您的位置:
首页
>
中文期刊论文
>
详情页
基于联邦学习的推荐系统综述
- 作 者:
-
梁锋;
羊恩跃;
潘微科;
杨强;
明仲;
- 作者机构:
-
深圳大学计算机与软件学院;
香港科技大学计算机科学及工程学系;
- 关键词:
-
推荐系统;
协同过滤;
联邦推荐;
联邦学习;
隐私保护;
- 期刊名称:
- 中国科学(信息科学)
- i s s n:
- 1674-7267
- 年卷期:
-
2022 年
52 卷
005 期
- 页 码:
- 713-741
- 摘 要:
-
随着互联网和移动计算等技术的发展,人们的在线行为产生了越来越多的数据,想要从海量数据中挑选出用户可能喜欢的物品,推荐系统不可或缺.然而传统的推荐算法需要将用户数据收集到服务端才能构建模型,这会泄露用户隐私.最近,谷歌针对机器学习任务中需要收集用户数据才能进行建模的问题,提出了一种新的学习范式——联邦学习.联邦学习与推荐系统相结合,使得联邦推荐算法能够在模型构建过程中,始终将用户数据保留在客户端本地,从而保护了用户隐私.本文主要对联邦学习与推荐系统相结合的研究工作进行综述,并从架构设计、系统的联邦化和隐私保护技术的应用3个角度重点分析联邦推荐算法的研究进展.最后,对基于联邦学习的推荐系统可研究的方向进行展望.
相关作者
载入中,请稍后...
相关机构
载入中,请稍后...