一种基于联邦学习的重排序模型个性化训练方法及系统

本申请涉及信息检索与机器学习技术领域，本申请提供一种基于联邦学习的重排序模型个性化训练方法，包括：初始化全局重排序模型参数，配置联邦学习超参数；接收客户端的注册请求；记录用户行为日志并构建训练样本集；加载预训练的重排序模型的骨干网络与MLP层，配置参数掩码矩阵M并冻结骨干网络，仅开放MLP层与掩码矩阵M的训练，设计混合损失函数，执行固定轮次本地训练，更新重排序模型参数；将全局参数上传至服务器；基于联邦聚合操作聚合全局参数，更新全局参数；将更新的全局参数返回至客户端，控制训练循环，直至满足终止条件。本申请通过MLP层的可训练参数掩码矩阵拆分参数以实现本地个性化的前提下联邦学习增强全局性能。