一种目标用户特征信息生成方法、装置、介质及电子设备制造方法及图纸

本发明专利技术涉及一种目标用户特征信息生成方法、装置、介质及电子设备，可以根据目标用户的目标信息，生成目标特征信息。该方法包括：获取目标用户的目标信息；将所述目标信息输入特征分析模型中，以得到所述目标信息对应的目标特征信息，其中，所述特征分析模型是通过种子用户的种子信息作为训练样本，训练得到初始特征分析模型，并针对所述初始特征分析模型中的每一层级进行克隆得到克隆特征分析模型，并建立所述初始特征分析模型中每一初始神经元与所述克隆特征分析模型中每一克隆神经元之间的链接关系，并根据所述初始特征分析模型、所述克隆特征分析模型以及所述链接关系得到的。克隆特征分析模型以及所述链接关系得到的。克隆特征分析模型以及所述链接关系得到的。

【技术实现步骤摘要】
一种目标用户特征信息生成方法、装置、介质及电子设备


[0001]本专利技术涉及人工智能
，具体地，涉及一种目标用户特征信息生成方法、装置、介质及电子设备。

技术介绍

[0002]目前包括蒙特卡洛（Monte Carlo）以及生成对抗网络GAN（Generative Adversarial Network）在内的算法都会使用随机值（如虚拟骰子）来生成不同的模拟数据。例如，在蒙特卡洛算法中，先设定数据分布，基于数据的随机值，经过数学操作把随机值转化为模拟数据。又例如，在GAN算法中，建设一个AI模型，并输入真实数据训练该AI模型，在模型收敛后，使用随机值作为此模型的输入，模拟出新的目标数据。
[0003]但是，但是在在蒙特卡洛算法中，需要预先设定数据的固有分布以及正常范围，然而在实际使用过程中，很难确定数据的固有分布；而在GAN算法中，由于模型是通过真实数据训练得到的，在使用过程中，无法随意地设定输入层或者输出层的条件，因而在输入数据完整性较低的情况下，极有可能得到的目标数据准确性较低，或者无法得到目标数据。导致对输入数据的完整性要求较高，造成模型的适应性较低。

技术实现思路

[0004]提供该
技术实现思路
部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该
技术实现思路
部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
[0005]第一方面，本专利技术提供一种目标用户特征信息生成方法，所述方法包括：获取目标用户的目标信息；将所述目标信息输入特征分析模型中，以得到所述目标信息对应的目标特征信息，其中，所述特征分析模型是通过种子用户的种子信息作为训练样本，训练得到初始特征分析模型，并针对所述初始特征分析模型中的每一层级进行克隆得到克隆特征分析模型，并建立所述初始特征分析模型中每一初始神经元与所述克隆特征分析模型中每一克隆神经元之间的链接关系，并根据所述初始特征分析模型、所述克隆特征分析模型以及所述链接关系得到的。
[0006]优选地，所述建立所述初始特征分析模型中每一初始神经元与所述克隆特征分析模型中每一克隆神经元之间的链接关系，包括：对每一所述链接关系的链接强度进行初始化；对每一所述链接关系的所述链接强度进行链路训练，其中，所述链路训练不包括所述初始特征分析模型的输入层与所述克隆特征分析模型的输入层的链接关系；在所述链路收敛的情况下，得到所述初始特征分析模型中每一初始神经元与所述克隆特征分析模型中每一克隆神经元之间的链接关系。
[0007]优选地，根据所述初始特征分析模型、所述克隆特征分析模型以及所述链接关系
得到所述特征分析模型，包括：为每一所述克隆神经元赋予一个随机值；将每一所述链接关系的链接强度值与对应所述克隆神经元的所述随机值相乘得到目标特征值；根据每一所述目标特征值以及所述初始特征分析模型的输入层的属性，确定所述目标特征值的集合；根据所述集合得到所述目标信息对应的目标特征信息。
[0008]优选地，所述随机值的取值范围为：
‑
1到1。
[0009]优选地，所述链路收敛包括：所述初始特征分析模型的输出层的属性值，和/或，所述链接强度的数值与对应的所述克隆神经元的数值之间的乘积满足预设阈值。
[0010]第二方面，本专利技术提供一种目标用户特征信息生成装置，所述装置包括：获取模块，用于获取目标用户的目标信息；合成模块，用于将所述目标信息输入特征分析模型中，以得到所述目标信息对应的目标特征信息，其中，所述特征分析模型是通过种子用户的种子信息作为训练样本，训练得到初始特征分析模型，并针对所述初始特征分析模型中的每一层级进行克隆得到克隆特征分析模型，并建立所述初始特征分析模型中每一初始神经元与所述克隆特征分析模型中每一克隆神经元之间的链接关系，并根据所述初始特征分析模型、所述克隆特征分析模型以及所述链接关系得到的。
[0011]优选地，所述特征分析模型包括：初始化模块，用于对每一所述链接关系的链接强度进行初始化；训练模块，用于对每一所述链接关系的所述链接强度进行链路训练，其中，所述链路训练不包括所述初始特征分析模型的输入层与所述克隆特征分析模型的输入层的链接关系；建立模块，用于在所述链路收敛的情况下，建立所述初始特征分析模型中每一初始神经元与所述克隆特征分析模型中每一克隆神经元之间的链接关系。
[0012]优选地，所述特征分析模型还包括：赋值模块，用于为每一所述克隆神经元赋予一个随机值；乘积模块，用于将每一所述链接关系的链接强度值与对应所述克隆神经元的所述随机值相乘得到目标特征值；确定模块，用于根据每一所述目标特征值以及所述初始特征分析模型的输入层的属性，确定所述目标特征值的集合；生成模块，用于根据所述集合得到所述目标信息对应的目标特征信息。
[0013]优选地，所述随机值的取值范围为：
‑
1到1。
[0014]优选地，所述链路收敛包括：所述初始特征分析模型的输出层的属性值，和/或，所述链接强度的数值与对应的所述克隆神经元的数值之间的乘积满足预设阈值。
[0015]第三方面，本专利技术提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现第一方面中所述方法的步骤。
[0016]第四方面，本专利技术提供一种电子设备，包括：存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一方面中所述方法的步骤。
[0017]通过上述技术方案，通过特征分析模型中初始特征分析模型中每一初始神经元与克隆特征分析模型中每一克隆神经元之间的链接关系，并根据初始特征分析模型、克隆特征分析模型以及链接关系确定用户的目标特征信息，可以基于克隆特征分析模型的模拟作用，因而不需要目标信息的固有分布或者假设分布，即使目标信息完整性较低，也可以得到准确的目标特征信息，从而提高模型的适用性，以及提高目标用户的目标特征信息的准确性。
[0018]本专利技术的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0019]结合附图并参考以下具体实施方式，本专利技术各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：图1是根据本专利技术一示例性实施例示出的一种目标用户特征信息生成方法的流程图；图2是根据本专利技术一示例性实施例示出的一种实现图1中步骤12的流程图；图3是根据本专利技术一示例性实施例示出的一种实现图1中步骤12的流程图；图4是根据本专利技术一示例性实施例示出的一种目标用户特征信息生成装置的框图。
具体实施方式
[0020]下面将参照附图更详细地描述本专利技术的实施例。虽然附图中显示了本专利技术的某些实施例，然而应当理解的是，本专利技术可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本专利技术。应当理解的是，本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标用户特征信息生成方法，其特征在于，所述方法包括：获取目标用户的目标信息；将所述目标信息输入特征分析模型中，以得到所述目标信息对应的目标特征信息，其中，所述特征分析模型是通过种子用户的种子信息作为训练样本，训练得到初始特征分析模型，并针对所述初始特征分析模型中的每一层级进行克隆得到克隆特征分析模型，并建立所述初始特征分析模型中每一初始神经元与所述克隆特征分析模型中每一克隆神经元之间的链接关系，并根据所述初始特征分析模型、所述克隆特征分析模型以及所述链接关系得到的。2.根据权利要求1所述的方法，其特征在于，所述建立所述初始特征分析模型中每一初始神经元与所述克隆特征分析模型中每一克隆神经元之间的链接关系，包括：对每一所述链接关系的链接强度进行初始化；对每一所述链接关系的所述链接强度进行链路训练，其中，所述链路训练不包括所述初始特征分析模型的输入层与所述克隆特征分析模型的输入层的链接关系；在所述链路收敛的情况下，得到所述初始特征分析模型中每一初始神经元与所述克隆特征分析模型中每一克隆神经元之间的链接关系。3.根据权利要求2所述的方法，其特征在于，根据所述初始特征分析模型、所述克隆特征分析模型以及所述链接关系得到所述特征分析模型，包括：为每一所述克隆神经元赋予一个随机值；将每一所述链接关系的链接强度值与对应所述克隆神经元的所述随机值相乘得到目标特征值；根据每一所述目标特征值以及所述初始特征分析模型的输入层的属性，确定所述目标特征值的集合；根据所述集合得到所述目标信息对应的目标特征信息。4.根据权利要求3所述的方法，其特征在于，所述随机值的取值范围为：
‑
1到1。5.根据权利要求2
‑
4任一项所述的方法，其特征在于，所述链路收敛包括：所述初始特征分析模型的输出层的属性值，和/或，所述链接强度的数值与对应的所述克隆神经元的数值之间的乘积满足预设阈值。6.一种目标用户...

【专利技术属性】
技术研发人员：罗章维，张旸，
申请(专利权)人：苏州中德双智科创发展有限公司，
类型：发明
国别省市：