FedRKG：一种基于知识图谱增强的隐私保护联邦推荐框架
密码学与安全
2024-01-24 v1 人工智能
分布式、并行与集群计算
信息检索
摘要
联邦学习 (FL) 通过在本地训练模型，已成为在推荐系统中保护数据隐私的一种极具前景的方法。最近，图神经网络 (GNN) 因其能够捕获用户与物品之间的高阶交互而在推荐任务中受到欢迎。然而，隐私问题阻碍了整个用户-物品图的全局共享。为了解决这一限制，一些方法在图中创建伪交互物品或用户，以弥补每个客户端缺失的信息。不幸的是，这些方法引入了随机噪声并引发了隐私问题。在本文中，我们提出了 FedRKG，一种新颖的联邦推荐系统，其中服务器利用公开可用的物品信息构建并维护全局知识图谱 (KG)，从而实现高阶用户-物品交互。在客户端，关系感知 GNN 模型利用多样化的 KG 关系。为了保护本地交互物品并混淆梯度，我们采用了伪标记和本地差分隐私 (LDP)。在三个真实世界数据集上进行的大量实验表明，与集中式算法相比，我们的方法在确保隐私保护的同时表现出极具竞争力的性能。此外，与现有的联邦学习基线相比，FedRKG 的平均准确率提高了 4%。
引用
@article{arxiv.2401.11089,
title = {FedRKG: A Privacy-preserving Federated Recommendation Framework via Knowledge Graph Enhancement},
author = {Dezhong Yao and Tongtong Liu and Qi Cao and Hai Jin},
journal= {arXiv preprint arXiv:2401.11089},
year = {2024}
}