图像推荐方法和图像推荐装置与流程

本发明涉及计算机技术领域，具体涉及一种图像推荐方法和图像推荐装置。

背景技术：

随着互联网的快速发展，越来越多的多媒体信息出现在我们的生活中，而图像是多媒体信息中的典型代表，包含丰富的视觉信息，而要从海量的图像中检索出自己感兴趣的图像是非常困难的事，单将这些海量图像浏览一遍都需要非常大的工作量。图像推荐是通过图像本身的特征与用户喜好特征之间的匹配程度进行推荐，而图像本身的特征可以通过图像文本标注信息以及图像内容信息来表述。

目前，图像推荐系统主要分为两类：基于关键字的图像推荐系统和基于图像内容的图像推荐系统。基于关键字的图像推荐系统是以图像的文字标签信息为依据，将用户感兴趣图像对应的关键字信息与图像库中图像的关键字信息进行匹配，将匹配度最高的图像推荐给用户。基于图像内容的图像推荐系统是对图像库中的图像提取其内容特征，将用户感兴趣图像的内容特征与图像库中图像的内容特征进行匹配，将匹配度最高的推荐给用户。

传统的图像推荐模型系统存在着以下问题：

1.基于关键字的图像推荐系统受主观因素影响很大，同一图像对于不同用户所界定的关键字会有所差距，而对于不同的图像用户可能会反映出相同的关键字描述，这使得检索结果千差万别，很大程度的降低了用户对产品的信任度和满意度。

2.基于图像内容的图像推荐系统中图像索引的建立和图像推荐的实现都是基于像素特征的提取，即利用图像处理方法和数学方法从原始的灰度图或者彩色图像中提取表征图像信息的像素特征。在实际应用环境中，图像的拍摄会受到光照、拍摄角度、后期制作以及拍摄设备等诸多外界因素的影响，图像的颜色、亮度和饱和度都会发生很大的变化，使得提取出的像素特征也差异很大，由于受到图像的拍摄环境以及拍摄设备等外界因素的干扰，因此，仅仅是基于像素特征并不能准确的描述图像中的内容，不同的图像有可能会提取出相同的像素特征，不相关的图像也有可能提取出非常相似的像素特征，这将大大降低用户对产品的使用满意度。

技术实现要素：

本发明提供一种图像推荐方法和图像推荐装置，用于提高图像检索的准确性。

本发明第一方面提供一种图像推荐方法，包括：

获取待检索图像；

使用卷积神经网络模型从上述待检索图像中提取上述待检索图像的图像特征，其中，上述卷积神经网络模型基于商品图像训练集训练得到，上述商品图像训练集包含按照商品类别和商品参数分类的多个图像组；

基于提取的上述待检索图像的图像特征，检索图像特征与上述待检索图像的图像特征匹配的目标图像；

基于检索结果推送一个或两个以上目标图像。

本发明第二方面提供一种图像推荐装置，包括：

获取单元，用于获取待检索图像；

图像特征提取单元，用于使用卷积神经网络模型从上述待检索图像中提取上述待检索图像的图像特征，其中，上述卷积神经网络模型基于商品图像训练集训练得到，上述商品图像训练集包含按照商品类别和商品参数分类的多个图像组；

检索单元，用于基于上述图像特征提取单元提取的上述待检索图像的图像特征，检索图像特征与上述待检索图像的图像特征匹配的目标图像；

推送单元，用于基于上述检索单元检索得到的检索结果推送一个或两个以上目标图像。

由上可见，本发明在进行图像推荐时，使用卷积神经网络模型从待检索的图像中提取图像特征并基于提取的图像特征进行检索，由于该卷积神经网络模型是基于包含按照商品类别和商品参数分类的多个图像组的商品图像训练集训练得到，因此，相对于传统的关键字描述或像素特征，使用该卷积神经网络模型提取的图像特征能够更准确地反映图像内容且对外界因素具有很强的鲁棒性，从而使得基于该图像特征检索得到的目标图像更为准确，提高了图像检索的准确性。

附图说明

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，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1-a为本发明提供的图像推荐方法一个实施例流程示意图；

