Publication
Aprendizagem Federada para Recomendações com Privacidade Reforçada
| datacite.subject.fos | Engenharia e Tecnologia | |
| datacite.subject.sdg | 09:Indústria, Inovação e Infraestruturas | |
| dc.contributor.advisor | Marreiros, Maria Goreti Carvalho | |
| dc.contributor.advisor | Santos, Joaquim Filipe Peixoto dos | |
| dc.contributor.author | GASPAR, JOÃO AFONSO NAVE | |
| dc.date.accessioned | 2025-12-17T15:26:23Z | |
| dc.date.available | 2025-12-17T15:26:23Z | |
| dc.date.issued | 2025-10-24 | |
| dc.description.abstract | With the use of digital platforms increasing exponentially, the demand for personalized services emerges across a vast widespread of areas, from entertainment to finance. The adoption of these systems, regularly referred to as recommendation systems, may raise privacy concerns when implementations follow a centralized structure, approach that is commonly used. This dissertation focuses on exploring the validity of federated learning in the field of recommendation systems, specifically, in an e-commerce platform where the focus is privacy enhancement in addition to obtaining high recommendation accuracy. Within the scope of the Environment Adaptive Recommendation System project, an international researchdriven initiative focused on improving the current paradigm of recommendation systems, the present study will allow the integration of the developed methodologies, providing the project with a more strategically prepared foundation. After presenting the state of the art, the research firstly involves developing centralized models, followed by federated learning implementations to compare both approaches. In this stage, it is developed a solution that personalizes the recommendations of an e-commerce platform while the best practices are employed and different paradigms are considered. The study then evolves to the inclusion of privacy-enhancing mechanisms, to further study benefits and the situations their employment is relevant. The obtained results are then presented, regarding multiple topics such as the importance of the partition in achieving convergence, or the trade-off between privacy guarantees and computational cost or recommendation quality. By benefiting from the study of federated learning, this project aims to advance research in the context of recommendation systems, contributing to the enrichment of the existing literature and fostering scientific progress in this field. | eng |
| dc.description.abstract | Com o crescimento exponencial das plataformas digitais, a procura de serviços de recomendação nestas surge a um ritmo cada vez maior numa grande variedade de áreas, desde o entretenimento às finanças. A adesão a estes sistemas, frequentemente designados de sistemas de recomendação, poderá trazer problemas de privacidade, quando a sua estrutura é centralizada, a abordagem mais comum. Esta dissertação tem como objetivo explorar a legitimidade da aprendizagem federada na área dos sistemas de recomendação, concretamente, numa plataforma de e-commerce na qual o foco é a melhoria da privacidade sem descurar a precisão das recomendações. No âmbito do projeto Environment Adaptive Recommendation System, uma iniciativa internacional orientada para a investigação, focada em melhorar o atual paradigma dos sistemas de recomendação, esta dissertação possibilitará a integração das metodologias usadas no projeto, dotando o projeto de uma base estrategicamente mais preparada. Após apresentar o estado da arte, a investigação começa por ser feita através do desenvolvimento de modelos centralizados, seguida da implementação federada, que será analisada e comparada à anterior. Nesta fase de implementação, é desenvolvida uma solução que personaliza as sugestões feitas ao utilizador, tendo em consideração as boas práticas no desenvolvimento e diferentes paradigmas. O estudo, posteriormente, progride para incorporar mecanismos de reforço de privacidade, estudando os seus benefícios e situações onde estes podem ser fundamentais. Os resultados obtidos são posteriormente apresentados, incidindo em vários tópicos, como a importância da partição na obtenção de convergência ou o equilíbrio entre garantias de privacidade e custo computacional ou qualidade das recomendações. Ao tirar partido do estudo da aprendizagem federada, este projeto visa cooperar na investigação desta no contexto de sistemas de recomendação ao contribuir para o enriquecimento da literatura existente, promovendo o progresso científico nesta área. | por |
| dc.identifier.tid | 204067340 | |
| dc.identifier.uri | http://hdl.handle.net/10400.22/31241 | |
| dc.language.iso | eng | |
| dc.rights.uri | N/A | |
| dc.subject | Recommendation Systems | |
| dc.subject | Decentralization | |
| dc.subject | Federated Learning | |
| dc.subject | Privacy | |
| dc.subject | Personalization | |
| dc.subject | E-Commerce | |
| dc.subject | Collaborative Filtering | |
| dc.subject | Content-based Filtering | |
| dc.subject | Sistemas de Recomendação | |
| dc.subject | Descentralização | |
| dc.subject | Aprendizagem Federada | |
| dc.subject | Privacidade | |
| dc.subject | Personalização | |
| dc.title | Aprendizagem Federada para Recomendações com Privacidade Reforçada | |
| dc.title.alternative | Federated Learning for Privacy-Enhanced Recommendations | eng |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| thesis.degree.name | Mestrado em Engenharia Informática |