一种在婚恋或社交软件上推荐自拍照的方法及装置与流程

1.本发明涉及网络社交领域，尤其涉及一种在婚恋或社交软件上推荐自拍照的方法及装置。


背景技术：

2.网络社交是指人与人之间的关系网络化，在网上表现为以各种社会化网络软件，例如blog、wiki、tag、sns、rss等一系列web2.0核心应用而构建的社交网络服务平台，互联网导致一种全新的人类社会组织和生存模式悄然走进我们，构建了一个超越地球空间之上的、巨大的群体
‑
网络群体。
3.在人们的日常生活中，婚恋或社交软件使用越来越频繁，其大部分都有上传并展示自拍照的功能，而很多用户会根据是否喜欢某一用户的自拍照来决定是否建立婚恋或社交关系，同时用户是否喜欢展示的自拍照也影响用户对此类软件的评价。
4.然而，现有的婚恋或社交软件在展示用户自拍照的时候，是不考虑自拍照内容甚至是随机展示的，使得展示的自拍照内容很多是用户不喜欢的类型，进而导致用户无法快速找到一张自己喜欢的与之匹配的其它异性用户的自拍照，使得用户在使用该类婚恋或社交软件时体验较差。
5.因此，有必要提供一种在婚恋或社交软件上推荐自拍照的方法及装置解决上述技术问题。


技术实现要素：

6.本发明提供一种在婚恋或社交软件上推荐自拍照的方法及装置，解决了用户在使用婚恋或社交软件时无法快速找到一张自己喜欢的与之匹配的其它异性用户的自拍照的问题。
7.为解决上述技术问题，本发明提供的在婚恋或社交软件上推荐自拍照的方法及装置，包括以下步骤：
8.s1、首先需要用户在婚恋或社交软件客户端上发送展示推荐自拍照的请求，然后获取用户本身的属性数据、行为数据和编码向量；
9.s2、根据用户本身以及自拍照上传者的数据，首先进行初步筛选，得到候选自拍照id集合；
10.s3、之后开始获取候选自拍照的属性数据和编码向量；
11.s4、根据候选自拍照的数据，再结合用户本身以及自拍照上传者的数据，使用机器学习(深度学习)模型，对候选自拍照进行打分；
12.s5、根据候选自拍照的分数进行排序，得到排序后的推荐自拍照列表并向婚恋或社交软件客户端返回。
13.优选的，所述s1中属性数据包括但不限于性别、年龄、收入、身高、职业、居住地点、颜值分，以及用户的基本要求条件。
14.一种在婚恋或社交软件上推荐自拍照的装置，包括：
15.用户端和服务端；
16.所述用户端包括信息上传单元、展示请求获取单元和照片数据接收单元；
17.所述服务端包括应用服务器、自拍照数据库和用户信息数据库，所述应用服务器包括用户数据获取单元、候选自拍照id获取单元、自拍照数据获取单元、自拍照打分单元以及推荐自拍照列表生成单元；
18.所述信息上传单元分别与所述自拍照数据库以及用户信息数据库信号连接，所述展示请求获取单元分别与所述应用服务器信号连接；
19.所述信息上传单元分别与所述自拍照数据库以及用户信息数据库信号连接，所述展示请求获取单元分别与所述应用服务器以及所述用户数据获取单元信号连接。
20.优选的，所述用户端为任意婚恋或社交软件，所述信息上传单元用于收集用户通过婚恋或社交软件客户端上传的个人信息以及照片，并将其分别上传至自拍照数据库和用户信息数据库中。
21.优选的，所述展示请求获取单元用于向应用服务器发送展示自拍照的请求，并同时将执行该操作的用户基本信息上传用户数据获取单元，所述照片数据接收单元用于接收所述推荐自拍照列表生成单元返回的推荐照片。
22.优选的，所述用户数据获取单元用于接收展示请求获取单元上传用户的信息，并对该用户信息进行匹配分析，缩小应用服务器的查找范围。
23.优选的，所述应用服务器为网络应用所属服务器集群中的服务设备，用于负责与用户端进行数据交互，在接收展示请求获取单元的展示请求后，同时访问自拍照数据库和用户信息数据库，根据用户的基本要求条件和自拍照上传者的属性数据找到与之匹配的候选照片并获取照片的id，所述候选自拍照id获取单元用于接收所述应用服务器发送的候选照片id，并通过照片的id对照片进行初步筛选，得到id集合。
24.优选的，所述自拍照数据获取单元用于接收候选自拍照id集合并获取照片的属性数据和编码向量，所述自拍照打分单元根据候选自拍照的数据，再结合用户本身以及自拍照上传者的数据，使用机器学习模型，对候选自拍照进行打分，所述推荐自拍照列表生成单元用于接收所述自拍照打分单元的打分后的照片，并按照分数由高到低的顺序对照片进行排序，最终将照片返回值用户端。
