(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 202210869182.0 (22)申请日 2022.07.21 (71)申请人 新奥新智科技有限公司 地址 065099 河北省廊坊市广阳区临 空经 济区航谊道自贸区科创基地2101 (72)发明人 王莹　李同治　 (74)专利代理 机构 北京嘉科知识产权代理事务 所(特殊普通 合伙) 11687 专利代理师 杨超 (51)Int.Cl. G06F 16/9535(2019.01) G06F 21/62(2013.01) G06F 21/64(2013.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于联合学习的服 务推荐方法及装置 (57)摘要 本公开涉及计算机技术领域， 提供了一种基 于联合学习的服务推荐方法及装置。 该方法包 括： 在联合学习架构中， 为联合学习中每个已通 过电子认证服务验证的参与方部署联合学习引 擎； 基于每个参与方部署 的联合学习引擎， 利用 区块链技术将每个参与方的参与方数据加入预 设的数据隐私链中； 利用每个参与方的联合学习 引擎， 根据所述数据隐私链中保存的每个参与方 的参与方数据实现每个参与方的模 型训练， 以得 到经过模型训练后的每个参与方对应的模型参 数； 对每个参与方对应的模型参数进行参数聚合 操作， 得到聚合参数； 基于聚合参数得到联合学 习模型， 并利用联合学习模型为目标用户推荐目 标服务。 权利要求书2页 说明书10页 附图2页 CN 115203569 A 2022.10.18 CN 115203569 A 1.一种基于联合学习的服 务推荐方法， 其特 征在于， 包括： 在联合学习架构中， 为联合学习中每个已通过电子认证服务验证的参与 方部署联合学 习引擎； 基于每个参与方部署的联合学习引擎， 利用区块链技术将每个参与 方的参与方数据加 入预设的数据隐私链中； 利用每个参与方的联合学习引擎， 根据所述数据隐私链中保存的每个参与 方的参与方 数据实现每个参与方的模型训练， 以得到经过所述模型训练后的每个所述参与方对应的模 型参数； 对每个所述参与方对应的模型参数进行参数聚合操作， 得到聚合 参数； 基于所述 聚合参数得到联合学习模型， 并利用所述联合学习模型为目标用户推荐目标 服务。 2.根据权利要求1所述的方法， 其特征在于， 所述在联合学习架构中， 为联合学习中每 个已通过电子认证服 务验证的参与方部署联合学习引擎之前， 所述方法还 包括： 确定多个参与方之间的共识机制， 其中， 所述共识机制包括背 书策略； 基于所述背书策略确定背书节点， 并利用所述背书节点为每个参与 方的服务数据进行 签名背书操作； 基于经过所述签名背书操作之后的每个参与 方的服务数据， 利用所述共识机制确定每 个参与方的服 务数据对应的服 务的数量和顺序， 其中， 所述 服务数据包括多种服 务； 基于每个参与方的服务数据对应的服务的数量和顺序， 利用所述共识机制对每个参与 方的服务数据进行打包， 得到每 个参与方的区块； 对每个参与方的区块进行验证， 得到每 个参与方的参与方 数据。 3.根据权利要求2所述的方法， 其特征在于， 所述对每个参与方的区块进行验证， 得到 每个参与方的参与方 数据， 包括： 利用记账节点对每个参与方的区块进行语法错误验证， 其中， 所述语法错误， 包括： 无 效输入、 未验证的签名以及重复的服 务； 和/或 利用所述记账节点对每 个参与方的区块进行逻辑 错误验证； 将通过所述语法错误验证和/或所述逻辑错误验证的每个参与方的区块确定为每个参 与方的参与方 数据。 4.根据权利要求1所述的方法， 其特征在于， 基于每个参与方部署的联合学习引擎， 利 用区块链技 术将每个参与方的参与方 数据加入预设的数据隐私链中， 包括： 基于每个参与方部署的联合学习引擎， 利用加密技术对每个参与 方的参与 方数据进行 加密处理； 将经过所述加密处 理后的每 个参与方的参与方 数据上传到所述数据隐私链； 在所述数据隐私链上生成经过所述加密处理后的每个参与方的参与方数据对应的数 据索引。 5.根据权利要求1所述的方法， 其特征在于， 利用所述联合学习 模型为目标用户推荐目 标服务， 包括： 获取所述目标用户的用户数据； 利用所述联合学习模型对所述用户数据进行处 理， 得到所述目标服 务；权　利　要　求　书 1/2 页 2 CN 115203569 A 2其中， 利用所述联合学习模型对所述用户数据进行处 理， 包括： 提取所述用户数据中每条信息的第一数据特 征； 对每条信息的第一数据特 征进行特征变换操作， 得到每条信息的第二数据特 征； 计算每条信息的第二数据特 征的信息价 值； 基于每条信息对应的信息价 值， 确定所述目标服 务。 6.根据权利要求1所述的方法， 其特征在于， 基于所述聚合参数得到联合学习模型， 并 利用所述联合学习模型为目标用户推荐目标服 务之后， 所述方法还 包括： 根据每个参与方的参与 方数据的种类和数据量， 计算每个参与方的参与 方数据的数据 质量得分； 基于每个参与方对应的数据质量得分， 按照多个参与 方之间的共识机制给每个参与方 分配所述联合学习模型对应的推荐成果。 7.根据权利要求1所述的方法， 其特征在于， 基于所述聚合参数得到联合学习模型， 并 利用所述联合学习模型为目标用户推荐目标服 务之后， 所述方法还 包括： 获取基础数据， 并计算每 个参与方的训练数据和所述基础数据之间的相似度； 基于每个参与方对应的相似度， 按照多个参与 方之间的共识机制给每个参与方分配所 述联合学习模型对应的推荐成果。 8.一种基于联合学习的服 务推荐装置， 其特 征在于， 包括： 部署模块， 被配置为在联合学习架构中， 为联合学习中每个已通过电子认证服务验证 的参与方部署联合学习引擎； 上链模块， 被配置为基于每个参与方部署的联合学习引擎， 利用区块链技术将每个参 与方的参与方 数据加入预设的数据隐私链中； 训练模块， 被配置为利用每个参与方的联合学习引擎， 根据所述数据隐私链中保存的 每个参与方的参与方数据实现每个参与方的模型训练， 以得到经过所述模 型训练后的每个 所述参与方对应的模型参数； 聚合模块， 被配置为对每个所述参与方对应的模型参数进行参数聚合操作， 得到聚合 参数； 推荐模块， 被配置为基于所述聚合参数得到联合学习模型， 并利用所述联合学习模型 为目标用户推荐目标服 务。 9.一种电子设备， 包括存储器、 处理器以及存储在所述存储器中并且可在所述处理器 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。权　利　要　求　书 2/2 页 3 CN 115203569 A 3