CN111553745A - 基于联邦的模型更新方法、装置、设备及计算机存储介质 - Google Patents
基于联邦的模型更新方法、装置、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN111553745A CN111553745A CN202010379421.5A CN202010379421A CN111553745A CN 111553745 A CN111553745 A CN 111553745A CN 202010379421 A CN202010379421 A CN 202010379421A CN 111553745 A CN111553745 A CN 111553745A
- Authority
- CN
- China
- Prior art keywords
- user
- product
- recommendation
- federal
- terminal
- 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 65
- 238000012549 training Methods 0.000 claims abstract description 90
- 230000002776 aggregation Effects 0.000 claims abstract description 75
- 238000004220 aggregation Methods 0.000 claims abstract description 75
- 238000003062 neural network model Methods 0.000 claims abstract description 39
- 230000004931 aggregating effect Effects 0.000 claims abstract description 23
- 239000000047 product Substances 0.000 claims description 231
- 230000006399 behavior Effects 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 13
- 239000006227 byproduct Substances 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000012935 Averaging Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
- G06Q30/0269—Targeted advertisements based on user profile or attribute
-
- 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
- G06Q30/0255—Targeted advertisements based on user history
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种基于联邦的模型更新方法、装置、设备及计算机存储介质,包括:在接收到模型训练请求时,获取模型训练请求对应的训练样本;解析训练样本获得产品特征信息和用户特征信息,将用户特征信息加密后发送至协调端,以使协调端聚合多方节点的用户特征信息,获得用户聚合特征;接收协调端发送的用户聚合特征,根据训练样本中的用户行为数据聚合产品特征信息获得第一用户交换特征,将第一用户交换特征发送至多方节点;接收多方节点发送的第二用户交换特征,根据第二用户交换特征、用户聚合特征和产品特征信息训练深度神经网络模型,获得联邦推荐模型。本申请通过纵向联邦更新深度神经网络模型,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,尤其涉及一种基于联邦的模型更新方法、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基于联邦的模型更新方法、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,本申请提供一种基于联邦的模型更新方法,所述基于联邦的模型更新方法应用于推荐终端,所述基于联邦的模型更新方法包括:
在接收到模型训练请求时,获取所述模型训练请求对应的训练样本;
解析训练样本获得产品特征信息和用户特征信息,将所述用户特征信息加密后发送至协调端,以使所述协调端聚合多方节点的用户特征信息,获得用户聚合特征;
接收所述协调端发送的用户聚合特征,根据所述训练样本中的用户行为数据聚合所述产品特征信息获得第一用户交换特征,将所述第一用户交换特征发送至多方节点;
接收所述多方节点发送的第二用户交换特征,根据所述第二用户交换特征、所述用户聚合特征和所述产品特征信息训练深度神经网络模型,获得联邦推荐模型。
可选地,所述接收所述协调端发送的用户聚合特征,根据所述训练样本中的用户行为数据聚合所述产品特征信息获得第一用户交换特征,将所述第一用户交换特征发送至多方节点的步骤,包括:
接收所述协调端发送的用户聚合特征,获取所述训练样本中的用户行为数据,根据所述用户行为数据对所述产品特征信息进行聚合操作,获得第一用户交换特征,其中,所述用户行为数据包括点击操作数据和评分操作数据,所述聚合操作包括平均和加权平均;
将所述第一用户交换特征发送至多方节点。
可选地,所述接收所述多方节点发送的第二用户交换特征,根据所述第二用户交换特征、所述用户聚合特征和所述产品特征信息训练深度神经网络模型,获得联邦推荐模型的步骤之后,所述方法包括:
