1.一种基于联邦学习的社交协同过滤推荐方法,其特征在于:包括以下步骤:步骤1、由中央服务器选择参与本地训练的用户客户端,并将物品嵌入向量和对应的用户嵌入向量分发到所述用户客户端;
步骤2、在用户客户端上进行E轮本地训练,每轮本地训练过程中,分别通过矩阵分解模块、用户对比模块和物品对比模块来计算模型损失函数;
步骤3、完成E轮本地训练后,通过梯度保护模块,得到最终需要上传的梯度,并将其上传至中央服务器进行梯度聚合,随后对物品嵌入向量进行更新,完成一个完整的通讯轮次;
步骤4、重复步骤1至步骤3,直至完成预定个数的通讯轮次,得到充分训练后的用户嵌入向量和物品嵌入向量;
步骤5、将步骤4得到的用户嵌入向量和物品嵌入向量作为评分预测模块的输入,得到对用户推荐的物品序列;
所述矩阵分解模块中,将第t个通讯轮次中,用户客户端接收到的用户嵌入向量和物品嵌入向量作为输入,计算得到矩阵分解损失为:,
其中, 表示用户i对物品j的历史评分, 表示第t个通讯轮次时用户i的嵌入向量, 表示第t个通讯轮次时物品j的嵌入向量, 为用户i的历史评分物品序列;
所述用户对比模块中,当用户i的社交信任用户嵌入向量为,随机选择的陌生用户嵌入向量为
,对用户i,其嵌入向量与其每个信任用户的嵌入向量 构成n个正对,取数量为 的随机用户嵌入向量 ,将用户i的嵌入向量与所述随机用户嵌入向量构成 个负对,则计算得到用户对比损失为:,
其中,sim()为点积相似度函数,用向量间的点积结果表示向量间的相似度,同时考虑了向量在模和方向上的相似性, 为对用户相似度缩放的温度超参数, 表示集合中的元素数量;
所述物品对比模块中,将当前通讯轮次的物品嵌入向量与中央服务器分发的物品嵌入向量作为一组正对,将当前通讯轮次的物品嵌入向量与上一个通讯轮次的物品嵌入向量作为一个负对,计算得到物品对比损失为:,
其中,对于用户客户端i, , , 分别表示第t个通讯轮次的本地物品嵌入向量,第t个通讯轮次的全局物品嵌入向量和第t‑1个通讯轮次的本地物品嵌入向量,sim()为点积相似度函数, 为对物品相似度缩放的温度超参数;
模型最终的损失函数为:
,
其中, 和 分别为控制用户和物品对比损失的超参数。
2.根据权利要求1所述的一种基于联邦学习的社交协同过滤推荐方法,其特征在于:步骤3中在上传梯度之前,对梯度加上一个符合拉普拉斯噪声的扰动:,
其中,对于第i个用户客户端, 为扰动后的梯度, 为扰动前的原始梯度,为满足 ‑差分隐私的一个噪声, 为差分隐私的敏感度, 为差分隐私的隐私预算。
3.根据权利要求2所述的一种基于联邦学习的社交协同过滤推荐方法,其特征在于:得到扰动后的梯度 后,利用FedAvg方法对梯度进行聚合,利用训练样本数量对梯度进行加权处理:,
,
其中, 为参与第t轮训练的用户客户端集合, 为第i个用户客户端中所包含的训练样本个数,N为第t轮训练中所有参与训练的用户客户端中训练样本总数。