一种用于隐私保护推荐的联邦多视图深度学习框架
信息检索
2020-08-26 v1 人工智能
摘要
由于用户对隐私和数据安全的严重担忧，推荐服务提供商越来越难以收集分散的用户数据，隐私保护推荐近来正获得关注。欧洲《通用数据保护条例》(GDPR) 等严格的政府法规进一步加剧了这一情况。联邦学习 (FL) 是一种新开发的隐私保护机器学习范式，可在不损害数据安全与隐私的情况下桥接数据存储库。因此，许多联邦推荐 (FedRec) 算法被提出以实现个性化的隐私保护推荐。然而，现有的 FedRec 算法大多从传统协同过滤 (CF) 方法扩展而来，不能很好地解决冷启动问题。此外，与集中式推荐相比，它们在联邦环境下训练所得模型在准确率方面的性能开销往往不可忽略。本文研究该问题并提出 FL-MV-DSSM，一种通用的基于内容的联邦多视图推荐框架，它不仅解决了冷启动问题，还通过从多个数据源学习联邦模型以捕获更丰富的用户级特征，显著提升了推荐性能。FL-MV-DSSM 提出的新型联邦多视图设定开启了新的使用模型，并给推荐场景中的 FL 带来了新的安全挑战。我们证明了 \xxx 的安全保证，并使用公开数据集对 FL-MV-DSSM 及其变体进行的实证评估证明了其有效性。若本文被接收，我们将公开代码。
引用
@article{arxiv.2008.10808,
title = {A Federated Multi-View Deep Learning Framework for Privacy-Preserving Recommendations},
author = {Mingkai Huang and Hao Li and Bing Bai and Chang Wang and Kun Bai and Fei Wang},
journal= {arXiv preprint arXiv:2008.10808},
year = {2020}
}