CN116451087B - 性格匹配方法、装置、终端及存储介质 - Google Patents
性格匹配方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN116451087B CN116451087B CN202211644242.5A CN202211644242A CN116451087B CN 116451087 B CN116451087 B CN 116451087B CN 202211644242 A CN202211644242 A CN 202211644242A CN 116451087 B CN116451087 B CN 116451087B
- Authority
- CN
- China
- Prior art keywords
- preference
- index data
- model
- matching
- preference 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000011159 matrix material Substances 0.000 claims abstract description 58
- 238000012549 training Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 17
- 230000009191 jumping Effects 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 8
- 241000282414 Homo sapiens Species 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000003542 behavioural effect Effects 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003340 mental effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000008433 psychological processes and functions Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 230000004800 psychological effect Effects 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000036642 wellbeing Effects 0.000 description 1
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及心理分析技术领域，尤其涉及一种性格匹配方法、装置、终端及存储介质，本发明方法首先获取与多个维度相对应的多个偏好指标数据集；然后，基于多个维度，通过对抗式生成网络对多个偏好指标数据集进行扩充；最后，根据多个目标偏好数据集以及多个偏好指标数据集，确定性格匹配度。本发明实施方式通过对抗式生成网络，根据已知的偏好指标数据进行扩容，具备一定的偏好预测能力，扩容数据也更为可靠；通过目标偏好数据集以及偏好指标数据集，生成匹配矩阵，再通过特征提取得到多个匹配特征，因此，可以减少匹配时数据输入的总数量，减少匹配模型的复杂程度。匹配模型根据已知的样本进行训练，可以达到精准输出匹配结果的目的。
Description
技术领域
本发明涉及心理分析技术领域，尤其涉及一种性格匹配方法、装置、终端及存储介质。
背景技术
心理学是一门研究人类心理现象及其影响下的精神功能和行为活动的科学，兼顾突出的理论性和应用性。心理学家从事基础研究的目的是描述、解释、预测和影响行为。应用心理学家还有第五个目的——提高人类生活的质量。这些目标构成了心理学事业的基础。
心理学包括基础心理学与应用心理学，其研究涉及知觉、认知、情绪、思维、人格、行为习惯、人际关系、社会关系，人工智能，IQ，性格等许多领域，也与日常生活的许多领域——家庭、教育、健康、社会等发生关联。心理学一方面尝试用大脑运作来解释个体基本的行为与心理机能，同时，心理学也尝试解释个体心理机能在社会行为与社会动力中的角色；另外，它还与神经科学、医学、哲学、生物学、宗教学等学科有关，因为这些学科所探讨的生理或心理作用会影响个体的心智。实际上，很多人文和自然学科都与心理学有关，人类心理活动其本身就与人类生存环境密不可分，与人文社会不可分割。
作为一种理论模型，迈尔斯-布里格斯类型指标(Myers–Briggs Type Indicator，MBTI)是由美国作家伊莎贝尔·布里格斯·迈尔斯和她的母亲凯瑟琳·库克·布里格斯共同制定的一种人格类型理论模型。
该指标以瑞士心理学家卡尔·荣格划分的8种心理类型为基础，从而将人格的心理类型理论付诸实践，经过二十多年的研究后，编制成了迈尔斯-布里格斯类型指标。迈尔斯在荣格的优势功能和劣势功能、主导功能和从属功能等概念的基础上，进一步提出功能等级等概念，并有效的为每一种类型确定了其功能等级的次序，又提出了类型的终生发展理论，形成四个维度。
MBTI从多个不同的维度，划分了多个性格类型，并通过大量数据分析，将多个性格类型与职业进行了关联，例如，ISTP型人格适合信息服务业经理、计算机程序员、警官、软件开发员、律师助理、消防员、私人侦探、药剂师，等等。
事实上，MBTI仅仅对人格进行了粗略的划分，人与人之间的性格差别、类型远比MBTI划分的类型要多。与此同时，对于职业规划、婚姻、恋爱、处理人际关系，性格的匹配应当对人格进行更为细致的划分，从而提高人类生活的质量，提高生活的幸福指数。
基于此，需要开发设计出一种性格匹配方法。
发明内容
本发明实施方式提供了一种性格匹配方法、装置、终端及存储介质，用于解决现有技术中对性格描分类较为粗略影响性格匹配准确度的问题。
第一方面，本发明实施方式提供了一种性格匹配方法，包括：
获取与多个维度相对应的多个偏好指标数据集，其中，偏好指标数据集包括多个偏好指标数据；
