基于照片库的旅游攻略编辑方法、系统、设备及存储介质

摘要

本发明提供了基于照片库的旅游攻略编辑方法、系统、设备及存储介质，该方法包括：基于旅游攻略的文本在预的旅游关键词集合中获得关联度最高的至少一个关键词，形成关键词组合；查找满足关键词组合的图片形成照片库；通过经过训练的图片质量网络对目标照片库中图片的质量进行排序；以及将排序靠前的至少一图片加入到旅游攻略的文本中的预设位置。本发明能够实现对图片的质量评估，对图片从用户角度进行多方面的整体评估使最吸引人的图片排在首位，增强用户体验。

说明书

技术领域

本发明涉及图片评估领域，具体地说，涉及基于照片库的旅游攻略编辑方法、系统、设备及存储介质。

背景技术

在当前信息爆炸的环境中，人们读取信息的时间缩短，想要吸引用户，需要在第一时间展示最有吸引力的部分，图片是用户接触到的最多的了解信息的媒介，但图片包含信息复杂繁多，很难第一时间传达有效且正向的信息，并且旅游攻略的图片包含官方和用户图片等，来源多样，质量参差不齐，数量庞大。并且用户在撰写旅游攻略时还需要自行检索相关照片进行配图，降低了效率，用户体验不佳。

因此，本发明提供了一种基于照片库的旅游攻略编辑方法、系统、设备及存储介质。

发明内容

针对现有技术中的问题，本发明的目的在于提供基于照片库的旅游攻略编辑方法、系统、设备及存储介质，克服了现有技术的困难，能够实现对图片的质量评估，对图片从用户角度进行多方面的整体评估，快速准确的获取图片质量，可以使最吸引人的图片排在首位，用户在获取信息时往往能第一时间获取最好看的图片，增强用户体验。

本发明的实施例提供一种基于照片库的旅游攻略编辑方法，包括以下步骤：

S110、基于旅游攻略的文本在预的旅游关键词集合中获得关联度最高的至少一个关键词，形成关键词组合；

S120、查找满足所述关键词组合的图片形成照片库；

S130、通过经过训练的图片质量网络对目标照片库中图片的质量进行排序；以及

S140、将排序靠前的至少一图片加入到所述旅游攻略的文本中的预设位置。

优选地，所述步骤S110中，所述旅游关键词集合包括地点关键词子集和主题关键词子集，基于旅游攻略的文本分别在地点关键词子集中获得至少一个地点关键词、在主题关键词子集中获得至少一个主题关键词；

所述步骤S120中，查找同时满足所述地点关键词和主题关键词的图片形成照片库。

优选地，所述步骤S120中，所述图片满足所述地点关键词的条件为：

所述图片的拍摄地点信息命中所述地点关键词；或者

所述图片的拍摄地点GPS定位信息在所述地点关键词对应的GPS定位范围内。

优选地，所述步骤S120中，所述图片满足所述主题关键词的条件为：

所述图片通过训练后的图片分别标签网络，每个所述图片获得至少一个标签；

所述图片的至少一个所述标签命中所述主题关键词。

优选地，所述图片分别标签网络根据所述预的旅游关键词集合进行图片标签分类的训练，对所述图片输出所述预的旅游关键词集合中的至少一个所述旅游关键词。

优选地，将满足所述地点关键词的所述图片形成过程照片库，在所述过程照片库中查找满足所述主题关键词的图片形成照片库。

优选地，所述步骤S120中查找照片的范围为当前用户账户对应的至少一云端照片库或是用户当前使用的移动终端中储存的照片库。

优选地，所述步骤S110中，所述旅游攻略的文本为用户当前编辑中的自然文本段落；

所述步骤S140中，将被选中的图片加入到用户当前编辑中的自然文本段落之前。

优选地，所述步骤S130中训练图片质量网络，包括以下步骤：

S131、通过查找不同类型和风格的线上图片，聚类出高频图片类型；

S132、建立基于多尺度特征的图像信息挖掘模型，对查找的攻略图片信息进行多维度评估，所述维度包括清晰度、布局、色彩、饱和度；以及

S133将所述挖掘模型的结果转化为小数并保留固定位数，根据最终的质量分进行排序。

优选地，所述步骤S132中包括：

基于预设关键词，分别找出不同关键词下图片信息，生成质量评估数据集，评估标准包括清晰度、饱和度、构图、色彩等；

对数据集中图片做预处理操作，所有图像的尺寸被统一调整至固定长宽，并对图像像素点进行归一化操作；对调整后固定大小图片进行批处理输入后续网络；对于部分图片较少的分数段，将图片水平翻转后形成新的图片，放入数据集；