图1-b为本发明提供的卷积神经网络模型训练流程示意图；

图1-c为本发明提供的一种图像特征提取流程示意图；

图1-d为本发明提供的一种应用场景下的SAE模型示意图；

图2为本发明提供的图像推荐装置一个实施例结构示意图；

图3-a为本发明提供的图像推荐系统一个实施例结构示意图；

图3-b为本发明提供的一种网络爬虫模块处理流程示意图。

具体实施方式

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而非全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供一种图像推荐方法，请参阅图1-a所示，本发明实施例中的图像推荐方法可以包括如下步骤：

步骤101、获取待检索图像；

本发明实施例中，可以为用户提供一图像检索控件，当用户触发该图像检索控件时，即进入步骤101。

在步骤101中，可以针对用户实时拍摄的图像进行相似图像的检索，则在一种应用场景中，步骤101可以包括：获取当前拍摄所得的图像作为待检索图像。具体地，在进入步骤101时，启动摄像头(或者在进一步接收到指示实时拍摄的指令时启动摄像头)，以便通过该摄像头进行图像的拍摄，当用户触发该摄像头的拍照动作时，获取当前拍摄所得的图像作为待检索图像。进一步，在进入步骤101时，还可以提示用户可拍摄实时图像作为待检索图像。

或者，也可以针对用户收藏的图像进行相似图像的检索，则在另一种应用场景中，步骤101可以包括：获取当前照片库中被选定的图像作为待检索图像。具体地，在进入步骤101时，以预览的形式显示照片库包含的多个图像(或者在进一步接收到指示从照片库中选择图像的指令时，以预览的形式显示照片库包含的多个图像)，以便用户在显示的多个图像中进行待检索图像的选择，进一步，在进入步骤101时，还可以提示用户可从照片库中选择图像作为待检索图像。

当然，本发明实施例也可以通过其它方式获取待检索图像，此处不作限定。

步骤102、使用卷积神经网络模型从上述待检索图像中提取上述待检索图像的图像特征；

本发明实施例中，上述卷积神经网络模型基于商品图像训练集训练得到，上述商品图像训练集包含按照商品类别和商品参数分类的多个图像组。其中，商品类别指示商品的类型(例如服装类、鞋类、箱包类等)，商品参数指示商品的特征信息(例如商品的颜色、材质、款式等)。以服装类商品为例，由于服装类相对于箱包类、日常用品以及电子产品等具有背景复杂，图像主体花纹、样式多变等特征，且用户在图像检索时对图像主体的款式，颜色精准度要求非常高，因此，可针对常见的150种类的服装分别选择多张训练图像(例如10000或更多张数)并添加到上述商品图像训练集中进行卷积神经网络模型的训练，上述商品图像训练集中的150类服装图像是按照服装的颜色、图案、款式、材质、袖长等信息进行交叉分类的，例如部分女装分类信息可以如表1所示：

表1

本发明实施例中，卷积神经网络模型是一种非全连接且多层的神经网络结构，每一层由多个二维平面组成，每个平面由多个独立神经元组成。和其它的神经网络模型一样，卷积神经网络模型也是由输入层、隐藏层和输出层组成。隐藏层中有两种特别的结构层：卷积层和池采样层，卷积层由多个特征平面构成，每个特征平面由神经元构成，同一个特征平面上的神经元具有相同的链接权重。卷积神经网络在本质上也是一种输入到输出的映射，它能够在不需要任何输入和输出之间的精确数学表达式的前提下学习大量的输入到输出之间的映射关系，只需要用已知的模式对卷积神经网络加以训练，卷积神经网络就具有输入对输出之间的映射能力。卷积神经网络模型执行的是有指导的训练，所以其样本集中的样本是类似于[输入信息，输出信息]这样的信息对构成的。具体的，卷积神经网络模型训练流程示意图可如图1-b所示，针对上述商品图像训练集中各图像的分类信息(分类信息包括商品类别以及商品参数)对图像打标签，并将打标签的内容作为单个样本的标准输出结果(或者也可以不需要打标签而直接根据分类信息确定单个样本的标准输出结果)，以此为依据来对建立的卷积神经网络进行训练得到最终可使用的卷积神经网络模型。其中，卷积神经网络的训练过程具体可包括如下几个过程：前向传导阶段、反向传播阶段、计算网络参数残差(网络参数残差包括：输出层残差、下一层为池采样层(即pooling层)的卷积层的残差、下一层为卷积层的pooling层的残差))以及计算卷积层相连接层的权值、偏置值的导数。可选的，本发明实施例中的卷积神经网络模型共有隐藏层7层，训练迭代次数10万次后达到收敛。

