(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 202111318678.0 (22)申请日 2021.11.09 (71)申请人 长春理工大 学 地址 130022 吉林省长 春市朝阳区卫星路 7186号 (72)发明人 张剑飞　杨宏伟　张婧　冯欣　 吕帅帅　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 代理人 赵兴华 (51)Int.Cl. G06K 9/62(2022.01) G06N 20/00(2019.01) G06F 21/62(2013.01) G06Q 30/06(2012.01) (54)发明名称 一种物品推荐方法及系统 (57)摘要 本发明提高了一种物品推荐 方法及系统， 其 中方法包括： 对所有用户进行预训练， 得到每个 用户的模型权重； 根据模型权重， 利用K ‑Means++ 算法对所有用户进行分簇处理， 得到多个簇； 分 别利用每个簇中的用户的本地数据， 对全局物品 因子初始矩阵进行训练， 得到多个簇的簇全局物 品因子矩阵。 本发明通过利用每个簇中的用户的 本地数据， 对全局物品因子初始矩阵进行训练在 保护用户隐私的同时， 能够提高物品推荐算法的 运行速率。 权利要求书3页 说明书8页 附图2页 CN 113988207 A 2022.01.28 CN 113988207 A 1.一种物品推荐方法， 其特 征在于， 所述方法， 包括： 对所有用户进行 预训练， 得到每 个所述用户的模型权 重； 根据所述模型权 重， 利用K ‑Means++算法对所有用户进行分簇处 理， 得到多个簇； 分别利用每个所述簇中的用户的本地数据， 对全局物品因子初始矩阵进行训练， 得到 多个簇的簇全局物品因子矩阵。 2.根据权利要求1所述的物品推荐方法， 其特征在于， 在所述分别利用每个所述簇 中的 用户的本地数据， 对全局物品因子初始矩阵进行训练， 得到多个簇的簇全局物品因子矩阵 之后， 还包括： 根据所述簇全局物品因子矩阵， 向对应簇中的用户推荐物品。 3.根据权利要求1所述的物品推荐方法， 其特征在于， 所述对所有用户进行预训练， 得 到每个所述用户的模型权 重， 具体包括： 联邦服务器向所有所述用户发送全局物品因子初始 矩阵； 多个所述用户分别利用本地数据对所述全局物品因子初始矩阵进行训练， 得到多个本 地模型； 确定多个所述本地模型的模型权 重。 4.根据权利要求1所述的物品推荐方法， 其特征在于， 所述根据所述模型权重， 利用K ‑ Means++算法对所有用户进行分簇处 理， 得到多个簇， 具体包括： 根据多个所述用户的模型权重， 分别两两计算多个所述用户之 间的余弦相似度； 根据多个所述 余弦相似度， 构建余弦相似度矩阵； 根据所述余弦相似度矩阵， 利用K ‑Means++算法对所有所述用户进行分簇处理， 得到多 个簇； 其中， S(i,j)表示用户i的模型权重和用户j的模型权重之间的余弦相似度； wi表示用户 i的模型权 重； wj表示用户j的模型权 重。 5.根据权利要求3所述的物品推荐方法， 其特征在于， 所述分别利用每个所述簇 中的用 户的本地数据， 对全局物品因子初始矩阵进 行训练， 得到多个簇的簇全局物品因子矩阵， 具 体包括： 确定任一簇为当前簇； 所述当前簇中的多个用户分别获取所述联邦服务器发送的所述全局物品因子初始矩 阵； 将所述全局物品因子初始矩阵输入矩阵补全模型中， 得到全局物品因子补全矩阵； 所 述矩阵补全 模型是利用全局物品因子历史初始 矩阵， 对LFM模型进行训练得到的； 将所述全局物品因子补全矩阵确定为簇全局物品因子初始 矩阵； 所述当前簇 中的多个用户分别将所述簇全局物品因子初始矩阵作为本地模型的参数， 利用用户的本地数据对所述本地模型进行训练； 根据训练后的本地模型的参数， 确定所述当前簇中的每 个用户的物品因子向量； 所述联邦服务器将所述当前簇 中多个用户对应的物品因子向量进行聚合， 得到当前簇 的聚合物品因子矩阵；权　利　要　求　书 1/3 页 2 CN 113988207 A 2判断迭代次数 是否达到预设迭代次数， 得到判断结果； 若所述判断结果为否， 则将所述当前簇的聚合物品因子矩阵作为所述簇全局 物品因子 初始矩阵， 并返回步骤 “所述当前簇中的多个用户分别将所述簇全局物品因子初始矩阵作 为本地模型的参数， 利用 用户的本地数据对所述本地模型进行训练 ”； 若所述第一判断结果为是， 则确定当前簇的聚合物品因子矩阵为所述当前簇的簇全局 物品因子矩阵。 6.根据权利要求5所述的物品推荐方法， 其特征在于， 在所述当前簇 中的多个用户分别 获取所述联邦服 务器发送的所述全局物品因子初始 矩阵之前， 还 包括： 获取全局物品因子历史初始 矩阵和全局物品因子历史补全矩阵； 以所述全局物品因子历史初始矩阵为输入， 以所述全局物品因子历史补全矩阵为输 出， 对LFM模型进行训练， 得到矩阵补全 模型。 7.一种物品推荐系统， 其特 征在于， 所述系统， 包括： 预训练模块， 用于对所有用户进行 预训练， 得到每 个所述用户的模型权 重； 分簇处理模块， 用于根据所述模型权重， 利用K ‑Means++算法对所有用户进行分簇处 理， 得到多个簇； 簇全局物品因子矩阵确定模块， 用于分别利用每个所述簇中的用户的本地数据， 对全 局物品因子初始 矩阵进行训练， 得到多个簇的簇全局物品因子矩阵。 8.根据权利要求7 所述的物品推荐系统， 其特 征在于， 所述系统， 还 包括： 物品推荐模块， 用于根据所述簇全局物品因子矩阵， 向对应簇中的用户推荐物品。 9.根据权利要求7所述的物品推荐系统， 其特征在于， 所述簇全局物品因子矩阵确定模 块， 具体包括： 当前簇确定单 元， 用于确定任一簇为当前簇； 全局物品因子初始矩阵获取单元， 用于使所述当前簇 中的多个用户分别获取所述联邦 服务器发送的全局物品因子初始 矩阵； 补全单元， 用于将所述全局物品因子初始矩阵输入矩阵补全模型中， 得到全局物品因 子补全矩阵； 所述矩阵补 全模型是利用全局物品因子历史初始矩阵， 对LFM模型进 行训练得 到的； 簇全局物品因子初始矩阵确定单元， 用于将所述全局 物品因子补全矩阵确定为簇全局 物品因子初始 矩阵； 本地模型训练单元， 用于所述当前簇 中的多个用户分别将所述簇全局 物品因子初始矩 阵作为本地模型的参数， 利用 用户的本地数据对所述本地模型进行训练； 物品因子向量确定单元， 用于根据训练后的本地模型的参数， 确定所述当前簇中的每 个用户的物品因子向量； 聚合物品因子矩阵确定单元， 用于使所述联邦服务器将所述当前簇 中多个用户对应的 物品因子向量进行聚合， 得到当前簇的聚合物品因子矩阵； 判断单元， 用于判断迭代次数是否达到预设迭代次数， 得到判断结果； 若所述判断结果 为否， 则调用簇全局物品因子初始矩阵更新单元； 若 所述判断结果为是， 则调用簇全局物品 因子矩阵确定单 元； 簇全局物品因子初始矩阵更新单元， 用于将所述当前簇的聚合物品因子矩阵作为所述权　利　要　求　书 2/3 页 3 CN 113988207 A 3