CN115034816A - 一种基于无监督和联邦学习的需求预测方法及系统 - Google Patents
一种基于无监督和联邦学习的需求预测方法及系统 Download PDFInfo
- Publication number
- CN115034816A CN115034816A CN202210636214.2A CN202210636214A CN115034816A CN 115034816 A CN115034816 A CN 115034816A CN 202210636214 A CN202210636214 A CN 202210636214A CN 115034816 A CN115034816 A CN 115034816A
- Authority
- CN
- China
- Prior art keywords
- data
- demand
- unsupervised
- historical
- prediction
- 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 49
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 21
- 238000013277 forecasting method Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 description 5
- 238000000638 solvent extraction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007619 statistical method 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
- G06Q30/02—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
Abstract
本公开属于计算机大数据技术领域，具体涉及一种基于无监督和联邦学习的需求预测方法及系统，包括：获取历史需求数据，筛选需求数据类型；对所获取的历史需求数据进行编码，得到历史需求编码数据；基于所得到的历史需求编码数据和所筛选的需求数据类型，进行需求的预测；其中，在进行需求预测的过程中，采用横向联邦和纵向联邦相结合的方式进行需求预测。
Description
技术领域
本公开属于计算机大数据技术领域，具体涉及一种基于无监督和联邦学习的需求预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
针对现有的超市、餐饮、商城以及计算机平台等，现有技术难以对个人需求进行规划，无法实现数字化、智能化的异常分析，难以及时发现不合理现象，给正常运营带来一定的影响。
据发明人了解，现有的需求预测方法主要是依靠历史数据对后续的采购计划进行预测；在进行商品需求预测的过程中，考虑其他位置的同种类的商店和不同同类的商店的影响，无法及时对现实环境的变化进行有效应对；在热点需求预测的过程中需要收集用户的各种浏览历史，某些数据收集操作可能侵犯了用户的隐私，对个人在网页、app等相关平台的信息的收集将不被允许，缺少相关的数据支撑，热点推荐算法的效用将大大降低。现有的基于神经网络的预测需要大量的标注数据，这可能耗费大量的人力物力。
发明内容
为了解决上述问题，本公开提出了一种基于无监督和联邦学习的需求预测方法及系统，基于横向和纵向联邦技术构建预测模型，基于联邦学习具备数据只在本地训练、不进行上传的优点，结合联邦学习进行需求预测，实现在不侵犯隐私的情况下，对用户需求进行预测，并将预测结果作为热点信息推荐给用户。
根据一些实施例，本公开的第一方案提供了一种基于无监督和联邦学习的需求预测方法，采用如下技术方案：
一种基于无监督和联邦学习的需求预测方法，包括：
获取历史需求数据，筛选需求数据类型；
对所获取的历史需求数据进行编码，得到历史需求编码数据；
基于所得到的历史需求编码数据和所筛选的需求数据类型，进行需求的预测；
其中，在进行需求预测的过程中，采用横向联邦和纵向联邦相结合的方式进行无监督推荐，实现需求的预测。
作为进一步的技术限定，通过所述横向联邦和所述纵向联邦分别对相同需求数据类型和不同需求数据类型进行初步的特征提取，利用编码层进行所提取的特征的编码，得到特征向量，将所得到的不同的特征向量进行排列组合，得到横向数据和纵向数据的编码。
作为进一步的技术限定，基于所提取的特征以及所得到的横向数据和纵向数据的编码，经编码层和自注意力机制深度提取数据特征，经输出层实现需求的预测。
作为进一步的技术限定，所述横向联邦是对数据矩阵或者表格横向划分，不同行的数据具有相同对齐的数据特征；所述纵向联邦是对数据矩阵或表格纵向划分，不同列的数据有相同对齐的训练样本。
作为进一步的技术限定，对所获取的历史需求数据进行编码的过程中，基于嵌入层和隐藏层提取特征，分别使用输出层和隐藏层获取需求数据类别和历史需求数据的特征编码，得到编码后的历史需求数据。
进一步的，计算所获取的编码后的历史需求数据与所筛选出来的不同类型的需求数据之间的相似度，对相似度超过设定阈值的所筛选出来的不同类型的需求数据进行训练，实现需求的预测。
作为进一步的技术限定，通过相同类型的需求历史数据来进行需求的预测，利用不同类型的需求历史数据进行需求预测的训练集的调整，动态调整需求预测。
根据一些实施例，本公开的第二方案提供了一种基于无监督和联邦学习的需求预测系统，采用如下技术方案：
一种基于无监督和联邦学习的需求预测系统，包括：
获取模块，其被配置为获取历史需求数据，筛选需求数据类型；
编码模块，其被配置为对所获取的历史需求数据进行编码，得到历史需求编码数据；
预测模块，其被配置为基于所得到的历史需求编码数据和所筛选的需求数据类型，进行需求的预测；
其中，在进行需求预测的过程中，采用横向联邦和纵向联邦相结合的方式进行无监督推荐，实现需求的预测。
根据一些实施例，本公开的第三方案提供了一种计算机可读存储介质，采用如下技术方案：
一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的基于无监督和联邦学习的需求预测方法中的步骤。
根据一些实施例，本公开的第四方案提供了一种电子设备，采用如下技术方案：
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的基于无监督和联邦学习的需求预测方法中的步骤。
与现有技术相比，本公开的有益效果为：
本公开将预测出来的需求信息与用户的实际需求进行相似度计算，达到无监督训练的目的，整个过程不需要标注数据。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1是本公开实施例一中的基于联邦学习的商品采购预测方法的流程图；
图2是本公开实施例一中的基于联邦学习的商品采购预测方法的具体工作原理图；
图3是本公开实施例二中的无监督的热点推荐方法的流程图；
图4是本公开实施例二中的无监督的热点推荐方法的具体工作原理图；
图5是本公开实施例三中的基于联邦学习的商品采购预测系统的结构框图；
图6是本公开实施例四中的无监督的热点推荐系统的结构框图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例一
本公开实施例一介绍了一种基于联邦学习的商品采购预测方法。
如图1所示的一种基于联邦学习的商品采购预测方法，包括以下步骤：
获取商品的历史采购数据；
根据所获取的历史采购数据和预设的预测模型，进行商品采购的预测；
其中，预测模型采用联邦学习模型，通过横向联邦和纵向联邦对所获取的历史采购数据进行商品所属领域的划分及特征提取，基于相同领域的历史采购数据预测商品所属领域的采购需求，基于不同领域的历史采购数据识别环境的动态波动并调整商品的采购需求，实现商品采购的预测。
作为一种或多种实施方式，使用同领域内的数据来实现对该领域内的采购规划，使用不同领域内的数据来对周围的环境进行建模。通过同领域的数据和不同领域的数据来实现对环境的建模。
作为一种或多种实施方式，通过利用本地隐藏层对横向数据(同领域内的数据)进行初步的特征提起，在利用编码层(EncoderLayer)对数据进行进一步的特征编码得到特征向量(FeatureVector)，将不同的特征向量进行排列组合，从而得到横向数据和纵向数据的编码。
作为一种或多种实施方式，利用已经提取到的特征，经过3个编码层(EncoderLayer),经过自注意力机制深度提取数据的特征，经过输出层(Output)来预测每种商品的采购需求。
作为一种或多种实施方式，商品的历史采购数据包括相同领域商品的历史采购数据和不同领域商品的历史采购数据。
作为一种或多种实施方式，在商品采购预测的过程中，通过所述横向联邦和所述纵向联邦分别对所述相同领域商品的历史采购数据、所述不同领域商品的历史采购数据进行初步的特征提取，利用编码层进行所提取的特征的编码，得到特征向量，将所得到的不同的特征向量进行排列组合，得到横向数据和纵向数据的编码。
作为一种或多种实施方式，通过相同领域内的数据来确保模型预测的采购需求，利用不同领域的采购需求数据进行环境的建模，动态调整采购需求。
作为一种或多种实施方式，基于所提取的特征，经编码层和自注意力机制深度提取数据特征，经输出层进行商品采购的预测。
作为一种或多种实施方式，所述横向联邦是对数据矩阵或者表格横向划分，不同行的数据具有相同对齐的数据特征。
作为一种或多种实施方式，所述纵向联邦是对数据矩阵或表格纵向划分，不同列的数据有相同对齐的训练样本。
横向联邦学习，适用于参与者的数据特征重叠较多，而样本ID重叠较少的情况，例如，两家不同地区的银行的客户数据。“横向”二字来源于数据的“横向划分(horizontalpartitioning,a.k.a.sharding)”。联合多个参与者的具有相同特征的多行样本进行联邦学习，即各个参与者的训练数据是横向划分的，称为横向联邦学习。横向联邦使训练样本的总数量增加。横向联邦学习也称为特征对齐的联邦学习(Feature-Aligned FederatedLearning)，即横向联邦学习的参与者的数据特征是对齐的。横向联邦学习的名称来源于训练数据的“横向划分”，也就是数据矩阵或者表格的按行(横向)划分。不同行的数据有相同的数据特征，即数据特征是对齐的。
纵向联邦学习，适用于参与者训练样本ID重叠较多，而数据特征重叠较少的情况，例如，同一地区的银行和电商的共同的客户数据。“纵向”二字来源于数据的“纵向划分(vertical partitioning)”。，联合多个参与者的共同样本的不同数据特征进行联邦学习，即各个参与者的训练数据是纵向划分的，称为纵向联邦学习。纵向联邦学习需要先做样本对齐，即找出参与者拥有的共同的样本，也就叫“数据库撞库(entity resolution,a.k.a.entity alignment)”。只有联合多个参与者的共同样本的不同特征进行纵向联邦学习，才有意义。纵向联邦使训练样本的特征维度增多。纵向联邦学习也称为样本对齐的联邦学习(Sample-Aligned Federated Learning)，即纵向联邦学习的参与者的训练样本是对齐的。纵向联邦学习的名称来源于训练数据的“纵向划分”，也就是数据矩阵或者表格的按列(纵向)划分。不同列的数据有相同的样本ID，即训练样本是对齐的。
如图2所示，在本地用hiddenstate(隐藏层)将餐馆(或其他)点餐数据转化为向量，利用相同的Encoder Layer将不同的餐馆(或其他)数据融合成餐馆的特征向量；在获取到餐馆、超市、商城等的特征向量后，基于拼接的操作融合餐馆、超市、商城的特征，并经过多个EncoderLayer层后获取结果。上述整个过程即为横向和纵向联邦过程。
如图2所示，本实施例需要对超市、餐饮、商城等客户端进行数据采集，将采集到的数据按照是否为同领域的原则划分为横向联邦和纵向联邦。在客户端本地对数据的特征进行提取，将同领域内的特征进行放在一起进行编码，提取特征，此后再将不同领域内的数据进行排列组合，形成训练数据，输入到编码网络中对采购量进行预测。本发明是一个自监督的采购预测方法，基于历史数据对下一刻的采购方案进行预测。
本实施例通过相同领域内的数据来确保模型能够预测该领域内的采购需求，同时利用不同领域内的采购需求数据来对环境进行建模，引入环境这一变量，使得模型能够识别出环境的波动状态，从而动态调整采购需求。
实施例二
本公开实施例二介绍了一种无监督的热点推荐方法。
如图3所示的一种无监督的热点推荐方法，包括以下步骤：
获取用户的历史数据，对所获取的历史数据进行编码；
基于所获取的历史数据筛选用户感兴趣的数据类别；
根据编码后的历史数据和所筛选出的用户感兴趣的数据类别进行数据的初步筛选；
计算编码后的历史数据和初步筛选的数据之间的相似度，实现热点信息的推荐。
作为一种或多种实施方式，在获取用户的历史数据的过程中，通过个人手机端、PC端或网页实现对用户数据的搜集。
如图4所示，对所获取的历史数据进行编码的过程中，基于嵌入层(即Embeddinglayer)和隐藏层(即hiddenlayer)提取特征，分别使用输出层和隐藏层获取用户感兴趣的数据类别和历史数据的特征编码；初步筛选出用户感兴趣的大类信息：主要是对用户的浏览数据进行统计分析，得出用户观看最多的一个类别为大类信息；采用联邦机器学习进行无监督推荐。
将编码后的历史数据和初步筛选的数据通过热点推荐网络计算相似度，对相似度超过设定阈值的初步筛选的数据进行训练，实现热点信息的推荐；在本实施例中，如图4所示，热点推荐网络采用线性层+余玄相似度的score ne；设定阈值是根据相似度大小排序来进行设定的。
如图4所示的无监督的热点推荐方法，首先在个人手机端或PC端实现对用户数据的搜集，基于用户各大app或网页数据，基于这些数据首先在本地初步筛选出用户感兴趣的大类，并使用神经网络对用户浏览数据进行编码，将大类的信息和编码的信息通过同态加密传送至中心服务器，中心服务器首先通过大类信息对热点进行初步筛选，在将编码信息和筛选出来的热点信息通过热点推荐网络计算相似度，得分高的top n将返回给客户端，热点推荐网络通过计算用户接下来几次的浏览信息的得分来完成训练过程。
在本实施例中，从客户端收集数据，并在客户端进行数据的初步特征提取，使用同态加密上传到中心服务器，并利用热点推荐算法进行热点筛选和推荐。
在本实施例中，从客户端中收集数据，首先基于嵌入层(Embedding Layer)和隐藏层(Hidden)提取特征，分别使用输出层(output)和隐藏层获取用户浏览的大类别信息和特征编码。
在本实施例中，首先通过大类信息对热点进行初步筛选，在将编码信息和筛选出来的热点信息通过热点推荐网络计算相似度，得分高的top n将返回给客户端，热点推荐网络通过计算用户接下来几次的浏览信息的得分来完成训练过程。
本实施例基于联邦学习技术，很好的保证了用户数据只在客户端本地可见，对于中心服务器来说，客户段传输过来的数据是已经通过编码的信息，原始数据基本不可见；将预测出来的热点信息与用户接下来浏览内容进行相似度计算，达到无监督训练的目的，整个过程不需要标注数据。
实施例三
本公开实施例三介绍了一种基于联邦学习的商品采购预测系统。
如图5所示的一种基于联邦学习的商品采购预测系统，包括：
获取模块，被配置为获取商品的历史采购数据；
预测模块，被配置为根据所获取的历史采购数据和预设的预测模型，进行商品采购的预测；
其中，预测模型采用联邦学习模型，通过横向联邦和纵向联邦对所获取的历史采购数据进行商品所属领域的划分及特征提取，基于相同领域的历史采购数据预测商品所属领域的采购需求，基于不同领域的历史采购数据识别环境的动态波动并调整商品的采购需求，实现商品采购的预测。
详细步骤与实施例一提供的基于联邦学习的商品采购预测方法相同，在此不再赘述。
实施例四
本公开实施例四介绍了一种无监督的热点推荐系统。
如图6所示的一种无监督的热点推荐系统，包括：
获取编码模块，被配置为获取用户的历史数据，对所获取的历史数据进行编码；
筛选模块，被配置为基于所获取的历史数据筛选用户感兴趣的数据类别，根据编码后的历史数据和所筛选出的用户感兴趣的数据类别进行数据的初步筛选；
推荐模块，被配置为计算编码后的历史数据和初步筛选的数据之间的相似度，实现热点信息的推荐。
详细步骤与实施例二提供的无监督的热点推荐方法相同，在此不再赘述。
实施例五
本公开实施例五提供了一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例一所述的基于联邦学习的商品采购预测方法和实施例二所述的无监督的热点推荐方法中的步骤。
详细步骤与实施例一所述的基于联邦学习的商品采购预测方法和实施例二所述的无监督的热点推荐方法相同，在此不再赘述。
实施例六
本公开实施例六提供了一种电子设备。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例一所述的基于联邦学习的商品采购预测方法和实施例二所述的无监督的热点推荐方法中的步骤。
详细步骤与实施例一所述的基于联邦学习的商品采购预测方法和实施例二所述的无监督的热点推荐方法相同，在此不再赘述。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (10)
1.一种基于无监督和联邦学习的需求预测方法，其特征在于，包括：
获取历史需求数据，筛选需求数据类型；
对所获取的历史需求数据进行编码，得到历史需求编码数据；
基于所得到的历史需求编码数据和所筛选的需求数据类型，进行需求的预测；
其中，在进行需求预测的过程中，采用横向联邦和纵向联邦相结合的方式进行无监督推荐，实现需求的预测。
2.如权利要求1中所述的一种基于无监督和联邦学习的需求预测方法，其特征在于，通过所述横向联邦和所述纵向联邦分别对相同需求数据类型和不同需求数据类型进行初步的特征提取，利用编码层进行所提取的特征的编码，得到特征向量，将所得到的不同的特征向量进行排列组合，得到横向数据和纵向数据的编码。
3.如权利要求1中所述的一种基于无监督和联邦学习的需求预测方法，其特征在于，基于所提取的特征以及所得到的横向数据和纵向数据的编码，经编码层和自注意力机制深度提取数据特征，经输出层实现需求的预测。
4.如权利要求1中所述的一种基于无监督和联邦学习的需求预测方法，其特征在于，所述横向联邦是对数据矩阵或者表格横向划分，不同行的数据具有相同对齐的数据特征；所述纵向联邦是对数据矩阵或表格纵向划分，不同列的数据有相同对齐的训练样本。
5.如权利要求1中所述的一种基于无监督和联邦学习的需求预测方法，其特征在于，对所获取的历史需求数据进行编码的过程中，基于嵌入层和隐藏层提取特征，分别使用输出层和隐藏层获取需求数据类别和历史需求数据的特征编码，得到编码后的历史需求数据。
6.如权利要求5中所述的一种基于无监督和联邦学习的需求预测方法，其特征在于，计算所获取的编码后的历史需求数据与所筛选出来的不同类型的需求数据之间的相似度，对相似度超过设定阈值的所筛选出来的不同类型的需求数据进行训练，实现需求的预测。
7.如权利要求1中所述的一种基于无监督和联邦学习的需求预测方法，其特征在于，通过相同类型的需求历史数据来进行需求的预测，利用不同类型的需求历史数据进行需求预测的训练集的调整，动态调整需求预测。
8.一种基于无监督和联邦学习的需求预测系统，其特征在于，包括：
获取模块，其被配置为获取历史需求数据，筛选需求数据类型；
编码模块，其被配置为对所获取的历史需求数据进行编码，得到历史需求编码数据；
预测模块，其被配置为基于所得到的历史需求编码数据和所筛选的需求数据类型，进行需求的预测；
其中，在进行需求预测的过程中，采用横向联邦和纵向联邦相结合的方式进行无监督推荐，实现需求的预测。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的基于无监督和联邦学习的需求预测方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于无监督和联邦学习的需求预测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210636214.2A CN115034816A (zh) | 2022-06-07 | 2022-06-07 | 一种基于无监督和联邦学习的需求预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210636214.2A CN115034816A (zh) | 2022-06-07 | 2022-06-07 | 一种基于无监督和联邦学习的需求预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115034816A true CN115034816A (zh) | 2022-09-09 |
Family
ID=83122530
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210636214.2A Pending CN115034816A (zh) | 2022-06-07 | 2022-06-07 | 一种基于无监督和联邦学习的需求预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115034816A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115238065A (zh) * | 2022-09-22 | 2022-10-25 | 太极计算机股份有限公司 | 一种基于联邦学习的公文智能推荐方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018079367A1 (ja) * | 2016-10-31 | 2018-05-03 | 日本電気株式会社 | 商品需要予測システム、商品需要予測方法および商品需要予測プログラム |
| CN110428058A (zh) * | 2019-08-08 | 2019-11-08 | 深圳前海微众银行股份有限公司 | 联邦学习模型训练方法、装置、终端设备及存储介质 |
| CN111695674A (zh) * | 2020-05-14 | 2020-09-22 | 平安科技（深圳）有限公司 | 联邦学习方法、装置、计算机设备及可读存储介质 |
| CN112633409A (zh) * | 2020-12-31 | 2021-04-09 | 深圳前海微众银行股份有限公司 | 预测方法、纵向联邦学习和横向联邦学习的模型训练方法 |
-
2022
- 2022-06-07 CN CN202210636214.2A patent/CN115034816A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018079367A1 (ja) * | 2016-10-31 | 2018-05-03 | 日本電気株式会社 | 商品需要予測システム、商品需要予測方法および商品需要予測プログラム |
| CN110428058A (zh) * | 2019-08-08 | 2019-11-08 | 深圳前海微众银行股份有限公司 | 联邦学习模型训练方法、装置、终端设备及存储介质 |
| CN111695674A (zh) * | 2020-05-14 | 2020-09-22 | 平安科技（深圳）有限公司 | 联邦学习方法、装置、计算机设备及可读存储介质 |
| CN112633409A (zh) * | 2020-12-31 | 2021-04-09 | 深圳前海微众银行股份有限公司 | 预测方法、纵向联邦学习和横向联邦学习的模型训练方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115238065A (zh) * | 2022-09-22 | 2022-10-25 | 太极计算机股份有限公司 | 一种基于联邦学习的公文智能推荐方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111177575B (zh) | 一种内容推荐方法、装置、电子设备和存储介质 | |
| CN110825957B (zh) | 基于深度学习的信息推荐方法、装置、设备及存储介质 | |
| KR100997541B1 (ko) | 신상품 추천문제 해결을 위한 내용기반 필터링과 협업 필터링을 혼합한 사용자 프로파일 기반 이미지 추천 방법 및 장치 | |
| CN105224623A (zh) | 数据模型的训练方法及装置 | |
| CN110827112B (zh) | 深度学习的商品推荐方法、装置、计算机设备及存储介质 | |
| Liu et al. | Improved CNN method for crop pest identification based on transfer learning | |
| CN109285092A (zh) | 网上房地产信息提供系统，房地产放心交易服务提供系统 | |
| 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 | |
| CN111949886B (zh) | 一种用于信息推荐的样本数据生成方法和相关装置 | |
| CN112035549B (zh) | 数据挖掘方法、装置、计算机设备及存储介质 | |
| CN107368499B (zh) | 一种客户标签建模及推荐方法及装置 | |
| CN114371946B (zh) | 基于云计算和大数据的信息推送方法及信息推送服务器 | |
| CN110399479A (zh) | 搜索数据处理方法、装置、电子设备及计算机可读介质 | |
| CN112100221A (zh) | 一种资讯推荐方法、装置、推荐服务器及存储介质 | |
| CN115034816A (zh) | 一种基于无监督和联邦学习的需求预测方法及系统 | |
| CN116308685A (zh) | 一种基于方面情感预测和协同过滤的产品推荐方法及系统 | |
| CN109697614A (zh) | 用于检测欺诈数据的方法及装置 | |
| CN112785112A (zh) | 一种风险规则提取方法及风险规则提取装置 | |
| CN117217710A (zh) | 一种虚拟商品与快捷服务的智能化管理方法及系统 | |
| Fidrmuc | The core and periphery of the world economy | |
| CN108876422A (zh) | 用于信息推广的方法、装置、电子设备及计算机可读介质 | |
| CN116703520A (zh) | 基于改进K-means算法的产品推荐方法及其相关设备 | |
| CN111506813A (zh) | 一种基于用户画像的遥感信息精准推荐方法 | |
| CN116976961A (zh) | 选址方法、装置、电子设备及存储介质 | |
| Tang | Artificial intelligence-based e-commerce platform based on SaaS and neural networks |
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 |