本申请涉及对抗网络图像生成技术领域，尤其涉及一种图像推送方法、装置、电子设备和存储介质。
背景技术：
为了方便用户制作课件，各类型的课件制作软件应运而生，如演示文稿(powerpoint，ppt)软件、flash软件等。用户在使用这些软件制作课件时，有时会插入图像，以通过图像对课件中的文本进行形象说明。
现有技术中，用户需要在搜索引擎中搜索文本对应的图像，并从中挑选合适的图像插入至课件中。示例性的，用户在搜索引擎中输入“月光”的文本，以获取包含有月光的图像的搜索结果，进而在该搜索结果中选取合适的图像插入至课件中。该种通过搜索获取图像的方法比较耗时，且搜索的图像结果中可能还会存在其他不相关的图像，需要用户进行挑选，效率较低。
技术实现要素：
本申请提供一种图像推送方法、装置、电子设备和存储介质，能够提高用户获取图像的效率。
本申请的第一方面提供一种图像推送方法，包括：
接收用户输入的文本，根据所述文本，在图像数据库中获取目标关键词的图像，并推送所述目标关键词的图像；所述目标关键词与所述文本中的关键词的相似度大于第一相似度阈值，所述目标关键词为文本库中的关键词，所述图像数据库包括所述文本库中的关键词的图像，所述文本库中的关键词的图像是根据所述文本库中的关键词生成的。
可选的，所述文本库包括多个章节；所述在图像数据库中获取目标关键词的图像，包括：在所述多个章节中确定与所述文本关联的目标章节；获取所述目标章节的关键词与所述文本中的关键词的相似度，且将所述目标章节中相似度大于第一相似度阈值的关键词作为所述目标关键词；在所述图像数据库中获取所述目标关键词的图像。
可选的，所述在所述多个章节中确定与所述文本关联的目标章节，包括：将所述文本向量化，获取所述文本对应的向量；抽取所述文本对应的向量的特征向量；获取所述文本的特征向量与所述文本库中的每个所述章节的特征向量的相似度，且将所述文本库中相似度大于第二相似度阈值的章节作为所述目标章节。
可选的，所述在图像数据库中获取目标关键词的图像之前，还包括：对所述文本进行分词，将预设词性的词语作为所述文本的关键词。
可选的，所述方法还包括：将每个所述章节的关键词输入至对抗网络gan模型，得到每个所述章节的关键词的图像，所述gan模型用于表征关键词与生成的图像之间的对应关系。
可选的，所述方法还包括：获取每个所述章节的关键词；获取每个所述章节的关键词的搜索图像；以每个所述章节的关键词的搜索图像对应的向量、用户输入的每个所述章节的关键词的搜索图像对应的无序向量，以及期望结果作为训练数据，训练所述gan模型，所述期望结果为所述每个所述章节的关键词的搜索图像对应的向量与对应的无序向量不同。
可选的，所述获取每个所述章节的关键词的搜索图像之后，还包括：显示每个所述章节的关键词的搜索图像；接收所述用户的删除指示，删除表征的语义与每个所述章节的关键词的语义不同的搜索图像；将删除处理后的每个所述章节的关键词搜索图像向量化，得到每个所述章节的关键词的搜索图像对应的向量。
本申请的第二方面提供一种图像推送装置，包括：
收发模块，用于接收用户输入的文本；
处理模块，用于根据所述文本，在图像数据库中获取目标关键词的图像，以及推送所述目标关键词的图像；所述目标关键词与所述文本中的关键词的相似度大于第一相似度阈值，所述目标关键词为文本库中的关键词，所述图像数据库包括所述文本库中的关键词的图像，所述文本库中的关键词的图像是根据所述文本库中的关键词生成的。
可选的，所述文本库包括多个章节。
所述处理模块，具体用于在所述多个章节中确定与所述文本关联的目标章节，获取所述目标章节的关键词与所述文本中的关键词的相似度，且将所述目标章节中相似度大于第一相似度阈值的关键词作为所述目标关键词，并在所述图像数据库中获取所述目标关键词的图像。
可选的，所述处理模块，具体用于将所述文本向量化，获取所述文本对应的向量，抽取所述文本对应的向量的特征向量，并获取所述文本的特征向量与所述文本库中的每个所述章节的特征向量的相似度，且将所述文本库中相似度大于第二相似度阈值的章节作为所述目标章节。
可选的，所述处理模块，还用于对所述文本进行分词，将预设词性的词语作为所述文本的关键词。
可选的，所述处理模块，还用于将每个所述章节的关键词输入至对抗网络gan模型，得到每个所述章节的关键词的图像，所述gan模型用于表征关键词与生成的图像之间的对应关系。
可选的，所述处理模块，还用于获取每个所述章节的关键词和每个所述章节的关键词的搜索图像，且以每个所述章节的关键词的搜索图像对应的向量、用户输入的每个所述章节的关键词的搜索图像对应的无序向量，以及期望结果作为训练数据，训练所述gan模型，所述期望结果为所述每个所述章节的关键词的搜索图像对应的向量与对应的无序向量不同。
显示模块，用于显示每个所述章节的关键词的搜索图像；
所述收发模块，用于接收所述用户的删除指示，删除表征的语义与每个所述章节的关键词的语义不同的搜索图像；
所述处理模块，还用于将删除处理后的每个所述章节的关键词搜索图像向量化，得到每个所述章节的关键词的搜索图像对应的向量。
本申请的第三方面提供一种电子设备，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述电子设备执行上述图像推送方法。
本申请的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机执行指令，当所述计算机执行指令被处理器执行时，实现上述图像推送方法。
本申请提供一种图像推送方法、装置、电子设备和存储介质，该方法包括：接收用户输入的文本；根据文本，在图像数据库中获取目标关键词的图像，目标关键词与文本中的关键词的相似度大于第一相似度阈值，目标关键词为文本库中的关键词，图像数据库包括文本库中的关键词的图像；推送目标关键词的图像，文本库中的关键词的图像是根据文本库中的关键词生成的。本申请中预先存储有文本库中的关键词的图像，且能够根据用户输入的文本，推送与该文本的相似的关键词的图像，提高了用户获取图像的效率。
附图说明
图1为现有技术中的界面变化示意图；
图2为本申请提供的图像推送方法的流程示意图一；
图3为本申请提供的界面变化示意图；
图4为本申请提供的图像推送方法的流程示意图二；
图5为本申请提供的训练gan模型的流程示意图；
图6为本申请提供的图像推送装置的结构示意图；
图7为本申请提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请的实施例，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。
为了更为清楚的对本申请提供的图像推送方法进行说明，下面对现有技术中用户在制作课件时获取图像的过程进行介绍。现有技术中，用户可以通过搜索引擎，搜索获取图像。图1为现有技术中的界面变化示意图。应理解，图1中以计算机为示例进行说明。如图1中的界面101所示，用户可以在界面101显示的浏览器的输入框中输入“月光”，进一步可以选择界面101中的菜单选项“图片”，对应的，该界面101可以跳转至界面102，该界面102中可以显示有“月光”的图像。用户可以在界面102中显示的图像中，选择自己需求的图像进行存储，以插入制作的课件中。但现有技术中方法中，用户需要通过搜索引擎进行图像的搜索，且如上述界面102所示，搜索结果中存在很多其他与“月光”不相关的图像，如图像2、图像3。
为了避免用户在制作课件的过程中需要搜索、挑选图像的问题，本申请中提供一种图像推送方法，根据用户在制作课件的过程中输入的文本，为用户推送与该文本相关的图像，以提高用户获取图像的效率。
应理解，本申请中执行图像推送方法的主体可以为图像推送装置，该图像推送方法可以为具有显示屏的终端设备。其中，本申请中的终端设备可以包括但不限于为移动终端设备或固定终端设备。移动终端设备包括但不限于手机、个人数字助理(personaldigitalassistant，简称：pda)、平板电脑、便携设备(例如，便携式计算机、袖珍式计算机或手持式计算机)等。固定终端包括但不限于台式计算机等。