根据图片特点，搭建对应的深度卷积神经网络，本发明针对攻略图片特点，设计了基于多尺度的多层复杂网络(MultiNet)；整个网络由两部分组成，第一部分是骨干网络，骨干网络使用密集卷积网络(densenet121网络)，由4个区块(block)组成，每个区块包含多个卷积层、激活层等，共121层卷积层，每个层的特征大小均相同，所以每一层均可与前面所有层的特征进行通道上的连接，实现特征重用，提升效率；对每个区块的最后一层，进行模型压缩，降低特征大小，然后将其特征平均池化到1*1大小，四个区块均进行此操作，最后将四个特征进行通道上的结合，实现多尺度；第二部分为全连接网络，对抽取的特征进行单独训练，全连接网络包含3个全连接层和多个激活层、池化层等，最后输出预测层，输出8个类别，然后将8个类别进行概率结合，输出最终分数；

其中，针对类别预测使用了交叉熵损失函数，公式定义如下，其中p

loss＝∑y log(p

将获取的数据集进行训练集、验证集和测试集的划分，然后使用基于大规模场景数据集训练得到的模型进行迁移学习，在迁移学习的过程中，对图片进行缩放、归一化等操作增强模型鲁棒性，然后使用迁移学习后的网络进行多尺度特征提取，将提取后的特征进行训练，迭代模型至模型在验证集上的测试效果达到最优；

利用训练好的模型在线上攻略图片上做前向预测，输出图像在各个分数段上的预测概率；

利用预测概率，预测概率与分数进行结合，得到最终的数分，公式如下，其中i为分数，p(i)为该分数的预测概率；

将所述数分输出作为所述挖掘模型的结果。

本发明的实施例还提供一种基于照片库的图片质量排序系统，用于实现上述的基于照片库的旅游攻略编辑方法，所述基于照片库的图片质量排序系统包括：

关键词获得模块，基于旅游攻略的文本在预的旅游关键词集合中获得关联度最高的至少一个关键词，形成关键词组合；

照片查找模块，查找满足所述关键词组合的图片形成照片库；

质量排序模块，通过经过训练的图片质量网络对目标照片库中图片的质量进行排序；以及

图片插入模块，将排序靠前的至少一图片加入到所述旅游攻略的文本中的预设位置。

本发明的实施例还提供一种基于照片库的图片质量排序设备，包括：

处理器；

存储器，其中存储有所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行上述基于照片库的旅游攻略编辑方法的步骤。

本发明的实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被执行时实现上述基于照片库的旅游攻略编辑方法的步骤。

本发明的目的在于提供基于照片库的旅游攻略编辑方法、系统、设备及存储介质，能够实现对图片的质量评估，对图片从用户角度进行多方面的整体评估，快速准确的获取图片质量，可以使最吸引人的图片排在首位，用户在获取信息时往往能第一时间获取最好看的图片，增强用户体验。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。

图1是本发明的基于照片库的旅游攻略编辑方法的流程图。

图2至4是实施本发明的基于照片库的旅游攻略编辑方法的过程示意图。

图5是本发明的基于照片库的图片质量排序系统的模块示意图。

图6是本发明的基于照片库的图片质量排序设备的结构示意图。

图7是本发明一实施例的计算机可读存储介质的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式。相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的结构，因而将省略对它们的重复描述。

图1是本发明的基于照片库的旅游攻略编辑方法的流程图。如图1所示，本发明的实施例提供一种基于照片库的旅游攻略编辑方法，包括以下步骤：

S110、基于旅游攻略的文本在预的旅游关键词集合中获得关联度最高的至少一个关键词，形成关键词组合；

S120、查找满足所述关键词组合的图片形成照片库；

S130、通过经过训练的图片质量网络对目标照片库中图片的质量进行排序；以及

S140、将排序靠前的至少一图片加入到所述旅游攻略的文本中的预设位置。

本发明针对现在大量低质量图片优先展示的情况，建立算法模型，实现对线上图片进行及时的质量评估，保证后续头图挑选和图片排序的准确性及可靠性。

在一个优选实施例中，所述步骤S110中，所述旅游关键词集合包括地点关键词子集和主题关键词子集，基于旅游攻略的文本分别在地点关键词子集中获得至少一个地点关键词、在主题关键词子集中获得至少一个主题关键词；

所述步骤S120中，查找同时满足所述地点关键词和主题关键词的图片形成照片库。

在一个优选实施例中，，所述步骤S120中，所述图片满足所述地点关键词的条件为：

所述图片的拍摄地点信息命中所述地点关键词；或者

所述图片的拍摄地点GPS定位信息在所述地点关键词对应的GPS定位范围内。

在一个优选实施例中，，所述步骤S120中，所述图片满足所述主题关键词的条件为：

所述图片通过训练后的图片分别标签网络，每个所述图片获得至少一个标签；

所述图片的至少一个所述标签命中所述主题关键词。

在一个优选实施例中，所述图片分别标签网络根据所述预的旅游关键词集合进行图片标签分类的训练，对所述图片输出所述预的旅游关键词集合中的至少一个所述旅游关键词。

在一个优选实施例中，，将满足所述地点关键词的所述图片形成过程照片库，在所述过程照片库中查找满足所述主题关键词的图片形成照片库。

在一个优选实施例中，，所述步骤S120中查找照片的范围为当前用户账户对应的至少一云端照片库或是用户当前使用的移动终端中储存的照片库。

在一个优选实施例中，，所述步骤S110中，所述旅游攻略的文本为用户当前编辑中的自然文本段落；

所述步骤S140中，将被选中的图片加入到用户当前编辑中的自然文本段落之前。

在一个优选实施例中，，所述步骤S130中训练图片质量网络，包括以下步骤：

S131、通过查找不同类型和风格的线上图片，聚类出高频图片类型；

S132、建立基于多尺度特征的图像信息挖掘模型，对查找的攻略图片信息进行多维度评估，所述维度包括清晰度、布局、色彩、饱和度；以及

S133将所述挖掘模型的结果转化为小数并保留固定位数，根据最终的质量分进行排序。

在一个优选实施例中，，所述步骤S132中包括：

基于预设关键词，分别找出不同关键词下图片信息，生成质量评估数据集，评估标准包括清晰度、饱和度、构图、色彩等；

对数据集中图片做预处理操作，所有图像的尺寸被统一调整至固定长宽，并对图像像素点进行归一化操作；对调整后固定大小图片进行批处理输入后续网络；对于部分图片较少的分数段，将图片水平翻转后形成新的图片，放入数据集；

根据图片特点，搭建对应的深度卷积神经网络，本发明针对攻略图片特点，设计了基于多尺度的MultiNet；整个网络由两部分组成，第一部分是骨干网络，骨干网络使用densenet121网络，由4个区块组成，每个区块包含多个卷积层、激活层等，共121层卷积层，每个层的特征大小均相同，所以每一层均可与前面所有层的特征进行通道上的连接，实现特征重用，提升效率；对每个区块的最后一层，进行模型压缩，降低特征大小，然后将其特征平均池化到1*1大小，四个区块均进行此操作，最后将四个特征进行通道上的结合，实现多尺度；第二部分为全连接网络，对抽取的特征进行单独训练，全连接网络包含3个全连接层和多个激活层、池化层等，最后输出预测层，输出8个类别，然后将8个类别进行概率结合，输出最终分数；

其中，针对类别预测使用了交叉熵损失函数，公式定义如下，其中p

loss＝∑y log(p

将获取的数据集进行训练集、验证集和测试集的划分，然后使用基于大规模场景数据集训练得到的模型进行迁移学习，在迁移学习的过程中，对图片进行缩放、归一化等操作增强模型鲁棒性，然后使用迁移学习后的网络进行多尺度特征提取，将提取后的特征进行训练，迭代模型至模型在验证集上的测试效果达到最优；

利用训练好的模型在线上攻略图片上做前向预测，输出图像在各个分数段上的预测概率；

利用预测概率，预测概率与分数进行结合，得到最终的数分，公式如下，其中i为分数，p(i)为该分数的预测概率；

将所述数分输出作为所述挖掘模型的结果。

如图2至4所示，举例说明本发明的基于照片库的旅游攻略编辑方法的实施过程。参考图2，用户在自己的手机1上编辑自己去年去北海道旅游的攻略，写下了“我们去年冬天去北海道滑雪......”，基于旅游攻略的文本在预的旅游关键词集合中获得关联度最高的至少一个关键词，形成关键词组合。旅游关键词集合包括预设的地点关键词子集(例如包括：上海、北京、北海道、纽约等等)和预设的主题关键词子集(例如包括：美食、温泉、冲浪、滑雪等等)，基于旅游攻略的文本“我们去年冬天去北海道滑雪......”分别在地点关键词子集中获得至少一个地点关键词“北海道”、在主题关键词子集中获得至少一个主题关键词“滑雪”。

