Tóm tắt: Sự phát triển của dữ liệu lớn và các nền tảng trực tuyến thúc đẩy hệ khuyến nghị (các hệ thống sử dụng dữ liệu và hành vi tương tác của người dùng để phân tích sở thích), từ đó đưa ra các đề xuất nội dung, sản phẩm hoặc dịch vụ phù hợp với từng cá nhân. Tuy nhiên, việc tập trung dữ liệu người dùng làm gia tăng rủi ro về quyền riêng tư và khó đáp ứng các quy định bảo vệ dữ liệu. FRS giải quyết vấn đề này bằng cách kết hợp học liên kết với thuật toán khuyến nghị, cho phép khai thác dữ liệu phân tán mà không cần chia sẻ dữ liệu gốc. Bài viết tổng quan về kiến trúc, quy trình, thành phần và ứng dụng của FRS, đồng thời phân tích các thách thức như bảo vệ quyền riêng tư, dữ liệu không đồng nhất, chi phí truyền thông và khả năng mở rộng. Từ đó, bài viết đề xuất các hướng nghiên cứu nhằm xây dựng hệ khuyến nghị học liên kết hiệu quả, an toàn và bảo vệ quyền riêng tư tốt hơn.
Từ khóa: Hệ khuyến nghị; học liên kết; quyền riêng tư; hệ khuyến nghị học liên kết; dữ liệu phân tán.
FEDERATED RECOMMENDER SYSTEM: DEVELOPMENT TRENDS IN THE ERA OF DISTRIBUTED DATA
Abstract: The development of big data and online platforms has driven the widespread adoption of recommender systems (systems that use data and user interaction behaviors to analyze preferences), provide personalized recommendations for content, products, or services. However, the centralized collection of user data increases privacy risks and makes compliance with data protection regulations more challenging. Federated Recommender System (FRS) address this issue by integrating federated learning with recommendation algorithms, enabling the exploitation of distributed data without sharing raw data. This aricle provides an overview of the architecture, workflow, components, and applications of FRS, while analyzing key challenges, including privacy protection, data heterogeneity, communication costs, and scalability. Based on these findings, the article proposes potential research directions toward developing federated recommender systems that are more efficient, secure, and privacy-preserving.
Keywords: Recommender systems; federated learning; privacy; federated recommender systems; distributed data.
1. Tổng quan về FRS
Sự bùng nổ của Internet và các nền tảng số đã tạo ra lượng dữ liệu khổng lồ từ các hoạt động mua sắm, giải trí, học tập và tương tác trên mạng xã hội. Trong bối cảnh đó, hệ khuyến nghị đã trở thành một công cụ quan trọng giúp người dùng tiếp cận nhanh chóng các sản phẩm hoặc nội dung phù hợp với nhu cầu cá nhân. Các hệ thống này được ứng dụng rộng rãi trong thương mại điện tử, dịch vụ phát trực tuyến, mạng xã hội và nhiều lĩnh vực khác nhằm nâng cao trải nghiệm người dùng và tối ưu hóa hiệu quả kinh doanh (Hyeyoung Ko, 2022).
Để tạo ra các khuyến nghị chính xác, hệ khuyến nghị cần khai thác nhiều loại dữ liệu như lịch sử mua sắm, đánh giá sản phẩm, hành vi duyệt web, thông tin cá nhân và các mối quan hệ xã hội. Trong mô hình truyền thống, các dữ liệu này thường được thu thập và lưu trữ trên một máy chủ trung tâm. Mặc dù cách tiếp cận này thuận lợi cho quá trình huấn luyện mô hình, nhưng cũng làm gia tăng nguy cơ rò rỉ dữ liệu và xâm phạm quyền riêng tư. Bên cạnh đó, các Quy định bảo vệ dữ liệu của Liên minh châu Âu (GDPR) hạn chế việc chia sẻ dữ liệu giữa các tổ chức, gây khó khăn cho việc xây dựng hệ khuyến nghị từ nhiều nguồn dữ liệu khác nhau (Tommaso Di Noia, 2022).
Để khắc phục những hạn chế trên, học liên kết được phát triển như một mô hình học máy phân tán, trong đó dữ liệu được lưu trữ tại thiết bị hoặc tổ chức sở hữu. Thay vì truyền dữ liệu gốc đến máy chủ, các thiết bị chỉ gửi tham số hoặc bản cập nhật mô hình sau khi huấn luyện cục bộ. Máy chủ trung tâm tổng hợp các bản cập nhật để xây dựng mô hình toàn cục, sau đó phân phối mô hình trở lại các thiết bị tham gia. Cách tiếp cận này giúp giảm nguy cơ rò rỉ dữ liệu trực tiếp và tạo điều kiện cho nhiều tổ chức cùng xây dựng mô hình mà không cần chia sẻ dữ liệu gốc.
