基于 K-means 聚类的差分隐私用户协同过滤推荐
密码学与安全
2018-12-06 v1
摘要
协同过滤（CF）推荐算法以其出色的推荐性能而著称，但先前研究表明，由于 k 近邻（KNN）攻击，它们可能导致用户隐私泄露。近来，差分隐私（DP）的概念已被应用于协同过滤推荐算法的隐私保护。然而，据我们所知，现有的差分隐私 CF 推荐方案将推荐性能（如召回率和准确率）降至不可接受的水平。在本文中，为解决性能下降问题，我们提出一种基于 k-means 聚类（KDPCF）的差分隐私用户协同过滤推荐方案。具体而言，为提升推荐性能，我们首先通过 k-means 聚类将数据集划分为若干类别，并适当调整目标用户所属目标类别的规模，使得仅该规模合适的目标类别中的用户可用于推荐。然后，我们仅使用一次指数机制而非多个机制的组合，从目标类别中一次性高效选出一组邻居，并基于该邻居集进行推荐。我们从理论上证明我们的方案实现了差分隐私。在实验上，我们使用 MovieLens 数据集评估我们的推荐系统。实验结果表明，与现有方案相比有显著的性能提升。
引用
@article{arxiv.1812.01782,
title = {Differentially Private User-based Collaborative Filtering Recommendation Based on K-means Clustering},
author = {Zhili Chen and Yu Wang and Shun Zhang and Hong Zhong and Lin Chen},
journal= {arXiv preprint arXiv:1812.01782},
year = {2018}
}
备注
23 pages, 2 figures