CN110110257B - 数据处理方法及其***、计算机***及计算机可读介质 - Google Patents
数据处理方法及其***、计算机***及计算机可读介质 Download PDFInfo
- Publication number
- CN110110257B CN110110257B CN201810088574.7A CN201810088574A CN110110257B CN 110110257 B CN110110257 B CN 110110257B CN 201810088574 A CN201810088574 A CN 201810088574A CN 110110257 B CN110110257 B CN 110110257B
- Authority
- CN
- China
- Prior art keywords
- feature
- pictures
- picture
- determining
- layout
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
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
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- 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
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/957—Browsing optimisation, e.g. caching or content distillation
- G06F16/9577—Optimising the visualization of content, e.g. distillation of HTML documents
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本公开提供了一种数据处理方法,包括:接收对象查询请求,其中,对象查询请求用于请求查询目标对象;响应于对象查询请求,获取与目标对象匹配的多个对象以及用于展示多个对象中每个对象所使用的图片;对获取的图片进行分析,以确定各图片的视觉呈现效果;以及基于各图片的视觉呈现效果,确定各图片在对象展示页面中的布局。此外,本公开还提供了一种数据处理***、一种计算机***和一种计算机可读介质。
Description
技术领域
本公开涉及数据处理领域,更具体地,涉及一种数据处理方法及其***、以及一种计算机***和一种计算机可读介质。
背景技术
随着网络的应用范围越来越广,用户可以借助网络查询自己感兴趣的任何目标对象,对于任何一次查询行为,可能有数百上千与目标对象匹配的对象被返回并展示给用户,如何实现上述数百上千对象的排序,对提升用户体验有至关重要的作用。以购物场景为例,排序事务发生在用户进行一次查询之后,搜索引擎将返回的对象展示在用户界面(UserInterface)之前。对于用户的一次查询,可能有与查询条件相符的多个对象被返回,如何实现一个理想的排序,使用户青睐的商品以最大概率出现在排序的首端,从而缩短“搜索-点击-下单”的流程链,提高转化率有重大意义。
然而,在实现本公开构思的过程中,发明人发现相关技术中至少存在如下问题:相关技术提供了多种排序方案,但是无论是传统的基于人工规则的排序,还是新兴的基于机器学习模型的排序,都是基于统计数据进行排序的,排序效果欠佳。
针对相关技术中的上述问题,目前还未提出有效的解决方案。
发明内容
本公开的第一个方面提供了一种数据处理方法,包括:接收对象查询请求,其中,上述对象查询请求用于请求查询目标对象;响应于上述对象查询请求,获取与上述目标对象匹配的多个对象以及用于展示上述多个对象中每个对象所使用的图片;对获取的图片进行分析,以确定各图片的视觉呈现效果;以及基于上述各图片的视觉呈现效果,确定上述各图片在对象展示页面中的布局。
根据本公开的实施例,上述方法还包括:获取与上述目标对象匹配的多个对象中每个对象的操作数据;以及基于上述操作数据和上述各图片的视觉呈现效果,确定上述各图片在上述对象展示页面中的布局。
根据本公开的实施例,对获取的图片进行分析,以确定各图片的视觉呈现效果包括:提取上述各图片在不同尺度空间下对应的特征列表;对上述各图片在不同尺度空间下对应的上述特征列表进行标准化处理,以得到标准化特征列表;以及基于上述标准化特征列表,确定上述各图片的视觉呈现效果。
根据本公开的实施例,提取上述各图片在不同尺度空间下对应的特征列表包括:对上述各图片在不同尺寸下进行高斯模糊处理,以获取与上述各图片对应的不同尺度的高斯金字塔图片;遍历与上述各图片对应的高斯金字塔图片中的各尺度图片,确定不同尺度对应的特征点的候选点,其中,上述候选点为本尺度及相邻尺度中属于极值的像素点;基于上述候选点,进行特征点的筛选和精确定位,其中,上述筛选和精确定位至少包括拟合极值点的偏移以及消除边缘响应;基于上述筛选得到的特征点及其邻域,生成上述每个特征点在其对应尺度下的特征描述子;以及将生成的特征描述子作为上述各图片在不同尺度下对应的特征列表。
根据本公开的实施例,对上述各图片在不同尺度下对应的上述特征列表进行标准化处理,以得到标准化特征列表包括:从上述各图片在不同尺度下对应的特征列表中选取至少一个特征作为一个特征类,其中,上述至少一个特征存储在初始化特征列表中;计算上述特征列表中除上述至少一个特征外的其他特征与上述至少一个特征之间的距离;将最小距离对应的上述特征列表中的特征确定为对应的特征标准化处理结果;将上述对应的特征标准化处理结果更新至上述初始化特征列表中;以及将更新后的初始化特征列表中的所有特征作为一个新的特征类。
根据本公开的实施例,上述标准化特征列表包括多个,基于上述标准化特征列表,确定上述各图片的视觉呈现效果包括:基于多个上述标准化特征列表,确定每个上述标准化特征列表中各特征在本标准化特征列表中的活跃程度;确定每个上述标准化特征列表中各特征在所有标准化特征列表中的普及程度;以及基于上述活跃程度和上述普及程度,确定上述各图片的视觉呈现效果。
根据本公开的实施例,基于上述操作数据和上述各图片的视觉呈现效果,确定上述各图片在上述对象展示页面中的布局包括:基于上述操作数据,确定对上述各图片在上述对象展示页面中进行布局的第一布局信息;基于上述视觉呈现效果,确定对上述各图片在上述对象展示页面中进行布局的第二布局信息和对应权重值;以及根据上述第一布局信息以及第二布局信息和上述对应权重值,确定上述各图片在上述对象展示页面中的布局。
根据本公开的实施例,上述方法还包括:在确定上述各图片在上述对象展示页面中的布局后,确定上述对象展示页面中连续排列的多张图片的相似度是否满足预设条件;以及在满足的情况下,对上述连续排列的多张图片在上述对象展示页面中的布局进行调整。
本公开的第二个方面提供了一种数据处理***,包括:接收模块,用于接收对象查询请求,其中,上述对象查询请求用于请求查询目标对象;第一获取模块,用于响应于上述对象查询请求,获取与上述目标对象匹配的多个对象以及用于展示上述多个对象中每个对象所使用的图片;第一确定模块,用于对获取的图片进行分析,以确定各图片的视觉呈现效果;以及第二确定模块,用于基于上述各图片的视觉呈现效果,确定上述各图片在对象展示页面中的布局。
根据本公开的实施例,上述***还包括:第二获取模块,用于获取与上述目标对象匹配的多个对象中每个对象的操作数据;以及第三确定模块,用于基于上述操作数据和上述各图片的视觉呈现效果,确定上述各图片在上述对象展示页面中的布局。