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;
将所述目标用户数据输入至所述深度神经网络模型,获得所述目标用户数据对应的产品推荐集。
可选地,所述将所述目标用户数据输入至所述深度神经网络模型,获得所述目标用户数据对应的产品推荐集的步骤,包括:
将所述目标用户数据输入至预设的深度神经网络模型,获得用户特征表示集和产品特征表示集;
处理所述用户特征表示集和所述产品特征表示集,生成所述目标用户数据对应的产品推荐集。
可选地,所述处理所述用户特征表示集和所述产品特征表示集,生成所述目标用户数据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数据从大到小排序,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,本申请还提供一种基于联邦的模型更新方法,所述基于联邦的模型更新方法应用于协调端,所述基于联邦的模型更新方法包括:
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;
接收所述推荐终端发送的用户特征信息,对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所述推荐终端,以供所述推荐终端对各自的深度神经网络模型进行迭代训练,获得联邦推荐模型;
接收所述推荐终端发送的信息交换指令,获取所述信息交换指令对应的终端标识;
获取所述终端标识关联的参与节点标识集,将所述参与节点标识集发送至所述推荐终端,以使所述推荐终端与所述参与节点标识集中各参与节点标识对应的其他推荐终端交换用户交换特征。
此外,为了实现上述目的,本申请还提供一种基于联邦的模型更新装置,所述基于联邦的模型更新装置设于推荐终端,所述基于联邦的模型更新装置包括:
请求接收模块,用于在接收到模型训练请求时,获取所述模型训练请求对应的训练样本;
样本解析模块,用于解析训练样本获得产品特征信息和用户特征信息,将所述用户特征信息加密后发送至协调端,以使所述协调端聚合多方节点的用户特征信息,获得用户聚合特征;
接收聚合模块,用于接收所述协调端发送的用户聚合特征,根据所述训练样本中的用户行为数据聚合所述产品特征信息获得第一用户交换特征,将所述第一用户交换特征发送至多方节点;
模型更新模块,用于接收所述多方节点发送的第二用户交换特征,根据所述第二用户交换特征、所述用户聚合特征和所述产品特征信息训练深度神经网络模型,获得联邦推荐模型。
此外,为了实现上述目的,本申请还提供一种基于联邦的模型更新装置,所述基于联邦的模型更新装置设于协调端,所述基于联邦的模型更新装置包括:
生成发送模块,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;
接收聚合模块,用于接收所述推荐终端发送的用户特征信息,对所述用户特征信息进行聚合处理,获得用户聚合特征;
特征反馈模块,用于将所述用户聚合特征反馈至所述推荐终端,以供所述推荐终端对各自的深度神经网络模型进行迭代训练,获得联邦推荐模型;
接收获取模块,用于接收所述推荐终端发送的信息交换指令,获取所述信息交换指令对应的终端标识;
获取发送模块,用于获取所述终端标识关联的参与节点标识集,将所述参与节点标识集发送至所述推荐终端,以使所述推荐终端与所述参与节点标识集中各参与节点标识对应的其他推荐终端交换用户交换特征。
此外,为了实现上述目的,本申请还提供一种基于联邦的模型更新设备,所述基于联邦的模型更新设备可以是推荐终端和/或协调端,所述基于联邦的模型更新设备包括:存储器、处理器以及存储在存储器上的用于实现所述基于联邦的模型更新方法的程序,
所述存储器用于存储实现基于联邦的模型更新方法的程序;
所述处理器用于执行实现所述基于联邦的模型更新方法的程序,以实现如权利要求上述基于联邦的模型更新方法的步骤。
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基于联邦的模型更新方法的程序,所述基于联邦的模型更新方法的程序被处理器执行时实现如上述的基于联邦的模型更新方法的步骤。
本发明提供一种基于联邦的模型更新方法、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,各推荐终端将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,然后推荐终端根据训练样本中的用户行为数据聚合产品特征信息获得第一用户交换特征,推荐终端将用户交换特征发送至多方节点,并接收所述多方节点发送的第二用户交换特征,根据所述第二用户交换特征、所述用户聚合特征和所述产品特征信息训练深度神经网络模型,获得联邦推荐模型;本发明实施例中通过用户聚合特征、第二用户交换特征和海量数据训练深度神经网络模型获得联邦推荐模型,使得联邦推荐模型充分学习的这样进行产品推荐的准确率更高。
附图说明
图1为本申请基于联邦的模型更新方法第一实施例的流程示意图;
图2为本申请基于联邦的模型更新方法第四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基于联邦的模型更新方法,参照图1,在本申请基于联邦的模型更新方法的第一实施例中,所述基于联邦的模型更新方法包括:
步骤S10,在接收到模型训练请求时,获取所述模型训练请求对应的训练样本。
本实施例中基于联邦的模型更新方法应用于推荐终端,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进行训练,在本实施例中,对所述预设待训练推荐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:
推荐终端接收模型更新请求,推荐终端获取所述模型训练请求对应的训练样本(训练样本包括但不仅限于预先采集的用户购买数据、用户评分数据、用户账户数据和用户身份数据)。
步骤S20,解析训练样本获得产品特征信息和用户特征信息,将所述用户特征信息加密后发送至协调端,以使所述协调端聚合多方节点的用户特征信息,获得用户聚合特征。
即,推荐终端解析训练样本获得产品特征信息和用户特征信息的实现方式不作限定,具体地,
实现方式一: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产品特征信息和用户特征信息;
实现方式二:推荐终端将训练样本输入预设的特征提取模型(特征提取模型是指预先训练的特征分离器)中,特征提取模型处理训练样本获得产品特征信息和用户特征信息。
推荐终端获得产品特征信息和用户特征信息之后,推荐终端获取协调端发送的密钥,推荐终端将用户特征信息按照该密钥进行加密后发送至协调端,以使协调端聚合多方节点的用户特征信息,获得用户聚合特征。
其中,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,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。
步骤S30,接收所述协调端发送的用户聚合特征,根据所述训练样本中的用户行为数据聚合所述产品特征信息获得第一用户交换特征,将所述第一用户交换特征发送至多方节点。
推荐终端接收协调端发送的用户聚合特征,推荐终端根据训练样本中的用户行为数据(用户行为数据包括点击操作数据和评分操作数据等等)聚合产品特征信息获得第一用户交换特征,即,推荐终端获取训练样本中的用户行为数据,根据用户行为数据对所述产品特征信息进行聚合操作(所述聚合操作包括平均和加权平均),获得第一用户交换特征(用户交换特征是根据用户行为对物品特征聚合(平均、加权平均等方法)得到的用户特征),推荐终端将所述第一用户交换特征发送至多方节点。
本实施例中联邦学习使用到的用户特征分为两个部分,一部分是推荐终端发送至协调端,由协调端聚合多方用户特征信息形成的用户聚合特征,另一部分是根据用户行为聚合的产品特征作为用户交换特征,本实施例中将用户交换特征发给多方,作为用户特征的补充,实现了用户特征的充分融合。
步骤S40,接收所述多方节点发送的第二用户交换特征,根据所述第二用户交换特征、所述用户聚合特征和所述产品特征信息训练深度神经网络模型,获得联邦推荐模型。
推荐终端接收多方节点发送的第二用户交换特征,推荐终端根据第二用户交换特征、用户聚合特征述产品特征信息训练深度神经网络模型,在深度神经网络模型收敛的时候,推荐终端将训练获得的深度神经网络模型,作为联邦推荐模型。
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,各推荐终端将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,然后推荐终端根据训练样本中的用户行为数据聚合产品特征信息获得第一用户交换特征,推荐终端将用户交换特征发送至多方节点,并接收所述多方节点发送的第二用户交换特征,根据所述第二用户交换特征、所述用户聚合特征和所述产品特征信息训练深度神经网络模型,获得联邦推荐模型;本发明实施例中通过用户聚合特征、第二用户交换特征和海量数据训练深度神经网络模型获得联邦推荐模型,使得联邦推荐模型充分学习的这样进行产品推荐的准确率更高。
进一步地,基于本申请上述实施例,提出了本发明基于联邦的模型更新方法的第二实施例。
本实施例是第一实施例中步骤S40之后的步骤,本实施例与上述实施例的区别在于:
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;
将所述目标用户数据输入至所述深度神经网络模型,获得所述目标用户数据对应的产品推荐集。
即,在训练完成联邦推荐模型后,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。
然后,推荐终端将所述目标用户数据输入至所述深度神经网络模型,获得所述目标用户数据对应的产品推荐集,具体地,包括:
将所述目标用户数据输入至预设的深度神经网络模型,获得用户特征表示集和产品特征表示集;
处理所述用户特征表示集和所述产品特征表示集,生成所述目标用户数据对应的产品推荐集。
即,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联邦推荐模型中,获得用户特征表示集和产品特征集,其中,特征表示集包括用户特征表示集和产品特征表示集,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。
例如,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联邦推荐模型,得到目标用户对应与联邦推荐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与联邦推荐模型中用户b1的相似性评分为0.9分,目标用户a与联邦推荐模型中用户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。
本发明实施例中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联邦推荐模型,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联邦推荐模型,利用联邦推荐模型进行产品推荐,提高了产品推荐的准确性。
