基于联邦学习的产品信息推荐方法、装置、设备及介质

技术领域

本公开涉及数据处理技术领域，尤其涉及基于联邦学习的产品信息推荐方法、装置、设备及介质。

背景技术

随着互联网技术的发展，信息从匮乏步入过载，在这种时代背景下，信息越来越难展示给真正对它感兴趣的用户，普通用户也很难从大量的信息中找到自身感兴趣的内容，一般通过对海量信息进行分析，并以推荐的方式向用户展示其可能感兴趣的信息，连接用户和信息，创造价值。

在数据安全及隐私保护等限制下，如何通过合规的手段，从海量信息中将用户感兴趣的产品信息精准的推荐给用户是一个亟待解决的问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开提供基于联邦学习的产品信息推荐方法、装置、设备及介质，至少可以在数据安全及隐私保护等限制下，将用户感兴趣的产品信息精准的推荐给用户。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

第一方面，本公开中的实施例提供一种基于联邦学习的产品信息推荐方法，所述方法包括：

根据第一参与方的用户/产品交互数据，获取联邦学习中第一参与方的用户/产品交互矩阵，以及获取所述第一参与方对应的产品嵌入矩阵，所述产品嵌入矩阵是预先通过联邦学习训练得到的；

根据所述产品嵌入矩阵和用户/产品交互矩阵，确定所述第一参与方的用户产品偏好矩阵；

向第二参与方发起联邦学习协同请求，接收所述第二参与方根据所述联邦学习协同请求返回的用户社交偏好矩阵；其中，所述用户社交偏好矩阵为所述第二参与方根据所述第二参与方的用户/用户社交矩阵和所述第二参与方对应的用户嵌入矩阵确定的；所述第二参与方对应的用户嵌入矩阵是预先通过联邦学习训练得到的；所述用户/用户社交矩阵为根据所述第二参与方的用户/用户社交数据得到的；

基于所述用户产品偏好矩阵、所述用户社交偏好矩阵和所述产品嵌入矩阵，对所述第一参与方中用户的产品偏好信息进行预测，得到预测结果矩阵，以基于所述产品偏好信息推荐产品信息；其中，所述产品偏好信息为预测用户对产品存在偏好的信息。

在本公开的一个实施例中，所述方法还包括：

通过所述第一参与方的用户/产品交互训练数据和所述第二参与方的用户/用户社交训练数据，对初始产品嵌入矩阵和初始用户嵌入矩阵进行联邦学习训练，得到训练预测结果差值；其中，所述初始产品嵌入矩阵为未进行联邦学习训练的产品嵌入矩阵；所述初始用户嵌入矩阵为未进行联邦学习训练的产品嵌入矩阵；

基于所述训练预测结果差值，对所述初始产品嵌入矩阵梯度更新，调整联邦学习训练过程中的参数，直至联邦协同训练损失值满足第一预设值，得到已训练的产品嵌入矩阵；

向所述第二参与方发送梯度更新信息，以使所述第二参与方根据所述梯度更新信息中的梯度更新矩阵，对所述初始用户嵌入矩阵进行梯度更新，得到已训练的用户嵌入矩阵；所述梯度更新信息为根据所述训练预测结果差值和所述产品嵌入矩阵确定的。

在本公开的一个实施例中，所述通过所述第一参与方的用户/产品交互训练数据和所述第二参与方的用户/用户社交训练数据，对初始产品嵌入矩阵和初始用户嵌入矩阵进行联邦学习训练，得到训练预测结果差值，包括：

根据第一参与方的用户/产品交互训练数据，确定所述第一参与方的用户/产品交互训练矩阵；

基于所述用户/产品交互训练矩阵，随机生成初始产品嵌入矩阵；

向所述第二参与方发起联邦学习训练请求，使得所述第二参与方根据所述用户/用户社交训练数据，建立用户/用户社交训练矩阵，以及基于所述用户/用户社交训练矩阵，随机生成初始用户嵌入矩阵；

从所述第一参与方中抽取用户样本，基于用户/产品交互训练矩阵索引所述用户样本，得到所述用户样本对应的用户/产品交互训练矩阵样本；

将所述用户样本同步至所述第二参与方，使得所述第二参与方构建所述用户样本对应的用户/用户社交训练矩阵样本，以及索引所述用户样本对应的用户嵌入矩阵样本；

根据所述用户/产品交互训练矩阵样本和初始产品嵌入矩阵，确定用户产品偏好训练矩阵；

获取基于所述联邦学习训练请求，所述第二参与方返回的用户社交偏好训练矩阵；其中，用户社交偏好训练矩阵为根据所述用户/用户社交训练矩阵样本和所述用户嵌入矩阵样本确定的；

基于所述用户产品偏好训练矩阵和所述用户社交偏好训练矩阵，得到训练预测结果；

根据所述用户/产品交互训练矩阵样本，生成用户/产品交互训练正负样本矩阵；其中，所述用户/产品交互训练正负样本矩阵为将所述用户/产品交互训练矩阵样本中所述用户样本与产品之间的随机部分值由0置为1得到的；

