Heterogeneity-aware Cross-school Electives Recommendation: a Hybrid Federated Approach
The Hong Kong Polytechnic University（香港理工大学）
针对跨校选修课推荐中数据隐私与异构性问题，提出混合联邦推荐系统HFRec，通过构建异构图与注意力机制捕获异构感知表示，在保护隐私下实现个性化推荐，效果优于现有模型。
2024-02-19 cs.AI cs.IR
Personalized Recommendation Models in Federated Settings: A Survey
College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）；School of Computer Science and Technology, Beijing Jiaotong University（北京交通大学计算机科学与技术学院）；Hong Kong University of Science and Technology（香港科技大学）；WeBank（微众银行）
本文系统综述了联邦推荐系统中的个性化建模研究，梳理其从中心化到联邦范式的演进，定义联邦个性化概念，分析技术挑战并总结有前景的解决方法，为该领域提供首份整合性技术参考。
2025-03-10 cs.AI cs.IR
Towards Communication Efficient and Fair Federated Personalized Sequential Recommendation
联合推荐利用联邦学习（FL）技术来进行隐私保护推荐。虽然联邦推荐系统近年来取得了一定的成功，但仍面临着一些重要的挑战：（1）大多数联邦推荐模型只考虑模型的性能和隐私保护能力，而忽略了通信过程的优化：（2）大多数联邦推荐系统是针对异构系统设计的，导致了联邦过程中的不公平问题;（iii）个性化技术在许多联合推荐系统中的研究较少。在本文中，我们提出了一个通信效率和公平的个性化联邦个性化顺序推荐算法（CF-FedSR）来解决这些挑战。CF-FedSR引入了一种通信高效的方案，该方案采用自适应客户端选择和基于聚类的采样来加速训练过程。提出了一种基于公平性的模型聚合算法，该算法能够自适应地捕捉不同客户端之间的数据和性能不平衡，以解决模型聚合过程中的不公平问题。个性化模块帮助客户进行个性化推荐，并通过局部微调和模型自适应来提高推荐性能。大量的实验结果表明，我们提出的方法的有效性和效率。
2022-08-24 cs.IR
Blockchain-based Federated Recommendation with Incentive Mechanism
College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；State Grid Zhejiang Electric Power Company（国网浙江省电力有限公司）
本文提出基于区块链的联邦推荐系统，结合NeuMF与FedAvg，通过反向拍卖激励机制选择最优客户端，在提升推荐性能的同时将经济效益提高54.9%。
2024-09-03 cs.IR
Federated Recommendation via Hybrid Retrieval Augmented Generation
Unversity of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对传统联邦推荐数据稀疏异质、大语言模型推荐效率低易幻觉的问题，提出两阶段GPT-FedRec框架，通过混合检索挖掘ID用户模式与文本物品特征，再用GPT重排序，在多基准数据集上性能优于现有最优方法。
2024-03-07 cs.AI cs.IR
Personalized Federated Recommendation via Joint Representation Learning, User Clustering, and Model Adaptation
联合推荐在推荐系统中应用联邦学习技术，通过在用户设备和中央服务器之间交换模型而不是原始用户数据来帮助保护用户隐私。由于用户属性和本地数据的异构性，获得个性化的模型是帮助提高联合推荐性能的关键。在本文中，我们提出了一个基于图神经网络的个性化联邦推荐（PerFedRec）框架，通过联合表示学习，用户聚类和模型自适应。具体来说，我们构建了一个协作图，并结合属性信息，通过联邦GNN共同学习表示。基于这些学习到的表示，我们将用户聚类到不同的用户组，并为每个聚类学习个性化模型。然后，每个用户通过组合全局联邦模型、集群级联邦模型和用户的微调本地模型来学习个性化模型。为了减轻沉重的通信负担，我们智能地从每个集群中选择一些代表性用户（而不是随机挑选的用户）来参与训练。在真实数据集上的实验表明，我们提出的方法比现有的方法具有更好的性能。
2022-08-19 cs.IR
Dual Personalization on Federated Recommendation
Jilin University（吉林大学）；University of Technology Sydney（悉尼科技大学）；Australian Artificial Intelligence Institute（澳大利亚人工智能研究所）；University of Maryland（马里兰大学）
