[发明专利]推荐模型的训练方法、推荐方法和装置、电子设备及介质

权利要求书

1.一种推荐模型的训练方法，其特征在于，应用于客户端，所述客户端存储有预先训练的本地推荐模型，所述方法包括：

获取目标用户的目标用户数据；其中，所述目标用户数据包括所述目标用户的目标行为数据和目标推荐数据；

通过所述本地推荐模型的神经网络对所述目标行为数据进行特征提取，得到目标行为隐式特征，并通过所述神经网络对所述目标推荐数据进行特征提取，得到目标项目隐式特征；

通过所述本地推荐模型的注意力机制对所述目标行为隐式特征和所述目标项目隐式特征进行特征融合，得到目标融合特征向量；

根据所述目标融合特征向量进行损失计算，得到所述本地推荐模型的本地模型参数；

将所述本地模型参数发送给服务器端；

从所述服务器端下载全局模型参数；其中，所述全局模型参数是所述服务器端根据多个所述客户端发送的本地模型参数对预设的原始模型参数进行更新得到；

根据已下载的所述全局模型参数更新所述本地模型参数，以训练所述本地推荐模型。

2.根据权利要求1所述的训练方法，其特征在于，所述通过所述本地推荐模型的神经网络对所述目标行为数据进行特征提取，得到目标行为隐式特征，并通过所述神经网络对所述目标推荐数据进行特征提取，得到目标项目隐式特征的步骤，包括：

对所述目标行为数据进行嵌入处理，得到目标行为嵌入向量，并对所述目标推荐数据进行嵌入处理，得到目标推荐嵌入向量；

对所述目标行为嵌入向量进行变维处理，得到所述目标行为隐式特征，并对所述目标推荐嵌入向量进行变维处理，得到所述目标推荐隐式特征。

3.根据权利要求1或2所述的训练方法，其特征在于，所述根据所述目标融合特征向量进行损失计算，得到所述本地推荐模型的本地模型参数的步骤，包括：

根据所述目标融合特征向量进行评分预测，得到候选项目对应的推荐分值；

通过预设的损失函数对所述推荐分值进行损失计算，得到所述本地推荐模型的本地模型参数。

4.根据权利要求3所述的训练方法，其特征在于，所述根据所述目标融合特征向量进行评分预测，得到候选项目对应的推荐分值的步骤，包括：

根据预设的维度参数对所述目标融合特征向量进行变维处理，得到变维特征向量；

对所述变维特征向量进行关注度计算，得到所述变维特征向量对应的关注度；

对所述变维特征向量和所述关注度进行向量相乘，得到加权特征向量；

通过预设函数对所述加权特征向量进行评分预测，得到候选项目对应的推荐分值。

5.一种推荐模型的训练方法，其特征在于，应用于服务器端，所述方法包括：

将预设的原始模型参数发送给客户端；

获取多个所述客户端的公共用户数据和多个所述客户端发送的本地模型参数；其中所述本地模型参数是所述客户端对所述原始模型参数进行更新得到；

根据所述本地模型参数和所述公共用户数据，对本地的全局推荐模型进行训练，得到全局模型参数；其中，所述全局模型参数用于供所述客户端下载，以使所述客户端根据已下载的所述全局模型参数更新所述本地模型参数。

6.一种推荐方法，其特征在于，应用于客户端，所述方法包括：

获取目标用户的当前用户数据；

将所述当前用户数据输入至本地推荐模型中进行预测处理，得到推荐列表，其中，所述本地推荐模型根据如权利要求1至4任一项所述的训练方法训练得到；

将所述推荐列表推送给所述目标用户。