.png){kind=icon}
返回
A Novel Differentially Private Implicit Recommendation Algorithm Based on Gradient Perturbation Optimization
.png){kind=icon}
PRE
AI
DOI：10.1109/TCSS.2025.3645943.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着数字数据的爆炸式增长，推荐系统（RSs）在缓解信息过载问题中发挥着关键作用。由于隐式反馈数据的丰富性和易获取性，它已成为训练推荐模型的主要数据来源。利用此类数据提供个性化推荐服务需要大量用户历史交互数据，这带来了严重的隐私风险。差分隐私（DP）已被整合到隐式推荐算法中以保护用户隐私。然而，由于隐式反馈的固有特性，当前研究在数据效用和隐私级别方面仍存在一定不足。为此，本文提出了一种新颖的差分隐私隐式推荐算法。该算法将贝叶斯个性化排序（BPR）矩阵分解（MF）与Rényi DP（RDP）中的高斯机制相结合，并设计了基于二进制索引树（BIT）的优化策略以缓解累积误差。所提方法不仅能通过最大化排名的后验概率从稀疏隐式反馈数据中有效捕捉用户偏好，还能根据查询矩阵更精确地管理隐私预算分配。理论分析证明，所提方法能够满足隐私保证并给出隐私损失的上界。实验结果表明，本方法优于几种现有先进方法，在低隐私预算下，Hit Rate（HR@10）和Normalized Discounted Cumulative Gain（NDCG@10）的最高性能提升分别达到6.5%和6.9%，表明其在确保严格隐私级别的同时能提供良好的推荐质量。
Keyword:
Bayesian personalized ranking (BPR)
differential privacy (DP)
implicit feedback
matrix factorization (MF)
recommendation systems (RSs)
期刊
IF:
4.9
论文数:
622
被引数:
6.8K
机构
引用论文
.png){kind=icon}
Differentially private user-based collaborative filtering recommendation based on κ-means clustering
PREAI
分享收藏
Comprehensive Privacy Analysis on Recommendation With Causal Embedding Against Model Inversion Attacks基于因果嵌入的推荐系统抗模型逆攻击的全面隐私分析
PREAI
分享收藏分享收藏
查看更多内容