图片排序方法、装置、电子设备及可读存储介质制造方法及图纸

本公开提供了一种图片排序方法、装置、电子设备及可读存储介质，所述方法包括：针对第一图片样本和第二图片样本，分别统计所述第一图片样本和第二图片样本的吸引度参数；根据所述吸引度参数确定所述第一图片样本排序在所述第二图片样本之后的置信度；通过所述第一图像样本、第二图像样本以及对应的置信度对Ranknet模型进行训练；采用训练得到的Ranknet模型对目标图片集进行排序。可以计算置信度确定图片之间的排序属性，相对于人工标注，有助于提高效率，保证准确率。

Picture sorting methods, devices, electronic devices and readable storage media

The present disclosure provides a picture sorting method, device, electronic device and readable storage medium. The method includes: counting the attraction parameters of the first picture sample and the second picture sample respectively for the first picture sample and the second picture sample, and determining the confidence of the first picture sample sorting after the second picture sample according to the attraction parameters; The Ranknet model is trained by the first image sample, the second image sample and the corresponding confidence, and the trained Ranknet model is used to rank the target image set. Confidence can be calculated to determine the ranking attributes between pictures. Compared with manual annotation, it helps to improve efficiency and ensure accuracy.

【技术实现步骤摘要】
图片排序方法、装置、电子设备及可读存储介质
本公开实施例涉及计算机
，尤其涉及一种图片排序方法、装置、电子设备及可读存储介质。
技术介绍
随着计算机处理能力的提高，计算机可以从大量样本数据中学习得到知识，该知识用于在实际应用中预测目标数据的特有属性。当样本数据为图片样本时，计算机可以从图片中学习到针对某一属性的知识，用于对预测图片的该属性取值。由于不同图片之间在某些场景下存在顺序问题，从而需要基于标注了顺序属性的样本进行学习。现有技术中，需要人工对图片的顺序属性进行标注，并将标注了顺序属性的样本输入至网络模型中进行学习。然而，人工标注的工作量较大，效率较低，大量图片的标注也难以保证准确率。
技术实现思路
本公开提供一种图片排序方法、装置、电子设备及可读存储介质，可以计算置信度并确定图片之间的排序属性，相对于人工标注，有助于提高效率，保证准确率。根据本公开的第一方面，提供了一种图片排序方法，所述方法包括：针对第一图片样本和第二图片样本，分别统计所述第一图片样本和第二图片样本的吸引度参数；根据所述吸引度参数确定所述第一图片样本排序在所述第二图片样本之后的置信度；通过所述第一图像样本、第二图像样本以及对应的置信度对Ranknet模型进行训练；采用训练得到的Ranknet模型对目标图片集进行排序。根据本公开的第二方面，提供了一种图片排序装置，所述装置包括：吸引度参数统计模块，用于针对第一图片样本和第二图片样本，分别统计所述第一图片样本和第二图片样本的吸引度参数；置信度计算模块，用于根据所述吸引度参数确定所述第一图片样本排序在所述第二图片样本之后的置信度；模型训练模块，用于通过所述第一图像样本、第二图像样本以及对应的置信度对Ranknet模型进行训练；目标图片排序模块，用于采用训练得到的Ranknet模型对目标图片集进行排序。根据本公开的第三方面，提供了一种电子设备，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现前述图片排序方法。根据本公开的第四方面，提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述图片排序方法。本公开实施例提供了一种图片排序方法、装置、电子设备及可读存储介质，所述方法包括：针对第一图片样本和第二图片样本，分别统计所述第一图片样本和第二图片样本的吸引度参数；根据所述吸引度参数确定所述第一图片样本排序在所述第二图片样本之后的置信度；通过所述第一图像样本、第二图像样本以及对应的置信度对Ranknet模型进行训练；采用训练得到的Ranknet模型对目标图片集进行排序。可以计算置信度确定图片之间的排序属性，相对于人工标注，有助于提高效率，保证准确率。附图说明为了更清楚地说明本公开实施例的技术方案，下面将对本公开实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本公开实施例提供的系统架构下的一种图片排序方法具体步骤流程图；图2是本公开实施例提供的系统架构下的另一种图片排序方法具体步骤流程图；图3是本公开实施例提供的一种图片排序装置的结构图；图4是本公开实施例提供的另一种图片排序装置的结构图；图5是本公开实施例提供的电子设备的结构图。具体实施方式下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。实施例一参照图1，其示出了一种图片排序方法的步骤流程图，包括：步骤101，针对第一图片样本和第二图片样本，分别统计所述第一图片样本和第二图片样本的吸引度参数。其中，第一图片样本和第二图片样本可以为图片样本集中的任意两张图片，从而可以确定任意两张图片的排序，最终完成整个图片样本集的排序。一个图像样本集中的图片属于同一类别，其中，类别根据图片对象不同而进行不同的划分。当图片对象为商品时，类别可以为商品品类；当图片对象为建筑物时，类别可以为建筑物的具体类别。需要说明的是，类别通常包括多个层级的类别，在本公开实施例中，可以将采用最低级别的类别，从而保证排序准确性。例如，对于商品，第一层级的类别包括：生活用品、餐饮、服饰等，对于餐饮，第二层级的类别包括：中餐、西餐、法餐等，对于中餐，第三层级的类别包括：炒菜、面条、火锅等。从而可以将第三层级的火锅作为图片对象，包含火锅的大量图片组成图片样本集。可以理解，同一类别可以保证图片样本的排序是有意义的，不同类别之间的图片排序没有意义。吸引度参数可以为影响图片排序的各种指标，例如，点击率、图片质量等。可以理解，点击率高的图片排序靠前，点击率低的图片排序靠后；图片质量好的排序靠前，图片质量较差的排序靠后。在实际应用中，可以根据实际需要确定吸引度参数，如果吸引度参数是点击率，则排序之后图片可以保证点击率最高；如果吸引度参数是图片质量，则排序之后图片可以保证图片质量最好。步骤102，根据所述吸引度参数确定所述第一图片样本排序在所述第二图片样本之后的置信度。其中，第一图片样本排序在第二图片样本之后的置信度用于表示第一图片样本排序在第二图片样本之后的可能性，置信度越大，可能性越高；置信度越小，可能性越低。在本专利技术实施例中，首先，计算第二图片样本和第一图片样本之间的吸引度参数的差值；然后，将差值转换为符合一定分布的随机参数；最后，根据随机参数确定置信度。步骤103，通过所述第一图像样本、第二图像样本以及对应的置信度对Ranknet模型进行训练。其中，Ranknet模型为一种图像排序模型，可以对两张图片进行排序，得到排序结果。模型训练是指多次预测，并根据预测结果调整模型的参数，以使得模型的预测结果达到预期。对模型的训练过程通常需要大量的图片样本，并标注图片的排序，本专利技术实施例可以采用置信度进行标注，表明两张图片中第一图片样本排序在第二图片样本之后的可能性。相对于人工标注仅将排序位置标注为1(例如排序在前)和0(排序在后)，标注信息更加灵活，准确。在本专利技术实施例中，可以将属于同一类别的大量图片组成图片样本集，并根据步骤101至102计算得到任两张图片样本之间第一图片样本排序在第二图片样本之后的置信度，并将图片样本集输入至模型中进行训练，最终得到训练好得模型用于对图片排序。步骤104，采用训练得到的Ranknet模型对目标图片集进行排序。在实际应用中，将训练好的Ranknet模型存储部署在一定平台上，从而该平台在需要对目标图片集进行排序时将目标图片集输入至该模型，得到排序之后的目标图片集。其中，目标图片集为需要排序的图片集合，目标图片集中的图片为同一类别的图片。需要说明的是，由于在模型训练过程中，采用了同一类别的图片，从而该模型仅可以用于对该类别的图片集进行排序。此时，对目标图片集进行排序时，需要根据目标图片集的类别调用对应的Ranknet模型。综上所述，本公开实施例提供了一种图片排序方法，所述方法包括：针对第一图片样本和第二图片样本，分本文档来自技高网...

【技术保护点】
1.一种图片排序方法，其特征在于，所述方法包括：针对第一图片样本和第二图片样本，分别统计所述第一图片样本和第二图片样本的吸引度参数；根据所述吸引度参数确定所述第一图片样本排序在所述第二图片样本之后的置信度；通过所述第一图像样本、第二图像样本以及对应的置信度对Ranknet模型进行训练；采用训练得到的Ranknet模型对目标图片集进行排序。

【技术特征摘要】
1.一种图片排序方法，其特征在于，所述方法包括：针对第一图片样本和第二图片样本，分别统计所述第一图片样本和第二图片样本的吸引度参数；根据所述吸引度参数确定所述第一图片样本排序在所述第二图片样本之后的置信度；通过所述第一图像样本、第二图像样本以及对应的置信度对Ranknet模型进行训练；采用训练得到的Ranknet模型对目标图片集进行排序。2.根据权利要求1所述的方法，其特征在于，所述根据所述吸引度参数确定所述第一图片样本排序在所述第二图片样本之后的置信度的步骤，包括：根据所述第一图片样本和第二图片样本的吸引度参数生成随机参数；确定所述随机参数的概率分布函数；根据所述概率分布函数确定所述随机参数小于预设目标数值的概率；根据所述概率确定所述第一图片样本排序在所述第二图片样本之后的置信度。3.根据权利要求2所述的方法，其特征在于，所述概率分布函数为标准正态分布，所述目标数值为0，所述根据所述概率确定所述第一图片样本排序在所述第二图片样本之后的置信度的步骤，包括：计算1与所述概率的差值得到所述第一图片样本排序在所述第二图片样本之后的置信度。4.根据权利要求3所述的方法，其特征在于，所述吸引度参数为点击率，所述分别统计所述第一图片样本和第二图片样本的吸引度参数的步骤，包括：分别统计所述第一图片样本和第二图片样本的曝光次数和点击次数；计算所述第一图片样本的点击次数与曝光次数的比值得到所述第一图片样本的点击率；计算所述第二图片样本的点击次数与曝光次数的比值得到所述第二图片样本的点击率。5.根据权利要求4所述的方法，其特征在于，所述根据所述第一图片样本和第二图片样本的吸引度参数生成随机参数的步骤，包括：计算所述第二图片样本与所述第一图片样本之间的点击率的差值，得到点击率差值；采用所述第一图片样本的点击率和曝光次数、所述第二图片样本的点击率和曝光次数，对所述点击率差值进行标准化，得到随机参数。6.根据权利要求1所述的方法，其特征在于，所述通过所述第一图像样本、第二图像样本以及对应的...

【专利技术属性】
技术研发人员：汤传新，
申请(专利权)人：北京三快在线科技有限公司，
类型：发明
国别省市：北京,11