25.优选的，所述候选自拍照id获取单元在获取照片编码向量以及自拍照的编码具体为，使用向量余弦相似度公式取值范围是[0，1]，选取最高分的一定数量的候选自拍照，此数量可以根据需求自由调整，其中用户的编码向量以及自拍照的编码向量由深度学习模型计算得到，具体的，编码向量的计算方法为：
[0026]
优选的，所述自拍照打分单元在使用机器学习中的深度学习模型进行打分时，首先在排序前需要将获取到的数据处理成可以输入到深度学习模型中进行计算的值，获取的数据也可被成为特征，按照类型可以分为3类：离散型特征、连续型特征、向量型特征，而模型分为两部分，一部分是广义线性模型，另一部分是一个前馈神经网络，对最后网络输出的
打分公式为模型选取逻辑回归中的损失函数训练得到，公式如：模型选取逻辑回归中的损失函数训练得到，公式如：根据sigmoid公式得到打分后，排序返回，高分优先展示。
[0027]
与相关技术相比较，本发明提供的在婚恋或社交软件上推荐自拍照的方法及装置具有如下有益效果：
[0028]
本发明提供一种在婚恋或社交软件上推荐自拍照的方法及装置，本发明通过结合自拍照的数字图像数据、用户与自拍照上传者的属性数据、以及用户基本要求条件和行为数据等数据类型，能够实现向用户推荐与之匹配同时让用户感兴趣的异性用户照片，进而能够让用户在短时间内找到喜欢的照片以及内容，为用户使用节省了寻找，进而帮助用户保持有效操作和高质量的社交，同时设置的装置能够实现用户端智能化推荐，改变了传统的随机推荐模式，而让推荐出的自拍照更贴近于用户喜欢的内容，进一步提升用户使用时的体验，更好帮助用户完成社交需求。
附图说明
[0029]
图1为本发明提供的在婚恋或社交软件上推荐自拍照的方法流程图；
[0030]
图2为本发明提供的在婚恋或社交软件上推荐自拍照的装置的系统框图。
具体实施方式
[0031]
下面结合附图和实施方式对本发明作进一步说明。
[0032]
请结合参阅图1和图2，其中，图1为本发明提供的在婚恋或社交软件上推荐自拍照的方法流程图；图2为本发明提供的在婚恋或社交软件上推荐自拍照的装置的系统框图。在婚恋或社交软件上推荐自拍照的方法及装置，包括以下步骤：
[0033]
s1、首先需要用户在婚恋或社交软件客户端上发送展示推荐自拍照的请求，然后获取用户本身的属性数据、行为数据和编码向量，属性数据包括但不限于性别、年龄、收入、身高、职业、居住地点、颜值分，以及用户的基本要求条件；
[0034]
s2、根据用户本身以及自拍照上传者的数据，首先进行初步筛选，得到候选自拍照id集合；
[0035]
s3、之后开始获取候选自拍照的属性数据和编码向量；
[0036]
s4、根据候选自拍照的数据，再结合用户本身以及自拍照上传者的数据，使用机器学习(深度学习)模型，对候选自拍照进行打分；
[0037]
s5、根据候选自拍照的分数进行排序，得到排序后的推荐自拍照列表并向婚恋或社交软件客户端返回。
[0038]
一种在婚恋或社交软件上推荐自拍照的装置，包括：
[0039]
用户端和服务端；
[0040]
所述用户端为任意婚恋或社交软件，一个用户端可以同时包括若干个用户，用户通过特定的账号登录用户端内部，即可在用户端中进行社交操作，服务端与用户端通过远程网络信号连接，作为用户端的后台运行服务机制，保证用户端能够正常运行；
[0041]
所述用户端包括信息上传单元、展示请求获取单元和照片数据接收单元，所述信
息上传单元用于收集用户通过婚恋或社交软件客户端上传的个人信息以及照片，并将其分别上传至自拍照数据库和用户信息数据库中，所述展示请求获取单元用于向应用服务器发送展示自拍照的请求，并同时将执行该操作的用户基本信息上传用户数据获取单元，所述照片数据接收单元用于接收所述推荐自拍照列表生成单元返回的推荐照片；
[0042]
所述信息上传单元分别与所述自拍照数据库以及用户信息数据库信号连接，所述展示请求获取单元分别与所述应用服务器以及所述用户数据获取单元信号连接。
[0043]
