[发明专利]一种基于联邦学习的上下文感知推荐系统及方法

说明书

本发明公开了一种基于联邦学习的上下文感知推荐系统及方法，提出用户自定义数据协作协议模块，通过该模块对用户评分数据和上下文信息进行拼接，得到含有上下文信息的用户数据并将其发送至客户端。客户端根据用户数据和服务端权重参数训练本地推荐模型，并将本地模型权重参数发送至中央服务器。中央服务器聚合所有客户端的本地模型权重参数，得到新的服务端权重参数，完成一轮训练。多次训练本地推荐模型，直到本地推荐模型收敛。训练完成的本地推荐模型用于对新的用户数据进行处理，得到对用户的推荐内容。本发明通过将联邦学习技术应用在推荐系统中，并且在推荐系统中结合了上下文信息，实现了在保护用户隐私的同时也拥有较高的推荐准确率。

技术领域

本发明涉及推荐系统领域，具体涉及一种基于联邦学习的上下文感知推荐系统及方法。

背景技术

在推荐系统领域，传统的隐私保护方法主要有数据匿名化、加密技术和差分隐私。数据匿名化技术是对数据集中的数据进行匿名化处理的一种方法，它首先将每条数据的属性分为3类，唯一标识个体的标识属性，联合起来可以确定个体的准标识属性以及需要被保护的敏感属性。匿名化处理后的数据集将被隐去标识属性，同时对准标识属性进行一定程度的模糊化(如把年龄改为范围，邮编除去后两位等)，使敏感数据得到保护，但是由于没有对敏感数据做任何约束,攻击者可以通过掌握的背景知识攻击个体隐私，并且匿名化程度越高的数据，数据的损失就越多,其可用性就越差。加密技术所需额外的计算成本较大、步骤较为繁琐，总体的资源利用率较低。差分隐私技术是近几年较为流行的隐私保护方法，其通过对数据集加入噪声，使得即使数据集发生小范围的改动，对其查询得到的结果值的概率分布基本不变，有效防止了差分攻击所造成的信息泄露。但是，和数据匿名化有些相似，差分隐私需要在查询结果中加入大量的随机化，导致数据的可用性急剧下降，数据所含信息受损。

传统的隐私保护方法确实对用户数据起到了一定的保护作用，但是当这些方法应用在推荐系统中时会造成巨大的计算开销，结果的精确度也受到了较大的影响，不能很好的贴合推荐算法等人工智能算法的训练迭代升级过程。而近几年发展迅速的联邦学习正是一种适用于深度学习中隐私保护的训练框架。它由谷歌研究员McMahan等人于2016年提出。最初用于在用户数据不离开本地的情况下训练一个手机输入预测模型。后来，其中心思想经过提炼后被称为联邦学习。联邦学习假设有多个训练参与方和一个中心服务器，由中心服务器将模型分发给各个参与方，参与方只需要在本地进行训练，将更新后的模型参数返还给中心服务器即可完成一个模型更新过程。联邦学习保证了用户数据不离开用户本地存储设备，大大提高了对隐私的保护能力。

此外，在推荐系统领域，上下文感知推荐系统得到了广泛的关注。它指出，用户的选择不仅取决于兴趣相似的人，还与选择特定物品时的背景信息密切相关，如选择时的时间、位置、社交互动等。作为一个早期的代表工作，‘Adomavicius G,Sankaranarayanan R,Sen S,et al.Incorporating contextual information in recommender systems usinga multidimensional approach[J].ACM Transactions on Information Systems(TOIS),2005,23(1):103-145.’引入了上下文信息的重要性和一种多维方法来将上下文信息纳入推荐过程。同时，数据集的时间动态性对于推荐结果的重要性也逐渐被注意到，一些将时间特征集成到推荐模型中的工作也取得了不错的结果。最近，许多研究人员利用深度学习的优势进行基于上下文的推荐。除了深度学习模型中上下文信息的重要性之外，从用户的角度来看，隐私泄露是主要的缺点。如果推荐系统能够完全访问所有的上下文属性，攻击者能够集体获取或推断这些信息，那么会产生严重的后果。