面向跨域推荐的提示增强联邦内容表征学习

跨域推荐（CDR）作为缓解数据稀疏问题的有效技术之一，近年来得到了广泛研究。然而，先前的工作可能会造成域隐私泄露，因为它们在训练过程中需要将不同域的数据聚合到一个集中式服务器。尽管已有一些研究通过联邦学习（FL）实现了隐私保护的CDR，但它们仍存在以下局限性：1）它们需要将用户的个人信息上传到中央服务器，存在泄露用户隐私的风险。2）现有的联邦方法主要依赖原子化的物品ID来表示物品，这阻碍了它们在统一特征空间中建模物品，增加了域间知识迁移的挑战。3）它们都基于已知域间重叠用户的前提，这在现实世界应用中是不切实际的。为了解决上述局限性，我们专注于隐私保护跨域推荐（PCDR），并提出了PFCR作为我们的解决方案。针对局限性1，我们开发了一种联邦学习模式，专门利用用户与本地客户端的交互，并设计了一种用于梯度加密的加密方法。针对局限性2，我们通过物品的描述文本在通用特征空间中建模物品。针对局限性3，我们首先学习联邦内容表征，利用自然语言的通用性在域之间建立桥梁。随后，我们设计了两种提示微调策略，将预训练模型适配到目标域。在两个真实世界数据集上的大量实验表明，我们的PFCR方法相较于SOTA方法具有优越性。