阅读笔记联邦学习实战——联邦个性化推荐案例
Posted HERODING23
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了阅读笔记联邦学习实战——联邦个性化推荐案例相关的知识,希望对你有一定的参考价值。
联邦学习实战——联邦个性化推荐案例
前言
FATE是微众银行开发的联邦学习平台,是全球首个工业级的联邦学习开源框架,在github上拥有4000stars,可谓是相当有名气的,该平台为联邦学习提供了完整的生态和社区支持,为联邦学习初学者提供了很好的环境,否则利用python从零开发,那将会是一件非常痛苦的事情。本篇博客内容涉及《联邦学习实战》第九章内容,使用的fate版本为1.6.0,fate的安装已经在这篇博客中介绍,有需要的朋友可以点击查阅。下面就让我们开始吧。
1. 引言
个性化推荐已经广泛应用于人们生活的方方面面,比如短视频推荐、新闻推荐、商品推荐等,如何准确推荐、精准营销成了推荐算法的关键。为了更好推荐,推荐系统一般会收集海量的用户数据,这样才能对用户和推荐内容了解更全面和深入。
但是收集数据就涉及到了用户数据的隐私安全问题,随着用户的重视和相关法律法规的完善,如何在合法的前提下,使用割裂的数据持续优化模型,是推荐系统亟待解决的任务。本章从实际出发,列举几种常见的推荐算法及其实现。
2. 传统的集中式个性化推荐
集中式推荐算法流程都是收集用户的行为数据,统一上传到服务端,然后利用常见的推荐算法进行集中训练,最后将训练结果模型部署到线上。流程如下:
2.1 矩阵分解
简称MF,是最常使用的推荐算法之一。用户与物品之间交互方式多样,评分、点击、购买、收藏都体现人与物之间的交互,把用户对物品的反馈用一个矩阵r表示,这个矩阵也称为评分矩阵。通常这个矩阵由于用户关注的商品少,所以也是稀疏矩阵,即大部分元素都是0,这也导致了矩阵分解不能很好进行,如SVD分解。
为了应对稀疏性问题,基于隐向量的矩阵分解方法应运而生。如下图所示:
设矩阵R的维度为m×n,矩阵P的维度为m×k,矩阵Q的维度为k×n,k表示隐向量的长度,通常比较小的数,m是用户数量,n是物品的数量,通过矩阵分解,将评分矩阵压缩成两个小矩阵,分别称为用户隐向量矩阵和物品隐向量矩阵。
MF算法的核心是通过优化下式来填充和预测缺失的评分值:
m
i
n
p
,
q
∑
(
i
,
j
)
(
r
i
,
j
−
<
p
i
,
q
j
>
)
2
+
λ
∥
p
∥
2
2
+
μ
∥
q
∥
2
2
min_p,q\\sum_(i,j)(r_i,j-<p_i,q_j>)^2+\\lambda \\left\\|p \\right\\|_2^2+\\mu \\left\\|q \\right\\|_2^2
minp,q(i,j)∑(ri,j−<pi,qj>)2+λ∥p∥22+μ∥q∥22
其中, r i , j r_i,j ri,j代表原始评分矩阵中用户i对物品j的非0值评分, p i , q j p_i,q_j pi,qj分别代表用户和物品的隐向量,上式优化的目标是使得用户i的隐向量和物品j的隐向量之间的点积值,与评分矩阵中用户i对物品j的实际评分尽量接近。在推断预测阶段,要得到任意一个用户i与物品j的评分值,我们只需要求取用户i与物品j的隐向量点积值 < p i , q j > <p_i,q_j> <pi,qj>即可。
2.2 因子分解机
将推荐问题归结为回归问题。传统的线性模型如线性回归,因其模型简单,所以在工业界备受推崇,但是线性模型不能捕获非线性信息,这是特征之间相互作用造成的。这种相互作用就是特征工程中常用的交叉特征,比如年龄和性别的交叉特征。
一直以来通过人为方式构造的交叉特征非常耗时,因此FM算法通过在线性模型中加入二阶信息,为自动构建和寻找交叉特征提供了一种可行的方案,FM模型如下所示,其中最后项
x
i
x
j
x_ix_j
xixj,就是指任意两个特征
x
i
x_i
xi和
x
j
x_j
xj的交叉特征。
y = w 0 + ∑ i = 1 n w i x i + ∑ 0 < i < j ⩽ n w i , j x i x j . y=w_0+\\sum_i=1^nw_ix_i+\\sum_0<i<j\\leqslant nw_i,jx_ix_j. y=w0+i=1∑nwixi+0<i<j⩽n∑wi,jxixj.
