CN116051866A - 一种对象分析方法、装置及电子设备 - Google Patents
一种对象分析方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116051866A CN116051866A CN202211664931.2A CN202211664931A CN116051866A CN 116051866 A CN116051866 A CN 116051866A CN 202211664931 A CN202211664931 A CN 202211664931A CN 116051866 A CN116051866 A CN 116051866A
- Authority
- CN
- China
- Prior art keywords
- similar
- analyzed
- image
- target
- sample
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06F16/532—Query formulation, e.g. graphical querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
- G06Q30/0256—User search
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供一种对象分析方法、装置及电子设备,该方法包括,通过相似对象获取模型对待分析对象匹配与待分析对象对应的目标相似对象组。具体是,相似对象获取模型中包括对象节点网络图,对象节点网络图是根据样本分析对象和样本目标相似对象之间的对应关系构建的、用于表征分析对象与相似对象之间的对应关系的节点关系网络图。根据待分析对象,以及对象节点网络图中存储的上述对应关系,获取的目标相似对象组中每个目标相似对象与待分析对象之间的相似度大于预设相似度阈值,且每个目标相似对象的点击率大于预设的点击率阈值。因此,通过上述方法为待分析对象匹配的目标相似对象组,提升了待分析对象与目标相似对象的匹配率。
Description
技术领域
本申请涉及计算机技术领域,具体涉及一种对象分析方法,本申请同时涉及一种对象分析装置、电子设备及计算机存储介质,本申请同时涉及一种相似图像推荐方法、装置、电子设备及计算机存储介质,一种相似对象获取模型的训练方法、装置、电子设备及计算机存储介质。
背景技术
在线上购物场景中,通常是用户在线上购物平台输入已知的对象信息,服务端根据用户输入的信息,匹配与该对象相似的多个相似对象信息,以便于用户在多个相似对象信息中选择目标对象信息。
然而,上述方法,服务端为用户输入的对象信息进行分析匹配时,通过根据单方面因素进行分析,例如,根据相似对象的用户历史点击行为进行匹配相似对象,或者根据待检索对象的文本语义信息进行匹配相似文本对应的对象信息,或者如果待检索对象为图像,根据图像语义信息进行匹配相似图像。
上述所述的获取相似对象的方法属于根据单一的目标进行检索获取的,此处方式使得检索的相似对象的结果与用户输入的待检索对象的匹配率较低,因此,如何提升相似对象与待检索对象的匹配率是需要解决的问题。
发明内容
本申请实施例提供一种对象分析方法,以提升相似对象与待检索对象的匹配率。本申请实施例同时提供一种对象分析装置、电子设备及计算机存储介质,本申请同时提供一种相似图像推荐方法、装置、电子设备及计算机存储介质,一种相似对象获取模型的训练方法、装置、电子设备及计算机存储介质。
本申请实施例提供一种对象分析方法,包括:获取所述待分析对象,所述待分析对象包括待分析图像;将所述待分析对象输入相似对象获取模型中,获得所述相似对象获取模型输出的与所述待分析对象匹配的目标相似对象组,所述目标相似对象组中的每个目标相似对象与所述待分析对象的相似度大于预设相似度阈值、且每个目标相似对象的点击率大于预设点击率阈值;其中,所述相似对象获取模型用于根据所述待分析对象的多模态特征信息,结合对象节点网络图,获取与所述待分析对象匹配的目标相似对象组,所述对象节点网络图是根据样本分析对象和样本目标相似对象之间的对应关系构建的、用于表征分析对象与相似对象之间的对应关系的节点关系网络图。
可选的,所述将所述待分析对象输入相似对象获取模型中,获得所述相似对象获取模型输出的与所述待分析对象匹配的目标相似对象组,包括:将所述待分析对象输入相似对象获取模型中,获得与所述待分析对象对应的多个候选相似对象;根据所述待分析对象与每个候选相似对象之间的第一欧氏距离,从所述多个候选相似对象中确定与所述待分析对象匹配的目标相似对象组,所述第一欧氏距离用于表征所述待分析对象与所述候选相似对象之间的匹配度。
可选的,所述将所述待分析对象输入相似对象获取模型中,获得与所述待分析对象对应的多个候选相似对象,包括:将所述待分析对象输入相似对象获取模型中,获取所述待分析对象的多模态特征信息;根据所述待分析对象的多模态特征信息,确定与所述待分析对象的多模态特征信息对应的多个候选相似对象的多模态特征信息;根据所述多个候选相似对象的多模态特征信息,确定与所述待分析对象对应的多个候选相似对象。
可选的,所述根据所述待分析对象与每个候选相似对象之间的第一欧氏距离,从所述多个候选相似对象中确定与所述待分析对象匹配的目标相似对象组,包括:获得所述待分析对象与每个候选相似对象之间的第一欧氏距离;如果所述第一欧氏距离小于第一预设欧氏距离阈值,则确定所述候选相似对象为与所述待分析对象匹配的目标相似对象;根据获取的多个与所述待分析对象匹配的目标相似对象,构建与所述待分析对象匹配的目标相似对象组。
可选的,所述获得所述待分析对象与每个候选相似对象之间的第一欧氏距离,包括:获取所述待分析对象的多模态特征向量,获取所述每个候选相似对象的多模态特征向量;根据所述待分析对象的多模态特征向量以及所述每个候选相似对象的多模态特征向量,获得所述待分析对象与每个候选相似对象之间的第一欧氏距离。
可选的,所述获取所述待分析对象的多模态特征向量,包括:获取所述待分析对象的文本特征信息和非文本特征信息;将所述待分析对象的文本特征信息和非文本特征信息进行融合处理,获得所述待分析对象的多模态特征信息,所述待分析对象的多模态特征信息包括所述待分析对象的单独文本特征信息、单独非文本特征信息、以及文本特征和非文本特征的融合特征信息;根据所述待分析对象的多模态特征信息,通过图像表征模型,获得所述待分析对象的多模态特征向量。
可选的,所述获取所述每个候选相似对象的多模态特征向量,包括:获取所述每个候选相似对象的文本特征信息和非文本特征信息;将所述每个候选相似对象的文本特征信息和非文本特征信息进行融合处理,获得所述每个候选相似对象的多模态特征信息,所述每个候选相似对象的多模态特征信息包括所述每个候选相似对象的单独文本特征信息、单独非文本特征信息、以及文本特征和非文本特征的融合特征信息;根据所述每个候选相似对象的多模态特征信息,通过图像表征模型,获得所述每个候选相似对象的多模态特征向量。
可选的,所述根据所述待分析对象的多模态特征信息,确定与所述待分析对象的多模态特征信息对应的多个候选相似对象的多模态特征信息,包括:根据所述待分析对象的多模态特征信息,以及所述对象节点网络图中预先存储的分析对象与相似对象之间的对应关系,获得与所述待分析对象的多模态特征信息对应的多个第一候选相似对象的多模态特征信息;在所述多个第一候选相似对象的多模态特征信息中,获取与所述待分析对象的多模态特征信息的相似度大于预设相似度阈值的多个第二候选相似对象的多模态特征信息;在所述多个第二候选相似对象的多模态特征信息中,将点击率大于预设点击率阈值的第二候选相似对象的多模态特征信息作为与所述待分析对象的多模态特征信息对应的多个候选相似对象的多模态特征信息。
本申请实施例还提供一种相似图像推荐方法,应用于用户终端,所述方法包括:获取待分析图像;获得用于请求获取与所述待分析图像匹配的目标相似图像组的第一请求消息;根据所述第一请求消息,获取与所述待分析图像匹配的至少一个目标相似图像,根据与所述待分析图像匹配的至少一个目标相似图像,构建与所述待分析图像匹配的目标相似图像组,其中,所述目标相似图像组中的每个目标相似图像与所述待分析图像的相似度大于预设相似度阈值、且每个目标相似图像的点击率大于预设点击率阈值;展示所述目标相似图像组中的目标相似图像;其中,所述目标相似图像组中的每个目标相似图像是服务端通过如下方式获取的:通过相似对象获取模型根据待分析图像的多模态特征信息、结合对象节点网络图,获取的与所述待分析图像匹配的目标相似对象组,所述对象节点网络图中是根据所述样本分析对象和所述样本目标相似对象之间的对应关系构建的、用于表征分析对象与相似对象之间的对应关系的节点关系网络图。
可选的,所述获取待分析图像,包括:获得用于请求获取待分析图像的第二请求消息,所述第二请求消息包括针对所述待分析图像的描述信息;根据所述第二请求消息,获得针对所述待分析图像的第一候选图像组;响应于检测到针对所述第一候选图像组中的至少一个候选图像的选择操作,将被选中的候选图像作为待分析图像。
可选的,还包括:在第一检索页面展示用于获取针对待分析图像的描述信息的填充区域;所述获得用于请求获取待分析图像的第二请求消息,包括:响应于检测到针对所述填充区域的触发操作,获得用于请求获取针对所述待分析图像的第二请求消息,所述第二请求消息包括针对所述待分析图像的描述信息。
本申请实施例还提供一种相似对象获取模型的训练方法,包括:获取样本分析对象以及与所述样本分析对象匹配的目标相似对象样本组,所述目标相似对象样本组中的每个样本目标相似对象与所述样本分析对象的相似度大于预设相似度阈值、且每个样本目标相似对象的点击率大于预设点击率阈值,所述样本分析对象包括样本分析图像,所述样本目标相似对象包括与所述样本分析图像匹配的样本目标相似图像;根据所述样本分析对象以及所述目标相似对象样本组,对初始的相似对象获取模型进行训练,获得训练后的相似对象获取模型;其中,所述训练后的相似对象获取模型用于根据待分析对象的多模态特征信息,结合对象节点网络图,获取与所述待分析对象匹配的目标相似对象组,所述对象节点网络图是根据所述样本分析对象和所述样本目标相似对象之间的对应关系构建的、用于表征分析对象与相似对象之间的对应关系的节点关系网络图。
可选的,所述根据所述样本分析对象以及所述目标相似对象样本组,对初始的相似对象获取模型进行训练,获得训练后的相似对象获取模型,包括:将所述样本分析对象的信息输入初始的相似对象获取模型,获得所述初始的相似对象获取模型输出的针对所述样本分析对象的第一相似对象组;获得所述第一相似对象组中的每个第一候选相似对象与所述样本分析对象之间的第二欧氏距离;获得所述目标相似对象样本组中的目标相似对象与所述样本分析对象之间的第一预设欧氏距离阈值;获得所述第二欧氏距离与所述第一预设欧氏距离阈值之间的误差值;以所述误差值为依据,对所述初始的相似对象获取模型进行参数调整,获得训练后的相似对象获取模型。
可选的,所述将所述样本分析对象的信息输入初始的相似对象获取模型,获得所述初始的相似对象获取模型输出的针对所述样本分析对象的第一相似对象组,包括:将所述样本分析对象输入初始的相似对象获取模型,获得所述样本分析对象的多模态特征信息;根据所述样本分析对象的多模态特征信息,以及初始的对象节点网络图中存储的分析对象与相似对象之间的对应关系,获取与所述样本分析对象的多模态特征信息对应的第一候选相似对象的多模态特征信息;根据获取的多个第一候选相似对象的多模态特征信息,构建针对所述样本分析对象的第一相似对象样本组。
