[發明專利]一種基于哈希學習的輕量化聯邦推薦方法

在審

• 申請號: 202210150584.5
• 申請日: 2022-02-18
• 公開（公告）號: CN114564742A
• 公開（公告）日: 2022-05-31
• 發明（設計）人: 李浥東;張洪磊;金一;陳乃月;徐群群
• 申請（專利權）人: 北京交通大學
• 主分類號: G06F21/62
• 分類號: G06F21/62;G06N20/00;G06F16/901;G06F16/9536
• 代理公司: 北京市商泰律師事務所 11255
• 代理人: 黃曉軍

本發明提供了一種基于哈希學習的輕量化聯邦推薦方法。該方法包括：初始化服務端全局模型并下發參數；初始化客戶端本地模型并下載全局參數；設計聯邦推薦場景下基于哈希學習的目標函數，根據協同離散優化算法得到二值化的用戶特征向量與物品特征矩陣；根據二值的用戶特征向量和物品特征矩陣完成本地客戶端上的高效推薦任務。本發明通過在聯邦推薦框架下設計高效的哈希學習策略，可以在本地客戶端得到緊致的二值用戶與物品離散特征，較之于連續實值的特征表示，該二值特征在資源受限的本地客戶端上具有顯著提高推薦效率、減少存儲與通信開銷并增強隱私保護能力的多重優勢。

技術領域

本發明涉及推薦系統技術領域，尤其涉及一種基于哈希學習的輕量化聯邦推薦方法。

背景技術

隨著大數據時代的悄然而至，互聯網產生數據的速度遠遠超過用戶所能處理數據的速度，以至于造成用戶不能及時運用有效信息的情況，最終導致信息過載現象的發生。推薦系統作為緩解信息過載問題的有效途徑，利用用戶與物品的歷史交互數據以及各自固有的內容屬性特征進行個性化建模，以此實現對于用戶未來可能感興趣的物品進行精準預測的功能，因而該技術得到了學術界與工業界的廣泛關注。

推薦系統根據其所利用具體數據的不同，可進一步劃分為利用屬性信息的基于內容的方法以及利用歷史行為信息的協同過濾方法。近年來，由于深度學習出色的表示能力，基于深度學習的推薦算法能夠高效地利用海量的訓練樣本，并且能夠有效整合多種附加信息(比如社交信息、文本信息、圖像信息等)，以此緩解推薦系統固有的數據稀疏與冷啟動問題。然而，融合用戶大量個人信息往往會對用戶的隱私和數據安全問題產生擔憂，因為海量信息中不可避免的存在用戶個人數據以及敏感信息，因此平臺需要收集更多的訓練數據以提升推薦性能與用戶為保護隱私而盡可能少量的共享個人數據間的矛盾逐漸凸顯。綜上，基于隱私保護的推薦算法成為了近年來推薦系統領域關注的重點。

目前，傳統的隱私保護推薦算法主要采用差分隱私等機制添加數據擾動或者利用同態加密等密碼學的方式實現對于個人敏感信息的隱私保護。然而，上述傳統隱私保護推薦算法需要額外的計算開銷來進行加密與解密操作，并且需要將個人數據收集到中心服務端進行存儲與訓練，因此在原始數據傳輸等過程中仍然存在隱私泄露與安全威脅的問題。另外，由于上述關于隱私與安全問題的擔憂造成了多方參與者不能安全高效的進行數據共享，最終導致數據孤島現象進而影響整體模型的預測性能。

得益于近年來分布式學習與邊緣計算的飛速發展，以及互聯網生態逐漸移動化與開放化，使得用戶終端設備有能力存儲并訓練相當容量的數據。聯邦推薦學習充分發揮終端設備的計算能力并協同服務端聯合優化全局模型，同時能夠使得原始數據保留在本地而較好的保護用戶隱私信息，這一新興的隱私保護范式逐漸得到大家的認可。由于推薦系統的數據來源存在天然的分布式特性，以及用戶對于推薦服務嚴苛的實時性要求，因此近年來端云架構下結合聯邦學習的推薦算法取得了較大的進展，比如經典的基于隱式反饋數據的聯邦協同過濾算法FCF以及基于顯式反饋數據的聯邦推薦算法FedRec。現有的聯邦推薦學習方法大多假設服務端與客戶端的模型規模一致，并基于歐式空間的連續實值嵌入特征進行推理預測。