(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 202210881986.2 (22)申请日 2022.07.26 (71)申请人 零束科技有限公司 地址 201805 上海市嘉定区安亭镇墨玉南 路888号2201室JT1740 (72)发明人 祝露　 (74)专利代理 机构 北京合智同创知识产权代理 有限公司 1 1545 专利代理师 李杰 (51)Int.Cl. G06F 16/9535(2019.01) G06Q 30/06(2012.01) H04L 67/12(2022.01) (54)发明名称 车机应用服务的推荐方法、 系统、 计算机存 储介质 (57)摘要 本申请提供了一种车机应用服务的推荐方 法、 系统、 计算机存储介质， 车机应用服务的推荐 方法， 包括： 云端将损失函数、 梯度函数下 发至老 用户群体车端； 在老用户群体车端采集用户行为 信息和应用服务使用等级； 根据采集的用户行为 信息和应用服务使用等级计算梯度值和损失值 并上传云端， 在云端训练逻辑回归模 型并将训练 好的模型保存； 将保存至云端训练好的模型下发 至新用户群体车端； 在新用户群体车端根据新用 户的用户行为信息计算模型预测值并将预测结 果上传至云端。 本申请能够在保护用户隐私安全 的同时实现精准推荐， 提高服 务质量。 权利要求书2页 说明书5页 附图2页 CN 115221409 A 2022.10.21 CN 115221409 A 1.一种车机应用服 务的推荐方法， 其特 征在于， 包括： 云端将设定的损失函数、 梯度函数 下发至老用户群 体车端； 老用户群 体车端采集用户行为信息和用户应用服 务等级； 所述老用户群体车端基于所述梯度函数和损失函数， 根据 所述用户行为信 息和用户应 用服务等级计算所述老用户群 体车端对应的梯度值和损失值； 所述老用户群体车端根据所述梯度值和损失值， 经过本地差分算法计算后获得加噪的 梯度值和损失值并上传至云端； 所述云端根据所述加噪的梯度值和损失值， 计算当前梯度值均值和损失值均值； 所述云端根据 所述梯度值均值和所述损失函数值均值， 经过模型参数停止更新条件判 断， 获得训练好的逻辑回归 模型， 并下发至新用户群 体车端； 新用户群体车端基于所述逻辑回归模型， 根据新用户的用户行为信息， 计算所述模型 预测值并上传至所述云端； 所述云端基于所述模型预测值和筛选规则， 确定推荐的车辆信息， 发送推荐信息至新 用户群体车端。 2.根据权利要求1所述的方法， 其特征在于， 所述老用户群体车端采集用户行为信息， 包括： 老用户群体驾驶行为， 驾驶风格， 用车习惯， 个人信息， 车辆信息、 车机使用习惯中至 少其一的所述用户信息 。 3.根据权利要求1所述的方法， 其特征在于， 所述用户应用服务等级包括： 根据是否使 用应用服 务和/或， 根据应用服 务时长进行划分的用户应用服 务等级。 4.根 据 权 利 要 求 1 所 述 的 方 法 ，其 特 征 在 于 ，所 述 逻 辑 回 归 模 型 为 ： P表示模型预测值， Y∈0,1表示用户是否应用服务， 0表示应用 服务未被使用， 1表示应用服务已使用， X＝[x1 x2…xn 1]T表示对应所述用户信息的n维度 属性， W＝[w1 w2 w3…wn]T表示所述逻辑回归 模型具有的n个模型参数， n 为整数。 5.根据权利要求1所述的方法， 其特征在于， 所述获得训练好的逻辑回归模型包括： 所 述云端基于所述逻辑回归模型 的模型参数更新条件， 通过循环迭代的方式， 获取前后两次 迭代的损失函数均值， 并计算所述两次迭代的损失函数均值的差值； 所述两次迭代的损失 函数均值的差值大于等于阈值， 基于所述梯度值均值更新所述逻辑回归模型 的模型参数， 并将所述更新的模型参数下发至老用户群体车端； 所述两次迭代的损失函数均值的差值小 于阈值， 停止更新模型参数； 经过模型参数停止更新条件判断， 获得训练好的逻辑回归 模型。 6.根据权利要求1所述的方法， 其特征在于， 所述方法还包括： 所述新用户群体车端获 取新用户群 体行为信息 。 7.根据权利要求1所述的方法， 其特征在于， 所述云端基于所述模型预测值和筛选规 则， 确定推荐的车辆信息， 发送推荐信息至新用户群体车端， 包括： 所述云端基于所述模型 计算得到的预测值以及 对应的车辆唯一识别码根据所述筛选规则确定推荐的车辆信息， 发 送推荐信息 至所述新用户群 体车端。 8.一种车机应用服务的推荐系统， 其特征在于， 包括云端、 老用户群体车端、 新用户群 体车端， 所述云端将损失函数、 梯度函数下发至老用户群体车端； 所述老用户群体车端采集权　利　要　求　书 1/2 页 2 CN 115221409 A 2用户行为信息和用户应用服务等级； 所述老用户群体车端基于所述梯度函数和损失函数， 根据所述用户行为信息和用户应用服务等级计算所述老用户群体车端对应的梯度函数值 和损失函数值； 所述老用户群体车端根据所述梯度函数值和损失函数值， 经过本地差分算 法计算后获得加噪 的梯度值和损失值并上传至 云端； 所述云端根据所述加噪的梯度值和损 失值， 计算当前梯度值均值和损失值均值； 所述云端根据所述梯度值均值和所述损失函数 值均值， 经过模型参数停止更新条件判断， 获得训练好的逻辑回归模 型， 并下发至新用户群 体车端； 新用户群体车端基于所述逻辑回归模型， 根据新用户的用户行为信息， 计算所述模 型预测值并上传至所述云端； 所述云端基于所述模型预测 值和筛选规则， 确定推荐的车辆 信息， 发送推荐信息 至新用户群 体车端。 9.根据权利要求8所述的系统， 其特征在于， 所述云端进一步基于所述逻辑 回归模型的 模型参数更新条件， 通过循环迭代的方式， 获取前后两次迭代的损失函数均值， 并计算所述 两次迭代的损失函数均值的差值； 所述两次迭代的损失函数均值的差值大于等于阈值， 基 于所述梯度值均值更新所述逻辑回归模型的模型参数， 并将所述更新的模 型参数下发至老 用户群体车端； 所述两次迭代的损失函数均值的差值小于阈值， 停止更新模型参数； 经过模 型参数停止更新条件判断， 获得训练好的逻辑回归 模型。 10.一种计算机存储介质， 其特征在于， 包括： 其上存储有计算机程序， 所述计算机程序 被运行以执 行权利要求1 ‑6任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115221409 A 3