感知异构性的跨校选修课推荐：一种混合联邦方法
信息检索
2024-02-20 v1 人工智能
摘要
在现代教育时代，解决跨校学习者的多样性问题至关重要，尤其是在选修课选择的个性化推荐系统中。然而，隐私顾虑往往限制了跨校数据共享，这阻碍了现有方法有效建模稀疏数据和解决异构性的能力，最终导致推荐效果欠佳。为此，我们提出了 HFRec，一种专为跨校选修课推荐设计的感知异构性混合联邦推荐系统。该模型为每所学校构建异构图谱，整合学生间的各种交互与历史行为，以融合上下文和内容信息。我们设计了一种注意力机制来捕捉感知异构性的表示。此外，在联邦方案下，我们利用自适应学习设置训练基于各学校的独立模型，以推荐量身定制的选修课。我们的 HFRec 模型在提供个性化选修课推荐的同时保持了隐私，其在开源数据集和真实世界数据集上的表现均优于最先进（SOTA）模型。
引用
@article{arxiv.2402.12202,
title = {Heterogeneity-aware Cross-school Electives Recommendation: a Hybrid Federated Approach},
author = {Chengyi Ju and Jiannong Cao and Yu Yang and Zhen-Qun Yang and Ho Man Lee},
journal= {arXiv preprint arXiv:2402.12202},
year = {2024}
}