推荐模型的训练方法、推荐方法和装置、电子设备及介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种推荐模型的训练方法、推荐方法和装置、电子设备及介质。

背景技术

目前的推荐系统在进行推荐时，常常是通过用户的兴趣偏好来进行推荐，而推荐系统往往由于无法获取到全面的用户数据，从而只能针对不同兴趣偏好的用户采取不同的推荐模型进行推荐。因此，需要对推荐系统的多个不同推荐模型进行训练，训练效率低，且由于缺乏足够的训练数据而影响推荐模型的训练效果，因此，如何提高模型的训练效果，成为了亟待解决的技术问题。

发明内容

本申请实施例的主要目的在于提出一种推荐模型的训练方法、推荐方法和装置、电子设备及介质，旨在提高模型的训练效果。

为实现上述目的，本申请实施例的第一方面提出了一种推荐模型的训练方法，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。

在一些实施例，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。

在一些实施例，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。

在一些实施例，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。

为实现上述目的，本申请实施例的第二方面提出了一种推荐模型的训练方法，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。

为实现上述目的，本申请实施例的第三方面提出了一种推荐方法，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第一方面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。

为实现上述目的，本申请实施例的第四方面提出了一种推荐模型的训练装置，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，所述装置包括：

目标用户数据获取模块，用于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；

特征提取模块，用于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；

特征融合模块，用于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；

损失计算模块，用于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；

参数发送模块，用于将所述本地模型参数发送给所述服务器端；

参数下载模块，用于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；

训练模块，用于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。

为实现上述目的，本申请实施例的第五方面提出了一种推荐装置，所述装置包括：

当前用户数据获取模块，用于获取目标用户的当前用户数据；

预测模块，用于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第一方面所述的训练方法训练得到；

推送模块，用于将所述推荐列表推送给所述目标用户。

为实现上述目的，本申请实施例的第六方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现上述第一方面所述的方法，或者第二方面所述的方法，或者第三方面所述的方法。

为实现上述目的，本申请实施例的第七方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面所述的方法，或者第二方面所述的方法，或者第三方面所述的方法。

本申请提出的推荐模型的训练方法、推荐方法、推荐模型的训练装置、推荐装置、电子设备及存储介质，其通过获取目标用户的目标用户数据；其中，目标用户数据包括目标用户的目标行为数据和目标推荐数据，通过本地推荐模型的神经网络对目标行为数据进行特征提取，得到目标行为隐式特征，并通过神经网络对目标推荐数据进行特征提取，得到目标项目隐式特征，并通过本地推荐模型对推荐项目数据进行特征提取，得到项目隐式特征向量，能够通过深度学习模型对目标用户较为复杂的行为数据进行提取，以便在模型训练过程中融入图像、视频、音频以及文本等多样化的异构数据。进一步地，通过本地推荐模型的注意力机制对目标行为隐式特征和目标项目隐式特征进行特征融合，得到目标融合特征向量，根据目标融合特征向量进行损失计算，得到本地推荐模型的本地模型参数，通过在本地推荐模型引入注意力机制，能够有效地优化本地推荐模型的注意参数，提高获取到的本地模型参数的准确性。最后，将本地模型参数发送给服务器端，从服务器端下载全局模型参数，并根据已下载的全局模型参数更新本地模型参数，来训练本地推荐模型，通过联邦建模的方式能够有效地避免客户端的本地推荐模型出现过拟合问题，同时，将注意力机制与联邦推荐学习相结合，能够提高模型的训练效果。

附图说明

图1是本申请实施例提供的推荐模型的训练方法的流程图；

图2是图1中的步骤S102的流程图；

图3是图1中的步骤S104的流程图；

图4是图3中的步骤S301的流程图；

图5是本申请实施例提供的推荐模型的训练方法的另一流程图；

图6是本申请实施例提供的推荐方法的流程图；

图7是本申请实施例提供的推荐模型的训练装置的结构示意图；

图8是本申请实施例提供的推荐装置的结构示意图；

图9是本申请实施例提供的电子设备的硬件结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

首先，对本申请中涉及的若干名词进行解析：

人工智能(Artificial Intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

自然语言处理(Natural Language Processing，NLP)：NLP用计算机来处理、理解以及运用人类语言(如中文、英文等)，NLP属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。

信息抽取(Information Extraction)：从自然语言文本中抽取指定类型的实体、关系、事件等事实信息，并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的，例如句子、段落、篇章，文本信息正是由一些小的具体的单位构成的，例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取，当然，文本信息抽取技术所抽取的信息可以是各种类型的信息。

