論文の概要: Federated Social Recommendation with Graph Neural Network
- arxiv url: http://arxiv.org/abs/2111.10778v1
- Date: Sun, 21 Nov 2021 09:41:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-24 08:16:48.792244
- Title: Federated Social Recommendation with Graph Neural Network
- Title（参考訳）: グラフニューラルネットワークを用いた連合型ソーシャルレコメンデーション
- Authors: Zhiwei Liu, Liangwei Yang, Ziwei Fan, Hao Peng, Philip S. Yu
- Abstract要約: 本稿では,ソーシャル情報とユーザ・イテムの相互作用を融合させることにより,ソーシャル・レコメンデーションの問題であるソーシャル・リコメンデーションの緩和を提案する。
我々は textbfGraph Neural Network (FeSoG) を用いた textbfFedrated textbfSocial 推薦フレームワークを考案した。
- 参考スコア（独自算出の注目度）: 69.36135187771929
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recommender systems have become prosperous nowadays, designed to predict
users' potential interests in items by learning embeddings. Recent developments
of the Graph Neural Networks~(GNNs) also provide recommender systems with
powerful backbones to learn embeddings from a user-item graph. However, only
leveraging the user-item interactions suffers from the cold-start issue due to
the difficulty in data collection. Hence, current endeavors propose fusing
social information with user-item interactions to alleviate it, which is the
social recommendation problem. Existing work employs GNNs to aggregate both
social links and user-item interactions simultaneously. However, they all
require centralized storage of the social links and item interactions of users,
which leads to privacy concerns. Additionally, according to strict privacy
protection under General Data Protection Regulation, centralized data storage
may not be feasible in the future, urging a decentralized framework of social
recommendation. To this end, we devise a novel framework \textbf{Fe}drated
\textbf{So}cial recommendation with \textbf{G}raph neural network (FeSoG).
Firstly, FeSoG adopts relational attention and aggregation to handle
heterogeneity. Secondly, FeSoG infers user embeddings using local data to
retain personalization. Last but not least, the proposed model employs
pseudo-labeling techniques with item sampling to protect the privacy and
enhance training. Extensive experiments on three real-world datasets justify
the effectiveness of FeSoG in completing social recommendation and privacy
protection. We are the first work proposing a federated learning framework for
social recommendation to the best of our knowledge.
- Abstract（参考訳）: 近年,レコメンダシステムの普及が進み,埋め込み学習によって商品に対するユーザの潜在的関心を予測するようになっている。
グラフニューラルネットワーク~(GNN)の最近の開発は、ユーザアイコングラフから埋め込みを学ぶための強力なバックボーンを持つレコメンデータシステムも提供する。
しかし、データ収集の難しさから、ユーザとイテムのインタラクションを活用することだけがコールドスタートの問題に悩まされる。
したがって、現在の取り組みは、ソーシャルレコメンデーション問題である、ユーザとイテムの相互作用によるソーシャル情報の融合を提案している。
既存の作業では、ソーシャルリンクとユーザとイテムの両方を同時に集約するためにGNNを使用している。
しかし、それらはすべて、ソーシャルリンクの集中ストレージと、ユーザのアイテムインタラクションを必要とするため、プライバシー上の懸念につながります。
さらに、General Data Protection Regulationの厳格なプライバシー保護によると、中央集権的なデータストレージは将来的には実現不可能であり、社会的レコメンデーションの分散フレームワークを推進している。
この目的のために、新しいフレームワークである \textbf{Fe}drated \textbf{So}cial recommendation with \textbf{G}raph Neural Network (FeSoG)を考案した。
まず、FeSoGは不均一性を扱うためにリレーショナルアテンションとアグリゲーションを採用する。
第二に、FeSoGはパーソナライズを保持するためにローカルデータを使用してユーザの埋め込みを推測する。
最後に、提案されたモデルは、プライバシ保護とトレーニング強化のために、アイテムサンプリングを伴う擬似ラベル技術を採用している。
3つの現実世界データセットに関する広範囲な実験は、社会的推薦とプライバシー保護の完了におけるfesogの有効性を正当化する。
社会的なレコメンデーションのための連合学習フレームワークを提案するのは,私たちの知識を最大限に活用するための最初の作業です。
関連論文リスト
- P4GCN: Vertical Federated Social Recommendation with Privacy-Preserving Two-Party Graph Convolution Networks [17.901647467076476]
プライバシ保護二要素グラフ畳み込みネットワーク(P4GCN)を利用した新しい縦型ソーシャルレコメンデーション手法を提案する。
4つの実世界のデータセットの実験により、P4GCNは推奨精度で最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2024-10-16T12:29:22Z) - Learning Social Graph for Inactive User Recommendation [50.090904659803854]
LSIRはソーシャルレコメンデーションのための最適なソーシャルグラフ構造を学習する。
実世界のデータセットの実験では、LSIRはNDCGで最大129.58%の大幅な改善を実現している。
論文 参考訳（メタデータ） (2024-05-08T03:40:36Z) - FedRKG: A Privacy-preserving Federated Recommendation Framework via
Knowledge Graph Enhancement [20.214339212091012]
フェデレートラーニング(FL)は、リコメンデーションシステムでデータプライバシをローカルにトレーニングする上で有望なアプローチとして登場した。
最近のグラフニューラルネットワーク(GNN)は、ユーザとアイテム間の高次インタラクションをキャプチャできるため、リコメンデーションタスクで人気を集めている。
本稿では,グローバル知識グラフ(KG)を構築・維持する新しいフェデレーションレコメンデーションシステムであるFedRKGを提案する。
論文 参考訳（メタデータ） (2024-01-20T02:38:21Z) - Federated Heterogeneous Graph Neural Network for Privacy-preserving
Recommendation [45.39171059168941]
ヘテロジニアス・インフォメーション・ネットワーク (HIN) は、レコメンデーションシステムにおけるデータの分散を緩和するための強力なツールである。
本稿では,HINをクライアント側に保存されたプライベートなHINに分割し,サーバ上で共有する手法を提案する。
我々は、差分プライバシーの観点から、HINベースのフェデレーションレコメンデーション(FedRec)のプライバシー定義を定式化する。
論文 参考訳（メタデータ） (2023-10-18T05:59:41Z) - Vertical Federated Graph Neural Network for Recommender System [1.7802147489386633]
グラフニューラルネットワーク(GNN)は、フェデレーションレコメンデータシステムにとって有望なアプローチになりつつある。
本研究は, VerFedGNN と呼ばれる垂直結合型 GNN ベースのリコメンデータシステムを提案する。
論文 参考訳（メタデータ） (2023-03-10T08:39:26Z) - Semi-decentralized Federated Ego Graph Learning for Recommendation [58.21409625065663]
デバイス上でのレコメンデーションのための半分散型フェデレーションエゴグラフ学習フレームワークであるSemiDFEGLを提案する。
提案するフレームワークはモデルに依存しないため、既存のグラフニューラルネットワークベースのレコメンデーションメソッドやプライバシ保護技術とシームレスに統合できる。
論文 参考訳（メタデータ） (2023-02-10T03:57:45Z) - Cross-Network Social User Embedding with Hybrid Differential Privacy
Guarantees [81.6471440778355]
プライバシー保護方式でユーザを包括的に表現するために,ネットワーク横断型ソーシャルユーザ埋め込みフレームワークDP-CroSUEを提案する。
特に、各異種ソーシャルネットワークに対して、異種データ型に対するプライバシー期待の変化を捉えるために、まずハイブリッドな差分プライバシーの概念を導入する。
ユーザ埋め込みをさらに強化するため、新しいネットワーク間GCN埋め込みモデルは、それらの整列したユーザを介して、ネットワーク間で知識を伝達するように設計されている。
論文 参考訳（メタデータ） (2022-09-04T06:22:37Z) - DiffNet++: A Neural Influence and Interest Diffusion Network for Social
Recommendation [50.08581302050378]
ソーシャルレコメンデーションは、ユーザの未知の嗜好を予測するために、ユーザ間のソーシャルコネクションを活用するために現れている。
ソーシャルレコメンデーションのための神経影響拡散ネットワーク(DiffNet)の予備研究を提案する(Diffnet)。
本稿では,Diffnetの改良アルゴリズムであるDiffNet++を提案する。
論文 参考訳（メタデータ） (2020-01-15T08:45:34Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。