一种图像生成模型推荐系统及方法与流程

1.本发明涉及图像生成领域，尤其涉及一种图像生成模型推荐系统及方法。


背景技术：

2.目前有较多的ai生成图像类的产品，主要围绕图像生成的方法、装置、设备等方面，但是对于图像生成模型用户推荐方面的研究较少，生成的图像大多都是随机，虽然文本生成图像类的可以生成用户指定内容的图像，但是在细节方面无法满足用户的喜好，一些产品虽然有推荐模块，但大多使用的是无差别非个性化的推荐方式。
3.且目前大多数的图像生成类的产品使用的都是通用的图像生成模型，无法针对不同的用户推荐与用户兴趣高度相关的已训练图像生成模型。
4.图像生成的个性化推荐极其重要，不仅能够生成用户喜欢的图像，提升用户粘性，还能提升图像生成模型的精细度和处理能力，而且如果在图像生成方面使用个性化推荐，就需要获取大量的用户交互信息。然而用户使用这类产品的频率较低，对于数据采集有较大的局限性，不仅采集困难，还会浪费大量的时间，导致用户的流失。


技术实现要素：

5.本发明的目的在于提供一种图像生成模型推荐系统及方法，解决了现有技术中指出的上述技术问题。
6.本发明提供了一种图像生成模型推荐系统，包括图像生成模型训练模块、用户输入模块、推荐生成模块；
7.其中，所述图像生成模型训练模块，用于从内存中获取多个兴趣爱好数据与多个初始图像；基于所述兴趣爱好数据与初始图像训练得到图像生成模型；
8.所述用户输入模块，用于采集获取用户兴趣爱好数据及用户属性数据；
9.所述推荐生成模块，用于将所述用户兴趣爱好数据输入所述图像生成模型，输出得到用户图像生成模型推荐列表r1＝(b1,b2,
…
,b
10
)后，通过隐语义模型，计算获取目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}；基于所述用户属性数据，计算获取基于群组特征的推荐列表r
cf
＝{b1,b2,...,b
10
}；将所述目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}、所述基于群组特征的推荐列表r
cf
＝{b1,b2,...,b
10
}及所述用户图像生成模型推荐列表r1＝(b1,b2,
…
,b
10
)进行融合计算得到目标用户推荐列表r。
10.较佳的，所述图像生成模型训练模块，具体用于建立clip模型；对所述兴趣爱好数据进行分类，获取分类后的兴趣爱好数据；
11.根据所述分类后的兴趣爱好数据从所述初始图像中筛选获取与所述分类后的兴趣爱好数据对应的图像，将所述图像存储得到图像数据库；
12.利用所述兴趣爱好数据与所述图像数据库对所述clip模型进行训练，得到训练好的clip模型；
13.建立扩散模型；利用所述初始图像对所述扩散模型进行训练，得到训练好的扩散
模型；
14.将所述训练好的clip模型与所述训练好的扩散模型进行结合，得到图像生成模型。
15.较佳的，所述推荐生成模块，包括流通存储子模块、初始模型子模块、推荐模型子模块；
16.所述流通存储子模块，用于将所述用户兴趣爱好数据与所述用户属性信息持久化保存至数据库中，得到用户信息数据集；
17.所述初始模型子模块，用于将所述用户兴趣爱好数据输入所述图像生成模型，输出得到用户图像生成模型推荐列表r1＝(b1,b2,
…
,b
10
)；将所述用户图像生成模型推荐列表r1＝(b1,b2,
…
,b
10
)对应放入所述用户信息数据集，得到图像生成模型数据集；
18.所述推荐模型子模块，用于根据所述图像生成模型数据集，获取用户图像生成模型使用数据；根据所述用户图像生成模型使用数据计算获取用户图像生成模型评分r(i,j)；根据所述用户对图像生成模型评分r(i,j)计算获取用户—模型评分矩阵r
ij
；基于所述用户—模型评分矩阵r
ij
通过lfm算法计算获取得到目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}；
19.所述图像生成模型使用数据包括用户i对第j个用户图像生成模型的使用次数n(i,j)、用户i使用所有用户图像生成模型的总次数num(i)、注册用户数量tu、第i个用户图像生成模型被使用的总次数nu(j)；
20.所述用户对图像生成模型评分r(i,j)的计算方式为：
[0021][0022]
式中，r(i,j)为用户i对第j个图像生成模型评分；
[0023]
n(i,j)为用户i对第j个用户图像生成模型的使用次数；
[0024]
num(i)为用户i使用所有用户图像生成模型的总次数；
[0025]
tu为注册用户数量；
[0026]
nu(j)为第i个用户图像生成模型被使用的总次数；
[0027]
所述用户—模型评分矩阵r
ij
的计算方式为：
[0028][0029]
根据所述用户属性数据构建获取用户特征向量并计算获取所述用户特征向量的距离sim(i,j)；根据所述用户特征向量的距离sim(i,j)对所述图像生成模型数据集进行聚类，获取多个聚类簇；
[0030]
所述用户特征向量的距离sim(i,j)的计算方式为：
[0031][0032]
式中，为用户i的用户特征向量；
[0033]
为用户j的用户特征向量；
[0034]
根据各用户的图像生成模型使用数据计算获取聚类簇中各用户的权重值w
(ui)
；
[0035]
所述用户的图像生成模型使用数据包括用户i使用图像生成模型总次数fi、用户i使用图像生成模型种类数qi；
[0036]
所述聚类簇中各用户的权重值w
(ui)
的计算方式为：
[0037][0038]
式中，w
(ui)
为聚类簇中各用户的权重值；
[0039]fi
为用户i使用图像生成模型总次数；
[0040]
qi为用户i使用图像生成模型种类数；
[0041]
将所述聚类簇与所述目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}进行融合，得到最终目标用户推荐列表r。
[0042]
较佳的，所述推荐模型子模块，在实施方案中，具体用于初始化建立用户向量矩阵p与模型评分矩阵q；根据所述用户向量矩阵p与模型评分矩阵q计算获取预测评分矩阵计算获取所述用户—模型评分矩阵r
ij
与所述预测评分矩阵的损失函数c；根据所述损失函数通过交替最小二乘法计算获取最优用户向量矩阵p与最优模型评分矩阵q；所述用户向量矩阵p表征用户i对于第k个图像生成模型的喜爱程度p
ik
；所述模型评分矩阵q表征第j个图像生成模型与第k个图像生成模型的符合程度q
kj
；
[0043]
所述最优用户向量矩阵p与最优模型评分矩阵q指的是损失函数c最小值时的用户向量矩阵p与模型评分矩阵q；
[0044]
其中，所述预测评分矩阵的计算方式为：
[0045][0046]
式中，p
ik
为模型参数；
[0047]
qj为模型参数；
[0048]
p
ik
为用户i对于第k个图像生成模型的喜爱程度；
[0049]qkj
为第j个图像生成模型与第k个图像生成模型的符合程度；
[0050]rlfm
为目标用户生成待推荐列表；
[0051]
所述损失函数c的计算方式为：
[0052][0053]
式中，reg为正则化项；
[0054]rij
为用户—模型评分矩阵；
[0055]
为预测评分矩阵；
[0056]
p
ik
为模型参数；
[0057]
λ为最小常量；
[0058]
pi为用户i的用户向量矩阵；
[0059]
qi为第j个图像生成模型的评分矩阵；
[0060]
根据所述最优用户向量矩阵p与最优模型评分矩阵q，计算获取新的用户模型评分矩阵；
