一种可扩展的隐私保护基于物品的 Top-N 推荐算法
密码学与安全
2018-11-07 v1
摘要
近年来，推荐系统已成为在线服务中不可或缺的组成部分。有效的推荐对于改进各类在线业务应用的服务至关重要。然而，需要收集用户私人信息以进行推荐的推荐系统引发了严重的隐私担忧。与此同时，电子商务的成功产生了海量信息，使得可扩展性成为推荐系统设计中的关键挑战。因此，推荐系统最好在保护用户隐私的同时，以低复杂度计算实现高质量推荐。本文提出一种可扩展的隐私保护基于物品的 Top-N 推荐方案，该方案能够在保护用户私人信息的同时以更低的计算复杂度实现高质量推荐。此外，所提方法的计算复杂度随用户数量增加缓慢上升，从而为隐私保护推荐系统提供高可扩展性。更具体地，所提方法包含两个关键组件：（1）基于 MinHash 的相似度估计与（2）客户端隐私保护预测生成。我们使用真实世界数据的理论与实验分析证明了所提方法的效率与有效性。
引用
@article{arxiv.1811.02217,
title = {A Scalable Algorithm for Privacy-Preserving Item-based Top-N Recommendation},
author = {Yingying Zhao and Dongsheng Li and Qin Lv and Li Shang},
journal= {arXiv preprint arXiv:1811.02217},
year = {2018}
}