Federated PKG Completion mit schlanken LLMs für personalisierte Empfehlungen

In einer Zeit, in der personalisierte Empfehlungen immer stärker auf private Nutzerdaten angewiesen sind, präsentiert ein neues Forschungsprojekt einen Ansatz, der diese Daten lokal und dezentral nutzt. Das System namens FedTREK‑LM kombiniert leichte große Sprachmodelle (LLMs), sich entwickelnde persönliche Wissensgraphen (PKGs), föderiertes Lernen (FL) und die Kahneman‑Tversky‑Optimierung, um skalierbare, dezentrale Personalisierung zu ermöglichen.

FedTREK‑LM nutzt strukturierte PKGs, um LLMs mit Kontext zu versorgen. Dadurch kann das Modell gezielt und kontextbewusst Empfehlungen aussprechen – sei es für Filme oder Rezepte. In Tests mit drei schlanken Qwen3‑Modellen (0,6 B, 1,7 B, 4 B) übertraf FedTREK‑LM bestehende Methoden zur KG‑Vervollständigung und föderierten Empfehlungssystemen wie HAKE, KBGAT und FedKGRec. Die Verbesserung des F1‑Scores lag bei mehr als viermal höher auf den Benchmark‑Datensätzen für Filme und Lebensmittel.

Ein entscheidender Befund ist die Bedeutung echter Nutzerdaten: Wenn synthetische Daten verwendet werden, sinkt die Leistung um bis zu 46 %. Damit zeigt FedTREK‑LM, dass echte, individuelle Informationen unverzichtbar sind, um eine effektive Personalisierung zu erreichen. Das Ergebnis ist ein praktikabler Ansatz, der sich leicht in bestehende föderierte Infrastrukturen integrieren lässt und gleichzeitig die Privatsphäre der Nutzer schützt.