对象识别方法、装置、设备及存储介质与流程

1.本公开涉及计算机技术领域，尤其涉及一种对象识别方法、装置、设备及存储介质。


背景技术：

2.随着短视频、直播电商业务的蓬勃兴起，直播购物也日趋成为消费者网上购物的一种新渠道。平台不断优化产品功能与服务，促进直播电商发育成熟，逐渐形成以达人带货为主要模式的内容电商生态。但随着业务的深入，直播电商也在进行着供应链、货品商家、品牌商家、服务商的招聘。对于电商招商业务，各大电商公司均积极寻找潜在入驻商家。如何实时探测商家潜在入驻意愿度，对电商招商业务的增长具有非常重要的意义。
3.相关技术中，当前大多数电商公司主要通过人肉方式收集商家入驻意愿度主要通过电话外呼询问方式，无法实时地探测到所有商家入驻意愿。
4.因此，有必要提供一种对象识别方法、装置、设备及存储介质，提高目标对象识别结果的准确率，从而提高确定目标对象与第二业务类型之间匹配度的准确率。


技术实现要素：

5.本公开提供一种对象识别方法、装置、设备及存储介质，以至少解决相关技术中无法准确确定目标对象与第二业务类型之间匹配度的问题。本公开的技术方案如下：
6.根据本公开实施例的第一方面，提供一种对象识别方法，包括：
7.获取目标对象在目标应用程序中的目标行为特征；所述目标行为特征为所述目标对象在所述目标应用程序的至少一个第一业务类型中的操作行为相关特征；
8.获取所述目标应用程序的第二业务类型的样本对象的样本行为特征；所述样本对象与所述目标对象为同一领域的对象；所述样本行为特征与所述目标行为特征为相同类型的特征；
9.基于所述目标行为特征与所述样本行为特征之间的相似度，确定所述目标对象与所述第二业务类型的关联度信息；
10.基于所述关联度信息，得到对所述目标对象的对象识别结果。
11.在一示例性的实施方式中，所述基于所述目标行为特征与所述样本行为特征之间的相似度，确定所述目标对象与所述第二业务类型的关联度信息之前，所述方法还包括：
12.将所述目标行为特征以及所述样本行为特征进行归一化处理，得到归一化目标行为特征以及归一化样本行为特征；
13.将所述归一化目标行为特征转化成第一特征向量，将所述归一化样本行为特征转化成第二特征向量；
14.计算所述第一特征向量与所述第二特征向量之间的相似度，得到相似度计算结果；
15.将所述相似度计算结果作为所述目标行为特征与所述样本行为特征之间的相似
度。
16.在一示例性的实施方式中，所述目标行为特征为至少两个，所述计算所述第一特征向量与所述第二特征向量之间的相似度，得到相似度计算结果，包括：
17.计算每个目标行为特征对应的第一特征向量与第二特征向量之间的相似度，得到所述每个目标行为特征对应的相似度计算结果；
18.确定所述每个目标行为特征对应的目标权重；
19.基于所述每个目标行为特征对应的相似度计算结果以及目标权重，确定综合相似度计算结果；
20.所述将所述相似度计算结果作为所述目标行为特征与所述样本行为特征之间的相似度，包括：
21.将所述综合相似度计算结果作为所述目标行为特征与所述样本行为特征之间的相似度。
22.在一示例性的实施方式中，所述基于所述每个目标行为特征对应的相似度计算结果以及目标权重，确定综合相似度计算结果，包括：
23.计算所述每个目标行为特征对应的相似度计算结果以及目标权重的乘积，得到所述每个目标行为特征的相似度计算结果；
24.计算各个目标行为特征的相似度计算结果之和，得到所述综合相似度计算结果。
25.在一示例性的实施方式中，所述确定所述每个目标行为特征对应的目标权重，包括：
26.获取预设时段内所述每个目标行为特征对应的特征集；
27.基于每个特征集中各个特征，确定所述每个特征集对应的特征标准差以及特征平均值；
28.基于所述每个特征集对应的特征标准差以及特征平均值，确定所述每个目标行为特征的变异系数；
29.基于所述每个目标行为特征的变异系数，确定所述每个目标行为特征对应的目标权重。
30.在一示例性的实施方式中，所述基于所述每个目标行为特征的变异系数，确定所述每个目标行为特征对应的目标权重，包括：
31.基于所述每个目标行为特征的变异系数，计算各个目标行为特征的变异系数之和；
32.计算所述每个目标行为特征的变异系数与所述变异系数之和的比值，得到所述每个目标行为特征的变异系数比值；
33.将所述每个目标行为特征的变异系数比值作为所述每个目标行为特征对应的目标权重。
34.在一示例性的实施方式中，所述样本对象为至少两个，所述基于所述目标行为特征与所述样本行为特征之间的相似度，确定所述目标对象与所述第二业务类型的关联度信息，包括：
35.计算所述目标行为特征与每个样本行为特征之间的相似度，得到各个样本对象对应的相似度计算结果；
36.基于所述各个样本对象对应的相似度计算结果，确定所述目标对象与所述第二业务类型的关联度信息。
37.在一示例性的实施方式中，所述基于所述各个样本对象对应的相似度计算结果，确定所述目标对象与所述第二业务类型的关联度信息，包括：
38.若所述各个样本对象对应的相似度计算结果均大于预设相似度阈值，确定所述目标对象与所述第二业务类型的关联度高；
39.若任一样本对象对应的相似度计算结果小于或等于所述预设相似度阈值，确定所述目标对象与所述第二业务类型的关联度低。
40.在一示例性的实施方式中，所述获取所述目标应用程序的第二业务类型的样本对象的样本行为特征之前，所述方法还包括：
41.获取所述目标应用程序的第二业务类型中的候选对象集；
42.获取所述候选对象集中每个候选对象的第二业务类型中的业务数据；
43.将业务数据在目标区间内的候选对象确定为所述样本对象。
44.在一示例性的实施方式中，所述将业务数据在目标区间内的候选对象确定为所述样本对象包括：
45.将业务数据在目标区间内的候选对象确定为待筛选对象，所述待筛选对象为至少两个；
46.获取所述目标对象的资源以及关注对象的数量；
47.基于所述目标对象的资源，确定所述目标对象的目标领域；
48.基于所述目标对象的目标领域以及关注对象的数量，从至少两个待筛选对象中确定与所述目标领域相同且与所述关注对象的数量相匹配的样本对象。
49.在一示例性的实施方式中，所述方法还包括：
50.基于所述关联度信息，向所述目标对象发送分享信息，所述分享信息包括所述第二业务类型的标识。
51.在一示例性的实施方式中，所述目标行为特征包括以下中的至少一项：
52.所述目标对象的行为时长、多媒体信息的发布数量、多媒体信息的曝光时长、虚拟资源的投放值、虚拟资源的回收值、关注对象的增长数量以及目标内容的出现次数。
53.根据本公开实施例的第二方面，提供一种对象识别装置，包括：
54.目标行为特征获取模块，被配置为执行获取目标对象在目标应用程序中的目标行为特征；所述目标行为特征为所述目标对象在所述目标应用程序的至少一个第一业务类型中的操作行为相关特征；
55.样本行为特征获取模块，被配置为执行获取所述目标应用程序的第二业务类型的样本对象的样本行为特征；所述样本对象与所述目标对象为同一领域的对象；所述样本行为特征与所述目标行为特征为相同类型的特征；
56.关联度信息确定模块，被配置为执行基于所述目标行为特征与所述样本行为特征之间的相似度，确定所述目标对象与所述第二业务类型的关联度信息；
57.对象识别结果确定模块，被配置为执行基于所述关联度信息，得到对所述目标对象的对象识别结果。
58.在一示例性的实施方式中，所述装置还包括：
59.归一化处理模块，被配置为执行将所述目标行为特征以及所述样本行为特征进行归一化处理，得到归一化目标行为特征以及归一化样本行为特征；
60.向量转化模块，被配置为执行将所述归一化目标行为特征转化成第一特征向量，将所述归一化样本行为特征转化成第二特征向量；
61.相似度计算结果确定模块，被配置为执行计算所述第一特征向量与所述第二特征向量之间的相似度，得到相似度计算结果；
62.行为特征相似度确定模块，被配置为执行将所述相似度计算结果作为所述目标行为特征与所述样本行为特征之间的相似度。
63.在一示例性的实施方式中，所述目标行为特征为至少两个，所述相似度计算结果确定模块包括：
64.相似度计算结果确定单元，被配置为执行计算每个目标行为特征对应的第一特征向量与第二特征向量之间的相似度，得到每个目标行为特征对应的相似度计算结果；
65.目标权重确定单元，被配置为执行确定所述每个目标行为特征对应的目标权重；
66.综合相似度计算结果确定单元，被配置为执行基于所述每个目标行为特征对应的相似度计算结果以及目标权重，确定综合相似度计算结果；
67.所述行为特征相似度确定模块包括：
68.行为特征相似度确定单元，被配置为执行将所述综合相似度计算结果作为所述目标行为特征与所述样本行为特征之间的相似度。
69.在一示例性的实施方式中，所述综合相似度计算结果确定单元包括：
70.乘积计算子单元，被配置为执行计算所述每个目标行为特征对应的相似度计算结果以及目标权重的乘积，得到所述每个目标行为特征的相似度计算结果；
71.综合相似度计算结果确定子单元，被配置为执行计算各个目标行为特征的相似度计算结果之和，得到所述综合相似度计算结果。
72.在一示例性的实施方式中，所述目标权重确定单元包括：
73.特征集获取子单元，被配置为执行获取预设时段内所述每个目标行为特征对应的特征集；
74.特征平均值确定子单元，被配置为执行基于每个特征集中各个特征，确定所述每个特征集对应的特征标准差以及特征平均值；
75.变异系数确定子单元，被配置为执行基于所述每个特征集对应的特征标准差以及特征平均值，确定所述每个目标行为特征的变异系数；
76.目标权重确定子单元，被配置为执行基于所述每个目标行为特征的变异系数，确定所述每个目标行为特征对应的目标权重。
77.在一示例性的实施方式中，所述目标权重确定子单元包括：
78.变异系数和计算子单元，被配置为执行基于所述每个目标行为特征的变异系数，计算各个目标行为特征的变异系数之和；
79.变异系数比值确定子单元，被配置为执行计算所述每个目标行为特征的变异系数与所述变异系数之和的比值，得到所述每个目标行为特征的变异系数比值；
80.特征权重确定子单元，被配置为执行将所述每个目标行为特征的变异系数比值作为所述每个目标行为特征对应的目标权重。
81.在一示例性的实施方式中，所述样本对象为至少两个，所述关联度信息确定模块包括：
82.相似度计算结果确定单元，被配置为执行计算所述目标行为特征与每个样本行为特征之间的相似度，得到各个样本对象对应的相似度计算结果；
83.关联度信息确定单元，被配置为执行基于所述各个样本对象对应的相似度计算结果，确定所述目标对象与所述第二业务类型的关联度信息。
84.在一示例性的实施方式中，所述关联度信息确定单元包括：
85.第一关联度确定子单元，被配置为执行若所述各个样本对象对应的相似度计算结果均大于预设相似度阈值，确定所述目标对象与所述第二业务类型的关联度高；
86.第二关联度确定子单元，被配置为执行若任一样本对象对应的相似度计算结果小于或等于所述预设相似度阈值，确定所述目标对象与所述第二业务类型的关联度低。
87.在一示例性的实施方式中，所述装置还包括：
88.候选对象集获取模块，被配置为执行获取所述目标应用程序的第二业务类型中的候选对象集；
89.业务数据获取模块，被配置为执行获取所述候选对象集中每个候选对象的第二业务类型中的业务数据；
90.样本对象确定模块，被配置为执行将业务数据在目标区间内的候选对象确定为所述样本对象。
91.在一示例性的实施方式中，所述样本对象确定模块包括：
92.待筛选对象确定单元，被配置为执行将业务数据在目标区间内的候选对象确定为待筛选对象，所述待筛选对象为至少两个；
93.对象数量获取单元，被配置为执行获取所述目标对象的资源以及关注对象的数量；
94.目标领域确定单元，被配置为执行基于所述目标对象的资源，确定所述目标对象的目标领域；
95.样本对象筛选单元，被配置为执行基于所述目标对象的目标领域以及关注对象的数量，从至少两个待筛选对象中确定与所述目标领域相同且与所述关注对象的数量相匹配的样本对象。
96.在一示例性的实施方式中，所述装置还包括：
97.分享信息发送模块，被配置为执行基于所述关联度信息，向所述目标对象发送分享信息，所述分享信息包括所述第二业务类型的标识。
98.在一示例性的实施方式中，所述目标行为特征包括以下中的至少一项：
99.所述目标对象的行为时长、多媒体信息的发布数量、多媒体信息的曝光时长、虚拟资源的投放值、虚拟资源的回收值、关注对象的增长数量以及目标内容的出现次数。
100.根据本公开实施例的第三方面，提供一种电子设备，包括：
101.处理器；
102.用于存储所述处理器可执行指令的存储器；
