CN111324812A - 基于迁移学习的联邦推荐方法、装置、设备及介质 - Google Patents

基于迁移学习的联邦推荐方法、装置、设备及介质 Download PDF

Info

Publication number
CN111324812A
CN111324812A CN202010105419.9A CN202010105419A CN111324812A CN 111324812 A CN111324812 A CN 111324812A CN 202010105419 A CN202010105419 A CN 202010105419A CN 111324812 A CN111324812 A CN 111324812A
Authority
CN
China
Prior art keywords
clustering
information
user
gradient
recommendation
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
Application number
CN202010105419.9A
Other languages
English (en)
Other versions
CN111324812B (zh
Inventor
谭奔
郑文琛
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 CN202010105419.9A priority Critical patent/CN111324812B/zh
Publication of CN111324812A publication Critical patent/CN111324812A/zh
Application granted granted Critical
Publication of CN111324812B publication Critical patent/CN111324812B/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
    • 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
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于迁移学习的联邦推荐方法、装置、设备和介质，该方法包括获取本地用户对本地物品的第一行为数据、本地用户的第一用户聚类信息以及本地物品的第一物品聚类信息，第一聚类关系矩阵信息，以计算得到所述本地用户的第二用户聚类信息以及所述本地物品的第二物品聚类信息，以得到第一梯度，其中，聚类关系矩阵信息用于表示用户的聚类信息和物品的聚类信息之间的关联关系；获取第二联邦推荐合作方基于所述第一聚类关系矩阵信息得到的第二梯度，根据所述第一梯度与所述第二梯度，得到联合的第二聚类关系矩阵信息；根据联合的所述第二聚类关系矩阵信息，进行精准推荐。本发明解决个性化推荐的有效性降低的技术问题。

