[發(fā)明專利]基于對(duì)抗網(wǎng)絡(luò)的信息推送方法、裝置及計(jì)算機(jī)設(shè)備

有效

• 申請(qǐng)?zhí)枺?/td>: 202011417394.2
• 申請(qǐng)日: 2020-12-07
• 公開（公告）號(hào): CN112199603B
• 公開（公告）日: 2021-03-09
• 發(fā)明（設(shè)計(jì)）人: 任杰;袁雅云
• 申請(qǐng)（專利權(quán)）人: 平安科技（深圳）有限公司
• 主分類號(hào): G06F16/9535
• 分類號(hào): G06F16/9535;G06Q10/06;G06F17/16;G06K9/62;G06N3/08;H04L29/08
• 代理公司: 深圳市精英專利事務(wù)所 44242
• 代理人: 李翔宇

本發(fā)明公開了基于對(duì)抗網(wǎng)絡(luò)的信息推送方法、裝置、計(jì)算機(jī)設(shè)備及存儲(chǔ)介質(zhì)，涉及人工智能，包括先重復(fù)分別從虛擬對(duì)象指標(biāo)矩陣分組第k分組和虛擬對(duì)象指標(biāo)矩陣分組第k+1分組中任意獲取一個(gè)虛擬對(duì)象指標(biāo)矩陣及與所獲取兩個(gè)虛擬對(duì)象指標(biāo)矩陣對(duì)應(yīng)的分組序號(hào)以對(duì)待訓(xùn)練cycle?GAN模型進(jìn)行訓(xùn)練，直到至其收斂時(shí)停止從虛擬對(duì)象指標(biāo)矩陣分類結(jié)果中獲取虛擬對(duì)象指標(biāo)矩陣，得到cycle?GAN模型；將所述當(dāng)前虛擬對(duì)象指標(biāo)矩陣輸入至cycle?GAN模型進(jìn)行運(yùn)算，得到與所述當(dāng)前虛擬對(duì)象指標(biāo)矩陣對(duì)應(yīng)的遷移矩陣。實(shí)現(xiàn)了通過cycle?GAN模型自動(dòng)在大量的虛擬對(duì)象指標(biāo)矩陣中尋找到與當(dāng)前虛擬對(duì)象指標(biāo)矩陣相近似的遷移矩陣以作為參數(shù)參考，無(wú)需人工搜尋、比對(duì)和分析數(shù)據(jù)，提高了推薦數(shù)據(jù)的獲取效率。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能的智能決策技術(shù)領(lǐng)域，尤其涉及一種基于對(duì)抗網(wǎng)絡(luò)的信息推送方法、裝置、計(jì)算機(jī)設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)

目前，在信息分發(fā)領(lǐng)域，出現(xiàn)了越來(lái)越多的信息推薦算法。例如常見的一種信息推薦方式是先獲取目標(biāo)用戶的用戶標(biāo)簽，然后在內(nèi)容庫(kù)中篩選與用戶標(biāo)簽對(duì)應(yīng)的目標(biāo)內(nèi)容后，將目標(biāo)內(nèi)容推送至目標(biāo)用戶。現(xiàn)有技術(shù)中的信息推薦算法是適用于用戶標(biāo)簽易獲取的場(chǎng)景，一旦用戶的用戶標(biāo)簽難以獲?。ɡ缰荒芴崛〕鲇脩舻母呔S度特征矩陣），則采用現(xiàn)有的信息推薦算法無(wú)法進(jìn)行信息推薦。

例如，當(dāng)某一用戶或是某一企業(yè)對(duì)應(yīng)一個(gè)高維度的特征矩陣，需要獲取與該用戶或是企業(yè)具有近似特征矩陣的目標(biāo)特征矩陣以進(jìn)行信息推薦時(shí)，一般是采用有監(jiān)督模型來(lái)進(jìn)行篩選獲取或是人工判斷，這就導(dǎo)致目標(biāo)特征矩陣的獲取時(shí)間較長(zhǎng)，效率低下，而且準(zhǔn)確率不高。

