基于大数据的在线电子商务推送方法及系统

技术领域

本发明涉及数据处理技术领域，具体而言，涉及一种基于大数据的在线电子商务推送方法及系统。

背景技术

随着互联网技术和计算机技术的不断成熟，使得对应的数据处理技术的应用范围也不断增加，例如，利用数据处理技术可以对对象进行相应的推荐处理，如在在线电子商务的应用中，可以基于用户的请求意图将对应的目标电子商务对象（如产品等）推送给该用户，但是，在现有技术中，存在着电子商务推送的可靠度不高的问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于大数据的在线电子商务推送方法及系统，以改善现有技术中电子商务推送的可靠度不高的问题。

为实现上述目的，本发明实施例采用如下技术方案：

一种基于大数据的在线电子商务推送方法，包括：

提取到目标用户通过目标用户终端设备针对目标在线电子商务平台发起的目标请求代表图像，所述目标请求代表图像中携带有所述目标用户用于请求电子商务对象的目标意图信息；

利用图像对比分析神经网络，分别对目标图像大数据库包括的多个候选电子商务对象图像中的每一个候选电子商务对象图像和所述目标请求代表图像进行图像对比分析处理，以输出每一个候选电子商务对象图像对应的图像对比分析结果，所述图像对比分析结果用于反映对应的所述候选电子商务对象图像和所述目标请求代表图像是否匹配；

依据每一个所述候选电子商务对象图像对应的图像对比分析结果，从所述多个候选电子商务对象图像对应的多个候选电子商务对象中，确定出目标候选电子商务对象，以推送给所述目标用户终端设备。

在一些优选的实施例中，在上述基于大数据的在线电子商务推送方法中，所述提取到目标用户通过目标用户终端设备针对目标在线电子商务平台发起的目标请求代表图像的步骤，包括：

提取到目标用户通过目标用户终端设备针对目标在线电子商务平台发起的电子商务对象请求数据，再从所述电子商务对象请求数据中，提取出目标字段范围内的目标电子商务对象请求编码数据；

对所述目标电子商务对象请求编码数据进行数据解码处理，以形成所述目标电子商务对象请求编码数据对应的目标电子商务对象请求解码数据，再将所述目标电子商务对象请求解码数据作为目标请求代表图像。

在一些优选的实施例中，在上述基于大数据的在线电子商务推送方法中，所述利用图像对比分析神经网络，分别对目标图像大数据库包括的多个候选电子商务对象图像中的每一个候选电子商务对象图像和所述目标请求代表图像进行图像对比分析处理，以输出每一个候选电子商务对象图像对应的图像对比分析结果的步骤，包括：

提取出第一示例性图像序列，所述第一示例性图像序列包括的每一个示例性图像组合包括示例性候选电子商务对象图像和示例性目标请求代表图像，所述第一示例性图像序列还包括所述示例性候选电子商务对象图像和所述示例性目标请求代表图像之间的图像对比分析实际结果，所述图像对比分析实际结果反映对应的所述示例性候选电子商务对象图像和所述示例性目标请求代表图像实际是否匹配；以及，对所述第一示例性图像序列包括的每一个示例性图像组合进行关键图像单元隐藏操作，形成所述第一示例性图像序列对应的第二示例性图像序列，所述第二示例性图像序列包括每一个所述示例性图像组合对应的隐藏示例性图像组合，所述第二示例性图像序列还包括所述隐藏示例性图像组合对应的图像对比分析实际结果，所述隐藏示例性图像组合对应的图像对比分析实际结果与对应的所述示例性图像组合对应的图像对比分析实际结果一致；

基于所述第一示例性图像序列，和/或，所述第二示例性图像序列，对待优化的初始图像对比分析神经网络进行网络的优化操作，输出所述初始图像对比分析神经网络对应的图像对比分析神经网络；以及，利用所述图像对比分析神经网络对电子商务对象图像组合进行图像对比分析处理，输出所述电子商务对象图像组合对应的图像对比分析结果，所述电子商务对象图像组合包括一个候选电子商务对象图像和所述目标请求代表图像；

其中，所述对所述第一示例性图像序列包括的每一个示例性图像组合进行关键图像单元隐藏操作，形成所述第一示例性图像序列对应的第二示例性图像序列的步骤，包括：

分析出所述第一示例性图像序列包括的每一个示例性图像组合包括的所述示例性候选电子商务对象图像中的每一个图像单元与所述示例性目标请求代表图像中的每一个图像单元之间的图像单元相关参数；

基于所述图像单元相关参数，筛选出每一个所述示例性图像组合包括的所述示例性候选电子商务对象图像与所述示例性目标请求代表图像之间的每一个相关图像单元组合；

对每一个所述示例性图像组合对应的每一个相关图像单元组合对应的相关图像单元进行图像单元隐藏操作，形成每一个所述示例性图像组合对应的隐藏示例性图像组合；以及，依据每一个所述示例性图像组合对应的隐藏示例性图像组合，构建形成对应的第二示例性图像序列。

在一些优选的实施例中，在上述基于大数据的在线电子商务推送方法中，所述基于所述第一示例性图像序列，和/或，所述第二示例性图像序列，对待优化的初始图像对比分析神经网络进行网络的优化操作，输出所述初始图像对比分析神经网络对应的图像对比分析神经网络的步骤，包括：

对所述第一示例性图像序列进行数据加载操作，以将所述第一示例性图像序列加载到所述初始图像对比分析神经网络中，利用所述第一示例性图像序列进行网络的优化操作，输出所述初始图像对比分析神经网络对应的图像对比分析神经网络；或者

对所述第二示例性图像序列进行数据加载操作，以将所述第二示例性图像序列加载到所述初始图像对比分析神经网络中，利用所述第二示例性图像序列进行网络的优化操作，输出所述初始图像对比分析神经网络对应的图像对比分析神经网络；或者

对所述第一示例性图像序列和所述第二示例性图像序列进行数据加载操作，以将所述第一示例性图像序列和所述第二示例性图像序列加载到所述初始图像对比分析神经网络中，利用所述第一示例性图像序列和所述第二示例性图像序列进行网络的优化操作，输出所述初始图像对比分析神经网络对应的图像对比分析神经网络。

在一些优选的实施例中，在上述基于大数据的在线电子商务推送方法中，所述对所述第一示例性图像序列进行数据加载操作，以将所述第一示例性图像序列加载到所述初始图像对比分析神经网络中，利用所述第一示例性图像序列进行网络的优化操作，输出所述初始图像对比分析神经网络对应的图像对比分析神经网络的步骤，包括：

对所述第一示例性图像序列包括的每一个所述示例性图像组合进行数据加载操作，以将每一个所述示例性图像组合加载到所述初始图像对比分析神经网络中，利用所述初始图像对比分析神经网络分析输出每一个所述示例性图像组合对应的匹配置信度第一代表参数，所述匹配置信度第一代表参数用于反映对应的所述示例性图像组合包括的两帧示例性图像匹配的估计可能性大小；

基于每一个所述示例性图像组合对应的所述匹配置信度第一代表参数和对应的所述图像对比分析实际结果，分析输出所述初始图像对比分析神经网络对应的训练终止评估指标第一代表参数；

基于所述训练终止评估指标第一代表参数，对所述初始图像对比分析神经网络进行网络的优化操作，输出对应的图像对比分析神经网络。

在一些优选的实施例中，在上述基于大数据的在线电子商务推送方法中，所述对所述第二示例性图像序列进行数据加载操作，以将所述第二示例性图像序列加载到所述初始图像对比分析神经网络中，利用所述第二示例性图像序列进行网络的优化操作，输出所述初始图像对比分析神经网络对应的图像对比分析神经网络的步骤，包括：

对所述第二示例性图像序列包括的每一个所述隐藏示例性图像组合进行数据加载操作，以将每一个所述隐藏示例性图像组合加载到所述初始图像对比分析神经网络中，利用所述初始图像对比分析神经网络分析输出每一个所述隐藏示例性图像组合对应的匹配置信度第二代表参数，所述匹配置信度第二代表参数用于反映对应的所述隐藏示例性图像组合包括的两帧隐藏示例性图像匹配的估计可能性大小；

基于每一个所述隐藏示例性图像组合对应的所述匹配置信度第二代表参数和对应的所述图像对比分析实际结果，分析输出所述初始图像对比分析神经网络对应的训练终止评估指标第二代表参数；

基于所述训练终止评估指标第二代表参数，对所述初始图像对比分析神经网络进行网络的优化操作，输出对应的图像对比分析神经网络。

在一些优选的实施例中，在上述基于大数据的在线电子商务推送方法中，所述对所述第一示例性图像序列和所述第二示例性图像序列进行数据加载操作，以将所述第一示例性图像序列和所述第二示例性图像序列加载到所述初始图像对比分析神经网络中，利用所述第一示例性图像序列和所述第二示例性图像序列进行网络的优化操作，输出所述初始图像对比分析神经网络对应的图像对比分析神经网络的步骤，包括：

对所述第一示例性图像序列和所述第二示例性图像序列进行数据加载操作，以将所述第一示例性图像序列和所述第二示例性图像序列并行加载到所述初始图像对比分析神经网络中，利用所述第一示例性图像序列和所述第二示例性图像序列进行网络的优化操作，输出所述初始图像对比分析神经网络对应的图像对比分析神经网络。

在一些优选的实施例中，在上述基于大数据的在线电子商务推送方法中，所述对所述第一示例性图像序列和所述第二示例性图像序列进行数据加载操作，以将所述第一示例性图像序列和所述第二示例性图像序列加载到所述初始图像对比分析神经网络中，利用所述第一示例性图像序列和所述第二示例性图像序列进行网络的优化操作，输出所述初始图像对比分析神经网络对应的图像对比分析神经网络的步骤，包括：

