通过矩阵校正实现推荐遗忘
信息检索
2023-08-01 v1 机器学习
摘要
推荐系统对于向用户提供个性化服务十分重要,但收集的大量用户数据引发了关于隐私(如敏感数据)、安全(如恶意数据)和效用(如有毒数据)的担忧。为应对这些挑战,推荐遗忘作为一种有前景的方法出现,它允许遗忘特定数据与模型,从而缓解敏感/恶意/有毒用户数据的风险。然而,现有方法往往难以平衡完整性、效用与效率,即牺牲其一以保全其他,导致次优的推荐遗忘。本文中,我们提出一种用于推荐遗忘的交互与映射矩阵校正(IMCorrect)方法。首先,我们揭示许多协同过滤(CF)算法可表述为基于映射的方法,其中推荐结果可通过用户-物品交互矩阵与映射矩阵相乘获得。然后,IMCorrect 可通过校正交互矩阵实现高效的推荐遗忘,并通过校正映射矩阵增强完整性与效用,且无需昂贵的模型重训练。与现有方法不同,IMCorrect 是一个白盒模型,在处理各种推荐遗忘场景时提供更大灵活性。此外,它具有从新数据增量学习的独特能力,进一步增强了其实用性。我们进行了全面实验以验证 IMCorrect 的有效性,结果表明 IMCorrect 在完整性、效用与效率上均更优,并适用于许多推荐遗忘场景。
引用
@article{arxiv.2307.15960,
title = {Recommendation Unlearning via Matrix Correction},
author = {Jiahao Liu and Dongsheng Li and Hansu Gu and Tun Lu and Jiongran Wu and Peng Zhang and Li Shang and Ning Gu},
journal= {arXiv preprint arXiv:2307.15960},
year = {2023}
}
备注
14 pages, under review