内容推荐方法、装置及系统与流程

本申请涉及计算机
技术领域：
，具体涉及终端
技术领域：
，尤其涉及内容推荐方法、装置及系统。
背景技术：
：现有的内容推荐系统(例如广告推荐系统、资讯推荐系统等)主要基于对检测到的用户进行兴趣、喜好、关注领域的分析来推荐相关的内容。这类内容推荐系统主要包括三个模块：用户检测与特征分析模块、推荐模块以及显示模块。在用户检测与特征分析模块中，通过摄像头采集到图像后，采用行人检测、人脸检测等方法提取图像中的目标用户，然后对目标用户进行特征分析。现有技术中最常用的特征包括用户的性别、年龄、衣着颜色和款式以及用户的表情等浅层特征。推荐模块的推荐决策主要包括两种方式。一种方式是根据预设规则进行推荐，例如当检测到用户的性别为女性，系统会根据预先设定的女性关注内容来进行推荐，具体地，可以向女性推荐化妆品、时装等商品，也可以向女性推荐健康、美容类的资讯。另一种方式是通过学习的方式进行推荐。可以将用户的特征和待推荐内容的特征向量化，在线下通过机器学习将两种特征相关联，在线上通过训练的模型将用户的特征映射为待推荐内容的特征，以待推荐内容的特征在内容数据库中匹配，从而将匹配度高的内容作为推荐结果。其中，内容数据库中保存了预设内容，这些预设内容的形式和所包含的信息量较小，且形式是固定的。现有技术中显示模块一般只有一块显示屏，被设计为只服务于一组用户。即在一个时间段内只显示针对一组用户推荐的内容。该组用户可能包含多个个体，通过提取多个个体之间的共有特征，例如提取 共同的年龄层、社会关系等，基于共有特征推荐内容。上述现有技术中存在如下问题：在用户检测与特征分析模块中，只对用户的浅层特征进行分析和提取。在实际应用中，很难通过这些浅层特征判断商品或资讯是否适合被推荐给用户，例如当检测到用户为年轻女性时，系统判断用户可能对化妆品感兴趣，但是无法判断应该向用户推荐什么品牌或哪种类型的化妆品。在推荐模块中，内容数据库中保存了预设内容，推荐预设内容存在如下缺陷：首先，推荐模块可能决策出多个待推荐的预设内容，多个预设内容之间关联性可能较差，通过显示多个待推荐的预设内容会使用户在获取信息时有断裂感；第二，如果用户特征与待推荐内容的特征匹配度都很低，则推荐效果较差；第三，现有技术中所推荐的内容形式和所包含的信息都是固定的，无法提供个性化的推荐内容，满足不同用户的需求，例如推荐手表时，配以不同的人物和音乐，用户对手表的感知不相同，推荐的效果完全不同。在显示模块中，现有技术只服务于一组用户，这种方式难以满足多用户的个性化需求，推荐内容的信息量较少。当用户数量过多或特征过于复杂时，系统可能完全无法决策推荐内容。技术实现要素：针对上述现有技术中的缺陷，期望能够提供一种个性化的内容推荐方法。进一步地，还期望所推荐的内容可以针对多组具有不同特征的用户，包含更丰富的信息。有鉴于此，本申请提供了内容推荐方法、装置及系统。第一方面，本申请提供了一种内容推荐方法。该方法包括：获取用户属性信息和/或环境属性信息；基于用户属性信息和/或环境属性信息合成推荐内容。在一些实施例中，合成推荐内容包括：基于用户属性信息和/或环境属性信息确定候选内容元素，其中候选内容元素包括候选对象元素和候选场景元素；以及根据候选对象元素和候选场景元素合成推荐内 容。第二方面，本申请提供了一种内容推荐装置。该装置包括：获取单元，配置用于获取用户属性信息和/或环境属性信息；以及合成单元，配置用于基于用户属性信息和/或环境属性信息合成推荐内容。在一些实施例中，合成单元包括确定子单元，配置用于基于用户属性信息和/或环境属性信息确定候选内容元素，其中候选内容元素包括候选对象元素和候选场景元素；以及合成子单元，配置用于根据候选对象元素和候选场景元素合成推荐内容。第三方面，本申请提供了一种内容推荐系统。该系统包括处理器和显示设备；其中显示设备配置用于显示推荐内容；处理器包括如本申请第二方面的内容推荐装置。本申请提供的内容推荐方法、装置及系统，基于用户属性和环境属性合成或生成推荐内容。能够自动推荐个性化的内容，所推荐的内容包含更多的信息，提升了内容推荐系统的针对性。同时，可以推荐不能直接从用户的浅层特征判断的符合用户需求和兴趣的内容，提升了内容推荐系统的利用率。附图说明通过阅读参照以下附图所作的对非限制性实施例详细描述，本申请的其它特征、目的和优点将会变得更明显：图1示出了根据本申请一个实施例的内容推荐方法的示例性流程图；图2示出了根据本申请实施例的个体分析的效果示意图；图3示出了根据本申请一个实施例的确定候选内容元素的示例性流程图；图4示出了根据本申请一个实施例的合成推荐内容的方法的示例性流程图；图5a示出了采用空分呈现的方式展示推荐内容的一种效果示意图；图5b示出了采用空分呈现的方式展示推荐内容的另一种效果示 意图；图6示出了采用时分呈现的方式展示推荐内容的原理示意图；图7示出了根据本申请一个实施例的内容推荐装置的结构示意图；以及图8示出了根据本申请一个实施例的内容推荐系统的结构示意图。具体实施方式下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。在下面的描述中，大量具体细节被阐述以提供对本发明的实施例的完整描述。然而，本领域技术人员应该理解，本申请的实施例在没有这些具体细节的情况下，也可以被实施。请参考图1，其示出了根据本申请一个实施例的内容推荐方法的示例性流程图。