基于数据挖掘的智能匹配方法及系统

技术领域

本发明涉及人工智能技术领域，具体而言，涉及一种基于数据挖掘的智能匹配方法及系统。

背景技术

数据挖掘在诸多场景中都用应用，例如，可以通过数据挖掘操作，以挖掘出相应用户数据的特征，使得可以基于挖掘出的特征进行数据匹配分析等操作。但是，在现有技术中，存在着数据匹配的可靠度不高的问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于数据挖掘的智能匹配方法及系统，以在一定程度上提高数据匹配的可靠度。

为实现上述目的，本发明实施例采用如下技术方案：

一种基于数据挖掘的智能匹配方法，包括：

结合用户数据评估网络，对用户相关性评估网络进行网络优化操作，以得到所述用户相关性评估网络对应的目标相关性评估网络，所述用户数据评估网络和所述用户相关性评估网络都属于神经网络；

提取到需要匹配的用户数据组合中的第一用户数据和第二用户数据，所述第一用户数据和所述第二用户数据用于反映相应的待匹配用户的用户特征，所述第一用户数据和所述第二用户数据属于图像数据；

利用目标匹配性评估网络，将所述第一用户数据和所述第二用户数据进行用户匹配性评估操作，以输出所述用户数据组合中所述第一用户数据和所述第二用户数据之间的匹配性表征数据，所述匹配性表征数据用于反映所述第一用户数据和所述第二用户数据是否匹配或反映所述第一用户数据对应的待匹配用户和所述第二用户数据对应的待匹配用户是否匹配。

在一些优选的实施例中，在上述基于数据挖掘的智能匹配方法中，所述利用目标匹配性评估网络，将所述第一用户数据和所述第二用户数据进行用户匹配性评估操作，以输出所述用户数据组合中所述第一用户数据和所述第二用户数据之间的匹配性表征数据的步骤，包括：

利用所述目标匹配性评估网络，将所述第一用户数据和所述第二用户数据分别进行特征空间映射操作，以输出所述第一用户数据对应的空间映射特征表示和所述第二用户数据对应的空间映射特征表示；

将所述第一用户数据对应的空间映射特征表示和所述第二用户数据对应的空间映射特征表示进行特征挖掘操作，以形成包括所述第一用户数据的全局相关信息的第一全局特征表示，并形成包括所述第二用户数据的全局相关信息的第二全局特征表示；

将所述第一全局特征表示和所述第二全局特征表示进行级联组合操作，以形成对应的级联全局特征表示；

将所述级联全局特征表示进行匹配性表征数据的评估操作，以输出所述用户数据组合中所述第一用户数据和所述第二用户数据之间的匹配性表征数据。

在一些优选的实施例中，在上述基于数据挖掘的智能匹配方法中，所述结合用户数据评估网络，对用户相关性评估网络进行网络优化操作，以得到所述用户相关性评估网络对应的目标相关性评估网络的步骤，包括：

利用用户数据评估网络，将示例性用户数据组合中的第一示例性用户数据进行用户数据评估操作，以输出所述第一示例性用户数据对应的用户评估数据，所述第一示例性用户数据属于所述示例性用户数据组合中的一个示例性用户数据，且所述第一示例性用户数据用于反映相应的示例性用户的用户特征，所述第一示例性用户数据属于图像数据，所述用户评估数据用于反映所述第一示例性用户数据和所述例性用户数据组合中的第二示例性用户数据是否匹配或反映所述第一示例性用户数据对应的示例性用户和所述第二示例性用户数据对应的示例性用户是否匹配；

依据示例性用户数据组合簇的公平状态，将所述第一示例性用户数据对应的用户评估数据进行重要性分析操作，以输出所述示例性用户数据组合对应的重要性表征参数；

利用用户匹配性评估网络，将所述示例性用户数据组合中的第一示例性用户数据和第二示例性用户数据进行用户匹配性评估操作，以输出所述示例性用户数据组合对应的用户匹配性评估数据；

倘若所述示例性用户数据组合对应的用户匹配性评估数据为所述示例性用户数据组合的各实际匹配性数据的发生可能性，则将所述示例性用户数据组合的各实际匹配性数据的发生可能性的负相关参数进行第一运算操作，以形成对应的目标运算输出参数；

对所述目标运算输出参数和所述示例性用户数据组合对应的重要性表征参数进行第二运算操作，以形成所述用户匹配性评估网络对应的网络优化代价参数；

对所述用户匹配性评估网络进行网络优化操作，使得所述网络优化代价参数小于或等于预先配置的参考网络优化代价参数，以得到所述用户匹配性评估网络对应的目标匹配性评估网络。

在一些优选的实施例中，在上述基于数据挖掘的智能匹配方法中，在所述利用用户数据评估网络，将示例性用户数据组合中的第一示例性用户数据进行用户数据评估操作，以输出所述第一示例性用户数据对应的用户评估数据的步骤以前，所述结合用户数据评估网络，对用户相关性评估网络进行网络优化操作，以得到所述用户相关性评估网络对应的目标相关性评估网络的步骤，还包括：

