CN112199603B - 基于对抗网络的信息推送方法、装置及计算机设备 - Google Patents

基于对抗网络的信息推送方法、装置及计算机设备 Download PDF

Info

Publication number
CN112199603B
CN112199603B CN202011417394.2A CN202011417394A CN112199603B CN 112199603 B CN112199603 B CN 112199603B CN 202011417394 A CN202011417394 A CN 202011417394A CN 112199603 B CN112199603 B CN 112199603B
Authority
CN
China
Prior art keywords
virtual object
object index
matrix
index matrix
index
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
CN202011417394.2A
Other languages
English (en)
Other versions
CN112199603A (zh
Inventor
任杰
袁雅云
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202011417394.2A priority Critical patent/CN112199603B/zh
Publication of CN112199603A publication Critical patent/CN112199603A/zh
Application granted granted Critical
Publication of CN112199603B publication Critical patent/CN112199603B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/55—Push-based network services

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Mathematics (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Optimization (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Pure & Applied Mathematics (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Analysis (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Biomedical Technology (AREA)
  • Signal Processing (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)

Abstract

本发明公开了基于对抗网络的信息推送方法、装置、计算机设备及存储介质，涉及人工智能，包括先重复分别从虚拟对象指标矩阵分组第k分组和虚拟对象指标矩阵分组第k+1分组中任意获取一个虚拟对象指标矩阵及与所获取两个虚拟对象指标矩阵对应的分组序号以对待训练cycle‑GAN模型进行训练，直到至其收敛时停止从虚拟对象指标矩阵分类结果中获取虚拟对象指标矩阵，得到cycle‑GAN模型；将所述当前虚拟对象指标矩阵输入至cycle‑GAN模型进行运算，得到与所述当前虚拟对象指标矩阵对应的迁移矩阵。实现了通过cycle‑GAN模型自动在大量的虚拟对象指标矩阵中寻找到与当前虚拟对象指标矩阵相近似的迁移矩阵以作为参数参考，无需人工搜寻、比对和分析数据，提高了推荐数据的获取效率。

