个性化图像推荐方法、装置、设备及存储介质与流程

本发明涉及图像处理技术领域，尤其涉及一种个性化图像推荐方法、装置、设备及存储介质。

背景技术：

随着现代社会的不断进步，社会网络(socialnetwork)成为人们获取感兴趣信息最直接、最方便的平台，而社会网络中存在着各式各样的平台，有海量增长的社会视频的平台，有海量增长的社会图像的平台，对于一些频繁于不同平台之间活动的用户，感兴趣的社会视频或者社会图像是交互的，而由于人类的视觉及脑神经赋予了其根据图像的颜色、形状等低级属性以及语义层面的高级属性对该图像进行有意识地划分，所以对于首次接触的社会视频人们会下意识地选择重点关注区域，因此，能够准确的从社会视频的平台的社会视频中获取用户感兴趣的区域，并能够在跨平台的社会图像的平台中个性化的推送用户感兴趣的社会图像是目前平台面临的提高用户粘性的一个重要且具有实际意义的问题。

技术实现要素：

本发明提供一种个性化图像推荐方法、装置、计算机设备及存储介质，实现了通过自动推荐跨平台的基于视觉显著性的用户感兴趣的个性化图像，提高了推荐的准确性及便捷性，提升了用户的体验满意度。

一种个性化图像推荐方法，包括：

在目标平台中接收用户发送的推荐请求，获取与源平台关联的多个视频片段；所述源平台是指用户通过当前访问目标平台的客户端访问过的历史平台；

对所有所述视频片段进行图像抽取以及图像预处理，得到多个待处理图像；

自跨平台模型数据库中获取与所述源平台和所述目标平台均关联的跨平台推荐图像网络模型；

将各所述待处理图像输入获取的所述跨平台推荐图像网络模型中，通过所述跨平台推荐图像网络模型对各所述待处理图像进行视觉显著特征提取，根据提取的所述视觉显著特征进行视觉显著性图像生成，生成个性化推荐结果；所述个性化推荐结果包括多个个性化图像与其对应的预测概率；

将所有所述个性化图像按照其预测概率的降序进行排序，并将排序后的所有所述个性化图像在所述目标平台推荐给所述用户。

一种个性化图像推荐装置，包括：

接收模块，用于在目标平台中接收用户发送的推荐请求，获取与源平台关联的多个视频片段；所述源平台是指用户通过当前访问目标平台的客户端访问过的历史；

预处理模块，用于对所有所述视频片段进行图像抽取以及图像预处理，得到多个待处理图像；

获取模块，用于自跨平台模型数据库中获取与所述源平台和所述目标平台均关联的跨平台推荐图像网络模型；

生成模块，用于将各所述待处理图像输入获取的所述跨平台推荐图像网络模型中，通过所述跨平台推荐图像网络模型对各所述待处理图像进行视觉显著特征提取，根据提取的所述视觉显著特征进行视觉显著性图像生成，生成个性化推荐结果；所述个性化推荐结果包括多个个性化图像与其对应的预测概率；

推荐模块，用于将所有所述个性化图像按照其预测概率的降序进行排序，并将排序后的所有所述个性化图像在所述目标平台推荐给所述用户。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述个性化图像推荐方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述个性化图像推荐方法的步骤。

本发明提供的个性化图像推荐方法、装置、计算机设备及存储介质，通过在目标平台中接收用户发送的推荐请求，获取与源平台关联的多个视频片段；所述源平台是指用户通过当前访问目标平台的客户端访问过的历史平台；对所有所述视频片段进行图像抽取以及图像预处理，得到多个待处理图像；自跨平台模型数据库中获取与所述源平台和所述目标平台均关联的跨平台推荐图像网络模型；通过该跨平台推荐图像网络模型对各所述待处理图像进行视觉显著特征提取，进行视觉显著性图像生成，生成包含多个个性化图像与其对应的预测概率的个性化推荐结果；将所有所述个性化图像按照其预测概率的降序进行排序，并在所述目标平台推荐给所述用户，如此，实现了通过在目标平台中获取与源平台关联的多个视频片段，经过图像抽取和图像预处理，输出待处理图像，并从跨平台模型数据库中获取跨度源平台和目标平台的跨平台推荐图像网络模型，通过视觉显著特征提取，并进行视觉显著性图像生成，自动生成符合用户感兴趣的个性化推荐结果，对该个性化推荐结果进行排序后在目标平台上推荐给用户，因此，能够通过用户访问的视频片段，对其进行视觉显著特征提取及视觉显著性图像生成处理，实现了精准的找到用户感兴趣的区域，并自动推荐跨平台的基于视觉显著性的用户感兴趣的个性化图像，无需用户在两个平台注册登录并关联，以及平台之间交互相关访问信息，只需获取客户端中源平台的视频片段就可在目标平台自动推荐个性化图像，以供用户在目标平台进行分享，提高了推荐的准确性及便捷性，提升了用户的体验满意度。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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是本发明一实施例中个性化图像推荐方法的应用环境示意图；

