基于隐私保护的联邦推荐算法综述

得益于近年来分布式学习与边缘计算的飞速发展, 以及互联网生态逐渐移动化与开放化, 使得用户终端设备有能力存储并训练相当容量的数据. 联邦学习充分发挥终端设备的计算能力并协同服务端联合优化全局模型, 同时能够使得原始数据保留在本地而较好地保护用户隐私信息, 这一新兴的隐私保护范式逐渐得到大家的认可. 另外, 由于推荐系统的数据来源存在天然的分布式特性, 以及用户对于推荐服务严苛的实时性要求, 因此近年来端云架构下结合联邦学习的推荐算法取得了较大的进展. 基于以上动机, 本文对联邦学习赋能的推荐系统进行了全面综述, 细致整理了近3年发表在相关领域会议和期刊中此方向的文献, 旨在为该领域梳理出一条清晰的研究脉络, 为基于隐私保护的推荐算法提供更加全面的理论基础与研究框架。

本文第1节对推荐模型的发展历程进行分类介绍, 结构如下: 包括传统推荐算法、基于深度学习的推荐算法以及基于隐私保护的推荐算法.

第2节详细阐述基于联邦学习范式的隐私保护推荐算法的基本框架并对其扩展工作进行分类介绍.

第3节介绍联邦推荐系统所使用的开源工具库以及用于实验评估的常用数据集.

第4节总结本文并分析现有方法存在的问题并对未来可能的研究方向和发展趋势加以展望, 比如联邦推荐系统的激励机制、冷启动挑战、异质性挑战以及实时性挑战等。