基于图神经网络的联邦社交推荐
信息检索
2021-11-23 v1 机器学习
摘要
如今推荐系统已蓬勃发展，旨在通过学习的嵌入来预测用户对物品的潜在兴趣。图神经网络（GNN）的最新进展也为推荐系统提供了强大的骨干网络，以从用户-物品图中学习嵌入。然而，仅利用用户-物品交互会因数据收集困难而遭受冷启动问题。因此，当前研究提出将社交信息与用户-物品交互相融合以缓解该问题，即社交推荐问题。现有工作采用 GNN 同时聚合社交链接与用户-物品交互。但它们都要求集中存储用户的社交链接与物品交互，这引发了隐私担忧。此外，根据《通用数据保护条例》下的严格隐私保护，集中式数据存储未来可能不可行，亟需一种去中心化的社交推荐框架。为此，我们设计了一种新颖的框架——基于图神经网络的联邦社交推荐（FeSoG）。首先，FeSoG 采用关系注意力与聚合来处理异质性。其次，FeSoG 利用本地数据推断用户嵌入以保留个性化。最后同样重要的是，所提模型采用伪标注技术与物品采样来保护隐私并增强训练。在三个真实世界数据集上的大量实验证明了 FeSoG 在完成社交推荐与隐私保护方面的有效性。据我们所知，我们是首个提出用于社交推荐的联邦学习框架的工作。
引用
@article{arxiv.2111.10778,
title = {Federated Social Recommendation with Graph Neural Network},
author = {Zhiwei Liu and Liangwei Yang and Ziwei Fan and Hao Peng and Philip S. Yu},
journal= {arXiv preprint arXiv:2111.10778},
year = {2021}
}
备注
Accepted to ACM TIST