具备混合差分隐私保证的跨网络社交用户嵌入
社会与信息网络
2022-09-07 v1 人工智能
摘要
整合多个在线社交网络（OSNs）对许多下游社交挖掘任务（如用户偏好建模、推荐和链接预测）具有重要意义。然而，这也伴随着日益严重的敏感用户信息泄露隐私担忧。如何充分利用来自不同在线社交网络的数据同时保护用户隐私，在很大程度上仍未解决。为此，我们提出一种跨网络社交用户嵌入框架，即 DP-CroSUE，以隐私保护的方式学习用户的综合表示。我们在差分隐私保证下联合考虑来自部分对齐社交网络的信息。具体而言，对于每个异构社交网络，我们首先引入一种混合差分隐私概念，以刻画异构数据类型隐私期望的差异。接下来，为发现跨社交网络的用户关联，我们进行无监督的基于用户嵌入的对齐，其中用户嵌入由异构网络嵌入技术获得。为进一步增强用户嵌入，设计了一种新颖的跨网络 GCN 嵌入模型，通过这些已对齐的用户实现跨网络知识迁移。在三个真实数据集上的大量实验表明，我们的方法在用户兴趣预测任务上取得显著提升，并能防御来自嵌入的用户属性推断攻击。
引用
@article{arxiv.2209.01539,
title = {Cross-Network Social User Embedding with Hybrid Differential Privacy Guarantees},
author = {Jiaqian Ren and Lei Jiang and Hao Peng and Lingjuan Lyu and Zhiwei Liu and Chaochao Chen and Jia Wu and Xu Bai and Philip S. Yu},
journal= {arXiv preprint arXiv:2209.01539},
year = {2022}
}
备注
accepted by CIKM22