【技术实现步骤摘要】
本专利技术属于推荐系统领域，尤其涉及一种基于参数拼接的大小模型端云协同计算方法及系统。
技术介绍
1、在推荐系统的领域，精确地识别和满足用户的需求是实现用户满意度和商业价值的关键。随着信息技术和人工智能的飞速发展，推荐系统已经成为电子商务、在线视频、社交网络等领域不可或缺的组成部分。传统的推荐算法，如协同过滤、基于内容的推荐等，已经在实际应用中取得了一定的成功。然而，随着数据量的爆炸性增长和用户需求的多样化，这些传统方法面临着诸多挑战，包括但不限于参数过多、训练成本高、难以捕捉用户动态变化的偏好等问题。
2、近年来，深度学习技术在推荐系统中的应用开始受到广泛关注。通过利用深度神经网络的强大表示能力，研究者们尝试解决推荐系统中的复杂非线性问题，实现更加个性化和准确的推荐。例如，基于序列的推荐系统利用深度学习模型捕捉用户行为序列中的时序关系，以更好地预测用户的下一步行为。然而，深度学习模型往往包含大量的参数，这不仅增加了模型训练和推理的计算成本，而且还可能导致模型过拟合，限制了其在资源受限的设备上的部署和应用。
3、...
【技术保护点】
1.一种基于参数拼接的大小模型端云协同计算方法，其特征在于，用于向用户进行商品的个性化推荐，包括以下步骤：
2.如权利要求1所述的一种基于参数拼接的大小模型端云协同计算方法，其特征在于，步骤S2中，由参数价值评估得到的局部参数价值矩阵与全局参数价值的计算方式具体如下：
3.如权利要求2所述的一种基于参数拼接的大小模型端云协同计算方法，其特征在于，所述模型参数信息熵的具体计算方式如下：云侧将每个推荐模型的参数矩阵中的最大值作为参数值上界，将每个推荐模型的参数矩阵中的最小值作为参数值下界，在参数值下界和参数值上界构成的范围内均匀划分为预设数量的参数...
【技术特征摘要】
1.一种基于参数拼接的大小模型端云协同计算方法，其特征在于，用于向用户进行商品的个性化推荐，包括以下步骤：
2.如权利要求1所述的一种基于参数拼接的大小模型端云协同计算方法，其特征在于，步骤s2中，由参数价值评估得到的局部参数价值矩阵与全局参数价值的计算方式具体如下：
3.如权利要求2所述的一种基于参数拼接的大小模型端云协同计算方法，其特征在于，所述模型参数信息熵的具体计算方式如下：云侧将每个推荐模型的参数矩阵中的最大值作为参数值上界，将每个推荐模型的参数矩阵中的最小值作为参数值下界，在参数值下界和参数值上界构成的范围内均匀划分为预设数量的参数值区间，统计推荐模型参数矩阵中的参数值处在各个参数值区间的数量并构成参数分布直方图，由参数分布直方图生成参数概率分布函数，将参数概率分布函数作为信息熵中的概率分布，得到模型参数信息熵。
4.如权利要求2所述的一种基于参数拼接的大小模型端云协同计算方法，其特征在于，将局部参数价值矩阵与全局参数价值进行参数价值融合得到价值矩阵的方式如下：
...【专利技术属性】
技术研发人员：张圣宇，吕喆奇，赵洲，王书强，田进源，王永威，蔡海滨，吴飞，
申请(专利权)人：上海浙江大学高等研究院，
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。