联邦推荐在金融营销中的应用实践

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临的巨大挑战和首要任务。

AICon 上海 2020 大会上，微众银行高级研究员谭奔将介绍一种新的联邦推荐系统，它在保护合作方用户隐私和数据安全的条件下，合法合理使用数据，显著提升了推荐效果。

内容大纲

1、推荐系统背景介绍

• 推荐系统介绍

• 推荐系统中的隐私问题

2、联邦推荐系统

• 联邦学习

• 联邦推荐系统及其分类

• 联邦推荐算法

3、微众联邦推荐系统架构

• FATE 联邦学习框架

• 联邦推荐系统架构

4、联邦推荐系统在金融营销中的应用

• 联邦内容推荐

• 联邦在线广告

听众收益

• 了解联邦学习在推荐系统中的最新进展；

• 了解联邦推荐技术的核心概念和技术原理；

• 了解联邦推荐技术在金融营销中的落地实践。

演讲亮点

重视数据隐私和安全已经成为了世界性的趋势，“联邦学习”是解决这一行业性难题的关键技术。微众银行首次将联

邦学习技术应用于推荐领域的落地实践。

适合人群

• 参会者对推荐系统、联邦学习、机器学习、数据安全其中一到两个领域有较好的了解。

讲师简介

谭奔，微众银行高级研究员，博士毕业于香港科技大学，主要研究方向为迁移学习、推荐系统、机器学习等，目前在微众银行人工智能部门负责推荐算法研发工作，曾就职于腾讯，负责广告转化率预估、商品推荐等工作。在 KDD、AAAI、SDM、TIST 等国际学术期刊会议上发表论文 10 余篇，多次担任 WWW、IJCAI、CIKM、SDM 等国际会议程序委员会委员，多次在国际数据挖掘大赛中名列前茅。