CN110704754B - 一种由用户终端执行的推送模型优化方法和装置 - Google Patents
一种由用户终端执行的推送模型优化方法和装置 Download PDFInfo
- Publication number
- CN110704754B CN110704754B CN201910996134.6A CN201910996134A CN110704754B CN 110704754 B CN110704754 B CN 110704754B CN 201910996134 A CN201910996134 A CN 201910996134A CN 110704754 B CN110704754 B CN 110704754B
- Authority
- CN
- China
- Prior art keywords
- user
- push
- terminal
- push model
- behavior data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供一种由用户终端执行的推送模型优化方法和装置,所述终端与第一用户相对应,所述终端本地包括当前推送模型,所述方法包括:获取第一用户针对第一对象的第一行为数据,其中,第一对象属于预定候选推送对象集合;基于第一输入特征和第一行为数据,计算用于优化所述推送模型的第一梯度数据,其中,第一输入特征包括从本地获取的所述第一用户的当前特征和从服务器获取的第一对象的当前特征;确定第一用户的当前的预定数目的邻居用户,其中,邻居用户与所述第一用户具有预定关联关系;将第一梯度数据分别发送给预定数目的邻居用户各自的终端,以使得每个邻居用户的终端基于第一梯度数据分别优化其本地的推送模型。
Description
技术领域
本说明书实施例涉及机器学习技术领域,更具体地,涉及一种由用户终端执行的推送模型优化方法和装置。
背景技术
在地理信息系统(例如地图APP、导航APP等)中,通常包括多个兴趣点(POI,pointof interest),POI泛指一切可以抽象为点的地理对象,尤其是一些与人们生活密切相关的地理实体,如学校、银行、餐馆、加油站、医院、超市等。兴趣点的主要用途是对事物或事件的地址进行描述,能在很大程度上增强对事物或事件位置的描述能力和查询能力,提高地理定位的精度和速度。每个POI包含四方面信息,名称、类别、坐标、分类。现在的POI推荐技术主要是中心化的推荐系统构建者,根据采集到的用户物品交互原始信息进行统计,并对热门物品进行推荐。由于现在的方法需要在服务器端采集用户物品交互(如点击)数据的原始信息,因此,用户的隐私没有得到保护。
因此,需要一种更有效的由用户终端执行的推送模型优化方法。
发明内容
本说明书实施例旨在提供一种更有效的由用户终端执行的推送模型优化方法
本说明书一方面提供一种由用户终端执行的推送模型优化方法,所述终端与第一用户相对应,所述终端本地包括当前推送模型,所述方法包括:
获取第一用户针对第一对象的第一行为数据,其中,所述第一对象属于预定候选推送对象集合;
基于第一输入特征和所述第一行为数据,计算用于优化所述推送模型的第一梯度数据,其中,所述第一输入特征包括从本地获取的所述第一用户的当前特征和从服务器获取的第一对象的当前特征;
确定所述第一用户的当前的预定数目的邻居用户,其中,所述邻居用户与所述第一用户具有预定关联关系;
将所述第一梯度数据分别发送给所述预定数目的邻居用户各自的终端,以使得每个邻居用户的终端基于所述第一梯度数据分别优化其本地的推送模型。
在一个实施例中,所述方法还包括,在获取第一用户针对第一对象的第一行为数据之前,将所述第一输入特征输入所述推送模型以输出与所述第一输入特征对应的第一预测值,在基于所述第一预测值确定向所述第一用户推送所述第一对象的情况中,进行所述推送,以获取第一用户针对所述第一对象的第一行为数据。
在一个实施例中,所述第一输入特征包括从服务器获取的所述第一对象的热度特征,其中,所述服务器通过本地差分隐私算法从多个终端获取所述第一对象的热度特征。
在一个实施例中,所述预定候选推送对象集合包括第一地理区域中的用户兴趣点,其中,所述第一地理区域为以第一用户为中心的预定地理范围内的区域。
在一个实施例中,所述预定关联关系为地理位置关联关系。
在一个实施例中,所述第一行为数据为第一用户针对所述第一对象的消费信息,所述第一行为数据对应于正样本的标签值。
在一个实施例中,所述推送模型包括逻辑回归模型。
本说明书另一方面提供一种由用户终端执行的推送模型优化装置,所述终端与第一用户相对应,所述终端本地包括当前推送模型,所述装置包括:
获取单元,配置为,获取第一用户针对第一对象的第一行为数据,其中,所述第一对象属于预定候选推送对象集合;
