图片生成方法、装置、电子设备、介质和程序产品与流程

1.本公开涉及人工智能技术领域及金融领域，具体地涉及一种图片生成方法、装置、电子设备、介质和程序产品。


背景技术：

2.在甲乙双方进行项目沟通或者合同拟定的时候，包括项目的中期甚至后期，可能都需要不断地进行变更和修改。甲方有时候描述的不够清楚导致乙方理解出现偏差，或者甲方并不是很明确地知道自己想要什么东西而只是给一个大致的描述，导致项目需求的更改非常频繁。并且甲方有可能只给出一个模糊的框架，对于项目的细节做不到细致的描述，但是如果能将甲方的需求转换成图片，则会显得直观细致。
3.现有技术中暂时没有适用的图片生成方法及装置，因而项目沟通的效率比较低下，亟需一种辅助项目沟通的图片生成方法及装置。


技术实现要素：

4.鉴于上述问题，本公开提供了提高项目沟通效率的图片生成方法、装置、电子设备、介质和程序产品，用于至少部分解决以上技术问题。
5.根据本公开的第一个方面，提供了一种图片生成方法，包括：获取训练数据集，其中，训练数据集包括一一对应的文字数据与图片数据；提取文字数据的文字特征及图片数据的图片特征；利用文字特征及图片特征训练得到图片生成模型；计算文字特征的第一概率向量和图片特征的第二概率向量；对第一概率向量和第二概率向量进行拟合，利用最小拟合值对应的文字特征和图片特征更新图片生成模型；将待生成图片的文字输入更新后的图片生成模型，以生成图片。
6.根据本公开的实施例，提取文字数据的文字特征及图片数据的图片特征包括：通过添加多步残差的方式增加卷积神经网络的卷积层数量，训练得到图片特征提取单元；通过图片特征提取单元提取图片特征。
7.根据本公开的实施例，提取文字数据的文字特征及图片数据的图片特征还包括：以当前位置编码器和多个之前位置解码器的输出为当前位置解码器的输入，训练得到文字特征提取单元；通过文字特征提取单元提取文字特征。
8.根据本公开的实施例，对第一概率向量和第二概率向量进行拟合，利用最小拟合值对应的文字特征和图片特征更新图片生成模型包括：计算第一概率向量和第二概率向量的差值；选取差值小于特征值的概率向量对应的文字特征和图片特征更新图片生成模型。
9.根据本公开的实施例，选取差值小于特征值的概率向量对应的文字特征和图片特征更新图片生成模型包括：通过目标函数
10.11.来获取差值小于特征值的概率向量，其中，p
i
表示图片数据的概率向量分布，q
i
表示文字数据的概率向量分布，i表示第i组文字图片数据对，n表示用于模型训练的文字图片数据对的数量。
12.根据本公开的实施例，获取训练数据集包括：收集源图片和与源图片相对应的文字描述；对源图片和文字描述进行过滤，得到训练数据集。
13.根据本公开的实施例，对源图片和文字描述进行过滤包括：根据图片格式，图片大小，图片纵横比和图片内容健康规定中的任一项及其组合对源图片进行过滤；剔除不符合文字内容健康规定的文字描述以及个人资料和标题。
14.根据本公开的实施例，对源图片和文字描述进行过滤还包括：控制源图片每个维度的像素小于500，和/或维度的比例不大于2。
15.根据本公开的实施例，源图片和文字描述成对出现或删除。
16.本公开的第二方面提供了一种图片生成装置，包括：获取模块，用于获取训练数据集，其中，训练数据集包括一一对应的文字数据与图片数据；提取模块，用于提取文字数据的文字特征及图片数据的图片特征；训练模块，用于利用文字特征及图片特征训练得到图片生成模型；计算模块，用于计算文字特征的第一概率向量和图片特征的第二概率向量；数据分布拟合模块，用于对第一概率向量和第二概率向量进行拟合，利用最小拟合值对应的文字特征和图片特征更新图片生成模型；以及图片生成模块，用于将待生成图片的文字输入更新后的图片生成模型，以生成图片。
17.根据本公开的实施例，提取模块包括：第一获取单元，用于通过添加多步残差的方式增加卷积神经网络的卷积层数量，训练得到图片特征提取单元；图片特征提取单元，用于提取图片特征。
18.根据本公开的实施例，提取模块还包括：第二获取单元，用于以当前位置编码器和多个之前位置解码器的输出为当前位置解码器的输入，训练得到文字特征提取单元；文字特征提取单元，用于提取文字特征。
19.根据本公开的实施例，图片生成装置还包括：收集子模块，用于收集源图片和与源图片相对应的文字描述；过滤子模块，用于对源图片和文字描述进行过滤，得到训练数据集。
20.根据本公开的实施例，过滤子模块包括：图片过滤单元，用于根据图片格式，图片大小，图片纵横比和图片内容健康规定中的任一项及其组合对源图片进行过滤；文字过滤单元，用于剔除不符合文字内容健康规定的文字描述以及个人资料和标题。
21.根据本公开的实施例，过滤子模块还包括：控制单元，用于控制源图片每个维度的像素小于500，和/或维度的比例不大于2。
22.本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述图片生成方法。
23.本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述图片生成方法。
24.本公开的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述图片生成方法。
附图说明
25.通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
26.图1示意性示出了根据本公开实施例的图片生成方法、装置、设备、介质和程序产品的应用场景图；
27.图2示意性示出了根据本公开实施例的图片生成方法的流程图；
28.图3示意性示出了根据本公开实施例的获取训练数据集的方法流程图；
29.图4示意性示出了根据本公开实施例的源数据过滤方法流程图；
30.图5示意性示出了根据本公开实施例的图片特征提取方法流程图；
31.图6示意性示出了根据本公开实施例的cnn卷积层结构图；
32.图7示意性示出了根据本公开实施例的文字特征提取方法流程图；
33.图8示意性示出了根据本公开实施例的概率向量拟合方法流程图；
34.图9示意性示出了根据本公开实施例的图片生成装置的结构框图；
35.图10示意性示出了根据本公开实施例的获取模块的结构框图；
36.图11示意性示出了根据本公开实施例的过滤子模块的结构框图；
37.图12示意性示出了根据本公开实施例的提取模块的结构框图；
38.图13示意性示出了根据本公开另一实施例的图片生成装置的结构框图；以及
39.图14示意性示出了根据本公开实施例的适于实现图片生成方法的电子设备的方框图。
具体实施方式
40.以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
41.在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
42.在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
43.在使用类似于“a、b和c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b和c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。
44.本公开实施例提供一种图片生成方法、装置、设备、介质和程序产品，可用于金融领域或其他领域。需要说明的是本公开的图片生成方法、装置、设备、介质和程序产品可用于金融领域，也可用于除金融领域之外的任意领域，本公开的图片生成方法、装置、设备、介
质和程序产品的应用领域不做限定。
45.在本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
46.图1示意性示出了根据本公开实施例的图片生成方法、装置、设备、介质和程序产品的应用场景图。
47.根据本公开的实施例，如图1所示，根据该实施例的应用场景100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
48.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
49.终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
50.服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
51.需要说明的是，本公开实施例所提供的图片生成方法一般可以由服务器105执行。相应地，本公开实施例所提供的图片生成装置一般可以设置于服务器105中。本公开实施例所提供的图片生成方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的图片生成装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
52.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
53.以下将基于图1描述的场景，通过图2～图8对公开实施例的图片生成方法进行详细描述。
54.图2示意性示出了根据本公开实施例的图片生成方法的流程图。
55.如图2所示，本公开的实施例提供了一种图片生成方法，例如包括：
56.s210，获取训练数据集，其中，训练数据集包括一一对应的文字数据与图片数据。
57.图3示意性示出了根据本公开实施例的获取训练数据集的方法流程图。
58.根据本公开的实施例，如图3所示，例如通过操作s211～操作s212来获取训练数据集。
59.s211，收集源图片和与源图片相对应的文字描述。
60.根据本公开的实施例，例如从业务相关的网页中爬取图片和对应的文字描述，并且每张图片都需要有对应的文字描述。通过爬取相关网页获得原始的图片和文字描述，形成图片
‑
文字数据对集。收集数据不需要每次都重新收集一遍，之前的数据可以重复使用，新的数据直接与旧数据合并使用即可。
61.s212，对源图片和文字描述进行过滤，得到训练数据集。
62.图4示意性示出了根据本公开实施例的源数据过滤方法流程图。
63.根据本公开的实施例，如图4所示，例如通过操作s2121～操作s2123来过滤源图片和文字描述。
64.s2121，根据图片格式，图片大小，图片纵横比和图片内容健康规定中的任一项及其组合对源图片进行过滤。
65.s2122，剔除不符合文字内容健康规定的文字描述以及个人资料和标题。
