面向个性化推荐的联邦个人知识图谱完成：轻量级大语言模型
机器学习
2026-03-17 v1 信息检索
摘要
个性化推荐日益依赖私有用户数据，催生了能够在不集中化其信息的情况下适应个体的方案。我们提出了 Federated Targeted Recommendations with Evolving Knowledge graphs and Language Models（FedTREK-LM），一个统一轻量级大语言模型（LLM）、演化中的个人知识图谱（PKG）、联邦学习（FL）与Kahneman-Tversky优化的框架，以实现可扩展的、去中心化的个性化。通过结构化PKG提示LLM，FedTREK-LM可为诸如电影和食谱推荐等个性化推荐任务进行情境感知推理。在三个轻量级Qwen3模型（0.6B、1.7B、4B）上，FedTREK-LM在电影和食物基准测试中持续显著优于最先进的知识图谱完成和联邦推荐基线（HAKE、KBGAT和FedKGRec），在F1分数上提升超过4倍。我们的结果进一步表明，真实用户数据对有效的个性化至关重要，合成数据可使性能下降最高46%。总体而言，FedTREK-LM为跨越去中心化、演化中的用户PKG的自适应、LLM驱动的个性化提供了实用的范式。
引用
@article{arxiv.2603.13264,
title = {Federated Personal Knowledge Graph Completion with Lightweight Large Language Models for Personalized Recommendations},
author = {Fernando Spadea and Oshani Seneviratne},
journal= {arXiv preprint arXiv:2603.13264},
year = {2026}
}