联邦图对比学习框架FedGCLRec：面向社交影响力推荐的隐私保护协同优化方案

本文推荐一种创新的联邦图对比学习框架FedGCLRec，该框架通过图对比学习（GCL）解耦显隐式社交影响力，结合个性化联邦优化（FL）解决非独立同分布（Non-IID）数据问题，在Ciao/Epinions/Douban数据集上实现NDCG@10提升5.3%，为隐私保护的社交推荐系统提供新范式。

　　

Highlight

• 提出FedGCLRec框架，首次将社交影响力建模融入隐私保护的联邦推荐场景

• 采用图对比学习（GCL）策略解耦显性（直接社交关系）与隐性（行为相似性）社交影响力

• 通过用户聚类机制实现基于社交行为相似性的个性化模型更新

• 在Ciao/Epinions/Douban数据集上NDCG@₁₀提升5.3%，Precision@₁₀提升4.8%

Discussion

联邦推荐中的用户表征坍塌问题（即嵌入向量偏向局部观测数据）是本研究的核心挑战。FedGCLRec通过GCL结合社交影响力注意力机制（SIA），从增强视图中保持嵌入一致性，并选择性传播社交邻居的影响力。这种组合有效解耦了混合社交信号，缓解了数据隔离条件下的表征偏差。实验证明该方法在稀疏交互场景下仍能保持鲁棒性，其动态社交关系建模能力显著优于静态图方法。

Conclusion and Future Work

本研究提出的FedGCLRec框架通过联邦对比学习有效解决了联邦社交推荐中的表征坍塌和稀疏交互问题。未来将探索跨平台联邦迁移学习方案，并研究轻量级图卷积算子以降低通信开销。该框架为医疗健康领域的隐私保护型社交推荐（如病友社区药物推荐）提供了技术蓝图。