基于Multi-Krum的联邦贝叶斯个性化排序推荐方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115033781A(43)申请公布日2022.09.09(21)申请号202210492179.1(22)申请日2022.05.07(71)申请人浙江大学地址310058浙江省杭州市西湖区余杭塘路866号(72)发明人陈建海俞郭遥黄宇晨孟令雨荣大中方舟何钦铭(74)专利代理机构杭州求是专利事务所有限公司33200专利代理师郑海峰(51)Int.Cl.G06F16/9535(2019.01)G06N3/08(2006.01)G06N20/20(2019.01)权利要求书2页说明书6页附图1页(54)发明名称基于Multi-Krum的联邦贝叶斯个性化排序推荐方法及系统(57)摘要本发明公开了一种基于Multi‑Krum的联邦贝叶斯个性化排序推荐方法及系统，属于推荐系统及联邦学习领域。在每个用户端随机选取与该用户交互过的项目数量相等的未交互的项目，构建偏序关系三元组；在每个用户端初始化用户模型参数，在中心服务器端初始化项目模型参数；中心服务器端随机抽取若干个用户端参与训练，本地用户端根据生成的本地用户模型参数的梯度更新用户模型参数，中心服务器端采用Multi‑Krum聚合方法更新项目模型参数，直至推荐系统模型收敛；根据本地用户模型参数和项目模型参数计算各个项目的推荐程度。本发明的推荐系统保护了用户隐私，并有效抵制了恶意梯度的攻击，提升了联邦推荐系统的鲁棒性和安全性。CN115033781ACN115033781A权利要求书1/2页1.一种基于Multi‑Krum的联邦贝叶斯个性化排序推荐方法，其特征在于，包括以下步骤：步骤1：在每个用户端随机选取与该用户交互过的项目数量相等的未交互的项目，构建偏序关系三元组；步骤2：在每个用户端初始化用户模型参数，在中心服务器端初始化项目模型参数；步骤3：中心服务器端随机抽取若干个用户端参与训练，本地用户端使用步骤1构建的全部偏序关系三元组计算推荐系统模型的本地损失函数值，所述的推荐系统模型由用户模型和项目模型构成；根据本地损失函数值生成本地用户模型参数的梯度和项目模型参数的梯度，所述的本地用户模型参数的梯度用于更新本地用户模型参数，项目模型参数用于回传至中心服务器端，采用Multi‑Krum聚合方法更新项目模型参数；步骤4：重复步骤3，直至推荐系统模型收敛；步骤5：在本地用户端进行项目推荐时，根据本地用户模型参数和项目模型参数的内积，计算针对本地用户的各个项目的推荐程度，选取排名靠前的项目作为推荐结果。2.根据权利要求1所述的一种基于Multi‑Krum的联邦贝叶斯个性化排序推荐方法，其特征在于，所述的用户模型参数为维度为1×k的本地用户特征向量，项目模型参数是由全体项目的项目特征向量构成的项目特征矩阵，维度为n×k，n为项目数量。3.根据权利要求1所述的一种基于Multi‑Krum的联邦贝叶斯个性化排序推荐方法，其特征在于，步骤3中，每一轮回传至中心服务器端的项目模型参数均为固定项目，所述的固定项目包括本地用户交互过的项目、以及数量相等的未交互的项目。4.根据权利要求1所述的一种基于Multi‑Krum的联邦贝叶斯个性化排序推荐方法，其特征在于，所述的步骤3具体为：(3.1)中心服务器端将项目模型参数发送给每一个参与训练的用户端；(3.2)每一个参与训练的用户端依据本地生成的偏序关系三元组，以及本地的用户模型参数、中心服务器端发送的项目模型参数，计算模型的损失函数值；(3.3)每一个参与训练的用户端依据得到的损失函数值，计算出用户模型参数的梯度、项目模型参数的梯度；(3.4)每一个参与训练的用户端依据本地的用户模型参数的梯度，更新本地用户模型参数，并将计算出的项目模型参数的梯度上传至中心服务器端；(3.5)中心服务器端收集齐所有参与训练的用户端上传的项目模型参数的梯度，构成回传梯度集合，并采用Multi‑Krum聚合方法更新项目模型参数。5.根据权利要求1或4所述的一种基于Multi‑Krum的联邦贝叶斯个性化排序推荐方法，其特征在于，所述的采用Multi‑Krum聚合方法更新项目模型参数，具体为：(3.5.1)计算回传梯度集合中的每一个梯度与其他梯度的范式距离之和；(3.5.2)选取范式距离最小的梯度加入有效梯度集合；(3.5.3)将选中的梯度从回传梯度集合中剔除；(3.5.4)重复步骤(3.5.1)至步骤(3.5.3)若干次，得到有效梯度集合；(3.5.5)取有效梯度集合中所有梯度的平均值作为聚合梯度，更新项目模型参数。6.一种基于Multi‑Krum的联邦贝叶斯个性化排序推荐系统，其特征在于，用于实现权利要求1所述的基于Multi‑Krum的联邦贝叶斯个性化排序推荐方法，所述的推荐系统包括:2CN115033781A权利要求