图片推荐方法、装置及设备与流程

本申请涉及电子商务技术领域，尤其是涉及到一种图片推荐方法、装置及设备。

背景技术：

随着电商平台的迅速崛起，通过网络平台进行对象交易的方式已经逐渐渗入至人们的日常生活，用户可以从网络平台中浏览对象的描述信息，尤其是商户所提供对象的图片，针对同一对象所形成不同的页面，优质的对象图片能够吸引用户在页面停留，提升图片质量的同时增加用户流量。

现有技术中，商户在发布对象时通常会上传自认为较优的对象图片，而用户所喜好的对象图片不一定与商户相同，使得最终展示在网络平台上的对象图片不一定受到用户喜欢，无法保证对象图片能够达到预期的用户流量，影响图片推荐效果。

技术实现要素：

有鉴于此，本申请提供了一种图片推荐方法、装置及设备，主要目的在于解决现有技术中图片推荐效果不理想的问题。

根据本申请的第一个方面，提供了一种图片推荐方法，该方法包括：

获取各个类目标识上的对象图片集；

响应于对象图片的推荐指令，基于所述推荐指令所携带的目标类目标识，从所述对象图片集中确定在目标类目标识上具有优选资源特征的对象图片；

将所述在目标类目标识上具有优选资源特征的对象图片作为推荐图片进行推送。

在本申请另一实施例中，所述获取各个类目标识上的对象图片集，具体包括：

获取不同类目标识所映射的需求资源特征；

基于所述不同类目标识所映射的需求资源特征，对数据平台中预先存储的对象图片进行清洗处理，得到在各个类目标识上具有需求资源特征的对象图片集。

在本申请另一实施例中，所述基于所述不同类目标识所映射的需求资源特征，对数据平台中预先存储的对象图片进行清洗处理，得到在各个类目标识上具有需求资源特征的对象图片集，具体包括：

