一种基于项目平均的纵向联邦差分隐私矩阵分解推荐方法技术

本发明专利技术涉及一种基于项目平均的纵向联邦差分隐私矩阵分解推荐方法，属于计算机推荐系统领域和信息安全领域。该方法具体包括：参与方k∈[1,p]，在本地使用拉普拉斯加噪得到通过目标函数L(U,V,B)，得到和并且通过对和上加入高斯噪音，得到参与者k∈[1,p]在本地更新和并将所有参与方k∈[1,p]的发送给服务器更新U；如此经过T轮后得到U，本发明专利技术具有良好的隐私保护性和模型准确性。

【技术实现步骤摘要】

本专利技术属于计算机推荐系统和信息安全领域，涉及一种基于项目平均的纵向联邦差分隐私矩阵分解推荐方法。

技术介绍

1、推荐系统在当今数字化时代具有极其重要的地位和广泛应用，可以帮助企业提高销售额、用户满意度和用户留存率，同时也可以帮助用户节省时间和精力，提高信息获取效率和准确性。但如果这些数据被不当地收集、存储、使用或传播，可能会导致用户的隐私泄露，对用户造成潜在的风险和损失。在这种背景下，推荐系统需要考虑用户的隐私安全。

2、差分隐私是一种通过给数据加入噪音来保护隐私的技术，即使攻击者知道其他数据点的值，也无法确定给定数据点的真实值。该技术提供了数学证明方法来检测和提高隐私保护强度。联邦学习是一种多个参与方协同学习的技术，在保护数据隐私的同时提高模型训练效果。现在主流的联邦学习分为横向联邦学习和纵向联邦学习两种，其中纵向联邦学习的差分隐私保护中，损失函数和横向联邦学习一致，导致本地的信息没有利用完，导致模型效果一般。

技术实现思路

1、有鉴于此，本专利技术的目的在于提供一种基于项目平均的纵向联邦差本文档来自技高网...

【技术保护点】

1.一种基于项目平均的纵向联邦差分隐私的矩阵分解推荐方法，具体包括以下步骤：

2.根据权利要求1所述的一种基于项目平均的纵向联邦差分隐私的矩阵分解推荐方法，其特征在于：所述步骤S3中求解具体包括以下步骤：

3.根据权利要求1所述的一种基于项目平均的纵向联邦差分隐私的矩阵分解推荐方法，其特征在于：在所述步骤S4中，通过目标函数L(U，V，B)，得到和并且通过对和上加入高斯噪音，得到具体包括以下步骤：

4.根据权利要求1所述的一种基于项目平均的纵向联邦差分隐私的矩阵分解推荐方法，其特征在于：在所述步骤S5中，本地更新和以及服务器更新U。具体包括以下步骤：<...

【技术特征摘要】

1.一种基于项目平均的纵向联邦差分隐私的矩阵分解推荐方法，具体包括以下步骤：

2.根据权利要求1所述的一种基于项目平均的纵向联邦差分隐私的矩阵分解推荐方法，其特征在于：所述步骤s3中求解具体包括以下步骤：

3.根据权利要求1所述的一种基于项目平均的纵向联邦差分隐私的矩阵分解推荐方法，其特征在于：在所述步骤s4中，通过目标函数l(u，v，b)，得到和并且通过对和上加入高斯噪音，得到具体包括以下步骤：

4.根据权利要...

【专利技术属性】
技术研发人员：王永，杨久裕，邓江洲，王淞立，杜晓春，陈钱宏，陈美玲，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：