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。

成为VIP会员查看完整内容
14

相关内容

【WWW2024】RecDCL: 双重对比学习用于推荐
专知会员服务
19+阅读 · 1月30日
【AAAI2024】面向序列推荐的插件扩散模型
专知会员服务
23+阅读 · 1月9日
【NeurIPS 2023】基于时间注意力的多任务强化学习对比模块
【KDD2023】协同过滤的高效联合超参数和架构搜索
专知会员服务
21+阅读 · 2023年7月23日
专知会员服务
36+阅读 · 2021年6月19日
专知会员服务
27+阅读 · 2021年5月24日
【KDD2020】动态知识图谱的多事件预测
专知
88+阅读 · 2020年8月31日
【KDD2020】图神经网络生成式预训练
专知
22+阅读 · 2020年7月3日
国家自然科学基金
9+阅读 · 2017年12月31日
国家自然科学基金
38+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
6+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
Arxiv
145+阅读 · 2023年4月20日
A Survey of Large Language Models
Arxiv
362+阅读 · 2023年3月31日
Arxiv
19+阅读 · 2023年3月17日
Augmentation for small object detection
Arxiv
11+阅读 · 2019年2月19日
VIP会员
相关VIP内容
【WWW2024】RecDCL: 双重对比学习用于推荐
专知会员服务
19+阅读 · 1月30日
【AAAI2024】面向序列推荐的插件扩散模型
专知会员服务
23+阅读 · 1月9日
【NeurIPS 2023】基于时间注意力的多任务强化学习对比模块
【KDD2023】协同过滤的高效联合超参数和架构搜索
专知会员服务
21+阅读 · 2023年7月23日
专知会员服务
36+阅读 · 2021年6月19日
专知会员服务
27+阅读 · 2021年5月24日
相关基金
国家自然科学基金
9+阅读 · 2017年12月31日
国家自然科学基金
38+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
6+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
微信扫码咨询专知VIP会员