CN113987239A - 图像推送方法、装置、计算机设备、存储介质及产品 - Google Patents

图像推送方法、装置、计算机设备、存储介质及产品 Download PDF

Info

Publication number
CN113987239A
CN113987239A CN202111347335.7A CN202111347335A CN113987239A CN 113987239 A CN113987239 A CN 113987239A CN 202111347335 A CN202111347335 A CN 202111347335A CN 113987239 A CN113987239 A CN 113987239A
Authority
CN
China
Prior art keywords
target
image set
images
image
content
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
Application number
CN202111347335.7A
Other languages
English (en)
Inventor
尹小然
刘�文
袁腾凯
欧阳冰洁
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.)
Beijing Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online 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 Beijing Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN202111347335.7A priority Critical patent/CN113987239A/zh
Publication of CN113987239A publication Critical patent/CN113987239A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Library & Information Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

本申请关于一种图像推送方法、装置、计算机设备、存储介质及产品，涉及计算机技术领域。该方法包括：获取与网络内容对应包含至少两个目标图像的目标内容；对至少两个目标图像进行评分，获得至少两个目标图像分别对应的评分结果；对至少两个目标图像进行分类，获得至少两个目标图像分别对应的分类结果；基于至少两个目标图像分别对应的评分结果，以及至少两个目标图像分别对应的分类结果，生成至少一个图像集；响应于至少一个图像集中的目标图像集满足向目标用户进行推送的推送条件，将目标图像集推送给目标用户。通过上述方法，实现了对推送内容的自动化筛选，提高了对推荐内容的筛选效率和推荐内容的质量，从而提高了推送内容的展示效果。

Description

图像推送方法、装置、计算机设备、存储介质及产品
技术领域
本申请涉及计算机技术领域，特别涉及一种图像推送方法、装置、计算机设备、存储介质及产品。
背景技术
在信息内容推送平台中，提供有用户主动上传反馈内容的功能，平台或者特定用户通过展示用户上传的反馈内容，以使得更多的用户获取到平台或特定用户的相关信息。
在相关技术中，为保证展示给用户的其他用户的反馈内容的质量，起到正向作用，平台或特定用户会通过对其他用户主动上传的反馈内容进行人工筛选，获得符合需求的反馈内容，并展示。
然而，在上述相关技术中，由于其他用户上传的反馈内容体量较大，使得通过人工操作的成本较大，且效率较低，同时人工操作的标准难以控制，使得获得的反馈内容的质量较不稳定，最终导致对反馈内容的展示效果较差。
发明内容
本申请关于一种图像推送方法、装置、计算机设备、存储介质及产品，可以提高对图像的筛选效率和推送效果。该技术方案如下：
一方面，提供了一种图像推送方法，所述方法由计算机设备执行，所述方法包括：
获取与网络内容对应的目标内容，所述目标内容中包含至少两个目标图像；所述网络内容是第一用户在网络平台发布的内容，所述目标内容是至少一个第二用户对所述网络内容的反馈内容；
对至少两个所述目标图像进行评分，获得至少两个所述目标图像对应的评分结果；所述评分结果用以指示所述目标图像的图像质量；
对至少两个所述目标图像进行分类，获得至少两个所述目标图像分别对应的分类结果；
基于至少两个所述目标图像分别对应的评分结果，以及至少两个所述目标图像分别对应的分类结果，生成至少一个图像集；
响应于所述至少一个图像集中的目标图像集满足向目标用户进行推送的推送条件，将所述目标图像集推送给所述目标用户。
在一种可能的实现方式中，在响应于所述至少一个图像集中的目标图像集满足向目标用户进行推送的条件，将所述目标图像集推送给所述目标用户之前，所述方法还包括：
获取所述目标用户的用户画像；
基于所述用户画像，确定所述推送条件。
在一种可能的实现方式中，所述基于所述用户画像，确定所述推送条件，包括：
基于所述用户画像，确定符合所述目标用户需求的目标分类；
所述响应于所述至少一个图像集中的目标图像集满足向目标用户进行推送的条件，将所述目标图像集推送给所述目标用户，包括：
响应于所述目标图像集的图像集分类与所述目标分类相匹配，将所述目标图像集推送给所述目标用户。
在一种可能的实现方式中，所述基于至少两个所述目标图像分别对应的评分结果，以及至少两个所述目标图像分别对应分类结果，生成至少一个图像集，包括：
响应于第一目标图像对应的所述评分结果大于评分阈值，且所述第一目标图像对应的所述分类结果与第一分类结果相匹配，将所述第一目标图像加入到第一图像集中；所述第一目标图像是至少两个所述目标图像中的任意一个，所述第一图像集是所述至少一个图像集中的任意一个。
在一种可能的实现方式中，所述基于至少两个所述目标图像分别对应的评分结果，以及至少两个所述目标图像分别对应分类结果，生成至少一个图像集，包括：
获取至少两个第二目标图像组成的候选图像集；所述第二目标图像是至少两个所述目标图像中，所述分类结果与第二分类结果相匹配的目标图像；
基于至少两个所述第二目标图像分别对应的所述评分结果进行评分排序，获得评分排行榜；
基于所述评分排行榜，对所述候选图像集中的至少两个所述第二目标图像进行筛选，获得第二图像集；所述第二图像集是所述至少一个图像集中的任意一个。
在一种可能的实现方式中，所述对至少两个所述目标图像进行评分，获得至少两个所述目标图像对应的评分结果，包括：
将至少两个所述目标图像分别输入评分模型，获得所述评分模型输出的至少两个所述目标图像分别对应的所述评分结果；
其中，所述评分模型是基于至少两个样本图像以及所述至少两个样本图像分别对应的评分标签训练获得的。
在一种可能的实现方式中，所述对至少两个所述目标图像进行分类，获得至少两个所述目标图像分别对应的分类结果，包括：
将至少两个所述目标图像分别输入分类模型，获得所述分类模型输出的至少两个所述目标图像分别对应的所述分类结果；
其中，所述分类模型是基于至少两个样本图像以及所述至少两个样本图像分别对应的分类标签训练获得的。
在一种可能的实现方式中，在基于至少两个所述目标图像分别对应的评分结果，以及至少两个所述目标图像分别对应的分类结果，生成至少一个图像集之前，所述方法还包括：
获取至少两个所述目标图像分别对应的人脸遮挡概率；
所述基于至少两个所述目标图像分别对应的评分结果，以及至少两个所述目标图像分别对应的分类结果，生成至少一个图像集，包括：
基于至少两个所述目标图像分别对应的所述评分结果，至少两个所述目标图像分别对应的所述分类结果，以及至少两个所述目标图像分别对应的人脸遮挡概率，生成所述至少一个图像集。
在一种可能的实现方式中，所述获取至少两个所述目标图像分别对应的人脸遮挡概率，包括：
将至少两个所述目标图像分别输入到遮挡概率预测模型，获得所述遮挡概率预测模型输出的至少两个所述目标图像分别对应的所述人脸遮挡概率；
其中，所述遮挡概率预测模型是基于至少两个样本图像以及所述至少两个样本图像分别对应的人脸遮挡标签训练获得的，所述人脸遮挡标签用以指示对应的样本图像中的人脸区域是否被遮挡。
另一方面，提供了一种图像推送装置，所述装置包括：
目标内容获取模块，用于获取与网络内容对应的目标内容，所述目标内容中包含至少两个目标图像；所述网络内容是第一用户在网络平台发布的内容，所述目标内容是至少一个第二用户对所述网络内容的反馈内容；
评分模块，用于对至少两个所述目标图像进行评分，获得至少两个所述目标图像对应的评分结果；所述评分结果用以指示所述目标图像的图像质量；
分类模块，用于对至少两个所述目标图像进行分类，获得至少两个所述目标图像分别对应的分类结果；
图像集生成模块，用于基于至少两个所述目标图像分别对应的评分结果，以及至少两个所述目标图像分别对应的分类结果，生成至少一个图像集；
推送模块，用于响应于所述至少一个图像集中的目标图像集满足向目标用户进行推送的推送条件，将所述目标图像集推送给所述目标用户。
在一种可能的实现方式中，所述装置还包括：
用户画像获取模块，用于获取所述目标用户的用户画像；
推送条件确定模块，用于基于所述用户画像，确定所述推送条件。
在一种可能的实现方式中，所述推送条件确定模块，用于基于所述用户画像，确定符合所述目标用户需求的目标分类；
所述推送模块，用于响应于所述目标图像集的图像集分类与所述目标分类相匹配，将所述目标图像集推送给所述目标用户。
在一种可能的实现方式中，所述图像集生成模块，用于响应于第一目标图像对应的所述评分结果大于评分阈值，且所述第一目标图像对应的所述分类结果与第一分类结果相匹配，将所述第一目标图像加入到第一图像集中；所述第一目标图像是至少两个所述目标图像中的任意一个，所述第一图像集是所述至少一个图像集中的任意一个。
在一种可能的实现方式中，所述图像集生成模块，用于获取至少两个第二目标图像组成的候选图像集；所述第二目标图像是至少两个所述目标图像中，所述分类结果与第二分类结果相匹配的目标图像；
基于至少两个所述第二目标图像分别对应的所述评分结果进行评分排序，获得评分排行榜；
基于所述评分排行榜，对所述候选图像集中的至少两个所述第二目标图像进行筛选，获得第二图像集；所述第二图像集是所述至少一个图像集中的任意一个。
在一种可能的实现方式中，所述评分模块，用于将至少两个所述目标图像分别输入评分模型，获得所述评分模型输出的至少两个所述目标图像分别对应的所述评分结果；
其中，所述评分模型是基于至少两个样本图像以及所述至少两个样本图像分别对应的评分标签训练获得的。
在一种可能的实现方式中，所述分类模块，用于将至少两个所述目标图像分别输入分类模型，获得所述分类模型输出的至少两个所述目标图像分别对应的所述分类结果；
其中，所述分类模型是基于至少两个样本图像以及所述至少两个样本图像分别对应的分类标签训练获得的。
在一种可能的实现方式中，所述装置还包括：
概率获取模块，用于获取至少两个所述目标图像分别对应的人脸遮挡概率；
所述图像集生成模块，用于基于至少两个所述目标图像分别对应的所述评分结果，至少两个所述目标图像分别对应的所述分类结果，以及至少两个所述目标图像分别对应的人脸遮挡概率，生成所述至少一个图像集。
在一种可能的实现方式中，所述概率获取模块，用于将至少两个所述目标图像分别输入到遮挡概率预测模型，获得所述遮挡概率预测模型输出的至少两个所述目标图像分别对应的所述人脸遮挡概率；
其中，所述遮挡概率预测模型是基于至少两个样本图像以及所述至少两个样本图像分别对应的人脸遮挡标签训练获得的，所述人脸遮挡标签用以指示对应的样本图像中的人脸区域是否被遮挡。
另一方面，提供了一种计算机设备，所述计算机设备包含处理器和存储器，所述存储器存储有至少一条计算机程序，所述至少一条计算机程序由所述处理器加载并执行以实现本申请实施例中提供的图像推送方法。
另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条计算机程序，所述计算机程序由处理器加载并执行以实现上述本申请实施例中提供的图像推送方法。
另一方面，提供了一种计算机程序产品或计算机程序，所述计算机程序产品包括至少一条计算机程序，所述计算机程序由处理器加载并执行以实现上述各种可选实现方式中提供的图像推送方法。