依据示例性用户数据组合簇中第三示例性用户数据和第四示例性用户数据的实际匹配性数据、所述第三示例性用户数据，将候选的用户数据评估网络进行网络优化操作，以形成网络优化后的用户数据评估网络，所述第三示例性用户数据和所述第四示例性用户数据属于所述示例性用户数据组合簇中的一个示例性用户数据组合；

所述利用用户数据评估网络，将示例性用户数据组合中的第一示例性用户数据进行用户数据评估操作，以输出所述第一示例性用户数据对应的用户评估数据的步骤，包括：

利用所述网络优化后的用户数据评估网络，将所述第一示例性用户数据进行用户数据评估操作，以输出所述第一示例性用户数据对应的用户评估数据。

在一些优选的实施例中，在上述基于数据挖掘的智能匹配方法中，所述依据示例性用户数据组合簇中第三示例性用户数据和第四示例性用户数据的实际匹配性数据、所述第三示例性用户数据，将候选的用户数据评估网络进行网络优化操作，以形成网络优化后的用户数据评估网络的步骤，包括：

将所述示例性用户数据组合簇进行分类操作，以形成所述示例性用户数据组合簇对应的第一数量个示例性用户数据组合子簇；

针对所述第一数量个示例性用户数据组合子簇中的任意一个待处理的示例性用户数据组合子簇，进行以下的操作：

对所述待处理的示例性用户数据组合子簇以外的示例性用户数据组合子簇进行标记，以标记为待分析的示例性用户数据组合子簇，以及，利用所述待分析的示例性用户数据组合子簇，将候选的用户数据评估网络进行网络优化操作，以形成网络优化后的用户数据评估网络；

所述利用所述网络优化后的用户数据评估网络，将所述第一示例性用户数据进行用户数据评估操作，以输出所述第一示例性用户数据对应的用户评估数据的步骤，包括：

依据所述待处理的示例性用户数据组合子簇，利用所述网络优化后的用户数据评估网络，将所述待处理的示例性用户数据组合子簇进行用户数据评估操作，以输出所述待处理的示例性用户数据组合子簇对应的用户评估数据。

在一些优选的实施例中，在上述基于数据挖掘的智能匹配方法中，所述利用所述网络优化后的用户数据评估网络，将所述第一示例性用户数据进行用户数据评估操作，以输出所述第一示例性用户数据对应的用户评估数据的步骤，包括：

利用所述网络优化后的用户数据评估网络，将所述第一示例性用户数据进行特征空间映射操作，以输出所述第一示例性用户数据对应的空间映射特征表示；

将所述第一示例性用户数据对应的空间映射特征表示进行特征挖掘操作，以形成所述第一示例性用户数据对应的包括全局相关信息的全局特征表示；

将所述包括全局相关信息的全局特征表示进行用户数据评估操作，以输出所述第一示例性用户数据对应的用户评估数据。

在一些优选的实施例中，在上述基于数据挖掘的智能匹配方法中，所述第一示例性用户数据对应的用户评估数据为所述第一示例性用户数据的各实际匹配性数据的可能性；

所述依据示例性用户数据组合簇的公平状态，将所述第一示例性用户数据对应的用户评估数据进行重要性分析操作，以输出所述示例性用户数据组合对应的重要性表征参数的步骤，包括：

分析出在所述示例性用户数据组合簇处于公平状态时所述示例性用户数据组合中第一示例性用户数据和第二示例性用户数据的各实际匹配性数据的公平可能性；

基于所述第一示例性用户数据的各实际匹配性数据的可能性和所述各实际匹配性数据的公平可能性，将所述第一示例性用户数据的用户评估数据进行重要性分析操作，以输出所述示例性用户数据组合对应的重要性表征参数。

在一些优选的实施例中，在上述基于数据挖掘的智能匹配方法中，所述分析出在所述示例性用户数据组合簇处于公平状态时所述示例性用户数据组合中第一示例性用户数据和第二示例性用户数据的各实际匹配性数据的公平可能性的步骤，包括：

依据各实际匹配性数据的历史可能性和所述第一示例性用户数据的各实际匹配性数据的可能性，将待定的公平可能性进行循环计算操作，以形成所述示例性用户数据组合中第一示例性用户数据和第二示例性用户数据的各实际匹配性数据的公平可能性，所述各实际匹配性数据的公平可能性包括，表征匹配的第一实际匹配性数据的第一公平可能性和表征不匹配的第二实际匹配性数据的第二公平可能性；

并且，所述基于所述第一示例性用户数据的各实际匹配性数据的可能性和所述各实际匹配性数据的公平可能性，将所述第一示例性用户数据的用户评估数据进行重要性分析操作，以输出所述示例性用户数据组合对应的重要性表征参数的步骤，包括：

提取到所述第一示例性用户数据的第一实际匹配性数据的第一可能性，并提取到所述第一示例性用户数据的第二实际匹配性数据的第二可能性，以及，提取到所述第一实际匹配性数据的第一公平可能性，并提取到所述第二实际匹配性数据的第二公平可能性；

对所述第一可能性和所述第二公平可能性之间的第一相乘融合参数、所述第二可能性和所述第一公平可能性的第二相乘融合参数进行叠加融合操作，以输出对应的目标叠加融合参数；

对所述目标叠加融合参数和所述第一相乘融合参数进行相除运算操作，以输出所述示例性用户数据组合对应于所述第一实际匹配性数据具有的重要性表征参数；

对所述目标叠加融合参数和所述第二相乘融合参数进行相除运算操作，以输出所述示例性用户数据组合对应于所述第二实际匹配性数据具有的重要性表征参数。

在一些优选的实施例中，在上述基于数据挖掘的智能匹配方法中，所述利用用户匹配性评估网络，将所述示例性用户数据组合中的第一示例性用户数据和第二示例性用户数据进行用户匹配性评估操作，以输出所述示例性用户数据组合对应的用户匹配性评估数据的步骤，包括：

将所述第一示例性用户数据和所述第二示例性用户数据分别进行特征空间映射操作，以输出所述第一示例性用户数据对应的空间映射特征表示和所述第二示例性用户数据对应的空间映射特征表示；

将所述第一示例性用户数据对应的空间映射特征表示和所述第二示例性用户数据对应的空间映射特征表示进行特征挖掘操作，以形成包括所述第一示例性用户数据的全局相关信息的示例第一全局特征表示，并形成包括所述第二示例性用户数据的全局相关信息的示例第二全局特征表示；

将所述示例第一全局特征表示和所述示例第二全局特征表示进行级联组合操作，以形成对应的示例级联全局特征表示；

将所述示例级联全局特征表示进行匹配性表征数据的评估操作，以输出所述示例性用户数据组合对应的用户匹配性评估数据。

本发明实施例还提供一种基于数据挖掘的智能匹配系统，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上述的基于数据挖掘的智能匹配方法。

本发明实施例提供的基于数据挖掘的智能匹配方法及系统，可以先结合用户数据评估网络，对用户相关性评估网络进行网络优化操作，以得到用户相关性评估网络对应的目标相关性评估网络；提取到需要匹配的用户数据组合中的第一用户数据和第二用户数据；利用目标匹配性评估网络，将第一用户数据和第二用户数据进行用户匹配性评估操作，以输出用户数据组合中第一用户数据和第二用户数据之间的匹配性表征数据。基于前述的内容，由于在对用户相关性评估网络进行网络优化操作的过程中，会结合用户数据评估网络，使得形成的目标相关性评估网络的精度可以更高，因此，可以在一定程度上提高数据匹配的可靠度。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

图1为本发明实施例提供的基于数据挖掘的智能匹配系统的结构框图。

图2为本发明实施例提供的基于数据挖掘的智能匹配方法包括的各步骤的流程示意图。

图3为本发明实施例提供的基于数据挖掘的智能匹配装置包括的各模块的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明实施例提供了一种基于数据挖掘的智能匹配系统。其中，所述基于数据挖掘的智能匹配系统可以包括存储器和处理器。

详细地，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件（firmware）的形式，存在的软件功能模块（计算机程序）。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例提供的基于数据挖掘的智能匹配方法。

可以理解的是，在一些可能的实施方式中，所述存储器可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-Only Memory，PROM），可擦除只读存储器（ErasableProgrammable Read-Only Memory，EPROM），电可擦除只读存储器（Electric ErasableProgrammable Read-Only Memory，EEPROM）等。

可以理解的是，在一些可能的实施方式中，所述处理器可以是一种通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）、片上系统(System on Chip，SoC)等；还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

可以理解的是，在一些可能的实施方式中，所述基于数据挖掘的智能匹配系统可以是一种具备数据处理能力的服务器。

结合图2，本发明实施例还提供一种基于数据挖掘的智能匹配方法，可应用于上述基于数据挖掘的智能匹配系统。其中，所述基于数据挖掘的智能匹配方法有关的流程所定义的方法步骤，可以由所述基于数据挖掘的智能匹配系统实现。下面将对图2所示的具体流程，进行详细阐述。

步骤S110，结合用户数据评估网络，对用户相关性评估网络进行网络优化操作，以得到所述用户相关性评估网络对应的目标相关性评估网络。

在本发明实施例中，所述基于数据挖掘的智能匹配系统可以结合用户数据评估网络，对用户相关性评估网络进行网络优化操作，以得到所述用户相关性评估网络对应的目标相关性评估网络。所述用户数据评估网络和所述用户相关性评估网络都属于神经网络。

步骤S120，提取到需要匹配的用户数据组合中的第一用户数据和第二用户数据。

在本发明实施例中，所述基于数据挖掘的智能匹配系统可以提取到需要匹配的用户数据组合中的第一用户数据和第二用户数据。所述第一用户数据和所述第二用户数据用于反映相应的待匹配用户的用户特征，如不同时期的特征，所述第一用户数据和所述第二用户数据属于图像数据，例如，所述第一用户数据和所述第二用户数据可以是同一个用户的图像，所述第一用户数据和所述第二用户数据也可以不是同一个用户的图像。

