[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

本申請公開了一種基于聯邦學習的個性化推薦方法、裝置、設備和介質，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。本申請解決了現有技術中個性化推薦效果差的技術問題。

技術領域

本申請涉及金融科技(Fintech)的人工智能技術領域，尤其涉及一種基于聯邦學習的個性化推薦方法、裝置、設備及介質。

背景技術

隨著金融科技，尤其是互聯網科技金融的不斷發展，越來越多的技術(如分布式、區塊鏈Blockchain、人工智能等)應用在金融領域，但金融業也對技術提出了更高的要求，如對金融業對應待辦事項的分發也有更高的要求。

隨著計算機軟件和人工智能的不斷發展，個性化推薦技術也應用的越來越廣泛，目前，個性化推薦提供商通常是通過己方獲取的用戶屬性數據、用戶行為數據、用戶行為上下文數據等數據，預測用戶的個性化的行為或者物品，例如，預測用戶喜愛的手機和預測用戶的網頁點擊率等，但是，在該方法中用戶數據的特征豐富度往往對預測結果有著很大影響，而隨著數據隱私保護立法的趨嚴，導致用戶數據無法在不同數據所有方進行明文共享，所以單個個性化推薦提供商的用戶數據的特征豐富度往往較低，進而導致對用戶的個性化的行為或者物品的預測精度也較低，進而導致個性化推薦效果差，所以，現有技術中存在個性化推薦效果差的技術問題。

發明內容

本申請的主要目的在于提供一種基于聯邦學習的個性化推薦方法、裝置、設備和介質，旨在解決現有技術中個性化推薦效果差的技術問題。

為實現上述目的，本申請實施例提供一種基于聯邦學習的個性化推薦方法，所述基于聯邦學習的個性化推薦方法應用于基于聯邦學習的個性化推薦設備，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。

可選地，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。

可選地，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。

可選地，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：