CN107562845A - 推送方法、***及电子设备 - Google Patents

Abstract

本公开提供了一种推送方法，用于从多个对象中推送部分对象，所述方法包括，获取所述多个对象的图像信息，通过神经网络，从所述多个对象的图像信息中提取每个对象的图像特征，以及基于所述图像特征，推送所述多个对象中的部分对象。

Description

推送方法、***及电子设备

技术领域

本公开涉及互联网技术领域，更具体地，涉及一种推送方法、***及电子设备。

背景技术

随着信息技术的不断发展，用户可选择的对象也快速增多，用户需要花费大量的时间才能找到自己需要的对象。这种浏览大量无关信息的过程无疑会降低用户的体验。推荐***可以根据用户的特点，向用户推荐用户感兴趣的对象，现已广泛应用于很多领域。

在实现本发明构思的过程中，发明人发现现有技术中至少存在如下问题：现有的推送方法通常是基于用户浏览行为等数据，在很多情况下，一些新的内容出现时，由于缺乏这些行为数据，因此不能有效地对新内容进行推荐，即存在冷启动困难的问题。

发明内容

有鉴于此，本公开提供了一种针对冷启动问题的推送方法、***及电子设备。

本公开的一个方面提供了一种推送方法，用于从多个对象中推送部分对象，所述方法包括，获取所述多个对象的图像信息，通过神经网络，从所述多个对象的图像信息中提取每个对象的图像特征，以及基于所述图像特征，推送所述多个对象中的部分对象。

根据本公开的实施例，所述基于所述图像特征，推送所述多个对象中的部分对象包括，根据用户历史行为，确定与所述用户相关的至少一个对象的图像信息，通过神经网络，确定所述多个对象中的每个对象与所述与所述用户相关的至少一个对象的第一相似度，以及基于所述第一相似度，推送所述多个对象中的部分对象。

根据本公开的实施例，所述基于所述图像特征，推送所述多个对象中的部分对象包括，根据用户当前行为，确定当前对象的图像信息，通过神经网络，确定所述多个对象中的每个对象与所述当前对象的第二相似度，以及基于所述第二相似度，推送所述多个对象中的部分对象。

根据本公开的实施例，所述推送所述多个对象中的部分对象包括，从所述多个对象中确定部分对象作为第一集合，根据所述第一集合中的各个对象的属性信息、用户的行为信息、以及/或者，用户的属性信息，通过神经网络，获得所述各个对象的推荐优先级，根据所述推荐优先级，从所述第一集合中确定部分或全部对象作为第二集合，以及推送所述第二集合中的对象。

根据本公开的实施例，所述根据所述第一集合中的各个对象的属性信息、用户的行为信息、以及/或者，用户的属性信息，通过神经网络，获得所述各个对象的推荐优先级包括，使用训练集训练所述神经网络，所述训练集包括用户行为数据，所述推荐优先级为用户行为发生的概率。

根据本公开的实施例，所述神经网络包括深度神经网络部分和逻辑回归部分，所述根据所述第一集合中的各个对象的属性信息、用户的行为信息、以及/或者，用户的属性信息，通过神经网络，获得所述各个对象的推荐优先级包括，根据用户属性信息、用户行为信息、以及对象属性信息，通过所述深度神经网络部分，获得第一结果，根据用户行为信息，以及对象属性信息，通过所述逻辑回归部分，获得第二结果，以及处理所述第一结果和所述第二结果，获得所述各个对象的推荐优先级。

本公开的另一方面提供了一种推送***，所述***包括，图像获取模块，用于获取所述多个对象的图像信息，特征提取模块，用于通过神经网络，从所述多个对象的图像信息中提取每个对象的图像特征，以及推送模块，用于基于所述图像特征，推送所述多个对象中的部分对象。

