公开(公告)号：CN113918814A

公开(公告)日：2022-01-11

申请号：CN202111187124.1

申请日：2021-10-12

Applicant: 北京交通大学

Inventor： 李浥东 ,  张洪磊 ,  赵旭 ,  崔文军 ,  陈乃月 ,  贾晓丰 ,  徐葳

IPC: G06F16/9535 ,  G06F16/9536 ,  G06N3/04 ,  G06N3/08 ,  G06Q50/00

Abstract: 本发明提供了一种基于对抗学习的高鲁棒隐私保护推荐方法。该方法包括：构建用于优化神经协同过滤模型所需的训练集，以及用于训练成员推理模型所需的参考集；设计带有成员推理正则项的神经协同过滤联合模型，并利用上述训练集与参考集对联合模型进行对抗训练方式的迭代优化，得到鲁棒的用户和物品特征表示矩阵；根据得到的用户特征矩阵与物品特征矩阵对未观测评分进行预测；将预测分值较高且未产生行为的相应物品集推荐给对应用户。本发明通过对抗训练的方式设计统一的最小最大化目标函数来显式的赋予推荐算法防御成员推理攻击的能力，进而能够防御成员推理攻击和缓解推荐模型过拟合，实现个性化推荐模型算法性能和训练数据隐私保护的双向提升。

公开(公告)号：CN110321494B

公开(公告)日：2021-08-31

申请号：CN201910563575.7

申请日：2019-06-26

Applicant: 北京交通大学

Inventor： 邬俊 ,  张洪磊

IPC: G06F16/9536 ,  G06Q50/00

Abstract: 本发明提供了一种基于矩阵分解与网络嵌入联合模型的社会化推荐方法。该方法包括：构建用户‑物品评分矩阵和用户‑用户社交网络，同时根据用户‑用户社交网络生成用户社交语料；利用用户‑物品评分数据和用户社交语料训练矩阵分解与网络嵌入联合模型，得到用户特征矩阵和物品特征矩阵；根据用户特征矩阵和物品特征矩阵预测出未观测评分；将预测评分数值较高的若干物品推荐给相应用户。本发明通过设计统一目标函数无缝整合了矩阵分解模型与网络嵌入模型；基于统一的优化框架，实现了矩阵分解模型与网络嵌入模型之间的双向促进与协同优化，从而可向用户精准推荐其所感兴趣的物品。

公开(公告)号：CN114564742B

公开(公告)日：2024-05-14

申请号：CN202210150584.5

申请日：2022-02-18

Applicant: 北京交通大学

Inventor： 李浥东 ,  张洪磊 ,  金一 ,  陈乃月 ,  徐群群

IPC: G06F21/62 ,  G06N20/00 ,  G06F16/901 ,  G06F16/9536

Abstract: 本发明提供了一种基于哈希学习的轻量化联邦推荐方法。该方法包括：初始化服务端全局模型并下发参数；初始化客户端本地模型并下载全局参数；设计联邦推荐场景下基于哈希学习的目标函数，根据协同离散优化算法得到二值化的用户特征向量与物品特征矩阵；根据二值的用户特征向量和物品特征矩阵完成本地客户端上的高效推荐任务。本发明通过在联邦推荐框架下设计高效的哈希学习策略，可以在本地客户端得到紧致的二值用户与物品离散特征，较之于连续实值的特征表示，该二值特征在资源受限的本地客户端上具有显著提高推荐效率、减少存储与通信开销并增强隐私保护能力的多重优势。

公开(公告)号：CN110321494A

公开(公告)日：2019-10-11

申请号：CN201910563575.7

申请日：2019-06-26

Applicant: 北京交通大学

Inventor： 邬俊 ,  张洪磊

IPC: G06F16/9536 ,  G06Q50/00

Abstract: 本发明提供了一种基于矩阵分解与网络嵌入联合模型的社会化推荐方法。该方法包括：构建用户-物品评分矩阵和用户-用户社交网络，同时根据用户-用户社交网络生成用户社交语料；利用用户-物品评分数据和用户社交语料训练矩阵分解与网络嵌入联合模型，得到用户特征矩阵和物品特征矩阵；根据用户特征矩阵和物品特征矩阵预测出未观测评分；将预测评分数值较高的若干物品推荐给相应用户。本发明通过设计统一目标函数无缝整合了矩阵分解模型与网络嵌入模型；基于统一的优化框架，实现了矩阵分解模型与网络嵌入模型之间的双向促进与协同优化，从而可向用户精准推荐其所感兴趣的物品。

公开(公告)号：CN114564742A

公开(公告)日：2022-05-31

申请号：CN202210150584.5

申请日：2022-02-18

Applicant: 北京交通大学

Inventor： 李浥东 ,  张洪磊 ,  金一 ,  陈乃月 ,  徐群群

IPC: G06F21/62 ,  G06N20/00 ,  G06F16/901 ,  G06F16/9536

Abstract: 本发明提供了一种基于哈希学习的轻量化联邦推荐方法。该方法包括：初始化服务端全局模型并下发参数；初始化客户端本地模型并下载全局参数；设计联邦推荐场景下基于哈希学习的目标函数，根据协同离散优化算法得到二值化的用户特征向量与物品特征矩阵；根据二值的用户特征向量和物品特征矩阵完成本地客户端上的高效推荐任务。本发明通过在联邦推荐框架下设计高效的哈希学习策略，可以在本地客户端得到紧致的二值用户与物品离散特征，较之于连续实值的特征表示，该二值特征在资源受限的本地客户端上具有显著提高推荐效率、减少存储与通信开销并增强隐私保护能力的多重优势。