摘要：本说明书公开了一种资金的预测方法、装置及电子设备。该预测方法包括：获取待预测的一天的目标资金特征，所述目标资金特征所述包含待预测的一天的时间属性特征、资金周期性特征、资金增量特征及资金增加速率特征；将所述目标资金特征输入到训练好的神经网络，预测得到对应的目标资金量。上述技术方案，通过时间属性特征、资金周期性特征、资金增量特征及资金增加速率特征全面、准确的反映待预测资金的特征，通过神经网络算法训练获得的预测函数更准确的预测目标资金量，解决现有技术中资金预测准确率较低的技术问题，提高资金预测的准确率。

摘要：公开了一种推荐系统构建方法及装置。应用于包含多个用户的系统，在任意用户的用户端，保存该用户对物品的评分信息、该用户的用户偏好向量、物品特征向量，多个用户端以协同方式训练实现矩阵分解。

摘要：本说明书实施例公开了预测用户对物品的评分的方法和装置以及物品推荐方法和装置。其中，所述预测评分的方法包括：获取多个样本对，所述样本对包括选自于多个用户标识的任一个用户标识和选自于多个物品标识的任一个物品标识；获取多个已有评分，所述多个已有评分对应于所述多个样本对中的部分样本对；获取分别与各个样本对对应的多组上下文特征；基于所述多组上下文特征，将所述多个样本对聚类为多个子类；以及关于每个子类，基于多个所述第一用户标识和多个所述第一物品标识、和多个所述第一用户相对于多个所述第一物品的多个已有评分，通过协同过滤

摘要：本说明书实施例公开了数据加密、机器学习模型训练方法、装置以及电子设备。所述数据加密方法包括：将待加密数据输入自编码器进行处理，提取自编码器对应生成的隐层数据，作为该待加密数据对应的加密数据。

摘要：本说明书实施例提供一种APP展示方法，该方法包括：首先，获取针对当前用户的待展示的多个备选APP，以及获取与所述多个备选APP对应的多组特征；其中，各组特征包括，所述当前用户的用户属性特征，各个备选APP的APP属性特征，以及所述当前用户与所述各个备选APP的交互特征；接着，将所述多组特征中的各组特征分别输入预测模型，确定所述各个备选APP的分数，所述分数预测所述当前用户针对所述各个备选APP的点击概率；然后，基于所述分数，从所述多个备选APP中确定向所述当前用户展示的第一展示APP；再基于预设的配置规则，将所述第一展示APP修正为第二展示APP，所述配置规则与各个备选APP的运营状态相关联。

摘要：公开了一种基于梯度提升决策树的模型训练方法及装置。将一个GBDT算法流程划分为两个阶段，在前一阶段，从与目标业务场景相近的业务场景的数据域获取已标注样本依次训练若干决策树，并确定经过前一阶段训练后产生的训练残差；在后一阶段，从目标业务场景的数据域获取已标注样本，并基于所述训练残差，继续训练若干决策树。最终，应用于目标业务场景的模型实际上是由前一阶段训练出的决策树与后一阶段训练出的决策树集成得到的。

摘要：本申请涉及数据共享领域，公开了一种评估数据贡献程度的方法及其装置。所述方法由第一方执行，包括：使用第一方自身的训练数据进行模型训练，得到第一模型；使用第一方自身的训练数据，并且基于多方安全计算的方式和第二方一起进行模型训练，得到第二模型，其中，第二方在基于多方安全计算的方式和第一方进行模型训练的过程中，提供自身数据；使用第一方自身的测试数据，分别得到所述第一模型的评估结果和所述第二模型的评估结果；根据所述第二模型的评估结果相对于所述第一模型的评估结果的提升程度，评估第二方数据的贡献程度。

摘要：本公开提供了用于确定针对实体的用户关联度量值的方法及装置。该方法包括：针对用户处存在的各个实体，基于该实体的第一实体特征变化值来更新该实体的实体特征向量，第一实体特征变化值是从用户的邻居用户接收的，所述邻居用户是从预先确定的包括所述用户的协同用户组中确定的；以及基于用户的用户偏好特征向量和更新后的各个实体的实体特征向量，确定针对各个实体的用户关联度量值。

摘要：本说明书实施例提供一种基于模型预测用户对对象的评分的方法和装置，所述方法包括：获取第一用户在各个平台的用户评分向量；获取第一对象的对象评分向量；通过将第一用户在各个平台的用户评分向量分别输入与该平台对应的用户神经网络，获取第一用户在各个平台的用户潜在向量；通过预定合并函数，基于各个用户潜在向量，获取第一用户的用户合并向量；通过将第一对象的对象评分向量输入与第一平台对应的对象神经网络，获取第一对象的对象潜在向量；以及计算用户合并向量与对象潜在向量的内积，作为第一用户在第一平台对第一对象的预测评分。

摘要：公开了一种对评分矩阵中的未知评分进行预测的方法及装置。采用矩阵分解方法，将评分矩阵分解为表征每个用户的潜在偏好特征的第一矩阵与表征每个物品的潜在偏好特征的第二矩阵。其中，针对任一用户与任一物品，将该用户的潜在偏好特征与物品的潜在偏好特征进行结合，就可以准确预测出该用户对该物品的偏好评分。可以通过机器学习的方式，以所述评分矩阵中的已知评分为样本，训练所述第一矩阵与所述第二矩阵。具体地，采用预设的损失函数表征训练效果，并据此迭代调整所述第一矩阵与所述第二矩阵。训练结束后，就可以基于所述第一矩阵与所述第二矩阵，预测所述评分矩阵中的未知评分。