【技術實現步驟摘要】
本專利技術涉及人工智能，尤其涉及一種基于聯邦學習的推薦方法、裝置、設備和存儲介質。
技術介紹
1、推薦系統能夠從大量數據中識別用戶對不同物品的偏好，從而提供精準且令人滿意的推薦結果。聯邦推薦系統將聯邦學習集成到推薦場景，為用戶提供潛在且有價值的服務，同時通過將敏感數據保留在用戶本地實現了對用戶隱私的保護。
2、公平性可以保證聯邦推薦系統向用戶提供公正的推薦性能，從而提高系統的可信度。公平性分為兩個概念，即個體公平性和群體公平性。具體而言，個體公平性要求對相似的個體給予平等對待。而群體公平性作為研究最廣泛的公平性概念，旨在確保推薦性能在敏感屬性定義的各個群體之間是公平的。
3、相關技術中的聯邦推薦系統中的大多數通常只關注群體的公平性，即聯邦推薦系統通常只關注推薦任務中的單個敏感屬性，而忽略了用戶的個性化需求。
技術實現思路
1、有鑒于此，本申請提供一種基于聯邦學習的推薦方法、裝置、設備和存儲介質，以利于提高推薦系統的公平性。
2、第一方面，本申請實施例提供了一種基于聯邦學習的推薦方法，應用于服務器，所述方法包括：
3、接收目標對象上傳的目標屬性；
4、基于所述目標屬性對所述目標對象進行分組，得到至少一個群體；
5、針對每個群體：基于目標屬性的屬性值對所述目標對象進行分組，得到至少一個子群體；
6、針對每個子群體，將所述子群體對應的模型參數集發送給所述子群體中的每個目標對象；以使所述目標對象根據接收到的
7、在一些可能的實施例中，所述模型參數集中包括：上一輪的全局模型更新參數，所述方法還包括：
8、接收每個目標對象上傳的第一本地參數；
9、接收每個目標對象發送的模型差值；
10、基于每個目標對象對應的第一本地參數得到第二本地參數?；
11、對所述第二本地參數、每個所述目標對象對應的第一本地參數、以及每個所述目標對象對應的模型差值進行聚合處理，得到全局模型更新參數；
12、采用所述全局模型更新參數更新存儲的上一輪的全局模型更新參數。
13、在一些可能的實施例中，所述模型參數集中包括：上一輪的子群體模型更新參數，所述接收每個目標對象發送的模型差值之后，所述方法還包括：
14、針對每個子群體；
15、基于所述子群體中每個目標對象對應的本地數據構建子群體參數?；
16、對所述第二本地參數、所述子群體參數、以及所述模型差值進行聚合處理，得到子群體模型更新參數；
17、采用所述子群體模型更新參數更新存儲的上一輪的子群體模型更新參數。
18、在一些可能的實施例中，所述模型參數集中包括：上一輪的正則項強度，所述基于所述子群體中每個目標對象對應的本地數據構建子群體參數之后，所述方法還包括：
19、接收每個所述目標對象發送的本地預測誤差；
20、對所述第二本地參數、所述子群體參數、以及所述本地預測誤差進行聚合處理，得到目標正則項強度?；
21、采用所述目標正則項強度更新存儲的上一輪的正則項強度。
22、在一些可能的實施例中，所述模型參數集中包括：上一輪更新權重，所述方法還包括：
23、接收每個目標對象發送的公平度量值；
24、基于每個目標對象發送的所述公平度量值，得到公平度量均值?；
25、針對每個子群體：基于所述子群體中每個目標對象發送的公平度量值得到群體度量值?；基于所述群體度量值以及所述公平度量均值，得到所述子群體對應的目標更新權重；采用所述目標更新權重更新所述上一輪更新權重。
26、第二方面，本申請實施例提供了一種基于聯邦學習的推薦方法，應用于目標對象，所述方法包括：
27、從服務器中獲取模型參數集；所述模型參數集是所述目標對象所屬的子群體對應的模型參數集；所述目標對象所屬的子群體是根據所述目標對象上傳的目標屬性確定的；
28、根據所述模型參數集來確定優化目標值；
29、根據所述優化目標值來對所述本地模型進行訓練，得到訓練后的本地模型；
30、采用所述訓練后的本地模型進行推薦操作。
31、在一些可能的實施例中，所述模型參數集中包括：上一輪的全局模型更新參數、上一輪的子群體模型更新參數，所述根據所述模型參數集來確定優化目標值，包括：
32、獲取上一輪的初始模型參數；
33、基于所述上一輪的初始模型參數以及所述上一輪的子群體模型更新參數，得到所述本地模型的本地模型參數；
34、基于所述上一輪的初始模型參數以及所述上一輪的全局模型更新參數，得到所述目標對象的全局模型的全局模型參數；
35、基于所述目標對象對應的訓練數據集、所述本地模型參數、所述全局模型參數，得到優化目標值。
36、在一些可能的實施例中，所述模型參數集中包括：上一輪的正則項強度，所述基于所述目標對象對應的訓練數據集、所述本地模型參數、所述全局模型參數，得到優化目標值，包括：
37、基于所述訓練數據集確定所述目標對象對應的交互記錄以及交互數據量；
38、基于所述交互記錄、所述交互數據量、所述上一輪的正則項強度、所述本地模型參數、所述全局模型參數以及預設的損失函數，得到所述優化目標值。
39、在一些可能的實施例中，所述得到優化目標值之后，所述方法還包括：
40、基于所述訓練數據集確定所述目標對象對應的交互記錄；
41、基于所述交互記錄、所述損失函數以及所述本地模型參數得到本地損失值；
42、基于所述交互記錄、所述損失函數以及所述全局模型參數，得到全局損失值；
43、獲取驗證數據集；
44、基于所述本地損失值、所述全局損失值以及所述驗證數據集，得到本地預測誤差；
45、將所述本地預測誤差上傳至服務器，以使所述服務器根據所述本地預測誤差更新上一輪的正則項強度。
46、在一些可能的實施例中，所述根據所述優化目標值來對所述本地模型進行訓練，得到訓練后的本地模型，包括：
47、根據所述上一輪的更新權重以及預設輪次初始值，得到目標訓練輪次；
48、采用所述訓練數據集、所述目標訓練輪次以及所述優化目標值對所述本地模型進行訓練，得到訓練后的本地模型以及所述本地模型的當前模型參數。
49、在一些可能的實施例中，所述得到優化目標值之后，所述方法還包括：
50、根據所述當前模型參數以及所述本地模型參數得到模型差值；
51、將所述模型差值上傳至服務器，以使所述服務器根據所述模型差值更新模型參數中的更新存儲的所述上一輪的全局模型更新參數。
52、在一些可能的實施例中，所述獲取所述本地模型的當前模型參數之后，所述方法還本文檔來自技高網...
【技術保護點】
1.一種基于聯邦學習的推薦方法，其特征在于，應用于服務器，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述模型參數集中包括：上一輪的全局模型更新參數，所述方法還包括：
3.根據權利要求2所述的方法，其特征在于，所述模型參數集中包括：上一輪的子群體模型更新參數，所述接收每個目標對象發送的模型差值之后，所述方法還包括：
4.根據權利要求2所述的方法，其特征在于，所述模型參數集中包括：上一輪的正則項強度，所述基于所述子群體中每個目標對象對應的本地數據構建子群體參數之后，所述方法還包括：
5.根據權利要求1所述的方法，其特征在于，所述模型參數集中包括：上一輪更新權重，所述方法還包括：
6.一種基于聯邦學習的推薦方法，其特征在于，應用于目標對象，所述方法包括：
7.根據權利要求6所述的方法，其特征在于，所述模型參數集中包括：上一輪的全局模型更新參數、上一輪的子群體模型更新參數，所述根據所述模型參數集來確定優化目標值，包括：
8.根據權利要求7所述的方法，其特征在于，所述模型參數集中包括：上一輪
9.根據權利要求7所述的方法，其特征在于，所述得到優化目標值之后，所述方法還包括：
10.根據權利要求6所述的方法，其特征在于，所述根據所述優化目標值來對所述本地模型進行訓練，得到訓練后的本地模型，包括：
11.根據權利要求10所述的方法，其特征在于，所述得到優化目標值之后，所述方法還包括：
12.根據權利要求11所述的方法，其特征在于，所述獲取所述本地模型的當前模型參數之后，所述方法還包括：
13.一種基于聯邦學習的推薦裝置，其特征在于，應用于服務器，所述裝置包括：
