摘要
图神经网络（Graph Neural Network, GNN）被广泛应用于推荐系统中，用于建模用户与物品之间的高阶交互关系。现有的基于GNN的推荐方法通常依赖于用户-物品图的集中式存储以及集中式模型训练。然而，用户数据具有高度隐私敏感性，集中式存储用户-物品图可能引发隐私泄露风险与担忧。为此，本文提出一种面向隐私保护的联邦GNN推荐框架，能够在去中心化的用户数据基础上协同训练GNN模型，同时有效保留用户与物品之间的高阶交互信息，并充分保障用户隐私。在所提方法中，每个用户客户端基于本地用户-物品交互数据推断出局部用户-物品图，并在此基础上进行本地GNN模型的训练。各客户端将本地GNN模型的梯度上传至服务器进行聚合，聚合后的梯度再分发回各用户客户端，用于更新本地模型。由于本地梯度可能包含敏感隐私信息，本文采用本地差分隐私（Local Differential Privacy, LDP）技术对本地梯度进行扰动处理，以进一步保护用户隐私。此外，为保护用户实际交互过的物品信息，我们引入随机采样的物品作为“伪交互物品”，以增强匿名性。为进一步建模高阶用户-物品交互关系，本文提出一种隐私保护的用户-物品图扩展方法：通过识别具有共同交互物品的邻近用户，并在保护隐私的前提下交换其嵌入表示，从而在本地扩展用户-物品图结构。该机制能够在不泄露原始交互数据的前提下，有效捕捉更丰富的高阶关联信息。在六个基准数据集上的大量实验结果表明，所提方法在推荐性能上可与现有的集中式GNN推荐方法相媲美，同时在用户隐私保护方面表现出显著优势，验证了其在实际应用中的有效性与可行性。