面向下一兴趣点推荐的去中心化协同学习框架

下一兴趣点（POI）推荐因能有效帮助人们决定下一个要访问的 POI，已成为基于位置的社交网络（LBSNs）中不可或缺的功能。然而，准确的推荐需要大量历史签到数据，由于位置敏感数据需由云服务器处理，这威胁到用户隐私。尽管已有若干用于隐私保护 POI 推荐的端上框架，但它们在存储与计算上仍资源密集，且对用户-POI 交互高度稀疏的鲁棒性有限。在此基础上，我们提出一种新颖的 POI 推荐去中心化协同学习框架（DCLR），允许用户以协同方式在本地训练其个性化模型。DCLR 显著降低了本地模型训练对云的依赖，并可用于扩展任意集中式推荐模型。为缓解学习各本地模型时端上用户数据的稀疏性，我们设计了两种自监督信号，利用 POI 的地理与类别相关性在服务器上预训练 POI 表示。为促进协同学习，我们创新性地提出通过注意力聚合与互信息最大化，将地理或语义相似用户的知识融入各本地模型。该协同学习过程利用设备间通信，仅需中心服务器少量参与以识别用户组，并兼容差分隐私等常见隐私保护机制。我们在两个真实数据集上评估 DCLR，结果表明 DCLR 优于最先进的端上框架，并与集中式对应方法取得有竞争力的结果。