信息推荐方法、装置、存储介质及电子设备与流程

1.本公开涉及信息处理领域，具体涉及一种信息推荐方法、信息推荐装置、存储介质及电子设备。


背景技术：

2.传统的广告推荐系统，对每一个用户，可以使用与终端设备绑定的唯一id记录用户的行为，并针对性的进行广告的推送。
3.但这种方式侵犯了用户的隐私，越来越多的用户意识到个人隐私的问题，操作系统和浏览器也为了用户隐私提供了禁用终端设备唯一id的选项，导致广告主无法得到当前用户的唯一id，也就无法进行针对性的广告投放。
4.需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。


技术实现要素：

5.本公开的目的在于提供一种信息推荐方法、信息推荐装置、存储介质及电子设备，旨在解决不泄露用户隐私的前提下进行信息推荐的问题。
6.本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
7.根据本公开实施例的一方面，提供了一种信息推荐方法，应用于程序服务端，包括：获取第一终端设备发送的无用户标识的第一行为信息；将所述第一行为信息输入至预测模型，以得到所述预测模型输出的预测兴趣用户集合；其中，所述预测模型是基于带用户标识的第二行为信息和所述用户标识对应的兴趣用户集合训练得到的；将所述预测兴趣用户集合返回至所述第一终端设备，以使所述第一终端设备根据所述预测兴趣用户集合确定预测推荐信息。
8.根据本公开的一些实施例，基于前述方案，所述方法还包括：预先训练所述预测模型，所述预先训练所述预测模型包括：获取第二终端设备发送的带用户标识的第二行为信息；根据用户标识与兴趣用户集合之间的映射关系提取所述第二行为信息中与所述用户标识对应的兴趣用户集合；基于所述带用户标识的第二行为信息和所述用户标识对应的兴趣用户集合进行模型训练得到所述预测模型。
9.根据本公开的一些实施例，基于前述方案，所述方法还包括：预先创建用户标识与兴趣用户集合之间的映射关系，所述预先创建用户标识与兴趣用户集合之间的映射关系包括：向协调者发送所述第二行为信息，以使所述协调者对接收到的各程序服务端参与设备发送的所述第二行为信息进行联邦分析得到用户标识与兴趣用户集合之间的映射关系；接收所述协调者返回的用户标识与兴趣用户集合之间的映射关系。
10.根据本公开的一些实施例，基于前述方案，所述第一终端设备为禁用设备标识的终端设备，所述第二终端设备为启用设备标识的终端设备。
11.根据本公开实施例的第二方面，提供了一种信息推荐方法，应用于第一终端设备，包括：响应于用户在所述第一终端设备上对应用程序的操作生成无用户标识的第一行为信息；将所述第一行为信息发送至所述应用程序对应的程序服务端，以获取所述程序服务端返回的预测兴趣用户集合；根据所述预测兴趣用户集合确定预测推荐信息，并将所述预测推荐信息投放至所述应用程序。
12.根据本公开的一些实施例，基于前述方案，所述根据所述预测兴趣用户集合确定预测推荐信息，包括：获取预先创建的兴趣用户集合和推荐信息的映射关系；根据所述映射关系提取与所述预测兴趣用户集合对应的推荐信息作为所述预测推荐信息。
13.根据本公开实施例的第三方面，提供了一种信息推荐方法，应用于第一终端设备，包括：响应于用户在所述第一终端设备上对应用程序的操作生成无用户标识的第一行为信息；从所述应用程序的软件开发工具包中提取所述应用程序对应的预测模型；其中，所述预测模型是由所述应用程序对应的程序服务端推送的；将所述第一行为信息输入至所述预测模型中输出预测兴趣用户集合；根据所述预测兴趣用户集合确定预测推荐信息，并将所述预测推荐信息投放至所述应用程序。
14.根据本公开的一些实施例，基于前述方案，所述方法还包括：接收程序服务端推送的预测模型；将所述预测模型存储至所述程序服务端对应的应用程序的软件开发工具包中。
15.根据本公开实施例的第四方面，提供了一种信息推荐装置，应用于程序服务端，包括：获取模块，用于获取第一终端设备发送的无用户标识的第一行为信息；第一预测模块，用于将所述第一行为信息输入至预测模型，以得到所述预测模型输出的预测兴趣用户集合；其中，所述预测模型是基于带用户标识的第二行为信息和所述用户标识对应的兴趣用户集合训练得到的；返回模块，用于将所述预测兴趣用户集合返回至所述第一终端设备，以使所述第一终端设备根据所述预测兴趣用户集合确定预测推荐信息。
16.根据本公开实施例的第五方面，提供了一种信息推荐装置，应用于第一终端设备，包括：第一响应模块，用于响应于用户在所述第一终端设备上对应用程序的操作生成无用户标识的第一行为信息；发送模块，用于将所述第一行为信息发送至所述应用程序对应的程序服务端，以获取所述程序服务端返回的预测兴趣用户集合；第一投放模块，用于根据所述预测兴趣用户集合确定预测推荐信息，并将所述预测推荐信息投放至所述应用程序。
