基于聚类的聚合式联邦图神经网络推荐框架

个人交互数据可以有效地建模为每个用户的单个图在推荐系统中。基于图神经网络 (GNN) 的推荐技术因能够通过聚合单个图到全局交互图来捕获用户和物品之间的高阶协同信号而变得极其流行。然而，这种集中方法本质上会威胁到用户的隐私和安全。最近，基于联邦 GNN 的推荐技术 emerged as a promising solution to mitigate privacy concerns。然而，当前的实现要么限制于单独的 individual graphs 的设备内训练，要么需要依赖额外的第三方服务器来触碰其他 individual graphs，这也增加了隐私泄露的风险。为解决这一挑战，我们提出了一个聚类增强的联邦图神经网络框架用于推荐，称为 CFedGR，通过以隐私保护的方式引入高阶协同信号来增强 individual graphs。具体而言，服务器聚类预训练的用户表示以识别高阶协同信号。此外，设计了两种高效策略以减少设备和服务器之间的通信。在三个基准数据集上的广泛实验验证了我们提出方法的有效性。