基于本地差分隐私与高斯混合模型的隐私增强且效用提升的推荐系统

推荐系统严重依赖用户的行为与偏好数据（如评分、点赞）来生成准确的推荐。然而，由于服务提供商（SP）所采取的不道德数据聚合与分析行为，用户面临隐私担忧。基于本地差分隐私（LDP）的扰动机制在用户将数据发送至 SP 之前于用户端添加噪声。SP 随后利用被扰动的数据进行推荐。尽管 LDP 保护了用户免受 SP 的隐私侵犯，却导致预测精度显著下降。为解决此问题，我们提出了一种基于 LDP 的矩阵分解（MF）结合高斯混合模型（MoG）的方法。LDP 扰动机制有界拉普拉斯（BLP）通过将扰动后的评分限制在预定域内来调控噪声的影响。我们推导了 BLP 满足 $\epsilon$ LDP 的尺度参数充分条件。在 SP 端，MoG 模型估计加入扰动评分中的噪声，MF 算法预测缺失评分。我们提出的基于 LDP 的推荐系统在不违背 LDP 原则的前提下提升了推荐精度。在三个真实世界数据集（即 Movielens、Libimseti 和 Jester）上的实证评估表明，我们的方法在强隐私保证下大幅提高了预测精度。