图2是本发明一实施例中个性化图像推荐方法的流程图；

图3是本发明一实施例中个性化图像推荐方法的步骤s20的流程图；

图4是本发明一实施例中个性化图像推荐方法的步骤s202的流程图；

图5是本发明一实施例中个性化图像推荐方法的步骤s40的流程图；

图6是本发明一实施例中个性化图像推荐装置的原理框图；

图7是本发明一实施例中计算机设备的示意图。

具体实施方式

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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

本发明提供的个性化图像推荐方法，可应用在如图1的应用环境中，其中，客户端(计算机设备或终端)通过网络与服务器进行通信。其中，客户端(计算机设备或终端)包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一实施例中，如图2所示，提供一种个性化图像推荐方法，其技术方案主要包括以下步骤s10-s50：

s10，在目标平台中接收用户发送的推荐请求，获取与源平台关联的多个视频片段；所述源平台是指用户通过当前访问目标平台的客户端访问过的历史平台。

可理解地，所述目标平台为当前用户的客户端中使用着的社交应用程序或者访问着的页面，所述目标平台为通过海量图像以供访问或者分享的社交应用程序、平台或者网页，用户可以通过所述目标平台应用图像作为用户的头像、此刻心情或者关注图像等与图像相关的社会交往的活动，所述源平台是指用户通过当前访问目标平台的客户端访问过的历史平台，即指所述用户在过去或者近期通过当前访问所述目标平台的客户端使用的社交应用程序或者访问的页面，所述源平台和所述目标平台之间允许跨平台之间的信息传输及操作，所述用户需要根据跨平台的所述源平台，为了在所述目标平台获得个性化的图像推荐时触发所述推荐请求，通过在当前用户的所述客户端中的缓存数据区中获取与所述源平台相关联的所述视频片段，所述缓存数据区为所述客户端中使用应用程序或/和访问页面过程中存储历史接收的相关数据的数据存储区域。

在一实施例中，所述步骤s10中，即所述获取与源平台关联的多个视频片段，包括：

获取所述推荐请求中的所述源平台和所述目标平台。

可理解地，所述推荐请求包括所述源平面和所述目标平台，所述目标平台的输入方式可以通过自动检测当前使用的社交应用程序或者访问的页面获得，所述源平台的输入方式可以根据需求设定，比如输入的方式可以通过自动从所述缓存数据区检测出当前访问目标平台的客户端访问过的历史平台，通过展示给用户以供选择，也可以通过从缓存数据区检测出当前访问目标平台的客户端最近访问的历史平台，自动输入该平台等等。

从缓存数据区中获取与所述源平台对应的视频数据。

可理解地，所述缓存数据区为所述客户端中使用应用程序或/和访问页面过程中存储历史接收的相关数据的数据存储区域，在所述缓存数据区中查找出通过访问所述源平台存储在客户端中的作为缓存的数据，并从重找的数据中获取视频格式的数据，将其确定为所述视频数据，如此，无需。

对所述视频数据进行时长筛选处理，得到多个所述视频片段。

可理解地，所述时长筛选处理为筛选视频的时长大于预设时长阈值的视频数据的处理过程，所述预设时长阈值为根据收集观察感兴趣的视频的停留时长的数据，对其进行统计得出预设时长，即收集多个样本用户从众多视频中对感兴趣的视频进行标注并统计观察该视频的停留时长(从点击视频至标记感兴趣后关闭视频的时长)，对收集的停留时长进行统计获得所述预设时长，将经过所述时长筛选处理的所述视频数据记录为所述视频片段。

