纵向联邦推荐召回方法、装置、设备及可读存储介质制造方法及图纸

本申请公开了一种纵向联邦推荐召回方法、装置、设备和可读存储介质，所述纵向联邦推荐召回方法应用于第一设备，所述纵向联邦推荐召回方法包括：获取用户行为数据矩阵，并基于所述用户行为数据矩阵，通过执行预设纵向联邦流程，对预设待训练预测模型进行迭代训练，获得推荐物品预测模型；当接收到预测请求时，提取所述预测请求对应待预测用户数据，并将所述待预测用户数据输入至推荐物品预测模型中，获得用户特征表示集和物品特征表示集；基于所述用户特征表示和所述物品特征表示，生成所述待预测用户数据对应的物品召回集。本申请解决现有技术中存在推荐系统难以准确推荐物品给用户，致使推荐系统推荐效果差的技术问题。

Longitudinal federal recommended recall method, device, equipment and readable storage medium

【技术实现步骤摘要】
纵向联邦推荐召回方法、装置、设备及可读存储介质
本申请涉及金融科技(Fintech)的人工智能
，尤其涉及一种纵向联邦推荐召回方法、装置、设备及可读存储介质。
技术介绍
随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术(如分布式、区块链Blockchain、人工智能等)应用在金融领域，但金融业也对技术提出了更高的要求，如对金融业对应待办事项的分发也有更高的要求。也即，随着计算机软件和人工智能的不断发展，推荐系统在工业界被广泛应用，并取得了巨大的成功，然而，目前，推荐系统的良好效果通常是建立在海量的用户数据的基础之上的，而对于大部分的公司而言，通常只具有少量的用户数据，且由于保护用户隐私的要求等原因，各公司之间不能共享各自的用户数据以进行联合建模，进而导致各公司只能基于少量的用户数据构建推荐系统，进而导致推荐系统向用户推荐的物品并没有达到用户的期望，也即，现有技术中存在推荐系统难以准确推荐物品给用户，致使推荐效果差的技术问题。
技术实现思路
本申请的主要目的在于提供一种纵向联邦推荐召回方法、装置、设备本文档来自技高网...

【技术保护点】
1.一种纵向联邦推荐召回方法，其特征在于，所述纵向联邦推荐召回方法应用于第一设备，所述纵向联邦推荐召回方法包括：/n当接收到预测请求时，提取所述预测请求对应待预测用户数据，并将所述待预测用户数据输入至推荐物品预测模型中，获得用户特征表示集和物品特征表示集，其中，所述推荐物品预测模型为基于用户行为数据矩阵通过执行预设纵向联邦流程，对预设待训练预测模型进行迭代训练得到的；/n基于所述用户特征表示和所述物品特征表示，生成所述待预测用户数据对应的物品召回集。/n

【技术特征摘要】
1.一种纵向联邦推荐召回方法，其特征在于，所述纵向联邦推荐召回方法应用于第一设备，所述纵向联邦推荐召回方法包括：
当接收到预测请求时，提取所述预测请求对应待预测用户数据，并将所述待预测用户数据输入至推荐物品预测模型中，获得用户特征表示集和物品特征表示集，其中，所述推荐物品预测模型为基于用户行为数据矩阵通过执行预设纵向联邦流程，对预设待训练预测模型进行迭代训练得到的；
基于所述用户特征表示和所述物品特征表示，生成所述待预测用户数据对应的物品召回集。


2.如权利要求1所述纵向联邦推荐召回方法，其特征在于，所述当接收到预测请求时，提取所述预测请求对应待预测用户数据，并将所述待预测用户数据输入至推荐物品预测模型中步骤之前包括：
获取用户行为数据矩阵，并基于所述用户行为数据矩阵，通过执行预设纵向联邦流程，对预设待训练预测模型进行迭代训练，得到所述推荐物品预测模型。


3.如权利要求2所述纵向联邦推荐召回方法，其特征在于，所述获取用户行为数据矩阵，并基于所述用户行为数据矩阵，通过执行预设纵向联邦流程，对预设待训练预测模型进行迭代训练，得到所述推荐物品预测模型的步骤包括：
基于所述用户行为数据矩阵，对所述预设待训练预测模型进行迭代训练，以训练更新所述预设待训练预测模型的模型变量，其中，所述模型变量包括初始用户特征表示变量和初始物品特征表示变量；
判断迭代训练的所述待预测模型是否达到预设替换更新条件，若所述待训练预测模型达到预设替换更新条件，则通过执行所述预设纵向联邦流程，对训练更新的所述初始用户特征表示变量进行替换更新，获得替换更新的所述预设待训练预测模型；
持续对替换更新的所述预设待训练预测模型进行迭代训练和替换更新，直至所述预设待训练模型满足预设训练完成条件，获得所述推荐物品预测模型。


4.如权利要求3所述纵向联邦推荐召回方法，其特征在于，所述通过执行所述预设纵向联邦流程，对训练更新的所述初始用户特征表示变量进行替换更新，获得替换更新的所述预设待训练预测模型的步骤包括：
将训练更新的所述初始用户特征表示变量加密发送至与所述第一设备关联的第二设备，以供所述第二设备对多个其他所述第一设备发送的初始用户特征表示变量进行聚合处理，获得聚合用户特征表示变量，并将所述聚合用户特征表示变量反馈至各所述第一设备；
接收所述第二设备反馈的所述聚合用户特征表示变量，并将训练更新的所述初始用户特征表示变量替换更新为所述聚合用户特征表示变量，获得替换更新的所述预设待训练预测模型。


5.如权利要求1所述纵向联邦推荐召回方法，其特征在于，所述待预测用户数据包括待推荐物品候选集，所述用户特征表示集包括一个或者多个用户特征表示，所述物品特征表示集包括一个或者多个物品特征表示，
所述基于所述用户特征表示和所述物品特征表示，生成所述待预测用户数据对应的物品召回集的步骤包括：
计算各所述用户特征表示和各所述物品特征表示的内积，获得所述待预测用户对所述待推荐物品候选集中各物品的点击概率；...

【专利技术属性】
技术研发人员：刘聪，郑文琛，裴勇，谭奔，周洋磊，
申请(专利权)人：深圳前海微众银行股份有限公司，
类型：发明
国别省市：广东;44