面向隐私保护推荐的联邦异构图神经网络
机器学习
2024-02-29 v4 人工智能
密码学与安全
分布式、并行与集群计算
摘要
异质信息网（HIN）包含由元路径刻画的丰富语义，已成为缓解推荐系统中数据稀疏性的有力工具。现有基于 HIN 的推荐系统建立在集中存储与模型训练的假设之上。然而，现实世界中的数据常因隐私问题而分散，导致 HIN 内部语义断裂，进而使集中式基于 HIN 的推荐失效。本文提出将 HIN 划分为存储在客户端的私有 HIN 与服务器端的共享 HIN。遵循此设定，我们提出了一种基于联邦异构图神经网络（FedHGNN）的框架，可在保护用户隐私的同时利用分布式 HIN 协同训练推荐模型。具体而言，我们首先依据差分隐私形式化定义了基于 HIN 的联邦推荐（FedRec）的隐私定义，旨在保护私有 HIN 中的用户-物品交互以及来自共享 HIN 的用户高阶模式。为恢复断裂的基于元路径的语义并确保所提隐私措施，我们精心设计了语义保持的用户交互发布方法，该方法在本地扰动用户的高阶模式及相关用户-物品交互以供发布。随后，我们引入了一种用于推荐的 HGNN 模型，通过节点级与语义级聚合来捕获恢复的语义。在四个数据集上的大量实验表明，在合理隐私预算下，我们的模型以显著优势（HR@10 最高提升 34%，NDCG@10 最高提升 42%）优于现有方法。
引用
@article{arxiv.2310.11730,
title = {Federated Heterogeneous Graph Neural Network for Privacy-preserving Recommendation},
author = {Bo Yan and Yang Cao and Haoyu Wang and Wenchuan Yang and Junping Du and Chuan Shi},
journal= {arXiv preprint arXiv:2310.11730},
year = {2024}
}
备注
Accepted by WWW 2024