[发明专利]隐私保护的跨域推荐方法、系统、存储介质、计算机设备

说明书

本发明属于个性化推荐技术领域，公开了一种隐私保护的跨域推荐方法、系统、存储介质、计算机设备，包括：建立本地模型，针对各个域中的用户‑项目关系图，基于图神经网络技术从图中学习用户、项目特征，利用交叉熵损失函数训练本地模型；上传模型梯度，将本地模型梯度添加基于瑞丽熵的差分隐私的噪声后上传给服务器，有效保护用户隐私；聚合更新模型，服务器使用FedAvg算法，聚合各个域上传的模型梯度，以此更新全局模型；利用全局模型来更新本地模型，迭代这个过程直至收敛。本发明能够在多域数据环境下实现有效推荐，并能保护多域训练数据隐私；能够在冷启动和数据稀疏的情况下，通过跨域的信息共享实现推荐；能够同时提高多个域上的推荐性能。

技术领域

本发明属于个性化推荐技术领域，尤其涉及一种隐私保护的跨域推荐方法、系统、存储介质、计算机设备。

背景技术

目前，随着互联网技术的发展，迎来了真正意义上的大数据时代，但与此同时，也面临着信息过载的问题，推荐系统应运而生，成为有效解决这类问题的方法之一。推荐主要是根据用户和项目之间的关系，挖掘用户的喜好，帮助用户从海量的数据中发现其可能感兴趣的物品，最终形成个性化的推荐列表。协同过滤是一种常用的推荐方法，基于用户的相似度进行匹配。但是，在实际场景中，用户可能只与少量的物品发生交互，对于新的物品来说，甚至是没有交互的，这也就面临着冷启动和数据稀疏性问题。跨域推荐在一定程度上能够解决这些问题，已有的跨域推荐，如单目标跨域推荐，双目标跨域推荐以及多目标跨域推荐，关注如何利用原域中相对丰富的信息，来提高信息相对稀疏的目标域中推荐的准确性。因此，跨域推荐的主要目的是通过利用来自辅助域的信息来提高目标域中的推荐性能。

联邦学习是一种隐私保护的机器学习技术，用户数据不需要集中收集就可以利用，只需保存在本地设备无需上传给服务器。上传的模型相比于用户的原始数据有较少的信息，因此能够有效地减小隐私泄露的风险。联邦学习旨在保护隐私，每个设备利用自己的数据来训练其本地模型。然后，所有设备定期交换其经过训练的模型参数，并在有无中央服务器的情况下都可更新全局模型。现阶段也有一些将联邦学习应用到推荐系统中的研究，Ammad等人提出了联邦协同过滤FCF，用户的评分数据存储在用户设备，用来计算本地梯度。用户的嵌入向量存储在本地，上传给服务器的是梯度；中心服务器聚合多个客户端上传的梯度来更新。然而，上述方法只考虑到了用户在单个域中的信息，随着用户隐私意识的加强，跨域的数据很难共享。因此，需要发明一种能够同时解决上述问题的推荐方法。

通过上述分析，现有技术存在的问题及缺陷为：

(1)现有方法采用跨域推荐技术解决推荐系统中的冷启动和数据稀疏性问题过程中，不能同时提高多个域上的推荐性能。

(2)现有方法采用联邦学习技术解决用户的隐私泄露问题过程中，只考虑到了用户在一个域上的信息，并未考虑跨域的问题。

解决以上问题及缺陷的难度为：传统的跨域推荐方法主要借助于信息丰富域的信息来提高目标域的推荐性能，但不能充分利用每个域的信息，同时提高多个域的推荐性能。此外，信息在域间的共享不可避免的会泄露用户隐私。

解决以上问题及缺陷的意义为：本发明能够有效解决上述问题，可以促进共享生态的飞速发展，不同域间的共享数据能够得到有效的利用，发挥其更大的价值。多个域上的推荐性能将会不断提高，同时能够有效的保护用户隐私，提高用户体验和满意度，进一步促进互联网的发展。

发明内容

针对现有技术存在的问题，本发明提供了一种隐私保护的跨域推荐方法、存储介质、计算机设备。本发明在提高了多个域上推荐性能的同时，有效保护了用户隐私。

本发明是这样实现的，一种隐私保护的跨域推荐方法，所述隐私保护的跨域推荐方法，包括以下步骤：

建立本地模型，针对各个域中的用户-项目关系图，基于图神经网络技术从图中学习用户、项目特征，利用交叉熵损失函数对本地模型进行训练；