进一步地,基于本申请上述实施例,提出了本发明基于联邦的模型更新方法的第三实施例。
本实施例是第二实施例中步骤:处理所述用户特征表示集和所述产品特征表示集,生成所述目标用户数据对应的产品推荐集的细化,本实施例与上述实施例的区别在于:
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数据从大到小排序,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对应的产品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;本实施例中根据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2,基于本申请基于联邦的模型更新方法上述实施例,提出了本发明基于联邦的模型更新方法的第四实施例,
本实施例中基于联邦的模型更新方法应用于协调端,所述基于联邦的模型更新方法包括:
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,接收所述推荐终端发送的用户特征信息,对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所述推荐终端,以供所述推荐终端对各自的深度神经网络模型进行迭代训练,获得联邦推荐模型;
步骤S80,接收所述推荐终端发送的信息交换指令,获取所述信息交换指令对应的终端标识;
步骤S90,获取所述终端标识关联的参与节点标识集,将所述参与节点标识集发送至所述推荐终端,以使所述推荐终端与所述参与节点标识集中各参与节点标识对应的其他推荐终端交换用户交换特征;
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。
协调端接收所述推荐终端发送的用户特征信息,对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所述推荐终端,以供所述推荐终端对各自的深度神经网络模型进行迭代训练,获得联邦推荐模型;接收所述推荐终端发送的信息交换指令,获取所述信息交换指令对应的终端标识;获取所述终端标识关联的参与节点标识集,将所述参与节点标识集发送至所述推荐终端,以使所述推荐终端与所述参与节点标识集中各参与节点标识对应的其他推荐终端交换用户交换特征。
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,同时,协调端接收推荐终端发送的信息交换指令,获取信息交换指令对应的终端标识,协调端获取所述终端标识关联的参与节点标识集,将所述参与节点标识集发送至所述推荐终端,以使所述推荐终端与所述参与节点标识集中各参与节点标识对应的其他推荐终端交换用户交换特征,本实施例中在不泄露隐私的情况下实现了用户特征信息的充分学习。
本申请还提供一种基于联邦的模型更新系统,所述基于联邦的模型更新系统包括通信连接的协调端和至少两个推荐终端:
推荐终端,用于在接收到模型训练请求时,获取所述模型训练请求对应的训练样本;
协调端,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;
推荐终端,用于解析训练样本获得产品特征信息和用户特征信息,将所述用户特征信息加密后发送至协调端,以使所述协调端聚合多方节点的用户特征信息,获得用户聚合特征;
协调端,用于接收所述推荐终端发送的用户特征信息,对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所述推荐终端,以供所述推荐终端对各自的深度神经网络模型进行迭代训练,获得联邦推荐模型
推荐终端,用于接收所述协调端发送的用户聚合特征,根据所述训练样本中的用户行为数据聚合所述产品特征信息获得第一用户交换特征,将所述第一用户交换特征发送至多方节点;
推荐终端,用于接收所述多方节点发送的第二用户交换特征,根据所述第二用户交换特征、所述用户聚合特征和所述产品特征信息训练深度神经网络模型,获得联邦推荐模型。
本发明中通过通过联合多个推荐终端中的数据进行迭代训练,各推荐终端将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,然后推荐终端根据训练样本中的用户行为数据聚合产品特征信息获得第一用户交换特征,推荐终端将用户交换特征发送至多方节点,并接收所述多方节点发送的第二用户交换特征,根据所述第二用户交换特征、所述用户聚合特征和所述产品特征信息训练深度神经网络模型,获得联邦推荐模型;本发明实施例中通过用户聚合特征、第二用户交换特征和海量数据训练深度神经网络模型获得联邦推荐模型,使得联邦推荐模型充分学习的这样进行产品推荐的准确率更高。
本申请基于联邦的模型更新系统的具体实施方式与上述基于联邦的模型更新方法各实施例基本相同,在此不再赘述。
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,该基于联邦的模型更新设备可以是推荐终端或者协调端,基于联邦的模型更新设备可以包括: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,该基于联邦的模型更新设备还可以包括矩形用户接口、网络接口、摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard),可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解,图3中示出的基于联邦的模型更新设备结构并不构成对基于联邦的模型更新设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图3所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块以及基于联邦的模型更新程序。操作系统是管理和控制基于联邦的模型更新设备硬件和软件资源的程序,支持基于联邦的模型更新程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信,以及与基于联邦的模型更新系统中其它硬件和软件之间通信。
在图3所示的基于联邦的模型更新设备中,处理器1001用于执行存储器1005中存储的基于联邦的模型更新程序,实现上述任一项所述的基于联邦的模型更新方法的步骤。
本申请基于联邦的模型更新设备具体实施方式与上述基于联邦的模型更新方法各实施例基本相同,在此不再赘述。
本申请还提供一种基于联邦的模型更新装置,所述基于联邦的模型更新装置为虚拟装置且应用于推荐终端,所述基于联邦的模型更新装置包括:
请求接收模块,用于在接收到模型训练请求时,获取所述模型训练请求对应的训练样本;
样本解析模块,用于解析训练样本获得产品特征信息和用户特征信息,将所述用户特征信息加密后发送至协调端,以使所述协调端聚合多方节点的用户特征信息,获得用户聚合特征;
聚合发送模块,用于接收所述协调端发送的用户聚合特征,根据所述训练样本中的用户行为数据聚合所述产品特征信息获得第一用户交换特征,将所述第一用户交换特征发送至多方节点;
接收训练模块,用于接收所述多方节点发送的第二用户交换特征,根据所述第二用户交换特征、所述用户聚合特征和所述产品特征信息训练深度神经网络模型,获得联邦推荐模型。
在一实施例中,所述聚合发送模块,包括:
聚合单元,用于接收所述协调端发送的用户聚合特征,获取所述训练样本中的用户行为数据,根据所述用户行为数据对所述产品特征信息进行聚合操作,获得第一用户交换特征,其中,所述用户行为数据包括点击操作数据和评分操作数据,所述聚合操作包括平均和加权平均;
发送单元,用于将所述第一用户交换特征发送至多方节点。
在一实施例中,所述基于联邦的模型更新装置,包括:
提取单元,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;
数据输入单元,用于将所述目标用户数据输入至所述深度神经网络模型,获得所述目标用户数据对应的产品推荐集。
在一实施例中,所述数据输入单元,包括:
将所述目标用户数据输入至预设的深度神经网络模型,获得用户特征表示集和产品特征表示集;
处理所述用户特征表示集和所述产品特征表示集,生成所述目标用户数据对应的产品推荐集。
在一实施例中,所述数据输入单元,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数据从大到小排序,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。
本申请基于联邦的模型更新装置的具体实施方式与上述基于联邦的模型更新方法各实施例基本相同,在此不再赘述。
为实现上述目的,本申请还提供一种基于联邦的模型更新装置,所述基于联邦的模型更新装置应用于协调端,所述基于联邦的模型更新装置包括:
请求接收模块,用于在接收到模型训练请求时,获取所述模型训练请求对应的训练样本;
样本解析模块,用于解析训练样本获得产品特征信息和用户特征信息,将所述用户特征信息加密后发送至协调端,以使所述协调端聚合多方节点的用户特征信息,获得用户聚合特征;
接收聚合模块,用于接收所述协调端发送的用户聚合特征,根据所述训练样本中的用户行为数据聚合所述产品特征信息获得第一用户交换特征,将所述第一用户交换特征发送至多方节点;
模型更新模块,用于接收所述多方节点发送的第二用户交换特征,根据所述第二用户交换特征、所述用户聚合特征和所述产品特征信息训练深度神经网络模型,获得联邦推荐模型。
本申请基于联邦的模型更新装置的具体实施方式与上述基于联邦的模型更新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基于联邦的模型更新方法的步骤。
本申请可读存储介质具体实施方式与上述基于联邦的模型更新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)
1.一种基于联邦的模型更新方法,其特征在于,所述基于联邦的模型更新方法应用于推荐终端,所述基于联邦的模型更新方法包括:
在接收到模型训练请求时,获取所述模型训练请求对应的训练样本;
解析训练样本获得产品特征信息和用户特征信息,将所述用户特征信息加密后发送至协调端,以使所述协调端聚合多方节点的用户特征信息,获得用户聚合特征;
接收所述协调端发送的用户聚合特征,根据所述训练样本中的用户行为数据聚合所述产品特征信息获得第一用户交换特征,将所述第一用户交换特征发送至多方节点;
接收所述多方节点发送的第二用户交换特征,根据所述第二用户交换特征、所述用户聚合特征和所述产品特征信息训练深度神经网络模型,获得联邦推荐模型。
2.如权利要求1所述基于联邦的模型更新方法,其特征在于,所述接收所述协调端发送的用户聚合特征,根据所述训练样本中的用户行为数据聚合所述产品特征信息获得第一用户交换特征,将所述第一用户交换特征发送至多方节点的步骤,包括:
接收所述协调端发送的用户聚合特征,获取所述训练样本中的用户行为数据,根据所述用户行为数据对所述产品特征信息进行聚合操作,获得第一用户交换特征,其中,所述用户行为数据包括点击操作数据和评分操作数据,所述聚合操作包括平均和加权平均;
将所述第一用户交换特征发送至多方节点。
3.如权利要求1所述基于联邦的模型更新方法,其特征在于,所述接收所述多方节点发送的第二用户交换特征,根据所述第二用户交换特征、所述用户聚合特征和所述产品特征信息训练深度神经网络模型,获得联邦推荐模型的步骤之后,所述方法包括:
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;
将所述目标用户数据输入至所述深度神经网络模型,获得所述目标用户数据对应的产品推荐集。
4.如权利要求3所述基于联邦的模型更新方法,其特征在于,所述将所述目标用户数据输入至所述深度神经网络模型,获得所述目标用户数据对应的产品推荐集的步骤,包括:
将所述目标用户数据输入至预设的深度神经网络模型,获得用户特征表示集和产品特征表示集;
处理所述用户特征表示集和所述产品特征表示集,生成所述目标用户数据对应的产品推荐集。
5.如权利要求4所述基于联邦的模型更新方法,其特征在于,所述处理所述用户特征表示集和所述产品特征表示集,生成所述目标用户数据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数据从大到小排序,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。
6.一种基于联邦的模型更新方法,其特征在于,所述基于联邦的模型更新方法应用于协调端,所述基于联邦的模型更新方法包括:
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;
接收所述推荐终端发送的用户特征信息,对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所述推荐终端,以供所述推荐终端对各自的深度神经网络模型进行迭代训练,获得联邦推荐模型;
接收所述推荐终端发送的信息交换指令,获取所述信息交换指令对应的终端标识;
获取所述终端标识关联的参与节点标识集,将所述参与节点标识集发送至所述推荐终端,以使所述推荐终端与所述参与节点标识集中各参与节点标识对应的其他推荐终端交换用户交换特征。
7.一种基于联邦的模型更新装置,其特征在于,所述基于联邦的模型更新装置设于推荐终端,所述基于联邦的模型更新装置包括:
请求接收模块,用于在接收到模型训练请求时,获取所述模型训练请求对应的训练样本;
样本解析模块,用于解析训练样本获得产品特征信息和用户特征信息,将所述用户特征信息加密后发送至协调端,以使所述协调端聚合多方节点的用户特征信息,获得用户聚合特征;
接收聚合模块,用于接收所述协调端发送的用户聚合特征,根据所述训练样本中的用户行为数据聚合所述产品特征信息获得第一用户交换特征,将所述第一用户交换特征发送至多方节点;
模型更新模块,用于接收所述多方节点发送的第二用户交换特征,根据所述第二用户交换特征、所述用户聚合特征和所述产品特征信息训练深度神经网络模型,获得联邦推荐模型。
8.一种基于联邦的模型更新装置,其特征在于,所述基于联邦的模型更新装置设于协调端,所述基于联邦的模型更新装置包括:
生成发送模块,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;
接收聚合模块,用于接收所述推荐终端发送的用户特征信息,对所述用户特征信息进行聚合处理,获得用户聚合特征;
特征反馈模块,用于将所述用户聚合特征反馈至所述推荐终端,以供所述推荐终端对各自的深度神经网络模型进行迭代训练,获得联邦推荐模型;
接收获取模块,用于接收所述推荐终端发送的信息交换指令,获取所述信息交换指令对应的终端标识;
获取发送模块,用于获取所述终端标识关联的参与节点标识集,将所述参与节点标识集发送至所述推荐终端,以使所述推荐终端与所述参与节点标识集中各参与节点标识对应的其他推荐终端交换用户交换特征。
9.一种基于联邦的模型更新设备,其特征在于,所述基于联邦的模型更新设备可以是推荐终端和/或协调端,所述基于联邦的模型更新设备包括:存储器、处理器以及存储在存储器上的用于实现所述基于联邦的模型更新方法的程序,
所述存储器用于存储实现基于联邦的模型更新方法的程序;
所述处理器用于执行实现所述基于联邦的模型更新方法的程序,以实现如权利要求1至6中任一项所述基于联邦的模型更新方法的步骤。
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基于联邦的模型更新程序,所述基于联邦的模型更新程序被处理器执行以实现如权利要求1至6中任一项所述基于联邦的模型更新方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010379421.5A CN111553745A (zh) | 2020-05-08 | 2020-05-08 | 基于联邦的模型更新方法、装置、设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010379421.5A CN111553745A (zh) | 2020-05-08 | 2020-05-08 | 基于联邦的模型更新方法、装置、设备及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111553745A true CN111553745A (zh) | 2020-08-18 |
Family
ID=72004456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010379421.5A Pending CN111553745A (zh) | 2020-05-08 | 2020-05-08 | 基于联邦的模型更新方法、装置、设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111553745A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112182399A (zh) * | 2020-10-16 | 2021-01-05 | 中国银联股份有限公司 | 一种联邦学习的多方安全计算方法及装置 |
CN112364919A (zh) * | 2020-11-11 | 2021-02-12 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及存储介质 |
CN112446765A (zh) * | 2020-12-01 | 2021-03-05 | 平安科技(深圳)有限公司 | 产品推荐方法、装置、电子设备及计算机可读存储介质 |
CN112446736A (zh) * | 2020-12-02 | 2021-03-05 | 平安科技(深圳)有限公司 | 一种点击通过率ctr预测方法及装置 |
CN112600697A (zh) * | 2020-12-07 | 2021-04-02 | 中山大学 | 基于联邦学习的QoS预测方法及系统、客户端和服务端 |
CN112686390A (zh) * | 2020-12-28 | 2021-04-20 | 科大讯飞股份有限公司 | 联合建模方法、系统、装置及具有存储功能的装置 |
CN113191530A (zh) * | 2021-04-09 | 2021-07-30 | 汕头大学 | 一种具有隐私保护的区块链节点可靠性预测方法及系统 |
WO2022057694A1 (en) * | 2020-09-16 | 2022-03-24 | International Business Machines Corporation | Semantic learning in federated learning system |
CN114782176A (zh) * | 2022-06-23 | 2022-07-22 | 浙江数秦科技有限公司 | 一种基于联邦学习的信贷业务推荐方法 |
CN116962085A (zh) * | 2023-09-20 | 2023-10-27 | 北京交通大学 | 鲁棒的个性化联邦学习方法、装置、系统及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564414A (zh) * | 2018-04-23 | 2018-09-21 | 帷幄匠心科技(杭州)有限公司 | 基于线下行为的商品推荐方法和系统 |
CN110189192A (zh) * | 2019-05-10 | 2019-08-30 | 深圳前海微众银行股份有限公司 | 一种信息推荐模型的生成方法及装置 |
WO2020029585A1 (zh) * | 2018-08-10 | 2020-02-13 | 深圳前海微众银行股份有限公司 | 基于迁移学习的神经网络联邦建模方法、设备及存储介质 |
CN110838020A (zh) * | 2019-09-16 | 2020-02-25 | 平安科技(深圳)有限公司 | 基于向量迁移的推荐方法、装置、计算机设备及存储介质 |
-
2020
- 2020-05-08 CN CN202010379421.5A patent/CN111553745A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564414A (zh) * | 2018-04-23 | 2018-09-21 | 帷幄匠心科技(杭州)有限公司 | 基于线下行为的商品推荐方法和系统 |
WO2020029585A1 (zh) * | 2018-08-10 | 2020-02-13 | 深圳前海微众银行股份有限公司 | 基于迁移学习的神经网络联邦建模方法、设备及存储介质 |
CN110189192A (zh) * | 2019-05-10 | 2019-08-30 | 深圳前海微众银行股份有限公司 | 一种信息推荐模型的生成方法及装置 |
CN110838020A (zh) * | 2019-09-16 | 2020-02-25 | 平安科技(深圳)有限公司 | 基于向量迁移的推荐方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
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 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11494700B2 (en) | 2020-09-16 | 2022-11-08 | International Business Machines Corporation | Semantic learning in a federated learning system |
GB2614151A (en) * | 2020-09-16 | 2023-06-28 | Ibm | Semantic learning in federated learning system |
US11681951B2 (en) | 2020-09-16 | 2023-06-20 | International Business Machines Corporation | Semantic learning in a federated learning system |
WO2022057694A1 (en) * | 2020-09-16 | 2022-03-24 | International Business Machines Corporation | Semantic learning in federated learning system |
CN112182399A (zh) * | 2020-10-16 | 2021-01-05 | 中国银联股份有限公司 | 一种联邦学习的多方安全计算方法及装置 |
CN112364919A (zh) * | 2020-11-11 | 2021-02-12 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及存储介质 |
CN112446765A (zh) * | 2020-12-01 | 2021-03-05 | 平安科技(深圳)有限公司 | 产品推荐方法、装置、电子设备及计算机可读存储介质 |
CN112446736A (zh) * | 2020-12-02 | 2021-03-05 | 平安科技(深圳)有限公司 | 一种点击通过率ctr预测方法及装置 |
CN112600697A (zh) * | 2020-12-07 | 2021-04-02 | 中山大学 | 基于联邦学习的QoS预测方法及系统、客户端和服务端 |
CN112686390A (zh) * | 2020-12-28 | 2021-04-20 | 科大讯飞股份有限公司 | 联合建模方法、系统、装置及具有存储功能的装置 |
CN112686390B (zh) * | 2020-12-28 | 2023-11-17 | 科大讯飞股份有限公司 | 联合建模方法、系统、装置及具有存储功能的装置 |
CN113191530A (zh) * | 2021-04-09 | 2021-07-30 | 汕头大学 | 一种具有隐私保护的区块链节点可靠性预测方法及系统 |
CN114782176B (zh) * | 2022-06-23 | 2022-10-25 | 浙江数秦科技有限公司 | 一种基于联邦学习的信贷业务推荐方法 |
CN114782176A (zh) * | 2022-06-23 | 2022-07-22 | 浙江数秦科技有限公司 | 一种基于联邦学习的信贷业务推荐方法 |
CN116962085A (zh) * | 2023-09-20 | 2023-10-27 | 北京交通大学 | 鲁棒的个性化联邦学习方法、装置、系统及存储介质 |
CN116962085B (zh) * | 2023-09-20 | 2023-12-08 | 北京交通大学 | 鲁棒的个性化联邦学习方法、装置、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN110569377B (zh) | 一种媒体文件的处理方法和装置 | |
CN111125512B (zh) | 业务推荐处理方法、装置及系统 | |
CN111553744A (zh) | 联邦产品推荐方法、装置、设备及计算机存储介质 | |
Ma et al. | A highly accurate prediction algorithm for unknown web service QoS values | |
CN111368901A (zh) | 基于联邦学习的多方联合建模方法、设备和介质 | |
CN110135185A (zh) | 使用生成式对抗网络进行私有化的机器学习 | |
CN107305611B (zh) | 恶意账号对应的模型建立方法和装置、恶意账号识别的方法和装置 | |
CN106487747B (zh) | 用户识别方法、系统、装置及处理方法、装置 | |
CN111339412A (zh) | 纵向联邦推荐召回方法、装置、设备及可读存储介质 | |
Huang et al. | Why does collaborative filtering work? transaction-based recommendation model validation and selection by analyzing bipartite random graphs | |
CN110443378A (zh) | 联邦学习中特征相关性分析方法、装置及可读存储介质 | |
CN111159534A (zh) | 基于用户画像的辅助决策方法及装置、设备和介质 | |
CN111553742A (zh) | 联邦产品推荐方法、装置、设备及计算机存储介质 | |
Lycett et al. | Developing a quality of experience (QoE) model for web applications | |
CN104391925A (zh) | 一种基于tv用户协同预测的视频推荐方法及系统 | |
CN111291273A (zh) | 推荐系统优化方法、装置、设备及可读存储介质 | |
Mashal et al. | Analysis of recommendation algorithms for Internet of Things | |
CN112446736A (zh) | 一种点击通过率ctr预测方法及装置 | |
CN111553743A (zh) | 联邦产品推荐方法、装置、设备及计算机存储介质 | |
CN111523679A (zh) | 特征分箱方法、设备及可读存储介质 | |
CN113378067B (zh) | 基于用户挖掘的消息推荐方法、设备、介质 | |
CN109451334B (zh) | 用户画像生成处理方法、装置及电子设备 | |
CN111475628A (zh) | 会话数据处理方法、装置、计算机设备和存储介质 | |
CN114168295A (zh) | 混合架构系统及基于历史任务效果的任务调度方法 |
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 |