Survey of recommender systems based on federated learning

Authors:
  • 锋梁锋 梁
    锋 梁
  • 恩羊恩跃 羊
    恩跃 羊
  • 微潘微科 潘
    微科 潘
  • 强杨强 杨
    强 杨
  • 仲明仲 明
    仲 明

Abstract
随着互联网和移动计算等技术的发展, 人们的在线行为产生了越来越多的数据, 想要从海量数据中挑选出用户可能喜欢的物品, 推荐系统不可或缺. 然而传统的推荐算法需要将用户数据收集到服务端才能构建模型, 这会泄露用户隐私. 最近, 谷歌针对机器学习任务中需要收集用户数据才能进行建模的问题, 提出了一种新的学习范式—联邦学习. 联邦学习与推荐系统相结合, 使得联邦推荐算法能够在模型构建过程中, 始终将用户数据保留在客户端本地, 从而保护了用户隐私. 本文主要对联邦学习与推荐系统相结合的研究工作进行综述, 并从架构设计、系统的联邦化和隐私保护技术的应用三个角度重点分析联邦推荐算法的研究进展. 最后, 对基于联邦学习的推荐系统可研究的方向进行展望.