CN111339412A - 纵向联邦推荐召回方法、装置、设备及可读存储介质 - Google Patents
纵向联邦推荐召回方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN111339412A CN111339412A CN202010110290.0A CN202010110290A CN111339412A CN 111339412 A CN111339412 A CN 111339412A CN 202010110290 A CN202010110290 A CN 202010110290A CN 111339412 A CN111339412 A CN 111339412A
- Authority
- CN
- China
- Prior art keywords
- user
- preset
- predicted
- recommended
- prediction model
- 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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种纵向联邦推荐召回方法、装置、设备和可读存储介质,所述纵向联邦推荐召回方法应用于第一设备,所述纵向联邦推荐召回方法包括:获取用户行为数据矩阵,并基于所述用户行为数据矩阵,通过执行预设纵向联邦流程,对预设待训练预测模型进行迭代训练,获得推荐物品预测模型;当接收到预测请求时,提取所述预测请求对应待预测用户数据,并将所述待预测用户数据输入至推荐物品预测模型中,获得用户特征表示集和物品特征表示集;基于所述用户特征表示和所述物品特征表示,生成所述待预测用户数据对应的物品召回集。本申请解决现有技术中存在推荐系统难以准确推荐物品给用户,致使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,尤其涉及一种纵向联邦推荐召回方法、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。
也即,随着计算机软件和人工智能的不断发展,推荐系统在工业界被广泛应用,并取得了巨大的成功,然而,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,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,现有技术中存在推荐系统难以准确推荐物品给用户,致使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纵向联邦推荐召回方法、装置、设备和可读存储介质,旨在解决现有技术中存在推荐系统难以准确推荐物品给用户,致使推荐系统推荐效果差的技术问题。
为实现上述目的,本申请提供一种纵向联邦推荐召回方法,所述纵向联邦推荐召回方法应用于第一设备或者对应纵向联邦推荐召回设备,所述纵向联邦推荐召回方法包括:
当接收到预测请求时,提取所述预测请求对应待预测用户数据,并将所述待预测用户数据输入至推荐物品预测模型中,获得用户特征表示集和物品特征表示集,其中,所述推荐物品预测模型为基于用户行为数据矩阵通过执行预设纵向联邦流程,对预设待训练预测模型进行迭代训练得到的;
基于所述用户特征表示和所述物品特征表示,生成所述待预测用户数据对应的物品召回集。
可选地,所述当接收到预测请求时,提取所述预测请求对应待预测用户数据,并将所述待预测用户数据输入至推荐物品预测模型中步骤之前包括:
获取用户行为数据矩阵,并基于所述用户行为数据矩阵,通过执行预设纵向联邦流程,对预设待训练预测模型进行迭代训练,得到所述推荐物品预测模型。
可选地,所述获取用户行为数据矩阵,并基于所述用户行为数据矩阵,通过执行预设纵向联邦流程,对预设待训练预测模型进行迭代训练,得到所述推荐物品预测模型的步骤包括:
基于所述用户行为数据矩阵,对所述预设待训练预测模型进行迭代训练,以训练更新所述预设待训练预测模型的模型变量,其中,所述模型变量包括初始用户特征表示变量和初始物品特征表示变量;
判断迭代训练的所述待预测模型是否达到预设替换更新条件,若所述待训练预测模型达到预设替换更新条件,则通过执行所述预设纵向联邦流程,对训练更新的所述初始用户特征表示变量进行替换更新,获得替换更新的所述预设待训练预测模型;
持续对替换更新的所述预设待训练预测模型进行迭代训练和替换更新,直至所述预设待训练模型满足预设训练完成条件,获得所述推荐物品预测模型。
可选地,所述通过执行所述预设纵向联邦流程,对训练更新的所述初始用户特征表示变量进行替换更新,获得替换更新的所述预设待训练预测模型的步骤包括:
将训练更新的所述初始用户特征表示变量加密发送至与所述第一设备关联的第二设备,以供所述第二设备对多个其他所述第一设备发送的初始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反馈至各所述第一设备;
接收所述第二设备反馈的所述聚合用户特征表示变量,并将训练更新的所述初始用户特征表示变量替换更新为所述聚合用户特征表示变量,获得替换更新的所述预设待训练预测模型。
可选地,所述待预测用户数据包括待推荐物品候选集,所述用户特征表示集包括一个或者多个用户特征表示,所述物品特征表示集包括一个或者多个物品特征表示,
所述基于所述用户特征表示和所述物品特征表示,生成所述待预测用户数据对应的物品召回集的步骤包括:
计算各所述用户特征表示和各所述物品特征表示的内积,获得所述待预测用户对所述待推荐物品候选集中各物品的点击概率;
基于所述点击概率,对所述待推荐物品集中各所述物品进行排序,获得待推荐物品列表;
在所述待推荐物品列表中选取所述物品召回集。
可选地,所述待预测用户数据包括待预测用户ID和待推荐物品候选集,
所述将所述待预测用户数据输入所述推荐物品预测模型,获得用户特征表示集和物品特征表示集的步骤包括:
分别将所述待预测用户ID和所述待推荐物品候选集输入所述推荐物品预测模型,以在预设本地数据库中提取所述待预测用户ID对应的所述用户特征表示集和所述待推荐物品候选集对应的物品特征表示集。
可选地,所述待预测用户数据包括待预测用户评分数据和待推荐物品候选集,
所述将所述待预测用户数据输入所述推荐物品预测模型,获得用户特征表示集和物品特征表示集的步骤包括:
将所述待预测用户评分数据输入所述推荐物品预测模型,以构建所述待预测用户评分数据对应的用户相似数据,并生成所述用户相似数据对应的所述用户特征表示集;
在预设本地数据库中提取所述待推荐物品候选集对应的所述物品特征表示集。
为实现上述目的,本申请还提供一种纵向联邦推荐召回方法,所述纵向联邦推荐召回方法应用于第二设备或者对应纵向联邦推荐召回设备,所述纵向联邦推荐召回方法包括:
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多个第一设备,以供各所述第一设备基于所述密钥对各自的初始用户特征表示变量进行加密;
接收各所述第一设备加密发送的初始用户特征表示变量,并对各所述初始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;
将所述聚合用户特征表示变量反馈至各所述第一设备,以供各所述第一设备对各自的预设待训练预测模型进行迭代训练。
本申请还提供一种纵向联邦推荐召回装置,所述纵向联邦推荐召回装置为虚拟装置,且应用于第一设备或者所述纵向联邦推荐召回装置应用于纵向联邦推荐召回设备,所述纵向联邦推荐召回装置包括:
提取模块,用于当接收到预测请求时,提取所述预测请求对应待预测用户数据,并将所述待预测用户数据输入至推荐物品预测模型中,获得用户特征表示集和物品特征表示集,其中,所述推荐物品预测模型为基于用户行为数据矩阵通过执行预设纵向联邦流程,对预设待训练预测模型进行迭代训练得到的;
生成模块,用于基于所述用户特征表示和所述物品特征表示,生成所述待预测用户数据对应的物品召回集。
可选地,所述纵向联邦推荐召回装置还包括:
获取用户行为数据矩阵,并基于所述用户行为数据矩阵,通过执行预设纵向联邦流程,对预设待训练预测模型进行迭代训练,得到所述推荐物品预测模型。
可选地,所述获取模块包括:
第一训练单元,用于基于所述用户行为数据矩阵,对所述预设待训练预测模型进行迭代训练,以训练更新所述预设待训练预测模型的模型变量,其中,所述模型变量包括初始用户特征表示变量和初始物品特征表示变量;
判断单元,用于判断迭代训练的所述待预测模型是否达到预设替换更新条件,若所述待训练预测模型达到预设替换更新条件,则通过执行所述预设纵向联邦流程,对训练更新的所述初始用户特征表示变量进行替换更新,获得替换更新的所述预设待训练预测模型;
第二训练单元,用于持续对替换更新的所述预设待训练预测模型进行迭代训练和替换更新,直至所述预设待训练模型满足预设训练完成条件,获得所述推荐物品预测模型。
可选地,所述判断单元包括:
发送子单元,用于将训练更新的所述初始用户特征表示变量加密发送至与所述第一设备关联的第二设备,以供所述第二设备对多个其他所述第一设备发送的初始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反馈至各所述第一设备;
接收子单元,用于接收所述第二设备反馈的所述聚合用户特征表示变量,并将训练更新的所述初始用户特征表示变量替换更新为所述聚合用户特征表示变量,获得替换更新的所述预设待训练预测模型。
可选地,所述待预测用户数据包括待推荐物品候选集,所述用户特征表示集包括一个或者多个用户特征表示,所述物品特征表示集包括一个或者多个物品特征表示,
所述生成模块包括:
计算单元,用于计算各所述用户特征表示和各所述物品特征表示的内积,获得所述待预测用户对所述待推荐物品候选集中各物品的点击概率;
排序单元,用于基于所述点击概率,对所述待推荐物品集中各所述物品进行排序,获得待推荐物品列表;
在所述待推荐物品列表中选取所述物品召回集。
可选地,所述待预测用户数据包括待预测用户ID和待推荐物品候选集,
所述提取模块包括:
输入单元,用于分别将所述待预测用户ID和所述待推荐物品候选集输入所述推荐物品预测模型,以在预设本地数据库中提取所述待预测用户ID对应的所述用户特征表示集和所述待推荐物品候选集对应的物品特征表示集。
可选地,所述待预测用户数据包括待预测用户评分数据和待推荐物品候选集,
所述输入单元包括:
输入子单元,用于将所述待预测用户评分数据输入所述推荐物品预测模型,以构建所述待预测用户评分数据对应的用户相似数据,并生成所述用户相似数据对应的所述用户特征表示集;
提取子单元,用于在预设本地数据库中提取所述待推荐物品候选集对应的所述物品特征表示集。
为实现上述目的,本申请还提供一种纵向联邦推荐召回装置,所述纵向联邦推荐召回装置应用于第二设备或者对应纵向联邦推荐召回设备,所述纵向联邦推荐召回装置包括:
发送模块,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多个第一设备,以供各所述第一设备基于所述密钥对各自的初始用户特征表示变量进行加密;
接收模块,用于接收各所述第一设备加密发送的初始用户特征表示变量,并对各所述初始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;
反馈模块,用于将所述聚合用户特征表示变量反馈至各所述第一设备,以供各所述第一设备对各自的预设待训练预测模型进行迭代训练。
本申请还提供一种纵向联邦推荐召回设备,所述纵向联邦推荐召回设备为实体设备,所述纵向联邦推荐召回设备包括: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纵向联邦推荐召回方法的程序,所述纵向联邦推荐召回方法的程序被处理器执行时可实现如上述的纵向联邦推荐召回方法的步骤。
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上述纵向联邦推荐召回方法的程序,所述纵向联邦推荐召回方法的程序被处理器执行时实现如上述的纵向联邦推荐召回方法的步骤。
本申请通过当接收到预测请求时,提取所述预测请求对应待预测用户数据,并将所述待预测用户数据输入至推荐物品预测模型中,获得用户特征表示集和物品特征表示集,其中,所述推荐物品预测模型为基于用户行为数据矩阵通过执行预设纵向联邦流程,对预设待训练预测模型进行迭代训练得到的;基于所述用户特征表示和所述物品特征表示,生成所述待预测用户数据对应的物品召回集。也即,本申请提供了一种基于纵向联邦的个性化推荐方法,该方法通过获取用户行为数据矩阵(用户对物品的购买等行为),并通过执行预设纵向联邦流程(可联合多方数据进行迭代训练,进而实现了基于海量数据准确构建推荐系统的目的,提高推荐效果),对预设待训练预测模型进行迭代训练,准确获得推荐物品预测模型,因而,当接收到预测请求时,提取所述预测请求对应待预测用户数据后,通过将所述待预测用户数据输入所述推荐物品预测模型,准确获得用户特征表示集(表示待预测用户与模型中已有的用户之间的相似关系)和物品特征表示集(表示模型中已有用户对物品的喜爱程度),即可对应生成所述待预测用户数据对应的物品召回集(准确获取需要推荐给待预测用户的物品),也即,在本申请中,避免了由于训练样本数据过少而导致难以准确推荐物品给用户,致使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为本申请纵向联邦推荐召回方法第一实施例的流程示意图;
图2为本申请纵向联邦推荐召回方法第二实施例的流程示意图;
图3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纵向联邦推荐召回方法,在本申请纵向联邦推荐召回方法的第一实施例中,所述纵向联邦推荐召回方法应用于第一设备,参照图1,所述纵向联邦推荐召回方法包括:
步骤S10,当接收到预测请求时,提取所述预测请求对应待预测用户数据,并将所述待预测用户数据输入至推荐物品预测模型中,获得用户特征表示集和物品特征表示集,其中,所述推荐物品预测模型为基于用户行为数据矩阵通过执行预设纵向联邦流程,对预设待训练预测模型进行迭代训练得到的;
步骤S20,基于所述用户特征表示和所述物品特征表示,生成所述待预测用户数据对应的物品召回集。
具体步骤如下:
步骤S10,当接收到预测请求时,提取所述预测请求对应待预测用户数据,并将所述待预测用户数据输入至推荐物品预测模型中,获得用户特征表示集和物品特征表示集,其中,所述推荐物品预测模型为基于用户行为数据矩阵通过执行预设纵向联邦流程,对预设待训练预测模型进行迭代训练得到的;
在本实施例中,需要说明的是,首先获取第一设备的用户行为数据矩阵,具体地,用户行为数据矩阵指的是该第一设备的目标用户对第一设备的物品的购买、点击数据等构成的矩阵,所述目标用户包括用户A、用户B等,所述物品包括看过的电影、购买过的商品、点击过的网页内容等。需要说明的是,通过所述用户行为数据矩阵,可以得到目标用户到物品的第一类型数据,和某一目标用户到其他目标用户的第二类型数据(通过用户行为数据矩阵分解以及运算即可得到),其中,第一类型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,第二类型数据记录了目标用户关于其他目标用户的数据,例如,目标用户与其他目标用户共同点击某一网页的次数、目标用户与其他目标用户看过的相同电影的数量等,需要说明的是,在本实施例中,某一目标用户对物品的行为数据(物品特征表示)可用一串实数进行表示,即所述物品特征表示可唯一的表示对某一事物的行为,例如,推荐系统中的一篇新闻的点击行为等,所述物品特征表示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020000000000000,且表示目标用户对于某一网页的点击量为20次,则可设置物品特征表示为实数20,以表示用户对于某一网页的点击量为20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。
所述当接收到预测请求时,提取所述预测请求对应待预测用户数据,并将所述待预测用户数据输入至推荐物品预测模型中步骤之前包括:
步骤S01,获取用户行为数据矩阵,并基于所述用户行为数据矩阵,通过执行预设纵向联邦流程,对预设待训练预测模型进行迭代训练,得到所述推荐物品预测模型。
在得到用户行为数据矩阵后,基于所述用户行为数据矩阵(具体地,第一类型数据与第二类型数据),通过执行预设纵向联邦流程,对预设待训练预测模型进行迭代训练,获得推荐物品预测模型,所述推荐物品预测模型通过基于预设纵向联邦流程对预设待训练预测模型进行迭代训练而得到,具体地,从预设本地数据库中提取包括第一类型数据和第二类型数据,进而分别将所述第一类型数据(可以分为训练第一类型子数据和测试第一类型子数据,以进行测试和训练)和第二类型数据(可以分为训练第二类型子数据和测试第二类型子数据,以进行测试和训练)输入至预设待训练预测模型,以进行所述预设纵向联邦流程(只针对第一类型数据,这是纵向联邦实质确定的),以联合多方数据进行迭代训练而获得推荐物品预测模型。
参照图2,所述当接收到预测请求时,提取所述预测请求对应待预测用户数据,并将所述待预测用户数据输入至推荐物品预测模型中,获得用户特征表示集和物品特征表示集步骤之前包括:
步骤S11,基于所述用户行为数据矩阵,对所述预设待训练预测模型进行迭代训练,以训练更新所述预设待训练预测模型的模型变量,其中,所述模型变量包括初始用户特征表示变量和初始物品特征表示变量;
具体地,在本实施例中,第一设备与其他第一设备通信连接,且预设纵向联邦流程需要第一设备与该其他第一设备共同参与(第一设备与其他第一设备的物品不同,但是可以具有共同的用户),而模型变量包括初始用户特征表示变量和初始物品特征表示变量,因而,通过执行预设纵向联邦流程,对所述预设待训练预测模型进行迭代训练包括:基于其他第一设备与第一设备共同训练初始用户特征表示变量,而初始物品特征表示变量只是基于第一设备进行训练,在本实施例中,对所述预设待训练预测模型进行迭代训练的方法包括但不限于梯度下降法。
步骤S12,判断迭代训练的所述待预测模型是否达到预设替换更新条件,若所述待训练预测模型达到预设替换更新条件,则通过执行所述预设纵向联邦流程,对训练更新的所述初始用户特征表示变量进行替换更新,获得替换更新的所述预设待训练预测模型;
需要说明的是,所述预设替换更新条件包括达到第一迭代次数阈值、达到第一训练轮数阈值等,在本实施例中,若训练后的所述预设待训练预测模型达到所述预设替换更新条件,则通过执行所述预设纵向联邦流程,对训练更新的所述初始用户特征表示变量进行替换更新,获得替换更新的所述预设待训练预测模型,具体地,对训练更新的所述初始用户特征表示变量进行替换更新包括:获取其他第一设备的对应其他初始用户特征表示变量,进而基于其他第一设备的其他初始用户特征表示变量,与第一设备的初始用户特征表示变量得到聚合用户特征表示变量,在得到聚合用户特征表示变量后,则基于所述聚合用户特征表示变量,对所述第一设备的所述用户特征表示变量进行替换更新,具体地,若所述预设待训练预测模型达到所述预设替换更新条件,则直接将所述预设待训练预测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,若所述预设待训练预测模型未达到所述预设替换更新条件,则对所述预设待训练预测模型进行迭代训练,直至所述预设待训练预测模型达到所述预设替换更新条件,需要说明的是,在本实施例中,所述初始物品特征表示变量也是一直在基于第一设备本地的用户行为数据矩阵进行迭代更新的。
需要说明的是,聚合用户特征表示变量的获得可以是在第一设备中,其他第一设备中。
步骤S13,持续对替换更新的所述预设待训练预测模型进行迭代训练和替换更新,直至所述预设待训练模型满足预设训练完成条件,获得所述推荐物品预测模型。
在本实施例中,基于替换更新后的所述用户特征表示变量,重新进行对所述预设待训练预测模型的迭代训练和是否达到所述预设替换更新条件的判断,直至所述预设待训练预测模型达到预设训练完成条件,预设训练完成条件包括达到第二迭代次数阈值、达到第二训练轮数阈值等。具体地,重新进行所述预设待训练预测模型的迭代训练,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,并持续进行所述预设待训练预测模型是否达到所述预设替换更新条件的判断,且若所述预设待训练预测模型达到所述预设替换更新条件,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,直至所述预设待训练预测模型达到预设训练完成条件,获得所述推荐物品预测模型,例如,假设所述预设替换更新条件为迭代次数达到1000次,则所述预设待训练预测模型每进行1000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,以接收基于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,并将所述预设待训练预测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。
其中,需要说明的是,在本实施例中,推荐物品预测模型由于是基于记录了目标用户关于物品的数据的第一类型数据,与记录了目标用户关于其他目标用户的数据的第二类型数据训练得到初始用户特征表示变量和初始物品特征表示变量,因而,在训练完成后,推荐物品预测模型能够准确确定用户与用户之间的相似关系或者相似度结果(可以用评分1表示),以及用户与物品之间的映射关系(可以用评分2表示)。
步骤S20,当接收到预测请求时,提取所述预测请求对应待预测用户数据,并将所述待预测用户数据输入至推荐物品预测模型中,获得用户特征表示集和物品特征表示集;
在训练完成推荐物品预测模型后,当接收到预测请求时,提取所述预测请求对应待预测用户数据,并将所述待预测用户数据输入至推荐物品预测模型中,获得用户特征表示集和物品特征表示集,其中,用户特征表示集包括待预测用户数据中用户与模型的各个目标用户之间的相似关系或者相似度结果,物品特征表示集包括一个或者多个物品特征表示(包括目标用户对物品的评分)等。
所述待预测用户数据包括待预测用户评分数据和待推荐物品候选集,
所述将所述待预测用户数据输入所述推荐物品预测模型,获得用户特征表示集和物品特征表示集的步骤包括:
步骤S21,将所述待预测用户评分数据输入所述推荐物品预测模型,以构建所述待预测用户评分数据对应的用户相似数据,并生成所述用户相似数据对应的所述用户特征表示集;
在本实施例中,待预测用户不是推荐物品预测模型中的目标用户,也即,待预测用户是新增用户,因而,获取所述待预测用户评分数据,所述待预测用户评分数据包括待预测用户对物品的评分等,将所述待预测用户评分数据输入所述推荐物品预测模型后,得到所述待预测用户对应与推荐物品预测模型中目标用户的用户相似性,以生成所述用户相似数据对应的所述用户特征表示集,如待预测用户a与推荐物品预测模型中目标用户b1的相似性评分为0.9分,待预测用户a与推荐物品预测模型中目标用户b2的相似性评分为0.8分,该0.9分与0.8分构成用户特征表示集。也即,在本实施例中,获得每个目标用户与待预测用户的用户相似性,组成用户特征表示集。
步骤S22,在预设本地数据库中提取所述待推荐物品候选集对应的所述物品特征表示集。
在本实施例中,在预设本地数据库中提取所述待推荐物品候选集对应的所述物品特征表示集,也即,从预设本地数据库中直接查询提取得到目标用户对所述待推荐物品候选集的评分等构成的物品特征表示集。
进一步地,所述待预测用户数据包括待预测用户ID和待推荐物品候选集,
所述将所述待预测用户数据输入所述推荐物品预测模型,获得用户特征表示集和物品特征表示集的步骤包括:
步骤S23,分别将所述待预测用户ID和所述待推荐物品候选集输入所述推荐物品预测模型,以在预设本地数据库中提取所述待预测用户ID对应的所述用户特征表示集和所述待推荐物品候选集对应的物品特征表示集。
在本实施例中,待预测用户可以是推荐物品预测模型中的目标用户(本实施例为给目标用户推荐物品),也即,所述待预测用户数据包括待预测用户ID(推荐物品预测模型中的目标用户)和待推荐物品候选集,因而,分别将所述待预测用户ID和所述待推荐物品候选集输入至所述推荐物品预测模型,以在预设本地数据库中直接查询提取得到所述待预测用户ID对应的所述用户特征表示集和所述待推荐物品候选集对应的物品特征表示集。具体地,可以获取待预测用户ID外其他目标用户与待预测用户ID对应的相似性,并获取待预测用户ID外其他目标用户对物品的评分等。
步骤S30,基于所述用户特征表示和所述物品特征表示,生成所述待预测用户数据对应的物品召回集。
在本实施例中,基于所述用户特征表示和所述物品特征表示,生成所述待预测用户数据对应的物品召回集,也即,基于所述用户特征表示和所述物品特征表示,获取需要推荐给待预测用户的物品,以将所述待预测用户感兴趣的物品推荐给所述待预测用户。
具体地,所述待预测用户数据包括待推荐物品候选集,所述待预测用户数据对应待预测用户,所述用户特征表示集包括一个或者多个用户特征表示,所述物品特征表示集包括一个或者多个物品特征表示,
所述基于所述用户特征表示和所述物品特征表示,生成所述待预测用户数据对应的物品召回集的步骤包括:
步骤S31,计算各所述用户特征表示和各所述物品特征表示的内积,获得所述待预测用户对所述待推荐物品候选集中各物品的点击概率;
在本实施例中,计算各所述用户特征表示和各所述物品特征表示的内积,所述内积为一种向量运算,例如,假设所述用户特征表示为(f,e,g),所述物品特征表示为(A,B,C),则所述用户特征表示和所述物品特征表示的内积为Af+Be+Cg。计算各所述用户特征表示和各所述物品特征表示的内积后,即可获得所述待预测用户对所述待推荐物品候选集中各物品(物品)的点击概率或者喜爱概率。例如,若a用户与目标用户b2的相似性评分为0.9,目标用户b2对待推荐物品候选集中某物品的评分为0.8,则点击概率为0.9*0.8=0.72,例如,若a用户与目标用户b1的相似性评分为0.9,目标用户b1对待推荐物品候选集中某物品的评分为0.7,则点击概率为0.9*0.7=0.63。
步骤S32,基于所述点击概率,对所述待推荐物品集中各所述物品进行排序,获得待推荐物品列表;
基于所述点击概率,对所述待推荐物品集中各所述物品(物品)进行排序,获得待推荐物品列表,具体地,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,假设用户包括相似用户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列表。
步骤S33,在所述待推荐物品列表中选取所述物品召回集。
在所述待推荐物品列表中选取物品召回集或者将待推荐物品列表中物品作为物品召回集中的物品,并基于预存的待预测用户的相关信息,通过广告、邮件、短信、电话等方式向所述待预测用户推荐所述待推荐物品。
本申请通过当接收到预测请求时,提取所述预测请求对应待预测用户数据,并将所述待预测用户数据输入至推荐物品预测模型中,获得用户特征表示集和物品特征表示集,其中,所述推荐物品预测模型为基于用户行为数据矩阵通过执行预设纵向联邦流程,对预设待训练预测模型进行迭代训练得到的;基于所述用户特征表示和所述物品特征表示,生成所述待预测用户数据对应的物品召回集。也即,本申请提供了一种基于纵向联邦的个性化推荐方法,该方法通过获取用户行为数据矩阵(用户对物品的购买等行为),并通过执行预设纵向联邦流程(可联合多方数据进行迭代训练,进而实现了基于海量数据准确构建推荐系统的目的,提高推荐效果),对预设待训练预测模型进行迭代训练,准确获得推荐物品预测模型,因而,当接收到预测请求时,提取所述预测请求对应待预测用户数据后,通过将所述待预测用户数据输入所述推荐物品预测模型,准确获得用户特征表示集(表示待预测用户与模型中已有的用户之间的相似关系)和物品特征表示集(表示模型中已有用户对物品的喜爱程度),即可对应生成所述待预测用户数据对应的物品召回集(准确获取需要推荐给待预测用户的物品),也即,在本申请中,避免了由于训练样本数据过少而导致难以准确推荐物品给用户,致使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,所述纵向联邦推荐召回方法应用于第一设备,
所述通过执行所述预设纵向联邦流程,对训练更新的所述初始用户特征表示变量进行替换更新,获得替换更新的所述预设待训练预测模型的步骤包括:
步骤S121,将训练更新的所述初始用户特征表示变量加密发送至与所述第一设备关联的第二设备,以供所述第二设备对多个其他所述第一设备发送的初始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反馈至各所述第一设备;
在本实施例中,引入第二设备,其中,所述第二设备与所述第一设备与多个其他第一设备与通信连接,即所述第一设备与多个其他第一设备可通过所述第二设备进行纵向联邦,也即,第一设备与其他第一设备均包括所述预设待训练预测模型,以得到初始用户特征表示变量(或者训练用户特征表示变量)以及多个其他初始用户特征表示变量(或者多个其他训练用户特征表示变量),第二设备对所述第一设备发送的初始用户特征表示变量与其他第一设备发送的其他初始用户特征表示变量进行聚合处理,或者第二设备对所述第一设备发送的训练用户特征表示变量与其他第一设备发送的其他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反馈至各所述第一设备与其他第一设备。
在本实施例中,需要说明的是,在得到初始用户特征表示变量与其他初始用户特征表示变量后,或者在得到训练用户特征表示变量与其他训练用户特征表示变量后,基于获取的预设密钥(可以为预设公钥),加密发送至所述第二设备,以供所述第二设备经过聚合处理后生成聚合用户特征表示变量,其中,所述聚合处理包括求平均、求交集、求并集等。
步骤S122,接收所述第二设备反馈的所述聚合用户特征表示变量,并将训练更新的所述初始用户特征表示变量替换更新为所述聚合用户特征表示变量,获得替换更新的所述预设待训练预测模型。
在本实施例中,需要说明的是,用户特征表示变量(包括聚合用户特征表示变量)在所述预设待训练预测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。
接收所述第二设备反馈的所述聚合用户特征表示变量,并将训练更新的所述初始用户特征表示变量替换更新为所述聚合用户特征表示变量,获得替换更新的所述预设待训练预测模型,具体地,第一设备基于预设公钥对应的预设私钥,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,进而判断所述预设待训练预测模型是否达到预设替换更新条件,其中,所述预设替换更新条件包括达到第一迭代次数阈值、达到第一训练轮数阈值等,进而若所述预设待训练预测模型达到预设替换更新条件,则将所述预设待训练预测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,直至所述预设待训练预测模型达到训练完成条件,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。
本实施例通过将训练更新的所述初始用户特征表示变量加密发送至与所述第一设备关联的第二设备,以供所述第二设备对多个其他所述第一设备发送的初始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反馈至各所述第一设备;接收所述第二设备反馈的所述聚合用户特征表示变量,并将训练更新的所述初始用户特征表示变量替换更新为所述聚合用户特征表示变量,获得替换更新的所述预设待训练预测模型,在本申请中,通过第二设备在加密状态下进行聚合处理,得到聚合用户特征表示变量,因而,在提升推荐效果的同时,提升推荐过程中的安全性。
进一步地,参照图3,基于本申请中第一实施例和第二实施例,所述纵向联邦推荐召回方法应用于第二设备,所述纵向联邦推荐召回方法包括:
步骤A10,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多个第一设备,以供各所述第一设备基于所述密钥对各自的初始用户特征表示变量进行加密;
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(可以包括预设公钥或者对应预设私钥)可以由所述第二设备随机生成,并将所述密钥分别发送至与所述第二设备关联的多个第一设备,以供各所述第一设备基于所述密钥对各自的初始用户特征表示变量进行加密。
步骤A20,接收各所述第一设备加密发送的初始用户特征表示变量,并对各所述初始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;
A30,将所述聚合用户特征表示变量反馈至各所述第一设备,以供各所述第一设备对各自的预设待训练预测模型进行迭代训练。
在本实施例中,需要说明的是,聚合处理包括求平均、求交集等。
接收各所述第一设备加密发送的初始用户特征表示变量(包括其他第一设备的其他初始用户特征表示变量),并对各所述初始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,将所述聚合用户特征表示变量反馈至各所述第一设备,以供各所述第一设备对各自的预设待训练预测模型进行迭代训练。即对各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,以供训练。
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多个第一设备,以供各所述第一设备基于所述密钥对各自的初始用户特征表示变量进行加密;接收各所述第一设备加密发送的初始用户特征表示变量,并对各所述初始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;将所述聚合用户特征表示变量反馈至各所述第一设备,以供各所述第一设备对各自的预设待训练预测模型进行迭代训练。本实施例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。
参照图3,图3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3所示,该纵向联邦推荐召回设备可以包括: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,该纵向联邦推荐召回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中示出的纵向联邦推荐召回设备结构并不构成对纵向联邦推荐召回设备的限定,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、网络通信模块以及纵向联邦推荐召回程序。操作系统是管理和控制纵向联邦推荐召回设备硬件和软件资源的程序,支持纵向联邦推荐召回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,以及与纵向联邦推荐召回系统中其它硬件和软件之间通信。
在图3所示的纵向联邦推荐召回设备中,处理器1001用于执行存储器1005中存储的纵向联邦推荐召回程序,实现上述任一项所述的纵向联邦推荐召回方法的步骤。
本申请纵向联邦推荐召回设备具体实施方式与上述纵向联邦推荐召回方法各实施例基本相同,在此不再赘述。
本申请还提供一种纵向联邦推荐召回装置,所述纵向联邦推荐召回装置为虚拟装置,且应用于第一设备或者所述纵向联邦推荐召回装置应用于纵向联邦推荐召回设备,所述纵向联邦推荐召回装置包括:
提取模块,用于当接收到预测请求时,提取所述预测请求对应待预测用户数据,并将所述待预测用户数据输入至推荐物品预测模型中,获得用户特征表示集和物品特征表示集,其中,所述推荐物品预测模型为基于用户行为数据矩阵通过执行预设纵向联邦流程,对预设待训练预测模型进行迭代训练得到的;
生成模块,用于基于所述用户特征表示和所述物品特征表示,生成所述待预测用户数据对应的物品召回集。
可选地,所述纵向联邦推荐召回装置还包括:
获取用户行为数据矩阵,并基于所述用户行为数据矩阵,通过执行预设纵向联邦流程,对预设待训练预测模型进行迭代训练,得到所述推荐物品预测模型。
可选地,所述获取模块包括:
第一训练单元,用于基于所述用户行为数据矩阵,对所述预设待训练预测模型进行迭代训练,以训练更新所述预设待训练预测模型的模型变量,其中,所述模型变量包括初始用户特征表示变量和初始物品特征表示变量;
判断单元,用于判断迭代训练的所述待预测模型是否达到预设替换更新条件,若所述待训练预测模型达到预设替换更新条件,则通过执行所述预设纵向联邦流程,对训练更新的所述初始用户特征表示变量进行替换更新,获得替换更新的所述预设待训练预测模型;
第二训练单元,用于持续对替换更新的所述预设待训练预测模型进行迭代训练和替换更新,直至所述预设待训练模型满足预设训练完成条件,获得所述推荐物品预测模型。
可选地,所述判断单元包括:
发送子单元,用于将训练更新的所述初始用户特征表示变量加密发送至与所述第一设备关联的第二设备,以供所述第二设备对多个其他所述第一设备发送的初始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反馈至各所述第一设备;
接收子单元,用于接收所述第二设备反馈的所述聚合用户特征表示变量,并将训练更新的所述初始用户特征表示变量替换更新为所述聚合用户特征表示变量,获得替换更新的所述预设待训练预测模型。
可选地,所述待预测用户数据包括待推荐物品候选集,所述用户特征表示集包括一个或者多个用户特征表示,所述物品特征表示集包括一个或者多个物品特征表示,
所述生成模块包括:
计算单元,用于计算各所述用户特征表示和各所述物品特征表示的内积,获得所述待预测用户对所述待推荐物品候选集中各物品的点击概率;
排序单元,用于基于所述点击概率,对所述待推荐物品集中各所述物品进行排序,获得待推荐物品列表;
在所述待推荐物品列表中选取所述物品召回集。
可选地,所述待预测用户数据包括待预测用户ID和待推荐物品候选集,所述提取模块包括:
输入单元,用于分别将所述待预测用户ID和所述待推荐物品候选集输入所述推荐物品预测模型,以在预设本地数据库中提取所述待预测用户ID对应的所述用户特征表示集和所述待推荐物品候选集对应的物品特征表示集。
可选地,所述待预测用户数据包括待预测用户评分数据和待推荐物品候选集,
所述输入单元包括:
输入子单元,用于将所述待预测用户评分数据输入所述推荐物品预测模型,以构建所述待预测用户评分数据对应的用户相似数据,并生成所述用户相似数据对应的所述用户特征表示集;
提取子单元,用于在预设本地数据库中提取所述待推荐物品候选集对应的所述物品特征表示集。
为实现上述目的,本申请还提供一种纵向联邦推荐召回装置,所述纵向联邦推荐召回装置应用于第二设备或者对应纵向联邦推荐召回设备,所述纵向联邦推荐召回装置包括:
发送模块,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多个第一设备,以供各所述第一设备基于所述密钥对各自的初始用户特征表示变量进行加密;
接收模块,用于接收各所述第一设备加密发送的初始用户特征表示变量,并对各所述初始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;
反馈模块,用于将所述聚合用户特征表示变量反馈至各所述第一设备,以供各所述第一设备对各自的预设待训练预测模型进行迭代训练。
本申请纵向联邦推荐召回装置的具体实施方式与上述纵向联邦推荐召回方法各实施例基本相同,在此不再赘述。
为实现上述目的,本申请还提供一种纵向联邦推荐召回装置,所述纵向联邦推荐召回装置应用于第二设备或者对应纵向联邦推荐召回设备,所述纵向联邦推荐召回装置包括:
发送模块,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多个第一设备,以供各所述第一设备基于所述密钥对各自的初始用户特征表示变量进行加密;
接收模块,用于接收各所述第一设备加密发送的初始用户特征表示变量,并对各所述初始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;
反馈模块,用于将所述聚合用户特征表示变量反馈至各所述第一设备,以供各所述第一设备对各自的预设待训练预测模型进行迭代训练。
本申请纵向联邦推荐召回装置的具体实施方式与上述纵向联邦推荐召回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纵向联邦推荐召回方法的步骤。
本申请可读存储介质具体实施方式与上述纵向联邦推荐召回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 (11)
1.一种纵向联邦推荐召回方法,其特征在于,所述纵向联邦推荐召回方法应用于第一设备,所述纵向联邦推荐召回方法包括:
当接收到预测请求时,提取所述预测请求对应待预测用户数据,并将所述待预测用户数据输入至推荐物品预测模型中,获得用户特征表示集和物品特征表示集,其中,所述推荐物品预测模型为基于用户行为数据矩阵通过执行预设纵向联邦流程,对预设待训练预测模型进行迭代训练得到的;
基于所述用户特征表示和所述物品特征表示,生成所述待预测用户数据对应的物品召回集。
2.如权利要求1所述纵向联邦推荐召回方法,其特征在于,所述当接收到预测请求时,提取所述预测请求对应待预测用户数据,并将所述待预测用户数据输入至推荐物品预测模型中步骤之前包括:
获取用户行为数据矩阵,并基于所述用户行为数据矩阵,通过执行预设纵向联邦流程,对预设待训练预测模型进行迭代训练,得到所述推荐物品预测模型。
3.如权利要求2所述纵向联邦推荐召回方法,其特征在于,所述获取用户行为数据矩阵,并基于所述用户行为数据矩阵,通过执行预设纵向联邦流程,对预设待训练预测模型进行迭代训练,得到所述推荐物品预测模型的步骤包括:
基于所述用户行为数据矩阵,对所述预设待训练预测模型进行迭代训练,以训练更新所述预设待训练预测模型的模型变量,其中,所述模型变量包括初始用户特征表示变量和初始物品特征表示变量;
判断迭代训练的所述待预测模型是否达到预设替换更新条件,若所述待训练预测模型达到预设替换更新条件,则通过执行所述预设纵向联邦流程,对训练更新的所述初始用户特征表示变量进行替换更新,获得替换更新的所述预设待训练预测模型;
持续对替换更新的所述预设待训练预测模型进行迭代训练和替换更新,直至所述预设待训练模型满足预设训练完成条件,获得所述推荐物品预测模型。
4.如权利要求3所述纵向联邦推荐召回方法,其特征在于,所述通过执行所述预设纵向联邦流程,对训练更新的所述初始用户特征表示变量进行替换更新,获得替换更新的所述预设待训练预测模型的步骤包括:
将训练更新的所述初始用户特征表示变量加密发送至与所述第一设备关联的第二设备,以供所述第二设备对多个其他所述第一设备发送的初始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反馈至各所述第一设备;
接收所述第二设备反馈的所述聚合用户特征表示变量,并将训练更新的所述初始用户特征表示变量替换更新为所述聚合用户特征表示变量,获得替换更新的所述预设待训练预测模型。
5.如权利要求1所述纵向联邦推荐召回方法,其特征在于,所述待预测用户数据包括待推荐物品候选集,所述用户特征表示集包括一个或者多个用户特征表示,所述物品特征表示集包括一个或者多个物品特征表示,
所述基于所述用户特征表示和所述物品特征表示,生成所述待预测用户数据对应的物品召回集的步骤包括:
计算各所述用户特征表示和各所述物品特征表示的内积,获得所述待预测用户对所述待推荐物品候选集中各物品的点击概率;
基于所述点击概率,对所述待推荐物品集中各所述物品进行排序,获得待推荐物品列表;
在所述待推荐物品列表中选取所述物品召回集。
6.如权利要求1所述纵向联邦推荐召回方法,其特征在于,所述待预测用户数据包括待预测用户ID和待推荐物品候选集,
所述将所述待预测用户数据输入所述推荐物品预测模型,获得用户特征表示集和物品特征表示集的步骤包括:
分别将所述待预测用户ID和所述待推荐物品候选集输入所述推荐物品预测模型,以在预设本地数据库中提取所述待预测用户ID对应的所述用户特征表示集和所述待推荐物品候选集对应的物品特征表示集。
7.如权利要求1所述纵向联邦推荐召回方法,其特征在于,所述待预测用户数据包括待预测用户评分数据和待推荐物品候选集,
所述将所述待预测用户数据输入所述推荐物品预测模型,获得用户特征表示集和物品特征表示集的步骤包括:
将所述待预测用户评分数据输入所述推荐物品预测模型,以构建所述待预测用户评分数据对应的用户相似数据,并生成所述用户相似数据对应的所述用户特征表示集;
在预设本地数据库中提取所述待推荐物品候选集对应的所述物品特征表示集。
8.一种纵向联邦推荐召回方法,其特征在于,所述纵向联邦推荐召回方法应用于第二设备,所述纵向联邦推荐召回方法包括:
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多个第一设备,以供各所述第一设备基于所述密钥对各自的初始用户特征表示变量进行加密;
接收各所述第一设备加密发送的初始用户特征表示变量,并对各所述初始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;
将所述聚合用户特征表示变量反馈至各所述第一设备,以供各所述第一设备对各自的预设待训练预测模型进行迭代训练。
9.一种纵向联邦推荐召回装置,其特征在于,所述纵向联邦推荐召回装置包括:
提取模块,用于当接收到预测请求时,提取所述预测请求对应待预测用户数据,并将所述待预测用户数据输入至推荐物品预测模型中,获得用户特征表示集和物品特征表示集,其中,所述推荐物品预测模型为基于用户行为数据矩阵通过执行预设纵向联邦流程,对预设待训练预测模型进行迭代训练得到的;
生成模块,用于基于所述用户特征表示和所述物品特征表示,生成所述待预测用户数据对应的物品召回集。
10.一种纵向联邦推荐召回设备,其特征在于,所述纵向联邦推荐召回设备包括:存储器、处理器以及存储在存储器上的用于实现所述纵向联邦推荐召回方法的程序,
所述存储器用于存储实现纵向联邦推荐召回方法的程序;
所述处理器用于执行实现所述纵向联邦推荐召回方法的程序,以实现如权利要求1至8中任一项所述纵向联邦推荐召回方法的步骤。
11.一种可读存储介质,其特征在于,所述可读存储介质上存储有实现纵向联邦推荐召回方法的程序,所述实现纵向联邦推荐召回方法的程序被处理器执行以实现如权利要求1至8中任一项所述纵向联邦推荐召回方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010110290.0A CN111339412A (zh) | 2020-02-20 | 2020-02-20 | 纵向联邦推荐召回方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010110290.0A CN111339412A (zh) | 2020-02-20 | 2020-02-20 | 纵向联邦推荐召回方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111339412A true CN111339412A (zh) | 2020-06-26 |
Family
ID=71183542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010110290.0A Pending CN111339412A (zh) | 2020-02-20 | 2020-02-20 | 纵向联邦推荐召回方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111339412A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112115358A (zh) * | 2020-09-14 | 2020-12-22 | 中国船舶重工集团公司第七0九研究所 | 一种利用知识图谱中多跳路径特征的个性化推荐方法 |
CN112416912A (zh) * | 2020-10-14 | 2021-02-26 | 深圳前海微众银行股份有限公司 | 纵向联邦数据统计的去重方法、装置、终端设备及介质 |
CN113032676A (zh) * | 2021-03-31 | 2021-06-25 | 上海天旦网络科技发展有限公司 | 基于微反馈的推荐方法和系统 |
CN113327133A (zh) * | 2021-06-15 | 2021-08-31 | 北京百度网讯科技有限公司 | 数据推荐方法、数据推荐装置、电子设备及可读存储介质 |
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 |
CN117493662A (zh) * | 2023-10-09 | 2024-02-02 | 上海及未科技有限公司 | 一种基于联邦学习的个性化推荐方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012034069A1 (en) * | 2010-09-10 | 2012-03-15 | Veveo, Inc. | Method of and system for conducting personalized federated search and presentation of results therefrom |
CN105630742A (zh) * | 2015-12-28 | 2016-06-01 | 广州酷狗计算机科技有限公司 | 特征向量计算方法及装置 |
CN110110229A (zh) * | 2019-04-25 | 2019-08-09 | 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 |
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 CN202010110290.0A patent/CN111339412A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012034069A1 (en) * | 2010-09-10 | 2012-03-15 | Veveo, Inc. | Method of and system for conducting personalized federated search and presentation of results therefrom |
CN105630742A (zh) * | 2015-12-28 | 2016-06-01 | 广州酷狗计算机科技有限公司 | 特征向量计算方法及装置 |
CN110110229A (zh) * | 2019-04-25 | 2019-08-09 | 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 |
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: "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 * |
黄震华: "《大数据信息推荐理论与关键技术》", 31 December 2016 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112115358A (zh) * | 2020-09-14 | 2020-12-22 | 中国船舶重工集团公司第七0九研究所 | 一种利用知识图谱中多跳路径特征的个性化推荐方法 |
CN112115358B (zh) * | 2020-09-14 | 2024-04-16 | 中国船舶重工集团公司第七0九研究所 | 一种利用知识图谱中多跳路径特征的个性化推荐方法 |
CN112416912A (zh) * | 2020-10-14 | 2021-02-26 | 深圳前海微众银行股份有限公司 | 纵向联邦数据统计的去重方法、装置、终端设备及介质 |
CN112416912B (zh) * | 2020-10-14 | 2024-05-07 | 深圳前海微众银行股份有限公司 | 纵向联邦数据统计的去重方法、装置、终端设备及介质 |
CN113032676A (zh) * | 2021-03-31 | 2021-06-25 | 上海天旦网络科技发展有限公司 | 基于微反馈的推荐方法和系统 |
CN113327133A (zh) * | 2021-06-15 | 2021-08-31 | 北京百度网讯科技有限公司 | 数据推荐方法、数据推荐装置、电子设备及可读存储介质 |
CN117493662A (zh) * | 2023-10-09 | 2024-02-02 | 上海及未科技有限公司 | 一种基于联邦学习的个性化推荐方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111339412A (zh) | 纵向联邦推荐召回方法、装置、设备及可读存储介质 | |
Perifanis et al. | Federated neural collaborative filtering | |
US20210185408A1 (en) | Cross-screen measurement accuracy in advertising performance | |
CN111553744A (zh) | 联邦产品推荐方法、装置、设备及计算机存储介质 | |
WO2020238677A1 (zh) | 数据处理方法、装置和计算机可读存储介质 | |
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 | |
CN111079022A (zh) | 基于联邦学习的个性化推荐方法、装置、设备及介质 | |
US20210234687A1 (en) | Multi-model training based on feature extraction | |
WO2021159798A1 (zh) | 纵向联邦学习系统优化方法、设备及可读存储介质 | |
US20170061500A1 (en) | Systems and methods for data service platform | |
CN106339507B (zh) | 流媒体消息推送方法和装置 | |
CN111324812B (zh) | 基于迁移学习的联邦推荐方法、装置、设备及介质 | |
WO2017019646A1 (en) | Sequential delivery of advertising content across media devices | |
WO2017019643A1 (en) | Targeting tv advertising slots based on consumer online behavior | |
US11288240B1 (en) | Data learning and analytics apparatuses, methods and systems | |
CN105190595A (zh) | 唯一地识别网络连接实体 | |
CN111159534A (zh) | 基于用户画像的辅助决策方法及装置、设备和介质 | |
CN109903103B (zh) | 一种推荐物品的方法和装置 | |
CN111159570B (zh) | 一种信息推荐方法及服务器 | |
CN110020162B (zh) | 用户识别方法和装置 | |
CN111291273A (zh) | 推荐系统优化方法、装置、设备及可读存储介质 | |
CN111553742A (zh) | 联邦产品推荐方法、装置、设备及计算机存储介质 | |
CN112804541B (zh) | 一种用户行为跟踪方法、装置、电子设备及存储介质 | |
CN111325352A (zh) | 基于纵向联邦学习的模型更新方法、装置、设备及介质 | |
Jansen et al. | Viewed by too many or viewed too little: Using information dissemination for audience segmentation |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200626 |