基于条件变分自编码器的联邦推荐系统冷启动问题研究

摘要

推荐系统的冷启动问题影响网站的推荐质量和用户体验,同时还存在隐私安全问题,这已成为该领域最具挑战性的研究热点之一.针对该问题,提出了一种集成联邦学习框架的条件变分自编码器模型(FedCVAE),通过在客户端训练各自的条件自编码器模型,学习用户、商品及用户交互序列的嵌入表示,作为骨干推荐模型的输入, FedCVAE在服务器端完成全局模型的聚合更新并下发至客户端,以指导本地条件自编码器模型更新超参数,在提高模型处理稀疏数据的推荐准确度的同时,增强模型的隐私保护能力,从而有效缓解了推荐系统冷启动问题.实验结果表明,在3类典型冷启动场景中,相较于主流推荐算法,所提出模型的平均绝对误差指标分别降低了0.8%～5.5%, Hit@5指标分别提升了1.2%～5.7%,均表现出优越的性能,实现了更高质量的、兼具个性化体验和隐私保护增强的推荐服务.

关键词

推荐系统 / 冷启动 / 联邦学习 / 元学习 / 变分自编码器