本文提出PFedRec框架，通过双重个性化机制在用户和物品上实现细粒度个性化，生成轻量级用户特定模型，提升联邦推荐性能并保护隐私。
2023-05-13 cs.AI cs.IR cs.LG
PrivateRec: Differentially Private Training and Serving for Federated News Recommendation
在个性化推荐系统中，对敏感个人数据的收集和训练会带来严重的隐私问题，而联邦学习通过在分散的用户数据上训练模型可以潜在地缓解这一问题。然而，在联邦推荐的训练和服务阶段，理论上的隐私解决方案是必要的，但仍然缺乏。此外，由于模型梯度和隐藏表示的高维特性，单纯地将差分隐私（DP）应用于联邦推荐的两个阶段将无法在隐私和效用之间实现令人满意的权衡。本文提出了一种在DP保证下的联合新闻推荐方法，以实现模型训练和在线服务的更好的效用。首先阐明了联合推荐系统生命周期中每一轮行为数据的DP定义。接下来，我们提出了一个隐私-基于公共基向量分解用户嵌入和扰动下层基向量的思想，尺寸组合系数我们应用随机行为填充机制来降低所需的噪音强度，以获得更好的实用性。此外，我们还设计了一种联邦推荐模型训练方法，该方法在为训练参与者提供DP的同时，能够生成有效的、公共的服务基本向量。我们通过标签置换和差分私有注意模块来避免大型模型的维度相关噪声。真实世界的新闻推荐数据集上的实验验证了我们的方法在DP保证下在联邦新闻推荐的训练和服务中都取得了优异的效用。
2022-12-14 cs.IR
A Survey on Federated Recommendation Systems
Joint SDU-NTU Centre for Artificial Intelligence Research (C-FAIR)（山东大学-南洋理工大学人工智能国际联合研究院（C-FAIR））；Software School, Shandong University（山东大学软件学院）；Shandong University（山东大学）；Sino-Singapore International Joint Research Institute（中新国际联合研究院）；Alibaba-NTU Singapore Joint Research Institute（阿里巴巴-新加坡南洋理工大学联合研究学院）；Nanyang Technological University（南洋理工大学）；Microsoft Research Asia（微软亚洲研究院）
联邦学习最近被应用于推荐系统以保护用户隐私。在联邦学习环境下，推荐系统只需要收集中间参数而不需要收集真实的用户数据就可以训练推荐模型，大大增强了用户隐私保护。此外，联合推荐系统能够与其他数据平台协作，以提高推荐模型的性能，同时满足监管和隐私约束。然而，联邦推荐系统面临着许多新的挑战，如隐私，安全性，异构性和通信成本。虽然在这些领域进行了大量研究，但调查文献中仍然存在空白。在本文中，我们-（1）总结了联邦推荐系统中常用的一些隐私机制，并讨论了每种机制的优点和局限性;（2）回顾了一些鲁棒的聚合策略和一些新的安全攻击;（3）总结了一些解决异构性和通信成本问题的方法;（4）介绍了一些可用于构建联邦推荐系统的开源平台;（5）提出了未来的研究方向。该调查可以指导研究者和实践者了解这些领域的研究进展。
2023-03-09 cs.AI cs.CR cs.IR
When Federated Recommendation Meets Cold-Start Problem: Separating Item Attributes and User Interactions
本文提出IFedRec方法，通过同时学习物品属性与交互记录两组表示并对齐，首次系统解决联邦推荐中的冷启动问题，实验证明其性能优越且鲁棒性好。
2024-02-24 cs.IR
GPFedRec: Graph-guided Personalization for Federated Recommendation
针对联邦推荐中难以在保护数据局部性的同时利用用户关系的问题，本文提出 GPFedRec，基于本地微调的个性化物品嵌入在服务器构建用户关系图，并通过图引导聚合增强联邦优化，可作为插件提升多种联邦推荐方法。
2024-06-18 cs.IR
Multimodal-enhanced Federated Recommendation: A Group-wise Fusion Approach
College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）；Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education, Jilin University（吉林大学教育部符号计算与知识工程重点实验室）；PolyU Academy for Artificial Intelligence, Hong Kong Polytechnic University（香港理工大学PolyU人工智能学院）；Australian Artificial Intelligence Institute, FEIT, University of Technology Sydney（悉尼科技大学FEIT澳大利亚人工智能研究所）；College of Computer Science, Inner Mongolia University（内蒙古大学计算机学院）
本文提出了一种多模态增强的联邦推荐方法，通过组级融合机制提升推荐系统在多模态特征整合方面的性能。
2026-02-27 cs.IR
UA-FedRec: Untargeted Attack on Federated News Recommendation
本文提出 UA-FedRec 无目标攻击，通过新闻相似度、用户模型和样本数量扰动，利用少量恶意客户端降低联邦新闻推荐性能，并在两个真实数据集上验证其即使面对防御仍有效。
2023-06-08 cs.IR
Lossless and Privacy-Preserving Graph Convolution Network for Federated Item Recommendation
针对联邦GNN推荐中图卷积不完整导致性能下降的问题，提出LP-GCN，在隐私约束下利用去中心化子图实现无损卷积，性能媲美集中式方法并优于现有联邦方法。
2024-12-02 cs.IR
FD-GATDR: A Federated-Decentralized-Learning Graph Attention Network for Doctor Recommendation Using EHR
Iowa State University（爱荷华州立大学）；IQVIA（艾昆纬）；The Ohio State University（俄亥俄州立大学）
在过去的十年中，随着大数据技术的发展，越来越多的患者信息被存储为电子健康记录（EHR）。利用这些数据，已经提出了各种医生推荐系统。通常，这样的研究以平面结构的方式处理EHR数据，其中每个遭遇都被视为无序的特征集。然而，不应忽视索赔中存储的服务顺序等异构结构化信息。本文提出了一个具有时间嵌入的医生推荐系统，利用异构图注意力网络重构患者和医生之间的潜在联系。此外，针对跨医院患者数据共享的隐私问题，提出了一种基于最小化优化模型的联邦分散学习方法。基于图的推荐系统已经在EHR数据集上进行了验证。与基线模型相比，该方法将AUC提高了6.2%。我们所提出的基于联邦的融合算法，不仅产生虚拟融合中心的性能，但也享有O（1/T）的收敛速度。
2022-07-11 cs.AI cs.IR cs.LG
Horizontal Federated Learning and Secure Distributed Training for Recommendation System with Intel SGX
Intel Corporation（英特尔公司）
随着大数据时代的到来和人工智能等技术的发展，数据安全和隐私保护变得更加重要。推荐系统在社会中有着广泛的应用，但推荐系统的模型构建往往离不开用户数据。特别是对于基于深度学习的推荐系统，由于模型的复杂性和深度学习本身的特点，其训练过程不仅需要较长的训练时间和丰富的计算资源而且需要使用大量的用户数据，这在数据安全和隐私保护方面带来了相当大的挑战。如何训练一个分布式推荐系统，同时保证数据安全，已成为一个亟待解决的问题。本文基于可信执行环境的实现Intel SGX（Software Guard Extensions）和TensorFlow框架，实现了水平联邦学习和安全分布式训练两种方案，以实现不同场景下基于推荐系统的安全分布式学习方案。我们对经典的深度学习推荐模型（DLRM）进行了实验，DLRM是一种基于神经网络的机器学习模型，专为个性化和推荐而设计，结果表明我们的实现几乎没有引入模型性能损失。训练速度在可接受的范围内。
2022-07-11 cs.AI cs.IR cs.LG
FeDecider: An LLM-Based Framework for Federated Cross-Domain Recommendation
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
FeDecider是一种基于大语言模型的联邦跨域推荐框架，通过解耦客户端低秩更新并学习个性化权重，有效解决跨域推荐中的过拟合和异质性问题。
2026-02-17 cs.IR
Navigating the Future of Federated Recommendation Systems with Foundation Models
College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）；School of Computer Science and Technology, Beijing Jiaotong University（北京交通大学计算机科学与技术学院）；Department of Data Science and Artificial Intelligence, The Hong Kong Polytechnic University（香港理工大学数据科学与人工智能系）
本文系统探讨联邦推荐系统与基础模型的融合，分析其在个性化、通信效率和聚合上的提升，并提出应对隐私、非IID数据和资源约束的研究方向。
2025-04-11 cs.AI cs.IR cs.LG
Cali3F: Calibrated Fast Fair Federated Recommendation System
University of Science and Technology of China（中国科学技术大学）；Ping An Technology (Shenzhen) Co., Ltd.（平安科技（深圳）有限公司）
