用户推荐方法、装置、电子设备及计算机可读存储介质与流程

1.本技术涉及数据处理技术领域，具体而言，涉及一种用户推荐方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.目前，各类用户推荐系统通常是根据用户的兴趣爱好、性格、自身描述和偏好图像等方面，向用户匹配并推荐其可能会喜欢的用户。但因该推荐方式考虑的方面较单一、不够全面，所以具有一定的局限性，故推荐准确率不高。


技术实现要素：

3.本技术实施例的目的在于提供一种用户推荐方法、装置、电子设备及计算机可读存储介质，以改善“现有的推荐系统推荐效率不高”的问题。
4.本发明是这样实现的：
5.第一方面，本技术实施例提供一种用户推荐方法，所述方法包括：获取与n个第一图组依次对应的n个第一分数，其中，所述第一图组为一张第二用户的人物图像和一张第一用户偏好的人物图像，且n个所述第一图组中的所述第一用户偏好的人物图像均不同，所述第一分数为所述第二用户的人物图像与所述第一用户偏好的人物图像的相似度评分，n为正整数；获取与m个第二图组依次对应的m个第二分数，其中，所述第二图组为一张所述第一用户的人物图像和一张所述第二用户偏好的人物图像，且m个所述第二图组中的所述第二用户偏好的人物图像均不同，所述第二分数为所述第一用户的人物图像和所述第二用户偏好的人物图像的相似度评分，m为正整数；根据所述n个第一分数和所述m个第二分数，获取所述第一用户和所述第二用户之间的双向偏好得分；若所述双向偏好得分大于预设分数，则向所述第一用户和所述第二用户发送互相推荐的信息。
6.在本技术实施例中，通过获取与n个第一图组依次对应的第一分数，能得到第二用户的人物图像与n个不同的第一用户偏好的人物图像之间的相似度评分，即能得到第一用户对第二用户的n个偏好得分；同理，通过获取与m个第二图组依次对应的第二分数，能得到第一用户的人物图像与m个不同的第二用户偏好的人物图像之间的相似度评分，即能得到第二用户对第一用户的m个偏好得分。因上述的相似度评分均为两个用户单方面的偏好得分，则根据n个第一得分和m个第二得分，可获取第一用户和第二用户之间的双向偏好得分，即该双向偏好得分表征了第一用户和第二用户之间双向偏好的程度，也可以看成双方推荐成功的几率。若上述双向偏好得分大于预设分数，则表示第一用户和第二用户之间双向偏好的程度较高，即相互推荐成功的机率较大，则向第一用户和第二用户进行互相推荐。通过上述方式，可计算出任意两用户之间的双向偏好得分，并可根据该双向偏好得分的分值情况，选择是否对两用户进行互相推荐，从而提高推荐效率与推荐的准确率。
7.结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述根据所述n个第一分数和所述m个第二分数，获取所述第一用户和所述第二用户之间的双向偏好得分，包
括：根据所述n个第一分数，获取所述第一用户对所述第二用户的第一单向偏好得分；根据所述m个第二分数，获取所述第二用户对所述第一用户的第二单向偏好得分；根据所述第一单向偏好得分和所述第二单向偏好得分，获取所述双向偏好得分。
8.在本技术实施例中，根据n个第一分数和m个第二分数，可分别计算出第一单向偏好得分和第二偏好得分，并根据上述第一单向偏好得分和上述第二单向偏好得分，能更准确、更快捷地计算出第一用户和第二用户之间的双向偏好得分。
9.结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述根据所述n个第一分数，获取所述第一用户对所述第二用户的第一单向偏好得分，包括：向预设的随机森林模型中输入k个所述第一分数，获取所述第一单向偏好得分，其中，k为小于等于n的正整数。
10.在本技术实施例中，预设的随机森林模型为根据获取到的n个第一分数构建的随机森林模型。通过向预设的随机森林模型输入k个第一分数，能预测出第一用户对第二用户的偏好得分，即获得第一单向偏好得分。并且，相较于直接通过n个第一分数计算出第一单向偏好得分，使用预设的随机森林模型根据k个第一分数预测出的第一单向偏好得分，能使该第一单向偏好得分更贴近第一用户对第二用户的偏好程度。
11.结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述根据所述第一单向偏好得分和所述第二单向偏好得分，获取所述双向偏好得分，包括：根据调和平均数算法，将所述第一单向偏好得分和所述第二单向偏好得分聚合为所述双向偏好得分。