[0061]
根据所述新的用户模型评分矩阵，获取目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}。
[0062]
较佳的，所述推荐模型子模块，还用于预设k值，并从所述图像生成模型数据集中随机选取k个用户特征向量作为初始质心；
[0063]
遍历获取初始聚类簇：遍历所述图像生成模型数据集中所有用户特征向量，计算所述用户特征向量分别至k个所述初始质心的k个第一距离；筛选获取k个所述第一距离中最小值对应的目标初始质心；将所述用户特征向量划分至所述目标初始质心，得到初始聚类簇；
[0064]
计算获取所述初始聚类簇的质心；
[0065]
判断所述初始聚类簇的质心是否稳定；若是，则确定所述初始聚类簇为最终的聚类簇；若否，则重复上述遍历获取初始聚类簇操作，直至所述质心稳定。
[0066]
较佳的，所述推荐模型子模块，还用于根据所述聚类簇获取图像生成模型使用历史列表；
[0067]
获取当前聚类簇中用户总数m，根据所述聚类簇中用户总数m、聚类簇中各用户的权重值w
(ui)
、用户对图像生成模型评分r(i,j)计算获取所述图像生成模型使用历史列表中各图像生成模型的兴趣程度d(i,j)；
[0068]
所述图像生成模型使用历史列表中各图像生成模型的兴趣程度d(i,j)的计算方式为：
[0069][0070]
式中，d(i,j)为图像生成模型使用历史列表中各图像生成模型的兴趣程度；
[0071]
m为聚类簇中用户总数；
[0072]w(ui)
为聚类簇中各用户的权重值；
[0073]
r(i,j)为用户对图像生成模型评分；
[0074]
将所述图像生成模型使用历史列表中各图像生成模型依据兴趣程度由高至低排序后筛选获取基于群组特征的推荐列表r
cf
＝{b1,b2,...,b
10
}；
[0075]
将所述目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}、所述基于群组特征的推荐列表r
cf
＝{b1,b2,...,b
10
}及所述用户图像生成模型推荐列表r1＝(b1,b2,
…
,b
10
)进行融合计算得到目标用户推荐列表r；
[0076]
所述目标用户推荐列表r的计算方式为：
[0077]
r＝r
lfm
∪r
cf
∪r
1-(r
lfm
∩r
cf
∩r1)。
[0078]
相应地，本发明还提出了一种图像生成模型推荐方法，包括如下操作步骤：
[0079]
从内存中获取多个兴趣爱好数据与多个初始图像；基于所述兴趣爱好数据与初始图像训练得到图像生成模型；
[0080]
采集获取用户兴趣爱好数据及用户属性数据；
[0081]
所述用户属性信息包括姓名、年龄、学历、工作；
[0082]
将所述用户兴趣爱好数据输入所述图像生成模型，输出得到用户图像生成模型推荐列表r1＝(b1,b2,
…
,b
10
)后，通过隐语义模型，计算获取目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}；基于所述用户属性数据，计算获取基于群组特征的推荐列表r
cf
＝{b1,b2,...,b
10
}；将所述目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}、所述基于群组特征的推荐列表r
cf
＝{b1,b2,...,b
10
}及所述用户图像生成模型推荐列表r1＝(b1,b2,
…
,b
10
)进行融合计算得到目标用户推荐列表r。
[0083]
与现有技术相比，本发明实施例至少存在如下方面的技术优势：
[0084]
分析本发明提供的上述一种图像生成模型推荐系统及方法可知，在具体应用时首先利用爬虫技术从互联网中抓取兴趣爱好数据，然后根据兴趣爱好数据抓取初始图像；先利用爬虫从互联网抓取兴趣爱好数据，然后对兴趣爱好进行分类，同时根据分类后的兴趣爱好在互联网上抓取兴趣爱好对应图像，并建立兴趣爱好和图像相对应的兴趣——图像数据库。利用兴趣——图像数据库来训练clip模型，得到各个兴趣爱好对应的已训练clip模型。接下来是对扩散模型的训练，首先利用爬虫从互联网爬取海量图像，然后利用图像训练扩散模型，从而得到训练后的扩散模型。将两组训练后的模型结合，就能得到训练完成的与各个兴趣爱好对应的clip模型+扩散模型，即与各个兴趣爱好对应的图像生成模型；然后在用户进行使用系统时，采集用户的用户兴趣爱好数据及用户属性数据，将用户的用户兴趣爱好数据及用户属性数据输入图像生成模型，通过兴趣爱好对应推荐、矩阵分解推荐以及基于群组特征的协同过滤等三个方法结合起来进行推荐，从而得到用户推荐列表，保证推荐的模型更加的符合用户的兴趣爱好和需求。
附图说明
[0085]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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。
[0086]
图1为本发明实施例一提供的一种图像生成模型推荐系统的整体架构示意图；
[0087]
图2为本发明实施例二提供的一种图像生成模型推荐方法的操作流程示意图；
[0088]
图3为本发明实施例二提供的一种图像生成模型推荐方法中训练得到图像生成模型的操作流程示意图；
[0089]
图4为本发明实施例二提供的一种图像生成模型推荐方法中训练得到图像生成模型的操作流程模拟示意图；
[0090]
图5为本发明实施例二提供的一种图像生成模型推荐方法中得到目标用户推荐列表r的操作流程示意图；
[0091]
图6为本发明实施例二提供的一种图像生成模型推荐方法中得到目标用户推荐列表r的操作流程模拟示意图；
[0092]
图7为本发明实施例二提供的一种图像生成模型推荐方法中得到目标用户生成待推荐列表的操作流程示意图；
[0093]
图8为本发明实施例二提供的一种图像生成模型推荐方法中获取多个聚类簇的操作流程示意图；
[0094]
图9为本发明实施例二提供的一种图像生成模型推荐方法中得到最终目标用户推荐列表的操作流程示意图。
[0095]
附图标记：图像生成模型训练模块10、用户输入模块20、推荐生成模块30；流通存储子模块31、初始模型子模块32、推荐模型子模块33。
具体实施方式
[0096]
下面将结合附图对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
[0097]
下面通过具体的实施例并结合附图对本发明做进一步的详细描述。
[0098]
实施例一
[0099]
如图1所示，本发明提出了一种图像生成模型推荐系统，包括图像生成模型训练模块10、用户输入模块20、推荐生成模块30；
[0100]
其中，所述图像生成模型训练模块10，用于从内存中获取多个兴趣爱好数据与多个初始图像；基于所述兴趣爱好数据与初始图像训练得到图像生成模型；
[0101]
所述用户输入模块20，用于采集获取用户兴趣爱好数据及用户属性数据；
[0102]
所述推荐生成模块30，用于将所述用户兴趣爱好数据输入所述图像生成模型，输出得到用户图像生成模型推荐列表r1＝(b1,b2,
…
,b
10
)后，通过隐语义模型(即lfm)，计算获取目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}；基于所述用户属性数据，计算获取基于群组特征的推荐列表r
cf
＝{b1,b2,...,b
