以联邦学习为核心的在线课程推荐方法和系统技术方案

本发明专利技术公开了一种以联邦学习为核心的在线课程推荐方法和系统，可应用于模型处理技术领域。本发明专利技术方法包括：本地设备根据本地存储的用户信息计算本地模型的梯度，将所述梯度发送到服务器；服务器根据所述本地上传的梯度信息进行聚合操作，并将聚合操作的结果返回到本地设备；本地设备根据接收到的聚合操作结合更新本地模型的参数，并将参数更新后的本地模型作为慕课推荐模型进行在线课程推荐。本发明专利技术无需用户数据在本地设备和服务器之间传输，即能完成本地模型的训练过程，以降低发生数据泄密和隐私侵权事件的概率。本发明专利技术能有效提高用户信息的安全性。信息的安全性。信息的安全性。

【技术实现步骤摘要】
以联邦学习为核心的在线课程推荐方法和系统


[0001]本专利技术涉及模型处理
，尤其是一种以联邦学习为核心的在线课程推荐方法和系统。

技术介绍

[0002]慕课是指大规模开放在线课程，是一种通过开放教育资源，针对大众人群通过网络来学习的在线课程。相关技术中，在慕课使用过程中，本地设备需要向服务器上传用户信息，例如用户的个人身份信息、联系方式等，服务器在接收到用户信息后，根据用户信息进行课程的个性化推荐。这种慕课推荐方式，由于服务器和传输通道是属于共享的资源，因此，使得用户信息在传输过程中或者到达服务器，容易发生的数据泄密和隐私侵权事件。

技术实现思路

[0003]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种以联邦学习为核心的在线课程推荐方法和系统，能够有效降低发生数据泄密和隐私侵权事件的概率。
[0004]第一方面，本专利技术实施例提供了一种以联邦学习为核心的在线课程推荐方法，包括以下步骤：
[0005]本地设备根据本地存储的用户信息计算本地模型的梯度，将所述梯度发送到服务器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种以联邦学习为核心的在线课程推荐方法，其特征在于，包括以下步骤：本地设备根据本地存储的用户信息计算本地模型的梯度，将所述梯度发送到服务器；服务器根据所述本地上传的梯度信息进行聚合操作，并将聚合操作的结果返回到本地设备；本地设备根据接收到的聚合操作结合更新本地模型的参数，并将参数更新后的本地模型作为慕课推荐模型进行在线课程推荐。2.根据权利要求1所述的一种以联邦学习为核心的在线课程推荐方法，其特征在于，在所述将所述梯度发送到服务器之前，本地设备对所述梯度进行加密处理；在所述将聚合操作的结果返回到本地设备之前，服务器对聚合操作的结果进行加密处理。3.根据权利要求1所述的一种以联邦学习为核心的在线课程推荐方法，其特征在于，所述慕课推荐模型应用于联邦学习推荐框架，所述联邦学习推荐框架用于将所述用户历史课程记录保存于对应的本地设备。4.根据权利要求3所述的一种以联邦学习为核心的在线课程推荐方法，其特征在于，所述联邦学习推荐框架包括本地设备处理端和服务器处理端；所述本地设备处理端内设有慕课推荐模型和强化学习模型；所述慕课推荐模型的数据处理步骤，包括：获取用户历史课程信息；对所述用户历史课程信息进行降维处理；根据降维处理后的用户历史课程信息预测目标推荐课程。5.根据权利要求4所述的一种以联邦学习为核心的在线课程推荐方法，其特征在于，所述根据降维处理后的用户历史课程信息预测目标推荐课程，包括：根据降维处理后的用户历史课程信息预测得到多个推荐课程；采用激活函数确...

【专利技术属性】
技术研发人员：朱佳，覃杨杰，黄昌勤，韩中美，
申请(专利权)人：浙江师范大学，
类型：发明
国别省市：