基于邻域的差分私有推荐系统

随着推荐系统出现在我们生活的每个角落，其隐私问题已成为社会热点。尽管已经提出许多安全多方计算协议来防止推荐计算过程中的信息泄露，但在限制推荐结果的信息泄露方面却鲜有作为。本文在概率框架下将差分隐私概念应用于基于邻域的推荐方法（NBMs）。我们首先提出一种方案，通过将拉普拉斯噪声直接校准到训练过程中，以差分私有方式找到最大后验参数相似性。然后，我们利用近期的一个观察结果，即从一个贝叶斯模型的缩放后验分布中采样可得到可证明的差分私有系统，从而将差分隐私与 NBMs 联系起来。我们的实验表明，两种方案在适度的隐私预算下均能实现可观的准确率，并且若采样渐近收敛，第二种方案能产生更好的准确率。我们还将我们的方案与近期差分私有矩阵分解（MF）推荐系统进行比较，表明在隐私预算合理较小时我们的方案实现了更好的准确率。这是一个有趣的结果，因为在不应用差分隐私时，MF 系统通常提供更好的准确率。