在步骤102中，使用训练得到的卷积神经网络模型从步骤101获取的待检索图像中提取上述待检索图像的图像特征。具体的，步骤102的图像特征提取流程可以如图1-c所示，包括：

步骤A1、将待检索图像的像素值向量输入卷积神经网络模型；

举例说明，设待检索图像的尺寸为m*n，第i行第j列的像素的值为x_i,j，则将向量{x_1,1，x_1,2，……，x_m,n-1，x_m,n}作为该待检索图像的像素值向量输入上述卷积神经网络模型中。

步骤A2、使用该卷积神经网络模型中初始化的多个卷积核对当前输入的图像数据做卷积，得到卷积特征图像数据；

步骤A3、对上述卷积特征数据作最大池采样，获得最大池采样后的特征图像。

步骤A4、检测下一层是否为卷积层；

本发明实施例中，检测卷积神经网络模型当前层的下一层是否为卷积层，若为卷积层，则进入步骤A2，若不为卷积层，则进入步骤A5。

需要说明的是，在由步骤A1进入步骤A2时，上述当前输入的图像数据即为步骤A1中提及的待检索图像的像素值向量，在由步骤A4进入步骤A2时，上述当前输入的图像数据即为步骤A3得到最大池采样后的特征图像数据。

步骤A5、进入下一层并执行全连接运算；

具体的，步骤A5中的全连接运算过程可以参照已有技术描述，此处不再赘述。

步骤A6、检测当前是否到达卷积神经网络模型的最后一层；

若检测到当前到达上述卷积神经网络模型的最后一层，则进入步骤A7，若检测到当前未到达上述卷积神经网络模型的最后一层，则执行步骤A5。

步骤A7、输出提取的图像特征；

需要说明的是，图1-c所示的图像特征提取流程仅仅是一种示意，基于本发明实施例中的卷积神经网络模型，在其它实施例中也可以采用其它基于卷积神经网络模型的图像特征提取算法提取上述待检索图像的图像特征，此处不做限定。

进一步，若使用上述卷积神经网络模型提取出的图像特征具有数千维的图像特征，则还可以对提取得到的图像特征进行数据降维，一方面，数据降维可以解决“维数灾难”，解决丰富信息与贫乏知识之间的不平衡，降低复杂度；另一方面，能更好的认识和理解得到的数据。则步骤102具体还可以包括：对使用卷积神经网络模型从上述待检索图像中提取的图像特征进行降维处理，将降维处理后得到的图像特征作为上述待检索图像的图像特征。

可选的，采用栈式自编码神经网络(SAE，Stack Auto-Encoders)进行图像特征的降维处理，其中，SAE是一个由多层稀疏自编码器组成的神经网络，前一层自编码器的输出作为后一层自编码器的输入。具体的，对于提取的数千维的原始图像特征，用它训练一个自编码器，能够得到原始输入的一阶特征，对于每一个输入的原始图像特征都能得到对应的一阶特征。将这些一阶特征作为下一个稀疏自编码器的输入，用它们训练学习得到原始图像特征的二阶特征，再将上一阶特征输入到训练好的第二层稀疏自编码器中，就能得到每个一阶特征对应的二阶特征激活值，最终将训练好的两个稀疏自编码器合起来构建一个包含一个隐藏层、一个输入层和一个输出层的图像特征降维的SAE模型，这个SAE模型最终能实现我们对图像特征数据的降维，以6维的图像特征为例，则相应的SAE模型可以如图1-d所示，其中，x1～x6分别表示6个不同维度的原始图像特征(即输入层)，h₁⁽¹⁾～h₄⁽¹⁾分别表示4个一阶特征(即隐藏层)，h₁⁽²⁾～h₃⁽²⁾分别表示3个二阶特征(即输出层)。标上“+1”的圆圈为偏置节点，也就是截距项。