对数据平台中预先存储的对象图片进行尺度不变特征转换，从所述对象图片中提取出具有尺度不变的局部特征点；

利用主成分分析算法，对所述具有尺度不变的局部特征点进行压缩，得到对象图片的主特征成分；

将所述对象图片的主特征成分与所述各个类目标识所映射的需求资源特征进行聚类，得到在各个类目标识上具有需求资源特征的对象图片集。

在本申请另一实施例中，所述对数据平台中预先存储的对象图片进行尺度不变特征转换，从所述对象图片中提取出具有尺度不变的局部特征点，具体包括：

将数据平台中预先存储的对象图片映射到尺度空间，得到对象图片在预设尺度上的图像；

通过对所述对象图片在预设尺度上的图像中相邻像素点进行比较，定位预设尺度空间上图像的关键点；

通过为所述预设尺度空间上图像的关键点分配方向角，构建具有尺度不变的局部特征点。

在本申请另一实施例中，所述利用主成分分析算法，对所述具有尺度不变的局部特征点进行压缩，得到对象图片的主特征成分，具体包括：

计算所述具有尺度不变的局部特征点对应的协方差矩阵；

利用所述协方差矩阵的特征参数，从所述协方差的特征向量选取符合预设条件的特征向量作为对象图片的主特征成分。

在本申请另一实施例中，所述将所述对象图片的主特征成分与所述各个类目标识所映射的需求资源特征进行聚类，得到在各个类目标识上具有需求资源特征的对象图片集，具体包括：

以各个类目标识所映射的需求资源特征作为多个聚类子中心，计算所述对象图片的主特征成分与所述多个聚类子中心之间的距离；

将所述对象图片分配至与所述对象图片的主特征距离最近的聚类子中心，得到在各个类目标识上具有需求资源特征的对象图片集。

在本申请另一实施例中，在所述获取各个类目标识上的对象图片集之后，所述方法还包括：

基于所述对象图片在展示过程中所形成的资源数值，对所述不同类目所映射的需求资源特征进行更新。

在本申请另一实施例中，所述基于所述推荐指令所携带的目标类目标识，从所述对象图片集中确定在目标类目标识上具有优选资源特征的对象图片，具体包括：

基于对象图片在需求资源特征上映射的参数值，对所述图片数据集中目标类目标识上具有需求资源特征的对象图片进行排序；

筛选所述排序在预设数值之前的对象图片，作为在目标类目标识上具有优选资源特征的对象图片。

根据本申请的第二个方面，一种图片推荐装置，该装置包括：

获取单元，用于获取各个类目标识上的对象图片集；

筛选单元，用于响应于对象图片的推荐指令，基于所述推荐指令所携带的目标类目标识，从所述对象图片集中确定在目标类目标识上具有优选资源特征的对象图片；

推送单元，用于将所述在目标类目标识上具有优选资源特征的对象图片作为推荐图片进行推送。

在本申请另一实施例中，所述获取单元包括：

获取模块，用于获取不同类目标识所映射的需求资源特征；

处理模块，用于基于所述不同类目标识所映射的需求资源特征，对数据平台中预先存储的对象图片进行清洗处理，得到在各个类目标识上具有需求资源特征的对象图片集。

在本申请另一实施例中，所述处理模块包括：

转换子模块，用于对数据平台中预先存储的对象图片进行尺度不变特征转换，从所述对象图片中提取出具有尺度不变的局部特征点；

压缩子模块，用于利用主成分分析算法，对所述具有尺度不变的局部特征点进行压缩，得到对象图片的主特征成分；

聚类子模块，用于将所述对象图片的主特征成分与所述各个类目标识所映射的需求资源特征进行聚类，得到在各个类目标识上具有需求资源特征的对象图片集。

在本申请另一实施例中，所述转换子模块，具体用于将数据平台中预先存储的对象图片映射到尺度空间，得到对象图片在预设尺度上的图像；

所述转换子模块，具体还用于通过对所述对象图片在预设尺度上的图像中相邻像素点进行比较，定位预设尺度空间上图像的关键点；

所述转换子模块，具体还用于通过为所述预设尺度空间上图像的关键点分配方向角，构建具有尺度不变的局部特征点。

在本申请另一实施例中，所述压缩子模块，具体用于计算所述具有尺度不变的局部特征点对应的协方差矩阵；

所述压缩子模块，具体还用于利用所述协方差矩阵的特征参数，从所述协方差的特征向量选取符合预设条件的特征向量作为对象图片的主特征成分。

在本申请另一实施例中，所述聚类子模块，具体用于以各个类目标识所映射的需求资源特征作为多个聚类子中心，计算所述对象图片的主特征成分与所述多个聚类子中心之间的距离；

所述聚类子模块，具体还用于将所述对象图片分配至与所述对象图片的主特征距离最近的聚类子中心，得到在各个类目标识上具有需求资源特征的对象图片集。

在本申请另一实施例中，所述装置还包括：

更新单元，用于在所述获取各个类目标识上的对象图片集之后，基于所述对象图片在展示过程中所形成的资源数值，对所述不同类目所映射的需求资源特征进行更新。

在本申请另一实施例中，所述筛选单元包括：

排序模块，用于基于对象图片在需求资源特征上映射的参数值，对所述图片数据集中目标类目标识上具有需求资源特征的对象图片进行排序；

筛选模块，用于筛选所述排序在预设数值之前的对象图片，作为在目标类目标识上具有优选资源特征的对象图片。

根据本申请的第三个方面，提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述图片推荐方法。

根据本申请的第四个方面，提供了一种图片推荐设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述图片推荐方法。

借由上述技术方案，本申请提供的一种图片推荐方法、装置及设备，与目前现有方式中商户在发布对象时将自认为较优的对象图片作为推荐图片进行推送的方式相比，本申请通过获取各个类目标识上的对象图片集，该对象图片集具有类目标识所需要的资源特征，可以在响应于对象图片的推荐指令，基于推荐指令所携带的目标类目标识，从对象图片集中确定在目标类目标识上具有优选资源特征的对象图片，该对象图片能够基于对象特征提前筛选出更适用于展示的对象图片，从而将具有优选资源特征的对象图片作为推荐图片进行推送，以增加对象图片的用户流量，提升图片推荐效果。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1示出了本申请实施例提供的一种图片推荐方法的流程示意图；

图2示出了本申请实施例提供的另一种图片推荐方法的流程示意图；

图3示出了本申请实施例提供的另一种图片推荐方法的流程框架图；

图4示出了本申请实施例提供的一种图片推荐装置的结构示意图；

图5示出了本申请实施例提供的另一种图片推荐装置的结构示意图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本申请。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。

通常情况下，商户在发布对象时通常会上传自认为较优的对象图片，并将较优的对象图片作为对象的封面图片展示给用户，以使得用户在浏览对象的过程中可以根据对象图片来选取所需要的对象。然而，用户所喜好的对象图片不一定与商户相同，使得最终展示在网络平台上的对象图片不一定受到用户喜欢，如果商户布置在封面的对象的图片很难吸引到用户，用户很难会选择对象进行浏览，无法保证对象图片能够达到预期的用户流量，影响图片推荐效果。

为了解决该问题，本实施例提供了一种图片推荐方法，如图1所示，包括如下步骤：

101、获取各个类目标识上的对象图片集。

其中，各个类目标识可以为网络平台所提供对象的行业类别，主要可以包括丽人、休闲娱乐、婚嫁等，并且每个类目标识上的对象都具有适用于行业类别的，例如，美发行业主要展示头发，旅游行业主要展示景色等，对于行业类别下的对象图片亦然如此，每个类目标识上的对象图片都具有适用于对象展示的需求资源特征，例如，丽人类目下的美发行业的对象图片具有色彩明亮、模特发色发型突出等特征，而婚嫁行业的对象图片具有风格鲜明、色彩饱和度较高等特征。

在本实施例中，对于各个类目标识上具有需求资源特征的确定，可以利用专家评定法来圈定，还可以利用对象的用户流量来圈定。对于专家评定法可以由专业的运营人员或者经验丰富的专业人员来提供适用于各个类目标识进行对象图片展示的一些特征，作为需求资源特征，对于用户流量可以由运营人员来统计对象图片在各个类目标识上的流量，并将流量较高的对象图片所具有的一些特征作为需求资源特征。

可以理解的是，网络平台为了能够向商户推荐更为优质的对象图片进行展示，可以在接收到来源的对象图片后，存储至数据库中，并基于预先确定适用于各个类目标识的需求资源特征，定期对数据库中新增的对象图片进行清洗，形成各个类目标识上具有需求资源特征的对象图片集，以使得每个类目标识上对象图片集中的对象图片都具有适用于行业类别的需求资源特征。

上述对象图片进行清洗的过程相当于对象图片进行分类的过程，具体应用场景中，可以利用预先标注有各个类目标识的需求资源特征来训练分类模型，进而通过分类模型来实现对数据库中对象图片进行特征提取以及分类过程，进而对提取出图片特征进行分类，判断对象图片所包含类目标识的需求资源特征，从而清洗出在各个类目标识上具有需求资源特征的对象图片集。

对于本实施例的执行主体可以为图片推荐装置或设备，可以配置在服务端，服务端通过定期触发对象图片的处理指令，对各个类目标识上对象图片进行清洗，进而针对各个类目标识所映射的需求资源特征，清洗出各个类目标识上具有需求特征的对象图片集，以使得对象图片集中的对象图片具有符合类目标识的需求资源特征，提高图片推荐的准确性。

102、响应于对象图片的推荐指令，基于所述推荐指令所携带的目标类目标识，从所述对象图片集中确定在目标类目标识上具有优选资源特征的对象图片。

其中，对象图片的推荐指令通常由商户端触发，当商户端需要发布对象时，往往需要在网络平台上发布对象图片等信息，该对象图片可以商户自行上传，还可以由网络平台推荐出对象图片的示例，并标注出优选资源特征，还可以由网络平台直接推荐包含优选资源特征的对象图片。

