CN111324813A - 推荐方法、装置、设备及计算机可读存储介质 - Google Patents
推荐方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111324813A CN111324813A CN202010107651.6A CN202010107651A CN111324813A CN 111324813 A CN111324813 A CN 111324813A CN 202010107651 A CN202010107651 A CN 202010107651A CN 111324813 A CN111324813 A CN 111324813A
- Authority
- CN
- China
- Prior art keywords
- data
- recommendation
- parameters
- party
- recommending
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000004891 communication Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
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
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明公开了一种推荐方法，包括以下步骤：在接收到推荐请求时，获取所述推荐请求对应的推荐方数据，将所述推荐方数据输入参数模型，获得所述推荐方数据对应的推荐参数；发送所述推荐参数至联邦数据交换组件，以供所述联邦数据交换组件在多个数据方终端获取所述推荐参数对应的数据方参数，并反馈所述数据方参数；基于所述推荐参数以及所述数据方参数，通过推荐模块进行训练，以获得所述推荐请求对应的推荐结果。本发明还公开了一种推荐装置、设备及计算机可读存储介质。本发明通过与数据方终端的数据联合进行推荐，使得用以推荐的数据集的特征数提高，从而提高推荐性能。
Description
技术领域
本发明涉及数据处理领域，尤其涉及一种推荐方法、装置、设备及计算机可读存储介质。
背景技术
目前，随着电子商务规模的不断扩大，商品个数和种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。为了解决这些问题，个性化推荐系统应运而生。
个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。个性化推荐系统提供了一种基于用户数据进行物品推荐的能力。这种能力依赖于用户数据，数据集样本数越大、每个样本特征越多，在其他条件不变的情况下，能够训练出来的模型的性能越好，推荐的结果也就越可能被用户接受。
但是，由于推荐服务提供商一般利用自有用户数据建立个性化推荐系统，单方的数据丰富程度有限，无法使训练出来的模型达到最好的性能，进而导致推荐性能低。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种推荐方法、装置、设备及计算机可读存储介质，旨在解决采用单方数据的个性化推荐系统推荐性能低的技术问题。
为实现上述目的，本发明提供一种推荐方法，所述推荐方法包括以下步骤：
在接收到推荐请求时，获取所述推荐请求对应的推荐方数据，将所述推荐方数据输入参数模型，获得所述推荐方数据对应的推荐参数；
发送所述推荐参数至联邦数据交换组件，以供所述联邦数据交换组件在多个数据方终端获取所述推荐参数对应的数据方参数，并反馈所述数据方参数；
基于所述推荐参数以及所述数据方参数，通过推荐模块进行训练，以获得所述推荐请求对应的推荐结果。
进一步地，所述发送所述推荐参数至联邦数据交换组件，以供所述联邦数据交换组件在多个数据方终端获取所述推荐参数对应的数据方参数，并反馈所述数据方参数的步骤包括：
发送所述推荐参数至联邦数据交换组件，其中，所述联邦数据交换组件将所述推荐参数转发至多个数据方终端，各个所述数据方终端将查询到的所述推荐参对应的数据方数据输入参数模型，获得所述数据方数据对应的数据方参数，并将数据方参数发送至联邦数据交换组件，联邦数据交换组件反馈接收到的所述数据方参数。
进一步地，所述发送所述推荐参数至联邦数据交换组件，其中，所述联邦数据交换组件将所述推荐参数转发至多个数据方终端的步骤包括：
发送所述推荐参数至联邦数据交换组件，其中，所述联邦数据交换组件基于所述推荐参数对应的样本标识在多个数据方终端中确定目标数据方终端，并将所述推荐参数转发至所述目标数据方终端，以供所述目标数据方终端反馈所述数据方参数。
进一步地，所述发送所述推荐参数至联邦数据交换组件的步骤之后，还包括：
接收联邦数据交换组件反馈的不存在数据方参数的提示信息，其中，所述联邦数据交换组件多个数据方终端中不存在目标数据方终端时，反馈所述提示信息；
将所述推荐参数输入召回模型，以获得召回数据，并将所述召回数据输入排序模型，得到训练后的排序模型；
将所述推荐参数输入训练后的排序模型，以获得所述推荐结果。
进一步地，所述基于所述推荐参数以及所述数据方参数，通过推荐模块进行训练，以获得所述推荐请求对应的推荐列表的步骤包括：
基于数据方参数进行推荐模型训练，以获得训练后的推荐模型；
基于训练后的推荐模型，训练所述推荐参数，以获得所述推荐结果。
进一步地，推荐方法还包括：
在接收到扩展信息时，所述联邦数据交换组件基于所述扩展信息为扩展信息对应的新增终端分配数据接口，并基于所述第一数据接口建立与所述新增终端的通信连接；
其中，所述扩展信息包括推荐方扩展信息或数据方扩展信息，所述新增终端包括推荐方终端或推荐方终端。
进一步地，所述在接收到推荐请求时，获取所述推荐请求对应的推荐方数据的步骤包括：
在接收到推荐请求时，获取所述推荐请求对应的推荐方身份信息；
对所述推荐方身份信息进行验证；
在所述推荐方身份信息验证通过时，获取所述推荐请求对应的推荐方数据。
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：
获取模块，用于在接收到推荐请求时，获取所述推荐请求对应的推荐方数据，获取所述推荐请求对应的推荐方数据，将所述推荐方数据输入参数模型，获得所述推荐方数据对应的推荐参数；
发送模块，用于发送所述推荐参数至联邦数据交换组件，以供所述联邦数据交换组件在多个数据方终端获取所述推荐参数对应的数据方参数，并反馈所述数据方参数；
推荐模块，用于基于所述推荐参数以及所述数据方参数，通过推荐模块进行训练，以获得所述推荐请求对应的推荐结果。
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上述的推荐方法的步骤。
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推荐程序，所述推荐程序被处理器执行时实现上述的推荐方法的步骤。
本发明通过在接收到推荐请求时，获取所述推荐请求对应的推荐方数据，将所述推荐方数据输入参数模型，获得所述推荐方数据对应的推荐参数；接着发送所述推荐参数至联邦数据交换组件，以供所述联邦数据交换组件在多个数据方终端获取所述推荐参数对应的数据方参数，并反馈所述数据方参数；而后基于所述推荐参数以及所述数据方参数，通过推荐模块进行训练，以获得所述推荐请求对应的推荐结果，通过与数据方终端的数据联合进行推荐，使得用以推荐的数据集的特征数提高，从而提高推荐性能，同时，通过仅传输推荐(数据方)参数而无需传输推荐方数据以及数据方数据，进而在保护推荐方终端以及数据方终端对应的用户隐私前提下实现数据交互，提高用户数据的安全性。
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推荐设备的结构示意图；
图2为本发明推荐方法第一实施例的流程示意图；
图3为本发明一实施例中的个性化推荐系统架构示意图；
图4为本发明又一实施例中的个性化推荐系统架构示意图；
图5为本发明另一实施例中的个性化推荐系统架构示意图，
图6为本发明再一实施例中的个性化推荐系统架构示意图；
图7为本发明推荐装置的功能模块示意图。
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。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的推荐设备的结构示意图。
本发明实施例推荐设备可以是PC，也可以是智能手机、平板电脑、电子书阅读器、MP3(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、便携计算机等具有显示功能的可移动式终端设备。
如图1所示，该推荐设备可以包括：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，推荐设备还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别推荐设备姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，推荐设备还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
本领域技术人员可以理解，图1中示出的推荐设备结构并不构成对推荐设备的限定，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所示的推荐设备中，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中存储的推荐程序。
在本实施例中，推荐设备包括：存储器1005、处理器1001及存储在所述存储器1005上并可在所述处理器1001上运行的推荐程序，其中，处理器1001调用存储器1005中存储的推荐程序时，并执行以下各个实施例中推荐方法的步骤。
本发明还提供一种推荐方法，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。
该推荐方法包括：
步骤S100，在接收到推荐请求时，获取所述推荐请求对应的推荐方数据，将所述推荐方数据输入参数模型，获得所述推荐方数据对应的推荐参数；
在本实施例中，该推荐方法可应用于云服务器或推荐方终端，在该推荐方法应用于云服务器时，用户通过推荐方终端触发推荐请求，推荐方终端将该推荐请求发送至云服务器，在该推荐方法应用于推荐方终端时，用户可通过推荐方终端触发推荐请求。
在接收到推荐请求时，获取所述推荐请求对应的推荐方数据，例如，推荐请求中携带该推荐方数据，通过解析该推荐请求得到该推荐方数据，而后将推荐方数据输入参数模型，获得所述推荐方数据对应的推荐参数，其中推荐参数可报考推荐数据中各个数据的标识信息等，例如，推荐方数据为多个物品时，该推荐参数可以为各个物品的标识信息。