Khi được áp dụng vào hệ khuyến nghị, học liên kết tạo thành FRS. FRS cho phép xây dựng mô hình khuyến nghị từ dữ liệu phân tán của nhiều người dùng hoặc tổ chức mà không cần tập trung dữ liệu gốc. So với hệ khuyến nghị tập trung, FRS vẫn có thể khai thác thông tin cộng tác giữa người dùng và các miền dữ liệu thông qua quá trình huấn luyện phân tán, đồng thời tăng cường khả năng bảo vệ quyền riêng tư và đáp ứng các yêu cầu về bảo vệ dữ liệu (Yang, Tan, Zheng, Chen & Yang, 2020).
2. Kiến trúc của FRS
Kiến trúc tổng thể của FRS gồm các thực thể tham gia hệ thống và kiến trúc chức năng:
2.1. Các thực thể tham gia hệ thống
Người dùng (User): Là thực thể trung tâm của hệ thống, được xác định thông qua một định danh duy nhất. Người dùng trực tiếp tương tác với hệ thống thông qua các hoạt động như đánh giá sản phẩm, mua sắm, xem phim hoặc sử dụng các dịch vụ trực tuyến. Trong quá trình này, hệ thống thu nhận các thông tin như sở thích, lịch sử tương tác, đánh giá và phản hồi của người dùng để xây dựng mô hình khuyến nghị cá nhân hóa. Các thông tin này đóng vai trò quan trọng trong việc dự đoán nhu cầu của người dùng ở các lần tương tác tiếp theo. Tuy nhiên, đây cũng là nhóm dữ liệu nhạy cảm cần được bảo vệ trong quá trình huấn luyện và trao đổi mô hình (Chen Zhang, 2021).
Sản phẩm (Item): Là đối tượng được hệ thống đề xuất cho người dùng. Tùy thuộc vào từng lĩnh vực ứng dụng, sản phẩm có thể là hàng hóa trong thương mại điện tử, bộ phim, bài hát, khóa học trực tuyến hoặc các nội dung số khác.
Ngoài các thông tin cơ bản như tên, hệ thống còn sử dụng các thuộc tính đặc trưng của sản phẩm để xây dựng mô hình khuyến nghị. Việc kết hợp thông tin về người dùng và sản phẩm giúp nâng cao khả năng dự đoán cũng như cải thiện chất lượng khuyến nghị (Teimoori, Yassine & Hossain, 2022).
Hồ sơ liên miền (Cross-system): Một đặc điểm nổi bật của FRS là khả năng khai thác dữ liệu từ nhiều hệ thống khác nhau. Để thực hiện điều này, hệ thống xây dựng hồ sơ người dùng liên miền bằng cách kết hợp thông tin từ nhiều nền tảng hoặc nhiều nguồn dữ liệu khác nhau.
Việc tổng hợp dữ liệu đa nguồn giúp mô hình hiểu đầy đủ hơn về sở thích của người dùng, từ đó tạo ra các khuyến nghị chính xác hơn. Tuy nhiên, quá trình kết hợp dữ liệu này cũng làm tăng yêu cầu về bảo vệ quyền riêng tư, vì dữ liệu thuộc nhiều hệ thống độc lập cần được khai thác mà không được chia sẻ trực tiếp (Kalloori & Klingler, 2021).
Mô-đun khuyến nghị (Recommendation): Là thành phần chịu trách nhiệm tạo ra các đề xuất cá nhân hóa dựa trên dữ liệu thu được từ nhiều nguồn khác nhau. Thành phần này đóng vai trò là trung tâm xử lý, kết hợp thông tin về người dùng, sản phẩm và các mô hình đã được huấn luyện để dự đoán những mục mà người dùng có khả năng quan tâm. Thông qua việc khai thác tri thức từ nhiều miền dữ liệu, mô-đun khuyến nghị giúp nâng cao chất lượng dự đoán và cải thiện trải nghiệm của người dùng.
Máy chủ trung tâm (Cloud Server): Đóng vai trò điều phối toàn bộ quá trình học liên kết. Khác với mô hình tập trung, máy chủ không trực tiếp lưu trữ dữ liệu gốc của người dùng mà chỉ tiếp nhận các bản cập nhật mô hình từ các bên tham gia, thực hiện tổng hợp và phân phối mô hình chung của toàn hệ thống cho các vòng huấn luyện tiếp theo. Bên cạnh nhiệm vụ tổng hợp mô hình, máy chủ còn quản lý quá trình giao tiếp giữa các thực thể tham gia, đồng thời đảm bảo việc đồng bộ mô hình trong toàn hệ thống (Neumann, Lutz, Müller & Samek, 2023).