越来越严格的隐私保护法规引发了人们对联邦学习的兴趣。作为一个分布式机器学习框架，它通过在设备上训练一个全局模型，同时保持数据本地化，从而弥合了孤立的数据孤岛。针对推荐系统，人们提出了许多联合推荐算法来实现隐私保护的协同推荐。然而，若干制约因素基本上仍未得到探讨。一个大的问题是如何确保联邦学习的参与者之间的公平性，也就是说，保持跨设备推荐性能的一致性。另一方面，由于数据的异构性和有限的网络，在收敛速度方面出现了额外的挑战。针对这些问题，本文首先提出了一种个性化的联邦推荐系统训练算法，以提高推荐性能的公平性。然后，我们采用基于聚类的聚合方法来加速训练过程。结合这两个组件，我们提出了Cali3F，一个校准的快速和公平的联邦推荐框架。Cali3F不仅通过集群内参数共享方法解决了收敛问题，而且通过用全局模型校准局部模型来显着提高公平性。我们展示了Cali3F在标准基准数据集上的性能，并与传统的聚合方法进行了比较。
2022-05-26 cs.CY cs.IR cs.LG
PerFedRec++: Enhancing Personalized Federated Recommendation with Self-Supervised Pre-Training
本文提出PerFedRec++框架，利用自监督预训练生成对比任务，改善表示学习并加速收敛，结合全局、聚类级和本地模型实现个性化联邦推荐，在三个真实数据集上性能优于现有方法。
2023-05-11 cs.IR
FedHUR: Learning Hierarchical Utility-Guided Client Relations for Personalized Federated Recommendation
Fudan University（复旦大学）；Microsoft Research Asia（微软亚洲研究院）
FedHUR提出层次化效用引导的客户端关系学习方法，通过物品过滤器聚合和聚类本地信息，利用效用信号实现个性化联邦推荐，在五个数据集上超越现有基线。
2026-09-11 cs.IR
Split Two-Tower Model for Efficient and Privacy-Preserving Cross-device Federated Recommendation
本文提出STTFedRec框架，将分裂学习引入双塔推荐模型，通过服务器承担物品模型计算并仅广播低维嵌入，在保证隐私和推荐准确率的同时大幅降低用户设备的计算与通信开销。
2022-06-28 cs.IR
Beyond Centralization: User-Controlled Federated Recommendations in Practice
Centrum Wiskunde & Informatica（数学与计算机科学中心）；Universidad Autónoma de Madrid（马德里自治大学）
本文提出一个实时联邦推荐系统，允许用户在本地控制推荐目标，通过53天的部署发现用户更偏好个性化推荐，并通过即时反馈理解自身行为对推荐的影响。
2026-04-10 cs.HC cs.IR
Robust Aggregation for Federated Sequential Recommendation with Sparse and Poisoned Data
本文提出了一种针对稀疏和对抗性条件的联邦顺序推荐鲁棒聚合框架，通过防御感知聚合和序列正则化提升模型稳定性与用户表示可靠性。
2026-02-27 cs.IR
FedAttack: Effective and Covert Poisoning Attack on Federated Recommendation via Hard Sampling
联邦学习（FL）是一种从分散的用户数据中学习个性化推荐模型的可行技术。不幸的是，联合推荐系统很容易受到恶意客户端的中毒攻击。现有的推荐系统中毒方法主要集中在提高目标项目的推荐机会，由于经济激励。事实上，在现实世界中，攻击者也可能试图降低推荐系统的整体性能。然而，现有的一般FL中毒降低模型性能的方法要么是无效的或不隐藏中毒联邦推荐系统。本文提出了一种针对联邦推荐的简单有效的隐蔽中毒攻击方法--FedAttack。它的核心思想是使用全局最难的样本来颠覆模型训练。更具体地，恶意客户端首先基于本地用户简档推断用户嵌入。接下来，他们选择与用户嵌入最相关的候选项作为最难的负样本，并找到距离用户嵌入最远的候选项作为最难的正样本。然后，从这些中毒样本推断出的模型梯度被上传到服务器以进行聚合和模型更新。由于恶意客户端的行为与具有不同兴趣的用户有些相似，因此服务器无法有效地将其与正常客户端区分开来。在两个基准数据集上的大量实验表明，FedAttack可以有效地降低各种联邦推荐系统的性能，同时许多现有方法无法有效地检测或防御FedAttack。
2022-02-10 cs.IR
Federated Continual Recommendation
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出联邦持续推荐任务FCRec及F3CRec框架，通过客户端自适应回放记忆和服务器逐项时序均值，在保护隐私的同时平衡知识保留与适应，实验证明其优于现有方法。
2025-08-17 cs.IR cs.LG
FEL: High Capacity Learning for Recommendation and Ranking via Federated Ensemble Learning
Meta
联邦学习（FL）已经成为解决消费者隐私需求的有效方法。FL已成功应用于某些机器学习任务，例如训练智能键盘模型和关键字识别。尽管FL取得了初步成功，但许多重要的深度学习用例，如排名和推荐任务，都受到了设备上学习的限制。基于DL的排名和推荐的实际FL采用所面临的关键挑战之一是现代移动系统无法满足的禁止性资源要求。我们提出联合包围学习（FEL）作为解决方案，以解决深度学习排名和推荐任务的大内存需求。FEL通过在不相交的客户端设备集群上同时训练多个模型版本，实现了设备上的大规模排名和推荐模型训练。FEL通过over-arch层将训练的子模型集成到服务器上托管的集成模型中。我们的实验表明，与传统的设备上联邦学习相比，FEL导致模型质量提高了0.43-2.31%-这对于排名和推荐系统用例来说是一个显着的改进。
2022-06-07 cs.IR cs.LG
Beyond Similarity: Personalized Federated Recommendation with Composite Aggregation
针对联邦推荐中的嵌入偏斜问题，本文提出FedCA模型，通过同时聚合相似客户端和互补客户端来更新已训练与未训练嵌入，并设计统一优化算法联合学习相似性与互补性，实验验证了其有效性。
2024-06-06 cs.CR cs.IR
A Systematic Survey on Federated Sequential Recommendation
School of Computer Science and Technology, Huazhong University of Science and Technology（华中科技大学计算机科学与技术学院）；The Hong Kong Polytechnic University（香港理工大学）
本文系统综述了联邦序列推荐（FedSR），在介绍其背景与挑战的基础上，从两个层面梳理现有技术，并探讨关键挑战与未来方向。
2025-02-19 cs.IR cs.LG
TransFR: Transferable Federated Recommendation with Adapter Tuning on Pre-trained Language Models
Key Laboratory of Big Data & Artificial Intelligence in Transportation, Ministry of Education, China（交通运输部大数据与人工智能重点实验室）；Beijing Jiaotong University, China（北京交通大学）；University of Technology Sydney, Australia（悉尼科技大学）；Peking University, China（北京大学）；Nanyang Technological University, Singapore（南洋理工大学）
TransFR通过结合预训练语言模型的通用能力和本地数据微调的个性化能力，解决联邦推荐中的可迁移性、冷启动和隐私问题。
2026-01-13 cs.IR
Far From Sight, Far From Mind: Inverse Distance Weighting for Graph Federated Recommendation
Deakin University（德克萨斯大学）；TII（技术信息研究所）
本文针对图联邦推荐中聚合方法忽视用户嵌入相似性与锚定用户影响力的问题，提出基于逆距离加权的Dist-FedAvg方法，在多个数据集上验证其能提升推荐准确性并兼容现有联邦学习框架。
2025-07-02 cs.DC cs.IR cs.LG
Federated Adaptation for Foundation Model-based Recommendations
针对基础模型推荐中隐私保护与实时偏好适应问题，提出联邦学习轻量个性化适配器，在不共享用户私有数据的前提下融合共享知识并保留个人偏好，且在四个基准上性能优越。
2024-05-08 cs.IR
Federated Multi-view Matrix Factorization for Personalized Recommendations
Helsinki Research Center（赫尔辛基研究中心）；Europe Cloud Service Competence Center（欧洲云服务能力中心）；Huawei Technologies Oy (Finland) Co. Ltd（华为技术有限公司（芬兰））
我们引入了联邦多视图矩阵分解方法，将联邦学习框架扩展到多数据源的矩阵分解。我们的方法是能够学习多视图模型，而无需将用户的个人数据传输到中央服务器。据我们所知，这是第一个使用多视图矩阵分解提供推荐的联邦模型。该模型在生产环境的三个数据集上进行了严格的评估。实证验证证实，联邦多视图矩阵分解优于不考虑数据多视图结构的简单方法，此外，它还证明了所提出的方法对于冷启动联邦推荐的挑战性预测任务的有用性。
2020-04-08 cs.IR cs.LG stat.ML
Efficient-FedRec: Efficient Federated Learning Framework for Privacy-Preserving News Recommendation
本文提出Efficient-FedRec框架，通过将新闻推荐模型分解为服务器端大型新闻模型和轻量级用户模型，并结合安全聚合方法，在保护隐私的同时显著降低客户端的计算与通信成本。
2023-05-30 cs.IR
Learning Evolving Preferences: A Federated Continual Framework for User-Centric Recommendation
College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）；Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education, Jilin University（吉林大学符号计算与知识工程教育部重点实验室）；PolyU Academy for Artificial Intelligence, Hong Kong Polytechnic University（香港理工大学PolyU人工智能研究院）；Australian Artificial Intelligence Institute, FEIT, University of Technology Sydney（悉尼科技大学FEIT澳大利亚人工智能研究所）
本文提出FCUCR框架，通过时间感知自蒸馏和用户原型转移机制，解决联邦学习中时间遗忘和异构用户数据下的协同个性化问题，实验证明其有效性与实用性。
2026-03-18 cs.IR
Practical and Secure Federated Recommendation with Personalized Masks
Hong Kong University of Science and Technology（香港科技大学）；Clustar；Peking University（北京大学）；Fuzhou University（福州大学）
联合推荐解决了推荐系统的数据孤岛和隐私问题。目前的联合推荐系统主要利用密码学或混淆方法来保护原始评分不被泄露。然而，前者带来了额外的通信和计算成本，后者损害了模型的准确性。这两种方法都不能同时满足推荐系统的实时反馈和精确个性化的要求。在本文中，我们提出了联邦屏蔽矩阵分解（FedMMF），以保护联邦推荐系统中的数据隐私，而不牺牲效率和效果。更详细地说，我们介绍了新的思想，个性化的面具只产生从本地数据，并将其应用在FedMMF。一方面，个性化口罩为参与者的私人数据提供了保护，而不会损失有效性。另一方面，结合自适应安全聚合协议，个性化掩码可以进一步提高效率。从理论上分析了个性化口罩的安全性。从经验上讲，我们还显示了所设计的模型在不同的现实世界的数据集上的优越性。
2022-06-20 cs.AI cs.CR cs.IR
Federated Unlearning for On-Device Recommendation
推荐系统中日益增长的数据隐私问题使得联邦推荐（FedRecs）受到越来越多的关注。现有的FedRecs主要关注如何有效和安全地从设备上的交互数据中学习个人兴趣和偏好。然而，他们都没有考虑如何有效地消除用户对联邦训练过程的贡献。我们认为，这样的双重设置是必要的。首先，从隐私保护的角度来看，“被遗忘权”要求用户有权撤回其数据贡献。如果没有可逆的能力，FedRecs就有可能违反数据保护法规。另一方面，使FedRec能够忘记特定用户可以提高其鲁棒性和抵抗恶意客户端攻击的能力。为了支持FedRecs中的用户遗忘，本文借鉴数据库管理系统中基于日志的事务回滚机制，提出了一种高效的遗忘方法FRU（Federated Recommendation Unlearning）.它通过回滚和校准历史参数更新来删除用户的贡献，然后使用这些更新来加速联合推荐系统的重建。然而，在资源受限的个人设备上存储所有历史参数更新是具有挑战性的，甚至是不可行的。鉴于这一挑战，我们提出了一个小规模的负采样方法，以减少项目嵌入更新的数量和基于重要性的更新选择机制，只存储重要的模型更新。为了评估FRU的有效性，我们提出了一种攻击方法，通过一组受损的用户来干扰FedRecs，并使用FRU通过消除这些用户的影响来恢复破坏者。最后，我们在两个真实世界的推荐数据集上进行了实验，两个广泛使用的FedRecs显示我们提出的方法的效率和有效性。
2022-12-03 cs.IR
FedCIA: Federated Collaborative Information Aggregation for Privacy-Preserving Recommendation
针对现有联邦推荐算法聚合物品嵌入时存在的信息丢失、无法保留个性化特征及不兼容无参数算法等问题，提出FedCIA方法，通过聚合物品相似度矩阵共享用户-物品全局关系，实现隐私保护且性能更优。
2025-04-19 cs.IR
DARTS: A Dual-View Attack Framework for Targeted Manipulation in Federated Sequential Recommendation
本文针对联邦序列推荐中现有定向攻击效果有限的问题，提出双视角攻击框架DV-FSR，结合采样显式策略与对比学习隐式梯度策略协同攻击，并设计配套防御机制，实验验证了其有效性。
2025-07-02 cs.IR
LightFR: Lightweight Federated Recommendation with Privacy-preserving Matrix Factorization
