CN116562904A - 基于联邦学习的目标对象确定方法和电子设备 - Google Patents
基于联邦学习的目标对象确定方法和电子设备 Download PDFInfo
- Publication number
- CN116562904A CN116562904A CN202210102756.1A CN202210102756A CN116562904A CN 116562904 A CN116562904 A CN 116562904A CN 202210102756 A CN202210102756 A CN 202210102756A CN 116562904 A CN116562904 A CN 116562904A
- Authority
- CN
- China
- Prior art keywords
- information
- model
- platform
- target object
- building
- 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 71
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 88
- 230000006870 function Effects 0.000 claims description 51
- 230000003993 interaction Effects 0.000 claims description 51
- 238000004590 computer program Methods 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 abstract description 17
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012163 sequencing technique Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/16—Real estate
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明提供一种基于联邦学习的目标对象确定方法和电子设备,所述方法应用于信息推荐平台,所述方法包括:接收输入的人群数据;利用目标对象确定模型对所述人群数据进行处理,确定投放人群数据;其中,所述目标对象确定模型为通过对初始目标对象确定模型、设置于房源平台的初始房源模型以及设置于开发商平台的初始开发商模型进行联邦学习而得到,且所述联邦学习的训练数据包括:房源样本人群数据、信息推荐样本人群数据和开发商样本人群数据。实现提高目标对象确定效率的效果。
Description
技术领域
本发明涉及互联网信息推广技术领域,尤其涉及一种基于联邦学习的目标对象确定方法和电子设备。
背景技术
大数据时代,地产开发商通过线下方式获取的客户量已经难以满足业务需求,从而进行数字化转型,在各大互联网信息推荐平台投放推荐信息。
现有技术中,互联网信息推荐平台缺乏房产特征数据,对用户房产画像洞察不足。同时,对特定小区或楼盘感兴趣的人群范围小,定向人群数量少,造成目标对象确定效率低。互联网信息推荐平台缺乏用户点击推荐信息成为地产开发商的线索用户后的深层转化情况。综上,现有技术中存在利用大量成本仅获得较低的目标对象确定效率的缺陷。
因此,提高目标对象确定效率是当前亟待解决的重要问题。
发明内容
本发明提供一种基于联邦学习的目标对象确定方法和电子设备,用以解决现有技术中利用大量成本仅获得较低的目标对象确定效率的缺陷,实现降低成本的同时提高目标对象确定效率。
本发明提供一种基于联邦学习的目标对象确定方法,应用于信息推荐平台,包括:
接收输入的人群数据;
利用目标对象确定模型对所述人群数据进行处理,确定投放人群数据;
其中,所述目标对象确定模型为通过对初始目标对象确定模型、设置于房源平台的初始房源模型以及设置于开发商平台的初始开发商模型进行联邦学习而得到,且所述联邦学习的训练数据包括:房源样本人群数据、信息推荐样本人群数据和开发商样本人群数据。
根据本发明提供的一种基于联邦学习的目标对象确定方法,所述通过对初始目标对象确定模型、设置于房源平台的初始房源模型以及设置于开发商平台的初始开发商模型进行联邦学习,包括:
通过所述信息推荐平台和所述房源平台,基于所述信息推荐平台的所述信息推荐样本人群数据和所述房源平台的所述房源样本人群数据,对所述初始目标对象确定模型与所述初始房源模型进行第一纵向联邦学习,得到所述初始房源模型输出的第一梯度信息,并基于所述第一梯度信息更新所述初始目标对象确定模型与所述初始房源模型,得到第一目标对象确定模型和第一房源模型;
通过所述房源平台和所述开发商平台将所述第一房源模型的模型参数赋值给所述初始开发商模型,得到第一开发商模型,并基于所述信息推荐样本人群数据和所述开发商样本人群数据,对第一目标对象确定模型和第一开发商模型进行第二纵向联邦学习,得到所述第一开发商模型输出的第二梯度信息;
通过所述开发商平台将所述第二梯度信息发送至所述房源平台,以使所述房源平台根据所述第一梯度信息和所述第二梯度信息生成全局梯度信息,并将所述全局梯度信息分别发送至所述开发商平台和所述信息推荐平台;
通过所述信息推荐平台、所述房源平台和所述开发商平台,基于所述全局梯度信息分别更新所述第一目标对象确定模型、所述第一房源模型和所述第一开发商模型,得到目标对象确定模型、房源模型和开发商模型。
根据本发明提供的一种基于联邦学习的目标对象确定方法,所述房源样本人群数据为通过所述房源平台执行以下方法生成:
确定第一预设时间段内的多个楼盘信息,对所述多个楼盘信息进行编码,得到楼盘向量;
根据第一预设时间段内所有用户的楼盘信息访问记录,确定楼盘信息交互序列,所述楼盘信息交互序列由若干楼盘信息组成;
将所述楼盘信息交互序列中在第二预设时间段内的多个楼盘信息作为相似楼盘信息;
将所述相似楼盘信息中的每两个楼盘信息作为一对,生成正样本对;
在楼盘信息交互序列中随机选取若干个所述相似楼盘信息之外的楼盘信息作为非相似楼盘信息;
将所述非相似楼盘信息中的每两个楼盘信息作为一对,生成负样本对;
根据所述正样本对对应的楼盘向量和所述负样本对对应的楼盘向量,确定房源数据样本;
根据所述房源数据样本确定房源样本人群数据。
根据本发明提供的一种基于联邦学习的目标对象确定方法,所述根据所述房源数据样本确定所述房源样本人群数据的步骤,包括:
根据所述房源数据样本训练楼盘神经网络模型;
将所述第一预设时间段内的多个楼盘信息的楼盘向量分别输入所述楼盘神经网络模型,得到多个所述楼盘嵌入向量;
利用所述第一预设时间内所有用户的楼盘信息访问记录,确定每个用户的至少一个用户历史交互楼盘信息;
将所述每个用户的至少一个所述用户历史交互楼盘信息的楼盘向量分别输入所述楼盘神经网络模型,得到每个用户对应的输出结果,并根据所述输出结果的均值确定每个用户对应的用户嵌入向量;
根据多个所述楼盘嵌入向量和多个用户对应的所述用户嵌入向量确定房源样本人群数据。
根据本发明提供的一种基于联邦学习的目标对象确定方法,所述根据多个所述楼盘嵌入向量和多个用户对应的所述用户嵌入向量确定房源样本人群数据的步骤,包括:
在多个所述楼盘嵌入向量中选取两个所述楼盘嵌入向量;
根据选取的两个所述楼盘嵌入向量,计算所述楼盘信息相似度;
根据所述楼盘信息相似度确定与待投放楼盘信息相似的楼盘信息对应的相似楼盘历史交互用户信息;
在所述多个用户对应的所述用户嵌入向量中选取两个所述用户嵌入向量;
根据选取的两个所述用户嵌入向量,计算用户信息相似度;
根据所述用户信息相似度确定与所述待投放楼盘信息的历史交互用户信息相似的相似用户信息;
根据所述相似楼盘历史交互用户信息和所述相似用户信息,确定所述房源样本人群数据。
根据本发明提供的一种基于联邦学习的目标对象确定方法,所述通过所述信息推荐平台和所述房源平台,基于所述信息推荐平台的所述信息推荐样本人群数据和所述房源平台的所述房源样本人群数据,对所述初始目标对象确定模型与所述初始房源模型进行第一纵向联邦学习,得到所述初始房源模型输出的第一梯度信息,并基于所述第一梯度信息更新所述初始目标对象确定模型与所述初始房源模型,得到第一目标对象确定模型和第一房源模型的步骤,包括:
通过所述房源平台根据所述房源样本人群数据确定房源样本人群标签;
通过所述房源平台将所述房源样本人群数据发送至所述信息推荐平台;
通过所述信息推荐平台确定所述信息推荐样本人群数据与所述房源样本人群数据的信息推荐房源共同样本人群数据;
通过所述信息推荐平台和所述房源平台初始化所述初始目标对象确定模型和所述初始房源模型;
通过所述信息推荐平台将所述信息推荐房源共同样本人群数据输入所述初始目标对象确定模型,生成第一网络输出值;
通过所述信息推荐平台将所述第一网络输出值发送至所述房源平台;
通过所述初始房源模型根据所述房源样本人群标签和所述第一网络输出值,计算第一梯度信息;
通过所述房源平台将第一梯度信息发送至所述信息推荐平台;
通过所述房源平台和所述信息推荐平台分别基于所述第一梯度信息更新所述初始目标对象确定模型与所述初始房源模型,得到第一目标对象确定模型和第一房源模型。
根据本发明提供的一种基于联邦学习的目标对象确定方法,所述通过所述初始房源模型根据所述房源样本人群标签和所述第一网络输出值,计算第一梯度信息的步骤之后,还包括:
通过所述初始房源模型根据所述房源样本人群标签和所述第一网络输出值,计算第一损失函数下降速度。
根据本发明提供的一种基于联邦学习的目标对象确定方法,所述通过所述房源平台和所述开发商平台将所述第一房源模型的模型参数赋值给所述初始开发商模型,得到第一开发商模型的步骤,包括:
通过所述开发商平台初始化所述初始开发商模型;
通过所述房源平台在确定所述第一损失函数下降速度未达到损失函数下降速度预设值的情况下,返回重新执行所述通过所述信息推荐平台将所述信息推荐房源共同样本人群数据输入所述初始目标对象确定模型,生成第一网络输出值的步骤;
通过所述房源平台在确定所述第一损失函数下降速度达到损失函数下降速度预设值的情况下,通过所述房源平台将所述第一房源模型的模型参数发送至所述开发商平台,通过所述开发商平台根据所述第一房源模型的模型参数更新所述初始开发商模型,得到第一开发商模型。
根据本发明提供的一种基于联邦学习的目标对象确定方法,所述基于所述信息推荐样本人群数据和所述开发商样本人群数据,对第一目标对象确定模型和第一开发商模型进行第二纵向联邦学习,得到所述第一开发商模型输出的第二梯度信息的步骤,包括:
通过所述开发商平台根据所述开发商样本人群数据确定开发商样本人群标签;
通过所述开发商平台将所述开发商样本人群数据发送至所述信息推荐平台;
通过所述信息推荐平台确定所述信息推荐样本人群数据与所述开发商样本人群数据的信息推荐开发商共同样本人群数据;
通过所述信息推荐平台将所述信息推荐开发商共同样本人群数据输入所述第一目标对象确定模型,生成第二网络输出值;
通过所述信息推荐平台将所述第二网络输出值发送至所述开发商平台;
通过所述第一开发商模型根据所述开发商样本人群标签和所述第二网络输出值,计算第二梯度信息。
根据本发明提供的一种基于联邦学习的目标对象确定方法,所述通过所述第一开发商模型根据所述开发商样本人群标签和所述第二网络输出值,计算第二梯度信息的步骤之后,还包括:
通过所述第一开发商模型根据所述开发商样本人群标签和所述第二网络输出值,计算第二损失函数下降速度。
根据本发明提供的一种基于联邦学习的目标对象确定方法,所述通过所述信息推荐平台、所述房源平台和所述开发商平台,基于所述全局梯度信息分别更新所述第一目标对象确定模型、所述第一房源模型和所述第一开发商模型,得到目标对象确定模型、房源模型和开发商模型的步骤,包括:
通过所述信息推荐平台、所述房源平台和所述开发商平台分别基于所述全局梯度信息分别更新所述第一目标对象确定模型、所述第一房源模型和所述第一开发商模型;
通过所述开发商平台在确定所述第二损失函数下降速度未达到损失函数下降速度预设值的情况下,返回重新执行所述通过所述信息推荐平台将所述信息推荐开发商共同样本人群数据输入所述第一目标对象确定模型,生成第二网络输出值的步骤;
通过所述开发商平台在确定所述第二损失函数下降速度达到损失函数下降速度预设值的情况下,得到目标对象确定模型、房源模型和开发商模型。
根据本发明提供的一种基于联邦学习的目标对象确定方法,所述利用目标对象确定模型对所述人群数据进行处理,确定投放人群数据的步骤,包括:
根据所述目标对象确定模型对所述人群数据进行预测,得到预测值;
将所述预测值按由大到小排序,得到预测值队列;
选取所述预测值队列中排序靠前的预设比例的预测值作为投放人群预测值;
根据所述投放人群预测值确定投放人群数据。
本发明还提供一种电子设备,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计算机程序,所述处理器执行所述程序时实现如上述任一种所述基于联邦学习的目标对象确定方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于联邦学习的目标对象确定方法的步骤。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述基于联邦学习的目标对象确定方法的步骤。
本发明提供的基于联邦学习的目标对象确定方法和电子设备,通过接收输入的人群数据;利用目标对象确定模型对所述人群数据进行处理,确定投放人群数据;其中,所述目标对象确定模型为通过对初始目标对象确定模型、设置于房源平台的初始房源模型以及设置于开发商平台的初始开发商模型进行联邦学习而得到,且所述联邦学习的训练数据包括:房源样本人群数据、信息推荐样本人群数据和开发商样本人群数据。实现提高目标对象确定效率的效果。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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是本发明提供的基于联邦学习的目标对象确定方法的流程示意图之一;
图2a是本发明提供的基于联邦学习的目标对象确定系统的结构示意图;
图2b是本发明提供的联邦学习的流程示意图之一;
图3是本发明提供的联邦学习的流程示意图之二;
图4是本发明提供的联邦学习的流程示意图之三;
图5是本发明提供的联邦学习的流程示意图之四;
图6是本发明提供的联邦学习的流程示意图之五;
图7是本发明提供的联邦学习的流程示意图之六;
图8是本发明提供的联邦学习的流程示意图之七;
图9是本发明提供的联邦学习的流程示意图之八;
图10是本发明提供的联邦学习的流程示意图之九;
图11是本发明提供的基于联邦学习的目标对象确定装置的结构示意图;
图12是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
大数据时代,地产开发商通过线下方式获取的客户量已经难以满足业务需求,从而进行数字化转型,在各大互联网信息推荐平台投放推荐信息。
现有技术中,互联网信息推荐平台缺乏房产特征数据,对用户房产画像洞察不足。同时,对特定小区或楼盘感兴趣的人群范围小,定向人群数量少,造成目标对象确定效率低。互联网信息推荐平台缺乏用户点击推荐信息成为地产开发商的线索用户后的深层转化情况。综上,现有技术中存在利用大量成本时仅获得较低的目标对象确定效率的缺陷。
本发明提供一种基于联邦学习的目标对象确定方法,应用于信息推荐平台,如图1所示,方法包括如下步骤:
S11、接收输入的人群数据;
具体地,信息推荐平台可以接收输入的人群数据。人群数据用于表示信息推荐大盘用户的用户信息,信息推荐大盘用户的用户信息为可以对其推荐信息的用户信息。
S12、利用目标对象确定模型对所述人群数据进行处理,确定投放人群数据;
具体地,信息推荐平台可以利用目标对象确定模型对人群数据进行处理,根据人群数据确定投放人群数据,其中,投放人群数据用于表示待推荐信息的用户信息。
其中,如图2a所示,图2a为信息推荐平台、房源平台和开发商平台组成的基于联邦学习的目标对象确定系统,目标对象确定模型为通过对初始目标对象确定模型、设置于房源平台的初始房源模型以及设置于开发商平台的初始开发商模型进行联邦学习而得到,且联邦学习的训练数据包括:房源样本人群数据、信息推荐样本人群数据和开发商样本人群数据。
本发明实施例中,信息推荐平台根据房源样本人群数据、信息推荐样本人群数据和开发商样本人群数据,通过对初始目标对象确定模型、设置于房源平台的初始房源模型以及设置于开发商平台的初始开发商模型进行联邦学习得到目标对象确定模型。接收输入的人群数据,利用目标对象确定模型对人群数据进行处理,确定投放人群数据,实现提高目标对象确定效率的效果。
根据本发明实施例提供的一种基于联邦学习的目标对象确定方法,所述通过对初始目标对象确定模型、设置于房源平台的初始房源模型以及设置于开发商平台的初始开发商模型进行联邦学习,如图2b所示,包括如下步骤:
S21、通过所述信息推荐平台和所述房源平台,基于所述信息推荐平台的所述信息推荐样本人群数据和所述房源平台的所述房源样本人群数据,对所述初始目标对象确定模型与所述初始房源模型进行第一纵向联邦学习,得到所述初始房源模型输出的第一梯度信息,并基于所述第一梯度信息更新所述初始目标对象确定模型与所述初始房源模型,得到第一目标对象确定模型和第一房源模型;
具体地,信息推荐平台具有信息推荐样本人群数据和初始目标对象确定模型,房源平台具有房源样本人群数据和初始房源模型。信息推荐样本人群数据可以表示信息推荐平台获取的用户信息。房源样本人群数据可以表示房源平台获取的与待投放楼盘信息相似的相似楼盘信息的历史交互用户信息以及待投放楼盘历史交互用户信息相似的相互用户。
信息推荐平台和房源平台利用信息推荐样本人群数据和房源样本人群数据对初始目标对象确定模型和初始房源模型进行第一纵向联邦学习,得到初始房源模型输出的第一梯度信息。
信息推荐平台和房源平台利用第一梯度信息分别更新初始目标对象确定模型和初始房源模型,得到第一目标对象确定模型和第一房源模型。
S22、通过所述房源平台和所述开发商平台将所述第一房源模型的模型参数赋值给所述初始开发商模型,得到第一开发商模型,并基于所述信息推荐样本人群数据和所述开发商样本人群数据,对第一目标对象确定模型和第一开发商模型进行第二纵向联邦学习,得到所述第一开发商模型输出的第二梯度信息;
具体地,开发商平台具有初始开发商模型和开发商样本人群数据。开发商样本人群数据可以表示开发商平台获取的待投放楼盘信息的历史交互用户信息。
房源平台将第一房源模型的模型参数发送至开发商平台。开发商平台将第一房源模型的模型参数赋值给初始开发商模型,得到第一开发商模型。信息推荐平台和开发商平台利用信息推荐样本人群数据和开发商样本人群数据对第一目标对象确定模型和第一开发商模型进行第二纵向联邦学习,得到第一开发商模型输出的第二梯度信息。
S23、通过所述开发商平台将所述第二梯度信息发送至所述房源平台,以使所述房源平台根据所述第一梯度信息和所述第二梯度信息生成全局梯度信息,并将所述全局梯度信息分别发送至所述开发商平台和所述信息推荐平台;
具体地,开放商平台将第二梯度信息发送至房源平台,房源平台将第一梯度信息和第二梯度信息进行聚合取均值得到全局梯度信息,并将全局梯度信息分别发送至开发商平台和信息推荐平台。
S24、通过所述信息推荐平台、所述房源平台和所述开发商平台,基于所述全局梯度信息分别更新所述第一目标对象确定模型、所述第一房源模型和所述第一开发商模型,得到目标对象确定模型、房源模型和开发商模型;
具体地,信息推荐平台、房源平台和开发商平台基于全局梯度信息分别更新第一目标对象确定模型、第一房源模型和第一开发商模型,得到目标对象确定模型、房源模型和开发商模型。
本发明实施例中,详细记载了通过对初始目标对象确定模型、设置于房源平台的初始房源模型以及设置于开发商平台的初始开发商模型进行联邦学习的步骤,方便快捷的得到目标对象确定模型,方便后续根据目标对象确定模型对人群数据进行处理,确定投放人群数据,实现提高目标对象确定效率的效果。
根据本发明实施例提供的一种基于联邦学习的目标对象确定方法,如图3所示,所述房源样本人群数据为通过所述房源平台执行以下方法生成:
S31、确定第一预设时间段内的多个楼盘信息,对所述多个楼盘信息进行编码,得到楼盘向量;
具体地,第一预设时间段可以根据实际需要进行设定,对此不进行限定。在一个示例中,第一预设时间段可以为30天,房源平台可以确定30天内曝光过的多个楼盘信息,对曝光的楼盘信息进行编码,得到楼盘向量。
房源平台可以按照楼盘信息曝光的次数排序,从1开始编码,被点击小于5次的楼盘信息作为低频楼盘信息可以将其编码值设置为0。根据编码值存储每个楼盘信息的楼盘向量。例如编码值最大为n,则楼盘向量为n+1维,编码值为i的楼盘信息除了第i+1维为1,其余维均为0。
S32、根据第一预设时间段内所有用户的楼盘信息访问记录,确定楼盘信息交互序列,所述楼盘信息交互序列由若干楼盘信息组成;
具体地,房源平台可以根据第一预设时间段内所有用户的楼盘信息访问记录,一个示例中,第一预设时间段为30天,房源平台可以根据30天内的用户的楼盘信息访问记录确定楼盘信息交互序列,楼盘信息交互序列由若干楼盘信息组成。一个示例中,房源平台可以根据楼盘信息访问记录将同一用户两次商机行为之间或一小时内的点击楼盘信息按交互时间排序去重,获得楼盘信息交互序列,其中所述两次商机行为之间和所述一个小时内均为举例,不起限定作用。
S33、将所述楼盘信息交互序列中在第二预设时间段内的多个楼盘信息作为相似楼盘信息;
具体地,第二预设时间段可以根据实际需要进行设定,对此不进行限定。一个示例中,第二预设时间段为一个小时,房源平台可以将楼盘信息交互序列中在一个小时内用户点击的A、B和C楼盘信息作为相似楼盘信息。
S34、将所述相似楼盘信息中的每两个楼盘信息作为一对,生成正样本对;
具体地,房源平台可以将相似楼盘信息中的每两个楼盘信息作为一对,生成正样本对。一个示例中,楼盘信息交互序列中的相似楼盘信息为A、B和C,房源平台可以将A和B作为一对正样本对,将B和C作为一对正样本对,将A和C作为一对正样本对。
S35、在楼盘信息交互序列中随机选取若干个所述相似楼盘信息之外的楼盘信息作为非相似楼盘信息;
具体地,一个示例中,楼盘信息交互序列包括A、B、C、D、E五个楼盘信息,其中B和C为相似楼盘信息,则房源平台选取A、D、E三个楼盘信息作为非相似楼盘信息。
S36、将所述非相似楼盘信息中的每两个楼盘信息作为一对,生成负样本对;
具体地,一个示例中,楼盘信息交互序列包括A、B、C、D、E五个楼盘信息,其中B和C为相似楼盘信息,A、D、E三个楼盘信息作为非相似楼盘信息。房源平台将A和D作为一对负样本,将D和E作为一对负样本,将A和E作为一对负样本。
S37、根据所述正样本对对应的楼盘向量和所述负样本对对应的楼盘向量,确定房源数据样本;
具体地,房源平台可以将正样本对对应的楼盘向量和负样本对对应的楼盘向量的集合作为房源数据样本。
S38、根据所述房源数据样本确定房源样本人群数据。
具体地,房源平台可以根据房源数据样本确定房源样本人群数据。
本发明实施例中,详细记载了房源平台根据第一预设时间段内的楼盘信息和用户的楼盘信息访问记录确定房源数据样本,并根据房源数据样本方便快捷的确定房源样本人群数据,进而方便后续生成目标对象确定模型并根据目标对象确定模型对人群数据进行处理,确定投放人群数据,实现提高目标对象确定效率的效果。
根据本发明实施例提供的一种基于联邦学习的目标对象确定方法,如图4所示,步骤S38具体包括如下步骤:
S41、根据所述房源数据样本训练楼盘神经网络模型;
具体地,房源平台可以根据房源数据样本利用Word2vec方法训练楼盘神经网络模型。
S42、将所述第一预设时间段内的多个楼盘信息的楼盘向量分别输入所述楼盘神经网络模型,得到多个所述楼盘嵌入向量;
具体地,房源平台可以将第一预设时间段内的多个楼盘信息的楼盘向量分别输入楼盘信息神经网路,得到多个楼盘嵌入向量。
S43、利用所述第一预设时间内所有用户的楼盘信息访问记录,确定每个用户的至少一个用户历史交互楼盘信息;
具体地,房源平台可以利用第一预设时间内所有用户的楼盘信息访问记录,确定每个用户的至少一个用户历史交互楼盘信息。
S44、将所述每个用户的至少一个所述用户历史交互楼盘信息的楼盘向量分别输入所述楼盘神经网络模型,得到每个用户对应的输出结果,并根据所述输出结果的均值确定每个用户对应的用户嵌入向量;
具体地,房源平台可以将每个用户的至少一个用户历史交互楼盘信息的楼盘向量分别输入楼盘神经网络模型,得到每个用户对应的输出结果,并根据输出结果的均值确定每个用户对应的用户嵌入向量。
S45、根据多个所述楼盘嵌入向量和多个用户对应的所述用户嵌入向量确定房源样本人群数据;
具体地,房源平台可以根据多个楼盘嵌入向量和多个用户对应的用户嵌入向量确定房源样本人群数据。
本发明实施例中,详细记载了房源平台根据房源数据样本、第一预设时间段内的多个楼盘信息的楼盘向量以及第一预设时间内所有用户的楼盘信息访问记录,方便快捷的得到房源样本人群数据,进而方便后续生成目标对象确定模型并根据目标对象确定模型对人群数据进行处理,确定投放人群数据,实现提高目标对象确定效率的效果。
根据本发明实施例提供的一种基于联邦学习的目标对象确定方法,如图5所示,步骤S45具体包括如下步骤:
S51、在多个所述楼盘嵌入向量中选取两个所述楼盘嵌入向量;
具体地,房源平台可以在多个楼盘嵌入向量中选取两个楼盘嵌入向量。
S52、根据选取的两个所述楼盘嵌入向量,计算所述楼盘信息相似度;
具体地,房源平台可以将两个楼盘嵌入向量的内积除以两个楼盘嵌入向量的模的积的计算结果作为楼盘信息相似度。
S53、根据所述楼盘信息相似度确定与待投放楼盘信息相似的楼盘信息对应的相似楼盘历史交互用户信息;
具体地,房源平台可以根据楼盘信息相似度确定与待投放楼盘信息相似的楼盘信息对应的相似楼盘历史交互用户信息。
S54、在所述多个用户对应的所述用户嵌入向量中选取两个所述用户嵌入向量;
具体地,房源平台可以在多个用户对应的用户嵌入向量中选取两个用户嵌入向量。
S55、根据选取的两个所述用户嵌入向量,计算用户信息相似度;
具体地,房源平台可以用户信息相似度为两个用户嵌入向量的内积除以两个用户嵌入向量的模的积的计算结果作为用户信息相似度。
S56、根据所述用户信息相似度确定与所述待投放楼盘信息的历史交互用户信息相似的相似用户信息;
具体地,房源平台可以根据用户信息相似度确定与待投放楼盘信息的历史交互用户信息相似的相似用户信息。
S57、根据所述相似楼盘历史交互用户信息和所述相似用户信息,确定所述房源样本人群数据;
具体地,房源平台可以将相似楼盘历史交互用户信息和相似用户信息的集合作为房源样本人群数据。
本发明实施例中,详细记载了房源平台根据多个楼盘嵌入向量和多个用户对应的用户嵌入向量,方便快捷的确定房源样本人群数据,进而方便后续生成目标对象确定模型并根据目标对象确定模型对人群数据进行处理,确定投放人群数据,实现提高目标对象确定效率的效果。
根据本发明实施例提供的一种基于联邦学习的目标对象确定方法,如图6所示,步骤S21可以包括如下步骤:
S61、通过所述房源平台根据所述房源样本人群数据确定房源样本人群标签;
具体地,房源平台可以根据房源样本人群数据生成不同维度的具有正负标签的房源样本人群标签。其中,不同维度可以包括是否留存、是否发生商机、是否发生带看和是否发生成交等维度。
S62、通过所述房源平台将所述房源样本人群数据发送至所述信息推荐平台;
具体地,房源平台可以将房源样本人群数据发送至信息推荐平台。
S63、通过所述信息推荐平台确定所述信息推荐样本人群数据与所述房源样本人群数据的信息推荐房源共同样本人群数据;
具体地,信息推荐平台在接收房源平台发送的房源样本人群数据后,可以根据信息推荐样本人群数据和房源样本人群数据,确定其中共同的样本人群数据,作为信息推荐房源共同样本人群数据。
S64、通过所述信息推荐平台和所述房源平台初始化所述初始目标对象确定模型和所述初始房源模型;
具体地,信息推荐平台和房源平台可以分别初始化自身平台的初始目标对象确定模型和初始房源模型。
S65、通过所述信息推荐平台将所述信息推荐房源共同样本人群数据输入所述初始目标对象确定模型,生成第一网络输出值;
具体地,信息推荐平台可以将信息推荐房源共同样本人群数据输入初始目标对象确定模型,生成第一网络输出值。
S66、通过所述信息推荐平台将所述第一网络输出值发送至所述房源平台;
具体地,信息推荐平台可以将第一网络输出值发送至房源平台。
S67、通过所述初始房源模型根据所述房源样本人群标签和所述第一网络输出值,计算第一梯度信息;
具体地,房源平台在接收第一网络输出值后,可以根据房源样本人群标签和第一网络输出值,计算第一梯度信息。
S68、通过所述房源平台将第一梯度信息发送至所述信息推荐平台;
具体地,房源平台可以将第一梯度信息发送至信息推荐平台。
S69、通过所述房源平台和所述信息推荐平台分别基于所述第一梯度信息更新所述初始目标对象确定模型与所述初始房源模型,得到第一目标对象确定模型和第一房源模型。
具体地,房源平台和信息推荐平台可以分别基于第一梯度信息更新初始目标对象确定模型与初始房源模型,得到第一目标对象确定模型和第一房源模型。
本发明实施例中,详细记载了基于信息推荐平台的信息推荐样本人群数据和房源平台的房源样本人群数据,对初始目标对象确定模型与初始房源模型进行第一纵向联邦学习,得到初始房源模型输出的第一梯度信息,并基于第一梯度信息更新初始目标对象确定模型与初始房源模型,得到第一目标对象确定模型和第一房源模型的步骤,方便快捷的确定第一目标对象确定模型和第一房源模型,进而方便后续根据第一目标对象确定模型和第一房源模型确定目标对象确定模型,利用目标对象确定模型对人群数据进行处理,确定投放人群数据,实现提高目标对象确定效率的效果。
根据本发明实施例提供的一种基于联邦学习的目标对象确定方法,在步骤S67之后,还包括:
S671、通过初始房源模型根据房源样本人群标签和第一网络输出值,计算第一损失函数下降速度;
具体地,房源平台可以根据房源样本人群标签和第一网络输出值,计算第一损失函数下降速度。第一损失函数下降速度可以表示初始房源模型的性能。
本发明实施例中,房源平台根据房源样本人群标签和第一网络输出值,计算第一损失函数下降速度,通过第一损失函数下降速度表示初始房源模型的性能,帮助训练初始房源模型,进而后续得到第一目标对象确定模型和第一房源模型,实现提高目标对象确定效率的效果。
根据本发明实施例提供的一种基于联邦学习的目标对象确定方法,所述通过所述房源平台和所述开发商平台将所述第一房源模型的模型参数赋值给所述初始开发商模型,得到第一开发商模型的步骤,如图7所示,可以包括如下步骤:
S71、通过所述开发商平台初始化所述初始开发商模型;
具体地,开发商平台可以初始化自身平台的初始开发商模型。
S72、通过所述房源平台在确定所述第一损失函数下降速度未达到损失函数下降速度预设值的情况下,返回重新执行所述通过所述信息推荐平台将所述信息推荐房源共同样本人群数据输入所述初始目标对象确定模型,生成第一网络输出值的步骤;
具体地,在第一损失函数下降速度为达到损失函数下降速度预设值的情况下,返回重新执行步骤S67。
S73、通过所述房源平台在确定所述第一损失函数下降速度达到损失函数下降速度预设值的情况下,通过所述房源平台将所述第一房源模型的模型参数发送至所述开发商平台,通过所述开发商平台根据所述第一房源模型的模型参数更新所述初始开发商模型,得到第一开发商模型;
具体地,在第一损失函数下降速度达到损失函数下降速度预设值的情况下,房源平台可以将第一房源模型的模型参数发送至开发商平台。
开发商平台可以根据第一房源模型的模型参数更新初始开发商模型,得到第一开发商模型。
本发明实施例中,在第一损失函数下降速度为达到损失函数下降速度预设值的情况下,返回通过初始房源模型根据房源样本人群标签和第一网络输出值,计算第一梯度信息的步骤,使得得到的第一目标对象确定模型和第一房源模型具有良好的性能,进一步使得利用第一房源模型的模型参数更新的第一开发商模型也具有良好的性能,方便后续根据第一目标对象确定模型、第一房源模型和第一开发商模型确定目标对象确定模型,利用目标对象确定模型对人群数据进行处理,确定投放人群数据,实现提高目标对象确定效率的效果。
根据本发明实施例提供的一种基于联邦学习的目标对象确定方法,所述基于所述信息推荐样本人群数据和所述开发商样本人群数据,对第一目标对象确定模型和第一开发商模型进行第二纵向联邦学习,得到所述第一开发商模型输出的第二梯度信息的步骤,如图8所示,可以包括如下步骤:
S81、通过所述开发商平台根据所述开发商样本人群数据确定开发商样本人群标签;
具体地,开发商平台可以根据开发商样本人群数据生成不同维度的具有正负标签的开发商样本人群标签。其中,不同维度可以包括是否留存、是否发生商机、是否发生带看和是否发生成交等维度。
S82、通过所述开发商平台将所述开发商样本人群数据发送至所述信息推荐平台;
具体地,开发商平台可以将开发商样本人群数据发送至信息推荐平台。
S83、通过所述信息推荐平台确定所述信息推荐样本人群数据与所述开发商样本人群数据的信息推荐开发商共同样本人群数据;
具体地,信息推荐平台在接收开发商平台发送的开发商样本人群数据后,可以根据信息推荐样本人群数据和开发商样本人群数据,确定其中共同的样本人群数据,作为信息推荐开发商共同样本人群数据。
S84、通过所述信息推荐平台将所述信息推荐开发商共同样本人群数据输入所述第一目标对象确定模型,生成第二网络输出值;
具体地,信息推荐平台可以将信息推荐开发商共同样本人群数据输入第一目标对象确定模型,生成第二网络输出值。
S85、通过所述信息推荐平台将所述第二网络输出值发送至所述开发商平台;
具体地,信息推荐平台可以将第二网络输出值发送至开发商平台。
S86、通过所述第一开发商模型根据所述开发商样本人群标签和所述第二网络输出值,计算第二梯度信息;
具体地,开发商平台在接收信息推荐平台发送的第二网络输出值后,可以根据开发商样本人群标签和第二网络输出值,计算第二梯度信息。
本发明实施例中,详细记载了基于所述信息推荐样本人群数据和所述开发商样本人群数据,对第一目标对象确定模型和第一开发商模型进行第二纵向联邦学习,方便快捷地得到所述第一开发商模型输出的第二梯度信息的步骤,方便后续根据第一梯度信息和第二梯度信息生成全局梯度信息,根据全局梯度信息得到目标对象确定模型,利用目标对象确定模型对人群数据进行处理,确定投放人群数据,实现提高目标对象确定效率的效果。
根据本发明实施例提供的一种基于联邦学习的目标对象确定方法,在步骤S86之后,还包括:
S861、通过所述第一开发商模型根据所述开发商样本人群标签和所述第二网络输出值,计算第二损失函数下降速度;
具体地,开发商平台可以根据开发商样本人群标签和第二网络输出值,计算第二损失函数下降速度。第二损失函数下降速度可以表示第一开发商模型的性能。
本发明实施例中,开发商平台根据开发商样本人群标签和第二网络输出值,计算第二损失函数下降速度,通过第二损失函数下降速度表示第一开发商模型的性能,帮助训练第一开发商模型,进而得到高性能的第二梯度信息,实现提高目标对象确定效率的效果。
根据本发明实施例提供的一种基于联邦学习的目标对象确定方法,如图9所示,步骤S24可以包括如下步骤:
S91、通过所述信息推荐平台、所述房源平台和所述开发商平台分别基于所述全局梯度信息分别更新所述第一目标对象确定模型、所述第一房源模型和所述第一开发商模型;
具体地,通过房源平台、开发商平台和信息推荐平台分别基于全局梯度信息分别更新第一目标对象确定模型、第一房源模型和第一开发商模型。
S92、通过所述开发商平台在确定所述第二损失函数下降速度未达到损失函数下降速度预设值的情况下,返回重新执行所述通过所述信息推荐平台将所述信息推荐开发商共同样本人群数据输入所述第一目标对象确定模型,生成第二网络输出值的步骤;
具体地,通过所述开发商平台在确定所述第二损失函数下降速度未达到损失函数下降速度预设值的情况下,返回重新执行步骤S86。
S93、通过所述开发商平台在确定所述第二损失函数下降速度达到损失函数下降速度预设值的情况下,得到目标对象确定模型、房源模型和开发商模型;
具体地,在确定所述第二损失函数下降速度达到损失函数下降速度预设值的情况下,得到目标对象确定模型、房源模型和开发商模型。
本发明实施例中,在第二损失函数下降速度为达到损失函数下降速度预设值的情况下,返回通过第一开发商模型根据开发商样本人群标签和第二网络输出值,计算第二梯度信息的步骤,使得得到的第一目标对象确定模型、第一房源模型和第一开发商模型具有良好的性能,使得确定的目标对象确定模型也具有良好的性能,进而利用目标对象确定模型对人群数据进行处理,确定投放人群数据,实现提高目标对象确定效率的效果。
根据本发明实施例提供的一种基于联邦学习的目标对象确定方法,如图10所示,步骤S12可以包括如下步骤:
S101、根据所述目标对象确定模型对所述人群数据进行预测,得到预测值;
具体地,信息推荐平台可以根据目标对象确定模型对人群数据进行预测,得到信息推荐大盘用户的用户信息中每个用户信息的预测值。
S102、将所述预测值按由大到小排序,得到预测值队列;
具体地,信息推荐平台可以将预测值按由大到小排序,得到预测值队列。
S103、选取所述预测值队列中排序靠前的预设比例的预测值作为投放人群预测值;
具体地,预设比例可以根据实际需要进行设定,对此不进行限定。一个示例中,预设比例可以为1%,信息推荐平台可以选取预测值队列中排序靠前的1%的预测值作为投放人群预测值。
S104、根据所述投放人群预测值确定投放人群数据;
具体地,信息推荐平台可以根据投放人群预测值确定用于表示待推荐信息的用户信息的投放人群数据。
本发明实施例中,信息推荐平台根据目标对象确定模型对人群数据进行预测,得到预测值,将预测值按由大到小排序,得到预测值队列,选取预测值队列中排序靠前的预设比例的预测值作为投放人群预测值,根据投放人群预测值确定投放人群数据,实现提高目标对象确定效率的效果。
下面对本发明提供的基于联邦学习的目标对象确定装置进行描述,下文描述的基于联邦学习的目标对象确定装置与上文描述的基于联邦学习的目标对象确定方法可相互对应参照。
本发明还提供一种基于联邦学习的目标对象确定装置,应用于信息推荐平台,如图11所示,包括:
接收模块111,用于接收输入的人群数据;
具体地,接收模块111可以接收输入的人群数据。人群数据用于表示信息推荐大盘用户的用户信息,信息推荐大盘用户的用户信息为可以对其推荐信息的用户信息。
确定模块112,用于利用目标对象确定模型对所述人群数据进行处理,确定投放人群数据;
具体地,确定模块112可以对人群数据进行处理,根据人群数据确定投放人群数据,其中,投放人群数据用于表示待推荐信息的用户信息。
其中,所述目标对象确定模型为通过对初始目标对象确定模型、设置于房源平台的初始房源模型以及设置于开发商平台的初始开发商模型进行联邦学习而得到,且所述联邦学习的训练数据包括:房源样本人群数据、信息推荐样本人群数据和开发商样本人群数据。
本发明实施例中,信息推荐平台根据房源样本人群数据、信息推荐样本人群数据和开发商样本人群数据,通过对初始目标对象确定模型、设置于房源平台的初始房源模型以及设置于开发商平台的初始开发商模型进行联邦学习得到目标对象确定模型。接收输入的人群数据,利用目标对象确定模型对人群数据进行处理,确定投放人群数据,实现提高目标对象确定效率的效果。
根据本发明实施例提供的一种基于联邦学习的目标对象确定装置,所述通过对初始目标对象确定模型、设置于房源平台的初始房源模型以及设置于开发商平台的初始开发商模型进行联邦学习,包括:
通过所述信息推荐平台和所述房源平台,基于所述信息推荐平台的所述信息推荐样本人群数据和所述房源平台的所述房源样本人群数据,对所述初始目标对象确定模型与所述初始房源模型进行第一纵向联邦学习,得到所述初始房源模型输出的第一梯度信息,并基于所述第一梯度信息更新所述初始目标对象确定模型与所述初始房源模型,得到第一目标对象确定模型和第一房源模型;
通过所述房源平台和所述开发商平台将所述第一房源模型的模型参数赋值给所述初始开发商模型,得到第一开发商模型,并基于所述信息推荐样本人群数据和所述开发商样本人群数据,对第一目标对象确定模型和第一开发商模型进行第二纵向联邦学习,得到所述第一开发商模型输出的第二梯度信息;
通过所述开发商平台将所述第二梯度信息发送至所述房源平台,以使所述房源平台根据所述第一梯度信息和所述第二梯度信息生成全局梯度信息,并将所述全局梯度信息分别发送至所述开发商平台和所述信息推荐平台;
通过所述信息推荐平台、所述房源平台和所述开发商平台,基于所述全局梯度信息分别更新所述第一目标对象确定模型、所述第一房源模型和所述第一开发商模型,得到目标对象确定模型、房源模型和开发商模型。
根据本发明实施例提供的一种基于联邦学习的目标对象确定装置,所述房源样本人群数据为通过所述房源平台执行以下方法生成:
确定第一预设时间段内的多个楼盘信息,对所述多个楼盘信息进行编码,得到楼盘向量;
根据第一预设时间段内所有用户的楼盘信息访问记录,确定楼盘信息交互序列,所述楼盘信息交互序列由若干楼盘信息组成;
将所述楼盘信息交互序列中在第二预设时间段内的多个楼盘信息作为相似楼盘信息;
将所述相似楼盘信息中的每两个楼盘信息作为一对,生成正样本对;
在楼盘信息交互序列中随机选取若干个所述相似楼盘信息之外的楼盘信息作为非相似楼盘信息;
将所述非相似楼盘信息中的每两个楼盘信息作为一对,生成负样本对;
根据所述正样本对对应的楼盘向量和所述负样本对对应的楼盘向量,确定房源数据样本;
根据所述房源数据样本确定房源样本人群数据。
根据本发明实施例提供的一种基于联邦学习的目标对象确定装置,所述根据所述房源数据样本确定所述房源样本人群数据的步骤,包括:
根据所述房源数据样本训练楼盘神经网络模型;
将所述第一预设时间段内的多个楼盘信息的楼盘向量分别输入所述楼盘神经网络模型,得到多个所述楼盘嵌入向量;
利用所述第一预设时间内所有用户的楼盘信息访问记录,确定每个用户的至少一个用户历史交互楼盘信息;
将所述每个用户的至少一个所述用户历史交互楼盘信息的楼盘向量分别输入所述楼盘神经网络模型,得到每个用户对应的输出结果,并根据所述输出结果的均值确定每个用户对应的用户嵌入向量;
根据多个所述楼盘嵌入向量和多个用户对应的所述用户嵌入向量确定房源样本人群数据。
根据本发明实施例提供的一种基于联邦学习的目标对象确定装置,所述根据多个所述楼盘嵌入向量和多个用户对应的所述用户嵌入向量确定房源样本人群数据的步骤,包括:
在多个所述楼盘嵌入向量中选取两个所述楼盘嵌入向量;
根据选取的两个所述楼盘嵌入向量,计算所述楼盘信息相似度;
根据所述楼盘信息相似度确定与待投放楼盘信息相似的楼盘信息对应的相似楼盘历史交互用户信息;
在所述多个用户对应的所述用户嵌入向量中选取两个所述用户嵌入向量;
根据选取的两个所述用户嵌入向量,计算用户信息相似度;
根据所述用户信息相似度确定与所述待投放楼盘信息的历史交互用户信息相似的相似用户信息;
根据所述相似楼盘历史交互用户信息和所述相似用户信息,确定所述房源样本人群数据。
根据本发明实施例提供的一种基于联邦学习的目标对象确定装置,所述通过所述信息推荐平台和所述房源平台,基于所述信息推荐平台的所述信息推荐样本人群数据和所述房源平台的所述房源样本人群数据,对所述初始目标对象确定模型与所述初始房源模型进行第一纵向联邦学习,得到所述初始房源模型输出的第一梯度信息,并基于所述第一梯度信息更新所述初始目标对象确定模型与所述初始房源模型,得到第一目标对象确定模型和第一房源模型的步骤,包括:
通过所述房源平台根据所述房源样本人群数据确定房源样本人群标签;
通过所述房源平台将所述房源样本人群数据发送至所述信息推荐平台;
通过所述信息推荐平台确定所述信息推荐样本人群数据与所述房源样本人群数据的信息推荐房源共同样本人群数据;
初始化所述初始目标对象确定模型和所述初始房源模型;
通过所述信息推荐平台将所述信息推荐房源共同样本人群数据输入所述初始目标对象确定模型,生成第一网络输出值;
通过所述信息推荐平台将所述第一网络输出值发送至所述房源平台;
通过所述初始房源模型根据所述房源样本人群标签和所述第一网络输出值,计算第一梯度信息;
通过所述房源平台将第一梯度信息发送至所述信息推荐平台;
通过所述房源平台和所述信息推荐平台分别基于所述第一梯度信息更新所述初始目标对象确定模型与所述初始房源模型,得到第一目标对象确定模型和第一房源模型。
根据本发明实施例提供的一种基于联邦学习的目标对象确定装置,所述通过所述初始房源模型根据所述房源样本人群标签和所述第一网络输出值,计算第一梯度信息的步骤之后,还包括:
通过所述初始房源模型根据所述房源样本人群标签和所述第一网络输出值,计算第一损失函数下降速度。
根据本发明实施例提供的一种基于联邦学习的目标对象确定装置,所述通过所述房源平台和所述开发商平台将所述第一房源模型的模型参数赋值给所述初始开发商模型,得到第一开发商模型的步骤,包括:
通过所述开发商平台初始化所述初始开发商模型;
通过所述房源平台在确定所述第一损失函数下降速度未达到损失函数下降速度预设值的情况下,返回重新执行所述通过所述信息推荐平台将所述信息推荐房源共同样本人群数据输入所述初始目标对象确定模型,生成第一网络输出值的步骤;
通过所述房源平台在确定所述第一损失函数下降速度达到损失函数下降速度预设值的情况下,通过所述房源平台将所述第一房源模型的模型参数发送至所述开发商平台,通过所述开发商平台根据所述第一房源模型的模型参数更新所述初始开发商模型,得到第一开发商模型。
根据本发明实施例提供的一种基于联邦学习的目标对象确定装置,所述基于所述信息推荐样本人群数据和所述开发商样本人群数据,对第一目标对象确定模型和第一开发商模型进行第二纵向联邦学习,得到所述第一开发商模型输出的第二梯度信息的步骤,包括:
通过所述开发商平台根据所述开发商样本人群数据确定开发商样本人群标签;
通过所述开发商平台将所述开发商样本人群数据发送至所述信息推荐平台;
通过所述信息推荐平台确定所述信息推荐样本人群数据与所述开发商样本人群数据的信息推荐开发商共同样本人群数据;
通过所述信息推荐平台将所述信息推荐开发商共同样本人群数据输入所述第一目标对象确定模型,生成第二网络输出值;
