CN110110229A - 一种信息推荐方法及装置 - Google Patents
一种信息推荐方法及装置 Download PDFInfo
- Publication number
- CN110110229A CN110110229A CN201910337653.1A CN201910337653A CN110110229A CN 110110229 A CN110110229 A CN 110110229A CN 201910337653 A CN201910337653 A CN 201910337653A CN 110110229 A CN110110229 A CN 110110229A
- Authority
- CN
- China
- Prior art keywords
- server
- value
- information recommendation
- inquiry
- user
- 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.)
- Granted
Links
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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及金融技术领域，尤其涉及一种信息推荐方法及装置，所述方法包括：第一服务器获取第三服务器发送的信息推荐请求；所述第一服务器根据第一信息推荐模型确定所述信息推荐请求的第一预测值；所述第一信息推荐模型为所述第一服务器与第二服务器根据联邦学习后确定的；所述第一服务器与所述第二服务器的用户数据不共享；所述第一服务器根据查询预测模型，确定所述信息推荐请求的查询增益值；所述第一服务器若确定所述查询增益值小于预设阈值，则根据所述第一预测值，为所述第三服务器返回所述信息推荐请求的响应。
Description
技术领域
本发明涉及金融技术领域，尤其涉及一种信息推荐方法及装置。
背景技术
随着计算机技术的发展，越来越多的技术应用在金融领域，传统金融业正在逐步向金融科技(Finteh)转变，联邦学习技术也不例外，但由于金融行业的安全性、实时性要求，也对技术提出的更高的要求。
目前的联邦学习技术中，联邦学习的任意一个参与方可以通过查询其他一个(或多个)参与方的预测结果，提高预测的准确性。但在应用过程中，联邦学习的参与方之间查询数据可能导致推荐效率低下，另外还增加了费用成本。
发明内容
本发明实施例提供一种信息推荐方法及装置，以解决现有技术中信息推荐中为获得较好的推荐准确度，效率较低成本较高的问题。
本发明实施例提供的具体技术方案如下：
本发明一个实施例提供了一种信息推荐方法，包括：
第一服务器获取第三服务器发送的信息推荐请求；
所述第一服务器根据第一信息推荐模型确定所述信息推荐请求的第一预测值；所述第一信息推荐模型为所述第一服务器与第二服务器根据联邦学习后确定的；所述第一服务器与所述第二服务器的用户数据不共享；
所述第一服务器根据查询预测模型，确定所述信息推荐请求的查询增益值；
所述第一服务器若确定所述查询增益值小于预设阈值，则根据所述第一预测值，为所述第三服务器返回所述信息推荐请求的响应。
一种可能的实现方式，所述方法还包括：
所述第一服务器若确定述查询增益值大于或等于所述预设阈值，则向所述第二服务器发送查询请求；所述查询请求用于所述第二服务器根据第二信息推荐模型为所述信息推荐请求的用户确定第二预测值；所述第二信息推荐模型为所述第二服务器与第一服务器根据联邦学习后确定的；
所述第一服务器获取所述第二服务器返回的所述第二预测值；
所述第一服务器根据所述第一预测值和所述第二预测值，确定综合预测值；
所述第一服务器根据所述综合预测值，确定所述信息推荐请求的推荐结果，并将所述推荐结果返回给所述第三服务器。
一种可能的实现方式，所述查询预测模型为根据以下方式确定的：
所述第一服务器根据所述第一服务器获取的第一历史用户行为数据及所述第一信息推荐模型确定所述用户的第一历史预测值；
所述第一服务器获取所述用户在第二信息推荐模型中确定的第二历史预测值；所述第二历史预测值为所述第二服务器根据所述第二服务器获取的第二历史用户行为数据及所述第二信息推荐模型确定的；
所述第一服务器根据所述第一历史预测值和所述第二历史预测，确定所述第一历史用户行为数据的查询增益；
所述第一服务器根据所述第一历史用户行为数据、第一信息推荐模型的参数和对应的查询增益，确定为所述查询预测模型的训练样本；
所述第一服务器根据所述训练样本，建立所述查询预测模型。
一种可能的实现方式，所述第一服务器根据所述第一历史预测值和所述第二历史预测值，确定综合历史预测值，包括：
所述第一服务器根据所述第一历史预测值和所述第二历史预测值的加权平均，确定为综合历史预测值；
所述第一服务器将所述综合历史预测值与所述第一历史预测值的差作为所述历史查询增益值。
本发明一个实施例提供了一种信息推荐装置，所述装置包括：
收发单元，用于获取第三服务器发送的信息推荐请求；
处理单元，用于根据第一信息推荐模型确定所述信息推荐请求的第一预测值；所述第一信息推荐模型为所述第一服务器与第二服务器根据联邦学习后确定的；所述第一服务器与所述第二服务器的用户数据不共享；根据查询预测模型，确定所述信息推荐请求的查询增益值；若确定所述查询增益值小于预设阈值，则根据所述第一预测值，为所述第三服务器返回所述信息推荐请求的响应。
一种可能的实现方式，所述收发单元，还用于：若确定述查询增益值大于或等于所述预设阈值，则向所述第二服务器发送查询请求；所述查询请求用于所述第二服务器根据第二信息推荐模型为所述信息推荐请求的用户确定第二预测值；所述第二信息推荐模型为所述第二服务器与第一服务器根据联邦学习后确定的；获取所述第二服务器返回的所述第二预测值；
所述处理单元，用于根据所述第一预测值和所述第二预测值，确定综合预测值；根据所述综合预测值，确定所述信息推荐请求的推荐结果，并将所述推荐结果返回给所述第三服务器。
一种可能的实现方式，所述查询预测模型为根据以下方式确定的：
所述收发单元，用于：获取所述用户在第二信息推荐模型中确定的第二历史预测值；所述第二历史预测值为所述第二服务器根据所述第二服务器获取的第二历史用户行为数据及所述第二信息推荐模型确定的；
所述处理单元，用于：根据所述第一服务器获取的第一历史用户行为数据及所述第一信息推荐模型确定所述用户的第一历史预测值；根据所述第一历史预测值和所述第二历史预测，确定所述第一历史用户行为数据的查询增益；根据所述第一历史用户行为数据、第一信息推荐模型的参数和对应的查询增益，确定为所述查询预测模型的训练样本；根据所述训练样本，建立所述查询预测模型。
一种可能的实现方式，所述处理单元，具体用于：
根据所述第一历史预测值和所述第二历史预测值的加权平均，确定为综合历史预测值；将所述综合历史预测值与所述第一历史预测值的差作为所述历史查询增益值。
本发明另一个实施例提供了一种电子设备，包括：
至少一个存储器，用于存储程序指令；
至少一个处理器，用于调用所述存储器中存储的程序指令，按照获得的程序指令执行上述任一种信息推荐方法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种信息推荐方法的步骤。
本发明实施例中，通过查询预测模型，在信息推荐时，可以选择性的确定是否需要至第二服务器发送查询预测值的请求，在保证推荐准确度的前提下，有效降低了信息推荐的成本，提高了信息推荐的效率。
附图说明
图1为本发明实施例中信息推荐方法的应用架构示意图；
图2为本发明实施例中联邦学习的应用场景示意图；
图3为本发明实施例中一种信息推荐方法的流程示意图；
图4为本发明实施例中信息推荐装置结构示意图；
图5为本发明实施例中电子设备结构示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，并不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
为便于对本发明实施例的理解，下面先对几个概念进行简单介绍：
“机器学习”是人工智能的核心研究领域之一，而如何在保护数据隐私、满足合法合规要求的前提下继续进行机器学习，是机器学习领域现在关注的一个趋势，在此背景下，人们研究提出了“联邦学习”的概念。
联邦学习为利用技术算法加密建造的模型，联邦双方在不用给出己方数据的情况下，也可进行模型训练得到模型参数，联邦学习通过加密机制下的参数交换方式保护用户数据隐私，数据和模型本身不会进行传输，也不能反猜对方数据，因此在数据层面不存在泄露的可能，也不违反更严格的数据保护法案如GDPR(General Data ProtectionRegulation，《通用数据保护条例》)等，能够在较高程度保持数据完整性的同时，保障数据隐私。
目前，在联邦双方A、B样本的特征空间相同的情况下，现有的基于联邦建模的方法可以基于A、B样本均有标注的情况下交换双方参数联合建模，而对于A方有标注，B方标注缺失的情况，例如，横向联邦学习，横向联邦学习是指在两个数据集(即可以是本发明实施例中所述的第一样本和第二样本)的用户特征重叠较多，而用户重叠较少的情况下，把数据集按照横向(即用户维度)切分，并取出双方用户特征相同而用户不完全相同的那部分数据进行训练。这种方法叫做横向联邦学习。比如有两家不同地区的银行，它们的用户群体分别来自各自所在的地区，相互的交集很小。但是，它们的业务很相似，因此，记录的用户特征是相同的。
在两个数据集的用户重叠较多而用户特征重叠较少的情况下，可以把数据集按照纵向(即特征维度)切分，并取出双方用户相同而用户特征不完全相同的那部分数据进行训练。这种方法叫做纵向联邦学习。比如有两个不同的机构，一家是某地的银行，另一家是同一个地方的电商。它们的用户群体很有可能包含该地的大部分居民，因此用户的交集较大。但是，由于银行记录的都是用户的收支行为与信用评级，而电商则保有用户的浏览与购买历史，因此它们的用户特征交集较小。纵向联邦学习就是将这些不同特征在加密的状态下加以聚合，以增强模型能力。
在两个数据集的用户与用户特征重叠都较少的情况下，可以利用迁移学习来克服数据或标签不足的情况。这种方法叫做联邦迁移学习。比如有两个不同机构，一家是位于中国的银行，另一家是位于美国的电商。由于受地域限制，这两家机构的用户群体交集很小。同时，由于机构类型的不同，二者的数据特征也只有小部分重合。在这种情况下，要想进行有效的联邦学习，就必须引入迁移学习，来解决单边数据规模小和标签样本少的问题，从而提升模型的效果。
本发明实施例中涉及的联邦学习可以根据实际的应用场景确定，在此不做限定。
值得说明的是，本发明实施例中的应用架构图是为了更加清楚地说明本发明实施例中的技术方案，并不构成对本发明实施例提供的技术方案的限制，并且，本发明实施例中主要以应用于信息推荐场景为例，但是对于其它的应用架构和业务场景应用，本发明实施例提供的技术方案对于类似的问题同样适用。
本发明各个实施例中，以信息推荐方法用于图1所示的应用架构图为例进行示意性说明。
参阅图1所示，为本发明实施例中信息推荐方法的应用架构示意图，至少包括服务器和服务器。
终端可以是智能手机、平板电脑、便携式个人计算机、智能电视等任何智能设备，可以包括多个终端，终端上可以安装各种应用程序(Application，APP)，用户可以通过终端上安装的APP来使用所需的服务，例如，用户可以基于信息APP来浏览信息。
终端与服务器之间通过互联网相连，实现相互之间的通信。可选地，上述的互联网使用标准通信技术和/或协议。互联网通常为因特网、但也可以是任何网络，包括但不限于局域网(Local Area Network，LAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合。在一些实施例中，使用包括超文本标记语言(Hyper Text Mark-up Language，HTML)、可扩展标记语言(Extensible Markup Language，XML)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(Secure Socket Layer，SSL)、传输层安全(Transport Layer Security，TLS)、虚拟专用网络(Virtual Private Network，VPN)、网际协议安全(Internet Protocol Security，IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中，还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
服务器可以为终端提供各种网络服务，对于不同的终端或终端上的应用程序，服务器可以认为是提供相应网络服务的后台服务器。例如，在信息推荐系统中，服务器可以为某信息APP的后台服务器。
其中，服务器可以是一台服务器、若干台服务器组成的服务器集群或云计算中心。
并且，本发明实施例中在服务器端，可以采用分布式计算平台来收集和计算各用户的历史行为数据，终端上的信息APP上报用户的历史行为数据，上报到分布式存储平台，分布式存储平台存储用户行为日志，即历史行为数据，采用分布式计算平台，从分布式存储平台中获取各用户的历史行为数据，进行处理后，得到各用户的点击信息序列和对信息的浏览时长，并分别进行存储，其中，点击信息序列中包括点击的各信息以及对应的点击时间，点击信息序列可以存储在相应的数据库中，从而可以根据各用户的点击信息序列和对信息的浏览时长，进行统计计算。
本发明实施例中，对各用户的历史行为数据进行统计计算，并确定模型的过程可以离线处理，这样，可以提高计算效率，减少服务器压力，其中，在收集各用户的历史行为数据时，可以是基于在线阶段不断实时获得终端上报的历史行为数据，收集一段时间后，就可以获得预设时间段内各用户的历史行为数据，然后再离线进行计算，确定出更新后的联邦学习模型的参数，并且还可以设置周期，按照预设周期，进行离线计算，获得更新后的模型的参数，例如预设周期为6小时，并不进行限制。
其中，历史行为数据至少包括点击时间和浏览时长等，本发明实施例中并不进行限制。第二预设时间段可以为最近7天，即开始统计计算，确定用户的当前时间到之前的一段时间内，当然，第二预设时间段也可以根据实际情况进行设置，本发明实施例中并不进行限制。
如图2所示，以包含两个数据拥有方(第一服务器A标识第一数据拥有方，第二服务器B表示第二数据拥有方)的场景为例介绍联邦学习的系统构架。该构架可扩展至包含多个数据拥有方的场景。
本发明实施例提供一种联邦学习的系统构架，假设参与方A和B联合训练一个机器学习模型，举例来说，参与方A可以为一个数据公司，拥有大量的用户的数据标签；模型可以根据用户的数据标签建立样本数据，根据各自的样本数据，进行训练，以确定模型参数。参与方b为一个广告公司，拥有少量的用户的数据标签和用户的转化数据；参与方B可以根据用户的转化数据，确定模型的损失值，以确定模型预测的准确度。出于数据隐私保护和安全考虑，A和B无法直接进行数据交换，可使用联邦学习系统建立模型。
需要说明的是，由于两个数据拥有方的用户群体并非完全重合，系统利用基于加密的用户样本对齐技术，在A和B不公开各自数据的前提下确认双方的共有用户，并且不暴露不互相重叠的用户，以便联合这些用户的特征进行建模。
本发明实施例提供一种信息推荐模型的训练方法，包括：
步骤一、第一服务器根据第一服务器的第一样本训练得到第一信息推荐模型的初始参数，第一服务器采用联邦学习中的加密算法对初始参数进行加密得到第一加密参数，并将第一加密参数发送至第二服务器。
步骤二、第二服务器接收到所述第一服务器发送的第一加密参数后，第二服务器将第一加密参数作为其第二信息推荐模型的初始参数，并根据第二服务器中的第二样本数据进行模型训练，计算得到第一梯度参数，及第一加密损失值。
步骤三、第三方对应的服务器解密所述第一加密损失值，并根据解密后的第一损失值检测所述第一信息推荐模型是否处于收敛状态；若未收敛，则根据第二服务器返回的第一梯度参数发送至第一服务器；
步骤四、第一服务器根据所述梯度参数更新所述第一信息推荐模型，直至确定模型处于收敛状态，停止更新所述第一信息推荐模型。
对应的第二服务器训练第二信息推荐模型的方式可以参考第一服务器，在此不再赘述。
迭代上述步骤直至损失函数收敛，这样就完成了整个训练过程。在样本对齐及模型训练过程中，第一服务器和第二服务器各自的数据均保留在本地，且训练中的数据交互也不会导致数据隐私泄露。因此，双方在联邦学习的帮助下得以实现合作训练模型。
一种可能的实现场景中，第一服务器为一广告平台，用于向信息推荐请求的请求方(例如媒体)返回对应的推荐结果，以实现对用户的个性化广告投放。为了同时利用第二服务器的标签和第一服务器的转化数据第一服务器B和第二服务器A通过联邦学习训练了一个共同的模型。A和B用于联邦学习的数据为和经过联邦学习之后，第一信息推荐模型的模型参数为wB，第二信息推荐模型的模型参数为wA。
基于上述实施例，本发明实施例中提供一种信息推荐方法，包括：
步骤一、第一服务器接收到信息推荐请求；
在广告投放时，信息推荐请求的请求方向第一服务器发送信息推荐请求，该信息推荐请求中带有用户的用户标识；
步骤二、第一服务器根据所述信息推荐请求，确定第一预测值；
具体的，第一服务器根据所述信息推荐请求，确定信息推荐请求的用户及所述用户在第一服务器中确定的第一样本数据；根据所述第一样本数据，通过第一信息推荐模型确定第一预测值；
举例来说，第一服务器基于用户u在第一服务器上的样本数据及第一信息推荐模型对应用户u的模型参数WB，确定第一预测值
例如，
步骤三、第一服务器将所述信息推荐请求发送给第二服务器；
步骤四、第二服务器根据第二信息推荐模型和所述信息推荐请求对应的用户，在第二服务器中的样本数据，确定第二预测值；
例如，第二服务器基于用户u在第二服务器上的样本及第二信息推荐模型中的对应用户u的模型参数WA，确定第二预测值例如，
步骤五、第一服务器根据第一预测值和第二预测值，确定综合预测值；
步骤六、第一服务器将所述综合预测值输入至第一信息推荐模型中，确定信息推荐值。
例如，第一信息推荐模型可以返回一个信息推荐值
步骤七、第一服务器根据所述信息推荐值，确定所述信息推荐请求的推荐结果，并将所述推荐结果发送至信息推荐请求的请求方。第一服务器基于yu，就可以进行决策，是否要给该用户进行广告投放，及投放的广告内容。
在一种场景下，第二数据拥有方A和第一数据拥有方B会约定相互在线预测查询的价格，如果对于每个用户的信息推荐请求，第一数据拥有方B都需向第二数据拥有方A进行查询，那么第一数据拥有方B的广告成本将会显著上涨，并且降低推荐效率。
基于上述问题，如图3所示，本发明实施例提供一种信息推荐方法的流程，包括：
步骤301：第一服务器获取第三服务器发送的信息推荐请求；
步骤302：第一服务器根据第一信息推荐模型确定所述信息推荐请求的第一预测值；所述第一信息推荐模型为所述第一服务器与第二服务器根据联邦学习后确定的；
步骤303：第一服务器根据查询预测模型，确定所述信息推荐请求的查询增益值；
步骤304：第一服务器若确定所述查询增益值小于预设阈值，则根据所述第一预测值，为所述第三服务器返回所述信息推荐请求的响应。
本发明实施例中，通过查询预测模型，在信息推荐时，可以选择性的确定是否需要至第二服务器发送查询预测值的请求，在保证推荐准确度的前提下，有效降低了信息推荐的成本，提高了信息推荐的效率。
在步骤304之后，所述方法还包括：
步骤一、第一服务器若确定述查询增益值大于或等于所述预设阈值，则向所述第二服务器发送查询请求；
其中，所述查询请求用于所述第二服务器根据第二信息推荐模型为所述信息推荐请求的用户确定第二预测值；所述第二信息推荐模型为所述第二服务器与第一服务器根据联邦学习后确定的；
