[發明專利]基于區塊鏈的產品推薦方法、裝置及系統

在審

• 申請號: 202211675233.2
• 申請日: 2022-12-26
• 公開（公告）號: CN115829692A
• 公開（公告）日: 2023-03-21
• 發明（設計）人: 羅強;蘇恒;鐘亮;潘詩琪
• 申請（專利權）人: 中國工商銀行股份有限公司
• 主分類號: G06Q30/0601
• 分類號: G06Q30/0601;G06F16/23;G06F16/2457;G06F21/62
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 趙秀峰

本申請提供一種基于區塊鏈的產品推薦方法、裝置及系統，涉及區塊鏈領域，也可用于金融領域，所述方法包括：利用區塊鏈中的服務網關節點獲取用戶原始數據；其中，所述用戶原始數據是所述區塊鏈中的客戶端節點通過所述服務網關節點上傳的；對所述用戶原始數據進行差分隱私增強處理，得到對應的用戶隱私數據；將所述用戶隱私數據輸入預先訓練的產品推薦模型，生成對應的推薦產品，并將所述推薦產品發送至所述客戶端節點；其中，所述產品推薦模型是利用差分隱私增強處理后的鏈上用戶原始數據進行迭代梯度訓練得到的。本申請能夠在有效避免隱私泄露風險及單點依賴風險發生的情況下，基于用戶原始數據實現產品推薦。

技術領域

本申請涉及區塊鏈技術領域，可以用于金融領域，具體是一種基于區塊鏈的產品推薦方法及裝置。

背景技術

大數據時代的到來在使信息量暴增的同時，數據維度也呈現幾何式增長。在保護用戶隱私的前提下，如何充分挖掘高維數據的可用信息，成為了大數據發布領域的研究熱點與難點。一般而言，(項目/產品)推薦系統是一種利用用戶數據計算用戶偏好，旨在向用戶推薦相關項目/產品的系統。在信息傳遞與機器學習的過程中，為了避免用戶數據計算中產生用戶隱私泄露，通常會引入差分隱私算法，通過向用戶數據中加入噪聲干擾的方式，降低個人信息的敏感度，從而實現混淆敏感數據，達到隱私保護的效果。

現有技術中，差分隱私計算作為一種強大的隱私保護模型，被越來越多地應用到高維數據的發布中。然而在不可信的環境下，用戶向推薦系統提供的個人偏好信息存在較大的風險隱患：一是隱私暴露風險，在原始數據中加入干擾噪聲，仍無法避免攻擊者通過降噪及梯度下降等手段提取個人敏感信息；二是單點依賴風險，推薦系統作為用戶偏好信息的集大成者，也存在泄露個人用戶信息的可能。

發明內容

針對現有技術中的問題，本申請提供一種基于區塊鏈的產品推薦方法及裝置，能夠在有效避免隱私泄露風險及單點依賴風險發生的情況下，基于用戶原始數據實現產品推薦。

為解決上述技術問題，本申請提供以下技術方案：

第一方面，本申請提供一種基于區塊鏈的產品推薦方法，包括：

利用區塊鏈中的服務網關節點獲取用戶原始數據；其中，所述用戶原始數據是所述區塊鏈中的客戶端節點通過所述服務網關節點上傳的；

對所述用戶原始數據進行差分隱私增強處理，得到對應的用戶隱私數據；

將所述用戶隱私數據輸入預先訓練的產品推薦模型，生成對應的推薦產品，并將所述推薦產品發送至所述客戶端節點；其中，所述產品推薦模型是利用差分隱私增強處理后的鏈上用戶原始數據進行迭代梯度訓練得到的。

進一步地，所述的基于區塊鏈的產品推薦方法，還包括：

從所述區塊鏈中的存儲節點獲取數據共享密鑰；其中，所述數據共享密鑰是所述客戶端節點基于用戶提交的上傳數據請求中的初始化安全參數生成，并存儲于所述存儲節點的。

進一步地，訓練所述產品推薦模型的步驟，包括：

從所述存儲節點獲取所述鏈上用戶原始數據；

對所述鏈上用戶原始數據進行差分隱私增強處理，得到首輪多方信息共享數據；

迭代執行以下步驟，直至達到訓練收斂條件，得到所述產品推薦模型：基于當前迭代輪次下的梯度下降因子及多方信息共享數據執行迭代梯度訓練；其中，在執行首輪梯度訓練時，所述多方信息共享數據為所述首輪多方信息共享數據。

進一步地，所述對所述鏈上用戶原始數據進行差分隱私增強處理，得到首輪多方信息共享數據，包括：

對所述鏈上用戶原始數據進行矩陣分解處理；

對矩陣分解處理后的鏈上用戶原始數據執行梯度下降運算，得到待分享訓練數據；