CN110196944B - 一种序列化信息的推荐方法及装置 - Google Patents

一种序列化信息的推荐方法及装置 Download PDF

Info

Publication number
CN110196944B
CN110196944B CN201910373710.1A CN201910373710A CN110196944B CN 110196944 B CN110196944 B CN 110196944B CN 201910373710 A CN201910373710 A CN 201910373710A CN 110196944 B CN110196944 B CN 110196944B
Authority
CN
China
Prior art keywords
value
party
service
feature vector
average value
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
Application number
CN201910373710.1A
Other languages
English (en)
Other versions
CN110196944A (zh
Inventor
郑文琛
杨强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
WeBank Co Ltd
Original Assignee
WeBank Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by WeBank Co Ltd filed Critical WeBank Co Ltd
Priority to CN201910373710.1A priority Critical patent/CN110196944B/zh
Publication of CN110196944A publication Critical patent/CN110196944A/zh
Application granted granted Critical
Publication of CN110196944B publication Critical patent/CN110196944B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/9535—Search customisation based on user profiles and personalisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种序列化信息的推荐方法及装置，解决了业务方序列化信息推荐准确度低的问题，该方法包括：第一业务方基于本地的网络原始数据生成与其他业务方之间的共同的各个业务标的物的特征向量平均值，并将获得的特征向量发往至少一个其他业务方，以及将生成的特征向量平均值的梯度值发往第三方，而第三方基于其他业务方结合相应的其他网络原始数据，计算得到的所述各个业务标的物的梯度调整值，对第一业务方的梯度值进行更新，并将更新后的梯度值反馈给第一业务方。本发明利用会话控制的特点，通过第三方收集各个业务方对共同标的物的特征向量产生的梯度调整值，完成共同标的物的特征向量的调整更新，从而提高序列化信息推荐的准确度。