下面结合具体的实施例对本申请提供的图像推送方法进行说明。图2为本申请提供的图像推送方法的流程示意图一。如图2所示，本实施例提供的图像推送方法可以包括：
s201，接收用户输入的文本。
本实施例中，用户在制作课件或其他展示类型的文档时，可以输入文本，对应的，该图像推送装置可以接收用户输入的文本。应理解，该文本为用户实时输入的文本。
图3为本申请提供的界面变化示意图。如图3的界面301所示，用户在界面上输入的文本为“今天的月光真美”。若用户输入“今天的月光真美”的下一句“令人感到愉悦”，则用户输入的文本则为“令人感到愉悦”。
s202，根据文本，在图像数据库中获取目标关键词的图像，目标关键词与文本中的关键词的相似度大于第一相似度阈值，目标关键词为文本库中的关键词，图像数据库包括文本库中的关键词的图像，文本库中的关键词的图像是根据文本库中的关键词生成的。
本实施例中的文本库中包括多个关键词，图像数据库中包括文本库中的关键词的图像。应理解，图像数据库中的关键词的图像是根据文本库中的关键词生成的。可选的，本实施例中可以采用对抗生成网络gan模型以及文本库中的关键词生成的关键词的图像。其中，采用gan模型生成关键词的图像，能够避免直接采用搜索引擎中搜索的图像可能造成侵权的问题。
本实施例中可以根据文本，在图像数据库中获取目标关键词的图像。具体可以是根据文本的关键词和文本库中的每个关键词的相似度，在文本库的关键词中获取目标关键词，进而在图像数据库中获取该目标关键词的图像。其中，本实施例中可以将文本中，与文本的关键词的相似度大于第一相似度阈值的关键词作为目标关键词。
可选的，本实施例中获取文本的关键词和文本库中的每个关键词的相似度的方法可以但不限于为：基于关键词的相似度(如n-gram相似度或jaccard相似度)，或者基于向量空间的相似度(如采用word2vec或潜在语义分析(latentsemanticanalysis，lsa)等方法获取欧式距离、曼哈顿距离或余弦相似度等，以表征向量空间的相似度)等。
可选的，若目标关键词的数量大于预设数量，则可以按照相似度从大到小的方式排列，取排在前几个的目标关键词作为目标关键词。或者，可以将相似度最大的关键词作为目标关键词。
其中，本实施例中可以对文本进行分词，以获取文本的关键词。具体可以将预设词性的词语作为文本的关键词，预设词性如名词。示例性的，将上述文本“今天的月光真美”进行分词，能够获取“今天的”、“月光”和“真美”。其中，文本的关键词可以为“月光”。对应的，在文本库中获取的目标关键词可以为“月光”、“月亮”，进而在图像数据库中获取“月光”、“月亮”的图像。
s203，推送目标关键词的图像。
本实施例中，在获取目标关键词的图像后，可以推送该目标关键词的图像。
可选的，推送该目标关键词的图像的方式可以为：在界面上显示目标关键词的图像，或者在界面上显示预设数量个目标关键词的图像。
为了提高用户体验，减少对用户制作课件的干扰，推送该目标关键词的图像的方式还可以为：显示目标关键词对应的图像的链接。其中，在接收到用户对目标关键词对应的图像的链接的选择指示时，可以显示目标关键词的图像。
示例性的，如界面上述界面301可以跳转至界面302，该界面302上可以显示有“月光”和“月亮”图像的链接。其中，界面302上可以显示的图像的链接以“月光”和“月亮”的文字标识。若用户点击界面上的“月亮”，则该界面302可以跳转至界面303，界面303上显示有“月亮”的图像。
本实施例中提供的图像推送方法包括：接收用户输入的文本；根据文本，在图像数据库中获取目标关键词的图像，目标关键词与文本中的关键词的相似度大于第一相似度阈值，目标关键词为文本库中的关键词，图像数据库包括文本库中的关键词的图像；推送目标关键词的图像。本实施例中预先存储有文本库中的关键词的图像，进而根据文本的关键词和文本库中的关键词的相似度，为用户推送与该文本的相似的关键词的图像，避免了用户需要在搜索引擎中获取图像的问题，提高了用户获取图像的效率。
