基于卷积特征与加权随机游走的个性化标签推荐方法及系统

摘要

本发明公开了一种基于卷积特征与加权随机游走的个性化标签推荐方法及系统，包括：将设定的测试图像输入到预训练的卷积神经网络中，将卷积神经网络中卷积层的输出作为图像的视觉特征；对视觉特征进行编码，将图像转换为视觉特征向量；寻找测试图像的k个近邻图像作为给测试图像推荐标签的数据集；建立加权图像—标签二分图模型，通过改进的加权随机游走算法计算每一个标签相对于测试图像的相关度；选取相关度最高的前N个标签推荐给测试图像。本发明有益效果：提出了改进的加权随机游走算法来计算所有标签相对于指定图像的相关度，根据相关度对标签推荐进行排序，可以有效提高标签推荐的准确性。

权利要求

1.一种基于卷积特征与加权随机游走的个性化标签推荐方法，其特征在于，包括：将设定的测试图像输入到预训练的卷积神经网络中，将卷积神经网络中卷积层的输出作为图像的视觉特征；

对视觉特征进行编码，将图像转换为视觉特征向量；

通过所述视觉特征向量以及群组元数据信息寻找测试图像的k个近邻图像作为给测试图像推荐标签的数据集；

建立加权图像—标签二分图模型，通过改进的加权随机游走算法计算每一个标签相对于测试图像的相关度；所述改进的加权随机游走算法的加权随机游走公式：其中，PR(i)为节点i相对于测试图像的相关度，PR(j)为节点j相对于测试图像的相关度、d为用户跳转访问的概率、out(j)指被网页j超链接的网页集合、in(i)指超链接到网页i的所有网页集合，u代表输入图像节点，意味着每次都从输入图像节点出发进行游走；当j属于标签节点时，ωj的值为1，当j属于近邻图像节点时，为ωj赋上近邻图像相对于测试图像的投票权重y，y表示测试图像与所述数据集中图像的相关性分值；

选取相关度最高的前N个标签推荐给测试图像。

2.如权利要求1所述的一种基于卷积特征与加权随机游走的个性化标签推荐方法，其特征在于，将设定的测试图像输入到预训练的卷积神经网络中，将卷积神经网络中卷积层的输出作为图像的视觉特征；具体为：将测试图像的尺寸调整为适合卷积神经网络的n×n的大小后，输入到预训练的L层卷积神经网络中；

通过网络的前向传播，在第i个卷积层Li，前一层的特征通过卷积核后，从卷积的结果得到大小为nl×nl×dl的特征图Ml；其中，dl为Li层的卷积核个数；

在特征图Ml的每一个(i,j)位置上，得到一个dl维的向量

最终，获得测试图像在卷积层Li中的nl×nl个局部特征向量。

3.如权利要求1所述的一种基于卷积特征与加权随机游走的个性化标签推荐方法，其特征在于，对视觉特征进行编码，将图像转换为视觉特征向量；具体为：采用VLAD编码将局部特征向量编码为单个视觉特征向量；所述VLAD编码通过把测试图像在某一层上提取的卷积特征计算成k个dl维向量,从而把对测试图像的处理转换为对k个向量的处理。

4.如权利要求1所述的一种基于卷积特征与加权随机游走的个性化标签推荐方法，其特征在于，寻找测试图像的k个近邻图像作为给测试图像推荐标签的数据集，具体为：通过计算数据集中的所有图像在Li的特征向量x，获得所有图像的特征向量表X；所述Li为第i个卷积层；

计算测试图像在Li的特征向量xp，然后计算xp与特征向量表X中所有特征向量的欧式距离，作为视觉相似性数据；

计算测试图像与数据集中图像的所属群组共现系数归一化分数作为群组相似性数据；

将视觉相似性数据与群组相似性数据进行线性加权，计算数据集中的图片相对于测试图像的相关性；

将相关性结果从小到大进行排序，选取前k个图像作为近邻图像。

5.如权利要求4所述的一种基于卷积特征与加权随机游走的个性化标签推荐方法，其特征在于，将每个近邻图像的相关性结果进行最小最大归一化，作为近邻图像给测试图像的投票权重；根据权重建立加权图像—标签二分图模型。

6.如权利要求1所述的一种基于卷积特征与加权随机游走的个性化标签推荐方法，其特征在于，通过改进的加权随机游走算法得到的是所有的标签和近邻图像相对于输入图像的相关度，选取相关度最高的几个标签推荐给输入图像。

7.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-6任一项所述的基于卷积特征与加权随机游走的个性化标签推荐方法。

8.一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-6任一项所述的基于卷积特征与加权随机游走的个性化标签推荐方法。

说明书

基于卷积特征与加权随机游走的个性化标签推荐方法及系统

技术领域

[0001] 本发明属于多媒体数据的标签推荐技术领域，尤其涉及一种基于卷积特征与加权随机游走的个性化标签推荐方法及系统。

背景技术

[0002] 本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

[0003] 近年来，随着多媒体数据的爆炸式增长，给多媒体数据添加关键字(标签)的行为已经成为一种流行的管理各种互联网资源的方法，例如给互联网页面、学术出版物和多媒体对象(音频、图像、视频)等资源添加标签。标签提供给数据有意义的描述符，并允许用户组织和索引相应的内容。将标签或关键字分配给图像、音乐或视频剪辑，这些都改变了用户检索各种互联网资源的方式。

[0004] 发明人发现，随着上传到互联网上的社交图像数量的快速增长，照片分享网站拥有更丰富的元数据信息，在增加图片信息量的同时，用户可以更方便地组织和访问共享的媒体内容，而如何从上传的大量照片中检索符合特定用户需求的图像成为现在的难点。具体来说，图像检索从基于内容和基于标签两种方式得到了广泛研究，前者依赖于从图像中提取的视觉描述符，旨在返回与用户指定的示例图像最匹配的图像，后者主要根据分配给图像的标签返回相同标注的图像。

[0005] 获取高质量的图像标注，无论是手动的还是自动的，一直是基于标签的图像检索的主要障碍，而如今在图像共享社区中，用户上传图像时附带的标注已经成为一种有价值的图像标签来源。因此，基于标签的图像检索技术(TagIR)变得越来越重要。但是基于标签的图像检索的前提是图像已经被相关的标签标注。现有的研究表明，许多图片媒体共享社区中上传图像附带的许多标签并不准确，实际上将近50％分配给图片的标签都是不相关的。此外，标签的重要性与当前的标签列表顺序并无联系，当前的标签列表的顺序仅仅是根据输入的顺序，而几乎从不利用重要性或相关性进行排列。目前的主流研究工作主要关注从图像的视觉特征中对文本标记建立联系，没有考虑到互联网中图像附带的元数据信息与图像标签之间潜在的联系。

发明内容

[0006] 为了解决上述问题，本发明提出一种基于卷积特征与加权随机游走的个性化标签推荐方法及系统，采用了图像在卷积神经网络中卷积层输出作为图像的视觉特征，通过对视觉特征编码，将图像转换为视觉特征向量，通过特征向量以及群组元数据信息寻找视觉近邻；在近邻图像与对应标签构成的图像-标签二分图上执行加权随机游走算法，通过近邻的标签为图像进行个性化标签推荐。

[0007] 在一些实施方式中，采用如下技术方案：

[0008] 一种基于卷积特征与加权随机游走的个性化标签推荐方法，包括：

[0009] 将设定的测试图像输入到预训练的卷积神经网络中，将卷积神经网络中卷积层的输出作为图像的视觉特征；

[0010] 对视觉特征进行编码，将图像转换为视觉特征向量；

[0011] 通过视觉特征向量以及群组元数据信息寻找测试图像的k个近邻图像作为给测试图像推荐标签的数据集；

[0012] 建立加权图像—标签二分图模型，通过改进的加权随机游走算法计算每一个标签相对于测试图像的相关度；

[0013] 选取相关度最高的前N个标签推荐给测试图像。

[0014] 进一步地，将设定的测试图像输入到预训练的卷积神经网络中，将卷积神经网络中卷积层的输出作为图像的视觉特征；具体为：

[0015] 将测试图像的尺寸调整为适合卷积神经网络的n×n的大小后，输入到预训练的L层卷积神经网络中；

[0016] 通过网络的前向传播，在第i个卷积层Li，前一层的特征通过卷积核后，从卷积的结果得到大小为nl×nl×dl的特征图Ml；其中，dl为Li的卷积核个数；

[0017] 在特征图Ml的每一个(i,j)位置上，得到一个dl维的向量

[0018] 最终，获得测试图像在卷积层Li中的nl×nl个局部特征向量。

[0019] 进一步地，对视觉特征进行编码，将图像转换为视觉特征向量；具体为：采用VLAD编码将局部特征向量编码为单个视觉特征向量；所述VLAD编码通过把测试图像在某一层上l提取的卷积特征计算成k个d维向量,从而把对测试图像的处理转换为对k个向量的处理。

[0020] 进一步地，寻找测试图像的k个近邻图像作为给测试图像推荐标签的数据集，具体为：

[0021] 通过计算数据集中的所有图像在Li的特征向量x，获得所有图像的特征向量表X；

[0022] 计算测试图像在Li的特征向量xp，然后计算xp与特征向量表X中所有特征向量的欧式距离，作为视觉相似性数据；

[0023] 计算测试图像与数据集中图像的所属群组共现系数归一化分数作为群组相似性数据；

[0024] 将视觉相似性数据与群组相似性数据进行线性加权，计算数据集中的图片相对于测试图像的相关性；

[0025] 将相关性结果从小到大进行排序，选取前k个图像作为近邻图像。

[0026] 进一步地，将每个近邻图像的相关性结果进行最小最大归一化，作为近邻图像给测试图像的投票权重；根据权重建立加权图像—标签二分图模型。

[0027] 进一步地，通过改进的加权随机游走算法计算每一个标签相对于测试图像的相关度，具体为：

[0028]

[0029] 其中，PR(i)为节点i相对于测试图像的相关度，PR(j)为节点j相对于测试图像的相关度、d为用户跳转访问的概率、out(j)指被网页j超链接的网页集合、in(i)指超链接到网页i的所有网页集合；

[0030] u代表输入图像节点，意味着每次都从输入图像节点出发进行游走；当j属于标签节点时，ωj的值为1，当j属于近邻图像节点时，为ωj附上近邻图像相对于测试图像的投票权重。

[0031] 进一步地，通过改进的加权随机游走算法得到的是所有的标签和近邻图像相对于输入图像的相关度，选取相关度最高的几个标签推荐给输入图像。

[0032] 在另一些实施方式中，采用如下技术方案：

[0033] 一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的基于卷积特征与加权随机游走的个性化标签推荐方法。

[0034] 在另一些实施方式中，采用如下技术方案：

[0035] 一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行上述的基于卷积特征与加权随机游走的个性化标签推荐方法。

[0036] 与现有技术相比，本发明的有益效果是：

[0037] 1、提出了由标签与图像组成的二分图模型，并将其用于数据的建模，结合群组信息与图像视觉特征的近邻选取方法，通过群组信息与图像视觉特征来确定近邻图像及其权重，提出了加权近邻图像-标签二分图模型，建立图像元数据信息与图像标签之间的潜在联系。

[0038] 2、提出了改进的加权随机游走算法来计算所有标签相对于指定图像的相关度，根据相关度对标签推荐进行排序，可以有效提高标签推荐的准确性。

附图说明

[0039] 构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

[0040] 图1为实施例一中获取视觉特征向量示意图；

[0041] 图2(a)-(c)为实施例一中群组信息对于图像近邻选取的影响示意图；

[0042] 图3为实施例一中加权近邻标签二分图的建立示意图；

[0043] 图4为实施例一中不同层的性能对比示意图；

[0044] 图5为实施例一中不同λ值下的近邻图像相关性对比示意图。

[0045] 图6为实施例一中不同标签推荐个数对NDCG值的影响示意图；

[0046] 图7为实施例一中群组信息与加权随机游走对标签推荐的影响示意图；

[0047] 图8为实施例一中不同方法推荐的标签结果比较示意图。

具体实施方式

[0048] 应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

[0049] 需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

[0050] 实施例一

[0051] 在一个或多个实施方式中，公开了一种基于卷积特征与加权随机游走的个性化标签推荐方法，包括以下步骤：

[0052] (1)将设定的测试图像输入到预训练的卷积神经网络中，将卷积神经网络中卷积层的输出作为图像的视觉特征；

[0053] 通过训练多层卷积滤波器，CNN能够自动学习复杂的特征进行对象识别，针对图像分类任务训练的CNN可以用于提取其他视觉识别任务的通用特征。

[0054] 给定一张测试图像，首先将其尺寸调整为适合网络的n×n的大小，然后输入到预训练的L层卷积神经网络CNN中，再通过网络的前向传播，由图1可以看出，在第i个卷积层l l l l lLi，前一层的特征通过卷积核后，从卷积的结果得到大小为n ×n×d的特征图M ，这里d 意味着Li的卷积核个数，在特征图Ml的每一个(i,j)位置上，其中0≤i≤nl-1，0≤j≤nl-1，得到一个dl维的向量 通过这种方式，获得输入图像在卷积层Li中的nl×nl个局部视觉特征，

[0055] 在我们的工作中，需要研究各层的卷积结果对图像特征提取性能的研究，因此保存了每一层通过卷积核获得的特征：{F1,F2,···,FL}。

[0056] (2)对视觉特征进行编码，将图像转换为视觉特征向量；

[0057] 由于CNN是为分类任务而训练的，其中来自最高层或者次高层的特征通常用于决策，因为它们捕获的更多的是分类级别的语义特征。从低层可以捕获更多的目标局部特征，而对象的局部特征在更高层的网络上没有得到很好的保留，所以在实例级的图像检索中相对于从高层提取的特征表现的更好，这表明直接将为分类任务设计的最后一层或更高的层应用于实例级图像检索不是最佳选择。因为需要将来自相似类别的不同对象区分开来。所以，对于实例级图像检索任务来说，从哪一层提取特征是一个问题。

[0058] 由于CNN网络中提取的特征直接用于实例级的图像检索较为复杂，因此对特征进行编码以实现高效检索，由于每张图像包含一组低维特征向量，其结构与密集SIFT相似，因此使用VLAD编码将这些特征向量编码为单个特征向量。VLAD编码可以有效地将局部特征编码到单个描述符中，同时在检索精度和内存占用之间取得良好的平衡。

[0059] VLAD编码类似于构建BoW直方图。将Li中的nl×nl个卷积特征进行L2标准化，在标准化的特征上执行K-Means聚类获得一个拥有k个视觉词汇的词汇表 Li提取的特征 通过计算距离大小被最近的词汇 获得。对于每一个视觉词汇 为分配到 的所有特征计算 与 之间的矢量残差： VLAD算法通过把图像Li在某一层上l l l l提取的卷积特征计算成k个d维向量v ,从而把对图像的处理转换为对k个d 维向量v的处理。在图像第Li层上的VLAD编码用公式表示为：

[0060]

[0061] 公式中 表示视觉词汇 与属于这个词汇的所有卷积特征 的累积l l
残差，将v展开得到k×d的长向量x，将其作为输入图像的特征向量，即图像用x表示。

[0062] (3)寻找测试图像的k个近邻图像作为给测试图像推荐标签的数据集；

[0063] 针对图像标签个性化推荐，图像的近邻不是选取视觉上最相似的图像，而是表达同样主题的相关图像。因此在近邻的选取过程中不仅需要考虑图像视觉相似性，还应该考虑图像所属群组元数据的信息。群组对于图像间相关性的作用通过图2(a)-(c)体现，其中，图2(a)的标签列表包括：Baikal、ice、lack、winter、frozen；图2(b)的标签列表包括：Baikal、shore、ice、lack、winter、rock、winter；图2(c)的标签列表包括：cliff、sea、shore、wave、rock、cloud；从图中可以看出尽管图2(b)与图2(c)在视觉上更相似，但是图2(b)却和图2(a)同属于一个群组。通过标签列表可以发现，图2(a)与图2(b)之间的标签更为相似，从侧面说明了，相同的群组包含了更相关主题，其中的图片也更加相关。

[0064] 1)视觉相似性

[0065] 通过计算数据集(通过爬取Flickr网站的数据获得)中的所有图像在Li的特征向量x，我们获得所有图像的特征向量表X，对于测试图像p来说，首先计算p在Li的特征向量xp，然后计算xp与X中所有特征向量的欧式距离：

[0066]

[0067] 公式中ρ为两幅图像的视觉距离，xi、pi为两幅图像的d维特征向量。将ρ值映射到0-1之间。

[0068] 2)群组相似性

[0069] 计算测试图像与视觉近邻图像的所属群组共现系数归一化分数。

[0070]

[0071] 其中，所属群组是预先知道的，用户信息中就包含了群组信息；共现系数取值为含有两个图片的群组交集数除以两个图片的群组并集数。Jaccard系数用于度量两个图片之间的在群组元数据上的相似性。

[0072] 3)近邻形式化表示

[0073] 通过计算测试图像与数据集中图像的视觉相似性与群组相似性，将视觉相似性与群组相似性进行线性加权来计算数据集中的图片相对于测试图片的相关性，用公式表示为：

[0074] y＝λ*(1-ρ)+(1-λ)*J   (4)

[0075] 其中，y表示测试图像与数据集中图像的相关性得分，λ系数权重。

[0076] 将相关性得分从小到大进行排序，选取前k个图像作为近邻图像，并将每个近邻的相关性得分进行最小最大归一化作为近邻图片给测试图片的投票权重。

[0077] (4)建立加权图像—标签二分图模型，通过改进的加权随机游走算法计算每一个标签相对于测试图像的相关度；

[0078] (5)选取相关度最高的前N个标签推荐给测试图像。

[0079] 根据y值大小获得的前k个近邻图像，我们为之建立加权近邻标签二分图，权重大小为Y值，假设我们有以下的近邻图像集，过程如图3所示。

[0080] 其中图像photo＝[A,B,C,D]为近邻图像集，前面数值为各个图像相对于图像A的相关性分数y，标签tag＝[a,b,c,d,e]为标签集。

[0081] Pagerank随机游走算法是用来计算互联网中每个网页的访问热度的算法，算法为网页打分进而进行网页排名，其基本思想是互联网中每个网页通过超链接相互联系，用户可以通过一个网页的超链接跳转访问另一个网页，互联网中的网页便构成了一张图的各个节点，一个用户访问一个网页时有两种选择，一是停留在当前页面，二是通过当前页面所包含的超链接跳转到其它网页进行访问。如果用户跳转访问的概率为d，则停留在当前网页的概率为1-d。假设用户通过当前网页的超链接均匀的访问其它的网页时，就构成了随机游走的过程，当大量用户多次的访问互联网中的各个网页后，那么每个网页被访问到的概率将会收敛到一定的值，通过这个值便可以进行网页排名，这个随机游走的过程用公式表示为：

[0082]

[0083] 公式中PR(i)指网页i被访问到的概率，d为用户跳转访问的概率，N为互联网中网页的数量，in(i)指超链接到网页i的所有网页集合，out(j)指被网页j超链接的网页集合。网页i的访问概率包含两个部分：第一部分是用户初始访问i并停留下来的概率： 第二部分是用户通过其他网页的超链接访问到i的概率： 这两部分构成了网页i的访问概率。

[0084] 在pagerank算法中，计算的是图中每个顶点相对其它各个顶点的相关度，然而在我们的工作中，需要的是所有标签相对于输入图片的相关性，同时还需要考虑近邻图像相对于输入图像的相关性(近邻权重)，因此在pagerank算法基础上，改进为如下加权随机游走公式：

[0085]

[0086]

[0087] 和pagerank算法相比有两处不同，第一是ri的取值，u代表我们的输入图像节点，意味着我们每次都从输入图像节点出发进行游走；第二是ωj取值，当j属于标签节点时，我们忽略此参数，当j属于近邻图像节点时，为ωj附上近邻图像相对于输入图像的权值y，算法得出的结果是所有顶点(包括标签和图像)相对于输入图片的相关度，将相关度最高的几个标签推荐给输入图像。

[0088] 实验验证

[0089] 实验的数据集包含了需要的群组元数据信息，即一幅图像被多个群组共享，我们在扩展的数据集基础上进行实验。首先，我们需要将数据集中的图像转换为视觉特征向量，在此我们选用了经典的AlexNet卷积神经网络结构，网络包含了五个卷积层与两个全连接层，网络参数的训练我们使用了ImageNet数据集，在训练好参数的网络上进行了实验。

[0090] 将数据集中的所有图片输入网络提取每个卷积层的特征，进行VLAD编码，将每个卷积层的所有特征进行K-Means聚类，将聚类值k设为100，因此在每个卷积层获得100个视觉词汇，为每个视觉词汇计算残差 获得每个图像在每个卷积层的VLAD编码，将编码展开成长向量，得到每个图像在每个卷积层下的特征向量。

[0091] 输入测试图像，提取每一层的卷积特征，通过相应层的视觉词汇计算残差进行VLAD编码，展开后获得测试图像的特征向量，通过计算欧式距离，我们选取距离最小的前15张图像通过MAP比较输入图像和选取的图像的相关性。

[0092] 由图4中可以看出，第五个卷积层(conv5)提取的图像特征在视觉近邻的选取中相较其他层表现更好，因此通过AlexNet网络第五个卷积层进行图像特征的提取，以此来选取近邻。

[0093] 公式(4)参数可以通过训练数据得到，对于输入图像I，我们将λ的值从0.1到0.9以步长0.2递增，计算不同取值时得到的近邻图像与训练图像的相关性。类似地，输入其余图像，将各个群组的图像在不同参数下的相关性取均值进行比较，对比结果如图5所示。

[0094] 从图5中可以看出，当λ值设为0.4时，得到的近邻图像与输入图像更相关，同时与图4对比发现，结合了视觉信息和群组信息得到的近邻相关性明显高于仅基于视觉信息获得的近邻相关性。

[0095] 为了验证本实施例方法的效果，进行了如下验证：

[0096] (1)通过设置不同的标签推荐个数来对比标签推荐个数对推荐结果的影响，如图6所示；从图6中可以看出，当标签推荐个数为10的时候可以取得更好的标签推荐效果。

[0097] (2)根据近邻的选取是否考虑群组信息，以及随机游走是否考虑近邻的权重，用四种方式进行对比。我们用A、a表示考虑与不考虑群组信息，用B、b表示考虑与不考虑近邻的权重，则有AB、Ab、aB、ab四种组合。四种组合对推荐标签的影响如图7所示；从图7可以看出结合了群组信息与权重的标签推荐获得了最好的效果。同时通过对比Ab与ab可以得出群组信息在标签推荐中产生的积极作用；对比aB与ab可以得出近邻权重在标签推荐中的积极作用。

[0098] (3)本实施例基于卷积特征的加权随机游走算法相对其他方法的比较如图8所示，可以看出，本实施例方法性能更为优越。通过个性化标签推荐算法为图像推荐标签后进行图像搜索，计算P(查准率)、R(查全率)、F1(基于查准率和查全率的调和平均)和MAP(平均精度均值)来评估各个方法的推荐效果，如表1所示。

[0099] 表1利用P,R,F1和MAP进行图像标签推荐结果对比

[0100]

[0101] 从表1中可以看出，通过本实施例方法为图像附上推荐标签后，图像检索性能在P，R，F1值和MAP四种评价指标上都优于其他方法，证明了本实施例方法较其他方法的优越性，结合群组信息和视觉特征能够得到更为相关的近邻图像，并且通过加权随机游走算法可以有效提高标签的准确性。

[0102] 实施例二

[0103] 在一个或多个实施方式中，公开了一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行实施例一中所述的一种基于卷积特征与加权随机游走的个性化标签推荐方法。为了简洁，在此不再赘述。

[0104] 应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

[0105] 计算机可读存储介质可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

[0106] 在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。

[0107] 结合实施例一中的方法步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

[0108] 本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

[0109] 上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。