2.2. Kiến trúc chức năng của FRS
Kiến trúc chức năng của FRS được chia thành bốn thành phần chính gồm: Bộ thu thập dữ liệu, bộ trích xuất đặc trưng, hệ khuyến nghị và bộ đánh giá. Các thành phần này phối hợp với nhau để xây dựng và cập nhật mô hình khuyến nghị trong môi trường học liên kết (Imran và cộng sự, 2023).
Bộ thu thập dữ liệu: Chịu trách nhiệm tiếp nhận và xử lý dữ liệu từ nhiều nguồn khác nhau như website, ứng dụng di động hoặc các nền tảng trực tuyến. Thay vì tập trung dữ liệu gốc, thành phần này tổ chức và chuẩn hóa dữ liệu để phục vụ quá trình huấn luyện mô hình học liên kết. Việc tổng hợp dữ liệu từ nhiều nguồn giúp hệ thống xây dựng hồ sơ người dùng đầy đủ hơn và hỗ trợ tạo ra các khuyến nghị có chất lượng cao hơn.
Bộ trích xuất đặc trưng: Sau khi dữ liệu được thu thập, bộ trích xuất đặc trưng sẽ chuyển đổi dữ liệu thô thành các đặc trưng có ý nghĩa đối với mô hình học máy. Các đặc trưng này có thể bao gồm sở thích của người dùng, thông tin nhân khẩu học, thuộc tính của sản phẩm và lịch sử đánh giá.
Việc xây dựng một biểu diễn thống nhất cho dữ liệu giúp hệ thống dễ dàng so sánh thông tin từ nhiều nguồn khác nhau, đồng thời giảm khối lượng dữ liệu cần xử lý trong các vòng huấn luyện.
Hệ khuyến nghị: Đây là thành phần cốt lõi của FRS, thực hiện phân tích dữ liệu và xây dựng mô hình dự đoán nhằm tạo ra các khuyến nghị phù hợp với từng người dùng. Mô hình khuyến nghị được cập nhật liên tục thông qua các vòng học liên kết, bảo đảm rằng các đề xuất luôn phản ánh được sự thay đổi trong hành vi và sở thích của người dùng.
Bộ đánh giá: Có nhiệm vụ đo lường hiệu quả hoạt động của hệ thống thông qua các chỉ số như mức độ hài lòng của người dùng, khả năng tương tác hoặc chất lượng khuyến nghị. Kết quả đánh giá được sử dụng để điều chỉnh các thành phần khác của hệ thống, góp phần nâng cao hiệu năng và độ chính xác của mô hình khuyến nghị. Ngoài ra, bộ đánh giá còn hỗ trợ kiểm tra tính công bằng và độ tin cậy của hệ thống trong quá trình vận hành.
Kiến trúc của FRS được xây dựng theo mô hình phân tán, trong đó dữ liệu người dùng được giữ tại các thiết bị hoặc tổ chức sở hữu dữ liệu, còn máy chủ chỉ thực hiện vai trò điều phối và tổng hợp mô hình. Cấu trúc này vừa tận dụng được tri thức từ nhiều nguồn dữ liệu, vừa góp phần hạn chế nguy cơ rò rỉ thông tin cá nhân. Các thành phần như bộ thu thập dữ liệu, bộ trích xuất đặc trưng, mô-đun khuyến nghị và bộ đánh giá phối hợp với nhau tạo thành nền tảng cho việc triển khai FRS trong nhiều lĩnh vực ứng dụng khác nhau.
3. Ứng dụng của FRS
FRS không chỉ góp phần bảo vệ quyền riêng tư của người dùng mà còn mở rộng khả năng ứng dụng trong nhiều lĩnh vực khác nhau. Nhờ cơ chế học liên kết, các tổ chức có thể khai thác tri thức từ dữ liệu phân tán mà không cần chia sẻ dữ liệu gốc, qua đó vừa nâng cao chất lượng khuyến nghị vừa đáp ứng các yêu cầu về bảo mật và tuân thủ quy định pháp lý. FRS có thể được ứng dụng trong các lĩnh vực sau:
3.1. Thương mại điện tử
Thương mại điện tử là lĩnh vực ứng dụng phổ biến nhất của FRS. Các nền tảng mua sắm trực tuyến thường thu thập lượng lớn dữ liệu như lịch sử mua hàng, đánh giá sản phẩm và hành vi tìm kiếm để xây dựng mô hình khuyến nghị. Trong mô hình truyền thống, toàn bộ dữ liệu này được lưu trữ tập trung, làm gia tăng nguy cơ rò rỉ thông tin cá nhân và tạo ra nhiều thách thức trong việc tuân thủ các quy định bảo vệ dữ liệu.
