买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉宁波大学申请的专利一种基于联邦对比学习的双塔社交推荐方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116049570B 。

龙图腾网通过国家知识产权局官网在2026-01-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310023586.2，技术领域涉及：G06F16/9536；该发明授权一种基于联邦对比学习的双塔社交推荐方法是由刘柏嵩;罗林泽;胡测;吴诗琪;李钧儒设计研发完成，并于2023-01-09向国家知识产权局提交的专利申请。

本一种基于联邦对比学习的双塔社交推荐方法在说明书摘要公布了：本发明公开了一种基于联邦对比学习的双塔社交推荐方法，包括：步骤1、中央服务器随机选取固定数量的用户客户端，并将所需参数发送至对应客户端；步骤2、用户客户端通过双塔学习模块和用户注意力对比模块，完成本地训练；步骤3、通过梯度保护模块，对需要更新的梯度进行保护，并上传至中央服务器；步骤4、中央服务器接收到用户客户端上传的梯度，聚合后通过扰动对比学习模块，得到最终需要更新的梯度；步骤5、重复步骤1至4，得到最后收敛的模型；步骤6、根据用户即候选物品集作为模型的输入，得到用户推荐物品集合。本发明能够做到保护用户隐私安全的同时，还能降低用户间的社交噪声和数据扰动引入的噪声对推荐模型性能的影响。

本发明授权一种基于联邦对比学习的双塔社交推荐方法在权利要求书中公布了：1.一种基于联邦对比学习的双塔社交推荐方法，其特征在于：包括以下步骤： 步骤1、中央服务器随机选取固定数量的用户客户端，用于参与当前轮次的本地训练，并将模型参数、用户嵌入向量和物品嵌入向量分发到所述用户客户端； 步骤2、在步骤1所述的用户客户端上进行本地训练，本地训练包含双塔学习模块和用户注意力对比模块，通过双塔学习模块计算用户对于物品的评分损失，通过注意力对比模块计算用户间的对比损失，结合评分损失与对比损失计算模型损失函数； 步骤3、步骤2结束后，得到模型梯度、用户嵌入向量梯度和物品嵌入向量梯度，将所有梯度通过梯度保护模块进行噪声扰动，并将加噪后的扰动梯度上传到中央服务器； 步骤4、由中央服务器对步骤3得到的扰动梯度进行参数聚合，得到最终的模型梯度，并生成首次更新后的两个扰动用户嵌入向量和两个扰动物品嵌入向量；首次更新后的两个扰动用户嵌入向量和两个扰动物品嵌入向量通过扰动对比学习模块分别计算用户、物品对比损失，以实现二次更新，得到最终的用户嵌入向量和物品嵌入向量，至此完成一个轮次的训练； 步骤5、重复步骤1至步骤4，直至完成设定数量的训练轮次，得到收敛后的模型、用户嵌入向量和物品嵌入向量； 步骤6、对于步骤5得到的模型，将收敛后的用户嵌入向量和物品嵌入向量作为模型输入，得到输入用户对于输入物品的预测评分，通过排序得到最终对于用户的推荐物品列表; 在所述双塔学习模块中，物品嵌入向量通过三层全连接层，得到其最终表示，对通过三层全连接层后得到的用户嵌入向量和物品嵌入向量做点积，得到用户i对于物品j的预测评分，并以此计算其评分损失，评分损失为： ， 其中，表示用户i对于物品j的真实评分；为用户i的历史评分物品集合; 在所述注意力对比模块中，将用户及其社交好友作为对比学习的正样本对，并随机选择与其社交好友数量一致的无关用户作为负样本对，通过注意力机制，得到用户与其社交好友间的相似程度，作为对比学习中的权重，以此来计算用户间的对比损失，对比损失计算公式为： 其中，表示用户i的社交好友集合，表示用户i的非社交好友集合，且集合中的元素数量与相同，表示余弦相似度函数，用于计算用户嵌入向量间的相似度，为温度超参数，用于控制用户间相似度的缩放，为用户n对用户i的社交信任权重，其计算方式如下： ， ， 其中，为用户n对用户i的注意力评分，表示LeakReLU激活函数，a、W为需要训练的映射参数，表示拼接操作; 所述模型损失函数为： ， 其中，为控制用户社交对比损失的超参数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人宁波大学，其通讯地址为：315000 浙江省宁波市江北区风华路818号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。