[發明專利]基于聯邦學習的個性化推薦方法、裝置、設備及介質

有效

• 申請號: 201911326853.3
• 申請日: 2019-12-20
• 公開（公告）號: CN111079022B
• 公開（公告）日: 2023-10-03
• 發明（設計）人: 黃福華;劉暢;鄭文琛
• 申請（專利權）人: 深圳前海微眾銀行股份有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/9538
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 王韜

1.一種基于聯邦學習的個性化推薦方法，其特征在于，所述基于聯邦學習的個性化推薦方法包括：

接收上傳數據，并從預設召回集存儲數據庫中提取所述上傳數據對應的目標召回集；

獲取所述上傳數據和所述目標召回集共同對應的待預測數據，并將所述待預測數據輸入基于所述聯邦學習獲取的個性化推薦模型，獲得模型輸出結果；

對所述模型輸出結果進行篩選，獲得個性化推薦結果。

2.如權利要求1所述基于聯邦學習的個性化推薦方法，其特征在于，所述目標召回集包括待推薦物品列表，所述上傳數據包括用戶數據、物品數據和行為數據，

所述獲取所述上傳數據和所述目標召回集共同對應的待預測數據，并將所述待預測數據輸入基于所述聯邦學習獲取的個性化推薦模型，獲得模型輸出結果的步驟包括：

基于所述待推薦物品列表，對所述物品數據進行篩選，獲得待推薦物品數據，并將所述用戶數據、所述待推薦物品數據和所述行為數據設置為所述待預測數據；

將所述待預測數據輸入所述個性化推薦模型，以對所述待推薦物品列表中的待推薦物品進行評分和排序，獲得模型輸出結果。

3.如權利要求2所述基于聯邦學習的個性化推薦方法，其特征在于，所述將所述待預測數據輸入所述個性化推薦模型，以對所述待推薦物品列表中的待推薦物品進行評分和排序，獲得模型輸出結果的步驟包括：

將所述待預測數據輸入所述個性化推薦模型，以基于所述用戶數據和所述行為數據對所述待推薦物品進行評分，獲得評分結果；

基于所述評分結果，對所述待推薦物品進行排序，獲得模型輸出結果。

4.如權利要求1所述基于聯邦學習的個性化推薦方法，其特征在于，所述基于聯邦學習的個性化推薦方法應用于進行所述聯邦學習的第一設備，

所述獲取所述上傳數據和所述目標召回集共同對應的待預測數據，并將所述待預測數據輸入基于所述聯邦學習獲取的個性化推薦模型，獲得模型輸出結果的步驟之前包括：

與所述第一設備關聯的第二設備進行樣本匹配，獲得公共訓練樣本ID；

基于所述公共訓練樣本ID，通過與所述第二設備交互以進行聯邦學習，獲得所述個性化推薦模型。

5.如權利要求4所述基于聯邦學習的個性化推薦方法，其特征在于，所述個性化推薦模型包括邏輯回歸模型，

所述基于所述公共訓練樣本ID，通過與所述第二設備交互以進行聯邦學習，獲得所述個性化推薦模型的步驟包括：

基于所述公共訓練樣本ID，提取所述公共訓練樣本ID對應的第一樣本數據，并計算所述第一樣本數據對應的第一權值；

接收所述第二設備發送的第二權值，并通過預設中間參數公式計算所述第一權值和所述第二權值共同對應的梯度輔助變量，并將所述梯度輔助變量發送至第二設備，其中，所述第二設備用于計算所述梯度輔助變量對應的第二梯度；

基于所述梯度輔助變量，計算第一梯度，并將所述第一梯度發送至預設聯邦服務器，其中，所述預設聯邦服務器用于基于所述第一梯度和所述第二設備發送的第二梯度計算聯邦模型總梯度；

接收所述聯邦服務器反饋的所述聯邦模型總梯度，并基于所述聯邦模型總梯度對所述第一設備的本地訓練模型進行迭代更新，獲得所述邏輯回歸模型。

6.如權利要求1所述基于聯邦學習的個性化推薦方法，其特征在于，所述接收上傳數據，并從預設召回集存儲數據庫中提取所述上傳數據對應的目標召回集的步驟包括：

接收上傳數據，并提取所述上傳數據中的樣本ID；

基于所述樣本ID，在所述預設召回集存儲數據庫中查詢相對應的目標召回集。

7.如權利要求1所述基于聯邦學習的個性化推薦方法，其特征在于，所述基于聯邦學習的個性化推薦方法應用于進行所述聯邦學習的第一設備，

所述接收上傳數據，并從預設召回集存儲數據庫中提取所述上傳數據對應的目標召回集的步驟之前包括：

與所述第一設備關聯的第二設備進行聯邦學習，獲得聯邦召回算法模型；

獲取樣本上傳數據，并將所述樣本上傳數據輸入所述聯邦召回算法模型，獲得目標召回集集合，并將所述目標召回集集合存儲于所述預設召回集存儲數據庫中。