10
}；将所述目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}、所述基于群组特征的推荐列表r
cf
＝{b1,b2,...,b
10
}及所述用户图像生成模型推荐列表r1＝(b1,b2,
…
,b
10
)进行融合计算得到目标用户推荐列表r。
[0103]
较佳的，所述图像生成模型训练模块10，具体用于建立clip模型；对所述兴趣爱好数据进行分类，获取分类后的兴趣爱好数据；
[0104]
根据所述分类后的兴趣爱好数据从所述初始图像中筛选获取与所述分类后的兴趣爱好数据对应的图像，将所述图像存储得到图像数据库；
[0105]
利用所述兴趣爱好数据与所述图像数据库对所述clip模型进行训练，得到训练好的clip模型；
[0106]
建立扩散模型；利用所述初始图像对所述扩散模型进行训练，得到训练好的扩散模型；
[0107]
将所述训练好的clip模型与所述训练好的扩散模型进行结合，得到图像生成模型。
[0108]
较佳的，所述推荐生成模块30，包括流通存储子模块31、初始模型子模块32、推荐模型子模块33；
[0109]
所述流通存储子模块31，用于将所述用户兴趣爱好数据与所述用户属性信息持久
化保存至数据库中，得到用户信息数据集；
[0110]
所述初始模型子模块32，用于将所述用户兴趣爱好数据输入所述图像生成模型，输出得到用户图像生成模型推荐列表r1＝(b1,b2,
…
,b
10
)；将所述用户图像生成模型推荐列表r1＝(b1,b2,
…
,b
10
)对应放入所述用户信息数据集，得到图像生成模型数据集；
[0111]
所述推荐模型子模块33，用于根据所述图像生成模型数据集，获取用户图像生成模型使用数据；根据所述用户图像生成模型使用数据计算获取用户图像生成模型评分r(i,j)；根据所述用户对图像生成模型评分r(i,j)计算获取用户—模型评分矩阵r
ij
；基于所述用户—模型评分矩阵r
ij
通过lfm算法计算获取得到目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}；
[0112]
所述图像生成模型使用数据包括用户i对第j个用户图像生成模型的使用次数n(i,j)、用户i使用所有用户图像生成模型的总次数num(i)、注册用户数量tu、第i个用户图像生成模型被使用的总次数nu(j)；
[0113]
所述用户对图像生成模型评分r(i,j)的计算方式为：
[0114][0115]
式中，r(i,j)为用户i对第j个图像生成模型评分；
[0116]
n(i,j)为用户i对第j个用户图像生成模型的使用次数；
[0117]
num(i)为用户i使用所有用户图像生成模型的总次数；
[0118]
tu为注册用户数量；
[0119]
nu(j)为第i个用户图像生成模型被使用的总次数；
[0120]
所述用户—模型评分矩阵r
ij
的计算方式为：
[0121][0122]
根据所述用户属性数据构建获取用户特征向量并计算获取所述用户特征向量的距离sim(i,j)；根据所述用户特征向量的距离sim(i,j)对所述图像生成模型数据集进行聚类，获取多个聚类簇；
[0123]
所述用户特征向量的距离sim(i,j)的计算方式为：
[0124][0125]
式中，为用户i的用户特征向量；
[0126]
为用户j的用户特征向量；
[0127]
根据各用户的图像生成模型使用数据计算获取聚类簇中各用户的权重值w
(ui)
；
[0128]
所述用户的图像生成模型使用数据包括用户i使用图像生成模型总次数fi、用户i
使用图像生成模型种类数qi；
[0129]
所述聚类簇中各用户的权重值w
(ui)
的计算方式为：
[0130][0131]
式中，w
(ui)
为聚类簇中各用户的权重值；
[0132]fi
为用户i使用图像生成模型总次数；
[0133]
qi为用户i使用图像生成模型种类数；
[0134]
将所述聚类簇与所述目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}进行融合，得到最终目标用户推荐列表r。
[0135]
较佳的，所述推荐模型子模块33，在实施方案中，具体用于初始化建立用户向量矩阵p与模型评分矩阵q；根据所述用户向量矩阵p与模型评分矩阵q计算获取预测评分矩阵计算获取所述用户—模型评分矩阵r
ij
与所述预测评分矩阵的损失函数c；根据所述损失函数通过交替最小二乘法计算获取最优用户向量矩阵p与最优模型评分矩阵q；所述用户向量矩阵p表征用户i对于第k个图像生成模型的喜爱程度p
ik
；所述模型评分矩阵q表征第j个图像生成模型与第k个图像生成模型的符合程度q
kj
；
[0136]
所述最优用户向量矩阵p与最优模型评分矩阵q指的是损失函数c最小值时的用户向量矩阵p与模型评分矩阵q；
[0137]
其中，所述预测评分矩阵的计算方式为：
[0138][0139]
式中，p
ik
为模型参数；
[0140]
qj为模型参数；
[0141]
p
ik
为用户i对于第k个图像生成模型的喜爱程度；
[0142]qkj
为第j个图像生成模型与第k个图像生成模型的符合程度；
[0143]rlfm
为目标用户生成待推荐列表；
[0144]
所述损失函数c的计算方式为：
[0145][0146]
式中，reg为正则化项；
[0147]rij
为用户—模型评分矩阵；
[0148]
为预测评分矩阵；
[0149]
p
ik
为模型参数；
[0150]
λ为最小常量；
[0151]
pi为用户i的用户向量矩阵；
[0152]
qi为第j个图像生成模型的评分矩阵；
[0153]
根据所述最优用户向量矩阵p与最优模型评分矩阵q，计算获取新的用户模型评分矩阵；
[0154]
根据所述新的用户模型评分矩阵，获取目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}。
[0155]
较佳的，所述推荐模型子模块33，还用于预设k值，并从所述图像生成模型数据集中随机选取k个用户特征向量作为初始质心；
[0156]
遍历获取初始聚类簇：遍历所述图像生成模型数据集中所有用户特征向量，计算所述用户特征向量分别至k个所述初始质心的k个第一距离；筛选获取k个所述第一距离中最小值对应的目标初始质心；将所述用户特征向量划分至所述目标初始质心，得到初始聚类簇；
[0157]
计算获取所述初始聚类簇的质心；
[0158]
判断所述初始聚类簇的质心是否稳定；若是，则确定所述初始聚类簇为最终的聚类簇；若否，则重复上述遍历获取初始聚类簇操作，直至所述质心稳定。
[0159]
较佳的，所述推荐模型子模块33，还用于根据所述聚类簇获取图像生成模型使用历史列表；
[0160]
获取当前聚类簇中用户总数m，根据所述聚类簇中用户总数m、聚类簇中各用户的权重值w
(ui)
、用户对图像生成模型评分r(i,j)计算获取所述图像生成模型使用历史列表中各图像生成模型的兴趣程度d(i,j)；
[0161]
所述图像生成模型使用历史列表中各图像生成模型的兴趣程度d(i,j)的计算方式为：
[0162][0163]
式中，d(i,j)为图像生成模型使用历史列表中各图像生成模型的兴趣程度；
[0164]
m为聚类簇中用户总数；
[0165]w(ui)
为聚类簇中各用户的权重值；
[0166]
r(i,j)为用户对图像生成模型评分；
[0167]
将所述图像生成模型使用历史列表中各图像生成模型依据兴趣程度由高至低排序后筛选获取基于群组特征的推荐列表r
