System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种基于联盟链的联邦学习课程推荐方法,属于区块链与隐私计算技术应用领域。
技术介绍
1、推荐系统,是一种利用用户历史行为数据进行用户画像,预测用户的喜好,并推荐给用户商品或服务的系统,广泛应用于人们生活中的各个方面。其中,课程推荐,是网课平台在拥有大量课程资源的前提下,为用户量身定制课程的应用方案。目前,越来越多的人尤其是学生群体通过网课平台进行线上学习,而网课平台最重要的一项内容就是课程推荐。课程推荐通过历史课程记录和学习者本身的特征信息来了解学习者对课程的偏好,并从大量课程中过滤和筛选出适合学习者的课程,为学习者快速选择课程提供一些建议。但是,想要构建安全的课程推荐系统,仍存在诸多问题:
2、1.数据隐私泄露问题。教育数据中存在很多用户的私密信息,运用各种技术对教育数据进行深度挖掘,有可能会泄露用户的隐私。
3、2.数据孤岛问题。由于数据机密和数据隐私等因素,学习推荐系统之间具有相对的自我封闭性,呈现出数据碎片化存储的特征,即系统之间形成“数据孤岛”,因此,难以提供支撑教育决策的大数据。同时,网课平台之间存在一定差异性,数据的存储方式、存储形式和记录内容不同,教育过程、教育对象与教育方式也存在差别,导致教育数据孤岛化和碎片化。
4、联邦学习技术(federated learning),能够帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下,有效进行数据使用、机器学习建模等。该技术在保证终端数据和个人隐私安全、保证合法的前提下,允许多方参与机器学习,其特点是扩展性强,隐
5、然而,联邦学习的参与方来自不同的网课平台,彼此之间无法完全信任,也难以找到可信第三方;而且高度中心化的服务器一旦发生故障,将直接严重影响全局模型的训练。因此,考虑将联盟链和联邦学习结合,共同应用到课程推荐中,将大数据存储在本地,让数据所有者训练联邦学习任务,而数据完整性由分布式区块链账本维持,形成一个可信的多方协同课程推荐模型训练方案。相比于分布式机器学习,联邦学习更需要一种去中心化的分布式系统来保证用户的隐私安全。
6、区块链作为一个去中心化、数据加密、不可篡改的分布式账本,能够为联邦学习提供更好的隐私安全性,防止中心化服务器的故障影响机器学习的效率。区块链可以保证多参与方提供数据进行模型训练的数据一致性,区块链的奖励机制也能够提高各参与方之间提供数据、更新网络模型参数的积极性。
技术实现思路
1、本专利技术的目的是为了有效解决课程推荐系统面临的数据隐私泄露和数据孤岛等技术问题,提出一种基于联盟链的联邦学习课程推荐方法。
2、首先,对相关定义进行说明:
3、定义1:联邦学习
4、一种分布式机器学习技术,其核心思想是通过在多个拥有本地数据的数据源之间进行分布式模型训练,在不需要交换本地个体或样本数据的前提下,仅通过交换模型参数或中间结果的方式,构建基于虚拟融合数据下的全局模型,从而实现数据隐私保护和数据共享计算的平衡。
5、定义2:联盟链网络
6、是指提供分布式信任的机器,节点由各方组织提供;联盟链网络具有准入机制,仅获得许可的参与组织和它的用户能够访问链上数据并调用智能合约;联盟链网络负责存储模型参数和每一轮的聚合模型。
7、定义3:委员会
8、是指由各大网课平台组成的联盟,负责提出训练任务、证明任务的重要性,并规范数据格式,共同发布联邦学习任务,包括目标模型精度、全局知识特征矩阵和用户行为特征信息矩阵。
9、定义4:共识节点
10、是指运行联盟链共识协议,打包事务并产生新区块的联盟链节点,保证存储事务的一致性;
11、定义5:智能合约
12、是指一种旨在以信息化方式传播、验证或执行合同的计算机协议;智能合约允许在没有第三方的情况下进行可信交易,这些交易可追踪且不可逆转;跨组织资源管理和访问控制系统存在两种合约,访问控制策略存储合约和访问请求处理合约。
13、定义6:差分隐私
14、是指一种数据隐私保护的技术,目的是使得数据查询结果对于数据集中单个记录的变化不敏感,具有良好的隐私保护性能和可扩展性。但差分隐私技术需要平衡隐私和数据可用性,即添加的噪音不能过大以至于影响试据的可用性。
15、定义7:本地客户端
16、是指参与联邦学习的各个设备或个体,每个本地客户端都保留自己的数据,能够提供的本地计算能力并使用本地模型进行训练。
17、本地客户端是联盟中的各个网课平台,通过联盟链与其他平台进行通信,共享本地模型的更新,以实现全局模型的更新。为了增强隐私保护性,本地客户端可以通过差分隐私等手段来保护其隐私数据。
18、定义8:聚合服务器
19、指联邦学习的负责协调整个联邦学习过程的节点。聚合服务器需要协调各个参与方的模型训练,接受各方的模型参数梯度的更新,然后对梯度进行聚合,更新全局模型,达到提高全局模型的准确性和泛化能力。
20、聚合服务器是联盟选出来的主节点,其他节点上传的模型参数通过主节点进行聚合,在保护隐私和数据安全的同时进行数据共享和联合分析。
21、为了达到上述目的,本专利技术采取如下技术方案实现。
22、一种基于联盟链的联邦学习课程推荐方法,包括以下步骤:
23、步骤1:系统初始化。
24、由各网课平台组成联盟链,进行联盟链的初始化和联邦学习的初始化。其中,委员会共同发布联邦学习任务,包括目标模型精度、损失函数、全局知识特征矩阵和用户行为特征信息矩阵。
25、具体地,包括以下步骤:
26、步骤1.1:各参与平台提供节点共同构建联盟链网络,进行联盟链的初始化。
27、步骤1.2:各平台之间商讨决定以何种目标训练模型,并给出目标模型精度、损失函数、全局知识特征矩阵和用户行为特征信息矩阵。
28、步骤1.3:委员会通过联盟链广播训练任务和初始模型。
29、步骤2:本地模型训练。
30、各平台获得到初始模型,利用学习者的学习行为数据训练本地模型,提取模型更新后的数据,要求本地训练模型精度不得低于所需任务精度。
31、具体地,包括以下步骤:
32、步骤2.1:各平台通过联盟链接受由委员会发布的联邦学习的初始模型,该初始模型通过相邻节点下载。
33、步骤2.2:各平台使用初始模型和本地数据,采用梯度下降法进行本地模型训练,最终得到各个平台训练得到的本地模型。
34、步骤3:模型参数加噪上传。
35、各平台在各自的模型参数中注入满足差分隐私的噪声后,上传至联盟链;联盟链负责验证所有平台的本地模型参数。
36、具体地,包括以下步骤:
本文档来自技高网...【技术保护点】
1.一种基于联盟链的联邦学习课程推荐方法,其特征在于,包括以下步骤:
2.如权利要求1所述的一种基于联盟链的联邦学习课程推荐方法,其特征在于,步骤1包括以下步骤:
3.如权利要求1所述的一种基于联盟链的联邦学习课程推荐方法,其特征在于,步骤2包括以下步骤:
4.如权利要求1所述的一种基于联盟链的联邦学习课程推荐方法,其特征在于,步骤3包括以下步骤:
5.如权利要求1所述的一种基于联盟链的联邦学习课程推荐方法,其特征在于,步骤4包括以下步骤:
6.如权利要求1所述的一种基于联盟链的联邦学习课程推荐方法,其特征在于,步骤5包括以下步骤:
【技术特征摘要】
1.一种基于联盟链的联邦学习课程推荐方法,其特征在于,包括以下步骤:
2.如权利要求1所述的一种基于联盟链的联邦学习课程推荐方法,其特征在于,步骤1包括以下步骤:
3.如权利要求1所述的一种基于联盟链的联邦学习课程推荐方法,其特征在于,步骤2包括以下步骤:
4.如...
【专利技术属性】
技术研发人员:盖珂珂,王烁,矫佳雨,王安,祝烈煌,
申请(专利权)人:北京理工大学,
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。