每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成,并以非盈利为基础运营。
论文版权归作者及相关机构所有,分享时请注明出处。

FedFlex:用于多样化 Netflix 推荐的联合学习

Created by
  • Haebom

作者

斯文·兰克斯特、古斯塔沃·德·卡瓦略·贝尔托利、马蒂亚斯·维兹卡诺、埃曼纽尔·布奥西斯·奥萨莱、马内尔·斯洛科姆

大纲

为了解决用户隐私与过滤泡沫风险之间的两难困境,我们研究了多样性对基于联邦学习的推荐系统的影响,并提出了一个名为 FedFlex 的两阶段框架。FedFlex 通过将矩阵分解模型(SVD、BPR)的本地设备微调与轻量级最大边际相关性 (MMR) 重排序步骤相结合,增强了多样性。我们开展了联邦推荐系统的首次用户研究,通过为期两周的在线部署收集行为数据和反馈。

Takeaways,Limitations

FedFlex 成功推动了用户参与度,BPR 的点击率优于 SVD。
使用 MMR 进行重新排序可以持续提高两种模型的排名质量 (nDCG),尤其是 BPR 具有统计上显著的改善。
多样性效应在不同模型中有所不同:MMR 增加了两个模型的覆盖率,并提高了 BPR 列表内的多样性,但略微降低了 SVD 的多样性。
我们的用户调查结果显示,大多数用户对重新排序的列表和未处理的列表没有明显的偏好,这表明多样性的增加并不会显著降低用户满意度。
👍