Description

基于对抗网络的信息推送方法、装置及计算机设备
技术领域
本发明涉及人工智能的智能决策技术领域，尤其涉及一种基于对抗网络的信息推送方法、装置、计算机设备及存储介质。
背景技术
目前，在信息分发领域，出现了越来越多的信息推荐算法。例如常见的一种信息推荐方式是先获取目标用户的用户标签，然后在内容库中筛选与用户标签对应的目标内容后，将目标内容推送至目标用户。现有技术中的信息推荐算法是适用于用户标签易获取的场景，一旦用户的用户标签难以获取（例如只能提取出用户的高维度特征矩阵），则采用现有的信息推荐算法无法进行信息推荐。
例如，当某一用户或是某一企业对应一个高维度的特征矩阵，需要获取与该用户或是企业具有近似特征矩阵的目标特征矩阵以进行信息推荐时，一般是采用有监督模型来进行筛选获取或是人工判断，这就导致目标特征矩阵的获取时间较长，效率低下，而且准确率不高。
发明内容
本发明实施例提供了一种基于对抗网络的信息推送方法、装置、计算机设备及存储介质，旨在解决现有技术中用户的用户标签难以获取，需要获取与该用户或是企业具有近似特征矩阵的目标特征矩阵以进行信息推荐时，一般是采用有监督模型来进行筛选获取或是人工判断，导致目标特征矩阵的获取时间较长，效率低下，而且准确率不高的问题。
第一方面，本发明实施例提供了一种基于对抗网络的信息推送方法，其包括：
将数据特征指标获取模板发送至业务服务器；
接收业务服务器根据所述数据特征指标获取模板发送的数据特征指标矩阵，根据预设的数据维度提取策略获取与所述数据特征指标矩阵对应的虚拟对象指标矩阵；其中，所述虚拟对象指标矩阵中包括若干个虚拟对象指标序列，且同一业务服务器发送的数据特征指标矩阵与虚拟对象指标矩阵一一对应；
将各虚拟对象指标矩阵根据对应的指标总和按升序排序并调用预设的分组总个数进行分类，得到虚拟对象指标矩阵分类结果；其中，将分组总个数记为N，虚拟对象指标矩阵分类结果分别记为虚拟对象指标矩阵分组第一分组至虚拟对象指标矩阵分组第N分组；
重复分别从虚拟对象指标矩阵分组第k分组和虚拟对象指标矩阵分组第k+1分组中任意获取一个虚拟对象指标矩阵及与所获取两个虚拟对象指标矩阵对应的分组序号以对待训练cycle-GAN模型进行训练，直到至待训练cycle-GAN模型收敛时停止从虚拟对象指标矩阵分类结果中获取虚拟对象指标矩阵，得到cycle-GAN模型；其中，k的取值范围是[1,N-1]；
获取所上传的当前数据特征指标矩阵，根据所述数据维度提取策略获取与所述数据特征指标矩阵对应的当前虚拟对象指标矩阵；以及
将所述当前虚拟对象指标矩阵输入至cycle-GAN模型进行运算，得到与所述当前虚拟对象指标矩阵对应的迁移矩阵。
第二方面，本发明实施例提供了一种基于对抗网络的信息推送装置，其包括：
模板发送单元，用于将数据特征指标获取模板发送至业务服务器；
降维单元，用于接收业务服务器根据所述数据特征指标获取模板发送的数据特征指标矩阵，根据预设的数据维度提取策略获取与所述数据特征指标矩阵对应的虚拟对象指标矩阵；其中，所述虚拟对象指标矩阵中包括若干个虚拟对象指标序列，且同一业务服务器发送的数据特征指标矩阵与虚拟对象指标矩阵一一对应；
分组单元，用于将各虚拟对象指标矩阵根据对应的指标总和按升序排序并调用预设的分组总个数进行分类，得到虚拟对象指标矩阵分类结果；其中，将分组总个数记为N，虚拟对象指标矩阵分类结果分别记为虚拟对象指标矩阵分组第一分组至虚拟对象指标矩阵分组第N分组；
模型训练单元，用于重复分别从虚拟对象指标矩阵分组第k分组和虚拟对象指标矩阵分组第k+1分组中任意获取一个虚拟对象指标矩阵及与所获取两个虚拟对象指标矩阵对应的分组序号以对待训练cycle-GAN模型进行训练，直到至待训练cycle-GAN模型收敛时停止从虚拟对象指标矩阵分类结果中获取虚拟对象指标矩阵，得到cycle-GAN模型；其中，k的取值范围是[1,N-1]；
当前矩阵提取单元，用于获取所上传的当前数据特征指标矩阵，根据所述数据维度提取策略获取与所述数据特征指标矩阵对应的当前虚拟对象指标矩阵；以及
迁移矩阵计算单元，用于将所述当前虚拟对象指标矩阵输入至cycle-GAN模型进行运算，得到与所述当前虚拟对象指标矩阵对应的迁移矩阵。
第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的基于对抗网络的信息推送方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于对抗网络的信息推送方法。
本发明实施例提供了一种基于对抗网络的信息推送方法、装置、计算机设备及存储介质，包括先重复分别从虚拟对象指标矩阵分组第k分组和虚拟对象指标矩阵分组第k+1分组中任意获取一个虚拟对象指标矩阵及与所获取两个虚拟对象指标矩阵对应的分组序号以对待训练cycle-GAN模型进行训练，直到至待训练cycle-GAN模型收敛时停止从虚拟对象指标矩阵分类结果中获取虚拟对象指标矩阵，得到cycle-GAN模型；将所述当前虚拟对象指标矩阵输入至cycle-GAN模型进行运算，得到与所述当前虚拟对象指标矩阵对应的迁移矩阵。实现了通过cycle-GAN模型自动在大量的虚拟对象指标矩阵中寻找到与当前虚拟对象指标矩阵相近似的迁移矩阵以作为参数参考，无需人工搜寻、比对和分析数据，提高了推荐数据的获取效率。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于对抗网络的信息推送方法的应用场景示意图；
图2为本发明实施例提供的基于对抗网络的信息推送方法的流程示意图；
图3为本发明实施例提供的基于对抗网络的信息推送装置的示意性框图；
图4为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和 “包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1和图2，图1为本发明实施例提供的基于对抗网络的信息推送方法的应用场景示意图；图2为本发明实施例提供的基于对抗网络的信息推送方法的流程示意图，该基于对抗网络的信息推送方法应用于服务器中，该方法通过安装于服务器中的应用软件进行执行。
如图2所示，该方法包括步骤S110~S160。
S110、将数据特征指标获取模板发送至业务服务器。
在本实施例中，为了更清楚的理解本申请的技术方案，下面对所涉及的终端进行详细描述。
第一是业务服务器，其部署在企业的各个营业部，也即业务服务器的个数是大于0的，用于存储各个业务部的各种用户数据，而且可以将所存储的用户数据上传至总服务器。
第二是总服务器，其与业务服务器是通讯连接的，可以向各业务服务器发送数据特征指标获取模板以获取数据特征指标矩阵，以及向各业务服务器发送虚拟对象指标获取模板以获取虚拟对象指标矩阵。总服务器在获取了各业务服务器上传的数据特征指标矩阵和虚拟对象指标矩阵后，可以对待训练cycle-GAN模型进行训练，从而得到用于预测数据特征指标矩阵的进阶数据特征指标矩阵的cycle-GAN模型。
S120、接收业务服务器根据所述数据特征指标获取模板发送的数据特征指标矩阵，根据预设的数据维度提取策略获取与所述数据特征指标矩阵对应的虚拟对象指标矩阵；其中，所述虚拟对象指标矩阵中包括若干个虚拟对象指标序列，且同一业务服务器发送的数据特征指标矩阵与虚拟对象指标矩阵一一对应。
在本实施例中，由于总服务器接收了多个业务服务器发送的数据特征指标矩阵后，由于其包括的信息维度较多（如包括销售地点、销售规模、销售人员情况、销售产品链、销售时点等维度），例如可以选择其中一个主要维度即用于表征虚拟对象销售产品类型、数量及销售额的虚拟对象指标矩阵作为训练待训练cycle-GAN模型的样本数据。具体实施时，虚拟对象可以理解为营业部的业务员。
此时可以将在总服务器中的缓存区域限分别缓存各业务服务器上传的数据特征指标矩阵及与该数据特征指标矩阵相对应的虚拟对象指标矩阵。
例如，在所述数据特征指标获取模板及虚拟对象指标获取模板中均设置了数据获取时间区间（例如2020年6月1日-2020年6月30日），则获取的数据特征指标矩阵对应的是由2020年6月的数据特征指标数据组成，所提取的虚拟对象指标矩阵对应的是由2020年6月的的虚拟对象指标数据组成。
在一实施例中，步骤S120中根据预设的数据维度提取策略获取与所述数据特征指标矩阵对应的虚拟对象指标矩阵，包括：
解析获取所述数据维度提取策略对应的目标字段集合；
获取所述数据特征指标获取模板中对应的数据获取时间区间；
