隐私保护且鲁棒的协同过滤推荐即服务

协同过滤推荐器以牺牲终端用户隐私为代价提供有效的个性化服务。由于社会日益关注的隐私问题以及更严格的隐私法规，设计面向隐私意识用户、提供推荐服务且隐私保护又鲁棒的推荐器是一项紧迫的研究挑战。我们的分析表明，现有方案在若干方面存在不足，包括缺乏对终端用户精确输出的关注以及忽略相关的鲁棒性问题。在本文中，我们通过将基于隐因子的协同过滤推荐器表述为模型训练与预测计算阶段，给出了其通用系统结构，并描述了一种新的安全模型。为求得务实方案，我们首先展示如何基于现有方案构建隐私保护且鲁棒的模型训练阶段。随后，根据是否引入额外代理，我们提出两种密码学协议以实现隐私保护的预测计算阶段。与标准 Top-k 推荐不同，作为隐私 by design 策略的结果，我们改由终端用户检索预测值高于某一阈值的未评分项。实验结果表明我们的新协议十分高效。