本发明公开了一种基于联邦学习的社交协同过滤推荐方法，包括以下步骤：步骤1、由中央服务器选择参与本地训练的用户客户端；步骤2、在用户客户端上进行E轮本地训练，每轮本地训练过程中，分别通过矩阵分解模块、用户对比模块和物品对比模块来计算模型损失函数；步骤3、完成E轮本地训练后，通过梯度保护模块，得到最终需要上传的梯度，并将其上传至中央服务器进行梯度聚合；步骤4、重复步骤1至步骤3，得到充分训练后的用户嵌入向量和物品嵌入向量；步骤5、将用户嵌入向量和物品嵌入向量作为评分预测模块的输入，得到对用户推荐的物品序列。本发明能够有效缓解联邦社交推荐中的数据非独立同分布问题对模型推荐性能的影响。