CN119416262A 一种结合联邦学习和知识图谱的隐私保护推 荐方法 （辽宁工业大学）

一种结合联邦学习和知识图谱的隐私保护本发明公开了一种结合联邦学习和知识图隐私边伪装算法对原始数据增加混淆度；步骤本地模型中训练后得到下降的联邦学习本地模私算法对下降的联邦学习本地模型梯度加噪后2步骤二、所述客户端从所述服务器中获取所述联邦学步骤三、所述客户端从所述服务器中获取所述瑞丽步骤四、所述服务器接收来自各个客户端所述加噪后的联邦学若所述联邦学习全局模型未收敛或未达到预设的迭代次数，则习全局模型参数、所述瑞丽差分隐私的阶数及所述动态裁剪的阈值分发至各个所述客户使用感应阶数RDP隐私算法对下降的联邦学习本地模型梯度加噪的方法为：动态调整所述n为所述下降的联邦学习本地模型梯度；gn9为所述加噪后的联邦学习本地模型34CKE算法结合了CF和其他模态的数据，提出了一种基于知识图谱的协同嵌入推荐方法；隐私问题的一种方法是将原始数据本地存储在用户设备上，并在此基础上训练本地模型，分隐私的阶数及动态裁剪的阈值；客户端使用差分隐私边伪装算法对原始数据增加混淆5[0013]步骤四、所述服务器接收来自各个客户端所述加噪后的[0017]优选的是，使用感应阶数RDP隐私算法对下降的联邦学习本地模型梯度加噪的方6中随机选择NL个客户端组成子集NL；这种方式保证了每次迭代中都能包含不同类型的数7联邦学习全局模型参数；利用所述联邦学习全局模型参数构建客户端的联邦学习本地模所述动态裁剪的阈值对所述下降的联邦学习本地模型梯度进确度变化动态调整瑞丽差分隐私的阶数即客户端的RDP感应阶数，精确度的变化率小于[0054]步骤四、所述服务器接收来自各个客户端所述加噪后的8T=ut为用户u与项目t的交互Gi是全局图G的子图；所述本地交互图Gi包含特定用户集合Ui与特定项目集合Ti的交互记[0065]本发明提供了一种结合联邦学习和知识图谱的隐私保护推荐方法是通过所述本j,并根据兴趣概率大小返回1或0代表是否交互。到的模型梯度形成全局模型，并将全局模型的梯度分发到各个客户端进行新一轮的训练；9于所有输出事件S满足所述瑞丽差分隐私(α,ε)的定义公式被称为满足瑞丽差分隐私(α,ε)。[0089]所述差分隐私边伪装算法底层借鉴了差分隐私算法，所述感应阶数RDP隐私算法[0100]如图2所示，联邦学习是一种分布式机器学习方法，旨在不共享原始数据的情况[0105]本发明提供的结合联邦学习和知识图谱的隐私保护推荐方法主要在所述横向联[0113]所述自适应聚焦卷积神经网络模型中所述知识图谱嵌入包括实体嵌入矩阵ee和N(v)为从当前节点v的全部邻居中选取K个邻邦学习和知识图谱的隐私保护推荐方法使用的联邦知识图谱增强注意力卷积(FedKGAC)模影响分析：分析FedKGAC中关键组件(卷积层和自适应聚焦卷积算法)对模型整体性能的影数据集进行测试，采用的数据集如下：Book_Crossing：此数据集源自2004年的Book_[0131]对于Last.FM、Book_Crossing数据集，SVD方法佳，这取决于图神经网络能够之冬捕获用户偏好并允许将用户或项目嵌入与相邻节点共CKG这两种算法需要自行的设定规则和预定义结构，不是通过数据驱动的方法自动学习和比FedKGAC的精度略有降低，证明使用所述的结合联邦学习和知识图谱的隐私保护推荐方法会导致模型训练精度的丢失，但是可以有效地提高模型在推荐系统中的隐私保护能力。并非所有利用侧面信息的方法都能提供令人满意的结果，这适用于像PER和CKE这样的算[0135]为深入探究KGAC(知识图谱增强的协同过滤)模型中不同征表示的混淆，从而影响模型对推荐任务的精准性，过多的GCN层数不仅增加了计算复杂[0138]综上所述，注意力机制的有效性和GCN层数的合理配置对KGAC模型的精度有着显