CN111291273A - 推荐系统优化方法、装置、设备及可读存储介质 - Google Patents
推荐系统优化方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN111291273A CN111291273A CN202010107654.XA CN202010107654A CN111291273A CN 111291273 A CN111291273 A CN 111291273A CN 202010107654 A CN202010107654 A CN 202010107654A CN 111291273 A CN111291273 A CN 111291273A
- Authority
- CN
- China
- Prior art keywords
- user
- preset
- recommendation system
- system optimization
- training
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种推荐系统优化方法、装置、设备和可读存储介质，所述推荐系统优化方法包括：获取用户数据，并将所述用户数据输入预设协同过滤模型，以对所述用户数据进行语义编码，获得用户特征表示变量，其中，所述预设协同过滤模型通过基于预设纵向联邦流程进行迭代训练而获取，计算所述用户特征表示变量对应的用户相似性结果，并基于所述相似性结果生成相似用户候选集，基于所述相似用户候选集，执行预设物品推荐流程。本申请解决了推荐系统推荐效果差的技术问题。
Description
技术领域
本申请涉及金融科技(Fintech)的人工智能技术领域，尤其涉及一种推荐系统优化方法、装置、设备及可读存储介质。
背景技术
随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术(如分布式、区块链Blockchain、人工智能等)应用在金融领域，但金融业也对技术提出了更高的要求，如对金融业对应待办事项的分发也有更高的要求。
随着计算机软件和人工智能的不断发展，人工智能的应用也越来越广泛，其中，推荐系统在工业界被广泛应用，并取得了巨大的成功，目前，推荐系统的良好效果通常是建立在海量的用户数据的基础之上的，然而对于大部分的公司而言，通常只具有少量的用户数据，且由于保护用户隐私的要求、国家政策、保护自己的商业数据等原因，各公司之间不能共享各自的用户数据以进行联合建模，进而导致各公司只能基于少量的用户数据构建推荐系统，进而导致推荐系统向用户推荐的物品并没有达到用户的期望，也即，推荐系统推荐效果极差，所以，现有技术中存在推荐系统推荐效果差的技术问题。
发明内容
本申请的主要目的在于提供一种推荐系统优化方法、装置、设备和可读存储介质，旨在解决现有技术中推荐系统推荐效果差的技术问题。
为实现上述目的，本申请提供一种推荐系统优化方法，所述推荐系统优化方法应用于推荐系统优化设备，所述推荐系统优化方法包括：
获取用户数据，并将所述用户数据输入预设协同过滤模型，以对所述用户数据进行语义编码，获得用户特征表示变量，其中，所述预设协同过滤模型通过基于预设纵向联邦流程进行迭代训练而获取；
计算所述用户特征表示变量对应的用户相似性结果，并基于所述相似性结果生成相似用户候选集；
基于所述相似用户候选集，执行预设物品推荐流程。
可选地，所述推荐系统优化方法应用于第一设备，
所述获取用户数据，并将所述用户数据输入预设协同过滤模型，以对所述用户数据进行语义编码，获得用户特征表示变量，其中，所述预设协同过滤模型通过基于预设纵向联邦流程进行迭代训练而获取的步骤之前包括：
获取训练数据和待训练基础模型，并接收与所述第一设备相关联的第二设备发送的密钥；
生成所述训练数据对应的训练用户特征表示变量，并基于所述密钥，将所述训练用户特征表示变量加密发送至所述第二设备，以供所述第二设备基于多个所述第一设备发送的所述训练用户特征表示变量生成聚合用户特征表示变量；
将所述训练数据输入所述待训练基础模型，并接收所述第二设备加密反馈的所述聚合用户特征表示变量，以基于所述聚合用户特征表示变量，对所述待训练基础模型进行迭代训练，获得所述预设协同过滤模型。
可选地，所述基于所述聚合用户特征表示变量，对所述待训练基础模型进行迭代训练，获得所述预设协同过滤模型的步骤包括：
对所述待训练基础模型进行迭代训练，以对所述用户特征表示变量进行训练更新，并判断训练后的所述待训练基础模型是否达到预设特征表示更新条件；
若训练后的所述待训练基础模型达到所述预设特征表示更新条件，则基于所述聚合用户特征表示变量，对所述用户特征表示变量进行替换更新；
基于替换更新后的所述用户特征表示变量，重新进行对所述待训练基础模型的迭代训练和是否达到所述预设特征表示更新条件的判断，直至所述待训练基础模型达到预设训练完成条件，获得所述预设协同过滤模型。
可选地，所述用户特征表示变量包括第一特征表示和第二特征表示，所述预设协同过滤模型包括评分模型，
所述计算所述用户特征表示变量对应的用户相似性结果的步骤包括：
计算所述第一特征表示和所述第二特征表示的内积，获得待处理数据；
将所述待处理数据输入所述评分模型，以对所述用户特征表示变量对应的各待选择用户进行评分，获得所述用户相似性结果。
可选地，所述基于所述相似用户候选集，执行预设物品推荐流程的步骤包括：
获取所述相似用户候选集对应的第一目标物品集，并对所述第一目标物品集中各物品进行筛选，获得待推荐物品集；
在所述待推荐物品集中选取待推荐物品，并向所述用户数据对应的目标用户推荐所述待推荐物品。
可选地，所述用户数据对应目标用户，
所述基于所述相似用户候选集，执行预设物品推荐流程的步骤包括：
获取所述目标用户对应的第二目标物品集，并将所述第二目标物品集中各物品向所述相似用户候选集中的各相似用户进行推荐。
为实现上述目的，本申请还提供一种推荐系统优化方法，所述推荐系统优化方法应用于第二设备，所述推荐系统优化方法包括：
生成预设纵向联邦流程对应的密钥，并将所述密钥分别发送至与所述第二设备关联的各第一设备，以供各所述第一设备基于所述密钥对各自的用户特征表示变量进行加密，获得各自的加密用户特征表示变量；
接收各所述第一设备反馈的各所述加密用户特征表示变量，并对各所述加密用户特征表示变量进行解密，获得各用户特征表示变量；
对各所述用户特征表示变量进行聚合处理，获得聚合用户特征表示变量，并将所述聚合用户特征表示变量分别加密发送至各所述第一设备，以供各所述第一设备更新各自的协同过滤模型。
本申请还提供一种推荐系统优化装置，所述推荐系统优化装置为虚拟装置，且所述推荐系统优化装置应用于推荐系统优化设备，所述推荐系统优化装置包括：
转换模块，用于获取用户数据，并将所述用户数据输入预设协同过滤模型，以对所述用户数据进行语义编码，获得用户特征表示变量，其中，所述预设协同过滤模型通过基于预设纵向联邦流程进行迭代训练而获取；
