本技术公开了一种结合联邦学习和知识图谱的隐私保护推荐方法,包括:步骤一、服务器初始化并分发联邦学习全局模型;客户端使用差分隐私边伪装算法对原始数据增加混淆度;步骤二、所述客户端将原始数据加载至所述联邦学习本地模型中训练后得到下降的联邦学习本地模型梯度;步骤三、所述客户端使用感应阶数RDP隐私算法对下降的联邦学习本地模型梯度加噪后并上传至所述服务器;步骤四、所述服务器接收加噪后的联邦学习本地模型梯度,更新并评估联邦学习全局模型;重复步骤二至步骤四,直至模型收敛或达到预设的迭代次数,得到优化的联邦学习全局模型;步骤五、将用户数据输入所述优化的联邦学习全局模型,输出兴趣概率值,判断该用户潜在的喜好。
背景技术
随着互联网的快速发展,推荐系统在电子商务、社交媒体和内容分发平台中扮演着越来越重要的角色。传统的推荐技术主要采用协同过滤(CF)方法,其中基于矩阵分解的SVD算法是经典的CF推荐算法之一,该算法通过分解用户-物品交互矩阵来预测评分,虽然取得了一定的成功,但通常会遇到用户-物品交互稀疏和冷启动问题。
知识图谱凭借其丰富的实体属性和关系网络,为解决推荐系统中的冷启动和数据稀疏问题提供了信息资源;因此,研究人员已经开发出多种创新的基于知识图谱的推荐方法,例如,PER算法基于个性化注意力机制,通过异构图(KG)在用户和物品之间构建元路径;CKE算法结合了CF和其他模态的数据,提出了一种基于知识图谱的协同嵌入推荐方法;RippleNet采用类似记忆网络的方法,模拟并利用用户和物品之间的涟漪效应,在知识图谱上传播信息;KGCN方法则通过合并知识图谱和协同过滤数据来实现更有效的推荐。
此外,随着《通用数据保护条例》(GDPR)等严格的数据保护法规的实施,未来网络平台可能无法集中存储用户-物品交互数据以训练模型进行推荐,解决用户-物品交互数据隐私问题的一种方法是将原始数据本地存储在用户设备上,并在此基础上训练本地模型,然而,由于数据分散和计算资源有限,这种情况下很难训练出准确的模型进行推荐。
联邦学习(Federated Learning)提供了一种新的解决方案。FedMF是一种基于矩阵分解的推荐算法,通过加密机制保护隐私;FedGNN是一种基于图神经网络(GNN)的推荐算法,使用同态加密进行聚合,并通过差分隐私和伪标注来保护原始梯度。联邦学习通过在用户设备本地训练模型,并仅共享模型参数或梯度,保护了用户数据的隐私。
综上所述,传统知识图谱推荐系统在整合分散计算资源和用户隐私保护方面存在局限。
实现思路