推荐系统是数据驱动的应用，数据越多效果越好。随着各国加紧对用户数据隐私的保护，例如欧盟出台 GDPR，中国发布数据安全管理办法（征求意见稿），用户隐私和数据安全的加强同时也限制推荐系统性能的发展。本演讲主要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，提升推荐效果。

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。

随着推荐系统在信息分发中作用越来越重要，推荐系统优化目标也变得多元化，这次分享将主要介绍淘宝电商推荐中的多目标优化问题及应用实践。

内容大纲

1、简介

2、推荐机制设计

3、强化学习方法

4、帕累托多目标平衡

5、基于多智能体的多场景协同优化

6、千人千模

7、未来展望

听众收益

1.了解工业级推荐系统中的多目标机制设计和优化方法

2.了解强化学习和多智能体在推荐系统中的实际应用