66.根据本公开的实施例，为了提高训练卷积神经网络的源数据质量，收集到图片以及与之对应的文字描述后，需要对图片以及文字描述进行过滤，以便得到与需求相符合的原始训练数据对。例如根据图片的编码格式、大小、纵横比以及内容是否健康等进行过滤。同时对文字进行过滤，剔除不健康的语言、个人资料、标题等文字。需要注意的是，图片和文字是成对出现的，当某个图片或者文字被认定是不符合要求的时候，则这个图片
‑
文字数据对会被一起删除。
67.s2123，控制源图片每个维度的像素小于500，和/或维度的比例不大于2。
68.根据本公开的实施例，为了更准确快速的对卷积神经网络进行训练，每张图片的像素不宜过大，每个维度的像素例如小于500，并且维度的比例不超过2。
69.s220，提取文字数据的文字特征及图片数据的图片特征。
70.图5示意性示出了根据本公开实施例的图片特征提取方法流程图。
71.根据本公开的实施例，如图5所示，例如通过操作s221～操作s222来提取图片特征。
72.s221，通过添加多步残差的方式增加卷积神经网络的卷积层数量，训练得到图片特征提取单元。
73.图6示意性示出了根据本公开实施例的cnn卷积层结构图。
74.根据本公开的实施例，例如通过cnn(卷积神经网络)从得到的文字图片数据对中提取图片的图片特征。为了提高提取到的图片特征的准确性，如图6所示，例如通过添加多步残差的方式使得cnn网络能够拥有更多层的卷积层，可以通过更深层次的网络提取图片特征，缓解梯度消失的问题。图6只是卷积层网络结构的部分示意图，实际情况下网络的层数要多很多。本公开例如采用3*3的卷积核，在卷积之后例如接relu激活函数，最后接平均池化的池化层，在池化层之后接全连接层输出指定维度的特征向量，即全连接层最后一层的神经元个数表示特征向量的维度。用于提取图片特征的图片特征提取模块需要预先训练好，训练的时候例如采用adam优化器更新网络参数，其中，更新的参数例如包括卷积核的值和全连接层的参数。
75.s222，通过图片特征提取单元提取图片特征。
76.图7示意性示出了根据本公开实施例的文字特征提取方法流程图。
77.根据本公开的实施例，如图7所示，例如通过操作s223～操作s224来提取文字特征。
78.s223，以当前位置编码器和多个之前位置解码器的输出为当前位置解码器的输入，训练得到文字特征提取单元。
79.根据本公开的实施例，例如通过bert(一种基于双向transformer的通用语言模
型，它基于self
‑
attention机制捕捉长距离信息，生成文本语义级别的词向量)从得到的文字图片数据对中提取文字的文字特征。为了能够充分利用历史文字信息，本公开提供一种新的transformer结构，例如包含多个编码器(encoder)和解码器(decoder)，并且当前位置decoder的输入为当前位置的encoder的输出加上当前位置之前的多个decoder的输出，以更有效地提取文字特征。用于提取文字特征的文字特征提取模块例如由多个此种transformer堆叠而成。文字特征提取模块需要预先训练好，训练时候更新的参数为每个transformer中的参数。
80.s224，通过文字特征提取单元提取文字特征。
81.s230，利用文字特征及图片特征训练得到图片生成模型。
82.s240，计算文字特征的第一概率向量和图片特征的第二概率向量。
83.根据本公开的实施例，例如在图片特征提取模块和文字特征提取模块之后分别接两层神经网络，这两层神经网络可以将图片和文字的特征向量拼接并转换为分布信息。图片和文字特征向量经过两层神经网络拼接并转换之后，可以计算得到图片和文字的概率向量，向量中的值为概率值，表示了分布信息。
84.s250，对第一概率向量和第二概率向量进行拟合，利用最小拟合值对应的文字特征和图片特征更新图片生成模型。
85.图8示意性示出了根据本公开实施例的概率向量拟合方法流程图。
86.根据本公开的实施例，如图8所示，例如通过操作s251～操作s252来拟合概率向量。
87.s251，计算第一概率向量和第二概率向量的差值。
88.s252，选取差值小于特征值的概率向量对应的文字特征和图片特征更新图片生成模型。
89.根据本公开的实施例，获取这两个概率向量的最小拟合值，即最小化图片和文字的分布信息，假如两者的分布信息为二维向量，每一个向量在坐标系中会有一个位置，图片的向量会有一个聚集区域，文字向量也会有一个聚集区域，让这两个聚集区域尽量重合，即这两个概率向量的差值小于一特征值时，就是最小化它们的分布信息。高维向量是在高维空间中的对比，二维向量可以看作高维向量的缩影。例如可以通过目标函数
[0090][0091]
来获取差值小于特征值的概率向量，其中，p
i
表示图片数据的概率向量分布，q
i
表示文字数据的概率向量分布，i表示第i组文字图片数据对，n表示用于模型训练的文字图片数据对的数量。通过公式(1)可以获取概率向量值最接近的多组图片文字数据对，利用这些图片文字数据对来训练模型，更新神经网络的参数，使图片和文字数据紧密关联。图片和文字数据的分布差异越小，则它们的关联性就越大，训练得到的模型的效果也就会越好。例如利用自注意力机制进行训练模型的建模，确保每一个输入的图像字符都与所有输入的文字字符关联。
