联邦学习论文阅读：Federated collaborative filtering

今年一月刚挂上arXiv的一篇联邦推荐文章Federated collaborative filtering for privacy-preserving personalized recommendation system。

摘要
作者将一个隐形反馈的CF模型修改成了联邦学习的框架，隐私性用Fed-Avg算法保证。总的来说，没什么创新。

问题
在保护用户隐私的情况下利用隐性反馈进行推荐

框架

一个横向联邦的框架，和google那篇是一模一样的。

模型

CF模型就是一个传统的矩阵分解方法，用两个向量X和Y去近似user-item矩阵R。 ${r_{ui}}$rui​代表用户u对物品i隐性反馈的次数，比如说打开网页的次数等等， ${p_{ui}}$pui​代表用户u对物品i的喜欢程度，如果 ${r_{ui} > 0}$rui​>0， ${p_{ui} = 1}$pui​=1，否则为0。光通过隐性反馈判断并不准确，比如说顾客买了一次这个商品，并不等于顾客喜欢这个商品，可能用了不满意或者买了送人了。所以用一个置信度 ${c_{ui} = 1+ \alpha \cdot r_{ui}}$cui​=1+α⋅rui​来进一步衡量喜欢程度，隐形反馈次数越多，代表用户越喜欢。

损失函数为

需要计算的更新梯度为

第一项用户可以在本地求出，第二项的第一个部分需要用户在本地求出后上传到服务器计算。