具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对装置、模块或单元进行区分,并非用于限定这些装置、模块或单元一定为不同的装置、模块或单元,也并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合附图对本公开实施方式作进一步地详细描述。
本公开实施例提供的信息推荐方法、装置、电子设备及计算机存储介质,旨在解决现有技术的如上技术问题。
下面以具体地实施例对本公开实施例的技术方案以及本公开实施例的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本公开的实施例进行描述。
本公开一个实施例提供了一种信息推荐方法,该方法由计算机设备执行,该计算机设备可以是终端或者服务器。终端可以是台式设备或者移动终端。服务器可以是独立的物理服务器、物理服务器集群或者虚拟服务器。
如图1所示,该方法包括:
步骤S110,获取终端设备当前包括的各第一预定图像类别及各第一预定图像类别的占比,各第一预定图像类别是终端设备根据用户的类别设置指令预先设置的和/或终端设备预配置的。
具体地,终端设备预配置的各图像类别(即各第一预定图像类别)可以是终端设备自带的,即终端设备可以自带一定数量的图像类别(记作第一预定图像类别)。当终端设备通过相册、图库等应用程序来存储各种图像时,终端设备预配置的各第一预定图像类别是终端设备的相册、图库等应用程序自带的。
具体地,终端设备自带的图像类别可以是由终端设备的开发人员预先为终端设备配置的,也可以是由负责终端设备中的与图像分类相关的应用程序的开发人员预先为该应用程序配置的,其中,预配置的图像类别通常是开发人员根据大多数用户的需要而设定的。比如开发人员为终端设备预配置的图像类别分别为图像类别Y1、图像类别Y2及图像类别Y3,即终端设备自带的图像类别分别为图像类别Y1、图像类别Y2及图像类别Y3。
具体地,用户在使用终端设备的过程中,如果对终端设备预配置的各第一预定图像类别不满意,或者认为终端设备预配置的各第一预定图像类别无法满足用户的个性化需求,可以根据自己的喜好或需求,通过相应的类别设置指令,在终端设备中设置相应的图像类别(即各第一预定图像类别)。其中,用户在设置图像类别的过程中,可以选择使用一部分终端设备预配置的图像类别,比如保留用户自己喜欢的一个或几个终端设备预配置的图像类别(例如保留图像类别Y2),也可以选择不使用任何终端设备预配置的图像类别,比如将终端设备预配置的图像类别全部删除。
相对应地,终端设备可以接收用户的类别设置指令,并根据用户的类别设置指令设置相应的图像类别(即各第一预定图像类别)。在一个示例中,假如终端设备1预配置的图像类别分别为图像类别Y1、图像类别Y2及图像类别Y3,用户A在使用的终端设备1的过程中,选择保留图像类别Y2,而删除图像类别Y1及图像类别Y3,同时,根据自己的个人喜好或需求,在其使用的终端设备1中设置图像类别A、图像类别B、图像类别C及图像类别D,即用户A的终端设备1中包括图像类别Y2、图像类别A、图像类别B、图像类别C及图像类别D。
在另一个示例中,假如终端设备1预配置的图像类别分别为图像类别Y1、图像类别Y2及图像类别Y3,若用户A在使用的终端设备1的过程中,不喜欢终端设备中预配置的图像类别Y1、图像类别Y2及图像类别Y3,此时用户A可以选择删除图像类别Y1、图像类别Y2及图像类别Y3,同时根据自己的个人喜好或需求,在其使用的终端设备1中设置图像类别A、图像类别B、图像类别C及图像类别D,即用户A的终端设备1中包括图像类别A、图像类别B、图像类别C及图像类别D。
具体地,终端设备可以依据预定的图像分类规则,将其包括的各种图像(例如图片、视频等)分别归类到相应的各第一预定图像类别中,或者将当前获取到的各种图像分别归类到相应的各第一预定图像类别中。在终端设备将各种图像分别归类到相应的各第一预定图像类别后,服务器或者终端设备中的插件,可以通过与终端设备进行信息交互,来获取终端设备当前包括的各第一预定图像类别及各第一预定图像类别的占比,从而为后续对用户进行信息推荐奠定必要基础。
需要说明的是,上述的各第一预定图像类别包括但不限于服饰类别、生活类别、风景类别、美食类别、家居类别、文化艺术类别、科技类别、宠物类别及儿童类别等等。
步骤S120,根据各第一预定图像类别及各第一预定图像类别的占比,确定用户的偏好信息。
具体地,终端设备预配置的各第一预定图像类别或根据用户的类别设置指令预先设置的各第一预定图像类别,对用户来说都是一些比较重要的图像类别,往往都是用户比较喜欢的图像类别。尤其是用户根据自己的喜好或需求,通过相应的类别设置指令,在终端设备中设置的各第一预定图像类别,更能反映用户的偏好,具有极高的参考价值,可以更好地辅助分析用户的偏好信息,对分析用户的偏好信息来说,是非常重要的参考信息。
具体地,在获取到终端设备当前包括的各第一预定图像类别及各第一预定图像类别的占比后,可以根据获取到的各第一预定图像类别及各第一预定图像类别的占比,对终端设备的使用者(即上述的用户)的偏好信息进行分析,得到用户的偏好信息,从而在不需要获取终端设备中存储的图片和/或视频的具体图像信息,且保护用户的图像隐私信息的情况下,通过第一预定图像类别及各第一预定图像类别的占比,即可分析出用户的偏好信息,使得终端设备中存储的图片和/或视频得到充分利用,最大程度体现了终端设备中存储的图片和/或视频的价值,为后续向用户推荐目标对象的对象信息提供保障。
步骤S130,根据偏好信息,确定目标对象,并向用户推荐目标对象的对象信息。
具体地,在确定出用户的偏好信息后,可以根据用户的偏好信息确定相应的待推荐的目标对象,并且在确定出待推荐的目标对象后,可以将该待推荐的目标对象的对象信息推荐给用户。其中,上述的目标对象包括但不限于物品、商品、新闻、视频及广告等。比如确定出用户的偏好信息为美食时,可以将待推荐的目标对象确定为某种食物或某种食材,从而可以向用户推荐该某种食物或该某种食材的对象信息;又比如确定出用户的偏好信息为家居时,可以将待推荐的目标对象确定为与家居相关的某种物品(例如沙发、橱柜等),从而可以向用户推荐该某种物品的对象信息。
