基于推薦的社交媒體數(shù)據(jù)發(fā)布的隱私保護

隨著信息技術(shù)特別是互聯(lián)網(wǎng)、物聯(lián)網(wǎng)和云計算等技術(shù)的迅猛發(fā)展，網(wǎng)絡(luò)空間中所蘊含的信息量呈指數(shù)級增長。信息過載現(xiàn)象愈發(fā)嚴重，給人們帶來很大的信息負擔。推薦系統(tǒng)作為一種有效的信息過濾手段是當前解決信息過載問題及實現(xiàn)個性化信息服務(wù)的有效方法之一。為了提供高質(zhì)量和個性化的推薦，推薦系統(tǒng)需要收集大量的用戶信息、用戶行為等，尤其是社交媒體上的用戶活動數(shù)據(jù)。

個性化的推薦需要使用大量的用戶數(shù)據(jù)，尤其是用戶在社交媒體上的活動數(shù)據(jù)，包括評級、簽到等，然而，從大量的用戶活動數(shù)據(jù)中，能夠推斷出用戶的隱私數(shù)據(jù)。在漢斯出版社《計算機科學與應(yīng)用》期刊中有論文，考慮使用自定義距離KFC，將數(shù)據(jù)模糊過程中產(chǎn)生的特征關(guān)聯(lián)度損失進行約束，保留特征之間的關(guān)系。

在實踐中，許多用戶愿意將他們在社交媒體上的在線活動的數(shù)據(jù)(或數(shù)據(jù)流)發(fā)布給服務(wù)提供商，以獲得高質(zhì)量的個性化推薦。然而，他們通常認為來自社交媒體的部分數(shù)據(jù)是私人的，例如性別、收入水平、政治觀點或社會交往等。雖然用戶可能拒絕發(fā)布私有數(shù)據(jù)，但公共數(shù)據(jù)和私有數(shù)據(jù)之間的內(nèi)在關(guān)聯(lián)往往會導致嚴重的隱私泄漏。這些研究表明，私有數(shù)據(jù)經(jīng)常遭受推理攻擊，敵人通過分析用戶的公共數(shù)據(jù)以非法獲取有關(guān)其私有數(shù)據(jù)。因此，在將公共數(shù)據(jù)發(fā)布到推薦系統(tǒng)時，保護用戶私有數(shù)據(jù)至關(guān)重要。

為了解決這一問題，保護隱私數(shù)據(jù)的發(fā)布平臺被廣泛研究。它的基本思想是通過在公開數(shù)據(jù)發(fā)布之前對其進行扭曲，以犧牲公共數(shù)據(jù)在后期處理階段的效用，來保護私有數(shù)據(jù)。對于推薦引擎的用例，效用是指基于被扭曲的公共數(shù)據(jù)的個性化性能，即推薦引擎是否能夠根據(jù)模糊數(shù)據(jù)準確預測個人偏好。在隱私和隱私之間存在一種內(nèi)在的平衡。

差分隱私是一種眾所周知的技術(shù)，保證用戶對具有任意背景知識的攻擊者的隱私。該論文介紹了一種可定制、連續(xù)的隱私保護的社交媒體數(shù)據(jù)發(fā)布框架，通過發(fā)布模糊的用戶活動數(shù)據(jù)，不斷地保護用戶指定的數(shù)據(jù)免受推理攻擊，同時仍然確保所發(fā)布數(shù)據(jù)的實用性，以增強基于因子分解機的推薦。為了提供定制的保護，學者們學習了最佳的數(shù)據(jù)混淆方法，以便將用戶指定的私有數(shù)據(jù)的泄漏降到最低，為了確保數(shù)據(jù)實用性，減少特征間的關(guān)聯(lián)性的損失，學者們使用類似于Kendall-t距離來限制數(shù)據(jù)混淆過程中產(chǎn)生的關(guān)聯(lián)度損失KFC。學者們通過大量實驗證明PriFM框架可以提供對私有數(shù)據(jù)的有效保護，同時還可以為基于因子分解機的推薦用例保留已發(fā)布數(shù)據(jù)的效用。如何在隱私保護和推薦質(zhì)量之間尋找一個平衡是一個值得深入研究的課題。