CN114817753B - 一种艺术画作的推荐方法及装置 - Google Patents
一种艺术画作的推荐方法及装置 Download PDFInfo
- Publication number
- CN114817753B CN114817753B CN202210744859.8A CN202210744859A CN114817753B CN 114817753 B CN114817753 B CN 114817753B CN 202210744859 A CN202210744859 A CN 202210744859A CN 114817753 B CN114817753 B CN 114817753B
- Authority
- CN
- China
- Prior art keywords
- user
- painting
- determining
- vector
- theme
- 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
- G06F16/90—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
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供了一种艺术画作的推荐方法及装置,其中,该方法包括:接收用户输入的画作浏览请求;响应于画作浏览请求,确定用户所对应的推荐方式;在推荐方式为个体推荐方式时,根据用户的基本信息以及用户针对不同画作的历史操作行为,确定用户针对画作的反馈矩阵;从反馈矩阵中分解出用户特征向量;基于第三元素,从反馈矩阵中分解出画作特征向量;从专题特征库中搜索与画作特征向量相匹配的多个目标画作主题集合;基于用户特征向量与各目标画作主题集合的主题特征向量的相似度,确定多个推荐画作;向用户展示所确定的多个推荐画作。解决了目前推荐的画作内容重复和无法覆盖用户的兴趣面的问题,达到从多个方向对用户进行艺术画作推荐的效果。
Description
技术领域
本申请涉及智能推荐技术领域,具体而言,涉及一种艺术画作的推荐方法及装置。
背景技术
目前,在5G+8K技术支持下,人们可以通过画屏等智能终端设备获得清晰高质量的数字艺术画作,将艺术品味根植到大众文化中。8K技术能够将高分辨率,高色位宽度以及高色域的图像展示给屏幕前的用户,这也意味这用户可以观察到更多细节,拥有更好的视觉体验;5G技术的高传输速度、低延迟,满足了8K视频及图像的码率要求,对数字艺术平台发展有重要意义。
数字艺术平台作为一个新兴的数字化平台,旨在为用户提供一种无视空间限制欣赏数字艺术画作的可行方案,5G+8K能够很好的还原画作的细节以保持其艺术性,平台也与多家艺术机构、艺术馆以及大量艺术家达成合作,给用户带来许多高质量的画作。但目前的艺术画作推荐方式均为基于流行度或只根据用户浏览过的画作进行推荐,导致推荐的画作内容重复,使用户缺少新鲜感,无法覆盖用户的兴趣面,降低了用户体验。
发明内容
有鉴于此,本申请的目的在于提供一种艺术画作的推荐方法及装置,能够通过用户的信息和用户的历史操作行为,确定出用户针对画作的反馈矩阵,再基于反馈矩阵中的多个元素,确定出向用户推荐的画作,解决现有技术中存在的推荐的画作内容重复和法覆盖用户的兴趣面的问题,达到基于用户的兴趣和浏览历史从多个方向对用户进行艺术画作推荐的效果。
第一方面,本申请实施例提供了一种艺术画作的推荐方法,所述方法包括:接收用户输入的画作浏览请求;响应于所述画作浏览请求,确定用户所对应的推荐方式;在推荐方式为个体推荐方式时,根据用户的基本信息以及用户针对不同画作的历史操作行为,确定用户针对画作的反馈矩阵,所述反馈矩阵的每个行向量用于表征用户针对一个画作的关注程度,每个行向量包括用于描述用户特征的第一元素、用于描述画作特征的第二元素、用于表征关注程度的第三元素;从所述反馈矩阵中分解出用户特征向量;基于第三元素,从所述反馈矩阵中分解出画作特征向量;从专题特征库中搜索与所述画作特征向量相匹配的多个目标画作主题集合;基于所述用户特征向量与各目标画作主题集合的主题特征向量的相似度,确定多个推荐画作;向用户展示所确定的多个推荐画作。
可选地,接收用户输入的画作浏览请求的步骤包括以下步骤之一:在接收到进入画作浏览页面的操作时,确定接收到所述画作浏览请求;在接收到在画作搜索页面执行的搜索操作时,确定接收到所述画作浏览请求。