将所有所述视频片段均与所述源平台关联。

本发明实现了通过获取所述推荐请求中的所述源平台和所述目标平台；从缓存数据区中获取与所述源平台对应的视频数据；对所述视频数据进行时长筛选处理，得到多个所述视频片段；将所有所述视频片段均与所述源平台关联，如此，实现了从缓存数据区获取与源平台关联的视频片段自动触发推荐请求，无需用户在两个平台注册登录并关联，以及平台之间交互相关访问信息，只需获取客户端中缓存数据区的视频片段就可以自动触发推荐请求，以便后续在目标平台自动推荐个性化图像，提高了推荐的便捷性，为后续的推荐的准确性提供了基础，提升了用户的体验满意度。

s20，对所有所述视频片段进行图像抽取以及图像预处理，得到多个待处理图像。

可理解地，所述图像抽取为从视频片段中按照预设时间间隔抽取出一帧图像的过程，所述预设时间间隔可以根据需求设定，比如预设时间间隔为1秒(24帧)、3秒(72帧)、5秒(120帧)等等，所述图像预处理为对图像抽取后的图像进行显著区域识别、去噪、边缘检测及清晰度筛选等增强图像中显著区域的处理过程，将经过所述图像预处理后的图像记录为所述待处理图像。

在一实例中，如图3所示，所述步骤s20中，即所述对所有所述视频片段进行图像抽取以及图像预处理，得到多个待处理图像，包括：

s201，对所有所述视频片段进行图像抽取，得到多个单帧图像。

可理解地，所述图像抽取也可以通过将所有所述视频片段头尾相连拼接在一起，在从拼接后的视频中按照所述预设时间间隔进行抽取一帧的图像的过程，从而得到所述单帧图像。

s202，对所有所述单帧图像进行图像增强以及清晰度筛选，得到多个所述待处理图像。

可理解地，所述图像增强为通过训练完成的显著区域预测模型识别出所述单帧图像中的显著区域，并对显著区域进行边缘增强得到待识别图像的处理过程，所述清晰度筛选为通过训练完成的清晰度识别模型识别出各个经所述图像增强后的待识别图像的清晰度值，将与等于或者大于预设清晰度阈值的所述待识别图像对应的所述单帧图像进行背景虚化处理，得到待处理图像的处理过程。

本发明实现了通过对所有所述视频片段进行图像抽取，得到多个单帧图像；对所有所述单帧图像进行图像增强以及清晰度筛选，得到多个所述待处理图像，如此，实现了自动从视频片段中抽取并筛选出能清晰体现视觉的显著区域的图像，提高了从源平台中获取感兴趣区域的准确性，并为后续生成个性化推荐的图像提高了准确率，提升了用户的粘性及体验满意度。

在一实施例中，如图4所示，所述步骤s202中，即所述对所有所述单帧图像进行图像增强以及清晰度筛选，得到多个所述待处理图像，包括：

s2021，通过显著区域预测模型对各所述单帧图像进行显著区域识别，获得与各所述单帧图像对应的显著区域图像。

可理解地，所述显著区域预测模型为训练完成并通过采集到测试人员的观察样本进行提取图像的显著性的特征的训练以及标注出显著区域的图像的卷积神经网络模型，所述观察样本为通过眼动仪记录测试人员观察一个图像时眼球追踪数据，所述眼球追踪数据包括眼球观察图像中的坐标的时间顺序及坐标数的数据，即所述观察样本包括测试人员观察的图像和与该图像对应的眼球追踪数据，所述显著区域识别的过程为对所述单帧图像进行卷积，并提取该单帧图像的显著区域特征，根据提取的显著区域特征进行识别，识别并标记出该单帧图像中显著区域的过程，通过所述显著区域识别能够在各所述单帧图像中标记出显著区域并提取出该显著区域的图像，得到与所述单帧图像对应的所述显著区域图像。

