本发明涉及计算机技术领域，特别是涉及一种基于大数据与深度学习的婚恋对象匹配数据处理方法、装置、计算机设备和存储介质。
背景技术：
大数据指需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。在日常生活中发现，夫妻往往是有夫妻相的，因为人的长相是与基因相关的，而基因与人的性格等各方面相关。
现有婚介机构或网站向用户随机或根据红娘的经验向用户推荐婚恋对象，没有客观依据，不能预测待推荐对象与请求匹配对象在未来时间范围的匹配状态。
技术实现要素：
基于此，有必要针对上述技术问题，提供一种婚恋对象匹配数据处理方法、装置、计算机设备和可读存储介质，基于大数据和深度学习神经网络建立待匹配对象与预设匹配时长的相关性，提供客观的匹配依据，能预测待推荐对象与请求匹配对象在未来时间范围的匹配状态。
一种婚恋对象匹配数据处理方法，所述方法包括：
获取待匹配的第一对象图像数据和第二对象图像数据；
将所述第一对象图像数据和第二对象图像数据输入已训练的深度学习神经网络，所述深度学习神经网络的参数是以已婚匹配对象对应的匹配图像大数据作为输入，将所述已婚匹配对象对应的有效匹配时长与深度学习神经网络训练模型的预设匹配时长比较得到的对应的标签作为预期输出，输入深度学习神经网络训练模型训练得到；
获取所述已训练的深度学习神经网络输出的对应的匹配结果；
根据所述匹配结果确定第一对象与第二对象在所述预设匹配时长的范围内的匹配状态。
在其中一个实施例中，所述获取待匹配的第一对象图像数据和第二对象图像数据的步骤之前，还包括：
获取训练图像大数据，所述训练图像大数据包括已婚匹配对象对应的匹配图像大数据，从所述匹配图像大数据中提取对应的各个已婚匹配对象对应的匹配图像对；
获取已婚匹配对象对应的有效匹配时长，获取深度学习神经网络训练模型的预设匹配时长；
根据已婚匹配对象对应的有效匹配时长和预设匹配时长的关系将对应的匹配图像对归入对应的目标集合，不同的目标集合对应不同的标签；
将各个匹配图像对作为所述深度学习神经网络的输入，对所述深度学习神经网络进行无监督训练；
依次获取各个目标集合内的目标匹配图像对和目标集合对应的标签形成匹配关系，依次将各个目标集合内的目标匹配图像对作为所述深度学习神经网络的输入，将具备匹配关系的标签作为所述深度学习神经网络的预期输出，对所述深度学习神经网络进行有监督训练；
得到所述已训练的深度学习神经网络。
在其中一个实施例中，所述获取已婚匹配对象对应的有效匹配时长的步骤包括：
获取已婚匹配对象的匹配起始时间和当前匹配状态；
如果当前匹配状态为非匹配，则获取匹配终止时间，根据匹配终止时间与匹配起始时间得到有效匹配时长；
如果当前匹配状态为匹配，则获取已婚匹配对象双方状态，如果已婚匹配对象双方状态正常，则获取当前时间，根据当前时间与匹配起始时间得到有效匹配时长范围；
如果已婚匹配对象双方中至少一方状态异常，则将有效匹配时长确定为预设时长。
在其中一个实施例中，所述根据已婚匹配对象对应的有效匹配时长和预设匹配时长的关系将对应的匹配图像对归入对应的目标集合，不同的目标集合对应不同的标签的步骤包括：
如果有效匹配时长大于或等于预设匹配时长，则将所述已婚匹配对象对应的匹配图像对归入第一集合，所述第一集合对应第一标签；
如果有效匹配时长小于预设匹配时长，则将所述已婚匹配对象对应的匹配图像对归入第二集合，所述第二集合对应第二标签；
如果有效匹配时长与预设匹配时长的关系未确定，则将所述已婚匹配对象对应的匹配图像对归为无效数据。
在其中一个实施例中，所述根据所述匹配结果确定第一对象与第二对象在所述预设匹配时长的范围内的匹配状态的步骤包括：
如果所述匹配结果为第一标签，则确定所述第一对象与第二对象在所述预设匹配时长的范围内为匹配成功状态；
如果所述匹配结果为第二标签，则确定所述第一对象与第二对象在所述预设匹配时长的范围内为匹配失败状态。
在其中一个实施例中，所述获取待匹配的第一对象图像数据和第二对象图像数据的步骤包括：
接收请求匹配对象用户终端发送的匹配请求，所述匹配请求包括请求匹配对象图像数据，将所述请求匹配对象图像数据作为所述第一对象图像数据，获取待推荐对象图像数据作为所述第二对象图像数据；
所述根据所述匹配结果确定第一对象与第二对象在所述预设匹配时长的范围内的匹配状态的步骤之后，还包括：
如果请求匹配对象与待推荐对象在所述预设匹配时长的范围内的匹配状态为匹配成功状态，则向所述请求匹配对象用户终端发送待推荐对象对应的用户信息。
一种婚恋对象匹配数据处理装置，所述装置包括：
获取模块，用于获取待匹配的第一对象图像数据和第二对象图像数据；
匹配结果获取模块，用于将所述第一对象图像数据和第二对象图像数据输入已训练的深度学习神经网络，所述深度学习神经网络的参数是以已婚匹配对象对应的匹配图像大数据作为输入，将所述已婚匹配对象对应的有效匹配时长与深度学习神经网络训练模型的预设匹配时长比较得到的对应的标签作为预期输出，输入深度学习神经网络训练模型训练得到，获取所述已训练的深度学习神经网络输出的对应的匹配结果；
匹配状态确定模块，用于根据所述匹配结果确定第一对象与第二对象在所述预设匹配时长的范围内的匹配状态。
在其中一个实施例中，所述获取模块还用于接收请求匹配对象用户终端发送的匹配请求，所述匹配请求包括请求匹配对象图像数据，将所述请求匹配对象图像数据作为所述第一对象图像数据，获取待推荐对象图像数据作为所述第二对象图像数据；
所述装置还包括：
发送模块，用于如果请求匹配对象与待推荐对象在所述预设匹配时长的范围内的匹配状态为匹配成功状态，则向所述请求匹配对象用户终端发送待推荐对象对应的用户信息。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述任一实施例所述方法的步骤。
