[發明專利]一種由用戶終端執行的推送模型優化方法和裝置

有效

• 申請號: 201911014064.6
• 申請日: 2019-10-23
• 公開（公告）號: CN110766166B
• 公開（公告）日: 2021-03-23
• 發明（設計）人: 陳超超;王力;周俊
• 申請（專利權）人: 支付寶（杭州）信息技術有限公司
• 主分類號: G06N20/00
• 分類號: G06N20/00;G06F16/9536
• 代理公司: 北京億騰知識產權代理事務所(普通合伙) 11309
• 代理人: 張靜娟;周良玉

本說明書實施例提供了一種由用戶終端執行的推送模型優化方法，所述終端與第一用戶相對應，所述終端本地包括當前的推送模型，所述推送模型基于矩陣分解方法進行預測，所述方法包括：從本地獲取第一用戶針對第一對象的評分；基于所述評分、所述第一用戶的當前嵌入向量和所述第一對象的當前嵌入向量，計算用于優化所述第一對象的嵌入向量的第一梯度向量；確定所述第一用戶的當前的預定數目的鄰居用戶；將所述第一梯度向量分別發送給所述預定數目的鄰居用戶各自的終端，以使得每個鄰居用戶的終端基于所述第一梯度向量分別優化其本地的第一對象的嵌入向量。

技術領域

本說明書實施例涉及機器學習技術領域，更具體地，涉及一種由用戶終端執行的推送模型優化方法和裝置。

背景技術

在推送系統中，矩陣分解方法被廣泛應用。傳統的矩陣分解技術都屬于集中式(centralized)訓練。也就是說，在傳統的矩陣分解技術中，首先，構建該推薦系統的平臺需要獲取用戶對物品的行為(如購買，點擊，評分等行為)數據，然后利用這些數據來構建一個矩陣分解推送系統。也就是說，所有用戶對物品的行為歷史數據，都要集中式的存儲在某個服務端，另外，在訓練矩陣分解模型時，需要在服務端機器上訓練。而所述用戶對物品的歷史行為數據可能包括用戶的隱私數據。

因此，需要一種更有效的保護隱私的推送模型優化方案。

發明內容

本說明書實施例旨在提供一種更有效的保護隱私的推送模型優化方案。

本說明書一方面提供一種由用戶終端執行的推送模型優化方法，所述終端與第一用戶相對應，所述終端本地包括當前的推送模型，所述推送模型基于矩陣分解方法進行預測，所述方法包括：

從本地獲取第一用戶針對第一對象的評分，其中，所述推送模型中包括所述第一用戶的當前嵌入向量和所述第一對象的當前嵌入向量；

基于所述評分、所述第一用戶的當前嵌入向量和所述第一對象的當前嵌入向量，計算用于優化所述第一對象的嵌入向量的第一梯度向量；

確定所述第一用戶的當前的預定數目的鄰居用戶，其中，所述鄰居用戶與所述第一用戶具有預定關聯關系；

將所述第一梯度向量分別發送給所述預定數目的鄰居用戶各自的終端，以使得每個鄰居用戶的終端基于所述第一梯度向量分別優化其本地的第一對象的嵌入向量。

在一個實施例中，計算用于優化所述第一對象的嵌入向量的第一梯度向量包括，計算用于優化所述第一對象的嵌入向量的初始梯度向量，通過隨機算法將所述初始梯度向量轉換為第一梯度向量，其中，所述第一梯度向量的元素的符號基于所述初始梯度向量的相應元素的符合確定，所述第一梯度向量的元素絕對值的取值為多個離散數值中的一個數值，其中，所述隨機算法使得所述第一梯度向量的元素的期望值與所述初始梯度向量的相應元素的值相對應。

在一個實施例中，所述多個離散數值為位數相同的二進制數值。

在一個實施例中，所述第一用戶的當前嵌入向量和所述第一對象的當前嵌入向量包括的各個元素值都在-1到1之間，所述多個離散數值為0和1。

在一個實施例中，所述方法還包括，在計算用于優化所述第一對象的嵌入向量的初始梯度向量之后，使用所述初始梯度向量優化本地的第一對象的嵌入向量。

在一個實施例中，所述終端本地記錄有所述推送模型的優化次數，所述方法還包括，在使用所述第一梯度向量更新本地的第一對象的嵌入向量之后，確定所述優化次數是否等于預定數值，在確定所述優化次數等于預定數值的情況中，停止對所述嵌入模型的下一次優化。

在一個實施例中，所述預定關聯關系為地理位置關聯關系。