(19)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 202211042967.7 (22)申请日 2022.08.29 (71)申请人 中国银行股份有限公司 地址 100818 北京市西城区复兴门内大街1 号 (72)发明人 夏雪　郭群　周庆鹏　霍丽娟　 李玉林　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 专利代理师 张东梅 (51)Int.Cl. G06Q 30/06(2012.01) G06N 20/00(2019.01) G06F 21/60(2013.01) (54)发明名称 产品推荐方法及装置、 存 储介质及电子设备 (57)摘要 本发明提供了一种 产品推荐 方法及装置、 存 储介质及电子设备， 可应用于 金融领域或其他领 域， 其中， 可以先获取用户的用户数据； 利用产品 推荐模型对用户数据进行处理， 获得产品推荐结 果； 输出产品推荐结果； 产品推荐模型的训练过 程为： 获取第一产品推荐模型和第一样本数据； 根据第一产品推荐模型和第一样本数据生成第 一中间结果； 根据第一中间结果以及第二加密中 间结果， 生成第一加密梯度； 第二加密中间结果 由联邦学习系统的第二参与方对第二中间结果 加密得到； 将第一加密梯度发往 所述联邦学习系 统的中间方， 获得第一梯度； 根据中间方解密得 到的第一梯度对所述第一产品推荐模型的模型 参数进行更新， 获得训练好的产品模型。 能够提 高推荐结果精度。 权利要求书2页 说明书8页 附图2页 CN 115358826 A 2022.11.18 CN 115358826 A 1.一种产品推荐方法， 其特征在于， 应用于联邦学习系统的第一参与方， 所述方法包 括： 响应于推荐指令， 获取 所述推荐指令对应的用户的用户数据； 利用预先训练好的产品推荐模型对所述用户数据进行处 理， 获得产品推荐结果； 输出所述产品推荐结果； 其中， 所述产品推荐模型的训练过程， 包括： 获取第一产品推荐模型和第一样本数据； 所述第一样本数据包括历史产品信息、 历史 在线用户信息以及历史用户行为标签数据中的至少一种； 根据所述第一产品推荐模型和所述第一样本数据生成第一中间结果； 根据所述第 一中间结果以及接收到的第 二加密中间结果， 生成所述第 一产品推荐模型 的第一加密梯度； 所述第二加密中间结果由所述联邦学习系统的第二参与方对第二中间结 果加密得到； 所述第二中间结果由所述第二参与方根据第二产品推荐模型以及第二样本数 据生成； 所述第二样本数据为所述第二 参与方的本地数据； 将所述第一加密梯度发往所述联邦学习系统 的中间方， 使得所述联邦学习系统 的中间 方对所述第一加密 梯度进行解密， 获得第一梯度； 根据所述中间方解密得到的第 一梯度对所述第 一产品推荐模型的模型参数进行更新， 并判断更新后的所述第一产品推荐模型 是否满足预设的训练完成条件； 在更新后的所述第 一产品推荐模型满足预设的训练完成条件的情况下， 将满足所述训 练完成条件的所述第一产品推荐模型， 确定为训练好的产品推荐模型。 2.根据权利要求1所述的方法， 其特 征在于， 获取第一样本数据的过程， 包括： 获取原始样本数据； 应用预设的邻近算法对所述原 始样本数据进行 预处理， 获得第一样本数据。 3.根据权利要求1所述的方法， 其特征在于， 所述根据所述第 一产品推荐模型和所述第 一样本数据生成第一中间结果之后， 还 包括： 根据所述中间方 下发的密钥对所述第一中间结果进行加密， 获得第一加密中间结果； 将所述第一加密中间结果发往所述第二 参与方。 4.根据权利要求1所述的方法， 其特征在于， 所述判断更新后的所述第 一产品推荐模型 是否满足预设的训练完成条件， 包括： 在更新后的所述第 一产品推荐模型的损失函数已收敛的情况下， 确定更新后的所述第 一产品推荐模型满足训练完成条件； 在更新后的所述第 一产品推荐模型的损失函数未收敛的情况下， 确定更新后的所述第 一产品推荐模型不满足训练完成条件。 5.一种产品推荐装置， 其特征在于， 应用于联邦学习系统的第一参与方， 所述装置包 括： 获取单元， 用于响应于推荐指令， 获取 所述推荐指令对应的用户的用户数据； 推荐单元， 用于利用预先训练好的产品推荐模型对所述用户数据进行处理， 获得产品 推荐结果； 输出单元， 用于输出所述产品推荐结果； 其中， 所述产品推荐模型的训练过程， 包括：权　利　要　求　书 1/2 页 2 CN 115358826 A 2获取第一产品推荐模型和第一样本数据； 所述第一样本数据包括历史产品信息、 历史 在线用户信息以及历史用户行为标签数据中的至少一种； 根据所述第一产品推荐模型和所述第一样本数据生成第一中间结果； 根据所述第 一中间结果以及接收到的第 二加密中间结果， 生成所述第 一产品推荐模型 的第一加密梯度； 第二加密中间结果由所述联邦学习系统的第二参与方对第二中间结果加 密得到； 所述第二中间结果由所述第二参与方根据第二产品推荐模型以及第二样本数据生 成； 所述第二样本数据为所述第二 参与方的本地数据； 将所述第一加密梯度发往所述联邦学习系统 的中间方， 使得所述联邦学习系统 的中间 方对所述第一加密 梯度进行解密， 获得第一梯度； 根据所述中间方解密得到的第 一梯度对所述第 一产品推荐模型的模型参数进行更新， 并判断更新后的所述第一产品推荐模型 是否满足预设的训练完成条件； 在更新后的所述第 一产品推荐模型满足预设的训练完成条件的情况下， 将满足所述训 练完成条件的所述第一产品推荐模型， 确定为训练好的产品推荐模型。 6.根据权利要求 4所述的装置， 其特 征在于， 所述获取 单元， 包括： 获取子单 元， 用于获取原 始样本数据； 预处理子单元， 用于应用预设的邻近算法对所述原始样本数据进行预处理， 获得第一 样本数据。 7.根据权利要求 4所述的装置， 其特 征在于， 所述推荐单 元， 还用于： 根据所述中间方 下发的密钥对所述第一中间结果进行加密， 获得第一加密中间结果； 将所述第一加密中间结果发往所述第二 参与方。 8.根据权利要求 4所述的装置， 其特 征在于， 所述执 行单元， 包括： 第一确定子单元， 用于在更新后的所述第一产品推荐模型的损失函数已收敛的情况 下， 确定更新后的所述第一产品推荐模型满足训练完成条件； 第二确定子单元， 用于在更新后的所述第一产品推荐模型的损失函数未收敛的情况 下， 确定更新后的所述第一产品推荐模型不满足训练完成条件。 9.一种存储介质， 其特征在于， 所述存储介质包括存储指令， 其中， 在所述指令运行时 控制所述存 储介质所在的设备 执行如权利要求1～4任意 一项所述的产品推荐方法。 10.一种电子设备， 其特征在于， 包括存储器， 以及一个或者一个以上的指令， 其中一个 或一个以上指 令存储于存储器中， 且经配置以由一个或者一个以上处理器执行如权利要求 1～4任意 一项所述的产品推荐方法。权　利　要　求　书 2/2 页 3 CN 115358826 A 3