一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述任一实施例所述方法的步骤。
上述婚恋对象匹配数据处理方法、装置、计算机设备和可读存储介质，通过获取待匹配的第一对象图像数据和第二对象图像数据，将第一对象图像数据和第二对象图像数据输入已训练的深度学习神经网络，深度学习神经网络的参数是以已婚匹配对象对应的匹配图像大数据作为输入，将已婚匹配对象对应的有效匹配时长与深度学习神经网络训练模型的预设匹配时长比较得到的对应的标签作为预期输出，输入深度学习神经网络训练模型训练得到，获取已训练的深度学习神经网络输出的对应的匹配结果，根据匹配结果确定第一对象与第二对象在所述预设匹配时长的范围内的匹配状态，基于大数据和深度学习神经网络建立待匹配对象与预设匹配时长的相关性，提供客观的匹配依据，能预测待推荐对象与请求匹配对象在未来时间范围的匹配状态。
附图说明
图1为一个实施例中婚恋对象匹配数据处理方法的应用环境图；
图2为一个实施例中计算机设备的内部结构图；
图3为一个实施例中婚恋对象匹配数据处理方法的流程图；
图4为一个实施例中初始化配置的流程图；
图5为一个实施例为训练深度学习神经网络的流程图；
图6为一个实施例中婚恋对象匹配数据处理装置的结构框图；
图7为另一个实施例中婚恋对象匹配数据处理装置的结构框图；
图8为再一个实施例中婚恋对象匹配数据处理装置的结构框图；
图9为又一个实施例中婚恋对象匹配数据处理装置的结构框图。
具体实施方式
如图1所示，为一个实施例中的应用环境图，该应用环境包括终端1001、服务器1002，其中终端1001、服务器1002之间能够通过网络进行通信。服务器1002可以是多个物理服务器构成的服务器集群，可以是提供云服务器、云数据库、云存储和cdn等基础云计算服务的云服务器。终端1001可为智能手机、平板电脑、笔记本电脑、台式计算机、智能手表等，但并不局限于此。终端1001可向服务器1002发送匹配请求，匹配请求携带请求匹配对象图像数据，将请求匹配对象图像数据作为第一对象图像数据，服务器1002将依次将各个候选待推荐对象图像数据作为第二对象图像数据，依次计算各个候选待推荐对象与请求匹配对象在预设匹配时长的范围内的匹配状态，并根据匹配状态，将候选待推荐对象信息推荐给请求匹配对象对应的终端。服务器1002也可以存储请求匹配对象图像数据，当存在更新的候选待推荐对象时，计算更新的候选待推荐对象与请求匹配对象在预设匹配时长的范围内的匹配状态，主动向请求匹配对象对应的终端推送在预设匹配时长的范围内匹配成功的候选待推荐对象信息。也可以在终端1001上获取第一对象图像数据和第二对象图像数据，在终端1001上输入已训练的深度学习神经网络得到预设匹配时长的范围内的匹配状态。
如图2所示，为一个实施例中计算机设备的内部结构示意图。该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、内存储器和网络接口。其中，该计算机设备的非易失性存储介质可存储操作系统和计算机程序，该计算机程序被执行时，可使得处理器执行一种婚恋对象匹配数据处理方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该内存储器中可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行一种婚恋对象匹配数据处理方法。计算机设备的网络接口用于进行网络通信。本领域技术人员可以理解，图2中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
如图3所示，在一个实施例中，提出了一种婚恋对象匹配数据处理方法，该方法应用于上述应用环境中的服务器或终端，具体包括以下步骤：
步骤s210，获取待匹配的第一对象图像数据和第二对象图像数据。
其中，第一对象图像数据、第二对象图像数据是分别表征第一对象和第二对象特征的数据，可以是拍摄的图片，也可以是对图片进行图像特征提取后的图像特征数据，其中第一对象和第二对象分别为请求匹配对象和待推荐对象。第一对象图像数据、第二对象图像数据可以携带在终端发送的匹配请求中，也可以是从服务器获取的第一对象图像数据、第二对象图像数据。在一个实施例中，第二对象图像数据是从服务器存储的注册用户对应的图像信息提取的图像数据，随着注册用户信息更新。在一个实施例中，第一对象图像数据和第二对象图像数据是分别从第一对象图像和第二对像图像中提取人脸区域得到的。
步骤s220，将第一对象图像数据和第二对象图像数据输入已训练的深度学习神经网络，深度学习神经网络的参数是以已婚匹配对象对应的匹配图像大数据作为输入，将已婚匹配对象对应的有效匹配时长与深度学习神经网络训练模型的预设匹配时长比较得到的对应的标签作为预期输出，输入深度学习神经网络训练模型训练得到。
其中，深度学习神经网络是模拟人脑进行分析学习的神经网络，模仿人脑的机制来解释图像数据，深度学习的第一步实质上是一个网络参数初始化过程，区别于传统神经网络初值随机初始化，深度学习神经网络是通过无监督训练输入数据的结构得到的，因而这个初值更接近全局最优，从而能够取得更好的效果。在一个实施例中，将卷积神经网络作为此深度学习神经网络，卷积神经网络(constitutionalneuralnetworks,cnn)是在多层神经网络的基础上发展起来的针对图像分类和识别而特别设计的一种深度学习方法。
其中已训练的深度学习神经网络的参数，是以已婚匹配对象对应的匹配图像大数据作为输入，将已婚匹配对象对应的有效匹配时长与深度学习神经网络训练模型的预设匹配时长比较得到的对应的标签作为预期输出，输入深度学习神经网络训练模型训练得到。已训练的深度学习神经网络包括输入层、多个隐层和输出层，其中层数、每层预设节点数、各网络连接的权值由训练得到。
其中已婚匹配对象是指法定效力内的结婚登记对象，获取数据量足够大的已婚匹配对象对应的匹配图像大数据作为深度学习神经网络的训练数据进行训练，得到深度学习神经网络的参数。有效匹配时长是指法定效力内的匹配时长，可根据已婚匹配对象双方的生命状态和法定效力内的匹配状态进行确定。深度学习神经网络训练模型的预设匹配时长是根据需要可自定义的，如定义为一生或30年等。有效匹配时长与深度学习神经网络训练模型的预设匹配时长比较得到不同的比较结果，不同的比较结果对应不同的标签，得到训练时输入数据对应的匹配的标签作为预期输出，从而进行训练。其中，标签用于描述预设匹配时长的范围内的匹配度，匹配度可以是匹配概率、匹配是否成功等。
在一个实施例中，匹配对象对应的匹配图像大数据包括已婚匹配对象双方的人脸图片，还可以包括双方的地域、结婚登记地域、年龄信息形成多维度的输入训练数据进行训练。可针对不同结婚登记地区生成对应的不同的已训练的深度学习神经网络，提高不同地区对象匹配的适应度与准确性。
由于法定效力内的结婚登记对象代表匹配成功，根据匹配成功对象的图像信息，形成客观的科学依据大数据进行深度网络分析，提高了匹配对象的客观依据性。
步骤s230，获取已训练的深度学习神经网络输出的对应的匹配结果。
具体地，深度学习神经网络输出的匹配结果形式不限，可以是匹配概率，也可以是互斥的匹配标签，如用1表示第一对象与第二对象在预设匹配时长的范围内匹配成功，用0表示第一对象与第二对象在预设匹配时长的范围内匹配失败。已训练的深度学习神经网络可以根据输入的待匹配对象的图像数据分析输出对应的客观的匹配结果。
步骤s240，根据匹配结果确定第一对象与第二对象在所述预设匹配时长的范围内的匹配状态。
具体的，如果匹配结果是匹配概率，则可根据匹配概率的大小确定第一对象与第二对象在预设匹配时长的范围内的匹配概率。如果匹配结果是互斥的匹配标签，则直接根据匹配标签的值得到对应的第一对象与第二对象在预设匹配时长的范围内的匹配状态，如匹配成功或匹配失败。可将第一对象与多个待匹配对象进行预设匹配时长的范围内的匹配状态的计算，获取最大匹配概率的对象作为目标匹配对象。
本实施例中，通过获取待匹配的第一对象图像数据和第二对象图像数据，将第一对象图像数据和第二对象图像数据输入已训练的深度学习神经网络，深度学习神经网络的参数是以已婚匹配对象对应的匹配图像大数据作为输入，将已婚匹配对象对应的有效匹配时长与深度学习神经网络训练模型的预设匹配时长比较得到的对应的标签作为预期输出，输入深度学习神经网络训练模型训练得到，获取已训练的深度学习神经网络输出的对应的匹配结果，根据匹配结果确定第一对象与第二对象在所述预设匹配时长的范围内的匹配状态，基于大数据和深度学习神经网络建立待匹配对象与预设匹配时长的相关性，提供客观的匹配依据，能预测待推荐对象与请求匹配对象在未来时间范围的匹配状态。
在一个实施例中，如图4所示，步骤s210之前，还包括：
步骤s310，获取训练图像大数据，训练图像大数据包括已婚匹配对象对应的匹配图像大数据，从匹配图像大数据中提取对应的各个已婚匹配对象对应的匹配图像对。
其中，训练图像大数据是指用于训练深度学习神经网络的海量数据，其中已婚匹配对象对应的匹配图像大数据包括多个不同地区的已婚匹配对象双方对应的图像数据，如已婚对象双方的图片。可以理解的是，可以针对不同地区分别采用对应地区的训练图像大数据训练得到与地区对应的深度学习神经网络，因为不同的地区由于地域、人口、风俗文化的差异在对象匹配度上也存在差异，针对不同地区形成不同的深度学习神经网络有利于提高当地的匹配客观性与准确率。
另外，匹配图像对是指已婚匹配对象双方的图像，可为人脸图像、全身图像等，根据需要自定义需要的图像范围。可通过人脸识别算法从中提取人脸得到各个已婚匹配对象对应的匹配图像对。如已婚匹配对象包括a、b、c、d，则匹配图像对分别为{a1,a2}，{b1,b2}，{c1,c2}，{d1,d2}。
在一个实施例中，匹配图像大数据是结婚证数据，从结婚证中根据性别特征和人脸特征进行图像识别，提取丈夫照片和妻子照片形成各个已婚匹配对象对应的匹配图像对；也可以利用丈夫照片和妻子照片在结婚证中的预设位置，来根据位置范围对丈夫照片和妻子照片进行直接提取，因为结婚证都是标准的，丈夫照片在结婚证的固定位置范围内，妻子照片也在结婚证的另一固定位置范围内，可快速提取得到匹配图像对，提高数据准备的效率。
步骤s320，获取已婚匹配对象对应的有效匹配时长，获取深度学习神经网络训练模型的预设匹配时长。
具体地，已婚匹配对象对应的有效匹配时长可从法定匹配状态文件中的法定日期确定，其中法定日期包括匹配起始日期、匹配终止日期等。对于已婚匹配对象中双方出现异常情况的，可根据异常情况确定有效匹配时长，如已婚匹配对象中存在死亡、失踪等情况的，可根据异常情况出现的时间确定有效匹配时长。深度学习神经网络训练模型的预设匹配时长是在训练深度学习神经网络训练模型时就确定的，可训练得到对应不同预设匹配时长的深度学习神经网络训练模型。根据需要选择目标预设匹配时长的深度学习神经网络训练模型。
步骤s330，根据已婚匹配对象对应的有效匹配时长和预设匹配时长的关系将对应的匹配图像对归入对应的目标集合，不同的目标集合对应不同的标签。
具体地，可获取预设的包含2个变量的函数计算关系，将有效匹配时长和预设匹配时长分别作为2个变量对应的值代入，计算得到结果，根据结果将对应的匹配图像对归入对应的目标集合，其中不同的目标集合对应不同的标签。在一个实施例中，预设多个区间段，不同的区间段对应不同的目标集合，有对应的标签，确定有效匹配时长和预设匹配时长的差值所在的区间段，从而将对应的匹配图像对归入所在区间段对应的目标集合。
步骤s340，将各个匹配图像对作为所述深度学习神经网络的输入，对深度学习神经网络进行无监督训练。
具体地，将各个匹配图像对，如(a1,a2)，(b1,b2)，(c1,c2)，(d1,d2)分别输入深度学习神经网络，进行无监督训练。采用自下而上的无监督训练，逐层构建单层神经元，每层采用wake-sleep算法进行调优。每次仅调整一层，逐层调整，这个过程可以看作是一个featurelearning的过程，是和传统神经网络区别较大的部分。其中wake-sleep算法分为wake阶段和sleep阶段，其中wake阶段是认知过程，通过下层的输入特征(input)和向上的认知(encoder)权重产生每一层的抽象表示(code)，再通过当前的生成(decoder)权重产生一个重建信息(reconstruction)，计算输入特征和重建信息残差，使用梯度下降修改层间的下行生成(decoder)权重，也就是“如果现实跟我想象的不一样，改变我的生成权重使得我想象的东西变得与现实一样”。sleep阶段是生成过程，通过上层概念(code)和向下的生成(decoder)权重，生成下层的状态，再利用认知(encoder)权重产生一个抽象景象。利用初始上层概念和新建抽象景象的残差，利用梯度下降修改层间向上的认知(encoder)权重。也就是“如果梦中的景象不是我脑中的相应概念，改变我的认知权重使得这种景象在我看来就是这个概念”。
步骤s350，依次获取各个目标集合内的目标匹配图像对和目标集合对应的标签形成匹配关系，依次将各个目标集合内的目标匹配图像对作为深度学习神经网络的输入，将具备匹配关系的标签作为深度学习神经网络的预期输出，对所述深度学习神经网络进行有监督训练。
具体地，具备匹配关系的标签是各个目标集合内的目标匹配图像对对应的标签，表示匹配图像对中的两个照片对应的对象在预设匹配时长的范围内的匹配状态。如各个目标集合表示为pi，其中1≤i≤n，n表示目标集合的总数量。各个目标集合对应的标签分别为mi，获取pi集合内的目标匹配图像对作为深度学习神经网络的输入，将对应的mi作为深度学习神经网络的预期输出，进行有监督训练。
进行自顶向下的监督训练，这一步是在第一步学习获得各层参数进的基础上，在最顶的编码层添加一个分类器，例如罗杰斯特回归、svm等，而后通过带标签数据的监督训练，利用梯度下降法去微调整个网络参数。深度学习的第一步实质上是一个网络参数初始化过程，区别于传统神经网络初值随机初始化，深度学习神经网络是通过无监督训练输入数据的结构得到的，因而这个初值更接近全局最优，从而能够取得更好的效果。
步骤s360，得到已训练的深度学习神经网络。
具体地，经过上面的无监督训练和有监督训练后，得到已训练的深度学习神经网络。
在一个实施例中，如图5所示，步骤s320中获取已婚匹配对象对应的有效匹配时长包括：
步骤s321，获取已婚匹配对象的匹配起始时间和当前匹配状态。判断当前匹配状态是否匹配，如果为非匹配进入步骤s322，否则进入步骤s323。
具体地，匹配起始时间是由法定匹配文件确定的匹配开始的有效时间，当前匹配状态是根据法定匹配文件确定的已婚匹配对象双方在当前时间对应的匹配状态，包括匹配状态和非匹配状态。如结婚证上包括结婚日期得到匹配起始时间，如果在当前时间还是结婚状态，则当前匹配状态为匹配，若在当前时间处于离婚状态，则当前匹配状态为非匹配。
步骤s322，获取匹配终止时间，根据匹配终止时间与匹配起始时间得到有效匹配时长。
具体的，匹配终止时间是由法定匹配文件确定的匹配结束的有效时间，如当前匹配状态为非匹配，则从离婚证上获取离婚日期得到匹配终止时间。将离婚日期与结婚日期相减，得到有效匹配时长。
步骤s323，获取已婚匹配对象双方状态，判断已婚匹配对象双方状态是否正常，如果双方状态正常，则获取当前时间，根据当前时间与匹配起始时间得到有效匹配时长范围，否则，进入步骤s324。
具体地，已婚匹配对象双方状态正常是指已婚匹配对象双方不存在丧偶的情况，且仍然处于匹配状态，将当前时间日期减去匹配起始时间得到当前匹配时长，有效匹配时长范围是指有效匹配时长大于当前匹配时长。如结婚的日期19970920，未离婚，在婚，双方正常，当前日期2017-9-20，有效匹配时长大于20年。
步骤s324，如果已婚匹配对象双方中至少一方状态异常，则将有效匹配时长确定为预设时长。
具体地，如果已婚匹配对象双方中存在丧偶的情况，则将有效匹配时长确定为预设时长，其中预设时长可根据需要自定义，如定义为一生，或根据丧偶的时间进行确定。
本实施例中，通过当前匹配状态和已婚匹配对象双方状态确定对应的有效匹配时长，能灵活准确地确定有效匹配时长。
在一个实施例中，如图6所示，步骤s330包括：
步骤s331，如果有效匹配时长大于或等于预设匹配时长，则将已婚匹配对象对应的匹配图像对归入第一集合，所述第一集合对应第一标签。
具体地，同一集合中的匹配图像对具有相同的匹配特征，其中第一集合中的匹配图像对对应的特征是有效匹配时长大于或等于预设匹配时长，说明第一集合中的各个匹配图像对对应的匹配对象在预设匹配时长内属于匹配状态，从而第一标签表示匹配对象在预设匹配时长内属于匹配状态。第一标签的具体值可根据需要自定义，如定义为1。
步骤s332，如果有效匹配时长小于预设匹配时长，则将已婚匹配对象对应的匹配图像对归入第二集合，第二集合对应第二标签。
具体地，其中第二集合中的匹配图像对对应的特征是有效匹配时长小于预设匹配时长，说明第二集合中的各个匹配图像对对应的匹配对象没有在预设匹配时长内属于匹配状态，从而第二标签表示匹配对象在预设匹配时长内属于非匹配状态。第二标签的具体值可根据需要自定义，如定义为0。
步骤s333，如果有效匹配时长与预设匹配时长的关系未确定，则将已婚匹配对象对应的匹配图像对归为无效数据。
具体地，对于有效匹配时长与预设匹配时长的关系未确定的匹配图像对不归入任何一个集合，成为无效数据，从而进一步提高了训练数据的准确性，保证训练好的深度神经网络进行预测的准确度。
在一个实施例中，步骤s240包括：如果匹配结果为第一标签，则确定第一对象与第二对象在预设匹配时长的范围内为匹配成功状态，如果述匹配结果为第二标签，则确定所述第一对象与第二对象在预设匹配时长的范围内为匹配失败状态。
具体地，根据已训练的深度学习神经网络输出的匹配结果与预设标签是否相同，来判断第一对象与第二对象在预设匹配时长的范围内的匹配状态，可直接得出匹配结果，简单方便。第一标签和第二标签的格式可根据需要自定义，如用标志位表示，如1表示第一标签，0表示第二标签。
在一个实施例中，步骤s210包括：接收请求匹配对象用户终端发送的匹配请求，匹配请求包括请求匹配对象图像数据，将请求匹配对象图像数据作为第一对象图像数据，获取待推荐对象图像数据作为第二对象图像数据。
具体地，请求匹配对象是指需要进行匹配的对象，请求匹配对象图像数据是请求匹配对象的图片或根据图片提取的特征数据，待推荐对象是指与请求匹配对象进行匹配的候选对象。匹配请求中可以直接携带待推荐对象图像数据，也可以从服务器获取待推荐对象图像数据。待推荐对象图像数据是与请求匹配对象进行匹配的候选对象的图片或根据图片提取的特征数据。待推荐对象图像数据可以根据待推荐对象的更新而动态的更新。
在一个实施例中，从婚恋匹配网站获取注册用户的资料图片形成待推荐对象图像数据，可根据请求匹配对象的基本资料筛选待推荐对象。
步骤s240之后，还包括：如果请求匹配对象与待推荐对象在预设匹配时长的范围内的匹配状态为匹配成功状态，则向请求匹配对象用户终端发送待推荐对象对应的用户信息。
具体的，如果请求匹配对象与待推荐对象在预设匹配时长的范围内的匹配状态为匹配成功状态，则说明请求匹配对象与待推荐对象的匹配关系稳定，将待推荐对象对应的用户信息推送至请求匹配对象用户终端。只有请求匹配对象与待推荐对象的匹配关系稳定，才会进行推送，提高了请求匹配对象获取待推荐对象的有效性与客观性，提高请求匹配对象的感兴趣度，提高匹配效率，避免大量无效的待推荐对象的推送对用户形成干扰。
在一个具体的实施例中，婚恋对象匹配数据处理方法的具体过程如下：
1、从结婚证中根据性别特征和人脸特征进行图像识别，提取每一对夫妻的男方照片和女方照片，并根据预设数据格式对每一对夫妻的男方照片和女方照片进行预处理，加入匹配图像对集合，如果允许同性结婚的情况下，夫妻照片可以同时为男，也可以同时为女。匹配图像对集合为{男1照片、女1照片；男2照片、女2照片；男3照片、女3照片；男4照片、女4照片；男5照片、女5照片；男6照片、女6照片；男7照片、女7照片}。
2、每一夫妻的婚姻状态可以从结婚大数据中的婚姻登记数据中获取，获取结婚的日期，获取是否已离婚或丧偶或双亡，如果已离婚，获取离婚的日期，将离婚日期减去结婚日期得到有效匹配时长。如果至今未离婚，获取是否已丧偶或双亡或在婚，如果已丧偶或双亡，则将有效匹配时长设置为一生，如果在婚，则获取当前日期，得到有效匹配时长大于当前日期减去离婚日期。
例如，男1女1：通过结婚证获得男1照片、女1照片；结婚的日期19780920,已离婚,离婚日期19980920,有效匹配时长20年。
男2女2：通过结婚证获得男2照片、女2照片；结婚的日期19580920,已离婚,离婚日期19680920,有效匹配时长10年。
男3女3：通过结婚证获得男3照片、女3照片；结婚的日期19880920,未离婚,已丧偶,当前日期2017-9-20，有效匹配时长一生。
男4女4：通过结婚证获得男4照片、女4照片；结婚的日期19650920,未离婚,已双亡,当前日期2017-9-20，有效匹配时长一生。
男5女5：通过结婚证获得男5照片、女5照片；结婚的日期19570920,未离婚,在婚,当前日期2017-9-20，有效匹配时长大于60年。
男6女6：通过结婚证获得男6照片、女6照片；结婚的日期19970920,未离婚,在婚,当前日期2017-9-20，有效匹配时长大于20年。
男7女7：通过结婚证获得男6照片、女6照片；结婚的日期20070920,未离婚,在婚,当前日期2017-9-20，有效匹配时长大于10年。
3、获取深度学习神经网络训练模型的预设匹配时长，例如，预设匹配时长为16年或预设匹配时长为一生。
4、从婚姻大数据中获取有效匹配时长大于或等于预设匹配时长的每一夫妻的照片，加入夫妻照片对的第一集合。从婚姻大数据中获取有效匹配时长小于预设匹配时长的每一夫妻的照片，加入夫妻照片对的第二集合。
例如，当预设匹配时长为16年时，
男1女1有效匹配时长20年，大于预设匹配时长16年，男1照片、女1照片加入夫妻照片对的第一集合；
因为男2女2有效匹配时长10年，小于预设匹配时长16年，男2照片、女2照片加入夫妻照片对的第二集合；
因为男3女3有效匹配时长一生，大于预设匹配时长16年，男3照片、女3照片加入夫妻照片对的第一集合；
因为男4女4有效匹配时长一生，大于预设匹配时长16年，男4照片、女4照片加入夫妻照片对的第一集合；
因为男5女5有效匹配时长大于60年，大于预设匹配时长16年，男5照片、女5照片加入夫妻照片对的第一集合；
因为男6女6有效匹配时长大于20年，大于预设匹配时长16年，男6照片、女6照片加入夫妻照片对的第一集合；
因为男7女7有效匹配时长大于10年，无法判断是否大于或小于预设匹配时长16年，既不加入夫妻照片对的第一集合，也不加入夫妻照片对的第二集合。
最后，第一集合为{男1照片、女1照片；男3照片、女3照片；男4照片、女4照片；男5照片、女5照片；男6照片、女6照片}，第二集合为{男2照片、女2照片}。
例如，当预设匹配时长为一生时，
男1女1有效匹配时长20年，小于预设匹配时长一生，男1照片、女1照片加入夫妻照片对的第二集合；
因为男2女2有效匹配时长10年，小于预设匹配时长一生，男2照片、女2照片加入夫妻照片对的第二集合；
因为男3女3有效匹配时长一生，等于预设匹配时长一生，男3照片、女3照片加入夫妻照片对的第一集合；
因为男4女4有效匹配时长一生，等于预设匹配时长一生，男4照片、女4照片加入夫妻照片对的第一集合；
因为男5女5有效匹配时长大于60年，无法判断是否大于或小于预设匹配时长一生，男5照片、女5照片既不加入夫妻照片对的第一集合，也不加入夫妻照片对的第二集合；
因为男6女6有效匹配时长大于20年，无法判断是否大于或小于预设匹配时长一生，男6照片、女6照片既不加入夫妻照片对的第一集合，也不加入夫妻照片对的第二集合；
因为男7女7有效匹配时长大于10年，无法判断是否大于或小于预设匹配时长一生，男7照片、女7照片既不加入夫妻照片对的第一集合，也不加入夫妻照片对的第二集合。
最后，第一集合为{男3照片、女3照片；男4照片、女4照片}，第二集合为{男1照片、女1照片；男2照片、女2照片}。
5、初始化深度神经网络，使得该深度神经网络的输入层能接受的数据格式为照片，输出层节点的2个预设标签分别对应预设匹配时长内没有离婚、预设匹配时长内离婚(可以取值0和1表示)。
例如，初始化深度学习神经网络，使得该深度学习神经网络的输入层能接受的数据格式为夫妻照片对的集合中照片的格式；输出层节点的输出标签为1时代表预设匹配时长内没有离婚，输出标签为0时代表预设匹配时长内离婚
6、将从婚姻大数据中获取的每一夫妻照片对作为所述深度神经网络的输入，对深度学习神经网络进行无监督训练。
将男1照片、女1照片作为深度学习神经网络的输入，对深度学习神经网络进行无监督训练；
将男2照片、女2照片作为深度学习神经网络的输入，对深度学习神经网络进行无监督训练；
直到匹配图像对的每一对照片都输入深度学习神经网络，对深度学习神经网络进行无监督训练。
7、将夫妻照片对的第一集合中每一夫妻照片作为深度神经网络的输入，将预设匹配时长内没有离婚对应的预设标签，如1，作为所述深度神经网络对应输出节点的输出值，对所述深度神经网络进行有监督训练。
如，当预设匹配时长为16年时，
将男1照片、女1照片作为深度学习神经网络的输入，将1作为深度学习神经网络对应的预期输出，对深度学习神经网络进行有监督训练。
将男3照片、女3照片作为深度学习神经网络的输入，将1作为深度学习神经网络对应的预期输出，对所述深度学习神经网络进行有监督训练；
直到第一集合中每一对照片都输入深度学习神经网络，对深度学习神经网络进行有监督训练。
8、将夫妻照片对的第二集合中每一夫妻照片作为深度神经网络的输入，将预设匹配时长内离婚对应的预设标签，如0，作为所述深度神经网络对应输出节点的输出值，对所述深度神经网络进行有监督训练。
如，当预设匹配时长为16年时，
将男2照片、女2照片作为深度学习神经网络的输入，将0作为深度学习神经网络对应的预期输出，对深度学习神经网络进行有监督训练。
直到第二集合中每一对照片都输入深度学习神经网络，对深度学习神经网络进行有监督训练。
9、最终得到已训练的深度学习神经网络。
10、获取待匹配的第一对象图像a，获取待推荐对象图像b1、b2、b3、b4、b5，根据深度学习神经网络的输入格式对第一对象图像a及每一待推荐对象的图像b1、b2、b3、b4、b5进行预处理，具体包括：
判断第一对象图像a及每一待推荐对象的图像b1、b2、b3、b4、b5与预设数据格式是否一致，如果不一致，则将该图像的格式转化为预设数据格式。
预设匹配时长与训练神经网络时的预设匹配时长一致，将第一对象图像a及每一待推荐对象的图像作为深度学习神经网络的输入，获取深度学习神经网络对应输出节点的输出标签，若输出标签与预设匹配时长内没有离婚对应的预设标签，则向第一对象对应的终端推送待推荐对象信息，若输出标签与预设匹配时长内离婚对应的预设标签相同，则不向第一对象对应的终端推送此待推荐对象信息。
如深度学习神经网络训练时的预设时长是16年；
将待领结婚证的两个待匹配对象对应的两个照片作为深度学习神经网络的输入，获取深度学习神经网络对应输出节点的输出标签，若输出标签与预设时长内没有离婚对应的预设标签1相同，则预测该男女朋友如果结婚，则在预设时长16年内不会离婚，若输出标签与预设时长内离婚对应的预设标签0相同，则预测该男女朋友如果结婚，则在预设时长16年内会离婚。
如深度学习神经网络训练时的预设时长是一生；
将待领结婚证的两个待匹配对象对应的两个照片作为深度学习神经网络的输入，获取所述深度学习神经网络对应输出节点的输出标签，若输出标签与预设时长内没有离婚对应的预设标签1相同，则预测该男女朋友如果结婚，则在预设时长一生内不会离婚，若输出标签与预设时长内离婚对应的预设标签0相同，则预测该男女朋友如果结婚，则在预设时长一生内会离婚。