Description

基于迁移学习的联邦推荐方法、装置、设备及介质
技术领域
本发明涉及金融科技(Fintech)的机器学习技术领域，尤其涉及一种基于迁移学习的联邦推荐方法、装置、设备及介质。
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，如对个性化推荐也有更高的要求。
在互联网科技金融信息爆炸的时代，用于个性化推荐的个性化推荐系统得到不断的发展和应用，其中，网站的个性化推荐系统在满足用户获取该网站的个性化信息的需求上取得良好的推荐效果，但在好的推荐效果背后，网站的个性化推荐系统需要收集如用户在该网站上的点击行为、购买行为等本网站的大量用户信息外，为了丰富用户信息，网站的个性化推荐系统还会和多个网站合作，收集用户在其他多个网站上的用户信息或者用户行为信息，以实现提供更好的推荐效果，然而这可能会导致用户个人隐私的泄露，引起用户对个性化推荐系统的反感和不信任。
为有效保护用户隐私和数据安全，基于联邦推荐的个性化推荐系统越来越受欢迎，基于联邦推荐的个性化推荐系统的多个合作方之间需要有大量共同的用户或者大量共同的被推荐物品，在没有大量共享用户或者大量共享被推荐物品的合作方之间，难以建立有效的联合，这致使基于联邦的个性化推荐的有效性降低。
发明内容
本发明的主要目的在于提供一种基于迁移学习的联邦推荐方法、装置、设备和介质，旨在解决现有技术中在没有大量共享用户或者大量共享被推荐物品的合作方之间，难以建立保护用户隐私和数据安全的基于联邦的个性化推荐系统，致使个性化推荐的有效性降低的技术问题。
为实现上述目的，本发明提供一种基于迁移学习的联邦推荐方法，所述基于迁移学习的联邦推荐方法应用于第一联邦推荐合作方，所述基于迁移学习的联邦推荐方法包括：
获取本地用户对本地物品的第一行为数据、本地用户的第一用户聚类信息以及本地物品的第一物品聚类信息；
获取第一聚类关系矩阵信息，基于所述第一聚类关系矩阵信息，所述第一行为数据，所述第一用户聚类信息以及所述第一物品聚类信息，计算得到所述本地用户的第二用户聚类信息以及所述本地物品的第二物品聚类信息，以得到第一梯度，其中，聚类关系矩阵信息用于表示用户的聚类信息和物品的聚类信息之间的关联关系；
获取第二联邦推荐合作方基于所述第一聚类关系矩阵信息得到的第二梯度，根据所述第一梯度与所述第二梯度，得到联合的第二聚类关系矩阵信息；
根据联合的所述第二聚类关系矩阵信息，进行精准推荐。
可选地，所述获取第一聚类关系矩阵信息，基于所述第一聚类关系矩阵信息，所述第一行为数据，所述第一用户聚类信息以及所述第一物品聚类信息，计算得到所述本地用户的第二用户聚类信息以及所述本地物品的第二物品聚类信息，以得到第一梯度步骤包括：
获取第一聚类关系矩阵信息；
基于所述第一聚类关系矩阵信息，所述第一行为数据，所述第一用户聚类信息以及所述第一物品聚类信息，迭代执行第一预设随机梯度下降流程，以将所述第一行为数据中的用户添加至所述第一用户聚类信息中后，得到收敛的第二用户聚类信息，并将所述第一行为数据中的物品添加至所述第一物品聚类信息中后，得到收敛的第二用户聚类信息；
基于所述收敛的第二用户聚类信息、所述收敛的第二用户聚类信息以及预设的得到所述收敛的第二用户聚类信息以及所述收敛的第二用户聚类信息过程中的第一预估求解误差，确定第一梯度。
可选地，所述第二联邦推荐合作方为多个；
所述获取第二联邦推荐合作方基于所述第一聚类关系矩阵信息得到的第二梯度，根据所述第一梯度与所述第二梯度，得到联合的第二聚类关系矩阵信息的步骤包括：
获取多个第二联邦推荐合作方分别基于所述第一聚类关系矩阵信息得到多个第二梯度，以获取基于所述多个第二梯度求均值后得到的融合梯度；
基于所述融合梯度对应迭代更新预设模型，直至所述预设模型收敛，获取收敛后的所述预设模型对应的第一收敛梯度，将所述第一收敛梯度对应聚类关系矩阵信息设置为所述联合的第二聚类关系矩阵信息。
可选地，所述第一联邦推荐合作方与第三方服务器进行通信连接；
所述根据所述第一梯度与所述第二梯度，得到联合的第二聚类关系矩阵信息的步骤之前包括：
生成第一预设公钥和所述第一预设公钥对应第一预设私钥，将所述第一预设公钥发送给所述第三方服务器，以供所述第三方服务器基于所述第一预设公钥对所述第一聚类关系矩阵信息进行加密并发送；
将所述第一预设私钥发送给所述第二联邦推荐合作方，以供所述第二联邦推荐合作方在接收加密后的所述第一聚类关系矩阵信息后，基于所述第一预设私钥进行解密，并将基于所述第一预设私钥加密的所述第二梯度发送给所述第三方服务器。
可选地，所述根据联合的所述第二聚类关系矩阵信息，进行精准推荐步骤包括：
获取所述联合的第二聚类关系矩阵信息与所述本地用户对所述本地物品的评价分值的关联关系，以获取所述本地用户对所述本地物品的评价分值；
根据评价分值的高低，进行精准推荐。
本发明还提供一种基于迁移学习的联邦推荐方法，所述基于迁移学习的联邦推荐方法应用于第三方服务器，所述基于迁移学习的联邦推荐方法包括：
生成第二预设公钥和所述第二预设公钥对应第二预设私钥，并将所述第二预设私钥分别发送至所述第一联邦推荐合作方以及第二联邦推荐合作方，以供所述第一联邦推荐合作方对第一梯度进行加密，以及所述第二联邦推荐合作方对第二梯度进行加密；
接收所述第一联邦推荐合作方加密发送的所述第一梯度，并接收所述第二联邦推荐合作方加密发送的所述第二梯度，对所述第一梯度以及所述第二梯度进行迭代训练处理，获得第二收敛梯度，并将所述第二收敛梯度对应聚类关系矩阵信息设置为所述联合的第二聚类关系矩阵信息；
将所述联合的第二聚类关系矩阵信息反馈至所述第一联邦推荐合作方。
本发明还提供一种基于迁移学习的联邦推荐方法，所述基于迁移学习的联邦推荐方法应用于第二联邦推荐合作方，所述基于迁移学习的联邦推荐方法包括：
接收第一联邦推荐合作方发送的第一聚类关系矩阵信息，获取所述第二联邦推荐合作方本地的第二行为数据，第三用户聚类信息以及第三物品聚类信息；
基于所述第一聚类关系矩阵信息，所述第二行为数据，所述第三用户聚类信息以及所述第三物品聚类信息，迭代执行第二预设随机梯度下降流程，以将所述第二行为数据中的用户添加至所述第三用户聚类信息中后，得到收敛的第四用户聚类信息，并将所述第二行为数据中的物品添加至所述第三物品聚类信息中后，得到收敛的第四物品聚类信息；
基于所述收敛的第四用户聚类信息、所述收敛的第四物品聚类信息以及预设的得到所述收敛的第四用户聚类信息以及所述收敛的第四物品聚类信息过程中的第二预估求解误差，确定第二梯度。
本发明还提供一种基于迁移学习的联邦推荐装置，所述基于迁移学习的联邦推荐装置应用于第一联邦推荐合作方，所述基于迁移学习的联邦推荐装置包括：
第一获取模块，用于获取本地用户对本地物品的第一行为数据、本地用户的第一用户聚类信息以及本地物品的第一物品聚类信息；
第二获取模块，用于获取第一聚类关系矩阵信息，基于所述第一聚类关系矩阵信息，所述第一行为数据，所述第一用户聚类信息以及所述第一物品聚类信息，计算得到所述本地用户的第二用户聚类信息以及所述本地物品的第二物品聚类信息，以得到第一梯度，其中，聚类关系矩阵信息用于表示用户的聚类信息和物品的聚类信息之间的关联关系；
第三获取模块，用于获取第二联邦推荐合作方基于所述第一聚类关系矩阵信息得到的第二梯度，根据所述第一梯度与所述第二梯度，得到联合的第二聚类关系矩阵信息；
推荐模块，用于根据联合的所述第二聚类关系矩阵信息，进行精准推荐。
可选地，所述第二获取模块包括：
第一获取单元，用于获取第一聚类关系矩阵信息；
执行单元，用于基于所述第一聚类关系矩阵信息，所述第一行为数据，所述第一用户聚类信息以及所述第一物品聚类信息，迭代执行第一预设随机梯度下降流程，以将所述第一行为数据中的用户添加至所述第一用户聚类信息中后，得到收敛的第二用户聚类信息，并将所述第一行为数据中的物品添加至所述第一物品聚类信息中后，得到收敛的第二用户聚类信息；
确定单元，用于基于所述收敛的第二用户聚类信息、所述收敛的第二用户聚类信息以及预设的得到所述收敛的第二用户聚类信息以及所述收敛的第二用户聚类信息过程中的第一预估求解误差，确定第一梯度。
可选地，所述第二联邦推荐合作方为多个；
所述第三获取模块包括：
第二获取单元，用于获取多个第二联邦推荐合作方分别基于所述第一聚类关系矩阵信息得到多个第二梯度，以获取基于所述多个第二梯度求均值后得到的融合梯度；
第三获取单元，用于基于所述融合梯度对应迭代更新预设模型，直至所述预设模型收敛，获取收敛后的所述预设模型对应的第一收敛梯度，将所述第一收敛梯度对应聚类关系矩阵信息设置为所述联合的第二聚类关系矩阵信息。
可选地，所述第一联邦推荐合作方与第三方服务器进行通信连接；
所述基于迁移学习的联邦推荐装置还包括：
第一生成模块，用于生成第一预设公钥和所述第一预设公钥对应第一预设私钥，将所述第一预设公钥发送给所述第三方服务器，以供所述第三方服务器基于所述第一预设公钥对所述第一聚类关系矩阵信息进行加密并发送；
发送模块，用于将所述第一预设私钥发送给所述第二联邦推荐合作方，以供所述第二联邦推荐合作方在接收加密后的所述第一聚类关系矩阵信息后，基于所述第一预设私钥进行解密，并将基于所述第一预设私钥加密的所述第二梯度发送给所述第三方服务器。
可选地，所述推荐模块包括：
