产品推荐方法及装置、存储介质及电子设备与流程

1.本发明涉及数据处理技术领域，特别涉及一种产品推荐方法及装置、存储介质及电子设备。


背景技术：

2.目前，现有的推荐算法的模型训练过程依赖于海量数据，并且面临着严重的数据稀疏性问题，导致对目标用户进行产品推荐的效果差，用户的满意度日益下降。


技术实现要素：

3.本发明所要解决的技术问题是提供一种产品推荐方法，能够提高推荐结果精度。
4.本发明还提供了一种产品推荐装置，用以保证上述方法在实际中的实现及应用。
5.一种产品推荐方法，包括：
6.应用于联邦学习系统的第一参与方，所述方法包括：
7.响应于推荐指令，获取所述推荐指令对应的用户的用户数据；
8.利用预先训练好的产品推荐模型对所述用户数据进行处理，获得产品推荐结果；
9.输出所述产品推荐结果；
10.其中，所述产品推荐模型的训练过程，包括：
11.获取第一产品推荐模型和第一样本数据；所述第一样本数据包括历史产品信息、历史在线用户信息以及历史用户行为标签数据中的至少一种；
12.根据所述第一产品推荐模型和所述第一样本数据生成第一中间结果；
13.根据所述第一中间结果以及接收到的第二加密中间结果，生成所述第一产品推荐模型的第一加密梯度；第二加密中间结果由所述联邦学习系统的第二参与方对第二中间结果加密得到；所述第二中间结果由所述第二参与方根据第二产品推荐模型以及第二样本数据生成；所述第二样本数据为所述第二参与方的本地数据；
14.将所述第一加密梯度发往所述联邦学习系统的中间方，使得所述联邦学习系统的中间方对所述第一加密梯度进行解密，获得第一梯度；
15.根据所述中间方解密得到的第一梯度对所述第一产品推荐模型的模型参数进行更新，并判断更新后的所述第一产品推荐模型是否满足预设的训练完成条件；
16.在更新后的所述第一产品推荐模型满足预设的训练完成条件的情况下，将满足所述训练完成条件的所述第一产品推荐模型，确定为训练好的产品推荐模型。
17.上述的方法，可选的，获取第一样本数据的过程，包括：
18.获取原始样本数据；
19.应用预设的邻近算法对所述原始样本数据进行预处理，获得第一样本数据。
20.上述的方法，可选的，所述根据所述第一产品推荐模型和所述第一样本数据生成第一中间结果之后，还包括：
21.根据所述中间方下发的密钥对所述第一中间结果进行加密，获得第一加密中间结
果；
22.将所述第一加密中间结果发往所述第二参与方。
23.上述的方法，可选的，所述判断更新后的所述第一产品推荐模型是否满足预设的训练完成条件，包括：
24.在更新后的所述第一产品推荐模型的损失函数已收敛的情况下，确定更新后的所述第一产品推荐模型满足训练完成条件；
25.在更新后的所述第一产品推荐模型的损失函数未收敛的情况下，确定更新后的所述第一产品推荐模型不满足训练完成条件。
26.一种产品推荐装置，应用于联邦学习系统的第一参与方，所述装置包括：
27.获取单元，用于响应于推荐指令，获取所述推荐指令对应的用户的用户数据；
28.推荐单元，用于利用预先训练好的产品推荐模型对所述用户数据进行处理，获得产品推荐结果；
29.输出所述产品推荐结果；
30.其中，所述产品推荐模型的训练过程，包括：
31.获取第一产品推荐模型和第一样本数据；所述第一样本数据包括历史产品信息、历史在线用户信息以及历史用户行为标签数据中的至少一种；
32.根据所述第一产品推荐模型和所述第一样本数据生成第一中间结果；
33.根据所述第一中间结果以及接收到的第二加密中间结果，生成所述第一产品推荐模型的第一加密梯度；第二加密中间结果由所述联邦学习系统的第二参与方对第二中间结果加密得到；所述第二中间结果由所述第二参与方根据第二产品推荐模型以及第二样本数据生成；所述第二样本数据为所述第二参与方的本地数据；
34.将所述第一加密梯度发往所述联邦学习系统的中间方，使得所述联邦学习系统的中间方对所述第一加密梯度进行解密，获得第一梯度；
35.根据所述中间方解密得到的第一梯度对所述第一产品推荐模型的模型参数进行更新，并判断更新后的所述第一产品推荐模型是否满足预设的训练完成条件；
36.在更新后的所述第一产品推荐模型满足预设的训练完成条件的情况下，将满足所述训练完成条件的所述第一产品推荐模型，确定为训练好的产品推荐模型。
37.上述的装置，可选的，所述获取单元，包括：
38.获取子单元，用于获取原始样本数据；
39.预处理子单元，用于应用预设的邻近算法对所述原始样本数据进行预处理，获得第一样本数据。
40.上述的装置，可选的，所述推荐单元，还用于：
41.根据所述中间方下发的密钥对所述第一中间结果进行加密，获得第一加密中间结果；
42.将所述第一加密中间结果发往所述第二参与方。
43.上述的装置，可选的，所述执行单元，包括：
44.第一确定子单元，用于在更新后的所述第一产品推荐模型的损失函数已收敛的情况下，确定更新后的所述第一产品推荐模型满足训练完成条件；
45.第二确定子单元，用于在更新后的所述第一产品推荐模型的损失函数未收敛的情
况下，确定更新后的所述第一产品推荐模型不满足训练完成条件。
46.一种存储介质，所述存储介质包括存储指令，其中，在所述指令运行时控制所述存储介质所在的设备执行如上述的产品推荐方法。
47.一种电子设备，包括存储器，以及一个或者一个以上的指令，其中一个或一个以上指令存储于存储器中，且经配置以由一个或者一个以上处理器执行如上述的产品推荐方法。
48.与现有技术相比，本发明包括以下优点：
49.本发明提供了一种产品推荐方法及装置、存储介质及电子设备，该方法包括：响应于推荐指令，获取所述推荐指令对应的用户的用户数据；利用预先训练好的产品推荐模型对所述用户数据进行处理，获得产品推荐结果；输出所述产品推荐结果；其中，所述产品推荐模型的训练过程，包括：获取第一产品推荐模型和第一样本数据；所述第一样本数据包括历史产品信息、历史在线用户信息以及历史用户行为标签数据中的至少一种；根据所述第一产品推荐模型和所述第一样本数据生成第一中间结果；根据所述第一中间结果以及接收到的第二加密中间结果，生成所述第一产品推荐模型的第一加密梯度；第二加密中间结果由所述联邦学习系统的第二参与方对第二中间结果加密得到；所述第二中间结果由所述第二参与方根据第二产品推荐模型以及第二样本数据生成；所述第二样本数据为所述第二参与方的本地数据；将所述第一加密梯度发往所述联邦学习系统的中间方，使得所述联邦学习系统的中间方对所述第一加密梯度进行解密，获得第一梯度；根据所述中间方解密得到的第一梯度对所述第一产品推荐模型的模型参数进行更新，并判断更新后的所述第一产品推荐模型是否满足预设的训练完成条件；在更新后的所述第一产品推荐模型满足预设的训练完成条件的情况下，将满足所述训练完成条件的所述第一产品推荐模型，确定为训练好的产品推荐模型。应用本发明实施例提供的方法，能够提高推荐结果精度。
附图说明
50.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
51.图1为本发明提供的一种产品推荐方法的方法流程图；
52.图2为本发明提供的一种获取第一样本数据的过程的流程图；
53.图3为本发明提供的一种产品推荐装置的结构示意图；
54.图4为本发明提供的一种电子设备的结构示意图；
55.图5为本发明提供的一种联邦学习的整体流程的流程图。
具体实施方式
56.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
57.在本技术中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
58.联邦学习作为一个分布式的机器学习框架，是机构在满足用户隐私保护、数据安全和法规的要求前提下的一种解决方案，使之可以进行机构间数据共享和机器学习。其核心在于通过建立一个数据的“联邦”，解决数据孤岛和数据隐私保护的冲突，让参与各方在不直接共享数据的情况下，都能从联邦学习中获益，进而推动技术整体持续进步。
