论文概况
本文是2024 IJCAI的一篇联邦推荐论文，提出了提出了一种新的双重个性化机制，以有效地学习用户和项目的细粒度个性化。
Introduction
-
我们设计了一种新的双重个性化机制，通过个性化评分功能和细粒度的项目嵌入个性化来捕获用户偏好。
-
舍弃用户嵌入，重视物品嵌入带来的用户喜好。
Method
A.目标函数
推荐损失。结合项目嵌入模块和评分功能，我们将第i个用户推荐模型对第j个项目的预测公式为：
r ^ i j = S i ( E i ( e j ) ) \hat{r}{ij}=S_i(E_i(e^j)) r^ij=Si(Ei(ej))
L i ( θ i ; r , r ^ ) = − ∑ ( i , j ) ∈ D i log r ^ i j − ∑ ( i , j ′ ) ∈ D i − log ( 1 − r ^ i j ′ ) L{i}(\theta_{i};r,\hat{r})=-\sum_{(i,j)\in D_{i}}\log\hat{r}{ij}-\sum{(i,j^{\prime})\in D_{i}^{-}}\log(1-\hat{r}_{ij^{\prime}}) Li(θi;r,r^)=−(i,j)∈Di∑logr^ij−(i,j′)∈Di−∑log(1−r^ij′)
B.双重个性化
我们提出了一种双重个性化机制，使所提出的框架能够同时对用户和项目保持细粒度的个性化。该模型由以θ s为参数的神经评分函数和以θ m为参数的项目嵌入模块组成。考虑到个性化和隐私性，我们实现了部分模型聚合策略，将分数函数作为设备上的私有模块，同时将条目嵌入共享到服务器。因此，服务器只从项目嵌入模块中聚合梯度或参数θ m。
C.结果
总结
设计非常简单，性能也很好，类似会话推荐省略了用户特征嵌入仅通过物品特征计算用户喜好。