La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Sparsity Reduction Technique Using Grouping Method for Matrix Factorization in Differentially Private Recommendation Systems Technique de réduction de la parcimonie utilisant la méthode de regroupement pour la factorisation matricielle dans les systèmes de recommandation différentiellement privés

Taewhan KIM, Kangsoo JUNG, Seog PARK

  • Vues en texte intégral

    0

  • Citer

Résumé:

Les utilisateurs des services Web sont submergés par la quantité d'informations qui leur sont présentées et ont des difficultés à trouver les informations dont ils ont besoin. Par conséquent, un système de recommandation qui prédit les goûts des utilisateurs est un facteur essentiel au succès des entreprises. Cependant, les systèmes de recommandation nécessitent des informations personnelles sur les utilisateurs et peuvent ainsi conduire à de graves violations de la vie privée. Pour résoudre ce problème, de nombreuses recherches ont été menées sur la protection des informations personnelles dans les systèmes de recommandation et sur la mise en œuvre de la confidentialité différentielle, une technique de protection de la vie privée qui insère du bruit dans les données originales. Cependant, les études précédentes n’ont pas examiné les facteurs suivants dans l’application de la confidentialité différentielle aux systèmes de recommandation. Premièrement, ils n’ont pas pris en compte la rareté des informations sur les évaluations des utilisateurs. Le nombre total d’éléments est bien supérieur au nombre d’éléments évalués par les utilisateurs. Par conséquent, une matrice de notation créée pour les utilisateurs et les éléments sera très clairsemée. Cette caractéristique rend difficile l’identification des modèles d’utilisateurs dans les matrices de notation. Par conséquent, la question de la rareté doit être prise en compte dans l’application de la confidentialité différentielle aux systèmes de recommandation. Deuxièmement, des études antérieures se sont concentrées sur la protection des informations sur les évaluations des utilisateurs, mais ne visaient pas à protéger les listes d'éléments évalués par les utilisateurs. Les systèmes de recommandation devraient protéger ces listes d'éléments car elles divulguent également les préférences des utilisateurs. Dans cette étude, nous proposons un schéma de recommandation différentiellement privé basé sur une méthode de regroupement pour résoudre le problème de parcimonie et protéger les listes d'éléments évalués par les utilisateurs et les informations d'évaluation des utilisateurs. La technique proposée montre de meilleures performances et une meilleure protection de la vie privée sur les données réelles de classification des films par rapport à une technique existante.

Publication
IEICE TRANSACTIONS on Information Vol.E103-D No.7 pp.1683-1692
Date de publication
2020/07/01
Publicisé
2020/04/01
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2019EDP7238
Type de manuscrit
PAPER
Catégories
Intelligence artificielle, exploration de données

Auteurs

Taewhan KIM
  Sogang University
Kangsoo JUNG
  Sogang University
Seog PARK
  Sogang University

Mots-clés

Table des matières