FedRKG: 隐私保护的联邦推荐框架通过知识图谱增强

Jan, 2024

FedRKG: 隐私保护的联邦推荐框架通过知识图谱增强

FedRKG: A Privacy-preserving Federated Recommendation Framework via Knowledge Graph Enhancement

Dezhong Yao, Tongtong Liu, Qi Cao, Hai Jin

TL;DR提出了 FedRKG，一种基于全球知识图构建的新型联邦推荐系统，通过使用公共可用的物品信息建立和维护全局知识图，允许更高阶的用户 - 物品交互，采用伪标签和局部差分隐私来保护本地交互物品和模糊梯度，实验证明其相比于现有的联邦学习算法在确保隐私保护的同时具有竞争性的性能，平均准确率提升了 4%。

Abstract

federated learning (FL) has emerged as a promising approach for preserving data privacy in recommendation systems by training models locally. Recently, →

federated learning graph neural networks recommendation systems privacy preservation knowledge graph

发现论文，激发创造

FedGNN：基于联邦学习的图神经网络在隐私保护推荐中的应用

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

去中心化图神经网络的隐私保护推荐

本研究提出了 DGREC，一种新的分散式图神经网络推荐系统，用于保护隐私，在用户选择公开其互动时仍能确保通信效率和隐私保护。

Aug, 2023

基于图神经网络的联邦社交推荐

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

隐私保护关系嵌入聚合：基于知识图谱的高效联邦学习

本文在研究多源知识图上应用联邦学习时提出了一种新的隐私攻击方法，进而提出了一种能够保障数据隐私的联邦学习模型，该模型使用关系嵌入聚合来显著降低通信成本并提高隐私保护效果以及通信效率。

Mar, 2022

隐私保护机制在联邦学习中的应用

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。

May, 2023

VRKG4Rec：基于虚拟关系知识图谱的推荐系统

本文提出了一种 VRKG4Rec 模型，该模型能够明确地区分不同关系对于项表示学习的影响，并采用本地加权平滑机制对节点进行编码，同时使用这种机制在用户 - 物品二分图上进行用户表示学习，旨在改善推荐系统的性能，实验结果表明该模型优于现有的最先进方法。

Apr, 2022

FedGKD: 在联邦图神经网络中释放协作的力量

提出了 FedGKD，一种新的联邦图神经网络框架，利用客户端图数据集提取更好描述任务相关性的任务特征，并引入一种对全局协作结构感知的新型服务器端聚合机制，通过在六个不同规模的真实世界数据集上进行广泛实验，证明该框架的优越性。

Sep, 2023

差分隐私联邦知识图谱嵌入

本论文提出了一种名为 FKGE 的分散、可扩展、隐私保护的学习框架，可用于跨多个同一领域不同知识图谱的知识嵌入。在对 11 个不同的知识图谱进行广泛的实验后，本文表明 FKGE 的性能提高了，它的模型质量最多可增加 17.85％和 7.90％。

May, 2021

通过基准对准和重量惩罚来改进联合关系数据建模

本研究提出了一种基于图神经网络的优化算法 FedAlign，实现了在知识图谱上的联邦建模，解决了数据异构性和算法收敛效率问题，并在多个常用数据集上进行广泛实验，实验证明该方法比目前最先进的联邦学习方法表现更佳。

Nov, 2020

基于注意力、知识和协作指导的个性化推荐图卷积网络

通过引入知识图谱的图卷积神经网络模型加入历史交互数据，再通过协作引导机制提取知识图谱信息实现个性化推荐，实验证明该模型在 Top-K 推荐任务中的召回率指标显著高于现有最新模型。

Sep, 2021