Federated Cross-Domain Click-Through Rate Prediction With Large Language Model Augmentation

主要内容

本文提出了一种名为FedCCTR-LM的联邦跨域点击率预测框架，旨在解决联邦环境下数据稀疏、领域异构和隐私保护的挑战。框架包含三个核心模块：

1. 隐私增强网络（PrivAugNet）：利用大语言模型（LLM）生成用户和物品的增强特征，缓解数据稀疏性。
2. 独立领域特定的对比学习模型（IDST-CL）：通过对比学习分离领域共享和特定特征，提升跨域知识迁移。
3. 动态局部差分隐私机制（AdaLDP）：根据训练阶段动态调整噪声注入，平衡隐私保护与模型性能。

实验结果表明，FedCCTR-LM在四个真实数据集上显著优于现有基线模型，验证了其在联邦跨域场景下的有效性。

创新点

1. 联邦跨域范式：首次将跨域点击率预测无缝集成到联邦学习框架中，支持跨领域的隐私协作。
2. LLM增强的特征生成：提出PrivAugNet模块，通过LLM生成语义丰富的增强特征，解决数据稀疏和异构问题。
3. 对比学习解耦：设计IDST-CL模块，通过域内对齐（IDRA）和跨域解耦（CDRD）优化特征表示。
4. 动态