通过所述信息推荐平台将所述第二网络输出值发送至所述开发商平台;
通过所述第一开发商模型根据所述开发商样本人群标签和所述第二网络输出值,计算第二梯度信息。
根据本发明实施例提供的一种基于联邦学习的目标对象确定装置,所述通过所述第一开发商模型根据所述开发商样本人群标签和所述第二网络输出值,计算第二梯度信息的步骤之后,还包括:
通过所述第一开发商模型根据所述开发商样本人群标签和所述第二网络输出值,计算第二损失函数下降速度。
根据本发明实施例提供的一种基于联邦学习的目标对象确定装置,所述通过所述信息推荐平台、所述房源平台和所述开发商平台,基于所述全局梯度信息分别更新所述第一目标对象确定模型、所述第一房源模型和所述第一开发商模型,得到目标对象确定模型、房源模型和开发商模型的步骤,包括:
通过所述信息推荐平台、所述房源平台和所述开发商平台分别基于所述全局梯度信息分别更新所述第一目标对象确定模型、所述第一房源模型和所述第一开发商模型;
通过所述开发商平台在确定所述第二损失函数下降速度未达到损失函数下降速度预设值的情况下,返回重新执行所述通过所述信息推荐平台将所述信息推荐开发商共同样本人群数据输入所述第一目标对象确定模型,生成第二网络输出值的步骤;
在确定所述第二损失函数下降速度达到损失函数下降速度预设值的情况下,得到目标对象确定模型、房源模型和开发商模型。
根据本发明实施例提供的一种基于联邦学习的目标对象确定装置,所述确定模块112具体用于:
根据所述目标对象确定模型对所述人群数据进行预测,得到预测值;将所述预测值按由大到小排序,得到预测值队列;选取所述预测值队列中排序靠前的预设比例的预测值作为投放人群预测值;根据所述投放人群预测值确定投放人群数据。
图12示例了一种电子设备的实体结构示意图,如图12所示,该电子设备可以包括:处理器(processor)1210、通信接口(Communications Interface)1220、存储器(memory)1230和通信总线1240,其中,处理器1210,通信接口1220,存储器1230通过通信总线1240完成相互间的通信。处理器1210可以调用存储器1230中的逻辑指令,以执行基于联邦学习的目标对象确定方法,该方法包括:接收输入的人群数据;利用目标对象确定模型对所述人群数据进行处理,确定投放人群数据;其中,所述目标对象确定模型为通过对初始目标对象确定模型、设置于房源平台的初始房源模型以及设置于开发商平台的初始开发商模型进行联邦学习而得到,且所述联邦学习的训练数据包括:房源样本人群数据、信息推荐样本人群数据和开发商样本人群数据。
此外,上述的存储器1230中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的基于联邦学习的目标对象确定方法,该方法包括:接收输入的人群数据;利用目标对象确定模型对所述人群数据进行处理,确定投放人群数据;其中,所述目标对象确定模型为通过对初始目标对象确定模型、设置于房源平台的初始房源模型以及设置于开发商平台的初始开发商模型进行联邦学习而得到,且所述联邦学习的训练数据包括:房源样本人群数据、信息推荐样本人群数据和开发商样本人群数据。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的基于联邦学习的目标对象确定方法,该方法包括:接收输入的人群数据;利用目标对象确定模型对所述人群数据进行处理,确定投放人群数据;其中,所述目标对象确定模型为通过对初始目标对象确定模型、设置于房源平台的初始房源模型以及设置于开发商平台的初始开发商模型进行联邦学习而得到,且所述联邦学习的训练数据包括:房源样本人群数据、信息推荐样本人群数据和开发商样本人群数据。
以上所描述的装置实施例仅仅是示意性的,其中所述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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式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。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例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同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于联邦学习的目标对象确定方法,其特征在于,应用于信息推荐平台,包括:
接收输入的人群数据;
利用目标对象确定模型对所述人群数据进行处理,确定投放人群数据;
其中,所述目标对象确定模型为通过对初始目标对象确定模型、设置于房源平台的初始房源模型以及设置于开发商平台的初始开发商模型进行联邦学习而得到,且所述联邦学习的训练数据包括:房源样本人群数据、信息推荐样本人群数据和开发商样本人群数据。
2.根据权利要求1所述的基于联邦学习的目标对象确定方法,其特征在于,所述通过对初始目标对象确定模型、设置于房源平台的初始房源模型以及设置于开发商平台的初始开发商模型进行联邦学习,包括:
通过所述信息推荐平台和所述房源平台,基于所述信息推荐平台的所述信息推荐样本人群数据和所述房源平台的所述房源样本人群数据,对所述初始目标对象确定模型与所述初始房源模型进行第一纵向联邦学习,得到所述初始房源模型输出的第一梯度信息,并基于所述第一梯度信息更新所述初始目标对象确定模型与所述初始房源模型,得到第一目标对象确定模型和第一房源模型;
通过所述房源平台和所述开发商平台将所述第一房源模型的模型参数赋值给所述初始开发商模型,得到第一开发商模型,并基于所述信息推荐样本人群数据和所述开发商样本人群数据,对第一目标对象确定模型和第一开发商模型进行第二纵向联邦学习,得到所述第一开发商模型输出的第二梯度信息;
通过所述开发商平台将所述第二梯度信息发送至所述房源平台,以使所述房源平台根据所述第一梯度信息和所述第二梯度信息生成全局梯度信息,并将所述全局梯度信息分别发送至所述开发商平台和所述信息推荐平台;
通过所述信息推荐平台、所述房源平台和所述开发商平台,基于所述全局梯度信息分别更新所述第一目标对象确定模型、所述第一房源模型和所述第一开发商模型,得到目标对象确定模型、房源模型和开发商模型。
3.根据权利要求2所述的基于联邦学习的目标对象确定方法,其特征在于,所述房源样本人群数据为通过所述房源平台执行以下方法生成:
确定第一预设时间段内的多个楼盘信息,对所述多个楼盘信息进行编码,得到楼盘向量;
根据第一预设时间段内所有用户的楼盘信息访问记录,确定楼盘信息交互序列,所述楼盘信息交互序列由若干楼盘信息组成;
将所述楼盘信息交互序列中在第二预设时间段内的多个楼盘信息作为相似楼盘信息;
将所述相似楼盘信息中的每两个楼盘信息作为一对,生成正样本对;
在楼盘信息交互序列中随机选取若干个所述相似楼盘信息之外的楼盘信息作为非相似楼盘信息;
将所述非相似楼盘信息中的每两个楼盘信息作为一对,生成负样本对;
根据所述正样本对对应的楼盘向量和所述负样本对对应的楼盘向量,确定房源数据样本;
根据所述房源数据样本确定房源样本人群数据。
4.根据权利要求3所述的基于联邦学习的目标对象确定方法,其特征在于,所述根据所述房源数据样本确定所述房源样本人群数据的步骤,包括:
根据所述房源数据样本训练楼盘神经网络模型;
将所述第一预设时间段内的多个楼盘信息的楼盘向量分别输入所述楼盘神经网络模型,得到多个所述楼盘嵌入向量;
利用所述第一预设时间内所有用户的楼盘信息访问记录,确定每个用户的至少一个用户历史交互楼盘信息;
将所述每个用户的至少一个所述用户历史交互楼盘信息的楼盘向量分别输入所述楼盘神经网络模型,得到每个用户对应的输出结果,并根据所述输出结果的均值确定每个用户对应的用户嵌入向量;
根据多个所述楼盘嵌入向量和多个用户对应的所述用户嵌入向量确定房源样本人群数据。
5.根据权利要求4所述的基于联邦学习的目标对象确定方法,其特征在于,所述根据多个所述楼盘嵌入向量和多个用户对应的所述用户嵌入向量确定房源样本人群数据的步骤,包括:
在多个所述楼盘嵌入向量中选取两个所述楼盘嵌入向量;
根据选取的两个所述楼盘嵌入向量,计算所述楼盘信息相似度;
根据所述楼盘信息相似度确定与待投放楼盘信息相似的楼盘信息对应的相似楼盘历史交互用户信息;
在所述多个用户对应的所述用户嵌入向量中选取两个所述用户嵌入向量;
根据选取的两个所述用户嵌入向量,计算用户信息相似度;
根据所述用户信息相似度确定与所述待投放楼盘信息的历史交互用户信息相似的相似用户信息;
根据所述相似楼盘历史交互用户信息和所述相似用户信息,确定所述房源样本人群数据。
6.根据权利要求2所述的基于联邦学习的目标对象确定方法,其特征在于,所述通过所述信息推荐平台和所述房源平台,基于所述信息推荐平台的所述信息推荐样本人群数据和所述房源平台的所述房源样本人群数据,对所述初始目标对象确定模型与所述初始房源模型进行第一纵向联邦学习,得到所述初始房源模型输出的第一梯度信息,并基于所述第一梯度信息更新所述初始目标对象确定模型与所述初始房源模型,得到第一目标对象确定模型和第一房源模型的步骤,包括:
通过所述房源平台根据所述房源样本人群数据确定房源样本人群标签;
通过所述房源平台将所述房源样本人群数据发送至所述信息推荐平台;
通过所述信息推荐平台确定所述信息推荐样本人群数据与所述房源样本人群数据的信息推荐房源共同样本人群数据;
通过所述信息推荐平台和所述房源平台初始化所述初始目标对象确定模型和所述初始房源模型;
通过所述信息推荐平台将所述信息推荐房源共同样本人群数据输入所述初始目标对象确定模型,生成第一网络输出值;
通过所述信息推荐平台将所述第一网络输出值发送至所述房源平台;
通过所述初始房源模型根据所述房源样本人群标签和所述第一网络输出值,计算第一梯度信息;
通过所述房源平台将第一梯度信息发送至所述信息推荐平台;
通过所述房源平台和所述信息推荐平台分别基于所述第一梯度信息更新所述初始目标对象确定模型与所述初始房源模型,得到第一目标对象确定模型和第一房源模型。
7.根据权利要求6所述的基于联邦学习的目标对象确定方法,其特征在于,所述通过所述初始房源模型根据所述房源样本人群标签和所述第一网络输出值,计算第一梯度信息的步骤之后,还包括:
通过所述初始房源模型根据所述房源样本人群标签和所述第一网络输出值,计算第一损失函数下降速度。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,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至7任一项所述基于联邦学习的目标对象确定方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于联邦学习的目标对象确定方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于联邦学习的目标对象确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210102756.1A CN116562904A (zh) | 2022-01-27 | 2022-01-27 | 基于联邦学习的目标对象确定方法和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210102756.1A CN116562904A (zh) | 2022-01-27 | 2022-01-27 | 基于联邦学习的目标对象确定方法和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116562904A true CN116562904A (zh) | 2023-08-08 |
Family
ID=87491997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210102756.1A Pending CN116562904A (zh) | 2022-01-27 | 2022-01-27 | 基于联邦学习的目标对象确定方法和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116562904A (zh) |
-
2022
- 2022-01-27 CN CN202210102756.1A patent/CN116562904A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108399564B (zh) | 信用评分方法及装置 | |
CN111177473B (zh) | 人员关系分析方法、装置和可读存储介质 | |
CN113256335B (zh) | 数据筛选方法、多媒体数据的投放效果预测方法及装置 | |
CN113128432B (zh) | 基于演化计算的机器视觉多任务神经网络架构搜索方法 | |
CN109189922B (zh) | 评论评估模型的训练方法和装置 | |
CN113077058B (zh) | 一种由用户终端执行的推送模型优化方法和装置 | |
CN112069294A (zh) | 一种数学题处理方法、装置、设备及存储介质 | |
CN110880117A (zh) | 虚假业务识别方法、装置、设备和存储介质 | |
CN113011522B (zh) | 基于有向无环图的多标签联邦学习方法、控制器和介质 | |
CN109657725B (zh) | 一种基于复杂时空情境感知的服务质量预测方法及系统 | |
CN112559868B (zh) | 信息召回方法、装置、存储介质及电子设备 | |
CN113850669A (zh) | 用户分群方法、装置、计算机设备及计算机可读存储介质 | |
CN110781929B (zh) | 信用预测模型的训练方法、预测方法及装置、介质和设备 | |
CN116562904A (zh) | 基于联邦学习的目标对象确定方法和电子设备 | |
CN114548382B (zh) | 迁移训练方法、装置、设备、存储介质及程序产品 | |
CN113159152B (zh) | 基于树形结构的多标签预测方法、控制器和介质 | |
CN111782774A (zh) | 一种问题推荐的方法及装置 | |
CN116401372A (zh) | 知识图谱表示学习方法、装置、电子设备及可读存储介质 | |
CN115858911A (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
CN115564532A (zh) | 序列推荐模型的训练方法及装置 | |
CN110087230B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN112328779A (zh) | 训练样本构建方法、装置、终端设备及存储介质 | |
CN115115036B (zh) | 一种数据处理方法、装置、计算机设备及存储介质 | |
CN108876031B (zh) | 一种软件开发者贡献值预测方法 | |
CN114444808A (zh) | 模型量化方法、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 |