根据本公开的实施例,上述第一确定模块包括:提取单元,用于提取上述各图片在不同尺度空间下对应的特征列表;处理单元,用于对上述各图片在不同尺度空间下对应的上述特征列表进行标准化处理,以得到标准化特征列表;以及第一确定单元,用于基于上述标准化特征列表,确定上述各图片的视觉呈现效果。
根据本公开的实施例,上述提取单元包括:第一处理子单元,用于对上述各图片在不同尺寸下进行高斯模糊处理,以获取与上述各图片对应的不同尺度的高斯金字塔图片;第一确定子单元,用于遍历与上述各图片对应的高斯金字塔图片中的各尺度图片,确定不同尺度对应的特征点的候选点,其中,上述候选点为本尺度及相邻尺度中属于极值的像素点;第二处理子单元,用于基于上述候选点,进行特征点的筛选和精确定位,其中,上述筛选和精确定位至少包括拟合极值点的偏移以及消除边缘响应;生成子单元,用于基于基于所述筛选得到的特征点及其邻域,生成上述每个特征点在其对应尺度下的特征描述子;以及第三处理子单元,用于将生成的特征描述子作为上述各图片在不同尺度下对应的特征列表。
根据本公开的实施例,上述处理单元包括:选取子单元,用于从上述各图片在不同尺度下对应的特征列表中选取至少一个特征作为一个特征类,其中,上述至少一个特征存储在初始化特征列表中;计算子单元,用于计算上述特征列表中除上述至少一个特征外的其他特征与上述至少一个特征之间的距离;第二确定子单元,用于将最小距离对应的上述特征列表中的特征确定为对应的特征标准化处理结果;更新子单元,用于将上述对应的特征标准化处理结果更新至上述初始化特征列表中;以及第四处理子单元,用于将更新后的初始化特征列表中的所有特征作为一个新的特征类。
根据本公开的实施例,上述第一确定单元包括:第三确定子单元,用于基于多个上述标准化特征列表,确定每个上述标准化特征列表中各特征在本标准化特征列表中的活跃程度;第四确定子单元,用于确定每个上述标准化特征列表中各特征在所有标准化特征列表中的普及程度;以及第五确定子单元,用于基于上述活跃程度和上述普及程度,确定上述各图片的视觉呈现效果。
根据本公开的实施例,上述第二确定模块包括:第二确定单元,用于基于上述操作数据,确定对上述各图片在上述对象展示页面中进行布局的第一布局信息;第三确定单元,用于基于上述视觉呈现效果,确定对上述各图片在上述对象展示页面中进行布局的第二布局信息和对应权重值;以及第四确定单元,用于根据上述第一布局信息以及第二布局信息和上述对应权重值,确定上述各图片在上述对象展示页面中的布局。
根据本公开的实施例,上述***还包括:第三确定模块,用于在确定上述各图片在上述对象展示页面中的布局后,确定上述对象展示页面中连续排列的多张图片的相似度是否满足预设条件;以及调整模块,用于在满足的情况下,对上述连续排列的多张图片在上述对象展示页面中的布局进行调整。
本公开的第三个方面提供了一种计算机***,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,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现上述任一项的数据处理方法。
本公开的第四个方面提供了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实现上述任一项的数据处理方法。
通过本公开的实施例,由于采用对获取的用于展示多个对象中每个对象所使用的图片进行分析,以确定各图片的视觉呈现效果以及基于各图片的视觉呈现效果,确定各图片在对象展示页面中的布局的技术方案,可以弥补相关技术中确定所述各图片在对象展示页面中的布局时视觉效果考量方面的空白,可以至少部分克服相关技术中由于基于统计数据确定所述各图片在对象展示页面中的布局导致的排序效果欠佳的技术问题,通过预估图片的视觉效果对用户行为带来的影响,调整多个对象在对象展示页面中的布局,实现提升图片排序效果,进而实现提升点击转化率的技术效果。
附图说明
为了更完整地理解本公开及其优势,现在将参考结合附图的以下描述,其中:
图1示意性示出了根据本公开实施例的适用于数据处理方法的示例性***架构;
图2示意性示出了根据本公开实施例的数据处理方法的流程图;
图3A示意性示出了根据本公开另一实施例的数据处理方法的流程图;
图3B示意性示出了根据本公开实施例的对获取的图片进行分析,以确定各图片的视觉呈现效果的流程图;
图3C示意性示出了根据本公开实施例的提取各图片在不同尺度空间下对应的特征列表的流程图;
图3D示意性示出了根据本公开实施例的提取各图片在不同尺度空间下对应的特征列表的效果图;
图3E示意性示出了根据本公开实施例的对各图片在不同尺度下对应的特征列表进行标准化处理,以得到标准化特征列表的流程图;
图3F示意性示出了根据本公开实施例的基于标准化特征列表,确定各图片的视觉呈现效果的流程图;
图3G示意性示出了根据本公开实施例的基于操作数据和各图片的视觉呈现效果,确定各图片在对象展示页面中的布局的流程图;
图3H示意性示出了根据本公开实施例的又一实施例的数据处理方法的流程图;
图4示意性示出了根据本公开实施例的数据处理***的框图;
图5A示意性示出了根据本公开另一实施例的数据处理***的框图;
图5B示意性示出了根据本公开实施例的第一确定模块的框图;
图5C示意性示出了根据本公开实施例的提取单元的框图;
图5D示意性示出了根据本公开实施例的处理单元的框图;
图5E示意性示出了根据本公开实施例的第一确定单元的框图;
图5F示意性示出了根据本公开实施例的第二确定模块的框图;
图5G示意性示出了根据本公开实施例的又一实施例的数据处理***的框图;以及
图6示意性示出了适于用来实现本公开实施例的计算机***的框图。
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。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。
附图中示出了一些方框图和/或流程图。应理解,方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。
因此,本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外,本公开的技术可以采取存储有指令的计算机可读介质上的计算机程序产品的形式,该计算机程序产品可供指令执行***使用或者结合指令执行***使用。在本公开的上下文中,计算机可读介质可以是能够包含、存储、传送、传播或传输指令的任意介质。例如,计算机可读介质可以包括但不限于电、磁、光、电磁、红外或半导体***、装置、器件或传播介质。计算机可读介质的具体示例包括:磁存储装置,如磁带或硬盘(HDD);光存储装置,如光盘(CD-ROM);存储器,如随机存取存储器(RAM)或闪存;和/或有线/无线通信链路。
本公开提供了一种数据处理方法,包括:接收对象查询请求,其中,对象查询请求用于请求查询目标对象,响应于对象查询请求,获取与目标对象匹配的多个对象以及用于展示多个对象中每个对象所使用的图片对获取的图片进行分析,以确定各图片的视觉呈现效果;以及基于各图片的视觉呈现效果,确定各图片在对象展示页面中的布局,可以至少部分克服相关技术中由于基于统计数据确定所述各图片在对象展示页面中的布局导致的排序效果欠佳的技术问题,达到从视觉呈现角度来提升图片排序效果的技术效果。
图1示意性示出了根据本公开实施例的适用于数据处理方法的示例性***架构100。需要注意的是,图1所示仅为可以应用本公开实施例的***架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、***、环境或场景。
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,例如有线和/或无线通信链路等等。
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、邮箱客户端和/或社交平台软件等(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数据处理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数据处理***一般可以设置于服务器105中。本公开实施例所提供的数据处理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通信的服务器或服务器集群执行。相应地,本公开实施例所提供的数据处理***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通信的服务器或服务器集群中。
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数据处理方法的流程图。
如图2所示,该数据处理方法可以包括操作S210~S240,其中:
在操作S210,接收对象查询请求。
在操作S220,响应于对象查询请求,获取与目标对象匹配的多个对象以及用于展示多个对象中每个对象所使用的图片。
在操作S230,对获取的图片进行分析,以确定各图片的视觉呈现效果。
在操作S240,基于各图片的视觉呈现效果,确定各图片在对象展示页面中的布局。
根据本公开的实施例,对象查询请求用于请求查询目标对象,如可以是通过购物网站查询某款或某类商品,还可以是通过某门户网站查询某对象,本公开的实施例对目标对象不做具体限定。为了说明的简便,以下将以某购物网站提供的商品图片信息为例对本公开的实施例进行说明,应该理解的是,本公开提供的数据数据方法并不限于本示例性实施例,其他场景的数据处理方法可以依据本公开的精神做相应展开,此处不再赘述。
在接收到用于请求查询目标对象的对象查询请求后,搜索引擎会基于该对象查询请求,命中并返回满足查询条件的与目标对象匹配的多个对象,也称为召回,将召回多个对象在UI界面展示之前,会对上述多个对象进行排序,以确定各图片在对象展示页面中的布局。
需要说明的是,用于展示多个对象中每个对象所使用的图片以是多个对象的主图,以下所称的图片均为主图,在对获取的图片进行分析之前,可以将购物网站提供的主图的图片信息处理为可用的格式,权衡图片尺寸大小对结果精度的影响以及计算资源的开销,本方案统一取172*172像素作为图片尺寸,但并不是对本公开图片具体格式和大小的限定。
根据本公开的实施例,对获取的图片进行分析,以确定各图片的视觉呈现效果,基于各图片的视觉呈现效果,确定各图片在对象展示页面中的布局。从视觉体验而言,展示给用户的该对象的主图越独特,该对象更容易引发用户行为,如浏览、购买等。因此,可以利用一系列计算机视觉算法,基于尺度空间理论,侦测与描述影像中的局部性特征,它在空间尺度中寻找极值点,并提取出其位置、尺寸、旋转不变量,预估图片的视觉呈现效果,若某一图片表现出来的特征与其他图片的特征差别越大,就表示当前图片越能区别于其他的图片,对应商品越趋向于靠前的排位。
通过本公开的实施例,由于采用对获取的用于展示多个对象中每个对象所使用的图片进行分析,以确定各图片的视觉呈现效果以及基于各图片的视觉呈现效果,确定各图片在对象展示页面中的布局的技术方案,可以弥补相关技术中确定各图片在对象展示页面中的布局时视觉效果考量方面的空白,可以至少部分克服相关技术中由于基于统计数据确定各图片在对象展示页面中的布局导致的排序效果欠佳的技术问题,通过预估图片的视觉效果对用户行为带来的影响,调整多个对象在对象展示页面中的布局,实现提升图片排序效果,进而实现提升点击转化率的技术效果。
下面参考图3A~图3C以及图3E~图3H,结合具体实施例对图2所示的数据处理方法做进一步说明。
图3A示意性示出了根据本公开另一实施例的数据处理方法的流程图。
如图3A所示,该数据处理方法可以包括前述操作S210~S240以及操作S311和S312,其中,前述操作S210~S240不再赘述,其中:
在操作S311,获取与目标对象匹配的多个对象中每个对象的操作数据。
在操作S312,基于操作数据和各图片的视觉呈现效果,确定各图片在对象展示页面中的布局。
根据本公开的实施例,操作数据可以包括但不限于是众多可以衡量两件商品孰优孰劣的数据特征(如好评率,价格,商家信誉等等),相关技术提供的任何可以实现数据特征,通过众多可见或不可见的规则,实现最终的排序输出的方法都在本公开的保护范围内,如传统的基于人工规则的排序方法和新兴的基于机器学习模型的排序方法等基于数据驱动的排序方案,在此不再赘述。
基于数据特征的排序方案可以较为客观地实现对商品的排序。但在实际的电商购物体验中,视觉刺激是影响用户购物行为的另一个不可忽略的信息。现有的排序方案对图片视觉方面的考量基本为零,忽略了商品视觉呈现维度为排序结果带来提升的可能性。
通过本公开的实施例,为更加合理地模拟和还原用户的商品选择体验,本公开实施例将商品图片特征作为电商排序的维度加以利用,从数据特征和视觉呈现效果两个方面,协作提供商品的排序结果。
图3B示意性示出了根据本公开实施例的对获取的图片进行分析,以确定各图片的视觉呈现效果的流程图。
如图3B所示,图2或图3A中的前述操作S230(对获取的图片进行分析,以确定各图片的视觉呈现效果)可以操作S321~S323。其中:
在操作S321,提取各图片在不同尺度空间下对应的特征列表。
在操作S322,对各图片在不同尺度空间下对应的特征列表进行标准化处理,以得到标准化特征列表。
在操作S323,基于标准化特征列表,确定各图片的视觉呈现效果。
根据本公开的实施例,对获取的图片进行分析,以确定各图片的视觉呈现效果,是将图片直观的视觉特征转换为图片得分的量化过程,可以利用计算机视觉算法来实现,在此对具体的算法不做限定,考虑到计算机视觉算法的多样性,下文将列举一种较为合理、易于实现的流程作为说明,但是并不表示本发明仅局限于该列举的一条思路。本公开实施例以核心思路尺度不变特征变换算法(Scale-invariant feature transform,简称为SIFT)+K-means+TF-IDF为例。需要说明的是,可以根据实际情况,将K-means方法中相似性评价指标由欧式距离替换为cosin距离,或将K-means替换为另一种改进的聚类算法,只要在本质上,与本公开的思路是雷同的,均在本公开的保护范围之内。
根据本公开的实施例,首先构建尺度空间,检测出在不同的尺度空间下都存在的特征点,即提取各图片在不同尺度空间下对应的特征列表,考虑到特征列表由图片信息计算得到,几乎不会出现完全相同的特征。为了能够计算特征列表的相似性,需要将相似的特征统一表示,因此,在提取各图片在不同尺度空间下对应的特征列表之后,对各图片在不同尺度空间下对应的特征列表进行标准化处理,即对不同尺度下的特征列表进行聚类降维,实现特征的聚类,最后基于聚类结果,实现图片独特程度得分的量化,具体实现过程后续会详细说明,此处不再赘述。
通过本公开的实施例,对各图片进行特征列表的提取,并进行标准化处理,来确定各图片的视觉呈现效果,充分考虑了图片对用户的视觉刺激,将图片视觉呈现效果量化为图片独特性得分,给图片在页面中的布局提供直观的数据支持,至少部分克服了相关技术中没有考虑商品视觉呈现维度对排序结果的可能性。
图3C示意性示出了根据本公开实施例的提取各图片在不同尺度下对应的特征列表的流程图。
如图3C所示,前述操作S321(提取各图片在不同尺度空间下对应的特征列表)可以包括操作S331~S335。其中:
在操作S331,对各图片在不同尺寸下进行高斯模糊处理,以获取与各图片对应的不同尺度的高斯金字塔图片。
在操作S332,遍历与各图片对应的高斯金字塔图片中的各尺度图片,确定不同尺度对应的特征点的候选点,其中,候选点为本尺度及相邻尺度中属于极值的像素点。
在操作S333,基于候选点,进行特征点的筛选和精确定位,其中,筛选和精确定位至少包括拟合极值点的偏移以及消除边缘响应。
在操作S334,基于筛选得到的特征点及其邻域,生成每个特征点在其对应尺度下的特征描述子。
在操作S335,将生成的特征描述子作为各图片的特征列表。
SIFT算法是一种检测局部特征的算法,该算法通过求一幅图中的特征点及其有关缩放、旋转的描述子得到特征并进行图像特征点匹配。根据本公开的实施例,采用SIFT算法提取各图片在不同尺度下对应的特征列表,实现侦测与描述多个对象的主图中的局部性特征,在空间尺度中寻找极值点,并提取出其位置、尺寸、旋转不变量。权衡图片尺寸大小对结果精度的影响以及计算资源的开销,本方案统一取172*172像素作为图片尺寸。基于SIFT算法,从商品主图中提取出SIFT特征的具体实现过程如下,图3D示意性示出了根据本公开实施例的提取各图片在不同尺度下对应的特征列表的效果图。
A.尺度空间的生成:通过对图像做不同尺度的高斯模糊并降维采样,创建图片的高斯金字塔表达。
B.检测尺度空间极值点:搜索所有尺度空间上的图像位置,通过高斯微分函数来识别潜在的对于尺度和旋转不变的特征点的候选点。
C.精确定位极值点:在每个候选点的位置上,通过拟合精细模型来确定位置和尺度,依据于极值点的稳定程度来选取特征点。
D.为每个特征点指定方向参数:基于图像局部的梯度方向,分配给每个特征点位置一个或多个方向。所有后面的对图像数据的操作都相对于特征点的方向、尺度和位置进行变换,从而提供对于这些变换的不变性。
E.特征点描述子的生成:在每个特征点周围的邻域内,在选定的尺度上测量图像局部的梯度。这些梯度被变换成一种表示,这种表示允许比较大的局部形状的变形和光照变化。
SIFT的代码实现利用图片识别开源工具包完成。本公开基于特征点尺度空间内4*4的窗口中计算的8个方向的梯度信息作为特征点的特征描述子,共计4*4*8=128维向量表征。作为SIFT算法的输出,一个商品图片的特征列表包含图片的若干各局部特征,每个特征的数据结构都是一个128维的数组。
通过本公开的实施例,提取不同尺度空间对应的各图片的特征列表,可以精准的获取能够代表各图片视觉呈现效果的特征,最大程度的将图片重要的信息和具有区分度的信息予以保留,同时为下一步标准化特征列表提供可靠的数据基础。
图3E示意性示出了根据本公开实施例的对各图片在不同尺度下对应的特征列表进行标准化处理,以得到标准化特征列表的流程图。
如图3E,前述操作S322(对各图片在不同尺度下对应的特征列表进行标准化处理,以得到标准化特征列表)可以包括操作S351~S355。其中:
在操作S351,从各图片在不同尺度下对应的特征列表中选取至少一个特征作为一个特征类,其中,至少一个特征存储在初始化特征列表中。
在操作S352,计算特征列表中除至少一个特征外的其他特征与至少一个特征之间的距离。
在操作S353,将最小距离对应的特征列表中的特征确定为对应的特征标准化处理结果。
在操作S354,将对应的特征标准化处理结果更新至初始化特征列表中。
在操作S355,将更新后的初始化特征列表中的所有特征作为一个新的特征类。
根据本公开的实施例,在提取各图片在不同尺度下对应的特征列表之后,可以对各图片在不同尺度下对应的特征列表进行标准化处理,以得到标准化特征列表。相关技术提供了一种典型的基于距离的聚类算法,即K-means聚类,采用距离作为相似性的评价指标,认为两个对象的距离越近,其相似度就越大。该算法用于将目标对象聚类为紧凑且独立的若干个簇。
需要说明的是,可以利用K-means聚类算法对SIFT特征形成的集合进行聚类,以实现特征列表的降维表达,降维表达的必要性在于:假设商品P1的特征列表表达为{Fa1,Fb1,Fc1,…},商品P2的特征列表表达为{Fa2,Fb2,Fc2,…},这些特征由图片信息计算得到,几乎不会出现完全相同的特征。为了能够计算特征列表的相似性,需要将相似的特征统一表示。假设通过特征聚类,将Fa1与Fa2分为一类(记为Fa*),则认为通过聚类降维后,P1与P2均存在标准特征Fa*,因而具备一定程度的相似性。聚类中心的数量可以通过参数寻优思路,对评价指标求取最小值找到;但考虑到聚类中心数量对SIFT特征降维没有显著影响,选取聚类中心数聚类完毕后,取聚类中心点作为该簇的标准特征,完成对各图片特征列表的标准化。至此,图片特征被降维表达为(clusternum)维。
K-means的实现流程为:
A.从图片总集形成的n个特征中任意选择k个作为初始聚类中心。
B.根据每个聚类特征的均值(欧氏距离的中心点位置),计算每个特征与这些中心位置的距离;并根据最小距离重新对相应特征进行划分。
C.重新计算每个有变化聚类的均值(中心点)
D.循环B到C直到每个聚类不再发生变化为止。
通过本公开的实施例,对特征列表做标准化处理,得到降维表达的特征列表,使得由不同图片信息得到的特征具有相似性和可对比性,为进一步基于标准化特征列表,确定各图片的视觉呈现效果使得特征列表提供可靠有效的数据基础,提高图片视觉效果量化的可信度。
图3F示意性示出了根据本公开实施例的基于标准化特征列表,确定各图片的视觉呈现效果的流程图。
如图3F所示,前述操作S323(基于标准化特征列表,确定各图片的视觉呈现效果)可以包括操作S361~S363。其中:
在操作S361,基于多个标准化特征列表,确定每个标准化特征列表中各特征在本标准化特征列表中的活跃程度。
在操作S362,确定每个标准化特征列表中各特征在所有标准化特征列表中的普及程度。
在操作S363,基于活跃程度和普及程度,确定各图片的视觉呈现效果。
根据本公开的实施例,在标准化特征列表之后,可以将标准化特征列表量化为衡量图片独特程度的得分。具体的,可以将标准化后的商品图片信息抽象为一个文本,描述图片信息的特征被抽象为一个词元。如果某个词元(特征)普遍出现于各文本(图片)中,则该词元在描述文本特性方面发挥的作用的不显著的;反之,如果一个词条仅在当前文本出现,则说明该词条可以较好地描述文本的一些特性。TF-IDF算法便是用于量化词条描述文本特性程度的方法,用以评估某一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。但是,本公开并不限于此,本领域技术人员可以采用其他任何可以实现本发明构思的方法,此处不再赘述。
从视觉体验而言,独特的商品更容易引发用户行为。若图片特征的TF-IDF得分之和越大,就表示当前图片越能区别于其他的图片,对应商品越趋向于靠前的排位。对于当前商品图片的特征列表FeaSet,其中某一特征feature X的TF-IDF得分表达为:
其中,Sfrequence表示特征feature X在特征列表特征列表Fea Set内的活跃程度,是衡量特征重要性的分数。本公开实施例取:
Spopular表示特征feature X在所有文本中普及的程度,是衡量特征普通性的分数。本公开实施例取:
此外,为了平衡特征数量多少带来的差异,上述的图片特征TF-IDF得分之和只考虑单个商品图片TF-IDF得分前N的特征。(N默认取10,或根据具体的图片特征数量分布作设置)。至此,完成图片视觉特征向表征图片独特性分数的量化工作。
通过本公开的实施例,基于标准化的特征列表,确定各特征的活跃程度和普及程度,来确定各图片的视觉呈现效果,实现图片特征信息向图片呈现效果的转化,为图片排序提供量化基础。
图3G示意性示出了根据本公开实施例的基于操作数据和各图片的视觉呈现效果,确定各图片在对象展示页面中的布局的流程图。
如图3G所示,前述操作S312(基于操作数据和各图片的视觉呈现效果,确定各图片在对象展示页面中的布局)可以包括操作S371~S373。其中:
在操作S371,基于操作数据,确定对各图片在对象展示页面中进行布局的第一布局信息。
在操作S372,基于视觉呈现效果,确定对各图片在对象展示页面中进行布局的第二布局信息和对应权重值。
在操作S373,根据第一布局信息以及第二布局信息和对应权重值,确定各图片在对象展示页面中的布局。
根据本公开的实施例,图片信息量化为视觉呈现效果得分之后,可以将图片得分加入排序特征,实现在现有的数据特征基础上,加入图片得分维度作为排序的新特征。具体赋予的权重值、逻辑的优先级,需要根据实际情况进行调整,此处不做限定。
图片得分特征对商品排序的贡献主要表现在两个方面。
第一个方面:图片得分越高,商品排序越倾向于靠前。
第二个方面:图片相似度较高的商品连续排列时,排序倾向于对该序列进行打散操作(参见后续图3H的说明)。
例如,查询召回两个商品P1和P2,按照原有的基于数据确定的排序逻辑,P1的排序分数计算得到S1,P2得分S2;现加入图片视觉特征,该特征下P1、P2得分分别为V1、V2,又令图片视觉特征权重为Wv,则新的排序分数为:
S1’=S1+V1*Wv
S2’=S2+V2*Wv
由S1’和S2’的降序形成最终排序结果。
通过本公开的实施例,在基于操作数据确定各图片布局的基础上,结合视觉呈现效果的布局,来确定各图片在对象展示页面中的布局,使得图片的布局考虑图片给用户的视觉感受,填补对象排序在视觉效果上的欠缺,使得对象在页面上的展示的排序效果更加符合用户的直观感受,提升用户体验,提高点击转化率。
图3H示意性示出了根据本公开实施例的又一实施例的数据处理方法的流程图。
如图3H所示,该数据处理方法可以包括操作S381~S382。其中:
在操作S381,在确定各图片在对象展示页面中的布局后,确定对象展示页面中连续排列的多张图片的相似度是否满足预设条件。
在操作S382,在满足的情况下,对连续排列的多张图片在对象展示页面中的布局进行调整。
如前,图片得分特征对商品排序的贡献表现的第二个方面为在图片相似度较高的商品连续排列时,排序倾向于对该序列进行打散操作。需要说明的是,排序打散是在基于各特征量化得分完成排序之后(一次排序)进行的,是一种排序结果的优化手段。比如接连出现10多个同一商家的商品,这对用户而言是不好的体验。图片打散目的在于优化商品图片出现的类似情况。
例如,一次排序返回了商品的序列:P1、P2、P3…,比较P1图片的特征列表(记为A)与P2的图片特征列表(B)的相似性,相似性通过计算向量的consin距离得到:
其中,其中,n表示标准化后的图片全集内所有特征列表所形成的特征空间的维度。(此时A、B均被投射到该n维的特征空间上,具有相同的维度)。
当相似度高于相似度阈值Ws时,判定P1与P2的图片相似程度过高;当接连的P3、P4等商品被判定与P1图片相似度高,且数量达到相似数量阈值Wn时,最后被判定为相似的商品Pi被惩罚。惩罚的措施是:找到一个距离Pi最近的、且能终止当前连续相似情况的一个商品Pj,取代Pi的位置,商品Pi及其后商品顺次后移一个展位。
通过本公开的实施例,根据对象展示页面中连续排列的多张图片的相似度,对连续排列的多张图片在对象展示页面中的布局进行调整,可以实现对图片布局的优化,使得排序结果更加合理,用户体验更好。
图4示意性示出了根据本公开实施例的数据处理***的框图。
如图4所示,该数据处理装置400可以包括接收模块410、第一获取模块420、第一确定模块430和第二确定模块440。其中:接收模块410用于接收对象查询请求,其中,对象查询请求用于请求查询目标对象。第一获取模块420用于响应于对象查询请求,获取与目标对象匹配的多个对象以及用于展示多个对象中每个对象所使用的图片。第一确定模块430用于对获取的图片进行分析,以确定各图片的视觉呈现效果。第二确定模块440用于基于各图片的视觉呈现效果,确定各图片在对象展示页面中的布局。
可以理解的是,接收模块410、第一获取模块420、第一确定模块430和第二确定模块440可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本发明的实施例,接收模块410、第一获取模块420、第一确定模块430和第二确定模块440中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上***、基板上的***、封装上的***、专用集成电路(ASIC),或可以以对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式的适当组合来实现。或者,接收模块410、第一获取模块420、第一确定模块430和第二确定模块440中的至少一个可以至少被部分地实现为计算机程序模块,当该程序被计算机运行时,可以执行相应模块的功能。
通过本公开的实施例,由于采用对获取的用于展示多个对象中每个对象所使用的图片进行分析,以确定各图片的视觉呈现效果以及基于各图片的视觉呈现效果,确定各图片在对象展示页面中的布局的技术方案,可以弥补相关技术中确定各图片在对象展示页面中的布局时视觉效果考量方面的空白,可以至少部分克服相关技术中由于基于统计数据确定各图片在对象展示页面中的布局导致的排序效果欠佳的技术问题,通过预估图片的视觉效果对用户行为带来的影响,调整多个对象在对象展示页面中的布局,实现提升图片排序效果,进而实现提升点击转化率的技术效果。
图5A示意性示出了根据本公开另一实施例的数据处理***的框图。
如图5A所示,该数据处理***400还可以包括第二获取模块450和第三确定模块460。其中:第二获取模块450用于获取与目标对象匹配的多个对象中每个对象的操作数据。第三确定模块460用于基于操作数据和各图片的视觉呈现效果,确定各图片在对象展示页面中的布局。
通过本公开的实施例,为更加合理地模拟和还原用户的商品选择体验,本公开实施例将商品图片特征作为电商排序的维度加以利用,从数据特征和视觉呈现效果两个方面,协作提供商品的排序结果。
图5B示意性示出了根据本公开实施例的第一确定模块的框图。
如图5B所示,第一确定模块430可以包括提取单元521、处理单元522和第一确定单元523。其中:提取单元521用于提取各图片在不同尺度空间下对应的特征列表。处理单元522用于对各图片在不同尺度空间下对应的特征列表进行标准化处理,以得到标准化特征列表。第一确定单元523用于基于标准化特征列表,确定各图片的视觉呈现效果。
通过本公开的实施例,对各图片进行特征列表的提取,并进行标准化处理,来确定各图片的视觉呈现效果,充分考虑了图片对用户的视觉刺激,将图片视觉呈现效果量化为图片独特性得分,给图片在页面中的布局提供直观的数据支持,至少部分克服了相关技术中没有考虑商品视觉呈现维度对排序结果的可能性。
图5C示意性示出了根据本公开实施例的提取单元的框图。
如图5C所示,提取单元521可以包括第一处理子单元531、第一确定子单元532、第二处理子单元533、生成子单元534和第三处理子单元535。其中:第一处理子单元531用于对各图片在不同尺寸下进行高斯模糊处理,以获取与各图片对应的不同尺度的高斯金字塔图片。第一确定子单元532用于遍历与各图片对应的高斯金字塔图片中的各尺度图片,确定不同尺度对应的特征点的候选点,其中,候选点为本尺度及相邻尺度中属于极值的像素点。第二处理子单元533用于基于候选点,进行特征点的筛选和精确定位。生成子单元534用于基于筛选得到的特征点及其邻域,生成每个特征点在其对应尺度下的特征描述子。第三处理子单元535用于将生成的特征描述子作为各图片在不同尺度下对应的特征列表。
