CN111274488A - 推荐方法、装置、设备、系统、待执行终端及存储介质 - Google Patents
推荐方法、装置、设备、系统、待执行终端及存储介质 Download PDFInfo
- Publication number
- CN111274488A CN111274488A CN202010107652.0A CN202010107652A CN111274488A CN 111274488 A CN111274488 A CN 111274488A CN 202010107652 A CN202010107652 A CN 202010107652A CN 111274488 A CN111274488 A CN 111274488A
- Authority
- CN
- China
- Prior art keywords
- executed
- terminal
- recommendation
- reduction
- result
- 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
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
-
- 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
- G06F16/9538—Presentation of query results
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
本发明公开了一种推荐方法、装置、设备、系统、待执行终端及存储介质,涉及金融科技技术领域,该推荐方法应用于推荐设备,该方法包括:将待执行终端划分为至少两个集群,并将划分结果发送至所述待执行终端,以供所述待执行终端根据所述划分结果执行归约操作;在检测到所述待执行终端完成归约操作时,根据归约结果判断集群划分操作是否符合预设停止条件;若符合预设停止条件,则根据所述归约结果输出推荐结果。本发明能够提高多方联邦推荐的的响应时间。
Description
技术领域
本发明涉及金融科技(Fintech)的数据处理技术领域,尤其涉及一种推荐方法、装置、设备、系统、待执行终端及存储介质。
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(Fintech)转变,但由于金融行业的安全性、实时性要求,也对技术提出了更高的要求。
推荐系统应用广泛,已经渗透到人们生活的各个方面,例如新闻推荐、视频推荐、商品推荐等。为了实现精准的推荐效果,推荐系统会收集海量用户和所推荐内容的数据,一般而言,收集的数据越多,对用户和推荐内容的了解就越全面和深入,推荐效果越精准。但在现实场景中,随着用户数据安全和隐私保护相关政策相继出台和日益完善,这些数据通常为保护用户数据隐私而以“数据孤岛”的形式分散在不同的机构。
目前,联邦推荐在推荐场景下,可以很好地结合联邦学习的优点,在保护各方数据隐私的条件下,融合多方数据进行推荐,从而解决“数据孤岛”与“隐私保护”的问题。但这也使得联邦推荐的在线预测流程与通常的在线推荐流程不同,同时,实际使用时对推荐请求的响应速度有较高的要求。在现有的多方联邦推荐的在线预测流程中,包含大量各个参与方之间交叉项的归约计算,而这一计算过程通常都在其中一参与方上顺序地依次执行各归约操作,极大地拖慢了推荐请求的响应时间,影响了客户的使用体验。因此,如何提高多方联邦推荐的响应时间,是目前亟需解决的问题。
发明内容
本发明的主要目的在于提供一种推荐方法、装置、设备、系统、待执行终端及存储介质,旨在提高多方联邦推荐的的响应时间。
为实现上述目的,本发明提供一种推荐方法,应用于推荐设备,所述推荐方法包括:
将待执行终端划分为至少两个集群,并将划分结果发送至所述待执行终端,以供所述待执行终端根据所述划分结果执行归约操作;
在检测到所述待执行终端完成归约操作时,根据归约结果判断集群划分操作是否符合预设停止条件;
若符合预设停止条件,则根据所述归约结果输出推荐结果。
可选地,所述将待执行终端划分为至少两个集群的步骤之前,还包括:
获取所述待执行终端对应的待归约数据集信息;
所述将待执行终端划分为至少两个集群的步骤包括:
根据所述待归约数据集信息将待执行终端划分为至少两个集群。
可选地,所述根据所述待归约数据集信息将待执行终端划分为至少两个集群的步骤包括:
根据所述待归约数据集信息确定各待执行终端对应归约操作的任务负载;
将各任务负载按负载大小进行排序,并根据排序结果将所述待执行终端划分为至少两个集群。
可选地,所述将各任务负载按负载大小进行排序,并根据排序结果将所述将待执行终端划分为至少两个集群的步骤包括:
将各任务负载按负载大小进行排序,并根据排序结果确定终端排序序列;
依次抽取所述终端排序序列中的首尾待执行终端进行两两组合,以将所述待执行终端划分为与所述待执行终端数量对应的目标数量的集群,所述目标数量为至少两个。
可选地,所述获取所述待执行终端对应的待归约数据集信息的步骤包括:
在接收到推荐请求时,根据所述推荐请求获取待推荐用户信息;
将所述待推荐用户信息发送至所述待执行终端,以供所述待执行终端根据所述待推荐用户信息获取初始数据集;
接收所述待执行终端基于所述初始数据集返回的待归约数据集信息。
可选地,所述根据归约结果判断集群划分操作是否符合预设停止条件的步骤包括:
判断归约结果的数量是否为预设数量,以判断集群划分操作是否符合预设停止条件。
此外,为实现上述目的,本发明还提供一种推荐方法,应用于待执行终端,所述推荐方法包括:
在接收到推荐设备发送的划分结果时,根据所述划分结果确定所述待执行终端所在目标集群;
将所述目标集群中除所述待执行终端外的其他终端作为目标归约终端,并与所述目标归约终端联合执行归约操作。
可选地,所述与所述目标归约终端联合执行归约操作的步骤之前,还包括:
接收所述推荐设备发送的待推荐用户信息;
根据所述待推荐用户信息获取初始数据集,所述初始数据集包括特征向量数据、嵌入向量数据和权重向量数据;
根据所述特征向量数据、所述嵌入向量数据和权重向量数据,计算得到本地预测值;
根据所述特征向量数据、所述嵌入向量数据和所述本地预测值确定本地待归约数据集;
所述与所述目标归约终端联合执行归约操作的步骤包括:
将所述本地待归约数据集中的数据与所述目标归约终端对应目标待归约数据集中的数据按预设公式进行计算,以联合执行归约操作,得到计算结果。
可选地,所述推荐方法还包括:
获取所述待执行终端的第一目标参数信息,并获取所述目标归约终端的第二目标参数信息;
将所述第一目标参数信息与所述第二目标参数信息进行比较,并根据比较结果确定结果存储终端;
若确定结果存储终端为所述待执行终端,则根据所述计算结果和所述目标待归约数据集更新所述本地待归约数据集,生成并发送归约结果至所述推荐设备。
此外,为实现上述目的,本发明还提供一种推荐装置,所述推荐装置包括:
划分模块,用于将待执行终端划分为至少两个集群,并将划分结果发送至所述待执行终端,以供所述待执行终端根据所述划分结果执行归约操作;
判断模块,用于在检测到所述待执行终端完成归约操作时,根据归约结果判断集群划分操作是否符合预设停止条件;
输出模块,用于若符合预设停止条件,则根据所述归约结果输出推荐结果。
此外,为实现上述目的,本发明还提供一种推荐装置,所述推荐装置包括:
确定模块,用于在接收到推荐设备发送的划分结果时,根据所述划分结果确定所述待执行终端所在的目标集群;
归约模块,用于将所述目标集群中除所述待执行终端外的其他终端作为目标归约终端,并与所述目标归约终端联合执行归约操作。
此外,为实现上述目的,本发明还提供一种推荐设备,所述推荐设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的推荐程序,所述推荐程序被所述处理器执行时实现如上所述的第一种推荐方法的步骤。
此外,为实现上述目的,本发明还提供一种待执行终端,所述待执行终端包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的推荐程序,所述推荐程序被所述处理器执行时实现如上所述的第二种推荐方法的步骤。
此外,为实现上述目的,本发明还提供一种推荐系统,所述推荐系统包括如上所述的推荐设备和如上所述的待执行终端,所述待执行终端包括至少两个。
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推荐程序,所述推荐程序被处理器执行时实现如上所述的第一种或第二种推荐方法的步骤。
本发明提供一种推荐方法、装置、设备、系统、待执行终端及计算机可读存储介质,通过推荐设备将待执行终端划分为至少两个集群,并将划分结果发送至待执行终端,以供待执行终端根据划分结果执行归约操作;在检测到待执行终端完成归约操作时,根据归约结果判断集群划分操作是否符合预设停止条件;若符合预设停止条件,则根据归约结果输出推荐。通过上述方式,将待执行终端划分为多个集群,实现多个集群中的待执行终端同时并行执行归约操作,相比于现有技术中在某一待执行终端顺序地执行各归约操作,可节省归约操作的计算时间,从而可提高多方联邦推荐的响应速度,同时可提升整体系统的执行效率。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图;
图2为本发明推荐方法第一实施例的流程示意图;
图3为本发明推荐方法第二实施例的流程示意图;
图4为本发明第二实施例涉及的一归约操作执行过程示意图;
图5为本发明推荐装置第一实施例的功能模块示意图。
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。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图。
本发明实施例中的设备为推荐设备或待执行终端,推荐设备和待执行终端可以是服务器,也可以是PC(Personal Computer,个人计算机)、平板电脑、便携计算机等终端设备。
如图1所示,该推荐设备/待执行终端可以包括:处理器1001,例如CPU,通信总线1002,用户接口1003,网络接口1004,存储器1005。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。
本领域技术人员可以理解,图1中示出的推荐设备/待执行终端结构并不构成对推荐设备/待执行终端的限定,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、用户接口模块以及推荐程序。
在图1所示的终端中,网络接口1004主要用于连接各待执行终端,与各待执行终端进行数据通信;用户接口1003主要用于连接客户端,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中存储的推荐程序,并执行对应的操作,
当图1所示的终端设备为推荐设备时,处理器1001可以用于调用存储器1005中存储的推荐程序,并执行以下操作:
将待执行终端划分为至少两个集群,并将划分结果发送至所述待执行终端,以供所述待执行终端根据所述划分结果执行归约操作;
在检测到所述待执行终端完成归约操作时,根据归约结果判断集群划分操作是否符合预设停止条件;
若符合预设停止条件,则根据所述归约结果输出推荐结果。
进一步地,处理器1001可以调用存储器1005中存储的推荐程序,还执行以下操作:
获取所述待执行终端对应的待归约数据集信息;
根据所述待归约数据集信息将待执行终端划分为至少两个集群。
进一步地,处理器1001可以调用存储器1005中存储的推荐程序,还执行以下操作:
根据所述待归约数据集信息确定各待执行终端对应归约操作的任务负载;
将各任务负载按负载大小进行排序,并根据排序结果将所述待执行终端划分为至少两个集群。
进一步地,处理器1001可以调用存储器1005中存储的推荐程序,还执行以下操作:
将各任务负载按负载大小进行排序,并根据排序结果确定终端排序序列;
依次抽取所述终端排序序列中的首尾待执行终端进行两两组合,以将所述待执行终端划分为与所述待执行终端数量对应的目标数量的集群,所述目标数量为至少两个。
进一步地,处理器1001可以调用存储器1005中存储的推荐程序,还执行以下操作:
在接收到推荐请求时,根据所述推荐请求获取待推荐用户信息;
将所述待推荐用户信息发送至所述待执行终端,以供所述待执行终端根据所述待推荐用户信息获取初始数据集;
接收所述待执行终端基于所述初始数据集返回的待归约数据集信息。
进一步地,处理器1001可以调用存储器1005中存储的推荐程序,还执行以下操作:
判断归约结果的数量是否为预设数量,以判断集群划分操作是否符合预设停止条件。
当图1所示的终端设备为待执行终端时,处理器1001可以用于调用存储器1005中存储的推荐程序,并执行以下操作:
在接收到推荐设备发送的划分结果时,根据所述划分结果确定所述待执行终端所在目标集群;
将所述目标集群中除所述待执行终端外的其他终端作为目标归约终端,并与所述目标归约终端联合执行归约操作。
进一步地,处理器1001可以调用存储器1005中存储的推荐程序,还执行以下操作:
所述与所述目标归约终端联合执行归约操作的步骤之前,还包括:
接收所述推荐设备发送的待推荐用户信息;
根据所述待推荐用户信息获取初始数据集,所述初始数据集包括特征向量数据、嵌入向量数据和权重向量数据;
