AAAIMar, 2020

使用分散式矩陣分解實現智能隱私保護推薦

PDF
TL;DR提出一种去中心化的矩阵分解方法作为点 of interest 推荐的解决方案，该方法采用基于随机游走的分布式学习技术，可以显著地提高推荐的准确率和召回率。
points of interestpoi recommendationmatrix factorizationdecentralized trainingrecommendation performance
发现论文，激发创造
  • 实用的隐私保护 POI 推荐

    本文提出了一种隐私保护的 POI 推荐框架 PriRec，采用本地差分隐私技术保护用户数据、采用安全的去中心化梯度下降协议在用户端训练、采用安全聚合策略在联邦学习范式下训练特征交互模型，实现了用户数据和模型的本地保存和保护，同时具有可比较甚至更优的推荐准确性。

    Mar, 2020

  • 基于用户活动中心的社交影响力用于兴趣点推荐

    该论文使用矩阵分解技术将社交、地理和时间信息纳入推荐系统中，增加了友谊算法和活动中心，从而提高了 POI 推荐系统的性能。实验结果表明，该模型在真实世界数据集上优于现有技术，精确率提高了 31% 和 14%。

    Jan, 2022

  • 基于元矩阵分解的联邦评分预测

    本论文中介绍了一种针对移动环境下的评分预测的新型联邦学习框架 —— 元矩阵分解（MetaMF）。MetaMF 拥有很强的可扩展性和适应性，可以更好地利用用户 / 设备之间的协同过滤信息进行更准确的评分预测。在四个基准数据集的实验中，MetaMF 的性能表现出色，比现有的联邦方法表现更优秀。

    Oct, 2019

  • 个性化 POI 推荐的关系嵌入

    研究了 POI（点 - of-interest）推荐系统中用户 - POI 数据稀疏性、时空上下文变化以及语义信息对推荐质量的影响，提出了一种基于转换关系嵌入和知识图谱嵌入技术的 POI 推荐模型并构建了基于用户 - POI 图的组合矩阵分解框架来增强动态个人兴趣的推理。实验证明该方法具有较好的推荐效果。

    Feb, 2020

  • 具有公共项目特征的私有矩阵分解

    利用公共物品特征在训练中，通过基于搜集矩阵分解的方法，可以有效缓解使用不同隐私保护技术训练的推荐模型的品质损失。

    Sep, 2023

  • 保护隐私的多视图矩阵分解在推荐系统中的应用

    本研究的重点是在数据隐私保护方面，在联邦学习框架下的推荐系统中，提出了一种新的基于同态加密的隐私保护框架，并对这个框架进行了细致地分析和测试。

    Sep, 2022

  • 安全联合矩阵分解

    本研究提出一种基于矩阵分解的安全联邦学习框架，称为 FedMF，利用同态加密技术实现了对上传信息的加密保护，从而解决联邦学习中梯度泄露的问题，并证明了其可行性。

    Jun, 2019

  • FedDMF：使用深度矩阵分解实现隐私保护的用户属性预测

    提出一种新的算法，通过训练不同客户端的深度矩阵因式分解模型并仅共享物品向量来预测用户属性，从而解决用户属性预测中的一些重要隐私问题。

    Dec, 2023

  • 联邦多视图矩阵分解进行个性化推荐

    提出了一种使用联邦学习框架的多视图矩阵分解方法，旨在学习多视图模型且无需将用户的个人数据传输到中央服务器。在三个生产数据集上进行了实证验证，结果表明这种方法在联邦推荐任务的冷启动预测方面表现优于不考虑数据多视图结构的简单方法，同时证明了该方法对复杂的预测任务的有用性。

    Apr, 2020

  • 联邦矩阵分解中的隐私威胁

    本文研究基于联邦学习框架下的矩阵分解法，将其分为三种模型，并分析每种模型存在的隐私威胁及保障方法，是矩阵分解法在联邦学习框架下的隐私威胁研究的第一篇。

    Jul, 2020