一种首图推荐方法、装置及存储介质

技术领域

本申请涉及图片推荐领域，尤其涉及一种首图推荐方法、装置及存储介质。

背景技术

陌生人社交场景中，首页图片选择的合适程度是影响用户能否匹配成功的关键因素之一。然而，大多用户在首图选择时并不确定何种图片更容易受到相似类型的用户欢迎，对吸引力较弱的首图的曝光无法增加用户的社交几率，使得用户在社交平台上产生大量无效曝光，受欢迎几率难以提升。

发明内容

有鉴于此，本申请提供一种首图推荐方法、装置及可存储介质，以提高用户首图被喜爱的几率，减少曝光浪费。

本发明第一方面提供一种首图推荐方法，包括：

获取使用用户的至少两张备选图片；

确定所述至少两张备选图片的分值；

基于所述分值选择所述至少两张备选图片中的一张作为首图展示；

以浏览用户对展示的所述使用用户的备选图片的反馈调整所述使用用户的图片评价模型，使得所述分值随所述浏览用户对所述使用用户的备选图片反馈变化，直至所述备选图片的分值的变化稳定在第一阈值内；

以所述备选图片的分值变化稳定在第一阈值内的图片评价模型作为所述使用用户的首图推荐模型；

基于所述首图推荐模型确定所述使用用户的首图。

在一些实施例中，所述图片评价模型至少由第一参数及第二参数控制，若所述浏览用户对所述使用用户展示的所述备选图片提供正向反馈，则调整所述第一参数，若所述浏览用户对所述使用用户展示的所述备选图片未提供正向反馈，则调整所述第二参数。

在一些实施例中，所述基于所述分值选择所述至少两张备选图片中的一张作为首图展示：

计算所述分值的展示概率，选择当前时刻的展示概率最高的所述备选图片作为展示图片；

若所述展示图片随着当前时刻所述浏览用户对所述展示图片的反馈，使得所述展示图片的分值低于所述使用用户的其他备选图片，则低于所述使用用户的其他备选图片的所述展示图片的展示概率有更高的概率低于所述使用用户的其他备选图片的展示概率。

在一些实施例中，所述图片评价模型为，采用贝塔分布的概率密度函数计算所述至少两张备选图片的分值；

所述以浏览用户对展示的所述使用用户的备选图片的反馈调整所述使用用户的图片评价模型，使得所述分值随所述浏览用户对所述使用用户的备选图片反馈变化包括：

若所述浏览用户对所述使用用户的备选图片提供正向反馈，则提高所述贝塔分布的概率密度函数中阿法的值；

若所述浏览用户对所述使用用户的备选图片未提供正向反馈，则提高所述贝塔分布的概率密度函数中贝塔的值。

在一些实施例中，若首图的展示超过第二阈值次数后，且所述备选图片的分值的变化未稳定在第一阈值内，则以展示所述第二阈值次数更新后的图片评价模型作为所述使用用户的首图推荐模型。

在一些实施例中，所述基于所述首图推荐模型确定所述使用用户的首图包括：

基于所述首图推荐模型调整所述使用用户的备选图片的排序，所述使用用户从排序后的备选图片中任一选择作为首图；

或，将基于所述首图推荐模型打分最高的备选图片作为首图。

在一些实施例中，间隔第三时间之后，对所述首图推荐模型进行更新，所述更新的方法为：以所述浏览用户对展示的所述使用用户的所述备选图片的反馈调整所述使用用户的首图推荐模型，使得所述分值随所述浏览用户对所述使用用户的备选图片反馈变化，直至所述备选图片的分值变化稳定在第三阈值内，以所述备选图片的分值变化稳定在第三阈值内的首图推荐模型作为更新后的所述使用用户的首图推荐模型。