本公开实施例提供的信息推荐方法,根据终端设备当前包括的各第一预定图像类别及各第一预定图像类别的占比,确定用户的偏好信息,并根据偏好信息,向用户推荐目标对象的对象信息,不仅可以充分利用终端设备中存储的图片和/或视频,而且不需要获取终端设备中存储的图片和/或视频的具体图像信息,使得可以在保护用户的图像隐私信息的情况下,充分体现这些图片和/或视频的价值,从而可以快速、准确地查找到用户感兴趣的目标对象,有效地进行信息推荐,提高信息推荐的准确性,确保信息推荐对用户具有极大的参考价值,提高了用户查看相应信息的概率,提升用户的满意度。
下面对本公开实施例的方法进行具体介绍:
在一种可能的实现方式中,获取各第一预定图像类别的占比,包括:针对每个第一预定图像类别,确定第一数量与第二数量的比值,并将比值确定为每个第一预定图像类别的占比,第一数量是每个第一预定图像类别包括的图像的数量,第二数量是各第一预定图像类别分别包括的图像的数量的总和。
具体地,终端设备可以依据预定的图像分类规则,将其包括的各种图像(例如图片、视频等)分别归类到相应的各第一预定图像类别中,或者将当前获取到的各种图像分别归类到相应的各第一预定图像类别中。在一个示例中,假如终端设备中的各第一预定图像类别分别为图像类别A(比如家居)、图像类别B(比如美食)、图像类别C(比如儿童)及图像类别D(比如宠物),终端设备当前包括的各种图像分别为图片1、图片2、图片3、…及图片25,则终端设备可以依据预定的图像分类规则,将图片1与图片2共2张图片分别归类到图像类别A中,将图片3、图片5、…、及图片7共5张图片分别归类到图像类别B中,将图片8、图片10、…、及图片15共8张图片分别归类到图像类别C中,将图片16、图片17、…、及图片25共10张图片分别归类到图像类别D中。
具体地,终端设备在将各种图像(例如图片、视频等)分别归类到相应的各第一预定图像类别后,可以根据各第一预定图像类别中分别包括的图像的数量,计算各第一预定图像类别的占比。其中,每个第一预定图像类别的占比为该每个第一预定图像类别包括的图像的数量(即第一数量)与各第一预定图像类别分别包括的图像的数量的总和(即第二数量)之间的比值。
基于上述示例,各第一预定图像类别分别包括的图像的数量的总和为:2+5+8+10=25,其中,图像类别A包括的图像的数量为2,可以计算出图像类别A的占比为2/25=8%,图像类别B包括的图像的数量为5,可以计算出图像类别A的占比为5/25=20%,图像类别C包括的图像的数量为8,可以计算出图像类别C的占比为8/25=32%,图像类别D包括的图像的数量为10,可以计算出图像类别D的占比为10/25=40%。
在一种可能的实现方式中,根据各第一预定图像类别及各第一预定图像类别的占比,确定用户的偏好信息,包括:从各第一预定图像类别的占比中确定最大占比,并确定该最大占比对应的第一预定图像类别;通过预训练的神经网络回归模型,根据最大占比及最大占比对应的第一预定图像类别,得到第一回归信息;根据第一回归信息,确定用户的偏好信息。
具体地,在终端设备依据预定的图像分类规则,将其包括的各种图像分别归类到相应的各第一预定图像类别、且计算出各第一预定图像类别分别对应的占比后,可以根据各占比中的最大值确定用户的偏好信息。其中,在根据各占比中的最大值确定用户的偏好信息的过程中,可以执行如下操作:
首先,从各第一预定图像类别的占比中确定最大占比,并确定该最大占比对应的第一预定图像类别。基于上述示例,图像类别A的占比为8%,图像类别B的占比为5/25=20%,图像类别C的占比为8/25=32%,图像类别D的占比为10/25=40%,可以看出:各第一预定图像类别的占比中的最大值(即最大占比)为40%,且40%这一占比对应的第一预定图像类别为图像类别D。
接着,在确定出最大占比及最大占比对应的第一预定图像类别后,可以根据该最大占比及该最大占比对应的第一预定图像类别,确定用户的偏好信息。基于上述示例,最大占比为40%,且40%这一最大占比对应的第一预定图像类别为图像类别D,故可以根据40%这一最大占比以及图像类别D,来确定用户的偏好信息。
其中,在根据最大占比及最大占比对应的第一预定图像类别确定用户的偏好信息的过程中,可以通过预训练的神经网络回归模型,根据最大占比及最大占比对应的第一预定图像类别,得到相应的回归信息(记作第一回归信息)。在实际应用中,可以将最大占比及最大占比对应的第一预定图像类别输入到预训练的神经网络回归模型,来通过该预训练的神经网络回归模型进行回归分析,回归出相应的回归信息。在上述示例中,最大占比为40%,且40%这一最大占比对应的第一预定图像类别为图像类别D,故可以将最大占比为40%及图像类别D输入到预训练的神经网络回归模型,来通过该预训练的神经网络回归模型进行回归分析,回归出与图像类别D相关的回归信息。
接着,在得到第一回归信息后,可以根据第一回归信息,确定用户的偏好信息,比如可以根据第一回归信息,确定用户的消费偏好、新闻阅读偏好、视频观看偏好等等。在一个示例中,当图像类别D为儿童类别时,可以回归出用户是倾向于儿童的儿童消费者,即用户的消费偏好为与儿童相关的物品(例如服饰、食物、玩具等);在另一个示例中,当图像类别D为宠物类别时,可以回归出用户是倾向于宠物的宠物消费者,即用户的消费偏好为与宠物相关的物品(例如宠物食品、宠物配饰及宠物鞋服等)。
在一种可能的实现方式中,根据各第一预定图像类别及各第一预定图像类别的占比,确定用户的偏好信息,包括:从各第一预定图像类别的占比中确定最大的N个占比,并确定该最大的N个占比分别对应的第一预定图像类别,N为大于1的整数;通过预训练的神经网络回归模型,根据最大的N个占比及最大的N个占比分别对应的第一预定图像类别,得到第二回归信息;根据第二回归信息,确定用户的偏好信息。
具体地,在终端设备依据预定的图像分类规则,将其包括的各种图像分别归类到相应的各第一预定图像类别、且计算出各第一预定图像类别分别对应的占比后,可以先从各占比中确定最大的N(比如N=2、N=3及N=5等)个占比,再根据最大的N个占比确定用户的偏好信息。其中,在根据最大的N个占比确定用户的偏好信息的过程中,可以执行如下操作:
