面向个性化联邦多情景多任务推荐
信息检索
2024-08-21 v2
摘要
在现代推荐系统中，尤其是在电子商务领域，预测多个目标（如点击率(CTR)和浏览后转化率(CTCVR)）很常见。多任务推荐系统在研究和实际应用中日益受到青睐，因为它们利用跨不同业务情景的共享知识来提升性能。然而，新兴的现实情景和数据隐私 concerns 使开发统一的多任务推荐模型变得复杂。本文提出了 PF-MSMTrec 框架，用于个性化联邦多情景多任务推荐。在该框架中，为每个情景分配专属客户端，利用多门混合专家（MMoE）结构。为解决多个优化冲突的独特挑战，本文引入自下而上的联合学习机制。首先，我们设计参数模板以解耦专家网络参数，将情景特定参数作为联邦参数聚合的共享知识。其次，我们在联邦通信轮次中为每个专家网络实现个性化联邦学习，采用三大模块：联邦批量归一化、冲突协调和个性化聚合。最后，我们对任务塔网络进行额外的个性化联邦参数聚合，以获得多任务预测结果。大量实验表明，所提方法在两个公开数据集上优于最先进的方法。该论文的源代码和数据集将以开源形式公开获取。
引用
@article{arxiv.2406.18938,
title = {Towards Personalized Federated Multi-Scenario Multi-Task Recommendation},
author = {Yue Ding and Yanbiao Ji and Xun Cai and Xin Xin and Yuxiang Lu and Suizhi Huang and Chang Liu and Xiaofeng Gao and Tsuyoshi Murata and Hongtao Lu},
journal= {arXiv preprint arXiv:2406.18938},
year = {2024}
}