当然，在其它实施例中，也可以采用其它图像特征降维方法对使用上述卷积神经网络模型从上述待检索图像中提取的图像特征进行降维处理，将降维处理后得到的图像特征作为上述待检索图像的图像特征。

步骤103、基于提取的上述待检索图像的图像特征，检索图像特征与上述待检索图像的图像特征匹配的目标图像；

在步骤103中，基于步骤102得到的上述待检索图像的图像特征，可以从预先构建的图像检索数据库中检索图像特征与上述待检索图像的图像特征匹配的目标图像。

为了提高图像检索效率，可选的，采用局部敏感哈希(LSH，Locality Sensitive Hashing)算法为图像特征向量建立索引，则步骤103具体包括：通过哈希函数确定上述待检索图像的图像特征所映射的哈希桶；将上述哈希桶中已存在的各个元素所对应的图像确定为上述目标图像；其中，上述哈希桶中已存在的各个元素是预先通过上述哈希函数分别对各个图像的图像特征进行映射得到，上述各个图像的图像特征是通过上述卷积神经网络模型分别从上述各个图像中提取得到。

其中，上述采用LSH算法为图像特征向量建立索引的过程具体可包括：1、取样本集中所有图像特征向量P＝{x₁,x₂,…,x_d}所有维中的最大坐标值C，将图像特征向量P映射到海明空间H^d’中，H^d’＝C*d，映射方法为将向量P的所有维度信息转换成一个二进制的序列v(p)，该转换公式如下：v(p)＝Unary_c(x₁)……Unary_c(x_d)，其中，Unary_c(x_d)表示为x_d个1后紧跟C-x_d个0的C维二进制向量；2、定义哈希函数g(p)＝p|I，p|I为p向量在I方向上的投影，使用g(p)对图像特征向量P进行运算，使得所有图像都被映射到哈希桶中，其中，图像特征向量距离相近的图像能映射到相同的哈希桶中，而距离较远的图像则被映射到不同的哈希桶中。进一步，当某个哈希桶被装满以后，再有新的图像特征到来时，无法映射到该哈希桶中，则将它映射到其他未满的且保证较高冲突概率的哈希桶中；3、将这些哈希桶压缩到哈希表中。

进一步，还可以采用LSH算法和分布式系统相结合的方式为图像特征建立索引，其中，上述分布式系统具体表现为：在构建上述图像检索数据库的过程中，采用多台机器的集群从图像中提取图像特征(其中，图像包括样本图像和待检索图像，样本图像可以通过网络爬虫方式和基于静态模板的信息提取方式获得，样本图像的图像特征提取方式可以参照待检索图像的图像特征提取方式(即步骤102记载的图像特征提取过程))，其中一台是主控机器，其任务是将图像均匀的分配到其它机器上进行图像特征提取，所有图像都会被分发到其它的机器上进行图像特征提取，再由索引集群中的主控机器将提取出的图像特征均匀分配到其它索引机器上进行图像索引操作，每台机器维持一张哈希表和一个哈希函数。进一步，在构建上述图像检索数据库的过程中，当一张样本图像的图像特征被哈希函数映射到哈希表的某个哈希桶中，则可使用链式存储结构存储该样本图像的标识(例如图像的标识符(ID，IDentity)，无需再该存储图像的图像特征。

步骤104、基于检索结果推送一个或两个以上目标图像；

在步骤104中，可将检索到的图像特征与上述待检索图像的图像特征匹配的所有目标图像进行推送，以向用户推荐所有目标图像，或者，也可以从检索到的图像特征与上述待检索图像的图像特征匹配的所有目标图像中，推送相似度高的前几张目标图像。

进一步，当步骤103中通过哈希函数确定待检索图像的图像特征所映射的哈希桶，并将上述哈希桶中已存在的各个元素所对应的图像确定为上述目标图像时，步骤104可以包括：若上述哈希桶(即待检索图像的图像特征所映射的哈希桶)中已存在的元素个数不大于预设的图像推荐数，则基于检索结果推送所有目标图像；若上述哈希桶中已存在的元素个数大于上述图像推荐数，则：计算各个目标图像与上述待检索图像的相似度；按照相似度由高到底的排序推送前N个目标图像，其中，上述N等于上述图像推荐数。

