CN110297848A - 基于联邦学习的推荐模型训练方法、终端及存储介质 - Google Patents
基于联邦学习的推荐模型训练方法、终端及存储介质 Download PDFInfo
- Publication number
- CN110297848A CN110297848A CN201910614034.2A CN201910614034A CN110297848A CN 110297848 A CN110297848 A CN 110297848A CN 201910614034 A CN201910614034 A CN 201910614034A CN 110297848 A CN110297848 A CN 110297848A
- Authority
- CN
- China
- Prior art keywords
- user
- item
- recommended models
- application
- vector
- 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
- 238000012549 training Methods 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 206
- 230000003542 behavioural effect Effects 0.000 claims abstract description 100
- 238000013480 data collection Methods 0.000 claims abstract description 42
- 239000000284 extract Substances 0.000 claims abstract description 19
- 238000006116 polymerization reaction Methods 0.000 claims description 26
- 230000003252 repetitive effect Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 12
- 230000006399 behavior Effects 0.000 description 24
- 230000008569 process Effects 0.000 description 10
- 239000012141 concentrate Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 241001269238 Data Species 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 208000001491 myopia Diseases 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于联邦学习的推荐模型训练方法、终端及存储介质，所述方法包括：获取客户端应用在预设多种类型应用项目中记录的用户历史行为数据集；基于各组用户历史行为数据集提取各客户端应用的单一特征用户向量；并从目标应用的用户历史行为数据集中提取项目特征向量集和项目评分集；将各单一特征用户向量、项目特征向量集和项目评分集组合得到本地训练样本集；基于本地训练样本集参与联邦学习，得到目标类型应用项目的推荐模型。本发明实现了在联邦框架下进行模型训练以保护用户隐私数据的同时，基于多场景的数据进行推荐模型的训练，使得训练得到的推荐模型能够更准确地定位用户的偏好特征，从而提高了推荐模型的推荐效果。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于联邦学习的推荐模型训练方法、终端及存储介质。
背景技术
随着人工智能、机器学习技术的发展，为用户智能推荐音乐、电影、购物商品等项目的推荐系统也在不断的发展。目前的推荐系统会将用户的历史数据信息上传到中心数据库，将数据集中在一起进行推荐模型的训练，但是将用户数据上传到中心数据库，会存在泄漏用户隐私的风险。随着联邦学习概念的提出，可以通过在联邦学习架构下进行模型训练的方式，使用户的隐私数据不需上传，即可联合多个客户端进行有效的模型训练。但是这仅能解决隐私数据不上传的问题，而由于本地训练数据是来自单个客户端应用的数据，场景单一，所以推荐模型的效果并没有在本质上得到提升。
发明内容
本发明的主要目的在于提供一种基于联邦学习的推荐模型训练方法、终端及存储介质，旨在解决在联邦学习架构下，采用单一场景的数据进行训练得到的推荐模型推荐效果不佳的技术问题。
为实现上述目的，本发明提供一种基于联邦学习的推荐模型训练方法，所述方法应用于客户端，所述方法包括以下步骤：
获取客户端应用在预设多种类型应用项目中记录的用户历史行为数据集；
基于各组所述用户历史行为数据集，分别提取各所述客户端应用对应的单一特征用户向量；
在各所述客户端应用中确定目标应用和所述目标应用的目标类型应用项目，并从所述目标应用的所述用户历史行为数据集中，提取所述目标类型应用项目的项目特征向量集和项目评分集；
将各所述单一特征用户向量、所述项目特征向量集和所述项目评分集组合得到本地训练样本集；
基于所述本地训练样本集参与联邦学习，得到所述目标类型应用项目的推荐模型。
可选地，所述基于各组所述用户历史行为数据集，分别提取各所述客户端应用对应的单一特征用户向量的步骤包括：
逐个遍历各组所述用户历史行为数据集，对一组所述用户历史行为数据集中的每条行为数据，分别提取每条所述行为数据所指向应用项目的项目特征数据；
对各所述项目特征数据进行向量化，得到所述用户历史行为数据集所指向的各应用项目的项目特征向量集；
求取所述项目特征向量集的平均，将平均后的项目特征向量作为所述客户端应用对应的单一特征用户向量。
可选地，从所述目标应用的所述用户历史行为数据集中，提取所述目标类型应用项目的项目评分集的步骤包括：
对所述目标应用的所述用户历史行为数据集中的每条行为数据，分别提取每条所述行为数据所指向应用项目的用户偏好数据；
分别基于所述用户偏好数据计算对应应用项目的项目评分，得到所述目标类型应用项目的项目评分集。
可选地，所述将各所述单一特征用户向量、所述项目特征向量集和所述项目评分集组合得到本地训练样本集的步骤包括：
将各所述单一特征用户向量进行拼接得到多特征用户向量；
依次获取所述项目特征向量集中的项目特征向量、所述项目评分集中与所述项目特征向量对应的项目评分；
将获取到的各组项目特征向量和项目评分分别与所述多特征用户向量组合，将得到的各条本地训练样本作为本地训练样本集。
可选地，所述基于所述本地训练样本集参与联邦学习，得到所述目标类型应用项目的推荐模型的步骤包括：
从服务端获取待训练推荐模型的初始模型参数；
根据所述本地训练样本集和所述初始模型参数对所述待训练推荐模型进行本地训练得到模型参数更新；
将所述模型参数更新上传至所述服务端，以供所述服务端将各所述客户端上传的所述模型参数更新进行聚合处理得到聚合模型参数，并在检测到所述待训练推荐模型处于未收敛状态时将所述聚合模型参数返回各所述客户端继续迭代训练，直到检测到所述待训练推荐模型处于收敛状态时，将所述聚合模型参数作为所述待训练推荐模型的最终参数，得到所述目标类型应用项目的推荐模型，并将所述推荐模型下发至各所述客户端；
接收所述服务端下发的所述推荐模型。
可选地，所述将所述模型参数更新上传至所述服务端的步骤包括：
将所述模型参数更新按照预设加密算法进行加密处理后上传至所述服务端。
可选地，所述基于所述本地训练样本集参与联邦学习，得到所述目标类型应用项目的推荐模型的步骤之后，还包括：
获取待推荐应用项目的项目特征数据；
对所述项目特征数据进行向量化，得到所述待推荐应用项目的项目特征向量；
将所述项目特征向量、各所述单一特征用户向量输入所述推荐模型进行评分，得到所述待推荐应用项目的预测评分。
可选地，所述将各所述单一特征用户向量、所述项目特征向量集和所述项目评分集组合得到本地训练样本集的步骤之前，还包括：
获取所述客户端记录的用户画像特征数据；
对所述用户画像特征数据进行向量化，得到用户画像特征对应的单一特征用户向量。
此外，为实现上述目的，本发明还提供一种终端，所述终端包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的基于联邦学习的推荐模型训练程序，所述基于联邦学习的推荐模型训练程序被所述处理器执行时实现如上所述的基于联邦学习的推荐模型训练方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有基于联邦学习的推荐模型训练程序，所述基于联邦学习的推荐模型训练程序被处理器执行时实现如上所述的基于联邦学习的推荐模型训练方法的步骤。
本发明通过客户端获取多种类型的客户端应用的用户历史行为数据集，并利用获取到的多组用户历史行为数据集提取多种类型客户端应用分别对应的单一特征用户向量，使得用户向量不局限于表示一种类型的用户特征，而通过将各单一特征用户向量均作为本地训练样本的组成部分，使得本地训练样本集中的用户特征更加多样化，如短视频类应用对应的用户向量能够丰富用户的UGC(User Generated Content，用户生成内容)偏好特征，音乐类应用对应的用户向量能够丰富用户对歌手、流派的偏好特征，基于多样化的用户向量进行推荐模型的训练，使得训练得到的推荐模型能够更准确地定位用户的偏好特征，并基于准确表示用户偏好特征的多个单一特征用户向量，作出更符合用户偏好的项目预测评分，从而提高了推荐模型的推荐效果。同时，推荐模型的训练是在联邦学习框架下进行的，实现了保护用户隐私数据的效果。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的结构示意图；
图2为本发明基于联邦学习的推荐模型训练方法较佳实施例的流程示意图；
图3为本发明基于联邦学习的推荐模型训练方法实施例涉及的一种单一特征用户向量求取过程示意图；
图4为本发明基于联邦学习的推荐模型训练方法实施例涉及的一种多特征用户向量求取过程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供了一种终端，参照图1，图1是本发明实施例方案涉及的硬件运行环境的结构示意图。
需要说明的是，图1即可为终端的硬件运行环境的结构示意图。本发明实施例终端可以是PC，也可以是智能手机、智能电视机、平板电脑、便携计算机等具有显示功能的终端设备。
如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地，终端还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于联邦学习的推荐模型训练程序。
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的基于联邦学习的推荐模型训练程序，并执行以下操作：
获取客户端应用在预设多种类型应用项目中记录的用户历史行为数据集；
基于各组所述用户历史行为数据集，分别提取各所述客户端应用对应的单一特征用户向量；
在各所述客户端应用中确定目标应用和所述目标应用的目标类型应用项目，并从所述目标应用的所述用户历史行为数据集中，提取所述目标类型应用项目的项目特征向量集和项目评分集；
将各所述单一特征用户向量、所述项目特征向量集和所述项目评分集组合得到本地训练样本集；
基于所述本地训练样本集参与联邦学习，得到所述目标类型应用项目的推荐模型。
进一步地，所述基于各组所述用户历史行为数据集，分别提取各所述客户端应用对应的单一特征用户向量的步骤包括：
逐个遍历各组所述用户历史行为数据集，对一组所述用户历史行为数据集中的每条行为数据，分别提取每条所述行为数据所指向应用项目的项目特征数据；
对各所述项目特征数据进行向量化，得到所述用户历史行为数据集所指向的各应用项目的项目特征向量集；
求取所述项目特征向量集的平均，将平均后的项目特征向量作为所述客户端应用对应的单一特征用户向量。
进一步地，从所述目标应用的所述用户历史行为数据集中，提取所述目标类型应用项目的项目评分集的步骤包括：
对所述目标应用的所述用户历史行为数据集中的每条行为数据，分别提取每条所述行为数据所指向应用项目的用户偏好数据；
分别基于所述用户偏好数据计算对应应用项目的项目评分，得到所述目标类型应用项目的项目评分集。
进一步地，所述将各所述单一特征用户向量、所述项目特征向量集和所述项目评分集组合得到本地训练样本集的步骤包括：
将各所述单一特征用户向量进行拼接得到多特征用户向量；
依次获取所述项目特征向量集中的项目特征向量、所述项目评分集中与所述项目特征向量对应的项目评分；
将获取到的各组项目特征向量和项目评分分别与所述多特征用户向量组合，将得到的各条本地训练样本作为本地训练样本集。
进一步地，所述基于所述本地训练样本集参与联邦学习，得到所述目标类型应用项目的推荐模型的步骤包括：
从服务端获取待训练推荐模型的初始模型参数；
根据所述本地训练样本集和所述初始模型参数对所述待训练推荐模型进行本地训练得到模型参数更新；
将所述模型参数更新上传至所述服务端，以供所述服务端将各所述客户端上传的所述模型参数更新进行聚合处理得到聚合模型参数，并在检测到所述待训练推荐模型处于未收敛状态时将所述聚合模型参数返回各所述客户端继续迭代训练，直到检测到所述待训练推荐模型处于收敛状态时，将所述聚合模型参数作为所述待训练推荐模型的最终参数，得到所述目标类型应用项目的推荐模型，并将所述推荐模型下发至各所述客户端；
接收所述服务端下发的所述推荐模型。
进一步地，所述将所述模型参数更新上传至所述服务端的步骤包括：
将所述模型参数更新按照预设加密算法进行加密处理后上传至所述服务端。
进一步地，所述基于所述本地训练样本集参与联邦学习，得到所述目标类型应用项目的推荐模型的步骤之后，处理器1001可以调用存储器1005中存储的基于联邦学习的推荐模型训练程序，还执行以下操作：
获取待推荐应用项目的项目特征数据；
对所述项目特征数据进行向量化，得到所述待推荐应用项目的项目特征向量；
将所述项目特征向量、各所述单一特征用户向量输入所述推荐模型进行评分，得到所述待推荐应用项目的预测评分。
进一步地，所述将各所述单一特征用户向量、所述项目特征向量集和所述项目评分集组合得到本地训练样本集的步骤之前，处理器1001可以调用存储器1005中存储的基于联邦学习的推荐模型训练程序，还执行以下操作：
获取所述客户端记录的用户画像特征数据；
对所述用户画像特征数据进行向量化，得到用户画像特征对应的单一特征用户向量。
基于上述的硬件结构，提出本发明基于联邦学习的推荐模型训练方法的各个实施例。
参照图2，本发明基于联邦学习的推荐模型训练方法第一实施例提供一种基于联邦学习的推荐模型训练方法，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中，所述基于联邦学习的推荐模型训练方法应用于客户端，客户端可以是智能手机、智能电视机、平板电脑、便携计算机等具有显示功能的终端设备。所述基于联邦学习的推荐模型训练方法包括：
步骤S10，获取客户端应用在预设多种类型应用项目中记录的用户历史行为数据集；
随着人工智能、机器学习技术的发展，为用户智能推荐音乐、电影、购物商品等项目的推荐系统也在不断的发展。
目前的推荐系统的推荐过程一般包括召回和排序过程，召回是从海量的项目集中选出用户感兴趣的候选项目集，如选出用户可能感兴趣的音乐集，排序过程则是通过预先训练的评分模型(以下称为推荐模型)对候选项目集中的每个项目进行预测评分，通过评分反映用户点击该项目的概率，并根据评分由高到低对候选项目集中的项目进行排序，选择评分高的N个项目推荐给用户。对于推荐模型的训练过程，目前的推荐系统会将用户的历史数据信息上传到中心数据库，将数据集中在一起进行推荐模型的训练，但是将用户数据上传到中心数据库，会存在泄漏用户隐私的风险。
随着联邦学习概念的提出，可以通过在联邦学习架构下进行模型训练的方式，使用户的隐私数据不需上传，即可联合多个客户端进行有效的模型训练。但是这仅能解决隐私数据不上传的问题，由于客户端进行本地训练的样本数据是来自单个客户端应用的数据，场景单一，所以训练出来的推荐模型的推荐效果并没有在本质上得到提升。
为解决本地训练的样本数据来自单个客户端应用的数据，场景单一的问题，在本实施例中，提出获取多种类型的客户端应用的数据作为本地训练的样本数据，具体步骤如下：
客户端获取本地安装的客户端应用在预设多种类型应用项目中分别记录的用户历史行为数据集。项目是指要向用户推荐的物品，如电影、音乐、购物商品、新闻等等，将客户端应用按照应用项目的类型进行分类，如分为电影类应用、音乐类应用、新闻类应用等。客户端中不同类型的客户端应用各自记录用户在应用内产生的行为数据，生成用户历史行为数据集，如音乐类应用记录用户对音乐的行为数据，生成音乐类应用的用户历史行为数据集。预设多种类型应用项目，是指可以预先设置至少两种类型的应用项目，如电影类、音乐类和短视频类这三类应用项目，则客户端获取这三类应用项目对应的客户端应用记录的用户历史行为数据集，也即客户端可预先设置获取哪几种类型的客户端应用的用户历史行为数据集。
如客户端本地安装了短视频类应用A、音乐类应用B、电影类应用C和电影类应用D，若预先设置获取电影类、音乐类和短视频类客户端应用的历史行为数据，则客户端获取这四个客户端应用分别记录的用户历史行为数据集，得到对应的四组用户历史行为数据集。进一步地，客户端也可以将同类型应用的用户历史行为数据集合并为一组，如将电影类应用C和电影类应用D的两组数据组合为一组，最终得到三种类型对应的三组用户历史行为数据集。
一个客户端应用记录的用户历史行为数据集，包括该客户端应用在一段时间内基于各种用户行为产生的多条行为数据。用户行为包括用户对某个应用项目的查看、收藏或删除等行为，如删除一个电影，收藏一个电影，则一条行为数据指向一个具体的应用项目，包括该应用项目的项目特征数据和用户偏好数据，用户偏好数据即包括能够表现用户对该应用项目喜好情况的数据。如基于用户收藏电影a产生的行为数据指向电影a，包括电影a的特征数据，如电影a的名称、类型、演员、国家等表现电影a的特征的数据，还包括电影a的用户偏好数据，如“收藏”即是表示用户对电影a较为喜欢的数据，若用户给电影a进行评价，则电影a的用户偏好数据还包括用户的评价。
若客户端本地未安装某种类型的客户端应用，则本地未记录该类型客户端应用的用户历史行为数据，此时，可将该类型的客户端应用的历史行为数据记为0。
此外，也可以是预先设置要获取哪几个客户端应用的用户历史行为数据，如预先设置获取应用1、应用2和应用3的用户数据历史行为数据，需要说明的是，这几个客户端应用应当属于不同的类型，以保证数据的多样性。对于客户端本地未安装其中某个应用的情况，同样可以将该应用的客户端应用的历史行为数据记为0。
对于一个待训练的推荐模型，预设要获取用户历史行为数据的客户端应用类型是确定的，其要推荐的应用项目类型也是确定的，如预设的客户端应用类型包括电影类应用和短视频类应用，要推荐的应用项目类型是电影类，则最终得到的推荐模型是基于客户端的电影类和短视频类应用的用户历史行为数据训练得到的，其作用是为用户推荐其感兴趣的电影。
对于不同的待训练的推荐模型，其对应预设的客户端应用类型则可以不相同，即训练样本数据的来源可以不相同，要推荐的应用项目也可以不相同，根据实际情况设置数据来源和要推荐的应用项目，最终可以得到不同推荐效果的推荐模型。
步骤S20，基于各组所述用户历史行为数据集，分别提取各所述客户端应用对应的单一特征用户向量；
客户端获取到本地各客户端应用记录的多组用户历史行为数据集后，基于各组用户历史行为数据分别提取各客户端应用对应的单一特征用户向量。客户端对于一个客户端应用的一组历史行为数据集，从其中提取该客户端应用对应的单一特征用户向量，单一特征用户向量是指表现用户单一偏好特征的向量。如对于一个音乐类应用，从其对应的历史行为数据集中提取出的单一特征用户向量，仅能表现用户对音乐的偏好特征，如喜欢的歌手、喜欢的歌曲类型等关于音乐的偏好特征；对于一个电影类应用，从其对应的历史行为数据集中提取出的单一特征用户向量，仅能表现用户对电影的偏好特征，如喜欢的演员、喜欢的电影类型等关于电影的偏好特征。
步骤S30，在各所述客户端应用中确定目标应用和所述目标应用的目标类型应用项目，并从所述目标应用的所述用户历史行为数据集中，提取所述目标类型应用项目的项目特征向量集和项目评分集。
客户端从各客户端应用中确定目标应用，以及目标应用对应的目标类型应用项目。具体地，客户端中可预先设置要推荐的应用项目的类型，目标应用即是各客户端应用中的，与要推荐的应用项目类型对应的客户端应用，目标类型应用项目即是要推荐的类型的应用项目。如预先设置要推荐的应用项目的类型是音乐类，则目标应用是本地安装的音乐类应用B，目标类型应用项目即是音乐类的应用项目。
客户端从目标应用记录的用户历史行为数据集中，提取目标类型应用项目的项目特征向量集和项目评分集。其中，项目特征向量集包括用户历史行为数据集所指向的各应用项目的项目特征向量，项目评分集包括各应用项目的项目评分。应用项目的项目特征向量为表示该应用项目的特征的向量，如对于一个应用项目音乐b，其项目特征向量是表现音乐b的特征的向量，音乐b的特征可包括音乐b的类型、歌手、所属流派等特征。应用项目的项目评分是根据用户历史行为数据提取的用户对该应用项目的隐式评分或显示评分，评分表示用户对该应用项目的喜好程度。可以理解的是项目特征向量集中的项目特征向量和项目评分集中的项目评分是一一对应的。
步骤S40，将各所述单一特征用户向量、所述项目特征向量集和所述项目评分集组合得到本地训练样本集；
客户端将各单一特征用户向量、项目特征向量集和项目评分集进行组合，得到本地训练样本集。本地训练样本集中包括多条本地训练样本。组合的方式可以是将项目特征向量集中的项目特征向量与项目评分集中的项目评分按照对应关系一一组合，得到多组项目特征向量和项目评分，将各单一特征用户向量作为一个整体，将多组项目特征向量和项目评分分别与单一特征用户向量组成的整体进行组合，得到多条本地训练样本，即得到本地训练样本集。
步骤S50，基于所述本地训练样本集参与联邦学习，得到所述目标类型应用项目的推荐模型。
客户端在得到本地训练样本集后，采用本地训练样本集参与联邦学习。具体地，客户端在联邦学习的每次迭代训练中，采用本地训练样本集对待训练推荐模型进行本地训练，其中，待训练推荐模型可以是神经网络模型，或深度学习模型。将联邦学习得到的最终的模型，作为目标类型媒体项目的推荐模型，如得到用于为音乐进行预测评分的推荐模型。
在本实施例中，通过客户端获取多种类型的客户端应用的用户历史行为数据集，并利用获取到的多组用户历史行为数据集提取多种类型客户端应用分别对应的单一特征用户向量，使得用户向量不局限于表示一种类型的用户特征，通过将各单一特征用户向量均作为本地训练样本的组成部分，使得本地训练样本集中的用户特征更加多样化，如短视频类应用对应的用户向量能够丰富用户的UGC(User Generated Content，用户生成内容)偏好特征，音乐类应用对应的用户向量能够丰富用户对歌手、流派的偏好特征，基于多样化的用户向量进行推荐模型的训练，使得训练得到的推荐模型能够更准确地定位用户的偏好特征，并基于准确表示用户偏好特征的多个单一特征用户向量，作出更符合用户偏好的项目预测评分，从而提高了推荐模型的推荐效果。同时，推荐模型的训练是在联邦学习框架下进行的，实现了保护用户隐私数据的效果。
进一步的，基于上述第一实施例，本发明基于联邦学习的推荐模型训练方法第二实施例提供一种基于联邦学习的推荐模型训练方法。在本实施例中，步骤S20包括：
步骤S201，逐个遍历各组所述用户历史行为数据集，对一组所述用户历史行为数据集中的每条行为数据，分别提取每条所述行为数据所指向应用项目的项目特征数据；
客户端逐个遍历各组用户历史行为数据集，对于一个客户端应用对应的一组用户历史行为数据集，从中提取出该客户端应用对应的单一特征用户向量。具体地，对一组用户历史行为数据集中的每条行为数据，分别提取每条行为数据所指向应用项目的项目特征数据。例如，客户端获取到的音乐类应用B记录的一组用户历史行为数据集中，包括基于一个星期内的用户行为所产生的30条行为数据，30条行为数据指向30个音乐(其中可能有重复的音乐)；每条行为数据中记载了所指向的音乐的项目特征数据和用户偏好数据，如1条行为数据记录了用户收藏了音乐b、音乐b的流派和音乐b的演唱歌手；其中，音乐b的项目特征数据是表现音乐b的特征的数据：音乐b的流派和演唱歌手；客户端提取音乐b的项目特征数据，对于其他行为数据也作相同的提取操作，最终得到30个音乐分别对应的项目特征数据。
步骤S202，对各所述项目特征数据进行向量化，得到所述用户历史行为数据集所指向的各应用项目的项目特征向量集；
客户端在提取到各个应用项目的项目特征数据后，对各项目特征数据进行向量化，即可得到各应用项目对应的项目特征向量，各项目特征向量的集合即项目特征向量集。具体地，对项目特征数据进行向量化的目的是使其标准化为可处理(可计算)的向量形式，如转化为向量后作为神经网络模型的输入。具体可通过词向量(word2vec)技术将项目特征数据转化为项目特征向量。
步骤S203，求取所述项目特征向量集的平均，将平均后的项目特征向量作为所述客户端应用对应的单一特征用户向量。
客户端在得到各应用项目对应的项目特征向量组成的项目特征向量集后，求取项目特征向量集的平均，将平均后的项目特征向量作为该组用户历史行为数据集对应客户端应用的单一特征用户向量。具体地，求取项目特征向量集中各项目特征向量的平均可采用普通的向量平均方法，求平均后得到的向量则作为该客户端应用对应的单一特征用户向量。如图3所示，从音乐类应用B的用户历史行为数据集中提取的项目特征向量集包括n个项目特征向量，将这n个项目特征向量进行平均，即得到音乐类应用B的单一特征用户向量。将项目特征向量集的平均作为用户向量的原理是，用户在一段时间内对某类应用项目的行为，如对音乐的行为，可以反映该用户的偏好特征，将行为所指向的应用项目的特征进行平均，结果作为该用户的偏好特征。
需要说明的是，客户端对每个客户端应用，均采用上述相同的方式，从其记录的用户历史行为数据集中，提取其对应的单一特征用户向量，也即，每个客户端应用对应一个单一特征用户向量。此外，若客户端在获取用户历史行为数据集时，将本地相同类型的多个客户端应用的用户历史行为数据集合并为一组时，客户端将基于各组用户历史行为数据集，提取各类客户端应用对应的单一特征用户向量，即每类客户端应用对应一个单一特征用户向量。
进一步地，客户端基于目标应用记录的用户历史行为数据集提取目标类型应用项目的项目特征向量集的步骤，与上述步骤S201和S202描述的过程相同，也即，在提取每个客户端应用对应的单一特征用户向量的过程中，已经提取出了各客户端应用对应的项目特征向量集，从中获取目标应用对应的项目特征向量集即可。举一具体例子进行说明，客户端获取本地短视频类应用A、音乐类应用B和电影类应用C分别记录的用户历史行为数据A1、B1和C1；从A1中提取短视频类项目特征向量集A2，从B2中提取音乐类项目特征向量集B2，从C1中提取电影类项目特征向量集C2；求取A2的平均得到单一特征用户向量A3，求取B2的平均得到单一特征用户向量B3，求取C2的平均得到单一特征向量C3；要推荐的应用项目类型是音乐类，则客户端将音乐类作为目标类型，将音乐类应用B作为目标应用，B2即为目标类型应用项目的项目特征向量集，也即用户历史行为集B1所指向的各音乐对应的项目特征向量集；客户端最终得到A3、B3、C3这三个单一特征向量，和B2这一项目特征向量集。
进一步地，步骤S30包括：
步骤S301，对所述目标应用的所述用户历史行为数据集中的每条行为数据，分别提取每条所述行为数据所指向应用项目的用户偏好数据；
客户端基于目标应用的用户历史行为数据集，提取目标类型应用项目的项目评分集。具体地，客户端对目标应用的用户历史行为数据集中的每条行为数据，分别提取每条行为数据所指向应用项目的用户偏好数据。例如，当要推荐的应用项目类型是音乐类时，目标类型是音乐类，目标应用是客户端本地的音乐类应用B，客户端获取到的音乐类应用B记录的一组用户历史行为数据集B1中，包括基于一个星期内的用户历史行为所产生的30条行为数据，30条行为数据指向30个音乐(其中可能有重复的音乐)；每条行为数据中记载了所指向的音乐的项目特征数据和用户偏好数据，如1条行为数据记录了用户收藏了音乐b、音乐b的流派和音乐b的演唱歌手；其中，音乐b的用户偏好数据是表现用户对音乐b的偏好的数据：“收藏”；客户端提取音乐b的用户偏好数据，对于其他行为数据也作相同的提取操作，最终得到30个音乐分别对应的用户偏好数据。
步骤S302，分别基于所述用户偏好数据计算对应应用项目的项目评分，得到所述目标类型应用项目的项目评分集。
客户端分别基于用户偏好数据计算对应应用项目的项目评分，如基于音乐a的用户偏好数据计算音乐a的项目评分，最终得到各个应用项目的项目评分，即得到了目标类型应用项目的项目评分集，如上述例子中，客户端最终得到用户历史行为数据集B1所指向的各音乐对应的项目评分集B4，B4中的项目评分与上述B2中的项目特征向量是一一对应的。其中，可以按照预设模式根据用户偏好数据计算项目评分，预设模型可以根据具体需要进行设置，如设置项目评分的分值区间是0～1，用户偏好数据包括“收藏”，则项目评分是1分，即表示用户对该应用项目感兴趣，用户偏好数据包括“删除”，则项目评分是0分，即表示用户对该对媒体项目不感兴趣。
在本实施例中，通过客户端基于多种类型的客户端应用的用户历史行为数据集提取反映用户不同方面的偏好特征的多个单一特征用户向量，以及基于目标应用的用户历史行为数据集提取目标类型应用项目的项目特征向量集和项目评分集，并基于多个单一特征用户向量、项目特征向量集和项目评分集训练推荐模型，使得训练得到的推荐模型能够更准确地定位用户的偏好特征，并基于准确表示用户偏好特征的多个单一特征用户向量，作出更符合用户偏好的项目预测评分，从而提高了推荐模型的推荐效果
进一步的，基于上述第一或第二实施例，本发明基于联邦学习的推荐模型训练方法第三实施例提供一种基于联邦学习的推荐模型训练方法。在本实施例中，所述步骤S40包括：
步骤S401，将各所述单一特征用户向量进行拼接得到多特征用户向量；
客户端将得到的各单一特征用户向量进行拼接，得到一个多特征用户向量。拼接方式可采用普通的向量拼接方式。如图4所示，客户端将本地短视频类应用A对应的单一特征用户向量A3，音乐类应用B对应的单一特征用户向量B3，以及电影类应用C对应的单一特征向量C3进行向量拼接，得到多特征用户向量X。根据单个客户端应用的用户历史行为数据得到的用户向量仅能反映用户一方面的偏好特征，而将多种类型的客户端应用的单一特征用户向量进行拼接得到的多特征用户向量，能够反映用户多方面的偏好特征，如短视频类客户端应用的单一特征用户向量，能够丰富用户的UGC偏好特征，如用户对宠物、食物的偏好特征。
步骤S402，依次获取所述项目特征向量集中的项目特征向量、所述项目评分集中与所述项目特征向量对应的项目评分；
客户端在得到多特征用户向量后，依次获取项目特征向量集中的项目特征向量，获取项目评分集中与项目特征向量对应的项目评分进行组合，得到多组项目特征向量和项目评分。
步骤S403，将获取到的各组项目特征向量和项目评分分别与所述多特征用户向量组合，将得到的各条本地训练样本作为本地训练样本集。
将获取到的各组项目特征向量和项目评分，分别与该多特征用户向量进行组合，得到多条本地训练样本，作为本地训练样本集。如项目特征向量集中包括两个项目特征向量S1和S2，项目评分集中包括与S1对应的项目评分Y1，和与S2对应的项目评分Y2，则客户端依次获取到S1和Y1，S2和Y2，将S1和Y1与多特征用户向量X进行组合，得到一条本地训练样本：X、S1和Y1，将S2和Y2与多特征用户向量X进行组合，得到一条本地训练样本：X、S2和Y2，即得到两条本地训练样本，将这两条本地训练样本作为本地训练样本集。
进一步地，所述步骤S50包括：
步骤S501，从服务端获取待训练推荐模型的初始模型参数；
联邦学习系统由多个客户端和至少一个服务端组成，在本实施例中，以一个服务端为例。服务端向参与联邦学习的各客户端下发待训练推荐模型的初始模型参数，模型参数可以是神经网络的节点之间连接的权重参数。客户端从服务端获取待训练推荐模型的初始模型参数，待训练推荐模型是目标类型应用项目的待训练的推荐模型，如目标类型是音乐类时，待训练推荐模型是音乐类应用项目的待训练的推荐模型，即，最终训练得到的推荐模型用于推荐音乐类应用项目。推荐模型可以是神经网络模型。
步骤S502，根据所述本地训练样本集和所述初始模型参数对所述待训练推荐模型进行本地训练得到模型参数更新；
客户端在获取到初始模型参数后，根据初始模型参数和本地训练样本集，对待训练推荐模型进行本地训练，得到模型参数更新。具体地，本地训练过程可以是，客户端将初始模型参数代入待训练推荐模型，将一条本来训练样本中的用户向量和项目特征向量作为输入，将与项目评分作为输出，利用本地训练样本集计算出梯度值，根据梯度值更新初始模型参数，得到模型参数更新，即得到更新后的模型参数。
步骤S503，将所述模型参数更新上传至所述服务端，以供所述服务端将各所述客户端上传的所述模型参数更新进行聚合处理得到聚合模型参数，并在检测到所述待训练推荐模型处于未收敛状态时将所述聚合模型参数返回各所述客户端继续迭代训练，直到检测到所述待训练推荐模型处于收敛状态时，将所述聚合模型参数作为所述待训练推荐模型的最终参数，得到所述目标类型应用项目的推荐模型，并将所述推荐模型下发至各所述客户端；
客户端将本地训练得到的模型参数更新上传至服务端。服务端接收各客户端上传的模型参数更新，将各模型参数更新进行聚合处理得到聚合模型参数，聚合处理可以是对各模型参数更新进行加权平均；服务端在得到聚合模型参数后，检测待训练推荐模型是否处于收敛状态，若检测到处于未收敛状态，则将聚合模型参数下发给各客户端，各客户端继续根据聚合模型参数和本地训练样本集进行本地训练；循环直到服务端检测到待训练推荐模型处于收敛状态时，结束训练，并将得到的最新的聚合模型参数作为待训练推荐模型的最终参数，即得到了最终的推荐模型，该推荐模型可用于推荐目标类型应用项目；服务端将得到的推荐模型下发至各客户端，具体地，可以是将最终参数下发客户端，也可以是将最终的推荐模型文件下发客户端。
其中，服务端检测待训练推荐模型是否处于收敛状态可以方式可以是计算最新的聚合模型参数与上一次的聚合模型参数的差值，若差值小于一个预设值，则确定待训练推荐模型处于收敛状态，若不小于该预设值，则确定待训练推荐模型处于未收敛状态；也可以是判断迭代训练的次数是否达到预设次数，若达到预设次数，则确定待训练推荐模型处于收敛状态；还可以是判断训练时长会否大于预设时长，若大于预设时长，则确定待训练推荐模型处于收敛状态。其中，预设值，预设次数以及预设时长都可以根据需要进行设置。
进一步地，客户端可以将本地训练得到的模型参数更新按照预设加密算法进行加密处理，将加密处理后的模型参数更新上传至服务端，服务端基于对各加密后的模型参数更新进行聚合处理。其中，预设加密算法可以是同态加密算法(Homomorphic Encryption)。
步骤S504，接收所述服务端下发的所述推荐模型。
客户端接收服务器下发的推荐模型，即各个客户端均获取到了通过联邦学习得到的推荐目标类型应用项目的推荐模型。客户端可以根据该推荐模型，预测客户端的用户对目标类型应用项目的评分，如预测用户对音乐类的候选音乐集中的各音乐的评分，并根据各音乐的预测评分确定要推荐的音乐列表。
进一步地，步骤S50之后，包括：
步骤S60，获取待推荐应用项目的项目特征数据；
客户端在通过参与联邦学习得到目标类型应用项目的推荐模型后，在有目标类型的待推荐应用项目时，获取待推荐应用项目的项目特征数据。如客户端从海量的目标类型应用项目集中选出用户感兴趣的候选项目集后，通过推荐模型预测用户对候选项目集中的各应用项目的评分，则客户端将候选项目集中的各应用项目作为待推荐应用项目，首先获取各应用项目的项目特征数据，如当目标类型是音乐类时，客户端召回100首音乐，获取每首音乐的项目特征数据，如每首音乐的流派、演唱歌手等数据。
步骤S70，对所述项目特征数据进行向量化，得到所述待推荐应用项目的项目特征向量；
客户端对项目特征数据进行向量化，得到待推荐应用项目的项目特征向量，向量化的过程与上述步骤S202中的向量化过程相同，在此不再赘述。
步骤S80，将所述项目特征向量、各所述单一特征用户向量输入所述推荐模型进行评分，得到所述待推荐应用项目的预测评分。
客户端将待推荐应用项目的项目特征向量、以及各单一特征用户向量输入到推荐模型中，由推荐模型预测用户对该待推荐应用项目的评分，即得到了该应用项目的预测评分。根据待推荐应用项目的预测评分，客户端可确定是否向用户推荐该待推荐应用项目，如设置一个预设阈值，将预测评分与该预设阈值进行比较，大于该预设阈值，则说明用户对该待推荐应用项目感兴趣程度高，此时，可确定向用户推荐该待推荐应用项目，否则不想用户推荐该待推荐应用项目。此外，也可以是，对于候选项目集中各应用项目的预测评分，按照由高到低的顺序进行排序，取分值高的前N个应用项目，生成前N各应用项目的推荐列表，向用户展示推荐列表，如，从100首音乐中选出预测评分排在前10的10首音乐推荐给用户。
在本实施例中，客户端根据表现用户多方面偏好特征的多个单一特征用户向量，可以准确地定位用户的偏好，从而根据准确定位的用户偏好，作出更符合用户偏好的项目预测评分，从而使得最终为用户推荐的应用项目是更符合用户需求的。
进一步地，步骤S40之前，还包括：
步骤A10，获取所述客户端记录的用户画像特征数据；
客户端在组合本地训练样本集之前，还可以获取记录的用户画像特征数据。用户画像特征数据可以包括用户的年龄、性别、所在地区、职业等数据，用户画像特征数据反映用户的固有特征，与应用项目类型无关。
步骤A20，对所述用户画像特征数据进行向量化，得到用户画像特征对应的单一特征用户向量。
客户端对用户画像特征数据进行向量化，得到用户画像特征对应的单一特征用户向量。具体也可通过word2vec技术将用户画像特征数据转化为单一特征用户向量。
在本实施例中，客户端得到的单一特征用户向量包括各客户端应用对应的单一特征用户向量，以及用户画像特征对应的单一特征用户向量，通过补充用户画像特征对应的单一特征用户向量，使得本地训练样本集中的用户特征更加多样化，进一步使得训练得到的推荐模型能够更准确地定位用户的偏好特征，从而进一步提高了推荐模型的推荐效果。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有基于联邦学习的推荐模型训练程序，所述基于联邦学习的推荐模型训练程序被处理器执行时实现如上所述基于联邦学习的推荐模型训练方法的步骤。
本发明终端和计算机可读存储介质的具体实施方式的拓展内容与上述基于联邦学习的推荐模型训练方法各实施例基本相同，在此不做赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于联邦学习的推荐模型训练方法，其特征在于，所述方法应用于客户端，所述方法包括以下步骤：
获取客户端应用在预设多种类型应用项目中记录的用户历史行为数据集；
基于各组所述用户历史行为数据集，分别提取各所述客户端应用对应的单一特征用户向量；
在各所述客户端应用中确定目标应用和所述目标应用的目标类型应用项目，并从所述目标应用的所述用户历史行为数据集中，提取所述目标类型应用项目的项目特征向量集和项目评分集；
将各所述单一特征用户向量、所述项目特征向量集和所述项目评分集组合得到本地训练样本集；
基于所述本地训练样本集参与联邦学习，得到所述目标类型应用项目的推荐模型。
2.如权利要求1所述的基于联邦学习的推荐模型训练方法，其特征在于，所述基于各组所述用户历史行为数据集，分别提取各所述客户端应用对应的单一特征用户向量的步骤包括：
逐个遍历各组所述用户历史行为数据集，对一组所述用户历史行为数据集中的每条行为数据，分别提取每条所述行为数据所指向应用项目的项目特征数据；
对各所述项目特征数据进行向量化，得到所述用户历史行为数据集所指向的各应用项目的项目特征向量集；
求取所述项目特征向量集的平均，将平均后的项目特征向量作为所述客户端应用对应的单一特征用户向量。
3.如权利要求1所述的基于联邦学习的推荐模型训练方法，其特征在于，从所述目标应用的所述用户历史行为数据集中，提取所述目标类型应用项目的项目评分集的步骤包括：
对所述目标应用的所述用户历史行为数据集中的每条行为数据，分别提取每条所述行为数据所指向应用项目的用户偏好数据；
分别基于所述用户偏好数据计算对应应用项目的项目评分，得到所述目标类型应用项目的项目评分集。
4.如权利要求1所述的基于联邦学习的推荐模型训练方法，其特征在于，所述将各所述单一特征用户向量、所述项目特征向量集和所述项目评分集组合得到本地训练样本集的步骤包括：
将各所述单一特征用户向量进行拼接得到多特征用户向量；
依次获取所述项目特征向量集中的项目特征向量、所述项目评分集中与所述项目特征向量对应的项目评分；
将获取到的各组项目特征向量和项目评分分别与所述多特征用户向量组合，将得到的各条本地训练样本作为本地训练样本集。
5.如权利要求1所述的基于联邦学习的推荐模型训练方法，其特征在于，所述基于所述本地训练样本集参与联邦学习，得到所述目标类型应用项目的推荐模型的步骤包括：
从服务端获取待训练推荐模型的初始模型参数；
根据所述本地训练样本集和所述初始模型参数对所述待训练推荐模型进行本地训练得到模型参数更新；
将所述模型参数更新上传至所述服务端，以供所述服务端将各所述客户端上传的所述模型参数更新进行聚合处理得到聚合模型参数，并在检测到所述待训练推荐模型处于未收敛状态时将所述聚合模型参数返回各所述客户端继续迭代训练，直到检测到所述待训练推荐模型处于收敛状态时，将所述聚合模型参数作为所述待训练推荐模型的最终参数，得到所述目标类型应用项目的推荐模型，并将所述推荐模型下发至各所述客户端；
接收所述服务端下发的所述推荐模型。
6.如权利要求5所述的基于联邦学习的推荐模型训练方法，其特征在于，所述将所述模型参数更新上传至所述服务端的步骤包括：
将所述模型参数更新按照预设加密算法进行加密处理后上传至所述服务端。
7.如权利要求1所述的基于联邦学习的推荐模型训练方法，其特征在于，所述基于所述本地训练样本集参与联邦学习，得到所述目标类型应用项目的推荐模型的步骤之后，还包括：
获取待推荐应用项目的项目特征数据；
对所述项目特征数据进行向量化，得到所述待推荐应用项目的项目特征向量；
将所述项目特征向量、各所述单一特征用户向量输入所述推荐模型进行评分，得到所述待推荐应用项目的预测评分。
8.如权利要求1至7任一项所述的基于联邦学习的推荐模型训练方法，其特征在于，所述将各所述单一特征用户向量、所述项目特征向量集和所述项目评分集组合得到本地训练样本集的步骤之前，还包括：
获取所述客户端记录的用户画像特征数据；
对所述用户画像特征数据进行向量化，得到用户画像特征对应的单一特征用户向量。
9.一种终端，其特征在于，所述终端包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的基于联邦学习的推荐模型训练程序，所述基于联邦学习的推荐模型训练程序被所述处理器执行时实现如权利要求1至8中任一项所述的基于联邦学习的推荐模型训练方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有基于联邦学习的推荐模型训练程序，所述基于联邦学习的推荐模型训练程序被处理器执行时实现如权利要求1至8中任一项所述的基于联邦学习的推荐模型训练方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910614034.2A CN110297848B (zh) | 2019-07-09 | 2019-07-09 | 基于联邦学习的推荐模型训练方法、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910614034.2A CN110297848B (zh) | 2019-07-09 | 2019-07-09 | 基于联邦学习的推荐模型训练方法、终端及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110297848A true CN110297848A (zh) | 2019-10-01 |
| CN110297848B CN110297848B (zh) | 2024-02-23 |
Family
ID=68030783
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910614034.2A Active CN110297848B (zh) | 2019-07-09 | 2019-07-09 | 基于联邦学习的推荐模型训练方法、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110297848B (zh) |
Cited By (55)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110704754A (zh) * | 2019-10-18 | 2020-01-17 | 支付宝(杭州)信息技术有限公司 | 一种由用户终端执行的推送模型优化方法和装置 |
| CN110795631A (zh) * | 2019-10-29 | 2020-02-14 | 支付宝(杭州)信息技术有限公司 | 一种基于因子分解机的推送模型优化、预测方法和装置 |
| 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 |
| CN110874648A (zh) * | 2020-01-16 | 2020-03-10 | 支付宝(杭州)信息技术有限公司 | 联邦模型的训练方法、系统和电子设备 |
| CN110874440A (zh) * | 2020-01-16 | 2020-03-10 | 支付宝(杭州)信息技术有限公司 | 一种信息推送及其模型训练的方法、装置及电子设备 |
| CN110992936A (zh) * | 2019-12-06 | 2020-04-10 | 支付宝(杭州)信息技术有限公司 | 使用私有数据来进行模型训练的方法及装置 |
| CN111027715A (zh) * | 2019-12-11 | 2020-04-17 | 支付宝(杭州)信息技术有限公司 | 基于蒙特卡洛的联邦学习模型训练方法及装置 |
| CN111064797A (zh) * | 2019-12-20 | 2020-04-24 | 深圳前海微众银行股份有限公司 | 一种数据处理方法及装置 |
| CN111079022A (zh) * | 2019-12-20 | 2020-04-28 | 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 |
| CN111125512A (zh) * | 2019-11-18 | 2020-05-08 | 口碑(上海)信息技术有限公司 | 业务推荐处理方法、装置及系统 |
| CN111210003A (zh) * | 2019-12-30 | 2020-05-29 | 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 |
| CN111242748A (zh) * | 2020-02-21 | 2020-06-05 | 腾讯科技（深圳）有限公司 | 用于向用户推荐项目的方法、装置和存储介质 |
| CN111274488A (zh) * | 2020-02-20 | 2020-06-12 | 深圳前海微众银行股份有限公司 | 推荐方法、装置、设备、系统、待执行终端及存储介质 |
| CN111324813A (zh) * | 2020-02-20 | 2020-06-23 | 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 |
| CN111343265A (zh) * | 2020-02-20 | 2020-06-26 | 深圳前海微众银行股份有限公司 | 信息推送方法、装置、设备及可读存储介质 |
| CN111383101A (zh) * | 2020-03-25 | 2020-07-07 | 深圳前海微众银行股份有限公司 | 贷后风险监控方法、装置、设备及计算机可读存储介质 |
| CN111428885A (zh) * | 2020-03-31 | 2020-07-17 | 深圳前海微众银行股份有限公司 | 一种联邦学习中用户的索引方法及联邦学习装置 |
| CN111461442A (zh) * | 2020-04-07 | 2020-07-28 | 中国科学技术大学 | 基于联邦学习的知识追踪的方法及系统 |
| CN111503830A (zh) * | 2020-04-26 | 2020-08-07 | 珠海格力电器股份有限公司 | 空调器的控制方法及装置、空调器 |
| CN111524612A (zh) * | 2020-04-26 | 2020-08-11 | 腾讯科技（深圳）有限公司 | 传染病溯源方法、装置、计算机设备和存储介质 |
| CN111652863A (zh) * | 2020-05-27 | 2020-09-11 | 刘君茹 | 一种医学影像检测方法、装置、设备和存储介质 |
| CN111695701A (zh) * | 2020-06-12 | 2020-09-22 | 上海富数科技有限公司 | 基于联邦学习实现数据集构建处理的系统及其构建生成方法 |
| CN111898767A (zh) * | 2020-08-06 | 2020-11-06 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及介质 |
| CN111898769A (zh) * | 2020-08-17 | 2020-11-06 | 中国银行股份有限公司 | 基于横向联邦学习的建立用户行为周期模型的方法及系统 |
| CN112287231A (zh) * | 2020-11-05 | 2021-01-29 | 深圳大学 | 一种联邦推荐梯度获取方法、装置、智能终端及存储介质 |
| CN112329940A (zh) * | 2020-11-02 | 2021-02-05 | 北京邮电大学 | 一种结合联邦学习与用户画像的个性化模型训练方法及系统 |
| CN112364919A (zh) * | 2020-11-11 | 2021-02-12 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及存储介质 |
| CN112396189A (zh) * | 2020-11-27 | 2021-02-23 | 中国银联股份有限公司 | 一种多方构建联邦学习模型的方法及装置 |
| CN112449009A (zh) * | 2020-11-12 | 2021-03-05 | 深圳大学 | 一种基于svd的联邦学习推荐系统通信压缩方法及装置 |
| CN112597135A (zh) * | 2021-01-04 | 2021-04-02 | 天冕信息技术(深圳)有限公司 | 用户分类方法、装置、电子设备及可读存储介质 |
| CN112632403A (zh) * | 2020-12-24 | 2021-04-09 | 北京百度网讯科技有限公司 | 推荐模型的训练方法、推荐方法、装置、设备和介质 |
| WO2021092758A1 (zh) * | 2019-11-12 | 2021-05-20 | 深圳前海微众银行股份有限公司 | 一种联邦学习方法、装置及计算机可读存储介质 |
| CN112825247A (zh) * | 2019-11-19 | 2021-05-21 | 北京搜狗科技发展有限公司 | 一种数据处理方法、装置和电子设备 |
| CN112907309A (zh) * | 2019-11-19 | 2021-06-04 | 阿里巴巴集团控股有限公司 | 模型更新方法、资源推荐方法、装置、设备及系统 |
| WO2021114618A1 (zh) * | 2020-05-14 | 2021-06-17 | 平安科技（深圳）有限公司 | 联邦学习方法、装置、计算机设备及可读存储介质 |
| CN113033090A (zh) * | 2021-03-24 | 2021-06-25 | 平安科技（深圳）有限公司 | 推送模型训练方法、数据推送方法、装置及存储介质 |
| CN113111254A (zh) * | 2021-03-08 | 2021-07-13 | 支付宝(杭州)信息技术有限公司 | 推荐模型的训练方法、拟合方法、装置和电子设备 |
| WO2021139415A1 (zh) * | 2020-01-07 | 2021-07-15 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、计算机可读存储介质及电子设备 |
| CN113158223A (zh) * | 2021-01-27 | 2021-07-23 | 深圳前海微众银行股份有限公司 | 基于状态转移核优化的数据处理方法、装置、设备及介质 |
| CN113158241A (zh) * | 2021-04-06 | 2021-07-23 | 深圳市洞见智慧科技有限公司 | 基于联邦学习的岗位推荐方法及装置 |
| CN113255932A (zh) * | 2021-06-01 | 2021-08-13 | 开放智能机器（上海）有限公司 | 一种基于终端设备的联邦学习训练平台及方法 |
| CN113268655A (zh) * | 2020-02-17 | 2021-08-17 | 北京搜狗科技发展有限公司 | 一种信息推荐方法、装置和电子设备 |
| CN113312542A (zh) * | 2020-02-26 | 2021-08-27 | 阿里巴巴集团控股有限公司 | 一种对象推荐模型的处理方法、装置以及电子设备 |
| CN113392101A (zh) * | 2020-03-13 | 2021-09-14 | 京东城市(北京)数字科技有限公司 | 构建横向联邦树的方法、主服务器、业务平台和系统 |
| CN113610303A (zh) * | 2021-08-09 | 2021-11-05 | 北京邮电大学 | 一种负荷预测方法及系统 |
| CN113626687A (zh) * | 2021-07-19 | 2021-11-09 | 浙江师范大学 | 以联邦学习为核心的在线课程推荐方法和系统 |
| CN113761371A (zh) * | 2021-09-08 | 2021-12-07 | 东北大学 | 一种基于匿名化隐私保护的推荐方法 |
| WO2022033199A1 (zh) * | 2020-08-14 | 2022-02-17 | 腾讯科技（深圳）有限公司 | 一种获得用户画像的方法及相关装置 |
| CN114584436A (zh) * | 2022-05-06 | 2022-06-03 | 北京理工大学 | 一种单次握手的并发通信网络中的消息聚合系统及方法 |
| CN114579801A (zh) * | 2022-04-28 | 2022-06-03 | 深圳市华曦达科技股份有限公司 | 一种基于天鹰优化算法的长视频推荐方法 |
| CN114723067A (zh) * | 2022-04-12 | 2022-07-08 | 华南理工大学 | 一种基于用户隐私保护的联邦混合过滤推荐方法 |
| CN114741611A (zh) * | 2022-06-08 | 2022-07-12 | 杭州金智塔科技有限公司 | 联邦推荐模型训练方法以及系统 |
| WO2022217784A1 (zh) * | 2021-04-15 | 2022-10-20 | 腾讯云计算（北京）有限责任公司 | 数据处理方法、装置、设备以及介质 |
| CN116028719A (zh) * | 2023-03-29 | 2023-04-28 | 杭州金智塔科技有限公司 | 对象推荐方法及装置、跨域联邦商品推荐方法及装置 |
| CN117592042A (zh) * | 2024-01-17 | 2024-02-23 | 杭州海康威视数字技术股份有限公司 | 面向联邦推荐系统的隐私泄露检测方法及装置 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101694652A (zh) * | 2009-09-30 | 2010-04-14 | 西安交通大学 | 一种基于极速神经网络的网络资源个性化推荐方法 |
| US20110184883A1 (en) * | 2010-01-26 | 2011-07-28 | Rami El-Charif | Methods and systems for simulating a search to generate an optimized scoring function |
| US20160132601A1 (en) * | 2014-11-12 | 2016-05-12 | Microsoft Technology Licensing | Hybrid Explanations In Collaborative Filter Based Recommendation System |
| CN106611321A (zh) * | 2015-10-22 | 2017-05-03 | 百度在线网络技术（北京）有限公司 | 虚假手机号码的识别方法和装置 |
| WO2017096832A1 (zh) * | 2015-12-09 | 2017-06-15 | 乐视控股（北京）有限公司 | 媒体数据推荐方法及服务器 |
| CN106897419A (zh) * | 2017-02-23 | 2017-06-27 | 同济大学 | 融合社交信息的对级排序学习推荐方法 |
| CN108304441A (zh) * | 2017-11-14 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 网络资源推荐方法、装置、电子设备、服务器及存储介质 |
| CN109034398A (zh) * | 2018-08-10 | 2018-12-18 | 深圳前海微众银行股份有限公司 | 基于联邦训练的特征选择方法、装置及存储介质 |
| CN109242592A (zh) * | 2018-07-19 | 2019-01-18 | 广州优视网络科技有限公司 | 一种应用的推荐方法和装置 |
| CN109299344A (zh) * | 2018-10-26 | 2019-02-01 | Oppo广东移动通信有限公司 | 排序模型的生成方法、搜索结果的排序方法、装置及设备 |
| CN109389168A (zh) * | 2018-09-29 | 2019-02-26 | 国信优易数据有限公司 | 项目推荐模型训练方法、项目推荐方法以及装置 |
| CN109446420A (zh) * | 2018-10-17 | 2019-03-08 | 青岛科技大学 | 一种跨域协同过滤方法和系统 |
-
2019
- 2019-07-09 CN CN201910614034.2A patent/CN110297848B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101694652A (zh) * | 2009-09-30 | 2010-04-14 | 西安交通大学 | 一种基于极速神经网络的网络资源个性化推荐方法 |
| US20110184883A1 (en) * | 2010-01-26 | 2011-07-28 | Rami El-Charif | Methods and systems for simulating a search to generate an optimized scoring function |
| US20160132601A1 (en) * | 2014-11-12 | 2016-05-12 | Microsoft Technology Licensing | Hybrid Explanations In Collaborative Filter Based Recommendation System |
| CN106611321A (zh) * | 2015-10-22 | 2017-05-03 | 百度在线网络技术（北京）有限公司 | 虚假手机号码的识别方法和装置 |
| WO2017096832A1 (zh) * | 2015-12-09 | 2017-06-15 | 乐视控股（北京）有限公司 | 媒体数据推荐方法及服务器 |
| CN106897419A (zh) * | 2017-02-23 | 2017-06-27 | 同济大学 | 融合社交信息的对级排序学习推荐方法 |
| CN108304441A (zh) * | 2017-11-14 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 网络资源推荐方法、装置、电子设备、服务器及存储介质 |
| CN109242592A (zh) * | 2018-07-19 | 2019-01-18 | 广州优视网络科技有限公司 | 一种应用的推荐方法和装置 |
| CN109034398A (zh) * | 2018-08-10 | 2018-12-18 | 深圳前海微众银行股份有限公司 | 基于联邦训练的特征选择方法、装置及存储介质 |
| CN109389168A (zh) * | 2018-09-29 | 2019-02-26 | 国信优易数据有限公司 | 项目推荐模型训练方法、项目推荐方法以及装置 |
| CN109446420A (zh) * | 2018-10-17 | 2019-03-08 | 青岛科技大学 | 一种跨域协同过滤方法和系统 |
| CN109299344A (zh) * | 2018-10-26 | 2019-02-01 | Oppo广东移动通信有限公司 | 排序模型的生成方法、搜索结果的排序方法、装置及设备 |
Non-Patent Citations (1)
| Title |
|---|
| 陈嘉颖;于炯;杨兴耀;: "一种融合语义分析特征提取的推荐算法", 计算机研究与发展, no. 03, 15 March 2020 (2020-03-15) * |
Cited By (77)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110704754A (zh) * | 2019-10-18 | 2020-01-17 | 支付宝(杭州)信息技术有限公司 | 一种由用户终端执行的推送模型优化方法和装置 |
| CN110795631B (zh) * | 2019-10-29 | 2022-09-06 | 支付宝(杭州)信息技术有限公司 | 一种基于因子分解机的推送模型优化、预测方法和装置 |
| CN110795631A (zh) * | 2019-10-29 | 2020-02-14 | 支付宝(杭州)信息技术有限公司 | 一种基于因子分解机的推送模型优化、预测方法和装置 |
| 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 |
| WO2021092758A1 (zh) * | 2019-11-12 | 2021-05-20 | 深圳前海微众银行股份有限公司 | 一种联邦学习方法、装置及计算机可读存储介质 |
| CN111125512A (zh) * | 2019-11-18 | 2020-05-08 | 口碑(上海)信息技术有限公司 | 业务推荐处理方法、装置及系统 |
| CN112825247A (zh) * | 2019-11-19 | 2021-05-21 | 北京搜狗科技发展有限公司 | 一种数据处理方法、装置和电子设备 |
| CN112907309A (zh) * | 2019-11-19 | 2021-06-04 | 阿里巴巴集团控股有限公司 | 模型更新方法、资源推荐方法、装置、设备及系统 |
| CN110992936A (zh) * | 2019-12-06 | 2020-04-10 | 支付宝(杭州)信息技术有限公司 | 使用私有数据来进行模型训练的方法及装置 |
| CN111027715A (zh) * | 2019-12-11 | 2020-04-17 | 支付宝(杭州)信息技术有限公司 | 基于蒙特卡洛的联邦学习模型训练方法及装置 |
| CN111079022B (zh) * | 2019-12-20 | 2023-10-03 | 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 |
| CN111064797A (zh) * | 2019-12-20 | 2020-04-24 | 深圳前海微众银行股份有限公司 | 一种数据处理方法及装置 |
| 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 |
| CN111064797B (zh) * | 2019-12-20 | 2023-01-10 | 深圳前海微众银行股份有限公司 | 一种数据处理方法及装置 |
| CN111079022A (zh) * | 2019-12-20 | 2020-04-28 | 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 |
| CN111210003A (zh) * | 2019-12-30 | 2020-05-29 | 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 |
| WO2021139415A1 (zh) * | 2020-01-07 | 2021-07-15 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、计算机可读存储介质及电子设备 |
| CN110874440A (zh) * | 2020-01-16 | 2020-03-10 | 支付宝(杭州)信息技术有限公司 | 一种信息推送及其模型训练的方法、装置及电子设备 |
| CN110874648A (zh) * | 2020-01-16 | 2020-03-10 | 支付宝(杭州)信息技术有限公司 | 联邦模型的训练方法、系统和电子设备 |
| CN113268655A (zh) * | 2020-02-17 | 2021-08-17 | 北京搜狗科技发展有限公司 | 一种信息推荐方法、装置和电子设备 |
| CN111343265A (zh) * | 2020-02-20 | 2020-06-26 | 深圳前海微众银行股份有限公司 | 信息推送方法、装置、设备及可读存储介质 |
| CN111324813A (zh) * | 2020-02-20 | 2020-06-23 | 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 |
| CN111274488A (zh) * | 2020-02-20 | 2020-06-12 | 深圳前海微众银行股份有限公司 | 推荐方法、装置、设备、系统、待执行终端及存储介质 |
| CN111343265B (zh) * | 2020-02-20 | 2021-03-19 | 深圳前海微众银行股份有限公司 | 信息推送方法、装置、设备及可读存储介质 |
| CN111242748A (zh) * | 2020-02-21 | 2020-06-05 | 腾讯科技（深圳）有限公司 | 用于向用户推荐项目的方法、装置和存储介质 |
| CN111242748B (zh) * | 2020-02-21 | 2023-04-07 | 腾讯科技（深圳）有限公司 | 用于向用户推荐项目的方法、装置和存储介质 |
| CN113312542B (zh) * | 2020-02-26 | 2023-12-22 | 阿里巴巴集团控股有限公司 | 一种对象推荐模型的处理方法、装置以及电子设备 |
| CN113312542A (zh) * | 2020-02-26 | 2021-08-27 | 阿里巴巴集团控股有限公司 | 一种对象推荐模型的处理方法、装置以及电子设备 |
| CN113392101A (zh) * | 2020-03-13 | 2021-09-14 | 京东城市(北京)数字科技有限公司 | 构建横向联邦树的方法、主服务器、业务平台和系统 |
| CN111383101B (zh) * | 2020-03-25 | 2024-03-15 | 深圳前海微众银行股份有限公司 | 贷后风险监控方法、装置、设备及计算机可读存储介质 |
| CN111383101A (zh) * | 2020-03-25 | 2020-07-07 | 深圳前海微众银行股份有限公司 | 贷后风险监控方法、装置、设备及计算机可读存储介质 |
| CN111428885A (zh) * | 2020-03-31 | 2020-07-17 | 深圳前海微众银行股份有限公司 | 一种联邦学习中用户的索引方法及联邦学习装置 |
| CN111428885B (zh) * | 2020-03-31 | 2021-06-04 | 深圳前海微众银行股份有限公司 | 一种联邦学习中用户的索引方法及联邦学习装置 |
| CN111461442B (zh) * | 2020-04-07 | 2023-08-29 | 中国科学技术大学 | 基于联邦学习的知识追踪的方法及系统 |
| CN111461442A (zh) * | 2020-04-07 | 2020-07-28 | 中国科学技术大学 | 基于联邦学习的知识追踪的方法及系统 |
| CN111503830A (zh) * | 2020-04-26 | 2020-08-07 | 珠海格力电器股份有限公司 | 空调器的控制方法及装置、空调器 |
| CN111524612A (zh) * | 2020-04-26 | 2020-08-11 | 腾讯科技（深圳）有限公司 | 传染病溯源方法、装置、计算机设备和存储介质 |
| CN111503830B (zh) * | 2020-04-26 | 2021-11-16 | 珠海格力电器股份有限公司 | 空调器的控制方法及装置、空调器 |
| CN111524612B (zh) * | 2020-04-26 | 2023-04-07 | 腾讯科技（深圳）有限公司 | 传染病溯源方法、装置、计算机设备和存储介质 |
| WO2021114618A1 (zh) * | 2020-05-14 | 2021-06-17 | 平安科技（深圳）有限公司 | 联邦学习方法、装置、计算机设备及可读存储介质 |
| CN111652863A (zh) * | 2020-05-27 | 2020-09-11 | 刘君茹 | 一种医学影像检测方法、装置、设备和存储介质 |
| CN111695701B (zh) * | 2020-06-12 | 2021-08-13 | 上海富数科技有限公司 | 基于联邦学习实现数据集构建处理的系统及其构建生成方法 |
| CN111695701A (zh) * | 2020-06-12 | 2020-09-22 | 上海富数科技有限公司 | 基于联邦学习实现数据集构建处理的系统及其构建生成方法 |
| CN111898767A (zh) * | 2020-08-06 | 2020-11-06 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及介质 |
| WO2022033199A1 (zh) * | 2020-08-14 | 2022-02-17 | 腾讯科技（深圳）有限公司 | 一种获得用户画像的方法及相关装置 |
| CN111898769A (zh) * | 2020-08-17 | 2020-11-06 | 中国银行股份有限公司 | 基于横向联邦学习的建立用户行为周期模型的方法及系统 |
| CN112329940A (zh) * | 2020-11-02 | 2021-02-05 | 北京邮电大学 | 一种结合联邦学习与用户画像的个性化模型训练方法及系统 |
| CN112287231B (zh) * | 2020-11-05 | 2024-04-05 | 深圳大学 | 一种联邦推荐梯度获取方法、装置、智能终端及存储介质 |
| CN112287231A (zh) * | 2020-11-05 | 2021-01-29 | 深圳大学 | 一种联邦推荐梯度获取方法、装置、智能终端及存储介质 |
| CN112364919A (zh) * | 2020-11-11 | 2021-02-12 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及存储介质 |
| CN112449009A (zh) * | 2020-11-12 | 2021-03-05 | 深圳大学 | 一种基于svd的联邦学习推荐系统通信压缩方法及装置 |
| CN112396189B (zh) * | 2020-11-27 | 2023-09-01 | 中国银联股份有限公司 | 一种多方构建联邦学习模型的方法及装置 |
| CN112396189A (zh) * | 2020-11-27 | 2021-02-23 | 中国银联股份有限公司 | 一种多方构建联邦学习模型的方法及装置 |
| CN112632403B (zh) * | 2020-12-24 | 2024-04-09 | 北京百度网讯科技有限公司 | 推荐模型的训练方法、推荐方法、装置、设备和介质 |
| CN112632403A (zh) * | 2020-12-24 | 2021-04-09 | 北京百度网讯科技有限公司 | 推荐模型的训练方法、推荐方法、装置、设备和介质 |
| CN112597135A (zh) * | 2021-01-04 | 2021-04-02 | 天冕信息技术(深圳)有限公司 | 用户分类方法、装置、电子设备及可读存储介质 |
| CN113158223A (zh) * | 2021-01-27 | 2021-07-23 | 深圳前海微众银行股份有限公司 | 基于状态转移核优化的数据处理方法、装置、设备及介质 |
| CN113111254A (zh) * | 2021-03-08 | 2021-07-13 | 支付宝(杭州)信息技术有限公司 | 推荐模型的训练方法、拟合方法、装置和电子设备 |
| CN113111254B (zh) * | 2021-03-08 | 2023-04-07 | 支付宝(杭州)信息技术有限公司 | 推荐模型的训练方法、拟合方法、装置和电子设备 |
| CN113033090A (zh) * | 2021-03-24 | 2021-06-25 | 平安科技（深圳）有限公司 | 推送模型训练方法、数据推送方法、装置及存储介质 |
| CN113033090B (zh) * | 2021-03-24 | 2023-03-03 | 平安科技（深圳）有限公司 | 推送模型训练方法、数据推送方法、装置及存储介质 |
| CN113158241A (zh) * | 2021-04-06 | 2021-07-23 | 深圳市洞见智慧科技有限公司 | 基于联邦学习的岗位推荐方法及装置 |
| WO2022217784A1 (zh) * | 2021-04-15 | 2022-10-20 | 腾讯云计算（北京）有限责任公司 | 数据处理方法、装置、设备以及介质 |
| CN113255932A (zh) * | 2021-06-01 | 2021-08-13 | 开放智能机器（上海）有限公司 | 一种基于终端设备的联邦学习训练平台及方法 |
| CN113626687A (zh) * | 2021-07-19 | 2021-11-09 | 浙江师范大学 | 以联邦学习为核心的在线课程推荐方法和系统 |
| CN113610303B (zh) * | 2021-08-09 | 2024-03-19 | 北京邮电大学 | 一种负荷预测方法及系统 |
| CN113610303A (zh) * | 2021-08-09 | 2021-11-05 | 北京邮电大学 | 一种负荷预测方法及系统 |
| CN113761371B (zh) * | 2021-09-08 | 2023-08-01 | 东北大学 | 一种基于匿名化隐私保护的推荐方法 |
| CN113761371A (zh) * | 2021-09-08 | 2021-12-07 | 东北大学 | 一种基于匿名化隐私保护的推荐方法 |
| CN114723067A (zh) * | 2022-04-12 | 2022-07-08 | 华南理工大学 | 一种基于用户隐私保护的联邦混合过滤推荐方法 |
| CN114579801A (zh) * | 2022-04-28 | 2022-06-03 | 深圳市华曦达科技股份有限公司 | 一种基于天鹰优化算法的长视频推荐方法 |
| CN114584436A (zh) * | 2022-05-06 | 2022-06-03 | 北京理工大学 | 一种单次握手的并发通信网络中的消息聚合系统及方法 |
| CN114584436B (zh) * | 2022-05-06 | 2022-07-01 | 北京理工大学 | 一种单次握手的并发通信网络中的消息聚合系统及方法 |
| CN114741611A (zh) * | 2022-06-08 | 2022-07-12 | 杭州金智塔科技有限公司 | 联邦推荐模型训练方法以及系统 |
| CN116028719A (zh) * | 2023-03-29 | 2023-04-28 | 杭州金智塔科技有限公司 | 对象推荐方法及装置、跨域联邦商品推荐方法及装置 |
| CN117592042A (zh) * | 2024-01-17 | 2024-02-23 | 杭州海康威视数字技术股份有限公司 | 面向联邦推荐系统的隐私泄露检测方法及装置 |
| CN117592042B (zh) * | 2024-01-17 | 2024-04-05 | 杭州海康威视数字技术股份有限公司 | 面向联邦推荐系统的隐私泄露检测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110297848B (zh) | 2024-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110297848A (zh) | 基于联邦学习的推荐模型训练方法、终端及存储介质 | |
| US20220215032A1 (en) | Ai-based recommendation method and apparatus, electronic device, and storage medium | |
| CN111241311B (zh) | 媒体信息推荐方法、装置、电子设备及存储介质 | |
| CN110400169A (zh) | 一种信息推送方法、装置及设备 | |
| CN107463698B (zh) | 基于人工智能推送信息的方法和装置 | |
| CN106446078A (zh) | 一种信息的推荐方法和推荐装置 | |
| CN107111651A (zh) | 一种匹配度计算方法、装置以及用户设备 | |
| CN105095431A (zh) | 根据用户的行为信息推送视频的方法和装置 | |
| CN112398947B (zh) | 一种信息推送方法、装置、设备及计算机可读存储介质 | |
| CN111973996A (zh) | 一种游戏资源投放方法和装置 | |
| CN107341272A (zh) | 一种推送方法、装置和电子设备 | |
| US20220408131A1 (en) | Image analysis system | |
| Jia et al. | Multi-modal learning for video recommendation based on mobile application usage | |
| Lee et al. | Factors affecting Chinese ubiquitous game service usage intention | |
| CN111612588A (zh) | 商品呈现方法及装置、计算设备、计算机可读存储介质 | |
| CN111581521A (zh) | 群组成员的推荐方法、装置、服务器、存储介质及系统 | |
| Ben Sassi et al. | How does context influence music preferences: a user-based study of the effects of contextual information on users’ preferred music | |
| CN111552835A (zh) | 文件推荐方法、装置及服务器 | |
| CN109451334A (zh) | 用户画像生成处理方法、装置及电子设备 | |
| CN114387041B (zh) | 一种多媒体数据采集方法及系统 | |
| CN116010711A (zh) | 一种融合用户信息及兴趣变化的kgcn模型电影推荐方法 | |
| CN115934996A (zh) | 推荐模型的训练方法、歌曲推荐方法及相关装置 | |
| CN114090848A (zh) | 数据推荐及分类方法、特征融合模型及电子设备 | |
| CN113536103B (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
| CN115878839A (zh) | 一种视频推荐方法、装置、计算机设备和计算机程序产品 |
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 |