隐私保护个性化健身推荐系统（P3FitRec）：一种多层次深度学习方法
人工智能
2022-03-24 v1
摘要
借助机器学习算法，推荐系统已成功应用于诸多领域。然而，此类应用往往使用多维用户数据，这引发了人们对用户隐私泄露的广泛担忧。同时，可穿戴技术使用户能够通过嵌入式传感器收集健身相关数据，以监测自身状况或实现个性化健身目标。本文提出一种新颖的隐私感知个性化健身推荐系统。我们引入一种多层次深度学习框架，从大规模真实健身数据集中学习重要特征，该数据集采集自可穿戴物联网设备，用以推导智能健身推荐。与多数现有方法不同，我们的方法通过从传感数据推断用户健身特征来实现个性化，从而最大限度减少显式收集用户身份或生物特征信息（如姓名、年龄、身高、体重）的需求。具体而言，我们所提模型与算法可预测（a）个性化运动距离推荐，以帮助用户达到目标卡路里；（b）个性化速度序列推荐，根据运动性质和所选路线调整运动速度；（c）个性化心率序列，以指导用户了解未来运动的潜在健康状况。我们在真实世界Fitbit数据集上的实验评估表明，相较于同类研究，其在预测运动距离、速度序列和心率序列方面具有较高准确率。此外，与现有研究相比，我们的方法无需收集和使用用户敏感信息，因而保护了用户隐私，具有新颖性。
引用
@article{arxiv.2203.12200,
title = {Privacy-Preserving Personalized Fitness Recommender System (P3FitRec): A Multi-level Deep Learning Approach},
author = {Xiao Liu and Bonan Gao and Basem Suleiman and Han You and Zisu Ma and Yu Liu and Ali Anaissi},
journal= {arXiv preprint arXiv:2203.12200},
year = {2022}
}
备注
30 pages, 16 figures, 36 references