面向法律、许可和模态约束的多模态推荐遗忘
机器学习
2025-07-01 v3 信息检索
摘要
跨多种模态分布的用户数据使得多模态推荐系统(MMRS)变得流行。它们基于用户-物品交互图推荐多样化的内容，例如商品、社交媒体帖子、TikTok短视频等。随着数据隐私需求的日益增长，近期方法提出了从单模态推荐系统(RS)中遗忘私有用户数据。然而，针对与过时用户偏好、已撤销许可和法律要求移除相关的物品数据的遗忘方法在很大程度上仍未得到探索。先前的RS遗忘方法不适用于MMRS，因为其基于矩阵的表示与多模态用户-物品交互图不兼容。此外，它们的数据分区步骤由于数据异质性差而降低了每个分片上的性能，并且需要跨分片进行昂贵的性能聚合。本文介绍了MMRecUn，据我们所知，这是第一个用于MMRS遗忘和物品数据遗忘的方法。给定一个训练好的RS模型，MMRecUn采用一种新颖的逆贝叶斯个性化排序(BPR)目标，使模型能够遗忘标记数据。逆BPR减弱遗忘集中用户-物品交互的影响，而前向BPR则增强保留集中用户-物品交互的重要性。我们的实验表明，在基准MMRS数据集上评估时，MMRecUn在各种遗忘请求下均优于基线方法。与基线方法相比，MMRecUn的召回率性能提升高达49.85%，并且比从头开始在保留集上训练的Gold模型快1.3倍。与先前方法相比，MMRecUn具有显著优势，包括在移除目标交互、保留保留交互方面的优越性以及零开销成本。代码：https://github.com/MachineUnlearn/MMRecUN 扩展版本：arXiv:2405.15328
引用
@article{arxiv.2405.15328,
title = {Multi-Modal Recommendation Unlearning for Legal, Licensing, and Modality Constraints},
author = {Yash Sinha and Murari Mandal and Mohan Kankanhalli},
journal= {arXiv preprint arXiv:2405.15328},
year = {2025}
}
备注
Extended Version, Accepted at AAAI 2025. 17 pages, 4 figures and 9 tables