SocFedGPT：基于联邦学习的用户交互社交网络自适应内容过滤系统
机器学习
2024-08-13 v1 分布式、并行与集群计算
信息检索
社会与信息网络
摘要
本研究提出了一种多层次的方法，通过联邦学习框架来增强社交媒体平台上用户的交互和内容相关性。我们引入了基于GPT和情境的社交媒体大语言模型（LLM），利用联邦学习实现隐私和安全。四个客户端接收基础GPT-2模型并进行本地化社交媒体数据收集，联邦聚合确保模型保持最新。后续模块聚焦于用户帖子分类、计算用户人格得分以及识别来自好友列表中与用户相关的帖子。结合矩阵分解技术的量化社交互动方法，实现了实时个性化内容建议。自适应反馈循环和可读性评分算法也提高了向用户呈现内容的质量和相关性。该系统为内容过滤和推荐提供了综合解决方案，同时保护用户隐私，营造出面向用户的沉浸式社交媒体体验。
引用
@article{arxiv.2408.05243,
title = {SocFedGPT: Federated GPT-based Adaptive Content Filtering System Leveraging User Interactions in Social Networks},
author = {Sai Puppala and Ismail Hossain and Md Jahangir Alam and Sajedul Talukder},
journal= {arXiv preprint arXiv:2408.05243},
year = {2024}
}
备注
This research paper is submitted to ASONAM 2024 conference on Advances in Social Networks Analysis and Mining and going to be published in Springer