Description

一种序列化信息的推荐方法及装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种序列化信息的推荐方法及装置。
背景技术
随着科学技术的发展，将序列化推荐技术应用在实际生活中的场景越来越多，如，电商网站分析用户的历史浏览记录等行为，为用户推荐可能感兴趣的产品，或者，搜索网站根据用户的历史搜索记录等行为，向所述用户推送包含历史检索关键字的相关新闻。
由此可知，现有技术中主要采用来自某一业务方的用户原始数据作为训练数据，建立序列化推荐模型，这样，会产生以下问题：
首先，所述业务方只能采用本业务方的用户原始数据构建、训练相应的序列化推荐模型，即使获取到用户在多个业务方中的原始数据，也只能使用各个业务方单一的数据来源分别建立相应的推荐模型，这样，容易形成数据孤岛，造成资源浪费，降低数据利用率，进而降低各个推荐模型的推荐准确度；
其次，共享多个业务方的原始数据涉及到用户数据隐私、用户数据安全、各业务方间的协商等多个方面，在实现上存在一定的困难。
由此可鉴，本发明提出了一种新的方法，以克服上述缺陷。
发明内容
本发明提供一种序列化信息的推荐方法及装置，解决了业务方进行序列化信息推荐时准确度低的问题。
为了解决上述的技术问题，本发明提供了一种序列化信息的推荐方法，包括：
第一业务方获取第一网络原始数据，并采用同态加密技术确定与指定的至少一个其他业务方之间共同的业务标的物；
第一业务方针对所述第一网络原始数据中所述共同的业务标的物对应的各条会话，采用循环迭代的方式分别计算所述各个会话中各个所述业务标的物的特征向量，直至相应的业务标的物的迭代结果收敛为止，其中，在一轮迭代中针对N条会话中的一个业务标的物计算特征向量包括：
第一业务方根据最新的第一网络原始数据，计算所述一个业务标的物，在N条会话中的第一特征向量平均值，以及第一特征向量平均值的第一梯度值，其中，N为预设自然数；
第一业务方将所述第一特征向量平均值发往至少一个其他业务方，触发所述至少一个其他业务方结合相应的其他网络原始数据，计算所述一个业务标的物的第一梯度调整值，并将所述第一梯度调整值发往第三方；
第一业务方将所述第一梯度值发往第三方，触发所述第三方接收到所述至少一个其他业务方发送的所述第一梯度调整值时，根据所述第一梯度调整值对所述第一梯度值进行更新；
第一业务方接收所述第三方返回的更新后的第一梯度值，并根据所述第一梯度值更新所述第一特征向量平均值，并根据更新结果判断迭代结果是否收敛，获得判断结果；
第一业务方基于各个业务标的物最终输出的第一特征向量平均值，进行序列化信息推荐。
可选的，第一业务方计算所述第一特征向量平均值的第一梯度值，包括：
确定基于所述最新的第一网络原始数据生成的分层循环神经网络RNN，所述分层RNN中，包含第一RNN和第二RNN，所述第一RNN记录各条会话内部的用户和物品的交互关系，所述第二RNN记录各条会话之间的交互关系；
基于所述分层RNN的目标函数，以及所述第一特征向量平均值，计算所述第一梯度值。
可选的，第一业务方将所述第一特征向量平均值发往至少一个其他业务方，包括：
将所述第一特征向量平均值经同态加密后发往至少一个其他业务方；
将所述第一梯度值发往第三方，包括：
将所述第一梯度值经同态加密，密钥共享加密或混淆电路加密后，发往第三方。
可选的，第一业务方将所述第一特征向量平均值发往至少一个其他业务方，触发所述至少一个其他业务方结合相应的其他网络原始数据，计算所述一个业务标的物的梯度调整值，包括：
触发所述至少一个其他业务方执行以下操作：
基于所述至少一个其他业务方对应的其他网络原始数据中的所述一个业务标的物相关联的N个会话，生成相应的第二特征向量平均值；
计算所述第一特征向量平均值和第二特征向量平均值的第一差值；
基于所述第一差值，设置所述第一特征向量平均值的第一梯度调整值，所述第一梯度调整值令所述第一差值的取值最小化。
可选的，进一步包括：
第一业务方接收至少一个其他业务方发送的所述一个业务标的物的第三特征向量平均值，所述第三特征向量平均值是所述至少一个其他业务方，基于相应的其他网络原始数据中所述一个标的物相关联的N个会话生成的；
第一业务方基于本地最新的第一网络原始数据中所述一个业务标的物相关联的N个会话，生成相应的第四特征向量平均值；
第一业务方计算所述第三特征向量平均值和第四特征向量平均值的第二差值；
基于所述第二差值，设置所述第三特征向量平均值的第二梯度调整值，所述第二梯度调整值令所述第二差值的取值最小化；
将所述第二梯度调整值发送到第三方，触发所述第三方基于所述第二梯度调整值，对从所述至少一个其他业务方接收的所述第三特征向量平均值的第二梯度值进行相应调整。
可选的，第一业务方根据所述第一梯度值更新所述第一特征向量平均值，并根据更新结果判断迭代结果是否收敛，获得判断结果，包括：
判断新的所述第一特征向量平均值与上一轮迭代中的所述第一特征向量平均值是否一致；
若是，则判定所述一个业务标的物的迭代结果收敛；
否则，判定所述一个业务标的物的迭代结果不收敛。
可选的，第一业务方基于各个业务标的物最终输出的第一特征向量，进行序列化信息推荐，包括：
确定各个业务标的物中包含的各个用户的第一特征向量平均值，以及确定各个业务标的物中包含的各个物品的第一特征向量平均值；
针对至少一个用户，执行以下操作：
计算所述至少一个用户的第一特征向量平均值和各个物品的第一特征向量之间的相似度；
按照相似度从高到低的顺序，向所述至少一个用户推荐相应的物品。
一种序列化信息的推荐装置，包括：
获取模块，用于获取第一网络原始数据，并采用同态加密技术确定与指定的至少一个其他业务方之间共同的业务标的物；
处理模块，用于针对所述第一网络原始数据中所述共同的业务标的物对应的各条会话，采用循环迭代的方式分别计算所述各个会话中各个所述业务标的物的特征向量，直至相应的业务标的物的迭代结果收敛为止，其中，在一轮迭代中针对N条会话中的一个业务标的物计算特征向量包括：
根据最新的第一网络原始数据，计算所述一个业务标的物，在N条会话中的第一特征向量平均值，以及第一特征向量平均值的第一梯度值，其中，N为预设自然数；
将所述第一特征向量平均值发往至少一个其他业务方，触发所述至少一个其他业务方结合相应的其他网络原始数据，计算所述一个业务标的物的第一梯度调整值，并将所述第一梯度调整值发往第三方；
将所述第一梯度值发往第三方，触发所述第三方接收到所述至少一个其他业务方发送的所述第一梯度调整值时，根据所述第一梯度调整值对所述第一梯度值进行更新；
接收所述第三方返回的更新后的第一梯度值，并根据所述第一梯度值更新所述第一特征向量平均值，并根据更新结果判断迭代结果是否收敛，获得判断结果；
推荐模块，用于基于各个业务标的物最终输出的第一特征向量平均值，进行序列化信息推荐。
可选的，计算所述第一特征向量平均值的第一梯度值时，所述处理模块用于：
确定基于所述最新的第一网络原始数据生成的分层循环神经网络RNN，所述分层RNN中，包含第一RNN和第二RNN，所述第一RNN记录各条会话内部的用户和物品的交互关系，所述第二RNN记录各条会话之间的交互关系；
基于所述分层RNN的目标函数，以及所述第一特征向量平均值，计算所述第一梯度值。
可选的，将所述第一特征向量平均值发往至少一个其他业务方时，所述处理模块用于：
将所述第一特征向量平均值经同态加密后发往至少一个其他业务方；
将所述第一梯度值发往第三方，包括：
将所述第一梯度值经同态加密，密钥共享加密或混淆电路加密后，发往第三方。
可选的，将所述第一特征向量平均值发往至少一个其他业务方时，触发所述至少一个其他业务方结合相应的其他网络原始数据，计算所述一个业务标的物的梯度调整值，所述处理模块用于：
触发所述至少一个其他业务方执行以下操作：
