CN119441608B基于自适应客户端聚合和采样的增强型联邦推荐方法-转果果

宋

宋晓机构暂无

技术领域暂无

何

何杰机构暂无

技术领域暂无

摘要

本发明公开了一种基于自适应客户端聚合和采样的增强型联邦推荐方法，核心是利用改进的负采样策略、交互聚类加权聚合和自适应差分隐私技术来提高推荐性能和保护用户隐私。该方法首先进行基于聚类驱动的增强型负样本采样(CD‑ENS)，通过获取用户交互项目列表确定不交互的数据项组合，利用K‑means算法进行聚类，并考虑多种因素作为特征，通过计算轮廓系数确定最佳聚类数，以实现更精准的负样本采样，从而提高推荐性能；之后进行交互聚类加权聚合(IC‑WA)，根据用户与项目类别交互的比例计算客户端权重，将客户端上传的加密梯度与客户端权重相乘并累积作为服务器梯度，使聚合更准确地反映各客户端的贡献；接着引入自适应动态本地差分隐私(LDP_MAD)，基于动态张量中位数调整拉普拉斯噪声强度，以平衡梯度传输和推荐系统性能，保护用户隐私。本发明在推荐过程中，利用改进的技术代替传统方法，解决了现有联邦推荐系统中存在的问题，提高了推荐的准确性和个性化，同时有效保护了用户隐私。

1.一种基于自适应客户端聚合和采样的增强型联邦推荐方法，其特征在于：(1)采用基于聚类驱动的增强型负样本采样(CD-ENS)模块，该模块通过聚类分析的方式来选择负样本；(2)运用交互聚类加权聚合(IC-WA)模块，此模块根据用户与项目类别交互的比例来计算客户端的权重；(3)引入自适应动态本地差分隐私(LDP_MAD)模块，该模块基于动态张量中位数来调整拉普拉斯噪声的强度；(4) 进行模型的训练和评估；增强型负样本采样(CD-ENS)模块为：在客户端选择负样本标签时，首先会获取每个用户的交互项目列表，进而确定不交互的数据项组合；接着，利用K-means算法进行聚类，在聚类过程中考虑平均得分、最大得分、最小得分、交互时间戳以及项目间的共现情况；然后，通过确定聚类数k；交互聚类加权聚合 (IC-WA)模块为：计算每个客户端在聚合过程中的权重时，该权重由用户与每个项目类别交互的比例决定，计算用户与各类别中交互项目的数量占该类别总项目数量的比例，将所有这些比例相加得到一个加权总和，再乘以用户交互的项目总数，从而得到聚类权重,在聚合时，将每个客户端上传的加密梯度与客户端权重相乘并进行累积，将其结果作为服务器的梯度；自适应动态本地差分隐私(LDP_MAD)模块为：在数据集中，当元素个数为奇数时，中位数为中间元素的值；当元素个数为偶数时，中位数为中间两个元素值的平均值,对于每个元素，计算其与中位数的绝对偏差，即该元素与中位数差值的绝对值，最后取所有绝对偏差的中位数作为中位数偏差。

CN113901327ACN113901327A CN116956057ACN116956057A