CN111343265A - 信息推送方法、装置、设备及可读存储介质 - Google Patents

信息推送方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN111343265A
CN111343265A CN202010110289.8A CN202010110289A CN111343265A CN 111343265 A CN111343265 A CN 111343265A CN 202010110289 A CN202010110289 A CN 202010110289A CN 111343265 A CN111343265 A CN 111343265A
Authority
CN
China
Prior art keywords
information
model
pushing
pushed
user
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
CN202010110289.8A
Other languages
English (en)
Other versions
CN111343265B (zh
Inventor
周洋磊
裴勇
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 CN202010110289.8A priority Critical patent/CN111343265B/zh
Publication of CN111343265A publication Critical patent/CN111343265A/zh
Application granted granted Critical
Publication of CN111343265B publication Critical patent/CN111343265B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/55—Push-based network services
    • 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
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioethics (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本发明公开了一种信息推送方法、装置、设备及可读存储介质，涉及金融科技领域，该方法包括步骤：当接收到信息推送请求后，获取所述信息推送请求对应的用户相关数据，并根据所述用户相关数据获取与所述信息推送请求对应的待推送信息列表；基于联邦学习训练得到的信息推送模型，根据所述待推送信息列表和所述用户相关数据确定所述待推送信息列表中各条待推送信息对应的信息分数；根据所述信息推送请求对应的业务逻辑和所述信息分数确定目标推送信息，并推送所述目标推送信息。本发明通过联邦学习得到的信息推送模型进行个性化信息推送，提高了个性化信息推送的准确率，以及提高了训练信息推送模型所需样本数据的安全性。

Description

信息推送方法、装置、设备及可读存储介质
技术领域
本发明涉及金融科技(Fintech)的数据处理技术领域，尤其涉及一种信息推送方法、装置、设备及可读存储介质。
背景技术
随着计算机技术的发展，越来越多的技术应用在金融领域，传统金融业正在逐步向金融科技(Fintech)转变，数据处理技术也不例外，但由于金融行业的安全性、实时性要求，也对技术提出的更高的要求。
个性化推荐是一种根据用户数据进行物品推荐的技术。在个性化推荐系统中，对物品召回和物品排序等算法或功能而言，用户数据是不可或缺的，而且，用户数据的特征的丰富程度，会极大地影响这些算法或功能的性能。但是由于数据隐私保护立法的趋严，导致用户数据无法在不同数据所有方进行明文共享。某些数据所有方拥有的用户数据稀少，从而使得不同数据所有方通常仅能得到用户数据的部分特征。这样会导致作为个性化推荐系统的用户数据所有方，仅仅能够使用其拥有的用户数据进行个性化推荐，而无法直接使用其他数据所有方的用户数据，使得个性化推荐系统推荐准确率低下，无法发挥其最大性能，且个性化推荐系统无法在不泄露数据的情况下进行推荐，数据泄密风险极大。
由此可知，目前个性化信息推荐准确率低下、且个性化信息推荐所采用的数据安全性低下。
发明内容
本发明的主要目的在于提供一种信息推送方法、装置、设备及可读存储介质，旨在解决现有的目前个性化信息推荐准确率低下、且个性化信息推荐所采用的样本数据安全性低下的技术问题。
为实现上述目的，本发明提供一种信息推送方法，所述信息推送方法包括步骤：
当接收到信息推送请求后，获取所述信息推送请求对应的用户相关数据，并根据所述用户相关数据获取与所述信息推送请求对应的待推送信息列表；
基于联邦学习训练得到的信息推送模型，根据所述待推送信息列表和所述用户相关数据确定所述待推送信息列表中各条待推送信息对应的信息分数；
根据所述信息推送请求对应的业务逻辑和所述信息分数确定目标推送信息，并推送所述目标推送信息。
优选地，所述基于联邦学习训练得到信息推送模型，根据所述待推送信息列表和所述用户相关数据确定所述待推送信息列表中各条待推送信息对应的信息分数的步骤包括：
获取所述用户相关数据中的第一用户数据，以及获取所述用户相关数据中与所述待推送信息列表中待推送信息对应的物品目标数据、行为上下文木模板数据；
将所述第一用户数据、物品目标数据和行为上下文目标数据输入联邦学习训练得到的信息推送模型中，得到所述待推送信息列表中各条待推送信息对应的信息分数。
