图片推荐方法、装置、计算机设备及存储介质与流程

本发明涉及计算机技术领域，尤其涉及一种图片推荐方法、装置、计算机设备及存储介质。

背景技术：

在进行计算机编程项目的开发过程中，需将所输入的一张图片与图片库中的多张图片进行匹配，以获取图片库中与所输入的图片相似的目标图片。现有的图片匹配方法中，对图片的整体特征进行匹配会导致匹配误差率较大，而对图片中每一个像素进行匹配则会因巨大的计算量造成匹配耗时长。因而现有的图片匹配方法存在无法高效准确地匹配得到相似图片的问题。

技术实现要素：

本发明实施例提供了一种图片推荐方法、装置、计算机设备及存储介质，旨在解决现有技术中存在无法高效准确地匹配得到相似图片的问题。

第一方面，本发明实施例提供了一种图片推荐方法，其包括：

获取预先存储的多张候选图片，根据预设的图片分类规则对所述候选图片进行分类以得到多个候选图片集；

根据预设的特征匹配公式及所得到的多个候选图片集建立图片推荐模型；

通过预设的多组训练参数及预设的多张训练图片对所建立的图片推荐模型进行训练得到训练后的图片推荐模型；

若接收到用户所输入的待匹配图片，根据训练后的图片推荐模型对待匹配图片与多个候选图片集进行匹配，并计算得到相应候选图片的匹配概率；

对所得到的所有候选图片的匹配概率进行排序，根据预设的目标图片数量获取目标图片。

第二方面，本发明实施例提供了一种图片推荐装置，其包括：

图片分类单元，用于获取预先存储的多张候选图片，根据预设的图片分类规则对所述候选图片进行分类以得到多个候选图片集；

图片推荐模型构建单元，用于根据预设的特征匹配公式及所得到的多个候选图片集建立图片推荐模型；

图片推荐模型训练单元，用于通过预设的多组训练参数及预设的多张训练图片对所建立的图片推荐模型进行训练得到训练后的图片推荐模型；

匹配概率计算单元，用于若接收到用户所输入的待匹配图片，根据训练后的图片推荐模型对待匹配图片与多个候选图片集进行匹配，并计算得到相应候选图片的匹配概率；

目标图片获取单元，用于对所得到的所有候选图片的匹配概率进行排序，根据预设的目标图片数量获取目标图片。

第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的图片推荐方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的图片推荐方法。

本发明实施例提供了一种图片推荐方法、装置、计算机设备及存储介质。通过将候选图片分类至多个候选图片集，并根据候选图片集建立图片推荐模型，通过预设的训练参数及训练图片对图片推荐模型进行训练，并根据训练后的图片推荐模型匹配得到匹配概率最高的目标图片进行输出，能够高效地对用户所输入的图片进行精确匹配以得到相似图片，大幅降低了图片匹配过程中的误差，节省了匹配时间。

附图说明

为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明实施例提供的图片推荐方法的流程示意图；

图2为本发明实施例提供的图片推荐方法的另一流程示意图；

图3为本发明实施例提供的图片推荐方法的子流程示意图；

图4为本发明实施例提供的图片推荐方法的另一子流程示意图；

图5为本发明实施例提供的图片推荐方法的另一子流程示意图；

图6为本发明实施例提供的图片推荐装置的示意性框图；

图7为本发明实施例提供的图片推荐装置的另一示意性框图；

图8为本发明实施例提供的图片推荐装置的子单元示意性框图；

图9为本发明实施例提供的图片推荐装置的另一子单元示意性框图；

图10为本发明实施例提供的图片推荐装置的另一子单元示意性框图；

图11为本发明实施例提供的计算机设备的示意性框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

请参阅图1，图1是本发明实施例提供的图片推荐方法的流程示意图。该图片推荐方法应用于服务器端，该方法通过安装于服务器端中的应用软件进行执行，其中，服务器端即是用于执行图片推荐方法以推荐相似图片的企业终端。

如图1所示，该方法包括步骤s101～s105。

s101、获取预先存储的多张候选图片，根据预设的图片分类规则对所述候选图片进行分类以得到多个候选图片集。

服务器端预先存储有多张候选图片，根据预设的图片分类规则对所述候选图片进行分类以得到多个候选图片集。服务器端即是用于对图片推荐模型进行构建和使用的企业终端。根据预设的图片分类规则对所有候选图片进行分类处理，以得到多个候选图片集。图片分类规则即是用于对候选图片进行分类的规则信息，其中，图片分类规则包括特征提取公式、k-means聚类算法。