12.在本技术实施例中，因调和平均数算法易受极小值的影响，故通过调和平均数算法计算的双向偏好得分也易受极小值的影响，即若第一单向偏好得分和第二单向偏好得分中，若存在某个分值较小的单向得分，则通过调和平均数算法计算出的双向偏好得分也会较小，即表示若某一用户对另一用户的偏好程度较低时，两者互相推荐成功的机率便会较低。通过上述方式，能使计算出的双向偏好得分更符合实际情况，避免出现在两个用户中，一个单向偏好得分较高，一个单向偏好得分较低时，在两个单向偏好得分中和后，使双向偏好得分较高的情况。
13.结合上述第一方面提供的技术方案，在一些可能的实现方式中，在向预设的网络模型输入n次第一图组之前，所述方法还包括：分别识别所述第一用户和所述第二用户的偏好用户，并提取所述偏好用户的图像。
14.在本技术实施例中，通过上述方式，能更方便快捷地获取到第一用户和第二用户分别偏好的人物图像，从而可提高推荐效率。
15.结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述获取与n个第一图组依次对应的n个第一分数，包括：向预设的孪生卷积网络中依次输入n个所述第一图组，依次分别获取n个所述第一分数；所述获取与m个第二图组依次对应的m个第二分数，包括：向所述孪生卷积中依次输入m个所述第二图组，依次分别获取m个所述第二分数。
16.在本技术实施例中，预设的孪生卷积网络为经过训练后的可计算出两张人物图像相似度的网络模型，通过将向该孪生卷积网络依次输入n个第一图组，能更方便、快捷地获得与n个第一图组对应的n个第一分数，且能提高获得的第一分数的准确率。
17.结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述人物图像为人脸图像。
18.在本技术实施例中，通过将人物图像设置为人脸图像，可实现只针对第一用户和第二用户的人脸图像计算两者的对于外貌的双向偏好得分，即只基于两者的人脸图像判断是否对两者进行互相推荐。
19.第二方面，本技术实施例提供一种用户推荐装置，所述装置包括：获取模块，用于获取与n个第一图组依次对应的n个第一分数，其中，所述第一图组为一张第二用户的人物图像和一张第一用户偏好的人物图像，且n个所述第一图组中的所述第一用户偏好的人物图像均不同，所述第一分数为所述第二用户的人物图像与所述第一用户偏好的人物图像的相似度评分，n为正整数；获取与m个第二图组依次对应的m个第二分数，其中，所述第二图组为一张所述第一用户的人物图像和一张所述第二用户偏好的人物图像，且m个所述第二图组中的所述第二用户偏好的人物图像均不同，所述第二分数为所述第一用户的人物图像和所述第二用户偏好的人物图像的相似度评分，m为正整数；处理模块，用于根据所述n个第一分数和所述m个第二分数，获取所述第一用户和所述第二用户之间的双向偏好得分；推荐模块，用于若所述双向偏好得分大于预设分数，则向所述第一用户和所述第二用户进行互相推荐。
20.第三方面，本技术实施例提供一种电子设备，包括：处理器和存储器，所述处理器和所述存储器连接；所述存储器用于存储程序；所述处理器用于调用存储在所述存储器中的程序，执行如上述第一方面实施例和/或结合上述第一方面实施例的一些可能的实现方式提供的方法。
21.第四方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器运行时执行如上述第一方面实施例和/或结合上述第一方面实施例的一些可能的实现方式提供的方法。
附图说明
22.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
23.图1为本技术实施例提供的一种用户推荐方法的步骤流程图。
24.图2为本技术实施例提供的一种用户推荐方法与现有的推荐系统recon的推荐结果有效性对比的曲线图。
25.图3为本技术实施例提供的一种用户推荐装置的模块框图。
26.图4为本技术实施例提供的一种电子设备的模块框图。
具体实施方式
27.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述。
28.鉴于现有的推荐系统推荐准确率不高，本技术发明人经过研究探索，提出以下实施例以解决上述问题。
29.本技术提供一种用户推荐方法，该方法可应用于约会服务推荐系统或交友服务推荐系统中，用于判断任意两用户相互之间的偏好程度，并根据该偏好程度的得分，判断是否
对两个用户进行互相推荐。
30.以下结合图1对一种用户推荐方法的具体流程及步骤进行描述。需要说明的是，本技术实施例提供的用户推荐方法不以图1及以下所示的顺序为限制。
31.步骤s101：获取与n个第一图组依次对应的n个第一分数。
