一种基于联邦学习的商品推荐方法及系统技术方案

本申请公开了一种基于联邦学习的商品推荐方法，包括：云服务器获取商品购买参数，所述商品购买参数包括购买商品用户的ID、购买时间段、购买次数及购买地点；基于所述商品购买参数，确定商品购买的时空序列与用户满意度；基于所述时空序列与所述用户满意度，通过联邦学习模型确定所述商品与所述用户的匹配程度；获取所述用户的用户画像，基于所述商品与所述用户的匹配程度以及所述用户画像，确定所述商品高关联用户特征；基于所述商品高关联用户特征，推荐所述商品至与所述购买商品用户的相似用户。用户。用户。

【技术实现步骤摘要】
一种基于联邦学习的商品推荐方法及系统


[0001]本申请涉及电子商务
，尤其涉及基于联邦学习的商品推荐方法及系统。

技术介绍

[0002]随着电子商务的进一步普及，人们对于线上商品购买的需求与日俱增。目前，各大电商平台可以通过拍摄图像来识别同类商品，并推荐给用户以进行购买，一定程度上增加了商品购买的效率。
[0003]目前，服务器会根据用户的购买记录生成用户画像，并通过用户画像找寻与该用户消费习惯或个性相匹配的商品进行推荐，典型的如“千人千面”技术，按照不同消费者的属性推荐不同的商品。
[0004]但是，上述技术中存在着两个缺陷：一是不同电商平台之间的用户商品购买数据是隐私且保密的，无法为其他电商的商品推荐做决策；二是推荐的商品大多数是用户已经购买或已经具备同类型的商品，复购率不高。

技术实现思路

[0005]本申请实施例提供一种基于联邦学习的商品推荐方法及系统，用于解决现有技术中隐私数据无法提供商品推荐决策和商品推荐复购率不高的问题。
[0006]本专利技术实施例提供一种基于联邦学习的商品推荐方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联邦学习的商品推荐方法，其特征在于，包括：云服务器获取商品购买参数，所述商品购买参数包括购买商品用户的ID、购买时间段、购买次数及购买地点；基于所述商品购买参数，确定商品购买的时空序列与用户满意度；基于所述时空序列与所述用户满意度，通过联邦学习模型确定所述商品与所述用户的匹配程度；获取所述用户的用户画像，基于所述商品与所述用户的匹配程度以及所述用户画像，确定所述商品高关联用户特征；基于所述商品高关联用户特征，推荐所述商品至与所述购买商品用户的相似用户。2.根据权利要求1所述的方法，其特征在于，所述基于所述时空序列与所述用户满意度，通过联邦学习模型确定所述商品与所述用户的匹配程度，包括：建立联邦学习模型；接受所述联邦学习模型的邀请，将所述时空序列输入所述联邦学习模型，预测所述用户下一周期内购买所述商品的概率；基于所述用户满意度和所述用户下一周期内购买所述商品的概率，确定所述商品与所述用户的匹配程度。3.根据权利要求2所述的方法，其特征在于，所述建立联邦学习模型，包括：多个与所述购买地点对应的服务器作为参与方，各自从中心服务器下载机器学习模型；所述每个参与方利用本地数据训练模型，加密梯度上传给中心服务器，所述中心服务器聚合各参与方的梯度更新模型参数；所述中心服务器返回更新后的所述机器学习模型给各参与方；所述各参与方更新各自的机器学习模型。4.根据权利要求2所述的方法，其特征在于，所述将所述时空序列输入所述联邦学习模型，预测所述用户下一周期内购买所述商品的概率，包括：获取所述多个购买地点对应的多个购买时间段，将所述多个地点的多个购买时间段分别输入对应的联邦学习模型中，分别计算所述用户在下一周期内，在多个购买地点中购买所述商品的概率。5.根据权利要求4所述的方法，其特征在于，分别计算所述用户在下一周期内，在多个购买地点中购买所述商品的概率，包括：采用线性回归、对数几率回归、Softmax回归和朴素贝叶斯分类器的一种或几种的组合来计算所述用户在下一周期内，在多个购买地点中购买所述商品的概率。6.根据权利要求4所述的方法，其特征在于，分别计算所述用户在下一周期内，在多个购买地点中购买所述商品的概率，包括：根据公式计算出在多个购买地点中购买所述商品的概率L：L...

【专利技术属性】
技术研发人员：周晓惠，
申请(专利权)人：深圳童尔家教育咨询有限公司，
类型：发明
国别省市：