在一个实施例中，如图7所示，提供了一种推送待推荐对象信息装置，包括：
获取模块510，用于获取待匹配的第一对象图像数据和第二对象图像数据。
匹配结果获取模块520，用于将第一对象图像数据和第二对象图像数据输入已训练的深度学习神经网络，深度学习神经网络的参数是以已婚匹配对象对应的匹配图像大数据作为输入，将所述已婚匹配对象对应的有效匹配时长与深度学习神经网络训练模型的预设匹配时长比较得到的对应的标签作为预期输出，输入深度学习神经网络训练模型训练得到，获取所述已训练的深度学习神经网络输出的对应的匹配结果。
匹配状态确定模块530，用于根据匹配结果确定第一对象与第二对象在预设匹配时长的范围内的匹配状态。
在一个实施例中，如图8所示，装置还包括：
训练模块540，用于获取训练图像大数据，训练图像大数据包括已婚匹配对象对应的匹配图像大数据，从匹配图像大数据中提取对应的各个已婚匹配对象对应的匹配图像对，获取已婚匹配对象对应的有效匹配时长，获取深度学习神经网络训练模型的预设匹配时长，根据已婚匹配对象对应的有效匹配时长和预设匹配时长的关系将对应的匹配图像对归入对应的目标集合，不同的目标集合对应不同的标签，将各个匹配图像对作为深度学习神经网络的输入，对深度学习神经网络进行无监督训练，依次获取各个目标集合内的目标匹配图像对和目标集合对应的标签形成匹配关系，依次将各个目标集合内的目标匹配图像对作为深度学习神经网络的输入，将具备匹配关系的标签作为深度学习神经网络的预期输出，对深度学习神经网络进行有监督训练，得到已训练的深度学习神经网络。
在一个实施例中，训练模块540还用于获取已婚匹配对象的匹配起始时间和当前匹配状态，如果当前匹配状态为非匹配，则获取匹配终止时间，根据匹配终止时间与匹配起始时间得到有效匹配时长，如果当前匹配状态为匹配，则获取已婚匹配对象双方状态，如果已婚匹配对象双方状态正常，则获取当前时间，根据当前时间与匹配起始时间得到有效匹配时长范围，如果已婚匹配对象双方中至少一方状态异常，则将有效匹配时长确定为预设时长。
在一个实施例中，训练模块540还用于如果有效匹配时长大于或等于预设匹配时长，则将已婚匹配对象对应的匹配图像对归入第一集合，第一集合对应第一标签，如果有效匹配时长小于预设匹配时长，则将已婚匹配对象对应的匹配图像对归入第二集合，所述第二集合对应第二标签，如果有效匹配时长与预设匹配时长的关系未确定，则将已婚匹配对象对应的匹配图像对归为无效数据
在一个实施例中，匹配状态确定模块530还用于如果匹配结果为第一标签，则确定第一对象与第二对象在所述预设匹配时长的范围内为匹配成功状态，如果匹配结果为第二标签，则确定第一对象与第二对象在预设匹配时长的范围内为匹配失败状态。
在一个实施例中，获取模块510还用于接收请求匹配对象用户终端发送的匹配请求，匹配请求包括请求匹配对象图像数据，将请求匹配对象图像数据作为所述第一对象图像数据，获取待推荐对象图像数据作为所述第二对象图像数据。
如图9所示，装置还包括：
发送模块550，用于如果请求匹配对象与待推荐对象在所述预设匹配时长的范围内的匹配状态为匹配成功状态，则向所述请求匹配对象用户终端发送待推荐对象对应的用户信息。
在一个实施例中，提出了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：获取待匹配的第一对象图像数据和第二对象图像数据；将第一对象图像数据和第二对象图像数据输入已训练的深度学习神经网络，深度学习神经网络的参数是以已婚匹配对象对应的匹配图像大数据作为输入，将已婚匹配对象对应的有效匹配时长与深度学习神经网络训练模型的预设匹配时长比较得到的对应的标签作为预期输出，输入深度学习神经网络训练模型训练得到，获取已训练的深度学习神经网络输出的对应的匹配结果，根据匹配结果确定第一对象与第二对象在所述预设匹配时长的范围内的匹配状态。
在一个实施例中，所述处理器在执行获取待匹配的第一对象图像数据和第二对象图像数据的步骤之前，还用于执行以下步骤：获取训练图像大数据，所述训练图像大数据包括已婚匹配对象对应的匹配图像大数据，从匹配图像大数据中提取对应的各个已婚匹配对象对应的匹配图像对，获取已婚匹配对象对应的有效匹配时长，获取深度学习神经网络训练模型的预设匹配时长，根据已婚匹配对象对应的有效匹配时长和预设匹配时长的关系将对应的匹配图像对归入对应的目标集合，不同的目标集合对应不同的标签，将各个匹配图像对作为深度学习神经网络的输入，对深度学习神经网络进行无监督训练，依次获取各个目标集合内的目标匹配图像对和目标集合对应的标签形成匹配关系，依次将各个目标集合内的目标匹配图像对作为深度学习神经网络的输入，将具备匹配关系的标签作为所述深度学习神经网络的预期输出，对深度学习神经网络进行有监督训练，得到已训练的深度学习神经网络。
在一个实施例中，获取已婚匹配对象对应的有效匹配时长的步骤包括：获取已婚匹配对象的匹配起始时间和当前匹配状态，如果当前匹配状态为非匹配，则获取匹配终止时间，根据匹配终止时间与匹配起始时间得到有效匹配时长，如果当前匹配状态为匹配，则获取已婚匹配对象双方状态，如果已婚匹配对象双方状态正常，则获取当前时间，根据当前时间与匹配起始时间得到有效匹配时长范围，如果已婚匹配对象双方中至少一方状态异常，则将有效匹配时长确定为预设时长。
在一个实施例中，根据已婚匹配对象对应的有效匹配时长和预设匹配时长的关系将对应的匹配图像对归入对应的目标集合，不同的目标集合对应不同的标签的步骤包括：如果有效匹配时长大于或等于预设匹配时长，则将已婚匹配对象对应的匹配图像对归入第一集合，所述第一集合对应第一标签，如果有效匹配时长小于预设匹配时长，则将已婚匹配对象对应的匹配图像对归入第二集合，所述第二集合对应第二标签，如果有效匹配时长与预设匹配时长的关系未确定，则将已婚匹配对象对应的匹配图像对归为无效数据。