在一些实施例中，初始的图片评价模型确定方法为：

基于平台的活跃用户的图片的受欢迎程度建立初始图片评价模型，采用初始图片评价模型确定所述至少两张备选图片的分值。

本发明第二方面提供一种首图推荐装置，包括：

图片获取单元，所述图片获取单元被配置为获取使用用户有区分度的至少两张备选图片

静态单元，所述静态赋值单元被配置为基于使用用户的图片评价模型确定所述至少两张备选图片的分值；

展示单元，所述展示单元被配置为基于所述分值选择所述至少两张备选图片中的一张作为首图展示；并在动态单元获得稳定的首图推荐模型后，基于所述首图推荐模型确定所述使用用户的首图；

动态单元，所述动态单元被配置为以浏览用户对展示的所述使用用户的备选图片的反馈调整所述使用用户的图片评价模型，使得所述分值随所述浏览用户对所述使用用户的备选图片反馈变化，直至所述备选图片的分值的变化稳定在第一阈值内；并以所述备选图片的分值变化稳定在第一阈值内的图片评价模型作为所述使用用户的首图推荐模型。

本发明第三方面提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于所述程序被处理器执行时实现上述任一项所述首图推荐方法的步骤。

附图说明

图1为本发明一示例性实施例示出的一种首图推荐方法的流程图。

图2为本发明一示例性实施例示出的一种首图推荐方法的收益效果对比图。

图3为本发明一些示例性实施例中一种首图推荐装置的示意框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

陌生人社交场景通常涉及双侧用户的匹配选择。在该场景下，一方面，用户作为浏览用户，由于社交平台的海量使用用户的存在，往往只根据使用用户的首图展示快速做出判断，使得首图的选择至关重要；另一方面，用户作为使用用户，社交平台提供让使用用户上传多张图片，并选择其中一张作为首图。然而，大多使用用户在首图选择时并不确定何种图片更容易受到相似类型的浏览用户欢迎，其选择优先展示的图片并非是较高概率被预期的浏览用户喜欢的，从而降低匹配的成功率。

传统的首图确定方法默认采用用户设置的主图作为首图展示，使得即使平台基于其他信息建模判定双方匹配度较高的情况下，仍有可能由于使用用户的主图选择对浏览用户来说吸引力较弱，导致匹配失败。

随着基于数据科学的推荐及排序技术在社交场景中的深入应用，随机探索等技术被引入首图的推荐过程，例如，在展示的前期进行随机探索，并在随机探索之后选择较优的图片进行展示。然而，上述方法存在两个主要问题：

一是，前期的探索过程中随机性较大，纯随机的方式没有利用图片的先验信息，存在较大风险的曝光较差的图片，对用户的伤害较大；

二是，后期采用固定的图片进行展示，没有考虑到前期探索过程的随机性和平台用户的时间流动性，更具体的说，没有考虑到前后期平台受众的可能性差异。

有鉴于此，本发明提供一种首图推荐方法，结合静态启动时采用先验的图片评价模型确定较佳的图片，并动态调整图片评价模型直至符合预期，并采用调整后的图片评价模型作为首图推荐的模型算法，从而减少不必要的曝光浪费，提升用户的受欢迎几率。

图1为一些示例性实施例中一种首图推荐方法的流程图。

请参照图1，一种首图推荐方法包括：

S101获取使用用户的至少两张备选图片。

在获取使用用户的备选图片时，引导使用用户上传多张具有区分度的图片作为备选图片，以扩充备选图片的类型和范围。例如，在使用用户注册进入应用后，通过交互引导使用用户分别上传生活类照片、运动类照片、以及其他类型的，使用用户在注册进入应用时，勾选的感兴趣维度的类型的照片等。随着使用用户的历史行为增加，也可以基于其历史行为特点再次引导用户补充新类型的图片。

陌生人社交通常基于综合的数据匹配后推荐，引导使用用户上传多种具有区分度的图片，且上述图片的类型一定程度的与其注册信息或其历史行为相关，能够在首图推荐的过程中有充足的较为优质的图片作为备选图片，提高曝光后被数据匹配的浏览用户喜欢的几率。

