FedDMF：使用深度矩阵分解的隐私保护用户属性预测

用户属性预测是各行业中的一项关键任务。然而，由于隐私问题和对个人身份信息的法律要求，跨不同组织共享用户数据面临挑战。欧盟的《通用数据保护条例》（GDPR）和《中华人民共和国个人信息保护法》等法规对数据共享施加了限制。为了在遵守法律要求的同时利用来自多个客户的特征，联邦学习算法被提出。这些算法旨在预测用户属性而不直接共享数据。然而，现有方法通常依赖于跨公司匹配用户，这可能导致不诚实的合作伙伴发现用户列表，或者无法利用所有可用特征。在本文中，我们提出了一种新颖的算法，无需用户匹配即可预测用户属性。我们的方法涉及在不同客户端上训练深度矩阵分解模型，并仅共享项目向量。这使我们能够在不共享用户向量的情况下预测用户属性。该算法使用公开可用的MovieLens数据集进行评估，并证明其性能与FedAvg算法相似，达到单个模型准确率的96%。所提出的算法特别适用于改善客户定位和提升整体客户体验。本文通过提出一种新颖的算法，解决了该领域一些最紧迫的隐私问题，为用户属性预测领域做出了有价值的贡献。