基于联邦学习的推荐系统综述

• 全文链接
• 请求原文

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.