面向矩阵外用户的个性化内容隐私保护推理
信息检索
2025-08-22 v1 人工智能
机器学习
摘要
面向小众和动态社区的推荐系统持续面临数据稀疏、冷启动用户与物品以及隐私约束的挑战。传统的协同过滤和基于内容的方法在这些场景下表现不佳，要么需要侵入性用户数据，要么在偏好历史缺失时失效。我们提出 DeepNaniNet，一个深度神经推荐框架，通过结合用户-物品交互、物品-物品关系以及源自 BERT 的丰富文本评论嵌入的归纳式图架构来解决这些挑战。我们的设计无需挖掘用户资料即可实现冷启动推荐，使用新颖的“content basket”用户表示和基于自编码器的针对未见用户的泛化策略。我们引入 AnimeULike，一个包含 10,000 部动漫标题和 13,000 名用户的新数据集，以评估在访客或低活跃用户比例较高的真实场景中的性能。DeepNaniNet 在 CiteULike 基准上取得了 SOTA 的冷启动结果，在用户召回上与 DropoutNet 相当且对矩阵外用户无性能下降，并在 AnimeULike 热启动上分别以高达 7 倍和 1.5 倍的 Recall@100 优于 Weighted Matrix Factorization (WMF) 和 DropoutNet。我们的研究结果表明，DeepNaniNet 能够在数据稀疏、冷启动密集的环境中提供高质量、隐私保护的推荐，同时有效整合异构内容源。
引用
@article{arxiv.2508.14905,
title = {Privacy Preserving Inference of Personalized Content for Out of Matrix Users},
author = {Michael Sun and Tai Vu and Andrew Wang},
journal= {arXiv preprint arXiv:2508.14905},
year = {2025}
}