但是上式最大的问题是参数数量太大,一方面学习需要大量训练样本,二是稀疏性特点,二阶特征组合会更加稀疏,对二阶交叉稀疏
w
i
,
j
w_i,j
wi,j的学习很不理想。
FM算法利用向量化思想来优化。为每一个特征值
x
i
x_i
xi学习大小为k维的特征向量
v
i
v_i
vi,将上式中二阶项权重参数
w
i
,
j
w_i,j
wi,j看成特征
x
i
x_i
xi与特征
x
j
x_j
xj对应的特征向量的点积,即满足
w
i
,
j
=
<
v
i
,
v
j
>
w_i,j=<v_i,v_j>
wi,j=<vi,vj>,带入上式得:
y = w 0 + ∑ i = 1 n w i x i + ∑ 0 < i < j ⩽ n < v i , v j > x i x j . y=w_0+\\sum_i=1^nw_ix_i+\\sum_0<i<j\\leqslant n<v_i,v_j>x_ix_j. y=w0+i=1∑nwixi+0<i<j⩽n∑<vi,vj>xixj.
这样做的好处是:
- 二阶项权重参数数量大大减少。参数量由原来的n(n-1)/2下降到nk。
- 每个特征 x i x_i xi对应的特征向量为 v i v_i vi,是一个k维的稠密向量,因此即使在训练样本中两个特征 x i x_i xi和 x j x_j xj没同时出现,它们交叉特征对应的权重值 < v i , v j > <v_i,v_j> <vi,vj>也不为0,泛化能力强。
当前的个性化推荐系统设计,通常是以一家公司为独立单位进行的,如果能联合用户在不同公司的行为数据,将大大提高推荐的质量。为此使用联邦学习技术,一方面保证用户数据不被泄露,另一方面提升推荐质量。
3. 联邦矩阵分解
本节讨论跨公司联邦推荐问题。在该场景下,公司A以书籍为内容进行推荐,公司B以电影为内容进行推荐,根据协同过滤思想,具有相同观影爱好的用户会有相同的阅读爱好,如果能过在不泄露用户隐私的前提下,联合多方数据进行训练,将会明显提升推荐效果。
3.1 算法详解
公司A和B用户群体高度重合,但产品不同,适用于纵向联邦学习场景。在该场景下,多机构之间的推荐系统目标函数就变为下式:
m
i
n
p
,
q
∑
(
i
,
j
)
∈
K
A
(
r
i
,
j
A
−
<
p
i
,
q
j
A
>
)
2
+
∑
(
i
,
j
)
∈
K
B
(
r
i
,
j
B
−
<
p
i
,
q
j
B
>
)
2
+
λ
∥
p
∥
2
2
+
μ
(
∥
q
A
∥
2
2
+
∥
q
B
∥
2
2
)
min_p,q\\sum_(i,j)\\in K_A(r_i,j^A-<p_i,q_j^A>)^2+\\sum_(i,j)\\in K_B(r_i,j^B-<p_i,q_j^B>)^2+\\lambda \\left\\|p \\right\\|_2^2+\\mu (\\left\\|q^A \\right\\|_2^2+\\left\\|q^B \\right\\|_2^2)
minp,q(i,j)∈K以上是关于阅读笔记联邦学习实战——联邦个性化推荐案例的主要内容,如果未能解决你的问题,请参考以下文章