面向联邦评分预测的元矩阵分解
信息检索
2023-03-07 v4 机器学习
摘要
联邦推荐系统相比集中于数据中心的传统推荐系统在隐私保护方面具有明显优势。然而，先前关于联邦推荐系统的工作未充分考虑移动环境中存储、内存、能耗和通信带宽的限制。所提出模型的规模过大，难以在移动设备上轻松运行。并且现有联邦推荐系统需要在每个设备上进行推荐模型的微调，难以有效利用用户/设备间的协同过滤信息。本文的目标是设计一种面向移动环境的评分预测（RP）新型联邦学习框架。我们引入了一种称为元矩阵分解（MetaMF）的联邦矩阵分解（MF）框架。对于给定的用户，我们首先通过协同记忆模块收集有用信息得到协同向量。然后，我们在服务器端采用元推荐模块基于该协同向量生成私有物品嵌入和 RP 模型。为解决生成大量高维物品嵌入的挑战，我们设计了一种升维生成策略：先生成低维物品嵌入矩阵和升维矩阵，再将二者相乘得到高维嵌入。我们使用生成的模型在该用户设备上为其产生私有 RP。即便 RP 模型很小，MetaMF 也表现出高容量，可适应移动环境的限制。我们在四个基准数据集上进行了大量实验，将 MetaMF 与现有 MF 方法比较，发现 MetaMF 能取得有竞争力的性能。此外，我们发现 MetaMF 通过更好地利用用户/设备间的协同过滤，相比现有联邦方法实现了更高的 RP 性能。
引用
@article{arxiv.1910.10086,
title = {Meta Matrix Factorization for Federated Rating Predictions},
author = {Yujie Lin and Pengjie Ren and Zhumin Chen and Zhaochun Ren and Dongxiao Yu and Jun Ma and Maarten de Rijke and Xiuzhen Cheng},
journal= {arXiv preprint arXiv:1910.10086},
year = {2023}
}
备注
Change the url of the code and fix some typos