【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及人工智能，尤其涉及一種商品服務(wù)推薦方法及系統(tǒng)。
技術(shù)介紹
1、隨著信息技術(shù)和人工智能的快速發(fā)展，推薦系統(tǒng)已廣泛應(yīng)用于電商、視頻流媒體、在線教育、醫(yī)療健康等多個(gè)領(lǐng)域，成為改善用戶體驗(yàn)、提升平臺(tái)運(yùn)營(yíng)效率的重要工具。推薦系統(tǒng)通過分析用戶的歷史行為、偏好和特征，預(yù)測(cè)用戶的興趣，并向用戶推薦商品或服務(wù)。在此過程中，傳統(tǒng)推薦系統(tǒng)主要依賴協(xié)同過濾、矩陣分解以及基于深度學(xué)習(xí)的模型，如卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)和自注意力機(jī)制。
2、然而，這些傳統(tǒng)方法在實(shí)際應(yīng)用中面臨以下主要挑戰(zhàn)：首先是數(shù)據(jù)隱私問題，傳統(tǒng)推薦系統(tǒng)通常需要集中存儲(chǔ)用戶數(shù)據(jù)，以構(gòu)建全局模型。然而，集中式數(shù)據(jù)存儲(chǔ)可能引發(fā)隱私泄露、數(shù)據(jù)濫用和安全性問題。隨著用戶對(duì)數(shù)據(jù)隱私保護(hù)的要求日益提高，以及相關(guān)法律法規(guī)（如《通用數(shù)據(jù)保護(hù)條例(gdpr)》）的出臺(tái)，如何在保護(hù)數(shù)據(jù)隱私的前提下實(shí)現(xiàn)準(zhǔn)確的商品服務(wù)推薦，成為亟需解決的技術(shù)問題。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)提供一種商品服務(wù)推薦方法、系統(tǒng)、電子設(shè)備及存儲(chǔ)介質(zhì)，用以解決現(xiàn)有技術(shù)中的缺陷，在保護(hù)數(shù)據(jù)隱私的前提下實(shí)現(xiàn)準(zhǔn)確的商品服務(wù)推薦。
2、本專利技術(shù)提供一種商品服務(wù)推薦方法，應(yīng)用于客戶端，包括如下步驟：
3、獲取本地推薦模型，并將所述本地推薦模型上傳至服務(wù)終端；
4、接收由所述服務(wù)終端下發(fā)的全局推薦模型，所述全局推薦模型是所述服務(wù)終端對(duì)各個(gè)客戶端的本地推薦模型聚合后得到；
5、基于所述全局推薦模型對(duì)所述客戶端內(nèi)用戶的歷史交互行為
6、將所述初始候選推薦集和所述歷史交互行為數(shù)據(jù)集填充至預(yù)設(shè)提示詞模板，生成推薦提示詞；
7、將所述推薦提示詞輸入至大語言模型，得到所述大語言模型輸出的重排序推薦候選集；
8、對(duì)每個(gè)用戶的初始候選推薦集和重排序推薦候選集進(jìn)行相似度校驗(yàn)，篩除所述初始候選推薦集中不匹配的推薦項(xiàng)，輸出服務(wù)推薦結(jié)果。
9、根據(jù)本專利技術(shù)提供的一種商品服務(wù)推薦方法，所述本地推薦模型在所述客戶端訓(xùn)練得到，所述本地推薦模型的訓(xùn)練方法具體包括：
10、獲取客戶端內(nèi)全部用戶的歷史交互行為數(shù)據(jù)集；
11、將至少一個(gè)所述歷史交互行為數(shù)據(jù)集中的至少一個(gè)交互行為數(shù)據(jù)作為訓(xùn)練樣本，并將所述交互行為數(shù)據(jù)的下一個(gè)交互行為數(shù)據(jù)作為訓(xùn)練標(biāo)簽；
12、將所述訓(xùn)練樣本輸入至待訓(xùn)練模型，得到所述待訓(xùn)練模型輸出的預(yù)測(cè)交互行為數(shù)據(jù)；
13、根據(jù)全部所述訓(xùn)練標(biāo)簽和全部所述預(yù)測(cè)交互行為數(shù)據(jù)，構(gòu)建損失函數(shù)；
14、以最小化所述損失函數(shù)的值為訓(xùn)練目標(biāo)，對(duì)所述待訓(xùn)練模型進(jìn)行訓(xùn)練，得到所述本地推薦模型。
15、根據(jù)本專利技術(shù)提供的一種商品服務(wù)推薦方法，所述對(duì)每個(gè)用戶的初始候選推薦集和重排序推薦候選集進(jìn)行相似度校驗(yàn)，篩除所述初始候選推薦集中不匹配的推薦項(xiàng)，輸出服務(wù)推薦結(jié)果，具體包括：
16、將每個(gè)用戶的初始候選推薦集和重排序推薦候選集分別輸入至文本嵌入模型，得到每個(gè)用戶的第一嵌入數(shù)據(jù)集和第二嵌入數(shù)據(jù)集；
17、從所述第一嵌入數(shù)據(jù)集中選定任意一個(gè)第一嵌入向量，并確定所述第二嵌入數(shù)據(jù)集中與所述第一嵌入向量對(duì)應(yīng)的第二嵌入向量，并計(jì)算每個(gè)所述第一嵌入向量與對(duì)應(yīng)的所述第二嵌入向量之間的余弦相似度；
18、根據(jù)全部所述余弦相似度從每個(gè)所述初始候選推薦集中篩選出目標(biāo)推薦數(shù)據(jù)，得到每個(gè)用戶的推薦結(jié)果。
19、根據(jù)本專利技術(shù)提供的一種商品服務(wù)推薦方法，所述根據(jù)全部所述余弦相似度從每個(gè)所述初始候選推薦集中篩選出目標(biāo)推薦數(shù)據(jù)，得到每個(gè)用戶的推薦結(jié)果，具體包括：
20、從全部所述第一嵌入向量中確定至少一個(gè)目標(biāo)嵌入向量，所述目標(biāo)嵌入向量對(duì)應(yīng)的余弦相似度大于預(yù)設(shè)閾值；
21、從所述初始候選推薦集中篩選出與所述目標(biāo)嵌入向量對(duì)應(yīng)的目標(biāo)推薦數(shù)據(jù)，得到所述推薦結(jié)果。
22、本專利技術(shù)還提供一種商品服務(wù)推薦方法，應(yīng)用于服務(wù)終端，包括如下步驟：
23、接收由多個(gè)客戶端上傳的本地推薦模型；
24、將全部所述本地推薦模型進(jìn)行聚合，得到全局推薦模型，所述全局推薦模型用于對(duì)所述客戶端內(nèi)用戶的歷史交互行為數(shù)據(jù)集進(jìn)行處理，得到初始候選推薦集；
25、將所述全局推薦模型下發(fā)至各個(gè)所述客戶端，以使各個(gè)所述客戶端根據(jù)所述初始候選推薦集將所述初始候選推薦集和所述歷史交互行為數(shù)據(jù)集填充至預(yù)設(shè)提示詞模板，生成推薦提示詞，并將所述推薦提示詞輸入至大語言模型，得到所述大語言模型輸出的重排序推薦候選集，并對(duì)每個(gè)用戶的初始候選推薦集和重排序推薦候選集進(jìn)行相似度校驗(yàn)，篩除所述初始候選推薦集中不匹配的推薦項(xiàng)，輸出服務(wù)推薦結(jié)果。
26、根據(jù)本專利技術(shù)提供的一種商品服務(wù)推薦方法，所述將全部所述本地推薦模型進(jìn)行聚合，得到全局推薦模型，具體包括：
27、確定各個(gè)所述本地推薦模型的第一模型參數(shù)；
28、對(duì)全部所述第一模型參數(shù)求和后計(jì)算平均值，得到第二模型參數(shù)；
29、根據(jù)所述第二模型參數(shù)更新初始全局模型的參數(shù)，得到所述全局推薦模型。
30、本專利技術(shù)還提供一種商品服務(wù)推薦系統(tǒng)，應(yīng)用于客戶端，包括如下模塊：
31、上傳模塊，用于獲取本地推薦模型，并將所述本地推薦模型上傳至服務(wù)終端；
32、第一接收模塊，用于接收由所述服務(wù)終端下發(fā)的全局推薦模型，所述全局推薦模型是所述服務(wù)終端對(duì)各個(gè)客戶端的本地推薦模型聚合后得到；
33、第一處理模塊，用于基于所述全局推薦模型對(duì)所述客戶端內(nèi)用戶的歷史交互行為數(shù)據(jù)集進(jìn)行處理，得到初始候選推薦集；
34、第一處理模塊，還用于將所述初始候選推薦集和所述歷史交互行為數(shù)據(jù)集填充至預(yù)設(shè)提示詞模板，生成推薦提示詞；
35、第一處理模塊，還用于將所述推薦提示詞輸入至大語言模型，得到所述大語言模型輸出的重排序推薦候選集；
36、第一處理模塊，還用于對(duì)每個(gè)用戶的初始候選推薦集和重排序推薦候選集進(jìn)行相似度校驗(yàn)，篩除所述初始候選推薦集中不匹配的推薦項(xiàng)，輸出服務(wù)推薦結(jié)果。
37、本專利技術(shù)還提供一種商品服務(wù)推薦系統(tǒng)，應(yīng)用于服務(wù)終端，包括如下模塊：
38、第二接收模塊，用于接收由多個(gè)客戶端上傳的本地推薦模型；
39、第二處理模塊，用于將全部所述本地推薦模型進(jìn)行聚合，得到全局推薦模型，所述全局推薦模型用于對(duì)所述客戶端內(nèi)用戶的歷史交互行為數(shù)據(jù)集進(jìn)行處理，得到初始候選推薦集；
40、下發(fā)模塊，用于將所述全局推薦模型下發(fā)至各個(gè)所述客戶端，以使各個(gè)所述客戶端根據(jù)所述初始候選推薦集將所述初始候選推薦集和所述歷史交互行為數(shù)據(jù)集填充至預(yù)設(shè)提示詞模板，生成推薦提示詞，并將所述推薦提示詞輸入至大語言模型，得到所述大語言模型輸出的重排序推薦候選集，并對(duì)每個(gè)用戶的初始候選推薦集和重排序推薦候選集進(jìn)行相似度校驗(yàn)，篩除所述初始候選推薦集中不匹配的推薦項(xiàng)，輸出服務(wù)推薦結(jié)果。
41、本專利技術(shù)還提供一種電子本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種商品服務(wù)推薦方法，其特征在于，應(yīng)用于客戶端，包括：
2.根據(jù)權(quán)利要求1所述的商品服務(wù)推薦方法，其特征在于，所述本地推薦模型在所述客戶端訓(xùn)練得到，所述本地推薦模型的訓(xùn)練方法具體包括：
3.根據(jù)權(quán)利要求1所述的商品服務(wù)推薦方法，其特征在于，所述對(duì)每個(gè)用戶的初始候選推薦集和重排序推薦候選集進(jìn)行相似度校驗(yàn)，篩除所述初始候選推薦集中不匹配的推薦項(xiàng)，輸出服務(wù)推薦結(jié)果，具體包括：
4.根據(jù)權(quán)利要求3所述的商品服務(wù)推薦方法，其特征在于，所述根據(jù)全部所述余弦相似度從每個(gè)所述初始候選推薦集中篩選出目標(biāo)推薦數(shù)據(jù)，得到每個(gè)用戶的推薦結(jié)果，具體包括：
5.一種商品服務(wù)推薦方法，其特征在于，應(yīng)用于服務(wù)終端，包括：
6.根據(jù)權(quán)利要求5所述的商品服務(wù)推薦方法，其特征在于，所述將全部所述本地推薦模型進(jìn)行聚合，得到全局推薦模型，具體包括：
7.一種商品服務(wù)推薦系統(tǒng)，其特征在于，應(yīng)用于客戶端，包括：
8.一種商品服務(wù)推薦系統(tǒng)，其特征在于，應(yīng)用于服務(wù)終端，包括：
9.一種電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在所述存儲(chǔ)器
10.一種非暫態(tài)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1-4任一項(xiàng)所述商品服務(wù)推薦方法，或?qū)崿F(xiàn)如權(quán)利要求5-6任一項(xiàng)所述商品服務(wù)推薦方法。
11.一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1-4任一項(xiàng)所述商品服務(wù)推薦方法，或?qū)崿F(xiàn)如權(quán)利要求5-6任一項(xiàng)所述商品服務(wù)推薦方法。
...【技術(shù)特征摘要】
1.一種商品服務(wù)推薦方法，其特征在于，應(yīng)用于客戶端，包括：
2.根據(jù)權(quán)利要求1所述的商品服務(wù)推薦方法，其特征在于，所述本地推薦模型在所述客戶端訓(xùn)練得到，所述本地推薦模型的訓(xùn)練方法具體包括：
3.根據(jù)權(quán)利要求1所述的商品服務(wù)推薦方法，其特征在于，所述對(duì)每個(gè)用戶的初始候選推薦集和重排序推薦候選集進(jìn)行相似度校驗(yàn)，篩除所述初始候選推薦集中不匹配的推薦項(xiàng)，輸出服務(wù)推薦結(jié)果，具體包括：
4.根據(jù)權(quán)利要求3所述的商品服務(wù)推薦方法，其特征在于，所述根據(jù)全部所述余弦相似度從每個(gè)所述初始候選推薦集中篩選出目標(biāo)推薦數(shù)據(jù)，得到每個(gè)用戶的推薦結(jié)果，具體包括：
5.一種商品服務(wù)推薦方法，其特征在于，應(yīng)用于服務(wù)終端，包括：
6.根據(jù)權(quán)利要求5所述的商品服務(wù)推薦方法，其特征在于，所述將全部所述本地推薦模型進(jìn)行聚合，得到全局推薦模型，具體包括：
...【專利技術(shù)屬性】
技術(shù)研發(fā)人員：李梓宇，吳蘇桓，于騏澤，李偉平，莫同，
申請(qǐng)(專利權(quán))人：北京大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。