32.其中，第一图组为一张第二用户的人物图像和一张第一用户偏好的人物图像，且n个第一图组中的第一用户偏好的人物图像均不同，该人物图像可以为人脸图像，或人物的全身图像，或人物身体图像，此处不做限定。并且，上述第一分数为第二用户的人物图像与第一用户偏好的人物图像的相似度评分，即该第一分数表征了第一用户对第二用户的偏好程度，n为正整数。
33.值得注意的是，第一用户和第二用户可以为同性别的两个用户，即两者均为男性用户，或两者均为女性用户；也可为不同性别的两个用户，即两者分别为男性用户和女性用户。
34.可选的，在步骤s101之前，分别识别第一用户和第二用户的偏好用户，并提取偏好用户的图像。
35.具体的，在第一用户和第二用户的社交网站上，查询两者分别关注的用户或两者列表中分别对应的好友，再获取上述用户或上述好友所发动态中的人物图像，将该人物图像作为第一用户和第二用户的偏好用户的图像；或者，根据第一用户和第二用户的账户信息和两者浏览网站的轨迹信息，查询第一用户和第二用户是否有其余账号，若有，则获取查询到的账号所关注的用户或该账户列表上的好友，再获取上述账号所关注的用户或好友对应的人物图像，将该人物图像作为第一用户和第二用户的偏好用户的图像；或者，分别获取第一用户和第二用户日常查看或点赞的图片，再从两者日常查看或点赞的图片中提取出对应的人物图像作为第一用户和第二用户的偏好用户的图像。
36.通过该方式，能方便、快捷地获取到第一用户和第二用户分别偏好的人物图像，从而提高推荐效率。此外，还能保证获取到的第一用户和第二用户偏好的人物图像的准确性。
37.在获取到第一用户偏好的人物图像后，需要获取第二用户和第一用户偏好的人物图像的相似度分数，以此获得第一用户对第二用户的偏好得分。下面将介绍三种不同的获取第二用户和第一用户偏好的人物图像的相似度分数的实施方式。
38.作为第一种可选的实施方式，向预设的孪生卷积网络中依次输入n个第一图组，依次分别获取n个第一分数。
39.其中，预设的孪生卷积网络为经过训练后的可计算出两张人物图像相似度的网络模型。该孪生卷积网络为本领域技术人员熟知的一种模型，此处不做过多说明。
40.通过上述方式，能更方便、快捷地获得与n个第一图组分别对应的n个第一分数，且能提高获得的第一分数的准确率。
41.作为第二种可选的实施方式，可将第一图组中的两张人物图像转换为一个向量，通过计算向量之间的余弦距离判断两张人物图像之间的相似度，即计算出两张人物图像的相似度得分，即将第二用户的人物图像和n个第一用户偏好的人物图像分别转换为对应的向量，再对第二用户的人物图像和n个第一用户偏好的人物图像分别计算向量之间的余弦距离，便可获取到n个第一图组对应的n个第一得分。
42.作为第三种可选的实施方式，可将第一图组中的两张人物图像进行处理，获取上
述两张人物图像的像素点，再将两张人物图像的像素点一一进行比对，以此获取两张人物图像的相似度得分，即将第二用户的人物图像和n个第一用户偏好的人物图像分别进行处理，获取到n+1个人物图像的像素点，再将第二用户的人物图像的像素点和n个第一用户偏好的人物图像对应的像素点分别进行比对，便可获取到n个第一图组对应的n个第一得分。
43.步骤s102：获取与m个第二图组依次对应的m个第二分数。
44.其中，第二图组为一张第一用户的人物图像和一张第二用户偏好的人物图像，且m个第二图组中的第二用户偏好的人物图像均不同，该人物图像可以为人脸图像，或人物的全身图像，或人物身体图像，此处不做限定。并且，第二分数为第一用户的人物图像和第二用户偏好的人物图像的相似度评分，m为正整数。
45.对于步骤s102中获取m个第二分数的方式，请参考前述步骤s101中获取n个第一分数的方式，此处不再赘述。
46.值得注意的是，获取n个第一分数的方式和获取m个第二分数的方式可以相同，也可以不同，比如：向预设的孪生卷积网络中依次输入n个第一图组，依次分别获取n个第一分数，将第一用户的人物图像和m个第二用户偏好的人物图像分别转换为对应的向量，对第一用户的人物图像和m个第二用户偏好的人物图像分别计算向量之间的余弦距离，获取m个第二得分。此外，获取n个第一分数和获取m个第二分数可以同时进行，比如：将n个第一图组和m个第二图组分别输入到两个预设的孪生卷积网络，分别获取n个第一分数和m个第二分数；也可以有顺序地进行，比如先向预设的孪生卷积网络中依次输入n个第一图组，获取n个第一分数，再向该孪生卷积网络中依次输入m个第二图组，获取m个第二分数。
47.在获取到m个第二图组对应的m个第二分数之后，本方法可以继续执行步骤s103。
48.步骤s103：根据n个第一分数和m个第二分数，获取第一用户和第二用户之间的双向偏好得分。
49.需要说明的是，在本技术实施例中，可直接对n个第一分数和m个第二分数进行处理，获取双向偏好得分，也可先对n个第一分数和m个第二分数先分别进行处理，在处理完毕后，根据处理后的结果再获取双向偏好得分，其中，m和n的取值可以一致，也可以不同。
50.下面将详细介绍一种先对n个第一分数和m个第二分数先分别进行处理，再根据处理后的结果再获取双向偏好得分的实施方式。
51.具体的，根据n个第一分数，获取第一用户对第二用户的第一单向偏好得分；根据m个第二分数，获取第二用户对第一用户的第二单向偏好得分；根据第一单向偏好得分和第二单向偏好得分，获取双向偏好得分。通过该方式，能更快捷、更高效的计算出双向偏好得分。
52.可选的，向预设的随机森林模型中输入k个第一分数，获取第一单向偏好得分，其中，k为小于等于n的正整数。其中，预设的随机森林模型为根据获取的n个第一分数构建的随机森林模型，其具体的构建方法如下：先从n个第一分数中随机抽取一定数量的样本，将该样本作为随机森林模型中每棵树的根节点；再将0.0到1.0分裂成五个大小为0.2的分布，即将0.2、0.4、0.6、0.8作为随机森林模型中的分裂节点，以此构建随机森林模型。
53.通过向预设的随机森林模型输入k个第一分数，能预测出第一用户对第二用户的偏好得分，即获得第一单向偏好得分。其中，k个第一分数可以为从n个第一分数中随机抽取的k个第一分数；也可以为从n个第一分数中，按获取到的第一分数的顺序指定的k个第一分
数。并且，相较于直接通过n个第一分数计算出第一单向偏好得分，使用预设的随机森林模型根据k个第一分数预测出的第一单向偏好得分，能使该第一单向偏好得分更贴近实际情况中的第一用户对第二用户的偏好程度。
54.对于m个第二分数的处理请参照上述对n个第一分数的处理方式，此处不再赘述。
55.在根据n个第一分数和m个第二分数分别获取到第一单向偏好得分和第二单向偏好得分之后，根据上述第一单向偏好得分和上述第二单向偏好得分可获取到双向偏好得分。
56.可选的，根据调和平均数算法，将第一单向偏好得分和第二单向偏好得分聚合为双向偏好得分。
57.具体的，将第一单向偏好得分x1和第二单向偏好得分x2带入调和平均数公式，即即可计算出双向偏好得分。因调和平均数算法易受极小值的影响，故通过调和平均数算法计算的双向偏好得分也易受极小值的影响，即若第一单向偏好得分和第二单向偏好得分中，存在某个分值较小的得分，则通过调和平均数算法计算出的双向偏好得分也较小，则表示若某一用户对另一用户的偏好程度较低时，两者互相推荐成功的机率便会较低。因此，通过上述方式，能使计算出的双向偏好得分更符合实际情况，避免出现在两个用户中，一个单向偏好得分较高，一个单向偏好得分较低时，在两个单向偏好得分中和后，使双向偏好得分较高的情况。
58.作为另一种可选的实施方式，根据算数平均数算法，将第一单向偏好得分和第二单线偏好得分聚合为双向偏好得分，即将第一单向偏好得分x1和第二单向偏好得分x2带入调和平均数公式，即即可计算出双向偏好得分。
59.在获取到双向偏好得分之后，本方法可以继续执行步骤s104。
60.步骤s104：若双向偏好得分大于预设分数，则向第一用户和第二用户发送互相推荐的信息。
61.在本技术实施例中，需要对双向偏好得分与预设分数进行判断，若双向偏好得分大于预设分数，则向第一用户推荐第二用户，并向第二用户推荐第一用户。具体的，向第一用户和第二用户的账户分别发出对应的推荐邮件；或者，在第一用户和第二用户使用软件时，向双方发送对应的推荐信息。
62.此外，预设分数为大于50小于100的数，比如50、60、70、80、90。通过上述方式，能提高向两用户之间相互推荐的成功率，即能提高推荐的准确率，且能避免对双向偏好得分较低的用户互相进行推荐，从而提高推荐效率和用户体验。
63.请参阅图2，图2为用户推荐方法与现有的推荐系统recon的推荐结果有效性对比的曲线图。其中，弧形曲线为用户推荐方法推荐结果有效性的曲线，与图中参考线(虚线)靠近的曲线为推荐系统recon推荐结果有效性的曲线，横轴为真性积极结果，纵轴为假性积极结果。由图2可知，在用户只针对图像选择用户的情况下，本技术实施例中的用户推荐方法的推荐结果有效性较好。
64.请参阅图3，基于同一发明构思，本技术实施例还提供一种用户推荐装置，该装置
100包括：获取模块101、处理模块102和推荐模块103。
65.获取模块101，用于获取与n个第一图组依次对应的n个第一分数，其中，第一图组为一张第二用户的人物图像和一张第一用户偏好的人物图像，且n个第一图组中的第一用户偏好的人物图像均不同，第一分数为第二用户的人物图像与第一用户偏好的人物图像的相似度评分，n为正整数；获取与m个第二图组依次对应的m个第二分数，其中，第二图组为一张第一用户的人物图像和一张第二用户偏好的人物图像，且m个第二图组中的第二用户偏好的人物图像均不同，第二分数为第一用户的人物图像和第二用户偏好的人物图像的相似度评分，m为正整数。
66.处理模块102，用于根据n个第一分数和m个第二分数，获取第一用户和第二用户之间的双向偏好得分。
67.推荐模块103，用于若双向偏好得分大于预设分数，则向第一用户和第二用户发送互相推荐的信息。
68.可选的，处理模块102具体用于根据n个第一分数，获取第一用户对第二用户的第一单向偏好得分；根据m个第二分数，获取第二用户对第一用户的第二单向偏好得分；根据第一单向偏好得分和第二单向偏好得分，获取双向偏好得分。
69.可选的，处理模块102具体用于向预设的随机森林模型中输入k个第一分数，获取第一单向偏好得分，其中，k为小于等于n的正整数。
70.可选的，处理模块102具体用于根据调和平均数算法，将第一单向偏好得分和第二单向偏好得分聚合为双向偏好得分。
71.可选的，获取模块101还用于分别识别第一用户和第二用户的偏好用户，并提取偏好用户的图像。
72.可选的，获取模块101具体用于向预设的孪生卷积网络中依次输入n个第一图组，依次分别获取n个第一分数；向孪生卷积中依次输入m个第二图组，依次分别获取m个第二分数。
73.请参阅图4，基于同一发明构思，本技术实施例提供的一种电子设备200的示意性结构框图，该电子设备200用于上述的一种用户推荐方法。本技术实施例中，电子设备200可以是，但不限于个人计算机(personal computer，pc)、智能手机、平板电脑、个人数字助理(personal digital assistant，pda)、移动上网设备(mobile internet device，mid)等。在结构上，电子设备200可以包括处理器210和存储器220。
74.处理器210与存储器220直接或间接地电性连接，以实现数据的传输或交互，例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。其中，处理器210可以是一种集成电路芯片，具有信号处理能力。处理器210也可以是通用处理器，例如，可以是中央处理器(central processing unit，cpu)、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、分立门或晶体管逻辑器件、分立硬件组件，可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。此外，通用处理器可以是微处理器或者任何常规处理器等。
75.存储器220可以是，但不限于，随机存取存储器(random access memory，ram)、只读存储器(read only memory，rom)、可编程只读存储器(programmable read-only memory，prom)、可擦可编程序只读存储器(erasable programmable read-only memory，
eprom)，以及电可擦编程只读存储器(electric erasable programmable read-only memory，eeprom)。存储器220用于存储程序，处理器210在接收到执行指令后，执行该程序。
76.应当理解，图4所示的结构仅为示意，本技术实施例提供的电子设备200还可以具有比图4更少或更多的组件，或是具有与图4所示不同的配置。此外，图4所示的各组件可以通过软件、硬件或其组合实现。
77.需要说明的是，由于所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
78.基于同一发明构思，本技术实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序在被运行时执行上述实施例中提供的方法。
79.该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solid state disk(ssd))等。
80.在本技术所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
81.另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
82.再者，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
83.在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
84.以上所述仅为本技术的实施例而已，并不用于限制本技术的保护范围，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。