基于数据评估的联邦推荐系统：面向电商平台
机器学习
2025-10-09 v1 人工智能
摘要
联邦学习（FL）正因隐私关注问题而在机器学习领域日益受到关注。该范式允许每个客户端（例如，个别在线商店）在本地训练推荐模型，仅共享模型更新，从而在不暴露原始交互日志的前提下，在分布式环境中保持隐私。然而，大多数现有基于联邦学习的推荐系统仍仅依赖每个客户端的私有数据，尽管可从公开数据集中获取丰富信息来丰富本地训练潜力尚未得到充分挖掘。为此，我们考虑一种现实场景：大型购物平台与多个小型在线商店合作构建全局推荐系统。平台拥有全局数据（如可共享的用户和物品列表），而每个商店私人持有部分交互数据（或本地数据）。尽管整合全局数据有助于缓解稀疏和偏倚的客户端本地数据的局限性，但也会引入额外挑战：仅仅组合所有全局交互会放大噪声和无关模式，恶化个性化程度并增加计算成本。为此，我们提出FedGDVE，通过选择性地将来自全局数据集中语义对齐的样本增强每个客户端的本地图谱。FedGDVE采用：（i）预训练的图编码器提取全局结构特征，（ii）本地有效性预测器评估客户端特定的相关性，（iii）基于强化学习的概率估计算筛选并仅抽取最相关的全局交互。FedGDVE在公认基准中的FL环境中性能提升最高可达34.86%。
引用
@article{arxiv.2509.11196,
title = {Federated Recommender System with Data Valuation for E-commerce Platform},
author = {Jongwon Park and Minku Kang and Wooseok Sim and Soyoung Lee and Hogun Park},
journal= {arXiv preprint arXiv:2509.11196},
year = {2025}
}
备注
Accepted to Expert Systems with Applications Journal, Elsevier