[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

说明书

本申请提供一种生成对抗网络模型的训练方法、信息推荐方法及相关设备，该方法包括：将样本数据进行向量转换，获得第一向量集和第二向量集，第一向量集包括由用户数据转换获得的一阶特征向量，第二向量集包括由对象数据转换获得的一阶特征向量；将第一向量集和第二向量集输入生成网络，获得生成向量；利用生成向量对判别网络进行训练；生成网络包括分解机网络层、深度神经网络层和输出层，分解机网络层用于对一阶特征向量进行特征提取获得第一特征向量，对一阶特征向量进行组合后的二阶特征向量进行特征提取获得第二特征向量，深度神经网络层用于对基于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，输出层的输出为生成向量。

技术领域

本申请属于人工智能领域，尤其涉及一种对抗网络模型的训练方法、信息推荐方法及相关设备。

背景技术

随着人工智能的发展，生成对抗网络(generative adversarial network，GAN)在计算机视觉(Computer Version，CV)、自然语言处理(Natuarl Language Processing，NLP)等领域取得了巨大的成功。为此，考虑将GAN应用于信息检索的工作。现有技术中，针对生成对抗网络模型的训练通常采用用户的历史交互信息作为模型输入，这样将会导致生成对抗网络模型不能完全捕获文本信息，导致训练的生成对抗网络模型的预测能力较低。

发明内容

本申请实施例提供一种对抗网络模型的训练方法、信息推荐方法及相关设备，以解决将GAN应用于信息检索时，预测能力较低的问题。

为了解决上述技术问题，本申请是这样实现的：

第一方面，本申请实施例提供了一种生成对抗网络模型的训练方法，待训练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。

第二方面，本申请实施例提供了一种信息推荐方法，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。