CN111859155A - 物品推荐方法、设备及计算机可读存储介质 - Google Patents

物品推荐方法、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN111859155A
CN111859155A CN202010774401.8A CN202010774401A CN111859155A CN 111859155 A CN111859155 A CN 111859155A CN 202010774401 A CN202010774401 A CN 202010774401A CN 111859155 A CN111859155 A CN 111859155A
Authority
CN
China
Prior art keywords
matrix
user
recommendation
item
interest
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.)
Pending
Application number
CN202010774401.8A
Other languages
English (en)
Inventor
谭奔
郑文琛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
WeBank Co Ltd
Original Assignee
WeBank Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by WeBank Co Ltd filed Critical WeBank Co Ltd
Priority to CN202010774401.8A priority Critical patent/CN111859155A/zh
Publication of CN111859155A publication Critical patent/CN111859155A/zh
Priority to PCT/CN2021/101999 priority patent/WO2022028140A1/zh
Pending legal-status Critical Current

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
    • 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
    • G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0282—Rating or review of business operators or products
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种物品推荐方法、设备及计算机可读存储介质，所述方法包括：调用推荐***内的局部兴趣矩阵，其中，所述局部兴趣矩阵由所述推荐***内各用户的第一行为数据联合各所述用户在至少一其他***内的第二行为数据进行联邦训练形成；根据所述推荐***内的物品聚类矩阵和所述局部兴趣矩阵，计算所述推荐***内每一所述用户在各***物品上的评分；根据每一所述用户在各所述***物品上的评分，向每一所述用户进行***物品推荐。本发明通过联邦训练来确保用户数的安全性，且依据评分所推荐的物品直接与用户的兴趣相关，使得推荐更为精准，在确保用户数据安全的同时，实现了物品的精准推荐。

Description

物品推荐方法、设备及计算机可读存储介质
技术领域
本发明涉及金融科技(Fintech)技术领域，尤其涉及一种物品推荐方法、设备及计算机可读存储介质。
背景技术
随着金融科技(Fintech)，尤其是互联网科技金融的不断发展，越来越多的技术(如人工智能、大数据、云存储等)应用在金融领域，但金融领域也对各类技术提出了更高的要求，如要求对物品的推荐更为安全精准。
目前，物品推荐通常包含单个***推荐和联合多个***推荐两种方式，对于单个***，基于***所收集的用户行为数据进行推荐，对于联合多个***，则将各个***收集的用户行为数据相互传输以进行联合推荐。但是单个***所收集的用户行为数据有限，难以全面反映用户需求，导致推荐不准确；而将多个***所收集用户行为数据的传输联合，则容易导致用户行为数据的泄露，影响用户数据的安全性。
因此，如何在确保用户数据安全的同时，实现物品的精准推荐，是当前亟待解决的技术问题。
发明内容
本发明的主要目的在于提供一种物品推荐方法、设备及计算机可读存储介质，旨在解决现有技术中如何确保用户数据安全的同时，实现物品的精准推荐的技术问题。
为实现上述目的，本发明提供一种物品推荐方法，所述物品推荐方法包括以下步骤：
调用推荐***内的局部兴趣矩阵，其中，所述局部兴趣矩阵由所述推荐***内各用户的第一行为数据联合各所述用户在至少一其他***内的第二行为数据进行联邦训练形成；
根据所述推荐***内的物品聚类矩阵和所述局部兴趣矩阵，计算所述推荐***内每一所述用户在各***物品上的评分；
根据每一所述用户在各所述***物品上的评分，向每一所述用户进行***物品推荐。
可选地，所述根据每一所述用户在各所述***物品上的评分，向每一所述用户进行***物品推荐的步骤包括：
对每一所述用户在各所述***物品上的评分进行排序，确定与每一所述用户对应排列在前预设位的目标评分，并分别对与每一所述用户对应排列在前预设位的目标评分执行步骤：
确定与各所述目标评分对应的目标物品，并查找各所述目标物品中的待推荐物品，其中，所述待推荐物品未携带与所述用户对应的评论信息；
向所述用户推荐所述待推荐物品。
可选地，所述根据所述推荐***内的物品聚类矩阵和所述局部兴趣矩阵，计算所述推荐***内每一所述用户在各***物品上的评分的步骤包括：
确定每一所述用户在所述局部兴趣矩阵中的兴趣行，并将每一所述用户的所述兴趣行与所述物品聚类矩阵进行乘积运算，生成每一所述用户的物品评分矩阵；
根据每一所述用户的物品评分矩阵，确定每一所述用户在各***物品上的评分。
可选地，所述调用推荐***内的局部兴趣矩阵的步骤之前，所述方法包括：
接收预设协调方发送的全局兴趣特征矩阵，并根据所述全局兴趣特征矩阵、各所述第一行为数据、所述推荐***内待训练局部兴趣矩阵和待训练物品聚类矩阵，对预设函数进行计算，得到计算结果；
判断所述计算结果是否满足结束计算条件，若满足结束计算条件，则将所述待训练局部兴趣矩阵生成为所述推荐***内的局部兴趣矩阵。
可选地，所述判断所述计算结果是否满足结束计算条件的步骤之后，所述方法还包括：
若所述计算结果不满足结束计算条件，则根据所述预设函数，生成所述待训练局部兴趣矩阵的第一梯度、所述待训练物品聚类矩阵的第二梯度，以及所述全局兴趣特征矩阵的第三梯度；
根据所述第一梯度、所述第二梯度和所述第三梯度，对所述预设函数迭代计算，以更新所述计算结果，直到所述计算结果满足所述结束计算条件。
可选地，所述根据所述第一梯度、所述第二梯度和所述第三梯度，对所述预设函数迭代计算，以更新所述计算结果的步骤包括：
根据所述第一梯度和所述第二梯度，分别更新所述待训练局部兴趣矩阵和所述待训练物品聚类矩阵；
将所述第三梯度传输至所述预设协调方，以供所述预设协调方将所述第三梯度和至少一其他***基于各所述用户的第二行为数据计算所述预设函数生成的第四梯度聚合，生成回传梯度对所述全局兴趣特征矩阵更新；
接收所述预设协调方更新后的所述全局兴趣特征矩阵，并执行根据所述全局兴趣特征矩阵、各所述第一行为数据、所述推荐***内待训练局部兴趣矩阵和待训练物品聚类矩阵，对预设函数进行计算的步骤，以对所述预设函数迭代计算，更新所述计算结果。
可选地，所述接收预设协调方发送的全局兴趣特征矩阵的步骤包括：
接收所述预设协调方基于预设公钥加密发送的全局兴趣特征矩阵，并基于与所述预设公钥匹配的私钥，对所述全局兴趣特征矩阵解密，其中所述预设公钥和所述私钥基于所述推荐***或所述其他***生成。
可选地，所述将所述待训练局部兴趣矩阵生成为所述推荐***内的局部兴趣矩阵的步骤之后，所述方法包括：
将所述待训练物品聚类矩阵生成为所述推荐***内的物品聚类矩阵。
进一步地，为实现上述目的，本发明还提供一种物品推荐设备，所述物品推荐设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的物品推荐程序，所述物品推荐程序被所述处理器执行时实现如上述所述的物品推荐方法的步骤。
进一步地，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有物品推荐程序，所述物品推荐程序被处理器执行时实现如上所述的物品推荐方法的步骤。
本发明的物品推荐方法、设备及计算机可读存储介质，与现有技术依据单个***所收集用户行为数据进行推荐，或者依据多个***所收集用户行为数据的传输联合所进行推荐的方式相比，本发明对于物品的推荐通过调用推荐***内的局部兴趣矩阵，并依据推荐***内的物品聚类矩阵和局部兴趣矩阵，计算推荐***内每个用户在各***物品上的评分；进而依据每个用户在各***物品上的评分，向每个用户进行***物品的推荐。其中，局部兴趣矩阵和物品聚类矩阵均由推荐***内各用户的第一行为数据联合各用户在至少一个其他***内的第二行为数据进行联邦训练生成；联邦训练时第一行为数据和第二行为数据均在各自的***内，有利于用户数据的安全性。并且，局部兴趣矩阵由用户的第一行为数据体现了用户在推荐***的兴趣点，由局部兴趣矩阵和物品聚类矩阵所计算的评分，反映了用户对推荐***内各***物品的兴趣浓厚程度，以此，使得依据评分所推荐的物品直接与用户的兴趣相关，使得推荐更为精准。克服了现有技术中依据单个***所收集用户行为数据推荐的不准确性，以及依据多个***所收集用户行为数据的传输联合推荐的不安全性的缺陷。在确保用户数据安全的同时，实现了物品的精准推荐。
附图说明
图1为本发明物品推荐设备实施例方案涉及的设备硬件运行环境的结构示意图；
图2为本发明物品推荐方法第一实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明提供一种物品推荐设备，参照图1，图1为本发明物品推荐设备实施例方案涉及的设备硬件运行环境的结构示意图。
如图1所示，该物品推荐设备可以包括：处理器1001，例如CPU，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
本领域技术人员可以理解，图1中示出的物品推荐设备的硬件结构并不构成对物品推荐设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机可读存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及物品推荐程序。其中，操作***是管理和控制物品推荐设备与软件资源的程序，支持网络通信模块、用户接口模块、物品推荐程序以及其他程序或软件的运行；网络通信模块用于管理和控制网络接口1004；用户接口模块用于管理和控制用户接口1003。
在图1所示的物品推荐设备硬件结构中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；处理器1001可以调用存储器1005中存储的物品推荐程序，并执行以下操作：
调用推荐***内的局部兴趣矩阵，其中，所述局部兴趣矩阵由所述推荐***内各用户的第一行为数据联合各所述用户在至少一其他***内的第二行为数据进行联邦训练形成；
根据所述推荐***内的物品聚类矩阵和所述局部兴趣矩阵，计算所述推荐***内每一所述用户在各***物品上的评分；
根据每一所述用户在各所述***物品上的评分，向每一所述用户进行***物品推荐。
进一步地，所述根据每一所述用户在各所述***物品上的评分，向每一所述用户进行***物品推荐的步骤包括：
对每一所述用户在各所述***物品上的评分进行排序，确定与每一所述用户对应排列在前预设位的目标评分，并分别对与每一所述用户对应排列在前预设位的目标评分执行步骤：
确定与各所述目标评分对应的目标物品，并查找各所述目标物品中的待推荐物品，其中，所述待推荐物品未携带与所述用户对应的评论信息；
向所述用户推荐所述待推荐物品。
进一步地，所述根据所述推荐***内的物品聚类矩阵和所述局部兴趣矩阵，计算所述推荐***内每一所述用户在各***物品上的评分的步骤包括：
确定每一所述用户在所述局部兴趣矩阵中的兴趣行，并将每一所述用户的所述兴趣行与所述物品聚类矩阵进行乘积运算，生成每一所述用户的物品评分矩阵；
根据每一所述用户的物品评分矩阵，确定每一所述用户在各***物品上的评分。
进一步地，所述调用推荐***内的局部兴趣矩阵的步骤之前，处理器1001可以调用存储器1005中存储的物品推荐程序，并执行以下操作：
接收预设协调方发送的全局兴趣特征矩阵，并根据所述全局兴趣特征矩阵、各所述第一行为数据、所述推荐***内待训练局部兴趣矩阵和待训练物品聚类矩阵，对预设函数进行计算，得到计算结果；
判断所述计算结果是否满足结束计算条件，若满足结束计算条件，则将所述待训练局部兴趣矩阵生成为所述推荐***内的局部兴趣矩阵。
进一步地，所述判断所述计算结果是否满足结束计算条件的步骤之后，处理器1001可以调用存储器1005中存储的物品推荐程序，并执行以下操作：
若所述计算结果不满足结束计算条件，则根据所述预设函数，生成所述待训练局部兴趣矩阵的第一梯度、所述待训练物品聚类矩阵的第二梯度，以及所述全局兴趣特征矩阵的第三梯度；
根据所述第一梯度、所述第二梯度和所述第三梯度，对所述预设函数迭代计算，以更新所述计算结果，直到所述计算结果满足所述结束计算条件。
进一步地，所述根据所述第一梯度、所述第二梯度和所述第三梯度，对所述预设函数迭代计算，以更新所述计算结果的步骤包括：
根据所述第一梯度和所述第二梯度，分别更新所述待训练局部兴趣矩阵和所述待训练物品聚类矩阵；
将所述第三梯度传输至所述预设协调方，以供所述预设协调方将所述第三梯度和至少一其他***基于各所述用户的第二行为数据计算所述预设函数生成的第四梯度聚合，生成回传梯度对所述全局兴趣特征矩阵更新；
接收所述预设协调方更新后的所述全局兴趣特征矩阵，并执行根据所述全局兴趣特征矩阵、各所述第一行为数据、所述推荐***内待训练局部兴趣矩阵和待训练物品聚类矩阵，对预设函数进行计算的步骤，以对所述预设函数迭代计算，更新所述计算结果。
进一步地，所述接收预设协调方发送的全局兴趣特征矩阵的步骤包括：
接收所述预设协调方基于预设公钥加密发送的全局兴趣特征矩阵，并基于与所述预设公钥匹配的私钥，对所述全局兴趣特征矩阵解密，其中所述预设公钥和所述私钥基于所述推荐***或所述其他***生成。
进一步地，所述将所述待训练局部兴趣矩阵生成为所述推荐***内的局部兴趣矩阵的步骤之后，所述方法包括处理器1001可以调用存储器1005中存储的物品推荐程序，并执行以下操作：
将所述待训练物品聚类矩阵生成为所述推荐***内的物品聚类矩阵。
本发明物品推荐设备的具体实施方式与下述物品推荐方法各实施例基本相同，在此不再赘述。
本发明还提供一种物品推荐方法。
参照图2，图2为本发明物品推荐方法第一实施例的流程示意图。
本发明实施例提供了物品推荐方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。具体地，本实施例中的物品推荐方法包括：
步骤S10，调用推荐***内的局部兴趣矩阵，其中，所述局部兴趣矩阵由所述推荐***内各用户的第一行为数据联合各所述用户在至少一其他***内的第二行为数据进行联邦训练形成；
本实施例中的物品推荐方法应用于参与联邦学习的推荐***，推荐***内包含有经联邦训练的局部兴趣矩阵和物品聚类矩阵，适用于通过两者所计算得到的评分，向推荐***内所具有的用户进行***物品推荐。具体地，推荐***和其他***之间设置有联邦训练机制，其他***为不同于推荐***的额外***，且与推荐***的类型可以相同，也可以不相同，如实现购物的***，或者实现网页浏览的***等。同一用户在不同的***进行不同的操作，产生不同的行为数据，推荐***和其他***对多个用户的行为数据进行收集，并且从多个用户中筛选出相同的用户。
进一步地，推荐***将对相同用户所收集到的行为数据，作为推荐***内该类用户的第一行为数据；其他***将对相同用户所收集到的行为数据，作为各用户在其他***内的第二行为数据。进而依据第一行为数据和第二行为数据进行联邦训练，生成推荐***内的局部兴趣矩阵，以及物品聚类矩阵。其中局部兴趣矩阵表征各用户在推荐***内的兴趣点，物品聚类矩阵表征各兴趣点在推荐***内对应的物品。并且，局部兴趣矩阵和物品聚类矩阵可依据矩阵分解(Matrix Factorization,简称MF)的原理形成，通过矩阵分解可将用户对物品的行为数据矩阵分解成两个子矩阵的乘积，如本实施例中局部兴趣矩阵和物品聚类矩阵。本实施例通过对推荐***内经联邦训练得到的局部兴趣矩阵的调用，并依据其和局部兴趣矩阵来进行物品推荐。
步骤S20，根据所述推荐***内的物品聚类矩阵和所述局部兴趣矩阵，计算所述推荐***内每一所述用户在各***物品上的评分；
进一步地，在经联邦训练得到推荐***的物品矩阵和局部兴趣矩阵，并调用局部兴趣矩阵后，则对该物品聚类矩阵和局部兴趣矩阵进行计算，得到推荐***内每一用户在各***物品上的评分。各***物品为推荐***所具有的物品，通过各评分体现每个用户对各项物品的兴趣高低。具体地，根据推荐***内的物品聚类矩阵和局部兴趣矩阵，计算推荐***内每一所述用户在各***物品上的评分的步骤包括：
步骤S21，确定每一所述用户在所述局部兴趣矩阵中的兴趣行，并将每一所述用户的所述兴趣行与所述物品聚类矩阵进行乘积运算，生成每一所述用户的物品评分矩阵；
步骤S22，根据每一所述用户的物品评分矩阵，确定每一所述用户在各***物品上的评分。
可理解地，在局部兴趣矩阵中，矩阵行标题为用户，据阵列标题为兴趣；一个矩阵行表征一个用户的各项兴趣数据，一个据阵列表征具有该项兴趣的所有用户。在物品聚类矩阵中，矩阵行标题为兴趣，据阵列标题为物品；一个矩阵行表征体现一项兴趣的各项物品，一个据阵列表征该项物品所对应的兴趣。在依据物品聚类矩阵和局部兴趣矩阵，生成用户在各个***物品上评分的过程中，先确定每个用户在局部兴趣矩阵中的兴趣行，进而将各自的兴趣行分别与物品聚类矩阵进行乘积运算，生成每个用户的物品评分矩阵。一个用户对应一个物品评分矩阵，矩阵行标题为各项兴趣，矩阵列标题为各项物品，物品评分矩阵中的各项数值，体现用户对各项兴趣上所具有各个物品的兴趣高低。
进一步地，因物品评分矩阵中的各项数值，体现了用户对各项兴趣上所具有各个物品的兴趣高低，从而可依据每个用户的物品评分矩阵，来确定每个用户在各***物品上的评分。具体将各项数值作为各***物品的评分，体现用户对推荐***中各***物品的兴趣高低。
步骤S30，根据每一所述用户在各所述***物品上的评分，向每一所述用户进行***物品推荐。
更进一步地，在确定每一用户在各***物品上的评分后，各评分的高低体现了每一用户对各***物品的兴趣高低；故可依据每一用户的各个评分，来向每一用户推荐***物品。具体地，根据每一用户在各***物品上的评分，向每一用户进行***物品推荐的步骤包括：
步骤S31，对每一所述用户在各所述***物品上的评分进行排序，确定与每一所述用户对应排列在前预设位的目标评分，并分别对与每一所述用户对应排列在前预设位的目标评分执行步骤：
步骤S32，确定与各所述目标评分对应的目标物品，并查找各所述目标物品中的待推荐物品，其中，所述待推荐物品未携带与所述用户对应的评论信息；
步骤S33，向所述用户推荐所述待推荐物品。
可理解地，每个用户对不同物品的需求不一样，所得到的评分也不一样，从而针对每个用户，将各自在各个***物品上的评分按照从大到小的顺序进行排列，得到每个用户的评分序列。并且，预先依据需求设置有用于推荐的前预设位，如前3位，则将排列在评分序列中前三位物品进行推荐。因此，将各个评分序列中排列在前预设位的评分确定为目标评分，并查找物品聚类矩阵中生成各个目标评分的物品作为目标物品。此后对于每个用户的各个目标物品，判断各个目标物品中是否携带与用户所对应的评论信息。评论信息为用户在使用目标物品后，对目标物体进行评价所生成的信息。若目标物品中存在某一物品具有用户的评论信息，则说明用户已经对该物品进行了使用，当前不具有再次使用需求，故将该物品从目标物品中剔除。将剔除该类物品后的目标物品形成为待推荐物品，向用户进行推荐。
其中，对于是否存在评论信息的判断，可设定时间检测机制。预先设定表征近期使用的预设时间，在确定目标物品中存在某一物品具有用户的评论信息后，继续查找该评论信息的生成时间，进而确定生成时间距离当前时间的时长，并判断时长是否在预设时间范围内。若在预设时间范围内，则说明用户在短期内使用过该物品，而将其从目标物品中剔除。若未在预设时间范围内，则说明用户使用该物品的时间距离当前时间较为久远，可能具有再次使用的需求，故而不将其从目标物品中剔除，而形成为待推荐物品进行推荐。
本发明的物品推荐方法，与现有技术依据单个***所收集用户行为数据进行推荐，或者依据多个***所收集用户行为数据的传输联合所进行推荐的方式相比，本发明对于物品的推荐通过调用推荐***内的局部兴趣矩阵，并依据推荐***内的物品聚类矩阵和局部兴趣矩阵，计算推荐***内每个用户在各***物品上的评分；进而依据每个用户在各***物品上的评分，向每个用户进行***物品的推荐。其中，局部兴趣矩阵和物品聚类矩阵均由推荐***内各用户的第一行为数据联合各用户在至少一个其他***内的第二行为数据进行联邦训练生成；联邦训练时第一行为数据和第二行为数据均在各自的***内，有利于用户数据的安全性。并且，局部兴趣矩阵由用户的第一行为数据体现了用户在推荐***的兴趣点，由局部兴趣矩阵和物品聚类矩阵所计算的评分，反映了用户对推荐***内各***物品的兴趣浓厚程度，以此，使得依据评分所推荐的物品直接与用户的兴趣相关，使得推荐更为精准。克服了现有技术中依据单个***所收集用户行为数据推荐的不准确性，以及依据多个***所收集用户行为数据的传输联合推荐的不安全性的缺陷。在确保用户数据安全的同时，实现了物品的精准推荐。
进一步地，基于本发明物品推荐方法的第一实施例，提出本发明物品推荐方法第二实施例。
所述物品推荐方法第二实施例与所述物品推荐方法第一实施例的区别在于，所述调用推荐***内的局部兴趣矩阵的步骤之前，所述方法包括：
步骤S11，接收预设协调方发送的全局兴趣特征矩阵，并根据所述全局兴趣特征矩阵、各所述第一行为数据、所述推荐***内待训练局部兴趣矩阵和待训练物品聚类矩阵，对预设函数进行计算，得到计算结果；
本实施例通过推荐***内各用户的第一行为数据，和各用户在其他***内的第二数据之间的联邦训练，生成局部兴趣矩阵和物品聚类矩阵。具体地，设定联邦训练的预设协调方，该预设协调方可以是与推荐***，以及其他***均通信连接的第三方服务器，也可以是推荐***和其他***中的任意***。由预设协调方形成全局兴趣特征矩阵，发送到推荐***，结合第一行为数据和第二行为数据进行联邦训练。
进一步地，为了确保预设协调方与推荐***，以及其他***之间通信数据的安全性，对于传输的数据，即全局兴趣特征矩阵设定有加密后传输的机制。具体地，接收预设协调方发送的全局兴趣特征矩阵的步骤包括：
步骤a，接收所述预设协调方基于预设公钥加密发送的全局兴趣特征矩阵，并基于与所述预设公钥匹配的私钥，对所述全局兴趣特征矩阵解密，其中所述预设公钥和所述私钥基于所述推荐***或所述其他***生成。
更进一步地，由推荐***和其他***中的任意一个***产生一个公钥pk和私钥sk，将公钥pk作为预设公钥，并将私钥sk作为与预设公钥匹配的私钥。将公钥pk发送到预设协调方，并将私钥sk发送到推荐***和其他***。此后预设协调方形成全局兴趣特征矩阵，并用随机数值初始化该全局兴趣特征矩阵后，用公钥sk进行加密发送到推荐***及其他***。推荐***在接收到该由预设协调方通过预设公钥加密后发送的全局兴趣特征矩阵后，调用其接收的私钥sk对全局兴趣特征矩阵进行解密，得到明文的全局兴趣特征矩阵。
进一步地，推荐***内预先设置有用于训练的待训练局部兴趣矩阵和待训练物品聚类矩阵，推荐***用随机数初始化待训练局部兴趣矩阵和待训练物品聚类矩阵，并在接收到全局兴趣特征矩阵后，将全局兴趣特征矩阵和推荐***内各用户的第一行为数据，待训练局部兴趣矩阵，以及待训练物品聚类矩阵结合，对预设函数进行计算，计算结果。通过计算结果来对待训练局部兴趣矩阵和待训练物品聚类矩阵进行训练，得到最终的局部兴趣矩阵和物品聚类矩阵。其中，预设函数为矩阵分解的优化函数，其表达式如公式(1)所示：
Figure BDA0002617857180000111
其中，N表示推荐***与其他***的数量，Xi表示用户在***中行为数据所形成的行为数据矩阵，当i表示推荐***时，则Xi为第一行为数据所形成的行为数据矩阵；U表示全局兴趣特征矩阵，Ui表示待训练局部兴趣矩阵，Vi表示待训练物品聚类矩阵，λ表示局部兴趣超参数，γ表示与预设函数对应模型的复杂度。并且，||Xi-UVi||用于挖掘用户的全局兴趣，||Xi-UiVi||用于挖掘用户的局部兴趣，||Ui-U||表示局部兴趣与全局兴趣的差别，
Figure BDA0002617857180000121
表示正则化项。若将λ设定为较小的数值，关注对全局兴趣的挖掘，若将λ设定为较大的数值，则关注对局部兴趣的挖掘。全局兴趣特征矩阵反映用户兴趣的全局性，为各用户在推荐***和其他***所共同体现的兴趣；局部兴趣特征矩阵反映用户兴趣的局部性，为各用户在推荐***或其他***上体现的兴趣。相对于全局兴趣，局部兴趣的细粒度更高，如全局兴趣为体育，则局部行为为篮球、足球等。
步骤S12，判断所述计算结果是否满足结束计算条件，若满足结束计算条件，则将所述待训练局部兴趣矩阵生成为所述推荐***内的局部兴趣矩阵。
步骤S13，若所述计算结果不满足结束计算条件，则根据所述预设函数，生成所述待训练局部兴趣矩阵的第一梯度、所述待训练物品聚类矩阵的第二梯度，以及所述全局兴趣特征矩阵的第三梯度；
步骤S14，根据所述第一梯度、所述第二梯度和所述第三梯度，对所述预设函数迭代计算，以更新所述计算结果，直到所述计算结果满足所述结束计算条件。
更进一步地，预先设置有用于判断计算是否结束的结束计算条件，在生成计算结果后，将该计算结果和结束计算条件对比，判断计算结果是否满足该结束计算条件。若满足则说明用于训练的待训练局部兴趣矩阵和待训练物品聚类矩阵经训练达到较好的效果，故而结束计算，将待训练局部兴趣矩阵和待训练物品聚类矩阵分别生成为局部兴趣矩阵和物品聚类矩阵。
需要说明的是，结束计算条件可以数值的形式存在，即将结束计算条件设定为表征达到训练效果的某一较小数值。若计算得到的计算结果小于该数值，则表征计算结果满足结束计算条件，反之则未满足结束计算条件。
进一步地，若经确定计算结果不满足结束计算条件，则调用预设函数分别对待训练局部兴趣矩阵、待训练物品聚类矩阵以及全局兴趣特征矩阵求导，生成待训练局部兴趣矩阵的第一梯度，待训练物品聚类矩阵的第二梯度，以及全局兴趣特征矩阵的第三梯度。进而依据第一梯度、第二梯度和第二梯度分别对待训练拒保兴趣矩阵、待训练物品聚类矩阵以及全局兴趣特征矩阵更新，并在更新后对预设函数进行计算，得到新的计算结果，判断是否满足结束计算条件。如此迭代计算，直到所计算得到的结果满足结束计算条件，停止计算，获得局部兴趣矩阵和物品聚类矩阵。
更进一步地，所述根据所述第一梯度、所述第二梯度和所述第三梯度，对所述预设函数迭代计算，以更新所述计算结果的步骤包括：
步骤S141，根据所述第一梯度和所述第二梯度，分别更新所述待训练局部兴趣矩阵和所述待训练物品聚类矩阵；
步骤S142，将所述第三梯度传输至所述预设协调方，以供所述预设协调方将所述第三梯度和至少一其他***基于各所述用户的第二行为数据计算所述预设函数生成的第四梯度聚合，生成回传梯度对所述全局兴趣特征矩阵更新；
步骤S143，接收所述预设协调方更新后的所述全局兴趣特征矩阵，并执行根据所述全局兴趣特征矩阵、各所述第一行为数据、所述推荐***内待训练局部兴趣矩阵和待训练物品聚类矩阵，对预设函数进行计算的步骤，以对所述预设函数迭代计算，更新所述计算结果。
可理解地，待训练局部兴趣矩阵和待训练物品聚类矩阵与推进***相关，而与其他***不相关，故而在对两者更新时，将第一梯度加和到待训练局部兴趣矩阵，对待训练局部兴趣矩阵更新，以及将第二梯度加和到待训练物品聚类矩阵，对待训练物品聚类矩阵更新。
对于全局兴趣特征矩阵，因其与推荐***以及其他***均相关，故在对其进行更新时，将第三梯度加密后传输到预设协调方。预设协调方在接收到推荐***传输到第三梯度外，还至少接收到一个其他***传输的第四梯度。该第四梯度由其他***基于各用户的第二行为数据对预设函数计算生成，且计算方式与第三梯度相同，在此不做赘述。
进一步地，预设协调方对接收到第三梯度和至少一项第四梯度解密后聚合，得到回传梯度对全局兴趣特征矩阵更新，并将更新的全局兴趣特征矩阵传输到推荐***以及各个其他***。推荐***在接收到预设协调方更新的全局兴趣特征矩阵后，依据更新的全局兴趣特征矩阵、各项第一行为数据、待训练局部兴趣矩阵和待训练物品聚类矩阵，对预设函数进行计算，以更新预设函数，实现预设函数的迭代计算，直到迭代后的计算结果满足结束计算条件。
本实施预设函数经联邦训练得到局部兴趣矩阵、物品聚类矩阵和全局兴趣特征矩阵，在确保用户隐私和数据安全的基础上，结合多个***内用户数据所体现的全局兴趣特征矩阵，得到推荐***的局部兴趣矩阵和物品聚类矩阵，以体现用户对推荐***内各***物品的兴趣高低，使得通过局部兴趣矩阵和物品聚类矩阵所进行的物品推荐，具有较高的准确性和安全性。
此外，本发明实施例还提出一种计算机可读存储介质。
计算机可读存储介质上存储有物品推荐程序，物品推荐程序被处理器执行时实现如上所述的物品推荐方法的步骤。本发明计算机可读存储介质的具体实施方式与上述物品推荐方法各实施例基本相同，在此不再赘述。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，这些均属于本发明的保护之内。

Claims (10)

1.一种物品推荐方法，其特征在于，所述物品推荐方法包括以下步骤：
调用推荐***内的局部兴趣矩阵，其中，所述局部兴趣矩阵由所述推荐***内各用户的第一行为数据联合各所述用户在至少一其他***内的第二行为数据进行联邦训练形成；
根据所述推荐***内的物品聚类矩阵和所述局部兴趣矩阵，计算所述推荐***内每一所述用户在各***物品上的评分；
根据每一所述用户在各所述***物品上的评分，向每一所述用户进行***物品推荐。
2.如权利要求1所述的物品推荐方法，其特征在于，所述根据每一所述用户在各所述***物品上的评分，向每一所述用户进行***物品推荐的步骤包括：
对每一所述用户在各所述***物品上的评分进行排序，确定与每一所述用户对应排列在前预设位的目标评分，并分别对与每一所述用户对应排列在前预设位的目标评分执行步骤：
确定与各所述目标评分对应的目标物品，并查找各所述目标物品中的待推荐物品，其中，所述待推荐物品未携带与所述用户对应的评论信息；
向所述用户推荐所述待推荐物品。
3.如权利要求1所述的物品推荐方法，其特征在于，所述根据所述推荐***内的物品聚类矩阵和所述局部兴趣矩阵，计算所述推荐***内每一所述用户在各***物品上的评分的步骤包括：
确定每一所述用户在所述局部兴趣矩阵中的兴趣行，并将每一所述用户的所述兴趣行与所述物品聚类矩阵进行乘积运算，生成每一所述用户的物品评分矩阵；
根据每一所述用户的物品评分矩阵，确定每一所述用户在各***物品上的评分。
4.如权利要求1所述的物品推荐方法，其特征在于，所述调用推荐***内的局部兴趣矩阵的步骤之前，所述方法包括：
接收预设协调方发送的全局兴趣特征矩阵，并根据所述全局兴趣特征矩阵、各所述第一行为数据、所述推荐***内待训练局部兴趣矩阵和待训练物品聚类矩阵，对预设函数进行计算，得到计算结果；
判断所述计算结果是否满足结束计算条件，若满足结束计算条件，则将所述待训练局部兴趣矩阵生成为所述推荐***内的局部兴趣矩阵。
5.如权利要求4所述的物品推荐方法，其特征在于，所述判断所述计算结果是否满足结束计算条件的步骤之后，所述方法还包括：
若所述计算结果不满足结束计算条件，则根据所述预设函数，生成所述待训练局部兴趣矩阵的第一梯度、所述待训练物品聚类矩阵的第二梯度，以及所述全局兴趣特征矩阵的第三梯度；
根据所述第一梯度、所述第二梯度和所述第三梯度，对所述预设函数迭代计算，以更新所述计算结果，直到所述计算结果满足所述结束计算条件。
6.如权利要求5所述的物品推荐方法，其特征在于，所述根据所述第一梯度、所述第二梯度和所述第三梯度，对所述预设函数迭代计算，以更新所述计算结果的步骤包括：
根据所述第一梯度和所述第二梯度，分别更新所述待训练局部兴趣矩阵和所述待训练物品聚类矩阵；
将所述第三梯度传输至所述预设协调方，以供所述预设协调方将所述第三梯度和至少一其他***基于各所述用户的第二行为数据计算所述预设函数生成的第四梯度聚合，生成回传梯度对所述全局兴趣特征矩阵更新；
接收所述预设协调方更新后的所述全局兴趣特征矩阵，并执行根据所述全局兴趣特征矩阵、各所述第一行为数据、所述推荐***内待训练局部兴趣矩阵和待训练物品聚类矩阵，对预设函数进行计算的步骤，以对所述预设函数迭代计算，更新所述计算结果。
7.如权利要求4所述的物品推荐方法，其特征在于，所述接收预设协调方发送的全局兴趣特征矩阵的步骤包括：
接收所述预设协调方基于预设公钥加密发送的全局兴趣特征矩阵，并基于与所述预设公钥匹配的私钥，对所述全局兴趣特征矩阵解密，其中所述预设公钥和所述私钥基于所述推荐***或所述其他***生成。
8.如权利要求4所述的物品推荐方法，其特征在于，所述将所述待训练局部兴趣矩阵生成为所述推荐***内的局部兴趣矩阵的步骤之后，所述方法包括：
将所述待训练物品聚类矩阵生成为所述推荐***内的物品聚类矩阵。
9.一种物品推荐设备，其特征在于，所述物品推荐设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的物品推荐程序，所述物品推荐程序被所述处理器执行时实现如权利要求1-8中任一项所述的物品推荐方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有物品推荐程序，所述物品推荐程序被处理器执行时实现如权利要求1-8中任一项所述的物品推荐方法的步骤。
CN202010774401.8A 2020-08-04 2020-08-04 物品推荐方法、设备及计算机可读存储介质 Pending CN111859155A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010774401.8A CN111859155A (zh) 2020-08-04 2020-08-04 物品推荐方法、设备及计算机可读存储介质
PCT/CN2021/101999 WO2022028140A1 (zh) 2020-08-04 2021-06-24 物品推荐方法、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010774401.8A CN111859155A (zh) 2020-08-04 2020-08-04 物品推荐方法、设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN111859155A true CN111859155A (zh) 2020-10-30

Family

ID=72953567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010774401.8A Pending CN111859155A (zh) 2020-08-04 2020-08-04 物品推荐方法、设备及计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN111859155A (zh)
WO (1) WO2022028140A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112380439A (zh) * 2020-11-19 2021-02-19 平安科技（深圳）有限公司 目标物推荐方法、装置、电子设备及计算机可读存储介质
WO2022028140A1 (zh) * 2020-08-04 2022-02-10 深圳前海微众银行股份有限公司 物品推荐方法、设备及计算机可读存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117951388B (zh) * 2024-03-19 2024-07-05 深圳市幺柒零信息科技有限公司 基于大数据的产品推荐策略生成方法、***及介质

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IL212502A0 (en) * 2011-04-26 2011-07-31 Friedmann Michael Method and system for recommending geo-tagged items
US20170206551A1 (en) * 2016-01-15 2017-07-20 Adobe Systems Incorporated Personalized Recommendation Computation in Real Time using Incremental Matrix Factorization and User Factor Clustering
CN108509573A (zh) * 2018-03-27 2018-09-07 陕西科技大学 基于矩阵分解协同过滤算法的图书推荐方法及***
CN108776919A (zh) * 2018-05-31 2018-11-09 西安电子科技大学 基于聚类及进化算法构建信息核的物品推荐方法
CN108984551A (zh) * 2017-05-31 2018-12-11 广州智慧城市发展研究院 一种基于多类别联合软聚类的推荐方法及***
CN109271592A (zh) * 2018-09-30 2019-01-25 东软集团股份有限公司 一种物品推荐方法、装置、存储介质及程序产品
CN109635291A (zh) * 2018-12-04 2019-04-16 重庆理工大学 一种基于协同训练的融合评分信息和物品内容的推荐方法
CN109902235A (zh) * 2019-03-06 2019-06-18 太原理工大学 基于蝙蝠优化的用户偏好聚类协同过滤推荐算法
CN110189192A (zh) * 2019-05-10 2019-08-30 深圳前海微众银行股份有限公司 一种信息推荐模型的生成方法及装置
CN110503506A (zh) * 2019-07-05 2019-11-26 平安科技（深圳）有限公司 基于评分数据的物品推荐方法、装置及介质
WO2020098156A1 (zh) * 2018-11-15 2020-05-22 平安科技（深圳）有限公司 产品数据推送方法及装置、计算机非易失性可读存储介质
CN111291273A (zh) * 2020-02-20 2020-06-16 深圳前海微众银行股份有限公司 推荐***优化方法、装置、设备及可读存储介质
CN111292151A (zh) * 2018-12-07 2020-06-16 中移互联网有限公司 对象推荐方法及装置、存储介质及对象推荐设备
CN111324812A (zh) * 2020-02-20 2020-06-23 深圳前海微众银行股份有限公司 基于迁移学习的联邦推荐方法、装置、设备及介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7240055B2 (en) * 2003-12-11 2007-07-03 Xerox Corporation Method and system for expertise mapping based on user activity in recommender systems
CN104866540B (zh) * 2015-05-04 2018-04-27 华中科技大学 一种基于群体用户行为分析的个性化推荐方法
CN106682114B (zh) * 2016-12-07 2020-10-27 广东工业大学 一种融合用户信任关系和评论信息的个性化推荐方法
US11250347B2 (en) * 2018-06-27 2022-02-15 Microsoft Technology Licensing, Llc Personalization enhanced recommendation models
CN110188283B (zh) * 2019-06-05 2021-11-23 中国人民解放军国防科技大学 一种基于联合神经网络协同过滤的信息推荐方法及其***
CN110825957B (zh) * 2019-09-17 2023-04-11 中国平安人寿保险股份有限公司 基于深度学习的信息推荐方法、装置、设备及存储介质
CN110991601B (zh) * 2019-11-29 2023-04-21 中山大学 一种基于多用户行为的神经网络推荐方法
CN111339412A (zh) * 2020-02-20 2020-06-26 深圳前海微众银行股份有限公司 纵向联邦推荐召回方法、装置、设备及可读存储介质
CN111859155A (zh) * 2020-08-04 2020-10-30 深圳前海微众银行股份有限公司 物品推荐方法、设备及计算机可读存储介质

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IL212502A0 (en) * 2011-04-26 2011-07-31 Friedmann Michael Method and system for recommending geo-tagged items
US20170206551A1 (en) * 2016-01-15 2017-07-20 Adobe Systems Incorporated Personalized Recommendation Computation in Real Time using Incremental Matrix Factorization and User Factor Clustering
CN108984551A (zh) * 2017-05-31 2018-12-11 广州智慧城市发展研究院 一种基于多类别联合软聚类的推荐方法及***
CN108509573A (zh) * 2018-03-27 2018-09-07 陕西科技大学 基于矩阵分解协同过滤算法的图书推荐方法及***
CN108776919A (zh) * 2018-05-31 2018-11-09 西安电子科技大学 基于聚类及进化算法构建信息核的物品推荐方法
CN109271592A (zh) * 2018-09-30 2019-01-25 东软集团股份有限公司 一种物品推荐方法、装置、存储介质及程序产品
WO2020098156A1 (zh) * 2018-11-15 2020-05-22 平安科技（深圳）有限公司 产品数据推送方法及装置、计算机非易失性可读存储介质
CN109635291A (zh) * 2018-12-04 2019-04-16 重庆理工大学 一种基于协同训练的融合评分信息和物品内容的推荐方法
CN111292151A (zh) * 2018-12-07 2020-06-16 中移互联网有限公司 对象推荐方法及装置、存储介质及对象推荐设备
CN109902235A (zh) * 2019-03-06 2019-06-18 太原理工大学 基于蝙蝠优化的用户偏好聚类协同过滤推荐算法
CN110189192A (zh) * 2019-05-10 2019-08-30 深圳前海微众银行股份有限公司 一种信息推荐模型的生成方法及装置
CN110503506A (zh) * 2019-07-05 2019-11-26 平安科技（深圳）有限公司 基于评分数据的物品推荐方法、装置及介质
CN111291273A (zh) * 2020-02-20 2020-06-16 深圳前海微众银行股份有限公司 推荐***优化方法、装置、设备及可读存储介质
CN111324812A (zh) * 2020-02-20 2020-06-23 深圳前海微众银行股份有限公司 基于迁移学习的联邦推荐方法、装置、设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李豪、张海英、张俊: "一种基于用户兴趣分析的协同过滤推荐算法", 《软件与算法》, vol. 36, no. 15, 16 August 2017 (2017-08-16), pages 25 - 28 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022028140A1 (zh) * 2020-08-04 2022-02-10 深圳前海微众银行股份有限公司 物品推荐方法、设备及计算机可读存储介质
CN112380439A (zh) * 2020-11-19 2021-02-19 平安科技（深圳）有限公司 目标物推荐方法、装置、电子设备及计算机可读存储介质
CN112380439B (zh) * 2020-11-19 2024-06-04 平安科技（深圳）有限公司 目标物推荐方法、装置、电子设备及计算机可读存储介质

Also Published As

Publication number Publication date
WO2022028140A1 (zh) 2022-02-10

Similar Documents

Publication Publication Date Title
CN111859155A (zh) 物品推荐方法、设备及计算机可读存储介质
KR102358604B1 (ko) 융합 데이터 처리 방법 및 정보 추천 시스템
CN106202331B (zh) 分层次隐私保护的推荐***及基于该推荐***的作业方法
US10102292B2 (en) Method and system of processing a search query
US20200356875A1 (en) Model training
US9177046B2 (en) Refining image relevance models
US8671093B2 (en) Click model for search rankings
US9384511B1 (en) Version control for resource allocation modeling
WO2019029046A1 (zh) 一种视频推荐方法及***
Zhao et al. Crowd-Selection Query Processing in Crowdsourcing Databases: A Task-Driven Approach.
CN111324812B (zh) 基于迁移学习的联邦推荐方法、装置、设备及介质
US20170249388A1 (en) Expert Detection in Social Networks
CN103593353A (zh) 信息搜索方法、展示信息排序权重值确定方法及其装置
US9047319B2 (en) Tag association with image regions
US10936601B2 (en) Combined predictions methodology
US20200084019A1 (en) Blockchain Ranking Engine
CN105760443A (zh) 项目推荐***、项目推荐装置以及项目推荐方法
CN111339412A (zh) 纵向联邦推荐召回方法、装置、设备及可读存储介质
Oosterhuis et al. Sensitive and scalable online evaluation with theoretical guarantees
CN103744904A (zh) 一种提供信息的方法及装置
CN116108232A (zh) 代码审核推荐方法、装置、设备及存储介质
CN111553742A (zh) 联邦产品推荐方法、装置、设备及计算机存储介质
US12008033B2 (en) Determining user affinities for content generation applications
US20240143607A1 (en) Facilitating efficient identification of relevant data
Cinelli Ambiguity of network outcomes

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