实验室解决了联邦推荐系统中资源受限且异构分布的问题和推荐系统冷启动中训练信号稀疏的问题。

日前，实验室博士生丁轩昂的论文“Towards Resource-Efficient and Secure Federated Multimedia Recommendation”和博士生邹立的论文“Neighborhood-Enhanced Multimodal Collaborative Filtering for Item Cold Start Recommendation”被CCF B类国际学术会议ICASSP2024录用。

丁轩昂的论文针对联邦多媒体推荐面临的问题：（1）多媒体上下文的高维性限制了资源受限的用户设备上的联邦优化；（2）联邦推荐系统中客户端数据的本地存储产生了异构的分布，提出了一种资源高效且安全的多媒体推荐联邦学习框架（FedMMR）。为了降低客户端的资源消耗，该方法将多模态学习模型拆分到强大的服务器，客户端训练轻量级的协同过滤模型。仅有本地模型和项目表示在服务器和客户端之间传输。该方法进一步提出了一种客户端间卷积策略，利用安全多方计算来保证用户隐私，同时减轻客户端之间的异构性。实验在三个数据集进行评估，验证了FedMMR有效地利用了项目的模态特征来提高性能，同时显著降低了客户的通信和计算成本。

邹立博士生的论文针对推荐系统冷启动中内容特征训练信号稀疏的问题，即通常只使用同一个项目的交互嵌入作为训练目标，提出了一种称为邻域增强多模态协同过滤（NEMCF）的新方法。该方法捕获内容特征和交互嵌入的邻域，以丰富内容特征。首先设计了一个对偶图神经网络来分别捕捉交互图中交互嵌入和内容特征的邻域信号。然后基于聚合的交互嵌入和项目的内容特征，通过对比学习技术来增强内容特征与邻域内容特征、邻域交互嵌入的联系，以此缓解训练信号的稀疏性。最后，随机使用项目内容特征和交互嵌入进行推荐，以增强NEMCF训练过程的稳健性。对四个基准数据集的广泛实验研究表明，NEMCF方法优于几种典型的冷启动方法，并取得了最先进的结果。