ReuseKNN：差分隐私基于最近邻重用的推荐方法
摘要：基于用户的KNN推荐系统（UserKNN）在推荐过程中利用目标用户的k个最近邻的评分数据。然而，这会增加邻居的隐私风险，因为他们的评分数据可能会向其他用户或恶意方泄露。为了减少这种风险，现有工作通过向邻居的评分中添加随机性来应用差分隐私，但这会降低UserKNN的准确性。在这项工作中，我们提出了一种新颖的具有差分隐私的基于KNN的推荐系统ReuserKNN。主要思想是识别出小而高度可重用的邻域，这样一来(i)只有一个最小的用户集需要用差分隐私进行保护，而(ii)大多数用户不需要用差分隐私进行保护，因为他们很少被利用作为邻居。通过对五个不同数据集的实验，我们得出两个关键观察结果：首先，与传统的UserKNN相比，ReuseKNN需要更小的邻域，因此只需要用差分隐私保护较少的邻居。其次，尽管邻域很小，但ReuseKNN在准确性方面优于UserKNN和完全差分隐私方法。总体而言，与UserKNN相比，ReuseKNN为用户提供了更小的隐私风险。
作者：Peter M"ullner, Elisabeth Lex, Markus Schedl, Dominik Kowald
论文ID：2206.11561
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-06-27