用于生成用户偏好内容的对抗式方法和系统技术方案

一种推荐方法，包括：检索包括已消费内容和未消费内容的内容消费数据。基于内容消费数据，识别未消费的第一段内容。确定与第一段内容的负消费相关的第一段内容的第一特征。使用第一系统将第一特征修改为第二特征。将包括第二特征的第二段内容提供给电子设备。第二段内容是第一段内容的修改实例。

Adversarial methods and systems for generating user preference content

【技术实现步骤摘要】
【国外来华专利技术】用于生成用户偏好内容的对抗式方法和系统
一个或多个实施例总体上涉及使用神经网络(NN)的数据处理，尤其涉及使用对抗式学习的数据处理。
技术介绍
深度神经网络(DNN)已经在机器学习中广泛应用，从计算机视觉到语音识别以及自然语言处理。DNN将从输入到输出的参数化函数定义为多层基本函数的组合，包括线性/仿射变换和非线性函数二者。DNN也成为一个强大的工具来处理推荐系统的任务，诸如音乐、新闻、时尚文章和移动应用程序推荐。许多媒体内容、广告、优惠券内容、促销活动等都是通过现有的推荐系统提供给用户的。终端用户很可能不喜欢大量推荐的内容。
技术实现思路
技术问题传统的推荐系统丢弃了这些不喜欢的内容。结果，这些推荐系统无法向用户提供任何用户偏好的推荐。技术方案一个或多个实施例总体上涉及基于对抗式机器学习的内容管理。在一个实施例中，一种推荐方法包括：检索包括已消费内容和未消费内容的内容消费数据。基于内容消费数据，识别未消费的第一段内容。确定与第一段内容的负消费相关的第一段内容的第一特征。使用第一系统将第一特征修改为第二特征。将包括第二特征的第二段内容提供给电子设备。第二段内容是第一段内容的修改实例。在一些实施例中，一种电子设备包括存储指令的存储器。至少一个处理器执行该指令，其包括如下处理，该处理被配置为：检索包括已消费内容和未消费内容的内容消费数据；基于内容消费数据，识别未消费的第一段内容；确定与第一段内容的负消费相关的第一段内容的第一特征；使用第一系统将第一特征修改为第二特征；以及提供包括第二特征的第二段内容，其中第二段内容是第一段内容的修改实例。在一个或多个实施例中，一种非暂时性处理器可读介质包括程序，该程序在被处理器执行时执行一种方法，其包括：检索包括已消费内容和未消费内容的内容消费数据；基于内容消费数据，识别未消费的第一段内容；确定与第一段内容的负消费相关的第一段内容的第一特征；使用第一系统将第一特征修改为第二特征；以及向电子设备提供包括第二特征的第二段内容，其中第二段内容是第一段内容的修改实例。从下面结合附图通过示例方式说明一个或多个实施例的原理的详细描述中，一个或多个实施例的这些以及其他方面和优势将变得清楚。附图说明为了更全面理解实施例的特征和优势以及优选使用模式，应当参考下文结合附图阅读的详细描述，附图中：图1示出根据一些实施例的通信系统的示意性视图；图2示出根据一些实施例的包括电子设备和云或服务器环境在内的系统的架构框图，该系统能够单独地或组合地执行基于对抗式学习的数据处理；图3A示出不平衡数据分类的示例；图3B示出根据一些实施例的通过变换大类样本以生成更多小类样本来解决图3A的不平衡数据分类的示例方案；图4示出根据一些实施例的伪装对抗式网络(DAN)的概览；图5示出根据一些实施例的用于训练DAN的示例过程；图6A示出根据一些实施例的将广告(例如，电视(TV)广告)的特征矢量进行伪装的示例；图6B示出根据一些实施例的将电子优惠券的特征矢量进行伪装的示例；图7示出根据一些实施例的用于基于对抗式机器学习来修改内容的过程的框图；以及图8是示出包括实施一个或多个实施例的计算系统在内的信息处理系统的高级框图。具体实施方式做出下列描述的目的是举例说明一个或多个实施例的通用原理，而不意味着限制本文请求保护的专利技术概念。此外，本文描述的特定特征可以与各种可能组合和排列中的每一个中的其他描述的特征结合使用。除非在此另有明确定义，否则所有术语都应被给予可能的最广泛解释，包括说明书中隐含的含义以及本领域技术人员所理解的含义和/或字典、专著等中定义的含义。应当注意，术语“…中至少一个”是指前面元素中的一个或不止一个。例如，“a、b、c或其组合中至少一个”可以解释为：“a”、“b”或“c”单独地；或“a”和“b”组合在一起；“b”和“c”组合在一起；“a”和“c”组合在一起；或“a”、“b”和“c”组合在一起。一个或多个实施例提供基于对抗式机器学习的内容管理。一些实施例包括一种方法，其包括一种推荐方法，包括：检索包括已消费内容和未消费内容的内容消费数据。基于内容消费数据，识别未消费的第一段内容。确定与第一段内容的负消费相关的第一段内容的第一特征。使用第一系统将第一特征修改为第二特征。向电子设备提供包括第二特征的第二段内容。第二段内容是第一段内容的修改实例。DNN是强大且流行的学习模型，其在许多计算机视觉、语音和语言处理任务中实现了最先进的模式识别性能。为了清晰起见，术语“网络”指的是网络架构(例如，NN架构)，其描述了施加在输入上的变换，而“模型”指的是具有通过在某些训练数据集上训练网络而获得的固定参数的已训练网络。在一些实施例中，将用户不喜欢的内容修改成喜欢的内容。本文提到的“内容”包括但不限于广告内容、媒体内容、TV流/流传输、优惠券、促销活动、虚拟现实(VR)内容、促销等。在一些实施例中，采用机器学习框架并将其称为“对抗式评论学习”。对抗式学习释放了为训练机器学习模型而对人类提供的标签的需求。对抗式评论学习设计了在生成器之间的对抗式博弈，以为新生成的特征提供更增强的评估。使用对抗式学习的思想来处理机器学习中不完善标签的问题。不完善标签涵盖了被标记的数据集中涉及的不平衡的标签分布和错误的标签。推荐系统用于修改不喜欢的内容，对“喜欢”所修改内容的可能性进行评估，然后推荐成功修改的内容。在一些实施例中，对抗式评论学习机制用于通过为生成的数据人为地提供标签来评估生成的新内容。此功能使得学习框架能够更稳健地处理训练数据中的不完善标签。这种不完善标签分布包括不平衡的标签、有噪声的标签以及甚至缺失的标签。一些实施例通过重新访问不喜欢的内容并学习改进它们，来将不喜欢的内容修改为喜欢的内容。一些实施例不选取全新的内容，而是修改不喜欢的内容。这种方法增加了推荐机会，并可以扩展到个性化设置。在一些实施例中，在推荐系统中采用对抗式优化。传统的推荐系统纯粹基于从用户获得的真实数据来形成它们的推荐决策。这种数据可能是片面的，不能充分覆盖可能的操作和反馈的整个集合。不同的是，一些实施例采用对抗式推荐来评估来自现实世界数据和生成的特征这二者的推荐内容。生成的内容和用户的反馈不是从现实世界数据获得的，而是通过对抗式评论学习处理进行模拟的。一些实施例提供以下能力：生成终端用户之前不喜欢的新修改内容；识别生成的新内容和其他现实世界内容的似然概率；使用虚拟对抗式学习来设计与传统系统相比需要更少训练数据的实用推荐系统；使用对抗式评论学习对具有不平衡标签分布的数据点进行分类；使用对抗式评论学习对具有错误标签的数据进行分类；以及减少推荐系统中对训练样本大小的需求。图1是根据一个实施例的通信系统10的示意性视图。通信系统10可以包括发起向外通信操作的通信设备(发送设备12)和通信网络110，发送设备12可以使用通信网络110来发起并进行与通信网络110内本文档来自技高网...

【技术保护点】
1.一种推荐方法，包括：/n检索包括已消费内容和未消费内容的内容消费数据；/n基于所述内容消费数据，识别未消费的第一段内容；/n确定与所述第一段内容的负消费相关的所述第一段内容的第一特征；/n使用第一系统将所述第一特征修改为第二特征；以及/n向电子设备提供包括所述第二特征的第二段内容，其中所述第二段内容是所述第一段内容的修改实例。/n

【技术特征摘要】
【国外来华专利技术】20170721 US 62/535,350;20180720 US 16/041,4791.一种推荐方法，包括：
检索包括已消费内容和未消费内容的内容消费数据；
基于所述内容消费数据，识别未消费的第一段内容；
确定与所述第一段内容的负消费相关的所述第一段内容的第一特征；
使用第一系统将所述第一特征修改为第二特征；以及
向电子设备提供包括所述第二特征的第二段内容，其中所述第二段内容是所述第一段内容的修改实例。


2.根据权利要求1所述的推荐方法，还包括：
由所述第一系统将所述第一段内容变换为多个内容段，其中所述多个内容段中的每一段改变所述第一段内容的不同特征；
使用第二系统，利用训练模型来评估所述多个内容段中的每一段，其中所述训练模型已基于所述内容消费数据经过训练；以及
基于评估结果确定所述第二段内容具有成功消费的可能性，识别所述第二段内容。


3.根据权利要求1所述的推荐方法，还包括：
基于所述内容消费数据识别已消费的第三段内容；
确定导致消费所述第三段内容的第二特征；以及
找到所述第二段内容，其中所述第二段内容将所述第一特征替换为所述第二特征。


4.根据权利要求2所述的推荐方法，还包括：
基于所述训练模型更新所述第一系统。


5.根据权利要求2所述的推荐方法，还包括：
由所述第二系统将所述第二段内容分配到正消费类或负消费类；以及
当确定所述第二段内容被分配到正消费类时，向所述电子设备提供所述第二段内容。


6.根据权利要求2所述的推荐方法，其中所述第一系统包括第一神经网络，并且所述第二系统包括第二神经网络。


7.根据权利要求6所述的推荐方法，其中所述第二神经网络模拟用户对内容消费评级的行为。


8.根据权利要求6所述的推荐方法，还包括：
通过对抗式处理，基于对所述第一神经网络的伪装目标和所...

【专利技术属性】
技术研发人员：邓岳，沈逸麟，金红霞，
申请(专利权)人：三星电子株式会社，
类型：发明
国别省市：韩国;KR