Privacy-Preserving Cross-Domain Recommendation with Federated Graph Learning
ACM-Changxin Tian, Yuexiang Xie, Xu Chen, Yaliang Li, Wayne Xin Zhao-2024
(仅为方便查看)
思路
CDR越来越受到关注, 但是,日益增长的隐私问题限制了现有的CDR模型的实际应用,因为这些模型都假设全部或部分数据可以在不同的域之间进行访问,目前的方法忽略了多个领域数据的异质性,没有实现CDR的一致性改进。提出PPCDR,主要思想是为给定用户的多个领域之间的全局偏好和特定领域的局部偏好建模,它表征了用户对交互项目的共享和特定领域的偏好。为每个域设计了一个图转换模块,融合全局和局部偏好,并根据本域进行更新(LDP)。
问题公式化
与普通CDR不同的是,域内项目I和交互矩阵R不能直接使用,为保护用户隐私,设置了虚拟用户集U~,与用户集中的用户一一对应,通过这些虚拟用户在共享跨域信息时实施隐私保护。最终通过函数
计算偏好得分,其中只有来自域d的本地数据是直接访问的,并且来自其他域的信息在隐私保护下通过虚拟节点使用。
模型使用分散式联邦学习框架来利用跨