(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111554681.2 (22)申请日 2021.12.17 (71)申请人 深圳童尔家教育咨询有限公司 地址 518129 广东省深圳市龙岗区坂田街 道大发埔社区吉华路698号嘉御豪园1 栋1C-912 (72)发明人 周晓惠　 (74)专利代理 机构 深圳市六加知识产权代理有 限公司 4 4372 代理人 刘力 (51)Int.Cl. G06Q 30/06(2012.01) G06N 20/00(2019.01) (54)发明名称 一种基于联邦学习的商品推荐方法及系统 (57)摘要 本申请公开了一种基于联邦学习的商品推 荐方法， 包括： 云服务器获取商品购买参数， 所述 商品购买参数包括购买商品用户的ID、 购买时间 段、 购买次数及购买地点； 基于所述商品购买参 数， 确定商品购买的时空序列与用户满意度； 基 于所述时空序列与所述用户满意度， 通过联邦学 习模型确定所述商品与所述用户的匹配程度； 获 取所述用户的用户画像， 基于所述商品与所述用 户的匹配程度以及所述用户画 像， 确定所述商品 高关联用户特征； 基于所述商品高关联用户特 征， 推荐所述商品至与所述购买商品用户的相似 用户。 权利要求书2页 说明书8页 附图2页 CN 114331600 A 2022.04.12 CN 114331600 A 1.一种基于联邦学习的商品推荐方法， 其特 征在于， 包括： 云服务器获取商品购买参数， 所述商品购买参数包括购买商品用户的ID、 购买时间段、 购买次数及 购买地点； 基于所述商品购买参数， 确定商品购买的时空序列 与用户满意度； 基于所述 时空序列与 所述用户满意度， 通过联邦学习模型确定所述商品与 所述用户的 匹配程度； 获取所述用户的用户画像， 基于所述商品与所述用户的匹配程度以及所述用户画像， 确定所述商品高关联用户特 征； 基于所述商品高关联用户特 征， 推荐所述商品至与所述购买商品用户的相似用户。 2.根据权利要求1所述的方法， 其特征在于， 所述基于所述时空序列与所述用户满意 度， 通过联邦学习模型确定所述商品与所述用户的匹配程度， 包括： 建立联邦学习模型； 接受所述联邦学习模型的邀请， 将所述时空序列输入所述联邦学习模型， 预测所述用 户下一周期内购买所述商品的概 率； 基于所述用户满意度和所述用户下一周期内购买所述商品的概率， 确定所述商 品与所 述用户的匹配程度。 3.根据权利要求2所述的方法， 其特 征在于， 所述建立联邦学习模型， 包括： 多个与所述购买地点对应的服务器作为参与方， 各自从中心服务器下载机器学习模 型； 所述每个参与方利用本地数据训练模型， 加密梯度上传给中心服务器， 所述中心服务 器聚合各参与方的梯度更新模型参数； 所述中心服 务器返回更新后的所述机器学习模型 给各参与方； 所述各参与方 更新各自的机器学习模型。 4.根据权利要求2所述的方法， 其特征在于， 所述将所述 时空序列输入所述联邦学习 模 型， 预测所述用户下一周期内购买所述商品的概 率， 包括： 获取所述多个购买地点对应的多个购买时间段， 将所述多个地点的多个购买时间段分 别输入对应的联邦学习模型中， 分别计算所述用户在下一周期内， 在多个购买地点中购买 所述商品的概 率。 5.根据权利要求4所述的方法， 其特征在于， 分别计算所述用户在下一周期内， 在多个 购买地点中购买所述商品的概 率， 包括： 采用线性回归、 对数几率回归、 Softmax回归和朴素贝叶斯分类器的一种或几种的组合 来计算所述用户在下一周期内， 在多个购买地 点中购买所述商品的概 率。 6.根据权利要求4所述的方法， 其特征在于， 分别计算所述用户在下一周期内， 在多个 购买地点中购买所述商品的概 率， 包括： 根据公式计算出在多个购买地 点中购买所述商品的概 率L： L＝ht(xt,gt)+λ ∫Sv(f(xt,gt),g)dx 其中， x为空间参数， t为时间参数， g为基真值， ht()为分类函数， Sv()为级联函数， f() 为回归函数， λ为校正系数。 7.根据权利要求4所述的方法， 其特征在于， 所述分别计算所述用户在下一周期内， 在权　利　要　求　书 1/2 页 2 CN 114331600 A 2多个购买地 点中购买所述商品的概 率之后， 所述方法还 包括： 设置与所述购买地点对应的权重， 并将所述多个购买地点中购买所述商 品的概率进行 加权和操作， 确定下一周期内最终购买所述商品的概 率。 8.根据权利要求2所述的方法， 其特征在于， 所述商品购买参数还包括场景化参数， 则 所述将所述时空序列输入所述联邦学习模型， 预测所述用户下一周期内购买所述商品的概 率， 包括： 获取所述多个购买地点对应的多个购买时间段， 并获取所述多个购买时间段对应的场 景化参数； 将所述多个地点和对应的多个购买时间段分别输入第 一联邦学习 模型中， 获取所述用 户在下一周期内， 在多个购买地 点中购买所述商品的第一 概率； 将所述多个购买时间段和对应的场景化参数分别 输入第二联邦学习模型中， 获取所述 用户在下一周期内， 在多个场景中购买所述商品的第二 概率； 将所述第一概率和所述第二概率进行概率耦合， 获取所述用户在下一周期内， 在多个 地点、 多个场景中购买所述商品的第三 概率。 9.根据权利要求8所述的方法， 其特征在于， 所述商品购买参数还包括设备ID， 则所述 将所述时空序列输入所述联邦学习模型， 预测所述用户下一周期内购买所述商品的概率， 包括： 将所述多个购买时间段和对应的设备ID分别 输入第三联邦学习 模型中， 获取所述用户 在下一周期内， 在多个设备ID中购买所述商品的第四概 率； 将所述第 三概率和第四概率进行概率耦合， 获取所述用户在下一周期内， 在多个地点、 多个场景和多个设备ID中购买所述商品的第五概 率。 10.一种系统， 其特征在于， 包括存储器和处理器， 所述存储器上存储有计算机可执行 指令， 所述处理器运行所述存储器上的计算机可执行指 令时实现权利要求 1至9任一项所述 的方法。权　利　要　求　书 2/2 页 3 CN 114331600 A 3