计算机应用

作者：朱亮, 慕京哲, 左洪强, 谷晶中, 朱付保

单位：1.郑州轻工业大学 计算机科学与技术学院，郑州 450001；2.山谷网安科技股份有限公司，郑州 450000

关键词：基于位置的社交网络,联邦学习,图注意力网络,伪标签,位置推荐

基金：国家自然科学基金资助项目(61902361);河南省重点研发专项(221111210500);河南省研究生联合培养基地项目(YJS2022JD08)

传统的位置服务推荐方案未考虑用户偏好及潜在社交关系等问题，导致推荐结果无法满足用户的个性化需求。图神经网络（GNN）凭借较好的图结构数据处理能力，被广泛用于位置推荐领域；然而，此前研究里中心化的数据范式容易造成位置隐私泄露的问题。因此，提出一种基于联邦图神经网络的位置隐私保护推荐方案（FedGNN-LPR）。首先，通过图注意力网络学习用户的社交关系嵌入和兴趣点（POI）嵌入；其次，建立基于POI的伪标签标注模型预测用户对未知位置的访问次数，以保护用户隐私并缓解冷启动问题；最后，提出基于差分隐私的聚类联邦学习策略保护客户端的交互数据并解决数据异质性问题。在两个公开的真实数据集上进行实验的结果表明，在平均绝对值误差（MAE）和均方根误差（RMSE）方面，所提方案比联邦平均（FedAvg）算法分别降低了7.89%和9.29%，比FL+HC算法分别降低了2.32%和2.75%；并且，所提方案在联邦学习位置推荐上展现出更好的性能。因此，FedGNN-LPR不仅能保护用户位置隐私，而且提高了位置推荐性能。

来源：2025年第1期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第1期