步骤S130，利用目标匹配性评估网络，将所述第一用户数据和所述第二用户数据进行用户匹配性评估操作，以输出所述用户数据组合中所述第一用户数据和所述第二用户数据之间的匹配性表征数据。

在本发明实施例中，所述基于数据挖掘的智能匹配系统可以利用目标匹配性评估网络，将所述第一用户数据和所述第二用户数据进行用户匹配性评估操作，以输出所述用户数据组合中所述第一用户数据和所述第二用户数据之间的匹配性表征数据。所述匹配性表征数据用于反映所述第一用户数据和所述第二用户数据是否匹配或反映所述第一用户数据对应的待匹配用户和所述第二用户数据对应的待匹配用户是否匹配，即所述匹配性表征数据可以包括匹配的可能性参数和不匹配的可能性参数。例如，对于同一个用户，可以用于反映该用户在不同时期的特征是否匹配，对于不同的两个用户，可以用于反映两个用户的特征是否匹配。

基于前述的内容，由于在对用户相关性评估网络进行网络优化操作的过程中，会结合用户数据评估网络，使得形成的目标相关性评估网络的精度可以更高，因此，可以在一定程度上提高数据匹配的可靠度。

可以理解的是，在一些可能的实施方式中，上述描述中的步骤S110，即所述结合用户数据评估网络，对用户相关性评估网络进行网络优化操作，以得到所述用户相关性评估网络对应的目标相关性评估网络的步骤，可以进一步包括以下详细描述的具体实施内容：

利用用户数据评估网络，将示例性用户数据组合中的第一示例性用户数据进行用户数据评估操作，以输出所述第一示例性用户数据对应的用户评估数据，所述第一示例性用户数据属于所述示例性用户数据组合中的一个示例性用户数据，且所述第一示例性用户数据用于反映相应的示例性用户的用户特征，所述第一示例性用户数据属于图像数据，所述用户评估数据用于反映所述第一示例性用户数据和所述例性用户数据组合中的第二示例性用户数据是否匹配或反映所述第一示例性用户数据对应的示例性用户和所述第二示例性用户数据对应的示例性用户是否匹配，也就是说，所述用户数据评估网络，可以仅对所述示例性用户数据组合中的一个示例性用户数据进行分析评估，以得到所述示例性用户数据组合中的两个示例性用户数据对应的用户评估数据，而所述用户匹配性评估网络则是对所述示例性用户数据组合中的两个示例性用户数据进行分析评估；

依据示例性用户数据组合簇的公平状态，将所述第一示例性用户数据对应的用户评估数据进行重要性分析操作，以输出所述示例性用户数据组合对应的重要性表征参数；

利用用户匹配性评估网络，将所述示例性用户数据组合中的第一示例性用户数据和第二示例性用户数据进行用户匹配性评估操作，以输出所述示例性用户数据组合对应的用户匹配性评估数据；

倘若所述示例性用户数据组合对应的用户匹配性评估数据为所述示例性用户数据组合的各实际匹配性数据的发生可能性，如匹配的可能性参数和不匹配的可能性参数，则将所述示例性用户数据组合的各实际匹配性数据的发生可能性的负相关参数进行第一运算操作，以形成对应的目标运算输出参数，例如，该负相关参数和该发生可能性（参数）之间的乘积等于一个固定值，如1等数值，该第一运算操作可以是取对数操作等；

对所述目标运算输出参数和所述示例性用户数据组合对应的重要性表征参数进行第二运算操作，以形成所述用户匹配性评估网络对应的网络优化代价参数，示例性地，所述示例性用户数据组合对应的重要性表征参数可以包括所述示例性用户数据组合对应于所述第一实际匹配性数据具有的重要性表征参数和所述示例性用户数据组合对应于所述第二实际匹配性数据具有的重要性表征参数，所述目标运算输出参数可以包括对应于所述第一实际匹配性数据的第一目标运算输出参数和对应于所述第二实际匹配性数据的第二目标运算输出参数，如此，可以对基于对应的重要性表征参数，面对第一目标运算输出参数和第二目标运算输出参数进行加权求和，以得到所述用户匹配性评估网络对应的网络优化代价参数；

对所述用户匹配性评估网络进行网络优化操作，使得所述网络优化代价参数小于或等于预先配置的参考网络优化代价参数，以得到所述用户匹配性评估网络对应的目标匹配性评估网络。

可以理解的是，在一些可能的实施方式中，在所述利用用户数据评估网络，将示例性用户数据组合中的第一示例性用户数据进行用户数据评估操作，以输出所述第一示例性用户数据对应的用户评估数据的步骤以前，所述结合用户数据评估网络，对用户相关性评估网络进行网络优化操作，以得到所述用户相关性评估网络对应的目标相关性评估网络的步骤，即步骤S110还可以进一步包括以下详细描述的具体实施内容：

依据示例性用户数据组合簇中第三示例性用户数据和第四示例性用户数据的实际匹配性数据、所述第三示例性用户数据，将候选的用户数据评估网络进行网络优化操作，以形成网络优化后的用户数据评估网络，所述第三示例性用户数据和所述第四示例性用户数据属于所述示例性用户数据组合簇中的一个示例性用户数据组合，也就是说，利用所述候选的用户数据评估网络，将所述第三示例性用户数据进行分析评估，以得到对应的评估数据，然后，可以基于该评估数据和该实际匹配性数据之间的差异，对候选的用户数据评估网络进行网络优化操作，如沿着降低该差异的方向，进行网络优化操作，以形成网络优化后的用户数据评估网络。

基于上述的内容，所述利用用户数据评估网络，将示例性用户数据组合中的第一示例性用户数据进行用户数据评估操作，以输出所述第一示例性用户数据对应的用户评估数据的步骤，可以包括：利用所述网络优化后的用户数据评估网络，将所述第一示例性用户数据进行用户数据评估操作，以输出所述第一示例性用户数据对应的用户评估数据。

可以理解的是，在一些可能的实施方式中，所述依据示例性用户数据组合簇中第三示例性用户数据和第四示例性用户数据的实际匹配性数据、所述第三示例性用户数据，将候选的用户数据评估网络进行网络优化操作，以形成网络优化后的用户数据评估网络的步骤，可以进一步包括以下详细描述的具体实施内容：

将所述示例性用户数据组合簇进行分类操作，以形成所述示例性用户数据组合簇对应的第一数量个示例性用户数据组合子簇，分类操作可以是任意的随机的，也可以是根据需求配置的；

针对所述第一数量个示例性用户数据组合子簇中的任意一个待处理的示例性用户数据组合子簇，进行以下的操作：

对所述待处理的示例性用户数据组合子簇以外的示例性用户数据组合子簇进行标记，以标记为待分析的示例性用户数据组合子簇，以及，利用所述待分析的示例性用户数据组合子簇，将候选的用户数据评估网络进行网络优化操作，以形成网络优化后的用户数据评估网络。

基于上述的内容，所述利用所述网络优化后的用户数据评估网络，将所述第一示例性用户数据进行用户数据评估操作，以输出所述第一示例性用户数据对应的用户评估数据的步骤，包括：据所述待处理的示例性用户数据组合子簇，利用所述网络优化后的用户数据评估网络，将所述待处理的示例性用户数据组合子簇进行用户数据评估操作，以输出所述待处理的示例性用户数据组合子簇对应的用户评估数据。

也就是说，将所述示例性用户数据组合簇中的一部分数据用于对候选的用户数据评估网络进行网络优化操作，另一部分数据用于对用户相关性评估网络进行网络优化操作。

可以理解的是，在一些可能的实施方式中，所述利用所述网络优化后的用户数据评估网络，将所述第一示例性用户数据进行用户数据评估操作，以输出所述第一示例性用户数据对应的用户评估数据的步骤，可以进一步包括以下详细描述的具体实施内容：

利用所述网络优化后的用户数据评估网络，将所述第一示例性用户数据进行特征空间映射操作，以输出所述第一示例性用户数据对应的空间映射特征表示，可以参照后文的相关描述；

将所述第一示例性用户数据对应的空间映射特征表示进行特征挖掘操作，以形成所述第一示例性用户数据对应的包括全局相关信息的全局特征表示，可以参照后文的相关描述；

将所述包括全局相关信息的全局特征表示进行用户数据评估操作，以输出所述第一示例性用户数据对应的用户评估数据，可以参照后文的相关描述。

可以理解的是，在一些可能的实施方式中，所述第一示例性用户数据对应的用户评估数据为所述第一示例性用户数据的各实际匹配性数据的可能性，基于此，所述依据示例性用户数据组合簇的公平状态，将所述第一示例性用户数据对应的用户评估数据进行重要性分析操作，以输出所述示例性用户数据组合对应的重要性表征参数的步骤，可以进一步包括以下详细描述的具体实施内容：

分析出在所述示例性用户数据组合簇处于公平状态时所述示例性用户数据组合中第一示例性用户数据和第二示例性用户数据的各实际匹配性数据的公平可能性，即所述示例性用户数据组合簇的数据分布合理、公平；

基于所述第一示例性用户数据的各实际匹配性数据的可能性和所述各实际匹配性数据的公平可能性，将所述第一示例性用户数据的用户评估数据进行重要性分析操作（即将可能性进行对比分析），以输出所述示例性用户数据组合对应的重要性表征参数。

可以理解的是，在一些可能的实施方式中，所述分析出在所述示例性用户数据组合簇处于公平状态时所述示例性用户数据组合中第一示例性用户数据和第二示例性用户数据的各实际匹配性数据的公平可能性的步骤，可以进一步包括以下详细描述的具体实施内容：

依据各实际匹配性数据的历史可能性和所述第一示例性用户数据的各实际匹配性数据的可能性，将待定的公平可能性进行循环计算操作，以形成所述示例性用户数据组合中第一示例性用户数据和第二示例性用户数据的各实际匹配性数据的公平可能性，所述各实际匹配性数据的公平可能性包括，表征匹配的第一实际匹配性数据的第一公平可能性和表征不匹配的第二实际匹配性数据的第二公平可能性；示例性地，可以先计算表征匹配的实际匹配性数据的历史可能性与不匹配的实际匹配性数据的历史可能性的比例，然后，基于该比例，将待定的公平可能性进行循环计算操作，例如，各实际匹配性数据的历史可能性对应的比例为0.7：0.3，所述第一示例性用户数据的各实际匹配性数据的可能性分别为1和0，则基于比例0.7：0.3，将区间[1,0]进行分割，以形成新的区间[1，分割点的值]，其中，1与分割点的值之间的差值：分割点的值与0之间的差值等于比例0.7：0.3，然后，基于比例0.7：0.3将该新的区间进行分割，分割方式与前述的相同，如此循环进行，直到分割的次数等于预设配置的参考次数，如2、3、4、5等次数，然后，可以将最后得到的新的区间[1，分割点的值]的上限值和下限值进行归一化处理，以形成各实际匹配性数据的公平可能性，各实际匹配性数据的公平可能性的和值等于1。

可以理解的是，在一些可能的实施方式中，所述基于所述第一示例性用户数据的各实际匹配性数据的可能性和所述各实际匹配性数据的公平可能性，将所述第一示例性用户数据的用户评估数据进行重要性分析操作，以输出所述示例性用户数据组合对应的重要性表征参数的步骤，可以进一步包括以下详细描述的具体实施内容：

提取到所述第一示例性用户数据的第一实际匹配性数据的第一可能性，并提取到所述第一示例性用户数据的第二实际匹配性数据的第二可能性，以及，提取到所述第一实际匹配性数据的第一公平可能性，并提取到所述第二实际匹配性数据的第二公平可能性；

对所述第一可能性和所述第二公平可能性之间的第一相乘融合参数、所述第二可能性和所述第一公平可能性的第二相乘融合参数进行叠加融合操作，以输出对应的目标叠加融合参数，也就是说，先对所述第一可能性和所述第二公平可能性进行相乘，并对所述第二可能性和所述第一公平可能性进行相乘，然后，对相乘得到的两个结果进行相加，如此，可以得到对应的目标叠加融合参数；

对所述目标叠加融合参数和所述第一相乘融合参数进行相除运算操作，以输出所述示例性用户数据组合对应于所述第一实际匹配性数据具有的重要性表征参数,例如，可以将所述目标叠加融合参数除以所述第一相乘融合参数，得到该重要性表征参数；

对所述目标叠加融合参数和所述第二相乘融合参数进行相除运算操作，以输出所述示例性用户数据组合对应于所述第二实际匹配性数据具有的重要性表征参数,例如，可以将所述目标叠加融合参数除以所述第二相乘融合参数，得到该重要性表征参数。

可以理解的是，在一些可能的实施方式中，所述利用用户匹配性评估网络，将所述示例性用户数据组合中的第一示例性用户数据和第二示例性用户数据进行用户匹配性评估操作，以输出所述示例性用户数据组合对应的用户匹配性评估数据的步骤，可以进一步包括以下详细描述的具体实施内容：

将所述第一示例性用户数据和所述第二示例性用户数据分别进行特征空间映射操作，以输出所述第一示例性用户数据对应的空间映射特征表示和所述第二示例性用户数据对应的空间映射特征表示，也就是说，可以将所述第一示例性用户数据和所述第二示例性用户数据分别映射到特征空间中，以通过向量的形式进行表示，即得到所述第一示例性用户数据对应的空间映射特征表示和所述第二示例性用户数据对应的空间映射特征表示；

将所述第一示例性用户数据对应的空间映射特征表示和所述第二示例性用户数据对应的空间映射特征表示进行特征挖掘操作，以形成包括所述第一示例性用户数据的全局相关信息的示例第一全局特征表示，并形成包括所述第二示例性用户数据的全局相关信息的示例第二全局特征表示；

将所述示例第一全局特征表示和所述示例第二全局特征表示进行级联组合操作，以形成对应的示例级联全局特征表示，示例性地，所述示例级联全局特征表示可以为{所述示例第一全局特征表示，所述示例第二全局特征表示}；

将所述示例级联全局特征表示进行匹配性表征数据的评估操作，以输出所述示例性用户数据组合对应的用户匹配性评估数据，例如，可以先对所述示例级联全局特征表示进行全连接处理，以形成对应的示例全连接向量，然后，可以通过分类函数，如softmax等函数，对所述示例全连接向量进行处理，以得到对应的用户匹配性评估数据。

其中，可以理解的是，在一些可能的实施方式中，所述将所述第一示例性用户数据对应的空间映射特征表示和所述第二示例性用户数据对应的空间映射特征表示进行特征挖掘操作，以形成包括所述第一示例性用户数据的全局相关信息的示例第一全局特征表示，并形成包括所述第二示例性用户数据的全局相关信息的示例第二全局特征表示的步骤，可以进一步包括以下详细描述的具体实施内容：

将所述第一示例性用户数据对应的空间映射特征表示进行第一方向的特征挖掘操作，以形成所述第一示例性用户数据对应的第一方向性特征表示，例如，可以按照从前往后的顺序，将所述第一示例性用户数据对应的空间映射特征表示进行特征挖掘操作，以形成所述第一示例性用户数据对应的第一方向性特征表示；

将所述第一示例性用户数据对应的空间映射特征表示进行第二方向的特征挖掘操作，以形成所述第一示例性用户数据对应的第二方向性特征表示，所述第一方向的特征挖掘操作和所述第二方向的特征挖掘操作相反，例如，可以按照从后往前的顺序，将所述第一示例性用户数据对应的空间映射特征表示进行特征挖掘操作，以形成所述第一示例性用户数据对应的第一方向性特征表示；

将所述第一方向性特征表示和所述第二方向性特征表示进行聚合操作，以形成包括所述第一示例性用户数据的全局相关信息的第一全局特征表示，例如，可以将所述第一方向性特征表示和所述第二方向性特征表示进行级联组合操作，以形成第一全局特征表示，即该第一全局特征表示可以为{所述第一方向性特征表示，所述第一方向性特征表示}；

将所述第二示例性用户数据对应的空间映射特征表示进行第一方向的特征挖掘操作，以形成所述第二示例性用户数据对应的第三方向性特征表示，例如，可以按照从前往后的顺序，将所述第二示例性用户数据对应的空间映射特征表示进行特征挖掘操作，以形成所述第二示例性用户数据对应的第三方向性特征表示；

将所述第二示例性用户数据对应的空间映射特征表示进行第二方向的特征挖掘操作，以形成所述第二示例性用户数据对应的第四方向性特征表示，例如，可以按照从后往前的顺序，将所述第二示例性用户数据对应的空间映射特征表示进行特征挖掘操作，以形成所述第二示例性用户数据对应的第四方向性特征表示；

将所述第三方向性特征表示和所述第四方向性特征表示进行聚合操作，以形成包括所述第二示例性用户数据的全局相关信息的第二全局特征表示，例如，可以将所述第三方向性特征表示和所述第四方向性特征表示进行级联组合操作，以形成第二全局特征表示，即该第二全局特征表示可以为{所述第三方向性特征表示，所述第四方向性特征表示}。

其中，可以理解的是，在一些可能的实施方式中，所述将所述第一示例性用户数据对应的空间映射特征表示进行第一方向的特征挖掘操作，以形成所述第一示例性用户数据对应的第一方向性特征表示的步骤，可以进一步包括以下详细描述的具体实施内容：

按照对应的图像单元（如图像像素或图像像素行，可以根据实际需求进行配置），将所述第一示例性用户数据对应的空间映射特征表示进行拆分排序，以形成对应的局部空间映射特征表示序列，所述局部空间映射特征表示序列由多个局部空间映射特征表示组成；

按照每一个所述局部空间映射特征表示在所述局部空间映射特征表示序列中的先后顺序，依次对每一个所述局部空间映射特征表示进行特征挖掘操作，以形成该局部空间映射特征表示对应的局部特征表示；

将每一个所述局部空间映射特征表示对应的局部特征表示进行排序组合，以形成所述第一示例性用户数据对应的第一方向性特征表示。

其中，可以理解的是，在一些可能的实施方式中，所述按照每一个所述局部空间映射特征表示在所述局部空间映射特征表示序列中的先后顺序，依次对每一个所述局部空间映射特征表示进行特征挖掘操作，以形成该局部空间映射特征表示对应的局部特征表示的步骤，可以进一步包括以下详细描述的具体实施内容：

对于所述局部空间映射特征表示序列中的第一个局部空间映射特征表示，将该局部空间映射特征表示直接作为该局部空间映射特征表示对应的局部特征表示；

对于所述局部空间映射特征表示序列中的第一个局部空间映射特征表示以外的每一个其它局部空间映射特征表示，基于该其它局部空间映射特征表示的前一个局部空间映射特征表示对应的局部特征表示，对该其它局部空间映射特征表示进行聚焦特征分析操作，以形成该其它局部空间映射特征表示对应的局部聚焦特征表示，以及，将该其它局部空间映射特征表示和该局部聚焦特征表示进行级联组合操作，以形成该其它局部空间映射特征表示对应的局部特征表示。

其中，可以理解的是，在一些可能的实施方式中，所述将所述第一方向性特征表示和所述第二方向性特征表示进行聚合操作，以形成包括所述第一示例性用户数据的全局相关信息的第一全局特征表示的步骤，可以进一步包括以下详细描述的具体实施内容：

提取出所述第一方向性特征表示中的最后一个局部特征表示（对应于最后一个图像单元，如最后一个图像像素或图像像素行等），该最后一个局部特征表示包括有前面的每一个局部特征表示的信息；

