[发明专利]艺术品推荐方法、装置、可读介质及电子设备

说明书

本发明实施例提供了一种艺术品推荐方法、装置、可读介质及电子设备，首先，对艺术品的图片风格特征进行学习后在进行聚类，使得风格相近的艺术品被归类与降维，达到了解决数据的稀疏度问题；然后，特征划分狄利克雷过程模型可以对用户群组的偏好进行筛选，得到可以代表用户群组的群兴趣的风格标签，再根据这些风格标签对用户群组的群兴趣进行更细粒度地划分；最后，根据得到的各潜在群组的风格标签分布以及用户属于各潜在群组的概率分布进行个性化推荐，并生成推荐列表。本发明实施例的技术方案可以有效提升预测的准确率和召回率。

技术领域

本发明涉及计算机技术领域，尤其涉及一种艺术品推荐方法、装置、可读介质及电子设备。

背景技术

随着互联网的发展，出现了越来越多的虚拟群组，比如购物群组、兴趣群组、社交群组等。群组用户在一定程度上可能存在着联系和相似性，通过这些相似性和联系获得群组兴趣偏好对于个性化推荐来说具有十分重要的意义。

现有的推荐方法是将群组中的用户文件组合为群组文件，并依据该群组文件为群组中的单个用户生成推荐列表。然而，在实际获取群组的兴趣偏好时，不能简单地将群组中的单个用户偏好进行加和，用户收藏和\或购买的全部艺术品并不都是可以表征群组的兴趣偏好的，此外还需要考虑到用户兴趣分布的差异性等。

发明内容

有鉴于此，本发明实施例提供了一种艺术品推荐方法、装置、可读介质及电子设备。

第一方面，本发明实施例提供了一种艺术品推荐方法，包括：

提取用户收藏列表中各艺术品的图片特征向量，并基于各所述图片特征向量进行聚类得出用户的风格标签文档；

根据各所述用户的风格标签文档，通过特征划分狄利克雷过程模型将用户群组划分为若干潜在群组，并确定各所述潜在群组的风格标签分布以及所述用户属于各潜在群组的概率分布；

计算所述用户在每一个风格标签上的得分，根据所述得分通过预设规则向用户推送相应的艺术品。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述提取用户收藏列表中各艺术品的图片特征向量，并基于各所述图片特征向量进行聚类得出用户的风格标签文档，具体包括：

通过深度残差网络提取户艺术品列表中各艺术品的图片特征向量，并基于所述图片特征向量通过K-means算法进行聚类得出用户的风格标签文档。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述根据各所述用户的风格标签文档，通过特征划分狄利克雷过程模型将用户群组划分为若干潜在群组，并确定各所述潜在群组的风格标签分布以及所述用户属于各潜在群组的概率分布，具体包括：

步骤a、设置超参数α、β，先验参数λ、ω，初始K值，迭代次数；

步骤b、建立收藏数据集合U的生成概率密度函数：

步骤c、通过如下公式计算出风格标签l可以作为潜在群组的群兴趣的概率：

并对可以代表潜在群组的群兴趣的风格标签列表进行更新；

步骤d、根据采样结果更新通过如下公式进行计算：

步骤e、根据采样结果更新通过如下公式进行计算：

步骤f、根据采样结果更新θ，θ通过如下公式进行计算：