隐私保护的新闻推荐模型学习

新闻推荐旨在依据用户个人兴趣向其展示新闻文章。现有新闻推荐方法依赖集中存储用户行为数据以进行模型训练，由于用户行为具有隐私敏感性，这可能引发隐私担忧与风险。本文提出一种基于联邦学习的新闻推荐模型训练隐私保护方法，其中用户行为数据本地存储于用户设备。我们的方法可利用海量用户行为中的有用信息训练准确的新闻推荐模型，同时免去对其集中存储的需求。更具体地，我们在每台用户设备上保留新闻推荐模型的本地副本，并基于该设备中的用户行为计算本地模型的梯度。一组随机选取用户的本地梯度被上传至服务器，经进一步聚合以更新服务器中的全局模型。由于模型梯度可能包含某些隐式隐私信息，我们在上传前对其施加本地差分隐私（LDP）以增强隐私保护。更新后的全局模型随后分发至各用户设备用于本地模型更新。我们将此过程重复多轮。在真实世界数据集上的大量实验显示了我们的方法在隐私保护下新闻推荐模型训练中的有效性。