物品推薦方法及裝置與流程
2023-06-08 12:22:46
本公開涉及圖像處理技術領域，特別涉及一種物品推薦方法及裝置。
背景技術：
隨著終端的普及，使用終端隨時隨地的記錄生活已經成為用戶的生活常態。隨著用戶保存在終端中的圖像越來越多，如何利用這些圖像為用戶提供個性化推薦服務成為人們研究的熱點問題。
相關技術中，終端對存儲的圖像進行分類，在得到圖像的分類結果後，在物品推薦系統中查找該分類結果對應的待推薦物品，向終端的用戶推薦該待推薦物品。
技術實現要素：
為解決相關技術中的問題，本公開提供了一種物品推薦方法及裝置。
根據本公開實施例的第一方面，提供一種物品推薦方法，所述方法包括：
根據預設算法確定圖像中的對象的第一特徵向量，所述第一特徵向量包括所述對象分別屬於預設的v個類別中每個類別的概率，v為正整數；
根據所述預設算法確定物品推薦系統中每個待推薦物品的第二特徵向量，所述第二特徵向量包括所述待推薦物品分別屬於所述v個類別中每個類別的概率；
分別計算所述第一特徵向量與每個第二特徵向量之間的相似度；
按照相似度由大到小的順序對所述待推薦物品進行推薦。
可選的，所述分別計算所述第一特徵向量與每個第二特徵向量之間的相似度，包括：
分別計算所述第一特徵向量與每個第二特徵向量之間的歐氏距離；
根據所述歐式距離確定所述第一特徵向量與對應的第二特徵向量之間的相似度，所述歐氏距離與所述相似度呈負相關關係。
可選的，所述分別計算所述第一特徵向量與每個第二特徵向量之間的歐氏距離，包括：
根據Di＝||FC0-FCi||計算所述第一特徵向量與第i個所述第二特徵向量之間的歐氏距離；
其中，所述FC0表示所述第一特徵向量，所述FCi表示第i個所述第二特徵向量。
可選的，所述根據預設算法確定圖像中的對象的第一特徵向量，包括：
按照預設的卷積窗口對所述圖像進行卷積，得到全局矩陣；
從所述圖像中選取n個滑動窗口，n為正整數；
對於所述n個滑動窗口中的每個滑動窗口，在所述全局矩陣中查找與所述滑動窗口具有映射關係的局部矩陣；
對查找到的n個局部矩陣進行池化處理；
對池化處理得到的n個局部矩陣進行全連接處理，得到n個對象的第一特徵向量。
可選的，所述物品推薦系統中的待推薦物品是具有折扣的物品。
根據本公開實施例的第二方面，提供一種物品推薦裝置，所述裝置包括：
第一確定模塊，被配置為根據預設算法確定圖像中的對象的第一特徵向量，所述第一特徵向量包括所述對象分別屬於預設的v個類別中每個類別的概率，v為正整數；
第二確定模塊，被配置為根據所述預設算法確定物品推薦系統中每個待推薦物品的第二特徵向量，所述第二特徵向量包括所述待推薦物品分別屬於所述v個類別中每個類別的概率；
計算模塊，被配置為分別計算所述第一確定模塊得到的所述第一特徵向量與所述第二確定模塊得到的每個第二特徵向量之間的相似度；
推薦模塊，被配置為按照所述計算模塊得到的相似度由大到小的順序對所述待推薦物品進行推薦。
可選的，所述計算模塊，包括：
第一計算子模塊，被配置為分別計算所述第一特徵向量與每個第二特徵向量之間的歐氏距離；
第二計算子模塊，被配置為根據所述第一計算子模塊得到的所述歐式距離確定所述第一特徵向量與對應的第二特徵向量之間的相似度，所述歐氏距離與所述相似度呈負相關關係。
可選的，所述第一計算子模塊，還被配置為：
根據Di＝||FC0-FCi||計算所述第一特徵向量與第i個所述第二特徵向量之間的歐氏距離；
其中，所述FC0表示所述第一特徵向量，所述FCi表示第i個所述第二特徵向量。
可選的，所述第一確定模塊，包括：
第三計算子模塊，被配置為按照預設的卷積窗口對所述圖像進行卷積，得到全局矩陣；
