排序模型训练及推荐方法、装置、电子设备及存储介质与流程

1.本发明涉及人工智能技术领域，特别是涉及一种排序模型训练及推荐方法、装置、电子设备及存储介质。


背景技术：

2.相关技术中，图像推荐系统能够根据用户输入的查询信息，查询到相应的图像，再将查询到的图像推荐给用户。例如，很多视频网站都带有评论系统，且自带表情包，只要用户输入几个字，就会弹出表情包候选列表，供用户选择。一般这种根据用户输入的查询信息查询相应图像的方法仅仅是基于查询信息的文本语义选择相应图像，即根据文本相似度进行选择，例如，在输入框输入“好的”，只会弹出包含“好的”字样的表情包，仅利用查询信息的文本语义查询图像，可能会使查询到的图像并不是用户想要得到的图像，导致推荐给用户的图像与用户的匹配程度较低。


技术实现要素：

3.本发明实施例的目的在于提供一种图像图像排序模型训练方法、装置、电子设备及存储介质，以提高推荐的图像与用户的匹配程度。具体技术方案如下：
4.在本发明实施的第一方面，首先提供了一种图像排序模型训练方法，所述方法包括：
5.获取多个样本查询词分别对应的多个候选图像；
6.获取各个样本查询词分别对应的用户特征数据，其中，针对每一个样本查询词，该样本查询词对应的用户特征数据表示包含该样本查询词的请求指令中所携带的用户标识对应的特征数据；
7.在各所述样本查询词中选取一个样本查询词；
8.将当前选取的样本查询词对应的多个候选图像以及用户特征数据输入所述图像排序模型中，得到当前选取的样本查询词对应的多个候选图像的预测排序结果；
9.获取当前选取的样本查询词的候选图像的排序标签；计算所述预测排序结果与所述排序标签之间的损失值；
10.基于所得到的损失值对所述图像排序模型进行调参，选取样本查询词继续对所述图像排序模型进行训练，直至满足预设的训练结束条件，则停止模型训练，得到训练后的图像排序模型。
11.在一种可能的实施方式中，所述将当前选取的样本查询词对应的多个候选图像以及用户特征数据输入所述图像排序模型中，得到当前选取的样本查询词对应的多个候选图像的预测排序结果，包括：
12.将当前选取的样本查询词对应的多个候选图像以及用户特征数据输入所述图像排序模型的概率预测网络中，得到所述多个候选图像分别对应的被点击预测概率，基于所述多个候选图像分别对应的被点击预测概率，对所述多个候选图像进行排序，得到所述预
测排序结果。
13.在一种可能的实施方式中，所述将当前选取的样本查询词对应的多个候选图像以及用户特征数据输入所述图像排序模型的概率预测网络中，得到所述多个候选图像分别对应的被点击预测概率，基于所述多个候选图像分别对应的被点击预测概率，对所述多个候选图像进行排序，得到所述预测排序结果，包括：
14.对当前选取的样本查询词对应的多个候选图像进行两两组合，将每一组候选图像和当前选取的样本查询词对应的用户特征数据输入所述图像排序模型的概率预测网络中，得到每一组候选图像对应的被点击预测概率；
15.基于所述每一组候选图像对应的被点击预测概率，对每一组候选图像进行排序，得到预测排序结果。
16.在一种可能的实施方式中，所述将当前选取的样本查询词对应的多个候选图像以及用户特征数据输入所述图像排序模型的概率预测网络中，得到所述多个候选图像分别对应的被点击预测概率，基于所述多个候选图像分别对应的被点击预测概率，对所述多个候选图像进行排序，得到所述预测排序结果，包括：
17.将当前选取的样本查询词对应的多个候选图像依次单张输入所述图像排序模型的概率预测网络中，并将当前选取的样本查询词对应的用户特征数据输入所述图像排序模型的概率预测网络中，分别得到每一张候选图像对应的被点击预测概率；
18.对已得到对应被点击预测概率的多个候选图像进行两两组合，得到每一组候选图像对应的被点击预测概率；
19.基于所述每一组候选图像对应的被点击预测概率，对每一组候选图像进行排序，得到预测排序结果。
20.在一种可能的实施方式中，所述计算所述预测排序结果与所述排序标签之间的损失值，包括：
21.针对每一组候选图像，基于所述每一组候选图像在所述多个候选图像中的预测排序结果，计算每一组候选图像在多个候选图像中的原本位置对应的归一化折损累计增益ndcg值，与每一组候选图像在多个候选图像中的对调位置对应的归一化折损累计增益ndcg值之差的绝对值，并将所述绝对值作为针对所述排序标签的权重；其中，所述原本位置为每一组候选图像在所述多个候选图像中的预测排序结果中对应的位置；
22.基于每一组候选图像对应的权重，确定所述预测排序结果与所述排序标签之间的损失值。
23.在一种可能的实施方式中，所述将当前选取的样本查询词对应的多个候选图像以及用户特征数据输入所述图像排序模型的概率预测网络中，得到所述多个候选图像分别对应的被点击预测概率，包括：
24.针对每一候选图像，提取所述候选图像对应的图像特征数据；
25.对所述图像特征数据和所述用户特征数据进行一维向量化处理，得到一维向量化的用户特征数据和所述候选图像对应的一维向量化的图像特征数据；
26.将所述候选图像对应的一维向量化的图像特征数据与所述一维向量化的用户特征数据进行拼接，得到所述候选图像对应的拼接特征数据；
27.基于所述拼接特征数据，得到所述候选图像对应的被点击预测概率。
28.在一种可能的实施方式中，所述对所述图像特征数据和所述用户特征数据进行一维向量化处理，得到一维向量化的用户特征数据和所述候选图像对应的一维向量化的图像特征数据，包括：
29.将所述图像特征数据和所述用户特征数据划分为第一特征数据和第二特征数据；
30.对所述第一特征数据进行归一化处理，将归一化处理后的第一特征数据进行拼接，得到第一拼接结果，将所述第一拼接结果输入全连接层，得到一维向量化的第一特征数据；
31.对所述第二特征数据进行嵌入表示，将嵌入表示后的第二特征数据进行拼接，得到第二拼接结果，将所述第二拼接结果输入所述一维向量化层，得到一维向量化的第二特征数据。
32.在一种可能的实施方式中，所述用户特征数据至少包括：用户信息数据、用户历史行为数据、时间窗口特征数据、交叉特征数据。
33.在本发明实施的第二方面，还提供了一种图像推荐方法，所述方法适用于图像推荐服务器，所述方法包括：
34.图像推荐服务器接收图像展示终端发送的查询请求；
35.提取所述查询请求中的查询词以及用户标识；
36.根据所述用户标识获取对应的用户特征数据，所述用户特征数据表示包含所述查询词的查询请求指令中所携带的用户标识对应的特征数据；
37.基于所述查询词得到对应的候选图像集；
38.将所述候选图像集和所述用户特征数据输入图像排序模型中，得到各个候选图像的排序结果，图像排序模型是通过上述第一方面的图像排序模型训练方法得到的。
39.在本发明实施的第三方面，还提供了一种图像排序模型训练装置，所述装置包括：
40.第一获取模块，用于获取多个样本查询词分别对应的多个候选图像；
41.第二获取模块，用于获取各个样本查询词分别对应的用户特征数据，其中，针对每一个样本查询词，该样本查询词对应的用户特征数据表示包含该样本查询词的请求指令中所携带的用户标识对应的特征数据；
42.训练模块，用于在各所述样本查询词中选取一个样本查询词；将当前选取的样本查询词对应的多个候选图像以及用户特征数据输入所述图像排序模型中，得到当前选取的样本查询词对应的多个候选图像的预测排序结果；获取当前选取的样本查询词的候选图像的排序标签；计算所述预测排序结果与所述排序标签之间的损失值；基于所得到的损失值对所述图像排序模型进行调参，选取样本查询词继续对所述图像排序模型进行训练，直至满足预设的训练结束条件，则停止模型训练，得到训练后的图像排序模型。
43.在一种可能的实施方式中，训练模块包括：
44.排序子模块，用于将当前选取的样本查询词对应的多个候选图像以及用户特征数据输入所述图像排序模型的概率预测网络中，得到所述多个候选图像分别对应的被点击预测概率，基于所述多个候选图像分别对应的被点击预测概率，对所述多个候选图像进行排序，得到所述预测排序结果。
45.在一种可能的实施方式中，排序子模块具体用于，对当前选取的样本查询词对应的多个候选图像进行两两组合，将每一组候选图像和当前选取的样本查询词对应的用户特
征数据输入所述图像排序模型的概率预测网络中，得到每一组候选图像对应的被点击预测概率；基于所述每一组候选图像对应的被点击预测概率，对每一组候选图像进行排序，得到预测排序结果。
46.在一种可能的实施方式中，排序子模块具体用于，将当前选取的样本查询词对应的多个候选图像依次单张输入所述图像排序模型的概率预测网络中，并将当前选取的样本查询词对应的用户特征数据输入所述图像排序模型的概率预测网络中，分别得到每一张候选图像对应的被点击预测概率；对已得到对应被点击预测概率的多个候选图像进行两两组合，得到每一组候选图像对应的被点击预测概率；基于所述每一组候选图像对应的被点击预测概率，对每一组候选图像进行排序，得到预测排序结果。
47.在一种可能的实施方式中，训练模块包括：
48.损失值计算子模块，具体用于针对每一组候选图像，基于所述每一组候选图像在所述多个候选图像中的预测排序结果，计算每一组候选图像在多个候选图像中的原本位置对应的归一化折损累计增益ndcg值，与每一组候选图像在多个候选图像中的对调位置对应的归一化折损累计增益ndcg值之差的绝对值，并将所述绝对值作为针对所述排序标签的权重；其中，所述原本位置为每一组候选图像在所述多个候选图像中的预测排序结果中对应的位置；基于每一组候选图像对应的权重，确定所述预测排序结果与所述排序标签之间的损失值。
49.在一种可能的实施方式中，排序子模块包括：
50.提取单元，用于针对每一候选图像，提取所述候选图像对应的图像特征数据；
51.一维向量化单元，用于对所述图像特征数据和所述用户特征数据进行一维向量化处理，得到一维向量化的用户特征数据和所述候选图像对应的一维向量化的图像特征数据；
52.拼接单元，用于将所述候选图像对应的一维向量化的图像特征数据与所述一维向量化的用户特征数据进行拼接，得到所述候选图像对应的拼接特征数据；
53.概率预测单元，用于基于所述拼接特征数据，得到所述候选图像对应的被点击预测概率
54.在一种可能的实施方式中，一维向量化单元具体用于，将所述图像特征数据和所述用户特征数据划分为第一特征数据和第二特征数据；对所述第一特征数据进行归一化处理，将归一化处理后的第一特征数据进行拼接，得到第一拼接结果，将所述第一拼接结果输入全连接层，得到一维向量化的第一特征数据；对所述第二特征数据进行嵌入表示，将嵌入表示后的第二特征数据进行拼接，得到第二拼接结果，将所述第二拼接结果输入所述一维向量化层，得到一维向量化的第二特征数据。
55.在一种可能的实施方式中，所述用户特征数据至少包括：用户信息数据、用户历史行为数据、时间窗口特征数据、交叉特征数据。
56.在本发明实施的第四方面，还提供了一种图像推荐装置，装置包括：
57.接收模块，用于图像推荐服务器接收图像展示终端发送的查询请求；
58.提取模块，用于提取所述查询请求中的查询词以及用户标识；
59.第三获取模块，用于根据所述用户标识获取对应的用户特征数据，所述用户特征数据表示包含所述查询词的查询请求指令中所携带的用户标识对应的特征数据；
60.第一得到模块，用于基于所述查询词得到对应的候选图像集；
61.第二得到模块，用于将所述候选图像集和所述用户特征数据输入图像排序模型中，得到各个候选图像的排序结果，所述图像排序模型是通过上述第一方面所述的图像排序模型训练方法得到的。
62.根据本发明实施的第五方面，还提供了一种电子设备，包括：处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信，
63.存储器，用于存放计算机程序；
64.处理器，用于执行存储器上所存放的程序时，实现第一方面或第二方面中任意所述的方法步骤。
65.在本发明实施的又一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的图像排序模型训练方法或第二方面所述的图像推荐方法。
66.在本发明实施的又一方面，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面所述的图像排序模型训练方法或第二方面所述的图像推荐方法。
