具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

参照图1所示，本实施例提供一种基于隐私保护的多社交平台用户推荐方法，包括：

T1、通过参与方客户端本地整合初始数据，并通过服务端初始化训练模型和密钥并分配给各个参与方客户端。

所述参与方客户端是指参与用户联合推荐的社交平台自身提供的计算设备，本地的初始数据是指各社交平台自身的数据，包括社交用户账户ID(每个平台可以不同，但单个平台内需唯一)、社交用户关系信息(根据社交平台不同，关系信息可以为朋友、关注、点赞等)、社交用户特征(根据不同的平台社交用户特征可以为爱好、浏览内容类别、次数、活跃时间段等)、社交用户标签(根据不同社交平台的特点，将社交用户打上的标签，例如电影爱好者、户外运动、吃货等)。

各参与方客户端本地整合初始数据具体包括如下步骤：

构建邻接矩阵：将社交用户作为节点,社交用户关系作为连边构建每个社交平台自身的社交网络；基于所构建的社交网络，得到网络的邻接矩阵记作A(矩阵A中的元素为0和1，0表示行列所对应的两个社交用户之间无直接关系，1表示行列所对应的两个社交用户之间存在着社交用户关系)。

构建特征矩阵：根据社交用户的特征将所有的特征进行编号1-f，f为所有社交平台社交用户特征的总数。将社交用户特征编号作为列号，用户账户ID作为行号建立特征矩阵H,H＝{h₁,h₂,...,h_i,..,h_n}^T,h_i为第i个社交用户的特征向量，n为单个平台的用户总数(矩阵H中的元素为0和1，0表示行列所对应的社交用户无该种特征，1表示行列所对应的社交用户有该种特征)。

构建标签矩阵：将所有的标签进行编号1-y，y为所有社交平台用户标签的总数,根据社交用户标签的编号构建社交用户的标签矩阵L，L＝{l₁,l₂,...,l_i,..,l_n}^T，l_i为第i个用户的标签向量(矩阵L中的元素为0和1，0表示此社交用户无该种标签，1表示此社交用户有该种标签)。

在构建用户标签向量后，各社交平台按一定比例抽取一部分社交用户分成训练集、验证集和测试集，本实施例中，训练集、验证集和测试集的比例为1：2：7，也可以有所不同，选取的部分用户以标签向量中的值不全为0的优先，选取的数量不做限制。

所述服务端为一台或多台由参与方或第三方提供的计算设备。所述初始化模型为给模型训练用到的权重矩阵随机赋予初值，并为接下来的加密过程生成加密所需的参数。服务端发送给各参与方客户端的内容为初始化参数后的训练模型和公钥e和b。

T2、各参与方客户端基于自身设定的目标精度，采用本地整合的初始数据对所述训练模型进行训练，并将训练后得到的训练参数加密后发送至服务端。

其中，自身设定的目标精度是指各社交平台希望根据联合训练达到的测试集分类准确率ac。

对所述训练模型进行训练的过程如下：

输入平台自身的特征矩阵H和邻接矩阵A，输出预测的标签矩阵L′。

L′＝AH′ (1)

H′＝{h′₁,h′₂,...,h′_i,..,h′_n}^T (2)

其中，W∈R^f×y和w∈R^1×2y为可训练的权重矩阵，LeakyRelu()为激活函数，||为矩阵拼接操作，N_i为节点i的一阶邻居节点的集合，α_ij表示节点j对节点i的重要性指标，h_j为节点j的特征向量，H′为重构后的特征矩阵，h′_i为节点i的重构特征向量。

计算得到预测的标签矩阵L′后，计算其与标签矩阵L的交叉熵，并通过最小化交叉熵的方式迭代更新本地的权重矩阵W和w。

所述的密钥初始化、加密、解密方法如下：

密钥初始化过程：服务端生成两个质数p和q(一般为1024位)，并计算两者的积b＝p*q和其欧拉函数值m＝(p-1)(q-1)，生成公钥e，并使得e和m互质且1<e<m，生成私钥d，并使得e*d/m的余数为1。

