(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111638487.2 (22)申请日 2021.12.3 0 (65)同一申请的已公布的文献号 申请公布号 CN 114003821 A (43)申请公布日 2022.02.01 (73)专利权人 江苏奥斯汀光电科技股份有限公 司 地址 210046 江苏省南京市栖霞区科创路1 号2幢 (72)发明人 翟晓东　汝乐　王意洲　凌涛　 凌婧　 (74)专利代理 机构 南京瑞弘专利商标事务所 (普通合伙) 32249 专利代理师 徐激波 (51)Int.Cl. G06F 16/9535(2019.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 WO 202014796 5 A1,2020.07.23 CN 111966698 A,2020.1 1.20 CN 111866954 A,2020.10.3 0 张君如 等.面向用户隐私保护的联邦安全 树算法. 《CODEN JYI IDU》 .2020,第40卷(第10 期),第2980页-第2 985页. Hossein Hosseini 等.Federated Learning of User Verificati on ModelsWithout Shari ng Embed dings. 《arXiv》 .2021,第1页-第9页. 审查员 倪赛华 (54)发明名称 一种基于联邦学习的个性 化行为推荐方法 (57)摘要 本发明公开了一种基于联邦学习的个性化 行为推荐方法， 包括如下步骤： 步骤1， 采集用户 行为特征数据， 对用户行为特征数据进行分类， 并根据用户行为特征数据的类别划分本地客户 端； 对用户行为特征数据进行标准化处理， 再将 标准化处理后的用户行为特征数据构建成特征 矩阵形式； 步骤2， 在本地客户端建立本地模型； 步骤3， 基于服务器端与客户端用户的互动， 在联 邦学习算法中加入双重主观逻辑模 型， 量化本地 模型的声誉 值， 最终将训练好的的模 型参数及其 声誉值上传至服务器上。 有利于 隐私安全， 将用 户的隐私保存在本地客户端； 还 可以实现在个人 用户的推荐基础上， 进行团体 推荐。 权利要求书4页 说明书12页 附图3页 CN 114003821 B 2022.05.13 CN 114003821 B 1.一种基于联邦学习的个性 化行为推荐方法， 其特 征在于， 包括如下步骤： 步骤1， 采集用户行为特征数据， 对用户行为特征数据进行分类， 并根据用户行为特征 数据的类别划分本地 客户端； 对用户行为特征数据进行标准化处理， 再将标准化处理后的用户行为特征数据构建成 特征矩阵形式； 步骤2， 在本地 客户端建立本地模型； 本地模型的网络结构包括指针卷积模块、 LSTM网络模块、 卷积模块、 特征融合模块和全 连接层； 指针卷积模块对所述用户行为特征数据进行分类， 分为 时序特征矩阵和非时序 特征矩 阵， 其中时序特征数据输入到LSTM网络， 进行时间点关键特征提取， 得到时序特征数据模 块； 非时序特征数据输入到卷积模块进 行特征提取， 得到非时序特征数据模块， 将卷积提取 的非时序特征模块和LSTM网络提取的时序特征模块经特征融合模块进 行特征拼接融合， 输 出至全连接层， 建立本地模型； 步骤3， 基于服务器端与客户端用户的互动， 在联邦学习算法中加入双重主观逻辑模 型， 量化本地模型的声誉值， 最终将训练好的模型参数及其声誉值上传至服 务器上； 双重主观逻辑模型是指服务器端对本地模型进行聚合， 并下发推荐模型以及该推荐模 型的声誉值到本地客户端， 本地客户端将推荐模型的声誉值与当前本地模型的声誉值对 比， 若声誉值相同， 则当前客户端不改变声誉值大小； 若声誉值不同， 根据公式9的形式发送给本地客户端的边缘节点， 边缘节点更新推荐模 型的声誉值； 其中f→ei表示客户端f向边缘节点ei发送请求信息； q( ·)为函数， time是时间戳， sig 是数据请求用户的签名， H(Evi)函数是对请求数据做哈希运算， 为可能参与的 客户端f向边缘节点ei发送请求信息； 边缘节点选择声誉值高的模型数据推荐给数据请求 用户； 在交互过程中再利用双重主观逻辑模型计算推荐模型的声誉值， 最终将推荐模型的声 誉值和推荐模型参数 上传至服 务器上。 2.根据权利要求1所述一种基于联邦学习的个性化行为推荐方法， 其特征在于， 将用户 行为特征数据按肤色和年龄段进行划分， 并依此划分客户端。 3.根据权利要求1或2所述一种基于联邦学习的个性化行为推荐方法， 其特征在于， 步 骤1中对用户行为特 征数据进行 标准化处理， 具体过程 为； 采用标准 化函数将用户行为特 征数据映射到[0， 1]之间； 标准化函数如下： 其中Xt是t时刻未标准化的用户行为特征 向量， Xmax是用户行为特征 向量最大值， Xmin是 用户行为特 征向量最小值， 是t时刻的标准 化后的用户行为特 征向量的结果。 4.根据权利要求1或2所述一种基于联邦学习的个性化行为推荐方法， 其特征在于， 步权　利　要　求　书 1/4 页 2 CN 114003821 B 2骤1中将标准 化处理后的用户行为特 征数据构建成特 征矩阵形式， 具体为： 将标准化后的用户行为特 征数据构建为特 征矩阵Pt， Pt＝[(x1， y1)， (x2， y2)， (x3， y3)，…(x18， y18)， (x19， 0)，…(x25， 0)] 其中， 特征矩阵Pt中前18组特征数据均为用户运动特征关节节点坐标， x19表示用户参 与活动的时长； x20表示用户的时装特征； x21表示用户的年龄特征； x22表示用户的性别； x23表 示用户的肤色特 征； x24表示用户的身高特 征； x25表示用户的体重特 征。 5.根据权利要求1所述一种基于联邦学习的个性化行为推荐方法， 其特征在于， 步骤3 中采用双重主观逻辑模型量化本地模型 的声誉值， 声誉值包括直接声誉值和间接声誉值， 计算方法如下： 步骤3.1.1直接声誉值的计算方法 边缘节点ei对服务器端 ηj的直接声誉值 通过声誉矢量 来表示公式(10)： 其中 代表边缘节点ei对服务器端 ηj的信任度， 代表边缘节点ei对服务器端 ηj 的不信任度， 代表边缘节点ei对服务器端 ηj的不确定度； 且三个系数取值范围在0到1 之间， 满足下面的公式(1 1)： 基于主观逻辑模型， 得到公式(12)： 这里的α， β 各自代表边缘节点ei对服务器端ηj是每次任务中交互的积极事件和消极事 件次数； 为成功传 输数据模型参数的概率， 即在无线网络中的通信质量决定了边缘节 点数对候选某类行为特 征的不确定度； 结合主观逻辑模型的矢量 值， 得到直接声誉值 为公式(13)： μ指的是不确定度对声誉值影响的相对系数， 为直接声誉值； 为了减少自私节点或者恶意节点的攻击， 增加消极交互事件对声誉值影响的权重， 即 θ是参与联邦学习的某类行为特征正确传输模型参数后， 与边缘节点完成积极交互 的权重系数； 是消极交 互的权重系数； 则直接声誉值公式更新 为下面的公式： 在模型中考虑了交互时效性影响因子； 定义时效衰落函数来描述时间对声誉的影响权　利　要　求　书 2/4 页 3 CN 114003821 B 3