面向隐私保护跨域推荐的差分隐私知识迁移
机器学习
2022-02-11 v1
摘要
跨域推荐 (CDR) 被广泛研究以缓解推荐系统中普遍存在的冷启动和数据稀疏问题。CDR 模型可以通过利用其他源域的数据来提升目标域的推荐性能。然而，现有的多数 CDR 模型假设信息可以直接“通过桥梁迁移”，忽略了隐私问题。为了解决 CDR 中的隐私担忧，本文提出了一种新颖的基于两阶段的隐私保护 CDR 框架 (PriCDR)。在第一阶段，我们提出了两种方法，即基于 Johnson-Lindenstrauss 变换 (JLT) 的方法和基于稀疏感知 JLT (SJLT) 的方法，以在差分隐私下发布源域的评分矩阵。我们从理论上分析了所提出的基于差分隐私的评分发布方法的隐私性与效用。在第二阶段，我们提出了一种新颖的异构 CDR 模型 (HeteroCDR)，该模型分别使用深度自编码器和深度神经网络对已发布的源域评分矩阵和目标域评分矩阵进行建模。为此，PriCDR 不仅能保护源域的数据隐私，还能缓解源域的数据稀疏问题。我们在两个基准数据集上进行了实验，结果证明了所提出的 PriCDR 和 HeteroCDR 的有效性。
引用
@article{arxiv.2202.04893,
title = {Differential Private Knowledge Transfer for Privacy-Preserving Cross-Domain Recommendation},
author = {Chaochao Chen and Huiwen Wu and Jiajie Su and Lingjuan Lyu and Xiaolin Zheng and Li Wang},
journal= {arXiv preprint arXiv:2202.04893},
year = {2022}
}
备注
Accepted by TheWebConf'22 (WWW'22)