基于所述至少一个其他业务方对应的其他网络原始数据中的所述一个业务标的物相关联的N个会话，生成相应的第二特征向量平均值；
计算所述第一特征向量平均值和第二特征向量平均值的第一差值；
基于所述第一差值，设置所述第一特征向量平均值的第一梯度调整值，所述第一梯度调整值令所述第一差值的取值最小化。
可选的，所述处理模块进一步用于：
接收至少一个其他业务方发送的所述一个业务标的物的第三特征向量平均值，所述第三特征向量平均值是所述至少一个其他业务方，基于相应的其他网络原始数据中所述一个标的物相关联的N个会话生成的；
基于本地最新的第一网络原始数据中所述一个业务标的物相关联的N个会话，生成相应的第四特征向量平均值；
计算所述第三特征向量平均值和第四特征向量平均值的第二差值；
基于所述第二差值，设置所述第三特征向量平均值的第二梯度调整值，所述第二梯度调整值令所述第二差值的取值最小化；
将所述第二梯度调整值发送到第三方，触发所述第三方基于所述第二梯度调整值，对从所述至少一个其他业务方接收的所述第三特征向量平均值的第二梯度值进行相应调整。
可选的，根据所述第一梯度值更新所述第一特征向量平均值，并根据更新结果判断迭代结果是否收敛，获得判断结果，所述处理模块用于：
判断新的所述第一特征向量平均值与上一轮迭代中的所述第一特征向量平均值是否一致；
若是，则判定所述一个业务标的物的迭代结果收敛；
否则，判定所述一个业务标的物的迭代结果不收敛。
可选的，基于各个业务标的物最终输出的第一特征向量，进行序列化信息推荐时，所述推荐模块用于：
确定各个业务标的物中包含的各个用户的第一特征向量平均值，以及确定各个业务标的物中包含的各个物品的第一特征向量平均值；
针对至少一个用户，执行以下操作：
计算所述至少一个用户的第一特征向量平均值和各个物品的第一特征向量之间的相似度；
按照相似度从高到低的顺序，向所述至少一个用户推荐相应的物品。
一种计算设备，包括：
存储器，用于存储程序指令；
处理器，用于读取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项方法的步骤。
一种计算机可读非易失性存储介质，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行上述任一项方法的步骤。
本发明提供的一种的方法及装置与现有技术相比，具有如下优点和有益效果：
在本发明实施例中，第一业务方基于本地的网络原始数据生成与其他业务方之间的共同的各个业务标的物的特征向量平均值，并将获得的特征向量发往至少一个其他业务方，以及将生成的特征向量平均值的梯度值发往第三方，而第三方基于其他业务方结合相应的其他网络原始数据，计算得到的所述各个业务标的物的梯度调整值，对第一业务方的梯度值进行更新，并将更新后的梯度值反馈给第一业务方，这样，第一业务方可以根据基于多个业务方的网络原始数据更新的梯度值，获得所述各个业务标的物最新的特征向量平均值，即第一业务方能够基于多个数据源，准确及时地掌握业务标的物的最新最全面的特征，从而能够根据各个业务标的物的最新的特征向量平均值，进行准确的序列化信息推荐。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种序列化信息的推荐方法的流程示意图；
图2为本发明实施例中提供的一种序列化信息的推荐装置的结构示意图；
图3是本发明实施例提供的一种计算设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。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它实施例，都属于本发明保护的范围。
已有技术下，基于内容的推荐算法和协同过滤推荐算法是传统的两类推荐算法，通过对用户历史行为数据的挖掘，发现用户的偏好，进而基于不同的偏好对用户进行群组划分，并推荐品味相似的物品，从而实现预测用户偏好和向用户推荐物品的功能。
但上述两种方式中的每个物品相互独立，不能利用会话控制中记录的物品连续偏好信息进行建模。其中，会话控制是指，服务器端用来记录、识别用户的一种机制，服务器端为特定的对象创建了特定的会话控制，用于标识所述对象，以及基于所述对象的会话行为，形成一些具有时序关系的记录序列。如，为用户建立特定的会话控制，通过跟踪所述用户的浏览点击行为，按照时间顺序记录用户每一次浏览点击时查看的物品信息；或者，为物品建立特定的会话控制，按照时间顺序记录物品每次被点击查看的信息。
为了克服上述缺陷，本发明实施例中，会针对各个业务方，采用了序列化算法进行推荐建模，并基于获取的各个业务方的网络原始数据，提取各个业务方对应的业务标的物的特征向量，其中，所述业务标的物可以是用户，可以是物品，还可以将用户与物品相结合。
为了便于描述，后续实施例中，以业务方A和业务方B为例进行介绍，可选的，业务方A和业务方B之间拥有重合的业务标的物，如，拥有重合用户，或/和，拥有重合物品。
针对业务方A和业务方B，均会进行序列化建模，以业务方A为例，可以使用
Figure BDA0002050897670000091
描述用户ai在第T个会话的特征向量，使用
Figure BDA0002050897670000092
描述用户ai在第T个会话中与第k个物品交互的特征向量。
其中，各条会话内部的用户和物品的交互关系可以通过一个循环神经网络(Recurrent Neural Network，RNN)表示，如，用户在某一电商网站上浏览电风扇页面；多条会话之间的交互关系也可以通过另一个RNN表示，如，用户在浏览电风扇页面时，点击跳转到加湿器页面。因此，这两个RNN共同构成一个分层RNN，在本发明实施例中，采用θ(A)表示业务方A的RNN模型，采用θ(B)表示业务方B的RNN模型。
由于各个业务方对应的分层RNN网络的网络原始数据不同，一般情况下，为了节省计算量，在结合业务方A和业务方B的网络原始数据来设置各自的业务标的物的特征向量时，会要求业务方A的N个会话的特征向量平均值，与业务方B的特征向量平均值尽量接近，后续实施例中，为了便于表述，在列举实际例子时，均以N＝1的情况为例进行说明，将不再赘述。
实际应用中，可以在第三方汇总并参考多个业务方的网络原始数据，从而设置各个业务方的业务标的物的特征向量，为便于表述，后续实施例中，以业务方A和业务方B为例进行介绍。
参阅图1所示，本发明实施例中，进行序列化信息推荐的详细程如下：
S101：第一业务方获取第一网络原始数据，并采用同态加密技术确定与指定的至少一个其他业务方之间共同的业务标的物。
其中，所述共同的业务标的物可以包括共同用户，如，业务方A的用户ai与业务方B的用户bj，表征为同一用户；
进一步地，所述共同的业务标的物也可以包括共同物品，如，业务方A的第k个物品与业务方B的第j个物品，表征为同一物品；
进一步地，所述共同的业务标的物还可以包括同一用户的同一物品，如，业务方A的用户ai的第k个物品与业务方B的用户bj的第j个物品，表征为同一用户的同一物品。
S102：第一业务方选取一个业务标的物，根据最新的第一网络原始数据，计算所述一个业务标的物，在N条会话中的第一特征向量平均值，以及第一特征向量平均值的第一梯度值，其中，N为预设自然数。
具体的，确定基于所述最新的第一网络原始数据生成的分层循环神经网络RNN，所述分层RNN中，包含第一RNN和第二RNN，所述第一RNN记录各条会话内部的用户和物品的交互关系，所述第二RNN记录各条会话之间的交互关系；
基于所述分层RNN的目标函数，以及所述第一特征向量平均值，计算所述第一梯度值。
以共同的业务标的物为重合用户为例，业务方A在与业务方B的重合用户中选取一个用户ai，则根据最新的第一网络原始数据，从N条会话中提取特征向量包括浏览物品、点击物品、收藏物品、购买物品、评价物品等特征元素，计算所述一个用户ai在N条会话中的第一特征向量平均值