本申请提供的技术方案带来的有益效果至少包括：
通过计算机设备对与网络内容相对应的目标内容中包含的目标图像进行评分以及分类，基于获得的评分结果和分类结果生成至少一个图像集，并至少一个图像集中存在目标图像集满足向目标用户进行推送的推送条件时，向目标用户进行图像集推送；使得在向用户进行信息推送时，可以通过计算机设备自动化地对与网络内容相对应的目标内容中的图像进行质量筛选和分类，并通过图像集的形式对满足向目标用户进行推送的推送条件的图像进行推送，提高了向用户推送的图像的质量，从而提高了对于目标内容中的图像的推送效果；同时，通过计算机设备实现对目标内容的自动筛选，减少了人工操作，在目标内容体量较大时，能够有效提高对目标内容中的图像的筛选效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本申请一示例性实施例提供的内容推荐系统的结构示意图；
图2示出了本申请一示例性实施例提供的图像推送方法的流程图；
图3示出了本申请一示例性实施例提供的图像推送方法的流程图；
图4示出了本申请一示例性实施例示出的图像推送方法的示意图；
图5示出了本申请一示例性实施例示出的图像推送装置的方框图；
图6是根据一示例性实施例示出的计算机设备的结构框图；
图7是根据一示例性实施例示出的计算机设备的结构框图。
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，下面将结合附图对本申请实施方式作进一步地详细描述。
图1示出了本申请一示例性实施例提供的内容推荐系统的结构示意图，如图1所示，该内容推荐系统包括服务器110，终端120以及终端130。
其中，该服务器110可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。服务器110可以是具有直播数据流传输功能的服务器。
终端120中有支持内容编辑和上传功能的应用程序，各个用户可通过终端120来访问支持内容编辑和上传功能的应用程序的服务器，以实现内容编辑和上传的功能；进一步的，该终端120可以是具有网络连接功能以及界面展示功能的终端设备，比如，终端120可以是智能手机、平板电脑、电子书阅读器、智能眼镜、智能手表、智能电视、MP3播放器(MovingPicture 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。
终端130中有支持内容查看功能的应用程序；进一步的，该终端130可以是具有网络连接功能以及界面展示功能的终端设备，比如，终端130可以是智能手机、平板电脑、电子书阅读器、智能眼镜、智能手表、智能电视、MP3播放器、MP4播放器、膝上型便携计算机和台式计算机等等。
同一终端可以包含具有内容编辑和上传功能的应用程序，也可以包含具有支持内容查看功能的应用程序；可选的，支持内容编辑和上传功能的应用程序，与支持内容查看功能的应用程序可以为同一应用程序。或者，支持内容编辑和上传功能的应用程序，与支持内容查看功能的应用程序可以为不同的应用程序，本申请对此不作限制。
上述系统中包含一个或者多个服务器110，一个或者多个终端120以一个或者多个终端130。本申请实施例对于服务器110、终端120以及终端130的个数不做限制。
终端以及服务器通过通信网络相连。可选的，通信网络是有线网络或无线网络。
可选的，该系统还可以包括管理设备(图1未示出)，该管理设备与服务器110之间通过通信网络相连。可选的，通信网络是有线网络或无线网络。
可选的，上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也可以是任何网络，包括但不限于局域网(Local Area Network，LAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合。在一些实施例中，使用包括超文本标记语言(Hyper Text Mark-up Language，HTML)、可扩展标记语言(Extensible MarkupLanguage，XML)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(Secure Socket Layer，SSL)、传输层安全(Transport Layer Security，TLS)、虚拟专用网络(Virtual Private Network，VPN)、网际协议安全(Internet ProtocolSecurity，IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中，还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。本申请在此不做限制。
图2示出了本申请一示例性实施例提供的图像推送方法的流程图，该图像推送方法可以由计算机设备执行，该计算机设备可以实现为终端或者服务器，如图2所示，该图像推送方法可以包括以下步骤：
步骤210，获取与网络内容对应的目标内容，该目标内容中包含至少两个目标图像；该网络内容是第一用户在网络平台发布的内容，该目标内容是至少一个第二用户对网络内容的反馈内容。
该目标内容是用户基于网络内容自定义的反馈内容，即UGC(User GeneratedContent，用户原创内容)，该网络内容可以是第一用户在网络平台上发布的包含图像的信息，或者，包含图文内容的信息，比如，该目标内容可是包括实体店铺信息，虚拟店铺信息，个人主页信息，广告推广信息等等，以实体店铺信息为例，该实体店铺信息可以包含该实体店铺的属性信息，比如，该实体店铺的位置信息，该实体店铺的营业时间信息，该实体店铺的优惠信息以及该实体店铺的服务信息中的至少一种，相对应的，该目标内容可以是用户基于在实体店铺的消费体验自定义上传的反馈内容；该目标内容中可以包含目标图像，或者，包含目标图像以及文本信息，示意性的，该目标内容可以是用户上传的基于某一物品或者某一场景的点评信息。
步骤220，对至少两个目标图像进行评分，获得至少两个目标图像分别对应的评分结果；该评分结果用以指示目标图像的图像质量。
该目标图像的图像质量可以指示目标图像中的图像内容的完整性，图像中的前景和背景、物体的轮廓、纹理等之间的区分程度等等；评分结果与图像质量成正比例关系，评分结果的分值越高，目标内容中的目标图像的图像质量越高。进一步的，该评分结果还可以用以体现目标图像的美学价值。
步骤230，对至少两个目标图像进行分类，获得至少两个目标图像分别对应的分类结果。
在本申请实施例中，该分类结果用以指示目标图像中的图像内容的图像风格，比如，韩式、田园、小清新等；或者，用以指示目标图像中的图像内容的取景场所，比如外景、内景、海景等。一个目标图像可以对应有至少一个类型的分类结果。
步骤240，基于至少两个目标图像分别对应的评分结果，以及至少两个目标图像分别对应的分类结果，生成至少一个图像集。
在一种可能的实现方式中，可以基于至少两个目标图像分别对应的评分结果，以及至少两个目标图像分别对应的分类结果对至少两个目标图像进行筛选；基于筛选获得的目标图像生成目标图像集。
其中，可以先基于目标图像的评分结果对目标图像进行初步筛选，再基于目标图像的分类结果进一步生成至少一个图像集。
或者，也可以先基于目标图像的分类结果将至少两个目标图像分成至少一个组别，再在各组中基于目标图像的评分结果对目标图像进行筛选，以生成至少一个图像集。
步骤250，响应于至少一个图像集中的目标图像集满足向目标用户进行推送的推送条件，将目标图像集推送给目标用户。
该推送条件是基于图像集的图像集分类设置的，用以对至少一个图像集进行筛选，以确认是否将图像集推送给用户。
可选的，目标图像集中可以包含至少一个目标图像，该目标图像是指该目标内容中附加的图像，比如场景图像，用户图像等等。
响应于本申请的图像推送方法由服务器执行，在服务器确定对目标图像集进行推送之后，指示终端通过界面展示的方式对目标图像集中的目标图像进行推送。
响应于本申请的图像推送方法由终端执行，在终端确定对目标图像集进行推送之后，将目标图像集中的目标图像推送到该终端的显示界面上。
可选的，在对目标图像集进行推送时，推送内容可以包括目标图像集中的目标图像，或者，推送图像集可以包括目标图像以及目标内容中与该目标图像相对应的文字信息，即该目标图像对应的完整的目标内容。
综上所述，本申请实施例提供的图像推送方法，通过计算机设备对与网络内容相对应的目标内容中包含的目标图像进行评分以及分类，基于获得的评分结果和分类结果生成至少一个图像集，并至少一个图像集中存在目标图像集满足向目标用户进行推送的推送条件时，向目标用户进行图像集推送；使得在向用户进行信息推送时，可以通过计算机设备自动化地对与网络内容相对应的目标内容中的图像进行质量筛选和分类，并通过图像集的形式对满足向目标用户进行推送的推送条件的图像进行推送，提高了向用户推送的图像的质量，从而提高了对于目标内容中的图像的推送效果；同时，通过计算机设备实现对目标内容的自动筛选，减少了人工操作，在目标内容体量较大时，能够有效提高对目标内容中的图像的筛选效率。
为提高目标图像进行筛选和判断的准确性，本申请实施例可以结合机器训练模型对目标图像进行评分和/或分类；图3示出了本申请一示例性实施例提供的图像推送方法的流程图，该图像推送方法可以由计算机设备执行，该计算机设备可以实现为终端或者服务器，如图3所示，该图像推送方法可以包括以下步骤：
步骤310，获取与网络内容对应的目标内容，该目标内容中包含至少两个目标图像；该网络内容是第一用户在网络平台发布的内容，该目标内容是至少一个第二用户对网络内容的反馈内容。
示意性的，本申请实施例中的目标内容是具有指定行业特色的点评内容，该点评内容中包含该指定行业相关的图像，比如，该指定行业可以是结婚行业、旅游行业、餐饮行业、美妆行业中的任意一种。本申请实施例以该指定行业为结婚行业为例对本申请提供的图像推送方法进行说明。
在本申请实施例中，该目标内容可以是对应于该网络内容的所有反馈内容，或者，该目标内容是对应于该网络内容的反馈内容中的有效内容，比如，该目标内容是对应于该网络内容的反馈内容中的非默认内容，或者，非系统评价内容等等。
步骤320，将至少两个目标图像分别输入评分模型，获得评分模型输出的至少两个目标图像分别对应的评分结果。
其中，该评分模型是基于至少两个样本图像，以及至少两个样本图像分别对应的评分标签训练获得的。该评分标签可以是人工标注的。
该评分模型可以是基于卷积神经网络构建的模型，在进行模型训练时，通过将样本图像输入到评分模型中，获得评分模型输出的该样本图像的预测评分；基于预测评分以及该样本图像的评分标签对评分模型进行训练，基于不同的样本图像，重复上述过程，对评分模型进行迭代训练，直至达到训练完成条件，获得训练好的评分模型，以通过训练好的评分模型对目标内容的目标图像进行评分。
在上述过程中，可以基于预测评分以及该样本图像的评分标签计算第一损失函数的函数值，基于第一损失函数的函数值对评分模型进行训练。
该训练完成条件可以包括，训练后的评分模型的评分准确度达到准确定阈值，训练后的评分模型收敛，或者迭代次数达到次数阈值。
步骤330，将至少两个目标图像分别输入分类模型，获得分类模型输出的至少两个目标图像分别对应的分类结果。
其中，该分类模型是基于至少两个样本图像以及至少两个样本图像分别对应的分类标签训练获得的。
一个样本图像可以对应有至少两个不同类型的分类标签，示意性的，一个样本图像可以同时具有外景，小清新等多个分类标签，相应的，该分类模型可以对目标图像进行处理，获得该目标图像对应的至少两个类型的分类结果。
该分类模型可以是基于卷积神经网络构建的模型，在进行模型训练时，通过将样本图像输入到分类模型中，获得分类模型输出的该样本图像的预测分类结果；基于预测分类结果以及该样本图像的分类标签对分类模型进行训练，基于不同的样本图像，重复上述过程，对分类模型进行迭代训练，直至达到训练完成条件，获得训练好的分类模型，以通过训练好的分类模型对目标内容中的至少两个目标图像进行分类。
在上述过程中，可以基于预测分类结果以及该样本图像的分类标签计算第二损失函数的函数值，基于第二损失函数的函数值对分类模型进行训练。
步骤340，基于至少两个目标图像分别对应的评分结果，以及至少两个目标图像分别对应的分类结果，生成至少一个图像集。
在一种可能的实现方式中，生成至少一个图像集的过程可以实现为：
响应于第一目标图像对应的评分结果大于评分阈值，且第一目标图像对应的分类结果与第一分类结果相匹配，将第一目标图像加入到第一图像集中；该第一目标图像是至少两个目标图像中的任意一个，该第一图像集是至少一个图像集中的任意一个。
也就是说，先基于目标图像的评分结果与评分阈值之间大小关系，获取至少一个目标图像中质量较好的目标图像，以实现对至少一个目标图像的初步筛选，再进一步对筛选获得的目标图像进行分类，其中，每个图像集对应有各自的图像集分类，比如，第一分类结果是第一图像集对应的图像集分类，基于筛选获得的目标图像的分类结果与图像集分类的匹配结果，确定是否将该目标图像加入到该图像集分类对应的图像集中。
在上述过程中，可以在获取到目标图像的评分结果之后，先对目标图像进行筛选，之后，再获取筛选获得的目标图像的分类结果，以将筛选获得的目标图像加入到对应的图像集中，生成至少一个图像集。从而减少图像集生成过程中的图像处理数量，提高图像处理效率。
其中，响应于一个目标图像对应有至少两个类型的分类结果，目标图像的分类结果与第一分类结果相匹配可以是指，目标图像的至少两个类型的分类结果中存在与第一分类结果相同的分类结果；或者，该第一分类结果对应有至少两个类型，目标图像的分类结果与第一分类结果相匹配可以是指，目标图像的至少两个类型的分类结果与第一分类结果相同的分类结果的占比大于比例阈值，其中，该占比是指相同的分类结果占第一分类结果的类型的比例，比如，目标图像具有外景，小清新，花海，热气球四个类型的分类结果，第一分类结果对应有外景，小清新，草原三个类型，那么目标图像的至少两个类型的分类结果与第一分类结果相同的分类结果为外景和小清新，占第一分类结果的比例为66.7％，若比例阈值为50％，则可以将该目标图像加入到该第一分类结果对应的图像集中。
在另一种可能的实现方式中，生成至少一个图像集的过程可以实现为：
获取至少两个第二目标图像组成的候选图像集；该第二目标图像是至少两个目标图像中，该分类结果与第二分类结果相匹配的目标图像；
基于至少两个第二目标图像分别对应的评分结果进行评分排序，获得评分排行榜；
基于评分排行榜，对候选图像集中的至少两个第二目标图像进行筛选，获得第二图像集；该第二图像集是至少一个图像集中的任意一个。
也就是说，先基于目标图像的分类结果，分成至少一个候选图像集，每个图像集中可以包含至少两个目标图像(即第二目标图像)，之后，以各个候选图像集为单位，对各个候选图像集中分别包含的目标图像进行评分排序，获得对应于各个候选图像集的评分排行榜，基于该评分排行榜对各个候选图像集中的目标图像进行筛选，以生成至少一个图像集。
在上述过程中，可以在获取到目标图像的分类结果之后，先对目标图像进行分组，获得至少一个候选图像集，之后，再对各个候选图像集中的目标图像进行筛选，生成至少一个图像集。从而使得在图像集生成的过程中，可以同时对多个候选图像集进行处理，提高图像处理效率。
其中，该评分排行榜可以是按照目标图像的评分结果由高到低的顺序进行排序后生成的，或者，该评分排行榜可以是按照目标推向的评分结果由低到高的顺序进行排序后生成的；当评分排行榜是按照目标图像的评分结果由高到低的顺序进行排序后生成时，可以获取在该评分排行榜中，排行位次大于排行阈值的目标图像组成的图像集获取为第二图像集，比如，获取评分排行榜中前n名的目标图像组成的图像集获取为第二图像集，n为正整数；或者，也可以获取在该排行榜中排行位次处于该排行榜排行百分比阈值范围内的目标图像组成的图像集获取为第二图像集，比如，获取评分排行榜中前m％范围内的目标图像组成的图像集获取为第二图像集，m为正整数。
或者，也可以直接设置评分阈值，将候选图像集的至少两个第二目标图像中，评分结果大于该评分阈值的目标图像组成的图像集获取为第二图像集。
在某些场景中，除对图像质量以及图像分类具有相应要求之外，还对图像中包含的人脸区域有一定的需求，比如，在美妆行业或结婚行业对应的场景中，需要体现人脸的显示效果，因此，在一种可能的实现方式中，在生成至少一个图像集之前，该方法还包括：
获取至少两个目标图像分别对应的人脸遮挡概率。
在这种情况下，生成至少一个图像集的过程可以实现为：
基于至少两个目标图像分别对应的评分结果，至少两个目标图像分别对应的分类结果，以及至少两个目标图像分别对应的人脸遮挡概率，生成至少一个图像集。
其中，为保证获得的至少两个目标图像分别对应的人脸遮挡概率的准确性，可以使用遮挡概率预测模型来目标图像中所对应的人脸遮挡概率，以便于后续基于人脸遮挡概率对目标图像进行进一步筛选，生成符合需求的图像集，因此，该方法还包括：
将至少两个目标图像分别输入到遮挡概率预测模型，获得遮挡概率预测模型输出的至少两个目标图像分别对应的人脸遮挡概率；
其中，该遮挡概率预测模型是基于至少两个样本图像以及至少两个样本图像分别对应的人脸遮挡标签训练获得的，该人脸遮挡标签用以指示对应的样本图像中的人脸区域是否被遮挡。
该遮挡概率预测模型可以是基于卷积神经网络构建的模型，在进行模型训练时，通过将样本图像输入到遮挡概率预测模型中，获得遮挡概率预测模型输出的该样本图像的预测人脸遮挡概率；基于预测人脸遮挡概率以及该人脸遮挡标签对分类模型进行训练，基于不同的样本图像，重复上述过程，对遮挡概率预测模型进行迭代训练，直至达到训练完成条件，获得训练好的遮挡概率预测模型，以通过训练好的遮挡概率预测模型对目标内容的目标图像进行人脸遮挡概率预测。
在上述过程中，可以基于预测人脸遮挡概率以及该样本图像的人脸遮挡标签计算第三损失函数的函数值，基于第三损失函数的函数值对遮挡概率预测模型进行训练。
基于此，在生成至少一个图像集时，在第一目标图像对应的评分结果大于评分阈值，且第一目标图像对应的分类结果与第一分类结果相匹配的前提下，还需确保第一目标图像对应的人脸遮挡概率低于遮挡概率阈值，将符合上述三个条件的目标图像组成的图像集获取为第一图像集，以保证推送给用户的图像集中的目标图像中的人脸区域显示完整或者可辨认，以使得该图像集中的目标图像能够反映出相应行业的服务特色或服务水平。
