System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及用户偏好预测领域,特别是涉及一种基于网上购物的用户偏好预测方法、系统及电子设备。
技术介绍
1、随着信息技术的发展,大量个性化设备和应用程序为我们日常生活、工作、社交等提供便利,而伴随而来的是个人数据量的爆发式增长。这些个人数据中包含着诸如用户的兴趣偏好,学识程度等有价值的用户特征,基于这些显式的用户行为信息,建模用户潜在特征的用户建模任务成为了各种个性化智能技术和应用的基础任务。
2、用户建模已经被应用到诸如产品推荐,定向广告,个性化搜索等任务场景,旨在用户的个人数据中采集有价值的潜在特征信息,为不同需求的用户提供个性化的用户模型,通过预测用户的偏好,帮助提高应用产品的参与度和服务质量。例如在智能教育系统中,用户建模结合认知诊断技术,从而能够对学生能力进行刻画,建模学生状态与知识掌握程度,而在推荐系统中,用户建模可以基于用户历史记录建模客户兴趣偏好。但同时,必须谨慎处理用户数据,并遵守相关隐私法规,以确保用户隐私和数据安全。而服务提供方通常采用数据集中化的建模方式,这引入了数据隐私泄露的风险。在实际场景中,由于设备中用户的数据隐私性,无法通过数据中心集中收集,难以集中训练,导致客户端只能孤立地对本地少量的用户建模,由于数据量不足,难以取得性能较好的模型
3、针对以上问题,通过联邦学习为多客户端协作用户建模提供数据安全保障,联邦学习是一种分布式机器学习范式,可以在保护数据隐私的前提下对多个机器学习模型进行协作训练,训练数据存储在本地,在训练过程中不直接共享。
4、但是现有联邦用户
技术实现思路
1、本专利技术的目的是提供一种基于网上购物的用户偏好预测方法、系统及电子设备,能够提高用户偏好预测的准确性。
2、为实现上述目的,本专利技术提供了如下方案:
3、一种基于网上购物的用户偏好预测方法,包括:
4、获取服务器的全局模型的初始的模型参数;并将初始的模型参数下发至每个网上购物平台的本地模型中;
5、本地模型接收的模型参数;并利用交互数据进行训练,得到训练后的本地模型参数、预测类别概率以及模型改变量;
6、服务器根据训练后的本地模型参数、预测类别概率以及模型改变量,采用知识蒸馏的方式进行聚合,得到调整后的模型参数;并返回所述并将初始的模型参数下发至每个网上购物平台的本地模型中的步骤,直至迭代完成;
7、利用迭代完成后的本地模型进行用户偏好预测。
8、可选地,训练过程中本地模型的经验损失函数为:其中,θ为本地模型参数,l是由单个数据样本定义的损失,di是网上购物平台i的本地训练数据集,y是本地训练数据集中数据样本x对应的类别标签,表示关于客户端i的期望损失,l(θi,(x,y))是客户端i上的损失函数。
9、可选地,所述本地模型的训练采用固定轮次的sgd训练。
10、可选地,利用公式确定模型改变量;
11、其中,为t次迭代的预测结果与t+1次迭代的预测结果的余弦距离。
12、一种基于网上购物的用户偏好预测系统,包括:
13、初始化模块,用于获取服务器的全局模型的初始的模型参数;并将初始的模型参数下发至每个网上购物平台的本地模型中;
14、训练模块,用于本地模型接收的模型参数;并利用交互数据进行训练,得到训练后的本地模型参数、预测类别概率以及模型改变量;
15、迭代模块,用于服务器根据训练后的本地模型参数、预测类别概率以及模型改变量,采用知识蒸馏的方式进行聚合,得到调整后的模型参数;并返回所述并将初始的模型参数下发至每个网上购物平台的本地模型中的步骤,直至迭代完成;
16、预测模块,用于利用迭代完成后的本地模型进行用户偏好预测。
17、一种电子设备,包括:至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令,当所述计算机程序指令被所述处理器执行时实现所述的一种基于网上购物的用户偏好预测方法。
18、可选地,所述存储器为计算机可读存储介质。
19、根据本专利技术提供的具体实施例,本专利技术公开了以下技术效果:
20、本专利技术所提供的一种基于网上购物的用户偏好预测方法、系统及电子设备,通过联邦学习进行本地模型和全局模型的训练,在全局模型中基于知识蒸馏的更新策略,将本地知识从客户端(网上购物平台)转移到服务器端,以此作为软标签在公共数据集上微调全局模型,最终将为每个客户端训练一个个性化模型;本专利技术有效克服联邦用户偏好建模中由于客户端场景不一致而产生的统计异构性,更充分地聚合客户端信息,客户端可以有区别的将与自己数据分布相近的客户端中的信息融入到本地模型中,避免了客户端间异构用户信息的干扰,缓解了用户数据的非独立同分布所造成的模型收敛缓慢,性能不佳等问题,有利于用户建模任务的完成。
本文档来自技高网...【技术保护点】
1.一种基于网上购物的用户偏好预测方法,其特征在于,包括:
2.根据权利要求1所述的一种基于网上购物的用户偏好预测方法,其特征在于,训练过程中本地模型的经验损失函数为:其中,θ为本地模型参数,l是由单个数据样本定义的损失,Di是网上购物平台i的本地训练数据集,y是本地训练数据集中数据样本x对应的类别标签,表示关于客户端i的期望损失,l(θi,(x,y))是客户端i上的损失函数。
3.根据权利要求1所述的一种基于网上购物的用户偏好预测方法,其特征在于,所述本地模型的训练采用固定轮次的SGD训练。
4.根据权利要求1所述的一种基于网上购物的用户偏好预测方法,其特征在于,利用公式确定模型改变量;
5.一种基于网上购物的用户偏好预测系统,其特征在于,包括:
6.一种电子设备,其特征在于,包括:至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令,当所述计算机程序指令被所述处理器执行时实现如权利要求1-4中任一项所述的一种基于网上购物的用户偏好预测方法。
7.根据权利要求6所述的一种电子设备,其特征在于
...【技术特征摘要】
1.一种基于网上购物的用户偏好预测方法,其特征在于,包括:
2.根据权利要求1所述的一种基于网上购物的用户偏好预测方法,其特征在于,训练过程中本地模型的经验损失函数为:其中,θ为本地模型参数,l是由单个数据样本定义的损失,di是网上购物平台i的本地训练数据集,y是本地训练数据集中数据样本x对应的类别标签,表示关于客户端i的期望损失,l(θi,(x,y))是客户端i上的损失函数。
3.根据权利要求1所述的一种基于网上购物的用户偏好预测方法,其特征在于,所述本地模型的训练采用固定轮次的sg...
【专利技术属性】
技术研发人员:张剑飞,戴加海,时永强,曲冠南,
申请(专利权)人:长春理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。