Figure BDA0002050897670000101
以及
Figure BDA0002050897670000102
对应的第一梯度值
Figure BDA0002050897670000103
计算与所述一个用户ai有交互关系的物品的第一特征向量平均值
Figure BDA0002050897670000104
以及
Figure BDA0002050897670000105
对应的第一梯度值
Figure BDA0002050897670000106
为便于表述，后续实施例中，以所述一个业务标的物的第一特征向量平均值
Figure BDA0002050897670000107
和
Figure BDA0002050897670000108
以及
Figure BDA0002050897670000109
和
Figure BDA00020508976700001010
对应的第一梯度值
Figure BDA00020508976700001011
和
Figure BDA00020508976700001012
进行说明，将不再赘述；
以共同的业务标的物为重合物品为例，业务方A在与业务方B的重合物品中选取一个物品，则根据最新的第一网络原始数据，从N条会话中提取特征向量包括物品属性、用户浏览记录、用户点击记录、用户购买记录、相关物品关联等特征元素，计算所述一个物品在N条会话中的第一特征向量平均值
Figure BDA0002050897670000111
以及
Figure BDA0002050897670000112
对应的第一梯度值
Figure BDA0002050897670000113
计算与所述一个物品有交互关系的用户的第一特征向量平均值
Figure BDA0002050897670000114
以及
Figure BDA0002050897670000115
对应的第一梯度值
Figure BDA0002050897670000116
为便于表述，后续实施例中，以所述一个业务标的物的第一特征向量平均值
Figure BDA0002050897670000117
和
Figure BDA0002050897670000118
以及
Figure BDA0002050897670000119
和
Figure BDA00020508976700001110
对应的第一梯度值
Figure BDA00020508976700001111
和
Figure BDA00020508976700001112
进行说明，将不再赘述。
S103：第一业务方将所述第一特征向量平均值发往至少一个其他业务方，触发所述至少一个其他业务方结合相应的其他业务网络原始数据，计算所述一个业务标的物的梯度调整值，并将所述梯度调整值发往第三方。
具体的，第一业务方将所述第一特征向量平均值发往至少一个其他业务方包括，将所述第一特征向量平均值经同态加密后发往至少一个其他业务方；
将所述第一梯度值发往第三方，包括，将所述第一梯度值经同态加密，密钥共享加密或混淆电路加密后，发往第三方。
具体的，业务方A将第一特征向量平均值
Figure BDA00020508976700001113
和
Figure BDA00020508976700001114
经过同态加密技术加密后，得到
Figure BDA00020508976700001115
和
Figure BDA00020508976700001116
并发送给业务方B。
业务方B接收到业务方A发送的加密后的第一特征向量平均值
Figure BDA00020508976700001117
和
Figure BDA00020508976700001118
之后，会基于本地收集的最新的第二网络原始数据，计算所述一个业务标的物的第二特征向量平均值
Figure BDA00020508976700001119
和
Figure BDA00020508976700001120
根据第二特征向量平均值
Figure BDA00020508976700001121
和
Figure BDA00020508976700001122
与接收到的第一特征向量平均值
Figure BDA00020508976700001123
和
Figure BDA00020508976700001124
之间的第一差值，计算所述第一特征向量平均值的第一梯度调整值
Figure BDA00020508976700001125
和
Figure BDA00020508976700001126
并将经过同态加密后的
Figure BDA00020508976700001127
和
Figure BDA00020508976700001128
发往第三方。其中，所述第一梯度调整值令所述第一差值的取值最小化。
S104：第一业务方将所述第一梯度值发往第三方，触发所述第三方接收到所述至少一个其他业务方发送的所述梯度调整值时，根据所述梯度调整值对所述第一梯度值进行更新。
具体的，业务方A将同态加密后的第一梯度值
Figure BDA0002050897670000121
和
Figure BDA0002050897670000122
发往第三方。
第三方根据接收业务方B发送的第一梯度调整值
Figure BDA0002050897670000123
和
Figure BDA0002050897670000124
对业务方A的所述一个业务标的物的第一梯度值
Figure BDA0002050897670000125
和
Figure BDA0002050897670000126
进行更新，并将解密后新的第一梯度值
Figure BDA0002050897670000127
和
Figure BDA0002050897670000128
发送给业务方A。
进一步地，第一业务方也可以接收其他业务方发送的其他业务方的特征向量平均值，并结合本地的网络原始数据进行相关处理，具体方式与上述过程类似，将不再描述。
如，首先，第一业务方接收至少一个其他业务方发送的所述一个业务标的物的第三特征向量平均值，所述第三特征向量平均值是所述至少一个其他业务方，基于相应的其他网络原始数据中所述一个业务标的物相关联的N个会话生成的；然后，第一业务方基于本地最新的第一网络原始数据中所述一个业务标的物相关联的N个会话，生成相应的第四特征向量平均值；
其次，第一业务方计算所述第三特征向量平均值和第四特征向量平均值的第二差值；
再次，第一业务方基于所述第二差值，设置所述第三特征向量平均值的第二梯度调整值，所述第二梯度调整值令所述第二差值的取值最小化；
最后，第一业务方将所述第二梯度调整值发送到第三方，触发所述第三方基于所述第二梯度调整值，对从所述至少一个其他业务方接收的所述第三特征向量平均值的第二梯度值进行相应调整。
例如，业务方A接收业务方B发送的所述一个业务标的物的第三特征向量平均值
Figure BDA0002050897670000129
和
Figure BDA00020508976700001210
基于本地收集的最新的第一网络原始数据中所述一个业务标的物相关联的N条会话中，生成相应的第四特征向量平均值
Figure BDA00020508976700001211
和
Figure BDA00020508976700001212
根据第三特征向量平均值
Figure BDA00020508976700001213
和
Figure BDA00020508976700001214
与第四特征向量平均值
Figure BDA00020508976700001215
和
Figure BDA00020508976700001216
