利用梯度混淆进行隐私保护的表示学习，以对抗推荐系统中的属性推断

《ACM Transactions on Knowledge Discovery from Data》：Privacy-Preserving Representation Learning with Gradient Obfuscation against Attribute Inference for Recommendation

隐私保护的贝叶斯个性化排名框架通过可学习的梯度混淆向量嵌入用户和物品表示，有效防御属性推断攻击，在基准数据集上验证了推荐效果和隐私保护的平衡。

　　

摘要

现代且高效的推荐系统不仅利用用户与物品之间的交互信息，还利用用户的私有属性来提升推荐性能。保护用户的私有属性不被对手推断出来，已成为推荐系统中的一个关键问题。在这项工作中，我们提出了一个名为“隐私保护表示学习用于推荐”（PrP-Rec）的问题。PrP-Rec的设计目的是生成用户和物品的嵌入向量，以便有效抵御两种推断攻击：一种是基于物品的属性推断攻击（IAI-Attack），另一种是基于嵌入的属性检索攻击（EAR-Attack）。为了解决PrP-Rec问题，我们提出了一个名为“隐私保护贝叶斯个性化排名”（PBPR）的新框架。该框架的核心是创建一个可学习的梯度混淆向量，并将其注入用户和物品的嵌入学习过程中。梯度混淆的目标是在优化推荐效果的同时保护用户隐私。在三个基准数据集上进行的广泛实验表明，PBPR在Top-K推荐任务中优于其他隐私保护推荐方法，并能有效防御IAI-Attack和EAR-Attack。