基于所述多个维度，通过对抗式生成网络对所述多个偏好指标数据集进行扩充，其中，所述对抗式生成网络经过所述多个偏好指标数据集训练获得，所述对抗式生成网络包括：生成模型以及辨别模型，所述生成模型用于生成偏好指标数据，所述辨别模型用于辨别所述生成偏好指标数据的真伪；
根据多个目标偏好数据集以及所述多个偏好指标数据集，确定性格匹配度，其中，目标偏好数据集为进行性格匹配的目标的数据集。
在一种可能实现的方式中，所述生成模型以及所述辨别模型分别包括：
输入节点、多个中间层以及输出节点；所述多个中间层接受所述输入节点的输入，每个中间层包括多个中间节点，所述多个中间层的中间节点构成全连接的网络；所述输出节点接受所述多个中间层的输出。
在一种可能实现的方式中，所述对抗式生成网络经过所述多个偏好指标数据集训练获得，包括：
确定对应所述多个维度的多个数值区间；
对于所述多个维度中的每个维度，执行如下步骤：
建立多个真偏好指标数据与多个目标数值的对应关系，其中，所述多个目标数值分布于维度的数值区间内，所述多个真偏好指标数据基于维度所对应的偏好指标数据集获取；
伪数据生成步骤：将所述多个目标数值分别输入到所述生成模型中，获取对应所述多个目标数值的多个伪偏好指标数据；
将所述多个真偏好指标数据以及所述多个伪偏好指标数据分别输入到所述辨别模型中，获取所述辨别模型的多个训练输出，其中，所述多个训练输出表征所述多个真偏好指标数据以及所述多个伪偏好指标数据的真伪；
若判断偏差大于阈值，则根据所述判断偏差调整所述辨别模型的参数，其中，所述判断偏差为所述多个训练输出与所述多个真偏好指标数据的真伪以及所述多个伪偏好指标数据的真伪之间的偏差；
若数据偏差大于阈值，则根据所述数据偏差调整所述生成模型的参数，并跳转至所述伪数据生成步骤，其中，所述数据偏差为所述多个伪偏好指标数据与所述多个真偏好指标数据之间的偏差；
否则，通过所述生成模型对所述多个真偏好指标数据进行扩容，并通过所述辨别模型判断扩容数据的准确性。
在一种可能实现的方式中，所述通过所述生成模型对所述多个真偏好指标数据进行扩容，并通过所述辨别模型判断扩容数据的准确性，包括：
基于维度的数值区间，随机生成多个随机数值，其中，所述多个随机数值中不包括目标数值；
将所述多个随机数值分别输入到所述生成模型中，获取对应所述多个随机数值的多个扩容偏好指标数据；
将所述多个扩容偏好指标数据分别输入到所述辨别模型中，获取所述辨别模型的多个验证输出，其中，所述多个验证输出表征所述多个扩容偏好指标数据的真伪；
若所述多个验证输出分别大于阈值，则将所述多个扩容偏好指标数据加入到所述多个真偏好指标数据中；
否则，减少所述生成模型和/或所述辨别模型的中间节点的数量，并跳转至所述伪数据生成步骤。
在一种可能实现的方式中，所述根据多个目标偏好数据集以及所述多个偏好指标数据集，确定性格匹配度，包括：
根据第一公式、所述多个目标偏好数据集以及所述多个偏好指标数据集，提取偏好匹配矩阵，其中，所述第一公式为：
式中，MATCH为偏好匹配矩阵，a1为第一个目标偏好数据集中的第n个数据，M为多个目标偏好数据集中数据集的数量，bn1为第一个偏好指标数据集中的第n个数据，N为多个偏好指标数据集中的数据集的数量；
获取样本矩阵；
根据所述样本矩阵，对所述偏好匹配矩阵进行提取，获得多个匹配特征；
将所述多个匹配特征输入到性格匹配模型中，获得所述性格匹配度，其中，所述性格匹配模型基于人工神经网络构建基本模型，基于多个性格匹配样本以及与所述多个性格匹配样本相对应的多个样本匹配特征集训练获得，样本匹配特征集包括多个性格匹配特征。
在一种可能实现的方式中，所述根据所述样本矩阵，对所述偏好匹配矩阵进行提取，获得多个匹配特征，包括：
数据取出步骤：从所述偏好匹配矩阵的开始位置取出多个数据放入所述样本矩阵；
计算所述多个样本矩阵中各个元素的和，作为匹配特征；
若所述样本矩阵在所述偏好匹配矩阵中的位置不是结束位置，则按照预定的顺序移动所述样本矩阵在所述偏好匹配矩阵中的位置，并跳转至所述数据取出步骤。
在一种可能实现的方式中，所述基于多个性格匹配样本以及与所述多个性格匹配样本相对应的多个样本匹配特征集训练获得，包括：
获取多个性格匹配样本以及与所述多个性格匹配样本相对应的多个样本匹配特征集，其中，样本匹配特征集包括多个性格匹配特征；
样本输入步骤：将所述多个样本匹配特征集输入到所述基本模型中，获取所述基本模型的多个输出，其中，所述基本模型的多个输出与所述多个样本匹配特征集相对应；
根据与所述多个样本匹配特征集的对应关系，确定所述基本模型的多个输出与所述多个性格匹配样本之间的残差；
若所述残差大于阈值，则采用反向传播算法，调整所述基本模型的参数，并跳转至所述样本输入步骤；
否则，固定所述基本模型的参数，将所述基本模型作为性格匹配模型。
第二方面，本发明实施方式提供了一种性格匹配装置，用于实现如上第一方面或第一方面的任一种可能的实现方式所述的性格匹配方法，所述性格匹配装置包括：
偏好指标获取模块，用于获取与多个维度相对应的多个偏好指标数据集，其中，偏好指标数据集包括多个偏好指标数据；
偏好指标数据扩充模块，用于基于所述多个维度，通过对抗式生成网络对所述多个偏好指标数据集进行扩充，其中，所述对抗式生成网络经过所述多个偏好指标数据集训练获得，所述对抗式生成网络包括：生成模型以及辨别模型，所述生成模型用于生成偏好指标数据，所述辨别模型用于辨别所述生成偏好指标数据的真伪；
以及，
性格匹配模块，用于根据多个目标偏好数据集以及所述多个偏好指标数据集，确定性格匹配度，其中，目标偏好数据集为进行性格匹配的目标的数据集。
第三方面，本发明实施方式提供了一种终端，包括存储器以及处理器，所述存储器中存储有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如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面，本发明实施方式提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施方式与现有技术相比存在的有益效果是：