所述服务端包括应用服务器、自拍照数据库和用户信息数据库，所述应用服务器包括用户数据获取单元、候选自拍照id获取单元、自拍照数据获取单元、自拍照打分单元以及推荐自拍照列表生成单元，所述用户数据获取单元用于接收展示请求获取单元上传用户的信息，并对该用户信息进行匹配分析，缩小应用服务器的查找范围，所述应用服务器为网络应用所属服务器集群中的服务设备，用于负责与用户端进行数据交互，在接收展示请求获取单元的展示请求后，同时访问自拍照数据库和用户信息数据库，根据用户的基本要求条件和自拍照上传者的属性数据找到与之匹配的候选照片并获取照片的id，所述候选自拍照id获取单元用于接收所述应用服务器发送的候选照片id，并通过照片的id对照片进行初步筛选，得到id集合，所述自拍照数据获取单元用于接收候选自拍照id集合并获取照片的属性数据和编码向量，所述自拍照打分单元根据候选自拍照的数据，再结合用户本身以及自拍照上传者的数据，使用机器学习模型，对候选自拍照进行打分，所述推荐自拍照列表生成单元用于接收所述自拍照打分单元的打分后的照片，并按照分数由高到低的顺序对照片进行排序，最终将照片返回值用户端；
[0044]
自拍照信息数据库保存了从所有自拍照的图像相关信息中获取的数据，这些数据一部分是图像信息自带的属性数据，还有一部分是通过深度学习模型对自拍照的数字图像信息和自拍照上传者的属性信息进行计算得到的数据，其中自拍照自带的属性数据包括但不限于照片文件的像素值，照片的上传者的id，照片上传者的属性数据以及自拍照文件的id等等，通过深度学习模型得到的属性数据，包括具体的颜值分等属性信息，除此之外还有抽象的编码向量信息，这些编码向量为高维度的向量，比如：[0.1 0.3...]
t
，这些向量主要用于数学计算，但其中的数值信息太过抽象无法具体解读；
[0045]
用户信息数据库保存了所有在婚恋或社交软件上注册的用户提交的基本要求条件、属性数据、行为数据以及编码向量数据，其中基本要求条件如：年龄20～30岁之间，学历本科以上，月收入5000～10000元等，属性数据如：年龄23岁，在天津居住，身高175cm等等，行为数据包括用户对曾经展示过的自拍照id的标记(比如是否点击过的标记、“喜欢”或“不喜欢”的标记等)，编码向量数据包括通过深度学习模型对属性信息进行计算得到的属性编码向量信息以及根据行为数据中标记的自拍照的编码向量进一步计算得到的聚类中心向量。
[0046]
在实际的使用过程中，应用服务器接收到用户端中展示请求单元发起的用户需要展示自拍照的请求后，首先获取目标用户的基本要求条件和属性数据，利用这些数据在自拍照属性数据库中从海量的图片里筛选出候选的自拍照的id集合(其中每一个id代表着一张自拍照，可以通过自拍照对应的id访问到对应的自拍照图片)，再进一步继续利用这些获取的数据，通过机器学习(深度学习)模型进行数学计算，给每一个id对应的自拍照片进行打分，分数越高则代表用户越可能喜欢这张自拍照的内容，然后再根据分数对候选自拍照
id进行排序，将分高的排在前面，最后返回给安装了婚恋或社交软件的设备，这样软件就能通过这些id访问到对应的自拍照图片，向用户优先展示分数高的自拍照片，从而达到了让推荐出的自拍照更贴近于用户喜欢的内容的目的。
[0047]
所述候选自拍照id获取单元在获取照片编码向量以及自拍照的编码具体为，使用向量余弦相似度公式取值范围是[0，1]，选取最高分的一定数量的候选自拍照，此数量可以根据需求自由调整，其中用户的编码向量以及自拍照的编码向量由深度学习模型计算得到，具体的，编码向量的计算方法为：其中是深度学习网络中编码部分的第i层，wi和bi是网络中的参数，δ是激活函数，m
i
是上层网络的输出维度，也是本层网络的输入维度，n
i
是本层网络的输出维度，也是下一层网络的输入维度。当i为最后一层时，n
i
就是最后得到的编码向量的维度由于推荐人和被推荐人的文字描述，不能直接得到第1层的输入，首先需要将这些属性数字化；
[0048]
其中，年龄字段，根据数据分布，将年龄分段处理，如0
‑
18是00000000001，19
‑
25是00000000010，26
‑
30是00000000100，31
‑
35是00000001000，36
‑
40是00000010000，41