具体的，可以通过杰卡德相似系数来度量各个目标图像与上述待检索图像的相似度，根据计算出的各个目标图像与上述待检索图像的杰卡德相似系数，按照杰卡德相似系数从高到低排序，挑选出前N个目标图像并推送给用户。

进一步，步骤104还可以包括：推送与本次推送的目标图像关联的商品信息。具体的，可以根据本次推送的目标图像的标识(例如ID)找到与本次推送的目标图像关联的商品信息，并在推送目标图像的同时推送相应的商品信息。

由上可见，本发明实施例中在进行图像推荐时，使用卷积神经网络模型从待检索的图像中提取图像特征并基于提取的图像特征进行检索，由于该卷积神经网络模型是基于包含按照商品类别和商品参数分类的多个图像组的商品图像训练集训练得到，因此，相对于传统的关键字描述或像素特征，使用该卷积神经网络模型提取的图像特征能够更准确地反映图像内容且对外界因素具有很强的鲁棒性，从而使得基于该图像特征检索得到的目标图像更为准确，提高了图像检索的准确性。

下面对本发明实施例提供的一种图像推荐装置进行描述，如图2所示，本发明实施例中的图像推荐装置200包括：

获取单元201，用于获取待检索图像；

图像特征提取单元202，用于使用卷积神经网络模型从上述待检索图像中提取上述待检索图像的图像特征，其中，上述卷积神经网络模型基于商品图像训练集训练得到，上述商品图像训练集包含按照商品类别和商品参数分类的多个图像组；

检索单元203，用于基于图像特征提取单元202提取的上述待检索图像的图像特征，检索图像特征与上述待检索图像的图像特征匹配的目标图像；

推送单元204，用于基于检索单元203检索得到的检索结果推送一个或两个以上目标图像。

可选的，检索单元203包括：第一确定单元，用于通过哈希函数确定上述待检索图像的图像特征所映射的哈希桶；第二确定单元，用于将上述哈希桶中已存在的各个元素所对应的图像确定为上述目标图像；其中，上述哈希桶中已存在的各个元素是预先通过上述哈希函数分别对各个图像的图像特征进行映射得到，上述各个图像的图像特征是通过上述卷积神经网络模型分别从上述各个图像中提取得到。

可选的，图像特征提取单元202具体还用于：对使用所述卷积神经网络模型从所述待检索图像中提取的图像特征进行降维处理，将降维处理后得到的图像特征作为所述待检索图像的图像特征。

可选的，检索单元203具体用于：基于提取的所述待检索图像的图像特征，从图像检索数据库中检索图像特征与所述待检索图像的图像特征匹配的目标图像。其中，所述图像检索数据库采用局部敏感哈希算法和分布式系统相结合的方式为图像特征建立索引。

可选的，推送单元204具体用于：当上述哈希桶中已存在的元素个数不大于预设的图像推荐数时，基于检索结果推送所有目标图像；当上述哈希桶中已存在的元素个数大于上述图像推荐数时，计算各个目标图像与上述待检索图像的相似度，按照相似度由高到底的排序推送前N个目标图像，其中，上述N等于上述图像推荐数。

可选的，推送单元204还用于推送与本次推送的目标图像关联的商品信息。

可选的，获取单元201具体用于：获取当前拍摄所得的图像作为待检索图像；或者，获取当前照片库中被选定的图像作为待检索图像。

应理解，本发明实施例中的图像推荐装置的各个功能模块的功能可以根据上述方法实施例中的方法具体实现，其具体实现过程可参照上述方法实施例中的相关描述，此处不再赘述。

由上可见，本发明实施例中的图像推荐装置在进行图像推荐时，使用卷积神经网络模型从待检索的图像中提取图像特征并基于提取的图像特征进行检索，由于该卷积神经网络模型是基于包含按照商品类别和商品参数分类的多个图像组的商品图像训练集训练得到，因此，相对于传统的关键字描述或像素特征，使用该卷积神经网络模型提取的图像特征能够更准确地反映图像内容且对外界因素具有很强的鲁棒性，从而使得基于该图像特征检索得到的目标图像更为准确，提高了图像检索的准确性。

