技术特征：
1.一种基于联合学习的联合推荐框架的方法，其特征在于，包括：在联合学习的中心节点端预收集相关数据进行数据预训练；将所述预训练的数据训练神经网络的浅层模型；响应于所述用户端节点，选择带权重的不同聚合方式将所述浅层模型下发到用户端节点。2.根据权利要求1所述的方法，其特征在于，选择带权重的不同聚合方式将所述浅层模型下发到用户端节点包括：响应于所述用户端节点；对用户端上传的模型进行聚合。3.一种基于联合学习的联合推荐框架的方法，其特征在于，包括：用户端节点冻结神经网络中浅层网络的参数；训练神经网络的深层网络的参数；对所述深层网络的参数进行本地模型训练；将训练出的所述本地模型上传至联合学习中心点端。4.根据权利要求3所述的方法，其特征在于，对所述深层网络的参数进行本地模型训练包括：获取全局模型中的可显参数，其中可显参数包含本地参数和收集参数；对所述可显参数进行本地模型训练。5.一种基于联合学习的联合推荐框架的装置，其特征在于，包括：预训练模块，用于在联合学习的中心节点端预收集相关数据进行数据预训练；处理模块，用于将所述预训练的数据训练神经网络的浅层模型；传输模块，用于响应于所述用户端节点，选择带权重的不同聚合方式将所述浅层模型下发到用户端节点。6.根据权利要求5所述的装置，其特征在于，所述传输模块包括：响应子模块，用于响应于所述用户端节点；聚合子模块，用于对用户端上传的模型进行聚合。7.一种基于联合学习的联合推荐框架的装置，其特征在于，包括：收集模块，用于用户端节点冻结神经网络中浅层网络的参数；第一训练模块，用于训练神经网络的深层网络的参数；第二训练模块，用于对所述深层网络的参数进行本地模型训练；上传模块，用于将训练出的所述本地模型上传至联合学习中心点端。8.根据权利要求7所述的装置，其特征在于，第二训练模块包括：获取子模块，用于获取全局模型中的可显参数，其中可显参数包含本地参数和收集参数；训练子模块，用于对所述可显参数进行本地模型训练。9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并且可以在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在
于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
技术总结
本公提供了一种基于联合学习的联合推荐框架的方法、装置、计算机设备及计算机可读存储介质。该方法包括：在联合学习的中心节点端预收集相关数据进行数据预训练；将预训练的数据训练神经网络的浅层模型；响应于用户端节点，选择带权重的不同聚合方式将所述浅层模型下发到用户端节点。用户在端节点通过冻结神经网络中浅层网络的参数；训练神经网络的深层网络的参数；对深层网络的参数进行本地模型训练；将训练出的本地模型上传至联合学习中心点端。本公开可以在不泄露或汇聚各方原始数据的前提下进行联合建模，保持训练数据的去中心化和分散化，实现在保护用户隐私的前提下给与用户个性化推荐。户个性化推荐。户个性化推荐。
技术研发人员：赵蕾
受保护的技术使用者：新智数字科技有限公司
技术研发日：2021.07.01
技术公布日：2023/1/2