[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

说明书

本申请实施例属于人工智能领域，涉及一种基于联邦学习的产品推荐方法，包括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，分别获取所有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产品的特征属性，将第一用户特征和特征属性输入到待训练的联邦学习协同过滤推荐模型中，并进行用户与产品以及产品之间相似度的训练，获得联邦学习协同过滤推荐模型，使用联邦学习协同过滤推荐模型向目标用户推荐相应的产品。本申请还提供一种基于联邦学习的产品推荐装置、计算机设备及存储介质。此外，本申请还涉及区块链技术，第一用户特征可存储于区块链中。本申请可以在保障隐私安全的情况下，提高产品推荐的精准度。

技术领域

本申请涉及人工智能技术领域，尤其涉及基于联邦学习的产品推荐方法、装置、计算机设备及介质。

背景技术

健康险是这几年来促进保险行业发展的核心驱动力之一，大健康产业也在飞速发展。与此同时，大数据、云计算、人工智能、物联网、智能可穿戴等技术浪潮也在冲击着健康产业，因此众多保险公司都希望结合这些技术，通过健康险业务来开拓布局“大健康”产业。

目前已经有部分保险公司已经推出与健康大数据结合的保险方案，但是仍然存在着许多缺陷和问题，首先这些方案考虑到的数据维度相对单一，只考虑了用户每天步数的数据或者其他少数的健康数据，也未考虑医院方更加详细深入的数据，以及个人生活消费水平；其次它们没有保险精准推荐的功能；最后它们采集数据的方式可能涉及到隐私问题，难以保证隐私信息的安全。

发明内容

本申请实施例的目的在于提出一种基于联邦学习的产品推荐方法、装置、计算机设备及介质，以解决相关技术中采集数据维度单一且不能保证隐私信息的安全，同时不能进行产品的精准推荐的问题。

为了解决上述技术问题，本申请实施例提供一种基于联邦学习的产品推荐方法，采用了如下所述的技术方案：

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。

进一步的，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。

进一步的，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多个最终产品类；