下面对一种图像推荐系统进行描述，该图像推荐系统采用如1-a所示的图像推荐方法进行图像推荐。如图3-a所示，该图像推荐系统包括如下几个部分：网络爬虫模块、图像特征提取模块、索引模块和图像推荐模块。

其中，网络爬虫模块主要用于提取网页源文件并从网页源文件中提取图像和商品信息。网络爬虫模块的具体处理过程如图3-b所示，包括：

步骤S11、通过网络爬虫程序获取网页源文件；

网络爬虫程序一般从某一个或若干个初始网页的统一资源定位符(URL，Uniform Resource Locator)着手，获取初始网页上的URL，在爬取网页的过程中，不断地从当前页面中获取新的URL放入URL队列中，直到满足也预设的停止条件为止。网络爬虫程序从网站首页开始，逐层向下解析，爬虫程序的爬取过程主要分为以下几个步骤：a、从网站首页解析出各个分类的初始目录页的URL；b、从各个分类的初始目录页解析出下一层目录页的URL，直到解析到末层目录页的URL为止；c、从末层目录页解析出列表页URL；d、从列表页中解析出该页包含的所有商品URL，加入到待爬取的URL队列中；e、从该URL队列中取出与商品相关的URL，将其对应的网页源文件下载到本地。

步骤S12、基于静态模板从上述网页源文件中进行信息提取；

由于网页源文件本身内容包含非常多的网页标签以及广告链接等内容，这些内容对于网络爬虫者来说是无效的信息，因此，需要通过Web信息抽取技术从网页源文件中获取有用的信息，即以Web为信息源，从Web中获取指定类型的信息，并将其进行结构化存储，可供程序使用。

步骤S12的目的是为了从上述网页源文件中获取网页中的商品类别以及商品参数信息，其具体过程如下：分析各个网页源文件，获取网页源文件中的主题(即商品类别)、商品参数信息等信息的位置，以确定提取上下界信息，同时对上下界进行唯一性判定，将所确定的上下界信息保存为静态模板；读取静态模板，通过该静态模板的上下界信息来匹配商品源网页，获取商品的图片链接信息和商品参数信息；对获取到的商品参数信息进行处理(例如将获取到的商品参数信息分行存储)，以使得参数信息规范化；对处理后的商品参数信息作去噪处理(例如对处理后的商品参数信息做去除超文本标记语言(HTML，HyperText Markup Language)标签的处理，使得最终得到的商品参数信息中只包含参数的文本信息)，进一步，若获得的商品参数信息中包含unicode编码，还需要通过字符转换将unicode编码转换为对应的中文字符；输出最终的商品类别和商品参数信息；根据提取到的图像地址将图像下载并存储到本地文件系统中。

步骤S13、存储提取的信息；

在步骤S13中，将网络爬虫模块爬取的商品图像及相应的商品信息(例如商品类别和商品参数)以文件形式存储在分布式集群上，并将商品图像的ID以及相应的商品信息存储在数据库中，以便可根据图像ID从该分布式集群上读取相应的图像并在该数据库中获取相应的商品信息。

通过网络爬虫模块获取到商品图像相关信息以后，要实现对图像的检索推荐，需要将图像的内容信息提取为数字化的特征，一方面方便计算机进行运算，另一方面相对于视觉感知相对抽象的对图像内容的描述，转化为数字化的特征使得图像相似性度量更加可量化。本发明实施例中，通过上述图像特征提取模块实现对图像特征的提取，具体，该图像特征提取模块的图像特征提取过程可以参照图1-a所示实施例中步骤102的描述，此处不再赘述。

上述索引模块用于基于上述网络爬虫模块和上述图像特征提取模块的输出建立索引，以便上述图像推荐模块基于上述索引模块建议的索引进行目标图像的检索。

上述图像推荐模块的具体结构可以参照图2所示的图像推荐装置，其具体实现过程可参照图1-a所示的方法实施例中的相关描述，此处不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的方法、装置和系统可以通过其它的方式实现。

需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本发明所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。

以上为对本发明所提供的一种图像推荐方法和图像推荐装置的描述，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。