(19)中华 人民共和国 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 202111455853.0 (22)申请日 2021.12.01 (71)申请人 深圳大学 地址 518060 广东省深圳市南 山区南海大 道3688号 (72)发明人 林钊浩　李志涛　梁锋　潘微科　 明仲　 (74)专利代理 机构 深圳市君胜知识产权代理事 务所(普通 合伙) 44268 代理人 林敏　李可 (51)Int.Cl. G06Q 30/06(2012.01) G06F 21/62(2013.01) G06N 20/00(2019.01) (54)发明名称 一种去中心化的联邦推荐 方法、 智能终端及 存储介质 (57)摘要 本发明公开了一种去中心化的联邦推荐方 法、 装置、 智能终端及存储介质， 其中， 上述去中 心化的联邦推荐方法包括： 获取实际评分过的物 品构建第一物品集， 并随机采样获取未评分过的 物品构建第二物品集； 将所述第一物品集与第二 物品集合并为第三物品集， 将所述第三物品集发 送至服务器； 基于所述第三物品集， 通过服务器 构建通信矩阵， 其中， 所述通信矩阵用于记录各 用户对所有物品是否进行过评分的情况； 基于所 述第三物品集， 获取所述通信矩阵中共同评分过 的各个物品所对应的用户集并用于模 型训练。 本 方案可通过去中心化的联邦推荐实现既保护用 户隐私又 具有较好的推荐效果， 即推荐精准 性。 权利要求书2页 说明书15页 附图5页 CN 114119169 A 2022.03.01 CN 114119169 A 1.一种去中心化的联邦推荐方法， 其特 征在于， 所述方法包括： 获取实际评分过的物品构建第 一物品集， 并随机采样 获取未评分过的物品构建第 二物 品集； 将所述第一物品集与第二物品集合并为第三物品集， 将所述第三物品集发送至服务 器； 基于所述第 三物品集， 通过服务器构建通信矩阵， 其中， 所述通信矩阵用于记录各用户 对所有物品是否进行 过评分的情况； 基于所述第 三物品集， 获取所述通信矩阵中共同评分过的各个物品所对应的用户集并 用于模型训练。 2.根据权利要求1所述的一种 去中心化的联邦推荐方法， 其特征在于， 所述获取实际评 分过的物品构建第一物品集， 并随机采样获取未评分过的物品构建第二物品集的步骤包 括： 获取实际评分过的物品构建第一物品集； 根据预先设置的采样参数， 随机采样获取未评分过的物品构建第二物品集， 其中， 所述 采样参数的值大于一小于正无穷 。 3.根据权利要求1所述的一种 去中心化的联邦推荐方法， 其特征在于， 所述基于所述第 三物品集， 获取所述通信矩阵中共同评 分过的各个物品所对应的用户集并用于模型训练的 步骤包括： 基于所述第三物品集， 在所述 通信矩阵中查找共同评分过某 物品的用户； 获取所述第 三物品集中所有物品对应的共同评分过的用户构建用户集， 并用于模型训 练。 4.根据权利要求1所述的一种 去中心化的联邦推荐方法， 其特征在于， 所述基于所述第 三物品集， 获取所述通信矩阵中共同评 分过的各个物品所对应的用户集并用于模型训练的 步骤之后包括： 在每一轮迭代中， 首先将第一物品集中物品的顺序打乱， 并按照打乱后的顺序获取每 一个物品的评分数据； 基于每次获取的评分数据， 计算得到对应的用户隐特征向量的梯度和个性化物品隐特 征向量的梯度， 并进一 步对用户隐特 征向量和个性 化物品隐特 征向量进行第一次更新； 第一次更新完成后， 判断迭代次数 是否小于第一预设次数。 5.根据权利要求4所述的一种 去中心化的联邦推荐方法， 其特征在于， 所述第 一次更新 完成后， 判断迭代次数 是否小于第一预设次数的步骤之后包括： 当是， 则将第 一次更新得到的个性化物品隐特征向量发送给其他声称评分过该物品的 客户端； 等待所有客户端的个性化物品隐特征向量发送完毕， 基于其他客户端发送的个性化物 品隐特征向量第二次更新对应物品的个性 化物品隐特 征向量； 当否， 则将第一次更新得到的个性 化物品隐特 征向量发送给其 他所有客户端； 等待所有客户端的个性化物品隐特征向量发送完毕， 基于其他客户端发送的个性化物 品隐特征向量第二次更新所有物品的个性 化物品隐特 征向量。 6.根据权利要求5所述的一种 去中心化的联邦推荐方法， 其特征在于， 所述等待所有客权　利　要　求　书 1/2 页 2 CN 114119169 A 2户端的个性化物品隐特征向量发送完毕， 基于其他客户端发送的个性化物品隐特征向量第 二次更新所有物品的个性 化物品隐特 征向量的步骤之后包括： 当所述迭代次数大于等于第 一预设次数， 基于第 二次更新的所有物品的个性化物品隐 特征向量， 测试模型 是否收敛； 当所述模型收敛， 结束模型训练。 7.根据权利要求1所述的一种 去中心化的联邦推荐方法， 其特征在于， 所述基于所述第 三物品集， 获取所述通信矩阵中共同评 分过的各个物品所对应的用户集并用于模型训练的 步骤之后还 包括： 在模型训练前， 预先为每一客户端设置用于存放全局唯一物品隐特征向量的四个队 列， 包括更新队列、 不更新队列、 接收队列以及测试队列； 在每一轮迭代中， 将上一轮迭代时接收到的全局唯一物品隐特征向量即接收 队列数据 复制到更新队列中， 并清空接收队列； 等待所有客户端清空接收队列； 当更新队列中接收到第 一物品集物品对应的全局唯一物品隐特征向量 时， 计算基于该 物品的评分数据的用户隐特征向量的梯度和全局唯一物品隐特征向量的梯度， 并进一步更 新用户隐特 征向量和全局唯一物品隐特 征向量； 将更新队列和不更新队列中的所有全局唯一物品隐特征向量以预设概率分别发送给 任一声称评分过 该物品的客户端； 当所述全局唯一物品隐特征向量没有发送时， 将该全局唯一物品隐特征向量放入不更 新队列中， 在下一轮迭代时不更新该全局唯一物品隐特 征向量。 8.根据权利要求7所述的一种 去中心化的联邦推荐方法， 其特征在于， 所述将更新队列 和不更新队列中的所有全局唯一物品隐特征向量以预设概率分别发送给任一声称评分过 该物品的客户端的步骤 还包括： 判断迭代次数 是否大于等于第二预设次数； 当是， 则将更新后的全局唯一物品隐特 征向量复制并发送给其 他客户端的测试队列； 通过所述测试队列中所有物品的物品隐特 征向量， 测试模型 是否收敛； 当所述模型收敛， 结束模型训练。 9.一种智能终端， 其特征在于， 所述智能终端包括存储器、 处理器以及存储在所述存储 器上并可在所述处理器上运行的一种去中心 化的联邦推荐程序， 所述一种去中心化的联邦 推荐程序被所述处理器执行时实现如权利要求 1‑8任一项所述一种去中心 化的联邦推荐方 法的步骤。 10.一种非临时性计算机可读存储介质， 其上存储有计算机程序， 所述计算机程序被处 理器执行时实现如权利要求1 ‑8任意一项所述 一种去中心化的联邦推荐方法的步骤。权　利　要　求　书 2/2 页 3 CN 114119169 A 3