[发明专利]基于联邦学习的产品推荐方法、装置、计算机设备及介质

权利要求书

1.一种基于联邦学习的产品推荐方法，其特征在于，包括下述步骤：

联合多方参与者建立待训练的联邦学习协同过滤推荐模型；

分别获取每个参与者的本地数据中对应的第一用户特征以及产品数据库中的产品特征属性；

根据所述第一用户特征和所述产品特征属性对待训练的联邦学习协同过滤推荐模型进行训练，获得训练好的联邦学习协同过滤推荐模型；及

使用训练好的联邦学习协同过滤推荐模型向目标用户推荐相应的产品。

2.根据权利要求1所述的基于联邦学习的产品推荐方法，其特征在于，所述根据所述第一用户特征和所述产品特征属性对待训练的联邦学习协同过滤推荐模型进行训练的步骤包括：

基于所述第一用户特征计算用户与产品之间的关联系数；

根据所述关联系数调整相应第一用户特征的权重，得到第二用户特征；

将所述第二用户特征和所述产品属性输入到待训练的联邦学习协同过滤推荐模型中，计算产品之间的第一相似度，并根据所述第一相似度将产品进行聚类；

根据所述第二用户特征以及聚类结果进行排序，完成联邦学习协同过滤推荐模型的训练。

3.根据权利要求2所述的基于联邦学习的产品推荐方法，其特征在于，所述根据所述第一相似度将产品进行聚类的步骤包括：

步骤A：对产品数据库的产品进行初始聚类，得到K个初始产品类，所述K个初始产品类构成初始产品类集合；

步骤B：分别计算每两个产品类的类间相似度；

步骤C：分别将计算得到的各类间相似度与预设阈值进行比较；

步骤D：将类间相似度大于预设阈值的两个产品类合并为一个新产品类，组合合并后的所有新产品类和未合并的初始产品类，得到二次聚类的中间产品类集合；

步骤E：循环执行步骤B到步骤D，直到所述中间产品类集合中的所有类间相似度小于等于预设阈值为止，得到聚类后的最终产品类集合，所述最终产品类集合包括的多个最终产品类；

步骤F：输出经聚类后的最终产品类集合。

4.根据权利要求3所述的基于联邦学习的产品推荐方法，其特征在于，所述根据所述第二用户特征以及聚类结果进行排序的步骤包括：

根据所述第二用户特征从所述聚类结果中确定最接近的最终产品类；

根据所述最接近的最终产品类的类内相似度进行排序推荐。

5.根据权利要求4所述的基于联邦学习的产品推荐方法，其特征在于，所述根据所述第二用户特征确定用户最接近的产品类的步骤包括：

计算所述第二用户特征与每类最终产品类聚类中心的第二相似度；

将相似度最大的聚类中心对应的最终产品类确定为最接近的产品类。

6.根据权利要求5所述的基于联邦学习的产品推荐方法，其特征在于，所述使用所述联邦学习协同过滤推荐模型向目标用户推荐相应的产品的步骤包括：

分别获取目标用户在每个参与者中的用户特征作为目标用户特征；

将所述目标用户特征输入至所述联邦学习协同过滤推荐模型中，计算出产品在每个参与者中的推荐指数；

根据所述每个参与者中的推荐指数计算出所述产品的综合推荐指数；

根据所述综合推荐指数向目标用户推荐相应的产品。

7.根据权利要求6所述的基于联邦学习的产品推荐方法，其特征在于，所述将所述目标用户特征输入至所述联邦学习协同过滤推荐模型中，计算出产品在每个参与者中的推荐指数的步骤包括：

根据所述目标用户特征确定所述目标用户与每类最终产品类的第三相似度；

根据所述第三相似度的排名确定每类最终产品类在每个参与者中的推荐指数。