×
冉、荀;王勇;张利奥·余;马骏

推荐系统的一种差分私有非负矩阵分解。 （英语） Zbl 07810470号

信息科学。 592, 21-35 (2022).
摘要：基于非负矩阵分解（NMF）的模型已被证明在解决推荐系统（RS）中的协同过滤（CF）问题方面是高效且可扩展的。由于遥感需要大量的用户数据来提供个性化的信息服务，数据隐私问题日益突出。尽管差分隐私（DP）技术已广泛应用于RS，但非负性的要求使其难以成功地将DP纳入NMF。本文通过扰动目标函数多项式表达式的系数，提出了一种差分私有NMF（DPNMF）方法，在隐私保护和推荐质量之间取得了很好的平衡。此外，为了减轻DP添加的噪声对评分稀疏的项目的影响，提出了一种基于插补的DPNMF（IDPNMF）方法。理论分析和在多个基准数据集上的实验结果表明，该方案具有良好的性能，能够在大规模数据集上实现更好的推荐质量。因此，我们的方案在实现基于大数据的隐私保护RS方面具有很大潜力。

MSC公司：

68第27页 数据隐私
15A23型 矩阵的因式分解
68T09号 数据分析和大数据的计算方面
68层35 人工智能语言和软件系统理论（基于知识的系统、专家系统等）

关键词：

差异隐私;推荐系统;非负矩阵分解;插补;数据分析
PDF格式BibTeX公司 XML格式引用
\textit{X.Ran}等人，《信息科学》。592，21-35（2022；Zbl 07810470）
全文： 内政部

参考文献：

[1] A.柏辽兹。；弗里德曼，A。；Kaafar，医学硕士。；博雷利，R。；Berkovsky，S.，将差异隐私应用于矩阵分解，（第九届ACM推荐系统会议论文集（2015）），107-114
[2] Calandrino，J.A。；基尔策，A。；Narayanan，A。；费尔顿，E.W。；Shmatikov，V.，《你可能还喜欢：协同过滤的隐私风险》，（2011年IEEE安全与隐私研讨会（2011年），IEEE），231-246
[3] 乔杜里，K。；Monteleoni，C.，隐私保护逻辑回归，（神经信息处理系统进展（2008）），289-296
[4] 乔杜里，K。；蒙特利奥尼，C。；Sarwate，A.D.，《不同私人经验风险最小化》，《机器学习研究杂志》，第12期，第3期（2011年）·Zbl 1280.62073号
[5] 德沃克，C。；McSherry，F。；尼西姆，K。；Smith，A.，在私人数据分析中校准噪声对灵敏度，（密码学理论会议（2006），施普林格），265-284·兹比尔1112.94027
[6] 埃尔米什，B。；Cemgil，A.T.，《通过差异私有耦合矩阵分解实现数据共享》，《ACM从数据中发现知识的交易》（TKDD），第14、3、1-27页（2020年）
[7] 冯，C。；梁，J。；宋，P。；Wang，Z.，推荐系统中稀疏数据的融合协同过滤方法，信息科学，521365-379（2020）
[8] 弗雷德里克森，M。；Jha，S。；Ristenpart，T.，利用信任信息和基本对策的模型反转攻击，（第22届ACM SIGSAC计算机和通信安全会议论文集（2015）），1322-1333
[9] Gillis，N.，《非负矩阵因式分解：复杂性、算法和应用》，（未发表的博士论文，卢万·卢瓦因·拉努夫天主教大学：CORE（2011））
[10] 埃尔南多，A。；Bobadilla，J。；Ortega，F.，基于贝叶斯概率模型的协同过滤推荐系统的非负矩阵分解，基于知识的系统，97，188-202（2016）
[11] Hua，J。；夏，C。；Zhong，S.，Differentially private matrix factorization，（第24届国际人工智能会议论文集，AAAI Press IJCAI’15（2015）），1763-1770
[12] Koren，Y。；贝尔·R。；Volinsky，C.，推荐系统的矩阵分解技术，计算机，42，8，30-37（2009）
[13] 劳森，C.L。；Hanson，R.J.，解决最小二乘问题（1995），SIAM·Zbl 0860.65029号
[14] Lee，D.D。；Seung，H.S.，通过非负矩阵分解学习对象的各个部分，《自然》，401，6755，788-791（1999）·Zbl 1369.68285号
[15] 李，H。；李凯。；An，J。；郑伟。；Li，K.，gpu上大规模推荐系统的有效流形正则化稀疏非负矩阵分解模型，信息科学，4964-484（2019）
[16] 李，N。；吕，M。；苏·D。；Yang，W.，《差异隐私：从理论到实践》。信息安全、隐私和信任综合讲座，8，4，1-138（2016）
[17] 刘，Z。；王玉霞。；Smola，A.，快速差异私有矩阵分解，（第九届ACM推荐系统会议论文集（2015）），171-178
[18] 罗，X。；周，M。；夏，Y。；Zhu，Q.，推荐系统协同过滤的一种有效的非负矩阵因子分解方法，IEEE工业信息学汇刊，10，21273-1284（2014）
[19] A.Machanavajjhala、A.Korolova、A.D.Sarma。个性化的社交推荐——准确还是私密？arXiv预印arXiv:11054254（2011）。
[20] McSherry，F。；Mironov，I.，Differentially private recommender systems:Building privacy into the netflix prize contractors，（第15届ACM SIGKDD国际知识发现和数据挖掘会议记录（2009）），627-636
[21] McSherry，F.D.，《隐私集成查询：隐私保护数据分析的可扩展平台》（2009年ACM SIGMOD国际数据管理会议论文集（2009）），19-30
[22] 孟，X。；王，S。；Shu，K。；李，J。；陈，B。；刘，H。；Zhang，Y.，个性化隐私保护社会推荐，（AAAI人工智能会议论文集，第32卷（2018））
[23] Narayanan，A。；Shmatikov，V.，大型稀疏数据集的稳健非对称化，（2008年IEEE安全与隐私研讨会（SP 2008）（2008），IEEE），111-125
[24] 尼古兰科，V。；约阿尼迪斯，S。；Weinsberg，美国。；乔伊，M。；塔夫特，N。；Boneh，D.，隐私保护矩阵分解，（2013年ACM SIGSAC计算机与通信安全会议论文集（2013）），801-812
[25] Shokri，R。；Stronati，M。；宋，C。；Shmatikov，V.，针对机器学习模型的成员推断攻击，（2017年IEEE安全与隐私研讨会（SP）（2017），IEEE），3-18
[26] 瓦德瓦，S。；阿格拉瓦尔，S。；乔达里，H。；Sharma，D。；Achan，K.，针对差异私人推荐系统的数据中毒攻击，（第43届ACM SIGIR信息检索研究与开发国际会议（2020年）论文集），1617-1620
[27] Wang，J。；Tang，Q.，《基于不同私人邻居的推荐系统》（IFIP ICT系统安全和隐私保护国际会议（2017），施普林格），459-473
[28] 薛海杰、戴晓霞、张建军、黄绍、陈建军。推荐系统的深层矩阵分解模型。In:IJCAI。澳大利亚墨尔本；第17卷（2017）第3203-3209页。
[29] 詹，J。；谢长乐。；王，I.-C。；Hsu，T.-S。；Liau，C.-J。；Wang，D.-W.，隐私保护协作推荐系统，IEEE系统、人与控制论事务，C部分（应用与评论），40，4，472-476（2010）
[30] 张，F。；李，V.E。；Choo，K.-K.R.，Jo-dpmf:通过联合优化进行差分私有矩阵分解学习，信息科学，467，271-281（2018）·Zbl 1441.68219号
[31] 张，S。；刘，L。；陈，Z。；Zhong，H.，带个性化差异隐私的概率矩阵分解，基于知识的系统，183，第104864页，（2019）
[32] 张，S。；Wang，W。；福特，J。；Makedon，F.，使用非负矩阵分解从不完整评级中学习，（2006年SIAM数据挖掘国际会议论文集（2006），SIAM），549-553
[33] Zhu，T。；任，Y。；周，W。；荣，J。；Xiong，P.，基于邻域的协作过滤的有效隐私保护算法，未来一代计算机系统，36142-155（2014）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。