联邦学习针对推荐场景化的技术原理解析

2019年12月8日至12月14日，微众银行首席人工智能官杨强教授受邀参加于加拿大温哥华举办的人工智能和机器学习领域的国际顶级会议：神经信息处理系统大会（Conference and Workshop on Neural Information Processing Systems，简称NeurIPS）。在微众银行联合谷歌、卡内基梅隆大学举办的联邦学习国际研讨会上，杨强教授以《Federated Recommendation》为主题，分享了微众银行首创的联邦推荐技术的最新研究成果和应用落地。

推荐系统应用广泛，已经渗透到人们生活各个方面，例如新闻推荐、视频推荐、商品推荐等。为了实现精准的推荐效果，推荐系统会收集海量用户和所推荐内容的数据，一般而言，收集的数据越多，对用户和推荐内容的了解就越全面和深入，推荐效果越精准。在现实场景中，随着用户数据安全和隐私保护相关政策相继出台和日益完善，这些数据通常为保护用户数据隐私而以“数据孤岛”的形式分散在不同的机构。因此在“数据孤岛”与“隐私保护”的现实问题中，在合理合法的前提下使用数据持续优化效果提供优质服务，是当前推荐系统所面的巨大挑战和首要任务。

FATE：首个支持联邦学习架构体系的工业级联邦学习开源框架

微众银行提出的联邦学习解决方案能够让多个机构同时协作，通过交换加密的模型参数进行综合训练持续优化模型，以合理合法的方式跨越数据鸿沟，解决“数据孤岛”的问题。微众银行开发的工业级的联邦学习开源框架–FATE（Federated AI Technology Enabler，https://www.fedai.org），作为联邦学习全球首个工业级开源框架，支持联邦学习架构体系，为机器学习、深度学习、迁移学习提供了高性能联邦学习机制，FATE本身还支持多种多方安全计算协议，如同态加密、秘密共享、哈希散列等，具有友好的跨域交互信息管理方案。

联邦推荐

推荐系统中算法的目标是挖掘用户和内容、商品之间的联系，根据问题的特点，微众银行将联邦推荐算法总结成三类，如下图所示，包括横向联邦推荐算法（也可称为基于商品的联邦推荐）、纵向联邦推荐算法（也可称为基于用户的联邦推荐）和迁移联邦推荐。