随着互联网的不断发展,用户可获取的信息种类数量越来越多,出现了“信息过载”的现象,推荐系统正是在这种大背景下而广泛发展,成为目前学术界和产业界热门的人工智能技术之一。同时全球各界对数据隐私的重视程度越发提高,大量隐私数据不允许被肆意传播,其导致了金融业、医疗业等重点行业产生“数据孤岛”现象,大量宝贵的数据很难及时用于研究。联邦学习为上述矛盾的解决提供了思路,其在保护数据安全的同时,提供了可靠的机器学习训练。本文主要针对基于联邦学习的智能推荐技术展开研究,提出了基于联邦学习的神经协同过滤结构推荐方法和基于此改进的差分隐私联邦学习推荐方法。在基于联邦学习的神经协同过滤结构推荐方法中,采用Neu MF方法来预估推荐效果,并采用联邦学习算法Fed Avg对模型参数进行加权平均聚合,实现了仅在本地训练数据,局部模型上传中心服务器的训练模式。在基于改进的差分隐私联邦学习推荐方法中,采用差分隐私对交互的模型加入基于高斯机制的噪声,有效地防止因梯度泄露造成的数据集反推理,并采用Fed Avg改进算法Fed Prox结合NCF来优化联邦学习神经系统过滤模型的推荐效果。实验结果表明,本文构建的基于联邦学习的神经协同过滤算法在保护隐私安全性的前提下,能实现和神经协同过滤推荐接近的效果,在Neu MF方法下HR@10的差值仅为2.37%。引入差分隐私后,同等评价指标仅下降1%的推荐性能,验证了差分隐私的可行性。在采用基于改进算法Fed Prox后,推荐评价指标最多情况下提升了超过2%,说明对局部异构问题起到了收敛效果,算法的改进是有效的。