Dual Personalization on Federated Recommendation

联合推荐的双重个性化

代码链接
论文链接

主要创新

文章的主要创新是提出了一种双重个性化机制，用于增强联邦推荐系统的性能。这种机制能够在联邦学习框架中为每个本地模型学习用户特定的物品嵌入，从而显著提升推荐系统的效果。通过在四个数据集上进行实验，研究结果表明，引入双重个性化机制的联邦推荐方法在HR@10和NDCG@10指标上都有显著的提升，其中FedNCF方法的提升效果最为显著。在MovieLens-100K数据集上，HR@10和NDCG@10指标分别提升了13.53%和18.29%。总之，这项研究的主要创新是通过双重个性化机制有效地提升了联邦推荐系统的性能。

论文设计了一个双层优化目标：

双层优化目标指的是在提出的联邦推荐学习问题中，我们将其形式化为一个统一的联邦优化框架，其中包含两个层次的优化目标。第一层是全局优化目标，通过联邦学习的方式，在所有设备上学习一个全局模型的参数，以最小化所有客户端的累积损失。第二层是个体优化目标，每个设备上的个性化模型通过在设备上的个体数据上学习个体参数，以最小化该设备上的个体损失。因此，双层优化目标是指在全局层面和个体层面同时进行优化，以实现全