面向隐私保护跨域推荐的联邦用户偏好建模
信息检索
2024-08-28 v1
摘要
跨域推荐旨在通过跨域迁移知识来解决数据稀疏问题。现有的跨域推荐方法通常假设用户-物品交互数据可以在域间共享，这导致了隐私泄露。最近，一些隐私保护跨域推荐模型被提出以解决此问题。然而，它们主要迁移仅从用户-物品交互历史中学到的简单表示，忽略了其他有用的辅助信息，导致用户偏好不准确。此外，它们跨域迁移差分隐私的用户-物品交互矩阵或嵌入以保护隐私。然而，这些方法提供的隐私保护有限，因为攻击者可能利用外部信息推断原始数据。为了解决这些挑战，我们提出了一个新颖的联邦用户偏好建模框架。在FUPM中，首先，提出了一个新颖的综合偏好探索模块，从交互数据和包括评论文本及潜在正物品在内的附加数据中学习用户的综合偏好。其次，设计了一个私有偏好迁移模块，首先学习差分隐私的局部和全局原型，然后使用联邦学习策略私下迁移全局原型。这些原型是用户群体的泛化表示，使得攻击者难以推断个体信息。在Amazon和Douban数据集上进行的四个跨域推荐任务的大量实验验证了FUPM相对于SOTA基线的优越性。代码可在https://github.com/Lili1013/FUPM获取。
引用
@article{arxiv.2408.14689,
title = {Federated User Preference Modeling for Privacy-Preserving Cross-Domain Recommendation},
author = {Li Wang and Shoujin Wang and Quangui Zhang and Qiang Wu and Min Xu},
journal= {arXiv preprint arXiv:2408.14689},
year = {2024}
}