计算单元,配置为,基于第一输入特征和所述第一行为数据,计算用于优化所述推送模型的第一梯度数据,其中,所述第一输入特征包括从本地获取的所述第一用户的当前特征和从服务器获取的第一对象的当前特征;
确定单元,配置为,确定所述第一用户的当前的预定数目的邻居用户,其中,所述邻居用户与所述第一用户具有预定关联关系;
发送单元,配置为,将所述第一梯度数据分别发送给所述预定数目的邻居用户各自的终端,以使得每个邻居用户的终端基于所述第一梯度数据分别优化其本地的推送模型。
在一个实施例中,所述装置还包括,输入单元,配置为,在获取第一用户针对第一对象的第一行为数据之前,将所述第一输入特征输入所述推送模型以输出与所述第一输入特征对应的第一预测值,推送单元,配置为,在基于所述第一预测值确定向所述第一用户推送所述第一对象的情况中,进行所述推送,以获取第一用户针对所述第一对象的第一行为数据。
本说明书另一方面提供一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述任一项方法。
本说明书另一方面提供一种计算设备,包括存储器和处理器,其特征在于,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现上述任一项方法。
在本说明书实施例中,在各个用户终端进行对推送模型的分布式的训练,各个用户终端具有其各自的模型参数,而通过在具有预定关联关系的邻居用户之间传递参数梯度,使得在不泄露用户隐私的同时,对关联关系较近的用户之间的模型参数进行协同训练,提高了模型预测准确性,另外,在服务器端通过使用本地差分隐私算法从各个终端获取POI热度特征,也进一步保护了用户的隐私数据。
附图说明
通过结合附图描述本说明书实施例,可以使得本说明书实施例更加清楚:
图1示出根据本说明书实施例的对象推送系统100;
图2示出根据本说明书实施例的一种由用户终端执行的推送模型优化方法流程图;
图3示出终端通过本地差分隐私算法向服务器传输数据的示意图;
图4示出根据本说明书实施例的一种由用户终端执行的推送模型优化装置400。
具体实施方式
下面将结合附图描述本说明书实施例。
图1示出根据本说明书实施例的对象推送系统100。如图1中所示,系统100包括服务器11和多个用户终端12,其中,各个用户终端12通过网络与服务器11连接。在每个用户终端12中,都包括本地训练的推送模型,例如,所述推送模型为终端中特定客户端(例如用于进行兴趣点推送的APP)中训练的模型,其用于预测终端用户对特定兴趣点的兴趣,以确定是否向该用户推送该特定兴趣点。当终端用户打开所述APP时,APP会基于终端用户所在的地理位置确定针对该用户的多个候选兴趣点,并将与该多个候选兴趣点分别对应的输入特征分别输入终端本地的推送模型,以基于模型的输出确定是否向终端用户推送该候选兴趣点,其中,该输入特征包括该用户的用户特征和相应对象(兴趣点)的对象特征,该终端可从服务器请求相应对象的对象特征。例如,所述APP基于推送模型的输出确定向用户推送第一兴趣点,则在APP页面中向用户进行该推送。用户在看到该推送之后,会通过该APP进行相应的反馈。例如,该第一兴趣点为酒店,则用户针对该兴趣点的正反馈可以为点击、预订等操作,用户针对该兴趣点的负反馈可以为关闭推送、无任何操作等。APP在获取到该用户针对第一兴趣点的反馈之后,则可基于与第一兴趣点对应的输入特征、及所述反馈,在终端本地进行对推送模型的优化。然后,用户终端12中还获取终端用户当前的预定数目的邻居用户,所述邻居用户例如为与终端用户的地理位置之间的距离小于预定阈值的用户,即与该终端用户地理位置接近的用户,用户终端12可从服务器获取当前的预定数目的邻居用户。并将优化的模型梯度数据发送给该终端本地获取的该用户的预定数目的邻居用户,从而使得所述邻居用户也进行对其本地推送模型的优化。
可以理解,上述参考图1的描述仅仅是示意性的,而不是用于限定本说明书实施例的范围,例如,所述对象推送系统的推送对象不一定是兴趣点,因此,终端本地获取的终端用户的邻居用户不限于为在地理位置上相近的用户,另外,所述推送模型的训练样本可直接基于用户对候选对象的操作获取,而不需要在对用户进行推送之后基于用户的操作获取,等等。下面将详细描述根据上述模型训练过程。
图2示出根据本说明书实施例的一种由用户终端执行的推送模型优化方法流程图,所述终端与第一用户相对应,所述终端本地包括当前推送模型,所述方法包括:
步骤S202,获取第一用户针对第一对象的第一行为数据,其中,所述第一对象属于预定候选推送对象集合;
步骤S204,基于第一输入特征和所述第一行为数据,计算用于优化所述推送模型的第一梯度数据,其中,所述第一输入特征包括从本地获取的所述第一用户的当前特征和从服务器获取的第一对象的当前特征;
步骤S206,确定所述第一用户的当前的预定数目的邻居用户,其中,所述邻居用户与所述第一用户具有预定关联关系;
步骤S208,将所述第一梯度数据分别发送给所述预定数目的邻居用户各自的终端,以使得每个邻居用户的终端基于所述第一梯度数据分别优化其本地的推送模型。
该方法在例如第一用户的终端本地执行,例如,可由终端中的APP中的预定程序执行,或者可由终端中的系统中的预定程序执行等等。所述终端本地包括推送模型,在初始,该推送模型的参数例如是随机确定的,从而,随着终端不断地基于用户的行为数据获取训练样本对该推送模型进行训练,从而使得该推送模型的预测更加准确。
首先,步骤S202,获取第一用户针对第一对象的第一行为数据,其中,所述第一对象属于预定候选推送对象集合。
在一个实施例中,所述方法由终端中的特定客户端执行,所述客户端例如为用于进行兴趣点(POI)推送的APP,所述兴趣点例如为饭店、加油站等。当用户通过APP对兴趣点进行相关操作时,例如,通过APP进行饭店点菜,通过APP进行加油等,用户的地理位置为该兴趣点的位置,也就是说,用户使用该APP的地理位置与兴趣点的地理位置是相关联的。因此,在该场景中,当将要通过该APP对终端用户(例如第一用户)进行兴趣点推送时,通常将以该第一用户为中心的预定地理范围内的区域中的多个兴趣点作为候选推送对象集合。该预定地理范围例如可基于商圈的平均大小进行设定,例如,该预定范围可设定为以第一用户为中心的半径两公里内的范围等等。
在确定候选推送对象集合之后,例如,该集合中包括第一对象,从而可基于第一用户对第一对象的操作获取用于优化所述推送模型的训练样本。例如,第一对象为APP中的饭店页面,当第一用户通过该APP进行对所述饭店的点菜时,APP可以获取第一用户的该操作信息,并基于该操作信息获取用于训练模型的正样本,即标签值为1;当第一用户在当前位置未通过该APP进行对所述饭店的点菜时,APP可获取第一用户的该操作信息,并基于该操作信息获取用于训练模型的负样本,即标签值为0。可以理解,上述描述仅是示意性的,所述第一对象不限于为所述兴趣点,所述与正负样本对应的操作信息也不限于为上述操作信息,可根据第一对象的实际形式相应地设置,另外,所述正负样本的标签值不限于为1和0,而可以根据具体的模型结构进行设定。
在确定候选推送对象集合之后,还可以通过所述APP对第一用户进行兴趣点推送。例如,在APP中可将与各个候选推送对象对应的输入特征分别输入推送模型,以确定向第一用户推送哪个对象,例如通过推送模型确定向第一用户推送第一对象。用于输入推送模型的输入特征向量包括从终端本地获取的第一用户的当前特征和从服务器获取的第一对象的当前特征。所述第一用户的当前特征例如包括:第一用户的性别、年龄、职业、平均月消费额、购买偏好等等,所述APP或者可通过由用户自身在APP输入而获取这些特征,或者可通过部署在APP中的预定模型对用户对APP的历史行为数据进行分析预测而获取。由于这些数据涉及用户的个人隐私,通过在终端本地保存这些信息,而不是将这些信息上传服务器,并在模型训练和模型预测中使用本地的用户数据,从而保护了用户的个人隐私的安全性。
所述第一对象的当前特征例如包括所述第一对象的静态特征,例如,所述第一对象为饭店,则所述第一对象的当前特征例如可包括所述饭店的菜品、地理位置、菜品价格等。在一个实施例中,所述第一对象的当前特征例如包括其动态特征,例如,所述饭店的人均消费额、热度等。为了获得例如所述饭店的热度等动态信息,服务器需要从各个终端获取相应的信息,这里,为了使得服务器在不获取用户隐私的同时从终端获取所述动态信息,在终端通过本地差分隐私(Local Differential Privacy)算法对数据进行转换之后再向服务器传输。
图3示出终端通过本地差分隐私算法向服务器传输数据的示意图。如图3中所示,图中左端的各个用户终端收集用户对APP中第二对象的行为数据x1~xn,通过以满足ε-本地差分隐私的随机概率对原始数据进行翻转,即将数据中的0翻转为1,将1翻转为0,从而获得加密数据Q1~Qn,并将加密数据发送给服务器端。这里,所述随机概率取决于隐私安全参数ε,通过这样加入随机性的方式可以保证对原始数据的ε-本地差分隐私。
服务器端然后可基于本地差分隐私算法,通过如下的公式(1)进行所述第二对象的例如热度统计。如公式(1)中所示,假设共有n个用户终端进行针对第二对象的数据收集,其上传的比特位数据为{Qi}i∈[n],且假设所有终端的原始数据值在[0,m]区间之内,那么系统对原始数据的均值σ的估计值为
通过公式(1)所获取的均值估计值为对原始数据的均值的无偏估计,从而在保护终端的原始数据的同时,使得服务器端获得了反映真实数据的宏观指标数值。
在基于所述第一预测值确定向所述第一用户推送所述第一对象的情况中,可向第一用户推送所述第一对象。例如,在终端屏幕中显示所述第一对象的页面,从而APP可获取第一用户相对于推送的第一对象的操作信息。
可以理解,所述第一对象不限于为兴趣点,例如,所述APP为包括多个物品的平台,所述第一对象所属的预定候选推送对象集合可基于第一用户停留在APP中的页面位置而确定。另外,所述第一行为数据不限于为用户在APP中的操作,例如,用户在打开APP之后,可基于APP的推送的饭店信息到达该饭店,并在该饭店通过支付宝支付进行线下消费,在该情况中,可基于支付宝APP获取用户的消费信息作为所述第一行为数据。
另外,在本说明书实施例中,不限于在通过APP对第一用户进行对第一对象的推送之后,从而获取第一用户针对第一对象的第一行为数据。例如,所述方法由终端中的地图APP执行,该地图APP可感知到用户的地理位置,在用户到达特定地理位置之后,可从例如支付宝APP获取第一用户针对该位置周围的特定兴趣点是否存在消费行为,从而可以以所述特定兴趣点作为所述第一对象,以该第一用户历史行为作为所述第一行为数据,以用于对本地推送模型的训练。
在步骤S204,基于第一输入特征和所述第一行为数据,计算用于优化所述推送模型的第一梯度数据,其中,所述第一输入特征包括从本地获取的所述第一用户的当前特征和从服务器获取的第一对象的当前特征。
基于公式(3),从获取的第一用户针对第一对象的第一行为数据获取其中的样本标签值y,以与第一用户和第一对象对应的第一输入特征作为模型的输入从而可结合公式(2)和(3)计算与参数/>对应的梯度/>并可基于该梯度优化本地的推送模型的参数/>其中,所述第一输入特征/>的具体构成可参考上文中对模型的输入特征的具体描述,在此不再赘述。
在步骤S206,确定所述第一用户的当前的预定数目的邻居用户,其中,所述邻居用户与所述第一用户具有预定关联关系。
在本说明书实施例中,可基于特定场景确定所述预定关联关系。在一个实施例中,在上述兴趣点推送的场景中,由于如前文所述,推送的兴趣点与用户的地理位置有较强的相关性,因此,可将预定关联关系设定为地理位置关联关系,也就是说,所述邻居用户是地理位置离第一用户较近的用户。例如,通常,例如手机、平板等用户终端都具有GPS模块,从而,服务器端可基于各个终端的GPS信息构建各个用户的地理位置邻接图,从而,第一用户的终端中的APP可从服务器端获取以第一用户为中心的地理位置邻接图,并从该邻接图确定第一用户的当前的预定数目的邻居用户。例如,可基于所述邻接图,将距离第一用户的距离小于预定阈值的用户确定为所述邻居用户。
在一个实施例中,所述APP例如为影评平台,平台中的用户之间具有基于好友关系的关系网络,从而,第一用户的终端中的APP可从服务器端获取以第一用户为中心的好友关系网络,并从该好友关系网络确定所述第一用户的预定数目的邻居用户。在一个实施例中,所述APP可从本地存储的好友关系中确定所述第一用户当前的预定数目的邻居用户。
在一个实施例中,所述APP例如为购物平台,平台的用户之间具有基于用户与商品的二部图网络的关系网络,从而,第一用户的终端中的APP可从服务器获取以第一用户为中心的二部图网络,并从该网络中确定所述第一用户的预定数目的邻居用户。
在步骤S208,将所述第一梯度数据分别发送给所述预定数目的邻居用户各自的终端,以使得每个邻居用户的终端基于所述第一梯度数据分别优化其本地的推送模型。
在确定所述预定数目的邻居用户之后,所述第一用户的终端可通过所述APP将所述第一梯度数据发送给各个邻居用户的终端。具体是,例如,在APP中确定各个邻居用户的标识或账户,从而可通过APP将第一梯度数据发送给该账户,从而使得该账户所在的终端接收到该第一梯度数据。
也就是说,在本说明书实施例中,在各个用户终端进行对推送模型的分布式的训练,各个用户终端具有其各自的模型参数,而通过在具有预定关联关系的邻居用户之间传递参数梯度,使得在不泄露用户隐私的同时,对关联关系较近的用户之间的模型参数进行协同训练,提高了模型预测准确性,另外,在服务器端通过使用本地差分隐私算法从各个终端获取POI热度特征,也进一步保护了用户的隐私数据。
图4示出根据本说明书实施例的一种由用户终端执行的推送模型优化装置400,所述终端与第一用户相对应,所述终端本地包括当前推送模型,所述装置包括:
获取单元41,配置为,获取第一用户针对第一对象的第一行为数据,其中,所述第一对象属于预定候选推送对象集合;
计算单元42,配置为,基于第一输入特征和所述第一行为数据,计算用于优化所述推送模型的第一梯度数据,其中,所述第一输入特征包括从本地获取的所述第一用户的当前特征和从服务器获取的第一对象的当前特征;