根据本公开的实施例，所述推送模块包括，第一确定子模块，用于根据用户历史行为，确定与所述用户相关的至少一个对象的图像信息，第一比较子模块，用于通过神经网络，确定所述多个对象中的每个对象与所述与所述用户相关的至少一个对象的第一相似度，以及第一推送子模块，用于基于所述第一相似度，推送所述多个对象中的部分对象。

根据本公开的实施例，所述推送模块包括，第二确定子模块，用于根据用户当前行为，确定当前对象的图像信息，第二比较子模块，用于通过神经网络，确定所述多个对象中的每个对象与所述当前对象的第二相似度，以及第二推送子模块，用于基于所述第二相似度，推送所述多个对象中的部分对象。

根据本公开的实施例，所述推送模块包括，第三确定子模块，用于从所述多个对象中确定部分对象作为第一集合，优先级确定子模块，用于根据所述第一集合中的各个对象的属性信息、用户的行为信息、以及/或者，用户的属性信息，通过神经网络，获得所述各个对象的推荐优先级，第四确定子模块，用于根据所述推荐优先级，从所述第一集合中确定部分或全部对象作为第二集合，以及第三推送子模块，用于推送所述第二集合中的对象。

根据本公开的实施例，所述优先级确定子模块包括，训练单元，用于使用训练集训练所述神经网络，所述训练集包括用户行为数据，所述推荐优先级为用户行为发生的概率。

根据本公开的实施例，所述神经网络包括深度神经网络部分和逻辑回归部分，所述优先级确定子模块包括，第一处理单元，用于根据用户属性信息、用户行为信息、以及对象属性信息，通过所述深度神经网络部分，获得第一结果，第二处理单元，用于根据用户行为信息，以及对象属性信息，通过所述逻辑回归部分，获得第二结果，以及第三处理单元，用于处理所述第一结果和所述第二结果，获得所述各个对象的推荐优先级。

本公开的另一方面提供了一种电子设备，包括，一个或多个处理器，以及存储装置，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如上所述任意一项方法。

本公开的另一方面提供了一种计算机可读介质，其上存储有可执行指令，所述指令被处理器执行时使处理器执行如上所述任意一项方法。

本公开的另一方面提供了一种计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

根据本公开的实施例，可以至少部分地解决推送过程中冷启动的问题，通过神经网络，学习对象的图像特征，能够较好地推送新出现的对象。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的可以应用推送方法、***及电子设备的示例性***架构；

图2示意性示出了根据本公开实施例的推送方法的流程图；

图3A示意性示出了根据本公开实施例的基于所述图像特征，推送所述多个对象中的部分对象的流程图；

图3B示意性示出了根据本公开另一实施例的基于所述图像特征，推送所述多个对象中的部分对象的流程图；

图4示意性示出了根据本公开实施例的推送所述多个对象中的部分对象的流程图；

图5示意性示出了根据本公开实施例的根据所述第一集合中的各个对象的属性信息、用户的行为信息、以及/或者，用户的属性信息，通过神经网络，获得所述各个对象的推荐优先级的流程图；

图6示意性示出了根据本公开实施例的推送***的框图；

图7A示意性示出了根据本公开实施例的推送模块的框图；

图7B示意性示出了根据本公开另一实施例的推送模块的框图；

图8示意性示出了根据本公开另一实施例的推送模块的框图；

图9示意性示出了根据本公开实施例的优先级确定子模块的框图；

图10示意性示出了根据本公开另一实施例的优先级确定子模块的框图；

图11示意性示出了根据本公开实施例的适于实现推送方法和/或***的计算机***的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。这里使用的词语“一”、“一个(种)”和“该”等也应包括“多个”、“多种”的意思，除非上下文另外明确指出。此外，在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的***”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的***等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的***”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的***等)。本领域技术人员还应理解，实质上任意表示两个或更多可选项目的转折连词和/或短语，无论是在说明书、权利要求书还是附图中，都应被理解为给出了包括这些项目之一、这些项目任一方、或两个项目的可能性。例如，短语“A或B”应当被理解为包括“A”或“B”、或“A和B”的可能性。

图1示意性示出了根据本公开实施例的可以应用推送方法、***及电子设备的示例性***架构100。

如图1所示，根据该实施例的***架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备101、102、103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、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的推送方法一般可以由服务器105执行。相应地，本公开实施例所提供的推送***一般可以设置于服务器105中。本公开实施例所提供的推送方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的终端设备执行。相应地，本公开实施例所提供的推送***也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的终端设备中。

应该理解，图1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。

图2示意性示出了根据本公开实施例的推送方法的流程图。

如图2所示，该方法包括操作S210～S230。

在操作S210，获取所述多个对象的图像信息。

在操作S220，通过神经网络，从所述多个对象的图像信息中提取每个对象的图像特征。

在操作S230，基于所述图像特征，推送所述多个对象中的部分对象。

该方法通过使用神经网络处理对象的图像信息，能够很好地利用互联网中丰富的图像信息进行推荐，使得推荐结果更加个性化，且不需要繁复的人工提取特征的过程，同时，能够较好地对新对象进行推荐。

根据本公开实施例，在实施本方法之前，还可以获取用户的行为数据，以及用户和对象的各种属性，包括对象的来源、对象的分类、用户的偏好等等。另外，根据需要还可以进行数据清理与规范化，例如，将各种用户标识映射为用户唯一标识，以及清除一些异常数据等。

根据本公开实施例，对象提供者通常会提供对象的图像，因此，在操作S210，可以获取到对象的图像信息。

根据本公开实施例，用于从所述多个对象的图像信息中提取每个对象的图像特征的神经网络可以是卷积神经网络(Convolutional Neural Networks-简称CNN)，该网络避免了对图像的复杂前期预处理，可以直接输入原始图像。该神经网络例如可以包含输入层、卷积层、池化层、全连接层和输出层等部分。将原始图像作为输入，卷积层和池化层首先来学习输入图像中的局部空间结构和纹理信息，然后将局部信息汇合到全连接层，全连接层则学习更加抽象的包含了整个图像中的全局信息，最后输出层将全连接层的输出拼接成一个多维向量，作为图像特征输出。采用CNN网络可以自动挖掘特征，无需人工去尝试特征。

在获得图像特征之后，执行操作S230，基于所述图像特征，推送所述多个对象中的部分对象。

下面结合图3A和图3B所示意的实施例，对操作S230进行说明。

图3A示意性示出了根据本公开实施例的基于所述图像特征，推送所述多个对象中的部分对象的流程图。

如图3A所示，该方法包括操作S231、S232和S233。

在操作S231，根据用户历史行为，确定与用户相关的至少一个对象的图像信息。

在操作S232，通过神经网络，确定所述多个对象中的每个对象与所述与所述用户相关的至少一个对象的第一相似度。

在操作S233，基于所述第一相似度，推送所述多个对象中的部分对象。

例如，用户的历史行为数据显示，该用户曾经主动浏览过对象X₁,X₂,…,X_n，在操作S231，即可确定出与用户相关的对象X₁,X₂,…,X_n的图像信息A₁,A₂,…,A_n。在操作S232，将多个可被推荐的对象的图像信息B₁,B₂,…,B_m与A₁,A₂,…,A_n共同输入神经网络，基于获得的图像特征，确定B₁,B₂,…,B_m中的每个图像信息与A₁,A₂,…,A_n的相似度，即是多个对象中的每个对象与X₁,X₂,…,X_n的第一相似度。最后，在操作S233，基于所述第一相似度，例如可以根据相似度排序，推送所述多个对象中的相似度较高的部分对象。

