[發明專利]對抗網絡模型的訓練方法、信息推薦方法及相關設備

有效

• 申請號: 202110777132.5
• 申請日: 2021-07-09
• 公開（公告）號: CN113343117B
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 李長林;蔣寧;王洪斌;吳海英;沈春澤;曹磊;席澤西
• 申請（專利權）人: 馬上消費金融股份有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京銀龍知識產權代理有限公司 11243
• 代理人: 黃燦;趙品健

1.一種生成對抗網絡模型的訓練方法，其特征在于，待訓練生成對抗網絡模型包括生成網絡和判別網絡，所述方法包括：

將樣本數據進行向量轉換，獲得第一向量集和第二向量集，所述樣本數據包括用戶數據和對象數據，所述第一向量集包括基于所述用戶數據轉換獲得的多個一階特征向量，所述第二向量集包括基于所述對象數據轉換獲得的多個一階特征向量；

將所述第一向量集和第二向量集輸入所述生成網絡，獲得生成向量，所述生成向量用于表示基于所述生成網絡生成的用戶偏好序列；

利用所述生成向量對所述判別網絡進行訓練，獲得生成對抗網絡模型；

其中，所述生成網絡包括分解機網絡層、深度神經網絡層和輸出層，所述分解機網絡層用于對所述一階特征向量進行特征提取獲得第一特征向量，以及對所述一階特征向量進行兩兩組合后的二階特征向量進行特征提取獲得第二特征向量，所述深度神經網絡層用于對基于所述一階特征向量構建的高階特征向量進行特征提取獲得第三特征向量，所述輸出層的輸入為所述第一特征向量、第二特征向量和第三特征向量，所述輸出層的輸出為所述生成向量。

2.根據權利要求1所述的方法，其特征在于，所述利用所述生成向量對所述判別網絡進行訓練，獲得生成對抗網絡模型包括：

將所述生成向量與所述樣本數據對應的真實向量進行組合，獲得多個第一特征組合向量，所述第一特征組合向量包括用于表示用戶的用戶向量、一個所述生成向量和一個所述真實向量，所述真實向量用于表示用戶的真實偏好序列；

按照預設的采樣方式對所述多個第一特征組合向量進行采樣，獲得采樣結果；

利用所述采樣結果對所述判別網絡進行訓練，獲得生成對抗網絡模型。

3.根據權利要求2所述的方法，其特征在于，所述采樣方式滿足：所述生成向量的數量與所述真實向量的數量的比值為預設比值。

4.根據權利要求1所述的方法，其特征在于，所述將所述第一向量集和第二向量集輸入生成網絡，獲得生成向量的步驟之前，所述方法還包括：

利用預訓練數據分別對所述生成網絡和所述判別網絡進行預訓練。

5.一種信息推薦方法，其特征在于，包括：

將目標用戶的用戶數據和目標對象數據進行向量轉換，獲得第三向量集和第四向量集，所述第三向量集包括基于所述目標用戶的用戶數據轉換獲得的多個一階特征向量，所述第四向量集包括基于所述目標對象數據轉換獲得的多個一階特征向量；

將所述第三向量集和第四向量集輸入至通過生成對抗網絡模型訓練的生成網絡，獲得目標生成向量；

基于所述目標生成向量確定是否向所述目標用戶推薦所述目標對象數據；

其中，所述生成網絡包括分解機網絡層、深度神經網絡層和輸出層，所述分解機網絡層用于對所述一階特征向量進行特征提取獲得第一特征向量，以及對所述一階特征向量進行兩兩組合后的二階特征向量進行特征提取獲得第二特征向量，所述深度神經網絡層用于對基于所述一階特征向量構建的高階特征向量進行特征提取獲得第三特征向量，所述輸出層的輸入為所述第一特征向量、第二特征向量和第三特征向量，所述輸出層的輸出為所述目標生成向量。

6.根據權利要求5所述的方法，其特征在于，所述通過生成對抗網絡模型訓練的生成網絡是如權利要求1至4中任一項所述的生成對抗網絡模型的訓練方法訓練得到的。