通过本公开的实施例,提取不同尺度对应的各图片的特征列表,可以精准的获取能够代表各图片视觉呈现效果的特征,最大程度的确保图片重要信息和具有区分度信息的保留,同时为下一步标准化特征列表提供可靠的数据基础。
图5D示意性示出了根据本公开实施例的处理单元的框图。
如图5D所示,处理单元522可以包括选取子单元541、计算子单元542、第二确定子单元543、更新子单元544和第四处理子单元545。其中:选取子单元541用于从各图片在不同尺度下对应的特征列表中选取至少一个特征作为一个特征类,其中,至少一个特征存储在初始化特征列表中。计算子单元542用于计算特征列表中除至少一个特征外的其他特征与至少一个特征之间的距离。第二确定子单元543用于将最小距离对应的特征列表中的特征确定为对应的特征标准化处理结果。更新子单元544用于将对应的特征标准化处理结果更新至初始化特征列表中。第四处理子单元545用于将更新后的初始化特征列表中的所有特征作为一个新的特征类。
通过本公开的实施例,对特征列表做标准化处理,得到降维表达的特征列表,使得由不同图片信息得到的特征具有相似性和可对比性,为进一步基于标准化特征列表,确定各图片的视觉呈现效果使得特征列表提供可靠有效的数据基础,提高图片视觉效果量化的可信度。
图5E示意性示出了根据本公开实施例的第一确定单元的框图。
如图5E所示,第一确定单元523可以包括第三确定子单元551、第四确定子单元552和第五确定子单元553。其中:第三确定子单元551用于基于多个标准化特征列表,确定每个标准化特征列表中各特征在本标准化特征列表中的活跃程度。第四确定子单元552用于确定每个标准化特征列表中各特征在所有标准化特征列表中的普及程度。第五确定子单元553用于基于活跃程度和普及程度,确定各图片的视觉呈现效果。
通过本公开的实施例,基于标准化的特征列表,确定各特征的活跃程度和普及程度,来确定各图片的视觉呈现效果,实现图片特征信息向图片呈现效果的转化,为图片排序提供量化基础。
图5F示意性示出了根据本公开实施例的第二确定模块的框图。
如图5F所示,第二确定模块440可以包括第二确定单元561、第三确定单元562和第四确定单元563。其中:第二确定单元561用于基于操作数据,确定对各图片在对象展示页面中进行布局的第一布局信息。第三确定单元562用于基于视觉呈现效果,确定对各图片在对象展示页面中进行布局的第二布局信息和对应权重值。第四确定单元563用于根据第一布局信息以及第二布局信息和对应权重值,确定各图片在对象展示页面中的布局。
通过本公开的实施例,在基于操作数据确定各图片布局的基础上,结合视觉呈现效果的布局,来确定各图片在对象展示页面中的布局,使得图片的布局考虑图片给用户的视觉感受,填补对象排序在视觉效果上的欠缺,使得对象在页面上的展示的排序效果更加符合用户的直观感受,提升用户体验,提高点击转化率。
图5G示意性示出了根据本公开实施例的又一实施例的数据处理***的框图。
如图5G所示,该数据数据***还可以包括第三确定模块470和调整模块480。其中:第三确定模块470用于在确定各图片在对象展示页面中的布局后,确定对象展示页面中连续排列的多张图片的相似度是否满足预设条件。调整模块480用于在满足的情况下,对连续排列的多张图片在对象展示页面中的布局进行调整。
通过本公开的实施例,根据对象展示页面中连续排列的多张图片的相似度,对连续排列的多张图片在对象展示页面中的布局进行调整,可以实现对图片布局的优化,使得排序结果更加合理,用户体验更好。
图6示意性示出了根据本公开实施例的适于实现数据处理方法及其***的计算机***的框图。图6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6所示,根据本公开实施例的计算机***600包括处理器601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。处理器601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601还可以包括用于缓存用途的板载存储器。处理器601可以包括用于执行参考图2、图3A~图3C以及图3E~图3H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 603中,存储有***600操作所需的各种程序和数据。处理器601、ROM 602以及RAM603通过总线604彼此相连。处理器601通过执行ROM602和/或RAM603中的程序来执行以上参考图2、图3A~图3C以及图3E~图3H描述的数据处理方法的各种操作。需要注意,程序也可以存储在除ROM602和RAM603以外的一个或多个存储器中。处理器601也可以通过执行存储在一个或多个存储器中的程序来执行以上参考图2、图3A~图3C以及图3E~图3H描述的数据处理方法的各种操作。
根据本公开的实施例,***600还可以包括输入/输出(I/O)接口605,输入/输出(I/O)接口605也连接至总线604。***600还可以包括连接至I/O接口605的以下部件中的一项或多项:包括键盘、鼠标等的输入部分606;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607;包括硬盘等的存储部分608;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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,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610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608。
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609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被处理器601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 602和/或RAM 603和/或ROM 602和RAM 603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,使得该设备执行数据处理方法,包括:接收对象查询请求,其中,对象查询请求用于请求查询目标对象;响应于对象查询请求,获取与目标对象匹配的多个对象以及用于展示多个对象中每个对象所使用的图片;对获取的图片进行分析,以确定各图片的视觉呈现效果;以及基于各图片的视觉呈现效果,确定各图片在对象展示页面中的布局。
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)
1.一种数据处理方法,包括:
接收对象查询请求,其中,所述对象查询请求用于请求查询目标对象;
响应于所述对象查询请求,获取与所述目标对象匹配的多个对象以及用于展示所述多个对象中每个对象所使用的图片;
对获取的图片进行分析,以确定各图片的视觉呈现效果;以及
基于所述各图片的视觉呈现效果,确定所述各图片在对象展示页面中的布局,
其中,对获取的图片进行分析,以确定各图片的视觉呈现效果包括:
提取所述各图片在不同尺度空间下对应的特征列表;
对所述各图片在不同尺度空间下对应的所述特征列表进行标准化处理,以得到标准化特征列表;以及
基于所述标准化特征列表,确定所述各图片的视觉呈现效果,
其中,所述提取所述各图片在不同尺度空间下对应的特征列表包括:
对所述各图片在不同尺寸下进行高斯模糊处理,以获取与所述各图片对应的不同尺度的高斯金字塔图片;
遍历与所述各图片对应的高斯金字塔图片中的各尺度图片,确定不同尺度对应的特征点的候选点,其中,所述候选点为本尺度及相邻尺度中属于极值的像素点;
基于所述候选点,进行特征点的筛选和精确定位,其中,所述筛选和精确定位至少包括拟合极值点的偏移以及消除边缘响应;
基于所述筛选得到的特征点及其邻域,生成所述每个特征点在其对应尺度下的特征描述子;以及
将生成的特征描述子作为所述各图片的特征列表。
2.根据权利要求1所述的方法,其中,所述方法还包括:
获取与所述目标对象匹配的多个对象中每个对象的操作数据;以及
基于所述操作数据和所述各图片的视觉呈现效果,确定所述各图片在所述对象展示页面中的布局。
3.根据权利要求1所述的方法,其中,对所述各图片在不同尺度下对应的所述特征列表进行标准化处理,以得到标准化特征列表包括:
从所述各图片在不同尺度下对应的特征列表中选取至少一个特征作为一个特征类,其中,所述至少一个特征存储在初始化特征列表中;
计算所述特征列表中除所述至少一个特征外的其他特征与所述至少一个特征之间的距离;
将最小距离对应的所述特征列表中的特征确定为对应的特征标准化处理结果;
将所述对应的特征标准化处理结果更新至所述初始化特征列表中;以及
将更新后的初始化特征列表中的所有特征作为一个新的特征类。
4.根据权利要求1所述的方法,其中,所述标准化特征列表包括多个,基于所述标准化特征列表,确定所述各图片的视觉呈现效果包括:
基于多个所述标准化特征列表,确定每个所述标准化特征列表中各特征在本标准化特征列表中的活跃程度,其中,所述活跃程度是衡量特征重要性的分数;
确定每个所述标准化特征列表中各特征在所有标准化特征列表中的普及程度,其中,所述普及程度是衡量特征普通性的分数;以及
基于所述活跃程度和所述普及程度,确定所述各图片的视觉呈现效果。
5.根据权利要求2所述的方法,其中,基于所述操作数据和所述各图片的视觉呈现效果,确定所述各图片在所述对象展示页面中的布局包括:
基于所述操作数据,确定对所述各图片在所述对象展示页面中进行布局的第一布局信息;
基于所述视觉呈现效果,确定对所述各图片在所述对象展示页面中进行布局的第二布局信息和对应权重值;以及
根据所述第一布局信息以及第二布局信息和所述对应权重值,确定所述各图片在所述对象展示页面中的布局。
6.根据权利要求5所述的方法,其中,所述方法还包括:
在确定所述各图片在所述对象展示页面中的布局后,确定所述对象展示页面中连续排列的多张图片的相似度是否满足预设条件;以及
在满足的情况下,对所述连续排列的多张图片在所述对象展示页面中的布局进行调整。
7.一种数据处理***,包括:
接收模块,用于接收对象查询请求,其中,所述对象查询请求用于请求查询目标对象;
第一获取模块,用于响应于所述对象查询请求,获取与所述目标对象匹配的多个对象以及用于展示所述多个对象中每个对象所使用的图片;
第一确定模块,用于对获取的图片进行分析,以确定各图片的视觉呈现效果;以及
第二确定模块,用于基于所述各图片的视觉呈现效果,确定所述各图片在对象展示页面中的布局,
其中,所述第一确定模块包括:
提取单元,用于提取所述各图片在不同尺度空间下对应的特征列表;
处理单元,用于对所述各图片在不同尺度空间下对应的所述特征列表进行标准化处理,以得到标准化特征列表;以及
第一确定单元,用于基于所述标准化特征列表,确定所述各图片的视觉呈现效果,
其中,所述提取单元包括:
第一处理子单元,用于对所述各图片在不同尺寸下进行高斯模糊处理,以获取与所述各图片对应的不同尺度的高斯金字塔图片;
第一确定子单元,用于遍历与所述各图片对应的高斯金字塔图片中的各尺度图片,确定不同尺度对应的特征点的候选点,其中,所述候选点为本尺度及相邻尺度中属于极值的像素点;
第二处理子单元,用于基于所述候选点,进行特征点的筛选和精确定位,其中,所述筛选和精确定位至少包括拟合极值点的偏移以及消除边缘响应;
生成子单元,用于基于所述筛选得到的特征点及其邻域,生成所述每个特征点在其对应尺度下的特征描述子;以及
第三处理子单元,用于将生成的特征描述子作为所述各图片在不同尺度下对应的特征列表。
8.根据权利要求7所述的***,其中,所述***还包括:
第二获取模块,用于获取与所述目标对象匹配的多个对象中每个对象的操作数据;以及
第三确定模块,用于基于所述操作数据和所述各图片的视觉呈现效果,确定所述各图片在所述对象展示页面中的布局。
9.根据权利要求7所述的***,其中,所述处理单元包括:
选取子单元,用于从所述各图片在不同尺度下对应的特征列表中选取至少一个特征作为一个特征类,其中,所述至少一个特征存储在初始化特征列表中;
计算子单元,用于计算所述特征列表中除所述至少一个特征外的其他特征与所述至少一个特征之间的距离;
第二确定子单元,用于将最小距离对应的所述特征列表中的特征确定为对应的特征标准化处理结果;
更新子单元,用于将所述对应的特征标准化处理结果更新至所述初始化特征列表中;以及
第四处理子单元,用于将更新后的初始化特征列表中的所有特征作为一个新的特征类。
10.根据权利要求7所述的***,其中,所述第一确定单元包括:
第三确定子单元,用于基于多个所述标准化特征列表,确定每个所述标准化特征列表中各特征在本标准化特征列表中的活跃程度,其中,所述活跃程度是衡量特征重要性的分数;
第四确定子单元,用于确定每个所述标准化特征列表中各特征在所有标准化特征列表中的普及程度,其中,所述普及程度是衡量特征普通性的分数;以及
第五确定子单元,用于基于所述活跃程度和所述普及程度,确定所述各图片的视觉呈现效果。
11.根据权利要求8所述的***,其中,所述第二确定模块包括:
第二确定单元,用于基于所述操作数据,确定对所述各图片在所述对象展示页面中进行布局的第一布局信息;
第三确定单元,用于基于所述视觉呈现效果,确定对所述各图片在所述对象展示页面中进行布局的第二布局信息和对应权重值;以及
第四确定单元,用于根据所述第一布局信息以及第二布局信息和所述对应权重值,确定所述各图片在所述对象展示页面中的布局。
12.根据权利要求11所述的***,其中,所述***还包括:
第三确定模块,用于在确定所述各图片在所述对象展示页面中的布局后,确定所述对象展示页面中连续排列的多张图片的相似度是否满足预设条件;以及
调整模块,用于在满足的情况下,对所述连续排列的多张图片在所述对象展示页面中的布局进行调整。
13.一种计算机***,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,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现权利要求1至6中任一项的数据处理方法。
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实现权利要求1至6中任一项的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810088574.7A CN110110257B (zh) | 2018-01-30 | 2018-01-30 | 数据处理方法及其***、计算机***及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810088574.7A CN110110257B (zh) | 2018-01-30 | 2018-01-30 | 数据处理方法及其***、计算机***及计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110110257A CN110110257A (zh) | 2019-08-09 |