在一个实施例中，根据所述匹配结果确定第一对象与第二对象在所述预设匹配时长的范围内的匹配状态的步骤包括：如果匹配结果为第一标签，则确定所述第一对象与第二对象在预设匹配时长的范围内为匹配成功状态，如果匹配结果为第二标签，则确定第一对象与第二对象在预设匹配时长的范围内为匹配失败状态。
在一个实施例中，根据所述匹配结果确定第一对象与第二对象的匹配度的步骤包括：如果所述匹配结果与预设匹配标签相同，则确定所述第一对象与第二对象的匹配度为匹配成功；如果所述匹配结果与预设非匹配标签相同，则确定所述第一对象与第二对象的匹配度为匹配失败。
在一个实施例中，获取待匹配的第一对象图像数据和第二对象图像数据的步骤包括：接收请求匹配对象用户终端发送的匹配请求，所述匹配请求包括请求匹配对象图像数据，将所述请求匹配对象图像数据作为所述第一对象图像数据，获取待推荐对象图像数据作为所述第二对象图像数据。
所述处理器在执行根据匹配结果确定第一对象与第二对象在预设匹配时长的范围内的匹配状态的步骤之后，还用于执行以下步骤：如果请求匹配对象与待推荐对象在预设匹配时长的范围内的匹配状态为匹配成功状态，则向请求匹配对象用户终端发送待推荐对象对应的用户信息。
在一个实施例中，提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：获取待匹配的第一对象图像数据和第二对象图像数据；将第一对象图像数据和第二对象图像数据输入已训练的深度学习神经网络，深度学习神经网络的参数是以已婚匹配对象对应的匹配图像大数据作为输入，将已婚匹配对象对应的有效匹配时长与深度学习神经网络训练模型的预设匹配时长比较得到的对应的标签作为预期输出，输入深度学习神经网络训练模型训练得到，获取已训练的深度学习神经网络输出的对应的匹配结果，根据匹配结果确定第一对象与第二对象在预设匹配时长的范围内的匹配状态。
在一个实施例中，所述处理器在执行获取待匹配的第一对象图像数据和第二对象图像数据的步骤之前，还用于执行以下步骤：获取训练图像大数据，所述训练图像大数据包括已婚匹配对象对应的匹配图像大数据，从匹配图像大数据中提取对应的各个已婚匹配对象对应的匹配图像对，获取已婚匹配对象对应的有效匹配时长，获取深度学习神经网络训练模型的预设匹配时长，根据已婚匹配对象对应的有效匹配时长和预设匹配时长的关系将对应的匹配图像对归入对应的目标集合，不同的目标集合对应不同的标签，将各个匹配图像对作为深度学习神经网络的输入，对深度学习神经网络进行无监督训练，依次获取各个目标集合内的目标匹配图像对和目标集合对应的标签形成匹配关系，依次将各个目标集合内的目标匹配图像对作为深度学习神经网络的输入，将具备匹配关系的标签作为所述深度学习神经网络的预期输出，对深度学习神经网络进行有监督训练，得到已训练的深度学习神经网络。
在一个实施例中，获取已婚匹配对象对应的有效匹配时长的步骤包括：获取已婚匹配对象的匹配起始时间和当前匹配状态，如果当前匹配状态为非匹配，则获取匹配终止时间，根据匹配终止时间与匹配起始时间得到有效匹配时长，如果当前匹配状态为匹配，则获取已婚匹配对象双方状态，如果已婚匹配对象双方状态正常，则获取当前时间，根据当前时间与匹配起始时间得到有效匹配时长范围，如果已婚匹配对象双方中至少一方状态异常，则将有效匹配时长确定为预设时长。
在一个实施例中，根据已婚匹配对象对应的有效匹配时长和预设匹配时长的关系将对应的匹配图像对归入对应的目标集合，不同的目标集合对应不同的标签的步骤包括：如果有效匹配时长大于或等于预设匹配时长，则将已婚匹配对象对应的匹配图像对归入第一集合，所述第一集合对应第一标签，如果有效匹配时长小于预设匹配时长，则将已婚匹配对象对应的匹配图像对归入第二集合，所述第二集合对应第二标签，如果有效匹配时长与预设匹配时长的关系未确定，则将已婚匹配对象对应的匹配图像对归为无效数据。
在一个实施例中，根据所述匹配结果确定第一对象与第二对象在所述预设匹配时长的范围内的匹配状态的步骤包括：如果匹配结果为第一标签，则确定所述第一对象与第二对象在预设匹配时长的范围内为匹配成功状态，如果匹配结果为第二标签，则确定第一对象与第二对象在预设匹配时长的范围内为匹配失败状态。
在一个实施例中，根据所述匹配结果确定第一对象与第二对象的匹配度的步骤包括：如果所述匹配结果与预设匹配标签相同，则确定所述第一对象与第二对象的匹配度为匹配成功；如果所述匹配结果与预设非匹配标签相同，则确定所述第一对象与第二对象的匹配度为匹配失败。
在一个实施例中，获取待匹配的第一对象图像数据和第二对象图像数据的步骤包括：接收请求匹配对象用户终端发送的匹配请求，所述匹配请求包括请求匹配对象图像数据，将所述请求匹配对象图像数据作为所述第一对象图像数据，获取待推荐对象图像数据作为所述第二对象图像数据。
所述处理器在执行根据匹配结果确定第一对象与第二对象在预设匹配时长的范围内的匹配状态的步骤之后，还用于执行以下步骤：如果请求匹配对象与待推荐对象在预设匹配时长的范围内的匹配状态为匹配成功状态，则向请求匹配对象用户终端发送待推荐对象对应的用户信息。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述程序可存储于一计算机可读取存储介质中，如本发明实施例中，该程序可存储于计算机系统的存储介质中，并被该计算机系统中的至少一个处理器执行，以实现包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。