一种相机特效的推荐方法及装置与流程

本发明涉及互联网技术领域，尤其涉及一种相机特效的推荐方法及装置。

背景技术：

现如今，很多相机App(Application，应用)都可以提供给用户拍摄优美、有趣的图片和视频，并且将图片和视频分享给好友的能力。而这种优美、有趣的拍摄能力，集中体现在相机特效(我们称作“萌颜”特效)上。每一个相机特效都提供了一种特定的拍摄能力，比如：大眼瘦脸的美拍能力，磨皮效果的美拍能力，3D(Three Dimensional，三维)效果的能力，AR(Augmented Reality，增强现实)效果的能力，等等。

目前，相机App已经累计设计和实现了超过上千种相机特效，但是，用户不可能用到所有的相机特效。所以，如何在第一时间给用户推荐最符合其兴趣爱好的相机特效，是提高相机App的产品活力的重要手段。

然而，不同于体量大的产品，相机App的体量普遍较小，客户端能力也不足，导致可以获取的用户特征极其有限。所以，传统的推荐方法(比如：回归、决策树、分类聚类、等等)，在这里无法得到很好的应用。

综上，目前的相机App在向用户推荐相机特效时，普遍存在推荐效果较差的技术问题。

技术实现要素：

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的相机特效的推荐方法及装置。

本发明的第一个方面，提供了一种相机特效的推荐方法，包括：

接收客户端上报的用户使用相机特效的历史数据；

基于所述历史数据，构造预设模型的可见层的输入向量；

将所述可见层的输入向量输入至所述预设模型中，获得所述预设模型的可见层的预测向量；

从所述可见层的预测向量中选出满足预设条件的元素，并将所述元素对应的相机特效推荐给所述用户。

优选地，所述接收客户端上报的用户使用相机特效的历史数据，包括：

接收客户端上报的所述用户在过去的预设时间段内触发相机特效的第一历史数据。

优选地，所述预设模型，具体为：

限玻尔兹曼机RBM模型。

优选地，所述将所述可见层的输入向量输入至所述预设模型中之前，还包括：

确定所述RBM模型中的参数。

优选地，所述确定所述RBM模型中的参数，包括：

获取多个其他用户在所预设时间段内触发相机特效的第二历史数据；

将所述第二历史数据作为训练样本，通过人工智能学习系统进行训练，获得所述RBM模型中的参数；其中，所述RBM模型中的参数包括：所述RBM模型中隐藏层的偏置向量，所述RBM模型中可见层的偏置向量，所述可见层到所述隐藏层的权重矩阵。

优选地，所述将所述可见层的输入向量输入至所述预设模型中，获得所述预设模型的可见层的预测向量，包括：

将所述可见层的输入向量输入至所述RBM模型中，以使得所述RBM模型基于所述可见层的输入向量计算出所述RBM模型的隐藏层向量，并基于所述隐藏层向量计算出所述可见层的预测向量。

优选地，所述从所述可见层的预测向量中选出满足预设条件的元素，包括：

从所述可见层的预测向量中删除所述用户在所述预设时间段内触发过的相机特效对应的元素，并从剩余元素中选出取值最高的M个元素，M为正整数。

优选地，所述将所述元素对应的相机特效推荐给所述用户，包括：

创建所述元素对应的相机特效的启动图标，并将所述启动图标展示在所述客户端的推荐区域中。

本发明的第二个方面，基于同一发明构思，提供了一种相机特效的推荐装置，包括：

接收单元，用于接收客户端上报的用户使用相机特效的历史数据；

构造单元，用于基于所述历史数据，构造预设模型的可见层的输入向量；

运算单元，用于将所述可见层的输入向量输入至所述预设模型中，获得所述预设模型的可见层的预测向量；

推荐单元，用于从所述可见层的预测向量中选出满足预设条件的元素，并将所述元素对应的相机特效推荐给所述用户。

优选地，所述接收单元，具体用于：

接收客户端上报的所述用户在过去的预设时间段内触发相机特效的第一历史数据。

优选地，所述预设模型，具体为：

限玻尔兹曼机RBM模型。

优选地，所述的相机特效的推荐装置，还包括：

确定单元，用于所述将所述可见层的输入向量输入至所述预设模型中之前，确定所述RBM模型中的参数。

优选地，所述确定单元，具体用于：

获取多个其他用户在所预设时间段内触发相机特效的第二历史数据；将所述第二历史数据作为训练样本，通过人工智能学习系统进行训练，获得所述RBM模型中的参数；其中，所述RBM模型中的参数包括：所述RBM模型中隐藏层的偏置向量，所述RBM模型中可见层的偏置向量，所述可见层到所述隐藏层的权重矩阵。