首先,从各第一预定图像类别的占比中确定最大的N个占比,并确定该最大的N个占比分别对应的第一预定图像类别。假如N=2,则基于上述示例中图像类别A的占比、图像类别B的占比、图像类别C的占比及图像类别D的占比,可以看出:在各第一预定图像类别的占比中,最大的N个占比分别为40%与32%,且40%对应于图像类别D,32%对应于图像类别C。
接着,根据该最大的N个占比及该最大的N个占比分别对应的第一预定图像类别,确定用户的偏好信息。基于上述示例,可以根据占比32%、占比40%、图像类别C及图像类别D,确定用户的偏好信息。
其中,在根据最大的N个占比及最大的N个占比分别对应的第一预定图像类别确定用户的偏好信息的过程中,可以将最大的N个占比及最大的N个占比分别对应的第一预定图像类别输入到预训练的神经网络回归模型,来通过该预训练的神经网络回归模型进行回归分析,回归出相应的回归信息。基于上述示例,可以将占比40%、占比32%、图像类别C及图像类别D输入到预训练的神经网络回归模型,来通过该预训练的神经网络回归模型进行回归分析,回归出与图像类别C及图像类别D相关的回归信息。
接着,在得到第一回归信息后,可以根据第一回归信息,确定用户的偏好信息。在一个示例中,当图像类别C为宠物类别、图像类别D为儿童类别时,可以回归出用户不仅是倾向于儿童的儿童消费者,而且是倾向于宠物的宠物消费者,即用户的消费偏好为与儿童相关的物品(例如服饰、食物、玩具等)、与宠物相关的物品(例如宠物食品、宠物配饰及宠物鞋服等)以及融合儿童与宠物的物品(例如防止宠物咬伤儿童的物品)。
在一种可能的实现方式中,在获取终端设备当前包括的各第一预定图像类别及各第一预定图像类别分别对应的占比之前,还包括:确定终端设备中各图像分别对应的第一预定图像类别。其中,确定终端设备中的各图像分别对应的第一预定图像类别,包括:确定各图像分别对应的各第一图像特征;根据各图像分别对应的各第一图像特征,确定各图像分别对应于各第一预定图像类别的第一类别权重;根据各第一类别权重,确定各图像分别对应的第一预定图像类别。
具体地,在获取终端设备当前包括的各第一预定图像类别及各第一预定图像类别分别对应的占比之前,需要先确定终端设备中的各图像分别对应的第一预定图像类别。其中,终端设备中的各图像为待分类的图像,该待分类的图像可以是终端设备通过其携带的图像采集设备采集到的一个或多个图像,也可以是终端设备访问互联网或社交媒体获取到的一个或多个图像,还可以是通过与其它其他终端设备进行信息交互获取到的一个或多个图像,当然也可以是通过其它渠道获取到的一个或多个图像,本公开实施例不对其作限制。
通常情况下,由于不同拍摄场景下的图像往往具有不同的图像特征,存在不同目标物体的图像也往往具有不同的图像特征,因此,一个图像(例如图像1)可以同时具有多个图像特征(即上述的第一图像特征),例如图像1具有图像特征1与图像特征2,又例如图像2具有图像特征3、图像特征4及图像特征5。
其中,某个图像的多个图像特征可以作为对该某个图像进行分类的分类依据,即依据该多个图像特征对该某个图像进行图像分类。故需要确定待分类的各图像分别对应的各图像特征(即第一图像特征),从而为后续对各图像的准确分类提供前提保障。
具体地,在确定出各图像分别对应的各第一图像特征后,可以根据各图像分别对应的各第一图像特征,确定各图像分别对应于各第一预定图像类别的类别权重。其中,每一个图像对应于各第一预定图像类别的类别权重的总和为预定数值(比如1、2及3等等)。
在一个示例中,假如图像1具有图像特征1与图像特征2,且终端设备1中包括图像类别A、图像类别B、图像类别C及图像类别D,则可以根据图像特征1与图像特征2,确定图像1对应于图像类别A的类别权重(比如A1)、图像1对应于图像类别B的类别权重(比如B1)、图像1对应于图像类别C的类别权重(比如C1)及图像1对应于图像类别D的类别权重(比如D1),其中,A1、B1、C1及D1的和为预定数值(比如1、2及3等等)。
具体地,在确定出各图像分别对应于各第一预定图像类别的类别权重之后,可以根据各图像分别对应于各第一预定图像类别的类别权重,确定各图像分别对应的第一预定图像类别,从而对各图像进行分类。
在一个示例中,在确定出图像1对应于图像类别A的类别权重A1、对应于图像类别B的类别权重B1、对应于图像类别C的类别权重C1及对应于图像类别D的类别权重D1之后,可以根据A1、B1、C1及D1,确定图像1对应的图像类别。其中,在根据A1、B1、C1及D1,确定图像1对应的图像类别时,可以根据A1、B1、C1及D1中的最大值,确定图像1对应的图像类别。比如A1、B1、C1及D1中的最大值为A1,则可以将图像类别A确定为图像1图像类别,即将图像1归类为图像类别A。
在一种可能的实现方式中,上述确定终端设备中各图像分别对应的第一预定图像类别的过程,是通过分类模型实现的,分类模型包括分类网络与预训练的特征提取网络,预训练的特征提取网络用于确定各图像分别对应的各第一图像特征,分类网络用于根据各图像分别对应于各第一预定图像类别的第一类别权重,确定各图像分别对应的第一预定图像类别。
具体地,由于终端设备预配置的各第一预定图像类别是开发人员预先配置好的,因此,已经预先训练好对各图像进行分类的分类模型,于是,终端设备在通过分类模型将各图像分别归类到终端设备预配置的各第一预定图像类别的过程中,可以直接使用分类模型中离线训练好的分类网络,不需要再对分类模型中的分类网络进行训练。
具体地,终端设备在通过分类模型将各图像分别归类到用户自定义的各第一预定图像类别的过程中,需要对分类模型中的分类网络进行训练,其中,分类网络的训练过程可以为:首先,获取第一预定数量的第一样本图像,并确定各第一样本图像分别对应的第一预定图像类别,该过程相当于针对每个第一预定图像类别筛选一定数量的样本图像;接着,通过预训练的特征提取网络,确定各第一样本图像分别对应的各第二图像特征;接着,基于各第一样本图像分别对应的各第二图像特征和各第一样本图像分别对应的第一预定图像类别,对分类网络进行训练,直至分类网络满足第一预定条件。
具体地,上述预训练的特征提取网络可以是预先在服务端或其它设备中离线训练好的,其中,可以通过一定数量的属于不同图像类别的样本图像,来离线训练特征提取网络。
