FedGRec：具有隐向量延迟更新的联邦图推荐系统
机器学习
2022-10-26 v1
摘要
推荐系统广泛用于工业界以提升用户体验。尽管取得巨大成功，它们近期因收集用户隐私数据而受到批评。联邦学习（FL）是一种在不直接共享数据的情况下于分布式数据上学习的范式。因此，联邦推荐（FedRec）系统被提出以缓解非分布式推荐系统的隐私担忧。然而，FedRec系统与其非分布式对应系统存在性能差距。主要原因是本地客户端拥有不完整的用户-物品交互图，因而FedRec系统无法很好地利用间接的用户-物品交互。本文提出联邦图推荐系统（FedGRec）以缓解该差距。我们的FedGRec系统能有效利用间接的用户-物品交互。更确切地说，在我们的系统中，用户与服务器显式存储用户与物品的隐向量（latent embedding），其中隐向量总结了不同阶的间接用户-物品交互，并在本地训练期间作为缺失交互图的代理。我们进行了广泛的实证评估以验证使用隐向量作为缺失交互图代理的有效性；实验结果显示我们的系统相较多种基线具有更优性能。本文的简短版本发表于\href{https://federated-learning.org/fl-neurips-2022/}{FL-NeurIPS'22 workshop}。
引用
@article{arxiv.2210.13686,
title = {FedGRec: Federated Graph Recommender System with Lazy Update of Latent Embeddings},
author = {Junyi Li and Heng Huang},
journal= {arXiv preprint arXiv:2210.13686},
year = {2022}
}