可选的,所述获得所述第一相似对象组中的每个第一候选相似对象与所述样本分析对象之间的第二欧氏距离,包括:获取第一候选相似对象的多模态特征向量,获取所述样本分析对象的多模态特征向量;根据所述第一候选相似对象的多模态特征向量以及所述样本分析对象的多模态特征向量,计算所述第一候选相似对象与所述样本分析对象之间的第二欧氏距离。
可选的,所述以所述误差值为依据,对所述初始的相似对象获取模型进行参数调整,获得训练后的相似对象获取模型,包括:如果所述误差值大于预设误差值阈值,则继续执行所述将所述样本分析对象的信息输入初始的相似对象获取模型,获得所述初始的相似对象获取模型输出的针对所述样本分析对象的第一相似对象组的步骤;如果所述误差值小于预设误差值阈值,则停止对相似对象获取模型进行参数调整,获得训练后的相似对象获取模型。
可选的,还包括:根据所述误差值,对所述初始的对象节点网络图中存储的分析对象与相似对象之间的对应关系进行更新处理。
可选的,所述样本分析对象以及与所述样本分析对象匹配的目标相似对象样本组为用于训练相似对象获取模型的正样本数据对,还包括:获取样本分析对象以及与所述样本分析对象不匹配的其他相似对象样本组;将所述样本分析对象以及与所述样本分析对象不匹配的其他相似对象样本组作为用于训练相似对象获取模型的负样本数据对;采用所述负样本数据对,训练所述相似对象获取模型。
可选的,所述获取第一候选相似对象的多模态特征向量,包括:获取所述第一候选相似对象的文本特征信息和非文本特征信息;将所述第一候选相似对象的文本特征信息和非文本特征信息进行融合处理,获得所述第一候选相似对象的多模态特征信息,所述第一候选相似对象的多模态特征信息包括所述第一候选相似对象的单独文本特征信息、单独非文本特征信息、以及文本特征和非文本特征的融合特征信息;根据所述第一候选相似对象的多模态特征信息,通过图像表征模型,获得所述第一候选相似对象的多模态特征向量。
可选的,所述获取所述样本分析对象的多模态特征向量,包括:获取所述样本分析对象的文本特征信息和非文本特征信息;将所述样本分析对象的文本特征信息和非文本特征信息进行融合处理,获得所述样本分析对象的多模态特征信息,所述样本分析对象的多模态特征信息包括所述样本分析对象的单独文本特征信息、单独非文本特征信息、以及文本特征和非文本特征的融合特征信息;根据所述样本分析对象的多模态特征信息,通过图像表征模型,获得所述样本分析对象的多模态特征向量。
本申请实施例还提供一种对象分析装置,包括:第一获取单元,用于获取所述待分析对象,所述待分析对象包括待分析图像;第一获得单元,用于将所述待分析对象输入相似对象获取模型中,获得所述相似对象获取模型输出的与所述待分析对象匹配的目标相似对象组,所述目标相似对象组中的每个目标相似对象与所述待分析对象的相似度大于预设相似度阈值、且每个目标相似对象的点击率大于预设点击率阈值;其中,所述相似对象获取模型用于根据所述待分析对象的多模态特征信息,结合对象节点网络图,获取与所述待分析对象匹配的目标相似对象组,所述对象节点网络图是根据样本分析对象和样本目标相似对象之间的对应关系构建的、用于表征分析对象与相似对象之间的对应关系的节点关系网络图。
本申请实施例还提供一种相似图像推荐装置,应用于用户终端,所述装置包括:第二获取单元,用于获取待分析图像;第一请求消息获得单元,用于获得用于请求获取与所述待分析图像匹配的目标相似图像组的第一请求消息;目标相似图像组构建单元,用于根据所述第一请求消息,获取与所述待分析图像匹配的至少一个目标相似图像,根据与所述待分析图像匹配的至少一个目标相似图像,构建与所述待分析图像匹配的目标相似图像组,其中,所述目标相似图像组中的每个目标相似图像与所述待分析图像的相似度大于预设相似度阈值、且每个目标相似图像的点击率大于预设点击率阈值;展示单元,用于展示所述目标相似图像组中的目标相似图像;其中,所述目标相似图像组中的每个目标相似图像是服务端通过如下方式获取的:通过相似对象获取模型根据待分析图像的多模态特征信息、结合对象节点网络图,获取的与所述待分析图像匹配的目标相似对象组,所述对象节点网络图中是根据所述样本分析对象和所述样本目标相似对象之间的对应关系构建的、用于表征分析对象与相似对象之间的对应关系的节点关系网络图。
本申请实施例还提供一种相似对象获取模型的训练装置,包括:第三获取单元,用于获取样本分析对象以及与所述样本分析对象匹配的目标相似对象样本组,所述目标相似对象样本组中的每个样本目标相似对象与所述样本分析对象的相似度大于预设相似度阈值、且每个样本目标相似对象的点击率大于预设点击率阈值,所述样本分析对象包括样本分析图像,所述样本目标相似对象包括与所述样本分析图像匹配的样本目标相似图像;相似对象获取模型获得单元,用于根据所述样本分析对象以及所述目标相似对象样本组,对初始的相似对象获取模型进行训练,获得训练后的相似对象获取模型;其中,所述训练后的相似对象获取模型用于根据所述待分析对象的多模态特征信息,结合对象节点网络图,获取与所述待分析对象匹配的目标相似对象组,所述对象节点网络图是根据所述样本分析对象和所述样本目标相似对象之间的对应关系构建的、用于表征分析对象与相似对象之间的对应关系的节点关系网络图。
本申请实施例还提供一种电子设备,所述电子设备包括处理器和存储器;所述存储器中存储有计算机程序,所述处理器运行所述计算机程序后,执行上述方法。
本申请实施例还提供一种计算机存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序被处理器运行后,执行上述方法。
与现有技术相比,本申请实施例具有如下优点:
本申请实施例提供一种对象分析方法,包括:获取待分析对象,所述待分析对象包括待分析图像;将所述待分析对象输入相似对象获取模型中,获得所述相似对象获取模型输出的与所述待分析对象匹配的目标相似对象组,所述目标相似对象组中的每个目标相似对象与所述待分析对象的相似度大于预设相似度阈值、且每个目标相似对象的点击率大于预设点击率阈值;其中,所述相似对象获取模型用于根据所述待分析对象的多模态特征信息,结合对象节点网络图,获取与所述待分析对象匹配的目标相似对象组,所述对象节点网络图是根据样本分析对象和样本目标相似对象之间的对应关系构建的、用于表征分析对象与相似对象之间的对应关系的节点关系网络图。
上述方法中,通过相似对象获取模型对待分析对象匹配与待分析对象对应的目标相似对象组。具体是,相似对象获取模型中包括对象节点网络图,对象节点网络图是根据样本分析对象和样本目标相似对象之间的对应关系构建的、用于表征分析对象与相似对象之间的对应关系的节点关系网络图。根据待分析对象,以及对象节点网络图中存储的上述对应关系,获取的目标相似对象组中每个目标相似对象与待分析对象之间的相似度大于预设相似度阈值,且每个目标相似对象的点击率大于预设的点击率阈值。因此,通过上述方法为待分析对象匹配的目标相似对象组,提升了待分析对象与目标相似对象的匹配率。
本申请实施例提供一种相似对象获取模型的训练方法,包括:获取样本分析对象以及与所述样本分析对象匹配的目标相似对象样本组,所述目标相似对象样本组中的每个样本目标相似对象与所述样本分析对象的相似度大于预设相似度阈值、且每个样本目标相似对象的点击率大于预设点击率阈值,所述样本分析对象包括样本分析图像,所述样本目标相似对象包括与所述样本分析图像匹配的样本目标相似图像;根据所述样本分析对象以及所述目标相似对象样本组,对初始的相似对象获取模型进行训练,获得训练后的相似对象获取模型;其中,所述训练后的相似对象获取模型用于根据待分析对象的多模态特征信息,结合对象节点网络图,获取与所述待分析对象匹配的目标相似对象组,所述对象节点网络图是根据所述样本分析对象和所述样本目标相似对象之间的对应关系构建的、用于表征分析对象与相似对象之间的对应关系的节点关系网络图。
上述方法中,采用样本分析对象以及与所述样本分析对象匹配的目标相似对象样本组,对相似对象获取模型进行训练。训练后的相似对象获取模型可以根据待分析对象的多模态特征信息,结合对象节点网络图,获取与所述待分析对象匹配的目标相似对象组。其中,目标相似对象组中的每个相似对象与待分析对象的相似率大于预设相似率阈值,且每个相似对象的点击率大于预设点击率阈值。通过上述方法训练后的相似对象获取模型,在对待分析对象匹配对应的目标相似对象组的过程中,提升了待分析对象与目标相似对象的匹配率。
本申请实施例提供一种相似图像推荐方法,应用于用户终端,所述方法包括:获取待分析图像;获得用于请求获取与所述待分析图像匹配的目标相似图像组的第一请求消息;根据所述第一请求消息,获取与所述待分析图像匹配的至少一个目标相似图像,根据与所述待分析图像匹配的至少一个目标相似图像,构建与所述待分析图像匹配的目标相似图像组,其中,所述目标相似图像组中的每个目标相似图像与所述待分析图像的相似度大于预设相似度阈值、且每个目标相似图像的点击率大于预设点击率阈值;展示所述目标相似图像组中的目标相似图像;其中,所述目标相似图像组中的每个目标相似图像是服务端通过如下方式获取的:通过相似对象获取模型根据待分析图像的多模态特征信息、结合对象节点网络图,获取的与所述待分析图像匹配的目标相似对象组,所述对象节点网络图中是根据所述样本分析对象和所述样本目标相似对象之间的对应关系构建的、用于表征分析对象与相似对象之间的对应关系的节点关系网络图。
上述方法,用户终端接收到用户发送的用于获取与待分析图像对应的目标相似图像的第一请求消息,根据第一请求消息,获得与待分析图像对应的目标相似图像组。其中,与待分析图像对应的目标相似图像组是由服务端分析获取的。具体是,由相似对象获取模型根据待分析对象的多模态特征信息、结合对象节点网络图,获取的目标相似对象组。相似对象获取模型获取的目标相似图像与待分析图像的相似度大于预设相似度阈值,且目标相似图像的点击率大于预设点击率阈值,提升了待分析对象与目标相似对象的匹配率。
附图说明
图1为本申请实施例提供的对象分析方法的第一应用场景示意图。
图2为本申请实施例提供的对象分析方法的第二应用场景示意图。
图3为本申请实施例提供的对象节点网络图。
图4为图3的对象节点网络图中的部分示意图。
图5为本申请第一实施例提供的一种对象分析方法的流程图。
图6为本申请第二实施例提供的一种对象分析装置的示意图。
图7为本申请第三实施例中提供的一种相似对象获取模型的训练方法的流程图。
图8为本申请第四实施例提供的一种相似对象获取模型的训练装置的示意图。
图9为本申请第五实施例提供的一种相似对象图像推荐方法的流程图。
图10为本申请第六实施例提供的一种相似对象图像推荐装置的示意图。
图11为本申请第七实施例中提供的一种电子设备的示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施的限制。
本申请中使用的术语是仅仅出于对特定实施例描述的目的,而非旨在限制本申请。在本申请中和所附权利要求书中所使用的描述方式例如:“一种”、“第一”、和“第二”等,并非对数量上的限定或先后顺序上的限定,而是用来将同一类型的信息彼此区分。
为了便于理解本申请实施例提供的系统及方法,在介绍本申请实施例之前,先对本申请实施例的背景进行介绍。
在线上购物场景中,通常是用户在线上购物平台输入待分析对象信息,服务端根据用户输入的待分析对象信息,匹配与该待分析对象信息相似的多个相似对象信息,以便于用户在多个相似对象信息中选择目标相似对象信息。
然而,上述方法,服务端为用户输入的待分析对象信息进行分析匹配时,通常根据单方面因素进行分析,例如,根据待分析对象的用户历史点击行为进行匹配相似对象,或者根据待检索对象的文本语义信息进行匹配相似文本对应的对象信息,或者如果待检索对象为图像,根据图像语义信息匹配相似图像。
上述所述的获取相似对象的方法属于根据单一的目标进行检索获取的,此种方式使得检索的相似对象的结果与用户输入的待检索对象的匹配率较低,因此,如何提升相似对象与待检索对象的匹配率是需要解决的问题。
经过上述内容的背景介绍,本领域技术人员可以了解现有技术存在的问题,接下来对本申请的对象分析方法的应用场景进行详细说明。本申请实施例提供的对象分析方法可以应用于各种获取待分析对象的相似对象的场景中,例如,在线上购物平台,用户输入需要的商品信息或者提供待检索的图片信息,服务端根据用户输入的商品信息,获取与商品信息匹配的相似商品信息,将获取的相似商品信息发送给客户端,由客户端展示相似商品信息。此外,还可以应用于其他搜索相似信息的场景中,此处不做限制。
以下,首先对本申请实施例的对象分析方法的应用场景进行示例说明。
图1为本申请实施例提供的对象分析方法的应用场景示意图。
如图1所示,本应用场景中,包括客户端101和服务端102。以图1为例进行详细说明,客户端101为用户所使用的终端,在用户所使用的终端对应的应用平台上,获得用户提供的待分析对象信息。此处待分析对象信息可以是用户输入需要分析的文本信息,还可以是用户提供的需要分析的图片信息等。以用户在线上购物平台查询商品信息为例进行说明,用户提供的待分析对象信息可以是待查询商品的商品信息。请参考图2,其为本申请实施例提供的对象分析方法的第二应用场景图。图2包含图2中的页面2a至图2的页面2c三个页面,其描述了获取待分析图像的目标相似图像的过程中、客户端的各个展示页面信息。在图2中的页面2a展示第一查询页面,用户在客户端的第一查询页面提供待查询的商品信息。其中待查询的商品信息包括用户提供的图像信息,用户在搜索框输入的针对待查询商品的文本查询词,或者针对待查询商品的属性信息。客户端101将获取的待分析对象信息发送给服务端102。
服务端102根据用户提供的待查询商品信息,获取与待查询商品信息匹配的候选图像信息,发送给客户端101,由客户端101展示第一搜索结果页,如图2中的页面2b,第一搜索结果页中展示的是与待分析对象信息的描述信息匹配的多个候选图像。检测到用户在第一搜索结果页中针对第一候选图像(如图2中的页面2b中的图片1)的长按触发操作,将该长按触发操作发送给服务端。服务端接收到该操作,也就是图3中所示的Trigger(长按触发商品)操作,将第一候选图像作为待分析图像,此处的长按触发操作是指获取待分析图像(也就是第一候选图像)的相似图像。
服务端获得待分析图像(也就是第一候选图像)的相似图像后,如图3中的Item(相似商品)中的各个相似商品图像,将各个相似商品图像发送给客户端。客户端将待分析图像对应的相似图像在第二结果页中展示,如图2的页面2b中展示的是针对图片1的各个相似商品图像。
其中,第二结果页展示的相似图像与待分析图像之间的相似度大于预设相似度阈值,且相似图像的点击率大于预设点击率阈值。
其中,上述服务端根据用户提供的待分析对象信息,确定待分析对象信息对应的待分析图像,然后获取与待分析图像对应的相似图像,是通过预先训练好的相似对象获取模型获取的。具体是,将待分析对象信息输入相似对象获取模型,相似对象获取模型根据待分析对象信息确定待分析图像,根据待分析图像的多模态特征信息、和对象节点网络图中预先存储的分析图像和与分析图像对应的相似图像之间的对应关系,获取与待分析图像匹配的多个候选相似图像,然后,从多个候选相似图像中确定与待分析图像匹配的目标相似图像组。
其中,从多个候选相似图像中确定目标相似图像组中的目标相似图像,具体是根据待分析图像的图像特征向量与候选相似图像的图像特征向量之间的欧氏距离(L2距离)确定,其中,欧氏距离(L2距离)通过如下公式1计算:
其中,L2表示两个向量之间的L2距离;x1表示待分析图像的图像向量在x轴的分向量;x2表示其他候选相似图像的图像向量在x轴的分向量;y1表示待分析图像的图像向量在y轴的分向量;y2表示其他候选相似图像的图像向量在y轴的分向量。
通过计算待分析图像的图像特征向量与候选相似图像的图像特征向量之间的L2距离,确定待分析图像与候选相似图像的匹配度。当L2距离越小,表示候选相似图像与待分析图像之间的相似度大于预设相似度阈值,且候选相似图像的点击率大于预设点击率阈值。因此,将待分析图像的图像特征向量与候选相似图像的图像特征向量之间的L2距离与预设L2距离阈值进行比较,将L2距离小于预设L2距离阈值的候选相似图像作为与待分析图像匹配的目标相似图像,根据获得的多个目标相似图像构建目标相似图像组,并将目标相似图像组中的目标相似图像展示于第二结果页中。
其中,为了提升待分析图像的图像特征向量与候选相似图像的图像特征向量之间的L2距离的计算精确度,本申请获取图像的图像特征向量时,采用图像的多模态特征信息确定图像的多模态特征向量。具体的,图像的多模态特征向量是通过如下方式确定的:
以获取待分析图像的多模态特征向量为例进行说明,首先,获得待分析图像的多模态特征信息,具体是获取待分析图像的文本特征信息以及待分析图像的非文本特征信息。其中,待分析图像的文本特征信息是指与图像相关的文本信息,例如,图像的名称、对图像的注解文字等。图像的非文本特征信息包括视觉特征信息,视觉特征信息是指图像本身所拥有的视觉信息,如颜色、纹理、形状等属于图像通用视觉特征。
将待分析图像的文本特征信息以及待分析图像的非文本特征信息做外积处理,获得待分析图像的单独文本特征信息、单独非文本特征信息、以及图文融合特征信息,将待分析图像的单独文本特征信息、单独非文本特征信息、以及图文融合特征信息作为待分析图像的多模态特征信息。根据待分析图像的多模态特征信息,获得待分析图像的多模态特征向量。此处,将待分析图像的多模态特征信息输入图像表征模型,获得图像表征模型输出的待分析图像的多模态特征向量。
以上即为获取待分析图像的图像特征向量的方法描述,其中,候选图像的图像特征向量也是按照上述方式获得的。
此外,相似对象获取模型是在图学习模型的基础上结合多模态特征技术,对图学习模型进行训练后获得的。
以下具体描述相似对象获取模型的训练方法:
第一步,准备用于训练初始的相似对象获取模型(也就是图学习模型)的样本数据。其中,样本数据根据用户历史行为日志数据获取的,此处用户历史行为日志数据是用户在线上服务平台中的历史查询数据以及针对历史查询数据的历史查询结果数据。
此处训练后的相似对象获取模型,使得获得的针对待分析图像的目标相似图像兼具点击率特征和相似性特征。具体是,目标相似图像组中的目标相似图像与待分析图像之间的相似度大于预设相似度阈值,且目标相似图像的点击率大于预设点击率阈值。因此,采用用户历史行为日志数据获取样本数据时,不仅获取针对历史待分析图像的点击样本数据和相似样本数据,以提升样本数据对点击率和相似性两个特征,对图学习模型的训练效果。
本申请实施例具体根据用户历史行为日志数据中,用户在历史查询相似商品图像的过程中,确定各个节点之间的连接关系,根据各个节点之间的连接关系,确定对象节点网络图。并根据各个节点之间的连接关系,确定用于训练图学习模型的点击样本数据和相似样本数据。
请参考图3,其为本申请实施例提供的对象节点网络图。图3中的对象节点网络图中各个节点的连接边表示各个对象节点之间的连接关系,其中各个对象节点之间的连接边包括直接点击连接边和相似连接边。其连接关系是根据用户在线上购物平台中的历史查询记录,以及根据历史查询记录获取的历史查询结果信息确定的连接关系。在图3中,将具有如下几种关系的两个节点之间建立连接边,以丰富对象节点网络图中的对象节点之间的关系。具体包括:Query(用户查询词)-Trigger(长按触发商品),Trigger(长按触发商品)-Item(相似商品),Item(相似商品)-Item(相似商品),Item(相似商品)-Cate(商品类目)之间的连接关系,以下分别进行详细描述。
Query(用户查询词)表示用户在线上服务平台的历史查询过程中提供的查询词,其中,Q1,Q2,Q3,Q4,Q5均为用户提供的不同的历史查询词,例如,Q1为直筒裤,Q2为运动裤,Q3为修身裤,Q4为西装裤,Q5为短款裤。
Trigger(长按触发商品)表示用户选择的与用户历史查询词匹配的历史待分析商品图像,并启动获取与历史待分析商品图像匹配的历史目标相似商品图像的操作。Query-Trigger连接边表示用户提供一个搜索词,并且在第一搜索结果页中长按了某个商品图像。
服务端根据用户提供的Query(用户查询词),获取该用户历史查询词所表示的商品信息对应的商品图像,在第一搜索结果页中展示针对用户提供的历史查询词的多个候选商品图像。然后,在第一搜索结果页中,客户端检测用户对第一搜索结果页中的候选商品图像的触发操作。
例如,在图3中,用户提供了历史查询词Q1(直筒裤)或者Q2(运动裤)后,在第一搜索结果页中出现的多个候选商品图像中,用户针对T1(直筒运动裤)进行了长按触发操作,即T1(直筒运动裤)作为与历史查询词Q1或者Q2对应的历史待分析商品图像。
再例如,当用户提供的历史查询词为Q3(修身裤)时,T2(长款修身裤)和T3(短款修身裤)均为符合历史查询词Q3的历史待分析商品图像。当用户提供的历史查询词为Q5(短款裤)时,T3(短款修身裤)也是符合历史查询词为Q5的历史待分析商品图像。
上述描述的是Query-Trigger连接边所表示的含义,其是根据用户提供的历史查询词,为用户展示其所需要查询的历史待分析商品图像,然后启动查询与历史待分析商品图像匹配的历史目标相似图像的操作步骤。
本申请中,准备训练相似对象获取模型的样本数据为依据Trigger-Item连接边对应的两个节点数据和Item-Item连接边对应的两个节点数据、获得的点击样本数据和相似样本数据。
再结合图3,用户针对T1(直筒运动裤)点击Trigger(长按触发商品)触发操作后,服务端获取与历史待分析商品图像T1(直筒运动裤)对应的历史目标相似商品图像,并将历史目标相似商品图像展示于第二结果页面中,如图3中Item(相似商品)分类中的各个商品图像。
Item(相似商品)表示在第二结果页展示的历史目标相似商品,其属于针对Trigger(长按触发商品)操作后,获取的与历史待分析商品图像匹配的历史目标相似商品图像。Trigger-Item的连接边表示用户对历史待分析商品进行长按操作后,在第二结果页面上展示了与历史待分析商品图像匹配的历史目标相似商品图像。因此,Trigger-Item的连接边对应的两个图像数据可以形成点击正样本数据和相似正样本数据。相应的,在图3中不存在Trigger-Item连接边的两个图像数据可以形成点击负样本数据和相似负样本数据。
如图3中,T1(直筒运动裤),I1为直筒宽松运动长裤,I2为直筒修身运动长裤,历史待分析商品图像为T1(直筒运动裤),I1和I2均是属于直筒运动裤,为与历史待分析商品图像T1相似的目标相似商品图像。因此,T1与I1之间存在连接边,T1与I2之间存在连接边。T1-I1的连接边是直接点击连接边,为点击正样本数据,T1-I2的连接边也是点击正样本数据。
再例如,T2为长款修身裤,I2为直筒修身运动长裤,I3为修身牛仔短裤。因此,历史待分析商品图像T2为长款修身裤,其特点包含长款以及修身的裤子;I2的裤子特定为长款,直筒,运动型;I3的裤子特点为短款的。因此,I2属于与T2匹配的目标相似商品图像,I3不属于与T2匹配的目标相似商品图像。T2与I2之间具有直接点击关系,存在连接边,也就是,T2与I2属于点击正样本数据和相似正样本数据。T2与I3之间不具有直接点击关系,不存在连接边,也就是T2与I3属于点击负样本数据和相似负样本数据。
再例如,T3为短款修身裤,I3为修身牛仔短裤,I4为修身西装短裤,则T3-I3为点击正样本数据和相似正样本数据,T3-I4为点击正样本数据和相似正样本数据。T4为西装裤,I4为修身西装短裤,I5为西装长裤,则T4-I4为点击正样本数据和相似正样本数据,T4-I5为点击正样本数据和相似正样本数据。相应的,T3与I5之间没有直接点击关系的连接边,因此,T3-I5可以作为点击负样本数据和相似负样本数据。
另外,如果用户点击Trigger(长按触发商品)操作后,在第二结果页面中展示了多个相似商品图像,用户同时点击了两个相似商品图像,则表示这两个相似商品图像之间的相似度比较高,均属于与历史待分析商品图像匹配的历史相似目标商品图像。如图3中,I1(直筒宽松运动长裤)和I2(直筒修身运动长裤)之间的连接边表示用户首先点击了I1商品的详情页,然后又点击了I2商品的详情页,I1商品和I2商品之间的相似度大于预设相似度阈值。I1-I2属于相似正样本数据。I3为修身牛仔短裤,其与I2(直筒修身运动长裤)属于不相同类型的裤子,I2-I3之间不能构成连接边,因此,I2-I3属于相似负样本数据。
再例如,I3为修身牛仔短裤,I4为修身西装短裤,两个商品均属于与T3匹配的目标相似商品,而且I3和I4均有共同的特点,修身款以及短裤特点,属于相似商品。因此,I3-I4为相似正样本数据。而I4(修身西装短裤)和I5(西装长裤)之间的区别为,I4为短款裤子,I5为长款裤子,短款裤子和长款裤子之间存在区别,因此,I4和I5之间不存在连接边,I4-I5属于相似负样本数据。
另外,Cate(商品类目)是指商品的叶子类目属性,例如,I1(直筒宽松运动长裤)的叶子类目属性为休闲裤,I2(直筒修身运动长裤)和I3(修身牛仔短裤)的叶子类目属性为修身裤,I4(修身西装短裤)与I5(西装长裤)的叶子类目属性为西装裤。
在图3和图4中,图4为图3的对象节点网络图中的部分示意图。在图4中画出了点击负样本数据以及相似负样本数据。上述用户历史行为日志数据的各个节点数据之间的连接关系中,T-I之间的连接边对应的两个图像为点击正样本数据和相似正样本数据,如图4中的T1-I1对应的两个商品图像;T-I之间不存在连接边的两个图像为点击负样本数据和相似负样本数据,如图4中的T2-I3对应的两个商品图像。I-I之间的连接边对应的两个图像为相似正样本数据,如图4中的I1-I2对应的两个商品图像,I-I之间不存在连接边的两个图像为相似负样本数据,如图4中的I2-I3对应的两个商品图像。因此,根据用户历史行为日志数据的各个节点之间的样本数据对图学习模型进行训练,使得图学习模型构建各个对象节点之间的对象节点网络图。
上述获取样本数据的过程中,还需要获取难负样本数据,以增加样本数据对图学习模型的训练效果。例如,Ia为短袖,Ib为裤子,则Ia和Ib属于简单的相似负样本对数据,采用简单负样本对数据对图学习模型进行训练时,图学习模型可以快速识别短袖和裤子的区别。当Ia为圆领短袖,Ic为V领短袖时,Ia和Ic之间的区别特征比较小,图学习模型在学习圆领短袖和V领短袖的区别比较难识别。因此,本申请实施例还采取了多种难负样本,对图学习模型进行训练,提升训练后的相似对象获取模型对待分析图像的相似图像之间的微区别的识别准确度。
以上即为准备用于训练图学习模型,获得相似对象获取模型的样本数据的简要描述。
此外,在根据用户历史行为日志数据获取到用于训练图学习模型的样本数据的过程中,需要根据预设的采样比例采取对应的点击样本数据和相似样本数据,使得最终训练获得的相似对象获取模型在应用过程中,获得的待分析图像的目标相似图像兼具点击率和相似性两方面特征。
其中,预设的采样比例可以根据如下公式2进行获取:
sample_weight(tp,iq)=α×similar_score(tp,iq)+β×click_score(tp,iq)
其中,sample_weight(tp,iq)表示样本数据的采样权重,α表示相似样本数据的相似样本分值的采样系数,similar_score(tp,iq)表示相似样本数据对应的相似分值;β表示点击样本数据的点击分值的采样系数,click_score(tp,iq)表示点击样本数据对应的点击分值。
根据上述公式2对采取的样本数据按照上述比例分别确定点击样本数据的点击分值以及相似样本数据的相似分值,通过点击分值和相似分值控制两种样本数据的重要程度。然后根据这些样本数据对图学习模型进行训练,使得最终的相似对象获取模型分析出的针对待分析图像的目标相似图像具有点击率和相似性两方面效果的相似图像。
以上即为第一步获取样本数据,和第二步根据样本数据构建对象节点网络图,使得对象节点网络图存储分析对象和与分析对象匹配的相似对象之间的对应关系。
基于上述描述,获取样本数据以及根据样本数据构建对象节点网络图之后,第三步,对初始的相似对象获取模型(也就是图学习模型)进行训练。
步骤1:将样本分析对象信息输入图学习模型中,获得样本分析对象信息对应的样本分析图像。
此步骤中样本分析对象信息包括用户在客户端提供的用户查询词,或者用户提供的图片信息。根据用户查询词匹配与用户查询词对应的样本分析图像,或者扫描用户提供的图片信息,为用户提供与图片信息对应的样本分析图像。
步骤2:根据样本分析图像、以及初始的对象节点网络图,获取与样本分析图像对应的第一相似图像组。
初始的对象节点网络图是根据样本分析图像和样本目标相似图像之间的连接关系建立的对象节点网络图,主要参考对象节点网络图中与样本分析图像具有直接点击关系的样本相似图像,以及针对同一个样本分析图像的多个样本相似图像之间的连接关系。与样本分析图像具有直接点击关系的样本相似图像是指,检测到针对样本分析图像的长按触发操作,指示获取与样本分析图像匹配的目标相似图像时,服务端为该样本分析图像确定了样本相似图像,也就是,样本相似图像与样本分析图像之间的相似度大于预设相似度阈值,且针对样本相似图像的点击率大于预设点击率阈值。
例如,图3中,样本分析图像为T1(直筒运动裤),基于针对T1的长按触发操作后,服务端确定与T1(直筒运动裤)匹配的样本相似图像包括I1(直筒宽松运动长裤)和I2(直筒修身运动长裤)。
步骤3:计算样本分析图像与第一相似图像组中的每个第一候选相似图像之间的第二欧氏距离L2。
其中,第二欧氏距离L2是根据样本分析图像的图像特征向量和第一候选相似图像的图像特征向量,采用上述公式1计算获得的。
为了提升第一欧氏距离L2的数据准确度,本申请中获取样本分析图像的图像特征向量是获取样本分析图像的多模态特征向量,以及第一候选相似图像的多模态特征向量。
获取图像的多模态特征向量是将图像的图像信息进行多模态特征融合处理后,获得图像的多模态特征信息,将图像的多模态特征信息输入图像表征模型中,获得图像表征模型输出的图像的多模态特征向量。
步骤4:计算样本分析图像和与样本目标相似图像之间的欧氏距离L2,其中,样本分析图像和与样本目标相似图像之间的欧氏距离L2为预设欧氏距离阈值。
此处计算样本分析图像与样本目标相似图像之间的预设欧氏距离阈值,样本数据包括正样本数据和负样本数据。正样本数据表示样本分析图像与样本目标相似图像之间的相似度大于预设相似度阈值,且样本目标相似图像的点击率大于预设点击率阈值。因此,正样本数据对应的L2距离小于第一预设欧氏距离阈值。
负样本数据表示样本分析图像与样本目标相似图像之间的相似度小于预设相似度阈值,且样本目标相似图像的点击率小于预设点击率阈值。因此,负样本数据对应的L2距离大于第二预设欧氏距离阈值,第二预设欧氏距离阈值大于第一预设欧氏距离阈值。
通过正样本数据和负样本数据对初始图学习模型进行训练,不断提升图学习模型获取待分析图像与候选相似图像之间的匹配率。待分析图像与候选相似图像之间的匹配率包括待分析图像与候选相似图像之间的相似度大于预设相似度阈值,以及候选相似图像的点击率大于预设点击率阈值。
步骤5:根据第一欧氏距离L2和预设欧氏距离阈值进行误差值计算,根据误差值,对图学习模型进行训练,直到误差值趋于稳定值,停止对图学习模型进行训练,得到训练后的相似对象获取模型。
根据第一欧氏距离L2和预设欧氏距离阈值之间的误差值,对图学习模型进行不断的训练,使得最终训练完成的相似对象获取模型,获取待分析图像的目标相似图像与待分析图像之间的相似度大于预设相似度阈值,且目标相似图像的点击率大于预设点击率阈值。
以上即为对初始的相似对象获取模型(也就是图学习模型)进行训练,获得相似对象获取模型的过程。
本申请实施例提供一种对象分析方法,包括:获取待分析对象,所述待分析对象包括待分析图像;将所述待分析对象输入相似对象获取模型中,获得所述相似对象获取模型输出的与所述待分析对象匹配的目标相似对象组,所述目标相似对象组中的每个目标相似对象与所述待分析对象的相似度大于预设相似度阈值、且每个目标相似对象的点击率大于预设点击率阈值;其中,所述相似对象获取模型用于根据所述待分析对象的多模态特征信息,结合对象节点网络图,获取与所述待分析对象匹配的目标相似对象组,所述对象节点网络图是根据样本分析对象和样本目标相似对象之间的对应关系构建的、用于表征分析对象与相似对象之间的对应关系的节点关系网络图。
上述方法中,通过相似对象获取模型对待分析对象匹配与待分析对象对应的目标相似对象组。具体是,相似对象获取模型中包括对象节点网络图,对象节点网络图是根据样本分析对象和样本目标相似对象之间的对应关系构建的、用于表征分析对象与相似对象之间的对应关系的节点关系网络图。根据待分析对象,以及对象节点网络图中存储的上述对应关系,获取的目标相似对象组中每个目标相似对象与待分析对象之间的相似度大于预设相似度阈值,且每个目标相似对象的点击率大于预设的点击率阈值。因此,通过上述方法为待分析对象匹配的目标相似对象组,提升了待分析对象与目标相似对象的匹配率。
第一实施例
本申请第一实施例提供一种对象分析方法。图5为本申请第一实施例提供的一种对象分析方法的流程图,以下结合图5对本实施例提供的方法进行详细描述。以下描述所涉及的实施例是用来解释说明方法原理,不是实际使用的限定。
如图5所示,本实施例提供的对象分析方法包括如下步骤:
如图5所示,在步骤S501中,获取待分析对象,所述待分析对象包括待分析图像。
本步骤用于获取待分析对象,此处待分析对象可以是文本搜索词,如图3中的Query(用户查询词),也可以是用户提供的待搜索的图片,例如,用户在线上购物平台中查询商品信息时,首先提供一张图片,线上购物平台通过识别图片信息,为用户提供图片对应的待分析图像。
本步骤获取待分析对象,用于作为相似对象获取模型的输入对象,以获取与待分析对象匹配的目标相似对象组。
如图5所示,在步骤S502中,将所述待分析对象输入相似对象获取模型中,获得所述相似对象获取模型输出的与所述待分析对象匹配的目标相似对象组,所述目标相似对象组中的每个目标相似对象与所述待分析对象的相似度大于预设相似度阈值、且每个目标相似对象的点击率大于预设点击率阈值;其中,所述相似对象获取模型用于根据所述待分析对象的多模态特征信息,和对象节点网络图,获取与所述待分析对象匹配的目标相似对象组,所述对象节点网络图是根据样本分析对象和样本目标相似对象之间的对应关系构建的、用于表征分析对象与相似对象之间的对应关系的节点关系网络图。
本步骤用于将上个步骤获取的待分析对象,通过相似对象获取模型获得与待分析对象匹配的多个目标相似对象,将多个目标相似对象构建的目标相似对象组作为相似对象检索结果,展示目标相似对象组中的多个目标相似对象。
其中,所述将所述待分析对象输入相似对象获取模型中,获得所述相似对象获取模型输出的与所述待分析对象匹配的目标相似对象组,可以通过如下方式获得:
将所述待分析对象输入相似对象获取模型中,获得与所述待分析对象对应的多个候选相似对象;根据所述待分析对象与每个候选相似对象之间的第一欧氏距离,从所述多个候选相似对象中确定与所述待分析对象匹配的目标相似对象组,所述第一欧氏距离用于表征所述待分析对象与所述候选相似对象之间的匹配度。
