【技术实现步骤摘要】
个性化多视图联邦推荐系统
[0001]本专利技术属于数据科学与大数据
,具体涉及一种基于多视图学习、元学习以及联邦学习的面向隐私保护的个性化多视图联邦推荐系统。
技术背景
[0002]随着信息技术与互联网技术的飞速发展,人们从信息匮乏的时代步入了信息过载的时代。以电子商务平台为例,为了满足用户的各种需求,商品信息量迅速膨胀。一方面,用户经常会迷失在海量的商品信息空间中,无法快速且顺利地找到自己需要的商品;另一方面,大量商品面临着无法被精准推送给目标人群的困境,造成商家获客难、平台盈利难的双重问题。在此背景下,推荐系统应运而生。经过二十余年的积累和沉淀,推荐系统现已被广泛地应用于电子商务、社交网络、在线广告以及流媒体等诸多领域。近年来,伴随着机器学习与深度学习技术的发展,工业界和学术界对推荐系统的研究热情更加高涨,继续挖掘推荐系统中的潜在问题并做出与时代同步的改进具有明显价值。
[0003]推荐系统认为,用户的属性以及与物品的历史交互行为等数据暗藏了用户的偏好,物品的属性以及描述文字等数据则隐含了其所指向的特定群体。因此,通过分析上述数据,对用户和物品进行建模,推荐系统就能够实现预测用户对某种物品感兴趣程度的功能,然后根据这种感兴趣程度的高低来主动地为用户推荐物品,从而实现对用户个性与偏好的妥善捕捉,并更好地发掘长尾信息,利于获取更多细分市场的利润。推荐系统发展至今,已逐步实现了从基于内容的朴素推荐,到基于协同过滤的中阶推荐,再到基于深度学习的高阶推荐算法的跨越,将更大规模与更为精准的推荐变为可能。目前, ...
【技术保护点】
【技术特征摘要】
1.一种个性化多视图联邦推荐系统,其特征在于,该系统包括一个中央服务器及数个用户客户端,其中,任意一个用户客户端的内部结构均相同,任意一个用户客户端之内包含训练模块及预测模块;中央服务器内部、中央服务器与任意一个用户客户端之间、任意一个用户客户端内部都有着数据流传输;同时,这种数据流的传输是采用同步传输的方式,即各模块间的数据交换是非异步且由统一时钟信号调配;所述的训练模块和预测模块各自包含数个分别用于完成训练任务和预测任务的子模块;所述中央服务器,包括更新协调模块及数据计算模块;所述数据计算模块分别对来自数个用户客户端的物品梯度数据与用户梯度数据执行聚合操作,所述聚合操作在中央服务器与任意一个用户客户端之间进行;所述更新协调模块协调来自任意用户客户端的单一梯度数据和来自数据计算模块的聚合梯度数据在任意用户客户端内的训练模块与中央服务器内的更新协调模块之间的传输;所述协调,这一操作在中央服务器内部完成,并通过安全聚合协议来保障数据传输过程中进入数据计算模块内部的单一梯度数据被远程安全聚合;远程安全聚合是指在安全聚合协议的控制之下对来自数个用户客户端的用户梯度数据或物品梯度数据执行加密并上传至中央服务器,中央服务器对梯度数据完成解密后再对其执行聚合;所述任意用户客户端内的训练模块,包括数据分发子模块、梯度计算子模块、梯度聚合子模块、模型更新子模块、模型微调子模块、用户数据仓库及物品数据仓库;训练模块内部的子模块与数据仓库相互协作完成训练算法的执行;所述用户数据仓库和物品数据仓库,分别在任意用户客户端的本地设备之中存储用户数据和物品数据;用户数据是指任意用户客户端上用户在各应用视图之内产生的历史交互行为数据集;物品数据是指推荐服务提供商经由中央服务器分发至任意用户客户端上的待推荐物品数据集;所述数据分发子模块与中央服务器内的更新协调模块以及训练模块内的模型更新子模块发生交互,承担着承上启下的数据枢纽的作用;一方面,上传来自模型更新子模块的本地安全聚合后的梯度数据至中央服务器,接收来自中央服务器的物品数据集与远程安全聚合后的梯度数据;另一方面,把来自中央服务器的远程安全聚合后的梯度数据传递给模型更新子模块;本地安全聚合是指对任意用户客户端内部产生的梯度数据执行随机采样、梯度裁剪以及高斯加噪后再进行聚合;所述梯度计算子模块计算训练算法中物品子模型和用户子模型依据目标函数进行迭代拟合后的梯度下降结果,缓存来自梯度聚合子模块的本地梯度下降聚合结果;所述梯度聚合子模块聚合梯度计算子模块中产生的梯度下降结果,并对梯度下降结果执行随机采样、梯度裁剪以及高斯加噪,从而实现梯度下降结果的本地安全聚合;所述模型更新子模块对当前轮次的模型训练进行更新,即从数据分发子模块中分别获取来自中央服务器的远程安全聚合后的物品子模型梯度和用户子模型梯度,分别利用物品子模型梯度和用户子模型梯度对物品子模型和用户子模型执行梯度下降;一旦当前的训练次数达到预设的迭代上限值或全局模型已收敛,模型更新子模块便将全局模型发送给模型微调子模块;全局模型是指模型更新子模块利用远程聚合梯度对用户子模型和物品子模型执行梯度下降之后得到的用户子模型和物品子模型;所述模型微调子模块调用本地的用户数据和物品数据,对全局用户子模型和全局物品
子模型分别进行有限轮次的本地训练迭代,使全局模型更加符合任意用户自身本地数据的数据分布,从而完成全局模型在任意...
【专利技术属性】
技术研发人员:张胜博,高明,束金龙,徐林昊,杜蓓,蔡文渊,
申请(专利权)人:上海嗨普智能信息科技股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。