面向个性化隐私推荐的图联邦学习
机器学习
2025-08-11 v1 人工智能
摘要
联邦推荐系统（FedRecs）因提供隐私保护的推荐服务而备受关注。然而，现有的联邦推荐系统假设所有用户对隐私保护有相同的要求，即他们不向服务器上传任何数据。这些方法忽视了利用公开可用的用户数据来增强推荐服务的潜力。在实际应用中，用户可以选择成为隐私用户或公开用户。隐私用户的交互数据不被共享，而公开用户的交互数据可以被共享。受此问题启发，本文提出了一种新颖的面向个性化隐私推荐的图联邦学习框架（GFed-PP），该框架能适应不同的隐私需求，同时提高推荐性能。GFed-PP 整合公开用户的交互数据来构建用户-物品交互图，进而用于形成用户关系图。采用轻量级图卷积网络（GCN）来学习每个用户特定的个性化物品嵌入。为保护用户隐私，每个客户端在本地学习用户嵌入和评分函数。此外，GFed-PP 通过在客户端初始化物品嵌入和在服务器端聚合用户关系图，实现了对联邦推荐框架的优化。实验结果表明，GFed-PP 在五个数据集上显著优于现有方法，在不损害隐私的前提下提供了更优的推荐准确性。该框架为在联邦推荐系统中适应不同的隐私偏好提供了一个实用的解决方案。
引用
@article{arxiv.2508.06208,
title = {Graph Federated Learning for Personalized Privacy Recommendation},
author = {Ce Na and Kai Yang and Dengzhao Fang and Yu Li and Jingtong Gao and Chengcheng Zhu and Jiale Zhang and Xiaobing Sun and Yi Chang},
journal= {arXiv preprint arXiv:2508.06208},
year = {2025}
}