Page 267 - 《软件学报》2026年第6期

2586 软件学报 2026 年第 37 卷第 6 期

止攻击者通过分析模型更新来推测个体数据. 文献 [15] 采用本地差分隐私技术实现推荐系统中用户级别的保护,
即对用户的评分和评分项目均进行扰动, 避免原始数据泄露. 除差分隐私外, 联邦推荐系统中还广泛采用安全多方
计算、同态加密和秘密共享等密码学方法来加强隐私保护. 例如, 安全多方计算支持多方用户在不泄露私有数据
的前提下完成联合计算, 同态加密允许在加密数据上执行推荐模型的前向与反向传播操作, 而秘密共享则通过参
数分片传输提升抗泄露能力. 尽管上述方法在理论上提供了更强的隐私保障, 但其引入的建模复杂性和信息扰动
在实践中可能影响模型训练过程的稳定性和精度表现. 特别是在数据量有限或交互行为稀疏的推荐场景中, 隐私
机制所带来的性能退化问题更加突出. 这对联邦推荐系统的推荐准确度提出了更高的优化需求, 也进一步突显出
在保障隐私的同时提升模型效能的重要性.
另一方面, 联邦推荐系统还面临着通信效率上的重大挑战. 由于联邦学习要求客户端与服务器频繁交互, 每轮
训练需要传输大量的全局模型参数进行学习, 这在面对大规模学习任务和资源受限的移动设备时显得非常低
效 [16] . 特别是在推荐系统的应用场景中, 每个用户的数据通常包含多维度、复杂的行为信息, 而推荐模型往往需
要处理庞大的物品集. 为了在用户设备上进行有效的个性化推荐, 联邦推荐系统通常采用从简单到复杂的模型体
系, 例如矩阵分解模型 [17] 和深度学习模型 [18] . 矩阵分解模型因其参数量相对较小、通信成本较低, 成为联邦推荐
系统中优化通信效率的基础方法 [19] . 然而, 随着用户数量和交互数据规模的增加, 即使是矩阵分解模型也可能面
临通信成本快速上升的问题, 尤其是在多用户协作频繁或矩阵规模较大的场景中. 相比之下, 深度学习模型凭借其
强大的特征提取和表达能力, 能够处理更复杂的数据模式, 在提升推荐精度方面具有明显优势. 然而, 其参数规模
远超矩阵分解模型, 训练过程中的通信成本和隐私保护问题更为突出. 这些模型含有大量参数, 且在每轮训练迭代
中, 客户端需要将更新后的模型参数上传至服务器. 而在服务器端, 必须在汇总多个客户端上传的参数后再将更新
的全局模型下发至各客户端. 以 MovieLens 1M 为例, 若包含两层隐藏层的多层感知机作为推荐模型, 其参数量可
达约 3–5 百万级别, 假设采用 32-bit 浮点编码, 每轮训练需在客户端与服务器之间传输约 12–20 MB 的参数数据.
若每轮迭代时有 100 个客户端, 整体传输数据可达 GB 级别. 对于这种频繁的模型更新传输进一步放大了通信负
担, 最终导致系统整体的运行效率下降, 并可能使系统在实际应用中不可扩展. 这种情况对于推广联邦学习技术在
推荐系统中的应用构成了实质性的障碍.
为解决上述问题, 本文提出一种新的解决策略, 即基于差分隐私的通信高效联邦推荐算法. 该算法的核心思想
是设计一种通用“子模型”选择机制. 在推荐模型的训练和通信过程中优化数据传输量, 降低通信成本, 通过结合差
分隐私技术, 实现在矩阵分解和深度学习模型中对通信效率与用户隐私保护的双重优化. 其主要贡献如下.
(1) 针对联邦推荐系统中通信开销高和用户交互数据隐私易泄露的问题, 提出基于差分隐私的子模型选择算
法 DP-SUB. 该算法允许客户端仅下载和更新所需的模型部分, 并通过随机响应机制加强了用户交互数据的隐私
保护, 在降低通信成本的同时, 有效保障了用户数据的隐私安全.
(2) 针对服务器难以准确推断客户端需求的问题, 提出基于最大似然估计的优化算法. 通过估计物品的真实交
互频率来优化子模型的选择, 确保在保护用户交互数据隐私的前提下, 服务器能够高效且准确地推断并下发符合
客户端需求的子模型, 实现了用户隐私保护与模型效用之间的有效平衡.
(3) 针对深度学习的联邦推荐模型中, 因结构复杂导致通信负担加重的问题, 提出基于差分隐私的通信高效联
邦深度学习推荐算法 Priv-FedNCF-Sub-Compress. 通过对全局模型进行结构化划分并对浅层网络和深层网络定制
不同的优化策略, 有效降低了通信开销. 同时, 采用满足差分隐私保护的梯度扰动策略和基于 FedSubAvg 算法的
子模型聚合优化技术, 进一步平衡了隐私保护、通信效率和推荐性能之间的关系.
本文第 1 节介绍联邦推荐的研究现状. 第 2 节介绍联邦推荐中的相关工作. 第 3 节介绍本文所需的基础知识,
包括差分隐私和联邦推荐. 第 4 节介绍基于差分隐私的子模型选择策略, 包括基于随机响应的交互数据扰动策略
和基于最大似然函数的真实频率估计. 第 5 节分别介绍本文构建的基于子模型的联邦矩阵分解推荐算法和基于差
分隐私的通信高效联邦深度学习推荐算法. 需要说明的是, 两种推荐方法在应用场景上具有互补性. 矩阵分解推荐
算法以其较低的通信成本和轻量级模型设计, 适用于对隐私保护敏感但资源有限的场景. 而深度学习推荐算法则
凭借其在提取复杂特征和处理大规模数据方面的优势, 适用于对推荐精度和数据模式要求较高的场景. 第 6 节通