[发明专利]联邦推荐模型训练方法以及系统

说明书

本说明书实施例提供联邦推荐模型训练方法以及系统，其中所述联邦推荐模型训练方法包括：响应于至少两个客户端的联邦推荐模型训练任务的处理请求，确定每个客户端的训练迭代次数，并将所述联邦推荐模型的初始化参数及所述训练迭代次数分别对应发送至所述每个客户端，接收所述每个客户端加密上传的梯度信息及模型精度，其中，所述梯度信息及所述模型精度由每个客户端基于所述训练迭代次数及本地的历史对象推荐数据，对所述初始化参数进行迭代更新生成的更新结果确定，根据所述梯度信息及所述模型精度确定所述联邦推荐模型的目标参数，以基于所述目标参数生成所述联邦推荐模型。

技术领域

本说明书实施例涉及计算机技术领域，特别涉及一种联邦推荐模型训练方法。

背景技术

目前，推荐系统已经得到了普遍应用。然而，服务机构为了进一步提升推荐系统的整体效果，通常会采取直接的数据共享方式进行机构间的合作，这无疑使得用户的数据隐私安全得不到有效地保证。因此，亟需一种有效的方法以解决此类问题。

发明内容

有鉴于此，本说明书实施例提供了一种联邦推荐模型训练方法。本说明书一个或者多个实施例同时涉及一种联邦推荐模型训练系统，一种联邦推荐模型训练装置，一种计算设备，一种计算机可读存储介质以及一种计算机程序，以解决现有技术中存在的技术缺陷。

根据本说明书实施例的第一方面，提供了一种联邦推荐模型训练方法，应用于中心服务器，包括：

响应于至少两个客户端的联邦推荐模型训练任务的处理请求，确定每个客户端的训练迭代次数，并将所述联邦推荐模型的初始化参数及所述训练迭代次数分别对应发送至所述每个客户端；

接收所述每个客户端加密上传的梯度信息及模型精度，其中，所述梯度信息及所述模型精度由每个客户端基于所述训练迭代次数及本地的历史对象推荐数据，对所述初始化参数进行迭代更新生成的更新结果确定；

根据所述梯度信息及所述模型精度确定所述联邦推荐模型的目标参数，以基于所述目标参数生成所述联邦推荐模型。

可选地，所述确定每个客户端的训练迭代次数，并将所述联邦推荐模型的初始化参数及所述训练迭代次数分别对应发送至所述每个客户端，包括：

对待训练的联邦推荐模型的模型参数进行初始化，生成初始化参数；

设置每个客户端的第一迭代次数，并将所述初始化参数及所述第一迭代次数分别对应发送至所述每个客户端；

相应的，所述接收所述每个客户端加密上传的梯度信息及模型精度，包括：

接收所述每个客户端加密上传的第一梯度信息及第一模型精度。

可选地，所述根据所述梯度信息及所述模型精度确定所述联邦推荐模型的目标参数，包括：

根据所述每个客户端的所述第一梯度信息，确定所述每个客户端的模型贡献度；

根据所述模型贡献度确定所述联邦推荐模型的目标参数。

可选地，所述根据所述每个客户端的所述第一梯度信息，确定所述每个客户端的模型贡献度，包括：

根据所述第一梯度信息进行模型聚合，生成第一中间联邦推荐模型；

将所述第一梯度信息进行加和平均，生成所述第一中间联邦推荐模型的第一目标梯度信息；

基于所述每个客户端的第一梯度信息在所述第一目标梯度信息的投影值，确定所述每个客户端的第一模型贡献度。

可选地，所述基于所述每个客户端的第一梯度信息在所述第一目标梯度信息的投影值，确定所述每个客户端的第一模型贡献度，包括：

对所述每个客户端的第一梯度信息在所述第一目标梯度信息的投影值进行求和，生成第一计算结果；