[發(fā)明專(zhuān)利]畫(huà)單生成方法及裝置，電子設(shè)備，計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 201811105767.5
• 申請(qǐng)日: 2018-09-21
• 公開(kāi)（公告）號(hào): CN109242030A
• 公開(kāi)（公告）日: 2019-01-18
• 發(fā)明（設(shè)計(jì)）人: 周希波;李慧
• 申請(qǐng)（專(zhuān)利權(quán)）人: 京東方科技集團(tuán)股份有限公司
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62;G06F16/906;G06F16/9535
• 代理公司: 北京博思佳知識(shí)產(chǎn)權(quán)代理有限公司 11415
• 代理人: 林祥

本發(fā)明涉及一種畫(huà)單生成方法及裝置，電子設(shè)備，計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。一種畫(huà)單生成方法包括：獲取畫(huà)作數(shù)據(jù)和用戶行為數(shù)據(jù)；利用預(yù)先設(shè)置的聚類(lèi)算法組對(duì)所述畫(huà)作數(shù)據(jù)和所述用戶行為數(shù)據(jù)進(jìn)行聚類(lèi)，得到聚類(lèi)結(jié)果；根據(jù)所述聚類(lèi)結(jié)果生成畫(huà)單?？梢?jiàn)，本實(shí)施例中，由于增加了用戶行為數(shù)據(jù)，可以基于用戶的喜好來(lái)確定畫(huà)單，有利于提高推薦效率。本實(shí)施例中利用(包括多個(gè)聚類(lèi)算法的)聚類(lèi)算法組對(duì)畫(huà)作數(shù)據(jù)進(jìn)行聚類(lèi)，提高生成畫(huà)單的效率和準(zhǔn)確率。

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)據(jù)處理技術(shù)領(lǐng)域，尤其涉及一種畫(huà)單生成方法及裝置，電子設(shè)備，計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

背景技術(shù)

畫(huà)作資源日趨豐富，現(xiàn)有的推薦系統(tǒng)中針對(duì)畫(huà)作間的關(guān)聯(lián)度可以得到畫(huà)單，并然后向用戶推薦畫(huà)單，從而可以提升推薦效率。另外，對(duì)于線上的畫(huà)作欣賞與交易平臺(tái)以及線下的畫(huà)作展覽，生成畫(huà)單可有效地確立主題和展區(qū)，可以對(duì)平臺(tái)的結(jié)構(gòu)和展覽的流程起到指導(dǎo)性作用。

現(xiàn)在的畫(huà)單生成方法，需要人工檢閱與標(biāo)注主題(或關(guān)鍵詞)，然后可以對(duì)標(biāo)注內(nèi)容進(jìn)行處理，從而得到畫(huà)單。然而，由于畫(huà)作信息包括圖像、文本、矩陣等多種數(shù)據(jù)，導(dǎo)致生成畫(huà)單的難度較大。

發(fā)明內(nèi)容

本發(fā)明提供一種畫(huà)單生成方法及裝置，電子設(shè)備，計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，以解決相關(guān)技術(shù)中由于畫(huà)作信息復(fù)雜而導(dǎo)致畫(huà)單生成難度較大的問(wèn)題。

根據(jù)本發(fā)明實(shí)施例的第一方面，提供一種畫(huà)單生成方法，包括：

獲取畫(huà)作數(shù)據(jù)和用戶行為數(shù)據(jù)；

利用預(yù)先設(shè)置的聚類(lèi)算法組對(duì)所述畫(huà)作數(shù)據(jù)和所述用戶行為數(shù)據(jù)進(jìn)行聚類(lèi)，得到聚類(lèi)結(jié)果；

根據(jù)所述聚類(lèi)結(jié)果生成畫(huà)單。

可選地，所述聚類(lèi)算法組至少包括多個(gè)采用不同原理的聚類(lèi)算法和對(duì)所述采用不同原理的聚類(lèi)算法的聚類(lèi)結(jié)果進(jìn)行融合的融合聚類(lèi)算法，利用預(yù)先設(shè)置的聚類(lèi)算法組對(duì)所述畫(huà)作數(shù)據(jù)和所述用戶行為數(shù)據(jù)進(jìn)行聚類(lèi)，得到聚類(lèi)結(jié)果包括：

對(duì)所述畫(huà)作數(shù)據(jù)和所述用戶行為數(shù)據(jù)進(jìn)行處理，得到降維后的特征向量；

針對(duì)所述多個(gè)采用不同原理的聚類(lèi)算法中的每一個(gè)算法，將所述降維后的特征向量輸入到所述聚類(lèi)算法，得到用于表征畫(huà)作間關(guān)聯(lián)關(guān)系的中間聚類(lèi)結(jié)果；

將所述每個(gè)聚類(lèi)算法的中間聚類(lèi)結(jié)果輸入到所述融合聚類(lèi)算法，得到最終的聚類(lèi)結(jié)果。

可選地，所述多個(gè)采用不同原理的聚類(lèi)算法至少包括以下兩種：

基于劃分的聚類(lèi)、基于層次的聚類(lèi)、基于密度的聚類(lèi)和基于模型的聚類(lèi)。

可選地，對(duì)所述畫(huà)作數(shù)據(jù)和所述用戶行為數(shù)據(jù)進(jìn)行處理，得到降維后的特征向量包括：

根據(jù)所述畫(huà)作數(shù)據(jù)和所述用戶行為數(shù)據(jù)提取出基于物品的特征向量；

融合所述基于物品的特征向量，得到融合特征向量；

利用主成份分析法將所述融合特征向量轉(zhuǎn)換為降維后的特征向量。

可選地，根據(jù)所述畫(huà)作數(shù)據(jù)和所述用戶行為數(shù)據(jù)提取出基于物品的特征向量包括：

針對(duì)所述畫(huà)作數(shù)據(jù)中的畫(huà)作圖像信息，利用棧式自編碼器逐層提取特征，并將所提取的特征進(jìn)行降維處理，得到所述畫(huà)作數(shù)據(jù)對(duì)應(yīng)的高階特征向量；

針對(duì)所述畫(huà)作數(shù)據(jù)中的畫(huà)作特征信息，利用獨(dú)熱編碼對(duì)類(lèi)別特征進(jìn)行編碼，并對(duì)所述數(shù)值特征進(jìn)行歸一化處理，得到第一畫(huà)作特征向量；

針對(duì)所述用戶行為數(shù)據(jù)中的結(jié)構(gòu)化的行為數(shù)據(jù)，利用交替最小二乘法分解所述結(jié)構(gòu)化的行為數(shù)據(jù)，得到第二畫(huà)作特征向量；

針對(duì)所述用戶行為數(shù)據(jù)中的非結(jié)構(gòu)化的行為數(shù)據(jù)，利用文檔主題生成模型提取所述非結(jié)構(gòu)化的行為數(shù)據(jù)中隱含主題概率向量；