Page 283 - 《软件学报》2026年第6期

2602 软件学报 2026 年第 37 卷第 6 期

此在每轮迭代中的参数传输量相同. 与之相比, Priv-FedNCF-Sub-Compress 在两个数据集上的通信效率均显著提
高, 具体表现为平均传输参数量的减少 (单位为 M). 在 MovieLens 100K 数据集上, FedNCF 每轮迭代的平均传输量为
10 771.2M, 而 Priv-FedNCF-Sub-Compress 则降至 4 200.0M, 实现了约 61% 的通信效率提升; 在 MovieLens 1M 数
据集上, FedNCF 的传输量为 47 436.8M, 而 Priv-FedNCF-Sub-Compress 降至 4 421.2M, 实现了约 90.7% 的通信效
率提升.

0.6 0.35
0.5 0.30
HR@10 0.4 NDCG@10 0.25
0.20
0.3
FedNCF 0.15 FedNCF
0.2 DP-FedNCF 0.10 DP-FedNCF
DP-FedNCF-DGC DP-FedNCF-DGC
Priv-FedNCF-Sub-Compress Priv-FedNCF-Sub-Compress
0.1 0.05
0 50 100 150 200 250 300 350 400 0 50 100 150 200 250 300 350 400
Round Round
图 13 MovieLens 1M 数据集下推荐算法模型性能

10 771.2 10 771.2 50 000 47 436.8 47 436.8
10 000
40 000
8 000
通信参数量 (M) 6 000 4 127.5 4 200.0 通信参数量 (M) 30 000

20 000
4 000
2 000 10 000
3 664.8 4 421.2
0 0
FedNCF DP-FedNCF DP-FedNCF- Priv-FedMF- FedNCF DP-FedNCF DP-FedNCF- Priv-FedMF-
DGC Sub-Compress DGC Sub-Compress
MovieLens 100K 数据集 MovieLens 1M 数据集
图 14 通信开销对比图

这一显著优化源于 Priv-FedNCF-Sub-Compress 算法中结合了浅层网络的子模型选择策略与深层网络的梯度
压缩策略, 具体通过对物品特征嵌入层进行子模型筛选以及对深层神经网络的梯度进行压缩, 从而有效减轻了联
邦训练中的通信负担. 与采用深度梯度压缩策略的 DP-FedNCF-DGC 相比, Priv-FedNCF-Sub-Compress 在达成相
似通信效率的同时, 推荐准确性更高, 进一步验证了本方法的有效性与优越性.
● Priv-FedNCF-Sub-Compress 消融实验
为深入分析 Priv-FedNCF-Sub-Compress 算法中各组成部分对整体性能的贡献, 本文进行了消融实验, 评估了
不同算法配置的效果. 实验中, 我们对比了 3 种算法配置: 1) FedNCF: 传统联邦深度学习推荐算法; 2) Priv-FedNCF-
Sub: 去除深层网络压缩策略, 仅采用浅层网络子模型策略; 3) Priv-FedNCF-Sub-Compress: 结合浅层网络子模型选
择与深层网络梯度压缩策略的完整方法.
图 15 和图 16 展示了在 MovieLens 100K 和 MovieLens 1M 数据集上, 基于 HR@10 和 NDCG@10 指标的结
果. 相较于基线算法 FedNCF, Priv-FedNCF-Sub 在推荐准确性上有所下降, 原因在于其通过扰动交互数据与梯度
来保护隐私, 同时应用子模型策略以降低通信开销, 虽牺牲部分准确性, 但有效提升了隐私保护与通信效率. 相比
之下, Priv-FedNCF-Sub-Compress 进一步引入了深层网络的梯度压缩策略, 虽然导致准确性有所下降, 但在显著降