基于自适应客户端聚合和采样的增强型联邦推荐方法

本发明公开了一种基于自适应客户端聚合和采样的增强型联邦推荐方法，核心是利用改进的负采样策略、交互聚类加权聚合和自适应差分隐私技术来提高推荐性能和保护用户隐私。该方法首先进行基于聚类驱动的增强型负样本采样(CD‑ENS)，通过获取用户交互项目列表确定不交互的数据项组合，利用K‑means算法进行聚类，并考虑多种因素作为特征，通过计算轮廓系数确定最佳聚类数，以实现更精准的负样本采样，从而提高推荐性能；之后进行交互聚类加权聚合(IC‑WA)，根据用户与项目类别交互的比例计算客户端权重，将客户端上传的加密梯度与客户端权重相乘并累积作为服务器梯度，使聚合更准确地反映各客户端的贡献；接着引入自适应动态本地差分隐私(LDP_MAD)，基于动态张量中位数调整拉普拉斯噪声强度，以平衡梯度传输和推荐系统性能，保护用户隐私。本发明在推荐过程中，利用改进的技术代替传统方法，解决了现有联邦推荐系统中存在的问题，提高了推荐的准确性和个性化，同时有效保护了用户隐私。