S102确定所述至少两张备选图片的分值。

利用基于平台的活跃用户的图片建立的图片评价模型对使用用户的至少两张备选图片进行图片的受欢迎程度的打分。利用基于平台的活跃用户建立图片评价模型采用回归建模的方式。该回归模型的输入为：活跃用户上传的图片；该回归模型的输出为：上述每一张图片的受欢迎程度的打分。任一回归模型均可以作为确定图片评价模型的建模模型，本实施例不对此进行限定，且回归模型仅作为确定图片评价模型的建模方式，而图片评价模型本身并不限定于回归模型。

作为例外情况，例如注册一段时间且仅上传了单张图片的使用用户，采用使用用户最近一段周期内，例如但不仅限于最近30天的平均被喜欢率作为受欢迎程度。

可以理解的是，为了提高后续匹配的有效性，可以进一步限定采用与使用用户数据匹配相关的活跃用户对使用用户的图片的受欢迎程度进行打分。

在一些实施例中，图片评价模型至少由第一参数及第二参数控制。上述参数在上线后，随着浏览用户的反馈而动态变化。

基于上述方式确定初始的图片评价模型后，采用初始的图片评价模型对使用用户的备选图片进行预测性质的打分。

截至此，完成首图推荐方法的静态冷启动的分值赋值过程，以下步骤为上线后的动态探索。

S103基于所述分值选择所述至少两张备选图片中的一张作为首图展示。

可以理解的是，在备选图片中选择一张作为首图展示的过程中存在随机性，结合本方法的应用场景的特点，首图被海量的浏览用户快速浏览，随着首图高频地被浏览用户点击喜欢或被浏览用户划过两种事件的发生，图片评价模型被快速迭代。

基于所述分值选择所述至少两张备选图片中的一张作为首图展示的过程还包括对所述分值进行进一步的统计分布计算，以计算后的值作为首图展示的依据。如正太分布等对称的分布模型均可作为上述统计分布计算的方法，使得首图的选择在以分值为核心的周围具有一定的随机性：分值较高的备选图片具备更高的概率作为首图，分值中等的备选图片具备中等的概率作为首图，分值较低的备选图片具备更低的概率作为首图，分值最高的备选图片不绝对作为首图。

通过增设的基于分值进行统计分布计算，不绝对基于分值的排序作为首图展示的方法，提高首图推荐的灵活性及准确性，避免由于首图未能变化导致其他可能更受到喜爱的图片没有作为首图展示的机会，从而错过更佳的首图选择可能。

S104以浏览用户对展示的所述使用用户的备选图片的反馈调整所述使用用户的图片评价模型，使得所述分值随所述浏览用户对所述使用用户的备选图片反馈变化，直至所述备选图片的分值的变化稳定在第一阈值内，以所述备选图片的分值变化稳定在第一阈值内的图片评价模型作为所述使用用户的首图推荐模型。

相应于S102中涉及的至少由第一参数及第二参数控制的图片评价模型的实施例中，若所述浏览用户对所述使用用户展示的所述备选图片提供正向反馈，则调整所述第一参数，若所述浏览用户对所述使用用户展示的所述备选图片未提供正向反馈，则调整所述第二参数。

当然，为了提高后续匹配的有效性，上述浏览用户可以进一步限定与使用用户数据匹配相关的活跃用户作为浏览用户。

以基于贝塔分布搭建的图片评价模型作为示例性实施例，贝塔分布为概率分布的一种，通常用于描述0到1之间的值，如概率、比率或分数。贝塔分布的参数可以通过最大似然估计或贝叶斯推断等方法进行估计。在实际应用中，贝塔分布常用于对二项分布参数的先验分布建模，或者作为伯努利试验成功的概率的后验分布。当先验分布是贝塔分布时，其后验分布具有相同的形式，利用贝塔分布上述性质对备选图片进行预测打分。