Việc áp dụng FRS cho phép dữ liệu người dùng được lưu giữ trên thiết bị hoặc hệ thống cục bộ, trong khi quá trình huấn luyện mô hình được thực hiện thông qua cơ chế học liên kết. Nhờ đó, các doanh nghiệp vẫn có thể xây dựng các mô hình khuyến nghị cá nhân hóa mà không cần thu thập trực tiếp dữ liệu người dùng về máy chủ trung tâm. Cách tiếp cận này không chỉ góp phần nâng cao mức độ tin cậy của người dùng đối với dịch vụ mà còn tạo điều kiện triển khai các hệ khuyến nghị đáp ứng yêu cầu của các quy định về bảo vệ dữ liệu (Tareq, Noor & Bepery, 2020).
3.2. Ngân hàng
Trong lĩnh vực ngân hàng, FRS có thể được sử dụng để đề xuất các sản phẩm và dịch vụ tài chính phù hợp với từng khách hàng mà không cần chia sẻ dữ liệu cá nhân giữa các ngân hàng.
Ví dụ: Một khách hàng đang sử dụng dịch vụ tại Ngân hàng A có lịch sử giao dịch thường xuyên, thu nhập ổn định và thường xuyên thanh toán bằng thẻ tín dụng. Trong khi đó, Ngân hàng B có nhiều sản phẩm vay tiêu dùng hoặc đầu tư phù hợp với nhóm khách hàng có đặc điểm tương tự. Tuy nhiên, do các quy định về bảo mật dữ liệu và cạnh tranh giữa các tổ chức tài chính, hai ngân hàng này không thể trao đổi trực tiếp thông tin khách hàng.
Trong mô hình FRS, mỗi ngân hàng sẽ huấn luyện mô hình khuyến nghị trên dữ liệu khách hàng của mình. Thay vì chia sẻ dữ liệu giao dịch hoặc thông tin cá nhân, các ngân hàng chỉ chia sẻ các tham số mô hình đã được bảo vệ thông qua cơ chế học liên kết. Máy chủ trung tâm thực hiện tổng hợp các tham số này để xây dựng mô hình khuyến nghị toàn cục, sau đó gửi lại cho từng ngân hàng. Nhờ đó, mỗi ngân hàng có thể cải thiện chất lượng khuyến nghị các sản phẩm tài chính như: Thẻ tín dụng, khoản vay tiêu dùng, khoản vay mua nhà, bảo hiểm, tiền gửi tiết kiệm, dịch vụ ngân hàng số. Mô hình này giúp khai thác tri thức từ dữ liệu của nhiều tổ chức tài chính trong khi vẫn đảm bảo dữ liệu khách hàng không rời khỏi từng ngân hàng, góp phần nâng cao chất lượng dịch vụ và đáp ứng các yêu cầu về bảo vệ quyền riêng tư (Rahul Kumar, 2025).
3.3. Mạng xã hội
Các nền tảng mạng xã hội tạo ra lượng dữ liệu khổng lồ từ các hoạt động như đăng bài, bình luận, chia sẻ nội dung và tương tác giữa người dùng. Những dữ liệu này là cơ sở quan trọng để xây dựng các hệ khuyến nghị nội dung và kết nối người dùng. FRS cho phép khai thác dữ liệu từ nhiều nền tảng mạng xã hội mà không cần tập trung dữ liệu tại một máy chủ duy nhất. Việc kết hợp tri thức từ nhiều nguồn giúp mô hình hiểu rõ hơn sở thích và hành vi của người dùng, từ đó nâng cao chất lượng khuyến nghị. Đồng thời, cơ chế học liên kết giúp giảm nguy cơ rò rỉ dữ liệu cá nhân và hạn chế sự phụ thuộc vào một nguồn dữ liệu duy nhất. Ngoài việc cải thiện khả năng cá nhân hóa, FRS còn hỗ trợ doanh nghiệp phân tích xu hướng người dùng để phục vụ các hoạt động tiếp thị và phát triển sản phẩm (Saura, Ribeiro-Soriano & Palacios-Marqués, 2022).
3.4. Y tế
Y tế là lĩnh vực có yêu cầu rất cao về bảo mật dữ liệu do các thông tin bệnh án và hồ sơ sức khỏe đều mang tính nhạy cảm. Trong khi đó, việc chia sẻ dữ liệu giữa các cơ sở y tế thường gặp nhiều rào cản do các quy định pháp lý cũng như yêu cầu bảo vệ quyền riêng tư của bệnh nhân. FRS được xem là một giải pháp phù hợp cho phép nhiều cơ sở y tế cùng hợp tác xây dựng mô hình khuyến nghị hoặc mô hình hỗ trợ ra quyết định mà không cần chia sẻ trực tiếp dữ liệu bệnh nhân. Nhờ đó, các bệnh viện có thể khai thác tri thức từ dữ liệu phân tán để nâng cao chất lượng dịch vụ và hỗ trợ chẩn đoán, đồng thời vẫn đảm bảo tính bảo mật của hồ sơ bệnh án. Bên cạnh đó, việc lưu trữ dữ liệu tại từng cơ sở còn góp phần giảm chi phí quản lý dữ liệu tập trung và hỗ trợ tuân thủ các quy định về bảo vệ thông tin y tế (Kaur, Kumar & Batra, 2018).
