15、多行为推荐算法FedMB：保障隐私与高效推荐的解决方案

多行为推荐算法FedMB：保障隐私与高效推荐的解决方案

1. 问题定义

在多用户（N > 2）场景下，每个用户持有私有数据集。目标是构建一个联邦学习系统，在不泄露用户隐私的前提下训练模型。这些数据集由用户本地生成，无需相互传输或交互。假设用户生成的多行为数据遵循独立分布原则。对于行为交互较少的用户，会生成伪交互项，虽可能影响推荐结果，但能保证图学习质量，对整体框架影响较小，本文主要关注整体框架的稳定性。

框架利用本地推荐模型为用户生成先前推荐列表，训练和推荐在客户端进行以确保用户隐私。对于多行为数据，采用GCN层提取用户行为特征。

2. FedMB框架

FedMB框架主要由四部分组成：客户端训练模块、服务器端参数选择模块、服务器端参数聚合模块和参数加密模块。为增强参数传输安全性，会添加噪声数据；为保护隐私，使用用户端模型训练后的参数。中央服务器将聚合后的参数发送回客户端，完成每一轮迭代训练。

2.1 客户端训练

采用自监督方法进行多行为推荐，根据数据集中的用户ID划分，为不同用户分配模型。使用GCN层学习用户和物品的嵌入，有效提取其个性化交互特征。为区分不同行为的重要性，提出监督任务，然后通过自动学习聚合多行为嵌入，区分目标行为和辅助行为。

在每个子图中，用户和行为嵌入用$R_k$表示，其中$R_k$表示第k个行为图，邻接矩阵$A_k$可由矩阵$R_k$得到：
$A_k =
\begin{bmatrix}
0 & R_k \
R_k^T & 0
\end{bmatrix}$

然后使用GCN多层消息通信公