PTF-FSR：无参数传输的联邦顺序推荐系统
信息检索
2024-06-11 v1
摘要
顺序推荐系统取得了显著进展。最近，由于日益增长的用户数据隐私关注，有些研究人员在中心服务器和客户端之间共享公共顺序推荐模型，以实现协作学习，这称为联邦顺序推荐系统（FedSeqRec）。尽管这些解决方案在某种程度上缓解了用户隐私问题，但存在两个显著局限性影响实际可用性：（1）需要全局共享的顺序推荐模型。然而，在现实场景中，推荐模型是平台和服务提供商的关键知识产权。因此，服务提供商可能不愿透露其精心开发的模型。（2）通信成本高，与模型参数数量相关。这在当前 FedSeqRec 在大语言模型时代无法解决时尤为突出。为克服上述挑战，本文提出了无参数传输的联邦顺序推荐框架（PTF-FSR），确保模型和数据隐私保护，以满足服务提供商和系统用户的隐私需求。此外，由于 PTF-FSR 仅传输受隐私保护的预测结果，这些结果与模型大小无关，该新型联邦学习架构可以容纳更复杂和更大的顺序推荐模型。在三个广泛使用的推荐数据集上进行的大量实验，采用来自 ID 基和 ID-free 范例的各种顺序推荐模型，证明了我们提出框架的有效性和通用性。
引用
@article{arxiv.2406.05387,
title = {PTF-FSR: A Parameter Transmission-Free Federated Sequential Recommender System},
author = {Wei Yuan and Chaoqun Yang and Liang Qu and Quoc Viet Hung Nguyen and Guanhua Ye and Hongzhi Yin},
journal= {arXiv preprint arXiv:2406.05387},
year = {2024}
}