多重模型提供方法、计算机系统及计算机可读记录介质技术方案

本发明专利技术公开多重模型提供方法、计算机系统及计算机可读记录介质。个性化联邦学习的多重模型提供方法包括如下的步骤：将多个用户分类为多个组；以及通过按所述组的联邦学习(federated learning)来将用于服务的预测模型生成为多重模型。型生成为多重模型。型生成为多重模型。

【技术实现步骤摘要】
多重模型提供方法、计算机系统及计算机可读记录介质


[0001]以下的说明涉及一种通过联邦学习(federated learning)生成用于提供服务的预测模型的技术。

技术介绍

[0002]深度学习(deep learning)为用于对事物或数据进行聚类或分类的技术，可通过多层结构形态的神经网络(neural network)实现基于分类的推理(inference)，由此最近深度学习用于多种

[0003]例如，韩国公开专利公报第10
‑
2019
‑
0117837号(公开日期：2019年10月17日)公开了如下的技术：即，利用基于深度学习的学习模型来提供消息答复服务。
[0004]对于现有的深度学习结构来说，在服务器中使用大规模云数据，将用于提供服务的预测模型训练为供所有用户共同使用的单一模型。

技术实现思路

[0005]基于个性化的联邦学习，可以将用于提供服务的预测模型生成为多重模型。
[0006]可将多个用户分类为多个组，来生成以多个用户组为对象的联邦学习的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多重模型提供方法，该多重模型提供方法是在计算机系统中执行的方法，其特征在于，上述计算机系统包括至少一个处理器，上述至少一个处理器被配置为执行包含在存储器中的多个计算机可读指令，上述方法包括如下的步骤：通过上述至少一个处理器，将多个用户分类为多个组；以及使上述至少一个处理器通过按上述组的联邦学习来将用于服务的预测模型生成为多重模型。2.根据权利要求1所述的方法，其特征在于，在上述分类的步骤中，利用能够针对上述服务在上述计算机系统中收集的至少一个信息来对上述多个用户进行分组。3.根据权利要求1所述的方法，其特征在于，在上述分类的步骤中，以用户简介和上述服务的领域知识中的至少一个为基础来对上述多个用户进行分组。4.根据权利要求1所述的方法，其特征在于，在上述分类的步骤中，基于协同过滤来对上述多个用户进行分组。5.根据权利要求1所述的方法，其特征在于，上述方法还包括如下的步骤：通过上述至少一个处理器，向上述多个用户的电子设备分配在上述计算机系统中生成的初始模型，上述将用于服务的预测模型生成为多重模型的步骤包括如下的步骤：按上述组将在属于每个组的用户的电子设备中对上述初始模型进行学习得到的模型汇集成一个模型来生成组模型。6.根据权利要求5所述的方法，其特征在于，上述将用于服务的预测模型生成为多重模型的步骤还包括如下的步骤：按上述组向属于每个组的用户的电子设备分配对应组模型；以及按上述组从属于每个组的用户的电子设备接收关于对应组模型的更新数据来改善每个组模型。7.根据权利要求1所述的方法，其特征在于，在上述将用于服务的预测模型生成为多重模型的步骤中，在上述服务为推荐内容的服务的情况下，通过按上述组的联邦学习，以利用属于每个组的用户的电子设备中的与上述内容相关的设备内数据的学习结果模型来生成按上述组的内容推荐模型。8.根据权利要求7所述的方法，其特征在于，在上述分类的步骤中，利用能够针对上述内容在上述计算机系统中收集的至少一个信息来对上述多个用户进行分组。9.根据权利要求5所述的方法，其特征在于，在上述分类的步骤中，按每个用户将对应用户所属的组分类为至少两个组。10.根据权利要求9所述的方法，其特征在于，上述将用于服务的预测模型生成为多重模型的步骤还包括如下的步骤：
根据对应用户所属的组，向每个用户的电子设备分配两个以上的组模型；以及按上述组从属于每个组的用户的电子...

【专利技术属性】
技术研发人员：张赫宰，
申请(专利权)人：连普乐士株式会社，
类型：发明
国别省市：