基于嵌入解耦与自适应聚合的联邦公平推荐方法

背景技术：

1、在信息爆炸的时代，推荐系统已成为连接用户与信息的重要桥梁，在电子商务、社交媒体和流媒体服务等各类在线平台中变得不可或缺。通过学习用户与项目之间的潜在关系，推荐系统能够有效捕捉用户的兴趣偏好，从而提供个性化的服务。

2、联邦推荐系统将联邦学习范式引入推荐场景，通过在分散客户端进行本地模型训练，并在服务器端执行参数聚合，实现了在不共享原始用户数据的前提下的协同建模。由于不同客户端往往具有不同的数据量、数据分布、设备能力与参与频次，这些异构性可能导致模型对某些客户端的性能偏弱，从而引发公平性问题。由于推荐可能涉及社会资源的分配，如职位推荐、医疗资源分配等，不公平的推荐不仅损害用户利益，而且会降低推荐系统本身的信誉。因此，推荐系统中的公平性问题引起了越来越多的关注。

技术实现思路

1、本发明提供一种基于嵌入解耦与自适应聚合的联邦公平推荐方法，旨在改善上述问题中的至少一个。

2、本发明是这样实现的，一种基于嵌入解耦与自适应聚合的联邦公平推荐方法，所述方法具体如下：

3、（1）从本地提取用户-项目交互矩阵，将用户-项目交互矩阵输入多层图卷积网络gnn，多层图卷积网络gnn输出用户嵌入矩阵和项目嵌入矩阵；

4、（2）将用户嵌入矩阵中的各个用户嵌入分别输入由多层感知机mlp构成的两个映射函数，两个映射函数输出用户嵌入对应的用户敏感属性相关的嵌入以及用户兴趣相关的嵌入；

5、（3）将用户敏感属性相关的嵌入与用户兴趣相关的嵌入进行融合，形成用户表示，估算用户u对项目i的评分，将评分最高的项目推荐给用户u。

6、进一步的，在客户端完成项目推荐后，执行如下步骤：

7、（4）将用户敏感属性相关的嵌入输入预测器，预测器预测用户敏感属性相关的嵌入下的用户敏感属性向量，将用户兴趣相关的嵌入输入判别器，判别器输出用户兴趣相关的嵌入下的用户敏感属性向量；

8、（5）基于预测器以及判别器的属性预测损失计算客户端的本地模型的总损失，基于总损失对本地模型参数进行梯度更新，更新之后的本地模型参数，将更新后的本地模型参数以及判别器的属性预测损失上传至服务器；

9、（6）服务器将判别器的属性预测损失作为公平度量指标，计算参与聚合的各个用户的聚合权重，基于聚合权重对各个用户上传的本地模型参数进行聚合，形成本轮的全局模型的全局模型参数，并下发至参与聚合的所有客户端，用于本地模型参数的更新。

10、进一步的，客户端u的总损失计算公式具体如下：

11、；

12、其中，表示客户端u的属性预测损失在当前轮的权重系数，表示设定的权重系数，表示客户端u的用户敏感属性向量的属性预测损失；表示客户端u的用户敏感属性向量的属性预测损失；表示客户端u的用户敏感属性相关的嵌入与用户兴趣相关的嵌入之间的正交损失，表示客户端u的贝叶斯个性化排序损失。

13、进一步的，所述方法还包括：

14、（7）计算全局模型梯度变化方向，计算参与下一轮本地模型微调的梯度反馈系数，并下发给客户端；

15、（8）基于本地模型参数的更新方向对用户进行k-means 聚类，对于位于第k个聚类簇

c

k内所有用户的本地模模型参数，计算其在聚类簇

c

k内聚合权重，基于聚合权重对本地模模型参数进行聚合，形成聚合参数，将聚合参数下发至位于聚类簇

c

k内的客户端；

16、（9）客户端将全局模型参数作为的本地模型初始参数，基于梯度反馈系数对本地模型初始参数进行微调，获得调整的本地模型参数：

17、（10）客户端更新本地模型参数，进行下一轮训练。

18、进一步的，梯度反馈系数的计算公式具体如下：

19、；

20、其中，为梯度反馈强度系数, 为防止分母为零的稳定项。

21、进一步的，服务器更新判别器的属性预测损失在下一轮的权重系数，并下发至参与聚合的所有客户端，权重系数的计算公式具体如下：

22、；

23、其中，

c表示为放大常数。

24、进一步的，聚合权重的计算公式具体如下：

25、；

26、其中，表示偏差权重调节系数。

27、进一步的，用户敏感属性相关的嵌入与用户兴趣相关的嵌入的融入方法如下：

28、；

29、其中，表示融合权重。

30、进一步的，聚合模型参数具体如下：

31、；

32、其中，表示用户u在第k个聚类簇

c

k内的聚合权重。

33、基于双投影头嵌入解耦的公平表示学习模型，通过正交约束和判别器协同训练，实现敏感属性与兴趣特征的有效分离，基于上述解耦嵌入，提出了一种敏感-兴趣嵌入融合机制，在保障公平性的前提下充分挖掘敏感属性嵌入中的有益信息，可以提升模型的公平性与推荐质量。

1.一种基于嵌入解耦与自适应聚合的联邦公平推荐方法，其特征在于，所述方法具体如下：

2.如权利要求1所述基于嵌入解耦与自适应聚合的联邦公平推荐方法，其特征在于，在客户端完成项目推荐后，执行如下步骤：

3.如权利要求2所述基于嵌入解耦与自适应聚合的联邦公平推荐方法，其特征在于，客户端u的总损失计算公式具体如下：

4.如权利要求2所述基于嵌入解耦与自适应聚合的联邦公平推荐方法，其特征在于，所述方法还包括：

5.如权利要求4所述基于嵌入解耦与自适应聚合的联邦公平推荐方法，其特征在于，梯度反馈系数的计算公式具体如下：

6.如权利要求5所述基于嵌入解耦与自适应聚合的联邦公平推荐方法，其特征在于，服务器更新判别器的属性预测损失在下一轮的权重系数，并下发至参与聚合的所有客户端，权重系数的计算公式具体如下：

7.如权利要求2所述基于嵌入解耦与自适应聚合的联邦公平推荐方法，其特征在于，聚合权重的计算公式具体如下：

8.如权利要求1所述基于嵌入解耦与自适应聚合的联邦公平推荐方法，其特征在于，用户敏感属性相关的嵌入与用户兴趣相关的嵌入的融入方法如下：

9.如权利要求4所述基于嵌入解耦与自适应聚合的联邦公平推荐方法，其特征在于，聚合模型参数具体如下：