在联邦推荐系统中，每个客户能否获得满意的推荐效果，不仅取决于他们参与模型训练的数据，还取决于其他客户在联合建模时提供的数据。然而，由于自身数据安全的保护和数据采集的困难，每个客户往往会尽可能少地提供自己的数据，而其他客户则会提供更多的数据，以获得更好的推荐效果。本文首先利用不完全信息博弈模型分析客户之间的互动行为，然后引入满意度均衡的概念来解释该模型。假设每个客户都有预期的推荐效果。当所有客户达到预期的推荐效果时，博弈达到均衡。提出了一种基于平衡学习的迭代算法。客户端通过分析当前的推荐效果，动态调整本地模型训练数据，最终使每个客户端满足状态。理论分析和实验仿真表明，该算法可以使每个客户端达到均衡和完全收敛。