CN112766312A - 用户信息获取方法、电子设备和介质 - Google Patents

用户信息获取方法、电子设备和介质 Download PDF

Info

Publication number
CN112766312A
CN112766312A CN202011623343.5A CN202011623343A CN112766312A CN 112766312 A CN112766312 A CN 112766312A CN 202011623343 A CN202011623343 A CN 202011623343A CN 112766312 A CN112766312 A CN 112766312A
Authority
CN
China
Prior art keywords
user
training
server
encoder
embedded vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011623343.5A
Other languages
English (en)
Other versions
CN112766312B (zh
Inventor
蔡文渊
贲利华
顾海林
王中义
樊聆之
骆绪锐
徐林昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Hipu Intelligent Information Technology Co ltd
Original Assignee
Shanghai Hipu Intelligent Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Hipu Intelligent Information Technology Co ltd filed Critical Shanghai Hipu Intelligent Information Technology Co ltd
Publication of CN112766312A publication Critical patent/CN112766312A/zh
Application granted granted Critical
Publication of CN112766312B publication Critical patent/CN112766312B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)
  • Collating Specific Patterns (AREA)
  • Information Transfer Between Computers (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种用户信息获取方法、电子设备和介质，方法包括步骤S1、从第一服务器获取第一列表，从第二服务器获取第二列表；步骤S2、将第一列表中的每一第一用户的第一特征信息输入第一编码器中，得到第一嵌入式向量，将第二列表中的每一第二用户的第二特征信息输入第二编码器，得到第二嵌入式向量；步骤S3、将每一第一嵌入式向量与所有第二嵌入式向量进行近邻匹配，确定对应的第二嵌入式向量；步骤S4、获取每一第一嵌入式向量对应的第二嵌入式向量对应的第二特征信息，将该第二特征信息确定为该第一嵌入式向量对应的第一用户的第二特征信息。本发明能够在不泄露服务器本地的用户信息前提下，快速准确地对全量数据进行匹配，获取目标用户信息。