或者，在生成至少一个图像集时，在第二目标图像对应的分类结果与第二分类结果相匹配，且第二目标图像对应的评分结果大于评分阈值，或者，该第二目标图像在评分排行中的排行位置排在前n位，或者，第二目标图像在评分排行中的排行位置处于前m％范围内的前提下，还需确保第二目标图像对应的人脸遮挡概率低于遮挡概率阈值，将符合上述三个条件的目标图像组成的图像集获取为第二图像集。
需要说明的是，上述第一图像集和第二图像集仅为对生成图像集过程的两种可能方式的示意性说明，上述生成第一图像集和第二图像集的过程，适用于至少一个图像集中的任意一个图像集的生成过程。
在本申请实施例中，训练评分模型，分类模型以及遮挡概率预测模型的样本图像集可以是同一样本图像集或者不同样本图像集，响应于该样本图像集是同一样本图像集时，该样本图像集中包含至少两个样本图像，至少两个样本图像中的每个样本图像都对应有评分标签、分类标签以及人脸遮挡标签，以基于该样本图像集分别对评分模型、分类模型以及遮挡概率预测模型进行训练。
在本申请实施例中，上述三个模型可以基于不同的需求进行单独使用，或者，两两结合使用，或者，三个模型同时使用，在对多个模型进行使用时，可以同时将目标图像分别输入到多个模型中，以同步获得多个模型对目标图像进行处理获得的输出结果；本申请对三个模型的使用方式不进行限制。
步骤350，获取目标用户的用户图像。
用户画像是根据目标用户在获取推送内容场景中的历史行为记录，基于该历史行为记录中体现出的用户的属性、用户偏好、生活习惯、用户行为等信息抽象出来的标签化用户模型，用以概括和描述目标用户。其中，历史行为记录可以包括用户对于接收到的推送内容的操作信息，比如，该操作信息包括浏览行为、预约行为、点赞行为等信息。
步骤360，基于用户画像，确定推送条件。
在一种可能的实现方式中，该推送条件可以实现为目标用户需求的目标分类，也就是说，计算机设备可以基于用户画像，获取符合目标用户需求的目标分类。
示意性的，在保证图像集中的目标图像的质量的前提下，在对图像集推送时，可以基于用户画像确定的目标分类对至少一个图像集进行筛选，以获得属于目标分类的，图像质量较高的图像集，示意性的，在对应于结婚行业的图像推送场景中，通过用户画像获取到符合用户需求的目标分类为小清新，外景，则获取具有小清新风格，取景场所为室外场所的图像集作为目标图像集进行推送。
为提高获取到的目标分类的准确性，在本申请实施例中，可以结合机器训练模型，基于用户画像获取对应于该用户画像的目标分类；可选的，将用户画像输入到目标分类预测模型，获得目标分类预测模型输出的对应于该用户画像的目标分类。
示意性的，该用户画像可以包括浏览行为信息、预约行为信息、点赞行为信息的等信息；该目标分类预测模型可以是基于至少两个样本用户画像，以及至少两个样本用户画像，以及至少两个用户画像对应的分类标签训练获得的。
该目标类型预测模型可以是基于卷积神经网络构建的模型，在进行模型训练时，通过将样本用户画像输入到目标分类预测模型中，获得目标分类预测模型输出的该样本用户画像的预测目标分类；基于预测目标分类以及该样本用户画像的分类标签对目标分类预测模型进行训练，基于不同的样本用户画像，重复上述过程，对目标分类预测模型进行迭代训练，直至达到训练完成条件，获得训练好的目标分类预测模型，以通过训练好的目标分类预测模型对目标用户的用户画像进行处理，获得符合目标用户需求的目标分类。
在上述过程中，可以基于预测目标分类以及该样本用户画像对应的分类标签计算第四损失函数的函数值，基于第四损失函数的函数值对目标分类预测模型进行训练。
其中，获取推送条件的过程可以与生成至少一个图像集的过程同时进行，或者，也可以在生成至少一个图像集之后，执行获取推送条件的过程，本申请对这两个过程的执行顺序不进行限制。
步骤370，响应于至少一个图像集中的目标图像集满足向目标用户进行推送的推送条件，将目标图像集推送给目标用户。
当该推送条件为目标分类时，上述过程实现为响应于目标图像集的图像集分类与目标分类相匹配，将目标图像集推送给目标用户。
在一种可能的实现方式中，还可以基于对应于不同的网络内容的目标内容中的目标图像，生成图像集。也就是说，图像集中的目标图像可以来源于不同的网络内容，以使得图像集中的图像内容更加符合目标用户的需求。
可选的，图像集中的各个目标图像中标注有图像来源或者设置有图像来源链接，以使得在将该图像集作为目标图像集推送给目标用户后，目标用户在对目标图像集进行浏览时，可以基于目标图像集中的目标图像定位或者跳转到对应的网络内容，以对该网络内容进行查看。比如，目标图像集中包含的10个目标图像分别来源于三个网络内容对应的目标内容，则可以对应于这10个目标图像分别进行图像来源标注或者设置图像来源链接，以使得目标用户在其中某个目标图像查看时，可以基于图像来源标注或者图像来源链接定位或者跳转到三个网络内容中，对应于该目标图像的网络内容。
综上所述，本申请实施例提供的图像推送方法，通过计算机设备对与网络内容相对应的目标内容中包含的目标图像进行评分以及分类，基于获得的评分结果和分类结果生成至少一个图像集，并至少一个图像集中存在目标图像集满足向目标用户进行推送的推送条件时，向目标用户进行图像集推送；使得在向用户进行信息推送时，可以通过计算机设备自动化地对与网络内容相对应的目标内容中的图像进行质量筛选和分类，并通过图像集的形式对满足向目标用户进行推送的推送条件的图像进行推送，提高了向用户推送的图像的质量，从而提高了对于目标内容中的图像的推送效果；同时，通过计算机设备实现对目标内容的自动筛选，减少了人工操作，在目标内容体量较大时，能够有效提高对目标内容中的图像的筛选效率。
以结婚行业对应的图像推送方法的应用为例，在该行业中，目标用户期望结合其他用户上传的反馈内容进行参考，比如基于其他用户的婚纱摄影图像来帮助决策；基于其他用户的婚纱礼服试穿图像来确定是否去门店试穿；基于其他用户的婚宴婚庆现场布置图像来进行参考等等，而现有的UGC中的图像多种多样，质量不一，因此，为使得推送内容符合推送端的推送需求，同时符合目标用户的需求，可以采用本申请实施例提供的如图2或图3所示的图像推送方法对其他用户上传的UGC内容进行筛选，图4其示出了本申请一示例性实施例示出的图像推送方法的示意图，如图4所示，其他用户上传对应于实体门店信息(网络内容)的带图点评，即目标内容(可以包括一条或多条)，通过对该目标内容中包含的至少两个目标图像进行评分，分类以及遮脸概率预测，获得至少两个目标图像的评分结果，分类结果以及人脸遮挡概率，基于评分结果，分类结果以及人脸遮挡概率从至少两个目标图像中筛选获得能够生成图像集的图像，并基于各个目标图像的分类结果生成至少一个图像集，其中，对至少两个目标图像进行筛选所依据的评分阈值，目标分类以及遮挡概率阈值等均可以由第一用户设置，即由上传网络内容的用户进行设置，以使得推送内容符合推送用户的推送需求；其中，可以利用机器学习模型对目标内容中的目标图像进行处理获得评分结果，分类结果以及人脸遮挡概率；在图像集符合目标用户对应的推送条件时，将该图像集推送给目标用户，以使得推送内容符合目标用户的个性化需求，从而实现基于同一网络内容的目标内容，基于第一用户的筛选依据不同，生成的个性化相册不同，对于不同目标用户，基于不同目标用户的用户画像不同，接收到的个性化相册不同的效果。最后，在目标用户对应的客户端界面上显示对应于该目标用户的个性化相册。
图5示出了本申请一示例性实施例示出的图像推送装置的方框图，该装置包括：
目标内容获取模块510，用于获取与网络内容对应的目标内容，所述目标内容中包含至少两个目标图像；所述网络内容是第一用户在网络平台发布的内容，所述目标内容是至少一个第二用户对所述网络内容的反馈内容；
评分模块520，用于对至少两个所述目标图像进行评分，获得至少两个所述目标图像对应的评分结果；所述评分结果用以指示所述目标图像的图像质量；
分类模块530，用于对至少两个所述目标图像进行分类，获得至少两个所述目标图像分别对应的分类结果；
图像集生成模块540，用于基于至少两个所述目标图像分别对应的评分结果，以及至少两个所述目标图像分别对应的分类结果，生成至少一个图像集；
推送模块550，用于响应于所述至少一个图像集中的目标图像集满足向目标用户进行推送的推送条件，将所述目标图像集推送给所述目标用户。
所述装置还包括：
用户画像获取模块，用于获取所述目标用户的用户画像；
推送条件确定模块，用于基于所述用户画像，确定所述推送条件。
在一种可能的实现方式中，所述推送条件确定模块，用于基于所述用户画像，确定符合所述目标用户需求的目标分类；
所述推送模块550，用于响应于所述目标图像集的图像集分类与所述目标分类相匹配，将所述目标图像集推送给所述目标用户。
在一种可能的实现方式中，所述图像集生成模块540，用于响应于第一目标图像对应的所述评分结果大于评分阈值，且所述第一目标图像对应的所述分类结果与第一分类结果相匹配，将所述第一目标图像加入到第一图像集中；所述第一目标图像是至少两个所述目标图像中的任意一个，所述第一图像集是所述至少一个图像集中的任意一个。
在一种可能的实现方式中，所述图像集生成模块540，用于获取至少两个第二目标图像组成的候选图像集；所述第二目标图像是至少两个所述目标图像中，所述分类结果与第二分类结果相匹配的目标图像；
基于至少两个所述第二目标图像分别对应的所述评分结果进行评分排序，获得评分排行榜；