14.根據權利要求13所述的裝置，其特征在于，所述模型參數集中包括：上一輪的全局模型更新參數，所述參數下發模塊還用于：
15.根據權利要求14所述的裝置，其特征在于，所述模型參數集中包括：上一輪的子群體模型更新參數，所述參數下發模塊還用于：
16.根據權利要求14所述的裝置，其特征在于，所述模型參數集中包括：上一輪的正則項強度，所述參數下發模塊還用于：
17.根據權利要求13所述的裝置，其特征在于，所述模型參數集中包括：上一輪更新權重，所述參數下發模塊還用于：
18.一種基于聯邦學習的推薦裝置，其特征在于，應用于目標對象，所述裝置包括：
19.根據權利要求18所述的裝置，其特征在于，所述模型參數集中包括：上一輪的全局模型更新參數、上一輪的子群體模型更新參數，所述優化目標值確定模塊，用于：
20.根據權利要求19所述的裝置，其特征在于，所述模型參數集中包括：上一輪的正則項強度，所述優化目標值確定模塊，用于：
21.根據權利要求19所述的裝置，其特征在于，所述優化目標值確定模塊還用于：
22.根據權利要求18所述的裝置，其特征在于，所述訓練模塊，具體用于：
23.根據權利要求22所述的裝置，其特征在于，所述優化目標值確定模塊還用于：
24.根據權利要求23所述的裝置，其特征在于，所述優化目標值確定模塊還用于：
25.一種電子設備，其特征在于，包括用于存儲計算機程序指令的存儲器和用于執行程序指令的處理器，其中，當該計算機程序指令被所述處理器執行時，觸發所述電子設備執行權利要求1-5、6-12中任一項所述的方法。
26.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質包括存儲的程序，其中，在所述程序運行時控制所述計算機可讀存儲介質所在設備執行權利要求1-5、6-12中任意一項所述的方法。
...【技術特征摘要】
1.一種基于聯邦學習的推薦方法，其特征在于，應用于服務器，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述模型參數集中包括：上一輪的全局模型更新參數，所述方法還包括：
3.根據權利要求2所述的方法，其特征在于，所述模型參數集中包括：上一輪的子群體模型更新參數，所述接收每個目標對象發送的模型差值之后，所述方法還包括：
4.根據權利要求2所述的方法，其特征在于，所述模型參數集中包括：上一輪的正則項強度，所述基于所述子群體中每個目標對象對應的本地數據構建子群體參數之后，所述方法還包括：
5.根據權利要求1所述的方法，其特征在于，所述模型參數集中包括：上一輪更新權重，所述方法還包括：
6.一種基于聯邦學習的推薦方法，其特征在于，應用于目標對象，所述方法包括：
7.根據權利要求6所述的方法，其特征在于，所述模型參數集中包括：上一輪的全局模型更新參數、上一輪的子群體模型更新參數，所述根據所述模型參數集來確定優化目標值，包括：
8.根據權利要求7所述的方法，其特征在于，所述模型參數集中包括：上一輪的正則項強度，所述基于所述目標對象對應的訓練數據集、所述本地模型參數、所述全局模型參數，得到優化目標值，包括：
9.根據權利要求7所述的方法，其特征在于，所述得到優化目標值之后，所述方法還包括：
10.根據權利要求6所述的方法，其特征在于，所述根據所述優化目標值來對所述本地模型進行訓練，得到訓練后的本地模型，包括：
11.根據權利要求10所述的方法，其特征在于，所述得到優化目標值之后，所述方法還包括：
12.根據權利要求11所述的方法，其特征在于，所述獲取所述本地模型的當前模型參數之后，所述方法還包括：
13.一種基于聯邦學習的推薦裝置，其特征在于，應用于服務器，所述裝置包括：
14...
【專利技術屬性】
技術研發人員：祝詠升，王偉，陳國榮，蔡伯根，原笑含，王萬齊，陳政，劉敬楷，郝玉蓉，杜飛，
申請(專利權)人：中國鐵道科學研究院集團有限公司電子計算技術研究所，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。