典型文献
基于隐私保护的联邦推荐算法综述
文献摘要：
推荐系统通过集中式的存储与训练用户对物品的海量行为信息以及内容特征,旨在为用户提供个性化的信息服务与决策支持.然而,海量数据背后存在大量的用户个人信息以及敏感数据,因此如何在保证用户隐私与数据安全的前提下分析用户行为模式成为了近年来研究的热点.联邦学习作为新兴的隐私保护范式,能够协调多个参与方通过模型参数或者梯度等信息共同学习无损的全局共享模型,同时保证所有的原始数据保存在用户的终端设备,较之于传统的集中式存储与训练模式,实现了从根源上保护用户隐私的目的,因此得到了众多推荐系统领域研究学者们的广泛关注.基于此,对近年来基于联邦学习范式的隐私保护推荐算法进行全面综述、系统分类与深度分析.具体的,首先综述经典的推荐算法以及所面临的问题,然后介绍基于隐私保护的推荐系统与目前存在的挑战,随后从多个维度综述结合联邦学习技术的推荐算法,最后对该方向做出系统性的总结并对未来研究方向与发展趋势进行展望.
文献关键词：
推荐系统;联邦学习;隐私保护;协同过滤
中图分类号：
作者姓名：
张洪磊;李浥东;邬俊;陈乃月;董海荣
作者机构：
北京交通大学计算机与信息技术学院 北京 100044;北京交通大学轨道交通控制与安全国家重点实验室 北京 100044
文献出处：
引用格式：
[1]张洪磊;李浥东;邬俊;陈乃月;董海荣-.基于隐私保护的联邦推荐算法综述)[J].自动化学报,2022(09):2142-2163
A类：
B类：
隐私保护,联邦推荐算法,推荐系统,统通,集中式,内容特征,信息服务,决策支持,海量数据,用户个人信息,敏感数据,用户隐私,用户行为,行为模式,联邦学习,习作,参与方,共同学习,共享模型,原始数据,终端设备,较之于,训练模式,学习范式,系统分类,深度分析,学习技术,未来研究方向,协同过滤
AB值：
0.360383
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
