联邦推荐系统的协同过滤冷启动解决方法
基于联邦学习的推荐系统可以在保护用户隐私的情况下,联合多方数据,提升推荐系统的性能,已经成为推荐领域的研究热点之一.联邦协同过滤是联邦推荐系统中最经典及最常用的算法之一.然而,针对联邦协同过滤系统的冷启动问题的研究工作相对较少.针对这一问题,本文提出了一种基于安全内积协议的解决方案.具体地,在系统中添加新用户或新物品时,联合多方评分矩阵,利用安全内积的方法,对多方数据进行相似矩阵的求解,从而完成推荐输出.本文在MovieLens数据集上对所述方法进行了验证.结果表明:本方法能够有效解决基于相似度的协同过滤中的冷启动问题,并且推荐效果也会依据多方数据分布的比例变化.
联邦学习、隐私保护、数据孤岛、推荐系统、协同过滤、冷启动、机器学习、安全内积
16
TP391(计算技术、计算机技术)
国家重点研发计划;大数据重点专项;国家重点研发计划;国家重点研发计划;应用示范专项
2021-06-15(万方平台首次上网日期,不代表论文的发表时间)
共8页
178-185