[發明專利]隱私保護廣告點擊率預測方法、裝置、服務器及存儲介質

在審

• 申請號: 202110755722.8
• 申請日: 2021-07-05
• 公開（公告）號: CN113487351A
• 公開（公告）日: 2021-10-08
• 發明（設計）人: 劉洋;俞陳佳;王軒;徐睿峰;廖清;蔣琳;漆舒漢
• 申請（專利權）人: 哈爾濱工業大學（深圳）
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06F21/62;G06K9/62;G06N20/20
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 李君

1.一種隱私保護廣告點擊率預測方法，應用于服務器，其特征在于，所述方法包括：

將全局模型下發至各個客戶端，以使各個客戶端根據本地用戶數據訓練本地模型，分別通過計算因子分解機組件和深度學習組件的梯度獲得權重更新向量，并將權重更新向量上傳到服務器；

接收各個客戶端上傳的權重更新向量，根據各個客戶端上傳的權重更新向量，計算各個客戶端之間的相似度；

根據各個客戶端之間的相似度，采用聚類聯邦學習算法，對所有客戶端進行聚類，使每個聚類生成一個全局模型；

在每個聚類中，將全局模型下發給該聚類中的所有客戶端，以使該聚類中的所有客戶端更新本地模型，直至全局模型收斂或達到最大輪次；

接收某個用戶的客戶端發送的請求，在相應聚類中將全局模型下發給該用戶的客戶端，以使該用戶的客戶端通過本地模型計算該用戶的候選廣告的廣告點擊率。

2.根據權利要求1所述的隱私保護廣告點擊率預測方法，其特征在于，所述采用聚類聯邦學習算法，對所有客戶端進行聚類，使每個聚類生成一個全局模型，具體包括：

采用聚類聯邦學習算法，對所有客戶端進行聚類，判斷是否發生分裂；

若發生分裂，則將所有客戶端分成兩個聚類，使每個聚類生成一個全局模型；

若不發生分裂，則判斷全局模型是否收斂；

若全局模型未收斂，且未達到最大輪次，則將所有客戶端作為一個聚類，使該聚類生成一個全局模型。

3.根據權利要求2所述的隱私保護廣告點擊率預測方法，其特征在于，所述聚類發生分裂是指：當前聚類的聯邦學習目標函數的接近駐點，以及聚類中存在某一客戶端沒有到達本地損失函數的一個穩定點。

4.根據權利要求1所述的隱私保護廣告點擊率預測方法，其特征在于，所述方法還包括：

根據該用戶的候選廣告的廣告點擊率，將所選的部分廣告列表發送給該用戶的客戶端，實現對該用戶的個性化廣告推薦。

5.根據權利要求1-4任一項所述的隱私保護廣告點擊率預測方法，其特征在于，計算因子分解機組件的梯度，如下式：

其中，表示第k個客戶端模型的參數，x表示用戶的特征，每個用戶有n個，θ表示模型參數的統稱。

6.根據權利要求1-4任一項所述的隱私保護廣告點擊率預測方法，其特征在于，計算深度學習組件的梯度，如下式：

其中，t表示迭代輪次，D_k表示第k個客戶端的用戶數據，SGD()表示隨機梯度下降法。

7.根據權利要求1-4任一項所述的隱私保護廣告點擊率預測方法，其特征在于，所述計算各個客戶端之間的相似度，如下式：

其中，α_i,j表示第i個客戶端與第j個客戶端之間的余弦相似度，Δθ_i表示第i個客戶端的權重更新向量，Δθ_j表示第j個客戶端的權重更新向量。

8.一種隱私保護廣告點擊率預測裝置，應用于服務器，其特征在于，所述裝置包括：

模型訓練模塊，用于將全局模型下發至各個客戶端，以使各個客戶端根據本地用戶數據訓練本地模型，分別通過計算因子分解機組件和深度學習組件的梯度獲得權重更新向量，并將權重更新向量上傳到服務器；

相似度計算模塊，用于接收各個客戶端上傳的權重更新向量，根據各個客戶端上傳的權重更新向量，計算各個客戶端之間的相似度；

聚類模塊，用于根據各個客戶端之間的相似度，采用聚類聯邦學習算法，對所有客戶端進行聚類，使每個聚類生成一個全局模型；

模型更新模塊，用于在每個聚類中，將全局模型下發給該聚類中的所有客戶端，以使該聚類中的所有客戶端更新本地模型，直至全局模型收斂或達到最大輪次；

廣告點擊率預測模塊，用于接收某個用戶的客戶端發送的請求，在相應聚類中將全局模型下發給該用戶的客戶端，以使該用戶的客戶端通過本地模型計算該用戶的候選廣告的廣告點擊率。