FedRL：一种强化学习联邦推荐系统，通过强化选择器和超网生成器实现高效通信

《ACM Transactions on Recommender Systems》：FedRL: A Reinforcement Learning Federated Recommender System for Efficient Communication Using Reinforcement Selector and Hypernet Generator

隐私保护与数据异质性下联邦推荐系统的研究

　　

摘要

推荐系统领域旨在通过分析用户的偏好和行为来预测他们的潜在兴趣。然而，关于用户数据收集的隐私问题导致了诸如初始信息不完整和数据稀疏等挑战。联邦学习应运而生，以解决推荐系统中的这些隐私问题。然而，联邦推荐系统在数据特征和样本规模方面存在边缘设备之间的异质性。此外，计算能力和存储能力的差异在第三方服务器进行参数聚合时引入了通信开销和处理延迟。本文介绍了一个名为 FedRL 的框架，这是一个基于强化学习的联邦推荐系统，它利用强化选择器和超网络生成器来实现高效通信，以解决上述问题。强化选择器动态选择参与的边缘设备，并帮助最大化它们对本地数据资源的利用。同时，超网络生成器优化了联邦学习参数传输过程中的通信带宽消耗，从而实现新模型架构或超参数的快速部署和更新。此外，该框架将项目属性作为内容嵌入到边缘设备的推荐模型中，使其包含全局信息。现实世界的数据集实验表明，所提出的解决方案在推荐质量和通信效率之间取得了平衡。该工作的代码可在 GitHub 上公开获取：https://github.com/diyicheng/FedRL。