申请/专利权人：湖南工商大学

申请日：2024-01-09

公开（公告）日：2024-04-02

公开（公告）号：CN117540106B

主分类号：G06F16/9535

分类号：G06F16/9535;G06N3/042;G06N3/0455;G06F18/22;G06F18/25;H04L9/40

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2024.03.01#实质审查的生效;2024.02.09#公开

摘要：本申请实施例中提供了一种多模态数据隐私保护的社交活动推荐方法及设备，属于信息安全技术领域，具体包括：基于BERT文本编码和伯努利分布的不可区分性机制，对用户多模态活动数据进行保护；基于特征融合相似度的邻域扩展算法，进行用户邻域社交图扩展；基于余弦退火衰减机制的梯度自适应隐私保护算法，保证模型高训练精度下的梯度隐私保护；基于图神经网络的活动社交聚合智能推荐方法，实现对用户的高质量活动推荐；通过本申请的方案，基于差分隐私的特性，本发明扰动的多模态社交数据满足本地差分隐私，在确保高质量的推荐服务前提下，实现对多模态数据的隐私保护。

主权项：1.一种多模态数据隐私保护的社交活动推荐方法，其特征在于，包括：步骤1：基于BERT文本编码和伯努利分布的多模态社交数据分布式不可区分性机制，通过计算多模态数据中两个活动标签嵌入向量的欧式距离，生成随机向量对原始活动标签嵌入向量进行扰动，对用户评分向量中的每一个元素，进行满足伯努利分布的随机扰动；步骤2：基于特征融合相似度的邻域扩展算法，根据用户扰动活动标签矩阵和扰动活动评分向量，计算出用户之间的相似度，构建用户邻域社交图，以实现用户高阶邻域扩展；步骤3：基于余弦退火衰减机制的梯度自适应隐私保护算法，对边缘图神经网络模型每一轮训练添加自适应动态衰减的高斯噪声，以实现模型梯度的隐私保护；步骤4：基于图神经网络的活动社交聚合智能推荐方法，预测用户可能感兴趣的活动评分，实现对用户的高质量活动推荐；其中，所述基于余弦退火衰减机制的梯度自适应隐私保护算法，对边缘图神经网络模型每一轮训练添加自适应动态衰减的高斯噪声，以实现模型梯度的隐私保护的步骤具体包括：步骤3.1，根据所述用户邻域社交图，扰动的多模态活动标签和评分，基于图神经网络模型，通过前向传播计算得到初始预测评分；步骤3.2，根据所述的初始预测评分和扰动评分，计算模型梯度如下： 其中，表示随机抽取的训练样本，表示微分运算符，表示模型的损失函数，，表示所述第个用户交互的活动的总数；步骤3.3，根据所述模型梯度，计算范数裁剪梯度为： 其中，表示最大梯度灵敏度，表示L2范数计算；步骤3.4，基于余弦退火衰减机制的梯度自适应隐私保护算法，对裁剪后的梯度添加满足差分隐私的自适应高斯噪声，并在训练结束后计算第次局部优化的扰动梯度，计算公式如下： 其中，表示满足差分隐私的零均值高斯噪声，，表示局部优化总次数，表示第次局部优化中的高斯噪声尺度，决定高斯噪声大小；表示初始噪声，表示所述第个用户在第次局部优化时被抽取的预测评分的数据大小；步骤3.5，所有边缘服务器将所述扰动梯度提交给云服务器，云服务器聚合所有扰动梯度进行全局参数优化，并返回优化参数给每个边缘服务器进行边缘图神经网络模型更新，以实现高质量活动推荐。

全文数据：

权利要求：

百度查询： 湖南工商大学 一种多模态数据隐私保护的社交活动推荐方法及设备

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD