$C^3DRec$: 后GDPR时代用于时序推荐的云-客户端协同深度学习
信息检索
2021-01-15 v1 密码学与安全
机器学习
摘要
移动设备使用户能够随时随地获取信息。考虑到移动用户偶发性的需求和碎片化的使用模式，时序推荐技术被提出，通过学习短期用户交互行为中的时间兴趣，准确推荐项目，从而提高移动设备上的信息检索效率。然而，GDPR等隐私保护法律法规的施行可能会给时序推荐的成功实践蒙上阴影。原因在于，最先进的推荐系统需要在集中式服务器上收集和处理用户数据，但用于时序推荐的交互行为数据通常是非交易性数据，根据GDPR，未经用户明确许可不得收集。因此，如果用户不允许服务收集其交互行为数据，时序推荐便无法工作。为实现后GDPR时代的时序推荐，本文提出，一种在保护用户隐私的同时挖掘交互行为用于推荐的云-客户端协同深度学习框架。利用GDPR之前收集的数据在集中式服务器上构建全局推荐模型，并使用GDPR之后收集的数据在个体本地设备上直接微调该模型。我们设计了两种模式来完成推荐，即拉取模式（候选物品被拉取到设备上并输入本地模型以得到推荐物品）和推送模式（本地模型的输出被推送到服务器并与候选物品结合以得到推荐物品）。评估结果表明，达到了与集中式方法相当的推荐精度，且隐私顾虑最小。
引用
@article{arxiv.2101.05641,
title = {$C^3DRec$: Cloud-Client Cooperative Deep Learning for Temporal Recommendation in the Post-GDPR Era},
author = {Jialiang Han and Yun Ma},
journal= {arXiv preprint arXiv:2101.05641},
year = {2021}
}