在一实施例中，所述通过显著区域预测模型对各所述单帧图像进行显著区域识别之前，包括：

获取观察样本，所述观察样本为通过眼动仪记录测试人员观察一个图像时眼球追踪数据，所述观察样本包括测试人员观察的图像和与该图像对应的眼球追踪数据。

将所述观察样本输入含有预设参数的目标区域检测模型中。

通过所述目标区域检测模型对所述观察样本中的图像进行显著区域特征提取，根据提取的显著区域特征框出显著区域以及预测出各个显著区域的观察序列，所述观察序列为预测出框出的显著区域的顺序序列，其中，所述显著区域特征为与视觉显著性的坐标位置相关的特征。

根据该图像对应的眼球追踪数据和框出的显著区域以及预测出各个显著区域的观察序列，确定出显著损失值。

在所述显著损失值未达到预设的显著收敛条件时，迭代更新所述目标区域检测模型的预设参数，直至所述显著损失值达到所述预设的显著收敛条件时，即将框出的显著区域和观察序列不断向与该图像对应的眼球追踪数据进行靠拢，从而将收敛之后的所述目标区域检测模型记录为训练完成的显著区域预测模型。

s2022，对各所述显著区域图像进行边缘增强，得到与各所述显著区域图像对应的待识别图像。

可理解地，所述边缘增强为对输入的所述显著区域图像进行去噪处理以及边缘检测处理的过程，即对输入的所述显著区域图像去除噪声(通过高斯变换进行过滤噪声)，对去除噪声后的图像进行边缘检测，对检测出的边缘进行增强的过程，从而得到与该显著区域图像对应的所述待识别图像。

在一实施例中，所述步骤s2022中，即所述对各所述显著区域图像进行边缘增强，得到与各所述显著区域图像对应的待识别图像，包括：

对各所述显著区域图像进行去噪处理，得到与各所述显著区域图像对应的去噪图像。

可理解地，所述去噪处理为运用高斯算法对输入的图像进行过滤的处理过程，高斯算法为运用高斯函数进行变换的算法，从而消除图像中的噪声，得到所述去噪图像。

运用尺度不变特征变换算法，对各所述去噪图像进行边缘检测处理，得到与各所述显著区域图像对应的所述待识别图像。

可理解地，所述尺度不变特征变换算法也称sift算法，该算法主要包括两个过程，首先，提取图像中的尺度不变特征，所述尺度不变特征为从多幅采集的图像中提取对尺度缩放、旋转、亮度变化无关的特征向量；然后，根据提取的尺度不变特征向量匹配出图像中的边缘的线条，所述尺度不变特征变换算法中的尺度不变特征提取具有图像尺度(特征大小)和旋转不变性，而且对光照变化也具有一定程度的不变性。

其中，所述边缘检测处理为运用所述尺度不变特征变换算法对输入的所述去噪图像进行边缘纹路或线条的处理过程，从而得到与输入的所述显著区域图像一一对应的所述待识别图像。

本发明实现了通过对各所述显著区域图像进行去噪处理，得到与各所述显著区域图像对应的去噪图像；运用尺度不变特征变换算法，对各所述去噪图像进行边缘检测处理，得到与各所述显著区域图像对应的所述待识别图像，如此，实现了运用去噪处理以及尺度不变特征变换算法，自动增强显著区域图像中的边缘，为后续的清晰度识别提供了识别基础，并提高了清晰度识别的准确性和效率。

s2023，通过清晰度识别模型对各所述待识别图像进行清晰度识别，得到与各所述待识别图像对应的清晰度值。

可理解地，所述清晰度识别模型为训练完成的用于识别输入图像的清晰度的神经网络模型，所述清晰度识别为对所述待识别图像中的边缘的线条进行线条宽度及线条相邻色差进而提取出特征向量，并该特征向量进行池化操作，得到输入的所述待识别图像的所述清晰度值的过程，所述清晰度值表明了该待处理图像的清晰程度。

s2024，根据所有所述清晰度值，对所有所述单帧图像进行清晰度筛选，筛选出清晰图像。

可理解地，所述清晰度筛选过程包括将与小于预设清晰度阈值的所述待识别图像对应的所述显著区域图像对应的所述单帧图像进行去除，剩余与等于或者大于预设清晰度阈值的所述待识别图像对应的所述显著区域图像对应的所述单帧图像的过程，从而得到所述清晰图像。

