实用的隐私保护 POI 推荐
密码学与安全
2020-04-28 v2 机器学习
机器学习
摘要
兴趣点（POI）推荐近年来被广泛研究并成功应用于工业界。然而，大多数现有方法基于收集用户数据来构建集中式模型。私有数据和模型都由推荐方持有，这引发了严重的隐私担忧。在本文中，我们提出了一种新颖的隐私保护 POI 推荐（PriRec）框架。首先，为保护数据隐私，用户的私有数据（特征和行为）保留在他们自己的一侧，例如手机或平板。同时，需要被所有用户访问的公共数据由推荐方保存，以降低用户设备的存储成本。这些公共数据包括：（1）仅与 POI 状态相关的静态数据，如 POI 类别；（2）依赖于用户-POI 行为的动态数据，如访问次数。动态数据可能敏感，我们开发了本地差分隐私技术以在隐私保障下将此类数据公开发布。其次，PriRec 遵循由线性模型和特征交互模型组成的因子分解机（FM）的表示。为保护模型隐私，线性模型保存在用户侧，我们提出了一种安全去中心化梯度下降协议供用户协作学习。特征交互模型由推荐方保存，因为不存在隐私风险，我们采用联邦学习范式中的安全聚合策略来学习它。至此，PriRec 将用户的私有原始数据和模型置于用户自己手中，并在很大程度上保护用户隐私。我们将 PriRec 应用于真实世界数据集，综合实验表明，与 FM 相比，PriRec 取得了相当甚至更好的推荐精度。
引用
@article{arxiv.2003.02834,
title = {Practical Privacy Preserving POI Recommendation},
author = {Chaochao Chen and Jun Zhou and Bingzhe Wu and Wenjin Fang and Li Wang and Yuan Qi and Xiaolin Zheng},
journal= {arXiv preprint arXiv:2003.02834},
year = {2020}
}
备注
Accepted by ACM TIST