论文链接：http://tis.hrbeu.edu.cn/en/oa/darticle.aspx?type=view&id=202009032

联邦协同过滤是联邦推荐系统中最经典、最常用的算法之一。不过，在现有的与联邦学习相结合的协同过滤推荐系统的研究中，对用户冷启动问题的研究比较少，即当系统中有新用户加入时，由于该用户在系统中没有历史评分数据，不能根据传统算法计算用户间的相似度，自然也就无法为其进行推荐。因此，对联邦学习协同过滤算法中的用户冷启动问题进行研究具有迫切的意义。为了有效解决基于相似度的协同过滤中的冷启动问题，使推荐效果能够依据多方数据分布比例而动态变化，本文提出了一种基于安全内积协议的解决方法。

贡献：

1）本文提出的方法联合多方数据，打通了数据孤岛，在进行隐私保护的同时，解决了协同过滤中的冷启动问题。

2）本文提出的联邦学习冷启动方法在准确度均有一定的提升，同时实验证明当联合规模较大的数据进行联合训练时，对于本地的推荐效果会有较大的提升。

3）该方法不仅提供了一种解决协同过滤冷启动的方法，也在运用联邦学习解决冷启动的方向带来了一定的启发。

联邦协同过滤冷启动框架

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除