Kullanıcı davranış verilerinin farklı dijital platformlara dağılması, öneri sistemlerinde büyük bir challenge yaratıyor. Netflix'te izlenen filmler, Amazon'da satın alınan ürünler ve Spotify'da dinlenen müzikler arasında bağlantı kurabilmek, hem daha iyi öneriler sunmak hem de kullanıcı gizliliğini korumak açısından kritik önem taşıyor.
Araştırmacıların geliştirdiği FedCRF (Federated Cross-domain Recommendation with deep knowledge Fusion) sistemi, bu soruna yenilikçi bir çözüm getiriyor. Mevcut gizlilik koruyucu çapraz alan öneri yöntemlerinin aksine, FedCRF ortak kullanıcı veya ürün verilerine ihtiyaç duymadan çalışabiliyor.
Sistemin en önemli özelliği, metinsel anlamları (semantic) farklı alanlar arasında köprü olarak kullanması. Bu sayede, bir platformdaki 'aksiyon filmi' terimi ile başka bir platformdaki 'heyecanlı oyun' kavramı arasında bağlantı kurabiliyor.
FedCRF, iki temel bileşenle çalışıyor: Sunucu tarafında global semantik kümeler oluşturarak ortak anlam bilgilerini çıkarırken, istemci tarafında FGSAT modülü ile yerel veri dağılımlarına dinamik olarak uyum sağlıyor. Bu federe öğrenme yaklaşımı, ham verilerin paylaşılmadan bilgi transferi yapılmasını mümkün kılıyor.
Bu teknoloji, e-ticaret, medya platformları ve sosyal ağlar gibi farklı sektörlerdeki şirketlerin kullanıcı deneyimini iyileştirmesine yardımcı olabilir.