迈向更可靠的隐私保护推荐系统
机器学习
2017-11-23 v2
摘要
本文提出一种隐私保护分布式推荐框架——安全分布式协同过滤（SDCF），以同时保护数值、模型与存在的隐私。即不仅用户对物品的评分，评分的存在性以及学到的推荐模型在我们的框架中均保持私密。我们的方案依赖于分布式客户端-服务器架构和两阶段随机响应算法，并在流行推荐模型矩阵分解（MF）上实现。我们进一步证明 SDCF 满足差分隐私保证，从而允许客户端指定任意隐私级别。在数值评分预测与单类评分动作预测上的实验表明，SDCF 并未为隐私牺牲过多准确性。
引用
@article{arxiv.1711.07638,
title = {Towards a More Reliable Privacy-preserving Recommender System},
author = {Jia-Yun Jiang and Cheng-Te Li and Shou-De Lin},
journal= {arXiv preprint arXiv:1711.07638},
year = {2017}
}