优选地，所根据所述信息推送请求对应的业务逻辑和所述信息分数确定目标推送信息，并推送所述目标推送信息的步骤包括：
根据所述信息推送请求对应的业务逻辑确定待推送信息的信息数量，并将各信息分数进行排序，得到排序后的信息分数；
基于所述信息数量，根据排序后的信息分数确定所述信息推送列表中的目标推送信息，并推送所述目标推送信息。
优选地，所述当接收到信息推送请求后，获取所述信息推送请求对应的用户相关数据，并根据所述用户相关数据获取与所述信息推送请求对应的待推送信息列表的步骤之前，还包括：
调用联邦学习训练得到的信息推送模型，获取预先存储的第二用户数据；
将所述第二用户数据输入所述信息推送模型中，得到待推送信息列表集合，其中，所述待推送信息列表集合中包括至少一个待推送信息列表。
优选地，所述调用联邦学习训练得到的信息推送模型，获取预先存储的第二用户数据的步骤之前，还包括：
生成私钥和公钥，将所述私钥发送给第一终端和第二终端；
接收所述第一终端发送的，采用所述私钥加密后的模型第一参数，以及接收所述第二终端发送的，采用所述私钥加密后的模型第二参数；
采用所述公钥解密加密后的模型第一参数和加密后的模型第二参数，对应得到解密后的模型第一参数和解密后的模型第二参数；
根据解密后的模型第一参数和解密后的模型第二参数计算得到模型目标参数，并根据所述模型目标参数得到信息推送模型。
优选地，所述根据解密后的模型第一参数和解密后的模型第二参数计算得到模型目标参数，并根据所述模型目标参数得到信息推送模型的步骤之后，还包括：
当接收到调用所述信息推送模型的调用指令后，将所述信息推送模型发送给所述调用指令对应的第三终端，以供所述第三终端根据所述信息推送模型进行信息推送。
优选地，所述根据所述用户相关数据获取与所述信息推送请求对应的待推送信息列表的步骤包括：
获取所述用户相关数据中的用户标识，根据所述用户标识在存储系统获取与所述信息推送请求对应的待推送信息列表。
此外，为实现上述目的，本发明还提供一种信息推送装置，所述信息推送装置包括：
获取模块，用于当接收到信息推送请求后，获取所述信息推送请求对应的用户相关数据，并根据所述用户相关数据获取与所述信息推送请求对应的待推送信息列表；
确定模块，用于基于联邦学习训练得到的信息推送模型，根据所述待推送信息列表和所述用户相关数据确定所述待推送信息列表中各条待推送信息对应的信息分数；根据所述信息推送请求对应的业务逻辑和所述信息分数确定目标推送信息；
推送模块，用于推送所述目标推送信息。
此外，为实现上述目的，本发明还提供一种信息推送设备，所述信息推送设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的信息推送程序，所述信息推送程序被所述处理器执行时实现如联邦学习服务器对应的信息推送方法的步骤。
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信息推送程序，所述信息推送程序被处理器执行时实现如上所述的信息推送方法的步骤。
本发明通过获取所接收的信息推送请求对应的用户相关数据，根据用户相关数据获取与信息推送请求对应的待推送信息列表，基于联邦训练得到的信息推送模型，根据待推送信息列表和用户相关数据确定待推送信息列表中各条待推送信息对应的信息分数，根据信息推送请求对应的业务逻辑和信息分数确定目标推送信息，并推送目标推送信息。通过联邦学习训练得到的信息推送模型来进行信息推送，借助联邦学习的方式，不仅能使用本方所有的用户数据，还可以在用户数据隐私受到保护的前提下，使用他方所有的用户数据，来实现个性化推荐系统中的物品召回和物品排序等算法或功能，从而使通过联邦学习得到的信息推送模型进行个性化信息推送，提高了个性化信息推送的准确率，以及提高了训练信息推送模型所需样本数据的安全性。
附图说明
图1是本发明信息推送方法第一实施例的流程示意图；
图2是本发明信息推送方法第二实施例的流程示意图；
图3是本发明信息推送装置较佳实施例的功能示意图模块图；
图4是本发明实施例方案涉及的硬件运行环境的结构示意图；
图5是本发明实施例中基于横向联邦学习的个性化推荐架构逻辑图。
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。
本发明提供一种信息推送方法，参照图1，图1为本发明信息推送方法第一实施例的流程示意图。
本发明实施例提供了信息推送方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
信息推送方法应用于服务器或者终端中，终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(Personal Digital Assistant，PDA)等移动终端，以及诸如数字TV、台式计算机等固定终端。在信息推送方法的各个实施例中，为了便于描述，省略执行主体进行阐述各个实施例。信息推送方法包括：
步骤S10，当接收到信息推送请求后，获取所述信息推送请求对应的用户相关数据，并根据所述用户相关数据获取与所述信息推送请求对应的待推送信息列表。
当接收到信息推送请求后，获取信息推送请求对应的用户相关数据，其中，信息推送请求可为用户通过其客户端发送的，该信息推送请求也可为通过定时任务定时自动触发的。用户相关数据包括但不限于用户数据、物品数据和行为上下文数据，其中，用户数据为用户属性数据，包括用户自然属性数据，如姓名、性别、用户标识和年龄等，用户标识可区分不同的用户，用户标识可为用户的电话号码或者登陆信息推送系统的登陆账号等，以及包括用户兴趣属性，如用户对什么物品感兴趣等；物品数据为需要向用户进行推荐的物品数据，如文章和商品等，用户相关数据中的物品数据为用户曾经浏览过的物品；行为上下文数据包括行为数据和发生该行为时的上下文数据，行为数据为用户对物品的行为数据，如浏览操作和点击操作等；行为时的上下文数据包括触发该行为时，用户所在的地理位置、网络类型和其他相关数据等，网络了类型包括但不限于4G(the 4th generation mobilecommunication technology，第四代移动通信技术)和/或WiFi。当获取到信息推送请求对应的用户相关数据后，根据所获取的用户相关数据获取与推送请求对应的待推送信息列表。
进一步地，当获取到用户相关数据后，存储该用户相关数据，具体地，可用关系型数据库、非关系型数据库和分布式存储系统存储该用户相关数据。在存储用户相关数据过程中，用户相关数据是以一条条样本数据形式存储的，每一条样本数据都会存在用户数据、物品数据和行为上下文数据。
进一步地，所述根据所述用户相关数据获取与所述信息推送请求对应的待推送信息列表的步骤包括：
步骤a，获取所述用户相关数据中的用户标识，根据所述用户标识在存储系统获取与所述信息推送请求对应的待推送信息列表。
具体地，当获取到用户相关数据后，获取用户相关数据中的用户标识，可以理解的是，每一信息推送请求对应的用户相关数据中都会携带一个用户标识。当获取到用户标识后，根据用户标识在存储系统中获取与信息推送请求对应的待推送信息列表。需要说明的是，在存储系统中，存储有用户标识与待推送信息列表之间的映射关系，每一用户标识对应一个待推送信息列表，在待推送信息列表中，包含可能会推荐给用户的至少一个物品名称、物品类别等信息。
步骤S20，基于联邦学习训练得到的信息推送模型，根据所述待推送信息列表和所述用户相关数据确定所述待推送信息列表中各条待推送信息对应的信息分数。
当获取到待推送信息列表后，基于联邦学习训练得到的信息推送模型，根据待推送信息列表和用户相关数据确定待推送信息列表中各条待推送信息对应的信息分数。其中，该信息推送模型可为FM(Factorization Machine，因子分解机)模型，FM算法是一种基于矩阵分解的机器学习算法，为了解决大规模稀疏数据中的特征组合问题。需要说明的是，在待推送信息列表中，一个待推荐给用户物品的相关数据为一条待推送信息，即一个待推送数据可能包括多个数据，如物品名称、物品类别和物品价格等。在本实施例中，可以得到待推送信息列表中各条待推送信息对应的分数，每条待推送信息都存在一个对应的分数，本实施例将待推送信息对应的分数记为信息分数。
进一步地，步骤S20包括：
步骤b，获取所述用户相关数据中的第一用户数据，以及获取所述用户相关数据中与所述待推送信息列表中待推送信息对应的物品目标数据、行为上下文目标数据。
具体地，获取用户相关数据中的用户数据，并将用户相关数据中的用户数据记为第一用户数据，以及获取用户相关数据中与待推送信息列表中待推送信息对应的物品目标数据和行为上下文目标数据。需要说明的是，在用户相关数据中，可能包含很多物品数据，以及很多行为上下文数据，可以理解的是，每一行为上下文数据都会存在对应的物品名称。这些物品数据和行为上下文数据对应的物品名称可能存在信息推送列表中，也可能未存在信息推送列表中。若用户相关数据中的物品数据和行为上下文数据对应的物品名称未存在信息推送列表中，则表明这些物品数据和行为上下文数据对应物品名称的物品不是用户感兴趣的物品，不需要将这些物品对应的信息推送给用户。若用户相关数据中的物品数据和行为上下文数据对应的物品名称存在信息推送列表中，则表明这些物品数据为用户相关数据中与待推送信息列表中待推送信息对应的物品目标数据，表明这些行为上下文数据为用户相关数据中与待推送信息列表中待推送信息对应的行为上下文目标数据。
步骤c，将所述第一用户数据、物品目标数据和行为上下文目标数据输入联邦学习训练得到的信息推送模型中，得到所述待推送信息列表中各条待推送信息对应的信息分数。
当获取到用户相关数据中的第一用户数据，以及获取到物品目标数据和行为上下文目标数据后，将第一用户数据、物品目标数据和行为上下文目标数据输入联邦学习训练得到的信息推送模型中，得到待推送信息列表中各条待推送信息对应的信息分数。在本实施例中，信息推送模型是通过联邦学习预先训练好的，第一用户数据、物品目标数据和行为上下文目标数据为信息推送模型的输入，信息推送模型的输出为待推送信息列表中各条待推送信息对应的信息分数。在本实施例中，不限制信息分数表现形式，如信息分数可以100分为满分，也可以10分为满分，或者以1分为满分等。
步骤S30，根据所述信息推送请求对应的业务逻辑和所述信息分数确定目标推送信息，并推送所述目标推送信息。
当得到待推送信息列表中各条待推送信息对应的信息分数后，确定信息推送请求对应的业务逻辑，不同信息推送请求对应的业务逻辑可以相同，也可以不相同。在本实施例中，业务逻辑可以加载在信息推送请求中，当得到信息推送请求后，解析信息推送请求，得到信息推送请求中的业务逻辑。进一步地，也可预先存储各业务逻辑与对应的逻辑标识之间的映射关系，每一逻辑标识对应一个业务逻辑，此时，信息推送请求中写的有逻辑标识，当得到信息推送请求，解析信息推送请求，得到信息推送请求中的逻辑标识，根据解析得到的逻辑标识，通过该映射关系即可确定信息推送请求对应的业务逻辑。
当确定业务逻辑后，根据所确定的业务逻辑和信息分数确定信息推送列表中的目标推送信息，并推送目标推送信息。可以理解的是，当信息推送请求为用户对应客户端发送的，在确定目标推送信息后，会将目标推送信息发送给用户对应的客户端。当客户端接收到目标推送信息后，客户端会在其显示界面输出目标推送信息，以供用户查看。当信息推送请求为通过定时任务定时触发的，在确定目标推送信息后，输出目标推送信息供用户查看。
进一步地，步骤S30包括：
步骤d，根据所述信息推送请求对应的业务逻辑确定待推送信息的信息数量，并将各信息分数进行排序，得到排序后的信息分数。
步骤e，基于所述信息数量，根据排序后的信息分数确定所述信息推送列表中的目标推送信息，并推送所述目标推送信息。
当确定信息推送请求对应的业务逻辑后，根据该业务逻辑确定待推送信息的信息数量，并将各条待推送信息对应的信息分数从高到低排序，得到排序后的信息分数，然后基于信息数量，根据排序后的信息分数从前到后确定信息推送列表中的目标推送信息，并推送所确定的目标推送信息。具体地，本实施例中的业务逻辑就是根据信息数量的多少来决定最终所推送目标推送信息的数量，如目标推送信息的数量为信息数量的10％，或者为信息数量的5％。需要说明的是，在本实施例中，优先选择信息分数高的待推送信息确定为目标推送信息。在其他实施例中，业务逻辑也可为取信息分数最高的n条待推送信息确定为目标推送信息，其中，n为正整数，具体大小可根据需要而设置，如可设置为2、3或者5等。可以理解的是，除本实施例所描述的业务逻辑外，用户也可根据具体需要设置所需的业务逻辑。
在另一实施例中，也可将各条待推送信息对应的信息分数从低到高排序，得到排序后的信息分数，然后基于信息数据，在排序后的信息分数中从后到前确定信息推送列表中的目标推送信息。本发明实施例不对目标推送信息确定的具体方式进行限定，其他选取信息分数符合一定条件的信息作为目标推送信息的方式也在本发明实施范围内。
本实施例通过获取所接收的信息推送请求对应的用户相关数据，根据用户相关数据获取与信息推送请求对应的待推送信息列表，基于联邦训练得到的信息推送模型，根据待推送信息列表和用户相关数据确定待推送信息列表中各条待推送信息对应的信息分数，根据信息推送请求对应的业务逻辑和信息分数确定目标推送信息，并推送目标推送信息。通过联邦学习训练得到的信息推送模型来进行信息推送，借助联邦学习的方式，不仅能使用本方所有的用户数据，还可以在用户数据隐私受到保护的前提下，使用他方所有的用户数据，来实现个性化推荐系统中的物品召回和物品排序等算法或功能，从而使通过联邦学习得到的信息推送模型进行个性化信息推送，提高了个性化信息推送的准确率，以及提高了训练信息推送模型所需样本数据的安全性。
进一步地，提出本发明信息推送方法第二实施例。所述信息推送方法第二实施例与所述信息推送方法第一实施例的区别在于，参照图2，所述信息推送方法还包括：
步骤S40，调用联邦学习训练得到的信息推送模型，获取预先存储的第二用户数据。
步骤S50，将所述第二用户数据输入所述信息推送模型中，得到待推送信息列表集合，其中，所述待推送信息列表集合中包括至少一个待推送信息列表。
调用联邦学习训练得到的信息推送模型，获取预先存储的第二用户数据，其中，第二用户数据是预先存储好的。当获取到第二用户数据后，将第二用户数据输入信息推送模型中，得到待推送信息列表集合，并存储待推送信息列表集合，以便于后续获取待推送信息列表集合中的待推送信息列表，其中，待推送信息列表集合中包括至少一个待推送信息列表。需要说明的是，第二用户数据中，包含了多个用户的用户数据。进一步地，为了提高所得的待推送信息列表的准确率，在将第二用户数据输入信息推送模型中时，可获取与第二用户数据对应的物品数据、行为上下文数据，将第二用户数据和对应的物品数据、行为上下文数据一起输入至信息推送模型中，得到待推送信息列表集合。需要说明的是，在待推送信息列表集合中，会存在用户感兴趣的多条待推送信息，即通过待推送信息列表集合可以在物品信息中找到用户可能感性兴趣的待推送信息，形成待推送信息列表，该待推送信息列表集合可称为召回集。
本实施例通过在得到FM模型后，通过将第二用户数据作为信息推送模型的输入，得到待推送信息列表集合，以便于后在进行信息推送时，快速获取待推送信息列表集合中的待推送信息列表，提高了信息推送的推送效率。
进一步地，所述信息推送方法还包括：
步骤f，当接收到调用所述信息推送模型的调用指令后，将所述信息推送模型发送给所述调用指令对应的第三终端，以供所述第三终端根据所述信息推送模型进行信息推送。
实时或者定时检测是否接收到调用信息推送模型的调用指令。当接收到调用信息推送模型的调用指令后，将信息推送模型发送给调用指令对应的第三终端。可以理解的是，调用指令为第三终端对应用户在第三终端中触发的。也可是在生成信息推送模型后，发送提示信息给第三终端，以通过该提示信息告知第三终端信息推送模型已经生成，第三终端可调用该信息推送模型。当第三终端得到信息推送模型后，第三终端可根据该信息推送模型进行信息推送。
本实施例通过根据第三终端发送的调用指令，将信息推送模型发送给第三终端，以供第三终端根据信息推送模型进行信息推送，让其他终端也可以使用训练好的信息推送模型，提高了信息推送模型的使用率。
进一步地，提出本发明信息推送方法第三实施例。
所述信息推送方法第三实施例与所述信息推送方法第一和/或第二实施例的区别在于，所述信息推送方法还包括：
步骤g，生成私钥和公钥，将所述私钥发送给第一终端和第二终端。
在通过联邦学习训练得到信息推送模型过程中，先生成私钥和公钥。在本实施例中，不限制生成私钥和公钥的加密算法。如可采用RSA加密算法生成私钥和公钥，也可采用ECC(Elliptic Curve Cryptography，椭圆曲线密码学)生成公钥和私钥。当生成公钥和私钥后，将所生成的私钥发送给第一终端和第二终端。需要说明的是，在第一终端和第二终端的所拥有的样本数据中，存在部分或者全部重叠，即，有一部分的特征，既可以在第一终端的样本数据中查到特征信息，又可以在第二终端的样本数据中查到特征信息。样本数据包括但不限于用户数据、物品数据和行为上下文数据。如第一终端和第二终端都存在点击操作的特征信息，只是第一终端中点击操作对应的标签为“1”，第二终端中点击操作对应的标签为“0”，其中，“1”表示点击操作执行成功，“0”表示点击操作执行失败。第一终端和第二终端中的样本数据格式是相同的。
步骤h，接收所述第一终端发送的，采用所述私钥加密后的模型第一参数，以及接收所述第二终端发送的，采用所述私钥加密后的模型第二参数。
当将私钥发送给第一终端和第二终端后，检测是否接收第一终端发送的，采用私钥加密后的模型第一参数，以及检测是否接收第二终端发送的，采用私钥加密后的模型第二参数。需要说明的是，在第一终端和第二终端中，都存在对应的信息推送模型，模型第一参数和模型第二参数为第一终端和第二终端对应信息推送模型的模型参数。当第一终端接收到私钥后，第一终端获取信息推送模型对应的损失函数，并对该损失函数求导，得到第一梯度值，然后将信息推送模型的模型参数减去第一梯度值，得到差值，并将该差值乘以预设的学习率，得到模型第一参数，然后采用所接收的私钥加密模型第一参数，得到加密后的模型第一参数，并返回加密后的模型第一参数。其中，学习率的大小可以根据具体需要而设置，如可将学习率设置为随着第一梯度值的降低而降低。需要说明的是，第二终端在接收到私钥后，得到加密后的模型第二参数的原理和第一终端得到模型第一参数的原理一致，在此不再重复赘述。当检测到加密后的模型第一参数和加密后的模型第二参数后，接收加密后的模型第一参数和加密后模型第二参数。可以理解的是，模型第一参数是第一终端通过其样本数据训练信息推送模型得到的，模型第二参数是第二终端通过其样本数据训练信息推送模型得到的。
步骤i，采用所述公钥解密加密后的模型第一参数和加密后的模型第二参数，对应得到解密后的模型第一参数和解密后的模型第二参数。
步骤j，根据解密后的模型第一参数和解密后的模型第二参数计算得到模型目标参数，并根据所述模型目标参数得到信息推送模型。
当接收到加密后的模型第一参数和加密后的模型第二参数后，采用公钥解密加密后的模型第一参数和加密后的模型第二参数，对应得到解密后的模型第一参数和解密后的模型第二参数。当得到解密后的模型第一参数和解密后的模型第二参数后，根据解密后的模型第一参数和解密后的模型第二参数计算得到模型目标参数，具体地，可计算解密后的模型第一参数和解密后的模型第二参数之间的参数平均值，将该参数平均值确定为模型目标参数；若模型第一参数和模型第二参数之间存在权重，则将解密后的模型第一参数乘以对应的第一权重，得到第一参数值，以及将解密后的模型第二参数乘以对应的第二权重，得到第二参数值，然后将第一参数值和第二参数值相加，得到模型目标参数，其中，第一权重和第二权重之间的和等于1。可以理解的是，模型第一参数和模型第二参数的个数可以是一个，也可以是多个，模型第一参数和模型第二参数的个数是相等。因此在计算模型目标参数时，若存在多个模型第一参数，是根据模型第一参数和对应的模型第二参数计算得到模型目标参数。
当得到模型目标参数后，根据该模型目标参数得到信息推送模型，即得到联邦学习训练得到的FM模型，并采用公钥加密该模型目标参数，将加密后的模型目标参数发送给第一终端和第二终端。当第一终端接收到加密后的模型目标参数后，第一终端采用私钥解密加密后的模型目标参数，并根据解密后的模型目标参数更新信息推送模型的模型参数，得到新的信息推送模型。需要说明的是，当第二终端接收到加密后的模型目标参数，所执行的工作流程和第一终端一致，在此不再重复赘述。
需要说明的是，在得到信息推送模型过程中，会不断执行上述过程，即信息推送模型训练的过程是一个不断迭代的过程，直到信息推送模型满足迭代停止条件。在本实施例中，迭代停止条件可设置为迭代次数大于预设次数，预设次数可设置为100、600或者1000，或者损失函数对应的损失值小于或者等于预设阈值等，本实施例对预设阈值的大小不做具体限制。
本实施例通过联邦学习的方式，训练得到信息推送模型，使得第一终端和第二终端在不泄露自己样本数据的情况下，联合第一终端和第二终端的模型参数共同参与模型的训练，得到信息推送模型，使得对于同一个用户有长期兴趣探索，在无有效数据的情况下，可借助其他方数据进行冷启动，之后随时迭代用户感兴趣的内容数据，保证高效实时的更新用户感兴趣的信息，以做出及时的信息推荐。进一步地，可联合多方数据进行学习，拓展一方数据后，其他数据也随之有效提升，从而使所有参与方受益，且联邦学习的效果与单独全量数据效果相比并无明显削弱，从而提高了所得信息推送模型进行信息推荐的准确率。
为了便于理解，可参照图5，图5为本发明的具体应用框架逻辑图，在图5的基于横向联邦学习的个性化推荐架构逻辑图中，业务系统可采用自己本地的业务数据和合作方产生的合作方数据与客户系统的本地客户数据进行联邦学习建模。在联邦学习建模过程中，为了保证各方数据的私密性，各方的数据都是加密的，具体地，可通过加密ID来进行数据匹配，然后通过各方数据进行模型训练，以通过各方数据进行模型的联合预测。当通过联邦学习联合预测得到模型后，业务系统可通过预测得到的模型进行在线预测，从而在线进行信息推荐。
此外，本发明还提供一种信息推送装置，参照图3，所述信息推送装置包括：
获取模块10，用于当接收到信息推送请求后，获取所述信息推送请求对应的用户相关数据，并根据所述用户相关数据获取与所述信息推送请求对应的待推送信息列表；
确定模块20，用于基于联邦学习训练得到的信息推送模型，根据所述待推送信息列表和所述用户相关数据确定所述待推送信息列表中各条待推送信息对应的信息分数；根据所述信息推送请求对应的业务逻辑和所述信息分数确定目标推送信息；
推送模块30，用于推送所述目标推送信息。
进一步地，所述确定模块20包括：
获取单元，用于获取所述用户相关数据中的第一用户数据，以及获取所述用户相关数据中与所述待推送信息列表中待推送信息对应的物品目标数据、行为上下文木模板数据；
输入单元，用于将所述第一用户数据、物品目标数据和行为上下文目标数据输入联邦学习训练得到的信息推送模型中，得到所述待推送信息列表中各条待推送信息对应的信息分数。
进一步地，所述确定模块20还包括：
确定单元，用于根据所述信息推送请求对应的业务逻辑确定待推送信息的信息数量；
排序单元，用于将各信息分数进行排序，得到排序后的信息分数；
所述确定单元还用于基于所述信息数量，根据排序后的信息分数确定所述信息推送列表中的目标推送信息。
进一步地，所述信息推送装置还包括：
调用模块，用于调用联邦学习训练得到的信息推送模型；
所述获取模块10还用于获取预先存储的第二用户数据；
所述信息推送装置包括：
输入模块，用于将所述第二用户数据输入所述信息推送模型中，得到待推送信息列表集合，其中，所述待推送信息列表集合中包括至少一个待推送信息列表。
进一步地，所述信息推送装置还包括：
生成模块，用于生成私钥和公钥；
发送模块，用于将所述私钥发送给第一终端和第二终端；
接收模块，用于接收所述第一终端发送的，采用所述私钥加密后的模型第一参数，以及接收所述第二终端发送的，采用所述私钥加密后的模型第二参数；
解密模块，用于采用所述公钥解密加密后的模型第一参数和加密后的模型第二参数，对应得到解密后的模型第一参数和解密后的模型第二参数；
计算模块，用于根据解密后的模型第一参数和解密后的模型第二参数计算得到模型目标参数，并根据所述模型目标参数得到信息推送模型。
进一步地，所述发送模块还用于当接收到调用所述信息推送模型的调用指令后，将所述信息推送模型发送给所述调用指令对应的第三终端，以供所述第三终端根据所述信息推送模型进行信息推送。
进一步地，所述获取模块10还用于获取所述用户相关数据中的用户标识，根据所述用户标识在存储系统获取与所述信息推送请求对应的待推送信息列表。
本发明信息推送装置具体实施方式与上述信息推送方法各实施例基本相同，在此不再赘述。
此外，本发明还提供一种信息推送设备。如图4所示，图4是本发明实施例方案涉及的硬件运行环境的结构示意图。
需要说明的是，图4即可为信息推送设备的硬件运行环境的结构示意图。本发明实施例信息推送设备可以是PC，便携计算机等终端设备。
如图4所示，该信息推送设备可以包括：处理器1001，例如CPU，存储器1005，用户接口1003，网络接口1004，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。
本领域技术人员可以理解，图4中示出的信息推送设备结构并不构成对信息推送设备的限定，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4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、用户接口模块以及信息推送程序。其中，操作系统是管理和控制信息推送设备硬件和软件资源的程序，支持信息推送程序以及其它软件或程序的运行。
在图4所示的信息推送设备中，用户接口1003主要用于连接其它终端，与其它终端进行数据通信，如连接第一终端、第二终端和第三终端等；网络接口1004主要用于后台服务器，与后台服务器进行数据通信；处理器1001可以用于调用存储器1005中存储的信息推送程序，并执行如上所述的信息推送方法的步骤。
本发明信息推送设备具体实施方式与上述信息推送方法各实施例基本相同，在此不再赘述。
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信息推送程序，所述信息推送程序被处理器执行时实现如上所述的信息推送方法的步骤。
本发明计算机可读存储介质具体实施方式与上述信息推送方法各实施例基本相同，在此不再赘述。
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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。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、物品或者装置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)

1.一种信息推送方法，其特征在于，所述信息推送方法包括以下步骤：
当接收到信息推送请求后，获取所述信息推送请求对应的用户相关数据，并根据所述用户相关数据获取与所述信息推送请求对应的待推送信息列表；
基于联邦学习训练得到的信息推送模型，根据所述待推送信息列表和所述用户相关数据确定所述待推送信息列表中各条待推送信息对应的信息分数；
根据所述信息推送请求对应的业务逻辑和所述信息分数确定目标推送信息，并推送所述目标推送信息。
2.如权利要求1所述的信息推送方法，其特征在于，所述基于联邦学习训练得到信息推送模型，根据所述待推送信息列表和所述用户相关数据确定所述待推送信息列表中各条待推送信息对应的信息分数的步骤包括：
获取所述用户相关数据中的第一用户数据，以及获取所述用户相关数据中与所述待推送信息列表中待推送信息对应的物品目标数据、行为上下文木模板数据；
将所述第一用户数据、物品目标数据和行为上下文目标数据输入联邦学习训练得到的信息推送模型中，得到所述待推送信息列表中各条待推送信息对应的信息分数。
3.如权利要求1所述的信息推送方法，其特征在于，所根据所述信息推送请求对应的业务逻辑和所述信息分数确定目标推送信息，并推送所述目标推送信息的步骤包括：
根据所述信息推送请求对应的业务逻辑确定待推送信息的信息数量，并将各信息分数进行排序，得到排序后的信息分数；
基于所述信息数量，根据排序后的信息分数确定所述信息推送列表中的目标推送信息，并推送所述目标推送信息。
4.如权利要求1所述的信息推送方法，其特征在于，所述当接收到信息推送请求后，获取所述信息推送请求对应的用户相关数据，并根据所述用户相关数据获取与所述信息推送请求对应的待推送信息列表的步骤之前，还包括：
调用联邦学习训练得到的信息推送模型，获取预先存储的第二用户数据；
将所述第二用户数据输入所述信息推送模型中，得到待推送信息列表集合，其中，所述待推送信息列表集合中包括至少一个待推送信息列表。
5.如权利要求4所述的信息推送方法，其特征在于，所述调用联邦学习训练得到的信息推送模型，获取预先存储的第二用户数据的步骤之前，还包括：
生成私钥和公钥，将所述私钥发送给第一终端和第二终端；
接收所述第一终端发送的，采用所述私钥加密后的模型第一参数，以及接收所述第二终端发送的，采用所述私钥加密后的模型第二参数；
采用所述公钥解密加密后的模型第一参数和加密后的模型第二参数，对应得到解密后的模型第一参数和解密后的模型第二参数；
根据解密后的模型第一参数和解密后的模型第二参数计算得到模型目标参数，并根据所述模型目标参数得到信息推送模型。
6.如权利要求5所述的信息推送方法，其特征在于，所述根据解密后的模型第一参数和解密后的模型第二参数计算得到模型目标参数，并根据所述模型目标参数得到信息推送模型的步骤之后，还包括：
当接收到调用所述信息推送模型的调用指令后，将所述信息推送模型发送给所述调用指令对应的第三终端，以供所述第三终端根据所述信息推送模型进行信息推送。
7.如权利要求1至6任一项所述的信息推送方法，其特征在于，所述根据所述用户相关数据获取与所述信息推送请求对应的待推送信息列表的步骤包括：
获取所述用户相关数据中的用户标识，根据所述用户标识在存储系统获取与所述信息推送请求对应的待推送信息列表。
8.一种信息推送装置，其特征在于，所述信息推送装置包括：
获取模块，用于当接收到信息推送请求后，获取所述信息推送请求对应的用户相关数据，并根据所述用户相关数据获取与所述信息推送请求对应的待推送信息列表；
确定模块，用于基于联邦学习训练得到的信息推送模型，根据所述待推送信息列表和所述用户相关数据确定所述待推送信息列表中各条待推送信息对应的信息分数；根据所述信息推送请求对应的业务逻辑和所述信息分数确定目标推送信息；
推送模块，用于推送所述目标推送信息。
9.一种信息推送设备，其特征在于，所述信息推送设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的信息推送程序，所述信息推送程序被所述处理器执行时实现如权利要求1至7任一项中所述的信息推送方法的步骤。
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信息推送程序，所述信息推送程序被处理器执行时实现如权利要求1至7任一项所述的信息推送方法的步骤。
CN202010110289.8A 2020-02-20 2020-02-20 信息推送方法、装置、设备及可读存储介质 Active CN111343265B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010110289.8A CN111343265B (zh) 2020-02-20 2020-02-20 信息推送方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010110289.8A CN111343265B (zh) 2020-02-20 2020-02-20 信息推送方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN111343265A true CN111343265A (zh) 2020-06-26
CN111343265B CN111343265B (zh) 2021-03-19

Family

ID=71188121

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010110289.8A Active CN111343265B (zh) 2020-02-20 2020-02-20 信息推送方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN111343265B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113709228A (zh) * 2021-08-24 2021-11-26 北京快乐茄信息技术有限公司 信息推送方法及装置、电子设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011140756A1 (zh) * 2010-05-11 2011-11-17 中兴通讯股份有限公司 移动终端、移动终端数据保护方法以及移动终端监控系统
CN105956146A (zh) * 2016-05-12 2016-09-21 腾讯科技（深圳）有限公司 一种物品信息的推荐方法及装置
CN108600780A (zh) * 2018-05-07 2018-09-28 上海掌门科技有限公司 用于推送信息的方法
CN109165515A (zh) * 2018-08-10 2019-01-08 深圳前海微众银行股份有限公司 基于联邦学习的模型参数获取方法、系统及可读存储介质
CN110297848A (zh) * 2019-07-09 2019-10-01 深圳前海微众银行股份有限公司 基于联邦学习的推荐模型训练方法、终端及存储介质
CN110572253A (zh) * 2019-09-16 2019-12-13 济南大学 一种联邦学习训练数据隐私性增强方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011140756A1 (zh) * 2010-05-11 2011-11-17 中兴通讯股份有限公司 移动终端、移动终端数据保护方法以及移动终端监控系统
CN105956146A (zh) * 2016-05-12 2016-09-21 腾讯科技（深圳）有限公司 一种物品信息的推荐方法及装置
CN108600780A (zh) * 2018-05-07 2018-09-28 上海掌门科技有限公司 用于推送信息的方法
CN109165515A (zh) * 2018-08-10 2019-01-08 深圳前海微众银行股份有限公司 基于联邦学习的模型参数获取方法、系统及可读存储介质
CN110297848A (zh) * 2019-07-09 2019-10-01 深圳前海微众银行股份有限公司 基于联邦学习的推荐模型训练方法、终端及存储介质
CN110572253A (zh) * 2019-09-16 2019-12-13 济南大学 一种联邦学习训练数据隐私性增强方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113709228A (zh) * 2021-08-24 2021-11-26 北京快乐茄信息技术有限公司 信息推送方法及装置、电子设备和存储介质
WO2023025166A1 (zh) * 2021-08-24 2023-03-02 北京快乐茄信息技术有限公司 信息推送方法及装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN111343265B (zh) 2021-03-19

Similar Documents

Publication Publication Date Title
CN110210246B (zh) 一种基于安全计算的个人数据服务方法和系统
US11768870B2 (en) Identifying product metadata from an item image
US20080270248A1 (en) System and device for social shopping on-line
US10073826B2 (en) Providing action associated with event detected within communication
CN111339412A (zh) 纵向联邦推荐召回方法、装置、设备及可读存储介质
US20220027333A1 (en) A System, Method and Data Structure for Allowing Users to Electronically Post Comments
CN111159570B (zh) 一种信息推荐方法及服务器
WO2022116431A1 (zh) 一种点击通过率ctr预测方法及装置
US20200236094A1 (en) Generating bridge match identifiers for linking identifiers from server logs
CN111291273A (zh) 推荐系统优化方法、装置、设备及可读存储介质
CN110162722A (zh) 基于二维码的产品推荐方法、服务器及存储介质
CN111368196A (zh) 模型参数的更新方法、装置、设备及可读存储介质
CN111343265B (zh) 信息推送方法、装置、设备及可读存储介质
CN111310047B (zh) 基于fm模型的信息推荐方法、装置、设备及存储介质
CN111553743A (zh) 联邦产品推荐方法、装置、设备及计算机存储介质
CN111553742A (zh) 联邦产品推荐方法、装置、设备及计算机存储介质
US10354313B2 (en) Emphasizing communication based on past interaction related to promoted items
EP3306489B1 (en) Interaction record query processing method and device
CN114238585A (zh) 基于5g消息的查询方法、装置、计算机设备和存储介质
US20130232172A1 (en) Methods and systems for matching expressions
EP3455805A1 (en) Enhancing contact card based on knowledge graph
CN111125734B (zh) 一种数据处理方法及系统
CN112131502A (zh) 数据处理方法、数据处理装置、电子设备和介质
CN111950016B (zh) 一种数据开放输出模型的生成方法、装置和计算设备
CN113961608A (zh) 内容推荐方法、装置和电子设备

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