当前位置: X-MOL 学术Comput. J. › 论文详情
A Federated Learning Approach for Privacy Protection in Context-Aware Recommender Systems
The Computer Journal ( IF 1.077 ) Pub Date : 2021-04-30 , DOI: 10.1093/comjnl/bxab025
Ali W, Kumar R, Deng Z, et al.

Abstract
Privacy protection is one of the key concerns of users in recommender system-based consumer markets. Popular recommendation frameworks such as collaborative filtering (CF) suffer from several privacy issues. Federated learning has emerged as an optimistic approach for collaborative and privacy-preserved learning. Users in a federated learning environment train a local model on a self-maintained item log and collaboratively train a global model by exchanging model parameters instead of personalized preferences. In this research, we proposed a federated learning-based privacy-preserving CF model for context-aware recommender systems that work with a user-defined collaboration protocol to ensure users’ privacy. Instead of crawling users’ personal information into a central server, the whole data are divided into two disjoint parts, i.e. user data and sharable item information. The inbuilt power of federated architecture ensures the users’ privacy concerns while providing considerably accurate recommendations. We evaluated the performance of the proposed algorithm with two publicly available datasets through both the prediction and ranking perspectives. Despite the federated cost and lack of open collaboration, the overall performance achieved through the proposed technique is comparable with popular recommendation models and satisfactory while providing significant privacy guarantees.


中文翻译:

上下文感知推荐系统中用于隐私保护的联合学习方法

摘要
隐私保护是基于推荐系统的消费者市场中用户的主要关注之一。诸如协作过滤(CF)之类的流行推荐框架存在多个隐私问题。联合学习已成为协作和隐私保护学习的一种乐观方法。联合学习环境中的用户在自维护项目日志上训练本地模型,并通过交换模型参数而不是个性化首选项来协作训练全局模型。在这项研究中,我们为上下文感知的推荐器系统提出了一种基于联合学习的隐私保护CF模型,该模型与用户定义的协作协议一起使用以确保用户的隐私。并非将用户的个人信息爬到中央服务器中,而是将整个数据分为两个不相交的部分,即 用户数据和可共享商品信息。联邦体系结构的内置功能确保了用户的隐私问题,同时提供了相当准确的建议。我们通过预测和排名角度,使用两个可公开获得的数据集评估了该算法的性能。尽管成本高昂并且缺乏开放式协作,但是通过提出的技术实现的总体性能与流行的推荐模型相当,并且令人满意,同时提供了显着的隐私保证。我们通过预测和排名角度,使用两个可公开获得的数据集评估了该算法的性能。尽管成本高昂并且缺乏开放式协作,但是通过提出的技术实现的总体性能与流行的推荐模型相当,并且令人满意,同时提供了显着的隐私保证。我们通过预测和排名角度,使用两个可公开获得的数据集评估了该算法的性能。尽管成本高昂并且缺乏开放式协作,但是通过提出的技术实现的总体性能与流行的推荐模型相当,并且令人满意,同时提供了显着的隐私保证。
更新日期:2021-05-04
全部期刊列表>>
欢迎新作者ACS
聚焦环境污染物
专攻离子通道生理学研究
中国作者高影响力研究精选
虚拟特刊
屿渡论文,编辑服务
浙大
上海中医药大学
苏州大学
江南大学
四川大学
灵长脑研究中心
毛凌玲
南开大学陈瑶
朱如意
中科院
南开大学
隐藏1h前已浏览文章
课题组网站
新版X-MOL期刊搜索和高级搜索功能介绍
ACS材料视界
华辉
天合科研
x-mol收录
试剂库存
down
wechat
bug