[发明专利]一种基于哈希学习的轻量化联邦推荐方法

说明书

本发明提供了一种基于哈希学习的轻量化联邦推荐方法。该方法包括：初始化服务端全局模型并下发参数；初始化客户端本地模型并下载全局参数；设计联邦推荐场景下基于哈希学习的目标函数，根据协同离散优化算法得到二值化的用户特征向量与物品特征矩阵；根据二值的用户特征向量和物品特征矩阵完成本地客户端上的高效推荐任务。本发明通过在联邦推荐框架下设计高效的哈希学习策略，可以在本地客户端得到紧致的二值用户与物品离散特征，较之于连续实值的特征表示，该二值特征在资源受限的本地客户端上具有显著提高推荐效率、减少存储与通信开销并增强隐私保护能力的多重优势。

技术领域

本发明涉及推荐系统技术领域，尤其涉及一种基于哈希学习的轻量化联邦推荐方法。

背景技术

随着大数据时代的悄然而至，互联网产生数据的速度远远超过用户所能处理数据的速度，以至于造成用户不能及时运用有效信息的情况，最终导致信息过载现象的发生。推荐系统作为缓解信息过载问题的有效途径，利用用户与物品的历史交互数据以及各自固有的内容属性特征进行个性化建模，以此实现对于用户未来可能感兴趣的物品进行精准预测的功能，因而该技术得到了学术界与工业界的广泛关注。

推荐系统根据其所利用具体数据的不同，可进一步划分为利用属性信息的基于内容的方法以及利用历史行为信息的协同过滤方法。近年来，由于深度学习出色的表示能力，基于深度学习的推荐算法能够高效地利用海量的训练样本，并且能够有效整合多种附加信息(比如社交信息、文本信息、图像信息等)，以此缓解推荐系统固有的数据稀疏与冷启动问题。然而，融合用户大量个人信息往往会对用户的隐私和数据安全问题产生担忧，因为海量信息中不可避免的存在用户个人数据以及敏感信息，因此平台需要收集更多的训练数据以提升推荐性能与用户为保护隐私而尽可能少量的共享个人数据间的矛盾逐渐凸显。综上，基于隐私保护的推荐算法成为了近年来推荐系统领域关注的重点。

目前，传统的隐私保护推荐算法主要采用差分隐私等机制添加数据扰动或者利用同态加密等密码学的方式实现对于个人敏感信息的隐私保护。然而，上述传统隐私保护推荐算法需要额外的计算开销来进行加密与解密操作，并且需要将个人数据收集到中心服务端进行存储与训练，因此在原始数据传输等过程中仍然存在隐私泄露与安全威胁的问题。另外，由于上述关于隐私与安全问题的担忧造成了多方参与者不能安全高效的进行数据共享，最终导致数据孤岛现象进而影响整体模型的预测性能。

得益于近年来分布式学习与边缘计算的飞速发展，以及互联网生态逐渐移动化与开放化，使得用户终端设备有能力存储并训练相当容量的数据。联邦推荐学习充分发挥终端设备的计算能力并协同服务端联合优化全局模型，同时能够使得原始数据保留在本地而较好的保护用户隐私信息，这一新兴的隐私保护范式逐渐得到大家的认可。由于推荐系统的数据来源存在天然的分布式特性，以及用户对于推荐服务严苛的实时性要求，因此近年来端云架构下结合联邦学习的推荐算法取得了较大的进展，比如经典的基于隐式反馈数据的联邦协同过滤算法FCF以及基于显式反馈数据的联邦推荐算法FedRec。现有的联邦推荐学习方法大多假设服务端与客户端的模型规模一致，并基于欧式空间的连续实值嵌入特征进行推理预测。