确定单元43,配置为,确定所述第一用户的当前的预定数目的邻居用户,其中,所述邻居用户与所述第一用户具有预定关联关系;
发送单元44,配置为,将所述第一梯度数据分别发送给所述预定数目的邻居用户各自的终端,以使得每个邻居用户的终端基于所述第一梯度数据分别优化其本地的推送模型。
在一个实施例中,所述装置还包括,输入单元45,配置为,在获取第一用户针对第一对象的第一行为数据之前,将所述第一输入特征输入所述推送模型以输出与所述第一输入特征对应的第一预测值,推送单元46,配置为,在基于所述第一预测值确定向所述第一用户推送所述第一对象的情况中,进行所述推送,以获取第一用户针对所述第一对象的第一行为数据。
本说明书另一方面提供一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述任一项方法。
本说明书另一方面提供一种计算设备,包括存储器和处理器,其特征在于,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现上述任一项方法。
需要理解,本文中的“第一”,“第二”等描述,仅仅为了描述的简单而对相似概念进行区分,并不具有其他限定作用。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本领域普通技术人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执轨道,取决于技术方案的特定应用和设计约束条件。本领域普通技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执轨道的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (16)
1.一种由用户终端执行的推送模型优化方法,所述终端与第一用户相对应,所述终端本地包括当前推送模型,所述方法包括:
获取第一用户针对第一对象的第一行为数据,其中,所述第一对象属于预定候选推送对象集合;
基于第一输入特征和所述第一行为数据,计算用于优化所述推送模型的第一梯度数据,其中,所述第一输入特征包括从本地获取的所述第一用户的当前特征和从服务器获取的第一对象的当前特征,所述第一梯度数据为所述推送模型的损失函数相对于所述推送模型的参数的梯度;
确定所述第一用户的当前的预定数目的邻居用户,其中,所述邻居用户与所述第一用户具有预定关联关系;
将所述第一梯度数据分别发送给所述预定数目的邻居用户各自的终端,以使得每个邻居用户的终端基于所述第一梯度数据分别优化其本地的推送模型。
2.根据权利要求1所述的方法,还包括,在获取第一用户针对第一对象的第一行为数据之前,将所述第一输入特征输入所述推送模型以输出与所述第一输入特征对应的第一预测值,在基于所述第一预测值确定向所述第一用户推送所述第一对象的情况中,进行所述推送,以获取第一用户针对所述第一对象的第一行为数据。
3.根据权利要求1所述的方法,其中,所述第一输入特征包括从服务器获取的所述第一对象的热度特征,其中,所述服务器通过本地差分隐私算法从多个终端获取所述第一对象的热度特征。
4.根据权利要求1所述的方法,其中,所述预定候选推送对象集合包括第一地理区域中的用户兴趣点,其中,所述第一地理区域为以第一用户为中心的预定地理范围内的区域。
5.根据权利要求4所述的方法,其中,所述预定关联关系为地理位置关联关系。
6.根据权利要求4所述的方法,其中,所述第一行为数据为第一用户针对所述第一对象的消费信息,所述第一行为数据对应于正样本的标签值。
7.根据权利要求1所述的方法,其中,所述推送模型包括逻辑回归模型。
8.一种由用户终端执行的推送模型优化装置,所述终端与第一用户相对应,所述终端本地包括当前推送模型,所述装置包括:
获取单元,配置为,获取第一用户针对第一对象的第一行为数据,其中,所述第一对象属于预定候选推送对象集合;
计算单元,配置为,基于第一输入特征和所述第一行为数据,计算用于优化所述推送模型的第一梯度数据,其中,所述第一输入特征包括从本地获取的所述第一用户的当前特征和从服务器获取的第一对象的当前特征,所述第一梯度数据为所述推送模型的损失函数相对于所述推送模型的参数的梯度;
确定单元,配置为,确定所述第一用户的当前的预定数目的邻居用户,其中,所述邻居用户与所述第一用户具有预定关联关系;
发送单元,配置为,将所述第一梯度数据分别发送给所述预定数目的邻居用户各自的终端,以使得每个邻居用户的终端基于所述第一梯度数据分别优化其本地的推送模型。
9.根据权利要求8所述的装置,还包括,输入单元,配置为,在获取第一用户针对第一对象的第一行为数据之前,将所述第一输入特征输入所述推送模型以输出与所述第一输入特征对应的第一预测值,推送单元,配置为,在基于所述第一预测值确定向所述第一用户推送所述第一对象的情况中,进行所述推送,以获取第一用户针对所述第一对象的第一行为数据。