具体的，可以采用贝塔分布的概率密度函数计算备选图片的分值。

贝塔分布的概率密度函数为：

其中，α、β为控制概率密度函数形状的分布参数，x为随机变量，B(α,β)为贝塔函数。

若所述浏览用户对所述使用用户的备选图片提供正向反馈，则提高所述贝塔分布的概率密度函数中α的值；若所述浏览用户对所述使用用户的备选图片未提供正向反馈，则提高所述贝塔分布的概率密度函数中β的值。

随着曝光次数的快速增加，浏览用户对使用用户的备选图片的反馈快速迭代，被喜欢率逐渐稳定，备选图片对应被喜欢率的贝塔分布也趋于稳定。即，可以理解为在当前时间周期内，与使用用户数据匹配相关的浏览用户对使用用户的备选图片喜欢的图片评价模型趋于稳定。以当前时间周期内备选图片的分值变化稳定在第一阈值内的图片评价模型作为所述使用用户的首图推荐模型，从而减少不必要的曝光浪费，提升用户的受欢迎几率。

由于使用用户或作为浏览用户的活跃用户存在较大的随机性，使用用户上传作为备选图片的主观性较强，即使浏览用户的选择过程中引入数据匹配，仍有可能存在浏览用户大量的不喜欢使用用户的全部备选图片。

在这种情况下，若首图的展示超过第二阈值次数后，且所述备选图片的分值的变化未稳定在第一阈值内，则以展示所述第二阈值次数更新后的图片评价模型作为所述使用用户的首图推荐模型。以此，出于平衡计算效率的考虑，使得即使图片评价模型未满足预期要求，也能一定程度的优化首图的推荐效果，并同时不引入过多的资源损耗。

由于首图推荐模型是基于确定首图推荐模型时间段的浏览用户的反馈确定的，随着时间的推移，浏览用户的喜好特点可能发生变化。间隔一定时间之后，对所述首图推荐模型进行更新，使得首图推荐模型能够跟随不同时间段内浏览用户的喜好变化，从而能够更好的跟随时间变化适应当前时间段的浏览用户，及时有效迭代，避免过时反馈带来的曝光浪费。

首图推荐模型的更新的方法与首图推荐模型的确定方法类似。具体为：以所述浏览用户对展示的所述使用用户的所述备选图片的反馈调整所述使用用户的首图推荐模型，使得所述分值随所述浏览用户对所述使用用户的备选图片反馈变化，直至所述备选图片的分值变化稳定在第三阈值内，以所述备选图片的分值变化稳定在第三阈值内的首图推荐模型作为更新后的所述使用用户的首图推荐模型。

值得说明的是，若使用用户上传了新的图片作为备选图片，或更新了备选图片中的一张或者多张，则需重新对备选图片执行上述步骤，确定新的首图推荐模型。

S105基于所述首图推荐模型确定所述使用用户的首图。

与S103基于所述分值选择所述至少两张备选图片中的一张作为首图展示相似的，在S105基于所述首图推荐模型确定所述使用用户的首图的过程中，也包括对动态调整后的分值进行统计分布计算，获得展示概率。

在一些实施例中，计算所述分值的展示概率，选择当前时刻的展示概率最高的所述备选图片作为展示图片。若所述展示图片随着当前时刻所述浏览用户对所述展示图片的反馈，使得所述展示图片的分值低于所述使用用户的其他备选图片，则低于所述使用用户的其他备选图片的所述展示图片的展示概率有更高的概率低于所述使用用户的其他备选图片的展示概率。

在确定首图时，可以完全依赖于首图推荐模型推荐，也可以在首图推荐模型的基础上为使用用户提供一定的自由选择的空间。

例如，可以选择当前时刻的分值最高的所述备选图片作为展示图片。又例如，若所述展示图片随着当前时刻所述浏览用户对所述展示图片的反馈，使得所述展示图片的分值低于所述使用用户的其他备选图片，则以分值超过当前时刻的展示图片中分值最高的所述其他备选图片作为下一时刻的展示图片。

