Uni-FedRec：一种用于模型训练与在线服务的统一隐私保护新闻推荐框架
信息检索
2021-09-14 v1
摘要
新闻推荐对于个性化在线新闻服务十分重要。大多数现有新闻推荐方法依赖集中存储的用户行为数据来离线训练模型并提供在线推荐服务。然而，用户数据通常高度隐私敏感，集中存储可能引发隐私担忧与风险。本文中，我们提出一种统一的新闻推荐框架，可利用本地存储在用户客户端中的用户数据以隐私保护方式训练模型并服务用户。遵循真实推荐系统中广泛使用的范式，我们的框架包含两个阶段。第一阶段用于候选新闻生成（即召回），第二阶段用于候选新闻排序（即排序）。在召回阶段，每个客户端从点击新闻本地学习多个兴趣表示以全面建模用户兴趣。这些表示被上传至服务器以从大型新闻池中召回候选新闻，并在排序阶段进一步分发给用户客户端用于个性化新闻展示。此外，我们提出一种带扰动噪声的兴趣分解-聚合方法，以更好地保护编码在用户兴趣表示中的私有用户信息。并且，我们以隐私保护方式在分散于大量用户客户端的数据上协作训练召回与排序模型。在两个真实世界新闻数据集上的实验表明，我们的方法优于基线方法并能有效保护用户隐私。
引用
@article{arxiv.2109.05236,
title = {Uni-FedRec: A Unified Privacy-Preserving News Recommendation Framework for Model Training and Online Serving},
author = {Tao Qi and Fangzhao Wu and Chuhan Wu and Yongfeng Huang and Xing Xie},
journal= {arXiv preprint arXiv:2109.05236},
year = {2021}
}
备注
EMNLP: Findings 2021