s2025，对各所述清晰图像进行背景虚化处理，得到多个所述待处理图像。

可理解地，所述背景虚化处理为将所述清晰图像中的背景进行虚化处理或者模糊处理的过程，从而得到所述待处理图像。

本发明实现了通过通过显著区域预测模型对各所述单帧图像进行显著区域识别，获得与各所述单帧图像对应的显著区域图像；对各所述显著区域图像进行边缘增强，得到与各所述显著区域图像对应的待识别图像；通过清晰度识别模型对各所述待识别图像进行清晰度识别，得到与各所述待识别图像对应的清晰度值；根据所有所述清晰度值，对所有所述单帧图像进行清晰度筛选，筛选出清晰图像；对各所述清晰图像进行背景虚化处理，得到多个所述待处理图像，如此，实现了自动识别出显著区域图像，并运用边缘增强、清晰度识别，自动筛选出清晰的图像，并对清晰的图像进行背景虚化处理，能够凸显单帧图像中的近景，因为视觉的关注的区域往往关注的是眼前的近景，为后续的个性化推荐的图像提高了准确性。

s30，自跨平台模型数据库中获取与所述源平台和所述目标平台均关联的跨平台推荐图像网络模型。

可理解地，所述跨平台模型数据库存储了所有不同跨平台之间的跨平台推荐图像网络模型，所述跨平台模型数据库中的跨平台推荐图像网络模型为多任务学习从跨平台之间的源平台到目标平台推荐图像的生成式对抗网络(gan)模型，其中，所述源平台标识为所述跨平台模型数据库中的一个跨平台推荐图像网络模型与一个源平台及一个目标平台关联，根据所述源平台和所述目标平台，可以在所述跨平台模型数据库中获得与该源平台和该目标平台均关联的所述跨平台推荐图像网络模型。

s40，将各所述待处理图像输入获取的所述跨平台推荐图像网络模型中，通过所述跨平台推荐图像网络模型对各所述待处理图像进行视觉显著特征提取，根据提取的所述视觉显著特征进行视觉显著性图像生成，生成个性化推荐结果；所述个性化推荐结果包括多个个性化图像与其对应的预测概率。

可理解地，将所述待处理图像输入获取的所述跨平台推荐图像网络模型中，对所述待处理图像进行所述视觉显著特征进行提取，即对所述待处理图像进行卷积，卷积出具有所述视觉显著特征的特征向量，所述视觉显著特征为所述待处理图像中具有视觉上显著性相关的特征，所述视觉显著特征表明了用户对输入的图像进行预测观察的显著坐标或者坐标区域顺序，根据提取的所述视觉显著特征识别出目标平台标签结果，所述目标平台标签结果表明了映射在目标平台上的标签值及其顺序序列的集合，所述视觉显著性图像生成的处理过程为通过生成器获取输入的所述待处理图像的尺寸及布局和所述目标平台标签结果，引入目标平台中与所述目标平台标签结果中的所有标签值以外的标签噪声以及打乱观察的顺序序列的噪声，运用跨平台生成对抗算法生成用来愚弄所述跨平台推荐图像网络模型中的判别器进行真伪判断的所述个性化图像的过程，所述个性化图像还与一个预测概率对应，所述预测概率表明了生成个性化图像符合所有所述待处理图像的概率。

在一实施例中，所述步骤s40之前，即所述将所有所述待处理图像输入所述跨平台推荐图像网络模型中之前，包括：

获取训练数据集，所述训练数据集包括多个训练样本，所述训练样本与观测顺序标签关联；所述训练样本为从所述源平台中收集的历史图像。

可理解地，所述训练数据集为历史收集的所述训练样本的集合，所述训练样本为历史收集的从所述源平台中收集的历史图像，所述历史图像为历史从所述源平台中抽取出的历史用户样本感兴趣的视频片段，所述训练样本与所述观测顺序标签关联，所述观测顺序标签为对所有所述历史用户样本观察所述历史图像的真实的眼球追踪数据的汇总统计后获得的具有观察顺序的坐标或者坐标区域的标签集合。

