去中心化的点对点（P2P）能源共享系统日益普及，对能够使生产者表达和管理其个体能源共享偏好的强健、保护隐私的机制的需求也在不断增长。本文提出了一种联邦框架，用于建模和处理此类系统中生产者的偏好。传统的中心化方法往往无法提供所需的个性化、适应性和偏好敏感性，同时也引入了重大隐私风险。我们提出的框架以三层联邦学习（FL）架构为核心，集成了基于偏好的聚类、相似性加权聚合和代表性模型蒸馏等关键组成部分，以处理分布式生产者之间的偏好异质性，并在不需要直接数据交换的情况下实现个性化的供应商推荐。大量实验表明，所提方法优于标准FL基准，偏好一致性提高了最多35%，规范化折扣累积收益（NDCG）增加了10%，且稳定的标量奖励。计算分析进一步验证了框架的可扩展性，显示其在大规模实施中的潜力.
Abolhasanzadeh等人（Sun，）研究了这个问题。