CN112837108A - 信息处理方法、装置及电子设备 - Google Patents
信息处理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112837108A CN112837108A CN201911163055.3A CN201911163055A CN112837108A CN 112837108 A CN112837108 A CN 112837108A CN 201911163055 A CN201911163055 A CN 201911163055A CN 112837108 A CN112837108 A CN 112837108A
- Authority
- CN
- China
- Prior art keywords
- information
- commodity object
- picture
- commodity
- user
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 17
- 238000003672 processing method Methods 0.000 title claims abstract description 9
- 239000013598 vector Substances 0.000 claims abstract description 273
- 238000003062 neural network model Methods 0.000 claims abstract description 182
- 230000004913 activation Effects 0.000 claims abstract description 148
- 238000000034 method Methods 0.000 claims abstract description 136
- 230000008569 process Effects 0.000 claims abstract description 74
- 210000002569 neuron Anatomy 0.000 claims abstract description 69
- 238000000605 extraction Methods 0.000 claims abstract description 66
- 230000009466 transformation Effects 0.000 claims abstract description 58
- 238000012549 training Methods 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 23
- 230000006399 behavior Effects 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000001815 facial effect Effects 0.000 claims description 2
- 239000002699 waste material Substances 0.000 abstract description 5
- 241000282414 Homo sapiens Species 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 6
- 239000000047 product Substances 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 235000013353 coffee beverage Nutrition 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了信息处理方法、装置及电子设备，所述方法包括：获取至少一个用于对商品对象图片进行特征提取的神经网络模型；将目标商品对象图片输入到所述神经网络模型中，获得所述神经网络模型输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值表征在获得输出结果的过程中所述神经网络模型的中间层从所述商品对象图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；根据所述输出层的输出结果以及所述中间层的激活值，确定多个维度上的特征值，并生成所述商品对象图片的特征向量。通过本申请实施例，能够提高推荐信息的质量，降低资源浪费。
Description
技术领域
本申请涉及信息处理技术领域，特别是涉及信息处理方法、装置及电子设备。
背景技术
在商品对象信息服务系统中，经常会通过多种方式为用户提供商品对象的推荐信息。例如，在客户端首页中，可以通过“猜你喜欢”板块，以信息流等形式为用户提供推荐的商品对象信息。具体的推荐算法中的参考信息可以有多种，例如，系统可以根据消费者平时的浏览习惯与浏览记录、收藏的产品等信息来定位买家的风格喜好，据此推荐给消费者类似的商品对象，并且可以通过商品对象的图片进行展示。另外，系统还可以定位人群的消费层级，在推荐时可以根据商品对象的属性与价格等信息来确定合适的人群，达到用户预期的效果；再者，还可以综合商品对象的人气(包括点击率、收藏率、加购率等)等信息，向消费者用户推荐更优质的商品对象，等等。
总之，现有技术中这种提供推荐信息的方式，主要根据商品对象的类目、价格、人气等信息，来为用户选择具体推荐的商品对象。但是，在具体实现时，这种推荐信息实际被用户点击或者购买的比例可能并不高，大部分的推荐信息可能会由于并不真正符合用户的喜好等原因而被忽略，以至于浪费了已经占用的计算、网络等各种资源。
因此，如何进一步提高推荐信息的质量，降低资源浪费，成为需要本领域技术人员解决的技术问题。
发明内容
本申请提供了信息处理方法、装置及电子设备，能够提高推荐信息的质量，降低资源浪费。
本申请提供了如下方案：
一种信息处理方法，包括：
获取至少一个用于对商品对象图片进行特征提取的神经网络模型；
将目标商品对象图片输入到所述神经网络模型中，获得所述神经网络模型输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值表征在获得输出结果的过程中所述神经网络模型的中间层从所述商品对象图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
根据所述输出层的输出结果以及所述中间层的激活值，确定多个维度上的特征值，并生成所述商品对象图片的特征向量。
一种确定用户特征信息的方法，包括：
确定与用户的历史行为信息关联的多个商品对象的图片信息；
获取至少一个用于对商品对象图片进行特征提取的神经网络模型；
将多个商品对象的图片分别输入到所述神经网络模型中，获得所述神经网络模型输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值表征在获得输出结果的过程中所述神经网络模型的中间层从所述商品对象图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
通过对所述多个商品对象的图片分别对应的输出层的输出结果以及所述中间层的激活值进行统计，确定多个维度上的特征值，以用于生成所述用户的特征向量。
一种商品对象推荐方法，包括：
确定商品对象的目标推荐用户，以及商品对象推荐信息的来源数据库；
获取所述用户的特征向量信息，以及所述来源数据库中多个商品对象的特征向量信息，所述商品对象的特征向量中包括商品对象的图片在多个维度上的特征值，所述特征值包括：通过将所述商品对象的图片输入到至少一个用于对商品对象图片进行特征提取的神经网络模型后，输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值为在获得输出结果的过程中所述神经网络模型的中间层从所述商品对象的图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
将所述用户的特征向量信息以及所述多个商品对象的特征向量信息输入到推荐算法中，以预测将所述商品对象推荐给所述用户后获得的点击率信息。
一种商品对象推荐方法，包括：
确定待推荐的商品对象的图片信息；
获取所述商品对象的特征向量信息，所述商品对象的特征向量中包括所述图片在多个维度上的特征值，所述特征值包括：通过将所述商品对象的图片输入到至少一个用于对商品对象图片进行特征提取的神经网络模型后，输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值为所述神经网络模型在获得输出结果的过程中从所述商品对象的图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
获取多个用户的特征向量信息；
将所述商品对象的特征向量信息以及所述多个用户的特征向量信息输入到推荐算法中，以预测将所述待推荐的商品对象推荐给所述用户后获得的点击率信息。
一种商品对象的提供方法，包括：
在根据目标商品对象提供相似商品对象信息的过程中，获取所述目标商品对象的特征向量信息，以及来源数据库中多个商品对象的特征向量信息；其中，商品对象的特征向量中包括商品对象的图片在多个维度上的特征值，所述特征值包括：通过将所述商品对象的图片输入到至少一个用于对商品对象图片进行特征提取的神经网络模型后，输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值为所述神经网络模型在获得输出结果的过程中从所述商品对象的图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
通过将所述目标商品对象的特征向量信息与来源数据库中多个商品对象的特征向量信息进行相似性比对，提供与所述指定商品对象相似度符合条件的商品对象信息。
一种提供商品对象信息的方法，包括：
接收对目标页面的访问请求，所述目标页面关联有多个资源位，用于展示多个商品对象的信息，其中，所述商品对象关联有多张不同的图片；
获取所述多张不同的图片分别对应的特征向量信息，以及访问者用户的特征向量信息；其中，所述图片对应的特征向量中包括所述图片在多个维度上的特征值，所述特征值包括：通过将所述图片输入到至少一个用于对商品对象图片进行特征提取的神经网络模型后，输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值为所述神经网络模型在获得输出结果的过程中从所述商品对象的图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
将所述访问者用户的特征向量信息以及所述商品对象的多张图片对应的特征向量信息分别输入到预测算法中，以预测将所述商品对象的多张图片展示给所述用户后分别获得的点击率信息；
根据预测结果，将点击率符合条件的图片作为对应商品对象的代表图片展示在所述目标页面对应的资源位中。
一种信息推荐方法，包括：
确定目标商品对象关联的图片；
通过对所述图片进行特征分析，确定所述图片中的商品对象对应的展示场景类别信息；
确定一用户集合，并获取所述用户集合中的多个用户分别对应的用户特征信息，所述用户特征信息包括用户感兴趣的展示场景类别信息；
根据所述图片对应的展示场景类别信息，以及所述用户感兴趣的展示场景类别信息，确定目标用户；
将所述图片推荐到所述目标用户关联的客户端。
一种信息推荐方法，包括：
确定目标商品对象关联的视频；
从所述视频中提取至少一帧图像，通过对所述图像进行特征分析，确定所述视频中的商品对象对应的展示场景类别信息；
确定一用户集合，并获取所述用户集合中的多个用户分别对应的用户特征信息，所述用户特征信息包括用户感兴趣的展示场景类别信息；
根据所述视频对应的展示场景类别信息，以及所述用户感兴趣的展示场景类别信息，确定目标用户；
将所述视频推荐到所述目标用户关联的客户端。
一种信息处理装置，包括：
模型获取单元，用于获取至少一个用于对商品对象图片进行特征提取的神经网络模型；
分析单元，用于将目标商品对象图片输入到所述神经网络模型中，获得所述神经网络模型输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值表征在获得输出结果的过程中所述神经网络模型的中间层从所述商品对象图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
图片特征向量生成单元，用于根据所述输出层的输出结果以及所述中间层的激活值，确定多个维度上的特征值，并生成所述商品对象图片的特征向量。
一种确定用户特征信息的装置，包括：
图片信息确定单元，用于确定与用户的历史行为信息关联的多个商品对象的图片信息；
模型获取单元，用于获取至少一个用于对商品对象图片进行特征提取的神经网络模型；
分析单元，用于将多个商品对象的图片分别输入到所述神经网络模型中，获得所述神经网络模型输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值表征在获得输出结果的过程中所述神经网络模型的中间层从所述商品对象图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
用户特征向量生成单元，用于通过对所述多个商品对象的图片分别对应的输出层的输出结果以及所述中间层的激活值进行统计，确定多个维度上的特征值，以用于生成所述用户的特征向量。
一种商品对象信息推荐装置，包括：
信息确定单元，用于确定商品对象的目标推荐用户，以及商品对象推荐信息的来源数据库；
