基于图神经网络的联邦社交推荐
本文提出了一种隐私保护的图神经网络推荐模型,该模型采用联邦学习的方式对分散的用户数据进行训练,并采用本地差分隐私技术对用户隐私进行保护,同时通过用户 - 物品图扩展方法拓展本地用户 - 物品图来增强推荐效果,并在六个基准数据集上进行了广泛实验验证。
Feb, 2021
本研究提出了一种新的基于层次图神经网络的社会化推荐框架(SR-HGNN),以解决现有社交推荐模型难以完全探索多类型用户 - 物品交互行为及跨关系相互依存关系这两个问题的挑战,并通过三个公共基准测试表明 SR-HGNN 明显优于现有技术的推荐方法。
Oct, 2021
本文设计了一种基于 GNN 的全局无损联合推荐框架,可以实现完整的高阶结构信息的全图训练,避免了个人互动数据泄露,同时使用 LightGCN 实现了框架的等效性。
Jul, 2023
该研究提出了一种知识感知的耦合图神经网络模型,用于解决社交信息推荐系统中用户和项目之间交互异质性、动态性和相互依赖性等问题,实验结果表明该方法在多种情境下有效益。
Oct, 2021
本研究提出了一种基于图嵌入的联邦学习方法,在不直接分享原始数据的情况下利用共享嵌入数据提高了现有基于图的网络的训练效率,并在不同数据集上进行了实验以显示其有效性,使得当前基于图的模型在联邦学习框架中的训练具备隐私保护的功能。
Oct, 2022
本篇论文提出了一种新的推荐框架,名为神经图协同过滤 (NGCF),它通过在用户 - 物品图上传递嵌入来利用用户物品图结构,并显式地将协同信号注入到嵌入过程中,以更好地捕捉协同过滤效果。在三个公共基准测试中进行了广泛的实验,表明 NGCF 相对于 HOP-Rec 和 Collaborative Memory Network 等几种最先进的模型具有显着的改进。
May, 2019
本文提出了一种半去中心化的联邦图神经网络推荐框架(SemiDFEGL),它通过设备之间的合作来提高可扩展性并降低通信成本,并创新地利用预测的互动项目节点来连接孤立的 Ego 图以增强本地子图,进而以隐私保护的方式使用高阶用户 - 项协同信息。此外,该框架面向模型,可以与现有的图神经网络推荐方法和隐私保护技术无缝集成。实验结果表明,与其他联邦推荐方法相比,所提出的 SemiDFEGL 具有较高的性能优势。
Feb, 2023
本文提出了一种基于图神经网络 (GNNs) 的个性化联邦建模框架,用于在具有异构客户行为的市场部分之间总结、组装和适应推荐模式,从而缓解 I2I 数据瓶颈问题。
Jun, 2023