POI Recommendation with Federated Learning and Privacy Preserving in Cross Domain Recommendation
IEEE-Li-e Wang, Yihui Wang, Yan Bai, Peng Liu, Xianxian Li-2021
(仅为方便本人查看)
思路
由于数据稀疏性以及用户因隐私问题不愿共享他们的上下文信息,再加上冷启动问题的加入,推荐效率大大下降。为解决这些问题,提出了一个跨域推荐联邦学习喝隐私保护功能的POI框架。利用用户兴趣分析中的辅助域中的数据来缓解冷启动问题。通过对用户历史数据的局部分析,采用联邦学习方法,加密潜在特征分布进行知识迁移,保护数据隐私。【与基于卷积神经网络的方法相比,本框架在分析用户评论时提高了推荐准确率,同时保护了用户的隐私】
相关定义
商圈、LDA模型,用于为文档生成主题分布,是一个词袋模型。
同态加密(用来保护用户隐私,并且支持加密数据的运算而无需解密)。
FL&PP-POI
原始数据本地存储。在数据分析之后,学习的潜在特征向量使用同态加密技术加密并发送到服务器,服务器使用改进的激活函数来使MLP方法能够对加密文件进行操作并保证结果的有效性。
结论
通过利用辅助域数据进行用户兴趣分析,并应用具有加密潜在特征分布的联邦学习,这个框架有效解决了跨域情景中的数据稀疏和冷启动问题,试验结果表明,本框架在推荐准确性和隐私保护方面优于其他方法。(联邦学习?)