在信息爆炸的时代，推荐系统成为了我们生活中不可或缺的一部分，帮助我们从海量信息中筛选出感兴趣的内容。然而，传统的推荐系统往往需要收集用户的全部行为数据，这不仅存在隐私泄露的风险，也引发了人们对数据安全的担忧。为了解决这一问题，联邦推荐应运而生。
联邦推荐是一种新的服务架构，它可以在不将用户数据共享给服务器的情况下提供个性化的推荐服务。现有的联邦推荐方法通常在每个用户的设备上部署一个推荐模型，并通过同步和聚合物品嵌入来协调模型的训练。然而，这些方法忽略了用户之间存在着不同的偏好，简单地将所有用户的物品嵌入进行平均聚合，会导致聚合后的嵌入信息量减少，影响个性化推荐的效果。
图引导的个性化框架：GPFedRec
为了解决这一问题，本文提出了一种新颖的 图引导的个性化框架（GPFedRec），用于联邦推荐。GPFedRec 通过利用一个自适应的图结构来捕捉用户偏好的相关性，从而增强了不同用户之间的协作。此外，GPFedRec 将每个用户的模型训练过程整合到一个统一的联邦优化框架中，使得模型能够同时利用共享的和个性化的用户偏好。
GPFedRec 的核心思想
GPFedRec 的核心思想是基于用户之间偏好的相似性构建一个用户关系图。在每个训练轮次中，服务器首先从用户设备收集本地训练的物品嵌入，然后利用图引导的聚合机制更新物品嵌入，从而获得每个用户的个性化物品嵌入。同时，服务器还会根据所有用户的个性化物品嵌入计算一个全局共享的物品嵌入，代表着所有用户的共同偏好。最后，服务器将个性化物品嵌入和全局共享的物品嵌入分别发送给用户设备，用于指导本地模型的训练。
GPFedRec 的优势
- 增强用户协作： GPFedRec 通过用户关系图，将具有相似偏好的用户联系在一起，使得每个用户能够从其他相似用户的偏好中学习，从而更好地捕捉个性化偏好。
- 兼顾个性化和普适性： GPFedRec 同时利用个性化物品嵌入和全局共享的物品嵌入，一方面能够提供个性化的推荐，另一方面也能够捕捉到所有用户的共同偏好，提高推荐的普适性。
- 隐私保护： GPFedRec 继承了联邦学习的分布式训练机制，将用户数据保留在本地，并可以进一步集成差分隐私技术，进一步增强隐私保护。
实验结果
在五个基准数据集上的实验结果表明，GPFedRec 在提供个性化推荐方面取得了显著的性能提升，超越了现有的联邦推荐方法和集中式推荐方法。此外，实验还验证了 GPFedRec 的鲁棒性和可扩展性。
总结
GPFedRec 是一种新颖的联邦推荐框架，它通过图引导的个性化机制，有效地捕捉了用户偏好的相关性，并增强了用户之间的协作。GPFedRec 在提供个性化推荐方面取得了显著的性能提升，并具有良好的隐私保护能力。
参考文献
[1] Chunxu Zhang, Guodong Long, Tianyi Zhou, Peng Yan, Zijian Zhang, and Bo Yang. 2023. Graph-guided Personalization for Federated Recommendation. In Proceedings of ACM Conference (Conference’17). ACM, New York, NY, USA, 11 pages.