将所述训练样本输入含有初始参数的与所述源平台和所述目标平台均关联的生成对抗网络模型中。

可理解地，所述初始参数为该生成对抗网络模型开始训练前赋予的初始化的参数，所述初始参数包括该生成对抗网络模型的网络结构。

通过所述生成对抗网络模型对所述训练样本进行视觉显著特征提取，根据提取的所述视觉显著特征识别出与所述训练样本对应的多个显著目标区域。

可理解地，所述视觉显著特征为所述待处理图像中具有视觉上显著性相关的特征，所述视觉显著特征表明了用户对输入的图像进行预测观察的显著坐标或者坐标区域顺序，根据提取的所述视觉显著特征识别出多个所述显著目标区域，所述显著目标区域为预测出所述训练样本中视觉上具有显著性或者引起关注的区域，所述显著目标区域包括预测序列，所述预测序列表明了所述显著目标区域被关注的顺序序列。

通过所述生成对抗网络模型对所有与所述训练样本对应的所有所述显著目标区域进行源平台标签识别，得到源平台样本标签序列结果。

可理解地，所述源平台标签识别的过程为通过基于源平台的标签集合进行训练的目标检测模型，提取输入的图像中具有与源平台的标签集合相关的特征，进而识别出输入的图像属于所述源平台的标签集合中的某一标签值的过程，通过多任务学习，对各所述显著目标区域同时进行所述源平台标签识别，识别出各个所述显著目标区域所属的标签值，该标签值继承了所述显著目标区域中的所述预测序列，将识别出的标签值的结果进行汇总从而得到与所述训练样本对应的所述源平台样本标签序列结果，所述源平台标签序列结果为观察输入的所述训练样本中的关注到的源平台的标签值及其观察顺序的集合，也即所述源平台样本标签序列结果表明了所述训练样本中各显著目标区域的标签值及关注的顺序序号。

通过所述生成对抗网络模型对所述源平台样本标签序列结果进行标签映射处理，得到与所述源平台样本标签序列结果映射对应的目标平台样本标签序列结果。

可理解地，所述标签映射处理为将源平台的标签值与目标平台的标签值之间的标签映射函数进行变换的处理过程，所述生成对抗网络模型包含了源平台与目标平台的标签之间的标签映射函数，通过所述标签映射函数能够将源平台的标签值变换成在所述目标平台中相应的目标平台的标签值，将所述源平台样本标签序列结果中的各个标签值进行标签映射处理后，得到与其对应的所述目标平台标签序列结果，所述目标平台标签序列结果继承了所述源平台样本标签序列结果中的各个标签值的所述预测序列。

运用跨平台生成对抗算法，通过所述生成对抗网络模型中的生成器根据所述目标平台样本标签序列结果和所述训练样本，生成伪造预测图。

可理解地，所述生成对抗网络模型包括所述生成器，所述生成器用于获取输入的所述训练样本的尺寸及布局和所述目标平台样本标签序列结果中的标签值及预测序列，引入目标平台中与所述目标平台样本标签序列结果中的所有标签值以外的标签噪声以及打乱观察的顺序的噪声，运用跨平台生成对抗算法生成用来愚弄所述生成对抗网络模型中的判别器进行真伪判断的所述伪造预测图，所述伪造预测图为混淆所述判别器识别是否真伪的图像，所述跨平台生成对抗算法也称为gan算法，即通过输入的所述训练样本的尺寸和所述目标平台样本标签序列结果中的标签值及预测序列，引入目标平台中与所述目标平台样本标签序列结果中的所有标签值以外的标签噪声，综合生成与所述训练样本同尺寸及空间布局相似的图像的算法。

通过所述生成对抗网络模型中的判别器对所述伪造预测图和所述训练样本进行真伪判别，得到真伪损失值。

可理解地，所述判别器为识别输入的图像是否为具有目标平台特征的真伪的二分类识别模型，所述判别器通过目标平台中的历史图像进行训练获得，通过判别器能够确定出所述伪造预测图和所述训练样本之间的真伪能否分辨出的损失值，将其确定为所述真伪损失值，所述真伪损失值能够表明所述伪造预测图和所述训练样本是否能够明显分辨的差距。

