CN116431915A - 一种基于联邦学习和注意力机制的跨域推荐方法与装置 - Google Patents

一种基于联邦学习和注意力机制的跨域推荐方法与装置 Download PDF

Info

Publication number
CN116431915A
CN116431915A CN202310398860.4A CN202310398860A CN116431915A CN 116431915 A CN116431915 A CN 116431915A CN 202310398860 A CN202310398860 A CN 202310398860A CN 116431915 A CN116431915 A CN 116431915A
Authority
CN
China
Prior art keywords
domain
user
cross
recommendation
feature vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310398860.4A
Other languages
English (en)
Inventor
陈珂
丁宇佳
李环
寿黎但
陈刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202310398860.4A priority Critical patent/CN116431915A/zh
Publication of CN116431915A publication Critical patent/CN116431915A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Bioethics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明实施例提供了一种基于联邦学习和注意力机制的跨域推荐方法与装置，包括：获取用户的源域特征向量；在各个客户端上分别构建跨域推荐模型，根据源域特征向量获取用户的领域共享特征，根据用户的标识、商品的标识分别获取用户的领域特定特征和商品特征向量；对领域共享特征和领域特定特征进行聚合，得到混合特征向量；基于混合特征向量与商品特征向量进行推荐预测，得到用户对商品的偏好概率；基于联邦学习机制，训练所有客户端上的跨域推荐模型。本发明保障用户特征可以从源域准确迁移到目标域，又考虑了用户在不同领域偏好的多样性，从而提高推荐预测的准确率。

