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！

龙图腾网恭喜北京交通大学申请的专利一种基于对抗学习的高鲁棒隐私保护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：CN113918814B 。

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：202111187124.1，技术领域涉及：G06F16/9535；该发明授权一种基于对抗学习的高鲁棒隐私保护推荐方法是由李浥东;张洪磊;赵旭;崔文军;陈乃月;贾晓丰;徐葳设计研发完成，并于2021-10-12向国家知识产权局提交的专利申请。

本一种基于对抗学习的高鲁棒隐私保护推荐方法在说明书摘要公布了：本发明提供了一种基于对抗学习的高鲁棒隐私保护推荐方法。该方法包括：构建用于优化神经协同过滤模型所需的训练集，以及用于训练成员推理模型所需的参考集；设计带有成员推理正则项的神经协同过滤联合模型，并利用上述训练集与参考集对联合模型进行对抗训练方式的迭代优化，得到鲁棒的用户和物品特征表示矩阵；根据得到的用户特征矩阵与物品特征矩阵对未观测评分进行预测；将预测分值较高且未产生行为的相应物品集推荐给对应用户。本发明通过对抗训练的方式设计统一的最小最大化目标函数来显式的赋予推荐算法防御成员推理攻击的能力，进而能够防御成员推理攻击和缓解推荐模型过拟合，实现个性化推荐模型算法性能和训练数据隐私保护的双向提升。

本发明授权一种基于对抗学习的高鲁棒隐私保护推荐方法在权利要求书中公布了：1.一种基于对抗学习的高鲁棒隐私保护推荐方法，其特征在于，包括： 步骤S1：构建神经协同过滤模型以及所需训练集，并随机初始化神经协同过滤推荐模型的参数P，Q，ΘR，表示用户特征矩阵，表示物品特征矩阵，ΘR统一表示推荐模型隐藏层的参数矩阵； 步骤S2：构建成员推理模型以及所需参考集，并随机初始化成员推理模型的参数矩阵ΘM，ΘM统一表示成员推理模型的可学习参数； 步骤S3：利用所述神经协同过滤模型和所述成员推理模型构建带有成员推理正则项的神经协同过滤联合模型，设计统一的基于对抗学习的最小最大化目标函数并进行迭代对抗训练，得到鲁棒的用户特征矩阵P和物品特征矩阵Q； 步骤S4：根据训练好的P和Q预测用户对未观测物品的评分值：对逐行降序排列，并将中未被评过分的若干物品推荐给相应的用户，表示预测出的用户-商品评分矩阵； 所述的步骤S3中的基于成员推理正则项的神经协同过滤联合模型的目标函数定义如下： 其中，内部的最大化函数的目标是针对给定的推荐模型fΘR找到最强的成员推理模型gΘM，外部的最小化函数的目标是针对给定的最强成员推理模型gΘM，找到最鲁棒的个性化推荐模型，参数λ控制推荐精度和成员隐私之间的权衡； 神经协同过滤模型fΘR的优化目标是最小化期望经验损失，使用交叉熵损失作为目标损失函数，神经协同过滤模型的期望经验损失表示如下： 其中为优化神经协同过滤模型的训练集，yui分别为推荐模型的预测点击概率和真实标签； 所述成员推理模型的目标为最大化经验收益，即为了建模预测分布与真实分布之前的统计差异，使用交叉熵损失来计算成员推理模型的监督损失，其中经验收益表示如下： 合并各项后，统一最小最大化目标函数细化为如下数学形式： 其中，按照4：1的比例来构造神经协同过滤模型所需的训练集和成员推理模型所需的参考集训练集用于推荐模型的训练和成员推理模型优化的正样本，参考集不参与推荐系统的训练而是作为成员推理模型优化的负样本，训练集作为参考集中的正样本，利用上述训练集与参考集对带有成员推理正则项的神经协同过滤联合推荐模型进行迭代对抗训练； 所述的带有成员推理正则项的神经协同过滤联合推荐模型进行迭代对抗训练如下： 随机初始化神经协同过滤推荐模型参数P，Q，ΘR；随机初始化成员推理模型参数ΘM，进入迭代训练过程：固定推荐模型的算法参数P，Q，ΘR，计算目标收益关于ΘM的梯度，利用梯度上升算法更新参数矩阵ΘM；固定成员推理模型的算法参数ΘM，计算目标损失分别关于P，Q，ΘR的梯度，利用梯度下降算法分别更新参数矩阵P,Q,ΘR；重复以上步骤，不断交替更新参数P,Q,ΘR,ΘM，直到满足收敛条件； 通过以上算法，找到最小最大化目标函数的平衡点，获得具有成员隐私保护能力的鲁棒个性化推荐系统。

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北京交通大学，其通讯地址为：100044 北京市海淀区西直门外上园村3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”。