[发明专利]联邦产品推荐方法、装置、设备及计算机存储介质

说明书

本申请公开了一种联邦产品推荐方法、装置、设备及计算机存储介质，所述方法应用于推荐终端，所述方法包括：在接收到产品推荐请求时，提取所述产品推荐请求对应的目标用户数据；获取候选集产品数据，将所述目标用户数据和所述候选集产品数据输入至神经协同过滤模型，获得特征表示集，其中，所述神经协同过滤模型为基于用户特征信息和产品特征信息执行纵向联邦流程，对初始分析模型进行迭代训练得到的；根据所述特征表示集，生成所述目标用户数据对应的产品推荐集。本申请通过纵向联邦构建神经协同过滤模型，在减少数据泄露的同时使得模型充分学习，提高了推荐准确率。

技术领域

本申请涉及金融科技(Fintech)的人工智能技术领域，尤其涉及一种联邦产品推荐方法、装置、设备及计算机存储介质。

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。

当前金融业务的产品越来越多，推荐系统可以为用户推荐更加符合需求的产品，推荐系统通常是建立在海量的用户数据的基础之上的，而对于大部分的公司而言，通常只具有少量的用户数据，且出于保护用户隐私等等原因，各公司之间不能共享各自的用户数据，进而各公司只能基于少量的用户数据构建推荐系统，这样的推荐系统向用户推荐的产品不准确。

发明内容

本申请的主要目的在于提供一种联邦产品推荐方法、装置、设备及计算机存储介质，旨在解决现有技术中难以准确推荐产品给用户，致使推荐系统推荐效果差的技术问题。

为实现上述目的，本申请提供一种联邦产品推荐方法，所述联邦产品推荐方法应用于推荐终端，所述联邦产品推荐方法包括：

在接收到产品推荐请求时，提取所述产品推荐请求对应的目标用户数据；

获取候选集产品数据，将所述目标用户数据和所述候选集产品数据输入至神经协同过滤模型，获得特征表示集，其中，所述神经协同过滤模型为基于用户特征信息和产品特征信息执行纵向联邦流程，对初始分析模型进行迭代训练得到的；

可选地，所述获取候选集产品数据，将所述目标用户数据和所述候选集产品数据输入至神经协同过滤模型，获得特征表示集的步骤之前，所述方法包括：

接收模型更新请求，获取协调端发送的密钥；

解析训练样本获得产品特征信息和用户特征信息，将所述用户特征信息按照所述密钥加密后发送至协调端，以使所述协调端聚合至少两个推荐终端发送的用户特征信息，形成用户聚合特征；

接收所述协调端发送的用户聚合特征，根据所述用户聚合特征更新所述用户特征信息；

通过更新后的用户特征信息和所述产品特征信息迭代训练初始分析模型，获得神经协同过滤模型。

可选地，所述解析训练样本获得产品特征信息和用户特征信息，将所述用户特征信息按照所述密钥加密后发送至协调端的步骤，包括：

初始化训练样本形成用户产品评分矩阵，分解所述用户产品评分矩阵获得第一用户特征向量和第一产品特征向量；

对初始分析模型进行初始化，获得训练特征信息，将所述训练特征信息输入至预设多层感知网络，获得第二用户特征向量和第二产品特征向量；

将所述第一用户特征向量和所述第二用户特征向量作为用户特征信息，将所述第一产品特征向量和所述第二产品特征向量作为产品特征信息，将所述用户特征信息和所述产品特征信息进行本地保存；

将所述用户特征信息按照所述密钥进行加密，并将加密后的用户特征信息发送至协调端。

可选地，所述获取候选集产品数据，将所述目标用户数据和所述候选集产品数据输入至神经协同过滤模型，获得特征表示集的步骤，包括：