典型文献
联邦推荐系统综述
文献摘要：
在联邦学习范式中,原始数据被本地存储在独立的用户客户端中,而脱敏数据被发送到中心服务器中加以聚合,这给众多领域提供了一种新颖的设计思路.考虑到传统推荐系统的研究方向集中于提高推荐效果,在资源节约、跨领域推荐、隐私保护等方面还具有很大改进空间,如何将联邦学习与推荐系统结合以解决这些问题成为当前的一个研究热点.对近年来基于联邦学习的推荐系统进行了全面的总结、比较与分析,首先介绍了推荐系统的传统实现方式及面临的瓶颈;然后引入了联邦学习范式,描述了联邦学习在隐私保护、利用多领域用户数据两方面给推荐系统带来的增益,以及二者结合的技术挑战,进而详细说明了现有的联邦推荐系统部署方式;最后,对联邦推荐系统未来的研究进行了展望与总结.
文献关键词：
联邦学习;推荐系统;隐私保护;协同过滤;深度学习
中图分类号：
作者姓名：
朱智韬;司世景;王健宗;肖京
作者机构：
平安科技(深圳)有限公司,广东 深圳 518063;中国科学技术大学,安徽 合肥 230026
文献出处：
引用格式：
[1]朱智韬;司世景;王健宗;肖京-.联邦推荐系统综述)[J].大数据,2022(04):105-132
A类：
联邦推荐系统
B类：
系统综述,联邦学习,学习范式,原始数据,客户端,脱敏,发送到,中心服务器,推荐效果,资源节约,跨领域推荐,隐私保护,改进空间,比较与分析,实现方式,用户数据,统带,技术挑战,细说,系统部署,部署方式,对联,协同过滤
AB值：
0.30507
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。
