CN112287244A - 基于联邦学习的产品推荐方法、装置、计算机设备及介质 - Google Patents
基于联邦学习的产品推荐方法、装置、计算机设备及介质 Download PDFInfo
- Publication number
- CN112287244A CN112287244A CN202011182342.1A CN202011182342A CN112287244A CN 112287244 A CN112287244 A CN 112287244A CN 202011182342 A CN202011182342 A CN 202011182342A CN 112287244 A CN112287244 A CN 112287244A
- Authority
- CN
- China
- Prior art keywords
- product
- similarity
- user
- recommendation
- collaborative filtering
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Abstract
本申请实施例属于人工智能领域,涉及一种基于联邦学习的产品推荐方法,包括联合多方参与者建立待训练的联邦学习协同过滤推荐模型,分别获取所有参与者的本地数据中对应的第一用户特征以及产品数据库中产品的特征属性,将第一用户特征和特征属性输入到待训练的联邦学习协同过滤推荐模型中,并进行用户与产品以及产品之间相似度的训练,获得联邦学习协同过滤推荐模型,使用联邦学习协同过滤推荐模型向目标用户推荐相应的产品。本申请还提供一种基于联邦学习的产品推荐装置、计算机设备及存储介质。此外,本申请还涉及区块链技术,第一用户特征可存储于区块链中。本申请可以在保障隐私安全的情况下,提高产品推荐的精准度。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及基于联邦学习的产品推荐方法、装置、计算机设备及介质。
背景技术
健康险是这几年来促进保险行业发展的核心驱动力之一,大健康产业也在飞速发展。与此同时,大数据、云计算、人工智能、物联网、智能可穿戴等技术浪潮也在冲击着健康产业,因此众多保险公司都希望结合这些技术,通过健康险业务来开拓布局“大健康”产业。
目前已经有部分保险公司已经推出与健康大数据结合的保险方案,但是仍然存在着许多缺陷和问题,首先这些方案考虑到的数据维度相对单一,只考虑了用户每天步数的数据或者其他少数的健康数据,也未考虑医院方更加详细深入的数据,以及个人生活消费水平;其次它们没有保险精准推荐的功能;最后它们采集数据的方式可能涉及到隐私问题,难以保证隐私信息的安全。
发明内容
本申请实施例的目的在于提出一种基于联邦学习的产品推荐方法、装置、计算机设备及介质,以解决相关技术中采集数据维度单一且不能保证隐私信息的安全,同时不能进行产品的精准推荐的问题。
为了解决上述技术问题,本申请实施例提供一种基于联邦学习的产品推荐方法,采用了如下所述的技术方案:
联合多方参与者建立待训练的联邦学习协同过滤推荐模型;
分别获取每个参与者的本地数据中对应的第一用户特征以及产品数据库中的产品特征属性;
根据所述第一用户特征和所述产品特征属性对待训练的联邦学习协同过滤推荐模型进行训练,获得联邦学习协同过滤推荐模型;及
使用训练好的联邦学习协同过滤推荐模型向目标用户推荐相应的产品。
进一步的,所述根据所述第一用户特征和所述产品特征属性对待训练的联邦学习协同过滤推荐模型进行训练的步骤包括:
基于所述第一用户特征计算用户与产品之间的关联系数;
根据所述关联系数调整相应第一用户特征的权重,得到第二用户特征;
将所述第二用户特征和所述产品属性输入到待训练的联邦学习协同过滤推荐模型中,计算产品之间的第一相似度,并根据所述第一相似度将产品进行聚类;
根据所述第二用户特征以及聚类结果进行排序。
进一步的,所述根据所述第一相似度将产品进行聚类的步骤包括:
步骤A:对产品数据库的产品进行初始聚类,得到K个初始产品类,所述K个初始产品类构成初始产品类集合;
步骤B:分别计算每两个产品类的类间相似度;
步骤C:分别将计算得到的各类间相似度与预设阈值进行比较;
步骤D:将大于预设阈值的两个产品类合并为一个新产品类,组合合并后的所有新产品类和未合并的初始产品类,得到二次聚类的中间产品类集合;
步骤E:循环执行步骤B到步骤D,直到所述中间产品类集合中的所有类间相似度小于等于预设阈值为止,得到聚类后的最终产品类集合,所述最终产品类集合包括多个最终产品类;
步骤F:输出经聚类后的最终产品类集合。
进一步的,所述根据所述第二用户特征以及聚类结果进行排序的步骤包括:
根据所述第二用户特征从所述聚类结果中确定最接近的最终产品类;
根据所述最接近的最终产品类的类内相似度进行排序推荐。
