CN111553744A - 联邦产品推荐方法、装置、设备及计算机存储介质 - Google Patents
联邦产品推荐方法、装置、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN111553744A CN111553744A CN202010379420.0A CN202010379420A CN111553744A CN 111553744 A CN111553744 A CN 111553744A CN 202010379420 A CN202010379420 A CN 202010379420A CN 111553744 A CN111553744 A CN 111553744A
- Authority
- CN
- China
- Prior art keywords
- product
- user
- recommendation
- terminal
- characteristic information
- 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 80
- 238000012549 training Methods 0.000 claims abstract description 94
- 238000013136 deep learning model Methods 0.000 claims abstract description 61
- 230000002776 aggregation Effects 0.000 claims abstract description 59
- 238000004220 aggregation Methods 0.000 claims abstract description 59
- 238000001914 filtration Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 7
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 239000000047 product Substances 0.000 description 334
- 239000013598 vector Substances 0.000 description 17
- 239000011159 matrix material Substances 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000538562 Banjos Species 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种联邦产品推荐方法、装置、设备及计算机存储介质，所述方法应用于推荐终端，所述方法包括：接收模型更新请求，初始化训练样本获得用户特征信息，并将所述用户特征信息发送至协调端，以使所述协调端聚合至少两个推荐终端发送的用户特征信息，形成用户聚合特征；接收所述协调端发送的用户聚合特征，根据所述用户聚合特征更新所述用户特征信息，根据更新的用户特征信息对初始推荐模型进行迭代训练，获得协同深度学习模型；接收产品推荐请求，获取所述产品推荐请求对应的目标用户数据，将所述目标用户数据输入至所述协同深度学习模型，生成所述目标用户数据对应的产品推荐集。本申请提高了推荐准确率。
Description
技术领域
本申请涉及金融科技(Fintech)的人工智能技术领域，尤其涉及一种联邦产品推荐方法、装置、设备及计算机存储介质。
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。
当前金融业务的产品越来越多，推荐系统可以为用户推荐更加符合需求的产品，推荐系统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，且出于保护用户隐私等等原因，各公司之间不能共享各自的用户数据，进而各公司只能基于少量的用户数据构建推荐系统，这样的推荐系统向用户推荐的产品不准确。
发明内容
本申请的主要目的在于提供一种联邦产品推荐方法、装置、设备及计算机存储介质，旨在解决现有技术中难以准确推荐产品给用户，致使推荐系统推荐效果差的技术问题。
为实现上述目的，本申请提供一种联邦产品推荐方法，所述联邦产品推荐方法应用于推荐终端，所述联邦产品推荐方法包括：
在接收到产品推荐请求时，提取所述产品推荐请求对应的目标用户数据，和所述目标用户数据对应的目标产品数据；
将所述目标用户数据和所述目标产品数据输入至协同深度学习模型，获得特征表示集，其中，所述协同深度学习模型为通过预设的堆叠去噪自编码器处理训练样本中的产品信息，获得产品特征信息，基于所述产品特征信息和用户特征信息执行纵向联邦流程，对初始推荐模型进行迭代训练得到的；
根据所述特征表示集，生成所述产品推荐请求对应的产品推荐集。
可选地，所述将所述目标用户数据和所述目标产品数据输入至预设的协同深度学习模型，获得特征表示集的步骤之前，所述方法包括：
接收模型更新请求，获取所述模型更新请求对应的训练样本；
通过预设的堆叠去噪自编码器处理所述训练样本，获得用户特征信息和产品特征信息；
获取所述协调端发送的密钥，按照所述密钥对所述用户特征信息进行加密处理，并将加密处理之后的用户特征信息发送至协调端，以使所述协调端处理多方节点发送的用户特征信息，获得用户聚合特征；
接收所述协调端发送的用户聚合特征，根据所述用户聚合特征和所述产品特征信息训练所述协同过滤模型，获得协同深度学习模型。
可选地，所述通过预设的堆叠去噪自编码器处理所述训练样本，获得用户特征信息和产品特征信息的步骤，包括：
通过预设的堆叠去噪自编码器中的输入层对所述训练样本进行编码处理；
将编码处理之后的训练样本输入至所述堆叠去噪自编码器的隐藏层进行解码，获得用户特征信息和产品特征信息。
可选地，所述接收所述协调端发送的用户聚合特征，根据所述用户聚合特征和所述产品特征信息训练所述协同过滤模型，获得协同深度学习模型的步骤，包括：
接收所述协调端发送的用户聚合特征，根据所述用户聚合特征和所述产品特征信息训练所述协同过滤模型；
根据所述训练的协同过滤模型和预设损失函数计算损失值，将所述损失值加密后发送至协调端，以使所述协调端基于各方推荐终端发送的损失值，确定训练是否终止；
接收所述协调端发送的提示信息，在所述提示信息为终止提示时，将所述训练协同过滤模型作为协同深度学习模型。
可选地，所述特征表示集包括用户特征表示集和/或产品特征表示集，所述根据所述特征表示集，生成所述产品推荐请求对应的产品推荐集的步骤，包括：
