喜好内容的确定方法、装置和存储介质与流程

本发明涉及多媒体通信技术，尤其涉及一种喜好内容的确定方法、装置和计算机可读存储介质。

背景技术：

在互联网业务运营中，为了实现面向用户的精准运营，需要对用户的喜好内容进行判定。目前对用户喜好的判定一般是根据评论、打分、点击率等确定，这种方法的确定太过笼统，无法更准确的确定用户的喜好程度。

技术实现要素：

有鉴于此，本发明的主要目的在于提供一种喜好内容的确定方法、装置和计算机可读存储介质。

为达到上述目的，本发明的技术方案是这样实现的：

本发明实施例提供了一种喜好内容的确定方法，所述方法包括：

确定针对目标内容的肢体语言信号集；所述肢体语言信号集包括一个或多个肢体语言信号子集，每个所述肢体语言信号子集包括至少一种肢体语言及所述至少一种肢体语言中各肢体语言对应的肢体语言信号；

运用预设的判定模型识别所述肢体语言信号集，确定针对所述目标内容的识别结果；所述识别结果表征针对所述目标内容的喜好程度；

确定所述识别结果超过预设阈值时，确定所述识别结果对应的目标内容为喜好内容。

上述方案中，所述确定针对目标内容的肢体语言信号集，包括：确定各肢体语言对应的肢体语言信号；

所述确定各肢体语言对应的肢体语言信号，包括：

确定获取目标内容前第一预设时间段内的第一信号、获取目标内容期间的第二信号、以及获取目标内容后第二预设时间段内的第三信号；

根据所述第一信号、所述第二信号和所述第三信号确定所述肢体语言对应的肢体语言信号。

上述方案中，所述方法还包括：生成所述判定模型；

所述生成判定模型，包括：

获取预设个数的训练肢体语言信号子集；

根据所述预设个数的训练肢体语言信号子集，获得各肢体语言对应的预设个数的训练语言信号；

确定所述训练语言信号中的第一训练信号、第二训练信号和第三训练信号，根据所述第一训练信号、第二训练信号和第三训练信号确定所述训练语言信号对应的训练参考值；确定所述预设个数的训练语言信号对应的训练参考值中的最大值和最小值，根据所述最大值和所述最小值确定判定参数；

根据各肢体语言对应的所述判定参数生成所述判定模型。

上述方案中，所述肢体语言，包括以下至少一个：心跳、表情、血压；

所述运用预设的判定模型识别所述肢体语言信号集，确定针对所述目标内容的识别结果，包括：

运用所述判定模型识别所述肢体语言信号集中每个肢体语言信号子集对应的喜好值；

确定每个肢体语言信号子集对应的喜好值之和作为所述识别结果。

上述方案中，所述运用所述判定模型识别所述肢体语言信号集中每个肢体语言信号子集对应的喜好值，包括：

对所述肢体语言信号集进行分类，确定每个肢体语言信号子集中所述至少一种肢体语言中各肢体语言对应的肢体语言信号；

运用所述判定模型依次识别每个肢体语言信号子集中所述至少一种肢体语言中各肢体语言对应的肢体语言信号，确定每个肢体语言信号子集对应的喜好值。

本发明实施例提供了一种喜好内容的确定装置，所述装置包括：第一处理模块、第二处理模块和第三处理模块；其中，

所述第一处理模块，用于确定针对目标内容的肢体语言信号集；所述肢体语言信号集包括一个或多个肢体语言信号子集，每个所述肢体语言信号子集包括至少一种肢体语言及所述至少一种肢体语言中各肢体语言对应的肢体语言信号；

所述第二处理模块，用于运用预设的判定模型识别所述肢体语言信号集，确定针对所述目标内容的识别结果；所述识别结果表征针对所述目标内容的喜好程度；

所述第三处理模块，用于确定所述识别结果超过预设阈值时，确定所述识别结果对应的目标内容为喜好内容。

上述方案中，所述第一处理模块，具体用于确定各肢体语言对应的肢体语言信号；所述确定各肢体语言对应的肢体语言信号，包括：确定获取目标内容前第一预设时间段内的第一信号、获取目标内容期间的第二信号、以及获取目标内容后第二预设时间段内的第三信号；根据所述第一信号、所述第二信号和所述第三信号确定所述肢体语言对应的肢体语言信号。