在一实施例中，如图2所示，步骤s101之前还包括步骤s101a。

s101a、根据预设的格式调整规则对预先存储的所有候选图片的格式进行调整以得到格式统一的候选图片。

由于预先存储的候选图片无法确保格式完全统一，在对候选图片进行分类之前，可根据预设的格式调整规则对预先存储的所有候选图片的格式进行统一调整。例如，可对所有候选图片的尺寸进行调整，以将所有候选图片的分辨率调整为200×200，即可得到格式统一的候选图片。

在一实施例中，如图3所示，步骤s101包括子步骤s1011、s1012和s1013。

s1011、根据预设的特征提取公式对所述候选图片进行特征提取以得到所有候选图片的特征变量。

根据预设的特征提取公式对所有候选图片的特征变量进行提取。其中，预设的特征提取公式基于卷积神经网络进行构建。预设的特征提取公式包括第一卷积计算公式、池化计算公式、第二卷积计算公式、第一全连接计算公式、第二全连接计算公式。通过特征提取公式即可提取得到所有候选图片的特征变量。候选图片的特征变量即是通过对图片进行特征提取之后所得到的用于反映图片特性的多维向量，计算机程序无法对不同的图片进行识别，但将多个图片转换为特征变量后，计算机程序通过对多个图片的特征变量进行分析即可对不同的图片进行识别。

具体的，若输入的候选图片的分辨率为200×200，根据第一卷积计算公式，以分辨率10*10作为窗口，步长为1，进行卷积操作，以得到大小为190×190的向量矩阵，也即是候选图片的浅层特征；根据池化计算公式，以分辨率10×10作为窗口，步长为10，进行降采样，以得到大小为18×18的向量矩阵，也即是候选图片的深层次特征；根据第二卷积计算公式，以分辨率2×2作为窗口，步长为2的进行卷积操作，以得到大小为9×9的向量矩阵。通过第一全连接计算公式，对所得到的9×9的向量矩阵进行计算，第一全连接公式中共包含五个节点，每一个节点均与9×9的向量矩阵相关联，也即是分别通过五个计算公式计算得到与9×9的向量矩阵相关联的五个节点的值，第一个计算公式可表示为c1＝w1×x1+b1，其中，c1为第一个节点的计算值，x1为该候选图片向量矩阵的值，w1和b1为第一节点与该向量矩阵向关联的第一计算公式中所预设的参数值，通过五个计算公式即可计算与该向量矩阵向关联的五个节点的值；通过第二全连接计算公式对五个节点的值进行计算以得到最终该候选图片的特征变量，计算公式为f1＝a1×c1+a2×c2+a3×c3+a4×c4+a5×c5；其中c1、c2、c3、c4、c5为与该候选图片的向量矩阵相关联的五个节点的值，a1、a2、a3、a4、a5为五个节点至最后输出节点的预设参数值，最后得到该候选图片的特征变量为一个1×128维的向量矩阵，可以采用f1＝(f1，f2……f128)来表示。

根据上述特征提取公式可对所有候选图片进行特征提取以得到所有候选图片的特征变量:f1、f2、f3……fn。

s1012、根据预设的k-means聚类算法对所述候选图片的特征变量进行聚类以得到包含质心的多个类群。

根据预设的k-means聚类算法对所述候选图片的特征变量进行聚类以包含多个类群的聚类结果。具体的，在k-means聚类算法中设置最终所需类群的数量k，根据k的数值对所有候选图片的特征变量进行聚类，得到k个类群中每一类群质心的特征变量值。例如，在k-means聚类算法中设置k＝5，则最终得到5个类群以及每一类群质心的特征变量值，质心即是该类群中的中心点，质心的特征变量值即是该类群特征变量的均值。

s1013、根据所得到的多个类群对所有候选图片进行分类以得到包含候选图片的多个候选图片集。

根据所得到的多个类群对所有候选图片进行分类，以得到包含候选图片的多个候选图片集。由于聚类之后的每一个类群都包含一个特征变量值作为该类群的质心，通过计算一个候选图片与所有质心之间的距离，即可得到与该候选图片距离最近的一个质心，并将该候选图片分类至该质心所对应的类群中。根据上述方法将所有候选图片进行分类之后，即可得到包含相应候选图片的多个候选图片集。

s102、根据预设的特征匹配公式及所得到的多个候选图片集建立图片推荐模型。

根据预设的特征匹配公式及所得到的多个候选图片集建立图片推荐模型。为实现对用户所输入的图片进行识别，并对用户所输入图片与候选图片的匹配概率进行计算，需通过预设的特征匹配公式及所得到的多个候选图片集建立图片推荐模型。具体的，所述预设的特征匹配公式为s＝1/(((f1-t1)²+(f2-t2)²+……+(fn-tn)²)^-1+1)，其中，f1、f2……fn为某一张候选图片的特征变量值，t1、t2……tn为用户所输入图片的特征变量值，由于候选图片的特征变量为一个1×128维的向量矩阵，则上式中n＝128。

s103、通过预设的多组训练参数及预设的多张训练图片对所建立的图片推荐模型进行训练得到训练后的图片推荐模型。

通过预设的多组训练参数，以及预设的多张训练照片对所建立的图片推荐模型进行训练，以得到训练后的图片推荐模型。具体的，每一组训练参数中均包括学习率、训练次数以及训练终止条件，学习率即是对图片推荐模型的特征提取公式中参数进行调整的幅度及调整的方向，训练次数即是对图片推荐模型进行最大训练的次数，训练终止条件即是对图片推荐模型的训练进行终止的条件信息，若达到训练终止条件或达到预设的训练次数，则终止对图片推荐模型的训练。

例如，预设的一组训练参数中，学习率为调整幅度2％、调整方向为放大调整，训练次数为15次，训练终止条件为前后两次训练所得到的匹配概率之差小于3％。

在一实施例中，如图4所示，步骤s103包括子步骤s1031、s1032和s1033。

s1031、根据所述特征提取公式对多张训练图片进行特征提取以得到所有训练图片的特征变量。

根据预设的特征提取公式对多种训练图片进行特征提取以得到所有训练图片的特征变量。在对图片推荐模型进行训练的过程中，将所有训练图片及候选图片集中所有候选图片作为模型训练图片，所有训练图片均作为模型训练图片中的正样本，候选图片集中的图片均作为模型训练图片中的负样本。

s1032、获取预设的一组训练参数及所有训练图片的特征变量对所建立的图片推荐模型进行多次训练，将最后一次训练中训练图片的准确率作为该组训练参数的模型准确率。

获取预设的一组训练参数及所有训练图片的特征变量对所建立的图片推荐模型进行多次训练，将最后一次训练中训练图片的准确率作为该组训练参数的模型准确率。具体的，获取预设的一组训练参数对图片推荐模型中特征提取公式中参数进行调整，根据调整后的特征提取公式对所有训练图片的特征变量进行再次提取。通过图片推荐模型中预设的特征匹配公式对某一张训练图片与所有模型训练图片的匹配概率进行计算，选择与该训练图片匹配概率最高的模型训练图片作为训练目标图片，对匹配得到的训练目标图片是否为该训练图片本身进行判断，若匹配得到的训练目标图片为该训练图片本身，则该训练图片的匹配结果为匹配成功；若匹配得到的训练目标图片不为该训练图片本身，则该训练图片的匹配结果为匹配失败，统计所有训练图片的匹配结果，匹配结果中训练图片匹配成功的概率即为本次训练中训练图片的准确率。其中，模型训练图片包括所有训练图片及候选图片集中所有的候选图片。

例如，预设的训练图片为100张，通过图片推荐模型将所有训练图片与所有模型训练图片进行匹配，100张训练图片中匹配到其自身的为78张，22张训练图片未匹配到其自身，则本次训练中训练图片的准确率为78％。

根据第一次训练所得到的训练图片的准确率及该组训练参数对图片推荐模型中特征提取公式的参数进行再次调整，并根据调整后的图片推荐模型再次对所有训练图片与与所有模型训练图片进行匹配，反复执行上述训练过程，直到达到训练终止条件或达到预设的训练次数，则终止对图片推荐模型的训练，得到最后一次训练过程中训练图片的准确率作为该组训练参数的模型准确率。

通过上述方法将所预设的多组训练参数依次输入对图片推荐模型进行训练，得到所有训练参数的模型准确率。

s1033、根据所得到的多组训练参数的模型准确率选择最优的一组训练参数对图片推荐模型中特征提取公式的参数进行设置以得到训练后的图片推荐模型。

根据所得到的多组训练参数的模型准确率选择最优的一组训练参数，也即是选择模型准确率最高的一组训练参数，对图片推荐模型中特征提取公式的参数进行设置，即可得到训练后的图片推荐模型。具体的，选择模型准确率最高的一组训练参数，将该组训练参数在对图片推荐模型进行训练时最后一次训练过程中所得到的特征提取公式的参数，作为训练后图片推荐模型中特征提取公式的参数进行设置。

s104、若接收到用户所输入的待匹配图片，根据训练后的图片推荐模型对待匹配图片与多个候选图片集进行匹配，并计算得到相应候选图片的匹配概率。

若收到用户所输入的待匹配图片，根据训练后的图片推荐模型对待匹配图片与多个候选图片集中进行匹配，并通过特征匹配公式计算得到相应候选图片的匹配概率。

在一实施例中，如图5所示，步骤s104包括子步骤s1041、s1042、s1043和s1044。

s1041、根据所述特征提取公式对待匹配图片进行特征提取以得到待匹配图片的特征变量。

具体的，根据训练后图片推荐模型的特征提取公式对待匹配图片进行特征提取，以得到待匹配图片的特征变量。

s1042、根据待匹配图片的特征变量与多个候选图片集中质心的特征变量值进行计算以得到目标候选图片集。

根据待匹配图片的特征变量与多个候选图片集中质心的特征变量值进行计算以得到目标候选图片集。每一个候选图片集对应一个具体的类群，每一个类群均包含一个质心，具体的，将待匹配图片的特征变量与每一候选图片集中质心的特征变量值之间的距离进行计算，根据计算结果获取所有质心中最接近该待匹配图片的质心所对应的候选图片集作为目标候选图片集。

s1043、根据特征提取公式对目标候选图片集中的候选图片进行特征提取以得到该目标候选图片集中候选图片的特征变量。

根据训练后图片推荐模型的特征提取公式对目标候选图片集中的候选图片进行特征提取以得到该目标候选图片集中所有候选图片的特征变量。

s1044、根据所述特征匹配公式对目标候选图片集中候选图片与待匹配图片的匹配概率进行计算以得到所有候选图片的匹配概率。

根据所述特征匹配公式对目标候选图片集中所有候选图片的特征变量与待匹配图片的特征变量的匹配概率进行计算，以得到该候选图片集中所有候选图片的匹配概率。

s105、对所得到的所有候选图片的匹配概率进行排序，根据预设的目标图片数量获取目标图片。

对所得到的所有候选图片的匹配概率进行排序，根据预设的目标图片数量获取得到目标图片以向用户进行推荐。预设的目标图片数量为用户所预设的对目标图片进行获取的数量信息，根据目标候选图片集中所有候选图片的匹配概率进行排序，并根据用户所预设的目标图片数量获取目标图片。例如，用户所预设的目标图片数量为10张，则根据目标候选图片集中候选图片匹配概率的排序结果，选择所有候选图片中匹配概率最高的10张候选图片作为目标图片进行输出。具体的，在对目标图片进行输出的过程中还可输出目标图片的基本信息，目标图片的基本信息中包含了目标图片发布的时间、获取目标图片的网址、目标图片的名称以及目标图片的标签信息等。

通过将候选图片分类至多个候选图片集，并根据候选图片集建立图片推荐模型，通过预设的训练参数及训练图片对图片推荐模型进行训练，并根据训练后的图片推荐模型匹配得到匹配概率最高的目标图片进行输出，能够高效地对用户所输入的图片进行精确匹配以得到相似图片，大幅降低了图片匹配过程中的误差，节省了匹配时间。

本发明实施例还提供一种图片推荐装置，该图片推荐装置用于执行前述图片推荐方法的任一实施例。具体地，请参阅图6，图6是本发明实施例提供的图片推荐装置的示意性框图。该图片推荐装置100可以配置于管理服务器中。

如图6所示，图片推荐装置100包括图片分类单元101、图片推荐模型构建单元102、图片推荐模型训练单元103、匹配概率计算单元104和目标图片获取单元105。

图片分类单元101，用于获取预先存储的多张候选图片，根据预设的图片分类规则对所述候选图片进行分类以得到多个候选图片集。

服务器端预先存储有多张候选图片，根据预设的图片分类规则对所述候选图片进行分类以得到多个候选图片集。服务器端即是用于对图片推荐模型进行构建和使用的企业终端。根据预设的图片分类规则对所有候选图片进行分类处理，以得到多个候选图片集。图片分类规则即是用于对候选图片进行分类的规则信息，其中，图片分类规则包括特征提取公式、k-means聚类算法。

其他发明实施例中，如图7所示，所述，图片推荐装置100还包括子单元：候选图片格式调整单元101a。

候选图片格式调整单元101a，用于根据预设的格式调整规则对预先存储的所有候选图片的格式进行调整以得到格式统一的候选图片。

由于预先存储的候选图片无法确保格式完全统一，在对候选图片进行分类之前，可根据预设的格式调整规则对预先存储的所有候选图片的格式进行统一调整。

其他发明实施例中，如图8所示，所述图片分类单元101包括子单元：候选图片特征变量提取单元1011、聚类单元1012和候选图片分类单元1013。

候选图片特征变量提取单元1011，用于根据预设的特征提取公式对所述候选图片进行特征提取以得到所有候选图片的特征变量。

根据预设的特征提取公式对所有候选图片的特征变量进行提取。其中，预设的特征提取公式基于卷积神经网络进行构建。预设的特征提取公式包括第一卷积计算公式、池化计算公式、第二卷积计算公式、第一全连接计算公式、第二全连接计算公式。通过特征提取公式即可提取得到所有候选图片的特征变量。候选图片的特征变量即是通过对图片进行特征提取之后所得到的用于反映图片特性的多维向量，计算机程序无法对不同的图片进行识别，但将多个图片转换为特征变量后，计算机程序通过对多个图片的特征变量进行分析即可对不同的图片进行识别。

具体的，若输入的候选图片的分辨率为200×200，根据第一卷积计算公式，以分辨率10*10作为窗口，步长为1，进行卷积操作，以得到大小为190×190的向量矩阵，也即是候选图片的浅层特征；根据池化计算公式，以分辨率10×10作为窗口，步长为10，进行降采样，以得到大小为18×18的向量矩阵，也即是候选图片的深层次特征；根据第二卷积计算公式，以分辨率2×2作为窗口，步长为2的进行卷积操作，以得到大小为9×9的向量矩阵。通过第一全连接计算公式，对所得到的9×9的向量矩阵进行计算，第一全连接公式中共包含五个节点，每一个节点均与9×9的向量矩阵相关联，也即是分别通过五个计算公式计算得到与9×9的向量矩阵相关联的五个节点的值，第一个计算公式可表示为c1＝w1×x1+b1，其中，c1为第一个节点的计算值，x1为该候选图片向量矩阵的值，w1和b1为第一节点与该向量矩阵向关联的第一计算公式中所预设的参数值，通过五个计算公式即可计算与该向量矩阵向关联的五个节点的值；通过第二全连接计算公式对五个节点的值进行计算以得到最终该候选图片的特征变量，计算公式为f1＝a1×c1+a2×c2+a3×c3+a4×c4+a5×c5；其中c1、c2、c3、c4、c5为与该候选图片的向量矩阵相关联的五个节点的值，a1、a2、a3、a4、a5为五个节点至最后输出节点的预设参数值，最后得到该候选图片的特征变量为一个1×128维的向量矩阵，可以采用f1＝(f1，f2……f128)来表示。

根据上述特征提取公式可对所有候选图片进行特征提取以得到所有候选图片的特征变量:f1、f2、f3……fn。

聚类单元1012，用于根据预设的k-means聚类算法对所述候选图片的特征变量进行聚类以得到包含质心的多个类群。

根据预设的k-means聚类算法对所述候选图片的特征变量进行聚类以包含多个类群的聚类结果。具体的，在k-means聚类算法中设置最终所需类群的数量k，根据k的数值对所有候选图片的特征变量进行聚类，得到k个类群中每一类群质心的特征变量值。质心即是该类群中的中心点，质心的特征变量值即是该类群特征变量的均值。

候选图片分类单元1013，用于根据所得到的多个类群对所有候选图片进行分类以得到包含候选图片的多个候选图片集。

根据所得到的多个类群对所有候选图片进行分类，以得到包含候选图片的多个候选图片集。由于聚类之后的每一个类群都包含一个特征变量值作为该类群的质心，通过计算一个候选图片与所有质心之间的距离，即可得到与该候选图片距离最近的一个质心，并将该候选图片分类至该质心所对应的类群中。根据上述方法将所有候选图片进行分类之后，即可得到包含相应候选图片的多个候选图片集。

图片推荐模型构建单元102，用于根据预设的特征匹配公式及所得到的多个候选图片集建立图片推荐模型。

根据预设的特征匹配公式及所得到的多个候选图片集建立图片推荐模型。为实现对用户所输入的图片进行识别，并对用户所输入图片与候选图片的匹配概率进行计算，需通过预设的特征匹配公式及所得到的多个候选图片集建立图片推荐模型。具体的，所述预设的特征匹配公式为s＝1/(((f1-t1)2+(f2-t2)2+……+(fn-tn)2)-1+1)，其中，f1、f2……fn为某一张候选图片的特征变量值，t1、t2……tn为用户所输入图片的特征变量值，由于候选图片的特征变量为一个1×128维的向量矩阵，则上式中n＝128。

