ترجمه فارسی مقاله فیلتر مشارکتی شخصی سازی شده: یک رویکرد رمزگذار خودکار متغیر

چکیده

Federated Collaborative Filtering (FedCF) is an emerging field focused on developing a new recommendation framework with preserving privacy in a federated setting. Existing FedCF methods typically combine distributed Collaborative Filtering (CF) algorithms with privacy-preserving mechanisms, and then preserve personalized information into a user embedding vector. However, the user embedding is usually insufficient to preserve the rich information of the fine-grained personalization across heterogeneous clients. This paper proposes a novel personalized FedCF method by preserving users’ personalized information into a latent variable and a neural model simultaneously. Specifically, we decompose the modeling of user knowledge into two encoders, each designed to capture shared knowledge and personalized knowledge separately. A personalized gating network is then applied to balance personalization and generalization between the global and local encoders. Moreover, to effectively train the proposed framework, we model the CF problem as a specialized Variational AutoEncoder (VAE) task by integrating user interaction vector reconstruction with missing value prediction. The decoder is trained to reconstruct the implicit feedback from items the user has interacted with, while also predicting items the user might be interested in but has not yet interacted with. Experimental results on benchmark datasets demonstrate that the proposed method outperforms other baseline methods, showcasing superior performance.

چکیده به فارسی (ترجمه ماشینی)

فیلتر مشارکتی فدرال (FEDCF) یک زمینه نوظهور است که با محوریت ایجاد یک چارچوب توصیه جدید با حفظ حریم خصوصی در یک محیط فدرال متمرکز است.روشهای FEDCF موجود به طور معمول الگوریتم های فیلتر کننده مشترک توزیع شده (CF) را با مکانیسم های حفظ حریم خصوصی ترکیب می کنند و سپس اطلاعات شخصی شده را در یک بردار تعبیه شده کاربر حفظ می کنند.با این حال ، تعبیه کاربر معمولاً برای حفظ اطلاعات غنی از شخصی سازی ریز دانه در سراسر مشتری های ناهمگن کافی نیست.این مقاله با حفظ اطلاعات شخصی شده کاربران در یک متغیر نهفته و یک مدل عصبی به طور همزمان ، یک روش جدید FEDCF شخصی را ارائه می دهد.به طور خاص ، ما مدل سازی دانش کاربر را به دو رمزگذار تجزیه می کنیم ، هر کدام برای گرفتن دانش مشترک و دانش شخصی به طور جداگانه طراحی شده اند.سپس از یک شبکه دروازه شخصی شخصی برای تعادل شخصی سازی و تعمیم بین رمزگذارهای جهانی و محلی استفاده می شود.علاوه بر این ، برای آموزش مؤثر چارچوب پیشنهادی ، ما با ادغام بازسازی بردار تعامل کاربر با پیش بینی ارزش از دست رفته ، مشکل CF را به عنوان یک کار تخصصی AutoEncoder (VAE) تخصصی مدل می کنیم.رمزگذار برای بازسازی بازخورد ضمنی از مواردی که کاربر با آن تعامل کرده است ، آموزش داده شده است ، در حالی که مواردی را که ممکن است کاربر به آن علاقه مند باشد پیش بینی می کند اما هنوز با آن تعامل نکرده است.نتایج تجربی در مجموعه داده های معیار نشان می دهد که روش پیشنهادی از سایر روشهای پایه بهتر عمل می کند و عملکرد برتر را نشان می دهد.