买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉哈尔滨理工大学申请的专利一种纵向联邦学习架构下的非抽样因子分解机服务方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116011594B 。

龙图腾网通过国家知识产权局官网在2026-05-08发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211571578.3，技术领域涉及：G06N20/20；该发明授权一种纵向联邦学习架构下的非抽样因子分解机服务方法是由黄海;郭虹佐设计研发完成，并于2022-12-08向国家知识产权局提交的专利申请。

本一种纵向联邦学习架构下的非抽样因子分解机服务方法在说明书摘要公布了：本发明公开了一种纵向联邦学习架构下的非抽样因子分解机服务方法，属于推荐系统领域，初始化参与纵向联邦学习双方的本地模型，通过初始化的本地模型计算各自的辅助向量，可信第三方发送同态加密公钥给参与纵向联邦学习双方，其中一方向另一方传输自身加密模型以及辅助向量以在另一方求得加密的纵向联邦因子分解机算法的预测值，并接受该预测值，双方通过本地数据与接收到的数据计算出损失函数后求解各自的加密梯度，发送给可信第三方进行解密，双方接收到模型梯度后更新模型，模型收敛后用于推荐任务中。本发明的优势在于：解决了纵向联邦学习架构下的隐反馈因子分解机在非抽样训练情况下推荐框架模型训练效率差的技术问题。

本发明授权一种纵向联邦学习架构下的非抽样因子分解机服务方法在权利要求书中公布了：1.一种纵向联邦学习架构下的非抽样因子分解机服务方法，其特征在于：包括以下步骤： S1、公司A和公司B各自初始化本地模型，即对于公司A，初始化参数并基于此计算出向量，对于公司B，初始化参数并基于此计算出向量；计算与的具体方法是： ； 其中， ； ； ； 其中，代表隐因子数量，、和表示公司A的特征向量、公司B的特征向量和预测层的辅助神经元权重，和都仅取决于公司A与公司B本地的特征数据，其中，和分别是参与联合建模的公司A和公司B局部模型的全局偏置，和分别代表公司A和B的数据的特征数量，和是模型中公司A第个和公司B第个变量的权重，和分别表示公司A数据自身特征和公司B数据自身特征之间的二阶交互，表示预测层A、B两公司内部特征交叉项之和的神经元权重，表示预测层A、B两公司特征相互交叉项的神经元权重； S2、可信第三方服务端C发送公钥pub给公司A、B，公司B将中间结果加密得到，传输给公司A； S3、公司A接收到公司B传输的加密中间结果，并通过求出纵向联邦因子分解机算法的加密预测函数，公司A将和发送回公司B； S4、公司A和公司B分别利用本地与对方传输的数据，计算出损失函数，公司A求解加密梯度，，，，，； S5、公司A和公司B分别将这些加密的参数梯度上传到第三方服务端C解密，结果分别重新返回公司A和公司B，利用梯度下降更新参数； S6、重复步骤S2至S5，直至模型收敛。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人哈尔滨理工大学，其通讯地址为：150000 黑龙江省哈尔滨市南岗区学府路52号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。