FedHCDR: Federated Cross-Domain Recommendation with Hypergraph Signal Decoupling

近年来，跨领域推荐（CDR）引起了相当大的关注，它利用来自多个领域的用户数据来提高推荐性能。然而，目前的CDR方法需要跨领域共享用户数据，从而违反了《通用数据保护条例》（GDPR）。因此，已经提出了许多联邦跨领域推荐（FedCDR）方法。然而，不同领域之间的数据异构性不可避免地影响了联邦学习的整体性能。在本研究中，我们提出了FedHCDR，一种新的带有超图信号解耦的联邦跨领域推荐框架。具体而言，为了解决不同领域之间的数据异构性，我们引入了一种称为超图信号解耦（HSD）的方法，将用户特征分解为领域专属特征和领域共享特征。该方法采用高通和低通超图滤波器来解耦领域专属和领域共享用户表示，这些表示通过局部-全局双向传递算法进行训练。此外，设计了一个超图对比学习（HCL）模块，通过扰动用户超图来增强领域共享用户关系信息的学习。在三个真实场景下进行的大量实验证明，FedHCDR显著优于现有的基线模型。

本论文旨在解决Cross-Domain Recommendation（CDR）需要共享用户数据的问题，而这种方法违反了GDPR的规定。因此，论文提出了一种新的Federated Cross-Domain Recommendation（FedHCDR）框架，旨在解决数据异质性对联邦学习整体性能的影响。

FedHCDR框架采用超图信号解耦方法（HSD）将用户特征分解为独占和共享特征，并使用高通和低通超图滤波器来训练本地-全局双向传输算法的域独占和域共享用户表示。此外，还设计了超图对比学习（HCL）模块，通过扰动用户超图来增强域共享用户关系信息的学习。

论文在三个真实场景下进行了大量实验，证明了FedHCDR明显优于现有基线。此外，论文还提供了开源代码和使用的数据集。

在这个领域中，还有一些相关的研究，如Cross-Domain Collaborative Filtering via Bilinear Multilevel Analysis（BMA-CD）和Federated Multi-Task Learning for Cross-Domain Recommendation（FMTL-CDR）等。