[发明专利]一种项目推荐方法及相关设备

说明书

本申请提供了一种项目推荐方法及相关设备，可以减少了云端和终端设备之间的通信量，降低了终端设备的计算开销，且不涉及到用户的隐私数据。该方法包括：通过动态调整神经网络稀疏率的策略以及稀疏编码的方式对公共的用户交互数据进行模型训练，得到全局推荐模型；将全局推荐模型发送至终端设备；当目标用户产生交互行为时，根据全局推荐模型确定交互行为对应的目标项目表征；将目标项目表征发送至终端设备；根据终端设备根据更新后的全局推荐模型返回的用户表征以及推荐项目表征库确定推荐结果；将推荐结果发送至终端设备。

技术领域

本申请涉及推荐领域，尤其涉及一种项目推荐方法及相关设备。

背景技术

随着互联网信息的数量和种类快速增长，用户通常需要花费大量时间精力才能找到自己偏好的内容，加重用户的信息浏览负担。个性化推荐系统是一种信息过滤系统，它可以根据用户画像或历史行为挖掘用户的兴趣爱好，从而预测用户对推荐项目的偏好或评分，从而有针对性地为用户推荐内容，以降低用户的信息负载。用户点击率(click-through-rate)是衡量推荐系统性能的重要指标，因此，点击率预测也成为了推荐系统领域的重要任务。目前，主流的个性化推荐系统通常利用部署在云端的机器学习模型进行推荐，需要将用户交互行为等隐私数据上传到云端，这会造成隐私泄露的隐患。

个性化推荐系统是一种信息过滤系统，它可以根据用户画像或历史行为挖掘用户的兴趣爱好，从而预测用户对推荐项目的偏好或评分，并有针对性地为用户推荐内容。目前主流的个性化推荐系统的点击率预测基于云端服务器，将推荐项目特征、用户特征、用户交互日志等信息输入到部署在云端的模型中。基于云端的点击率预测有泛化性能好、容易部署、支持绝大多数推荐算法等优点，但其存在如下缺陷：需要将用户交互行为等隐私数据上传到云端，这会造成隐私泄露的隐患。

发明内容

本申请提供了一种项目推荐方法及相关设备，可以减少了云端和终端设备之间的通信量，降低了终端设备的计算开销，且不涉及到用户的隐私数据。

本申请实施例第一方面提供了一种项目推荐方法，包括：

通过动态调整神经网络稀疏率的策略以及稀疏编码的方式对公共的用户交互数据进行模型训练，得到全局推荐模型；

将所述全局推荐模型发送至终端设备；

当目标用户产生交互行为时，根据所述全局推荐模型确定所述交互行为对应的目标项目表征；

将所述目标项目表征发送至所述终端设备，以使得所述终端设备根据所述目标项目表征对所述全局推荐模型进行更新得到目标推荐模型，并在接收到所述目标用户的推荐请求指令时，通过所述目标推荐模型确定所述目标用户的用户表征，并返回所述目标用户的用户表征；

根据所述目标用户的用户表征以及推荐项目表征库确定推荐结果，所述推荐项目表征库中存储有包括所述目标项目表征在内的多个项目表征；

将所述推荐结果发送至所述终端设备，以使得所述终端设备将所述推荐结果展示给所述目标用户。

本申请实施例第二方面提供了一种项目推荐方法，包括：

获取云端服务器发送的全局推荐模型，所述全局推荐模型为所述云端服务器通过动态调整神经网络稀疏率的策略以及稀疏编码的方式对公共的用户交互数据进行模型训练得到的；

当目标用户产生交互行为时，从所述云端服务器获取所述交互行为对应的目标项目表征，所述目标项目表征为所述云端服务器根据所述全局推荐模型确定的；

通过所述目标项目表征对所述全局推荐模型进行更新，得到目标推荐模型；

当接收到所述目标用户的推荐请求指令时，基于所述目标推荐模型输出所述目标用户的用户表征；