步骤S200，发送所述推荐参数至联邦数据交换组件，以供所述联邦数据交换组件在多个数据方终端获取所述推荐参数对应的数据方参数，并反馈所述数据方参数；
本实施例中，在获得推荐参数时，发送该推荐参数至联邦数据交换组件其中，联邦数据交换组件分别与推荐方终端(或者云服务器)以及数据方终端通信连接，联邦数据交换组件根据该推荐参数在多个数据方终端获取所述推荐参数对应的数据方参数，并反馈所述数据方参数。
在一实施例中，该步骤S200包括：
发送所述推荐参数至联邦数据交换组件，其中，所述联邦数据交换组件将所述推荐参数转发至多个数据方终端，各个所述数据方终端将查询到的所述推荐参对应的数据方数据输入参数模型，获得所述数据方数据对应的数据方参数，并将数据方参数发送至联邦数据交换组件，联邦数据交换组件反馈接收到的所述数据方参数。
又一实施例中，该步骤S200包括：
发送所述推荐参数至联邦数据交换组件，其中，所述联邦数据交换组件基于所述推荐参数对应的样本标识在多个数据方终端中确定目标数据方终端，并将所述推荐参数转发至所述目标数据方终端，以供所述目标数据方终端反馈所述数据方参数。
在得到推荐参数时，可将推荐参数发送至联邦数据交换组件，联邦数据交换组件根据该推荐参数在多个数据方终端获取数据方参数，例如，联邦数据交换组件获取推荐参数对应的数据标识(推荐参数中各个参数的标识信息)，将数据标识发送至多个数据方终端，各个数据方终端根据该数据标识查询的自身数据，得到推荐参数对应的数据方数据，并将数据方数据输入值参数模型以获得数据方数据对应的数据方子参数，其中数据方数据的数据标识与推荐参数的数据标识相同，联邦数据交换组件根据各个数据方子参数进行整合得到数据方参数，或者，联邦数据交换组件中存储有各个数据方终端的数据标识，联邦数据交换组件确定数据方终端的数据标识中包括推荐方数据的数据标识的目标数据方终端，并将推荐方数据的数据标识发送至目标数据方终端，以使目标数据方终端反馈数据方子数据，联邦数据交换组件根据各个数据方子参数进行整合得到数据方参数。其中，数据方参数包括各个推荐参数中的参数以及对应的排序，在推荐方数据为各个物品时，数据方参数包括各个物品的标识信息以及各个标识信息对应的排序等。
步骤S300，基于所述推荐参数以及所述数据方参数，通过推荐模块进行训练，以获得所述推荐请求对应的推荐结果。
本实施例中国，在获取到数据方参数时，基于所述推荐参数以及数据方参数，通过推荐模型进行预测，以获得推荐结果，具体的，根据数据方参数进行推荐模型训练，以获得训练后的推荐模型，而后基于训练后的推荐模型，训练推荐参数，以获得推荐结果，进而根据多方的数据得到推荐结果，提升个性化推荐系统的推荐性能。
其中，推荐结果可以为各个推荐参数的排序列表，或者将各个推荐参数的排序列表中排序靠前的预设个数的参数作为排序结果。
参照图3，图3为本发明一实施例中的个性化推荐系统架构示意图，该个性化推荐系统架构包括：
联邦数据交换组件Fate Exchange，联邦数据交换组件用于推荐方终端(或云服务器)与数据方终端之间的非明文数据交换；
推荐方终端，推荐方终端可以包含1至n个，n为某个大于1的正整数。在推荐方法应用于推荐方终端时，推荐方终端安装有本实施推荐方法对应的推荐系统；在推荐方法应用于云服务器时，云服务器安装有本实施推荐方法对应的推荐系统，云服务器设有与各个推荐方终端通信连接的数据接口。图3中，推荐方法应用于推荐方终端，各个推荐方终端均安装有推荐系统。
推荐系统包含：
Data模块，用于存储推荐方的单方数据，即推荐方数据；
Fate Guest模块，联邦学习客户端组件，用于推荐算法的联合训练和联合预测；
Rec推荐服务，用于收集用户数据、调用推荐算法、向用户提供推荐服务；
数据方(数据方终端)，可以包含1至n个，n为某个大于1的正整数。
其中，每个数据方包含：
Data，存储数据方的单方数据
Fate Host，联邦学习宿主端组件，用于推荐算法的联合训练和联合预测。
参照图4，图4为本发明又一实施例中的个性化推荐系统架构示意图，图4中，推荐方法应用于推荐方终端，各个推荐方终端均安装有推荐系统。该个性化推荐系统架构包括：
推荐方(终端)包括：客户层，接入层，服务层、数据层以及算法层；其中，
客户层包括客户1至n，该客户层为需要推荐服务的客户系统，n为某个大于1的正整数，该客户层发起推荐请求。
接入层包括：权限控制：用以对客户进行身份认证；数据接口：用以接收数据；推荐接口：接收推荐请求，并返回推荐结果；
服务层：数据处理：处理数据；推荐服务：执行推荐逻辑，包括召回、排序；
算法层包括单方算法模块以及联邦算法模块；其中，
单方算法模块：当推荐方的样本id在数据方的样本id不存在时，需要训练一个单方的算法，单方算法模块包括：数据上传：上传数据；任务调度：调度算法训练；Tensorflow：训练算法，包括召回算法和排序算法；Tf Serving:用算法进行预测；
联邦算法模块：当推荐方的样本id在数据方的样本id存在时，训练联邦推荐算法，利用算法进行预测，包括：Data Access:数据上传；Fate Guest:发起模型训练；FateServing:利用算法进行预测；Fate Proxy：与Fate Exchange进行数据非明文交换；
数据层包括：DB1至DBn：分别用以存储单方数据(推荐方数据)。
数据方(终端)包括算法层以及数据层，其中，
算法层包括：Data Access:数据上传，数据查询；Fate Host:模型训练；
数据层包括：DB：数据存储；Data Service：数据服务，与Data Access交互。
本实施例中，推荐方法应用于云服务器，即推荐系统部署在云服务器，云服务器为多个推荐方终端提供接口，接收各个推荐方终端发送的推荐请求。并在通过推荐模型进行预测得到推荐结果时，发送所述推荐结果之所述推荐请求对应的推荐方终端，完成推荐流程。
参照图5，推荐系统部署在某个云服务器，例如，图5中不规则图形区域内的系统以接口的形式，云服务器向客户(推荐方终端)提供推荐服务；此时，推荐方终端需要上传的推荐方数据为在一个组织(云服务器)内的隐私保护数据。通过与数据方终端的数据联合，使得可以用以推荐的数据集的特征数提高，从而提高推荐性能。
本实施例中，参照图6，推荐方法应用于推荐方终端，推荐系统部署在各个推荐方终端(客户系统)，例如，图6中不规则图形区域内的系统；推荐方终端以非明文方式发送推荐方数据至所述联邦数据交换组件，此时，客户的数据(推荐方数据)不出客户系统，只需以非明文的方式与Fate Exchenge进行交互，提高推荐方数据的安全性，通过与数据方终端的数据联合，使得可以用以推荐的数据集的特征数提高，从而提高推荐性能。
进一步地，在一实施例中，该推荐方法还包括：
在接收到扩展信息时，基于所述扩展信息为扩展信息对应的新增终端分配数据接口，并基于所述第一数据接口建立与所述新增终端的通信连接；
其中，所述扩展信息包括推荐方扩展信息或数据方扩展信息，所述新增终端包括推荐方终端或推荐方终端。
具体的，本实施中的推荐方法对应的系统框架中的数据方(终端)可扩展，联邦数据交换组件在接收到新的数据方的数据方扩展信息时，基于该数据方扩展信息为该数据方分配对应的数据接口，并基于该数据接口建立联邦数据交换组件与新的数据方的通信连接，进而使得数据方数量越多，特征越多，推荐性能越好。
本实施中的推荐方法对应的系统框架中推荐方可扩展，具体的，联邦数据交换组件在接收到新的推荐方的推荐方扩展信息时，基于该推荐方扩展信息为该推荐方分配对应的数据接口，并基于该数据接口建立联邦数据交换组件与新的推荐方的通信连接，进而能够同时为多个推荐方终端提供推荐功能。
本实施例提出的推荐方法，通过在接收到推荐请求时，获取所述推荐请求对应的推荐方数据，将所述推荐方数据输入参数模型，获得所述推荐方数据对应的推荐参数；接着发送所述推荐参数至联邦数据交换组件，以供所述联邦数据交换组件在多个数据方终端获取所述推荐参数对应的数据方参数，并反馈所述数据方参数；而后基于所述推荐参数以及所述数据方参数，通过推荐模块进行训练，以获得所述推荐请求对应的推荐结果，通过与数据方终端的数据联合进行推荐，使得用以推荐的数据集的特征数提高，从而提高推荐性能，同时，通过仅传输推荐(数据方)参数而无需传输推荐方数据以及数据方数据，进而在保护推荐方终端以及数据方终端对应的用户隐私前提下实现数据交互，提高用户数据的安全性。
基于第一实施例，提出本发明推荐方法的第二实施例，在本实施例中，步骤S300包括：
步骤S310，基于数据方参数进行推荐模型训练，以获得训练后的推荐模型；
步骤S320，基于训练后的推荐模型，训练所述推荐参数，以获得所述推荐结果。
本实施例中，在获取到数据方参数时，通过数据方参数进行推荐模型训练，即将数据方参数输入值推荐模型，以获得训练后的推荐模型，并基于训练后的推荐模型，训练所述推荐参数，将推荐参数输入值训练后的推荐模型，以获得推荐结果，通过与数据方终端的数据联合进行推荐，使得用以推荐的数据集的特征数提高，从而提高推荐性能。
本实施例提出的推荐方法，通过基于数据方参数进行推荐模型训练，以获得训练后的推荐模型；接着基于训练后的推荐模型，训练所述推荐参数，以获得所述推荐结果，通过与数据方终端的数据联合进行推荐，使得用以推荐的数据集的特征数提高，从而提高推荐性能。
基于第一实施例，提出本发明推荐方法的第三实施例，在本实施例中，步骤S200之后，还包括：
步骤S400，接收联邦数据交换组件反馈的不存在数据方参数的提示信息，其中，所述联邦数据交换组件多个数据方终端中不存在目标数据方终端时，反馈所述提示信息；
步骤S500，将所述推荐参数输入召回模型，以获得召回数据，并将所述召回数据输入排序模型，得到训练后的排序模型；
步骤S600，将所述推荐参数输入训练后的排序模型，以获得所述推荐结果。
本实施例中，云服务器或者数据方终端需要将推荐参数发送至联邦数据交换组件，在得到推荐参数时，联邦数据交换组件获取推荐参数对应的样本标识，并确定数据方终端的样本标识中是否存在所述推荐方数据对应的样本标识。
具体的，联邦数据交换组件获取推荐参数的数据标识后，将数据标识发送至多个数据方终端，各个数据方终端确定其自身数据的数据标识中是否存在推荐方数据的数据标识，并反馈结果至联邦数据交换组件。
或者，联邦数据交换组件中存储有各个数据方终端的数据标识，联邦数据交换组件确定数据方终端的数据标识中是否包括推荐方数据的数据标识的目标数据方终端。
在联邦数据交换组件确定数据方终端的样本标识中不存在所述推荐参数对应的样本标识时，反馈所述提示信息，推荐方终端或者云服务器接收联邦数据交换组件反馈的不存在目标数据方终端的提示信息
而后，通过召回模型训练推荐参数，将推荐参数输入召回模型，以获得召回数据；基于召回数据训练排序模型，将所述召回数据输入排序模型，得到训练后的排序模型；基于训练后的排序模型对所述推荐参数进行预测，即将推荐参数输入值训练后的排序模型中，以获得预测结果。
本实施例提出的推荐方法，通过接收联邦数据交换组件反馈的不存在数据方参数的提示信息，其中，所述联邦数据交换组件多个数据方终端中不存在目标数据方终端时，反馈所述提示信息；接着将所述推荐参数输入召回模型，以获得召回数据，并将所述召回数据输入排序模型，得到训练后的排序模型；而后将所述推荐参数输入训练后的排序模型，以获得所述推荐结果，以实现在无法得到数据方数据时进行单方数据推荐，进而提升用户体验。
基于上述各个实施例，提出本发明推荐方法的第四实施例，在本实施例中，步骤S100包括：
步骤S110，在接收到推荐请求时，获取所述推荐请求对应的推荐方身份信息；
步骤S120，对所述推荐方身份信息进行验证；
步骤S130，在所述推荐方身份信息验证通过时，获取所述推荐请求对应的推荐方数据。
本实施例中，在接收到推荐请求时，获取所述推荐请求对应的推荐方身份信息；而后对所述推荐方身份信息进行验证，例如，查询授权用户信息中是否存在推荐方身份信息，若存在，则验证通过；通过对推荐方进行身份验证，提升信息推荐的安全性，进而提升数据方数据的安全性。
本实施例提出的推荐方法，通过在接收到推荐请求时，获取所述推荐请求对应的推荐方身份信息；接着对所述推荐方身份信息进行验证；而后在所述推荐方身份信息验证通过时，获取所述推荐请求对应的推荐方数据，通过对推荐方进行身份验证，提升信息推荐的安全性，进而提升数据方数据的安全性。
本发明实施例还提供一种推荐装置，参照图7，所述推荐装置包括：
获取模块100，用于在接收到推荐请求时，获取所述推荐请求对应的推荐方数据，获取所述推荐请求对应的推荐方数据，将所述推荐方数据输入参数模型，获得所述推荐方数据对应的推荐参数；
发送模块200，用于发送所述推荐参数至联邦数据交换组件，以供所述联邦数据交换组件在多个数据方终端获取所述推荐参数对应的数据方参数，并反馈所述数据方参数；
推荐模块300，用于基于所述推荐参数以及所述数据方参数，通过推荐模块进行训练，以获得所述推荐请求对应的推荐结果。
可选地，发送模块200还用于：
发送所述推荐参数至联邦数据交换组件，其中，所述联邦数据交换组件将所述推荐参数转发至多个数据方终端，各个所述数据方终端将查询到的所述推荐参对应的数据方数据输入参数模型，获得所述数据方数据对应的数据方参数，并将数据方参数发送至联邦数据交换组件，联邦数据交换组件反馈接收到的所述数据方参数；
可选地，发送模块200还用于：
发送所述推荐参数至联邦数据交换组件，其中，所述联邦数据交换组件基于所述推荐参数对应的样本标识在多个数据方终端中确定目标数据方终端，并将所述推荐参数转发至所述目标数据方终端，以供所述目标数据方终端反馈所述数据方参数。
可选地，推荐装置还包括：
接收联邦数据交换组件反馈的不存在数据方参数的提示信息，其中，所述联邦数据交换组件多个数据方终端中不存在目标数据方终端时，反馈所述提示信息；
将所述推荐参数输入召回模型，以获得召回数据，并将所述召回数据输入排序模型，得到训练后的排序模型；
将所述推荐参数输入训练后的排序模型，以获得所述推荐结果。
可选地，推荐模块300还用于：
基于数据方参数进行推荐模型训练，以获得训练后的推荐模型；
基于训练后的推荐模型，训练所述推荐参数，以获得所述推荐结果。
可选地，推荐装置还用于：
在接收到扩展信息时，所述联邦数据交换组件基于所述扩展信息为扩展信息对应的新增终端分配数据接口，并基于所述第一数据接口建立与所述新增终端的通信连接；
其中，所述扩展信息包括推荐方扩展信息或数据方扩展信息，所述新增终端包括推荐方终端或推荐方终端。
可选地，推荐装置还用于：
可选地，获取模块100还用于：
在接收到推荐请求时，获取所述推荐请求对应的推荐方身份信息；
对所述推荐方身份信息进行验证；
在所述推荐方身份信息验证通过时，获取所述推荐请求对应的推荐方数据。
上述各程序模块所执行的方法可参照本发明推荐方法各个实施例，此处不再赘述。
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推荐程序，所述推荐程序被处理器执行时实现如上所述的推荐方法的步骤。
其中，在所述处理器上运行的脚本调用程序被执行时所实现的方法可参照本发明推荐方法各个实施例，此处不再赘述。
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)
1.一种推荐方法，其特征在于，所述推荐方法包括以下步骤：
在接收到推荐请求时，获取所述推荐请求对应的推荐方数据，将所述推荐方数据输入参数模型，获得所述推荐方数据对应的推荐参数；
发送所述推荐参数至联邦数据交换组件，以供所述联邦数据交换组件在多个数据方终端获取所述推荐参数对应的数据方参数，并反馈所述数据方参数；
基于所述推荐参数以及所述数据方参数，通过推荐模块进行训练，以获得所述推荐请求对应的推荐结果。
2.如权利要求1所述的推荐方法，其特征在于，所述发送所述推荐参数至联邦数据交换组件，以供所述联邦数据交换组件在多个数据方终端获取所述推荐参数对应的数据方参数，并反馈所述数据方参数的步骤包括：
发送所述推荐参数至联邦数据交换组件，其中，所述联邦数据交换组件将所述推荐参数转发至多个数据方终端，各个所述数据方终端将查询到的所述推荐参对应的数据方数据输入参数模型，获得所述数据方数据对应的数据方参数，并将数据方参数发送至联邦数据交换组件，联邦数据交换组件反馈接收到的所述数据方参数。
3.如权利要求2所述的推荐方法，其特征在于，所述发送所述推荐参数至联邦数据交换组件，其中，所述联邦数据交换组件将所述推荐参数转发至多个数据方终端的步骤包括：
发送所述推荐参数至联邦数据交换组件，其中，所述联邦数据交换组件基于所述推荐参数对应的样本标识在多个数据方终端中确定目标数据方终端，并将所述推荐参数转发至所述目标数据方终端，以供所述目标数据方终端反馈所述数据方参数。
4.如权利要求3所述的推荐方法，其特征在于，所述发送所述推荐参数至联邦数据交换组件的步骤之后，还包括：
接收联邦数据交换组件反馈的不存在数据方参数的提示信息，其中，所述联邦数据交换组件多个数据方终端中不存在目标数据方终端时，反馈所述提示信息；
将所述推荐参数输入召回模型，以获得召回数据，并将所述召回数据输入排序模型，得到训练后的排序模型；
将所述推荐参数输入训练后的排序模型，以获得所述推荐结果。
5.如权利要求1所述的推荐方法，其特征在于，所述基于所述推荐参数以及所述数据方参数，通过推荐模块进行训练，以获得所述推荐请求对应的推荐列表的步骤包括：
基于数据方参数进行推荐模型训练，以获得训练后的推荐模型；
基于训练后的推荐模型，训练所述推荐参数，以获得所述推荐结果。
6.如权利要求1所述的推荐方法，其特征在于，推荐方法还包括：
在接收到扩展信息时，所述联邦数据交换组件基于所述扩展信息为扩展信息对应的新增终端分配数据接口，并基于所述第一数据接口建立与所述新增终端的通信连接；
其中，所述扩展信息包括推荐方扩展信息或数据方扩展信息，所述新增终端包括推荐方终端或推荐方终端。
7.如权利要求1至6任一项所述的推荐方法，其特征在于，所述在接收到推荐请求时，获取所述推荐请求对应的推荐方数据的步骤包括：
在接收到推荐请求时，获取所述推荐请求对应的推荐方身份信息；
对所述推荐方身份信息进行验证；
在所述推荐方身份信息验证通过时，获取所述推荐请求对应的推荐方数据。
8.一种推荐装置，其特征在于，所述推荐装置包括：
获取模块，用于在接收到推荐请求时，获取所述推荐请求对应的推荐方数据，获取所述推荐请求对应的推荐方数据，将所述推荐方数据输入参数模型，获得所述推荐方数据对应的推荐参数；
发送模块，用于发送所述推荐参数至联邦数据交换组件，以供所述联邦数据交换组件在多个数据方终端获取所述推荐参数对应的数据方参数，并反馈所述数据方参数；
推荐模块，用于基于所述推荐参数以及所述数据方参数，通过推荐模块进行训练，以获得所述推荐请求对应的推荐结果。
9.一种推荐设备，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7中任一项所述的推荐方法的步骤。
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7中任一项所述的推荐方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010107651.6A CN111324813A (zh) | 2020-02-20 | 2020-02-20 | 推荐方法、装置、设备及计算机可读存储介质 |
| PCT/CN2020/134031 WO2021164376A1 (zh) | 2020-02-20 | 2020-12-04 | 推荐方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010107651.6A CN111324813A (zh) | 2020-02-20 | 2020-02-20 | 推荐方法、装置、设备及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111324813A true CN111324813A (zh) | 2020-06-23 |
Family
ID=71163497
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010107651.6A Pending CN111324813A (zh) | 2020-02-20 | 2020-02-20 | 推荐方法、装置、设备及计算机可读存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111324813A (zh) |
| WO (1) | WO2021164376A1 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112507219A (zh) * | 2020-12-07 | 2021-03-16 | 中国人民大学 | 一种基于联邦学习增强隐私保护的个性化搜索系统 |
| WO2021164376A1 (zh) * | 2020-02-20 | 2021-08-26 | 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 |
| CN113761336A (zh) * | 2020-11-23 | 2021-12-07 | 京东城市(北京)数字科技有限公司 | 信息推荐方法、装置、设备及存储介质 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115022316B (zh) * | 2022-05-20 | 2023-08-11 | 阿里巴巴（中国）有限公司 | 端云协同数据处理系统、方法、设备及计算机存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180089587A1 (en) * | 2016-09-26 | 2018-03-29 | Google Inc. | Systems and Methods for Communication Efficient Distributed Mean Estimation |
| CN108509534A (zh) * | 2018-03-15 | 2018-09-07 | 华南理工大学 | 基于深度学习的个性化音乐推荐系统及其实现方法 |
| CN108830689A (zh) * | 2018-06-13 | 2018-11-16 | 深圳乐信软件技术有限公司 | 物品推荐方法、装置、服务器和存储介质 |
| 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 |
| CN110442796A (zh) * | 2019-08-14 | 2019-11-12 | 北京思维造物信息科技股份有限公司 | 一种推荐策略分桶方法、装置及设备 |
| CN110457581A (zh) * | 2019-08-02 | 2019-11-15 | 达而观信息科技（上海）有限公司 | 一种资讯推荐方法、装置、电子设备及存储介质 |
| CN110489644A (zh) * | 2019-08-13 | 2019-11-22 | 腾讯科技（北京）有限公司 | 信息推送方法、装置、计算机可读存储介质和计算机设备 |
| CN110516161A (zh) * | 2019-08-30 | 2019-11-29 | 深圳前海微众银行股份有限公司 | 一种推荐方法及装置 |
| CN110598044A (zh) * | 2019-08-01 | 2019-12-20 | 达而观信息科技（上海）有限公司 | 一种基于用户点击和转化时长反馈的协同召回方法 |
| CN110674416A (zh) * | 2019-09-20 | 2020-01-10 | 北京小米移动软件有限公司 | 游戏推荐方法及装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11151992B2 (en) * | 2017-04-06 | 2021-10-19 | AIBrain Corporation | Context aware interactive robot |
| CN110110229B (zh) * | 2019-04-25 | 2021-06-04 | 深圳前海微众银行股份有限公司 | 一种信息推荐方法及装置 |
| 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 |
-
2020
- 2020-02-20 CN CN202010107651.6A patent/CN111324813A/zh active Pending
- 2020-12-04 WO PCT/CN2020/134031 patent/WO2021164376A1/zh active Application Filing
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180089587A1 (en) * | 2016-09-26 | 2018-03-29 | Google Inc. | Systems and Methods for Communication Efficient Distributed Mean Estimation |
| CN108509534A (zh) * | 2018-03-15 | 2018-09-07 | 华南理工大学 | 基于深度学习的个性化音乐推荐系统及其实现方法 |
| CN108830689A (zh) * | 2018-06-13 | 2018-11-16 | 深圳乐信软件技术有限公司 | 物品推荐方法、装置、服务器和存储介质 |
| 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 |
| CN110598044A (zh) * | 2019-08-01 | 2019-12-20 | 达而观信息科技（上海）有限公司 | 一种基于用户点击和转化时长反馈的协同召回方法 |
| CN110457581A (zh) * | 2019-08-02 | 2019-11-15 | 达而观信息科技（上海）有限公司 | 一种资讯推荐方法、装置、电子设备及存储介质 |
| CN110489644A (zh) * | 2019-08-13 | 2019-11-22 | 腾讯科技（北京）有限公司 | 信息推送方法、装置、计算机可读存储介质和计算机设备 |
| CN110442796A (zh) * | 2019-08-14 | 2019-11-12 | 北京思维造物信息科技股份有限公司 | 一种推荐策略分桶方法、装置及设备 |
| CN110516161A (zh) * | 2019-08-30 | 2019-11-29 | 深圳前海微众银行股份有限公司 | 一种推荐方法及装置 |
| CN110674416A (zh) * | 2019-09-20 | 2020-01-10 | 北京小米移动软件有限公司 | 游戏推荐方法及装置 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021164376A1 (zh) * | 2020-02-20 | 2021-08-26 | 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 |
| CN113761336A (zh) * | 2020-11-23 | 2021-12-07 | 京东城市(北京)数字科技有限公司 | 信息推荐方法、装置、设备及存储介质 |
| WO2022105407A1 (zh) * | 2020-11-23 | 2022-05-27 | 京东城市(北京)数字科技有限公司 | 信息推荐方法、装置、设备及存储介质 |
| CN113761336B (zh) * | 2020-11-23 | 2024-09-20 | 京东城市(北京)数字科技有限公司 | 信息推荐方法、装置、设备及存储介质 |
| CN112507219A (zh) * | 2020-12-07 | 2021-03-16 | 中国人民大学 | 一种基于联邦学习增强隐私保护的个性化搜索系统 |
| CN112507219B (zh) * | 2020-12-07 | 2023-06-02 | 中国人民大学 | 一种基于联邦学习增强隐私保护的个性化搜索系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021164376A1 (zh) | 2021-08-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111324813A (zh) | 推荐方法、装置、设备及计算机可读存储介质 | |
| CN108562024B (zh) | 多联机空调系统的集控方法、系统及计算机可读存储介质 | |
| CN111582505A (zh) | 联邦建模方法、装置、设备及计算机可读存储介质 | |
| CN107679072B (zh) | 用户行为信息采集方法、终端及存储介质 | |
| CN108401026B (zh) | 基于区块链的数据存储方法、系统及计算机可读存储介质 | |
| CN112100431B (zh) | Ocr系统的评估方法、装置、设备及可读存储介质 | |
| CN112052960A (zh) | 纵向联邦建模方法、装置、设备及计算机可读存储介质 | |
| CN111935802A (zh) | 设备配网方法、装置及计算机可读存储介质 | |
| CN111090866A (zh) | 应用权限管理方法、移动终端以及计算机可读存储介质 | |
| CN111369301A (zh) | 一种交易评价的方法、装置及终端 | |
| CN109729582B (zh) | 信息交互方法、装置及计算机可读存储介质 | |
| CN115017340A (zh) | 多媒体资源生成方法、装置、电子设备及存储介质 | |
| CN110650051A (zh) | 自助终端监测方法、系统及计算机可读存储介质 | |
| CN115774824A (zh) | 数据处理方法、装置、设备及计算机可读存储介质 | |
| CN113128801B (zh) | 一种车辆资源管理方法、装置、终端设备及存储介质 | |
| US20230007008A1 (en) | Systems and methods for secure selection of a user profile in a shared context | |
| CN110704498A (zh) | 数据提取方法、装置、设备及计算机可读存储介质 | |
| CN113037868A (zh) | 跨境店铺登录方法、装置、设备及计算机可读存储介质 | |
| CN111339196B (zh) | 基于区块链的数据处理方法、系统及计算机可读存储介质 | |
| CN114416254A (zh) | 名片展示方法、智能终端及存储介质 | |
| US11334745B2 (en) | Electronic device and method for providing service information related to broadcast content in electronic device | |
| CN110390486B (zh) | 图书管理方法、装置以及计算机可读存储介质 | |
| CN111641756A (zh) | 诈骗识别方法、装置及计算机可读存储介质 | |
| CN111954164B (zh) | 设备配网方法、装置及计算机可读存储介质 | |
| CN110753340B (zh) | Vsim信息分享方法、系统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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200623 |
|
| RJ01 | Rejection of invention patent application after publication |