联邦持续推荐
机器学习
2025-08-19 v3 信息检索
摘要
推荐系统日益强调隐私保护，FedRec 通过无需共享用户数据即可实现协同训练，成为隐私保护解决方案。尽管 FedRec 有效保护隐私，现有方法在处理非平稳数据流方面仍有挑战，难以维持随时间推移的稳定推荐质量。另一方面，CLRec 方法解决了用户偏好演化问题，但通常假设中心化数据访问，与 FedRec 约束不兼容。为填补这一鸿沟，我们引入联邦持续推荐 (FCRec)，一种集成 FedRec 与 CLRec 的新任务，要求模型在保持隐私的同时从流式数据中学习。作为解决方案，我们提出 F3CRec 框架，在 FCRec 严格约束下平衡知识保留与适应。F3CRec 包含两个关键组件：客户端上的自适应回放记忆，基于用户特定偏好变化有选择地保留过去偏好；服务器端的时间均值，整合新知识同时保留先前信息。大量实验表明，F3CRec 在联邦环境下优于现有方法，能在时间维度上维持推荐质量。
引用
@article{arxiv.2508.04792,
title = {Federated Continual Recommendation},
author = {Jaehyung Lim and Wonbin Kweon and Woojoo Kim and Junyoung Kim and Seongjin Choi and Dongha Kim and Hwanjo Yu},
journal= {arXiv preprint arXiv:2508.04792},
year = {2025}
}
备注
Accepted to CIKM 2025 full research paper track