计算模块，用于计算所述用户特征表示变量对应的用户相似性结果，并基于所述相似性结果生成相似用户候选集；
执行模块，用于基于所述相似用户候选集，执行预设物品推荐流程。
可选地，所述推荐系统优化装置还包括：
获取模块，用于获取训练数据和待训练基础模型，并接收与所述第一设备相关联的第二设备发送的密钥；
生成模块，用于所述生成所述训练数据对应的训练用户特征表示变量，并基于所述密钥，将所述训练用户特征表示变量加密发送至所述第二设备，以供所述第二设备基于多个所述第一设备发送的所述训练用户特征表示变量生成聚合用户特征表示变量；
训练模块，用于将所述训练数据输入所述待训练基础模型，并接收所述第二设备加密反馈的所述聚合用户特征表示变量，以基于所述聚合用户特征表示变量，对所述待训练基础模型进行迭代训练，获得所述预设协同过滤模型。
可选地，所述训练模块包括：
判断单元，用于对所述待训练基础模型进行迭代训练，以对所述用户特征表示变量进行训练更新，并判断训练后的所述待训练基础模型是否达到预设特征表示更新条件；
更新单元，用于所述若训练后的所述待训练基础模型达到所述预设特征表示更新条件，则基于所述聚合用户特征表示变量，对所述用户特征表示变量进行替换更新；
判定单元，用于基于替换更新后的所述用户特征表示变量，重新进行对所述待训练基础模型的迭代训练和是否达到所述预设特征表示更新条件的判断，直至所述待训练基础模型达到预设训练完成条件，获得所述预设协同过滤模型。
可选地，所述计算模块包括：
计算单元，用于计算所述第一特征表示和所述第二特征表示的内积，获得待处理数据；
评分单元，用于所述将所述待处理数据输入所述评分模型，以对所述用户特征表示变量对应的各待选择用户进行评分，获得所述用户相似性结果。
可选地，所述执行模块包括：
筛选单元，用于获取所述相似用户候选集对应的第一目标物品集，并对所述第一目标物品集中各物品进行筛选，获得待推荐物品集；
第一推荐单元，用于在所述待推荐物品集中选取待推荐物品，并向所述用户数据对应的目标用户推荐所述待推荐物品。
可选地，所述执行模块还包括：
第二推荐单元，用于在所述待推荐物品集中选取待推荐物品，并向所述用户数据对应的目标用户推荐所述待推荐物品。
为实现上述目的，本申请还提供一种推荐系统优化装置，所述推荐系统优化装置应用于第二设备，所述推荐系统优化装置包括：
生成模块，用于生成预设纵向联邦流程对应的密钥，并将所述密钥分别发送至与所述第二设备关联的各第一设备，以供各所述第一设备基于所述密钥对各自的用户特征表示变量进行加密，获得各自的加密用户特征表示变量；
接收解密模块，用于接收各所述第一设备反馈的各所述加密用户特征表示变量，并对各所述加密用户特征表示变量进行解密，获得各用户特征表示变量；
聚合模块，用于对各所述用户特征表示变量进行聚合处理，获得聚合用户特征表示变量，并将所述聚合用户特征表示变量分别加密发送至各所述第一设备，以供各所述第一设备更新各自的协同过滤模型。
本申请还提供一种推荐系统优化设备，所述推荐系统优化设备为实体设备，所述推荐系统优化设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述推荐系统优化方法的程序，所述推荐系统优化方法的程序被处理器执行时可实现如上述的推荐系统优化方法的步骤。
本申请还提供一种可读存储介质，所述可读存储介质上存储有实现推荐系统优化方法的程序，所述推荐系统优化方法的程序被处理器执行时实现如上述的推荐系统优化方法的步骤。
本申请通过获取用户数据，并将所述用户数据输入预设协同过滤模型，以对所述用户数据进行语义编码，获得用户特征表示变量，其中，所述预设协同过滤模型通过进行预设纵向联邦流程进行迭代训练而获取，进而计算所述用户特征表示变量对应的用户相似性结果，并基于所述相似性结果生成相似用户候选集，进而基于所述相似用户候选集，执行预设物品推荐流程。也即，本申请提供了一种基于纵向联邦的个性化推荐方法，通过将用户数据输入预设协同过滤模型，实现了将大型稀疏向量类型的用户数据转化为低维向量表示的用户特征表示变量数据的目的，进而减少了数据计算的复杂度，进而提高了计算效率，进而通过计算所述用户特征表示变量对应的用户相似性结果，即可生成相似用户候选集，进而基于所述相似用户候选集，即可执行预设物品推荐流程，以完成对用户的个性化推荐，其中，由于预设协同过滤模型是通过基于预设纵向联邦流程进行迭代训练而获取的，可联合多方数据进行所述协同过滤模型的迭代训练，进而实现了基于海量数据构建推荐系统的目的，进而避免了由于训练样本数据过少而导致推荐系统的推荐效果差的情况产生，进而提高了推荐系统的推荐效果，所以，解决了推荐系统推荐效果差的技术问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请推荐系统优化方法第一实施例的流程示意图；
图2为本申请推荐系统优化方法第二实施例的流程示意图；
图3本申请推荐系统优化方法中所述预设纵向联邦流程的示意图；
图4为本申请推荐系统优化方法第三实施例的流程示意图；
图5为本申请实施例方案涉及的硬件运行环境的设备结构示意图。
本申请目的的实现、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申请，并不用于限定本申请。
本申请实施例提供一种推荐系统优化方法，在本申请推荐系统优化方法的第一实施例中，参照图1，所述推荐系统优化方法包括：
步骤S10，获取用户数据，并将所述用户数据输入预设协同过滤模型，以对所述用户数据进行语义编码，获得用户特征表示变量，其中，所述预设协同过滤模型通过基于预设纵向联邦流程进行迭代训练而获取；
在本实施例中，需要说明的是，所述用户数据包括用户到物品的第一类型用户数据和用户到用户的第二类型用户数据，其中，所述第一类型用户数据和第二类型用户数据均包括用户标签，其中，所述用户标签用于标识用户的类型，例如，使用数字1标识用户为第一类用户，使用数字0标识用户为第二类用户等，且所述第一类型用户数据和第二类型用户数据均由大型稀疏向量进行表示，其中，第一类型用户数据记录了目标用户关于物品的数据，例如，目标用户对电影的评分、目标用户对某一网页的点击量等，第二类型用户数据记录了目标用户关于其他待选择用户的数据，例如，目标用户与待选择用户共同点击某一网页的次数、目标用户与待选择用户看过的相同电影的数量等，所述用户特征表示变量对应的用户特征表示可用一串实数进行表示，所述用户特征表示可唯一的表示某一事物，例如，推荐系统中的一个用户、一篇新闻等，所述用户特征表示变量通常为将大型稀疏向量转换为保留语义关系的低维空间表示，例如，假设某一稀疏向量为010000000000000，且表示用户对于某一网页的点击量为10次，则可设置用户特征表示变量为实数10，以表示用户对于某一网页的点击量为10次，也即，对所述稀疏向量进行语义编码，将大型稀疏向量转换为了保留语义关系的低维空间表示，所述推荐系统优化方法应用于进行所述预设纵向联邦流程的第一设备，且第一设备将定期对所述预设协同过滤模型进行更新，也即，基于第一设备中已有的用户和新加入的用户进行基于所述预设纵向联邦流程的迭代训练，以协助解决用户冷启动的问题。
获取用户数据，并将所述用户数据输入预设协同过滤模型，以对所述用户数据进行语义编码，获得用户特征表示变量，其中，所述预设协同过滤模型通过基于预设纵向联邦流程进行迭代训练而获取，具体地，从预设本地数据库中提取用户数据，其中，所述用户数据包括第一类型用户数据和第二类型用户数据，进而分别将所述第一类型用户数据和第二类型用户数据输入预设协同过滤模型，以分别对所述第一类型用户数据和所述第二类型用户数据进行语义编码，其中，所述协同过滤模型为通过进行所述预设纵向联邦流程，以联合多方数据进行迭代训练而获得的，进而获得所述第一类型用户数据对应的第一用户特征表示变量和所述第二类型用户数据对应的第二用户特征表示变量，也即，获得所述用户特征表示变量，其中，所述用户特征表示变量包括第一用户特征表示变量和第二用户特征表示变量。
步骤S20，计算所述用户特征表示变量对应的用户相似性结果，并基于所述相似性结果生成相似用户候选集；
在本实施例中，需要说明的是，所述用户相似性为用户之间的相似程度，所述预设协同过滤模型包括评分模型，其中，计算所述用户相似性结果的方法包括欧式距离、cosine(余弦函数)等，其中，所述用户包括第一类型用户对和第二类型用户对，且所述第一类型用户对中的两个用户之间共同点击的物品数量大于或者等于预设数量阈值，所述第二类型用户对中的两个用户之间共同点击的物品数量小于预设数量阈值，且在执行所述预设纵向联邦流程，以训练所述预设协同过滤模型时，在训练完成后，所述第一类型用户对中两个用户之间的用户相似性应大于所述第二类型用户对中两个用户之间的用户相似性。
计算所述用户特征表示变量对应的用户相似性结果，并基于所述相似性结果生成相似用户候选集，具体地，基于所述用户特征表示变量，通过所述评分模型对所述目标用户对应的各待选择用户进行评分，获得各所述待选择用户对应的待选择用户评分，其中，待选择用户评分越高，则所述目标用户和待选择用户的用户相似性越高，进而基于各所述待选择用户评分，对各所述待选择用户进行排序，获得待选择用户列表，也即，获得用户相似性结果，并在所述待选择用户列表中选取所述相似用户候选集，例如，在所述待选择用户列表中选取评分排名前三的3个待选择用户组成所述相似用户候选集。
其中，所述用户特征表示变量包括第一特征表示和第二特征表示，所述预设协同过滤模型包括评分模型，
所述计算所述用户特征表示变量对应的各用户相似性，以生成相似用户候选集的步骤包括：
步骤S21，计算所述第一特征表示和所述第二特征表示的内积，获得待输入数据；
在本实施例中，需要说明的是，所述内积为一种向量运算，例如，假设所述第一特征表示为(a，b，c)，所述第二特征表示为(A，B，C)，则所述第一特征表示和所述第二特征表示的内积为Aa+Bb+Cc，也即，所述待输入数据为Aa+Bb+Cc。
步骤S22，将所述待处理数据输入所述评分模型，以对所述用户特征表示变量对应的各待选择用户进行评分，获得所述用户相似性结果。
在本实施例中，将所述待处理数据输入所述评分模型，以计算各所述用户相似性，获得相似性结果，并基于所述相似性结果生成所述相似用户候选集，具体地，将所述待处理数据输入所述评分模型，以通过预设相似度计算方法计算所述目标用户与各所述待选择用户之间的相似度，进而对各所述待选择用户进行评分，获得各所述待选择用户对于的相似度评分，并基于各所述相似度评分，在各所述待选择用户中剔除相似度评分低于预设相似度评分阈值的待选择用户，进而对剔除后的各所述待选择特征进行排序，获得待选择用户列表，也即，获得所述用户相似性结果。
步骤S30，基于所述相似用户候选集，执行预设物品推荐流程。
在本实施例中，需要说明的是，所述预设物品推荐流程包括第一物品推荐流程和第二物品推荐流程，其中，执行所述预设物品推荐流程的目的为向所述预设物品推荐流程对应的待推荐用户进行个性化推荐，以将所述待推荐用户感兴趣的物品推荐给所述待推荐用户，其中，所述待推荐用户包括目标用户和所述相似用户候选集中的各相似用户。
基于所述相似用户候选集，执行预设物品推荐流程，具体地，判断所述用户特征表示变量对应的目标用户是否为待推荐用户，若所述目标用户为所述待推荐用户，则执行所述第一物品推荐流程，各所述相似用户对应的第一类型待推荐物品推荐给所述目标用户，例如，假设执行所述预设物品推荐流程的目的为向所述待推荐用户推荐电影，则各所述相似用户看过的电影均为所述第一类型待推荐物品，进而可在所有的电影中选取各所述相似用户观看次数排名前列且所述目标用户没有观看过的电影推荐给所述目标用户，进一步地，若所述目标用户不为所述待推荐用户，则执行所述第二物品推荐流程，以将所述目标用户对应的第二类型待推荐物品推荐给各所述相似用户，其中，所述第二类型待推荐物品为所述目标用户相关联的物品，例如，目标用户看过的电影、购买过的商品等。
其中，所述基于所述相似用户候选集，执行预设物品推荐流程的步骤包括：
步骤A10，获取所述相似用户候选集对应的第一目标物品集，并对所述第一目标物品集中各物品进行筛选，获得待推荐物品集；
在本实施例中，需要说明的是，所述第一目标物品集中包括一个或者多个与各所述相似用户关联的物品，例如，所述相似用户看过的电影、购买过的商品、点击过的网页等。
获取所述相似用户候选集对应的第一目标物品集，并对所述第一目标物品集中各物品进行筛选，获得待推荐物品集，具体地，获取所述相似用户候选集对应的第一目标物品集，并对所述第一目标物品集中各物品进行筛选，以在所述第一目标物品集中选取点击量超过预设点击量阈值的物品组成所述待推荐物品集，其中，所述点击量包括物品出现次数，例如，假设所述相似用户候选集包括相似用户A、相似用户B和相似用户C，相似用户A看过电影a、电影b和电影c，相似用户B看过电影a和电影b，相似用户C看过电影a，则所述电影a的物品出现次数为3，也即，电影a的点击量为3，同样地，电影b的点击量为2，电影c的点击量为1，若所述预设点击量阈值为1，则选取电影a和电影b组成所述待推荐物品集。
步骤A20，在所述待推荐物品集中选取待推荐物品，并向所述用户数据对应的目标用户推荐所述待推荐物品。
在所述待推荐物品集中选取待推荐物品，并向所述用户数据对应的目标用户推荐所述待推荐物品，具体地，基于所述目标用户的相关信息，在所述待推荐物品集中选取所述相关信息对应的待推荐物品，并通过广告、邮件、短信、电话等方式向所述目标用户推荐所述待推荐物品，其中，所述相关信息为所述目标用户的即时信息，例如，所述目标用户正在购票软件上购买电影票，则对应的待推荐物品为电影等。
其中，所述用户数据对应目标用户，
所述基于所述相似用户候选集，执行预设物品推荐流程的步骤包括：
步骤B10，获取所述目标用户对应的第二目标物品集，并将所述第二目标物品集中各物品向所述相似用户候选集中的各相似用户进行推荐。
在本实施例中，需要说明的是，所述第二目标物品集中包括一个或者多个与各所述目标用户关联的物品，例如，所述目标用户看过的电影、购买过的商品、点击过的网页等。
获取所述目标用户对应的第二目标物品集，并将所述第二目标物品集中各物品向所述相似用户候选集中的各相似用户进行推荐，具体地，获取所述目标用户对应的第二目标物品集和各所述相似用户的即时状态信息，进而基于各所述即时状态信息向对应的各所述相似用户推荐所述第二目标物品集中的各物品，例如，假设目标用户看过电影a并购买过手机b，而此时相似用户A的即时状态信息显示相似用户A正在购买电影票，则向所述相似用户A推荐所述电影a，相似用户B的即时状态信息显示相似用户B正在网页上查看手机价格、性能等信息，则向相似用户B推荐所述手机b。
本实施例通过获取用户数据，并将所述用户数据输入预设协同过滤模型，以对所述用户数据进行语义编码，获得用户特征表示变量，其中，所述预设协同过滤模型通过进行预设纵向联邦流程进行迭代训练而获取，进而计算所述用户特征表示变量对应的用户相似性结果，并基于所述相似性结果生成相似用户候选集，进而基于所述相似用户候选集，执行预设物品推荐流程。也即，本实施例提供了一种基于纵向联邦的个性化推荐方法，通过将用户数据输入预设协同过滤模型，实现了将大型稀疏向量类型的用户数据转化为低维向量表示的用户特征表示变量数据的目的，进而减少了数据计算的复杂度，进而提高了计算效率，进而通过计算所述用户特征表示变量对应的用户相似性结果，即可生成相似用户候选集，进而基于所述相似用户候选集，即可执行预设物品推荐流程，以完成对用户的个性化推荐，其中，由于预设协同过滤模型是通过基于预设纵向联邦流程进行迭代训练而获取的，可联合多方数据进行所述协同过滤模型的迭代训练，进而实现了基于海量数据构建推荐系统的目的，进而避免了由于训练样本数据过少而导致推荐系统的推荐效果差的情况产生，进而提高了推荐系统的推荐效果，所以，解决了推荐系统推荐效果差的技术问题。
进一步地，参照图2，基于本申请中第一实施例，在本申请的另一实施例中，所述推荐系统优化方法应用于第一设备，
所述将所述用户特征表示变量输入通过进行所述纵向联邦获取的评分模型，生成相似用户候选集的步骤之前包括：
步骤C10，获取训练数据和待训练基础模型，并接收与所述第一设备相关联的第二设备发送的密钥；
在本实施例中，需要说明的是，所述第一设备与所述第二设备通信连接，各所述第一设备可通过所述第二设备进行纵向联邦，其中，各所述第一设备均包括所述待训练基础模型，所述待训练基础模型为未训练好的评分模型，所述训练数据包括用户到物品的第一训练评分矩阵和用户到用户的第二训练评分矩阵，且所述第一训练评分矩阵和第二训练评分矩阵均由大型稀疏向量进行表示，其中，第一训练评分矩阵记录了目标用户关于物品的数据，例如，目标用户对电影的评分、目标用户对某一网页的点击量等，第二训练评分矩阵记录了目标用户关于其他待选择用户的数据，例如，目标用户与待选择用户共同点击某一网页的次数、目标用户与待选择用户看过的相同电影的数量等，且对于同一用户，所述第二训练评分矩阵可基于所述第一训练评分矩阵进行构建，其中，所述训练数据对应一个或者多个用户，在所述第一训练评分矩阵和第二训练评分矩阵中，可设置矩阵的每一列对应一个用户，矩阵的每一行对应一个特征。
步骤C20，生成所述训练数据对应的训练用户特征表示变量，并基于所述密钥，将所述训练用户特征表示变量加密发送至所述第二设备，以供所述第二设备基于多个所述第一设备发送的所述训练用户特征表示变量生成聚合用户特征表示变量；
在本实施例中，需要说明的是，所述训练用户特征表示变量可用一串实数进行表示，所述用户特征表示变量可唯一的表示某一事物，例如，推荐系统中的一个用户、一篇新闻等，其中，所述用户特征表示变量用于将用户数据转化为相对应的用户特征表示变量。
生成所述训练数据对应的训练用户特征表示变量，并基于所述密钥，将所述训练用户特征表示变量加密发送至所述第二设备，以供所述第二设备基于多个所述第一设备发送的所述训练用户特征表示变量生成聚合用户特征表示变量，具体地，生成所述训练数据对应的训练用户特征表示变量，并初始化所述待训练基础模型中的各模型变量，其中，所述模型变量包括所述训练用户特征表示变量，各所述第一设备可选择使用相同的值对各自的所述待训练基础模型的用户特征表示变量进行初始化，以保证各所述第一设备在相同的基础上进行迭代训练，进一步地，基于所述密钥，对所述训练用户特征表示变量进行加密，获得加密后的训练用户特征表示变量，并将加密后的训练用户特征表示变量发送至所述第二设备，以供所述第二设备对多个第一设备发送的加密的所述训练用户特征表示变量进行解密，获得多个第一设备发送的训练用户特征表示变量，并对各所述训练用户特征表示变量进行聚合处理，获得聚合用户特征表示变量，并将所述聚合用户特征表示变量加密反馈至各所述第一设备，其中，所述聚合处理包括求平均、求交集、求并集等。
步骤C30，将所述训练数据输入所述待训练基础模型，并接收所述第二设备加密反馈的所述聚合用户特征表示变量，以基于所述聚合用户特征表示变量，对所述待训练基础模型进行迭代训练，获得所述预设协同过滤模型。
在本实施例中，需要说明的是，所述用户特征表示变量在所述待训练基础模型对应的神经网络中，表现为一数据处理层，其中，所述数据处理层包括卷积层、池化层等，例如，假设所述用户特征表示变量为一系列变换矩阵，则输入为所述训练数据，输出为所述训练用户特征表示变量。
将所述训练数据输入所述待训练基础模型，并接收所述第二设备加密反馈的所述聚合用户特征表示变量，以基于所述聚合用户特征表示变量，对所述待训练基础模型进行迭代训练，获得所述评分模型，具体地，将所述训练数据输入所述待评分模型进行迭代训练，以对所述待训练基础模型的各模型变量进行迭代更新，并接收所述第二设备加密反馈的所述聚合用户特征表示变量，并基于所述密钥，对加密的所述聚合用户特征表示变量进行解密，获得所述聚合用户特征表示变量，进而判断所述待训练基础模型是否达到预设特征表示更新条件，其中，所述预设特征表示更新条件包括达到迭代次数阈值、达到训练轮数阈值等，进而若所述待训练基础模型达到预设特征表示更新条件，则将所述待训练基础模型中的训练用户特征表示变量更新为所述聚合用户特征表示变量，也即，此时所述聚合用户特征表示变量即为所述待训练基础模型的用户特征表示变量，并持续进行对所述待训练基础模型的迭代训练和所述待训练基础模型是否达到预设特征表示更新条件的判断，也即，若所述待训练基础模型达到预设特征表示更新条件，则将向所述第二设备发送此时的所述待训练基础模型中的用户特征表示变量，并重新接收第二设备再次反馈的聚合用户特征表示变量，以基于再次反馈的的聚合特征表示变量，对所述待训练基础模型进行迭代训练，直至所述待训练基础模型达到训练完成条件，则完成了本次迭代训练，获得所述评分模型，其中，所述训练完成条件包括损失函数收敛、达到迭代次数上限等，如图3所示为本实施例中所述预设纵向联邦流程的示意图，其中，partyA和partyB均为所述第一设备，partyC为所述第一设备关联的第二设备，GMF模型为正在训练的所述待训练基础模型，本地userembedding为所述待训练基础模型中的用户特征表示变量，item embedding为所述待训练基础模型中的物品特征表示变量，聚合user embedding为所述聚合用户特征表示变量。
其中，在步骤C30中，所述基于所述聚合用户特征表示变量，对所述待训练基础模型进行迭代训练，获得所述预设协同过滤模型的步骤包括：
步骤C31，对所述待训练基础模型进行迭代训练，以对所述用户特征表示变量进行训练更新，并判断训练后的所述待训练基础模型是否达到预设特征表示更新条件；
在本实施例中，所述预设调整表示更新条件包括达到迭代次数阈值、达到训练轮数阈值等，且对所述待训练基础模型进行迭代训练的方法包括但不限于梯度下降法。
步骤C32，若训练后的所述待训练基础模型达到所述预设特征表示更新条件，则基于所述聚合用户特征表示变量，对所述用户特征表示变量进行替换更新；
在本实施例中，若训练后的所述待训练基础模型达到所述预设特征表示更新条件，则基于所述聚合用户特征表示变量，对所述用户特征表示变量进行替换更新，具体地，若所述待训练基础模型达到所述预设特征表示更新条件，则直接将所述待训练基础模型中的正在进行训练更新的所述用户特征表示变量替换为所述聚合用户特征表示变量，若所述待训练基础模型未达到所述预设特征表示更新条件，则对所述待训练基础模型进行迭代训练，直至所述待训练基础模型达到所述预设特征表示更新条件。
步骤C33，基于替换更新后的所述用户特征表示变量，重新进行对所述待训练基础模型的迭代训练和是否达到所述预设特征表示更新条件的判断，直至所述待训练基础模型达到预设训练完成条件，获得所述预设协同过滤模型。
在本实施例中，基于替换更新后的所述用户特征表示变量，重新进行对所述待训练基础模型的迭代训练和是否达到所述预设特征表示更新条件的判断，直至所述待训练基础模型达到预设训练完成条件，获得所述预设协同过滤模型，具体地，重新进行所述待训练基础模型的迭代训练，以进行对替换更新后的所述用户特征表示变量的训练更新，并持续进行所述待训练基础模型是否达到所述预设特征表示更新条件的判断，且若所述待训练基础模型达到所述预设特征表示更新条件，则通过与所述第二设备进行纵向联邦，再次替换更新所述用户特征表示变量，直至所述待训练基础模型达到预设训练完成条件，获得所述预设协同过滤模型，例如，假设所述预设特征表示更新条件为迭代次数达到500次，则所述待训练基础模型每进行500次的迭代，则向所述第二设备发送一次所述用户特征表示变量，以接收所述第二设备基于所述用户特征表示变量反馈的聚合用户特征表示变量，并将所述待训练基础模型中的用户特征表示变量替换更新为相对应的聚合用户特征表示变量。
本实施例通过获取训练数据和待训练基础模型，并接收与所述第一设备相关联的第二设备发送的密钥，进而生成所述训练数据对应的训练用户特征表示变量，并基于所述密钥，将所述训练用户特征表示变量加密发送至所述第二设备，以供所述第二设备基于多个所述第一设备发送的所述训练用户特征表示变量生成聚合用户特征表示变量，进而将所述训练数据输入所述待训练基础模型，并接收所述第二设备加密反馈的所述聚合用户特征表示变量，以基于所述聚合用户特征表示变量，对所述待训练基础模型进行迭代训练，获得所述预设协同过滤模型。也即，本申请提供了一种基于纵向联邦的所述预设协同过滤模型的迭代训练方法，进而基于训练好的预设协同过滤模型，可将大型稀疏向量类型的用户数据转化为低维向量表示的用户特征表示变量数据，进而减少了数据计算的复杂度，提高了计算效率，进而通过计算所述用户特征表示变量对应的用户相似性结果，即可执行预设物品推荐流程，以完成对用户的个性化推荐，也即，为进行推荐效率高的、推荐速度快的个性化推荐奠定了基础，提高了推荐系统的推荐效果，所以为解决推荐系统推荐效果差的技术问题奠定了基础。
进一步地，参照图4，基于本申请中第一实施例和第二实施例，所述推荐系统优化方法应用于第二设备，所述推荐系统优化方法包括：
步骤D10，生成预设纵向联邦流程对应的密钥，并将所述密钥分别发送至与所述第二设备关联的各第一设备，以供各所述第一设备基于所述密钥对各自的用户特征表示变量进行加密，获得各自的加密用户特征表示变量；
在本实施例中，需要说明的是，所述预设纵向联邦流程对应的加密方法包括对称加密、非对称加密等，所述密钥由所述第二设备随机生成，所述第二设备用于协助多个第一设备进行纵向联邦。
步骤D20，接收各所述第一设备反馈的各所述加密用户特征表示变量，并对各所述加密用户特征表示变量进行解密，获得各用户特征表示变量；
在本实施例中，各所述加密用户特征表示变量由各所述第一设备基于所述密钥对各自的用户特征表示变量进行加密而获得，各所述用户特征表示变量由各所述第一设备基于各自的用户数据而生成。
步骤D30，对各所述用户特征表示变量进行聚合处理，获得聚合用户特征表示变量，并将所述聚合用户特征表示变量分别加密发送至各所述第一设备，以供各所述第一设备更新各自的协同过滤模型。
在本实施例中，需要说明的是，所述协同过滤模型为神经网络模型，所述聚合处理包括求平均、求交集等。
对各所述用户特征表示变量进行聚合处理，获得聚合用户特征表示变量，并将所述聚合用户特征表示变量分别加密发送至各所述第一设备，以供各所述第一设备更新各自的协同过滤模型，具体地，对各所述用户特征表示变量进行聚合处理，获得聚合用户特征表示变量，并基于所述密钥，对所述聚合用户特征表示变量进行加密，获得加密的聚合用户特征表示变量，进而将加密的所述聚合用户特征表示变量分别发送至各所述第一设备，以供各所述第一设备更新各自的协同过滤模型，也即，各所述第一设备将各自的协同过滤模型中的用户特征表示替换为所述聚合用户特征表示。
本实施例通过生成预设纵向联邦流程对应的密钥，并将所述密钥分别发送至与所述第二设备关联的各第一设备，以供各所述第一设备基于所述密钥对各自的用户特征表示变量进行加密，获得各自的加密用户特征表示变量，进而接收各所述第一设备反馈的各所述加密用户特征表示变量，并对各所述加密用户特征表示变量进行解密，获得各用户特征表示变量，进而对各所述用户特征表示变量进行聚合处理，获得聚合用户特征表示变量，并将所述聚合用户特征表示变量分别加密发送至各所述第一设备，以供各所述第一设备更新各自的协同过滤模型。本实施例提供了一种纵向联邦的方法，由所述第二设备接收多个第一设备加密发送的用户特征表示变量，进而通过聚合处理生成聚合用户特征表示变量，并将所述聚合用户特征表示变量反馈至各所述第一设备，进而各所述第一设备即可基于所述聚合用户特征表示变量进行各自的协同过滤模型的更新，进而每一第一设备均实现了联合多方数据进行模型训练更新的目的，进而为各所述第一设备训练出效果更好的模型奠定了基础，也即，为各所述第一设备构建出推荐效果更好的推荐系统奠定了基础，所以，为解决推荐系统推荐效果差的技术问题奠定了基础。
参照图5，图5是本申请实施例方案涉及的硬件运行环境的设备结构示意图。
如图5所示，该推荐系统优化设备可以包括：处理器1001，例如CPU，存储器1005，通信总线1002。其中，通信总线1002用于实现处理器1001和存储器1005之间的连接通信。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的存储设备。
可选地，该推荐系统优化设备还可以包括矩形用户接口、网络接口、摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard)，可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解，图5中示出的推荐系统优化设备结构并不构成对推荐系统优化设备的限定，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5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、网络通信模块以及推荐系统优化程序。操作系统是管理和控制推荐系统优化设备硬件和软件资源的程序，支持推荐系统优化程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信，以及与推荐系统优化系统中其它硬件和软件之间通信。
在图5所示的推荐系统优化设备中，处理器1001用于执行存储器1005中存储的推荐系统优化程序，实现上述任一项所述的推荐系统优化方法的步骤。
本申请推荐系统优化设备具体实施方式与上述推荐系统优化方法各实施例基本相同，在此不再赘述。
本申请实施例还提供一种推荐系统优化装置，所述推荐系统优化装置应用于推荐系统优化设备，所述推荐系统优化装置包括：
转换模块，用于获取用户数据，并将所述用户数据输入预设协同过滤模型，以对所述用户数据进行语义编码，获得用户特征表示变量，其中，所述预设协同过滤模型通过基于预设纵向联邦流程进行迭代训练而获取；
计算模块，用于计算所述用户特征表示变量对应的用户相似性结果，并基于所述相似性结果生成相似用户候选集；
执行模块，用于基于所述相似用户候选集，执行预设物品推荐流程。
可选地，所述推荐系统优化装置还包括：
获取模块，用于获取训练数据和待训练基础模型，并接收与所述第一设备相关联的第二设备发送的密钥；
生成模块，用于所述生成所述训练数据对应的训练用户特征表示变量，并基于所述密钥，将所述训练用户特征表示变量加密发送至所述第二设备，以供所述第二设备基于多个所述第一设备发送的所述训练用户特征表示变量生成聚合用户特征表示变量；
训练模块，用于将所述训练数据输入所述待训练基础模型，并接收所述第二设备加密反馈的所述聚合用户特征表示变量，以基于所述聚合用户特征表示变量，对所述待训练基础模型进行迭代训练，获得所述预设协同过滤模型。
可选地，所述训练模块包括：
判断单元，用于对所述待训练基础模型进行迭代训练，以对所述用户特征表示变量进行训练更新，并判断训练后的所述待训练基础模型是否达到预设特征表示更新条件；
更新单元，用于所述若训练后的所述待训练基础模型达到所述预设特征表示更新条件，则基于所述聚合用户特征表示变量，对所述用户特征表示变量进行替换更新；
判定单元，用于基于替换更新后的所述用户特征表示变量，重新进行对所述待训练基础模型的迭代训练和是否达到所述预设特征表示更新条件的判断，直至所述待训练基础模型达到预设训练完成条件，获得所述预设协同过滤模型。
可选地，所述计算模块包括：
计算单元，用于计算所述第一特征表示和所述第二特征表示的内积，获得待处理数据；
评分单元，用于所述将所述待处理数据输入所述评分模型，以对所述用户特征表示变量对应的各待选择用户进行评分，获得所述用户相似性结果。
可选地，所述执行模块包括：
筛选单元，用于获取所述相似用户候选集对应的第一目标物品集，并对所述第一目标物品集中各物品进行筛选，获得待推荐物品集；
第一推荐单元，用于在所述待推荐物品集中选取待推荐物品，并向所述用户数据对应的目标用户推荐所述待推荐物品。
可选地，所述执行模块还包括：
第二推荐单元，用于在所述待推荐物品集中选取待推荐物品，并向所述用户数据对应的目标用户推荐所述待推荐物品。
本申请推荐系统优化装置的具体实施方式与上述推荐系统优化方法各实施例基本相同，在此不再赘述。
为实现上述目的，本申请实施例还提供一种推荐系统优化装置，所述推荐系统优化装置应用于第二设备，所述推荐系统优化装置包括：
生成模块，用于生成预设纵向联邦流程对应的密钥，并将所述密钥分别发送至与所述第二设备关联的各第一设备，以供各所述第一设备基于所述密钥对各自的用户特征表示变量进行加密，获得各自的加密用户特征表示变量；
接收解密模块，用于接收各所述第一设备反馈的各所述加密用户特征表示变量，并对各所述加密用户特征表示变量进行解密，获得各用户特征表示变量；
聚合模块，用于对各所述用户特征表示变量进行聚合处理，获得聚合用户特征表示变量，并将所述聚合用户特征表示变量分别加密发送至各所述第一设备，以供各所述第一设备更新各自的协同过滤模型。
本申请推荐系统优化装置的具体实施方式与上述推荐系统优化方法各实施例基本相同，在此不再赘述。
本申请实施例提供了一种可读存储介质，且所述可读存储介质存储有一个或者一个以上程序，所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的推荐系统优化方法的步骤。
本申请可读存储介质具体实施方式与上述推荐系统优化方法各实施例基本相同，在此不再赘述。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请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，均同理包括在本申请的专利处理范围内。
Claims (10)
1.一种推荐系统优化方法，其特征在于，所述推荐系统优化方法包括：
获取用户数据，并将所述用户数据输入预设协同过滤模型，以对所述用户数据进行语义编码，获得用户特征表示变量，其中，所述预设协同过滤模型通过基于预设纵向联邦流程进行迭代训练而获取；
计算所述用户特征表示变量对应的用户相似性结果，并基于所述相似性结果生成相似用户候选集；
基于所述相似用户候选集，执行预设物品推荐流程。
2.如权利要求1所述推荐系统优化方法，其特征在于，所述推荐系统优化方法应用于第一设备，
所述获取用户数据，并将所述用户数据输入预设协同过滤模型，以对所述用户数据进行语义编码，获得用户特征表示变量，其中，所述预设协同过滤模型通过基于预设纵向联邦流程进行迭代训练而获取的步骤之前包括：
获取训练数据和待训练基础模型，并接收与所述第一设备相关联的第二设备发送的密钥；
生成所述训练数据对应的训练用户特征表示变量，并基于所述密钥，将所述训练用户特征表示变量加密发送至所述第二设备，以供所述第二设备基于多个所述第一设备发送的所述训练用户特征表示变量生成聚合用户特征表示变量；
将所述训练数据输入所述待训练基础模型，并接收所述第二设备加密反馈的所述聚合用户特征表示变量，以基于所述聚合用户特征表示变量，对所述待训练基础模型进行迭代训练，获得所述预设协同过滤模型。
3.如权利要求2所述推荐系统优化方法，其特征在于，所述基于所述聚合用户特征表示变量，对所述待训练基础模型进行迭代训练，获得所述预设协同过滤模型的步骤包括：
对所述待训练基础模型进行迭代训练，以对所述用户特征表示变量进行训练更新，并判断训练后的所述待训练基础模型是否达到预设特征表示更新条件；
若训练后的所述待训练基础模型达到所述预设特征表示更新条件，则基于所述聚合用户特征表示变量，对所述用户特征表示变量进行替换更新；
基于替换更新后的所述用户特征表示变量，重新进行对所述待训练基础模型的迭代训练和是否达到所述预设特征表示更新条件的判断，直至所述待训练基础模型达到预设训练完成条件，获得所述预设协同过滤模型。
4.如权利要求1所述推荐系统优化方法，其特征在于，所述用户特征表示变量包括第一特征表示和第二特征表示，所述预设协同过滤模型包括评分模型，
所述计算所述用户特征表示变量对应的用户相似性结果的步骤包括：
计算所述第一特征表示和所述第二特征表示的内积，获得待处理数据；
将所述待处理数据输入所述评分模型，以对所述用户特征表示变量对应的各待选择用户进行评分，获得所述用户相似性结果。
5.如权利要求1所述推荐系统优化方法，其特征在于，所述基于所述相似用户候选集，执行预设物品推荐流程的步骤包括：
获取所述相似用户候选集对应的第一目标物品集，并对所述第一目标物品集中各物品进行筛选，获得待推荐物品集；
在所述待推荐物品集中选取待推荐物品，并向所述用户数据对应的目标用户推荐所述待推荐物品。
6.如权利要求1所述推荐系统优化方法，其特征在于，所述用户数据对应目标用户，
所述基于所述相似用户候选集，执行预设物品推荐流程的步骤包括：
获取所述目标用户对应的第二目标物品集，并将所述第二目标物品集中各物品向所述相似用户候选集中的各相似用户进行推荐。
7.一种推荐系统优化方法，其特征在于，所述推荐系统优化方法应用于第二设备，所述推荐系统优化方法包括：
生成预设纵向联邦流程对应的密钥，并将所述密钥分别发送至与所述第二设备关联的各第一设备，以供各所述第一设备基于所述密钥对各自的用户特征表示变量进行加密，获得各自的加密用户特征表示变量；
接收各所述第一设备反馈的各所述加密用户特征表示变量，并对各所述加密用户特征表示变量进行解密，获得各用户特征表示变量；
对各所述用户特征表示变量进行聚合处理，获得聚合用户特征表示变量，并将所述聚合用户特征表示变量分别加密发送至各所述第一设备，以供各所述第一设备更新各自的协同过滤模型。
8.一种推荐系统优化装置，其特征在于，所述推荐系统优化装置包括：
转换模块，用于获取用户数据，并将所述用户数据输入预设协同过滤模型，以对所述用户数据进行语义编码，获得用户特征表示变量，其中，所述预设协同过滤模型通过基于预设纵向联邦流程进行迭代训练而获取；
计算模块，用于计算所述用户特征表示变量对应的用户相似性结果，并基于所述相似性结果生成相似用户候选集；
执行模块，用于基于所述相似用户候选集，执行预设物品推荐流程。
9.一种推荐系统优化设备，其特征在于，所述推荐系统优化设备包括：存储器、处理器以及存储在存储器上的用于实现所述推荐系统优化方法的程序，
所述存储器用于存储实现推荐系统优化方法的程序；
所述处理器用于执行实现所述推荐系统优化方法的程序，以实现如权利要求1至7中任一项所述推荐系统优化方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有实现推荐系统优化方法的程序，所述实现推荐系统优化方法的程序被处理器执行以实现如权利要求1至7中任一项所述推荐系统优化方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010107654.XA CN111291273A (zh) | 2020-02-20 | 2020-02-20 | 推荐系统优化方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010107654.XA CN111291273A (zh) | 2020-02-20 | 2020-02-20 | 推荐系统优化方法、装置、设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111291273A true CN111291273A (zh) | 2020-06-16 |
Family
ID=71024596
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010107654.XA Pending CN111291273A (zh) | 2020-02-20 | 2020-02-20 | 推荐系统优化方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111291273A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111859155A (zh) * | 2020-08-04 | 2020-10-30 | 深圳前海微众银行股份有限公司 | 物品推荐方法、设备及计算机可读存储介质 |
| CN112532627A (zh) * | 2020-11-27 | 2021-03-19 | 平安科技（深圳）有限公司 | 冷启动推荐方法、装置、计算机设备及存储介质 |
| CN112765615A (zh) * | 2020-12-07 | 2021-05-07 | 北京百度网讯科技有限公司 | 数据存储方法、装置以及电子设备 |
| CN116775590A (zh) * | 2023-05-05 | 2023-09-19 | 杭州心岸科技有限公司 | 一种基于用户画像的数据共享系统和方法 |
| CN116823410A (zh) * | 2023-08-29 | 2023-09-29 | 阿里巴巴(成都)软件技术有限公司 | 数据处理方法、对象处理方法、推荐方法及计算设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102129462A (zh) * | 2011-03-11 | 2011-07-20 | 北京航空航天大学 | 一种通过聚合对协同过滤推荐系统进行优化的方法 |
| CN103632290A (zh) * | 2013-12-02 | 2014-03-12 | 合肥工业大学 | 一种基于推荐概率融合的混合推荐方法 |
| CN110189192A (zh) * | 2019-05-10 | 2019-08-30 | 深圳前海微众银行股份有限公司 | 一种信息推荐模型的生成方法及装置 |
-
2020
- 2020-02-20 CN CN202010107654.XA patent/CN111291273A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102129462A (zh) * | 2011-03-11 | 2011-07-20 | 北京航空航天大学 | 一种通过聚合对协同过滤推荐系统进行优化的方法 |
| CN103632290A (zh) * | 2013-12-02 | 2014-03-12 | 合肥工业大学 | 一种基于推荐概率融合的混合推荐方法 |
| CN110189192A (zh) * | 2019-05-10 | 2019-08-30 | 深圳前海微众银行股份有限公司 | 一种信息推荐模型的生成方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| QIANG YANG: "Federated Machine Learning: Concept and Applications", 《ACM TRANSACTIONS ON INTELLIGENT SYSTEMS AND TECHNOLOGY》 * |
| 周强等: "基于用户的协同过滤推荐算法研究", 《南昌高专学报》 * |
| 曾子明: "《电子商务推荐系统与智能谈判技术》", 31 May 2008, 武汉大学出版社 * |
| 黄震华: "《大数据信息推荐理论与关键技术》", 31 December 2016, 科学技术文献出版社 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111859155A (zh) * | 2020-08-04 | 2020-10-30 | 深圳前海微众银行股份有限公司 | 物品推荐方法、设备及计算机可读存储介质 |
| CN112532627A (zh) * | 2020-11-27 | 2021-03-19 | 平安科技（深圳）有限公司 | 冷启动推荐方法、装置、计算机设备及存储介质 |
| CN112532627B (zh) * | 2020-11-27 | 2022-03-29 | 平安科技（深圳）有限公司 | 冷启动推荐方法、装置、计算机设备及存储介质 |
| CN112765615A (zh) * | 2020-12-07 | 2021-05-07 | 北京百度网讯科技有限公司 | 数据存储方法、装置以及电子设备 |
| CN116775590A (zh) * | 2023-05-05 | 2023-09-19 | 杭州心岸科技有限公司 | 一种基于用户画像的数据共享系统和方法 |
| CN116823410A (zh) * | 2023-08-29 | 2023-09-29 | 阿里巴巴(成都)软件技术有限公司 | 数据处理方法、对象处理方法、推荐方法及计算设备 |
| CN116823410B (zh) * | 2023-08-29 | 2024-01-12 | 阿里巴巴(成都)软件技术有限公司 | 数据处理方法、对象处理方法、推荐方法及计算设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111291273A (zh) | 推荐系统优化方法、装置、设备及可读存储介质 | |
| JP7095140B2 (ja) | 特徴抽出に基くマルチモデルトレーニング方法及び装置、電子機器と媒体 | |
| CN111079022A (zh) | 基于联邦学习的个性化推荐方法、装置、设备及介质 | |
| WO2020238677A1 (zh) | 数据处理方法、装置和计算机可读存储介质 | |
| CN111339412A (zh) | 纵向联邦推荐召回方法、装置、设备及可读存储介质 | |
| CN111324812B (zh) | 基于迁移学习的联邦推荐方法、装置、设备及介质 | |
| CN111553744A (zh) | 联邦产品推荐方法、装置、设备及计算机存储介质 | |
| 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 | |
| CN110020162B (zh) | 用户识别方法和装置 | |
| CN105159910A (zh) | 信息推荐方法和装置 | |
| US11748452B2 (en) | Method for data processing by performing different non-linear combination processing | |
| CN107430610A (zh) | 从分布式数据学习 | |
| CN110866040B (zh) | 用户画像生成方法、装置和系统 | |
| CN111898767A (zh) | 数据处理方法、装置、设备及介质 | |
| Brahmi et al. | Dual support method for solving convex quadratic programs | |
| CN108960293B (zh) | 基于fm算法的ctr预估方法及系统 | |
| CN111553742A (zh) | 联邦产品推荐方法、装置、设备及计算机存储介质 | |
| WO2023284516A1 (zh) | 基于知识图谱的信息推荐方法、装置、设备、介质及产品 | |
| Liu et al. | Collaborative prediction for multi-entity interaction with hierarchical representation | |
| CN108416645B (zh) | 一种针对用户的推荐方法、装置、存储介质和设备 | |
| CN111553743A (zh) | 联邦产品推荐方法、装置、设备及计算机存储介质 | |
| CN113761350A (zh) | 一种数据推荐方法、相关装置和数据推荐系统 | |
| CN112907334A (zh) | 一种对象推荐方法及装置 | |
| AU2019200721B2 (en) | Online training and update of factorization machines using alternating least squares optimization | |
| CN113495991A (zh) | 一种推荐方法和装置 |
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 |