1.一种面向个性化推荐系统的隐私保护联邦学习方法,其特征在于,包括以下步骤:基于个性化商品信息初始化用户向量和项目矩阵;
具体方式:
基于个性化商品信息在本地随机初始化用户特征向量;
可信第三方随机初始化项目特征矩阵,并将其发送给参与本轮训练的用户;
将所述用户向量更新和计算局部梯度,并请求降噪矩阵;
其中,所述用户向量的更新公式:;
所述局部梯度计算:
;
其中,是用户的索引,是项目的索引,代表第步迭代,是用户的评分向量,是用户对项目的评分值,分别是第个用户在第和步迭代的用户特征向量,是第个项目在第步迭代的项目特征向量,是项目矩阵,是第个用户计算的局部梯度,和是超参数;
具体方式:
参与本轮训练的用户分别在本地更新所述用户特征向量和计算局部梯度;
向可信第三方请求噪声矩阵,随机生成拉普拉斯噪声矩阵和权重参数,其中,,分别与相乘得到个噪声矩阵,其中,,将份随机分发给参与本轮训练的个用户;
对所述局部梯度进行加噪,生成局部噪声梯度,聚合,得到全局噪声梯度;
具体方式:
参与本轮训练的用户分别在本地对所述局部梯度添加噪声,并将所述局部噪声梯度发送给联邦服务器;
联邦服务器参与聚合所述局部噪声梯度得到全局噪声梯度,并将其发送给参与本轮训练的用户;
基于所述降噪矩阵除去所述全局噪声梯度中的噪声,并更新项目矩阵,迭代终止并输出推荐列表;
具体方式:
基于所述降噪矩阵除去所述全局噪声梯度中的噪声,并更新项目矩阵;
其中,全局梯度去噪公式:;
项目矩阵更新公式:,其中,为超参数;
当训练达到模型精度或迭代上限阈值时终止迭代,用户分别在本地计算评分向量,得到推荐列表。
2.如权利要求1所述的面向个性化推荐系统的隐私保护联邦学习方法,其特征在于;
所述用户具有相同项目列表,以及用户对项目评分构成的评分向量,所述评分向量是含大量缺失值的稀疏向量,所有的用户的所述评分向量构成评分矩阵。