3.5. Giáo dục
Trong lĩnh vực giáo dục, hệ khuyến nghị được sử dụng để đề xuất tài liệu học tập, khóa học hoặc nội dung phù hợp với năng lực và nhu cầu của từng người học. Tuy nhiên, dữ liệu học tập thường được lưu trữ tại nhiều hệ thống quản lý học tập khác nhau và chứa nhiều thông tin cá nhân của người học. FRS giúp các cơ sở giáo dục khai thác dữ liệu học tập từ nhiều nguồn mà không cần tập trung toàn bộ dữ liệu tại một máy chủ. Việc áp dụng học liên kết cho phép xây dựng các mô hình khuyến nghị hỗ trợ cá nhân hóa quá trình học tập, đồng thời bảo vệ thông tin cá nhân của người học. Theo bài báo khảo sát, cách tiếp cận này góp phần nâng cao mức độ tương tác của người học, cải thiện hiệu quả học tập và giảm khối lượng công việc của giảng viên trong quá trình hướng dẫn ((Liu, Wu, Chang & Gu, 2022).
Qua các lĩnh vực ứng dụng có thể thấy rằng FRS mang lại tiềm năng lớn trong việc khai thác dữ liệu phân tán đồng thời bảo vệ quyền riêng tư của người dùng. Khả năng triển khai trên nhiều lĩnh vực khác nhau cho thấy FRS không chỉ là một hướng nghiên cứu mà còn có giá trị thực tiễn cao trong bối cảnh dữ liệu ngày càng phân tán và các yêu cầu về bảo vệ dữ liệu ngày càng nghiêm ngặt. Tuy nhiên, để FRS được áp dụng rộng rãi trong thực tế, vẫn còn nhiều thách thức cần được giải quyết liên quan đến hiệu quả huấn luyện, chi phí truyền thông và khả năng bảo vệ quyền riêng tư.
4. Những thách thức trong việc triển khai FRS
FRS đã mang lại nhiều lợi ích trong việc bảo vệ dữ liệu người dùng và hỗ trợ chia sẻ tri thức giữa các nền tảng, nhưng việc triển khai FRS trong thực tế vẫn còn nhiều thách thức. Các thách thức này không chỉ ảnh hưởng đến hiệu quả của mô hình khuyến nghị mà còn tác động đến khả năng mở rộng và tính khả thi khi áp dụng trong các hệ thống quy mô lớn (Muhammad Asad, Nakazato & ManabuTsukada, 2023).
4.1. Thách thức về bảo vệ quyền riêng tư
Mặc dù dữ liệu người dùng không được truyền trực tiếp đến máy chủ, FRS vẫn chưa loại bỏ hoàn toàn nguy cơ rò rỉ thông tin. Trong quá trình huấn luyện, các client (thiết bị của người dùng) phải gửi các tham số hoặc gradient (trong quá trình huấn luyện, gradient (độ dốc) được dùng để xác định hướng và mức độ điều chỉnh các tham số nhằm giảm sai số) của mô hình đến máy chủ để thực hiện tổng hợp. Các bản cập nhật này có thể chứa thông tin phản ánh dữ liệu cục bộ của người dùng và trở thành mục tiêu của các cuộc tấn công nhằm suy luận thông tin cá nhân. Việc lựa chọn các cơ chế bảo vệ quyền riêng tư phù hợp là một trong những vấn đề quan trọng nhất của FRS.
4.2. Khả năng mở rộng của hệ thống
Trong các ứng dụng thực tế, số lượng người dùng tham gia học liên kết có thể rất lớn. Khi số lượng khách hàng tăng lên, máy chủ phải tiếp nhận và tổng hợp nhiều bản cập nhật hơn trong mỗi vòng huấn luyện. Điều này làm gia tăng thời gian xử lý, yêu cầu tài nguyên tính toán và băng thông truyền thông.
Bên cạnh đó, các khách hàng thường có cấu hình phần cứng, tốc độ xử lý và điều kiện kết nối mạng khác nhau. Sự không đồng nhất này làm cho quá trình đồng bộ mô hình trở nên khó khăn hơn, đặc biệt trong các hệ thống có hàng nghìn hoặc hàng triệu thiết bị tham gia đồng thời. Vì vậy, nâng cao khả năng mở rộng là một trong những yêu cầu quan trọng đối với các hệ khuyến nghị học liên kết.
4.3. Chi phí tính toán và truyền thông
So với các hệ khuyến nghị truyền thống, FRS đòi hỏi nhiều vòng trao đổi giữa máy chủ và các client. Trong mỗi vòng huấn luyện, mô hình phải được gửi từ máy chủ đến các client, sau đó các bản cập nhật lại được truyền ngược trở về để thực hiện tổng hợp.
Nếu kết hợp các cơ chế bảo vệ quyền riêng tư như Differential Privacy - DP (bảo mật khác biệt), Homomorphic Encryption - HE (mã hóa đồng hình) hoặc Secure Multi-Party Computation - SMPC (tính toán đa bên an toàn), chi phí tính toán và truyền thông của hệ thống sẽ tăng lên ở các mức độ khác nhau. Trong đó, DP chủ yếu làm tăng chi phí xử lý do bổ sung bước cắt gradient và thêm nhiễu, trong khi HE và SMPC còn làm tăng đáng kể chi phí tính toán và truyền thông do phải thực hiện các phép toán mật mã và trao đổi nhiều thông điệp giữa các bên. Điều này có thể làm giảm hiệu quả của hệ thống, đặc biệt trên các thiết bị có tài nguyên hạn chế như điện thoại thông minh hoặc thiết bị Internet vạn vật (IoT).
4.4. Đánh đổi giữa quyền riêng tư và chất lượng khuyến nghị
Một trong những thách thức lớn nhất của FRS là duy trì sự cân bằng giữa khả năng bảo vệ quyền riêng tư và hiệu quả của mô hình khuyến nghị.
Các kỹ thuật như DP thường bổ sung nhiễu vào dữ liệu hoặc tham số mô hình nhằm hạn chế khả năng suy luận thông tin người dùng. Tuy nhiên, lượng nhiễu quá lớn có thể làm giảm độ chính xác của hệ thống khuyến nghị. Ngược lại, nếu giảm mức độ bảo vệ để cải thiện hiệu quả dự đoán thì nguy cơ rò rỉ thông tin lại tăng lên. Do đó, việc lựa chọn cơ chế bảo vệ phù hợp với từng ứng dụng cụ thể vẫn là một hướng nghiên cứu quan trọng trong lĩnh vực FRS.
5. Giải pháp khắc phục và định hướng nghiên cứu
Hiện nay, có nhiều giải pháp đã được đề xuất nhằm nâng cao khả năng bảo vệ quyền riêng tư, giảm chi phí truyền thông và cải thiện hiệu quả của mô hình. Các giải pháp này tập trung vào việc tăng cường cơ chế bảo mật trong quá trình huấn luyện, tối ưu hóa quá trình tổng hợp mô hình và nâng cao khả năng triển khai trong các hệ thống quy mô lớn.
5.1. Tăng cường bảo vệ quyền riêng tư
Mặc dù học liên kết giúp dữ liệu người dùng không cần truyền trực tiếp đến máy chủ, các tham số hoặc gradient của mô hình vẫn có thể bị khai thác để suy luận thông tin cá nhân. Vì vậy, việc kết hợp các cơ chế bảo vệ quyền riêng tư là giải pháp quan trọng nhằm nâng cao tính bảo mật của hệ thống.
Hiện nay, nhiều kỹ thuật bảo vệ quyền riêng tư đã được nghiên cứu và áp dụng trong FRS, bao gồm DP, SMPC, HE, Tokenization (mã hóa token), Anonymization (ẩn danh hóa) và Pseudonymization (giả danh hóa). Mỗi kỹ thuật có nguyên lý hoạt động, phạm vi bảo vệ cũng như ưu và nhược điểm khác nhau.
Nhìn chung, không có cơ chế nào có thể đồng thời đạt được mức bảo vệ; độ chính xác cao và chi phí tính toán thấp. Trong đó, HE và SMPC duy trì tốt chất lượng mô hình nhưng tiêu tốn nhiều tài nguyên tính toán và truyền thông. Ngược lại, DP có chi phí thấp hơn nhưng làm giảm độ chính xác do bổ sung nhiễu vào dữ liệu hoặc mô hình. Vì vậy, xu hướng nghiên cứu hiện nay là kết hợp nhiều kỹ thuật bảo vệ quyền riêng tư nhằm đạt được sự cân bằng giữa mức độ bảo vệ, chất lượng khuyến nghị và hiệu quả triển khai trong thực tế.
