面向推荐的半去中心化联邦自我图学习
机器学习
2023-02-23 v1 人工智能
信息检索
摘要
基于协同过滤(CF)的推荐系统通常基于个人交互数据（如点击和购买）训练，这些数据可自然表示为自我图(ego graph)。然而，多数现有推荐方法从所有用户收集这些自我图以构成全局图来获取用户与物品间的高阶协同信息，这类中心化CF推荐方法不可避免地带来高用户隐私泄露风险。尽管近期提出的联邦推荐系统可缓解隐私问题，但它们要么将设备端本地训练限制为孤立的自我图，要么依赖额外第三方服务器访问其他自我图导致繁琐流程，难以实用。此外，现有联邦推荐系统要求资源受限设备维护完整嵌入表，导致高通信成本。有鉴于此，我们提出一种用于设备端推荐的半去中心化联邦自我图学习框架，名为 SemiDFEGL，其引入新的设备到设备协作以提升可扩展性并降低通信成本，并创新性地利用预测的交互物品节点连接孤立自我图以扩充本地子图，从而以隐私保护方式利用高阶用户-物品协同信息。此外，该框架与模型无关，即可无缝集成现有基于图神经网络的推荐方法与隐私保护技术。为验证所提 SemiDFEGL 的有效性，我们在三个公开数据集上进行了大量实验，结果展示了其相较其他联邦推荐方法的优越性。
引用
@article{arxiv.2302.10900,
title = {Semi-decentralized Federated Ego Graph Learning for Recommendation},
author = {Liang Qu and Ningzhi Tang and Ruiqi Zheng and Quoc Viet Hung Nguyen and Zi Huang and Yuhui Shi and Hongzhi Yin},
journal= {arXiv preprint arXiv:2302.10900},
year = {2023}
}