1.一种基于个性化联邦技术的序列推荐方法,其特征在于:包括以下步骤:步骤S1、各个客户端在本地设备上维护所持数据,对自身交互数据以及交互项的属性值进行预处理;
步骤S2、客户端在本地设备上通过自身交互数据构建哈希索引,并形成哈希存储表;
步骤S3、客户端在本地设备上基于贝叶斯训练策略对训练数据进行增强操作,得到增强数据;
步骤S4、结合步骤S2构建的哈希索引与步骤S3得到的增强数据,客户端在本地设备上构建一个基于多任务的本地序列推荐框架,并与中心服务器协同地对本地序列模型进行分布式训练,直到本地序列模型收敛;
步骤S5、客户端获取用户嵌入网络的参数,结合已收敛的本地序列模型的输出,获取下一时刻的偏好预测结果,完成对客户端的个性化推荐;
所述步骤S4包括以下子步骤:
子步骤S4.1、构建基于多任务学习的序列推荐框架,所述序列推荐框架由用户属性嵌入网络、本地对比学习机制、项目嵌入网络和通用序列编码器构成,在所述通用序列编码器按需选择后,形成本地序列模型;
子步骤S4.2、通过接收中心服务器的初始化参数来初始更新本地序列模型,使用训练数据以及增强数据对本地序列模型进行本地训练,并将训练结束的本地序列模型上传至中心服务器;
子步骤S4.3、中心服务器接收来自所有客户端的本地序列模型,并通过查询全局哈希存储表以获取各个客户端的相似用户,再根据查询结果对所有本地序列模型进行个性化聚合,使得特定的客户端对应特定的聚合模型,将聚合模型发送至对应客户端;
子步骤S4.4、客户端接收聚合模型,并继续用训练数据和增强数据对聚合模型进行下一轮的更新,直到本地序列模型收敛;
所述步骤S5包括以下子步骤:
子步骤S5.1、提取用户属性嵌入网络的参数,用以当作用户属性的特征表示,将其与本地序列模型的输出向量做内积操作;
子步骤S5.2、将内积结果作为推荐预测结果,用以预测用户下一时刻的偏好;
子步骤S5.3、推荐系统在线实时维护全局哈希表。
2.根据权利要求1所述的一种基于个性化联邦技术的序列推荐方法,其特征在于:所述步骤S1中的预处理包括对交互数据进行异常值和缺失值的清理、对客户端已访问的项目进行项目属性归档、对自身用户属性进行归档;并对项目属性和用户属性在所有客户端上进行数据结构对齐操作,通过向量矩阵表示已对齐的项目属性和用户属性。
3.根据权利要求1所述的一种基于个性化联邦技术的序列推荐方法,其特征在于:所述步骤S2包括以下子步骤:子步骤S2.1、客户端将历史交互数据转化为二值特征向量,从中心服务器下载有关哈希的数据,并根据从中心服务器下载的数据在本地设备构建一组哈希函数簇;
子步骤S2.2、将所述二值特征向量与所述哈希函数簇进行结合,生成特定于所述客户端的哈希索引并上传至中心服务器;
子步骤S2.3、中心服务器接收各个客户端的哈希索引以构建一张哈希存储表。
4.根据权利要求1所述的一种基于个性化联邦技术的序列推荐方法,其特征在于:所述步骤S3包括以下子步骤:子步骤S3.1、构造子序列集以生成训练数据,每一个训练数据包含一条正样本和负样本序列对,所述训练数据用于贝叶斯模型优化;
子步骤S3.2、基于训练数据中的正样本构建增强正样本;
子步骤S3.3、基于训练数据中的负样本构建增强负样本;
子步骤S3.4、将增强正样本与增强负样本成对地组成增强数据,用于贝叶斯模型的自监督学习。
5.根据权利要求4所述的一种基于个性化联邦技术的序列推荐方法,其特征在于:所述子步骤S3.2中根据项目之间的相关性以及正样本序列的长度来构建增强正样本,根据三角形以边计算面积的法则来确定项目之间的相关性程度。
6.根据权利要求4所述的一种基于个性化联邦技术的序列推荐方法,其特征在于:所述子步骤S3.3中根据负样本序列的长度来构建增强负样本。