【技术实现步骤摘要】
本专利技术涉及智能推荐，具体来说，涉及一种基于图联邦学习的隐私保护推荐方法。
技术介绍
1、推荐系统的核心目标是通过分析用户的行为数据和偏好，为用户提供个性化推荐服务。然而，传统推荐系统通常依赖于中心化的数据存储和集中式模型训练，随着数据隐私保护法规（如《通用数据保护条例》（gdpr））的出台以及用户对隐私保护需求的增强，传统推荐系统正面临严峻挑战。
2、联邦学习作为一种新型的分布式机器学习技术，通过在用户本地数据上进行模型训练，并仅上传模型参数或梯度，而非用户的原始数据，从而有效保护了用户隐私。联邦学习技术的引入为推荐系统的发展提供了一种新的解决方案，即联邦推荐系统。然而，现有的联邦推荐方法在高阶交互信息的建模、数据分布不均衡处理和安全性与性能的平衡等方面仍存在诸多挑战。
技术实现思路
1、鉴于现有技术的不足，本专利技术提供一种基于图联邦学习的隐私保护推荐方法。本专利技术高效建模用户-物品的高阶交互关系，缓解数据分布不均衡问题，同时结合隐私保护技术提升安全性和性能。
<...【技术保护点】
1.一种基于图联邦学习的隐私保护推荐方法，其特征在于，应用于联邦推荐系统，所述联邦推荐系统包括一个服务器端和若干客户端；所述方法包括以下步骤：
2.根据权利要求1所述的一种基于图联邦学习的隐私保护推荐方法，其特征在于，所述用户嵌入矩阵和物品嵌入矩阵的计算方法为：
3.根据权利要求1所述的一种基于图联邦学习的隐私保护推荐方法，其特征在于，所述BPR损失函数为：
4.根据权利要求3所述的一种基于图联邦学习的隐私保护推荐方法，其特征在于，服务器端接收各个客户端上传的本地物品嵌入矩阵梯度和本地权重参数的梯度，并根据以下公式进行聚合：
...【技术特征摘要】
1.一种基于图联邦学习的隐私保护推荐方法，其特征在于，应用于联邦推荐系统，所述联邦推荐系统包括一个服务器端和若干客户端；所述方法包括以下步骤：
2.根据权利要求1所述的一种基于图联邦学习的隐私保护推荐方法，其特征在于，所述用户嵌入矩阵和物品嵌入矩阵的计算方法为：
3.根据权利要求1所述的一种基于图联邦学习的隐私保护推荐方法，其特征在于，所述bpr损失函...
【专利技术属性】
技术研发人员：李沐南，杨振宇，李梓健，杨丽平，李家隆，
申请(专利权)人：大连海事大学，
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。