【技术实现步骤摘要】
本专利技术涉及机器学习，特别是指一种基于联邦图神经网络的位置隐私保护推荐方法及系统。
技术介绍
1、随着科技进步和移动设备的普及，gps轨迹数据呈指数级增长，研究者开始关注如何高效利用这些数据来深入理解用户的复杂移动行为，因此基于地理位置的社交网络得到了大力发展。通过移动用户的位置签到功能，基于位置的社交网络(location-basedsocial network，lbsn)将线上虚拟社交与线下实际世界紧密融合在一起，从而催生了多种基于位置的服务。在这些服务中，位置推荐扮演着提供卓越用户体验的关键角色。
2、随着图数据库和图计算技术的发展，图神经网络(graph neural network，gnn)广泛应用于个性化服务推荐中。但是，对于高度隐私敏感的用户信息，集中式信息存储方法会带来用户隐私信息泄露的风险。尤其是在gdpr法律颁布后，对个人数据保护的要求更加严格，位置服务提供商会面临无法集中存储用户数据以进行个性化服务推荐的挑战，这将促使研究者和企业寻求更加安全和隐私保护的方法。
3、在基于联邦学习的位置推荐中，每个客户端都拥有自己的本地数据集。这些本地数据集可能因为客户端之间的差异，如用户的行为差异和用户处于不同的地理位置，而呈现出不同的数据分布。因此，解决基于联邦学习的位置推荐中的数据异质性问题变得至关重要。
技术实现思路
1、针对联邦学习位置推荐中存在的数据异质性问题，本专利技术提供了一种基于联邦图神经网络的位置隐私保护推荐方法及系统，保护了位置推
2、本专利技术的技术方案是这样实现的：
3、一种基于联邦图神经网络的位置隐私保护推荐方法，包括：
4、s10：各个客户端分别从服务器端请求嵌入表和初始全局模型，并根据本地的用户标识和兴趣点标识从请求的嵌入表中获取社交朋友嵌入和兴趣点嵌入；
5、s20：各个客户端分别构建图神经网络推荐模型，使用图注意力网络来学习社交朋友嵌入和兴趣点嵌入，使用带有兴趣点采样的伪标签方法保护用户交互的兴趣点；混合社交朋友嵌入、兴趣点嵌入和用户自身嵌入后进行推荐预测；
6、s30：客户端使用本地差分隐私将计算得出的梯度进行扰动，并将扰动后的梯度上传至服务器；
7、s40：服务器根据梯度信息，将客户端进行聚类，并在每个聚类中选择具有代表性的客户端进聚合和全局模型更新，最后将更新后的全局模型分发给各个客户端。
8、步骤s10的具体实现方法包括：
9、客户端请求服务器维护的嵌入表和初始化的全局模型，其中嵌入表包括用户嵌入和兴趣点嵌入；
10、客户端使用本地交互数据中的用户标识和兴趣点标识检索相应的嵌入；
11、每个客户端的社交朋友嵌入为用户访问的兴趣点嵌入为
12、步骤s20的具体实现方法包括：
13、对于用户uk，设它的一个社交朋友为uf，uk和uf之间的权重系数为：
14、
15、其中，f是用户uk社交朋友节点的数量，||表示拼接操作，表示可学习的参数向量，leakyrelu为激活函数；w表示注意力层节点嵌入变换的权重参数；
16、获得节点之间的权重系数后，图注意力网络通过加权求和来获得中心节点嵌入，表达式如下：
17、
18、其中，表示聚合用户uk的社交朋友后得到的嵌入，//表示拼接操作，r表示注意力机制的头部个数，表示第r组注意力机制得到的节点uk到uf的权重系数，wr为第r组注意力机制对应的线性映射矩阵；
19、对获取的用户社会朋友嵌入用户交互的兴趣点嵌入和用户自身的嵌入通过求和操作进行融合，得到用户uk最终的节点嵌入
20、对用户没有访问过的兴趣点进行随机采样，将采样的兴趣点输入到局部模型中得到预测的兴趣点访问次数等级，并将访问次数等级作为伪兴趣点的假标签。
21、所述兴趣点访问次数等级为g′ul＝hu·el，其中，el包含了伪兴趣点。
22、步骤s30的具体实现方法包括：
23、使用本地差分隐私对每个客户端计算出的嵌入梯度和模型梯度进行保护，表达式如下：
24、g'(k)＝clip(g(k),δ)+laplacian(0,λ)；
25、其中，g'(k)表示随机化的梯度，clip(g(k),δ)是使用阈值δ来对局部梯度进行裁剪的函数，laplacian(0,λ)是强度为λ的拉普拉斯噪声，其均值为零。
26、步骤s40的具体实现方法包括：
27、服务器计算任意两个客户端梯度之间的欧式距离，生成邻接矩阵，表达式如下：
28、dist(di,dj)＝||g'm(i)-g'm(j)||2；
29、其中，di为客户端ci的本地数据，dj为客户端cj的本地数据，g'm(i)为ci计算的模型梯度，g'm(j)为cj计算的模型梯度；
30、使用基于邻接矩阵特征向量的聚类将多个客户端分为不同的簇，并根据簇的大小自适应地选取一定数量的随机用户来进行参数聚合；
31、服务器对选中的客户端的嵌入梯度和模型梯度进行聚合，然后进行全局模型参数更新；
32、重复联邦学习过程直至模型收敛；
33、将更新后的全局模型发给各个客户端。
34、所述模型梯度聚合为其中，y是被选中的客户端的集合，hk为客户端交互的兴趣点数量。
35、所述全局模型参数更新为其中，η为学习率。
36、一种基于联邦图神经网络的位置隐私保护推荐方法对应的系统，所述系统包括兴趣点推荐模块、伪标签模块、本地差分隐私模块、服务器模块，其中，
37、所述兴趣点推荐模块，用于预测用户交互的兴趣点访问次数等级；
38、所述伪标签模块，用于保护用户隐私安全，并缓解了图神经网络位置推荐中面临的冷启动问题；
39、所述本地差分隐私模块，用于防止攻击者利用逆向工程等方法从客户端模型梯度中推断出用户数据；
40、所述服务器模块，用于客户端聚类、客户端选择、参数聚合、模型更新和全局模型分发。
41、与现有技术相比，本专利技术产生的有益效果为：客户端从服务器端请求嵌入表和全局模型，并根据本地的用户标识和兴趣点标识从请求的嵌入表中获取社交朋友嵌入和兴趣点嵌入；各个客户端分别构建图神经网络推荐模型，使用图注意力网络来学习社交朋友嵌入和兴趣点嵌入，使用带有兴趣点采样的伪标签方法保护用户交互的兴趣点；混合社交朋友嵌入、兴趣点嵌入和用户自身嵌入后进行推荐预测；客户端使用本地差分隐私将计算得出的梯度进行扰动，并将扰动后的梯度上传至服务器；服务器根据梯度信息，将客户端进行聚类，并在每个聚类中选择具有代表性的客户端进聚合和模型更新；最后将更新后的全局模型分发给各个客户端。本专利技术可以实现对用户交互数据的保护，解决了传统集中式数据收集带来的隐私安全问题。同时利用基于聚类的方法，有效解本文档来自技高网...
【技术保护点】
1.一种基于联邦图神经网络的位置隐私保护推荐方法，其特征在于，包括：
2.根据权利要求1所述的基于联邦图神经网络的位置隐私保护推荐方法，其特征在于，步骤S10的具体实现方法包括：
3.根据权利要求1所述的基于联邦图神经网络的位置隐私保护推荐方法，其特征在于，步骤S20的具体实现方法包括：
4.根据权利要求3所述的基于联邦图神经网络的位置隐私保护推荐方法，其特征在于，所述兴趣点访问次数等级为G′ul＝hu·el，其中，el包含了伪兴趣点。
5.根据权利要求1所述的基于联邦图神经网络的位置隐私保护推荐方法，其特征在于，步骤S30的具体实现方法包括：
6.根据权利要求1所述的基于联邦图神经网络的位置隐私保护推荐方法，其特征在于，步骤S40的具体实现方法包括：
7.根据权利要求6所述的基于联邦图神经网络的位置隐私保护推荐方法，其特征在于，所述模型梯度聚合为其中，Y是被选中的客户端的集合，Hk为客户端交互的兴趣点数量。
8.根据权利要求7所述的基于联邦图神经网络的位置隐私保护推荐方法，其特征在于，所述全局模
9.一种如权利要求1-8任一项所述的基于联邦图神经网络的位置隐私保护推荐方法对应的系统，其特征在于，所述系统包括兴趣点推荐模块、伪标签模块、本地差分隐私模块、服务器模块，其中，
...【技术特征摘要】
1.一种基于联邦图神经网络的位置隐私保护推荐方法，其特征在于，包括：
2.根据权利要求1所述的基于联邦图神经网络的位置隐私保护推荐方法，其特征在于，步骤s10的具体实现方法包括：
3.根据权利要求1所述的基于联邦图神经网络的位置隐私保护推荐方法，其特征在于，步骤s20的具体实现方法包括：
4.根据权利要求3所述的基于联邦图神经网络的位置隐私保护推荐方法，其特征在于，所述兴趣点访问次数等级为g′ul＝hu·el，其中，el包含了伪兴趣点。
5.根据权利要求1所述的基于联邦图神经网络的位置隐私保护推荐方法，其特征在于，步骤s30的具体实现方法包括：
<...【专利技术属性】
技术研发人员：朱亮，慕京哲，穆金巧，左洪强，谷晶中，蔡增玉，朱付保，
申请(专利权)人：郑州轻工业大学，
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。