根据所述训练预测结果、所述用户/产品交互训练正负样本矩阵和所述用户/产品交互训练矩阵样本，确定训练预测结果差值。

在本公开的一个实施例中，所述向所述第二参与方发送梯度更新信息，以使所述第二参与方根据所述梯度更新信息中的梯度更新矩阵，对所述初始用户嵌入矩阵进行梯度更新，得到已训练的用户嵌入矩阵，包括：

向所述第二参与方发送梯度更新信息，以使所述第二参与方根据所述梯度更新矩阵，确定用户更新梯度值；其中，所述用户更新梯度值为根据所述用户/用户社交训练数据抽取的训练样本对应的初始用户嵌入矩阵样本的更新梯度值；

根据所述更新梯度值和用户/用户社交训练矩阵样本，对初始用户嵌入矩阵进行梯度更新，得到已训练的用户嵌入矩阵；所述用户/用户社交训练矩阵样本为根据所述用户/用户社交训练数据抽取的训练样本对应的矩阵。

在本公开的一个实施例中，所述第一参与方的用户产品偏好矩阵如下：

其中，P

在本公开的一个实施例中，所述第二参与方的用户社交偏好矩阵如下：

其中，P

在本公开的一个实施例中，所述基于所述用户产品偏好矩阵、所述用户社交偏好矩阵和所述产品嵌入矩阵，对所述第一参与方中用户的产品偏好信息进行预测，得到预测结果矩阵，包括：

通过安全矩阵乘算法，将所述用户社交偏好矩阵与所述产品嵌入矩阵的转置相乘，得到安全矩阵乘结果；

根据所述用户产品偏好矩阵、所述产品嵌入矩阵的转置以及所述安全矩阵乘结果，确定所述预测结果矩阵。

在本公开的一个实施例中，所述基于所述产品偏好信息推荐产品信息，包括：

检测待推荐用户浏览产品信息界面，从所述预测结果矩阵中索引所述待推荐用户的产品偏好信息；

在所述产品信息界面，根据所述待推荐用户的产品偏好信息推荐产品信息。

在本公开的一个实施例中，所述基于所述产品偏好信息推荐产品信息，包括：

通过所述预测结果矩阵，确定所述第一参与方中的目标产品偏好信息；所述目标产品偏好信息为所述第一参与方中产品偏好信息对应的用户数量位于预设范围内的产品偏好信息；

根据所述目标产品偏好信息，在产品信息界面推荐目标产品信息。

第二方面，本公开中的实施例提供一种基于联邦学习的产品信息推荐装置，所述装置包括：

获取单元，用于根据第一参与方的用户/产品交互数据，获取联邦学习中第一参与方的用户/产品交互矩阵，以及获取所述第一参与方对应的产品嵌入矩阵，所述产品嵌入矩阵是预先通过联邦学习训练得到的；

确定单元，用于根据所述产品嵌入矩阵和用户/产品交互矩阵，确定所述第一参与方的用户产品偏好矩阵；

联邦协同单元，用于向第二参与方发起联邦学习协同请求，接收所述第二参与方根据所述联邦学习协同请求返回的用户社交偏好矩阵；其中，所述用户社交偏好矩阵为所述第二参与方根据所述第二参与方的用户/用户社交矩阵和所述第二参与方对应的用户嵌入矩阵确定的；所述第二参与方对应的用户嵌入矩阵是预先通过联邦学习训练得到的；所述用户/用户社交矩阵为根据所述第二参与方的用户/用户社交数据得到的；

预测推荐单元，用于基于所述用户产品偏好矩阵、所述用户社交偏好矩阵和所述产品嵌入矩阵，对所述第一参与方中用户的产品偏好信息进行预测，得到预测结果矩阵，以基于所述产品偏好信息推荐产品信息；其中，所述产品偏好信息为预测用户对产品存在偏好的信息。

在本公开的一个实施例中，所述预测推荐单元，还用于：

通过安全矩阵乘算法，将所述用户社交偏好矩阵与所述产品嵌入矩阵的转置相乘，得到安全矩阵乘结果；

根据所述用户产品偏好矩阵、所述产品嵌入矩阵的转置以及所述安全矩阵乘结果，确定所述预测结果矩阵。

在本公开的一个实施例中，所述基于联邦学习的产品信息推荐装置，还包括：

训练单元，用于通过所述第一参与方的用户/产品交互训练数据和所述第二参与方的用户/用户社交训练数据，对初始产品嵌入矩阵和初始用户嵌入矩阵进行联邦学习训练，得到训练预测结果差值；其中，所述初始产品嵌入矩阵为未进行联邦学习训练的产品嵌入矩阵；所述初始用户嵌入矩阵为未进行联邦学习训练的产品嵌入矩阵；

基于所述训练预测结果差值，对所述初始产品嵌入矩阵梯度更新，并调整联邦学习训练过程中的参数，

直至联邦协同训练损失值满足第一预设值，得到已训练的产品嵌入矩阵；

向所述第二参与方发送梯度更新信息，以使所述第二参与方根据所述梯度更新信息中的梯度更新矩阵，对所述初始用户嵌入矩阵进行梯度更新，得到已训练的用户嵌入矩阵；所述梯度更新信息为根据所述训练预测结果差值和所述产品嵌入矩阵确定的。

在本公开的一个实施例中，所述训练单元，还用于：

根据第一参与方的用户/产品交互训练数据，确定所述第一参与方的用户/产品交互训练矩阵；

基于所述用户/产品交互训练矩阵，随机生成初始产品嵌入矩阵；

向所述第二参与方发起联邦学习训练请求，使得所述第二参与方根据所述用户/用户社交训练数据，建立用户/用户社交训练矩阵，以及基于所述用户/用户社交训练矩阵，随机生成初始用户嵌入矩阵；

从所述第一参与方中抽取用户样本，基于用户/产品交互训练矩阵索引所述用户样本，得到所述用户样本对应的用户/产品交互训练矩阵样本；

将所述用户样本同步至所述第二参与方，使得所述第二参与方构建所述用户样本对应的用户/用户社交训练矩阵样本，以及索引所述用户样本对应的用户嵌入矩阵样本；

根据所述用户/产品交互训练矩阵样本和初始产品嵌入矩阵，确定用户产品偏好训练矩阵；

获取基于所述联邦学习训练请求，所述第二参与方返回的用户社交偏好训练矩阵；其中，用户社交偏好训练矩阵为根据所述用户/用户社交训练矩阵样本和所述用户嵌入矩阵样本确定的；

基于所述用户产品偏好训练矩阵和所述用户社交偏好训练矩阵，得到训练预测结果；

根据所述用户/产品交互训练矩阵样本，生成用户/产品交互训练正负样本矩阵；其中，所述用户/产品交互训练正负样本矩阵为将所述用户/产品交互训练矩阵样本中所述用户样本与产品之间的随机部分值由0置为1得到的；

根据所述训练预测结果、所述用户/产品交互训练正负样本矩阵和所述用户/产品交互训练矩阵样本，确定所述训练预测结果差值。

在本公开的一个实施例中，所述训练单元，还用于：

向所述第二参与方发送梯度更新信息，以使所述第二参与方根据所述梯度更新矩阵，确定用户更新梯度值；其中，所述用户更新梯度值为根据所述用户/用户社交训练数据抽取的训练样本对应的初始用户嵌入矩阵样本的更新梯度值；

根据所述更新梯度值和用户/用户社交训练矩阵样本，对初始用户嵌入矩阵进行梯度更新，得到已训练的用户嵌入矩阵；所述用户/用户社交训练矩阵样本为根据所述用户/用户社交训练数据抽取的训练样本对应的矩阵。

在本公开的一个实施例中，所述预测推荐单元，还用于：

检测待推荐用户浏览产品信息界面，从所述预测结果矩阵中索引所述待推荐用户的产品偏好信息；

在所述产品信息界面，根据所述待推荐用户的产品偏好信息推荐产品信息。

在本公开的一个实施例中，所述预测推荐单元，还用于：

通过所述预测结果矩阵，确定所述第一参与方中的目标产品偏好信息；所述目标产品偏好信息为所述第一参与方中产品偏好信息对应的用户数量位于预设范围内的产品偏好信息；

根据所述目标产品偏好信息，在产品信息界面推荐目标产品信息。

第三方面，本公开实施例提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述的第一方面中所述的方法。

第四方面，本公开实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的第一方面中所述的方法。

第五方面，根据本公开的另一个方面，还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述任一项所述的方法。

本公开的实施例所提供的一种基于联邦学习的产品信息推荐方法，通过第一参与方和第二参与方以联邦学习协同过滤的方式对用户偏好的产品信息进行预测，在保护数据安全及隐私的前提下，利用用户与用户的社交网络数据信息，提升了为用户推荐其感兴趣的产品信息的准确性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出本公开实施例中一种产品信息推荐系统的结构示意图；

图2示出本公开实施例中一种产品信息推荐方法的流程示意图；

图3示出本公开实施例中一种安全矩阵乘算法的流程示意图；

图4示出本公开实施例中一种通过联邦学习协同预测过程的流程示意图；

图5示出本公开实施例中一种训练产品嵌入矩阵和用户嵌入矩阵的流程示意图；

图6示出本公开实施例中一种通过联邦学习训练过程的流程示意图；

图7示出本公开实施例中一种产品信息推荐装置的结构示意图；

图8示出本公开实施例中一种电子设备的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

需要注意的是，本公开技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定，本公开实施例中获取的个人、客户和人群等相关的个人身份数据、操作数据、行为数据等多种类型的数据，均已获得授权。

由于现有技术中，用户和产品之间的交互数据和用户与用户之间的社交网络数据往往落在不同的机构中，受法律法规限制，无法集中建模。导致无法准确的预测到用户感兴趣的产品信息，并向用户进行精准推荐。

所以，本公开提供一种基于联邦学习的产品信息推荐方法，通过第一参与方的用户/产品交互数据和第二参与方的用户/用户社交数据，以及已训练的产品嵌入矩阵和已训练的用户嵌入矩阵，通过联邦学习协同过滤的方式，对第一参与方中用户的产品偏好信息进行预测，得到预测结果矩阵，用于为第一参与方中的用户更精准的推荐用户偏好的产品信息。通过上述方式，可以在保护数据安全及隐私的前提下，利用用户/用户社交数据，提高为用户推荐产品信息的精准度。

本公开中的基于联邦学习的产品信息推荐方法可以应用于电子设备，也可以应用产品信息推荐系统。

图1示出了可以应用于本公开实施例的产品信息推荐系统的示意图。

如图1所示，产品信息推荐系统100可以包括终端设备101，网络102和服务器103。

网络102用以在终端设备101和服务器103之间提供通信链路的介质，可以是有线网络，也可以是无线网络。

可选地，上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也可以是任何网络，包括但不限于局域网(Local Area Network，LAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合)。在一些实施例中，使用包括超文本标记语言(Hyper Text Mark-up Language，HTML)、可扩展标记语言(ExtensibleMarkupLanguage，XML)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(Secure Socket Layer，SSL)、传输层安全(Transport Layer Security，TLS)、虚拟专用网络(Virtual Private Network，VPN)、网际协议安全(InternetProtocolSecurity，IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中，还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。

终端设备101可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机、可穿戴设备、增强现实设备、虚拟现实设备等。

可选地，不同的终端设备101中安装的应用程序的客户端是相同的，或基于不同操作系统的同一类型应用程序的客户端。基于终端平台的不同，该应用程序的客户端的具体形态也可以不同，比如，该应用程序客户端可以是手机客户端、PC客户端等。

服务器103可以是提供各种服务的服务器，例如对用户利用终端设备101所进行操作的装置提供支持的后台管理服务器。后台管理服务器可以对接收到的请求等数据进行分析等处理，并将处理结果反馈给终端设备。

可选地，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、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(Content Delivery Network，内容分发网络)、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。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本公开在此不做限制。

本领域技术人员可以知晓，图1中的终端设备、网络和服务器的数量仅仅是示意性的，根据实际需要，可以具有任意数目的终端设备、网络和服务器。本公开实施例对此不作限定。

下面结合附图及实施例对本示例实施方式进行详细说明。

首先，本公开实施例中提供了一种基于联邦学习的产品信息推荐方法，该方法可以由任意具备计算处理能力的电子设备执行，下述过程中以电子设备为服务器为例。

本公开实施例中提供了一种基于联邦学习的产品信息推荐方法，利用联邦学习的方式，通过第一参与方和第二参与方进行协同，来预测符合用户偏好的产品信息，并为用户进行推荐。

参与方在本公开中可以理解为企业或机构，其中，第一参与方指的是具备用户与产品之间交互数据的一方，第二参与方指的是具备用户与用户之间的交互数据的一方。

图2示出本公开实施例中一种基于联邦学习的产品信息推荐方法的流程示意图，如图2所示，本公开实施例中提供的基于联邦学习的产品信息推荐方法，包括如下步骤：

S202：根据第一参与方的用户/产品交互数据，获取联邦学习中第一参与方的用户/产品交互矩阵，以及获取第一参与方对应的产品嵌入矩阵。

其中，用户/产品交互数据可以理解为用户与产品之间产生交互的数据信息。

产品在本公开中可以为商品或者服务，例如，在某些应用软件中购买的手机，衣服等，也可以是某些应用软件中的理财方式，或者保险产品等。上述内容仅是举例说明。

其中，产品嵌入矩阵是预先通过联邦学习训练得到的。

在一种可能的实施例中，通过第一参与方的用户/产品交互数据，构建用户与产品之间的交互矩阵，也就是用户/产品交互矩阵R，其中，用户/产品交互矩阵R可以为N×M阶的矩阵，其中，N表示用户数量；M表示产品数量。

在用户/产品交互矩阵中，可以以用户是否购买过产品来表示是否存在历史交互记录。例如，若用户A购买过产品A，则用户A与产品A存在历史交互记录，说明用户A对产品A感兴趣，在矩阵中通过1来表示。若某一个用户对某一个产品不存在历史交互记录，则在矩阵中通过0来表示，说明产品A并非用户A感兴趣的产品。

获取到的M×D阶的产品嵌入矩阵Q；其中，M表示产品数量，D表示产品嵌入矩阵的特征维数。产品嵌入矩阵是产品的embedding表示。

用户/产品交互矩阵与产品嵌入矩阵中的产品数量相同。下述内容中以R表示用户/产品交互矩阵，以Q表示产品嵌入矩阵。

S204：根据产品嵌入矩阵和用户/产品交互矩阵，确定第一参与方的用户产品偏好矩阵。

在一种可能的实施例中，确定用户产品偏好矩阵的公式如下：

其中，P

S206：向第二参与方发起联邦学习协同请求，接收第二参与方根据联邦学习协同请求返回的用户社交偏好矩阵。

其中，第二参与方对应的用户嵌入矩阵是预先通过联邦学习训练得到的。

需要说明的是，用户/用户社交矩阵为根据第二参与方的用户/用户社交数据得到的。用户/用户社交数据可以理解为用户与用户之间社交信息。

其中，用户/用户社交矩阵S，可以为N×N

其中，N表示用户数量，与用户/产品交互矩阵R中的N个用户是相同的用户；N

用户嵌入矩阵通过P表示，为N×D维的矩阵，N表示用户数量，D表示产品嵌入矩阵的特征维数。用户嵌入矩阵是用户的embedding表示。

用户社交偏好矩阵为第二参与方根据第二参与方的用户/用户社交矩阵和第二参与方对应的用户嵌入矩阵确定的，具体公式如下：

其中，P

S208：基于用户产品偏好矩阵、用户社交偏好矩阵和产品嵌入矩阵对第一参与方中用户的产品偏好信息进行预测，得到预测结果矩阵，以基于产品偏好信息推荐产品信息。

其中，产品偏好信息为预测用户对产品存在偏好的信息。

在一种可能的实施例中，通过上述用户产品偏好矩阵和用户社交偏好矩阵确定预测结果矩阵的公式如下：

其中，

具体地，在确定预测结果矩阵的过程中，会涉及到P

具体处理过程包括：通过安全矩阵乘算法，将用户社交偏好矩阵与产品嵌入矩阵的转置相乘，得到安全矩阵乘结果；安全矩阵乘结果即为：SMM(P

如图3所示，其中图3中的x，y表示输入到安全矩阵中的两个矩阵，a，b，c，e，f等表示的是在安全矩阵乘运算过程中使用的加密参数，最终得到的结果即为xy相乘，结果不变。

通过安全矩阵乘的方式对P

通过上述预测过程，可以得到预测结果矩阵，再根据预测结果矩阵中用户的产品偏好信息，来进行推荐产品信息即可。

需要说明的是，产品偏好信息为预测用户对产品存在偏好的信息，即得到的预测结果矩阵中用户对该产品的向量表示为1，则说明该用户对该产品感兴趣，存在偏好，推荐时就可以将该产品的产品信息推荐给用户了。

根据预测结果矩阵中包含的信息丰富，最终可以通过预测结果矩阵中包含的信息为用户提供不同的产品信息推荐方式，推荐的方式可以有多种。通过下述两个实施例提供两种产品信息的推荐方式。

实施例1：第一参与方中的产品是商品，第二参与方为包括用户社群信息的社交点评网站。

则通过实施例1中的第一参与方和第二参与方得到预测结果矩阵之后，通过预测结果矩阵中包含的信息，可以有针对性的为待推荐用户推荐商品。

具体地，检测待推荐用户浏览产品信息界面，从预测结果矩阵中索引待推荐用户的产品偏好信息，在待推荐用户浏览的产品信息界面根据待推荐用户的产品偏好信息显示产品信息。

预测结果矩阵中包括第一参与方中全部用户对应的产品偏好信息，当针对某一个用户进行推荐时，则可以从预测结果矩阵中索引出该用户的产品偏好信息，当检测到该用户使用某个应用软件浏览产品时，则可以进行推荐。

示例性地，用户A通过电商应用软件购买商品，当用户打开软件浏览商品时，从预测结果矩阵中索引用户A的产品偏好信息，并将用户A感兴趣的产品推荐到产品信息界面中。

实施例2：第一参与方中的产品若是某某银行的理财产品，第二参与方为多个理财论坛。

则通过实施例2中的第一参与方和第二参与方得到预测结果矩阵之后，通过预测结果矩阵中包含的信息，为全部用户推荐理财产品。

具体地，通过预测结果矩阵，确定第一参与方中的目标产品偏好信息，根据目标产品偏好信息，在产品信息界面推荐目标产品信息。

其中，目标产品偏好信息为第一参与方中产品偏好信息对应的用户数量位于预设范围内的产品偏好信息。

上述目标产品偏好信息可以理解为，根据预测结果矩阵中全部用户的产品偏好信息，选出全部用户都感兴趣的前十个产品，为所有用户推荐。

其中，筛选前十个产品的方式可以通过对产品感兴趣的用户的个数来进行筛选。示例性地，若产品为理财产品，则从预测结果矩阵中选择出十个感兴趣的用户数量最多的理财产品，为所有用户进行推荐。

上述通过联邦学习，协同第一参与方和第二参与方进行预测的过程可以通过图4所示的结构示意图表示。

如图4所示，第一参与方获取用户/产品交互矩阵和产品嵌入矩阵，第二参与方获取用户/用户社交矩阵和用户嵌入矩阵，第一参与方向第二参与方发起联邦学习协同请求之后，在联邦学习协同模块中对用户产品偏好矩阵和用户社交偏好矩阵进行处理，可以得到预测结果矩阵。

通过训练好的产品嵌入矩阵和用户嵌入矩阵，可以在利用用户与产品的统计相关性的基础上，在利用用户与用户之间的物理相关性，通过引入物理相关性，更加准确的对第一参与方中的用户画像进行建模，得到更加精准的预测结果矩阵，提升推荐产品信息的性能。

上述过程中使用的已训练的用户嵌入矩阵和已训练的产品嵌入矩阵时通过下述方式进行训练的，如图5所示。训练过程包括如下步骤：

S502：根据第一参与方的用户/产品交互训练数据，确定第一参与方的用户/产品交互训练矩阵。

S504：基于用户/产品交互训练矩阵，随机生成初始产品嵌入矩阵。

在一种可能的实施例中，用户/产品交互训练矩阵使用R′表示，对应的维数也可以为N

S506：向第二参与方发起联邦学习训练请求，使得第二参与方建立用户/用户社交训练矩阵，以及基于用户/用户社交训练矩阵，随机生成初始用户嵌入矩阵。

在一种可能的实施例中，用户/用户社交训练矩阵通过S′表示，维数为N

初始用户嵌入矩阵通过P′表示，维数为N

S508：从第一参与方中抽取用户样本，基于用户/产品交互训练矩阵索引用户样本，得到用户样本对应的用户/产品交互训练矩阵样本。

在一种可能的实施例中，从第一参与方中参加训练的训练数据中抽取部分用户样本U

S510：将用户样本同步至第二参与方，使得第二参与方构建用户样本对应的用户/用户社交训练矩阵样本，以及索引用户样本对应的用户嵌入矩阵样本。

在一种可能的实施例中，在第二参与方中索引相同的用户样本U

其中，索引得到的用户样本对应的用户嵌入矩阵样本通过P

S512：根据用户/产品交互训练矩阵样本和初始产品嵌入矩阵，确定用户产品偏好训练矩阵。

S514：获取基于联邦学习训练请求，第二参与方返回的用户社交偏好训练矩阵。

其中，用户社交偏好训练矩阵为根据用户/用户社交训练矩阵样本和用户嵌入矩阵样本确定的。

S516：基于用户产品偏好训练矩阵和用户社交偏好训练矩阵，得到训练预测结果。

在一种可能的实施例中，上述训练过程中确定用户产品偏好训练矩阵、用户社交偏好训练矩阵，以及训练预测结果的具体方式与使用过程中的相同，此处不在进行多余赘述，直接得到结果。

用户产品偏好训练矩阵通过

S518：根据用户/产品交互训练矩阵样本，生成用户/产品交互训练正负样本矩阵。

在一种可能的实施例中，为了使得训练的结果更加准确可信，在训练过程中，可以加入用户/产品交互训练正负样本矩阵。其中，用户/产品交互训练正负样本矩阵为将用户/产品交互训练矩阵样本中用户样本与产品之间的随机部分值由0置为1得到的。

上述得到用户/产品交互训练正负样本矩阵的过程可以理解为，将原本用户样本中用户与其感兴趣的产品之间的向量表示，由0变为1，也就是将用户不感兴趣的产品变为感兴趣的产品。以此来加大训练难度，增加偏差值。

S520：根据训练预测结果、用户/产品交互训练正负样本矩阵和用户/产品交互训练矩阵样本，确定训练预测结果差值。

在一种可能的实施例中，确定训练预测结果差值的具体公式如下：

其中，

通过上述公式，可以有效的表示出训练预测结果差值。

S522：基于训练预测结果差值，对初始产品嵌入矩阵梯度更新，调整训练过程中的参数，确定联邦协同训练损失值。

S524：判断联邦协同训练损失值是否满足第一预设值；若不满足，则基于梯度更新后的初始产品嵌入矩阵返回执行S508；若满足，则执行步骤S526。

S526：得到已训练的产品嵌入矩阵。

在一种可能的实施例中，此处实质上即为迭代训练过程的迭代处，通过下述内容对此处进行具体描述。

示例性地，针对迭代训练过程的第一次训练过程，确定第一次的训练预测结果差值之后，可以确定出第一次的训练预测结果差值对应的联邦协同训练损失值，根据第一次的训练预测结果差值，确定联邦协同训练损失值的具体公式如下：

其中，E

若此次联邦协同训练损失值不满足第一预设值，则通过训练预测结果差值对初始产品嵌入矩阵进行一次梯度更新。

对初始产品嵌入矩阵进行一次梯度更新的方式为，通过下述公式确定初始产品嵌入矩阵的第一产品梯度更新值，并通过第一产品梯度更新值对初始产品嵌入矩阵进行更新。

确定初始产品嵌入矩阵的第一产品梯度更新值的公式如下：

其中，grad

通过上述过程，迭代训练过程的第一次训练过程就结束了，最终根据第一次训练过程，可以得到第一迭代产品嵌入矩阵。

需要说明的是，第一迭代产品嵌入矩阵为经历过一次梯度更新的初始产品嵌入矩阵。需要理解的是，本公开中将迭代过程中经历每次梯度更新过程得到的产品嵌入矩阵称为迭代产品嵌入矩阵。

经历一次训练过程之后的初始产品嵌入矩阵，即为第一迭代产品嵌入矩阵。经历两次训练过程之后，有过两次梯度更新的初始产品嵌入矩阵，即为第二迭代产品嵌入矩阵。

在一种可能的实施例中，在第一次联邦协同训练损失值不满足第一预设值的情况下，进一步对联邦协同训练过程的迭代进行解释说明，进行第二次联邦协同训练过程，确定第二次联邦协同训练损失值的公式如下：

其中，loss

通过第二次联邦协同训练过程可以进一步确定第二次联邦协同训练损失值，若第二次联邦协同训练损失值满足第一预设值，则结束训练过程，若第二次联邦协同训练损失值不满足第一预设值，则对第一迭代产品嵌入矩阵进行梯度更新之后，进行第三次联邦协同训练过程。

通过上述训练过程，不断进行训练并更新迭代产品嵌入矩阵，直至联邦协同训练损失值满足第一预设值，当联邦协同训练损失值满足第一预设值时，以进行了n次迭代过程为例进行说明，则根据第n次迭代产品嵌入矩阵确定第n产品梯度更新值，并通过第n产品梯度更新值对第n次迭代产品嵌入矩阵进行梯度更新，即可得到最终的已训练的产品嵌入矩阵。

S528：向第二参与方发送梯度更新信息，以使第二参与方根据梯度更新信息中的梯度更新矩阵，对初始用户嵌入矩阵进行梯度更新，得到已训练的用户嵌入矩阵。

在一种可能的实施例中，对第二参与方中的初始用户嵌入矩阵进行梯度更新的过程具体包括：向第二参与方发送梯度更新信息，以使第二参与方根据梯度更新矩阵，确定初始用户嵌入矩阵样本的用户更新梯度值，并根据用户更新梯度值和用户/用户社交训练矩阵样本，对初始用户嵌入矩阵进行梯度更新，得到已训练的用户嵌入矩阵。

其中，梯度更新信息中的梯度更新矩阵为根据用户/产品交互训练正负样本矩阵、训练预测结果差值和已训练的产品嵌入矩阵确定的。

梯度更新矩阵具体包括：

具体地，第二参与方通过上述梯度更新矩阵，先确定初始用户嵌入矩阵样本P

其中，

通过用户更新梯度值再进行梯度更新，具体公式如下：

其中，grad

根据上述初始用户嵌入矩阵对应的梯度更新值对初始用户嵌入矩阵进行更新，即可得到已训练的用户嵌入矩阵。

需要理解的是，上述梯度更新过程实质都是计算过程。

通过联邦学习的方式，协同第一参与方和第二参与方进行训练，不仅可以保护两个参与方数据的隐私，还可以有效的保护数据的安全，基于此种方式进行训练得到的产品嵌入矩阵和用户嵌入矩阵是完全合规的。

并且，本公开在联邦协同训练过程中，使用梯度更新方式对初始产品嵌入矩阵进行迭代更新，无需限定其初始产品嵌入矩阵的值，可以随机生成，灵活性更高。

进一步地，协同第一参与方和第二参与方进行预测的过程可以通过图6所示的结构示意图表示。

图6中的训练过程，第一参与方和第二参与方通过联邦学习的方式协同训练的具体过程不在进行赘述，通过上述训练过程，可以认为是从用户与产品的交互历史中学习用户与产品之间的嵌入关系，可以认为是用户画像，即用户感兴趣的产品。可以认为用户画像可以分为两部分，从第一参与方的交互历史中学习得到用户偏好，是统计相关性；从第二参与方中的社交网络中学习得到社交偏好，有物理相关性，两者共同构成用户画像。

通过此过程，可以是的训练得到的嵌入矩阵更能够表征用户与产品之间的关系，在利用训练好的用户嵌入矩阵和产品嵌入矩阵进行预测和推荐时，准确度就变得更高了。

基于同一发明构思，本公开实施例中还提供了一种基于联邦学习的产品信息推荐装置，如下面的实施例。由于该装置实施例解决问题的原理与上述方法实施例相似，因此该装置实施例的实施可以参见上述方法实施例的实施，重复之处不再赘述。

图7示出本公开实施例中一种基于联邦学习的产品信息推荐装置的结构示意图，如图7所示，该基于联邦学习的产品信息推荐装置70包括：

获取单元701，用于根据第一参与方的用户/产品交互数据，获取联邦学习中第一参与方的用户/产品交互矩阵，以及获取第一参与方对应的产品嵌入矩阵，产品嵌入矩阵是预先通过联邦学习训练得到的；

确定单元702，用于根据产品嵌入矩阵和用户/产品交互矩阵，确定第一参与方的用户产品偏好矩阵；

联邦协同单元703，用于向第二参与方发起联邦学习协同请求，接收第二参与方根据联邦学习协同请求返回的用户社交偏好矩阵；其中，用户社交偏好矩阵为第二参与方根据第二参与方的用户/用户社交矩阵和第二参与方对应的用户嵌入矩阵确定的；第二参与方对应的用户嵌入矩阵是预先通过联邦学习训练得到的；用户/用户社交矩阵为根据第二参与方的用户/用户社交数据得到的；

预测推荐单元704，用于基于用户产品偏好矩阵、用户社交偏好矩阵和产品嵌入矩阵，对第一参与方中用户的产品偏好信息进行预测，得到预测结果矩阵，以基于产品偏好信息推荐产品信息；其中，产品偏好信息为预测用户对产品存在偏好的信息。

在本公开的一个实施例中，基于联邦学习的产品信息推荐装置，还包括：

训练单元705，用于通过第一参与方的用户/产品交互训练数据和第二参与方的用户/用户社交训练数据，对初始产品嵌入矩阵和初始用户嵌入矩阵进行联邦学习训练，得到训练预测结果差值；其中，初始产品嵌入矩阵为未进行联邦学习训练的产品嵌入矩阵；初始用户嵌入矩阵为未进行联邦学习训练的产品嵌入矩阵；

基于训练预测结果差值，对初始产品嵌入矩阵梯度更新，调整联邦学习训练过程中的参数，直至联邦协同训练损失值满足第一预设值，得到已训练的产品嵌入矩阵；

向第二参与方发送梯度更新信息，以使第二参与方根据梯度更新信息中的梯度更新矩阵，对初始用户嵌入矩阵进行梯度更新，得到已训练的用户嵌入矩阵；梯度更新信息为根据训练预测结果差值和产品嵌入矩阵确定的。

在本公开的一个实施例中，训练单元705，还用于：

根据第一参与方的用户/产品交互训练数据，确定第一参与方的用户/产品交互训练矩阵；

基于用户/产品交互训练矩阵，随机生成初始产品嵌入矩阵；

向第二参与方发起联邦学习训练请求，使得第二参与方根据用户/用户社交训练数据，建立用户/用户社交训练矩阵，以及基于用户/用户社交训练矩阵，随机生成初始用户嵌入矩阵；

从第一参与方中抽取用户样本，基于用户/产品交互训练矩阵索引用户样本，得到用户样本对应的用户/产品交互训练矩阵样本；

将用户样本同步至第二参与方，使得第二参与方构建用户样本对应的用户/用户社交训练矩阵样本，以及索引用户样本对应的用户嵌入矩阵样本；

根据用户/产品交互训练矩阵样本和初始产品嵌入矩阵，确定用户产品偏好训练矩阵；

获取基于联邦学习训练请求，第二参与方返回的用户社交偏好训练矩阵；其中，用户社交偏好训练矩阵为根据用户/用户社交训练矩阵样本和用户嵌入矩阵样本确定的；

基于用户产品偏好训练矩阵和用户社交偏好训练矩阵，得到训练预测结果；

根据用户/产品交互训练矩阵样本，生成用户/产品交互训练正负样本矩阵；其中，用户/产品交互训练正负样本矩阵为将用户/产品交互训练矩阵样本中用户样本与产品之间的随机部分值由0置为1得到的；

根据训练预测结果、用户/产品交互训练正负样本矩阵和用户/产品交互训练矩阵样本，确定训练预测结果差值。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图8来描述根据本公开的这种实施方式的电子设备800。图8显示的电子设备800仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图8所示，电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于：上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元810执行，使得所述处理单元810执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元810可以执行上述方法实施例中的如图2中的步骤。

存储单元820可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)8201和/或高速缓存存储单元8202，还可以进一步包括只读存储单元(ROM)8203。

存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204，这样的程序模块8205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线830可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备800也可以与一个或多个外部设备840(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备800交互的设备通信，和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。并且，电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器860通过总线830与电子设备800的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述任一项的基于联邦学习的产品信息推荐方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质可以是可读信号介质或者可读存储介质。其上存储有能够实现本公开上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

本公开中的计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

在本公开中，计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可选地，计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

在具体实施时，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

通过以上实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。