103.其中，所述处理器被配置为执行所述指令，以实现如上所述的对象识别方法。
104.根据本公开实施例的第四方面，提供一种计算机可读存储介质，当所述计算机可
读存储介质中的指令由电子设备处理器执行时，使得电子设备能够执行如上所述的对象识别方法。
105.根据本公开实施例的第五方面，提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上所述的对象识别方法。
106.本公开的实施例提供的技术方案至少带来以下有益效果：
107.本公开获取目标对象在目标应用程序中的目标行为特征；所述目标行为特征为所述目标对象在所述目标应用程序的至少一个第一业务类型中的操作行为相关特征；获取所述目标应用程序的第二业务类型的样本对象的样本行为特征；所述样本对象与所述目标对象为同一领域的对象；所述样本行为特征与所述目标行为特征为相同类型的特征；基于所述目标行为特征与所述样本行为特征之间的相似度，确定所述目标对象与所述第二业务类型的关联度信息；从而可以提高确定目标对象与第二业务类型的关联度信息的准确率；再基于所述关联度信息，得到对所述目标对象的对象识别结果。本公开根据目标行为特征与样本行为特征，确定目标对象与第二业务类型的关联度信息；从而确定目标对象的对象识别结果，提高了目标对象识别结果的准确率，提高了目标对象与第二业务类型之间匹配度的准确率。
108.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
109.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
110.图1是根据一示例性实施例示出的一种对象识别方法的应用环境图。
111.图2是根据一示例性实施例示出的一种对象识别方法的流程图。
112.图3是根据一示例性实施例示出的一种确定样本对象的方法的流程图。
113.图4是根据一示例性实施例示出的一种确定目标行为特征与样本行为特征之间的相似度的方法的流程图。
114.图5是根据一示例性实施例示出的一种确定综合相似度计算结果的方法的流程图。
115.图6是根据一示例性实施例示出的一种确定每个目标行为特征对应的目标权重的方法的流程图。
116.图7是根据一示例性实施例示出的一种对象识别系统的结构示意图；
117.图8是根据一示例性实施例示出的一种对象识别装置的框图。
118.图9是根据一示例性实施例示出的一种用于对象识别的电子设备的框图。
具体实施方式
119.为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
120.需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用
的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
121.本公开所涉及的数据可以为经用户授权或者经过各方充分授权的数据。
122.请参阅图1，其所示为根据一示例性实施例示出的一种对象识别方法的应用环境图，该应用环境可以包括服务器01和客户端02。
123.具体的，本说明书实施例中，所述服务器01可以包括一个独立运行的服务器，或者分布式服务器，或者由多个服务器组成的服务器集群，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn(content delivery network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。服务器01可以包括有网络通信单元、处理器和存储器等等。具体的，所述服务器01可以用于获取目标对象在目标应用程序中的目标行为特征以及目标应用程序的第二业务类型的样本对象的样本行为特征；以及基于所述目标行为特征与所述样本行为特征之间的相似度，确定所述目标对象与所述第二业务类型的关联度信息；以及基于所述关联度信息，得到对所述目标对象的对象识别结果。
124.具体的，本说明书实施例中，所述客户端02可以包括智能手机、台式电脑、平板电脑、笔记本电脑、数字助理、智能可穿戴设备、车载终端等类型的实体设备，也可以包括运行于实体设备中的软体，例如一些服务商提供给用户的网页页面，也可以为该些服务商提供给用户的应用。具体的，所述客户端02可以为目标对象对应的终端，用于显示包括第二业务类型标识的分享信息。
125.图2是根据一示例性实施例示出的一种对象识别方法的流程图，如图2所示，该方法可以应用于图1所示的服务器01中，包括以下步骤。
126.在步骤s21中，获取目标对象在目标应用程序中的目标行为特征；所述目标行为特征为所述目标对象在所述目标应用程序的至少一个第一业务类型中的操作行为相关特征；
127.在一些实施例中，目标应用程序可以包括但不限于直播、短视频等应用程序；第一业务类型可以包括但不限于目标应用程序中的体育视频、美食制作视频等非电商业务；目标对象可以为发布多媒体信息但是没有进行带货的对象，例如在直播平台中发布美食制作视频、体育视频、音乐视频等，但未进行线上商品销售的主播。
128.在一些实施例中，目标行为特征可以为一个，也可以为多个，所述目标行为特征可以包括以下中的至少一项：
129.所述目标对象的行为时长、多媒体信息的发布数量、多媒体信息的曝光时长、虚拟资源的投放值、虚拟资源的回收值、关注对象的增长数量以及目标内容的出现次数。
130.在一些实施例中，目标对象的行为时长可以为用户的天级平均直播时长，由于用户的直播行为可能随着时间会有波动，计算当天特征时，可以取过去30天内的数据作为参照标准。在过去30天内，用户直播时长》1小时为有效天，有效天数为d，有效天的直播时长总和为m，取平均直播时长h＝m/d。
131.在一些实施例中，多媒体信息的发布数量可以为用户天级发布短视频数量，由于用户发布短视频数可能随着时间会有波动，计算当天特征时，可以取过去30天内的数据作
为参照标准。在过去30天内，用户30天内发布的短视频总数为s1，有效天数为d1，取平均发布短视频数为v1＝s1/d1。
132.在一些实施例中，多媒体信息的曝光时长可以为用户天级短视频被观看时长，由于用户发布短视频被观看时长可能随着时间会有波动，计算当天特征时，可以取过去30天内的数据作为参照标准。在过去30天内，用户30天内发布的短视频被观看时长为s2，天数为d2，取平均被观看时长为v2＝s2/d2。
