買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉浙江大學申請的專利基于Multi-Krum的聯邦貝葉斯個性化排序推薦方法及系統獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN115033781B 。

龍圖騰網通過國家知識產權局官網在2025-05-13發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202210492179.1，技術領域涉及：G06F16/9535；該發明授權基于Multi-Krum的聯邦貝葉斯個性化排序推薦方法及系統是由陳建海;俞郭遙;黃宇晨;孟令雨;榮大中;方舟;何欽銘設計研發完成，并于2022-05-07向國家知識產權局提交的專利申請。

本基于Multi-Krum的聯邦貝葉斯個性化排序推薦方法及系統在說明書摘要公布了：本發明公開了一種基于Multi?Krum的聯邦貝葉斯個性化排序推薦方法及系統，屬于推薦系統及聯邦學習領域。在每個用戶端隨機選取與該用戶交互過的項目數量相等的未交互的項目，構建偏序關系三元組；在每個用戶端初始化用戶模型參數，在中心服務器端初始化項目模型參數；中心服務器端隨機抽取若干個用戶端參與訓練，本地用戶端根據生成的本地用戶模型參數的梯度更新用戶模型參數，中心服務器端采用Multi?Krum聚合方法更新項目模型參數，直至推薦系統模型收斂；根據本地用戶模型參數和項目模型參數計算各個項目的推薦程度。本發明的推薦系統保護了用戶隱私，并有效抵制了惡意梯度的攻擊，提升了聯邦推薦系統的魯棒性和安全性。

本發明授權基于Multi-Krum的聯邦貝葉斯個性化排序推薦方法及系統在權利要求書中公布了：1.一種基于Multi-Krum的聯邦貝葉斯個性化排序推薦方法，其特征在于，包括以下步驟：步驟1：在每個用戶端隨機選取與該用戶交互過的項目數量相等的未交互的項目，構建偏序關系三元組；具體為：每個用戶在第一輪訓練開始之前隨機選取與其交互過的項目數量相等的未交互項目，并讓其交互過的項目和隨機選取的未交互過的項目一一對應，與該用戶本身共同組成若干個偏序關系三元組；步驟2：在每個用戶端初始化用戶模型參數，在中心服務器端初始化項目模型參數；所述的用戶模型參數為維度為1×k的本地用戶特征向量，項目模型參數是由全體項目的項目特征向量構成的項目特征矩陣，維度為n×k，n為項目數量；步驟3：中心服務器端隨機抽取若干個用戶端參與訓練，本地用戶端使用步驟1構建的全部偏序關系三元組計算推薦系統模型的本地損失函數值，所述的推薦系統模型由用戶模型和項目模型構成；根據本地損失函數值生成本地用戶模型參數的梯度和項目模型參數的梯度，所述的本地用戶模型參數的梯度用于更新本地用戶模型參數，項目模型參數用于回傳至中心服務器端，采用Multi-Krum聚合方法更新項目模型參數；所述的步驟3具體為：3.1中心服務器端將項目模型參數發送給每一個參與訓練的用戶端；3.2每一個參與訓練的用戶端依據本地生成的偏序關系三元組，以及本地的用戶模型參數、中心服務器端發送的項目模型參數，計算模型的損失函數值；3.3每一個參與訓練的用戶端依據得到的損失函數值，計算出用戶模型參數的梯度、項目模型參數的梯度；3.4每一個參與訓練的用戶端依據本地的用戶模型參數的梯度，更新本地用戶模型參數，并將計算出的項目模型參數的梯度上傳至中心服務器端；3.5中心服務器端收集齊所有參與訓練的用戶端上傳的項目模型參數的梯度，構成回傳梯度集合，并采用Multi-Krum聚合方法更新項目模型參數；所述的采用Multi-Krum聚合方法更新項目模型參數，具體為：3.5.1計算回傳梯度集合中的每一個梯度與其他梯度的范式距離之和；3.5.2選取范式距離最小的梯度加入有效梯度集合；3.5.3將選中的梯度從回傳梯度集合中剔除；3.5.4重復步驟3.5.1至步驟3.5.3若干次，得到有效梯度集合；3.5.5取有效梯度集合中所有梯度的平均值作為聚合梯度，更新項目模型參數；步驟4：重復步驟3，直至推薦系統模型收斂；步驟5：在本地用戶端進行項目推薦時，根據本地用戶模型參數和項目模型參數的內積，計算針對本地用戶的各個項目的推薦程度，選取排名靠前的項目作為推薦結果。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人浙江大學，其通訊地址為：310058 浙江省杭州市西湖區余杭塘路866號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。