论文链接：https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CJFD&dbname=CJFDAUTO&filename=PZKX202205001&uniplatform=NZKPT&v=bhhfS-dej-3vkquBy3p7PgxrQuhbYEtudPQXIbYNjA7ce4WwIkKMgf9wq2BqohWu

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 3 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。

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