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！

龙图腾网获悉西南财经大学申请的专利通信高效的联邦矩阵分解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：CN118332165B 。

龙图腾网通过国家知识产权局官网在2025-06-13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：202410479102.X，技术领域涉及：G06F16/9035；该发明授权通信高效的联邦矩阵分解推荐方法是由陈雪蓉;刘书兵;赵路设计研发完成，并于2024-04-21向国家知识产权局提交的专利申请。

本通信高效的联邦矩阵分解推荐方法在说明书摘要公布了：本发明公开了一种通信高效的联邦矩阵分解推荐方法，包括：构建联邦矩阵推荐框架，生成联邦矩阵分解推荐算法；构建代理目标函数，并利用所述代理目标函数替代全局目标函数；使用交替方向乘子法ADMM求解代理目标函数中的参数更新公式；设计通信高效的联邦矩阵分解推荐算法，包括设计中心服务器算法以及设计客户端算法；本发明将联邦学习与推荐系统相结合可以在一定程度上解决隐私和数据分散的问题，同时提高个性化推荐的效果。

本发明授权通信高效的联邦矩阵分解推荐方法在权利要求书中公布了：1.一种通信高效的联邦矩阵分解推荐方法，其特征在于，包括以下步骤： 步骤1、构建联邦矩阵推荐框架，生成联邦矩阵分解推荐算法； 所述步骤1具体如下： 所有参与方都在本地训练数据集，只将模型训练得到的参数传给服务器进行聚合，假设有N个客户端参与联邦学习，客户端共有m个用户，客户端集合为C＝{C1,C2,···,CN}，客户端Ci拥有mi个用户，所有客户端拥有相同的n个项目，各客户端拥有的数据集合为R＝{R1,R2,···,RN}，其中Ri是客户端Ci拥有的本地数据，Ri是mi×n维的用户-项目评分矩阵，全局目标函数定义为： 其中，表示各客户端的权重，并且Fiθ表示客户端Ci的本地目标函数，Fiθ公式如下： 其中，l为损失函数，hxj；θ表示具有参数θ的模型对数据集中实例xj的预测； 在联邦学习中希望得到一个最优性能的全局模型θ'，则中心服务器的目标是优化最小目标函数FRθ，然后得到使其优化效果最好的一组模型参数θ'作为最后训练得到的全局模型参数，其公式化表示为： 将评分矩阵Ru×n进行分解，得到Pu×k和Qk×n两个矩阵，其中Pu×k为用户特征矩阵，Qk×n为项目特征矩阵，k为隐向量的维度； 对于客户端Ci中用户u对某个项目n的评分的预测公式如下： 其中，μ为根据全局评分数据设置的全局平均值偏置值，piu表示客户端Ci的用户特征矩阵Pi的第u行用户特征向量，表示piu向量转置，qn表示Q的第n行项目特征向量； 全局目标函数定义为： 其中，λ为正则化系数，λ||piu||2+||qn||2为正则项； 联邦矩阵分解推荐算法是在所有客户端都不直接共享自身数据集的前提下，为客户端Ci生成mi×n维的预测评分矩阵R'i，然后根据预测评分矩阵为客户端Ci的用户推荐合适的项目；联邦矩阵分解推荐算法首先在客户端Ci随机生成mi×k维的用户特征矩阵Pi，在推荐服务器随机生成n×k维的全局项目特征矩阵Q，然后通过最小化全局目标函数，生成准确的预测评分矩阵，进而为用户进行推荐； 步骤2、构建代理目标函数，并利用所述代理目标函数替代全局目标函数； 步骤3、使用交替方向乘子法ADMM求解代理目标函数中的参数更新公式； 步骤4、设计联邦矩阵分解推荐算法，包括设计中心服务器算法以及设计客户端算法。

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西南财经大学，其通讯地址为：610000 四川省成都市光华村街55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”。