Dual Personalization on Federated Recommendation

动机

  现有的联邦推荐框架通常由三个模块组成:用户嵌入以保存用户的个人资料，物品嵌入以保持项目之间的邻近关系，得分函数预测用户对给定物品的评分。受人类决策逻辑的启发，我们认为推荐框架中的所有模块都应该保留部分个性化，而不是仅仅使用用户嵌入。例如评分功能是模仿用户的个人决策逻辑，这种逻辑在不同的客户端之间自然是不同的。此外，给定一个物品集，不同的人可能会有不同的看法来衡量他们的亲近关系。因此，个性化的物品嵌入可以进一步捕捉人们的个人偏好。

方法

  首先，我们使用一个个性化的评分函数来捕捉用户的偏好，它可以通过一个多层神经网络来实现。其次，由于现有的基于神经网络的个性化评分函数具有足够的表达能力来保留用户嵌入信息，因此我们将用户嵌入从联邦推荐框架中移除。第三，我们实现了轻微调来学习个性化的物品嵌入联邦设置。

流程

当客户端收到服务器的物品嵌入时，首先用全局物品嵌入替换自己的物品嵌入，然后在保持物品嵌入模块不变的情况下更新score函数。然后客户端根据更新后的个性化评分函数更新文聘嵌入。最后，更新后的物品嵌入将被上传到服务器以进行全局聚合。

源码：https://github.com/Zhangcx19/IJCAI-23-PFedRec