《Alexandria Engineering Journal》:Federated learning-based user behavior prediction model for rural live e-commerce
编辑推荐:
Jiafurong Zhang|Xinyue Zhan|Xiao Wang|Jisan Wang韩国京畿道13120,加城大学全球商务管理系摘要农村直播电子商务已成为农产品销售的重要渠道,然而该场景下的用户行为数据通常较为稀疏、异构,并分散在多个平台和地区。联邦图神经网络为分布式
Jiafurong Zhang|Xinyue Zhan|Xiao Wang|Jisan Wang
韩国京畿道13120,加城大学全球商务管理系
摘要
农村直播电子商务已成为农产品销售的重要渠道,然而该场景下的用户行为数据通常较为稀疏、异构,并分散在多个平台和地区。联邦图神经网络为分布式图结构数据的协同学习提供了一种有前景的解决方案,但其性能往往受到局部结构稀疏性和客户端贡献不平衡的限制。为应对这些挑战,本文提出了FGANet,这是一种用于农村直播电子商务中用户购买行为预测的联邦图学习框架。FGANet在客户端结合了基于谱聚类的预处理方法来增强局部图结构表示,在服务器端采用自适应注意力聚合机制,在联邦训练过程中动态调整客户端更新的权重。通过在包含中国12个省份多平台农村电子商务数据的RuralLive数据集上进行的实验,以及对公开Alibaba用户行为数据集的额外评估表明,FGANNet在各种非独立同分布(non-IID)划分策略下均显著优于传统的联邦图神经网络(GNN)基线模型。在采用非重叠均匀划分的RuralLive-Large数据集上,FGANNet的准确率达到了86.42%,F1分数为85.2%。消融实验进一步表明,去除谱聚类或注意力机制会显著降低性能,准确率分别降至78.64%和81.93%。