本文设计了一种采用图神经网络的联邦学习框架 FeSoG,以解决传统社交推荐算法中的隐私问题,并在三个真实数据集上评估其有效性。
Nov, 2021
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
本文提出了一种新的个性化联邦推荐 (PFedRec) 框架,基于轻量级模型在智能设备上部署用户特定模型,同时提出了一种新的双重个性化机制来实现对用户和项目的细粒度个性化学习,该学习过程被统一到一个联邦优化框架中。实验结果表明,PFedRec 框架和双重个性化机制是有效的,并为联邦推荐过程中的个性化技术提供了更深层次的探讨。
Jan, 2023
本文提出 InterActive GCN,针对已有的基于 GCN 的协同过滤推荐系统采用相同的聚合方式从用户邻域中学习用户的表示,从而忽略了用户 - 项目对之间的交互特征。新模型在用户 - 项目对之间构建双边交互指导,提供了交互和可解释的特征,并且通过每个图卷积操作有效地提取了目标特定信息,能够与各种基于 GCN 的 CF 体系结构端到端地组合使用。实验表明,本文提出的 IA-GCN 具有较好的效果和鲁棒性。
Apr, 2022
本文介绍了一种基于图的个性化模型方法,该方法结合了异构图神经网络(HGNN)和大型语言模型(LLM)来实现多类型物品的个性化推荐,并在一个真实的工业音频流平台上进行了严谨的测试和有效性验证。
Mar, 2024
提出了一种双意图增强图神经网络模型来解决基于会话的推荐系统中新物品推荐难的问题,通过零样本学习方法推理新物品在 GNN 空间中的表示,并利用双意图网络从历史数据中学习用户意图,最终给出新物品的推荐概率。实验结果表明,该方法优于传统方法。
May, 2023
本文研究在联邦学习中,使用差分隐私和社区驱动方法来保障本地数据隐私,识别了一个安全漏洞并设计了两种攻击模式,Adversarial Mode 和 Backdoor Mode,实验结果表明这些攻击是有效的。
本文提出了一种图神经网络框架(GraphRec)用于社交推荐,该框架可以共同模拟两个图形和异构强度,并对用户 - 项目图形中的交互和观点进行联合捕获。
Feb, 2019
该研究提出了一种自适应图卷积网络的方法,用于联合推荐系统中的商品推荐和属性推断,通过迭代学习图嵌入参数和估计属性值来提高性能。
May, 2020
我们提出了一种新颖的兴趣感知胶囊网络(IaCN)推荐模型,该模型直接学习面向兴趣的物品表示,通过不需要大规模重设计的方式,在现有的推荐模型中实现联合学习,实验证明该方法在各种推荐模型下表现出显著的性能提升。
Aug, 2023