CN110110257B true CN110110257B (zh) | 2022-03-04 |
Family
ID=67483134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810088574.7A Active CN110110257B (zh) | 2018-01-30 | 2018-01-30 | 数据处理方法及其***、计算机***及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110110257B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680242A (zh) * | 2020-04-16 | 2020-09-18 | 上海淇玥信息技术有限公司 | 页面展示方法及其装置、电子设备和计算机可读存储介质 |
CN112488766A (zh) * | 2020-12-09 | 2021-03-12 | 广州品唯软件有限公司 | 页面展示图设置方法、装置、计算机设备和存储介质 |
CN112561047B (zh) * | 2020-12-22 | 2023-04-28 | 上海壁仞智能科技有限公司 | 用于处理数据的装置、方法和计算机可读存储介质 |
CN113627152B (zh) * | 2021-07-16 | 2023-05-16 | 中国科学院软件研究所 | 一种基于自监督学习的无监督机器阅读理解训练方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107464269A (zh) * | 2016-06-02 | 2017-12-12 | 阿里巴巴集团控股有限公司 | 搭配效果图的生成方法、装置及*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9443014B2 (en) * | 2011-03-30 | 2016-09-13 | Google Inc. | Custom web page themes |
US9652543B2 (en) * | 2014-12-22 | 2017-05-16 | Microsoft Technology Licensing, Llc | Task-oriented presentation of auxiliary content to increase user interaction performance |
CN104599144A (zh) * | 2015-02-03 | 2015-05-06 | 北京京东尚科信息技术有限公司 | 生成商品详情页面的方法和装置 |
CN105718505A (zh) * | 2015-12-29 | 2016-06-29 | 北京金山安全软件有限公司 | 一种图片展示方法、装置及移动终端 |
-
2018
- 2018-01-30 CN CN201810088574.7A patent/CN110110257B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107464269A (zh) * | 2016-06-02 | 2017-12-12 | 阿里巴巴集团控股有限公司 | 搭配效果图的生成方法、装置及*** |
Also Published As
Publication number | Publication date |
---|---|
CN110110257A (zh) | 2019-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11636364B2 (en) | Image-based popularity prediction | |
US11663663B2 (en) | Image analysis and identification using machine learning with output estimation | |
US11176589B2 (en) | Dynamically generated machine learning models and visualization thereof | |
US11694427B2 (en) | Identification of items depicted in images | |
CN108280477B (zh) | 用于聚类图像的方法和装置 | |
US20230394550A1 (en) | System and method for detecting visually similar items | |
CN110110257B (zh) | 数据处理方法及其***、计算机***及计算机可读介质 | |
CN108229419B (zh) | 用于聚类图像的方法和装置 | |
US20160078507A1 (en) | Mapping products between different taxonomies | |
US10748195B2 (en) | Database image matching using machine learning with output estimation | |
US20160140519A1 (en) | Aggregating system | |
US10783580B2 (en) | Image analysis and identification using machine learning with output personalization | |
US10762562B2 (en) | Database image matching using machine learning with output personalization | |
CN111291765A (zh) | 用于确定相似图片的方法和装置 | |
CN105556540A (zh) | 评估图像清晰度 | |
US20210073890A1 (en) | Catalog-based image recommendations | |
CN111783039B (zh) | 风险确定方法、装置、计算机***和存储介质 | |
US10635940B1 (en) | Systems and methods for updating image recognition models | |
CN111753181A (zh) | 基于图像的搜索方法、装置、服务器、客户端及介质 | |
CA3036260A1 (en) | Database image matching using machine learning with output personalization | |
JP6927899B2 (ja) | 予測装置、予測方法、およびプログラム | |
US20220277368A1 (en) | Generation of recommendations for visual product details | |
CN113297472A (zh) | 发布视频内容、商品对象信息的方法、装置及电子设备 | |
CN113988979A (zh) | 一种基于条件相似性语义匹配的多维度商品信息推荐方法 | |
CN117807254A (zh) | 推荐多媒体数据的方法、装置、计算设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |