CN108154165B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN108154165B
CN108154165B CN201711155393.3A CN201711155393A CN108154165B CN 108154165 B CN108154165 B CN 108154165B CN 201711155393 A CN201711155393 A CN 201711155393A CN 108154165 B CN108154165 B CN 108154165B
Authority
CN
China
Prior art keywords
matching
deep learning
neural network
image
learning neural
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711155393.3A
Other languages
English (en)
Other versions
CN108154165A (zh
Inventor
朱定局
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China Normal University
Original Assignee
South China Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China Normal University filed Critical South China Normal University
Priority to CN201711155393.3A priority Critical patent/CN108154165B/zh
Publication of CN108154165A publication Critical patent/CN108154165A/zh
Application granted granted Critical
Publication of CN108154165B publication Critical patent/CN108154165B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/22Matching criteria, e.g. proximity measures
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/95Retrieval from the web
    • G06F16/953Querying, e.g. by the use of web search engines
    • G06F16/9535Search customisation based on user profiles and personalisation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明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,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根据已婚匹配对象对应的匹配图像大数据训练得到;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的匹配度,提供客观的匹配依据,还提出一种婚恋对象匹配数据处理装置、计算机设备和可读存储介质。

Description

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
技术领域
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,使得推荐的婚恋对象与用户的匹配度低。
发明内容
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匹配度的相关性,提供客观的匹配依据。
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根据已婚匹配对象对应的匹配图像大数据训练得到;
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的匹配度。
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:
获取待匹配的对象对应的预设数据格式和匹配结果预设格式;
将所述预设数据格式作为待输入格式,将所述匹配结果预设格式作为待输出格式,获取与所述待输入格式和待输出格式匹配的深度学习神经网络对应的初始配置信息;
根据所述初始配置信息对所述深度学习神经网络进行初始化配置。
在其中一个实施例中,所述获取与所述待输入格式和待输出格式匹配的深度学习神经网络对应的初始配置信息的步骤包括:
获取所述深度学习神经网络对应的候选输入格式和候选输出格式;
获取输入权值系数和输出权值系数;
计算所述待输入格式和候选输入格式的输入匹配度,计算所述待输出格式和候选输出格式的输出匹配度;
根据所述输入权值系数、输入匹配度、输出权值系数、输出匹配度计算得到初始配置信息匹配度;
根据初始配置信息匹配度获取与所述待输入格式和待输出格式最匹配的目标候选输入格式和目标候选输出格式;
根据所述目标候选输入格式和目标候选输出格式获取对应的目标初始配置信息。
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,各个已婚匹配对象对应的匹配图像对组成匹配图像对集合;
将任意两个已婚匹配图像对进行拆分组合形成非匹配图像对,各个非匹配图像对组成非匹配图像对集合;
将各个匹配图像对和各个非匹配图像对分别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;
将各个匹配图像对作为所述深度学习神经网络的输入,将匹配图像对对应的预设匹配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;
将各个非匹配图像对作为所述深度学习神经网络的输入,将非匹配图像对对应的预设非匹配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的匹配度的步骤之后,还包括:
如果匹配度为匹配成功,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根据已婚匹配对象对应的匹配图像大数据训练得到,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;
匹配度确定模块,用于根据所述匹配结果确定第一对象与第二对象的匹配度。
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,用于如果匹配度为匹配成功,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根据已婚匹配对象对应的匹配图像大数据训练得到,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的匹配度,基于大数据和深度学习神经网络建立待匹配对象与匹配度的相关性,提供客观的匹配依据。
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的匹配度,并根据匹配度,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的匹配度,主动向请求匹配对象对应的终端推送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匹配度。
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根据已婚匹配对象对应的匹配图像大数据训练得到。
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(Constitutional Neural Networks,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是与待匹配的对象的数据格式和输出格式匹配度最高的。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。在一个实施例中,根据已训练的深度学习神经网络的预设数据格式对请求匹配对象图片及每一候选待推荐对象图片进行预处理,具体包括:判断请求匹配对象图片及每一候选待推荐对象图片中的各个图片与预设数据格式是否一致,如果不一致,则将图片的格式转化为预设数据格式。
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。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表示匹配,用0表示不匹配。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的匹配度。
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的匹配度。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匹配度,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匹配度的计算,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根据已婚匹配对象对应的匹配图像大数据训练得到,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的匹配度,基于大数据和深度学习神经网络建立待匹配对象与匹配度的相关性,提供客观的匹配依据。
在一个实施例中,如图4所示,步骤S210之前,还包括:
步骤S310,获取待匹配的对象对应的预设数据格式和匹配结果预设格式。
具体地,预设数据格式可以通过预先设定,也可以通过如下步骤自动获取:从待匹配的对象对应的多个每一对请求匹配对象照片和候选待推荐对象照片中每一照片的格式信息中获取数据格式,如1080个像素×1920个像素,统计获取到的不同数据格式中每一数据格式的照片的数量,获取最大的数量对应的数据格式,作为预设数据格式。匹配结果预设格式是指需要得到的匹配结果的格式,如果是需要得到概率,则预设格式为0到1之间的小数,如果是需要得到标签,则预设格式为标签对应的格式。
步骤S320,将预设数据格式作为待输入格式,将匹配结果预设格式作为待输出格式,获取与待输入格式和待输出格式匹配的深度学习神经网络对应的初始配置信息。
具体的,深度学习神经网络知识库中预先存有各类输入格式和输出格式对应的深度学习神经网络配置信息,需要从中筛选出与当前待输入格式和待输出格式匹配的深度学习神经网络对应的初始配置信息。具体的筛选方式可根据需要自定义,如计算当前待输入格式与深度学习神经网络的候选输入格式的输入匹配度,计算当前待输出格式与候选输出格式的输出匹配度,然后根据输入匹配度与输出匹配度综合计算最终的匹配度。将匹配度最大的候选输入格式与候选输出格式对应的深度学习神经网络配置信息作为最终的初始配置信息。
配置信息是指用于配置深度学习神经网络的信息,包括预设层数、每层预设节点数、各网络连接的预设权值等。
步骤S330,根据初始配置信息对深度学习神经网络进行初始化配置。
具体地,将初始配置信息中的各个配置项分别赋予深度学习神经网络中对应的项,从而得到初始化的深度学习神经网络。可以理解的是,可以接收修改请求,修改请求携带修改配置项和对应的修改值,从而根据修改值对初始化的深度学习神经网络的修改配置项进行修改。
本实施例中,通过预设数据格式和匹配结果预设格式筛选得到匹配度高的深度学习神经网络对应的初始配置信息,能提高初始配置信息的准确度。
在一个实施例中,如图5所示,步骤S210之前,还包括:
步骤S410,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。
具体地,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。
步骤S420,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,各个已婚匹配对象对应的匹配图像对组成匹配图像对集合。
具体地,匹配图像对中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},匹配图像对集合P={(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S430,将任意两个已婚匹配图像对进行拆分组合形成非匹配图像对,各个非匹配图像对组成非匹配图像对集合。
具体地,将一个匹配图像对中的图像与任意另一个匹配图像对中相同属性的图像进行交换,相同属性是指相同性别,从而形成非匹配图像对,各个非匹配图像对组成非匹配图像对集合。如匹配图像对集合P={(A1,A2),(B1,B2),(C1,C2),(D1,D2)},形成非匹配图像对集合Q={(A1,B2),(A1,C2),(A1,D2),(B1,A2),(B1,C2),(B1,D2),(C1,A2),(C1,B2),(C1,D2),(D1,A2),(D1,B2),(D1,C2)}。
步骤S440,将各个匹配图像对和各个非匹配图像对分别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。
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,将各个非匹配图像对,如(A1,B2),(A1,C2),(A1,D2),(B1,A2),(B1,C2),(B1,D2),(C1,A2),(C1,B2),(C1,D2),(D1,A2),(D1,B2),(D1,C2)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S450,将各个匹配图像对作为深度学习神经网络的输入,将匹配图像对对应的预设匹配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。
具体地,预设匹配标签是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是匹配的。将各个匹配图像对,如(A1,A2),(B1,B2),(C1,C2),(D1,D2)分别作为输入,将预设匹配标签,如1作为输出,进行有监督训练。
步骤S460,将各个非匹配图像对作为深度学习神经网络的输入,将非匹配图像对对应的预设非匹配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。
具体地,预设非匹配标签是非匹配图像对对应的标签,表示非匹配图像对中的两个照片对应的对象是非匹配的。将各个非匹配图像对,如(A1,B2),(A1,C2),(A1,D2),(B1,A2),(B1,C2),(B1,D2),(C1,A2),(C1,B2),(C1,D2),(D1,A2),(D1,B2),(D1,C2)分别作为输入,将预设匹配标签,如0作为输出,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S470,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,步骤S240包括:如果匹配结果与预设匹配标签相同,则确定第一对象与第二对象的匹配度为匹配成功,如果匹配结果与预设非匹配标签相同,则确定第一对象与第二对象的匹配度为匹配失败。
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匹配标签是否相同,来判断第一对象与第二对象是否匹配成功,可直接得出匹配结果,简单方便。预设匹配标签和预设非匹配标签的格式可根据需要自定义,如用标志位表示,如1表示预设匹配标签,0表示预设非匹配标签。
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:如果匹配度为匹配成功,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,如果匹配度为匹配成功,则说明请求匹配对象与待推荐对象匹配,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。只有匹配成功,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}。
2、从匹配图像对集合中每2个夫妻的男方照片和女方照片中进行交叉搭配后形成2个非夫妻照片,加入非匹配图像对集合。与上述匹配图像对集合对应的非匹配图像对集合为{男1照片、女2照片;男1照片、女3照片;男1照片、女4照片;男1照片、女5照片;男1照片、女6照片;男2照片、女1照片;男2照片、女3照片;男2照片、女4照片;男2照片、女5照片;男2照片、女6照片;男3照片、女1照片;男3照片、女2照片;男3照片、女4照片;男3照片、女5照片;男3照片、女6照片;男4照片、女1照片;男4照片、女2照片;男4照片、女3照片;男4照片、女5照片;男4照片、女6照片;男5照片、女1照片;男5照片、女2照片;男5照片、女3照片;男5照片、女4照片;男5照片、女6照片;男6照片、女1照片;男6照片、女2照片;男6照片、女3照片;男6照片、女4照片;男6照片、女5照片}。
3、获取待匹配的对象对应的预设数据格式和匹配结果预设格式,其中匹配结果预设格式为预设匹配标签0和预设匹配标签1,将预设数据格式作为待输入格式,将匹配结果预设格式作为待输出格式,获取与待输入格式和待输出格式匹配的深度学习神经网络对应的初始配置信息;根据初始配置信息对深度学习神经网络进行预设层数、每层预设节点数、各网络连接的预设权值的初始化配置。其中匹配度=输入格式与一对数据预设格式的匹配度×u%+输出格式与匹配结果预设格式的匹配度×(1-u%),u为90。
4、将匹配图像对集合及非匹配图像对集合中每一对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。
先将匹配图像对集合中每一对照片作为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:
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无监督训练。
将非匹配图像对集合中每一对照片作为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:
将男1照片、女2照片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;
将男1照片、女3照片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;
直到非匹配图像对集合中每一对照片都输入深度学习神经网络,对所述深度学习神经网络进行无监督训练。
5、将匹配图像对集合中每一夫妻照片作为深度学习神经网络的输入,将夫妻关系对应的预设标签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2照片、女2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;
直到匹配图像对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。
将非匹配图像对集合中每一夫妻照片作为深度学习神经网络的输入,将非夫妻关系对应的预设标签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1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。
将男1照片、女3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,对所述深度学习神经网络进行有监督训练;
直到非匹配图像对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。
最终得到已训练的深度学习神经网络。
6、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。
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,若输出标签与夫妻关系对应的预设标签相同,则向第一对象对应的终端推送待推荐对象信息,若输出标签与非夫妻关系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,将第一对象图像A及待推荐对象的图像B1作为所述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,若输出标签与夫妻关系对应的预设标签1相同,则向第一对象对应的终端推送待推荐对象信息,若输出标签与非夫妻关系对应的预设标签0相同,则不向第一对象对应的终端推送待推荐对象信息。
在一个实施例中,如图6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根据已婚匹配对象对应的匹配图像大数据训练得到,获取已训练的深度学习神经网络输出的对应的匹配结果。
匹配度确定模块530,用于根据匹配结果确定第一对象与第二对象的匹配度。
在一个实施例中,如图7所示,装置还包括:
初始化配置模块540,用于获取待匹配的对象对应的预设数据格式和匹配结果预设格式,将预设数据格式作为待输入格式,将匹配结果预设格式作为待输出格式,获取与所述待输入格式和待输出格式匹配的深度学习神经网络对应的初始配置信息,根据初始配置信息对深度学习神经网络进行初始化配置。
在一个实施例中,初始化配置模块540还用于获取所述深度学习神经网络对应的候选输入格式和候选输出格式,获取输入权值系数和输出权值系数,计算待输入格式和候选输入格式的输入匹配度,计算待输出格式和候选输出格式的输出匹配度,根据输入权值系数、输入匹配度、输出权值系数、输出匹配度计算得到初始配置信息匹配度,根据初始配置信息匹配度获取与所述待输入格式和待输出格式最匹配的目标候选输入格式和目标候选输出格式,根据目标候选输入格式和目标候选输出格式获取对应的目标初始配置信息。
在一个实施例中,如图8所示,装置还包括:
训练模块550,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,各个已婚匹配对象对应的匹配图像对组成匹配图像对集合,将任意两个已婚匹配图像对进行拆分组合形成非匹配图像对,各个非匹配图像对组成非匹配图像对集合,将各个匹配图像对和各个非匹配图像对分别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,将各个匹配图像对作为所述深度学习神经网络的输入,将匹配图像对对应的预设匹配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,将各个非匹配图像对作为深度学习神经网络的输入,将非匹配图像对对应的预设非匹配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,匹配度确定模块530还用于如果匹配结果与预设匹配标签相同,则确定第一对象与第二对象的匹配度为匹配成功,如果匹配结果与预设非匹配标签相同,则确定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。
如图9所示,所述装置还包括:
发送模块560,用于如果匹配度为匹配成功,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根据已婚匹配对象对应的匹配图像大数据训练得到,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的匹配度。
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:获取待匹配的对象对应的预设数据格式和匹配结果预设格式,将所述预设数据格式作为待输入格式,将所述匹配结果预设格式作为待输出格式,获取与所述待输入格式和待输出格式匹配的深度学习神经网络对应的初始配置信息,根据所述初始配置信息对所述深度学习神经网络进行初始化配置。
在一个实施例中,获取与所述待输入格式和待输出格式匹配的深度学习神经网络对应的初始配置信息的步骤包括:获取所述深度学习神经网络对应的候选输入格式和候选输出格式;获取输入权值系数和输出权值系数;计算所述待输入格式和候选输入格式的输入匹配度,计算所述待输出格式和候选输出格式的输出匹配度;根据所述输入权值系数、输入匹配度、输出权值系数、输出匹配度计算得到初始配置信息匹配度;根据初始配置信息匹配度获取与所述待输入格式和待输出格式最匹配的目标候选输入格式和目标候选输出格式;根据所述目标候选输入格式和目标候选输出格式获取对应的目标初始配置信息。
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,各个已婚匹配对象对应的匹配图像对组成匹配图像对集合;将任意两个已婚匹配图像对进行拆分组合形成非匹配图像对,各个非匹配图像对组成非匹配图像对集合;将各个匹配图像对和各个非匹配图像对分别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;将各个匹配图像对作为所述深度学习神经网络的输入,将匹配图像对对应的预设匹配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;将各个非匹配图像对作为所述深度学习神经网络的输入,将非匹配图像对对应的预设非匹配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后,还用于执行以下步骤:如果匹配度为匹配成功,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根据已婚匹配对象对应的匹配图像大数据训练得到,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的匹配度。
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:获取待匹配的对象对应的预设数据格式和匹配结果预设格式,将所述预设数据格式作为待输入格式,将所述匹配结果预设格式作为待输出格式,获取与所述待输入格式和待输出格式匹配的深度学习神经网络对应的初始配置信息,根据所述初始配置信息对所述深度学习神经网络进行初始化配置。
在一个实施例中,获取与所述待输入格式和待输出格式匹配的深度学习神经网络对应的初始配置信息的步骤包括:获取所述深度学习神经网络对应的候选输入格式和候选输出格式;获取输入权值系数和输出权值系数;计算所述待输入格式和候选输入格式的输入匹配度,计算所述待输出格式和候选输出格式的输出匹配度;根据所述输入权值系数、输入匹配度、输出权值系数、输出匹配度计算得到初始配置信息匹配度;根据初始配置信息匹配度获取与所述待输入格式和待输出格式最匹配的目标候选输入格式和目标候选输出格式;根据所述目标候选输入格式和目标候选输出格式获取对应的目标初始配置信息。
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,各个已婚匹配对象对应的匹配图像对组成匹配图像对集合;将任意两个已婚匹配图像对进行拆分组合形成非匹配图像对,各个非匹配图像对组成非匹配图像对集合;将各个匹配图像对和各个非匹配图像对分别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;将各个匹配图像对作为所述深度学习神经网络的输入,将匹配图像对对应的预设匹配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;将各个非匹配图像对作为所述深度学习神经网络的输入,将非匹配图像对对应的预设非匹配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后,还用于执行以下步骤:如果匹配度为匹配成功,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。
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-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,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。

Claims (10)

1.一种婚恋对象匹配数据处理方法,所述方法包括:
获取地区对应的训练图像大数据,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;已婚匹配对象是指法定效力内的结婚登记对象;
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,各个已婚匹配对象对应的匹配图像对组成匹配图像对集合;
将任意两个已婚匹配图像对进行拆分组合形成非匹配图像对,各个非匹配图像对组成非匹配图像对集合;
将任意两个已婚匹配图像对进行拆分组合形成非匹配图像对,各个非匹配图像对组成非匹配图像对集合;将一个匹配图像对中的图像与任意另一个匹配图像对中相同属性的图像进行交换,相同属性是指相同性别,从而形成非匹配图像对,各个非匹配图像对组成非匹配图像对集合;
将各个匹配图像对和各个非匹配图像对分别作为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;
将各个匹配图像对作为所述深度学习神经网络的输入,将匹配图像对对应的预设匹配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;
将各个非匹配图像对作为所述深度学习神经网络的输入,将非匹配图像对对应的预设非匹配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;
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或全身图像,还包括双方的地域、结婚登记地域、年龄信息形成多维度的输入训练数据;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;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;
得到与地区对应的已训练的深度学习神经网络;
获取待匹配的第一对象图像数据和第二对象图像数据,所述第一对象图像数据和所述第二对象图像数据是分别从第一对象图像和第二对象图像中提取人脸区域得到的;
将所述第一对象图像数据和第二对象图像数据输入所述与地区对应的已训练的深度学习神经网络,所述与地区对应的深度学习神经网络的参数是根据不同地区的已婚匹配对象对应的匹配图像大数据训练得到;所述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;
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的匹配度;
将第一对象与多个待匹配对象进行匹配度的计算,获取最大匹配概率的对象作为目标匹配对象。
2.根据权利要求1所述的方法,其特征在于,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:
获取待匹配的对象对应的预设数据格式和匹配结果预设格式;
将所述预设数据格式作为待输入格式,将所述匹配结果预设格式作为待输出格式,获取与所述待输入格式和待输出格式匹配的深度学习神经网络对应的初始配置信息;
根据所述初始配置信息对所述深度学习神经网络进行初始化配置。
3.根据权利要求2所述的方法,其特征在于,所述获取与所述待输入格式和待输出格式匹配的深度学习神经网络对应的初始配置信息的步骤包括:
获取所述深度学习神经网络对应的候选输入格式和候选输出格式;
获取输入权值系数和输出权值系数;
计算所述待输入格式和候选输入格式的输入匹配度,计算所述待输出格式和候选输出格式的输出匹配度;
根据所述输入权值系数、输入匹配度、输出权值系数、输出匹配度计算得到初始配置信息匹配度;
根据初始配置信息匹配度获取与所述待输入格式和待输出格式最匹配的目标候选输入格式和目标候选输出格式;
根据所述目标候选输入格式和目标候选输出格式获取对应的目标初始配置信息。
4.根据权利要求1至3任一项所述的方法,其特征在于,采用自下而上的无监督训练,并进行自顶向下的有监督训练。
5.根据权利要求1所述的方法,其特征在于,所述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。
6.根据权利要求1所述的方法,其特征在于,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的匹配度的步骤之后,还包括:
如果匹配度为匹配成功,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。
7.一种婚恋对象匹配数据处理装置,其特征在于,所述装置包括:
训练模块,用于获取地区对应的训练图像大数据,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,各个已婚匹配对象对应的匹配图像对组成匹配图像对集合,将任意两个已婚匹配图像对进行拆分组合形成非匹配图像对,各个非匹配图像对组成非匹配图像对集合,将各个匹配图像对和各个非匹配图像对分别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,将各个匹配图像对作为所述深度学习神经网络的输入,将匹配图像对对应的预设匹配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,将各个非匹配图像对作为深度学习神经网络的输入,将非匹配图像对对应的预设非匹配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,得到与地区对应的已训练的深度学习神经网络;
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,所述第一对象图像数据和所述第二对象图像数据是分别从第一对象图像和第二对象图像中提取人脸区域得到的;
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所述与地区对应的已训练的深度学习神经网络,所述与地区对应的深度学习神经网络的参数是根据不同地区的已婚匹配对象对应的匹配图像大数据训练得到,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;所述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;
匹配度确定模块,用于根据所述匹配结果确定第一对象与第二对象的匹配度;
已婚匹配对象是指法定效力内的结婚登记对象;将任意两个已婚匹配图像对进行拆分组合形成非匹配图像对,各个非匹配图像对组成非匹配图像对集合;将一个匹配图像对中的图像与任意另一个匹配图像对中相同属性的图像进行交换,相同属性是指相同性别,从而形成非匹配图像对,各个非匹配图像对组成非匹配图像对集合;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或全身图像,还包括双方的地域、结婚登记地域、年龄信息形成多维度的输入训练数据;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;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;将第一对象与多个待匹配对象进行匹配度的计算,获取最大匹配概率的对象作为目标匹配对象。
8.根据权利要求7所述的装置,其特征在于,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,用于如果匹配度为匹配成功,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。
9.一种计算机设备,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如权利要求1至6中任一项所述方法的步骤。
10.一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如权利要求1至6中任一项所述方法的步骤。
CN201711155393.3A 2017-11-20 2017-11-20 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 Active CN108154165B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711155393.3A CN108154165B (zh) 2017-11-20 2017-11-20 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711155393.3A CN108154165B (zh) 2017-11-20 2017-11-20 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

Publications (2)

Publication Number Publication Date
CN108154165A CN108154165A (zh) 2018-06-12
CN108154165B true CN108154165B (zh) 2021-12-07

Family

ID=62467949

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711155393.3A Active CN108154165B (zh) 2017-11-20 2017-11-20 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

Country Status (1)

Country Link
CN (1) CN108154165B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109147958B (zh) * 2018-07-09 2023-07-14 康美药业股份有限公司 一种基于图片传送的健康咨询平台通道构建方法及系统
CN109190039B (zh) * 2018-08-29 2021-12-14 腾讯科技(深圳)有限公司 确定相似对象的方法、装置及计算机可读存储介质
CN110046704B (zh) * 2019-04-09 2022-11-08 深圳鲲云信息科技有限公司 基于数据流的深度网络加速方法、装置、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102111392A (zh) * 2009-12-24 2011-06-29 王子嘉 以兴趣排名为基础的交友系统
CN103778414A (zh) * 2014-01-17 2014-05-07 杭州电子科技大学 基于深度神经网络的实时人脸识别方法
CN103870547A (zh) * 2014-02-26 2014-06-18 华为技术有限公司 联系人的分组处理方法及装置
CN105389548A (zh) * 2015-10-23 2016-03-09 南京邮电大学 基于人脸识别的婚恋评价系统和方法
CN106021455A (zh) * 2016-05-17 2016-10-12 乐视控股(北京)有限公司 图像特征关系的匹配方法、装置和系统
CN106157688A (zh) * 2016-08-25 2016-11-23 华南师范大学 基于深度学习和大数据的停车位检测方法和系统
CN106980688A (zh) * 2017-03-31 2017-07-25 上海掌门科技有限公司 一种用于提供交友对象的方法、设备及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080270425A1 (en) * 2007-04-27 2008-10-30 James Cotgreave System and method for connecting individuals in a social networking environment based on facial recognition software
US9704045B2 (en) * 2015-10-06 2017-07-11 Yahoo! Inc. User classification based upon images
US10192129B2 (en) * 2015-11-18 2019-01-29 Adobe Systems Incorporated Utilizing interactive deep learning to select objects in digital visual media
CN107273944A (zh) * 2017-05-16 2017-10-20 北京元视觉科技有限公司 自主社交的智能设备、自主交互方法及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102111392A (zh) * 2009-12-24 2011-06-29 王子嘉 以兴趣排名为基础的交友系统
CN103778414A (zh) * 2014-01-17 2014-05-07 杭州电子科技大学 基于深度神经网络的实时人脸识别方法
CN103870547A (zh) * 2014-02-26 2014-06-18 华为技术有限公司 联系人的分组处理方法及装置
CN105389548A (zh) * 2015-10-23 2016-03-09 南京邮电大学 基于人脸识别的婚恋评价系统和方法
CN106021455A (zh) * 2016-05-17 2016-10-12 乐视控股(北京)有限公司 图像特征关系的匹配方法、装置和系统
CN106157688A (zh) * 2016-08-25 2016-11-23 华南师范大学 基于深度学习和大数据的停车位检测方法和系统
CN106980688A (zh) * 2017-03-31 2017-07-25 上海掌门科技有限公司 一种用于提供交友对象的方法、设备及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A survey of deep neural network architectures and their applications;Weibo Liu 等;《Neurocomputing》;20161218;11-26 *
基于人脸视频信息的脉象分析;张晴晴 等;《暨南大学学报(自然科学与医学版)》;20161031;第37卷(第5期);430-435 *

Also Published As

Publication number Publication date
CN108154165A (zh) 2018-06-12

Similar Documents

Publication Publication Date Title
CN109685116B (zh) 图像描述信息生成方法和装置及电子装置
WO2022041979A1 (zh) 一种信息推荐模型的训练方法和相关装置
CN108182389B (zh) 基于大数据与深度学习的用户数据处理方法、机器人系统
WO2020094060A1 (zh) 推荐方法及装置
CN110909182B (zh) 多媒体资源搜索方法、装置、计算机设备及存储介质
US20230017667A1 (en) Data recommendation method and apparatus, computer device, and storage medium
CN107688605B (zh) 跨平台数据匹配方法、装置、计算机设备和存储介质
CN112119388A (zh) 训练图像嵌入模型和文本嵌入模型
KR102223382B1 (ko) 다중타입 엔티티에 기반한 지식 보완 방법 및 장치
WO2022105117A1 (zh) 一种图像质量评价的方法、装置、计算机设备及存储介质
CN108154165B (zh) 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
CN112395979A (zh) 基于图像的健康状态识别方法、装置、设备及存储介质
CN110489574B (zh) 一种多媒体信息推荐方法、装置和相关设备
CN114298122B (zh) 数据分类方法、装置、设备、存储介质及计算机程序产品
CN113628059A (zh) 一种基于多层图注意力网络的关联用户识别方法及装置
CN112231592A (zh) 基于图的网络社团发现方法、装置、设备以及存储介质
CN110889759A (zh) 信用数据的确定方法、装置及存储介质
CN108038496B (zh) 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
Wu et al. A federated deep learning framework for privacy-preserving consumer electronics recommendations
CN114299304A (zh) 一种图像处理方法及相关设备
CN111767953B (zh) 用于训练物品编码模型的方法和装置
CN113128526A (zh) 图像识别方法、装置、电子设备和计算机可读存储介质
Yang et al. Lstm network-based adaptation approach for dynamic integration in intelligent end-edge-cloud systems
CN115618121B (zh) 个性化资讯推荐方法、装置、设备及存储介质
KR20220018633A (ko) 이미지 검색 방법 및 장치

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant