CN109767261A - 产品推荐方法、装置、计算机设备和存储介质 - Google Patents
产品推荐方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109767261A CN109767261A CN201811546833.2A CN201811546833A CN109767261A CN 109767261 A CN109767261 A CN 109767261A CN 201811546833 A CN201811546833 A CN 201811546833A CN 109767261 A CN109767261 A CN 109767261A
- Authority
- CN
- China
- Prior art keywords
- micro
- expression
- information
- obtains
- client
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000014509 gene expression Effects 0.000 claims abstract description 195
- 230000001815 facial effect Effects 0.000 claims abstract description 74
- 238000012549 training Methods 0.000 claims description 136
- 238000006243 chemical reaction Methods 0.000 claims description 41
- 238000003066 decision tree Methods 0.000 claims description 29
- 230000002996 emotional effect Effects 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 25
- 238000003062 neural network model Methods 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 3
- 239000000047 product Substances 0.000 claims 38
- 230000005540 biological transmission Effects 0.000 claims 1
- 239000006227 byproduct Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 238000010801 machine learning Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000036651 mood Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010016275 Fear Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请涉及人工智能中的机器学习，提供一种产品推荐方法、装置、计算机设备和存储介质。所述方法包括：通过获取客户人脸图像，根据客户人脸图像进行人脸识别，得到识别结果，根据识别结果得到客户信息；根据客户人脸图像提取微表情特征，将微表情特征输入到已训练的微表情识别模型中，得到微表情输出特征，根据微表情输出特征得到客户微表情；根据客户微表情确定对应的客户情绪状态，根据客户情绪状态和客户信息得到客户特征信息，将客户特征信息输入已训练的产品推荐模型中，得到产品输出向量，根据产品输出向量得到对应的推荐产品信息，将推荐产品信息发送终端。采用本方法能够提高推荐的针对性和准确性。
Description
技术领域
本申请涉及互联网技术领域，特别是涉及一种产品推荐方法、装置、计算机设备和存储介质。
背景技术
随着目前保险行业的发展，保险产品的种类越来越多，客户可选择的内容越来越多，造成客户选择难度加大。目前。都是客户提出需求后，保险业务人员通过与客户面对面进行沟通交流，确定客户需要的产品，客户主要是依赖业务人员的推荐进行选择。保险业务人员在进行推荐时，经常会发生推荐的产品与客户需求不符的问题，针对性和准确性都较低，难以满足客户需求。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高产品推荐的针对性和准确性的产品推荐方法、装置、计算机设备和存储介质。
一种产品推荐方法，所述方法包括：
获取客户人脸图像，根据客户人脸图像进行人脸识别，得到识别结果，根据识别结果得到客户信息；
根据客户人脸图像提取微表情特征，将微表情特征输入到已训练的微表情识别模型中，得到微表情输出特征，根据微表情输出特征得到客户微表情；
根据客户微表情确定对应的客户情绪状态，根据客户情绪状态和客户信息得到客户特征信息，将客户特征信息输入已训练的产品推荐模型中，得到产品输出向量，根据产品输出向量得到对应的推荐产品信息，将推荐产品信息发送终端。
在其中一个实施例中，根据客户微表情确定对应的客户情绪状态，根据客户情绪状态和客户信息得到客户特征信息，将客户特征信息输入已训练的产品推荐模型中，得到产品输出向量，根据产品输出向量得到对应的推荐产品信息，将推荐产品信息发送终端之后，还包括：
获取当前时间，将当前时间，客户情绪状态，客户信息和推荐产品信息关联写入预设推荐报告模板，得到目标推荐报告，将目标推荐报告保存。
在其中一个实施例中，根据产品输出向量得到对应的推荐产品信息，将推荐产品信息发送终端，包括：
根据产品输出向量得到对应的推荐产品信息，获取终端提交的当前推荐产品信息，当推荐产品信息与当前推荐产品信息不一致时，将推荐产品信息发送终端。
在其中一个实施例中，已训练的产品推荐模型的生成步骤，包括：
获取历史推荐报告，根据历史推荐报告得到历史客户信息、历史客户情绪状态和对应的历史推荐产品信息；
根据历史客户信息和历史客户情绪状态提取历史客户特征信息，根据历史推荐产品信息得到历史产品输出向量；
将历史客户特征信息作为神经网络模型的输入，将历史产品输出向量作为神经网络模型的标签进行训练，当达到预设条件时，得到已训练的产品推荐模型。
在其中一个实施例中，已训练的微表情识别模型的生成步骤，包括：
获取历史客户人脸图像和对应的微表情，根据历史客户人脸图像和对应的微表情得到初始样本集；
从初始样本集中随机有放回采样，得到目标训练集；
根据目标训练集得到对应的微表情特征集，从微表情特征集随机抽取部分微表情特征，得到目标微表情特征集；
从目标表情特征集中使用基尼指数算法得到划分微表情特征，使用划分微表情特征对目标训练集进行划分，得到子训练集，将子训练集作为目标训练集；
返回根据目标训练集得到对应的微表情特征集，从微表情特征集随机抽取部分微表情特征，得到目标微表情特征集的步骤执行，当达到预设条件时，得到目标微表情决策树；
返回从初始样本集中随机有放回采样，得到目标训练集的步骤执行，当达到预设数目的目标微表情决策树时，得到已训练的微表情识别模型。
一种产品推荐装置，所述装置包括：
人脸识别模块，用于获取客户人脸图像，根据所述客户人脸图像进行人脸识别，得到识别结果，根据所述识别结果得到客户信息；
微表情识别模块，用于根据所述客户人脸图像提取微表情特征，将所述微表情特征输入到已训练的微表情识别模型中，得到微表情输出特征，根据所述微表情输出特征得到客户微表情；
推荐产品得到模块，用于根据所述客户微表情确定对应的客户情绪状态，根据所述客户情绪状态和所述客户信息得到客户特征信息，将所述客户特征信息输入已训练的产品推荐模型中，得到产品输出向量，根据所述产品输出向量得到对应的推荐产品信息，将所述推荐产品信息发送终端。
在其中一个实施例中，所述装置，还包括：
报告获取模块，用于获取历史推荐报告，根据所述历史推荐报告得到历史客户信息、历史客户情绪状态和对应的历史推荐产品信息；
提取模块，用于根据所述历史客户信息和所述历史客户情绪状态提取历史客户特征信息，根据历史推荐产品信息得到历史产品输出向量；
网络训练模块，用于将所述历史客户特征信息作为神经网络模型的输入，将历史产品输出向量作为所述神经网络模型的标签进行训练，当达到预设条件时，得到所述已训练的产品推荐模型。
在其中一个实施例中，所述已训练的微表情识别模型的生成步骤，包括：
初始样本得到模块，用于获取历史客户人脸图像和对应的微表情，根据所述历史客户人脸图像和对应的微表情得到初始样本集；
训练集得到模块，用于从所述初始样本集中随机有放回采样，得到目标训练集；
特征集得到模块，用于根据所述目标训练集得到对应的微表情特征集，从所述微表情特征集随机抽取部分微表情特征，得到目标微表情特征集；
子训练集得到模块，用于从所述目标表情特征集中使用基尼指数算法得到划分微表情特征，使用所述划分微表情特征对所述目标训练集进行划分，得到子训练集，将子训练集作为目标训练集；
决策树得到模块，用于返回根据所述目标训练集得到对应的微表情特征集，从所述微表情特征集随机抽取部分微表情特征，得到目标微表情特征集的步骤执行，当达到预设条件时，得到目标微表情决策树；
模型得到模块，用于返回从所述初始样本集中随机有放回采样，得到目标训练集的步骤执行，当达到预设数目的目标微表情决策树时，得到所述已训练的微表情识别模型。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取客户人脸图像，根据客户人脸图像进行人脸识别，得到识别结果，根据识别结果得到客户信息；
根据客户人脸图像提取微表情特征，将微表情特征输入到已训练的微表情识别模型中，得到微表情输出特征，根据微表情输出特征得到客户微表情；
根据客户微表情确定对应的客户情绪状态，根据客户情绪状态和客户信息得到客户特征信息，将客户特征信息输入已训练的产品推荐模型中，得到产品输出向量，根据产品输出向量得到对应的推荐产品信息，将推荐产品信息发送终端。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取客户人脸图像，根据客户人脸图像进行人脸识别，得到识别结果，根据识别结果得到客户信息；
根据客户人脸图像提取微表情特征，将微表情特征输入到已训练的微表情识别模型中，得到微表情输出特征，根据微表情输出特征得到客户微表情；
根据客户微表情确定对应的客户情绪状态，根据客户情绪状态和客户信息得到客户特征信息，将客户特征信息输入已训练的产品推荐模型中，得到产品输出向量，根据产品输出向量得到对应的推荐产品信息，将推荐产品信息发送终端。
上述产品推荐方法、装置、计算机设备和存储介质，通过获取客户人脸图像，根据客户人脸图像进行人脸识别，得到识别结果，根据识别结果得到客户信息；根据客户人脸图像提取微表情特征，将微表情特征输入到已训练的微表情识别模型中，得到微表情输出特征，根据微表情输出特征得到客户微表情；根据客户微表情确定对应的客户情绪状态，根据客户情绪状态和客户信息得到客户特征信息，将客户特征信息输入已训练的产品推荐模型中，得到产品输出向量，根据产品输出向量得到对应的推荐产品信息，将推荐产品信息发送终端。通过实时获取客户的人脸图像，得到客户信息，通过微表情识别得到客户的情绪状态，然后根据客户信息和客户的情绪状态使用产品推荐模型得到实时的推荐产品信息，将推荐产品信息发送终端，终端进行显示，业务人员根据实时的客户数据得到的推荐产品信息进行推荐，能够提高推荐的针对性和准确性，满足客户需求。
附图说明
图1为一个实施例中产品推荐方法的应用场景图；
图2为一个实施例中产品推荐方法的流程示意图；
图3为一个实施例中训练产品推荐模型的流程示意图；
图4为一个实施例中训练微表情识别模型的流程示意图；
图5为一个实施例中产品推荐装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的产品推荐方法，可以应用于如图1所示的应用环境中。其中，视频采集装置102通过网络与服务器104进行通信，服务器104与终端106通过网络进行通信。服务器104获取图像采集装置102采集的客户人脸图像，根据客户人脸图像进行人脸识别，得到识别结果，根据识别结果得到客户信息；服务器104根据客户人脸图像提取微表情特征，将微表情特征输入到已训练的微表情识别模型中，得到微表情输出特征，根据微表情输出特征得到客户微表情；服务器104根据客户微表情确定对应的客户情绪状态，根据客户情绪状态和客户信息得到客户特征信息，将客户特征信息输入已训练的产品推荐模型中，得到产品输出向量，根据产品输出向量得到对应的推荐产品信息，将推荐产品信息发送终端106。其中，终端106可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，视频采集装置10可以包括摄像头，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种产品推荐方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
S202，获取客户人脸图像，根据客户人脸图像进行人脸识别，得到识别结果，根据识别结果得到客户信息。
其中，客户人脸图像是指使用图像采集装置得到的客户人脸图像。图像采集装置用于采集人脸图像，该图像采集装置可以是摄像头、摄像机或扫描装置等。客户信息用于描述客户的信息，包括客户的基本信息和客户已购买产品的信息。
具体的，服务器可以预先从实时收集的客户视频中每间隔预设时长截取视频帧，得到视频图像，根据该视频图像进行人脸检测得到客户人脸图像。根据客户人脸图像进行人脸识别，得到识别结果，根据识别结果得到客户信息。人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。人脸识别包括：图像采集、人脸检测、人脸图像预处理、人脸图像特征提取和人脸图像你匹配与识别。
S204，根据客户人脸图像提取微表情特征，将微表情特征输入到已训练的微表情识别模型中，得到微表情输出特征，根据微表情输出特征得到客户微表情。
其中，微表情特征用于反映客户图像的脸部的特征，包括：上脸部特征、下脸部特征、嘴部特征和其他特征等。微表情识别模型是指根据历史客户人脸图像和该客户人脸图像对应的历史微表情使用随机森林算法进行训练得到的，用于进行微表情的识别。微表情输出特征是用于描述得到的微表情的特征。该微表情具有7大类型的微表情，包括高兴类型微表情、生气类型微表情、恐惧类型微表情、伤心类型微表情、害怕类型微表情、惊喜类型微表情和自然类型微表情。
具体地，服务器根据客户人脸图像提取微表情特征，将微表情特征输入到已训练的微表情识别模型中，得到微表情输出特征，服务器根据在训练时设置好的微表情输出特征和预设微表情的对应关系得到该微表情输出特征对应的客户微表情。在进行微表情识别时，每一棵决策树都会输出一个微表情对应的输出特征，统计所有决策树输出的微表情输出特征的占比，占比高的输出特征为模型输出特征。比如100棵决策树，其中98棵输出特征的是冷静表情对应的输出特征，2棵输出的是其他表情对应的输出特征，则表情识别模型识别的结果为冷静表情对应的输出特征。
S206，根据客户微表情确定对应的客户情绪状态，根据客户情绪状态和客户信息得到客户特征信息，将客户特征信息输入已训练的产品推荐模型中，得到产品输出向量，根据产品输出向量得到对应的推荐产品信息，将推荐产品信息发送终端。
其中，客户情绪状态是指当前客户的情绪状态，每一个微表情都对应一个预先设置好的情绪状态。客户特征信息是指用于描述客户具体的特征信息，包括客户当前情绪状态特征信息、客户基本信息特征信息和客户已购买产品特征信息等等。产品推荐模型是根据历史客户特征信息和对应的历史推荐产品信息使用神经网络算法进行训练得到的，用于对推荐产品的预测。该终端是业务人员对应的终端，可以是智能手机。
具体地，服务器根据客户微表情确定对应的客户情绪状态，根据客户情绪状态和客户信息得到客户特征信息，将客户特征信息输入已训练的产品推荐模型中，得到产品输出向量，根据产品输出向量得到对应的推荐产品信息，将推荐产品信息发送终端，终端将得到的推荐产品信息进行显示，以使业务人员根据显示的推荐产品对客户进行产品推荐。比如，当客户不满意当前推荐的产品时，此时，客户的情绪状态可以是半信半疑，最后根据客户的情绪状态和客户的基本信息得到的新的推荐产品信息，将新的推荐产品信息在终端进行显示，屏提醒业务人员进行新的推荐。在一个实施例中，得到的推荐产品信息可以有多个，当推荐产品信息中包括当前推荐的产品信息时，则说明业务人员的推荐产品符合客户需求，当推荐产品信息中未包括当前推荐的产品信息，则业务人员重新选择推荐产品信息中的产品进行推荐，满足客户需求。
上述产品推荐方法中，通过获取客户人脸图像，根据客户人脸图像进行人脸识别，得到识别结果，根据识别结果得到客户信息。根据客户人脸图像提取微表情特征，将微表情特征输入到已训练的微表情识别模型中，得到微表情输出特征，根据微表情输出特征得到客户微表情。根据客户微表情确定对应的客户情绪状态，根据客户情绪状态和客户信息得到客户特征信息，将客户特征信息输入已训练的产品推荐模型中，得到产品输出向量，根据产品输出向量得到对应的推荐产品信息，将推荐产品信息发送终端，业务人员根据实时的客户数据得到的推荐产品信息进行推荐，能够提高推荐的针对性和准确性，满足客户需求。
在一个实施例中，在步骤S206之后，即在根据客户微表情确定对应的客户情绪状态，根据客户情绪状态和客户信息得到客户特征信息，将客户特征信息输入已训练的产品推荐模型中，得到产品输出向量，根据产品输出向量得到对应的推荐产品信息，将推荐产品信息发送终端之后，还包括步骤：
获取当前时间，将当前时间，客户情绪状态，客户信息和推荐产品信息关联写入预设推荐报告模板，得到目标推荐报告，将目标推荐报告保存。
其中，预设推荐报告模板是预先设置好的用于记录推荐产品相关信息的报告。
具体地，服务器获取当前时间，将此时的客户情绪状态、客户信息和推荐产品嘻嘻你关联写入预先设置好的推荐报告模板中，得到目标推荐报告，将目标推荐报告保存到数据库中，方便后续的查看和使用。
在一个实施例中，根据产品输出向量得到对应的推荐产品信息，将推荐产品信息发送终端，包括：
根据产品输出向量得到对应的推荐产品信息，获取终端提交的当前推荐产品信息，当推荐产品信息与当前推荐产品信息不一致时，将推荐产品信息发送终端。
具体地，服务器获取到终端提交的当前推荐产品信息，该推荐产品信息是业务人员在于客户进行沟通之前，通过终端提交的服务器的。当沟通开始后，服务器根据产品输出向量得到对应的推荐产品信息，此时服务器判断当前推荐产品信息和计算得到的推荐产品信息是否一致，比如可以根据产品编号来进行判断，可以根据产品名称进行判断等等。当推荐产品信息与当前推荐产品信息不一致时，将计算得到的推荐产品信息发送终端。当推荐产品信息与当前推荐产品信息一致时，可以向终端发送推荐产品适合的提示。能够业务人员更方便的根据得到的信息进行处理，提高了业务人员推荐产品的效率和准确性。
在一个实施例中，还可以将推荐产品信息转换为语音信息，服务器将转换后的语音信息发送的业务人员的语音装置中进行播放，以使业务人员得到推荐产品信息。
在一个实施例中，如图3所示，已训练的产品推荐模型的生成步骤，包括步骤：
S302，获取历史推荐报告，根据历史推荐报告得到历史客户信息、历史客户情绪状态和对应的历史推荐产品信息。
具体地，服务器获取历史推荐报告，根据历史推荐报告得到历史客户信息、历史客户情绪状态和对应的历史推荐产品信息。
S304，根据历史客户信息和历史客户情绪状态提取历史客户特征信息，根据历史推荐产品信息得到历史产品输出向量。
具体的，服务器根据历史客户信息和历史客户情绪状态提取历史客户特征信息，根据历史推荐产品信息得到历史产品输出向量。
S306，将历史客户特征信息作为神经网络模型的输入，将历史产品输出向量作为神经网络模型的标签进行训练，当达到预设条件时，得到已训练的产品推荐模型。
其中，预设条件是预先设置好的用来判断训练完成的条件，包括迭代次数达到最大次数和评价函数的值达到预设阈值。
具体地，服务器将历史客户特征信息作为神经网络模型的输入，将历史客户特征信息作为神经网络模型的输入，当达到预设条件时，得到已训练的产品推荐模型。首先，进行初始化，即对神经网络的权值和偏置进行随机赋值，并随机选出第一个输入样本。设定迭代次数n，向前传递并求出各个隐藏层以及输出层的输出。求出输出层与预期的输出(即标签)的偏差E，反向传播误差，求出每个隐藏层的误差。调整神经元的权重以及偏置。判断样本是否训练结束，若否，迭代次数加1。若是，输入下一个样本。其中，使用最小化均方差，来衡量误差大小，公式：
在上述实施例中，通过获取历史推荐报告，根据历史推荐报告得到历史客户信息、历史客户情绪状态和对应的历史推荐产品信息，根据历史客户信息和历史客户情绪状态提取历史客户特征信息，根据历史推荐产品信息得到历史产品输出向量，将历史客户特征信息作为神经网络模型的输入，将历史产品输出向量作为神经网络模型的标签进行训练，当达到预设条件时，得到已训练的产品推荐模型，能够预先训练好产品推荐模型。在进行产品推荐时可以直接使用，提高得到推荐产品的效率。
在一个实施例中，如图4所示，已训练的微表情识别模型的生成步骤，包括：
S402，获取历史客户人脸图像和对应的微表情，根据历史客户人脸图像和对应的微表情得到初始样本集。
