一种基于双侧加性物品嵌入的分组联邦推荐方法

本发明提供一种基于双侧加性物品嵌入的分组联邦推荐方法。中央服务器在联邦学习框架下构建双层物品嵌入表征结构：客户端本地维护用户个性化嵌入及物品本地个性化嵌入矩阵，服务器端通过动态聚类分组机制生成全局群体共享物品嵌入；采用加性融合策略将全局共享嵌入与本地个性化嵌入叠加，生成用户侧个性化物品表征；设计渐进式课程学习方案，通过动态调整正则化权重系数，实现从完全个性化到加性表征的平滑过渡；结合知识迁移策略优化分组聚类过程，促进跨用户群体的协同知识共享。在客户端本地训练阶段，构建基于二元交叉熵的个性化推荐损失函数，同步更新全局共享嵌入与本地嵌入参数，服务器端通过分组联邦聚合更新全局模型。本发明在保护用户隐私的前提下，有效解决传统联邦推荐中物品表征单一化、个性化感知不足的问题，显著提高推荐系统准确性并降低通信开销，适用于电子商务、内容平台等隐私敏感场景的个性化推荐服务。