基于联邦学习的个性化推荐方法研究.pdfVIP

摘要

在高速信息化的时代背景下，推荐服务与个体需求的紧密联系日益显现，对系

统个性化性能的需求也日益增长。随着国家安全法规的进一步完善和数据安全意识

的普及，如何在确保用户数据隐私的前提下实现精准的个性化推荐服务逐渐成为研

究的焦点。

为应对传统中心化推荐系统中处理用户数据存在的隐私风险，本研究利用联邦

学习的分布式框架训练推荐系统模型，确保用户数据的安全性。然而，基于联邦学

习的推荐系统的研究也面临着两个突出问题：一是联邦框架中缺乏个性化解决方案

可能损害全局模型在各个客户端上的泛化性；二是联邦推荐算法中客户端与服务端

通过交换模型梯度参数来协同训练仍会致使用户私密信息泄露。为解决这两个挑战，

本文先是提出了一种个性化联邦算法，基于全局模型为各客户端拟合差异化的本地

模型进行更新，以提高客户端的模型性能，从而提升联邦推荐算法的个性化服务性

能；其次是面向新闻推荐领域，在上述个性化联邦算法的基础上，设计了一个填充

算法保障用户原始信息安全，并融合用户偏好特征信息来构建推荐算法模型，提出

了一个基于隐私保护的个性化联邦推荐算法，旨在实现用户数据隐私保护的同时，

提供更准确、高质量的个性化推荐服务。论文的具体研究内容和贡献如下：

（1）提出了一个面向本地客户端细粒度更新的个性化联邦算法FedPAU。为满

足联邦框架下不同客户端的差异化使用需求，以提高联邦推荐算法的个性化服务性

能，基于自注意力机制捕获不同客户端之间的个性化特征偏好，并采用分层设计，

细粒度地感知模型层间的特征差异，获得更精准的客户端个性化表示。另一方面，

为降低客户端的计算开销和通信成本，以提高客户端加入联邦训练的积极性，将客

户端个性化拟合全局模型模块嵌入在服务器端执行。同时，为保护联邦框架下客户

端数据免受逆向工程攻击，设计了一种将差分隐私的随机机制分层添加至全局模型

的方法，用于确保客户端的数据隐私。在两个数据集上验证了该算法性能的有效性

和真实性，并在和多种联邦基线算法的比较中取得最佳的性能，后续的对比试验也

证明了该算法的通用性和稳定性。

（2）提出了一个基于隐私保护的个性化联邦推荐算法Privacy-PerFedRec。为保

护用户的行为数据不遭受窃取或恶意推理，设计了随机填充算法对用户原始数据添

加干扰，并在联邦框架中添加本地差分隐私模块对客户端上传的梯度信息随机化处

理。其次，采用交叉注意力网络融合用户兴趣偏好做映射去建模用户模型，更好地

感知用户兴趣的动态变化，有助于提高模型的个性化拟合能力。然后，基于FedPAU

联邦框架搭建联邦推荐系统，提升系统整体的个性化性能。最后，在两个真实数据

集上测验该算法的性能，并和多种基线方法进行比较，都展现了优异的性能。消融

实验中成功验证了所使用交叉注意力网络和FedPAU框架的有效性和合理性。丰富

的超参数敏感性分析实验不仅进一步展现了算法对用户数据的保护能力，还验证了

其稳定性和泛化性。

关键词：联邦学习；推荐系统；个性化服务；隐私保护；

Abstract

Intheeraofhigh-speeddigitalization,thecloseconnectionbetweenrecommendation

servicesandindividualneedshasbecomeincreasinglyevident,accompaniedbyagrowing

demandforpersonalizedperformanceinsystems.However,asnationalsecurity

regulationscontinuetoadvanceandawarenessofdatasecuritybecomesmorewidespread,

thepursuitofprecisepersonalizedrecommendationserviceswhilesafeguardinguserdata

privacyhasemergedasacentralfocusofresearch.

Toaddresstheprivacyrisksassociatedwithhandlinguserdatain