Description

一种基于联邦学习和注意力机制的跨域推荐方法与装置
技术领域
本发明涉及人工智能领域的跨域推荐方法，尤其是涉及一种基于联邦学习和注意力机制的跨域推荐方法与装置。
背景技术
推荐系统能够根据用户以往的交互记录(点击、购买)等，训练出能为用户匹配心仪商品的模型。常见的推荐模型有：矩阵分解、因子分解机等。但是，当系统中新用户比较多时，用户与商品的交互数据往往比较少，这就导致很难通过历史数据去训练一个匹配度高的推荐系统。对于数据稀疏问题，一种可行的解决办法是，利用这些用户在其他领域的交互数据，辅助当前领域进行训练，这种方法被称为跨域推荐(Cross-domain Recommendation)方法。用来辅助训练、有着丰富交互数据的领域被称为“源域”，当前数据稀疏的领域被称为“目标域”。
一种主流的跨域推荐方法是，利用源域和目标域的数据训练出用户特征，并抽取部分重叠用户的特征训练一个映射模型，然后将新用户在源域的特征向量输入到映射模型中，可以得到目标域的特征向量，进而利用这个映射后的特征向量去做推荐预测。但是，这种基于映射的跨域推荐方法只考虑了用户的“领域共享特征”(domain-shared features)，没有考虑“领域特定特征”(domain-specific features)。换而言之，用户在不同领域的偏好会表现出多样性，直接使用映射后的“领域共享特征”做推荐预测，会降低模型的表现效果。
此外，随着人们的隐私保护意识逐渐提高，用户在其他领域的交互信息可能会受到保护，直接收集多方数据去训练跨域推荐模型变得难以实现。联邦学习(FederatedLearning)可以在训练模型的过程中，有效保护用户隐私。其基本思想是：利用一个服务器协调多个客户端协同训练。原始数据只存储在客户端上，在训练过程中，客户端仅将模型参数或者梯度上传至服务器，由服务器进行聚合，生成新的全局模型。将跨域推荐模型与联邦学习相结合，可以在保护用户隐私的同时，实现跨域推荐。
总地来说，传统基于映射的跨域推荐模型能够在一定程度上解决数据稀疏问题，但是存在不足之处：
(1)对于重叠用户，只使用“领域共享特征”做推荐，没有考虑用户在不同领域偏好的多样性。
(2)需要收集多个领域的信息，当用户隐私受到保护时，传统基于映射的跨域推荐模型无法实现。
发明内容
针对现有技术不足，本发明提供了一种基于联邦学习和注意力机制的跨域推荐方法与装置。
根据本发明实施例的第一方面，提供了一种基于联邦学习和注意力机制的跨域推荐方法，所述方法包括：
获取用户的源域特征向量；
在各个客户端上分别构建跨域推荐模型，根据源域特征向量获取用户的领域共享特征，根据用户的标识、商品的标识分别获取用户的领域特定特征和商品特征向量；对领域共享特征和领域特定特征进行聚合，得到混合特征向量；基于混合特征向量与商品特征向量进行推荐预测，得到用户对商品的偏好概率；
基于联邦学习机制，训练所有客户端上的跨域推荐模型。
根据本发明实施例的第二方面，提供了一种基于联邦学习和注意力机制的跨域推荐装置，包括一个或多个处理器，用于实现上述的基于联邦学习和注意力机制的跨域推荐方法。
根据本发明实施例的第三方面，提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，用于实现上述的基于联邦学习和注意力机制的跨域推荐方法。
与现有技术相比，本发明的有益效果为：本发明在用户“领域共享特征”的基础上，引入了用户“领域特定特征”，并使用注意力机制对其进行聚合，既保障用户特征可以从源域准确迁移到目标域，又考虑了用户在不同领域偏好的多样性，从而提高推荐预测的准确率。本发明进一步将跨域推荐模型和联邦学习相结合，使得跨域推荐模型在训练的同时，能够保护用户隐私不被泄露。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的基于联邦学习和注意力机制的跨域推荐方法的示意图；
图2是本发明中基于注意力机制的跨域推荐模型训练过程的示意图；
图3是与联邦学习相结合的基于注意力机制的跨域推荐训练过程的示意图；
图4是本发明提供的基于联邦学习和注意力机制的跨域推荐装置的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，下述的实施例及实施方式中的特征可以相互组合。
如图1所示，本发明提出了一种基于联邦学习和注意力机制的跨域推荐方法，本方法解决了传统的基于映射的跨域推荐模型没有考虑用户偏好的多样性和无法应用到隐私保护场景中的问题，所述方法具体包括以下步骤：
步骤S1，使用广义矩阵分解模型(GMF)对源域数据进行预训练，得到用户的源域特征向量
Figure BDA0004178728110000037
步骤S2，在各个客户端上分别构建跨域推荐模型，根据源域特征向量获取用户的领域共享特征，根据用户的标识、商品的标识分别获取用户的领域特定特征和商品特征向量；对领域共享特征和领域特定特征进行聚合，得到混合特征向量；基于混合特征向量与商品特征向量进行推荐预测，得到用户对商品的偏好概率。
进一步地，如图2所示，所述跨域推荐模型包括特征向量生成/映射层、特征聚合层以及推荐预测层，所述步骤S2具体包括以下子步骤：
步骤S201，特征向量生成/映射：
构建一个多层感知机模型(MLP)对步骤S1获取的用户的源域特征向量
Figure BDA0004178728110000031
进行映射，映射后得到的向量记为用户的领域共享特征/>
Figure BDA0004178728110000032
将目标域中用户的标识、商品的标识输入嵌入层(Embedding层)中，经过矩阵变换生成用户i在目标域的领域特定特征
