面向设备端 POI 推荐的具有自适应参考数据的去中心化协作学习

在基于位置的社交网络中，兴趣点（POI）推荐帮助用户发现有趣的地点。为了保护隐私和减少对服务器的依赖，从基于云的模型向设备端推荐发展已成为一种趋势。由于单个设备上本地用户-项目交互的稀缺性，仅依赖本地实例是不够的。协作学习（CL）应运而生以促进用户间的模型共享，其中参考数据作为一种中介，允许用户交换其软决策而无需直接共享私有数据或参数，从而确保隐私并从协作中受益。然而，现有的基于 CL 的推荐通常对所有用户使用单一参考。鉴于用户偏好的多样性，对某一用户有价值的参考数据可能对另一用户有害。用户可能不会对其兴趣范围之外的项目提供有意义的软决策。因此，对所有协作使用相同的参考数据可能会阻碍知识交换并导致次优性能。为了弥补这一不足，我们引入了具有自适应参考数据的去中心化协作学习（DARD）框架，该框架为有效的用户协作精心构建自适应参考数据。它首先通过变换和概率数据生成方法生成一个脱敏的公共参考数据池。对于每个用户，通过训练损失跟踪和影响函数并行执行自适应参考数据的选择。局部模型使用个人私有数据进行训练，并与地理和语义邻居协作训练。在两个用户之间的协作过程中，他们基于其自适应参考数据的组合集交换软决策。我们在两个真实世界数据集上的评估突出了 DARD 在推荐性能和解决可用参考数据稀缺性方面的优越性。