ReFRS：面向动态多样用户偏好的资源高效联邦推荐系统
信息检索
2022-07-29 v1 分布式、并行与集群计算
摘要
凭借其固有的可扩展性与隐私保护设计，联邦学习（FL）在去中心化深度学习中受到越来越多的关注。FL 也推动了近期关于扩展与私有化个性化推荐服务的研究，其利用设备端数据在本地学习推荐模型。这些模型随后被全局聚合以获得性能更强的模型，同时保持数据隐私。通常，联邦推荐系统（FRS）未考虑终端设备的资源与数据可用性不足问题。此外，它们假设用户与物品间的交互数据在终端设备间是独立同分布（i.i.d.）且平稳的，并假设所有本地推荐模型可直接平均而不考虑用户行为多样性。然而，在实际场景中，推荐须在具有稀疏交互数据与有限资源的终端设备上进行。进一步，用户偏好具有异质性且频繁访问新物品。这使其个人偏好高度偏斜，故直接聚合的模型对此类非独立同分布数据是不适定的。本文提出资源高效联邦推荐系统（ReFRS），以实现面向动态多样用户偏好的去中心化推荐。在设备端，ReFRS 由基于变分自编码器的轻量级自监督本地模型构成，用于从交互物品序列中学习用户的时间偏好。在服务器端，ReFRS 利用语义采样器在每个已识别的用户簇内自适应地执行模型聚合。该聚类模块以异步动态方式运行，以支持高效的全局模型更新并应对用户兴趣漂移。结果表明，如对比实验所证，ReFRS 在准确率与可扩展性上均取得优越性能。
引用
@article{arxiv.2207.13897,
title = {ReFRS: Resource-efficient Federated Recommender System for Dynamic and Diversified User Preferences},
author = {Mubashir Imran and Hongzhi Yin and Tong Chen and Nguyen Quoc Viet Hung and Alexander Zhou and Kai Zheng},
journal= {arXiv preprint arXiv:2207.13897},
year = {2022}
}