ICDM2014——Privacy-Preserving Personalized Recommendation:An Instance-based Approach via Differential Privacy

如今,推荐系统变得越来越流行和广泛应用。在给用户提供准确推荐时,同时也会发布用户的私人数据,这就会把用户置于风险之中。但是现有的隐私保护方法是在受信任的服务设置上来进行用户推荐,这样并不切实际并且缺乏强大的隐私保护。

 

在这篇论文中,作者提出了第一个轻量级的,在不受信任的服务设置下,被证明是可以解决对用户进行个性化推荐的方法。在新的设置中,用户的数据离开他们私人设备之前被模糊,这样就给用户更大的数据控制权,减少网络服务商在隐私保护上的责任。

 

更重要的是,这个方法使得不改变现有的推荐系统的情况下,可以直接使用扰动数据,这个方法在实际应用中效果很好。

 

作者开发了数据微分扰动方法保护隐私,这个最好的(state-of-the-art)隐私保护模型是轻量级计算,能够很好地保护用户隐私。

 

为了保证扰动处理后的数据能够被处理,作者首先设计了一个新的可容许放松的机制(relaxed admissible mechanism),这样可以基于实例注入噪音数据。使用这个新的机制,用作者提出的数据扰动方法,结合噪音校准和学习方法,可以获得用户的扰动数据,并且这个数据并不会使得用户的隐私被泄露。

通过大规模的真实数据测试显示,这个方法不仅能够得到高精度的推荐结果,而且在私人计算机和智能手机上差别很小。

 

因此,这个方法可以在不泄露用户隐私的前提下,向用户推荐最契合的内容。这个实用的技术可以通过扰动用户数据,从而使用户隐私得到强有力地保证,从而吸引客户,也能使得提供推荐服务的公司拥有更加个性化的设备。

 

anyShare分享到:
This entry was posted in 教师, 新闻动态. Bookmark the permalink.

发表评论