[0092]
s260，将待生成图片的文字输入更新后的图片生成模型，以生成图片。
[0093]
根据本公开的实施例，通过最小化分布差异训练得到图片生成模型后，输入一段文字到模型中，模型即可根据文字的描述自动生成多个语义相关的图片。
[0094]
综上所述，本公开提供了一种图片生成方法，分别通过图片特征提取模块和文字
特征提取模块提取获取的图片文字数据对中的图片特征向量和文字特征向量，将这两种特征向量分别转换为分布信息后最小化这两种分布信息的差异，可以训练或更新得到稳定可靠的图片生成模型，相对于基于计算特征数据相似度方法训练的模型可以得到更好的输出结果。通过本公开的图片生成方法及装置，可以将文字描述的客户需求转换为图片，实现更清晰明确的需求对接，避免频繁地沟通。
[0095]
基于上述图片生成方法，本公开还提供了一种图片生成装置。以下将结合图9对该装置进行详细描述。
[0096]
图9示意性示出了根据本公开实施例的图片生成装置的结构框图。
[0097]
根据本公开的实施例，如图9所示，该实施例的图片生成装置600例如包括获取模块610，提取模块620，训练模块630，计算模块640，数据分布拟合模块650和图片生成模块660。
[0098]
获取模块610用于获取训练数据集，其中，训练数据集包括一一对应的文字数据与图片数据。在一实施例中，获取模块610可以用于执行前文描述的操作s210，在此不再赘述。
[0099]
提取模块620用于提取文字数据的文字特征及图片数据的图片特征。在一实施例中，提取模块620可以用于执行前文描述的操作s220，在此不再赘述。
[0100]
训练模块630用于利用文字特征及图片特征训练得到图片生成模型。在一实施例中，训练模块630可以用于执行前文描述的操作s230，在此不再赘述。
[0101]
计算模块640用于计算文字特征的第一概率向量和图片特征的第二概率向量。在一实施例中，计算模块640可以用于执行前文描述的操作s240，在此不再赘述。
[0102]
数据分布拟合模块650用于对第一概率向量和第二概率向量进行拟合，利用最小拟合值对应的文字特征和图片特征更新图片生成模型。在一实施例中，数据分布拟合模块650可以用于执行前文描述的操作s250，在此不再赘述。
[0103]
图片生成模块660用于将待生成图片的文字输入更新后的图片生成模型，以生成图片。在一实施例中，图片生成模块660可以用于执行前文描述的操作s260，在此不再赘述。
[0104]
根据本公开的实施例，获取模块610，提取模块620，训练模块630，计算模块640，数据分布拟合模块650和图片生成模块660中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，获取模块610，提取模块620，训练模块630，计算模块640，数据分布拟合模块650和图片生成模块660中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块610，提取模块620，训练模块630，计算模块640，数据分布拟合模块650和图片生成模块660中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
[0105]
图10示意性示出了根据本公开实施例的获取模块的结构框图。
[0106]
根据本公开的实施例，如图10所示，获取模块610例如包括收集子模块611和过滤子模块612。
[0107]
收集子模块611用于收集源图片和与源图片相对应的文字描述。在一实施例中，收集子模块611可以用于执行前文描述的操作s211，在此不再赘述。
[0108]
过滤子模块612用于对源图片和文字描述进行过滤，得到训练数据集。在一实施例中，过滤子模块612可以用于执行前文描述的操作s212，在此不再赘述。
[0109]
图11示意性示出了根据本公开实施例的过滤子模块的结构框图。
[0110]
根据本公开的实施例，如图11所示，过滤子模块612例如包括图片过滤单元6121，文字过滤单元6122和控制单元6123。
[0111]
图片过滤单元6121用于根据图片格式，图片大小，图片纵横比和图片内容健康规定中的任一项及其组合对源图片进行过滤。在一实施例中，图片过滤单元6121可以用于执行前文描述的操作s2121，在此不再赘述。
[0112]
文字过滤单元622用于剔除不符合文字内容健康规定的文字描述以及个人资料和标题。在一实施例中，文字过滤单元622可以用于执行前文描述的操作s2122，在此不再赘述。
[0113]
控制单元623用于控制源图片每个维度的像素小于500，和/或维度的比例不大于2。在一实施例中，控制单元623可以用于执行前文描述的操作s2123，在此不再赘述。
[0114]
图12示意性示出了根据本公开实施例的提取模块的结构框图。
[0115]
根据本公开的实施例，如图12所示，提取模块620例如包括第一获取单元621，图片特征提取单元622，第二获取单元623和文字特征提取单元624。
[0116]
第一获取单元621用于通过添加多步残差的方式增加卷积神经网络的卷积层数量，训练得到图片特征提取单元。在一实施例中，第一获取单元621可以用于执行前文描述的操作s221，在此不再赘述。