为了便于理解，本实施例中，结合用于展示推荐内容的设备来举例说明。本领域技术人员可以理解，该用于展示推荐内容的设备可以是电子大屏幕，例如设置于地下通道或商场大厅的电子屏幕，也可以是例如手机、平板电脑等具有显示功能的移动电子设备。如图1所示，在步骤101中，获取用户属性信息和/或环境属性信息。在本实施例中，可以基于摄像头所捕捉到的图像来提取用户属性信息。该摄像头可以被安装于用于展示推荐内容的设备上，也可以被安装于用于展示推荐内容的设备附近的一个或多个位置。在一些实现中，可以获取多个摄像头采集的图像，对展示范围内所有用户的用户属性信息进行分析。用户属性信息可以包括用户个体属性信息和群体属性信息。其中，个体属性信息可以是通过分析每一个用户的个体特征所得到的信息，群体属性信息可以是基于多个用户间的关系所得到的信息。在一些实现中，个体属性信息可以包括用户的个体特征信息，诸如用户的外观特征信息，即可以从用户的表面特征直接得出的信息，例如用户的性别、年龄、种族、衣着风格、化妆风格、健康状态、姿态等信息。其中性别、年龄、种族、化妆风格可以由脸部区域的特征通过分类器分类得到，健康状态可以由脸部区域和姿态的特征通过分类器或检索得到。个体特征信息还可以包括用户的情绪状态信息，例如高兴、悲伤、愤怒等，这些信息也可以通过采用分类器分析用户的面部表情和肢体动作来获取。进一步地，个体属性信息还可以包括用户的性格和购买力。其中性格可以包括以下至少一项：责任感、情绪稳定度、外向程度、对新事物的开放程度、亲和度、受欢迎程度、自信度以及孤独程度。这些性格指标可以被量化为多个等级，每个等级对应不同的符合程度。例如从-3到+3的7个等级，-3可以表示最不符合、+3可以表示最符合。以推荐商品为例，当用户的对新事物的开放程度指标量化为+3时，可以向用户推荐一些新奇的商品，例如与用户所穿着一幅不同款式或颜色的服装，或者推荐旅游信息；相反，当用户的对新事物的开放程度指标量化为-3时，可以向用户推荐与用户当前状态保持一致的商品，例如同款式的衣服、配饰等。用户的性格可以通过回归器对用户特征分析来获取。在一些实现中，性格可以通过机器学习的方法来获取。例如可以基于已有数据建立训练集，采用机器学习的方法训练性格模型，得到用户特征与性格的映射关系。可选地，可以将人工量化的性格指标作为训练数据对性格模型进行训练。例如，可以获取多个用户的图像，并提取用户特征，然后基于心理学分析将每个用户的外向程度量化为-3、-2、-1、0、1、2、3共七个等级，-3表示外向程度最低，+3表示外向程度最高。例如用户穿着色彩鲜艳的衣服，可以将该用户的外向程度量化为+2或+3。将用户的特征和量化后的外向程度作为训练数据，采用例如支持 向量机(SVM)、随机森林等机器学习方法训练外向程度模型，得到用户特征与外向程度的映射关系。在判断用户的外向程度时，可以使用该外向程度模型来进行分析。在进一步的实现中，可以基于用户的多个特征和多种性格指标进行训练，则得到的模型为综合性格模型，可以直接通过该综合性格模型得到用户的多个性格指标的判断结果。购买力信息可以从用户穿着的衣服、鞋、佩戴的配饰的价格信息中获取。首先，可以提取用户的衣服、鞋、配饰的特征，并在数据库中进行查找匹配，以获取衣服、鞋、配饰的品牌信息和/或价格信息。可选地，可以计算价格信息在所有同类商品的价位中的价格级别，从而确定用户的购买力。例如，可以提取用户所戴手表的特征，在商品数据库中查找该手表的品牌信息和价格信息。进一步地，还可以查询同品牌手表的价格区间信息，将价格信息或价格区间信息在所有手表商品中的排序(例如排序百分比等)。可选或附加地，可以将购买力进行量化，如量化为多个等级。具体地，如果该手表的价格在所有类型的手表中价格排序为前10％，则可以将用户的购买力确定为最高等级。用户的群体属性信息可以包括用户的社会关系信息，包括家庭关系、情侣关系、朋友关系等。可以从多个用户所穿着的衣服来确定用户的社会关系信息，例如可以通过情侣装或亲子装确定多个用户间为情侣关系或家庭关系。在一些可选的实现方式中，可以通过如下方式获取用户属性信息：采集推荐内容的展示位置所在区域的图像，从图像中确定作为服务对象的用户，对作为服务对象的用户进行个体分析和群体分析。在上述实现方式中，可以通过图像采集器件(例如摄像机、移动终端上的摄像部件)来采集推荐内容展示位置所在区域的图像。可选地，还可以在采集图像之前，通过传感器检测展示位置所在区域内是否存在用户以及用户的位置，并通过计算机系统控制摄像机旋转、聚焦来采集所检测到的用户的图像。可选地，从所述图像中确定作为服务对象的用户，可以包括：检测图像中的行人以及所述行人的视线焦点位置；判断行人的视线焦点位置是否位于推荐内容的展示位置；如果是，则确定行人为作为服务 对象的用户。采集到图像之后，可以基于肤色特征或人体形状特征来进行行人检测，也可以采用随机森林、隐马尔科夫模型等机器学习的方法进行行人检测，提取图像中的人体。之后可以基于瞳孔的颜色特征(例如黑色)和形状特征(近似圆形)，采用例如边缘提取、霍夫变换等方法检测人体的瞳孔位置，从而确定行人的视线焦点的位置参数，并基于位置参数判断图像中行人的视线焦点位置是否位于推荐内容的展示位置。如果是，则可以将检测出的行人确定为作为服务对象的用户。需要说明的是，推荐内容的展示位置可能包括一个区域，当行人的视线焦点位于该区域内时，即可认为行人是作为服务对象的用户。