本发明实施方式公开了的一种性格匹配方法，其首先获取与多个维度相对应的多个偏好指标数据集，其中，偏好指标数据集包括多个偏好指标数据；然后，基于所述多个维度，通过对抗式生成网络对所述多个偏好指标数据集进行扩充，其中，所述对抗式生成网络经过所述多个偏好指标数据集训练获得，所述对抗式生成网络包括：生成模型以及辨别模型，所述生成模型用于生成偏好指标数据，所述辨别模型用于辨别所述生成偏好指标数据的真伪；最后，根据多个目标偏好数据集以及所述多个偏好指标数据集，确定性格匹配度，其中，目标偏好数据集为进行性格匹配的目标的数据集。本发明实施方式，其通过对抗式生成网络，可以根据已知的偏好指标数据进行扩容，具备一定的偏好预测能力，扩容数据也更为可靠，对于性格的刻画来说，由于具备更多的偏好数据，就可以刻画更为细腻的性格，进一步实现发现性格的细节不同点，性格分类结果更可靠，通过目标偏好数据集以及偏好指标数据集，生成匹配矩阵，在通过特征提取得到多个匹配特征，因此，可以减少匹配时数据输入的总数量，减少匹配模型的复杂程度。匹配模型根据已知的样本进行训练，能够根据已知的匹配结果进行拟合，可以达到精准输出匹配结果的目的。
附图说明
为了更清楚地说明本发明实施方式中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施方式提供的性格匹配方法的流程图；
图2是本发明实施方式提供的对抗式生成网络结构图；
图3是本发明实施方式提供的性格匹配装置功能框图；
图4是本发明实施方式提供的终端功能框图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施方式。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施方式中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施方式来进行说明。
下面对本发明的实施例作详细说明，本实例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
图1为本发明实施方式提供的性格匹配方法的流程图。
如图1所示，其示出了本发明实施方式提供的性格匹配方法的实现流程图，详述如下：
在步骤101中，获取与多个维度相对应的多个偏好指标数据集，其中，偏好指标数据集包括多个偏好指标数据。
在步骤102中，基于所述多个维度，通过对抗式生成网络对所述多个偏好指标数据集进行扩充，其中，所述对抗式生成网络经过所述多个偏好指标数据集训练获得，所述对抗式生成网络包括：生成模型以及辨别模型，所述生成模型用于生成偏好指标数据，所述辨别模型用于辨别所述生成偏好指标数据的真伪。
在一些实施方式中，所述生成模型以及所述辨别模型分别包括：
输入节点、多个中间层以及输出节点；所述多个中间层接受所述输入节点的输入，每个中间层包括多个中间节点，所述多个中间层的中间节点构成全连接的网络；所述输出节点接受所述多个中间层的输出。
在一些实施方式中，所述对抗式生成网络经过所述多个偏好指标数据集训练获得，包括：
确定对应所述多个维度的多个数值区间；
对于所述多个维度中的每个维度，执行如下步骤：
建立多个真偏好指标数据与多个目标数值的对应关系，其中，所述多个目标数值分布于维度的数值区间内，所述多个真偏好指标数据基于维度所对应的偏好指标数据集获取；
伪数据生成步骤：将所述多个目标数值分别输入到所述生成模型中，获取对应所述多个目标数值的多个伪偏好指标数据；
将所述多个真偏好指标数据以及所述多个伪偏好指标数据分别输入到所述辨别模型中，获取所述辨别模型的多个训练输出，其中，所述多个训练输出表征所述多个真偏好指标数据以及所述多个伪偏好指标数据的真伪；
若判断偏差大于阈值，则根据所述判断偏差调整所述辨别模型的参数，其中，所述判断偏差为所述多个训练输出与所述多个真偏好指标数据的真伪以及所述多个伪偏好指标数据的真伪之间的偏差；
若数据偏差大于阈值，则根据所述数据偏差调整所述生成模型的参数，并跳转至所述伪数据生成步骤，其中，所述数据偏差为所述多个伪偏好指标数据与所述多个真偏好指标数据之间的偏差；
否则，通过所述生成模型对所述多个真偏好指标数据进行扩容，并通过所述辨别模型判断扩容数据的准确性。
在一些实施方式中，所述通过所述生成模型对所述多个真偏好指标数据进行扩容，并通过所述辨别模型判断扩容数据的准确性，包括：
基于维度的数值区间，随机生成多个随机数值，其中，所述多个随机数值中不包括目标数值；
将所述多个随机数值分别输入到所述生成模型中，获取对应所述多个随机数值的多个扩容偏好指标数据；
将所述多个扩容偏好指标数据分别输入到所述辨别模型中，获取所述辨别模型的多个验证输出，其中，所述多个验证输出表征所述多个扩容偏好指标数据的真伪；
若所述多个验证输出分别大于阈值，则将所述多个扩容偏好指标数据加入到所述多个真偏好指标数据中；
否则，减少所述生成模型和/或所述辨别模型的中间节点的数量，并跳转至所述伪数据生成步骤。
示例性地，如前所述，对于性格的确定方式上，一般通过对行为的偏好上进行归类。如进行问卷调查获得行为偏好，或者通过观察行为习惯进行记录等方式。一般来说通常通过多个维度，进行偏好的统计，以MBTI为例，其包括注意力方向(精力来源)、认知方式(如何搜集信息)、判断方式(如何做决定)以及生活方式(如何应对外部世界)四个维度进行行为偏好的统计。
实际上，由于人格的复杂性，统计的偏好通常数量不足以精细到描述一个人的人格，因此，有必要基于已知的统计数据，对偏好指标数据进行扩充。本发明提出了一种实施方式是通过对抗式生成网络进行扩充。
如图2所示，该图示出了一种对抗式生成网络，包括有生成模型和辨别模型，生成模型扮演仿制数据的角色，而辨别模型扮演鉴别真假的角色，通过二者之间彼此的对抗行为，提高仿制的仿真度和鉴别真假的能力。
具体来说，生成模型和辨别模型均具有人工神经网络的结构，一种实施方式中，二者均采用BP神经网络。生成模型包括有第一输入节点201、多个第一中间层202以及第一输出节点203，其中，每个第一中间层202中又包括多个第一中间节点2021，多个第一中间节点2021彼此之间全连接，构成全连接的网络。
辨别模型包括有第二输入节点204、多个第二中间层205以及第二输出节点206，其中，每个第二中间层205中又包括多个第二中间节点2051，多个第二中间节点2051彼此之间全连接，构成全连接的网络。
第一输出节点203的输出与第二输入节点204的输入连接，对生成模型生成的数据进行鉴别，判定生成数据的真伪。
实际上，对抗式生成网络仅仅是一个基础模型，需要经过数据训练后获得一个可以生成扩充数据的模型，就其对多个偏好指标数据集的训练过程以及扩充过程而言，包括：
将多个维度分别划分多个数值区间，多个数值区间不能存在重叠，例如，一种应用场景中，包括四个区间，分别是100-199、200-299、300-399以及400、499，对于对应维度的偏好指标数据集中的数据，分布在区间内部，例如，上述对应注意力方向维度的偏好指标数据集中的数据，就分布在100-199这个区间内。
在确定好对应关系后，就可以将上述数据集中的数据作为真数据，将真数据对应的数值输入到生成模型的第一输入节点201，获得生成模型的输出，这个输出含义是，根据数值生成伪偏好指标数据，很显然，如果这个伪偏好指标数据如果与真数据的差别较大，说明仿制效果差，如果差别小，说明仿制效果佳，本发明实施方式，将仿制的数据和真数据分别再送入到辨别模型的第二输入节点204，很显然，如果其能够分辨二者之间的真伪，说明辨别能力佳，否则，辨别能力差。
上述说明了生成模型的伪数据生成和辨别模型的真伪数据的辨别，实际上，生成模型和辨别模型在训练前其伪数据生成能力和辨别能力很弱，需要通过输出调节模型的参数，以达到提高生成能力和辨别能力。
本发明实施方式先根据真伪判断的偏差，调整辨别模型的参数，再根据真伪数据的偏差，调整生成模型的参数。调整完成后，再次进行生成伪数据和数据分辨的步骤，通过上述反复的迭代，生成模型和辨别模型就能够达到一个较高的生成能力和辨别能力。
如果生成的伪数据其与真数据的偏差极小，此时我们可以认为上述迭代成功(训练成功)。可以对偏好指标数据集进行扩容。
对于扩容方面而言，就是从维度的数值区间生成随机数值，这些随机数值不得与前述真数据所对应的数值相同，将这些随机数值输入到生成模型中。就获得了扩容数据，这些扩容数据再送入到辨别模型中辨别真伪，如果辨别模型认为这些数据是真数据，说明扩容数据是可靠的、稳定的，如果辨别模型的结果多数是假数据，说明生成模型或者辨别模型存在过拟合现象，需要减少中间节点的数量或减少中间层的数量，返回到上述迭代训练步骤，重新训练。
我们可以看出，通过对抗式生成网络，可以根据已知的偏好指标数据进行扩容，且扩容的数据是经过辨别模型进行的辨别，因此具备一定的偏好预测能力，扩容数据也更为可靠，对于性格的刻画来说，由于具备更多的偏好数据，就可以刻画更为细腻的性格，进一步实现发现性格的细节不同点，性格分类结果更可靠。
在步骤103中，根据多个目标偏好数据集以及所述多个偏好指标数据集，确定性格匹配度，其中，目标偏好数据集为进行性格匹配的目标的数据集。
在一些实施方式中，所述步骤103包括：根据第一公式、所述多个目标偏好数据集以及所述多个偏好指标数据集，提取偏好匹配矩阵，其中，所述第一公式为：
式中，MATCH为偏好匹配矩阵，a1为第一个目标偏好数据集中的第n个数据，M为多个目标偏好数据集中数据集的数量，bn1为第一个偏好指标数据集中的第n个数据，N为多个偏好指标数据集中的数据集的数量；
获取样本矩阵；
根据所述样本矩阵，对所述偏好匹配矩阵进行提取，获得多个匹配特征；
将所述多个匹配特征输入到性格匹配模型中，获得所述性格匹配度，其中，所述性格匹配模型基于人工神经网络构建基本模型，所述性格匹配模型基于多个性格匹配样本以及与所述多个性格匹配样本相对应的多个样本匹配特征集训练获得，样本匹配特征集包括多个性格匹配特征。
在一些实施方式中，所述根据所述样本矩阵，对所述偏好匹配矩阵进行提取，获得多个匹配特征，包括：
数据取出步骤：从所述偏好匹配矩阵的开始位置取出多个数据放入所述样本矩阵；
计算所述多个样本矩阵中各个元素的和，作为匹配特征；
若所述样本矩阵在所述偏好匹配矩阵中的位置不是结束位置，则按照预定的顺序移动所述样本矩阵在所述偏好匹配矩阵中的位置，并跳转至所述数据取出步骤。
在一些实施方式中，所述性格匹配模型基于多个性格匹配样本以及与所述多个性格匹配样本相对应的多个样本匹配特征集训练获得，包括：
获取多个性格匹配样本以及与所述多个性格匹配样本相对应的多个样本匹配特征集，其中，样本匹配特征集包括多个性格匹配特征；
样本输入步骤：将所述多个样本匹配特征集输入到所述基本模型中，获取所述基本模型的多个输出，其中，所述基本模型的多个输出与所述多个样本匹配特征集相对应；
根据与所述多个样本匹配特征集的对应关系，确定所述基本模型的多个输出与所述多个性格匹配样本之间的残差；
若所述残差大于阈值，则采用反向传播算法，调整所述基本模型的参数，并跳转至所述样本输入步骤；
否则，固定所述基本模型的参数，将所述基本模型作为性格匹配模型。
示例性地，对于性格匹配方面而言，是通过将上述过程中获得的偏好质保数据集与目标偏好数据集进行匹配计算确定的，目标偏好数据集可以是职业需求的偏好，例如，销售职业更多需要的是外向的性格，善于揣摩客户的心理等诸如此类的偏好，而对于择偶方面来说，可能需要根据自身的性格进行偏好分析，获取偏好数据。
本发明实施方式采用是将多个目标偏好数据集以及所述多个偏好指标数据集先进行偏好匹配，获得匹配矩阵：
式中，MATCH为偏好匹配矩阵，a1为第一个目标偏好数据集中的第n个数据，M为多个目标偏好数据集中数据集的数量，bn1为第一个偏好指标数据集中的第n个数据，N为多个偏好指标数据集中的数据集的数量；
可以看出，匹配矩阵数据量较大，因此，通过样本矩阵提取上述匹配矩阵的特征，然后，将获得的特征送入到经过训练的人工神经网络中进行计算，获得最终的匹配结果。
矩阵特征的提取方面，一种实施方式中，是将按照预定的位置顺序将样本矩阵放到匹配矩阵中，获取数据，然后计算获取数据的和，从而获得了矩阵的多个特征。
对于上述位置顺序可以是将样本矩阵放到匹配矩阵的左上角，取数、计算完毕后，向右侧按照步进值移动一个单位，再次进行取数和计算操作，当移到最右侧时，将样本矩阵移动到最左侧并再向下移动一个单位，再次进行取数和计算操作，如此往复，直到达到匹配矩阵的右下角。