参考图3，在用户当前使用的手机1中储存的照片库2中的大量照片21、22、23、24、25......等中查找同时满足地点关键词和主题关键词的图片形成照片库。(其中照片21是在北海道拍摄的合影，照片22是在北海道拍摄的滑雪，这些照片在拍摄时都就移动终端的GPS获得了拍摄地点的定位信息)通过比对手机1记录的每张照片拍摄时的GPS信息与“北海道”对应的GPS定位范围，当照片的GPS信息处于“北海道”对应的GPS定位范围内，则挑选出这些照片21、22，以此组成过程照片库3。

将过程照片库中的所有照片21、22通过训练后的图片分别标签网络，每个图片获得至少一个标签，照片21的标签为合照，照片22的标签为滑雪......照片22的标签满足主题关键词“滑雪”，则将照片21等照片库，依次类推形成照片库(都是手机1中满足“北海道”和“滑雪”的照片)。其中，标签网络根据预的旅游关键词集合进行图片标签分类的训练，对图片输出预的旅游关键词集合中的至少一个旅游关键词。

然后对照片库中的照片通过经过训练的图片质量网络对目标照片库中图片的质量进行排序，获得照片质量由高到低的序列。

本发明中使用的图片质量排序方法，方案的具体实施流程包含以下步骤：

S01.对线上攻略图片进行挖掘，包括但不限于景点、美食、餐厅等。

S02.建立基于多尺度特征的图像信息挖掘模型，图像信息挖掘模型算法包括但不限于图像分类、图片评估模型。对挖掘的攻略图片信息，综合多方面信息进行整体评估，包括但不限于清晰度、布局、色彩、饱和度等

S03.将模型结果转化为小数并保留固定位数，根据最终的质量分进行排序。

S04.人工干预和确认图片质量，并进行纠错。

对于S01，在本案实施中，通过挖掘不同类型和风格的线上图片，聚类出高频图片类型，包括室内、自然景观、美食等。

其中对于S02中图像信息提取的实现方法，实施流程图如附图2所示。具体的，包含以下步骤：

步骤一：数据集构建

根据S01中提到的关键词，分别找出不同关键词下图片信息，生成质量评估数据集，并根据不同场景下用户主观感受不同，分别进行质量评估和样本标注，并保证每个场景图片不低于1000张，其中质量评估分数范围为3-10分，评估标准基于多方面，包括但不限于清晰度、饱和度、构图、色彩等。图片质量评估的最终结果以多人相同的结果值为准。

步骤二：数据预处理

对数据集中图片做预处理操作，所有图像的尺寸被统一调整至固定长宽，并对图像像素点进行归一化操作。对调整后固定大小图片进行批处理输入后续网络。对于部分图片较少的分数段，将图片水平翻转后形成新的图片，放入数据集。

步骤三：网络搭建

根据图片特点，搭建对应的深度卷积神经网络，本发明针对攻略图片特点，设计了基于多尺度的MultiNet。整个网络由两部分组成，第一部分是骨干网络，骨干网络使用densenet121网络，由4个区块组成，每个区块包含多个卷积层、激活层等，共121层卷积层，每个层的特征大小均相同，所以每一层均可与前面所有层的特征进行通道上的连接，实现特征重用，提升效率。对每个区块的最后一层，进行模型压缩，降低特征大小，然后将其特征平均池化到1*1大小，四个区块均进行此操作，最后将四个特征进行通道上的结合，实现多尺度。第二部分为全连接网络，对抽取的特征进行单独训练，全连接网络包含3个全连接层和多个激活层、池化层等，最后输出预测层，输出8个类别，然后将8个类别进行概率结合，输出最终分数。

其中针对类别预测使用了交叉熵损失函数，公式定义如下，其中p

loss＝∑y log(p

步骤四：模型训练

在本案实施中，首先将获取的数据集进行训练集、验证集和测试集的划分，然后使用基于大规模场景数据集训练得到的模型进行迁移学习，在迁移学习的过程中，对图片进行缩放、归一化等操作增强模型鲁棒性，然后使用迁移学习后的网络进行多尺度特征提取，将提取后的特征进行训练，迭代模型至模型在验证集上的测试效果达到最优。

步骤五：模型预测

利用步骤四中训练好的模型在线上攻略图片上做前向预测，输出图像在各个分数段上的预测概率。

对于S03，利用S02中得到的预测概率，预测概率与分数进行结合，得到最终的小数分。公式如下，其中i为分数，p(i)为该分数的预测概率。

对于S04，将模型预测的分数与人工评估的分数进行多方面的比较，以此得到预测图片与该分数段图片的实际差异，并根据实际差异进行补充相应负样本，进行模型迭代。

本发明在实际实施的过程中，在S04阶段不断收集产品人员的反馈结果，并将S01到S03定期重复执行，用以提升基于多尺度特征的图片质量评估模型的表现性能。本发明可以基于攻略线上海量图片信息，包含景点、餐厅、美食、城市等多种图片，利用多尺度特征提取的方法对图片进行质量评估，为后续头图挑选、图片排序提供良好的基础，可节省运营维护成本，保证头图的质量及图片排序质量，有效提升用户的流量和体验。

最后，参考图4，序列中照片质量最高的照片21加入到用户当前编辑中的自然文本“我们去年冬天去北海道滑雪……”的段落之前。

整个过程中，用户不需要手动挑选照片，本发明能够根据用户编辑中的文本，自动挑选出与文本最相关并且照片质量最好的照片进行自动配图。

在一个变化例中，实时对用户编辑的旅游攻略的文本进行上述步骤(步骤S110至步骤S140等)，从而能够在用户编辑的旅游攻略的文本的不同进度中实时地对照片进行重新选择以及配图照片的更换，通过这种方式确保充分利用用户编辑的旅游攻略的文本的完整信息，获得与文本最相关并且照片质量最好的照片进行自动配图。

本发明的基于照片库的图片质量排序方法能够实现对图片的质量评估，对图片从用户角度进行多方面的整体评估，快速准确的获取图片质量，可以使最吸引人的图片排在首位，用户在获取信息时往往能第一时间获取最好看的图片，增强用户体验。

图5是本发明的基于照片库的图片质量排序系统的模块示意图。如图5所示，本发明的基于照片库的图片质量排序系统5包括：

关键词获得模块51，基于旅游攻略的文本在预的旅游关键词集合中获得关联度最高的至少一个关键词，形成关键词组合。

照片查找模块52，查找满足所述关键词组合的图片形成照片库。

质量排序模块53，通过经过训练的图片质量网络对目标照片库中图片的质量进行排序。

图片插入模块54，将排序靠前的至少一图片加入到所述旅游攻略的文本中的预设位置。

本发明的基于照片库的图片质量排序系统能够实现对图片的质量评估，对图片从用户角度进行多方面的整体评估，快速准确的获取图片质量，可以使最吸引人的图片排在首位，用户在获取信息时往往能第一时间获取最好看的图片，增强用户体验。

本发明实施例还提供一种基于照片库的图片质量排序设备，包括处理器。存储器，其中存储有处理器的可执行指令。其中，处理器配置为经由执行可执行指令来执行的基于照片库的旅游攻略编辑方法的步骤。

如上所示，该实施例本发明的基于照片库的图片质量排序系统能够实现对图片的质量评估，对图片从用户角度进行多方面的整体评估，快速准确的获取图片质量，可以使最吸引人的图片排在首位，用户在获取信息时往往能第一时间获取最好看的图片，增强用户体验。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“平台”。

图6是本发明的基于照片库的图片质量排序设备的结构示意图。下面参照图6来描述根据本发明的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同平台组件(包括存储单元620和处理单元610)的总线630、显示单元640等。

其中，存储单元存储有程序代码，程序代码可以被处理单元610执行，使得处理单元610执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，处理单元610可以执行如图1中所示的步骤。

存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。

存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。

本发明实施例还提供一种计算机可读存储介质，用于存储程序，程序被执行时实现的基于照片库的旅游攻略编辑方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。

如上所示，该实施例本发明的基于照片库的图片质量排序系统能够实现对图片的质量评估，对图片从用户角度进行多方面的整体评估，快速准确的获取图片质量，可以使最吸引人的图片排在首位，用户在获取信息时往往能第一时间获取最好看的图片，增强用户体验。

图7是本发明的计算机可读存储介质的结构示意图。参考图7所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

综上，本发明的目的在于提供基于照片库的旅游攻略编辑方法、系统、设备及存储介质，本发明的基于照片库的图片质量排序系统能够实现对图片的质量评估，对图片从用户角度进行多方面的整体评估，快速准确的获取图片质量，可以使最吸引人的图片排在首位，用户在获取信息时往往能第一时间获取最好看的图片，增强用户体验。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。