發(fā)明內(nèi)容

本發(fā)明實(shí)施例提供了一種基于對(duì)抗網(wǎng)絡(luò)的信息推送方法、裝置、計(jì)算機(jī)設(shè)備及存儲(chǔ)介質(zhì)，旨在解決現(xiàn)有技術(shù)中用戶的用戶標(biāo)簽難以獲取，需要獲取與該用戶或是企業(yè)具有近似特征矩陣的目標(biāo)特征矩陣以進(jìn)行信息推薦時(shí)，一般是采用有監(jiān)督模型來(lái)進(jìn)行篩選獲取或是人工判斷，導(dǎo)致目標(biāo)特征矩陣的獲取時(shí)間較長(zhǎng)，效率低下，而且準(zhǔn)確率不高的問題。

第一方面，本發(fā)明實(shí)施例提供了一種基于對(duì)抗網(wǎng)絡(luò)的信息推送方法，其包括：

將數(shù)據(jù)特征指標(biāo)獲取模板發(fā)送至業(yè)務(wù)服務(wù)器；

接收業(yè)務(wù)服務(wù)器根據(jù)所述數(shù)據(jù)特征指標(biāo)獲取模板發(fā)送的數(shù)據(jù)特征指標(biāo)矩陣，根據(jù)預(yù)設(shè)的數(shù)據(jù)維度提取策略獲取與所述數(shù)據(jù)特征指標(biāo)矩陣對(duì)應(yīng)的虛擬對(duì)象指標(biāo)矩陣；其中，所述虛擬對(duì)象指標(biāo)矩陣中包括若干個(gè)虛擬對(duì)象指標(biāo)序列，且同一業(yè)務(wù)服務(wù)器發(fā)送的數(shù)據(jù)特征指標(biāo)矩陣與虛擬對(duì)象指標(biāo)矩陣一一對(duì)應(yīng)；

將各虛擬對(duì)象指標(biāo)矩陣根據(jù)對(duì)應(yīng)的指標(biāo)總和按升序排序并調(diào)用預(yù)設(shè)的分組總個(gè)數(shù)進(jìn)行分類，得到虛擬對(duì)象指標(biāo)矩陣分類結(jié)果；其中，將分組總個(gè)數(shù)記為N，虛擬對(duì)象指標(biāo)矩陣分類結(jié)果分別記為虛擬對(duì)象指標(biāo)矩陣分組第一分組至虛擬對(duì)象指標(biāo)矩陣分組第N分組；

重復(fù)分別從虛擬對(duì)象指標(biāo)矩陣分組第k分組和虛擬對(duì)象指標(biāo)矩陣分組第k+1分組中任意獲取一個(gè)虛擬對(duì)象指標(biāo)矩陣及與所獲取兩個(gè)虛擬對(duì)象指標(biāo)矩陣對(duì)應(yīng)的分組序號(hào)以對(duì)待訓(xùn)練cycle-GAN模型進(jìn)行訓(xùn)練，直到至待訓(xùn)練cycle-GAN模型收斂時(shí)停止從虛擬對(duì)象指標(biāo)矩陣分類結(jié)果中獲取虛擬對(duì)象指標(biāo)矩陣，得到cycle-GAN模型；其中，k的取值范圍是[1,N-1]；

獲取所上傳的當(dāng)前數(shù)據(jù)特征指標(biāo)矩陣，根據(jù)所述數(shù)據(jù)維度提取策略獲取與所述數(shù)據(jù)特征指標(biāo)矩陣對(duì)應(yīng)的當(dāng)前虛擬對(duì)象指標(biāo)矩陣；以及

將所述當(dāng)前虛擬對(duì)象指標(biāo)矩陣輸入至cycle-GAN模型進(jìn)行運(yùn)算，得到與所述當(dāng)前虛擬對(duì)象指標(biāo)矩陣對(duì)應(yīng)的遷移矩陣。

第二方面，本發(fā)明實(shí)施例提供了一種基于對(duì)抗網(wǎng)絡(luò)的信息推送裝置，其包括：

模板發(fā)送單元，用于將數(shù)據(jù)特征指標(biāo)獲取模板發(fā)送至業(yè)務(wù)服務(wù)器；