cf
＝{b1,b2,...,b
10
}；
[0168]
将所述目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}、所述基于群组特征的推荐列表r
cf
＝{b1,b2,...,b
10
}及所述用户图像生成模型推荐列表r1＝(b1,b2,
…
,b
10
)进行融合计算得到目标用户推荐列表r；
[0169]
所述目标用户推荐列表r的计算方式为：
[0170]
r＝r
lfm
∪r
cf
∪r
1-(r
lfm
∩r
cf
∩r1)。
[0171]
综上，本发明提供的上述一种图像生成模型推荐系统，在具体应用时，首先首先利用模型训练模块，从内存中获取多个兴趣爱好数据与多个初始图像；基于兴趣爱好数据与初始图像训练得到图像生成模型，在具体实施过程中，利用爬虫技术从互联网中抓取兴趣爱好数据，然后根据兴趣爱好数据抓取初始图像；先利用爬虫从互联网抓取兴趣爱好数据，然后对兴趣爱好进行分类，同时根据分类后的兴趣爱好在互联网上抓取兴趣爱好对应图像，并建立兴趣爱好和图像相对应的兴趣——图像数据库。利用兴趣——图像数据库来训练clip模型，得到各个兴趣爱好对应的已训练clip模型。接下来是对扩散模型的训练，首先利用爬虫从互联网爬取海量图像，然后利用图像训练扩散模型，从而得到训练后的扩散模
型。将两组训练后的模型结合，就能得到训练完成的与各个兴趣爱好对应的clip模型+扩散模型，即与各个兴趣爱好对应的图像生成模型；
[0172]
然后通过用户输入模块采集获取用户兴趣爱好数据及用户属性数据；最终通过推荐生成模块将用户兴趣爱好数据输入图像生成模型，输出得到用户图像生成模型推荐列表r1＝(b1,b2,
…
,b
10
)后，通过隐语义模型(即lfm)，计算获取目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}；基于用户属性数据，计算获取基于群组特征的推荐列表r
cf
＝{b1,b2,...,b
10
}；将目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}、基于群组特征的推荐列表r
cf
＝{b1,b2,...,b
10
}及用户图像生成模型推荐列表r1＝(b1,b2,
…
,b
10
)进行融合计算得到目标用户推荐列表r；具体实施过程中，在用户进行使用系统时，采集用户的用户兴趣爱好数据及用户属性数据，将用户的用户兴趣爱好数据及用户属性数据输入图像生成模型，通过兴趣爱好对应推荐、矩阵分解推荐以及基于群组特征的协同过滤等三个方法结合起来进行推荐，从而得到用户推荐列表，保证推荐的模型更加的符合用户的兴趣爱好和需求。
[0173]
实施例二
[0174]
如图2所示，相应地，本发明还提出了一种图像生成模型推荐方法，包括如下操作步骤：
[0175]
步骤s10：从内存中获取多个兴趣爱好数据与多个初始图像；基于所述兴趣爱好数据与初始图像训练得到图像生成模型；
[0176]
需要说明的是，上述兴趣爱好数据是一种文本数据，兴趣爱好数据是利用爬虫技术从互联网中抓取得到的多个兴趣爱好数据；上述初始图像是利用爬虫技术从互联网中抓取得到的大量的初始图像；本发明实施例利用兴趣爱好数据与初始图像训练得到图像生成模型，方便后续根据用户兴趣爱好生成图像，从而实现个性化推荐。
[0177]
步骤s20：采集获取当前用户兴趣爱好数据及用户属性数据；
[0178]
所述用户属性信息包括姓名、年龄、学历、工作；
[0179]
需要说明的是，本发明实施例通过在用户进行使用系统时，用户填写属性数据之后，让用户填写兴趣爱好或者设置对应的兴趣爱好选项让用户选择兴趣爱好，获取用户的兴趣爱好。
[0180]
步骤s30：将所述当前用户兴趣爱好数据输入所述图像生成模型，输出得到用户图像生成模型推荐列表r1＝(b1,b2,
…
,b
10
)后，通过隐语义模型(即lfm)，计算获取目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}；基于所述用户属性数据，计算获取基于群组特征的推荐列表r
cf
＝{b1,b2,...,b
10
}；将所述目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}、所述基于群组特征的推荐列表r
cf
＝{b1,b2,...,b
10
}及所述用户图像生成模型推荐列表r1＝(b1,b2,
…
,b
10
)进行融合计算得到目标用户推荐列表r。
[0181]
解释说明：上述{b1,b2,...,b10}、{b1,b2,...,b20}指的是当前用户兴趣爱好对应的图像生成模型推荐列表；
[0182]
本发明实施例通过对用户兴趣爱好的采集，根据用户兴趣爱好分析形成图像生成模型推荐列表，向用户推荐已经训练好的图像生成模型生成的多个推荐图像。
[0183]
隐语义模型是一种推荐算法，推荐算法是计算机专业中的一种算法，通过一些数学算法，推测出用户可能喜欢的东西，应用推荐算法比较好的地方主要是网络。所谓推荐算法就是利用用户的一些行为，通过一些数学算法，推测出用户可能喜欢的东西；隐语义模型
(latent factor model，lfm)，lfm是在用户和物品的共现矩阵上，引入隐向量，用隐向量表示用户和物品，进而增强了模型表征稀疏数据的能力，lfm算法本质上还是属于矩阵分解算法；
[0184]
具体地，如图3或图4所示，图3为本发明实施例二提供的一种图像生成模型推荐方法中训练得到图像生成模型的操作流程示意图；图4为本发明实施例二提供的一种图像生成模型推荐方法中训练得到图像生成模型的操作流程模拟示意图；
[0185]
在步骤s10中，基于所述兴趣爱好数据与初始图像训练得到图像生成模型，包括如下操作步骤：
[0186]
步骤s11：建立clip模型；对所述兴趣爱好数据进行分类，获取分类后的兴趣爱好数据；
[0187]
步骤s12：根据所述分类后的兴趣爱好数据从所述初始图像中筛选获取与所述分类后的兴趣爱好数据对应的图像(对应的图像指的是从初始图像中筛选与分类后的兴趣爱好数据对应的图像，举例说明：兴趣爱好为猫，则兴趣爱好分类为宠物，则从初始图像中筛选宠物相关的图像)，将所述图像存储得到图像数据库；
[0188]
步骤s13：利用所述兴趣爱好数据与所述图像数据库对所述clip模型进行训练，得到训练好的clip模型；
[0189]
需要说明的是，上述clip模型可将兴趣爱好数据与图像进行一一对应，在步骤s11中在clip模型中输入兴趣爱好数据(文本数据)，在步骤s13中在clip模型中输入兴趣爱好数据对应的图像，利用兴趣爱好数据与兴趣爱好数据对应的图像对clip模型进行训练，得到的训练好的clip模型可将兴趣爱好数据与兴趣爱好数据对应的图像进行匹配，方便后续步骤根据文本生产图像。
[0190]
步骤s14：建立扩散模型；利用所述初始图像对所述扩散模型进行训练，得到训练好的扩散模型；
[0191]
步骤s15：将所述训练好的clip模型与所述训练好的扩散模型进行结合，得到图像生成模型；
[0192]
需要说明的是，本发明实施例通过大量的初始图像对扩散模型进行训练，得到训练好的扩散模型可以快速生成图像；利用兴趣爱好数据与兴趣爱好数据对应的图像对clip模型进行训练，得到训练好的clip模型可以保障兴趣爱好数据(文字信息)与图像匹配；进一步将训练好的clip模型与所述训练好的扩散模型进行结合，得到图像生成模型，可以保证输入文字能生成与之匹配的图像；
[0193]
本发明实施例所采用的技术方案，训练时先利用爬虫从互联网抓取兴趣爱好数据，然后对兴趣爱好进行分类，同时根据分类后的兴趣爱好在互联网上抓取兴趣爱好对应图像，比建立兴趣爱好和图像相对应的兴趣——图像数据库；利用兴趣——图像数据库来训练clip模型，得到各个兴趣爱好对应的已训练clip模型；接下来是对扩散模型的训练，首先利用爬虫从互联网爬取海量图像，然后利用图像训练扩散模型，从而得到训练后的扩散模型；将两组训练后的模型结合，就能得到训练完成的与各个兴趣爱好对应的clip模型+扩散模型，即与各个兴趣爱好对应的图像生成模型；
[0194]
上述图像生成模型是针对每个兴趣爱好训练的到的图像生成模型。
[0195]
具体地，如图5或图6所示，图5为本发明实施例二提供的一种图像生成模型推荐方
法中得到目标用户推荐列表r的操作流程示意图；图6为本发明实施例二提供的一种图像生成模型推荐方法中得到目标用户推荐列表r的操作流程模拟示意图；
[0196]
在步骤s30中，将所述当前用户兴趣爱好数据输入所述图像生成模型，输出得到用户图像生成模型推荐列表r1＝(b1,b2,
…
,b
10
)后，通过隐语义模型(即lfm)，计算获取目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}；基于所述用户属性数据，计算获取基于群组特征的推荐列表r
cf
＝{b1,b2,...,b
10
}；将所述目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}、所述基于群组特征的推荐列表r
cf
＝{b1,b2,...,b
10
}及所述用户图像生成模型推荐列表r1＝(b1,b2,
…
,b
10
)进行融合计算得到目标用户推荐列表r，包括如下操作步骤：
[0197]
步骤s31：将所述当前用户兴趣爱好数据与所述用户属性信息持久化保存至数据库中，得到用户信息数据集；
[0198]
步骤s32：将所述当前用户兴趣爱好数据输入所述图像生成模型，输出得到用户图像生成模型推荐列表r1＝(b1,b2,
…
,b
10
)；将所述用户图像生成模型推荐列表r1＝(b1,b2,
…
,b
10
)对应放入所述用户信息数据集，得到图像生成模型数据集；
[0199]
解释说明：上述本发明实施例所采用的技术是根据采集获取的当前用户兴趣爱好数据，从上述图像生成模型中搜索出与当前用户兴趣爱好数据对应的多个用户图像生成模型b1,b2,...,b10；
[0200]
步骤s33：根据所述图像生成模型数据集，获取用户图像生成模型使用数据；根据所述用户图像生成模型使用数据计算获取用户图像生成模型评分r(i,j)；根据所述用户对图像生成模型评分r(i,j)计算获取用户—模型评分矩阵r
ij
；基于所述用户—模型评分矩阵r
ij
通过lfm算法计算获取得到目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}；
[0201]
所述用户图像生成模型使用数据包括用户i对第j个用户图像生成模型的使用次数n(i,j)、用户i使用所有用户图像生成模型的总次数num(i)、注册用户数量tu、第i个用户图像生成模型被使用的总次数nu(j)；
[0202]
所述用户对图像生成模型评分r(i,j)的计算方式为：
[0203][0204]
式中，r(i,j)为用户i对第j个图像生成模型评分；
[0205]
n(i,j)为用户i对第j个用户图像生成模型的使用次数；
[0206]
num(i)为用户i使用所有用户图像生成模型的总次数；
[0207]
tu为注册用户数量；
[0208]
nu(j)为第j个用户图像生成模型被使用的总次数；
[0209]
所述用户—模型评分矩阵r
ij
的计算方式为：
[0210][0211]
解释说明：本发明实施例是基于tf-idf的思想，tf-idf是一种统计方法，用以评估
一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。tf-idf加权的各种形式常被搜索引擎应用，作为文件与用户查询之间相关程度的度量或评级。除了tf-idf以外，因特网上的搜索引擎还会使用基于链接分析的评级方法，以确定文件在搜寻结果中出现的顺序；
[0212]
将当前用户兴趣爱好数据转换为用户兴趣爱好—图像生成模型评分矩阵，用于lfm推荐；
[0213]
步骤s34：根据所述用户属性数据构建获取用户特征向量并计算获取所述用户特征向量的距离sim(i,j)；根据所述用户特征向量的距离sim(i,j)对所述图像生成模型数据集进行聚类，获取多个聚类簇；
[0214]
所述用户特征向量的距离sim(i,j)的计算方式为：
[0215][0216]
式中，为用户i的用户特征向量；
[0217]
为用户j的用户特征向量；
[0218]
需要说明的是，本发明实施例在lfm基础上利用聚类算法，从自然维度上考虑具有相似属性用户群体的图像生成模型偏好，根据协同过滤的思想产生基于群组特征的推荐列表；
[0219]
获取群组特征主要利用k-means聚类算法，k-means聚类算法：也叫k均值聚类算法(k-means clustering algorithm)，是一种迭代求解的聚类分析算法，其步骤是，预将数据分为k组，则随机选取k个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类，没有(或最小数目)聚类中心再发生变化，误差平方和局部最小。数据集中可用的用户特征包括年龄、性别、学历、工作、兴趣爱好等。
[0220]
步骤s35：根据各用户的图像生成模型使用数据计算获取聚类簇中各用户的权重值w
(ui)
；
[0221]
所述用户的图像生成模型使用数据包括用户i使用图像生成模型总次数fi、用户i使用图像生成模型种类数qi；
[0222]
所述聚类簇中各用户的权重值w
(ui)
的计算方式为：
[0223][0224]
式中，w
(ui)
为聚类簇中各用户的权重值；
[0225]fi
为用户i使用图像生成模型总次数；
[0226]
qi为用户i使用图像生成模型种类数；
[0227]
解释说明：聚类后得到的簇为特征相似的用户组，在一个群组中，每位成员的活跃度不同，其对于目标用户兴趣预测的参考价值也不同。活跃度高的用户偏好往往具有更高的参考价值，因此，对两个参数进行调和，通过用户使用图像生成模型总次数及用户使用图像生成模型种类数计算反映各用户在群组中的权重。
[0228]
步骤s36：将所述聚类簇与所述目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}进行融合，得到最终目标用户推荐列表r；
[0229]
具体地，如图7所示，在步骤s33中，基于所述用户—模型评分矩阵r
ij
通过lfm算法计算获取得到目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}，包括如下操作步骤：
[0230]
步骤s331：初始化建立用户向量矩阵p与模型评分矩阵q；根据所述用户向量矩阵p与模型评分矩阵q计算获取预测评分矩阵
[0231]
(预测评分矩阵即用户对模型的喜爱程度)；计算获取所述用户—模型评分矩阵r
ij
与所述预测评分矩阵的损失函数c；根据所述损失函数通过交替最小二乘法计算获取最优用户向量矩阵p与最优模型评分矩阵q；所述用户向量矩阵p表征用户i对于第k个图像生成模型的喜爱程度p
ik
；所述模型评分矩阵q表征第j个图像生成模型与第k个图像生成模型的符合程度q
kj
；
[0232]
需要说明的是，求解最优用户向量矩阵p时将最优模型评分矩阵q作为常量固定，反之求解最优模型评分矩阵q时将最优用户向量矩阵p作为常量固定。
[0233]
所述最优用户向量矩阵p与最优模型评分矩阵q指的是损失函数c最小值时的用户向量矩阵p与模型评分矩阵q；
[0234]
其中，所述预测评分矩阵的计算方式为：
[0235][0236]
式中，p
ik
为模型参数(对应为最优用户向量矩阵p)；
[0237]
qj为模型参数(对应为最优模型评分矩阵q)；
[0238]
p
ik
为用户i对于第k个图像生成模型的喜爱程度；
[0239]qkj
为第j个图像生成模型与第k个图像生成模型的符合程度；
[0240]rlfm
为目标用户生成待推荐列表；
[0241]
所述损失函数c的计算方式为：
[0242][0243]
式中，reg为正则化项；
[0244]rij
为用户—模型评分矩阵；
[0245]
为预测评分矩阵；
[0246]
p
ik
为模型参数(对应为最优用户向量矩阵p)；
[0247]
λ为最小常量；
[0248]
pi为用户i的用户向量矩阵；
[0249]
qi为第j个图像生成模型的评分矩阵；
[0250]
解释说明，本发明实施例在进行计算获取损失函数c时，利用平方损失函数，并加入正则化项，以防过拟合；平方损失函数在回归问题中是一种常见的优化目标，可以通过最小化预测值和真实值之间的差异来优化模型。而加入正则化项则是为了控制模型过拟合问题。平方损失函数结合正则化项可以达到同时优化模型拟合效果和泛化效果的目的。
[0251]
步骤s332：根据所述最优用户向量矩阵p与最优模型评分矩阵q，计算获取新的用户模型评分矩阵(即为新的稠密矩阵)；
[0252]
根据所述新的用户模型评分矩阵，获取目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}；
[0253]
需要说明的是，将上述最优用户向量矩阵p与最优模型评分矩阵q进行相乘即可得到新的稠密矩阵(即用户模型评分矩阵)；在原始评分矩阵(即上述用户—模型评分矩阵r
ij
)中没有进行评分的图像生成模型会通过最优用户向量矩阵p与最优模型评分矩阵q相乘被填充，作为用户对该没有进行评分的图像生成模型的预测评分；
[0254]
评分越高则用户对该图像生成模型的潜在兴趣程度越高，本发明实施例将用户模型评分矩阵中的图像生成模型评分根据评分由高到低排序，并选取评分最高的20个图像生成模型的评分对应的图像生成模型作为目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}。
[0255]
具体地，如图8所示，在步骤s34中，根据所述用户特征向量的距离sim(i,j)对所述图像生成模型数据集进行聚类，获取多个聚类簇；并计算用户在聚类簇中的权重值w
(ui)
，包括如下操作步骤：
[0256]
步骤s341：预设k值，并从所述图像生成模型数据集中随机选取k个用户特征向量作为初始质心；
[0257]
步骤s342：遍历获取初始聚类簇：遍历所述图像生成模型数据集中所有用户特征向量，计算所述用户特征向量分别至k个所述初始质心的k个第一距离；筛选获取k个所述第一距离中最小值对应的目标初始质心；将所述用户特征向量划分至所述目标初始质心，得到初始聚类簇；
[0258]
步骤s343：计算获取所述初始聚类簇的质心；
[0259]
步骤s344：判断所述初始聚类簇的质心是否稳定；若是，则确定所述初始聚类簇为最终的聚类簇；若否，则重复上述遍历获取初始聚类簇操作，直至所述质心稳定；
[0260]
需要说明的是，上述判断初始聚类簇的质心是否稳定指的是判断各个初始聚类簇中所有用户特征向量至质心的距离是否最短，当各个初始聚类簇中所有用户特征向量至质心的距离最短时代表初始聚类簇的质心稳定。
[0261]
具体地，如图9所示，在步骤s36中，将所述聚类簇与所述目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}进行融合，得到最终目标用户推荐列表，包括如下操作步骤：
[0262]
步骤s361：根据所述聚类簇获取图像生成模型使用历史列表；
[0263]
步骤s362：获取当前聚类簇中用户总数m，根据所述聚类簇中用户总数m、聚类簇中各用户的权重值w
(ui)
、用户对图像生成模型评分r(i,j)计算获取所述图像生成模型使用历史列表中各图像生成模型的兴趣程度d(i,j)；
[0264]
所述图像生成模型使用历史列表中各图像生成模型的兴趣程度d(i,j)的计算方式为：
[0265][0266]
式中，d(i,j)为图像生成模型使用历史列表中各图像生成模型的兴趣程度；
[0267]
m为聚类簇中用户总数；
[0268]w(ui)
为聚类簇中各用户的权重值；
[0269]
r(i,j)为用户对图像生成模型评分；
[0270]
步骤s363：将所述图像生成模型使用历史列表中各图像生成模型依据兴趣程度由高至低排序后筛选获取基于群组特征的推荐列表r
cf
＝{b1,b2,...,b
10
}；
[0271]
需要说明的是，本发明实施例将图像生成模型使用历史列表中各图像生成模型依据兴趣程度数值由高至低排序后，筛选其中兴趣程度数值最高的10个图像生成模型作为基于群组特征的推荐列表。
[0272]
步骤s364：将所述目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}、所述基于群组特征的推荐列表r
cf
＝{b1,b2,...,b
10
}及所述用户图像生成模型推荐列表r1＝(b1,b2,
…
,b
10
)进行融合计算得到目标用户推荐列表r；
[0273]
所述目标用户推荐列表r的计算方式为：
[0274]
r＝r
lfm
∪r
cf
∪r
1-(r
lfm
∩r
cf
∩r1)；
[0275]
解释说明，本发明实施例是以目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}为基础，去除基于群组特征的推荐列表r
cf
＝{b1,b2,...,b
10
}中与目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}以及用户图像生成模型推荐列表r1＝(b1,b2,
…
,b
10
)重复的图像生成模型，将剩余的图像生成模型作为最终的目标用户推荐列表r。
[0276]
综上所述，本发明实例提出的一种图像生成模型推荐系统及方法，首先首先利用模型训练模块，从内存中获取多个兴趣爱好数据与多个初始图像；基于兴趣爱好数据与初始图像训练得到图像生成模型，在具体实施过程中，利用爬虫技术从互联网中抓取兴趣爱好数据，然后根据兴趣爱好数据抓取初始图像；先利用爬虫从互联网抓取兴趣爱好数据，然后对兴趣爱好进行分类，同时根据分类后的兴趣爱好在互联网上抓取兴趣爱好对应图像，并建立兴趣爱好和图像相对应的兴趣——图像数据库。利用兴趣——图像数据库来训练clip模型，得到各个兴趣爱好对应的已训练clip模型。接下来是对扩散模型的训练，首先利用爬虫从互联网爬取海量图像，然后利用图像训练扩散模型，从而得到训练后的扩散模型。将两组训练后的模型结合，就能得到训练完成的与各个兴趣爱好对应的clip模型+扩散模型，即与各个兴趣爱好对应的图像生成模型；
[0277]
然后通过用户输入模块采集获取用户兴趣爱好数据及用户属性数据；最终通过推荐生成模块将用户兴趣爱好数据输入图像生成模型，输出得到用户图像生成模型推荐列表后(从图像生成模型中搜索出与当前用户兴趣爱好数据对应的多个用户图像生成模型)，通过隐语义模型(即lfm)，计算获取目标用户生成待推荐列表；基于用户属性数据，计算获取基于群组特征的推荐列表；将目标用户生成待推荐列表、基于群组特征的推荐列表及用户图像生成模型推荐列表进行融合计算得到目标用户推荐列表r；具体实施过程中，在用户进行使用系统时，采集用户的用户兴趣爱好数据及用户属性数据，将用户的用户兴趣爱好数据及用户属性数据输入图像生成模型，通过兴趣爱好对应推荐、矩阵分解推荐以及基于群组特征的协同过滤等三个方法结合起来进行推荐，从而得到用户推荐列表，保证推荐的模
型更加的符合用户的兴趣爱好和需求。
[0278]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；本领域的普通技术人员可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

技术特征：
1.一种图像生成模型推荐系统，其特征在于，包括图像生成模型训练模块、用户输入模块、推荐生成模块；其中，所述图像生成模型训练模块，用于从内存中获取多个兴趣爱好数据与多个初始图像；基于所述兴趣爱好数据与初始图像训练得到图像生成模型；所述用户输入模块，用于采集获取用户兴趣爱好数据及用户属性数据；所述推荐生成模块，用于将所述用户兴趣爱好数据输入所述图像生成模型，输出得到用户图像生成模型推荐列表后，通过隐语义模型，计算获取目标用户生成待推荐列表；基于所述用户属性数据，计算获取基于群组特征的推荐列表；将所述目标用户生成待推荐列表、所述基于群组特征的推荐列表及所述用户图像生成模型推荐列表进行融合计算得到目标用户推荐列表r。2.根据权利要求1所述的一种图像生成模型推荐系统，其特征在于，所述图像生成模型训练模块，具体用于建立clip模型；对所述兴趣爱好数据进行分类，获取分类后的兴趣爱好数据；根据所述分类后的兴趣爱好数据从所述初始图像中筛选获取与所述分类后的兴趣爱好数据对应的图像，将所述图像存储得到图像数据库；利用所述兴趣爱好数据与所述图像数据库对所述clip模型进行训练，得到训练好的clip模型；建立扩散模型；利用所述初始图像对所述扩散模型进行训练，得到训练好的扩散模型；将所述训练好的clip模型与所述训练好的扩散模型进行结合，得到图像生成模型。3.根据权利要求2所述的一种图像生成模型推荐系统，其特征在于，所述推荐生成模块，包括流通存储子模块、初始模型子模块、推荐模型子模块；所述流通存储子模块，用于将所述用户兴趣爱好数据与所述用户属性信息持久化保存至数据库中，得到用户信息数据集；所述初始模型子模块，用于将所述用户兴趣爱好数据输入所述图像生成模型，输出得到用户图像生成模型推荐列表；将所述用户图像生成模型推荐列表对应放入所述用户信息数据集，得到图像生成模型数据集；所述推荐模型子模块，用于根据所述图像生成模型数据集，获取用户图像生成模型使用数据；根据所述用户图像生成模型使用数据计算获取用户图像生成模型评分r(i,j)；根据所述用户对图像生成模型评分r(i,j)计算获取用户—模型评分矩阵r
ij
；基于所述用户—模型评分矩阵r
ij
通过lfm算法计算获取得到目标用户生成待推荐列表；所述图像生成模型使用数据包括用户i对第j个用户图像生成模型的使用次数n(i,j)、用户i使用所有用户图像生成模型的总次数num(i)、注册用户数量tu、第i个用户图像生成模型被使用的总次数nu(j)；根据所述用户属性数据构建获取用户特征向量并计算获取所述用户特征向量的距离sim(i,j)；根据所述用户特征向量的距离sim(i,j)对所述图像生成模型数据集进行聚类，获取多个聚类簇；根据各用户的图像生成模型使用数据计算获取聚类簇中各用户的权重值w
(ui)
；所述用户的图像生成模型使用数据包括用户i使用图像生成模型总次数f
i
、用户i使用
图像生成模型种类数q
i
；将所述聚类簇与所述目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}进行融合，得到最终目标用户推荐列表r。4.根据权利要求3所述的一种图像生成模型推荐系统，其特征在于，所述推荐模型子模块，在实施方案中，具体用于初始化建立用户向量矩阵p与模型评分矩阵q；根据所述用户向量矩阵p与模型评分矩阵q计算获取预测评分矩阵计算获取所述用户—模型评分矩阵r
ij
与所述预测评分矩阵的损失函数c；根据所述损失函数通过交替最小二乘法计算获取最优用户向量矩阵p与最优模型评分矩阵q；所述用户向量矩阵p表征用户i对于第k个图像生成模型的喜爱程度p
ik
；所述模型评分矩阵q表征第j个图像生成模型与第k个图像生成模型的符合程度q
kj
；根据所述最优用户向量矩阵p与最优模型评分矩阵q，计算获取新的用户模型评分矩阵；根据所述新的用户模型评分矩阵，获取目标用户生成待推荐列表。5.一种图像生成模型推荐方法，其特征在于，包括如下操作步骤：从内存中获取多个兴趣爱好数据与多个初始图像；基于所述兴趣爱好数据与初始图像训练得到图像生成模型；采集获取用户兴趣爱好数据及用户属性数据；所述用户属性信息包括姓名、年龄、学历、工作；将所述用户兴趣爱好数据输入所述图像生成模型，输出得到用户图像生成模型推荐列表r1＝(b1,b2,
…
,b
10
)后，通过隐语义模型，计算获取目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}；基于所述用户属性数据，计算获取基于群组特征的推荐列表r
cf
＝{b1,b2,...,b
10
}；将所述目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}、所述基于群组特征的推荐列表r
cf
＝{b1,b2,...,b
10
}及所述用户图像生成模型推荐列表r1＝(b1,b2,
…
,b
10
)进行融合计算得到目标用户推荐列表r。6.根据权利要求5所述的一种图像生成模型推荐方法，其特征在于，所述基于所述兴趣爱好数据与初始图像训练得到图像生成模型，包括如下操作步骤：建立clip模型；对所述兴趣爱好数据进行分类，获取分类后的兴趣爱好数据；根据所述分类后的兴趣爱好数据从所述初始图像中筛选获取与所述分类后的兴趣爱好数据对应的图像，将所述图像存储得到图像数据库；利用所述兴趣爱好数据与所述图像数据库对所述clip模型进行训练，得到训练好的clip模型；建立扩散模型；利用所述初始图像对所述扩散模型进行训练，得到训练好的扩散模型；将所述训练好的clip模型与所述训练好的扩散模型进行结合，得到图像生成模型。7.根据权利要求6所述的一种图像生成模型推荐方法，其特征在于，所述将所述用户兴趣爱好数据输入所述图像生成模型，输出得到用户图像生成模型推荐列表r1＝(b1,b2,
…
,b
10
)后，通过隐语义模型，计算获取目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}；基于所述用户属性数据，计算获取基于群组特征的推荐列表r
cf
＝{b1,b2,...,b
10
}；将所述目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}、所述基于群组特征的推荐列表r
cf
＝{b1,b2,...,
b
10
}及所述用户图像生成模型推荐列表r1＝(b1,b2,
…
,b
10
)进行融合计算得到目标用户推荐列表r，包括如下操作步骤：将所述用户兴趣爱好数据与所述用户属性信息持久化保存至数据库中，得到用户信息数据集；将所述用户兴趣爱好数据输入所述图像生成模型，输出得到用户图像生成模型推荐列表r1＝(b1,b2,
…
,b
10
)；将所述用户图像生成模型推荐列表r1＝(b1,b2,
…
,b
10
)对应放入所述用户信息数据集，得到图像生成模型数据集；根据所述图像生成模型数据集，获取用户图像生成模型使用数据；根据所述用户图像生成模型使用数据计算获取用户图像生成模型评分r(i,j)；根据所述用户对图像生成模型评分r(i,j)计算获取用户—模型评分矩阵r
ij
；基于所述用户—模型评分矩阵r
ij
通过lfm算法计算获取得到目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}；所述图像生成模型使用数据包括用户i对第j个用户图像生成模型的使用次数n(i,j)、用户i使用所有用户图像生成模型的总次数num(i)、注册用户数量tu、第i个用户图像生成模型被使用的总次数nu(j)；所述用户对图像生成模型评分r(i,j)的计算方式为：式中，r(i,j)为用户i对第j个图像生成模型评分；n(i,j)为用户i对第j个用户图像生成模型的使用次数；num(i)为用户i使用所有用户图像生成模型的总次数；tu为注册用户数量；nu(j)为第i个用户图像生成模型被使用的总次数；所述用户—模型评分矩阵r
ij
的计算方式为：根据所述用户属性数据构建获取用户特征向量并计算获取所述用户特征向量的距离sim(i,j)；根据所述用户特征向量的距离sim(i,j)对所述图像生成模型数据集进行聚类，获取多个聚类簇；所述用户特征向量的距离sim(i,j)的计算方式为：式中，为用户i的用户特征向量；为用户j的用户特征向量；
根据各用户的图像生成模型使用数据计算获取聚类簇中各用户的权重值w
(ui)
；所述用户的图像生成模型使用数据包括用户i使用图像生成模型总次数f
i
、用户i使用图像生成模型种类数q
i
；所述聚类簇中各用户的权重值w
(ui)
的计算方式为：式中，w
(ui)
为聚类簇中各用户的权重值；f
i
为用户i使用图像生成模型总次数；q
i
为用户i使用图像生成模型种类数；将所述聚类簇与所述目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}进行融合，得到最终目标用户推荐列表r。8.根据权利要求7所述的一种图像生成模型推荐方法，其特征在于，所述基于所述用户—模型评分矩阵r
ij
通过lfm算法计算获取得到目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}，包括如下操作步骤：初始化建立用户向量矩阵p与模型评分矩阵q；根据所述用户向量矩阵p与模型评分矩阵q计算获取预测评分矩阵计算获取所述用户—模型评分矩阵r
ij
与所述预测评分矩阵的损失函数c；根据所述损失函数通过交替最小二乘法计算获取最优用户向量矩阵p与最优模型评分矩阵q；所述用户向量矩阵p表征用户i对于第k个图像生成模型的喜爱程度p
ik
；所述模型评分矩阵q表征第j个图像生成模型与第k个图像生成模型的符合程度q
kj
；所述最优用户向量矩阵p与最优模型评分矩阵q指的是损失函数c最小值时的用户向量矩阵p与模型评分矩阵q；其中，所述预测评分矩阵的计算方式为：式中，p
ik
为模型参数；q
j
为模型参数；p
ik
为用户i对于第k个图像生成模型的喜爱程度；q
kj
为第j个图像生成模型与第k个图像生成模型的符合程度；r
lfm
为目标用户生成待推荐列表；所述损失函数c的计算方式为：式中，reg为正则化项；r
ij
为用户—模型评分矩阵；为预测评分矩阵；p
ik
为模型参数；λ为最小常量；
pi为用户i的用户向量矩阵；qi为第j个图像生成模型的评分矩阵；根据所述最优用户向量矩阵p与最优模型评分矩阵q，计算获取新的用户模型评分矩阵；根据所述新的用户模型评分矩阵，获取目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}。9.根据权利要求8所述的一种图像生成模型推荐方法，其特征在于，所述根据所述用户特征向量的距离sim(i,j)对所述图像生成模型数据集进行聚类，获取多个聚类簇；并计算用户在聚类簇中的权重值w
(ui)
，包括如下操作步骤：预设k值，并从所述图像生成模型数据集中随机选取k个用户特征向量作为初始质心；遍历获取初始聚类簇：遍历所述图像生成模型数据集中所有用户特征向量，计算所述用户特征向量分别至k个所述初始质心的k个第一距离；筛选获取k个所述第一距离中最小值对应的目标初始质心；将所述用户特征向量划分至所述目标初始质心，得到初始聚类簇；计算获取所述初始聚类簇的质心；判断所述初始聚类簇的质心是否稳定；若是，则确定所述初始聚类簇为最终的聚类簇；若否，则重复上述遍历获取初始聚类簇操作，直至所述质心稳定。10.根据权利要求9所述的一种图像生成模型推荐方法，其特征在于，所述将所述聚类簇与所述目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}进行融合，得到最终目标用户推荐列表，包括如下操作步骤：根据所述聚类簇获取图像生成模型使用历史列表；获取当前聚类簇中用户总数m，根据所述聚类簇中用户总数m、聚类簇中各用户的权重值w
(ui)
、用户对图像生成模型评分r(i,j)计算获取所述图像生成模型使用历史列表中各图像生成模型的兴趣程度d(i,j)；所述图像生成模型使用历史列表中各图像生成模型的兴趣程度d(i,j)的计算方式为：式中，d(i,j)为图像生成模型使用历史列表中各图像生成模型的兴趣程度；m为聚类簇中用户总数；w
(ui)
为聚类簇中各用户的权重值；r(i,j)为用户对图像生成模型评分；将所述图像生成模型使用历史列表中各图像生成模型依据兴趣程度由高至低排序后筛选获取基于群组特征的推荐列表r
cf
＝{b1,b2,...,b
10
}；将所述目标用户生成待推荐列表r
lfm
＝{b1,b2,...,b
20
}、所述基于群组特征的推荐列表r
cf
＝{b1,b2,...,b
10
}及所述用户图像生成模型推荐列表r1＝(b1,b2,
…
,b
10
)进行融合计算得到目标用户推荐列表r；所述目标用户推荐列表r的计算方式为：r＝r
lfm
∪r
cf
∪r
1-(r
lfm
∩r
cf
∩r1)。

技术总结
本发明公开了一种图像生成模型推荐系统及方法，所述方法包括从内存中获取多个兴趣爱好数据与多个初始图像；基于兴趣爱好数据与初始图像训练得到图像生成模型；采集获取用户兴趣爱好数据及用户属性数据；将用户兴趣爱好数据输入图像生成模型，输出得到用户图像生成模型推荐列表后，通过隐语义模型，计算获取目标用户生成待推荐列表；基于用户属性数据，计算获取基于群组特征的推荐列表；将目标用户生成待推荐列表、基于群组特征的推荐列表及用户图像生成模型推荐列表进行融合计算得到目标用户推荐列表R。户推荐列表R。户推荐列表R。


技术研发人员：于中阳 陈平 王亚菁 张萌飞 杨文辉
受保护的技术使用者：上海芯赛云计算科技有限公司
技术研发日：2023.05.22
技术公布日：2023/9/6