欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022109726526
申请人: 暨南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于联邦学习和相似度密文计算的个性化推荐项目方法,所述项目包括电影、音乐、图书、商品,其特征在于,所述项目推荐方法包括以下步骤:

S1、系统初始化:可信中心TA为推荐代理Ageni,用户ui,j和云服务器生成并分发密钥,其中,假设一共有N个推荐代理,每个推荐代理都有M个用户和n个项目,第i个推荐代理表示为Ageni,推荐代理Ageni的第j个用户表示为ui,j,并且满足1≤i≤N,1≤j≤M;推荐代理Ageni的第i′个项目表示为Ii,i′,并且满足1≤i≤N,1≤i′≤n;可信中心TA首先运行密钥生成算法SOMC.KeyGen(p),其中p为矩阵维度,得到实现加密功能的第一密钥KA,第二密钥Ks,1,Ks,2,...,Ks,N,第三密钥K1,K2,...,KN,第四密钥L和第五密钥J1,J2,...,JN;随后可信中心TA将KA,Ki,Ks,i发送给对应的推荐代理Ageni;将Ks,1,Ks,2,...,Ks,N和L发送给云服务器;将密钥Ji发送给对应的用户ui,1,ui,2,...,ui,M;可信中心TA给推荐代理Agen1,Agen2,...,AgenN生成身份标识ID1,ID2,...,IDN;给每一个项目Ii,i′生成对应的身份标识Iidi,i′;可信中心TA将推荐代理Agen1,Agen2,...,AgenN的可靠度分值RES1,RES2,...,RESN初始化为0,以及RES1,RES2,...,RESN的更新次数count1,count2,...,countN初始化为0;

S2、数据加密:每一个项目Ii,i′的属性信息用p维向量表示,其中bii′,1,bii′,2,...,bii′,p表示项目Ii,i′的第1,2,...,p个属性值,符号表示转置运算;每一个推荐代理Ageni运行加密算法输出加密结果上传保存在云服务器中;

S3、项目推荐:每一个用户ui,j的需求信息用p维向量表示,其中aij,1,aij,2,...,aij,p表示用户ui,j需求的第1,2,...,p个属性值,用户ui,j运行加密算法输出加密结果之后用户ui,j往输出结果中加入噪声得到随后,用户ui,j将加密加噪的需求向量发给推荐代理Ageni,通过推荐代理Ageni和云服务器交互,执行项目推荐算法得到被推荐的项目Iopt和对应的身份标识Iidopt发送给用户ui,j,其中是用户ui,j的加密加噪需求向量,是推荐代理Ageni的项目属性密文数据集,Wi是推荐代理Ageni的推荐权值矩阵,{RESi,i=1,2,...,N}是每一个推荐代理的可靠度分值数据集,L是云服务器私钥,是实现选择推荐代理的第一、第二门限值;

S4、更新可靠度分值:每一个用户ui,j收到推荐结果之后,生成评分矩阵Ri,j,用户ui,j往评分矩阵Ri,j中加入噪声得到并生成评分标识向量并运行加密算法得到加密加噪评分矩阵R′i,j,计算其中符号“·”表示乘法运算;随后,用户ui,j将R′i,j,发给推荐代理Ageni;通过推荐代理Ageni和云服务器交互,执行更新可靠度分值算法更新推荐代理Ageni的可靠度分值,其中是推荐代理Ageni收到的所有加密反馈,Fi是给推荐代理Ageni发过反馈的用户集合,RESi是推荐代理Ageni的可靠度分值,counti是推荐代理Ageni的可靠度分值RESi的更新次数。

2.根据权利要求1所述的基于联邦学习和相似度密文计算的个性化推荐项目方法,其特征在于,所述步骤S1中密钥算法SOMC.KeyGen(p)中,输入矩阵维度p,可信中心TA随机生成N+2个p×p正交矩阵,记为KA,L,Ks,1,Ks,2,...,Ks,N,然后根据以下公式生成K1,K2,...,KN和J1,J2,...,JN:Ki=KA·Ks,i,i=1,2,...,N;Ji=Ki·L,i=1,2,...,N。

3.根据权利要求1所述的基于联邦学习和相似度密文计算的个性化推荐项目方法,其特征在于,所述步骤S2中加密算法SOMC.Enc(SK,M)中,输入私钥SK,明文M,其中私钥SK为Ki或Ji;明文M是p×p矩阵或p维向量,计算其中,符号表示转置运算,输出密文CSK。

4.根据权利要求1所述的基于联邦学习和相似度密文计算的个性化推荐项目方法,其特征在于,所述步骤S3中往加密算法的输出结果加入噪声得到其中a′ij,1,a′ij,2,...,a′ij,p表示aij,1,aij,2,...,aij,p加密的结果,用户ui,j在a′ij,1,a′ij,2,...,a′ij,p中选取个元素组成集合Sub,其中,p表示向量的维度;符号表示向上取整运算;随后,用户ui,j计算加入噪声后结果:其中,a″ij,1,a″ij,2,...,a″ij,p表示a′ij,1,a′ij,2,...,a′ij,p加入噪声之后的结果,Lap(·)表示为拉普拉斯函数,b表示为拉普拉斯参数。

5.根据权利要求1所述的基于联邦学习和相似度密文计算的个性化推荐项目方法,其特征在于,所述步骤S3中项目推荐算法

实现过程如下:

S31、当推荐代理Ageni收到了用户ui,j的加密需求后,根据以下公式计算加密推荐权值矩阵结果W′i:W′i=SOMC.Enc(Ki,Wi),其中,Ki为推荐代理Ageni的私钥,Wi为对角矩阵,记为Wi=diag(wi,1,wi,2,...,wi,p),其中wi,1,wi,2,...,wi,p为权值参数且表示推荐项目属性向量中对应属性的影响因子,随后,推荐代理Ageni将W′i发送给云服务器并请求协作推荐;

S32、云服务器收到推荐代理Ageni发送的W′i后,判断推荐代理Ageni的可靠度分值是否满足门限值r,即:RESi>r,如果满足,云服务器则会发起联邦协作推荐并执行步骤S33,如果不满足,云服务器则只使用推荐代理Ageni的推荐权值矩阵独自推荐,令W′rec=W′i,其中W′rec为计算推荐结果的推荐权值矩阵密文形式,执行步骤S34;

S33、云服务器首先将所有的可靠度分值{RESi,i=1,2,...,N}进行降序排序,选择可靠度分值前j个的推荐代理组成集合ACi,并且满足门限条件:其中RES(max-z)表示排序之后的第z个可靠度分值,RESq表示为推荐代理Agenq的可靠度分值;随后,云服务器为每个被选中的推荐代理Agenk∈ACi计算伪随机身份标识PIDk:PIDk=H(IDk||Rk),其中IDk为推荐代理Agenk的身份标识,Rk为随机数,定义H:{0,1}*→{0,1}λ为将任意长度的字符串映射为长度λ为的字符串的哈希函数,其中{0,1}*表示任意长度的字符串,{0,1}λ表示长度为λ的字符串;随后,云服务器将PIDk发给对应的推荐代理Agenk∈ACi,并且发送推荐请求。推荐代理Agenk∈ACi收到之后,计算加密推荐权值矩阵结果:W′k=SOMC.Enc(Kk,Wk),其中,Wk表示推荐代理Agenk的推荐权值矩阵,Kk为推荐代理Agenk的私钥;随后,推荐代理Agenk∈ACi发送PIDk,W′k给云服务器;云服务器在收集齐所有的PIDk,W′k(Agenk∈ACi)之后,代理重加密每一个推荐代理Agenk∈ACi的加密推荐矩阵W′k(Agenk∈ACi)得到结果W′aggr,k(Agenk∈ACi):其中Ks,i为云服务器和Ageni共享密钥,Ks,k为云服务器和Agenk共享密钥,Kk为推荐代理Agenk的私钥,KA为所有推荐代理的共享密钥,随后,云服务器计算聚合权值矩阵W′fed:其中,RESk表示为推荐代理Agenk的可靠度分值,令得到:

其中W′fed表示为Wfed的加密结果,最后令W′rec=W′fed,其中W′rec为计算推荐结果的推荐权值矩阵密文形式;

S34、云服务器找到推荐代理Ageni的项目属性密文数据集后,计算:

其中为用户ui,j加密的需求向量,W′rec为计算推荐结果的推荐权值矩阵密文形式,符号表示转置运算;随后云服务器运行算法得到相似度集合其中定义“|·|2”为向量模长的平方运算,“-”为向量相减运算,随后,云服务器选取相似度最小的物品最后输出推荐项目及其身份标识号:Iopt,Iidopt,云服务器将Iopt,Iidopt发给推荐代理Ageni,推荐代理Ageni转发给用户ui,j。

6.根据权利要求5所述的基于联邦学习和相似度密文计算的个性化推荐项目方法,其特征在于,所述步骤S34中密文计算算法SOMC.Eval(L,Ck,Cj),输入私钥L,密文Ck和Cj,其中密文Ck=SOMC.Enc(Ki,Mk),Cj=SOMC.Enc(Ji,Mj),和为p维向量,其中mk,1,mk,2,...,mk,p为向量Mk中p个元素且都为实数,mj,1,mj,2,...,mj,p为向量Mj中p个元素且都为实数,计算Mk和Mj的相似度simk,j:输出相似度simk,j。

7.根据权利要求1所述的基于联邦学习和相似度密文计算的个性化推荐项目方法,其特征在于,所述步骤S4中往评分矩阵Ri,j中加入噪声得到中,其中Ri,j为对角矩阵,记为其中ri,1,ri,2,...,ri,p为关于推荐项目的第1,2,...,p维度的评分分值,用户ui,j在中选取个元素组成集合Rsubi,j,其中,p表示向量的维度;符号表示向上取整运算;随后,用户ui,j计算加入噪声后结果:其中r′j,1,r′j,2,...,r′j,p表示为加噪处理后的结果,随后计算评分标识向量

其中,r0,1,r0,2,...,r0,p表示评分标识向量中的p个元素且取值为1或0;最后得到真实评分向量其中r″j,1,r″j,2,...,r″j,p表示真实评分向量中的p个元素且都为实数。

8.根据权利要求1所述的基于联邦学习和相似度密文计算的个性化推荐项目方法,其特征在于,所述步骤S4中更新可靠度分值算法的实现过程如下:

S41、推荐代理Ageni收集用户ui,j∈Fi的加密反馈数据集后,为每一个用户ui,j∈Fi计算随后发送处理后的加密反馈数据集给云服务器;

S42、云服务器对进行解密得到解密过程如下:

S43、云服务器计算并更新推荐代理Ageni的可靠度分值RESi以及可靠度分值RESi更新次数counti,具体过程如下:

counti(new)=counti+1

其中,为用户ui,j给出反馈评分总分,为真实评分向量,ri,1,ri,2,...,ri,p为关于推荐项目的第1,2,...,p维度的评分分值,Rsubi,j表示为用户ui,j在中选取个元素组成的集合,RESi(new)为更新后的推荐代理Ageni的可靠度分值,为给推荐代理Ageni发过反馈的用户总数。