联邦推荐系统的协同过滤冷启动解决方法
【摘要】 基于联邦学习的推荐系统可以在保护用户隐私的情况下，联合多方数据，提升推荐系统的性能，已经成为推荐领域的研究热点之一。联邦协同过滤是联邦推荐系统中最经典及最常用的算法之一。然而，针对联邦协同过滤系统的冷启动问题的研究工作相对较少。针对这一问题，本文提出了一种基于安全内积协议的解决方案。具体地，在系统中添加新用户或新物品时，联合多方评分矩阵，利用安全内积的方法，对多方数据进行相似矩阵的求解，从而完成推荐输出。本文在MovieLens数据集上对所述方法进行了验证。结果表明:本方法能够有效解决基于相似度的协同过滤中的冷启动问题，并且推荐效果也会依据多方数据分布的比例变化。