特征向量获取单元，用于获取所述用户的特征向量信息，以及所述来源数据库中多个商品对象的特征向量信息，所述商品对象的特征向量中包括商品对象的图片在多个维度上的特征值，所述特征值包括：通过将所述商品对象的图片输入到至少一个用于对商品对象图片进行特征提取的神经网络模型后，输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值为在获得输出结果的过程中所述神经网络模型的中间层从所述商品对象的图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
预测单元，用于将所述用户的特征向量信息以及所述多个商品对象的特征向量信息输入到推荐算法中，以预测将所述商品对象推荐给所述用户后获得的点击率信息。
一种商品对象推荐装置，包括：
图片信息确定单元，用于确定待推荐的商品对象的图片信息；
商品特征向量获取单元，用于获取所述商品对象的特征向量信息，所述商品对象的特征向量中包括所述图片在多个维度上的特征值，所述特征值包括：通过将所述商品对象的图片输入到至少一个用于对商品对象图片进行特征提取的神经网络模型后，输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值为所述神经网络模型在获得输出结果的过程中从所述商品对象的图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
用户特征向量获取单元，哟关于获取多个用户的特征向量信息；
预测单元，用于将所述商品对象的特征向量信息以及所述多个用户的特征向量信息输入到推荐算法中，以预测将所述待推荐的商品对象推荐给所述用户后获得的点击率信息。
一种商品对象的提供装置，包括：
特征向量获取单元，用于在根据目标商品对象提供相似商品对象信息的过程中，获取所述目标商品对象的特征向量信息，以及来源数据库中多个商品对象的特征向量信息；其中，商品对象的特征向量中包括商品对象的图片在多个维度上的特征值，所述特征值包括：通过将所述商品对象的图片输入到至少一个用于对商品对象图片进行特征提取的神经网络模型后，输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值为所述神经网络模型在获得输出结果的过程中从所述商品对象的图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
相似商品对象信息提供单元，用于通过将所述目标商品对象的特征向量信息与来源数据库中多个商品对象的特征向量信息进行相似性比对，提供与所述指定商品对象相似度符合条件的商品对象信息。
一种提供商品对象信息的装置，包括：
访问请求接收单元，用于接收对目标页面的访问请求，所述目标页面关联有多个资源位，用于展示多个商品对象的信息，其中，所述商品对象关联有多张不同的图片；
特征向量获取单元，用于获取所述多张不同的图片分别对应的特征向量信息，以及访问者用户的特征向量信息；其中，所述图片对应的特征向量中包括所述图片在多个维度上的特征值，所述特征值包括：通过将所述图片输入到至少一个用于对商品对象图片进行特征提取的神经网络模型后，输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值为所述神经网络模型在获得输出结果的过程中从所述商品对象的图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
预测单元，用于将所述访问者用户的特征向量信息以及所述商品对象的多张图片对应的特征向量信息分别输入到预测算法中，以预测将所述商品对象的多张图片展示给所述用户后分别获得的点击率信息；
代表图片确定单元，用于根据预测结果，将点击率符合条件的图片作为对应商品对象的代表图片展示在所述目标页面对应的资源位中。
一种信息推荐装置，包括：
图片确定单元，用于确定目标商品对象关联的图片；
展示场景确定单元，用于通过对所述图片进行特征分析，确定所述图片中的商品对象对应的展示场景类别信息；
用户特征信息获取单元，用于确定一用户集合，并获取所述用户集合中的多个用户分别对应的用户特征信息，所述用户特征信息包括用户感兴趣的展示场景类别信息；
目标用户确定单元，用于根据所述图片对应的展示场景类别信息，以及所述用户感兴趣的展示场景类别信息，确定目标用户；
图片推荐单元，用于将所述图片推荐到所述目标用户关联的客户端。
一种信息推荐装置，包括：
视频确定单元，用于确定目标商品对象关联的视频；
展示场景确定单元，用于从所述视频中提取至少一帧图像，通过对所述图像进行特征分析，确定所述视频中的商品对象对应的展示场景类别信息；
用户特征信息获取单元，用于确定一用户集合，并获取所述用户集合中的多个用户分别对应的用户特征信息，所述用户特征信息包括用户感兴趣的展示场景类别信息；
目标用户确定单元，用于根据所述视频对应的展示场景类别信息，以及所述用户感兴趣的展示场景类别信息，确定目标用户；
视频推荐单元，用于将所述视频推荐到所述目标用户关联的客户端。
一种电子设备，包括：
一个或多个处理器；以及
与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时,执行如上各项所述的方法。
根据本申请提供的具体实施例，本申请公开了以下技术效果：
通过本申请实施例，能够通过神经网络模型来对商品对象图片进行特征提取，并且不仅可以将模型输出层的输出结果作为图片特征向量中具体维度上的特征值，还可以将模型中间层的激活值作为特征向量中更多维度上的特征值。这样，可以为商品对象图片生成高维度的特征向量，其中不仅可以包括人类可以理解、定义的维度上的特征值(输出层的输出结果)，还可以包括人类可能无法理解或者准确定义的维度上的特征值(中间层的激活值)，从而使得这种特征向量能够更完整的表达图片的特征。进而在商品对象信息推荐等场景中，可以获得更准确的推荐结果，提高推荐信息的点击率，降低资源浪费。
当然，实施本申请的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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的附图。
图1是本申请实施例提供的系统架构的示意图；
图2是本申请实施例提供的第一方法的流程图；
图3是本申请实施例提供的神经网络结构的示意图；
图4是本申请实施例提供的第二方法的流程图；
图5是本申请实施例提供的第三方法的流程图；
图6是本申请实施例提供的第四方法的流程图；
图7是本申请实施例提供的第五方法的流程图；
图8是本申请实施例提供的第六方法的流程图；
图9是本申请实施例提供的第七方法的流程图；
图10是本申请实施例提供的第八方法的流程图；
图11是本申请实施例提供的第一装置的示意图；
图12是本申请实施例提供的第二装置的示意图；
图13是本申请实施例提供的第三装置的示意图；
图14是本申请实施例提供的第四装置的示意图；
图15是本申请实施例提供的第五装置的示意图；
图16是本申请实施例提供的第六装置的示意图；
图17是本申请实施例提供的第七装置的示意图；
图18是本申请实施例提供的第八装置的示意图；
图19是本申请实施例提供的电子设备的示意图。
具体实施方式
下面将结合本申请实施例中的附图，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。基于本申请中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本申请保护的范围。
首先需要说明的是，本申请发明人在实现本申请的过程中发现，商品对象的图片通常会具有一些特征。例如，图片中会有各自的主色调信息；另外，对于服装等类目的商品对象，拍摄场景也可能会有所不同，有的可能是在室外进行的“街拍”，有的可能是在室内摄影棚内进行的“棚拍”，有的有人物模特对使用状态进行展示，有的是在没有模特情况下进行的细节展示，另外，在有人物模特展示情况下，人物模特的展示范围、人体姿态、表情等也可能会不同。不同的特征向用户传达的调性不同，而不同的用户对各种不同特征的感兴趣程度也可能会有所不同。因此，在向用户提供一些推荐的商品对象信息时，被推荐的商品对象是否能够获得用户的点击等操作，除了与商品对象的类目、品牌等基础信息相关，与推荐出的商品对象的图片是否符合用户的兴趣点也是密切相关的。例如，某用户对于风衣这种商品对象，比较喜欢卡其色，并且在浏览商品对象信息的过程中，被该用户点击的商品对象的图片大部分具有以下特点：图片是在室内摄影棚中拍摄且由人物模特展示，人物模特为全身，等等。如果能够有效的利用上述信息进行商品对象信息的推荐，则推荐出的信息获得用户点击率的概率会比较高。
因此，具体实现时，可以通过一些图像处理算法，对商品对象图片进行特征提取。例如，包括图片的拍摄场景、有无人物模特或道具，甚至人物模特的展示范围、人体姿态、表情等，都可以通过深度学习等方式进行模型的训练，然后，通过训练好的模型实现对图片中对应特征的提取。这样，可以生成商品对象图片的特征向量，然后在具体的推荐算法中，可以通过商品对象图片的特征向量与用户特征向量等的运算，确定出具体的推荐方案。通过这种特征向量对商品对象图片特征进行描述，并输入到推荐算法中进行运算的方式，能够从一定程度上提高推荐信息的点击率。
但是，通过上述方式进行图片特征提取时，能够获得的特征数量通常比较有限，相应的，生成的商品对象的特征向量的维度通常在十几或者几十数量级。并且，具体的特征通常都是一些比较形象的特征，包括前文所述的拍摄场景、有无人物模特或道具，甚至人物模特的展示范围、人体姿态、表情等，另外还可以包括图片的主色调、亮度，等等。这些形象的特征，通常都是按照人类的理解进行定义的，但是，实际上一张图片中通常还包含着更多的特征，这些特征可能是比较抽象的特征，甚至可能在人类所能理解、发现或者定义的范围之外。如果将这些抽象的特征也加入到商品对象图片的特征向量中，生成更高维度的特征向量，则可以更完整更丰富地表达图片的特征。进而，在将这种高维的特征向量输入到具体的推荐算法中进行运算时，有利于获得更精细、更准确的推荐信息，为推荐信息获得更好的点击率。
为达到上述目的，本申请实施例可以通过神经网络模型来进行商品对象图片特征的提取，由于神经网络通常会包括多层，每层中可以包括多个神经元(其中，输入层与输出层的神经元数量往往是固定的，中间层则可以自由指定，例如：对于一个三层的神经网络而言，输入层有3个输入神经元，输出层有2个神经元，中间层可以有4个神经元，也可以有5个神经元，等等)。其中，输出层具体输出的结果，通常是根据训练过程中指定的训练方向来确定的。例如，某神经网络用于识别某图片的拍摄场景，则在将某具体的图片输入到该神经网络后，输出层的输出结果为该图片对应的拍摄场景是否为街拍或者棚拍，或者各种的概率分别是多少。但同时，神经网络还具有一些中间层，这些中间层中的每个神经元的激活值可以是从图片中抽取的各种特征，或者，由上一层神经元，经过加权求和与非线性变换而得到的特征，这些特征可能是人类所无法理解或者定义的抽象特征，但是，由于这些特征能够影响到输出层的输出结果，因此，也是有意义的。为此，在本申请实施例中，在利用神经网络对商品对象图片进行特征提取的过程中，除了可以根据输出层的输出结果来确定商品对象在其中一个或者多个维度上的特征值，另外，还可以获取其中部分或者全部中间层的输出值(通常称为激活值)，将这种中间层的激活值也作为商品对象在更多维度上的特征值。这样，实际为商品对象生成的特征向量中，既可以包括人类能够理解的比较形象化的一些维度上的特征值，还可以包括一些比较抽象的特征值，换言之，可以将抽象特征作为形象特征的补充，从而为商品对象获得高维度的特征向量。进而可以将这种高维度的特征向量输入到具体的推荐算法中，用于获得更精细化、更准确的推荐结果。
具体实现时，从系统架构角度而言，参见图1，本申请实施例主要可以涉及商品对象信息服务系统的服务端以及客户端。其中，服务端可以生成具体的推荐信息，然后发送给对应用户的客户端，使得用户可以通过客户端浏览到具体的推荐信息。具体的，服务端中还可以提供特征提取模块，该模块中可以保存多个神经网络模型，分别可以用于从不同的角度对商品对象图片中包含的特征进行提取。例如，神经网络A用于识别图片中的商品对象主体区域以及背景区域，神经网络B用于识别图片的拍摄场景类别，等等。具体在需要提取某个商品对象的图片的特征信息时，可以将同一图片分别输入到多个神经网络中进行特征提取。另外，特征提取模块中还可以包括用于特征向量生成模块，该模块可以从上述多个神经网络中分别获得最终输出层的输出结果，以及一个或多个中间层的激活值，进而可以将这些输出结果以及激活值作为多个维度上的特征值，生成具体图片的特征向量。该特征向量可以输入到具体的推荐算法模块，以用于获得具体的推荐结果，并提供给客户端。当然，在实际应用中，通过本申请实施例提供的方案生成的关于商品对象的高维特征向量也可以应用到推荐系统之外的其他场景中，例如，向页面中进行商品对象信息投放时，可以根据上述特征向量信息，来确定具体使用哪个图片作为代表图片时能够获得更高的用户点击率，等等。
下面对本申请实施例提供的具体实现方案进行详细介绍。
实施例一
首先，该实施例一提供了一种信息处理的方法，参见图2，该方法具体可以包括：
S201：获取至少一个用于对商品对象图片进行特征提取的神经网络模型；
在本申请实施例中，首先可以获得一个获得多个神经网络模型，这种模型可以是具有对商品对象图片进行特征提取功能的模型。其中，所述神经网络模型根据不同的特征识别对象具有对应的模型类别。之所以会存在多个模型的情况是因为，对于同一个图片而言，需要提取的特征可能是多方面的，而这些特征之间可能并不是完全互斥的关系，因此，难以通过同一个模型提取出这些特征。为此，可以通过多个不同的神经网络模型来从多种不同角度实现对商品对象图片的特征提取。例如，具体可以包括用于区分商品对象主题所在区域以及背景区域的模型，还可以包括用于识别拍摄场景是属于街拍还是棚拍的模型，还可以包括用于识别人物模特的展示范围的模型，等等。总之，对于同一张需要进行特征提取的图片而言，可以分别输入到多个不同的神经网络模型中，以从不同角度进行特征提取。