可选地,通过以下方式确定用户所对应的推荐方式:响应于所述画作浏览请求,获取所述用户的基本信息;确定是否存在与所述用户的基本信息对应的历史操作行为;若存在所对应的历史操作行为,则确定所述用户所对应的推荐方式为个体推荐方式,所述个体推荐方式为针对用户需求的推荐方式;若不存在所对应的历史操作行为,则确定所述用户所对应的推荐方式为画作推荐方式,所述画作推荐方式为根据画作的预估点击率来进行推荐的推荐方式,所述预估点击率为预测得到的推荐画作在推荐给其所面向的用户之后被点击的概率。
可选地,所述方法还包括:在推荐方式为画作推荐方式时,根据用户的基本信息,确定用户特征向量;从画作矩阵中分解出多个画作特征向量,所述画作矩阵的每个行向量用于表征不同用户针对一个画作的反馈信息,每个行向量包括用于描述画作特征的第四元素、用于表征关注程度的第五元素,所述第五元素是根据针对该画作的不同操作行为所对应的反馈指数来确定的;根据所述用户特征向量和各个画作特征向量的相似度,确定多个推荐画作。
可选地,所述专题特征库包括多个画作主题集合以及与各画作主题集合对应的至少一个主题特征向量,其中,通过以下方式确定每个画作所属的画作主题集合:确定该画作的画作特征向量;确定该画作的画作特征向量与所述专题特征库中的各个主题特征向量的主题相似度值;将所确定的主题相似度值与预设归类值进行比较,确定不小于所述预设归类值的主题相似度值所对应的画作主题集合;将该画作归属到所确定的画作主题集合。
可选地,所述第一元素包括多个第一子元素,所述多个第一子元素分别表征用户的不同属性特征,每个行向量中的第一元素是相同的,其中,从所述反馈矩阵中分解出用户特征向量的步骤包括:从所述反馈矩阵的任一行向量中提取多个第一子元素,以形成用户特征向量。
可选地,第二元素包括多个第二子元素,所述多个第二子元素分别表征画作的不同属性特征,其中,基于第三元素,从所述反馈矩阵中分解出画作特征向量的步骤包括:将每个行向量对应的第三元素的数值进行比较;将第三元素的数值最大的行向量确定为目标行向量;从所述目标行向量中提取多个第二子元素,以形成画作特征向量。
可选地,每个行向量中的多个第二子元素按照预设的设置顺序进行排序,其中,基于第三元素,从所述反馈矩阵中分解出画作特征向量的步骤包括:针对每个设置顺序,根据该设置顺序下的各第二子元素的数值,对各画作进行聚类,以获得多个画作簇;针对每个画作簇,根据该画作簇中的每个画作所对应的第三元素,确定该画作簇对应的簇推荐值;将簇推荐值最大的画作簇确定为目标画作簇;根据所述目标画作簇的簇特征向量,确定画作特征向量。
可选地,搜索操作包括在画作搜索页面上输入的关键字,其中,通过以下方式确定目标画作簇:确定与所述关键字相匹配的目标第二子元素;从目标第二子元素所在的设置顺序下的多个画作簇中,确定簇推荐值最大的画作簇;将所确定的画作簇确定为目标画作簇。
第二方面,本申请实施例还提供了一种艺术画作的推荐装置,所述装置包括:
用户请求接收模块,用于接收用户输入的画作浏览请求。
推荐方式确定模块,用于响应于所述画作浏览请求,确定用户所对应的画作推荐方式。
反馈矩阵确定模块,用于在画作推荐方式为个体推荐方式时,根据用户的基本信息以及用户针对不同画作的历史操作行为,确定用户针对画作的反馈矩阵,所述反馈矩阵的每个行向量用于表征用户针对一个画作的关注程度,每个行向量包括用于描述用户特征的第一元素、用于描述画作特征的第二元素、用于表征关注程度的第三元素。
用户特征向量分解模块,用于从所述反馈矩阵中分解出用户特征向量。
画作特征向量分解模块,用于基于第三元素,从所述反馈矩阵中分解出画作特征向量。
画作主题集合匹配模块,用于从专题特征库中搜索与所述画作特征向量相匹配的多个目标画作主题集合。
推荐画作确定模块,用于基于所述用户特征向量与各目标画作主题集合的主题特征向量的相似度,确定多个推荐画作。
推荐画作展示模块,用于向用户展示所确定的多个推荐画作。
第三方面,本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述的艺术画作的推荐方法的步骤。
第四方面,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上述的艺术画作的推荐方法的步骤。
本申请实施例提供的一种艺术画作的推荐方法及装置,能够通过用户的信息和用户的历史操作行为,确定出用户针对画作的反馈矩阵,再基于反馈矩阵中的多个元素,确定出向用户推荐的画作,解决现有技术中存在的推荐的画作内容重复和法覆盖用户的兴趣面的问题,达到基于用户的兴趣和浏览历史从多个方向对用户进行艺术画作推荐的效果。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例所提供的一种艺术画作的推荐方法的流程图;
图2为本申请实施例所提供的另一种艺术画作的推荐方法的流程图;
图3为本申请实施例所提供的一种艺术画作的推荐装置的结构示意图;
图4为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例,都属于本申请保护的范围。
首先,对本申请可适用的应用场景进行介绍。本申请可应用于智能推荐领域。
本申请实施例提供了一种艺术画作的推荐方法及装置,能够通过用户的信息和用户的历史操作行为,确定出用户针对画作的反馈矩阵,再基于反馈矩阵中的多个元素,确定出向用户推荐的画作,解决现有技术中存在的推荐的画作内容重复和法覆盖用户的兴趣面的问题,达到基于用户的兴趣和浏览历史从多个方向对用户进行艺术画作推荐的效果。
请参阅图1,图1为本申请实施例所提供的一种艺术画作的推荐方法的流程图。所如图1中所示,本申请实施例提供的艺术画作的推荐方法,包括:
S101、接收用户输入的画作浏览请求。
具体的,接收用户输入的画作浏览请求的步骤包括以下步骤之一:在接收到进入画作浏览页面的操作时,确定接收到所述画作浏览请求;在接收到在画作搜索页面执行的搜索操作时,确定接收到所述画作浏览请求。
示例性的,可以在用户进入数字艺术画作浏览平台时,产生用户的画作浏览请求,也可以在画作浏览界面中输入关键字进行搜索等方式产生画作浏览请求。
S102、响应于所述画作浏览请求,确定用户所对应的推荐方式。
该步骤中,响应于画作浏览请求,可以通过以下方式确定用户所对应的画作推荐方式:响应于所述画作浏览请求,获取所述用户的基本信息;确定是否存在与所述用户的基本信息对应的历史操作行为;若存在所对应的历史操作行为,则确定所述用户所对应的推荐方式为个体推荐方式,所述个体推荐方式为针对用户需求的推荐方式;若不存在所对应的历史操作行为,则确定所述用户所对应的推荐方式为画作推荐方式,所述画作推荐方式为根据画作的预估点击率来进行推荐的推荐方式,所述预估点击率为预测得到的推荐画作在推荐给其所面向的用户之后被点击的概率。
示例性的,当用户的历史操作行为的数量少于预设的历史操作行为数量时,则确定不存在所对应的历史操作行为;当用户的历史操作行为的数量大于等于预设的历史操作行为数量时,则确定存在所对应的历史操作行为。具体的,用户的历史操作行为包括用户对画作的点击,收藏、转发等操作,用户的历史操作行为还包括用户在浏览画作时对画作的放大,缩小,停留时间等操作,用户的历史操作行为还包括用户对画作的评论操作。
可选地,针对用户对画作的评论操作,识别用户的评论文字的文本语义,根据不同的评论语义值,确定用户对画作的操作行为的类型,并根据所述操作类型对用户的历史操作行为进行更新,例如,用户对画作的操作类型包括喜欢评论、批评评论、中性评论等类型。
S103、在推荐方式为个体推荐方式时,根据用户的基本信息以及用户针对不同画作的历史操作行为,确定用户针对画作的反馈矩阵。
其中,所述反馈矩阵的每个行向量用于表征用户针对一个画作的关注程度,每个行向量包括用于描述用户特征的第一元素、用于描述画作特征的第二元素、用于表征关注程度的第三元素。
示例性的,可以用数字描述用户特征、画作特征和关注程度,例如,在反馈矩阵中,用于描述用户特征的第一元素包括三列,第一列表示的是用户的年龄特征,第二列表示的是用户的兴趣特征,第三列表示的是用户对那一类画作的浏览时间最长。用于描述画作特征的第二元素包括两列第一列表示画作类别,第二列表示画作描述的地区。用于描述关注程度的第三元素包括一列,用于表征用户对画作的关注程度,关注程度可以分为5级,1级最低,5级最高。例如,一行行向量可以为:[3,2,2,1,1,2],就可以从此行行向量中的数字的从左至右意思分别为,用户的年龄为30至40岁,用户对风景画感兴趣,用户对风景画浏览的时间最长,画作地区的为欧洲,画作为人物画,用户对该画作的关注程度为2级。
可选地,请参阅图2,图2为本申请实施例所提供的另一种艺术画作的推荐方法的流程图。如图2中所示,本申请实施例提供的艺术画作的推荐方法,包括:
S201、在推荐方式为画作推荐方式时,根据用户的基本信息,确定用户特征向量。
示例性的,用户的基本信息包括:用户的年龄为30至40岁时,表示年龄的第一子元素的特征值为3;在用户的性别为男时,表示性别的第一元素特征值为1;在用户的兴趣为爱好为人物时,表示爱好的第一元素特征值为5等。
S202、从画作矩阵中分解出多个画作特征向量。
其中,所述画作矩阵的每个行向量用于表征不同用户针对一个画作的反馈信息,每个行向量包括用于描述画作特征的第四元素、用于表征关注程度的第五元素,所述第五元素是根据针对该画作的不同操作行为所对应的反馈指数来确定的。
其中,不同操作行为对应不同的反馈指数,例如,针对一个画作的点击、收藏、转发、评论等操作,一个操作对应一个反馈指数,每个操作对应不同权重,反馈指数与权重值的权重和,作为第五元素的值。
可选地,可以针对对于画作的评论操作,识别用户的评论文字的文本语义,根据不同的评论语义,确定用户对画作的操作行为的类型,并根据所述操作类型对画作的反馈指数进行调整,其中,用户对画作的操作类型包括喜欢评论、批评评论、中性评论等类型,例如,喜欢评论的反馈指数可以为5,批评评论的反馈指数可以为4、中性评论的反馈指数可以为3。
S203、根据所述用户特征向量和各个画作特征向量的相似度,确定多个推荐画作。
具体的,通过计算用户特征向量和每个画作特征向量的相似度,得到每个画作与用户的相似度值,示例性的,可以将大于预先设定的画作相似度阈值的画作,确定为推荐画作。
S104、从所述反馈矩阵中分解出用户特征向量。
具体的,第一元素包括多个第一子元素,所述多个第一子元素分别表征用户的不同属性特征,每个行向量中的第一元素是相同的。
其中,从所述反馈矩阵中分解出用户特征向量的步骤包括:从所述反馈矩阵的任一行向量中提取多个第一子元素,以形成用户特征向量。
例如,用户的年龄为30至40岁时,表示年龄的第一子元素的特征值为3;在用户的性别为男时,表示性别的第一元素特征值为1;在用户的兴趣为爱好为人物时,表示爱好的第一元素特征值为5等。
这样,通过第一元素特征值就可以将用户的特征在矩阵中用不同的数字表示出来。
示例性的,在反馈矩阵中的,前五列设置为用户特征向量存储列,可以将反馈矩阵中的前五列的数据提取出来,生成用户特征向量。
S105、基于第三元素,从所述反馈矩阵中分解出画作特征向量。
具体的,第二元素包括多个第二子元素,所述多个第二子元素分别表征画作的不同属性特征。
其中,基于第三元素,从所述反馈矩阵中分解出画作特征向量的步骤包括:将每个行向量对应的第三元素的数值进行比较;将第三元素的数值最大的行向量确定为目标行向量;从所述目标行向量中提取多个第二子元素,以形成画作特征向量。
可选地,每个行向量中的多个第二子元素按照预设的设置顺序进行排序。
其中,基于第三元素,从所述反馈矩阵中分解出画作特征向量的步骤包括:针对每个设置顺序,根据该设置顺序下的各第二子元素的数值,对各画作进行聚类,以获得多个画作簇;针对每个画作簇,根据该画作簇中的每个画作所对应的第三元素,确定该画作簇对应的簇推荐值;将簇推荐值最大的画作簇确定为目标画作簇;根据所述目标画作簇的簇特征向量,确定画作特征向量。
示例性的,所述画作簇中可以包括多个标签题材,例如,所述标签题材可以包括:画作类别、题材类别、作者/所有者标签和用户画像匹配标签等,具体的,画作类别标签可以包括国画,油画,动漫等;题材标签可以包括人物,风景,写实,抽象等;作者/所有者标签画作作者以及提供画作的艺术机构、博物馆等。用户画像匹配标签可以包括儿童喜欢类画作、成人喜欢类画作、老人喜欢类画作、男人喜欢类画作、女人喜欢类画作等。
这样,采用多级标签体系,逐级递进精确定义专题特征,避免了将专题分类冗杂在单一层级,节省了分类难度。
可选地,搜索操作包括在画作搜索页面上输入的关键字。
其中,通过以下方式确定目标画作簇:确定与所述关键字相匹配的目标第二子元素;从目标第二子元素所在的设置顺序下的多个画作簇中,确定簇推荐值最大的画作簇;将所确定的画作簇确定为目标画作簇。
这样,就得到了用户最关注的画作特征向量。
S106、从专题特征库中搜索与所述画作特征向量相匹配的多个目标画作主题集合。
其中,专题特征库包括多个画作主题集合以及与各画作主题集合对应的至少一个主题特征向量。
具体的,可以通过以下方式确定每个画作所属的画作主题集合:确定该画作的画作特征向量;确定该画作的画作特征向量与所述专题特征库中的各个主题特征向量的主题相似度值;将所确定的主题相似度值与预设归类值进行比较,确定不小于所述预设归类值的主题相似度值所对应的画作主题集合;将该画作归属到所确定的画作主题集合。例如,一个欧洲神话的油画画作,既属于人物神话博物馆画作主题,又属于历史欧洲画家老人喜欢的画作主题。
需要说明的是,对画作数据画作主题分类有两种方法。主动分类法和被动分类法。其中,主动分类是通过手动方法选择相应的主题分类上传到画作数据库。被动分类是通过LDA(Latent Dirichlet Allocation)模型进行画作主题提取后进行画作分类。被动分类主要分为四步:第一步,将画作标题,画作简介,画作评论等文本信息转换成向量;第二步,文本分词;第三步,通过LDA模型对主题进行提取;第四步,通过基于TF-IDF(Term Frequency–Inverse Document Frequency)逆向词频分析技术,根据权重分布高低滤除不必要主题词,对画作主题标签数量精进一步简化;第五步,对精简的画作主题进行分类后上传至画作数据库。
S107、基于所述用户特征向量与各目标画作主题集合的主题特征向量的相似度,确定多个推荐画作。
示例性的,用户特征向量与第一目标画作主题集合的主题特征向量的相似度值为百分之八十,用户特征向量与第二目标画作主题集合的主题特征向量的相似度值为百分之六十,用户特征向量与第三目标画作主题集合的主题特征向量的相似度值为百分之四十时,对用户推荐每个目标画作主题内的画作的数量的比例为80:60:40。
这样,在对用户进行画作推荐时,即保证了所推荐的画作数量大部分为用户的关注度高的画作,同时可以给与用户少量的不同种类的画作,提升了用户在进行画作欣赏时的新鲜感,并且有助于找到客户的新的兴趣点,提升推荐准确度。
S108、向用户展示所确定的多个推荐画作。
本申请实施例提供的艺术画作的推荐方法,能够通过用户的信息和用户的历史操作行为,确定出用户针对画作的反馈矩阵,再基于反馈矩阵中的多个元素,确定出向用户推荐的画作,解决现有技术中存在的推荐的画作内容重复和法覆盖用户的兴趣面的问题,达到基于用户的兴趣和浏览历史从多个方向对用户进行艺术画作推荐的效果。
基于同一发明构思,本申请实施例中还提供了与艺术画作的推荐方法对应的艺术画作的推荐装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述艺术画作的推荐方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
请参阅图3,图3为本申请实施例所提供的一种艺术画作的推荐装置的结构示意图。如图3中所示,所述推荐装置300包括:
用户请求接收模块301,用于接收用户输入的画作浏览请求。
推荐方式确定模块302,用于响应于所述画作浏览请求,确定用户所对应的画作推荐方式。
反馈矩阵确定模块303,用于在画作推荐方式为个体推荐方式时,根据用户的基本信息以及用户针对不同画作的历史操作行为,确定用户针对画作的反馈矩阵,所述反馈矩阵的每个行向量用于表征用户针对一个画作的关注程度,每个行向量包括用于描述用户特征的第一元素、用于描述画作特征的第二元素、用于表征关注程度的第三元素。
用户特征向量分解模块304,用于从所述反馈矩阵中分解出用户特征向量。
画作特征向量分解模块305,用于基于第三元素,从所述反馈矩阵中分解出画作特征向量。
画作主题集合匹配模块306,用于从专题特征库中搜索与所述画作特征向量相匹配的多个目标画作主题集合。
推荐画作确定模块307,用于基于所述用户特征向量与各目标画作主题集合的主题特征向量的相似度,确定多个推荐画作。
推荐画作展示模块308,用于向用户展示所确定的多个推荐画作。
本申请实施例提供的艺术画作的推荐装置,能够通过用户的信息和用户的历史操作行为,确定出用户针对画作的反馈矩阵,再基于反馈矩阵中的多个元素,确定出向用户推荐的画作,解决现有技术中存在的推荐的画作内容重复和法覆盖用户的兴趣面的问题,达到基于用户的兴趣和浏览历史从多个方向对用户进行艺术画作推荐的效果。
请参阅图4,图4为本申请实施例所提供的一种电子设备的结构示意图。如图4中所示,所述电子设备400包括处理器410、存储器420和总线430。
所述存储器420存储有所述处理器410可执行的机器可读指令,当电子设备400运行时,所述处理器410与所述存储器420之间通过总线430通信,所述机器可读指令被所述处理器410执行时,可以执行如上述图1以及图2所示方法实施例中的艺术画作的推荐方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时可以执行如上述图1以及图2所示方法实施例中的艺术画作的推荐方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种艺术画作的推荐方法,其特征在于,包括:
接收用户输入的画作浏览请求;
响应于所述画作浏览请求,确定用户所对应的推荐方式;
在推荐方式为个体推荐方式时,根据用户的基本信息以及用户针对不同画作的历史操作行为,确定用户针对画作的反馈矩阵,所述反馈矩阵的每个行向量用于表征用户针对一个画作的关注程度,每个行向量包括用于描述用户特征的第一元素、用于描述画作特征的第二元素、用于表征关注程度的第三元素;
从所述反馈矩阵中分解出用户特征向量;
基于第三元素,从所述反馈矩阵中分解出画作特征向量;
从专题特征库中搜索与所述画作特征向量相匹配的多个目标画作主题集合;
基于所述用户特征向量与各目标画作主题集合的主题特征向量的相似度,确定多个推荐画作;
向用户展示所确定的多个推荐画作。
2.根据权利要求1所述的方法,其特征在于,接收用户输入的画作浏览请求的步骤包括以下步骤之一:
在接收到进入画作浏览页面的操作时,确定接收到所述画作浏览请求;
在接收到在画作搜索页面执行的搜索操作时,确定接收到所述画作浏览请求。
3.根据权利要求1所述的方法,其特征在于,通过以下方式确定用户所对应的推荐方式:
响应于所述画作浏览请求,获取所述用户的基本信息;
确定是否存在与所述用户的基本信息对应的历史操作行为;
若存在所对应的历史操作行为,则确定所述用户所对应的推荐方式为个体推荐方式,所述个体推荐方式为针对用户需求的推荐方式;
若不存在所对应的历史操作行为,则确定所述用户所对应的推荐方式为画作推荐方式,所述画作推荐方式为根据画作的预估点击率来进行推荐的推荐方式,所述预估点击率为预测得到的推荐画作在推荐给其所面向的用户之后被点击的概率。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在推荐方式为画作推荐方式时,根据用户的基本信息,确定用户特征向量;
从画作矩阵中分解出多个画作特征向量,所述画作矩阵的每个行向量用于表征不同用户针对一个画作的反馈信息,每个行向量包括用于描述画作特征的第四元素、用于表征关注程度的第五元素,所述第五元素是根据针对该画作的不同操作行为所对应的反馈指数来确定的;
根据所述用户特征向量和各个画作特征向量的相似度,确定多个推荐画作。
5.根据权利要求1所述的方法,其特征在于,所述专题特征库包括多个画作主题集合以及与各画作主题集合对应的至少一个主题特征向量,
其中,通过以下方式确定每个画作所属的画作主题集合:
确定该画作的画作特征向量;
确定该画作的画作特征向量与所述专题特征库中的各个主题特征向量的主题相似度值;
将所确定的主题相似度值与预设归类值进行比较,确定不小于所述预设归类值的主题相似度值所对应的画作主题集合;
将该画作归属到所确定的画作主题集合。
6.根据权利要求1所述的方法,其特征在于,所述第一元素包括多个第一子元素,所述多个第一子元素分别表征用户的不同属性特征,每个行向量中的第一元素是相同的,
其中,从所述反馈矩阵中分解出用户特征向量的步骤包括:
从所述反馈矩阵的任一行向量中提取多个第一子元素,以形成用户特征向量。
7.根据权利要求2所述的方法,其特征在于,所述第二元素包括多个第二子元素,所述多个第二子元素分别表征画作的不同属性特征,
其中,基于第三元素,从所述反馈矩阵中分解出画作特征向量的步骤包括:
将每个行向量对应的第三元素的数值进行比较;
将第三元素的数值最大的行向量确定为目标行向量;
从所述目标行向量中提取多个第二子元素,以形成画作特征向量。
8.根据权利要求7所述的方法,其特征在于,每个行向量中的多个第二子元素按照预设的设置顺序进行排序,
其中,基于第三元素,从所述反馈矩阵中分解出画作特征向量的步骤包括:
针对每个设置顺序,根据该设置顺序下的各第二子元素的数值,对各画作进行聚类,以获得多个画作簇;
针对每个画作簇,根据该画作簇中的每个画作所对应的第三元素,确定该画作簇对应的簇推荐值;
将簇推荐值最大的画作簇确定为目标画作簇;
根据所述目标画作簇的簇特征向量,确定画作特征向量。
9.根据权利要求8所述的方法,其特征在于,所述搜索操作包括在画作搜索页面上输入的关键字,
其中,通过以下方式确定目标画作簇:
确定与所述关键字相匹配的目标第二子元素;
从目标第二子元素所在的设置顺序下的多个画作簇中,确定簇推荐值最大的画作簇;
将所确定的画作簇确定为目标画作簇。
10.一种艺术画作的推荐装置,其特征在于,所述装置包括:
用户请求接收模块,用于接收用户输入的画作浏览请求;
推荐方式确定模块,用于响应于所述画作浏览请求,确定用户所对应的画作推荐方式;
反馈矩阵确定模块,用于在画作推荐方式为个体推荐方式时,根据用户的基本信息以及用户针对不同画作的历史操作行为,确定用户针对画作的反馈矩阵,所述反馈矩阵的每个行向量用于表征用户针对一个画作的关注程度,每个行向量包括用于描述用户特征的第一元素、用于描述画作特征的第二元素、用于表征关注程度的第三元素;
用户特征向量分解模块,用于从所述反馈矩阵中分解出用户特征向量;
画作特征向量分解模块,用于基于第三元素,从所述反馈矩阵中分解出画作特征向量;
画作主题集合匹配模块,用于从专题特征库中搜索与所述画作特征向量相匹配的多个目标画作主题集合;
推荐画作确定模块,用于基于所述用户特征向量与各目标画作主题集合的主题特征向量的相似度,确定多个推荐画作;
推荐画作展示模块,用于向用户展示所确定的多个推荐画作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210744859.8A CN114817753B (zh) | 2022-06-29 | 2022-06-29 | 一种艺术画作的推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210744859.8A CN114817753B (zh) | 2022-06-29 | 2022-06-29 | 一种艺术画作的推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114817753A CN114817753A (zh) | 2022-07-29 |
CN114817753B true CN114817753B (zh) | 2022-09-09 |
Family
ID=82522983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210744859.8A Active CN114817753B (zh) | 2022-06-29 | 2022-06-29 | 一种艺术画作的推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114817753B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510373A (zh) * | 2018-04-12 | 2018-09-07 | 京东方科技集团股份有限公司 | 画作推荐方法、画作推荐装置、设备及存储介质 |
CN108628990A (zh) * | 2018-04-28 | 2018-10-09 | 京东方科技集团股份有限公司 | 推荐方法、计算机装置及可读存储介质 |
CN109242030A (zh) * | 2018-09-21 | 2019-01-18 | 京东方科技集团股份有限公司 | 画单生成方法及装置,电子设备,计算机可读存储介质 |
EP3531315A1 (en) * | 2018-02-26 | 2019-08-28 | Nokia Technologies Oy | A method for scoring objects, a method of ranking an object, a software product and an apparatus |
CN110275952A (zh) * | 2019-05-08 | 2019-09-24 | 平安科技(深圳)有限公司 | 基于用户短期兴趣的新闻推荐方法、装置及介质 |
CN111177575A (zh) * | 2020-04-07 | 2020-05-19 | 腾讯科技(深圳)有限公司 | 一种内容推荐方法、装置、电子设备和存储介质 |
CN112182351A (zh) * | 2020-09-28 | 2021-01-05 | 哈尔滨工业大学(深圳) | 一种基于多特征融合的新闻推荐方法及装置 |
CN113032682A (zh) * | 2021-04-22 | 2021-06-25 | 中国平安人寿保险股份有限公司 | 基于协同过滤的产品推荐方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210383276A1 (en) * | 2020-06-05 | 2021-12-09 | Johnson Controls Technology Company | Building system with a recommendation engine that operates without starting data |
-
2022
- 2022-06-29 CN CN202210744859.8A patent/CN114817753B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3531315A1 (en) * | 2018-02-26 | 2019-08-28 | Nokia Technologies Oy | A method for scoring objects, a method of ranking an object, a software product and an apparatus |
CN108510373A (zh) * | 2018-04-12 | 2018-09-07 | 京东方科技集团股份有限公司 | 画作推荐方法、画作推荐装置、设备及存储介质 |
CN108628990A (zh) * | 2018-04-28 | 2018-10-09 | 京东方科技集团股份有限公司 | 推荐方法、计算机装置及可读存储介质 |
CN109242030A (zh) * | 2018-09-21 | 2019-01-18 | 京东方科技集团股份有限公司 | 画单生成方法及装置,电子设备,计算机可读存储介质 |
CN110275952A (zh) * | 2019-05-08 | 2019-09-24 | 平安科技(深圳)有限公司 | 基于用户短期兴趣的新闻推荐方法、装置及介质 |
CN111177575A (zh) * | 2020-04-07 | 2020-05-19 | 腾讯科技(深圳)有限公司 | 一种内容推荐方法、装置、电子设备和存储介质 |
CN112182351A (zh) * | 2020-09-28 | 2021-01-05 | 哈尔滨工业大学(深圳) | 一种基于多特征融合的新闻推荐方法及装置 |
CN113032682A (zh) * | 2021-04-22 | 2021-06-25 | 中国平安人寿保险股份有限公司 | 基于协同过滤的产品推荐方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
Topic and Sentiment Analysis Matrix Factorization on Rating Prediction for Recommendation;Ben Wang,等;《2020 Eighth International Symposium on Computing and Networking Workshops (CANDARW)》;20210222;第137-143页 * |
融合内容与矩阵分解的混合推荐算法;王永贵等;《计算机应用研究》;20200531(第05期);第85-89页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114817753A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108062375B (zh) | 一种用户画像的处理方法、装置、终端和存储介质 | |
CN110059271B (zh) | 运用标签知识网络的搜索方法及装置 | |
US9449079B2 (en) | Method of and system for displaying a plurality of user-selectable refinements to a search query | |
CN103544216B (zh) | 一种结合图像内容和关键字的信息推荐方法及*** | |
Chehal et al. | Implementation and comparison of topic modeling techniques based on user reviews in e-commerce recommendations | |
CN104111941B (zh) | 信息展示的方法及设备 | |
US20090077056A1 (en) | Customization of search results | |
CN103455487B (zh) | 一种搜索词的提取方法及装置 | |
CN100410928C (zh) | 图面搜索支持设备 | |
CN109460519B (zh) | 浏览对象推荐方法及装置、存储介质、服务器 | |
CN111291191B (zh) | 一种广电知识图谱构建方法及装置 | |
CN105589852B (zh) | 一种信息推荐的方法和装置 | |
CN111753194B (zh) | 一种信息推送的方法、装置、电子设备及存储介质 | |
CN114443847A (zh) | 文本分类、文本处理方法、装置、计算机设备及存储介质 | |
CN104881447A (zh) | 搜索方法及装置 | |
CN107908749B (zh) | 一种基于搜索引擎的人物检索***及方法 | |
CN108470289B (zh) | 基于电商购物平台的虚拟物品发放方法及设备 | |
CN111831885B (zh) | 一种互联网信息检索***与方法 | |
CN110347922B (zh) | 基于相似度的推荐方法、装置、设备和存储介质 | |
CN114817753B (zh) | 一种艺术画作的推荐方法及装置 | |
CN111223014A (zh) | 一种从大量细分教学内容在线生成细分场景教学课程的方法和*** | |
CN113177170B (zh) | 评论展示方法、装置及电子设备 | |
CN105975507B (zh) | 一种基于多源网络新闻数据的多媒体问答方法 | |
CN115033805A (zh) | 一种学前儿童图画书智能推荐方法、图画书管理*** | |
JP2019175212A (ja) | 情報表示装置、記事ページ生成装置、情報処理装置、情報表示システム及びプログラム |
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 |