加密过程如下：获取待加密数字a，密文c为a^e/b的余数。

解密方法如下：获取密文c，解密后的数字a为c^d/b的余数。

T3、通过服务端解密并聚合收集到的加密训练参数，将训练参数的聚合结果返回至所有参与方客户端。

聚合方法如下式所示：

其中，W′和w′为更新后的权重矩阵，z为参与训练的客户端数量，W_t和w_t为第t个参与方客户端的权重矩阵。

各参与方客户端基于训练参数的聚合结果对所述训练模型进行更新，并计算更新后的训练模型是否达到自身设定的目标精度，未达到，则重复执行步骤T2，达到，则执行步骤T4。

T4、结束训练，各参与方客户端利用训练后的模型更新自身平台内所有社交用户的标签向量，并对标签向量相似的社交用户进行相互推荐。

所述的标签向量相似是指差异指数Er小于预设阈值的两个向量，本实施例中，Er的预设阈值取0.2

其中，y为所有社交平台用户标签的总数，l_1s、l_2s分别为第一个社交用户、第二个社交用户的标签向量中第s个元素的值。

参照图2所示，本实施例还提供一种基于隐私保护的多社交平台用户推荐系统，包括若干个参与方客户端、服务端；每个所述参与方客户端包括预处理模块、训练模块、第一加密模块、输出模块；所述服务端包括初始化模块、第二加密模块、聚合模块；

其中，所述预处理模块、训练模块、第一加密模块依次连接，所述训练模块与所述输出模块连接；所述初始化模块、第二加密模块、聚合模块依次连接；所述初始化模块、聚合模块分别与所述训练模块连接，所述第一加密模块与所述第二加密模块连接。

所述预处理模块用于本地整合初始数据，具体为：该社交平台构建自身的社交网络，并获得输入的邻接矩阵、特征矩阵和标签矩阵。

所述初始化模块对训练模型和密钥进行初始化，并输出到各参与方客户端的训练模块和服务端的第二加密模块；

所述训练模块基于自身设定的目标精度，采用本地整合的初始数据对训练模型进行训练，还用于基于所有参与方客户端训练参数的聚合结果对所述训练模型进行更新，并计算更新后的训练模型是否达到自身设定的目标精度。对所述训练模型进行训练的过程如下：

输入平台自身的特征矩阵H和邻接矩阵A，输出预测的标签矩阵L′。

L′＝AH′ (1)

H′＝{h′₁,h′₂,...,h′_i,..,h′_n}^T (2)

其中，W∈R^f×y和w∈R^1×2y为可训练的权重矩阵，LeakyRelu()为激活函数，||为矩阵拼接操作，N_i为节点i的一阶邻居节点的集合，α_ij表示节点j对节点i的重要性指标，h_j为第j个社交用户的特征向量，H′为重构后的特征矩阵，h′_i为节点i的重构特征向量。

计算得到预测的标签矩阵L′后，计算其与标签矩阵L的交叉熵，并通过最小化交叉熵的方式迭代更新本地的权重矩阵W和w。

所述第一加密模块用于对所述参与方客户端训练后得到的训练参数进行加密。

所述第二加密模块对接收到的加密的训练参数进行解密，从参与方客户端的第一加密模块输入加密后的参数密文，并从初始化模块输入密钥，向聚合模块输出解密后的参数明文；

所述聚合模块用于对各个参与方客户端的训练参数进行聚合，并将聚合结果返回至各参与方客户端。聚合方法如下式所示：

其中，W′和w′为更新后的权重矩阵，z为参与训练的客户端数量，W_t和w_t为第t个参与方客户端的权重矩阵。

所述输出模块基于训练后的模型更新自身平台内所有社交用户的标签向量，并对标签向量相似的社交用户进行相互推荐。所述的标签向量相似是指差异指数Er小于设定值的两个向量，本实施例中，Er的设定值取0.2

其中，y为所有社交平台用户标签的总数，l_1s、l_2s分别为第一个、第二个标签向量中第s个元素的值。

第一加密模块、第二加密模块中，密钥初始化、加密、解密方法如下：

密钥初始化过程：服务端生成两个质数p和q(一般为1024位)，并计算两者的积b＝p*q和其欧拉函数值m＝(p-1)(q-1)，生成公钥e，并使得e和m互质且1<e<m，生成私钥d，并使得e*d/m的余数为1。

加密过程如下：获取待加密数字a，密文c为a^e/b的余数。

解密方法如下：获取密文c，解密后的数字a为c^d/b的余数。

以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。