优选地，所述运算单元，具体用于：

将所述可见层的输入向量输入至所述RBM模型中，以使得所述RBM模型基于所述可见层的输入向量计算出所述RBM模型的隐藏层向量，并基于所述隐藏层向量计算出所述可见层的预测向量。

优选地，所述推荐单元，具体用于：

从所述可见层的预测向量中删除所述用户在所述预设时间段内触发过的相机特效对应的元素，并从剩余元素中选出取值最高的M个元素，M为正整数。

优选地，所述推荐单元，具体用于：

创建所述元素对应的相机特效的启动图标，并将所述启动图标展示在所述客户端的推荐区域中。

本发明的第三个方面，基于同一发明构思，提供了一种相机特效的推荐装置，包括存储器、处理器及存储在存储器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以下步骤：

接收客户端上报的用户使用相机特效的历史数据；基于所述历史数据，构造预设模型的可见层的输入向量；将所述可见层的输入向量输入至所述预设模型中，获得所述预设模型的可见层的预测向量；从所述可见层的预测向量中选出满足预设条件的元素，并将所述元素对应的相机特效推荐给所述用户。

本发明的第四个方面，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上存储有计算机程序，该程序被处理器执行时实现以下步骤：

接收客户端上报的用户使用相机特效的历史数据；基于所述历史数据，构造预设模型的可见层的输入向量；将所述可见层的输入向量输入至所述预设模型中，获得所述预设模型的可见层的预测向量；从所述可见层的预测向量中选出满足预设条件的元素，并将所述元素对应的相机特效推荐给所述用户。

本申请实施例中提供的技术方案，至少具有如下技术效果或优点：

根据本发明的一种相机特效的推荐方法，包括：接收客户端上报的用户使用相机特效的历史数据；基于所述历史数据，构造预设模型的可见层的输入向量；将所述可见层的输入向量输入至所述预设模型中，获得所述预设模型的可见层的预测向量；从所述可见层的预测向量中选出满足预设条件的元素，并将所述元素对应的相机特效推荐给所述用户。本发明中的机特效的推荐方法，可以有效地提高相机特效的推荐效果，故而解决了现有技术中相机App，无法很好地向用户推荐相机特效的技术问题，实现了提高相机特效的推荐效果，提高产品活跃度的技术效果。

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

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本发明一个实施例的一种相机特效的推荐方法的流程图；

图2示出了根据本发明一个实施例的RBM网络结构图；

图3示出了根据本发明一个实施例的一种相机特效的推荐装置的结构图；

图4示出了根据本发明一个实施例的一种相机特效的推荐装置的结构图；

图5示出了根据本发明一个实施例的一种计算机可读存储介质的结构图。

具体实施方式

本发明实施例提供了一种相机特效的推荐方法及装置，用以解决现有技术的相机App在向用户推荐相机特效时，存在推荐效果较差的技术问题。

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

实施例一

本实施例提供了一种相机特效的推荐方法，应用于服务器中，该服务器具体是指相机App(Application，应用)对应的网络服务器，用于为相机App提供网络服务。其中，该相机App的客户端可以被安装在移动终端(例如：智能手机、或平板电脑、等等)中，用户可以启动该相机App的客户端进行拍照，同时，在该客户端中提供有多种相机特效，用户可以使用这些相机特效，从而获得丰富多样的拍照效果。

具体来讲，如图1所示，所述相机特效的推荐方法，包括：

步骤S101：接收客户端上报的用户使用相机特效的历史数据。

在具体实施过程中，在相机App客户端中提供有多种相机特效(例如：大眼瘦脸的美拍特效、磨皮效果的美拍特效、美白效果的美拍特效、3D效果的特效、AR效果的特效、等等)，具体可以在相机App的UI(User Interface，用户界面)上展示每个相机特效的启动图标，若用户想要使用某一相机特效，则可以触发该相机特效对应的启动图标(例如：点击启动图标)，从而启动该相机特效。

在具体实施过程中，客户端可以记录下用户每次触发的相机特效(即：用户每次使用的相机特效)，并将该相机特效的标识信息(例如：相机特效的名称、或相机特效的ID)以及该相机特效的使用时间存储在一指定的存储区域中。客户端可以收集用户在过去一预设时间段内(例如：过去的一个月内、或过去的一周内)触发相机特效的历史数据(即：第一历史数据)，并将该历史数据打包成一数据包上报给服务器。

在具体实施过程中，服务器开放其远程接口，用于接收一个或多个客户端远程上报的数据包。对于每一个客户端上报的数据包而言，服务器需要对其进行解析，以便获得其中的用户使用相机特效的历史数据。如前文所述，该历史数据中记录有用户在在过去一预设时间段内(例如：过去的一个月内、或过去的一周内)触发相机特效的相关信息。

在具体实施过程中，在移动终端中会存储用户大量的个人信息，例如：性别、年龄、星座、血型、家庭住址、工作单位、经常活动的区域、等等，这些个人信息足以体现用户的习惯及偏好，客户端可以收集这些个人信息，并打包上报给服务器。再者，客户端可以基于用户的网页浏览记录、以及用户往来的短信或邮件或即时通信消息中获得上述个人信息。

在具体实施过程中，服务器可以接收客户端上报的用户的个人信息，其可包含性别、年龄、星座、血型、家庭住址、工作单位、经常活动的区域、等等，并基于这些用户个人信息，生成该用户的画像，该用户画像可以反映出用户的偏好，其可以作为后续推荐相机特效的参考依据。

此处，在服务器接收到客户端上报的该历史数据后，即可执行步骤S102。

步骤S102：基于该历史数据，构造预设模型的可见层的输入向量。

作为一种可选的实施例，所述预设模型，具体为：RBM(Restricted Boltzmann Machine，限玻尔兹曼机)模型。

在具体实施过程中，服务器在接收到客户端上报的用户使用相机特效的历史数据后，即可利用RBM模型，对该历史数据进行处理，获得一个或多个待推荐的相机特效。

其中，RBM模型是一种可用随机神经网络(stochastic neural network)来解释的概率图模型(probabilistic graphical model)，它由保罗·斯模棱斯基(PaulSmolensky)于1986年在BM(Boltzmann Machine，波尔兹曼机)的基础上提出，所谓“随机”是指这种网络中的神经元是随机祌经元，其输出只有两种状态(未激活、激活)，一般用二进制的0和1来表示，而状态的具体取值则根据概率统计法则来决定。随着计箅机计箅能力的迅速提高和快速箅法的不断发展，RBM在各种相关机器学习箅法中巳经变得实际可行。

如图2所示，图2给出了一个普通RBM网络结构，在RBM网络结构中有2层节点，分别为可见层v和隐藏层h，其中，可见层有n个可见层节点，隐藏层有m个隐藏层节点，并且可见层和隐藏层节点间是全连接的，也就是说，每个可见层节点只和m个隐藏层节点相关，不同的可见层节点之间相互独立，可见层节点的状态只受m个隐藏层节点的影响；对于每个隐藏层节点也是一样，只受n个可见层节点影响。

在RBM网络中，主要有3个参数，一个是可见层的偏置向量a，其维度等于可见层的节点个数，每个维度对应一个节点，a＝(a₁、a₂、a₃、……，a_m)；一个是隐藏层的偏置向量b，其维度等于隐藏层的节点个数，每个维度对应一个节点，b＝(b₁、b₂、b₃、……，b_n)；还有一个是可见层到隐藏层的权重矩阵W，其行数为可见层节点数，列数为隐藏层节点数；这几个参数决定了RBM网络将一个n维的样本编码成一个什么样的m维样本。

在具体实施过程中，可以基于客户端上报的用户在过去一预设时间段内(例如：过去的一个月内、或过去的一周内)触发相机特效的历史数据，生成可见层的输入向量v。

举例来讲，可以选取相机App中的所有的相机特效作为可见层的元素，用户在过去一个月内的触发行为构造可见层的数据向量。例如，假设一共有相机特效(E1、E2、E3、E4、E5、E6、E7、E8、E9、E10)作为可见层节点，则可见层的输入向量v＝(0 1 1 0 0 0 0 0 0 0)，其表示该用户在过去一个月内点击过E2和E3两个相机特效。注意：此处的10个相机特效仅是为了方便举例，实际应用中可能有上千个相机特效，本领域技术人员在阅读本实施例后，容易将样本数量扩大到任一数值，此处对于相机特效的总数不做具体限定。

步骤S103：将可见层的输入向量输入至预设模型中，获得预设模型的可见层的预测向量。

作为一种可选的实施例，在步骤S103之前，还包括：

确定RBM模型中的参数，具体地，可以获取多个其他用户在设时间段内触发相机特效的第二历史数据；将第二历史数据作为训练样本，通过人工智能学习系统(Tensorflow)进行训练，获得RBM模型中参数。

在具体实施过程中，首先，服务器需要接收相机App大量用户(例如：全网用户)在过去一预设时间段内(例如：过去一个月内、或过去一周内)触发相机特效的历史数据(即：第二历史数据)，该历史数据中记录有全网每个用户在该预设时间段内都使用了哪些相机特效，这可以反映出全网用户对相机特效的偏好；然后，基于全网用户中每个用户在该预设时间段内对于相机特向的触发行为，生成大量训练样本；最后，通过Tensorflow来学习训练，学习到全网用户对相机特效的偏好的特征，从而得到RBM模型中参数(即：可见层的偏置向量a、隐藏层的偏置向量b、以及可见层到隐藏层的权重矩阵W)。其中，TensorFlow是谷歌基于DistBelief(谷歌的第一代人工智能学习系统)研发的第二代人工智能学习系统，完全开源，其命名来源于本身的运行原理。Tensor(张量)意味着N维数组，Flow(流)意味着基于数据流图的计算，TensorFlow为张量从流图的一端流动到另一端计算过程。TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统。此处，确定了RBM模型中各个参数，也就确定了RBM模型的运算规则。

在具体实施过程中，可以取隐藏层的节点数量为预设数量，该预设数量可以为：30、或40、或50、或60、或70、等等。对于隐藏层的节点数量，可以根据实际情况灵活设置，本实施例不做具体限定。

此处，在获得可见层的输入向量v后，并且确定了RBM模型中的各个参数，即可执行步骤S103，即：将可见层的输入向量输入至所述预设模型中，获得预设模型的可见层的预测向量。

在具体实施过程中，将可见层的输入向量v输入至RBM模型中，通过RBM模型模型的运算，即可获得一可见层的预测向量v’，该可见层的预测向量v’中的每个元素都代表一个相机特效，每个元素的取值可以反映出用户对该元素对应的相机特效的偏好程度，取值越大，则代表用户对该相机特效的偏好程度越高。

在具体实施过程中，在将可见层的输入向量v输入至RBM模型中后，RBM模型会基于可见层的输入向量v，计算出隐藏层向量h；再基于隐藏层向量h，计算出可见层的预测向量v’。

具体来讲，基于RBM网络本身的特性，会对可见层的输入向量v进行两次翻转，第一次翻转会将输入向量v映射到隐藏层上，获得隐藏层向量h，第二次翻转会将藏层向量h重新映射到可见层上，得到可见层的预测向量v’。

具体来讲，可以基于如下公式(1)，计算隐藏层向量：

h＝sigmoid(vW+b)——(公式1)

其中，v是可见层的输入向量；h是隐藏层向量；b是RBM模型中的参数，用于表示隐藏层的偏置向量。

具体来讲，可以基于如下公式，计算可见层的预测向量：

v’＝sigmoid(hW^T+a)——(公式2)

其中，v’是可见层的预测向量；a是RBM模型中的参数，用于表示可见层的偏置向量；W是RBM模型中的参数，用于表示可见层到隐藏层的权重矩阵；

其中，sigmoid函数是神经网络中的激活函数，其定义为：

sigmoid函数的定义域为(-∞，+∞)，值域为(0，1)。

此处，在获得可见层的预测向量v’后，即可执行步骤S104。

步骤S104：从可见层的预测向量中选出满足预设条件的元素，并将所述元素对应的相机特效推荐给用户。

作为一种可选的实施例，所述从可见层的预测向量中选出满足预设条件的元素，包括：

从可见层的预测向量中删除用户在预设时间段内触发过的相机特效对应的元素，并从剩余元素中选出取值最高的M个元素，M为正整数。

在具体实施过程中，通过RBM模型的运算，即可获得一可见层的预测向量v’，该可见层的预测向量v’中的每个元素都代表一个相机特效，每个元素的取值可以反映出用户对该元素对应的相机特效的偏好程度，取值越大，则代表用户对该相机特效的偏好程度越高。此处，可以在可见层的预测向量v’中的所有元素中去除用户在预设时间段内(例如：过去一个月内或过去一周内)使用过的相机特效对应的元素，对于剩余的元素，再按照取值从大到小的顺序依次排序，并选出排除靠前的M个元素(例如：可以选出取值最高的前5个元素，或前10个元素，或前50个元素、或前100元素，或前150个元素，等等)，所述M个元素对应的M个相机特效即为需要推荐给用户的相机特效。此处，对于M的取值，可以根据实际需求自由设置，本实施例不做具体限定。

作为一种可选的实施例，所述将所述元素对应的相机特效推荐给用户，包括：

创建所述元素对应的相机特效的启动图标，并将启动图标展示在客户端的推荐区域中。

在具体实施过程中，服务器在确定需要向用户推荐的M个相机特效后，可以向客户端发送一推荐指令，从而控制移动客户端将所述M个相机特效对应的启动图标展示在推荐区域中。客户端在接收到该推荐指令后，则可以在相机App的UI界面上的推荐区域中创建所述M个相机特效对应的启动图标。这样，用户在使用相机App时，容易发现推荐区域中的这些相机特效，并使用这些相机特效。

在具体实施过程中，还可以基于用户的用户画像，对所述M个元素对应的相机特效进行筛选，进一步筛选出符合用户偏好的相机特效(例如，可以根据用户的性别，筛选出该性别用户偏好的相机特效，或者，根据用户的年龄，筛选出该年龄段用户偏好的特效)，并将最终筛选出的相机特效按照上述方法推荐给用户。

本申请实施例中提供的技术方案，至少具有如下技术效果或优点：

根据本发明的一种相机特效的推荐方法，包括：接收客户端上报的用户使用相机特效的历史数据；基于所述历史数据，构造预设模型的可见层的输入向量；将所述可见层的输入向量输入至所述预设模型中，获得所述预设模型的可见层的预测向量；从所述可见层的预测向量中选出满足预设条件的元素，并将所述元素对应的相机特效推荐给所述用户。本发明中的机特效的推荐方法，可以有效地提高相机特效的推荐效果，故而解决了现有技术中相机App，无法很好地向用户推荐相机特效的技术问题，实现了提高相机特效的推荐效果，提高产品活跃度的技术效果。

实施例二

基于同一发明构思，本实施例提供了一种相机特效的推荐装置200，如图3所示，包括：

接收单元201，用于接收客户端上报的用户使用相机特效的历史数据；

构造单元202，用于基于所述历史数据，构造预设模型的可见层的输入向量；

运算单元203，用于将所述可见层的输入向量输入至所述预设模型中，获得所述预设模型的可见层的预测向量；

推荐单元204，用于从所述可见层的预测向量中选出满足预设条件的元素，并将所述元素对应的相机特效推荐给所述用户。

作为一种可选的实施例，所述接收单元201，具体用于：

接收客户端上报的所述用户在过去的预设时间段内触发相机特效的第一历史数据。

作为一种可选的实施例，所述预设模型，具体为：

限玻尔兹曼机RBM模型。

作为一种可选的实施例，所述的相机特效的推荐装置，还包括：

确定单元，用于所述将所述可见层的输入向量输入至所述预设模型中之前，确定所述RBM模型中的参数。

作为一种可选的实施例，所述确定单元，具体用于：

获取多个其他用户在所预设时间段内触发相机特效的第二历史数据；将所述第二历史数据作为训练样本，通过人工智能学习系统进行训练，获得所述RBM模型中的参数；其中，所述RBM模型中的参数包括：所述RBM模型中隐藏层的偏置向量，所述RBM模型中可见层的偏置向量，所述可见层到所述隐藏层的权重矩阵。

作为一种可选的实施例，所述运算单元，具体用于：

将所述可见层的输入向量输入至所述RBM模型中，以使得所述RBM模型基于所述可见层的输入向量计算出所述RBM模型的隐藏层向量，并基于所述隐藏层向量计算出所述可见层的预测向量。

作为一种可选的实施例，所述推荐单元204，具体用于：

从所述可见层的预测向量中删除所述用户在所述预设时间段内触发过的相机特效对应的元素，并从剩余元素中选出取值最高的M个元素，M为正整数。

作为一种可选的实施例，所述推荐单元204，具体用于：

创建所述元素对应的相机特效的启动图标，并将所述启动图标展示在所述客户端的推荐区域中。

由于本实施例所介绍的相机特效的推荐装置为实施本发明实施例中相机特效的推荐方法所采用的装置，故而基于本发明实施例中所介绍的相机特效的推荐方法，本领域所属技术人员能够了解本实施例的相机特效的推荐装置的具体实施方式以及其各种变化形式，所以在此对于该相机特效的推荐装置如何实现本发明实施例中的方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中相机特效的推荐方法所采用的装置，都属于本发明所欲保护的范围。

上述本发明实施例中的技术方案，至少具有如下的技术效果或优点：

根据本发明的本实施例提供了一种相机特效的推荐装置，包括：接收单元，用于接收客户端上报的用户使用相机特效的历史数据；构造单元，用于基于所述历史数据，构造预设模型的可见层的输入向量；运算单元，用于将所述可见层的输入向量输入至所述预设模型中，获得所述预设模型的可见层的预测向量；推荐单元，用于从所述可见层的预测向量中选出满足预设条件的元素，并将所述元素对应的相机特效推荐给所述用户。本发明中的机特效的推荐方法，可以有效地提高相机特效的推荐效果，故而解决了现有技术中相机App，无法很好地向用户推荐相机特效的技术问题，实现了提高相机特效的推荐效果，提高产品活跃度的技术效果。

实施例三

如图4所示，基于同一发明构思，本实施例提供了一种相机特效的推荐装置300，包括存储器310、处理器320及存储在存储器310上并可在处理器320上运行的计算机程序311，所述处理器320执行所述程序311时实现以下步骤：

接收客户端上报的用户使用相机特效的历史数据；基于所述历史数据，构造预设模型的可见层的输入向量；将所述可见层的输入向量输入至所述预设模型中，获得所述预设模型的可见层的预测向量；从所述可见层的预测向量中选出满足预设条件的元素，并将所述元素对应的相机特效推荐给所述用户。

作为一种可选的实施例，所述接收客户端上报的用户使用相机特效的历史数据，包括：

接收客户端上报的所述用户在过去的预设时间段内触发相机特效的第一历史数据。

作为一种可选的实施例，所述预设模型，具体为：

限玻尔兹曼机RBM模型。

作为一种可选的实施例，所述将所述可见层的输入向量输入至所述预设模型中之前，还包括：

确定所述RBM模型中的参数。

作为一种可选的实施例，所述确定所述RBM模型中的参数，包括：

获取多个其他用户在所预设时间段内触发相机特效的第二历史数据；

将所述第二历史数据作为训练样本，通过人工智能学习系统进行训练，获得所述RBM模型中的参数；其中，所述RBM模型中的参数包括：所述RBM模型中隐藏层的偏置向量，所述RBM模型中可见层的偏置向量，所述可见层到所述隐藏层的权重矩阵。

作为一种可选的实施例，所述将所述可见层的输入向量输入至所述预设模型中，获得所述预设模型的可见层的预测向量，包括：

将所述可见层的输入向量输入至所述RBM模型中，以使得所述RBM模型基于所述可见层的输入向量计算出所述RBM模型的隐藏层向量，并基于所述隐藏层向量计算出所述可见层的预测向量。

作为一种可选的实施例，所述从所述可见层的预测向量中选出满足预设条件的元素，包括：

从所述可见层的预测向量中删除所述用户在所述预设时间段内触发过的相机特效对应的元素，并从剩余元素中选出取值最高的M个元素，M为正整数。

作为一种可选的实施例，所述将所述元素对应的相机特效推荐给所述用户，包括：

创建所述元素对应的相机特效的启动图标，并将所述启动图标展示在所述客户端的推荐区域中。

在本申请实施例中，利用RBM模型可以有效地提高相机特效的推荐效果，故而解决了现有技术中相机App，无法很好地向用户推荐相机特效的技术问题，实现了提高相机特效的推荐效果，提高产品活跃度的技术效果。

实施例四

如图5所示，基于同一发明构思，本实施例提供了一种计算机可读存储介质400，其上存储有计算机程序411，该计算机程序411被处理器执行时实现以下步骤：

接收客户端上报的用户使用相机特效的历史数据；基于所述历史数据，构造预设模型的可见层的输入向量；将所述可见层的输入向量输入至所述预设模型中，获得所述预设模型的可见层的预测向量；从所述可见层的预测向量中选出满足预设条件的元素，并将所述元素对应的相机特效推荐给所述用户。

作为一种可选的实施例，所述接收客户端上报的用户使用相机特效的历史数据，包括：

接收客户端上报的所述用户在过去的预设时间段内触发相机特效的第一历史数据。

作为一种可选的实施例，所述预设模型，具体为：

限玻尔兹曼机RBM模型。

作为一种可选的实施例，所述将所述可见层的输入向量输入至所述预设模型中之前，还包括：

确定所述RBM模型中的参数。

作为一种可选的实施例，所述确定所述RBM模型中的参数，包括：

获取多个其他用户在所预设时间段内触发相机特效的第二历史数据；

将所述第二历史数据作为训练样本，通过人工智能学习系统进行训练，获得所述RBM模型中的参数；其中，所述RBM模型中的参数包括：所述RBM模型中隐藏层的偏置向量，所述RBM模型中可见层的偏置向量，所述可见层到所述隐藏层的权重矩阵。

作为一种可选的实施例，所述将所述可见层的输入向量输入至所述预设模型中，获得所述预设模型的可见层的预测向量，包括：

将所述可见层的输入向量输入至所述RBM模型中，以使得所述RBM模型基于所述可见层的输入向量计算出所述RBM模型的隐藏层向量，并基于所述隐藏层向量计算出所述可见层的预测向量。

作为一种可选的实施例，所述从所述可见层的预测向量中选出满足预设条件的元素，包括：

从所述可见层的预测向量中删除所述用户在所述预设时间段内触发过的相机特效对应的元素，并从剩余元素中选出取值最高的M个元素，M为正整数。

作为一种可选的实施例，所述将所述元素对应的相机特效推荐给所述用户，包括：

创建所述元素对应的相机特效的启动图标，并将所述启动图标展示在所述客户端的推荐区域中。

在本申请实施例中，利用RBM模型可以有效地提高相机特效的推荐效果，尤其对于相机这种用户体量较小的应用，推荐效果更加显著。故而解决了现有技术中对于相机这种用户体量较小的应用，无法很好地向用户推荐相机特效的技术问题，实现了提高相机特效的推荐效果，提高用户活跃度的技术效果。

在此提供的模型和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一种相机特效的推荐装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

本发明公开了，A1、一种相机特效的推荐方法，其特征在于，包括：

接收客户端上报的用户使用相机特效的历史数据；

基于所述历史数据，构造预设模型的可见层的输入向量；

将所述可见层的输入向量输入至所述预设模型中，获得所述预设模型的可见层的预测向量；

从所述可见层的预测向量中选出满足预设条件的元素，并将所述元素对应的相机特效推荐给所述用户。

A2、如A1所述的相机特效的推荐方法，其特征在于，所述接收客户端上报的用户使用相机特效的历史数据，包括：

接收客户端上报的所述用户在过去的预设时间段内触发相机特效的第一历史数据。

A3、如A1所述的相机特效的推荐方法，其特征在于，所述预设模型，具体为：

限玻尔兹曼机RBM模型。

A4、如A3所述的相机特效的推荐方法，其特征在于，所述将所述可见层的输入向量输入至所述预设模型中之前，还包括：

确定所述RBM模型中的参数。

A5、如A4所述的相机特效的推荐方法，其特征在于，所述确定所述RBM模型中的参数，包括：

获取多个其他用户在所预设时间段内触发相机特效的第二历史数据；

将所述第二历史数据作为训练样本，通过人工智能学习系统进行训练，获得所述RBM模型中的参数；其中，所述RBM模型中的参数包括：所述RBM模型中隐藏层的偏置向量，所述RBM模型中可见层的偏置向量，所述可见层到所述隐藏层的权重矩阵。

A6、如A3所述的相机特效的推荐方法，其特征在于，所述将所述可见层的输入向量输入至所述预设模型中，获得所述预设模型的可见层的预测向量，包括：

将所述可见层的输入向量输入至所述RBM模型中，以使得所述RBM模型基于所述可见层的输入向量计算出所述RBM模型的隐藏层向量，并基于所述隐藏层向量计算出所述可见层的预测向量。

A7、如A3所述的相机特效的推荐方法，其特征在于，所述从所述可见层的预测向量中选出满足预设条件的元素，包括：

从所述可见层的预测向量中删除所述用户在所述预设时间段内触发过的相机特效对应的元素，并从剩余元素中选出取值最高的M个元素，M为正整数。

A8、如A1～A7任一所述的相机特效的推荐方法，其特征在于，所述将所述元素对应的相机特效推荐给所述用户，包括：

创建所述元素对应的相机特效的启动图标，并将所述启动图标展示在所述客户端的推荐区域中。

B9、一种相机特效的推荐装置，其特征在于，包括：

接收单元，用于接收客户端上报的用户使用相机特效的历史数据；

构造单元，用于基于所述历史数据，构造预设模型的可见层的输入向量；

运算单元，用于将所述可见层的输入向量输入至所述预设模型中，获得所述预设模型的可见层的预测向量；

推荐单元，用于从所述可见层的预测向量中选出满足预设条件的元素，并将所述元素对应的相机特效推荐给所述用户。

B10、如B9所述的相机特效的推荐装置，其特征在于，所述接收单元，具体用于：

接收客户端上报的所述用户在过去的预设时间段内触发相机特效的第一历史数据。

B11、如B9所述的相机特效的推荐装置，其特征在于，所述预设模型，具体为：

限玻尔兹曼机RBM模型。

B12、如B11所述的相机特效的推荐装置，其特征在于，还包括：

确定单元，用于所述将所述可见层的输入向量输入至所述预设模型中之前，确定所述RBM模型中的参数。

B13、如B12所述的相机特效的推荐装置，其特征在于，所述确定单元，具体用于：

获取多个其他用户在所预设时间段内触发相机特效的第二历史数据；将所述第二历史数据作为训练样本，通过人工智能学习系统进行训练，获得所述RBM模型中的参数；其中，所述RBM模型中的参数包括：所述RBM模型中隐藏层的偏置向量，所述RBM模型中可见层的偏置向量，所述可见层到所述隐藏层的权重矩阵。

B14、如B11所述的相机特效的推荐装置，其特征在于，所述运算单元，具体用于：

将所述可见层的输入向量输入至所述RBM模型中，以使得所述RBM模型基于所述可见层的输入向量计算出所述RBM模型的隐藏层向量，并基于所述隐藏层向量计算出所述可见层的预测向量。

B15、如B11所述的相机特效的推荐装置，其特征在于，所述推荐单元，具体用于：

从所述可见层的预测向量中删除所述用户在所述预设时间段内触发过的相机特效对应的元素，并从剩余元素中选出取值最高的M个元素，M为正整数。

B16、如B9～B15任一所述的相机特效的推荐装置，其特征在于，所述推荐单元，具体用于：

创建所述元素对应的相机特效的启动图标，并将所述启动图标展示在所述客户端的推荐区域中。

C17、一种相机特效的推荐装置，其特征在于，包括存储器、处理器及存储在存储器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以下步骤：

接收客户端上报的用户使用相机特效的历史数据；基于所述历史数据，构造预设模型的可见层的输入向量；将所述可见层的输入向量输入至所述预设模型中，获得所述预设模型的可见层的预测向量；从所述可见层的预测向量中选出满足预设条件的元素，并将所述元素对应的相机特效推荐给所述用户。

D18、一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现以下步骤：

接收客户端上报的用户使用相机特效的历史数据；基于所述历史数据，构造预设模型的可见层的输入向量；将所述可见层的输入向量输入至所述预设模型中，获得所述预设模型的可见层的预测向量；从所述可见层的预测向量中选出满足预设条件的元素，并将所述元素对应的相机特效推荐给所述用户。