基于隐语的个性化驱动的轻量级隐私保护联邦推荐系统

项目介绍

本作品旨在开发一个轻量化、个性化驱动且隐私保护的联邦推荐系统，以克服现有系统中模型复杂度高、个性化不足以及隐私泄露的问题。 作品基于隐语平台，实现了个性化联邦推荐算法，具备模型训练、商品推荐和模型评估三大功能。

项目获奖情况

在山东大学与隐语社区联合举办的2024年数据要素流通创意大赛中，获得二等奖。

目录

1. 总体介绍
   • 背景
   • 目标
   • 创新点
   • 技术实现方案
2. 技术实现过程
   • 隐语技术
   • 算法模型
   • 数据处理方法
3. 效果展示

总体介绍

1.1 背景

联邦推荐是新的互联网应用服务架构，旨在保护用户隐私的同时提供个性化推荐服务。

1.2 目标

• 轻量化模型：在用户设备上部署轻量级模型，减少对服务器通信的依赖。
• 增强个性化：通过改进项目嵌入和评分函数模块，提升推荐精度。

1.3 创新点

• 基于隐语平台的定制化联邦学习模型，支持隐私保护；
• 轻量化本地模型部署；
• 用户个性化推荐；
• 可选的双模型。

1.4 技术实现方案

• 调用隐语提供的接口，应用安全聚合。
• 减少模型模块数，即去掉用户嵌入模块；评分函数模块的参数不参与聚合。
• 采用个性化的项目嵌入模块和个性化的评分函数模块，实现模型个性化。
• 两种模型在三个功能中均可选。

技术实现过程

2.1 隐语技术

采用隐语的水平联邦模型和安全聚合技术，通过继承隐语的FLModel类，重写其fit()方法，得到了NewFLModel类，实现了选择性参数聚合和个性化训练。

2.2 算法模型

• 模型一构成: 个性化的项目嵌入模块和评分函数模块。
• 模型二构成: 全局项目嵌入模块、个性化项目嵌入模块和评分函数模块。

2.3 数据处理方法

使用MovieLens-100K、MovieLens-1M、Lastfm-2K和Amazon-Video数据集，采用隐式推荐方法，设置正样本和负样本，进行模型训练和评估。

效果展示

• 主界面: 提供模型训练、商品推荐、模型评估三个功能。
  
• 模型训练: 选择数据集和模型，设置epochs和batch_size进行训练。
  
  
• 商品推荐: 选择模型进行加载，设置推荐商品范围和batch_size进行推荐。
  
  
  
• 模型评估: 选择模型进行加载，设置batch_size进行评估。
  
  

待开展工作

添加多种安全聚合接口，支持恶意安全与可验证聚合。

贡献

欢迎对本项目进行贡献，包括但不限于：

• 功能增强
• 代码优化
• 文档完善

许可证

本项目采用MIT许可证。

安装

通过docker配置隐语环境即可，运行SecretFlow的docker image命令为

docker pull -it secretflow/secretflow-anolis8:latest

docker run -it secretflow/secretflow-anolis8:latest

运行

运行TheMain.py即可