的生成方法、作者信息处理方法和装置 | |
CN112990349B (zh) | 书写质量评价方法、装置和电子设备 | |
CN112766285B (zh) | 图像样本生成方法、装置和电子设备 | |
CN115565607B (zh) | 确定蛋白质信息的方法、装置、可读介质及电子设备 | |
CN112860999B (zh) | 信息推荐方法、装置、设备和存储介质 | |
CN112187945A (zh) | 信息推送方法、装置和电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |