(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210379463.8 (22)申请日 2022.04.12 (71)申请人 华南理工大 学 地址 510640 广东省广州市天河区五山路 381号 (72)发明人 张幸林　卢正东　卢艺灵　卢沁旖　 周志炫　谢文灏　林泽蓬　 (74)专利代理 机构 广州市华学知识产权代理有 限公司 4 4245 专利代理师 冯炳辉 (51)Int.Cl. G06N 20/00(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 17/16(2006.01)G06F 16/9535(2019.01) G06F 21/62(2013.01) (54)发明名称 一种基于用户隐私保护的联邦混合过滤推 荐方法 (57)摘要 本发明公开了一种基于用户隐私保护的联 邦混合过滤推荐方法， 包括： 1)收集公开的用户 ‑ 物品的评分信息、 用户属性和物品属性， 构成评 分信息矩阵、 用户边缘信息和物品边缘信息； 2) 搭建两个降噪自编码器， 通过随机梯度下降法对 两个降噪自编码器进行自监督的预训练； 3)构建 总模型， 将预训练得到的两个降噪自编码器中的 编码器参数载入总模型的两个编码器； 4)使用联 邦学习的FedAvg算法对总模型参数进行迭代更 新， 利用更新后的总模型生 成不同用户对物品的 隐式反馈的概率值， 进而生 成对应用户的推荐物 品列表。 本发 明能够合理提取并利用用户和物品 的公开特征信息， 在保护用户个人隐私信息的同 时， 对用户可能存在的交互行为概率进行预测， 生成高命中的推荐列表。 权利要求书3页 说明书9页 附图2页 CN 114723067 A 2022.07.08 CN 114723067 A 1.一种基于用户隐私保护的联邦混合过 滤推荐方法， 其特 征在于， 包括以下步骤： 1)收集公开的用户 ‑物品的评分信息构成评分信息矩阵作为显式反馈， 通过二值化评 分信息矩阵得到隐式反馈， 收集 公开的用户属性作为用户边缘信息和公开的物品属性作为 物品边缘信息； 其中， 显式反馈为用户明确表示对物品喜好程度的指标， 即用户对物品的评 分， 而隐式反馈为不能明确反映用户喜好程度的指标， 即用户对物品进行评分这一行为的 发生与否； 2)针对用户边缘信 息和物品边缘信 息分别搭建降噪自编码器， 搭建的两个降噪自编码 器结构相同， 均包括噪声 添加、 编码 器和解码 器三个部 分， 通过随机梯度下降法对两个降噪 自编码器分别进行自监 督的预训练， 得到预训练后的两个降噪自编码器参数； 3)构建由两个编码器、 全连接层和激活函数层组成的总模型， 此处的两个编码器结构 分别等同于两个降噪自编码器各自的编码器部分， 定义为用户编码器和物品编码器， 总模 型构建完成后， 再将预训练得到的两个降噪自编码器中各自的编 码器参数分别载入总模型 的用户编码器和物品编码器进行初始化； 4)使用联邦学习的FedAvg算法对总模型参数进行迭代更新， 利用更新后总模型生成不 同用户对物品的隐式反馈的概 率值， 进而生成对应用户的推荐物品列表。 2.根据权利要求1所述的一种基于用户隐私保护的联邦混合过滤推荐方法， 其特征在 于， 所述步骤1)包括以下步骤： 1.1)收集公开的用户 ‑物品的评分信息， 构成评分信息矩阵R， 评分信息矩阵是一个用 户‑物品的二维矩阵， 表示 为： 式中， rij是指第i位用户针对第j件物品的评分信息， 共有m位用户， n件物品； 1.2)使用自定义的二值化函数Bin(rij)作用于评分信息矩阵R， 得到隐式反馈矩阵， 定 义为用户 ‑物品交互矩阵 即针对每个用户 ‑物品对， 都有 一个值为0或1的隐式反馈标签， 其中值为0表示评分行为 未发生， 值为1表示评分行为已发生； 二值化函 数Bin(rij)的定义如 下： 1.3)收集公开的用户属性和物品属性， 分别用独热编码生成表示属性的由用户二元特 征值组成的向量和由物品二元特征值组成的向量， 即用户的边缘信息向量和物品的边缘信 息向量， 进 而构成用户边 缘信息矩阵Suser和物品边 缘信息矩阵Sitem， 表示为： 权　利　要　求　书 1/3 页 2 CN 114723067 A 2式中， 为第i位用户的边缘信息向量， 包括duser个用户二元特征值， buser,x表示用户 的第x个用户二元特征值， 表示duser维度的向量空间； 为第j件物品的边缘信息向 量， 包括ditem个物品二元特征值,bitem,y表示物品的第y个物品二元特征值， 表示ditem维 度的向量空间。 3.根据权利要求1所述的一种基于用户隐私保护的联邦混合过滤推荐方法， 其特征在 于， 所述步骤2)包括以下步骤： 2.1)针对用户边缘信息和物品边缘信息分别搭建降噪自编码器， 定义为用户降噪自编 码器和物品降噪自编码器， 搭建的降噪自编码器结构用公式表示如下： 式中， s为降噪自编码器的输入向量， 即边缘信 息向量； 为降噪自编码器的重构向量； 函数dnoi为噪声添加； 函数fenc为编码器； 函数gdec为解码器； 2.2)通过随机梯度 下降法对两个降噪自编码器分别进行自监督的预训练， 得到预训练 后的两个降噪自编 码器参数， 两个降噪自编码器参数均包括编 码器参数和解码器参数两个 部分； 为了衡量重构向量 与输入向量s之 间的差异大小， 引入交叉熵作为两个降噪自编码 器的损失函数， 得到损失函数LDAE： 式中， N为一个批量中输入向量的总个数， p指代第p个输入向量， d表示输入向量的总维 度， k表示输入向量的第k个维度； 定义用户边 缘信息向量与物品边 缘信息向量如下： 式中， 为第i位用户的边缘信息向量， 共有m位用户， 中包括duser个用户二元特 征值， 用buser,x表示用户的第x个用户二元特征值； 为第j件物 品的边缘信息向量， 共有n 件物品， 包括ditem个物品二元 特征值,bitem,y表示物品的第y个物品二元 特征值； 将 和 分别作为用户降噪自编码器和物品降噪自编码器的输入向量， 由前向传权　利　要　求　书 2/3 页 3 CN 114723067 A 3