Page 268 - 《软件学报》2026年第6期

薛大暄 等: 基于差分隐私的通信高效联邦推荐方法 2587

过对比实验验证了所提方法的有效性. 最后总结全文.

2 相关工作

2.1 联邦推荐中的模型方法
在传统的集中式推荐系统中, 所有用户的个人数据都被集中存储在中心化服务器上, 推荐算法能够直接访问
这些数据, 进而提供个性化的推荐服务. 尽管这种方式提高了推荐效率, 但集中处理大量敏感数据极易导致用户隐
私泄露 [20] . 为了解决这一问题, 研究者提出了基于联邦学习框架的推荐算法. 该框架通过将用户数据保存在本地
设备上, 采用协作学习的方式, 在不直接访问用户原始数据的情况下完成模型训练, 有效降低了隐私泄露的风险.
现有的联邦推荐算法主要分为两类: 基于矩阵分解 [21] 和基于深度学习 [22] 的推荐算法. 基于矩阵分解的联邦推
荐算法是目前应用最广泛的方法, 其核心思想是将集中式数据收集方式转变为分布式数据处理方式, 以在不直接
接触用户数据的情况下实现个性化推荐. 各参与方通过协同学习, 利用各自的用户行为数据, 共同构建一个全局推
荐模型. 文献 [23] 将联邦学习引入推荐系统, 提出了联邦协同过滤 (federated collaborative filtering, FCF) 推荐算法.
该算法通过本地保存用户交互数据, 更新用户特征向量, 服务器端则通过聚合客户端上传的梯度来更新物品特征
向量. 需要注意的是, FCF 在处理隐式反馈数据时, 将未评分的物品视为未交互项, 这种假设可能引入偏差, 影响模
型的准确性. 此外, FCF 并未针对通信效率进行优化, 每轮仍需传输完整的物品特征向量矩阵, 导致通信开销较高.
文献 [24] 提出了 FedRec 算法, 专注于显式反馈数据. 该算法通过随机采样未交互数据并分配虚拟评分的方法, 在
提高模型效用的同时有效降低了计算和通信成本. 然而, 该算法对中间参数泄露的隐私风险估计不足, 且降低通信
成本的效果尚未得到实证验证. 尽管基于深度学习的联邦推荐算法面临着客户端存储和计算能力有限的问题, 难
以支持大规模神经网络模型的训练, 但由于其在推荐准确性和个性化方面的潜力, 仍然引起了广泛的关注. 文献 [25]
提出了联邦视频推荐框架 JointRec, 使用卷积神经网络 (convolutional neural network, CNN) 提取用户属性、视频
属性和评论特征, 以完成视频推荐. 由于模型结构复杂, 导致通信开销过高, 并且未充分考虑可能出现的梯度泄露
风险. 文献 [26] 提出了 FedDSR 方法, 结合深度强化学习和联邦学习, 利用课程学习指导训练过程, 并通过相似性
聚合算法提升上传本地参数的质量. 但在 FedDSR 中, 各方需要频繁地上传和下载本地模型参数, 尤其是在大规模
数据集的情况下, 可能导致通信频率和数据量较大, 从而增加了通信开销. 文献 [27] 提出了基于联邦分布式深度
确定性策略梯度方法 FD3PG, 通过部分可观察的马尔可夫决策过程 POMDP 来优化多层边缘-云网络中的内容传
输延迟、缓存替换和带宽分配策略. 然而频繁的参数更新通信、较高的带宽消耗、同步问题带来的延迟以及隐私
保护带来了额外通信开销. 文献 [28] 提出的 Uni-FedRec 框架通过聚类方法和注意力机制生成共享的基础嵌入, 有
效防止了用户隐私泄露, 但全局模型传输仍然存在通信效率低下的问题.
2.2 联邦推荐中的隐私保护机制
为了进一步提高联邦推荐中的隐私保护, 文献 [29] 提出了 FedRec++, 通过在客户端实施隐私感知去噪, 显著
改善了推荐质量. 为了解决隐私与公平性问题, 文献 [30] 提出了公平感知的联邦矩阵分解框架 F2MF, 结合差分隐
私技术与联邦学习系统, 确保在不暴露用户敏感群组特征的情况下实现推荐系统的公平性. 值得注意的是, 差分隐
私引入的噪声对推荐精度产生了影响, 尤其是在数据较稀疏的场景中. 文献 [31] 提出了 MetaMF 框架, 通过服务
器上的元网络生成私有项目嵌入, 有效提升了推荐系统的性能和效率, 并降低了用户设备的计算负担. 但是
MetaMF 在处理冷启动用户时效果不佳, 且依然存在潜在的隐私泄露风险. 异构协同过滤算法 FCMF [32] 结合了用
户反馈和同态加密技术, 确保在异构场景下的隐私保护. 文献 [33] 提出了一种基于秘密共享的联邦矩阵分解方法,
通过将模型参数随机分割并利用秘密共享技术在用户和服务器间传输, 从而保护用户隐私. 文献 [8] 提出的
FedFast 算法将 GMF [34] 应用于联邦学习, 通过客户端采样提高收敛速度, 同时采用安全聚合技术保护上传梯度的
隐私. 尽管 FedFast 在推荐效果上有所提升, 但复杂的加密和解密过程增加了计算和通信的负担, 特别是在资源受
限的设备上. 类似地, FedGNN 框架 [35] 引入第三方服务器并采用同态加密技术匿名传递邻居用户特征向量 [36] , 进
一步加强了隐私保护, 但同态加密的应用也增加了系统的计算和通信负担. 文献 [37] 提出的 FedPerGNN 框架通