根据所述源平台样本标签序列结果、所述目标平台样本标签序列结果和所述观测顺序标签，确定出标签损失值。

可理解地，计算所述源平台样本标签序列结果和所述观察顺序标签的差距，能够得到第一损失值，计算所述目标平台样本标签序列结果和所述观察顺序标签的差距，能够得到第二损失值，将所述第一损失值和所述二损失值进行加权求和，得到所述标签损失值，所述标签损失值表明了生成的标签值及序列与真实的标签值及序列之间的跨平台之间的差距。

将所述真伪损失值和所述标签损失值进行加权处理，得到总损失值。

可理解地，综合所述真伪损失值和所述标签损失值所占的权重进行求和，得到所述总损失值。

在所述总损失值未达到预设的收敛条件时，迭代更新所述生成对抗网络模型的初始参数，直至所述总损失值达到所述预设的收敛条件时，将收敛之后的所述生成对抗网络模型记录为训练完成的跨平台推荐图像网络模型。

可理解地，所述收敛条件可以为所述总损失值经过了20000次计算后值为很小且不会再下降的条件，即在所述总损失值经过20000次计算后值为很小且不会再下降时，停止训练，并将收敛之后的所述生成对抗网络模型记录为训练完成的跨平台推荐图像网络模型；所述收敛条件也可以为所述总损失值小于设定阈值的条件，即在所述总损失值小于设定阈值时，停止训练，并将收敛之后的所述生成对抗网络模型记录为训练完成的跨平台推荐图像网络模型，如此，在所述总损失值未达到预设的收敛条件时，不断调整所述生成对抗网络模型的初始参数，不断生成符合要求的图像结果靠拢，让生成的准确率越来越高。如此，能够提高跨平台推荐图像网络模型生成图像的准确性和可靠性。

在一实施例中，如图5所示，所述步骤s40中，即所述根据提取的所述视觉显著特征进行视觉显著性图像生成处理，生成个性化推荐结果，包括：

s401，通过所述跨平台推荐图像网络模型根据提取的所述视觉显著特征进行源平台标签识别，获得与所述待处理图像对应的源平台标签结果。

可理解地，对具有所述视觉显著特征的特征向量进行识别，识别出视觉显著性的区域，对识别出的视觉显著性的区域进行源平台标签识别，识别出该视觉显著性的区域在所述源平台中所属的标签值，将识别出的各个视觉显著性的区域的标签值及序列进行汇总得到所述源平台标签结果。

s402，通过所述跨平台推荐图像网络模型将所述源平台标签结果输入标签映射函数中，通过所述标签映射函数映射出与所述源平台标签结果对应的目标平台标签结果。

可理解地，所述标签映射处理为将源平台的标签值与目标平台的标签值之间的标签映射函数进行变换的处理过程，通过所述标签映射函数能够将源平台的标签值变换成在所述目标平台中相应的目标平台的标签值，将所述源平台标签结果中的各个标签值进行标签映射处理后，得到与其对应的所述目标平台标签结果。

s403，所述跨平台推荐图像网络模型根据所述目标平台标签结果和所述待处理图像，通过所述视觉显著性图像生成处理，得到与所述待处理图像对应的所述个性化推荐结果。

可理解地，所述视觉显著性图像生成的处理过程为通过生成器获取输入的所述待处理图像的尺寸及布局和所述目标平台标签结果，引入目标平台中与所述目标平台标签结果中的所有标签值以外的标签噪声以及打乱观察的顺序序列的噪声，运用跨平台生成对抗算法生成用来愚弄所述跨平台推荐图像网络模型中的判别器进行真伪判断的所述个性化图像的过程，所述个性化推荐结果包括多个所述个性化图像，每个所述个性化图像与一个所述预测概率对应。