在一些可选的实现方式中，对用户进行个体分析可以通过如下方式进行：按照人体部位将图像中的每一个用户分割为多个子图像，采用分类器和/或回归器对子图像进行分析以获取用户属性信息。具体地，可以将图像中检测到的用户按照人体的不同部位进行图像分割。例如可以将人体图像分割为面部图像、四肢图像以及身体图像。然后可以采用分类器和/或回归器对每一个子图像进行分析。例如，可以采用化妆风格分类器对面部图像进行分类，采用衣着风格分类器对四肢图像和身体图像进行分类，从而获得用户的多种属性信息。进一步参考图2，其示出了根据本申请实施例的个体分析的效果示意图。如图2所示，提取出的用户图像可以被分割为头发图像、面部图像、左臂图像、包图像、左腿图像、裙子图像、左鞋图像、右鞋图像、右腿图像、上衣图像、右臂图像以及眼镜图像等多个子图像。采用分类器或回归器对每一个子图像进行分析，可以获取不同的用户属性信息。例如，对头发图像进行分类可以获取用户的发型风格和发质，对面部图像进行分析可以得出用户的性别、年龄、种族、表情、皮肤状况、面部特征等属性信息，对用户的左臂图像、右臂图像、左腿图像、右腿图像的分析可以获取用户的强壮程度和健康程度等其他特征，对包图像、眼镜图像、左鞋图像、右鞋图像、裙子图像和上衣图像进行分析可以获取用户偏好的衣着和配饰类型、用户偏好的品牌、价格以及搭配商品等属性信息。对眼镜图像的分析还可以得到用户偏好的眼镜功能信息。这些用户属性信息均可以量化表示，例如可以采 用如前述的分等级的方式表示。返回图1，进一步地，对用户进行群体分析包括将所述用户分组。一种可选的实现方式为基于图像中多个用户的衣着、姿态的关联程度以及相对位置信息，采用分类器按照社会关系对图像中的多个用户进行分类。例如可以基于图像中多个用户的衣着的款式、样式是否相同来判断多个用户是否为情侣关系或家庭成员关系，还可以根据用户的亲密程度来分析用户是否为朋友关系或情侣关系。例如当检测到两个用户有肢体接触时，可以初步确定两个用户为朋友关系或家庭关系，再基于两个用户的衣着是否相同判断是否为情侣关系。另一种可选的实现方式为基于个体分析结果，利用用户属性信息对图像中多个用户进行聚类。聚类的方法可以为将每个用户的属性信息量化后，计算用户属性信息之间的距离，将距离小于一个预设阈值的用户属性信息分为一组，进而将对应的用户分组。可选地，在聚类时，可以优先采用用户的群体属性信息(例如社会关系)进行聚类，之后采用个体的用户属性信息进行聚类。通过以上描述的用户属性信息的获取方式，不仅可以获取到更丰富的浅层特征，如性别、年龄、种族、健康状态、化妆风格、配饰风格等，还可以获取到用户的深层特征，例如性格、购买力等，从而可以基于这些特征向用户推荐更符合用户需求或用户更感兴趣的内容，进而可以提高推荐内容的转化率。在一些实施例中，获取环境属性信息的方式可以包括但不限于通过网络接收当前的时间信息和/或通过网络接收与推荐内容的展示位置相应的空间信息。其中时间信息可以至少包括以下一项：当前的日期时间、天气情况、节日信息、当前热门事件。空间信息可以包括展示位置的地理方位和/或邻近区域的地标，例如机场、候车室、商业中心等。本申请实施例中除了获取用户属性之外，还可以对环境属性进行分析和获取，利用环境属性对所推荐的内容进行分析决策，可以提供更符合环境状态的推荐内容，提高了内容推荐的时效性。在步骤102中，基于用户属性信息和/或环境属性信息合成推荐内 容。在本申请诸多实施例中，内容被划分为多个元素，这些元素之间可以进行各种组合，从而产生不同的内容。通过这种方式，内容推荐系统无需预先存储大量的固定内容，只需存储各种内容元素，就可以生成丰富的内容，因而这种变化的内容也可以称为动态内容。在一些实施例中，步骤102可以包括步骤1021：基于用户属性信息和/或环境属性信息确定候选内容元素。在本实施例中，候选内容元素可以包括候选对象元素和候选场景元素。在一些可选的实现方式中，对象元素可以为商品，场景元素可以为广告元素。相应地，候选对象可以为候选商品，候选场景元素可以为候选广告元素。对象元素和场景元素可以具有多种属性。对象元素的属性可以包括但不限于商品的类别、价格、颜色和品牌中的至少一项，场景元素的属性可以包括但不限于视觉风格、故事情节、适合的商品、人物、时间、地点和配乐中的至少一项。在一些实现中，可以基于步骤101所获取的用户属性信息和/或环境属性信息，利用推荐模型集合来确定候选元素内容。推荐模型集合可以包括根据用户属性信息推荐对象元素和/或场景元素的第一推荐模型集合、对象元素和/或场景元素被联合推荐的第二推荐模型集合、根据环境属性信息推荐对象元素和/或场景元素的第三推荐模型集合中的至少一项。在进一步的实现中，第一推荐模型集合可以是用户属性信息与对象元素的属性和/或场景元素的属性间兴趣关系的子模型的集合，其中可以包括至少一个用户属性信息与对象元素的属性和/或场景元素的属性间兴趣关系的子模型。第二推荐模型集合可以是对象元素的属性和/或场景元素的属性间兴趣关系的子模型的集合，其中可以包括至少一个对象元素的属性和/或场景元素的属性间兴趣关系的子模型。第三推荐模型集合可以是环境属性信息与对象元素的属性和/或场景元素的属性间兴趣关系的子模型的集合，其中可以包括至少一个环境属性信息与对象元素的属性和/或场景元素的属性间兴趣关系的子模型。