CryptoRec：隐私保护型推荐即服务
摘要
推荐系统依赖于大规模历史数据集，并带来严重的隐私风险。向客户端提供推荐即服务（Recommendation as a Service）的服务器，可能泄露关于其推荐模型与数据集的过多不必要信息。同时，客户端偏好向服务器的披露也令人担忧。利用通用密码学原语（如安全多方计算或同态加密）设计隐私保护协议，是克服隐私担忧的典型方法，但结合最先进的推荐系统往往得到远不实用的方案。本文从构建密码学友好型机器学习算法的方向解决该问题。具体而言，我们提出 CryptoRec，一种用于推荐即服务的安全两方计算协议，其包含一种新颖的推荐系统。该模型具有两个有趣性质：（1）它在仅含物品的潜在特征空间中建模用户-物品交互，其中个性化用户表示由预学习物品特征的聚合自动捕获。这意味着拥有预训练模型的服务器可为数据不在其训练集中的客户端提供推荐。尽管如此，用客户端数据重新训练模型仍能提升精度。（2）它仅使用加法和乘法运算，使模型可直接兼容同态加密方案。我们在三个真实世界数据集上展示了 CryptoRec 的效率与精度。CryptoRec 允许拥有数千物品的服务器在单台 PC 上于数秒内私密回答预测查询，而其预测精度仍可与在明文数据上计算的最先进推荐系统相竞争。
引用
@article{arxiv.1802.02432,
title = {CryptoRec: Privacy-preserving Recommendation as a Service},
author = {Jun Wang and Afonso Arriaga and Qiang Tang and Peter Y. A. Ryan},
journal= {arXiv preprint arXiv:1802.02432},
year = {2018}
}
备注
Major Revision: 1. Introduce a new one-iteration re-training process for the sake of efficiency; 2. Change security level settings; 3, change the paper title, from "CryptoRec: Secure Recommendations as a Service" to "CryptoRec: Privacy-preserving Recommendation as a Service"