Figure BDA0004178728110000033
和商品j在目标域的商品特征向量vj。
步骤S202，特征聚合：
初始化一个注意力矩阵，使用Softmax函数对其进行归一化，将其记为WA。使用该注意力矩阵作WA为权重，基于注意力机制对领域特定特征
Figure BDA0004178728110000034
和领域共享特征/>
Figure BDA0004178728110000035
进行聚合，得到用户在目标域的混合特征向量ui：
Figure BDA0004178728110000036
其中，⊙表示向量元素积。
步骤S203，推荐预测：
在本实例中，使用广义矩阵分解模型(GMF)对目标域进行推荐预测，输入为用户在目标域的混合特征向量ui和商品标识经过Embedding层转换后的商品特征向量vj。
具体过程为，将混合特征向量ui和商品特征向量vj输入到向量元素积层进行按位相乘，然后输入到全连接层中，表达式如下：
Figure BDA0004178728110000041
其中，wFC表示全连接层的权重，σ表示sigmoid激活函数，用于将预测值归一化到[0,1范围中。
所述方法还包括：
步骤S3，基于联邦学习机制，训练所有客户端上的跨域推荐模型。
所述步骤S3具体包括以下步骤：
S301，将每一跨域推荐模型的参数划分为隐私参数和公共参数。
需要说明的是，除了原始数据外，跨域推荐模型的部分敏感参数可能也会暴露用户特征，如：用户的“领域特定特征”
Figure BDA0004178728110000042
注意力层权重/>
Figure BDA0004178728110000043
等，这些参数也应当被保护起来，不被泄露给服务器或其他客户端。因此，需要将跨域推荐模型的参数分为两个部分：“隐私参数”和“公共参数”。
步骤S302，服务器初始化所有公共参数，客户端初始化各自的隐私参数。
进一步地，每一个客户端代表一个用户，只存储该用户的交互数据和其源域特征向量。在训练过程中，用户只需将跨域推荐模型的公共参数上传至服务器，参与每一轮的更新和聚合，将隐私参数包含的参数保留在客户端上。
步骤S303，服务器随机选择一部分客户端成为本轮联邦学习的参与者，并将公共参数分发给参与者。
步骤S304，参与者根据本地数据库中用户的历史交互记录和源域特征向量训练跨域推荐模型。训练结束后，将隐私参数保留在本地，将公共参数上传至服务器。
步骤S305，服务器接收公共参数进行聚合，其中，聚合权重为参与者拥有的交互数据数量。
步骤S306，服务器对所有客户端进行筛选，查询到K个T轮未参与更新的客户端后，将聚合后的公共参数分发给K个客户端，强制其更新隐私参数。
需要说明的是，由于每一轮只会选择一部分客户端参与训练，公共参数在每一轮都会同步更新，隐私参数只有在该用户被选中训练时才会更新，这就会导致隐私参数和公共参数更新进度不匹配。为了保证隐私参数和公共参数的更新进度同步，服务器将强制那些长时间未被选为参与者的客户端更新其隐私参数。
步骤S307，重复步骤S303～步骤S306，直至所有客户端上的跨域推荐模型收敛。
实施例1：
在本实例中，假定源域为电影域，目标域为书籍域。通过本发明提供的一种基于联邦学习和注意力机制的跨域推荐方法，利用用户在电影域的特征向量进行知识迁移，解决书籍域中数据稀疏的问题，同时在训练过程中保护用户隐私不被泄露。具体步骤包括：
步骤1：训练用户在电影域的GMF推荐模型，得到用户在电影域的特征向量。
步骤2：在客户端构建基于注意力机制的跨域推荐模型，跨域推荐模型的输入为用户在电影域的特征向量和用户与书籍的交互记录，跨域推荐模型的输出为用户对书籍的偏好概率。
步骤3：客户端与服务器参与联邦学习，根据参数是否包含敏感信息将模型划分为隐私参数和公共参数，随后协同训练基于注意力机制的跨域推荐模型。为保证隐私参数和公共参数的更新进度同步，服务器将强制长时间未参与训练的客户端更新其隐私参数。
综上所述，本发明实现了一种基于联邦学习和注意力机制的跨域推荐方法。一方面，使用注意力机制将用户的“领域特定特征”和“领域共享特征”相结合，充分考虑用户在不同领域偏好的多样性，从而提高推荐的准确率；另一方面，将联邦学习引入跨域推荐，在保护用户隐私的同时，实现推荐模型训练和知识迁移。
与前述基于联邦学习和注意力机制的跨域推荐方法的实施例相对应，本发明还提供了基于联邦学习和注意力机制的跨域推荐装置的实施例。
参见图4，本发明实施例提供的一种基于联邦学习和注意力机制的跨域推荐装置，包括一个或多个处理器，用于实现上述实施例中的基于联邦学习和注意力机制的跨域推荐方法。
本发明基于联邦学习和注意力机制的跨域推荐装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图4所示，为本发明基于联邦学习和注意力机制的跨域推荐装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图4所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的基于联邦学习和注意力机制的跨域推荐方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备，例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card，SMC)、SD卡、闪存卡(Flash Card)等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (10)

1.一种基于联邦学习和注意力机制的跨域推荐方法，其特征在于，所述方法包括：
获取用户的源域特征向量；
在各个客户端上分别构建跨域推荐模型，根据源域特征向量获取用户的领域共享特征，根据用户的标识、商品的标识分别获取用户的领域特定特征和商品特征向量；对领域共享特征和领域特定特征进行聚合，得到混合特征向量；基于混合特征向量与商品特征向量进行推荐预测，得到用户对商品的偏好概率；
基于联邦学习机制，训练所有客户端上的跨域推荐模型。
2.根据权利要求1所述的基于联邦学习和注意力机制的跨域推荐方法，其特征在于，获取用户的源域特征向量包括：
使用广义矩阵分解模型对源域数据进行预训练，得到用户的源域特征向量。
3.根据权利要求1所述的基于联邦学习和注意力机制的跨域推荐方法，其特征在于，根据源域特征向量获取用户的领域共享特征，根据用户的标识、商品的标识分别获取用户的领域特定特征和商品特征向量包括：
构建一个多层感知机模型对用户的源域特征向量进行映射，映射后得到的向量记为用户的领域共享特征；
将目标域中用户的标识、商品的标识输入嵌入层中，经过矩阵变换生成用户在目标域的领域特定特征和商品在目标域的商品特征向量。
4.根据权利要求1所述的基于联邦学习和注意力机制的跨域推荐方法，其特征在于，对领域共享特征和领域特定特征进行聚合，得到混合特征向量包括：
初始化一个注意力矩阵，使用Softmax函数对其进行归一化；使用该注意力矩阵作为权重，基于注意力机制对领域特定特征和领域共享特征进行聚合，得到用户在目标域的混合特征向量。
5.根据权利要求4所述的基于联邦学习和注意力机制的跨域推荐方法，其特征在于，用户在目标域的混合特征向量ui的表达式如下：
Figure FDA0004178728100000011
式中，
Figure FDA0004178728100000012
为注意力矩阵，/>
Figure FDA0004178728100000013
为领域共享特征，/>
Figure FDA0004178728100000014
为领域特定特征，⊙表示向量元素积。
6.根据权利要求1所述的基于联邦学习和注意力机制的跨域推荐方法，其特征在于，基于混合特征向量与商品特征向量进行推荐预测，得到用户对商品的偏好概率包括：
将混合特征向量与商品特征向量输入广义矩阵分解模型对目标域进行推荐预测，得到用户对商品的偏好概率。
7.根据权利要求6所述的基于联邦学习和注意力机制的跨域推荐方法，其特征在于，将混合特征向量与商品特征向量输入广义矩阵分解模型对目标域进行推荐预测，得到用户对商品的偏好概率包括：
将混合特征向量ui和商品特征向量vj输入到向量元素积层进行按位相乘，然后输入到全连接层中，表达式如下：
Figure FDA0004178728100000021
其中，wFC表示全连接层的权重，σ表示sigmoid激活函数。
8.根据权利要求1所述的基于联邦学习和注意力机制的跨域推荐方法，其特征在于，基于联邦学习机制，训练所有客户端上的跨域推荐模型包括：
将跨域推荐模型的参数划分为隐私参数和公共参数；
服务器初始化所有公共参数，客户端初始化各自的隐私参数；
服务器随机选择一部分客户端成为本轮联邦学习的参与者，并将公共参数分发给参与者；
参与者根据本地数据库中用户的历史交互记录和源域特征向量训练跨域推荐模型，训练结束后，将隐私参数保留在本地客户端，将公共参数上传至服务器；
服务器接收公共参数并进行聚合；
服务器对所有客户端进行筛选，查询到K个T轮未参与更新的客户端后，将聚合后的公共参数分发给K个客户端，强制其更新隐私参数；
重复进行联邦学习迭代，直至所有客户端上的跨域推荐模型收敛。
9.一种基于联邦学习和注意力机制的跨域推荐装置，其特征在于，包括一个或多个处理器，用于实现权利要求1-8中任一项所述的基于联邦学习和注意力机制的跨域推荐方法。
10.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时，用于实现权利要求1-8中任一项所述的基于联邦学习和注意力机制的跨域推荐方法。
CN202310398860.4A 2023-04-06 2023-04-06 一种基于联邦学习和注意力机制的跨域推荐方法与装置 Pending CN116431915A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310398860.4A CN116431915A (zh) 2023-04-06 2023-04-06 一种基于联邦学习和注意力机制的跨域推荐方法与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310398860.4A CN116431915A (zh) 2023-04-06 2023-04-06 一种基于联邦学习和注意力机制的跨域推荐方法与装置

Publications (1)

Publication Number Publication Date
CN116431915A true CN116431915A (zh) 2023-07-14

Family

ID=87090321

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310398860.4A Pending CN116431915A (zh) 2023-04-06 2023-04-06 一种基于联邦学习和注意力机制的跨域推荐方法与装置

Country Status (1)

Country Link
CN (1) CN116431915A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116910375A (zh) * 2023-09-13 2023-10-20 南京大数据集团有限公司 一种基于用户偏好多样性的跨域推荐方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116910375A (zh) * 2023-09-13 2023-10-20 南京大数据集团有限公司 一种基于用户偏好多样性的跨域推荐方法及系统
CN116910375B (zh) * 2023-09-13 2024-01-23 南京大数据集团有限公司 一种基于用户偏好多样性的跨域推荐方法及系统

Similar Documents

Publication Publication Date Title
CN112085159B (zh) 一种用户标签数据预测系统、方法、装置及电子设备
WO2022089256A1 (zh) 联邦神经网络模型的训练方法、装置、设备、计算机程序产品及计算机可读存储介质
He et al. Robust transfer learning for cross-domain collaborative filtering using multiple rating patterns approximation
Zheng et al. Multi-view denoising graph auto-encoders on heterogeneous information networks for cold-start recommendation
WO2019043540A1 (en) LEARNING REPRESENTATION OF TEXT DATA BY INCORPORATION OF RANDOM DOCUMENTS
WO2022257730A1 (zh) 实现隐私保护的多方协同更新模型的方法、装置及系统
CN106973244A (zh) 使用弱监督为图像配字幕
US11423307B2 (en) Taxonomy construction via graph-based cross-domain knowledge transfer
Ye et al. Heterogeneous few-shot model rectification with semantic mapping
CN116862012A (zh) 机器学习模型训练方法、业务数据处理方法、装置及系统
Zhang et al. A deep dual adversarial network for cross-domain recommendation
CN116431915A (zh) 一种基于联邦学习和注意力机制的跨域推荐方法与装置
Zhou et al. Learning object placement via dual-path graph completion
Kurupathi et al. Survey on federated learning towards privacy preserving AI
Qi et al. Neural bandit with arm group graph
CN112765481B (zh) 一种数据处理方法、装置、计算机及可读存储介质
CN114358111A (zh) 对象聚类模型的获取方法、对象聚类方法及装置
CN116541608B (zh) 房源推荐方法、装置、电子设备及存储介质
CN112069412A (zh) 信息推荐方法、装置、计算机设备及存储介质
Li et al. Personalized federated learning with semisupervised distillation
US20230196115A1 (en) Superseded federated learning
CN109388747A (zh) 一种获得网络中用户的置信度的方法和装置
CN111935259B (zh) 目标帐号集合的确定方法和装置、存储介质及电子设备
CN114550737A (zh) 一种基于神经通路的图垂直联邦数据增强方法与装置
Zhao et al. Task-Difficulty-Aware Meta-Learning with Adaptive Update Strategies for User Cold-Start Recommendation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination