联邦学习与神经协同过滤模型的结合

《Federated Neural Collaborative Filtering》论文阅读笔记

发表在2021，SIGIR

1. 背景：

推荐系统能够收集用户的不同特征，如地理位置，评分，与特定物品的交互，目标是根据近期用户的交互行为预测未来的喜好。传统的推荐系统中，用户的喜好及学习到的用户特征都与可能泄露敏感信息，因此，需要设计一个鲁棒性的推荐系统。联邦学习目前已在业界和学术界受到广泛关注，但是，（1）机器学习技术在联邦推荐系统的背景下仍有待开发；（2）隐私信息还是有可能泄露。

2. 本文：

FedNCF首个将NCF扩展到FL场景下的方法，各个参与者在模型训练的过程中在本地计算自己的模型，然后只将计算的权重上传给中心。

3. 具体：

1. 服务器端有两部分：用户选择和聚合函数。
   （1） 任务描述，通知各个参与者需要的模型超参数；
   （2） 当前的全局超参数；
   （3） 在聚合之前需要选择的参与者个数C。

2. 本地模型更新：权重包含三种类型：
   （1） 用户特征的权重；
   （2） 项目特征的权重；
   （3） 神