论文学习笔记：Federated Heterogeneous Graph Neural Networks (隐私保护推荐).

文章目录

【ABSTRACT

改写后的文本内容

• 三、METHODOLOGY

• • 3.1对FedHGNN的概述
• • 3.2User-item Interactions的语义保留发布
• • 3.3异构图神经网络用于推荐
• • 3.4隐私分析

• 四、EXPERIMENTS

  • • 4.1 Experimental Environment Configuration
    • 4.2 Overall Performance Evaluation
    • 4.3 Ablation Analysis

  • 五、CONCLUSION

ABSTRACT

异质信息网络（HIN）不仅承载着丰富的语义信息而且通过元路径（meta-paths）进行描述已被广泛认为是缓解现代推荐系统中数据稀疏性的重要手段

如在推荐系统中存在数据稀疏性问题时（例如），我们可能会遇到仅有1万部电影的数据以及仅有的10位观众的数据情况（即），但这些观众也不一定都看过这全部的1万部电影（并且）。此外，并非所有看过这些电影的人都会对它们进行评分（因此）。由于缺乏观众对这些电影的评分信息（而导致），这就给推荐系统的构建带来了挑战

本文提出了一种将HIN细分为私有存储和共享存储的方法。该框架基于FedHGNN设计，在保护用户隐私的前提下实现了分布式协作训练推荐