面向非重叠跨域序列推荐的联邦混合专家
信息检索
2025-03-18 v1
摘要
在现实世界中，用户在浏览不同服务以丰富日常生活（例如观看热门短视频/直播）时，总是具有多重兴趣。为了精确描述用户兴趣以提供更好的用户体验，近期文献提出了跨域技术，通过迁移其他相关服务（又称域）的知识来增强目标服务预测的准确性。在实践中，朴素的跨域技术通常要求存在部分重叠用户，并在域间共享整体信息，包括用户历史日志、用户/物品嵌入和模型参数检查点。然而，在现实世界的推荐系统设计中，其他域的用户侧历史日志和嵌入并不总是可用的，因为用户在不同域间可能完全不重叠，或者隐私保护政策限制了跨域的个性化信息共享。因此，提出了一个具有挑战性但有价值的问题：如何仅利用其他域的模型参数检查点来提升目标域的预测准确性？为了回答这个问题，我们提出了 FMoE-CDSR，从联邦学习的视角探索了非重叠跨域序列推荐场景。
引用
@article{arxiv.2503.13254,
title = {Federated Mixture-of-Expert for Non-Overlapped Cross-Domain Sequential Recommendation},
author = {Yu Liu and Hanbin Jiang and Lei Zhu and Yu Zhang and Yuqi Mao and Jiangxia Cao and Shuchao Pang},
journal= {arXiv preprint arXiv:2503.13254},
year = {2025}
}
备注
Work in progress