对所述第一示例性图像序列和所述第二示例性图像序列进行异步的数据加载操作，以将所述第一示例性图像序列和所述第二示例性图像序列依次轮换的加载到所述初始图像对比分析神经网络中，分别利用所述第一示例性图像序列和所述第二示例性图像序列进行网络的优化操作，输出所述初始图像对比分析神经网络对应的图像对比分析神经网络。

在一些优选的实施例中，在上述基于大数据的在线电子商务推送方法中，所述依据每一个所述候选电子商务对象图像对应的图像对比分析结果，从所述多个候选电子商务对象图像对应的多个候选电子商务对象中，确定出目标候选电子商务对象，以推送给所述目标用户终端设备的步骤，包括：

依据每一个所述候选电子商务对象图像对应的图像对比分析结果，从所述多个候选电子商务对象图像对应的多个候选电子商务对象中，确定出每一个第一候选电子商务对象，每一个所述第一候选电子商务对象对应的候选电子商务对象图像对应的图像对比分析结果，反映出对应的所述候选电子商务对象图像和所述目标请求代表图像匹配；

在所述第一候选电子商务对象的数量等于1的情况下，将所述第一候选电子商务对象标记为目标候选电子商务对象；

在所述第一候选电子商务对象的数量大于1的情况下，利用所述图像对比分析神经网络，分别对多个所述第一候选电子商务对象对应的多个候选电子商务对象图像中的每两个候选电子商务对象图像进行图像对比分析处理，以输出每两个候选电子商务对象图像之间的图像对比分析结果；

依据多个所述第一候选电子商务对象对应的多个候选电子商务对象图像中的每两个候选电子商务对象图像之间的图像对比分析结果，从多个所述第一候选电子商务对象，确定出一个第一候选电子商务对象，再将该第一候选电子商务对象标记为目标候选电子商务对象，在多个所述第一候选电子商务对象对应的多个候选电子商务对象图像中，所述目标候选电子商务对象与每一个其它候选电子商务对象关于候选电子商务对象图像之间的图像对比分析结果中第一图像对比分析结果的数量最多，所述第一图像对比分析结果反映出对应的两个候选电子商务对象图像匹配。

本发明实施例还提供一种基于大数据的在线电子商务推送系统，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上述的在线电子商务推送方法。

本发明实施例提供的一种基于大数据的在线电子商务推送方法及系统，可以先提取到目标用户通过目标用户终端设备针对目标在线电子商务平台发起的目标请求代表图像；利用图像对比分析神经网络，分别对目标图像大数据库包括的每一个候选电子商务对象图像和目标请求代表图像进行图像对比分析处理，以输出每一个候选电子商务对象图像对应的图像对比分析结果；依据每一个候选电子商务对象图像对应的图像对比分析结果，从多个候选电子商务对象图像对应的多个候选电子商务对象中，确定出目标候选电子商务对象，以推送给目标用户终端设备。相较于现有技术中依据电子商务用户的意图描述文本数据进行电子商务推送的常规技术方案，由于采用的是图像，而图像具有的信息一般更为丰富（相较于文本描述的局限性），使得进行推送的依据的可靠度更高，从而能够保障推送的可靠度，进而改善现有技术中电子商务推送的可靠度不高的问题。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

图1为本发明实施例提供的基于大数据的在线电子商务推送系统的结构框图。

图2为本发明实施例提供的基于大数据的在线电子商务推送方法包括的各步骤的流程示意图。

图3为本发明实施例提供的基于大数据的在线电子商务推送装置包括的各模块的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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，都属于本发明保护的范围。

如图1所示，本发明实施例提供了一种基于大数据的在线电子商务推送系统。其中，所述在线电子商务推送系统可以包括存储器和处理器。

举例来说，在一种可能的实施方式中，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件（firmware）的形式，存在的软件功能模块（计算机程序）。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例提供的基于大数据的在线电子商务推送方法。

举例来说，在一种可能的实施方式中，所述存储器可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-Only Memory，PROM），可擦除只读存储器（ErasableProgrammable Read-Only Memory，EPROM），电可擦除只读存储器（Electric ErasableProgrammable Read-Only Memory，EEPROM）等。所述处理器可以是一种通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）、片上系统(System on Chip，SoC)等；还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（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。

举例来说，在一种可能的实施方式中，所述基于大数据的在线电子商务推送系统可以是一种具备数据处理能力的服务器。

结合图2，本发明实施例还提供一种基于大数据的在线电子商务推送方法，可应用于上述基于大数据的在线电子商务推送系统。其中，所述基于大数据的在线电子商务推送方法有关的流程所定义的方法步骤，可以由所述基于大数据的在线电子商务推送系统实现。

下面将对图2所示的具体流程，进行详细阐述。

步骤S110，提取到目标用户通过目标用户终端设备针对目标在线电子商务平台发起的目标请求代表图像。

在本发明实施例中，所述在线电子商务推送系统可以提取到目标用户通过目标用户终端设备针对目标在线电子商务平台发起的目标请求代表图像。所述目标请求代表图像中携带有所述目标用户用于请求电子商务对象的目标意图信息（如想要搜索的产品等）。

步骤S120，利用图像对比分析神经网络，分别对目标图像大数据库包括的多个候选电子商务对象图像中的每一个候选电子商务对象图像和所述目标请求代表图像进行图像对比分析处理，以输出每一个候选电子商务对象图像对应的图像对比分析结果。

在本发明实施例中，所述在线电子商务推送系统可以利用图像对比分析神经网络，分别对目标图像大数据库包括的多个候选电子商务对象图像中的每一个候选电子商务对象图像和所述目标请求代表图像进行图像对比分析处理，以输出每一个候选电子商务对象图像对应的图像对比分析结果。所述图像对比分析结果用于反映对应的所述候选电子商务对象图像和所述目标请求代表图像是否匹配。

步骤S130，依据每一个所述候选电子商务对象图像对应的图像对比分析结果，从所述多个候选电子商务对象图像对应的多个候选电子商务对象中，确定出目标候选电子商务对象，以推送给所述目标用户终端设备。

在本发明实施例中，所述在线电子商务推送系统可以依据每一个所述候选电子商务对象图像对应的图像对比分析结果，从所述多个候选电子商务对象图像对应的多个候选电子商务对象中，确定出目标候选电子商务对象，以推送给所述目标用户终端设备。

通过上述步骤S110-步骤S130包括的具体内容，相较于现有技术中依据电子商务用户的意图描述文本数据进行电子商务推送的常规技术方案，由于采用的是图像，而图像具有的信息一般更为丰富（相较于文本描述的局限性），使得进行推送的依据的可靠度更高，从而能够保障推送的可靠度，进而改善现有技术中电子商务推送的可靠度不高的问题。

举例来说，步骤S110，在一种可能的实施方式中，可以进一步包括以下具体的实现过程：

提取到目标用户通过目标用户终端设备针对目标在线电子商务平台发起的电子商务对象请求数据，再从所述电子商务对象请求数据中，提取出目标字段范围（可以预先进行配置）内的目标电子商务对象请求编码数据（如所述目标用户终端设备对目标请求代表图像进行图像编码处理，可以得到所述目标电子商务对象请求编码数据）；

对所述目标电子商务对象请求编码数据进行数据解码处理（示例性地，可以与上述的图像编码处理的过程相反），以形成所述目标电子商务对象请求编码数据对应的目标电子商务对象请求解码数据，再将所述目标电子商务对象请求解码数据作为目标请求代表图像。

举例来说，步骤S120，在一种可能的实施方式中，可以进一步包括以下具体的实现过程：

提取出第一示例性图像序列，所述第一示例性图像序列包括的每一个示例性图像组合包括示例性候选电子商务对象图像和示例性目标请求代表图像，所述第一示例性图像序列还包括所述示例性候选电子商务对象图像和所述示例性目标请求代表图像之间的图像对比分析实际结果，所述图像对比分析实际结果反映对应的所述示例性候选电子商务对象图像和所述示例性目标请求代表图像实际是否匹配（可以由用户定义配置等）；

对所述第一示例性图像序列包括的每一个示例性图像组合进行关键图像单元隐藏操作，形成所述第一示例性图像序列对应的第二示例性图像序列，所述第二示例性图像序列包括每一个所述示例性图像组合对应的隐藏示例性图像组合，所述第二示例性图像序列还包括所述隐藏示例性图像组合对应的图像对比分析实际结果，所述隐藏示例性图像组合对应的图像对比分析实际结果与对应的所述示例性图像组合对应的图像对比分析实际结果一致（即将所述示例性图像组合对应的图像对比分析实际结果，直接作为对应的所述隐藏示例性图像组合对应的图像对比分析实际结果）；

基于所述第一示例性图像序列，和/或，所述第二示例性图像序列，对待优化的初始图像对比分析神经网络进行网络的优化操作，输出所述初始图像对比分析神经网络对应的图像对比分析神经网络；

利用所述图像对比分析神经网络对电子商务对象图像组合进行图像对比分析处理，输出所述电子商务对象图像组合对应的图像对比分析结果（即所述图像对比分析神经网络的估计结果），所述电子商务对象图像组合包括一个候选电子商务对象图像和所述目标请求代表图像。

举例来说，所述对所述第一示例性图像序列包括的每一个示例性图像组合进行关键图像单元隐藏操作，形成所述第一示例性图像序列对应的第二示例性图像序列的步骤，在一种可能的实施方式中，可以进一步包括以下具体的实现过程：

分析出所述第一示例性图像序列包括的每一个示例性图像组合包括的所述示例性候选电子商务对象图像中的每一个图像单元与所述示例性目标请求代表图像中的每一个图像单元之间的图像单元相关参数（示例性地，一个所述图像单元可以包括至少一个图像像素点，在所述图像单元包括多个图像像素点的情况下，该多个图像像素点构成一个连通区域；另外，所述图像单元相关参数可以用于反映两个所述图像单元之间的相关程度，如关于像素值这一维度的相关程度等，也可以是多个维度的相关程度；具体而言，在一种可以替代的示例中，可以先对所述图像单元中的每一个图像像素点进行编号处理，再将所述图像单元中的中心图像像素点的位置保持不变，以及，将所述图像单元中的每一个非中心图像像素点的位置依据该非中心图像像素点与该中心图像像素点之间的像素值的差异程度进行更新，从而形成新的图像单元，再计算所述图像单元和所述新的图像单元之间关于图像像素点的编号重合度，以及，依据现有的任意一种图像相似度的计算方式，对两个图像单元进行相似度的计算，以得到对应的图像单元相似度，或者，也可以确定出两个图像单元之间的每一个重合区域的区域面积的平均值与一个图像单元的总面积的比值，再确定出重合区域的数量，从而基于该比值和该数量确定出图像单元相似度，该图像单元相似度和该比值可以正相关，该图像单元相似度和该数量可以正相关，另外，重合区域可以是指，图像单元区域之间每一个像素位置对应的两个图像像素点的像素值相同，再依据该两个图像单元对应的编号重合度的融合值，如差值，对该图像单元相似度进行更新，以得到所述图像单元相关参数，其中，所述图像单元相似度可以与所述图像单元相关参数正相关，所述编号重合度的融合值可以与所述图像单元相关参数负相关）；

基于所述图像单元相关参数，筛选出每一个所述示例性图像组合包括的所述示例性候选电子商务对象图像与所述示例性目标请求代表图像之间的每一个相关图像单元组合（示例性地，示例性候选电子商务对象图像中的图像单元A与示例性目标请求代表图像中的图像单元A为相关图像单元组合，示例性候选电子商务对象图像中的图像单元B与示例性目标请求代表图像中的图像单元B为相关图像单元组合，示例性候选电子商务对象图像中的图像单元C与示例性目标请求代表图像中的图像单元C为相关图像单元组合，示例性候选电子商务对象图像中的图像单元D与示例性目标请求代表图像中的图像单元D为相关图像单元组合）；

对每一个所述示例性图像组合对应的每一个相关图像单元组合对应的相关图像单元进行图像单元隐藏操作，形成每一个所述示例性图像组合对应的隐藏示例性图像组合；以及，依据每一个所述示例性图像组合对应的隐藏示例性图像组合，构建形成对应的第二示例性图像序列。

举例来说，所述对每一个所述示例性图像组合对应的每一个相关图像单元组合对应的相关图像单元进行图像单元隐藏操作，形成每一个所述示例性图像组合对应的隐藏示例性图像组合；以及，依据每一个所述示例性图像组合对应的隐藏示例性图像组合，构建形成对应的第二示例性图像序列的步骤，在一种可能的实施方式中，进一步包括以下具体的实现过程：

分析出每一个所述示例性图像组合对应的每一个相关图像单元组合中的相关图像单元具有的单元像素特征信息与预先配置的单元像素特征信息对比规则是否匹配（示例性地，所述单元像素特征信息对比规则可以是指，依据具有的单元像素特征信息是否可以确定出所述相关图像单元具有图像像素特征点，如具有图像像素特征点，则确定不匹配，反之，则匹配，其中，所述图像像素特征点可以是指对应的像素值与所述相关图像单元中的其它图像像素点对应的像素值之间的差异较大等）；

对每一个所述示例性图像组合对应的每一个相关图像单元组合中具有的单元像素特征信息与所述单元像素特征信息对比规则匹配的相关图像单元进行图像单元隐藏操作，形成每一个所述示例性图像组合对应的隐藏示例性图像组合，再依据每一个所述示例性图像组合对应的隐藏示例性图像组合，构建形成对应的第二示例性图像序列（示例性地，在进行图像单元隐藏操作的过程中，可以将所述相关图像单元的每一个图像像素点对应的像素值配置为0或255，即采用灰度等级作为分析的基础；另外，在其它示例中，也可以采用其它数据进行替代，以实现隐藏，如基于相邻的图像单元进行替换，从而完成对应的图像单元隐藏操作）。

举例来说，所述基于所述第一示例性图像序列，和/或，所述第二示例性图像序列，对待优化的初始图像对比分析神经网络进行网络的优化操作，输出所述初始图像对比分析神经网络对应的图像对比分析神经网络的步骤，在一种可能的实施方式中，可以进一步包括以下具体的实现过程：

对所述第一示例性图像序列进行数据加载操作，以将所述第一示例性图像序列加载到所述初始图像对比分析神经网络中，利用所述第一示例性图像序列进行网络的优化操作，输出所述初始图像对比分析神经网络对应的图像对比分析神经网络；或者

对所述第二示例性图像序列进行数据加载操作，以将所述第二示例性图像序列加载到所述初始图像对比分析神经网络中，利用所述第二示例性图像序列进行网络的优化操作，输出所述初始图像对比分析神经网络对应的图像对比分析神经网络；或者

对所述第一示例性图像序列和所述第二示例性图像序列进行数据加载操作，以将所述第一示例性图像序列和所述第二示例性图像序列加载到所述初始图像对比分析神经网络中，利用所述第一示例性图像序列和所述第二示例性图像序列进行网络的优化操作，输出所述初始图像对比分析神经网络对应的图像对比分析神经网络。

举例来说，所述对所述第一示例性图像序列进行数据加载操作，以将所述第一示例性图像序列加载到所述初始图像对比分析神经网络中，利用所述第一示例性图像序列进行网络的优化操作，输出所述初始图像对比分析神经网络对应的图像对比分析神经网络的步骤，在一种可能的实施方式中，可以进一步包括以下具体的实现过程：

对所述第一示例性图像序列包括的每一个所述示例性图像组合进行数据加载操作，以将每一个所述示例性图像组合加载到所述初始图像对比分析神经网络中，利用所述初始图像对比分析神经网络分析输出每一个所述示例性图像组合对应的匹配置信度第一代表参数，所述匹配置信度第一代表参数用于反映对应的所述示例性图像组合包括的两帧示例性图像匹配的估计可能性大小（示例性地，可以将所述示例性图像组合包括的两帧示例性图像分别通过编码网络进行编码映射，如特征挖掘或特征提取，以形成对应的两个示例性图像编码向量，再对两个示例性图像编码向量进行对比分析，以得到对应的匹配置信度第一代表参数；另外，所述匹配置信度第一代表参数的取值可以是0到1）；

基于每一个所述示例性图像组合对应的所述匹配置信度第一代表参数和对应的所述图像对比分析实际结果，分析输出所述初始图像对比分析神经网络对应的训练终止评估指标第一代表参数（即网络学习的误差）；

基于所述训练终止评估指标第一代表参数，对所述初始图像对比分析神经网络进行网络的优化操作，输出对应的图像对比分析神经网络。

举例来说，所述对所述第二示例性图像序列进行数据加载操作，以将所述第二示例性图像序列加载到所述初始图像对比分析神经网络中，利用所述第二示例性图像序列进行网络的优化操作，输出所述初始图像对比分析神经网络对应的图像对比分析神经网络的步骤，在一种可能的实施方式中，可以进一步包括以下具体的实现过程：

对所述第二示例性图像序列包括的每一个所述隐藏示例性图像组合进行数据加载操作，以将每一个所述隐藏示例性图像组合加载到所述初始图像对比分析神经网络中，利用所述初始图像对比分析神经网络分析输出每一个所述隐藏示例性图像组合对应的匹配置信度第二代表参数，所述匹配置信度第二代表参数用于反映对应的所述隐藏示例性图像组合包括的两帧隐藏示例性图像匹配的估计可能性大小（参照前文的相关描述）；

基于每一个所述隐藏示例性图像组合对应的所述匹配置信度第二代表参数和对应的所述图像对比分析实际结果，分析输出所述初始图像对比分析神经网络对应的训练终止评估指标第二代表参数（即网络学习的误差）；

基于所述训练终止评估指标第二代表参数，对所述初始图像对比分析神经网络进行网络的优化操作，输出对应的图像对比分析神经网络。

举例来说，所述对所述第一示例性图像序列和所述第二示例性图像序列进行数据加载操作，以将所述第一示例性图像序列和所述第二示例性图像序列加载到所述初始图像对比分析神经网络中，利用所述第一示例性图像序列和所述第二示例性图像序列进行网络的优化操作，输出所述初始图像对比分析神经网络对应的图像对比分析神经网络的步骤，在一种可能的实施方式中，可以进一步包括以下具体的实现过程：

对所述第一示例性图像序列和所述第二示例性图像序列进行数据加载操作，以将所述第一示例性图像序列和所述第二示例性图像序列并行加载到所述初始图像对比分析神经网络中（即作为同批次的优化依据），利用所述第一示例性图像序列和所述第二示例性图像序列进行网络的优化操作，输出所述初始图像对比分析神经网络对应的图像对比分析神经网络。

举例来说，所述对所述第一示例性图像序列和所述第二示例性图像序列进行数据加载操作，以将所述第一示例性图像序列和所述第二示例性图像序列并行加载到所述初始图像对比分析神经网络中，利用所述第一示例性图像序列和所述第二示例性图像序列进行网络的优化操作，输出所述初始图像对比分析神经网络对应的图像对比分析神经网络的步骤，在一种可能的实施方式中，可以进一步包括以下具体的实现过程：

分别对所述第一示例性图像序列包括的每一个所述示例性图像组合和该示例性图像组合对应的所述第二示例性图像序列包括的隐藏示例性图像组合进行配对，以形成对应的每一个网络待处理图像数据（即一个网络待处理图像数据包括一个所述示例性图像组合和一个隐藏示例性图像组合），再对所述网络待处理图像数据进行数据加载操作，以将所述网络待处理图像数据加载到所述初始图像对比分析神经网络中，利用所述初始图像对比分析神经网络分析输出所述网络待处理图像数据对应的匹配置信度代表参数，所述匹配置信度代表参数等于匹配置信度第一代表参数和匹配置信度第二代表参数之间的均值，所述匹配置信度第一代表参数基于所述初始图像对比分析神经网络仅对所述示例性图像组合进行分析输出，所述匹配置信度第二代表参数基于所述初始图像对比分析神经网络仅对所述示例性图像组合对应的隐藏示例性图像组合进行分析输出；

基于每一个所述网络待处理图像数据对应的所述匹配置信度代表参数和对应的所述图像对比分析实际结果，分析输出对应的训练终止评估指标第三代表参数（即网络学习的误差），再基于所述训练终止评估指标第三代表参数，对所述初始图像对比分析神经网络进行网络的优化操作，输出对应的图像对比分析神经网络。

举例来说，所述对所述第一示例性图像序列和所述第二示例性图像序列进行数据加载操作，以将所述第一示例性图像序列和所述第二示例性图像序列并行加载到所述初始图像对比分析神经网络中，利用所述第一示例性图像序列和所述第二示例性图像序列进行网络的优化操作，输出所述初始图像对比分析神经网络对应的图像对比分析神经网络的步骤，在一种可能的实施方式中，可以进一步包括以下具体的实现过程：

对所述第一示例性图像序列包括的每一个所述示例性图像组合和该示例性图像组合对应的所述第二示例性图像序列包括的隐藏示例性图像组合进行并行的数据加载操作，以加载到所述初始图像对比分析神经网络中，利用所述初始图像对比分析神经网络分析输出对应的匹配置信度第一代表参数和匹配置信度第二代表参数，所述匹配置信度第一代表参数基于所述初始图像对比分析神经网络仅对所述示例性图像组合进行分析输出，所述匹配置信度第二代表参数基于所述初始图像对比分析神经网络仅对所述示例性图像组合对应的隐藏示例性图像组合进行分析输出；

基于所述匹配置信度第一代表参数、所述匹配置信度第二代表参数和所述图像对比分析实际结果，分析输出对应的训练终止评估指标第四代表参数，再基于所述训练终止评估指标第四代表参数，对所述初始图像对比分析神经网络进行网络的优化操作，输出对应的图像对比分析神经网络（示例性地，可以将所述匹配置信度第一代表参数和所述图像对比分析实际结果之间的误差，与所述匹配置信度第二代表参数和所述图像对比分析实际结果之间的误差进行叠加，以得到训练终止评估指标第四代表参数）。

举例来说，所述对所述第一示例性图像序列和所述第二示例性图像序列进行数据加载操作，以将所述第一示例性图像序列和所述第二示例性图像序列加载到所述初始图像对比分析神经网络中，利用所述第一示例性图像序列和所述第二示例性图像序列进行网络的优化操作，输出所述初始图像对比分析神经网络对应的图像对比分析神经网络的步骤，在一种可能的实施方式中，可以进一步包括以下具体的实现过程：

对所述第一示例性图像序列和所述第二示例性图像序列进行异步的数据加载操作，以将所述第一示例性图像序列和所述第二示例性图像序列依次轮换的加载到所述初始图像对比分析神经网络中（即作为不同批次的优化依据，依次进行网络的优化操作），分别利用所述第一示例性图像序列和所述第二示例性图像序列进行网络的优化操作，输出所述初始图像对比分析神经网络对应的图像对比分析神经网络。

举例来说，所述对所述第一示例性图像序列和所述第二示例性图像序列进行异步的数据加载操作，以将所述第一示例性图像序列和所述第二示例性图像序列依次轮换的加载到所述初始图像对比分析神经网络中，分别利用所述第一示例性图像序列和所述第二示例性图像序列进行网络的优化操作，输出所述初始图像对比分析神经网络对应的图像对比分析神经网络的步骤，在一种可能的实施方式中，可以进一步包括以下具体的实现过程：

对所述第一示例性图像序列包括的每一个所述示例性图像组合进行数据加载操作，以将所述示例性图像组合加载到所述初始图像对比分析神经网络中，利用所述初始图像对比分析神经网络分析输出每一个所述示例性图像组合对应的匹配置信度第一代表参数，再基于每一个所述示例性图像组合对应的所述匹配置信度第一代表参数和所述图像对比分析实际结果，分析输出对应的训练终止评估指标第五代表参数，再基于所述训练终止评估指标第五代表参数，对所述初始图像对比分析神经网络进行网络的优化操作；

