一种基于推荐服务器及子系统的推荐系统及方法技术方案

本文提供了一种基于推荐服务器及子系统的推荐系统及方法，涉及人工智能领域，推荐系统包括：推荐服务器用于发送待训练推荐模型至各子系统，对各子系统发送的局部推荐模型进行聚合处理，判断聚合所得推荐模型是否满足预设条件，若不满足，则将聚合所得推荐模型作为待训练推荐模型发送至各子系统，若满足，则将聚合所得推荐模型作为全局推荐模型发送至各子系统；子系统用于利用本地的会话数据调整待训练推荐模型的参数以得到局部推荐模型，发送局部推荐模型至推荐服务器；利用全局推荐模型对用户推荐请求进行内容推荐。本文将集中收集数据改为由各子系统分布式训练推荐模型，可以在实现相近推荐效果的情况下，更好保护用户隐私的效果。的效果。的效果。

【技术实现步骤摘要】
一种基于推荐服务器及子系统的推荐系统及方法


[0001]本文涉及人工智能领域，尤其涉及一种基于推荐服务器及子系统的推荐系统及方法。

技术介绍

[0002]现有涉及多个子系统的推荐系统中，需要各子系统直接将样本数据发送至中央服务器，由中央服务器训练物品推荐模型。
[0003]现有技术中的物品推荐模型训练方法，因需要各子系统将本系统样本数据发送至中央服务器，因此存在用户隐私保护性差、使得用户隐私存在泄漏风险的问题。

技术实现思路

[0004]本文用于解决现有技术中的物品推荐模型训练存在用户隐私保护性差、泄漏风险大的问题。
[0005]为了解决上述技术问题。本文的第一方面提供一种基于推荐服务器及子系统的推荐系统，包括：推荐服务器及多个子系统；
[0006]推荐服务器用于发送待训练推荐模型至各子系统，对各子系统发送的局部推荐模型进行聚合处理，判断聚合所得推荐模型是否满足预设条件，若不满足，则将聚合所得推荐模型作为待训练推荐模型发送至各子系统，若满足，则将聚合所得推荐模型作为全局推荐模型发送至各子系统；
[0007]所述子系统用于接收待训练推荐模型及全局推荐模型；利用本地的会话数据调整待训练推荐模型的参数以得到局部推荐模型，发送局部推荐模型至所述推荐服务器；根据全局推荐模型对用户推荐请求进行内容推荐，其中，所述会话数据包括用户选择内容的连续序列。
[0008]作为本文的进一步实施例中，所述推荐服务器发送待训练推荐模型至各子系统，包括：
[0009]所述推荐服务器利用自适应选择器，选择活跃的子系统；
[0010]发送待训练推荐模型至活跃的子系统。
[0011]作为本文的进一步实施例中，所述推荐服务器对各子系统发送的局部推荐模型进行聚合处理得到全局推荐模型，包括：
[0012]利用如下公式对局部推荐模型中的各参数分别进行加权处理得到全局推荐模型：
[0013]S＝∑
i∈q
a
i
w
i
；
[0014]其中，S为全局推荐模型；q为子系统数量；a
i
为第i个子系统的权重；w
i
为第i个子系统的局部推荐模型的参数向量。
[0015]作为本文的进一步实施例中，各子系统的权重通过如下公式计算得到：
[0016][0017]其中，D
i
为子系统i中会话数据的数据量；D1为子系统1中会话数据的数据量；D
q
为
子系统q中会话数据的数据量。
[0018]作为本文的进一步实施例中，各子系统利用本地的会话数据训练待训练推荐模型的参数以得到局部推荐模型，包括：
[0019]将本地的会话数据输入至待训练推荐模型中，预测得到推荐内容；
[0020]根据本地的会话数据及预测得到的推荐内容，构造损失函数；
[0021]利用损失函数优化所述待训练推荐模型中的参数，将优化后得到的模型作为局部推荐模型。
[0022]作为本文的进一步实施例中，利用本地的会话数据训练待训练推荐模型得到局部推荐模型之后还包括：
[0023]对局部推荐模型进行增加噪声处理。
[0024]作为本文的进一步实施例中，对局部推荐模型进行增加噪声处理包括：利用如下公式进行增加噪声处理：
[0025][0026]其中，W
t+1
为t+1时刻增加噪声后的局部推荐模型参数；W
t
为时刻t的局部推荐模型参数；为子系统更新标准总和；N(0，σ2L2)为高斯噪声；σ为标准差；L为噪声缩放比例；n为子系统总量。
[0027]作为本文的进一步实施例中，各子系统根据全局推荐模型对用户推荐请求进行推荐，包括：
[0028]利用本地的会话数据更新全局推荐模型，得到本地个性化推荐模型；
[0029]利用本地个性化推荐模型对用户推荐请求进行推荐。
[0030]本文的第二方面提供一种基于推荐服务器及子系统的推荐方法，包括：
[0031]推荐服务器发送待训练推荐模型至各子系统；
[0032]各子系统接收所述待训练推荐模型，利用本地的会话数据训练所述待训练推荐模型的参数以得到局部推荐模型，发送局部推荐模型至所述推荐服务器，其中，所述会话数据包括用户选择内容的连续序列；
[0033]所述推荐服务器对各子系统发送的局部推荐模型进行聚合处理，判断聚合所得推荐模型是否满足预设条件，若不满足，则将聚合所得推荐模型作为待训练推荐模型发送至各子系统，若满足，则将聚合所得推荐模型作为全局推荐模型发送至各子系统；
[0034]各子系统接收所述全局推荐模型，根据全局推荐模型对用户推荐请求进行内容推荐。
[0035]本文的第三方面提供一种推荐服务器，包括：
[0036]通信模块，用于发送待训练推荐模型至各子系统；
[0037]聚合模块，用于根据各子系统发送的局部推荐模型进行聚合处理；
[0038]分析模块，用于判断聚合所得推荐模型是否满足预设条件，若不满足，则将聚合所得推荐模型作为待训练推荐模型通过所述通信模块发送至各子系统，若满足，则将将聚合所得推荐模型作为全局推荐模型通过所述通信模块发送至各子系统。
[0039]本文的第四方面提供一种推荐模型训练方法，适用于推荐服务器，包括：
[0040]发送待训练推荐模型至各子系统；
[0041]根据各子系统发送的局部推荐模型进行聚合处理得到全局推荐模型，通过所述通信模块发送全局推荐模型至各子系统。
[0042]本文第五方面提供.一种基于推荐服务器及子系统的推荐子系统，包括：
[0043]通信模块，用于接收待训练推荐模型及全局推荐模型；
[0044]训练模块，用于利用本地的会话数据训练所述待训练推荐模型的参数以得到局部推荐模型，发送局部推荐模型至所述推荐服务器，其中，所述会话数据包括用户选择内容的连续序列；
[0045]推荐模块，用于根据全局推荐模型对用户推荐请求进行推荐。
[0046]本文第六方面提供一种推荐模型训练方法，适用于基于推荐服务器及子系统的推荐子系统，包括：
[0047]接收待训练推荐模型及全局推荐模型；
[0048]用本地的会话数据训练所述待训练推荐模型的参数以得到局部推荐模型，发送局部推荐模型至推荐服务器，其中，所述会话数据包括用户选择内容的连续序列；
[0049]根据全局推荐模型对用户推荐请求进行推荐。
[0050]本文提供的基于推荐服务器及子系统的推荐系统及方法、推荐服务器及子系统，通过推荐服务器将待训练推荐模型发送至子系统，由子系统利用本地的会话数据训练待训练推荐模型，得到局部推荐模型，将局部推荐模型发送至推荐服务器，由推荐服务器对局部推荐模型进行聚合处理，判断聚合所得推荐模型是否满足预设条件，若不满足，则将聚合所得推荐模型作为待训练推荐模型发送至各子系统，若满足，则将聚合所得推荐模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于推荐服务器及子系统的推荐系统，其特征在于，包括：推荐服务器及多个子系统；推荐服务器用于发送待训练推荐模型至各子系统，对各子系统发送的局部推荐模型进行聚合处理，判断聚合所得推荐模型是否满足预设条件，若不满足，则将聚合所得推荐模型作为待训练推荐模型发送至各子系统，若满足，则将聚合所得推荐模型作为全局推荐模型发送至各子系统；所述子系统用于接收待训练推荐模型及全局推荐模型；利用本地的会话数据调整待训练推荐模型的参数以得到局部推荐模型，发送局部推荐模型至所述推荐服务器；根据全局推荐模型对用户推荐请求进行内容推荐，其中，所述会话数据包括用户选择内容的连续序列。2.如权利要求1所述的基于推荐服务器及子系统的推荐系统，其特征在于，所述推荐服务器发送待训练推荐模型至各子系统，包括：所述推荐服务器利用自适应选择器，选择活跃的子系统；发送待训练推荐模型至活跃的子系统。3.如权利要求1所述的基于推荐服务器及子系统的推荐系统，其特征在于，所述推荐服务器对各子系统发送的局部推荐模型进行聚合处理得到全局推荐模型，包括：利用如下公式对局部推荐模型中的各参数分别进行加权处理得到全局推荐模型：S＝∑
i∈q
a
i
w
i
；其中，S为全局推荐模型；q为子系统数量；a
i
为第i个子系统的权重；w
i
为第i个子系统的局部推荐模型的参数向量。4.如权利要求3所述的基于推荐服务器及子系统的推荐系统，其特征在于，各子系统的权重通过如下公式计算得到：其中，D
i
为子系统i中会话数据的数据量；D1为子系统1中会话数据的数据量；D
q
为子系统q中会话数据的数据量。5.如权利要求1所述的基于推荐服务器及子系统的推荐系统，其特征在于，各子系统利用本地的会话数据训练待训练推荐模型的参数以得到局部推荐模型，包括：将本地的会话数据输入至待训练推荐模型中，预测得到推荐内容；根据本地的会话数据及预测得到的推荐内容，构造损失函数；利用损失函数优化所述待训练推荐模型中的参数，将优化后得到的模型作为局部推荐模型。6.如权利要求5所述的基于推荐服务器及子系统的推荐系统，其特征在于，利用本地...

【专利技术属性】
技术研发人员：罗斯淳，宋林琦，
申请(专利权)人：香港城市大学深圳研究院，
类型：发明
国别省市：