一种去中心化的联邦推荐方法、智能终端及存储介质技术

本发明专利技术公开了一种去中心化的联邦推荐方法、装置、智能终端及存储介质，其中，上述去中心化的联邦推荐方法包括：获取实际评分过的物品构建第一物品集，并随机采样获取未评分过的物品构建第二物品集；将所述第一物品集与第二物品集合并为第三物品集，将所述第三物品集发送至服务器；基于所述第三物品集，通过服务器构建通信矩阵，其中，所述通信矩阵用于记录各用户对所有物品是否进行过评分的情况；基于所述第三物品集，获取所述通信矩阵中共同评分过的各个物品所对应的用户集并用于模型训练。本方案可通过去中心化的联邦推荐实现既保护用户隐私又具有较好的推荐效果，即推荐精准性。即推荐精准性。即推荐精准性。

【技术实现步骤摘要】
一种去中心化的联邦推荐方法、智能终端及存储介质


[0001]本专利技术涉及联邦推荐
，尤其涉及的是一种去中心化的联邦推荐方法、智能终端及存储介质。

技术介绍

[0002]随着人们的隐私保护意识的提高，传统的协同过滤算法等将用户数据收集到服务端再进行建模和信息推荐的方法由于会泄露用户隐私而不再可行。为了实现既能保护用户隐私又能完成信息推荐的目的，人们尝试将推荐系统和联邦学习进行结合，即联邦推荐。
[0003]近年来，许多中心化联邦推荐算法相继提出，例如联邦协同过滤方法FCF、显式反馈联邦推荐方法FedRec，这些算法都需要服务器参与，用于对所有客户端的计算结果进行整合。其中，FCF将所有未评分的物品视为负反馈，导致模型训练的偏差和高昂的通信成本，而FedRec中的各个客户端会采样一些未评分的物品以保护用户的评分行为，但该种方法会给模型训练带来噪声，导致推荐性能不佳。
[0004]另一方面，去中心化的联邦推荐方法例如信息点推荐算法DMF，能够有效地减轻服务器的计算压力和存储压力，并保护用户的评分信息，但其会泄露客户端之间的地理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种去中心化的联邦推荐方法，其特征在于，所述方法包括：获取实际评分过的物品构建第一物品集，并随机采样获取未评分过的物品构建第二物品集；将所述第一物品集与第二物品集合并为第三物品集，将所述第三物品集发送至服务器；基于所述第三物品集，通过服务器构建通信矩阵，其中，所述通信矩阵用于记录各用户对所有物品是否进行过评分的情况；基于所述第三物品集，获取所述通信矩阵中共同评分过的各个物品所对应的用户集并用于模型训练。2.根据权利要求1所述的一种去中心化的联邦推荐方法，其特征在于，所述获取实际评分过的物品构建第一物品集，并随机采样获取未评分过的物品构建第二物品集的步骤包括：获取实际评分过的物品构建第一物品集；根据预先设置的采样参数，随机采样获取未评分过的物品构建第二物品集，其中，所述采样参数的值大于一小于正无穷。3.根据权利要求1所述的一种去中心化的联邦推荐方法，其特征在于，所述基于所述第三物品集，获取所述通信矩阵中共同评分过的各个物品所对应的用户集并用于模型训练的步骤包括：基于所述第三物品集，在所述通信矩阵中查找共同评分过某物品的用户；获取所述第三物品集中所有物品对应的共同评分过的用户构建用户集，并用于模型训练。4.根据权利要求1所述的一种去中心化的联邦推荐方法，其特征在于，所述基于所述第三物品集，获取所述通信矩阵中共同评分过的各个物品所对应的用户集并用于模型训练的步骤之后包括：在每一轮迭代中，首先将第一物品集中物品的顺序打乱，并按照打乱后的顺序获取每一个物品的评分数据；基于每次获取的评分数据，计算得到对应的用户隐特征向量的梯度和个性化物品隐特征向量的梯度，并进一步对用户隐特征向量和个性化物品隐特征向量进行第一次更新；第一次更新完成后，判断迭代次数是否小于第一预设次数。5.根据权利要求4所述的一种去中心化的联邦推荐方法，其特征在于，所述第一次更新完成后，判断迭代次数是否小于第一预设次数的步骤之后包括：当是，则将第一次更新得到的个性化物品隐特征向量发送给其他声称评分过该物品的客户端；等待所有客户端的个性化物品隐特征向量发送完毕，基于其他客户端发送的个性化物品隐特征向量第二次更新对应物品的个性化物品隐特征向量；当否，则将第一次更新得到的个性化物品隐特征向量发送给其他所有客户端；等待所有客户端的个性化物品隐特征向量发送完毕，基于其他客户端发送的个性化物品隐特征向量第二次更新所有物品的个性化物品隐特征向量。6.根据权利要求5所述...

【专利技术属性】
技术研发人员：林钊浩，李志涛，梁锋，潘微科，明仲，
申请(专利权)人：深圳大学，
类型：发明
国别省市：