联邦推荐系统综述

摘要：

在联邦学习范式中,原始数据被本地存储在独立的用户客户端中,而脱敏数据被发送到中心服务器中加以聚合,这给众多领域提供了一种新颖的设计思路.考虑到传统推荐系统的研究方向集中于提高推荐效果,在资源节约、跨领域推荐、隐私保护等方面还具有很大改进空间,如何将联邦学习与推荐系统结合以解决这些问题成为当前的一个研究热点.对近年来基于联邦学习的推荐系统进行了全面的总结、比较与分析,首先介绍了推荐系统的传统实现方式及面临的瓶颈;然后引入了联邦学习范式,描述了联邦学习在隐私保护、利用多领域用户数据两方面给推荐系统带来的增益,以及二者结合的技术挑战,进而详细说明了现有的联邦推荐系统部署方式;最后,对联邦推荐系统未来的研究进行了展望与总结.

关键词：联邦学习、推荐系统、隐私保护、协同过滤、深度学习

所属期刊栏目：8

分类号：TP391(计算技术、计算机技术)

资助基金：广东省重点领域研发计划No.2021B0101400003

在线出版日期：2022-07-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共28页

页码：105-132