步骤二、第一服务器获取所述第二服务器返回的所述第二预测值；
步骤三、第一服务器根据所述第一预测值和所述第二预测值，确定综合预测值；
步骤四、第一服务器根据所述综合预测值，确定所述信息推荐请求的推荐结果，并将所述推荐结果返回给所述第三服务器。
其中，查询预测模型为预先训练联邦学习时，查询到第一历史用户行为数据中的用户针对第一信息推荐模型确定的第一历史预测值，及针对第二服务器的第二历史用户行为数据及第二信息推荐模型确定的第二历史预测值，作为训练样本训练的，用于预测信息推荐请求中的用户是否需要向第二服务器发送查询请求，以获得第二预测值。
一种可能的实现方式，所述查询预测模型为根据以下方式确定的：
步骤一、第一服务器根据所述第一服务器获取的第一历史用户行为数据及所述第一信息推荐模型确定所述用户的第一历史预测值；
步骤二、第一服务器获取所述用户在第二信息推荐模型中确定的第二历史预测值；所述第二历史预测值为所述第二服务器根据所述第二服务器获取的第二历史用户行为数据及所述第二信息推荐模型确定的；
步骤三、第一服务器根据所述第一历史预测值和所述第二历史预测，确定所述第一历史用户行为数据的查询增益；
一种可能的实现方式，所述第一服务器根据所述第一历史预测值和所述第二历史预测值的加权平均，确定为综合历史预测值；所述第一服务器将所述综合历史预测值与所述第一历史预测值的差作为所述历史查询增益值。
步骤四、第一服务器根据所述第一历史用户行为数据、第一信息推荐模型的参数和对应的查询增益，确定为所述查询预测模型的训练样本；
步骤五、第一服务器根据所述训练样本，建立所述查询预测模型。
一种可能的实现方式，查询预测模型的训练样本中，查询增益可以通过以下方式确定：
步骤一、第一服务器根据历史用户行为数据中的用户u样本数据wB，确定的第一预测值,
步骤二、第一服务器预先向第二服务器发送查询请求获得的基于第一服务器的第一样本数据对应的用户，在第二信息推荐模型中确定的第二预测值，进而确定的综合预测值
步骤三、第一服务器根据第一预测值和综合预测值，确定的预测增益
步骤四、将样本数据及第一信息推荐模型的模型参数作为查询预测模型的输入，预测增益作为查询预测模型的预测值，构造一个查询预测模型的样本集合：
一种可能的实现方式，根据样本集合，确定一个损失函数，进而通过最小化损失函数，训练查询预测模型；
具体的，查询预测模型g*可以表示为：
结合上述实施例，当第一服务器B根据信息推荐请求确定出用户v对应的样本则第一服务器根据查询预测模型g*确定查询增益值
若确定查询增益值值超过一定阈值ε，则表明向第二服务器发送查询请求会带来足够的增益，因此，第一服务器确定向第二服务器发送查询请求，并根据查询请求返回用户v的第二预测值确定作为信息推荐请求的预测值。
若确定查询增益值值低于阈值ε，则表明向第二服务器发送查询请求无法带来足够增益，那么第一服务器不需要向第二服务器发送查询请求，而直接将作为信息推荐请求的预测值。
在具体实施过程中，还可以通过调整阈值ε，控制查询的成本。
基于相同的发明构思，具体参阅图4所示，为本发明实施例中，信息推荐装置的结构示意图，该装置包括：
收发单元401，用于获取第三服务器发送的信息推荐请求；
处理单元402，用于根据第一信息推荐模型确定所述信息推荐请求的第一预测值；所述第一信息推荐模型为所述第一服务器与第二服务器根据联邦学习后确定的；所述第一服务器与所述第二服务器的用户数据不共享；根据查询预测模型，确定所述信息推荐请求的查询增益值；若确定所述查询增益值小于预设阈值，则根据所述第一预测值，为所述第三服务器返回所述信息推荐请求的响应。
一种可能的实现方式，收发单元401，还用于：若确定述查询增益值大于或等于所述预设阈值，则向所述第二服务器发送查询请求；所述查询请求用于所述第二服务器根据第二信息推荐模型为所述信息推荐请求的用户确定第二预测值；所述第二信息推荐模型为所述第二服务器与第一服务器根据联邦学习后确定的；获取所述第二服务器返回的所述第二预测值；
处理单元402，还用于根据所述第一预测值和所述第二预测值，确定综合预测值；根据所述综合预测值，确定所述信息推荐请求的推荐结果，并将所述推荐结果返回给所述第三服务器。
一种可能的实现方式，收发单元401，用于：获取所述用户在第二信息推荐模型中确定的第二历史预测值；所述第二历史预测值为所述第二服务器根据所述第二服务器获取的第二历史用户行为数据及所述第二信息推荐模型确定的；
处理单元402，用于：根据所述第一服务器获取的第一历史用户行为数据及所述第一信息推荐模型确定所述用户的第一历史预测值；根据所述第一历史预测值和所述第二历史预测，确定所述第一历史用户行为数据的查询增益；根据所述第一历史用户行为数据、第一信息推荐模型的参数和对应的查询增益，确定为所述查询预测模型的训练样本；根据所述训练样本，建立所述查询预测模型。
一种可能的实现方式，处理单元402，具体用于：
根据所述第一历史预测值和所述第二历史预测值的加权平均，确定为综合历史预测值；将所述综合历史预测值与所述第一历史预测值的差作为所述历史查询增益值。
基于上述实施例，参阅图5所示，本发明实施例中，一种电子设备的结构示意图。
本发明实施例提供了一种电子设备，该电子设备可以包括处理器710(CenterProcessing Unit，CPU)、存储器720、通信总线730、通信接口740等。通信总线730可以分为地址总线、数据总线、控制总线等。通信接口740用于执行上述实施例中收发单元401执行的操作。
存储器720可以包括只读存储器(ROM)和随机存取存储器(RAM)，并向处理器710提供存储器720中存储的程序指令和数据。在本发明实施例中，存储器720可以用于存储本发明实施例中信息推荐方法的程序。
处理器710通过调用存储器720存储的程序指令，处理器710用于按照获得的程序指令执行：
根据第一信息推荐模型确定所述信息推荐请求的第一预测值；所述第一信息推荐模型为所述第一服务器与第二服务器根据联邦学习后确定的；所述第一服务器与所述第二服务器的用户数据不共享；根据查询预测模型，确定所述信息推荐请求的查询增益值；若确定所述查询增益值小于预设阈值，则根据所述第一预测值，为所述第三服务器返回所述信息推荐请求的响应。
一种可能的实现方式，处理器710若确定述查询增益值大于或等于所述预设阈值，则通过通信接口740向所述第二服务器发送查询请求；所述查询请求用于所述第二服务器根据第二信息推荐模型为所述信息推荐请求的用户确定第二预测值；所述第二信息推荐模型为所述第二服务器与第一服务器根据联邦学习后确定的；获取所述第二服务器返回的所述第二预测值；