本发明实现了通过所述跨平台推荐图像网络模型根据提取的所述视觉显著特征进行源平台标签识别，获得与所述待处理图像对应的源平台标签结果；通过所述跨平台推荐图像网络模型将所述源平台标签结果输入标签映射函数中，通过所述标签映射函数映射出与所述源平台标签结果对应的目标平台标签结果；所述跨平台推荐图像网络模型根据所述目标平台标签结果和所述待处理图像，通过所述视觉显著性图像生成处理，得到与所述待处理图像对应的所述个性化推荐结果，如此，能够运用源平台标签识别、标签映射函数及视觉显著性图像生成处理，自动生成符合目标平台以及源平台的个性化推荐结果，实现了跨平台的个性化推荐的效果。

s50，将所有所述个性化图像按照其预测概率的降序进行排序，并将排序后的所有所述个性化图像在所述目标平台推荐给所述用户。

可理解地，对所有所述个性化图像按照预测概率的降序顺序进行排序，将排序后靠前的前十个所述个性化图像在所述所述目标平台上展示，即将符合程度较高的个性化图像在所述用户的客户端中的目标平台的社交应用程序、平台或者页面上显示，以供用户选取其中的图像进行分享。

本发明实现了通过在目标平台中接收用户发送的推荐请求，获取与源平台关联的多个视频片段；所述源平台是指用户通过当前访问目标平台的客户端访问过的历史平台；对所有所述视频片段进行图像抽取以及图像预处理，得到多个待处理图像；自跨平台模型数据库中获取与所述源平台和所述目标平台均关联的跨平台推荐图像网络模型；通过该跨平台推荐图像网络模型对各所述待处理图像进行视觉显著特征提取，进行视觉显著性图像生成，生成包含多个个性化图像与其对应的预测概率的个性化推荐结果；将所有所述个性化图像按照其预测概率的降序进行排序，并在所述目标平台推荐给所述用户，如此，实现了通过在目标平台中获取与源平台关联的多个视频片段，经过图像抽取和图像预处理，输出待处理图像，并从跨平台模型数据库中获取跨度源平台和目标平台的跨平台推荐图像网络模型，通过视觉显著特征提取，并进行视觉显著性图像生成，自动生成符合用户感兴趣的个性化推荐结果，对该个性化推荐结果进行排序后在目标平台上推荐给用户，因此，能够通过用户访问的视频片段，对其进行视觉显著特征提取及视觉显著性图像生成处理，实现了精准的找到用户感兴趣的区域，并自动推荐跨平台的基于视觉显著性的用户感兴趣的个性化图像，无需用户在两个平台注册登录并关联，以及平台之间交互相关访问信息，只需获取客户端中源平台的视频片段就可在目标平台自动推荐个性化图像，以供用户在目标平台进行分享，提高了推荐的准确性及便捷性，提升了用户的体验满意度。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

在一实施例中，提供一种个性化图像推荐装置，该个性化图像推荐装置与上述实施例中个性化图像推荐方法一一对应。如图6所示，该个性化图像推荐装置包括接收模块11、预处理模块12、获取模块13、生成模块14和推荐模块15。各功能模块详细说明如下：

接收模块11，用于在目标平台中接收用户发送的推荐请求，获取与源平台关联的多个视频片段；所述源平台是指用户通过当前访问目标平台的客户端访问过的历史；

预处理模块12，用于对所有所述视频片段进行图像抽取以及图像预处理，得到多个待处理图像；

获取模块13，用于自跨平台模型数据库中获取与所述源平台和所述目标平台均关联的跨平台推荐图像网络模型；

生成模块14，用于将各所述待处理图像输入获取的所述跨平台推荐图像网络模型中，通过所述跨平台推荐图像网络模型对各所述待处理图像进行视觉显著特征提取，根据提取的所述视觉显著特征进行视觉显著性图像生成，生成个性化推荐结果；所述个性化推荐结果包括多个个性化图像与其对应的预测概率；

推荐模块15，用于将所有所述个性化图像按照其预测概率的降序进行排序，并将排序后的所有所述个性化图像在所述目标平台推荐给所述用户。

关于个性化图像推荐装置的具体限定可以参见上文中对于个性化图像推荐方法的限定，在此不再赘述。上述个性化图像推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是客户端或者服务端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括可读存储介质、内存储器。该可读存储介质存储有操作系统、计算机程序和数据库。该内存储器为可读存储介质中的操作系统和计算机程序的运行提供环境。该计算机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个性化图像推荐方法。

在一个实施例中，提供了一种计算机设备，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，处理器执行计算机程序时实现上述实施例中个性化图像推荐方法。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中个性化图像推荐方法。

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，所述的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，本发明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。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。