[发明专利]用于生成用户偏好内容的对抗式方法和系统

说明书

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。

技术领域

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。

背景技术

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。

发明内容

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；