具体地，服务器获取历史客户人脸图像和对应的微表情。其中，历史客户人脸图像可以是根据历史业务人员与客户的沟通视频中通过人脸识别得到。根据历史客户人脸图像得到历史客户微表情特征，根据对应的微表情得到历史微表情输出特征，根据得到的历史客户微表情特征和历史微表情输出特征得到初始样本集。
S404，从初始样本集中随机有放回采样，得到目标训练集。
S406，根据目标训练集得到对应的微表情特征集，从微表情特征集随机抽取部分微表情特征，得到目标微表情特征集。
其中，目标训练集是指从初始样本集中随机选取的样本得到的集合。微表情特征集是指由微表情特征组成的集合，是由历史视频中的视频图片提取到的。服务器根据目标训练集中的历史人脸图像，进行人脸检测得到的人脸图片，根据人脸图片得到历史微表情特征，根据得到的历史微表情特征得到历史微表情特征集，然后从历史微表情特征集中所及选取任意数量的特征得到目标微表情特征集。
S408，从目标表情特征集中使用基尼指数算法得到划分微表情特征，使用划分微表情特征对目标训练集进行划分，得到子训练集，将子训练集作为目标训练集。
其中，划分表情特征是用来划分目标训练集中的样本的特征。比如，划分表情特征为眉毛外角上扬，则将目标训练集中的上嘴唇上提的样本划分为一个子训练集，将目标训练集中的上嘴唇上提未上提的样本划分为另一个子训练集。
具体地，服务器根据目标微表情特征集使用基尼指数算法选取最优的划分表情特征，使用得到的划分表情特征对目标训练集进行划分，得到子训练集。将子训练集作为目标训练集，当该目标训练集为第一个节点时，该目标训练集为根节点，则进行划分后会得到左训练集和右训练集，将左训练集和右训练集都作为目标训练集。基尼指数表示在样本集合中一个随机选中的样本被分错的概率。选取最优的划分表情特征是指选取基尼指数最小的划分特征，根据该划分特征将该目标训练集的特征二值处理。
S410，返回根据目标训练集得到对应的微表情特征集，从微表情特征集随机抽取部分微表情特征，得到目标微表情特征集的步骤执行，当达到预设条件时，得到目标微表情决策树。
其中，预设条件是指目标训练集中样本的微表情都为同一种微表情。
具体地，服务器判断是否达到了预设条件，当未达到预设条件时，即目标训练集中样本的微表情标签不相同，此时服务器返回步骤S406进行执行，直到目标训练集中的微表情标签都相同时，即各个子训练集中的微表情标签都相同时，就得到了目标决策树。比如，得到的一个子训练集中的微表情标签都为不安，则说明该子训练集标签相同，则该子训练集就达到了预设条件，此时，还需要判断其它的子训练集是否达到了预设条件，当所有的子训练集都达到了预设条件，此时就得到了一颗目标决策树。
S412，返回从初始样本集中随机有放回采样，得到目标训练集的步骤执行，当达到预设数目的目标微表情决策树时，得到已训练的微表情识别模型。
具体地，当得到目标决策树时，服务器会判断目标决策树的数量是否达到了预设的数目，当目标决策树的数量达到了预设数目时，就得到了微表情随机森林模型。该微表情随机森林模型就作为微表情识别模型。当目标决策树的数量未达到预设数目时，服务器返回步骤S404进行执行，直到目标决策树的数量达到了预设数目。
上述实施例中，获取历史客户人脸图像和对应的微表情，根据历史客户人脸图像和对应的微表情得到初始样本集。从初始样本集中随机有放回采样，得到目标训练集。根据目标训练集得到对应的微表情特征集，从微表情特征集随机抽取部分微表情特征，得到目标微表情特征集。从目标表情特征集中使用基尼指数算法得到划分微表情特征，使用划分微表情特征对目标训练集进行划分，得到子训练集，将子训练集作为目标训练集。返回根据目标训练集得到对应的微表情特征集，从微表情特征集随机抽取部分微表情特征，得到目标微表情特征集的步骤执行，当达到预设条件时，得到目标微表情决策树。返回从初始样本集中随机有放回采样，得到目标训练集的步骤执行，当达到预设数目的目标微表情决策树时，得到已训练的微表情识别模型。可以直接使用已训练的微表情识别模型，提高微表情识别效率。
在一个具体的应用场景中，保险业务员先通过业务终端向服务器提交要推荐的保险产品A信息。当保险业务员在与客户面对面沟通时，通过摄像机录制客户视频信息，服务器接收到录制的客户视频信息，按照5秒的间隔抽取视频帧，得到客户图片，进行人脸识别，得到识别结果，根据识别结果得到服务器保存的客户信息。然后对客户图片进行微表情识别，得到客户人脸图像对应的微表情，根据微表情得到客户情绪状态。此时，服务器根据客户情绪状态和客户信息使用产品推荐模型计算出推荐的保险产品信息，当推荐的保险产品信息中包括保险产品A时，给业务人员对应的终端发送产品适合的提示，当推荐的保险产品信息中不包括保险产品A时，向业务人员对应的终端发送推荐的保险产品信息，能够提交保险产品推荐的针对性和准确性，满足客户需求。并提高保险业务人员的业务成功率，满足业务人员的需求。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种产品推荐装置500，包括：人脸识别模块502、微表情识别模块504和推荐产品得到模块506，其中：
人脸识别模块502，用于获取客户人脸图像，根据客户人脸图像进行人脸识别，得到识别结果，根据识别结果得到客户信息；
微表情识别模块504，用于根据客户人脸图像提取微表情特征，将微表情特征输入到已训练的微表情识别模型中，得到微表情输出特征，根据微表情输出特征得到客户微表情；
推荐产品得到模块506，用于根据客户微表情确定对应的客户情绪状态，根据客户情绪状态和客户信息得到客户特征信息，将客户特征信息输入已训练的产品推荐模型中，得到产品输出向量，根据产品输出向量得到对应的推荐产品信息，将推荐产品信息发送终端。
在上述产品推荐装置中，通过人脸识别模块502对客户人脸图像进行识别得到客户信息，在微表情识别模块504中通过客户人脸图像识别出客户的微表情，得到客户情绪状态，最后在推荐产品得到模块506中，通过客户情绪状态和客户信息得到对应的推荐产品信息，能够提高推荐的针对性和准确性，满足客户需求。
在一个实施例中，产品推荐装置500，还包括：
报告得到模块，用于获取当前时间，将当前时间，客户情绪状态，客户信息和推荐产品信息关联写入预设推荐报告模板，得到目标推荐报告，将目标推荐报告保存。
在一个实施例中，推荐产品得到模块506，包括：
推荐产品判断模块，用于根据产品输出向量得到对应的推荐产品信息，获取终端提交的当前推荐产品信息，当推荐产品信息与当前推荐产品信息不一致时，将推荐产品信息发送终端。
在一个实施例中，产品推荐装置500，包括：
历史报告获取模块，用于获取历史推荐报告，根据历史推荐报告得到历史客户信息、历史客户情绪状态和对应的历史推荐产品信息；
特征得到模块，用于根据历史客户信息和历史客户情绪状态提取历史客户特征信息，根据历史推荐产品信息得到历史产品输出向量；
模型训练模块，用于将历史客户特征信息作为神经网络模型的输入，将历史产品输出向量作为神经网络模型的标签进行训练，当达到预设条件时，得到已训练的产品推荐模型。
在一个实施例中，产品推荐装置500，包括：
初始样本得到模块，用于获取历史客户人脸图像和对应的微表情，根据历史客户人脸图像和对应的微表情得到初始样本集；
训练集得到模块，用于从初始样本集中随机有放回采样，得到目标训练集；
特征集得到模块，用于根据目标训练集得到对应的微表情特征集，从微表情特征集随机抽取部分微表情特征，得到目标微表情特征集；
子训练集得到模块，用于从目标表情特征集中使用基尼指数算法得到划分微表情特征，使用划分微表情特征对目标训练集进行划分，得到子训练集，将子训练集作为目标训练集；
决策树得到模块，用于返回根据目标训练集得到对应的微表情特征集，从微表情特征集随机抽取部分微表情特征，得到目标微表情特征集的步骤执行，当达到预设条件时，得到目标微表情决策树；
模型得到模块，用于返回从初始样本集中随机有放回采样，得到目标训练集的步骤执行，当达到预设数目的目标微表情决策树时，得到已训练的微表情识别模型。
关于产品推荐装置的具体限定可以参见上文中对于产品推荐方法的限定，在此不再赘述。上述产品推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储推荐产品相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种产品推荐方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取客户人脸图像，根据客户人脸图像进行人脸识别，得到识别结果，根据识别结果得到客户信息；根据客户人脸图像提取微表情特征，将微表情特征输入到已训练的微表情识别模型中，得到微表情输出特征，根据微表情输出特征得到客户微表情；根据客户微表情确定对应的客户情绪状态，根据客户情绪状态和客户信息得到客户特征信息，将客户特征信息输入已训练的产品推荐模型中，得到产品输出向量，根据产品输出向量得到对应的推荐产品信息，将推荐产品信息发送终端。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取当前时间，将当前时间，客户情绪状态，客户信息和推荐产品信息关联写入预设推荐报告模板，得到目标推荐报告，将目标推荐报告保存。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据产品输出向量得到对应的推荐产品信息，获取终端提交的当前推荐产品信息，当推荐产品信息与当前推荐产品信息不一致时，将推荐产品信息发送终端。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取历史推荐报告，根据历史推荐报告得到历史客户信息、历史客户情绪状态和对应的历史推荐产品信息；根据历史客户信息和历史客户情绪状态提取历史客户特征信息，根据历史推荐产品信息得到历史产品输出向量；将历史客户特征信息作为神经网络模型的输入，将历史产品输出向量作为神经网络模型的标签进行训练，当达到预设条件时，得到已训练的产品推荐模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取历史客户人脸图像和对应的微表情，根据历史客户人脸图像和对应的微表情得到初始样本集；从初始样本集中随机有放回采样，得到目标训练集；根据目标训练集得到对应的微表情特征集，从微表情特征集随机抽取部分微表情特征，得到目标微表情特征集；从目标表情特征集中使用基尼指数算法得到划分微表情特征，使用划分微表情特征对目标训练集进行划分，得到子训练集，将子训练集作为目标训练集；返回根据目标训练集得到对应的微表情特征集，从微表情特征集随机抽取部分微表情特征，得到目标微表情特征集的步骤执行，当达到预设条件时，得到目标微表情决策树；返回从初始样本集中随机有放回采样，得到目标训练集的步骤执行，当达到预设数目的目标微表情决策树时，得到已训练的微表情识别模型。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取客户人脸图像，根据客户人脸图像进行人脸识别，得到识别结果，根据识别结果得到客户信息；根据客户人脸图像提取微表情特征，将微表情特征输入到已训练的微表情识别模型中，得到微表情输出特征，根据微表情输出特征得到客户微表情；根据客户微表情确定对应的客户情绪状态，根据客户情绪状态和客户信息得到客户特征信息，将客户特征信息输入已训练的产品推荐模型中，得到产品输出向量，根据产品输出向量得到对应的推荐产品信息，将推荐产品信息发送终端。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取当前时间，将当前时间，客户情绪状态，客户信息和推荐产品信息关联写入预设推荐报告模板，得到目标推荐报告，将目标推荐报告保存。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据产品输出向量得到对应的推荐产品信息，获取终端提交的当前推荐产品信息，当推荐产品信息与当前推荐产品信息不一致时，将推荐产品信息发送终端。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取历史推荐报告，根据历史推荐报告得到历史客户信息、历史客户情绪状态和对应的历史推荐产品信息；根据历史客户信息和历史客户情绪状态提取历史客户特征信息，根据历史推荐产品信息得到历史产品输出向量；将历史客户特征信息作为神经网络模型的输入，将历史产品输出向量作为神经网络模型的标签进行训练，当达到预设条件时，得到已训练的产品推荐模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取历史客户人脸图像和对应的微表情，根据历史客户人脸图像和对应的微表情得到初始样本集；从初始样本集中随机有放回采样，得到目标训练集；根据目标训练集得到对应的微表情特征集，从微表情特征集随机抽取部分微表情特征，得到目标微表情特征集；从目标表情特征集中使用基尼指数算法得到划分微表情特征，使用划分微表情特征对目标训练集进行划分，得到子训练集，将子训练集作为目标训练集；返回根据目标训练集得到对应的微表情特征集，从微表情特征集随机抽取部分微表情特征，得到目标微表情特征集的步骤执行，当达到预设条件时，得到目标微表情决策树；返回从初始样本集中随机有放回采样，得到目标训练集的步骤执行，当达到预设数目的目标微表情决策树时，得到已训练的微表情识别模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种产品推荐方法，所述方法包括：
获取客户人脸图像，根据所述客户人脸图像进行人脸识别，得到识别结果，根据所述识别结果得到客户信息；
根据所述客户人脸图像提取微表情特征，将所述微表情特征输入到已训练的微表情识别模型中，得到微表情输出特征，根据所述微表情输出特征得到客户微表情；
根据所述客户微表情确定对应的客户情绪状态，根据所述客户情绪状态和所述客户信息得到客户特征信息，将所述客户特征信息输入已训练的产品推荐模型中，得到产品输出向量，根据所述产品输出向量得到对应的推荐产品信息，将所述推荐产品信息发送终端。
2.根据权利要求1所述的方法，其特征在于，所述根据所述客户微表情确定对应的客户情绪状态，根据所述客户情绪状态和所述客户信息得到客户特征信息，将所述客户特征信息输入已训练的产品推荐模型中，得到产品输出向量，根据所述产品输出向量得到对应的推荐产品信息，将所述推荐产品信息发送终端之后，还包括：
获取当前时间，将所述当前时间，所述客户情绪状态，所述客户信息和所述推荐产品信息关联写入预设推荐报告模板，得到目标推荐报告，将所述目标推荐报告保存。
3.根据权利要求1所述的方法，其特征在于，根据所述产品输出向量得到对应的推荐产品信息，将所述推荐产品信息发送终端，包括：
根据所述产品输出向量得到对应的推荐产品信息，获取终端提交的当前推荐产品信息，当所述推荐产品信息与所述当前推荐产品信息不一致时，将所述推荐产品信息发送所述终端。
4.根据权利要求1所述的方法，其特征在于，所述已训练的产品推荐模型的生成步骤，包括：
获取历史推荐报告，根据所述历史推荐报告得到历史客户信息、历史客户情绪状态和对应的历史推荐产品信息；
根据所述历史客户信息和所述历史客户情绪状态提取历史客户特征信息，根据历史推荐产品信息得到历史产品输出向量；
将所述历史客户特征信息作为神经网络模型的输入，将历史产品输出向量作为所述神经网络模型的标签进行训练，当达到预设条件时，得到所述已训练的产品推荐模型。
5.根据权利要求1所述的方法，其特征在于，所述已训练的微表情识别模型的生成步骤，包括：
获取历史客户人脸图像和对应的微表情，根据所述历史客户人脸图像和对应的微表情得到初始样本集；
从所述初始样本集中随机有放回采样，得到目标训练集；
根据所述目标训练集得到对应的微表情特征集，从所述微表情特征集随机抽取部分微表情特征，得到目标微表情特征集；
从所述目标表情特征集中使用基尼指数算法得到划分微表情特征，使用所述划分微表情特征对所述目标训练集进行划分，得到子训练集，将子训练集作为目标训练集；
返回根据所述目标训练集得到对应的微表情特征集，从所述微表情特征集随机抽取部分微表情特征，得到目标微表情特征集的步骤执行，当达到预设条件时，得到目标微表情决策树；
返回从所述初始样本集中随机有放回采样，得到目标训练集的步骤执行，当达到预设数目的目标微表情决策树时，得到所述已训练的微表情识别模型。
6.一种产品推荐装置，其特征在于，所述装置包括：
人脸识别模块，用于获取客户人脸图像，根据所述客户人脸图像进行人脸识别，得到识别结果，根据所述识别结果得到客户信息；
微表情识别模块，用于根据所述客户人脸图像提取微表情特征，将所述微表情特征输入到已训练的微表情识别模型中，得到微表情输出特征，根据所述微表情输出特征得到客户微表情；
推荐产品得到模块，用于根据所述客户微表情确定对应的客户情绪状态，根据所述客户情绪状态和所述客户信息得到客户特征信息，将所述客户特征信息输入已训练的产品推荐模型中，得到产品输出向量，根据所述产品输出向量得到对应的推荐产品信息，将所述推荐产品信息发送终端。
7.根据权利要求6所述的装置，其特征在于，所述装置，还包括：
报告获取模块，用于获取历史推荐报告，根据所述历史推荐报告得到历史客户信息、历史客户情绪状态和对应的历史推荐产品信息；
提取模块，用于根据所述历史客户信息和所述历史客户情绪状态提取历史客户特征信息，根据历史推荐产品信息得到历史产品输出向量；
网络训练模块，用于将所述历史客户特征信息作为神经网络模型的输入，将历史产品输出向量作为所述神经网络模型的标签进行训练，当达到预设条件时，得到所述已训练的产品推荐模型。
8.根据权利要求6所述的装置，其特征在于，所述已训练的微表情识别模型的生成步骤，包括：
初始样本得到模块，用于获取历史客户人脸图像和对应的微表情，根据所述历史客户人脸图像和对应的微表情得到初始样本集；
训练集得到模块，用于从所述初始样本集中随机有放回采样，得到目标训练集；
特征集得到模块，用于根据所述目标训练集得到对应的微表情特征集，从所述微表情特征集随机抽取部分微表情特征，得到目标微表情特征集；
子训练集得到模块，用于从所述目标表情特征集中使用基尼指数算法得到划分微表情特征，使用所述划分微表情特征对所述目标训练集进行划分，得到子训练集，将子训练集作为目标训练集；
决策树得到模块，用于返回根据所述目标训练集得到对应的微表情特征集，从所述微表情特征集随机抽取部分微表情特征，得到目标微表情特征集的步骤执行，当达到预设条件时，得到目标微表情决策树；
模型得到模块，用于返回从所述初始样本集中随机有放回采样，得到目标训练集的步骤执行，当达到预设数目的目标微表情决策树时，得到所述已训练的微表情识别模型。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811546833.2A CN109767261A (zh) | 2018-12-18 | 2018-12-18 | 产品推荐方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811546833.2A CN109767261A (zh) | 2018-12-18 | 2018-12-18 | 产品推荐方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109767261A true CN109767261A (zh) | 2019-05-17 |
Family
ID=66451304
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811546833.2A Pending CN109767261A (zh) | 2018-12-18 | 2018-12-18 | 产品推荐方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109767261A (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298683A (zh) * | 2019-05-22 | 2019-10-01 | 深圳壹账通智能科技有限公司 | 基于微表情的信息推广方法、装置、设备及介质 |
| CN110321477A (zh) * | 2019-05-24 | 2019-10-11 | 平安科技（深圳）有限公司 | 信息推荐方法、装置、终端及存储介质 |
| CN110334669A (zh) * | 2019-07-10 | 2019-10-15 | 深圳市华腾物联科技有限公司 | 一种形态特征识别的方法和设备 |
| CN110415041A (zh) * | 2019-07-31 | 2019-11-05 | 中国工商银行股份有限公司 | 推荐方法、推荐装置、设备及存储介质 |
| CN110415048A (zh) * | 2019-08-06 | 2019-11-05 | 即悟(上海)智能科技有限公司 | 一种广告推荐方法、设备、***、计算机设备及存储介质 |
| CN110458644A (zh) * | 2019-07-05 | 2019-11-15 | 深圳壹账通智能科技有限公司 | 一种信息处理方法及相关设备 |
| CN110532971A (zh) * | 2019-09-02 | 2019-12-03 | 京东方科技集团股份有限公司 | 图像处理及装置、训练方法以及计算机可读存储介质 |
| CN110648203A (zh) * | 2019-09-19 | 2020-01-03 | 中国银行股份有限公司 | 银行产品信息推送方法及装置 |
| CN111179031A (zh) * | 2019-12-23 | 2020-05-19 | 第四范式（北京）技术有限公司 | 一种商品推荐模型的训练方法、装置及*** |
| CN111222044A (zh) * | 2019-12-31 | 2020-06-02 | 深圳Tcl数字技术有限公司 | 基于情绪感知的信息推荐方法、设备及存储介质 |
| CN113010784A (zh) * | 2021-03-17 | 2021-06-22 | 北京十一贝科技有限公司 | 用于生成预测信息的方法、装置、电子设备和介质 |
| CN113393301A (zh) * | 2021-06-30 | 2021-09-14 | 中国工商银行股份有限公司 | 产品推送方法及装置 |
| CN113515702A (zh) * | 2021-07-07 | 2021-10-19 | 北京百度网讯科技有限公司 | 内容推荐方法、模型训练方法、装置、设备及存储介质 |
| CN113628008A (zh) * | 2021-08-11 | 2021-11-09 | 中国工商银行股份有限公司 | 智能营销方法、装置、设备及介质 |
| CN115375001A (zh) * | 2022-07-11 | 2022-11-22 | 重庆旅游云信息科技有限公司 | 一种用于景区的游客情绪评估方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104202718A (zh) * | 2014-08-05 | 2014-12-10 | 百度在线网络技术（北京）有限公司 | 一种向用户提供信息的方法与装置 |
| CN104462468A (zh) * | 2014-12-17 | 2015-03-25 | 百度在线网络技术（北京）有限公司 | 信息提供方法及装置 |
| CN107203897A (zh) * | 2017-04-24 | 2017-09-26 | 广东数相智能科技有限公司 | 一种产品推荐度的评价方法、装置及*** |
| CN107424019A (zh) * | 2017-08-15 | 2017-12-01 | 京东方科技集团股份有限公司 | 基于情绪识别的艺术品推荐方法、装置、介质和电子设备 |
| CN108154398A (zh) * | 2017-12-27 | 2018-06-12 | 广东欧珀移动通信有限公司 | 信息显示方法、装置、终端及存储介质 |
| CN108564414A (zh) * | 2018-04-23 | 2018-09-21 | 帷幄匠心科技（杭州）有限公司 | 基于线下行为的商品推荐方法和*** |
-
2018
- 2018-12-18 CN CN201811546833.2A patent/CN109767261A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104202718A (zh) * | 2014-08-05 | 2014-12-10 | 百度在线网络技术（北京）有限公司 | 一种向用户提供信息的方法与装置 |
| CN104462468A (zh) * | 2014-12-17 | 2015-03-25 | 百度在线网络技术（北京）有限公司 | 信息提供方法及装置 |
| WO2016095621A1 (zh) * | 2014-12-17 | 2016-06-23 | 百度在线网络技术（北京）有限公司 | 信息提供方法、装置和计算机设备 |
| CN107203897A (zh) * | 2017-04-24 | 2017-09-26 | 广东数相智能科技有限公司 | 一种产品推荐度的评价方法、装置及*** |
| CN107424019A (zh) * | 2017-08-15 | 2017-12-01 | 京东方科技集团股份有限公司 | 基于情绪识别的艺术品推荐方法、装置、介质和电子设备 |
| CN108154398A (zh) * | 2017-12-27 | 2018-06-12 | 广东欧珀移动通信有限公司 | 信息显示方法、装置、终端及存储介质 |
| CN108564414A (zh) * | 2018-04-23 | 2018-09-21 | 帷幄匠心科技（杭州）有限公司 | 基于线下行为的商品推荐方法和*** |
Non-Patent Citations (2)
| Title |
|---|
| 朱龙珠;宫立华;刘鲲鹏;杨菁;赵强;: "基于随机森林算法的投诉预警模型优化方法", 电力信息与通信技术, no. 08, 31 August 2018 (2018-08-31) * |
| 钟生海;邱玉辉;: "基于情感语义的个性化推荐研究", 西南师范大学学报(自然科学版), no. 04, 31 August 2011 (2011-08-31) * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298683A (zh) * | 2019-05-22 | 2019-10-01 | 深圳壹账通智能科技有限公司 | 基于微表情的信息推广方法、装置、设备及介质 |
| CN110321477A (zh) * | 2019-05-24 | 2019-10-11 | 平安科技（深圳）有限公司 | 信息推荐方法、装置、终端及存储介质 |
| WO2020238023A1 (zh) * | 2019-05-24 | 2020-12-03 | 平安科技（深圳）有限公司 | 信息推荐方法、装置、终端及存储介质 |
| CN110458644A (zh) * | 2019-07-05 | 2019-11-15 | 深圳壹账通智能科技有限公司 | 一种信息处理方法及相关设备 |
| CN110334669A (zh) * | 2019-07-10 | 2019-10-15 | 深圳市华腾物联科技有限公司 | 一种形态特征识别的方法和设备 |
| CN110334669B (zh) * | 2019-07-10 | 2021-06-08 | 深圳市华腾物联科技有限公司 | 一种形态特征识别的方法和设备 |
| CN110415041A (zh) * | 2019-07-31 | 2019-11-05 | 中国工商银行股份有限公司 | 推荐方法、推荐装置、设备及存储介质 |
| CN110415048A (zh) * | 2019-08-06 | 2019-11-05 | 即悟(上海)智能科技有限公司 | 一种广告推荐方法、设备、***、计算机设备及存储介质 |
| CN110532971B (zh) * | 2019-09-02 | 2023-04-28 | 京东方科技集团股份有限公司 | 图像处理及装置、训练方法以及计算机可读存储介质 |
| CN110532971A (zh) * | 2019-09-02 | 2019-12-03 | 京东方科技集团股份有限公司 | 图像处理及装置、训练方法以及计算机可读存储介质 |
| US11961327B2 (en) | 2019-09-02 | 2024-04-16 | Boe Technology Group Co., Ltd. | Image processing method and device, classifier training method, and readable storage medium |
| CN110648203A (zh) * | 2019-09-19 | 2020-01-03 | 中国银行股份有限公司 | 银行产品信息推送方法及装置 |
| CN111179031A (zh) * | 2019-12-23 | 2020-05-19 | 第四范式（北京）技术有限公司 | 一种商品推荐模型的训练方法、装置及*** |
| CN111179031B (zh) * | 2019-12-23 | 2023-09-26 | 第四范式（北京）技术有限公司 | 一种商品推荐模型的训练方法、装置及*** |
| CN111222044A (zh) * | 2019-12-31 | 2020-06-02 | 深圳Tcl数字技术有限公司 | 基于情绪感知的信息推荐方法、设备及存储介质 |
| CN113010784A (zh) * | 2021-03-17 | 2021-06-22 | 北京十一贝科技有限公司 | 用于生成预测信息的方法、装置、电子设备和介质 |
| CN113010784B (zh) * | 2021-03-17 | 2024-02-06 | 北京十一贝科技有限公司 | 用于生成预测信息的方法、装置、电子设备和介质 |
| CN113393301A (zh) * | 2021-06-30 | 2021-09-14 | 中国工商银行股份有限公司 | 产品推送方法及装置 |
| CN113515702A (zh) * | 2021-07-07 | 2021-10-19 | 北京百度网讯科技有限公司 | 内容推荐方法、模型训练方法、装置、设备及存储介质 |
| CN113628008A (zh) * | 2021-08-11 | 2021-11-09 | 中国工商银行股份有限公司 | 智能营销方法、装置、设备及介质 |
| CN115375001A (zh) * | 2022-07-11 | 2022-11-22 | 重庆旅游云信息科技有限公司 | 一种用于景区的游客情绪评估方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109767261A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
| WO2021073417A1 (zh) | 表情生成方法、装置、设备及存储介质 | |
| Jain et al. | Hybrid deep neural networks for face emotion recognition | |
| US10303982B2 (en) | Systems and methods for machine learning enhanced by human measurements | |
| CN108304882B (zh) | 一种图像分类方法、装置及服务器、用户终端、存储介质 | |
| US11244202B2 (en) | System and method for generation of unseen composite data objects | |
| CN109766766A (zh) | 员工工作状况监控方法、装置、计算机设备和存储介质 | |
| CN109508638A (zh) | 人脸情绪识别方法、装置、计算机设备及存储介质 | |
| Abd El Meguid et al. | Fully automated recognition of spontaneous facial expressions in videos using random forest classifiers | |
| CN109409198A (zh) | Au检测模型训练方法、au检测方法、装置、设备及介质 | |
| US11908240B2 (en) | Micro-expression recognition method based on multi-scale spatiotemporal feature neural network | |
| CN111523421B (zh) | 基于深度学习融合各种交互信息的多人行为检测方法及*** | |
| CN109886110A (zh) | 微表情评分方法、装置、计算机设备及存储介质 | |
| Liu et al. | A 3 GAN: an attribute-aware attentive generative adversarial network for face aging | |
| CN110418204B (zh) | 基于微表情的视频推荐方法、装置、设备和存储介质 | |
| CN109816200A (zh) | 任务推送方法、装置、计算机设备和存储介质 | |
| US20220237917A1 (en) | Video comparison method and apparatus, computer device, and storage medium | |
| CN110705490B (zh) | 视觉情感识别方法 | |
| CN110148007A (zh) | 商品信息检测方法、装置、计算机设备和存储介质 | |
| CN111028216A (zh) | 图像评分方法、装置、存储介质及电子设备 | |
| US20230316809A1 (en) | Facial Emotion Recognition System | |
| CN109766772A (zh) | 风险控制方法、装置、计算机设备和存储介质 | |
| Ousmane et al. | Automatic recognition system of emotions expressed through the face using machine learning: Application to police interrogation simulation | |
| JP2018005638A (ja) | 映像認識モデル学習装置、映像認識装置、方法、及びプログラム | |
| Kandhro et al. | [Retracted] Impact of Activation, Optimization, and Regularization Methods on the Facial Expression Model Using CNN |
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 |