59.本发明实施例提供了一种产品推荐方法，该方法可以应用于电子设备，电子设备可以为联邦学习系统中的第一参与方，所述方法的方法流程图如图1所示，具体包括：
60.s101：响应于推荐指令，获取所述推荐指令对应的用户的用户数据。
61.在本实施例中，用户数据可以包括用户的产品数据、在线用户信息和用户行为标签数据等。
62.s102：利用预先训练好的产品推荐模型对所述用户数据进行处理，获得产品推荐结果。
63.s103：输出所述产品推荐结果。
64.在本实施例中，产品推荐结果可以包括为用户推荐的产品，推荐的产品的数量可以为一个或多个，产品可以是理财产品。
65.可选的，可以将产品推荐结果输出显示在预设的显示界面，也可以将产品推荐结果发往预设的终端。
66.其中，所述产品推荐模型的训练过程，包括：
67.获取第一产品推荐模型和第一样本数据；所述第一样本数据包括历史产品信息、历史在线用户信息以及历史用户行为标签数据中的至少一种；
68.根据所述第一产品推荐模型和所述第一样本数据生成第一中间结果；
69.根据所述第一中间结果以及接收到的第二加密中间结果，生成所述第一产品推荐模型的第一加密梯度；第二加密中间结果由所述联邦学习系统的第二参与方对第二中间结果加密得到；所述第二中间结果由所述第二参与方根据第二产品推荐模型以及第二样本数据生成；所述第二样本数据为所述第二参与方的本地数据；
70.将所述第一加密梯度发往所述联邦学习系统的中间方，使得所述联邦学习系统的中间方对所述第一加密梯度进行解密，获得第一梯度；
71.根据所述中间方解密得到的第一梯度对所述第一产品推荐模型的模型参数进行更新，并判断更新后的所述第一产品推荐模型是否满足预设的训练完成条件；
72.在更新后的所述第一产品推荐模型满足预设的训练完成条件的情况下，将满足所述训练完成条件的所述第一产品推荐模型，确定为训练好的产品推荐模型。
73.在本实施例中，第一中间结果可以是第一产品推荐模型的特征权重，第二中间结果可以是第二产品推荐模型的特征权重，中间方可以根据预设的解密密钥对第一加密梯度进行解密，获得第一梯度，然后将第一梯度发往第一参与方。
74.应用本发明实施例提供的方法，通过联邦学习的方式获得产品推荐模型，能够提
高推荐结果精度。
75.在本发明提供的一实施例中，基于上述的实施过程，可选的，获取第一样本数据的过程，如图2所示，包括：
76.s201：获取原始样本数据；
77.s202：应用预设的邻近算法对所述原始样本数据进行预处理，获得第一样本数据。
78.在本实施例中，邻近算法可以是k邻近算法，通过邻近算法对所述原始样本数据进行预处理，可以对原始样本数据进行修复。
79.在本发明提供的一实施例中，基于上述的实施过程，可选的，所述根据所述第一产品推荐模型和所述第一样本数据生成第一中间结果之后，还包括：
80.根据所述中间方下发的密钥对所述第一中间结果进行加密，获得第一加密中间结果；
81.将所述第一加密中间结果发往所述第二参与方。
82.在本实施例中，将第一加密中间结果发往第二参与方，可以使得第二参与方根据第二中间结果以及第一加密中间结果生成第二模型的第二加密梯度；将第二加密梯度发往中间方，由中间方对第二加密梯度解密得到第二梯度，第二参与方根据第二梯度对第二模型的模型参数进行更新。
83.在本发明提供的一实施例中，基于上述的实施过程，可选的，所述判断更新后的所述第一产品推荐模型是否满足预设的训练完成条件，包括：
84.在更新后的所述第一产品推荐模型的损失函数已收敛的情况下，确定更新后的所述第一产品推荐模型满足训练完成条件；
85.在更新后的所述第一产品推荐模型的损失函数未收敛的情况下，确定更新后的所述第一产品推荐模型不满足训练完成条件。
86.在本实施例中，训练完成条件可以是第一模型的损失函数收敛，或者第一模型的训练次数大于预设的训练次数阈值，还可以是第一模型的精度满足预设的精度要求。
87.与图1所述的方法相对应，本发明实施例还提供了一种产品推荐装置，用于对图1中方法的具体实现，本发明实施例提供的产品推荐装置可以应用于电子设备中，其结构示意图如图3所示，具体包括：
88.获取单元301，用于响应于推荐指令，获取所述推荐指令对应的用户的用户数据；
89.推荐单元302，用于利用预先训练好的产品推荐模型对所述用户数据进行处理，获得产品推荐结果；
90.输出单元303，用于输出所述产品推荐结果；
91.其中，所述产品推荐模型的训练过程，包括：
92.获取第一产品推荐模型和第一样本数据；所述第一样本数据包括历史产品信息、历史在线用户信息以及历史用户行为标签数据中的至少一种；
93.根据所述第一产品推荐模型和所述第一样本数据生成第一中间结果；
94.根据所述第一中间结果以及接收到的第二加密中间结果，生成所述第一产品推荐模型的第一加密梯度；第二加密中间结果由所述联邦学习系统的第二参与方对第二中间结果加密得到；所述第二中间结果由所述第二参与方根据第二产品推荐模型以及第二样本数据生成；所述第二样本数据为所述第二参与方的本地数据；
95.将所述第一加密梯度发往所述联邦学习系统的中间方，使得所述联邦学习系统的中间方对所述第一加密梯度进行解密，获得第一梯度；
96.根据所述中间方解密得到的第一梯度对所述第一产品推荐模型的模型参数进行更新，并判断更新后的所述第一产品推荐模型是否满足预设的训练完成条件；
97.在更新后的所述第一产品推荐模型满足预设的训练完成条件的情况下，将满足所述训练完成条件的所述第一产品推荐模型，确定为训练好的产品推荐模型。
98.在本发明提供的一实施例中，基于上述的方案，可选的，所述获取单元301，包括：
99.获取子单元，用于获取原始样本数据；
100.预处理子单元，用于应用预设的邻近算法对所述原始样本数据进行预处理，获得第一样本数据。
101.在本发明提供的一实施例中，基于上述的方案，可选的，所述推荐单元302，还用于：
102.根据所述中间方下发的密钥对所述第一中间结果进行加密，获得第一加密中间结果；
103.将所述第一加密中间结果发往所述第二参与方。
104.在本发明提供的一实施例中，基于上述的方案，可选的，所述推荐单元，包括：
105.第一确定子单元，用于在更新后的所述第一产品推荐模型的损失函数已收敛的情况下，确定更新后的所述第一产品推荐模型满足训练完成条件；
106.第二确定子单元，用于在更新后的所述第一产品推荐模型的损失函数未收敛的情况下，确定更新后的所述第一产品推荐模型不满足训练完成条件。
107.上述本发明实施例公开的产品推荐装置中的各个单元和模块具体的原理和执行过程，与上述本发明实施例公开的产品推荐方法相同，可参见上述本发明实施例提供的产品推荐方法中相应的部分，这里不再进行赘述。
108.本发明实施例还提供了一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行上述产品推荐方法。
109.本发明实施例还提供了一种电子设备，其结构示意图如图4所示，具体包括存储器401，以及一个或者一个以上的指令402，其中一个或者一个以上指令402存储于存储器401中，且经配置以由一个或者一个以上处理器403执行所述一个或者一个以上指令402进行以下操作：
110.应用于联邦学习系统的第一参与方，所述方法包括：
111.响应于推荐指令，获取所述推荐指令对应的用户的用户数据；
112.利用预先训练好的产品推荐模型对所述用户数据进行处理，获得产品推荐结果；
113.输出所述产品推荐结果；
114.其中，所述产品推荐模型的训练过程，包括：
115.获取第一产品推荐模型和第一样本数据；所述第一样本数据包括历史产品信息、历史在线用户信息以及历史用户行为标签数据中的至少一种；
116.根据所述第一产品推荐模型和所述第一样本数据生成第一中间结果；
117.根据所述第一中间结果以及接收到的第二加密中间结果，生成所述第一产品推荐模型的第一加密梯度；第二加密中间结果由所述联邦学习系统的第二参与方对第二中间结
果加密得到；所述第二中间结果由所述第二参与方根据第二产品推荐模型以及第二样本数据生成；所述第二样本数据为所述第二参与方的本地数据；
118.将所述第一加密梯度发往所述联邦学习系统的中间方，使得所述联邦学习系统的中间方对所述第一加密梯度进行解密，获得第一梯度；
119.根据所述中间方解密得到的第一梯度对所述第一产品推荐模型的模型参数进行更新，并判断更新后的所述第一产品推荐模型是否满足预设的训练完成条件；
120.在更新后的所述第一产品推荐模型满足预设的训练完成条件的情况下，将满足所述训练完成条件的所述第一产品推荐模型，确定为训练好的产品推荐模型。
121.在本发明提供的一实施例中，如图5所示，联邦学习系统包括服务器(中间方)以及多个客户端(参与方)，联邦学习整体的流程被划分成3个阶段：(1)共享模型分发；(2)本地模型训练；(3)模型信息收集、聚合与模型更新。以线性回归模型为例，假设有两个参与方a和b，用于加密传输的中间方c，训练过程可分为以下4步：(1)中间方c把公钥分发给模型a和模型b，用以对训练过程中需要交换的数据进行加密。(2)对齐数据a和对齐数据b之间以加密形式交互用于计算梯度的中间结果。(3)对齐数据a和对齐数据b分别基于加密的学习率进行计算，同时对齐数据b根据其标签数据计算损失，并把这些结果汇总给中间方c；中间方c通过汇总结果计算总学习率并将其解密。(4)中间方c将解密后的学习率分别回传给模型a和模型b；模型a和模型b根据梯度更新各自模型的参数。迭代上述步骤直至损失函数收敛，这样就完成了整个训练过程。
122.在本地模型训练过程，又分为四个阶段实现基于主题模型的协同过滤算法：(1)数据预处理：对于一些数据样本可能出现特征值缺失，这在一定程度上会影响模型的训练精确程度，该阶段采用基于特征权重灰色k近邻的算法进行数据填补。(2)构建共同主题相似度阶段：该阶段考虑用户对主题的综合偏爱程度、用户在具体情境下的主题偏爱程度和用户的活跃程度，采用主题模型对用户和兴趣点的类别进行建模。(3)精确度和召回率评价阶段：精确度和召回率越高，推荐算法的性能越好。(4)模型收敛阶段：为了最小化损失函数，利用梯度的一阶、二阶矩估计动态调整每个参数的学习率，使模型更快收敛。
123.需要说明的是，本发明提供的一种产品推荐方法及装置、存储介质及电子设备可用于人工智能领域、区块链领域、分布式领域、云计算领域、大数据领域、物联网领域、移动互联领域、网络安全领域、芯片领域、虚拟现实领域、增强现实领域、全息技术领域、量子计算领域、量子通信领域、量子测量领域、数字孪生领域或金融领域。上述仅为示例，并不对本发明提供的一种产品推荐方法及装置、存储介质及电子设备的应用领域进行限定。
124.需要说明的是，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。对于装置类实施例而言，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。
125.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者
设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
126.为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
127.通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
128.以上对本发明所提供的一种产品推荐方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。