通过仿真研究推荐系统中数据披露机制的影响

近来，依赖用户个人数据的网络服务中的隐私问题引起了极大关注。与联邦学习和差分隐私等现有隐私保护技术不同，我们探索另一种缓解用户隐私担忧的途径，即赋予用户对其自身数据的控制权。为此，我们提出一个隐私感知推荐框架，赋予用户对包括点击和观看等隐式行为在内的个人数据的精细控制权。在这一新框架中，用户可以基于预期的隐私风险与潜在效用之间的权衡，主动控制披露哪些数据。随后，我们研究不同数据披露机制和推荐模型下用户的隐私决策，以及他们的数据披露决策如何影响推荐系统的性能。为避免真实世界实验的高成本，我们应用仿真来研究所提框架的效果。具体而言，我们提出一种强化学习算法，在两个数据集上结合三种代表性推荐模型，仿真用户在三种所提平台机制下的决策（具有不同敏感度）。仿真结果表明，相较于大多数真实应用采用的“全有或全无”二元机制，具有更细分割粒度和更自由披露策略的平台机制能为终端用户和平台带来更好的结果。结果还表明，由于用户可用少得多的披露数据获得相当甚至更好的结果，我们所提框架能有效保护用户隐私。