Page 280 - 《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 2599

6.4 实验结果与分析
本节在 2 个数据集上对 Priv-FedMF-Sub 和 Priv-FedNCF-Sub-Compress 进行全面评估, 并与前述基准方法对比.
● Priv-FedMF-Sub 有效性评估
如图 7 和图 8 分别展示了 3 种算法在 MovieLens 100K 和 MovieLens 1M 数据集上的推荐准确性. 通过
HR@10 和 NDCG@10 两个指标结果可以看出, FedMF 在这两个指标上的表现最为优异. 该算法通过不直接上传
用户原始数据的方式, 利用传统的联邦学习框架协同训练全局模型, 从而有效避免了用户数据的直接泄露. 然而,
尽管 FedMF 在推荐准确性上表现突出, 其在联邦训练过程中通过交换中间梯度的方式仍然存在隐私泄露的潜在
风险, 无法确保绝对的隐私安全性. 为增强隐私保护, DP-FedMF 在 FedMF 的基础上引入了梯度扰动机制, 满足差
分隐私的要求. 尽管该方法提高了隐私保护性, 然而由于噪声的加入, DP-FedMF 在推荐准确性上有所下降. 与 DP-
FedMF 相比, Priv-FedMF-Sub 在保持相同隐私保护程度的前提下, 推荐准确性未出现显著下降, 表现出与 DP-FedMF
相当的模型可用性.

0.20
0.35
0.18
0.30 0.16
HR@10 0.25 NDCG@10 0.14
0.12
0.20
0.08
FedMF 0.10 FedMF
0.15
DP-FedMF DP-FedMF
Priv-FedMF-Sub 0.06 Priv-FedMF-Sub
0.10
0 50 100 150 200 250 300 350 400 0 50 100 150 200 250 300 350 400
Round Round
图 7 MovieLens 100K 数据集下推荐算法模型性能

0.20
0.35
0.18
0.30 0.16
HR@10 0.25 NDCG@10 0.14
0.12
0.20
0.10
0.15 FedMF 0.08 FedMF
DP-FedMF 0.06 DP-FedMF
Priv-FedMF-Sub Priv-FedMF-Sub
0.10
0 50 100 150 200 250 300 350 400 0 50 100 150 200 250 300 350 400
Round Round
图 8 MovieLens 1M 数据集下推荐算法模型性能

本文重点关注算法的通信开销, 图 9 展示了 FedMF、DP-FedMF 和 Priv-FedMF-Sub 这 3 种算法的通信效率
对比. 在传统联邦学习框架下, FedMF 和 DP-FedMF 均采用完整的全局模型进行参数传输, 因此其传输的总参数
量相同, 其中使用整个训练过程中所需的总参数传输量来衡量通信成本, 单位为百万 (M). 相比之下, Priv-FedMF-Sub
通过采用子模型替代全局模型, 显著降低了通信开销. 具体而言, 在 MovieLens 100K 数据集上, FedMF 的总参数
传输量为 2 154.24M, 而 Priv-FedMF-Sub 为 698.67M, 通信效率提升 67.57%; 在 MovieLens 1M 数据集上, FedMF
的总传输参数量为 9 487.36M, Priv-FedMF-Sub 为 2 907.846M, 通信效率提升 69.35%. 这种差异源于 Priv-FedMF-
Sub 通过选择适当的子模型, 依据交互频率均值设置阈值, 从而减少了需要传输的参数数量. 值得注意的是, 由于
MovieLens 1M 数据集中的电影数量更多, 相应的全局模型 (特征向量矩阵) 也更大, 因此其通信开销明显高于
MovieLens 100K 数据集. 这一结果表明, Priv-FedMF-Sub 方法在保证隐私保护的同时, 能够有效降低通信成本.