Graph Neural Networks (GNN) sind effektiv bei der Modellierung von Hochordnungs-Interaktionen und werden bereits weit verbreitet in verschiedenen personalisierten Anwendungen wie Empfehlungssystemen eingesetzt. Allerdings basieren herkömmliche Personalisierungsansätze auf zentralisierten GNN-Lernverfahren auf globalen Graphen, was erhebliche Datenschutzrisiken mit sich bringt, da Nutzerdaten oft sensibel sind. In dieser Arbeit präsentieren wir einen federierten GNN-Framework namens FedPerGNN, der sowohl effektive als auch datenschutzorientierte Personalisierung ermöglicht. Durch eine datenschutzgerechte Aktualisierungsmethode können GNN-Modelle gemeinsam auf dezentralen Graphen trainiert werden, die aus lokalen Daten abgeleitet werden. Um zusätzliche graphenbasierte Informationen jenseits lokaler Interaktionen auszunutzen, führen wir ein datenschutzgerechtes Graph-Expansion-Protokoll ein, das die Integration hochordnungsbezogener Informationen unter Wahrung der Privatsphäre ermöglicht. Experimentelle Ergebnisse auf sechs Datensätzen für Personalisierung in unterschiedlichen Szenarien zeigen, dass FedPerGNN im Vergleich zu aktuellen federierten Personalisierungsverfahren bei gleichzeitig guter Datenschutzgarantie Fehlerraten um 4,0 % bis 9,6 % reduziert. FedPerGNN eröffnet damit eine vielversprechende Perspektive für die datenschutzgerechte Exploration dezentraler Graphdaten im Sinne verantwortungsvoller und intelligenter Personalisierung.