具体网络平台在推荐对象图片或者对象图片的示例过程中，由于对象图片集中的对象图片具有需求资源特征，但是该需求资源特征只是反映对象图片在类目标识上具有行业特征，并不说明具有行业特征上的优质资源特征，该优质资源特征可以从一定程度上反映对象在需求资源特征上的表现效果，例如，对象图片具有色彩明亮的图片特征，但是色彩明亮是否达到优质的程度无法确定，需要进一步对对象图片集中对象图片在需求资源特征上的表现效果进行评判，将筛选出表现效果较好的对象图片，作为在目标类目上具有优质资源特征的对象图片。

103、将所述在目标类目标识上具有优选资源特征的对象图片作为推荐图片进行推送。

这里推荐图片相当于网络平台推送给商户作为直接进行展示的对象图片，还可以为推送给商户作为示例图片，并标注优质资源特征，以便于商户根据该优质资源特征来重新上传对象图片。例如，对于ktv预定的对象图片，网络平台可以选取具有“色彩丰富”、“光线较暗”优质资源特征的对象图片后，并在对象图片的周围作相应特征标签，以便于用户参考。

在具体应用场景中，考虑到商户主观因素，在推送推荐图片的过程中，一方面网络平台可以向商户推送多个推荐图片，以便商户可以从多个推荐图片中选取出满意的对象图片，如果商户对多个推荐图片都不满意，还可以触发自动生成推荐图片的功能以更换当前的推荐图片；另一方面网络平台可以向商户推送标注有包含有优质资源特征的示例图片，商户在根据示例图片上传对象图片后，网络平台可以对商户上传的对象图片进行识别，判断该对象图片中是否包含所有标注的优质资源特征，并对商户所上传图片进行相应的提示，以使得商户可以更准确挖掘到符合用户心意的对象图片。

本申请实施例提供的图片推荐方法，与目前现有方式中商户在发布对象时将自认为较优的对象图片作为推荐图片进行推送的方式相比，本申请通过获取各个类目标识上的对象图片集，该对象图片集具有类目标识所需要的资源特征，可以在响应于对象图片的推荐指令，基于推荐指令所携带的目标类目标识，从对象图片集中确定在目标类目标识上具有优选资源特征的对象图片，该对象图片能够基于对象特征提前筛选出更适用于展示的对象图片，从而将具有优选资源特征的对象图片作为推荐图片进行推送，以增加对象图片的用户流量，提升图片推荐效果。

进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例的具体实施过程，本实施例提供了另一种图片推荐方法，如图2所示，该方法包括：

201、获取不同类目标识所映射的需求资源特征。

可以理解的是，不同类目标识的需求资源特征最开始可以由专业运营、产品等根据工作经验所提供的特征值来确定，在后续应用个过程中，对象图片是否能够吸引用户浏览还需要进一步判定，这里可以基于对象图片在展示过程中所形成的资源数值，该资源数值可以表现为用户流量、对象销量、对象，进而对不同类目所映射的需求资源特征进行更新，如增加需求资源特征或者减少需求资源特征。

例如，对于用户关注度较少对象图片的需求资源特征可以适量减少，对于用户关注度较高对象图片的需求资源特征可以适量增加，对于对象销量较低的对象图片的需求资源特征可以适量减少，对于对象销量较高的对象图片的需求资源特征可以适量增加。

具体应用过程中，可以设置需求资源特征的更新时间，例如，当对象图片新增到100张时，对不同类目所映射的需求资源特征进行更新，进一步判断对象图片在展示过程中所形成的资源数值是否达到预设数值，如果是，则确定更新需求资源特征，并提取达到预设数值的对象图片中的资源特征，并将该资源特征加入并融合至需求资源特征，实现对不同类目所映射的需求资源特征进行更新。

202、对数据平台中预先存储的对象图片进行尺度不变特征转换，从所述对象图片中提取出具有尺度不变的局部特征点。

可以理解的是，需求资源特征通常反映对象图片的图片特征，为了准确提取数据平台中存储的对象图片的图片特征，可以对各个类目标识上的对象图片进行图片特征提取，得到具有尺度不变的局部特征点，进一步判断提取出的图片特征是否符合需求资源特征，筛选出符合各个类目标识上需求资源特征的对象图片。

在对象图片的图片特征进行提取，得到具有尺度不变的局部特征点的过程，具体可以将数据平台中预先存储的对象图片映射到尺度空间，得到对象图片在预设尺度上的图像，通过对对象图片在预设尺度上的图像中相邻像素点进行比较，定位预设尺度空间上图像的关键点，通过为预设尺度空间上图像的关键点分配方向角，构建具有尺度不变的局部特征点。

在本申请实施例中，通过利用尺度空间来提取出对象图片在预设尺度空间上的图像特征，并将对象图片在各个尺度上的图像特征形成具有尺度不变的局部特征点，该局部特征点可以粗略反映出对象图片的图像特征，并能够准确表达对象图片的特征信息。

203、利用主成分分析算法，对所述具有尺度不变的局部特征点进行压缩，得到对象图片的主特征成分。

应说明的是，具有尺度不变的局部特征点可能占用较高的内存，并在实际应用过程中具有冗余信息，为了提高图片特征的精度，进一步利用主成分分析算法，对具有尺度不变的局部特征点进行压缩，得到对象图片的主特征成分，该主特征成分可以为图片颜色、纹理、形状特征等。

具体地，可以通过计算具有尺度不变的局部特征点对应的协方差矩阵，并将协方差矩阵作为压缩局部特征点的工具，利用协方差矩阵的特征参数，从协方差的特征向量选取符合预设条件的特征向量作为对象图片的主特征成分。

例如，可以利用协方差矩阵特征向量的特征根作为特征参数，选取特征根大小排序在前n的特征向量作为对象图片的主特征成分，还可以利用协方差矩阵的特征值能量值百分比作为特征参数，选取能量百分比大小排序在前n的特征向量作为对象图片的主特征成分，这里对特征参数的选取不进行限定。

204、将所述对象图片的主特征成分与所述各个类目标识所映射的需求资源特征进行聚类，得到在各个类目标识上具有需求资源特征的对象图片集。

对象图片的主特征成分反映出对象图片所包含的主要特征，对于主要特征是否符合各个类目所映射的需求资源特征，这里可以通过将主特征成分与各个类目标识上具有需求资源特征进行聚类，进而判断图片特征与哪一个类目标识所映射需求资源特征更相近，进一步标记对象图片具有该类目标识上的需求资源特征。

具体在聚类的过程中，可以以各个类目标识所映射的需求资源特征作为多个聚类子中心，计算对象图片的主特征成分与多个聚类子中心之间的距离，进一步将对象图片分配至与对象图片的主特征距离最近的聚类子中心，得到在各个类目标识上具有需求资源特征的对象图片集。

可以理解的是，对于对象图片只包含一个主特征成分的情况，对象图片最终分配至与该主特征成分距离最近的聚类子中心，说明对象图片包含该类目上映射的需求资源特征，而如果对象图片包含有多个主特征成分，在聚类过程中每个主特征成分映射到一个距离最近的聚类子中心，此时对象图片可考虑从多个主特征成分与多个聚类子中心所形成的多个距离中选取一个最近的聚类子中心，说明该聚类子中心能够命中的更完整的主特征成分，还可以考虑从多个主特征成分与多个聚类子中心所形成的多个距离中选取一个被映射次数最多的聚类子中心，说明该聚类子中心能够命中更多的特征主成分，这里对聚类子中心的选择不进行限定，在实际应用需要根据对象图片所包含主特征成分的情况来确定。