在上述实施例的基础上，下面结合图4对本申请提供的图像推送方法进行进一步说明。图4为本申请提供的图像推送方法的流程示意图二。如图4所示，本实施例提供的图像推送方法可以包括：
s401，接收用户输入的文本。
s402，在多个章节中确定与文本关联的目标章节。
本实施例中的文本库中包括多个章节。可选的，文本库可以为学生的课本文本，课本文本中包括多个章节，用户可以为老师，对应的场景为老师制作课件；或者文本库也可以为某一领域的专业技术文本，专业技术文本包括多个章节，用户为技术人员，对应的场景为技术人员制作课件；或者根据应用场景的不同，文本库也可以为其他类型的文本。
为了减少与用户输入的文本中的关键词的相似度的计算量，可以在多个章节中确定与文本关联的目标章节，进而计算目标章节中的关键词与文本中的关键词的相似度。
本实施例中，可以将文本库中包含有用户输入的文本的章节作为目标章节。而有时用户在制作课件时，可能输入的文本并非文本库中的原文本，而是用户经理解后的语义类似的文本。因此，本实施例中可以将文本向量化，获取文本对应的向量。可选的，本实施例中的文本向量化的方法可以为：word2vec、神经网络语言模型(neuralnetworklanguagemodel，nnlm)等。
在获取文本对应的向量后，可以抽取文本对应的向量的特征向量，进而根据获取文本的特征向量与文本库中的每个章节的特征向量的相似度，且将文本库中相似度大于第二相似度阈值的章节作为目标章节。其中，文本库中每个章节的特征向量可以为每个章节中包括的文本的特征向量，本实施例中获取每个章节中包括的文本的特征向量的方式与上述获取用户输入的文本的特征向量的方式相同。第二相似度阈值可以与上述第一相似度阈值相同或不同。可选的，本实施例中采用bi-lstm和attention模型进行特征向量的抽取。
示例性的，与用户输入的文本“今天的月光真美”的特征向量大于第二相似度阈值的章节为文本库的第二章节，则可以将第二章节作为目标章节。
s403，获取目标章节的关键词与文本中的关键词的相似度，且将目标章节中相似度大于第一相似度阈值的关键词作为目标关键词。
本实施例中，在确定目标章节后，可以获取目标章节的关键词与文本中的关键词的相似度，以避免对文本库中的所有章节的关键词均与文本中的关键词的相似度的计算。
其中，在获取目标章节的关键词与文本中的关键词的相似度，可以将目标章节中相似度大于第一相似度阈值的关键词作为目标关键词。
示例性的，第二章节中的关键词包括“月亮”、“杨柳”、“湖”等关键词，进而获取这些关键词与用户输入的文本“今天的月光真美”中的关键词“月光”的相似度，将第二章节中相似度大于第一相似度阈值的关键词“月亮”作为目标关键词。
s404，在图像数据库中获取目标关键词的图像。
本实施例中的图像数据库中包括文本库的每个章节中的关键词的图像，在上述获取目标关键词后，可以在图像数据库中获取目标关键词的图像。
本实施例中的目标关键词的图像是采用对抗生成网络gan模型生成的。应理解，gan模型用于表征关键词与生成的图像之间的对应关系。本实施例中，预先将每个章节的关键词输入至对抗网络gan模型，可以得到每个章节的关键词的图像。鉴于通过gan模型是重新生成的图像，并非采用在搜索引擎中搜索的关键词的原图像，进而能够避免用户使用图像可能侵权的问题。
下面对本申请中训练gan模型的方法进行说明。图5为本申请提供的训练gan模型的流程示意图。如图5所示，本实施例提供的获取gan模型的方法可以包括：
s501，获取每个章节的关键词。
本实施例中可以获取文本库中每个章节的关键词。其中，获取文本库中每个章节的关键词的方式可以为：将每个章节中的文本进行分词，以将每个章节中分词后的文本中的预设词性的词语作为关键词。应理解，获取每个章节的关键词的方式可以与上述实施例中获取用户输入的文本的关键词的方式相同，在此不做赘述。
s502，获取每个章节的关键词的搜索图像。
在获取每个章节的关键词后，可以依次将每个章节的关键词输入至搜索引擎中，获取每个章节的关键词的搜索图像。或者，可以显示每个章节的关键词，以使用户在搜索引擎中搜索每个章节的关键词的图像，进而接收用户输入的每个章节的关键词的图像。
可选的，鉴于每个章节的关键词的图像是采用搜索引擎获取的，搜索引擎输出的每个章节的关键词的图像中可能会存在与该关键词的语义不相同的图像。为了提高训练的gan模型的准确性，本实施例中可以对每个章节的关键词的图像进行处理。
其中，可以显示每个章节的关键词的搜索图像，以使用户可以看到每个章节的关键词的搜索图像。用户可以对不适合的图像进行删除，具体的，不适合的图像可以为表征的语义与关键词的语义不同的搜索图像。
对应的，本实施例中可以接收用户的删除指示，删除表征的语义与每个章节的关键词的语义不同的搜索图像。其中，删除指示用于指示表征的语义与每个章节的关键词的语义不同的搜索图像示例性的，如图1中的界面102所示，可以删除图像2和图像3。其中，图像2和图像3表征的语义与关键词“月光”的语义不同。
本实施例中，将删除处理后的每个章节的关键词的搜索图像向量化，得到每个章节的关键词的搜索图像对应的向量。其中，搜索图像向量化，即通过多维向量空间中的一点来表示一个图的特征，以方便使用机器学习的方法进行处理。
s503，以每个章节的关键词的搜索图像对应的向量、用户输入的每个章节的关键词的搜索图像对应的无序向量，以及期望结果作为训练数据，训练gan模型，期望结果为每个章节的关键词的搜索图像对应的向量与对应的无序向量不同。
本实施例中，用户可以针对每个章节的关键词的搜索图像对应的向量，输入至少一个无序向量。其中，每个章节的关键词的搜索图像对应的向量，以及每个章节的关键词的搜索图像对应的无序向量是不同的向量，训练gan模型的过程，即为训练识别每个章节的关键词的搜索图像的向量和对应的无序向量是不同的向量。
其中，以每个章节的关键词的搜索图像对应的向量、用户输入的每个章节的关键词的搜索图像对应的无序向量，以及期望结果作为训练数据，训练gan模型。其中，期望结果为每个章节的关键词的搜索图像对应的向量与对应的无序向量不同。应理解，训练gan模型的过程为不断迭代获取gan模型中的神经网络层的参数的过程，最终训练得到的gan模型的输出结果与期望结果相同或差值在预设范围内。
本实施例中，可以以gan模型中的判别器的损失值，表征对每个章节的关键词的搜索图像的向量和对应的无序向量的识别。判别器要尽量分辨两个向量分布，需要满足如下公式一中的条件：
lossd＝ex～p(x)(logd(x)) ex～q(x)(log(1-d(x)))公式一
其中，p(x)是每个章节的关键词的搜索图像的向量的分布。我们采用一个可控的、已知的分布的无序向量q(x)来逼近它，或者说让这两个向量的分布尽量重合。其中，lossd为判别器的损失值，x-p(x)为每个章节的关键词的搜索图像的向量的分布服从p(x)，x-q(x)为每个章节的关键词的搜索图像对应的无序向量的分布服从q(x)，ex～p(x)(logd(x))为每个章节的关键词的搜索图像的向量的分布值，ex～q(x)(log(1-d(x)))为每个章节的关键词的搜索图像对应的无序向量的分布值，d(x)为gan模型的输出值。本实施例中的目的是在训练gan模型的过程中，使得获取的判别器的损失值lossd最小。
本实施例中，为了减少与用户输入的文本中的关键词的相似度的计算量，可以在多个章节中确定与文本关联的目标章节，进而计算目标章节中的关键词与文本中的关键词的相似度，且有时用户在制作课件时，可能输入的文本并非文本库中的原文本，对应的本实施例中采用文本的特征向量的相似度确定与文本目标章节。进一步的，本申请中还公开了根据训练的gan模型，生成图像数据库中的关键词的图像，鉴于gan模型是重新生成的图像，并非采用在搜索引擎中搜索的关键词的原图像，进而能够避免侵权的问题。
