面向序列推荐的差分隐私：一种加噪图神经网络方法

随着各种在线平台中高关注度隐私泄露事件频发，用户对其隐私愈发担忧。推荐系统是在线平台提供个性化服务的核心组件，因此其隐私保护已引起极大关注。作为隐私保护的黄金标准，差分隐私已被广泛采用以保护推荐系统中的隐私。然而，现有的差分隐私推荐系统仅考虑静态且独立的交互，因此无法应用于行为动态且依赖的序列推荐。同时，敏感用户特征的隐私风险很少受到关注，多数仅保护用户反馈。在这项工作中，我们提出了一种新颖的基于加噪图神经网络的差分隐私序列推荐框架（记为 DIPSGNN）以解决这些局限。据我们所知，我们首次在具有依赖交互的序列推荐中实现了差分隐私。具体而言，在 DIPSGNN 中，我们首先利用分段机制保护敏感用户特征。然后，我们基于聚合扰动机制创新地将校准噪声添加到图神经网络的聚合步骤中。该加噪图神经网络可同时保护序列依赖交互并捕获用户偏好。大量实验证明了我们的方法在隐私与准确性之间更好平衡方面优于最先进的差分隐私推荐系统。