10.根据权利要求8所述的装置,其中,所述第一输入特征包括从服务器获取的所述第一对象的热度特征,其中,所述服务器通过本地差分隐私算法从多个终端获取所述第一对象的热度特征。
11.根据权利要求8所述的装置,其中,所述预定候选推送对象集合包括第一地理区域中的用户兴趣点,其中,所述第一地理区域为以第一用户为中心的预定地理范围内的区域。
12.根据权利要求11所述的装置,其中,所述预定关联关系为地理位置关联关系。
13.根据权利要求11所述的装置,其中,所述第一行为数据为第一用户针对所述第一对象的消费信息,所述第一行为数据对应于正样本的标签值。
14.根据权利要求8所述的装置,其中,所述推送模型包括逻辑回归模型。
15.一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-7中任一项的所述的方法。
16.一种计算设备,包括存储器和处理器,其特征在于,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910996134.6A CN110704754B (zh) | 2019-10-18 | 2019-10-18 | 一种由用户终端执行的推送模型优化方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910996134.6A CN110704754B (zh) | 2019-10-18 | 2019-10-18 | 一种由用户终端执行的推送模型优化方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110704754A CN110704754A (zh) | 2020-01-17 |
CN110704754B true CN110704754B (zh) | 2023-03-28 |
Family
ID=69201709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910996134.6A Active CN110704754B (zh) | 2019-10-18 | 2019-10-18 | 一种由用户终端执行的推送模型优化方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110704754B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112100642B (zh) * | 2020-11-13 | 2021-06-04 | 支付宝(杭州)信息技术有限公司 | 在分布式系统中保护隐私的模型训练方法及装置 |
CN115081024B (zh) * | 2022-08-16 | 2023-01-24 | 杭州金智塔科技有限公司 | 基于隐私保护的去中心化业务模型训练方法及装置 |
CN116887001B (zh) * | 2023-09-06 | 2023-12-15 | 四川中电启明星信息技术有限公司 | 融合社会属性信息的短视频推送方法、装置及电子设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103458366A (zh) * | 2013-09-13 | 2013-12-18 | 中国科学技术大学苏州研究院 | 基于Wi-Fi定位的移动终端推送服务方法 |
CN103631946A (zh) * | 2013-12-11 | 2014-03-12 | 北京光年无限科技有限公司 | 一种基于地理位置的内容推送系统 |
CN104281882A (zh) * | 2014-09-16 | 2015-01-14 | 中国科学院信息工程研究所 | 基于用户特征的预测社交网络信息流行度的方法及系统 |
CN104850662A (zh) * | 2015-06-08 | 2015-08-19 | 浙江每日互动网络科技有限公司 | 一种基于用户画像的移动终端智能消息推送方法、服务器和系统 |
CN105243103A (zh) * | 2015-09-19 | 2016-01-13 | 杭州电子科技大学 | 一种基于内容的推送时间确定方法 |
CN107105322A (zh) * | 2017-05-23 | 2017-08-29 | 深圳市鑫益嘉科技股份有限公司 | 一种多媒体智能推送机器人及推送方法 |
CN108280160A (zh) * | 2018-01-17 | 2018-07-13 | 北京小度信息科技有限公司 | 一种消息推送方法、装置、服务器和计算机可读存储介质 |
CN108427891A (zh) * | 2018-03-12 | 2018-08-21 | 南京理工大学 | 基于差分隐私保护的邻域推荐方法 |
CN109033453A (zh) * | 2018-08-24 | 2018-12-18 | 安徽大学 | 一种基于rbm与差分隐私保护的聚类的电影推荐方法及系统 |
CN109299327A (zh) * | 2018-11-16 | 2019-02-01 | 广州市百果园信息技术有限公司 | 视频推荐方法、装置、设备及存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8583781B2 (en) * | 2009-01-28 | 2013-11-12 | Headwater Partners I Llc | Simplified service network architecture |
US7930447B2 (en) * | 2008-10-17 | 2011-04-19 | International Business Machines Corporation | Listing windows of active applications of computing devices sharing a keyboard based upon requests for attention |
EP2874341B1 (en) * | 2013-09-26 | 2019-03-06 | Koninklijke KPN N.V. | Secure evaluation of a program |
CN105095251B (zh) * | 2014-05-06 | 2019-12-20 | 中兴通讯股份有限公司 | 一种基于用户习惯的终端自动展示方法及装置 |
CN108280217A (zh) * | 2018-02-06 | 2018-07-13 | 南京理工大学 | 一种基于差分隐私保护的矩阵分解推荐方法 |
CN108650172A (zh) * | 2018-05-17 | 2018-10-12 | 淘然视界(杭州)科技有限公司 | 基于社交属性及有效用户计算的任务分发方法 |
CN110263136B (zh) * | 2019-05-30 | 2023-10-20 | 阿里巴巴集团控股有限公司 | 基于强化学习模型向用户推送对象的方法和装置 |
CN110297848B (zh) * | 2019-07-09 | 2024-02-23 | 深圳前海微众银行股份有限公司 | 基于联邦学习的推荐模型训练方法、终端及存储介质 |
-
2019
- 2019-10-18 CN CN201910996134.6A patent/CN110704754B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103458366A (zh) * | 2013-09-13 | 2013-12-18 | 中国科学技术大学苏州研究院 | 基于Wi-Fi定位的移动终端推送服务方法 |
CN103631946A (zh) * | 2013-12-11 | 2014-03-12 | 北京光年无限科技有限公司 | 一种基于地理位置的内容推送系统 |
CN104281882A (zh) * | 2014-09-16 | 2015-01-14 | 中国科学院信息工程研究所 | 基于用户特征的预测社交网络信息流行度的方法及系统 |
CN104850662A (zh) * | 2015-06-08 | 2015-08-19 | 浙江每日互动网络科技有限公司 | 一种基于用户画像的移动终端智能消息推送方法、服务器和系统 |
CN105243103A (zh) * | 2015-09-19 | 2016-01-13 | 杭州电子科技大学 | 一种基于内容的推送时间确定方法 |
CN107105322A (zh) * | 2017-05-23 | 2017-08-29 | 深圳市鑫益嘉科技股份有限公司 | 一种多媒体智能推送机器人及推送方法 |
CN108280160A (zh) * | 2018-01-17 | 2018-07-13 | 北京小度信息科技有限公司 | 一种消息推送方法、装置、服务器和计算机可读存储介质 |
CN108427891A (zh) * | 2018-03-12 | 2018-08-21 | 南京理工大学 | 基于差分隐私保护的邻域推荐方法 |
