有效且安全的联邦在线排序学习

在线排序学习（Online Learning to Rank, OLTR）通过优化以点击等隐式用户反馈为导向的排序模型。与传统排序学习（Learning to Rank, LTR）方法不同，后者依赖静态的训练数据集和相关性判断来学习排序模型，而OLTR方法会持续更新模型以应对新到达的数据。因此，OLTR方法解决了人工标注成本高、用户偏好与人类判断不一致以及用户查询意图快速变化等问题。然而，OLTR方法通常需要收集可搜索的数据、用户查询和点击记录，这会引发用户隐私 concerns。联邦在线排序学习（Federated Online Learning to Rank, FOLTR）将OLTR集成到联邦学习（Federated Learning, FL）框架中，通过不共享原始数据来增强隐私。尽管有前景，FOLTR方法目前仍滞后于传统中心化OLTR方法，这是由于排序效果、对客户之间数据分布不均的鲁棒性、对攻击的敏感性以及能够忘记客户交互和数据的能力等挑战。本论文对联邦在线排序学习进行了全面的研究，聚焦于其有效性、鲁棒性、安全性和忘记能力，从而拓展了FOLTR的研究范围。