此处相似对象获取模型获取待分析对象信息后,根据待分析对象信息,获取与待分析对象信息对应的多个候选相似对象;而多个候选相似对象是否与待分析对象匹配,通过上述公式1计算每个候选相似对象与待分析对象之间的第一欧氏距离。第一欧氏距离越小,表示候选相似对象与待分析对象的匹配度越高,此处的匹配度包含两方面特性,第一是候选相似对象与待分析对象的相似性,二是候选相似对象的点击率。因此,候选相似对象与待分析对象的匹配度越高,表示候选相似对象与待分析对象的相似性越大,且候选相似对象的点击率越高。
其中,所述将所述待分析对象输入相似对象获取模型中,获得与所述待分析对象对应的多个候选相似对象,可以通过如下方式获得:
将所述待分析对象输入相似对象获取模型中,获取所述待分析对象的多模态特征信息;根据所述待分析对象的多模态特征信息,确定与所述待分析对象的多模态特征信息对应的多个候选相似对象的多模态特征信息;根据所述多个候选相似对象的多模态特征信息,确定与所述待分析对象对应的多个候选相似对象。
本申请为了提升获取的目标相似对象与待分析对象之间的匹配度,相似对象获取模型获得待分析对象后,获取待分析对象的多模态特征信息。待分析对象的多模态特征信息是将待分析对象的文本特征信息和非文本特征信息进行融合处理,具体是,将待分析对象的文本特征信息和非文本特征信息作外积处理,获得待分析对象的单独文本特征信息、单独非文本特征信息以及文本特征和非文本特征融合后的融合特征信息。
通过获得待分析对象的多模态特征信息,和候选相似对象的多模态特征信息进行各模特特征信息的比对,提升获得的候选相似对象与待分析对象的匹配度。
其中,所述根据所述待分析对象的多模态特征信息,确定与所述待分析对象的多模态特征信息对应的多个候选相似对象的多模态特征信息,具体可以通过如下方式确定:
根据所述待分析对象的多模态特征信息,以及所述对象节点网络图中预先存储的分析对象与相似对象之间的对应关系,获得与所述待分析对象的多模态特征信息对应的多个第一候选相似对象的多模态特征信息;在所述多个第一候选相似对象的多模态特征信息中,获取与所述待分析对象的多模态特征信息的相似度大于预设相似度阈值的多个第二候选相似对象的多模态特征信息;在所述多个第二候选相似对象的多模态特征信息中,将点击率大于预设点击率阈值的第二候选相似对象的多模态特征信息作为与所述待分析对象的多模态特征信息对应的多个候选相似对象的多模态特征信息。
相似对象获取模型中包括对象节点网络图,对象节点网络图是根据用于训练相似对象获取模型的样本数据构建的节点图,其中各个节点之间的连接边包括:Query(用户查询词)-Trigger(长按触发商品),Trigger(长按触发商品)-Item(相似商品),Item(相似商品)-Item(相似商品),Item(相似商品)-Cate(商品类目)之间的连接关系。
在实际使用相似对象获取模型时,主要根据对象节点网络图中Trigger(长按触发商品)-Item(相似商品),Item(相似商品)-Item(相似商品)的两种连接边,确定与待分析对象具有直接点击关系的候选相似对象,或者与待分析对象的候选相似对象具有相似关系的其他候选相似对象。
因此,根据待分析对象的多模态特征信息,和对象节点网络图中的各个节点连接关系,确定对象节点网络图中与待分析对象的多模态特征信息相匹配的分析对象节点,然后根据分析对象节点在对象节点网络图中的各个节点的连接关系,确定与待分析对象的多模态特征信息对应的多个第一候选相似对象的多模态特征信息。
在多个第一候选相似对象的多模态特征信息中,分别根据针对待分析对象的相似度阈值和候选相似对象的点击率阈值,筛选出相似度大于预设相似度阈值,且点击率大于预设点击率阈值的候选相似对象,作为与待分析对象对应的候选相似对象。
以上即为通过相似对象获取模型,获得与待分析对象对应的候选相似对象的详细介绍。
此外,获取了与待分析对象的候选相似对象后,通过第一欧氏距离确定该候选相似对象是否为与待分析对象匹配的目标相似对象。
所述根据所述待分析对象与每个候选相似对象之间的第一欧氏距离,从所述多个候选相似对象中确定与所述待分析对象匹配的目标相似对象组,包括:
获得所述待分析对象与每个候选相似对象之间的第一欧氏距离;如果所述第一欧氏距离小于第一预设欧氏距离阈值,则确定所述候选相似对象为与所述待分析对象匹配的目标相似对象;根据获取的多个与所述待分析对象匹配的目标相似对象,构建与所述待分析对象匹配的目标相似对象组。
其中,第一预设欧氏距离阈值是根据样本分析对象和样本目标相似对象的欧氏距离确定的,此处样本目标相似对象是与样本分析对象匹配的正样本数据。正样本数据对中的样本分析对象和样本目标相似对象之间的欧氏距离作为第一预设欧氏距离阈值,负样本数据对中的样本分析对象和负样本相似对象之间的欧氏距离作为第二预设欧氏距离阈值。其中,第一预设欧氏距离阈值小于第二预设欧氏距离阈值。
将待分析对象与候选相似对象的第一欧氏距离与第一预设欧氏距离阈值比较,确定候选相似对象是否为与待分析对象匹配的目标相似对象。
其中,所述获得所述待分析对象与每个候选相似对象之间的第一欧氏距离,包括:
获取所述待分析对象的多模态特征向量,获取所述每个候选相似对象的多模态特征向量;根据所述待分析对象的多模态特征向量以及所述每个候选相似对象的多模态特征向量,获得所述待分析对象与每个候选相似对象之间的第一欧氏距离。
此处待分析对象为待分析图像,候选相似对象为候选相似图像。按照上述公式1可知,计算两个图像之间的欧氏距离需要获取两个图像的图像向量。本申请为了提升待分析对象和候选相似对象的匹配度,其获得的是待分析对象的多模态特征向量和候选相似对象的多模态特征向量,也就是将待分析图像和候选相似图像的各模态特征均进行比较,确定待分析对象和候选相似对象之间的匹配度。
所述获取所述待分析对象的多模态特征向量,包括:
获取所述待分析对象的文本特征信息和非文本特征信息;将所述待分析对象的文本特征信息和非文本特征信息进行融合处理,获得所述待分析对象的多模态特征信息,所述待分析对象的多模态特征信息包括所述待分析对象的单独文本特征信息、单独非文本特征信息、以及文本特征和非文本特征的融合特征信息;根据所述待分析对象的多模态特征信息,通过图像表征模型,获得所述待分析对象的多模态特征向量。
所述获取所述每个候选相似对象的多模态特征向量,包括:
获取所述每个候选相似对象的文本特征信息和非文本特征信息;将所述每个候选相似对象的文本特征信息和非文本特征信息进行融合处理,获得所述每个候选相似对象的多模态特征信息,所述每个候选相似对象的多模态特征信息包括所述每个候选相似对象的单独文本特征信息、单独非文本特征信息、以及文本特征和非文本特征的融合特征信息;根据所述每个候选相似对象的多模态特征信息,通过图像表征模型,获得所述每个候选相似对象的多模态特征向量。
此处图像表征模型根据图像的多模态特征信息,获取图像的多模态特征向量。采用两个图像的多模态特征向量,计算两个图像之间的欧氏距离,以确定两个图像的匹配度,也就是,候选相似图像是否与待分析图像的相似度大于预设相似度阈值,且候选相似图像的点击率大于预设点击率阈值。
本申请实施例提供一种对象分析方法,包括:获取待分析对象,所述待分析对象包括待分析图像;将所述待分析对象输入相似对象获取模型中,获得所述相似对象获取模型输出的与所述待分析对象匹配的目标相似对象组,所述目标相似对象组中的每个目标相似对象与所述待分析对象的相似度大于预设相似度阈值、且每个目标相似对象的点击率大于预设点击率阈值;其中,所述相似对象获取模型用于根据所述待分析对象的多模态特征信息,结合对象节点网络图,获取与所述待分析对象匹配的目标相似对象组,所述对象节点网络图是根据样本分析对象和样本目标相似对象之间的对应关系构建的、用于表征分析对象与相似对象之间的对应关系的节点关系网络图。
上述方法中,通过相似对象获取模型对待分析对象匹配与待分析对象对应的目标相似对象组。具体是,相似对象获取模型中包括对象节点网络图,对象节点网络图是根据样本分析对象和样本目标相似对象之间的对应关系构建的、用于表征分析对象与相似对象之间的对应关系的节点关系网络图。根据待分析对象,以及对象节点网络图中存储的上述对应关系,获取的目标相似对象组中每个目标相似对象与待分析对象之间的相似度大于预设相似度阈值,且每个目标相似对象的点击率大于预设的点击率阈值。因此,通过上述方法为待分析对象匹配的目标相似对象组,提升了待分析对象与目标相似对象的匹配率。
第二实施例
上述第一实施例提供了一种对象分析方法,与之相对应的,本申请第二实施例还提供了一种对象分析装置,由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关的技术特征的细节部分请参见上述提供的方法实施例的对应说明即可,下述对装置实施例的描述仅仅是示意性的。如图6所示,为本申请第二实施例提供的一种对象分析装置的示意图,包括:
第一获取单元601,用于获取所述待分析对象,所述待分析对象包括待分析图像;
第一获得单元602,用于将所述待分析对象输入相似对象获取模型中,获得所述相似对象获取模型输出的与所述待分析对象匹配的目标相似对象组,所述目标相似对象组中的每个目标相似对象与所述待分析对象的相似度大于预设相似度阈值、且每个目标相似对象的点击率大于预设点击率阈值;其中,所述相似对象获取模型用于根据所述待分析对象的多模态特征信息,结合对象节点网络图,获取与所述待分析对象匹配的目标相似对象组,所述对象节点网络图是根据样本分析对象和样本目标相似对象之间的对应关系构建的、用于表征分析对象与相似对象之间的对应关系的节点关系网络图。
第三实施例
本申请第三实施例中提供一种相似对象获取模型的训练方法,具体流程如图7所示,其为本申请第三实施例中提供的一种相似对象获取模型的训练方法的流程图。图7所示的相似对象获取模型的训练方法,包括:步骤S701至步骤S702。
如图7所示,在步骤S701中,获取样本分析对象以及与所述样本分析对象匹配的目标相似对象样本组,所述目标相似对象样本组中的每个样本目标相似对象与所述样本分析对象的相似度大于预设相似度阈值、且每个样本目标相似对象的点击率大于预设点击率阈值,所述样本分析对象包括样本分析图像,所述样本目标相似对象包括与所述样本分析图像匹配的样本目标相似图像。
本步骤获取样本数据,用于对相似对象获取模型进行训练。
此处,所述样本分析对象以及与所述样本分析对象匹配的目标相似对象样本组为用于训练相似对象获取模型的正样本数据对。
本申请为了提升对相似对象模型的训练准确率,分别获取正样本数据和负样本数据对模型进行训练。其中,正样本数据为:样本分析对象以及与所述样本分析对象匹配的目标相似对象样本组。目标相似对象样本组中的目标相似对象与样本分析对象之间的相似度大于预设相似度阈值,且每个目标相似对象的点击率大于预设点击率阈值。目标相似对象样本与样本分析对象之间的欧氏距离为第一欧氏距离阈值,表示目标相似对象样本与样本分析对象的匹配度满足预设匹配要求。
正样本数据对,例如,样本分析对象为圆领短袖,目标样本相似对象为蓝色圆领短袖。通过正样本数据对相似对象获取模型训练,使得相似对象获取模型获取与待分析对象匹配的目标相似对象。
负样本数据为:与样本分析对象之间的相似度不大于预设相似度阈值的相似对象负样本,或者点击率低于预设点击率阈值的相似对象负样本。例如,样本分析对象为圆领短袖,难负样本相似对象为V领短袖。
所述方法还包括:获取样本分析对象以及与所述样本分析对象不匹配的其他相似对象样本组;将所述样本分析对象以及与所述样本分析对象不匹配的其他相似对象样本组作为用于训练相似对象获取模型的负样本数据对;采用所述负样本数据对,训练所述相似对象获取模型。
通过负样本数据对相似对象获取模型进行训练,增加相似对象获取模型识别待分析对象与候选相似对象之间的难区别点,提升相似对象获取模型识别待分析对象的目标相似对象的匹配度。
另外,本申请实施例中为了提升相似对象获取模型分析待分析对象的目标相似对象与待分析对象的匹配度,此处的匹配度中包括相似性和点击率两方面因素。因此,采取样本数据时,不仅采取点击样本数据,还采取相似样本数据。其中,具体的采样比例可以根据场景实施例中描述的公式2进行采取,此处不再赘述。
如图7所示,在步骤S702中,根据所述样本分析对象以及所述目标相似对象样本组,对初始的相似对象获取模型进行训练,获得训练后的相似对象获取模型;其中,所述训练后的相似对象获取模型用于根据待分析对象的多模态特征信息,结合对象节点网络图,获取与所述待分析对象匹配的目标相似对象组,所述对象节点网络图是根据所述样本分析对象和所述样本目标相似对象之间的对应关系构建的、用于表征分析对象与相似对象之间的对应关系的节点关系网络图。
本步骤用于对初始的相似对象获取模型进行训练,从而使得训练后的相似对象获取模型能够分析待分析对象对应的目标相似对象与待分析对象之间的相似度大于预设相似度阈值,且每个目标相似对象的点击率大于预设点击率阈值。
训练后的相似对象获取模型中包含对象节点网络图,对象节点网络图根据样本分析对象和样本目标相似对象之间的连接关系构建,具体的构建过程可以参考场景实施例中的描述,此处不再赘述。
其中,所述根据所述样本分析对象以及所述目标相似对象样本组,对初始的相似对象获取模型进行训练,获得训练后的相似对象获取模型,包括:
将所述样本分析对象的信息输入初始的相似对象获取模型,获得所述初始的相似对象获取模型输出的针对所述样本分析对象的第一相似对象组;获得所述第一相似对象组中的每个第一候选相似对象与所述样本分析对象之间的第二欧氏距离;获得所述目标相似对象样本组中的目标相似对象与所述样本分析对象之间的第一预设欧氏距离阈值;获得所述第二欧氏距离与所述第一预设欧氏距离阈值之间的误差值;以所述误差值为依据,对所述初始的相似对象获取模型进行参数调整,获得训练后的相似对象获取模型。
此处对相似对象获取模型进行训练的过程中,根据初始的相似对象获取模型对样本分析对象获取的第一相似对象组。分析第一相似对象组与目标相似对象样本组之间的区别,以欧氏距离来表征。
具体的,比较第二欧氏距离与第一预设欧氏距离阈值之间的误差值,根据该误差值,对相似对象获取模型的模型参数进行调整。
其中,所述将所述样本分析对象的信息输入初始的相似对象获取模型,获得所述初始的相似对象获取模型输出的针对所述样本分析对象的第一相似对象组,可以通过如下方式确定:
将所述样本分析对象输入初始的相似对象获取模型,获得所述样本分析对象的多模态特征信息;根据所述样本分析对象的多模态特征信息,以及初始的对象节点网络图中存储的分析对象与相似对象之间的对应关系,获取与所述样本分析对象的多模态特征信息对应的第一候选相似对象的多模态特征信息;根据获取的多个第一候选相似对象的多模态特征信息,构建针对所述样本分析对象的第一相似对象样本组。
本申请中为了对初始的相似对象获取模型进行训练,使得训练后的相似对象获取模型识别待分析对象的目标相似对象的准确度,其结合了多模态特征技术,获取样本分析对象的多模态特征信息,获取针对样本分析对象的第一候选相似对象的多模态特征信息。根据样本分析对象的多模态特征信息,获取第一候选相似对象,增加第一候选相似对象与样本分析对象的匹配度。
另外,所述获得所述第一相似对象组中的每个第一候选相似对象与所述样本分析对象之间的第二欧氏距离,包括:
获取第一候选相似对象的多模态特征向量,获取所述样本分析对象的多模态特征向量;根据所述第一候选相似对象的多模态特征向量以及所述样本分析对象的多模态特征向量,计算所述第一候选相似对象与所述样本分析对象之间的第二欧氏距离。
计算第一候选相似对象与样本分析对象之间的第二欧氏距离,具体的描述可以根据场景实施例中的公式1计算,相关技术方式和第一实施例中的第一欧氏距离的计算过程一致,此处不再赘述。
此处,所述获取第一候选相似对象的多模态特征向量,包括:
获取所述第一候选相似对象的文本特征信息和非文本特征信息;将所述第一候选相似对象的文本特征信息和非文本特征信息进行融合处理,获得所述第一候选相似对象的多模态特征信息,所述第一候选相似对象的多模态特征信息包括所述第一候选相似对象的单独文本特征信息、单独非文本特征信息、以及文本特征和非文本特征的融合特征信息;根据所述第一候选相似对象的多模态特征信息,通过图像表征模型,获得所述第一候选相似对象的多模态特征向量。
所述获取所述样本分析对象的多模态特征向量,包括:
获取所述样本分析对象的文本特征信息和非文本特征信息;将所述样本分析对象的文本特征信息和非文本特征信息进行融合处理,获得所述样本分析对象的多模态特征信息,所述样本分析对象的多模态特征信息包括所述样本分析对象的单独文本特征信息、单独非文本特征信息、以及文本特征和非文本特征的融合特征信息;根据所述样本分析对象的多模态特征信息,通过图像表征模型,获得所述样本分析对象的多模态特征向量。
以上即为将所述样本分析对象的信息输入初始的相似对象获取模型,获得所述初始的相似对象获取模型输出的针对所述样本分析对象的第一相似对象组的描述。
此外,在获取针对样本分析对象的第一相似对象组之后,计算了样本分析对象与第一相似对象组中的第一候选相似对象之间的第二欧氏距离。根据第二欧氏距离与第一预设欧氏距离阈值之间的误差值,对相似对象获取模型进行参数调整。
所述以所述误差值为依据,对所述初始的相似对象获取模型进行参数调整,获得训练后的相似对象获取模型,包括:
如果所述误差值大于预设误差值阈值,则继续执行所述将所述样本分析对象的信息输入初始的相似对象获取模型,获得所述初始的相似对象获取模型输出的针对所述样本分析对象的第一相似对象组的步骤;如果所述误差值小于预设误差值阈值,则停止对相似对象获取模型进行参数调整,获得训练后的相似对象获取模型。
本申请实施例中以误差值确定是否对相似对象获取模型继续进行训练。还包括:根据所述误差值,对所述初始的对象节点网络图中存储的分析对象与相似对象之间的对应关系进行更新处理。
此处如果误差值大于预设误差值阈值,则说明相似对象获取模型获得的第一相似对象样本组与目标相似对象样本组之间的相似度或者点击率偏低,需要对相似对象获取模型进一步进行模型参数的训练。
直到误差值小于预设误差值阈值,表示相似对象获取模型的模型参数可以达到要求,使得训练后的相似对象获取模型能够获取的第一相似对象组中的第一相似对象与样本分析对象之间的匹配度满足预设的匹配度条件,也就是,第一候选相似对象与样本分析对象的相似度大于预设相似度阈值,第一候选相似对象的点击率大于预设点击率阈值。
本申请实施例提供一种相似对象获取模型的训练方法,包括:获取样本分析对象以及与所述样本分析对象匹配的目标相似对象样本组,所述目标相似对象样本组中的每个样本目标相似对象与所述样本分析对象的相似度大于预设相似度阈值、且每个样本目标相似对象的点击率大于预设点击率阈值,所述样本分析对象包括样本分析图像,所述样本目标相似对象包括与所述样本分析图像匹配的样本目标相似图像;根据所述样本分析对象以及所述目标相似对象样本组,对初始的相似对象获取模型进行训练,获得训练后的相似对象获取模型;其中,所述训练后的相似对象获取模型用于根据待分析对象的多模态特征信息,结合对象节点网络图,获取与所述待分析对象匹配的目标相似对象组,所述对象节点网络图是根据所述样本分析对象和所述样本目标相似对象之间的对应关系构建的、用于表征分析对象与相似对象之间的对应关系的节点关系网络图。
上述方法中,采用样本分析对象以及与所述样本分析对象匹配的目标相似对象样本组,对相似对象获取模型进行训练。训练后的相似对象获取模型可以根据待分析对象的多模态特征信息,结合对象节点网络图,获取与所述待分析对象匹配的目标相似对象组。其中,目标相似对象组中的每个相似对象与待分析对象的相似率大于预设相似率阈值,且每个相似对象的点击率大于预设点击率阈值。通过上述方法训练后的相似对象获取模型,在对待分析对象匹配对应的目标相似对象组的过程中,提升了待分析对象与目标相似对象的匹配率。
第四实施例
上述第三实施例提供了一种相似对象获取模型的训练方法,与之相对应的,本申请第四实施例还提供了一种相似对象获取模型的训练装置,由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关的技术特征的细节部分请参见上述提供的方法实施例的对应说明即可,下述对装置实施例的描述仅仅是示意性的。如图8所示,为本申请第四实施例提供的一种相似对象获取模型的训练装置的示意图,包括:
第三获取单元801,用于获取样本分析对象以及与所述样本分析对象匹配的目标相似对象样本组,所述目标相似对象样本组中的每个样本目标相似对象与所述样本分析对象的相似度大于预设相似度阈值、且每个样本目标相似对象的点击率大于预设点击率阈值,所述样本分析对象包括样本分析图像,所述样本目标相似对象包括与所述样本分析图像匹配的样本目标相似图像;
相似对象获取模型获得单元802,用于根据所述样本分析对象以及所述目标相似对象样本组,对初始的相似对象获取模型进行训练,获得训练后的相似对象获取模型;其中,所述训练后的相似对象获取模型用于根据所述待分析对象的多模态特征信息,结合对象节点网络图,获取与所述待分析对象匹配的目标相似对象组,所述对象节点网络图是根据所述样本分析对象和所述样本目标相似对象之间的对应关系构建的、用于表征分析对象与相似对象之间的对应关系的节点关系网络图。
第五实施例
本申请第五实施例中提供一种相似图像推荐方法,具体流程如图9所示,其为本申请第三实施例中提供的一种相似对象获取模型的训练方法的流程图。图9所示的相似图像推荐方法,包括:步骤S901至步骤S904。
如图9所示,在步骤S901中,获取待分析图像。
其中,所述获取待分析图像,包括:
获得用于请求获取待分析图像的第二请求消息,所述第二请求消息包括针对所述待分析图像的描述信息;根据所述第二请求消息,获得针对所述待分析图像的第一候选图像组;响应于检测到针对所述第一候选图像组中的至少一个候选图像的选择操作,将被选中的候选图像作为待分析图像。
本实施例应用于用户终端,用户终端的线上服务平台页面显示用户待查询的图像信息,此处获取待分析图像可以是用户在用户终端的显示页面的搜索框中输入待查询商品信息,根据待查询商品信息为用户匹配对应的待查询图像信息。还可以是用户提供待查询的图片信息,用户终端通过识别图片信息后,为为用户匹配对应的待查询图像信息。
其中,获得用于请求获取待分析图像的第二请求消息,可以包括如下方式:在第一检索页面展示用于获取针对待分析图像的描述信息的填充区域;所述获得用于请求获取待分析图像的第二请求消息,包括:响应于检测到针对所述填充区域的触发操作,获得用于请求获取针对所述待分析图像的第二请求消息,所述第二请求消息包括针对所述待分析图像的描述信息。
第一检索页面如图2中的页面2a,用户可以在用户终端的第一检索页面输入待查询文本信息,也可以提供待查询图片信息。
用户终端获取到用户提供的第二请求消息,根据待分析图像的描述信息为用户匹配至少一个候选图像,将获得的至少一个候选图像展示于第一搜索结果页中,如图2中的页面2b。基于用户对第一搜索结果页中的至少一个候选图像的选择,将被选中的候选图像确定为待分析图像。
如图9所示,在步骤S902中,获得用于请求获取与所述待分析图像匹配的目标相似图像组的第一请求消息。
如图9所示,在步骤S903中,根据所述第一请求消息,获取与所述待分析图像匹配的至少一个目标相似图像,根据与所述待分析图像匹配的至少一个目标相似图像,构建与所述待分析图像匹配的目标相似图像组,其中,所述目标相似图像组中的每个目标相似图像与所述待分析图像的相似度大于预设相似度阈值、且每个目标相似图像的点击率大于预设点击率阈值。
本步骤用于获取与待分析图像匹配的目标相似图像,因为,客户端接收到用户的第一请求消息后,将第一请求消息发送给服务端,服务端根据相似对象获取模型获取与待分析对象匹配的目标相似对象组。
其中,所述目标相似图像组中的每个目标相似图像是服务端通过如下方式获取的:通过相似对象获取模型根据待分析图像的多模态特征信息、结合对象节点网络图,获取的与所述待分析图像匹配的目标相似对象组,所述对象节点网络图中是根据所述样本分析对象和所述样本目标相似对象之间的对应关系构建的、用于表征分析对象与相似对象之间的对应关系的节点关系网络图。
如图9所示,在步骤S904中,展示所述目标相似图像组中的目标相似图像。
本步骤将获得的目标相似图像组中的各个目标相似图像展示于用户终端的页面中,如图2中的页面2c。在该页面中的目标相似图像与待分析图像的相似度大于预设相似度阈值,且目标相似对象的点击率大于预设点击率阈值。
第六实施例
上述第五实施例提供了一种相似图像推荐方法,与之相对应的,本申请第六实施例还提供了一种相似图像推荐装置,由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关的技术特征的细节部分请参见上述提供的方法实施例的对应说明即可,下述对装置实施例的描述仅仅是示意性的。如图10所示,为本申请第六实施例提供的一种相似图像推荐装置的示意图,包括:
第二获取单元1001,用于获取待分析图像;
第一请求消息获得单元1002,用于获得用于请求获取与所述待分析图像匹配的目标相似图像组的第一请求消息;
目标相似图像组构建单元1003,用于根据所述第一请求消息,获取与所述待分析图像匹配的至少一个目标相似图像,根据与所述待分析图像匹配的至少一个目标相似图像,构建与所述待分析图像匹配的目标相似图像组,其中,所述目标相似图像组中的每个目标相似图像与所述待分析图像的相似度大于预设相似度阈值、且每个目标相似图像的点击率大于预设点击率阈值;
展示单元1004,用于展示所述目标相似图像组中的目标相似图像;
其中,所述目标相似图像组中的每个目标相似图像是服务端通过如下方式获取的:通过相似对象获取模型根据待分析图像的多模态特征信息、结合对象节点网络图,获取的与所述待分析图像匹配的目标相似对象组,所述对象节点网络图中是根据所述样本分析对象和所述样本目标相似对象之间的对应关系构建的、用于表征分析对象与相似对象之间的对应关系的节点关系网络图。
第七实施例
与本申请第一实施例、第三实施例和第五实施例的方法相对应的,本申请第七实施例还提供一种电子设备。如图11所示,图11为本申请第七实施例中提供的一种电子设备的示意图。该电子设备,包括:至少一个处理器1101,至少一个通信接口1102,至少一个存储器1103和至少一个通信总线1104;可选的,通信接口1102可以为通信模块的接口,如GSM模块的接口;处理器1101可能是处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。存储器1103可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。其中,存储器1103存储有程序,处理器1101调用存储器1103所存储的程序,以执行本发明第一实施例、第三实施例和第五实施例的方法。
第八实施例
与本申请第一实施例、第三实施例和第五实施例的方法相对应的,本申请第八实施例还提供一种计算机存储介质。所述计算机存储介质存储有计算机程序,该计算机程序被处理器运行,执行第一实施例、第三实施例和第五实施例的方法。
本申请虽然以较佳实施例公开如上,但其并不是用来限定本申请,任何本领域技术人员在不脱离本申请的精神和范围内,都可以做出可能的变动和修改,因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
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。
1、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非暂存电脑可读媒体(Transitory Media),如调制的数据信号和载波。
2、本领域技术人员应明白,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。
Claims (25)
1.一种对象分析方法,其特征在于,包括:
获取待分析对象,所述待分析对象包括待分析图像;
将所述待分析对象输入相似对象获取模型中,获得所述相似对象获取模型输出的与所述待分析对象匹配的目标相似对象组,所述目标相似对象组中的每个目标相似对象与所述待分析对象的相似度大于预设相似度阈值、且每个目标相似对象的点击率大于预设点击率阈值;
其中,所述相似对象获取模型用于根据所述待分析对象的多模态特征信息,和对象节点网络图,获取与所述待分析对象匹配的目标相似对象组,所述对象节点网络图是根据样本分析对象和样本目标相似对象之间的对应关系构建的、用于表征分析对象与相似对象之间的对应关系的节点关系网络图。
2.根据权利要求1所述的方法,其特征在于,所述将所述待分析对象输入相似对象获取模型中,获得所述相似对象获取模型输出的与所述待分析对象匹配的目标相似对象组,包括:
将所述待分析对象输入相似对象获取模型中,获得与所述待分析对象对应的多个候选相似对象;
根据所述待分析对象与每个候选相似对象之间的第一欧氏距离,从所述多个候选相似对象中确定与所述待分析对象匹配的目标相似对象组,所述第一欧氏距离用于表征所述待分析对象与所述候选相似对象之间的匹配度。
3.根据权利要求2所述的方法,其特征在于,所述将所述待分析对象输入相似对象获取模型中,获得与所述待分析对象对应的多个候选相似对象,包括:
将所述待分析对象输入相似对象获取模型中,获取所述待分析对象的多模态特征信息;
根据所述待分析对象的多模态特征信息,确定与所述待分析对象的多模态特征信息对应的多个候选相似对象的多模态特征信息;
根据所述多个候选相似对象的多模态特征信息,确定与所述待分析对象对应的多个候选相似对象。
4.根据权利要求2所述的方法,其特征在于,所述根据所述待分析对象与每个候选相似对象之间的第一欧氏距离,从所述多个候选相似对象中确定与所述待分析对象匹配的目标相似对象组,包括:
获得所述待分析对象与每个候选相似对象之间的第一欧氏距离;
如果所述第一欧氏距离小于第一预设欧氏距离阈值,则确定所述候选相似对象为与所述待分析对象匹配的目标相似对象;
根据获取的多个与所述待分析对象匹配的目标相似对象,构建与所述待分析对象匹配的目标相似对象组。
5.根据权利要求4所述的方法,其特征在于,所述获得所述待分析对象与每个候选相似对象之间的第一欧氏距离,包括:
获取所述待分析对象的多模态特征向量,获取所述每个候选相似对象的多模态特征向量;
根据所述待分析对象的多模态特征向量以及所述每个候选相似对象的多模态特征向量,获得所述待分析对象与每个候选相似对象之间的第一欧氏距离。
6.根据权利要求5所述的方法,其特征在于,所述获取所述待分析对象的多模态特征向量,包括:
获取所述待分析对象的文本特征信息和非文本特征信息;
将所述待分析对象的文本特征信息和非文本特征信息进行融合处理,获得所述待分析对象的多模态特征信息,所述待分析对象的多模态特征信息包括所述待分析对象的单独文本特征信息、单独非文本特征信息、以及文本特征和非文本特征的融合特征信息;
根据所述待分析对象的多模态特征信息,通过图像表征模型,获得所述待分析对象的多模态特征向量。
7.根据权利要求5所述的方法,其特征在于,所述获取所述每个候选相似对象的多模态特征向量,包括:
获取所述每个候选相似对象的文本特征信息和非文本特征信息;
将所述每个候选相似对象的文本特征信息和非文本特征信息进行融合处理,获得所述每个候选相似对象的多模态特征信息,所述每个候选相似对象的多模态特征信息包括所述每个候选相似对象的单独文本特征信息、单独非文本特征信息、以及文本特征和非文本特征的融合特征信息;
根据所述每个候选相似对象的多模态特征信息,通过图像表征模型,获得所述每个候选相似对象的多模态特征向量。
8.根据权利要求3所述的方法,其特征在于,所述根据所述待分析对象的多模态特征信息,确定与所述待分析对象的多模态特征信息对应的多个候选相似对象的多模态特征信息,包括:
根据所述待分析对象的多模态特征信息,以及所述对象节点网络图中预先存储的分析对象与相似对象之间的对应关系,获得与所述待分析对象的多模态特征信息对应的多个第一候选相似对象的多模态特征信息;
在所述多个第一候选相似对象的多模态特征信息中,获取与所述待分析对象的多模态特征信息的相似度大于预设相似度阈值的多个第二候选相似对象的多模态特征信息;
在所述多个第二候选相似对象的多模态特征信息中,将点击率大于预设点击率阈值的第二候选相似对象的多模态特征信息作为与所述待分析对象的多模态特征信息对应的多个候选相似对象的多模态特征信息。
9.一种相似图像推荐方法,其特征在于,应用于用户终端,所述方法包括:
获取待分析图像;
获得用于请求获取与所述待分析图像匹配的目标相似图像组的第一请求消息;
根据所述第一请求消息,获取与所述待分析图像匹配的至少一个目标相似图像,根据与所述待分析图像匹配的至少一个目标相似图像,构建与所述待分析图像匹配的目标相似图像组,其中,所述目标相似图像组中的每个目标相似图像与所述待分析图像的相似度大于预设相似度阈值、且每个目标相似图像的点击率大于预设点击率阈值;
展示所述目标相似图像组中的目标相似图像;
其中,所述目标相似图像组中的每个目标相似图像是服务端通过如下方式获取的:通过相似对象获取模型根据待分析图像的多模态特征信息、结合对象节点网络图,获取的与所述待分析图像匹配的目标相似对象组,所述对象节点网络图中是根据所述样本分析对象和所述样本目标相似对象之间的对应关系构建的、用于表征分析对象与相似对象之间的对应关系的节点关系网络图。
10.根据权利要求9所述的方法,其特征在于,所述获取待分析图像,包括:
获得用于请求获取待分析图像的第二请求消息,所述第二请求消息包括针对所述待分析图像的描述信息;
根据所述第二请求消息,获得针对所述待分析图像的第一候选图像组;
响应于检测到针对所述第一候选图像组中的至少一个候选图像的选择操作,将被选中的候选图像作为待分析图像。
11.根据权利要求10所述的方法,其特征在于,还包括:
在第一检索页面展示用于获取针对待分析图像的描述信息的填充区域;
所述获得用于请求获取待分析图像的第二请求消息,包括:
响应于检测到针对所述填充区域的触发操作,获得用于请求获取针对所述待分析图像的第二请求消息,所述第二请求消息包括针对所述待分析图像的描述信息。
12.一种相似对象获取模型的训练方法,其特征在于,包括:
获取样本分析对象以及与所述样本分析对象匹配的目标相似对象样本组,所述目标相似对象样本组中的每个样本目标相似对象与所述样本分析对象的相似度大于预设相似度阈值、且每个样本目标相似对象的点击率大于预设点击率阈值,所述样本分析对象包括样本分析图像,所述样本目标相似对象包括与所述样本分析图像匹配的样本目标相似图像;
根据所述样本分析对象以及所述目标相似对象样本组,对初始的相似对象获取模型进行训练,获得训练后的相似对象获取模型;
其中,所述训练后的相似对象获取模型用于根据待分析对象的多模态特征信息,结合对象节点网络图,获取与所述待分析对象匹配的目标相似对象组,所述对象节点网络图是根据所述样本分析对象和所述样本目标相似对象之间的对应关系构建的、用于表征分析对象与相似对象之间的对应关系的节点关系网络图。
13.根据权利要求12所述的方法,其特征在于,所述根据所述样本分析对象以及所述目标相似对象样本组,对初始的相似对象获取模型进行训练,获得训练后的相似对象获取模型,包括:
将所述样本分析对象的信息输入初始的相似对象获取模型,获得所述初始的相似对象获取模型输出的针对所述样本分析对象的第一相似对象组;
