【WWW2024】基于提示增强的联邦内容表征学习的跨域推荐

近年来，跨域推荐（CDR）作为缓解数据稀疏问题的有效技术之一已被广泛研究。然而，之前的工作可能导致领域隐私泄露，因为它们在训练过程中需要将不同领域的数据聚集到一个中心服务器上。尽管一些研究通过联邦学习（FL）进行了隐私保护的CDR，但它们仍然存在以下限制：1）需要将用户的个人信息上传到中心服务器，从而带来用户隐私泄露的风险。2）现有的联邦方法主要依赖于原子项目ID来表示项目，这阻止了它们在统一特征空间中对项目进行建模，增加了跨域知识转移的挑战。3）它们都基于识别领域间重叠用户的前提，这在现实世界应用中被证明是不切实际的。为了解决上述限制，我们专注于隐私保护的跨域推荐（PCDR）并提出PFCR作为我们的解决方案。针对限制1，我们开发了一种FL方案，仅利用用户与本地客户端的交互，并设计了一种梯度加密的加密方法。针对限制2，我们通过它们的描述文本在通用特征空间中对项目进行建模。针对限制3，我们最初学习联邦内容表示，利用自然语言的普遍性在领域之间建立桥梁。随后，我们制定了两种提示微调策略，以将预训练模型定制到目标领域。在两个真实世界数据集上的广泛实验证明了我们PFCR方法与现有技术方法相比的优越性。