文獻標識碼:A
DOI:10.19358/j.issn.2097-1788.2023.10.003
引用格式:宋雨倫,李大中,張絲雨,等.基于混合偏好分析的聯(lián)邦推薦框架[J].網絡安全與數據治理,2023,42(10):16-22.
0 引言
由于互聯(lián)網在規(guī)模和覆蓋等層面的高速發(fā)展,信息過載使得用戶找到對自己有用的信息變得困難,從而使得信息利用效率降低;同時讓商家無法找到真正的目標群體[1],且盲目擬合數據而不考慮固有偏差將導致許多嚴重問題,例如線下評估和線上指標之間的差異,損害用戶的滿意度等[2]。所以,如何提高推薦算法的精確性、可解釋性、多樣性等以獲得信息更高的使用效率和用戶更多的信任都是推薦系統(tǒng)研究的重點。
近年來,我國高度重視數字經濟高質量發(fā)展,同時統(tǒng)籌發(fā)展與安全,相繼出臺了多部相關法律法規(guī),保障網絡空間數據流通的安全及合規(guī)。聯(lián)邦學習技術有助于解決多方數據合作中面臨的兩大挑戰(zhàn):一是數據安全難以得到保障,隱私數據泄露問題亟待解決;二是由于網絡安全隔離和行業(yè)隱私,不同行業(yè)、部門之間存在數據壁壘,導致數據形成“孤島”無法安全共享[3]。
本文在保障數據使用安全合規(guī)的前提下,結合聯(lián)邦建模技術,提出了一種混合個體及群體偏好分析的聯(lián)邦推薦框架。本文主要貢獻如下:
(1)本文提出考慮組合因素的同一屬性間偏好度分析和結合信息熵的不同屬性間在意度分析方法,通過糾正與真實興趣屬性具有強關聯(lián)性的非興趣屬性影響,初步解決了算法的過擬合問題,增強了算法的可解釋性。
(2)本文提出了一種混合偏好分析的聯(lián)邦推薦框架(Mixed Preference Analysis Federated Recommendation Framework, MPAFRF),通過基于聯(lián)邦的相似興趣用戶分群模塊找到用戶所在興趣群,結合個體和群體超參權重組合、個體偏好分數集合、個體所在群體偏好分數集合進行資源推薦,緩解了推薦系統(tǒng)存在的過度專業(yè)化問題,提高了算法在特定任務上的表現(xiàn)。
本文詳細內容請下載:http://ihrv.cn/resource/share/2000005733
作者信息:
宋雨倫,李大中,張絲雨,莊媛,崔玲龍,王功舉,閆龍
(聯(lián)通數字科技有限公司數據智能事業(yè)部,北京100013)