[发明专利]基于联邦学习和相似度密文计算的个性化项目推荐方法

权利要求书

1.一种基于联邦学习和相似度密文计算的个性化推荐项目方法，所述项目包括电影、音乐、图书、商品，其特征在于，所述项目推荐方法包括以下步骤：

S1、系统初始化：可信中心TA为推荐代理Agen_i，用户u_i，j和云服务器生成并分发密钥，其中，假设一共有N个推荐代理，每个推荐代理都有M个用户和n个项目，第i个推荐代理表示为Agen_i，推荐代理Agen_i的第j个用户表示为u_i，j，并且满足1≤i≤N，1≤j≤M；推荐代理Agen_i的第i′个项目表示为I_i，i′，并且满足1≤i≤N，1≤i′≤n；可信中心TA首先运行密钥生成算法SOMC.KeyGen(p)，其中p为矩阵维度，得到实现加密功能的第一密钥K_A，第二密钥K_s，1，K_s，2，...，K_s，N，第三密钥K₁，K₂，...，K_N，第四密钥L和第五密钥J₁，J₂，...，J_N；随后可信中心TA将K_A，K_i，K_s，i发送给对应的推荐代理Agen_i；将K_s，1，K_s，2，...，K_s，N和L发送给云服务器；将密钥J_i发送给对应的用户u_i，1，u_i，2，...，u_i，M；可信中心TA给推荐代理Agen₁，Agen₂，...，Agen_N生成身份标识ID₁，ID₂，...，ID_N；给每一个项目I_i，i′生成对应的身份标识Iid_i，i′；可信中心TA将推荐代理Agen₁，Agen₂，...，Agen_N的可靠度分值RES₁，RES₂，...，RES_N初始化为0，以及RES₁，RES₂，...，RES_N的更新次数count₁，count₂，...，count_N初始化为0；

S2、数据加密：每一个项目I_i，i′的属性信息用p维向量表示，其中b_ii′，1，b_ii′，2，...，b_ii′，p表示项目I_i，i′的第1，2，...，p个属性值，符号表示转置运算；每一个推荐代理Agen_i运行加密算法输出加密结果上传保存在云服务器中；

S3、项目推荐：每一个用户u_i，j的需求信息用p维向量表示，其中a_ij，1，a_ij，2，...，a_ij，p表示用户u_i，j需求的第1，2，...，p个属性值，用户u_i，j运行加密算法输出加密结果之后用户u_i，j往输出结果中加入噪声得到随后，用户u_i，j将加密加噪的需求向量发给推荐代理Agen_i，通过推荐代理Agen_i和云服务器交互，执行项目推荐算法得到被推荐的项目I_opt和对应的身份标识Iid_opt发送给用户u_i，j，其中是用户u_i，j的加密加噪需求向量，是推荐代理Agen_i的项目属性密文数据集，W_i是推荐代理Agen_i的推荐权值矩阵，{RES_i，i＝1，2，...，N}是每一个推荐代理的可靠度分值数据集，L是云服务器私钥，是实现选择推荐代理的第一、第二门限值；

S4、更新可靠度分值：每一个用户u_i，j收到推荐结果之后，生成评分矩阵R_i，j，用户u_i，j往评分矩阵R_i，j中加入噪声得到并生成评分标识向量并运行加密算法得到加密加噪评分矩阵R′_i，j，计算其中符号“·”表示乘法运算；随后，用户u_i，j将R′_i，j，发给推荐代理Agen_i；通过推荐代理Agen_i和云服务器交互，执行更新可靠度分值算法更新推荐代理Agen_i的可靠度分值，其中是推荐代理Agen_i收到的所有加密反馈，F_i是给推荐代理Agen_i发过反馈的用户集合，RES_i是推荐代理Agen_i的可靠度分值，count_i是推荐代理Agen_i的可靠度分值RES_i的更新次数。