面向个性化推荐的联邦多视图矩阵分解
机器学习
2021-03-03 v1 信息检索
机器学习
摘要
我们引入了联邦多视图矩阵分解方法，将联邦学习框架扩展到具有多数据源的矩阵分解。我们的方法能够学习多视图模型，而无需将用户的个人数据传输到中央服务器。据我们所知，这是首个利用多视图矩阵分解提供推荐的联邦模型。该模型在生产环境的三个数据集上进行了严格评估。实证验证确认，联邦多视图矩阵分解优于未考虑数据多视图结构的更简单方法，此外，它证明了所提方法对于冷启动联邦推荐这一具有挑战性的预测任务的有用性。
引用
@article{arxiv.2004.04256,
title = {Federated Multi-view Matrix Factorization for Personalized Recommendations},
author = {Adrian Flanagan and Were Oyomno and Alexander Grigorievskiy and Kuan Eeik Tan and Suleiman A. Khan and Muhammad Ammad-Ud-Din},
journal= {arXiv preprint arXiv:2004.04256},
year = {2021}
}
备注
16 pages, 3 figures, 5 tables, submitted to a conference