Page 282 - 《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 2601

0.50
0.45 0.25
0.40
0.35 0.20
HR@10 0.30 NDCG@10 0.15
0.25
0.20 0.10
FedMF-Sub-RR FedMF-Sub-RR
0.15 FedMF-Sub-RR-EST FedMF-Sub-RR-EST
Priv-FedMF-Sub 0.05 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 11 MovieLens 1M 数据集下消融实验对比图

通过对 HR@10 和 NDCG@10 两个指标进行评估, 可以看出, 与 FedMF-Sub-RR 相比, FedMF-Sub-RR-EST 在
模型可用性上显著提升, 这表明 FedMF-Sub-RR 由于直接基于扰动数据进行子模型选择, 导致模型偏差增大, 降低
了可用性. 而在 FedMF-Sub-RR-EST 中, 服务器端通过最大似然估计补偿了扰动数据的影响, 从而有效提升了推荐
质量. 在此基础上, Priv-FedMF-Sub 虽然在推荐准确性上有所下降, 但其通过引入梯度扰动策略, 增强了对用户隐
私的保护, 显著降低了通过梯度反推用户数据的隐私泄露风险.
综上所述, 消融实验结果表明, 基于差分隐私的子模型选择和梯度扰动策略在提升推荐准确性和保护用户隐
私方面发挥了重要作用. 其中, 最大似然估计方法在子模型选择中的应用显著提升了模型可用性, 而梯度扰动策略
则有效加强了隐私保护, 二者结合不仅提高了通信效率, 也保障了隐私安全.
● Priv-FedNCF-Sub-Compress 有效性评估
图 12 和图 13 分别展示了 4 种算法在 MovieLens 100K 和 MovieLens 1M 数据集上的推荐效果. 结果表明,
FedNCF 模型在未采取隐私保护措施的情况下, 推荐准确性表现最佳. 然而, 尽管联邦学习通过避免集中存储用户
数据减少了隐私泄露的风险, 客户端上传的中间梯度仍可能泄露用户隐私. 引入差分隐私保护的 DP-FedNCF 算法
在 HR@10 和 NDCG@10 指标上有所下降, 表明梯度噪声的引入对模型准确性产生了负面影响. 相比之下, DP-
FedNCF-DGC 在进一步减少通信开销的过程中引入了深度梯度压缩策略, 导致推荐准确性进一步降低, 因为部分
有效信息在压缩过程中丢失. 与 DP-FedNCF 不同, 本文提出的 Priv-FedNCF-Sub-Compress 算法在保持相同隐私
保护水平的情况下, 推荐准确性未发生显著下降, 且与 DP-FedNCF 相当. 同时, Priv-FedNCF-Sub-Compress 较 DP-
FedNCF-DGC 在推荐准确性上更具优势. 这是因为, 浅层网络通常包含更为重要的通用信息, 而 DP-FedNCF-DGC
对整个网络进行了压缩, 而 Priv-FedNCF-Sub-Compress 仅对深层网络进行梯度压缩, 从而有效保留了浅层网络的
关键信息.

0.35
0.5
0.30
0.4 0.25
HR@10 0.3 NDCG@10 0.20

0.2 FedNCF 0.15 FedNCF
DP-FedNCF 0.10 DP-FedNCF
DP-FedNCF-DGC DP-FedNCF-DGC
Priv-FedNCF-Sub-Compress 0.05 Priv-FedNCF-Sub-Compress
0.1
0 50 100 150 200 250 300 350 400 0 50 100 150 200 250 300 350 400
Round Round
图 12 MovieLens 100K 数据集下推荐算法模型性能

在通信开销方面, 图 14 对 FedNCF、DP-FedNCF、DP-FedNCF-DGC 及 Priv-FedNCF-Sub-Compress 这 4 种
算法的通信成本进行比较. FedNCF 与 DP-FedNCF 均采用传统联邦训练框架下的完整全局模型进行参数传输, 因