5.2. Nâng cao hiệu quả của quá trình tổng hợp mô hình
Quá trình tổng hợp mô hình đóng vai trò quyết định đối với hiệu quả hoạt động của FRS. Khi số lượng client tăng lên, việc tiếp nhận và xử lý các bản cập nhật từ nhiều thiết bị có thể làm gia tăng thời gian huấn luyện và chi phí truyền thông. Một giải pháp được đề xuất là cải tiến các thuật toán tổng hợp nhằm giảm lượng dữ liệu trao đổi giữa các client và máy chủ, đồng thời nâng cao hiệu quả sử dụng các bản cập nhật cục bộ. Việc thiết kế các thuật toán tổng hợp phù hợp sẽ giúp mô hình hội tụ nhanh hơn và giảm tải cho máy chủ trung tâm, đặc biệt trong các hệ thống có quy mô lớn.
5.3. Giảm chi phí tính toán và truyền thông
Chi phí tính toán và truyền thông là một trong những rào cản lớn khi triển khai FRS trên các thiết bị có tài nguyên hạn chế. Để khắc phục vấn đề này, cần tối ưu quá trình truyền mô hình giữa máy chủ và các client, đồng thời lựa chọn các kỹ thuật bảo vệ có chi phí tính toán phù hợp với từng môi trường ứng dụng. Bên cạnh đó, việc thiết kế các mô hình khuyến nghị nhẹ hơn và giảm số vòng huấn luyện cũng góp phần nâng cao hiệu quả triển khai trong thực tế.
5.4. Nâng cao khả năng mở rộng của hệ thống
Trong các ứng dụng thực tế, FRS có thể phải phục vụ hàng triệu người dùng và hàng nghìn thiết bị tham gia đồng thời. Do đó, hệ thống cần có khả năng mở rộng để đáp ứng khối lượng dữ liệu và số lượng client ngày càng tăng.
Một hướng giải quyết là xây dựng kiến trúc phân tán linh hoạt, kết hợp cơ chế quản lý và điều phối hiệu quả giữa máy chủ và các client. Điều này giúp giảm tải cho máy chủ trung tâm, nâng cao khả năng xử lý song song và đảm bảo hệ thống hoạt động ổn định khi quy mô triển khai ngày càng lớn.
5.5. Mở rộng ứng dụng trong các lĩnh vực thực tiễn
FRS đã được nghiên cứu trong nhiều lĩnh vực như thương mại điện tử, ngân hàng, mạng xã hội, y tế, và giáo dục. Trong tương lai, việc mở rộng ứng dụng của FRS sang nhiều lĩnh vực khác sẽ tạo điều kiện khai thác dữ liệu phân tán một cách an toàn hơn.
Để đạt được mục tiêu này, cần xây dựng các mô hình FRS phù hợp với đặc điểm dữ liệu của từng lĩnh vực, đồng thời kết hợp các cơ chế bảo vệ quyền riêng tư nhằm đáp ứng các yêu cầu pháp lý và nâng cao mức độ tin cậy của người dùng đối với hệ thống.
Các giải pháp trên cho thấy việc phát triển FRS không chỉ phụ thuộc vào các thuật toán khuyến nghị mà còn đòi hỏi sự kết hợp giữa các cơ chế bảo vệ quyền riêng tư, tối ưu hóa quá trình tổng hợp mô hình và cải thiện kiến trúc hệ thống. Trong đó, không có một giải pháp đơn lẻ nào có thể giải quyết đồng thời tất cả các thách thức. Vì vậy, xu hướng hiện nay là kết hợp nhiều kỹ thuật bảo vệ quyền riêng tư với các thuật toán học liên kết nhằm đạt được sự cân bằng giữa độ chính xác của hệ khuyến nghị, khả năng bảo vệ dữ liệu và hiệu quả triển khai thực tế.
5.6. Định hướng nghiên cứu
Dựa trên những phân tích trong bài viết, có thể thấy FRS còn nhiều tiềm năng phát triển trong tương lai.
Trước hết, cần tiếp tục nghiên cứu các cơ chế bảo vệ quyền riêng tư có khả năng giảm chi phí tính toán nhưng vẫn duy trì hiệu quả của mô hình. Việc kết hợp nhiều kỹ thuật bảo vệ khác nhau có thể giúp nâng cao mức độ an toàn mà không làm ảnh hưởng đáng kể đến chất lượng khuyến nghị.
Bên cạnh đó, việc thiết kế các thuật toán tổng hợp hiệu quả hơn sẽ góp phần giảm chi phí truyền thông và cải thiện khả năng mở rộng của hệ thống khi số lượng client tăng lên. Đây là yêu cầu quan trọng để FRS có thể được triển khai trong các ứng dụng quy mô lớn.
Ngoài ra, việc mở rộng phạm vi ứng dụng của FRS trong các lĩnh vực như y tế, giáo dục, tài chính và thương mại điện tử cũng là một hướng nghiên cứu triển vọng. Những lĩnh vực này đều có nhu cầu khai thác dữ liệu từ nhiều nguồn nhưng đồng thời phải đáp ứng các yêu cầu nghiêm ngặt về bảo mật và quyền riêng tư (Muhammad Asad, Nakazato & ManabuTsukada, 2023).