17.根据本公开实施例的第六方面，提供了一种信息推荐装置，应用于第一终端设备，包括：第二响应模块，用于响应于用户在所述第一终端设备上对应用程序的操作生成无用户标识的第一行为信息；提取模块，用于从所述应用程序的软件开发工具包中提取所述应用程序对应的预测模型；其中，所述预测模型是由所述应用程序对应的程序服务端推送的；第二预测模块，用于将所述第一行为信息输入至所述预测模型中输出预测兴趣用户集合；第二投放模块，用于根据所述预测兴趣用户集合确定预测推荐信息，并将所述预测推荐信息投放至所述应用程序。
18.根据本公开实施例的第七方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述实施例中的信息推荐方法。
19.根据本公开实施例的第八方面，提供了一种电子设备，其特征在于，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多
个处理器执行时，使得所述一个或多个处理器实现如上述实施例中的信息推荐方法。
20.本公开示例性实施例可以具有以下部分或全部有益效果：
21.在本公开的一些实施例所提供的技术方案中，首先获取第一终端设备发送的无用户标识的第一行为信息，之后通过预先训练完成的预测模型进行模型预测，根据第一行为信息得到预测兴趣用户集合，最后再将预测兴趣用户集合返回至第一终端设备以确定预测推荐信息。基于本公开的信息推荐方法，通过预先基于带用户标识的第二行为信息和所述用户标识对应的兴趣用户集合训练得到预测模型，能够对已有的带用户标识的信息进行特征提取，使其能够在获取到不包含用户标识的行为信息时，仍然能够预测出用户的兴趣用户集合来进行信息推荐，整个计算过程中不需要获取用户标识，也就不会导致用户的隐私信息泄露，在保证信息推荐准确的同时也保障了用户的信息安全。
22.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
23.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
24.图1示意性示出本公开示例性实施例中一种信息推荐方法的流程示意图；
25.图2示意性示出本公开示例性实施例中一种训练预测模型方法的流程示意图；
26.图3示意性示出本公开示例性实施例中一种创建映射关系方法的流程示意图；
27.图4示意性示出本公开示例性实施例中另一种信息推荐方法的流程示意图；
28.图5示意性示出本公开示例性实施例中再一种信息推荐方法的流程示意图；
29.图6示意性示出本公开示例性实施例中一种信息推荐方法的数据交互示意图；
30.图7示意性示出本公开示例性实施例中一种信息推荐装置的组成示意图；
31.图8示意性示出本公开示例性实施例中另一种信息推荐装置的组成示意图；
32.图9示意性示出本公开示例性实施例中再一种信息推荐装置的组成示意图；
33.图10示意性示出本公开示例性实施例中一种计算机可读存储介质的示意图；
34.图11示意性示出本公开示例性实施例中一种电子设备的计算机系统的结构示意图。
具体实施方式
35.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
36.此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方
法、装置、实现或者操作以避免模糊本公开的各方面。
37.附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
38.附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
39.传统的广告推荐系统，对每一个用户，可以使用与终端设备绑定的唯一id记录用户的行为，将唯一id和用户相绑定，然后广告主就可以根据用户的历史行为、浏览数据等，对用户进行分类，打标签，进行针对性的广告的推送，例如imei(international mobile equipment identity，国际移动设备识别码)、idfa(identifier for advertising，ios独有的广告标识符)、udid(unique device identifier，唯一设备标识码)或uuid(universally unique identifier，通用唯一识别码)等。
40.但这种方式需要获取用户id，侵犯了用户的隐私。于是越来越多的操作系统和浏览器提供了禁用终端设备唯一id的选项，因此一大部分用户主动禁用了设备唯一id。例如根据一部分统计信息显示，在当前ios平台上，广告主可以得到的idfa设备数占所有设备总数约为30％，其余70％的设备无法得到对应的idfa。
41.这样一来，当这些禁用唯一id的用户需要广告时，就导致广告主无法得到当前用户的唯一id，也就无法进行针对性的广告投放，从而造成广告投放效果变差。
42.因此，基于现有技术中存在的问题，本公开提供了一种在得不到设备唯一id的情况下，广告主仍然能够较为准确的向设备投放针对性的广告。
43.以下对本公开实施例的技术方案的实现细节进行详细阐述。
44.图1示意性示出本公开示例性实施例中一种信息推荐方法的流程示意图。如图1所示，该信息推荐方法包括步骤s11至步骤s13：
45.步骤s11，获取第一终端设备发送的无用户标识的第一行为信息；
46.步骤s12，将所述第一行为信息输入至预测模型，以得到所述预测模型输出的预测兴趣用户集合；其中，所述预测模型是基于带用户标识的第二行为信息和所述用户标识对应的兴趣用户集合训练得到的；
47.步骤s13，将所述预测兴趣用户集合返回至所述第一终端设备，以使所述第一终端设备根据所述预测兴趣用户集合确定预测推荐信息。
48.在本公开的一些实施例所提供的技术方案中，首先获取第一终端设备发送的无用户标识的第一行为信息，之后通过预先训练完成的预测模型进行模型预测，根据第一行为信息得到预测兴趣用户集合，最后再将预测兴趣用户集合返回至第一终端设备以确定预测推荐信息。基于本公开的信息推荐方法，通过预先基于带用户标识的第二行为信息和所述用户标识对应的兴趣用户集合训练得到预测模型，能够对已有的带用户标识的信息进行特征提取，使其能够在获取到不包含用户标识的行为信息时，仍然能够预测出用户的兴趣用户集合来进行信息推荐，整个计算过程中不需要获取用户标识，也就不会导致用户的隐私信息泄露，在保证信息推荐准确的同时也保障了用户的信息安全。
49.下面，将结合附图及实施例对本示例实施方式中的信息推荐方法的各个步骤进行
更详细的说明。
50.需要说明的是步骤s11至s13是应用于程序服务端的，程序服务端也就是app server，即应用程序app的运营商部署的后台服务器。不同的app，有不同的app server。
51.在步骤s11中，获取第一终端设备发送的无用户标识的第一行为信息。
52.具体来说，无用户标识的第一行为信息是由第一终端设备发送的。第一终端设备为禁用设备标识的终端设备，也就无法与用户绑定作为用户标识，因此第一终端设备发送的是无用户标识的信息。
53.另外，第一终端设备上可以包括多个app，app会将当前用户的行为发送给对应的app server，例如浏览、点击等操作，也就是发送第一行为信息至对应的程序服务端。所以，app server可以收集到用户在第一终端设备上对该app进行操作的第一行为信息。
54.需要说明的是，行为信息也就是指用户在终端设备中应用程序上的操作行为。为了将无用户标识的和待用户标识的行为信息区分开来，所以将无用户标识的行为信息记为第一行为信息，将带用户标识的行为信息记为第二行为信息。
55.在步骤s12中，将所述第一行为信息输入至预测模型，以得到所述预测模型输出的预测兴趣用户集合；其中，所述预测模型是基于带用户标识的第二行为信息和所述用户标识对应的兴趣用户集合训练得到的。
56.在本公开的一个实施例中，程序服务端中包括有预先训练完成的该应用程序对应的预测模型，记为app model。该app model的输入是行为信息，输出是兴趣用户集合。因此，将获取的无用户标识的第一行为信息输入至预测该模型，可以得到预测兴趣用户集合。
57.其中，兴趣用户集合是指拥有相同兴趣的一系列用户的集合。每一个用户都对应于一个兴趣用户集合，不同用户可能对应相同的兴趣用户集合。
58.兴趣可以由兴趣组信息来体现，兴趣组例如是母婴品类、服装品类、家电品类、3c品类(即计算机computer、通信communication和消费类电子产品consumerelectronics三者的结合)。兴趣用户集合的这些用户感兴趣的信息可以是一种兴趣组或多种兴趣组的组合。
59.举例来说，一个兴趣用户集合a中所有用户都是对母婴品类感兴趣，那么在得到兴趣用户集合之后就可以根据母婴品类来进行推荐信息的针对性投放。
60.其中，预测模型是基于带用户标识的第二行为信息和用户标识对应的兴趣用户集合进行模型训练得到的。也就是说，预测模型的训练样本是多个用户在该app上的行为信息以及这些用户对应的兴趣用户集合。
61.具体而言，带用户标识的第二行为信息也就是除了包括用户的行为信息，还包括了这些用户的用户标识id。
62.用户id也就是与该用户绑定的该用户使用终端设备的设备id，可以直接将设备id作为用户id，设备id是指用来进行用户追踪的设备上的唯一id信息，或浏览器的cookie信息。例如在pc浏览器上是cookie，在ios上是imei、idfa等，在andriod上是imei、aaid、oaid、caid等。
63.训练样本中需要有多个用户的带用户标识的第二行为信息。具体来说，带用户标识的第二行为信息是由第二终端设备发送的。第二终端设备为启用设备标识的终端设备，因此可以在发送第二行为信息的同时将设备id作为用户id一并发送，所以就可以得到带用
户标识的第二行为信息。
64.第二行为信息与第一行为信息类似，都是用户在终端设备的应用程序上的操作信息，例如浏览、点击等等。不同的是第一行为信息中终端设备禁用了设备id，所以没有用户id，而第二行为信息中终端设备启用了设备id，所以带有用户id。
65.训练样本中还包括用户标识对应的兴趣用户集合。由于训练样本中包括了多个用户的第二行为信息，也就包括了多个用户id，每一个用户id都对应有一个兴趣用户集合，所以根据用户id和兴趣用户集合之间的映射关系就可以得到这些用户的兴趣用户集合。
66.在步骤s13中，将所述预测兴趣用户集合返回至所述第一终端设备，以使所述第一终端设备根据所述预测兴趣用户集合确定预测推荐信息。
67.具体地，程序服务器在得到预测兴趣用户集合之后，将预测兴趣用户集合返回给第一终端设备。第一终端设备便可以根据预测兴趣用户集合得到推荐信息。
68.举例来说，以为用户投放广告为例，将预测兴趣用户集合返回给第一终端设备之后，终端便可将预测兴趣用户集合提供给广告主，广告组基于预测兴趣用户集合中用户感兴趣的兴趣组信息，能够在应用程序中投放相应的针对该用户的广告。
69.在本公开的一个实施例中，所述方法还包括：预先训练所述预测模型。图2示意性示出本公开示例性实施例中一种训练预测模型方法的流程示意图，参考图2所示，训练预测模型的方法具体步骤如下：
70.步骤s21，获取第二终端设备发送的带用户标识的第二行为信息；
71.步骤s22，根据用户标识与兴趣用户集合之间的映射关系提取所述第二行为信息中与所述用户标识对应的兴趣用户集合；
72.步骤s23，基于所述带用户标识的第二行为信息和所述用户标识对应的兴趣用户集合进行模型训练得到所述预测模型。
73.具体地，在步骤s21中，获取第二终端设备发送的带用户标识的第二行为信息。
74.具体来说，带用户标识的第二行为信息是由第二终端设备发送的。第二终端设备为启用设备id的终端设备，因此可以将设备id与该用户进行绑定，将设备id作为用户id，在发送第二行为信息的同时将用户id一并发送，所以就可以得到带用户标识的第二行为信息。
75.另外，作为训练样本需要获取多个用户的第二行为信息，也就是需要收集所有已经启用设备id的第二终端设备上的行为信息作为训练样本。样本的数据量越丰富，预测的效果精度也就更好。
76.在步骤s22中，根据用户标识与兴趣用户集合之间的映射关系提取所述第二行为信息中与所述用户标识对应的兴趣用户集合。
77.需要说明的是，预先已经创建了用户标识与兴趣用户集合之间的映射关系，每个用户都属于一个兴趣用户集合，而不同的用户可以属于相同的兴趣用户集合。
78.训练样本中包括多个用户的第二行为信息，每一条行为信息都有一个用户id，已知了用户标识与兴趣用户集合之间的映射关系也就可以得到每一个用户id对应的兴趣用户集合。
79.在步骤s23中，基于所述带用户标识的第二行为信息和所述用户标识对应的兴趣用户集合进行模型训练得到所述预测模型。
80.具体而言，程序服务器中根据训练样本中的行为信息和兴趣用户集合进行模型训练。在输入和输出确定之后，进行模型训练的过程中可以利用现有的较为成熟的机器学习算法模型进行机器学习来得到模型参数，例如神经网络模型、支持向量机模型等，本公开在此不做具体的限定。
81.在本公开的一个实施例中，所述方法还包括：预先创建用户标识与兴趣用户集合之间的映射关系。图3示意性示出本公开示例性实施例中一种创建映射关系方法的流程示意图，参考图3所示，训练预测模型的方法具体步骤如下：
82.步骤s31，向协调者发送所述第二行为信息，以使所述协调者对接收到的各程序服务端参与设备发送的所述第二行为信息进行联邦分析得到用户标识与兴趣用户集合之间的映射关系；
83.步骤s32，接收所述协调者返回的用户标识与兴趣用户集合之间的映射关系。
84.程序服务端app server一般情况下是不同的app商业实体运营的server服务器，为准确的得到用户的兴趣信息，需要将用户在不同app中的行为共同进行分析。
85.具体地，可以采用联邦分析(federated learning)的方式使各个程序服务端app server之间共享各用户的行为信息，并提取出用户对应的兴趣信息，将其表现为用户标识与兴趣用户集合之间的映射关系。
86.在本技术中，由于参与者训练样本的用户id重叠较多，而兴趣特征重叠较少，因此可以采用纵向联邦分析的方式进行联邦分析，即各个参与者的训练数据是纵向划分的，只有联合多个参与者的共同样本的不同特征进行纵向联邦分析，才能增多特征维度。
87.进一步地，每一个程序服务端app server都作为联邦分析的参与者，将其自身持有的数据发送给协调者，也就是多个用户在该app上的行为信息，同时包含有用户id的第二行为信息。
88.协调者在接收到各个参与者设备发送的第二行为信息之后，首先需要进行样本对齐，也就是多个app server之间进行用户id对齐，得到该用户在所有app下的行为信息。在样本对齐时也可以采用预设的加密样本对齐技术对各app server之间的第二行为信息进行样本对齐。
89.之后，基于对齐id后的信息，多个app server确定采用的算法和模型，预定义一系列用户行为和用户兴趣之间的关系，执行联邦分析任务。联邦分析任务运行结束后，协调者便可以得到用户id和兴趣用户集合之间的映射关系，再将其返回给各个参与者设备，即各个app server。
90.采用联邦分析的方法，能够保证各app server之间的用户行为数据安全的前提下，在多参与者或多计算节点之间开展高效率的机器学习，也避免了用户的隐私泄露。
