一种基于协同效应的隐私保护推荐技术制造技术

本申请公开了一种基于协同效应的隐私保护推荐技术，该技术包括：推荐列表形成模块和隐私保护模块，其中，所述推荐列表形成模块，用于形成具有可解释性的推荐列表；所述隐私保护模块，用于实现基于模型遗忘的隐私保护，推荐列表形成模块的具体流程为：S11：构建用户物品二分图；S12：计算协同效应；S13：邻居特征聚合；S14：物品推荐；隐私保护模块的具体流程为：S21：计算模型梯度；S22：模型遗忘。基于拓扑评估协同效应的强度，方法具有良好的推荐性能；能够根据用户要求，遗忘历史训练数据，满足用户隐私保护需求；具有良好的推荐效果，且其推荐结果具有可解释性，并能满足用户隐私保护需求，能够应用于对模型稳定和安全要求高的场景。景。景。

【技术实现步骤摘要】
一种基于协同效应的隐私保护推荐技术


[0001]本申请涉及个性化推荐
，尤其涉及基于协同效应的隐私保护推荐技术。

技术介绍

[0002]当下，电商平台、社交平台和媒体平台广泛应用推荐技术来为平台的用户匹配他们感兴趣的物品。其中，基于图神经网络的推荐技术能够更好捕捉用户的兴趣和描述物品的属性，往往取得最优秀的推荐性能。这些方法将用户的历史交互行为建模为用户
‑
物品二分图，基于协同效应，即相邻用户倾向于点击相同物品的原理，向用户进行推荐。
[0003]但是，这些方法存在两个问题。首先，由于现有基于图神经推荐技术直接聚集邻居特征，方法难以度量协同效应的强度，制约了推荐效果的准确性，并且其推荐结果不具有可解释性，限制了推荐技术的应用场景，特别是安全度要求高的金融领域。其次，现有的推荐技术忽视了用户的隐私保护需求，使用用户历史行为数据训练模型，难以对训练数据进行模型遗忘，侵犯用户隐私。
[0004]经检索，申请号：CN202211082132.4的中国专利，该专利技术公开了一种基于特征融合的中小微企业服务图卷积网络推荐方法。其通过图卷积神经网络进行编码和辅助特征融合得到用户和服务特征的最终嵌入表示，并基于用户和服务特征的最终嵌入表示进行用户
‑
服务的链路连接预测，将预测为确定连接的服务资源推荐给用户。但是，该方法无法有效评估用户和服务间的协同效应，制约了推荐效果。并且，该方法无法对于训练数据进行有效去学习，难以应用于用户隐私保护的场景。
[0005]申请号：CN202210901779.9的中国专利，公开了一种基于长短期偏好融合的图神经网络推荐方法，首先，通过图神经网络结合注意力机制提取交互图上用户的长期依赖和商品的节点特征。其次，通过双向GRU结合注意力机制提取近期交互上用户的短期依赖，然后，通过CNN结合注意力机制提取商品文本的特征。最后，将这些特征进行融合达到高性能的推荐效果。但是，该方法难以有效评估用户和服务间的协同效应，制约了推荐效果。并且，难以对于训练数据进行有效去学习，限制了其应用场景。
[0006]申请号：CN202210166279.5的中国专利，提供一种可解释的图神经网络推荐方法。首先，获取用户
‑
物品二分图的特征矩阵及邻接矩阵；通过特征矩阵及邻接矩阵建立图卷积编码器模型和双线性解码器模型，完成评分预测任务。其次，根据相似度计算采样得到相似用户特征矩阵和相似物品特征矩阵，通过非线性特征选择模型，选择权重大的特征作为推荐原因。但是，该方法无法有效评估用户和服务间的协同效应，制约了推荐效果。并且，无法对于训练数据进行有效去学习，限制了其应用场景。此外，该方法额外建立模型对推荐结果进行结束，其可解释性无法量化评估，可解释性效果不直观。
[0007]申请号：CN202111669811.7的中国专利，公开了一种基于门控机制的图神经网络推荐系统召回方法。首先，收集用户与物品的交互日志，同时收集用户与物品的主要特征信息；其次，将上述信息导入图数据库，生成拓扑图。使用门控机制，模拟用户对不同商品的不同特征关注度不一致的情况，以此在图网络中更好的学习节点表征信息。但是，该方法难以
有效评估用户和服务间的协同效应，制约了推荐效果。并且，无法对于训练数据进行有效去学习，无法保护用户隐私数据；
[0008]申请号：CN202110614924.0的中国专利，公开了一种面向隐私保护的图神经网络联邦推荐方法。首先，基于二分图为每个客户端进行图神经网络推荐；其次，基于联邦学习进行共同训练图神经网络推荐方法和面向隐私保护的服务器和客户端传输数据进行同态加密。但是，该方法难以有效评估用户和服务间的协同效应，制约了推荐效果；
[0009]申请号：CN202011549710.1的中国专利，提出一种基于图神经网络的序列推荐系统及推荐方法。专利技术构建产品交互转移图、构建层次图神经网络模型、获取特征表示矩阵、计算用户与产品的匹配程度、排序并推荐产品。但是，该方法难以有效评估用户和服务间的协同效应，制约了推荐效果。并且，无法对于训练数据进行有效去学习，无法满足用户隐私保护需求；
[0010]申请号：CN202210199660.1的中国专利，提出了一种基于特征权重模型推荐系统的推荐结果可解释性方法。该方法融合多路召回策略名、排序模型TopK权重特征和后处理规则名实现推荐系统推荐结果的可解释性。但是，该方法难以有效评估用户和服务间的协同效应，制约了推荐效果。并且，无法对于训练数据进行有效去学习，无法满足用户隐私保护需求。
[0011]在上述专利技术中，虽然也具有推荐效果，但是也存在不足：
[0012]尽管基于图神经网络的推荐技术具有较高的推荐准确度，但其难以度量协同效应的强度，制约推荐效果的准确性。并且，这些方法难以解释其推荐的原因，限制其技术应用于对模型稳定性和安全性要求高的场景。最后，现有的推荐技术忽略了用户的隐私保护需求，无法根据用户要求对其历史数据进行遗忘，不利于用户隐私保护。

技术实现思路

[0013]本申请的目的是为了解决现有技术中存在的缺陷，而提出的基于协同效应的隐私保护推荐技术。
[0014]为了实现上述目的，本申请采用了如下技术方案：
[0015]一种基于协同效应的隐私保护推荐技术，包括推荐列表形成模块和隐私保护模块，其中，所述推荐列表形成模块，用于形成具有可解释性的推荐列表；
[0016]所述隐私保护模块，用于实现基于模型遗忘的隐私保护。
[0017]进一步地，所述推荐列表形成模块的具体流程为：
[0018]S11：构建用户物品二分图；
[0019]S12：计算协同效应；
[0020]S13：邻居特征聚合；
[0021]S14：物品推荐。
[0022]进一步地，所述隐私保护模块的具体流程为：
[0023]S21：计算模型梯度；
[0024]S22：模型遗忘。
[0025]进一步地，所述步骤S11的具体流程为：
[0026]S111：基于用户和物品的交互关系，构建用户物品二分图其中，节点集合为图
的拓扑结构为用户物品二分图的构建方式为二分图中的节点包括用户和物品，边为用户和物品的交互关系；
[0027]S112：使用节点特征计算邻接矩阵
[0028]计算图中任意用户节点u和物品节点i的节点关系强度，具体方式为：M
ij
＝cosine(w
⊙
emb
u
,w
⊙
emb
i
)，其中，为可训练的转换矩阵，
⊙
为哈达玛乘积；
[0029]根据节点关系强度计算邻接矩阵，具体方式如下：
[0030][0031]其中，Rank函数按照节点关系强度进行降序排列；ε∈[0,1]为用户设定的超参数，ε越大，图越稠密，ε越小，图越稀疏；U为用户节点的集合，I为物品节点的集合，|
·本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于协同效应的隐私保护推荐技术，其特征在于，包括推荐列表形成模块和隐私保护模块，其中，所述推荐列表形成模块，用于形成具有可解释性的推荐列表；所述隐私保护模块，用于实现基于模型遗忘的隐私保护。2.根据权利要求1所述的基于协同效应的隐私保护推荐技术，其特征在于，所述推荐列表形成模块的具体流程为：S11：构建用户物品二分图；S12：计算协同效应；S13：邻居特征聚合；S14：物品推荐。3.根据权利要求2所述的基于协同效应的隐私保护推荐技术，其特征在于，所述隐私保护模块的具体流程为：S21：计算模型梯度；S22：模型遗忘。4.根据权利要求3所述的基于协同效应的隐私保护推荐技术，其特征在于，所述步骤S11的具体流程为：S111：基于用户和物品的交互关系，构建用户物品二分图其中，节点集合为图的拓扑结构为用户物品二分图的构建方式为二分图中的节点包括用户和物品，边为用户和物品的交互关系；S112：使用节点特征计算邻接矩阵计算图中任意用户节点u和物品节点i的节点关系强度，具体方式为：M
ij
＝cosine(w
⊙
emb
u
,w
⊙
emb
i
)，其中，为可训练的转换矩阵，
⊙
为哈达玛乘积；根据节点关系强度计算邻接矩阵，具体方式如下：其中，Rank函数按照节点关系强度进行降序排列；ε∈[0,1]为用户设定的超参数，ε越大，图越稠密，ε越小，图越稀疏；U为用户节点的集合，I为物品节点的集合，|
·
|为取模操作。5.根据权利要求4所述的基于协同效应的隐私保护推荐技术，其特征在于，用于步骤S12中，具体流程包括以下步骤：S121：对于用户物品二分图中的每个节点，每个节点具有若干个邻居，计算其与L阶邻居的共同交互比例JIR，具体方式如下：其中，f(
·
)用于区分不同路径p
ui
的权重，其计算结果由路径中每个节点的一阶邻居决定，在不同推荐场景，其可设定为不同的函数；β
2l
为不同路径权重的重要性，可通过聚合路径上节点信息计算得到，如使用最大值和求和等方式聚合路径上所有商品流行度数值；S122：对于...

【专利技术属性】
技术研发人员：郑小林，王钟毓，王健鹏，童亦磊，吴越，
申请(专利权)人：浙江大学，
类型：发明
国别省市：