对于上述性格匹配模型的训练而言，其根据现有的经验进行训练，所谓现有的经验是指根据匹配数据集合匹配结果对性格匹配模型进行训练，具体来说，就是将样本匹配特征集输入到模型中，获取模型的输出，根据模型的输出与样本性格匹配结果确定模型的输出残差，再根据残差采用反向传播算法，调整模型的参数，调整完毕后，再次进行样本匹配特征集输入，如此往复，就逐步完善了模型的参数，使得模型能够拟合现有的多个样本，达到精准输出匹配结果的目的。
本发明性格匹配方法实施方式，其首先获取与多个维度相对应的多个偏好指标数据集，其中，偏好指标数据集包括多个偏好指标数据；然后，基于所述多个维度，通过对抗式生成网络对所述多个偏好指标数据集进行扩充，其中，所述对抗式生成网络经过所述多个偏好指标数据集训练获得，所述对抗式生成网络包括：生成模型以及辨别模型，所述生成模型用于生成偏好指标数据，所述辨别模型用于辨别所述生成偏好指标数据的真伪；最后，根据多个目标偏好数据集以及所述多个偏好指标数据集，确定性格匹配度，其中，目标偏好数据集为进行性格匹配的目标的数据集。本发明实施方式，其通过对抗式生成网络，可以根据已知的偏好指标数据进行扩容，具备一定的偏好预测能力，扩容数据也更为可靠，对于性格的刻画来说，由于具备更多的偏好数据，就可以刻画更为细腻的性格，进一步实现发现性格的细节不同点，性格分类结果更可靠，通过目标偏好数据集以及偏好指标数据集，生成匹配矩阵，在通过特征提取得到多个匹配特征，因此，可以减少匹配时数据输入的总数量，减少匹配模型的复杂程度。匹配模型根据已知的样本进行训练，能够根据已知的匹配结果进行拟合，可以达到精准输出匹配结果的目的。
应理解，上述实施方式中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施方式的实施过程构成任何限定。
以下为本发明的装置实施方式，对于其中未详尽描述的细节，可以参考上述对应的方法实施方式。
图3是本发明实施方式提供的性格匹配装置功能框图，参照图3，性格匹配装置3包括：偏好指标获取模块301、偏好指标数据扩充模块302以及性格匹配模块303，，其中：
偏好指标获取模块301，用于获取与多个维度相对应的多个偏好指标数据集，其中，偏好指标数据集包括多个偏好指标数据；
偏好指标数据扩充模块302，用于基于所述多个维度，通过对抗式生成网络对所述多个偏好指标数据集进行扩充，其中，所述对抗式生成网络经过所述多个偏好指标数据集训练获得，所述对抗式生成网络包括：生成模型以及辨别模型，所述生成模型用于生成偏好指标数据，所述辨别模型用于辨别所述生成偏好指标数据的真伪；
性格匹配模块303，用于根据多个目标偏好数据集以及所述多个偏好指标数据集，确定性格匹配度，其中，目标偏好数据集为进行性格匹配的目标的数据集。
图4是本发明实施方式提供的终端的功能框图。如图4所示，该实施方式的终端4包括：处理器400和存储器401，所述存储器401中存储有可在所述处理器400上运行的计算机程序402。所述处理器400执行所述计算机程序402时实现上述各个性格匹配方法及实施方式中的步骤，例如图1所示的步骤101至步骤103。
示例性的，所述计算机程序402可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器401中，并由所述处理器400执行，以完成本发明。
所述终端4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端4可包括，但不仅限于，处理器400、存储器401。本领域技术人员可以理解，图4仅仅是终端4的示例，并不构成对终端4的限定，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，例如所述终端4还可以包括输入输出设备、网络接入设备、总线等。
所称处理器400可以是中央处理单元(Central Processing Unit，CPU)，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 Integrated Circuit，ASIC)、现场可编程门阵列(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。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。
所述存储器401可以是所述终端4的内部存储单元，例如终端4的硬盘或内存。所述存储器401也可以是所述终端4的外部存储设备，例如所述终端4上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器401还可以既包括所述终端4的内部存储单元也包括外部存储设备。所述存储器401用于存储所述计算机程序402以及所述终端4所需的其他程序和数据。所述存储器401还可以用于暂时地存储已经输出或者将要输出的数据。
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，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施方式中的各功能单元、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，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施方式中的对应过程，在此不再赘述。
在上述实施方式中，对各个实施方式的描述都各有侧重，某个实施方式中没有详述或记载的部分，可以参见其它实施方式的相关描述。
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方式描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。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。
在本发明所提供的实施方式中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施方式仅仅是示意性的，例如，所述模块或单元的划分，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，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。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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实施方式方案的目的。
另外，在本发明各个实施方式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取存储介质中。基于这样的理解，本发明实现上述实施方式方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法及装置实施方式的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。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(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。
以上所述实施方式仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施方式对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施方式技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (8)
1.一种性格匹配方法，其特征在于，包括：
获取与多个维度相对应的多个偏好指标数据集，其中，偏好指标数据集包括多个偏好指标数据；
基于所述多个维度，通过对抗式生成网络对所述多个偏好指标数据集进行扩充，其中，所述对抗式生成网络经过所述多个偏好指标数据集训练获得，所述对抗式生成网络包括：生成模型以及辨别模型，所述生成模型用于生成偏好指标数据，所述辨别模型用于辨别所述生成偏好指标数据的真伪；
根据多个目标偏好数据集以及所述多个偏好指标数据集，确定性格匹配度，其中，目标偏好数据集为进行性格匹配的目标的数据集；
其中，所述根据多个目标偏好数据集以及所述多个偏好指标数据集，确定性格匹配度，包括：
根据第一公式、所述多个目标偏好数据集以及所述多个偏好指标数据集，提取偏好匹配矩阵，其中，所述第一公式为：
式中，MATCH为偏好匹配矩阵，a1n为第一个目标偏好数据集中的第n个数据，M为多个目标偏好数据集中数据集的数量，bn1为第一个偏好指标数据集中的第n个数据，N为多个偏好指标数据集中的数据集的数量；
获取样本矩阵；
根据所述样本矩阵，对所述偏好匹配矩阵进行提取，获得多个匹配特征；
将所述多个匹配特征输入到性格匹配模型中，获得所述性格匹配度，其中，所述性格匹配模型基于人工神经网络构建基本模型，所述性格匹配模型基于多个性格匹配样本以及与所述多个性格匹配样本相对应的多个样本匹配特征集训练获得，样本匹配特征集包括多个性格匹配特征；
所述根据所述样本矩阵，对所述偏好匹配矩阵进行提取，获得多个匹配特征，包括：
数据取出步骤：从所述偏好匹配矩阵的开始位置取出多个数据放入所述样本矩阵；
计算样本矩阵中各个元素的和，作为匹配特征；
若所述样本矩阵在所述偏好匹配矩阵中的位置不是结束位置，则按照预定的顺序移动所述样本矩阵在所述偏好匹配矩阵中的位置，并跳转至所述数据取出步骤。
2.根据权利要求1所述的性格匹配方法，其特征在于，所述生成模型以及所述辨别模型分别包括：
输入节点、多个中间层以及输出节点；所述多个中间层接受所述输入节点的输入，每个中间层包括多个中间节点，所述多个中间层的中间节点构成全连接的网络；所述输出节点接受所述多个中间层的输出。
3.根据权利要求2所述的性格匹配方法，其特征在于，所述对抗式生成网络经过所述多个偏好指标数据集训练获得，包括：
确定对应所述多个维度的多个数值区间；
对于所述多个维度中的每个维度，执行如下步骤：
建立多个真偏好指标数据与多个目标数值的对应关系，其中，所述多个目标数值分布于维度的数值区间内，所述多个真偏好指标数据基于维度所对应的偏好指标数据集获取；
伪数据生成步骤：将所述多个目标数值分别输入到所述生成模型中，获取对应所述多个目标数值的多个伪偏好指标数据；
将所述多个真偏好指标数据以及所述多个伪偏好指标数据分别输入到所述辨别模型中，获取所述辨别模型的多个训练输出，其中，所述多个训练输出表征所述多个真偏好指标数据以及所述多个伪偏好指标数据的真伪；
若判断偏差大于阈值，则根据所述判断偏差调整所述辨别模型的参数，其中，所述判断偏差为所述多个训练输出与所述多个真偏好指标数据的真伪以及所述多个伪偏好指标数据的真伪之间的偏差；
若数据偏差大于阈值，则根据所述数据偏差调整所述生成模型的参数，并跳转至所述伪数据生成步骤，其中，所述数据偏差为所述多个伪偏好指标数据与所述多个真偏好指标数据之间的偏差；
否则，通过所述生成模型对所述多个真偏好指标数据进行扩容，并通过所述辨别模型判断扩容数据的准确性。
4.根据权利要求3所述的性格匹配方法，其特征在于，所述通过所述生成模型对所述多个真偏好指标数据进行扩容，并通过所述辨别模型判断扩容数据的准确性，包括：
基于维度的数值区间，随机生成多个随机数值，其中，所述多个随机数值中不包括目标数值；
将所述多个随机数值分别输入到所述生成模型中，获取对应所述多个随机数值的多个扩容偏好指标数据；
将所述多个扩容偏好指标数据分别输入到所述辨别模型中，获取所述辨别模型的多个验证输出，其中，所述多个验证输出表征所述多个扩容偏好指标数据的真伪；
若所述多个验证输出分别大于阈值，则将所述多个扩容偏好指标数据加入到所述多个真偏好指标数据中；
否则，减少所述生成模型和/或所述辨别模型的中间节点的数量，并跳转至所述伪数据生成步骤。
5.根据权利要求1所述的性格匹配方法，其特征在于，所述性格匹配模型基于多个性格匹配样本以及与所述多个性格匹配样本相对应的多个样本匹配特征集训练获得，包括：
获取多个性格匹配样本以及与所述多个性格匹配样本相对应的多个样本匹配特征集，其中，样本匹配特征集包括多个性格匹配特征；
样本输入步骤：将所述多个样本匹配特征集输入到所述基本模型中，获取所述基本模型的多个输出，其中，所述基本模型的多个输出与所述多个样本匹配特征集相对应；
