Page 284 - 《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 2603

低通信开销的同时, 仍保持了较为优良的推荐性能, 显示了其在隐私保护与通信效率上的优越性.
综上所述, 消融实验结果验证了 Priv-FedNCF-Sub-Compress 算法各部分的关键作用. 通过对深度神经网络进
行结构划分, 分别在浅层和深层网络中应用子模型策略与梯度压缩策略, 有效降低了联邦推荐中的通信负担. 结合
基于差分隐私的子模型选择和梯度扰动策略, 进一步增强了用户数据的隐私保护. 该算法在保证隐私安全的同时,
显著提高了通信效率, 并未显著影响模型可用性.

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

0.2 0.15
FedNCF 0.10 FedNCF
Priv-FedNCF-Sub Priv-FedNCF-Sub
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 15 MovieLens 100K 数据集下消融实验对比图

0.6 0.35

0.5 0.30
HR@10 0.4 NDCG@10 0.25
0.20
0.3
0.2 FedNCF 0.15 FedNCF
0.10
Priv-FedNCF-Sub Priv-FedNCF-Sub
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 16 MovieLens 100K 数据集下消融实验对比图

7 总 结

本文针对传统联邦推荐系统在通信开销和隐私保护方面的挑战, 提出了两种基于差分隐私的通信高效联邦推
荐算法: 基于矩阵分解的 Priv-FedMF-Sub 算法和基于深度学习的 Priv-FedNCF-Sub-Compress 算法. 首先, 通过引
入子模型策略和最大似然估计方法优化, 平衡了隐私保护与模型效用之间的关系, 确保了推荐系统的高效性. 其
次, 在联邦深度学习推荐中, 通过结构化划分全局模型并为浅层和深层网络定制优化策略, 包括梯度压缩和基于差
分隐私的梯度扰动技术, 有效减轻了通信负担. 最后, 从理论和实验两方面验证了本文方案的安全性、有效性和鲁
棒性. 由于通信效率和隐私保护之间的平衡仍是一个挑战, 后续研究可以考虑通过结合更精细的压缩技术 (如参数
剪枝、量化、模型蒸馏等) 来进一步提升通信效率. 同时, 本文拟在未来工作中对更先进的隐私保护技术, 如同态
加密、安全多方计算等进行探讨, 进一步强化数据保护能力并提升系统的安全性.

References
[1] Shi Y, Larson M, Hanjalic A. Collaborative filtering beyond the user-item matrix: A survey of the state of the art and future challenges.
ACM Computing Surveys (CSUR), 2014, 47(1): 3. [doi: 10.1145/2556270]
[2] Zhang RZ, Xie XH, Mao JX, Liu YQ, Zhang M, Ma SP. Constructing a comparison-based click model for Web search. In: Proc. of the
2021 Web Conf. Ljubljana: ACM, 2021. 270–283. [doi: 10.1145/3442381.3449918]
[3] Pan K, Ong YS, Gong MG, Li H, Qin AK, Gao Y. Differential privacy in deep learning: A literature survey. Neurocomputing, 2024, 589: