基于协作混淆的隐私保护序列推荐
信息检索
2024-01-10 v1
摘要
序列推荐引起了学术界和工业界的广泛关注，然而与收集和传输用户个人交互数据相关的隐私风险往往被低估或忽视。现有的隐私保护研究主要应用于传统协同过滤或矩阵分解，而非序列推荐。此外，这些研究大多基于差分隐私或联邦学习，这通常会导致显著的性能下降，或者对通信有较高要求。在这项工作中，我们从不同的角度处理隐私保护。与现有研究不同，我们捕获邻居交互序列的协作信号，并在推荐过程开始之前直接将不可区分的项目注入目标序列，从而增加目标序列的困惑度。即使攻击者获得了目标交互序列，也很难辨别哪些是真实的用户交互记录。为了实现这一目标，我们提出了一种协作混淆序列推荐器，即CLOUD，它结合了协作混淆机制，在进行推荐之前编辑原始交互序列。具体来说，CLOUD首先计算目标交互序列与其他邻居序列之间的相似度以找到相似序列。然后，CLOUD考虑目标序列和相似序列的共享表示来确定要执行的操作：保留、删除或插入。我们设计了一种复制机制，使来自相似序列的项目有更高的概率被插入到目标序列中。最后，使用修改后的序列来训练推荐器并预测下一个项目。
引用
@article{arxiv.2401.04423,
title = {Privacy-Preserving Sequential Recommendation with Collaborative Confusion},
author = {Wei Wang and Yujie Lin and Pengjie Ren and Zhumin Chen and Tsunenori Mine and Jianli Zhao and Qiang Zhao and Moyan Zhang and Xianye Ben and Yujun Li},
journal= {arXiv preprint arXiv:2401.04423},
year = {2024}
}