基于去中心化矩阵分解的隐私保护兴趣点推荐
机器学习
2020-03-13 v1 人工智能
机器学习
摘要
由于基于位置的网络（如Foursquare和Yelp）日益普及，兴趣点（POI）推荐近来备受关注。在现有POI推荐方法中，基于矩阵分解（MF）的技术已被证明是有效的。然而，现有MF方法存在两个主要问题：（1）由于集中式模型训练机制导致计算和存储开销大：集中式学习器必须维护整个用户-物品评分矩阵以及潜在庞大的低秩矩阵。（2）隐私问题：用户的偏好可能通过集中式学习器泄露给恶意攻击者。为解决这些问题，我们提出一种用于POI推荐的去中心化MF（DMF）框架。具体而言，我们提出一种基于随机游走的去中心化训练技术，在每位用户的终端（如手机和Pad）上训练MF模型，而非维护所有低秩矩阵和敏感评分数据用于训练。如此，每位用户的评分仍保留在本人手中，且去中心化学习可视为多学习器（用户）的分布式学习，从而缓解计算和存储问题。在两个真实世界数据集上的实验结果表明，与经典及最先进的隐因子模型相比，DMF在精确率和召回率方面的推荐性能显著提升。
引用
@article{arxiv.2003.05610,
title = {Privacy Preserving Point-of-interest Recommendation Using Decentralized Matrix Factorization},
author = {Chaochao Chen and Ziqi Liu and Peilin Zhao and Jun Zhou and Xiaolong Li},
journal= {arXiv preprint arXiv:2003.05610},
year = {2020}
}
备注
Accepted by AAAI'18