上述方案中，所述装置还包括：预处理模块，用于生成所述判定模型；

所述预处理模块，具体用于获取预设个数的训练肢体语言信号子集；

根据所述预设个数的训练肢体语言信号子集，获得各肢体语言对应的预设个数的训练语言信号；

确定所述训练语言信号中的第一训练信号、第二训练信号和第三训练信号，根据所述第一训练信号、第二训练信号和第三训练信号确定所述训练语言信号对应的训练参考值；确定所述预设个数的训练语言信号对应的训练参考值中的最大值和最小值，根据所述最大值和所述最小值确定判定参数；

根据各肢体语言对应的所述判定参数生成所述判定模型。

上述方案中，所述肢体语言，包括以下至少一个：心跳、表情、血压；

所述第二处理模块，具体用于运用所述判定模型识别所述肢体语言信号集中每个肢体语言信号子集对应的喜好值；

确定每个肢体语言信号子集对应的喜好值之和作为所述识别结果。

上述方案中，所述第二处理模块，具体用于对所述肢体语言信号集进行分类，确定每个肢体语言信号子集中所述至少一种肢体语言中各肢体语言对应的肢体语言信号；

运用所述判定模型依次识别每个肢体语言信号子集中所述至少一种肢体语言中各肢体语言对应的肢体语言信号，确定每个肢体语言信号子集对应的喜好值。

本发明实施例提供了一种喜好内容的确定装置，所述装置包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，

所述处理器用于运行所述计算机程序时，执行以上所述的任意一种喜好内容的确定方法的步骤。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以上所述的任意一种喜好内容的确定方法的步骤。

本发明实施例所提供的喜好内容的确定方法、装置和计算机可读存储介质，确定针对目标内容的肢体语言信号集；所述肢体语言信号集包括一个或多个肢体语言信号子集，每个所述肢体语言信号子集包括至少一种肢体语言及所述至少一种肢体语言中各肢体语言对应的肢体语言信号；运用预设的判定模型识别所述肢体语言信号集，确定针对所述目标内容的识别结果；所述识别结果表征针对所述目标内容的喜好程度；确定所述识别结果超过预设阈值时，确定所述识别结果对应的目标内容为喜好内容。本发明实施例中，通过对用户在获取目标内容使用阶段的心跳、血压、表情等肢体语言变化的挖掘，判定用户对内容的喜好程度，提高判定的准确性。

附图说明

图1为本发明实施例提供的一种喜好内容的确定方法的流程示意图；

图2为本发明实施例提供的另一种喜好内容的确定方法的流程示意图；

图3为本发明实施例提供的一种喜好内容的确定装置的结构示意图；

图4为本发明实施例提供的另一种喜好内容的确定装置的结构示意图。

具体实施方式

在本发明的各种实施例中，确定针对目标内容的肢体语言信号集；所述肢体语言信号集包括一个或多个肢体语言信号子集，每个所述肢体语言信号子集包括至少一种肢体语言及所述至少一种肢体语言中各肢体语言对应的肢体语言信号；运用预设的判定模型识别所述肢体语言信号集，确定针对所述目标内容的识别结果；所述识别结果表征针对所述目标内容的喜好程度；确定所述识别结果超过预设阈值时，确定所述识别结果对应的目标内容为喜好内容。

下面结合实施例对本发明再作进一步详细的说明。

图1为本发明实施例提供的一种喜好内容的确定方法的流程示意图；所述方法可以应用于手机、平板电脑等移动终端，或者应用于与所述移动终端连接的服务器中，如图1所示，所述方法包括：