在一个示例中,为确保特征提取网络能够具有极强的特征提取能力、准确提取出图像特征,首先,可以预先设定大量的图像类别(比如2000个图像类别),并针对每个图像类别,筛选出一定数量的样本图像(比如上万张图图像),接着,通过将针对每个图像类别筛选出的一定数量的样本图像输入到相应的特征提取网络,来提取每个样本图像的有效特征,并基于提取到的每个样本图像的有效特征,确定每个样本图像的图像类别。其中,当根据提取到的每个样本图像的有效特征,正确确定出该每个样本图像对应的图像类别时,说明该特征提取网络提取到的有效特征具有很高的参考价值,当根据提取到的每个样本图像的有效特征,不能正确确定出该每个样本图像对应的图像类别时,说明该特征提取网络提取到的有效特征不具有参考价值或参考价值较小,需要继续对特征提取网络进行训练,直到根据特征提取网络提取到的每个样本图像的有效特征,均能够正确识别出该每个样本图像的图像类别为止。
需要说明的是,上述的特征提取网络可以是卷积神经网络的中间层,每个样本图像对应的图像类别可以是卷积神经网络的输出层的输出结果。
具体地,上述的分类网络是终端设备基于第一预定数量的样本图像(记作第一样本图像)及用户自定义的各第一预定图像类别训练得到的,其中,可以针对每个第一预定图像类别筛选出一定数量的样本图像,来对分类网络进行训练,比如某个第一预定图像类别为猫时,可以筛选出一定数量的包括各种猫的图片作为样本图像(例如100张),来对分类网络进行训练,又比如某个第一预定图像类别为狗时,可以筛选出一定数量的包括各种狗的图片作为样本图像(例如110张),来对分类网络进行训练。对于其它的第一预定图像类别,也采用上述的方法,对分类网络进行训练,在此不再赘述。
其中,上述筛选出的一定数量的包括各种猫的图片与筛选出的一定数量的包括各种狗的图片,即为上述的第一预定数量的样本图像,换言之,第一预定数量为针对各第一预定图像类别分别筛选出的一定数量的第一样本图像的数量总和,基于上述示例,第一预定数量为210(即100与110的总和)。
在具体示例中,比如各第一预定图像类别分别为猫与狗,上述的分类网络的训练过程可以为:首先,可以获取一定数量的关于猫的样本图像(比如100张)、并标记其对应的第一预定图像类别为猫,即该100张关于猫的样本图像的类别标签为猫,获取一定数量的关于狗的样本图像(比如110张)、并标记其对应的第一预定图像类别为猫,即该110张关于狗的样本图像的类别标签为狗;接着,通过预训练的特征提取网络,确定100张关于猫的样本图像分别对应的各图像特征(记作第二图像特征)、110张关于狗的样本图像分别对应的各图像特征(记作第二图像特征);接着,基于100张关于猫的样本图像分别对应的各图像特征和100张关于猫的样本图像分别对应的类别标签对分类网络进行训练,直至分类网络满足第一预定条件,同时基于110张关于狗的样本图像分别对应的各图像特征和110张关于狗的样本图像分别对应的类别标签,对分类网络进行训练,直至分类网络满足第一预定条件。
具体地,在基于各第一样本图像分别对应的各第二图像特征和各第一样本图像分别对应的第一预定图像类别,对分类网络进行训练时,针对每个第一样本图像,将每个第一样本图像的各第二图像特征输入至分类网络,并通过分类网络训练每个第一样本图像对应于各第一预定图像类别的权重,以使得通过训练后的分类网络得到的各权重中的最大值为每个第一样本图像对应于每个第一样本图像的第一预定图像类别的类别权重。
通常将某个样本图像的各图像特征输入至分类网络后,得到的是该某个样本图像对应于各第一预定图像类别的类别权重,且分类网络根据各类别权重中的最大值对该某个样本图像进行图像类别的分类,比如当各类别权重中的最大值所对应的第一预定图像类别是狗时,将该某个样本图像归类到狗这一第一预定图像类别,又比如当各类别权重中的最大值所对应的第一预定图像类别是猫时,将该某个样本图像归类到猫这一第一预定图像类别。然而,当某个样本图像通过分类网络分类后的图像类别与该某个样本图像的类别标签不同时,说明分类网络的分类结果存在错误,需要继续对分类网络进行训练,比如调整分类网络的相关参数,直到通过训练后的分类网络得到的各类别权重中的最大值为样本图像的类别标签的类别权重。
在一个示例中,假如各第一预定图像类别分别为猫、狗、水杯与鞋,样本图像为一张关于水杯的图片(记作图像S1),图像S1的类别标签为水杯,且图像S1是各第一样本图像中的一个,则可以将图像S1的各图像特征(记作第二图像特征)输入至分类网络,来通过图像S1对分类网络进行训练。其中,通过分类网络得到的是图像S1对应于猫、狗、水杯与鞋这四个第一预定图像类别的类别权重,并且分类网络根据得到的类别权重中的最大值来对图像S1进行归类,即将图像S1归类到各类别权重中的最大值所对应的第一预定图像类别,当确定图像S1对应于猫这一第一预定图像类别的类别权重最大时,就将图像S1归类为猫这一第一预定图像类别,当确定图像S1对应于鞋这一第一预定图像类别的类别权重最大时,就将图像S1归类为鞋这一第一预定图像类别。
其中,当分类网络错误地将图像S1归类为猫这一第一预定图像类别,说明分类网络的分类结果是极度不可信的,对分类网络的训练并没有结束,需要继续对分类网络进行训练,直到分类网络正确地将图像S1归类为水杯这一第一预定图像类别。换句话说,在通过图像S1对分类网络进行训练的过程中,需要不断地调整分类网络的相应参数,以使得训练后的分类网络得到的各权重中的最大值为图像S1对应于水杯这一第一预定图像类别的类别权重,比如通过训练后的分类网络得到图像S1对应于水杯这一第一预定图像类别的类别权重为0.9、对应于猫这一第一预定图像类别的类别权重为0.05、对应于狗这一第一预定图像类别的类别权重为0.04、对应于鞋这一第一预定图像类别的类别权重为0.01。
其中,针对各第一样本图像中的每一个第一样本图像,均可以通过将每个第一样本图像的各第二图像特征输入至分类网络,来训练分类网络,直到通过训练后的分类网络得到的各类别权重中的最大值为每个第一样本图像对应于每个第一样本图像的第一预定图像类别的类别权重。
具体地,分类网络满足第一预定条件可以是分类网络的分类正确率大于或等于预定阈值,该预定阈值可以是95%、98%等,也可以是0.95、0.98等,还可以是其它可行的数值形式,本公开实施例不对其作限制。比如当将100张关于猫的样本图像输入到分类模型时,若有95张或98张能够被正确定归类为猫这一第一预定图像类别,则可以认为分类网络已经训练完成。
