[发明专利]一种去中心化的联邦推荐方法、智能终端及存储介质

说明书

本发明公开了一种去中心化的联邦推荐方法、装置、智能终端及存储介质，其中，上述去中心化的联邦推荐方法包括：获取实际评分过的物品构建第一物品集，并随机采样获取未评分过的物品构建第二物品集；将所述第一物品集与第二物品集合并为第三物品集，将所述第三物品集发送至服务器；基于所述第三物品集，通过服务器构建通信矩阵，其中，所述通信矩阵用于记录各用户对所有物品是否进行过评分的情况；基于所述第三物品集，获取所述通信矩阵中共同评分过的各个物品所对应的用户集并用于模型训练。本方案可通过去中心化的联邦推荐实现既保护用户隐私又具有较好的推荐效果，即推荐精准性。

技术领域

本发明涉及联邦推荐技术领域，尤其涉及的是一种去中心化的联邦推荐方法、智能终端及存储介质。

背景技术

随着人们的隐私保护意识的提高，传统的协同过滤算法等将用户数据收集到服务端再进行建模和信息推荐的方法由于会泄露用户隐私而不再可行。为了实现既能保护用户隐私又能完成信息推荐的目的，人们尝试将推荐系统和联邦学习进行结合，即联邦推荐。

近年来，许多中心化联邦推荐算法相继提出，例如联邦协同过滤方法FCF、显式反馈联邦推荐方法FedRec，这些算法都需要服务器参与，用于对所有客户端的计算结果进行整合。其中，FCF将所有未评分的物品视为负反馈，导致模型训练的偏差和高昂的通信成本，而FedRec中的各个客户端会采样一些未评分的物品以保护用户的评分行为，但该种方法会给模型训练带来噪声，导致推荐性能不佳。

另一方面，去中心化的联邦推荐方法例如信息点推荐算法DMF，能够有效地减轻服务器的计算压力和存储压力，并保护用户的评分信息，但其会泄露客户端之间的地理位置距离，以及PDMFRec算法，将两个客户端之间的余弦相似度作为权重，使用匿名技术发送梯度以保护用户的评分行为，但实际上服务器在计算各客户端之间的评分物品集时也有可能泄露用户的评分行为。同时，上述两种去中心化的联邦推荐方法中的梯度信息仅在相邻的客户端之间传播，推荐性能也因此下降。

所以在现有技术的联邦推荐算法中，仍无法实现在保护用户隐私的同时做到较好的推荐精准度。

因此，现有技术还有待改进和发展。

发明内容

针对现有技术中，中心化联邦算法与去中心化联邦算法中存在的模型训练偏差较大、通信成本高昂、有可能泄露用户评分行为以及推荐性能不佳的技术问题，本发明提供一种去中心化的联邦推荐方法、智能终端及存储介质，其中包括一种分享策略以及对应的两种更新策略。具体包括：获取实际评分过的物品构建第一物品集，并随机采样获取未评分过的物品构建第二物品集；将所述第一物品集与第二物品集合并为第三物品集，将所述第三物品集发送至服务器；基于所述第三物品集，通过服务器构建通信矩阵，其中，所述通信矩阵用于记录各用户对所有物品是否进行过评分的情况；基于所述第三物品集，获取所述通信矩阵中共同评分过的各个物品所对应的用户集并用于模型训练。通过使客户端向服务器发送包含实际评分过与随机获取的未评分过的物品集，以及结合更新策略，实现提高用户信息的保密性，且具有较好的推荐精准度的效果。

为了实现上述技术效果，本发明第一方面提供一种去中心化的联邦推荐方法，其中，上述方法包括：

获取实际评分过的物品构建第一物品集，并随机采样获取未评分过的物品构建第二物品集；

将所述第一物品集与第二物品集合并为第三物品集，将所述第三物品集发送至服务器；

基于所述第三物品集，通过服务器构建通信矩阵，其中，所述通信矩阵用于记录各用户对所有物品是否进行过评分的情况；

基于所述第三物品集，获取所述通信矩阵中共同评分过的各个物品所对应的用户集并用于模型训练。

可选的，上述获取实际评分过的物品构建第一物品集，并随机采样获取未评分过的物品构建第二物品集的步骤包括：

获取实际评分过的物品构建第一物品集；