之间的第二差值，生成所述第三特征向量平均值
Figure BDA0002050897670000131
和
Figure BDA0002050897670000132
的第二梯度调整值
Figure BDA0002050897670000133
和
Figure BDA0002050897670000134
并将经过同态加密后的
Figure BDA0002050897670000135
和
Figure BDA0002050897670000136
发往第三方。
第三方根据接收业务方A发送的第二梯度调整值
Figure BDA0002050897670000137
和
Figure BDA0002050897670000138
对业务方B的所述一个业务标的物的第二梯度值
Figure BDA0002050897670000139
和
Figure BDA00020508976700001310
进行更新，并将解密后新的第二梯度值
Figure BDA00020508976700001311
和
Figure BDA00020508976700001312
发送给业务方B。
S105：第一业务方接收所述第三方返回的更新后的第一梯度值，并根据所述第一梯度值更新所述第一特征向量平均值。
S106：第一业务方根据更新结果判断所述一个业务标的物的迭代结果是否收敛，若是，则执行S107，否则，返回步骤S102。
具体的，在执行步骤106时，判断所述第一特征向量平均值与上一轮迭代中的所述第一特征向量平均值是否一致，若是，则判定所述一个业务标的物的迭代结果收敛，否则，判定所述一个业务标的物的迭代结果不收敛。
S107：第一业务方判断全部业务标的物的迭代结果是否收敛，若是，则执行S108，否则，返回S102。
S108：第一业务方基于各个业务标的物最终输出的第一特征向量平均值，进行序列化信息推荐。
具体的，在进行序列化信息推荐时，第一业务方确定各个业务标的物中包含的各个用户的第一特征向量平均值，以及确定各个业务标的物中包含的各个物品的第一特征向量平均值；
针对至少一个用户，执行以下操作：计算所述至少一个用户的第一特征向量平均值和各个物品的第一特征向量之间的相似度；按照相似度从高到低的顺序，向所述至少一个用户推荐相应的物品。
例如：假设业务方A中，用户ai点击浏览过的物品为牙膏、牙刷、洗面奶等洗漱用品，相应的，用户ai以用户bi的身份在业务方B中点击浏览过的物品为收纳盒、洗漱包等收纳物品，那么，经过上述计算后，业务方A便可以获得用户ai的业务方A和业务方B所全部物品，并根据分层RNN的目标函数，计算各个物品和用户ai的第一特征向量平均值的相似度，最终决定向用户ai推荐洗漱包。
基于上述实施例，进一步地，假设业务方A中出现添加新用户、用户浏览新物品等操作行为时，业务方A可以定期更新本地的网络原始数据，并基于更新后的网络原始数据，更新相应的分层RNN的目标函数，即重新计算业务方A的RNN模型θ(A)和梯度值Δθ(A)，从而完成对θ(A)的更新。
如果θ(A)更新了，业务方A就需要再使用上述流程对各个业务标的物的特征向量平均值以及对应的梯度值进行重新计算，并基于各个业务标的物最终输出的第一特征向量平均值，重新对业务方A的至少一个用户进行序列化信息推荐，具体方式与上述实施例中介绍的流程相同，将不再赘述。
基于同一发明构思，参阅图2所示，本发明实施例中，提供一种序列化信息的推荐装置，至少包括获取模块201，处理模块202和推荐模块203，其中，
获取模块201，用于获取第一网络原始数据，并采用同态加密技术确定与指定的至少一个其他业务方之间共同的业务标的物；
处理模块202，用于针对所述第一网络原始数据中所述共同的业务标的物对应的各条会话，采用循环迭代的方式分别计算所述各个会话中各个所述业务标的物的特征向量，直至相应的业务标的物的迭代结果收敛为止，其中，在一轮迭代中针对N条会话中的一个业务标的物计算特征向量包括：
根据最新的第一网络原始数据，计算所述一个业务标的物，在N条会话中的第一特征向量平均值，以及第一特征向量平均值的第一梯度值，其中，N为预设自然数；
将所述第一特征向量平均值发往至少一个其他业务方，触发所述至少一个其他业务方结合相应的其他网络原始数据，计算所述一个业务标的物的第一梯度调整值，并将所述第一梯度调整值发往第三方；
将所述第一梯度值发往第三方，触发所述第三方接收到所述至少一个其他业务方发送的所述第一梯度调整值时，根据所述第一梯度调整值对所述第一梯度值进行更新；
接收所述第三方返回的更新后的第一梯度值，并根据所述第一梯度值更新所述第一特征向量平均值，并根据更新结果判断迭代结果是否收敛，获得判断结果；
推荐模块203，用于基于各个业务标的物最终输出的第一特征向量平均值，进行序列化信息推荐。
可选的，计算所述第一特征向量平均值的第一梯度值时，所述处理模块202用于：
确定基于所述最新的第一网络原始数据生成的分层循环神经网络RNN，所述分层RNN中，包含第一RNN和第二RNN，所述第一RNN记录各条会话内部的用户和物品的交互关系，所述第二RNN记录各条会话之间的交互关系；
基于所述分层RNN的目标函数，以及所述第一特征向量平均值，计算所述第一梯度值。
可选的，将所述第一特征向量平均值发往至少一个其他业务方时，所述处理模块202用于：
将所述第一特征向量平均值经同态加密后发往至少一个其他业务方；
将所述第一梯度值发往第三方，包括：
将所述第一梯度值经同态加密，密钥共享加密或混淆电路加密后，发往第三方。
可选的，将所述第一特征向量平均值发往至少一个其他业务方时，触发所述至少一个其他业务方结合相应的其他网络原始数据，计算所述一个业务标的物的梯度调整值，所述处理模块202用于：
触发所述至少一个其他业务方执行以下操作：
基于所述至少一个其他业务方对应的其他网络原始数据中的所述一个业务标的物相关联的N个会话，生成相应的第二特征向量平均值；
计算所述第一特征向量平均值和第二特征向量平均值的第一差值；
基于所述第一差值，设置所述第一特征向量平均值的第一梯度调整值，所述第一梯度调整值令所述第一差值的取值最小化。
可选的，所述处理模块202进一步用于：
接收至少一个其他业务方发送的所述一个业务标的物的第三特征向量平均值，所述第三特征向量平均值是所述至少一个其他业务方，基于相应的其他网络原始数据中所述一个标的物相关联的N个会话生成的；
基于本地最新的第一网络原始数据中所述一个业务标的物相关联的N个会话，生成相应的第四特征向量平均值；
计算所述第三特征向量平均值和第四特征向量平均值的第二差值；
基于所述第二差值，设置所述第三特征向量平均值的第二梯度调整值，所述第二梯度调整值令所述第二差值的取值最小化；
将所述第二梯度调整值发送到第三方，触发所述第三方基于所述第二梯度调整值，对从所述至少一个其他业务方接收的所述第三特征向量平均值的第二梯度值进行相应调整。
可选的，根据所述第一梯度值更新所述第一特征向量平均值，并根据更新结果判断迭代结果是否收敛，获得判断结果，所述处理模块202用于：
判断新的所述第一特征向量平均值与上一轮迭代中的所述第一特征向量平均值是否一致；
若是，则判定所述一个业务标的物的迭代结果收敛；
否则，判定所述一个业务标的物的迭代结果不收敛。
可选的，基于各个业务标的物最终输出的第一特征向量，进行序列化信息推荐时，所述推荐模块203用于：
确定各个业务标的物中包含的各个用户的第一特征向量平均值，以及确定各个业务标的物中包含的各个物品的第一特征向量平均值；
针对至少一个用户，执行以下操作：
计算所述至少一个用户的第一特征向量平均值和各个物品的第一特征向量之间的相似度；
按照相似度从高到低的顺序，向所述至少一个用户推荐相应的物品。
基于同一发明构思，参阅图3所示，本发明实施例中，提供一种计算设备，至少包括存储器301和处理器302，其中，
