FedGST：一种高效的联邦图神经网络，用于时空兴趣点推荐

《ACM Transactions on Sensor Networks》：FedGST: An Efficient Federated Graph Neural Network for Spatio-temporal PoI Recommendation

针对移动设备与IoT场景中联邦学习环境下的POI推荐难题，提出融合时空特征与图网络学习的双编码框架，通过GRU编码器-解码器捕捉动态时间模式，2层图网络挖掘空间关联性，并设计轻量级贡献评估机制加速训练，在真实场景数据验证中达到低计算成本与高推荐性能的平衡。

　　

摘要

随着传感器网络在城市地区的广泛应用，基于位置的社会网络平台产生了大量数据，这使得相关方能够为最终用户开发位置感知服务。兴趣点（PoI）推荐是最受欢迎的服务之一。PoI推荐模型通常会结合地理信息和历史记录来进行构建。近年来，随着对移动设备、嵌入式设备或物联网（IoT）设备上实现PoI推荐的需求增加，计算资源有限、恶意客户端以及数据孤岛等问题对模型性能产生了显著影响。为了解决这些问题并实现高效的PoI推荐，我们提出了一种基于联邦图学习的模型，该模型能够挖掘复杂的时空特征以生成推荐结果。我们采用基于GRU的编码器-解码器来学习时间隐藏状态嵌入；同时，利用双层图网络来理解空间嵌入向量。此外，我们还引入了一种高效的贡献度评估方法，以加快训练过程并提升推荐性能。基于真实签到数据的实验验证了我们所提模型的有效性，结果表明，该模型能够在较低的计算成本下实现具有竞争力的推荐结果。