隐私保护的动态品类选择

随着对个性化品类推荐需求的增长，对数据隐私的担忧也日益加剧，凸显了对有效隐私保护策略的迫切需求。本文提出了一种使用多项 Logit（MNL）赌博机模型的隐私保护动态品类选择新框架。我们的方法采用了一种扰动上置信界方法，将校准噪声整合到用户效用估计中，以在探索与利用之间取得平衡，同时确保稳健的隐私保护。我们严格证明了我们的策略满足联合差分隐私（JDP），这比传统的差分隐私更适合动态环境，能有效降低推理攻击风险。该分析建立在一项针对 MNL 赌博机量身定制的新颖目标扰动技术之上，该技术本身也具有独立的研究价值。理论上，我们为我们的策略推导出了近最优的遗憾界 $\tilde{O}(\sqrt{T})$，并明确量化了隐私保护如何影响遗憾。通过广泛的模拟实验和在 Expedia 酒店数据集上的应用，我们证明了相比基准方法，性能有显著提升。