对所述第二示例性图像序列包括的每一个所述隐藏示例性图像组合进行数据加载操作，以将所述隐藏示例性图像组合加载到所述初始图像对比分析神经网络中，利用所述初始图像对比分析神经网络分析输出每一个所述隐藏示例性图像组合对应的匹配置信度第二代表参数，再基于每一个所述隐藏示例性图像组合对应的所述匹配置信度第二代表参数和所述图像对比分析实际结果，分析输出对应的训练终止评估指标第六代表参数，再基于所述训练终止评估指标第六代表参数，对所述初始图像对比分析神经网络进行网络的优化操作；

基于预先配置的轮换目标数量，将所述第一示例性图像序列和所述第二示例性图像序列依次轮换的加载到所述初始图像对比分析神经网络中进行网络的优化操作，以及，在当前的轮换数量等于所述轮换目标数量的情况下，形成对应的图像对比分析神经网络（示例性地，可以先依据所述第一示例性图像序列中的第一部分图像数据对所述初始图像对比分析神经网络进行网络的优化操作，再依据所述第二示例性图像序列中的第一部分图像数据对所述初始图像对比分析神经网络进行网络的优化操作，再依据所述第一示例性图像序列中的第二部分图像数据对所述初始图像对比分析神经网络进行网络的优化操作，再依据所述第二示例性图像序列中的第二部分图像数据对所述初始图像对比分析神经网络进行网络的优化操作等）。

举例来说，步骤S130，在一种可能的实施方式中，可以进一步包括以下具体的实现过程：

依据每一个所述候选电子商务对象图像对应的图像对比分析结果，从所述多个候选电子商务对象图像对应的多个候选电子商务对象中，确定出每一个第一候选电子商务对象，每一个所述第一候选电子商务对象对应的候选电子商务对象图像对应的图像对比分析结果，反映出对应的所述候选电子商务对象图像和所述目标请求代表图像匹配；

在所述第一候选电子商务对象的数量等于1的情况下，将所述第一候选电子商务对象标记为目标候选电子商务对象；

在所述第一候选电子商务对象的数量大于1的情况下，利用所述图像对比分析神经网络，分别对多个所述第一候选电子商务对象对应的多个候选电子商务对象图像中的每两个候选电子商务对象图像进行图像对比分析处理，以输出每两个候选电子商务对象图像之间的图像对比分析结果；

依据多个所述第一候选电子商务对象对应的多个候选电子商务对象图像中的每两个候选电子商务对象图像之间的图像对比分析结果，从多个所述第一候选电子商务对象，确定出一个第一候选电子商务对象，再将该第一候选电子商务对象标记为目标候选电子商务对象，在多个所述第一候选电子商务对象对应的多个候选电子商务对象图像中，所述目标候选电子商务对象与每一个其它候选电子商务对象关于候选电子商务对象图像之间的图像对比分析结果中第一图像对比分析结果的数量最多，所述第一图像对比分析结果反映出对应的两个候选电子商务对象图像匹配（即在多个所述第一候选电子商务对象中，所述目标候选电子商务对象最具代表性）。

结合图3，本发明实施例还提供一种基于大数据的在线电子商务推送装置，可应用于上述基于大数据的在线电子商务推送系统。其中，所述基于大数据的在线电子商务推送装置可以包括以下内容：

请求代表图像提取模块，用于提取到目标用户通过目标用户终端设备针对目标在线电子商务平台发起的目标请求代表图像，所述目标请求代表图像中携带有所述目标用户用于请求电子商务对象的目标意图信息；

图像对比分析处理模块，用于利用图像对比分析神经网络，分别对目标图像大数据库包括的多个候选电子商务对象图像中的每一个候选电子商务对象图像和所述目标请求代表图像进行图像对比分析处理，以输出每一个候选电子商务对象图像对应的图像对比分析结果，所述图像对比分析结果用于反映对应的所述候选电子商务对象图像和所述目标请求代表图像是否匹配；

电子商务对象推送模块，用于依据每一个所述候选电子商务对象图像对应的图像对比分析结果，从所述多个候选电子商务对象图像对应的多个候选电子商务对象中，确定出目标候选电子商务对象，以推送给所述目标用户终端设备。

综上所述，本发明提供的一种基于大数据的在线电子商务推送方法及系统，可以先提取到目标用户通过目标用户终端设备针对目标在线电子商务平台发起的目标请求代表图像；利用图像对比分析神经网络，分别对目标图像大数据库包括的每一个候选电子商务对象图像和目标请求代表图像进行图像对比分析处理，以输出每一个候选电子商务对象图像对应的图像对比分析结果；依据每一个候选电子商务对象图像对应的图像对比分析结果，从多个候选电子商务对象图像对应的多个候选电子商务对象中，确定出目标候选电子商务对象，以推送给目标用户终端设备。相较于现有技术中依据电子商务用户的意图描述文本数据进行电子商务推送的常规技术方案，由于采用的是图像，而图像具有的信息一般更为丰富（相较于文本描述的局限性），使得进行推送的依据的可靠度更高，从而能够保障推送的可靠度，进而改善现有技术中电子商务推送的可靠度不高的问题。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。