此外,分类网络满足第一预定条件也可以是分类网络的迭代训练次数大于或等于预定次数,该预定次数可以是1000次、1500次、3000次等。当预定次数是1000时,若将100张关于猫的样本图像输入到分类模型,当对分类模型中的分类网络进行迭代训练的次数大于或等于1000时,可以认为分类网络已经训练完成。
另外,分类网络满足第一预定条件还可以是分类网络的损失函数收敛,其中,损失函数的值表征了分类网络输出的第一样本图像的类别与第一样本图像对应的第二预定图像类别之间的差异。比如当将100张关于猫的样本图像输入到分类模型时,若分类模型的分类网络针对该100张关于猫的样本图像得到的损失函数已经稳定,则可以认为损失函数已经收敛。
在一种可能的实现方式中,当检测到根据用户的类别更新指令将各第一预定图像类别分别更新为各第二预定图像类别时,重新训练分类网络,分类网络通过以下方式重新训练得到:获取第二预定数量的第二样本图像,并确定各第二样本图像分别对应的第二预定图像类别;接着,通过预训练的特征提取网络,确定各第二样本图像分别对应的各第二图像特征;接着,基于各第二样本图像分别对应的各第二图像特征和各第二样本图像分别对应的第二预定图像类别,对分类网络进行训练,直至分类网络满足第一预定条件。
具体地,终端设备在基于各第一预定图像类别,通过训练后的分类网络,对获取到的图像进行图像分类的过程中,当用户对原先设定的某个或多个第一预定图像类别不满意,或者原先设定的第一预定图像类别无法满足用户需求时,用户可以根据当前的个性化需求,重新设定一定数量的新的图像类别(记作第二预定图像类别)。其中,用户可以通过相应的类别更新指令,将终端设备中的各第一预定图像类别分别更新为各第二预定图像类别,相对应地,终端设备根据用户的类别更新指令将各第一预定图像类别分别更新为各第二预定图像类别。
其中,终端设备将各第一预定图像类别分别更新为各第二预定图像类别后,需要基于更新后的各第二预定图像类别,重新训练分类网络,以便于后续能够基于重新训练后的分类网络,将获取到的图像归属到相应的第二预定图像类别中,实现基于各第二预定图像类别对获取到的图像进行图像分类。
具体地,类别更新指令包括类别新增指令、类别替换指令及类别删减指令中的任一项。在一种情况下,当类别更新指令为类别新增指令时,根据用户的类别更新指令将各第一预定图像类别分别更新为各第二预定图像类别的方式,可以是根据用户的类别新增指令确定各第二预定图像类别,各第二预定图像类别包括各第一预定图像类别;也就是说,在原先的各第一预定图像类别的基础上新增加一个或多个预定图像类别,并将原先的各第一预定图像类别与新增加的一个或多个预定图像类别,作为各第二预定图像类别,即各第二预定图像类别包括原先的各第一预定图像类别。
在一个示例中,假如原先的各第一预定图像类别分别为图像类别A、图像类别B、图像类别C及图像类别D,且新增加的图像类别为图像类别E与图像类别F,则更新后的图像类别为图像类别A、图像类别B、图像类别C、图像类别D、图像类别E与图像类别F,即终端设备中的图像类别由原先的图像类别A、图像类别B、图像类别C及图像类别D,更新为图像类别A、图像类别B、图像类别C、图像类别D、图像类别E与图像类别F。
在另一种情况下,当类别更新指令为类别替换指令时,根据用户的类别更新指令将各第一预定图像类别分别更新为各第二预定图像类别的方式,可以是根据用户的类别新增指令确定各第二预定图像类别,各第二预定图像类别不包括各第一预定图像类别;也就是说,重新设置一定数量的第二预定图像类别,并利用该一定数量的第二预定图像类别代替原来的各第一预定图像类别,其中,各第二预定图像类别均不同于各第一预定图像类别。
在一个示例中,假如原先的各第一预定图像类别分别为图像类别A、图像类别B、图像类别C及图像类别D,用户的类别替换指令确定的各第二预定图像类别分别为图像类别E、图像类别F与图像类别G,则利用图像类别E、图像类别F与图像类别G替代原先的图像类别A、图像类别B、图像类别C及图像类别D,即终端设备中的图像类别由原来的图像类别A、图像类别B、图像类别C及图像类别D,更新为图像类别E、图像类别F与图像类别G。
在又一种情况下,当类别更新指令为类别删减指令时,根据用户的类别更新指令将各第一预定图像类别分别更新为各第二预定图像类别的方式,可以是根据用户的类别删减指令确定各第二预定图像类别,各第一预定图像类别包括各第二预定图像类别;也就是说,在原先的各第一预定图像类别的基础上新删除一个或多个第一预定图像类别,并将剩余的各第一预定图像类别作为各第二预定图像类别,即原先的各第一预定图像类别包括各第二定图像类别。
在一个示例中,假如原先的各第一预定图像类别分别为图像类别A、图像类别B、图像类别C及图像类别D,用户的类别删减指令确定删除的第一预定图像类别分别为图像类别C,则剩余的各第一预定图像类别分别为图像类别A、图像类别B及图像类别D,此时将图像类别A、图像类别B及图像类别D作为终端设备的第一预定图像类别,即终端设备中的图像类别由原先的图像类别A、图像类别B、图像类别C及图像类别D,更新为图像类别A、图像类别B及图像类别D。
具体地,由于终端设备中的预定图像类别变生了更新,所以需要重新对终端设备的分类模型中的分类网络进行训练,即重新训练分类网络。同时,由于终端设备中的预定图像类别变生了更新,所以需要重新选择一批与更新后的预定图像类别(记作第二预定图像类别)相匹配的样本图像,来重新训练分类网络,即针对每个第二预定图像类别,均选取一定数量的与该每个第二预定图像类别相匹配的样本图像,以用于后续重新训练分类网络。为便于描述可以将针对各第二预定图像类别分别选取的一定数量的样本图像的总和记作第二预定数量的第二样本图像。
其中,终端设备在获取到第二预定数量的第二样本图像后,将基于该第二预定数量的第二样本图像,对分类网络进行重新训练,得到重新训练后的分类网络。
具体地,终端设备基于第二预定数量的第二样本图像,对分类网络进行重新训练的过程,可以为:通过预训练的特征提取网络,确定各第二样本图像分别对应的各第三图像特征,并基于各第二样本图像分别对应的各第三图像特征和各第二样本图像分别对应的第二预定图像类别,对分类网络进行训练。该过程与上述基于第一预定数量的第一样本图像,对分类网络进行训练的过程相同,在此不再赘述。
