[发明专利]对抗网络模型的训练方法、信息推荐方法及相关设备

权利要求书

1.一种生成对抗网络模型的训练方法，其特征在于，待训练生成对抗网络模型包括生成网络和判别网络，所述方法包括：

将样本数据进行向量转换，获得第一向量集和第二向量集，所述样本数据包括用户数据和对象数据，所述第一向量集包括基于所述用户数据转换获得的多个一阶特征向量，所述第二向量集包括基于所述对象数据转换获得的多个一阶特征向量；

将所述第一向量集和第二向量集输入所述生成网络，获得生成向量，所述生成向量用于表示基于所述生成网络生成的用户偏好序列；

利用所述生成向量对所述判别网络进行训练，获得生成对抗网络模型；

其中，所述生成网络包括分解机网络层、深度神经网络层和输出层，所述分解机网络层用于对所述一阶特征向量进行特征提取获得第一特征向量，以及对所述一阶特征向量进行两两组合后的二阶特征向量进行特征提取获得第二特征向量，所述深度神经网络层用于对基于所述一阶特征向量构建的高阶特征向量进行特征提取获得第三特征向量，所述输出层的输入为所述第一特征向量、第二特征向量和第三特征向量，所述输出层的输出为所述生成向量。

2.根据权利要求1所述的方法，其特征在于，所述利用所述生成向量对所述判别网络进行训练，获得生成对抗网络模型包括：

将所述生成向量与所述样本数据对应的真实向量进行组合，获得多个第一特征组合向量，所述第一特征组合向量包括用于表示用户的用户向量、一个所述生成向量和一个所述真实向量，所述真实向量用于表示用户的真实偏好序列；

按照预设的采样方式对所述多个第一特征组合向量进行采样，获得采样结果；

利用所述采样结果对所述判别网络进行训练，获得生成对抗网络模型。

3.根据权利要求2所述的方法，其特征在于，所述采样方式满足：所述生成向量的数量与所述真实向量的数量的比值为预设比值。

4.根据权利要求1所述的方法，其特征在于，所述将所述第一向量集和第二向量集输入生成网络，获得生成向量的步骤之前，所述方法还包括：

利用预训练数据分别对所述生成网络和所述判别网络进行预训练。

5.一种信息推荐方法，其特征在于，包括：

将目标用户的用户数据和目标对象数据进行向量转换，获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标用户的用户数据转换获得的多个一阶特征向量，所述第四向量集包括基于所述目标对象数据转换获得的多个一阶特征向量；

将所述第三向量集和第四向量集输入至通过生成对抗网络模型训练的生成网络，获得目标生成向量；

基于所述目标生成向量确定是否向所述目标用户推荐所述目标对象数据；

其中，所述生成网络包括分解机网络层、深度神经网络层和输出层，所述分解机网络层用于对所述一阶特征向量进行特征提取获得第一特征向量，以及对所述一阶特征向量进行两两组合后的二阶特征向量进行特征提取获得第二特征向量，所述深度神经网络层用于对基于所述一阶特征向量构建的高阶特征向量进行特征提取获得第三特征向量，所述输出层的输入为所述第一特征向量、第二特征向量和第三特征向量，所述输出层的输出为所述目标生成向量。

6.根据权利要求5所述的方法，其特征在于，所述通过生成对抗网络模型训练的生成网络是如权利要求1至4中任一项所述的生成对抗网络模型的训练方法训练得到的。