[发明专利]一种产品推荐方法、系统、计算机设备及存储介质

权利要求书

1.一种产品推荐方法，其特征在于，所述方法包括：

服务器端接收用户输入的参数数据；

所述服务器端经初始化处理得到产品因子矩阵和产品因子矩阵参数，并将所述产品因子矩阵参数和部分所述参数数据发送至多个客户端；

所述多个客户端根据所述产品因子矩阵参数和部分所述参数数据更新用户因子矩阵，并利用q-FedAvg算法计算加权差值和归一化常量，将所述加权差值和归一化常量，将所述加权差值和归一化常量返回给所述服务器端；

所述服务器端基于剩余部分所述参数数据，利用所述产品因子矩阵参数和接收到的所有加权差值和归一化常量，对所述产品因子矩阵参数进行迭代更新；

所述服务器端根据更新后的产品因子矩阵参数确定目标产品因子矩阵，并将所述目标产品因子矩阵发送至目标客户端；

所述目标客户端利用所述目标产品因子矩阵和更新后的所述用户因子矩阵，计算所述用户对产品的预测评分值，并对预测评分值排序，将排序高的前N个产品推荐给所述用户。

2.根据权利要求1所述的产品推荐方法，其特征在于，所述根据更新后的产品因子矩阵参数确定目标产品因子矩阵，包括：

判断更新后的产品因子矩阵参数与更新前的产品因子矩阵参数的差值是否小于预设数值；

若所述差值大于预设数值，则将更新后的产品因子矩阵参数，重新发送至客户端继续进行迭代更新，直到所述差值小于所述预设数值为止；

若所述差值小于等于所述预设数值，则利用更新后的所述产品因子矩阵参数生成目标产品因子矩阵。

3.根据权利要求1所述的产品推荐方法，其特征在于，在所述将所述产品因子矩阵参数发送至多个客户端之前，还包括：

将所述产品因子矩阵参数进行同态加密。

4.根据权利要求1所述的产品推荐方法，其特征在于，所述服务器端基于剩余部分所述参数数据，利用所述产品因子矩阵参数和接收到的所有加权差值和归一化常量，对所述产品因子矩阵参数进行迭代更新，包括：

所述服务器端利用得到更新后的产品因子矩阵参数，i表示客户端数量，St表示客户端集合。

5.根据权利要求1所述的产品推荐方法，其特征在于，所述多个客户端根据所述产品因子矩阵参数和部分所述参数数据更新用户因子矩阵，包括：

基于所述用户因子矩阵和所述产品因子矩阵参数，根据公式一计算损失函数，所述公式一为：；

基于损失函数、所述用户因子矩阵的梯度和增益参数，根据公式二计算更新后的用户因子矩阵参数，所述公式二为：；

根据更新后的所述用户因子矩阵参数更新所述用户因子矩阵;

其中，t表示迭代次数、表示增益参数、表示上一次迭代后的梯度值、j=1,2,…，m,m为产品个数、表示用户对产品的评分值、表示正则化参数、v_j表示产品因子矩阵的第j行、F_i为损失函数、u_i^t+1为经过迭代后的所述用户因子矩阵参数、为用户因子矩阵参数。

6.根据权利要求5所述的产品推荐方法，其特征在于，所述利用q-FedAvg算法计算加权差值∆_i^t和归一化常量h_i^t包括：

获取所述更新后的所述用户因子矩阵参数和所述参数数据中的预设步长，对损失函数进行E次随机梯度下降，得到模型参数；

基于所述模型参数，计算相邻产品因子矩阵参数差值：；

根据相邻产品因子矩阵参数差值∆V_i^t，按以下q-FedAvg算法计算加权差值和归一化常量h_i^t：

；

;

其中，表示相邻产品因子矩阵参数差值、L表示Lipschitz常数、q表示q-FedAvg算法参数、k=1,2，…，E。