選取子模塊，被配置為從所述圖像中選取n個滑動窗口，n為正整數；
查找子模塊，被配置為對於所述選取子模塊選取的所述n個滑動窗口中的每個滑動窗口，在所述第三計算子模塊得到的所述全局矩陣中查找與所述滑動窗口具有映射關係的局部矩陣；
池化子模塊，被配置為對所述查找子模塊查找到的n個局部矩陣進行池化處理；
確定子模塊，被配置為對所述池化子模塊池化處理得到的n個局部矩陣進行全連接處理，得到n個對象的第一特徵向量。
可選的，所述物品推薦系統中的待推薦物品是具有折扣的物品。
根據本公開實施例的第三方面，提供一種物品推薦裝置，所述裝置包括：
處理器；
用於存儲處理器可執行指令的存儲器；
其中，所述處理器被配置為：
根據預設算法確定圖像中的對象的第一特徵向量，所述第一特徵向量包括所述對象分別屬於預設的v個類別中每個類別的概率，v為正整數；
根據所述預設算法確定物品推薦系統中每個待推薦物品的第二特徵向量，所述第二特徵向量包括所述待推薦物品分別屬於所述v個類別中每個類別的概率；
分別計算所述第一特徵向量與每個第二特徵向量之間的相似度；
按照相似度由大到小的順序對所述待推薦物品進行推薦。
本公開的實施例提供的技術方案可以包括以下有益效果：
通過根據預設算法確定圖像中的對象的第一特徵向量；根據預設算法確定物品推薦系統中每個待推薦物品的第二特徵向量；分別計算第一特徵向量與每個第二特徵向量之間的相似度；按照相似度由大到小的順序對待推薦物品進行推薦，這樣，可以直接根據對象的特徵來推薦待推薦物品，而不需要先對圖像分類，再根據分類結果推薦待推薦物品，解決了在對圖像的分類不準確，導致推薦物品不準確的問題，達到了提高推薦物品的準確性的效果。
物品推薦系統中的待推薦物品是具有折扣的物品，此時，由於推薦的物品具有折扣，因此，終端的用戶很可能會購買這些物品，從而提高物品推薦的成功率。
應當理解的是，以上的一般描述和後文的細節描述僅是示例性的，並不能限制本公開。
附圖說明
此處的附圖被併入說明書中並構成本公開說明書的一部分，示出了符合本公開的實施例，並與說明書一起用於解釋本公開的原理。
圖1是根據一示例性實施例示出的一種物品推薦方法的流程圖。
圖2是根據另一示例性實施例示出的一種物品推薦方法的流程圖。
圖3是根據一示例性實施例示出的一種物品推薦裝置的框圖。
圖4是根據一示例性實施例示出的一種物品推薦裝置的框圖。
圖5是根據一示例性實施例示出的一種用於物品推薦的裝置的框圖。
具體實施方式
這裡將詳細地對示例性實施例進行說明，其示例表示在附圖中。下面的描述涉及附圖時，除非另有表示，不同附圖中的相同數字表示相同或相似的要素。以下示例性實施例中所描述的實施方式並不代表與本公開相一致的所有實施方式。相反，它們僅是與如所附權利要求書中所詳述的、本公開的一些方面相一致的裝置和方法的例子。
圖1是根據一示例性實施例示出的一種物品推薦方法的流程圖，該物品推薦方法應用於終端中，如圖1所示，該物品推薦方法包括以下步驟。
在步驟101中，根據預設算法確定圖像中的對象的第一特徵向量，第一特徵向量包括對象分別屬於預設的v個類別中每個類別的概率，v為正整數。
在步驟102中，根據預設算法確定物品推薦系統中每個待推薦物品的第二特徵向量，第二特徵向量包括待推薦物品分別屬於v個類別中每個類別的概率。
在步驟103中，分別計算第一特徵向量與每個第二特徵向量之間的相似度。
在步驟104中，按照相似度由大到小的順序對待推薦物品進行推薦。
綜上所述，本公開提供的物品推薦方法，通過根據預設算法確定圖像中的對象的第一特徵向量；根據預設算法確定物品推薦系統中每個待推薦物品的第二特徵向量；分別計算第一特徵向量與每個第二特徵向量之間的相似度；按照相似度由大到小的順序對待推薦物品進行推薦，這樣，可以直接根據對象的特徵來推薦待推薦物品，而不需要先對圖像分類，再根據分類結果推薦待推薦物品，解決了在對圖像的分類不準確，導致推薦物品不準確的問題，達到了提高推薦物品的準確性的效果。
