【标题】Deep-Reinforcement-Learning-Based User Profile Perturbation for Privacy-Aware Recommendation

【作者团队】Yilin Xiao; Liang Xiao; Xiaozhen Lu; Hailu Zhang; Shui Yu; H. Vincent Poor

Princeton University, Princeton, NJ, USA

【研究团队】厦大 & 悉尼科技大学 & 普林斯顿大学

【论文链接】https://ieeexplore.ieee.org/document/9209039

【发表时间】2021.3.15

【推荐理由】本文提出了一种基于深度RL的用户信息扰动方案，在不依赖已知攻击模型的情况下保护推荐系统的用户隐私。该方案在攻击者和用户设备之间建立了一个隐私感知的电子推荐博弈，并给出了博弈的纳什均衡来约束所提出的用户画像扰动方案的性能。并评估了其计算复杂度。通过公共电影数据集的仿真结果表明，其性能优于基准方案。

用户信息扰动可在用户信息发布中保护隐私以接收推荐服务，其中隐私预算作为隐私参数可以控制，以影响推荐质量与隐私保护之间的权衡，以防止推理攻击。本文中提出了一种基于深度强化学习的推荐系统用户信息扰动方案。该方案应用差异隐私来保护用户隐私，并使用深度强化学习来选择抵御推理攻击者的隐私预算。基于评估的神经网络和目标神经网络，该方案使用户设备可以根据单击项的敏感度，推荐项之间的相似性以及估计的隐私损失，对隐私预算随时间进行优化。在推荐博弈中提供了该方案的隐私保护性能的上限，并评估了其计算复杂度。电影推荐系统的仿真结果表明，与基准方案相比，该方案在给定推荐质量的情况下提高了用户隐私保护水平。

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