[0117]
图片特征提取单元622用于提取图片特征。在一实施例中，图片特征提取单元622可以用于执行前文描述的操作s222，在此不再赘述。
[0118]
第二获取单元623用于以当前位置编码器和多个之前位置解码器的输出为当前位置解码器的输入，训练得到文字特征提取单元。在一实施例中，第二获取单元623可以用于执行前文描述的操作s223，在此不再赘述。
[0119]
文字特征提取单元624用于提取文字特征。在一实施例中，文字特征提取单元624可以用于执行前文描述的操作s224，在此不再赘述。
[0120]
图13示意性示出了根据本公开另一实施例的图片生成装置的结构框图。
[0121]
根据本公开的实施例，如图13所示，图片生成装置例如包括数据处理模块和数据分布拟合模块。其中，数据处理模块例如包括图片特征提取单元和文字特征提取单元，图片特征提取单元和文字特征提取单元分别用于从输入的图片
‑
文字数据对中提取图片特征和文字特征，图片特征和文字特征在数据分布拟合模块中转换为分布信息后，再最小化这两种分布的差异，最终训练得到图片生成模型。图片生成装置例如基于大数据平台，可以存储结构化数据和模型数据。
[0122]
产品实施例部分未尽细节之处与方法实施例部分类似，请参见方法实施例部分，此处不再赘述。
[0123]
图14示意性示出了根据本公开实施例的适于实现图片生成方法的电子设备的方框图。
[0124]
如图14所示，根据本公开实施例的电子设备900包括处理器901，其可以根据存储在只读存储器(rom)902中的程序或者从存储部分908加载到随机访问存储器(ram)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如cpu)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(asic))等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
[0125]
在ram 903中，存储有电子设备900操作所需的各种程序和数据。处理器901、rom 902以及ram 903通过总线904彼此相连。处理器901通过执行rom 902和/或ram 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除rom 902和ram 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
[0126]
根据本公开的实施例，电子设备900还可以包括输入/输出(i/o)接口905，输入/输出(i/o)接口905也连接至总线904。电子设备900还可以包括连接至i/o接口905的以下部件中的一项或多项：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至i/o接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。
[0127]
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
[0128]
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、便携式紧凑磁盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的rom 902和/或ram 903和/或rom 902和ram 903以外的一个或多个存储器。
[0129]
本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的物品推荐方法。
[0130]
在该计算机程序被处理器901执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
[0131]
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分909被下载和安装，和/或从可拆卸介质911被安装。该计算机程序包含
的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
[0132]
在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
[0133]
根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如java，c++，python，“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0134]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0135]
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
[0136]
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。