让Alice看起来像Bob：一种用于隐式反馈推荐模型的概率偏好混淆方法
信息检索
2024-10-07 v1
摘要
推荐系统中使用的用户交互或偏好数据存在无意中泄露用户私有属性（例如性别或种族）的风险。当训练数据包含可用于推断这些属性的用户偏好时，这种风险尤其令人担忧，特别是如果这些偏好符合常见的刻板印象。这个主要的隐私问题允许恶意攻击者或其他第三方推断用户的受保护属性。先前解决此问题的努力在模型训练之前或期间添加或移除了部分用户偏好以提高隐私性，但这通常会导致推荐准确率下降。在这项工作中，我们引入了 SBO，一种新颖的用户偏好数据概率混淆方法，旨在改善此类推荐场景中的准确率-隐私权衡。我们将 SBO 应用于三个最先进的推荐模型（即 BPR、MultVAE 和 LightGCN）和两个流行数据集（即 MovieLens-1M 和 LFM-2B）。我们的实验表明，SBO 在准确率-隐私权衡方面优于同类方法。具体来说，我们可以在保持同等推荐准确率的同时，减少用户受保护属性的泄露。
引用
@article{arxiv.2406.11505,
title = {Making Alice Appear Like Bob: A Probabilistic Preference Obfuscation Method For Implicit Feedback Recommendation Models},
author = {Gustavo Escobedo and Marta Moscati and Peter Muellner and Simone Kopeinik and Dominik Kowald and Elisabeth Lex and Markus Schedl},
journal= {arXiv preprint arXiv:2406.11505},
year = {2024}
}