[發(fā)明專利]一種基于聯(lián)邦學(xué)習(xí)的數(shù)據(jù)推薦方法、裝置、設(shè)備及介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202210527021.3
• 申請(qǐng)日: 2022-05-16
• 公開（公告）號(hào): CN114625976B
• 公開（公告）日: 2022-12-09
• 發(fā)明（設(shè)計(jì)）人: 邢家輝;黃毓樺;李宮懷;謝浩龍
• 申請(qǐng)（專利權(quán)）人: 深圳市宏博信息科技有限公司
• 主分類號(hào): G06F16/9535
• 分類號(hào): G06F16/9535;G06K9/62;H04L9/00
• 代理公司: 深圳市世紀(jì)宏博知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44806
• 代理人: 董博

本發(fā)明涉及數(shù)據(jù)處理領(lǐng)域，揭露一種基于聯(lián)邦學(xué)習(xí)的數(shù)據(jù)推薦方法，所述方法包括：獲取多個(gè)本地客戶端的本地?cái)?shù)據(jù)，利用每個(gè)本地?cái)?shù)據(jù)對(duì)預(yù)先在中央服務(wù)器中構(gòu)建的數(shù)據(jù)推薦模型進(jìn)行訓(xùn)練，得到多個(gè)訓(xùn)練推薦模型；將多個(gè)訓(xùn)練模型同態(tài)加密后上傳至中央服務(wù)器，通過中央服務(wù)器對(duì)訓(xùn)練推薦模型進(jìn)行梯度聚合，得到聚合推薦模型，將聚合推薦模型加密后分發(fā)給每個(gè)本地客戶端；利用每個(gè)本地客戶端對(duì)加密后的聚合推薦模型進(jìn)行解密，得到多個(gè)解密推薦模型，通過解密推薦模型，更新訓(xùn)練推薦模型的推薦參數(shù)，得到更新訓(xùn)練推薦模型；根據(jù)更新訓(xùn)練推薦模型，將待推薦數(shù)據(jù)推薦至本地客戶端中的終端用戶。本發(fā)明可以提高數(shù)據(jù)推薦的安全性。

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)據(jù)處理領(lǐng)域，尤其涉及一種基于聯(lián)邦學(xué)習(xí)的數(shù)據(jù)推薦方法、裝置、電子設(shè)備以及存儲(chǔ)介質(zhì)。

背景技術(shù)

數(shù)據(jù)推薦是指通過分析用戶的歷史記錄了解用戶的喜好，從而主動(dòng)為用戶推薦其感興趣的數(shù)據(jù)信息的一個(gè)過程，通過數(shù)據(jù)推薦可以滿足用戶的個(gè)性化推薦需求。

目前，數(shù)據(jù)推薦方法主要是協(xié)同過濾算法實(shí)現(xiàn)，即通過分析用戶的歷史行為數(shù)據(jù)實(shí)現(xiàn)數(shù)據(jù)推薦，但通過這樣的方法容易存在將用戶歷史行為數(shù)據(jù)暴露的現(xiàn)象，從而使得用戶數(shù)據(jù)被竊取，使得數(shù)據(jù)推薦的安全性不高。

發(fā)明內(nèi)容

為了解決上述問題，本發(fā)明提供了一種基于聯(lián)邦學(xué)習(xí)的數(shù)據(jù)推薦方法、裝置、電子設(shè)備以及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，可以保障數(shù)據(jù)推薦的安全性。

第一方面，本發(fā)明提供了一種基于聯(lián)邦學(xué)習(xí)的數(shù)據(jù)推薦方法，包括：

獲取多個(gè)本地客戶端的本地?cái)?shù)據(jù)，利用每個(gè)所述本地?cái)?shù)據(jù)對(duì)預(yù)先在中央服務(wù)器中構(gòu)建的數(shù)據(jù)推薦模型進(jìn)行訓(xùn)練，得到多個(gè)訓(xùn)練推薦模型；

將所述多個(gè)訓(xùn)練模型同態(tài)加密后上傳至所述中央服務(wù)器，通過所述中央服務(wù)器對(duì)所述訓(xùn)練推薦模型進(jìn)行梯度聚合，得到聚合推薦模型，將所述聚合推薦模型加密后分發(fā)給每個(gè)所述本地客戶端；

利用每個(gè)所述本地客戶端對(duì)加密后的所述聚合推薦模型進(jìn)行解密，得到多個(gè)解密推薦模型，通過所述解密推薦模型，更新所述訓(xùn)練推薦模型的推薦參數(shù)，得到更新訓(xùn)練推薦模型；

根據(jù)所述更新訓(xùn)練推薦模型，將待推薦數(shù)據(jù)推薦至所述本地客戶端中的終端用戶。

在第一方面的一種可能實(shí)現(xiàn)方式中，所述利用每個(gè)所述本地?cái)?shù)據(jù)對(duì)預(yù)先在中央服務(wù)器中構(gòu)建的數(shù)據(jù)推薦模型進(jìn)行訓(xùn)練，得到多個(gè)訓(xùn)練推薦模型，包括：

提取所述本地?cái)?shù)據(jù)中的用戶行為特征；

分析所述用戶行為特征中的行為偏好特征，通過所述行為偏好特征，生成偏好搜索參數(shù)；

根據(jù)所述偏好搜索參數(shù)，更新所述預(yù)先在中央服務(wù)器中構(gòu)建的數(shù)據(jù)推薦模型的推薦參數(shù)，得到所述訓(xùn)練推薦模型。

在第一方面的一種可能實(shí)現(xiàn)方式中，所述將所述多個(gè)訓(xùn)練模型同態(tài)加密后上傳至所述中央服務(wù)器，包括：

利用同態(tài)加密算法對(duì)所述本地?cái)?shù)據(jù)進(jìn)行數(shù)據(jù)加密，得到加密數(shù)據(jù)；

獲取所述加密數(shù)據(jù)對(duì)應(yīng)本地客戶端的第一配置文件，及所述中央服務(wù)器的第二配置文件；

根據(jù)所述第一配置文件和所述第二配置文件，構(gòu)建所述本地客戶端和所述中央服務(wù)器的數(shù)據(jù)傳輸通道，根據(jù)所述數(shù)據(jù)傳輸通道，將所述加密數(shù)據(jù)上傳所述中央服務(wù)器。

在第一方面的一種可能實(shí)現(xiàn)方式中，所述通過所述中央服務(wù)器對(duì)所述訓(xùn)練推薦模型進(jìn)行梯度聚合，得到聚合推薦模型，包括：

在所述中央服務(wù)器中搭建所述訓(xùn)練推薦模型的安全計(jì)算環(huán)境；

在所述安全計(jì)算環(huán)境下通過梯度聚合函數(shù)對(duì)所述訓(xùn)練推薦模型進(jìn)行梯度聚合計(jì)算，得到所述聚合推薦模型。

在第一方面的一種可能實(shí)現(xiàn)方式中，所述梯度聚合函數(shù)包括：