联邦推荐系统的协同过滤冷启动解决方法

王健宗，肖京，朱星华，李泽远

（平安科技(深圳)有限公司，广东 深圳 518000）

大数据时代政府关于隐私保护的法律法规盛行，如《通用数据保护条例》(general data protection regulation)[1]，数据在政策的限制下分散在不同的载体/组织中，因此保护隐私的机器学习在学术界和工业界都备受重视。在实现隐私保护机器学习的各种技术中，联邦学习(federated learning，FL)[2]受到高度重视，它最初由Google提出，目标是基于分布在每个用户手机上的数据学习一个统一的模型，用户的原始信息无需转移到中央服务器，从而实现了隐私保护。经证明，FL与在原始数据上学习到的传统模型相比，预测能力几乎相同[3]。

随着互联网和电子商务的迅猛发展，推荐系统成为企业提高市场竞争力的重要工具。其中，协同过滤 (collaborative filtering，CF) 是最著名的一种推荐算法[4]，有2种实现方法：一种是基于近邻[5]，另一种是基于矩阵分解[6]。其中基于近邻的协同过滤又分为基于用户的协同过滤和基于物品的协同过滤，分别依据用户消费行为上的相似性或消费产品间的相似性来实现个性化的产品推荐。一般来说，客户的历史信息越详细，推荐结果越准确。

由于没有足够多的客户数据，许多中小型公司无法获得满意的推荐模型。为了解决这个问题，通常采取的解决方案有：1) 请求另一家拥有庞大客户数据库的公司帮助；2) 与其他多家拥有相对较小客户数据库公司合作，共同创建一个大的数据库[7]。公司间无法简单地共享或允许彼此完全访问其数据库，因为这可能会造成客户隐私数据外泄。……