联邦推荐系统中的协同聚类

随着数据隐私和安全日益受到关注，联邦推荐系统（FRS）提供了一种在提供高质量推荐与保护用户隐私之间取得平衡的解决方案。然而，FRS 中普遍存在的统计异质性（由于个性化决策模式所致）可能带来挑战。为解决此问题并最大化联邦框架中协同过滤（CF）的益处，考虑将客户端（用户）和项目聚类为不同组并学习组特定模型是自然的。现有方法要么通过用户表示进行客户端聚类（存在隐私泄露风险），要么在项目嵌入或梯度上使用经典聚类策略，我们发现这些方法受到维数灾难的困扰。在本文中，我们深入分析了 K-Means 方法在客户端分组中的低效性，将其失败归因于高维度和 FRS 中出现的数据稀疏性，并提出了 CoFedRec——一种新型协同聚类联邦推荐机制，以解决客户端异质性并增强联邦框架内的协同过滤。具体而言，服务器首先根据客户端提供的项目网络构建项目成员资格。随后，在每次通信轮次中，客户端根据从项目成员资格中选取的特定项目类别进行分组，从而得到智能聚合的组模型。同时，为全面捕捉项目间的全局相互关系，我们在每个客户端的本地训练阶段引入了基于服务器端生成的项目成员资格的额外监督对比学习项。在四个数据集上提供了大量实验，验证了所提出 CoFedRec 的有效性。