本发明涉及图片处理,并且更具体地,涉及一种智能图片显示方法、装置、介质及设备。
背景技术:
1、目前讲课系统内,讲师会在线下或者线上进行培训,培训过程中会产生一些照片或者截图,讲师会将图片传输到系统内,展示给其他用户观看,图片类型包括:讲师讲解图片、现场氛围图片、空场图片、场外图片、讲解ppt图片、讲解过程直播截图等。讲师会在系统上传各种图片推荐用户选择参考,但是由于图片较多且无固定顺序,用户需花大量时间去寻找合适的图片,影响用户体验感。
技术实现思路
1、针对现有技术的不足,本发明提供一种智能图片显示方法、装置、介质及设备。
2、根据本发明的一个方面,提供了一种智能图片显示方法,包括:
3、收集不同类别和不同用户喜好的图片数据集;
4、根据预先训练的图片分类模型对图片数据集进行分类,确定每张图片相对于不同用户喜好的喜好分类标签,其中喜好分类标签包括:喜欢类别和不喜欢类别;
5、根据预先设定的不同用户喜好权重分别计算不同用户喜好的喜欢类别中每张图片的分数;
6、根据不同用户喜好的喜欢类别中每张图片的分数对喜欢类别中的所有图片进行排序,确定每种用户喜好下的图片排序结果;
7、根据不同用户喜好的图片排序结果,分别向不同用户喜好的目标用户显示图片。
8、可选地,根据预先训练的图片分类模型对图片数据集进行分类,确定每张图片相对于不同用户喜好的喜好分类标签,包括:
9、根据图片分类模型对图片数据集中的图片进行分类,确定每张图片的图片标签;
10、采用二分类模型根据不同用户喜好以及图片数据集中图片的图片标签对图片数据集进行分类,确定不同用户喜好对每张图片的喜好分类标签。
11、可选地,二分类模型的为逻辑回归模型,其预测函数为:
12、h_theta(x)=g(theta^t*x)
13、其中,g(z)=1/(1+e^-z)是sigmoid函数,theta是模型参数,x是图片的特征向量。
14、可选地,二分类模型的损失函数为:
15、j(theta)=-1/m*∑[y log(h_theta(x))+(1-y)log(1-h_theta(x))]
16、其中,y是图片的喜好分类标签,用户喜欢为1,不喜欢为0,m是总的图片数量。
17、根据本发明的另一个方面,提供了一种智能图片显示装置,包括:
18、收集模块,用于收集不同类别和不同用户喜好的图片数据集;
19、分类模块,用于根据预先训练的图片分类模型对图片数据集进行分类,确定每张图片相对于不同用户喜好的喜好分类标签,其中喜好分类标签包括:喜欢类别和不喜欢类别;
20、计算模块,用于根据预先设定的不同用户喜好权重分别计算不同用户喜好的喜欢类别中每张图片的分数;
21、排序模块,用于根据不同用户喜好的喜欢类别中每张图片的分数对喜欢类别中的所有图片进行排序,确定每种用户喜好下的图片排序结果;
22、显示模块,用于根据不同用户喜好的图片排序结果,分别向不同用户喜好的目标用户显示图片。
23、根据本发明的又一个方面,提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行本发明上述任一方面所述的方法。
24、根据本发明的又一个方面,提供了一种电子设备,所述电子设备包括:处理器;用于存储所述处理器可执行指令的存储器;所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现本发明上述任一方面所述的方法。
25、从而,本申请通过设置不同用户喜好权重,对不同喜好用户的喜欢类别图像进行自动识别图片内容,按照用户喜好将图片进行排序后展示给用户,减少用户寻找图片消耗的时间,提高用户体验感。
1.一种智能图片显示方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,根据预先训练的图片分类模型对所述图片数据集进行分类,确定每张图片相对于不同用户喜好的喜好分类标签,包括:
3.根据权利要求2所述的方法,其特征在于,所述二分类模型的为逻辑回归模型,其预测函数为:
4.根据权利要求2所述的方法,其特征在于,所述二分类模型的损失函数为:
5.一种智能图片显示装置,其特征在于,包括:
6.根据权利要求5所述的装置,其特征在于,分类模块,包括:
7.根据权利要求6所述的装置,其特征在于,所述二分类模型的为逻辑回归模型,其预测函数为:
8.根据权利要求6所述的装置,其特征在于,所述二分类模型的损失函数为:
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1-4任一所述的方法。
10.一种电子设备,其特征在于,所述电子设备包括: