《联邦学习实战》杨强读书笔记九——联邦个性化推荐案例

最新推荐文章于 2025-09-28 03:14:52 发布

原创

最新推荐文章于 2025-09-28 03:14:52 发布 · 1k 阅读

·

0

·

CC 4.0 BY-SA版权

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

文章标签：

#机器学习 #边缘计算

本文介绍了传统集中式个性化推荐方法如矩阵分解和因子分解机，并探讨了如何利用联邦学习实现隐私保护的个性化推荐。在联邦学习框架下，通过矩阵分解和联邦因子分解机，不同机构可以在不共享用户数据的情况下协同训练模型，提高推荐精度并保障用户隐私。

目录

传统的集中式个性化推荐

因子分解机

联邦个性化推荐

联邦因子分解机

一般而言，收集的数据越多，对用户和推荐内容的了解就越全面和深入，推荐效果就越精准。

传统的集中式个性化推荐

矩阵分解

矩阵分解（MF），是最常用的推荐算法之一。我们将用户对物品的反馈用矩阵 $r$ 表示，这个矩阵也被称为评分矩阵。将原始评分矩阵 $r$ 分解为 $p$ 和 $q$ ，使得：

$r=p\times q$ .

其中， $r$ 为 $m\times n$ ， $p$ （用户隐向量矩阵）的维度为 $m\times k$ ， $q$ （物品隐向量矩阵）的维度为 $k\times n$ ， $k$ 是一个较小的数。

MF的优化函数如下：

$\min_{p,q} \Sigma_{(i,j)}\left(r_{ij}- \langle p_i,q_j \rangle\right )+\lambda\|p\|^2_2+\mu\|q\|^2_2.$

MF算法通过优化式（1）来填充和预测缺失的评分值，其中 $r_{ij}$ 代表原始评分矩阵中用户

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

打赏作者

超威橘猫 你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20

扫码支付：¥1

获取中

扫码支付

您的余额不足，请更换扫码支付或充值

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。