用于高效推荐遗忘的选择性与协作性影响函数
信息检索
2023-04-21 v1
摘要
近期关于被遗忘权的规定极大影响了推荐系统的运行方式，因为用户现在有权撤回其隐私数据。除了简单删除数据库中的目标数据外，遗忘相关的数据脉络（例如模型中学习到的个人特征与偏好）对于数据撤回也是必要的。现有的遗忘方法主要针对分类任务中的通用机器学习模型而设计。在本文中，我们首先指出直接将现有遗忘方法应用于推荐场景的两个主要缺陷，即（i）对大规模推荐模型效率不理想，以及（ii）破坏用户与物品间的协作。为解决上述问题，我们提出一种基于选择性与协作性影响函数（SCIF）的极高效推荐遗忘方法。我们提出的方法能够（i）避免任何类型的重训练（对大规模系统而言计算代价高昂），（ii）通过选择性更新用户嵌入进一步提升效率，以及（iii）保留剩余用户与物品之间的协作。此外，为评估遗忘完整性，我们定义了成员推断预言机（Membership Inference Oracle, MIO），其可判定未学习的数据点是否曾在模型的训练集中，即数据点是否被完全遗忘。在两个基准数据集上的大量实验表明，我们提出的方法不仅能极大提升遗忘效率，还能实现充分的遗忘完整性。更重要的是，在综合推荐指标上我们的方法优于最先进的遗忘方法。
引用
@article{arxiv.2304.10199,
title = {Selective and Collaborative Influence Function for Efficient Recommendation Unlearning},
author = {Yuyuan Li and Chaochao Chen and Xiaolin Zheng and Yizhao Zhang and Biao Gong and Jun Wang},
journal= {arXiv preprint arXiv:2304.10199},
year = {2023}
}