步骤101、确定针对目标内容的肢体语言信号集；所述肢体语言信号集包括一个或多个肢体语言信号子集，每个所述肢体语言信号子集包括至少一种肢体语言及所述至少一种肢体语言中各肢体语言对应的肢体语言信号。

具体地，所述确定针对目标内容的肢体语言信号集，包括：确定各肢体语言对应的肢体语言信号；

以及，根据所述各肢体语言对应的肢体语言信号确定肢体语言信号子集；根据一个或多个所述肢体语言信号子集确定所述肢体语言信号集。

所述肢体语言信号子集，包括：至少一种肢体语言及所述至少一种肢体语言中各肢体语言对应的肢体语言信号。需要说明的是，一个肢体语言信号子集中各肢体语言对应的肢体语言信号需要同时采集，即同一时间段内采集的各肢体语言分别对应的一个肢体语言信号才可放入一个肢体语言信号子集中。

这里，所述肢体语言信号子集中各肢体语言对应一个肢体语言信号，一个肢体语言信号包括：获取目标内容前第一预设时间段内的第一信号、获取目标内容期间的第二信号、以及获取目标内容后第二预设时间段内的第三信号。

具体来说，所述确定各肢体语言对应的肢体语言信号，包括：

确定获取目标内容前第一预设时间段内的第一信号、获取目标内容期间的第二信号、以及获取目标内容后第二预设时间段内的第三信号；

根据所述第一信号、所述第二信号和所述第三信号确定所述肢体语言对应的肢体语言信号。

这里，以上每个预设时间段内的信号可以取该预设时间段内的信号的平均值；例如所述第一信号，可以取获取目标内容前第一预设时间段内的信号的平均值。所述第二信号，可以取获取目标内容期间的信号的平均值。所述第三信号，可以取获取目标内容后第二预设时间段内的信号的平均值。

所述肢体语言，包括但不限于：心跳、表情、血压等。

所述第一预设时间段、所述第二预设时间段可以由开发人员预先设定；例如：所述第一预设时间段可以为1分钟、2分钟等，所述第二预设时间段可以为1分钟、2分钟等。

步骤102、运用预设的判定模型识别所述肢体语言信号集，确定针对所述目标内容的识别结果；所述识别结果表征针对所述目标内容的喜好程度。

具体地，所述运用预设的判定模型识别所述肢体语言信号集，确定针对所述目标内容的识别结果，包括：

运用所述判定模型识别所述肢体语言信号集中每个肢体语言信号子集对应的喜好值；

确定每个肢体语言信号子集对应的喜好值之和作为所述识别结果。

具体地，所述运用所述判定模型识别所述肢体语言信号集中每个肢体语言信号子集对应的喜好值，包括：

对所述肢体语言信号集进行分类，确定每个肢体语言信号子集中所述至少一种肢体语言中各肢体语言对应的肢体语言信号；

运用所述判定模型依次识别每个肢体语言信号子集中所述至少一种肢体语言中各肢体语言对应的肢体语言信号，确定每个肢体语言信号子集对应的喜好值。

这里，所述运用所述判定模型依次识别每个肢体语言信号子集中所述至少一种肢体语言中各肢体语言对应的肢体语言信号，确定每个肢体语言信号子集对应的喜好值，包括：

运用所述判定模型依次识别每个肢体语言信号子集中所述至少一种肢体语言中各肢体语言对应的肢体语言信号，确定各肢体语言对应的肢体语言信号的参考值，根据所述各肢体语言对应的肢体语言信号的参考值确定所述每个肢体语言信号子集对应的喜好值。

这里，所述参考值＝绝对值(第二信号-w1*第一信号-w2*第二信号)。w1和w2为权重，可以取0.5。

步骤103、确定所述识别结果超过预设阈值时，确定所述识别结果对应的目标内容为喜好内容。

这里，所述预设阈值可以由开发人员预先设置，针对不同个数的肢体语言信号子集，可以设定不同的预设阈值。

所述确定所述识别结果超过预设阈值时，确定所述识别结果对应的目标内容为喜好内容，包括：

确定所述肢体语言信号子集的个数，根据所述个数确定对应的预设阈值；

确定所述识别结果超过确定的预设阈值时，确定所述识别结果对应的目标内容为喜好内容。

本实施例中，所述方法还包括：生成所述判定模型。

具体来说，所述生成判定模型，包括：

获取预设个数的训练肢体语言信号子集；

根据所述预设个数的训练肢体语言信号子集，获得各肢体语言对应的预设个数的训练语言信号；

确定所述训练语言信号中的第一训练信号、第二训练信号和第三训练信号，根据所述第一训练信号、第二训练信号和第三训练信号确定所述训练语言信号对应的训练参考值；确定所述预设个数的训练语言信号对应的训练参考值中的最大值和最小值，根据所述最大值和所述最小值确定判定参数；

根据各肢体语言对应的所述判定参数生成所述判定模型。

举例来说，所述肢体语言，包括以下至少一个：心跳、表情、血压；则，所述根据所述预设个数的训练肢体语言信号子集，获得各肢体语言对应的预设个数的训练语言信号，可以包括以下至少一种情况：

从所述预设个数的训练肢体语言信号子集中，获取针对训练目标内容的预设个数的心跳语言信号，这里每个心跳语言信号包括：获取训练目标内容前第一预设时间段内的心跳语言信号、获取训练目标内容期间的心跳语言信号、获取训练目标内容后第二预设时间段内的心跳语言信号；

从所述预设个数的训练肢体语言信号子集中，获取针对训练目标内容的预设个数的表情语言信号，这里每个表情语言信号包括：获取训练目标内容前第一预设时间段内的表情语言信号、获取训练目标内容期间的表情语言信号、获取训练目标内容后第二预设时间段内的表情语言信号；

从所述预设个数的训练肢体语言信号子集中，获取针对训练目标内容的预设个数的血压语言信号，这里每个血压语言信号包括：获取训练目标内容前第一预设时间段内的血压语言信号、获取训练目标内容期间的血压语言信号、获取训练目标内容后第二预设时间段内的血压语言信号。

进一步具体说明，假设：

获取训练目标内容前第一预设时间段内的心跳语言信号记做a1、获取训练目标内容期间的心跳语言信号记做a2、获取训练目标内容后第二预设时间段内的心跳语言信号记做a3。

获取训练目标内容前第一预设时间段内的表情语言信号记做b1、获取训练目标内容期间的表情语言信号记做b2、获取训练目标内容后第二预设时间段内的表情语言信号记做b3。

获取训练目标内容前第一预设时间段内的血压语言信号记做c1、获取训练目标内容期间的血压语言信号记做c2、获取训练目标内容后第二预设时间段内的血压语言信号记做c3。

所述根据所述第一训练信号、第二训练信号和第三训练信号确定所述训练语言信号对应的训练参考值；包括：

针对每个心跳语言信号，根据公式a＝|a2-w1*a1-w2*a3|计算获得训练参考值a；针对每个表情语言信号，根据公式b＝|b2-w1*b1-w2*b3|计算获得训练参考值b；针对每个血压语言信号，根据公式c＝|c2-w1*c1-w2*c3|计算获得训练参考值c；以上，w1和w2为权重，可以取0.5。

所述确定所述预设个数的训练语言信号对应的训练参考值中的最大值和最小值，根据所述最大值和所述最小值确定判定参数；包括：

根据每个心跳语言信号的训练参考值，按fa＝(amax-amin)/amax，计算获得针对心跳语言信号的判定参数fa；根据每个表情语言信号的训练参考值，按fb＝(bmax-bmin)/bmax，计算获得针对表情语言信号的判定参数fb；再根据每个血压语言信号的训练参考值，按fc＝(cmax-cmin)/cmax，计算获得针对血压语言信号的判定参数fc。

