一种由用户终端执行的推送模型优化方法和装置制造方法及图纸

本说明书实施例提供了一种由用户终端执行的推送模型优化方法，所述终端与第一用户相对应，所述终端本地包括当前的推送模型，所述推送模型基于矩阵分解方法进行预测，所述方法包括：从本地获取第一用户针对第一对象的评分；基于所述评分、所述第一用户的当前嵌入向量和所述第一对象的当前嵌入向量，计算用于优化所述第一对象的嵌入向量的第一梯度向量；确定所述第一用户的当前的预定数目的邻居用户；将所述第一梯度向量分别发送给所述预定数目的邻居用户各自的终端，以使得每个邻居用户的终端基于所述第一梯度向量分别优化其本地的第一对象的嵌入向量。

A push model optimization method and device executed by user terminal

【技术实现步骤摘要】
一种由用户终端执行的推送模型优化方法和装置
本说明书实施例涉及机器学习
，更具体地，涉及一种由用户终端执行的推送模型优化方法和装置。
技术介绍
在推送系统中，矩阵分解方法被广泛应用。传统的矩阵分解技术都属于集中式(centralized)训练。也就是说，在传统的矩阵分解技术中，首先，构建该推荐系统的平台需要获取用户对物品的行为(如购买，点击，评分等行为)数据，然后利用这些数据来构建一个矩阵分解推送系统。也就是说，所有用户对物品的行为历史数据，都要集中式的存储在某个服务端，另外，在训练矩阵分解模型时，需要在服务端机器上训练。而所述用户对物品的历史行为数据可能包括用户的隐私数据。因此，需要一种更有效的保护隐私的推送模型优化方案。
技术实现思路
本说明书实施例旨在提供一种更有效的保护隐私的推送模型优化方案。本说明书一方面提供一种由用户终端执行的推送模型优化方法，所述终端与第一用户相对应，所述终端本地包括当前的推送模型，所述推送模型基于矩阵分解方法进行预测，所述方法包括：从本地获取第一用户针对第一对象的本文档来自技高网...

【技术保护点】
1.一种由用户终端执行的推送模型优化方法，所述终端与第一用户相对应，所述终端本地包括当前的推送模型，所述推送模型基于矩阵分解方法进行预测，所述方法包括：/n从本地获取第一用户针对第一对象的评分，其中，所述推送模型中包括所述第一用户的当前嵌入向量和所述第一对象的当前嵌入向量；/n基于所述评分、所述第一用户的当前嵌入向量和所述第一对象的当前嵌入向量，计算用于优化所述第一对象的嵌入向量的第一梯度向量；/n确定所述第一用户的当前的预定数目的邻居用户，其中，所述邻居用户与所述第一用户具有预定关联关系；/n将所述第一梯度向量分别发送给所述预定数目的邻居用户各自的终端，以使得每个邻居用户的终端基于所述第一梯...

【技术特征摘要】
1.一种由用户终端执行的推送模型优化方法，所述终端与第一用户相对应，所述终端本地包括当前的推送模型，所述推送模型基于矩阵分解方法进行预测，所述方法包括：
从本地获取第一用户针对第一对象的评分，其中，所述推送模型中包括所述第一用户的当前嵌入向量和所述第一对象的当前嵌入向量；
基于所述评分、所述第一用户的当前嵌入向量和所述第一对象的当前嵌入向量，计算用于优化所述第一对象的嵌入向量的第一梯度向量；
确定所述第一用户的当前的预定数目的邻居用户，其中，所述邻居用户与所述第一用户具有预定关联关系；
将所述第一梯度向量分别发送给所述预定数目的邻居用户各自的终端，以使得每个邻居用户的终端基于所述第一梯度向量分别优化其本地的第一对象的嵌入向量。


2.根据权利要求1所述的方法，其中，计算用于优化所述第一对象的嵌入向量的第一梯度向量包括，计算用于优化所述第一对象的嵌入向量的初始梯度向量，通过随机算法将所述初始梯度向量转换为第一梯度向量，其中，所述第一梯度向量的元素的符号基于所述初始梯度向量的相应元素的符合确定，所述第一梯度向量的元素绝对值的取值为多个离散数值中的一个数值，其中，所述随机算法使得所述第一梯度向量的元素的期望值与所述初始梯度向量的相应元素的值相对应。


3.根据权利要求2所述的方法，其中，所述多个离散数值为位数相同的二进制数值。


4.根据权利要求3所述的方法，其中，所述第一用户的当前嵌入向量和所述第一对象的当前嵌入向量包括的各个元素值都在-1到1之间，所述多个离散数值为0和1。


5.根据权利要求2所述的方法，还包括，在计算用于优化所述第一对象的嵌入向量的初始梯度向量之后，使用所述初始梯度向量优化本地的第一对象的嵌入向量。


6.根据权利要求5所述的方法，所述终端本地记录有所述推送模型的优化次数，所述方法还包括，在使用所述第一梯度向量更新本地的第一对象的嵌入向量之后，确定所述优化次数是否等于预定数值，在确定所述优化次数等于预定数值的情况中，停止对所述嵌入模型的下一次优化。


7.根据权利要求1所述的方法，其中，所述预定关联关系为地理位置关联关系。


8.根据权利要求1所述的方法，还包括，在获取第一用户针对第一对象的评分之后，基于所述评分、所述第一用户的当前嵌入向量和所述第一对象的当前嵌入向量，计算用于优化所述第一用户的嵌入向量的梯度向量，以优化所述第一用户的嵌入向量。


9.根据权利要求1所述的方法，其中，所述邻居用户为一阶邻居用户，所述邻居用户中包括第二用户，所述方法还包括，从第二用户的终端接收用于优化第二对象的梯度向量和该梯度向量对应的邻居度数，确定所述邻居度数是否等于预定数值，在确定所述邻居度数不等于预定数值的情况中，对该邻居度数加1，并将用于优化第二对象的梯度向量和所述邻居度数发送给除所述第二用户之外的一阶邻居用户的终端。


10.一种由用户终端执行的推送模型优化装置，所述终端与第一用户相对应，所述终端本地包括当前的推送模型，所述推送模型基于矩阵分解方法进行预测，所述装置包括：
获取单元，配置为，从本地获取第一用户针对第一对象的评分，其中，所述推送模型中包括所述第一用户的当前嵌入向量和所述第一对象的当前...

【专利技术属性】
技术研发人员：陈超超，王力，周俊，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：浙江;33