进一步的,所述根据所述第二用户特征确定用户最接近的产品类的步骤包括:
计算所述第二用户特征与每类最终产品类聚类中心的第二相似度;
将相似度最大的聚类中心对应的最终产品类确定为最接近的产品类。
进一步的,所述使用所述联邦学习协同过滤推荐模型向目标用户推荐相应的产品的步骤包括:
分别获取目标用户在每个参与者中的用户特征作为目标用户特征;
将所述目标用户特征输入至所述联邦学习协同过滤推荐模型中,计算出产品在每个参与者中的推荐指数;
根据所述每个参与者中的推荐指数计算出所述产品的综合推荐指数;
根据所述综合推荐指数向目标用户推荐相应的产品。
进一步的,所述将所述目标用户特征输入至所述联邦学习协同过滤推荐模型中,计算出产品在每个参与者中的推荐指数的步骤包括:
根据所述目标用户特征确定所述目标用户与每类最终产品类的第三相似度;
根据所述第三相似度的排名确定每类最终产品类在每个参与者中的推荐指数。
为了解决上述技术问题,本申请实施例还提供一种基于联邦学习的产品推荐装置,采用了如下所述的技术方案:
创建模块,用于联合多方参与者建立待训练的联邦学习协同过滤推荐模型;
获取模块,用于分别获取所述参与者的本地数据中对应的第一用户特征以及产品数据库中产品的产品特征属性;
训练模块,用于根据所述第一用户特征和所述产品特征属性对待训练的联邦学习协同过滤推荐模型进行训练,获得训练好的联邦学习协同过滤推荐模型;及
推荐模块,用于使用训练好的联邦学习协同过滤推荐模型向目标用户推荐相应的产品。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
该计算机设备包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如上所述的基于联邦学习的产品推荐方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如上所述的基于联邦学习的产品推荐方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请通过联合多方参与者建立待训练的联邦学习协同过滤推荐模型,分别获取所有参与者的本地数据中对应的第一用户特征以及产品数据库中产品的特征属性,根据第一用户特征和特征属性对待训练的联邦学习协同过滤推荐模型进行训练,获得训练好的联邦学习协同过滤推荐模型,最后使用训练好的联邦学习协同过滤推荐模型向目标用户推荐相应的产品;本申请通过建立联邦学习协同过滤推荐模型可以实现数据采集的多样维度,通过使用训练的联邦学习协同过滤推荐模型进行产品推荐,可以在保障隐私安全的情况下,精准的推荐更加符合客户需求的产品。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图;
图2根据本申请的基于联邦学习的产品推荐方法的一个实施例的流程图;
图3是图2中步骤S203的一种具体实施方式的流程图;
图4是根据本申请的基于联邦学习的产品推荐装置的一个实施例的结构示意图;
图5是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
为了解决相关技术中采集数据维度单一,同时不能保证在隐私信息的安全的情况下进行产品的精准推荐的问题,本申请提供了一种基于联邦学习的产品推荐方法,涉及人工智能深度学习,可以应用于如图1所示的系统架构100中,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的基于联邦学习的产品推荐方法一般由服务器或终端设备执行,相应地,基于联邦学习的产品推荐装置一般设置于服务器或终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的基于联邦学习的产品推荐的方法的一个实施例的流程图。所述的基于联邦学习的产品推荐方法,包括以下步骤:
步骤S201,联合多方参与者建立待训练的联邦学习协同过滤推荐模型。
联邦学习(federated learning)是指,通过联合不同的参与者(participant,或者party,也称为数据拥有者(data owner)、或者客户(client)进行机器学习建模的方法。在联邦学习中,参与者不需要向其它参与者和协调者(coordinator,也称为服务器(server),参数服务器(parameter server),或者聚合服务器(aggregation server)暴露自己所拥有的数据,因而联邦学习可以很好的保护用户隐私和保障数据安全,并可以解决数据孤岛问题。
在本实施例中,多方参与者包括医院、银行、智能可穿戴设备以及保险公司。
步骤S202,分别获取每个参与者的本地数据中对应的第一用户特征以及产品数据库中的产品特征属性。
需要说明的是,产品包括健康险、意外险、车险等。在本实施例中,以健康险为例进行详细说明。
