FedHCDR：具有超图谱信号解耦的联邦跨域推荐
机器学习
2024-09-04 v4 信息检索
社会与信息网络
摘要
近年来，跨域推荐（CDR）引起了广泛关注，它利用来自多个领域的用户数据来提升推荐性能。然而，当前的 CDR 方法需要在不同领域间共享用户数据，从而违反了《通用数据保护条例》（GDPR）。因此，人们提出了许多联邦跨域推荐（FedCDR）的方法。尽管如此，不同领域间的数据异构性不可避免地影响了联邦学习的整体性能。在本研究中，我们提出了 FedHCDR，一种具有超图谱信号解耦功能的新型联邦跨域推荐框架。具体而言，为了解决跨域数据异构性问题，我们引入了一种称为超图谱信号解耦（HSD）的方法，将用户特征解耦为领域独有特征和领域共享特征。该方法采用高通和低通超图滤波器来解耦领域独有和领域共享的用户表示，并通过局部 - 全局双向传输算法进行训练。此外，设计了一个超图对比学习（HCL）模块，通过扰动用户超图来增强领域共享用户关系信息的学习。在三个真实场景中进行的大量实验表明，FedHCDR 显著优于现有基线。
引用
@article{arxiv.2403.02630,
title = {FedHCDR: Federated Cross-Domain Recommendation with Hypergraph Signal Decoupling},
author = {Hongyu Zhang and Dongyi Zheng and Lin Zhong and Xu Yang and Jiyuan Feng and Yunqing Feng and Qing Liao},
journal= {arXiv preprint arXiv:2403.02630},
year = {2024}
}
备注
16 pages, 5 figures