【WWW 2021】Graph Embedding for Recommendation against Attribute Inference Attacks

论文作者：Shijie Zhang, Hongzhi Yin, Tong Chen, Zi Huang, Lizhen Cui, Xiangliang Zhang

论文地址：https://arxiv.org/abs/2101.12549

论文导读：近年来，推荐系统在帮助用户确定商品的个人喜好方面起着举足轻重的作用。由于用户项目交互可以自然地被建模成图结构化数据，因此图卷积网络（GCN）的变体已被称为最新推荐者中公认的基础。由于敏感用户配置文件数据的广泛使用，现有的推荐范例可能会使用户隐私权受到威胁，基于GCN的推荐者也不例外。除了泄漏原始用户数据外，当前推荐者在推理攻击下的脆弱性还为恶意攻击者提供了后门，可以通过他们的行为足迹和推荐结果来估计用户的私有属性。但是，很少有人注意并开发出能够防御此类属性推断攻击的推荐器系统，并且现有工作通过牺牲相当大的推荐精度或仅覆盖特定的攻击模型或受保护的信息来实现抗攻击性。本文提出了GERAI，这是一种新颖的差分私有图卷积网络，可以解决这些局限性。具体来说，GERAI将图微卷积网络的推荐功能绑定在差分隐私中的信息摄动机制。此外，基于本地差分隐私和功能机制，本文创新地设计了一个双阶段加密范例，以同时对用户的敏感特征和模型优化过程实施隐私保证。大量的实验显示了GERAI在抵抗属性推理攻击和推荐有效性方面的优越性。

GERAI模型的总体架构

 

【WWW 2021】DGCN: Diversified Recommendation with Graph Convolutional

论文作者：Yu Zheng, Chen Gao, Liang Chen, Depeng Jin, Yong Li

论文地址：https://arxiv.org/abs/2010.02863

代码地址：https://github.com/tsinghua-fib-lab/DGCN

论文导读：这些年来，人们一直在致力于提高推荐系统的准确性或相关性。多样性是衡量推荐项目之间差异的关键因素，因此很少受到审查。与用户满意度直接相关，在生成候选项目后通常会考虑多样化。但是，这种分散化和候选生成的分离设计使整个系统次优。本文旨在借助图卷积网络（GCN）将多样化推向上游候选者生成阶段。尽管基于GCN的推荐算法在建模复杂的协作过滤效果以提高推荐准确性方面显示出强大的功能，但在这些高级工作中忽略了多样性变化。本文提出在GCN之上执行重新平衡的邻居结点，类别增强的负采样和对抗性学习。本文对现实世界的数据集进行了广泛的实验。实验结果证明了本文提出的多元化方法的有效性。进一步的消融研究证实，该方法可以大大缓解精度-多样性难题。

 

本期内容：盛泳潘 黄豪

内容中包含的图片若涉及版权问题，请及时与我们联系删除