以对象元素为商品，场景元素为广告元素为例，第一推荐模型集 合中的每个子模型可以表示根据用户属性对每一种商品或每一种广告元素进行推荐的映射关系；第二推荐模型集合中的每个子模型可以表示不同商品/广告元素被联合推荐的映射关系，第三推荐模型集合中的每个子模型可以表示根据环境属性对每一种商品或每一种广告元素进行推荐的映射关系。在本实施例的一些可选实现方式中，确定推荐模型集合后，可以采用推荐模型集合中的至少一个子模型对与用户属性和环境属性相关的内容进行推荐。请参考图3，其示出了根据本申请一个实施例的确定候选内容元素的示例性流程图。在图3对应的实施例中，利用推荐模型集合确定候选内容元素的方法可以包括：步骤301，基于兴趣度统计数据对推荐模型集合中的子模型进行训练，以确定子模型的参数。如上所述，每一个推荐模型集合中都可以包括一组子模型，子模型可以表示用户属性与对象元素、用户属性与场景元素、不同对象元素之间、不同场景元素之间、环境属性与对象元素、环境属性与场景元素的映射关系。在本实施例中，这种映射关系可以由兴趣度统计数据得出。具体地，可以基于兴趣度统计数据训练每一个子模型，得出子模型的参数。其中兴趣度统计数据可以包括：用户属性信息对对象元素的属性和/或场景元素的属性的兴趣度统计数据，不同对象元素的属性之间的兴趣度统计数据，不同场景元素的属性之间的兴趣度统计数据，对象元素的属性与场景元素的属性之间的兴趣度统计数据，以及环境属性信息对对象元素的属性和/或场景元素的属性的兴趣度统计数据。兴趣度统计数据可以被量化为多个等级，也可以量化为归一化的数值。获取的方式可以为通过在线购物网站的数据统计来获取，例如可以统计在线购网网站上某一商品的浏览量、购买量与浏览或购买该商品的用户所属年龄段的对应关系，从而统计不同年龄段用户对该商品的兴趣度统计数据。又例如可以通过同时购买多种商品的用户数量(例如同时购买某品牌的冰箱和另一品牌的洗衣机的用户数)统计来 计算冰箱和洗衣机的兴趣度统计数据、冰箱品牌和洗衣机品牌的兴趣度统计数据。兴趣度统计数据的另一种获取方式为通过调查问卷进行统计。例如可以设计针对性的调查问卷，统计不同年龄、性格、购买力的用户对不同商品品牌的兴趣度。还可以通过经验设定，例如可以按照经验设定女性对化妆品的兴趣度统计数据，并归一化为0.8，而男性对化妆品的兴趣度统计数据可以设定为0.2。表1示出了以列表形式给出用户属性信息中年龄对对象元素的属性中的品牌的兴趣度统计数据的一个示例。其中将兴趣度归一化为0至1。表一年龄对品牌的兴趣度统计数据表DisneyGapEland……0-30.80.60.0……3-50.60.50.0……5-100.80.60.3……10-200.30.80.8………………………………由表1可以看出，年龄对品牌的兴趣度统计数据表统计了各年龄的用户对商品品牌的兴趣度，类似地，可以统计其他用户属性信息与不同商品属性或广告元素之间的兴趣度、不同商品之间的兴趣度、不同广告元素的兴趣度以及环境属性信息对不同商品或不同广告元素的兴趣度。可选地，为了使训练后的子模型可以适应环境变化，可以基于新的对象元素和场景元素对相应的子模型进行更新。例如可以根据新品牌的商品来更新与品牌相关的兴趣度统计数据和子模型。另外，还可以以一定的时间周期对兴趣度统计数据进行更新，采用更新的兴趣度统计数据训练对应的子模型，得到更新的子模型。例如可以每季度根据商家的反馈信息来更新子模型。步骤302，基于推荐模型集合建立全局能量函数。在训练得到推荐模型集合中的子模型之后，可以从对象元素数据 库和场景元素数据库中根据一定的规则来查找符合需求的对象元素和场景元素。可以基于第一推荐模型集合、第二推荐模型集合和第三推荐模型集合建立如下的函数，并基于式(1)来确定对象元素和场景元素。productSet*＝argminproductSetE(productSet|models,userSet,context)(1)其中，productSet表示对象元素或场景元素的集合，productSet*表示确定的候选对象元素或候选场景元素的集合，models表示推荐模型集合，models＝{model1,model2,model3}，其中model1表示第一推荐模型集合，model2表示第二推荐模型集合，model3表示第三推荐模型集合。userSet表示用户属性信息的集合，context表示环境属性信息，E(·)表示全局能量函数。确定推荐内容即从数据库中选取具有最小能量函数的对象元素和/或场景元素。全局能量函数可以如式(2)定义：E(productSet|models,userSet,context)=α1E1+α2E2+α3E3=α1Σi,jE1(productj|model1,useri)+α2Σj1,j2E2(productj1,productj2|model2)=α3ΣjE3(productj|model3,context)---(2)]]>式(2)中，productSet＝{productj}，userSet＝{useri}，其中i，j，j1，j2为正整数，productj，productj1，productj2表示对象元素或场景元素，useri表示用户属性信息。α1，α2，α3表示权重系数，可以根据经验设定或训练得出。如式(2)所示，全局能量函数中可以包括第一能量函数E1(·)、第二能量函数E2(·)以及第三能量函数E3(·)。