具体地,终端设备在根据上述三种情况,得到重新训练后的分类网络后,在后续的图像分类过程中,将根据重新训练后的分类网络进行获取到的图像进行图像分类,即每当获取到一张图像后,就通过分类模型(包括预训练的特征提取网络与重新训练后的分类网络)执行以下处理:确定该一张图像对应的各第一图像特征,接着,根据该一张图像对应的各第一图像特征,确定该一张图像对应于各第二预定图像类别的第二类别权重,接着,根据各第二类别权重,确定各图像分别对应的第二预定图像类别。
具体地,在确定各图像分别对应的第二预定图像类别后,在向用户进行信息推荐时,需要重新获取终端设备当前包括的各第二预定图像类别及各第二预定图像类别的占比,接着,根据各第二预定图像类别及各第二预定图像类别的占比,确定用户的偏好信息,接着,根据确定出的偏好信息,确定目标对象,并向用户推荐目标对象的对象信息。
图2为本公开又一实施例提供的一种信息推荐装置的结构示意图,如图2所示,该装置200可以包括获取模块201、第一确定模块202及第二确定模块203,其中:
获取模块201,用于获取终端设备当前包括的各第一预定图像类别及各第一预定图像类别的占比,各第一预定图像类别是终端设备根据用户的类别设置指令预先设置的和/或终端设备预配置的;
第一确定模块202,用于根据各第一预定图像类别及各第一预定图像类别的占比,确定用户的偏好信息;
第二确定模块203,用于根据偏好信息,确定目标对象,并向用户推荐目标对象的对象信息。
在一种可能的实现方式中,获取模块在获取各第一预定图像类别的占比时,用于针对每个第一预定图像类别,确定第一数量与第二数量的比值,并将比值确定为每个第一预定图像类别的占比,第一数量是每个第一预定图像类别包括的图像的数量,第二数量是各第一预定图像类别分别包括的图像的数量的总和。
在一种可能的实现方式中,第一确定模块具体用于:
从各第一预定图像类别的占比中确定最大占比,并确定该最大占比对应的第一预定图像类别;
通过预训练的神经网络回归模型,根据最大占比及最大占比对应的第一预定图像类别,得到第一回归信息;
根据第一回归信息,确定用户的偏好信息。
在一种可能的实现方式中,第一确定模块具体用于:
从各第一预定图像类别的占比中确定最大的N个占比,并确定该最大的N个占比分别对应的第一预定图像类别,N为大于1的整数;
通过预训练的神经网络回归模型,根据最大的N个占比及最大的N个占比分别对应的第一预定图像类别,得到第二回归信息;
根据第二回归信息,确定用户的偏好信息。
在一种可能的实现方式中,还包括第三确定模块;
第三确定模块用于确定终端设备中各图像分别对应的第一预定图像类别;
其中,第三确定模块在确定终端设备中的各图像分别对应的第一预定图像类别时,用于:
确定各图像分别对应的各第一图像特征;
根据各图像分别对应的各第一图像特征,确定各图像分别对应于各第一预定图像类别的第一类别权重;
根据各第一类别权重,确定各图像分别对应的第一预定图像类别。
在一种可能的实现方式中,确定终端设备中各图像分别对应的第一预定图像类别是通过分类模型实现的,分类模型包括分类网络与预训练的特征提取网络,预训练的特征提取网络用于确定各图像分别对应的各第一图像特征,分类网络用于根据各图像分别对应于各第一预定图像类别的第一类别权重,确定各图像分别对应的第一预定图像类别;
其中,当各第一预定图像类别是终端设备根据用户的类别设置指令预先设置的,分类网络是通过第一训练模块得到的,第一训练模块具体用于:
获取第一预定数量的第一样本图像,并确定各第一样本图像分别对应的第一预定图像类别;
通过预训练的特征提取网络,确定各第一样本图像分别对应的各第二图像特征;
基于各第一样本图像分别对应的各第二图像特征和各第一样本图像分别对应的第一预定图像类别,对分类网络进行训练,直至分类网络满足第一预定条件。
在一种可能的实现方式中,第一训练模块在基于各第一样本图像分别对应的各第二图像特征和各第一样本图像分别对应的第一预定图像类别,对分类网络进行训练时,用于针对每个第一样本图像,将每个第一样本图像的各第二图像特征输入至分类网络,并通过分类网络训练每个第一样本图像对应于各第一预定图像类别的类别权重,以使得通过训练后的分类网络得到的各类别权重中的最大值为每个第一样本图像对应于每个第一样本图像的第一预定图像类别的类别权重。
在一种可能的实现方式中,还包括第二训练模块,第二训练模块具体用于:
当检测到根据用户的类别更新指令将各第一预定图像类别分别更新为各第二预定图像类别时,重新训练分类网络,分类网络通过以下方式重新训练得到:
获取第二预定数量的第二样本图像,并确定各第二样本图像分别对应的第二预定图像类别;
通过预训练的特征提取网络,确定各第二样本图像分别对应的各第二图像特征;
基于各第二样本图像分别对应的各第二图像特征和各第二样本图像分别对应的第二预定图像类别,对分类网络进行训练,直至分类网络满足第一预定条件。
在一种可能的实现方式中,类别更新指令包括类别新增指令、类别替换指令及类别删减指令中的任一项;第二训练模块在根据用户的类别更新指令将各第一预定图像类别分别更新为各第二预定图像类别的方式时,执行以下任一项:
根据用户的类别新增指令确定各第二预定图像类别,各第二预定图像类别包括各第一预定图像类别;
根据用户的类别替换指令确定各第二预定图像类别,各第二预定图像类别不包括各第一预定图像类别;
根据用户的类别删减指令确定各第二预定图像类别,各第一预定图像类别包括各第二预定图像类别。
在一种可能的实现方式中,分类网络满足第一预定条件,包括以下任一项:
分类网络的分类正确率大于或等于预定阈值;
分类网络的迭代训练次数大于或等于预定次数;
分类网络的损失函数收敛,损失函数的值表征了分类网络输出的第一样本图像的类别与第一样本图像对应的第二预定图像类别之间的差异。
本公开实施例提供的装置,根据终端设备当前包括的各第一预定图像类别及各第一预定图像类别的占比,确定用户的偏好信息,并根据偏好信息,向用户推荐目标对象的对象信息,不仅可以充分利用终端设备中存储的图片和/或视频,而且不需要获取终端设备中存储的图片和/或视频的具体图像信息,使得可以在保护用户的图像隐私信息的情况下,充分体现这些图片和/或视频的价值,从而可以快速、准确地查找到用户感兴趣的目标对象,有效地进行信息推荐,提高信息推荐的准确性,确保信息推荐对用户具有极大的参考价值,提高了用户查看相应信息的概率,提升用户的满意度。