第四获取单元，用于获取所述联合的第二聚类关系矩阵信息与所述本地用户对所述本地物品的评价分值的关联关系，以获取所述本地用户对所述本地物品的评价分值；
推荐单元，用于根据评价分值的高低，进行精准推荐。
本发明还提供一种基于迁移学习的联邦推荐装置，所述基于迁移学习的联邦推荐装置应用于第三方服务器，所述基于迁移学习的联邦推荐装置包括：
第二生成模块，用于生成第二预设公钥和所述第二预设公钥对应第二预设私钥，并将所述第二预设私钥分别发送至所述第一联邦推荐合作方以及第二联邦推荐合作方，以供所述第一联邦推荐合作方对第一梯度进行加密，以及所述第二联邦推荐合作方对第二梯度进行加密；
第一接收模块，用于接收所述第一联邦推荐合作方加密发送的所述第一梯度，并接收所述第二联邦推荐合作方加密发送的所述第二梯度，对所述第一梯度以及所述第二梯度进行迭代训练处理，获得第二收敛梯度，并将所述第二收敛梯度对应聚类关系矩阵信息设置为所述联合的第二聚类关系矩阵信息；
反馈模块，用于将所述联合的第二聚类关系矩阵信息反馈至所述第一联邦推荐合作方。
本发明还提供一种基于迁移学习的联邦推荐装置，所述基于迁移学习的联邦推荐装置应用于第二联邦推荐合作方，所述基于迁移学习的联邦推荐装置包括：
第二接收模块，用于接收第一联邦推荐合作方发送的第一聚类关系矩阵信息，获取所述第二联邦推荐合作方本地的第二行为数据，第三用户聚类信息以及第三物品聚类信息；
执行模块，用于基于所述第一聚类关系矩阵信息，所述第二行为数据，所述第三用户聚类信息以及所述第三物品聚类信息，迭代执行第二预设随机梯度下降流程，以将所述第二行为数据中的用户添加至所述第三用户聚类信息中后，得到收敛的第四用户聚类信息，并将所述第二行为数据中的物品添加至所述第三物品聚类信息中后，得到收敛的第四物品聚类信息；
确定模块，基于所述收敛的第四用户聚类信息、所述收敛的第四物品聚类信息以及预设的得到所述收敛的第四用户聚类信息以及所述收敛的第四物品聚类信息过程中的第二预估求解误差，确定第二梯度。
本发明还提供一种基于迁移学习的联邦推荐设备，所述基于迁移学习的联邦推荐设备包括：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基于迁移学习的联邦推荐方法的程序，所述基于迁移学习的联邦推荐方法的程序被处理器执行时可实现如上述的基于迁移学习的联邦推荐方法的步骤。
本发明还提供一种介质，且所述介质为计算机可读存储介质，所述介质上存储有实现基于迁移学习的联邦推荐方法的程序，所述基于迁移学习的联邦推荐方法的程序被处理器执行时实现如上述的基于迁移学习的联邦推荐方法的步骤。
本申请通过获取本地用户对本地物品的第一行为数据、本地用户的第一用户聚类信息以及本地物品的第一物品聚类信息；获取第一聚类关系矩阵信息，基于所述第一聚类关系矩阵信息，所述第一行为数据，所述第一用户聚类信息以及所述第一物品聚类信息，计算得到所述本地用户的第二用户聚类信息以及所述本地物品的第二物品聚类信息，以得到第一梯度，其中，聚类关系矩阵信息用于表示用户的聚类信息和物品的聚类信息之间的关联关系；获取第二联邦推荐合作方基于所述第一聚类关系矩阵信息得到的第二梯度，根据所述第一梯度与所述第二梯度，得到联合的第二聚类关系矩阵信息；根据联合的所述第二聚类关系矩阵信息，进行精准推荐。在本申请中，在获取第一行为数据，第一用户聚类信息，第一物品聚类信息以及第一聚类关系矩阵信息后，得到收敛的第二用户聚类信息以及收敛的第二物品聚类信息，以得到第一梯度，且由于联合第二联邦推荐合作方对应基于所述第一聚类关系矩阵信息得到的第二梯度，即基于第一梯度与第二梯度，得到联合的第二聚类关系矩阵信息，即该第一联邦推荐合作方是挖掘获取到第二联邦推荐合作方的潜在聚类关系信息后，对应生成联合的第二聚类关系矩阵信息，以进行精准推荐的，因而在没有大量共享用户或者大量共享被推荐物品的合作方之间，建立保护用户隐私和数据安全的基于联邦的个性化推荐系统，提升个性化推荐的有效性。
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，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明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为本发明基于迁移学习的联邦推荐方法第一实施例的流程示意图；
图2为本发明基于迁移学习的联邦推荐方法第二实施例的流程示意图；
图3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4为本发明基于迁移学习的联邦推荐方法的场景示意图。
本发明目的实现、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。
本发明提供一种基于迁移学习的联邦推荐方法，所述基于迁移学习的联邦推荐方法应用于基于迁移学习的联邦推荐设备中的第一联邦推荐合作方，在本申请基于迁移学习的联邦推荐方法的第一实施例中，参照图1，所述基于迁移学习的联邦推荐方法包括：
步骤S10，获取本地用户对本地物品的第一行为数据、本地用户的第一用户聚类信息以及本地物品的第一物品聚类信息；
步骤S20，获取第一聚类关系矩阵信息，基于所述第一聚类关系矩阵信息，所述第一行为数据，所述第一用户聚类信息以及所述第一物品聚类信息，计算得到所述本地用户的第二用户聚类信息以及所述本地物品的第二物品聚类信息，以得到第一梯度，其中，聚类关系矩阵信息用于表示用户的聚类信息和物品的聚类信息之间的关联关系；
步骤S30，获取第二联邦推荐合作方基于所述第一聚类关系矩阵信息得到的第二梯度，根据所述第一梯度与所述第二梯度，得到联合的第二聚类关系矩阵信息；
步骤S40，根据联合的所述第二聚类关系矩阵信息，进行精准推荐。
具体步骤如下：
步骤S10，获取本地用户对本地物品的第一行为数据、本地用户的第一用户聚类信息以及本地物品的第一物品聚类信息；
在互联网科技金融信息爆炸的时代，用于个性化推荐的个性化推荐系统得到不断的发展和应用，其中，网站的个性化推荐系统在满足用户获取该网站的个性化信息的需求上取得良好的推荐效果，但在好的推荐效果背后，网站的个性化推荐系统需要收集如用户在该网站上的点击行为、购买行为等本网站的大量用户信息外，为了丰富用户信息，网站的个性化推荐系统还会和多个网站合作，收集用户在其他多个网站上的用户信息或者用户行为信息，以实现提供更好的推荐效果，然而这可能会导致用户个人隐私的泄露，引起用户对个性化推荐系统的反感和不信任。
为有效保护用户隐私和数据安全，基于联邦推荐的个性化推荐系统越来越受欢迎，基于联邦推荐的个性化推荐系统的多个合作方之间需要有大量共同的用户或者大量共同的被推荐物品，即为了能够建立起联系，并通过模型分享各方数据的优势，多个合作方之间需要有大量共同的用户或者大量共同的被推荐物品，其中，基于大量共同用户的联邦推荐系统也称为横向联邦推荐系统，基于大量共同被推荐物品的联邦推荐系统也称为纵向联邦推荐系统。横向和纵向联邦推荐系统的要求限制了联邦推荐系统的适用范围，即在没有大量共享用户或者大量共享被推荐物品的合作方之间，联邦推荐系统无法建立有效的联合，这致使基于联邦的个性化推荐的有效性降低。
在本实施例中，提供一种基于迁移学习的联邦推荐方法，该方法应用于第一联邦推荐合作方(从属于基于迁移学习的联邦推荐系统、设备或者从属于基于联邦推荐的个性化推荐系统)，该第一联邦推荐合作方可以与第二联邦推荐合作方进行直接通信连接，另外，该第一联邦推荐合作方还可以通过第三方服务器与第二联邦推荐合作方进行间接通信，需要说明的是，在本实施例中，该第二联邦推荐合作方与第一联邦推荐合作方之间未存在有(大量)共同的用户或者(大量)共同的被推荐物品，也即，在本实施例中，在合作方没有共享用户或者共享被推荐物品的情况下，通过挖掘不同合作方之间潜在聚类关系信息，建立有效的联合，以进一步扩大联邦推荐系统的使用范围。
具体地，例如，假设第一联邦推荐合作方即合作方A是一个服务于地区X的电影推荐系统，第二联邦推荐合作方即合作方B是一个服务于地区Z的书籍推荐系统，由于区域的不同，A与B的用户群体完全不一样，而由于A与B的是两个完全不同的推荐系统，因此他们的被推荐物品也完全不一样，在这种情况下，基于共享用户的横向联邦推荐系统，和基于共享推荐物品的纵向联邦推荐系统不能基于合作方A和B一起实现联邦推荐。当两个推荐系统或者合作方既不存在相同用户，又不存在相同物品时，本实施例采取基于迁移学习的联邦推荐方法。即在本实施例中，对于单个合作方(系统)而言，拥有相似兴趣的用户通常行为表现也非常类似，如拥有相似属性的物品，或者用户对物品的行为表现(购买，阅读)也非常类似，因此可以将用户和物品，分别聚类成用户群组和物品群组，得到聚类关系矩阵信息，即对于每个合作方而言，都可以提炼出潜在聚类关系矩阵信息，来代表用户群组和物品群组的关系，而不同合作方的用户/物品群存在一些预设隐含的联系，即尽管不同合作方不存在相同的用户和物品，但是可以找到相同的用户群组和物品群组，即在聚类的粒度对齐用户群组和物品群组。例如电影推荐系统和书籍推荐系统合作后，可以收集用户在书籍上的偏好信息来帮助提升电影推荐系统的效果，具体地，例如，30-40岁的A类用户对某一类书籍的爱好，可以将该类书籍对应关联的电影推荐该同一年龄阶段(30-40岁)给B类用户。
在本实施例中，实时获取或者每间隔预设时间段获取本地用户对本地物品的第一行为数据、并获取本地用户的第一用户聚类信息以及本地物品的第一物品聚类信息，其中，该本地用户的第一用户聚类信息以及本地物品的第一物品聚类信息可以是预设的，通过初始化即可从本地得到，本地用户的第一用户聚类信息以及本地物品的第一物品聚类信息可以是迭代过程中实时得到的，而本地用户对本地物品的第一行为数据可以用矩阵RA表示，该矩阵RA∈R(mA×nA)，其中，如图4所示，mA为用户数量，nA为商品数量，RA (i,j)∈RA表示用户i对物品j的第一行为数据，例如评分数据或者购买数据等，对RA先进行随机分解即可更新得到本地用户的第一用户聚类信息以及本地物品的第一物品聚类信息。而在本实施例中，需要最终实现对RA进行有效分解，以提升推荐效率，而要最终实现对RA进行有效分解，以提升推荐效率，需要准确得到参考挖掘了第二联邦推荐合作方的聚类关系矩阵信息后得到联合的第二聚类关系矩阵信息，即是迁移第二联邦推荐合作方的聚类关系矩阵信息，得到联合的第二聚类关系矩阵信息。
步骤S20，获取第一聚类关系矩阵信息，基于所述第一聚类关系矩阵信息，所述第一行为数据，所述第一用户聚类信息以及所述第一物品聚类信息，计算得到所述本地用户的第二用户聚类信息以及所述本地物品的第二物品聚类信息，以得到第一梯度，其中，聚类关系矩阵信息用于表示用户的聚类信息和物品的聚类信息之间的关联关系；
在本实施例中，还获取第一聚类关系矩阵信息，且由于聚类关系矩阵信息用于表示用户的聚类信息和物品的聚类信息之间的关联关系的，因而，第一聚类关系矩阵信息指的是当前或者系统预存的用户的聚类信息和物品的聚类信息之间的关联关系，基于所述第一聚类关系矩阵信息，所述第一行为数据，所述第一用户聚类信息以及所述第一物品聚类信息，可以计算得到所述本地用户的第二用户聚类信息以及所述本地物品的第二物品聚类信息，并进一步得到第一梯度，具体地，所述获取第一聚类关系矩阵信息，基于所述第一聚类关系矩阵信息，所述第一行为数据，所述第一用户聚类信息以及所述第一物品聚类信息，计算得到所述本地用户的第二用户聚类信息以及所述本地物品的第二物品聚类信息，以得到第一梯度步骤包括：
步骤S21，获取第一聚类关系矩阵信息；
具体地，该第一聚类关系矩阵信息可以是预存的，经过随机初始化得到，或者直接在迭代过程中提取得到的。
步骤S22，基于所述第一聚类关系矩阵信息，所述第一行为数据，所述第一用户聚类信息以及所述第一物品聚类信息，迭代执行第一预设随机梯度下降流程，以将所述第一行为数据中的用户添加至所述第一用户聚类信息中后，得到收敛的第二用户聚类信息，并将所述第一行为数据中的物品添加至所述第一物品聚类信息中后，得到收敛的第二用户聚类信息；
步骤S23，基于所述收敛的第二用户聚类信息、所述收敛的第二用户聚类信息以及预设的得到所述收敛的第二用户聚类信息以及所述收敛的第二用户聚类信息过程中的第一预估求解误差，确定第一梯度。
具体地，可以通过如下第一预设随机梯度下降流程计算得到本地用户收敛的第二用户聚类信息以及所述本地物品收敛的第二物品聚类信息：
UA←UA0-γ(λUA0-EA0YA0H0 T)
YA←YA0-γ(λYA0-EA0YA0H0 T)
其中，H0为H的第一聚类关系矩阵信息(随机初始化得到)，UA0为第一用户聚类信息(预设或者是初始化第一行为数据得到的)或者迭代计算过程中的用于计算的起始用户聚类信息(对于A合作方而言)，UA为迭代计算过程中更新后的用户聚类信息或者迭代后的用户聚类信息，YA0为第一物品聚类信息(预设或者是初始化的)或者迭代计算过程中的用于计算的起始物品聚类信息，YA为迭代计算过程中更新后的物品聚类信息或者迭代后的物品聚类信息，EA＝RA-UAHYA T(EA0＝RA0-UA0H0YA0 T)为求解过程中的预估误差即为预设的得到所述收敛的第二用户聚类信息以及所述收敛的第二用户聚类信息过程中的第一预估求解误差，矩阵RA表示本地用户对本地物品的第一行为数据，RA∈R(mA×nA)，其中，如图4所示，mA为用户数量，nA为商品数量，RA (i,j)∈RA表示用户i对物品j的第一行为数据，迭代执行上述第一预设随机梯度下降流程直至达到第一迭代次数阈值或者达到第一训练轮数阈值等，将迭代执行上述第一预设随机梯度下降流程后直至达到第一迭代次数阈值或者达到第一训练轮数阈值后得到的用户聚类信息作为收敛的第二用户聚类信息，将迭代执行上述第一预设随机梯度下降流程后直至达到第一迭代次数阈值或者达到第一训练轮数阈值后得到的物品聚类信息作为收敛的第二物品聚类信息。
在得到本地用户收敛的第二用户聚类信息以及所述本地物品收敛的第二物品聚类信息后，基于所述收敛的第二用户聚类信息、所述收敛的第二用户聚类信息以及预设的得到所述收敛的第二用户聚类信息以及所述收敛的第二用户聚类信息过程中的第一预估求解误差，确定第一梯度，具体地，可以根据公式UA TEAYA计算得到H的梯度，即为第一梯度，当然可以根据其他预设函数计算得到第一梯度。需要说明的是，该第一梯度实质为预设函数(H对应)对各个变量求取偏导获取，且第一梯度的负方向为预设函数的当前值逼近极小值的指向方向，也即，所述第一梯度的负方向为预设函数值下降最快的方向，其中，第一梯度的步长即为预设函数值的最大变化率。
需要说明的是，在本实施例中，获取第一聚类关系矩阵信息，基于所述第一聚类关系矩阵信息，所述第一行为数据，所述第一用户聚类信息以及所述第一物品聚类信息，计算得到所述本地用户的第二用户聚类信息以及所述本地物品的第二物品聚类信息，以得到第一梯度的实现过程可以是在第一联邦推荐合作方中进行，也可以在第三方服务器中进行。
步骤S30，获取第二联邦推荐合作方基于所述第一聚类关系矩阵信息得到的第二梯度，根据所述第一梯度与所述第二梯度，得到联合的第二聚类关系矩阵信息；
在本实施例中，获取第二联邦推荐合作方基于所述第一聚类关系矩阵信息得到的第二梯度，根据所述第一梯度与所述第二梯度，得到联合的第二聚类关系矩阵信息的实现过程可以是在第一联邦推荐合作方中进行，也可以在第三方服务器中进行。
在得到第一梯度后，获取第二联邦推荐合作方基于所述第一聚类关系矩阵信息得到的第二梯度，具体地，首先获取所述第二联邦推荐合作方本地的第二行为数据，第三用户聚类信息以及第三物品聚类信息。即在本实施例中，第二联邦推荐合作方具有基于该第二联邦推荐合作方本地用户的第三用户聚类信息，以及基于该第二联邦推荐合作方本地物品的第三物品聚类信息，因而，基于所述第一聚类关系矩阵信息，所述第二联邦推荐合作方的第三用户聚类信息以及所述第二联邦推荐合作方的第三物品聚类信息，所述第二行为数据，可以计算得到第二联邦推荐合作方本地用户的第四用户聚类信息以及对应本地物品的第四物品聚类信息，具体地，迭代执行第二预设随机梯度下降流程，以将所述第二行为数据中的用户添加至所述第三用户聚类信息中后，得到收敛的第四用户聚类信息，并将所述第二行为数据中的物品添加至所述第三物品聚类信息中后，得到收敛的第四用户聚类信息，第二预设随机梯度下降流程如下，以得到第二联邦推荐合作方本地用户的第四用户聚类信息以及所述本地物品的第四物品聚类信息：
UB←UB0-γ(λUB0-EB0YB0H0 T)
YB←YB0-γ(λYB0-EB0YB0H0 T)
其中，H0为H的第一聚类关系矩阵信息(初始化得到)，UB0为第三用户聚类信息(预设或者是初始化的)或者迭代计算过程中的用于计算的起始用户聚类信息(对于B合作方而言)，UB为迭代计算过程中更新后的用户聚类信息或者迭代后的用户聚类信息，YB0为第三物品聚类信息(预设或者是初始化的)或者迭代计算过程中的用于计算的起始物品聚类信息，YA为迭代计算过程中更新后的物品聚类信息或者迭代后的物品聚类信息，EB＝RB-UBHYB T(EB0＝RB0-UB0H0YB0 T)为求解过程中的预估误差，矩阵RB表示本地用户对本地物品的第一行为数据，RB∈R(mB×nB)，其中，如图4所示，mB为用户数量，nB为商品数量，RB (i,j)∈RB表示用户i对物品j的第一行为数据。
基于所述收敛的第四用户聚类信息、所述收敛的第四物品聚类信息以及预设的得到所述收敛的第四用户聚类信息以及所述收敛的第四物品聚类信息过程中的第二预估求解误差，确定第二梯度。即在得到本地用户的第四用户聚类信息以及所述本地物品的第四物品聚类信息后，根据第四用户聚类信息以及所述第四物品聚类信息，根据公式第二梯度UB TEBYB计算得到H的梯度，即为第二梯度。
其中，所述根据所述第一梯度与所述第二梯度，得到联合的第二聚类关系矩阵信息步骤包括：
步骤S33，根据所述第一梯度与所述第二梯度，得到联合的梯度；
需要分别对所述第一梯度与所述第二梯度进行迭代训练，得到训练后收敛的第一梯度，以及训练后收敛的第二梯度，对所述训练后收敛的第一梯度以及训练后收敛的第二梯度进行均值处理，得到联合的梯度，
步骤S34，根据所述联合的梯度对预设迁移模型进行训练，得到收敛的所述预设迁移模型；
步骤S35，基于收敛后的所述预设迁移模型计算得到联合的第二聚类关系矩阵信息。
基于联合的梯度，对预设迁移模型进行训练，以更新预设迁移模型的网络权重，直至预设迁移模型收敛，以更新预设迁移模型，基于更新的预设迁移模型，重新更新聚类关系矩阵信息，得到联合的第二聚类关系矩阵信息。
具体地，通过如下公式(预设迁移模型或者预设模型)计算第二聚类关系矩阵信息。
H←H0-γ(λH0-UA TEAYA-UB TEBYB)
在得到第二聚类关系矩阵信息后，判断该第二聚类关系矩阵信息是否是收敛的，具体地，若H满足如下公式：
Figure BDA0002388395130000151
与
Figure BDA0002388395130000152
或者
Figure BDA0002388395130000153
则确认第二聚类关系矩阵信息是收敛的，收敛的第二聚类关系矩阵信息则为联合的第二聚类关系矩阵信息，其中，RA可以为第一联邦推荐合作方即A合作方的第一行为数据，或者可以通过第一用户聚类信息以及第一物品聚类信息得到，RB可以为第二联邦推荐合作方即B合作方的第二行为数据，需要说明的是，如图4所示若确认预设迁移模型收敛，则确认对应联合的第二聚类关系矩阵信息是在吸收第二联邦推荐合作方的聚类关系后，能够准确描述用户的聚类信息和物品的聚类信息之间的关联关系的信息，进而实现对RA进行准确分解。
所述第二联邦推荐合作方为多个；
所述获取第二联邦推荐合作方基于所述第一聚类关系矩阵信息得到的第二梯度，根据所述第一梯度与所述第二梯度，得到联合的第二聚类关系矩阵信息的步骤包括：
步骤S31，获取多个第二联邦推荐合作方分别基于所述第一聚类关系矩阵信息得到多个第二梯度，以获取基于所述多个第二梯度求均值后得到的融合梯度；
在本实施例中，需要说明的是，当存在多个第二梯度时，获取该多个第二梯度求均值后得到的融合梯度，或者选取该多个梯度中的最大梯度作为融合梯度。
步骤S32，基于所述融合梯度对应迭代更新预设模型，直至所述预设模型收敛，将收敛后的所述预设模型对应的聚类关系矩阵信息设置为所述联合的第二聚类关系矩阵信息。
在得到融合梯度后，基于所述融合梯度对应迭代更新预设模型，直至所述预设模型收敛，具体地，基于所述融合梯度与第一梯度的均值梯度对应迭代更新预设模型，直至所述预设模型收敛，将收敛后的所述预设模型对应的聚类关系矩阵信息设置为所述联合的第二聚类关系矩阵信息。
步骤S40，根据联合的所述第二聚类关系矩阵信息，进行精准推荐。
在本实施例中，在得到联合的第二聚类关系矩阵信息后，根据所述联合的第二聚类关系矩阵信息，进行精准推荐。
具体地，参照图2，所述根据联合的所述第二聚类关系矩阵信息，进行精准推荐步骤包括：
步骤S41，获取所述联合的第二聚类关系矩阵信息与所述本地用户对所述本地物品的评价分值的关联关系，以获取所述本地用户对所述本地物品的评价分值；
在本实施例中，还预存有所述第二聚类关系矩阵信息与所述本地用户对所述本地物品的评价分值的关联关系，如矩阵对应位置上的数字代表着评价分值，因而，根据联合的第二聚类关系矩阵信息，获取所述本地用户对所述本地物品的评价分值。
步骤S42，根据评价分值的高低，进行精准推荐。
根据评价分值的高低，进行精准推荐，其中，若评价分值越高或者大于预设分值，则确定进行精准推荐。
本申请通过获取本地用户对本地物品的第一行为数据、本地用户的第一用户聚类信息以及本地物品的第一物品聚类信息；获取第一聚类关系矩阵信息，基于所述第一聚类关系矩阵信息，所述第一行为数据，所述第一用户聚类信息以及所述第一物品聚类信息，计算得到所述本地用户的第二用户聚类信息以及所述本地物品的第二物品聚类信息，以得到第一梯度，其中，聚类关系矩阵信息用于表示用户的聚类信息和物品的聚类信息之间的关联关系；获取第二联邦推荐合作方基于所述第一聚类关系矩阵信息得到的第二梯度，根据所述第一梯度与所述第二梯度，得到联合的第二聚类关系矩阵信息；根据联合的所述第二聚类关系矩阵信息，进行精准推荐。在本申请中，在获取第一行为数据，第一用户聚类信息，第一物品聚类信息以及第一聚类关系矩阵信息后，得到收敛的第二用户聚类信息以及收敛的第二物品聚类信息，以得到第一梯度，且由于联合第二联邦推荐合作方对应基于所述第一聚类关系矩阵信息得到的第二梯度，即基于第一梯度与第二梯度，得到联合的第二聚类关系矩阵信息，即该第一联邦推荐合作方是挖掘获取到第二联邦推荐合作方的潜在聚类关系信息后，对应生成联合的第二聚类关系矩阵信息，以进行精准推荐的，因而在没有大量共享用户或者大量共享被推荐物品的合作方之间，建立保护用户隐私和数据安全的基于联邦的个性化推荐系统，提升个性化推荐的有效性。
进一步地，基于本申请中第一实施例，提供基于迁移学习的联邦推荐方法的另一实施例，在该实施例中，所述第一联邦推荐合作方与第三方服务器进行通信连接；
所述根据所述第一梯度与所述第二梯度，得到联合的第二聚类关系矩阵信息的步骤之前包括：
步骤D1，生成第一预设公钥和所述第一预设公钥对应第一预设私钥，将所述第一预设公钥发送给所述第三方服务器，以供所述第三方服务器基于所述第一预设公钥对所述第一聚类关系矩阵信息进行加密并发送；
步骤D2，将所述第一预设私钥发送给所述第二联邦推荐合作方，以供所述第二联邦推荐合作方在接收加密后的所述第一聚类关系矩阵信息后，基于所述第一预设私钥进行解密，并将基于所述第一预设私钥加密的所述第二梯度发送给所述第三方服务器。
在本实施例中，可以引入第三方服务器，以提升安全性能，具体地，第一联邦推荐合作方根据预设秘钥程序段生成第一预设公钥pk和该第一预设公钥对应第一预设私钥sk，第一联邦推荐合作方将第一预设公钥pk发送给第三方服务器，将第一预设私钥sk发送给第二联邦推荐合作方，所述第三方服务器基于所述第一预设公钥对所述第一聚类关系矩阵信息进行加密后，将第一聚类关系矩阵信息分别发送给第二联邦推荐合作方和所述第一联邦推荐合作方，其中，第一联邦推荐合作方已经随机初始化UA和YA,得到UA0和YA0，第二联邦推荐合作方已经随机初始化UB和YB，得到UB0和YB0，且第三方服务器初始化H得到H0。因而，第二联邦推荐合作方和所述第一联邦推荐合作方基于第一预设私钥sk进行第一聚类关系矩阵信息的解密后，第一联邦推荐合作方基于如下公式：
UA←UA0-γ(λUA0-EA0YA0H0 T)与YA←YA0-γ(λYA0-EA0YA0H0 T)
得到所述本地用户的第二用户聚类信息以及所述本地物品的第二物品聚类信息。
第二联邦推荐合作方基于如下公式：
UB←UB0-γ(λUB0-EB0YB0H0 T)和YB←YB0-γ(λYB0-EB0YB0H0 T)
得到第四用户聚类信息以及第四物品聚类信息。进而根据UA TEAYA计算得到第一梯度，并根据UB TEBYB计算得到第二梯度，第二联邦推荐合作方和所述第一联邦推荐合作方用第一预设公钥分别加密第二梯度与地狱梯度并回传给第三方服务器，第三方服务器汇集加密的第一梯度与第二梯度，并根据公式H←H0-γ(λH0-UA TEAYA-UB TEBYB)更新H，直至更新的H收敛，既满足如下公式：
Figure BDA0002388395130000181
在本实施例中，第三方服务器初始化H后，一直在加密的状态下处理H，因此第三方服务器未获取任何来自第一联邦推荐合作方即合作方A和第二联邦推荐合作方即合作方B的中间数据等，因而确保信息的安全。
本实施例通过生成第一预设公钥和所述第一预设公钥对应第一预设私钥，将所述第一预设公钥发送给所述第三方服务器，以供所述第三方服务器基于所述第一预设公钥对所述第一聚类关系矩阵信息进行加密并发送；将所述第一预设私钥发送给所述第二联邦推荐合作方，以供所述第二联邦推荐合作方在接收加密后的所述第一聚类关系矩阵信息后，基于所述第一预设私钥进行解密，并将基于所述第一预设私钥加密的所述第二梯度发送给所述第三方服务器。由于第三方服务器一直在加密的状态处理数据，因而提升了基于迁移学习的联邦推荐过程的安全性。
进一步地，基于本申请中第一实施例和第二实施例，在基于迁移学习的联邦推荐方法的另一实施例中，所述基于迁移学习的联邦推荐方法应用于第三方服务器，所述基于迁移学习的联邦推荐方法包括：
步骤C1，生成第二预设公钥和所述第二预设公钥对应第二预设私钥，并将所述第二预设私钥分别发送至所述第一联邦推荐合作方以及第二联邦推荐合作方，以供所述第一联邦推荐合作方对第一梯度进行加密，以及所述第二联邦推荐合作方对第二梯度进行加密；
在本实施例中，基于迁移学习的联邦推荐方法应用于第三方服务器，第三方服务器生成第二预设公钥和所述第二预设公钥对应第二预设私钥后，将所述第二预设私钥分别发送至所述第一联邦推荐合作方以及第二联邦推荐合作方，以供所述第一联邦推荐合作方对第一梯度进行加密，以及所述第二联邦推荐合作方对第二梯度进行加密，其中，第三方服务器基于第二预设公钥对第一聚类关系矩阵信息进行加密，并分发给所述第一联邦推荐合作方以及第二联邦推荐合作方，以供所述第一联邦推荐合作方以及所述第二联邦推荐合作方基于第一聚类关系矩阵信息分别得到第一梯度以及第二梯度。
步骤C2，接收所述第一联邦推荐合作方加密发送的所述第一梯度，并接收所述第二联邦推荐合作方加密发送的所述第二梯度，以得到第二聚类关系矩阵信息；
步骤C3，将所述联合的第二聚类关系矩阵信息反馈至所述第一联邦推荐合作方。
在本实施例中，基于所述第一梯度以及所述第二梯度得到第二聚类关系矩阵信息，将所述联合的第二聚类关系矩阵信息反馈至所述第一联邦推荐合作方以及第二联邦推荐合作方。
本实施例通过生成第二预设公钥和所述第二预设公钥对应第二预设私钥，并将所述第二预设私钥分别发送至所述第一联邦推荐合作方以及第二联邦推荐合作方，以供所述第一联邦推荐合作方对第一梯度进行加密，以及所述第二联邦推荐合作方对第二梯度进行加密；接收所述第一联邦推荐合作方加密发送的所述第一梯度，并接收所述第二联邦推荐合作方加密发送的所述第二梯度，以得到第二聚类关系矩阵信息；将所述联合的第二聚类关系矩阵信息反馈至所述第一联邦推荐合作方。在本实施例中，在确保安全的基础上，提升推荐效率。
进一步地，基于本申请中第一实施例、第二实施例和第三实施例，在基于迁移学习的联邦推荐方法的另一实施例中，所述基于迁移学习的联邦推荐方法应用于第二联邦推荐合作方，所述基于迁移学习的联邦推荐方法包括：
步骤D1，接收第一联邦推荐合作方发送的第一聚类关系矩阵信息，获取所述第二联邦推荐合作方本地的第二行为数据，第三用户聚类信息以及第三物品聚类信息；
步骤D2，基于所述第一聚类关系矩阵信息，所述第二行为数据，所述第三用户聚类信息以及所述第三物品聚类信息，迭代执行第二预设随机梯度下降流程，以将所述第二行为数据中的用户添加至所述第三用户聚类信息中后，得到收敛的第四用户聚类信息，并将所述第二行为数据中的物品添加至所述第三物品聚类信息中后，得到收敛的第四物品聚类信息；
步骤D3，基于所述收敛的第四用户聚类信息、所述收敛的第四物品聚类信息以及预设的得到所述收敛的第四用户聚类信息以及所述收敛的第四物品聚类信息过程中的第二预估求解误差，确定第二梯度。
在本实施例中，是基于所述第一聚类关系矩阵信息与第二联邦推荐合作方本地的第二行为数据，第三用户聚类信息以及第三物品聚类信息，得到第二梯度，其过程与得到第一梯度相同，在此不再赘述。
在本实施例中，通过接收第一联邦推荐合作方发送的第一聚类关系矩阵信息，获取所述第二联邦推荐合作方本地的第二行为数据，第三用户聚类信息以及第三物品聚类信息；基于所述第一聚类关系矩阵信息，所述第二行为数据，所述第三用户聚类信息以及所述第三物品聚类信息，迭代执行第二预设随机梯度下降流程，以将所述第二行为数据中的用户添加至所述第三用户聚类信息中后，得到收敛的第四用户聚类信息，并将所述第二行为数据中的物品添加至所述第三物品聚类信息中后，得到收敛的第四物品聚类信息；基于所述收敛的第四用户聚类信息、所述收敛的第四物品聚类信息以及预设的得到所述收敛的第四用户聚类信息以及所述收敛的第四物品聚类信息过程中的第二预估求解误差，确定第二梯度。在本实施例中，由于准确确定第二梯度，为精准推荐奠定基础。
参照图3，图3是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。
如图3所示，该基于迁移学习的联邦推荐设备可以包括：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-volatilememory)，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，该基于迁移学习的联邦推荐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3中示出的基于迁移学习的联邦推荐设备结构并不构成对基于迁移学习的联邦推荐设备的限定，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3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、网络通信模块以及基于迁移学习的联邦推荐程序。操作系统是管理和控制基于迁移学习的联邦推荐设备硬件和软件资源的程序，支持基于迁移学习的联邦推荐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，以及与基于迁移学习的联邦推荐系统中其它硬件和软件之间通信。
在图3所示的基于迁移学习的联邦推荐设备中，处理器1001用于执行存储器1005中存储的基于迁移学习的联邦推荐程序，实现上述任一项所述的基于迁移学习的联邦推荐方法的步骤。
本发明基于迁移学习的联邦推荐设备具体实施方式与上述基于迁移学习的联邦推荐方法各实施例基本相同，在此不再赘述。
本发明还提供一种基于迁移学习的联邦推荐装置，所述基于迁移学习的联邦推荐装置应用于第一联邦推荐合作方，所述基于迁移学习的联邦推荐装置包括：
第一获取模块，用于获取本地用户对本地物品的第一行为数据、本地用户的第一用户聚类信息以及本地物品的第一物品聚类信息；
第二获取模块，用于获取第一聚类关系矩阵信息，基于所述第一聚类关系矩阵信息，所述第一行为数据，所述第一用户聚类信息以及所述第一物品聚类信息，计算得到所述本地用户的第二用户聚类信息以及所述本地物品的第二物品聚类信息，以得到第一梯度，其中，聚类关系矩阵信息用于表示用户的聚类信息和物品的聚类信息之间的关联关系；
第三获取模块，用于获取第二联邦推荐合作方基于所述第一聚类关系矩阵信息得到的第二梯度，根据所述第一梯度与所述第二梯度，得到联合的第二聚类关系矩阵信息；
推荐模块，用于根据联合的所述第二聚类关系矩阵信息，进行精准推荐。
可选地，所述第二获取模块包括：
第一获取单元，用于获取第一聚类关系矩阵信息；
执行单元，用于基于所述第一聚类关系矩阵信息，所述第一行为数据，所述第一用户聚类信息以及所述第一物品聚类信息，迭代执行第一预设随机梯度下降流程，以将所述第一行为数据中的用户添加至所述第一用户聚类信息中后，得到收敛的第二用户聚类信息，并将所述第一行为数据中的物品添加至所述第一物品聚类信息中后，得到收敛的第二用户聚类信息；
确定单元，用于基于所述收敛的第二用户聚类信息、所述收敛的第二用户聚类信息以及预设的得到所述收敛的第二用户聚类信息以及所述收敛的第二用户聚类信息过程中的第一预估求解误差，确定第一梯度。
可选地，所述第二联邦推荐合作方为多个；
所述第三获取模块包括：
第二获取单元，用于获取多个第二联邦推荐合作方分别基于所述第一聚类关系矩阵信息得到多个第二梯度，以获取基于所述多个第二梯度求均值后得到的融合梯度；
第三获取单元，用于基于所述融合梯度对应迭代更新预设模型，直至所述预设模型收敛，获取收敛后的所述预设模型对应的第一收敛梯度，将所述第一收敛梯度对应聚类关系矩阵信息设置为所述联合的第二聚类关系矩阵信息。
可选地，所述第一联邦推荐合作方与第三方服务器进行通信连接；
所述基于迁移学习的联邦推荐装置还包括：
第一生成模块，用于生成第一预设公钥和所述第一预设公钥对应第一预设私钥，将所述第一预设公钥发送给所述第三方服务器，以供所述第三方服务器基于所述第一预设公钥对所述第一聚类关系矩阵信息进行加密并发送；
发送模块，用于将所述第一预设私钥发送给所述第二联邦推荐合作方，以供所述第二联邦推荐合作方在接收加密后的所述第一聚类关系矩阵信息后，基于所述第一预设私钥进行解密，并将基于所述第一预设私钥加密的所述第二梯度发送给所述第三方服务器。
可选地，所述推荐模块包括：
第四获取单元，用于获取所述联合的第二聚类关系矩阵信息与所述本地用户对所述本地物品的评价分值的关联关系，以获取所述本地用户对所述本地物品的评价分值；
推荐单元，用于根据评价分值的高低，进行精准推荐。
本发明还提供一种基于迁移学习的联邦推荐装置，所述基于迁移学习的联邦推荐装置应用于第三方服务器，所述基于迁移学习的联邦推荐装置包括：
第二生成模块，用于生成第二预设公钥和所述第二预设公钥对应第二预设私钥，并将所述第二预设私钥分别发送至所述第一联邦推荐合作方以及第二联邦推荐合作方，以供所述第一联邦推荐合作方对第一梯度进行加密，以及所述第二联邦推荐合作方对第二梯度进行加密；
第一接收模块，用于接收所述第一联邦推荐合作方加密发送的所述第一梯度，并接收所述第二联邦推荐合作方加密发送的所述第二梯度，对所述第一梯度以及所述第二梯度进行迭代训练处理，获得第二收敛梯度，并将所述第二收敛梯度对应聚类关系矩阵信息设置为所述联合的第二聚类关系矩阵信息；
反馈模块，用于将所述联合的第二聚类关系矩阵信息反馈至所述第一联邦推荐合作方。
本发明还提供一种基于迁移学习的联邦推荐装置，所述基于迁移学习的联邦推荐装置应用于第二联邦推荐合作方，所述基于迁移学习的联邦推荐装置包括：
第二接收模块，用于接收第一联邦推荐合作方发送的第一聚类关系矩阵信息，获取所述第二联邦推荐合作方本地的第二行为数据，第三用户聚类信息以及第三物品聚类信息；
执行模块，用于基于所述第一聚类关系矩阵信息，所述第二行为数据，所述第三用户聚类信息以及所述第三物品聚类信息，迭代执行第二预设随机梯度下降流程，以将所述第二行为数据中的用户添加至所述第三用户聚类信息中后，得到收敛的第四用户聚类信息，并将所述第二行为数据中的物品添加至所述第三物品聚类信息中后，得到收敛的第四物品聚类信息；
确定模块，基于所述收敛的第四用户聚类信息、所述收敛的第四物品聚类信息以及预设的得到所述收敛的第四用户聚类信息以及所述收敛的第四物品聚类信息过程中的第二预估求解误差，确定第二梯度。
本发明基于迁移学习的联邦推荐装置的具体实施方式与上述基于迁移学习的联邦推荐方法各实施例基本相同，在此不再赘述。
本发明提供了一种介质，且所述介质为计算机可读存储介质，所述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基于迁移学习的联邦推荐方法的步骤。
本发明介质具体实施方式与上述基于迁移学习的联邦推荐方法各实施例基本相同，在此不再赘述。
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处理范围内。

Claims (11)

1.一种基于迁移学习的联邦推荐方法，其特征在于，所述基于迁移学习的联邦推荐方法应用于第一联邦推荐合作方，所述基于迁移学习的联邦推荐方法包括：
获取本地用户对本地物品的第一行为数据、本地用户的第一用户聚类信息以及本地物品的第一物品聚类信息；
获取第一聚类关系矩阵信息，基于所述第一聚类关系矩阵信息，所述第一行为数据，所述第一用户聚类信息以及所述第一物品聚类信息，计算得到所述本地用户的第二用户聚类信息以及所述本地物品的第二物品聚类信息，以得到第一梯度，其中，聚类关系矩阵信息用于表示用户的聚类信息和物品的聚类信息之间的关联关系；
获取第二联邦推荐合作方基于所述第一聚类关系矩阵信息得到的第二梯度，根据所述第一梯度与所述第二梯度，得到联合的第二聚类关系矩阵信息；
根据联合的所述第二聚类关系矩阵信息，进行精准推荐。
2.如权利要求1所述基于迁移学习的联邦推荐方法，其特征在于，所述获取第一聚类关系矩阵信息，基于所述第一聚类关系矩阵信息，所述第一行为数据，所述第一用户聚类信息以及所述第一物品聚类信息，计算得到所述本地用户的第二用户聚类信息以及所述本地物品的第二物品聚类信息，以得到第一梯度步骤包括：
获取第一聚类关系矩阵信息；
基于所述第一聚类关系矩阵信息，所述第一行为数据，所述第一用户聚类信息以及所述第一物品聚类信息，迭代执行第一预设随机梯度下降流程，以将所述第一行为数据中的用户添加至所述第一用户聚类信息中后，得到收敛的第二用户聚类信息，并将所述第一行为数据中的物品添加至所述第一物品聚类信息中后，得到收敛的第二用户聚类信息；
基于所述收敛的第二用户聚类信息、所述收敛的第二用户聚类信息以及预设的得到所述收敛的第二用户聚类信息以及所述收敛的第二用户聚类信息过程中的第一预估求解误差，确定第一梯度。
3.如权利要求1所述基于迁移学习的联邦推荐方法，其特征在于，所述第二联邦推荐合作方为多个；
所述获取第二联邦推荐合作方基于所述第一聚类关系矩阵信息得到的第二梯度，根据所述第一梯度与所述第二梯度，得到联合的第二聚类关系矩阵信息的步骤包括：
获取多个第二联邦推荐合作方分别基于所述第一聚类关系矩阵信息得到多个第二梯度，以获取基于所述多个第二梯度求均值后得到的融合梯度；
基于所述融合梯度对应迭代更新预设模型，直至所述预设模型收敛，将收敛后的所述预设模型对应的聚类关系矩阵信息设置为所述联合的第二聚类关系矩阵信息。
4.如权利要求1所述基于迁移学习的联邦推荐方法，其特征在于，所述第一联邦推荐合作方与第三方服务器进行通信连接；
所述根据所述第一梯度与所述第二梯度，得到联合的第二聚类关系矩阵信息的步骤之前，所述方法还包括：
生成第一预设公钥和所述第一预设公钥对应第一预设私钥，将所述第一预设公钥发送给所述第三方服务器，以供所述第三方服务器基于所述第一预设公钥对所述第一聚类关系矩阵信息进行加密并发送；
将所述第一预设私钥发送给所述第二联邦推荐合作方，以供所述第二联邦推荐合作方在接收加密后的所述第一聚类关系矩阵信息后，基于所述第一预设私钥进行解密，并将基于所述第一预设私钥加密的所述第二梯度发送给所述第三方服务器。
5.如权利要求1所述基于迁移学习的联邦推荐方法，其特征在于，所述根据所述第一梯度与所述第二梯度，得到联合的第二聚类关系矩阵信息步骤包括：
根据所述第一梯度与所述第二梯度，得到联合的梯度；
根据所述联合的梯度对预设迁移模型进行训练，得到收敛的所述预设迁移模型；
基于收敛后的所述预设迁移模型计算得到联合的第二聚类关系矩阵信息。
6.如权利要求1-5中任一项所述基于迁移学习的联邦推荐方法，其特征在于，所述根据联合的所述第二聚类关系矩阵信息，进行精准推荐步骤包括：
获取所述联合的第二聚类关系矩阵信息与所述本地用户对所述本地物品的评价分值的关联关系，以获取所述本地用户对所述本地物品的评价分值；
根据评价分值的高低，进行精准推荐。
7.一种基于迁移学习的联邦推荐方法，其特征在于，所述基于迁移学习的联邦推荐方法应用于第三方服务器，所述基于迁移学习的联邦推荐方法包括：
生成第二预设公钥和所述第二预设公钥对应第二预设私钥，并将所述第二预设私钥分别发送至所述第一联邦推荐合作方以及第二联邦推荐合作方，以供所述第一联邦推荐合作方对第一梯度进行加密，以及所述第二联邦推荐合作方对第二梯度进行加密；
接收所述第一联邦推荐合作方加密发送的所述第一梯度，并接收所述第二联邦推荐合作方加密发送的所述第二梯度，以得到第二聚类关系矩阵信息；
将所述联合的第二聚类关系矩阵信息反馈至所述第一联邦推荐合作方。
8.一种基于迁移学习的联邦推荐方法，其特征在于，所述基于迁移学习的联邦推荐方法应用于第二联邦推荐合作方，所述基于迁移学习的联邦推荐方法包括：
接收第一联邦推荐合作方发送的第一聚类关系矩阵信息，获取所述第二联邦推荐合作方本地的第二行为数据，第三用户聚类信息以及第三物品聚类信息；
基于所述第一聚类关系矩阵信息，所述第二行为数据，所述第三用户聚类信息以及所述第三物品聚类信息，迭代执行第二预设随机梯度下降流程，以将所述第二行为数据中的用户添加至所述第三用户聚类信息中后，得到收敛的第四用户聚类信息，并将所述第二行为数据中的物品添加至所述第三物品聚类信息中后，得到收敛的第四物品聚类信息；
基于所述收敛的第四用户聚类信息、所述收敛的第四物品聚类信息以及预设的得到所述收敛的第四用户聚类信息以及所述收敛的第四物品聚类信息过程中的第二预估求解误差，确定第二梯度。
9.一种基于迁移学习的联邦推荐装置，其特征在于，所述基于迁移学习的联邦推荐装置应用于第一联邦推荐合作方，所述基于迁移学习的联邦推荐装置包括：
第一获取模块，用于获取本地用户对本地物品的第一行为数据、本地用户的第一用户聚类信息以及本地物品的第一物品聚类信息；
第二获取模块，用于获取第一聚类关系矩阵信息，基于所述第一聚类关系矩阵信息，所述第一行为数据，所述第一用户聚类信息以及所述第一物品聚类信息，计算得到所述本地用户的第二用户聚类信息以及所述本地物品的第二物品聚类信息，以得到第一梯度，其中，聚类关系矩阵信息用于表示用户的聚类信息和物品的聚类信息之间的关联关系；
第三获取模块，用于获取第二联邦推荐合作方基于所述第一聚类关系矩阵信息得到的第二梯度，根据所述第一梯度与所述第二梯度，得到联合的第二聚类关系矩阵信息；
推荐模块，用于根据联合的所述第二聚类关系矩阵信息，进行精准推荐。
10.一种基于迁移学习的联邦推荐设备，其特征在于，所述基于迁移学习的联邦推荐设备包括：存储器、处理器以及存储在存储器上的用于实现所述基于迁移学习的联邦推荐方法的程序，
所述存储器用于存储实现基于迁移学习的联邦推荐方法的程序；
所述处理器用于执行实现所述基于迁移学习的联邦推荐方法的程序，以实现如权利要求1至8中任一项所述基于迁移学习的联邦推荐方法的步骤。
11.一种介质，其特征在于，所述介质上存储有实现基于迁移学习的联邦推荐方法的程序，所述实现基于迁移学习的联邦推荐方法的程序被处理器执行以实现如权利要求1至8中任一项所述基于迁移学习的联邦推荐方法的步骤。
CN202010105419.9A 2020-02-20 2020-02-20 基于迁移学习的联邦推荐方法、装置、设备及介质 Active CN111324812B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010105419.9A CN111324812B (zh) 2020-02-20 2020-02-20 基于迁移学习的联邦推荐方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010105419.9A CN111324812B (zh) 2020-02-20 2020-02-20 基于迁移学习的联邦推荐方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN111324812A true CN111324812A (zh) 2020-06-23
CN111324812B CN111324812B (zh) 2021-02-19

Family

ID=71172785

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010105419.9A Active CN111324812B (zh) 2020-02-20 2020-02-20 基于迁移学习的联邦推荐方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN111324812B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
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
CN112101579A (zh) * 2020-11-18 2020-12-18 杭州趣链科技有限公司 基于联邦学习的机器学习方法、电子装置和存储介质
CN112380439A (zh) * 2020-11-19 2021-02-19 平安科技（深圳）有限公司 目标物推荐方法、装置、电子设备及计算机可读存储介质
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
CN112989208A (zh) * 2021-04-30 2021-06-18 武汉卓尔数字传媒科技有限公司 一种信息推荐方法、装置、电子设备及存储介质
CN113222031A (zh) * 2021-05-19 2021-08-06 浙江大学 基于联邦个性化学习的光刻热区检测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107239993A (zh) * 2017-05-24 2017-10-10 海南大学 一种基于拓展标签的矩阵分解推荐方法及系统
CN107451703A (zh) * 2017-08-31 2017-12-08 杭州师范大学 一种基于因子图模型的社交网络多任务预测方法
CN108647277A (zh) * 2018-05-03 2018-10-12 山东师范大学 一种移动校园综合服务平台及其工作方法
CN109255444A (zh) * 2018-08-10 2019-01-22 深圳前海微众银行股份有限公司 基于迁移学习的联邦建模方法、设备及可读存储介质
CN110020121A (zh) * 2017-10-16 2019-07-16 上海交通大学 基于迁移学习的软件众包项目推荐方法及系统
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
US20190303838A1 (en) * 2018-03-30 2019-10-03 Atlassian Pty Ltd Using a productivity index and collaboration index for validation of recommendation models in federated collaboration systems
CN110378726A (zh) * 2019-07-02 2019-10-25 阿里巴巴集团控股有限公司 一种目标用户的推荐方法、系统以及电子设备
US20190340172A1 (en) * 2018-05-03 2019-11-07 Thomson Reuters Global Resources Unlimited Company Systems and methods for generating a contextually and conversationally correct response to a query
US20200026732A1 (en) * 2016-02-05 2020-01-23 Sas Institute Inc. Many task computing with distributed file system

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200026732A1 (en) * 2016-02-05 2020-01-23 Sas Institute Inc. Many task computing with distributed file system
CN107239993A (zh) * 2017-05-24 2017-10-10 海南大学 一种基于拓展标签的矩阵分解推荐方法及系统
CN107451703A (zh) * 2017-08-31 2017-12-08 杭州师范大学 一种基于因子图模型的社交网络多任务预测方法
CN110020121A (zh) * 2017-10-16 2019-07-16 上海交通大学 基于迁移学习的软件众包项目推荐方法及系统
US20190303838A1 (en) * 2018-03-30 2019-10-03 Atlassian Pty Ltd Using a productivity index and collaboration index for validation of recommendation models in federated collaboration systems
CN108647277A (zh) * 2018-05-03 2018-10-12 山东师范大学 一种移动校园综合服务平台及其工作方法
US20190340172A1 (en) * 2018-05-03 2019-11-07 Thomson Reuters Global Resources Unlimited Company Systems and methods for generating a contextually and conversationally correct response to a query
CN109255444A (zh) * 2018-08-10 2019-01-22 深圳前海微众银行股份有限公司 基于迁移学习的联邦建模方法、设备及可读存储介质
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
CN110378726A (zh) * 2019-07-02 2019-10-25 阿里巴巴集团控股有限公司 一种目标用户的推荐方法、系统以及电子设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SHUFEN WANG等: "BlockFedML:Blockchained Fedrated Machine Learning System", 《2019 INTERATIONAL CONFERENCE ON INTELLIGENCE COMPUTING,AUTOMATION AND SYSTEMS(ICICAS)》 *
王春凯: "联邦学习在保险行业的应用研究", 《保险职业学院学报》 *
贾延延等: "联邦学习在涉密数据处理中的应用", 《中国电子科学研究院学报》 *

Cited By (11)

* Cited by examiner, † Cited by third party
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
WO2022028140A1 (zh) * 2020-08-04 2022-02-10 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
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
CN112449009B (zh) * 2020-11-12 2023-01-10 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
CN112101579A (zh) * 2020-11-18 2020-12-18 杭州趣链科技有限公司 基于联邦学习的机器学习方法、电子装置和存储介质
WO2022105022A1 (zh) * 2020-11-18 2022-05-27 杭州趣链科技有限公司 基于联邦学习的机器学习方法、电子装置和存储介质
CN112380439A (zh) * 2020-11-19 2021-02-19 平安科技（深圳）有限公司 目标物推荐方法、装置、电子设备及计算机可读存储介质
CN112380439B (zh) * 2020-11-19 2024-06-04 平安科技（深圳）有限公司 目标物推荐方法、装置、电子设备及计算机可读存储介质
CN112989208A (zh) * 2021-04-30 2021-06-18 武汉卓尔数字传媒科技有限公司 一种信息推荐方法、装置、电子设备及存储介质
CN112989208B (zh) * 2021-04-30 2021-08-06 武汉卓尔数字传媒科技有限公司 一种信息推荐方法、装置、电子设备及存储介质
CN113222031A (zh) * 2021-05-19 2021-08-06 浙江大学 基于联邦个性化学习的光刻热区检测方法

Also Published As

Publication number Publication date
CN111324812B (zh) 2021-02-19

Similar Documents

Publication Publication Date Title
CN111324812B (zh) 基于迁移学习的联邦推荐方法、装置、设备及介质
US11196541B2 (en) Secure machine learning analytics using homomorphic encryption
CN106202331B (zh) 分层次隐私保护的推荐系统及基于该推荐系统的作业方法
CN108307240B (zh) 视频推荐方法和装置
US20230214684A1 (en) Privacy preserving machine learning using secure multi-party computation
Shu et al. Crossfire: Cross media joint friend and item recommendations
Dakhel et al. A social recommender system using item asymmetric correlation
CN106599194B (zh) 标签确定方法及装置
CN111339412A (zh) 纵向联邦推荐召回方法、装置、设备及可读存储介质
CN111291273A (zh) 推荐系统优化方法、装置、设备及可读存储介质
CN111553744A (zh) 联邦产品推荐方法、装置、设备及计算机存储介质
Feng et al. Practical privacy-preserving high-order bi-lanczos in integrated edge-fog-cloud architecture for cyber-physical-social systems
JP7361928B2 (ja) 勾配ブースティングを介したプライバシーを守る機械学習
CN115766253A (zh) 用于内容准个性化的低熵浏览历史
JP7422892B2 (ja) 分類の正確さを改善するための機械学習モデリングデータの処理
CN109471978A (zh) 一种电子资源推荐方法及装置
US20220405407A1 (en) Privacy preserving cross-domain machine learning
Karimi et al. Exploiting the characteristics of matrix factorization for active learning in recommender systems
JP2023528140A (ja) コンテンツの配信と分析のためのプライバシーを守る機械学習
IL280057A (en) Maintaining privacy in machine learning classification
US20150371241A1 (en) User identification through subspace clustering
CN111553742A (zh) 联邦产品推荐方法、装置、设备及计算机存储介质
Cao et al. T-FedHA: A Trusted Hierarchical Asynchronous Federated Learning Framework for Internet of Things
CN110175283B (zh) 一种推荐模型的生成方法及装置
CN111553743A (zh) 联邦产品推荐方法、装置、设备及计算机存储介质

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