第一能量函数可以是根据用户属性信息对对象元素或场景元素进行推荐的能量函数，具体地，第一能量函数可以按照式(3)计算：E1(productj|model1,useri)=Σ(p,q)β(p,q)E(productjprofilep|model1,useriprofileq)---(3)]]>其中，i，j，p，q为正整数，productjprofilep表示第j个对象元素/场景元素的第p个属性，useriprofileq表示第i个用户的第q个属性，β(p，q)表示权重系数。第一能量函数可以包括：基于第一推荐模型集 合，采用分类器和/或回归器计算出的与用户属性信息对应的对象元素的属性和/或场景元素的属性的推荐概率。第二能量函数可以是不同对象元素或不同场景元素被共同推荐的能量函数，具体地，第二能量函数可以按照式(4)计算：E2(productj1,productj2|model2)=Σ(p,q)λ(p,q)E(productj1profilep,productj2profileq|model2)---(4)]]>其中，j1，j2，p，q为正整数，productj1profilep表示第j1个对象元素/场景元素的第p个属性，productj2profileq表示第j2个对象元素/场景元素的第q个属性，β(p，q)表示权重系数。第二能量函数可以包括：基于第二推荐模型集合，采用分类器和/或回归器计算出的对象元素的属性和/或场景元素的属性被联合推荐的概率。第三能量函数可以是根据环境属性信息对对象元素或场景元素进行推荐的能量函数，具体地，第三能量函数可以按照式(5)计算：E3(productj|model1,contexti)=Σ(p,q)γ(p,q)E(productjprofilep|model3,contextprofileq)---(5)]]>其中，i，j，p，q为正整数，productjprofilep表示第j个对象元素/场景元素的第p个属性，contextprofileq表示环境属性信息中的第q个属性，γ(p，q)表示权重系数。第三能量函数可以包括：基于第三推荐模型集合，采用分类器和/或回归器计算出的与用户属性信息对应的对象元素的属性和/或场景元素的属性的推荐概率。继续图3，在步骤303，对全局能量函数进行全局优化求解，得到使得全局能量函数最优的候选内容元素。在本实施例中，可以基于上述能量函数确定推荐内容。具体地，可以根据式(1)对全局能量函数进行全局优化求解。全局优化的方法可以包括基于遗传算法、线性规划、模拟退火等的优化算法。解出式(1)中的productSet*之后，即可得到候选对象元素和候选场景元素。在一些实施例中，可以基于第一能量函数、第二能量函数和第三能量函数中的一种来确定候选内容元素，例如可以基于第一能量函数向情侣推荐婚纱服饰，向年轻外向的女性推荐多彩绚丽的服饰；可以基于第二能量函数将冰箱和电视机、口红和眉笔、婴儿床和奶瓶分别 作为联合推荐的商品；也可以基于第三能量函数在下雪的冬天推荐羽绒服商品，在机场的广告牌上推荐旅游信息。在一些实现中，可以结合第一能量函数、第二能量函数和第三能量函数中的两种或三种能量函数确定推荐内容。例如可以在夏天向情侣推荐情侣T恤，在冬天向情侣推荐情侣羽绒服，向情侣同时推荐情侣手表和情侣戒指等等。以上结合图3说明的实施例描述了基于用户属性信息和环境属性信息确定候选内容元素的一种方法，在实际应用中，当推荐内容为广告时，对全局能量函数进行全局优化求解后，可以得到一组优先联合推荐的商品集合和广告元素集合。本实例提供的确定候选内容元素的方法中，可以根据用户的兴趣度和倾向和/或环境信息选择推荐的多个对象元素和场景元素，能够提供更丰富推荐内容。例如在推荐广告时，可以得出多种符合用户需求和喜好的广告元素和场景元素，使得广告内容丰富、提高广告牌的使用率和投放效果。并且，能够提供更加生动的广告元素，提升用户体验。返回图1，步骤102可以进一步包括步骤1022，根据候选对象元素和候选场景元素合成推荐内容。在本实施例中，步骤1021确定候选对象元素和候选场景元素之后，可以将候选对象元素进行融合，同时将候选场景元素进行组合，并结合候选对象元素和候选场景元素生成推荐内容。可以首先将每一个候选对象元素与相应的候选场景元素相融合，之后将多个候选场景元素相组合。在一些实现中，可以基于预设的规则融合候选对象元素和候选场景元素。进一步参考图4，其示出了根据本申请一个实施例的合成推荐内容的方法的示例性流程图。如图4所示，在步骤401中，获取候选场景元素的放置索引、方向索引以及运动轨迹索引。在本实施例中，场景元素一般具有透明的背景或特定的放置位置用于放置对象元素。可以在这些特定的位置建立放置索引，用于设定特定位置可以放置的对象元素的类型。例如道路上可以放置车辆、手 腕处可以放置手表。进一步地，特定位置上还可以建立方向索引，用于指示对象元素的朝向。例如，可以根据马路的方向确定车辆的放置朝向。根据人的上臂姿态确定手表的朝向。进一步地，当候选场景元素为动态的元素，例如视频时，还可以建立运动轨迹索引，以指示对象元素的运动方向和路线。例如道路场景中可以包括道路方向索引，以使车辆沿着道路方向行驶。在将候选对象元素和候选场景元素融合之前，可以首先获取候选场景元素的上述索引信息，包括放置索引、方向索引以及运动轨迹索引。获取的方式可以为直接从数据库中查找相关数据，也可以为对场景元素进行图像分析、视频分析，提取其中用于放置候选对象元素的特征，通过训练的模型确定该场景的放置索引，提取场景元素中的位置特征、方向特征和运动轨迹特征，从而获取方向索引和运动轨迹索引。在步骤402中，根据放置索引、方向索引以及运动轨迹索引将候选对象元素与候选场景元素融合，以生成候选推荐内容。在合成候选内容元素时，可以先将候选对象元素按照放置索引放置到候选场景元素中的特定位置，然后根据方向索引对候选对象元素进行旋转，之后根据运动轨迹索引移动候选对象元素，合成完整的候选推荐内容。在步骤403中，基于候选场景元素的属性间的相关度、候选对象元素的属性间的相关度以及候选场景元素的属性与候选对象元素间的相关度对候选推荐内容进行筛选，将经过筛选的候选推荐内容进行融合，以生成推荐内容。在本实施例中，多个候选推荐内容之间可能具有一定的关联性，例如时间关联性、空间关联性、人物关联性、事件关联性和属性关联性。可以依据这些关联性筛选关联性较强的多个候选推荐内容，将与其他候选推荐内容无关的候选推荐内容滤除，将筛选出的候选推荐内容融合为流畅、连贯的推荐内容。候选推荐内容之间的关联性可以是基于候选推荐内容所包含的不同候选对象元素的属性之间、候选对象元素的属性与候选场景元素的 属性之间、以及不同候选场景元素的属性之间的关联性确定的。因此，在本实施例中，可以根据不同候选对象元素的属性之间的关联性、候选对象元素的属性与候选场景元素的属性之间、以及不同候选场景元素的属性之间的关联性来筛选包含对应候选对象元素或候选场景元素的候选推荐内容。上述不同候选对象元素的属性之间的关联性、候选对象元素的属性与候选场景元素的属性之间、以及不同候选场景元素的属性之间的关联性可以通过模型训练的方法得到，也可以根据经验人工设定。关联性的表示可以为量化的数值。可选地，可以将候选对象元素的属性和候选场景元素的属性进行向量化，然后计算个属性之间的距离，距离越小，关联性越强。计算所有候选推荐内容所包含的对象元素的属性和场景元素的属性间的关联性，可以根据关联性滤除与其他候选推荐内容关联性最弱或没有关联性的候选推荐内容。筛选之后，可以得到关联性较强的多个候选推荐内容，并按照时间顺序、空间位置关系或事件状态将筛选出的候选推荐内容串联，生成完成的推荐内容。可以理解，如果步骤1021只得出一个候选推荐内容，或者多个候选推荐内容之间都没有关联性，则可以将一个候选推荐内容作为推荐内容。举例而言，在推荐广告时，可以计算商品元素和广告元素的相关性，例如两个具有相似视频风格的广告元素相关性较强，则可以将包含这两个广告元素的广告放置于同一则广告中。又例如两个广告元素的场景为同一场景，时间属性分别为上午和中午，包含的商品分别为车和手表，则可以将广告元素的时间属性为上午的车辆广告和广告元素的时间属性为中午的广告串联起来，形成一则时间连续的视频广告。需要说明的是，上述结合图4说明的合成推荐内容的方法的示例性实现中，可以先执行筛选步骤，基于候选场景元素的属性间的相关度、候选对象元素的属性间的相关度以及候选场景元素的属性与候选对象元素间的相关度对候选对象元素和候选场景元素进行筛选，然后获取候选场景元素的放置索引、方向索引和运动轨迹索引，之后将相 关度高的候选对象元素和候选场景元素融合为候选推荐内容，并根据候选场景元素的时间属性将候选推荐内容串联起来，形成完整的推荐内容。本申请上述实施例所提供的内容推荐方法，基于用户属性信息和环境属性信息确定候选对象元素和候选场景元素，然后根据候选对象元素和候选场景元素合成推荐内容。可以在推荐的内容中提供更多的信息，提升推荐内容展示位置的利用率。并且，可以提供更有针对性的个性化内容，从而提升推荐内容的转化率。上述实施例所提供的方法可以用于智能广告推荐系统。系统可以通过设置于广告牌上的摄像头获取广告牌前的图像，对图像进行人体检测，检测到目标用户A，之后可以通过焦点检测确定目标用户A正在关注广告牌上的内容。系统可以对目标用户A进行个体分析，分析结果为男性，40-50岁，穿着高档深蓝色西服和黑色皮鞋，面部特征分析其性格为有责任感、自信、情绪稳定度强、较内向、购买力强，则可以向该目标用户推荐黑色商务轿车、深色高档POLO衫、某品牌高档手表的商品，推荐的广告元素可以包括古典风格音乐、高档家居场景、商务写字楼办公场景、都市路况等。最后根据这些商品和广告元素之间的关联性进行融合，生成的广告可以为男主人公清晨穿着蓝色高档POLO衫、佩戴高档手表、驾驶黑色商务轿车至商务写字楼的视频。期间还可以穿插男主人公看表后参加会议，夕阳中驾车离开的情节。该智能广告推荐系统还可以为包含多个用户的用户组推荐广告。例如可以通过分析图像可以检测到6个目标用户A、B、C、D、E、F，通过焦点检测确定6个目标用户正在关注广告牌上的内容。系统可以首先对6个目标用户进行个体分析，然后可以基于个体分析结果和6个目标用户之间的姿态、相对位置关系进行群体分析。分析结果为A、B、C为一家三口，将其作为用户组1，D、E为情侣关系的概率较高，将其作为用户组2，F作为用户组3。系统可以生成三段广告，分别对用户组1、2、3进行广告推荐。在一些实施例中，上述内容推荐方法还可以包括：步骤103，采用时分呈现或空分呈现的方式展示推荐内容。如果步骤101中获取的作为服务对象的用户或用户组数量为多个，在生成推荐内容之后，需要通过恰当的方式向作为服务对象的多个用户或用户组展示推荐内容。以在电子显示屏上展示推荐内容为例，在本实施例中，可以采用时分呈现或空分呈现的方式展示推荐内容。其中时分呈现的方式适用于屏幕面积较小的电子屏幕，空分呈现的方式适用于屏幕面积较大的屏幕或曲面屏幕。在一些实现中，采用空分呈现的方式展示推荐内容可以通过如下方式进行：首先将推荐内容的展示位置划分为与用户或用户组数量相等的子区域，然后将对应于每一个用户或每一组用户的推荐内容展示到该用户/该组用户视线焦点位置所在的子区域内。需要注意的是，在进行用户视线焦点检测时可以对人脸图像进行瞳孔位置检测和深度检测，由此确定用户关注的区域在屏幕上的位置。进一步地，还可以根据用户的瞳孔位置确定用户视野范围，从而确定所展示的推荐内容的尺寸。在进一步的实现中，还可以跟踪用户的视线焦点位置，根据用户的视线焦点位置的变化，调整每一个或每一组用户的推荐内容的展示位置。如果用户或用户组处于运动状态，则可以通过行人检测跟踪其位置变化，或者当用户或用户组处于静止状态，但关注区域发生变化时，可以基于瞳孔位置实时地检测确定用户视线焦点位置的变化，从而获取用户所关注的位置的变化状态。这时，可以调整推荐内容的展示位置，使为该用户或用户组推荐的内容可以始终投射到用户或用户组的视野范围内。进一步参考图5a，其示出了采用空分呈现的方式展示推荐内容的一种效果示意图。图5a的场景可以利用商场大厅或宾馆大厅的广告牌向顾客推荐广告。在图5a中，用于展示推荐内容的显示屏为圆柱形屏幕510。系统检测到目标服务对象用户501和502，其中用户501的视线焦点位于区域511中，用户502的视线焦点位于区域512中。通过对用户501和用户502进行个体分析，得出用户501对手表的兴趣度和需求度较大，用户502对轿车的需求度较大，则可以分别在区域511 和512内展示手表广告和轿车广告，实现了在圆柱形屏幕的不同位置为不同用户推荐不同的个性化广告。进一步参考图5b，其示出了采用空分呈现的方式展示推荐内容的另一种效果示意图。图5b中所示的展示位置可以为类似地铁的换乘通道内的平面显示屏。这些显示屏可以沿着墙壁铺设，用户在换乘过程中，墙壁上的显示屏可以呈现个性化广告。如图5b所示，屏幕520可以被划分为多个子区域。用户503、用户504和用户505的视线焦点分别于区域521、区域522和区域523中。可以在对应的区域上展示向每一个用户推荐的内容。例如向用户503推荐上衣和裙子的广告、向用户504推荐推荐手表广告、向用户505推荐轿车广告。并且可以在用户移动过程中实时跟踪用户视线焦点位置，根据用户视线焦点位置的变化调整所展示的推荐内容的位置。例如当用户的视线焦点位置移动到区域522时，可以将区域522所展示的内容切换为轿车广告。当用户重叠时，可以在屏幕上显示视线不受阻用户所对应的推荐内容。用于时分呈现的屏幕可以是光栅显示屏，通过光栅的快速移动，切换不同的推荐内容。在一些实现中，采用时分呈现的方式展示所述推荐内容可以通过在推荐内容的展示位置上以一定的时间间隔切换至少一个对应于每一个或每一组用户的推荐内容来进行。该时间间隔可以为人眼的视觉暂留时间，这样，可以利用人眼的视觉暂留现象实现多个推荐内容的展示。在进一步的实现中，还可以跟踪所述用户的视线焦点位置，根据所述用户的视线焦点位置的变化，调整每一个或每一组用户的推荐内容的展示角度。在展示推荐内容的同时，可以通过焦点检测实时地检测焦点的位置和用户的深度信息，从而确定用户的视野范围的变化，然后可以基于用户视野范围的变化调整光栅的方向，使推荐内容始终被展示在用户的视野范围内。进一步参考图6，其示出了采用时分呈现的方式展示推荐内容的原理示意图。如图6所示，602为用于采集图像的摄像机，发光二极管(LED)投影阵列601通过光栅显示屏603将图像或视频呈现给用 户，其中当光栅移动到某一位置时，左眼和右眼分别位于区域611和区域612的用户可以看到包含为该用户推荐的内容的第一类图像；当光栅变换到另一位置时，左眼和右眼分别位于区域613和区域614的用户可以看到包含为该用户推荐的内容的第二类图像。摄像机602可以实时检测用户的视线焦点位置的变化，光栅随用户视线的移动而调整角度，保证展示的推荐内容始终位于用户的视野范围内。以上通过空分或时分呈现方式展示推荐内容的方法，可以向多个或多组用户同时展示个性化的多个推荐内容，提高了推荐内容的展示位置的利用率，并且能够通过焦点检测自动调整展示位置，使得内容推荐更加智能化。进一步参考图7，其示出了根据本申请一个实施例的内容推荐装置的结构示意图。如图7所示，内容推荐装置700可以包括获取单元701以及合成单元702。获取单元701可以配置用于获取用户属性信息和/或环境属性信息。合成单元702可以配置用于基于用户属性信息和/或环境属性信息合成推荐内容。在一些实施例中，合成单元702可以包括确定子单元7021和合成子单元7022。确定子单元7021配置用于基于获取单元701所获取的用户属性信息和/或环境属性信息确定候选内容元素，其中候选内容元素可以包括候选对象元素和候选场景元素。合成子单元7022可以配置用于根据确定子单元7021所确定的候选对象元素和候选场景元素合成推荐内容。在本实施例中，获取单元701可以基于摄像头所捕捉到的图像来提取用户属性信息。用户属性信息可以包括用户个体属性信息和群体属性信息。其中，个体属性信息可以是通过分析每一个用户的个体特征所得到的信息，可以包括用户的性别、年龄、种族、衣着风格、化妆风格、健康状态、姿态等信息。群体属性信息可以是基于多个用户间的关系所得到的信息，可以是用户的社会关系信息，包括家庭关系、情侣关系、朋友关系等。在一些实现中，用户属性信息可以通过多种分类器分类或回归器检索得到。在一些实现中，获取单元701配置用于环境属性信息的方式可以 包括但不限于通过网络接收当前的时间信息和/或通过网络接收与推荐内容的展示位置相应的空间信息。在一些实现中，确定子单元7021可以基于获取单元701所获取的用户属性信息和环境属性信息，利用推荐模型集合构建全局能量函数，对全局能量函数进行最优化求解来确定候选元素内容。推荐模型集合可以包括根据用户属性信息推荐对象元素和/或场景元素的第一推荐模型集合、对象元素和/或场景元素被联合推荐的第二推荐模型集合、根据环境属性信息推荐对象元素和/或场景元素的第三推荐模型集合中的至少一项。在进一步的实现中，第一推荐模型集合可以是用户属性信息与对象元素的属性和/或场景元素的属性间兴趣关系的子模型的集合，其中可以包括至少一个用户属性信息与对象元素的属性和/或场景元素的属性间兴趣关系的子模型。第二推荐模型集合可以是对象元素的属性和/或场景元素的属性间兴趣关系的子模型的集合，其中可以包括至少一个对象元素的属性和/或场景元素的属性间兴趣关系的子模型。第三推荐模型集合可以是环境属性信息与对象元素的属性和/或场景元素的属性间兴趣关系的子模型的集合，其中可以包括至少一个环境属性信息与对象元素的属性和/或场景元素的属性间兴趣关系的子模型。上述兴趣关系可以通过兴趣度统计数据来表示。兴趣度统计数据的获取方式包括但不限于：经验设定、调查问卷统计以及在线购物网站数据统计。在一些实现中，合成子单元7022可以获取候选场景元素的放置索引、方向索引以及运动轨迹索引，根据索引将候选对象元素与候选场景元素融合，生成候选推荐内容，之后可以根据候选对象元素和候选场景元素间的关联性、不同候选场景元素间的关联性以及不同候选对象元素间的关联性对候选推荐内容筛选，最后将筛选出的候选推荐内容按照时间顺序串联起来，形成完整、流畅的推荐内容。在一些实施例中，内容推荐装置还可以包括呈现单元703。呈现单元703可以配置用于采用时分呈现或空分呈现的方式展示合成单元702所合成的推荐内容。其中时分呈现方式可以在安装有可移动光栅 的显示屏上呈现推荐内容，通过光栅变换角度，利用人眼的视觉暂留，在视觉暂留时间内切换对应于多个用户或用户组的推荐内容。空分呈现的方式可以在较大面积屏幕或曲面屏幕上呈现推荐内容，将屏幕分为多个子区域，在每一个用户或每一组用户所关注的子区域内展示对应的推荐内容。在进一步的实现中，还可以跟踪用户或用户组的实现焦点变化，实时地调整推荐内容的展示位置或角度。本申请上述实施例所提供的内容推荐装置，可以提供更有针对性的个性化内容，并且在推荐的内容中提供更多的信息，提升推荐内容展示位置的利用率和推荐内容的转化率。应当理解，内容推荐装置700中记载的诸单元参考图1-6描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征同样适用于内容推荐装置700及其中包含的单元，在此不再赘述。进一步参考图8，其示出了根据本申请一个实施例的内容推荐系统的结构示意图。内容推荐系统800至少可以包括处理器801和显示设备802。其中处理器801可以包括上述结合图7描述的内容推荐装置700。显示设备可以配置用于显示处理器所生成的推荐内容。可以理解，处理器可以是独立的处理单元，用于执行内容推荐方法。在一些实现中，内容推荐系统还可以包括诸如键盘、鼠标等的输入设备；诸如硬盘等的存储器，用于存储候选对象元素和候选场景元素；诸如LAN卡、调制解调器等的网络接口卡的通信单元，经由诸如因特网的网络执行通信处理；以及诸如磁盘、光盘、磁光盘、半导体存储器的可拆卸介质，以便于从其上读出的计算机程序根据需要被安装入存储器。作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入终端设备中的计算机可读存储介质。该计算机可读存储介质存储有一个或者一个以上程序，该程序可以包含用于执行流程图所示的方法的程序代码。附图中的流程图和框图，图示了按照本发明各种实施例的系统、装置、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，所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/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系统来实现，或者可以用专用硬件与计算机指令的组合来实现。以上描述仅为本申请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，本申请中所涉及的发明范围，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所述发明构思的情况下，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。例如上述特征与本申请中公开的(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。当前第1页1 2 3