需要说明的是,本实施例为与上述的方法项实施例相对应的装置项实施例,本实施例可与上述方法项实施例互相配合实施。上述方法项实施例中提到的相关技术细节在本实施例中依然有效,为了减少重复,这里不再赘述。相应地,本实施例中提到的相关技术细节也可应用在上述方法项实施例中。
下面参考图3,其示出了适于用来实现本公开实施例的电子设备300的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
电子设备包括存储器以及处理器,其中,这里的处理器可以称为下方所述的处理装置301,存储器包括下文中的只读存储器(ROM)302、随机访问存储器(RAM)303以及存储装置308中的至少一项,具体如下所示:
如图3所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程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装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
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该电子设备执行时,使得该电子设备:获取终端设备当前包括的各第一预定图像类别及各第一预定图像类别的占比,各第一预定图像类别是终端设备根据用户的类别设置指令预先设置的和/或终端设备预配置的;接着,根据各第一预定图像类别及各第一预定图像类别的占比,确定用户的偏好信息;接着,根据偏好信息,确定目标对象,并向用户推荐目标对象的对象信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
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,该模块、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,框图和/或流程图中的每个方框、以及框图和/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。
描述于本公开实施例中所涉及到的模块或单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块或单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取模块还可以被描述为“检测到发生预定直播事件时,获取预定直播事件对应的至少一种事件处理方式的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,提供了一种信息推荐方法,包括:
获取终端设备当前包括的各第一预定图像类别及各第一预定图像类别的占比,各第一预定图像类别是终端设备根据用户的类别设置指令预先设置的和/或终端设备预配置的;
根据各第一预定图像类别及各第一预定图像类别的占比,确定用户的偏好信息;
根据偏好信息,确定目标对象,并向用户推荐目标对象的对象信息。
在一种可能的实现方式中,获取各第一预定图像类别的占比,包括:
针对每个第一预定图像类别,确定第一数量与第二数量的比值,并将比值确定为每个第一预定图像类别的占比,第一数量是每个第一预定图像类别包括的图像的数量,第二数量是各第一预定图像类别分别包括的图像的数量的总和。
在一种可能的实现方式中,根据各第一预定图像类别及各第一预定图像类别的占比,确定用户的偏好信息,包括:
从各第一预定图像类别的占比中确定最大占比,并确定该最大占比对应的第一预定图像类别;
通过预训练的神经网络回归模型,根据最大占比及最大占比对应的第一预定图像类别,得到第一回归信息;
根据第一回归信息,确定用户的偏好信息。
在一种可能的实现方式中,根据各第一预定图像类别及各第一预定图像类别的占比,确定用户的偏好信息,包括:
从各第一预定图像类别的占比中确定最大的N个占比,并确定该最大的N个占比分别对应的第一预定图像类别,N为大于1的整数;
通过预训练的神经网络回归模型,根据最大的N个占比及最大的N个占比分别对应的第一预定图像类别,得到第二回归信息;
根据第二回归信息,确定用户的偏好信息。
在一种可能的实现方式中,在获取终端设备当前包括的各第一预定图像类别及各第一预定图像类别分别对应的占比之前,还包括:
确定终端设备中各图像分别对应的第一预定图像类别;
其中,确定终端设备中的各图像分别对应的第一预定图像类别,包括:
确定各图像分别对应的各第一图像特征;
根据各图像分别对应的各第一图像特征,确定各图像分别对应于各第一预定图像类别的第一类别权重;
根据各第一类别权重,确定各图像分别对应的第一预定图像类别。
在一种可能的实现方式中,确定终端设备中各图像分别对应的第一预定图像类别是通过分类模型实现的,分类模型包括分类网络与预训练的特征提取网络,预训练的特征提取网络用于确定各图像分别对应的各第一图像特征,分类网络用于根据各图像分别对应于各第一预定图像类别的第一类别权重,确定各图像分别对应的第一预定图像类别;
其中,当各第一预定图像类别是终端设备根据用户的类别设置指令预先设置的,分类网络是通过以下方式训练得到的:
获取第一预定数量的第一样本图像,并确定各第一样本图像分别对应的第一预定图像类别;
通过预训练的特征提取网络,确定各第一样本图像分别对应的各第二图像特征;
基于各第一样本图像分别对应的各第二图像特征和各第一样本图像分别对应的第一预定图像类别,对分类网络进行训练,直至分类网络满足第一预定条件。
在一种可能的实现方式中,基于各第一样本图像分别对应的各第二图像特征和各第一样本图像分别对应的第一预定图像类别,对分类网络进行训练,包括:
针对每个第一样本图像,将每个第一样本图像的各第二图像特征输入至分类网络,并通过分类网络训练每个第一样本图像对应于各第一预定图像类别的类别权重,以使得通过训练后的分类网络得到的各类别权重中的最大值为每个第一样本图像对应于每个第一样本图像的第一预定图像类别的类别权重。
在一种可能的实现方式中,该方法还包括:
