计算机应用研究

作者：郭剑岚,陈俞强,卢荣,李光程,

单位：东莞职业技术学院a.电子信息学院;b.人工智能学院,广东东莞523808；

关键词：去中心化,联邦学习,隐私保护,推荐系统,区块链,

基金：广东省自然科学基金资助项目(2020A1515110162)；广东省哲学社会科学规划项目(GD25CSH06)；广东省普通高校创新团队资助项目(2025KCXTD094)；广东省普通高校特色创新项目(2025KTSCX373)；2021年东莞市农村振兴战略专项基金资助项目(20211800400102)；东莞市松山湖科技特派员项目(20234384-01KCJ-G,20234369-01KCJ-G,20234400-01KCJ-G)；；

随着互联网信息过载的出现，智能推荐系统应运而生，其广泛用于为特定用户推荐产品、内容和服务。然而，这些系统需大量用户数据来训练模型，如何在保证模型性能的同时确保用户数据的隐私性和安全性成为亟待解决的问题；传统推荐系统存在数据稀疏性等问题，直接共享数据还会侵犯用户隐私。提出了一种具有隐私保护的去中心化联邦学习推荐系统框架，利用区块链的点对点网络和不可窜改的数据存储特性，确保数据安全和系统去中心化。在该框架中，用户数据经矩阵分解为私有参数（含隐私信息）和公共参数（含项目特征信息）；用户本地训练两者，仅共享公共参数，私有参数保留在本地，保护了用户隐私。引入区块链协调训练过程，其领导者聚合本地公共参数为全局公共参数，用户下载同步并进行下一次训练。此外，还提出了基于动态随机种子算法的高性能、低消耗共识机制，并分析了模型的隐私保护性能。实验表明，该框架在隐私保护和推荐准确性上优于传统中心式学习框架，同时具有良好的可扩展性和实用性。

来源：2026年第4期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2026年第4期