面向 POI 推荐的去中心化协同学习 with Knowledge Graph 增强：DecKG
信息检索
2024-10-15 v1
摘要
去中心化协同学习对于点兴趣（POI）推荐获得了研究关注，因为它在隐私保留和效率方面具有优势，使数据保持在本地并利用协同学习在客户端之间训练模型。然而，由于本地数据往往有限且不足以训练准确模型，常见的解决方案是整合外部知识作为辅助信息来增强模型性能。然而，这一解决方案为去中心化协同学习带来了挑战。由于本地数据的私有性质，确定与每个用户相关的相关辅助信息并不明显。此外，资源受限的本地设备难以容纳所有辅助信息，这给本地存储带来了沉重负担。为填补这一空白，我们提出一种新型的去中心化协同学习 with Knowledge Graph 增强框架，用于 POI 推荐（DecKG）。不直接上传互动项目，而是让用户通过上传互动项目的通用类别和从相同类别中抽取相似项目来生成去标识化的签到数据。服务器 then pretrain KG 而不包含敏感的用户-项目交互，并将相关的分区子 KG 分配给 individual用户。实体进一步在设备上被细化，允许客户端之间的通信在本地数据和子 KG 方面交换所学知识。跨越两个真实数据集的评估表明，DecKG 在推荐性能方面具有有效性。
引用
@article{arxiv.2410.10130,
title = {DecKG: Decentralized Collaborative Learning with Knowledge Graph Enhancement for POI Recommendation},
author = {Ruiqi Zheng and Liang Qu and Guanhua Ye and Tong Chen and Yuhui Shi and Hongzhi Yin},
journal= {arXiv preprint arXiv:2410.10130},
year = {2024}
}