当检测到根据用户的类别更新指令将各第一预定图像类别分别更新为各第二预定图像类别时,重新训练分类网络,分类网络通过以下方式重新训练得到:
获取第二预定数量的第二样本图像,并确定各第二样本图像分别对应的第二预定图像类别;
通过预训练的特征提取网络,确定各第二样本图像分别对应的各第二图像特征;
基于各第二样本图像分别对应的各第二图像特征和各第二样本图像分别对应的第二预定图像类别,对分类网络进行训练,直至分类网络满足第一预定条件。
在一种可能的实现方式中,类别更新指令包括类别新增指令、类别替换指令及类别删减指令中的任一项;根据用户的类别更新指令将各第一预定图像类别分别更新为各第二预定图像类别的方式,包括以下任一项:
根据用户的类别新增指令确定各第二预定图像类别,各第二预定图像类别包括各第一预定图像类别;
根据用户的类别替换指令确定各第二预定图像类别,各第二预定图像类别不包括各第一预定图像类别;
根据用户的类别删减指令确定各第二预定图像类别,各第一预定图像类别包括各第二预定图像类别。
在一种可能的实现方式中,分类网络满足第一预定条件,包括以下任一项:
分类网络的分类正确率大于或等于预定阈值;
分类网络的迭代训练次数大于或等于预定次数;
分类网络的损失函数收敛,损失函数的值表征了分类网络输出的第一样本图像的类别与第一样本图像对应的第二预定图像类别之间的差异。
根据本公开的一个或多个实施例,提供了一种信息推荐装置,包括:
获取模块,用于获取终端设备当前包括的各第一预定图像类别及各第一预定图像类别的占比,各第一预定图像类别是终端设备根据用户的类别设置指令预先设置的和/或终端设备预配置的;
第一确定模块,用于根据各第一预定图像类别及各第一预定图像类别的占比,确定用户的偏好信息;
第二确定模块,用于根据偏好信息,确定目标对象,并向用户推荐目标对象的对象信息。
在一种可能的实现方式中,获取模块在获取各第一预定图像类别的占比时,用于针对每个第一预定图像类别,确定第一数量与第二数量的比值,并将比值确定为每个第一预定图像类别的占比,第一数量是每个第一预定图像类别包括的图像的数量,第二数量是各第一预定图像类别分别包括的图像的数量的总和。
在一种可能的实现方式中,第一确定模块具体用于:
从各第一预定图像类别的占比中确定最大占比,并确定该最大占比对应的第一预定图像类别;
通过预训练的神经网络回归模型,根据最大占比及最大占比对应的第一预定图像类别,得到第一回归信息;
根据第一回归信息,确定用户的偏好信息。
在一种可能的实现方式中,第一确定模块具体用于:
从各第一预定图像类别的占比中确定最大的N个占比,并确定该最大的N个占比分别对应的第一预定图像类别,N为大于1的整数;
通过预训练的神经网络回归模型,根据最大的N个占比及最大的N个占比分别对应的第一预定图像类别,得到第二回归信息;
根据第二回归信息,确定用户的偏好信息。
在一种可能的实现方式中,还包括第三确定模块;
第三确定模块用于确定终端设备中各图像分别对应的第一预定图像类别;
其中,第三确定模块在确定终端设备中的各图像分别对应的第一预定图像类别时,用于:
确定各图像分别对应的各第一图像特征;
根据各图像分别对应的各第一图像特征,确定各图像分别对应于各第一预定图像类别的第一类别权重;
根据各第一类别权重,确定各图像分别对应的第一预定图像类别。
在一种可能的实现方式中,确定终端设备中各图像分别对应的第一预定图像类别是通过分类模型实现的,分类模型包括分类网络与预训练的特征提取网络,预训练的特征提取网络用于确定各图像分别对应的各第一图像特征,分类网络用于根据各图像分别对应于各第一预定图像类别的第一类别权重,确定各图像分别对应的第一预定图像类别;
其中,当各第一预定图像类别是终端设备根据用户的类别设置指令预先设置的,分类网络是通过第一训练模块得到的,第一训练模块具体用于:
获取第一预定数量的第一样本图像,并确定各第一样本图像分别对应的第一预定图像类别;
通过预训练的特征提取网络,确定各第一样本图像分别对应的各第二图像特征;
基于各第一样本图像分别对应的各第二图像特征和各第一样本图像分别对应的第一预定图像类别,对分类网络进行训练,直至分类网络满足第一预定条件。
在一种可能的实现方式中,第一训练模块在基于各第一样本图像分别对应的各第二图像特征和各第一样本图像分别对应的第一预定图像类别,对分类网络进行训练时,用于针对每个第一样本图像,将每个第一样本图像的各第二图像特征输入至分类网络,并通过分类网络训练每个第一样本图像对应于各第一预定图像类别的类别权重,以使得通过训练后的分类网络得到的各类别权重中的最大值为每个第一样本图像对应于每个第一样本图像的第一预定图像类别的类别权重。
在一种可能的实现方式中,还包括第二训练模块,第二训练模块具体用于:
当检测到根据用户的类别更新指令将各第一预定图像类别分别更新为各第二预定图像类别时,重新训练分类网络,分类网络通过以下方式重新训练得到:
获取第二预定数量的第二样本图像,并确定各第二样本图像分别对应的第二预定图像类别;
通过预训练的特征提取网络,确定各第二样本图像分别对应的各第二图像特征;
基于各第二样本图像分别对应的各第二图像特征和各第二样本图像分别对应的第二预定图像类别,对分类网络进行训练,直至分类网络满足第一预定条件。
在一种可能的实现方式中,类别更新指令包括类别新增指令、类别替换指令及类别删减指令中的任一项;第二训练模块在根据用户的类别更新指令将各第一预定图像类别分别更新为各第二预定图像类别的方式时,执行以下任一项:
根据用户的类别新增指令确定各第二预定图像类别,各第二预定图像类别包括各第一预定图像类别;
根据用户的类别替换指令确定各第二预定图像类别,各第二预定图像类别不包括各第一预定图像类别;
根据用户的类别删减指令确定各第二预定图像类别,各第一预定图像类别包括各第二预定图像类别。
在一种可能的实现方式中,分类网络满足第一预定条件,包括以下任一项:
分类网络的分类正确率大于或等于预定阈值;
分类网络的迭代训练次数大于或等于预定次数;
分类网络的损失函数收敛,损失函数的值表征了分类网络输出的第一样本图像的类别与第一样本图像对应的第二预定图像类别之间的差异。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。