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;
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
计算任务梯度g
若是,则任务梯度g
将任务梯度g
若否,则任务梯度g
其中,余弦相似度
2.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。
3.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: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: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。
4.根据权利要求1所述的数据推荐方法,其特征在于,所述S3具体包括:S31、令生成器的输出G(z)=ω,则将生成器的输出与时间序列信息的时间序列样本表示为ω={ωS32、将生成器输出图像ω其中,训练样本和输入样本均由上述步骤处理得到。
5.根据权利要求1所述的数据推荐方法,其特征在于,所述S4具体包括:S41、通过卷积神经网络时间序列样本的图像中提取特征向量FS42、计算图像ω
FS(ω
S43、将特征向量和用户兴趣模型进行融合后生成融合向量;
S44、将融合向量输入推荐模型后通过计算输出个性化得分;
S44、匹配得分符合阈值的图像最为候选图像后,并在排序后进行个性化推荐。
6.根据权利要求1所述的数据推荐方法,其特征在于,所述推荐模型为:
7.一种数据推荐装置,其特征在于,所述装置包括:构建模块,用于构建图像帧与时间序列信息的关联;
预处理模块,用于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;
生成模块,用于基于所述标准图像帧生成时间序列样本;
推荐模块,用于将所述时间序列样本输入推荐模型后,计算出推荐结果;
当该装置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
计算任务梯度g
若是,则任务梯度g
将任务梯度g
若否,则任务梯度g
其中,余弦相似度
8.一种计算机可读介质,其特征在于,所述计算机可读介质存储有程序代码,当所述计算机程序代码在计算机上运行时,使得计算机执行如权利要求1-6中任一项所述的方法。