计算所述目标用户数据对应目标用户与所述用户特征表示集中各预设用户的用户相似数据，将所述预设用户按照其用户相似数据从大到小排序，提取排序靠前的预设数量的预设用户形成相似用户列表，将所述相似用户列表中各预设用户关联的产品组成产品推荐集，或；
计算所述目标用户数据对应目标产品与所述产品特征表示集中各预设产品的产品相似数据，将所述预设产品按照其产品相似值从大到小排序，提取排序靠前的预设数量的预设产品形成相似产品列表，将所述相似产品列表中各用户关联的产品组成产品推荐集；
根据所述用户特征表示集和候选集产品数据表示确定用户对产品的评分值，按评分值从大到小排序，生成推荐产品列表，提取所述推荐产品列表中预设数量的目标产品作为所述目标用户数据对应的产品推荐集；或者，
根据所述用户特征表示集和所述产品特征表示集，使用最邻近搜索选取对应的产品推荐集。
此外，为了实现上述目的，本申请还提供一种联邦产品推荐方法，所述联邦产品推荐方法应用于协调端，所述联邦产品推荐方法包括：
生成加密密钥，并将所述密钥分别发送至与所述协调端关联的至少两个推荐终端，以供各所述推荐终端基于所述密钥对各自的用户特征信息进行加密；
接收各所述推荐终端发送的用户特征信息，并对各所述用户特征信息进行聚合处理，获得用户聚合特征；
将所述用户聚合特征反馈至各所述推荐终端，以供各所述推荐终端对各自的初始推荐模型进行迭代训练，获得协同深度学习模型。
此外，为了实现上述目的，本申请还提供一种纵向联邦产品推荐装置，所述纵向联邦产品推荐装置设于推荐终端，所述纵向联邦产品推荐装置包括：
请求接收模块，用于在接收到产品推荐请求时，提取所述产品推荐请求对应的目标用户数据，和所述目标用户数据对应的目标产品数据；
信息输入模块，用于将所述目标用户数据和所述目标产品数据输入至预设的协同深度学习模型，获得特征表示集，其中，所述协同深度学习模型为通过预设的堆叠去噪自编码器处理训练样本中的产品信息，获得产品特征信息，基于所述产品特征信息和用户特征信息执行纵向联邦流程，对初始推荐模型进行迭代训练得到的；
推荐生成模块，用于根据所述特征表示集，生成所述产品推荐请求对应的产品推荐集。
此外，为了实现上述目的，本申请还提供一种纵向联邦产品推荐装置，所述纵向联邦产品推荐装置设于协调端，所述纵向联邦产品推荐装置包括：
密钥生成模块，用于生成加密密钥，并将所述密钥分别发送至与所述协调端关联的至少两个推荐终端，以供各所述推荐终端基于所述密钥对各自的用户特征信息进行加密；
特征聚合模块，用于接收各所述推荐终端发送的用户特征信息，并对各所述用户特征信息进行聚合处理，获得用户聚合特征；
特征发送模块，用于将所述用户聚合特征反馈至各所述推荐终端，以供各所述推荐终端对各自的初始推荐模型进行迭代训练，获得协同深度学习模型。
此外，为了实现上述目的，本申请还提供一种纵向联邦产品推荐设备，所述纵向联邦产品推荐设备可以是推荐终端和/或协调端，所述纵向联邦产品推荐设备包括：存储器、处理器以及存储在存储器上的用于实现所述联邦产品推荐方法的程序，
所述存储器用于存储实现联邦产品推荐方法的程序；
所述处理器用于执行实现所述联邦产品推荐方法的程序，以实现如权利要求上述联邦产品推荐方法的步骤。
此外，为了实现上述目的，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联邦产品推荐方法的程序，所述联邦产品推荐方法的程序被处理器执行时实现如上述的联邦产品推荐方法的步骤。
本发明提供一种联邦产品推荐方法、装置、设备及计算机存储介质，该方法通过联合多个推荐终端中的数据进行迭代训练，本发明中协同深度学习模型为通过预设的堆叠去噪自编码器处理训练样本中的产品信息，获得产品特征信息，基于所述产品特征信息和用户特征信息执行纵向联邦流程，对初始推荐模型进行迭代训练得到的，实现了基于海量数据准确构建协同深度学习模型的目的，本发明中通过用户聚合特征构建协同深度学习模型，利用协同深度学习模型进行产品推荐，提高了产品推荐的准确性。
附图说明
图1为本申请联邦产品推荐方法第一实施例中协同深度学习模型更新的流程示意图；
图2为本申请联邦产品推荐方法第一实施例的流程示意图；
图3为本申请联邦产品推荐方法第三实施例的流程示意图；
图4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联邦产品推荐方法，所述联邦产品推荐方法应用于推荐终端，在本申请联邦产品推荐方法的第一实施例中，所述联邦产品推荐方法包括：
在接收到产品推荐请求时，提取所述产品推荐请求对应的目标用户数据，和所述目标用户数据对应的目标产品数据；
将所述目标用户数据和所述目标产品数据输入至协同深度学习模型，获得特征表示集，其中，所述协同深度学习模型为通过预设的堆叠去噪自编码器处理训练样本中的产品信息，获得产品特征信息，基于所述产品特征信息和用户特征信息执行纵向联邦流程，对初始推荐模型进行迭代训练得到的；
根据所述特征表示集，生成所述产品推荐请求对应的产品推荐集。
本实施例中推荐终端与其他推荐终端通信连接，且纵向联邦流程需要推荐终端与该其他推荐终端共同参与(推荐终端与其他推荐终端的产品不同，但是可以具有共同的用户)，通过纵向联邦流程包括：基于其他推荐终端与推荐终端共同训练用户特征信息，而产品特征信息只是基于推荐终端本地自身存储的进行训练，在本实施例中，预设待训练的协同过滤模型进行迭代训练的方法包括但不限于梯度下降法。
具体地，参照图1，图1为本申请联邦产品推荐方法第一实施例中协同深度学习模型(CDL模型，hierarchical Bayesian model模型，协同深度学习模型)训练的流程示意图，在本发明联邦产品推荐方法的第一实施例中协同深度学习模型构建的步骤包括：
步骤S01，接收模型更新请求，获取所述模型更新请求对应的训练样本；
推荐终端接收模型更新请求，推荐终端型更新请求对应的训练样本，训练样本是指本地数据库中预存的产品购买信息、用户信息、产品信息和用户行为数据。
步骤S02，通过预设的堆叠去噪自编码器处理所述训练样本，获得用户特征信息和产品特征信息；
推荐终端通过预设的堆叠去噪自编码器(堆叠去噪自编码器是指预设的用于特征提取的多层感知器，通过堆叠去噪自编码器可以对训练样本进行特征提取和特征重构)处理训练样本，获得用户特征信息和产品特征信息，本实施例中步骤S02具体地，包括：
步骤a1，通过预设的堆叠去噪自编码器中的输入层对所述训练样本进行编码处理；
步骤a2，将编码处理之后的训练样本输入至所述堆叠去噪自编码器的隐藏层进行解码，获得用户特征信息和产品特征信息。
本实施例中通过堆叠去噪自编码器训练样本，获得用户特征信息和产品特征信息，这样既可以有效地减少训练样本中的噪声数据，还可以保证训练样本提取到的用户特征信息和产品特征信息不会减少，这样利用用户特征信息和产品特征信息训练的协同深度学习模型也就更加准确。
步骤S03，获取所述协调端发送的密钥，按照所述密钥对所述用户特征信息进行加密处理，并将加密处理之后的用户特征信息发送至协调端，以使所述协调端处理多方节点发送的用户特征信息，获得用户聚合特征；
步骤S04，接收所述协调端发送的用户聚合特征，根据所述用户聚合特征和所述产品特征信息训练所述协同过滤模型，获得协同深度学习模型。
推荐终端接收模型更新请求，推荐终端初始化训练样本获得用户特征信息，即，推荐终端获取训练样本中的用户行为数据，推荐终端对用户行为数据进行处理获取用户产品评分矩阵，推荐终端将用户产品评分矩阵进行矩阵分解获得第一用户特征向量，推荐终端将训练样本输入特征提取模型中，获得第二用户特征向量，推荐终端将第一用户特征向量和第二用户特征向量作为用户特征信息，并将用户特征信息加密处理后发送至协调端，以使所述协调端聚合至少两个推荐终端发送的用户特征信息，形成用户聚合特征。
其中，用户产品评分矩阵指的是该推荐终端的目标用户对推荐终端的产品的购买、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，所述产品包括看过的电影、购买过的商品、点击过的网页内容等，例如，假设某一稀疏向量为000000000000010，且表示目标用户对于某一网页的点击量为20次，则可设置产品特征表示为实数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。
例如，推荐终端A和推荐终端B分别初始化各自的用户特征信息、产品特征信息及模型所需要的其它变量，其中用户特征信息和产品特征信息都分别包括两部分，一部分矩阵分解形成的(即，推荐终端A和推荐终端B分别初始化训练样本形成用户产品评分矩阵，分解用户产品评分矩阵获得第一用户特征向量和第一产品特征向量)，一部分是模型训练得到的，即，推荐终端A和推荐终端B分别包含预设的多层感知网络(或者叫深度神经网络)推荐终端A和推荐终端B一轮次或循环的迭代之后，获得各自训练特征信息，推荐终端A和推荐终端B将通过自身的预设多层感知网络(或者叫深度神经网络)处理各自的训练特征信息，获得第二用户特征向量和第二产品特征向量)。推荐终端A和推荐终端B将各自的第一用户特征向量和第二用户特征向量作为用户特征信息，推荐终端A和推荐终端B将各自用户特征信息加密后发送至协调端C，使得协调端C进行聚合再分发回推荐终端A和推荐终端B，保证推荐终端A和推荐终端B的用户特征信息值一致。此外，在训练过程中，推荐终端A和推荐终端B各自训练自己的产品特征信息及其它模型变量，用户特征信息需要双方进行同步，产品特征信息只需要保存各方本地版本。
协调端接收至少两个推荐终端发送的用户特征信息，协调端将至少两个推荐终端发送的用户特征信息进行聚合，即，协调端对至少两个推荐终端进行用户特征信息聚合的方式不作具体限定，包括:
实现方案一：按照用户特征信息中的用户标签进行聚合，例如，相同年龄段、相同学历、相同收入水平的聚合形成一个；
实现方案二：按照用户特征信息中的用户行为信息进行聚合，例如，都浏览且购买商品A的用户聚合形成一个等等，本实施例中协调端不是传统的接收推荐终端的用户标识进行用户对齐，本实施例中推荐终端将用户特征信息发送至协调端进行聚合，在保护用户隐私的前提下，实现了充分的用户特征数据融合。
推荐终端接收协调端发送的用户聚合特征，推荐终端根据用户聚合特征更新用户特征信息，推荐终端根据更新的用户特征信息对协同过滤模型进行迭代训练，获得协同深度学习模型，即，推荐终端接收协调端发送的用户聚合特征，推荐终端将用户聚合特征和用户特征信息进行融合，得到更新后的用户特征信息，推荐终端利用更新后的用户特征信息进行融合建模，本实施例中可以保证多推荐终端中的用户特征信息进行同步更新，然后利用更新的用户特征信息进行构建协同深度学习模型，保证模型准确性。
可以理解的是，本实施例中推荐终端构建协同深度学习模型的步骤包括：推荐终端获取协同过滤模型，推荐终端根据更新后的用户特征信息和训练样本中的产品特征信息进行迭代训练，获得协同深度学习模型，即，推荐终端获取训练样本，推荐终端处理训练样本，获取产品特征信息，产品特征信息也可以有两个来源，例如，来源一推荐终端从训练样本中提取用户产品评分矩阵，推荐终端将用户产品评分矩阵分解形成第一产品特征向量，来源二推荐终端对训练样本进行初始化，获得第二产品特征向量，推荐终端将第一产品特征向量和第二产品特征向量作为产品特征信息，推荐终端按照预设的注意力算法，设置产品特征信息的权重信息，推荐终端按照产品特征信息的权重信息和更新后的用户特征信息训练协同过滤模型，比如说一个人在线上购物模型里面有他的购物记录，就是不同时间的购物的列表，对当前的购买影响不一样，推荐终端中的预设的注意力算法按照购物记录的添加时间，浏览次数和浏览时长设置产品特征信息对应的权重，进行模型训练，推荐终端获取训练模型的损失值，推荐终端按照损失值确定训练得到的分析模型是否收敛，推荐终端将收敛后的分析模型作为协同深度学习模型。
本实施例中推荐终端按照损失值确定训练得到的分析模型是否收敛的方式不作限定，具体地，包括：
接收所述协调端发送的用户聚合特征，根据所述用户聚合特征和所述产品特征信息训练所述协同过滤模型；
根据所述训练的协同过滤模型和预设损失函数计算损失值，将所述损失值加密后发送至协调端，以使所述协调端基于各方推荐终端发送的损失值，确定训练是否终止；
接收所述协调端发送的提示信息，在所述提示信息为终止提示时，将所述训练协同过滤模型作为协同深度学习模型。
即，推荐终端接收协调端发送的用户聚合特征，推荐终端根据用户聚合特征和产品特征信息训练所述协同过滤模型；推荐终端根据训练的协同过滤模型和预设损失函数(预设损失函数是指预先协同过滤模型中的参数灵活设置的函数)计算损失值，推荐终端将损失值加密后发送至协调端，以使协调端基于各方推荐终端发送的损失值，确定训练是否终止；若协调端根据各方推荐终端发送的损失值，确定训练的模型是否收敛，若训练的模型收敛，则协调终端发送终止提示至推荐终端，若训练的模型没有收敛；则协调终端发送迭代训练的提示至推荐终端，推荐终端接收协调端发送的提示信息，在提示信息为终止提示时，将训练协同过滤模型作为协同深度学习模型。
本实施中通过联合多个推荐终端中的数据进行迭代训练，本发明实施例中不需要进行用户对齐，直接将各推荐终端的用户特征信息发送至协调端，通过协调端聚合至少两个推荐终端发送的用户特征信息，形成用户聚合特征，然后基于用户聚合特征进行纵向联邦建模，即，推荐终端将用户聚合特征和用户特征信息进行融合建模，可以保证多推荐终端中的用户特征信息进行同步更新，然后利用更新的用户特征信息进行建模，实现了基于海量数据准确构建协同深度学习模型的目的，在减少数据泄露的同时使得模型充分学习，使得基于协同深度学习模型进行产品推荐的准确率有效地提高。
在协同深度学习模型训练完成之后，推荐终端利用训练的协同深度学习模型进行产品推荐，参照图2，在本发明联邦产品推荐方法的第一实施例中，所述联邦产品推荐方法包括：
步骤S10，在接收到产品推荐请求时，提取所述产品推荐请求对应的目标用户数据，和所述目标用户数据对应的目标产品数据。
在训练完成协同深度学习模型后，推荐终端接收产品推荐请求(产品推荐请求的触发不作具体限定)，推荐终端获取产品推荐请求对应目标用户数据，其中，目标用户数据包括但不仅限于待推荐用户的历史行为数据、用户的账户信息、用户联系方式、用户年龄信息、用户性别信息和用户学历信息等等。
步骤S20，将所述目标用户数据和所述目标产品数据输入至协同深度学习模型，获得特征表示集，其中，所述协同深度学习模型为通过预设的堆叠去噪自编码器处理训练样本中的产品信息，获得产品特征信息，基于所述产品特征信息和用户特征信息执行纵向联邦流程，对初始推荐模型进行迭代训练得到的。
推荐终端获取候选集产品数据，其中，候选集产品数据是指推荐终端中预先设置的需要进行推荐的产品总集合，即，候选集产品数据中包含的产品数量较多，推荐终端并不需要将候选集产品数据中的全部都进行推荐，推荐终端会将候选集产品数据中的进行选择，部分发送至用户进行推荐，即，推荐终端将目标用户数据和候选集产品数据输入至协同深度学习模型中，获得特征表示集，其中，特征表示集包括用户特征表示集和产品特征表示集，其中，用户特征表示集包括目标用户数据中用户与模型的各个用户之间的相似关系或者相似度结果，产品特征表示集包括一个或者多个产品特征表示(包括目标用户对产品的评分)等。
具体地，本实施例中步骤S20，包括：
步骤b1，获取候选集产品数据，将所述目标用户数据和所述候选集产品数据输入至协同深度学习模型，获取所述目标用户数据对应目标用户的用户特征表示和产品特征表示；
步骤b2，根据所述目标用户的用户特征表示和产品特征表示，确定用户相似数据和产品相似数据；
步骤b3，处理所述用户相似数据和产品相似数据，获得特征表示集。
推荐终端接收产品推荐请求，获取产品推荐请求对应的目标用户数据，目标用户数据包括目标用户对产品的评分等，推荐终端获取候选集产品数据，将目标用户数据和候选集产品数据输入至协同深度学习模型，得到目标用户对应与协同深度学习模型中各用户的用户相似性，以生成用户相似数据对应的用户特征表示集，如目标用户a与协同深度学习模型中用户b1的相似性评分为0.9分，目标用户a与协同深度学习模型中用户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，在本实施例中根据的用户相似性组成用户特征表示集。
然后，推荐终端查询目标用户对预设候选集产品数据中产品的评分，推荐终端根据目标用户对预设候选集产品数据中产品的评分，确定构成的产品特征表示集。
步骤S30，根据特征表示集，生成所述目标用户数据对应的产品推荐集。
推荐终端基于用户特征表示集和产品特征表示集，选取候选集产品数据中需要推荐给目标用户的产品，以将目标用户感兴趣的产品推荐给目标用户；具体地，包括：
步骤c1，计算所述用户特征表示集中各用户特征表示的相似度量值，计算所述产品特征表示集中各产品特征表示的相似度量值；
步骤c2，将所述各用户特征表示的相似度量值和所述各产品特征表示的相似度量值按照预设的权重相加，获得所述目标用户对所述候选集产品数据中包含产品的点击概率；
步骤c3，将所述候选集产品数据中包含的产品按照所述产品的点击概率从大到小进行排序，获得推荐产品列表；
步骤c4，提取所述推荐产品列表中排序靠前的预设数量的目标产品，将所述目标产品组成所述目标用户数据对应的产品推荐集。
即，推荐终端计算用户特征表示集中各用户特征表示的相似度量值，推荐终端计算产品特征表示集中各产品特征表示的相似度量值；推荐终端将各用户特征表示的相似度量值和各产品特征表示的相似度量值按照预设的权重相加，获得目标用户对所述产品特征表示集中的产品的点击概率；推荐终端将所述候选集产品数据中包含的产品按照所述产品的点击概率从大到小进行排序，获得推荐产品列表；提取所述推荐产品列表中排序靠前的预设数量的目标产品，将所述目标产品组成所述目标用户数据对应的产品推荐集。
本发明实施例中通过联合多个推荐终端中的数据进行迭代训练，本发明实施例中不需要进行用户对齐，直接将各推荐终端的用户特征信息发送至协调端，通过协调端聚合至少两个推荐终端发送的用户特征信息，形成用户聚合特征，然后基于用户聚合特征进行纵向联邦建模，实现了基于海量数据准确构建协同深度学习模型的目的，当接收到产品推荐请求时，获取产品推荐请求对应目标用户数据后，通过将目标用户数据输入协同深度学习模型，获取需要推荐给目标用户的产品，本发明中通过用户聚合特征构建协同深度学习模型，利用协同深度学习模型进行产品推荐，提高了产品推荐的准确性。
进一步地，基于本申请中第一实施例，提出了本发明联邦产品推荐方法的第二实施例。
本实施例是第一实施例中步骤S30的细化步骤，本实施例中特征表示集包括用户特征表示集和/或产品特征表示集，本实施例与第一实施例的区别在于：
计算所述目标用户数据对应目标用户与所述用户特征表示集中各预设用户的用户相似数据，将所述预设用户按照其用户相似数据从大到小排序，提取排序靠前的预设数量的预设用户形成相似用户列表，将所述相似用户列表中各预设用户关联的产品组成产品推荐集；或者
计算所述目标用户数据对应目标产品与所述产品特征表示集中各预设产品的产品相似数据，将所述预设产品按照其产品相似值从大到小排序，提取排序靠前的预设数量的预设产品形成相似产品列表，将所述相似产品列表中各用户关联的产品组成产品推荐集；或者
根据所述用户特征表示集和候选集产品数据表示确定用户对产品的评分值，按评分值从大到小排序，生成推荐产品列表，提取所述推荐产品列表中预设数量的目标产品作为所述目标用户数据对应的产品推荐集；或者，
根据所述用户特征表示集和所述产品特征表示集，使用最邻近搜索选取对应的产品推荐集。
即，推荐终端根据用户特征表示集进行协同过滤，推荐终端通过计算用户特征表示集中用户特征表示的用户相似性数据，推荐终端按照用户相似性数据从大到小进行排序生成相似用户列表，推荐终端获取相似用户列表中排序靠前的相似用户，推荐终端获取相似用户关联的产品，推荐终端将相似用户关联的产品汇总生成目标用户数据对应的产品推荐集。或者，
推荐终端根据产品特征表示集进行协同过滤，推荐终端通过计算产品特征表示集中产品特征表示的产品相似性数据，推荐终端按照产品相似性数据从大到小进行排序生成相似产品列表，推荐终端获取相似产品列表中排序靠前的相似产品，相似产品汇总生成目标用户数据对应的产品推荐集。或者，
推荐终端根据用户特征表示集和候选集产品数据，计算产品评分值，推荐终端对产品评分值按照从大到小进行排序，生成推荐产品列表，推荐终端选取推荐产品列表中排序靠前的预设数量的目标产品作为目标用户数据对应的产品推荐集。或者，