基于所述评分排行榜，对所述候选图像集中的至少两个所述第二目标图像进行筛选，获得第二图像集；所述第二图像集是所述至少一个图像集中的任意一个。
在一种可能的实现方式中，所述评分模块520，用于将至少两个所述目标图像分别输入评分模型，获得所述评分模型输出的至少两个所述目标图像分别对应的所述评分结果；
其中，所述评分模型是基于至少两个样本图像以及所述至少两个样本图像分别对应的评分标签训练获得的。
在一种可能的实现方式中，所述分类模块530，用于将至少两个所述目标图像分别输入分类模型，获得所述分类模型输出的至少两个所述目标图像分别对应的所述分类结果；
其中，所述分类模型是基于至少两个样本图像以及所述至少两个样本图像分别对应的分类标签训练获得的。
在一种可能的实现方式中，所述装置还包括：
概率获取模块，用于获取至少两个所述目标图像分别对应的人脸遮挡概率；
所述图像集生成模块540，用于基于至少两个所述目标图像分别对应的所述评分结果，至少两个所述目标图像分别对应的所述分类结果，以及至少两个所述目标图像分别对应的人脸遮挡概率，生成所述至少一个图像集。
在一种可能的实现方式中，所述概率获取模块，用于将至少两个所述目标图像分别输入到遮挡概率预测模型，获得所述遮挡概率预测模型输出的至少两个所述目标图像分别对应的所述人脸遮挡概率；
其中，所述遮挡概率预测模型是基于至少两个样本图像以及所述至少两个样本图像分别对应的人脸遮挡标签训练获得的，所述人脸遮挡标签用以指示对应的样本图像中的人脸区域是否被遮挡。
综上所述，本申请实施例提供的图像推送方法，通过计算机设备对与网络内容相对应的目标内容中包含的目标图像进行评分以及分类，基于获得的评分结果和分类结果生成至少一个图像集，并至少一个图像集中存在目标图像集满足向目标用户进行推送的推送条件时，向目标用户进行图像集推送；使得在向用户进行信息推送时，可以通过计算机设备自动化地对与网络内容相对应的目标内容中的图像进行质量筛选和分类，并通过图像集的形式对满足向目标用户进行推送的推送条件的图像进行推送，提高了向用户推送的图像的质量，从而提高了对于目标内容中的图像的推送效果；同时，通过计算机设备实现对目标内容的自动筛选，减少了人工操作，在目标内容体量较大时，能够有效提高对目标内容中的图像的筛选效率。
图6是根据一示例性实施例示出的计算机设备的结构框图。该计算机设备可以实现为本申请上述方案中的图像推送系统中的计算机设备，该计算机设备可以是服务器。所述计算机设备600包括中央处理单元(Central Processing Unit，CPU)601、包括随机存取存储器(Random Access Memory，RAM)602和只读存储器(Read-Only Memory，ROM)603的系统存储器604，以及连接系统存储器604和中央处理单元601的系统总线605。所述计算机设备600还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(Input/Output系统，I/O系统)606，和用于存储操作系统613、应用程序614和其他程序模块615的大容量存储设备607。
所述基本输入/输出系统606包括有用于显示信息的显示器608和用于用户输入信息的诸如鼠标、键盘之类的输入设备609。其中所述显示器608和输入设备609都通过连接到系统总线605的输入输出控制器610连接到中央处理单元601。所述基本输入/输出系统606还可以包括输入输出控制器610以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器610还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备607通过连接到系统总线605的大容量存储控制器(未示出)连接到中央处理单元601。所述大容量存储设备607及其相关联的计算机可读介质为计算机设备600提供非易失性存储。也就是说，所述大容量存储设备607可以包括诸如硬盘或者只读光盘(Compact Disc Read-Only Memory，CD-ROM)驱动器之类的计算机可读介质(未示出)。
不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、可擦除可编程只读寄存器(Erasable Programmable Read Only Memory，EPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-OnlyMemory，EEPROM)、闪存或其他固态存储其技术，CD-ROM、数字多功能光盘(DigitalVersatile Disc，DVD)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器604和大容量存储设备607可以统称为存储器。
根据本申请的各种实施例，所述计算机设备600还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备600可以通过连接在所述系统总线605上的网络接口单元611连接到网络612，或者说，也可以使用网络接口单元611来连接到其他类型的网络或远程计算机系统(未示出)。
所述存储器还包括一个或者一个以上的程序，所述一个或者一个以上程序存储于存储器中，中央处理器601通过执行该一个或一个以上程序来实现图2或图3所示的方法的全部或者部分步骤。
本领域技术人员可以理解，在上述一个或多个示例中，本申请实施例所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
图7是根据一示例性实施例示出的计算机设备700的结构框图。该计算机设备700可以是终端，比如智能手机、平板电脑、笔记本电脑或台式电脑。计算机设备700还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常，计算机设备700包括有：处理器701和存储器702。
处理器701可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器701可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器701也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器701可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器701还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器702可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器702还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器702中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器701所执行以实现本申请中方法实施例提供的图像推送方法。
在一些实施例中，计算机设备700还可选包括有：外围设备接口703和至少一个外围设备。处理器701、存储器702和外围设备接口703之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口703相连。具体地，外围设备包括：射频电路704、显示屏705、摄像头组件706、音频电路707、定位组件708和电源709中的至少一种。
在一些实施例中，计算机设备700还包括有一个或多个传感器710。该一个或多个传感器710包括但不限于：加速度传感器711、陀螺仪传感器712、压力传感器713、指纹传感器714、光学传感器715以及接近传感器716。
加速度传感器711可以检测以计算机设备700建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器711可以用于检测重力加速度在三个坐标轴上的分量。处理器701可以根据加速度传感器711采集的重力加速度信号，控制显示屏705以横向视图或纵向视图进行用户界面的显示。加速度传感器711还可以用于游戏或者用户的运动数据的采集。
本领域技术人员可以理解，图7中示出的结构并不构成对计算机设备700的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
本申请实施例还提供了一种计算机可读存储介质，用于存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述图像推送方法的全部或部分步骤。例如，该计算机可读存储介质可以是ROM、RAM、CD-ROM、磁带、软盘和光数据存储设备等。
本申请实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各个实施例中所示的图像推送方法的全部或部分步骤。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (13)

1.一种图像推送方法，其特征在于，所述方法由计算机设备执行，所述方法包括：
获取与网络内容对应的目标内容，所述目标内容中包含至少两个目标图像；所述网络内容是第一用户在网络平台发布的内容，所述目标内容是至少一个第二用户对所述网络内容的反馈内容；
对至少两个所述目标图像进行评分，获得至少两个所述目标图像对应的评分结果；所述评分结果用以指示所述目标图像的图像质量；
对至少两个所述目标图像进行分类，获得至少两个所述目标图像分别对应的分类结果；
基于至少两个所述目标图像分别对应的评分结果，以及至少两个所述目标图像分别对应的分类结果，生成至少一个图像集；
响应于所述至少一个图像集中的目标图像集满足向目标用户进行推送的推送条件，将所述目标图像集推送给所述目标用户。
2.根据权利要求1所述的方法，其特征在于，在响应于所述至少一个图像集中的目标图像集满足向目标用户进行推送的条件，将所述目标图像集推送给所述目标用户之前，所述方法还包括：
获取所述目标用户的用户画像；
基于所述用户画像，确定所述推送条件。
3.根据权利要求2所述的方法，其特征在于，所述基于所述用户画像，确定所述推送条件，包括：
基于所述用户画像，确定符合所述目标用户需求的目标分类；
所述响应于所述至少一个图像集中的目标图像集满足向目标用户进行推送的条件，将所述目标图像集推送给所述目标用户，包括：
响应于所述目标图像集的图像集分类与所述目标分类相匹配，将所述目标图像集推送给所述目标用户。
4.根据权利要求1所述的方法，其特征在于，所述基于至少两个所述目标图像分别对应的评分结果，以及至少两个所述目标图像分别对应分类结果，生成至少一个图像集，包括：
响应于第一目标图像对应的所述评分结果大于评分阈值，且所述第一目标图像对应的所述分类结果与第一分类结果相匹配，将所述第一目标图像加入到第一图像集中；所述第一目标图像是至少两个所述目标图像中的任意一个，所述第一图像集是所述至少一个图像集中的任意一个。
5.根据权利要求1所述的方法，其特征在于，所述基于至少两个所述目标图像分别对应的评分结果，以及至少两个所述目标图像分别对应分类结果，生成至少一个图像集，包括：
获取至少两个第二目标图像组成的候选图像集；所述第二目标图像是至少两个所述目标图像中，所述分类结果与第二分类结果相匹配的目标图像；
基于至少两个所述第二目标图像分别对应的所述评分结果进行评分排序，获得评分排行榜；
基于所述评分排行榜，对所述候选图像集中的至少两个所述第二目标图像进行筛选，获得第二图像集；所述第二图像集是所述至少一个图像集中的任意一个。
6.根据权利要求1所述的方法，其特征在于，所述对至少两个所述目标图像进行评分，获得至少两个所述目标图像对应的评分结果，包括：
将至少两个所述目标图像分别输入评分模型，获得所述评分模型输出的至少两个所述目标图像分别对应的所述评分结果；
其中，所述评分模型是基于至少两个样本图像以及所述至少两个样本图像分别对应的评分标签训练获得的。
7.根据权利要求1所述的方法，其特征在于，所述对至少两个所述目标图像进行分类，获得至少两个所述目标图像分别对应的分类结果，包括：
将至少两个所述目标图像分别输入分类模型，获得所述分类模型输出的至少两个所述目标图像分别对应的所述分类结果；
其中，所述分类模型是基于至少两个样本图像以及所述至少两个样本图像分别对应的分类标签训练获得的。
8.根据权利要求1所述的方法，其特征在于，在基于至少两个所述目标图像分别对应的评分结果，以及至少两个所述目标图像分别对应的分类结果，生成至少一个图像集之前，所述方法还包括：
获取至少两个所述目标图像分别对应的人脸遮挡概率；
所述基于至少两个所述目标图像分别对应的评分结果，以及至少两个所述目标图像分别对应的分类结果，生成至少一个图像集，包括：
基于至少两个所述目标图像分别对应的所述评分结果，至少两个所述目标图像分别对应的所述分类结果，以及至少两个所述目标图像分别对应的人脸遮挡概率，生成所述至少一个图像集。
9.根据权利要求8所述的方法，其特征在于，所述获取至少两个所述目标图像分别对应的人脸遮挡概率，包括：
将至少两个所述目标图像分别输入到遮挡概率预测模型，获得所述遮挡概率预测模型输出的至少两个所述目标图像分别对应的所述人脸遮挡概率；
其中，所述遮挡概率预测模型是基于至少两个样本图像以及所述至少两个样本图像分别对应的人脸遮挡标签训练获得的，所述人脸遮挡标签用以指示对应的样本图像中的人脸区域是否被遮挡。
10.一种图像推送装置，其特征在于，所述装置包括：
目标内容获取模块，用于获取与网络内容对应的目标内容，所述目标内容中包含至少两个目标图像；所述网络内容是第一用户在网络平台发布的内容，所述目标内容是至少一个第二用户对所述网络内容的反馈内容；
评分模块，用于对至少两个所述目标图像进行评分，获得至少两个所述目标图像对应的评分结果；所述评分结果用以指示所述目标图像的图像质量；
分类模块，用于对至少两个所述目标图像进行分类，获得至少两个所述目标图像分别对应的分类结果；
图像集生成模块，用于基于至少两个所述目标图像分别对应的评分结果，以及至少两个所述目标图像分别对应的分类结果，生成至少一个图像集；
推送模块，用于响应于所述至少一个图像集中的目标图像集满足向目标用户进行推送的推送条件，将所述目标图像集推送给所述目标用户。
11.一种计算机设备，其特征在于，所述计算机设备包含处理器和存储器，所述存储器存储有至少一条计算机程序，所述至少一条计算机程序由所述处理器加载并执行以实现如权利要求1至9任一所述的图像推送方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条计算机程序，所述计算机程序由处理器加载并执行以实现如权利要求1至9任一所述的图像推送方法。
13.一种计算机程序产品，其特征在于，所述计算机程序产品包括至少一条计算机程序，所述计算机程序由处理器加载并执行以实现如权利要求1至9任一所述的图像推送方法。
CN202111347335.7A 2021-11-15 2021-11-15 图像推送方法、装置、计算机设备、存储介质及产品 Pending CN113987239A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111347335.7A CN113987239A (zh) 2021-11-15 2021-11-15 图像推送方法、装置、计算机设备、存储介质及产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111347335.7A CN113987239A (zh) 2021-11-15 2021-11-15 图像推送方法、装置、计算机设备、存储介质及产品

Publications (1)

Publication Number Publication Date
CN113987239A true CN113987239A (zh) 2022-01-28

Family

ID=79748489

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111347335.7A Pending CN113987239A (zh) 2021-11-15 2021-11-15 图像推送方法、装置、计算机设备、存储介质及产品

Country Status (1)

Country Link
CN (1) CN113987239A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116401394A (zh) * 2023-06-06 2023-07-07 摩尔线程智能科技(北京)有限责任公司 对象集和图像生成方法、装置、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116401394A (zh) * 2023-06-06 2023-07-07 摩尔线程智能科技(北京)有限责任公司 对象集和图像生成方法、装置、电子设备及存储介质
CN116401394B (zh) * 2023-06-06 2023-08-29 摩尔线程智能科技(北京)有限责任公司 对象集和图像生成方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
US10726208B2 (en) Consumer insights analysis using word embeddings
US10387776B2 (en) Recurrent neural network architectures which provide text describing images
US10685183B1 (en) Consumer insights analysis using word embeddings
US11182806B1 (en) Consumer insights analysis by identifying a similarity in public sentiments for a pair of entities
US9824304B2 (en) Determination of font similarity
US20190197364A1 (en) Functional image archiving
US10509863B1 (en) Consumer insights analysis using word embeddings
CN114155543A (zh) 神经网络训练方法、文档图像理解方法、装置和设备
CN110874618B (zh) 基于小样本的ocr模板学习方法、装置、电子设备及介质
CN111444357B (zh) 内容信息确定方法、装置、计算机设备及存储介质
US10803248B1 (en) Consumer insights analysis using word embeddings
US20210209289A1 (en) Method and apparatus for generating customized content based on user intent
CN110765301B (zh) 图片处理方法、装置、设备及存储介质
CN113204659B (zh) 多媒体资源的标签分类方法、装置、电子设备及存储介质
CN113205047B (zh) 药名识别方法、装置、计算机设备和存储介质
EP4113376A1 (en) Image classification model training method and apparatus, computer device, and storage medium
CN110415009A (zh) 用于视频内修改的计算机化系统和方法
CN109116718B (zh) 设置闹钟的方法及设备
US10685184B1 (en) Consumer insights analysis using entity and attribute word embeddings
CN113987239A (zh) 图像推送方法、装置、计算机设备、存储介质及产品
CN117251761A (zh) 数据对象分类方法、装置、存储介质及电子装置
WO2023124793A1 (zh) 图像推送方法和装置
US20150269177A1 (en) Method and system for determining user interest in a file
US11532111B1 (en) Systems and methods for generating comic books from video and images
CN112948602A (zh) 一种内容显示方法、装置、系统、设备及存储介质

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