联邦推荐系统（FRS）使多个本地设备能够在不传输本地原始数据的情况下联合训练共享模型，具有隐私保护的优点，已成为一种流行的推荐模式。然而，以往的FRS工作是在连续嵌入空间中通过内积进行相似性搜索，这在项目规模非常大时会导致效率瓶颈。我们认为，联邦设置中的这种方案忽略了资源受限的用户设备中的有限容量（即，存储空间、计算开销和通信带宽），并且使其更难被部署在大规模推荐系统中。此外，它已被证明，在服务器和客户端之间传输的实值形式的局部梯度可能会泄漏用户的隐私信息。为此，我们提出了一个轻量级的联邦推荐框架与隐私保护矩阵分解，LightFR，能够生成高质量的二进制代码，通过利用学习哈希技术在联邦设置下，从而享受快速的在线推理和经济的内存消耗。此外，我们设计了一个有效的联邦离散优化算法，以协同训练模型参数之间的服务器和客户端，可以有效地防止来自恶意方的实值梯度攻击。通过在四个真实数据集上的广泛实验，我们证明了我们的LightFR模型在推荐准确性，推理效率和数据隐私方面优于几种最先进的FRS方法。
2022-12-24 cs.CR cs.IR
Improving Federated Graph Recommendation with Semantic Guidance
institutetext（机构）
针对联邦图推荐中跨客户端图表示对齐难的问题，提出利用大语言模型编码的语义信号指导结构表示的选择性聚合，提升推荐准确性。
2026-09-09 cs.AI cs.DB cs.ET
Towards Personalized Federated Multi-Scenario Multi-Task Recommendation
提出PF-MSMTrec框架，通过MMoE结构和自下而上联合学习机制，解决多场景多任务推荐中的优化冲突与数据隐私问题，在公开数据集上超越现有方法。
2024-08-20 cs.IR
Federated Personal Knowledge Graph Completion with Lightweight Large Language Models for Personalized Recommendations
Rensselaer Polytechnic Institute（伦斯勒理工学院）
本文提出FedTREK-LM框架，结合轻量级大语言模型、演化个人知识图谱和联邦学习，实现可扩展的去中心化个性化推荐，实验显示其在电影和食谱推荐中F1分数提升超4倍。
2026-02-25 cs.IR cs.LG
Personalized Federated Recommendation With Knowledge Guidance
Pohang University of Science and Technology（韩国科学技术院）；University of Illinois Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对联邦推荐中单知识模型个性化不足、双知识模型内存过高的困境，提出模型无关框架FedRKG，通过知识引导融合全局知识与局部嵌入，在单知识内存占用下实现双知识个性化优势，且引入自适应引导机制，实验效果显著优于现有方法。
2025-11-18 cs.IR
FastPFRec: A Fast Personalized Federated Recommendation with Secure Sharing
organization= Key Laboratory of Big Data \& Artificial Intelligence in Transportation (Beijing Jiaotong University) , addressline= Ministry of Education , city= Beijing , postcode= 100044 , country= China；organization= School of Computer Science；Technology , addressline= Beijing Jiaotong University , city= Beijing , postcode= 100044 , country= China
本文提出FastPFRec框架，通过高效本地更新策略和隐私感知参数共享机制，提升联邦推荐系统的训练效率和数据安全性，在四个真实数据集上表现优异。
2026-03-18 cs.IR cs.LG
Personalized and Multi-View Representation for Federated Cold-Start Recommendation
针对联邦冷启动推荐的双重约束与三类局限，提出PMFRec方法，通过个性化生成器、多视图编码器及知识融合提升冷项目推荐性能与公平性、适应性及鲁棒性。
2026-08-31 cs.IR cs.LG
DV-FSR: A Dual-View Target Attack Framework for Federated Sequential Recommendation
针对联邦序列推荐中现有定向攻击效果有限的问题，本文提出双视图攻击框架DV-FSR，结合采样显式策略与对比学习隐式梯度策略协同攻击，并设计对应防御机制，在代表性序列模型上验证了其有效性。
2024-12-30 cs.CR cs.IR
A Novel Privacy-Preserved Recommender System Framework based on Federated Learning
College of Information Science and Engineering（信息科学与工程学院）；Ningbo University（宁波大学）
推荐系统是目前解决信息过载的有效方法。为了满足用户的下一次点击行为，RS需要收集用户的个人信息和行为，以实现全面而深刻的用户偏好感知。然而，这些集中收集的数据是隐私敏感的，任何泄漏都可能对用户和服务提供商造成严重问题。提出了一种新的隐私保护推荐系统框架（PPRSF），通过应用联邦学习范式，使推荐算法在不集中收集用户隐私数据的情况下进行训练和推理。PPRSF不仅能够降低隐私泄露风险，满足法律法规的要求，而且允许各种推荐算法的应用。
2020-11-11 cs.IR cs.LG
Cluster-Enhanced Federated Graph Neural Network for Recommendation
针对联邦图神经网络推荐中个人图缺乏高阶协同信号且隐私风险高的问题，本文提出CFedGR框架，通过服务器聚类预训练用户表示增强个人图，并设计两种通信优化策略，在三个基准数据集上验证了有效性。
2024-12-28 cs.IR cs.LG
FedSPLIT: One-Shot Federated Recommendation System Based on Non-negative Joint Matrix Factorization and Knowledge Distillation
University of Maryland, Baltimore County（马里兰大学巴尔的摩郡分校）；LANL（洛斯阿拉莫斯国家实验室）
非负矩阵分解（NMF）与缺失值完成是一个著名的有效的协同过滤（CF）方法，用于提供个性化的用户推荐。然而，传统的CF依赖于隐私侵犯收集用户的显式和隐式反馈，以建立一个中央推荐模型。单次联邦学习最近出现了一种方法，以减轻隐私问题，同时解决传统的联邦学习的通信瓶颈。在本文中，我们提出了第一个无监督的一次性联邦CF实现，名为FedSPLIT，基于NMF联合因式分解。在我们的解决方案中，客户端首先并行应用本地CF来构建不同的客户端特定的编译器。然后，从每个客户端的隐私保护的本地项目模式和偏见与处理器共享，以执行联合因子分解，以提取全局项目模式。然后，将提取的模式聚合到每个客户端，以通过知识蒸馏构建本地模型。在我们的实验中，我们证明了我们的方法与标准的推荐数据集的可行性。FedSPLIT可以获得与现有技术相似的结果（在某些情况下甚至优于现有技术），但通信数量大幅减少。
2022-05-04 cs.IR cs.LG
Personalized Federated Domain Adaptation for Item-to-Item Recommendation
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；AWS AI Lab（AWS人工智能实验室）；Washington State University（华盛顿州立大学）
针对新兴市场 I2I 推荐关系数据不足的问题，提出基于 GNN 的个性化联邦领域自适应框架，以迁移成熟市场模式并支持异构本地图的热启动建模。
2023-06-05 cs.IR cs.LG
User Consented Federated Recommender System Against Personalized Attribute Inference Attack
Department of CSE, HKUST（香港科技大学计算机科学与工程系）
针对联邦推荐系统中属性推断攻击和用户隐私偏好差异问题，提出用户同意的联邦推荐系统UC-FedRec，通过最小化准确度代价灵活满足隐私需求，实验证明其高效灵活。
2023-12-23 cs.CR cs.IR cs.LG
GNN4FR: A Lossless GNN-based Federated Recommendation Framework
Shenzhen University（深圳大学）
本文提出首个基于GNN的无损联邦推荐框架GNN4FR，通过全图训练完整保留高阶结构信息，使训练等价于非联邦版本，并利用LightGCN实例化验证了其等价性。
2023-07-25 cs.CR cs.IR cs.LG
FedPOIRec: Privacy Preserving Federated POI Recommendation with Social Influence
Institute for Language and Speech Processing, Athena Research Center（雅典娜研究中心语言与语音处理研究所）；Department of Electrical and Computer Engineering, Democritus University of Thrace（色雷斯德谟克利特大学电气与计算机工程系）
随着基于位置的社交网络数量的增长，隐私保护的位置预测已经成为帮助用户发现新的兴趣点（POI）的主要任务。传统的系统采用集中式方法，需要传输和收集用户的私人数据。在这项工作中，我们提出了FedPOIRec，一个隐私保护的联邦学习方法，增强了用户社交圈的功能，用于顶级$N$ POI推荐。首先，FedPOIRec框架是基于本地数据永远不会离开所有者设备的原则构建的，而本地更新是由参数服务器盲目聚合的。第二，通过允许用户交换他们学习到的参数，使知识在朋友之间传递，本地用户变得个性化。为此，我们提出了一个隐私保护协议，通过利用CKKS完全同态加密方案的属性，在联邦计算后集成用户的朋友的偏好。为了评估FedPOIRec，我们使用两个推荐模型将我们的方法应用于五个真实世界的数据集。大量的实验表明，FedPOIRec实现了类似的推荐质量集中的方法，而社会集成协议在用户端产生的计算和通信开销低。
2021-12-21 cs.CR cs.IR cs.LG