图6为本申请提供的图像推送装置的结构示意图。如图6所示，该图像推送装置600包括：收发模块601、处理模块602和显示模块603。
收发模块601，用于接收用户输入的文本；
处理模块602，用于根据文本，在图像数据库中获取目标关键词的图像，以及推送目标关键词的图像；目标关键词与文本中的关键词的相似度大于第一相似度阈值，目标关键词为文本库中的关键词，图像数据库包括文本库中的关键词的图像，所述文本库中的关键词的图像是根据所述文本库中的关键词生成的。
可选的，文本库包括多个章节。
处理模块602，具体用于在多个章节中确定与文本关联的目标章节，获取目标章节的关键词与文本中的关键词的相似度，且将目标章节中相似度大于第一相似度阈值的关键词作为目标关键词，并在图像数据库中获取目标关键词的图像。
可选的，处理模块602，具体用于将文本向量化，获取文本对应的向量，抽取文本对应的向量的特征向量，并获取文本的特征向量与文本库中的每个章节的特征向量的相似度，且将文本库中相似度大于第二相似度阈值的章节作为目标章节。
可选的，处理模块602，还用于对文本进行分词，将预设词性的词语作为文本的关键词。
可选的，处理模块602，还用于将每个章节的关键词输入至对抗网络gan模型，得到每个章节的关键词的图像，gan模型用于表征关键词与生成的图像之间的对应关系。
可选的，处理模块602，还用于获取每个章节的关键词和每个章节的关键词的搜索图像，且以每个章节的关键词的搜索图像对应的向量、用户输入的每个章节的关键词的搜索图像对应的无序向量，以及期望结果作为训练数据，训练gan模型，期望结果为每个章节的关键词的搜索图像对应的向量与对应的无序向量不同。
显示模块603，用于显示每个章节的关键词的搜索图像；
收发模块601，用于接收用户的删除指示，删除表征的语义与每个所述章节的关键词的语义不同的搜索图像；
处理模块602，还用于将删除处理后的每个章节的关键词搜索图像向量化，得到每个章节的关键词的搜索图像对应的向量。
本实施例提供的图像推送装置与上述图像推送方法实现的原理和技术效果类似，在此不作赘述。
图7为本申请提供的电子设备的结构示意图。该电子设备可以为上述图6中的图像推送装置。如图7所示，该电子设备700包括：存储器701和至少一个处理器702。
存储器701，用于存储程序指令。
处理器702，用于在程序指令被执行时实现本实施例中的图像推送方法，具体实现原理可参见上述实施例，本实施例此处不再赘述。
该电子设备700还可以包括及输入/输出接口703。
输入/输出接口703可以包括独立的输出接口和输入接口，也可以为集成输入和输出的集成接口。其中，输出接口用于输出数据，输入接口用于获取输入的数据，上述输出的数据为上述方法实施例中输出的统称，输入的数据为上述方法实施例中输入的统称。
本申请还提供一种可读存储介质，可读存储介质中存储有执行指令，当电子设备的至少一个处理器执行该执行指令时，当计算机执行指令被处理器执行时，实现上述实施例中的图像推送方法。
本申请还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。电子设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得电子设备实施上述的各种实施方式提供的图像推送方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(英文：read-onlymemory，简称：rom)、随机存取存储器(英文：randomaccessmemory，简称：ram)、磁碟或者光盘等各种可以存储程序代码的介质。
