用于隐私保护跨域推荐的联邦语义学习
信息检索
2025-04-01 v1
摘要
在不断发展的推荐系统领域中，有效进行隐私保护的跨域推荐，特别是在严格的非重叠约束下，已成为一个关键焦点。尽管广泛的研究已取得显著进展，但仍存在几个局限性：1) 先前基于语义的方法未能深入挖掘丰富的文本信息，因为它们将文本量化为编码，丢失了其原本丰富的语义。2) 当前的解决方案仅依赖文本模态，而忽略了与 ID 模态的协同效应。3) 现有研究未考虑无关语义特征的影响，导致语义表示不准确。为了应对这些挑战，我们引入了联邦语义学习，并设计了 FFMSR 作为我们的解决方案。针对局限性 1，我们通过多层语义编码器从原始文本中局部学习物品的语义编码，然后在服务器上对其进行聚类，以促进语义知识在域之间的迁移。针对局限性 2，我们在客户端上整合了 ID 和文本模态，并利用它们学习物品的不同方面。针对局限性 3，开发了基于快速傅里叶变换（FFT）的滤波器和门控机制，以减轻局部模型中无关语义信息的影响。我们在两个真实世界数据集上进行了大量实验，结果表明我们的 FFMSR 方法优于其他 SOTA 方法。我们的源代码公开于：https://github.com/Sapphire-star/FFMSR。
引用
@article{arxiv.2503.23026,
title = {Federated Semantic Learning for Privacy-preserving Cross-domain Recommendation},
author = {Ziang Lu and Lei Guo and Xu Yu and Zhiyong Cheng and Xiaohui Han and Lei Zhu},
journal= {arXiv preprint arXiv:2503.23026},
year = {2025}
}