CN109033453A (zh) * | 2018-08-24 | 2018-12-18 | 安徽大学 | 一种基于rbm与差分隐私保护的聚类的电影推荐方法及系统 |
CN109299327A (zh) * | 2018-11-16 | 2019-02-01 | 广州市百果园信息技术有限公司 | 视频推荐方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
移动终端泛在情境适应的网络音乐推送研究;张秀玉;《计算机科学》;20150615;第41卷(第S1期);503-509 * |
Also Published As
Publication number | Publication date |
---|---|
CN110704754A (zh) | 2020-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875007B (zh) | 兴趣点的确定方法和装置、存储介质、电子装置 | |
US8612134B2 (en) | Mining correlation between locations using location history | |
CN110704754B (zh) | 一种由用户终端执行的推送模型优化方法和装置 | |
US20170075910A1 (en) | App recommendation using crowd-sourced localized app usage data | |
JP5410462B2 (ja) | 行動及び属性推定装置及び方法及びプログラム | |
US20130210480A1 (en) | State detection | |
Gao et al. | Mining human mobility in location-based social networks | |
CN111026853B (zh) | 目标问题的确定方法、装置、服务器和客服机器人 | |
CN110019989B (zh) | 一种数据处理方法及装置 | |
CN108182253A (zh) | 用于生成信息的方法和装置 | |
CN112214677B (zh) | 一种兴趣点推荐方法、装置、电子设备及存储介质 | |
US20180253777A1 (en) | Method for analyzing and ranking venues | |
TW201810154A (zh) | 一種熱門商品分析系統 | |
CN111954175A (zh) | 一种兴趣点到访判别方法和相关装置 | |
Li et al. | A location-aware recommender system for Tourism mobile commerce | |
Li et al. | A contextualized and personalized model to predict user interest using location-based social networks | |
Gunduz et al. | Predicting next location of Twitter users for surveillance | |
CN111782955A (zh) | 兴趣点表示和推送方法、装置、电子设备及存储介质 | |
CN110795631B (zh) | 一种基于因子分解机的推送模型优化、预测方法和装置 | |
US20230283987A1 (en) | Internet-of-things sensor network for recommendations based on internet-of-things sensor data and methods of use thereof | |
CN115510317A (zh) | 一种云边协同的兴趣点推荐方法及装置 | |
CN111860655B (zh) | 用户的处理方法、装置和设备 | |
De Paola et al. | A multi‐agent system for itinerary suggestion in smart environments | |
CN113052647B (zh) | 一种用于冷启动的推荐方法、装置及计算机可读存储介质 | |
Adhikari et al. | IntelligShop: enabling intelligent shopping in malls through location-based augmented reality |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |