CN114331600A - 一种基于联邦学习的商品推荐方法及系统 - Google Patents

Abstract

本申请公开了一种基于联邦学习的商品推荐方法，包括：云服务器获取商品购买参数，所述商品购买参数包括购买商品用户的ID、购买时间段、购买次数及购买地点；基于所述商品购买参数，确定商品购买的时空序列与用户满意度；基于所述时空序列与所述用户满意度，通过联邦学习模型确定所述商品与所述用户的匹配程度；获取所述用户的用户画像，基于所述商品与所述用户的匹配程度以及所述用户画像，确定所述商品高关联用户特征；基于所述商品高关联用户特征，推荐所述商品至与所述购买商品用户的相似用户。

Description

一种基于联邦学习的商品推荐方法及系统

技术领域

本申请涉及电子商务技术领域，尤其涉及基于联邦学习的商品推荐方法及系统。

背景技术

随着电子商务的进一步普及，人们对于线上商品购买的需求与日俱增。目前，各大电商平台可以通过拍摄图像来识别同类商品，并推荐给用户以进行购买，一定程度上增加了商品购买的效率。

目前，服务器会根据用户的购买记录生成用户画像，并通过用户画像找寻与该用户消费习惯或个性相匹配的商品进行推荐，典型的如“千人千面”技术，按照不同消费者的属性推荐不同的商品。

但是，上述技术中存在着两个缺陷：一是不同电商平台之间的用户商品购买数据是隐私且保密的，无法为其他电商的商品推荐做决策；二是推荐的商品大多数是用户已经购买或已经具备同类型的商品，复购率不高。

发明内容

本申请实施例提供一种基于联邦学习的商品推荐方法及系统，用于解决现有技术中隐私数据无法提供商品推荐决策和商品推荐复购率不高的问题。

本发明实施例提供一种基于联邦学习的商品推荐方法，包括：

云服务器获取商品购买参数，所述商品购买参数包括购买商品用户的ID、购买时间段、购买次数及购买地点；

基于所述商品购买参数，确定商品购买的时空序列与用户满意度；

基于所述时空序列与所述用户满意度，通过联邦学习模型确定所述商品与所述用户的匹配程度；

获取所述用户的用户画像，基于所述商品与所述用户的匹配程度以及所述用户画像，确定所述商品高关联用户特征；

基于所述商品高关联用户特征，推荐所述商品至与所述购买商品用户的相似用户。

可选地，所述基于所述时空序列与所述用户满意度，通过联邦学习模型确定所述商品与所述用户的匹配程度，包括：

建立联邦学习模型；

接受所述联邦学习模型的邀请，将所述时空序列输入所述联邦学习模型，预测所述用户下一周期内购买所述商品的概率；

基于所述用户满意度和所述用户下一周期内购买所述商品的概率，确定所述商品与所述用户的匹配程度。

可选地，所述建立联邦学习模型，包括：

多个与所述购买地点对应的服务器作为参与方，各自从中心服务器下载机器学习模型；

所述每个参与方利用本地数据训练模型，加密梯度上传给中心服务器，所述中心服务器聚合各参与方的梯度更新模型参数；

所述中心服务器返回更新后的所述机器学习模型给各参与方；

所述各参与方更新各自的机器学习模型。

可选地，所述将所述时空序列输入所述联邦学习模型，预测所述用户下一周期内购买所述商品的概率，包括：

获取所述多个购买地点对应的多个购买时间段，将所述多个地点的多个购买时间段分别输入对应的联邦学习模型中，分别计算所述用户在下一周期内，在多个购买地点中购买所述商品的概率。

可选地，分别计算所述用户在下一周期内，在多个购买地点中购买所述商品的概率，包括：

采用线性回归、对数几率回归、Softmax回归和朴素贝叶斯分类器的一种或几种的组合来计算所述用户在下一周期内，在多个购买地点中购买所述商品的概率。

可选地，分别计算所述用户在下一周期内，在多个购买地点中购买所述商品的概率，包括：

根据公式计算出在多个购买地点中购买所述商品的概率L：

L＝h_t(x^t,g^t)+λ∫S_v(f(x^t,g^t),g)dx

其中，x为空间参数，t为时间参数，g为基真值，h_t()为分类函数，S_v()为级联函数，f()为回归函数，λ为校正系数。

可选地，所述分别计算所述用户在下一周期内，在多个购买地点中购买所述商品的概率之后，所述方法还包括：

设置与所述购买地点对应的权重，并将所述多个购买地点中购买所述商品的概率进行加权和操作，确定下一周期内最终购买所述商品的概率。

可选地，所述商品购买参数还包括场景化参数，则所述将所述时空序列输入所述联邦学习模型，预测所述用户下一周期内购买所述商品的概率，包括：

获取所述多个购买地点对应的多个购买时间段，并获取所述多个购买时间段对应的场景化参数；

将所述多个地点和对应的多个购买时间段分别输入第一联邦学习模型中，获取所述用户在下一周期内，在多个购买地点中购买所述商品的第一概率；

将所述多个购买时间段和对应的场景化参数分别输入第二联邦学习模型中，获取所述用户在下一周期内，在多个场景中购买所述商品的第二概率；

将所述第一概率和所述第二概率进行概率耦合，获取所述用户在下一周期内，在多个地点、多个场景中购买所述商品的第三概率。

可选地，所述商品购买参数还包括设备ID，则所述将所述时空序列输入所述联邦学习模型，预测所述用户下一周期内购买所述商品的概率，包括：

将所述多个购买时间段和对应的设备ID分别输入第三联邦学习模型中，获取所述用户在下一周期内，在多个设备ID中购买所述商品的第四概率；

将所述第三概率和第四概率进行概率耦合，获取所述用户在下一周期内，在多个地点、多个场景和多个设备ID中购买所述商品的第五概率。

本发明实施例还提供一种系统，其特征在于，包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时实现上述方法。

本发明实施例提供的方法，为了解决各平台间用户隐私数据不共享的问题，采用了联邦学习模型来进行分布式训练，以确定所述商品与所述用户的匹配程度，此外，为了解决商品推荐复购率不高的问题，本发明实施例不会将相同的商品推荐给已经复购过的用户，而是将该商品推荐给高关联的相似用户，即通过获取所述用户的用户画像，基于所述商品与所述用户的匹配程度以及所述用户画像，确定所述商品高关联用户特征，最终基于所述商品高关联用户特征，推荐所述商品至与所述购买商品用户的相似用户，不仅能够提升AI算法的通用性，还可以增强用户商品购买的复购率。

附图说明

为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。

图1为一个实施例中基于联邦学习的商品推荐的流程示意图；

图2为一个实施例中通过联邦学习模型确定商品与用户的匹配程度的流程示意图；

图3为一个实施例中联邦学习模型网络架构图；

图4为一个实施例中系统的硬件组成示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

图1是本发明实施例的其中一个基于联邦学习的商品推荐的流程图，如图1所示，该方法包括：

S101、云服务器获取商品购买参数，所述商品购买参数包括购买商品用户的ID、购买时间段、购买次数及购买地点；

当一个商品在电商平台上上架时，用户会在该平台上进行购买，而商家往往也会选择不同的电商平台来进行同一款商品的推广，推广期间，不同电商平台可以获取到哪些用户购买了该商品，该用户购买该商品的时间，购买次数和地点等基本信息。上述信息是为了电商平台在商品推荐时做决策使用。

S102、基于所述商品购买参数，确定商品购买的时空序列与用户满意度；

在本发明实施例中，时空序列指的是既包含时间参数，又包含空间参数的序列，时间序列用T＝{t1,t2,t3...}表示，空间序列用X＝{x1,x2,x3...}表示，时间序列和空间序列可以形成二维矩阵式的时空序列。其中，时间序列是用户购买该商品的时间序列，通常用标准的时间格式来表示，空间序列则是购买了该用户的地理位置，通过IP或用户参数信息可获取该用户的实际地理位置，可以用标准的经纬度信息来表示。

用户满意度可以从多个维度进行评估，例如用户在短时期之内购买了多次商品，用户满意度高，此时用户满意度与时间成反比，与次数成正比；此外，不同地域的用户在短时期内均购买该商品，则该商品的用户满意度高，此时用户满意度与购买的基数和地域呈现正相关，即购买用户基数越大，地域分布越广，该商品的用户满意度越高。为此，用户满意度可以通过各类公式进行表述，例如用户满意度Y＝C/T，C为购买次数，T为购买时间周期。

S103、基于所述时空序列与所述用户满意度，通过联邦学习模型确定所述商品与所述用户的匹配程度；

如图2所示，S103具体可以包括如下步骤：

S1031.建立联邦学习模型；

如图3所示，联邦学习本质上是一种分布式机器学习技术，或机器学习框架。其目标是在保证数据隐私安全及合法合规的基础上，实现共同建模，提升AI模型的效果。本发明实施例中，建立的是横向联邦学习模型，服务器A,B,C分别分布在各个地区，联邦学习模型通过加密梯度上传的方式与各个服务器之间建立连接，从而完成分布式AI学习。横向联邦学习的本质是样本的联合，适用于参与者间业态相同但触达客户不同，即特征重叠多，用户重叠少时的场景，比如不同地区的电商平台，他们的业务相似(特征相似)，但用户不同(样本不同)。

在传统的机器学习建模中，通常是把模型训练需要的数据集合到一个数据中心然后再训练模型，之后预测。在横向联邦学习中，可以看作是基于样本的分布式模型训练，分发全部数据到不同的机器，每台机器从服务器下载模型，然后利用本地数据训练模型，之后返回给服务器需要更新的参数；服务器聚合各机器上的返回的参数，更新模型，再把最新的模型反馈到每台机器。

在这个过程中，每台机器下都是相同且完整的模型，且机器之间不交流不依赖，在预测时每台机器也可以独立预测，可以把这个过程看作成基于样本的分布式模型训练。

其中，建立联邦学习模型的具体步骤可以包括：

多个与所述购买地点对应的服务器作为参与方，各自从中心服务器下载机器学习模型；

所述每个参与方利用本地数据训练模型，加密梯度上传给中心服务器，所述中心服务器聚合各参与方的梯度更新模型参数；

所述中心服务器返回更新后的所述机器学习模型给各参与方；

所述各参与方更新各自的机器学习模型。

S1032.接受所述联邦学习模型的邀请，将所述时空序列输入所述联邦学习模型，预测所述用户下一周期内购买所述商品的概率；

联邦学习模型建立好之后，需要获取样本数据进行训练，而样本数据的训练则需要邀请或数据邀约才能获得。由于商品购买时间和/或地域等因素的不同，不同的用户接受邀请的程度也不同。因此，本发明实施例中，会在一定的条件下邀约用户获取其商品购买活动中的数据，若没有得到用户的许可，联邦学习模型并不能获取到该用户的数据。

在接受了联邦学习的邀请后，可以将前述获取到的时空序列输入到该联邦学习模型中进行分布式模型训练，对用户在下一周期/下次购买商品的概率进行预测。

本发明实施例中，获取所述多个购买地点对应的多个购买时间段，将所述多个地点的多个购买时间段分别输入对应的联邦学习模型中，分别计算所述用户在下一周期内，在多个购买地点中购买所述商品的概率。具体地，可采用线性回归、对数几率回归、Softmax回归和朴素贝叶斯分类器的一种或几种的组合来计算所述用户在下一周期内，在多个购买地点中购买所述商品的概率。上述AI模型是现有技术，此处不再累述。此外，还可以根据公式计算出在多个购买地点中购买所述商品的概率L：

L＝h_t(x^t,g^t)+λ∫S_v(f(x^t,g^t),g)dx

其中，x为空间参数，t为时间参数，g为基真值，h_t()为分类函数，S_v()为级联函数，f()为回归函数，λ为校正系数。

此外，分别计算所述用户在下一周期内，在多个购买地点中购买所述商品的概率之后，本发明实施例中，还可以设置与所述购买地点对应的权重，并将所述多个购买地点中购买所述商品的概率进行加权和操作，确定下一周期内最终购买所述商品的概率。

在本发明实施例中，除了时空序列外，商品购买参数还包括场景化参数，场景化参数代表该用户购买该商品时所处的场景或环境，在本发明实施例中，可定义几种典型的应用场景，例如进餐-01、午休-02、驾驶-03等，前者描述的是具体场景，后者是场景化标识或参数。

其中，将所述时空序列输入所述联邦学习模型，预测所述用户下一周期内购买所述商品的概率，具体可以为：

获取所述多个购买地点对应的多个购买时间段，并获取所述多个购买时间段对应的场景化参数；

将所述多个地点和对应的多个购买时间段分别输入第一联邦学习模型中，获取所述用户在下一周期内，在多个购买地点中购买所述商品的第一概率；

将所述多个购买时间段和对应的场景化参数分别输入第二联邦学习模型中，获取所述用户在下一周期内，在多个场景中购买所述商品的第二概率；

将所述第一概率和所述第二概率进行概率耦合，获取所述用户在下一周期内，在多个地点、多个场景中购买所述商品的第三概率。

本发明实施例中，场景化参数是一个额外新增的参数，通过对该参数的设定，可以更好地获取用户购买该商品的背景需求，例如用户是在驾驶场景时会考虑购买汽车用品，用户在午休场景中会购买靠枕等商品，因此，对于联邦学习模型而言，还需要将购买时间段和场景化参数进行模型训练，得到第二概率；相对而言，第一概率的得出并没有考虑场景，误差较大，因此，第二概率的作用是对第一概率进行修正，即概率耦合，概率耦合的原理是通过第二概率对第一概率进行线性拟合，从而修正第一概率的误差，得到更加精细化的第三概率，具体地，可通过线性拟合的公式进行概率耦合。

此外，除了场景化参数，商品购买参数还可以包括设备ID，同理，将所述时空序列输入所述联邦学习模型，预测所述用户下一周期内购买所述商品的概率，具体还可以为：

将所述多个购买时间段和对应的设备ID分别输入第三联邦学习模型中，获取所述用户在下一周期内，在多个设备ID中购买所述商品的第四概率；

将所述第三概率和第四概率进行概率耦合，获取所述用户在下一周期内，在多个地点、多个场景和多个设备ID中购买所述商品的第五概率。

S1033.基于所述用户满意度和所述用户下一周期内购买所述商品的概率，确定所述商品与所述用户的匹配程度。

匹配程度的原则在于：若用户满意度高，且用户在下一周期购买该商品的概率高，则匹配程度高，反之，若用户满意度低，或用户在下一周期购买该商品的概率低，则匹配程度低。

若该商品与某一用户的匹配程度高，则表示该商品适合于该用户，本发明实施例中，不仅仅是推荐给匹配程度高的一个用户，还需要考虑建立用户类型或用户画像，将商品推荐给匹配程度高的一类用户，才能增加商品复购率。

S104、获取所述用户的用户画像，基于所述商品与所述用户的匹配程度以及所述用户画像，确定所述商品高关联用户特征；

S105、基于所述商品高关联用户特征，推荐所述商品至与所述购买商品用户的相似用户。

若商品与该用户的匹配程度高，则可获取到该用户的用户画像，并确定该用户画像中，商品与该用户画像的高关联用户特征，基于该用户特征进行用户筛选，筛选出与该用户相似用户或高关联的用户。

用户画像的本质是对该用户的各类购买行为、购买习惯、兴趣爱好、付款能力和支付意愿等进行记录并分析，从而能够知晓该用户的POI，为商品推荐做更好的决策。用户画像的模型构建和获取在现有技术中已经比较成熟，在构建并成功获取到该用户的用户画像后，基于前述匹配程度可确认在用户画像中，与商品高关联的用户特征。例如，用户为女性，年龄段在20-30岁之间，购买的时间经常是晚上9：00-10：00，地点包括北京、上海、广州、深圳等城市，经常购买的商品包括护肤类和保健类商品，从描述中可提取出如下特征：该用户经常出差，且工作繁忙，晚上才有时间浏览购物网站。假设目标商品是眼贴，不难推测，该商品与该用户的匹配程度高，那么高关联用户特征可以包括商品类型：商品类型为保健类、商品库存地为北京、上海、广州和深圳，购买时间是晚上9：00-10：00，那么可以根据如上的高关联用户特征，推荐该商品至与该用户相似的用户，即用户画像一致或类似的用户，其商品的复购率较高。

本发明实施例提供的方法，为了解决各平台间用户隐私数据不共享的问题，采用了联邦学习模型来进行分布式训练，以确定所述商品与所述用户的匹配程度，此外，为了解决商品推荐复购率不高的问题，本发明实施例不会将相同的商品推荐给已经复购过的用户，而是将该商品推荐给高关联的相似用户，即通过获取所述用户的用户画像，基于所述商品与所述用户的匹配程度以及所述用户画像，确定所述商品高关联用户特征，最终基于所述商品高关联用户特征，推荐所述商品至与所述购买商品用户的相似用户，不仅能够提升AI算法的通用性，还可以增强用户商品购买的复购率。

本发明实施例还提供一种系统，其特征在于，包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时实现上述方法。

图4为一个实施例中系统的硬件组成示意图。可以理解的是，图4仅仅示出了系统的简化设计。在实际应用中，系统还可以分别包含必要的其他元件，包含但不限于任意数量的输入/输出系统、处理器、控制器、存储器等，而所有可以实现本申请实施例的大数据管理方法的系统都在本申请的保护范围之内。

存储器包括但不限于是随机存储记忆体(random access memory，RAM)、只读存储器(read至only memory，ROM)、可擦除可编程只读存储器(erasable programmable readonly memory，EPROM)、或便携式只读存储器(compact disc read至only memory，CD至ROM)，该存储器用于相关指令及数据。

输入系统用于输入数据和/或信号，以及输出系统用于输出数据和/或信号。输出系统和输入系统可以是独立的器件，也可以是一个整体的器件。

处理器可以包括是一个或多个处理器，例如包括一个或多个中央处理器(centralprocessing unit，CPU)，在处理器是一个CPU的情况下，该CPU可以是单核CPU，也可以是多核CPU。处理器还可以包括一个或多个专用处理器，专用处理器可以包括GPU、FPGA等，用于进行加速处理。

存储器用于存储网络设备的程序代码和数据。

处理器用于调用该存储器中的程序代码和数据，执行上述方法实施例中的步骤。具体可参见方法实施例中的描述，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，该单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。所显示或讨论的相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本申请实施例的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程系统。该计算机指令可以存储在计算机可读存储介质中，或者通过该计算机可读存储介质进行传输。该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是只读存储器(read至onlymemory，ROM)，或随机存储存储器(random access memory，RAM)，或磁性介质，例如，软盘、硬盘、磁带、磁碟、或光介质，例如，数字通用光盘(digital versatile disc，DVD)、或者半导体介质，例如，固态硬盘(solid state disk，SSD)等。

以上仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于联邦学习的商品推荐方法，其特征在于，包括：

云服务器获取商品购买参数，所述商品购买参数包括购买商品用户的ID、购买时间段、购买次数及购买地点；

基于所述商品购买参数，确定商品购买的时空序列与用户满意度；

基于所述时空序列与所述用户满意度，通过联邦学习模型确定所述商品与所述用户的匹配程度；

获取所述用户的用户画像，基于所述商品与所述用户的匹配程度以及所述用户画像，确定所述商品高关联用户特征；

基于所述商品高关联用户特征，推荐所述商品至与所述购买商品用户的相似用户。

2.根据权利要求1所述的方法，其特征在于，所述基于所述时空序列与所述用户满意度，通过联邦学习模型确定所述商品与所述用户的匹配程度，包括：

建立联邦学习模型；

接受所述联邦学习模型的邀请，将所述时空序列输入所述联邦学习模型，预测所述用户下一周期内购买所述商品的概率；

基于所述用户满意度和所述用户下一周期内购买所述商品的概率，确定所述商品与所述用户的匹配程度。

3.根据权利要求2所述的方法，其特征在于，所述建立联邦学习模型，包括：

多个与所述购买地点对应的服务器作为参与方，各自从中心服务器下载机器学习模型；

所述每个参与方利用本地数据训练模型，加密梯度上传给中心服务器，所述中心服务器聚合各参与方的梯度更新模型参数；

所述中心服务器返回更新后的所述机器学习模型给各参与方；

所述各参与方更新各自的机器学习模型。

4.根据权利要求2所述的方法，其特征在于，所述将所述时空序列输入所述联邦学习模型，预测所述用户下一周期内购买所述商品的概率，包括：

获取所述多个购买地点对应的多个购买时间段，将所述多个地点的多个购买时间段分别输入对应的联邦学习模型中，分别计算所述用户在下一周期内，在多个购买地点中购买所述商品的概率。

5.根据权利要求4所述的方法，其特征在于，分别计算所述用户在下一周期内，在多个购买地点中购买所述商品的概率，包括：

采用线性回归、对数几率回归、Softmax回归和朴素贝叶斯分类器的一种或几种的组合来计算所述用户在下一周期内，在多个购买地点中购买所述商品的概率。

6.根据权利要求4所述的方法，其特征在于，分别计算所述用户在下一周期内，在多个购买地点中购买所述商品的概率，包括：

根据公式计算出在多个购买地点中购买所述商品的概率L：

L＝h_t(x^t,g^t)+λ∫S_v(f(x^t,g^t),g)dx

其中，x为空间参数，t为时间参数，g为基真值，h_t()为分类函数，S_v()为级联函数，f()为回归函数，λ为校正系数。

7.根据权利要求4所述的方法，其特征在于，所述分别计算所述用户在下一周期内，在多个购买地点中购买所述商品的概率之后，所述方法还包括：

设置与所述购买地点对应的权重，并将所述多个购买地点中购买所述商品的概率进行加权和操作，确定下一周期内最终购买所述商品的概率。

8.根据权利要求2所述的方法，其特征在于，所述商品购买参数还包括场景化参数，则所述将所述时空序列输入所述联邦学习模型，预测所述用户下一周期内购买所述商品的概率，包括：

获取所述多个购买地点对应的多个购买时间段，并获取所述多个购买时间段对应的场景化参数；

将所述多个地点和对应的多个购买时间段分别输入第一联邦学习模型中，获取所述用户在下一周期内，在多个购买地点中购买所述商品的第一概率；

将所述多个购买时间段和对应的场景化参数分别输入第二联邦学习模型中，获取所述用户在下一周期内，在多个场景中购买所述商品的第二概率；

将所述第一概率和所述第二概率进行概率耦合，获取所述用户在下一周期内，在多个地点、多个场景中购买所述商品的第三概率。

9.根据权利要求8所述的方法，其特征在于，所述商品购买参数还包括设备ID，则所述将所述时空序列输入所述联邦学习模型，预测所述用户下一周期内购买所述商品的概率，包括：

将所述多个购买时间段和对应的设备ID分别输入第三联邦学习模型中，获取所述用户在下一周期内，在多个设备ID中购买所述商品的第四概率；

将所述第三概率和第四概率进行概率耦合，获取所述用户在下一周期内，在多个地点、多个场景和多个设备ID中购买所述商品的第五概率。

10.一种系统，其特征在于，包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时实现权利要求1至9任一项所述的方法。

Images