例如，对于类目a包含需求资源特征a1、a2，类目b包含需求资源特征b1、b2，针对对象图片m包含主特征成分m1、m2、m3，对于m1与需求资源特征a1的距离最近，距离值为n1，对于m2与需求资源特征b1的距离最近，距离值为n2，对于m3与需求资源特征b1的距离最近，距离值为n3，这里距离值n1最小，可以将对象图片分配至需求资源特征a1的聚类子中心作为，还可以将对象图片分配至需求资源特征b1的聚类子中心。

205、响应于对象图片的推荐指令，基于对象图片在需求资源特征上映射的参数值，对所述图片数据集中目标类目标识上具有需求资源特征的对象图片进行排序。

由于对象图片集中可能会包含大量具有需求资源特征的对象图片，但该对象图片所包含的需求资源特征不一定能够起到良好的展示效果，为了提升对象图片的展示效果，可以通过计算对象图片在需求资源特征上映射的参数值，该参数值能够反映对象图片在需求资源特征上的表现程度，例如，色彩光亮程度、饱和度、纹理清晰度等，进一步基于参数值来对对象图片进行排序，从而选取出最适合展示的对象图片。

206、筛选所述排序在预设数值之前的对象图片，作为在目标类目标识上具有优选资源特征的对象图片。

在本申请实施例中，排序在预设数值之前的对象图片可以表明对象图片在需求资源特征上具有良好的展示效果，可作为具有优选资源特征的对象图片。

207、将所述在目标类目标识上具有优选资源特征的对象图片作为推荐图片进行推送。

在实际的应用场景中，如图3所示，网络平台会预先配置不同类目标识所映射的需求资源特征，进一步将不同类目标识所映射的需求资源特征作为分类依据，对数据平台中预先存储的对象图片进行清洗，从而得到在各个类目上具有需求资源特征的对象图片集，进一步在商户在网络平台上发布对象时，可以触发对象图片的推荐指令，并从各个类目标识上具有需求资源特征的对象图片集中筛选出目标类目标识上具有优质资源特征的对象图片，该优质资源特征可以充分考虑对象图片的展示效果，并将具有较优资源特征的对象图片作为推荐图片进行推送。

进一步的，作为图1和图2方法的具体实现，本申请实施例提供了一种图片推荐装置，如图4所示，该装置包括：获取单元31、筛选单元32、推送单元33。

获取单元31，可以用于获取各个类目标识上的对象图片集；

筛选单元32，可以用于响应于对象图片的推荐指令，基于所述推荐指令所携带的目标类目标识，从所述对象图片集中确定在目标类目标识上具有优选资源特征的对象图片；

推送单元33，可以用于将所述在目标类目标识上具有优选资源特征的对象图片作为推荐图片进行推送。

本申请实施例提供的图片推荐装置，与目前现有方式中商户在发布对象时将自认为较优的对象图片作为推荐图片进行推送的方式相比，本申请通过获取各个类目标识上的对象图片集，该对象图片集具有类目标识所需要的资源特征，可以在响应于对象图片的推荐指令，基于推荐指令所携带的目标类目标识，从对象图片集中确定在目标类目标识上具有优选资源特征的对象图片，该对象图片能够基于对象特征提前筛选出更适用于展示的对象图片，从而将具有优选资源特征的对象图片作为推荐图片进行推送，以增加对象图片的用户流量，提升图片推荐效果。

在具体的应用场景中，如图5所示，所述获取单元31包括：

获取模块311，可以用于获取不同类目标识所映射的需求资源特征；

处理模块312，可以用于基于所述不同类目标识所映射的需求资源特征，对数据平台中预先存储的对象图片进行清洗处理，得到在各个类目标识上具有需求资源特征的对象图片集。

在具体的应用场景中，如图5所示，所述处理模块312包括：

转换子模块3121，可以用于对数据平台中预先存储的对象图片进行尺度不变特征转换，从所述对象图片中提取出具有尺度不变的局部特征点；

压缩子模块3122，可以用于利用主成分分析算法，对所述具有尺度不变的局部特征点进行压缩，得到对象图片的主特征成分；

聚类子模块3123，可以用于将所述对象图片的主特征成分与所述各个类目标识所映射的需求资源特征进行聚类，得到在各个类目标识上具有需求资源特征的对象图片集。

在具体的应用场景中，所述转换子模块3121，具体可以用于将数据平台中预先存储的对象图片映射到尺度空间，得到对象图片在预设尺度上的图像；

所述转换子模块3121，具体还可以用于通过对所述对象图片在预设尺度上的图像中相邻像素点进行比较，定位预设尺度空间上图像的关键点；

所述转换子模块3121，具体还可以用于通过为所述预设尺度空间上图像的关键点分配方向角，构建具有尺度不变的局部特征点。

在具体的应用场景中，所述压缩子模块3122，具体可以用于计算所述具有尺度不变的局部特征点对应的协方差矩阵；

所述压缩子模块3122，具体还可以用于利用所述协方差矩阵的特征参数，从所述协方差的特征向量选取符合预设条件的特征向量作为对象图片的主特征成分。

在具体的应用场景中，所述聚类子模块3123，具体可以用于以各个类目标识所映射的需求资源特征作为多个聚类子中心，计算所述对象图片的主特征成分与所述多个聚类子中心之间的距离；

所述聚类子模块3123，具体还可以用于将所述对象图片分配至与所述对象图片的主特征距离最近的聚类子中心，得到在各个类目标识上具有需求资源特征的对象图片集。

在具体的应用场景中，如图5所示，所述装置还包括：

更新单元34，可以用于在所述获取各个类目标识上的对象图片集之后，基于所述对象图片在展示过程中所形成的资源数值，对所述不同类目所映射的需求资源特征进行更新。

在具体的应用场景中，如图5所示，所述筛选单元32包括：

排序模块321，可以用于基于对象图片在需求资源特征上映射的参数值，对所述图片数据集中目标类目标识上具有需求资源特征的对象图片进行排序；

筛选模块322，可以用于筛选所述排序在预设数值之前的对象图片，作为在目标类目标识上具有优选资源特征的对象图片。

需要说明的是，本实施例提供的一种图片推荐装置所涉及各功能单元的其它相应描述，可以参考图1和图2中的对应描述，在此不再赘述。

基于上述如图1-图2所示方法，相应的，本申请实施例还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述如图1-图2所示的图片推荐方法。

基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景所述的方法。

基于上述如图1-图2所示的方法，以及图4-图5所示的虚拟装置实施例，为了实现上述目的，本申请实施例还提供了一种图片推荐设备，具体可以为计算机，服务器，或者其他网络设备等，该实体设备包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上如图1-图2所示的图片推荐方法。

可选的，上述两种实体设备都还可以包括用户接口、网络接口、摄像头、射频(radiofrequency，rf)电路，传感器、音频电路、wi-fi模块等等。用户接口可以包括显示屏(display)、输入单元比如键盘(keyboard)等，可选用户接口还可以包括usb接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如wi-fi接口)等。

本领域技术人员可以理解，本实施例提供的一种图片推荐的实体设备结构并不构成对该实体设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。

存储介质中还可以包括操作系统、网络通信模块。操作系统是管理上述店铺搜索信息处理的实体设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与信息处理实体设备中其它硬件和软件之间通信。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现。通过应用本申请的技术方案，与目前现有方式相比，本申请能够预先清洗出在各个类目标识上具有需求资源特征的对象图片集，进一步从对象图片集中确定在目标类目标识上具有优选资源特征的对象图片，该对象图片为基于对象特征提前筛选出更适用于展示的对象图片，从而将具有优选资源特征的对象图片作为推荐图片进行推送，以增加对象图片的用户流量，提升图片推荐效果。

本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

上述本申请序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。