利用公共物品特征的私有矩阵分解
信息检索
2023-09-22 v1 密码学与安全
机器学习
摘要
我们考虑在可访问公共物品特征的情况下训练私有推荐模型的问题。以差分隐私（DP）进行训练提供强隐私保证，代价是推荐质量下降。我们表明，在训练期间纳入公共物品特征有助于缓解这种质量损失。我们提出一种基于集体矩阵分解（CMF）的通用方法，其通过同时分解两个矩阵来工作：用户反馈矩阵（表示敏感数据）和编码公开可用（非敏感）物品信息的物品特征矩阵。该方法概念简单、易于调参且高度可扩展。它可应用于不同类型的公共物品数据，包括：（1）类别型物品特征；（2）从公共来源学习的物品-物品相似度；以及（3）公开可用的用户反馈。此外，这些数据模态可被集体利用以充分利用公共数据。在标准的 DP 推荐基准上评估我们的方法，我们发现使用公共物品特征显著缩小了私有模型与其非私有对应模型之间的质量差距。随着隐私约束变得更加严格，模型更重度依赖公共侧特征进行推荐。这导致了从协同过滤到基于物品的上下文推荐的平滑过渡。
引用
@article{arxiv.2309.11516,
title = {Private Matrix Factorization with Public Item Features},
author = {Mihaela Curmei and Walid Krichene and Li Zhang and Mukund Sundararajan},
journal= {arXiv preprint arXiv:2309.11516},
year = {2023}
}
备注
Presented at ACM Recsys 2023