根据所述目标字段集合和所述数据获取时间区间在所述数据特征指标矩阵中获取对应的虚拟对象指标矩阵。
在本实施例中，在所述数据特征指标矩阵中通过所述数据维度提取策略获取目标字段，是为了对数据特征指标矩阵中与后续分析所需表征虚拟对象销售产品类型、数量及销售额的非强相关字段信息进行移除，从而只提取保留了表征虚拟对象销售产品类型、数量及销售额的强相关字段信息以组成虚拟对象指标矩阵。
S130、将各虚拟对象指标矩阵根据对应的指标总和按升序排序并调用预设的分组总个数进行分类，得到虚拟对象指标矩阵分类结果；其中，将分组总个数记为N，虚拟对象指标矩阵分类结果分别记为虚拟对象指标矩阵分组第一分组至虚拟对象指标矩阵分组第N分组。
在本实施例中，此时对多个业务服务器分别上传的虚拟对象指标矩阵根据对应的指标总和进行分组，是为了区分出若干组虚拟对象指标矩阵。例如将分组总个数设置为3时，可以分别区分出指标总和较低、指标总和中等、及指标总和较高的虚拟对象指标矩阵分组。例如可以将指标总和较低的虚拟对象指标矩阵相对应的数据特征指标矩阵记为低级矩阵，将指标总和中等的虚拟对象指标矩阵相对应的数据特征指标矩阵记为中级矩阵，将指标总和较高的虚拟对象指标矩阵相对应的数据特征指标矩阵记为高级矩阵。
其中，例如若虚拟对象指标矩阵的最后一列表示各虚拟对象在数据获取时间区间对应的销售总额时，则在计算每一虚拟对象指标矩阵对应的指标总和时直接将所述虚拟对象指标矩阵的最后一列的各个取值相加，即可得到各虚拟对象指标矩阵根据对应的指标总和。
在对各虚拟对象指标矩阵根据对应的指标总和进行分组时，至少可以采用如下的两种方式：第一种是在总服务器中设置了分组总个数和比分组总个数少1个的指标阶梯阈值（例如，将分组总个数设置为3个，则指标阶梯阈值的个数为2个，分别记为第一指标阶梯阈值和第二指标阶梯阈值，将小于第一指标阶梯阈值的指标总和对应的虚拟对象指标矩阵分组到第一分组，将大于或等于第一指标阶梯阈值且小于第二指标阶梯阈值的指标总和对应的虚拟对象指标矩阵分组到第二分组，将大于或等于第二指标阶梯阈值的指标总和对应的虚拟对象指标矩阵分组到第三分组）；第二种是在总服务器中仅仅设置了分组总个数，直接根据平均分组的原则将各虚拟对象指标矩阵根据对应的指标总和进行分组。
具体的，作为虚拟对象指标矩阵分类的第一具体实施例，步骤S130包括：
调用预先设置的分组总个数和与所述分组总个数相比少1个的指标阶梯阈值；其中，将分组总个数记为N，与所述分组总个数相比少1个的指标阶梯阈值分别记为第一指标阶梯阈值至第N-1指标阶梯阈值，所述第一指标阶梯阈值至第N-1指标阶梯阈值是按照升序排列；
将各虚拟对象指标矩阵对应的指标总和与第一指标阶梯阈值至第N-1指标阶梯阈值分别进行比较，获取各虚拟对象指标矩阵对应的指标总和所处的指标阶梯阈值区间，以得到虚拟对象指标矩阵分类结果。
在第一种分组方式中，总服务器中预先设置了根据经验设置的多个指标阶梯阈值，这样可以快速且准确的将各虚拟对象指标矩阵根据对应的指标总和按升序排序并调用预设的分组总个数进行分类，得到虚拟对象指标矩阵分类结果。
具体的，作为虚拟对象指标矩阵分类的第二具体实施例，步骤S130包括：
调用预先设置的分组总个数，并获取虚拟对象指标矩阵对应的指标矩阵总个数；
将所述指标矩阵总个数除以所述分组总个数，得到分组矩阵个数集合；
将各虚拟对象指标矩阵根据对应的指标总和按升序排序并根据所述分组矩阵个数集合进行分类，得到虚拟对象指标矩阵分类结果。
在第二种分组方式中，由于是已知分组总个数和虚拟对象指标矩阵对应的指标矩阵总个数，例如分组总个数是4，而指标矩阵总个数是130，则指标矩阵总个数130除以4的结果是32，但是还有2的余数，此时可以将前3个分组的指标矩阵个数设置为32，将剩余一个指标矩阵个数设置为34。由于将已将各虚拟对象指标矩阵根据对应的指标总和按升序排序，此时可以由排名第1-32位的虚拟对象指标矩阵组成虚拟对象指标矩阵第一分组，由排名第33-64位的虚拟对象指标矩阵组成虚拟对象指标矩阵第二分组，由排名第65-96位的虚拟对象指标矩阵组成虚拟对象指标矩阵第三分组，由排名第97-130位的虚拟对象指标矩阵组成虚拟对象指标矩阵第四分组。通过这一种方式，也能快速且准确的将各虚拟对象指标矩阵根据对应的指标总和按升序排序并调用预设的分组总个数进行分类，得到虚拟对象指标矩阵分类结果。
S140、重复分别从虚拟对象指标矩阵分组第k分组和虚拟对象指标矩阵分组第k+1分组中任意获取一个虚拟对象指标矩阵及与所获取两个虚拟对象指标矩阵对应的分组序号以对待训练cycle-GAN模型进行训练，直到至待训练cycle-GAN模型收敛时停止从虚拟对象指标矩阵分类结果中获取虚拟对象指标矩阵，得到cycle-GAN模型；其中，k的取值范围是[1,N-1]。
在本实施例中，cycle-GAN模型本质上是两个镜像对称的GAN模型（GAN模型即对抗网络），构成一个环形网络。两个对抗网络共享两个生成器，并各自带一个判别器。
其中，假设虚拟对象指标矩阵分组第k分组的虚拟对象指标矩阵及其对应的分组 序号组成A样本，虚拟对象指标矩阵分组第k+1分组的虚拟对象指标矩阵及其对应的分组序 号组成B样本，此时需要训练出两个生成器
Figure 387997DEST_PATH_IMAGE001
、
Figure 977241DEST_PATH_IMAGE002
及两个判别器
Figure 491399DEST_PATH_IMAGE004
、
Figure 355450DEST_PATH_IMAGE005
，对于
Figure 331672DEST_PATH_IMAGE006
样本中 的样本
Figure 888555DEST_PATH_IMAGE007
，通过生成器
Figure 827693DEST_PATH_IMAGE001
生成假样本
Figure 761014DEST_PATH_IMAGE008
，用判别器
Figure 101996DEST_PATH_IMAGE005
判别假样本
Figure 328316DEST_PATH_IMAGE008
是否属于样本
Figure 551487DEST_PATH_IMAGE009
，并且 将假样本
Figure 226182DEST_PATH_IMAGE008
通过生成器
Figure 218409DEST_PATH_IMAGE002
生成样本
Figure 789198DEST_PATH_IMAGE010
，并且判断样本
Figure 266709DEST_PATH_IMAGE010
是否与原真实样本
Figure 213937DEST_PATH_IMAGE007
近似。同样地， 对于
Figure 591829DEST_PATH_IMAGE009
样本中的样本
Figure 599099DEST_PATH_IMAGE011
，通过生成器
Figure 62441DEST_PATH_IMAGE002
生成假样本
Figure 311895DEST_PATH_IMAGE010
，用判别器
Figure 544293DEST_PATH_IMAGE004
判别假样本
Figure 988044DEST_PATH_IMAGE010
是否属于 样本
Figure 673103DEST_PATH_IMAGE006
，并且将假样本
Figure 227712DEST_PATH_IMAGE010
通过生成器
Figure 314617DEST_PATH_IMAGE001
生成样本
Figure 430734DEST_PATH_IMAGE008
，并且判断样本
Figure 603089DEST_PATH_IMAGE008
是否与原真实样本
Figure 492548DEST_PATH_IMAGE011
近似。最终通过迭代，使得判别器无法判别生成器生成的样本是否为真实样本。
模型训练过程中，需要训练2个生成器和2个判别器：
其中
Figure 637221DEST_PATH_IMAGE012
的判别器
Figure 688354DEST_PATH_IMAGE005
损失函数为：
Figure 580961DEST_PATH_IMAGE013
同理，
Figure 539690DEST_PATH_IMAGE014
的判别器
Figure 273291DEST_PATH_IMAGE004
损失函数为：
Figure 292062DEST_PATH_IMAGE015
两个生成器
Figure 376693DEST_PATH_IMAGE001
、
Figure 139113DEST_PATH_IMAGE002
的损失函数总体表示为：
Figure 494264DEST_PATH_IMAGE016
所以，最终的损失函数综合了
Figure 152779DEST_PATH_IMAGE001
和
Figure 787022DEST_PATH_IMAGE002
的GAN损失以及循环一致性损失：
Figure 25237DEST_PATH_IMAGE017
分别优化训练生成器和判别器，两个生成器共享权重，两个判别器共享权重，最终 的目标就是求得使目标最小化的生成器
Figure 61326DEST_PATH_IMAGE001
和
Figure 592539DEST_PATH_IMAGE002
。
在一实施例中，步骤S140包括：
从虚拟对象指标矩阵分组第k分组和虚拟对象指标矩阵分组第k+1分组中任意获取一个虚拟对象指标矩阵及与所获取两个虚拟对象指标矩阵对应的分组序号，以得到当前样本；其中，以当前样本中的虚拟对象指标矩阵作为待训练cycle-GAN模型的输入，且以当前样本中的分组序号作为待训练cycle-GAN模型的输出以对待训练cycle-GAN模型进行训练；
将当前样本输入至待训练cycle-GAN模型进行训练，判断所得到的当前cycle-GAN模型是否满足cycle-GAN模型收敛条件；
若所得到的当前cycle-GAN模型未满足cycle-GAN模型收敛条件，返回执行从虚拟对象指标矩阵分组第k分组和虚拟对象指标矩阵分组第k+1分组中任意获取一个虚拟对象指标矩阵及与所获取两个虚拟对象指标矩阵对应的分组序号，以得到当前样本的步骤；
若所得到的当前cycle-GAN模型满足cycle-GAN模型收敛条件，获取对应的cycle-GAN模型，及cycle-GAN模型中包括的两个生成器和两个判别器。
在本实施例中，对待训练cycle-GAN模型进行训练进行迭代训练的过程，即是分别 优化训练生成器和判别器，两个生成器共享权重，两个判别器共享权重，最终的目标就是求 得使目标最小化的生成器
Figure 714079DEST_PATH_IMAGE001
和
Figure 755984DEST_PATH_IMAGE002
。
当完成了训练得到了cycle-GAN模型模型后，当以任意一个业务服务器上传的数据特征指标矩阵提取的虚拟对象指标矩阵作为输入进行运算后，得到一个与虚拟对象指标矩阵相近似，但是在所述虚拟对象指标矩阵分类结果中分组序号更大。这样即可实现一个实例的风格到另一个实例的迁移，即该模型可以营业部的高业绩局部风格迁移而保持原营业部自身的营销风格不变化。并且不需要成对的训练集进行训练。
S150、获取所上传的当前数据特征指标矩阵，根据所述数据维度提取策略获取与所述数据特征指标矩阵对应的当前虚拟对象指标矩阵。
在本实施例中，当获取了某一业务服务器上传的当前数据特征指标矩阵，也可以根据所述数据维度提取策略获取目标数据组成当前虚拟对象指标矩阵后，作为cycle-GAN模型的输入，得到一个风格迁移后的近似结果。
S160、将所述当前虚拟对象指标矩阵输入至cycle-GAN模型进行运算，得到与所述当前虚拟对象指标矩阵对应的迁移矩阵。
在本实施例中，当获取了某一业务服务器上传的当前数据特征指标矩阵对应的当 前虚拟对象指标矩阵后，例如记为a1（例如样本a1是属于A样本），将a1先输入到cycle-GAN 模型中的生成器
Figure 381000DEST_PATH_IMAGE001
生成一个假样本
Figure 646897DEST_PATH_IMAGE019
，用判别器
Figure 927836DEST_PATH_IMAGE005
判别假样本
Figure 348933DEST_PATH_IMAGE020
是否属于B样本，并且 将假样本
Figure 31718DEST_PATH_IMAGE008
通过生成器
Figure 734095DEST_PATH_IMAGE002
生成样本
Figure 502331DEST_PATH_IMAGE021
，并且判断样本
Figure 948356DEST_PATH_IMAGE021
是否与原真实样本
Figure 984183DEST_PATH_IMAGE022
近似。若 近似，则将样本
Figure 857461DEST_PATH_IMAGE021
作为a1的迁移矩阵，该迁移矩阵是B样本中某一样本的数据特征指标矩 阵相对应的虚拟对象指标矩阵。
在一实施例中，步骤S160之后还包括：
S170、获取与所述迁移矩阵对应的第一数据特征指标矩阵，将所述当前数据特征指标矩阵及所述第一数据特征指标矩阵进行比对获取比对结果，以发送至对应的业务服务器。
在本实施例中，当获取了迁移矩阵后，可以在总服务器中获取与所述迁移矩阵对应的第一数据特征指标矩阵后，作为该业务服务器的参考矩阵进行数据比对，此时可以将两个维度完全相同的数据特征指标矩阵进行比较，将矩阵中存在差异的数据进行高亮标注，即可得到比对结果，此时将迁移矩阵、第一数据特征指标矩阵及比对结果均发送至对应的业务服务器即可。
在一实施例中，步骤S160之后还包括：
将所述cycle-GAN模型中生成器对应的参数及判别器对应的参数均上传至区块连网络。
在本实施例中，基于cycle-GAN模型中生成器对应的参数及判别器对应的参数得到对应的摘要信息，具体来说，摘要信息由cycle-GAN模型中生成器对应的参数及判别器对应的参数进行散列处理得到，比如利用sha256s算法处理得到。将摘要信息上传至区块链可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该摘要信息，以便查证cycle-GAN模型中生成器对应的参数及判别器对应的参数是否被篡改。
本示例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。
该方法通过cycle-GAN模型自动在大量的虚拟对象指标矩阵中寻找到与当前虚拟对象指标矩阵相近似的迁移矩阵以作为参考参数，无需人工搜寻、比对和分析数据，提高了推荐数据的获取效率。
本发明实施例还提供一种基于对抗网络的信息推送装置，该基于对抗网络的信息推送装置用于执行前述基于对抗网络的信息推送方法的任一实施例。具体地，请参阅图4，图4是本发明实施例提供的基于对抗网络的信息推送装置的示意性框图。该基于对抗网络的信息推送装置100可以配置于服务器中。
如图4所示，基于对抗网络的信息推送装置100包括：模板发送单元110、降维单元120、分组单元130、模型训练单元140、当前矩阵提取单元150、迁移矩阵计算单元160。
模板发送单元110，用于将数据特征指标获取模板发送至业务服务器。
在本实施例中，总服务器在获取了各业务服务器上传的数据特征指标矩阵和虚拟对象指标矩阵后，可以对待训练cycle-GAN模型进行训练，从而得到用于预测数据特征指标矩阵的进阶数据特征指标矩阵的cycle-GAN模型。
降维单元120，用于接收业务服务器根据所述数据特征指标获取模板发送的数据特征指标矩阵，根据预设的数据维度提取策略获取与所述数据特征指标矩阵对应的虚拟对象指标矩阵；其中，所述虚拟对象指标矩阵中包括若干个虚拟对象指标序列，且同一业务服务器发送的数据特征指标矩阵与虚拟对象指标矩阵一一对应。
在本实施例中，由于总服务器接收了多个业务服务器发送的数据特征指标矩阵后，由于其包括的信息维度较多（如包括销售地点、销售规模、销售人员情况、销售产品链、销售时点等维度），例如可以选择其中一个主要维度即用于表征虚拟对象销售产品类型、数量及销售额的虚拟对象指标矩阵作为训练待训练cycle-GAN模型的样本数据。
此时可以将在总服务器中的缓存区域限分别缓存各业务服务器上传的数据特征指标矩阵及与该数据特征指标矩阵相对应的虚拟对象指标矩阵。
例如，在所述数据特征指标获取模板及虚拟对象指标获取模板中均设置了数据获取时间区间（例如2020年6月1日-2020年6月30日），则获取的数据特征指标矩阵对应的是由2020年6月的数据特征指标数据组成，所提取的虚拟对象指标矩阵对应的是由2020年6月的的虚拟对象指标数据组成。
在一实施例中，降维单元120，包括：
第一字段解析单元，用于解析获取所述数据维度提取策略对应的目标字段集合；
时间区间提取单元，用于获取所述数据特征指标获取模板中对应的数据获取时间区间；
矩阵降维单元，用于根据所述目标字段集合和所述数据获取时间区间在所述数据特征指标矩阵中获取对应的虚拟对象指标矩阵。
在本实施例中，在所述数据特征指标矩阵中通过所述数据维度提取策略获取目标字段，是为了对数据特征指标矩阵中与后续分析所需表征虚拟对象销售产品类型、数量及销售额的非强相关字段信息进行移除，从而只提取保留了表征虚拟对象销售产品类型、数量及销售额的强相关字段信息以组成虚拟对象指标矩阵。
分组单元130，用于将各虚拟对象指标矩阵根据对应的指标总和按升序排序并调用预设的分组总个数进行分类，得到虚拟对象指标矩阵分类结果；其中，将分组总个数记为N，虚拟对象指标矩阵分类结果分别记为虚拟对象指标矩阵分组第一分组至虚拟对象指标矩阵分组第N分组。
在本实施例中，此时对多个业务服务器分别上传的虚拟对象指标矩阵根据对应的指标总和进行分组，是为了区分出若干组虚拟对象指标矩阵。例如将分组总个数设置为3时，可以分别区分出指标总和较低、指标总和中等、及指标总和较高的虚拟对象指标矩阵分组。例如可以将指标总和较低的虚拟对象指标矩阵相对应的数据特征指标矩阵记为低级矩阵，将指标总和中等的虚拟对象指标矩阵相对应的数据特征指标矩阵记为中级矩阵，将指标总和较高的虚拟对象指标矩阵相对应的数据特征指标矩阵记为高级矩阵。
其中，例如若虚拟对象指标矩阵的最后一列表示各虚拟对象在数据获取时间区间对应的销售总额时，则在计算每一虚拟对象指标矩阵对应的指标总和时直接将所述虚拟对象指标矩阵的最后一列的各个取值相加，即可得到各虚拟对象指标矩阵根据对应的指标总和。
在对各虚拟对象指标矩阵根据对应的指标总和进行分组时，至少可以采用如下的两种方式：第一种是在总服务器中设置了分组总个数和比分组总个数少1个的指标阶梯阈值（例如，将分组总个数设置为3个，则指标阶梯阈值的个数为2个，分别记为第一指标阶梯阈值和第二指标阶梯阈值，将小于第一指标阶梯阈值的指标总和对应的虚拟对象指标矩阵分组到第一分组，将大于或等于第一指标阶梯阈值且小于第二指标阶梯阈值的指标总和对应的虚拟对象指标矩阵分组到第二分组，将大于或等于第二指标阶梯阈值的指标总和对应的虚拟对象指标矩阵分组到第三分组）；第二种是在总服务器中仅仅设置了分组总个数，直接根据平均分组的原则将各虚拟对象指标矩阵根据对应的指标总和进行分组。
具体的，作为虚拟对象指标矩阵分类的第一具体实施例，分组单元130包括：
第一参数获取单元，用于调用预先设置的分组总个数和与所述分组总个数相比少1个的指标阶梯阈值；其中，将分组总个数记为N，与所述分组总个数相比少1个的指标阶梯阈值分别记为第一指标阶梯阈值至第N-1指标阶梯阈值，所述第一指标阶梯阈值至第N-1指标阶梯阈值是按照升序排列；
第一数据分组单元，用于将各虚拟对象指标矩阵对应的指标总和与第一指标阶梯阈值至第N-1指标阶梯阈值分别进行比较，获取各虚拟对象指标矩阵对应的指标总和所处的指标阶梯阈值区间，以得到虚拟对象指标矩阵分类结果。
在第一种分组方式中，总服务器中预先设置了根据经验设置的多个指标阶梯阈值，这样可以快速且准确的将各虚拟对象指标矩阵根据对应的指标总和按升序排序并调用预设的分组总个数进行分类，得到虚拟对象指标矩阵分类结果。
具体的，作为虚拟对象指标矩阵分类的第二具体实施例，分组单元130包括：
第二参数获取单元，用于调用预先设置的分组总个数，并获取虚拟对象指标矩阵对应的指标矩阵总个数；
分组矩阵个数集合获取单元，用于将所述指标矩阵总个数除以所述分组总个数，得到分组矩阵个数集合；
第二数据分组单元，用于将各虚拟对象指标矩阵根据对应的指标总和按升序排序并根据所述分组矩阵个数集合进行分类，得到虚拟对象指标矩阵分类结果。
在第二种分组方式中，由于是已知分组总个数和虚拟对象指标矩阵对应的指标矩阵总个数，例如分组总个数是4，而指标矩阵总个数是130，则指标矩阵总个数130除以4的结果是32，但是还有2的余数，此时可以将前3个分组的指标矩阵个数设置为32，将剩余一个指标矩阵个数设置为34。由于将已将各虚拟对象指标矩阵根据对应的指标总和按升序排序，此时可以由排名第1-32位的虚拟对象指标矩阵组成虚拟对象指标矩阵第一分组，由排名第33-64位的虚拟对象指标矩阵组成虚拟对象指标矩阵第二分组，由排名第65-96位的虚拟对象指标矩阵组成虚拟对象指标矩阵第三分组，由排名第97-130位的虚拟对象指标矩阵组成虚拟对象指标矩阵第四分组。通过这一种方式，也能快速且准确的将各虚拟对象指标矩阵根据对应的指标总和按升序排序并调用预设的分组总个数进行分类，得到虚拟对象指标矩阵分类结果。
模型训练单元140，用于重复分别从虚拟对象指标矩阵分组第k分组和虚拟对象指标矩阵分组第k+1分组中任意获取一个虚拟对象指标矩阵及与所获取两个虚拟对象指标矩阵对应的分组序号以对待训练cycle-GAN模型进行训练，直到至待训练cycle-GAN模型收敛时停止从虚拟对象指标矩阵分类结果中获取虚拟对象指标矩阵，得到cycle-GAN模型；其中，k的取值范围是[1,N-1]。
在本实施例中，cycle-GAN模型本质上是两个镜像对称的GAN模型（GAN模型即对抗网络），构成一个环形网络。两个对抗网络共享两个生成器，并各自带一个判别器。
其中，假设虚拟对象指标矩阵分组第k分组的虚拟对象指标矩阵及其对应的分组 序号组成A样本，虚拟对象指标矩阵分组第k+1分组的虚拟对象指标矩阵及其对应的分组序 号组成B样本，此时需要训练出两个生成器
Figure 112993DEST_PATH_IMAGE001
、
Figure 831550DEST_PATH_IMAGE002
及两个判别器
Figure 551244DEST_PATH_IMAGE004
、
Figure 533107DEST_PATH_IMAGE005
，对于
Figure 839717DEST_PATH_IMAGE006
样本中 的样本
Figure 565227DEST_PATH_IMAGE007
，通过生成器
Figure 139428DEST_PATH_IMAGE001
生成假样本
Figure 292192DEST_PATH_IMAGE008
，用判别器
Figure 319054DEST_PATH_IMAGE005
判别假样本
Figure 346790DEST_PATH_IMAGE008
是否属于样本，并且将 假样本
Figure 509918DEST_PATH_IMAGE008
通过生成器
Figure 99163DEST_PATH_IMAGE002
生成样本
Figure 613321DEST_PATH_IMAGE010
，并且判断样本
Figure 742951DEST_PATH_IMAGE010
是否与原真实样本
Figure 963848DEST_PATH_IMAGE007
近似。同样地，对 于
Figure 287775DEST_PATH_IMAGE009
样本中的样本
Figure 226912DEST_PATH_IMAGE011
，通过生成器
Figure 160233DEST_PATH_IMAGE002
生成假样本
Figure 32374DEST_PATH_IMAGE010
，用判别器
Figure 229000DEST_PATH_IMAGE004
判别假样本
Figure 452171DEST_PATH_IMAGE010
是否属于样 本
Figure 359822DEST_PATH_IMAGE006
，并且将假样本
Figure 617628DEST_PATH_IMAGE010
通过生成器
Figure 719576DEST_PATH_IMAGE001
生成样本
Figure 430043DEST_PATH_IMAGE008
，并且判断样本
Figure 642850DEST_PATH_IMAGE008
是否与原真实样本
Figure 522206DEST_PATH_IMAGE011
近 似。最终通过迭代，使得判别器无法判别生成器生成的样本是否为真实样本。
模型训练过程中，需要训练2个生成器和2个判别器：
其中
Figure 529477DEST_PATH_IMAGE012
的判别器
Figure 727240DEST_PATH_IMAGE005
损失函数为：
Figure 540475DEST_PATH_IMAGE023
同理，
Figure 710556DEST_PATH_IMAGE014
的判别器
Figure 951045DEST_PATH_IMAGE004
损失函数为：
Figure 337902DEST_PATH_IMAGE015
两个生成器
Figure 954828DEST_PATH_IMAGE001
、
Figure 244995DEST_PATH_IMAGE002
的损失函数总体表示为：
Figure 594068DEST_PATH_IMAGE016
所以，最终的损失函数综合了
Figure 193852DEST_PATH_IMAGE001
和
Figure 83311DEST_PATH_IMAGE002
的GAN损失以及循环一致性损失：
Figure 290301DEST_PATH_IMAGE017
分别优化训练生成器和判别器，两个生成器共享权重，两个判别器共享权重，最终 的目标就是求得使目标最小化的生成器
Figure 810275DEST_PATH_IMAGE001
和
Figure 469927DEST_PATH_IMAGE002
。
在一实施例中，模型训练单元140包括：
当前样本获取单元，用于从虚拟对象指标矩阵分组第k分组和虚拟对象指标矩阵分组第k+1分组中任意获取一个虚拟对象指标矩阵及与所获取两个虚拟对象指标矩阵对应的分组序号，以得到当前样本；其中，以当前样本中的虚拟对象指标矩阵作为待训练cycle-GAN模型的输入，且以当前样本中的分组序号作为待训练cycle-GAN模型的输出以对待训练cycle-GAN模型进行训练；
收敛判断单元，用于将当前样本输入至待训练cycle-GAN模型进行训练，判断所得到的当前cycle-GAN模型是否满足cycle-GAN模型收敛条件；
第一执行单元，用于若所得到的当前cycle-GAN模型未满足cycle-GAN模型收敛条件，返回执行从虚拟对象指标矩阵分组第k分组和虚拟对象指标矩阵分组第k+1分组中任意获取一个虚拟对象指标矩阵及与所获取两个虚拟对象指标矩阵对应的分组序号，以得到当前样本的步骤；
第二执行单元，用于若所得到的当前cycle-GAN模型满足cycle-GAN模型收敛条件，获取对应的cycle-GAN模型，及cycle-GAN模型中包括的两个生成器和两个判别器。
在本实施例中，对待训练cycle-GAN模型进行训练进行迭代训练的过程，即是分别 优化训练生成器和判别器，两个生成器共享权重，两个判别器共享权重，最终的目标就是求 得使目标最小化的生成器
Figure 864874DEST_PATH_IMAGE001
和
Figure 926371DEST_PATH_IMAGE002
。
当完成了训练得到了cycle-GAN模型模型后，当以任意一个业务服务器上传的数据特征指标矩阵提取的虚拟对象指标矩阵作为输入进行运算后，得到一个与虚拟对象指标矩阵相近似，但是在所述虚拟对象指标矩阵分类结果中分组序号更大。这样即可实现一个实例的风格到另一个实例的迁移，即该模型可以营业部的高业绩局部风格迁移而保持原营业部自身的营销风格不变化。并且不需要成对的训练集进行训练。
当前矩阵提取单元150，用于获取所上传的当前数据特征指标矩阵，根据所述数据维度提取策略获取与所述数据特征指标矩阵对应的当前虚拟对象指标矩阵。
在本实施例中，当获取了某一业务服务器上传的当前数据特征指标矩阵，也可以根据所述数据维度提取策略获取目标数据组成当前虚拟对象指标矩阵后，作为cycle-GAN模型的输入，得到一个风格迁移后的近似结果。
迁移矩阵计算单元160，用于将所述当前虚拟对象指标矩阵输入至cycle-GAN模型进行运算，得到与所述当前虚拟对象指标矩阵对应的迁移矩阵。
在本实施例中，当获取了某一业务服务器上传的当前数据特征指标矩阵对应的当 前虚拟对象指标矩阵后，例如记为a1（例如样本a1是属于A样本），将a1先输入到cycle-GAN 模型中的生成器
Figure 882825DEST_PATH_IMAGE001
生成一个假样本
Figure 764194DEST_PATH_IMAGE019
，用判别器
Figure 261034DEST_PATH_IMAGE005
判别假样本
Figure 114721DEST_PATH_IMAGE020
是否属于B样本，并且 将假样本
Figure 805858DEST_PATH_IMAGE008
通过生成器
Figure 377785DEST_PATH_IMAGE002
生成样本
Figure 678317DEST_PATH_IMAGE021
，并且判断样本
Figure 386510DEST_PATH_IMAGE021
是否与原真实样本
Figure 747084DEST_PATH_IMAGE022
近似。若 近似，则将样本
Figure 304842DEST_PATH_IMAGE021
作为a1的迁移矩阵，该迁移矩阵是B样本中某一样本的数据特征指标矩 阵相对应的虚拟对象指标矩阵。
在一实施例中，基于对抗网络的信息推送装置100还包括：
矩阵比对单元170，用于获取与所述迁移矩阵对应的第一数据特征指标矩阵，将所述当前数据特征指标矩阵及所述第一数据特征指标矩阵进行比对获取比对结果，以发送至对应的业务服务器。
在本实施例中，当获取了迁移矩阵后，可以在总服务器中获取与所述迁移矩阵对应的第一数据特征指标矩阵后，作为该业务服务器的参考矩阵进行数据比对，此时可以将两个维度完全相同的数据特征指标矩阵进行比较，将矩阵中存在差异的数据进行高亮标注，即可得到比对结果，此时将迁移矩阵、第一数据特征指标矩阵及比对结果均发送至对应的业务服务器即可。
在一实施例中，基于对抗网络的信息推送装置100还包括：
数据上链单元，用于将所述cycle-GAN模型中生成器对应的参数及判别器对应的参数均上传至区块连网络。
在本实施例中，基于cycle-GAN模型中生成器对应的参数及判别器对应的参数得到对应的摘要信息，具体来说，摘要信息由cycle-GAN模型中生成器对应的参数及判别器对应的参数进行散列处理得到，比如利用sha256s算法处理得到。将摘要信息上传至区块链可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该摘要信息，以便查证cycle-GAN模型中生成器对应的参数及判别器对应的参数是否被篡改。
本示例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。
该装置通过cycle-GAN模型自动在大量的虚拟对象指标矩阵中寻找到与当前虚拟对象指标矩阵相近似的迁移矩阵以作为参考参数，无需人工搜寻、比对和分析数据，提高了推荐数据的获取效率。
上述基于对抗网络的信息推送装置可以实现为计算机程序的形式，该计算机程序可以在如图4所示的计算机设备上运行。
请参阅图4，图4是本发明实施例提供的计算机设备的示意性框图。该计算机设备500是服务器，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
参阅图4，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行基于对抗网络的信息推送方法。
该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行基于对抗网络的信息推送方法。
该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图4中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500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。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现本发明实施例公开的基于对抗网络的信息推送方法。
本领域技术人员可以理解，图4中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图4所示实施例一致，在此不再赘述。
应当理解，在本发明实施例中，处理器502可以是中央处理单元 (CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路 (Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现本发明实施例公开的基于对抗网络的信息推送方法。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
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，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元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，也可以是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，也可以采用软件功能单元的形式实现。
所述集成的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，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备 ( 可以是个人计算机，服务器，或者网络设备等 ) 执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U 盘、移动硬盘、只读存储器 (ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于对抗网络的信息推送方法，其特征在于，包括：
将数据特征指标获取模板发送至业务服务器；
接收业务服务器根据所述数据特征指标获取模板发送的数据特征指标矩阵，根据预设的数据维度提取策略获取与所述数据特征指标矩阵对应的虚拟对象指标矩阵；其中，所述虚拟对象指标矩阵中包括若干个虚拟对象指标序列，且同一业务服务器发送的数据特征指标矩阵与虚拟对象指标矩阵一一对应；
将各虚拟对象指标矩阵根据对应的指标总和按升序排序并调用预设的分组总个数进行分类，得到虚拟对象指标矩阵分类结果；其中，将分组总个数记为N，虚拟对象指标矩阵分类结果分别记为虚拟对象指标矩阵分组第一分组至虚拟对象指标矩阵分组第N分组；
重复分别从虚拟对象指标矩阵分组第k分组和虚拟对象指标矩阵分组第k+1分组中任意获取一个虚拟对象指标矩阵及与所获取两个虚拟对象指标矩阵对应的分组序号以对待训练cycle-GAN模型进行训练，直到至待训练cycle-GAN模型收敛时停止从虚拟对象指标矩阵分类结果中获取虚拟对象指标矩阵，得到cycle-GAN模型；其中，k的取值范围是[1,N-1]；
获取所上传的当前数据特征指标矩阵，根据所述数据维度提取策略获取与所述数据特征指标矩阵对应的当前虚拟对象指标矩阵；以及
将所述当前虚拟对象指标矩阵输入至cycle-GAN模型进行运算，得到与所述当前虚拟对象指标矩阵对应的迁移矩阵。
2.根据权利要求1所述的基于对抗网络的信息推送方法，其特征在于，还包括：
获取与所述迁移矩阵对应的第一数据特征指标矩阵，将所述当前数据特征指标矩阵及所述第一数据特征指标矩阵进行比对获取比对结果，以发送至对应的业务服务器。
3.根据权利要求1所述的基于对抗网络的信息推送方法，其特征在于，所述根据预设的数据维度提取策略获取与所述数据特征指标矩阵对应的虚拟对象指标矩阵，包括：
解析获取所述数据维度提取策略对应的目标字段集合；
获取所述数据特征指标获取模板中对应的数据获取时间区间；
根据所述目标字段集合和所述数据获取时间区间在所述数据特征指标矩阵中获取对应的虚拟对象指标矩阵。
4.根据权利要求1所述的基于对抗网络的信息推送方法，其特征在于，所述将各虚拟对象指标矩阵根据对应的指标总和按升序排序并调用预设的分组总个数进行分类，得到虚拟对象指标矩阵分类结果，包括：
调用预先设置的分组总个数和与所述分组总个数相比少1个的指标阶梯阈值；其中，将分组总个数记为N，与所述分组总个数相比少1个的指标阶梯阈值分别记为第一指标阶梯阈值至第N-1指标阶梯阈值，所述第一指标阶梯阈值至第N-1指标阶梯阈值是按照升序排列；
将各虚拟对象指标矩阵对应的指标总和与第一指标阶梯阈值至第N-1指标阶梯阈值分别进行比较，获取各虚拟对象指标矩阵对应的指标总和所处的指标阶梯阈值区间，以得到虚拟对象指标矩阵分类结果。
5.根据权利要求1所述的基于对抗网络的信息推送方法，其特征在于，所述将各虚拟对象指标矩阵根据对应的指标总和按升序排序并调用预设的分组总个数进行分类，得到虚拟对象指标矩阵分类结果，包括：
调用预先设置的分组总个数，并获取虚拟对象指标矩阵对应的指标矩阵总个数；
将所述指标矩阵总个数除以所述分组总个数，得到分组矩阵个数集合；
将各虚拟对象指标矩阵根据对应的指标总和按升序排序并根据所述分组矩阵个数集合进行分类，得到虚拟对象指标矩阵分类结果。
6.根据权利要求1所述的基于对抗网络的信息推送方法，其特征在于，所述重复分别从虚拟对象指标矩阵分组第k分组和虚拟对象指标矩阵分组第k+1分组中任意获取一个虚拟对象指标矩阵及与所获取两个虚拟对象指标矩阵对应的分组序号以对待训练cycle-GAN模型进行训练，直到至待训练cycle-GAN模型收敛时停止从虚拟对象指标矩阵分类结果中获取虚拟对象指标矩阵，得到cycle-GAN模型，包括：
从虚拟对象指标矩阵分组第k分组和虚拟对象指标矩阵分组第k+1分组中任意获取一个虚拟对象指标矩阵及与所获取两个虚拟对象指标矩阵对应的分组序号，以得到当前样本；其中，以当前样本中的虚拟对象指标矩阵作为待训练cycle-GAN模型的输入，且以当前样本中的分组序号作为待训练cycle-GAN模型的输出以对待训练cycle-GAN模型进行训练；
将当前样本输入至待训练cycle-GAN模型进行训练，判断所得到的当前cycle-GAN模型是否满足cycle-GAN模型收敛条件；
若所得到的当前cycle-GAN模型未满足cycle-GAN模型收敛条件，返回执行从虚拟对象指标矩阵分组第k分组和虚拟对象指标矩阵分组第k+1分组中任意获取一个虚拟对象指标矩阵及与所获取两个虚拟对象指标矩阵对应的分组序号，以得到当前样本的步骤；
若所得到的当前cycle-GAN模型满足cycle-GAN模型收敛条件，获取对应的cycle-GAN模型，及cycle-GAN模型中包括的两个生成器和两个判别器。
7.根据权利要求6所述的基于对抗网络的信息推送方法，其特征在于，还包括：
将所述cycle-GAN模型中生成器对应的参数及判别器对应的参数均上传至区块连网络。
8.一种基于对抗网络的信息推送装置，其特征在于，包括：
模板发送单元，用于将数据特征指标获取模板发送至业务服务器；
降维单元，用于接收业务服务器根据所述数据特征指标获取模板发送的数据特征指标矩阵，根据预设的数据维度提取策略获取与所述数据特征指标矩阵对应的虚拟对象指标矩阵；其中，所述虚拟对象指标矩阵中包括若干个虚拟对象指标序列，且同一业务服务器发送的数据特征指标矩阵与虚拟对象指标矩阵一一对应；
分组单元，用于将各虚拟对象指标矩阵根据对应的指标总和按升序排序并调用预设的分组总个数进行分类，得到虚拟对象指标矩阵分类结果；其中，将分组总个数记为N，虚拟对象指标矩阵分类结果分别记为虚拟对象指标矩阵分组第一分组至虚拟对象指标矩阵分组第N分组；
模型训练单元，用于重复分别从虚拟对象指标矩阵分组第k分组和虚拟对象指标矩阵分组第k+1分组中任意获取一个虚拟对象指标矩阵及与所获取两个虚拟对象指标矩阵对应的分组序号以对待训练cycle-GAN模型进行训练，直到至待训练cycle-GAN模型收敛时停止从虚拟对象指标矩阵分类结果中获取虚拟对象指标矩阵，得到cycle-GAN模型；其中，k的取值范围是[1,N-1]；
当前矩阵提取单元，用于获取所上传的当前数据特征指标矩阵，根据所述数据维度提取策略获取与所述数据特征指标矩阵对应的当前虚拟对象指标矩阵；以及
迁移矩阵计算单元，用于将所述当前虚拟对象指标矩阵输入至cycle-GAN模型进行运算，得到与所述当前虚拟对象指标矩阵对应的迁移矩阵。
9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的基于对抗网络的信息推送方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至7任一项所述的基于对抗网络的信息推送方法。
CN202011417394.2A 2020-12-07 2020-12-07 基于对抗网络的信息推送方法、装置及计算机设备 Active CN112199603B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011417394.2A CN112199603B (zh) 2020-12-07 2020-12-07 基于对抗网络的信息推送方法、装置及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011417394.2A CN112199603B (zh) 2020-12-07 2020-12-07 基于对抗网络的信息推送方法、装置及计算机设备

Publications (2)

Publication Number Publication Date
CN112199603A CN112199603A (zh) 2021-01-08
CN112199603B true CN112199603B (zh) 2021-03-09

Family

ID=74034437

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011417394.2A Active CN112199603B (zh) 2020-12-07 2020-12-07 基于对抗网络的信息推送方法、装置及计算机设备

Country Status (1)

Country Link
CN (1) CN112199603B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200151940A1 (en) * 2018-11-13 2020-05-14 Nec Laboratories America, Inc. Pose-variant 3d facial attribute generation
CN111428783A (zh) * 2020-03-23 2020-07-17 支付宝(杭州)信息技术有限公司 对推荐模型的训练样本进行样本域转换的方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200151940A1 (en) * 2018-11-13 2020-05-14 Nec Laboratories America, Inc. Pose-variant 3d facial attribute generation
CN111428783A (zh) * 2020-03-23 2020-07-17 支付宝(杭州)信息技术有限公司 对推荐模型的训练样本进行样本域转换的方法及装置

Also Published As

Publication number Publication date
CN112199603A (zh) 2021-01-08

Similar Documents

Publication Publication Date Title
CA3088899C (en) Systems and methods for preparing data for use by machine learning algorithms
CN112241494B (zh) 基于用户行为数据的关键信息推送方法及装置
CN111586071B (zh) 一种基于循环神经网络模型的加密攻击检测方法及装置
CN108197795B (zh) 恶意团体账户识别方法、装置、终端及存储介质
WO2024021555A1 (zh) 资源审批方法、随机森林模型的训练方法及装置
CN107783998A (zh) 一种数据处理的方法以及装置
CN112052891A (zh) 机器行为识别方法、装置、设备及计算机可读存储介质
CN112711757A (zh) 一种基于大数据平台的数据安全集中管控方法及系统
CN111126627B (zh) 基于分离度指数的模型训练系统
CN112217908B (zh) 基于迁移学习的信息推送方法、装置及计算机设备
CN115062734A (zh) 可输出解释性信息的风控建模方法、装置、设备及介质
CN114253779A (zh) Can总线数据的异常检测方法、装置及设备
CN112437051B (zh) 网络风险检测模型负反馈训练方法、装置及计算机设备
CN113205442A (zh) 基于区块链的电子政务数据反馈管理方法及装置
CN112199603B (zh) 基于对抗网络的信息推送方法、装置及计算机设备
CN117294497A (zh) 一种网络流量异常检测方法、装置、电子设备及存储介质
CN116610987A (zh) 基于分布式样本筛选的kmeans日志分类方法和装置
CN113592662B (zh) 数据信息智能化处理方法、装置、设备及介质
CN115757900A (zh) 应用人工智能模型的用户需求分析方法及系统
CN110209656A (zh) 数据处理方法及装置
CN111984637B (zh) 数据建模中的缺失值处理方法和装置、设备及存储介质
CN114266914A (zh) 一种异常行为检测方法及装置
CN112927092A (zh) 理赔趋势预测方法、装置、设备及存储介质
CN113971282A (zh) 一种基于ai模型的恶意应用程序检测方法及设备
CN115578113A (zh) 潜在宽带目标用户识别方法、装置、设备及存储介质

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