面向偏好感知推荐的联邦潜在因子模型
机器学习
2025-04-22 v1 人工智能
摘要
推荐系统旨在为用户提供个性化的项目推荐，提升他们的整体体验。传统的推荐系统在中心服务器上收集和处理所有用户数据。然而，这种集中方法引发了重大的隐私 concerns，因为它增加了数据泄露和隐私泄漏的风险，对于注重隐私的用户来说正变得不可接受。为了应对这些隐私挑战，已将联邦学习集成到推荐系统中，确保用户数据保持安全。在集中式推荐系统中，评级偏差问题通过联合分析所有用户的原始互动数据得到有效解决。然而，在联邦推荐系统中，这 becomes 一个显著的挑战，因为由于隐私保留的限制，原始数据不再可用。为克服这一问题，我们提出了一种联邦偏好感知潜在因子（FBALF）模型。在FBALF中，训练偏差被明确地纳入每个本地模型的损失函数中，允许有效地消除评级偏差而不损害数据隐私。在三个真实世界数据集上进行的大量实验表明，FBALF在与其他最先进的联邦推荐系统相比时，实现了显著更高的推荐准确性。
引用
@article{arxiv.2504.15090,
title = {Federated Latent Factor Model for Bias-Aware Recommendation with Privacy-Preserving},
author = {Junxiang Gao and Yixin Ran and Jia Chen},
journal= {arXiv preprint arXiv:2504.15090},
year = {2025}
}