P4GCN：基于隐私保护双方图卷积网络的垂直联邦社交推荐
社会与信息网络
2025-02-05 v3 人工智能
信息检索
机器学习
摘要
近年来，图神经网络 (GNN) 被广泛用于社交推荐系统。然而，现实场景常常涉及用户隐私和业务限制，阻碍直接访问来自其他平台的宝贵社交信息。虽然已有许多方法针对基于矩阵分解的社交推荐解决了无直接社交数据访问的问题，但在类似条件下开发基于 GNN 的联邦社交推荐模型仍属未解之谜。为此，我们提出一种新颖的垂直联邦社交推荐方法，利用隐私保护双方图卷积网络 (P4GCN) 提升推荐精度，无需直接访问敏感社交信息。首先，我们引入 Sandwich-Encryption 模块确保协作计算期间数据隐私。其次，我们对隐私保证进行深入理论分析，考虑好奇方和诚实方的参与。大量实验表明，在四个真实数据集上，P4GCN 在推荐精度方面优于最先进的方法。
引用
@article{arxiv.2410.13905,
title = {P4GCN: Vertical Federated Social Recommendation with Privacy-Preserving Two-Party Graph Convolution Network},
author = {Zheng Wang and Wanwan Wang and Yimin Huang and Zhaopeng Peng and Ziqi Yang and Ming Yao and Cheng Wang and Xiaoliang Fan},
journal= {arXiv preprint arXiv:2410.13905},
year = {2025}
}
备注
Accepted by WWW25