【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。