基于联邦迁移学习标签传播的线下商品推荐系统及方法

摘要

本发明提供了一种基于联邦迁移学习标签传播的线下商品推荐系统及方法，包括重叠客户识别模块、客户拓扑迁移模块、客户属性迁移模块、客户节点指标计算模块、客户社区划分模块和线下商品推荐模块；应用本发明能够在不损失准确性的前提下将用户社交平台的个人爱好等信息用于线下超商，达到保护用户隐私且能进行智能商品推荐的目的。

说明书

技术领域

本发明涉及联邦学习隐私保护数据分析技术领域，特别是一种基于联邦迁移学习标签传播的线下商品推荐系统及方法。

背景技术

随着时代的发展和社会生产力的提高，五花八门的商品也逐渐进入人们的眼里。为了促进消费者消费以及提高线下产品的竞争力，各类超商可以通过分析客户的社交爱好来挖掘出具有相同特征的客户群体，从而更加高效精准的为客户提供针对性的商品推荐服务。然而随着社会各界对于个人隐私保护的重视，如何在不泄露客户隐私的前提下准确进行商品推荐显得格外重要。目前基于隐私保护的商品推荐方法的研究和技术仍然存在着以下不足：准确度不搞，算法时间开销较大，难以避免数据攻击等。

发明内容

有鉴于此，本发明的目的在于提供一种基于联邦迁移学习标签传播的线下商品推荐系统及方法，。

为实现上述目的，本发明采用如下技术方案：一种基于联邦迁移学习标签传播的线下商品推荐系统，包括重叠客户识别模块、客户拓扑迁移模块、客户属性迁移模块、客户节点指标计算模块、客户社区划分模块和线下商品推荐模块；

所述重叠客户识别模块，用于将客户的社交平台作为联邦迁移学习的源域A

所述客户拓扑迁移模块，用于将源域网络重叠节点的拓扑信息迁移到目标域网络上；对于源域网络G

所述客户属性迁移模块，用于分别读取源域网络G

所述客户节点指标计算模块，目标域根据已计算出来的节点拓扑相似度和节点属性相似度以及公式来计算出节点相似度s，然后根据公式计算节点重要性NI，最后计算邻居节点重要性NNI；

所述客户社区划分模块，目标域网络通过计算得到的NNI计算标签隶属度，然后在本地进行标签传播社区发现，每个节点根据邻居节点的标签迭代更新自身的标签直到连续两次迭代的社区数量不变，此时将具有相同标签的节点划分为同一社区；

