一种基于联邦学习矩阵分解的物联网地理位置兴趣点推荐方法

中文题目：一种基于联邦学习矩阵分解的物联网地理位置兴趣点推荐方法

录用时间：2022年4月3日

论文题目：Geographical POI Recommendation for Internet of Things: A Federated Learning Approach using Matrix Factorization

录用期刊：International Journal of Communication Systems (JCR Q3)

作者列表：

1）黄霁崴 中国石油大学（北京）信息科学与工程学院 教授

2）童泽宇 中国石油大学（北京）信息科学与工程学院 2020级硕士生

3）冯子涵 中国石油大学（北京）信息科学与工程学院 2022级硕士生

摘要:

随着物联网的普及，兴趣点（Point-Of-Interest，POI）推荐已成为基于位置服务的重要应用。同时，物联网设备对通过无线通信的用户敏感数据的隐私提出了越来越高的要求。为了在分布式协作环境中提供更好的位置兴趣点推荐，同时保护数据通信的用户隐私，本文提出了一种基于联邦学习（Federated Learning，FL）的融合地理因素的POI推荐的方法。将POI推荐问题转化为矩阵分解的问题，并用奇异值分解（SVD）技术优化。本文证明了此问题的非凸性，进一步将随机梯度下降（SGD）引入奇异值分解，并设计了一个并行求解POI推荐问题的FL框架。在FL框架中，只有计算出的梯度信息从用户上传到FL服务器，而所有用户在自己的设备上管理他们的评级和地理偏好数据，以保护用户数据隐私性。最后，本文采用来自大型LBS企业的真实数据集进行了实验，验证了方法的有效性。

主要内容:

一、系统模型

本文提出了一种使用矩阵分解的地理POI推荐联合学习框架，如图1所示。

图1 联邦学习POI推荐的整体框架图

二、量化地理信息

将整个地理块分成L个网格，定义POI影响矩阵中和用户活动矩阵。

定义POI影响矩阵，数值如下：

定义用户活动矩阵，数值如下：

然后是地理信息矩阵G可以通过的内积和V矩阵获得。

三、用于评分矩阵和地理信息矩阵的奇异值分解算法

本文将地理信息矩阵G和用户评分矩阵R进行矩阵分解如下：

构建目标函数：

将目标函数转换为正则化最小二乘最小化公式：

。

四、联邦学习随机梯度下降

本文提出一个定理来证明目标函数是非凸的，并采用随机梯度下降算法。

图2 Fed-SGD流程图

本文使用联邦平均法来处理来自客户端的梯度，定义如下：

梯度计算和更新任务放在用户的本地机器上，POI更新任务放在联邦服务器上。具体框架如图3所示。

图3 矩阵分解的联邦学习随机梯度下降

本文提出了Fed-GRMF算法如图4所示。

图4 算法图

具体算法流程图如图5所示。

图5 算法流程图

实验结果及分析:

采用Yelp数据集，准确率和召回率作为评估推荐算法的指标：

与基于用户的协同过滤算法（UCF）做对比，得到的实验结果图如下：

图6 准确率与召回率对比图

除此之外，本文还进行了算法的性能比较，以运行时间作为对比条件，可以发现本文的算法有很好的性能，实验结果如下图所示：

图7 联邦学习与非联邦学习执行时间对比

图8 本文算法与UCF的执行时间对比

作者简介:

黄霁崴，教授

博士，教授，博士生导师，石油数据挖掘北京市重点实验室主任，中国石油大学（北京）计算机科学与技术系主任。2015年度北京市优秀人才，2018年度中国石油大学（北京）优秀青年学者，2020年度北京市科技新星。分别在2009年和2014年于清华大学计算机科学与技术系获得工学学士和工学博士学位，2012-2013年国家公派赴美国佐治亚理工学院联合培养。研究方向包括：系统性能评价和优化、随机模型理论和应用、服务质量测量与保障技术、服务计算和物联网等。担任中国计算机学会（CCF）服务计算专委会委员，CCF高级会员，IEEE、ACM会员。已主持国家自然科学基金、北京市自然科学基金等科研项目13项，在国内外著名期刊和会议发表论文五十余篇，出版学术专著1部，获得国家发明专利5项、软件著作权3项，担任多个国际顶级期刊和知名会议审稿人。联系方式：huangjw@cup.edu.cn。