面向多组织协作的去中心化多目标跨域推荐
信息检索
2022-11-08 v3 机器学习
摘要
推荐系统(Recommender Systems, RSs)在许多现实场景中是不同组织本地运行的。若各组织能充分共享数据并以集中方式计算,可显著提升推荐准确度。然而,多组织在提升推荐性能方面的协作主要受制于数据与模型共享的困难。为应对该挑战,我们提出具有多目标辅助学习(Multi-Target Assisted Learning, MTAL)与辅助自编码器(Assisted AutoEncoder, AAE)的去中心化多目标跨域推荐(Decentralized Multi-Target Cross-Domain Recommendation, DMTCDR)。我们的方法能以去中心化方式帮助多个组织协作提升其推荐性能,且不共享敏感资产。因此,它允许去中心化组织协作并形成利益共享社区。我们开展了大量实验以证明新方法可显著优于本地训练的 RSs 并缓解冷启动问题。
引用
@article{arxiv.2110.13340,
title = {Decentralized Multi-Target Cross-Domain Recommendation for Multi-Organization Collaborations},
author = {Enmao Diao and Vahid Tarokh and Jie Ding},
journal= {arXiv preprint arXiv:2110.13340},
year = {2022}
}