技术领域
[0001] 本
发明涉及数据分析领域，特别涉及一种预测图片流行度的方法、系统和一种计算机可读存储介质及
服务器。
背景技术
[0002] 信息技术的飞速发展推动了社交媒体的流行，社交媒体改变了人们交互的方式。用户主要通过发送图片的方式，在社交媒体平台分享自己的生活和经历。因此，社交媒体积累了海量的图片数据。然而，这些图片的流行度不尽相同。不同知名度的用户所发的图片的流行度相差甚远，同一用户发的图片的流行度也不同。许多领域的应用，例如新闻个性化推荐系统的设计，网上广告的投放等等，都得益于社交媒体图片流行度预测这一课题研究。
[0003]
现有技术中，基于循环神经网络的社交网络消息爆发检测是对社交网络中用户发布与转发的历史消息的分类预测，判断消息是否爆发。该现有技术只涉及到对社交媒体上面的文本信息的预测，无法实现对社交图片流行度的精准预测。
[0004] 因此，如何实现对社交图片流行度进行精准预测，是本领域技术人员目前需要解决的技术问题。
发明内容
[0005] 本
申请的目的是提供一种预测图片流行度的方法、系统和一种计算机可读存储介质及服务器，能够实现对社交图片流行度进行精准预测。
[0006] 为解决上述技术问题，本申请提供一种预测图片流行度的方法，该方法包括：
[0007] 步骤1：对接收的源数据进行预处理得到特征样本；其中，所述特征样本包括视觉特征和社交特征；
[0008] 步骤2：对所述特征样本按照预设比率进行随机失活处理，得到第一输入特征；
[0009] 步骤3：利用预设数个回归模型对所述输入特征进行预测操作得到中间预测结果，并将所述中间预测结果与所述第一输入特征进行组合得到第二输入特征；
[0010] 步骤4：根据所述第二输入特征判断深度堆叠回归模型是否收敛；若否，则将所述中间预测结果与所述第二输入特征组合得到第三输入特征，并将所述第三输入结果作为新的所述特征样本进入步骤2；若是，则进入步骤5；
[0011] 步骤5：根据所述中间预测结果生成相对应的所述图片流行度。
[0012] 可选的，所述对接收的源数据进行预处理得到特征样本包括：
[0013] 将所述源数据划分为图片数据和社交数据；
[0014] 利用
人工神经网络对所述图片数据进行特征提取得到所述视觉特征；
[0015] 利用多时态标度和Z-score(标准分数)标准化对所述社交数据进行转化得到所述社交特征；
[0016] 将所述视觉特征和所述社交特征按预设规则拼接得到所述特征样本。
[0017] 可选的，所述利用人工神经网络对所述图片数据进行特征提取得到所述视觉特征包括：
[0018] 利用人工神经网络对所述图片数据进行两级特征提取得到低级特征和高级特征；
[0019] 将所述低级特征和所述高级特征进行组合得到所述视觉特征。
[0020] 可选的，所述利用人工神经网络对所述图片数据进行两级特征提取得到低级特征和高级特征包括：
[0021] 在ImageNet数据集和Place365数据集上训练得到ResNeXt模型，Xception模型和DenseNet模型；其中，所述ResNeXt模型、Xception模型和DenseNet模型均为人工神经网络；
[0022] 将所述图片数据输入到所述ResNeXt模型、Xception模型和DenseNet模型中，并将所述ResNeXt模型、Xception模型和DenseNet模型最后一层之前的特征图的值提取并经过特征压缩和特征选择得到所述低级特征；
[0023] 将所述ResNeXt模型、Xception模型和DenseNet模型对图片预测的场景信息和类别信息连接得到所述高级特征。
[0024] 本申请还提供了一种预测图片流行度的系统，该系统包括：
[0025] 预处理模
块，用于对接收的源数据进行预处理得到特征样本；其中，所述特征样本包括视觉特征和社交特征；
[0026] Dropout模块，用于对所述特征样本按照预设比率进行随机失活处理，得到第一输入特征；
[0027] Block模块，用于利用预设数个回归模型对所述第一输入特征进行预测操作得到中间预测结果，并将所述中间预测结果与所述输入特征进行组合得到第二输入特征；
[0028] Detector模块，用于根据所述第二输入特征判断深度堆叠回归模型是否收敛；若否，则将所述中间预测结果与所述第二输入特征组合得到第三输入特征，并将所述第三输入结果作为新的所述特征样本进入下一层堆叠回归模型；若是，则根据所述中间预测结果生成相对应的所述图片流行度。
[0029] 可选的，所述预处理模块包括：
[0030] 分类子模块，用于将所述源数据划分为图片数据和社交数据；
[0031] 视觉特征提取子模块，用于利用人工神经网络对所述图片数据进行特征提取得到所述视觉特征；
[0032] 社交特征提取子模块，用于利用多时态标度和Z-score标准化对所述社交数据进行转化得到所述社交特征；
[0033] 拼接子模块，用于将所述视觉特征和所述社交特征按预设规则拼接得到所述特征样本。
[0034] 可选的，所述视觉特征提取子模块包括：
[0035] 两级特征提取单元，用于利用人工神经网络对所述图片数据进行两级特征提取得到低级特征和高级特征；
[0036] 组合单元，用于将所述低级特征和所述高级特征进行组合得到所述视觉特征。
[0037] 可选的，所述两级特征提取包括：
[0038] 模型训练子单元，用于在ImageNet数据集和Place365数据集上训练得到ResNeXt模型，Xception模型和DenseNet模型；其中，所述ResNeXt模型、Xception模型和DenseNet模型均为人工神经网络；
[0039] 低级特征提取子单元，用于将所述图片数据输入到所述ResNeXt模型、Xception模型和DenseNet模型中，并将所述ResNeXt模型、Xception模型和DenseNet模型最后一层之前的特征图的值提取并经过特征压缩和特征选择得到所述低级特征；
[0040] 高级特征提取子单元，用于将所述ResNeXt模型、Xception模型和DenseNet模型对图片预测的场景信息和类别信息连接得到所述高级特征。
[0041] 本申请还提供了一种计算机可读存储介质，其上存储有
计算机程序，所述计算机程序执行时实现以下步骤：
[0042] 步骤1：对接收的源数据进行预处理得到特征样本；其中，所述特征样本包括视觉特征和社交特征；
[0043] 步骤2：对所述特征样本按照预设比率进行随机失活处理，得到第一输入特征；
[0044] 步骤3：利用预设数个回归模型对所述输入特征进行预测操作得到中间预测结果，并将所述中间预测结果与所述第一输入特征进行组合得到第二输入特征；
[0045] 步骤4：根据所述第二输入特征判断深度堆叠回归模型是否收敛；若否，则将所述中间预测结果与所述第二输入特征组合得到第三输入特征，并将所述第三输入结果作为新的所述特征样本进入步骤2；若是，则进入步骤5；
[0046] 步骤5：根据所述中间预测结果生成相对应的所述图片流行度。
[0047] 本申请还提供了一种服务器，包括
存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现以下步骤：
[0048] 步骤1：对接收的源数据进行预处理得到特征样本；其中，所述特征样本包括视觉特征和社交特征；
[0049] 步骤2：对所述特征样本按照预设比率进行随机失活处理，得到第一输入特征；
[0050] 步骤3：利用预设数个回归模型对所述输入特征进行预测操作得到中间预测结果，并将所述中间预测结果与所述第一输入特征进行组合得到第二输入特征；
[0051] 步骤4：根据所述第二输入特征判断深度堆叠回归模型是否收敛；若否，则将所述中间预测结果与所述第二输入特征组合得到第三输入特征，并将所述第三输入结果作为新的所述特征样本进入步骤2；若是，则进入步骤5；
[0052] 步骤5：根据所述中间预测结果生成相对应的所述图片流行度。
[0053] 本发明提供了一种预测图片流行度的方法，对接收的源数据进行预处理得到特征样本；其中，所述特征样本包括视觉特征和社交特征；对所述特征样本按照预设比率进行随机失活处理，得到第一输入特征；利用预设数个回归模型对所述输入特征进行预测操作得到中间预测结果，并将所述中间预测结果与所述第一输入特征进行组合得到第二输入特征；根据所述第二输入特征判断深度堆叠回归模型是否收敛；若否，则将所述中间预测结果与所述第二输入特征组合得到第三输入特征，并将所述第三输入结果作为新的所述特征样本；若是，则根据所述中间预测结果生成相对应的所述图片流行度。
[0054] 本方法中对源数据进行预处理得到可以识别的特征样本，对特征样本按照预设比例进行随机失活处理可以增加特征样本的多样性，使图片流行度预测更加准确。利用回归模型对输入的第一输入特征进行预测得到预测值，并判断深度堆叠回归模型是否收敛，若不收敛则重复执行随机失活处理、回归模型预测、收敛判断的操作直至深度回归模型收敛，得到图片流行度。由于存在多个回归模型，所以会得到多个预测值，将上述预测值取平均值即预测到的图片流行度。该方法通过多层回归模型的堆叠能够准确预测图片的流行度，有利于新媒体的发展；本申请同时还提供了一种预测图片流行度的系统、一种计算机可读存储介质及服务器，具有上述有益效果，在此不再赘述。
附图说明
[0055] 为了更清楚地说明本申请
实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0056] 图1为本申请实施例所提供的一种预测图片流行度的方法的
流程图；
[0057] 图2为本申请实施例所提供的另一种预测图片流行度的方法的流程图；
[0058] 图3为本申请实施例所提供的又一种预测图片流行度的方法的流程图；
[0059] 图4为本申请实施例所提供的一种预测图片流行度的系统的结构示意图。
具体实施方式
[0060] 为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0061] 下面请参见图1，图1为本申请实施例所提供的一种预测图片流行度的方法的流程图；
[0062] 具体步骤可以包括：
[0063] 步骤S101：对接收的源数据进行预处理得到特征样本；其中，所述特征样本包括视觉特征和社交特征；
[0064] 其中，本方案的目的是预测图片的流行度，因此在本步骤中接收的源数据为图片的相关信息，源数据的来源可以是Flickr、微博、QQ空间等社交平台或图片分享
网站，此处并不对源数据的获取来源进行限定，只要是公开的、与图片相关的网站即可。可以理解的是，由于本发明的目的是预测图片流行度，因此获取的源数据可以是受关注度很高的图片，也可以是基本不受关注的图片。但是出于法律道德的要求，对于某些携带不良信息(如色情、暴
力、政治反动)的源数据就可以在进行预处理时剔除不进行流行度预测。
[0065] 可以理解的是，源数据中不仅有图片的视觉信息(图片内容携带的信息)，还有社交信息(如图片的发布时间、图片所获得的评论数、图片是否有标签、标签的个数、图片标题长度、发布图片的用户的平均浏览量，用户加入群组的个数等)。因此，相应的在对源数据进行预处理时，需要对图片的视觉信息进行预处理，也需要对图片的社交媒体层面的信息进行预处理。由于与处理的对象不同，因此对其进行的预处理的方式也不同。对于图片的视觉信息，可以使用
深度学习技术(如ResNeXt、Xception或DenseNet)来提取源数据中的视觉信息得到视觉特征。更进一步的，可以使用自
编码器和
随机森林进行
降维处理和特征选择得到维数更少的视觉特征。优选的，可以利用社交信息中的时间信息可以将图片的发布日期进行多维度的划分，比如可以划分为季度、月份、小时等。
[0066] 当然，对源数据进行预处理得到特征样本可以有很多操作，除了上述提到的相关操作外，可以包括对重复源数据(即多张相同照片)的筛选；还可以包括按图片类型对源数据进行分类，如人物图、
风景图、动物图等等，即先对图片类型进行区分再进行后续的流行度预测操作。上述对图片进行分类只是作为一种优选实施例而存在，本领域的技术人员可以根据方案应用的具体场景作出综合性的选择。
[0067] 步骤S102：对所述特征样本按照预设比率进行随机失活处理，得到第一输入特征；
[0068] 其中，本步骤的目的是提升特征样本的多样性。由于本方案是通过堆叠多层回归模型实现对图片流行度的预测，因此随着回归模型的复杂性的增加，对于流行度的预测往往受到过度拟合的限制。为了降低过度拟合带来的限制，本方案在进行图片流行度预测之前对所有的特征样本进行随机失活处理。例如，假设输入
特征向量为4-D，并且失活的比率为0.5，则为每个基本模型获得2-D特征向量；假设块模块中有4个基本模型，在此失活比率的
基础上，则下一块模块的输入的特征尺寸为8-D。
[0069] 可以理解的是，本步骤中的预设比率是本领域的技术人员在进行大量实验和论证后得到的，可以根据源数据的具体情况进行相对准确的选择，以提升流行度预测的准确度和效率。通常来讲，在特征样本(即源数据)多样性不足的情况下可以适当提高随机失活处理的预设比率；而在特征样本多样性相对较高的情况下可以适当降低随机失活处理的预设比率。总而言之，此处并不对预设比率的具体数值进行限定，针对于不同的应用环境存在不同的预设比率。
[0070] 步骤S103：利用预设数个回归模型对所述输入特征进行预测操作得到中间预测结果，并将所述中间预测结果与所述第一输入特征进行组合得到第二输入特征；
[0071] 其中，本步骤的目的是对步骤S102中得到的输入特征进行预测得到初步的预测值。本步骤中使用的回归模型可以有很多种，其中包括：随机森林(RF)、极度随机树(EXRT)、XGBoost或Lasso等等，当然还可以存在其他的回归模型，本领域的技术人员可以自行选择，故此处并不对本步骤中用到的回归模型的具体类型进行限定。
[0072] 可以理解的是，本步骤中提到的预设数量可以是1可以是2或2以上的数字，但是出于增加输出特征的多样性的考虑，只使用一个回归模型会带来多样性偏低的不良影响，因此尽量多使用不同类型的回归模型来增加输出特征的多样性。例如，可以使用随机森林(RF)、极度随机树(EXRT)、XGBoost和Lasso这四种回归模型来同时对步骤S102中得到的输入特征进行预测得到初步的预测值。其中，由于每一种类型的回归模型的结构、原理不同，因此每一种回归模型计算得到的预测值也是不同的，可以对所有的预测值取平均得到中间预测结果。
[0073] 通过前面的论述可知，本方案是通过堆叠多层回归模型来实现图片预测的，故本步骤中将中间预测结果与所述第一输入特征进行组合得到第二输入特征这一步骤，是为了判断是否需要进入下一层回归模型再次预测。
[0074] 步骤S104：根据所述第二输入特征判断深度堆叠回归模型是否收敛；若否，则进入步骤S105；若是，则进入步骤S106；
[0075] 其中，本步骤的目的是通过步骤S103得到的第二输入特征判断深度堆叠回归模型是否收敛。深度(即回归模型堆叠的次数)对于堆叠模型至关重要，在一定范围内深度越大对于图片流行度的预测就越准确，但是在达到某个临界值时一味地增加堆叠的深度不会增加预测的准确度，反而会造成资源的浪费。因此，本步骤通过判断深度堆叠回归模型是否收敛来分析是否需要增加堆叠的深度。
[0076] 如果深度堆叠模型不收敛，则需要继续堆叠；如果深度模型收敛，则说明对于图片流行度的预测已经结束。其中继续堆叠就是利用步骤S105中得到的第三输入特征重复步骤S102、步骤S103、步骤S104的流程直至判断深度堆叠模型收敛。
[0077] 步骤S105：将所述中间预测结果与所述第二输入特征组合得到第三输入特征，并将所述第三输入结果作为新的所述特征样本进入步骤S102。
[0078] 步骤S106：根据所述中间预测结果生成相对应的所述图片流行度。
[0079] 下面请参见图2，图2为本申请实施例所提供的另一种预测图片流行度的方法的流程图。
[0080] 本实施例是针对上一实施例中步骤S101中如何对源数据中进行预处理得到特征样本所做出的一个具体的限定，其他步骤与上一实施例大体相同，相同部分可参见上一实施例相关部分，在此不再赘述。
[0081] 具体步骤可以包括：
[0082] 步骤S201：将所述源数据划分为图片数据和社交数据；
[0083] 其中，本步骤中提到的图片数据就是图片的视觉信息(图片内容携带的信息)，社交数据就是社交媒体层面的信息(如图片的发布时间、图片所获得的评论数、图片是否有标签、标签的个数、图片标题长度、发布图片的用户的平均浏览量，用户加入群组的个数等)。
[0084] 步骤S202：利用人工神经网络对所述图片数据进行特征提取得到所述视觉特征；
[0085] 步骤S203：利用多时态标度和Z-score标准化对所述社交数据进行转化得到所述社交特征；
[0086] 步骤S204：将所述视觉特征和所述社交特征按预设规则拼接得到所述特征样本。
[0087] 下面请参见图3，图3为本申请实施例所提供的又一种预测图片流行度的方法的流程图。
[0088] 本实施例是针对上一实施例中步骤S202中如何利用人工神经网络对所述图片数据进行特征提取得到所述视觉特征所做出的一个具体的限定，其他步骤与上一实施例大体相同，相同部分可参见上一实施例相关部分，在此不再赘述。
[0089] 步骤S301：在ImageNet数据集和Place365数据集上训练得到ResNeXt模型，Xception模型和DenseNet模型；其中，所述ResNeXt模型、Xception模型和DenseNet模型均为人工神经网络；
[0090] 步骤S302：将所述图片数据输入到所述ResNeXt模型、Xception模型和DenseNet模型中，并将所述ResNeXt模型、Xception模型和DenseNet模型最后一层之前的特征图的值提取并经过特征压缩和特征选择得到所述低级特征；
[0091] 步骤S303：将所述ResNeXt模型、Xception模型和DenseNet模型对图片预测的场景信息和类别信息连接得到所述高级特征。
[0092] 步骤S304：将所述低级特征和所述高级特征进行组合得到所述视觉特征。
[0093] 请参见图4，图4为本申请实施例所提供的一种预测图片流行度的系统的结构示意图；
[0094] 该系统可以包括：
[0095] 预处理模块100，用于对接收的源数据进行预处理得到特征样本；其中，所述特征样本包括视觉特征和社交特征；
[0096] Dropout模块200，用于对所述特征样本按照预设比率进行随机失活处理，得到第一输入特征；
[0097] Block模块300，用于利用预设数个回归模型对所述第一输入特征进行预测操作得到中间预测结果，并将所述中间预测结果与所述输入特征进行组合得到第二输入特征；
[0098] Detector模块400，用于根据所述第二输入特征判断深度堆叠回归模型是否收敛；若否，则将所述中间预测结果与所述第二输入特征组合得到第三输入特征，并将所述第三输入结果作为新的所述特征样本进入下一层堆叠回归模型若是，则根据所述中间预测结果生成相对应的所述图片流行度。
[0099] 其中，图4中只将第一层堆叠回归模型的各模块进行了标注，每一层堆叠回归模型均有Dropout模块、Block模块和Detector模块。
[0100] 在本申请提供的另一种预测图片流行度的系统的实施例中，所述预处理模块100包括：
[0101] 分类子模块，用于将所述源数据划分为图片数据和社交数据；
[0102] 视觉特征提取子模块，用于利用人工神经网络对所述图片数据进行特征提取得到所述视觉特征；
[0103] 社交特征提取子模块，用于利用多时态标度和Z-score标准化对所述社交数据进行转化得到所述社交特征；
[0104] 拼接子模块，用于将所述视觉特征和所述社交特征按预设规则拼接得到所述特征样本。
[0105] 进一步的，所述视觉特征提取子模块包括：
[0106] 两级特征提取单元，用于利用人工神经网络对所述图片数据进行两级特征提取得到低级特征和高级特征；
[0107] 组合单元，用于将所述低级特征和所述高级特征进行组合得到所述视觉特征。
[0108] 进一步的，所述两级特征提取包括：
[0109] 模型训练子单元，用于在ImageNet数据集和Place365数据集上训练得到ResNeXt模型，Xception模型和DenseNet模型；其中，所述ResNeXt模型、Xception模型和DenseNet模型均为人工神经网络；
[0110] 低级特征提取子单元，用于将所述图片数据输入到所述ResNeXt模型、Xception模型和DenseNet模型中，并将所述ResNeXt模型、Xception模型和DenseNet模型最后一层之前的特征图的值提取并经过特征压缩和特征选择得到所述低级特征；
[0111] 高级特征提取子单元，用于将所述ResNeXt模型、Xception模型和DenseNet模型对图片预测的场景信息和类别信息连接得到所述高级特征。
[0112] 由于系统部分的实施例与方法部分的实施例相互对应，因此系统部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
[0113] 本申请还提供了一种计算机可读存储介质，其上存有计算机程序，该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括：U盘、移动
硬盘、
只读存储器(Read-Only Memory，ROM)、
随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
[0114] 本申请还提供了一种服务器，可以包括存储器和处理器，所述存储器中存有计算机程序，所述处理器调用所述存储器中的计算机层序时，可以实现上述实施例所提供的步骤。当然所述服务器还可以包括各种网络
接口，电源等组件。
[0115]
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请
权利要求的保护范围内。
[0116] 还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
