[发明专利]基于分层个性化联邦学习的用户画像实现方法及系统

权利要求书

1.一种基于分层个性化联邦学习的用户画像实现方法，其特征在于，包括：

各客户端各自搜集内部的用户数据；

各客户端利用客户端内的所有用户数据，使用一个用户模型建模用户特质，并分成分的将模型参数发送至服务器；

服务器接收所有客户端发送的模型参数后，分成分的进行加权或者聚合处理，获得全局用户模型，并分成分的将全局模型参数分发至各客户端；

各客户端结合全局用户模型的参数更新本地用户模型的参数，并以此实现各用户的用户画像。

2.根据权利要求1所述的一种基于分层个性化联邦学习的用户画像实现方法，其特征在于，对于一个客户端，包含U_c个用户以及V_c个项目，定义一个用户数据为一个三元组(u，v，g)，其中，u表示用户信息，v表示项目信息，g表示对应的交互结果，各项目均被预先标注为不同的属性；应用于教育系统，项目信息为试题信息，项目属性为试题包含的知识点信息，交互结果为试题的回答结果；应用于电商推荐系统，项目信息为商品信息，项目属性为商品的类别信息，交互结果为商品的评价。

3.根据权利要求2所述的一种基于分层个性化联邦学习的用户画像实现方法，其特征在于，各客户端，对于每一用户数据，首先进行独热编码，获得用户的嵌入表示Emb_u和项目的嵌入表示Emb_v；并使用映射矩阵KM_u、KM_v对应的处理用户的嵌入表示Emb_u、项目的嵌入表示Emb_v，以得到用户表征、项目表征；其中，映射矩阵KM_u、KM_v各自由一系列的知识向量构成，通过随机初始化得到，大小均为K*L，K是指用户数据中项目的属性数目，一个属性对应一个知识向量，L为自定义的纬度值；

其中，映射矩阵KM_u与KM_v作为公开成分直接发送至服务器；所有用户及对应项目的嵌入表示均为私有成分，通过聚类操作后，产生的聚类中心作为一种被保护的私有成分发送至服务器。

4.根据权利要求3所述的一种基于分层个性化联邦学习的用户画像实现方法，其特征在于，服务器接收的模型参数包括公开成分与私有成分；

对于公开成分，服务器将所有客户端中同一属性的知识向量进行加权聚合，最终得到全局用户模型的公开成分；

对于私有成分，服务器通过聚类操作后，产生的聚类中心作为全局用户模型的私有成分。

5.根据权利要求4所述的一种基于分层个性化联邦学习的用户画像实现方法，其特征在于，服务器按照所有客户端发送的映射矩阵的类型以及映射矩阵中知识向量对应的属性，进行知识向量的融合，并引用知识向量对应属性的迭代次数，以及各个客户端针对属性的本地验证准确性，得到全局知识向量，表示为：

其中，|C|表示客户端总数，i为客户端索引；表示客户端i中针对属性k的知识向量，k＝1，...，K；表示客户端i中针对属性k的迭代次数，表示客户端i中针对属性k的本地验证准确性；p为阈值，当低于p时，否则，

根据所有客户端发送的映射矩阵KM_u与KM_v，结合以上方式进行处理，获得各个映射矩阵中各属性的全局知识向量，由全局知识向量组成的两个映射矩阵即为全局用户模型的公开成分。