在本实施例中,第一用户特征是从联邦系统的每个参与者中进行获取的,用户特征可以包括身体实时的健康情况、既往病史、用户的身体检查结果、消费购买力情况以及保险购买偏好及历史;产品的特征属性可以包括用户对保险产品的可接受保险年缴费、趋向的保险类型、倾向的保险公司规模、保险期限、保险责任类型等。
在本实施例中,获取到的数据为第一用户特征以及产品特征属性,需要对获取到进行数据预处理,具体包括:对获取到的数据进行数据清理,采用数据集成方式将数据清理后的多个数据源的数据整合成一致的数据,将整合成一致的数据进行归一化处理,使各指标处于同一数量级,以便后续进行训练。数据清理是将残缺数据、错误数据以及重复数据进行消除,达到纠正数据的目的。
需要说明的是,进行第一用户特征数据采集的时候,可以采用用户ID哈希值对其的方式进行,这样可以保护多方参与者的非共享用户。
需要强调的是,为进一步保证上述第一用户特征的私密和安全性,上述第一用户特征还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
步骤S203,根据第一用户特征和产品特征属性对待训练的联邦学习协同过滤推荐模型进行训练,获得训练好的联邦学习协同过滤推荐模型。
在本实施例的一种具体实现方式中,参见图3所示,根据第一用户特征和产品特征属性对待训练的联邦学习协同过滤推荐模型进行训练的步骤具体包括:
步骤S301,基于第一用户特征计算用户与产品之间的关联系数。
在本实施例中,若第一用户特征是连续的,使用皮尔森相关系数计算用户与产品之间的关联系数,若第一用户特征是分类特征,则使用肯德尔和谐系数来计算用户与产品之间的关联系数。
步骤S302,根据关联系数调整相应第一用户特征的权重,得到第二用户特征。
应当理解,根据第一用户特征可以确定用户购买或者偏好的产品,若用户购买或者偏好的产品,其关联系数则较大。当用户不想再看到购买过的某款产品,可以降低相应的用户特征权重,使其关联系数减小。
每一个第一用户特征都赋予不同权重,第一用户特征的初始权重可以采用熵权法进行计算,若某个第一用户特征的信息熵越小,表明第一用户特征的变异程度越大,提供的信息量越多,在综合评价中所能起到的作用也越大,其权重也就越大;相反,某个第一用户特征的信息熵越大,表明指第一用户特征的变异程度越小,提供的信息量也越少,在综合评价中所起到的作用也越小,其权重也就越小。
步骤S303,将第二用户特征和所述产品属性输入到待训练的联邦学习协同过滤推荐模型中,计算产品之间的第一相似度,并根据第一相似度将产品进行聚类。
在本实施例中,根据产品特征属性计算产品之间的第一相似度,第一相似度的算法包括但不限于余弦相似度算法、Jaccard系数等。
根据第一相似度将产品进行聚类的方法具体包括如下步骤:
步骤A,对产品数据库的产品进行初始聚类,得到K个初始产品类,所述K个初始产品类构成初始产品类集合。
初始聚类中心的选择对聚类结果有很大的影响,一旦初始值选择地不好,就可能无法得到有效的聚类结果,因此,选取聚类中心的方法以保证初始聚类中心间的相互距离尽可能的远,需要对聚类中心初始化,初始化的过程具体包括:从产品数据库中随机选择一个产品作为第一个聚类中心,计算产品数据库中每个产品与已选择的第一个聚类中心的距离;根据距离计算每个产品被选为下一个聚类中心的概率,在[0,1]间取一个随机数r,用r减去第一个数据的概率,如果减去的结果小于等于0,则选其成为下一个聚类中心;反之,若结果大于0,则继续减去下一个数据的概率,重复该过程,直到减去后的结果小于等于0为止;重复操作,直至K个初始聚类中心全部被选出。
确定K个初始聚类中心后,将对产品数据库中其他的产品,分别计算每个产品与初始聚类中心的欧式距离,按距离最近的准则将它们分到最近的初始聚类中心所对应的类别,将每个类别中所有数据所对应的均值作为该类别的聚类中心,更新聚类中心,直至聚类中心收敛,确定出K个最终聚类中心。根据K个最终聚类中心将产品数据库中的产品,按距离最近的准则将产品划分到最近的最终聚类中心所对应的类别,确定出来的K个产品类构成集合VC={VC1,VC2,……,VCk}。
判断聚类中心收敛的依据为:新计算出来的聚类中心与上一次聚类得出的聚类中心之间的距离小于预设阈值。
步骤B,分别计算每两个产品类的类间相似度。
本实施例中,类间相似度用来衡量不同聚类类别之间的相似度,类间相似度的值越大,两个类别越接近,相反,类间相似度的值越小,两个类别差异较大。
步骤C,分别将计算得到的各类间相似度的与预设阈值进行比较。
应当理解,预设阈值可以根据实际情况进行设置,类间相似度大于预设阈值,说明第一产品类和第二产品类比较接近,可以将二者聚合成一类别。
步骤D,将类间相似度大于预设阈值的两个产品类合并为一个新产品类,组合合并后的所有新产品类和未合并的初始产品类,得到二次聚类的中间产品类集合。
两个产品类为第一产品类与第二产品类,将计算出来的类间相似度与预设阈值进行比较,若大于预设阈值,则说明两个产品类之间比较接近,可以将两者合并为一个新的产品类。例如,将产品分成了5个产品类,即K为5,产品类集合为VC={VC1,VC2,VC3,VC4,VC5},产品类VC1和VC2之间的类间相似度大于预设阈值,将VC2添加至VC2中,形成新的产品类VC12,得到的中间产品类集合为VC={VC12,VC3,VC4,VC5}。
步骤E,循环执行步骤B到步骤D,直到类间相似度小于等于预设阈值为止,得到聚类后的最终产品类集合,最终产品类集合包括的多个最终产品类。
步骤F6,输出经聚类后的最终产品类集合。
在本实施例中,最终产品类集合包括多个最终产品类。确定最终产品类后,重新确定其聚类中心,具体方法为:计算每类最终产品类中所有产品的平均位置,将平均位置确定为最终产品类的聚类中心。
在本实施例中,根据相似度将产品进行聚类,可以提高聚类的准确性,从而保证后续产品推荐的精准度。
步骤304,根据第二用户特征以及聚类结果进行排序,完成联邦学习协同过滤推荐模型的训练。
具体的,根据第二用户特征从聚类结果中确定用户最接近的最终产品类,根据最接近的最终产品类的类内相似度进行排序推荐。
根据第二用户特征确定最接近的产品类的方法包括:计算第二用户特征与每类最终产品类聚类中心的第二相似度,将相似度最大的聚类中心对应的最终产品类确定为最接近的产品类。
在本实施例中,可以采用余弦相似度算法计算第二相似度,类内两两产品之间的相似度通过步骤S303已经计算出来了,在此不再赘述。通过根据用户特征确定最接近的产品类,并根据类内相似度进行排序推荐,进一步保证了产品推荐的精准度。
步骤S204,使用训练好的联邦学习协同过滤推荐模型向目标用户推荐相应的产品。
训练好联邦学习协同过滤推荐模型后,使用该模型向目标用户精准推荐相应的产品。
在本实施例的一些可选的实现方式中,使用联邦学习协同过滤推荐模型向目标用户推荐相应的产品的方法包括如下步骤:
分别获取目标用户在每个参与者中的用户特征作为目标用户特征;
将目标用户特征输入至联邦学习协同过滤推荐模型中,计算出产品在每个参与者中的推荐指数;
根据每个参与者中的推荐系数计算出所述产品的综合推荐指数;
根据综合指数向目标用户推荐相应的产品。
目标用户为多方参与者的共享用户,通过联邦学习协同过滤推荐模型可以保证各参与者的数据都保留在本地,保证用户隐私安全。
具体的,根据目标用户特征确定目标用户与每类最终产品类的第三相似度,根据第三相似度的排名确定每类最终产品类在每个参与者中的推荐指数。
需要说明的是,确定目标用户与每类最终产品类的第三相似度可以通过计算目标用户特征与每类最终产品类的聚类中心的相似度来表示。
举例说明,多方参与者为医院、银行、智能可穿戴设备以及保险公司,假设最终产品类为A类、B类、C类这三类,分别获取目标用户在医院、银行、智能可穿戴设备以及保险公司的目标特征,计算出在医院,产品类的排名由高到低为A类、B类、C类;在银行,产品类的排名由高到低为A类、C类、B类,在智能可穿戴设备,智能可穿戴设备产品类的排名由高到低为C类、B类、A类;在保险公司,产品类的排名由高到低为B类、C类、A类,每个名次对应的评分不一样,例如第一名对应的分数为5、第二名对应的分数为3、第三名对应的分数为1,多方参与者的评分权重也不一样,例如医院评分权重为0.2、银行权重为0.2、智能可穿戴设备为0.2、保险公司为0.4,由此可以得出:A类产品综合推荐指数为P1=5×0.2+5×0.2+1×0.2+1×0.4=2.6,B类产品综合推荐指数为P2=3×0.2+1×0.2+3×0.2+5×0.4=3.4;C类产品综合推荐指数为P1=1×0.2+3×0.2+5×0.2+3×0.4=3.0,因此,根据综合推荐指数向目标用户推荐B类产品。
本申请通过联合多方参与者建立待训练的联邦学习协同过滤推荐模型,分别获取所有参与者的本地数据中对应的用户特征以及产品数据库中产品的特征属性,根据用户特征和特征属性对待训练的联邦学习协同过滤推荐模型进行训练,获得训练好的联邦学习协同过滤推荐模型,最后使用训练好的联邦学习协同过滤推荐模型向目标用户推荐相应的产品;本申请通过建立联邦学习协同过滤推荐模型可以实现数据采集的多样维度,通过使用训练的联邦学习协同过滤推荐模型进行产品推荐,可以在保障隐私安全的情况下,精准的推荐更加符合客户健康需求的保险产品。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图4,作为对上述图2所示方法的实现,本申请提供了一种基于联邦学习的产品推荐装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例所述的基于联邦学习的产品推荐装置包括:创建模块401、获取模块402、训练模块403以及推荐模块404。其中:
创建模块401用于联合多方参与者建立待训练的联邦学习协同过滤推荐模型;
获取模块402用于分别获取所述参与者的本地数据中对应的第一用户特征以及产品数据库中产品的产品特征属性;
训练模块403用于根据所述第一用户特征和所述产品特征属性对待训练的联邦学习协同过滤推荐模型进行训练,获得训练好的联邦学习协同过滤推荐模型;
推荐模块404用于使用训练好的所述联邦学习协同过滤推荐模型向目标用户推荐相应的产品。
需要强调的是,为进一步保证上述第一用户特征的私密和安全性,上述第一用户特征还可以存储于一区块链的节点中。
在本实施例中,训练模块403包括计算子模块、调整子模块、聚类子模块以及排序子模块;
计算子模块用于基于所述第一用户特征计算用户与产品之间的关联系数;
调整子模块用于根据所述关联系数调整相应第一用户特征的权重,得到第二用户特征;
聚类子模块用于将所述第二用户特征和所述产品属性输入到待训练的联邦学习协同过滤推荐模型中,计算产品之间的第一相似度,并根据所述第一相似度将产品进行聚类;
排序子模块用于根据所述第二用户特征以及聚类结果进行排序,完成联邦学习协同过滤推荐模型的训练。
在本实施例中,聚类子模块进一步用于:
步骤A:对产品数据库的产品进行初始聚类,得到K个初始产品类,所述K个初始产品类构成初始产品类集合;
步骤B:分别计算每两个产品类的类间相似度;
步骤C:分别将计算得到的各类间相似度与预设阈值进行比较;
步骤D:将类间相似度大于预设阈值的两个产品类合并为一个新产品类,组合合并后的所有新产品类和未合并的初始产品类,得到二次聚类的中间产品类集合;
步骤E:循环执行步骤B到步骤D,直到所述中间产品类集合中的所有类间相似度小于等于预设阈值为止,得到聚类后的最终产品类集合,所述最终产品类集合包括的多个最终产品类;
步骤F:输出经聚类后的最终产品类集合。
本实施例中,创建子模块包括处理单元和创建单元;
处理单元用于根据所述第二用户特征从所述聚类结果中确定最接近的最终产品类;
创建单元用于根据所述最接近的最终产品类的类内相似度进行排序推荐。
在本实施例中,处理单元进一步用于计算所述第二用户特征与每类最终产品类聚类中心的第二相似度;将相似度最大的聚类中心对应的最终产品类确定为最接近的产品类。
在本实施例中,推荐模块404包括获取子模块、计算子模块以及推荐子模块;
获取子模块用于分别获取目标用户在每个参与者中的用户特征作为目标用户特征;
计算子模块用于将所述目标用户特征输入至所述联邦学习协同过滤推荐模型中,计算出产品在每个参与者中的推荐指数;以及根据所述每个参与者中的推荐指数计算出所述产品的综合推荐指数;
推荐子模块用于根据所述综合推荐指数向目标用户推荐相应的产品。
在本实施例中,计算子模块进一步用于根据所述目标用户特征确定所述目标用户与每类最终产品类的第三相似度;根据所述第三相似度的排名确定每类最终产品类在每个参与者中的推荐指数。
上述基于联邦学习的产品推荐装置,通过建立联邦学习协同过滤推荐模型可以实现数据采集的多样维度,通过使用训练的联邦学习协同过滤推荐模型进行产品推荐,可以在保障隐私安全的情况下,精准的推荐更加符合客户健康需求的保险产品。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图5,图5为本实施例计算机设备基本结构框图。
所述计算机设备5包括通过系统总线相互通信连接存储器51、处理器52、网络接口53。需要指出的是,图中仅示出了具有组件51-53的计算机设备5,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器51至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器51可以是所述计算机设备5的内部存储单元,例如该计算机设备5的硬盘或内存。在另一些实施例中,所述存储器51也可以是所述计算机设备5的外部存储设备,例如该计算机设备5上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器51还可以既包括所述计算机设备5的内部存储单元也包括其外部存储设备。本实施例中,所述存储器51通常用于存储安装于所述计算机设备5的操作系统和各类应用软件,例如基于联邦学习的产品推荐方法的计算机可读指令等。此外,所述存储器51还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器52在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器52通常用于控制所述计算机设备5的总体操作。本实施例中,所述处理器52用于运行所述存储器51中存储的计算机可读指令或者处理数据,例如运行所述基于联邦学习的产品推荐方法的计算机可读指令。
所述网络接口53可包括无线网络接口或有线网络接口,该网络接口53通常用于在所述计算机设备5与其他电子设备之间建立通信连接。
本实施例通过处理器执行存储在存储器的计算机可读指令时实现如上述实施例基于联邦学习的产品推荐方法的步骤,可以实现数据采集的多样维度,同时,在保障隐私安全的情况下,精准的推荐更加符合客户健康需求的保险产品。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的基于联邦学习的产品推荐方法的步骤,可以实现数据采集的多样维度,同时,在保障隐私安全的情况下,精准的推荐更加符合客户健康需求的保险产品。
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,本申请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)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种基于联邦学习的产品推荐方法,其特征在于,包括下述步骤:
联合多方参与者建立待训练的联邦学习协同过滤推荐模型;
分别获取每个参与者的本地数据中对应的第一用户特征以及产品数据库中的产品特征属性;
根据所述第一用户特征和所述产品特征属性对待训练的联邦学习协同过滤推荐模型进行训练,获得训练好的联邦学习协同过滤推荐模型;及
使用训练好的联邦学习协同过滤推荐模型向目标用户推荐相应的产品。
2.根据权利要求1所述的基于联邦学习的产品推荐方法,其特征在于,所述根据所述第一用户特征和所述产品特征属性对待训练的联邦学习协同过滤推荐模型进行训练的步骤包括:
基于所述第一用户特征计算用户与产品之间的关联系数;
根据所述关联系数调整相应第一用户特征的权重,得到第二用户特征;
将所述第二用户特征和所述产品属性输入到待训练的联邦学习协同过滤推荐模型中,计算产品之间的第一相似度,并根据所述第一相似度将产品进行聚类;
根据所述第二用户特征以及聚类结果进行排序,完成联邦学习协同过滤推荐模型的训练。
3.根据权利要求2所述的基于联邦学习的产品推荐方法,其特征在于,所述根据所述第一相似度将产品进行聚类的步骤包括:
步骤A:对产品数据库的产品进行初始聚类,得到K个初始产品类,所述K个初始产品类构成初始产品类集合;
步骤B:分别计算每两个产品类的类间相似度;
步骤C:分别将计算得到的各类间相似度与预设阈值进行比较;
步骤D:将类间相似度大于预设阈值的两个产品类合并为一个新产品类,组合合并后的所有新产品类和未合并的初始产品类,得到二次聚类的中间产品类集合;
步骤E:循环执行步骤B到步骤D,直到所述中间产品类集合中的所有类间相似度小于等于预设阈值为止,得到聚类后的最终产品类集合,所述最终产品类集合包括的多个最终产品类;
步骤F:输出经聚类后的最终产品类集合。
4.根据权利要求3所述的基于联邦学习的产品推荐方法,其特征在于,所述根据所述第二用户特征以及聚类结果进行排序的步骤包括:
根据所述第二用户特征从所述聚类结果中确定最接近的最终产品类;
根据所述最接近的最终产品类的类内相似度进行排序推荐。
5.根据权利要求4所述的基于联邦学习的产品推荐方法,其特征在于,所述根据所述第二用户特征确定用户最接近的产品类的步骤包括:
计算所述第二用户特征与每类最终产品类聚类中心的第二相似度;
将相似度最大的聚类中心对应的最终产品类确定为最接近的产品类。
6.根据权利要求5所述的基于联邦学习的产品推荐方法,其特征在于,所述使用所述联邦学习协同过滤推荐模型向目标用户推荐相应的产品的步骤包括:
分别获取目标用户在每个参与者中的用户特征作为目标用户特征;
将所述目标用户特征输入至所述联邦学习协同过滤推荐模型中,计算出产品在每个参与者中的推荐指数;
根据所述每个参与者中的推荐指数计算出所述产品的综合推荐指数;
根据所述综合推荐指数向目标用户推荐相应的产品。
7.根据权利要求6所述的基于联邦学习的产品推荐方法,其特征在于,所述将所述目标用户特征输入至所述联邦学习协同过滤推荐模型中,计算出产品在每个参与者中的推荐指数的步骤包括:
根据所述目标用户特征确定所述目标用户与每类最终产品类的第三相似度;
根据所述第三相似度的排名确定每类最终产品类在每个参与者中的推荐指数。
8.一种基于联邦学习的产品推荐装置,其特征在于,包括:
创建模块,用于联合多方参与者建立待训练的联邦学习协同过滤推荐模型;
获取模块,用于分别获取所述参与者的本地数据中对应的第一用户特征以及产品数据库中产品的产品特征属性;
训练模块,用于根据所述第一用户特征和所述产品特征属性对待训练的联邦学习协同过滤推荐模型进行训练,获得训练好的联邦学习协同过滤推荐模型;及
推荐模块,用于使用训练好的联邦学习协同过滤推荐模型向目标用户推荐相应的产品。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于联邦学习的产品推荐方法的步骤。
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计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于联邦学习的产品推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011182342.1A CN112287244A (zh) | 2020-10-29 | 2020-10-29 | 基于联邦学习的产品推荐方法、装置、计算机设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011182342.1A CN112287244A (zh) | 2020-10-29 | 2020-10-29 | 基于联邦学习的产品推荐方法、装置、计算机设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112287244A true CN112287244A (zh) | 2021-01-29 |
Family
ID=74354061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011182342.1A Pending CN112287244A (zh) | 2020-10-29 | 2020-10-29 | 基于联邦学习的产品推荐方法、装置、计算机设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112287244A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077056A (zh) * | 2021-03-29 | 2021-07-06 | 上海嗨普智能信息科技股份有限公司 | 基于横向联邦学习的数据处理系统 |
CN113158241A (zh) * | 2021-04-06 | 2021-07-23 | 深圳市洞见智慧科技有限公司 | 基于联邦学习的岗位推荐方法及装置 |
CN113239282A (zh) * | 2021-06-22 | 2021-08-10 | 平安国际智慧城市科技股份有限公司 | 一种基于序列相似度计算的推荐方法、装置、介质及设备 |
CN113469786A (zh) * | 2021-06-29 | 2021-10-01 | 深圳市点购电子商务控股股份有限公司 | 物品推荐的方法、装置、计算机设备和存储介质 |
CN113569151A (zh) * | 2021-09-18 | 2021-10-29 | 平安科技(深圳)有限公司 | 基于人工智能的数据推荐方法、装置、设备及介质 |
CN113706258A (zh) * | 2021-08-31 | 2021-11-26 | 平安银行股份有限公司 | 基于组合模型的产品推荐方法、装置、设备及存储介质 |
CN114095503A (zh) * | 2021-10-19 | 2022-02-25 | 广西综合交通大数据研究院 | 一种基于区块链的联邦学习参与节点选择方法 |
CN114202397A (zh) * | 2022-02-17 | 2022-03-18 | 浙江君同智能科技有限责任公司 | 基于神经元激活值聚类的纵向联邦学习后门防御方法 |
CN114510652A (zh) * | 2022-04-20 | 2022-05-17 | 宁波大学 | 一种基于联邦学习的社交协同过滤推荐方法 |
CN116109372A (zh) * | 2022-12-05 | 2023-05-12 | 淮阴工学院 | 基于多层次区块链的冷链物流产品联邦推荐方法及装置 |
-
2020
- 2020-10-29 CN CN202011182342.1A patent/CN112287244A/zh active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077056A (zh) * | 2021-03-29 | 2021-07-06 | 上海嗨普智能信息科技股份有限公司 | 基于横向联邦学习的数据处理系统 |
CN113158241A (zh) * | 2021-04-06 | 2021-07-23 | 深圳市洞见智慧科技有限公司 | 基于联邦学习的岗位推荐方法及装置 |
CN113239282A (zh) * | 2021-06-22 | 2021-08-10 | 平安国际智慧城市科技股份有限公司 | 一种基于序列相似度计算的推荐方法、装置、介质及设备 |
CN113469786A (zh) * | 2021-06-29 | 2021-10-01 | 深圳市点购电子商务控股股份有限公司 | 物品推荐的方法、装置、计算机设备和存储介质 |
CN113706258A (zh) * | 2021-08-31 | 2021-11-26 | 平安银行股份有限公司 | 基于组合模型的产品推荐方法、装置、设备及存储介质 |
CN113569151A (zh) * | 2021-09-18 | 2021-10-29 | 平安科技(深圳)有限公司 | 基于人工智能的数据推荐方法、装置、设备及介质 |
CN114095503A (zh) * | 2021-10-19 | 2022-02-25 | 广西综合交通大数据研究院 | 一种基于区块链的联邦学习参与节点选择方法 |
CN114202397A (zh) * | 2022-02-17 | 2022-03-18 | 浙江君同智能科技有限责任公司 | 基于神经元激活值聚类的纵向联邦学习后门防御方法 |
CN114202397B (zh) * | 2022-02-17 | 2022-05-10 | 浙江君同智能科技有限责任公司 | 基于神经元激活值聚类的纵向联邦学习后门防御方法 |
CN114510652A (zh) * | 2022-04-20 | 2022-05-17 | 宁波大学 | 一种基于联邦学习的社交协同过滤推荐方法 |
CN116109372A (zh) * | 2022-12-05 | 2023-05-12 | 淮阴工学院 | 基于多层次区块链的冷链物流产品联邦推荐方法及装置 |
CN116109372B (zh) * | 2022-12-05 | 2023-09-29 | 淮阴工学院 | 基于多层次区块链的冷链物流产品联邦推荐方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112287244A (zh) | 基于联邦学习的产品推荐方法、装置、计算机设备及介质 | |
CN112101172B (zh) | 基于权重嫁接的模型融合的人脸识别方法及相关设备 | |
CN112256874A (zh) | 模型训练方法、文本分类方法、装置、计算机设备和介质 | |
WO2021174944A1 (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
WO2021120677A1 (zh) | 一种仓储模型训练方法、装置、计算机设备及存储介质 | |
CN112766649B (zh) | 基于多评分卡融合的目标对象评价方法及其相关设备 | |
CN113435583B (zh) | 基于联邦学习的对抗生成网络模型训练方法及其相关设备 | |
WO2022105496A1 (zh) | 智能回访方法、装置、电子设备及可读存储介质 | |
CN113643103A (zh) | 基于用户相似度的产品推荐方法、装置、设备及存储介质 | |
CN112308173B (zh) | 基于多评价因子融合的多目标对象评价方法及其相关设备 | |
CN107809370B (zh) | 用户推荐方法及装置 | |
CN113836131A (zh) | 一种大数据清洗方法、装置、计算机设备及存储介质 | |
CN112215658A (zh) | 基于大数据的选址方法、装置、计算机设备及存储介质 | |
CN110197078B (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
JP2023517518A (ja) | ヌル値又は同等の値を有するリレーショナル・テーブルのためのベクトル埋込モデル | |
CN116777646A (zh) | 基于人工智能的风险识别方法、装置、设备及存储介质 | |
CN112100491A (zh) | 基于用户数据的信息推荐方法、装置、设备及存储介质 | |
CN113361248B (zh) | 一种文本的相似度计算的方法、装置、设备及存储介质 | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN115713248A (zh) | 对用于交易所的数据打分和评价的方法 | |
CN111209403B (zh) | 数据处理方法、装置、介质及电子设备 | |
CN113435741A (zh) | 培训计划生成方法、装置、设备及存储介质 | |
CN111597453A (zh) | 用户画像方法、装置、计算机设备及计算机可读存储介质 | |
CN110825967A (zh) | 一种提高推荐系统多样性的推荐列表重排名方法 | |
CN110941714A (zh) | 分类规则库构建方法、应用分类方法及装置 |
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 |