获得所述第一相似对象组中的每个第一候选相似对象与所述样本分析对象之间的第二欧氏距离;
获得所述目标相似对象样本组中的目标相似对象与所述样本分析对象之间的第一预设欧氏距离阈值;
获得所述第二欧氏距离与所述第一预设欧氏距离阈值之间的误差值;
以所述误差值为依据,对所述初始的相似对象获取模型进行参数调整,获得训练后的相似对象获取模型。
14.根据权利要求13所述的方法,其特征在于,所述将所述样本分析对象的信息输入初始的相似对象获取模型,获得所述初始的相似对象获取模型输出的针对所述样本分析对象的第一相似对象组,包括:
将所述样本分析对象输入初始的相似对象获取模型,获得所述样本分析对象的多模态特征信息;
根据所述样本分析对象的多模态特征信息,以及初始的对象节点网络图中存储的分析对象与相似对象之间的对应关系,获取与所述样本分析对象的多模态特征信息对应的第一候选相似对象的多模态特征信息;
根据获取的多个第一候选相似对象的多模态特征信息,构建针对所述样本分析对象的第一相似对象样本组。
15.根据权利要求13所述的方法,其特征在于,所述获得所述第一相似对象组中的每个第一候选相似对象与所述样本分析对象之间的第二欧氏距离,包括:
获取第一候选相似对象的多模态特征向量,获取所述样本分析对象的多模态特征向量;
根据所述第一候选相似对象的多模态特征向量以及所述样本分析对象的多模态特征向量,计算所述第一候选相似对象与所述样本分析对象之间的第二欧氏距离。
16.根据权利要求13所述的方法,其特征在于,所述以所述误差值为依据,对所述初始的相似对象获取模型进行参数调整,获得训练后的相似对象获取模型,包括:
如果所述误差值大于预设误差值阈值,则继续执行所述将所述样本分析对象的信息输入初始的相似对象获取模型,获得所述初始的相似对象获取模型输出的针对所述样本分析对象的第一相似对象组的步骤;
如果所述误差值小于预设误差值阈值,则停止对相似对象获取模型进行参数调整,获得训练后的相似对象获取模型。
17.根据权利要求14所述的方法,其特征在于,还包括:
根据所述误差值,对所述初始的对象节点网络图中存储的分析对象与相似对象之间的对应关系进行更新处理。
18.根据权利要求12所述的方法,其特征在于,所述样本分析对象以及与所述样本分析对象匹配的目标相似对象样本组为用于训练相似对象获取模型的正样本数据对,所述方法还包括:
获取样本分析对象以及与所述样本分析对象不匹配的其他相似对象样本组;
将所述样本分析对象以及与所述样本分析对象不匹配的其他相似对象样本组作为用于训练相似对象获取模型的负样本数据对;
采用所述负样本数据对,训练所述相似对象获取模型。
19.根据权利要求15所述的方法,其特征在于,所述获取第一候选相似对象的多模态特征向量,包括:
获取所述第一候选相似对象的文本特征信息和非文本特征信息;
将所述第一候选相似对象的文本特征信息和非文本特征信息进行融合处理,获得所述第一候选相似对象的多模态特征信息,所述第一候选相似对象的多模态特征信息包括所述第一候选相似对象的单独文本特征信息、单独非文本特征信息、以及文本特征和非文本特征的融合特征信息;
根据所述第一候选相似对象的多模态特征信息,通过图像表征模型,获得所述第一候选相似对象的多模态特征向量。
20.根据权利要求15所述的方法,其特征在于,所述获取所述样本分析对象的多模态特征向量,包括:
获取所述样本分析对象的文本特征信息和非文本特征信息;
将所述样本分析对象的文本特征信息和非文本特征信息进行融合处理,获得所述样本分析对象的多模态特征信息,所述样本分析对象的多模态特征信息包括所述样本分析对象的单独文本特征信息、单独非文本特征信息、以及文本特征和非文本特征的融合特征信息;
根据所述样本分析对象的多模态特征信息,通过图像表征模型,获得所述样本分析对象的多模态特征向量。
21.一种对象分析装置,其特征在于,包括:
第一获取单元,用于获取所述待分析对象,所述待分析对象包括待分析图像;
第一获得单元,用于将所述待分析对象输入相似对象获取模型中,获得所述相似对象获取模型输出的与所述待分析对象匹配的目标相似对象组,所述目标相似对象组中的每个目标相似对象与所述待分析对象的相似度大于预设相似度阈值、且每个目标相似对象的点击率大于预设点击率阈值;
其中,所述相似对象获取模型用于根据所述待分析对象的多模态特征信息,结合对象节点网络图,获取与所述待分析对象匹配的目标相似对象组,所述对象节点网络图是根据样本分析对象和样本目标相似对象之间的对应关系构建的、用于表征分析对象与相似对象之间的对应关系的节点关系网络图。
22.一种相似图像推荐装置,其特征在于,应用于用户终端,所述装置包括:
第二获取单元,用于获取待分析图像;
第一请求消息获得单元,用于获得用于请求获取与所述待分析图像匹配的目标相似图像组的第一请求消息;
目标相似图像组构建单元,用于根据所述第一请求消息,获取与所述待分析图像匹配的至少一个目标相似图像,根据与所述待分析图像匹配的至少一个目标相似图像,构建与所述待分析图像匹配的目标相似图像组,其中,所述目标相似图像组中的每个目标相似图像与所述待分析图像的相似度大于预设相似度阈值、且每个目标相似图像的点击率大于预设点击率阈值;
展示单元,用于展示所述目标相似图像组中的目标相似图像;
其中,所述目标相似图像组中的每个目标相似图像是服务端通过如下方式获取的:通过相似对象获取模型根据待分析图像的多模态特征信息、结合对象节点网络图,获取的与所述待分析图像匹配的目标相似对象组,所述对象节点网络图中是根据所述样本分析对象和所述样本目标相似对象之间的对应关系构建的、用于表征分析对象与相似对象之间的对应关系的节点关系网络图。
23.一种相似对象获取模型的训练装置,其特征在于,包括:
第三获取单元,用于获取样本分析对象以及与所述样本分析对象匹配的目标相似对象样本组,所述目标相似对象样本组中的每个样本目标相似对象与所述样本分析对象的相似度大于预设相似度阈值、且每个样本目标相似对象的点击率大于预设点击率阈值,所述样本分析对象包括样本分析图像,所述样本目标相似对象包括与所述样本分析图像匹配的样本目标相似图像;
相似对象获取模型获得单元,用于根据所述样本分析对象以及所述目标相似对象样本组,对初始的相似对象获取模型进行训练,获得训练后的相似对象获取模型;
其中,所述训练后的相似对象获取模型用于根据所述待分析对象的多模态特征信息,结合对象节点网络图,获取与所述待分析对象匹配的目标相似对象组,所述对象节点网络图是根据所述样本分析对象和所述样本目标相似对象之间的对应关系构建的、用于表征分析对象与相似对象之间的对应关系的节点关系网络图。
24.一种电子设备,其特征在于,所述电子设备包括处理器和存储器;
所述存储器中存储有计算机程序,所述处理器运行所述计算机程序后,执行权利要求1-20任意一项所述的方法。
25.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机程序,所述计算机程序被处理器运行后,执行权利要求1-20任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211664931.2A CN116051866A (zh) | 2022-12-23 | 2022-12-23 | 一种对象分析方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211664931.2A CN116051866A (zh) | 2022-12-23 | 2022-12-23 | 一种对象分析方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116051866A true CN116051866A (zh) | 2023-05-02 |
Family
ID=86121023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211664931.2A Pending CN116051866A (zh) | 2022-12-23 | 2022-12-23 | 一种对象分析方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116051866A (zh) |
-
2022
- 2022-12-23 CN CN202211664931.2A patent/CN116051866A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10043109B1 (en) | Attribute similarity-based search | |
JP6228307B2 (ja) | オンライン製品を推薦するための方法及びシステム | |
CN109829775B (zh) | 一种物品推荐方法、装置、设备及可读存储介质 | |
US10210423B2 (en) | Image match for featureless objects | |
WO2020048084A1 (zh) | 资源推荐方法、装置、计算机设备及计算机可读存储介质 | |
US10380461B1 (en) | Object recognition | |
US10769524B1 (en) | Non-binary gender filter | |
EP3308301A1 (en) | Image and text data hierarchical classifiers | |
CN104715023A (zh) | 基于视频内容的商品推荐方法和系统 | |
US20210073890A1 (en) | Catalog-based image recommendations | |
TW201504829A (zh) | 圖像搜尋、獲取圖像文字資訊的方法及裝置 | |
CN107590154B (zh) | 基于图像识别的物体相似度判定方法和装置 | |
WO2021046372A1 (en) | Complementary item recommendations based on multi-modal embeddings | |
CN109460519B (zh) | 浏览对象推荐方法及装置、存储介质、服务器 | |
CN107832338B (zh) | 一种识别核心产品词的方法和系统 | |
CN114581207B (zh) | 一种面向电商平台的商品图像大数据精准推送方法及系统 | |
JP2024045510A (ja) | 情報処理装置、情報処理方法、およびプログラム | |
WO2022188844A1 (zh) | 视频分类方法、装置、设备及介质 | |
CN111327930A (zh) | 获取目标对象的方法、装置、电子设备及存储介质 | |
CN111737517A (zh) | 一种基于短视频的即时推荐方法及系统 | |
CN116051866A (zh) | 一种对象分析方法、装置及电子设备 | |
CN112700296B (zh) | 业务对象搜索/属性确定方法、装置、系统及设备 | |
CN110827101A (zh) | 一种店铺推荐的方法和装置 | |
CN114385931A (zh) | 一种获得推荐表单的方法、装置及电子设备 | |
US11748451B2 (en) | Machine learning techniques for differentiability scoring of digital images |
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 |