所述线下商品推荐模块，根据得到的社区划分结果，对属于同一社区的客户进行智能商品推荐服务。

本发明还提供了一种基于联邦迁移学习标签传播的线下商品推荐方法，包括以下步骤

步骤S1:将客户的社交平台作为联邦迁移学习的源域A

步骤S2:分别读取源域网络G

步骤S3:对于源域网络G

步骤S4:分别读取源域网络G

步骤S5:根据计算得到的节点拓扑相似度s

步骤S6:根据NNI指标设计标签隶属度并对G

在一较佳的实施例中，所述步骤S2具体为：

步骤S21：分别读取源域社交平台的客户网络G

步骤S22：对于源域和目标域，分别生成RSA密钥对并将公钥发送给对方；

步骤S23：源域网络和目标域网络利用RSA加密方法执行隐私保护节点ID匹配协议以求得两方的交集即得到设计网络和超商之间的重叠客户X

在一较佳的实施例中，所述步骤S3具体为：

步骤S31：根据得到的重叠节点集合X

步骤S32：对于源域网络G

步骤S33：使用类似k-度匿名方法增加邻接表P

步骤S34：协调端在密态下比较源域网络和目标域网络重叠节点的相同的邻居节点数并发送给目标域网络；

步骤S35：目标域网络接收协调端发送的信息并根据公式(1)来计算本地重叠客户节点的拓扑相似度指标；

其中，对于无向图来说，A

在一较佳的实施例中，所述步骤S4具体为：

步骤S41：分别读取源域网络G

步骤S42：将M

步骤S43：源域和目标域网络分别发送表示矩阵M′

其中，X，Y表示属性矩阵，n和m表示矩阵的纬度，φ()表示非线性变换，H表示这个距离是由φ()将数据映射到再生希尔伯特空间实现的；

步骤S44：源域和目标域网络分别将表示矩阵M′

步骤S45：源域和目标域网络分别将M″

步骤S46：循环步骤S42-S45直到目标域的损失函数L

步骤S47：目标域网络基于训练好的表示矩阵M′

在一较佳的实施例中，所述步骤S5具体为：

步骤S51：目标域网络根据步骤S3和S4得到的节点拓扑相似度s

其中N

步骤S52：目标域网络根据公式(6)和公式(7)计算节点重要性NI；

其中，n表示节点数，k

步骤S53：标域网络根据步骤S51和S52得到的节点重要性NI和节点相似度s以及公式(8)计算邻居节点影响力NNI；

在一较佳的实施例中，所述步骤S6具体为：

步骤S61：目标域网络每个节点初始化自身标签为b(u，1)，其中u为自身节点ID，1为社区隶属度；

步骤S62：将每个客户节点按照步骤S52计算的节点重要性NI进行升序排序以作为每次更新节点标签时的顺序；

步骤S63：每个节点根据邻居节点的标签，构造自身标签集

步骤S64：对于每个节点，从其标签集中剔除

步骤S65：循环迭代步骤S63和S64直到连续两次迭代的社区数量不变时停止，将具有相同标签的节点划分为同一社区。

在一较佳的实施例中，所述协调端由第三方可信机构担任。

与现有技术相比，本发明具有以下有益效果：

本发明能够在不损失准确性的前提下将客户社交网络信息迁移到线下超商系统，在保护客户隐私的同时提供个性化商品推荐服务。

附图说明

图1为本发明优选实施例的方法流程图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

一种基于联邦迁移学习标签传播的线下商品推荐系统，包括重叠客户识别模块、客户拓扑迁移模块、客户属性迁移模块、客户节点指标计算模块、客户社区划分模块和线下商品推荐模块；

所述重叠客户识别模块，用于将客户的社交平台作为联邦迁移学习的源域A

所述客户拓扑迁移模块，用于将源域网络重叠节点的拓扑信息迁移到目标域网络上。对于源域网络G

所述客户属性迁移模块，用于分别读取源域网络G

所述客户节点指标计算模块，目标域根据已计算出来的节点拓扑相似度和节点属性相似度以及公式来计算出节点相似度s，然后根据公式计算节点重要性NI，最后计算邻居节点重要性NNI；

所述客户社区划分模块，目标域网络通过计算得到的NNI计算标签隶属度，然后在本地进行标签传播社区发现，每个节点根据邻居节点的标签迭代更新自身的标签直到连续两次迭代的社区数量不变，此时将具有相同标签的节点划分为同一社区；

所述线下商品推荐模块，根据得到的社区划分结果，对属于同一社区的客户进行智能商品推荐服务。

步骤S1:将客户的社交平台作为联邦迁移学习的源域A

步骤S2:分别读取源域网络G

步骤S3:对于源域网络G

步骤S4:分别读取源域网络G

步骤S5:根据计算得到的节点拓扑相似度s

步骤S6:根据NNI指标设计标签隶属度并对G

优选的，在本实施例中，步骤S2具体为：

步骤S21：分别读取源域社交平台的客户网络G

步骤S22：对于源域和目标域，分别生成RSA密钥对并将公钥发送给对方；

步骤S23：源域网络和目标域网络利用RSA加密方法执行隐私保护节点ID匹配协议以求得两方的交集即得到设计网络和超商之间的重叠客户X

优选的，在本实施例中，步骤S3具体为：

步骤S31：根据得到的重叠节点集合X

步骤S32：对于源域网络G

步骤S33：使用类似k-度匿名的节点混淆策略增加邻接表P

步骤S34：协调端在密态下比较源域网络和目标域网络重叠节点的相同的邻居节点数并发送给目标域网络；

步骤S35：目标域网络接收协调端发送的信息并根据公式(1)来计算本地重叠客户节点的拓扑相似度指标。

其中，对于无向图来说，A

优选的，在本实施例中，步骤S4具体为：

步骤S41：分别读取源域网络G

步骤S42：将M

步骤S43：源域和目标域网络分别发送表示矩阵M′

其中，X，Y表示属性矩阵，n和m表示矩阵的纬度，φ()表示非线性变换，H表示这个距离是由φ()将数据映射到再生希尔伯特空间实现的。

步骤S44：源域和目标域网络分别将表示矩阵M′

步骤S45：源域和目标域网络分别将M″

步骤S46：循环步骤S42-S45直到目标域的损失函数L

步骤S47：目标域网络基于训练好的表示矩阵M′

优选的，在本实施例中，步骤S5具体为：

步骤S51：目标域网络根据步骤S3和S4得到的节点拓扑相似度s

性相似度s

其中N

步骤S52：目标域网络根据公式(6)和公式(7)计算节点重要性NI；

其中，n表示节点数，k

步骤S53：标域网络根据步骤S51和S52得到的节点重要性NI和节点相似度s以及公式(8)计算邻居节点影响力NNI。

优选的，在本实施例中，步骤S6具体为：

步骤S61：目标域网络每个节点初始化自身标签为b(u，1)，其中u为自身节点ID，1为社区隶属度；

步骤S62：将每个客户节点按照步骤S52计算的节点重要性NI进行升序排序以作为每次更新节点标签时的顺序；

步骤S63：每个节点根据邻居节点的标签，构造自身标签集

步骤S64：对于每个节点，从其标签集中剔除

步骤S65：循环迭代步骤S63和S64直到连续两次迭代的社区数量不变时停止，将具有相同标签的节点划分为同一社区。