联邦推荐系统的协同过滤冷启动解决方法

• 作者: 王健宗 肖京 朱星华 李泽远
• 来源期刊: 智能系统学报
• 关键词: 联邦学习 隐私保护 数据孤岛 推荐系统 协同过滤 冷启动 机器学习 安全内积
• 年，卷（期）: 2021,（1）
• 所属期刊栏目: 吴文俊人工智能科学技术奖论坛|Forum of Recipients of Wu Wenjun Artificial Intelligence Science and Technologyl Award
• 页码范围: 178-185
• 页数: 8页
• 分类号: TP391
• 语种: 中文
• DOI: 10.11992/tis.202009032

摘要

基于联邦学习的推荐系统可以在保护用户隐私的情况下,联合多方数据,提升推荐系统的性能,已经成为推荐领域的研究热点之一.联邦协同过滤是联邦推荐系统中最经典及最常用的算法之一.然而,针对联邦协同过滤系统的冷启动问题的研究工作相对较少.针对这一问题,本文提出了一种基于安全内积协议的解决方案.具体地,在系统中添加新用户或新物品时,联合多方评分矩阵,利用安全内积的方法,对多方数据进行相似矩阵的求解,从而完成推荐输出.本文在MovieLens数据集上对所述方法进行了验证.结果表明:本方法能够有效解决基于相似度的协同过滤中的冷启动问题,并且推荐效果也会依据多方数据分布的比例变化.