一种基于变分推理的分布式跨界服务推荐方法及系统技术方案

本发明专利技术提供了一种基于变分推理的分布式跨界服务推荐方法，包括：S1：使用用户本地数据训练局部推理模型，获取用户在源领域的服务偏好分布；S2：基于对比学习获取本地模型对比损失；S3：将推理模型输出的用户

【技术实现步骤摘要】
一种基于变分推理的分布式跨界服务推荐方法及系统


[0001]本专利技术涉及服务推荐领域，特别是一种基于变分推理的分布式跨界服务推荐方法及系统。

技术介绍

[0002]随着互联网和信息技术的快速发展，电子商务、网上服务与交易等网络业务越来越普及，大量的信息聚集起来，形成海量信息。用户想要从海量信息中快速准确地寻找到自己感兴趣的信息已经变得越来越困难，特别在各类电子商务领域这点显得更加突出。
[0003]为了解决这个问题，各类个性化服务推荐系统应运而生。推荐系统并不需要用户提供明确的需求，而是通过分析用户的历史行为，从而主动向用户推荐能够满足他们兴趣和需求的信息。对于用户而言，推荐系统在帮助用户发现其感兴趣的内容或服务时提供了便利，但也存在着各类隐私数据违规收集和泄露的隐患。传统服务推荐方法大都基于数据中心化的模型训练策略，恶意第三方的存在将使得此类方法难以为用户提供隐私保证。
[0004]此外，服务推荐也逐渐呈现领域化、动态化的发展趋势，传统的服务推荐也渐渐难以满足用户个性化和多样性需求，支持跨界的服务推荐也是提升推荐系统核心竞争力的关键点之一。
[0005]因此，需要一个新的服务推荐方案来增强对用户数据隐私的保护，并满足用户越来越高的个性化推荐需求。

技术实现思路

[0006]针对现有方法的以上缺陷及改进需求，本专利技术的目的在于提供一种基于变分推理的分布式跨界服务推荐方法及系统，通过结合用户在不同领域的本地服务交互数据，本地建模用户行为偏好分布并学习跨界服务关联关系，实现了在不泄露用户真实交互数据的前提下为缺乏交互的用户进行跨界服务推荐。
[0007]根据本专利技术的目的，本专利技术提出了一种基于变分推理的分布式跨界服务推荐方法，所述方法包括如下步骤：S1：根据用户在多个领域的本地服务交互数据训练本地模型，将用户在辅助域的服务交互数据集记为，在目标域的数据集记为，使用辅助域数据学习本地推理模型，获取用户在辅助域的服务偏好分布，表示参与训练的用户数量；S2：基于对比学习对模型训练过程加以约束，获取本地模型对比损失，通过提高本地模型相邻两次迭代学习的用户服务偏好分布的相似度，同时降低本地模型本次迭代和全局模型学习的用户服务偏好分布的相似度，从而增强本地模型不同迭代间以及本地模型和全局模型间的一致性，进而提升模型的收敛速度；S3：为实现域间信息迁移，将本地贝叶斯编码器输出的用户
‑
服务偏好分布输入本地贝叶斯解码器，重构用户在目标域的服务交互数据，根据重构交互与真实交互
计算重构损失，基于端到端模型训练机制实现域间映射，提升模型的可操控性；S4：结合对比损失和重构损失共同组成本地损失，本地模型基于进行本地模型的反向更新与模型优化；S5：本地模型收敛或达到本地迭代阈值后，客户端将本地模型参数上传至中央服务器，中央服务器将所有接收到的本地模型进行全局聚合并更新全局模型，进而将该全局模型下发至各个客户端，进行下一轮本地迭代，直至模型收敛。
[0008]所述步骤S1
‑
S5的具体实施方式参见下文。
[0009]本专利技术还提供了可编程的各类处理器（FPGA、ASIC或其他集成电路），所述处理器用于运行程序，其中，所述程序运行时执行上述方法中的步骤；本专利技术还提供了对应的计算机推荐系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述存储器执行所述程序时实现上述方法中的步骤。
[0010]本专利技术创新性的提出了一种基于变分推理的分布式跨界服务推荐方法及系统，通过根据已知的用户本地服务交互数据，在用户个人设备上学习该用户在特定领域的行为偏好分布，通过用户在不同领域的服务偏好分布建模领域间用户特征映射机制。由于采用的是本地交互数据，可以给推荐系统在为缺乏交互数据的用户进行服务推荐时提供依据，基于域间映射关系实现了为此类用户进行跨界服务推荐。同时，采用分布式模型训练方式，每个用户维护各自的本地跨界服务推荐模型，基于本地数据进行模型训练，这将有效降低用户隐私泄露的风险。因此，本专利技术具备如下的有益效果：（1）采用分布式模型训练策略，无需收集用户真实服务交互数据，基于用户本地数据在本地训练局部跨界推荐模型，由中央服务器聚合模型参数，这样便可以极大提升用户的隐私安全，有效降低用户隐私泄露风险。
[0011]（2）传统基于神经网络的域间映射机制需要先获取用户和服务的嵌入表示，再进行映射建模，此类非端到端模型训练方式难以把握模型训练程度，而本专利技术采用的变分推理技术将用户在某一特定领域的交互作为输入，通过减小模型输出与另一领域交互数据的差距实现端到端跨界服务特征的域间映射，端到端的映射机制可以有效提升模型的可操控性。
[0012]本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
[0013]附图用来提供对本专利技术技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本专利技术的技术方案，并不构成对本专利技术技术方案的限制。
[0014]图1是本专利技术一实施例所提供的基于变分推理的分布式跨界服务推荐方法的流程示意图；图2是本专利技术一实施例所提供的用户本地模型训练的框架示意图；图3是本专利技术一实施例所提供的分布式跨界服务推荐模型的总体框架示意图。
具体实施方式
[0015]为了更清楚地说明本专利技术的目的和技术方案，下面将结合本专利技术申请实施例中的附图，对本专利技术进行进一步介绍说明。显而易见地，下面描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。在没有创造性劳动前提下，本领域普通技术人员基于本专利技术的实施例所得到的其他实施例，都应属于本专利技术的保护范围。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
[0016]为了实现上述目的，本专利技术所提出的基于变分推理的分布式跨界服务推荐方法的流程示意图如图1所示。
[0017]结合图1，所述基于变分推理的分布式跨界服务推荐方法的主要步骤包括：S1：使用用户本地数据训练局部推理模型，获取用户在源领域的服务偏好分布；其中，所述本地训练数据包括用户
‑
服务之间在多个领域的交互数据、冷启动用户集合。
[0018]S2：基于对比学习获取本地模型对比损失；S3：将推理模型输出的用户
‑
服务偏好分布输入本地生成模型，重构用户在目标域的服务交互数据，进而获得重构损失；S4：结合S2中获取的对比损失和S3中获得的重构损失进行本地模型优化；S5：用户将本地模型参数上传至中央服务器进行模型聚合并得到全局模型，服务器将全局模型下发至各个用户进行迭代更新，直至模型收敛。
[0019]所述模型的输出包括为冷启动用户在未交互领域推荐的服务集合。
[0020]具体的，对上述步骤分别进行说明如下：所述步骤S1中根据用户在多个领域的服务交互数据训练本地本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于变分推理的分布式跨界服务推荐方法，其特征在于，所述方法包括如下步骤：S1：根据用户在多个领域的本地服务交互数据训练本地模型，将用户在辅助域的服务交互数据集记为，在目标域的数据集记为，使用辅助域数据学习本地推理模型，获取用户在辅助域的服务偏好分布，表示参与训练的用户数量；S2：基于对比学习对模型训练过程加以约束，获取本地模型对比损失，通过提高本地模型相邻两次迭代学习的用户服务偏好分布的相似度，同时降低本地模型本次迭代和全局模型学习的用户服务偏好分布的相似度，从而增强本地模型不同迭代间以及本地模型和全局模型间的一致性，进而提升模型的收敛速度；S3：为实现域间信息迁移，将本地贝叶斯编码器输出的用户
‑
服务偏好分布输入本地贝叶斯解码器，重构用户在目标域的服务交互数据，根据重构交互与真实交互计算重构损失，基于端到端模型训练机制实现域间映射，提升模型的可操控性；S4：结合对比损失和重构损失共同组成本地损失，本地模型基于进行本地模型的反向更新与模型优化；S5：本地模型收敛或达到本地迭代阈值后，客户端将本地模型参数上传至中央服务器，中央服务器将所有接收到的本地模型进行全局聚合并更新全局模型，进而将该全局模型下发至各个客户端，进行下一轮本地迭代，直至模型收敛。2.如权利要求1所述的方法，其特征在于,所述步骤 S1包括：S11：将用户在辅助域的服务交互矩阵转化为二元交互矩阵，即：；用户在目标域的服务交互矩阵也进行相同的转换；S12：为每个用户搭建本地贝叶斯编码器和贝叶斯解码器，设计为三层神经网络结构，设计为的镜像深度前馈网络；全局贝叶斯编码器和贝叶斯解码器采用与客户端相同的网络结构；S13：采用Xavier初始化方法对和进行模型初始化，和也采用同样的初始化方法进行模型初始化；S14：将二元用户服务交互矩阵作为的输入，模型的输出为用户交互分布的均值和方差的拼接向量，将该矩阵平均拆分为两个向量，分别表示用户交互分布的均值和方差；S15：为了模型能够反向传播从而进行正常模型训练，采样服从标准高斯分布的随机噪声，通过重参数技巧获取用户服务偏好分布，具体计算如下：；
其中，表示编码器网络，表示逐元素乘积。3.如权利要求2所述的方法，其特征在于,所述编码器的网络结构如下所示：；其中，和均表示可训练的神经网络权重，yi表示输出量。4.如权利要求1所述的方法，其特征在于，所述步骤S2包括：S21：获取第次全局迭代过程中全局模型对应的用户交互分布，并存入缓存表中，如果，则；S22：将用户第次本地迭代过程中学习的用户服务交互分布存入缓存表中，如果，基于余弦相似度计算和的相似度，具体计算方式如下：将向量和进行归一化处理：；进行相同的操作后得到，根据余弦相似度计算两者的相似度：；如果，；S23：计算全局模型学习得到的全局用户服务交互分布与用户本次迭代...

【专利技术属性】
技术研发人员：王愿，王欢，张自峰，丁泽舟，王俊，冯松，张以文，
申请(专利权)人：安徽省模式识别信息技术有限公司，
类型：发明
国别省市：