91.在本公开的一个实施例中，还提供了一种信息推荐方法应用于第一终端设备中，也就是禁用设备id的终端设备。图4示意性示出本公开示例性实施例中另一种信息推荐方法的流程示意图，参考图4所示，信息推荐方法的方法具体步骤如下：
92.步骤s41，响应于用户在所述第一终端设备上对应用程序的操作生成无用户标识的第一行为信息；
93.步骤s42，将所述第一行为信息发送至所述应用程序对应的程序服务端，以获取所述程序服务端返回的预测兴趣用户集合；
94.步骤s43，根据所述预测兴趣用户集合确定预测推荐信息，并将所述预测推荐信息投放至所述应用程序。
95.具体地，当需要在app上针对用户投放推荐信息时，收集用户在第一终端设备的该app的行为信息，即无用户标识的第一行为信息，之后将第一行为信息发送至该app对应的app server，收到app server返回的预测兴趣用户集合，之后根据预测兴趣用户集合来获取预测推荐信息投放在该应用程序上。
96.程序服务端接收到第一行为信息后如何得到预测兴趣用户集合在之前的方法中已经详细说明，此处就不再过多赘述了。
97.在本公开的一个实施例中，进一步地，对于步骤s43，所述根据所述预测兴趣用户集合确定预测推荐信息，具体包括：
98.步骤s431，获取预先创建的兴趣用户集合和推荐信息的映射关系；
99.步骤s432，根据所述映射关系提取与所述预测兴趣用户集合对应的推荐信息作为所述预测推荐信息。
100.具体而言，预先创建了兴趣用户集合和推荐信息之间的映射关系，也就是对于不同的兴趣用户集合会具有确定的推荐信息。这个映射关系可以由广告主提前预设的，例如兴趣用户集合为对母婴产品感兴趣的用户，则推荐a款奶粉，如兴趣用户集合为对3c的用户，则推荐b款手机等等。
101.因此，在获取预测推荐信息时，首先从应用程序缓存中提取兴趣用户集合和推荐信息的映射关系，然后根据映射关系提取与兴趣用户集合对应的推荐信息作为预测推荐信息。
102.这样一来，在服务端执行模型预测时，仅需要用户在app上的行为信息，且没有对应的用户id，也就避免了用户用户的隐私信息泄漏。
103.在本公开的一个实施例中，程序服务器也可以将预测模型推送至禁用设备id的第一终端设备中的app中，app将预测模型保存在软件开发工具包sdk中，就可以在终端设备本地完成信息推荐的过程。
104.因此，本公开还提供了另一种信息推荐方法应用于第一终端设备中，也就是禁用设备id的终端设备。图5示意性示出本公开示例性实施例中再一种信息推荐方法的流程示意图，参考图5所示，信息推荐方法的方法具体步骤如下：
105.步骤s51，响应于用户在所述第一终端设备上对应用程序的操作生成无用户标识的第一行为信息；
106.步骤s52，从所述应用程序的软件开发工具包中提取所述应用程序对应的预测模型；其中，所述预测模型是由所述应用程序对应的程序服务端推送的；
107.步骤s53，将所述第一行为信息输入至所述预测模型中输出预测兴趣用户集合；
108.步骤s54，根据所述预测兴趣用户集合确定预测推荐信息，并将所述预测推荐信息投放至所述应用程序。
109.步骤s51与步骤s41相同，都是收集用户在禁用设备id的终端设备上对应用程序的行为信息。
110.需要说明的是，与在程序服务端中进行预测不同，在本实施例中预测模型保存在了应用程序的sdk中，因此就不用将第一行为信息发送给对应的程序服务端，而是直接从该
应用程序的sdk中提取预测模型。然后根据第一行为信息输入预测模型得到预测兴趣用户集合。
111.之后与步骤s43相同，同样是根据预测兴趣用户集合确定预测推荐信息，然后将预测推荐信息投放至用户行为信息对应的应用程序中，完成信息推荐。
112.这样一来，整个过程中的所有运算均在当前终端设备本地执行，用户的隐私信息(行为信息)没有泄漏。
113.在本公开的一个实施例中，所述方法还包括：接收程序服务端推送的预测模型；将所述预测模型存储至所述程序服务端对应的应用程序的软件开发工具包中。
114.具体地，预测模型app model是由各app对应的app server基于带用户标识的第二行为信息和用户标识对应的兴趣用户集合预先训练完成的，每一个app都有一个相应的app model，用来根据用户在该app的行为信息预测出兴趣用户集合。
115.而一个终端设备上可以存在多个app，所以在接收到app server推送的app model后，需要首先确定该app server对应的是哪个app，再将其app model保存到对应的app的sdk中。
116.另外，app server推送app model的时间也没有具体限制，例如app server可以定期进行模型训练后进行推送，也可以是当app model更新时进行推送。
117.图6示意性示出本公开示例性实施例中一种信息推荐方法的数据交互示意图。如图6所示，601和602都属于第二终端设备，即都启用了设备id，这些第二终端设备将用户在各app上的行为信息分别发送给对应的app server。由于本实施例中，601和602中都包括有app1、app2以及app3，那么行为信息也就分别发送给了603app1 server、604app2 server以及605app3 server。
118.之后，603～605各app server之间进行id对齐后联邦分析得到用户id与兴趣用户集合之间的映射关系，各app server基于映射关系进行模型训练得到该app对应的预测模型。
119.606属于第一终端设备，即禁用了设备id。app server向这些禁用设备id的设备推送预测模型，并保存在app的sdk中。例如，当app2 server训练得到app2 model，将其推送至禁用设备id的606中的app2中，在app2的sdk中保存。
120.606设备的app2获取到app2 model之后，就可以获取用户在app2上的行为信息，利用app2 model得到预测兴趣用户集合。而广告主设备607中存储有兴趣用户集合与推荐信息之间的映射关系，所以app2可以将预测兴趣用户集合发送给607，以得到607返回的针对用户的个性化广告，并将广告投放在app2中完成广告推荐。
121.在现有技术中，设备的唯一id可以准确的定位到某个用户，但基于本技术公开的方法，利用无用户id的行为信息只能定位到拥有相同兴趣的一群用户，不能定位到某一个具体的用户，所以使用兴趣用户集合投放推荐信息是不会泄漏用户隐私，因此在得不到设备唯一id的情况下，广告主依然能够较为准确的向设备投放针对性的广告。
122.图7示意性示出本公开示例性实施例中一种信息推荐装置的组成示意图，如图7所示，该信息推荐装置700可以包括获取模块701、第一预测模块702以及返回模块703。其中：
123.获取模块701，用于获取第一终端设备发送的无用户标识的第一行为信息；
124.第一预测模块702，用于将所述第一行为信息输入至预测模型，以得到所述预测模
型输出的预测兴趣用户集合；其中，所述预测模型是基于带用户标识的第二行为信息和所述用户标识对应的兴趣用户集合训练得到的；
125.返回模块703，用于将所述预测兴趣用户集合返回至所述第一终端设备，以使所述第一终端设备根据所述预测兴趣用户集合确定预测推荐信息。
126.根据本公开的示例性实施例，所述信息推荐装置700还包括预测模型模块(图中未示出)，所述预测模型模块用于获取第二终端设备发送的带用户标识的第二行为信息；根据用户标识与兴趣用户集合之间的映射关系提取所述第二行为信息中与所述用户标识对应的兴趣用户集合；基于所述带用户标识的第二行为信息和所述用户标识对应的兴趣用户集合进行模型训练得到所述预测模型。
127.根据本公开的示例性实施例，所述信息推荐装置700还包括映射关系模块(图中未示出)，所述映射关系模块用于向协调者发送所述第二行为信息，以使所述协调者对接收到的各程序服务端参与设备发送的所述第二行为信息进行联邦分析得到用户标识与兴趣用户集合之间的映射关系；接收所述协调者返回的用户标识与兴趣用户集合之间的映射关系。
128.根据本公开的示例性实施例，所述第一终端设备为禁用设备标识的终端设备，所述第二终端设备为启用设备标识的终端设备。
129.上述的信息推荐装置700中各模块的具体细节已经在对应的信息推荐方法中进行了详细的描述，因此此处不再赘述。
130.图8示意性示出本公开示例性实施例中另一种信息推荐装置的组成示意图，如图8所示，该信息推荐装置800可以包括第一响应模块801、发送模块802以及第一投放模块803。其中：
131.第一响应模块801，用于响应于用户在所述第一终端设备上对应用程序的操作生成无用户标识的第一行为信息；
132.发送模块802，用于将所述第一行为信息发送至所述应用程序对应的程序服务端，以获取所述程序服务端返回的预测兴趣用户集合；
133.第一投放模块803，用于根据所述预测兴趣用户集合确定预测推荐信息，并将所述预测推荐信息投放至所述应用程序。
134.根据本公开的示例性实施例，所述第一投放模块803用于获取预先创建的兴趣用户集合和推荐信息的映射关系；根据所述映射关系提取与所述预测兴趣用户集合对应的推荐信息作为所述预测推荐信息。
135.上述的信息推荐装置800中各模块的具体细节已经在对应的信息推荐方法中进行了详细的描述，因此此处不再赘述。
136.图9示意性示出本公开示例性实施例中再一种信息推荐装置的组成示意图，如图8所示，该信息推荐装置900可以包括第二响应模块901、提取模块902、第二预测模块903以及第二投放模块904。其中：
137.第二响应模块901，用于响应于用户在所述第一终端设备上对应用程序的操作生成无用户标识的第一行为信息；
138.提取模块902，用于从所述应用程序的软件开发工具包中提取所述应用程序对应的预测模型；其中，所述预测模型是由所述应用程序对应的程序服务端推送的；
139.第二预测模块903，用于将所述第一行为信息输入至所述预测模型中输出预测兴趣用户集合；
140.第二投放模块904，用于根据所述预测兴趣用户集合确定预测推荐信息，并将所述预测推荐信息投放至所述应用程序。
141.根据本公开的示例性实施例，所述信息推荐装置900还包括存储模块(图中未示出)，所述存储模块用于接收程序服务端推送的预测模型；将所述预测模型存储至所述程序服务端对应的应用程序的软件开发工具包中。
142.上述的信息推荐装置900中各模块的具体细节已经在对应的信息推荐方法中进行了详细的描述，因此此处不再赘述。
143.应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
144.在本公开的示例性实施例中，还提供了一种能够实现上述方法的存储介质。图10示意性示出本公开示例性实施例中一种计算机可读存储介质的示意图，如图10所示，描述了根据本公开的实施方式的用于实现上述方法的程序产品1000，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如手机上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
145.在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。图11示意性示出本公开示例性实施例中一种电子设备的计算机系统的结构示意图。
146.需要说明的是，图11示出的电子设备的计算机系统1100仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
147.如图11所示，计算机系统1100包括中央处理单元(central processing unit，cpu)1101，其可以根据存储在只读存储器(read-only memory，rom)1102中的程序或者从存储部分1108加载到随机访问存储器(random access memory，ram)1103中的程序而执行各种适当的动作和处理。在ram 1103中，还存储有系统操作所需的各种程序和数据。cpu 1101、rom 1102以及ram 1103通过总线1104彼此相连。输入/输出(input/output，i/o)接口1105也连接至总线1104。
148.以下部件连接至i/o接口1105：包括键盘、鼠标等的输入部分1106；包括诸如阴极射线管(cathode ray tube，crt)、液晶显示器(liquid crystal display，lcd)等以及扬声器等的输出部分1107；包括硬盘等的存储部分1108；以及包括诸如lan(local area network，局域网)卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至i/o接口1105。可拆卸介质1111，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1110上，以便于从其上读出的计算机程序根据需要被安装入存储部分1108。
149.特别地，根据本公开的实施例，下文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实
施例中，该计算机程序可以通过通信部分1109从网络上被下载和安装，和/或从可拆卸介质1111被安装。在该计算机程序被中央处理单元(cpu)1101执行时，执行本公开的系统中限定的各种功能。
150.需要说明的是，本公开实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(erasable programmable read only memory，eprom)、闪存、光纤、便携式紧凑磁盘只读存储器(compact disc read-only memory，cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
151.附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
152.描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
153.作为另一方面，本公开还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的方法。
154.应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
155.通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本公开实施方式的方法。
156.本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。
157.应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

技术特征：
1.一种信息推荐方法，应用于程序服务端，其特征在于，包括：获取第一终端设备发送的无用户标识的第一行为信息；将所述第一行为信息输入至预测模型，以得到所述预测模型输出的预测兴趣用户集合；其中，所述预测模型是基于带用户标识的第二行为信息和所述用户标识对应的兴趣用户集合训练得到的；将所述预测兴趣用户集合返回至所述第一终端设备，以使所述第一终端设备根据所述预测兴趣用户集合确定预测推荐信息。2.根据权利要求1所述的信息推荐方法，其特征在于，所述方法还包括：预先训练所述预测模型，所述预先训练所述预测模型包括：获取第二终端设备发送的带用户标识的第二行为信息；根据用户标识与兴趣用户集合之间的映射关系提取所述第二行为信息中与所述用户标识对应的兴趣用户集合；基于所述带用户标识的第二行为信息和所述用户标识对应的兴趣用户集合进行模型训练得到所述预测模型。3.根据权利要求2所述的信息推荐方法，其特征在于，所述方法还包括：预先创建用户标识与兴趣用户集合之间的映射关系，所述预先创建用户标识与兴趣用户集合之间的映射关系包括：向协调者发送所述第二行为信息，以使所述协调者对接收到的各程序服务端参与设备发送的所述第二行为信息进行联邦分析得到用户标识与兴趣用户集合之间的映射关系；接收所述协调者返回的用户标识与兴趣用户集合之间的映射关系。4.根据权利要求2所述的信息推荐方法，其特征在于，所述第一终端设备为禁用设备标识的终端设备，所述第二终端设备为启用设备标识的终端设备。5.一种信息推荐方法，应用于第一终端设备，其特征在于，包括：响应于用户在所述第一终端设备上对应用程序的操作生成无用户标识的第一行为信息；将所述第一行为信息发送至所述应用程序对应的程序服务端，以获取所述程序服务端返回的预测兴趣用户集合；根据所述预测兴趣用户集合确定预测推荐信息，并将所述预测推荐信息投放至所述应用程序。6.根据权利要求5所述的信息推荐方法，其特征在于，所述根据所述预测兴趣用户集合确定预测推荐信息，包括：获取预先创建的兴趣用户集合和推荐信息的映射关系；根据所述映射关系提取与所述预测兴趣用户集合对应的推荐信息作为所述预测推荐信息。7.一种信息推荐方法，应用于第一终端设备，其特征在于，包括：响应于用户在所述第一终端设备上对应用程序的操作生成无用户标识的第一行为信息；从所述应用程序的软件开发工具包中提取所述应用程序对应的预测模型；其中，所述预测模型是由所述应用程序对应的程序服务端推送的；
将所述第一行为信息输入至所述预测模型中输出预测兴趣用户集合；根据所述预测兴趣用户集合确定预测推荐信息，并将所述预测推荐信息投放至所述应用程序。8.根据权利要求7所述的信息推荐方法，其特征在于，所述方法还包括：接收程序服务端推送的预测模型；将所述预测模型存储至所述程序服务端对应的应用程序的软件开发工具包中。9.一种信息推荐装置，应用于程序服务端，其特征在于，包括：获取模块，用于获取第一终端设备发送的无用户标识的第一行为信息；第一预测模块，用于将所述第一行为信息输入至预测模型，以得到所述预测模型输出的预测兴趣用户集合；其中，所述预测模型是基于带用户标识的第二行为信息和所述用户标识对应的兴趣用户集合训练得到的；返回模块，用于将所述预测兴趣用户集合返回至所述第一终端设备，以使所述第一终端设备根据所述预测兴趣用户集合确定预测推荐信息。10.一种信息推荐装置，应用于第一终端设备，其特征在于，包括：第一响应模块，用于响应于用户在所述第一终端设备上对应用程序的操作生成无用户标识的第一行为信息；发送模块，用于将所述第一行为信息发送至所述应用程序对应的程序服务端，以获取所述程序服务端返回的预测兴趣用户集合；第一投放模块，用于根据所述预测兴趣用户集合确定预测推荐信息，并将所述预测推荐信息投放至所述应用程序。11.一种信息推荐装置，应用于第一终端设备，其特征在于，包括：第二响应模块，用于响应于用户在所述第一终端设备上对应用程序的操作生成无用户标识的第一行为信息；提取模块，用于从所述应用程序的软件开发工具包中提取所述应用程序对应的预测模型；其中，所述预测模型是由所述应用程序对应的程序服务端推送的；第二预测模块，用于将所述第一行为信息输入至所述预测模型中输出预测兴趣用户集合；第二投放模块，用于根据所述预测兴趣用户集合确定预测推荐信息，并将所述预测推荐信息投放至所述应用程序。12.一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如权利要求1至8任一项所述的信息推荐方法。13.一种电子设备，其特征在于，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至8任一项所述的信息推荐方法。

技术总结
本公开涉及信息处理领域，具体涉及一种信息推荐方法、装置、存储介质及电子设备。该信息推荐方法包括：获取第一终端设备发送的无用户标识的第一行为信息；将所述第一行为信息输入至预测模型，以得到所述预测模型输出的预测兴趣用户集合；其中，所述预测模型是基于带用户标识的第二行为信息和所述用户标识对应的兴趣用户集合训练得到的；将所述预测兴趣用户集合返回至所述第一终端设备，以使所述第一终端设备根据所述预测兴趣用户集合确定预测推荐信息。本公开提供的信息推荐方法能够解决不泄露用户隐私的前提下进行信息推荐的问题。露用户隐私的前提下进行信息推荐的问题。露用户隐私的前提下进行信息推荐的问题。


技术研发人员：贾牧 包勇军 雍兴辉 孙小朋
受保护的技术使用者：北京京东世纪贸易有限公司
技术研发日：2022.01.19
技术公布日：2023/7/31