[发明专利]推荐模型的训练方法、推荐方法、装置、设备及存储介质

说明书

本申请涉及模型构建领域，具体公开了一种推荐模型的训练方法、用户推荐方法、装置、设备及存储介质，所述方法包括：获取多个参与方的共同本地数据，并基于所述用户信息和所述用户信息对应的物品评分信息构建多个物品评分矩阵；对构建的多个所述物品评分矩阵进行矩阵分解，得到用户隐矩阵和多个物品隐矩阵；各个参与方分别在本地对所述用户隐矩阵以及各自的所述物品隐矩阵进行迭代训练，并基于所述用户隐矩阵和多个所述物品隐矩阵构建矩阵模型，计算所述矩阵模型的损失函数的损失值；当所述矩阵模型的损失函数的损失值达到预设值时，将所述矩阵模型作为推荐模型，完成模型训练。提高数据安全，并且提高训练得到的推荐模型的推荐准确率。

技术领域

本申请涉及推荐模型领域，尤其涉及一种推荐模型的训练方法、用户推荐方法、装置、设备及存储介质。

背景技术

随着互联网和电子商务的迅猛发展，推荐系统成为企业提高市场竞争力的重要工具。当推荐系统内有新用户加入时，由于新用户在推荐系统中不存在历史数据，这就无法根据传统的推荐算法来为新用户进行推荐，推荐的准确率较低。现有技术中为了对新用户进行推荐，往往会需要联合多方数据，但在多公司之间进行数据共享访问时，容易导致客户隐私泄露，而产生隐私性问题。

因此，如何在训练推荐模型时提高数据安全，并且提高训练得到的推荐模型的推荐准确率成为亟待解决的问题。

发明内容

本申请提供了一种推荐模型的训练方法、用户推荐方法、装置、设备及存储介质，以提高数据安全，并且提高训练得到的推荐模型的推荐准确率。

第一方面，本申请提供了一种推荐模型的训练方法，所述方法包括：

获取多个参与方的共同本地数据，所述共同本地数据包括用户信息和所述用户信息对应的物品评分信息，并基于所述用户信息和所述用户信息对应的物品评分信息构建多个物品评分矩阵；对构建的多个所述物品评分矩阵进行矩阵分解，得到用户隐矩阵和多个物品隐矩阵；各个参与方分别在本地对所述用户隐矩阵以及各自的所述物品隐矩阵进行迭代训练，并基于所述用户隐矩阵和多个所述物品隐矩阵构建矩阵模型，计算所述矩阵模型的损失函数的损失值；当所述矩阵模型的损失函数的损失值达到预设值时，将所述矩阵模型作为推荐模型，完成模型训练。

第二方面，本申请提供了一种用户推荐方法，所述方法包括：

获取新用户的用户信息，并基于所述用户信息获取所述新用户在其他参与方的物品评分信息；基于所述评分信息和预先训练的推荐模型确定所述新用户在推荐参与方的物品评分信息；根据所述新用户在所述推荐参与方的物品评分信息对所述新用户进行推荐；其中，所述预先训练的推荐模型是采用如上述的推荐模型的训练方法训练的到的。

第三方面，本申请还提供了一种推荐模型的训练装置，所述装置包括：

矩阵构建模块，用于获取多个参与方的共同本地数据，所述共同本地数据包括用户信息和所述用户信息对应的物品评分信息，并基于所述用户信息和所述用户信息对应的物品评分信息构建多个物品评分矩阵；矩阵分解模块，用于对构建的多个所述物品评分矩阵进行矩阵分解，得到用户隐矩阵和多个物品隐矩阵；损失计算模块，用于各个参与方分别在本地对所述用户隐矩阵以及各自的所述物品隐矩阵进行迭代训练，并基于所述用户隐矩阵和多个所述物品隐矩阵构建矩阵模型，计算所述矩阵模型的损失函数的损失值；模型训练模块，用于当所述矩阵模型的损失函数的损失值达到预设值时，将所述矩阵模型作为推荐模型，完成模型训练。

第四方面，本申请还提供了一种用户推荐装置，所述装置包括：

信息获取模块，用于获取新用户的用户信息，并基于所述用户信息获取所述新用户在其他参与方的物品评分信息；评分确定模块，用于基于所述评分信息和预先训练的推荐模型确定所述新用户在推荐参与方的物品评分信息；用户推荐模块，用于根据所述新用户在所述推荐参与方的物品评分信息对所述新用户进行推荐；其中，所述预先训练的推荐模型是采用如上述的推荐模型的训练方法训练的到的。