Федеративные системы рекомендаций: расширение прав пользователей

Традиционные рекомендательные системы часто зависят от централизованного сбора данных, что может угрожать конфиденциальности пользователей и ограничивать их контроль над предпочтениями. В отличие от этого, федеративное обучение позволяет генерировать рекомендации без передачи личных данных за пределы устройства. В данном исследовании представлен работающий федеративный рекомендательный механизм, который дает пользователям возможность определять свои предпочтения в рекомендациях, сохраняя при этом конфиденциальность данных. В течение 53 дней 22 участника взаимодействовали с каталогом из 8 807 наименований, переключаясь между персонализированными и разнообразными рекомендациями. Результаты показывают, что, имея выбор, пользователи предпочитают персонализированные предложения, достигая коэффициента кликов 65,37% по сравнению с 62,07% для разнообразных вариантов. Участники также продемонстрировали высокий уровень вовлеченности в систему, что отражается в оценке удовлетворенности 3,93 из 5 и 248 изменениях в настройках. Более того, пользователи поняли, как их взаимодействия влияют на получаемые рекомендации благодаря механизмам немедленной обратной связи. Это исследование иллюстрирует, что возможно сочетание автономии пользователей, конфиденциальности и эффективных персонализированных рекомендаций в рамках работающей системы.