[发明专利]推荐系统优化方法、装置、设备及可读存储介质

说明书

本申请公开了一种推荐系统优化方法、装置、设备和可读存储介质，所述推荐系统优化方法包括：获取用户数据，并将所述用户数据输入预设协同过滤模型，以对所述用户数据进行语义编码，获得用户特征表示变量，其中，所述预设协同过滤模型通过基于预设纵向联邦流程进行迭代训练而获取，计算所述用户特征表示变量对应的用户相似性结果，并基于所述相似性结果生成相似用户候选集，基于所述相似用户候选集，执行预设物品推荐流程。本申请解决了推荐系统推荐效果差的技术问题。

技术领域

本申请涉及金融科技(Fintech)的人工智能技术领域，尤其涉及一种推荐系统优化方法、装置、设备及可读存储介质。

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，如对金融业对应待办事项的分发也有更高的要求。

随着计算机软件和人工智能的不断发展，人工智能的应用也越来越广泛，其中，推荐系统在工业界被广泛应用，并取得了巨大的成功，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，然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、国家政策、保护自己的商业数据等原因，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，推荐系统推荐效果极差，所以，现有技术中存在推荐系统推荐效果差的技术问题。

发明内容

本申请的主要目的在于提供一种推荐系统优化方法、装置、设备和可读存储介质，旨在解决现有技术中推荐系统推荐效果差的技术问题。

为实现上述目的，本申请提供一种推荐系统优化方法，所述推荐系统优化方法应用于推荐系统优化设备，所述推荐系统优化方法包括：

获取用户数据，并将所述用户数据输入预设协同过滤模型，以对所述用户数据进行语义编码，获得用户特征表示变量，其中，所述预设协同过滤模型通过基于预设纵向联邦流程进行迭代训练而获取；

计算所述用户特征表示变量对应的用户相似性结果，并基于所述相似性结果生成相似用户候选集；

基于所述相似用户候选集，执行预设物品推荐流程。

可选地，所述推荐系统优化方法应用于第一设备，

所述获取用户数据，并将所述用户数据输入预设协同过滤模型，以对所述用户数据进行语义编码，获得用户特征表示变量，其中，所述预设协同过滤模型通过基于预设纵向联邦流程进行迭代训练而获取的步骤之前包括：

获取训练数据和待训练基础模型，并接收与所述第一设备相关联的第二设备发送的密钥；

生成所述训练数据对应的训练用户特征表示变量，并基于所述密钥，将所述训练用户特征表示变量加密发送至所述第二设备，以供所述第二设备基于多个所述第一设备发送的所述训练用户特征表示变量生成聚合用户特征表示变量；

将所述训练数据输入所述待训练基础模型，并接收所述第二设备加密反馈的所述聚合用户特征表示变量，以基于所述聚合用户特征表示变量，对所述待训练基础模型进行迭代训练，获得所述预设协同过滤模型。

可选地，所述基于所述聚合用户特征表示变量，对所述待训练基础模型进行迭代训练，获得所述预设协同过滤模型的步骤包括：

对所述待训练基础模型进行迭代训练，以对所述用户特征表示变量进行训练更新，并判断训练后的所述待训练基础模型是否达到预设特征表示更新条件；

若训练后的所述待训练基础模型达到所述预设特征表示更新条件，则基于所述聚合用户特征表示变量，对所述用户特征表示变量进行替换更新；