1.一种基于生成对抗网络的云展会内容推荐方法,其特征在于:包括以下步骤:
第一步,构建生成器,用于生成用户浏览行为score得分序列
s1-1、通过浏览行为模拟器获取用户浏览行为数据,其中,用户浏览行为数据包括用户特征数据以及内容特征数据;
s1-2、预设推荐系统,建立针对用户特征数据与内容特征数据组合的score得分计算模型;
s1-3、基于score得分计算模型计算得到用户浏览行为数据score得分序列;
第二步,构建判别器,对所述score得分序列进行真实性判断以得到有效用户浏览行为数据;
第三步,推荐唯一有效用户浏览行为数据以作为确定输出的目标结果。
2.根据权利要求1所述的一种基于生成对抗网络的云展会内容推荐方法,其特征在于:在步骤s1-2中,通过预设推荐系统得到所述score得分计算模型的具体实施方式为:
s1-21、获取训练样本,其中,所述训练样本中至少标注有第一训练特征信息和第二训练特征信息,所述第一训练特征信息用于表征用户浏览行为数据的特征向量信息,所述第二训练特征信息用于表征用户特征数据与内容特征数据组合的score分值信息;
s1-22,采用所述第一训练特征信息和第二训练特征信息输入至回归模型同时进行训练,得到score得分计算模型,其中,回归模型包括线性回归模型、多项式回归模型、回归树模型以及回归森林模型。
3.根据权利要求1或2所述的一种基于生成对抗网络的云展会内容推荐方法,其特征在于:在基于所述score得分计算模型得到所述score得分序列之后,且在所述判别器对所述score得分序列进行真实性判断之前,还包括
s1-31、score得分计算模型将得到的所述score得分序列转化为所述判别器输入形式的用户浏览行为序列。
4.根据权利要求1或2所述的一种基于生成对抗网络的云展会内容推荐方法,其特征在于:在第二步中,采用基于序列建模的深度学习模型lstm作为判别器,所述判别器的具体构建过程为:
s2-1、获取建模训练样本,其中,所述建模训练样本中至少标注有第三训练特征信息和第四训练特征信息,所述第三训练特征信息用于表征过往云展会的用户浏览行为数据信息,所述第四训练特征信息用于表征含有人工标记的过往云展会的用户浏览行为数据信息;
s2-2、规则建模:建立时间序列模型,以用于保留过往云展会的用户浏览行为的时序信息,以及在时间序列模型下的各个时刻所对应的用户特征信息以及内容特征信息,具体为:
s2-21、采用第三训练特征信息和第四训练特征信息输入至深度学习模型lstm,并同时进行建模训练;
s2-22、基于经训练后的深度学习模型lstm,且以时间值为单位将获取的所述建模训练样本的训练特征信息建模为用户浏览行为的行为序列;
s2-23、将所述score得分计算模型输出的用户浏览行为数据score得分序列与所述深度学习模型lstm输出的行为序列进行对比;
s2-24、根据对比结果对所述训练样本重新划分,以用于解决所述训练样本特征信息稀疏问题,与此同时,依据对比结果对所述score得分序列进行真实性判断,得到有效用户浏览行为数据。
5.根据权利要求4所述的一种基于生成对抗网络的云展会内容推荐方法,其特征在于:在步骤s2-22中,在以时间值为单位将获取的所述建模训练样本的训练特征信息建模为行为序列的过程中:
若存在建模训练样本的训练特征信息所对应的时间值小于所述建模时的时间值时,则按照所述建模时的时间值进行计算;
若存在建模训练样本的训练特征信息所对应的时间值大于所述建模时的时间值时,则将其拆分为多个时间步,并按照向上取整函数进行计算。
6.根据权利要求4所述的一种基于生成对抗网络的云展会内容推荐方法,其特征在于:在步骤s2-24中,在依据对比结果对所述训练样本重新划分之前,还包括
首先,将深度学习模型lstm输出行为序列中所包含的lstm隐层向量连接softmax分类器,以得到所述过往云展会的用户浏览行为数据信息的分类结果以及所述含有人工标记的过往云展会的用户浏览行为数据信息的人工标注结果,其中,
所述lstm隐层向量为深度学习模型lstm进行时间序列建模时的末端时间值处的隐层向量;
其次,预设交叉熵损失函数分别对所述分类结果和人工标注结果进行损失值计算,并同时进行深度学习模型lstm的训练,以用于衡量深度学习模型lstm的预测值与实际值。
7.根据权利要求1或2所述的一种基于生成对抗网络的云展会内容推荐方法,其特征在于:第三步中,在推荐唯一有效用户浏览行为数据以作为确定输出的目标结果的过程中:
需要对有效用户浏览行为数据进行测试,若达到测试目标结果,则直接输出;
反之,则返回步骤s1-2、将此有效用户浏览行为数据作为新的训练样本的训练特征信息,并代入至回归模型进行训练,得到新的推荐系统,并顺序执行后续步骤,直至达到测试目标结果后,直接输出。
8.一种根据权利要求1-7任一项所述的基于生成对抗网络的云展会内容推荐系统,其特征在于:包括生成器模块、判别器模块、目标结果测试输出模块,
所述生成器模块包括数据获取模块、数据推荐模块以及序列转化模块,其中,
数据获取模块,用于通过浏览行为模拟器获取用户浏览行为数据,用户浏览行为数据包括用户特征数据以及内容特征数据;
数据推荐模块,用于建立针对用户特征数据与内容特征数据组合的score得分计算模型,以得到用户浏览行为数据score得分序列;
序列转化模块,用于将所述score得分序列转化为所述判别器输入形式的用户浏览行为序列,
判别器模块,用于对所述score得分序列进行真实性判断以得到有效用户浏览行为数据;
目标结果测试输出模块,用于推荐唯一有效用户浏览行为数据以作为确定输出的目标结果。
9.根据权利要求8所述的一种基于生成对抗网络的云展会内容推荐系统,其特征在于:判别器模块包括训练样本采集模块、训练模块、数据对比模块以及score得分序列真实性判断模块,其中,
训练样本采集模块,用于获取建模训练样本的特征信息;
训练模块,用于输出过往云展会的用户浏览行为序列;
数据对比模块,用于将所述判别器输入形式的用户浏览行为序列与所述过往云展会的用户浏览行为序列进行对比,得到对比结果;
score得分序列真实性判断模块,用于根据对比结果对所述数据推荐模块中的训练样本重新划分,并得到有效用户浏览行为数据。
10.一种基于生成对抗网络的云展会内容推荐设备,其特征在于:包括至少一个处理器以及与至少一个所述处理器建立信息交互通道的存储器,其中,
每个所述存储器存储有可被至少一个所述处理器执行的计算机程序;
所述计算机程序被至少一个所述处理器执行,以使至少一个所述处理器执行权利要求1-7任一项所述的基于生成对抗网络的云展会内容推荐方法和/或如权利要求8-9任意一项所述的基于生成对抗网络的云展会内容推荐系统。