Feb, 2024

异构感知的跨院校选修课推荐：一种混合联邦方法

PDF
TL;DR在现代教育时代，跨学校学习者多样性至关重要，特别是在个性化选课推荐系统中。然而，隐私问题常常限制跨学校数据共享，这阻碍了现有方法对稀疏数据建模和有效处理异质性，最终导致次优的推荐结果。为此，我们提出了 HFRec，一种面向跨学校选修课推荐的异质性感知混合联邦推荐系统。所提出的模型为每个学校构建异质图，融合学生之间的各种交互和历史行为，以整合上下文和内容信息。我们设计了一种注意机制来捕捉异质性感知表示。此外，在联邦方案下，我们以自适应学习设置训练各个学校的模型，以推荐量身定制的选修课程。我们的 HFRec 模型在保持隐私的同时，证明了其在提供个性化选课推荐方面的有效性，它在开源和真实世界数据集上均优于现有的模型。
发现论文，激发创造
  • FedRec+：增强联邦推荐系统的隐私保护与异构性处理

    FedRec + 是一个用于增强隐私保护和解决异构性挑战的 Federated Recommendation Systems（FRS）集成框架，通过基于特征相似性的最优子集选择生成近似最优的伪评分，利用用户本地信息，减少噪声，有效降低沟通成本，并利用 Wasserstein 距离估计每个客户端的异构性和贡献，通过解决优化问题而获得最佳聚合权重，实验证明了 FedRec + 在各种参考数据集上的卓越性能。

    Oct, 2023

  • 联邦推荐中的双重个性化

    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

  • 联邦推荐系统综述

    本文综述了联邦学习在推荐系统中的应用，探讨了隐私机制、聚合策略、异构问题和通信成本等方面面临的挑战和解决方案，同时介绍了相关开源平台，并提出了未来研究方向。

    Dec, 2022

  • 推荐系统中异构关系学习的最新进展

    调查了不同类型的推荐框架的发展，重点关注于异构关系学习，分类研究了社交推荐、知识图增强推荐系统以及多行为推荐的学习方法，探讨如何有效地提取异构上下文信息。最后对异构关系学习提出了新的方向和机会。

    Oct, 2021

  • 使用混合多准则推荐系统与遗传优化帮助大学生选择选修课程

    使用混合推荐系统，结合协同过滤与基于内容过滤的方法，根据学生和课程信息，通过遗传算法自动发现最佳配置，以更可靠地推荐最适合的课程。实验结果表明，混合模型在课程推荐中的重要性，使用该模型相较于之前的模型表现出色。

    Feb, 2024

  • 用户同意的联邦推荐系统抵御个性化属性推断攻击

    通过用户许可的联合推荐系统（UC-FedRec），我们提出了一种能够灵活满足用户不同隐私需求的推荐系统，以最小的推荐准确度代价实现用户的隐私保护。在不同的真实数据集上进行的实验表明，我们的框架相比基线更加高效和灵活。

    Dec, 2023

  • HHHFL：基于分层异构横向联邦学习的脑电信号分析

    本研究提出了一种基于异构联邦学习方法的脑电分类技术，解决了隐私保护和数据异构性这两个问题，实验结果证明该方法能够在各种不同任务中实现可靠的性能提升。

    Sep, 2019

  • RecipeRec：一种用于食谱推荐的异构图学习模型

    本文提出了一种基于图模型的食谱推荐方法，将协作信号纳入计算中，通过具有分层注意力和成分集转换器的异构图神经网络来捕捉食谱内容和协作信号，使用图对比增强策略以自我监督的方式提取信息，利用推荐和对比学习的联合目标函数来优化模型，实验证明了其优于现有的食谱推荐方法。

    May, 2022

  • Hete-CF: 使用异构关系的基于社交的协同过滤推荐算法

    本研究提出了一种使用不同类型关系方法的社交协同过滤算法，以提高推荐性能，并论证了其在多种异构信息网络中的有效性和高效性。

    Dec, 2014

  • 面向学术网络的异构图学习可解释推荐

    该研究旨在通过设计一个基于学术社交网络的深度学习模型，以理解学者职业生涯转变的行为并建议适当的工作机构，该模型使用异构学术网络来实现机构推荐，并通过 HAI 算法集成了机构、学者和元路径等一系列因素来提供有序的、可解释的推荐结果。

    Feb, 2022