提取出所述第二方向性特征表示中的第一个局部特征表示（对应于第一个图像单元，如第一个图像像素或图像像素行等），该第一个局部特征表示包括有后面的每一个局部特征表示的信息；

将所述第一方向性特征表示中的最后一个局部特征表示和所述第二方向性特征表示中的第一个局部特征表示进行级联组合操作，以形成包括所述第一示例性用户数据的全局相关信息的第一全局特征表示。

其中，可以理解的是，在一些可能的实施方式中，所述对所述用户匹配性评估网络进行网络优化操作，使得所述网络优化代价参数小于或等于预先配置的参考网络优化代价参数，以得到所述用户匹配性评估网络对应的目标匹配性评估网络的步骤，进一步包括以下详细描述的具体实施内容：

在所述网络优化代价参数大于预先配置的参考网络优化代价参数的时候，依据所述网络优化代价参数分析出对应的网络优化指标；

在所述用户匹配性评估网络，对所述网络优化指标进行逆向传递操作（BP，BackPropagation），且在传递的过程中对所述用户匹配性评估网络包括的网络参数进行优化调整，以使得所述网络优化代价参数小于或等于预先配置的参考网络优化代价参数，从而形成所述用户匹配性评估网络对应的目标匹配性评估网络。

可以理解的是，在一些可能的实施方式中，上述描述中的步骤S130，即所述利用目标匹配性评估网络，将所述第一用户数据和所述第二用户数据进行用户匹配性评估操作，以输出所述用户数据组合中所述第一用户数据和所述第二用户数据之间的匹配性表征数据的步骤，可以进一步包括以下详细描述的具体实施内容：

利用所述目标匹配性评估网络，将所述第一用户数据和所述第二用户数据分别进行特征空间映射操作，以输出所述第一用户数据对应的空间映射特征表示和所述第二用户数据对应的空间映射特征表示，也就是说，可以将所述第一用户数据和所述第二用户数据分别映射到特征空间中，以通过向量的形式进行表示，如进行嵌入操作，即得到所述第一用户数据对应的空间映射特征表示和所述第二用户数据对应的空间映射特征表示；

将所述第一用户数据对应的空间映射特征表示和所述第二用户数据对应的空间映射特征表示进行特征挖掘操作，以形成包括所述第一用户数据的全局相关信息的第一全局特征表示，并形成包括所述第二用户数据的全局相关信息的第二全局特征表示，如前相关描述；

将所述第一全局特征表示和所述第二全局特征表示进行级联组合操作，以形成对应的级联全局特征表示，例如，该级联全局特征表示可以为{所述第一全局特征表示，所述第二全局特征表示}；

将所述级联全局特征表示进行匹配性表征数据的评估操作，以输出所述用户数据组合中所述第一用户数据和所述第二用户数据之间的匹配性表征数据，例如，可以先对所述级联全局特征表示进行全连接处理，以形成对应的全连接向量，然后，可以通过分类函数，如softmax等函数，对所述全连接向量进行处理，以得到对应的匹配性表征数据。

结合图3，本发明实施例还提供一种基于数据挖掘的智能匹配装置，可应用于上述基于数据挖掘的智能匹配系统。其中，所述基于数据挖掘的智能匹配装置可以包括：

网络优化模块，用于结合用户数据评估网络，对用户相关性评估网络进行网络优化操作，以得到所述用户相关性评估网络对应的目标相关性评估网络，所述用户数据评估网络和所述用户相关性评估网络都属于神经网络；

用户数据提取模块，用于提取到需要匹配的用户数据组合中的第一用户数据和第二用户数据，所述第一用户数据和所述第二用户数据用于反映相应的待匹配用户的用户特征，所述第一用户数据和所述第二用户数据属于图像数据；

用户匹配性评估模块，用于利用目标匹配性评估网络，将所述第一用户数据和所述第二用户数据进行用户匹配性评估操作，以输出所述用户数据组合中所述第一用户数据和所述第二用户数据之间的匹配性表征数据，所述匹配性表征数据用于反映所述第一用户数据和所述第二用户数据是否匹配或反映所述第一用户数据对应的待匹配用户和所述第二用户数据对应的待匹配用户是否匹配。

综上所述，本发明提供的基于数据挖掘的智能匹配方法及系统，可以先结合用户数据评估网络，对用户相关性评估网络进行网络优化操作，以得到用户相关性评估网络对应的目标相关性评估网络；提取到需要匹配的用户数据组合中的第一用户数据和第二用户数据；利用目标匹配性评估网络，将第一用户数据和第二用户数据进行用户匹配性评估操作，以输出用户数据组合中第一用户数据和第二用户数据之间的匹配性表征数据。基于前述的内容，由于在对用户相关性评估网络进行网络优化操作的过程中，会结合用户数据评估网络，使得形成的目标相关性评估网络的精度可以更高，因此，可以在一定程度上提高数据匹配的可靠度。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。