CN111899076A - 一种基于联邦学习技术平台的航空服务定制化系统及方法 - Google Patents
一种基于联邦学习技术平台的航空服务定制化系统及方法 Download PDFInfo
- Publication number
- CN111899076A CN111899076A CN202010809402.1A CN202010809402A CN111899076A CN 111899076 A CN111899076 A CN 111899076A CN 202010809402 A CN202010809402 A CN 202010809402A CN 111899076 A CN111899076 A CN 111899076A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- federal
- partner
- technology platform
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000005516 engineering process Methods 0.000 title claims abstract description 38
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 238000013210 evaluation model Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 12
- 230000006399 behavior Effects 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000013136 deep learning model Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0621—Item configuration or customization
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q30/0242—Determining effectiveness of advertisements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G06Q50/40—
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了一种基于联邦学习技术平台的航空服务定制化系统及方法，该系统包括联邦学习技术平台、数据源模块、数据处理模块、本地训练模块和云端模块，该方法为航空公司和合作方各自利用自身的源数据建立自有本地模型，然后将模型的参数和梯度上传到联邦学习技术平台，在联邦学习技术平台上实现融合，从而建立新的虚拟模型，利用虚拟模型进行预测和更新，最终建立联邦个性化推荐模型。本发明的方法建立的模型能为航空客户提供个性化精准的产品推荐，同时建模的过程通过联邦学习技术平台实现，保证了数据的安全和隐私。
Description
技术领域
本发明涉及计算机技术领域，特别涉及一种基于联邦学习技术平台的航空服务定制化系统及方法。
背景技术
在竞争日趋激烈的民航业，除了售票获取的利润，附加收入对于航空公司盈利的影响正在不断扩大。但在原有的营销管理模式下，航空公司客户需求处于被动管理状态，航线产品与服务销售不对路，缺乏营销精准性，难以满足市场变化的要求。
随着大数据的进一步发展，利用大数据技术通过长时间对海量的储存收集与关联分析，形成一种“预测”效应，这对于消费者潜在消费需求的精准挖掘、旅客价值分析与精准分类、航空公司产品与服务推荐提供了新思路。但建立精准的航空公司个性化服务推荐模型存在如下困难：1、缺乏精准的用户画像来反映旅客的出行需求或偏好；2、旅客行为数据通常很稀疏；3、由于飞机票价格高昂，对于大多数人来说，乘坐飞机旅行通常是为了一些特点的需求，如商务或度假，而不是日常旅行方式；4、旅客的出行频次和不同线路的需求呈长尾分布。因此大多数乘客的行为数据都被低频的出行者淹没了，无法很好地进行建模。此外，利用大数据建模对于数据的安全性和隐私保护也提出了更高的要求。
发明内容
为解决上述问题，本发明提供了一种基于联邦学习技术平台的航空服务定制化系统及方法。
本发明采用以下技术方案：
一种基于联邦学习技术平台的航空服务定制化系统，包括数据源模块、数据处理模块、本地训练模块和云端模块，所述数据源模块包括航空公司数据和合作方数据，所述数据处理模块包括多方数据规范单元、本地预处理单元和样本数据对齐单元，所述数据处理模块根据约定的数据规范对源数据进行规范、同态加密和对齐，所述本地训练模块利用机器学习或深度学习模型建立自有本地模型，所述云端模块包括参数/梯度加密单元、云端协同整合单元、优化云端模型单元和各方模型更新单元，所述云端模块分别对航空公司和合作方的数据进行加密、整合为一个共有的虚拟模型、对虚拟模型进行优化迭代、反馈虚拟模型的参数。
优选地，所述合作方数据包括银行数据、互联网数据、电商网站数据、APP数据、位置地理或消费数据。
优选地，所述航空公司数据包括出行、购票或航线增值服务。
一种基于联邦学习技术平台的航空服务定制化方法，该方法包括三个逻辑关联的模型，即联邦广告转化预估模型、客户价值评估模型和联邦个性化推荐模型，其步骤为：首先，利用所述联邦广告转化预估模型用于挖掘潜在的旅客，并转化为新客户；然后，所述客户价值评估模型将转化的新客户加入航空公司全体客户进行迭代计算，更新客户群体的分类和画像标签；最后，所述联邦个性化推荐模型根据更新后的分类结果和画像标签为客户定制个性化推荐服务。
优选地，所述联邦广告转化预估模型、客户价值评估模型和联邦个性化推荐模型的建模过程均在联邦学习技术平台上进行，所述建模过程的数据采用航空公司数据和合作方数据的融合。
优选地，所述建模过程具体包括如下步骤：
S1、航空公司和合作方各自提供源数据；
S2、航空公司和合作方根据约定的数据规范在本地完成自有数据样本加工，所述加工包括同态加密和对齐；
S3、航空公司和合作方分别利用机器学习或深度学习模型训练并构建本地自有模型，得到特征参数，所述特征参数包括全量ID、特征变量和表现数据；
S4、从自有模型中抽样得到样本数据，所述样本数据包括本地自有模型的训练参数和梯度，将所述样本数据输入到联邦学习技术平台进行联合建模；
S5、在联合建模时，首先对输入的航空公司和合作方的数据样本进行加密ID匹配，输出ID交集，然后进行模型的训练，从而生成联合模型，所述联合模型是航空公司和合作方的自有本地模型在联邦学习平台融合后的虚拟模型；
S6、利用所述联合模型进行联合预测，所述联合预测包括离线全量预测和在线预测，所述联合预测的结果通过航空公司或合作方的业务系统反馈或直接反馈给各自的自有本地模型；
S7、航空公司或合作方的自有本地模型根据所述联合模型反馈的参数进行更新。
优选地，所述联邦广告转化预估模型在训练和构建本地自有模型时，分析用户的互联网偏好、为之信息和自身航线数据和覆盖率大的特征属性作为用户的特征参数。
优选地，所述客户价值评估模型在训练和建立本地自有模型时通过数据分析和多元统计法筛选总结影响客户价值的关键要素，采用层次分析法计算特征权重，从而得到特征参数；在联合建模时，采用证据推理算法进行建模融合和分析多样性和不确定性，从而获得经过极大似然证据推理融合后的最终价值。
优选地，所述联邦个性化推荐模型在联合建模时，采用联邦推荐算法进行建模融合和分析，根据用户和内容、商品之间的联系，分析用户的行为偏好，为之推荐适合的航空公司产品；所述联邦推荐算法包括横向联邦推荐算法、纵向联邦推荐算法或迁移联邦推荐算法。
采用上述技术方案后，本发明与背景技术相比，具有如下优点：
本发明的建模过程均是在联邦学习技术平台上进行，在联邦学习的框架下实现各个企业的自有数据不出本地的前提下，通过同态加密和对齐的交换方式，即不实体交换数据而是交换模型参数，建立一个虚拟的共有获益模型。这种基于同态加密技术的样本对齐与参数传递构成了联邦学习技术平台的安全基础，保证了各联邦之间的数据共享而不发生泄露，解决了数据孤岛问题；此外，本发明的方法中的联邦广告转化预估模型、客户价值评估模型和联邦个性化推荐模型三者前后逻辑关联，在不断更新客户群体和进行精准的客户价值评估的基础上，制定个性化的推荐服务，克服了现有的大多数乘客的行为数据被低频出行者淹没的问题，优化了个性化推荐模型，从而实现更加精准的推荐，避免资源的浪费。
附图说明
图1为本发明航空服务定制化系统结构图；
图2为本发明航空服务定制化方法示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。
实施例一
一种基于联邦学习技术平台的航空服务定制化系统，包括数据源模块、数据处理模块、本地训练模块和云端模块，所述数据源模块包括航空公司数据和合作方数据，所述数据处理模块包括多方数据规范单元、本地预处理单元和样本数据对齐单元，所述数据处理模块根据约定的数据规范对源数据进行规范、同态加密和对齐，所述本地训练模块利用机器学习或深度学习模型建立自有本地模型，所述云端模块包括参数/梯度加密单元、云端协同整合单元、优化云端模型单元和各方模型更新单元，所述云端模块分别对航空公司和合作方的数据进行加密、整合为一个共有的虚拟模型、对虚拟模型进行优化迭代、反馈虚拟模型的参数。
所述合作方数据包括银行数据、互联网数据、电商网站数据、APP数据、位置地理或消费数据。
所述航空公司数据包括出行、购票或航线增值服务。
本实施例融合了跨界数据如银行、互联网、电商、运营商等与航空公司的自有数据，为模型提供了多元、全面、覆盖面广的特征信息。整个建模的过程都在联邦学习技术平台加密机制下进行，保证了数据的安全和隐私。
实施例二
一种基于联邦学习技术平台的航空服务定制化方法，该方法包括三个逻辑关联的模型，即联邦广告转化预估模型、客户价值评估模型和联邦个性化推荐模型，其步骤为：首先，利用所述联邦广告转化预估模型用于挖掘潜在的旅客，并转化为新客户；然后，所述客户价值评估模型将转化的新客户加入航空公司全体客户进行迭代计算，更新客户群体的分类和画像标签；最后，所述联邦个性化推荐模型根据更新后的分类结果和画像标签为客户定制个性化推荐服务。
所述联邦广告转化预估模型、客户价值评估模型和联邦个性化推荐模型的建模过程均在联邦学习技术平台上进行，所述建模过程的数据采用航空公司数据和合作方数据的融合。
所述建模过程具体包括如下步骤：
S1、航空公司和合作方各自提供源数据；
S2、航空公司和合作方根据约定的数据规范在本地完成自有数据样本加工，所述加工包括同态加密和对齐；
S3、航空公司和合作方分别利用机器学习或深度学习模型训练并构建本地自有模型，得到特征参数，所述特征参数包括全量ID、特征变量和表现数据；
S4、从自有模型中抽样得到样本数据，所述样本数据包括本地自有模型的训练参数和梯度，将所述样本数据输入到联邦学习技术平台进行联合建模；
S5、在联合建模时，首先对输入的航空公司和合作方的数据样本进行加密ID匹配，输出ID交集，然后进行模型的训练，从而生成联合模型，所述联合模型是航空公司和合作方的自有本地模型在联邦学习平台融合后的虚拟模型；
S6、利用所述联合模型进行联合预测，所述联合预测包括离线全量预测和在线预测，所述联合预测的结果通过航空公司或合作方的业务系统反馈或直接反馈给各自的自有本地模型；
S7、航空公司或合作方的自有本地模型根据所述联合模型反馈的参数进行更新。
其中，联邦广告转化预估模型在训练和构建本地自有模型时，分析用户的互联网偏好、为之信息和自身航线数据和覆盖率大的特征属性作为用户的特征参数。通过联邦学习平台同态加密技术，将航空公司与合作方数据对齐样本标识，在联邦学习技术平台构建融合双方用户特征的共有机器学习模型，航空公司的自有的出行、购票、航线增值服务等数据与对应用户位置迁徙、互联网偏好、常驻形态、消费能力等外部数据安全融合，构建虚拟模型即用户扩展模型，分析其互联网偏好、位置信息和自身航线数据和覆盖率大的特征属性作为该人群的显著特征，通过联邦学习技术平台混合加密与广告主所有的点击转化数据对齐样本，应用于广告方定向投放合适的广告信息。
客户价值评估模型在训练和建立本地自有模型时通过数据分析和多元统计法筛选总结影响客户价值的关键要素，采用层次分析法计算特征权重，从而得到特征参数；在联合建模时，采用证据推理算法进行建模融合和分析模型结果的多样性和不确定性，从而获得经过极大似然证据推理融合后的最终价值。
联邦个性化推荐模型在联合建模时，采用联邦推荐算法进行建模融合和分析，根据用户和内容、商品之间的联系，分析用户的行为偏好，为之推荐适合的航空公司产品；所述联邦推荐算法包括横向联邦推荐算法(也称基于商品的联邦推荐)、纵向联邦推荐算法(也称基于用户的联邦推荐)或迁移联邦推荐算法。
本实施例的建模过程均是在联邦学习技术平台上进行，在联邦学习的框架下实现各个企业的自有数据不出本地的前提下，通过同态加密和对齐的交换方式和安全多方计算，即不实体交换数据而是交换模型参数，建立一个虚拟的共有获益模型。这种基于同态加密技术的样本对齐与参数传递构成了联邦学习技术平台的安全基础，保证了各联邦之间的数据共享而不发生泄露，解决了数据孤岛问题；此外，本发明的方法中的联邦广告转化预估模型、客户价值评估模型和联邦个性化推荐模型三者前后逻辑关联，在不断更新客户群体和进行精准的客户价值评估的基础上，制定个性化的推荐服务，克服了现有的大多数乘客的行为数据被低频出行者淹没的问题，优化了个性化推荐模型，从而实现更加精准的推荐，避免资源的浪费。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (9)
1.一种基于联邦学习技术平台的航空服务定制化系统，其特征在于：包括联邦学习技术平台、数据源模块、数据处理模块、本地训练模块和云端模块，所述数据源模块包括航空公司数据和合作方数据，所述数据处理模块包括多方数据规范单元、本地预处理单元和样本数据对齐单元，所述数据处理模块根据约定的数据规范对源数据进行规范、同态加密和对齐，所述本地训练模块利用机器学习或深度学习模型建立自有本地模型，所述云端模块包括参数/梯度加密单元、云端协同整合单元、优化云端模型单元和各方模型更新单元，所述云端模块分别对航空公司和合作方的数据进行加密、整合为一个共有的虚拟模型、对虚拟模型进行优化迭代、反馈虚拟模型的参数。
2.如权利要求1所述的一种基于联邦学习技术平台的航空服务定制化系统，其特征在于：所述合作方数据包括银行数据、互联网数据、电商网站数据、APP数据、位置地理或消费数据。
3.如权利要求1所述的一种基于联邦学习技术平台的航空服务定制化系统，其特征在于：所述航空公司数据包括出行、购票或航线增值服务。
4.一种基于联邦学习技术平台的航空服务定制化方法，其特征在于：该方法包括三个逻辑关联的模型，即联邦广告转化预估模型、客户价值评估模型和联邦个性化推荐模型，其步骤为：首先，利用所述联邦广告转化预估模型用于挖掘潜在的旅客，并转化为新客户；然后，所述客户价值评估模型将转化的新客户加入航空公司全体客户进行迭代计算，更新客户群体的分类和画像标签；最后，所述联邦个性化推荐模型根据更新后的分类结果和画像标签为客户定制个性化推荐服务。
5.如权利要求4所述的一种基于联邦学习技术平台的航空服务定制化方法，其特征在于：所述联邦广告转化预估模型、客户价值评估模型和联邦个性化推荐模型的建模过程均在联邦学习技术平台上进行，所述建模过程的数据采用航空公司数据和合作方数据的融合。
6.如权利要求5所述的一种基于联邦学习技术平台的航空服务定制化方法，其特征在于：所述建模过程具体包括如下步骤：
S1、航空公司和合作方各自提供源数据；
S2、航空公司和合作方根据约定的数据规范在本地完成自有数据样本加工，所述加工包括同态加密和对齐；
S3、航空公司和合作方分别利用机器学习或深度学习模型训练并构建本地自有模型，得到特征参数，所述特征参数包括全量ID、特征变量和表现数据；
S4、从自有模型中抽样得到样本数据，所述样本数据包括本地自有模型的训练参数和梯度，将所述样本数据输入到联邦学习技术平台进行联合建模；
S5、在联合建模时，首先对输入的航空公司和合作方的数据样本进行加密ID匹配，输出ID交集，然后进行模型的训练，从而生成联合模型，所述联合模型是航空公司和合作方的自有本地模型在联邦学习平台融合后的虚拟模型；
S6、利用所述联合模型进行联合预测，所述联合预测包括离线全量预测和在线预测，所述联合预测的结果通过航空公司或合作方的业务系统反馈或直接反馈给各自的自有本地模型；
S7、航空公司或合作方的自有本地模型根据所述联合模型反馈的参数进行更新。
7.如权利要求6所述的一种基于联邦学习技术平台的航空服务定制化方法，其特征在于：所述联邦广告转化预估模型在训练和构建本地自有模型时，分析用户的互联网偏好、为之信息和自身航线数据和覆盖率大的特征属性作为用户的特征参数。
8.如权利要求6所述的一种基于联邦学习技术平台的航空服务定制化方法，其特征在于：所述客户价值评估模型在训练和建立本地自有模型时通过数据分析和多元统计法筛选总结影响客户价值的关键要素，采用层次分析法计算特征权重，从而得到特征参数；在联合建模时，采用证据推理算法进行建模融合和分析多样性和不确定性，从而获得经过极大似然证据推理融合后的最终价值。
9.如权利要求6所述的一种基于联邦学习技术平台的航空服务定制化方法，其特征在于：所述联邦个性化推荐模型在联合建模时，采用联邦推荐算法进行建模融合和分析，根据用户和内容、商品之间的联系，分析用户的行为偏好，为之推荐适合的航空公司产品；所述联邦推荐算法包括横向联邦推荐算法、纵向联邦推荐算法或迁移联邦推荐算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010809402.1A CN111899076B (zh) | 2020-08-12 | 2020-08-12 | 一种基于联邦学习技术平台的航空服务定制化系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010809402.1A CN111899076B (zh) | 2020-08-12 | 2020-08-12 | 一种基于联邦学习技术平台的航空服务定制化系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111899076A true CN111899076A (zh) | 2020-11-06 |
| CN111899076B CN111899076B (zh) | 2023-12-22 |
Family
ID=73229286
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010809402.1A Active CN111899076B (zh) | 2020-08-12 | 2020-08-12 | 一种基于联邦学习技术平台的航空服务定制化系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111899076B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418446A (zh) * | 2020-11-18 | 2021-02-26 | 脸萌有限公司 | 模型处理方法、系统、装置、介质及电子设备 |
| CN112446544A (zh) * | 2020-12-01 | 2021-03-05 | 平安科技（深圳）有限公司 | 交通流预测模型训练方法、装置、电子设备及存储介质 |
| CN112702623A (zh) * | 2020-12-18 | 2021-04-23 | 深圳前海微众银行股份有限公司 | 视频处理方法、装置、设备及存储介质 |
| CN112750043A (zh) * | 2021-01-14 | 2021-05-04 | 中国工商银行股份有限公司 | 业务数据的推送方法、装置和服务器 |
| CN112862530A (zh) * | 2021-02-09 | 2021-05-28 | 江之龙 | 一种基于大数据的营销系统 |
| CN113051608A (zh) * | 2021-03-11 | 2021-06-29 | 佳讯飞鸿（北京）智能科技研究院有限公司 | 一种联邦学习的虚拟化共享模型传输方法 |
| CN113112032A (zh) * | 2021-04-16 | 2021-07-13 | 中国民航大学 | 基于联邦学习的航班延误预测系统及方法 |
| CN113487042A (zh) * | 2021-06-28 | 2021-10-08 | 海光信息技术股份有限公司 | 一种联邦学习方法、装置及联邦学习系统 |
| CN114489268A (zh) * | 2021-12-30 | 2022-05-13 | 重庆特斯联智慧科技股份有限公司 | 一种用于园区赋能平台联邦学习终端 |
| CN114707430A (zh) * | 2022-06-02 | 2022-07-05 | 青岛鑫晟汇科技有限公司 | 一种基于多用户加密的联邦学习可视化系统与方法 |
| US11929885B2 (en) | 2022-02-10 | 2024-03-12 | Honeywell International Inc. | Situation aware edge analytics framework for communication systems |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190251446A1 (en) * | 2018-02-15 | 2019-08-15 | Adobe Inc. | Generating visually-aware item recommendations using a personalized preference ranking network |
| CN110633806A (zh) * | 2019-10-21 | 2019-12-31 | 深圳前海微众银行股份有限公司 | 纵向联邦学习系统优化方法、装置、设备及可读存储介质 |
| CN110797124A (zh) * | 2019-10-30 | 2020-02-14 | 腾讯科技（深圳）有限公司 | 一种模型多端协同训练方法、医疗风险预测方法和装置 |
| CN111340558A (zh) * | 2020-02-28 | 2020-06-26 | 深圳前海微众银行股份有限公司 | 基于联邦学习的线上信息处理方法、装置、设备及介质 |
-
2020
- 2020-08-12 CN CN202010809402.1A patent/CN111899076B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190251446A1 (en) * | 2018-02-15 | 2019-08-15 | Adobe Inc. | Generating visually-aware item recommendations using a personalized preference ranking network |
| CN110633806A (zh) * | 2019-10-21 | 2019-12-31 | 深圳前海微众银行股份有限公司 | 纵向联邦学习系统优化方法、装置、设备及可读存储介质 |
| CN110797124A (zh) * | 2019-10-30 | 2020-02-14 | 腾讯科技（深圳）有限公司 | 一种模型多端协同训练方法、医疗风险预测方法和装置 |
| CN111340558A (zh) * | 2020-02-28 | 2020-06-26 | 深圳前海微众银行股份有限公司 | 基于联邦学习的线上信息处理方法、装置、设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 贾延延 等: "联邦学习模型在涉密数据处理中的应用", 《中国电子科学研究院学报》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418446A (zh) * | 2020-11-18 | 2021-02-26 | 脸萌有限公司 | 模型处理方法、系统、装置、介质及电子设备 |
| CN112418446B (zh) * | 2020-11-18 | 2024-04-09 | 脸萌有限公司 | 模型处理方法、系统、装置、介质及电子设备 |
| WO2022108527A1 (zh) * | 2020-11-18 | 2022-05-27 | 脸萌有限公司 | 模型处理方法、系统、装置、介质及电子设备 |
| CN112446544A (zh) * | 2020-12-01 | 2021-03-05 | 平安科技（深圳）有限公司 | 交通流预测模型训练方法、装置、电子设备及存储介质 |
| WO2022116424A1 (zh) * | 2020-12-01 | 2022-06-09 | 平安科技（深圳）有限公司 | 交通流预测模型训练方法、装置、电子设备及存储介质 |
| CN112702623A (zh) * | 2020-12-18 | 2021-04-23 | 深圳前海微众银行股份有限公司 | 视频处理方法、装置、设备及存储介质 |
| CN112750043A (zh) * | 2021-01-14 | 2021-05-04 | 中国工商银行股份有限公司 | 业务数据的推送方法、装置和服务器 |
| CN112750043B (zh) * | 2021-01-14 | 2024-02-02 | 中国工商银行股份有限公司 | 业务数据的推送方法、装置和服务器 |
| CN112862530A (zh) * | 2021-02-09 | 2021-05-28 | 江之龙 | 一种基于大数据的营销系统 |
| CN113051608A (zh) * | 2021-03-11 | 2021-06-29 | 佳讯飞鸿（北京）智能科技研究院有限公司 | 一种联邦学习的虚拟化共享模型传输方法 |
| CN113112032A (zh) * | 2021-04-16 | 2021-07-13 | 中国民航大学 | 基于联邦学习的航班延误预测系统及方法 |
| CN113487042A (zh) * | 2021-06-28 | 2021-10-08 | 海光信息技术股份有限公司 | 一种联邦学习方法、装置及联邦学习系统 |
| CN113487042B (zh) * | 2021-06-28 | 2023-10-10 | 海光信息技术股份有限公司 | 一种联邦学习方法、装置及联邦学习系统 |
| CN114489268A (zh) * | 2021-12-30 | 2022-05-13 | 重庆特斯联智慧科技股份有限公司 | 一种用于园区赋能平台联邦学习终端 |
| US11929885B2 (en) | 2022-02-10 | 2024-03-12 | Honeywell International Inc. | Situation aware edge analytics framework for communication systems |
| CN114707430B (zh) * | 2022-06-02 | 2022-08-26 | 青岛鑫晟汇科技有限公司 | 一种基于多用户加密的联邦学习可视化系统与方法 |
| CN114707430A (zh) * | 2022-06-02 | 2022-07-05 | 青岛鑫晟汇科技有限公司 | 一种基于多用户加密的联邦学习可视化系统与方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111899076B (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111899076B (zh) | 一种基于联邦学习技术平台的航空服务定制化系统及方法 | |
| Rezaei et al. | Quality assessment of airline baggage handling systems using SERVQUAL and BWM | |
| Vinodh et al. | Design of agile supply chain assessment model and its case study in an Indian automotive components manufacturing organization | |
| Li et al. | Estimation of regional economic development indicator from transportation network analytics | |
| Swanson | Information systems innovation among organizations | |
| Li et al. | Determinants of blockchain adoption in the aviation industry: Empirical evidence from Korea | |
| CN101911043A (zh) | 用于管理消息的系统、设备和/或方法 | |
| Clardy | Strengths vs. strong position: rethinking the nature of SWOT analysis | |
| Balica et al. | Metaverse applications, technologies, and infrastructure: predictive algorithms, real-time customer data analytics, and virtual navigation tools | |
| Carey | Metaverse technologies, behavioral predictive analytics, and customer location tracking tools in blockchain-based virtual worlds | |
| JP2004234646A (ja) | コンテンツ関連情報提供装置及びコンテンツ関連情報提供方法及びコンテンツ関連情報提供システム及び携帯端末、並びに情報処理システム。 | |
| Lilien et al. | Modeled to bits: Decision models for the digital, networked economy | |
| Zhang et al. | Comprehensive understanding of smart product service system from multi-dimension and multi-perspective: an innovative service model for Customer-product Interaction Life Cycle (CILC) | |
| Durana et al. | Digital twin modeling and spatial awareness tools, acoustic environment recognition and visual tracking algorithms, and deep neural network and vision sensing technologies in blockchain-based virtual worlds | |
| Dangi et al. | Customer perception, purchase intention and buying decision for branded products: measuring the role of price discounts | |
| Liu et al. | Modification of the BWM and MABAC method for MAGDM based on q-rung orthopair fuzzy rough numbers | |
| Liu | e-commerce personalized recommendation based on machine learning technology | |
| Raza et al. | Performance analysis of deep approaches on airbnb sentiment reviews | |
| Perkins | Extended reality and geospatial mapping technologies, behavioral predictive and mobile location analytics, and motion planning and object recognition algorithms in immersive hyper-connected virtual spaces | |
| Labti et al. | Modeling travelers behavior using FSQCA | |
| Li et al. | Hybrid IoT and data fusion model for e-commerce big data analysis | |
| Zabukovšek et al. | Business informatics principles | |
| Plotnikov et al. | An analysis of factors influencing the development of self-employment digitalization based on fuzzy logic | |
| Dermawan et al. | The impact of branding on purchasing decision-making in mall shopping and online shopping | |
| Li et al. | Base on the Public Scientific Quality Improvement Research on Risk Early Warning of Online Shopping |
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 |