社交网络中基于多媒体大数据的云端视频推荐差分隐私在线学习
机器学习
2016-02-02 v7
摘要
随着多媒体服务的快速增长和在线社交网络中视频内容的巨量提供，用户难以获取其感兴趣的内容。因此，人们提出了各种个性化推荐系统。然而，它们忽略了社交媒体数据的加速激增已导致大数据时代的到来，这极大地阻碍了视频推荐的进程。此外，它们均未同时考虑用户上下文（例如社会地位、年龄和爱好）的隐私与视频服务提供商的资源库，这些信息极其敏感且具有重大的商业价值。为了解决这些问题，我们提出了一种基于分布式在线学习的云辅助差分隐私视频推荐系统。在我们的框架中，服务提供商被建模为分布式协作学习器，根据用户上下文推荐视频，同时基于用户点击反馈调整视频选择策略，以最大化总用户点击量（奖励）。考虑到大型社交媒体数据的稀疏性和异构性，我们还提出了一种新颖的几何差分隐私模型，该模型可以大大减少性能（推荐准确率）损失。我们的仿真表明，所提出的算法优于其他现有方法，并在计算准确率和隐私保护水平之间保持了微妙的平衡。
引用
@article{arxiv.1509.00181,
title = {Differentially Private Online Learning for Cloud-Based Video Recommendation with Multimedia Big Data in Social Networks},
author = {Pan Zhou and Yingxue Zhou and Dapeng Wu and Hai Jin},
journal= {arXiv preprint arXiv:1509.00181},
year = {2016}
}