处理器710根据所述第一预测值和所述第二预测值，确定综合预测值；根据所述综合预测值，确定所述信息推荐请求的推荐结果，并将所述推荐结果返回给所述第三服务器。
一种可能的实现方式，处理器710，用于根据所述第一服务器获取的第一历史用户行为数据及所述第一信息推荐模型确定所述用户的第一历史预测值；根据所述第一历史预测值和所述第二历史预测，确定所述第一历史用户行为数据的查询增益；根据所述第一历史用户行为数据、第一信息推荐模型的参数和对应的查询增益，确定为所述查询预测模型的训练样本；根据所述训练样本，建立所述查询预测模型。
通过通信接口740，获取所述用户在第二信息推荐模型中确定的第二历史预测值；所述第二历史预测值为所述第二服务器根据所述第二服务器获取的第二历史用户行为数据及所述第二信息推荐模型确定的；
一种可能的实现方式，处理器710，用于根据所述第一历史预测值和所述第二历史预测值的加权平均，确定为综合历史预测值；将所述综合历史预测值与所述第一历史预测值的差作为所述历史查询增益值。
基于上述实施例，本发明实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意方法实施例中的信息推荐方法。
处理器710可以是通用处理器，例如中央处理器(CPU)、数字信号处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列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，可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器720作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器720可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory，RAM)、静态随机访问存储器(Static Random Access Memory，SRAM)、可编程只读存储器(Programmable Read Only Memory，PROM)、只读存储器(Read Only Memory，ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性存储器、磁盘、光盘等等。存储器720是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器720还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种信息推荐方法，其特征在于，所述方法包括：
第一服务器获取第三服务器发送的信息推荐请求；
所述第一服务器根据第一信息推荐模型确定所述信息推荐请求的第一预测值；所述第一信息推荐模型为所述第一服务器与第二服务器根据联邦学习后确定的；所述第一服务器与所述第二服务器的用户数据不共享；
所述第一服务器根据查询预测模型，确定所述信息推荐请求的查询增益值；
所述第一服务器若确定所述查询增益值小于预设阈值，则根据所述第一预测值，为所述第三服务器返回所述信息推荐请求的响应。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
所述第一服务器若确定述查询增益值大于或等于所述预设阈值，则向所述第二服务器发送查询请求；所述查询请求用于所述第二服务器根据第二信息推荐模型为所述信息推荐请求的用户确定第二预测值；所述第二信息推荐模型为所述第二服务器与第一服务器根据联邦学习后确定的；
所述第一服务器获取所述第二服务器返回的所述第二预测值；
所述第一服务器根据所述第一预测值和所述第二预测值，确定综合预测值；
所述第一服务器根据所述综合预测值，确定所述信息推荐请求的推荐结果，并将所述推荐结果返回给所述第三服务器。
3.如权利要求1所述的方法，其特征在于，所述查询预测模型为根据以下方式确定的：
所述第一服务器根据所述第一服务器获取的第一历史用户行为数据及所述第一信息推荐模型确定所述用户的第一历史预测值；
所述第一服务器获取所述用户在第二信息推荐模型中确定的第二历史预测值；所述第二历史预测值为所述第二服务器根据所述第二服务器获取的第二历史用户行为数据及所述第二信息推荐模型确定的；
所述第一服务器根据所述第一历史预测值和所述第二历史预测，确定所述第一历史用户行为数据的查询增益；
所述第一服务器根据所述第一历史用户行为数据、第一信息推荐模型的参数和对应的查询增益，确定为所述查询预测模型的训练样本；
所述第一服务器根据所述训练样本，建立所述查询预测模型。
4.如权利要求3所述的方法，其特征在于，所述第一服务器根据所述第一历史预测值和所述第二历史预测值，确定综合历史预测值，包括：
所述第一服务器根据所述第一历史预测值和所述第二历史预测值的加权平均，确定为综合历史预测值；
所述第一服务器将所述综合历史预测值与所述第一历史预测值的差作为所述历史查询增益值。
5.一种信息推荐装置，其特征在于，所述装置包括：
收发单元，用于获取第三服务器发送的信息推荐请求；
处理单元，用于根据第一信息推荐模型确定所述信息推荐请求的第一预测值；所述第一信息推荐模型为所述第一服务器与第二服务器根据联邦学习后确定的；所述第一服务器与所述第二服务器的用户数据不共享；根据查询预测模型，确定所述信息推荐请求的查询增益值；若确定所述查询增益值小于预设阈值，则根据所述第一预测值，为所述第三服务器返回所述信息推荐请求的响应。
6.如权利要求5所述的装置，其特征在于，所述收发单元，还用于：若确定述查询增益值大于或等于所述预设阈值，则向所述第二服务器发送查询请求；所述查询请求用于所述第二服务器根据第二信息推荐模型为所述信息推荐请求的用户确定第二预测值；所述第二信息推荐模型为所述第二服务器与第一服务器根据联邦学习后确定的；获取所述第二服务器返回的所述第二预测值；
所述处理单元，用于根据所述第一预测值和所述第二预测值，确定综合预测值；根据所述综合预测值，确定所述信息推荐请求的推荐结果，并将所述推荐结果返回给所述第三服务器。
7.如权利要求5所述的装置，其特征在于，所述查询预测模型为根据以下方式确定的：
所述收发单元，用于：获取所述用户在第二信息推荐模型中确定的第二历史预测值；所述第二历史预测值为所述第二服务器根据所述第二服务器获取的第二历史用户行为数据及所述第二信息推荐模型确定的；
