图引导个性化联邦推荐

联邦推荐系统是一种新兴的AI服务架构，以隐私保护方式提供推荐服务。利用用户关系图增强联邦推荐是一个有前景的方向。然而，在联邦设定下于保护基于数据局部性的隐私的同时构建用户关系图仍是一项开放挑战。受“相似用户对同一物品集具有相似视角（嵌入）”这一简单动机启发，本文提出一种新颖的图引导个性化联邦推荐（GPFedRec）。所提方法在服务器端由用户特定的个性化物品嵌入构建用户关系图，而无需访问用户交互记录。个性化物品嵌入在各设备上本地微调，随后通过度量客户端特定物品嵌入间的相似性构建用户关系图。在不访问用户历史交互的情况下，我们实现了朴素联邦学习基于数据局部性的隐私保护。此外，设计了一种图引导聚合机制，以同时利用用户关系图与联邦优化框架。在五个基准数据集上的大量实验证明了GPFedRec的优越性能。深入研究证实，GPFedRec可作为插件普遍提升现有联邦推荐方法，同时保障用户隐私。代码已公开以促进可复现性。