在一实施例中，所述根据所述各肢体语言对应的所述判定参数生成所述判定模型，包括：

根据针对心跳语言信号的判定参数、针对表情语言信号的判定参数、针对血压语言信号的判定参数，按下式生成所述判定模型：

score(第k次获得目标内容)＝∑x^ky^k；

其中，x^k与用户使用次数呈正比，x可以取1～2之间的某一个值，例如可以设定为1.1。y表示肢体语言类型，y^k表示第k个肢体语言信号子集中每种肢体语言对应的参考值和判定参数的乘积的和，y根据肢体语言的种类确定。举例来说，肢体语言包括以上心跳、表情、血压，则y^k＝a'kfa+b'kfb+c'kfc；其中，a'k、b'k、c'k分别可以指第k个肢体语言信号子集中的心跳语言信号的参考值、表情语言信号的参考值、血压语言信号的参考值，若所述肢体语言还包括其他种类，可以依次叠加得到所述y^k。

另外，所述判定模型还可以根据之后采集的肢体语言信号再次更新，例如，设定之后每采集x(x可以为10、20、30……100等)次肢体语言信号，即每获得x个肢体语言信号子集，则更新一次所述判定模型，使得判断结果更准确。

运用本实施例提供的上述方法，可以判断用户获取的目标内容是否为用户喜好的内容。例如：针对某一个应用软件的多个内容(如多个视频)的比较，可以确定用户最为喜欢的内容，进而还可以根据确定的内容为用户通过更贴合心意的推荐。

图2为本发明实施例提供的另一种喜好内容的确定方法的流程示意图；可以应用于移动终端，如图2所示，所述方法包括：

步骤201、建立判定模型。

具体地，所述步骤201包括：获取预设个数的训练肢体语言信号子集；根据所述预设个数的训练肢体语言信号子集，获得各肢体语言对应的预设个数的训练语言信号；确定所述训练语言信号中的第一训练信号、第二训练信号和第三训练信号，根据所述第一训练信号、第二训练信号和第三训练信号确定所述训练语言信号对应的训练参考值；确定所述预设个数的训练语言信号对应的训练参考值中的最大值和最小值，根据所述最大值和所述最小值确定判定参数；根据各肢体语言对应的所述判定参数生成所述判定模型。

这里，所述第一训练信号、所述第二训练信号、所述第三训练信号分别为：在获取训练目标内容前1分钟的信号、获取训练目标内容期间的信号、获取训练目标内容后1分钟内的信号；所述肢体语言包括心跳、脉搏、表情、血压等。

这里，针对每种肢体语言的肢体语言信号，可以按以下公式计算训练参考值：x＝|x2-w1*x1-w2*x3|，x2表示获取训练目标内容期间的值，x1表示在获取训练目标内容前1分钟的值，x3表示获取训练目标内容后1分钟的值，x表示肢体语言类型，为心跳、脉搏、表情或血压。w1和w2为权重，可以取0.5；

再按下式，根据预设个数的训练语言信号对应的训练参考值确定判定参数：

fx＝(xmax-xmin)/xmax；其中，x表示肢体语言类型，如心跳、脉搏、表情、血压等；xmax表示各训练参考值中的最大值，xmin表示各训练参考值中的最小值。

这里，针对心跳、表情、血压等不同肢体语言类型需要分别计算，不同的肢体语言类型不可以混淆。例如：针对心跳，采集预设个数(记做m)的心跳语言信号，则确定m个心跳语言信号对应的训练参考值，从而计算心跳语言信号的判定参数fa＝(amax-amin)/amax；这里，x＝a表示心跳。

相似的，针对表情，采集m个的表情语言信号，确定m个表情语言信号的训练参考值，从而计算表情语言信号的判定参数fb＝(bmax-bmin)/bmax；这里，x＝b表示表情；以此类推，每一种肢体语言均可按上述方式计算得到判定参数。

根据每种肢体语言对应的所述判定参数生成所述判定模型：score(第k次获得目标内容)＝∑x^ky^k，x^k＝1.1^k；y^k为第k个肢体语言信号子集中每种肢体语言信号的参考值和判定参数相乘后得到乘积、再相加得到的和。

