【技术实现步骤摘要】
本专利技术涉及数据处理的领域，具体涉及一种基于联邦学习的个性化推荐方法和系统。
技术介绍
1、随着互联网技术的兴起以及智能手机的普及，网民的数量急剧增加，大数据时代逐渐到来，如何挖掘数据中蕴藏的价值变得越来越重要。随着人们对个性化数据推荐系统需求的不断增加，隐私保护变得越来越重要。一个好的推荐系统必须充分掌握用户的个性化信息和用户需求。只有这样，才能产生高度个性化、准确和有效的推荐结果。
2、随着用户隐私意愿的提高和政府保护个人隐私政策的实施，个性化推荐系统与个人隐私之间的矛盾逐渐体现出来，在这种情况下，推荐系统的设计者需要知道哪些类型的数据应该被视为敏感数据，了解推荐系统的基本结构和相关的隐私保护方法，并建立有效的隐私保护推荐系统。
技术实现思路
1、本专利技术克服现有技术的不足，针对上诉缺点本专利技术做出了以下的改进和优化。
2、本专利技术的目的通过以下的技术方案实现：
3、一方面，本专利技术提供了一种基于联邦学习的个性化推荐方法，包括以下步骤：
4、s1、确认用户的电子身份信息；
5、s2、根据用户的浏览记录，进行离线训练模型；
6、s3、在多次迭代后得到一个新的模型，进入模型部署阶段；
7、s4、根据部署的模型进行在线产品推荐。
8、优选的，所述s1中，确认用户的电子身份信息包括用户在终端通过账户密码登入，将此作为第一认证信息，并通过采集用户的生物特征信息与并基于所述生物特征信息
9、优选的，所述s1中，确认用户的电子身份信息后，根据用户的过往关注产品以及与当前浏览产品时产生的行为信息，建立相关的用户关注产品数据以及意向产品数据的行为信息。
10、优选的，所述s2中，若用户是新注册的，则随机推送择一批产品推荐给用户阅读，在用户端和服务器均积累了一定数量的数据后，进行离线训练模型。
11、更优的，所述离线训练模型具体包括：
12、初始化模型参数，然后分发模型的参数到用户终端，在分发时通过选择合适的超参数；用户终端在收到模型后开始本地的训练，训练过程中用户的数据始终保留在本地，在计算训练的损失梯度后，用户终端将其上传至服务器，服务器根据梯度使用安全聚合的方式进行聚合计算，并更新全局的推荐模型，然后再次发送模型至用户终端，经过迭代多次后得到一个的联邦推荐模型。
13、更优的，所述得到一个的联邦推荐模型后，用户终端能够选择是否根据本地的浏览历史数据进行再次训练，得到一个新的个性化的联邦推荐模型。
14、优选的，所述s4中，用户终端向中心服务器发出请求产品推荐时，从产品数据库抽取一部分产品，中心服务器利用全局模型计算产品的得分生成召回列表返回给用户，本地的模型通过预测召回列表的产品的得分，并按照评分由高到低进行排序推荐给用户。
15、在另一方面，本专利技术还提供了一种基于联邦学习的个性化推荐系统，包括依次连接的信息认证模块、离线训练模块、模型部署模块和产品推荐模块；
16、所述信息认证模块用于获取用户的电子身份信息；并对所述电子身份信息进行认证；
17、所述离线训练模块用于根据用户的浏览记录，进行离线训练模型；
18、所述模型部署模块用于根据新的模型准备产品；
19、所述产品推荐用于根据部署的模型进行在线产品推荐。
20、本专利技术提供了一种基于联邦学习的个性化推荐方法和系统，利用联邦学习框架，克服了用户数据的集中存储，保护了用户的隐私。联邦式推荐模型往往带来巨大的通信负荷，且当本地模型过大时，客户端缺乏计算所需的资源，论文将产品模型分解成存储在服务器的大型产品模型和客户端与服务器共享的小型产品表示，解决了通信成本高和客户端的资源紧缺问题，后续通过实验验证了本文设计的产品推荐算法的有效性，证明了本专利技术设计的系统能够依据用户的行为数据为用户实现个性化的推荐。此外，由于用户的浏览历史记录一直存储在客户端，该推荐系统还在一定程度上保护了用户的隐私。
本文档来自技高网...【技术保护点】
1.一种基于联邦学习的个性化推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于联邦学习的个性化推荐方法，其特征在于，所述S1中，确认用户的电子身份信息包括用户在终端通过账户密码登入，将此作为第一认证信息，并通过采集用户的生物特征信息与并基于所述生物特征信息生成生物特征识别码；将所述生物特征识别码与预先存储的生物特征识别码进行比对，确定所述用户的认证结果。
3.根据权利要求1所述的一种基于联邦学习的个性化推荐方法，其特征在于，所述S1中，确认用户的电子身份信息后，根据用户的过往关注产品以及与当前浏览产品时产生的行为信息，建立相关的用户关注产品数据以及意向产品数据的行为信息。
4.根据权利要求1所述的一种基于联邦学习的个性化推荐方法，其特征在于，所述S2中，若用户是新注册的，则随机推送择一批产品推荐给用户阅读，在用户端和服务器均积累了一定数量的数据后，进行离线训练模型。
5.根据权利要求4所述的一种基于联邦学习的个性化推荐方法，其特征在于，所述离线训练模型具体包括：
6.根据权利要求4所述的一种基于联邦学
7.根据权利要求1所述的一种基于联邦学习的个性化推荐方法，其特征在于，所述S4中，用户终端向中心服务器发出请求产品推荐时，从产品数据库抽取一部分产品，中心服务器利用全局模型计算产品的得分生成召回列表返回给用户，本地的模型通过预测召回列表的产品的得分，并按照评分由高到低进行排序推荐给用户。
8.一种基于联邦学习的个性化推荐系统，其特征在于，包括依次连接的信息认证模块、离线训练模块、模型部署模块和产品推荐模块；
...【技术特征摘要】
1.一种基于联邦学习的个性化推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于联邦学习的个性化推荐方法，其特征在于，所述s1中，确认用户的电子身份信息包括用户在终端通过账户密码登入，将此作为第一认证信息，并通过采集用户的生物特征信息与并基于所述生物特征信息生成生物特征识别码；将所述生物特征识别码与预先存储的生物特征识别码进行比对，确定所述用户的认证结果。
3.根据权利要求1所述的一种基于联邦学习的个性化推荐方法，其特征在于，所述s1中，确认用户的电子身份信息后，根据用户的过往关注产品以及与当前浏览产品时产生的行为信息，建立相关的用户关注产品数据以及意向产品数据的行为信息。
4.根据权利要求1所述的一种基于联邦学习的个性化推荐方法，其特征在于，所述s2中，若用户是新注册的，则随机推送择一批产品推荐给用户阅读，在用户端和服务器均积...
【专利技术属性】
技术研发人员：冒高峰，朱陶飞，黄勇，陆永丽，宋家豪，
申请(专利权)人：上海及未科技有限公司，
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。