[发明专利]联邦产品推荐方法、装置、设备及计算机存储介质

权利要求书

1.一种联邦产品推荐方法，其特征在于，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，和所述目标用户数据对应的目标产品数据；

将所述目标用户数据和所述目标产品数据输入至协同深度学习模型，获得特征表示集，其中，所述协同深度学习模型为通过预设的堆叠去噪自编码器处理训练样本中的产品信息，获得产品特征信息，基于所述产品特征信息和用户特征信息执行纵向联邦流程，对初始推荐模型进行迭代训练得到的；

根据所述特征表示集，生成所述产品推荐请求对应的产品推荐集。

2.如权利要求1所述联邦产品推荐方法，其特征在于，所述将所述目标用户数据和所述目标产品数据输入至预设的协同深度学习模型，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，获取所述模型更新请求对应的训练样本；

通过预设的堆叠去噪自编码器处理所述训练样本，获得用户特征信息和产品特征信息；

获取所述协调端发送的密钥，按照所述密钥对所述用户特征信息进行加密处理，并将加密处理之后的用户特征信息发送至协调端，以使所述协调端处理多方节点发送的用户特征信息，获得用户聚合特征；

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和所述产品特征信息训练所述协同过滤模型，获得协同深度学习模型。

3.如权利要求2所述联邦产品推荐方法，其特征在于，所述通过预设的堆叠去噪自编码器处理所述训练样本，获得用户特征信息和产品特征信息的步骤，包括：

通过预设的堆叠去噪自编码器中的输入层对所述训练样本进行编码处理；

将编码处理之后的训练样本输入至所述堆叠去噪自编码器的隐藏层进行解码，获得用户特征信息和产品特征信息。

4.如权利要求2所述联邦产品推荐方法，其特征在于，所述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和所述产品特征信息训练所述协同过滤模型，获得协同深度学习模型的步骤，包括：

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和所述产品特征信息训练所述协同过滤模型；

根据所述训练的协同过滤模型和预设损失函数计算损失值，将所述损失值加密后发送至协调端，以使所述协调端基于各方推荐终端发送的损失值，确定训练是否终止；

接收所述协调端发送的提示信息，在所述提示信息为终止提示时，将所述训练协同过滤模型作为协同深度学习模型。

5.如权利要求1所述联邦产品推荐方法，其特征在于，所述特征表示集包括用户特征表示集和/或产品特征表示集，所述根据所述特征表示集，生成所述产品推荐请求对应的产品推荐集的步骤，包括：

计算所述目标用户数据对应目标用户与所述用户特征表示集中各预设用户的用户相似数据，将所述预设用户按照其用户相似数据从大到小排序，提取排序靠前的预设数量的预设用户形成相似用户列表，将所述相似用户列表中各预设用户关联的产品组成产品推荐集；或者

计算所述目标用户数据对应目标产品与所述产品特征表示集中各预设产品的产品相似数据，将所述预设产品按照其产品相似值从大到小排序，提取排序靠前的预设数量的预设产品形成相似产品列表，将所述相似产品列表中各用户关联的产品组成产品推荐集；或者

根据所述用户特征表示集和候选集产品数据表示确定用户对产品的评分值，按评分值从大到小排序，生成推荐产品列表，提取所述推荐产品列表中预设数量的目标产品作为所述目标用户数据对应的产品推荐集；或者

根据所述用户特征表示集和所述产品特征表示集，使用最邻近搜索选取对应的产品推荐集。

6.一种联邦产品推荐方法，其特征在于，所述联邦产品推荐方法应用于协调端，所述联邦产品推荐方法包括：

生成加密密钥，并将所述密钥分别发送至与所述协调端关联的至少两个推荐终端，以供各所述推荐终端基于所述密钥对各自的用户特征信息进行加密；

接收各所述推荐终端发送的用户特征信息，并对各所述用户特征信息进行聚合处理，获得用户聚合特征；

将所述用户聚合特征反馈至各所述推荐终端，以供各所述推荐终端对各自的初始推荐模型进行迭代训练，获得协同深度学习模型。