图片推荐模型训练单元103，用于通过预设的多组训练参数及预设的多张训练图片对所建立的图片推荐模型进行训练得到训练后的图片推荐模型。

通过预设的多组训练参数，以及预设的多张训练照片对所建立的图片推荐模型进行训练，以得到训练后的图片推荐模型。具体的，每一组训练参数中均包括学习率、训练次数以及训练终止条件，学习率即是对图片推荐模型的特征提取公式中参数进行调整的幅度及调整的方向，训练次数即是对图片推荐模型进行最大训练的次数，训练终止条件即是对图片推荐模型的训练进行终止的条件信息，若达到训练终止条件或达到预设的训练次数，则终止对图片推荐模型的训练。

其他发明实施例中，如图9所示，所述图片推荐模型训练单元103包括子单元：训练图片特征变量提取单元1031、模型准确率获取单元1032和参数设置单元1033。

训练图片特征变量提取单元1031，用于根据所述特征提取公式对多张训练图片进行特征提取以得到所有训练图片的特征变量。

根据预设的特征提取公式对多种训练图片进行特征提取以得到所有训练图片的特征变量。在对图片推荐模型进行训练的过程中，将所有训练图片及候选图片集中所有候选图片作为模型训练图片，所有训练图片均作为模型训练图片中的正样本，候选图片集中的图片均作为模型训练图片中的负样本。

模型准确率获取单元1032，用于获取预设的一组训练参数及所有训练图片的特征变量对所建立的图片推荐模型进行多次训练，将最后一次训练中训练图片的准确率作为该组训练参数的模型准确率。

获取预设的一组训练参数及所有训练图片的特征变量对所建立的图片推荐模型进行多次训练，将最后一次训练中训练图片的准确率作为该组训练参数的模型准确率。具体的，获取预设的一组训练参数对图片推荐模型中特征提取公式中参数进行调整，根据调整后的特征提取公式对所有训练图片的特征变量进行再次提取。通过图片推荐模型中预设的特征匹配公式对某一张训练图片与所有模型训练图片的匹配概率进行计算，选择与该训练图片匹配概率最高的模型训练图片作为训练目标图片，对匹配得到的训练目标图片是否为该训练图片本身进行判断，若匹配得到的训练目标图片为该训练图片本身，则该训练图片的匹配结果为匹配成功；若匹配得到的训练目标图片不为该训练图片本身，则该训练图片的匹配结果为匹配失败，统计所有训练图片的匹配结果，匹配结果中训练图片匹配成功的概率即为本次训练中训练图片的准确率。其中，模型训练图片包括所有训练图片及候选图片集中所有的候选图片。

根据第一次训练所得到的训练图片的准确率及该组训练参数对图片推荐模型中特征提取公式的参数进行再次调整，并根据调整后的图片推荐模型再次对所有训练图片与与所有模型训练图片进行匹配，反复执行上述训练过程，直到达到训练终止条件或达到预设的训练次数，则终止对图片推荐模型的训练，得到最后一次训练过程中训练图片的准确率作为该组训练参数的模型准确率。

通过上述方法将所预设的多组训练参数依次输入对图片推荐模型进行训练，得到所有训练参数的模型准确率。

参数设置单元1033，用于根据所得到的多组训练参数的模型准确率选择最优的一组训练参数对图片推荐模型中特征提取公式的参数进行设置以得到训练后的图片推荐模型。

根据所得到的多组训练参数的模型准确率选择最优的一组训练参数，也即是选择模型准确率最高的一组训练参数，对图片推荐模型中特征提取公式的参数进行设置，即可得到训练后的图片推荐模型。具体的，选择模型准确率最高的一组训练参数，将该组训练参数在对图片推荐模型进行训练时最后一次训练过程中所得到的特征提取公式的参数，作为训练后图片推荐模型中特征提取公式的参数进行设置。

匹配概率计算单元104，用于若接收到用户所输入的待匹配图片，根据训练后的图片推荐模型对待匹配图片与多个候选图片集进行匹配，并计算得到相应候选图片的匹配概率。

若收到用户所输入的待匹配图片，根据训练后的图片推荐模型对待匹配图片与多个候选图片集中进行匹配，并通过特征匹配公式计算得到相应候选图片的匹配概率。

其他发明实施例中，如图10所示，所述匹配概率计算单元104包括子单元：待匹配图片特征提取单元1041、候选图片集获取单元1042、特征变量提取单元1043和候选图片匹配概率计算单元1044。

待匹配图片特征提取单元1041，用于根据所述特征提取公式对待匹配图片进行特征提取以得到待匹配图片的特征变量。

具体的，根据训练后图片推荐模型的特征提取公式对待匹配图片进行特征提取，以得到待匹配图片的特征变量。

候选图片集获取单元1042，用于根据待匹配图片的特征变量与多个候选图片集中质心的特征变量值进行计算以得到目标候选图片集。

根据待匹配图片的特征变量与多个候选图片集中质心的特征变量值进行计算以得到目标候选图片集。每一个候选图片集对应一个具体的类群，每一个类群均包含一个质心，具体的，将待匹配图片的特征变量与每一候选图片集中质心的特征变量值之间的距离进行计算，根据计算结果获取所有质心中最接近该待匹配图片的质心所对应的候选图片集作为目标候选图片集。

特征变量提取单元1043，用于根据特征提取公式对目标候选图片集中的候选图片进行特征提取以得到该目标候选图片集中候选图片的特征变量。

根据训练后图片推荐模型的特征提取公式对目标候选图片集中的候选图片进行特征提取以得到该目标候选图片集中所有候选图片的特征变量。

候选图片匹配概率计算单元1044，用于根据所述特征匹配公式对目标候选图片集中候选图片与待匹配图片的匹配概率进行计算以得到所有候选图片的匹配概率。

根据所述特征匹配公式对目标候选图片集中所有候选图片的特征变量与待匹配图片的特征变量的匹配概率进行计算，以得到该候选图片集中所有候选图片的匹配概率。

目标图片获取单元105，用于对所得到的所有候选图片的匹配概率进行排序，根据预设的目标图片数量获取目标图片。

对所得到的所有候选图片的匹配概率进行排序，根据预设的目标图片数量获取得到目标图片以向用户进行推荐。预设的目标图片数量为用户所预设的对目标图片进行获取的数量信息，根据目标候选图片集中所有候选图片的匹配概率进行排序，并根据用户所预设的目标图片数量获取目标图片。具体的，在对目标图片进行输出的过程中还可输出目标图片的基本信息，目标图片的基本信息中包含了目标图片发布的时间、获取目标图片的网址、目标图片的名称以及目标图片的标签信息等。

通过将候选图片分类至多个候选图片集，并根据候选图片集建立图片推荐模型，通过预设的训练参数及训练图片对图片推荐模型进行训练，并根据训练后的图片推荐模型匹配得到匹配概率最高的目标图片进行输出，能够高效地对用户所输入的图片进行精确匹配以得到相似图片，大幅降低了图片匹配过程中的误差，节省了匹配时间。

上述图片推荐装置可以实现为计算机程序的形式，该计算机程序可以在如图11所示的计算机设备上运行。

请参阅图11，图11是本发明实施例提供的计算机设备的示意性框图。

参阅图11，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。

该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行图片推荐方法。

该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。

该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行图片推荐方法。

该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图11中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下功能：获取预先存储的多张候选图片，根据预设的图片分类规则对所述候选图片进行分类以得到多个候选图片集；根据预设的特征匹配公式及所得到的多个候选图片集建立图片推荐模型；通过预设的多组训练参数及预设的多张训练图片对所建立的图片推荐模型进行训练得到训练后的图片推荐模型；若接收到用户所输入的待匹配图片，根据训练后的图片推荐模型对待匹配图片与多个候选图片集进行匹配，并计算得到相应候选图片的匹配概率；对所得到的所有候选图片的匹配概率进行排序，根据预设的目标图片数量获取目标图片。

在一实施例中，处理器502在执行获取预先存储的多张候选图片，根据预设的图片分类规则对所述候选图片进行分类以得到多个候选图片集的步骤时，执行如下操作：根据预设的特征提取公式对所述候选图片进行特征提取以得到所有候选图片的特征变量；根据预设的k-means聚类算法对所述候选图片的特征变量进行聚类以得到包含质心的多个类群；根据所得到的多个类群对所有候选图片进行分类以得到包含候选图片的多个候选图片集。

在一实施例中，处理器502在执行通过预设的多组训练参数及预设的多张训练图片对所建立的图片推荐模型进行训练得到训练后的图片推荐模型的步骤时，执行如下操作：根据所述特征提取公式对多张训练图片进行特征提取以得到所有训练图片的特征变量；获取预设的一组训练参数及所有训练图片的特征变量对所建立的图片推荐模型进行多次训练，将最后一次训练中训练图片的准确率作为该组训练参数的模型准确率；根据所得到的多组训练参数的模型准确率选择最优的一组训练参数对图片推荐模型中特征提取公式的参数进行设置以得到训练后的图片推荐模型。

在一实施例中，处理器502在执行若接收到用户所输入的待匹配图片，根据训练后的图片推荐模型对待匹配图片与多个候选图片集进行匹配，并计算得到相应候选图片的匹配概率的步骤时，执行如下操作：根据所述特征提取公式对待匹配图片进行特征提取以得到待匹配图片的特征变量；根据待匹配图片的特征变量与多个候选图片集中质心的特征变量值进行计算以得到目标候选图片集；根据特征提取公式对目标候选图片集中的候选图片进行特征提取以得到该目标候选图片集中候选图片的特征变量；根据所述特征匹配公式对目标候选图片集中候选图片与待匹配图片的匹配概率进行计算以得到所有候选图片的匹配概率。

在一实施例中，处理器502在执行获取预先存储的多张候选图片，根据预设的图片分类规则对所述候选图片进行分类以得到多个候选图片集的步骤之前，还执行如下操作：根据预设的格式调整规则对预先存储的所有候选图片的格式进行调整以得到格式统一的候选图片。

本领域技术人员可以理解，图11中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图11所示实施例一致，在此不再赘述。

应当理解，在本发明实施例中，处理器502可以是中央处理单元(centralprocessingunit，cpu)，该处理器502还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现以下步骤：获取预先存储的多张候选图片，根据预设的图片分类规则对所述候选图片进行分类以得到多个候选图片集；根据预设的特征匹配公式及所得到的多个候选图片集建立图片推荐模型；通过预设的多组训练参数及预设的多张训练图片对所建立的图片推荐模型进行训练得到训练后的图片推荐模型；若接收到用户所输入的待匹配图片，根据训练后的图片推荐模型对待匹配图片与多个候选图片集进行匹配，并计算得到相应候选图片的匹配概率；对所得到的所有候选图片的匹配概率进行排序，根据预设的目标图片数量获取目标图片。

在一实施例中，所述获取预先存储的多张候选图片，根据预设的图片分类规则对所述候选图片进行分类以得到多个候选图片集的步骤，包括：根据预设的特征提取公式对所述候选图片进行特征提取以得到所有候选图片的特征变量；根据预设的k-means聚类算法对所述候选图片的特征变量进行聚类以得到包含质心的多个类群；根据所得到的多个类群对所有候选图片进行分类以得到包含候选图片的多个候选图片集。

在一实施例中，所述通过预设的多组训练参数及预设的多张训练图片对所建立的图片推荐模型进行训练得到训练后的图片推荐模型的步骤，包括：根据所述特征提取公式对多张训练图片进行特征提取以得到所有训练图片的特征变量；获取预设的一组训练参数及所有训练图片的特征变量对所建立的图片推荐模型进行多次训练，将最后一次训练中训练图片的准确率作为该组训练参数的模型准确率；根据所得到的多组训练参数的模型准确率选择最优的一组训练参数对图片推荐模型中特征提取公式的参数进行设置以得到训练后的图片推荐模型。

在一实施例中，所述若接收到用户所输入的待匹配图片，根据训练后的图片推荐模型对待匹配图片与多个候选图片集进行匹配，并计算得到相应候选图片的匹配概率的步骤，包括：根据所述特征提取公式对待匹配图片进行特征提取以得到待匹配图片的特征变量；根据待匹配图片的特征变量与多个候选图片集中质心的特征变量值进行计算以得到目标候选图片集；根据特征提取公式对目标候选图片集中的候选图片进行特征提取以得到该目标候选图片集中候选图片的特征变量；根据所述特征匹配公式对目标候选图片集中候选图片与待匹配图片的匹配概率进行计算以得到所有候选图片的匹配概率。

在一实施例中，所述获取预先存储的多张候选图片，根据预设的图片分类规则对所述候选图片进行分类以得到多个候选图片集的步骤之前，还包括：根据预设的格式调整规则对预先存储的所有候选图片的格式进行调整以得到格式统一的候选图片。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、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。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，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，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，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接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

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发明实施例方案的目的。

另外，在本发明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，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元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，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或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)执行本发明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(rom，read-onlymemory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。