[发明专利]一种基于哈希学习的轻量化联邦推荐方法

权利要求书

1.一种基于哈希学习的轻量化联邦推荐方法，其特征在于，包括：

在服务端维护全局二值矩阵分解模型参数，向客户端下发全局二值矩阵分解模型；

客户端初始化本地二值矩阵分解模型，并从服务端下载全局二值矩阵分解模型参数，维护本地的二值用户特征向量和二值物品特征矩阵；

在服务端设定联邦推荐场景下哈希学习的目标函数，基于所述目标函数通过离散优化算法在服务端与客户端之间进行协同离散迭代优化，得到全局最优的二值矩阵分解模型，使得每个客户端得到各自独有的二值用户特征向量与全局的二值物品特征矩阵。

根据每个客户端的二值用户特征向量和二值物品特征矩阵借助逻辑运算完成本地客户端的预测任务，将预测评分较高的若干物品推荐给相应客户端。

2.根据权利要求1所述的方法，其特征在于，所述的在服务端维护全局二值矩阵分解模型参数，向客户端下发全局二值矩阵分解模型，包括：

所述服务端与每个客户端通过无线网络进行数据通信，管理所有客户端的优化过程，维护全局二值矩阵分解模型的参数信息，所述全局二值矩阵分解模型包括二值的用户特征矩阵P∈{±1}^f×m与物品特征矩阵Q∈{±1}^f×n，f表示特征向量的维度，m表示用户的数量，n表示物品数量，全局二值矩阵分解模型权重的初始化从{±1}集合中按位进行均匀采样得到，服务端向每个客户端下发全局二值矩阵分解模型。

3.根据权利要求1所述的方法，其特征在于，所述的客户端初始化本地二值矩阵分解模型，并从服务端下载全局二值矩阵分解模型参数，维护本地的二值用户特征向量和二值物品特征矩阵，包括：

所述客户端为用户的移动端设备，客户端u拥有私有的本地数据其中表示用户u在本地所交互过的物品集合，r∈{0，1}表示用户u对于物品i交互的结果，客户端u维护自己私有的二值用户特征向量和本地的二值物品特征矩阵Q∈{±1}^f×n，其中p_u为用户特征矩阵P∈{±1}^f×m的第u列，待一轮更新后客户端将本地的二值用户特征向量和二值物品特征矩阵上传到服务端。

4.根据权利要求3所述的方法，其特征在于，所述的在服务端设定联邦推荐场景下哈希学习的目标函数，包括：

在服务端设定的联邦推荐场景下哈希学习的目标函数定义如下：

s.t.p_u∈{±1}^f，q_i∈{±1}^f

其中，是由训练集中(u，i，r)三元组构成的集合，和分别表示用户u和物品i的二值特征向量，分别对应于矩阵P的第u列和矩阵Q的第i列，其中f表示向量的长度；

在上式目标函数定义的基础上添加两个约束项：P1_m＝0和Q1_n＝0用于保证特征编码的均衡性，PP^T＝mI_f和QQ^T＝nI_f用于保证特征编码之间的独立性；定义两个连续变量和将编码均衡约束和编码独立约束条件进行放松，所述目标函数被等价转换为如下优化问题：

其中，α，β＞0为超参数，用于调节待优化变量的放松程度，在上式基础上添加离散约束形式，即P∈{±1}^f×m和Q∈{±1}^f×n，添加编码均衡性与对立性约束项，即X1_m＝0，Y1_n＝0用来保证编码均衡性，XX^T＝mI_f，YY^T＝nI用来保证编码独立性。