論文の概要: UFGraphFR: An attempt at a federated recommendation system based on user text characteristics
- arxiv url: http://arxiv.org/abs/2501.08044v1
- Date: Tue, 14 Jan 2025 11:52:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-15 13:28:43.855308
- Title: UFGraphFR: An attempt at a federated recommendation system based on user text characteristics
- Title（参考訳）: UFGraphFR: ユーザテキストの特徴に基づくフェデレーションレコメンデーションシステムの試み
- Authors: Xudong Wang,
- Abstract要約: フェデレーテッド・ラーニングは、訓練中のデータの「使用不能」のため、「プライベート・コンピューティング」において重要な研究領域となっている。
本稿では,ユーザテキストの特徴によって構築されたユーザ関係グラフに基づいて,個人化されたフェデレーション・レコメンデーション・アルゴリズムを提案する。
本実験により,推薦システムの性能に影響を及ぼすことなく,ユーザプライバシをある程度保護できることが示唆された。
- 参考スコア（独自算出の注目度）: 8.025162796966834
- License:
- Abstract: Federated learning has become an important research area in 'private computing' due to the 'useable invisibility' of data during training. Inspired by Federated learning, the federated recommendation system has gradually become a new recommendation service architecture that can protect users' privacy. The use of user diagrams to enhance federated recommendations is a promising topic. How to use user diagrams to enhance federated recommendations is a promising research topic. However, it's a great challenge to construct a user diagram without compromising privacy in a federated learning scenario. Inspired by the simple idea that similar users often have the same attribute characteristics, we propose a personalized federated recommendation algorithm based on the user relationship graph constructed by the user text characteristics(Graph Federation Recommendation System based on User Text description Features, UFGraphFR). The method uses the embedding layer weight of the user's text feature description to construct the user relationship graph. It introduces the Transformer mechanism to capture the sequence modeling of the user's historical interaction sequence. Without access to user history interactions and specific user attributes, the federal learning privacy protection of data 'useable invisibility' is embodied. Preliminary experiments on some benchmark datasets demonstrate the superior performance of UFGraphFR. Our experiments show that this model can protect user privacy to some extent without affecting the performance of the recommendation system. The code will be easily available on https://github.com/trueWangSyutung/UFGraphFR.
- Abstract（参考訳）: フェデレーテッド・ラーニングは、訓練中のデータの「使用不能」のため、「プライベート・コンピューティング」において重要な研究領域となっている。
フェデレーテッド・ラーニングにインスパイアされたフェデレーテッド・レコメンデーション・システムは、徐々にユーザーのプライバシーを保護できる新しいレコメンデーション・サービス・アーキテクチャになりつつある。
フェデレーションレコメンデーションを強化するためにユーザダイアグラムを使うことは、有望なトピックである。
ユーザダイアグラムを使ってフェデレーションレコメンデーションを強化する方法は、有望な研究トピックです。
しかし、フェデレートされた学習シナリオでプライバシを損なうことなくユーザーダイアグラムを構築するのは非常に難しい。
類似ユーザがしばしば同じ属性特性を持つという単純なアイデアに触発されて,ユーザテキストの特徴によって構築されたユーザ関係グラフに基づく,個人化されたフェデレーションレコメンデーションアルゴリズムを提案する(ユーザテキスト記述特徴に基づくグラフフェデレーションレコメンデーションシステム,UFGraphFR)。
ユーザのテキスト特徴記述の埋め込み層重みを利用してユーザ関係グラフを構築する。
ユーザの過去のインタラクションシーケンスのシーケンスモデリングをキャプチャするTransformerメカニズムを導入している。
ユーザー履歴と特定のユーザー属性へのアクセスがなければ、連邦学習プライバシー保護は「使用可能な可視性」を具体化する。
いくつかのベンチマークデータセットに関する予備実験は、UFGraphFRの優れた性能を示している。
本実験により,推薦システムの性能に影響を及ぼすことなく,ユーザプライバシをある程度保護できることが示唆された。
コードはhttps://github.com/trueWangSyutung/UFGraphFRで簡単に入手できる。
関連論文リスト
- Personalized Graph-Based Retrieval for Large Language Models [51.7278897841697]
ユーザ中心の知識グラフを利用してパーソナライゼーションを強化するフレームワークを提案する。
構造化されたユーザ知識を直接検索プロセスに統合し、ユーザ関連コンテキストにプロンプトを拡大することにより、PGraphはコンテキスト理解と出力品質を向上させる。
また,ユーザ履歴が不足あるいは利用できない実環境において,パーソナライズされたテキスト生成タスクを評価するために設計された,パーソナライズドグラフベースのテキスト生成ベンチマークを導入する。
論文 参考訳（メタデータ） (2025-01-04T01:46:49Z) - Personalized Federated Collaborative Filtering: A Variational AutoEncoder Approach [49.63614966954833]
Federated Collaborative Filtering (FedCF)は、プライバシを保護する新しいレコメンデーションフレームワークの開発に焦点を当てた新興分野である。
既存のFedCFメソッドは通常、分散協調フィルタリング(CF)アルゴリズムとプライバシ保護メカニズムを組み合わせて、パーソナライズされた情報をユーザ埋め込みベクタに保存する。
本稿では,ユーザのパーソナライズされた情報を潜在変数とニューラルモデルに同時に保存することで,新たなパーソナライズされたFedCF手法を提案する。
論文 参考訳（メタデータ） (2024-08-16T05:49:14Z) - 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) - Knowledge-Enhanced Recommendation with User-Centric Subgraph Network [38.814514460928386]
本稿では,知識強化型ユーザ中心サブグラフネットワーク(KUCNet)を効果的に推奨する。
KUCNetはグラフニューラルネットワーク(GNN)を用いたグラフ学習アプローチで、効果的な推奨を行う。
提案手法は,特に新しい項目に対する精度,効率,解釈可能なレコメンデーションを実現する。
論文 参考訳（メタデータ） (2024-03-21T13:09:23Z) - User Consented Federated Recommender System Against Personalized
Attribute Inference Attack [55.24441467292359]
本稿では,ユーザの異なるプライバシーニーズを柔軟に満たすために,ユーザ合意型フェデレーションレコメンデーションシステム(UC-FedRec)を提案する。
UC-FedRecは、ユーザーが様々な要求を満たすためにプライバシー設定を自己定義し、ユーザーの同意を得てレコメンデーションを行うことを可能にする。
論文 参考訳（メタデータ） (2023-12-23T09:44:57Z) - DRIFT: A Federated Recommender System with Implicit Feedback on the
Items [0.0]
DRIFTは、暗黙のフィードバックを使用してレコメンデーションシステムのための連合アーキテクチャである。
我々の学習モデルは、暗黙のフィードバックSAROSを用いた最近のアルゴリズムに基づく。
我々のアルゴリズムは安全であり、当社のフェデレーションシステムの参加者は、ユーザによるインタラクションを推測できない。
論文 参考訳（メタデータ） (2023-04-17T13:12:33Z) - FedGRec: Federated Graph Recommender System with Lazy Update of Latent
Embeddings [108.77460689459247]
プライバシー問題を軽減するためのフェデレートグラフレコメンダシステム(FedGRec)を提案する。
本システムでは,ユーザとサーバは,ユーザとアイテムに対する遅延埋め込みを明示的に記憶する。
我々は,遅延埋め込みを相互作用グラフの欠落のプロキシとして用いることの有効性を検証するために,広範な実験的な評価を行った。
論文 参考訳（メタデータ） (2022-10-25T01:08:20Z) - Federated Social Recommendation with Graph Neural Network [69.36135187771929]
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。
論文 参考訳（メタデータ） (2021-11-21T09:41:39Z)
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。