面向场景的联邦推荐系统综述：技术、挑战与未来方向
信息检索
2025-08-28 v1 人工智能
密码学与安全
摘要
将推荐系统扩展到联邦学习 (FL) 框架以在推荐的同时保护用户或平台的隐私，近年来在学术界受到广泛关注。这源于推荐系统与联邦学习架构之间的天然耦合：数据来源于分布式客户端（主要是用户持有的移动设备），与隐私高度相关。在集中式推荐系统 (CenRec) 中，中央服务器收集客户端数据、训练模型并提供服务。而在联邦推荐系统 (FedRec) 中，数据收集步骤被省略，模型训练步骤被下放到每个客户端。服务器仅聚合模型和其他知识，从而避免客户端隐私泄露。一些联邦推荐系统的综述从设计 FL 系统的角度讨论和分析相关工作，但它们忽略了特定推荐场景的独特特征和实际挑战，因此实用性有所下降。例如，跨域 FedRec 中的统计异质性问题源于不同平台所持有数据的标签漂移，这主要由推荐系统本身引起，而非联邦架构所致。因此，它应更专注于解决真实世界推荐场景中的具体问题，以推动 FedRec 的部署。为此，本综述从推荐研究者和实践者的角度全面分析了推荐系统与联邦学习的耦合。我们建立了推荐场景与 FL 框架之间的清晰联系，系统地分析了场景特定的方法、实践挑战和潜在机遇。我们旨在为 FedRec 的真实世界部署提供指导，弥合现有研究与应用之间的差距。
引用
@article{arxiv.2508.19620,
title = {A Scenario-Oriented Survey of Federated Recommender Systems: Techniques, Challenges, and Future Directions},
author = {Yunqi Mi and Jiakui Shen and Guoshuai Zhao and Jialie Shen and Xueming Qian},
journal= {arXiv preprint arXiv:2508.19620},
year = {2025}
}