‑
45是00000100000，46
‑
50是00001000000，51
‑
55是00010000000，56
‑
60是00100000000，61
‑
65是01000000000，65以上是10000000000；工作地字段，按照省市编码，例如：北京市朝阳区：00000100000001，前面6位表示是省的编码，后面8位是市的编码；收入：数据库格式有四挡，0
‑
8000是第一档，编码为0001，8000
‑
20000是第二档，编码为0010，20000到50000是第三档，编码为0100，大于50000，编码为1000；择偶条件字段，选取比较常用的要求，如：年龄，收入，工作地等；
[0049]
这些择偶条件编码就是将各属性的编码直接拼接在一起，如年龄19
‑
25，收入是0
‑
8000，工作地要求北京朝阳区，择偶条件编码成00000000010000100000100000001，这样推荐人和被推荐人的特征属性就完成数字化过程；
[0050]
而得到第1层输入的公式为：
[0051]
z1＝concat(embedding(x1)，embedding(x2)，...)；
[0052]
其中x1、x2…
为数字化之后的属性数据，embedding为嵌入过程，concat为连接过程；
[0053]
可选的，这些编码向量可以事先由计算机计算完成存入数据库，也可以在应用服务器处理请求时实时通过获取到的数据计算得到。
[0054]
所述自拍照打分单元在使用机器学习中的深度学习模型进行打分时，首先在排序前需要将获取到的数据处理成可以输入到深度学习模型中进行计算的值，获取的数据也可被成为特征，按照类型可以分为3类：离散型特征，连续型特征，向量型特征；
[0055]
其中离散型特征包括：用户点击过的图像id，工作地，学历，星座，生肖，手机品牌，运动，美食等等；
[0056]
连续型特征包括：年龄，身高，择偶条件，当前候选婚恋对象自拍照数字信息与用户喜好图像聚类中心的最近距离与平均距离等等；
[0057]
向量型特征包括：自拍照的数字信息，用户喜好图像的聚类中心等等；
[0058]
离散型特征主要做embedding操作，其中id类型的embedding通过共享的方式达到
节省空间以及提高泛化能力的效果，而连续型进行归一化操作，将量纲缩放至[0，1]之间，同时对归一化特征进行开根号，取平方，提升特征的超线性，从而提高网络的表达能力，向量型特征为预处理好的数值向量特征，后期通过加和求平均的方式进行融合；
[0059]
另外模型分为两部分，一部分是广义线性模型，输入为用户点击过的平均自拍照向量，用户搜索过的平均自拍照向量，用户发过信的平均自拍照向量与当前候选婚恋对象自拍照向量，从数据中发现历史浏览自拍照或者当前自拍照之间的相关性，通过大量的特征交叉产生特征交互作用的“记忆”；
[0060]
另一部分是一个前馈神经网络，网络络会对一些离散特征(如点击过的自拍照id类特征)学习一个低维的dense embeddings(维度量级通常在o(10)到o(100)之间)，然后和一些原始dense特征(如身高，自拍照与聚类中心距离)一起作为网络的输入对最后网络输出的打分公式为：
[0061]
模型选取逻辑回归中的损失函数训练得到，公式为：模型选取逻辑回归中的损失函数训练得到，公式为：根据sigmoid公式得到打分后，排序返回，高分优先展示。
[0062]
与相关技术相比较，本发明提供的在婚恋或社交软件上推荐自拍照的方法及装置具有如下有益效果：
[0063]
本发明通过结合自拍照的数字图像数据、用户与自拍照上传者的属性数据、以及用户基本要求条件和行为数据等数据类型，能够实现向用户推荐与之匹配同时让用户感兴趣的异性用户照片，进而能够让用户在短时间内找到喜欢的照片以及内容，为用户使用节省了寻找，进而帮助用户保持有效操作和高质量的社交，同时设置的装置能够实现用户端智能化推荐，改变了传统的随机推荐模式，而让推荐出的自拍照更贴近于用户喜欢的内容，进一步提升用户使用时的体验，更好帮助用户完成社交需求。
[0064]
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。