在上述网络设备或者终端设备的实施例中，应理解，处理模块可以是中央处理单元(英文：centralprocessingunit，简称：cpu)，还可以是其他通用处理器、数字信号处理器(英文：digitalsignalprocessor，简称：dsp)、专用集成电路(英文：applicationspecificintegratedcircuit，简称：asic)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。结合本申请所公开的方法的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。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然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申请各实施例技术方案的范围。
1.一种图像推送方法，其特征在于，包括：
接收用户输入的文本；
根据所述文本，在图像数据库中获取目标关键词的图像，所述目标关键词与所述文本中的关键词的相似度大于第一相似度阈值，所述目标关键词为文本库中的关键词，所述图像数据库包括所述文本库中的关键词的图像，所述文本库中的关键词的图像是根据所述文本库中的关键词生成的；
推送所述目标关键词的图像。
2.根据权利要求1所述的方法，其特征在于，所述文本库包括多个章节；所述在图像数据库中获取目标关键词的图像，包括：
在所述多个章节中确定与所述文本关联的目标章节；
获取所述目标章节的关键词与所述文本中的关键词的相似度，且将所述目标章节中相似度大于第一相似度阈值的关键词作为所述目标关键词；
在所述图像数据库中获取所述目标关键词的图像。
3.根据权利要求2所述的方法，其特征在于，所述在所述多个章节中确定与所述文本关联的目标章节，包括：
将所述文本向量化，获取所述文本对应的向量；
抽取所述文本对应的向量的特征向量；
获取所述文本的特征向量与所述文本库中的每个所述章节的特征向量的相似度，且将所述文本库中相似度大于第二相似度阈值的章节作为所述目标章节。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述在图像数据库中获取目标关键词的图像之前，还包括：
对所述文本进行分词，将预设词性的词语作为所述文本的关键词。
5.根据权利要求2所述的方法，其特征在于，所述方法还包括：
将每个所述章节的关键词输入至对抗网络gan模型，得到每个所述章节的关键词的图像，所述gan模型用于表征关键词与生成的图像之间的对应关系。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
获取每个所述章节的关键词；
获取每个所述章节的关键词的搜索图像；
以每个所述章节的关键词的搜索图像对应的向量、用户输入的每个所述章节的关键词的搜索图像对应的无序向量，以及期望结果作为训练数据，训练所述gan模型，所述期望结果为所述每个所述章节的关键词的搜索图像对应的向量与对应的无序向量不同。
7.根据权利要求6所述的方法，其特征在于，所述获取每个所述章节的关键词的搜索图像之后，还包括：
显示每个所述章节的关键词的搜索图像；
接收所述用户的删除指示，删除表征的语义与每个所述章节的关键词的语义不同的搜索图像；
将删除处理后的每个所述章节的关键词搜索图像向量化，得到每个所述章节的关键词的搜索图像对应的向量。
8.一种图像推送装置，其特征在于，包括：
收发模块，用于接收用户输入的文本；
处理模块，用于根据所述文本，在图像数据库中获取目标关键词的图像，以及推送所述目标关键词的图像；所述目标关键词与所述文本中的关键词的相似度大于第一相似度阈值，所述目标关键词为文本库中的关键词，所述图像数据库包括所述文本库中的关键词的图像，所述文本库中的关键词的图像是根据所述文本库中的关键词生成的。
9.一种电子设备，其特征在于，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述电子设备执行权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机执行指令，当所述计算机执行指令被处理器执行时，实现权利要求1-7任一项所述的方法。
技术总结