CN110990698A - 一种推荐模型构建方法和装置 - Google Patents
一种推荐模型构建方法和装置 Download PDFInfo
- Publication number
- CN110990698A CN110990698A CN201911204928.0A CN201911204928A CN110990698A CN 110990698 A CN110990698 A CN 110990698A CN 201911204928 A CN201911204928 A CN 201911204928A CN 110990698 A CN110990698 A CN 110990698A
- Authority
- CN
- China
- Prior art keywords
- sample data
- clustering
- recommendation
- recommendation model
- data set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种推荐模型构建方法和装置,属于计算机技术领域。该方法包括:接收多个第二服务器分别发送的第一样本数据集,根据预设解密算法对第一样本数据集进行解密处理,得到多个第二样本数据集,根据预设规则,获取多个第二样本数据集中的至少一个同一用户的多个样本数据,对每个同一用户的多个样本数据进行合并,得到目标样本数据集,根据目标样本数据集构建推荐模型。通过设置第三方服务器,各企业的样本数据通过加密后发送至第三方进行处理,得到目标样本数据集,第三方通过目标样本数据集构建推荐模型,各企业的数据通过第三方服务器实现数据共享,打破了企业之间的数据壁垒,可以得到更准确的推荐模型,提高推荐的准确性。
Description
技术领域
本发明属于计算机技术领域,特别是涉及一种推荐模型构建方法和装置。
背景技术
随着计算机技术的发展,如何为用户推荐符合用户需求的产品,提高推荐效率,成为各行各业关注的焦点。
收集大量的用户信息,根据大量的用户信息构建推荐模型,通过推荐模型为用户推荐信息已经成为惯常的推荐方法。推荐模型的构建需要大量的用户信息,收集的信息越多,得到的推荐模型越准确。但出于保护用户隐私以及企业数据安全等原因,拥有用户不同信息的各企业之间并不能进行数据共享。而基于单方面用户信息并不能构建准确的推荐模型,得不到准确的推荐结果。
发明内容
本发明提供一种推荐模型构建方法和装置,以便在一定程度上解决各企业之间数据无法共享,无法构建准确的推荐模型的问题。
依据本发明的第一方面,提供了一种推荐模型构建方法,应用于第一服务器,所述方法包括:
接收多个第二服务器分别发送的第一样本数据集,所述第一样本数据集为第二服务器根据预设加密算法对第二样本数据集进行加密处理后得到的;
根据预设解密算法对所述第一样本数据集进行解密处理,得到多个所述第二样本数据集;
根据预设规则,获取多个所述第二样本数据集中的至少一个同一用户的多个样本数据;
对所述每个同一用户的多个样本数据进行合并,得到目标样本数据集;
根据所述目标样本数据集构建推荐模型。
依据本发明的第二方面,提供了一种推荐模型构建装置,设置于第一服务器,所述装置包括:
接收模块,用于接收多个第二服务器分别发送的第一样本数据集,所述第一样本数据集为第二服务器根据预设加密算法对第二样本数据集进行加密处理后得到的;
解密模块,用于根据预设解密算法对所述第一样本数据集进行解密处理,得到多个所述第二样本数据集;
获取模块,用于获取多个所述第二样本数据集中的至少一个同一用户的多个样本数据;
合并模块,用于对所述每个同一用户的多个样本数据进行合并,得到目标样本数据集;
构建模块,用于根据所述目标样本数据集构建推荐模型。
本发明实施例提供的推荐模型构建方法,应用于第一服务器,包括:接收多个第二服务器分别发送的第一样本数据集,根据预设解密算法对第一样本数据集进行解密处理,得到多个第二样本数据集,根据预设规则,获取多个第二样本数据集中的至少一个同一用户的多个样本数据,对每个同一用户的多个样本数据进行合并,得到目标样本数据集,根据目标样本数据集构建推荐模型。通过设置第三方服务器,各企业的样本数据通过加密后发送至第三方进行处理,得到目标样本数据集,第三方通过目标样本数据集构建推荐模型,可以使用构建的推荐模型为用户推荐相关信息。各企业的数据通过第三方服务器实现数据共享,打破了企业之间的数据壁垒,可以得到更准确的推荐模型,提高推荐的准确性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1是本发明实施例提供的一种推荐模型构建方法的步骤流程图;
图2是本发明实施例提供的一种推荐模型构建的***结构图;
图3是本发明实施例提供的另一种推荐模型构建方法的步骤流程图;
图4是本发明实施例提供的一种推荐模型构建装置的框图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
目前,为了保护用户的隐私和企业的数据安全,位于不同行业的企业之间并不能进行数据的共享,而对于同一个用户,位于不同行业的企业可能收集有该户的不同信息。例如,将4S店作为一个用户,对于同一家4S店(Automobile Sales Servicshop 4S,汽车销售服务4S店),银行可能收集有该4S店的授信额度、资产负债、销售量和人均利润等信息,而保险公司可能收集有该4S店的展厅面积、展厅保险额度、车辆保险额度等信息。银行和保险公司之间并不能进行数据共享,银行不能使用保险公司的数据为4S店推荐符合需求的贷款产品,保险公司也不能使用银行的数据为4S店推荐符合需求的保险产品。而具有相同授信额度和资产负载的4S店之间可能具有相同的保险需求,具有相同保险额度的4S店之间可能具有相同的贷款需求。由于数据无法共享,银行和保险公司并不能使用对方的数据,更准确的为4S店推荐产品,挖掘更多的用户需求,提高收益。
图1是本发明实施例提供的一种推荐模型构建方法的步骤流程图,本实施例提供的推荐模型构建方法适用于推荐模型的构建,并且可以提高推荐模型的准确性。本实施例提供的推荐模型构建方法可以由推荐模型构建装置执行,推荐模型构建装置可以设置于第一服务器。推荐模型构建装置通常以软件和/或硬件的方式实现,如图1所示,该方法可以包括:
步骤101、接收多个第二服务器分别发送的第一样本数据集。
其中,第一样本数据集为第二服务器根据预设加密算法对第二样本数据集进行加密处理后得到的。参照图2,图2是本发明实施例提供的一种推荐模型构建的***结构图,如图2所示,第一服务器可以接收多个第二服务器分别发送的第一样本数据集,第二服务器为样本数据的生成方,例如,银行、保险公司和证券公司的数据中心。为便于说明,本实例选取银行、保险公司和证券公司等易于区分、且收集有用户不同信息的企业的数据中心,实际使用时本领域的技术人员可以根据需求选择第二服务器,本实施例对此不做限制。
银行、保险公司和证券公司等可以根据数据中心存储的用户信息,按需求生成具有统一标准的多个样本数据,组合得到第二样本数据集。样本数据的标准可以根据需求设置,本实施例对此不做限制,生成具有统一标准的样本数据的过程可参考现有技术,本实施例在此不做赘述。
本实施例中,每个第二服务器可以采用预设的加密算法对各自生成的第二样本数据集进行加密,得到第一样本数据集。例如,银行的第二样本数据集X中可以包括A1、B1和C1三个样本数据,样本数据A1为4S店A的样本数据,样本数据B1为4S店B的样本数据,样本数据C1为4S店C的样本数据,每个样本数据中包括每个4S店的授信额度、员工人数、贷款数量等数据。同理,保险公司的第二样本数据集Y中可以包括4S店A、B、C和D的样本数据A2、B2、C2和D2,每个样本数据中包括每个4S店的展厅面积和展厅保险额度。证券公司的第二样本数据集Z中可以包括4S店A、B、C、D和E的样本数据A3、B3、C3、D3和E3,每个样本数中包括每个4S店的证券交易额和持股总额等数据。每个第二服务器(银行、保险公司和证券公司的数据中心)可以采用非对称加密算法对各自的第二样本数据集进行加密,如每个第二服务器可以分别生成公钥和私钥,使用公钥对各自的第二样本数据集进行加密,得到第一样本数据集(即加密后的第二样本数据集),将第一样本数据集发送至第一服务器。同时,将私钥托管到第一服务器。具体使用非对称加密算法进行加密的过程可参考现有技术,本实施例在此不作详细描述。
步骤102、根据预设解密算法对第一样本数据集进行解密处理,得到多个第二样本数据集。
本实施例中,第一服务器可以接收每个第二服务器分别发送的第一样本数据集,得到多个第一样本数据集,并根据预设的解密算法分别对每个第一样本数据集进行解密后,得到多个第二样本数据集。
结合步骤101,第一服务器可以接收银行、保险公司和证券公司分别发送的通过公钥加密后的第二样本数据集X、Y和Z,第一服务器可以使用每个第二服务器托管的私钥对加密后的第二样本数据集X、Y和Z进行解密,得到第二样本数据集X、Y和Z。第一服务器使用私钥进行解密的过程可参考现有技术,本实施例在此不作详细描述。
实际使用中,具体的加密和解密算法可以根据需求设置,例如还可以使用同态加密算法对样本数据集进行加密和解密,本实例对此不做限制。
步骤103、根据预设规则,获取多个第二样本数据集中的至少一个同一用户的多个样本数据。
本实施例中,第一服务器在对第一样本数据集进行解密,得到多个第二样本数据集后,可以根据预设规则确定多个第二样本数据集中,至少一个同一个用户的多个样本数据。例如,可以根据样本数据中的组织机构代码确定至少一个同一用户的多个样本数据。A、B和C可以分别表示对应的4S店的组织机构代码,可以确定每个第二样本数据集中,每个样本数据分别对应组织机构代码,确定多个第二样本数据集共同包括的组织机构代码,确定每个组织机构代码在多个第二样本数据集中分别对应的样本数据。如第二样本数据集X、Y和Z中共同包括组织机构代码A、B和C,可以确定4S店A分别在第二样本数据集X、Y和Z中的样本数据A1、A2和A3,同理确定4S店B的多个样本数据B1、B2和B3,以及4S店C的多个样本数据C1、C2和C3。
其中,预设规则可以根据需求设置,例如,可以根据样本数据中的用户名称、纳税识别号等确定至少一个同一用户的多个样本数据,本实施例对此不作限制。
步骤104、对每个同一用户的多个样本数据进行合并,得到目标样本数据集。
本实施例中,第一服务器在确定至少一个同一用户的多个样本数据,可以将每个用户的多个样本数据进行合并后,得到该用户的目标样本数据,将多个用户的目标样本数据组合后,得到目标样本数据集。结合步骤103,第一服务器在确定用户A后,可以将用户A的样本数据A1、A2和A3合并,得到用户A的目标样本数据A0,目标样本数据A0中包括用户A的授信额度、员工人数、贷款数量、展厅面积、展厅保险额、证券交易额和持股总额。同理,可以得到用户B的目标样本数据B0和用户C的目标样本数据C0,目标样本数据A0、B0和C0组成目标样本数据集。
步骤105,根据目标样本数据集构建推荐模型。
其中,第一服务器在得到目标样本数据集后,可以根据目标样本数据集构建推荐模型。结合步骤104,第一服务器可以根据目标样本数据集中的目标样本数据A0、B0和C0构建推荐模型,第一服务器根据目标样本数据构建推荐模型的过程可以根据需求设置,本实施例对此不做限制。
需要说明的是,为便于理解,本实施例中选取了较少的样本数据进行了说明,本领域技术人员可以理解,在推荐模型的构建过程中,样本数据的数量可以根据需求设置。
综上所述,本发明实施例提供的推荐模型构建方法,应用于第一服务器,包括:接收多个第二服务器分别发送的第一样本数据集,根据预设解密算法对第一样本数据集进行解密处理,得到多个第二样本数据集,根据预设规则,获取多个第二样本数据集中的至少一个同一用户的多个样本数据,对每个同一用户的多个样本数据进行合并,得到目标样本数据集,根据目标样本数据集构建推荐模型。通过设置第三方服务器,各企业的样本数据通过加密后发送至第三方服务器进行处理,得到目标样本数据集,第三方服务器通过目标样本数据集构建推荐模型,可以使用构建的推荐模型为用户推荐相关信息。各企业的数据通过第三方实现数据共享,打破了企业之间的数据壁垒,可以得到更准确的推荐模型,提高推荐的准确性。
图3是本发明实施例提供的另一种推荐模型构建方法的步骤流程图,如图3所示,该方法可以包括:
步骤301、第一服务器接收多个第二服务器分别发送的第一样本数据集。
其中,第一样本数据集为第二服务器根据预设加密算法对第二样本数据集进行加密处理后得到的。
步骤302、第一服务器根据预设解密算法对第一样本数据集进行解密处理,得到多个第二样本数据集。
步骤303、第一服务器根据预设规则,获取多个第二样本数据集中的至少一个同一用户的多个样本数据。
步骤304、第一服务器对每个同一用户的多个样本数据进行合并,得到目标样本数据集。
步骤305、第一服务器对目标样本数据集进行聚类,得到第一聚类结果。
本实施例中,对目标样本数据集进行聚类,得到第一聚类结果可以通过以下方式实现:
采用第一聚类算法对目标样本数据进行聚类,得到第二聚类结果;
采用第二聚类算法对第二聚类结果进行聚类,得到第一聚类结果。
本实例中,在得到目标样本数据集后,可以首先使用第一聚类算法对目标样本数据集中的样本数据进行第一次聚类,以对目标样本数据集中的样本数据进行划分。例如,第一聚类算法可以为层次聚类算法,可以使用层次聚类算法进行第一次聚类,在层次聚类过程中,首先将目标样本数据集中的每个样本数据作为一类,利用欧式距离计算两个样本数据之间的距离,将距离值小的两个样本数据合并为一类,重复执行上述步骤,得到第二聚类结果,将目标样本数据集中的样本数据划分为多类。
在第一次聚类后,可以使用第二聚类算法对第二聚类结果进行第二次聚类。例如,第二次聚类算法可以为k-均值聚类算法,在第一次聚类后使用k-均值聚类算法对第二聚类结果再次进行聚类,对目标样本数据集中的样本数据再次进行细化分类。例如,结合实施例一中的举例,可以对第一聚类结果中的每一类分别选取4S店的品牌、展厅面积和经营利润三个指标,使用k-均值聚类算法进行聚类,得到第一聚类结果。层次聚类算法和k-均值聚类算法的具体计算过程可以根据需求设置,本实施例对此不做限制。
其中,第一聚类算法和第二聚类算法的具体算法可以根据需求选择,对目标样本数据进行两次聚类,可以将目标样本数据集中的样本数据进行细致的划分,提高推荐的精度。
步骤306、第一服务器对第一聚类结果中的每个类进行关联分析,得到关联规则,根据第一聚类结果和关联规则构建推荐模型。
本实例中,第一服务器在聚类得到第一聚类结果后,可以对第一聚类结果中的每个类进行关联分析,得到关联规则,根据第一聚类结果和关联规则构建推荐模型。例如,可以使用关联分析算法对目标样本数据集中的样本数据进行关联分析。结合实施例一中的举例,可以针对第一聚类结果中的某一类,根据每个4S店的目标样本数据,设置4S店的特征因子标签。若该类中4S店A、B或C的样本数据中存在特征标签“抵押物”,可以设置“有抵押物”为4S店的特征因子标签。计算特征因子标签“有抵押物”在该类4S店中的支持度(S),例如S={有抵押物特征的4S店数}/{此类用户数},取出S大于或等于0.5的特征,作为频繁项集。取频繁项集中的组合特征因子,例如,特征因子“抵押物”和“授信额度”为组合特征因子,计算支持度(S),筛选出S大于或等于0.5的组合项集。创建关联规则,如{有抵押物}->{授信额度}的关联规则,使用贝叶斯公式:
计算置信度(T),筛选出置信度大于或等于0.8的关联规则。可以根据第一聚类结果和置信度大于或等于0.8的关联规则构建推荐模型,为4S店用户推荐相关信息。其中,支持度和置信度的具体数值可以根据需求设置,具体使用关联分析算法的过程可以根据需求设置,本实施例对此不做限制。
可选的,第一服务器还可以根据第一聚类结果中的每个类,采用协同过滤算法,得到多个第一推荐结果,根据第一聚类结果、关联规则和多个第一推荐结果构建推荐模型。
本实施例中,第一服务器在得到第一聚类结果后,还可以采用协同过滤算法对第一聚类结果中的每个类进行分析,得到第一推荐结果。例如,可以使用余弦相似性计算4S店之间的相似度:
挖掘同类4S店之间的需求,例如,在第一聚类结果中的某一类中,4S店A的品牌为宝马、展厅面积1000平方米、员工人数100人,具有业务:贷款数量1000万和展厅保险额度500万。此时,4S店B的品牌为宝马、展厅面积1000平方米、员工人数100人,可以分析出,4S店B在贷款、展厅保险额度方面与4S店A有相同的需求。得到关于4S店B的第一推荐结果,即贷款数量1000万和展厅保险额度500万。在计算得到多个第一推荐结果后,可以根据第一聚类结果、关联规则和第一推荐结果构建得到推荐模型。具体采用协同过滤算法计算得到第一推荐结果的过程可参考现有技术,本实施例对此不做限制。
第一服务器根据第一聚类结果和关联规则,以及根据第一聚类结果、关联规则和第一推荐结果构建得到推荐模型的过程可参考现有技术,本实施例对此不做详细描述。
步骤307、第一服务器向第二服务器发送推荐模型。
本实施例中,第一服务器可以将推荐模型发送至第二服务器,使第二服务器运行推荐模型,以使第二服务器可以根据第二用户信息,通过推荐模型获取匹配第二用户信息的第三推荐结果。例如,如图2所示,若第二服务器为保险公司的服务器,当第二用户信息为4S店H,展厅面积1000平方米,员工人数100时,第二服务器将第二用户信息输入推荐模型,可以输出展厅保险额度500万的第三推荐结果,将展厅保险额度500万的业务推荐给4S店H。第二服务器通过推荐模型获取匹配第二用户信息的第三推荐结果的过程可参考现有技术中。
综上所述,本发明实施例提供的推荐模型构建方法,应用于第一服务器,包括:接收多个第二服务器分别发送的第一样本数据集,根据预设解密算法对第一样本数据集进行解密处理,得到多个第二样本数据集,根据预设规则,获取多个第二样本数据集中的至少一个同一用户的多个样本数据,对每个同一用户的多个样本数据进行合并,得到目标样本数据集,根据目标样本数据集构建推荐模型。通过设置第三方服务器,各企业的样本数据通过加密后发送至第三方进行处理,得到目标样本数据集,第三方通过目标样本数据集构建推荐模型,可以使用构建的推荐模型为用户推荐相关信息。各企业的数据通过第三方实现数据共享,打破了企业之间的数据壁垒,可以得到更准确的推荐模型,提高推荐的准确性。
可选的,第一服务器可以在根据第一聚类结果构建推荐模型之后,接收第二服务器发送的第一用户信息;
根据第一用户信息,通过推荐模型得到匹配第一用户信息的第二推荐结果;
向第二服务器发送第二推荐结果。
本实施例中,在构建得到推荐模型后,第一服务器可以运行推荐模型,并接收任意一个第二服务器发送的的第一用户信息,通过推荐模型得到匹配第一用户信息的第二推荐结果,将第二推荐结果发送至第二服务器。例如,参照图2,当银行向第一服务器发送第一用户信息4S店L,展厅面积1000平方米,第一服务器接收第一用户信息,通过推荐模型得到第二推荐结果,即贷款数量1000万,为银行挖掘4S店L的贷款需求。第二服务器向第一服务器发送第一用户信息,第二服务器在得到第二推荐结果后,发送至第一服务器的过程可参考现有技术中,本实施例对此不做限制。
图4是本发明实施例提供的一种推荐模型构建装置的框图,如图4所示,该装置400可以包括:接收模块401、解密模块402、获取模块403、合并模块404和构建模块405。
接收模块401用于接收多个第二服务器分别发送的第一样本数据集,第一样本数据集为第二服务器根据预设加密算法对第二样本数据集进行加密处理后得到的。
解密模块402用于根据预设解密算法对第一样本数据集进行解密处理,得到多个第二样本数据集。
获取模块403用于获取多个第二样本数据集中的至少一个同一用户的多个样本数据。
合并模块404用于对每个同一用户的多个样本数据进行合并,得到目标样本数据集。
构建模块405用于根据目标样本数据集构建推荐模型。
综上所述,本发明实施例提供的推荐模型构建装置,设置于第一服务器,通过设置第三方服务器,各企业的样本数据通过加密后发送至第三方进行处理,得到目标样本数据集,第三方通过目标样本数据集构建推荐模型,可以使用构建的推荐模型为用户推荐相关信息。各企业的数据通过第三方服务器实现数据共享,打破了企业之间的数据壁垒,可以得到更准确的推荐模型,提高推荐的准确性。
可选的,构建模块405可以包括:聚类单元、第一分析单元和构建单元。
聚类单元用于对目标样本数据集进行聚类,得到第一聚类结果。
第一分析单元用于对第一聚类结果中的每个类进行关联分析,得到关联规则。
构建单元用于根据第一聚类结果和关联规则构建推荐模型。
可选的,构建模块405还可以包括:第二分析单元。
第二分析单元用于根据第一聚类结果中的每个类,采用协同过滤算法,得到多个第一推荐结果。
构建单元具体用于根据第一聚类结果、关联规则和多个第一推荐结果构建所述推荐模型。
可选的,聚类单元具体用于采用第一聚类算法对目标样本数据进行聚类,得到第二聚类结果;采用第二聚类算法对第二聚类结果进行聚类,得到第一聚类结果。
可选的,该装置400还可以包括:推荐模块。
推荐模块用于接收第二服务器发送的第一用户信息,根据第一用户信息,通过推荐模型得到匹配第一用户信息的第二推荐结果,向第二服务器发送第二推荐结果。
可选的,该装置400还可以包括:发送模块。
发送模块用于向第二服务器发送推荐模型,以使第二服务器根据第二用户信息,通过推荐模型获取匹配第二用户信息的第三推荐结果。
对于上述装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域技术人员易于想到的是:上述各个实施例的任意组合应用都是可行的,故上述各个实施例之间的任意组合都是本发明的实施方案,但是由于篇幅限制,本说明书在此就不一一详述了。
在此提供的操作执行方法不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述,构造具有本发明方案的***所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的操作执行方法中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (12)
1.一种推荐模型构建方法,其特征在于,应用于第一服务器,所述方法包括:
接收多个第二服务器分别发送的第一样本数据集,所述第一样本数据集为第二服务器根据预设加密算法对第二样本数据集进行加密处理后得到的;
根据预设解密算法对所述第一样本数据集进行解密处理,得到多个所述第二样本数据集;
根据预设规则,获取多个所述第二样本数据集中的至少一个同一用户的多个样本数据;
对所述每个同一用户的多个样本数据进行合并,得到目标样本数据集;
根据所述目标样本数据集构建推荐模型。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标样本数据集构建推荐模型,包括:
对所述目标样本数据集进行聚类,得到第一聚类结果;
对所述第一聚类结果中的每个类进行关联分析,得到关联规则;
根据所述第一聚类结果和所述关联规则构建所述推荐模型。
3.根据权利要求2所述的方法,其特征在于,还包括:
根据所述第一聚类结果中的每个类,采用协同过滤算法,得到多个第一推荐结果;
所述根据所述第一聚类结果和所述关联规则构建所述推荐模型,包括:
根据所述第一聚类结果、所述关联规则和所述多个第一推荐结果构建所述推荐模型。
4.根据权利要求2所述的方法,其特征在于,所述对所述目标样本数据集进行聚类,得到第一聚类结果,包括:
采用第一聚类算法对所述目标样本数据进行聚类,得到第二聚类结果;
采用第二聚类算法对所述第二聚类结果进行聚类,得到所述第一聚类结果。
5.根据权利要求1所述的方法,其特征在于,在所述根据所述第一聚类结果构建推荐模型之后,还包括:
接收所述第二服务器发送的第一用户信息;
根据所述第一用户信息,通过所述推荐模型得到匹配所述第一用户信息的第二推荐结果;
向所述第二服务器发送所述第二推荐结果。
6.根据权利要求1所述的方法,其特征在于,在所述根据所述第一聚类结果构建推荐模型之后,还包括:
向所述第二服务器发送所述推荐模型,以使所述第二服务器根据第二用户信息,通过所述推荐模型获取匹配所述第二用户信息的第三推荐结果。
7.一种推荐模型构建装置,其特征在于,设置于第一服务器,所述装置包括:
接收模块,用于接收多个第二服务器分别发送的第一样本数据集,所述第一样本数据集为第二服务器根据预设加密算法对第二样本数据集进行加密处理后得到的;
解密模块,用于根据预设解密算法对所述第一样本数据集进行解密处理,得到多个所述第二样本数据集;
获取模块,用于获取多个所述第二样本数据集中的至少一个同一用户的多个样本数据;
合并模块,用于对所述每个同一用户的多个样本数据进行合并,得到目标样本数据集;
构建模块,用于根据所述目标样本数据集构建推荐模型。
8.根据权利要求7所述的装置,其特征在于,所述构建模块包括:
聚类单元,用于对所述目标样本数据集进行聚类,得到第一聚类结果;
第一分析单元,用于对所述第一聚类结果中的每个类进行关联分析,得到关联规则;
构建单元,用于根据所述第一聚类结果和所述关联规则构建所述推荐模型。
9.根据权利要求8所述的装置,其特征在于,所述构建模块还包括:
第二分析单元,用于根据所述第一聚类结果中的每个类,采用协同过滤算法,得到多个第一推荐结果;
所述构建单元具体用于根据所述第一聚类结果、所述关联规则和所述多个第一推荐结果构建所述推荐模型。
10.根据权利要求8所述的装置,其特征在于,所述聚类单元具体用于采用第一聚类算法对所述目标样本数据进行聚类,得到第二聚类结果;采用第二聚类算法对所述第二聚类结果进行聚类,得到所述第一聚类结果。
11.根据权利要求7所述的装置,其特征在于,还包括:推荐模块,用于接收所述第二服务器发送的第一用户信息;根据所述第一用户信息,通过所述推荐模型得到匹配所述第一用户信息的第二推荐结果;向所述第二服务器发送所述第二推荐结果。
12.根据权利要求7所述的装置,其特征在于,还包括:发送模块,用于向所述第二服务器发送所述推荐模型,以使所述第二服务器根据第二用户信息,通过所述推荐模型获取匹配所述第二用户信息的第三推荐结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911204928.0A CN110990698B (zh) | 2019-11-29 | 2019-11-29 | 一种推荐模型构建方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911204928.0A CN110990698B (zh) | 2019-11-29 | 2019-11-29 | 一种推荐模型构建方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110990698A true CN110990698A (zh) | 2020-04-10 |
CN110990698B CN110990698B (zh) | 2021-01-08 |
Family
ID=70088652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911204928.0A Active CN110990698B (zh) | 2019-11-29 | 2019-11-29 | 一种推荐模型构建方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110990698B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111371544A (zh) * | 2020-05-27 | 2020-07-03 | 支付宝(杭州)信息技术有限公司 | 基于同态加密的预测方法、装置、电子设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103164474A (zh) * | 2011-12-15 | 2013-06-19 | ***通信集团贵州有限公司 | 一种对数据业务进行分析的方法 |
US8484099B1 (en) * | 2012-02-06 | 2013-07-09 | Amazon Technologies, Inc. | Method, medium, and system for behavior-based recommendations of product upgrades |
CN104750856A (zh) * | 2015-04-16 | 2015-07-01 | 天天艾米(北京)网络科技有限公司 | 一种多维协同推荐的***与方法 |
CN105224623A (zh) * | 2015-09-22 | 2016-01-06 | 北京百度网讯科技有限公司 | 数据模型的训练方法及装置 |
CN105608219A (zh) * | 2016-01-07 | 2016-05-25 | 上海通创信息技术有限公司 | 一种基于聚类的流式推荐引擎、推荐***以及推荐方法 |
CN106407349A (zh) * | 2016-09-06 | 2017-02-15 | 北京三快在线科技有限公司 | 一种产品推荐方法及装置 |
CN108256119A (zh) * | 2018-02-14 | 2018-07-06 | 北京方正阿帕比技术有限公司 | 一种资源推荐模型的构建方法及基于该模型的资源推荐方法 |
CN108830731A (zh) * | 2018-07-03 | 2018-11-16 | 广州唯品会信息科技有限公司 | 金融产品用户账户关联方法、装置、***及可读存储介质 |
CN109165249A (zh) * | 2018-08-07 | 2019-01-08 | 阿里巴巴集团控股有限公司 | 数据处理模型构建方法、装置、服务器和用户端 |
CN110163647A (zh) * | 2019-03-14 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种数据处理方法及装置 |
CN110263250A (zh) * | 2019-06-12 | 2019-09-20 | 深圳前海微众银行股份有限公司 | 一种推荐模型的生成方法及装置 |
US20190303768A1 (en) * | 2016-12-30 | 2019-10-03 | Huawei Technologies Co., Ltd. | Community Question Answering-Based Article Recommendation Method, System, and User Device |
-
2019
- 2019-11-29 CN CN201911204928.0A patent/CN110990698B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103164474A (zh) * | 2011-12-15 | 2013-06-19 | ***通信集团贵州有限公司 | 一种对数据业务进行分析的方法 |
US8484099B1 (en) * | 2012-02-06 | 2013-07-09 | Amazon Technologies, Inc. | Method, medium, and system for behavior-based recommendations of product upgrades |
CN104750856A (zh) * | 2015-04-16 | 2015-07-01 | 天天艾米(北京)网络科技有限公司 | 一种多维协同推荐的***与方法 |
CN105224623A (zh) * | 2015-09-22 | 2016-01-06 | 北京百度网讯科技有限公司 | 数据模型的训练方法及装置 |
CN105608219A (zh) * | 2016-01-07 | 2016-05-25 | 上海通创信息技术有限公司 | 一种基于聚类的流式推荐引擎、推荐***以及推荐方法 |
CN106407349A (zh) * | 2016-09-06 | 2017-02-15 | 北京三快在线科技有限公司 | 一种产品推荐方法及装置 |
US20190303768A1 (en) * | 2016-12-30 | 2019-10-03 | Huawei Technologies Co., Ltd. | Community Question Answering-Based Article Recommendation Method, System, and User Device |
CN108256119A (zh) * | 2018-02-14 | 2018-07-06 | 北京方正阿帕比技术有限公司 | 一种资源推荐模型的构建方法及基于该模型的资源推荐方法 |
CN108830731A (zh) * | 2018-07-03 | 2018-11-16 | 广州唯品会信息科技有限公司 | 金融产品用户账户关联方法、装置、***及可读存储介质 |
CN109165249A (zh) * | 2018-08-07 | 2019-01-08 | 阿里巴巴集团控股有限公司 | 数据处理模型构建方法、装置、服务器和用户端 |
CN110163647A (zh) * | 2019-03-14 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种数据处理方法及装置 |
CN110263250A (zh) * | 2019-06-12 | 2019-09-20 | 深圳前海微众银行股份有限公司 | 一种推荐模型的生成方法及装置 |
Non-Patent Citations (2)
Title |
---|
LU XING-HUA ETC: "A Hybrid Recommendation Model for Community Attributes of Social Networks Based on Association Rule Mining", 《2018 3RD INTERNATIONAL CONFERENCE ON MECHANICAL, CONTROL AND COMPUTER ENGINEERING》 * |
梁丽君: "基于用户属性聚类的协同过滤推荐算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111371544A (zh) * | 2020-05-27 | 2020-07-03 | 支付宝(杭州)信息技术有限公司 | 基于同态加密的预测方法、装置、电子设备及存储介质 |
CN111371544B (zh) * | 2020-05-27 | 2020-09-08 | 支付宝(杭州)信息技术有限公司 | 基于同态加密的预测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110990698B (zh) | 2021-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Perera et al. | Blockchain technology: Is it hype or real in the construction industry? | |
Rejeb et al. | Blockchain technology in tourism: applications and possibilities | |
Bagloee et al. | Blockchain: The operating system of smart cities | |
US20230035321A1 (en) | Systems and methods for hyperledger-based payment transactions, alerts, and dispute settlement, using smart contracts | |
US11803823B2 (en) | Systems and methods for blockchain-based payment transactions, alerts, and dispute settlement, using a blockchain interface server | |
US11861619B1 (en) | Systems and methods for payment transactions, alerts, dispute settlement, and settlement payments, using multiple blockchains | |
Bloomrosen et al. | Advancing the framework: use of health data—a report of a working conference of the American Medical Informatics Association | |
Shah et al. | Government big data ecosystem: definitions, types of data, actors, and roles and the impact in public administrations | |
CN111178005B (zh) | 数据处理***、方法及存储介质 | |
Sarker et al. | Promoting information resource management for e-government through big data approach | |
Elbashbishy et al. | Blockchain technology in the construction industry: mapping current research trends using social network analysis and clustering | |
Yang et al. | How does the perceived physical risk of COVID-19 affect sharing economy services? | |
Van Nguyen | The modus operandi of transnational computer fraud: a crime script analysis in Vietnam | |
US20240095734A1 (en) | Embedded data transaction exchange platform | |
Singh et al. | Information and communication technology in microfinance sector: Case study of three Indian MFIs | |
Treiblmaier | Blockchain and tourism: Paradoxes, misconceptions, and a research roadmap | |
CN106156130A (zh) | 一种数据处理方法及装置 | |
Dindarian et al. | Traceability of electronic waste using blockchain technology | |
Saeed et al. | A systematic review of digital technology and innovation and its potential to address anti-corruption, transparency, and accountability in the pharmaceutical supply chain | |
CN110990698B (zh) | 一种推荐模型构建方法和装置 | |
Ramazhamba et al. | Using distributed ledger technology for digital forensic investigation purposes on tendering projects | |
Kolb et al. | The role of blockchain in enterprise procurement | |
CN111401916B (zh) | 一种交易风险的识别方法和装置 | |
CN117093637A (zh) | 一种电子商务交易大数据云平台 | |
US11308562B1 (en) | System and method for dimensionality reduction of vendor co-occurrence observations for improved transaction categorization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |