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...
应用推荐

意 见 箱

匿名:登录

个人用户登录

找回密码

第三方账号登录

忘记密码

个人用户注册

必须为有效邮箱
6~16位数字与字母组合
6~16位数字与字母组合
请输入正确的手机号码

信息补充