67.本发明实施例提供了一种图像排序模型训练方法，通过获取多个样本查询词分别对应的候选图像；获取各个样本查询词分别对应的用户特征数据；在各样本查询词中选取一个样本查询词；将当前选取的样本查询词对应的多个候选图像以及用户特征数据输入图像排序模型中，得到当前选取的样本查询词对应的多个候选图像的预测排序结果；获取当前选取的样本查询词的候选图像的排序标签；计算预测排序结果与排序标签之间的损失值；基于所得到的损失值对图像排序模型进行调参，选取样本查询词继续对图像排序模型进行训练，直至满足预设的训练结束条件，则停止模型训练，得到训练后的图像排序模型。本发明实施例中，图像排序模型是基于各个样本查询词对应的候选图像以及各个样本查询词分别对应的用户特征数据进行训练得到的，图像排序模型的训练过程中综合考虑了图像本身的信息和用户特征数据，也即图像排序模型进行排序的过程中综合考虑了图像与用户的相关程度，如此，利用该图像排序模型对图像的排序结果进行推荐，可以提高推荐给用户的图像与用户的匹配程度。
附图说明
68.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
69.图1为本发明实施例提供的图像排序模型训练方法的一种流程图；
70.图2为本发明实施例提供的得到预测排序结果的一种流程图；
71.图3为本发明实施例提供的图像排序模型的模型结构图；
72.图4为本发明实施例提供的得到预测排序结果的另一种流程图；
73.图5为本发明实施例提供的计算损失值的流程图；
74.图6为本发明实施例提供的得到候选图像对应的被点击预测概率的流程图；
75.图7为本发明实施例提供的图像排序模型的概率预测网络的结构图；
76.图8为本发明实施例提供的对图像特征数据和用户特征数据进行一维向量化处理
的流程图；
77.图9为本发明实施例提供的图像推荐方法的一种流程图；
78.图10为本发明实施例提供的图像排序模型训练装置的一种结构示意图；
79.图11为本发明实施例提供的图像推荐装置的一种结构示意图；
80.图12为本发明实施例中一种电子设备结构示意图。
具体实施方式
81.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描述。
82.为了提高推荐给用户的图像与用户的匹配程度，本发明实施例提供了一种排序模型训练及推荐方法、装置、电子设备及存储介质，本发明实施例提供的模型训练方法可以应用于电子设备。其中，电子设备可以包括服务器、终端等，例如，终端可以包括手机、电脑等。
83.下面先对本发明实施例提供的图像排序模型训练方法以及图像推荐方法进行详细说明。
84.图1为本发明实施例提供的图像排序模型训练方法的一种流程图。如图1所示，包括以下步骤：
85.步骤s101，获取多个样本查询词分别对应的多个候选图像。
86.其中，一个样本查询词对应多个候选图像，具体一个样本查询词对应的候选图像的个数可以根据实际需求自定义设置，如20个、50个等。一个例子中，针对每一个样本查询词，在训练集中会有50个候选图像和1个被选中的图像，其中，1个被选中的图像用于确定排序标签。图像可以是表情包、照片等。每个样本查询词对应的候选图像的个数可以是相同的也可以是不同的。样本查询词可以是表示某种含义的文字信息，例如可以是动物的物种、情感词汇、演员的名字等；当样本查询词为情感词“开心”时，对应的候选图像就为多个表征开心的图像。
87.步骤s102，获取各个样本查询词分别对应的用户特征数据。
88.其中，针对每一个样本查询词，该样本查询词对应的用户特征数据表示包含该样本查询词的请求指令中所携带的用户标识对应的特征数据。
89.上述用户特征数据表示输入查询词的终端所对应用户的特征数据，用户特征数据是反映用户个人属性信息、用户历史行为信息等的特征数据，如用户个人属性信息可以是用户的性别、年龄等，用户历史行为信息可以是用户过去预设时段内观看的频道、影视剧名称等。例如用户a在终端b中输入查询词“开心”，则查询词“开心”对应的用户特征数据为用户a的特征数据。一个例子中，用户特征数据具体可以是用户的年龄、性别、及历史行为信息等，一个例子中，用户历史行为信息可以是该用户过去一段时间看过的频道、影视作品、动物物种等。
90.在一种可能的实施方式中，用户特征数据至少包括：用户信息数据、用户历史行为数据、时间窗口特征数据、交叉特征数据。
91.其中，用户信息数据表示用户的基础信息，例如用户的年龄、性别等；用户历史行为数据表示用户最近预设时段内看过的频道，明星、物种等；时间窗口特征数据表示在用户在最近预设时段内点击过的图像的点击率；交叉特征数据表示对图像特征数据和用户特征数据进行交叉得到的特征数据，例如用户最近预设时段内输入某些字段的点击率，用户最
近预设时段内对该图像的点击率等。对于用户特征数据进行区分，以便于在对于用户特征数据进行处理的阶段可以对不同类型的用户特征数据采取不同的处理，有利于基于处理后的用户特征数据更加准确的计算多个候选图像的被点击预测概率。
92.步骤s103，在各样本查询词中选取一个样本查询词。
93.在各样本查询词中任意选取一个样本查询词即可。
94.步骤s104，将当前选取的样本查询词对应的多个候选图像以及用户特征数据输入图像排序模型中，得到当前选取的样本查询词对应的多个候选图像的预测排序结果。
95.其中，每将一个样本查询词对应的多个候选图像及该样本查询词对应的用户特征数据输入图像排序模型中，就会得到该样本查询词对应的多个候选图像的预测排序结果。
96.图像排序模型对多个候选图像的排序方法有多种，一个例子中，图像排序模型会对多个候选样本图像进行打分，再按照得分从高到低或从低到高对多个候选样本图像进行排序；另一个例子中，图像排序模型会计算多个候选样本图像被用户点击的概率，再按照概率从高到低或从低到高对多个候选样本图像进行排序。
97.步骤s105，获取当前选取的样本查询词的候选图像的排序标签；计算预测排序结果与排序标签之间的损失值。
98.排序标签可以理解为候选图像的排序真值，可以是在对图像排序模型进行训练之前，结合样本查询词对应的多个候选图像信息及用户特征信息，对候选图像进行排序；也可以是结合用户特征信息，人工对候选图像进行排序，将人工排序的结果作为排序标签。
99.在一种可能的实施方式中，获取当前选取的样本查询词的多个候选图像，将多个候选图像两两组合，每一组候选图像中有一个图像是被选中的，另一个图像是未被选中的。在一组候选图像中，当被选中的图像排在未被选中的图像前，则此时的排序标签值为1，当未被选中的图像排在被选中的图像前，则此时的排序标签值为0，最终选择排序标签值为1的图像排序作为排序标签，即针对每一组候选图像都有对应的排序标签，其中被选中的图像可以是人工选择的。一个例子中，基于每一组候选图像对应的排序标签，可以得到当前选取的样本查询词的多个候选图像对应的排序标签。
100.计算预测排序结果与排序标签之间的损失值可以理解为计算预测排序结果与排序真值之间的差异。通常情况下，可以利用损失函数计算损失值，例如使用交叉熵损失函数(cross-entropy loss)、排序损失函数(ranking loss)等。
101.步骤s106，基于所得到的损失值对图像排序模型进行调参，选取样本查询词继续对图像排序模型进行训练，直至满足预设的训练结束条件，则停止模型训练，得到训练后的图像排序模型。
102.基于得到的损失值对图像排序模型进行调参，可以是先从对图像排序模型训练影响比较大的参数开始，同时固定其他参数，得到一个结果以后，在这个结果的基础上，再调其他参数，直到模型训练满足预设的训练结束条件。上述预设的训练结束条件可以是预设的模型训练的准确度，当模型训练的结果达到该准确度时，模型训练结束，如预设的准确度可以是90％、95％等；或者也可以是训练迭代次数达到预设次数，或者也可以是损失值达到预设损失值等，预设的训练结束条件可以根据实际需求或者经验等确定。
103.本发明实施例提供了一种图像排序模型训练方法，通过获取多个样本查询词分别对应的候选图像；获取各个样本查询词分别对应的用户特征数据；在各样本查询词中选取
一个样本查询词；将当前选取的样本查询词对应的多个候选图像以及用户特征数据输入图像排序模型中，得到当前选取的样本查询词对应的多个候选图像的预测排序结果；获取当前选取的样本查询词的候选图像的排序标签；计算预测排序结果与排序标签之间的损失值；基于所得到的损失值对图像排序模型进行调参，选取样本查询词继续对图像排序模型进行训练，直至满足预设的训练结束条件，则停止模型训练，得到训练后的图像排序模型。本发明实施例中，图像排序模型是基于各个样本查询词对应的候选图像以及各个样本查询词分别对应的用户特征数据进行训练得到的，图像排序模型的训练过程中综合考虑了图像本身的信息和用户特征数据，也即图像排序模型进行排序的过程中综合考虑了图像与用户的相关程度，如此，利用该图像排序模型对图像的排序结果进行推荐，可以提高推荐给用户的图像与用户的匹配程度。
104.在一种可能的实施方式中，将当前选取的样本查询词对应的多个候选图像以及用户特征数据输入图像排序模型中，得到当前选取的样本查询词对应的多个候选图像的预测排序结果，包括以下步骤：
105.将当前选取的样本查询词对应的多个候选图像以及用户特征数据输入图像排序模型的概率预测网络中，得到多个候选图像分别对应的被点击预测概率，基于多个候选图像分别对应的被点击预测概率，对多个候选图像进行排序，得到预测排序结果。
106.其中，将多个候选图像输入概率预测网络后，概率预测网络会对多个候选图像进行特征提取，特征处理等处理，并结合用户特征数据计算多个候选图像分别对应的被点击预测概率，与用户相关程度越高的候选图像对应的被点击预测概率越大，然后根据被点击预测概率，对多个候选图像进行排序。
107.本发明实施例中，计算多个候选图像分别对应的被点击预测概率时，不仅使用了多个候选图像的图像数据还使用了用户特征数据，即针对每一候选图像，均考虑了候选图像与用户的相关程度，则与用户相关程度越高的候选图像对应的被点击预测概率越大，则可以在对多个候选图像进行预测排序时将与用户相关程度较高的候选图像排在前面，将与用户相关程度较低的候选图像排在后面，得到预测排序结果，后续依据该越策排序结果对终端进行推荐时，可以提高推荐给用户的图像与用户的匹配程度。
108.在一种可能的实施方式中，如图2所示，将当前选取的样本查询词对应的多个候选图像以及用户特征数据输入图像排序模型的概率预测网络中，得到多个候选图像分别对应的被点击预测概率，基于多个候选图像分别对应的被点击预测概率，对多个候选图像进行排序，得到预测排序结果，包括以下步骤：
109.步骤s201，对当前选取的样本查询词对应的多个候选图像进行两两组合，将每一组候选图像和当前选取的样本查询词对应的用户特征数据输入图像排序模型的概率预测网络中，得到每一组候选图像对应的被点击预测概率。
110.对多个候选图像进行两两组合，得到多组候选图像，将每一组候选图像和样本查询词对应的用户特征数据输入概率预测网络中，则会得到每一组候选图像中的两个候选图像分别对应的被点击预测概率。可以将一组候选图像及用户特征数据直接输入一个概率预测网络中，也可以其中的两个候选图像及用户特征数据分别输入两个概率预测网络。
111.一个例子中，以表情包为例，针对每个查询词，可以通过粗召回大概200个表情包，将表情包和查询词对应的用户特征数据输入概率预测网络后，可以提取表情包的特征数
据，基于表情包的特征数据和用户特征数据，得到各表情包的被点击预测概率。
112.图3为本发明实施例提供的图像排序模型的模型结构图，在一种可能的实施方式中，如图3所示，在图中所示模型中，数据1表示一组候选图像中的一个候选图像，数据2表示另一个候选图像，将数据1输入概率预测网络1中，得到一个候选图像对应的被点击概率，将数据2输入概率预测网络2中，得到另一个候选图像对应的被点击概率，即得到一组候选图像对应的被点击预测概率。
113.针对一个样本查询词，该样本查询词对应的用户特征数据可以是与第一组候选图像同时输入概率预测网络中，也可以是在输入第一组候选图像之前输入到概率预测网络中。
114.步骤s202，基于每一组候选图像对应的被点击预测概率，对每一组候选图像进行排序，得到预测排序结果。
115.针对多组候选图像对应的被点击概率，每当得到一组候选图像对应的被点击预测概率，就基于被点击预测概率在多个候选图像中对该组候选图像中的两个候选图像进行一次排序。例如，一组候选图像中的两个候选图像对应的被点击概率分别为50％和80％，则在多个候选图像中将80％对应的候选图像排在50％对应的候选图像前面。直至完成对每一组候选图像在多个候选图像中的排序，则得到样本查询词对应的多个候选图像的预测排序结果。
116.如何基于一组候选图像的被点击概率，在多个候选图像中对该组候选图像进行排序，一个例子中，将一组候选候选图像中的两个图像分为第一图像和第二图像，如图3所示，将两个图像分别对应的被点击预测概率输入概率相减层中，利用第一图像的被点击预测概率减去第二图像的被点击预测概率，将相减结果输入sigmoid(一种s型数学函数)层2中，利用sigmoid函数进行排序。在完成对每一组候选图像进行排序，得到预测排序结果后，基于预测排序结果和排序标签计算图像排序模型的损失值，其中损失值受每一组候选图像对应的权重的影响。sigmoid函数定义域为(-∞，+∞)，值域为(0,1)，当函数的输入为0时，输出为0.5，相减结果大于0时，则sigmoid函数的输出大于0.5，第一图像排在第二图像前面，相减结果小于0时，则sigmoid函数的输出小于0.5，第二图像排在第一图像前面。也可以用第二图像的被点击预测概率减去第一图像的预测概率，具体过程与上述内容相似，不再赘述。
117.本发明实施例中，根据每一组候选图像对应的被点击概率，对每一组候选图像在样本查询词对应的多个候选图像中进行排序，得到预测排序结果。被点击概率是基于候选图像和用户特征数据进行计算的，则基于被点击预测概率得到的预测排序结果能够反映与用户特征的相关程度，将被点击预测概率高的候选图像排在被点击预测概率低的候选图像之前，即将用户更想点击的图像排在前面，使得到的预测排序结果与用户的相关程度更高。
118.在一种可能的实施方式中，图4所示，将当前选取的样本查询词对应的多个候选图像以及用户特征数据输入图像排序模型的概率预测网络中，得到多个候选图像分别对应的被点击预测概率，基于多个候选图像分别对应的被点击预测概率，对多个候选图像进行排序，得到预测排序结果，还可以包括以下步骤：
119.步骤s401，将当前选取的样本查询词对应的多个候选图像依次单张输入图像排序模型的概率预测网络中，并将当前选取的样本查询词对应的用户特征数据输入图像排序模型的概率预测网络中，分别得到每一张候选图像对应的被点击预测概率。
120.其中，用户特征数据可以在多张候选图像之前输入概率预测网络中，也可以和第一张候选图像同时输入概率预测网络中。
121.步骤s402，对已得到对应被点击预测概率的多个候选图像进行两两组合，得到每一组候选图像对应的被点击预测概率。
122.针对每一候选图像，均要与除该候选图像之外的其余候选图像进行两两组合。
123.步骤s403，基于每一组候选图像对应的被点击预测概率，对每一组候选图像进行排序，得到预测排序结果。
124.本发明实施例中，先将多个候选图像依次单张输入概率预测网络中，得到每张候选图像的被点击预测概率，再对已得到对应被点击预测概率的多个候选图像进行两两组合，然后对每一组候选图像进行排序。被点击概率是基于候选图像和用户特征数据进行计算的，则基于被点击预测概率得到的预测排序结果能够反映与用户特征的相关程度，将被点击预测概率高的候选图像排在被点击预测概率低的候选图像之前，即将用户更想点击的图像排在前面，使得到的预测排序结果与用户的相关程度更高。
125.在一种可能的实施方式中，如图5所示，计算预测排序结果与排序标签之间的损失值，包含以下步骤：
126.步骤s501，针对每一组候选图像，基于每一组候选图像在多个候选图像中的预测排序结果，计算每一组候选图像在多个候选图像中的原本位置对应的归一化折损累计增益ndcg值，与每一组候选图像在多个候选图像中的对调位置对应的归一化折损累计增益ndcg值之差的绝对值，并将绝对值作为针对排序标签的权重。
127.其中，原本位置为每一组候选图像在多个候选图像中的预测排序结果中对应的位置。归一化折损累计增益(normalized discounted cumulative gain，ndcg)值用于衡量排序质量，在以ndcg衡量的排序结果中，将与查询请求相关程度高程度高的数据排在前面，相关程度低的排在后面。
128.在一种可能的实施方式中，利用ndcg对多个表情包进行排序，ndcg可通过公式计算而dcg
p
可以通过公式计算，dcg中包含了表情包与查询请求的相关度等级，也考虑了数据所在序列中的位置。表示排在第i个位置的表情包的价值，reli表示排在第i个位置的表情包的被点击预测概率，可以理解为排在第i个位置的表情包对于查询请求的相关程度的得分，相关程度高则得分高，则被点击预测概率大，表示排在第i个位置的表情包产生的效益，p表示表情包的个数。idcg
p
表示理想情况下的dcg
p
。由于每个查询请求所能查询到的表情包的个数不同，即p值的不同会对dcg
p
的计算有较大的影响。所以需要进行归一化处理。ndcg就是用idcg进行归一化处理，表示当前dcg比idcg还差多大的距离。
129.针对每一组候选表情包中的两个表情包，计算两个表情包在多个候选表情包中原本位置与对调位置分别对应的ndcg值，原本位置为每一组候选表情包在多个候选表情包中的预测排序结果中对应的位置。一个例子中，候选表情包的个数为12个，一组候选表情包中包含表情包a和表情包b，在得到表情包a和表情包b分别对应的被点击预测概率后，将表情
包a排在第2位，表情包b排在第8位，则针对该排序结果计算ndcg值，在将两个表情包的位置对调，即表情包a排在第8位，表情包b排在第2位，计算ndcg值。计算得到的两个ndcg值之差的绝对值，并将绝对值作为一组表情包在多个候选表情包中的预测排序相对于排序标签的权重。
130.步骤s502，基于每一组候选图像对应的权重，确定预测排序结果与排序标签之间的损失值。
131.以表情包为例，每一组候选表情包都对应一个权重，这个权重会影响损失值，例如，将多个候选表情包两两组合得到n组候选表情包，则相应会得到n个权重，n为大于1或等于1的正整数，基于n个权重确定多个候选表情包的预测排序结果与排序标签之间的损失值。一个例子中，可以将n个权重相加得到一个权重，基于所得到的的一个权重计算损失值。
132.一个例子中，每一组候选图像都对应一个权重，每一组候选图像都有对应的排序标签，针对一组候选图像，基于该组候选图像对应的权重计算该组候选图像的预测排序结果与该组候选图像对应的排序标签之间的差异，从而计算图像排序模型的损失值。
133.在利用候选图像对应的被点击概率对候选图像进行排序时，利用了lambda(排序)思维，即在计算一个候选图像对应的被点击预测概率时，是将查询词对应的多个候选图像一起进行考量的，而不是分别计算单个候选图像对应的被点击预测概率。具体为将多个候选图像两两组合，计算每一组候选图像对应的被点击预测概率，即每一个候选图像与多个候选图像中的其他的候选图像均存在组合，也就是将多个候选图像一起进行考量。ndcg用于衡量排序质量，在多个候选图像中将与样本查询词相关程度高的候选图像排在前面，因此在计算每一组候选图像在多个候选图像中对应的ndcg值时也是将多个候选图像一起考量的。
134.本发明实施例中利用基于每一组候选图像在多个候选图像中的预测排序结果，计算每一组候选图像在多个候选图像中的原本位置对应的归一化折损累计增益ndcg值，与每一组候选图像在多个候选图像中的对调位置对应的归一化折损累计增益ndcg值之差的绝对值确定的预测排序结果与排序标签之间的损失值，并可以利用该损失值计算梯度，并采用梯度下降法对模型进行调参。
135.本发明实施例中，每一组候选图像在多个候选图像中的预测排序结果相对于排序标签都有一个权重，基于每一组候选图像对应的权重，确定预测排序结果与排序标签之间的损失值，得到损失值之后，可以基于损失值对图像排序模型进行调参，可以使图像排序模型训练的过程更加快捷。在利用候选图像对应的被点击概率对候选图像进行排序时，利用了lambda排序思维，将lambda排序思维与概率预测深度学习过程结合起来，应用到候选图像的排序中，可以提高候选图像对应的预测排序结果的准确性。
136.在一种可能的实施方式中，如图6所示，将当前选取的样本查询词对应的多个候选图像以及用户特征数据输入图像排序模型的概率预测网络中，得到多个候选图像分别对应的被点击预测概率，包括以下步骤：
137.步骤s601，针对每一候选图像，提取候选图像对应的图像特征数据。
138.图像特征是指图像本身所体现的信息，以表情包为例，如表情包中体现的明星、物种、文字、神情、所属影视剧、表情最近全局使用热度等。现实场景中，可以利用检测模型得到表情包相应的特征数据，例如，可以将包含明星的表情包输入人脸检测模型中，得到表情
包中关于明星的特征数据，将包含文字的表情包输入文字检测模型，得到表情包中关于文字的特征数据等。
139.图像特征数据的维数可以是依据实际需求预设的，一个例子中，可以将图像特征数据的维数设置为104维。
140.步骤s602，对图像特征数据和用户特征数据进行一维向量化处理，得到一维向量化的用户特征数据和候选图像对应的一维向量化的图像特征数据。
141.用户特征数据的维数也可以是根据实际需求预设的，一个例子中，可以设置为104维，通常情况下，会将图像特征数据和用户特征数据设置为相同维数。将候选图像对应的图像特征数据和查询词对应的用户特征数分别转化成一维向量，得到一维向量化的图像特征数据和一维向量化的用户特征数据。
142.图7为本发明实施例提供的图像排序模型的概率预测网络的结构图，在概率预测网络中，全连接层1(dense层)、全连接层和交叉层(dense&cross层)、编码层(transformer encoder层)输出一维向量化的图像特征数据和一维向量化的用户特征数据。
143.步骤s603，将候选图像对应的一维向量化的图像特征数据与一维向量化的用户特征数据进行拼接，得到候选图像对应的拼接特征数据。
144.以表情包为例，将一个表情包对应的一维向量化的图像特征数据与一维向量化的用户特征数据进行拼接，得到该表情包对应的拼接特征数据。其中，可以对特征数据进行横向拼接、纵向拼接等，可根据实际需求选择拼接方式。
145.一个例子中，在图7所示的概率预测网络中，将一个表情包对应的一维向量化的图像特征数据与一维向量化的用户特征数据进行横向拼接，得到该表情包对应的拼接特征数据。
146.步骤s604，基于拼接特征数据，得到候选图像对应的被点击预测概率。
147.根据拼接特征数据计算其对应表情包的被点击预测概率，在图7所示的概率预测网络中，将拼接特征数据输入全连接层2，将全连接层2的输出结果输入sigmoid层1中，sigmoid层1输出表情包的被点击预测概率。
148.sigmoid函数定义域为(-∞，+∞)，值域为(0,1)，因此sigmoid函数就能与概率分布联系起来，在本发明实施例中，全连接层2的输出结果输入sigmoid层1，能够得到相应表情包的被点击预测概率。
149.本发明实施例中，将一维向量化的图像特征数据和一维向量化的用户特征数据进行拼接，得到拼接特征数据，再基于拼接特征数据得到候选图像对应的被点击预测概率，有利于后续根据被点击预测概率对多个候选图像进行排序，得到预测排序结果。
150.在一种可能的实施方式中，如图8所示，步骤s602包括：
151.步骤s801，将图像特征数据和用户特征数据划分为第一特征数据和第二特征数据。
152.以表情包c为例，将表情包c对应的图像特征数据和查询词对应的用户特征数据划分为第一特征数据和第二特征数据。
153.上述第一特征数据可以理解为图像特征数据和用户特征数据中属于数值型的特征数据，如用户每日活跃时间、观看影视剧的平均时长等；第二特征数据可以理解为图像特征数据和用户特征数据中属于用户行为特征数据和离散型的特征数据，如用户的性别、年
龄等。
154.在一种可能的实施方式中，如图7所示的概率预测网络，输入概率预测网络的特征为连续特征(continuous features)、稀疏特征(sparse features)及用户行为特征，其中连续特征属于第一特征数据，稀疏特征及用户行为特征属于第二特征数据。连续特征也可以称为数值型特征，例如，用户每日活跃时间、观看影视剧的平均时长、最近预设时段内表情包的点击率等；稀疏特征也可以称为离散型特征，例如，用户的性别、所属的年龄层、表情包中显示的明星信息等；例如用户行为特征有最近预设时段内看的影视剧名称，最近预设时段内看的影视剧中的主演，最近预设时段内看的频道等，上述预设时段可以根据实际需求和经验设置，例如设置为3天、7天、15天等。
155.步骤s802，对第一特征数据进行归一化处理，将归一化处理后的第一特征数据进行拼接，得到第一拼接结果，将第一拼接结果输入全连接层，得到一维向量化的第一特征数据。
156.在图7所示的概率预测网络中，对连续特征进行min-max(最小-最大)归一化处理，将连续特征的值转化为0到1得区间内，由于连续特征包含不同类型的特征数据，如用户每日活跃时间、观看影视剧的平均时长等，则需要将归一化处理后的连续特征数据进行拼接，将拼接结果输入全连接层1中，得到一维向量化连续特征数据。
157.步骤s803，对第二特征数据进行嵌入表示，将嵌入表示后的第二特征数据进行拼接，得到第二拼接结果，将第二拼接结果输入一维向量化层，得到一维向量化的第二特征数据。
158.在图7所示的概率预测网络中，稀疏特征和用户行为特征属于第二特征数据，针对稀疏特征，将稀疏特征进行嵌入(embedding)表示，将不同类别的稀疏特征映射成向量，将嵌入表示后不同类型的稀疏特征进行拼接，将拼接结果输入全连接层和交叉层，得到一维向量化的稀疏特征。其中交叉层用于对图像特征数据和用户特征数据进行交叉，得到交叉特征，例如，用户最近预设时段内输入某些字段的点击率，用户最近预设时段内对该图像的点击率等。
159.将用户行为特征行为特征进行嵌入表示，然后再进行拼接，将拼接结果输入编码层，得到一维向量化的用户行为特征。一个例子中，用户行为特征时用户最近预设时段内点击的图片的序列号(identity)，图片的个数可以自行设置，如20个、30个等，如图7所示，将用户行为特征1、用户行为特征2输入嵌入层进行嵌入表示，再进行拼接，然后输入编码层得到一维向量化的用户行为特征。
160.本发明实施例中，对候选图像对应的图像特征数据和用户特征数据划分为为第一特征数据和第二特征数据，分别对第一特征数据和第二特征数据进行不同的处理，得到一维向量化的图像特征数据和用户特征数据，有利于图像特征数据和用户特征数据进行拼接，基于拼接数据，得到每一张候选图像对应的被点击预测概率。
161.图9为本发明实施例提供的图像推荐方法的流程图，该图像推荐方法适用于图像推荐服务器，如图9所示，包含以下步骤：
162.步骤s901，图像推荐服务器接收图像展示终端发送的查询请求。
163.图像展示终端向图像推荐服务器发送用户在图像展示终端向输入的查询请求，其中查询请求可以是包含查询词的语句或查询词等，例如查询请求为“表示开心的表情包”、“开心”。图像展示终端可以是手机、个人电脑、车载终端等。
164.步骤s902，提取查询请求中的查询词以及用户标识。
165.用户标识一般可以是用户账号(identification，id)或与用户id相关的信息，用户标识由查询请求携带。
166.步骤s903，根据用户标识获取对应的用户特征数据。
167.其中，用户特征数据表示包含查询词的查询请求指令中所携带的用户标识对应的特征数据。
168.步骤s904，基于查询词得到对应的候选图像集。
169.其中，查询词对应的候选图像集相当于查询词对应的多个候选图像，由多个候选图像组成候选图像集。
170.步骤s905，将候选图像集和用户特征数据输入图像排序模型中，得到各个候选图像的排序结果。
171.其中，图像排序模型是通过上述任一的图像排序模型训练方法得到的，图像排序模型会基于候选图像的被点击预测概率对候选图像进行排序，将被点击预测概率大的图像排在前面。
172.一个例子中，待对表情包进行推荐时，电子设备获取到用户的一个查询请求和该查询请求对应的用户特征数据后，基于该查询请求，粗召回预设数量个表情包，如200个表情包，将表情包和用户特征数据输入图像排序模型中，提取表情包的图像特征数据，基于图像特征数据和用户特征数据利用图像排序模型的概率预测网络计算每个表情包的的被点击预测概率，根据被点击预测概率对表情包进行排序，得到图像排序模型输出的排序结果。可以将排序结果显示在用户所使用的终端的窗口中，供用户进行进一步选择。
173.本发明实施例中，基于用户查询请求对应的用户特征数据和候选图像，利用图像排序模型对候选图像进行排序，得到排序结果，可以再将排序结果推送给终端。由于图像排序模型在对候选图像进行排序时综合考虑了图像本身的信息和用户特征数据，即考虑了图像与用户的相关程度，将与用户相关程度稿的图像排在前面，则排在前面的图像更有可能是用户想点击的图像，使排序结果更加贴切，更加吸引用户，能够提升推送的准确率，提高用户对排序结果中图像的点击率，进一步地，将排序结果推送给用户所使用的终端，供用户进行进一步选择，能够提升用户体验。
174.另外，由于不同用户的用户特征数据不同，则基于相似的查询请求，推送给不同用户的排序结果不同，可针对不同用户实现个性化推荐。在观看影视剧发送弹幕或发送评论的场景中，用户可以选择排序结果中的表情包更加多元化的表达自己的看法，促进用户间的交流，另外表情包的使用，也可以为用户观看的影视剧或表情包中的明星增加热度。
175.图10为本发明实施例提供的图像排序模型训练装置的一种结构示意图。参照图10，该装置包括：
176.第一获取模块1001，用于获取多个样本查询词分别对应的多个候选图像。
177.第二获取模块1002，用于获取各个样本查询词分别对应的用户特征数据，其中，针对每一个样本查询词，该样本查询词对应的用户特征数据表示包含该样本查询词的请求指令中所携带的用户标识对应的特征数据。
178.训练模块1003，用于在各样本查询词中选取一个样本查询词；将当前选取的样本
查询词对应的多个候选图像以及用户特征数据输入图像排序模型的概率预测网络中，得到当前选取的样本查询词对应的多个候选图像的预测排序结果；获取当前选取的样本查询词的候选图像的排序标签；计算预测排序结果与排序标签之间的损失值；基于所得到的损失值对图像排序模型进行调参，选取样本查询词继续对图像排序模型进行训练，直至满足预设的训练结束条件，则停止模型训练，得到训练后的图像排序模型。
179.本发明实施例中，通过获取多个样本查询词分别对应的候选图像；获取各个样本查询词分别对应的用户特征数据；基于各个样本查询词对应的候选图像以及各个样本查询词分别对应的用户特征数据，对图像排序模型进行训练，得到训练后的图像排序模型。其中，图像排序模型是基于各个样本查询词对应的候选图像以及各个样本查询词分别对应的用户特征数据进行训练得到的，图像排序模型的训练过程中综合考虑了图像本身的信息和用户特征数据，也即图像排序模型进行排序的过程中综合考虑了图像与用户的相关程度，如此，利用该图像排序模型对图像的排序结果进行推荐，可以提高推荐给用户的图像与用户的匹配程度。
180.在一种可能的实施方式中，训练模块1003包括：
181.排序子模块，用于将当前选取的样本查询词对应的多个候选图像以及用户特征数据输入图像排序模型的概率预测网络中，得到多个候选图像分别对应的被点击预测概率，基于多个候选图像分别对应的被点击预测概率，对多个候选图像进行排序，得到预测排序结果。
182.在一种可能的实施方式中，排序子模块具体用于，对当前选取的样本查询词对应的多个候选图像进行两两组合，将每一组候选图像和当前选取的样本查询词对应的用户特征数据输入图像排序模型的概率预测网络中，得到每一组候选图像对应的被点击预测概率；基于每一组候选图像对应的被点击预测概率，对每一组候选图像进行排序，得到预测排序结果。
183.在一种可能的实施方式中，排序子模块具体用于，将当前选取样本查询词对应的多个候选图像依次单张输入图像排序模型的概率预测网络中，并将当前选取的样本查询词对应的用户特征数据输入图像排序模型的概率预测网络中，分别得到每一张候选图像对应的被点击预测概率；对已得到对应被点击预测概率的多个候选图像进行两两组合，得到每一组候选图像对应的被点击预测概率；基于每一组候选图像对应的被点击预测概率，对每一组候选图像进行排序，得到预测排序结果。
184.在一种可能的实施方式中，训练模块1003包括：
185.损失值计算子模块，用于针对每一组候选图像，基于每一组候选图像在多个候选图像中的预测排序结果，计算每一组候选图像在多个候选图像中的原本位置对应的归一化折损累计增益ndcg值，与每一组候选图像在多个候选图像中的对调位置对应的归一化折损累计增益ndcg值之差的绝对值，并将绝对值作为针对排序标签的权重；其中，原本位置为每一组候选图像在多个候选图像中的预测排序结果中对应的位置；基于每一组候选图像对应的权重，确定预测排序结果与排序标签之间的损失值。
186.在一种可能的实施方式中，排序子模块包括：
187.提取子单元，用于针对每一候选图像，提取候选图像对应的图像特征数据。
188.一维向量化单元，用于对图像特征数据和用户特征数据进行一维向量化处理，得
到一维向量化的用户特征数据和候选图像对应的一维向量化的图像特征数据。
189.拼接子单元，用于基于拼接特征数据，得到候选图像对应的被点击预测概率。
190.概率预测子单元，用于基于拼接特征数据，得到候选图像对应的被点击预测概率。
191.在一种可能的实施方式中，一维向量化单元具体用于，将图像特征数据和用户特征数据划分为第一特征数据和第二特征数据；对第一特征数据进行归一化处理，将归一化处理后的第一特征数据进行拼接，得到第一拼接结果，将第一拼接结果输入全连接层，得到一维向量化的第一特征数据；对第二特征数据进行嵌入表示，将嵌入表示后的第二特征数据进行拼接，得到第二拼接结果，将第二拼接结果输入一维向量化层，得到一维向量化的第二特征数据。
192.在一种可能的实施方式中，用户特征数据至少包括：用户信息数据、用户历史行为数据、时间窗口特征数据、交叉特征数据。
193.图11为本发明实施例提供的图像推荐装置的一种结构示意图。参照图11，该装置包括：
194.接收模块1101，用于图像推荐服务器接收图像展示终端发送的查询请求；
195.提取模块1102，用于提取查询请求中的查询词以及用户标识；
196.第三获取模块1103，用于根据用户标识获取对应的用户特征数据，用户特征数据表示包含查询词的查询请求指令中所携带的用户标识对应的特征数据；
197.第一得到模块1104，用于基于查询词得到对应的候选图像集；
198.第二得到模块1105，用于将候选图像集和用户特征数据输入图像排序模型中，得到各个候选图像的排序结果，图像排序模型是通过上述任一的图像排序模型训练方法得到的。
199.本发明实施例中，基于用户查询请求的用户特征数据和候选图像，利用图像排序模型对候选图像进行排序，再将排序结果推送给终端。由于图像排序模型在对候选图像技术逆行排序时总结综合考虑了图像本身的信息和用户特征数据，即考虑了图像与用户的相关程度，将与用户相关程度稿的图像排在前面，则排在前面的图像更有可能是用户想点击的图像，即能够提升推送的准确率，进一步地，将排序结果推送给用户所使用的终端，供用户进行进一步选择，能够提升用户体验。
200.本发明实施例还提供了一种电子设备，如图12所示，包括处理器1201、通信接口1202、存储器1203和通信总线1204，其中，处理器1201，通信接口1202，存储器1203通过通信总线1204完成相互间的通信，
201.存储器1203，用于存放计算机程序；
202.处理器1201，用于执行存储器1203上所存放的程序时，实现上述任一的图像排序模型训练方法或图像推荐方法的方法步骤。
203.上述终端提到的通信总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
204.通信接口用于上述终端与其他设备之间的通信。
205.存储器可以包括随机存取存储器(random access memory，简称ram)，也可以包括
非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
206.上述的处理器可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processor，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field－programmable gate array，简称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。
207.在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例中任一所述图像排序模型训练方法或图像推荐方法。
208.在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的图像排序模型训练方法或图像推荐方法。
209.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solid state disk(ssd))等。
210.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
211.本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、存储介质及计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
212.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、改进等，均包含在本发明的保护范围内。