133.在一些实施例中，虚拟资源的投放值可以为用户商业化投放金额，由于用户商业化投放金额可能随着时间会有波动，计算当天特征时，可以取过去30天内的数据作为参照标准。在过去30天内，用户商业化投放金额为s3，有效投放天数为d3，取平均商业化投放金额为v3＝s3/d3。
134.在一些实施例中，虚拟资源的回收值可以为用户商业化投放回报率(return on investment，roi)，由于用户商业化投放roi可能随着时间会有波动，计算当天特征时，可以取过去30天内的数据作为参照标准。在过去30天内，用户总投放roi为s，有效投放天数为d，取平均投放roi为v4＝s4/d4。
135.在一些实施例中，关注对象可以为关注目标对象的对象，例如可以为目标对象的粉丝数，关注对象的增长数量可以为用户天级涨粉量，由于用户涨粉量可能随着时间会有波动，计算当天特征时，可以取过去30天内的数据作为参照标准。在过去30天内，用户涨粉量为s5，天数为d5，取平均涨粉量为v5＝s5/d5。
136.在一些实施例中，目标内容可以为商业内容；比如在体育视频中，商业内容可以为目标对象针对粉丝的提问关于体育器材购买链接的回复。目标内容的出现次数可以为用户直播内容提及商业内容的次数，由于用户直播内容有可能包含商业意愿，此指标可能随着时间会有波动，计算当天特征时，可以取过去30天内的数据作为参照标准。在过去30天内，用户提及商业内容次数为s6，有效天数为d6，取用户直播内容平均提及商业内容度的次数为v6＝s6/d6。
137.在一些实施例中，在获取目标对象的目标行为特征时，可以预先获取目标对象的多个类型的行为特征，并从中筛选出符合业务指标的目标行为特征；例如，可以根据粉丝数量这一业务指标，筛选出目标行为特征；还可以从目标对象的同一类型的多个行为特征中进行异常值筛除、缺失值补齐等操作处理。
138.本公开实施例中，可以根据业务指标的需要，将目标对象的行为时长、多媒体信息的发布数量、多媒体信息的曝光时长、虚拟资源的投放值、虚拟资源的回收值、关注对象的增长数量以及目标内容的出现次数中的任意一个或多个特征作为目标行为特征，从而提高了目标行为特征的选择灵活性。
139.在步骤s23中，获取所述目标应用程序的第二业务类型的样本对象的样本行为特征；所述样本对象与所述目标对象为同一领域的对象；所述样本行为特征与所述目标行为特征为相同类型的特征。
140.本公开实施例中，第二业务类型可以为目标应用程序中的电商业务，例如直播带货等业务；样本对象通常为目标应用程序中的带货主播，可以进行商品的线上销售。样本对象与目标对象为同一领域的对象是指样本对象与目标对象可以为同一行业的对象；例如，样本对象与目标对象可以都为美食行业的主播。样本行为特征与所述目标行为特征为相同
类型的特征，目标行为特征为一个，那么样本行为特征也是一个；所述样本行为特征与所述目标行为特征也可以均为多个相同类型的特征。
141.本公开实施例中，获取所述目标应用程序的第二业务类型的样本对象的样本行为特征；可以预先获取样本对象的多个类型的行为特征，并从中筛选出符合业务指标的样本行为特征；例如，可以根据粉丝数量这一业务指标，筛选出样本行为特征；还可以从样本对象的同一类型的多个行为特征中进行异常值筛除、缺失值补齐等操作处理。
142.本公开实施例中，如图3所示，所述获取所述目标应用程序的第二业务类型的样本对象的样本行为特征之前，可以先确定出所述目标应用程序的第二业务类型的样本对象，所述方法还包括：
143.在步骤s221中，获取所述目标应用程序的第二业务类型中的候选对象集；
144.本公开实施例中，目标应用程序的第二业务类型中的候选对象集可以为目标应用程序中所有第二业务类型的主播的集合，可以根据该集合筛选出样本对象。
145.在步骤s223中，获取所述候选对象集中每个候选对象的第二业务类型中的业务数据；
146.本公开实施例中，候选对象的业务数据可以包括但不限于候选对象的销售数量、关注数量、网站成交金额(gross merchandise volume，gmv)，gmv属于电商平台企业成交类指标；主要指拍下订单的总金额，包含已付款和未付款两部分。可以根据业务数据，从候选对象集中筛选出样本对象。
147.在步骤s225中，将业务数据在目标区间内的候选对象确定为所述样本对象。
148.本公开实施例中，目标区间可以根据候选对象集中每个候选对象的第二业务类型中的业务数据来确定，可以将业务数据的中位数对应区间作为目标区间；例如可以将gmv在50w-200w内的商家群体的中位数确定为样本对象。
149.本公开实施例中，可以根据候选对象的业务数据筛选出样本对象，将目标应用程序中第二业务类型的业务数据居中的对象作为样本对象，从而可以提高后续确定目标对象与第二业务类型之间关联度信息的准确率。
150.在一些实施例中，所述将业务数据在目标区间内的候选对象确定为所述样本对象包括：
151.将业务数据在目标区间内的候选对象确定为待筛选对象，所述待筛选对象为至少两个；
152.本公开实施例中，可以将业务数据在目标区间内的候选对象确定为初步筛选出的对象。
153.获取所述目标对象的资源以及关注对象的数量；
154.本公开实施例中，目标对象的资源可以为目标对象直播的对象，例如美食等；可以获取目标对象的资源以及粉丝的数量。目标对象的资源可以用于确定目标对象所述的领域。
155.基于所述目标对象的资源，确定所述目标对象的目标领域；
156.本公开实施例中，可以根据目标对象的资源，确定所述目标对象的目标领域；从而便于筛选出与目标对象为相同领域的样本对象。
157.基于所述目标对象的目标领域以及关注对象的数量，从至少两个待筛选对象中确
定与所述目标领域相同且与所述关注对象的数量相匹配的样本对象。
158.本公开实施例中，可以将与目标对象同领域且粉丝数量在同一数量区间的待筛选对象确定为样本对象。
159.本公开实施例中，考虑到行业和潜在流量的获取差异，在实际比较时，可以选取同主营行业同粉丝区间的商家进行结果比较，从而进一步提高样本对象与第二业务类型的匹配度，从而提高后续确定目标对象与第二业务类型之间关联度信息的准确率。
160.在步骤s25中，基于所述目标行为特征与所述样本行为特征之间的相似度，确定所述目标对象与所述第二业务类型的关联度信息。
161.本公开实施例中，可以将目标行为特征与所述样本行为特征均转化成特征向量，然后计算两个特征向量之间的相似度，例如可以计算两个特征之间的余弦相似度，并将两个特征向量之间的相似度作为所述目标行为特征与所述样本行为特征之间的相似度。
162.本公开实施例中，可以通过目标对象的目标行为特征与样本对象的样本行为特征之间的相似度，确定目标对象与样本对象之间的相似度，从而准确地确定出目标对象与第二业务类型的关联度信息。
163.本公开实施例中，所述样本对象为至少两个，所述基于所述目标行为特征与所述样本行为特征之间的相似度，确定所述目标对象与所述第二业务类型的关联度信息，包括：
164.计算所述目标行为特征与每个样本行为特征之间的相似度，得到各个样本对象对应的相似度计算结果；
165.在一些实施例中，若样本对象为多个，可以计算目标行为特征与每个样本对象的样本行为特征之间的相似度，从而得到各个样本对象对应的相似度计算结果。
166.基于所述各个样本对象对应的相似度计算结果，确定所述目标对象与所述第二业务类型的关联度信息。
167.在一些实施例中，可以根据目标对象的目标行为特征与每个样本对象的样本行为特征之间的相似度，确定出各个样本对象对应的相似度计算结果，从而确定所述目标对象与所述第二业务类型的关联度信息，关联度信息表征目标对象与第二业务类型的匹配度，从而可以确定目标对象从第一业务类型转化成第二业务类型的意向结果。
168.本公开实施例中，可以通过计算目标对象与多个样本对象之间的相似度，确定出目标对象从第一业务类型转化成第二业务类型的意向结果；样本对象数量的增加，有利于提高确定目标对象从第一业务类型转化成第二业务类型的意向结果的准确率。
169.在一些实施例中，所述基于所述各个样本对象对应的相似度计算结果，确定所述目标对象与所述第二业务类型的关联度信息，包括：
170.若所述各个样本对象对应的相似度计算结果均大于预设相似度阈值，确定所述目标对象与所述第二业务类型的关联度高；
171.本公开实施例中，目标对象与第二业务类型的关联度高，说明目标对象从第一业务类型转换成第二业务类型的概率高。
172.在一些实施例中，所述基于所述各个样本对象对应的相似度计算结果，确定所述目标对象与所述第二业务类型的关联度信息，包括：
173.若任一样本对象对应的相似度计算结果小于或等于所述预设相似度阈值，确定所述目标对象与所述第二业务类型的关联度低。
174.本公开实施例中，目标对象与第二业务类型的关联度低，说明目标对象从第一业务类型转换成第二业务类型的概率低。
175.在一些实施例中，所述基于所述各个样本对象对应的相似度计算结果，确定所述目标对象与所述第二业务类型的关联度信息，包括：
176.若存在预设数量的样本对象对应的相似度计算结果小于或等于所述预设相似度阈值，确定所述目标对象与所述第二业务类型的关联度低。
177.本公开实施例中，预设数量可以根据实际情况进行设置，多个样本对象可以组成样本对象集，可以根据样本集中样本对象的总数量进行设置，例如预设数量可以设置为样本对象总数量的10％；若样本对象集中存在预设数量个与目标对象的相似度小于或等于所述预设相似度阈值的对象，可以确定目标对象与所述第二业务类型的关联度较低。
178.在一些实施例中，可以根据实际情况设置预设相似度阈值，从而根据预设相似度阈值来确定目标对象与所述第二业务类型的关联度信息。当样本对象为一个时，可以根据一个样本对象与目标对象之间的相似度，确定目标对象与所述第二业务类型的关联度信息。当样本对象为多个时，可以根据目标对象与多个样本对象之间相似度，确定目标对象与所述第二业务类型的关联度信息。
179.本公开实施例中，可以通过设置预设相似度阈值，根据目标对象与样本对象之间的相似度计算结果，确定目标对象与所述第二业务类型的关联度信息；对于多个样本对象，则可以根据每个样本对象与目标对象之间的特征相似度，确定目标对象与所述第二业务类型的关联度信息，从而提高确定目标对象的对象识别结果的准确率。
180.本公开实施例中，如图4所示，所述基于所述目标行为特征与所述样本行为特征之间的相似度，确定所述目标对象与所述第二业务类型的关联度信息之前，所述方法还包括：
181.在步骤s241中，将所述目标行为特征以及所述样本行为特征进行归一化处理，得到归一化目标行为特征以及归一化样本行为特征；
182.在一些实施例中，为了排除极值的影响，对于目标行为特征以及样本行为特征，可以进行归一化处理；具体的，可以根据目标行为特征以及样本行为特征对应的数值进行归一化处理；例如，归一化处理逻辑如下：
183.(1)在10分位到90分位数值，采取线性处理逻辑，分数设置为(x-10分位数)/(90分位数-10分位数)；
184.(2)对于90分位以上的数值，采取反比例函数，分数设置为0.9+0.1*(1-90分位数/x)；
185.(3)对于10分位以下的数值，采取线性处理逻辑，分数设置为0.1*(x/10分位数)。
186.在步骤s243中，将所述归一化目标行为特征转化成第一特征向量，将所述归一化样本行为特征转化成第二特征向量；
187.在一些实施例中，可以将归一化处理后特征转化成特征向量，再计算特征相似度。
188.在步骤s245中，计算所述第一特征向量与所述第二特征向量之间的相似度，得到相似度计算结果；
189.在一些实施例中，可以通过计算两个特征向量之间的相似度，得到目标对象与样本对象之间的相似度。
190.在一些实施例中，如图5所示，所述目标行为特征为至少两个，所述计算所述第一
特征向量与所述第二特征向量之间的相似度，得到相似度计算结果，包括：
191.在步骤s2451中，计算每个目标行为特征对应的第一特征向量与第二特征向量之间的相似度，得到所述每个目标行为特征对应的相似度计算结果；
192.在一些实施例中，目标对象的目标行为特征可以包括多种类型的特征，目标行为特征为至少两个是指目标行为特征的类型为至少两个；此时，样本对象的样本行为特征也为多个；可以通过计算每个目标行为特征与对应的样本行为特征对应的特征向量之间的相似度，得到每个目标行为特征对应的相似度计算结果。
193.在步骤s2453中，确定所述每个目标行为特征对应的目标权重；
194.在一些实施例中，可以根据每个目标行为特征相对于目标对象的重要性，设置每个目标行为特征对应的目标权重，目标权重表征每个目标行为特征相对于目标对象的重要程度。
195.在一些实施例中，如图6所示，所述确定所述每个目标行为特征对应的目标权重，包括：
196.在步骤s24531中，获取预设时段内所述每个目标行为特征对应的特征集；
197.在一些实施例中，预设时段可以为一个月、一年，具体时间可以根据实际情况进行设置。可以获取目标行为特征在预设时段内的特征集，特征集中可以包括预设时段不同时间点的目标行为特征。
198.在步骤s24533中，基于每个特征集中各个特征，确定所述每个特征集对应的特征标准差以及特征平均值；
199.在一些实施例中，对于特征集中特征x1，
……
，xn，可以通过如下公式计算特征标准差；
[0200][0201]
其中，s为特征标准差，xi为特征集中第i个特征，n为特征集中特征的数量，是指x1-xn的特征平均值。
[0202]
在步骤s24535中，基于所述每个特征集对应的特征标准差以及特征平均值，确定所述每个目标行为特征的变异系数；
[0203]
在一些实施例中，可以将每个特征集对应的特征标准差与对应的特征平均值的比值，确定为所述每个目标行为特征的变异系数v；计算公式如下：
[0204][0205]
在步骤s24537中，基于所述每个目标行为特征的变异系数，确定所述每个目标行为特征对应的目标权重。
[0206]
在一些实施例中，变异系数法可以理解为基于各特征的变异系数，再引入均值来消除平均数不同对于变异程度比较的影响。最后再乘以标准化系数来消除量纲差异带来的数据不平衡。例如，对于特征短视频观看时长，动辄成千上万，而是否为优质视频仅为1或者0，因此，需要将它们都放在0-1之间的范围之后再进行比较。
[0207]
本公开实施例中，可以根据预设时段内所述每个目标行为特征对应的特征集，确定每个目标行为特征的目标权重，从而确定出每个目标行为特征的重要程度，提高了目标
对象与样本对象之间特征相似度计算结果的准确率，从而可以提高确定目标对象入驻平台意向结果的准确率。
[0208]
在一些实施例中，所述基于所述每个目标行为特征的变异系数，确定所述每个目标行为特征对应的目标权重，包括：
[0209]
基于所述每个目标行为特征的变异系数，计算各个目标行为特征的变异系数之和；
[0210]
计算所述每个目标行为特征的变异系数与所述变异系数之和的比值，得到所述每个目标行为特征的变异系数比值；
[0211]
将所述每个目标行为特征的变异系数比值作为所述每个目标行为特征对应的目标权重。
[0212]
在一些实施例中，每个目标行为特征对应的目标权重wj的计算公式如下：
[0213][0214]
其中，wj为第j个目标行为特征对应的目标权重，vj为第i个目标行为特征对应的变异系数。
[0215]
本公开实施例中，可以根据每个目标行为特征对应的变异系数，确定每个目标行为特征的目标权重，将每个目标行为特征对应的变异系数在所有目标行为特征对应的变异系数之后中的占比作为每个目标行为特征的目标权重，从而根据权重计算目标对象与样本对象之间特征相似度计算结果，提高特征相似度计算结果的准确率。
[0216]
在步骤s2455中，基于所述每个目标行为特征对应的相似度计算结果以及目标权重，确定综合相似度计算结果。
[0217]
在一些实施例中，所述基于所述每个目标行为特征对应的相似度计算结果以及目标权重，确定综合相似度计算结果，可以包括：
[0218]
基于所述每个目标行为特征对应的相似度计算结果以及目标权重，确定所述每个目标行为特征的初始相似度计算结果；
[0219]
本公开实施例中，可以将每个目标行为特征对应的相似度计算结果与对应的目标权重的乘积，作为每个目标行为特征的初始相似度计算结果。
[0220]
本公开实施例中，可以根据对目标对象的特征同样的处理方法，对样本对象的特征进行相应处理；在计算目标行为特征对应的相似度计算结果时，需要将目标行为特征对应的样本行为特征进行同样的归一化处理后，再计算两者之间的相似度，从而提高计算结果的准确率。
[0221]
基于所述每个目标行为特征的初始相似度计算结果，确定综合相似度计算结果。
[0222]
本公开实施例中，可以将各个目标行为特征的初始相似度计算结果之和，确定为综合相似度计算结果。
[0223]
本公开实施例中，对于多个目标行为特征，可以在确定各个目标行为特征对应的权重，即确定出每个特征的重要程度之后，再计算综合相似度计算结果，从而可以提高目标对象与样本对象之间的相似度计算准确率。
[0224]
在一些实施例中，所述基于所述每个目标行为特征对应的相似度计算结果以及目标权重，确定综合相似度计算结果，包括：
[0225]
计算所述每个目标行为特征对应的相似度计算结果以及目标权重的乘积，得到所述每个目标行为特征的更新相似度计算结果；
[0226]
计算各个目标行为特征的更新相似度计算结果之和，得到所述综合相似度计算结果。
[0227]
本公开实施例中，在得到每种目标行为特征对应的相似度计算结果之后，可以根据每种目标行为特征的目标权重，对每种目标行为特征对应的相似度计算结果进行更新，从而得到每种目标行为特征对应的更新相似度计算结果，提高了目标对象对应的综合相似度计算结果的准确率。
[0228]
在步骤s247中，将所述相似度计算结果作为所述目标行为特征与所述样本行为特征之间的相似度。
[0229]
本公开实施例中，在确定目标行为特征与所述样本行为特征之间的相似度时，可以先对目标行为特征与所述样本行为特征进行归一化处理，再转化成特征向量计算相似度，从而可以排除特征中极值特征的影响，提高目标行为特征与所述样本行为特征之间相似度的准确率。
[0230]
在一些实施例中，所述将所述相似度计算结果作为所述目标行为特征与所述样本行为特征之间的相似度，包括：
[0231]
将所述综合相似度计算结果作为所述目标行为特征与所述样本行为特征之间的相似度。
[0232]
在步骤s27中，基于所述关联度信息，得到对所述目标对象的对象识别结果。
[0233]
本公开实施例中，所述对象识别结果可以包括：目标对象与第二业务类型匹配度高的第一识别结果以及目标对象与第二业务类型匹配度低的第二识别结果；若目标对象与第二业务类型的关联度高，则说明两者的匹配度高；若目标对象与第二业务类型的关联度低，则说明两者的匹配度低。
[0234]
在一些实施例中，所述方法还包括：
[0235]
基于所述关联度信息，向所述目标对象发送分享信息，所述分享信息包括所述第二业务类型的标识。
[0236]
在一些实施例中，基于所述关联度信息，向所述目标对象发送分享信息包括：
[0237]
若所述关联度信息为目标对象与第二业务类型的关联度高，向所述目标对象发送分享信息。
[0238]
在一些实施例中，若所述关联度信息为目标对象与第二业务类型的关联度低，不向所述目标对象发送分享信息。
[0239]
在一些实施例中，分享信息可以为第二业务类型的链接信息，可以包括第二业务类型的标识信息；目标对象可以根据分享信息实现快速从第一业务类型转换成第二业务类型。若确定出目标对象与第二业务类型的关联度高，则可以向目标对象发送分享信息，以使目标对象可以根据分享信息中的第二业务类型的标识，快速转化成第二业务类型。
[0240]
本公开实施例中，在确定出目标对象与第二业务类型的关联度高时，再向所述目标对象发送分享信息，使目标对象可以根据分享信息从第一业务类型快速转换成第二业务类型，从而提高了分享信息的转化率。
[0241]
在一个具体的实施例中，如图7所示，图7为一种对象识别系统的结构示意图，包
括：特征服务模块、特征生产模块、特征分析模型(data analysis，da)、数据存储模块、样本数据采集模块以及数据分析模块；
[0242]
其中，特征服务模块包括特征查询模块和特征管理模块，特征查询模块用于查询商家特征，特征管理模块用于编辑商家特征；特征生产模块包括特征配置子模块、特征生产子模块、调度子模块和监控子模块；特征配置子模块用于进行特征配置，特征生产子模块用于结合已有特征生产新的组合特征，调度子模块用于进行特征的调度，监控子模块用于进行特征的监控，及时发现异常特征；特征分析模块包括指标抽取子模块、补齐缺失值子模块、处理异常值(倾斜值)子模块、归一化和权重计算子模块；指标抽取子模块用于根据实际情况选择特定特征，补齐缺失值子模块用于补齐特征的缺失值，处理异常值(倾斜值)子模块用于处理异常值、倾斜值，可以进行数值的筛除；归一化和权重计算子模块用于对特征进行归一化处理，以及计算每个特征的权重；数据存储模块包括数据仓库工具(hive)、开源流处理平台(kafka)、键值对数据库(key-value，kv)以及远程过程调用模块(remote procedure call，rpc)。kafka是一种高吞吐量的分布式发布订阅消息系统，它可以处理消费者在网站中的所有动作流数据。hive是基于hadoop的一个数据仓库工具，用来进行数据提取、转化、加载，这是一种可以存储、查询和分析存储在hadoop中的大规模数据的机制。hive数据仓库工具能将结构化的数据文件映射为一张数据库表；hadoop是一种分布式系统基础架构。key-value数据库是一种以键值对存储数据的一种数据库；rpc就是从一台机器(客户端)上通过参数传递的方式调用另一台机器(服务器)上的一个函数或方法(可以统称为服务)并得到返回的结果。
[0243]
其中，样本数据采集模块用于对样本用户全生命周期的数据采集，包括用户发布的视频、直播数据、商业投放数据以及与粉丝互动数据；样本数据采集之后可可以作为商家线索(leads)；
[0244]
其中，数据分析模块用于结合商家线索以及各商家的特征，确定出具有较高入驻平台意愿的商家。
[0245]
本公开获取目标对象在目标应用程序中的目标行为特征；所述目标行为特征为所述目标对象在所述目标应用程序的至少一个第一业务类型中的操作行为相关特征；获取所述目标应用程序的第二业务类型的样本对象的样本行为特征；所述样本对象与所述目标对象为同一领域的对象；所述样本行为特征与所述目标行为特征为相同类型的特征；基于所述目标行为特征与所述样本行为特征之间的相似度，确定所述目标对象与所述第二业务类型的关联度信息；从而可以提高确定目标对象与第二业务类型的关联度信息的准确率；再基于所述关联度信息，得到对所述目标对象的对象识别结果。本公开根据目标行为特征与样本行为特征，确定目标对象与第二业务类型的关联度信息；从而确定目标对象的对象识别结果，提高了目标对象识别结果的准确率，提高了目标对象与第二业务类型之间匹配度的准确率。
[0246]
图8是根据一示例性实施例示出的一种对象识别装置框图。参照图8，该装置包括：
[0247]
目标行为特征获取模块810，被配置为执行获取目标对象在目标应用程序中的目标行为特征；所述目标行为特征为所述目标对象在所述目标应用程序的至少一个第一业务类型中的操作行为相关特征；
[0248]
样本行为特征获取模块820，被配置为执行获取所述目标应用程序的第二业务类
型的样本对象的样本行为特征；所述样本对象与所述目标对象为同一领域的对象；所述样本行为特征与所述目标行为特征为相同类型的特征；
[0249]
关联度信息确定模块830，被配置为执行基于所述目标行为特征与所述样本行为特征之间的相似度，确定所述目标对象与所述第二业务类型的关联度信息；
[0250]
对象识别结果确定模块840，被配置为执行基于所述关联度信息，得到对所述目标对象的对象识别结果。
[0251]
在一些实施例中，所述装置还包括：
[0252]
归一化处理模块，被配置为执行将所述目标行为特征以及所述样本行为特征进行归一化处理，得到归一化目标行为特征以及归一化样本行为特征；
[0253]
向量转化模块，被配置为执行将所述归一化目标行为特征转化成第一特征向量，将所述归一化样本行为特征转化成第二特征向量；
[0254]
相似度计算结果确定模块，被配置为执行计算所述第一特征向量与所述第二特征向量之间的相似度，得到相似度计算结果；
[0255]
行为特征相似度确定模块，被配置为执行将所述相似度计算结果作为所述目标行为特征与所述样本行为特征之间的相似度。
[0256]
在一些实施例中，所述目标行为特征为至少两个，所述相似度计算结果确定模块包括：
[0257]
相似度计算结果确定单元，被配置为执行计算每个目标行为特征对应的第一特征向量与第二特征向量之间的相似度，得到每个目标行为特征对应的相似度计算结果；
[0258]
目标权重确定单元，被配置为执行确定所述每个目标行为特征对应的目标权重；
[0259]
综合相似度计算结果确定单元，被配置为执行基于所述每个目标行为特征对应的相似度计算结果以及目标权重，确定综合相似度计算结果；
[0260]
所述行为特征相似度确定模块包括：
[0261]
行为特征相似度确定单元，被配置为执行将所述综合相似度计算结果作为所述目标行为特征与所述样本行为特征之间的相似度。
[0262]
在一些实施例中，所述综合相似度计算结果确定单元包括：
[0263]
乘积计算子单元，被配置为执行计算所述每个目标行为特征对应的相似度计算结果以及目标权重的乘积，得到所述每个目标行为特征的相似度计算结果；
[0264]
综合相似度计算结果确定子单元，被配置为执行计算各个目标行为特征的相似度计算结果之和，得到所述综合相似度计算结果。
[0265]
在一些实施例中，所述目标权重确定单元包括：
[0266]
特征集获取子单元，被配置为执行获取预设时段内所述每个目标行为特征对应的特征集；
[0267]
特征平均值确定子单元，被配置为执行基于每个特征集中各个特征，确定所述每个特征集对应的特征标准差以及特征平均值；
[0268]
变异系数确定子单元，被配置为执行基于所述每个特征集对应的特征标准差以及特征平均值，确定所述每个目标行为特征的变异系数；
[0269]
目标权重确定子单元，被配置为执行基于所述每个目标行为特征的变异系数，确定所述每个目标行为特征对应的目标权重。
[0270]
在一些实施例中，所述目标权重确定子单元包括：
[0271]
变异系数和计算子单元，被配置为执行基于所述每个目标行为特征的变异系数，计算各个目标行为特征的变异系数之和；
[0272]
变异系数比值确定子单元，被配置为执行计算所述每个目标行为特征的变异系数与所述变异系数之和的比值，得到所述每个目标行为特征的变异系数比值；
[0273]
特征权重确定子单元，被配置为执行将所述每个目标行为特征的变异系数比值作为所述每个目标行为特征对应的目标权重。
[0274]
在一些实施例中，所述样本对象为至少两个，所述关联度信息确定模块包括：
[0275]
相似度计算结果确定单元，被配置为执行计算所述目标行为特征与每个样本行为特征之间的相似度，得到各个样本对象对应的相似度计算结果；
[0276]
关联度信息确定单元，被配置为执行基于所述各个样本对象对应的相似度计算结果，确定所述目标对象与所述第二业务类型的关联度信息。
[0277]
在一些实施例中，所述关联度信息确定单元包括：
[0278]
第一关联度确定子单元，被配置为执行若所述各个样本对象对应的相似度计算结果均大于预设相似度阈值，确定所述目标对象与所述第二业务类型的关联度高；
[0279]
第二关联度确定子单元，被配置为执行若任一样本对象对应的相似度计算结果小于或等于所述预设相似度阈值，确定所述目标对象与所述第二业务类型的关联度低。
[0280]
在一些实施例中，所述装置还包括：
[0281]
候选对象集获取模块，被配置为执行获取所述目标应用程序的第二业务类型中的候选对象集；
[0282]
业务数据获取模块，被配置为执行获取所述候选对象集中每个候选对象的第二业务类型中的业务数据；
[0283]
样本对象确定模块，被配置为执行将业务数据在目标区间内的候选对象确定为所述样本对象。
[0284]
在一些实施例中，所述样本对象确定模块包括：
[0285]
待筛选对象确定单元，被配置为执行将业务数据在目标区间内的候选对象确定为待筛选对象，所述待筛选对象为至少两个；
[0286]
对象数量获取单元，被配置为执行获取所述目标对象的资源以及关注对象的数量；
[0287]
目标领域确定单元，被配置为执行基于所述目标对象的资源，确定所述目标对象的目标领域；
[0288]
样本对象筛选单元，被配置为执行基于所述目标对象的目标领域以及关注对象的数量，从至少两个待筛选对象中确定与所述目标领域相同且与所述关注对象的数量相匹配的样本对象。
[0289]
在一些实施例中，所述装置还包括：
[0290]
分享信息发送模块，被配置为执行基于所述关联度信息，向所述目标对象发送分享信息，所述分享信息包括所述第二业务类型的标识。
[0291]
在一些实施例中，所述目标行为特征包括以下中的至少一项：
[0292]
所述目标对象的行为时长、多媒体信息的发布数量、多媒体信息的曝光时长、虚拟
资源的投放值、虚拟资源的回收值、关注对象的增长数量以及目标内容的出现次数。
[0293]
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0294]
图9是根据一示例性实施例示出的一种用于对象识别的电子设备的框图，该电子设备可以是终端，其内部结构图可以如图9所示。该电子设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种对象识别方法。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0295]
本领域技术人员可以理解，图9中示出的结构，仅仅是与本公开方案相关的部分结构的框图，并不构成对本公开方案所应用于其上的电子设备的限定，具体的电子设备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。
[0296]
在示例性实施例中，还提供了一种电子设备，包括：
[0297]
处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现上述的对象识别方法。
[0298]
在示例性实施例中，还提供了一种包括指令的计算机可读存储介质，例如包括指令的存储器，上述指令可由电子设备的处理器执行以完成上述对象识别方法。可选地，计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
[0299]
在示例性实施例中，还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述的对象识别方法。
[0300]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0301]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
[0302]
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。