根据与所述多个样本匹配特征集的对应关系，确定所述基本模型的多个输出与所述多个性格匹配样本之间的残差；
若所述残差大于阈值，则采用反向传播算法，调整所述基本模型的参数，并跳转至所述样本输入步骤；
否则，固定所述基本模型的参数，将所述基本模型作为性格匹配模型。
6.一种性格匹配装置，其特征在于，用于实现如权利要求1-5任一项所述的性格匹配方法，所述性格匹配装置包括：
偏好指标获取模块，用于获取与多个维度相对应的多个偏好指标数据集，其中，偏好指标数据集包括多个偏好指标数据；
偏好指标数据扩充模块，用于基于所述多个维度，通过对抗式生成网络对所述多个偏好指标数据集进行扩充，其中，所述对抗式生成网络经过所述多个偏好指标数据集训练获得，所述对抗式生成网络包括：生成模型以及辨别模型，所述生成模型用于生成偏好指标数据，所述辨别模型用于辨别所述生成偏好指标数据的真伪；
以及，
性格匹配模块，用于根据多个目标偏好数据集以及所述多个偏好指标数据集，确定性格匹配度，其中，目标偏好数据集为进行性格匹配的目标的数据集。
7.一种终端，包括存储器和处理器，所述存储器中存储有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上的权利要求1至5中任一项所述方法的步骤。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至5中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211644242.5A CN116451087B (zh) | 2022-12-20 | 2022-12-20 | 性格匹配方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211644242.5A CN116451087B (zh) | 2022-12-20 | 2022-12-20 | 性格匹配方法、装置、终端及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116451087A CN116451087A (zh) | 2023-07-18 |
| CN116451087B true CN116451087B (zh) | 2023-12-26 |
Family
ID=87124407
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211644242.5A Active CN116451087B (zh) | 2022-12-20 | 2022-12-20 | 性格匹配方法、装置、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116451087B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107590224A (zh) * | 2017-09-04 | 2018-01-16 | 北京京东尚科信息技术有限公司 | 基于大数据的用户偏好分析方法与装置 |
| CN108960409A (zh) * | 2018-06-13 | 2018-12-07 | 南昌黑鲨科技有限公司 | 标注数据生成方法、设备及计算机可读存储介质 |
| CN109783460A (zh) * | 2019-01-30 | 2019-05-21 | 北京信息科技大学 | 基于网络日志的用户行为刻画与预测方法及系统 |
| CN111191475A (zh) * | 2020-01-06 | 2020-05-22 | 天津工业大学 | 一种基于uhf rfid的被动式行为识别方法 |
| CN111461168A (zh) * | 2020-03-02 | 2020-07-28 | 平安科技（深圳）有限公司 | 训练样本扩充方法、装置、电子设备及存储介质 |
| CN112185493A (zh) * | 2020-08-26 | 2021-01-05 | 山东大学 | 人格偏好诊断装置及基于该装置的项目推荐系统 |
| KR102316079B1 (ko) * | 2021-03-11 | 2021-10-22 | 서울대학교산학협력단 | Gan을 이용하는 인테리어 추천 방법 및 장치 |
| CN114866820A (zh) * | 2022-04-15 | 2022-08-05 | 北京量子之歌科技有限公司 | 一种礼物发送方法、装置及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200169785A1 (en) * | 2018-11-28 | 2020-05-28 | Capital One Services, Llc | Systems and methods for dynamically modifying image and video content based on user preferences |
-
2022
- 2022-12-20 CN CN202211644242.5A patent/CN116451087B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107590224A (zh) * | 2017-09-04 | 2018-01-16 | 北京京东尚科信息技术有限公司 | 基于大数据的用户偏好分析方法与装置 |
| CN108960409A (zh) * | 2018-06-13 | 2018-12-07 | 南昌黑鲨科技有限公司 | 标注数据生成方法、设备及计算机可读存储介质 |
| CN109783460A (zh) * | 2019-01-30 | 2019-05-21 | 北京信息科技大学 | 基于网络日志的用户行为刻画与预测方法及系统 |
| CN111191475A (zh) * | 2020-01-06 | 2020-05-22 | 天津工业大学 | 一种基于uhf rfid的被动式行为识别方法 |
| CN111461168A (zh) * | 2020-03-02 | 2020-07-28 | 平安科技（深圳）有限公司 | 训练样本扩充方法、装置、电子设备及存储介质 |
| CN112185493A (zh) * | 2020-08-26 | 2021-01-05 | 山东大学 | 人格偏好诊断装置及基于该装置的项目推荐系统 |
| KR102316079B1 (ko) * | 2021-03-11 | 2021-10-22 | 서울대학교산학협력단 | Gan을 이용하는 인테리어 추천 방법 및 장치 |
| CN114866820A (zh) * | 2022-04-15 | 2022-08-05 | 北京量子之歌科技有限公司 | 一种礼物发送方法、装置及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 基于生成对抗网络的长短兴趣推荐模型;康嘉钰 等;计算机技术与发展;35-39 * |
| 基于用户偏好挖掘生成对抗网络的推荐系统;李广丽;滑瑾;袁天;朱涛;邬任重;姬东鸿;张红斌;;计算机科学与探索(05);87-98 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116451087A (zh) | 2023-07-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wiecki et al. | HDDM: Hierarchical Bayesian estimation of the drift-diffusion model in Python | |
| CN110910982A (zh) | 自编码模型训练方法、装置、设备及存储介质 | |
| CN111785366B (zh) | 患者治疗方案的确定方法、装置及计算机设备 | |
| Cocos et al. | Crowd control: Effectively utilizing unscreened crowd workers for biomedical data annotation | |
| CN114864099B (zh) | 一种基于因果关系挖掘的临床数据自动化生成方法及系统 | |
| Liu et al. | Quantification of effective connectivity in the brain using a measure of directed information | |
| CN112348417A (zh) | 一种基于主成分分析算法的营销价值评估方法及装置 | |
| Zhou et al. | Emerged human-like facial expression representation in a deep convolutional neural network | |
| Richter et al. | Sample size determination for biomedical big data with limited labels | |
| CN115222443A (zh) | 客户群体划分方法、装置、设备及存储介质 | |
| Dinkelberg et al. | Detecting opinion-based groups and polarization in survey-based attitude networks and estimating question relevance | |
| CN116451087B (zh) | 性格匹配方法、装置、终端及存储介质 | |
| Hout et al. | Simulating the fidelity of data for large stimulus set sizes and variable dimension estimation in multidimensional scaling | |
| Gamez | Are information or data patterns correlated with consciousness? | |
| Ramesh et al. | Early recognition of skin malignancy in images based on convolutional networks by using dynamic system model | |
| Sundaram et al. | Recurrent connections facilitate symmetry perception in deep networks | |
| CN113850632B (zh) | 用户类别确定方法、装置、设备及存储介质 | |
| CN113536111B (zh) | 保险知识内容的推荐方法、装置和终端设备 | |
| CN115985499A (zh) | 身体机理数据生成系统和治疗计划生成系统 | |
| Rahaman et al. | Statelets: Capturing recurrent transient variations in dynamic functional network connectivity | |
| CN111858863B (zh) | 一种答复推荐方法、答复推荐装置及电子设备 | |
| CN111476775B (zh) | Dr征象识别装置和方法 | |
| CN113516205A (zh) | 基于人工智能的数据分类方法、装置、设备及存储介质 | |
| CN113961609A (zh) | 数据查询方法、装置、服务器及存储介质 | |
| Yoshihara et al. | Does training with blurred images bring convolutional neural networks closer to humans with respect to robust object recognition and internal representations? |
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 |