当联邦推荐遇上冷启动问题：分离物品属性与用户交互
信息检索
2024-02-27 v2
摘要
联邦推荐系统通常在服务器上训练全局模型，而无法直接访问用户设备上的私有数据。然而，推荐模型与用户私有数据的这种分离给提供高质量服务带来了挑战，尤其对于新物品而言，即联邦设置下的冷启动推荐。本文提出一种称为物品对齐联邦聚合（IFedRec）的新方法来应对这一挑战。这是联邦推荐领域中首个专门研究冷启动场景的研究工作。所提方法通过同时利用物品属性和交互记录来学习两组物品表示。此外，设计了一种物品表示对齐机制，在联邦学习框架内于服务器端对齐两种物品表示并学习元属性网络。在四个基准数据集上的实验证明了 IFedRec 在冷启动场景下的优越性能。进一步，我们还验证了 IFedRec 在系统面临有限客户端参与和噪声注入时具有良好的鲁棒性，这为隐私保护增强的联邦推荐系统带来了可观的实际应用潜力。实现代码已公开。
引用
@article{arxiv.2305.12650,
title = {When Federated Recommendation Meets Cold-Start Problem: Separating Item Attributes and User Interactions},
author = {Chunxu Zhang and Guodong Long and Tianyi Zhou and Zijian Zhang and Peng Yan and Bo Yang},
journal= {arXiv preprint arXiv:2305.12650},
year = {2024}
}
备注
Accepted as a regular paper of WWW'24