基于联邦学习的个性化推荐方法、装置、设备及介质制造方法及图纸

本申请公开了一种基于联邦学习的个性化推荐方法、装置、设备和介质，所述基于联邦学习的个性化推荐方法包括：接收上传数据，并从预设召回集存储数据库中提取所述上传数据对应的目标召回集，获取所述上传数据和所述目标召回集共同对应的待预测数据，并将所述待预测数据输入基于所述联邦学习获取的个性化推荐模型，获得模型输出结果，对所述模型输出结果进行筛选，获得个性化推荐结果。本申请解决了现有技术中个性化推荐效果差的技术问题。

Personalized recommendation methods, devices, devices and media based on Federated learning

【技术实现步骤摘要】
基于联邦学习的个性化推荐方法、装置、设备及介质
本申请涉及金融科技(Fintech)的人工智能
，尤其涉及一种基于联邦学习的个性化推荐方法、装置、设备及介质。
技术介绍
随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术(如分布式、区块链Blockchain、人工智能等)应用在金融领域，但金融业也对技术提出了更高的要求，如对金融业对应待办事项的分发也有更高的要求。随着计算机软件和人工智能的不断发展，个性化推荐技术也应用的越来越广泛，目前，个性化推荐提供商通常是通过己方获取的用户属性数据、用户行为数据、用户行为上下文数据等数据，预测用户的个性化的行为或者物品，例如，预测用户喜爱的手机和预测用户的网页点击率等，但是，在该方法中用户数据的特征丰富度往往对预测结果有着很大影响，而随着数据隐私保护立法的趋严，导致用户数据无法在不同数据所有方进行明文共享，所以单个个性化推荐提供商的用户数据的特征丰富度往往较低，进而导致对用户的个性化的行为或者物品的预测精度也较低，进而导致个性化推荐效果差，所以，现有技术中存在个性化推荐效果差的技术问题。
技术实现思路
本申请的主要目的在于提供一种基于联邦学习的个性化推荐方法、装置、设备和介质，旨在解决现有技术中个性化推荐效果差的技术问题。为实现上述目的，本申请实施例提供一种基于联邦学习的个性化推荐方法，所述基于联邦学习的个性化推荐方法应用于基于联邦学习的个性化推荐设备，所述基于联邦学习的个性化推荐方法包括：接收上传数据，并从预设召回集存储数据库中提取所述上传数据对应的目标召回集；获取所述上传数据和所述目标召回集共同对应的待预测数据，并将所述待预测数据输入基于所述联邦学习获取的个性化推荐模型，获得模型输出结果；对所述模型输出结果进行筛选，获得个性化推荐结果。可选地，所述目标召回集包括待推荐物品列表，所述上传数据包括用户数据、物品数据和行为数据，所述获取所述上传数据和所述目标召回集共同对应的待预测数据，并将所述待预测数据输入基于所述联邦学习获取的个性化推荐模型，获得模型输出结果的步骤包括：基于所述待推荐物品列表，对所述物品数据进行筛选，获得待推荐物品数据，并将所述用户数据、所述待推荐物品数据和所述行为数据设置为所述待预测数据；将所述待预测数据输入所述个性化推荐模型，以对所述待推荐物品列表中的待推荐物品进行评分和排序，获得模型输出结果。可选地，所述将所述待预测数据输入所述个性化推荐模型，以对所述待推荐物品列表中的待推荐物品进行评分和排序，获得模型输出结果的步骤包括：将所述待预测数据输入所述个性化推荐模型，以基于所述用户数据和所述行为数据对所述待推荐物品进行评分，获得评分结果；基于所述评分结果，对所述待推荐物品进行排序，获得模型输出结果。可选地，所述基于联邦学习的个性化推荐方法应用于进行所述联邦学习的第一设备，所述获取所述上传数据和所述目标召回集共同对应的待预测数据，并将所述待预测数据输入基于所述联邦学习获取的个性化推荐模型，获得模型输出结果的步骤之前包括：与所述第一设备关联的第二设备进行样本匹配，获得公共训练样本ID(Identitydocument，身份证标识号)；基于所述公共训练样本ID，通过与所述第二设备交互以进行联邦学习，获得所述个性化推荐模型。可选地，所述个性化推荐模型包括逻辑回归模型，所述基于所述公共训练样本ID，通过与所述第二设备交互以进行联邦学习，获得所述个性化推荐模型的步骤包括：基于所述公共训练样本ID，提取所述公共训练样本ID对应的第一样本数据，并计算所述第一样本数据对应的第一权值；接收所述第二设备发送的第二权值，并通过预设中间参数公式计算所述第一权值和所述第二权值共同对应的梯度辅助变量，并将所述梯度辅助变量发送至第二设备，其中，所述第二设备用于计算所述梯度辅助变量对应的第二梯度；基于所述梯度辅助变量，计算第一梯度，并将所述第一梯度发送至预设联邦服务器，其中，所述预设联邦服务器用于基于所述第一梯度和所述第二设备发送的第二梯度计算联邦模型总梯度；接收所述联邦服务器反馈的所述联邦模型总梯度，并基于所述联邦模型总梯度对所述第一设备的本地训练模型进行迭代更新，获得所述逻辑回归模型。可选地，所述接收上传数据，并从预设召回集存储数据库中提取所述上传数据对应的目标召回集的步骤包括：接收上传数据，并提取所述上传数据中的样本ID；基于所述样本ID，在所述预设召回集存储数据库中查询相对应的目标召回集。可选地，所述基于联邦学习的个性化推荐方法应用于进行所述联邦学习的第一设备，所述接收上传数据，并从预设召回集存储数据库中提取所述上传数据对应的目标召回集的步骤之前包括：与所述第一设备关联的第二设备进行联邦学习，获得联邦召回算法模型；获取样本上传数据，并将所述样本上传数据输入所述联邦召回算法模型，获得目标召回集集合，并将所述目标召回集集合存储于所述预设召回集存储数据库中。本申请还提供一种基于联邦学习的个性化推荐装置，所述基于联邦学习的个性化推荐装置应用于基于联邦学习的个性化推荐设备，所述基于联邦学习的个性化推荐装置包括：提取模块，用于所述接收上传数据，并从预设召回集存储数据库中提取所述上传数据对应的目标召回集；预测模块，用于所述获取所述上传数据和所述目标召回集共同对应的待预测数据，并将所述待预测数据输入基于所述联邦学习获取的个性化推荐模型，获得模型输出结果；筛选模块，用于所述对所述模型输出结果进行筛选，获得个性化推荐结果。可选地，所述预测模块包括：筛选单元，用于所述基于所述待推荐物品列表，对所述物品数据进行筛选，获得待推荐物品数据，并将所述用户数据、所述待推荐物品数据和所述行为数据设置为所述待预测数据；预测单元，用于所述将所述待预测数据输入所述个性化推荐模型，以对所述待推荐物品列表中的待推荐物品进行评分和排序，获得模型输出结果。可选地，所述预测单元包括：评分子单元，用于所述将所述待预测数据输入所述个性化推荐模型，以基于所述用户数据和所述行为数据对所述待推荐物品进行评分，获得评分结果；排序子单元，用于所述基于所述评分结果，对所述待推荐物品进行排序，获得模型输出结果。可选地，所述基于联邦学习的个性化推荐装置还包括：样本匹配模块，用于所述与所述第一设备关联的第二设备进行样本匹配，获得公共训练样本ID；第一联邦学习模块，用于所述基于所述公共训练样本ID，通过与所述第二设备交互以进行联邦学习，获得所述个性化推荐模型。可选地，所述联邦学习模块包括：第一计算单元，用于所述基于所述公共训练样本ID，提取所述公共训练样本ID对应的第一样本数据，并计算所述第一样本数据对应的第一权值；第二计算单元，用于所述接收所述第二设备发送的第二权值，并通过预设中间参数公式计算所述第一权本文档来自技高网...

【技术保护点】
1.一种基于联邦学习的个性化推荐方法，其特征在于，所述基于联邦学习的个性化推荐方法包括：/n接收上传数据，并从预设召回集存储数据库中提取所述上传数据对应的目标召回集；/n获取所述上传数据和所述目标召回集共同对应的待预测数据，并将所述待预测数据输入基于所述联邦学习获取的个性化推荐模型，获得模型输出结果；/n对所述模型输出结果进行筛选，获得个性化推荐结果。/n

【技术特征摘要】
1.一种基于联邦学习的个性化推荐方法，其特征在于，所述基于联邦学习的个性化推荐方法包括：
接收上传数据，并从预设召回集存储数据库中提取所述上传数据对应的目标召回集；
获取所述上传数据和所述目标召回集共同对应的待预测数据，并将所述待预测数据输入基于所述联邦学习获取的个性化推荐模型，获得模型输出结果；
对所述模型输出结果进行筛选，获得个性化推荐结果。


2.如权利要求1所述基于联邦学习的个性化推荐方法，其特征在于，所述目标召回集包括待推荐物品列表，所述上传数据包括用户数据、物品数据和行为数据，
所述获取所述上传数据和所述目标召回集共同对应的待预测数据，并将所述待预测数据输入基于所述联邦学习获取的个性化推荐模型，获得模型输出结果的步骤包括：
基于所述待推荐物品列表，对所述物品数据进行筛选，获得待推荐物品数据，并将所述用户数据、所述待推荐物品数据和所述行为数据设置为所述待预测数据；
将所述待预测数据输入所述个性化推荐模型，以对所述待推荐物品列表中的待推荐物品进行评分和排序，获得模型输出结果。


3.如权利要求2所述基于联邦学习的个性化推荐方法，其特征在于，所述将所述待预测数据输入所述个性化推荐模型，以对所述待推荐物品列表中的待推荐物品进行评分和排序，获得模型输出结果的步骤包括：
将所述待预测数据输入所述个性化推荐模型，以基于所述用户数据和所述行为数据对所述待推荐物品进行评分，获得评分结果；
基于所述评分结果，对所述待推荐物品进行排序，获得模型输出结果。


4.如权利要求1所述基于联邦学习的个性化推荐方法，其特征在于，所述基于联邦学习的个性化推荐方法应用于进行所述联邦学习的第一设备，
所述获取所述上传数据和所述目标召回集共同对应的待预测数据，并将所述待预测数据输入基于所述联邦学习获取的个性化推荐模型，获得模型输出结果的步骤之前包括：
与所述第一设备关联的第二设备进行样本匹配，获得公共训练样本ID；
基于所述公共训练样本ID，通过与所述第二设备交互以进行联邦学习，获得所述个性化推荐模型。


5.如权利要求4所述基于联邦学习的个性化推荐方法，其特征在于，所述个性化推荐模型包括逻辑回归模型，
所述基于所述公共训练样本ID，通过与所述第二设备交互以进行联邦学习，获得所述个性化推荐模型的步骤包括：
基于所述公共训练样本ID，提取所述公共训练样本ID对应的第一样本数据，并计算所述第一样本数据对应的第一权值；
接收所述第二设备发送的第二权值，并通过预设中间参数公式计算所述第一权值和所述第二权值共同对应...

【专利技术属性】
技术研发人员：黄福华，刘畅，郑文琛，
申请(专利权)人：深圳前海微众银行股份有限公司，
类型：发明
国别省市：广东;44