6. Kết luận
FRS là một hướng nghiên cứu mới kết hợp giữa học liên kết và hệ khuyến nghị nhằm giải quyết đồng thời hai mục tiêu: Nâng cao chất lượng khuyến nghị và bảo vệ quyền riêng tư của người dùng. Thông qua cơ chế huấn luyện phân tán, FRS cho phép nhiều thiết bị hoặc nhiều tổ chức cùng xây dựng mô hình chung mà không cần chia sẻ dữ liệu gốc, góp phần giảm nguy cơ rò rỉ thông tin và đáp ứng các yêu cầu của các quy định bảo vệ dữ liệu.
Bài viết đã trình bày tổng quan về FRS, bao gồm khái niệm, kiến trúc, các thành phần chính và những lĩnh vực ứng dụng tiêu biểu như thương mại điện tử, mạng xã hội, y tế, giáo dục và ngân hàng. Đồng thời, bài viết cũng phân tích những thách thức còn tồn tại liên quan đến bảo vệ quyền riêng tư, khả năng mở rộng, chi phí tính toán và truyền thông, cũng như sự đánh đổi giữa quyền riêng tư và chất lượng khuyến nghị.
Mặc dù vẫn còn nhiều vấn đề cần tiếp tục nghiên cứu, FRS được đánh giá là một hướng tiếp cận đầy tiềm năng trong bối cảnh dữ liệu ngày càng phân tán và các yêu cầu về bảo vệ thông tin cá nhân ngày càng nghiêm ngặt. Việc phát triển các mô hình khuyến nghị vừa đảm bảo hiệu quả dự đoán vừa bảo vệ tốt quyền riêng tư sẽ góp phần thúc đẩy quá trình ứng dụng học liên kết trong nhiều lĩnh vực thực tiễn trong tương lai.
Tài liệu tham khảo
1. Chen Zhang, Y. X. (2021), A survey on federated learning. Knowl.-Based Syst, 216, 106775.
2. Hyeyoung Ko, Suyeon Lee,Yoonseo Park and Anna Choi (2022), A Survey of Recommendation Systems: Recommendation Models, Techniques, and Application Fields. Electronic Solutions for Artificial Intelligence Healthcare Volume II. doi: https://doi.org/10.3390/electronics11010141
3. Imran, M., Yin, H., Chen, T., Nguyen, Q., Zhou, A., & Zheng, K. (2023), ReFRS: Resource-efficient federated recommender system for. ACM Trans. Inf. Syst, 41, 1-30.
4. Kalloori, S., & Klingler, S. (2021), Horizontal cross-silo federated recommender systems. In Proceedings of the 15th ACM Conference on, 680-684.
5. Kaur, H., Kumar, N., & Batra, S. (2018), An efficient multi-party scheme for privacy preserving collaborative filtering for healthcare. Future Gener. Comput. Syst, 86, 297-307.
6. Liu, T., Wu, Q., Chang, L., & Gu, T. (2022), A review of deep learning-based recommender system in e-learning environments. Artif. Intell. Rev, 55, 5953-5980.
7. Muhammad Asad, S., Nakazato, J., & ManabuTsukada (2023), A Comprehensive Survey on Privacy-Preserving Techniques in Federated Recommendation Systems. Appl. Sci, 13, 6201. doi:https://doi.org/10.3390/app13106201
8. Neumann, D., Lutz, A., Müller, K., & Samek, W. (2023), A Privacy Preserving System for Movie Recommendations using Federated. arXiv, 2303.04689.
9. Rahul Kumar, C. S. S. (2025), Privacy-Preserving Federated Learning in Healthcare, E-Commerce, and Finance: A Taxonomy of Security Threats and Mitigation Strategies. EPJ Web of Conferences, 328, 01066.
10. Saura, J., Ribeiro-Soriano, D. & Palacios-Marqués, D. (2022), Evaluating security and privacy issues of social networks based information. Enterp. Inf. Syst, 16, 1694-1710.
11. Tareq, S., Noor, M., & Bepery, C. (2020), Framework of dynamic recommendation system for e-shopping. Int. J. Inf. Technol, 135-140.
12. Teimoori, Z., Yassine, A., & Hossain, M. (2022), A secure cloudlet-based charging station recommendation for electric vehicles empowered. IEEE Trans. Ind. Inform, 18, 6464-6473.
13. Tommaso Di Noia, Nava Tintarev, Panagiota Fatourou, Markus Schedl (2022), Recommender systems under European AI regulations. Commun. ACM, 65, 69-73.
14. Yang, L., Tan, B., Zheng, V. W., Chen, K., & Yang, Q. (2020), Federated recommendation systems. Federated Learning: Privacy and Incentive, 225-239.