圖2是根據另一示例性實施例示出的一種物品推薦方法的流程圖，該物品推薦方法應用於終端中，如圖2所示，該物品推薦方法包括如下步驟。
在步驟201中，按照預設的卷積窗口對圖像進行卷積，得到全局矩陣。
圖像可以是終端拍攝得到的圖像，也可以是終端從網絡中下載並存儲的圖像，還可以是終端從其他終端獲取到的圖像，本實施例不限定圖像的來源。
其中，終端獲取的圖像中需要包括對象，對象至少包括物品，還可以包括人物、動物、植物、建築物等等，本實施例不作限定。
本實施例中，終端將圖像輸入到預設算法中，利用預設算法對圖像進行處理。其中，預設算法可以是Fast(快速)RCNN(Fast Region Based Convolutional Neural Network，基於區域的卷積神經網絡)算法，下面以Fast RCNN算法進行舉例說明。
在實現時，用戶可以預先設置Fast RCNN算法中的卷積窗口，當終端將圖像輸入到Fast RCNN算法後，終端利用卷積窗口對圖像進行卷積，得到全局矩陣。其中，全局矩陣是指對圖像進行卷積後得到的完整的矩陣。
本實施例中，全局矩陣可以是二維矩陣，也可以是三維矩陣。當全局矩陣是二維矩陣時，圖像沒有RGB特徵，此時全局矩陣為r×s的全局矩陣；當全局矩陣是三維矩陣時，圖像具有RGB特徵，此時全局矩陣為r×s×t的全局矩陣，t為3，r、s均為正整數。其中，R代表紅色、G代表綠色、B代表藍色。
在步驟202中，從圖像中選取n個滑動窗口，n為正整數。
用戶可以預先設置在圖像中橫向和縱向選取的滑動窗口的數量，終端根據該數量選取n個滑動窗口，n為正整數。本實施例不限定滑動窗口的形狀。
由於圖像中的對象的尺寸不定，一個滑動窗口內可能包括多個對象，也可能只包括一個對象的部分，因此，為了提高選取的滑動窗口能夠包括一個完整的對象的概率，終端還可以對滑動窗口設置不同的尺寸，並在圖像中的每個位置選取尺寸不同的至少兩個滑動窗口。
例如，假設用戶設置在圖像中橫向選取60個滑動窗口，縱向選取80個滑動窗口，且在每個位置選取3個尺寸不同的滑動窗口，則終端最終選取得到的60×80×3個滑動窗口。
在終端選取到n個滑動窗口後，還需要獲取每個滑動窗口的原始坐標，以標識滑動窗口。其中，原始坐標可以由滑動窗口左上角和右下角的坐標確定，也可以由滑動窗口右上角和左下角的坐標確定，還可以由左上角、右上角、左下角、右下角這四者中的三個或四個坐標確定。
原始坐標中的第一個數值指示橫向位置，第二個數值指示縱向位置。
其中，本實施例不限定步驟202和步驟203之間的執行順序。
在步驟203中，對於n個滑動窗口中的每個滑動窗口，在全局矩陣中查找與滑動窗口具有映射關係的局部矩陣。
由於全局矩陣是對圖像進行卷積得到的，而每個滑動窗口都是從圖像中選取的，因此，每個滑動窗口與全局矩陣中對應位置的部分數據具有映射關係，本實施例中將全局矩陣中與滑動窗口具有映射關係的部分數據稱為局部矩陣。
其中，局部矩陣與滑動窗口的位置的表達方式相同。即，如果終端利用滑動窗口的左上角和右下角的坐標表示滑動窗口的原始坐標，那麼，終端利用局部矩陣的左上角的數據和右下角的數據的坐標表示局部矩陣的原始坐標。
例如，三維的r×s×t的全局矩陣中，一個滑動窗口對應的局部矩陣為a×b×t，a為小於r的正整數，b為小於s的正整數。
在步驟204中，對查找到的n個局部矩陣進行池化處理。
終端從局部矩陣中每k個數據中提取出一個數據進行保留，刪除剩餘k-1個數據，以達到降低局部矩陣的維數的目的，減少計算複雜度，k≥2。