需要说明的是，所述移动终端可以连接有心跳提取模块、表情提取模块、血压提取模块、脉搏提取模块等。所述心跳提取模块、血压提取模块、脉搏提取模块可以采用具有检测心跳、血压、脉搏的运动手环；所述表情提取模块可以采用任意带摄像头的设备。心跳提取模块，可以提取用户的心跳变化，以秒设置时间戳；所述表情提取模块，可以提取嘴角向上弯曲度，以秒设置时间戳。所述脉搏提取模块，可以提取用户的脉搏变化，以秒设置时间戳；所述血压提取模块，可以提取用户的血压变化，以秒设置时间戳。

步骤202、采集用户针对目标内容的肢体语言信号集。

这里，所述肢体语言信号集包括：一个或多个肢体语言信号子集，每个所述肢体语言信号子集包括至少一种肢体语言及所述至少一种肢体语言中各肢体语言对应的肢体语言信号。

步骤203、根据判定模型确定用户针对目标内容的喜好程度。

具体地，所述步骤203包括：运用所述判定模型识别所述肢体语言信号集，确定针对所述目标内容的识别结果；所述识别结果表征针对所述目标内容的喜好程度。

具体来说，假设肢体语言信号集中2个肢体语言信号子集，每个肢体语言信号子集包括：3种肢体语言(分别为心跳、表情、血压)及3种肢体语言分别对应的肢体语言信号。

根据每个肢体语言信号子集，运用下式分别计算score(第k次获得目标内容)：

score(第k次获得目标内容)＝∑x^ky^k；

其中，x^k＝1.1^k；y^k＝a'kfa+b'kfb+c'kfc，a'k、b'k、c'k分别指第k个肢体语言信号子集中的心跳语言信号的参考值、表情语言信号的参考值、血压语言信号的参考值。fa、fb、fc分别为3种肢体语言对应的判定参数。

将第1个肢体语言信号子集获得的得分score(第1次获得目标内容)和第2个肢体语言信号子集获得的得分score(第2次获得目标内容)相加，得到所述识别结果，所述识别结果即为用户针对目标内容的喜好程度。

步骤204、根据所述喜好程度确定所述目标内容是否为喜好内容。

这里，所述预设阈值可以由开发人员预先设置，针对不同个数的肢体语言信号子集，可以设定不同的预设阈值。

所述根据所述喜好程度确定所述目标内容是否为喜好内容，包括：

确定所述肢体语言信号子集的个数，根据所述个数确定对应的预设阈值；

确定表征喜好程度的所述识别结果超过确定的预设阈值时，确定所述识别结果对应的目标内容为喜好内容。

所述肢体语言信号子集的个数与其对应的预设阈值的关系可以由开发人员预先设定并保存。

图3为本发明实施例提供的一种喜好内容的确定装置的结构示意图；如图3所示，所述装置包括：第一处理模块301、第二处理模块302和第三处理模块303。其中，

所述第一处理模块301，用于确定针对目标内容的肢体语言信号集；所述肢体语言信号集包括一个或多个肢体语言信号子集，每个所述肢体语言信号子集包括至少一种肢体语言及所述至少一种肢体语言中各肢体语言对应的肢体语言信号。

所述第二处理模块302，用于运用预设的判定模型识别所述肢体语言信号集，确定针对所述目标内容的识别结果；所述识别结果表征针对所述目标内容的喜好程度。

所述第三处理模块303，用于确定所述识别结果超过预设阈值时，确定所述识别结果对应的目标内容为喜好内容。

具体地，所述第一处理模块301，具体用于确定各肢体语言对应的肢体语言信号；所述确定各肢体语言对应的肢体语言信号，包括：确定获取目标内容前第一预设时间段内的第一信号、获取目标内容期间的第二信号、以及获取目标内容后第二预设时间段内的第三信号；根据所述第一信号、所述第二信号和所述第三信号确定所述肢体语言对应的肢体语言信号。

具体地，所述装置还包括：预处理模块，用于生成所述判定模型；

所述预处理模块，具体用于获取预设个数的训练肢体语言信号子集；

根据所述预设个数的训练肢体语言信号子集，获得各肢体语言对应的预设个数的训练语言信号；

确定所述训练语言信号中的第一训练信号、第二训练信号和第三训练信号，根据所述第一训练信号、第二训练信号和第三训练信号确定所述训练语言信号对应的训练参考值；确定所述预设个数的训练语言信号对应的训练参考值中的最大值和最小值，根据所述最大值和所述最小值确定判定参数；

根据各肢体语言对应的所述判定参数生成所述判定模型。

这里，所述肢体语言，包括以下至少一个：心跳、表情、血压。

所述第二处理模块302，具体用于运用所述判定模型识别所述肢体语言信号集中每个肢体语言信号子集对应的喜好值；

确定每个肢体语言信号子集对应的喜好值之和作为所述识别结果。

具体地，所述第二处理模块302，具体用于对所述肢体语言信号集进行分类，确定每个肢体语言信号子集中所述至少一种肢体语言中各肢体语言对应的肢体语言信号；

运用所述判定模型依次识别每个肢体语言信号子集中所述至少一种肢体语言中各肢体语言对应的肢体语言信号，确定每个肢体语言信号子集对应的喜好值。

需要说明的是：上述实施例提供的喜好内容的确定装置在进行喜好内容的确定时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的喜好内容的确定装置与喜好内容的确定方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

图4为本发明实施例提供的另一种喜好内容的确定装置的结构示意图。如图4所示，所述装置40包括：处理器401和用于存储能够在所述处理器上运行的计算机程序的存储器402；其中，所述处理器401用于运行所述计算机程序时，执行：确定针对目标内容的肢体语言信号集；所述肢体语言信号集包括一个或多个肢体语言信号子集，每个所述肢体语言信号子集包括至少一种肢体语言及所述至少一种肢体语言中各肢体语言对应的肢体语言信号；运用预设的判定模型识别所述肢体语言信号集，确定针对所述目标内容的识别结果；所述识别结果表征针对所述目标内容的喜好程度；确定所述识别结果超过预设阈值时，确定所述识别结果对应的目标内容为喜好内容。

在一实施例中，所述处理器401还用于运行所述计算机程序时，执行：确定各肢体语言对应的肢体语言信号；所述确定各肢体语言对应的肢体语言信号，包括：确定获取目标内容前第一预设时间段内的第一信号、获取目标内容期间的第二信号、以及获取目标内容后第二预设时间段内的第三信号；根据所述第一信号、所述第二信号和所述第三信号确定所述肢体语言对应的肢体语言信号。

在一实施例中，所述处理器401还用于运行所述计算机程序时，执行：生成所述判定模型；所述生成判定模型，包括：获取预设个数的训练肢体语言信号子集；根据所述预设个数的训练肢体语言信号子集，获得各肢体语言对应的预设个数的训练语言信号；确定所述训练语言信号中的第一训练信号、第二训练信号和第三训练信号，根据所述第一训练信号、第二训练信号和第三训练信号确定所述训练语言信号对应的训练参考值；确定所述预设个数的训练语言信号对应的训练参考值中的最大值和最小值，根据所述最大值和所述最小值确定判定参数；根据各肢体语言对应的所述判定参数生成所述判定模型。

在一实施例中，所述处理器401还用于运行所述计算机程序时，执行：运用所述判定模型识别所述肢体语言信号集中每个肢体语言信号子集对应的喜好值；确定每个肢体语言信号子集对应的喜好值之和作为所述识别结果。

在一实施例中，所述处理器401还用于运行所述计算机程序时，执行：对所述肢体语言信号集进行分类，确定每个肢体语言信号子集中所述至少一种肢体语言中各肢体语言对应的肢体语言信号；运用所述判定模型依次识别每个肢体语言信号子集中所述至少一种肢体语言中各肢体语言对应的肢体语言信号，确定每个肢体语言信号子集对应的喜好值。

需要说明的是：上述实施例提供的喜好内容的确定装置与喜好内容的确定方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

实际应用时，所述装置40还可以包括：至少一个网络接口403。喜好内容的确定装置40中的各个组件通过总线系统404耦合在一起。可理解，总线系统404用于实现这些组件之间的连接通信。总线系统404除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图4中将各种总线都标为总线系统404。其中，所述处理器404的个数可以为至少一个。网络接口403用于喜好内容的确定装置40与其他设备之间有线或无线方式的通信。

本发明实施例中的存储器402用于存储各种类型的数据以支持喜好内容的确装置40的操作。

上述本发明实施例揭示的方法可以应用于处理器401中，或者由处理器401实现。处理器401可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器401中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器401可以是通用处理器、数字信号处理器(dsp，digitalsignalprocessor)，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。处理器401可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器402，处理器401读取存储器402中的信息，结合其硬件完成前述方法的步骤。

在示例性实施例中，喜好内容的确定装置40可以被一个或多个应用专用集成电路(asic，applicationspecificintegratedcircuit)、dsp、可编程逻辑器件(pld，programmablelogicdevice)、复杂可编程逻辑器件(cpld，complexprogrammablelogicdevice)、现场可编程门阵列(fpga，field-programmablegatearray)、通用处理器、控制器、微控制器(mcu，microcontrollerunit)、微处理器(microprocessor)、或其他电子元件实现，用于执行前述方法。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时，执行：确定针对目标内容的肢体语言信号集；所述肢体语言信号集包括一个或多个肢体语言信号子集，每个所述肢体语言信号子集包括至少一种肢体语言及所述至少一种肢体语言中各肢体语言对应的肢体语言信号；运用预设的判定模型识别所述肢体语言信号集，确定针对所述目标内容的识别结果；所述识别结果表征针对所述目标内容的喜好程度；确定所述识别结果超过预设阈值时，确定所述识别结果对应的目标内容为喜好内容。

在一实施例中，所述计算机程序被处理器运行时，执行：确定各肢体语言对应的肢体语言信号；所述确定各肢体语言对应的肢体语言信号，包括：确定获取目标内容前第一预设时间段内的第一信号、获取目标内容期间的第二信号、以及获取目标内容后第二预设时间段内的第三信号；根据所述第一信号、所述第二信号和所述第三信号确定所述肢体语言对应的肢体语言信号。

在一实施例中，所述计算机程序被处理器运行时，执行：生成所述判定模型；所述生成判定模型，包括：获取预设个数的训练肢体语言信号子集；根据所述预设个数的训练肢体语言信号子集，获得各肢体语言对应的预设个数的训练语言信号；确定所述训练语言信号中的第一训练信号、第二训练信号和第三训练信号，根据所述第一训练信号、第二训练信号和第三训练信号确定所述训练语言信号对应的训练参考值；确定所述预设个数的训练语言信号对应的训练参考值中的最大值和最小值，根据所述最大值和所述最小值确定判定参数；根据各肢体语言对应的所述判定参数生成所述判定模型。

在一实施例中，所述计算机程序被处理器运行时，执行：运用所述判定模型识别所述肢体语言信号集中每个肢体语言信号子集对应的喜好值；确定每个肢体语言信号子集对应的喜好值之和作为所述识别结果。

在一实施例中，所述计算机程序被处理器运行时，执行：对所述肢体语言信号集进行分类，确定每个肢体语言信号子集中所述至少一种肢体语言中各肢体语言对应的肢体语言信号；运用所述判定模型依次识别每个肢体语言信号子集中所述至少一种肢体语言中各肢体语言对应的肢体语言信号，确定每个肢体语言信号子集对应的喜好值。

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。以上所描述的设备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，如：多个单元或组件可以结合，或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，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，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全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以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，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例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。而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。