1.一种基于联邦对比学习的双塔社交推荐方法,其特征在于:包括以下步骤:步骤1、中央服务器随机选取固定数量的用户客户端,用于参与当前轮次的本地训练,并将模型参数、用户嵌入向量和物品嵌入向量分发到所述用户客户端;
步骤2、在步骤1所述的用户客户端上进行本地训练,本地训练包含双塔学习模块和用户注意力对比模块,通过双塔学习模块计算用户对于物品的评分损失,通过注意力对比模块计算用户间的对比损失,结合评分损失与对比损失计算模型损失函数;
步骤3、步骤2结束后,得到模型梯度、用户嵌入向量梯度和物品嵌入向量梯度,将所有梯度通过梯度保护模块进行噪声扰动,并将加噪后的扰动梯度上传到中央服务器;
步骤4、由中央服务器对步骤3得到的扰动梯度进行参数聚合,得到最终的模型梯度,并生成首次更新后的用户嵌入向量和物品嵌入向量;首次更新后的用户嵌入向量和物品嵌入向量通过扰动对比学习模块分别计算用户、物品对比损失,以实现二次更新,得到最终的用户嵌入向量和物品嵌入向量,至此完成一个轮次的训练;
步骤5、重复步骤1至步骤4,直至完成设定数量的训练轮次,得到收敛后的模型、用户嵌入向量和物品嵌入向量;
步骤6、对于步骤5得到的模型,将收敛后的用户嵌入向量和物品嵌入向量作为模型输入,得到输入用户对于输入物品的预测评分,通过排序得到最终对于用户的推荐物品列表。
2.根据权利要求1所述的一种基于联邦对比学习的双塔社交推荐方法,其特征在于:在所述双塔学习模块中,用户嵌入向量通过三层全连接层,得到其最终表示ui,其中每一层的输入为:其中,ui,k表示用户i的嵌入向量在第k层的输入,Wk和bk分别表示第k层全连接层的权重和偏置,σ(·)表示ReLU激活函数。
3.根据权利要求2所述的一种基于联邦对比学习的双塔社交推荐方法,其特征在于:在所述双塔学习模块中,物品嵌入向量通过三层全连接层,得到其最终表示vj,对通过三层全连接层后得到的用户嵌入向量ui和物品嵌入向量vj做点积,得到用户i对于物品j的预测评分,并以此计算其评分损失,评分损失为:其中,rij表示用户i对于物品j的真实评分。
4.根据权利要求3所述的一种基于联邦对比学习的双塔社交推荐方法,其特征在于:在所述注意力对比模块中,将用户及其社交好友作为对比学习的正样本对,并随机选择与其社交好友数量一致的无关用户作为负样本对,通过注意力机制,得到用户与其社交好友间的相似程度,作为对比学习中的权重,以此来计算用户间的对比损失,对比损失计算公式为:其中,Ui表示用户i的社交好友集合, 表示用户i的非社交好友集合,且集合中的元素数量与Ui相同,sim(·)表示余弦相似度函数,用于计算用户嵌入向量间的相似度, 为温度超参数,用于控制用户间相似度的缩放,αn为用户n对用户i的社交信任权重,其计算方式如下:T
sn=σ(a[Wui||WuN]),
其中,sn为用户n对用户i的注意力评分,σ(·)表示LeakReLU激活函数,a、W为需要训练的映射参数,||表示拼接操作。
5.根据权利要求4所述的一种基于联邦对比学习的双塔社交推荐方法,其特征在于:所述模型损失函数为:l=lr+μlcon,
其中,μ为控制用户社交对比损失的超参数。
6.根据权利要求1所述的一种基于联邦对比学习的双塔社交推荐方法,其特征在于:在所述梯度保护模块中,针对模型参数、用户嵌入向量以及物品嵌入向量,利用差分隐私技术,分别添加自适应的拉普拉斯噪声,所述自适应的拉普拉斯噪声计算方式为:其中,mean(·)为均值函数,∈为隐私预算,最终经过拉普拉斯噪声扰动后的梯度为:其中,clip(·)为裁剪函数,对于模型参数的梯度,通过拉普拉斯噪声扰动的方式得到扰动梯度 对于用户嵌入向量和物品嵌入向量,分别添加相同均值和强度的拉普拉斯噪声,计算两次扰动梯度,得到两个不同的扰动梯度
7.根据权利要求6所述的一种基于联邦对比学习的双塔社交推荐方法,其特征在于:所述步骤4中,利用FedAvg算法对扰动梯度 进行聚合,聚合后得到的模型梯度为最终需要更新的模型梯度。
8.根据权利要求7所述的一种基于联邦对比学习的双塔社交推荐方法,其特征在于:在所述扰动对比学习模型中,对于经聚合后得到的两个扰动用户梯度、两个扰动物品梯度,分别与原用户嵌入向量和原物品嵌入向量相加,得到两个扰动用户嵌入向量和两个扰动物品嵌入向量;再采用对比学习的方法,将两个扰动用户嵌入向量中,相同用户作为正样本,不同用户作为负样本,对于扰动物品嵌入向量,同样采用相同物品作为正样本,不同物品作为负样本,并计算用户、物品对比损失;
用户对比损失为:
物品对比损失为:
中央服务器端的总对比损失为:
ls=μulu+μvlv,
其中,Nu、Nv分别为本轮次中,聚合的用户嵌入向量的集合和聚合的物品嵌入向量的集合,τ为温度超参数,μu和μv分别为超参数。
9.根据权利要求8所述的一种基于联邦对比学习的双塔社交推荐方法,其特征在于:对ls利用梯度下降的方法,在用户嵌入向量和物品嵌入向量首次更新后,再根据聚合后的扰动梯度二次更新,得到最终的用户嵌入向量和物品嵌入向量。