根据所述特征向量数据、所述嵌入向量数据和权重向量数据,计算得到本地预测值;
根据所述特征向量数据、所述嵌入向量数据和所述本地预测值确定本地待归约数据集;
将所述本地待归约数据集中的数据与所述目标归约终端对应目标待归约数据集中的数据按预设公式进行计算,以联合执行归约操作,得到计算结果。
进一步地,处理器1001可以调用存储器1005中存储的推荐程序,还执行以下操作:
获取所述待执行终端的第一目标参数信息,并获取所述目标归约终端的第二目标参数信息;
将所述第一目标参数信息与所述第二目标参数信息进行比较,并根据比较结果确定结果存储终端;
若确定结果存储终端为所述待执行终端,则根据所述计算结果和所述目标待归约数据集更新所述本地待归约数据集,生成并发送归约结果至所述推荐设备。
基于上述硬件结构,提出本发明推荐方法的各实施例。
本发明提供一种推荐方法。
参照图2,图2为本发明推荐方法第一实施例的流程示意图。
在本实施例中,该推荐方法应用于推荐设备,该推荐方法包括:
步骤S10,将待执行终端划分为至少两个集群,并将划分结果发送至所述待执行终端,以供所述待执行终端根据所述划分结果执行归约操作;
本实施例的推荐方法的执行主体为推荐设备,与各待执行终端之间进行通信连接。该推荐设备可以是服务器,也可以是PC、平板电脑、便携计算机等终端设备,本实施例中,以执行主体为推荐设备为服务器为例进行说明。需要说明是的,在具体实施例中,该推荐方法的执行主体还可以为待执行终端中的任一终端。也就是说,该待执行终端在与其他待执行终端执行归约操作的同时,还作为一控制设备,执行该推荐方法的各个步骤。
需要说明的是,本发明实施例适用于多方联邦推荐场景,如纵向的联邦推荐的在线预测,纵向联邦学习主要解决多个参与方(机构)拥有大量相同的用户但是不同的商品或用户特征时如何协作构建推荐系统的问题,具体的,可在多个数据集的用户重叠较多而用户特征重叠较少的情况下,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。而在线预测,是指在实际结果计算中,参与的双方分别根据上述训练中得到的参数,计算各自的结果,最后对结果进行汇总计算,得到最终的预测,进而进行推荐。
在本实施例中,当客户需要向用户进行推荐时,可以通过客户端发起推荐请求,推荐请求的接收方可以为一待执行终端,当然,也可以为服务器。若推荐请求的接收方为一待执行终端,则该待执行终端会将该推荐请求发送至服务器,对应的,服务器在接收到该推荐请求时,获取待执行终端,进而将待执行终端划分为至少两个集群,并将划分结果发送至待执行终端,以供待执行终端根据划分结果执行归约操作。
其中,待执行终端即为待执行归约操作的参与方所对应的终端设备,各参与方拥有自身的本地用户数据(与下文的初始数据集相一致),在进行联邦推荐时,各待执行终端除独立依据自身本地数据进行部分计算外,还会涉及与其他待执行终端之间执行归约操作。例如,以基于FM(Factorization Machine,因子分解机)算法的联邦推荐为例,多方联邦推荐预测函数为:
其中,表示待执行终端1~s(即第1~s方)多方联邦推荐得到的最终预测值,表示待执行终端m(即第m方)单方计算得到的的预测值,表示待执行终端m(即第m方)的嵌入向量i,表示待执行终端n(即第n方)的嵌入向量j,表示待执行终端m(即第m方)的特征向量i,表示待执行终端n(即第n方)的特征向量j,其中,可通过以下预测函数计算得到:
其中,w为权重向量,x为特征向量。
当然,可以理解,在具体实施例中,除FM算法外,还可以采用其他推荐算法,如SVD(Singular Value Decomposition,奇异值分解)算法,SVD++算法等,此处不作赘述。
在对待执行终端进行划分时,可随机将待执行终端划分为至少两个集群,每个集群中的待执行终端的数量可以相同、也可以不相同,划分规则可以根据实际需要进行具体设定。然后,将划分结果发送至待执行终端,以供待执行终端根据划分结果执行归约操作。例如,待执行终端包括1-12,可以将1-4分为一个集群,5-8分为一个集群,9-12分为一个集群,从得使得待执行终端1-4相互之间的归约操作、待执行终端5-8相互之间的归约操作及待执行终端9-12相互之间的归约操作可以并行执行,通过上述方式可实现同时在多个待执行终端并行执行归约操作,相比于现有技术中在某一待执行终端顺序地执行各归约操作,可节省归约操作的计算时间,从而可提高多方联邦推荐的响应速度。
步骤S20,在检测到所述待执行终端完成归约操作时,根据归约结果判断集群划分操作是否符合预设停止条件;
在检测到待执行终端完成归约操作时,根据归约结果判断集群划分操作是否符合预设停止条件。其中,归结结果即为待执行终端返回的归约操作的完成信息,具体的,待执行终端完成归约操作后,会向服务器返回对应的归约操作的完成信息,因此,可基于待执行终端返回的归约操作的完成信息的数量来判断集群划分操作是否符合预设停止条件。需要说明的是,当两个待执行终端之间执行归约操作后,可将下一轮待归约数据集(包括归约操作得到的计算结果)依据预设存储规则存放于其中一待执行终端中,其中,预设存储规则可以为存储于数据量较少的一方,或者存储于剩余存储空间较大的一方,可根据实际需要进行设定,此处不作具体限定。也就是说,若划分得到n个集群,则最终会有n个待执行终端返回归约操作的完成信息,因此,在侦测到待执行终端返回的归约操作的完成信息的数量(即归约结果的数量)达到所划分得到的集群的数量时,则说明待执行终端已完成此轮的归约操作时,此时,则进一步根据归约结果判断是否符合预设停止条件。
其中,步骤“根据归约结果判断集群划分操作是否符合预设停止条件”包括:
判断归约结果的数量是否为预设数量,以判断集群划分操作是否符合预设停止条件。
具体的,可以通过判断归约结果的数量是否为预设数量,以判断集群划分操作是否符合预设停止条件。其中,该归约结果即为待执行终端返回对应的归约操作的完成信息,预设数量为1。若归约结果的数量为预设数量,则判定符合预设停止条件;若归约结果的数量不为预设数量,则判定不符合预设停止条件。
若符合预设停止条件,则执行步骤S30,根据所述归约结果输出推荐结果;
若符合预设停止条件,则说明各待执行终端之间的归约操作均完成,得到了一个最终的计算结果,此时,则根据归约结果输出推荐结果。由于该归约结果是由最终的计算结果对应的存储终端所发送的,因此,可根据归约结果确定目标终端,从所述目标终端中获取最终的计算结果,并根据所述最终的计算结果输出推荐结果。即,先获取该归约结果对应的发送方,即目标终端,进而从目标终端中获取最终的计算结果,然后,根据计算结果确定推荐结果。其中,对于推荐结果的确定,可以基于计算结果和预测算法来确定。以预测算法为FM算法为例,最终的计算结果即为最终预测值该最终预测值即为多参与方针对某一待推荐物所得到的推荐概率,对应的推荐结果为该待推荐物及其推荐概率。此外,需要说明的是,上述推荐过程为针对预设列表中的某一待推荐物进行预测得到推荐结果。在多方联邦推荐场景中,多方会针对预设列表中的各个待推荐物进行预测,得到对应的最终预测值,也就是说,上述推荐方法的步骤会重复多次,最终会得到各个待推荐物的推荐结果,即,各个待推荐物均有各自对应的最终预测值,在向客户进行推荐时,可对各个最终预测值进行排序,进而根据排序结果将排在前t位的最终预测值所对应的待推荐物推荐给客户。
若不符合预设停止条件,则执行步骤:根据所述归约结果更新待执行终端,并执行步骤S10:将待执行终端划分为至少两个集群,并将划分结果发送至所述待执行终端,以供所述待执行终端根据所述划分结果执行归约操作。
若不符合预设停止条件,则需要继续执行下一轮的归约操作,具体的,根据归约结果更新待执行终端,进而继续执行步骤:将待执行终端划分为至少两个集群,并将划分结果发送至待执行终端,以供待执行终端根据划分结果并行执行归约操作。也就是说,根据归约结果更新待执行终端,得到更新后的待执行终端,进而继续对更新后的待执行终端进行划分,将更新后的待执行终端划分为至少两个集群,并将新的划分结果发送至更新后的待执行终端,以供更新后的待执行终端根据该新的划分结果并行执行归约操作,直到判定符合预设停止条件时,根据最终的归约结果输出推荐结果。
其中,步骤“根据所述归约结果更新待执行终端”包括:
根据所述归约结果确定当前待归约数据集所在目标终端,并将所述目标终端确定为更新后的待执行终端。
对于待执行终端的更新过程,可以根据归约结果确定当前待归约数据集所在目标终端,即确定归约结果的发送方,然后将目标终端确定为更新后的待执行终端。
本发明实施例提供一种推荐方法,通过将待执行终端划分为至少两个集群,并将划分结果发送至待执行终端,以供待执行终端根据划分结果执行归约操作;在检测到待执行终端完成归约操作时,根据归约结果判断集群划分操作是否符合预设停止条件;若符合预设停止条件,则根据归约结果输出推荐结果。通过上述方式,将待执行终端划分为多个集群,实现多个集群中的待执行终端同时并行执行归约操作,相比于现有技术中在某一待执行终端顺序地执行各归约操作,可节省归约操作的计算时间,从而可提高多方联邦推荐的响应速度,同时可提升整体系统的执行效率。
进一步的,参照图3,图3为本发明推荐方法第二实施例的流程示意图。
基于图2所示的第一实施例,在步骤S10之前,该推荐方法还包括:
步骤S40,获取所述待执行终端对应的待归约数据集信息;
在本实施例中,为进一步提高多方联邦推荐的响应时间,服务器可先获取待执行终端对应的待归约数据集信息,进而根据待归约数据集信息将待执行终端划分为至少两个集群,以使得划分得到的各集群中的待执行终端完成归约操作的总时间较为均衡,从而可进一步缩短该轮归约操作的计算时间,提高多方联邦推荐的响应时间。
具体的,先获取待执行终端对应的待归约数据集信息。其中,待归约数据集信息至少包括待归约数据的数量,如以基于FM算法的多方联邦推荐为例,该待归约数据集信息可以包括特征向量的数量、嵌入向量的数量等。
具体的,步骤S40包括:
步骤a1,在接收到推荐请求时,根据所述推荐请求获取待推荐用户信息;
步骤a2,将所述待推荐用户信息发送至所述待执行终端,以供所述待执行终端根据所述待推荐用户信息获取初始数据集;
步骤a3,接收所述待执行终端基于所述初始数据集返回的待归约数据集信息。
在接收到推荐请求时,根据推荐请求获取待推荐用户信息,其中,待推荐用户信息可以为用户ID(编号),即可用于表征用户身份的唯一信息,可以为用户身份证号、用户设备编号等。然后,将待推荐用户信息发送至待执行终端,以供待执行终端根据待推荐用户信息获取初始数据集。具体的,以推荐算法为FM算法为例,初始数据集可包括特征向量x(x∈Rd)、FM权重向量w(w∈Rd)、嵌入向量v(v∈Rd‘)。待执行终端在根据待推荐用户信息获取到初始数据集之后,会先根据初始数据集计算各方的预测值f(x),同时根据初始数据集确定待归约数据集信息,即为特征向量的数量和嵌入向量的数量,并发送至服务器,其中,f(x)的计算方法可参照上述第一实施例,此处不作赘述。对应的,服务器会接收到待执行终端基于初始数据集返回的待归约数据集信息。
此时,步骤S10包括:
步骤S11,根据所述待归约数据集信息将待执行终端划分为至少两个集群,并将划分结果发送至所述待执行终端,以供所述待执行终端根据所述划分结果执行归约操作。
在获取到待执行终端对应的待归约数据集信息之后,根据待归约数据集信息将待执行终端划分为至少两个集群,并将划分结果发送至待执行终端,以供待执行终端根据划分结果执行归约操作。
其中,步骤“根据所述待归约数据集信息将待执行终端划分为至少两个集群”包括:
步骤b1,根据所述待归约数据集信息确定各待执行终端对应归约操作的任务负载;
步骤b2,将各任务负载按负载大小进行排序,并根据排序结果将所述待执行终端划分为至少两个集群。
具体的,在获取到待执行终端对应的待归约数据集信息之后,根据待归约数据集信息确定各待执行终端对应归约操作的任务负载。其中,任务负载的计算规则可以具体设定,此处不作限定,不过可以理解的是,该任务负载正比于需计算的数据数量,例如,上述例中,待归约数据集信息包括特征向量的数量和嵌入向量的数量时,则任务负载正比于特征向量与嵌入向量的数量之和。然后,将各任务负载按负载大小进行排序,并根据排序结果将待执行终端划分为至少两个集群。具体的划分规则可以包括但不限于:1)依次从按任务负载大小排序得到的任务负载序列的首部抽取得到第一预设数量的待执行终端、并从尾部抽取得到第二预设数量的待执行终端,组成第一集群,进而继续从抽取后的任务负载序列首部抽取得到第一预设数量的终端、并从尾部抽取得到第二预设数量的待执行终端,组成第二集群,依次类推,直至划分完成,其中,第一预设数量和第二预设数量可预先设定;2)依次从按任务负载大小排序得到的任务负载序列的首部抽取得到第一预设数量的待执行终端、并从尾部抽取得到第二预设数量的待执行终端,组成第一集群;然后从抽取后的任务负载序列中循环随机抽取第三预设数量的待执行终端,以继续对待执行终端进行划分,其中,第三预设数量可以为第一预设数量与第二预设数量之和,当然也可以设定为其他数值。
进一步地,步骤b2包括:
步骤b21,将各任务负载按负载大小进行排序,并根据排序结果确定终端排序序列;
步骤b22,依次抽取所述终端排序序列中的首尾待执行终端进行两两组合,以将所述待执行终端划分为与所述待执行终端数量对应的目标数量的集群,所述目标数量为至少两个。
作为集群划分的最佳方式,可将各任务负载按负载大小进行排序,并根据排序结果确定终端排序序列,然后,依次抽取终端排序序列中的首尾待执行终端进行两两组合,以将待执行终端划分为与待执行终端数量对应的目标数量的集群,其中,目标数量为至少两个。
具体的,参照图4,以待执行终端包括party1-8为例,来描述上述最佳的集群划分和归约操作的执行过程。首先,获取party1-8各待执行终端的待归约数据集信息(包括特征向量的数量和嵌入向量的数量),然后,根据待归约数据集信息确定各待执行终端对应归约操作的任务负载,任务负载正比于特征向量和嵌入向量的数量之和,本例中,直接以特征向量和嵌入向量的数量之和作为任务负载,进而基于可将各任务负载按负载大小进行排序,并根据排序结果确定终端排序序列,若终端排序序列为1-3-5-7-8-6-4-2,通过依次抽取终端排序序列中的首尾待执行终端进行两两组合,以将待执行终端划分为4个集群,各集群中所包括的待执行终端分别为1-2、3-4、5-6、7-8。接着,将该划分结果发送至待执行终端,以供待执行终端根据划分结果执行归约操作。即,1与2进行归约操作,如图中的Op1;3与4进行归约操作,如图中的Op2;5与6进行归约操作,如图中的Op3;7与8进行归约操作,如图中的Op4。在本轮的归约操作执行完成后,由于归约结果的数量为4,因此需要进行下一轮的划分,进而进行下一轮的归约操作,划分方法同上,如图4中,第二轮归约操作中,将Op1对应的存储终端设备与Op2对应的存储终端设备执行归约操作,如图中的Op5,将Op3对应的存储终端设备与Op4对应的存储终端设备执行归约操作,如图中的Op6。在第二轮的归约操作执行完成后,由于归约结果的数量为2,因此需要进行下一轮的划分,进而进行下一轮的归约操作,具体的,第三轮归约操作中,将Op5对应的存储终端设备与Op6对应的存储终端设备执行归约操作,如图中的Op7,由于第三轮的归约操作执行完成后,归约结果的数量为预设数量1,此时符合预设停止条件,进而根据归约结果输出推荐结果。
通过上述方式,结合FM算法在线预测的特点,利用归约树结构改变现有的串行的计算方案,实现各集群内的待执行终端并行执行归约操作,可将归约操作的计算时间则由原来的O(N)变成O(lgN),其中,N为待执行终端的数量,即参与方的数量,从而提升了整体系统的执行效率,大大地提高了多方联邦推荐的响应时间。
本发明还提供一种推荐方法。
在本实施例中,该推荐方法应用于待执行终端,该推荐方法包括:
步骤A,在接收到推荐设备发送的划分结果时,根据所述划分结果确定所述待执行终端所在目标集群;
步骤B,将所述目标集群中除所述待执行终端外的其他终端作为目标归约终端,并与所述目标归约终端联合执行归约操作。
本实施例中,该推荐方法应用于待执行终端,该待执行终端可以为服务器、PC等终端设备。待执行终端在接收到推荐设备发送的划分结果时,可根据划分结果确定目标归约终端,即与该待执行终端划分在同一集群里的其他终端,进而与目标归约终端联合执行归约操作。具体的,先根据划分结果确定待执行终端所在目标集群,进而将目标集群中除该待执行终端外的其他终端作为目标归约终端,进而与目标归约终端联合执行归约操作。以图4为例,若推荐设备将待执行终端1-8划分为4个集群,各集群中所包括的待执行终端分别为1-2、3-4、5-6、7-8,进而将该划分结果发送至各待执行终端。对应的,待执行终端接收到划分结果后,可根据划分结果确定目标集群,进而确定目标归约终端,然后与目标归约终端联合执行归约操作。例如,对于待执行终端1,可根据划分结果确定目标归约终端为2,进而与2执行归约操作;待执行终端3可根据划分结果确定目标归约终端为4,进而与4执行归约操作;待执行终端5可根据划分结果确定目标归约终端为6,进而与6执行归约操作;待执行终端7可根据划分结果确定目标归约终端为8,进而与8执行归约操作。通过上述方式,可使得待执行终端1与2之间的归约操作、3与4之间的归约操作、5与6之间的归约操作、7与8之间的归约操作并行执行,相比于现有技术中,待执行终端2-8依次与1执行归约操作,可大大节省归约操作的计算时间,从而可提高多方联邦推荐的响应速度。
本实施例提供一种推荐方法,待执行终端在接收到推荐设备发送的划分结果时,根据划分结果确定待执行终端所在目标集群;然后,将目标集群中除待执行终端外的其他终端作为目标归约终端,并与目标归约终端联合执行归约操作。通过上述方式,待执行终端被划分为多个集群,多个集群中的待执行终端同时并行执行归约操作,相比于现有技术中在某一待执行终端顺序地执行各归约操作,可节省归约操作的计算时间,从而可提高多方联邦推荐的响应速度,同时可提升整体系统的执行效率。
进一步地,在上述步骤“与所述目标归约终端联合执行归约操作”之前,所述推荐方法还包括:
步骤C,接收所述推荐设备发送的待推荐用户信息;
步骤D,根据所述待推荐用户信息获取初始数据集,所述初始数据集包括特征向量数据、嵌入向量数据和权重向量数据;
步骤E,根据所述特征向量数据、所述嵌入向量数据和权重向量数据,计算得到本地预测值;
步骤F,根据所述特征向量数据、所述嵌入向量数据和所述本地预测值确定本地待归约数据集;
此时,步骤“与所述目标归约终端联合执行归约操作”包括:
将所述本地待归约数据集中的数据与所述目标归约终端对应目标待归约数据集中的数据按预设公式进行计算,以联合执行归约操作,得到计算结果。
在本实施例中,在推荐设备接收到推荐请求时,根据该推荐请求获取待推荐用户信息,进而将待推荐用户信息发送至待执行终端,此时,待执行终端在接收到推荐设备发送的待推荐用户信息时,先根据待推荐用户信息获取初始数据集,初始数据集包括特征向量数据、嵌入向量数据和权重向量数据;然后,根据特征向量数据、嵌入向量数据和权重向量数据,计算得到本地预测值,其中,本地预测值的计算公式可根据上述第一实施例的预测函数计算得到,其中,预测函数为:
其中,w为权重向量,x为特征向量,v为嵌入向量。
在计算得到本地预测值之后,根据特征向量数据、嵌入向量数据和本地预测值确定本地待归约数据集。然后,将本地待归约数据集中的数据与目标归约终端对应目标待归约数据集中的数据按预设公式进行计算,以联合执行归约操作,得到计算结果。具体的,根据多方联邦推荐预测函数(如上述第一实施例)可知,待执行终端与目标归约终端之间的归约操作包括本地预测值f(x)加和的归约操作,及交叉项的归约操作。
通过上述方式,实现了基于FM算法的联邦在线预测,可以理解,在具体实施例中,除FM算法外,还可以采用其他推荐算法,如SVD算法,SVD++算法等。
进一步地,在上述步骤B之后,所述推荐方法还包括:
步骤G,获取所述待执行终端的第一目标参数信息,并获取所述目标归约终端的第二目标参数信息;
步骤H,将所述第一目标参数信息与所述第二目标参数信息进行比较,并根据比较结果确定结果存储终端;
步骤I,若确定结果存储终端为所述待执行终端,则根据所述计算结果和所述目标待归约数据集更新所述本地待归约数据集,生成并发送归约结果至所述推荐设备。
在本实施例中,当待执行终端与目标归约终端执行完此轮的归约操作之后,需在两者之间确定计算结果的存储端。具体的,可以先获取待执行终端的第一目标参数信息,并获取目标归约终端的第二目标参数信息。其中,第一目标参数信息和第二目标参数信息可以包括但不限于:特征向量数据和嵌入向量数据的总数据量、剩余存储空间等。
然后,将第一目标参数信息与第二目标参数信息进行比较,并根据比较结果确定结果存储终端,例如,可根据比较结果确定数据量较少的一方为结果存储终端,或,根据比较结果确定剩余存储空间较大的一方为结果存储终端,可根据实际需要进行设定,此处不作具体限定。
若确定结果存储终端为待执行终端,则根据计算结果和目标待归约数据集更新本地待归约数据集,具体的,可以先获取目标归约终端的目标待归约数据集,进而将目标待归约数据集的数据和计算结果存储至本地待归约数据集。然后,生成并发送归约结果至推荐设备,其中,该归约结果即为该待执行终端与目标归约终端之间归约操作的完成信息。
本发明还提供一种推荐系统。所述推荐系统包括推荐设备和待执行终端,待执行终端包括至少两个。其中,推荐设备用于执行上述第一种推荐方法实施例中的各步骤,具体的功能和实现过程可参照上述实施例,此处不作赘述。待执行终端用于执行上述第二种推荐方法实施例中的各步骤,具体的功能和实现过程可参照上述实施例,此处不作赘述。
本实施例提供一种推荐系统,该推荐系统包括推荐设备和待执行终端,通过构建上述推荐系统,可便于推荐设备将待执行终端划分为多个集群,实现多个集群中的待执行终端同时并行执行归约操作,相比于现有技术中在某一待执行终端顺序地执行各归约操作,可节省归约操作的计算时间,从而可提高多方联邦推荐的响应速度,同时可提升整体系统的执行效率。
本发明还提供一种推荐装置。
参照图5,图5为本发明推荐装置第一实施例的功能模块示意图。
如图5所示,所述推荐装置包括:
划分模块10,用于将待执行终端划分为至少两个集群,并将划分结果发送至所述待执行终端,以供所述待执行终端根据所述划分结果执行归约操作;
判断模块20,用于在检测到所述待执行终端完成归约操作时,根据归约结果判断集群划分操作是否符合预设停止条件;
输出模块30,用于若符合预设停止条件,则根据所述归约结果输出推荐结果。
进一步地,所述推荐装置还包括:
第一获取模块,用于获取所述待执行终端对应的待归约数据集信息;
所述划分模块10具体用于:根据所述待归约数据集信息将待执行终端划分为至少两个集群。
进一步地,所述划分模块10包括:
确定单元,用于根据所述待归约数据集信息确定各待执行终端对应归约操作的任务负载;
划分单元,用于将各任务负载按负载大小进行排序,并根据排序结果将所述待执行终端划分为至少两个集群。
进一步地,所述划分单元具体用于:将各任务负载按负载大小进行排序,并根据排序结果确定终端排序序列;依次抽取所述终端排序序列中的首尾待执行终端进行两两组合,以将所述待执行终端划分为与所述待执行终端数量对应的目标数量的集群,所述目标数量为至少两个。
进一步地,所述获取模块包括:
获取单元,用于在接收到推荐请求时,根据所述推荐请求获取待推荐用户信息;
发送单元,用于将所述待推荐用户信息发送至所述待执行终端,以供所述待执行终端根据所述待推荐用户信息获取初始数据集;
接收单元,用于接收所述待执行终端基于所述初始数据集返回的待归约数据集信息。
进一步地,所述判断模块20具体用于:判断归约结果的数量是否为预设数量,以判断集群划分操作是否符合预设停止条件。
其中,上述推荐装置中各个模块的功能实现与上述推荐方法实施例中各步骤相对应,其功能和实现过程在此处不再一一赘述。
本发明还提供一种推荐装置。所述推荐装置包括:
确定模块,用于在接收到推荐设备发送的划分结果时,根据所述划分结果确定所述待执行终端所在的目标集群;
归约模块,用于将所述目标集群中除所述待执行终端外的其他终端作为目标归约终端,并与所述目标归约终端联合执行归约操作。
进一步地,所述推荐装置还包括:
接收模块,用于接收所述推荐设备发送的待推荐用户信息;
第二获取模块,用于根据所述待推荐用户信息获取初始数据集,所述初始数据集包括特征向量数据、嵌入向量数据和权重向量数据;
第一计算模块,用于根据所述特征向量数据、所述嵌入向量数据和权重向量数据,计算得到本地预测值;
第二计算模块,用于根据所述特征向量数据、所述嵌入向量数据和所述本地预测值确定本地待归约数据集;
所述归约模块,具体用于将所述本地待归约数据集中的数据与所述目标归约终端对应目标待归约数据集中的数据按预设公式进行计算,以联合执行归约操作,得到计算结果。
进一步地,所述推荐装置还包括:
第三获取模块,用于获取所述待执行终端的第一目标参数信息,并获取所述目标归约终端的第二目标参数信息;
比较模块,用于将所述第一目标参数信息与所述第二目标参数信息进行比较,并根据比较结果确定结果存储终端;
发送模块,用于若确定结果存储终端为所述待执行终端,则根据所述计算结果和所述目标待归约数据集更新所述本地待归约数据集,生成并发送归约结果至所述推荐设备。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质上存储有推荐程序,所述推荐程序被处理器执行时实现如以上任一项实施例所述的第一种或第二种推荐方法的步骤。
本发明计算机可读存储介质的具体实施例与上述推荐方法各实施例基本相同,在此不作赘述。
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 (15)
1.一种推荐方法,其特征在于,应用于推荐设备,所述推荐方法包括:
将待执行终端划分为至少两个集群,并将划分结果发送至所述待执行终端,以供所述待执行终端根据所述划分结果执行归约操作;
在检测到所述待执行终端完成归约操作时,根据归约结果判断集群划分操作是否符合预设停止条件;
若符合预设停止条件,则根据所述归约结果输出推荐结果。
2.如权利要求1所述的推荐方法,其特征在于,所述将待执行终端划分为至少两个集群的步骤之前,还包括:
获取所述待执行终端对应的待归约数据集信息;
所述将待执行终端划分为至少两个集群的步骤包括:
根据所述待归约数据集信息将待执行终端划分为至少两个集群。
3.如权利要求2所述的推荐方法,其特征在于,所述根据所述待归约数据集信息将待执行终端划分为至少两个集群的步骤包括:
根据所述待归约数据集信息确定各待执行终端对应归约操作的任务负载;
将各任务负载按负载大小进行排序,并根据排序结果将所述待执行终端划分为至少两个集群。
4.如权利要求3所述的推荐方法,其特征在于,所述将各任务负载按负载大小进行排序,并根据排序结果将所述将待执行终端划分为至少两个集群的步骤包括:
将各任务负载按负载大小进行排序,并根据排序结果确定终端排序序列;
依次抽取所述终端排序序列中的首尾待执行终端进行两两组合,以将所述待执行终端划分为与所述待执行终端数量对应的目标数量的集群,所述目标数量为至少两个。
5.如权利要求2所述的推荐方法,其特征在于,所述获取所述待执行终端对应的待归约数据集信息的步骤包括:
在接收到推荐请求时,根据所述推荐请求获取待推荐用户信息;
将所述待推荐用户信息发送至所述待执行终端,以供所述待执行终端根据所述待推荐用户信息获取初始数据集;
接收所述待执行终端基于所述初始数据集返回的待归约数据集信息。
6.如权利要求1至5中任一项所述的推荐方法,其特征在于,所述根据归约结果判断集群划分操作是否符合预设停止条件的步骤包括:
判断归约结果的数量是否为预设数量,以判断集群划分操作是否符合预设停止条件。
7.一种推荐方法,其特征在于,应用于待执行终端,所述推荐方法包括:
在接收到推荐设备发送的划分结果时,根据所述划分结果确定所述待执行终端所在目标集群;
将所述目标集群中除所述待执行终端外的其他终端作为目标归约终端,并与所述目标归约终端联合执行归约操作。
8.如权利要求7所述的推荐方法,其特征在于,所述与所述目标归约终端联合执行归约操作的步骤之前,还包括:
接收所述推荐设备发送的待推荐用户信息;
根据所述待推荐用户信息获取初始数据集,所述初始数据集包括特征向量数据、嵌入向量数据和权重向量数据;
根据所述特征向量数据、所述嵌入向量数据和权重向量数据,计算得到本地预测值;
根据所述特征向量数据、所述嵌入向量数据和所述本地预测值确定本地待归约数据集;
所述与所述目标归约终端联合执行归约操作的步骤包括:
将所述本地待归约数据集中的数据与所述目标归约终端对应目标待归约数据集中的数据按预设公式进行计算,以联合执行归约操作,得到计算结果。
9.如权利要求7或8任一项所述的推荐方法,其特征在于,所述推荐方法还包括:
获取所述待执行终端的第一目标参数信息,并获取所述目标归约终端的第二目标参数信息;
将所述第一目标参数信息与所述第二目标参数信息进行比较,并根据比较结果确定结果存储终端;
若确定结果存储终端为所述待执行终端,则根据所述计算结果和所述目标待归约数据集更新所述本地待归约数据集,生成并发送归约结果至所述推荐设备。
10.一种推荐装置,其特征在于,所述推荐装置包括:
划分模块,用于将待执行终端划分为至少两个集群,并将划分结果发送至所述待执行终端,以供所述待执行终端根据所述划分结果执行归约操作;
判断模块,用于在检测到所述待执行终端完成归约操作时,根据归约结果判断集群划分操作是否符合预设停止条件;
输出模块,用于若符合预设停止条件,则根据所述归约结果输出推荐结果。
11.一种推荐装置,其特征在于,所述推荐装置包括:
确定模块,用于在接收到推荐设备发送的划分结果时,根据所述划分结果确定所述待执行终端所在的目标集群;
归约模块,用于将所述目标集群中除所述待执行终端外的其他终端作为目标归约终端,并与所述目标归约终端联合执行归约操作。
12.一种推荐设备,其特征在于,所述推荐设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的推荐程序,所述推荐程序被所述处理器执行时实现如权利要求1至6中任一项所述的推荐方法的步骤。
13.一种待执行终端,其特征在于,所述待执行终端包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的推荐程序,所述推荐程序被所述处理器执行时实现如权利要求7至9中任一项所述的推荐方法的步骤。
14.一种推荐系统,其特征在于,所述推荐系统包括如权利要求12所述的推荐设备和如权利要求13所述的待执行终端,所述待执行终端包括至少两个。
15.一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推荐程序,所述推荐程序被处理器执行时实现如权利要求1至6,或者7至9中任一项所述的推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010107652.0A CN111274488B (zh) | 2020-02-20 | 2020-02-20 | 推荐方法、装置、设备、系统、待执行终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010107652.0A CN111274488B (zh) | 2020-02-20 | 2020-02-20 | 推荐方法、装置、设备、系统、待执行终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111274488A true CN111274488A (zh) | 2020-06-12 |
CN111274488B CN111274488B (zh) | 2021-03-19 |
Family
ID=70999481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010107652.0A Active CN111274488B (zh) | 2020-02-20 | 2020-02-20 | 推荐方法、装置、设备、系统、待执行终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111274488B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113961792A (zh) * | 2020-07-15 | 2022-01-21 | 北京达佳互联信息技术有限公司 | 一种资源推荐系统、方法、电子设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102387173A (zh) * | 2010-09-01 | 2012-03-21 | 中国移动通信集团公司 | 一种MapReduce系统及其调度任务的方法和装置 |
US20130013622A1 (en) * | 2011-07-09 | 2013-01-10 | Yahoo!, Inc. | Media Recommendations for a Social-Software Website |
CN104463322A (zh) * | 2014-11-10 | 2015-03-25 | 浪潮(北京)电子信息产业有限公司 | 一种异构系统的并行混合人工蜂群方法 |
CN108376369A (zh) * | 2018-01-29 | 2018-08-07 | 深圳前海微众银行股份有限公司 | 金融理财产品推荐方法、设备、系统及存储介质 |
CN108446343A (zh) * | 2018-03-06 | 2018-08-24 | 北京三快在线科技有限公司 | 区域聚合的方法、装置及电子设备 |
CN109343801A (zh) * | 2018-10-23 | 2019-02-15 | 深圳前海微众银行股份有限公司 | 数据存储方法、设备及计算机可读存储介质 |
CN109510862A (zh) * | 2018-09-19 | 2019-03-22 | 中国石油天然气集团有限公司 | 数据规约方法、装置及系统 |
CN110297848A (zh) * | 2019-07-09 | 2019-10-01 | 深圳前海微众银行股份有限公司 | 基于联邦学习的推荐模型训练方法、终端及存储介质 |
CN111125165A (zh) * | 2018-10-31 | 2020-05-08 | 北京国双科技有限公司 | 集合的合并方法、装置、处理器及机器可读存储介质 |
-
2020
- 2020-02-20 CN CN202010107652.0A patent/CN111274488B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102387173A (zh) * | 2010-09-01 | 2012-03-21 | 中国移动通信集团公司 | 一种MapReduce系统及其调度任务的方法和装置 |
US20130013622A1 (en) * | 2011-07-09 | 2013-01-10 | Yahoo!, Inc. | Media Recommendations for a Social-Software Website |
CN104463322A (zh) * | 2014-11-10 | 2015-03-25 | 浪潮(北京)电子信息产业有限公司 | 一种异构系统的并行混合人工蜂群方法 |
CN108376369A (zh) * | 2018-01-29 | 2018-08-07 | 深圳前海微众银行股份有限公司 | 金融理财产品推荐方法、设备、系统及存储介质 |
CN108446343A (zh) * | 2018-03-06 | 2018-08-24 | 北京三快在线科技有限公司 | 区域聚合的方法、装置及电子设备 |
CN109510862A (zh) * | 2018-09-19 | 2019-03-22 | 中国石油天然气集团有限公司 | 数据规约方法、装置及系统 |
CN109343801A (zh) * | 2018-10-23 | 2019-02-15 | 深圳前海微众银行股份有限公司 | 数据存储方法、设备及计算机可读存储介质 |
CN111125165A (zh) * | 2018-10-31 | 2020-05-08 | 北京国双科技有限公司 | 集合的合并方法、装置、处理器及机器可读存储介质 |
CN110297848A (zh) * | 2019-07-09 | 2019-10-01 | 深圳前海微众银行股份有限公司 | 基于联邦学习的推荐模型训练方法、终端及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113961792A (zh) * | 2020-07-15 | 2022-01-21 | 北京达佳互联信息技术有限公司 | 一种资源推荐系统、方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111274488B (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309923B (zh) | 横向联邦学习方法、装置、设备及计算机存储介质 | |
CN109597965B (zh) | 基于深度神经网络的数据处理方法、系统、终端及介质 | |
CN110276369B (zh) | 基于机器学习的特征选择方法、装置、设备及存储介质 | |
CN108762907B (zh) | 基于多个客户端的任务处理方法及系统 | |
MX2012003721A (es) | Sistemas y metodos para analitica de datos graficos sociales para determinar conectividad dentro de una comunidad. | |
US20220261591A1 (en) | Data processing method and apparatus | |
CN109063935A (zh) | 一种预测任务处理时间的方法、装置及存储介质 | |
CN113139667B (zh) | 基于人工智能的酒店房间推荐方法、装置、设备及存储介质 | |
CN110020022A (zh) | 数据处理方法、装置、设备及可读存储介质 | |
CN112668632B (zh) | 一种数据处理方法、装置、计算机设备及存储介质 | |
CN110276243A (zh) | 分数映射方法、人脸比对方法、装置、设备及存储介质 | |
WO2022100861A1 (en) | Device and method for classifying input data | |
CN113780321A (zh) | 图片审核方法、系统、电子设备及计算机可读介质 | |
CN112769943A (zh) | 一种业务处理的方法及装置 | |
CN111274488B (zh) | 推荐方法、装置、设备、系统、待执行终端及存储介质 | |
CN112669084A (zh) | 策略确定方法、设备及计算机可读存储介质 | |
CN110489142B (zh) | 设备软件升级的评估方法及装置、存储介质、终端 | |
CN113592593B (zh) | 序列推荐模型的训练及应用方法、装置、设备及存储介质 | |
CN114866506A (zh) | 展示虚拟形象的方法、装置及电子设备 | |
CN112529400B (zh) | 一种数据处理方法、装置、终端和可读存储介质 | |
CN110532448B (zh) | 基于神经网络的文档分类方法、装置、设备及存储介质 | |
US20140172874A1 (en) | Intelligent analysis queue construction | |
CN115640454A (zh) | 一种产品推荐方法、系统、电子设备及存储介质 | |
CN114254381A (zh) | 基于多方安全计算的数据评估方法、装置、设备及介质 | |
CN111859917A (zh) | 主题模型构建方法、设备及计算机可读存储介质 |
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 |