基于历史逻辑的通用自蒸馏学习：联邦图对比学习在社交推荐系统中的创新应用

本文提出FedGCLRec框架，通过联邦学习(FL)整合图对比学习(GCL)与社交影响力建模，解决非独立同分布(Non-IID)数据下的隐私保护推荐问题。该框架采用双路径卷积机制分离用户-物品交互与社交影响，实验显示其在NDCG@10和Precision@10指标上分别提升5.3%和4.8%。

　　

Highlight

本研究提出FedGCLRec框架，通过以下创新点推动联邦社交推荐领域发展：

• 首创将联邦图对比学习(Federated Graph Contrastive Learning)应用于隐私保护的社交推荐系统

• 引入GCL策略解耦显性/隐性社交影响，增强用户表征的鲁棒性

• 采用基于用户聚类的个性化联邦优化，有效应对Non-IID数据挑战

Methodology

FedGCLRec采用双路径训练架构：

1. 社交影响力路径：通过图神经网络(GNN)生成动态社交表征，利用社交影响力注意力机制(Social Influence Attention, SIA)捕捉关系演化

2. 用户-物品交互路径：采用对比增强模块(AugSN)构建神经相似性网络

   创新性融合GCL损失函数：

   L_GCL = αL^social_contrast + (1-α)L^item_contrast

   其中α为可学习参数，平衡两种对比学习目标

Discussion

FedGCLRec通过三重机制突破传统局限：

1. 动态社交建模：将静态社交图扩展为时变网络，通过GCL捕捉隐含影响

2. 抗表征崩溃：对比学习正负样本对有效防止联邦环境下的表征退化

3. 通信优化：聚类驱动的联邦聚合减少达47%的通信开销

Conclusion

实验证明FedGCLRec在Ciao/Epinions/Douban数据集上显著优于SoRec、TrustSVD等基线模型，其NDCG@10提升达5.3%。未来将探索跨平台联邦迁移学习框架。

（注：严格保留专业术语大小写如Non-IID、GCL等，使用_{/^{标注下标/上标，未包含文献引用和图示标识）}}