推荐终端根据用户特征表示集和产品特征表示集，使用最邻近搜索(最邻近搜索便是遍历用户特征表示集和产品特征表示集，计算用户特征表示集和产品特征表示集和目标用户之间的距离，同时记录目前的最近点，推荐终端将最临近的点作为目标用户最有可能喜欢的产品)选择与目标用户最有可能喜欢的产品组成对应的产品推荐集；本实施例中通过协同深度学习模型获得特征表示集，然后，推荐终端用户特征表示集或产品特征表示集，生成目标用户数据对应的产品推荐集，以提高产品推荐准确率。
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提出了本发明联邦产品推荐方法的第三实施例，本实施例中联邦产品推荐方法应用于协调端，所述联邦产品推荐方法包括：
步骤S50，生成加密密钥，并将所述密钥分别发送至与所述协调端关联的至少两个推荐终端，以供各所述推荐终端基于所述密钥对各自的用户特征信息进行加密；
在本实施例中，为了保护数据安全性，协调端设置在纵向联邦流程进行加密，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，密钥(可以包括预设公钥或者对应预设私钥)可以由协调端随机生成，并将所述密钥分别发送至与所述协调端关联的多个推荐终端，以供各所述推荐终端基于所述密钥对各自的用户特征信息进行加密。
步骤S60，接收各所述推荐终端发送的用户特征信息，并对各所述用户特征信息进行聚合处理，获得用户聚合特征；
步骤S70，将所述用户聚合特征反馈至各所述推荐终端，以供各所述推荐终端对各自的初始推荐模型进行迭代训练，获得协同深度学习模型。
协调端接收各推荐终端加密发送的用户特征信息，协调端并对各用户特征信息进行聚合处理，聚合处理包括求平均和求交集等，协调端将用户聚合特征反馈至各推荐终端，以供各推荐终端对各自的初始推荐模型进行迭代训练，获得协同深度学习模型。
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协调端关联的多个推荐终端，以供各所述推荐终端基于所述密钥对各自的用户特征信息进行加密；接收各所述推荐终端加密发送的用户特征信息，保证数据处理的安全性。
本申请纵向联邦产品推荐系统的具体实施方式与上述联邦产品推荐方法各实施例基本相同，在此不再赘述。
参照图4，图4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4所示，该纵向联邦产品推荐设备可以是推荐终端或者协调端，纵向联邦产品推荐设备可以包括：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-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，该纵向联邦产品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4中示出的纵向联邦产品推荐设备结构并不构成对纵向联邦产品推荐设备的限定，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、网络通信模块以及纵向联邦产品推荐程序。操作系统是管理和控制纵向联邦产品推荐设备硬件和软件资源的程序，支持纵向联邦产品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，以及与纵向联邦产品推荐系统中其它硬件和软件之间通信。
在图4所示的纵向联邦产品推荐设备中，处理器1001用于执行存储器1005中存储的纵向联邦产品推荐程序，实现上述任一项所述的联邦产品推荐方法的步骤。
本申请纵向联邦产品推荐设备具体实施方式与上述联邦产品推荐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产品推荐装置，所述纵向联邦产品推荐装置为虚拟装置且应用于推荐终端，所述纵向联邦产品推荐装置包括：
请求接收模块，用于在接收到产品推荐请求时，提取所述产品推荐请求对应的目标用户数据，和所述目标用户数据对应的目标产品数据；
信息输入模块，用于将所述目标用户数据和所述目标产品数据输入至预设的协同深度学习模型，获得特征表示集，其中，所述协同深度学习模型为通过预设的堆叠去噪自编码器处理训练样本中的产品信息，获得产品特征信息，基于所述产品特征信息和用户特征信息执行纵向联邦流程，对初始推荐模型进行迭代训练得到的；
推荐生成模块，用于根据所述特征表示集，生成所述产品推荐请求对应的产品推荐集。
在一实施例中，所述纵向联邦产品推荐装置包括：
请求接收模块，用于接收模型更新请求，获取所述模型更新请求对应的训练样本；
数据处理模块，用于通过预设的堆叠去噪自编码器处理所述训练样本，获得用户特征信息和产品特征信息；
特征发送模块，用于获取所述协调端发送的密钥，按照所述密钥对所述用户特征信息进行加密处理，并将加密处理之后的用户特征信息发送至协调端，以使所述协调端处理多方节点发送的用户特征信息，获得用户聚合特征；
模型更新模块，用于接收所述协调端发送的用户聚合特征，根据所述用户聚合特征和所述产品特征信息训练所述协同过滤模型，获得协同深度学习模型。
在一实施例中，所述数据处理模块，包括：
第一处理单元，用于通过预设的堆叠去噪自编码器中的输入层对所述训练样本进行编码处理；
第二处理单元，用于将编码处理之后的训练样本输入至所述堆叠去噪自编码器的隐藏层进行解码，获得用户特征信息和产品特征信息；
在一实施例中，所述模型更新模块，包括：
请求接收单元，用于接收所述协调端发送的用户聚合特征，根据所述用户聚合特征和所述产品特征信息训练所述协同过滤模型；
损失计算单元，用于根据所述训练的协同过滤模型和预设损失函数计算损失值，将所述损失值加密后发送至协调端，以使所述协调端基于各方推荐终端发送的损失值，确定训练是否终止；
训练终止单元，用于接收所述协调端发送的提示信息，在所述提示信息为终止提示时，将所述训练协同过滤模型作为协同深度学习模型。
在一实施例中，所述推荐生成模块，包括
第一计算单元，用于计算所述目标用户数据对应目标用户与所述用户特征表示集中各预设用户的用户相似数据，将所述预设用户按照其用户相似数据从大到小排序，提取排序靠前的预设数量的预设用户形成相似用户列表，将所述相似用户列表中各预设用户关联的产品组成产品推荐集，或；
第二计算单元，用于计算所述目标用户数据对应目标产品与所述产品特征表示集中各预设产品的产品相似数据，将所述预设产品按照其产品相似值从大到小排序，提取排序靠前的预设数量的预设产品形成相似产品列表，将所述相似产品列表中各用户关联的产品组成产品推荐集；
第三计算单元，用于根据所述用户特征表示集和候选集产品数据表示确定用户对产品的评分值，按评分值从大到小排序，生成推荐产品列表，提取所述推荐产品列表中预设数量的目标产品作为所述目标用户数据对应的产品推荐集；或者，
推荐单元，用于根据所述用户特征表示集和所述产品特征表示集，使用最邻近搜索选取对应的产品推荐集。
本申请纵向联邦产品推荐装置的具体实施方式与上述联邦产品推荐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产品推荐装置，所述纵向联邦产品推荐装置应用于协调端，所述纵向联邦产品推荐装置包括：
密钥生成模块，用于生成加密密钥，并将所述密钥分别发送至与所述协调端关联的至少两个推荐终端，以供各所述推荐终端基于所述密钥对各自的用户特征信息进行加密；
特征聚合模块，用于接收各所述推荐终端发送的用户特征信息，并对各所述用户特征信息进行聚合处理，获得用户聚合特征；
特征发送模块，用于将所述用户聚合特征反馈至各所述推荐终端，以供各所述推荐终端对各自的初始推荐模型进行迭代训练，获得协同深度学习模型。
本申请纵向联邦产品推荐装置的具体实施方式与上述联邦产品推荐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联邦产品推荐方法的步骤。
本申请可读存储介质具体实施方式与上述联邦产品推荐方法各实施例基本相同，在此不再赘述。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利处理范围内。
Claims (10)
1.一种联邦产品推荐方法，其特征在于，所述联邦产品推荐方法应用于推荐终端，所述联邦产品推荐方法包括：
在接收到产品推荐请求时，提取所述产品推荐请求对应的目标用户数据，和所述目标用户数据对应的目标产品数据；
将所述目标用户数据和所述目标产品数据输入至协同深度学习模型，获得特征表示集，其中，所述协同深度学习模型为通过预设的堆叠去噪自编码器处理训练样本中的产品信息，获得产品特征信息，基于所述产品特征信息和用户特征信息执行纵向联邦流程，对初始推荐模型进行迭代训练得到的；
根据所述特征表示集，生成所述产品推荐请求对应的产品推荐集。
2.如权利要求1所述联邦产品推荐方法，其特征在于，所述将所述目标用户数据和所述目标产品数据输入至预设的协同深度学习模型，获得特征表示集的步骤之前，所述方法包括：
接收模型更新请求，获取所述模型更新请求对应的训练样本；
通过预设的堆叠去噪自编码器处理所述训练样本，获得用户特征信息和产品特征信息；
获取所述协调端发送的密钥，按照所述密钥对所述用户特征信息进行加密处理，并将加密处理之后的用户特征信息发送至协调端，以使所述协调端处理多方节点发送的用户特征信息，获得用户聚合特征；
接收所述协调端发送的用户聚合特征，根据所述用户聚合特征和所述产品特征信息训练所述协同过滤模型，获得协同深度学习模型。
3.如权利要求2所述联邦产品推荐方法，其特征在于，所述通过预设的堆叠去噪自编码器处理所述训练样本，获得用户特征信息和产品特征信息的步骤，包括：
通过预设的堆叠去噪自编码器中的输入层对所述训练样本进行编码处理；
将编码处理之后的训练样本输入至所述堆叠去噪自编码器的隐藏层进行解码，获得用户特征信息和产品特征信息。
4.如权利要求2所述联邦产品推荐方法，其特征在于，所述接收所述协调端发送的用户聚合特征，根据所述用户聚合特征和所述产品特征信息训练所述协同过滤模型，获得协同深度学习模型的步骤，包括：
接收所述协调端发送的用户聚合特征，根据所述用户聚合特征和所述产品特征信息训练所述协同过滤模型；
根据所述训练的协同过滤模型和预设损失函数计算损失值，将所述损失值加密后发送至协调端，以使所述协调端基于各方推荐终端发送的损失值，确定训练是否终止；
接收所述协调端发送的提示信息，在所述提示信息为终止提示时，将所述训练协同过滤模型作为协同深度学习模型。
5.如权利要求1所述联邦产品推荐方法，其特征在于，所述特征表示集包括用户特征表示集和/或产品特征表示集，所述根据所述特征表示集，生成所述产品推荐请求对应的产品推荐集的步骤，包括：
计算所述目标用户数据对应目标用户与所述用户特征表示集中各预设用户的用户相似数据，将所述预设用户按照其用户相似数据从大到小排序，提取排序靠前的预设数量的预设用户形成相似用户列表，将所述相似用户列表中各预设用户关联的产品组成产品推荐集；或者
计算所述目标用户数据对应目标产品与所述产品特征表示集中各预设产品的产品相似数据，将所述预设产品按照其产品相似值从大到小排序，提取排序靠前的预设数量的预设产品形成相似产品列表，将所述相似产品列表中各用户关联的产品组成产品推荐集；或者
根据所述用户特征表示集和候选集产品数据表示确定用户对产品的评分值，按评分值从大到小排序，生成推荐产品列表，提取所述推荐产品列表中预设数量的目标产品作为所述目标用户数据对应的产品推荐集；或者
根据所述用户特征表示集和所述产品特征表示集，使用最邻近搜索选取对应的产品推荐集。
6.一种联邦产品推荐方法，其特征在于，所述联邦产品推荐方法应用于协调端，所述联邦产品推荐方法包括：
生成加密密钥，并将所述密钥分别发送至与所述协调端关联的至少两个推荐终端，以供各所述推荐终端基于所述密钥对各自的用户特征信息进行加密；
接收各所述推荐终端发送的用户特征信息，并对各所述用户特征信息进行聚合处理，获得用户聚合特征；
将所述用户聚合特征反馈至各所述推荐终端，以供各所述推荐终端对各自的初始推荐模型进行迭代训练，获得协同深度学习模型。
7.一种纵向联邦产品推荐装置，其特征在于，所述纵向联邦产品推荐装置设于推荐终端，所述纵向联邦产品推荐装置包括：
请求接收模块，用于在接收到产品推荐请求时，提取所述产品推荐请求对应的目标用户数据，和所述目标用户数据对应的目标产品数据；
信息输入模块，用于将所述目标用户数据和所述目标产品数据输入至预设的协同深度学习模型，获得特征表示集，其中，所述协同深度学习模型为通过预设的堆叠去噪自编码器处理训练样本中的产品信息，获得产品特征信息，基于所述产品特征信息和用户特征信息执行纵向联邦流程，对初始推荐模型进行迭代训练得到的；
推荐生成模块，用于根据所述特征表示集，生成所述产品推荐请求对应的产品推荐集。
8.一种纵向联邦产品推荐装置，其特征在于，所述纵向联邦产品推荐装置设于协调端，所述纵向联邦产品推荐装置包括：
密钥生成模块，用于生成加密密钥，并将所述密钥分别发送至与所述协调端关联的至少两个推荐终端，以供各所述推荐终端基于所述密钥对各自的用户特征信息进行加密；
特征聚合模块，用于接收各所述推荐终端发送的用户特征信息，并对各所述用户特征信息进行聚合处理，获得用户聚合特征；
特征发送模块，用于将所述用户聚合特征反馈至各所述推荐终端，以供各所述推荐终端对各自的初始推荐模型进行迭代训练，获得协同深度学习模型。
9.一种纵向联邦产品推荐设备，其特征在于，所述纵向联邦产品推荐设备可以是推荐终端和/或协调端，所述纵向联邦产品推荐设备包括：存储器、处理器以及存储在存储器上的用于实现所述联邦产品推荐方法的程序，
所述存储器用于存储实现联邦产品推荐方法的程序；
所述处理器用于执行实现所述联邦产品推荐方法的程序，以实现如权利要求1至6中任一项所述联邦产品推荐方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有纵向联邦产品推荐程序，所述纵向联邦产品推荐程序被处理器执行以实现如权利要求1至6中任一项所述联邦产品推荐方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010379420.0A CN111553744A (zh) | 2020-05-08 | 2020-05-08 | 联邦产品推荐方法、装置、设备及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010379420.0A CN111553744A (zh) | 2020-05-08 | 2020-05-08 | 联邦产品推荐方法、装置、设备及计算机存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111553744A true CN111553744A (zh) | 2020-08-18 |
Family
ID=72008021
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010379420.0A Pending CN111553744A (zh) | 2020-05-08 | 2020-05-08 | 联邦产品推荐方法、装置、设备及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111553744A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113094598A (zh) * | 2021-05-08 | 2021-07-09 | 福州大学 | 基于联邦团渗透的视频推荐方法及系统 |
| CN113722987A (zh) * | 2021-08-16 | 2021-11-30 | 京东科技控股股份有限公司 | 联邦学习模型的训练方法、装置、电子设备和存储介质 |
| CN113761426A (zh) * | 2021-09-24 | 2021-12-07 | 南方电网数字电网研究院有限公司 | 页面服务认证接入中台的系统、方法、装置、设备和介质 |
| CN114090962A (zh) * | 2022-01-24 | 2022-02-25 | 湖北长江传媒数字出版有限公司 | 一种基于大数据的智能出版系统及方法 |
| CN114723067A (zh) * | 2022-04-12 | 2022-07-08 | 华南理工大学 | 一种基于用户隐私保护的联邦混合过滤推荐方法 |
| CN114741611A (zh) * | 2022-06-08 | 2022-07-12 | 杭州金智塔科技有限公司 | 联邦推荐模型训练方法以及系统 |
| CN115022316A (zh) * | 2022-05-20 | 2022-09-06 | 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 (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107491540A (zh) * | 2017-08-24 | 2017-12-19 | 济南浚达信息技术有限公司 | 一种结合深度贝叶斯模型和协同异构信息嵌入的电影推荐方法 |
| WO2018095049A1 (zh) * | 2016-11-22 | 2018-05-31 | 华为技术有限公司 | 生成推荐结果的方法和装置 |
| US20190080383A1 (en) * | 2017-09-08 | 2019-03-14 | NEC Laboratories Europe GmbH | Method and system for combining user, item and review representations for recommender systems |
| CN110059220A (zh) * | 2019-04-12 | 2019-07-26 | 北京工业大学 | 一种基于深度学习与贝叶斯概率矩阵分解的电影推荐方法 |
| CN110189192A (zh) * | 2019-05-10 | 2019-08-30 | 深圳前海微众银行股份有限公司 | 一种信息推荐模型的生成方法及装置 |
-
2020
- 2020-05-08 CN CN202010379420.0A patent/CN111553744A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018095049A1 (zh) * | 2016-11-22 | 2018-05-31 | 华为技术有限公司 | 生成推荐结果的方法和装置 |
| CN107491540A (zh) * | 2017-08-24 | 2017-12-19 | 济南浚达信息技术有限公司 | 一种结合深度贝叶斯模型和协同异构信息嵌入的电影推荐方法 |
| US20190080383A1 (en) * | 2017-09-08 | 2019-03-14 | NEC Laboratories Europe GmbH | Method and system for combining user, item and review representations for recommender systems |
| CN110059220A (zh) * | 2019-04-12 | 2019-07-26 | 北京工业大学 | 一种基于深度学习与贝叶斯概率矩阵分解的电影推荐方法 |
| CN110189192A (zh) * | 2019-05-10 | 2019-08-30 | 深圳前海微众银行股份有限公司 | 一种信息推荐模型的生成方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| QIANG YANG: "Federated Machine Learning: Concept and Applications", 《ACM TRANSACTIONS ON INTELLIGENT SYSTEMS AND TECHNOLOGY》, 31 January 2019 (2019-01-31), pages 1 - 2 * |
| WANG, HAO ET AL.: "Collaborative Deep Learning for Recommender Systems", 《ACM》, pages 3 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113094598A (zh) * | 2021-05-08 | 2021-07-09 | 福州大学 | 基于联邦团渗透的视频推荐方法及系统 |
| CN113094598B (zh) * | 2021-05-08 | 2022-06-07 | 福州大学 | 基于联邦团渗透的视频推荐方法及系统 |
| CN113722987A (zh) * | 2021-08-16 | 2021-11-30 | 京东科技控股股份有限公司 | 联邦学习模型的训练方法、装置、电子设备和存储介质 |
| CN113722987B (zh) * | 2021-08-16 | 2023-11-03 | 京东科技控股股份有限公司 | 联邦学习模型的训练方法、装置、电子设备和存储介质 |
| CN113761426A (zh) * | 2021-09-24 | 2021-12-07 | 南方电网数字电网研究院有限公司 | 页面服务认证接入中台的系统、方法、装置、设备和介质 |
| CN113761426B (zh) * | 2021-09-24 | 2024-02-13 | 南方电网数字平台科技(广东)有限公司 | 页面服务认证接入中台的系统、方法、装置、设备和介质 |
| CN114090962A (zh) * | 2022-01-24 | 2022-02-25 | 湖北长江传媒数字出版有限公司 | 一种基于大数据的智能出版系统及方法 |
| CN114090962B (zh) * | 2022-01-24 | 2022-05-13 | 湖北长江传媒数字出版有限公司 | 一种基于大数据的智能出版系统及方法 |
| CN114723067A (zh) * | 2022-04-12 | 2022-07-08 | 华南理工大学 | 一种基于用户隐私保护的联邦混合过滤推荐方法 |
| CN115022316A (zh) * | 2022-05-20 | 2022-09-06 | 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 |
| 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 |
| CN114741611A (zh) * | 2022-06-08 | 2022-07-12 | 杭州金智塔科技有限公司 | 联邦推荐模型训练方法以及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111553744A (zh) | 联邦产品推荐方法、装置、设备及计算机存储介质 | |
| CN110569377B (zh) | 一种媒体文件的处理方法和装置 | |
| CN110189192B (zh) | 一种信息推荐模型的生成方法及装置 | |
| Al-Debei et al. | Why people keep coming back to Facebook: Explaining and predicting continuance participation from an extended theory of planned behaviour perspective | |
| 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 | |
| CN108431833A (zh) | 端到端深度协作过滤 | |
| Wan et al. | Deep matrix factorization for trust-aware recommendation in social networks | |
| Chen et al. | A trust-based recommendation method using network diffusion processes | |
| 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 | |
| CN112989186B (zh) | 资讯信息推荐模型训练方法、装置、电子设备及存储介质 | |
| CN112989074A (zh) | 多媒体信息推荐方法、装置、电子设备及存储介质 | |
| CN111159570A (zh) | 一种信息推荐方法及服务器 | |
| KR102379653B1 (ko) | 폐쇄 데이터를 이용하는 개인화된 데이터 모델 | |
| CN111553743A (zh) | 联邦产品推荐方法、装置、设备及计算机存储介质 | |
| Jain et al. | Opinion leaders for information diffusion using graph neural network in online social networks | |
| Chen et al. | A theory-driven deep learning method for voice chat–based customer response prediction | |
| CN111553742A (zh) | 联邦产品推荐方法、装置、设备及计算机存储介质 | |
| CN113656699B (zh) | 用户特征向量确定方法、相关设备及介质 | |
| Zheng et al. | A Matrix Factorization Recommendation System-Based Local Differential Privacy for Protecting Users' Sensitive Data | |
| CN114372871A (zh) | 信用评分值的确定方法及其装置、电子设备及存储介质 | |
| CN110175283B (zh) | 一种推荐模型的生成方法及装置 | |
| CN114491093B (zh) | 多媒体资源推荐、对象表征网络的生成方法及装置 | |
| Wang et al. | Correcting biases in online social media data based on target distributions in the physical world | |
| Wang et al. | A novel collective matrix factorization model for recommendation with fine‐grained social trust prediction |
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 |