联邦学习(Federated Learning)：又名联合学习，联盟学习。联邦学习是一个机器学习框架，能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和机器学习建模。联邦学习作为分布式的机器学习范式,可以有效解决数据孤岛问题,让参与方在不共享数据的基础上联合建模,能从技术上打破数据孤岛,实现AI协作。联邦学习有三大构成要素：数据源、联邦学习系统、用户。在联邦学习系统下，各个数据源方进行数据预处理，共同建立及其学习模型，并将输出结果反馈给用户。

注意力机制(Attention Mechanism)：注意力机制可以使得神经网络具备专注于其输入(或特征)子集的能力，选择特定的输入，可以应用于任何类型的输入而不管其形状如何。在计算能力有限情况下，注意力机制是解决信息超载问题的主要手段的一种资源分配方案，将计算资源分配给更重要的任务。

目前的推荐系统在进行推荐时，常常是通过用户的兴趣偏好来进行推荐，而推荐系统往往由于无法获取到全面的用户数据，从而只能针对不同兴趣偏好的用户采取不同的推荐模型进行推荐。因此，需要对推荐系统的多个不同推荐模型进行训练，训练效率低，且由于缺乏足够的训练数据而影响推荐模型的训练效果因此，如何提高模型的训练效果，成为了亟待解决的技术问题。

基于此，本申请实施例提供了一种推荐模型的训练方法、推荐方法、推荐模型的训练装置、推荐装置、电子设备及存储介质，旨在提高模型的训练效果。

本申请实施例提供的推荐模型的训练方法、推荐方法、推荐模型的训练装置、推荐装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的推荐模型的训练方法。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

本申请实施例提供的推荐模型的训练方法，涉及人工智能技术领域。本申请实施例提供的推荐模型的训练方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现推荐模型的训练方法的应用等，但并不局限于以上形式。

本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本申请实施例的推荐模型和推荐方法适用于联邦推荐系统，在联邦推荐系统中，用U表示所有用户(user)的集合，用I表示所有项目(item)的集合，根据用户隐私偏好将用户分为两种类型：同意与服务器共享个人数据的用户称为公共用户，其数据储存在发布商的服务器中，记为U

图1是本申请实施例提供的推荐模型的训练方法的一个可选的流程图，应用于客户端，客户端存储有预先训练的本地推荐模型，图1中的方法可以包括但不限于包括步骤S101至步骤S107。

步骤S101，获取目标用户的目标用户数据；其中，目标用户数据包括目标用户的目标行为数据和目标推荐数据；

步骤S102，通过本地推荐模型的神经网络对目标行为数据进行特征提取，得到目标行为隐式特征，并通过神经网络对目标推荐数据进行特征提取，得到目标项目隐式特征；

步骤S103，通过本地推荐模型的注意力机制对目标行为隐式特征和目标项目隐式特征进行特征融合，得到目标融合特征向量；

步骤S104，根据目标融合特征向量进行损失计算，得到本地推荐模型的本地模型参数；

步骤S105，将本地模型参数发送给服务器端；

步骤S106，从服务器端下载全局模型参数；其中，全局模型参数是服务器端根据多个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；

步骤S107，根据已下载的全局模型参数更新本地模型参数，以训练本地推荐模型。

本申请实施例所示意的步骤S101至步骤S107，通过本地推荐模型的神经网络对目标行为数据进行特征提取，得到目标行为隐式特征，并通过神经网络对目标推荐数据进行特征提取，得到目标项目隐式特征，并通过本地推荐模型对推荐项目数据进行特征提取，得到项目隐式特征向量，能够通过深度学习模型对目标用户较为复杂的行为数据进行提取，以便在模型训练过程中融入图像、视频、音频以及文本等多样化的异构数据。通过本地推荐模型的注意力机制对目标行为隐式特征和目标项目隐式特征进行特征融合，得到目标融合特征向量，根据目标融合特征向量进行损失计算，得到本地推荐模型的本地模型参数，通过在本地推荐模型引入注意力机制，能够有效地优化本地推荐模型的注意参数，提高获取到的本地模型参数的准确性。最后将本地模型参数发送给服务器端，从服务器端下载全局模型参数，并根据已下载的全局模型参数更新本地模型参数，来训练本地推荐模型，通过联邦建模的方式能够有效地避免客户端的本地推荐模型出现过拟合问题，同时，将注意力机制与联邦推荐相结合，能够提高模型的训练效果。

需要说明的是，在本申请的各个具体实施方式中，当涉及到需要根据用户信息、用户行为数据，用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关国家和地区的相关法律法规和标准。此外，当本申请实施例需要获取用户的目标个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明确获得用户的单独许可或者单独同意之后，再获取用于使本申请实施例能够正常运行的必要的用户相关数据。

在一些实施例的步骤S101中，可以通过编写网络爬虫,设置好数据源之后对客户端内的数据进行有目标性地爬取，得到目标用户的目标用户数据。也可以通过其他方式获取目标用户的目标用户数据，不限于此，其中，目标用户数据包括目标用户的目标行为数据和目标推荐数据，目标行为数据包括目标用户的点击率、浏览时长等数据，目标推荐数据是指推荐过给目标用户的数据，目标推荐数据包括图像内容、文本内容等数据。

请参阅图2，在一些实施例中，步骤S102可以包括但不限于包括步骤S201至步骤S202：

步骤S201，对目标行为数据进行嵌入处理，得到目标行为嵌入向量，并对目标推荐数据进行嵌入处理，得到目标推荐嵌入向量；

步骤S202，对目标行为嵌入向量进行变维处理，得到目标行为隐式特征，并对目标推荐嵌入向量进行变维处理，得到目标推荐隐式特征。

在一些实施例的步骤S201中，通过预设的word2vec算法对目标行为数据进行词嵌入处理，将目标行为数据映射到预设的数学空间，得到目标行为嵌入向量。同样地，通过预设的word2vec算法对目标推荐数据进行词嵌入处理，将目标推荐数据映射到预设的数学空间，得到目标推荐嵌入向量。

在一些实施例的步骤S202中，对目标行为嵌入向量进行变维处理，将高维空间的嵌入向量压缩到低维空间，得到低维的目标行为隐式特征。同样地，对目标推荐嵌入向量进行变维处理，将高维空间的嵌入向量压缩到低维空间，得到低维的目标推荐隐式特征。

在一个具体实施例中，对某一客户端内的目标行为数据和目标推荐数据进行特征提取的过程可以如公式(1)和公式(2)所示：

其中，U

通过这一特征提取过程可以将嵌入的用户数据和项目数据压缩成低维隐向量，从而更好地捕捉用户和项目之间的特征交互信息，能够降低模型的训练成本。

在一些实施例的步骤S103中，本地推荐模型的注意力机制可以通过注意力的概率分布捕捉到关键输入对输出产生的影响，通过引入注意力机制，本地推荐模型能够关注到不同方面的推荐信息，例如，推荐页面主题、推荐页面样式等等。本地推荐模型的注意力机制对目标行为隐式特征和目标项目隐式特征进行特征融合的具体过程主要包括特征提取和注意力计算两部分，具体地，在特征提取阶段，将神经网络输出的目标行为隐式特征和目标推荐隐式特征融入注意力机制，得到用户和项目之间的目标融合特征向量φ

在一个具体实施例中，对某一客户端内的目标行为隐式特征和目标项目隐式特征进行特征融合的具体过程可以如公式(3)所示：

其中，U

请参阅图3，在一些实施例中，步骤S104可以包括但不限于包括步骤S301至步骤S302：

步骤S301，根据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；

步骤S302，通过预设的损失函数对推荐分值进行损失计算，得到本地推荐模型的本地模型参数。

请参阅图4，在一些实施例中，步骤S301可以包括但不限于包括步骤S401至步骤S404：

步骤S401，根据预设的维度参数对目标融合特征向量进行变维处理，得到变维特征向量；

步骤S402，对变维特征向量进行关注度计算，得到变维特征向量对应的关注度；

步骤S403，对变维特征向量和关注度进行向量相乘，得到加权特征向量；

步骤S404，通过预设函数对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。

在一些实施例的步骤S401中，将目标融合特征向量变维至m维向量空间中，得到m维的变维特征向量H

在一些实施例的步骤S402中，通过预设的预测函数对变维特征向量进行关注度计算，例如，预测函数可以为softmax函数，将m维的变维特征向量H

在一些实施例的步骤S403中，对变维特征向量H

在一些实施例的步骤S404中，预设函数为Sigmoid函数，通过Sigmoid函数对加权特征向量A

在一些实施例的步骤S302中，预设的损失函数可以根据最小化交叉熵误差来定义，对推荐分值进行损失计算的过程可以表示如公式(4)所示，根据计算得到的损失值

其中，N为候选项目的数量。

在一些实施例的步骤S105中，通过联邦推荐系统将本地模型参数发送给服务器端，使得服务器端能够聚合所有客户端的本地模型权重参数，同时使用公共用户的公共用户数据训练得到一个全局排名模型和全局排名模型的全局模型参数。

具体地，在全局排名模型训练时，将所有客户端的本地模型权重参数和公共用户数据作为训练数据输入预设的原始模型，通过预设的损失函数对训练数据进行损失计算，得到模型损失值，通过模型损失值进行参数微调，并进行多次迭代计算，从而使得模型损失值处于预设的取值范围内，完成模型的训练，得到全局排名模型。通过训练后的全局排名模型对所有客户端的本地模型权重参数进行微调处理，得到新的模型权重参数，将这一系列新的模型权重参数作为全局模型参数。

在一些实施例的步骤S106中，通过联邦推荐系统从服务器端下载全局模型参数；其中，全局模型参数是服务器端根据多个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。

需要说明的是，在一些具体实施例中，根据应用场景和实际数据的情况，全局排名模型和本地推荐模型均可以训练为基于注意力机制的深度神经网络(Deep NeuralNetwork,DNN)、卷积神经网络(Convolutional Neural Network,CNN)、循环神经网络(Recurrent Neural Network,RNN)、和图神经网络(Graph Neural Network,GNN)等多种深度学习的推荐模型，不做限制。

在一些实施例的步骤S107中，根据已下载的全局模型参数更新本地模型参数，从而训练本地推荐模型。具体地，在根据下载的全局模型参数更新本地模型参数时，同样可以引入注意力机制来对本地推荐模型进行训练，优化每一个推荐项目的注意参数，使得本地推荐模型的模型参数最优，使得本地推荐模型能够满足个性化需求。

具体地，在根据已下载的全局模型参数更新本地模型参数，训练本地推荐模型时，再次获取目标用户的行为数据和推荐数据，根据获取到的行为数据和推荐数据进行模型训练，该训练过程与上述步骤S102、步骤S103的数据处理过程基本一致，在此不再赘述。

本申请实施例的推荐模型的训练方法，其通过获取目标用户的目标用户数据；其中，目标用户数据包括目标用户的目标行为数据和目标推荐数据，通过本地推荐模型的神经网络对目标行为数据进行特征提取，得到目标行为隐式特征，并通过神经网络对目标推荐数据进行特征提取，得到目标项目隐式特征，并通过本地推荐模型对推荐项目数据进行特征提取，得到项目隐式特征向量，能够通过深度学习模型对目标用户较为复杂的行为数据进行提取，以便在模型训练过程中融入图像、视频、音频以及文本等多样化的异构数据。进一步地，通过本地推荐模型的注意力机制对目标行为隐式特征和目标项目隐式特征进行特征融合，得到目标融合特征向量，根据目标融合特征向量进行损失计算，得到本地推荐模型的本地模型参数，通过在本地推荐模型引入注意力机制，能够有效地优化本地推荐模型的注意参数，提高获取到的本地模型参数的准确性。最后，将本地模型参数发送给服务器端，从服务器端下载全局模型参数，并根据已下载的全局模型参数更新本地模型参数，来训练本地推荐模型。由于每个目标用户(例如私人用户)的数据样本数量有限，并且大多数目标用户只有少量新数据样本，通过联邦建模的方式能够有效地避免客户端的本地推荐模型在训练时出现过拟合问题。此外，手机或平板电脑等客户端的电池和计算能力有限，每个客户端在训练过程中只需要上传特定的用户数据即可实现模型的训练，能够有效地节省计算资源同时，将注意力机制与联邦推荐学习相结合，能够提高模型的训练效果。

图5是本申请实施例提供的推荐模型的训练方法的另一个可选的流程图，应用于服务器端，图5中的方法可以包括但不限于包括步骤S501至步骤S503。

步骤S501，将预设的原始模型参数发送给客户端；

步骤S502，获取多个客户端的公共用户数据和多个客户端发送的本地模型参数；其中本地模型参数是客户端对原始模型参数进行更新得到；

步骤S503，根据本地模型参数和公共用户数据，对本地的全局推荐模型进行训练，得到全局模型参数；其中，全局模型参数用于供客户端下载，以使客户端根据已下载的全局模型参数更新本地模型参数。

在一些实施例的步骤S501中，服务器端通过网络通信的方式将预设的原始模型参数发送给客户端，从而使得客户端能够通过原始模型参数对本地推荐模型进行初始化操作。

在一些实施例的步骤S502中，在本地推荐模型对获取到的目标用户数据进行处理，生成本地模型参数之后，服务器端通过网络通信的方式获取多个客户端的公共用户数据和多个客户端发送的本地模型参数，其中，公共用户数据可以直接在存储在服务器端，以便服务器端随时调用提取，客户端的本地模型参数则需要以通信的方式从客户端获取，通过这一方式进行数据获取，能够降低通信成本。

在一些实施例的步骤S503中，服务器端对本地模型参数和公共用户数据进行聚合处理，将聚合处理得到的参数作为训练数据，将训练数据输入预设的原始模型，通过预设的损失函数对训练数据进行损失计算，得到模型损失值，通过模型损失值进行参数微调，并进行多次迭代计算，从而使得模型损失值处于预设的取值范围内，完成模型的训练，得到全局排名模型。通过训练后的全局排名模型对所有客户端的本地模型权重参数进行微调处理，得到新的模型权重参数，将这一系列新的模型权重参数作为全局模型参数。

本申请实施例的推荐模型的训练方法，其通过获取公共用户数据以及客户端输出的本地模型参数，能够同时融合公共用户数据和目标用户数据进行模型的训练，有效地解决了本地推荐模型由于样本数据过程，训练过程容易出现过拟合的问题，通过服务器端能够较为方便地对所有用户数据进行处理分析，并引入注意机制对全局模型参数进行注意力调节，以确定最优的全局模型参数，将注意力机制与联邦推荐学习相结合，能够提高模型的训练效果。

图6是本申请实施例提供的推荐方法的一个可选的流程图，应用于客户端，图6中的方法可以包括但不限于包括步骤S601至步骤S603。

步骤S601，获取目标用户的当前用户数据；

步骤S602，将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，本地推荐模型根据如第一方面实施例的训练方法训练得到；

步骤S603，将推荐列表推送给目标用户。

在一些实施例的步骤S601中，可以通过编写网络爬虫,设置好数据源之后对客户端内的数据进行有目标性地爬取，得到目标用户的当前用户数据。也可以通过其他方式获取目标用户的当前用户数据，不限于此，其中，当前用户数据包括目标用户的当前行为数据和当前推荐数据，当前行为数据包括目标用户的点击率、浏览时长等数据，不同于目标用户数据的是，当前用户数据是当前用户在当前产生的点击率、浏览时长，目标用户数据中的点击率、浏览时长是目标用户的历史数据；当前推荐数据包括图像内容、文本内容等数据。

在一些实施例的步骤S602中，将当前用户数据输入至本地推荐模型中，通过本地推荐模型对当前用户数据进行特征提取，得到当前行为隐式特征和当前推荐隐式特征；进一步地，通过本地推荐模型的注意力机制对当前行为隐式特征和当前推荐隐式特征进行特征融合，得到当前融合特征向量。通过预设函数(如softmax函数等)对当前融合特征向量进行推荐评分，得到每一预设推荐项目对应的推荐分值，根据推荐分值对预设推荐项目进行降序排列，得到推荐列表。

在一些实施例的步骤S603中，将推荐列表直接推送给目标用户，或者选取推荐列表中较为靠前的项目推送给目标用户，从而在实现个性化推荐的同时，降低通信成本。

本申请实施例的推荐方法，通过获取当前用户数据，其中，当前用户数据包括目标用户的当前行为数据和当前推荐数据，通过本地推荐模型对当前行为数据和当前推荐数据，能够通过深度学习的方式对本地用户较为复杂的行为数据进行提取，以便在推荐过程中融入图像、视频、音频以及文本等多样化的异构数据。进一步地，通过本地推荐模型的注意力机制对当前行为隐式特征和当前推荐隐式特征进行特征融合，得到当前融合特征向量，并通过预设函数对当前融合特征向量进行推荐评分，在推荐评分过程中引入了注意力机制，能够关注到不同推荐项目或者推荐页面的重要信息，降低无关信息对推荐过程的影响。最后，根据推荐分值对预设推荐项目进行降序排列，得到推荐列表，并将推荐列表推送给目标用户。这一方式将注意力机制融入深度学习的联邦推荐系统中，与相关技术中的低级嵌入模型相比，注意力机制能够通过对关注事物的不同部分赋予不同的权重，从而降低其它无关部分的作用，在预测过程中能够得到更加符合用户偏好的推荐结果，提高了推荐准确性以及推荐系统的推荐性能。

请参阅图7，本申请实施例还提供一种推荐模型的训练装置，应用于客户端，客户端存储有预先训练的本地推荐模型，可以实现上述推荐模型的训练方法，该装置包括：

目标用户数据获取模块701，用于获取目标用户的目标用户数据；其中，目标用户数据包括目标用户的目标行为数据和目标推荐数据；

特征提取模块702，用于通过本地推荐模型的神经网络对目标行为数据进行特征提取，得到目标行为隐式特征，并通过神经网络对目标推荐数据进行特征提取，得到目标项目隐式特征；

特征融合模块703，用于通过本地推荐模型的注意力机制对目标行为隐式特征和目标项目隐式特征进行特征融合，得到目标融合特征向量；

损失计算模块704，用于根据目标融合特征向量进行损失计算，得到本地推荐模型的本地模型参数；

参数发送模块705，用于将本地模型参数发送给服务器端；

参数下载模块706，用于从服务器端下载全局模型参数；其中，全局模型参数是服务器端根据多个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；

训练模块707，用于根据已下载的全局模型参数更新本地模型参数，以训练本地推荐模型。

在一些实施例中，特征提取模块702，包括：

嵌入单元，用于对目标行为数据进行嵌入处理，得到目标行为嵌入向量，并对目标推荐数据进行嵌入处理，得到目标推荐嵌入向量；

第一变维单元，用于对目标行为嵌入向量进行变维处理，得到目标行为隐式特征，并对目标推荐嵌入向量进行变维处理，得到目标推荐隐式特征。

在一些实施例中，损失计算模块704，包括：

第二变维单元，用于根据预设的维度参数对目标融合特征向量进行变维处理，得到变维特征向量；

第一计算单元，用于对变维特征向量进行关注度计算，得到变维特征向量对应的关注度；

第二计算单元，用于对变维特征向量和关注度进行向量相乘，得到加权特征向量；

预测单元，用于通过预设函数对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。

第三计算单元，用于通过预设的损失函数对推荐分值进行损失计算，得到本地推荐模型的本地模型参数。

该推荐模型的训练装置的具体实施方式与上述推荐模型的训练方法的具体实施例基本相同，在此不再赘述。

请参阅图8，本申请实施例还提供一种推荐装置，可以实现上述推荐方法，该装置包括：

当前用户数据获取模块801，用于获取目标用户的当前用户数据；

预测模块802，用于将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，本地推荐模型根据如第一方面的训练方法训练得到；

推送模块803，用于将推荐列表推送给目标用户。

该推荐装置的具体实施方式与上述推荐方法的具体实施例基本相同，在此不再赘述。

本申请实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述推荐模型的训练方法或者推荐方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。

请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：

处理器901，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；

存储器902，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本申请实施例的推荐模型的训练方法或者推荐方法；

输入/输出接口903，用于实现信息输入及输出；

通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；

总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；

其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。

本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述推荐模型的训练方法或者推荐方法。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

本申请实施例提供的推荐模型的训练方法、推荐方法、推荐模型的训练装置、推荐装置、电子设备及存储介质，其通过获取目标用户的目标用户数据；其中，目标用户数据包括目标用户的目标行为数据和目标推荐数据，通过本地推荐模型的神经网络对目标行为数据进行特征提取，得到目标行为隐式特征，并通过神经网络对目标推荐数据进行特征提取，得到目标项目隐式特征，并通过本地推荐模型对推荐项目数据进行特征提取，得到项目隐式特征向量，能够通过深度学习模型对目标用户较为复杂的行为数据进行提取，以便在模型训练过程中融入图像、视频、音频以及文本等多样化的异构数据。进一步地，通过本地推荐模型的注意力机制对目标行为隐式特征和目标项目隐式特征进行特征融合，得到目标融合特征向量，根据目标融合特征向量进行损失计算，得到本地推荐模型的本地模型参数，通过在本地推荐模型引入注意力机制，能够有效地优化本地推荐模型的注意参数，提高获取到的本地模型参数的准确性。最后，将本地模型参数发送给服务器端，从服务器端下载全局模型参数，并根据已下载的全局模型参数更新本地模型参数，来训练本地推荐模型，通过联邦建模的方式能够有效地避免客户端的本地推荐模型出现过拟合问题，同时，将注意力机制与联邦推荐学习相结合，能够提高模型的训练效果。

本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本领域技术人员可以理解的是，图1-4、图5、图6中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。

以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。