机械工程学报

作者：王磊, 金校, 唐红涛, 李西兴, 李益兵, 郭顺生, 官思佳

单位：1. 武汉理工大学机电工程学院 武汉 430070;2. 湖北工业大学机械工程学院 武汉 430068;3. 航天科工空间工程发展有限公司 北京 100854;4. 中国航天科工集团空间工程总体部 北京 100854

关键词：制造服务推荐,联邦学习,协同过滤,服务质量,多属性评分；

基金：国家自然科学基金资助项目(51905396，51805152)。

针对工业云平台中海量的制造服务使得用户难以进行服务选择，以及推荐算法的使用使得平台存在泄露用户数据风险的问题，提出一种基于联邦学习框架的制造服务个性化推荐方法。采用基于模型的协同过滤推荐算法，在矩阵分解中考虑用户和服务的评分偏置项以提高推荐准确度。推荐算法所用的数据被分类存储于用户端与服务器端，其中包含用户隐私的数据留存至用户本地。本地数据经加密算法进行脱敏后，与服务器端的数据结合以共同训练模型。最终，用户对制造服务的不同属性的评分被预测得出。根据制造服务质量的特点，在多属性预测评分的基础上进一步量化用户个性化倾向。通过个性化倾向因子对预测评分的干预得到服务的Pareto非支配解集，生成制造服务的推荐列表。实例验证表明，该推荐方法能够在保护用户隐私的前提下获得良好的预测准确度，在考虑用户个性化偏好的情况下保证推荐服务的预测评分均值较高，从而帮助用户进行制造服务选择。

来源：2023年第12期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2023年第12期