[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

本申請提供一種生成對抗網絡模型的訓練方法、信息推薦方法及相關設備，該方法包括：將樣本數據進行向量轉換，獲得第一向量集和第二向量集，第一向量集包括由用戶數據轉換獲得的一階特征向量，第二向量集包括由對象數據轉換獲得的一階特征向量；將第一向量集和第二向量集輸入生成網絡，獲得生成向量；利用生成向量對判別網絡進行訓練；生成網絡包括分解機網絡層、深度神經網絡層和輸出層，分解機網絡層用于對一階特征向量進行特征提取獲得第一特征向量，對一階特征向量進行組合后的二階特征向量進行特征提取獲得第二特征向量，深度神經網絡層用于對基于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，輸出層的輸出為生成向量。

技術領域

本申請屬于人工智能領域，尤其涉及一種對抗網絡模型的訓練方法、信息推薦方法及相關設備。

背景技術

隨著人工智能的發展，生成對抗網絡(generative adversarial network，GAN)在計算機視覺(Computer Version，CV)、自然語言處理(Natuarl Language Processing，NLP)等領域取得了巨大的成功。為此，考慮將GAN應用于信息檢索的工作。現有技術中，針對生成對抗網絡模型的訓練通常采用用戶的歷史交互信息作為模型輸入，這樣將會導致生成對抗網絡模型不能完全捕獲文本信息，導致訓練的生成對抗網絡模型的預測能力較低。

發明內容

本申請實施例提供一種對抗網絡模型的訓練方法、信息推薦方法及相關設備，以解決將GAN應用于信息檢索時，預測能力較低的問題。

為了解決上述技術問題，本申請是這樣實現的：

第一方面，本申請實施例提供了一種生成對抗網絡模型的訓練方法，待訓練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。

第二方面，本申請實施例提供了一種信息推薦方法，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。