该方法基于用户的历史行为，确定与用户相关的对象，通过神经网络获得其他对象与上述对象的相似度，并依此进行推荐，使推荐更加个性化，符合用户需求，提高了推荐的准确度。

图3B示意性示出了根据本公开另一实施例的基于所述图像特征，推送所述多个对象中的部分对象的流程图。

如图3B所示，该方法包括操作S234、S235和S236。

在操作S234，根据用户当前行为，确定当前对象的图像信息。

在操作S235，通过神经网络，确定所述多个对象中的每个对象与所述当前对象的第二相似度。

在操作S236，基于所述第二相似度，推送所述多个对象中的部分对象。

例如，用户当前正在浏览某个对象X，在操作S234，即可确定出与用户相关的对象X的图像信息A。在操作S235，将多个可被推荐的对象的图像信息B₁,B₂,…,B_m与A共同输入神经网络，基于获得的图像特征，确定B₁,B₂,…,B_m中的每个图像信息与A的相似度，即是多个对象中的每个对象与当前对象X的第二相似度。最后，在操作S236，基于所述第二相似度，例如可以根据相似度排序，推送所述多个对象中的与当前对象X相似度较高的部分对象。

该方法基于用户的当前行为，确定当前对象，通过神经网络获得其他对象与当前对象的相似度，并依此进行推荐，使得推荐对于用户当前需求的针对性更强。

上述两个实施例仅为示意性的，本领域技术人员还可以以其他方式，基于所述图像特征，从所述多个对象中的推送部分对象。

根据本公开实施例，基于所述图像特征，从所述多个对象中的推送部分对象的不同方式可以结合使用。下面参考图4所示意的实施例，对结合使用的情况进行说明。

图4示意性示出了根据本公开实施例的推送所述多个对象中的部分对象的流程图。

如图4所示，该方法包括操作S410、S420和S430。

在操作S410，从所述多个对象中确定部分对象作为第一集合。在采用多种方式推送的情况下，每种方式均会推送出部分对象，根据本公开实施例，可以将各种推送方式推送的对象汇总，形成第一集合。

在操作S420，根据所述第一集合中的各个对象的属性信息、用户的行为信息、以及/或者，用户的属性信息，通过神经网络，获得所述各个对象的推荐优先级。根据本公开实施例，将所述第一集合中的各个对象的属性信息、用户的行为信息、以及/或者，用户的属性信息作为输入，输入神经网络，神经网络处理后，输出各个对象的推荐优先级。

为了实现上述目的，需要训练神经网络。根据本公开实施例，可以使用训练集训练所述神经网络，所述训练集包括用户行为数据，所述推荐优先级为用户行为发生的概率。对于用户和各个对象，收集用户和对象的相关信息作为输入，用户针对各个对象的操作作为结果，例如，以用户点击并浏览该对象相关内容作为判断依据，将上述内容作为训练集，对神经网络进行训练。使用经过上述训练的神经网络，当输入用户和对象的相关信息时，可以预测用户操作，例如，用户是否会点击并浏览该对象的相关内容。预测结果体现为事件发生的概率，可以将该概率作为推荐优先级。

该方法提供了的训练方法可以根据实时发生的操作，自动地获取训练数据，并持续地进行训练，节省了人工成本，并且能够有效地训练模型。

在操作S430，根据所述推荐优先级，从所述第一集合中确定部分或全部对象作为第二集合。例如，可以根据推荐优先级排序，确定所述第一集合中推荐优先级较高的部分对象作为第二集合。在确定优先级较高的部分对象时，可以预设一个阈值，选择推荐优先级高于预设阈值的对象，也可以选择第一集合中推荐优先级相对较高一定数量的对象，作为第二集合，当然，以上两种方式也可以结合使用。

在操作S440，推送所述第二集合中的对象。

该方法通过神经网络获得各个对象的推荐优先级，并根据优先级进行推送，使得可以推送出有限个最适合的对象。

图5示意性示出了根据本公开实施例的根据所述第一集合中的各个对象的属性信息、用户的行为信息、以及/或者，用户的属性信息，通过神经网络，获得所述各个对象的推荐优先级的流程图。

如图5所示，该方法包括操作S510、S520和S530。

在操作S510，根据用户属性信息、用户行为信息、以及对象属性信息，通过所述深度神经网络部分，获得第一结果。深度神经网络部分能够学习特征之间的交叉，以得到泛化性更强的第一结果。

在操作S520，根据用户行为信息，以及对象属性信息，通过所述逻辑回归部分，获得第二结果。逻辑回归部分具有较好的记忆性

在操作S530，处理所述第一结果和所述第二结果，获得所述各个对象的推荐优先级。根据本公开实施例，综合上述第一结果和第二结果，再次回归，例如使用softmax回归，获得所述各个对象的推荐优先级。

该方法通过引入用户属性信息，并采用深度神经网络部分，同时针对用户行为和商品使用逻辑回归，使得结果能够同时具有较好的泛化性和记忆性。

图6示意性示出了根据本公开实施例的推送***600的框图。

如图6所示，该推送***600包括图像获取模块610、特征提取模块620和推送模块630。

图像获取模块610，例如执行上文参考图2描述的操作S210，用于获取所述多个对象的图像信息。

特征提取模块620，例如执行上文参考图2描述的操作S220，用于通过神经网络，从所述多个对象的图像信息中提取每个对象的图像特征。

推送模块630，例如执行上文参考图2描述的操作S230，用于基于所述图像特征，推送所述多个对象中的部分对象。

图7A示意性示出了根据本公开实施例的推送模块630的框图。

如图7所示，该推送模块630包括第一确定子模块710、第一比较子模块720、第一推送子模块730。

第一确定子模块710，例如执行上文参考图3A描述的操作S231，用于根据用户历史行为，确定与所述用户相关的至少一个对象的图像信息。

第一比较子模块720，例如执行上文参考图3A描述的操作S232，用于通过神经网络，确定所述多个对象中的每个对象与所述与所述用户相关的至少一个对象的第一相似度。

第一推送子模块730，例如执行上文参考图3A描述的操作S233，用于基于所述第一相似度，推送所述多个对象中的部分对象。

图7B示意性示出了根据本公开另一实施例的推送模块630的框图。

如图7B所示，该推送模块630包括第二确定子模块740、第二比较子模块750、第二推送子模块760。

第二确定子模块740，例如执行上文参考图3B描述的操作S234，用于根据用户当前行为，确定当前对象的图像信息。

第二比较子模块750，例如执行上文参考图3B描述的操作S235，用于通过神经网络，确定所述多个对象中的每个对象与所述当前对象的第二相似度。

第二推送子模块760，例如执行上文参考图3B描述的操作S236，用于基于所述第二相似度，推送所述多个对象中的部分对象。

图8示意性示出了根据本公开另一实施例的推送模块630的框图。

如图8所示，该推送模块630包括第三确定子模块810、优先级确定子模块820、第四确定子模块830、第三推送子模块840。

第三确定子模块810，例如执行上文参考图4描述的操作S410，用于从所述多个对象中确定部分对象作为第一集合。

优先级确定子模块820，例如执行上文参考图4描述的操作S420，用于根据所述第一集合中的各个对象的属性信息、用户的行为信息、以及/或者，用户的属性信息，通过神经网络，获得所述各个对象的推荐优先级。

第四确定子模块830，例如执行上文参考图4描述的操作S430，用于根据所述推荐优先级，从所述第一集合中确定部分或全部对象作为第二集合。

第三推送子模块840，例如执行上文参考图4描述的操作S440，用于推送所述第二集合中的对象。

图9示意性示出了根据本公开实施例的优先级确定子模块920框图。

如图9所示，该优先级确定子模块820包括训练单元910。

训练单元910，用于使用训练集训练所述神经网络，所述训练集包括用户行为数据，所述推荐优先级为用户行为发生的概率。

图10示意性示出了根据本公开另一实施例的优先级确定子模块820框图。

如图10所示，该优先级确定子模块820包括第一处理单元1010、第二处理单元1020和第三处理单元1030。

第一处理单元1010，例如执行上文参考图5描述的操作S510，用于根据用户属性信息、用户行为信息、以及对象属性信息，通过所述深度神经网络部分，获得第一结果。

第二处理单元1020，例如执行上文参考图5描述的操作S520，用于根据用户行为信息，以及对象属性信息，通过所述逻辑回归部分，获得第二结果。

第三处理单元1030，例如执行上文参考图5描述的操作S530，用于处理所述第一结果和所述第二结果，获得所述各个对象的推荐优先级。

图11示意性示出了根据本公开实施例的适于实现信息处理方法和/或***的计算机***1100的方框图。

图11示出的计算机***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11所示，根据本公开实施例的计算机***1100包括处理器1101，其可以根据存储在只读存储器(ROM)1102中的程序或者从存储部分1108加载到随机访问存储器(RAM)1103中的程序而执行各种适当的动作和处理。处理器1101例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器1101还可以包括用于缓存用途的板载存储器。处理器1101可以包括用于执行参考图2～图5描述的根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 1103中，存储有***1100操作所需的各种程序和数据。处理器1101、ROM1102以及RAM 1103通过总线1104彼此相连。处理器1101通过执行ROM 1102和/或RAM 1103中的程序来执行以上参考图2～图5描述的信息处理方法的各种操作。需要注意，所述程序也可以存储在除ROM 1102和RAM 1103以外的一个或多个存储器中。处理器1101也可以通过执行存储在所述一个或多个存储器中的程序来执行以上参考图2～图5描述的信息处理方法的各种操作。

根据本公开的实施例，***1100还可以包括输入/输出(I/O)接口1105，输入/输出(I/O)接口1105也连接至总线1104。***1100还可以包括连接至I/O接口1105的以下部件中的一项或多项：包括键盘、鼠标等的输入部分1106；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1107；包括硬盘等的存储部分1108；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1110上，以便于从其上读出的计算机程序根据需要被安装入存储部分1108。

根据本公开的实施例，上文参考流程图描述的方法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部分1109从网络上被下载和安装，和/或从可拆卸介质1111被安装。在该计算机程序被处理器1101执行时，执行本公开实施例的***中限定的上述功能。根据本公开的实施例，上文描述的***、设备、装置、模块、单元等可以通过计算机程序模块来实现。

需要说明的是，本公开所示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***、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***、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的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。计算机可读的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，该计算机可读介质可以发送、传播或者传输用于由指令执行***、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：无线、电线、光缆、RF等等，或者上述的任意合适的组合。根据本公开的实施例，计算机可读介质可以包括上文描述的ROM 1102和/或RAM 1103和/或ROM 1102和RAM 1103以外的一个或多个存储器。

附图中的流程图和框图，图示了按照本公开各种实施例的***、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，上述模块、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，框图或流程图中的每个方框、以及框图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***来实现，或者可以用专用硬件与计算机指令的组合来实现。

作为另一方面，本公开还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。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一个该设备执行时，使得该设备执行参考图2～图5描述的根据本公开实施例的方法。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (14)

1.一种推送方法，用于从多个对象中推送部分对象，所述方法包括：

获取所述多个对象的图像信息；

通过神经网络，从所述多个对象的图像信息中提取每个对象的图像特征；以及

基于所述图像特征，推送所述多个对象中的部分对象。

2.根据权利要求1所述的方法，其中，所述基于所述图像特征，推送所述多个对象中的部分对象包括：

根据用户历史行为，确定与所述用户相关的至少一个对象的图像信息；

通过神经网络，确定所述多个对象中的每个对象与所述与所述用户相关的至少一个对象的第一相似度；以及

基于所述第一相似度，推送所述多个对象中的部分对象。

3.根据权利要求1所述的方法，其中，所述基于所述图像特征，推送所述多个对象中的部分对象包括：

根据用户当前行为，确定当前对象的图像信息；

通过神经网络，确定所述多个对象中的每个对象与所述当前对象的第二相似度；以及

基于所述第二相似度，推送所述多个对象中的部分对象。

4.根据权利要求1所述的方法，其中，所述推送所述多个对象中的部分对象包括：

从所述多个对象中确定部分对象作为第一集合；

根据所述第一集合中的各个对象的属性信息、用户的行为信息、以及/或者，用户的属性信息，通过神经网络，获得所述各个对象的推荐优先级；

根据所述推荐优先级，从所述第一集合中确定部分或全部对象作为第二集合；以及

推送所述第二集合中的对象。

5.根据权利要求4所述的方法，其中，所述根据所述第一集合中的各个对象的属性信息、用户的行为信息、以及/或者，用户的属性信息，通过神经网络，获得所述各个对象的推荐优先级包括：

使用训练集训练所述神经网络，所述训练集包括用户行为数据，所述推荐优先级为用户行为发生的概率。

6.根据权利要求4所述的方法，其中，所述神经网络包括深度神经网络部分和逻辑回归部分，所述根据所述第一集合中的各个对象的属性信息、用户的行为信息、以及/或者，用户的属性信息，通过神经网络，获得所述各个对象的推荐优先级包括：

根据用户属性信息、用户行为信息、以及对象属性信息，通过所述深度神经网络部分，获得第一结果；

根据用户行为信息，以及对象属性信息，通过所述逻辑回归部分，获得第二结果；以及

处理所述第一结果和所述第二结果，获得所述各个对象的推荐优先级。

7.一种推送***，用于从多个对象中推送部分对象，所述***包括：

图像获取模块，用于获取所述多个对象的图像信息；

特征提取模块，用于通过神经网络，从所述多个对象的图像信息中提取每个对象的图像特征；以及

推送模块，用于基于所述图像特征，推送所述多个对象中的部分对象。

8.根据权利要求7所述的***，其中，所述推送模块包括：

第一确定子模块，用于根据用户历史行为，确定与所述用户相关的至少一个对象的图像信息；

第一比较子模块，用于通过神经网络，确定所述多个对象中的每个对象与所述与所述用户相关的至少一个对象的第一相似度；以及

第一推送子模块，用于基于所述第一相似度，推送所述多个对象中的部分对象。

9.根据权利要求7所述的***，其中，所述推送模块包括：

第二确定子模块，用于根据用户当前行为，确定当前对象的图像信息；

第二比较子模块，用于通过神经网络，确定所述多个对象中的每个对象与所述当前对象的第二相似度；以及

第二推送子模块，用于基于所述第二相似度，推送所述多个对象中的部分对象。

10.根据权利要求7所述的***，其中，所述推送模块包括：

第三确定子模块，用于从所述多个对象中确定部分对象作为第一集合；

优先级确定子模块，用于根据所述第一集合中的各个对象的属性信息、用户的行为信息、以及/或者，用户的属性信息，通过神经网络，获得所述各个对象的推荐优先级；

第四确定子模块，用于根据所述推荐优先级，从所述第一集合中确定部分或全部对象作为第二集合；以及

第三推送子模块，用于推送所述第二集合中的对象。

11.根据权利要求10所述的***，其中，所述优先级确定子模块包括：

训练单元，用于使用训练集训练所述神经网络，所述训练集包括用户行为数据，所述推荐优先级为用户行为发生的概率。

12.根据权利要求10所述的***，其中，所述神经网络包括深度神经网络部分和逻辑回归部分，所述优先级确定子模块包括：

第一处理单元，用于根据用户属性信息、用户行为信息、以及对象属性信息，通过所述深度神经网络部分，获得第一结果；

第二处理单元，用于根据用户行为信息，以及对象属性信息，通过所述逻辑回归部分，获得第二结果；以及

第三处理单元，用于处理所述第一结果和所述第二结果，获得所述各个对象的推荐优先级。

13.一种电子设备，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，

其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如权利要求1～7中任意一项所述的方法。

14.一种计算机可读介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行如权利要求1～7中任意一项所述的方法。