计算机应用研究

作者：陈家晟,秦航,

单位：1.长江大学计算机科学学院,湖北荆州434023；2.梧州学院大数据与软件工程学院,广西梧州543003；

关键词：个性化推荐,数据隐私,多臂赌博机,数据异质性,联邦学习,

基金：湖北高校2020省级科研项目(2020418)；湖北省自然科学基金资助项目(2024AFB851)；；

针对现有基于内容的个性化推荐系统中面临的数据异质性、隐私保护、快速通信和可拓展性挑战，提出了名为FTMAB的联邦学习算法。该算法利用联邦学习框架实现隐私保护，通过多臂赌博机技术对本地模型进行全局聚合处理数据异质性。该架构在服务器端采用置信区间上界方法进行全局臂筛选推荐，并通过动态客户端采样策略优化通信，在本地客户端聚合用户效用评分加强推荐的个性化。理论分析证明FTMAB的遗憾上界为O(log T)。在合成数据集及真实数据集上的实验表明，相较于现有方法，FTMAB在显著降低通信成本和运行时间的同时，保持了较低的遗憾值。FTMAB框架有效平衡了隐私保护、推荐质量与通信效率，为解决个性化推荐中的数据异质性和可扩展性问题提供了高效方案。

来源：2025年第11期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2025年第11期