存储器301，用于存储程序指令；
处理器302，用于读取所述程序指令，并执行以下操作：
获取第一网络原始数据，并采用同态加密技术确定与指定的至少一个其他业务方之间共同的业务标的物；
针对所述第一网络原始数据中所述共同的业务标的物对应的各条会话，采用循环迭代的方式分别计算所述各个会话中各个所述业务标的物的特征向量，直至相应的业务标的物的迭代结果收敛为止，其中，在一轮迭代中针对N条会话中的一个业务标的物计算特征向量包括：
根据最新的第一网络原始数据，计算所述一个业务标的物，在N条会话中的第一特征向量平均值，以及第一特征向量平均值的第一梯度值，其中，N为预设自然数；
将所述第一特征向量平均值发往至少一个其他业务方，触发所述至少一个其他业务方结合相应的其他网络原始数据，计算所述一个业务标的物的第一梯度调整值，并将所述第一梯度调整值发往第三方；
将所述第一梯度值发往第三方，触发所述第三方接收到所述至少一个其他业务方发送的所述第一梯度调整值时，根据所述第一梯度调整值对所述第一梯度值进行更新；
接收所述第三方返回的更新后的第一梯度值，并根据所述第一梯度值更新所述第一特征向量平均值，并根据更新结果判断迭代结果是否收敛，获得判断结果；
基于各个业务标的物最终输出的第一特征向量平均值，进行序列化信息推荐。
可选的，计算所述第一特征向量平均值的第一梯度值时，所述处理器302用于：
确定基于所述最新的第一网络原始数据生成的分层循环神经网络RNN，所述分层RNN中，包含第一RNN和第二RNN，所述第一RNN记录各条会话内部的用户和物品的交互关系，所述第二RNN记录各条会话之间的交互关系；
基于所述分层RNN的目标函数，以及所述第一特征向量平均值，计算所述第一梯度值。
可选的，将所述第一特征向量平均值发往至少一个其他业务方时，所述处理器302用于：
将所述第一特征向量平均值经同态加密后发往至少一个其他业务方；
将所述第一梯度值发往第三方，包括：
将所述第一梯度值经同态加密，密钥共享加密或混淆电路加密后，发往第三方。
可选的，将所述第一特征向量平均值发往至少一个其他业务方时，触发所述至少一个其他业务方结合相应的其他网络原始数据，计算所述一个业务标的物的梯度调整值，所述处理器302用于：
触发所述至少一个其他业务方执行以下操作：
基于所述至少一个其他业务方对应的其他网络原始数据中的所述一个业务标的物相关联的N个会话，生成相应的第二特征向量平均值；
计算所述第一特征向量平均值和第二特征向量平均值的第一差值；
基于所述第一差值，设置所述第一特征向量平均值的第一梯度调整值，所述第一梯度调整值令所述第一差值的取值最小化。
可选的，所述处理器302进一步用于：
接收至少一个其他业务方发送的所述一个业务标的物的第三特征向量平均值，所述第三特征向量平均值是所述至少一个其他业务方，基于相应的其他网络原始数据中所述一个标的物相关联的N个会话生成的；
基于本地最新的第一网络原始数据中所述一个业务标的物相关联的N个会话，生成相应的第四特征向量平均值；
计算所述第三特征向量平均值和第四特征向量平均值的第二差值；
基于所述第二差值，设置所述第三特征向量平均值的第二梯度调整值，所述第二梯度调整值令所述第二差值的取值最小化；
将所述第二梯度调整值发送到第三方，触发所述第三方基于所述第二梯度调整值，对从所述至少一个其他业务方接收的所述第三特征向量平均值的第二梯度值进行相应调整。
可选的，根据所述第一梯度值更新所述第一特征向量平均值，并根据更新结果判断迭代结果是否收敛，获得判断结果，所述处理器302用于：
判断新的所述第一特征向量平均值与上一轮迭代中的所述第一特征向量平均值是否一致；
若是，则判定所述一个业务标的物的迭代结果收敛；
否则，判定所述一个业务标的物的迭代结果不收敛。
可选的，基于各个业务标的物最终输出的第一特征向量，进行序列化信息推荐时，所述处理器302用于：
确定各个业务标的物中包含的各个用户的第一特征向量平均值，以及确定各个业务标的物中包含的各个物品的第一特征向量平均值；
针对至少一个用户，执行以下操作：
计算所述至少一个用户的第一特征向量平均值和各个物品的第一特征向量之间的相似度；
按照相似度从高到低的顺序，向所述至少一个用户推荐相应的物品。
基于同一发明构思，本发明实施例中，提供一种计算机可读非易失性存储介质，至少包括：包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行获取第一网络原始数据，并采用同态加密技术确定与指定的至少一个其他业务方之间共同的业务标的物；
针对所述第一网络原始数据中所述共同的业务标的物对应的各条会话，采用循环迭代的方式分别计算所述各个会话中各个所述业务标的物的特征向量，直至相应的业务标的物的迭代结果收敛为止，其中，在一轮迭代中针对N条会话中的一个业务标的物计算特征向量包括：
根据最新的第一网络原始数据，计算所述一个业务标的物，在N条会话中的第一特征向量平均值，以及第一特征向量平均值的第一梯度值，其中，N为预设自然数；
将所述第一特征向量平均值发往至少一个其他业务方，触发所述至少一个其他业务方结合相应的其他网络原始数据，计算所述一个业务标的物的第一梯度调整值，并将所述第一梯度调整值发往第三方；
将所述第一梯度值发往第三方，触发所述第三方接收到所述至少一个其他业务方发送的所述第一梯度调整值时，根据所述第一梯度调整值对所述第一梯度值进行更新；
接收所述第三方返回的更新后的第一梯度值，并根据所述第一梯度值更新所述第一特征向量平均值，并根据更新结果判断迭代结果是否收敛，获得判断结果；
基于各个业务标的物最终输出的第一特征向量平均值，进行序列化信息推荐。
基于上述实施例，本发明实施例中，第一业务方基于本地的网络原始数据生成与其他业务方之间的共同的各个业务标的物的特征向量平均值，并将获得的特征向量发往至少一个其他业务方，以及将生成的特征向量平均值的梯度值发往第三方，而第三方基于其他业务方结合相应的其他网络原始数据，计算得到的所述各个业务标的物的梯度调整值，对第一业务方的梯度值进行更新，并将更新后的梯度值反馈给第一业务方，这样，第一业务方可以根据基于多个业务方的网络原始数据更新的梯度值，获得所述各个业务标的物最新的特征向量平均值，即第一业务方能够基于多个数据源，准确及时地掌握业务标的物的最新最全面的特征，从而能够根据各个业务标的物的最新的特征向量平均值，进行准确的序列化信息推荐。
显然，采用本发明实施例提供的技术方案，可以利用会话控制的特点，令参与的各个业务方在不披露底层数据和底层数据的加密形态的前提下，将基于各自本地的网络原始数据生成的各个共同业务标的物的特征向量平均值发往至少一个其他业务方，从而在各个业务方之间共享共同标的物在不同的业务方中的特征向量，并且通过第三方，收集各个业务方对共同标的物的特征向量产生的梯度调整值，综合多个业务方的意见，完成共同标的物的特征向量的调整更新。
这样，既解决了各个业务方的数据隐私与用户隐私问题，又打破数据孤岛的壁垒，实现了基于多个数据源的网络原始数据生成共同标的物的特征向量平均值的方案，从而有效提高了共同标的物的特征描述的准确性和全面性，进而显著提高了后续的序列化信息推荐的准确度，在一定程度上节省了用户查找业务标的物的操作耗时，提升了用户体验。
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和光学存储器等)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。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明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 (16)

1.一种序列化信息的推荐方法，其特征在于，包括：
第一业务方获取第一网络原始数据，并采用同态加密技术确定与指定的至少一个其他业务方之间共同的业务标的物，所述共同的业务标的物为相同的至少一个用户，或者同一用户的至少一个相同物品，第一业务方和至少一个其他业务方为不同的平台；
第一业务方针对所述第一网络原始数据中所述共同的业务标的物对应的各条会话，采用循环迭代的方式分别计算所述各个会话中各个所述业务标的物的特征向量，直至相应的业务标的物的迭代结果收敛为止，其中，在一轮迭代中针对N条会话中的一个业务标的物计算特征向量包括：
第一业务方根据最新的第一网络原始数据，计算所述一个业务标的物，在N条会话中的第一特征向量平均值，以及第一特征向量平均值的第一梯度值，其中，N为预设自然数；
第一业务方将所述第一特征向量平均值发往至少一个其他业务方，触发所述至少一个其他业务方结合相应的其他网络原始数据，计算所述一个业务标的物的第一梯度调整值，并将所述第一梯度调整值发往第三方；
第一业务方将所述第一梯度值发往第三方，触发所述第三方接收到所述至少一个其他业务方发送的所述第一梯度调整值时，根据所述第一梯度调整值对所述第一梯度值进行更新；
第一业务方接收所述第三方返回的更新后的第一梯度值，并根据所述第一梯度值更新所述第一特征向量平均值，并根据更新结果判断迭代结果是否收敛，获得判断结果；
第一业务方基于各个业务标的物最终输出的第一特征向量平均值，进行序列化信息推荐。
2.如权利要求1所述的方法，其特征在于，第一业务方计算所述第一特征向量平均值的第一梯度值，包括：
确定基于所述最新的第一网络原始数据生成的分层循环神经网络RNN，所述分层RNN中，包含第一RNN和第二RNN，所述第一RNN记录各条会话内部的用户和物品的交互关系，所述第二RNN记录各条会话之间的交互关系；
基于所述分层RNN的目标函数，以及所述第一特征向量平均值，计算所述第一梯度值。
3.如权利要求1所述的方法，其特征在于，第一业务方将所述第一特征向量平均值发往至少一个其他业务方，包括：
将所述第一特征向量平均值经同态加密后发往至少一个其他业务方；
将所述第一梯度值发往第三方，包括：
将所述第一梯度值经同态加密，密钥共享加密或混淆电路加密后，发往第三方。
4.如权利要求1所述的方法，其特征在于，第一业务方将所述第一特征向量平均值发往至少一个其他业务方，触发所述至少一个其他业务方结合相应的其他网络原始数据，计算所述一个业务标的物的梯度调整值，包括：
触发所述至少一个其他业务方执行以下操作：
基于所述至少一个其他业务方对应的其他网络原始数据中的所述一个业务标的物相关联的N个会话，生成相应的第二特征向量平均值；
计算所述第一特征向量平均值和第二特征向量平均值的第一差值；
基于所述第一差值，设置所述第一特征向量平均值的第一梯度调整值，所述第一梯度调整值令所述第一差值的取值最小化。
5.如权利要求1－4任一项所述的方法，其特征在于，进一步包括：
第一业务方接收至少一个其他业务方发送的所述一个业务标的物的第三特征向量平均值，所述第三特征向量平均值是所述至少一个其他业务方，基于相应的其他网络原始数据中所述一个标的物相关联的N个会话生成的；
第一业务方基于本地最新的第一网络原始数据中所述一个业务标的物相关联的N个会话，生成相应的第四特征向量平均值；
第一业务方计算所述第三特征向量平均值和第四特征向量平均值的第二差值；
基于所述第二差值，设置所述第三特征向量平均值的第二梯度调整值，所述第二梯度调整值令所述第二差值的取值最小化；
将所述第二梯度调整值发送到第三方，触发所述第三方基于所述第二梯度调整值，对从所述至少一个其他业务方接收的所述第三特征向量平均值的第二梯度值进行相应调整。
6.如权利要求1－4任一项所述的方法，其特征在于，第一业务方根据所述第一梯度值更新所述第一特征向量平均值，并根据更新结果判断迭代结果是否收敛，获得判断结果，包括：
判断新的所述第一特征向量平均值与上一轮迭代中的所述第一特征向量平均值是否一致；
若是，则判定所述一个业务标的物的迭代结果收敛；
否则，判定所述一个业务标的物的迭代结果不收敛。
7.如权利要求1－4任一项所述的方法，其特征在于，第一业务方基于各个业务标的物最终输出的第一特征向量，进行序列化信息推荐，包括：
确定各个业务标的物中包含的各个用户的第一特征向量平均值，以及确定各个业务标的物中包含的各个物品的第一特征向量平均值；
针对至少一个用户，执行以下操作：
计算所述至少一个用户的第一特征向量平均值和各个物品的第一特征向量之间的相似度；
按照相似度从高到低的顺序，向所述至少一个用户推荐相应的物品。
8.一种序列化信息的推荐装置，其特征在于，包括：
获取模块，用于获取第一网络原始数据，并采用同态加密技术确定与指定的至少一个其他业务方之间共同的业务标的物，所述共同的业务标的物为相同的至少一个用户，或者同一用户的至少一个相同物品，第一业务方和至少一个其他业务方为不同的平台；
处理模块，用于针对所述第一网络原始数据中所述共同的业务标的物对应的各条会话，采用循环迭代的方式分别计算所述各个会话中各个所述业务标的物的特征向量，直至相应的业务标的物的迭代结果收敛为止，其中，在一轮迭代中针对N条会话中的一个业务标的物计算特征向量包括：
根据最新的第一网络原始数据，计算所述一个业务标的物，在N条会话中的第一特征向量平均值，以及第一特征向量平均值的第一梯度值，其中，N为预设自然数；
将所述第一特征向量平均值发往至少一个其他业务方，触发所述至少一个其他业务方结合相应的其他网络原始数据，计算所述一个业务标的物的第一梯度调整值，并将所述第一梯度调整值发往第三方；
将所述第一梯度值发往第三方，触发所述第三方接收到所述至少一个其他业务方发送的所述第一梯度调整值时，根据所述第一梯度调整值对所述第一梯度值进行更新；
接收所述第三方返回的更新后的第一梯度值，并根据所述第一梯度值更新所述第一特征向量平均值，并根据更新结果判断迭代结果是否收敛，获得判断结果；
推荐模块，用于基于各个业务标的物最终输出的第一特征向量平均值，进行序列化信息推荐。
9.如权利要求8所述的装置，其特征在于，计算所述第一特征向量平均值的第一梯度值时，所述处理模块用于：
确定基于所述最新的第一网络原始数据生成的分层循环神经网络RNN，所述分层RNN中，包含第一RNN和第二RNN，所述第一RNN记录各条会话内部的用户和物品的交互关系，所述第二RNN记录各条会话之间的交互关系；
基于所述分层RNN的目标函数，以及所述第一特征向量平均值，计算所述第一梯度值。
10.如权利要求8所述的装置，其特征在于，将所述第一特征向量平均值发往至少一个其他业务方时，所述处理模块用于：
将所述第一特征向量平均值经同态加密后发往至少一个其他业务方；
将所述第一梯度值发往第三方，包括：
将所述第一梯度值经同态加密，密钥共享加密或混淆电路加密后，发往第三方。
11.如权利要求8所述的装置，其特征在于，将所述第一特征向量平均值发往至少一个其他业务方时，触发所述至少一个其他业务方结合相应的其他网络原始数据，计算所述一个业务标的物的梯度调整值，所述处理模块用于：
触发所述至少一个其他业务方执行以下操作：
基于所述至少一个其他业务方对应的其他网络原始数据中的所述一个业务标的物相关联的N个会话，生成相应的第二特征向量平均值；
计算所述第一特征向量平均值和第二特征向量平均值的第一差值；
基于所述第一差值，设置所述第一特征向量平均值的第一梯度调整值，所述第一梯度调整值令所述第一差值的取值最小化。
12.如权利要求8－11任一项所述的装置，其特征在于，所述处理模块进一步用于：
接收至少一个其他业务方发送的所述一个业务标的物的第三特征向量平均值，所述第三特征向量平均值是所述至少一个其他业务方，基于相应的其他网络原始数据中所述一个标的物相关联的N个会话生成的；
基于本地最新的第一网络原始数据中所述一个业务标的物相关联的N个会话，生成相应的第四特征向量平均值；
计算所述第三特征向量平均值和第四特征向量平均值的第二差值；
基于所述第二差值，设置所述第三特征向量平均值的第二梯度调整值，所述第二梯度调整值令所述第二差值的取值最小化；
将所述第二梯度调整值发送到第三方，触发所述第三方基于所述第二梯度调整值，对从所述至少一个其他业务方接收的所述第三特征向量平均值的第二梯度值进行相应调整。
13.如权利要求8－11任一项所述的装置，其特征在于，根据所述第一梯度值更新所述第一特征向量平均值，并根据更新结果判断迭代结果是否收敛，获得判断结果，所述处理模块用于：
判断新的所述第一特征向量平均值与上一轮迭代中的所述第一特征向量平均值是否一致；
若是，则判定所述一个业务标的物的迭代结果收敛；
否则，判定所述一个业务标的物的迭代结果不收敛。
14.如权利要求8－11任一项所述的装置，其特征在于，基于各个业务标的物最终输出的第一特征向量，进行序列化信息推荐时，所述推荐模块用于：
确定各个业务标的物中包含的各个用户的第一特征向量平均值，以及确定各个业务标的物中包含的各个物品的第一特征向量平均值；
针对至少一个用户，执行以下操作：
计算所述至少一个用户的第一特征向量平均值和各个物品的第一特征向量之间的相似度；
按照相似度从高到低的顺序，向所述至少一个用户推荐相应的物品。
15.一种计算设备，其特征在于，包括：
存储器，用于存储程序指令；
处理器，用于读取所述存储器中存储的程序指令，按照获得的程序指令执行权利要求1至7任一项所述的方法。
16.一种计算机可读非易失性存储介质，其特征在于，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行如权利要求1至7任一项所述的方法。
CN201910373710.1A 2019-05-07 2019-05-07 一种序列化信息的推荐方法及装置 Active CN110196944B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910373710.1A CN110196944B (zh) 2019-05-07 2019-05-07 一种序列化信息的推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910373710.1A CN110196944B (zh) 2019-05-07 2019-05-07 一种序列化信息的推荐方法及装置