本实施例通过在用户首图展示上引入静态冷启动时的基于历史图片的建模，结合动态探索的方式，在充分考虑动态探索的置信度的基础上，智能地将用户当前最优的备选图片作为首图进行曝光展示，提升用户的整体被喜欢率，增大匹配双方形成喜欢或匹配的概率，减少曝光浪费。

以下为另一示例性的动态探索过程的简单示例。

使用用户上传图片IMG1，图片IMG2两张图片作为首图的备选图片。其中，图片IMG1被初始的图片评价模型输出的受欢迎程度为0.5，图片IMG2被初始的图片评价模型输出的受欢迎程度为0.4。则对应的图片IMG1的贝塔分布初始化参数为：α＝5，β＝5，记作Beta1(5,5)；对应的图片IMG1的贝塔分布初始化参数为：α＝4，β＝6，记作Beta2(4,6)。

在T时刻，分别从Beta1(5,5)和Beta2(4,6)采样确定分值，为分值p

在T时刻，如果选中展示的为图片IMG2，曝光后浏览用户点击了喜欢，则更新Beta2(4,6)为Beta2(5,6)，反之更新为Beta2(4,7)。

在T时刻，如果选中展示的为图片IMG1，曝光后浏览用户点击了喜欢，则更新Beta2(5,5)为Beta2(6,5)，反之更新为Beta2(5,6)。

计算T时刻之后，更新的分值p

重复上述步骤，直到使用用户的备选图片的受欢迎程度趋于稳定，或总展示次数达到预设值100次。

当然，上述示例性的动态探索过程的简单示例也可应用至超过两张备选图片的任意数量的备选图片数量集合。

图2为本发明一示例性实施例示出的一种首图推荐方法的收益效果对比图。该示例性实施例通过在线上随机圈定几组人群，分别采用上述首图推荐方法和随机探索利用的传统方法，对比随着时间及曝光被展示次数的增加，用户的整体被喜欢率的差异。其中，随机探索利用的过程根据探索的程度，可以设置阈值分别为50,100,200,400等，其表示在曝光的初始阶段有多少次用来做随机图片选择的尝试，达到预设阈值后，选用当前探索得到的最优图片进行后续的曝光展示。

本示例性实施例快速进行探索得到用户最受欢迎的图片涉及到两个主要过程：一是是静态冷启动，二是动态探索。其中，静态冷启动用于获得每张图片受欢迎程度的先验分布，动态探索用于不断利用观察到的数据更新后验分布。

请继续参照图2，横轴为曝光次数，纵轴为平均被喜欢率。图2对比了本实施例的首图推荐方法和随机探索利用的传统方法的被喜欢率差异。可以观察到随着曝光次数的增加，传统方法如能在前期进行更多的探索尝试，其最终的累积曝光被喜欢率更高，但仍低于本实施例的首图推荐方法，且前期随机探索的过程对用户的损失较大。

图3为一些示例性实施例中一种首图推荐装置的示意框图。

请参照图3，一种首图推荐装置包括：

图片获取单元301，所述图片获取单元被配置为获取使用用户的至少两张备选图片。

静态单元302，所述静态赋值单元被配置为确定所述至少两张备选图片的分值。

展示单元303，所述展示单元被配置为基于所述分值选择所述至少两张备选图片中的一张作为首图展示；并在动态单元获得稳定的首图推荐模型后，基于所述首图推荐模型确定所述使用用户的首图。

动态单元304，所述动态单元被配置为以浏览用户对展示的所述使用用户的备选图片的反馈调整所述使用用户的图片评价模型，使得所述分值随所述浏览用户对所述使用用户的备选图片反馈变化，直至所述备选图片的分值的变化稳定在第一阈值内；并以所述备选图片的分值变化稳定在第一阈值内的图片评价模型作为所述使用用户的首图推荐模型。

图片获取单元301在获取使用用户的备选图片时，引导使用用户上传多张具有区分度的图片作为备选图片，以扩充备选图片的类型和范围。例如，在使用用户注册进入应用后，通过交互引导使用用户分别上传生活类照片、运动类照片、以及其他类型的，使用用户在注册进入应用时，勾选的感兴趣维度的类型的照片等。随着使用用户的历史行为增加，也可以基于其历史行为特点再次引导用户补充新类型的图片。

陌生人社交通常基于综合的数据匹配后推荐，引导使用用户上传多种具有区分度的图片，且上述图片的类型一定程度的与其注册信息或其历史行为相关，能够在首图推荐的过程中有充足的较为优质的图片作为备选图片，提高曝光后被数据匹配的浏览用户喜欢的几率。

静态单元302利用基于平台的活跃用户的图片建立的图片评价模型对使用用户的至少两张备选图片进行图片的受欢迎程度的打分。利用基于平台的活跃用户建立图片评价模型采用回归建模的方式。该回归模型的输入为：活跃用户上传的图片；该回归模型的输出为：上述每一张图片的受欢迎程度的打分。任一回归模型均可以作为确定图片评价模型的建模模型，本实施例不对此进行限定，且回归模型仅作为确定图片评价模型的建模方式，而图片评价模型本身并不限定于回归模型。

作为例外情况，例如注册一段时间且仅上传了单张图片的使用用户，采用使用用户最近一段周期内，例如但不仅限于最近30天的平均被喜欢率作为受欢迎程度。

可以理解的是，为了提高后续匹配的有效性，可以进一步限定采用与使用用户数据匹配相关的活跃用户对使用用户的图片的受欢迎程度进行打分。

在一些实施例中，图片评价模型至少由第一参数及第二参数控制。上述参数在上线后，随着浏览用户的反馈而动态变化。

基于上述方式确定初始的图片评价模型后，采用初始的图片评价模型对使用用户的备选图片进行预测性质的打分。

动态单元304以相应于静态单元涉及的至少由第一参数及第二参数控制的图片评价模型举例：若所述浏览用户对所述使用用户展示的所述备选图片提供正向反馈，则调整所述第一参数，若所述浏览用户对所述使用用户展示的所述备选图片未提供正向反馈，则调整所述第二参数。

当然，为了提高后续匹配的有效性，上述浏览用户可以进一步限定与使用用户数据匹配相关的活跃用户作为浏览用户。

以基于贝塔分布搭建的图片评价模型作为示例性实施例，贝塔分布为概率分布的一种，通常用于描述0到1之间的值，如概率、比率或分数。贝塔分布的参数可以通过最大似然估计或贝叶斯推断等方法进行估计。在实际应用中，贝塔分布常用于对二项分布参数的先验分布建模，或者作为伯努利试验成功的概率的后验分布。当先验分布是贝塔分布时，其后验分布具有相同的形式，利用贝塔分布上述性质对备选图片进行预测打分。

具体的，可以采用贝塔分布的概率密度函数计算备选图片的分值。

贝塔分布的概率密度函数为：

其中，α、β为控制概率密度函数形状的分布参数，x为随机变量，B(α,β)为贝塔函数。

若所述浏览用户对所述使用用户的备选图片提供正向反馈，则提高所述贝塔分布的概率密度函数中α的值；若所述浏览用户对所述使用用户的备选图片未提供正向反馈，则提高所述贝塔分布的概率密度函数中β的值。

随着曝光次数的快速增加，浏览用户对使用用户的备选图片的反馈快速迭代，被喜欢率逐渐稳定，备选图片对应被喜欢率的贝塔分布也趋于稳定。即，可以理解为在当前时间周期内，与使用用户数据匹配相关的浏览用户对使用用户的备选图片喜欢的图片评价模型趋于稳定。以当前时间周期内备选图片的分值变化稳定在第一阈值内的图片评价模型作为所述使用用户的首图推荐模型，从而减少不必要的曝光浪费，提升用户的受欢迎几率。

由于使用用户或作为浏览用户的活跃用户存在较大的随机性，使用用户上传作为备选图片的主观性较强，即使浏览用户的选择过程中引入数据匹配，仍有可能存在浏览用户大量的不喜欢使用用户的全部备选图片。

在这种情况下，若首图的展示超过第二阈值次数后，且所述备选图片的分值的变化未稳定在第一阈值内，则以展示所述第二阈值次数更新后的图片评价模型作为所述使用用户的首图推荐模型。以此，出于平衡计算效率的考虑，使得即使图片评价模型未满足预期要求，也能一定程度的优化首图的推荐效果，并同时不引入过多的资源损耗。

由于首图推荐模型是基于确定首图推荐模型时间段的浏览用户的反馈确定的，随着时间的推移，浏览用户的喜好特点可能发生变化。间隔一定时间之后，对所述首图推荐模型进行更新，使得首图推荐模型能够跟随不同时间段内浏览用户的喜好变化，从而能够更好的跟随时间变化适应当前时间段的浏览用户，及时有效迭代，避免过时反馈带来的曝光浪费。

首图推荐模型的更新的方法与首图推荐模型的确定方法类似。具体为：以所述浏览用户对展示的所述使用用户的所述备选图片的反馈调整所述使用用户的首图推荐模型，使得所述分值随所述浏览用户对所述使用用户的备选图片反馈变化，直至所述备选图片的分值变化稳定在第三阈值内，以所述备选图片的分值变化稳定在第三阈值内的首图推荐模型作为更新后的所述使用用户的首图推荐模型。

展示单元303在确定首图时，可以还包括对所述分值进行进一步的统计分布计算，以计算后的值作为首图展示的依据。如正太分布等对称的分布模型均可作为上述统计分布计算的方法，使得首图的选择在以分值为核心的周围具有一定的随机性：分值较高的备选图片具备更高的概率作为首图，分值中等的备选图片具备中等的概率作为首图，分值较低的备选图片具备更低的概率作为首图，分值最高的备选图片不绝对作为首图。

通过增设的基于分值进行统计分布计算，不绝对基于分值的排序作为首图展示的方法，提高首图推荐的灵活性及准确性，避免由于首图未能变化导致其他可能更受到喜爱的图片没有作为首图展示的机会，从而错过更佳的首图选择可能。

在一些实施例中，计算所述分值的展示概率，选择当前时刻的展示概率最高的所述备选图片作为展示图片。若所述展示图片随着当前时刻所述浏览用户对所述展示图片的反馈，使得所述展示图片的分值低于所述使用用户的其他备选图片，则低于所述使用用户的其他备选图片的所述展示图片的展示概率有更高的概率低于所述使用用户的其他备选图片的展示概率。

在确定首图时，可以完全依赖于首图推荐模型推荐，也可以在首图推荐模型的基础上为使用用户提供一定的自由选择的空间。

例如，可以选择当前时刻的分值最高的所述备选图片作为展示图片。又例如，若所述展示图片随着当前时刻所述浏览用户对所述展示图片的反馈，使得所述展示图片的分值低于所述使用用户的其他备选图片，则以分值超过当前时刻的展示图片中分值最高的所述其他备选图片作为下一时刻的展示图片。

可以理解的是，本实施例的装置用于执行如图1所述的首图推荐方法，其其他实现原理和技术效果类似，此处不再赘述。

本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本申请提供的任一首图推荐方法的步骤。

具体的，适合于存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失性存储器、媒介和存储器设备，例如包括半导体存储器设备(例如EPROM、EEPROM和闪存设备)、磁盘(例如内部硬盘或可移动盘)、磁光盘以及CD ROM和DVD-ROM盘。

具体的，该电子设备可以是手机、pad、电脑等。

以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。