Федеративная социальная рекомендация с использованием графовых нейронных сетей

Системы рекомендаций получили широкое распространение и предназначены для прогнозирования потенциальных интересов пользователей к объектам на основе обучения эмбеддингов. Последние достижения в области графовых нейронных сетей (GNN) также обеспечили системам рекомендаций (RS) мощные базовые архитектуры для обучения эмбеддингов на графах взаимодействий пользователей и объектов. Однако использование только взаимодействий пользователей с объектами приводит к проблеме «холодного старта» из-за трудностей сбора достаточного объема данных. Поэтому в современных исследованиях предлагается объединять социальную информацию с взаимодействиями пользователей и объектов для смягчения этой проблемы, что формирует задачу социальной рекомендации. В существующих методах GNN используются для одновременной агрегации социальных связей и взаимодействий пользователей с объектами. Однако такие методы требуют централизованного хранения социальных связей и взаимодействий пользователей с объектами, что создает риски для конфиденциальности. Кроме того, в условиях строгих требований к защите конфиденциальности, установленных Общим регламентом по защите данных, централизованное хранение данных в будущем может оказаться невозможным, что обусловливает необходимость децентрализованной платформы для социальной рекомендации. Поэтому мы разработали рекомендательную систему на основе федеративного обучения для социальной рекомендации — задачи, особенно сложной из-за требований к учету неоднородности данных, персонализации и защите конфиденциальности. Для этого предложена новая платформа Federated Social Recommendation with Graph Neural Network (FeSoG), то есть федеративная социальная рекомендация с использованием графовой нейронной сети. Во-первых, FeSoG применяет механизм реляционного внимания и агрегации для обработки неоднородности. Во-вторых, FeSoG выводит эмбеддинги пользователей на основе локальных данных для сохранения персонализации. Наконец, предложенная модель использует методы псевдоразметки совместно с выборкой объектов для защиты конфиденциальности и повышения эффективности обучения. Масштабные эксперименты на трех наборах данных из реального мира подтверждают эффективность FeSoG в задачах социальной рекомендации и защиты конфиденциальности. Насколько нам известно, это первая работа, в которой предложена платформа федеративного обучения для социальной рекомендации.