所述处理单元，用于：根据所述第一服务器获取的第一历史用户行为数据及所述第一信息推荐模型确定所述用户的第一历史预测值；根据所述第一历史预测值和所述第二历史预测，确定所述第一历史用户行为数据的查询增益；根据所述第一历史用户行为数据、第一信息推荐模型的参数和对应的查询增益，确定为所述查询预测模型的训练样本；根据所述训练样本，建立所述查询预测模型。
8.如权利要求7所述的装置，其特征在于，所述处理单元，具体用于：
根据所述第一历史预测值和所述第二历史预测值的加权平均，确定为综合历史预测值；将所述综合历史预测值与所述第一历史预测值的差作为所述历史查询增益值。
9.一种计算机设备，其特征在于，包括：
至少一个存储器，用于存储程序指令；
至少一个处理器，用于调用所述存储器中存储的程序指令，按照获得的程序指令执行上述权利要求1-4任一项所述的方法。
10.一种计算机可读介质，其特征在于，其存储有可由计算机设备执行的计算机程序，当所述程序在计算机设备上运行时，使得所述计算机设备执行权利要求1～4任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910337653.1A CN110110229B (zh) | 2019-04-25 | 2019-04-25 | 一种信息推荐方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910337653.1A CN110110229B (zh) | 2019-04-25 | 2019-04-25 | 一种信息推荐方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110110229A true CN110110229A (zh) | 2019-08-09 |
| CN110110229B CN110110229B (zh) | 2021-06-04 |
Family
ID=67486612
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910337653.1A Active CN110110229B (zh) | 2019-04-25 | 2019-04-25 | 一种信息推荐方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110110229B (zh) |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110516161A (zh) * | 2019-08-30 | 2019-11-29 | 深圳前海微众银行股份有限公司 | 一种推荐方法及装置 |
| CN110647685A (zh) * | 2019-09-23 | 2020-01-03 | 阿里巴巴集团控股有限公司 | 一种信息推荐方法、装置及设备 |
| CN110827147A (zh) * | 2019-10-31 | 2020-02-21 | 山东浪潮人工智能研究院有限公司 | 一种基于联盟链的联邦学习激励方法及系统 |
| CN110825476A (zh) * | 2019-10-31 | 2020-02-21 | 深圳前海微众银行股份有限公司 | 联邦学习工作流界面的显示方法、装置、终端及介质 |
| CN110825970A (zh) * | 2019-11-07 | 2020-02-21 | 浙江同花顺智能科技有限公司 | 一种信息推荐方法、装置、设备及计算机可读存储介质 |
| CN111325352A (zh) * | 2020-02-20 | 2020-06-23 | 深圳前海微众银行股份有限公司 | 基于纵向联邦学习的模型更新方法、装置、设备及介质 |
| CN111339412A (zh) * | 2020-02-20 | 2020-06-26 | 深圳前海微众银行股份有限公司 | 纵向联邦推荐召回方法、装置、设备及可读存储介质 |
| CN111368314A (zh) * | 2020-02-28 | 2020-07-03 | 深圳前海微众银行股份有限公司 | 基于交叉特征的建模、预测方法、装置、设备及存储介质 |
| CN111861644A (zh) * | 2020-07-01 | 2020-10-30 | 荆楚理工学院 | 一种工业设计产品智能推荐方法及系统 |
| CN111860865A (zh) * | 2020-07-23 | 2020-10-30 | 中国工商银行股份有限公司 | 模型构建和分析的方法、装置、电子设备和介质 |
| CN112001500A (zh) * | 2020-08-13 | 2020-11-27 | 星环信息科技（上海）有限公司 | 基于纵向联邦学习系统的模型训练方法、设备及存储介质 |
| WO2021004551A1 (zh) * | 2019-09-26 | 2021-01-14 | 深圳前海微众银行股份有限公司 | 纵向联邦学习系统优化方法、装置、设备及可读存储介质 |
| CN112446736A (zh) * | 2020-12-02 | 2021-03-05 | 平安科技（深圳）有限公司 | 一种点击通过率ctr预测方法及装置 |
| CN112598127A (zh) * | 2020-12-16 | 2021-04-02 | 百度在线网络技术（北京）有限公司 | 联邦学习模型训练方法和装置、电子设备、介质和产品 |
| CN112653752A (zh) * | 2020-12-18 | 2021-04-13 | 重庆大学 | 基于联邦学习的区块链工业物联网数据共享方法 |
| WO2021121106A1 (zh) * | 2019-12-20 | 2021-06-24 | 深圳前海微众银行股份有限公司 | 基于联邦学习的个性化推荐方法、装置、设备及介质 |
| CN113067881A (zh) * | 2021-03-29 | 2021-07-02 | 北京百度网讯科技有限公司 | 数据交互方法、装置、电子设备及计算机可读存储介质 |
| WO2021164376A1 (zh) * | 2020-02-20 | 2021-08-26 | 深圳前海微众银行股份有限公司 | 推荐方法、装置、设备及计算机可读存储介质 |
| CN114782176A (zh) * | 2022-06-23 | 2022-07-22 | 浙江数秦科技有限公司 | 一种基于联邦学习的信贷业务推荐方法 |
| CN117094421A (zh) * | 2023-10-16 | 2023-11-21 | 亚信科技（中国）有限公司 | 非对称纵向联邦学习方法、装置、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102385586A (zh) * | 2010-08-27 | 2012-03-21 | 日电（中国）有限公司 | 多方协同过滤方法和系统 |
| US20170070351A1 (en) * | 2014-03-07 | 2017-03-09 | Nokia Technologies Oy | Method and apparatus for verifying processed data |
| CN107526807A (zh) * | 2017-08-22 | 2017-12-29 | 中国联合网络通信集团有限公司 | 信息推荐方法及装置 |
| CN109167695A (zh) * | 2018-10-26 | 2019-01-08 | 深圳前海微众银行股份有限公司 | 基于联邦学习的联盟网络构建方法、设备及可读存储介质 |
| CN109189825A (zh) * | 2018-08-10 | 2019-01-11 | 深圳前海微众银行股份有限公司 | 横向数据切分联邦学习建模方法、服务器及介质 |
-
2019
- 2019-04-25 CN CN201910337653.1A patent/CN110110229B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102385586A (zh) * | 2010-08-27 | 2012-03-21 | 日电（中国）有限公司 | 多方协同过滤方法和系统 |
| US20170070351A1 (en) * | 2014-03-07 | 2017-03-09 | Nokia Technologies Oy | Method and apparatus for verifying processed data |
| CN107526807A (zh) * | 2017-08-22 | 2017-12-29 | 中国联合网络通信集团有限公司 | 信息推荐方法及装置 |
| CN109189825A (zh) * | 2018-08-10 | 2019-01-11 | 深圳前海微众银行股份有限公司 | 横向数据切分联邦学习建模方法、服务器及介质 |
| CN109167695A (zh) * | 2018-10-26 | 2019-01-08 | 深圳前海微众银行股份有限公司 | 基于联邦学习的联盟网络构建方法、设备及可读存储介质 |
Cited By (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110516161B (zh) * | 2019-08-30 | 2021-06-01 | 深圳前海微众银行股份有限公司 | 一种推荐方法及装置 |
| CN110516161A (zh) * | 2019-08-30 | 2019-11-29 | 深圳前海微众银行股份有限公司 | 一种推荐方法及装置 |
| CN110647685A (zh) * | 2019-09-23 | 2020-01-03 | 阿里巴巴集团控股有限公司 | 一种信息推荐方法、装置及设备 |
| WO2021004551A1 (zh) * | 2019-09-26 | 2021-01-14 | 深圳前海微众银行股份有限公司 | 纵向联邦学习系统优化方法、装置、设备及可读存储介质 |
| CN110827147A (zh) * | 2019-10-31 | 2020-02-21 | 山东浪潮人工智能研究院有限公司 | 一种基于联盟链的联邦学习激励方法及系统 |
| CN110825476A (zh) * | 2019-10-31 | 2020-02-21 | 深圳前海微众银行股份有限公司 | 联邦学习工作流界面的显示方法、装置、终端及介质 |
| CN110825970A (zh) * | 2019-11-07 | 2020-02-21 | 浙江同花顺智能科技有限公司 | 一种信息推荐方法、装置、设备及计算机可读存储介质 |
| WO2021121106A1 (zh) * | 2019-12-20 | 2021-06-24 | 深圳前海微众银行股份有限公司 | 基于联邦学习的个性化推荐方法、装置、设备及介质 |
| CN111325352B (zh) * | 2020-02-20 | 2021-02-19 | 深圳前海微众银行股份有限公司 | 基于纵向联邦学习的模型更新方法、装置、设备及介质 |
| CN111325352A (zh) * | 2020-02-20 | 2020-06-23 | 深圳前海微众银行股份有限公司 | 基于纵向联邦学习的模型更新方法、装置、设备及介质 |
| WO2021164376A1 (zh) * | 2020-02-20 | 2021-08-26 | 深圳前海微众银行股份有限公司 | 推荐方法、装置、设备及计算机可读存储介质 |
| CN111339412A (zh) * | 2020-02-20 | 2020-06-26 | 深圳前海微众银行股份有限公司 | 纵向联邦推荐召回方法、装置、设备及可读存储介质 |
| CN111368314A (zh) * | 2020-02-28 | 2020-07-03 | 深圳前海微众银行股份有限公司 | 基于交叉特征的建模、预测方法、装置、设备及存储介质 |
| WO2021169477A1 (zh) * | 2020-02-28 | 2021-09-02 | 深圳前海微众银行股份有限公司 | 基于交叉特征的建模、预测方法、装置、设备及存储介质 |
| CN111861644A (zh) * | 2020-07-01 | 2020-10-30 | 荆楚理工学院 | 一种工业设计产品智能推荐方法及系统 |
| CN111860865A (zh) * | 2020-07-23 | 2020-10-30 | 中国工商银行股份有限公司 | 模型构建和分析的方法、装置、电子设备和介质 |
| CN112001500A (zh) * | 2020-08-13 | 2020-11-27 | 星环信息科技（上海）有限公司 | 基于纵向联邦学习系统的模型训练方法、设备及存储介质 |
| CN112446736A (zh) * | 2020-12-02 | 2021-03-05 | 平安科技（深圳）有限公司 | 一种点击通过率ctr预测方法及装置 |
| WO2022116431A1 (zh) * | 2020-12-02 | 2022-06-09 | 平安科技（深圳）有限公司 | 一种点击通过率ctr预测方法及装置 |
| CN112598127A (zh) * | 2020-12-16 | 2021-04-02 | 百度在线网络技术（北京）有限公司 | 联邦学习模型训练方法和装置、电子设备、介质和产品 |
| CN112598127B (zh) * | 2020-12-16 | 2023-07-25 | 百度在线网络技术（北京）有限公司 | 联邦学习模型训练方法和装置、电子设备、介质和产品 |
| CN112653752A (zh) * | 2020-12-18 | 2021-04-13 | 重庆大学 | 基于联邦学习的区块链工业物联网数据共享方法 |
| CN113067881A (zh) * | 2021-03-29 | 2021-07-02 | 北京百度网讯科技有限公司 | 数据交互方法、装置、电子设备及计算机可读存储介质 |
| CN114782176A (zh) * | 2022-06-23 | 2022-07-22 | 浙江数秦科技有限公司 | 一种基于联邦学习的信贷业务推荐方法 |
| CN114782176B (zh) * | 2022-06-23 | 2022-10-25 | 浙江数秦科技有限公司 | 一种基于联邦学习的信贷业务推荐方法 |
| CN117094421A (zh) * | 2023-10-16 | 2023-11-21 | 亚信科技（中国）有限公司 | 非对称纵向联邦学习方法、装置、电子设备及存储介质 |
| CN117094421B (zh) * | 2023-10-16 | 2023-12-15 | 亚信科技（中国）有限公司 | 非对称纵向联邦学习方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110110229B (zh) | 2021-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110110229A (zh) | 一种信息推荐方法及装置 | |
| WO2022089256A1 (zh) | 联邦神经网络模型的训练方法、装置、设备、计算机程序产品及计算机可读存储介质 | |
| WO2021174876A1 (zh) | 基于智能决策的人口流动预测方法、装置及计算机设备 | |
| WO2021155713A1 (zh) | 基于权重嫁接的模型融合的人脸识别方法及相关设备 | |
| CN110088757A (zh) | 多代理分布式分类账体系结构 | |
| CN110400219A (zh) | 业务处理方法及系统、交易监控方法及系统 | |
| CN110348991A (zh) | 评估用户授信额度上限的方法、装置和电子设备 | |
| US20240061913A1 (en) | Graphical User Interface and Console Management, Modeling, and Analysis System | |
| WO2023241207A1 (zh) | 一种数据处理方法、装置、设备、计算机可读存储介质及计算机程序产品 | |
| CN112686700A (zh) | 基于人工智能的产品属性决策方法、装置、电子设备 | |
| CN114610475A (zh) | 一种智能资源编排模型的训练方法 | |
| WO2016123657A1 (en) | Computer implemented frameworks and methodologies configured to enable generation of a synthetic profit and loss report based on business data, and loan management based on including risk-based loan construction and pricing and/or pricing based on data analysis of default risk and loss given default parameters | |
| CN113935738B (zh) | 交易数据处理方法、装置、存储介质及设备 | |
| US11979409B2 (en) | Graphical user interface and console management, modeling, and analysis system | |
| CN107395663A (zh) | 数据获取方法及装置 | |
| US11477204B2 (en) | Graphical user interface and console management, modeling, and analysis system | |
| CN115017548B (zh) | 数据定价方法、装置及相关设备 | |
| WO2023011062A1 (zh) | 信息推送方法、装置、设备、存储介质及计算机程序产品 | |
| CN114048330B (zh) | 风险传导概率知识图谱生成方法、装置、设备及存储介质 | |
| CN114663149A (zh) | 一种基于隐私保护的产品投放方法及其相关设备 | |
| CN113313600B (zh) | 消息的处理方法、装置及系统、存储介质、电子装置 | |
| CN112950354A (zh) | 账户的信用评分方法、装置和存储介质及电子装置 | |
| US20230260061A1 (en) | Graphical User Interface and Console Management, Modeling, and Analysis System | |
| EP3555839A1 (en) | Multi-corporation venture plan validation and inclusion of time series geospatial markers in analyses employing an advanced decision platform | |
| CN111523802B (zh) | 送达时间应答方法、装置、设备及介质 |
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 |