[发明专利]基于迁移学习的联邦推荐方法、装置、设备及介质

说明书

本发明公开了一种基于迁移学习的联邦推荐方法、装置、设备和介质，该方法包括获取本地用户对本地物品的第一行为数据、本地用户的第一用户聚类信息以及本地物品的第一物品聚类信息，第一聚类关系矩阵信息，以计算得到所述本地用户的第二用户聚类信息以及所述本地物品的第二物品聚类信息，以得到第一梯度，其中，聚类关系矩阵信息用于表示用户的聚类信息和物品的聚类信息之间的关联关系；获取第二联邦推荐合作方基于所述第一聚类关系矩阵信息得到的第二梯度，根据所述第一梯度与所述第二梯度，得到联合的第二聚类关系矩阵信息；根据联合的所述第二聚类关系矩阵信息，进行精准推荐。本发明解决个性化推荐的有效性降低的技术问题。

技术领域

本发明涉及金融科技(Fintech)的机器学习技术领域，尤其涉及一种基于迁移学习的联邦推荐方法、装置、设备及介质。

背景技术

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，如对个性化推荐也有更高的要求。

在互联网科技金融信息爆炸的时代，用于个性化推荐的个性化推荐系统得到不断的发展和应用，其中，网站的个性化推荐系统在满足用户获取该网站的个性化信息的需求上取得良好的推荐效果，但在好的推荐效果背后，网站的个性化推荐系统需要收集如用户在该网站上的点击行为、购买行为等本网站的大量用户信息外，为了丰富用户信息，网站的个性化推荐系统还会和多个网站合作，收集用户在其他多个网站上的用户信息或者用户行为信息，以实现提供更好的推荐效果，然而这可能会导致用户个人隐私的泄露，引起用户对个性化推荐系统的反感和不信任。

为有效保护用户隐私和数据安全，基于联邦推荐的个性化推荐系统越来越受欢迎，基于联邦推荐的个性化推荐系统的多个合作方之间需要有大量共同的用户或者大量共同的被推荐物品，在没有大量共享用户或者大量共享被推荐物品的合作方之间，难以建立有效的联合，这致使基于联邦的个性化推荐的有效性降低。

发明内容

本发明的主要目的在于提供一种基于迁移学习的联邦推荐方法、装置、设备和介质，旨在解决现有技术中在没有大量共享用户或者大量共享被推荐物品的合作方之间，难以建立保护用户隐私和数据安全的基于联邦的个性化推荐系统，致使个性化推荐的有效性降低的技术问题。

为实现上述目的，本发明提供一种基于迁移学习的联邦推荐方法，所述基于迁移学习的联邦推荐方法应用于第一联邦推荐合作方，所述基于迁移学习的联邦推荐方法包括：

获取本地用户对本地物品的第一行为数据、本地用户的第一用户聚类信息以及本地物品的第一物品聚类信息；

获取第一聚类关系矩阵信息，基于所述第一聚类关系矩阵信息，所述第一行为数据，所述第一用户聚类信息以及所述第一物品聚类信息，计算得到所述本地用户的第二用户聚类信息以及所述本地物品的第二物品聚类信息，以得到第一梯度，其中，聚类关系矩阵信息用于表示用户的聚类信息和物品的聚类信息之间的关联关系；

获取第二联邦推荐合作方基于所述第一聚类关系矩阵信息得到的第二梯度，根据所述第一梯度与所述第二梯度，得到联合的第二聚类关系矩阵信息；

根据联合的所述第二聚类关系矩阵信息，进行精准推荐。

可选地，所述获取第一聚类关系矩阵信息，基于所述第一聚类关系矩阵信息，所述第一行为数据，所述第一用户聚类信息以及所述第一物品聚类信息，计算得到所述本地用户的第二用户聚类信息以及所述本地物品的第二物品聚类信息，以得到第一梯度步骤包括：

获取第一聚类关系矩阵信息；