在從k個數據中提取一個數據時，終端可以取k個數據中的最大值，將該最大值作為提取出的數據，刪除剩餘k-1個數據。
可選的，終端還可以循環執行步驟201至步驟205，以提高計算結果的準確性。
在步驟205中，對池化處理得到的n個局部矩陣進行全連接處理，得到n個對象的第一特徵向量，第一特徵向量包括對象分別屬於預設的v個類別中每個類別的概率，v為正整數。
對於池化處理得到的每個局部矩陣，終端按照從左向右、從上向下的順序縱向排列成一個p×1維的第一向量。其中，由於每個局部矩陣的維數不固定，因此，p可以是任意數值。例如，局部矩陣則確定p為4，得到的第一矩陣m＝[1 2 3 4]T。
在進行全連接處理時，在第一個全連接層，終端利用w×p維的第一矩陣乘以p×1維的第一向量，得到w×1維的第二向量；在第二個全連接層，終端利用w×w維的第二矩陣乘以w×1維的第二向量，得到w×1維的第三向量；終端再利用v×w維的第三矩陣乘以w×1維的第三向量，得到v×1維的第四向量，將第四向量稱為第一特徵向量。
通常，w的數值為4096。v表示對象可能的類別，可以在將圖像輸入到Fast RCNN算法中進行處理之前，由用戶指定。本實施例中，v的數值可以等於物品推薦系統中所有物品所屬的類別之和。例如，當物品推薦系統包括1000個類別的商品時，v的數值為1000。此時，第一特徵向量中的每個數值用於表示對象屬於對應的類別的概率。
其中，第一矩陣、第二矩陣和第三矩陣是通過模型訓練得到的，在此不作贅述。
其中，步驟205得到的是圖像中所有對象的第一特徵向量，對於每個對象的第一特徵向量，終端執行步驟206至步驟209，以推薦與該對象相似的待推薦物品。
在步驟206中，根據預設算法確定物品推薦系統中每個待推薦物品的第二特徵向量，第二特徵向量包括待推薦物品分別屬於v個類別中每個類別的概率。
由於物品推薦系統中的每個待推薦物品都具有圖像，因此，對於物體推薦系統中每個待推薦物品的圖像，終端都可以執行步驟201至步驟205來獲取每個待推薦物品的特徵向量，本實施例中將該特徵向量稱為第二特徵向量。本實施例不對計算第二特徵向量的過程作贅述。
在步驟207中，分別計算第一特徵向量與每個第二特徵向量之間的歐氏距離。
本實施例中，分別計算第一特徵向量與每個第二特徵向量之間的歐氏距離，包括：根據Di＝||FC0-FCi||計算第一特徵向量與第i個第二特徵向量之間的歐氏距離；其中，FC0表示第一特徵向量，FCi表示第i個第二特徵向量。
本實施例中，將第一特徵向量表示成FC0，將第i個待推薦物品的第二特徵向量表示成FCi，此時，歐式距離Di＝||FC0-FCi||。
在步驟208中，根據歐式距離確定第一特徵向量與對應的第二特徵向量之間的相似度，歐氏距離與相似度呈負相關關係。
由於歐氏距離越小，說明第二特徵向量與第一特徵向量越相似，歐氏距離越大，說明第二特徵向量與第一特徵向量越不相似，因此，終端可以根據歐式距離確定第一特徵向量與第二特徵向量之間的相似度，從而確定對象與待推薦物品的相似度。
在步驟209中，按照相似度由大到小的順序對待推薦物品進行推薦。
終端可以根據按照歐式距離由小到大的順序對對應的待推薦物品進行排序，並按照排序順序對待推薦物品進行推薦。即，終端優先推薦歐氏距離小的第二特徵向量所對應的待推薦物品，此時，用戶可能對該物品比較感興趣，可以提高推薦的準確性，提升用戶體驗。
可選的，物品推薦系統中的待推薦物品是具有折扣的物品。由於推薦的物品具有折扣，因此，終端的用戶很可能會購買這些物品，從而提高物品推薦的成功率。
綜上所述，本公開提供的物品推薦方法，通過根據預設算法確定圖像中的對象的第一特徵向量；根據預設算法確定物品推薦系統中每個待推薦物品的第二特徵向量；分別計算第一特徵向量與每個第二特徵向量之間的相似度；按照相似度由大到小的順序對待推薦物品進行推薦，這樣，可以直接根據對象的特徵來推薦待推薦物品，而不需要先對圖像分類，再根據分類結果推薦待推薦物品，解決了在對圖像的分類不準確，導致推薦物品不準確的問題，達到了提高推薦物品的準確性的效果。
物品推薦系統中的待推薦物品是具有折扣的物品，此時，由於推薦的物品具有折扣，因此，終端的用戶很可能會購買這些物品，從而提高物品推薦的成功率。
圖3是根據一示例性實施例示出的一種物品推薦裝置的框圖，該物品推薦裝置應用於終端中，如圖3所示，該物品推薦裝置包括：第一確定模塊310、第二確定模塊320、計算模塊330和推薦模塊340。
該第一確定模塊310，被配置為根據預設算法確定圖像中的對象的第一特徵向量，第一特徵向量包括對象分別屬於預設的v個類別中每個類別的概率，v為正整數；
該第二確定模塊320，被配置為根據預設算法確定物品推薦系統中每個待推薦物品的第二特徵向量，第二特徵向量包括待推薦物品分別屬於v個類別中每個類別的概率；
該計算模塊330，被配置為分別計算第一確定模塊310得到的第一特徵向量與第二確定模塊320得到的每個第二特徵向量之間的相似度；
該推薦模塊340，被配置為按照計算模塊330得到的相似度由大到小的順序對待推薦物品進行推薦。
綜上所述，本公開提供的物品推薦裝置，通過根據預設算法確定圖像中的對象的第一特徵向量；根據預設算法確定物品推薦系統中每個待推薦物品的第二特徵向量；分別計算第一特徵向量與每個第二特徵向量之間的相似度；按照相似度由大到小的順序對待推薦物品進行推薦，這樣，可以直接根據對象的特徵來推薦待推薦物品，而不需要先對圖像分類，再根據分類結果推薦待推薦物品，解決了在對圖像的分類不準確，導致推薦物品不準確的問題，達到了提高推薦物品的準確性的效果。
圖4是根據一示例性實施例示出的一種物品推薦裝置的框圖，該物品推薦裝置應用於終端中，如圖4所示，該物品推薦裝置包括：第一確定模塊410、第二確定模塊420、計算模塊430和推薦模塊440。
該第一確定模塊410，被配置為根據預設算法確定圖像中的對象的第一特徵向量，第一特徵向量包括對象分別屬於預設的v個類別中每個類別的概率，v為正整數；
該第二確定模塊420，被配置為根據預設算法確定物品推薦系統中每個待推薦物品的第二特徵向量，第二特徵向量包括待推薦物品分別屬於v個類別中每個類別的概率；
該計算模塊430，被配置為分別計算第一確定模塊410得到的第一特徵向量與第二確定模塊420得到的每個第二特徵向量之間的相似度；
該推薦模塊440，被配置為按照計算模塊430得到的相似度由大到小的順序對待推薦物品進行推薦。
終端可以根據按照歐式距離由小到大的順序對對應的待推薦物品進行排序，並按照排序順序對待推薦物品進行推薦。即，終端優先推薦歐氏距離小的第二特徵向量所對應的待推薦物品，此時，用戶可能對該物品比較感興趣，可以提高推薦的準確性，提升用戶體驗。
可選的，計算模塊430，包括：第一計算子模塊431和第二計算子模塊432；
該第一計算子模塊431，被配置為分別計算第一特徵向量與每個第二特徵向量之間的歐氏距離；
可選的，第一計算子模塊431，還被配置為：
根據Di＝||FC0-FCi||計算第一特徵向量與第i個第二特徵向量之間的歐氏距離；
其中，FC0表示第一特徵向量，FCi表示第i個第二特徵向量。
本實施例中，將第一特徵向量表示成FC0，將第i個待推薦物品的第二特徵向量表示成FCi，此時，歐式距離Di＝||FC0-FCi||。
