虚拟阅读轨迹图生成方法、装置、电子设备及存储介质与流程

本发明涉及数据分析技术领域，尤其涉及一种虚拟阅读轨迹图生成方法、装置、电子设备及计算机可读存储介质。

背景技术：

随着大数据时代的到来，各公司或企业会向人们进行海量资讯的推送，例如，各类新闻、书籍、广告等。由于人们的需求各不相同，导致每个人所需要的资讯也各不相同，进而使得资讯推送者难以快速找到用户偏好的资讯。

现有的用户偏好分析往往是基于用户画像的偏好分析，例如，将用户画像与多种资讯进行匹配计算，以分析获取用户偏好的资讯，但该方法中，由于用户画像的生成周期长，但用户的偏好变化较快，导致基于用户画像对用户偏好资讯进行分析后，得到的分析结果的精确度较低。

技术实现要素：

本发明提供一种虚拟阅读轨迹图生成方法、装置及计算机可读存储介质，其主要目的在于解决对用户偏好资讯进行分析的精确度较低的问题。

为实现上述目的，本发明提供的一种虚拟阅读轨迹图生成方法，包括：

获取用户的现有资讯数据及所述现有资讯的历史阅读轨迹，根据所述现有资讯数据构建资讯图像；

根据所述历史阅读轨迹构建轨迹向量，并利用所述轨迹向量对所述资讯图像进行标记，得到第一轨迹图像；

利用预先构建的对抗生成网络对所述第一轨迹图像进行阅读轨迹分析，得到第二轨迹图像；

计算所述第一轨迹图像与所述第二轨迹图像的重合度；

若所述重合度小于或等于预设阈值，则调整所述对抗生成网络的参数，并返回对所述第一轨迹图像进行阅读轨迹分析的步骤；

若所述重合度大于所述预设阈值，则将所述对抗生成网络输出，得到阅读轨迹生成网络；

获取待分析资讯数据，利用所述阅读轨迹生成网络对所述待分析资讯数据进行阅读轨迹分析，得到所述用户的虚拟阅读轨迹图。

可选地，所述根据所述现有资讯数据构建资讯图像，包括：

按照第一单位时间将所述现有资讯数据进行划分，得到资讯子集；

确定每个所述资讯子集的资讯阅读数量及资讯总数量；

根据每个所述资讯子集的资讯阅读数量及资讯总数量，构建资讯图像。

可选地，所述根据每个所述资讯子集的资讯阅读数量及资讯总数量，构建资讯图像，包括：

将所述现有资讯数据的资讯总数量进行因式分解，得到资讯矩阵；

将每个所述所述资讯子集的资讯阅读数量与预设的单位灰度值进行第一运算，得到矩阵灰度；

利用所述矩阵灰度与所述资讯矩阵进行第二运算，得到资讯图像。

可选地，所述根据所述历史阅读轨迹构建轨迹向量，包括：

提取所述用户在第二单位时间内对所述历史阅读轨迹中每个资讯数据的浏览时长；

根据所述浏览时长对所述历史阅读轨迹中每个资讯数据进行向量转换，得到轨迹向量。

可选地，所述根据所述浏览时长对所述历史阅读轨迹中每个资讯数据进行向量转换，得到轨迹向量，包括：

利用如下向量转换算法对所述历史阅读轨迹中每个现有资讯数据进行向量转换：

其中，bn为所述历史阅读轨迹中第n个现有资讯数据的浏览时长，bn为第n个现有资讯数据的轨迹向量，min(bn)为所述历史阅读轨迹中最小浏览时长，max(bn)为所述历史阅读轨迹中最大浏览时长。

