你愿意分享多少？一种用于推荐系统的“扑克风格”选择性隐私保护框架
信息检索
2018-06-05 v1 人机交互
机器学习
机器学习
摘要
大多数工业推荐系统依赖流行的协同过滤（CF）技术为用户提供个性化推荐。然而，CF 的本质与用户隐私的理念相对立，因为用户需要与他人共享其偏好，以便与志趣相投的人归为一组并获得准确的推荐。尽管以往的隐私保护方法在一定程度上成功地向集中式推荐系统隐藏了用户偏好信息，但它们在隐私、可扩展性和准确性方面付出了显著的权衡代价，并且容易受到恶意行为者的隐私泄露攻击。鉴于这些观察，我们提出了一种新颖的选择性隐私保护（SP2）范式，允许用户通过将其个人评分标记为公开（可共享）或私有（从不共享且仅存储在用户设备上）来自定义其个体隐私的范围与程度。我们的 SP2 框架分两步工作：（i）首先，它基于用户共享的所有公开评分之和构建初始推荐模型；（ii）然后，该公开模型在每台用户设备上基于用户私有评分进行微调，从而最终学习到更准确的模型。此外，在这项工作中，我们引入了三种不同的算法来实现端到端 SP2 框架，该框架可有效地从数千到数亿个条目进行扩展。我们的用户调查显示，当用户可以控制哪些评分将公开与他人共享时，绝大多数用户可能会对更多条目进行评分以改进整体推荐。
引用
@article{arxiv.1806.00914,
title = {How Much Are You Willing to Share? A "Poker-Styled" Selective Privacy Preserving Framework for Recommender Systems},
author = {Manoj Reddy Dareddy and Ariyam Das and Junghoo Cho and Carlo Zaniolo},
journal= {arXiv preprint arXiv:1806.00914},
year = {2018}
}