該第二計算子模塊432，被配置為根據第一計算子模塊431得到的歐式距離確定第一特徵向量與對應的第二特徵向量之間的相似度，歐氏距離與相似度呈負相關關係。
由於歐氏距離越小，說明第二特徵向量與第一特徵向量越相似，歐氏距離越大，說明第二特徵向量與第一特徵向量越不相似，因此，終端可以根據歐式距離確定第一特徵向量與第二特徵向量之間的相似度，從而確定對象與待推薦物品的相似度。
可選的，第一確定模塊410，包括：第三計算子模塊411、選取子模塊412、查找子模塊413、池化子模塊414和確定子模塊415；
該第三計算子模塊411，被配置為按照預設的卷積窗口對圖像進行卷積，得到全局矩陣；
本實施例中，終端將圖像輸入到預設算法中，利用預設算法對圖像進行處理。其中，預設算法可以是Fast RCNN算法，下面以Fast RCNN算法進行舉例說明。
在實現時，用戶可以預先設置Fast RCNN算法中的卷積窗口，當終端將圖像輸入到Fast RCNN算法後，終端利用卷積窗口對圖像進行卷積，得到全局矩陣。其中，全局矩陣是指對圖像進行卷積後得到的完整的矩陣。
本實施例中，全局矩陣可以是二維矩陣，也可以是三維矩陣。當全局矩陣是二維矩陣時，圖像沒有RGB特徵，此時全局矩陣為r×s的全局矩陣；當全局矩陣是三維矩陣時，圖像具有RGB特徵，此時全局矩陣為r×s×t的全局矩陣，t為3，r、s均為正整數。其中，R代表紅色、G代表綠色、B代表藍色。
該選取子模塊412，被配置為從圖像中選取n個滑動窗口，n為正整數；
用戶可以預先設置在圖像中橫向和縱向選取的滑動窗口的數量，終端根據該數量選取n個滑動窗口，n為正整數。本實施例不限定滑動窗口的形狀。
由於圖像中的對象的尺寸不定，一個滑動窗口內可能包括多個對象，也可能只包括一個對象的部分，因此，為了提高選取的滑動窗口能夠包括一個完整的對象的概率，終端還可以對滑動窗口設置不同的尺寸，並在圖像中的每個位置選取尺寸不同的至少兩個滑動窗口。
該查找子模塊413，被配置為對於選取子模塊412選取的n個滑動窗口中的每個滑動窗口，在第三計算子模塊411得到的全局矩陣中查找與滑動窗口具有映射關係的局部矩陣；
由於全局矩陣是對圖像進行卷積得到的，而每個滑動窗口都是從圖像中選取的，因此，每個滑動窗口與全局矩陣中對應位置的部分數據具有映射關係，本實施例中將全局矩陣中與滑動窗口具有映射關係的部分數據稱為局部矩陣。
該池化子模塊414，被配置為對查找子模塊413查找到的n個局部矩陣進行池化處理；
終端從局部矩陣中每k個數據中提取出一個數據進行保留，刪除剩餘k-1個數據，以達到降低局部矩陣的維數的目的，減少計算複雜度，k≥2。
在從k個數據中提取一個數據時，終端可以取k個數據中的最大值，將該最大值作為提取出的數據，刪除剩餘k-1個數據。
該確定子模塊415，被配置為對池化子模塊414池化處理得到的n個局部矩陣進行全連接處理，得到對象的第一特徵向量。
對於池化處理得到的每個局部矩陣，終端按照從左向右、從上向下的順序縱向排列成一個p×1維的第一向量。其中，由於每個局部矩陣的維數不固定，因此，p可以是任意數值。例如，局部矩陣則確定p為4，得到的第一矩陣m＝[1 2 3 4]T。
在進行全連接處理時，在第一個全連接層，終端利用w×p維的第一矩陣乘以p×1維的第一向量，得到w×1維的第二向量；在第二個全連接層，終端利用w×w維的第二矩陣乘以w×1維的第二向量，得到w×1維的第三向量；終端再利用v×w維的第三矩陣乘以w×1維的第三向量，得到v×1維的第四向量，將第四向量稱為第一特徵向量。
通常，w的數值為4096。v表示對象可能的類別，可以在將圖像輸入到Fast RCNN算法中進行處理之前，由用戶指定。本實施例中，v的數值可以等於物品推薦系統中所有物品所屬的類別之和。例如，當物品推薦系統包括1000個類別的商品時，v的數值為1000。此時，第一特徵向量中的每個數值用於表示對象屬於對應的類別的概率。
其中，第一矩陣、第二矩陣和第三矩陣是通過模型訓練得到的，在此不作贅述。
可選的，物品推薦系統中的待推薦物品是具有折扣的物品。
由於推薦的物品具有折扣，因此，終端的用戶很可能會購買這些物品，從而提高物品推薦的成功率。
綜上所述，本公開提供的物品推薦裝置，通過根據預設算法確定圖像中的對象的第一特徵向量；根據預設算法確定物品推薦系統中每個待推薦物品的第二特徵向量；分別計算第一特徵向量與每個第二特徵向量之間的相似度；按照相似度由大到小的順序對待推薦物品進行推薦，這樣，可以直接根據對象的特徵來推薦待推薦物品，而不需要先對圖像分類，再根據分類結果推薦待推薦物品，解決了在對圖像的分類不準確，導致推薦物品不準確的問題，達到了提高推薦物品的準確性的效果。
物品推薦系統中的待推薦物品是具有折扣的物品，此時，由於推薦的物品具有折扣，因此，終端的用戶很可能會購買這些物品，從而提高物品推薦的成功率。
關於上述實施例中的裝置，其中各個模塊執行操作的具體方式已經在有關該方法的實施例中進行了詳細描述，此處將不做詳細闡述說明。
本公開一示例性實施例提供了一種物品推薦裝置，能夠實現本公開提供的物品推薦方法，該物品推薦裝置包括：處理器、用於存儲處理器可執行指令的存儲器；
其中，處理器被配置為：
根據預設算法確定圖像中的對象的第一特徵向量，第一特徵向量包括對象分別屬於預設的v個類別中每個類別的概率，v為正整數；
根據預設算法確定物品推薦系統中每個待推薦物品的第二特徵向量，第二特徵向量包括待推薦物品分別屬於v個類別中每個類別的概率；
分別計算第一特徵向量與每個第二特徵向量之間的相似度；
按照相似度由大到小的順序對待推薦物品進行推薦。
圖5是根據一示例性實施例示出的一種用於物品推薦的裝置500的框圖。例如，裝置500可以是行動電話，計算機，數字廣播終端，消息收發設備，遊戲控制臺，平板設備，醫療設備，健身設備，個人數字助理等。
參照圖5，裝置500可以包括以下一個或多個組件：處理組件502，存儲器504，電源組件506，多媒體組件508，音頻組件510，輸入/輸出(I/O)的接口512，傳感器組件514，以及通信組件516。
處理組件502通常控制裝置500的整體操作，諸如與顯示，電話呼叫，數據通信，相機操作和記錄操作相關聯的操作。處理組件502可以包括一個或多個處理器518來執行指令，以完成上述的方法的全部或部分步驟。此外，處理組件502可以包括一個或多個模塊，便於處理組件502和其他組件之間的交互。例如，處理組件502可以包括多媒體模塊，以方便多媒體組件508和處理組件502之間的交互。
存儲器504被配置為存儲各種類型的數據以支持在裝置500的操作。這些數據的示例包括用於在裝置500上操作的任何應用程式或方法的指令，聯繫人數據，電話簿數據，消息，圖片，視頻等。存儲器504可以由任何類型的易失性或非易失性存儲設備或者它們的組合實現，如靜態隨機存取存儲器(SRAM)，電可擦除可編程只讀存儲器(EEPROM)，可擦除可編程只讀存儲器(EPROM)，可編程只讀存儲器(PROM)，只讀存儲器(ROM)，磁存儲器，快閃記憶體，磁碟或光碟。
電源組件506為裝置500的各種組件提供電力。電源組件506可以包括電源管理系統，一個或多個電源，及其他與為裝置500生成、管理和分配電力相關聯的組件。
多媒體組件508包括在所述裝置500和用戶之間的提供一個輸出接口的屏幕。在一些實施例中，屏幕可以包括液晶顯示器(LCD)和觸摸面板(TP)。如果屏幕包括觸摸面板，屏幕可以被實現為觸控螢幕，以接收來自用戶的輸入信號。觸摸面板包括一個或多個觸摸傳感器以感測觸摸、滑動和觸摸面板上的手勢。所述觸摸傳感器可以不僅感測觸摸或滑動動作的邊界，而且還檢測與所述觸摸或滑動操作相關的持續時間和壓力。在一些實施例中，多媒體組件508包括一個前置攝像頭和/或後置攝像頭。當裝置500處於操作模式，如拍攝模式或視頻模式時，前置攝像頭和/或後置攝像頭可以接收外部的多媒體數據。每個前置攝像頭和後置攝像頭可以是一個固定的光學透鏡系統或具有焦距和光學變焦能力。
音頻組件510被配置為輸出和/或輸入音頻信號。例如，音頻組件510包括一個麥克風(MIC)，當裝置500處於操作模式，如呼叫模式、記錄模式和語音識別模式時，麥克風被配置為接收外部音頻信號。所接收的音頻信號可以被進一步存儲在存儲器504或經由通信組件516發送。在一些實施例中，音頻組件510還包括一個揚聲器，用於輸出音頻信號。
I/O接口512為處理組件502和外圍接口模塊之間提供接口，上述外圍接口模塊可以是鍵盤，點擊輪，按鈕等。這些按鈕可包括但不限於：主頁按鈕、音量按鈕、啟動按鈕和鎖定按鈕。
傳感器組件514包括一個或多個傳感器，用於為裝置500提供各個方面的狀態評估。例如，傳感器組件514可以檢測到裝置500的打開/關閉狀態，組件的相對定位，例如所述組件為裝置500的顯示器和小鍵盤，傳感器組件514還可以檢測裝置500或裝置500一個組件的位置改變，用戶與裝置500接觸的存在或不存在，裝置500方位或加速/減速和裝置500的溫度變化。傳感器組件514可以包括接近傳感器，被配置用來在沒有任何的物理接觸時檢測附近物體的存在。傳感器組件514還可以包括光傳感器，如CMOS或CCD圖像傳感器，用於在成像應用中使用。在一些實施例中，該傳感器組件514還可以包括加速度傳感器，陀螺儀傳感器，磁傳感器，壓力傳感器或溫度傳感器。
通信組件516被配置為便於裝置500和其他設備之間有線或無線方式的通信。裝置500可以接入基於通信標準的無線網絡，如WiFi，2G或3G，或它們的組合。在一個示例性實施例中，通信組件516經由廣播信道接收來自外部廣播管理系統的廣播信號或廣播相關信息。在一個示例性實施例中，所述通信組件516還包括近場通信(NFC)模塊，以促進短程通信。例如，在NFC模塊可基於射頻識別(RFID)技術，紅外數據協會(IrDA)技術，超寬帶(UWB)技術，藍牙(BT)技術和其他技術來實現。
在示例性實施例中，裝置500可以被一個或多個應用專用集成電路(ASIC)、數位訊號處理器(DSP)、數位訊號處理設備(DSPD)、可編程邏輯器件(PLD)、現場可編程門陣列(FPGA)、控制器、微控制器、微處理器或其他電子元件實現，用於執行上述方法。
在示例性實施例中，還提供了一種包括指令的非臨時性計算機可讀存儲介質，例如包括指令的存儲器504，上述指令可由裝置500的處理器518執行以完成上述方法。例如，所述非臨時性計算機可讀存儲介質可以是ROM、隨機存取存儲器(RAM)、CD-ROM、磁帶、軟盤和光數據存儲設備等。
本領域技術人員在考慮說明書及實踐這裡的公開後，將容易想到本公開的其它實施方案。本申請旨在涵蓋本公開的任何變型、用途或者適應性變化，這些變型、用途或者適應性變化遵循本公開的一般性原理並包括本公開未公開的本技術領域中的公知常識或慣用技術手段。說明書和實施例僅被視為示例性的，本公開的真正範圍和精神由下面的權利要求指出。
應當理解的是，本公開並不局限於上面已經描述並在附圖中示出的精確結構，並且可以在不脫離其範圍進行各種修改和改變。本公開的範圍僅由所附的權利要求來限制。