[发明专利]一种以用户为中心的个性化推荐隐私保护方法及系统

权利要求书

1.一种以用户为中心的差分隐私个性化推荐方法，其步骤包括：

1)生成m个哈希函数，并发送至任一用户侧，所述用户侧通过用户与本地物品集合的历史交互记录，构造一n维的第一用户表示向量，其中n为物品数量；

2)接收用户侧发送的m维第二用户表示向量，所述第二用户表示向量依据m个哈希函数由第一用户表示向量转换；

3)计算若干待预测物品的待预测物品表示向量，将所述第二用户 表示向量与一待预测物品表示向量逐组地输入一神经协同过滤学生模型，得到该用户对各待预测物品的评分，并根据所述评分进行物品推荐；

其中，通过以下步骤得到神经协同学生模型：

a)服务方获取一包括待预测物品与若干用户侧本地物品集合的物品总集合及若干用户侧的样本第一用户表示向量，并获取物品总集合中每一样本物品的样本物品表示向量；

b)逐组将样本第一用户表示向量及相应样本物品表示向量，输入一神经协同过滤模型，并以样本用户对样本物品的评分记录为标签、样本用户对相应样本物品的评分为输出进行训练，得到神经协同过滤教师模型；

c)通过m个哈希函数，将各样本第一用户表示向量转换为样本第二用户表示向量；

d)通过知识蒸馏框架，将神经协同过滤教师模型的模型知识进行迁移，得到以样本第二用户表示向量及相应样本物品表示向量为输入的神经协同学生模型。

2.如权利要求1所述的方法，其特征在于，所述物品包括商品、电影或景点。

3.如权利要求1所述的方法，其特征在于，第一用户表示向量采用独热编码的方式。

4.如权利要求1所述的方法，其特征在于，将第一用户表示向量转换为m维的第二用户表示向量的方法包括局部敏感哈希方法。

5.如权利要求1所述的方法，其特征在于，将第二用户表示向量发送至服务方之前，用户侧向第二用户表示向量的每一维中添加独立采样的拉普拉斯噪声。

6.如权利要求1所述的方法，其特征在于，通过以下步骤得到样本用户对相应样本物品的评分：

1)将样本第一用户表示向量及相应样本物品表示向量分别输入第一全连接层与第二全连接层，得到维度一致的用户表示中间向量及物品中间向量；

2)将用户表示中间向量与物品中间向量进行点乘，得到点乘标量；

3)将样本第一用户表示向量及相应样本物品表示向量分别输入第三全连接层与第四全连接层，得到用户表示偏移量及物品表示偏移量；

4)通过点乘标量、用户表示偏移量及物品表示偏移量，获取样本用户对相应样本物品的评分。

7.如权利要求1所述的方法，其特征在于，对神经协同过滤教师模型训练时，使用Adam优化器。

8.如权利要求1所述的方法，其特征在于，通过以下策略将神经协同过滤教师模型的模型知识进行迁移：

1)将样本第二用户表示向量及相应样本物品表示向量输入另一神经协同过滤模型；

2)最后一层隐层表示向量以通过神经协同过滤教师模型计算得到的最后一层隐层表示向量作为目标，训练神经协同过滤学生模型的内部参数；

3)以L2范数损失函数为优化目标。