0 引言
由于互联网在规模和覆盖等层面的高速发展，信息过载使得用户找到对自己有用的信息变得困难，从而使得信息利用效率降低；同时让商家无法找到真正的目标群体［1］，且盲目拟合数据而不考虑固有偏差将导致许多严重问题，例如线下评估和线上指标之间的差异，损害用户的满意度等［2］。所以，如何提高推荐算法的精确性、可解释性、多样性等以获得信息更高的使用效率和用户更多的信任都是推荐系统研究的重点。
近年来，我国高度重视数字经济高质量发展，同时统筹发展与安全，相继出台了多部相关法律法规，保障网络空间数据流通的安全及合规。联邦学习技术有助于解决多方数据合作中面临的两大挑战：一是数据安全难以得到保障，隐私数据泄露问题亟待解决；二是由于网络安全隔离和行业隐私，不同行业、部门之间存在数据壁垒，导致数据形成“孤岛”无法安全共享［3］。
本文在保障数据使用安全合规的前提下，结合联邦建模技术，提出了一种混合个体及群体偏好分析的联邦推荐框架。本文主要贡献如下：
（1）本文提出考虑组合因素的同一属性间偏好度分析和结合信息熵的不同属性间在意度分析方法,通过纠正与真实兴趣属性具有强关联性的非兴趣属性影响，初步解决了算法的过拟合问题，增强了算法的可解释性。
（2）本文提出了一种混合偏好分析的联邦推荐框架（Mixed Preference Analysis Federated Recommendation Framework, MPAFRF），通过基于联邦的相似兴趣用户分群模块找到用户所在兴趣群，结合个体和群体超参权重组合、个体偏好分数集合、个体所在群体偏好分数集合进行资源推荐，缓解了推荐系统存在的过度专业化问题，提高了算法在特定任务上的表现。
本文详细内容请下载：https://www.chinaaet.com/resource/share/2000005733
作者信息：
宋雨伦，李大中，张丝雨，庄媛，崔玲龙，王功举，闫龙
（联通数字科技有限公司数据智能事业部，北京100013）