可选地，所述利用预先构建的对抗生成网络对所述第一轨迹图像进行阅读轨迹分析，得到第二轨迹图像，包括：

利用所述对抗生成网络中的生成器将所述第一轨迹图中的轨迹向量映射至预构建的向量空间，得到向量表征；

利用预设的调节函数和所述向量表征构建目标函数；

利用所述目标函数对所述第一轨迹图像进行运算，得到第二轨迹图像。

可选地，所述计算所述第一轨迹图像与所述第二轨迹图像的重合度，包括：

利用所述对抗生成网络中判别器的损失函数计算所述第一轨迹图像与所述第二轨迹图像中每个轨迹向量之间的损失值；

将所述损失值的平均值作为所述第一轨迹图像与所述第二轨迹图像的重合度。

为了解决上述问题，本发明还提供一种虚拟阅读轨迹图生成装置，所述装置包括：

第一转换模块，用于获取用户的现有资讯数据及所述现有资讯中的历史阅读轨迹，根据所述现有资讯数据构建资讯图像；

第二转换模块，用于根据所述历史阅读轨迹构建轨迹向量，并利用所述轨迹向量对所述资讯图像进行标记，得到第一轨迹图像；

第一分析模块，用于利用预先构建的对抗生成网络对所述第一轨迹图像进行阅读轨迹分析，得到第二轨迹图像；

重合度计算模块，用于计算所述第一轨迹图像与所述第二轨迹图像的重合度；

参数调整模块，用于若所述重合度小于或等于预设阈值，则调整所述对抗生成网络的参数，并返回对所述第一轨迹图像进行阅读轨迹分析的步骤；

网络输出模块，用于若所述重合度大于所述预设阈值，则将所述对抗生成网络输出，得到阅读轨迹生成网络；

第二分析模块，用于获取待分析资讯数据，利用所述阅读轨迹生成网络对所述待分析资讯数据进行阅读轨迹分析，得到所述用户的虚拟阅读轨迹图。

为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

存储器，存储至少一个指令；及

处理器，执行所述存储器中存储的指令以实现上述所述的虚拟阅读轨迹图生成方法。

为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的虚拟阅读轨迹图生成方法。

本发明实施例通过历史阅读轨迹生成轨迹向量，并利用该轨迹向量对现有资讯数据生成的资讯图像进行标记，以获取包含用户阅读轨迹的轨迹图像，有利于提高对资讯数据进行分析的效率，利用该轨迹图像对预构建的对抗生成网络进行训练，并利用训练后的网络对待分析资讯数据进行阅读轨迹分析，以获取用户对该待分析资讯数据中各数据的偏好，利用网络的精确性，实现了对资讯的精确分析。因此本发明提出的虚拟阅读轨迹图生成方法、装置、电子设备及计算机可读存储介质，可以解决对用户偏好资讯进行分析的精确度较低的问题。

附图说明

图1为本发明一实施例提供的虚拟阅读轨迹图生成方法的流程示意图；

图2为本发明一实施例提供的转换资讯图像的流程示意图；

图3为本发明一实施例提供的生成初始资源标签的流程示意图；

图4为本发明一实施例提供的虚拟阅读轨迹图生成装置的功能模块图；

图5为本发明一实施例提供的实现所述虚拟阅读轨迹图生成方法的电子设备的结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供一种虚拟阅读轨迹图生成方法。所述虚拟阅读轨迹图生成方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述虚拟阅读轨迹图生成方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。

参照图1所示，为本发明一实施例提供的虚拟阅读轨迹图生成方法的流程示意图。在本实施例中，所述虚拟阅读轨迹图生成方法包括：

s1、获取用户的现有资讯数据及所述现有资讯的历史阅读轨迹，根据所述现有资讯数据构建资讯图像。

本发明实施例中，所述现有资讯数据为用户可获取的资讯(如传输至客户端中的新闻、书籍、广告等)，以及所述资讯的总数量、被阅读数量等相关信息。

例如，传输至在客户端页面中的资讯包括：一条新闻、一本书籍和一条广告，以及资讯的总数量为3，且其中有2个资讯被阅读过，等信息。

详细地，所述历史阅读轨迹为所述现有资讯数据中被用户浏览的资讯的名称、浏览时长等信息。

例如，现有资讯数据中包含资讯a、资讯b、资讯c，其中，资讯b和资讯c被用户浏览过，且资讯b的浏览时长为0.5小时，资讯c的浏览时长为0.1小时，则资讯b、资讯c，以及资讯b和资讯c各自对应的浏览时长为该现有资讯数据中用户的历史阅读轨迹。

本发明实施例中，可通过生成资讯调用指令，并利用该资讯调用指令调用预先存储于数据库、区块链或网络缓存中的现有资讯数据及历史阅读轨迹。

本发明实施例中，所述获取用户的现有资讯数据及所述现有资讯中的历史阅读轨迹，包括：

获取资讯调用指令，提取所述资讯调用指令中的目标访问地址；

根据所述目标访问地址查找所述现有资讯数据及所述历史阅读轨迹的存储数据库；

从所述存储数据库中提取所述现有资讯数据及所述历史阅读轨迹。

详细地，所述资讯调用指令可通过预先构建的图形化点击按钮程序或通过指令化操作平台生成。

具体地，本发明可利用预设的解析器对所述资讯调用指令进行解析，以提取所述资讯调用指令中的目标访问地址，所述解析器包括但不限于json解析器、python解析器；进而根据所述目标访问地址查找出用于存储所述现有资讯数据及所述历史阅读轨迹的存储数据库，并从该存储数据库中获取所述现有资讯数据及所述历史阅读轨迹。

进一步地，由于所述现有资讯数据多为文字数据，且数据量庞大，若直接对所述现有资讯数据进行处理，会占用大量计算资源，降低处理效率，因此，本发明实施例将所述现有资讯数据按照预设的第一单位时间转换为资讯图像，以便于提高后续对现有资讯数据进行处理的效率。

本发明其中一个实施例中，参图2所示，所述根据所述现有资讯数据构建资讯图像，包括：

s21、按照第一单位时间将所述现有资讯数据进行划分，得到资讯子集；

s22、确定每个所述资讯子集的资讯阅读数量及资讯总数量；

s23、根据每个所述资讯子集的资讯阅读数量及资讯总数量，构建资讯图像。

本发明其中一个实施例中，所述第一单位时间可以为一个自然日(24小时)。本发明实施例根据每一个自然日产生的现有资讯数据的资讯阅读数量及资讯总数量，构建资讯图像。

例如，所述现有资讯数据包含3月1日至3月3日用户可获取的资讯，则可将所述现有资讯数据划分为3月1日资讯子集、3月2日资讯子集和3月3日资讯子集。

进一步地，可根据所述资讯子集确定每个所述第一单位时间内的资讯阅读数量及资讯总数量，例如，3月1日时，现有资讯数据包括新闻、书籍和广告等，以及该资讯中资讯的总数量为3，且其中有2个资讯被阅读等信息，则可确定3月1日资讯子集内的资讯总数量为3，资讯阅读数量为2。本发明另一实施例中，所述根据每个所述资讯子集的资讯阅读数量及资讯总数量，构建资讯图像，包括：

将所述现有资讯数据的资讯总数量进行因式分解，得到资讯矩阵；

将所述所述资讯子集的资讯阅读数量与预设的单位灰度值进行第一运算，得到矩阵灰度；

利用所述矩阵灰度与所述资讯矩阵进行第二运算，得到资讯图像。

详细地，假设所述资讯总数量为z，可将该讯总数量因式分解为z＝x·y，其中，x、y为z进行因式分解得到的因子，进而可确定z对应的资讯矩阵规模为x·y，其中，x为所述日资讯矩阵的行列的数量，y为所述日资讯矩阵的纵列的数量。

例如，资讯总数量为3，可将该讯总数量因式分解为3＝1·3，进而可确定3对应的资讯矩阵规模为1·3，其中，1为所述日资讯矩阵的行列的数量，3为所述日资讯矩阵的纵列的数量。

本发明实施例中，所述第一运算包括但不限于乘法运算、除法运算、加法运算和减法运算。

例如，资讯阅读数量为q，单位灰度值为e，当所述第一运算为乘法运算时，可得矩阵灰度q*e。

详细地，所述第二运算可以与所述第一运算相同。

例如，当所述第二运算为乘法运算时，存在资讯矩阵(3，1，4)，存在矩阵灰度(9，3，12)，则可得资讯图像

s2、根据所述历史阅读轨迹构建轨迹向量，并利用所述轨迹向量对所述资讯图像进行标记，得到第一轨迹图像。

本发明其中一个实际应用场景中，由于所述历史阅读轨迹与所述现有资讯数据相同，多为文字数据，因此，为了提高对所述历史阅读轨迹的分析效率，本发明实施例根据所述历史阅读轨迹构建轨迹向量。

本发明实施例中，所述根据所述历史阅读轨迹构建轨迹向量，包括：

提取用户在第二单位时间内对所述历史阅读轨迹中每个资讯数据的浏览时长；

根据所述浏览时长对所述历史阅读轨迹中每个资讯数据进行向量转换，得到轨迹向量。

其中，所述第二单位可以与上述第一单位时间相同。详细地，本发明实施例可通过具有数据提取功能的计算机语句(java语句、python语句等)提取历史阅读轨迹中每个现有资讯数据的浏览时长。

具体地，所述根据所述浏览时长对所述历史阅读轨迹中每个现有资讯数据进行向量转换，得到轨迹向量，包括：

利用如下向量转换算法对所述历史阅读轨迹中每个现有资讯数据进行向量转换：

其中，bn为所述历史阅读轨迹中第n个现有资讯数据的浏览时长，bn为第n个现有资讯数据的轨迹向量，min(bn)为所述历史阅读轨迹中最小浏览时长，max(bn)为所述历史阅读轨迹中最大浏览时长。

例如bn所含历史阅读轨迹包括：b1＝0.13小时、b2＝2.5小时、b3＝0.5小时、b4＝2.8小时、b5＝1.5小时、b6＝2.8小时、b7＝0.37小时、b8＝2.5小时、b9＝1.25小时，当通过上述向量转换算法计算第3个现有资讯数据的轨迹向量b3，和第6个现有资讯数据的轨迹向量时b6，可得：

本发明实施例中，由于所述轨迹向量是根据用户对所述个现有资讯数据中每个资讯数据的浏览时长计算得出，因此，该轨迹向量的值越大，则说明用户对该轨迹向量对应的现有资讯数据浏览得越仔细，进而，可通过将所述轨迹向量与所述资讯图像中的向量进行相乘、相加等运算，实现对所述资讯图像进行标记，以在所述资讯图像中显示出用户的浏览轨迹，得到第一轨迹图像。

s3、利用预先构建的对抗生成网络对所述第一轨迹图像进行阅读轨迹分析，得到第二轨迹图像。

本发明实施例中，所述对抗生成网络是一种深度学习模型，包括生成器、判别器，其中生成器是是一个生成输入数据的预测结果(第二轨迹图像)，判别器用于判别预测结果(第二轨迹图像)与所述输入数据对应的标准结果(第一轨迹图像)的差异。

本发明实施例中，参图3所示，所述利用预先构建的对抗生成网络对所述第一轨迹图像进行阅读轨迹分析，得到第二轨迹图像，包括：

s31、利用所述对抗生成网络中的生成器将所述第一轨迹图中的轨迹向量映射至预构建的向量空间，得到向量表征；

s32、利用预设的调节函数和所述向量表征构建目标函数；

s33、利用所述目标函数对所述第一轨迹图像进行运算，得到第二轨迹图像。

详细地，所述生成器可利用如下函数将所述第一轨迹图中的轨迹向量映射至预构建的向量空间，得到向量表征：

a(z)＝softmax(bn)

其中，bn为第n个现有资讯数据的轨迹向量，softmax()为归一化指数函数，a(z)为第n个现有资讯数据的轨迹向量对应的向量表征。

具体地，当获取所述向量表征后，可利用预设的调节函数和所述向量表征构建目标函数。

示例性地，所述目标函数为：

g(z)＝a(z)·g(z)

其中，a(z)为所述向量表征，g(z)为预设的调节函数，g(z)为所述目标函数。

本发明实施例中，所述调节函数包括但不限于：linearkernel函数、polynomialkernel函数、sigmoidkernel函数。

s4、计算所述第一轨迹图像与所述第二轨迹图像的重合度；

本发明实施例中，可利用所述对抗生成网络中的判别器对所述第一轨迹图像与所述第二轨迹图像的重合度进行判别。

本发明实施例中，所述计算所述第一轨迹图像与所述第二轨迹图像的重合度，包括：

利用所述对抗生成网络中判别器的损失函数计算所述第一轨迹图像与所述第二轨迹图像中每个轨迹向量之间的损失值；

将所述损失值的平均值作为所述第一轨迹图像与所述第二轨迹图像的重合度。

例如，第一轨迹图像中包含轨迹向量a、轨迹向量b和轨迹向量c，第二轨迹图像中包含轨迹向量a、轨迹向量b和轨迹向量c，则可利用所述对抗生成网络中判别器的损失函数计算轨迹向量a与轨迹向量a之间的损失值α，轨迹向量b与轨迹向量b之间的损失值β，轨迹向量c与轨迹向量c之间的损失值γ，并将α、β和γ的均值作为所述第一轨迹图像与所述第二轨迹图像的重合度。

s5、判断所述重合度是否大于预设阈值；

若所述重合度小于或等于所述预设阈值，则执行下述的s6，若所述重合度大于所述预设阈值，则执行下述的s7。

s6、调整所述对抗生成网络的参数，并返回对上述的步骤s3。

本发明实施例中，若所述重合度小于或等于预设阈值，则说明该对抗生成网络的精确度较低，因此需要调节所述对抗生成网络的参数。

本发明其中一个实施例中，可采用预设优化算法对所述对抗生成网络的参数进行调节，所述梯度下降算法包括但不限于：批量梯度下降算法、小批量梯度下降算法、随机梯度下降算法。

例如，将所述对抗生成网络的当前参数输入至所述优化算法中，利用所述优化算法对输入的当前参数进行优化计算，并获取该优化算法输出的优化后的优化参数，利用所述优化参数对所述对抗生成网络的当前参数进行替换，以实现对所述对抗生成网络中参数的调整。

详细地，所述调整所述对抗生成网络的参数，包括：

获取所述对抗生成网络中的当前参数；

利用预设优化算法计算所述当前参数的更新梯度；

根据所述更新梯度对所述当前参数进行更新，得到优化参数。

本发明实施例可通过具有参数提取功能的计算机语句从所述对抗生成网络中提取所述当前参数，进而利用预设优化算法对所述当前参数进行更新。

在根据所述更新梯度对所述当前参数进行更新时，可利用所述当前参数与更新梯度进行预设的算数运算。

例如，当前参数为10，利用预设的优化算法对所述当前参数进行计算，得到当前参数的更新梯度为0.1，可根据所述更新梯度0.1将所述当前参数进行更新为10(1+0.1)＝11；

或者，可根据所述更新梯度0.1将所述当前参数进行更新为10+0.1＝10.1。

当对所述对抗生成网络的参数进行调节后，返回步骤s3，重新对所述第一轨迹图像进行阅读轨迹分析。

s7、将所述对抗生成网络输出，得到阅读轨迹生成网络；

本发明实施例中，若所述重合度大于所述预设阈值，则说明该对抗生成网络的精确度满足要求，可将所述对抗生成网络进行输出，得到阅读轨迹生成网络。

s8、获取待分析资讯数据，利用所述阅读轨迹生成网络对所述待分析资讯数据进行阅读轨迹分析，得到所述用户的虚拟阅读轨迹图。

本发明实施例中，所述待分析资讯数据包括未向用户进行展示的资讯数据，可从用于存储该待分析资讯数据的数据库中抓取所述待分析资讯数据。

本发明实施例利用所述阅读轨迹生成网络对所述待分析资讯数据进行阅读轨迹分析，可得到所述虚拟阅读轨迹图，该虚拟阅读轨迹图可用于对用户的阅读轨迹进行预测。

例如，待分析资讯数据中存在新闻a、新闻b、新闻c和新闻d，则利用所述阅读轨迹生成网络对所述待分析资讯数据进行阅读轨迹分析，可得出用户可能对新闻a、新闻c和新闻d进行阅读，不对新闻b进行阅读，且线阅读新闻a，再阅读新闻d，最后阅读新闻c。

本发明实施例分别通过历史阅读轨迹生成轨迹向量，并利用该轨迹向量对现有资讯数据生成的资讯图像进行标记，以获取包含用户阅读轨迹的第一轨迹图像，有利于提高对资讯数据进行分析的效率，利用该第一轨迹图像对预构建的对抗生成网络进行训练，并利用训练后的网络对待分析资讯数据进行阅读轨迹分析，以获取用户对该待分析资讯数据中各数据的偏好，利用网络的精确性，实现了对资讯的精确分析。因此本发明提出的虚拟阅读轨迹图生成方法，可以解决对用户偏好资讯进行分析的精确度较低的问题。

如图4所示，是本发明一实施例提供的虚拟阅读轨迹图生成装置的功能模块图。

本发明所述虚拟阅读轨迹图生成装置100可以安装于电子设备中。根据实现的功能，所述虚拟阅读轨迹图生成装置100可以包括第一转换模块101、第二转换模块102、第一分析模块103、重合度计算模块104、参数调整模块105、网络输出模块106及第二分析模块107。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述第一转换模块101，用于获取用户的现有资讯数据及所述现有资讯中的历史阅读轨迹，根据所述现有资讯数据构建资讯图像；

所述第二转换模块102，用于根据所述历史阅读轨迹构建轨迹向量，并利用所述轨迹向量对所述资讯图像进行标记，得到第一轨迹图像；

所述第一分析模块103，用于利用预先构建的对抗生成网络对所述第一轨迹图像进行阅读轨迹分析，得到第二轨迹图像；

所述重合度计算模块104，用于计算所述第一轨迹图像与所述第二轨迹图像的重合度；

所述参数调整模块105，用于若所述重合度小于或等于预设阈值，调整所述对抗生成网络的参数，并返回对所述第一轨迹图像进行阅读轨迹分析的步骤；

所述网络输出模块106，用于若所述重合度大于所述预设阈值，将所述对抗生成网络输出为阅读轨迹生成网络；

所述第二分析模块107，用于获取待分析资讯数据，利用所述阅读轨迹生成网络对所述待分析资讯数据进行阅读轨迹分析，得到所述用户的虚拟阅读轨迹图。

详细地，本发明实施例中所述虚拟阅读轨迹图生成装置100中所述的各模块在使用时采用与上述图1至图3中所述的虚拟阅读轨迹图生成方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。

如图5所示，是本发明一实施例提供的实现虚拟阅读轨迹图生成方法的电子设备的结构示意图。

述电子设备可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如前端监控程序。

其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(centralprocessingunit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(controlunit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行前端监控程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。

所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smartmediacard，smc)、安全数字(securedigital，sd)卡、闪存卡(flashcard)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如前端监控程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述通信总线12可以是外设部件互连标准(peripheralcomponentinterconnect，简称pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organiclight-emittingdiode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。

图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备1中的所述存储器11存储的虚拟阅读轨迹图生成程序是多个指令的组合，在所述处理器10中运行时，可以实现：

获取用户的现有资讯数据及所述现有资讯中的历史阅读轨迹，根据所述现有资讯数据构建资讯图像；

根据所述历史阅读轨迹构建轨迹向量，并利用所述轨迹向量对所述资讯图像进行标记，得到第一轨迹图像；

利用预先构建的对抗生成网络对所述第一轨迹图像进行阅读轨迹分析，得到第二轨迹图像；

计算所述第一轨迹图像与所述第二轨迹图像的重合度；

若所述重合度小于或等于预设阈值，则调整所述对抗生成网络的参数，并返回对所述第一轨迹图像进行阅读轨迹分析的步骤；

若所述重合度大于所述预设阈值，则将所述对抗生成网络输出，得到阅读轨迹生成网络；

获取待分析资讯数据，利用所述阅读轨迹生成网络对所述待分析资讯数据进行阅读轨迹分析，得到所述用户的虚拟阅读轨迹图。

具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。

进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)。

本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

获取用户的现有资讯数据及所述现有资讯中的历史阅读轨迹，根据所述现有资讯数据构建资讯图像；

根据所述历史阅读轨迹构建轨迹向量，并利用所述轨迹向量对所述资讯图像进行标记，得到第一轨迹图像；

利用预先构建的对抗生成网络对所述第一轨迹图像进行阅读轨迹分析，得到第二轨迹图像；

计算所述第一轨迹图像与所述第二轨迹图像的重合度；

若所述重合度小于或等于预设阈值，则调整所述对抗生成网络的参数，并返回对所述第一轨迹图像进行阅读轨迹分析的步骤；

若所述重合度大于所述预设阈值，则将所述对抗生成网络输出，得到阅读轨迹生成网络；

获取待分析资讯数据，利用所述阅读轨迹生成网络对所述待分析资讯数据进行阅读轨迹分析，得到所述用户的虚拟阅读轨迹图。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。