数据推荐方法技术

本发明专利技术实施例的方法中提出了一种数据推荐方法

【技术实现步骤摘要】
数据推荐方法、装置及计算机可读介质


[0001]本专利技术涉及信息
，尤其涉及一种数据推荐方法
、
装置及计算机可读介质
。

技术介绍

[0002]数据处理和推荐是现代信息技术中非常重要的领域，涉及到从海量数据中提取有用信息并为用户提供个性化建议
。
现有的推荐方法通常基于用户行为和历史偏好，发现用户与用户之间或物品与物品之间的相似性，并基于相似性进行推荐，由于很多客户的行为存在随机性和无目的性，很容易造成无效推荐，无效推荐的累积也会影响到数据挖掘的准确性，从而导致推荐精准度进一步降低
。

技术实现思路

[0003]有鉴于此，本专利技术实施例提供了一种数据推荐方法
、
装置及计算机可读介质
。
[0004]第一方面，本专利技术实施例提供了一种数据推荐方法，所述方法包括：
[0005]S1、
构建图像帧与时间序列信息的关联；
[0006]S2、
对所述关联后的图像帧进行预处理后，通过对抗网络生成标准图像帧；
[0007]S3、
基于所述标准图像帧生成时间序列样本；
[0008]S4、
将所述时间序列样本输入推荐模型后，计算出推荐结果
。
[0009]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述方法还包括：
[0010]当接收到是文字信息时，将文字信息转化为嵌入向量作为条件输入；
[0011]将嵌入向量与随机噪声向量输入对抗网络结构的生成器中，生成与文本描述匹配的图像；
[0012]所述对抗网络结构中包括对抗损失
、
内容损失和风格损失，总损失可以通过如下公式进行计算通过多任务梯度下降最小化总损失后，输出图像帧；
[0013]其中，
α
、
β
和
γ
表示对抗损失
、
内容损失和风格损失的对应权重，对抗损失内容损失风格损失
g
i
′
为当前任务梯度，
μ0为先验参数，
n
为输入参数的种类数；
G
为生成器模型，
D
为判别器模型，
z
为随机噪声向量且服从概率分布
p
z
，
G(z)
为生成器生成的图像，
D(G(z))
为判别器对生成器生成的图像的判别结果；
X
i
为真实图像在卷积神经网络中第
i
层的特征表示，
G
i
为生成图像在卷积神经网络中第
i
层的特征表示；为风格图
像在卷积神经网络中第
i
层的特征表示中的相关性，为生成图像在卷积神经网络中第
i
层的特征表示中的相关性，
m
和
n
为特征表示的空间位置
。
[0014]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述通过多任务梯度下降最小化总损失，具体包括：
[0015]令任务
T
p
的任务梯度为
g
p
，以及任务
T
q
的任务梯度为
g
q
；
[0016]计算任务梯度
g
p
和任务梯度
g
q
的余弦相似度
cos(
φ
pq
)
，判断余弦相似度
cos(
φ
pq
)
是否小于0；
[0017]若是，则任务梯度
g
p
和任务梯度
g
q
之间存在冲突；
[0018]将任务梯度
g
p
和任务梯度
g
q
之间的分量进行处理，即令以对
g
p
进行更新，从而将任务梯度
g
p
投影到任务梯度
g
q
的正交方向，带入总损失函数进行计算；
[0019]若否，则任务梯度
g
p
和任务梯度
g
q
之间不存在冲突，保留原任务梯度
g
p
，即令
g
p
′
＝
g
p
，带入总损失函数进行计算
。
[0020]其中，余弦相似度
[0021]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述
S1
具体包括：
[0022]S11、
对每个图像帧进行局部特征和全局特征提取；
[0023]S12、
通过嵌入网络将局部特征
、
全局特征和时间序列特征进行特征融合，并生成一个与图像帧对应时间戳关联的嵌入向量，所述嵌入向量用于表示图像帧和时间序列信息的关联
。
[0024]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述
S2
具体包括：
[0025]S21、
基于关联后的图像帧构造原始数据集和目标数据集，并将全部图像帧统一为对抗网络输入格式；
[0026]S22、
建立包含生成器
、
转换器和判别器的对抗网络；
[0027]其中，判别器的对抗损失的计算公式如下：
[0028][0029]表示判别器的对抗损失，
D
表示判别器模型，
x
表示原始数据集的输入，
z
表示噪声分布
p
z
的噪声样本，
G(z)
表示生成器的输出，表示判别器对原始图像的评估，表示判别器对输出的评估；
[0030]原始数据集到目标数据集的循环一致性损失的计算公式如下：
[0031]表示循环一致性损失，
I
和
H
分别表示转换器
I
和转换器
H
，
y
表示目标数据集输入，
I(x)
表示转换器
I
将原始数据集的输入
x
转换为伪目标数据集图像，
H(y)
表示转换器
H
将目标数据集的输入
y
转换为伪原始数据集图像，
||
·
||1表示曼哈顿距离；
[0032]S23、
最小化对抗损失和循环一致性损失后基于生成器的输出生成标准图像帧
。
[0033]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述
S3
具体包括：...

【技术保护点】

【技术特征摘要】
1.
一种数据推荐方法，其特征在于，所述方法包括：
S1、
构建图像帧与时间序列信息的关联；
S2、
对所述关联后的图像帧进行预处理后，通过对抗网络生成标准图像帧；
S3、
基于所述标准图像帧生成时间序列样本；
S4、
将所述时间序列样本输入推荐模型后，计算出推荐结果
。2.
根据权利要求1所述的数据推荐方法，其特征在于，所述方法还包括：当接收到是文字信息时，将文字信息转化为嵌入向量作为条件输入；将嵌入向量与随机噪声向量输入对抗网络结构的生成器中，生成与文本描述匹配的图像；所述对抗网络结构中包括对抗损失
、
内容损失和风格损失，总损失可以通过如下公式进行计算通过多任务梯度下降最小化总损失后，输出图像帧；其中，
α
、
β
和
γ
表示对抗损失
、
内容损失和风格损失的对应权重，对抗损失内容损失风格损失
g
i
′
为当前任务梯度，
μ0为先验参数，
n
为输入参数的种类数；
G
为生成器模型，
D
为判别器模型，
z
为随机噪声向量且服从概率分布
p
z
，
G(z)
为生成器生成的图像，
D(G(z))
为判别器对生成器生成的图像的判别结果；
X
i
为真实图像在卷积神经网络中第
i
层的特征表示，
G
i
为生成图像在卷积神经网络中第
i
层的特征表示；为风格图像在卷积神经网络中第
i
层的特征表示中的相关性，为生成图像在卷积神经网络中第
i
层的特征表示中的相关性，
m
和
n
为特征表示的空间位置
。3.
根据权利要求2所述的数据推荐方法，其特征在于，所述通过多任务梯度下降最小化总损失，具体包括：令任务
T
p
的任务梯度为
g
p
，以及任务
T
q
的任务梯度为
g
q
；计算任务梯度
g
p
和任务梯度
g
q
的余弦相似度
cos(
φ
pq
)
，判断余弦相似度
cos(
φ
pq
)
是否小于0；若是，则任务梯度
g
p
和任务梯度
g
q
之间存在冲突；将任务梯度
g
p
和任务梯度
g
q
之间的分量进行处理，即令以对
g
p
进行更新，从而将任务梯度
g
p
投影到任务梯度
g
q
的正交方向，带入总损失函数进行计算；若否，则任务梯度
g
p
和任务梯度
g
q
之间不存在冲突，保留原任务梯度
g
p
，即令
g
p
′
＝
g
p
，带入总损失函数进行计算
。
其中，余弦相似度
4.
根据权利要求1所述的数据推荐方法，其特征在于，所述
S1
具体包括：
S11、
对每个图像帧进行局部特征和全局特征提取；
S12、
通过嵌入网络将局部特征
、
全局特征和时间序列特征进行特征融合，并生成一个与图像帧对应时间戳关联的嵌入向量，所述嵌入向量用于表示图像帧和时间序列信息的关联
。5.
根据权利要求1所述的数据推荐方法，其特征在于，所述
S2
具体包括：
S21、
基于关联后的图像帧构造原始数据集和目标数据集，并将全部图像帧统一为对抗网络输入格式；
S22、
建立包含生成器
、
转换器和判别器的对抗网络；其中，判别器的对抗损失的计算公式如下：其中，表示判别器的对抗损失，
D
表示判别器模型，
x
表示原始数据集的输入，
z
表示噪声分布
p
z
的噪声样本，
G(z)
表示生成器的输出，表示判别器对原始图像的评估，表示判别器对输出的评估；原始数据集到目标数据集的循环一致性损失的计算公式如下：原始数据集到目标数据集的循环一致性损失的计算公式如下：表示循环一致性损失，
I
和
H
分别表示转换器
I
和转换器
H
，
y
表示目标数据集输入，
I(x)
表示转换器
I
将原始数据集的输入
x
转换为伪目标数据集图像，
H(y)
表示转换器
H
将目标数据集的输入
y
转换为伪原始数据集图像，
||
·
||1表示曼哈顿距离；
S23、
最小化对抗损失和循...

【专利技术属性】
技术研发人员：刘超，姚超，
申请(专利权)人：鲸湾科技南通有限公司，
类型：发明
国别省市：