【技术实现步骤摘要】
本专利技术涉及人工智能，尤其涉及基于属性表征学习的联邦推荐冷启动方法、系统及介质。
技术介绍
1、推荐系统是一种从海量数据中过滤冗余信息，为用户提供个性化服务的重要工具，对于找到用户真正感兴趣的内容，缓解信息过载问题至关重要。冷启动推荐作为推荐系统中长期存在的核心问题，要求系统对新加入系统、缺乏历史交互记录的冷商品具备有效的推荐预测能力。为解决冷启动推荐问题，将历史交互商品的属性信息集成到模型，辅助模型理解新商品已成为一种主流技术路径。然而随着全社会对用户隐私保护的日益重视，如何在避免用户隐私数据泄漏的情况下提供高质量的推荐服务，成为了亟待解决的关键问题。
2、联邦学习作为一种新兴的分布式隐私保护框架，2016年由google首次提出。融合联邦学习的推荐框架应运而生，其核心机制是将推荐模型部署在客户端上，各客户端根据本地存储的私有本地数据在本地训练模型，仅将模型参数上传至服务器进行全局模型参数安全聚合，再分发给客户端使用。该方式有效避免了服务器直接收集用户原始数据，是解决推荐系统中隐私数据泄漏风险的有效方案。但是在实际的推荐...
【技术保护点】
1.基于属性表征学习的联邦推荐冷启动方法，其特征在于，将用户表征和冷商品的属性信息输入到已训练完成的联邦推荐模型中，输出用户对冷商品的偏好概率；
2.根据权利要求1所述的联邦推荐冷启动方法，其特征在于，在所有客户端将当前训练轮次得到的更新后本地热商品表征上传到服务器端之前，每个客户端均对更新后本地热商品表征随机添加拉普拉斯分布噪声。
3.根据权利要求1所述的联邦推荐冷启动方法，其特征在于，在所述服务器端，所述利用热商品属性信息文本构建通用热商品表征，具体为：
4.根据权利要求3所述的联邦推荐冷启动方法，其特征在于，在服务器端中，所述...
【技术特征摘要】
1.基于属性表征学习的联邦推荐冷启动方法，其特征在于，将用户表征和冷商品的属性信息输入到已训练完成的联邦推荐模型中，输出用户对冷商品的偏好概率；
2.根据权利要求1所述的联邦推荐冷启动方法，其特征在于，在所有客户端将当前训练轮次得到的更新后本地热商品表征上传到服务器端之前，每个客户端均对更新后本地热商品表征随机添加拉普拉斯分布噪声。
3.根据权利要求1所述的联邦推荐冷启动方法，其特征在于，在所述服务器端，所述利用热商品属性信息文本构建通用热商品表征，具体为：
4.根据权利要求3所述的联邦推荐冷启动方法，其特征在于，在服务器端中，所述将初始热商品表征输入到由多层感知机构建的表征对齐模型中，学习初始热商品表征到全局热商品表征的映射关系，输出得到通用热商品表征，具体为：
5.根据权利要求1所述的联邦推荐冷启动方法，其特征在于，将客户端和服务器端之间的一轮数据交互作为一个训练...
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。