其中，具体实现时，所述神经网络模型可以是一些已有的模型，例如，现有技术中可能存在用于识别人脸的模型，等等。或者，在更多的情况下，可以是通过训练样本进行训练获得的，其中，所述训练样本中可以包括多个商品对象图片信息，以及根据图片点击率的影响因素对所述商品对象图片进行标注的标注信息。也即，通过具体的图片以及标注信息对模型进行训练，这样训练好的模型就可以用于识别该标注信息对应的特征。
例如，具体的标注信息可以包括：训练样本图片中的商品对象主体所对应的区域以及背景所对应的区域。此时，在将具体商品对象的图片输入到训练好的模型中之后，所述神经网络模型输出层的输出结果可以包括：所述目标商品对象图片中多个像素属于商品对象主体或背景的类别信息。具体的，假设某商品对象的图片是一张100×100像素的图片，则该模型的输出可以是个100×100的矩阵，矩阵中每个元素的值可以为1或者0，其中，1可以表示对应的像素属于商品对象主体，0则表示对应的像素属于背景，等等。由于具体实现时，商品对象主体部分的主色调等信息会是影响用户点击率的因素，因此，在得到上述输出结果后，还可以根据所述输出结果确定所述元素类别中各像素的像素属性，通过比对各像素的像素属性确定目标像素属性，然后根据所述目标像素属性确定所述数据对象图片在至少一个维度上的特征值。例如，在一种具体的实现方式下，可以根据所述输出结果，确定所述目标商品对象图片中属于商品对象主体的多个像素的颜色属性信息，并确定所述商品对象主体部分的主色调信息，然后，可以将所述商品对象主体部分的主色调信息确定为所述特征向量中一维度上的特征值。
或者，另一种方式下，还可以确定所述商品对象主体部分以及背景部分分别在所述目标商品对象图片中的占比，和/或连通区域的数量信息，这样，还可以将所述占比和/或所述连通区域的数量信息确定为所述特征向量中部分维度上的特征值，等等。
另外，训练样本对应的标注信息也可以是：训练样本图片对应的拍摄场景类别信息；此时，所述神经网络模型输出层的输出结果包括：所述目标商品对象图片的拍摄场景所属的类别信息。具体的，所述拍摄场景类别信息也可以从多种不同角度具有不同的类别划分方式，例如，可以包括室内拍摄或室外拍摄，通过模特人物或道具对商品对象使用状态下进行的拍摄，或在无模特人物或道具情况下对商品对象细节进行的拍摄。其中，不同的类别划分方式下，可以使用不同的神经网络模型来进行特征提取。
再者，对于通过模特人物对商品对象使用状态进行展示的训练样本图片，具体的标注信息也可以包括：所述模特人物的特征信息。具体的，所述所述模特人物的特征信息同样可以从不同的角度具有多种不同的类别划分方式，例如，包括：所述目标商品对象图片中是否包括所述模特人物的全身/半身，或者，是否包括所述模特人物的人脸图像，或者，所述模特人物的姿态特征信息，或者，所述模特人物的表情特征信息，等等。类似的，不同划分方式下，可以使用不同的神经网络模型来进行特征提取。
S202：将目标商品对象图片输入到所述神经网络模型中，获得所述神经网络模型输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值表征在获得输出结果的过程中所述神经网络模型的中间层从所述商品对象图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
在获得了多个神经网络模型后，可以用这些模型对具体的目标商品对象的图片进行特征提取。其中，目标商品对象可以是需要向用户推荐的特定商品对象，例如，某商家新上架的一款新品，等等。或者，还可以是在需要向用户提供“猜你喜欢”等推荐信息的情况下，预先设定的商品池中的商品对象，等等。总之，对于每个可能会被推荐的具体的商品对象，都可以将商品对象的图片分别输入到多个神经网络模型中，进行特征的提取，以生成特征向量。其中，商品对象的图片具体可以是用作商品对象代表图的图片。所谓代表图就是指，在将商品对象投放到某页面中进行展示时，在该页面的资源位中展示出用于代表该商品对象的图片。
其中，在本申请实施例中，在将具体的图片输入到神经网络模型后，具体获得的特征不仅可以包括神经网络模型输出层的输出结果，还可以包括中间层的激活值。也就是说，如图3所示，对于一个神经网络模型而言，通常会包括多层，每层中包括多个神经元。具体的，在卷积神经网络中，每个层可以称为一个卷积层，一个卷积层中，通常包含若干个特征平面(featureMap)，每个特征平面由一些矩形排列的的神经元组成。其中，在通过神经网络模型进行特征提取的过程中，每一个中间层的神经元也是分别在对图片进行特征提取，这些神经元提取出的特征可能是人类无法理解的一些抽象特征，但是，由于是与最终输出的特征判断相关的特征，因此，也会具有一定的参考价值。为此，在本申请实施例中，除了可以获得神经网络模型输出层的输出结果，还可以获得中间层的激活值，将这些激活值也可以作为描述图片特征的一部分。
也就是说，在本申请实施例中，对于一个具体需要进行推荐等处理的商品对象的图片而言，可以输入到多个神经网络模型中，对于每个神经网络模型，都可以获得具体输出层的输出结果，以及至少一个中间层的激活值。
其中，根据具体神经网络模型类别的不同，具体输出层的输出值以及中间层的激活值也存在不同。例如，在一种情况下，所述神经网络模型输出层的输出结果可以包括：所述目标商品对象图片中图像像素的元素类别特征信息，所述元素类别包括商品对象主体或背景，此时，所述中间层的激活值包括：在获得所述元素类别特征信息的过程中，所述神经网络模型的中间层从所述目标商品对象图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息。或者，所述神经网络模型输出层的输出结果包括：所述目标商品对象图片的拍摄场景所属的类别特征信息；此时，所述中间层的激活值包括：在获得所述拍摄场景所属的类别特征信息的过程中，所述神经网络模型的中间层从所述目标商品对象图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息。或者，所述神经网络模型输出层的输出结果也可以包括：对于通过模特人物对商品对象使用状态进行展示的训练样本图片，所述模特人物的特征信息；此时，所述中间层的激活值包括：在获得所述模特人物的特征信息的过程中，所述神经网络模型的中间层从所述目标商品对象图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息。
S203：根据所述输出层的输出结果以及所述中间层的激活值，确定多个维度上的特征值，并生成所述商品对象图片的特征向量。
在获得具体神经网络模型的输出结果以及中间层的激活值后，可以分别确定为多个维度上的特征值，并进而生成商品对象图片的特征向量。其中，对于不同图片而言，具体在生成特征向量时，具体的维度信息可以是对应的。例如，第一维都可以表示图片的亮度信息，第二维表示图片中商品对象主体部分的主色调信息，第三维表示图片的拍摄场景类别，等等；而排序更靠后的一些维度中，则可能会一些抽象的特征，这些特征的维度标识可以用编号等进行代替，例如，第500维，第700维，等等。当然，这些以编号来表示的维度，具体可以对应同一神经网络的同一中间层中同一神经元的激活值。通过上述维度对齐，可以便于在不同图片的特征向量之间进行进行运算，例如，计算图片相似度等。
另外，具体实现时，还可以对所述输出层的输出结果以及所述中间层的激活值进行筛选，例如，在从多个模型中获得输出值以及中间层的激活值后，具体获得的特征数量可能会非常多，此时，还可以首先对这些特征进行筛选，从中过滤掉一些无用的特征，然后再根据筛选结果确定多个维度上的特征值，以此提高算法精度。
需要说明的是，在本申请实施例中，具体的商品对象图片可以包括商品对象关联的静态图片(照片等)，或者，还可以包括从商品对象关联的视频中提取出的图片，等等。对于前者，在具体向用户进行推荐时，可以将商品对象的图片推荐给用户关联的客户端，而对于后者，在通过视频中提取出的图片进行特征向量的生成以及与用户的匹配后，则可以将商品对象的视频推荐给用户关联的客户端。
总之，通过本申请实施例，能够通过神经网络模型来对商品对象图片进行特征提取，并且不仅可以将模型输出层的输出结果作为图片特征向量中具体维度上的特征值，还可以将模型中间层的激活值作为特征向量中更多维度上的特征值。这样，可以为商品对象图片生成高维度的特征向量，其中不仅可以包括人类可以理解、定义的维度上的特征值，还可以包括人类可能无法理解或者准确定义的维度上的特征值，从而使得这种特征向量能够更完整的表达图片的特征。进而在商品对象信息推荐等场景中，可以获得更准确的推荐结果，提高推荐信息的点击率，降低资源浪费。
需要说明的是，本申请实施例中可能会涉及到对用户数据的使用，在实际应用中，可以在符合所在国的适用法律法规要求的情况下(例如，用户明确同意，对用户切实通知，等)，在适用法律法规允许的范围内在本文描述的方案中使用用户特定的个人数据。
实施例二
上述实施例一提供了获得具体商品对象图片特征向量的方法，而在其他的应用场景中，也可以利用类似的方案来实现对用户特征向量的获取。其中，所谓的用户特征向量就是指用于描述用户特征的向量，这里的用户可以是指商品对象信息服务系统中的消费者用户、买家用户等。在向用户进行商品对象信息推荐，或者向用户推荐一些与其具有共同偏好的其他用户等场景中，通常需要将用户特征向量输入到具体的匹配算法中进行运算。其中，用户特征向量可以包括多个维度上的特征值，具体的维度可以包括用户的年龄、性别、职业等维度上的基本特征值，另外还可以根据用户历史行为(浏览、收藏、加购、购买等)相关的商品对象的信息，提取出用户感兴趣的商品对象所具有的共性等信息，这些维度上的信息也可以作为用户特征向量中具体维度上的特征值，用以对用户特征进行描述。
其中，在从用户历史行为信息关联的商品对象中提取具体的商品对象特征信息时，除了可以包括商品对象的类目、品牌等基础信息外，同样还可以包括商品对象关联的图片的一些可视化特征，例如前文所述的拍摄场景类别，是否包含人物模特，等等。在获取这些可视化特征时，同样可以通过神经网络模型来获得，并且，同样可以获得神经网络模型输出层的输出结果以及中间层的激活值，从而生成用户的高维特征向量。其中可以包括人类可以理解并定义的维度上的特征值，也可以包括人类无法理解或者确切定义的维度上的特征值，以此实现对用户特征更全面更精细的描述。以使得推荐给用户的商品对象信息或者其他用户的信息更准确。
具体的，参见图4，该实施例二提供了一种确定用户特征信息的方法，该方法具体可以包括：
S401：获取与用户的历史行为信息关联的多个商品对象的图片信息；
其中，商品对象的图片具体可以是指商品对象的代表图片，也就是说，在商品对象的详情页面中作为商品对象的头图的图片，或者，在投放到具体的商品对象列表页面时，在资源位中展示出的图片。由于用户如果从众多商品对象中对其中某个商品对象进行了点击，则该商品对象吸引该用户的因素除了其类目、品牌等，还可能在于该商品对象的代表图片引起了用户的兴趣。因此，这种商品对象图片的特征，也可以作为用户特征的一部分对用户特征进行描述。
S402：获取至少一个用于对商品对象图片进行特征提取的神经网络模型；
S403：将多个商品对象的图片分别输入到所述神经网络模型中，获得所述神经网络模型输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值表征在获得输出结果的过程中所述神经网络模型的中间层从所述商品对象图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
S404：通过对所述多个商品对象的图片分别对应的输出层的输出结果以及所述中间层的激活值进行统计，确定多个维度上的特征值，以用于生成所述用户的特征向量。
在分别获得多个商品对象的图片对应的输出层的输出结果以及所述中间层的激活值后，可以进行统计，例如，对各种特征出现的数量或者频度等进行统计，确定出用户对对应维度上特征的感兴趣程度，然后将这些维度对应的感兴趣程度等信息作为特征值，生成具体的用户特征向量。
实施例三
前述实施例一提供了获得具体商品对象图片特征向量的方法，而在确定出具体商品对象图片的特征向量之后，可以应用到具体的商品对象推荐等场景中。具体的，该实施例二就提供了其中一种具体的应用场景，该场景可以是通过客户端首页等提供的“猜你喜欢”等推荐信息的场景。也就是说，在用户访问客户端首页时，首页中可以提供“猜你喜欢”版块，在该版块中，可以提供多个资源位，每个资源位中可以关联具体推荐的商品对象信息。而这里推荐出的商品对象信息，通常是根据当前访问者用户自身的特征与商品对象库中的商品对象进行匹配后确定的。其中，商品对象的特征就可以同商品对象特征向量来描述，其中就可以包括具体商品对象图片对应的特征，而商品对象图片的特征则可以包括一些形象化的特征，另外还可以包括通过神经网络中间层的激活值获得的抽象特征，以此生成商品对象的高维特征向量。然后，再将商品对象的特征向量与用户向量输入到推荐算法中进行匹配运算，确定出具体适合推荐给当前用户的商品对象。其中，对于用户向量，可以采用现有技术中的向量表达方式，或者也可以采用前述实施例二中的高维特征向量来进行表达，等等。
具体的，参见图5，该实施例三提供了一种商品对象推荐方法，该方法具体可以包括：
S501：确定商品对象的目标推荐用户，以及商品对象推荐信息的来源数据库；
其中，具体的目标推荐用户可以是待获得商品对象推荐信息的用户，具体可以有多种情况。例如，可以是对某目标页面发起访问请求的用户，如果该目标页面中存在“猜你喜欢”等版块，则对该目标页面发起的访问请求，也可以同时作为该用户发起的获取推荐信息的请求。具体的推荐信息来源数据库也可以根据具体的应用场景而定，例如，可以是系统的全量数据库，或者也可以在某些业务、商家的一些小范围的数据库等等。
S502：获取所述用户的特征向量信息，以及所述来源数据库中多个商品对象的特征向量信息，所述商品对象的特征向量中包括商品对象的图片在多个维度上的特征值，所述特征值包括：通过将所述商品对象的图片输入到至少一个用于对商品对象图片进行特征提取的神经网络模型后，输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值为在获得输出结果的过程中所述神经网络模型的中间层从所述商品对象的图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
S503：将所述用户的特征向量信息以及所述多个商品对象的特征向量信息输入到推荐算法中，以预测将所述商品对象推荐给所述用户后获得的点击率信息。
其中，具体的推荐算法不属于本申请实施例中关注的重点，因此，这里不再详述。
在获得具体的点击率预测结果后，可以从所述多个商品对象中确定出点击率符合条件的至少一个商品对象，以便用于推荐给所述用户。
实施例四
该实施例四提供了另一种具体的推荐场景。具体的，可以在给定一种具体商品对象的情况下，从众多用户中预测出最有可能点击该商品对象的一个或者多个用户，并将该商品对象推荐给该用户。这种情况主要可以出现在商家的新品推荐等场景中，例如，某商家新上架一款商品对象，需要选择一些用户进行定向的推荐。此时，可以利用该商品对象的特征向量与多个用户的用户特征向量进行匹配，确定出将商品对象推荐给各用户时，被用户点击的概率信息。进而再确定具体向哪些用户推荐。具体的，参见图6，该实施例四提供了一种商品对象推荐方法，该方法具体可以包括：
S601：确定待推荐的商品对象的图片信息；
S602：获取所述商品对象的特征向量信息，所述商品对象的特征向量中包括所述图片在多个维度上的特征值，所述特征值包括：通过将所述商品对象的图片输入到至少一个用于对商品对象图片进行特征提取的神经网络模型后，输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值为所述神经网络模型在获得输出结果的过程中从所述商品对象的图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
S603：获取多个用户的特征向量信息；
S604：将所述商品对象的特征向量信息以及所述多个用户的特征向量信息输入到推荐算法中，以预测将所述待推荐的商品对象推荐给所述用户后获得的点击率信息。
具体实现时，还可以根据所预测出的点击率信息，将所述待推荐的商品对象信息推荐给点击率预测值符合条件的用户。
实施例五
除了可以通过将商品对象特征向量与用户的特征向量进行匹配，实现具体商品对象向用户的推荐之外，本申请实施例生成的商品对象特征向量还可以应用到商品对象与商品对象之间的相似度计算等场景中。例如，在一种场景下，某些商品对象列表页面中可以在多个资源位中展示出多个商品对象的信息，其中，在每个资源位中都可以通过“找相似”等操作选项，用户可以通过点击该操作选项获得与该资源位中的商品对象相似的更多其他商品对象的信息。此时，就会涉及到将该资源位中的商品对象的特征向量与其他更多商品对象的特征向量进行相似度计算，以确定商品对象之间的相似度。或者，当前用户在执行针对某商品对象的详情页面浏览，或者添加到待购买集合，或者收藏等操作时，系统可能也会提供“看了又看”功能，提供与用户操作的商品对象相似的更多商品对象信息供用户进行选择，等等。此时，也会涉及到商品对象与商品对象之间的相似度比较，具体同样可以通过商品对象的特征向量之间的运算来进行确定。而关于商品对象的特征向量，则同样可以采用本申请实施例中提供的方案，采用高维向量的方式来实现，其中可以包括通过神经网络模型的中间层激活值获得的抽象特征。具体的，该实施例五提供了一种商品对象的提供方法，参见图7，该方法具体可以包括：
S701：在根据目标商品对象提供相似商品对象信息的过程中，获得所述目标商品对象的特征向量信息，以及来源数据库中多个商品对象的特征向量信息；其中，商品对象的特征向量中包括商品对象的图片在多个维度上的特征值，所述特征值包括：通过将所述商品对象的图片输入到至少一个用于对商品对象图片进行特征提取的神经网络模型后，输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值为所述神经网络模型在获得输出结果的过程中从所述商品对象的图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
具体的，在展示包括有至少一个商品对象信息的目标页面的过程中，接收针对指定商品对象获得相似商品对象信息的请求，并将所述指定商品对象确定为所述目标商品对象。或者，接收对指定商品对象进行详情页面浏览，或者添加到待购买集合，或者收藏的操作请求，并将所述指定商品对象确定为所述目标商品对象。
S702：通过将所述目标商品对象的特征向量信息与来源数据库中多个商品对象的特征向量信息进行相似性比对，提供与所述指定商品对象相似度符合条件的商品对象信息。
实施例六
除了可以用于商品对象的推荐或者相似商品对象信息的提供等场景外，具体商品对象图片的高维特征向量信息还可以应用到对商品对象的代表图片进行优化的场景中。具体的，由于商品对象的代表图片通常可以展示到具体页面的资源位内，并且图片的特征可能会影响到用户的点击。例如，对于某用户而言，如果在资源位中展示的是商品对象的其中一个图片，可能并不会点击该商品对象，但是，如果换成另一张图片，则可能会点击该商品对象，等等。针对这种情况，在本申请实施例中，在将具体商品对象投放到某目标页面中时，可以为该商品对象关联多张可选的图片，其中，具体将哪张图片作为代表图片显示到具体的资源位中，则可以根据具体访问者用户的特征而定。也就是说，可以在接收到具体访问者用户对目标页面的访问请求后，通过用户的特征向量与商品对象各个图片的特征向量进行匹配运算，计算出展示哪张图片时，可以为商品对象获得更高的点击概率，进而便可以将这张图片作为该商品对象的代表图片展示到具体的资源位中。这样，可以实现在商品对象代表图层面上的“千人千面”，以此提升商品对象的点击率。其中，具体图片的特征向量便可以是本申请实施例中生成的包含有一些抽象特征的高维特征向量，而用户的特征向量可以是低维也可以是高维，以此可以实现更精准的匹配。
具体的，该实施例六提供了一种提供商品对象信息的方法，参见图8，该方法具体可以包括：
S801：接收对目标页面的访问请求，所述目标页面关联有多个资源位，用于展示多个商品对象的信息，其中，所述商品对象关联有多张不同的图片；
其中，目标页面具体可以有多种，例如，可以是客户端首页，或者一些活动会场的主页，频道主页，等等。
S802：获取所述多张不同的图片分别对应的特征向量信息，以及访问者用户的特征向量信息；其中，所述图片对应的特征向量中包括所述图片在多个维度上的特征值，所述特征值包括：通过将所述图片输入到至少一个用于对商品对象图片进行特征提取的神经网络模型后，输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值为所述神经网络模型在获得输出结果的过程中从所述商品对象的图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
S803：将所述访问者用户的特征向量信息以及所述商品对象的多张图片对应的特征向量信息分别输入到预测算法中，以预测将所述商品对象的多张图片展示给所述用户后分别获得的点击率信息；
S804：根据预测结果，将点击率符合条件的图片作为对应商品对象的代表图片展示在所述目标页面对应的资源位中。
其中，关于实施例二至实施例六中的未详述部分，可以参见前述实施例一中的记载，这里不再赘述。
实施例七
如前文所述，通过神经网络模型或者其他的算法模型，可以对商品对象的图片进行分析，确定出商品对象的图片中关联的展示场景类别信息，例如，可以包括走秀场景，喝咖啡场景，室内棚拍场景，室外街拍场景，运动场景，等等。而对于用户而言，在获取具体的用户特征信息时，也可以获取到该用户感兴趣的展示场景信息。例如，可以通过对用户历史浏览过的商品对象的图片进行分析，将这些图片对应的展示场景信息进行分析，可以确定出用户感兴趣的展示场景信息，等等。因此，在具体向用户进行信息推荐时，还可以结合这种具体商品对象图片关联的展示场景类别信息进行推荐。具体的，在该实施例七中，提供了一种信息推荐方法，参见图9，该方法具体可以包括：
S901：确定目标商品对象关联的图片；
S902：通过对所述图片进行特征分析，确定所述图片中的商品对象对应的展示场景类别信息；
其中，对图片进行特征分析时，可以利用预先训练完成的神经网络模型，或者普通的算法模型来进行，这里不再详述。
S903：确定一用户集合，并获取所述用户集合中的多个用户分别对应的用户特征信息，所述用户特征信息包括用户感兴趣的展示场景类别信息；
关于用户特征的获取，前述实施例一中也有相应的记载，这里亦不再赘述。
S904：根据所述图片对应的展示场景类别信息，以及所述用户感兴趣的展示场景类别信息，确定目标用户；
S905：将所述图片推荐到所述目标用户关联的客户端。
实施例八
该实施例八与实施例七类似，具体推荐的对象不再是商品对象的图片，而是商品对象的视频。这种视频可以有多种来源，例如，可以包括商家用户进行拍摄并上传的视频，或者，还可以是在直播场景中截取的视频，等等。在这种情况下，确定出待推荐的视频后，可以从视频中提取出若干帧图像，通过对图像特征进行分析，可以确定出视频对应的展示场景类别信息。进而可以将该视频推荐给对该场景类别感兴趣的用户。具体的，参见图10，该实施例八具体提供了一种信息推荐方法，该方法具体可以包括：
S1001：确定目标商品对象关联的视频；
S1002：从所述视频中提取至少一帧图像，通过对所述图像进行特征分析，确定所述视频中的商品对象对应的展示场景类别信息；
S1003：确定一用户集合，并获取所述用户集合中的多个用户分别对应的用户特征信息，所述用户特征信息包括用户感兴趣的展示场景类别信息；
S1004：根据所述视频对应的展示场景类别信息，以及所述用户感兴趣的展示场景类别信息，确定目标用户；
S1005：将所述视频推荐到所述目标用户关联的客户端。
与实施例一相对应，本申请实施例还提供了一种信息处理装置，参见图11，该装置具体可以包括：
模型获取单元1101，用于获取至少一个用于对商品对象图片进行特征提取的神经网络模型；
分析单元1102，用于将目标商品对象图片输入到所述神经网络模型中，获得所述神经网络模型输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值表征在获得输出结果的过程中所述神经网络模型的中间层从所述商品对象图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
图片特征向量生成单元1103，用于根据所述输出层的输出结果以及所述中间层的激活值，确定多个维度上的特征值，并生成所述商品对象图片的特征向量。
其中，所述神经网络模型是通过训练样本进行训练获得的，所述训练样本中包括多个商品对象图片信息，以及根据图片点击率对所述商品对象图片进行标注的标注信息；所述标注信息包括：用于区分训练样本图片中的商品对象区域以及背景区域的标注信息，或者，训练样本图片对应的拍摄场景类别信息，或者，训练样本图片中包括的模特人物的特征信息。
具体的，所述神经网络模型输出层的输出结果包括：所述目标商品对象图片中图像像素的元素类别特征信息，所述元素类别包括商品对象主体或背景；此时，所述中间层的激活值包括：在获得所述元素类别特征信息的过程中，所述神经网络模型的中间层从所述目标商品对象图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息。
具体实现时，该装置还可以包括：
像素属性确定子单元，用于根据所述输出结果确定所述元素类别中各像素的像素属性；
目标像素属性确定子单元，用于通过比对各像素的像素属性确定目标像素属性；
此时，所述图片特征向量生成单元具体可以用于：根据所述目标像素属性确定所述数据对象图片在至少一个维度上的特征值。
具体的，所述像素属性确定子单元具体可以用于：根据所述输出结果，确定所述目标商品对象图片中商品对象主体对应的多个像素的颜色属性信息；
所述目标像素属性确定子单元具体可以用于：确定所述商品对象主体部分的主色调信息；
所述图片特征向量生成单元具体可以用于：将所述商品对象主体部分的主色调信息确定为所述特征向量中一维度上的特征值。
或者，另一种方式下，所述目标像素属性确定子单元具体可以用于：确定所述商品对象主体部分以及背景部分分别在所述目标商品对象图片中的占比，和/或连通区域的数量信息；
所述图片特征向量生成单元具体可以用于：将所述占比和/或所述连通区域的数量信息确定为所述特征向量中部分维度上的特征值。
另外，所述神经网络模型输出层的输出结果包括：所述目标商品对象图片的拍摄场景所属的类别特征信息；此时，所述中间层的激活值包括：在获得所述拍摄场景所属的类别特征信息的过程中，所述神经网络模型的中间层从所述目标商品对象图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息。其中，所述拍摄场景类别信息：室内拍摄或室外拍摄，通过模特人物或道具对商品对象使用状态下进行的拍摄，或在无模特人物或道具情况下对商品对象细节进行的拍摄。
或者，所述神经网络模型输出层的输出结果包括：对于通过模特人物对商品对象使用状态进行展示的训练样本图片，所述模特人物的特征信息；所述中间层的激活值包括：在获得所述模特人物的特征信息的过程中，所述神经网络模型的中间层从所述目标商品对象图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息。其中，所述模特人物的特征信息包括：所述目标商品对象图片中是否包括所述模特人物的全身/半身，或者，是否包括所述模特人物的人脸图像，或者，所述模特人物的姿态特征信息，或者，所述模特人物的表情特征信息。
具体实现时，该装置还可以包括：
特征筛选单元，用于对所述输出层的输出结果以及所述中间层的激活值进行筛选；
所述图片特征向量生成单元具体可以用于：根据筛选结果确定多个维度上的特征值。
与实施例二相对应，本申请实施例还提供了一种确定用户特征信息的装置，参见图12，该装置可以包括：
图片信息确定单元1201，用于确定与用户的历史行为信息关联的多个商品对象的图片信息；
模型获取单元1202，用于获取至少一个用于对商品对象图片进行特征提取的神经网络模型；
分析单元1203，用于将多个商品对象的图片分别输入到所述神经网络模型中，获得所述神经网络模型输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值表征在获得输出结果的过程中所述神经网络模型的中间层从所述商品对象图片中抽取的特征信息；
用户特征向量生成单元1204，用于通过对所述多个商品对象的图片分别对应的输出层的输出结果以及所述中间层的激活值进行统计，确定多个维度上的特征值，以用于生成所述用户的特征向量。
与实施例三相对应，本申请实施例还提供了一种商品对象信息推荐装置，参见图13，该装置可以包括：
信息确定单元1301，用于确定商品对象的目标推荐用户，以及商品对象推荐信息的来源数据库；
特征向量获取单元1302，用于获取所述用户的特征向量信息，以及所述来源数据库中多个商品对象的特征向量信息，所述商品对象的特征向量中包括商品对象的图片在多个维度上的特征值，所述特征值包括：通过将所述商品对象的图片输入到至少一个用于对商品对象图片进行特征提取的神经网络模型后，输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值为在获得输出结果的过程中所述神经网络模型的中间层从所述商品对象的图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
预测单元1303，用于将所述用户的特征向量信息以及所述多个商品对象的特征向量信息输入到推荐算法中，以预测将所述商品对象推荐给所述用户后获得的点击率信息。
具体实现时，该装置还可以包括：
推荐单元，用于根据所预测出的点击率信息，从所述多个商品对象中确定出点击率符合条件的至少一个商品对象，以推荐给所述用户。
与实施例四相对应，本申请实施例还提供了一种商品对象推荐装置，参见图14，该装置可以包括：
图片信息确定单元1401，用于确定待推荐的商品对象的图片信息；
商品特征向量获取单元1402，用于获取所述商品对象的特征向量信息，所述商品对象的特征向量中包括所述图片在多个维度上的特征值，所述特征值包括：通过将所述商品对象的图片输入到至少一个用于对商品对象图片进行特征提取的神经网络模型后，输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值为所述神经网络模型在获得输出结果的过程中从所述商品对象的图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
用户特征向量获取单元1403，哟关于获取多个用户的特征向量信息；
预测单元1404，用于将所述商品对象的特征向量信息以及所述多个用户的特征向量信息输入到推荐算法中，以预测将所述待推荐的商品对象推荐给所述用户后获得的点击率信息。
具体实现时，还可以包括：
预测单元，用于根据预测的点击率信息，将所述待推荐的商品对象信息推荐给点击率预测值符合条件的用户。
与实施例五相对应，本申请实施例还提供了一种商品对象的提供装置，参见图15，该装置可以包括：
特征向量获取单元1501，用于在根据目标商品对象提供相似商品对象信息的过程中，获取所述目标商品对象的特征向量信息，以及来源数据库中多个商品对象的特征向量信息；其中，商品对象的特征向量中包括商品对象的图片在多个维度上的特征值，所述特征值包括：通过将所述商品对象的图片输入到至少一个用于对商品对象图片进行特征提取的神经网络模型后，输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值为所述神经网络模型在获得输出结果的过程中从所述商品对象的图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
相似商品对象信息提供单元1502，用于通过将所述目标商品对象的特征向量信息与来源数据库中多个商品对象的特征向量信息进行相似性比对，提供与所述指定商品对象相似度符合条件的商品对象信息。
另外，该装置还可以包括：
第一请求接收单元，用于在展示包括有至少一个商品对象信息的目标页面的过程中，接收针对指定商品对象获得相似商品对象信息的请求，并将所述指定商品对象确定为所述目标商品对象。
或者，第二请求接收单元，用于接收对指定商品对象进行详情页面浏览、或者添加到待购买集合、或者收藏的操作请求，并将所述指定商品对象确定为所述目标商品对象。
与实施例六相对应，本申请实施例还提供了一种提供商品对象信息的装置，参见图16，该装置可以包括：
访问请求接收单元1601，用于接收对目标页面的访问请求，所述目标页面关联有多个资源位，用于展示多个商品对象的信息，其中，所述商品对象关联有多张不同的图片；
特征向量获取单元1602，用于获取所述多张不同的图片分别对应的特征向量信息，以及访问者用户的特征向量信息；其中，所述图片对应的特征向量中包括所述图片在多个维度上的特征值，所述特征值包括：通过将所述图片输入到至少一个用于对商品对象图片进行特征提取的神经网络模型后，输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值为所述神经网络模型在获得输出结果的过程中从所述商品对象的图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
预测单元1603，用于将所述访问者用户的特征向量信息以及所述商品对象的多张图片对应的特征向量信息分别输入到预测算法中，以预测将所述商品对象的多张图片展示给所述用户后分别获得的点击率信息；
代表图片确定单元1604，用于根据预测结果，将点击率符合条件的图片作为对应商品对象的代表图片展示在所述目标页面对应的资源位中。
与实施例七相对应，本申请实施例还提供了一种信息推荐装置，参见图17，该装置可以包括：
图片确定单元1701，用于确定目标商品对象关联的图片；
展示场景确定单元1702，用于通过对所述图片进行特征分析，确定所述图片中的商品对象对应的展示场景类别信息；
用户特征信息获取单元1703，用于确定一用户集合，并获取所述用户集合中的多个用户分别对应的用户特征信息，所述用户特征信息包括用户感兴趣的展示场景类别信息；
目标用户确定单元1704，用于根据所述图片对应的展示场景类别信息，以及所述用户感兴趣的展示场景类别信息，确定目标用户；
图片推荐单元1705，用于将所述图片推荐到所述目标用户关联的客户端。
与实施例八相对应，本申请实施例还提供了一种信息推荐装置，参见图18，该装置可以包括：
视频确定单元1801，用于确定目标商品对象关联的视频；
展示场景确定单元1802，用于从所述视频中提取至少一帧图像，通过对所述图像进行特征分析，确定所述视频中的商品对象对应的展示场景类别信息；
用户特征信息获取单元1803，用于确定一用户集合，并获取所述用户集合中的多个用户分别对应的用户特征信息，所述用户特征信息包括用户感兴趣的展示场景类别信息；
目标用户确定单元1804，用于根据所述视频对应的展示场景类别信息，以及所述用户感兴趣的展示场景类别信息，确定目标用户；
视频推荐单元1805，用于将所述视频推荐到所述目标用户关联的客户端。
另外，本申请实施例还提供了一种电子设备，包括：
一个或多个处理器；以及
与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时,执行如下操作:
获取至少一个用于对商品对象图片进行特征提取的神经网络模型；
将目标商品对象图片输入到所述神经网络模型中，获得所述神经网络模型输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值表征在获得输出结果的过程中所述神经网络模型的中间层从所述商品对象图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
根据所述输出层的输出结果以及所述中间层的激活值，确定多个维度上的特征值，并生成所述商品对象图片的特征向量。
或者，
确定与用户的历史行为信息关联的多个商品对象的图片信息；
获取至少一个用于对商品对象图片进行特征提取的神经网络模型；
将多个商品对象的图片分别输入到所述神经网络模型中，获得所述神经网络模型输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值表征在获得输出结果的过程中所述神经网络模型的中间层从所述商品对象图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
通过对所述多个商品对象的图片分别对应的输出层的输出结果以及所述中间层的激活值进行统计，确定多个维度上的特征值，以用于生成所述用户的特征向量。
或者，
确定商品对象的目标推荐用户，以及商品对象推荐信息的来源数据库；
获取所述用户的特征向量信息，以及所述来源数据库中多个商品对象的特征向量信息，所述商品对象的特征向量中包括商品对象的图片在多个维度上的特征值，所述特征值包括：通过将所述商品对象的图片输入到至少一个用于对商品对象图片进行特征提取的神经网络模型后，输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值为在获得输出结果的过程中所述神经网络模型的中间层从所述商品对象的图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
将所述用户的特征向量信息以及所述多个商品对象的特征向量信息输入到推荐算法中，以预测将所述商品对象推荐给所述用户后获得的点击率信息。
或者，
确定待推荐的商品对象的图片信息；
获得所述商品对象的特征向量信息，所述商品对象的特征向量中包括所述图片在多个维度上的特征值，所述特征值包括：通过将所述商品对象的图片输入到至少一个用于对商品对象图片进行特征提取的神经网络模型后，输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值为所述神经网络模型在获得输出结果的过程中从所述商品对象的图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
获取多个用户的特征向量信息；
将所述商品对象的特征向量信息以及所述多个用户的特征向量信息输入到推荐算法中，以预测将所述待推荐的商品对象推荐给所述用户后获得的点击率信息。
或者，
在根据目标商品对象提供相似商品对象信息的过程中，获得所述目标商品对象的特征向量信息，以及来源数据库中多个商品对象的特征向量信息；其中，商品对象的特征向量中包括商品对象的图片在多个维度上的特征值，所述特征值包括：通过将所述商品对象的图片输入到至少一个用于对商品对象图片进行特征提取的神经网络模型后，输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值为所述神经网络模型在获得输出结果的过程中从所述商品对象的图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
通过将所述目标商品对象的特征向量信息与来源数据库中多个商品对象的特征向量信息进行相似性比对，提供与所述指定商品对象相似度符合条件的商品对象信息。
或者，
接收对目标页面的访问请求，所述目标页面关联有多个资源位，用于展示多个商品对象的信息，其中，所述商品对象关联有多张不同的图片；
获得所述多张不同的图片分别对应的特征向量信息，以及访问者用户的特征向量信息；其中，所述图片对应的特征向量中包括所述图片在多个维度上的特征值，所述特征值包括：通过将所述图片输入到至少一个用于对商品对象图片进行特征提取的神经网络模型后，输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值为所述神经网络模型在获得输出结果的过程中从所述商品对象的图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
将所述访问者用户的特征向量信息以及所述商品对象的多张图片对应的特征向量信息分别输入到预测算法中，以预测将所述商品对象的多张图片展示给所述用户后分别获得的点击率信息；
根据预测结果，将点击率符合条件的图片作为对应商品对象的代表图片展示在所述目标页面对应的资源位中。
或者，
确定目标商品对象关联的图片；
通过对所述图片进行特征分析，确定所述图片中的商品对象对应的展示场景类别信息；
确定一用户集合，并获取所述用户集合中的多个用户分别对应的用户特征信息，所述用户特征信息包括用户感兴趣的展示场景类别信息；
根据所述图片对应的展示场景类别信息，以及所述用户感兴趣的展示场景类别信息，确定目标用户；
将所述图片推荐到所述目标用户关联的客户端。
或者，
确定目标商品对象关联的视频；
从所述视频中提取至少一帧图像，通过对所述图像进行特征分析，确定所述视频中的商品对象对应的展示场景类别信息；
确定一用户集合，并获取所述用户集合中的多个用户分别对应的用户特征信息，所述用户特征信息包括用户感兴趣的展示场景类别信息；
根据所述视频对应的展示场景类别信息，以及所述用户感兴趣的展示场景类别信息，确定目标用户；
将所述视频推荐到所述目标用户关联的客户端。
其中，图19示例性的展示出了电子设备的架构，具体可以包括处理器1910，视频显示适配器1911，磁盘驱动器1912，输入/输出接口1913，网络接口1914，以及存储器1920。上述处理器1910、视频显示适配器1911、磁盘驱动器1912、输入/输出接口1913、网络接口1914，与存储器1920之间可以通过通信总线1930进行通信连接。
其中，处理器1910可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请所提供的技术方案。
存储器1920可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1920可以存储用于控制电子设备1900运行的操作系统1921，用于控制电子设备1900的低级别操作的基本输入输出系统(BIOS)。另外，还可以存储网页浏览器1923，数据存储管理系统1924，以及信息处理系统1925等等。上述信息处理系统1925就可以是本申请实施例中具体实现前述各步骤操作的应用程序。总之，在通过软件或者固件来实现本申请所提供的技术方案时，相关的程序代码保存在存储器1920中，并由处理器1910来调用执行。
输入/输出接口1913用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
网络接口1914用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1930包括一通路，在设备的各个组件(例如处理器1910、视频显示适配器1911、磁盘驱动器1912、输入/输出接口1913、网络接口1914，与存储器1920)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1910、视频显示适配器1911、磁盘驱动器1912、输入/输出接口1913、网络接口1914，存储器1920，总线1930等，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本申请方案所必需的组件，而不必包含图中所示的全部组件。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。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可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，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或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上对本申请所提供的信息处理方法、装置及电子设备，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本申请的限制。
Claims (38)
1.一种信息处理方法，其特征在于，包括：
获取至少一个用于对商品对象图片进行特征提取的神经网络模型；
将目标商品对象图片输入到所述神经网络模型中，获得所述神经网络模型输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值表征在获得输出结果的过程中所述神经网络模型的中间层从所述商品对象图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
根据所述输出层的输出结果以及所述中间层的激活值，确定多个维度上的特征值，并生成所述商品对象图片的特征向量。
2.根据权利要求1所述的方法，其特征在于，
所述神经网络模型是通过训练样本进行训练获得的，所述训练样本中包括多个商品对象图片信息，以及根据图片点击率对所述商品对象图片进行标注的标注信息；
所述标注信息包括：用于区分训练样本图片中的商品对象区域以及背景区域的标注信息，或者，训练样本图片对应的拍摄场景类别信息，或者，训练样本图片中包括的模特人物的特征信息。
3.根据权利要求1所述的方法，其特征在于，
所述神经网络模型输出层的输出结果包括：所述目标商品对象图片中图像像素的元素类别特征信息，所述元素类别包括商品对象主体或背景；
所述中间层的激活值包括：在获得所述元素类别特征信息的过程中，所述神经网络模型的中间层从所述目标商品对象图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息。
4.根据权利要求3所述的方法，其特征在于，还包括：
根据所述输出结果确定所述元素类别中各像素的像素属性；
通过比对各像素的像素属性确定目标像素属性；所述根据所述输出层的输出结果以及所述中间层的激活值，确定多个维度上的特征值包括：
根据所述目标像素属性确定所述数据对象图片在至少一个维度上的特征值。
5.根据权利要求4所述的方法，其特征在于，
所述根据所述输出结果确定所述元素类别中各像素的像素属性，包括：
根据所述输出结果，确定所述目标商品对象图片中商品对象主体对应的多个像素的颜色属性信息；
所述通过比对各像素的像素属性确定目标像素属性，包括：
确定所述商品对象主体部分的主色调信息；
所述根据所述目标像素属性确定所述数据对象图片在至少一个维度上的特征值，包括：
将所述商品对象主体部分的主色调信息确定为所述特征向量中一维度上的特征值。
6.根据权利要求3所述的方法，其特征在于，
所述通过比对各像素的像素属性确定目标像素属性，包括：
确定所述商品对象主体部分以及背景部分分别在所述目标商品对象图片中的占比，和/或连通区域的数量信息；
所述根据所述目标像素属性确定所述数据对象图片在至少一个维度上的特征值，包括：
将所述占比和/或所述连通区域的数量信息确定为所述特征向量中部分维度上的特征值。
7.根据权利要求1所述的方法，其特征在于，
所述神经网络模型输出层的输出结果包括：所述目标商品对象图片的拍摄场景所属的类别特征信息；
所述中间层的激活值包括：在获得所述拍摄场景所属的类别特征信息的过程中，所述神经网络模型的中间层从所述目标商品对象图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息。
8.根据权利要求7所述的方法，其特征在于，
所述拍摄场景类别信息：室内拍摄或室外拍摄，通过模特人物或道具对商品对象使用状态下进行的拍摄，或在无模特人物或道具情况下对商品对象细节进行的拍摄。
9.根据权利要求1所述的方法，其特征在于，
所述神经网络模型输出层的输出结果包括：对于通过模特人物对商品对象使用状态进行展示的训练样本图片，所述模特人物的特征信息；
所述中间层的激活值包括：在获得所述模特人物的特征信息的过程中，所述神经网络模型的中间层从所述目标商品对象图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息。
10.根据权利要求9所述的方法，其特征在于，
所述模特人物的特征信息包括：所述目标商品对象图片中是否包括所述模特人物的全身/半身，或者，是否包括所述模特人物的人脸图像，或者，所述模特人物的姿态特征信息，或者，所述模特人物的表情特征信息。
11.根据权利要求1至10任一项所述的方法，其特征在于，还包括：
对所述输出层的输出结果以及所述中间层的激活值进行筛选；
所述确定多个维度上的特征值，包括：
根据筛选结果确定多个维度上的特征值。
12.一种确定用户特征信息的方法，其特征在于，包括：
确定与用户的历史行为信息关联的多个商品对象的图片信息；
获取至少一个用于对商品对象图片进行特征提取的神经网络模型；
将多个商品对象的图片分别输入到所述神经网络模型中，获得所述神经网络模型输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值表征在获得输出结果的过程中所述神经网络模型的中间层从所述商品对象图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
通过对所述多个商品对象的图片分别对应的输出层的输出结果以及所述中间层的激活值进行统计，确定多个维度上的特征值，以用于生成所述用户的特征向量。
13.一种商品对象推荐方法，其特征在于，包括：
确定商品对象的目标推荐用户，以及商品对象推荐信息的来源数据库；
获取所述用户的特征向量信息，以及所述来源数据库中多个商品对象的特征向量信息，所述商品对象的特征向量中包括商品对象的图片在多个维度上的特征值，所述特征值包括：通过将所述商品对象的图片输入到至少一个用于对商品对象图片进行特征提取的神经网络模型后，输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值为在获得输出结果的过程中所述神经网络模型的中间层从所述商品对象的图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
将所述用户的特征向量信息以及所述多个商品对象的特征向量信息输入到推荐算法中，以预测将所述商品对象推荐给所述用户后获得的点击率信息。
14.根据权利要求13所述的方法，其特征在于，还包括：
根据所预测出的点击率信息，从所述多个商品对象中确定出点击率符合条件的至少一个商品对象，以推荐给所述用户。
15.一种商品对象推荐方法，其特征在于，包括：
确定待推荐的商品对象的图片信息；
获取所述商品对象的特征向量信息，所述商品对象的特征向量中包括所述图片在多个维度上的特征值，所述特征值包括：通过将所述商品对象的图片输入到至少一个用于对商品对象图片进行特征提取的神经网络模型后，输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值为所述神经网络模型在获得输出结果的过程中从所述商品对象的图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
获取多个用户的特征向量信息；
将所述商品对象的特征向量信息以及所述多个用户的特征向量信息输入到推荐算法中，以预测将所述待推荐的商品对象推荐给所述用户后获得的点击率信息。
16.根据权利要求15所述的方法，其特征在于，还包括：
根据预测的点击率信息，将所述待推荐的商品对象信息推荐给点击率预测值符合条件的用户。
17.一种商品对象的提供方法，其特征在于，包括：
在根据目标商品对象提供相似商品对象信息的过程中，获取所述目标商品对象的特征向量信息，以及来源数据库中多个商品对象的特征向量信息；其中，商品对象的特征向量中包括商品对象的图片在多个维度上的特征值，所述特征值包括：通过将所述商品对象的图片输入到至少一个用于对商品对象图片进行特征提取的神经网络模型后，输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值为所述神经网络模型在获得输出结果的过程中从所述商品对象的图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
通过将所述目标商品对象的特征向量信息与来源数据库中多个商品对象的特征向量信息进行相似性比对，提供与所述指定商品对象相似度符合条件的商品对象信息。
18.根据权利要求17所述的方法，其特征在于，所述方法之前还包括：
在展示包括有至少一个商品对象信息的目标页面的过程中，接收针对指定商品对象获得相似商品对象信息的请求，并将所述指定商品对象确定为所述目标商品对象。
19.根据权利要求17所述的方法，其特征在于，所述方法之前还包括：
接收对指定商品对象进行详情页面浏览、或者添加到待购买集合、或者收藏的操作请求，并将所述指定商品对象确定为所述目标商品对象。
20.一种提供商品对象信息的方法，其特征在于，包括：
接收对目标页面的访问请求，所述目标页面关联有多个资源位，用于展示多个商品对象的信息，其中，所述商品对象关联有多张不同的图片；
获取所述多张不同的图片分别对应的特征向量信息，以及访问者用户的特征向量信息；其中，所述图片对应的特征向量中包括所述图片在多个维度上的特征值，所述特征值包括：通过将所述图片输入到至少一个用于对商品对象图片进行特征提取的神经网络模型后，输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值为所述神经网络模型在获得输出结果的过程中从所述商品对象的图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
将所述访问者用户的特征向量信息以及所述商品对象的多张图片对应的特征向量信息分别输入到预测算法中，以预测将所述商品对象的多张图片展示给所述用户后分别获得的点击率信息；
根据预测结果，将点击率符合条件的图片作为对应商品对象的代表图片展示在所述目标页面对应的资源位中。
21.一种信息推荐方法，其特征在于，包括：
确定目标商品对象关联的图片；
通过对所述图片进行特征分析，确定所述图片中的商品对象对应的展示场景类别信息；
确定一用户集合，并获取所述用户集合中的多个用户分别对应的用户特征信息，所述用户特征信息包括用户感兴趣的展示场景类别信息；
根据所述图片对应的展示场景类别信息，以及所述用户感兴趣的展示场景类别信息，确定目标用户；
将所述图片推荐到所述目标用户关联的客户端。
22.一种信息推荐方法，其特征在于，包括：
确定目标商品对象关联的视频；
从所述视频中提取至少一帧图像，通过对所述图像进行特征分析，确定所述视频中的商品对象对应的展示场景类别信息；
确定一用户集合，并获取所述用户集合中的多个用户分别对应的用户特征信息，所述用户特征信息包括用户感兴趣的展示场景类别信息；
根据所述视频对应的展示场景类别信息，以及所述用户感兴趣的展示场景类别信息，确定目标用户；
将所述视频推荐到所述目标用户关联的客户端。
23.一种信息处理装置，其特征在于，包括：
模型获取单元，用于获取至少一个用于对商品对象图片进行特征提取的神经网络模型；
分析单元，用于将目标商品对象图片输入到所述神经网络模型中，获得所述神经网络模型输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值表征在获得输出结果的过程中所述神经网络模型的中间层从所述商品对象图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
图片特征向量生成单元，用于根据所述输出层的输出结果以及所述中间层的激活值，确定多个维度上的特征值，并生成所述商品对象图片的特征向量。
24.一种确定用户特征信息的装置，其特征在于，包括：
图片信息确定单元，用于确定与用户的历史行为信息关联的多个商品对象的图片信息；
模型获取单元，用于获取至少一个用于对商品对象图片进行特征提取的神经网络模型；
分析单元，用于将多个商品对象的图片分别输入到所述神经网络模型中，获得所述神经网络模型输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值表征在获得输出结果的过程中所述神经网络模型的中间层从所述商品对象图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
用户特征向量生成单元，用于通过对所述多个商品对象的图片分别对应的输出层的输出结果以及所述中间层的激活值进行统计，确定多个维度上的特征值，以用于生成所述用户的特征向量。
25.一种商品对象信息推荐装置，其特征在于，包括：
信息确定单元，用于确定商品对象的目标推荐用户，以及商品对象推荐信息的来源数据库；
特征向量获取单元，用于获取所述用户的特征向量信息，以及所述来源数据库中多个商品对象的特征向量信息，所述商品对象的特征向量中包括商品对象的图片在多个维度上的特征值，所述特征值包括：通过将所述商品对象的图片输入到至少一个用于对商品对象图片进行特征提取的神经网络模型后，输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值为在获得输出结果的过程中所述神经网络模型的中间层从所述商品对象的图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
预测单元，用于将所述用户的特征向量信息以及所述多个商品对象的特征向量信息输入到推荐算法中，以预测将所述商品对象推荐给所述用户后获得的点击率信息。
26.一种商品对象推荐装置，其特征在于，包括：
图片信息确定单元，用于确定待推荐的商品对象的图片信息；
商品特征向量获取单元，用于获取所述商品对象的特征向量信息，所述商品对象的特征向量中包括所述图片在多个维度上的特征值，所述特征值包括：通过将所述商品对象的图片输入到至少一个用于对商品对象图片进行特征提取的神经网络模型后，输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值为所述神经网络模型在获得输出结果的过程中从所述商品对象的图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
用户特征向量获取单元，哟关于获取多个用户的特征向量信息；
预测单元，用于将所述商品对象的特征向量信息以及所述多个用户的特征向量信息输入到推荐算法中，以预测将所述待推荐的商品对象推荐给所述用户后获得的点击率信息。
27.一种商品对象的提供装置，其特征在于，包括：
特征向量获取单元，用于在根据目标商品对象提供相似商品对象信息的过程中，获取所述目标商品对象的特征向量信息，以及来源数据库中多个商品对象的特征向量信息；其中，商品对象的特征向量中包括商品对象的图片在多个维度上的特征值，所述特征值包括：通过将所述商品对象的图片输入到至少一个用于对商品对象图片进行特征提取的神经网络模型后，输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值为所述神经网络模型在获得输出结果的过程中从所述商品对象的图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
相似商品对象信息提供单元，用于通过将所述目标商品对象的特征向量信息与来源数据库中多个商品对象的特征向量信息进行相似性比对，提供与所述指定商品对象相似度符合条件的商品对象信息。
28.一种提供商品对象信息的装置，其特征在于，包括：
访问请求接收单元，用于接收对目标页面的访问请求，所述目标页面关联有多个资源位，用于展示多个商品对象的信息，其中，所述商品对象关联有多张不同的图片；
特征向量获取单元，用于获取所述多张不同的图片分别对应的特征向量信息，以及访问者用户的特征向量信息；其中，所述图片对应的特征向量中包括所述图片在多个维度上的特征值，所述特征值包括：通过将所述图片输入到至少一个用于对商品对象图片进行特征提取的神经网络模型后，输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值为所述神经网络模型在获得输出结果的过程中从所述商品对象的图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
预测单元，用于将所述访问者用户的特征向量信息以及所述商品对象的多张图片对应的特征向量信息分别输入到预测算法中，以预测将所述商品对象的多张图片展示给所述用户后分别获得的点击率信息；
代表图片确定单元，用于根据预测结果，将点击率符合条件的图片作为对应商品对象的代表图片展示在所述目标页面对应的资源位中。
29.一种信息推荐装置，其特征在于，包括：
图片确定单元，用于确定目标商品对象关联的图片；
展示场景确定单元，用于通过对所述图片进行特征分析，确定所述图片中的商品对象对应的展示场景类别信息；
用户特征信息获取单元，用于确定一用户集合，并获取所述用户集合中的多个用户分别对应的用户特征信息，所述用户特征信息包括用户感兴趣的展示场景类别信息；
目标用户确定单元，用于根据所述图片对应的展示场景类别信息，以及所述用户感兴趣的展示场景类别信息，确定目标用户；
图片推荐单元，用于将所述图片推荐到所述目标用户关联的客户端。
30.一种信息推荐装置，其特征在于，包括：
视频确定单元，用于确定目标商品对象关联的视频；
展示场景确定单元，用于从所述视频中提取至少一帧图像，通过对所述图像进行特征分析，确定所述视频中的商品对象对应的展示场景类别信息；
用户特征信息获取单元，用于确定一用户集合，并获取所述用户集合中的多个用户分别对应的用户特征信息，所述用户特征信息包括用户感兴趣的展示场景类别信息；
目标用户确定单元，用于根据所述视频对应的展示场景类别信息，以及所述用户感兴趣的展示场景类别信息，确定目标用户；
视频推荐单元，用于将所述视频推荐到所述目标用户关联的客户端。
31.一种电子设备，其特征在于，包括：
一个或多个处理器；以及
与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时,执行如下操作:
获取至少一个用于对商品对象图片进行特征提取的神经网络模型；
将目标商品对象图片输入到所述神经网络模型中，获得所述神经网络模型输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值表征在获得输出结果的过程中所述神经网络模型的中间层从所述商品对象图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
根据所述输出层的输出结果以及所述中间层的激活值，确定多个维度上的特征值，并生成所述商品对象图片的特征向量。
32.一种电子设备，其特征在于，包括：
一个或多个处理器；以及
与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时,执行如下操作:
确定与用户的历史行为信息关联的多个商品对象的图片信息；
获取至少一个用于对商品对象图片进行特征提取的神经网络模型；
将多个商品对象的图片分别输入到所述神经网络模型中，获得所述神经网络模型输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值表征在获得输出结果的过程中所述神经网络模型的中间层从所述商品对象图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
通过对所述多个商品对象的图片分别对应的输出层的输出结果以及所述中间层的激活值进行统计，确定多个维度上的特征值，以用于生成所述用户的特征向量。
33.一种电子设备，其特征在于，包括：
一个或多个处理器；以及
与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时,执行如下操作:
确定商品对象的目标推荐用户，以及商品对象推荐信息的来源数据库；
获取所述用户的特征向量信息，以及所述来源数据库中多个商品对象的特征向量信息，所述商品对象的特征向量中包括商品对象的图片在多个维度上的特征值，所述特征值包括：通过将所述商品对象的图片输入到至少一个用于对商品对象图片进行特征提取的神经网络模型后，输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值为在获得输出结果的过程中所述神经网络模型的中间层从所述商品对象的图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
将所述用户的特征向量信息以及所述多个商品对象的特征向量信息输入到推荐算法中，以预测将所述商品对象推荐给所述用户后获得的点击率信息。
34.一种电子设备，其特征在于，包括：
一个或多个处理器；以及
与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时,执行如下操作:
确定待推荐的商品对象的图片信息；
获得所述商品对象的特征向量信息，所述商品对象的特征向量中包括所述图片在多个维度上的特征值，所述特征值包括：通过将所述商品对象的图片输入到至少一个用于对商品对象图片进行特征提取的神经网络模型后，输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值为所述神经网络模型在获得输出结果的过程中从所述商品对象的图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
获取多个用户的特征向量信息；
将所述商品对象的特征向量信息以及所述多个用户的特征向量信息输入到推荐算法中，以预测将所述待推荐的商品对象推荐给所述用户后获得的点击率信息。
35.一种电子设备，其特征在于，包括：
一个或多个处理器；以及
与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时,执行如下操作:
在根据目标商品对象提供相似商品对象信息的过程中，获得所述目标商品对象的特征向量信息，以及来源数据库中多个商品对象的特征向量信息；其中，商品对象的特征向量中包括商品对象的图片在多个维度上的特征值，所述特征值包括：通过将所述商品对象的图片输入到至少一个用于对商品对象图片进行特征提取的神经网络模型后，输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值为所述神经网络模型在获得输出结果的过程中从所述商品对象的图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
通过将所述目标商品对象的特征向量信息与来源数据库中多个商品对象的特征向量信息进行相似性比对，提供与所述指定商品对象相似度符合条件的商品对象信息。
36.一种电子设备，其特征在于，包括：
一个或多个处理器；以及
与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时,执行如下操作:
接收对目标页面的访问请求，所述目标页面关联有多个资源位，用于展示多个商品对象的信息，其中，所述商品对象关联有多张不同的图片；
获得所述多张不同的图片分别对应的特征向量信息，以及访问者用户的特征向量信息；其中，所述图片对应的特征向量中包括所述图片在多个维度上的特征值，所述特征值包括：通过将所述图片输入到至少一个用于对商品对象图片进行特征提取的神经网络模型后，输出层的输出结果，以及至少一个中间层的激活值；所述中间层的激活值为所述神经网络模型在获得输出结果的过程中从所述商品对象的图片中抽取的特征信息，或对上一层神经元经过加权求和以及非线性变换得到的特征信息；
将所述访问者用户的特征向量信息以及所述商品对象的多张图片对应的特征向量信息分别输入到预测算法中，以预测将所述商品对象的多张图片展示给所述用户后分别获得的点击率信息；
根据预测结果，将点击率符合条件的图片作为对应商品对象的代表图片展示在所述目标页面对应的资源位中。
37.一种电子设备，其特征在于，包括：
一个或多个处理器；以及
与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时,执行如下操作:
确定目标商品对象关联的图片；
通过对所述图片进行特征分析，确定所述图片中的商品对象对应的展示场景类别信息；
确定一用户集合，并获取所述用户集合中的多个用户分别对应的用户特征信息，所述用户特征信息包括用户感兴趣的展示场景类别信息；
根据所述图片对应的展示场景类别信息，以及所述用户感兴趣的展示场景类别信息，确定目标用户；
将所述图片推荐到所述目标用户关联的客户端。
38.一种电子设备，其特征在于，包括：
一个或多个处理器；以及
与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时,执行如下操作:
确定目标商品对象关联的视频；
从所述视频中提取至少一帧图像，通过对所述图像进行特征分析，确定所述视频中的商品对象对应的展示场景类别信息；
确定一用户集合，并获取所述用户集合中的多个用户分别对应的用户特征信息，所述用户特征信息包括用户感兴趣的展示场景类别信息；
根据所述视频对应的展示场景类别信息，以及所述用户感兴趣的展示场景类别信息，确定目标用户；
将所述视频推荐到所述目标用户关联的客户端。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911163055.3A CN112837108A (zh) | 2019-11-25 | 2019-11-25 | 信息处理方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911163055.3A CN112837108A (zh) | 2019-11-25 | 2019-11-25 | 信息处理方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112837108A true CN112837108A (zh) | 2021-05-25 |
Family
ID=75922752
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911163055.3A Pending CN112837108A (zh) | 2019-11-25 | 2019-11-25 | 信息处理方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112837108A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113903026A (zh) * | 2021-10-09 | 2022-01-07 | 数贸科技（北京）有限公司 | 商品图片识别方法及装置 |
| CN113934929A (zh) * | 2021-09-30 | 2022-01-14 | 联想(北京)有限公司 | 推荐方法及装置、电子设备 |
| WO2023077944A1 (zh) * | 2021-11-03 | 2023-05-11 | 北京沃东天骏信息技术有限公司 | 用于输出信息的方法、装置、设备以及存储介质 |
| WO2023195238A1 (ja) * | 2022-04-06 | 2023-10-12 | 株式会社日立製作所 | 情報処理装置、情報処理システム及び情報処理方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180018729A1 (en) * | 2016-07-12 | 2018-01-18 | United Parcel Service Of America, Inc. | Systems, methods, and computer program products for intelligently processing and manipulating a subject image according to consumer data |
| CN107862561A (zh) * | 2017-09-15 | 2018-03-30 | 广州唯品会研究院有限公司 | 一种基于图片属性提取建立用户兴趣库的方法及设备 |
| CN108932660A (zh) * | 2018-07-26 | 2018-12-04 | 北京旷视科技有限公司 | 一种商品使用效果模拟方法、装置及设备 |
| CN109685593A (zh) * | 2017-10-19 | 2019-04-26 | 阿里巴巴集团控股有限公司 | 数据对象信息提供方法、装置及电子设备 |
| CN109933389A (zh) * | 2017-12-19 | 2019-06-25 | 阿里巴巴集团控股有限公司 | 数据对象信息处理、页面展示方法及装置 |
| WO2019128552A1 (zh) * | 2017-12-29 | 2019-07-04 | Oppo广东移动通信有限公司 | 信息推送方法、装置、终端及存储介质 |
| CN110223148A (zh) * | 2019-06-13 | 2019-09-10 | 成都成溪商务信息咨询有限公司 | 网络购物交易方法及系统 |
| CN110246011A (zh) * | 2019-06-13 | 2019-09-17 | 中国科学技术大学 | 可解释时尚服装个性化推荐方法 |
| CN110245257A (zh) * | 2019-05-31 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 推送信息的生成方法及装置 |
-
2019
- 2019-11-25 CN CN201911163055.3A patent/CN112837108A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180018729A1 (en) * | 2016-07-12 | 2018-01-18 | United Parcel Service Of America, Inc. | Systems, methods, and computer program products for intelligently processing and manipulating a subject image according to consumer data |
| CN107862561A (zh) * | 2017-09-15 | 2018-03-30 | 广州唯品会研究院有限公司 | 一种基于图片属性提取建立用户兴趣库的方法及设备 |
| CN109685593A (zh) * | 2017-10-19 | 2019-04-26 | 阿里巴巴集团控股有限公司 | 数据对象信息提供方法、装置及电子设备 |
| CN109933389A (zh) * | 2017-12-19 | 2019-06-25 | 阿里巴巴集团控股有限公司 | 数据对象信息处理、页面展示方法及装置 |
| WO2019128552A1 (zh) * | 2017-12-29 | 2019-07-04 | Oppo广东移动通信有限公司 | 信息推送方法、装置、终端及存储介质 |
| CN108932660A (zh) * | 2018-07-26 | 2018-12-04 | 北京旷视科技有限公司 | 一种商品使用效果模拟方法、装置及设备 |
| CN110245257A (zh) * | 2019-05-31 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 推送信息的生成方法及装置 |
| CN110223148A (zh) * | 2019-06-13 | 2019-09-10 | 成都成溪商务信息咨询有限公司 | 网络购物交易方法及系统 |
| CN110246011A (zh) * | 2019-06-13 | 2019-09-17 | 中国科学技术大学 | 可解释时尚服装个性化推荐方法 |
Non-Patent Citations (6)
| Title |
|---|
| WALEED TAHIR ET.AL.: ""Indoor/outdoor image classification using GIST image features and neural network classifiers"", 《2015 12TH INTERNATIONAL CONFERENCE ON HIGH-CAPACITY OPTICAL NETWORKS AND ENABLING/EMERGING TECHNOLOGIES (HONET)》, 4 February 2016 (2016-02-04) * |
| 李德毅主编: "《人工智能导论》", 31 August 2018, 中国科学技术出版社, pages: 120 - 122 * |
| 李达辉: "《数字图像处理核心技术及应用》", 31 March 2019, 电子科技大学出版社, pages: 224 - 227 * |
| 王宁: "一种基于BP神经网络的即时在线推荐系统", 计算机技术与发展, vol. 19, no. 07, 10 July 2009 (2009-07-10), pages 230 - 233 * |
| 王海燕等: "《大足石刻佛教造像脸部虚拟修复》", 30 April 2019, 重庆大学出版社, pages: 29 - 31 * |
| 陈起进: ""基于图像内容的服装检索与搭配技术研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》, vol. 2014, no. 01, 15 January 2014 (2014-01-15), pages 138 - 2107 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113934929A (zh) * | 2021-09-30 | 2022-01-14 | 联想(北京)有限公司 | 推荐方法及装置、电子设备 |
| CN113903026A (zh) * | 2021-10-09 | 2022-01-07 | 数贸科技（北京）有限公司 | 商品图片识别方法及装置 |
| WO2023077944A1 (zh) * | 2021-11-03 | 2023-05-11 | 北京沃东天骏信息技术有限公司 | 用于输出信息的方法、装置、设备以及存储介质 |
| WO2023195238A1 (ja) * | 2022-04-06 | 2023-10-12 | 株式会社日立製作所 | 情報処理装置、情報処理システム及び情報処理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US12118439B2 (en) | Mixed-initiative machine learning systems and methods for determining segmentations | |
| US11301718B2 (en) | Systems, methods, and storage media for training a machine learning model | |
| US20210264161A1 (en) | Systems and methods for image or video performance heat map generation | |
| CN104715023B (zh) | 基于视频内容的商品推荐方法和系统 | |
| CN108205768B (zh) | 数据库建立方法和数据推荐方法及装置、设备和存储介质 | |
| CN110363213B (zh) | 服装图像的认知分析和分类的方法和系统 | |
| CN112837108A (zh) | 信息处理方法、装置及电子设备 | |
| Coimbra et al. | Explaining three-dimensional dimensionality reduction plots | |
| US20140172643A1 (en) | System and method for categorizing an image | |
| EP3806021A1 (en) | Commodity recommendation method, apparatus and system, and computer readable storage medium | |
| CN108062377A (zh) | 标签图片集的建立、标签的确定方法、装置、设备及介质 | |
| CN113761253A (zh) | 视频标签确定方法、装置、设备及存储介质 | |
| Fan et al. | Image visual realism: From human perception to machine computation | |
| CN113254135A (zh) | 界面处理方法、装置及电子设备 | |
| García et al. | Implementation and customization of a smart mirror through a facial recognition authentication and a personalized news recommendation algorithm | |
| CN112364204A (zh) | 视频搜索方法、装置、计算机设备及存储介质 | |
| CN108492160A (zh) | 信息推荐方法和装置 | |
| CN104991906A (zh) | 信息获取方法、服务器、终端及数据库构建方法、装置 | |
| CN116894711A (zh) | 商品推荐理由生成方法及其装置、电子设备 | |
| CN109241379A (zh) | 一种跨模态检测网络水军的方法 | |
| CN117235586B (zh) | 酒店客户画像构建方法、系统、电子设备及存储介质 | |
| CN113989476A (zh) | 对象识别方法及电子设备 | |
| CN113657087A (zh) | 信息的匹配方法及装置 | |
| CN111447260A (zh) | 信息推送、信息发布方法及装置 | |
| US20230401632A1 (en) | Methods and Systems for Initiating a Virtual Try-On Application Running on a Computer System and Providing Interactive Augmented Reality (AR) Graphics |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20241010 Address after: Floor 8, Building 2, Xincheng Science Park Complex, No. 8, Bailong River East Street, Jianye District, Nanjing, Jiangsu 210026 Applicant after: Alibaba East China Co.,Ltd. Country or region after: China Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands Applicant before: ALIBABA GROUP HOLDING Ltd. Country or region before: Britain |
|
| TA01 | Transfer of patent application right |