Description

用户信息获取方法、电子设备和介质
技术领域
本发明涉及计算机技术领域，尤其涉及一种用户信息获取方法、电子设备和介质。
背景技术
随着互联网的发展，不同的服务器可以通过不同的渠道收集大量的用户兴趣标签、行为日志等用户信息。但是，出于对用户隐私的保护，用户数据存储在本地服务器，无法直接打通不同服务器来匹配用户在不同数据库的用户信息。各个服务器存储的用户信息中都可能包含用户隐私，因此不能将真实的用户信息发送给其他服务器，但同时，又存在获取其他服务器中所存储的用户信息的需求。
现有技术中可以通过以一个可信的第三方服务器为中间服务器，通过用户id来匹配存储相同用户id在不同服务器中的用户信息，这样在保护用户隐私的前提下，可以匹配到相同用户id的用户信息。但是，由于不同服务器中用户体量、数据源差异等原因，能够匹配上的用户占比较小，难以对全量用户数据进行匹配。由此可知，如何在不泄露服务器本地的用户信息前提下，对全量用户数据进行匹配，快速准确地获取到目标用户信息，成为亟待解决的技术问题。
发明内容
本发明目的在于，提供一种用户信息获取方法、电子设备和介质，能够在不泄露服务器本地的用户信息前提下，快速准确地对全量数据进行匹配，获取目标用户信息。
根据本发明第一方面，提供了一种用户信息获取方法，包括：
步骤S1、从第一服务器获取第一列表，从第二服务器获取第二列表，所述第一列表包括多个第一用户对应的第一特征信息，所述第二列表包括多个第二用户对应的第二特征信息，所述第一用户和第二用户为相同的或不同的用户；
步骤S2、将所述第一列表中的每一第一用户的第一特征信息输入预先训练好的第一编码器中，得到每一第一用户对应的第一嵌入式向量，将所述第二列表中的每一第二用户的第二特征信息输入预先训练好的第二编码器，得到每一第二用户对应的第二嵌入式向量；
步骤S3、将每一第一嵌入式向量与所有第二嵌入式向量进行近邻匹配，确定每一第一嵌入式向量对应的第二嵌入式向量；
步骤S4、获取每一第一嵌入式向量对应的第二嵌入式向量所对应的第二特征信息，并将该第二特征信息确定为该第一嵌入式向量对应的第一用户的第二特征信息。
根据本发明第三方面，提供一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被设置为用于执行本发明第一方面所述的方法。
根据本发明第四方面，提供一种计算机可读存储介质，所述计算机指令用于执行本发明第一方面所述的方法。
本发明与现有技术相比具有明显的优点和有益效果。借由上述技术方案，本发明提供的一种用户信息获取方法、电子设备和介质可达到相当的技术进步性及实用性，并具有产业上的广泛利用价值，其至少具有下列优点：
本发明基于联邦学习训练得到的第一编码器和第二编码器，来将第一用户和第二用户的对应的特征信息在服务器本地转化为嵌入式向量后再进行近邻匹配，从而为第一用户获取到第一用户在第二服务器中对应的特征信息，整个过程只暴露嵌入式向量、对比梯度等信息，不会将用户的真实信息暴露出去，保护了本地数据，在不泄露服务器本地的用户信息前提下，通过第一编码器和第二编码器对用户特好智能的转换以及后续的近邻匹配能够快速准确地对全量数据进行匹配，获取目标用户信息。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图,详细说明如下。
附图说明
图1为本发明实施例提供的用户信息获取流程图；
图2为本发明实施例提供的第一编码器和第二编码器训练过程示意图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例，对依据本发明提出的一种用户信息获取方法、电子设备和介质的具体实施方式及其功效，详细说明如后。
本发明实施例提供了一种用户信息获取方法，如图1所示，包括以下步骤：
步骤S1、从第一服务器获取第一列表，从第二服务器获取第二列表，所述第一列表包括多个第一用户对应的第一特征信息，所述第二列表包括多个第二用户对应的第二特征信息，所述第一用户和第二用户为相同的或不同的用户；
可以理解的是，所述第一服务器中存储有第一用户的第一原始特征信息，所述第二服务器中存储有第二用户的第二原始特征信息，所述第一用户id和第二用户id存在交集。第一原始特征信息和第二原始特征信息为不同的用户特征信息，例如，第一原始特征信息为用户的兴趣信息，第二原始特征信息为用户的行为特征信息，通过本发明实施例的用户信息获取过程，可以为所述第一服务器中的每一用户匹配对应的用户行为特征信息。可以理解的是，第一原始特征信息和第二原始特征信息可以存在部分重叠，这样场景下，主需要为第一用户匹配不重叠那部分的第二原始特征信息即可。
步骤S2、将所述第一列表中的每一第一用户的第一特征信息输入预先训练好的第一编码器中，得到每一第一用户对应的第一嵌入式向量，将所述第二列表中的每一第二用户的第二特征信息输入预先训练好的第二编码器，得到每一第二用户对应的第二嵌入式向量；
步骤S3、将每一第一嵌入式向量与所有第二嵌入式向量进行近邻匹配，确定每一第一嵌入式向量对应的第二嵌入式向量；
步骤S4、获取每一第一嵌入式向量对应的第二嵌入式向量所对应的第二特征信息，并将该第二特征信息确定为该第一嵌入式向量对应的第一用户的第二特征信息。
本发明实施例所述方法基于联邦学习训练得到的第一编码器和第二编码器，来将第一用户和第二用户的对应的特征信息在服务器本地转化为嵌入式向量后再进行近邻匹配，从而为第一用户获取到第一用户在第二服务器中对应的特征信息，整个过程只暴露嵌入式向量、对比梯度等信息，不会将用户的真实信息暴露出去，保护了本地数据，在不泄露服务器本地的用户信息前提下，通过第一编码器和第二编码器对用户原始特征转换以及后续的近邻匹配能够快速准确地对全量数据进行匹配，获取目标用户信息。此外，通过本发明实施例所述方法不但可以将第一用户现有的全量第一用户信息进行匹配，后续新增的第一用户，仍然可以直接使用所述方法为新增的第一用户匹配对应的第二特征信息。
作为一种实施例，所述方法还包括步骤S10、训练得到所述第一编码器和第二编码器，整个过程可采用连邦学习结合自监督学习来训练，如图2所示，具体包括：
步骤S11、在所述第一服务器设置并初始化第一编码器，为第一编码器配置初始模型参数，在所述第二服务器设置并初始化第二编码器，为所述第二编码器配置初始模型参数；
其中，所述第一编码器为根据所述第一用户特征设置的第一神经网络模型，所述第二编码器为根据所述第二用户特征设置的第二神经网络模型。例如，第一用户特征为文本特征，则选择循环神经网络(Recurrent Neural Network，RNN)模型，第二用户特征为图片特征，则选择卷积神经网络(Convolutional Neural Network,CNN)模型。虽然第一编码器和第二编码器可能为不同的神经网络模型，但均是通过神经网络得到用户特征的潜层语义表示。
步骤S12、第三服务器从所述第一服务器获取第一训练列表，从第二服务器获取第二训练列表，所述第一训练列表包括多个第一用户的用户id，所述第二训练列表包括多个第二用户的用户id，所述第三服务器为可信的第三方服务器；
可以理解的是，第三方服务器为经过认证的可信第三方服务器，可以获取第一服务器和第二服务器的用户id，且不会泄露第一服务器和第二服务器的用户id。
步骤S13、所述第三服务器基于所述第一训练列表和第二训练列表分别向所述第一服务器发送本轮待训练第一训练用户id，向所述第二服务器发送本轮待训练的第二训练用户id；
其中，所述第三服务器可根据正样本和负样本的均衡性确定所述第一服务器对应的本轮待训练第一训练用户id以及所述第二服务器对应的本轮待训练的第二训练用户id，使得每轮训练的正负样本对尽量均衡，从而提高第一编码器和第二编码器的精确度，进而提高目标信息获取的精确度。
步骤S14、将所述第一训练用户id以及对应的第一特征信息输入所述第一编码器，将每一第一训练用户id对应的第一特征信息转换为对应的第一训练嵌入式向量，并将每一所述第一训练用户id和对应的第一训练嵌入式向量发送给所述第三服务器；将所述第二训练用户id以及对应的第二特征信息输入所述第二编码器，将每一第二训练用户id对应的第二特征信息转换为对应的第二训练嵌入式向量，并将每一所述第二训练用户id和对应的第二训练嵌入式向量发送给所述第三服务器；
步骤S15、将具有相同用户id的第一训练嵌入式向量和第二训练嵌入式向量组成的正样本对和将具有不同用户id的第一训练嵌入式向量和第二训练嵌入式向量组成负样本对；
步骤S16、基于本轮正样本对和负样本对计算对比损失，并判断所述对比损失是否收敛，若收敛，则结束训练，否则，基于所述对比损失分别获取第一对比梯度和第二对比梯度，并将所述第一对比梯度反馈给所述第一编码器，将所述第二对比梯度反馈给所述第二编码器；
其中，所述基于本轮正样本对和负样本对计算对比损失Loss具体为：
Figure BDA0002878761740000061
M表示本轮训练中样本对的数量，ym表示第m个样本对取值，当第m个样本对为正样本对时，ym等于1，当第m个样本对为负样本对时，ym等于0，m＝1,2...M，EmbeddingA表示第一编码器输出的第一训练嵌入式向量，EmbeddingB表示第二编码器输出的第二训练嵌入式向量，α为预设的间隔系数；
所述基于所述对比损失分别获取第一对比梯度GradientA和第二对比梯度GradientB具体为：
Figure BDA0002878761740000062
步骤S17、所述第一编码器基于所述第一对比梯度更新所述第一编码器对应的模型参数，所述第二编码器根据所述第二对比梯度更新所述第二编码器对应的模型参数，返回步骤S13。
可以理解的是，通过第一编码器和第二编码器的训练，其分别将本地的用户特征映射到了对应的特征空间，得到对应的嵌入式向量，通过比较相同用户对和不同用户对的特征分布，使得第一编码器和第二编码器能够将相同用户的特征信息映射到相似的特征空间，不同用户特征又具有较强的区分度，从而可以基于第一嵌入式向量和第二嵌入式向量做用户的近邻匹配。
作为一种实施例，为了进一步保护本地用户数据，所述步骤S14中，所述第一训练用户id对应的第一特征信息为所述第一训练用户id在所述第一服务器中对应的原始第一特征信息加入随机噪声后的特征信息；所述第二训练用户id对应的第二特征信息为所述第二训练用户id在所述第二服务器中对应的第二特征信息加入随机噪声后的特征信息。需要说明的是，在第一编码器和第二编码器训练过程中，由于多轮训练，第一编码器和第二编码器具备很好的泛化能力，在对特征信息编码过程中，通常会进行降维、去噪的处理，输出的对应的嵌入式向量依然是原始特征向量的本征表示。因此，虽然所述第一训练用户id对应的第一特征信息和所述第二训练用户id对应的第二特征信息均是对应的原始特征数据加入了随机噪声，在保护了第一服务器和第二服务器的本地数据的前提下，依然会具有很高的准确性。对应的，在第一编码器和第二编码器是加入随机噪声的进行训练的情况下，后续使用过程中也可将对应的用户特征信息加入随机噪声，具体地所述步骤S1中，所述第一用户对应的第一特征信息，为所述第一用户在所述第一服务器中对应的原始第一特征信息加入随机噪声后的特征信息；所述第二用户对应的第二特征信息为所述第二用户在所述第二服务器中对应的原始第二特征信息加入随机噪声后的特征信息。
作为一种实施例，所述步骤S3中，使用编码器计算好的用户嵌入式向量进行匹配，匹配时寻找第一用户在第二服务其中相似度最高的少量第二用户，进行随机挑选或均值处理后作为匹配结果返回，既保护了保护用户的隐私，同时也可让非共有用户也能匹配到对应的用户特征，其中相似度评价方法和训练过程中方法一致。当数据量较大时精确查询最近邻用户会过于耗时，此时可使用HNSW(Hierarchcal Navigable Small World graphs)、PQ(Product Quantization))、Annoy(Approximate Nearest Neighbors Oh Yeah)等算法实现近似近邻查询，可以优化存储空间、提高查询效率。
本发明实施例还提供一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被设置为用于执行本发明实施例所述的方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机指令用于执行本发明实施例所述的方法。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明,任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (10)

1.一种用户信息获取方法，其特征在于，包括：
步骤S1、从第一服务器获取第一列表，从第二服务器获取第二列表，所述第一列表包括多个第一用户对应的第一特征信息，所述第二列表包括多个第二用户对应的第二特征信息，所述第一用户和第二用户为相同的或不同的用户；
步骤S2、将所述第一列表中的每一第一用户的第一特征信息输入预先训练好的第一编码器中，得到每一第一用户对应的第一嵌入式向量，将所述第二列表中的每一第二用户的第二特征信息输入预先训练好的第二编码器，得到每一第二用户对应的第二嵌入式向量；
步骤S3、将每一第一嵌入式向量与所有第二嵌入式向量进行近邻匹配，确定每一第一嵌入式向量对应的第二嵌入式向量；
步骤S4、获取每一第一嵌入式向量对应的第二嵌入式向量所对应的第二特征信息，并将该第二特征信息确定为该第一嵌入式向量对应的第一用户的第二特征信息。
2.根据权利要求1所述的方法，其特征在于，
还包括步骤S10、训练得到所述第一编码器和第二编码器，具体包括：
步骤S11、在所述第一服务器设置并初始化第一编码器，为第一编码器配置初始模型参数，在所述第二服务器设置并初始化第二编码器，为所述第二编码器配置初始模型参数；
步骤S12、第三服务器从所述第一服务器获取第一训练列表，从第二服务器获取第二训练列表，所述第一训练列表包括多个第一用户的用户id，所述第二训练列表包括多个第二用户的用户id，所述第三服务器为可信的第三方服务器；
步骤S13、所述第三服务器基于所述第一训练列表和第二训练列表分别向所述第一服务器发送本轮待训练第一训练用户id，向所述第二服务器发送本轮待训练的第二训练用户id；
步骤S14、将所述第一训练用户id以及对应的第一特征信息输入所述第一编码器，将每一第一训练用户id对应的第一特征信息转换为对应的第一训练嵌入式向量，并将每一所述第一训练用户id和对应的第一训练嵌入式向量发送给所述第三服务器；将所述第二训练用户id以及对应的第二特征信息输入所述第二编码器，将每一第二训练用户id对应的第二特征信息转换为对应的第二训练嵌入式向量，并将每一所述第二训练用户id和对应的第二训练嵌入式向量发送给所述第三服务器；
步骤S15、将具有相同用户id的第一训练嵌入式向量和第二训练嵌入式向量组成的正样本对和将具有不同用户id的第一训练嵌入式向量和第二训练嵌入式向量组成负样本对；
步骤S16、基于本轮正样本对和负样本对计算对比损失，并判断所述对比损失是否收敛，若收敛，则结束训练，否则，基于所述对比损失分别获取第一对比梯度和第二对比梯度，并将所述第一对比梯度反馈给所述第一编码器，将所述第二对比梯度反馈给所述第二编码器；
步骤S17、所述第一编码器基于所述第一对比梯度更新所述第一编码器对应的模型参数，所述第二编码器根据所述第二对比梯度更新所述第二编码器对应的模型参数，返回步骤S13。
3.根据权利要求2所述的方法，其特征在于，
所述步骤S14中，所述第一训练用户id对应的第一特征信息为所述第一训练用户id在所述第一服务器中对应的原始第一特征信息加入随机噪声后的特征信息；
所述第二训练用户id对应的第二特征信息为所述第二训练用户id在所述第二服务器中对应的第二特征信息加入随机噪声后的特征信息。
4.根据权利要求3所述的方法，其特征在于，
所述步骤S1中，所述第一用户对应的第一特征信息，为所述第一用户在所述第一服务器中对应的原始第一特征信息加入随机噪声后的特征信息；
所述第二用户对应的第二特征信息为所述第二用户在所述第二服务器中对应的原始第二特征信息加入随机噪声后的特征信息。
5.根据权利要求2所述的方法，其特征在于，
所述第一编码器为根据所述第一用户特征设置的第一神经网络模型，所述第二编码器为根据所述第二用户特征设置的第二神经网络模型。
6.根据权利要求2所述的方法，其特征在于，
所述步骤S13中，所述第三服务器根据正样本和负样本的均衡性确定所述第一服务器对应的本轮待训练第一训练用户id以及所述第二服务器对应的本轮待训练的第二训练用户id。
7.根据权利要求2所述的方法，其特征在于，
所述步骤S16中，所述基于本轮正样本对和负样本对计算对比损失Loss具体为：
Figure FDA0002878761730000031
M表示本轮训练中样本对的数量，ym表示第m个样本对取值，当第m个样本对为正样本对时，ym等于1，当第m个样本对为负样本对时，ym等于0，m＝1,2...M，EmbeddingA表示第一编码器输出的第一训练嵌入式向量，EmbeddingB表示第二编码器输出的第二训练嵌入式向量，α为预设的间隔系数；
所述基于所述对比损失分别获取第一对比梯度GradientA和第二对比梯度GradientB具体为：
Figure FDA0002878761730000032
8.根据权利要求1所述的方法，其特征在于，
所述步骤S3中，采用HNSW、PQ或Annoy算法将每一第一嵌入式向量与所有第二嵌入式向量进行近邻匹配，确定每一第一嵌入式向量对应的第二嵌入式向量。
9.一种电子设备，其特征在于，包括：
至少一个处理器；
以及，与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被设置为用于执行前述权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，存储有计算机可执行指令，所述计算机可执行指令用于执行前述权利要求1-8中任一项所述的方法。
CN202011623343.5A 2020-11-26 2020-12-31 用户信息获取方法、电子设备和介质 Active CN112766312B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202011353484 2020-11-26
CN202011353484X 2020-11-26

Publications (2)

Publication Number Publication Date
CN112766312A true CN112766312A (zh) 2021-05-07
CN112766312B CN112766312B (zh) 2023-05-30

Family

ID=75698568

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011623343.5A Active CN112766312B (zh) 2020-11-26 2020-12-31 用户信息获取方法、电子设备和介质

Country Status (1)

Country Link
CN (1) CN112766312B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160012465A1 (en) * 2014-02-08 2016-01-14 Jeffrey A. Sharp System and method for distributing, receiving, and using funds or credits and apparatus thereof
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
US20200042642A1 (en) * 2018-08-02 2020-02-06 International Business Machines Corporation Implicit dialog approach for creating conversational access to web content
CN111695960A (zh) * 2019-03-12 2020-09-22 阿里巴巴集团控股有限公司 一种对象推荐系统、方法、电子设备及存储介质
US20200327250A1 (en) * 2019-04-12 2020-10-15 Novo Vivo Inc. System for decentralized ownership and secure sharing of personalized health data
CN111898767A (zh) * 2020-08-06 2020-11-06 深圳前海微众银行股份有限公司 数据处理方法、装置、设备及介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160012465A1 (en) * 2014-02-08 2016-01-14 Jeffrey A. Sharp System and method for distributing, receiving, and using funds or credits and apparatus thereof
US20200042642A1 (en) * 2018-08-02 2020-02-06 International Business Machines Corporation Implicit dialog approach for creating conversational access to web content
CN111695960A (zh) * 2019-03-12 2020-09-22 阿里巴巴集团控股有限公司 一种对象推荐系统、方法、电子设备及存储介质
US20200327250A1 (en) * 2019-04-12 2020-10-15 Novo Vivo Inc. System for decentralized ownership and secure sharing of personalized health data
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
CN111898767A (zh) * 2020-08-06 2020-11-06 深圳前海微众银行股份有限公司 数据处理方法、装置、设备及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIAOXIAOLI ET AL.: "Multi-site fMRI analysis using privacy-preserving federated learning and domain adaptation: ABIDE results", 《MEDICAL IMAGE ANALYSIS》 *
陈杨: "面向个性化搜索的交互式分布估计算法", 《中国博士学位论文全文数据库信息科技辑》 *

Also Published As

Publication number Publication date
CN112766312B (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
Xiao et al. Image splicing forgery detection combining coarse to refined convolutional neural network and adaptive clustering
JP6599294B2 (ja) 異常検知装置、学習装置、異常検知方法、学習方法、異常検知プログラム、および学習プログラム
US8837769B2 (en) Video signature based on image hashing and shot detection
EP2657884B1 (en) Identifying multimedia objects based on multimedia fingerprint
CN110348362B (zh) 标签生成、视频处理方法、装置、电子设备及存储介质
CN111382298B (zh) 基于图片内容的图像检索方法、装置与电子设备
CN110414550B (zh) 人脸识别模型的训练方法、装置、系统和计算机可读介质
CN111182364B (zh) 一种短视频版权检测方法及系统
CN112417381B (zh) 应用于图像版权保护的快速定位侵权图像的方法及装置
EP3333770A1 (en) Matching graph entities in graph data
CN111027576A (zh) 基于协同显著性生成式对抗网络的协同显著性检测方法
CN110414581B (zh) 图片检测方法和装置、存储介质及电子装置
CN112818995B (zh) 图像分类方法、装置、电子设备及存储介质
CN113628059A (zh) 一种基于多层图注意力网络的关联用户识别方法及装置
CN111179270A (zh) 基于注意力机制的图像共分割方法和装置
US9875386B2 (en) System and method for randomized point set geometry verification for image identification
CN113128526B (zh) 图像识别方法、装置、电子设备和计算机可读存储介质
CN113157956B (zh) 图片搜索方法、系统、移动终端及存储介质
CN111027412A (zh) 一种人体关键点识别方法、装置及电子设备
CN117573821A (zh) 知识问答方法、装置、设备和存储介质
CN111753729A (zh) 一种假脸检测方法、装置、电子设备及存储介质
CN112766312B (zh) 用户信息获取方法、电子设备和介质
CN114417251A (zh) 一种基于哈希码的检索方法、装置、设备及存储介质
CN114677535A (zh) 域适应图像分类网络的训练方法、图像分类方法及装置
CN114510592A (zh) 图像分类方法、装置、电子设备及存储介质

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