基于秘密共享的安全社交推荐
机器学习
2020-03-06 v2 密码学与安全
机器学习
摘要
如今，隐私保护机器学习在工业和学术界都引起了大量关注。同时，推荐系统已被许多商业平台（如Amazon）广泛采用，并且主要基于用户-物品交互构建。此外，社交平台（如Facebook）拥有丰富的用户社交信息资源。众所周知，在诸如Facebook等社交平台上丰富的社交信息对推荐系统是有用的。人们期望将社交信息与用户-物品评分结合以提升整体推荐性能。大多数现有推荐模型基于社交信息可用的假设构建。然而，不同平台通常由于某些顾虑而不愿（或不能）共享其数据。在本文中，我们首先提出一个安全社交推荐（SeSoRec）框架，其能够（1）从社交平台协同挖掘知识以提升评分平台的推荐性能，以及（2）安全地保留两个平台的原始数据。然后我们提出一种基于秘密共享的矩阵乘法（SSMM）协议来优化SeSoRec，并从理论上证明其正确性和安全性。通过应用小批量梯度下降，SeSoRec在计算和通信方面均具有线性时间复杂度。在三个真实世界数据集上的综合实验结果证明了我们所提SeSoRec和SSMM的有效性。
引用
@article{arxiv.2002.02088,
title = {Secure Social Recommendation based on Secret Sharing},
author = {Chaochao Chen and Liang Li and Bingzhe Wu and Cheng Hong and Li Wang and Jun Zhou},
journal= {arXiv preprint arXiv:2002.02088},
year = {2020}
}
备注
Accepted by ECAI'20