Publications (2)

Publication Number Publication Date
CN110196944A CN110196944A (zh) 2019-09-03
CN110196944B true CN110196944B (zh) 2021-06-01

Family

ID=67752356

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910373710.1A Active CN110196944B (zh) 2019-05-07 2019-05-07 一种序列化信息的推荐方法及装置

Country Status (1)

Country Link
CN (1) CN110196944B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106157156A (zh) * 2016-07-29 2016-11-23 电子科技大学 一种基于用户社区的协作推荐系统
CN108304526A (zh) * 2018-01-25 2018-07-20 腾讯科技（深圳）有限公司 一种数据处理方法、装置及服务器
CN108520303A (zh) * 2018-03-02 2018-09-11 阿里巴巴集团控股有限公司 一种推荐系统构建方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7685232B2 (en) * 2008-06-04 2010-03-23 Samsung Electronics Co., Ltd. Method for anonymous collaborative filtering using matrix factorization
EP3031165A2 (en) * 2013-08-09 2016-06-15 Thomson Licensing A method and system for privacy preserving matrix factorization
EP3610425A4 (en) * 2017-05-26 2020-11-04 Microsoft Technology Licensing, LLC PROVISION OF MESSAGE RECOMMENDATIONS FOR AUTOMATED CHATING

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106157156A (zh) * 2016-07-29 2016-11-23 电子科技大学 一种基于用户社区的协作推荐系统
CN108304526A (zh) * 2018-01-25 2018-07-20 腾讯科技（深圳）有限公司 一种数据处理方法、装置及服务器
CN108520303A (zh) * 2018-03-02 2018-09-11 阿里巴巴集团控股有限公司 一种推荐系统构建方法及装置

Also Published As

Publication number Publication date
CN110196944A (zh) 2019-09-03

Similar Documents

Publication Publication Date Title
Luo et al. Adjusting learning depth in nonnegative latent factorization of tensors for accurately modeling temporal patterns in dynamic QoS data
US20230078061A1 (en) Model training method and apparatus for federated learning, device, and storage medium
US10380500B2 (en) Version control for asynchronous distributed machine learning
CN111079015B (zh) 一种推荐方法、装置、计算机设备和存储介质
CN110162698B (zh) 一种用户画像数据处理方法、装置及存储介质
CN111368901A (zh) 基于联邦学习的多方联合建模方法、设备和介质
CN108446964B (zh) 一种基于移动流量dpi数据的用户推荐方法
CN111553744A (zh) 联邦产品推荐方法、装置、设备及计算机存储介质
WO2017052671A1 (en) Regularized model adaptation for in-session recommendations
CN111553745A (zh) 基于联邦的模型更新方法、装置、设备及计算机存储介质
Shafqat et al. A hybrid GAN-based approach to solve imbalanced data problem in recommendation systems
CN110036643A (zh) 检测在参考内容前面摄取的相似直播流
CN116629937A (zh) 营销策略推荐方法及装置
CN111553742A (zh) 联邦产品推荐方法、装置、设备及计算机存储介质
Zou et al. TRCF: Temporal reinforced collaborative filtering for time-aware QoS prediction
CN116738493B (zh) 一种基于分类类别的数据加密存储方法及装置
CN111553743A (zh) 联邦产品推荐方法、装置、设备及计算机存储介质
CN109146606A (zh) 一种品牌推荐方法、电子设备、存储介质及系统
CN110781929B (zh) 信用预测模型的训练方法、预测方法及装置、介质和设备
CN110175283B (zh) 一种推荐模型的生成方法及装置
CN109635193B (zh) 一种书籍阅读共享平台
CN110196944B (zh) 一种序列化信息的推荐方法及装置
Wu et al. A hybrid approach based on collaborative filtering to recommending mobile apps
Chang et al. A Stock-Movement Aware Approach for Discovering Investors' Personalized Preferences in Stock Markets
CN115345635A (zh) 推荐内容的处理方法、装置、计算机设备和存储介质

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