公开(公告)号：CN115033781B

公开(公告)日：2025-05-13

申请号：CN202210492179.1

申请日：2022-05-07

Applicant: 浙江大学

Inventor： 陈建海 ,  俞郭遥 ,  黄宇晨 ,  孟令雨 ,  荣大中 ,  方舟 ,  何钦铭

IPC: G06F16/9535 ,  G06N3/098 ,  G06N7/01

Abstract: 本发明公开了一种基于Multi‑Krum的联邦贝叶斯个性化排序推荐方法及系统，属于推荐系统及联邦学习领域。在每个用户端随机选取与该用户交互过的项目数量相等的未交互的项目，构建偏序关系三元组；在每个用户端初始化用户模型参数，在中心服务器端初始化项目模型参数；中心服务器端随机抽取若干个用户端参与训练，本地用户端根据生成的本地用户模型参数的梯度更新用户模型参数，中心服务器端采用Multi‑Krum聚合方法更新项目模型参数，直至推荐系统模型收敛；根据本地用户模型参数和项目模型参数计算各个项目的推荐程度。本发明的推荐系统保护了用户隐私，并有效抵制了恶意梯度的攻击，提升了联邦推荐系统的鲁棒性和安全性。

公开(公告)号：CN115033781A

公开(公告)日：2022-09-09

申请号：CN202210492179.1

申请日：2022-05-07

Applicant: 浙江大学

Inventor： 陈建海 ,  俞郭遥 ,  黄宇晨 ,  孟令雨 ,  荣大中 ,  方舟 ,  何钦铭

IPC: G06F16/9535 ,  G06N3/08 ,  G06N20/20

Abstract: 本发明公开了一种基于Multi‑Krum的联邦贝叶斯个性化排序推荐方法及系统，属于推荐系统及联邦学习领域。在每个用户端随机选取与该用户交互过的项目数量相等的未交互的项目，构建偏序关系三元组；在每个用户端初始化用户模型参数，在中心服务器端初始化项目模型参数；中心服务器端随机抽取若干个用户端参与训练，本地用户端根据生成的本地用户模型参数的梯度更新用户模型参数，中心服务器端采用Multi‑Krum聚合方法更新项目模型参数，直至推荐系统模型收敛；根据本地用户模型参数和项目模型参数计算各个项目的推荐程度。本发明的推荐系统保护了用户隐私，并有效抵制了恶意梯度的攻击，提升了联邦推荐系统的鲁棒性和安全性。